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
- Algoritma
- Algoritma Long Short Term Memory
Tersedia di Perpustakaan Kampus:
- Tegal
Silahkan Login untuk dapat Melakukan Peminjaman Online

Detail Informasi
Sinopsis Buku

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

Riset operasi dalam pendekatan algoritmis
- Siang, Jong Jek
- ANDI
- 2014
- 978-979-29-4354-2
Sinopsis

... Lihat Selengkapnya
Java : teori, algoritma, dan aplikasi
- Sianipar, R.H
- ANDI
- 2013
- 978-979-29-2121-2
Sinopsis

Buku ini dikonstruksi dengan menganut pendekatan solutif atas dasar-dasar teknik pemrograman Java. Introduksi konsep kelas disajikan dengan jelas. Deskripsi pelewatan dengan nilai dan pelewatan ... Lihat Selengkapnya
Dasar-dasar algoritma dan pemrograman
- Fathul Wahid
- ANDI
- 2004
- 979-731-169-4
Sinopsis

Pokok-pokok bahasan pada dalam buku ini antara lain : a. Algortima dan Top- Down Design b. Pengenalan Pascal c. Tipe, Operator, dan Ekspresi d. Variabel, Assignment, dan Operasi Input/Output e. ... Lihat Selengkapnya
Algoritma & tenik pemrograman
- ANDI
- CV Andi Offset
- 2004
- 979-731-346-8
Sinopsis

... Lihat Selengkapnya
Struktur data : pondasi membuat program yang elegan dan efisien
- Bambang Hariyanto
- INFORMATIKA
- 2008
- 978-979-1153-34-8
Sinopsis

Buku ini mengajak berpikir rasional dalam memilih dan menetapkan struktur data untuk program. Mahasiswa bertindak sebagai evaluator yang rasional pada langkah awal perancangan program yaitu memilih ... Lihat Selengkapnya

TENTANG PERPUSTAKAAN

Perpustakaan Universitas Bina Sarana Informatika merupakan layanan yang diberikan kepada civitas akademik khususnya mahasiswa untuk memperoleh informasi seperti buku, majalah, jurnal, prosiding, dll.