2018 : Pengembangan Metode Optimasi Arsitektur Model Deep Neural Network untuk Peramalan Gerak Roll

Santi Puteri Rahayu S.Si., M.Si., Ph.D
Novri Suhermi S.Si., M.Si

External link

Type

RESEARCH

Keywords

-


Abstract

Analisis deret waktu terdiri dari suatu metode untuk menganalisis data deret waktu untuk mengetahui pola dan karakteristik data. Penerapan analisis deret waktu adalah untuk peramalan. Artificial neural network (ANN) adalah satu model machine learning yang sering digunakan untuk peramalan. Salah satu model ANN yang saat ini sangat populer adalah model deep learning, yaitu model ANN dengan arsitektur yang lebih dalam, di mana model deep learning memiliki hidden layer yang berjumlah lebih dari satu. Arsitektur dalam model deep learning atau deep neural network merupakan bagian yang sangat esensial sedemikian sehingga pembentukan suatu arsitektur yang tepat sangat diperlukan untuk mendapatkan hasil ramalan dengan tingkat kesalahan minimum. Arsitektur model deep neural network meliputi jumlah input dan variabel apa saja yang digunakan, jumlah hidden layer, jumlah neuron pada setiap hidden layer, dan fungsi aktivasi. Pada penelitian ini dilakukan studi simulasi pada salah satu model deep neural network, yaitu deep feedforward network, dengan berbagai kombinasi arsitektur untuk mendapatkan arsitektur terbaik. Data yang digunakan adalah data simulasi dan data real. Data simulasi dibangkitkan dari model nonlinier Exponential Smoothing Transition Auto-regressive ESTAR. Sementara data real yang digunakan adalah data gerak roll sebuah floating production unit (FPU).