Melola Discovery

← Melola Discovery

Jurnal SINTA 3

PREDIKSI PENGGUNAAN BANDWIDTH MENGGUNAKAN ELMAN RECURRENT NEURAL NETWORK

BAREKENG: Jurnal Ilmu Matematika dan Terapan · Vol. 10 No. 2 (2016) · hlm. 127–135

DOI
10.30598/barekengvol10iss2pp127-135
ISSN
2615-3017, 1978-7227
Terbit
2016-12-01
Penerbit
PATTIMURA UNIVERSITY
Bahasa
eng

Abstrak

Jaringan Syaraf Tiruan (JST) sering dipakai dalam menyelesaikan permasalahan tertentu seperti prediksi, klasifikasi, dan pengolahan data. Berdasarkan hal tersebut, dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam prediksi penggunaan bandwidth. Sistem yang dikembangkan dapat digunakan untuk memprediksi pengunaan bandwidth dengan menerapkan Elman Recurrent Neural Network (ERNN). Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi.. Vektor input yang digunakan menggunakan windows size. Hasil penelitian dengan menggunakan target error sebesar 0.001 menunjukkan nilai MSE terkecil yaitu pada windows size 11 dengan nilai 0.002833. Kemudian dengan menggunakan 13 neuron pada hidden layer diperoleh nilai error paling optimal (minimum error) sebesar 0.003725.

Jaringan kolaborasi para penulis

21 penulis · 29 tautan kepenulisan bersama · 11 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Universitas Gadjah Mada
  • Udayana University
  • Universitas Halu Oleo
  • Bandung Institute of Technology
  • Cenderawasih University
  • Satya Wacana Christian University
  • State University of Semarang
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Gede Saindra SantyadiAfiliasi tidak diketahui1
Anindita SuryarasmiUniversitas Gadjah Mada1
Ika Oktavia SuzantiUniversitas Gadjah Mada1
La SurimiUniversitas Halu Oleo1
Agus HalidUniversitas Gadjah Mada1
Yoga Dwitya PramuditaUniversitas Gadjah Mada1
I Nym Saputra Wahyu WijayaAfiliasi tidak diketahui1
Rachmat Wahid Saleh InsaniUniversitas Gadjah Mada1
Afiahayati AfiahayatiUniversitas Gadjah Mada1
Muhammad IhsanBandung Institute of Technology1
Muhammad Asghar NazalCenderawasih University1
Mardhani RiasetiawanUniversitas Gadjah Mada1
Ni Made Ary Esta Dewi WirastutiUdayana University1
I Dewa Made Bayu Atmaja DarmawanUdayana University1
LinawatiAfiliasi tidak diketahui1
Gede SukadarmikaUdayana University1
Subanar SubanarUniversitas Gadjah Mada1
Wiwin SulistyoSatya Wacana Christian University1
Abas SetiawanState University of Semarang1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://ojs3.unpatti.ac.id/index.php/barekeng/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">PREDIKSI PENGGUNAAN BANDWIDTH MENGGUNAKAN ELMAN RECURRENT NEURAL NETWORK</dc:title>
	<dc:creator>Radjabaycolle, Jefri</dc:creator>
	<dc:creator>Pulungan, Reza</dc:creator>
	<dc:description xml:lang="en-US">Jaringan Syaraf Tiruan (JST) sering dipakai dalam menyelesaikan permasalahan tertentu seperti prediksi, klasifikasi, dan pengolahan data. Berdasarkan hal tersebut, dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam prediksi penggunaan bandwidth. Sistem yang dikembangkan dapat digunakan untuk memprediksi pengunaan bandwidth dengan menerapkan Elman Recurrent Neural Network (ERNN). Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi.. Vektor input yang digunakan menggunakan windows size. Hasil penelitian dengan menggunakan target error sebesar 0.001 menunjukkan nilai MSE terkecil yaitu pada windows size 11 dengan nilai 0.002833. Kemudian dengan menggunakan 13 neuron pada hidden layer diperoleh nilai error paling optimal (minimum error) sebesar 0.003725.</dc:description>
	<dc:publisher xml:lang="en-US">PATTIMURA UNIVERSITY</dc:publisher>
	<dc:date>2016-12-01</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://ojs3.unpatti.ac.id/index.php/barekeng/article/view/309</dc:identifier>
	<dc:identifier>10.30598/barekengvol10iss2pp127-135</dc:identifier>
	<dc:source xml:lang="en-US">BAREKENG: Jurnal Ilmu Matematika dan Terapan; Vol 10 No 2 (2016): BAREKENG: Jurnal Ilmu Matematika dan Terapan; 127-135</dc:source>
	<dc:source>2615-3017</dc:source>
	<dc:source>1978-7227</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://ojs3.unpatti.ac.id/index.php/barekeng/article/view/309/268</dc:relation>
</oai_dc:dc>