📚 Sumber
Hastomo, W., Karno, A. S. B., Kalbuana, N., Meiriki, A., & Sutarno. (2021).
Characteristic Parameters of Epoch Deep Learning to Predict Covid-19 Data in Indonesia.
Journal of Physics: Conference Series, 1933, 012050.
DOI: 10.1088/1742-6596/1933/1/012050 artikel _ Characteristic Parame…
✍️ Uraian Metode
Penelitian ini menggunakan pendekatan Deep Learning berbasis Recurrent Neural Network (RNN) untuk memprediksi data harian kasus Covid-19 di Indonesia.
Fokus utama metode bukan hanya membandingkan model, tetapi menganalisis karakteristik parameter epoch terhadap tingkat kesalahan prediksi (RMSE).
1️⃣ Struktur Data: Time Series
Data yang digunakan adalah data deret waktu (time series):
Tujuan model adalah membentuk fungsi prediksi:
Artinya:
- Model memanfaatkan beberapa hari sebelumnya (window)
- Untuk memprediksi hari berikutnya
Dataset dibagi menjadi:
- Training = 69 data
- Testing = 14 data
- Total per negara = 83 observasi artikel _ Characteristic Parame…
2️⃣ Fungsi Objektif: RMSE
Model dioptimasi menggunakan Root Mean Square Error (RMSE) sebagai ukuran akurasi.
Secara matematis:
Dimana:
- yt = nilai aktual
- y^t = nilai prediksi
- n = jumlah data testing
Semakin kecil RMSE → semakin akurat model.
3️⃣ Model Pertama: LSTM (Long Short-Term Memory)
LSTM dirancang untuk mengatasi masalah vanishing gradient pada RNN klasik.
🔹 Forget Gate
Menentukan informasi lama yang dibuang.
🔹 Input Gate
Mengontrol informasi baru yang masuk.
🔹 Update Cell State
Cell state adalah memori jangka panjang model.
🔹 Output
Arsitektur yang digunakan:
- 3 hidden layer
- 50 node per layer
- Dropout = 0.2 artikel _ Characteristic Parame…
4️⃣ Model Kedua: GRU (Gated Recurrent Unit)
GRU adalah versi lebih sederhana dari LSTM.
Memiliki dua gerbang:
🔹 Update Gate
🔹 Reset Gate
🔹 Hidden State Update
Arsitektur:
- 4 hidden layer
- 50 node per layer
- Dropout = 0.2 artikel _ Characteristic Parame…
5️⃣ Konsep Epoch dalam Optimasi
Epoch adalah jumlah pengulangan training terhadap seluruh dataset.
Jika:
Maka parameter model diperbarui menggunakan metode gradien:
Dimana:
- = learning rate
- = fungsi loss (RMSE)
Semakin besar epoch:
- Waktu komputasi meningkat
- Belum tentu akurasi membaik
6️⃣ Pencarian Epoch Optimal
Penelitian ini melakukan iterasi berbagai nilai epoch:
Kemudian dihitung:
Dicari nilai optimal:
Hasilnya:
| Negara | Epoch LSTM | Epoch GRU |
|---|---|---|
| Indonesia | 15 | 400 |
| Bangladesh | 20 | 300 |
| South Africa | 20 | 340 |
artikel _ Characteristic Parame…
7️⃣ Analisis Mengapa LSTM Lebih Cepat Konvergen
Dataset relatif kecil:
Pada data kecil:
- Model mudah overfitting
- Epoch besar berisiko meningkatkan error generalisasi
LSTM memiliki cell memory yang lebih stabil:
Karena adanya kontrol forget gate, gradien lebih stabil sehingga konvergensi lebih cepat.
GRU, meskipun lebih sederhana, dalam kasus ini membutuhkan epoch lebih besar untuk mencapai RMSE minimum.
8️⃣ Ringkasan Metode Secara Formal
Model prediksi:
Optimasi:
Pencarian epoch optimal:
🎯 Kesimpulan Metodologis
Metode penelitian ini menunjukkan bahwa:
- Penentuan epoch adalah parameter krusial.
- LSTM dapat mencapai konvergensi lebih cepat pada dataset kecil.
- GRU memerlukan epoch lebih besar untuk stabil.
- RMSE menjadi indikator utama evaluasi performa.