Utama, Agung Bella Putra (2022) Deep learning dengan mapso hyperparameter tuning untuk analisis multivariate time-series / Agung Bella Putra Utama. Masters thesis, Universitas Negeri Malang.
Full text not available from this repository.Abstract
Multivariate Time-Series (MTS) telah menunjukkan efisiensi dan akurasi dalam prediksi time-series pada big data. MTS dapat dilakukan dengan algoritma metode Deep Learning (DL) seperti Long Short-Term Memory (LSTM) dan Convolutional Neural Network (CNN). Efisiensi dari algoritma tersebut sangat ditentukan oleh penentuan hyperparameter antara lain jumlah hidden neuron loss function batch size dan optimizer. Penentuan nilai hyperparameter ini menggunakan beberapa fase eksperimen dan dilakukan secara random tanpa menggunakan prosedur yang sistematis. Hal tersebut dapat diatasi dengan cara melakukan hyperparameter tuning. Hyperparameter tuning merupakan proses pemilihan kelompok parameter terpilih yang digunakan dalam DL untuk meningkatkan performa nilai yang dihasilkan. Penelitian ini bertujuan melakukan hyperparameter tuning pada algoritma LSTM dan CNN untuk memprediksi MTS dengan menggunakan Particle Swarm Optimization (PSO). PSO mengidentifikasi solusi optimal melalui kerjasama dan berbagi informasi antar partikel individu dalam suatu kelompok. Hyperparameter tuning dengan PSO digunakan untuk menghasilkan arsitektur yang efisien secara otomatis tanpa harus melakukan banyak eksperimen pada berbagai kemungkinan konfigurasi parameter untuk optimasi dalam proses. Optimasi juga diterapkan pada bagian preprocessing dengan menggunakan Moving Average (MA) yang gabungan dari keduanya disebut dengan MAPSO. Dalam penelitian ini data yang digunakan merupakan data MTS pengunjung website jurnal Knowledge Engineering and Data Science (KEDS). Hasil penelitian menunjukan MAPSO yang diusulkan dapat meningkatkan akurasi menjadi lebih baik. MAPSO-LSTM dan MAPSO-CNN memiliki Key Performance Indiciator (KPI) yang paling baik dibandingkan dengan model lainnya yaitu LSTM CNN MA-LSTM MA-CNN PSO-LSTM dan PSO-CNN. KPI RMSE terbaik 0 418 dihasilkan oleh MAPSO-LSTM sedangkan KPI MAPE terbaik dengan 1 159 dihasilkan oleh MAPSO-CNN.
| Item Type: | Thesis (Masters) |
|---|---|
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S2 Teknik Elektro |
| Depositing User: | Users 2 not found. |
| Date Deposited: | 09 Jun 2022 04:29 |
| Last Modified: | 28 Dec 2022 06:57 |
| URI: | http://repository.um.ac.id/id/eprint/271661 |
Actions (login required)
 |
View Item |