Analysis of Standard Gradient Descent with GD Momentum and Adaptive LR for SPR Prediction

Abstract

Gradient Descent (GD) is used to find the local minimum value, its purpose is to find variables on the errorfunction so that a function can model the data with minimum error. Therefore, the purpose of this researchis to see how much iteration is needed and how big is the accuracy level in predicting the data when usingGradient Descent (GD) Standard and GD With Momentum and Adaptive Learning Rate (GDMALR)functions. In this study, the data to be processed using the gradient descent function is the data of SchoolParticipation Rate (SPR) in Indonesia aged 19-24 years, which began in 2011 to 2017. The reason forselection This age range is one of the factors that determine success education in a country, especiallyIndonesia. SPR is known as one of the indicators of successful development of education services in an areaof either Province, Regency or City in Indonesia. The higher the value of SPR, then the area is consideredsuccessful in providing access to education services. SPR data are taken from Indonesian Central Bureau ofStatistics. This study uses 3 models of network architecture, namely: 5-5-1, 5-15-1 and 5-25-1. From 3models, the best model is 5-5-1 with epoch 6202 iteration, 94% accuracy and MSE 0.0008658637. Thismodel is then used to predict SPR in Indonesia for the next 3 years (2018-2020). These results will beexpected to help the Indonesian government to further improve the scholarship and improve the quality ofeducation in the future

Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation

“…Prediksi adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu sebelumnya (historis) melalui suatu metode ilmiah [13]. Prediksi( Forecasting) sangat membantu dalam perencanaan dan pengambilan keputusan dalam suatu aktivitas [14].…”

Prediksi Harga Eceran Beras Di Pasar Tradisional Di 33 Kota Di Indonesia Menggunakan Algoritma Backpropagation

“…Dalam backpropagation, fungsi aktivasi menggunakan beberapa kondisi yaitu, terus-menerus, kemudahan perbedaan dan fungsi tidak menurun [12]. Metode pelatihan backpropagation melibatkan feedforward dari pola pelatihan input, perhitungan dan backpropagation dari kesalahan dan penyesuaian bobot dalam sinapsis [13]. Ciri khas backpropagation melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh lapisan input [14].…”

Analisis JST Dalam Memprediksi Jumlah Tamu Pada Hotel NonBintang

“…Analisis hasil peramalan dengan ANN berbasis Backpropagation dilakukan dengan cara membandingkan antara hasil peramalan dengan target data sebenarnya sehingga diperoleh nilai kesalahan. Semakin kecil nilai kesalahan semakin baik nilai peramalan [17] [18].Penelitian ini menggunakan 5 arsitektur. Antara lain 4-19-1 yang nanti nya akan menghasilkan prediksi dengan tingkat akurasi sebesar 88,2%, 4-50-1 = 85,3%, 4-17-1 = 73,5%, 4-16-1 = 73,5%, dan 4-22-1 = 61,8%.…”