ABSTRAKSI: Permintaan produksi terhadap ban GT3 yang diproduksi oleh PT. Goodyear Indonesia Tbk. memiliki faktor ketidakpastian permintaan yang cukup tinggi, sehingga sulit memperkirakan berapa jumlah barang yang harus diproduksi untuk periode yang akan datang. Karena data yang terbentuk memiliki pola yang tidak linier, maka digunakan jaringan saraf tiruan untuk memprediksi jumlah permintaan produksi periode yang akan datang.
Algoritma pelatihan jaringan saraf tiruan yang digunakan adalah resilient propagation. Kemudian ditambahkan metode weight-elimination ke dalam algoritma resilient propagation untuk mengeliminasi bobot-bobot yang dapat menurunkan performansi jaringan dalam melakukan generalisasi.
Proses yang terdapat pada sistem yang dibangun antara lain pelatihan dan validasi jaringan dengan algoritma resilient propagation untuk memperoleh arsitektur jaringan terbaik, pelatihan dan validasi jaringan dengan algoritma resilient propagation yang telah ditambahkan metode weight-elimination untuk memperoleh parameter weight-elimination terbaik dan pengujian jaringan untuk mengetahui kemampuan jaringan dalam mengenali data baru yang diberikan kepadanya.
Dari percobaan yang dilakukan diperoleh bahwa penambahan metode weight-elimination pada algoritma pelatihan resilient propagation memberikan performansi pelatihan jaringan yang lebih baik, yaitu menghasilkan error jaringan yang lebih kecil, dibandingkan terhadap algoritma resilient propagation tanpa weight-elimination.Kata Kunci : jaringan saraf tiruan, adaptive learning rate, weight-elimination, time series, prediksi.ABSTRACT: Production demand on GT3 tires producted by PT. Goodyear Indonesia Tbk. have high uncertainty factor of demand, so it is difficult to predict how many number of product must be producted for the next time period. Because the production demand data have non-linear pattern then neural networks is used to predict the number of demand production for the next time period
Neural networks training algorithm used is resilient propagation. Weightelimination added into resilient propagation algorithm to eliminate neural networks weights which can reduce performance of networks to do generalization.
propagation algorithm to find the best network architecture, networks training and validation with resilient propagation algorithm that have added weightelimination method to find the best weight-elimination parameter and network testing to find out performance of networks to recognizing new data.
From the experiments, adding weight-elimination method into resilient propagation algorithm gave better performance in networks training, gave smaller networks error result, than resilient propagation algorithm without weight-elimination.Keyword: neural networks, adaptive learning rate, weight-elimination, time series, prediction.