DETAIL BUKU
  • Algoritma Long Short Term Memory dengan Hyperparameter Tuning: Prediksi Penjualan Produk

    Algoritma Long Short Term Memory dengan Hyperparameter Tuning: Prediksi Penjualan Produk

    • Ali Khumaidi dan Ika Ayu Nirmala
    • Deepublish
    • 2022
    • 978-623-02-4913-6
    Sinopsis

    Buku ini akan fokus pada optimasi algoritma Long Short Term Memory (LSTM) untuk meningkatkan kinerja model yang terbentuk selama 60 hari ke depan. Studi kasus menggunakan data primer dari hasil observasi dan wawancara dan data sekunder menggunakan laporan transaksi penjualan produk pada Ciwo Pet Shop pada bulan Januari 2018 sampai dengan Maret 2020. Metode yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM), dalam preprocessing, data cleaning, labeling, summary, dan transformasi data. Tahap pemahaman data menggunakan metode Analisis Data Eksplorasi. Pengembangan model LSTM menggunakan beberapa parameter yaitu partisi data, jumlah hidden layer, skenario dropout untuk mencegah overfitting, jumlah neuron, epoch yang menggambarkan jumlah iterasi pelatihan, ukuran batch adalah jumlah data pelatihan yang harus diperhatikan dalam setiap proses pemutakhiran bobot.

    Kata Kunci
    Tersedia di Perpustakaan Kampus:
    • Tegal
    Silahkan Login untuk dapat Melakukan Peminjaman Online
Kode Buku : 240284
Kode Klasifikasi : 006.3
Judul Buku : Algoritma Long Short Term Memory dengan Hyperparameter Tuning: Prediksi Penjualan Produk
Edisi : 1
Penulis : Ali Khumaidi dan Ika Ayu Nirmala
Penerbit : Deepublish
Bahasa : Indonesia
Tahun : 2022
ISBN : 978-623-02-4913-6
Tajuk Subjek : Algoritma,Algoritma Long Short Term Memory
Deskripsi : viii, 53 hlm.; 23cm
Eksemplar : 2
Stok : 2
Petugas : Rizki Arsika Yunita, S.Hum
Buku ini akan fokus pada optimasi algoritma Long Short Term Memory (LSTM) untuk meningkatkan kinerja model yang terbentuk selama 60 hari ke depan. Studi kasus menggunakan data primer dari hasil observasi dan wawancara dan data sekunder menggunakan laporan transaksi penjualan produk pada Ciwo Pet Shop pada bulan Januari 2018 sampai dengan Maret 2020. Metode yang digunakan dalam penelitian ini adalah Cross Industry Standard Process for Data Mining (CRISP-DM), dalam preprocessing, data cleaning, labeling, summary, dan transformasi data. Tahap pemahaman data menggunakan metode Analisis Data Eksplorasi. Pengembangan model LSTM menggunakan beberapa parameter yaitu partisi data, jumlah hidden layer, skenario dropout untuk mencegah overfitting, jumlah neuron, epoch yang menggambarkan jumlah iterasi pelatihan, ukuran batch adalah jumlah data pelatihan yang harus diperhatikan dalam setiap proses pemutakhiran bobot.
Terkait Subjek Buku yang sama