PENERAPAN BACKPROPAGATION NEURAL NETWORK DAN RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI LABA RUGI KOMPREHENSIF
Prediksi dilakukan dengan menggunakan backpropagation dan Radial Basis Function. Prediksi menggunakan data historis dari tahun 2013 sampai dengan 2022. Data tersebut dibentuk menjadi beberapa pola berdasarkan variabel pada dataset. Lalu data yang diperoleh akan dibagi menjadi 2 yaitu data latih dan data uji. Fungsi aktivasi yang digunakan untuk Backpropagation yaitu sigmoid biner dan sigmoid bipolar sedangkan algoritma pelatihannya yaitu traingdx dan trainlm dengan model arsitektur yang digunakan yaitu 4-10-1; 4-25-1; 4-50-1; 4-25-50-1; dan 4-50-75-1. Sedangkan Radial Basis Function menggunakan nilai spread yaitu 0,5; 1,0; 1,5; 2,0; dan 2,5. Berdasarkan hasil pengujian backpropagation didapatkan bahwa pola arsitektur terbaik adalah 4-50-1 dengan fungsi aktivasi sigmoid biner dan algoritma pelatihan trainlm. Mean Square Error sebesar 0,010181 dengan akurasi sebesar 63%. Sedangkan hasil pengujian Radial Basis Function didapatkan bahwa spread 0,5 menghasilkan akurasi yang lebih baik yaitu sebesar 38% dengan MSE sebesar 0,0028707.
APA Style
. (2024).PENERAPAN BACKPROPAGATION NEURAL NETWORK DAN RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI LABA RUGI KOMPREHENSIF ().Teknik Informatika:FTI
Chicago Style
.PENERAPAN BACKPROPAGATION NEURAL NETWORK DAN RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI LABA RUGI KOMPREHENSIF ().Teknik Informatika:FTI,2024.Text
MLA Style
.PENERAPAN BACKPROPAGATION NEURAL NETWORK DAN RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI LABA RUGI KOMPREHENSIF ().Teknik Informatika:FTI,2024.Text
Turabian Style
.PENERAPAN BACKPROPAGATION NEURAL NETWORK DAN RADIAL BASIS FUNCTION NEURAL NETWORK UNTUK PREDIKSI LABA RUGI KOMPREHENSIF ().Teknik Informatika:FTI,2024.Text
