18
2.4.2. Pembelajaran Tak Terawasi Unsupervised Learning Pada metode pembelajaran yang tak terawasi ini, tidak memerlukan target output.
Pada metode ini, tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu
range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit–unit yang hampir sama dalam suatu area tertentu.
Pembelajaran ini biasanya sangat cocok untuk pengelompokan klasifikasi pola Sholahudin, 2001.
2.5. Backpropagation
Metode propagasi balik merupakan metode yang sangat baik dalam menangani masalah pola-pola kompleks. Istilah ‘propagasi balik’ diambil dari cara kerja jaringan
ini, yaitu bahwa gradien error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Hal ini karena nilai
target untuk unit-unit tersembunyi tidak diberikan. Metode ini menurunkan error untuk meminimkan penjumlahan error kuadrat output jaringan. Fredric, 2001
2.6. Adaptive Learning Rate
Adaptive Learning Rate merupakan pendekatan atau metode yang bertujuan untuk meningkatkan efektifitas dari parameter tingkat pembelajaran atau learning rate,
dimana tingkat pembelajaran merupakan parameter yang berfungsi meningkatkan kecepatan belajar dari jaringan backpropagation. Dhaneswara, 2004
Adaptive Learning Rate muncul karena penelitian yang dilakukan pada nilai pembelajaran yang konstan menyebabkan metode jaringan backpropagation menjadi
tidak efisien, dikarenakan sangat bergantung pada nilai tingkat pembelajaran yang dipilih. Pemilihan tingkat pembelajaran yang tidak tepat akan menyebabkan jaringan
sangat lambat mencapai local optima, karena alasan tersebut muncullah pendekatan adaptive learning rate.
Implementasi adaptive learning rate adalah mengganti nilai learning rate yang digunakan dalam koreksi bobot pada jaringan pada tiap iterasi menggunakan
persamaan yang diusulkan oleh Plagianakos Plagianakos, 1998 sebagai berikut : w
t+1
= w
t
– λ
t
ΔE w
t
…………………… 2.5
Universitas Sumatera Utara
19
dimana : w
t+1
= bobot baru untuk iterasi berikutnya w
t
= bobot pada iterasi saat t λ
t
= adaptive learning rate ΔE w
t
= fungsi error pada bobot iterasi saat t Sedangkan adaptive learning rate
λ
t
yang digunakan adalah : λk =
αk,
α α
≤ μ μαk − 1
…………………… 2.6
2.7. Inisialisasi Pembobotan Nguyen Widrow
Berdasarkan penelitian yang dilakukan, nilai bobot awal random berada dalam interval -1 sampai dengan 1. Jika menggunakan Nguyen Widrow sebagai pembobotan
awal maka jumlah bobotnya akan disesuaikan, sehingga bobot awal dapat bertambah maupun berkurang dari nilai awal Puspitaningrum, 2006. Dengan pembobotan awal
menggunakan metode Nguyen Widrow maka jumlah node pada hidden layer akan menentukan besar bias yang akan digunakan dari input layer menuju hidden layer.
Bobot dan Bias yang didapat dengan metode Nguyen Widrow sangat dipengaruhi oleh beberapa hal antara lain :
1. Jumlah node pada input layer
Jumlah node pada input layer juga memberikan pengaruh pada nilai bobot dan bias yang dihasilkan dengan metode Nguyen Widrow. Jumlah node pada input layer adalah
tergantung jumlah dari input data yang diteliti. 2. Jumlah node pada hidden layer
Jumlah node pada hidden layer sangat berpengaruh dalam menentukan nilai bobot dan bias. Jika jumlah node pada hidden layer semakin besar maka faktor skala juga
semakin besar. Jika faktor skala besar maka nilai bobot juga akan bertambah dan interval bias dari input layer menuju hidden layer akan semakin besar. Penambahan
bias pada pembelajaran dengan metode back propagation akan meningkatkan jumlah keluaran sinyal keluaran dari sebuah lapisan.
3. Nilai awal yang digunakan
Universitas Sumatera Utara
20
Nilai awal yang digunakan dalam metode Nguyen Widrow dapat bertambah dan berkurang. Nilai awal yang dimaksud adalah nilai yang berada pada interval -0,5 –
0,5. Hal ini disebabkan karena metode Nguyen Widrow akan menyesuaikan untuk pengenalan pola.
Untuk mendapatkan bias dari input layer menuju hidden layer yang akan digunakan maka terlebih dahulu dicari faktor skala. Faktor skala Nguyen-Widrow
didefinisikan sebagai: β = 0.7 p
1n
…………………… 2.6 dimana :
n = banyak unit input p = banyak unit hidden
β = faktor skala
Prosedur Inisialisasi dengan menggunakan metode Nguyen Widrow. 1.
Hitung nilai faktor skala β.
Dengan faktor skala tersebut, tentukan bobot-bobot antara unit input ke unit tersembunyi Vij dengan rumus :
Vijlama = bilangan acak antara – β dan β …………………… 2.7
2. Menghitung ||Vj||
| |V1|| = √V11 + V21 + V31 + V41 + … … … … … + V100.1 …… 2.8
3. Lakukan inisialisasi ulang bobot-bobot dengan cara:
Vijbaru =
β. |
| ||
……………………
2.9
2.8. Riset-riset Terkait
