PEMANFAATAN METODE ARTIFICIAL NEURAL NETWORK (ANN) BACKPROPAGATION DALAM PREDIKSI INDEKS KOVATS SENYAWA ESSENTIAL OIL | ELECTRONIC THESES AND DISSERTATION

Electronic Theses and Dissertation

Universitas Syiah Kuala

    SKRIPSI

PEMANFAATAN METODE ARTIFICIAL NEURAL NETWORK (ANN) BACKPROPAGATION DALAM PREDIKSI INDEKS KOVATS SENYAWA ESSENTIAL OIL


Pengarang

Aulia Al-Jihad Safhadi - Personal Name;

Dosen Pembimbing

Irvanizam - 198103152003121003 - Dosen Pembimbing I
Rinaldi Idroes - 196808251994031003 - Dosen Pembimbing II



Nomor Pokok Mahasiswa

1608107010008

Fakultas & Prodi

Fakultas MIPA / Informatika (S1) / PDDIKTI : 55201

Penerbit

Banda Aceh : Fakultas MIPA - Informatika., 2022

Bahasa

Indonesia

No Classification

006.32

Literature Searching Service

Hard copy atau foto copy dari buku ini dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan hubungi via telegram (Chat Services LSS)

Indeks retensi kovats dari 340 dataset senyawa essential oil memiliki 5 deskriptor molekular yang optimal yaitu ATSc1, VCH-7, SP-1, Kier1, dan MLogP. Deskriptor molekular ini akan digunakan untuk memprediksi indeks retensi kovats dari senyawa essential oil menggunakan bahasa pemograman Python dan metode Artificial Neural Network (ANN) Backpropagation. Pengujian dilakukan untuk mencari 5 parameter terbaik untuk membentuk model yang paling optimal. Parameter yang dicari adalah pengujian jumlah epoch, pengujian learning rate, pengujian jumlah data latih dan data uji, pengujian jumlah unit node pada lapisan tersembunyi (hidden layer) dan pengujian fungsi aktivasi. Setiap pengujian akan dilakukan 5 kali percobaan untuk mendapatkan rata-rata tingkat akurasi yang paling optimal. Dari hasil pengujian didapatkan parameter yang paling optimal yaitu jumlah epoch 150, learning rate 0,05, jumlah data latih sebesar 80%, jumlah data uji sebesar 20%, jumlah unit node pada lapisan tersembunyi (hidden layer) sebanyak 50 node dan fungsi aktivasi yang digunakan adalah ReLU. Parameter tersebut membentuk model paling optimal yang akan menghasilkan hasil prediksi indeks retensi kovats dengan RMSE sebesar 58,776 dan R2 sebesar 0,953. Rata-rata perbedaan antara nilai aktual dan hasil prediksi indeks retensi kovats pada data uji adalah 4%. Dari hasil yang didapatkan diketahui bahwa metode Artificial Neural Network (ANN) Backpropagation dapat dijadikan salah satu metode untuk memprediksi indeks retensi kovats.

Kata kunci: indeks retensi kovats, artificial neural network, backpropagation, deskriptor molekular.

The kovats retention index of 340 essential oil compounds datasets has 5 optimal molecular descriptors, namely ATSc1, VCH-7, SP-1, Kier1, and MLogP. This molecular descriptor will be used to predict the Kovats retention index of essential oil compounds using the Python programming language and the Artificial Neural Network (ANN) Backpropagation method. A number Test was carried out to find the 5 best parameters to form the optimal model. The parameters sought are the number of epochs trial, learning rate trial, the amount of training data and test data trial, the number of node units in the hidden layer trial and the activation function trial. Each trial will be carried out 5 times to get the most optimal average level of accuracy. From the test results, the most optimal parameters are the number of epochs of 150, the learning rate of 0.05, the amount of training data is 80%, the amount of test data is 20%, the number of node units in the hidden layer is 50 nodes and the activation function that used is ReLU. These parameters form the most optimal models that will produce the predicted results of the Kovats retention index by RMSE is 58,776 and R2 is 0,953. The average difference between the actual value and the predicted results of the Kovats retention index on the test data is 4%. From the results obtained, it is known that the Artificial Neural Network (ANN) Backpropagation method can be used as a method to predict the retention index of Kovats. Keywords: kovats retention index, artificial neural network, backpropagation, molecular descriptors.

Citation



    SERVICES DESK