Yustiono, Moh.Dipo (2007) Perbandingan metode Gradient-Descent dengan metode Levenberg-Marquardt untuk Optimasi Numerik pada Jaringan Saraf Tiruan. Sarjana thesis, Universitas Brawijaya.
Abstract
Jaringan Saraf Tiruan (JST) merupakan salah satu model matematika untuk optimasi nonlinear. Ada tiga tahap penting yang dibutuhkan di dalam JST yaitu membuat arsitektur jaringan, melakukan proses pembelajaran pada jaringan dan melakukan proses simulasi pada jaringan. Pada tahap kedua, JST menggunakan model pembelajaran Backpropagation untuk dapat menyelesaikan suatu permasalahan optimasi. Salah satu metode yang sederhana dan sering digunakan pada model Backpropagation untuk menyelesaikan permasalahan minimum adalah metode Gradient-Descent. Tetapi metode ini mempunyai beberapa kelemahan diantaranya: sangat sensitif dalam pemilihan laju pembelajaran ()γ dan solusi yang dihasilkan adalah minimum lokal. Untuk mengatasi kelemahan-kelemahan dari metode Gradient-Descent, digunakan alternatif metode lain yakni metode Levenberg-Marquardt sebagai pembandingnya. Adapun tujuan pada skripsi ini adalah, mengetahui perbandingan dari kedua metode tersebut, dan mengetahui hasil prediksi dari Stock index menggunakan data simulasi. Sebagai kesimpulan, metode Levenberg-Marquardt lebih baik (selalu stabil) daripada metode Gradient-Descent untuk pemilihan laju pembelajaran berapapun dan lebih cepat dalam laju konvergensinya.
English Abstract
Recently, the neural network becomes one of the models of nonlinear optimization. There are three important steps needed in neural network such as designing the network’s architecture, training the network and simulating the network. In step two, neural network uses Backpropagation as a learning model, for solving the optimization problems. Gradient-Descent methods is one of methods which is simple and commonly used in Backpropagation model for solving the minimization problem. But this method has several disadvantages. The disadvantages are that it is very sensitive when the learning rate ()γ is chosen, and also this method sometimes gets stuck in local minimum. To overcome this problems, alternatively various learning methods had been proposed. One of the popular and effective methods is Levenberg-Marquardt method. The purpose of this final project is to compare both of the methods, and the result of stock index prediction using simulation data. As a result, the Levenberg-Marquardt method is better (always stable) than Gradient-Descent method for any learning rate and faster in the convergence rate. .
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2007/050702811 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 08 Oct 2007 00:00 |
| Last Modified: | 07 Mar 2022 01:24 |
| URI: | http://repository.ub.ac.id/id/eprint/151691 |
Preview |
Text
050702811.pdf Download (4MB) | Preview |
Actions (login required)
 |
View Item |