PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN MOBIL DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : Toyota Auto 2000 Medan)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle