Peramalan Debit Bendungan Dengan Menggunakan Metode Backpropagation dan Algoritme Genetika
| Main Author: | Hakim, Beta Deniarrahman |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/13915/1/Beta%20Deniarrahman%20Hakim.pdf http://repository.ub.ac.id/13915/ |
| ctrlnum |
13915 |
|---|---|
| fullrecord |
<?xml version="1.0"?>
<dc schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/ http://www.openarchives.org/OAI/2.0/oai_dc.xsd"><relation>http://repository.ub.ac.id/13915/</relation><title>Peramalan Debit Bendungan Dengan Menggunakan
Metode Backpropagation dan Algoritme Genetika</title><creator>Hakim, Beta Deniarrahman</creator><subject>006.32 Neural nets (neural networks)</subject><description>Peramalan#debit bendungan diperlukan untuk merencanakan rencana
alokasi air untuk berbagai kebutuhan misalnya untuk Pembangkit Listrik#Tenaga
Air (PLTA), pengendalian banjir dan irigasi. Jaringan saraf tiruan dalam#hal ini
metode backpropagation memliki metode pembelajaran untuk mengubah bobot
dari nilai arsitektur jaringan saraf tiruan tersebut. Algoritme#genetika dapat
melakukan optimasi bobot jaringan saraf tiruan untuk menghindari terjadinya
lokal minimum yang menjadi kelemahan backpropagation. Algoritme genetika
akan melakukan optimasi bobot jaringan saraf#tiruan sehingga dihasilkan
individu#sebagai representasi bobot dengan nilai fitness terbaik bobot hasil dari
proses optimasi dengan algoritme genetika kemudian digunakan sebagai bobot
awal jaringan saraf tiruan metode backpropagation. Data yang digunakan sebagai
data input adalah data time series debit bendungan bulan sebelumnya. Data yang
digunakan adalah data debit bulanan mulai tahun 2008 sampai dengan tahun
2017. Data input akan diproses oleh sistem untuk menghasilkan nilai output yang
merupakan nilai peramalan debit bendungan satu bulan ke depan. Parameter
pelatihan optimal pelatihan algoritme genetika dan backpropagation adalah
ukuran populasi=100, jumlah generasi=100, kombinasi Cr dan Mr adalah 0,6 dan
0,4, jumlah iterasi=500, nilai learning rate=0,7. Hasil pengujian menggunakan
parameter optimal mendapatkan nilai MSE = 0,04188.</description><date>2018-08-02</date><type>Thesis:Thesis</type><type>PeerReview:NonPeerReviewed</type><type>Book:Book</type><language>eng</language><identifier>http://repository.ub.ac.id/13915/1/Beta%20Deniarrahman%20Hakim.pdf</identifier><identifier> Hakim, Beta Deniarrahman (2018) Peramalan Debit Bendungan Dengan Menggunakan Metode Backpropagation dan Algoritme Genetika. Sarjana thesis, Universitas Brawijaya. </identifier><relation>SKR/FTIK/2018/740/051808802</relation><recordID>13915</recordID></dc>
|
| language |
eng |
| format |
Thesis:Thesis Thesis PeerReview:NonPeerReviewed PeerReview Book:Book Book |
| author |
Hakim, Beta Deniarrahman |
| title |
Peramalan Debit Bendungan Dengan Menggunakan
Metode Backpropagation dan Algoritme Genetika |
| publishDate |
2018 |
| topic |
006.32 Neural nets (neural networks) |
| url |
http://repository.ub.ac.id/13915/1/Beta%20Deniarrahman%20Hakim.pdf http://repository.ub.ac.id/13915/ |
| contents |
Peramalan#debit bendungan diperlukan untuk merencanakan rencana
alokasi air untuk berbagai kebutuhan misalnya untuk Pembangkit Listrik#Tenaga
Air (PLTA), pengendalian banjir dan irigasi. Jaringan saraf tiruan dalam#hal ini
metode backpropagation memliki metode pembelajaran untuk mengubah bobot
dari nilai arsitektur jaringan saraf tiruan tersebut. Algoritme#genetika dapat
melakukan optimasi bobot jaringan saraf tiruan untuk menghindari terjadinya
lokal minimum yang menjadi kelemahan backpropagation. Algoritme genetika
akan melakukan optimasi bobot jaringan saraf#tiruan sehingga dihasilkan
individu#sebagai representasi bobot dengan nilai fitness terbaik bobot hasil dari
proses optimasi dengan algoritme genetika kemudian digunakan sebagai bobot
awal jaringan saraf tiruan metode backpropagation. Data yang digunakan sebagai
data input adalah data time series debit bendungan bulan sebelumnya. Data yang
digunakan adalah data debit bulanan mulai tahun 2008 sampai dengan tahun
2017. Data input akan diproses oleh sistem untuk menghasilkan nilai output yang
merupakan nilai peramalan debit bendungan satu bulan ke depan. Parameter
pelatihan optimal pelatihan algoritme genetika dan backpropagation adalah
ukuran populasi=100, jumlah generasi=100, kombinasi Cr dan Mr adalah 0,6 dan
0,4, jumlah iterasi=500, nilai learning rate=0,7. Hasil pengujian menggunakan
parameter optimal mendapatkan nilai MSE = 0,04188. |
| id |
IOS4666.13915 |
| institution |
Universitas Brawijaya |
| affiliation |
mill.onesearch.id fkp2tn.onesearch.id |
| institution_id |
30 |
| institution_type |
library:university library |
| library |
Perpustakaan Universitas Brawijaya |
| library_id |
480 |
| collection |
Repository Universitas Brawijaya |
| repository_id |
4666 |
| subject_area |
Indonesian Language Collection/Kumpulan Karya Umum dalam Bahasa Indonesia* |
| city |
MALANG |
| province |
JAWA TIMUR |
| shared_to_ipusnas_str |
1 |
| repoId |
IOS4666 |
| first_indexed |
2019-03-28T02:18:36Z |
| last_indexed |
2021-10-28T06:49:49Z |
| recordtype |
dc |
| _version_ |
1751453698150629376 |
| score |
17.538404 |