Recurrent Neural Network
Penjelasan Data di Atas
Data di atas merupakan General Trends dari penjualan saham dengan sampel data sederhana.
Langkah Selanjutnya
Mencoba melakukan perhitungan prediksi untuk penjualan saham di periode tertentu.
Sumber
Personel Kelompok 2
Sebagai Berikut :
- 2402226921 - FRANKY SETIAWAN
- 2402226455 - JOHN REIGTON HARTONO
- 2402273874 - MAHARANI NURUL IZZA
- 2402226404 - BENEDIKTUS WIRAWAN TEJORAHARJO
- 2301983053 - CHRISTOPHER ADE SIHWARDANA
- 2301983021 - MUHAMAD KURNIAWAN
- 2402273924 - IKHSAN BAHAR
Diketahui Sebagai Berikut
| WEIGHT1 atau W1 | : | 1.8 |
| WEIGHT2 atau W2 | : | -0.5 |
| WEIGHT3 atau W3 | : | 1.1 |
| BIAS1 atau B1 | : | 0.0 |
| BIAS2 atau B2 | : | 0.0 |
Rumus Hitung
Sequence 1
(Data Kemarin * WEIGHT1) + BIAS1 =
(0.5 * 1.8) + 0.0 = 0.9 + 0.0 =
0.9 sebagai Y1
Sequence 2
(Data HARI INI * WEIGHT1) + (Y1 * W2) =
(0.5 * 1.8) + (0.9 * -0.5) =
0.9 + (- 0.45) =
0.45 sebagai Y2
Sequence 3
(Y2 * WEIGHT3) + B2 =
(0.45 * 1.1) + 0.0 =
0.495 + 0.0 =
0.495 sebagai Prediksi Data Besok
Visualisasi Hitung Prediksi Data Besok Untuk Data Kemarin adalah 0 dan Data Hari Ini adalah 0
Rumus Hitung
Sequence 1
(Data Sehari Sebelum Kemarin * WEIGHT1) + BIAS1 =
(1 * 1.8) + 0.0 = 1.8 + 0.0 =
1.8 sebagai Y1
Sequence 2
(Data Kemarin * WEIGHT1) + (Y1 * W2) =
(0.5 * 1.8) + (1.8 * -0.5) =
0.9 + (- 0.9) =
0.0 sebagai Y2
Sequence 3
(Data Hari Ini * WEIGHT1) + (Y2 * W2) =
(0.5 * 1.8) + (0.0 * -0.5) =
0.9 + (0.0) =
0.9 sebagai Y3
Sequence 4
(Y3 * WEIGHT3) + B2 =
(0.9 * 1.1) + 0.0 =
0.99 + 0.0 =
0.99 sebagai Prediksi Data Besok
Visualisasi Hitung Prediksi Data Besok Untuk Data Sehari Sebelum Kemarin adalah 1 kemudian Data Kemarin adalah 0.5 dan Data Hari Ini adalah 0.5
Visualisasi RNN Lebih Detail
Masalah Exploding Gradient
Jika nilai WEIGHT2 adalah 2 kemudian terdapat 50 sequence ke bawah maka bisa diasumsikan sebagai 250 yang artinya akan menghasilkan angka yang besar yaitu 2 dikalikan sebanyak 50 kali menjadi 1.125.899.906.842.624 atau sekitar 1 Triliun lebih. Ini akan menjadi permasalahan di perhitungan karena angka yang dihasilkan terlalu besar.
Sumber
Perkiraan Visualisasi Exploding Gradient
Masalah Vanishing Gradient
Jika nilai WEIGHT2 adalah 0.5 kemudian terdapat 50 sequence ke bawah maka bisa diasumsikan sebagai 0.550 yang artinya akan menghasilkan angka yang tidak bisa dihitung yaitu 0.5 dikalikan sebanyak 50 kali menjadi 0. Ini akan menjadi permasalahan di perhitungan karena angka yang dihasilkan tidak bisa dihitung lagi dan akan terus menghasilkan angka 0.
Sumber Kalkulator
Visualisasi Hasil
Perkiraan Visualisasi Vanishing Gradient
Cara Mengatasi Vanishing atau Exploding Gradient
Untuk mengatasi permasalahan Vanishing atau Exploding Gradient berdasarkan beberapa sumber bisa menggunakan LSTM atau Long Short Term Memory yaitu dengan menambahkan jaringan tambahan seperti yang terdapat pada Visualisasi LSTM. Untuk garis lengkung berwarna biru adalah Short Term Memory sedangkan untuk garis lengkung berwarna hijau adalah Long Term Memory.
Sumber 1
Sumber 2
Sumber 3
Perkiraan Visualisasi LSTM untuk Mengatasi Masalah Vanishing atau Exploding Gradient
