Perbandingan metode Gradient-Descent dengan metode Levenberg-Marquardt untuk Optimasi Numerik pada Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) merupakan salah satu model matematika untuk optimasi nonlinear. Ada tiga tahap penting yang dibutuhkan di dalam JST yaitu membuat arsitektur jaringan, melakukan proses pembelajaran pada jaringan dan melakukan proses simulasi pada jaringan. Pada tahap kedua, JST menggunakan model pembelajaran Backpropagation untuk dapat menyelesaikan suatu permasalahan optimasi. Salah satu metode yang sederhana dan sering digunakan pada model Backpropagation untuk menyelesaikan permasalahan minimum adalah metode Gradient-Descent. Tetapi metode ini mempunyai beberapa kelemahan diantaranya: sangat sensitif dalam pemilihan laju pembelajaran ()γ dan solusi yang dihasilkan adalah minimum lokal. Untuk mengatasi kelemahan-kelemahan dari metode Gradient-Descent, digunakan alternatif metode lain yakni metode Levenberg-Marquardt sebagai pembandingnya. Adapun tujuan pada skripsi ini adalah, mengetahui perbandingan dari kedua metode tersebut, dan mengetahui hasil prediksi dari Stock index menggunakan data simulasi. Sebagai kesimpulan, metode Levenberg-Marquardt lebih baik (selalu stabil) daripada metode Gradient-Descent untuk pemilihan laju pembelajaran berapapun dan lebih cepat dalam laju konvergensinya