Algoritma Deeplearning menggunakan Backpropagation Neural Network

Angga Aditya Pratama; Yurika Permanasari; Didi Suhaedi

doi:10.29313/bcsm.v4i1.15299

Angga Aditya Pratama Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung
Yurika Permanasari Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung
Didi Suhaedi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Islam Bandung

DOI: https://doi.org/10.29313/bcsm.v4i1.15299

Keywords: Neural Network, Backpropagation, DeepLearning

Abstract

Abstract. The Backpropagation method is a technique used to minimize errors in output values by updating weights and biases. This process is crucial to ensure that the Neural Network's computations result in an output value with minimal error. This article focuses on the form of the Backpropagation Neural Network algorithm, aiming to understand the role of Backpropagation in Neural Network calculations. Based on the MSE graph in this study, the MSE values decreased but did not reach the minimum error value, as the case was limited to up to the 100th iteration. In this study, Backpropagation influences the attainment of an output value with minimal error, even though the minimum error value has not yet been reached. It is observed that in subsequent iterations, the error values will continue to decrease, approaching the minimum error value. With increasingly optimal error values, the prediction error decreases, leading to more accurate predictions.

Abstrak. Metode Backpropagation adalah sebuah metode yang akan meminimalkan kesalahan dalam sebuah nilai Output, dengan cara memperbarui nilai bobot dan bias. Hal tersebut penting dilakukan dengan tujuan hasil yang didapatkan dari perhitungan Neural Network menghasilkan suatu nilai Output dengan nilai error yang minimum. Artikel ini difokuskan pada bagaimana bentuk Algoritma Backpropagation Neural Network, dengan tujuan untuk mengetahui bagaimana peranan Backpropagation dalam perhitungan Neural Network. Berdasarkan grafik MSE pada penelitian ini, nilai MSE yang dihasilkan menurun akan tetapi belum mencapai nilai error minimum, karena kasus tersebut dibatasi hanya sampai iterasi ke-100. Backpropagation dalam penelitian ini berpengaruh untuk mendapatkan nilai Output dengan nilai error yang minimum meskipun nilai error minimum belum tercapai. Terlihat bahwa untuk iterasi selanjutnya nilai error yang akan dihasilkan juga akan terus menurun sampai mendekati nilai error minimum. Dengan nilai Error yang semakin optimal, maka semakin kecil kesalahan yang dikeluarkan untuk menentukan prediksi tersebut.

References

[1] S. Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & EXCEL LINK, Yogyakarta: Graha Ilmu, 2013.
[2] Y. Permanasari, “Prediksi Populasi dengan Matriks Leslie untuk pemetaan Pemberdayaan Perempuan,” Jurnal Riset Matematika, 2022.
[3] M. Nielsen, “Neural networks and deep learning. Determination Press,” 2015.
[4] Kristian Adi Nugraha, Albertus Joko Santoso, Thomas Suselo, “Algoritma Backpropagation Pada Jaringan Syaraf,” semnasIF, p. 3, 2013.
[5] R. Adam, “Contoh Perhitungan Algoritma Backpropagation,” Structilmy, 2019.
[6] Yudhi Andrian, Erlinda Ningsih, “Prediksi Curah Hujan Di Kota Medan Menggunakan Metode Backpropagation Neural Network,” Seminar Nasional Informatika, p. 2, 2014.
[7] Yurika Permanasari, Didi Suhaedi, “Sistem Pendukung Keputusan Pemilihan Penerima Bantuan Renovasi Rumah Menggunakan Metode SAW dan ELECTRE,” Bandung Conference Series: Mathematics , 2022.