Backpropagation Neural Network Pada Data yang Tak Stationer(Studi Kasus : Jumlah Penderita Penyakit Ebola)

Article Sidebar

PDF
Published: Apr 30, 2019
DOI: https://doi.org/10.26740/jram.v3n1.p32-42

Main Article Content

Dinita Rahmalia
Universitas Islam Darul Ulum Lamongan
Muhammad Syaiful Pradana
Universitas Islam Darul Ulum Lamongan

Abstract

Ebola adalah penyakit yang disebabkan oleh virus ebola. Karena banyaknya penderita penyakit ebola, diperlukan suatu metode peramalan jumlah penderita penyakit ebola. Pada penelitian ini akan digunakan metode Neural Network (NN) pada data jumlah penderita penyakit ebola yang tak stasioner. Cara kerja NN mirip dengan sistem syaraf manusia. Salah satu jenis NN yang digunakan untuk masalah peramalan adalah Backpropagation dimana model Backpropagation adalah terdapat hidden layer di antara input dan output. Pada penelitian ini akan dilakukan dua simulasi Backpropagation berdasarkan pengambilan posisi data testing. Simulasi pertama adalah simulasi Backpropagation dengan posisi data testing berada di waktu akhir. Simulasi kedua adalah simulasi Backpropagation dengan posisi data testing berada di waktu tersebar. Pengambilan posisi data testing di waktu akhir memberikan hasil peramalan pada data training yang lebih bagus daripada pengambilan posisi data testing di waktu tersebar. Pengambilan posisi data testing di waktu tersebar memberikan hasil peramalan pada data testing yang lebih bagus daripada pengambilan posisi data testing di waktu akhir.

Article Details

Issue
Vol. 3 No. 1 (2019): April, JRAM
Section
Combinatorics and Computational Mathematics
The copyright of the received article once accepted for publication shall be assigned to the journal as the publisher of the journal. The intended copyright includes the right to publish the article in various forms (including reprints). The journal maintains the publishing rights to the published articles.
 
 

References

L. Fausett, Fundamentals of Neural Networks, USA: Prentice Hall, 1994.

[2]     J.J. Siang,

Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Yogyakarta : Penerbit ANDI, 2009.



J. Han, M, Kamber and J. Pei, Data Mining Concepts and Techniques, USA : Elsevier, 2012.



D. Rahmalia, ˜Estimation of  Exponential Smoothing Parameter on Pesticide Characteristic Forecast using Ant Colony Optimization (ACO), Eksakta : Jurnal Ilmu-ilmu MIPA, vol. 18, no. 1 pp. 5663, 2018.



D. Rahmalia, N. Aini, ˜Pengaruh Korelasi Data pada Peramalan Suhu Udara Menggunakan Backpropagation Neural Network, Zeta-Math Journal, vol. 4, no. 1 pp. 1-6, 2018.



D. Rahmalia, T. Herlambang, ˜Application Kohonen Network and Fuzzy C Means for Clustering Airports Based on Frequency of Flight, Kinetik : Game Technology, Information System, Computer Network, Computing, vol. 3, no. 3 pp. 229-236, 2018.



D. Rahmalia, T. Herlambang, ˜Prediksi Cuaca Menggunakan Algoritma Particle Swarm Optimization-Neural Network (PSONN), Prosiding Seminar Nasional Matematika dan Aplikasinya, pp. 41-48, 2017.



N.E. Chandra, S. Sarinem, ˜Peramalan Penyebaran Jumlah Kasus Virus Ebola di Guinea dengan Metode Arima, Unisda Journal of Mathematics and Computer Science (UJMC), vol. 2, no. 1 pp. 28-35, 2016.



T. Herlambang, Z. Mufarrikoh, D.F. Karya and D. Rahmalia, ˜Estimation of  Water Level and Steam Temperature Using Ensemble Kalman Filter Square Root (EnKF-SR), Journal of Physics : Conference Series, vol. 1008, no. 1, 2018.



T. Herlambang, R.A. Rasyid, S. Hartatik and D. Rahmalia, ˜Estimasi Posisi Mobile Robot Menggunakan Akar Kuadrat Unscented Kalman Filter (AK-UKF), Technology Science and Engineering Journal, vol. 1, no. 2, 2017.



R.E. Walpole, R.H. Myers and S.L. Myers, Probability & Statistics for Engineers & Scientists. USA : Prentice Hall, 2012.



D. C. Montgomery, C.L. Jennings and M. Kulahci, Introduction to Time Series Analysis and Forecasting. New Jersey : John Wiley and Sons