JURNAL SAINS DAN INFORMATIKA
Research of Science and Informatic V7.
Vol.
07 No.
http://publikasi.
id/index.
php/jsi/ p-issn : 2459-9549 e-issn : 2502-096X Pemanfaatan ANN untuk Prediksi Penjualan Online Industri Rumahan selama Pandemi Covid-19 Evi Yulia Susantia, .
Efmi Maiyanab Sistim Informasi.
Ilmu Komputer.
Universitas Dharmas Indonesia, eviaja798@gmail.
Manajemen Informatika.
AMIK Boekittinggi, efmi_maiyana@yahoo.
Submitted: 24-04-2021.
Reviewed: 26-04-2021.
Accepted 29-04-2021 http://doi.
org/10.
22216/jsi.
Abstract This research was motivated by the Covid-19 Pandemic which forced the government to impose large-scale restrictions so as to paralyze physical activity.
This has a big impact on the people's economy, so one way to stay afloat and produce for the home industry is to sell online.
The problem is whether online selling is the best solution to overcome the difficulties of physical activity, especially in trading during the Covid-19 pandemic? The purpose of this study is to train and test neural networks with the backpropagtion method to obtain accurate forecasting results.
The data obtained were processed using research and development (R&D) methodology, namely the data was separated into 2 parts, to train networks and to test the performance of neural networks, then tested the validity of the two data.
From the training that has been carried out using the Matlab 2011 succeeded in finding goals according to the predetermined error tolerance value, namely 0.
02 on the 33rd From the test, we managed to find a goal according to the predetermined error tolerance value, which is 0.
2 at the 100th epoch.
From the validity test, the MAPE value was 0.
The validation test results show a significant relationship between training and network testing.
ANN is able to store knowledge for the next network testing Keywords:Predictions.
Artificial Neural Networks.
Covid-19 Abstrak Penelitian ini dilatarbelakangi dari masa Pandemi Covid-19 yang memaksa pemerintah untuk memberlakukan pembatasan berskala besar sehingga melumpuhkan aktivitas fisik, hal ini berdampak besar terhadap perekonomian rakyat, maka salah satu cara untuk tetap bertahan dan memproduksi bagi industri rumahan adalah dengan berjualan online.
Masalahnya adalah apakah penjualan online ini menjadi solusi terbaik untuk mengatasi kesulitan aktivitas fisik terutama dalam perdagangan selama pandemi Covid-19?.
Tujuan dari penelitian ini yaitu melatih dan menguji jaringan syaraf tiruan dengan metode backpropagtion untuk mendapatkan hasil peramalan yang akurat.
Data yang diperoleh diolah menggunakan metodologi research and development (R&D) yaitu data dipisahkan menjadi 2 bagian, untuk melatih jaringan dan untuk menguji kinerja dari jaringan syaraf tiruan, kemudian dilakukan uji validitas terhadap kedua data tersebut.
Dari pelatihan yang sudah dilakukan dengan menggunakan aplikasi Matlab.
2011 berhasil menemukan goal sesuai nilai error toleransi yang sudah ditentukan yaitu 0,02 pada epoch ke 33.
Dari pengujian, berhasil menemukan goal sesuai nilai error toleransi yang sudah ditentukan yaitu 0,2 pada epoch ke 100.
Dari uji validitas diperoleh nilai MAPE 0,32%.
Hasil uji validasi menunjukkan hubungan yang signifikan antara pelatihan dan pengujian jaringan.
JST mampu menyimpan knowledge untuk pengujian jaringan berikutnya.
Kata kunci:Peramalan.
Jaringan Syaraf Tiruan.
Covid-19.
A 2018 JurnalSains dan Informatika Prediksi penjualan adalah salah satu cara yang efektif untuk melihat penggunaan teknologi informasi Salah satu cara untuk tetap berjualan bagi pelaku industri sebagai media perantara penjual dan pembeli.
Salah satu rumahan selama pandemi Covid-19 adalah berjualan bidang dalam jaringan syaraf tiruan dapat diaplikasikan online, dengan penjualan online industri rumahan dapat dengan baik untuk melakukan prediksi adalah metode tetap memproduksi dan bertahan dalam persaingan Backpropagation karena proses kerjanya yang berulang Pendahuluan Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
pada setiap tahapan pelatihan untuk mendapatkan model mempunyai sifat yang adaptif yaitu jaringan berusaha yang terbaik.
mencapai kestabilan data untuk mencapai nilai output yang diharapkan.
Kemudian penelitian yang dilakukan Jaringan Syaraf Tiruan adalah sistem pemrosesan Soffa Zahara .
penggunaan jaringan sayaraf tiruan informasi yang memiliki karakteristik mirip dengan untuk memprediksi indek harga saham gabungan, dari Jaringan Syaraf Biologis.
JST dibentuk sebagai penelitian ini diperoleh nilai MSE yang dihasilkan sudah generalisasi model matematika dari jaringan syaraf memenuhi nilai kondisi yang diinginkan yaitu nilai MSE biologi, dengan asumsi bahwa: .
Pemrosesan informasi O 0.
1 artinya kesalahan peramalan yang terjadi tidak terjadi pada banyak elemen sederhana (Neuro.
, .
Sinyal dikirmkan diantara neuron-neuron melalui Dari beberapa penelitian dan tinjauan literatur yang telah penghubung-penghubung, .
Pengubung antar neuron dikemukakan, terlihat bahwa prediksi dapat membantu memiliki bobot yang akan memperkuat atau perusahaan mengambil keputusan, selain itu prediksi memperlemah sinyal.
Untuk menentukan output, juga dapat membantu meningkatkan penjualan produk.
setiap neuron menggunakan fungsi aktivasi yang Penjualan merupakan sebuah fase akhir yang penting dikenakan pada jumlahan input yang diterima.
Besarnya dari bisnis.
output ini selanjutnya dibandingkan dengan suatu batas .
Peramalan penjualan yang dilakukan dari peneliti sebelumnya adalah berdasarkan data history penjualan Beberapa penelitian tentang penggunaan jaringan syaraf pada periode sebelumnya menggunakan Jaringan Syaraf tiruan untuk melakukan prediksi, yaitu penelitian yang Tiruan metode Regresi Linier.
Hal ini tentu dirasa dilakukan oleh B.
Badieah.
tentang penggunaan kurang tepat dan kurang akurat.
Peramalan yang tidak Jaringan Syaraf Tiruan untuk memprediksi nilai akhir tepat dan tidak akurat menyebabkan kesalahan dalam mata kuliah mahasiswa dengan tujuan untuk menentukan sebuah strategi penjualan, oleh karena itu mengurangi tingkat kegagalan mahasiswa dalam peramalan dalam penelitian ini menggunakan alat perkuliahan, dari penelitian ini diperoleh bahwa Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan dapat melakukan penelitian Backpropagation fungsi aktivasi Logsig.
Karena dengan dengan Learning Rate sebesar 0,5.
Kemudian penelitian metode ini dapat memberikan umpan balik, bila yang dilakukan oleh Laila Sari Lubis .
tentang dibandingkan dengan metode yang lain metode pemodelan Jaringan Syaraf Tiruan untuk memprediksi Backpropagation fungsi aktivasi logsig lebih baik hasil awal musim hujan dengan menggunakan suhu peramalannya, karena dilakukan berulang-ulang.
permukaan laut, dari hasil pelatihan yang dilakukan diperoleh hasil bahwa Jaringan Syaraf Tiruan dapat Tujuan dari penelitian ini yaitu melatih dan menguji melakukan prediksi sebesar 5%.
Selanjutnya penelitian jaringan syaraf tiruan dengan metode Backpropagtion yang dilakukan Harry Ganda Nugraha .
tentang dengan fungsi aktivasi Logsig untuk mendapatkan hasil penggunaan Jaringan Syaraf Tiruan yang digunakan peramalan yang akurat dengan error terkecil sebagai alat untuk memprediksi tingkat Inflasi, pada penelitian ini peramalan penjualan online industri rumahan selama lebih menekankan kepada perbaikan nilai bobot untuk pandemi Covid-19.
setiap pelatihan jaringan, hasil akhir dari penelitian ini adalah pelatihan Jaringan Syaraf Tiruan dengan Backpropagtion mengalami kendala yaitu Over fiting 2.
Tinjauan Pustaka sehingga tidak dapat menggeneralisasi masalah.
Jaringan Syaraf Tiruan ditentukan oleh 3 hal: .
Pola Kemudian penggunaan metode Backpropagation dalam hubungan antar neuron .
rsitektur jaringa.
, .
Metode melakukan prediksi dilakukan oleh Nabila Putri Sakinah untuk menentukan bobot penghubung .
yang menghasilkan implementasi metode trainin.
, .
Fungsi aktivasi, seperti terlihat pada Backpropagation dalam prediksi jumlah permintaan gambar 1 berikut:
koran diperlukan data latih yang akan digunakan sebagai sumber pelatihan yang selanjutnya diproses pada tahap pengujian dimana bobot awal harus ditentukan, kemudian menentukan iterasi maksimum, menentukan Learning Rate dan memperoleh nilai MSE.
Selanjutnya penelitian yang dilakukan oleh Musli Yanto .
tentang Backpropagation memprediksi jumlah pemesanan (Reservas.
kamar hotel ini menghasilkan nilai MSE 0,001, sehingga hasil dari prediksi ini dapat menjadi bahan pertimbangan keputusan bagi pihak manajemen hotel.
Penelitian yang dilakukan oleh Fachrudin Pakaja.
yaitu peramalan penjualan mobil menggunakan jaringan syaraf tiruan diketahui bahwa jaringan Syaraf Tiruan Gambar 1 Penentu Jaringan Syaraf Tiruan Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
Sebagaimana terlihat pada gambar 1 di atas Y menerima ycycnycoyca ycu Ou 0 input dari neuron ycU1, ycU2 yccycaycu ycU3 dengan bobot ycU = .
cu 0,5.
ycycnycoyca Oe 0,5 O ycu O 0,5 .
hubungan masing-masing adalah W1.
W2 dan W3.
ycycnycoyca ycu O 0 Ketiga impuls neuron yang ada dijumlahkan ycAyceyc = ycU1ycO1 ycU2ycO2 ycU3ycO3.
Besarnya impuls .
dimana y output, 0 dan 1 bilangan biner, ycu nilai input.
yang akan diterima oleh Y mengikuti fungsi aktivasi Y= f.
Apabila nilai fungsi aktivasi cukup kuat, maka Fungsi Symetric Saturating Linier (Satlin.
, fungsi ini sinyal akan diteruskan.
Nilai fungsi aktivasi juga dapat akan bernilai -1 jika inputnya kurang dari -1, dan akan dipakai sebagai dasar untuk merubah bobot.
bernilai 1 jika inputnya lebih dari 1.
Sedangkan jika nilai Fungsi aktivasi yang digunakan pada Jaringan Syaraf input terletak antara -1 dan 1, maka outputnya akan Tiruan untuk mengaktifkan atau tidak mengaktifkan bernilai sama dengan inputnya.
Pada matlab syntax yang Ada beberapa fungsi aktivasi yang sering digunakan adalah: Y=satlins.
digunakan dalam Jaringan Syaraf Tiruan yang ycycnycoyca ycu Ou 1 disediakan pada Toolbox Matlab, antara lain:
ycU = .
ycycnycoyca Oe 1 O ycu O 1 Oe1.
ycycnycoyca ycu O Oe1 Fungsi undak biner .
, digunakan pada jaringan dengan lapisan tunggal untuk mengkonversi input dari suatu variabel yang bernilai kontinu ke suatu output .
dimana Y output, -1 dan 1 nilai fungsi, ycu nilai input.
sebagaimana terlihat pada formula 1 Fungsi Sigmoid Biner (Logsi.
, fungsi ini diguanakan untuk melatih jaringan dengan menggunakan metode 0, ycycnycoycaycu O 0 Backpropagation.
Fungsi sigmoid biner memiliki nilai ycU= { .
pada range 0 sampai 1.
Oleh sebab itu, fungsi ini sering 1, ycycnycoycaycu > 0 digunakan untuk Jaringan Syaraf Tiruan yang dimana Y fungsi aktivasi, 0 dan 1 bilangan biner, ycu nilai membutuhkan nilai output yang terletak pada interval 0 sampai 1, dengan formula 6 dibawah ini.
Fungsi Bipolar (Hardlim.
, hampir sama dengan undak yc = yce.
= 1
biner, hanya saja output yang dihasilkan berupa 1 atau 1.
Pada Matlab fungsi ini lebih dikenal dengan nama dimana y output, ycu nilai input, yce eksponensial hardlims dengan formula 2 berikut:
Jaringan Syaraf Tiruan dapat dipakai untuk meramalkan apa yang akan terjadi di masa yang akan datang .
berdasarkan pola kejadian dimasa yang lampau.
Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari dimana Y fungsi aktivasi, 0 dan 1 bilangan biner, ycu nilai apa yang sudah ada sebelumnya.
Metode Backpropagation .
ropagasi bali.
adalah Fungsi Linier (Pureli.
, memiliki nilai output yang sama melatih jaringan untuk mendapatkan keseimbangan dengan nilai inputnya.
Pada Matlab fungsi aktivasi linier antara kemampuan untuk mengenali pola yang .
dikenal dengan nama Purelin dengan formula digunakan selama pelatihan serta kemampuan jaringan 3 berikut:
untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama yc=ycu .
1, ycycnycoyca ycu > 0 ycU = { 0, ycycnycoyca ycu = 0 Oe1, ycycnycoyca ycu < 0 dimana y adalah output, ycu nilai input.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi, seperti terlihat Fungsi Saturating Linier (Satli.
, fungsi ini akan pada gambar 3, adalah arsitektur Backprogation dengan bernilai 0 jika inputnya kurang dari -1/2 dan akan n buah masukan .
itambah sebuah bia.
, sebuah layer bernilai 1 jika inputnya lebih dari A.
Sedangkan jika tersebunyi yang terdiri dari p unit .
itambah sebuah nilai input terletak antara -1/2 dan 1/2, maka outputnya bia.
serta m buah unit keluaran.
akan bernilai sama dengan nilai input ditambah A.
Dengan formula 4 di bawah ini.
Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
Gambar 2.
Jaringan Syaraf Tiruan Backpropagation Metodologi Penelitian Gambar 3.
Tahapan Penelitian Lokasi penelitian 5 Rancangan Metodologi Penelitian Penelitian ini dilakukan kepada pelaku industri rumahan yang terdapat di daerah Kabupaten Solok Provinsi Rancangan penelitian ini adalah Research and Sumatera Barat.
Development (R&D) yaitu metode penelitian yang digunakan untuk menghasilkan produk tertentu dan 2 Bahan penelitian menguji keefektifan metode tersebut.
Bahan yang dibutuhkan untuk melakukan penelitian ini 4.
Hasil dan Pembahasan adalah data pelaku industri rumahan.
Data diperoleh dengan cara memberikan daftar pertanyaan kepada Sesuai dengan judul penelitian ini prediksi penjualan pelaku industri rumahan, dengan jumlah sampel 175 online bagi pelaku industri rumahan selama Pandemi Data yang diperoleh dipisahkan menjadi 2 Covid-19 menggunakan Jaringan Syaraf Tiruan, penulis bagian, bagian pertama dipergunakan untuk melatih melakukan penelitian selama dua bulan, yaitu bulan jaringan syaraf tiruan, bagian kedua dipergunakan untuk September-Desember 2020 yang ditujukan kepada menguji kinerja dari jaringan syaraf tiruan, yaitu untuk pelaku industri rumahan yang berada di Kabupaten menguji apakah jaringan menghasilkan output sesuai Solok yang berkoordinasi dengan dinas Kependudukan, dengan yang diinginkan.
Pada waktu input yang belum Pemberdayaan Perempuan dan Perlindungan Anak, data pernah dipelajari oleh jaringan.
Semakin banyak data dikumpulkan melalui daftar pertanyaan yang diberikan yang diperoleh, semakin baik jaringan dapat kepada pelaku industri rumahan, sebagaimana terlihat menyelesaikan masalahnya.
pada tabel 1 berikut:
Tabel 1.
Daftar Pertanyaan 3 Alat penelitian Alat yang digunakan dalam proses penelitian ini adalahseperangkat komputer dengan spesifikasi ram 3 GB, prosesor intel core i3.
HDD 320 Gb, dan perangkat lunak yang digunakan untuk membangun sistem ini adalah Microsoft excel 2007 dan Matlab 2011 Media elektronik apa saja yang Bapak/Ibu kenal untuk menjual barang Selama pandemi Covid-19 ini, media elektronik apa yang Bapak/Ibu sering gunakan menjual barang dagangannya.
Dari beberapa media yang Bapak/Ibu gunakan, media mana yang lebih banyak mengunjungi barang dagangan Bapak/Ibu? Dari media elektonik yang ada, mana yang lebih banyak Bapak/Ibu melakukan transaksi elektronik? 4 Tahap-tahap penelitian Tahap pelaksanaan penelitian prediksi penjualan online industri rumahan ini dapat ditunjukkan pada gambar 3 Pertanyaan Alternatif Jawaban A A A A A A A A A A Facebook Whatshap Twiter Instagram Facebook Whatshap Twiter Instagram Facebook Whatshap Twiter Instagram Facebook Whatshap Twiter Instagram Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
Menurut Bapak/Ibu media elektronik mana yang lebih efektif untuk Bapak/Ibu? Facebook Whatshap Twiter Instagram Setelah dilakukan transformasi, maka diperoleh data hasil transformasi sebagaimana terlihat pada tabel 5dan tabel 6 berikut:
Tabel 5.
Data pelatihan yang sudah ditransformasi Setelah daftar pertanyaan sebagaimana terdapat pada tabel 1 diatas diisi oleh pelaku industri rumahan, langkah selanjutnya penulis mentelli jawaban dari responden, sehingga menghasilkan data sebagaimana terdapat pada tabel 2 berikut:
Tabel 2.
Data input Pertanyaan Jawaban Responden Whatsapp Twitter Facebook Instagram Oc Responden Sumber: Jawaban responden pelaku industri rumahan tahun 2020 Data input diatas dibagi dua, sebagaimana terlihat pada tabel 3 dan 4 di bawah ini.
Tabel 3.
Data pelatihan Jawaban Responden Pertanyaan Facebook Whatsapp Twitter Instagram OcResponden Tabel 4.
Data pengujian Jawaban Responden
Jawaban Responden
Pertanyaan Facebook
0,132653
0,132653
0,328571
0,655102
0,671429
Whatshap
0,14898
0,295918
0,47551
0,263265
0,214286
0,295918
0,573469
0,589796
Instagram
0,181633
0,165306
0,295918
0,540816
0,720408
Tabel 6.
Data pengujian yang sudah ditransformasi Jawaban Responden
Pertanyaan Facebook
0,132
0,116
0,34
0,66
Whatshap
0,132
0,292
0,484
Twitter
0,244
0,212
0,276
0,564
Instagram
0,196
0,164
0,308
0,548
0,66
0,596
0,708
Kemudian data pada tabel 5 diatas dilakukan pelatihan jaringan dilakukan dengan mempergunakan Program Matlab.
Untuk pelatihan menggunakan penurunan cepat, dengan menggunakan fungsi aktivasi sigmoid.
Dari pelatihan yang sudah penulis lakukan dengan menggunakan aplikasi Matlab 2011 sebagaimana terlihat pada gambar 4 di bawah berhasil menemukan goal sesuai nilai error toleransi yang sudah ditentukan yaitu 0,02 pada epoch ke 33, berikut penulis sajikan bentuk pola pelatihannya: jumlah neuron pada input layer adalah 5 neuron, jumlah neuron pada hidden layer adalah 3 neuron, toleransi error sebesar 0,025, learning rate sebesar 0,1, max epoch sebanyak 100 epoch.
Pertanyaan Facebook Whatsapp Twitter Instagram OcResponden Kemudian data mentah yang terdapat pada tabel 3 dan tabel 4 diatas diolah menggunakan fungsi aktivasi sigmoid .
, maka data harus ditransformasikan terlebih dahulu dengan menggunakan ycuA = 8.
cuOeyc.
ycaOeyca 0.
Gambar 4.
Grafik Pelatihan Jaringan Syaraf Tiruan .
Kemudian penulis mencari nilai Mean Absolute ycu adalah nilai yang diperoleh dari responden, yca adalah Percentage Error (Map.
dengan menggunakan rumus nilai minimum dari semua nilai yang sudah dikumpulkan dari responden dan yca adalah nilai yce Oc( ).
ycu1 maksimum dari semua nilai yang sudah terkumpul.
ycAycaycyyce = .
ycu Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
dimana yce adalah total error yang diperoleh disaat Setelah tahapan pelatihan dan pengujian dilakukan pelatihan jaringan, ycu1 adalah total target dan ycu adalah terhadap jaringan, maka dilakukan uji validitas didapatkan tabel perbandiangan berdasarkan nilai Mape, banyak data.
akurasi dan MSE sebagaimana terlihat pada tabel 7 di yce bawah ini.
ycAycaycyyce = Tabel 7.
Perbandingan Pelatihan dan Pengujian Jaringan ycu
0,0025
Pelatihan Pengujian ) ycu100
Mape
0,33%
0,32%
Akurasi
98,07
99,38
MSE
0,025
0,1242
= 0,3354 = 0,33%
Nilai Mape yang dihasilkan dari pelatihan jaringan adalah 0,33%, sehingga nilai tingkat keakurasian 5.
Kesimpulan pelatihan adalah 98,07% dengan nilai MSE sebesar Dari pelatihan jaringan yang sudah penulis lakukan, 0,025 diperoleh hasil goal sesuai nilai error toleransi yang Langkah selanjutnya adalah pengujian, sebagaimana sudah ditentukan yaitu 0,02 pada epoch ke 33, dan nilai terlihat pada gambar 5 di bawah ini, berhasil Mean Absolute Percentage Error 0,33%, artinya tingkat menemukan goal sesuai nilai error toleransi yang sudah kesalahan jaringan dalam melakukan pelatihan ditentukan yaitu 0,2 pada epoch ke 100, pola tergolong kecil yaitu 0,33%.
kemudian dilakukan pengujiannya: jumlah neuron pada input layer adalah 5 pengujian jaringan diperoleh hasil goal sesuai nilai error neuron, jumlah neuron pada hidden layer adalah 4 toleransi 0,2 pada epoch ke 100 dan nilai Mean Absolute neuron, toleransi error sebesar 0,2, learning rate sebesar Percentage Error 0,32%, artinya tingkat kesalahan jaringan dalam tahap pengujian tergolong kecil yaitu 0,1, max epoch sebanyak 100 epoch.
0,32%, di sini terlihat korelasi signifikan antara pelatihan dan pengujian jaringan, jaringan mampu menyimpan knowledgeuntuk pengujian berikutnya.
Dari hasil ini maka dapat disimpulkan bahwa jaringan syaraf tiruan dapat melakukan pelatihan dan pengujian dengan baik, dalam hal melakukan peramalan terhadap penjualan online yang dilakukan oleh industri rumahan selama masa pandemi Covid-19 menghasilkan prediksi yang tepat dan akurat, hasil prediksi ini dapat dijadikan pertimbangan untuk mengambil sebuah keputusan.
Penelitian ini masih bersifat umum yang bisa dikembangkan lagi kepada penjualan online yang lebih spesifik lagi, seperti penjualan online yang terdapat di Gambar 5.
Grafik Pengujian Jaringan Syaraf Tiruan Daftar Rujukan Nilai Mape sebagai berikut:
Sistem.
Kartini.
Abadi, and T.
Saragih.
AuPrediksi Tinggi Permukaan Air Waduk Menggunakan Artificial Neural,Ay vol.
10, pp.
39Ae44, 2021.
Suri.
AuBab II Landasan Teori,Ay J.
Chem.
Inf.
Model.
, vol.
53, no.
9, pp.
1689Ae1699, 2019, doi:
1017/CBO9781107415324.
Badieah.
Gernowo, and B.
Surarso.
AuMetode Jaringan Syaraf Tiruan Untuk Prediksi Performa Mahasiswa Pada Pembelajaran Berbasis Problem Based Learning (PBL),Ay J.
Sist.
Inf.
Bisnis, vol.
6, no.
1, p.
46, 2016, doi:
21456/vol6iss1pp46-58.
ycAycaycyyce = Oc ( ) .
0,1242
) ycu100
= 0,3220 = 32%
Nilai Mape yang dihasilkan dari pengujian jaringan adalah 0,32%, sehingga nilai tingkat keakurasian pelatihan adalah 99,38% dengan nilai MSE sebesar 0,2 Evi Yulia Susanti, ,Efmi Maiyana.
/ Jurnal Sains dan Informatika : Vol.
07 No.
Lubis and A.
Buono.
AuPemodelan Jaringan .
Syaraf Tiruan Untuk Memprediksi Awal Musim Hujan Berdasarkan Suhu Permukaan Laut Artificial Neural Network Modeling To Predict The Beginning of Rainy Season Based On Sea Surface Temperature,Ay J.
ilmu Komput.
Agriinforatika, vol.
1, pp.
52Ae61, 2012.
Aprilianto.
Kumalaningsih, and I.
Santoso.
AuPenerapan Jaringan Syaraf Tiruan Untuk Peramalan Penjualan Dalam Mendukung Pengembangan Agroindustri Coklat Kabupaten Blitar,Ay Habitat, vol.
29, no.
3, pp.
129Ae137, 21776/ub.
Nugraha et al.
AuPelatihan Bobot Jaringan .
Syaraf Tiruan Menggunakan Particle Swarm Optimization untuk Peramalan Tingkat Inflasi,Ay Bimipa, vol.
24, no.
3, pp.
292Ae302, 2017.
Sakinah.
Cholissodin, and A.
Widodo.
AuPrediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,Ay J.
Pengemb.
Teknol.
Inf.
Ilmu Komput.
, vol.
2, no.
7, pp.
2612Ae2618, .
Julpan.
Nababan, and M.
Zarlis.
AuBipolar Dalam Algoritma Backpropagation Pada,Ay J.
Teknovasi, vol.
02, pp.
103Ae116, 2015.
Yanto.
Defit, and G.
Nurcahyo.
AuMEMPREDIKSI JUMLAH RESERVASI
KAMAR HOTEL DENGAN METODE
BACKPROPAGATION ( Studi Kasus Hotel Grand Zuri Padang ),Ay J.
KomTekInfo Fak.
Ilmu Komput.
, vol.
2, no.
1, pp.
34Ae39, 2015.
Pakaja and A.
Naba.
AuJaringan Syaraf Tiruan dan Certainty Factor,Ay Neural Networks, vol.
1, pp.
23Ae28, 2015.
Sistem and S.
Zahara.
AuPeramalan Data Indeks Harga Konsumen Berbasis Time Series,Ay 1, no.
10, pp.
24Ae30, 2021.
Cynthia and E.
Ismanto.
AuMemprediksi Ketersediaan Komoditi Pangan Provinsi Riau,Ay Teknol.
Dan Sist.
Inf.
Univrab, vol.
2, no.
196Ae209, 2017.
Agustin and T.
Prahasto.
AuPenggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Komputer Di Politeknik Negeri Sriwijaya,Ay J.
Sist.
Inf.
Bisnis, vol.
2, no.
2, pp.
89Ae97, 2012, doi: 10.
21456/vol2iss2pp089-097.