Rukiyah, Siti (2017) Implementasi Jaringan Saraf Tiruan Resilient Backpropagation ( Rprop ) Dalam Klasifikasi Objek. Sarjana thesis, Universitas Brawijaya.
Abstract
Metode jaringan saraf tiruan resilient backpropagation (RPROP) merupakan suatu metode pembelajaran yang terawasi dan biasa digunakan oleh perceptron dengan banyak lapisan guna untuk mengubah nilai bobot yang terhubung dengan neuron-neuron yang terdapat di lapisan tersembunyi. Tahap pengerjaan pada algoritma RPROP sama dengan metode backpropagation yaitu tahap perambatan maju (feedfordward) dan tahap perambatan mundur (backward). Pada proses perambatan mundur (backward) berbeda dengan algoritma backpropagation yaitu perbaikan pada nilai pembobot ditentukan oleh suatu faktor yang dapat diatur pada parameter faktor penaik dan penurun. Tujuan dari skripsi adalah mengetahui hasil klasifikasi dan tingkat akurasi dari metode jaringan saraf tiruan resilient backpropagation dalam klasifikasi objek. Data yang digunakan dalam penelitian terdapat 3 kasus data yang berbeda dengan karakteristik yang berbeda pula. Data 1 mengenai pengaruh konsumsi fastfood terhadap status gizi anak, Data 2 mengenai deteksi penyakit diabetes penduduk wanita suku Pima di India dan Data 3 mengenai pengaruh sosial dan ekonomi terhadap konsumsi alkohol pada penduduk wanita di Amerika Serikat. Hasil penelitian pada ketiga data menghasilkan model jaringan yang optimal secara berurutan adalah model jaringan 4-8-1 untuk data 1 dan data 3 sedangkan model jaringan 4-9-1 untuk data 2. Berdasarkan pada arsitektur jaringan tersebut data pertama menghasilkan nilai ketepatan klasifikasi sebesar 90%. Pada data ke-2 memiliki nilai ketepatan klasifikasi sebesar 85% dan data ke-3 memiliki nilai tingkat akurasi sebesar 91.7%. Hal ini menunjukkan bahwa metode RPROP memiliki tingkat performansi tinggi dalam hal tingkat akurasi klasifikasi pada data.
English Abstract
Resilient backpropagation (RPROP) is a supervised learning method that is regularly used for perceptron with lot of layer to change the weight value which is connected with a lot of neuron inside the hidden layer. The work stage in the RPROP algorithm is the same with backpropagation method which is feedforward stage and backward stage. In backward stage of work is different with backpropagation algorithm, because the repair of the weight value are determined by a factor that can be conditioned at ascending and descending factor parameter. The purpose of this minor thesis are to find out about classification result and accuracy level of the resilient backpropagation system in object classification. Three data with different type and characteristic is being used in this research as the benchmark. The first data is about the effect of fastfood consumption for child’s nutrition status. The second data is about the diabetes affliction detection from the woman of Pima tribe in India. Then the third data is about the influence of social and economy towards alcohol consumption on womans in United States of America. The result that we get from the research of this three different kind of data is, the optimal network model sequentially is network model 4-8-1 for first data and third data, while network model 4-9-1 for the second data. According to architecture of the network below, the first data produce the precision value of classification of 90%. While the second data produce the precision value of 85%. Then the third data generating the value of 91.7%. According to this value, the conclusion of the RPROP method have a high value of performance in terms of classification accuracy of data.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FMIPA/2017/257/051705756 |
Uncontrolled Keywords: | Klasifikasi, RPROP, Backpropagation, Artificial Neural Network. |
Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.6 Mathematical optimization > 519.62 Stochastic optimization > 519.625 Genetic algorithms |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
Depositing User: | Nur Cholis |
Date Deposited: | 23 Oct 2017 07:14 |
Last Modified: | 24 Nov 2021 03:15 |
URI: | http://repository.ub.ac.id/id/eprint/4210 |
Preview |
Text
SKRIPSI FULL .pdf Download (1MB) | Preview |
Actions (login required)
![]() |
View Item |