IMPROVISASI ADAPTIVE LEARNING RATE DENGAN BACKPROPAGATION PADA PREDIKSI PRODUKSI KAYU GERGAJIAN

Neural Network menggunakan elemen perhitungan non-linear dasar (neuron) yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf manusia. Salah satu metode neural network adalah backpropagation. Metode ini termasuk dalam supervised learning yang dapat meminimalkan error pada output yang dihasilkan jaringan. Backpropagation mampu mewujudkan sistem yang tahan kerusakan dan konsisten bekerja dengan baik. Namun, metode ini cenderung lambat untuk mencapai konvergen dalam mendapatkan nilai akurasi yang optimum, serta memerlukan data training yang besar. Backpropagation juga memiliki kelemahan lain yang menonjol, yakni membutuhkan waktu yang cukup lama dalam proses pembelajaran. Salah satu pengembangan yang dapat diusulkan adalah dengan melakukan improvisasi terhadap adaptive learning rate pada backpropagation. Adaptive Learning Rate merupakan pendekatan yang bertujuan untuk meningkatkan efektifitas dari parameter pembelajaran, di mana tingkat pembelajaran merupakan parameter yang berfungsi untuk merningkatkan kecepatan belajar pada metode backpropagation. Dataset yang digunakan bersumber dari Kementerian Lingkungan Hidup dan Kehutanan di website Badan Pusat Statistik periode 2016- 2020 tentang produksi kayu gergajian. Adapun penerapan learning rate 0,5 memberikan hasil MSE training sebesar 0,0009968650, MSE test sebesar 0,0009860250, nilai epoch sebesar 279. Dengan menggunakan learning rate set sebesar 0,5 akurasi yang didapat adalah 75%.

Kata Kunci : Adaptive Learning Rate, Backpropagation, Neural Network, Improvisasi, Matlab, Kayu Gergajian