PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN MOBIL DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : Toyota Auto 2000 Medan)
Notice bibliographique
Résumé
Penjualan kendaraan merek Toyota ditangani oleh Divisi Kendaraan yang berkedudukan di kantor pusat Jakarta dan untuk seluruh cabang ditangani oleh Departemen Penjualan. Data produksi yang digunakan adalah data tahun 2016, 2017 dan 2018 berupa data bulanan. Dengan epoch maksimum antara 0-10000, learning rate 0,1 dan target error 0,01-0,5 untuk mendapatkan hasil yang konvergen. Data penjualan mobil dapat dikenali oleh sistem jaringan syaraf tiruan dengan metode backpropagation, hasil pengujian mengalami kenaikan dan penurunan. Prediksi penjualan New Agya meningkat rata-rata 5.99/bulan, Calya meningkat rata-rata 5.99/bulan, All New Rush meningkat rata-rata 12.06/bulan, New Avanza meningkat rata-rata 7.72/bulan, New Vios menurun rata-rata 0.33/bulan, New Corolla meningkat rata-rata 0.13/bulan, New Camry menurun rata-rata 0.48/bulan, Etios menurun rata-rata 0.60/bulan, Yaris menurun rata-rata 0.57/bulan, New Yaris menurun rata-rata 3.38/bulan, Rush menurun rata-rata 3.12/bulan, New Kijang Innova menurun rata-rata 2.23/bulan, New Fortuner menurun rata-rata 2.23/bulan, All New Hilux menurun rata-rata 0,18/bulan, Hilux menurun rata-rata 0,14/bulan, dan New Hilux meningkat rata-rata 0,08/bulan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,008 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».