Pengaruh Jumlah Hidden Layer dan Neuron pada Model Multilayer Perceptron untuk Prediksi Emas
Soffa Zahara, Yanuarini Nur Sukmaningtyas, Ronny Makhfuddin Akbar, Muhammad Zainul Abidin
Sari
Abstrak: Pemilihan kombinasi banyaknya hidden layer dan neuron sangat menentukan performansi model deep learning. Terlalu sedikit hidden layer dan neuron yang digunakan dapat menyebabkan rendahnya akurasi, sedangkan jika terlalu banyak maka dapat meningkatkan kompleksitas pemrosesan sehingga sampai saat ini masih belum ada pedoman kombinasi tetap untuk menentukan jumlah hidden layer dan neuron. Penelitian ini bertujuan untuk mengobservasi pengaruh variasi hidden layer dan neuron, dalam kinerja akurasi metode Multilayer Perceptron dengan variasi dari 1 sampai 6 lapis hidden layer. Data yang digunakan yaitu harga emas ANTAM harian mulai dari Bulan Januari tahun 2010 sampai dengan Januari 2024. Berdasarkan hasil pengujian didapatkan hasil kombinasi hidden layer dan neuron dengan nilai MSE terkecil yaitu 1-100-100-100-100-100-100-1 dengan nilai MSE 0.0001507, membuktikan bahwa semakin banyak hidden layer maka akurasi akan semakin tinggi, begitu juga dengan semakin banyaknya jumlah neuron di setiap layer maka tingkat kesalahan model akan semakin rendah.
Kata kunci: Multilayer Perceptron, Hidden Layer, Neuron, Prediksi
Abstract: The choice of the combination of the number of hidden layers and neurons greatly determines the performance of the deep learning model being built. Too few hidden layers and neurons used can cause low accuracy, whereas too many can increase processing complexity so that up to now there are still no fixed combination guidelines for determining the number of hidden layers and neurons. This research aims to observe the influence of hidden layer and neuron variations on the accuracy performance of the Multilayer Perceptron method with variations from 1 to 6 hidden layers. The data used is the daily ANTAM gold price from January 2010 to January 2024. Based on test results, it is proven that the more hidden layers, the higher the accuracy, as well as the greater the number of neurons in each layer, the higher the model error rate. getting lower.