IMPLEMENTASI ALGORITMA PELATIHAN LEVENBERG MARQUARDT DAN REGULARISASI BAYES UNTUK PREDIKSI CURAH HUJAN

Yasinta Lisa

Abstract


Algoritma Levenberg Marquardt digunakan untuk pelatihan feedforward neural network karena keefektifan dan kecepatan konvergensinya. Levenberg Marquardt merupakan metode optimasi nonlinier yang digunakan pada saat koreksi error backpropagation untuk menemukan bobot yang disesuaikan. Salah satu cara untuk meningkatkan performa generalisasi jaringan syaraf tiruan adalah regularisasi. Tehnik regularisasi yang sering digunakan adalah regularisasi bayes. Penelitian ini dilakukan untuk mengetahui bagaimana kinerja jaringan syaraf tiruan dengan metode pelatihan Levenberg Marquardt dengan penambahan regularisasi untuk prediksi data time series serta membandingkan dengan algoritma Levenberg Marquardt tanpa regularisasi. Data yang digunakan dalam penelitian ini adalah data bulanan curah hujan, suhu rata-rata, kelembaban udara, tekanan udara di atas stasiun pengamatan dan kecepatan angin rata-rata di stasiun pengamatan Pangsuma Putussibau Kalimantan Barat dari tahun 2008-2009. Pelatihan data dilakukan pada jaringan syaraf pada satu hidden layer dengan tiga buah neuron dan satu buah neuron pada output layer. Arsitektur jaringan ditentukan dengan cara coba-coba dan melihat MSE pelatihan terbaik yang dihasilkan. Dalam kasus ini hasil penelitian menunjukan bahwa algoritma Levenberg Marquardt dengan regularisasi menjadi lebih baik.

 

Kata kunci: Prediksi, Jaringan Syaraf Tiruan, Levenberg Marquardt, Bayes Regularisasi, Curah Hujan

Full Text:

PDF

References


Aggarwal, K.K., Singh, Y., Chandra, P. dan Puri, M., 2005, Bayesian Regulation in Neural Network to Estimate Linse of Code Using Function Points, Journal of Computer Sciences Research, 1, 505-509.

Eslamloueyan, R., Khademi, M.H. dan Mazinani, S., 2010, Using a Multylayer Perceptron Networks for Thermal Conductivity Prediction of Aqueous Electrolyte Solutions, Industrial & Engineering Chemistry Research, 50, 4050-4056.

Fausett, L., 1994, Fundamentals of Neural Networks; rchitectures,algorithms and applications, Prentice-Hall Inc., Englewoods Cliffs, New Jersey

Foresee, F.D. dan Hagan, M.T., 1993, Gauss-Newton Approximation to Bayesian Learning, IEEE International Conference on Neural Networks, 3, 1930-1935.

Kaminski, M. dan Orlowska-Kowalska, T., 2011, Optimization of neural state variables estimators of two-mass drive system using the Bayesian regularization method, Bulettin of the polish academy of sciences Technical Sciences, 59, 1, 33 – 38.

Li, X. dan Wang, D., 2009, A Sensor Registration Method Using Improved Bayesian Regularization Algorithm, International Joint Conference on Computational Sciences and Optimization, 194 – 199.

Mackay, D.,J.,C., 1992, Bayesian Interpolation, Neural Computation, vol. 4, pp. 415-447.

Ogwueleka, T.C. dan Ogwueleka, F.N., 2009, Feed-forward Neural Networks for Precipitation and River Level Prediction, Advances in Natural and Applied Sciences, 3, 350-356.

Warsito, B. dan Sumiyati, S., 2007, Prediksi Curah Hujan Kota Semarang Dengan Feedforward Neural Network Menggunakan Algoritma Quasi Newton BFGS Dan Levenberg-Marquardt, Jurnal PRESIPITASI, Semarang.




DOI: https://doi.org/10.31932/ve.v6i2.119

Article Metrics

Abstract view : 89 times
PDF - 73 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2018 VOX EDUKASI: Jurnal Ilmiah Ilmu Pendidikan



Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.