Article Per Year (5 Year)
p-Index From 2020 - 2025
1.757
P-Index
This Author published in this journals
All Journal J-SAKTI (Jurnal Sains Komputer dan Informatika) Majalah Ilmiah Warta Dharmawangsa Jurnal UNITEK Jurnal Ilmu Komputer dan Sistem Komputer Terapan (JIKSTRA) J-SAKTI (Jurnal Sains Komputer dan Informatika) Sistem Pendukung Keputusan dengan Aplikasi DEVICE : JOURNAL OF INFORMATION SYSTEM, COMPUTER SCIENCE AND INFORMATION TECHNOLOGY Maneggio Journal of Computer Science Artificial Intelligence and Communications JPPM : Jurnal Pengabdian dan Pemberdayaan Masyarakat Jurnal Ilmu Komputer dan Teknik Informatika
Eka, Muhammad
Unknown Affiliation
Religion Biochemistry, Genetics & Molecular Biology Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Energy Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Social Sciences Other

Published : 15 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Ilmu Komputer dan Teknik Informatika

 1 
Pengaruh Parameter Learning Rate terhadap Konvergensi Model Neural Network dalam Proses Pelatihan Saeed, Alabbas Hussein; Cynthia, Eka Pandu; Eka, Muhammad; Nursalisah, Febi
Jurnal Ilmu Komputer dan Teknik Informatika Vol. 1 No. 1 (2025): Januari 2025
Publisher : CV. Raskha Media Group

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.64803/juikti.v1i1.45

Abstract

Dalam pengembangan model neural network, proses pelatihan memegang peranan kunci dalam menentukan kualitas generalisasi dan performa akhir model. Salah satu parameter paling krusial dalam proses pelatihan adalah learning rate, yang mengatur seberapa besar langkah pembaruan bobot dilakukan terhadap gradien fungsi kerugian. Penentuan nilai learning rate yang tepat sangat mempengaruhi kecepatan konvergensi serta stabilitas pembelajaran. Penelitian ini bertujuan untuk menganalisis secara teoritis dan eksperimental pengaruh variasi parameter learning rate terhadap konvergensi model neural network. Studi dilakukan dengan menggunakan dataset standar MNIST dan CIFAR-10 pada model multilayer perceptron (MLP) dan convolutional neural network (CNN). Parameter learning rate divariasikan dalam beberapa skenario, mulai dari sangat kecil (1e-5) hingga besar (1e-1), dan dievaluasi berdasarkan laju konvergensi, kestabilan loss, serta akurasi validasi. Hasil penelitian menunjukkan bahwa learning rate yang terlalu kecil menyebabkan proses pelatihan lambat dan berisiko terjebak dalam local minima, sementara learning rate yang terlalu besar menyebabkan fluktuasi signifikan bahkan divergensi. Ditemukan bahwa terdapat kisaran nilai learning rate optimal yang bersifat kontekstual terhadap arsitektur model dan karakteristik data. Selain itu, implementasi teknik penyesuaian dinamis seperti learning rate decay atau adaptive learning rate methods (misalnya Adam, RMSprop) secara signifikan membantu mempercepat konvergensi dan meningkatkan kestabilan pelatihan. Temuan ini menegaskan pentingnya pemilihan dan penyetelan learning rate yang tepat untuk menghindari permasalahan underfitting maupun overfitting, sekaligus memaksimalkan efisiensi pelatihan model neural network secara keseluruhan.
Co-Authors Abbrar, Rayhan Sultan Arief Budiman Asih, Munjiat Setiani Buyung Solihin Hasugian Damayanti, Fera David David Eka Pandu Cynthia, Eka Pandu Hafizah, Akhwani Shifa Handoko, Divi Hayuni, Sabrina Ibnu Rusydi Laura Lahindah, Laura Lestari, Yuyun Dwi Novita Anggraini nursalisah, febi Ramadhan, Deri Rismayanti Rismayanti Rusmin Saragih, Rusmin Sabrina Aulia Rahmah Saeed, Alabbas Hussein Setiawaty, Susanti Siahaan, Melva Aliyah Royani Simon, Jhon Siregar, Rara Astili Suhariyanti, Suhariyanti Supiyandi Supiyandi Usadani , Sih Ramping Yessi Fitri Annisah Lubis Zulham, Zulham