Pemodelan Jaringan Syaraf Tiruan Resilient Backpropagation (Jst-Rprop) Untuk Klasifikasi (Studi Kasus Gizi Balita Kabupaten/Kota Di Indonesia 2017)

Balqis, Amalia (2020) Pemodelan Jaringan Syaraf Tiruan Resilient Backpropagation (Jst-Rprop) Untuk Klasifikasi (Studi Kasus Gizi Balita Kabupaten/Kota Di Indonesia 2017). Sarjana thesis, Universitas Brawijaya.

Abstract

Klasifikasi merupakan suatu proses untuk mendapatkan fungsi atau model yang menjelaskan perbedaan kelas data yang digunakan untuk memprediksi kelompok dari suatu data yang memiliki kemiripan karateristik tertentu. Salah satu metode klasifikasi yaitu jaringan syaraf tiruan yang menggunakan alogaritma resilient backpropagation (RPROP). Resilient backpropagation (RPROP) merupakan modifikasi pada metode backpropagation yang bertujuan untuk meningkatkan kecepatan dalam proses pelatihan. Gizi pada balita berpengaruh terhadap pertumbuhan dan perkembangan baik fisik maupun mental. Beberapa faktor yang memengaruhi masalah gizi balita di kabupaten/kota di Indonesia yaitu status gizi, pemberian ASI eklusif pada balita, balita mempunyai kartu menuju sehat (KMS), pemberian vitamin A untuk balita berumur 6-59 bulan, balita kurus dapat pemberian makanan tambahan (PMT), balita menimbang sebanyak ≥ 4 kali. Penelitian ini bertujuan untuk memodelkan dan mengetahui ketepatakan klasifikasi berdasarkan faktor-faktor yang mempengaruhi kategori masalah gizi balita kabupaten/kota di Indonesia 2017. Arsitektur jaringan syaraf tiruan dengan alogaritma resilient backpropogation (JST-RPROP) terbaik diperoleh menggunakan sembilan neuroninput layer, sebelas neuron hidden layer dan empat neuron output layer untuk setiap kategori masalah gizi. Ketepatan klasifikasi berdasarkan nilai Apparent Error Rate (APER) pada datatesting sebesar 92.23%.

English Abstract

Classification is a process to get a function or model that explains the difference in data classes used to predict groups of data that have certain characteristics of similarity. One classification method is artificial neural networks using the resilient backpropagation (RPROP) algorithm. Resilient backpropagation (RPROP) is a modification to the backpropagation method that aims to increase speed in the training process. Nutrition in infants affects the growth and development of both physical and mental. Some factors that affect toddlers nutrition problems in districts / cities in Indonesia are nutritional status, exclusive breastfeeding for toddlers, toddlers have a health card (KMS), vitamin A for toddlers aged 6- 59 months, thin toddlers can provide additional food ( PMT), toddlers weigh ≥ 4 times. This study aims to model and find out the classification accuracy based on factors that influence the category of nutrition problems for toddlers in regencies/cities in Indonesia 2017. Artificial neural network architecture with the resilient backpropogation algorithm (ANN-RPROP) is best obtained using nine input layer neurons, eleven hidden neurons layer and four neurons output layer for each nutritional problem category. The classification accuracy based on the value of Apparent Error Rate (APER) on testing data is 92.23%.

Other obstract

-

Item Type: Thesis (Sarjana)
Identification Number: 0520090017
Uncontrolled Keywords: Jaringan Syaraf Tiruan, Resilient Backpropagation (RPROP), Model, Klasifikasi, Gizi Balita, APER (apparent error rate).
Subjects: 500 Natural sciences and mathematics > 515 Analysis > 515.9 Functions of complex variables
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User: ismanto
Date Deposited: 30 Jan 2021 07:49
Last Modified: 07 Jul 2022 02:22
URI: http://repository.ub.ac.id/id/eprint/182065
[thumbnail of DALAM MASA EMBARGO] Text (DALAM MASA EMBARGO)
0520090017-Amalia Balqis.pdf
Restricted to Registered users only until 31 December 2023.

Download (2MB)

Actions (login required)

View Item View Item