Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/327780489

Pengembangan paket R dan analisis eksperimental pada prediksi faktor

kompresibilitas CO2 menggunakan penurunan gradien

Artikel di dalam Jurnal Sains dan Teknologi Rekayasa · Agustus 2018

KUTIPAN BACA
5 197

6 penulis, termasuk:

Ade Gafar Abdullah Asep Nandiyanto

Universitas Pendidikan Indonesia Universitas Pendidikan Indonesia

188 PUBLIKASI 530 KUTIPAN 187 PUBLIKASI 1,605 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Shah Nazir
Universitas Peshawar
152 PUBLIKASI 1.108 KUTIPAN

LIHAT PROFIL

Beberapa penulis publikasi ini juga mengerjakan proyek terkait ini:

Koordinasi Lokal dalam protokol X-MAC/BEB Lihat proyek

model pembelajaran abad 21 Lihat proyek

Semua konten yang mengikuti halaman ini diunggah oleh Shah Nazir pada 15 Desember 2018.

Pengguna telah meminta peningkatan file yang diunduh.

Jurnal Teknik Sains dan Teknologi Vol. 13, No. 8
(2018) 2342 - 2351
© Sekolah Teknik, Universitas Taylor

PERKEMBANGAN DARI R ANALISIS PAKET DAN

EKSPERIMENTAL PADA PREDIKSI CO2 KOMPRESIBILITAS
FAKTOR MENGGUNAKAN GRADIENT DESCENT

LALA SEPTEM RIZA1,*, DENDI HANDIAN1,

RANI MEGASARI1, ADE GAFAR ABDULLAH2,
ASEP BAYU DANI NANDIYANTO3, SHAH NAZIR4

1Departemen Ilmu Komputer, Universitas Pendidikan Indonesia, Jl. Dr. Setiabudi

229, Bandung 40154, Indonesia
2Departemen Pendidikan Teknik Elektro, Universitas Pendidikan Indonesia, Jl. dr.
Setiabudi 229, Bandung 40154, Indonesia
3Departemen Kimia, Universitas Pendidikan Indonesia, Jl. Dr Setiabudi 229, Bandung

40154, Indonesia
4Departemen Ilmu Komputer, Universitas Swabi, Swabi, Pakistan

* Penulis Koresponden: lala.s.riza@upi.edu

Abstrak
Saat ini, banyak varian penurunan gradien (yaitu, metode yang termasuk dalam
pembelajaran mesin untuk regresi) telah diusulkan. Selain itu, algoritma ini telah
banyak digunakan untuk menangani masalah dunia nyata. Namun, implementasi
dari algoritma ini ke dalam perpustakaan perangkat lunak sedikit. Oleh karena itu,
kami fokus pada pembuatan paket yang ditulis dalam R yang mencakup sebelas
algoritma berdasarkan penurunan gradien, sebagai berikut: Mini-Batch Gradient
Descent (MBGD), Stochastic Gradient Descent (SGD), Stochastic Average Gradient
Descent (SAGD), Momentum Gradient Descent (MGD), Accelerated Gradient
Descent (AGD), Adagrad, Adadelta, RMSprop dan Adam. Selain itu, analisis
eksperimental pada prediksi CO2 faktor kompresibilitas juga dilakukan. Hasil
penelitian menunjukkan bahwa akurasi dan biaya komputasi cukup baik, yaitu
0,0085 dan 0,142 detik untuk rata-rata root mean square root dan waktu simulasi.

Kata kunci: Faktor kompresibilitas gas, Machine learning, Regresi, Pemrograman R

bahasa.

2342
 Pengembangan Paket R dan Analisis Eksperimental pada Prediksi . . . .2343

1. Perkenalan
Ada banyak masalah yang diselesaikan dengan memanfaatkan penurunan gradien dan variannya.
Misalnya, penelitian yang dilakukan oleh Klein et al. [1] menggunakan varian penurunan gradien,
yaitu penurunan gradien stokastik adaptif, untuk registrasi gambar. Dalam sastra
[2], penurunan gradien digunakan untuk memaksimalkan ketajaman objek bergerak
dalam pemindaian mikroskop elektron. Penelitian difokuskan pada segmentasi dan
pemulihan karakter yang tidak lengkap, seperti 1000 karakter Ibrani kuno dalam 8 .th
– 7th abad sebelum masehi, yang telah dilakukan dengan perhitungan dengan gradient descent [3].
Selanjutnya, metode gradien sebagian besar tertanam dan digunakan untuk optimasi
dalam metode lain. Penurunan gradien stokastik rata-rata elastis digunakan untuk
optimasi dalam deep learning dalam komputasi paralel [4]. Estimasi parameter mesin vektor
dukungan dapat dilakukan dengan menggunakan algoritma berbasis penurunan gradien
[5]. Penurunan gradien algoritma diimplementasikan untuk membangun sistem berbasis aturan
fuzzy di perpustakaan perangkat lunak “frbs[6, 7].

Dapat dilihat bahwa penurunan gradien dan variannya telah

digunakan dan ditingkatkan untuk menangani banyak bidang. Pada
dasarnya, gradient descent adalah suatu metode untuk mencari minimum
lokal dari suatu fungsi tujuan, yang diwakili oleh suatu titik stasioner
dengan gradien nol [8]. Implementasi metode berbasis gradient descent
dalam machine learning termasuk dalam supervised learning, yaitu
regresi. Model penurunan gradien direpresentasikan dalam model linier
yang mengekspresikan peta antara variabel input dan output. Untuk
meningkatkan akurasi dan biaya komputasi, banyak peneliti telah
mengusulkan varian baru dari algoritma, seperti stochastic gradient
descent (SGD) [9], Adadelta [10], dan Adaptive Subgradient Method
(Adagrad) [11]. Meskipun ada lebih dari 10 algoritma berdasarkan
penurunan gradien, beberapa perpustakaan perangkat lunak telah
dibangun.
Oleh karena itu, penelitian ini bertujuan untuk mengembangkan software library yang
berisi banyak algoritma berbasis gradient descent untuk menangani tugas-tugas regresi.
Pada dasarnya, kami mengembangkan paket sebelumnya, yaitu “gradDescentR” [12] yang
mengimplementasikan empat algoritma berdasarkan penurunan gradien untuk menangani
tugas regresi. Dalam versi ini, kami mempertimbangkan algoritma berikut: penurunan
gradien [8, 13], penurunan gradien mini-batch (MBGD) [14], penurunan gradien stokastik
(SGD) [9], penurunan gradien rata-rata stokastik (SAGD) [15] , penurunan gradien momentum
(MGD) [16], penurunan gradien dipercepat (AGD) [17], Adadelta [10], Adagrad [11], RMSprop
[18], dan Adam [19]. Pustaka perangkat lunak telah dikembangkan di ekosistem R, yang
merupakan bahasa pemrograman sumber terbuka yang menyediakan lebih dari 8000 paket.
Kami memilih untuk mengimplementasikan algoritme dalam R karena memiliki dua repositori
(yaitu, Comprehensive R Archive Network (CRAN) di http://cran.rproject.org/) dan Proyek
Bioconductor di http://www.bioconductor.org/) . Jadi, pengguna dapat mengunduh,
menginstal, dan menggunakan paket dengan mudah.

Sisa dari makalah ini disusun sebagai berikut. Bagian II secara singkat memberikan
pengantar tentang penurunan gradien. Bagian III menyajikan pengembangan perpustakaan
perangkat lunak di R. Pada Bagian IV dan Bagian V, kami mendemonstrasikan analisis
eksperimental yang memprediksi faktor kompresibilitas gas (yaitu,Z-faktor). Hasil dan
pembahasan disajikan pada Bagian VI. Akhirnya, Bagian VII menyimpulkan penelitian dan
pekerjaannya di masa depan.

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

2344 LS Riza dkk.

2. Metode Penurunan Gradien dan Variannya

Dalam konsep pembelajaran mesin, penurunan gradien disertakan sebagai pembelajaran terawasi
untuk menangani tugas regresi. Disebut juga sebagai penurunan paling curam, yaitu suatu metode
untuk mencari nilai optimal dari suatu fungsi tujuan dengan meminimalkan fungsi biaya [8].

Dalam tugas regresi, pelatihan data, yang sebagian besar diatur dalam tabel di mana
baris mewakili instance/sampel sementara kolom melibatkan parameter dan variabel
keluaran, harus disediakan. Langkah pembelajaran dilakukan untuk membangun sebuah
model. Dalam hal ini, model pada dasarnya berisi koefisien masing-masing variabel dalam
fungsi hipotesis (yaitu, persamaan linier). Jadi, dapat dilihat bahwa penurunan gradien
digunakan untuk menentukan koefisien dalam model dengan meminimalkan fungsi biaya.
Setelah mendapatkan model, prediksi atas pengujian data dapat dilakukan dengan
menghitung model linier.

Seperti yang kami sebutkan sebelumnya bahwa ada banyak varian penurunan gradien
yang telah diusulkan. Di bagian ini, kami menyediakan beberapa algoritma berdasarkan
penurunan gradien. Pertama, kami menyediakan kode pseudo penurunan gradien, seperti
yang diilustrasikan pada Gambar. 1. Jelas, memperbarui koefisien (θ) dilakukan untuk
mendapatkan model yang sesuai sehingga pemetaan antara parameter input dan parameter
output pada data training benar. Selain itu, menurut algoritma kita harus menghitung fungsi
hipotesis dari setiap sampel data untuk setiap iterasi. Karena itu, biaya komputasi bisa sangat
tinggi.

Memasukkan: Pelatihan data dengan redup(M, n + 1) berisi sampel

masukan:1, … ,  dan nilai keluaran :1, … ,  , iterasi maksimummaxIter,
ukuran langkah -.Keluaran: Koefisien terbaik θ untuk fungsi hipotesis
ℎθAlgoritma:

Hasilkan koefisien awal θ (θ0,1, …, θ ) secara acak

Ketika ( < ) || ((     - θ   ) < ) melakukan
θ0 ⃪ θ0 - α 1 Σ = 1(ℎθ( ( ))( ) )
 
θ1 ⃪ θ1 - α 1 Σ = 1(ℎθ( ( ))( )).  ( ) 1
 
…
 
1
θ  ⃪ θ  - α (ℎ ( ( ) θ- ) ( )) .  ( )  
 
=1
Perbarui koefisien θ   :0, θ1, …, θ 
Akhir

Gambar 1. Kode semu penurunan gradien [13].

Salah satu modifikasi yang diusulkan untuk meningkatkan kinerja adalah penurunan
gradien rata-rata stokastik [15]. Gambar 2 menunjukkan bahwa biaya komputasi dikurangi
dengan melakukan proses stokastik. Selain itu, dalam hal ini kita tidak perlu menghitung
semua sampel data. Varian lain yang kami pertimbangkan dalam penelitian ini adalah mini-

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

 Pengembangan Paket R dan Analisis Eksperimental pada Prediksi . . . .2345

penurunan gradien batch (MBGD) [14], penurunan gradien stokastik (SGD) [9],
penurunan gradien momentum (MGD) [16], penurunan gradien dipercepat (AGD) [17],
Adadelta [10], Adagrad [11], RMSprop [18], dan Adam [19]. Algoritma rinci dapat
ditemukan di literatur masing-masing.

Memasukkan: Pelatihan data dengan redup(M, n + 1) berisi sampel masukan :1, … , 

dan nilai keluaran :1, … , , iterasi maksimum maxIter, ukuran langkah -
.Keluaran: Koefisien terbaik θ untuk fungsi hipotesis ℎθAlgoritma:

Hasilkan koefisien awal θ (θ0,1, …, θ ) secara acak

Ketika ( < ) || ((     - θ   ) < ) melakukan
Menghasilkan nomor acak (rd): 0 atau 1
Acak data pelatihan
Jika (rd == 1) kemudian

Pilih secara acak R jumlah sampel data

θ0 ⃪ θ0 - α 1 Σ  (ℎ =1 θ( ( ))( ) )
 
θ1 ⃪ θ1 - α 1 Σ 1(ℎθ( ( ))( ) = ) .  ( )1
 
…
 
1 ()
θ  ⃪ θ  - α (ℎ θ(    ) -   )( .)  ( )  
 
=1
Perbarui koefisien θ   :0, θ1, …, θ 
Akhir

Akhir

Gambar 2. Kode semu dari stochastic average gradient descent (SAGD) [15].

3. Pengembangan Software Library di R: “gradDescent”

Seperti yang kami sebutkan sebelumnya bahwa dalam paket “gradDescent” saat ini ada
10 metode berdasarkan penurunan gradien. Gambar 3 mengilustrasikan klasifikasi
metode ini.

Seperti yang ditunjukkan pada Gambar. 3, kita dapat melihat bahwa secara umum,
ada tiga strategi modifikasi penurunan gradien yang diterapkan. Pertama, empat
varian, yaitu batch gradient descent, MBGD, SGD, dan SAG, termasuk dalam algoritma
yang memiliki cara berbeda dalam memilih jumlah sampel data. Dua teknik optimasi
kecepatan belajar adalah MGD dan AGD. Kelompok terakhir didasarkan pada
penentuan learning rate dengan mekanisme adaptif. Dalam grup ini, kami
mempertimbangkan 4 algoritma: Adagrad, Adadelta, RMSProp, dan Adam.

Gambar 4 menjelaskan diagram aliran data (DFD) yang diterapkan dalam paket “gradDescent”.
Terlihat bahwa enam modul telah diimplementasikan, sebagai berikut: penskalaan fitur, pemisahan
dataset, pembelajaran, prediksi, penskalaan fitur terbalik, dan perhitungan kesalahan. Penskalaan
fitur, yang juga dikenal sebagai normalisasi, digunakan untuk mengubah skala kumpulan data
dengan menggunakan penskalaan varians dan penskalaan min-max sehingga kumpulan data baru
dihasilkan dengan rentang antara [-1, 1] dan [0, 1]. Penting untuk dieksekusi ketika kita memiliki
skala yang sangat berbeda antara fitur/variabel. Pada langkah fitting, terkadang kita perlu membagi
dataset menjadi dua bagian: data training

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

2346 LS Riza dkk.

(Kereta Data) dan pengujian data (Tes Data). Untuk mencapai tujuan ini, kami menyediakan dataset
pemisahan. Fungsi utama yang disertakan dalam paket ini adalah untuk mempelajari data pelatihan
untuk mendapatkan model. Pada langkah pembelajaran, kami menyediakan beberapa fungsi yang
terkait dengan algoritmanya. Setelah itu, dengan model yang diperoleh, kita dapat memprediksi
pengujian data. Jika kita melakukan normalisasi, de-normalisasi/penskalaan fitur terbalik harus
dijalankan untuk mendapatkan bilangan real dari nilai prediksi. Kesalahan dapat dihitung dengan
melakukan fungsi terakhir di DFD.

Gambar 3. Gradient descent dan variannya diimplementasikan pada “gradDescent”.

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

 Pengembangan Paket R dan Analisis Eksperimental pada Prediksi . . . .2347

Gambar 4. Data flow diagram (DFD) pada “lulusanKeturunan”.

Semua algoritma yang dipertimbangkan telah diimplementasikan dalam bahasa

pemrograman R. Paket yang diterbitkan, saat ini pada versi 2.0.1, dapat diunduh dari
https://cran.r-project.org/package=gradDescent. Selanjutnya, artikel manual untuk
menunjukkan cara menggunakan semua fungsi juga disertakan. Contoh berikut adalah
tanda tangan fungsi dari algoritma Adadelta:
ADADELTA(dataTrain, maxIter = 10, momentum = 0.9, seed = NULL)

Ini berarti bahwa algoritma Adadelta dapat dieksekusi dengan memanggil ADELTA()
dengan parameter berikut:
- dataTrain: data.frame yang mewakili data pelatihan (M × n), di mana M adalah jumlah
kejadian dan n adalah jumlah variabel dimana kolom terakhir adalah variabel keluaran.
dataTrain harus memiliki setidaknya dua kolom dan sepuluh baris data yang hanya
berisi angka (bilangan bulat atau float).

- maxIter: jumlah maksimal iterasi. Nilai defaultnya adalah 10.

- momentum: nilai float yang mewakili momentum memberikan kecepatan konstan untuk
proses belajar. Nilai defaultnya adalah 0,9.

- seed: nilai integer untuk static random. Nilai defaultnya adalah NULL, yang berarti fungsi
tersebut tidak akan melakukan static random.

Cara lainnya bisa dilihat di website.

4. Studi Eksperimental Prediksi Faktor Kompresibilitas Gas

Bagian ini ditujukan untuk penggunaan “lulusanKeturunan” paket prediksi faktor
kompresibilitas gas (yaitu, Z-faktor). Faktor ini perlu diprediksi karena mewakili
sifat termodinamika gas, yang berkaitan dengan perubahan fasa, suhu, dan
tekanan gas [20]. Pada dasarnya, itu didefinisikan sebagai perbandingan volume
molar suatu gas dengan volume molar gas ideal pada suhu dan tekanan yang
sama [21]. Informasi mengenai rumusan masalahZ-faktor dapat ditemukan secara
rinci dalam literatur [12].

Penelitian sebelumnya dalam literatur [12] telah menunjukkan dataset yang

digunakan dalam percobaan. Dataset secara eksperimental dikumpulkan oleh Kennedy
pada tahun 1954 [22]. Data berisi 2110 sampel dengan tiga kolom/variabel: suhu (T)
dalamCelsius, tekanan (P) di dalam bar, dan densitas dalam gr/cc. Setelah melakukan
konversi, kami memperoleh suhu (T) dalam Kelvin dan tekanan (P) dalam atm, dan
kompresibilitas gas (Z faktor). Kemudian, kami mengocok data.
Eksperimen dilakukan pada empat langkah sebagai berikut:
1) Kumpulan data dinormalisasi dengan menjalankan
fungsipenskalaan varian().
2) Kami membagi data menjadi dua bagian dengan memanggil splitData(): pelatihan data dan
pengujian data. Dalam hal ini, kami mendefinisikan 80% untuk pelatihan data dan sisanya untuk
pengujian data.

3) Pada langkah pembelajaran, model dibangkitkan dengan melakukan 10

algoritma. Berikut ini adalah fungsi yang dijalankan:GD(), MBGD(), SGD(),
SAGD(), MGD(), AGD(), ADAGRAD(), ADADELTA(), RMSPROP(), danadam(). Untuk
setiap fungsi, kami mensimulasikan maksimum yang berbeda berikut:

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

2348 LS Riza dkk.

iterasi: 10, 20, 30, 40, 50, 60, 70, 80, 90, 100, 1000, dan 10000. Terlihat
total 120 simulasi yang kami lakukan. Kita perlu melakukan semua
simulasi untuk mendapatkan tren konvergensi.
4) Prediksi atas pengujian data dilakukan dengan memanggil ramalan().
5) Karena pada langkah sebelumnya kita melakukan normalisasi, kita perlu
mendapatkan nilai prediksi nyata dengan melakukan de-normalisasi
dengan fungsivariansDescaling().
6) Akhirnya, kami menghitung root mean squared error (RMSE) dengan
mengeksekusiRMSE(). Selain itu, beberapa perbandingan dengan metode
lain juga dilakukan.

5. Hasil dan Pembahasan

Setelah menjalankan 120 simulasi yang telah dijelaskan pada bagian sebelumnya, didapatkan
RMSE dari setiap simulasi. Kemudian, kesalahan ini diplot untuk mendapatkan trennya.
Perbandingan antara algoritma dapat juga disajikan seperti yang diilustrasikan pada Gambar.
5. Pada sumbu horizontal, kami memiliki 12 nilai iterasi maksimum (yaitu, 10, 20,
30, 40, 50, 60, 70, 80, 90, 100, 1000, dan 10000), sedangkan sumbu vertikal
mewakili nilai RMSE. Terlihat bahwa setiap algoritma memiliki jalur atau trend
yang berbeda. Misalnya Adagrad, AGD, dan Adadelta relatif stabil dengan semua
iterasi maksimum, tetapi yang lainnya sangat berfluktuasi.

Secara rinci, rata-rata RMSE terbaik dari semua algoritma dapat dilihat pada Tabel 1.
Dapat dilihat bahwa AGD telah mengungguli algoritma lainnya dengan 0,123 s untuk biaya
komputasi. Selain itu, metode tercepat adalah RMSPROP yang hanya membutuhkan waktu
0,044 detik.

Nilai prediksi dari semua data testing dapat dilihat pada Gambar 6. Meskipun gradient
descent dan variannya dapat mengikuti tren Z-Factor, nilai ekstrim sulit diprediksi dengan
benar. Dengan demikian, tampaknya algoritma lain yang berbasis model non-linier atau soft
computing harus dipertimbangkan untuk digunakan, seperti sistem berbasis aturan fuzzy [6,
7], dan himpunan kasar [18].

Gambar 5. Perbandingan trend RMSE dari semua simulasi.

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

 Pengembangan Paket R dan Analisis Eksperimental pada Prediksi . . . .2349

Tabel 1. Rata-rata RMSE terbaik dari masing-masing algoritma.

Metode Rata-rata RMSE Biaya Komputasi (kedua)

GD 0,008723882 0.115833333
MBGD 0,009253105 0,0783333
SGD 0,0083202638 0,0325
SAGD 0,008401404 0.24166667
MGD 0,007930742 0,115
AGD 0,007887178 0.123333
ADGRAD 0,008116677 0,565
adadelta 0,00935268 0,059166667
RMSPROP 0,008518413 0,044166667
ADAM 0,008713801 0,051666667

Gambar 6. Nilai prediksi dari masing-masing algoritma.

6. Kesimpulan

Dalam penelitian ini, kami telah mengembangkan R paket, yaitu "gradDescent". Ini
mengimplementasikan model linier berdasarkan penurunan gradien untuk menangani tugas
regresi. Secara total, sebelas algoritma telah disematkan sebagai berikut: Mini-Batch Gradient
Descent, Stochastic Gradient Descent, Stochastic Average Gradient Descent, Momentum
Gradient Descent, Accelerated Gradient Descent, Adagrad, Adadelta, RMSprop dan Adam.
Fitur lain juga disertakan dalam paket, seperti normalisasi, de-normalisasi, dan perhitungan
kesalahan. Selanjutnya, untuk memvalidasi implementasi, kami melakukan studi
eksperimental pada prediksiZ-Faktor, yaitu tugas yang diperlukan untuk mengetahui sifat
termodinamika gas. Hasilnya menunjukkan bahwa algoritma yang disertakan dalam paket
memberikan nilai prediksi yang masuk akal dariZ-Faktor. Jadi, paket “lulusanKeturunan” dapat
digunakan sebagai perpustakaan perangkat lunak alternatif untuk menangani berbagai tugas
regresi dalam masalah dunia realistis.

Ucapan Terima Kasih

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

2350 LS Riza dkk.

ABDN memberikan penghargaan kepada RISTEK DIKTI atas hibah dalam Penelitian
Terapan Unggulan Perguruan Tinggi Negeri (PTUPT) dan Penelitian Unggulan Strategi
Nasional (PUSN).

Referensi
1. Klein, S.; Pluim, JPW; Menatap, M.; dan Viergever, MA (2009). Optimalisasi
penurunan gradien stokastik adaptif untuk pendaftaran gambar.Jurnal
Internasional Visi Komputer, 81(3), 227.
2. Kudryavtsev, AV; Dembélé, S.; dan Piat, N. (2017). Fokus otomatis pada objek
bergerak dalam pemindaian mikroskop elektron.Ultramikroskopi, 182, 216-225.
3. Sadar, B.; dan Levin, D. (2017). Pemulihan goresan karakter tulisan tangan dengan bantuan
komputer.Desain dengan bantuan komputer, 89, 12-24.
4. Zhang, S.; Choromanska, AE; dan LeCun, Y. (2015). Pembelajaran mendalam
dengan rata-rata elastis SGD.Prosiding Kemajuan dalam Sistem Pemrosesan
Informasi Saraf. Montreal, Kanada, 685-693.
5. Vila, A.; Fauvel, M.; Chanussot, J.; Gamba, P.; dan Benediktsson, JA (2008).
Optimalisasi gradien untuk beberapa parameter kernel dalam
mendukung klasifikasi mesin vektor.Prosiding Simposium Geosains dan
Penginderaan Jauh, 2008. IGARSS 2008. IEEE International.Boston, AS, 1-2.
6. Riza, LS; Bergmeir, C.; Herrera, F.; dan Benitez, JM (2014, Juli). Belajar
dari data menggunakan paket R" FRBS".Prosiding Sistem Fuzzy (FUZZ-
IEEE), 2149-2155.
7. Riza, LS; Bergmeir, C.; Herrera, F.; dan Benitez, JM (2014). FRBS: Sistem
Berbasis Aturan Fuzzy untuk klasifikasi dan regresi di R.Jurnal Perangkat
Lunak Statistik, 65(6), 1-30.
8. Yuan, YX (1999). Langkah-ukuran untuk metode gradien.Studi AMS IP dalam
Matematika Tingkat Lanjut, 42(2), 785.
9. Bottou, L. (2010). Pembelajaran mesin skala besar dengan penurunan gradien
stokastik.Prosiding Konferensi Internasional ke-19 tentang Statistik
Komputasi (COMPSTAT'2010). Paris, Prancis, 177-186.
10. Zeiler, MD (2012). ADADELTA: metode tingkat pembelajaran adaptif. arXiv
pracetak arXiv:1212.5701. Diakses pada Desember 2017, dari https://
arxiv.org/abs/1212.5701.
11. Duchi, J.; Hazan, E.; dan Penyanyi, Y. (2011). Metode subgradien adaptif untuk
pembelajaran online dan optimasi stokastik.Jurnal Penelitian Pembelajaran
Mesin, 12, 2121-2159.
12. Riza, LS; Nasrulloh, JIKA; Junaeti, E.; Zain, R.; dan Nandiyanto, ABD
(2016). GradDescentR: Paket R yang mengimplementasikan
penurunan gradien dan variannya untuk tugas regresi.Prosiding
Teknologi Informasi, Sistem Informasi dan Teknik Elektro (ICITISEE),
Bandung, Indonesia, 125-129.
13. Cauchy, A.-L. (1847). Methode generale pour la resolution des systemes
d'equations.Comptes rendus de l'Académie des Sciences de Paris, 25, 536-538.
14. Cotter, A.; Syamir, O.; Srebro, N.; dan Sridharan, K. (2011). Algoritme mini-batch yang
lebih baik melalui metode gradien yang dipercepat.Prosiding Kemajuan dalam
sistem pemrosesan informasi saraf. Granada, Spanyol, 1647-1655.

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

 Pengembangan Paket R dan Analisis Eksperimental pada Prediksi . . . .2351

15. Schmidt, M.; Le Roux, N.; dan Bach, F. (2017). Meminimalkan jumlah hingga dengan
gradien rata-rata stokastik.Pemrograman Matematika, 162(1-2), 83-112.
16. Qian, N. (1999). Pada istilah momentum dalam algoritma pembelajaran
penurunan gradien.Jaringan Saraf, 12(1), 145-151.
17. Nesterov, Y. (1983). Sebuah metode untuk masalah minimisasi cembung tak
terbatas dengan laju konvergensi O (1/k̂ 2).Doklady AN USSR, 269(3), 543-547.

18. Riza, LS; Janusz, A.; Bergmeir, C.; Cornelis, C.; Herrera, F.; Slezak, D.; dan
Benítez, JM (2014). Implementasi algoritma teori himpunan kasar dan
teori himpunan kasar fuzzy dalam paket R “RoughSets”.Ilmu Informasi,
287, 68-89.
19. Kingma, D.; dan Ba, J. (2014). Adam: Sebuah metode untuk optimasi
stokastik. pracetak arXiv arXiv:1412.6980. Diakses pada Desember 2017,
dari https://arxiv.org/abs/1412.6980.
20. Rowlinson, JS; dan Watson, ID (1969). Prediksi sifat termodinamika
cairan dan campuran fluida-I Prinsip keadaan yang sesuai dan
ekstensinya.Ilmu Teknik Kimia, 24(10), 1565-1574.

21. De Monte, F. (2002). Perhitungan sifat termodinamika R407C dan R410A

dengan persamaan keadaan Martin–Hou—bagian I: Perkembangan
teoretis.Jurnal Internasional Refrigerasi, 25(3), 306-313.
22. Kennedy, GC (1954). Hubungan tekanan-volume-suhu dalam CO2 pada
suhu dan tekanan tinggi.Jurnal Sains Amerika, 252(4), 225-241.

Jurnal Sains dan Teknologi Rekayasa Agustus 2018, Jil. 13(8)

Lihat statistik publikasi