Jaringan Syaraf Tiruan Memprediksi Kendaraan Masuk Pada Pengujian Kir Menggunakan Metode Backpropagation (Studi Kasus : Dinas Perhubungan Kota Binjai)


Abstract
Kota Binjai sebagai salah jalur lintas penghubung antar provinsi medan - banda aceh. Jalur ini di lalui mobil expedisi dari arah Medan yang menuju kota ke arah Banda Aceh. Salah satu kendaraanya yaitu mobil barang. Maka, kemacetan di kota Binjai juga akibat salah satunya adalah kendaraan mobil barang. Binjai mengeluarkan peraturan yang mengatur kelayakan mobil barang tersebut untuk dinyatakan layak atau tidaknya untuk bisa berkendara dijalan raya untuk meminimalisir angka kecelakaan akibat mobil barang kurang layak. Jaringan syaraf tiruan digunakan untuk meramalkan apa yang akan terjadi di masa yang akan datang dengan berdasarkan pola kejadian yang ada di masa yang lampau. Backpropagation berfungsi sebagai tempat untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output untuk memprediksi kemungkinan yang akan datang.
References
[2] H. Aini, H. Haviluddin, E. Budiman, M. Wati, and N. Puspitasari, “Prediksi Produksi Minyak Kelapa Sawit Menggunakan Metode Backpropagation Neural Network,” Sains, Apl. Komputasi dan Teknol. Inf., 2019, doi: 10.30872/jsakti.v1i1.2261.
[3] M. Syafiq, D. Hartama, I. O. Kirana, I. Gunawan, and A. Wanto, “Prediksi Jumlah Penjualan Produk di PT Ramayana Pematangsiantar Menggunakan Metode JST Backpropagation,” JURIKOM (Jurnal Ris. Komputer), 2020, doi: 10.30865/jurikom.v7i1.1963.
[4] W. S. Eka Putra, “Klasifikasi Citra Menggunakan Convolutional Neural Network (CNN) pada Caltech 101,” J. Tek. ITS, 2016, doi: 10.12962/j23373539.v5i1.15696.
[5] A. S. Ritonga and S. Atmojo, “Pengembangan Model Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Mahasiswa Baru di PTS Surabaya (Studi Kasus Universitas Wijaya Putra),” J. Ilm. Teknol. Inf. Asia, 2018, doi: 10.32815/jitika.v12i1.213.
[6] F. Ahmad, S. Z. Yahya, Z. Saad, and A. R. Ahmad, “Tajweed Classification Using Artificial Neural Network,” 2018, doi: 10.1109/SMARTNETS.2018.8707394.
[7] W. Grathwohl, D. Choi, Y. Wu, G. Roeder, and D. Duvenaud, “Backpropagation through the void: Optimizing control variates for black-box gradient estimation,” 2018.