Analisis Jaraingan Saraf Tiruan Backpropagation Menggunakan Conjugate Gradient Fletcher Reeves dalam Proses Memprediksi

Abstract

Backpropagation is a good artificial neural network algorithm used to predict, one of which is to predict the rate of Consumer Price Index (CPI) based on the foodstuff sector. While conjugate gradient fletcher reeves is a suitable optimization method when juxtaposed with backpropagation method, because this method can shorten iteration without reducing the quality of training and testing result. Consumer Price Index (CPI) data that will be predicted to come from the Central Statistics Agency (BPS) Pematangsiantar city. The results of this study will be expected to contribute to the government in making policies to improve economic growth. In this study, the data obtained will be processed by conducting training and testing with artificial neural network backpropagation by using the parameter learning rate and target error of the same, that is 0.01. The training network is built with binary and bipolar sigmoid activation functions. After the result with backpropagation is obtained, it will then be optimized by using conjugate gradient fletcher reeves method by doing the same training and testing based on 5 predefined network architecture. The result, the method used can increase the speed and accuracy result.

Backpropagation merupakan algoritma pada Jaringan Saraf Tiruan yang baik digunakan untuk memprediksi, salah satunya untuk memprediksi laju Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan. Sedangkan conjugate gradient fletcher reeves merupakan metode optimasi yang cocok bila disandingkan dengan metode backpropagation, karena metode ini dapat mempersingkat iterasi tanpa mengurangi kualitas hasil pelatihan dan pengujian. Data Indeks Harga Konsumen (IHK) yang akan diprediksi bersumber dari Badan Pusat Statistik (BPS) kota Pematangsiantar. Hasil penelitian ini nantinya diharapkan dapat memberikan kontribusi bagi pemerintah dalam membuat kebijakan untuk meningkatkan pertumbuhan ekonomi. Pada penelitian ini, data yang diperoleh akan diolah dengan melakukan pelatihan dan pengujian dengan jaringan saraf tiruan backpropagation dengan menggunakan parameter learning rate dan target error yang sama, yakni 0,01. Jaringan pelatihan dibangun dengan fungsi aktivasi sigmoid biner dan bipolar. Setelah hasil dengan backpropagation diperoleh, maka kemudian akan di optimasi dengan menggunakan metode conjugate gradient fletcher reeves dengan melakukan pelatihan dan pengujian yang sama berdasarkan 5 arsitektur jaringan yang telah ditentukan. Hasilnya, metode yang digunakan mampu meningkatkan terjadi peningkatan kecepatan dan hasil akurasi.