33
2.3.5. Perhitungan Error
Perhitungan error bertujuan untuk pengukuran keakurasian jaringan dalam mengenali pola yang diberikan. Ada tiga macam perhitungan error yang sering digunakan, yaitu
Mean Square Error MSE, Mean Absolute Error MAE dan Mean Absolute Percentage Error MAPE.
MSE merupakan error rata –rata kuadrat dari selisih antara output jaringan
dengan output target. Tujuan utama adalah memperoleh nilai errorsekecil-kecilnya dengan secara iterative mengganti nilai bobot yang terhubung pada semua neuron
pada jaringan. Untuk mengetahui seberapa banyak bobot yang diganti, setiap iterasi memerlukan perhitungan error yang berasosiasi dengan setiap neuron pada output dan
hidden layer. Rumus perhitungan MSE adalah sebagai berikut Bayata et al, 2011: �� =
1
−
2 =1
28 Keterangan:
= nilai output target = nilai output jaringan
N = jumlah output dari neuron
MAE merupakan perhitungan error hasil absolute dari selisih antara nilai hasil system dengan nilai aktual. Rumus perhitungan MAE adalah sebagai berikut:
�� =
1
| − |
=1
29
MAPE hampir sama dengan MAE, hanya hasilnya dinyatakan dalam persentase. Rumus perhitungan MAPE adalah sebagai berikut:
��� =
1
| − |
=1
x 100 30
2.3.6. Penggantian bobot
Penggantian bobot jaringan dilakukan jika error yang dihasilkan oleh jaringan tidak lebih kecil sama dengan ≤ nilai error yang telah ditetapkan. Bobot baru didapat
Universitas Sumatera Utara
34 dengan menjumlahkan bobot yang lama dengan
∆ . Rumus untuk mengganti bobot adalah sebagai berikut:
∆ = η ∗ δ
i
∗
31
Keterangan: η = learning rate
δ
i
= error yang berasosiasi dengan neuron yang dihitung = nilai error dari neuron yang dihitung
Berikut adalah rumus penggantian bobot tanpa momentum: + 1 =
+ ∆
32
∆ =
−
�� �
33
+ 1 = + ∆
34
∆ =
−
�� �
35
Rumus penggantian bobot menggunakan momentum: + 1 =
+ ∆ +
η ∆w
jk
− 1
36
∆ =
−
�� �
37
+ 1 = + ∆ + η ∆v
ij
− 1
38
∆ =
−
�� �
39
2.3.7. Testing
Pada proses testing JST hanya akan diterapkan tahap propagasi maju. Setelah training selesai dilakukan, maka bobot-bobot yang terpilih akan digunakan untuk
menginisialisasi bobot pada proses testing JST. Adapun tahapannya adalah sebagai berikut:
1. Masukkan nilai input dari data testing.
2. Lakukan perhitungan neuron-neuron pada hidden layer dengan rumus:
Universitas Sumatera Utara
35 =
+ .
=1
40
3. Hitung hasil output dari masing-masing hidden layer dengan menerapkan kembali fungsi aktivasi.
=
41
=
1 1+
− _
42
Sinyal tersebut kemudian akan diteruskan kesemua neuron pada lapisan berikutnya yaitu output layer.
4. Setiap neuron pada output layer Yk, k=1,..,5 menjumlahkan sinyal-sinyal output beserta bobotnya:
= +
.
=1
43
5. Menerapkan kembali fungsi aktivasi untuk menghitung sinyal output = _
44
=
1 1+
− _
45
2.3.8. Metode Resilient Backpropagation
Resilient backpropagation Rprop dikembangkan oleh Martin Riedmiller dan Heinrich Braun pada tahun 1992. Metode ini adalah salah satu modifikasi dari proses
standard Backpropagation yang digunakan untuk mempercapat laju pembelajaran pada pelatihan jaringan syaraf tiruan Backpropagation. Rprop dikembangkan untuk
menghindari perubahan gradien yang terlalu kecil selama proses update dengan fungsi aktivasi sigmoid, yang menyebabkan pembentukan jaringan menjadi lambat. Dalam
proses update weight, Rprop memiliki faktor delta, dimana nilai delta akan mengikuti arah perubahan weight. Jika perubahan weight kecil, nilai delta akan membesar,
sebaliknya, ketika perubahan weight aktif, nilai delta akan mengecil.
Universitas Sumatera Utara
36 Rprop melaksanakan dua tahap pembelajaran yaitu tahap maju forward
untuk mendapatkan error output dan tahap mundur backward untuk mengubah nilai bobot-bobot. Proses pembelajaran pada algoritma RPROP diawalai dengan definisi
masalah, yaitu menentukan matriks masukan P dan matriks target T. kemudian dilakukan proses inisialisasi yaitu menentukan bentuk jaringan, MaxEpoch,
Target_Error, delta_dec, delta_inc, delta0, deltamax, dan menetapkan nilai-nilai bobot sinaptik vij dan wjk secara acak.
Besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang diatur pada parameter yang disebut delt_inc dan delt_dec. Apabila gradien fungsi error berubah
tanda dari satu iterasi ke iterasi berikutnya, maka bobot akan berkurang sebesar delt_dec. Sebaliknya apabila gradien error tidak berubah tanda dari satu iterasi ke
iterasi berikutnya, maka bobot akan berkurang sebesar delt_inc. Apabila gradien error sama dengan 0 maka perubahan sama dengan perubahan bobot sebelumnya. Pada
awal iterasi, besarnya perubahan bobot diinisalisasikan dengan parameter delta0. Besarnya perubahan tidak boleh melebihi batas maksimum yang terdapat pada
parameter deltamax, apabila perubahan bobot melebihi batas maksimum perubahan bobot, maka perubahan bobot akan ditentukan sama dengan maksimum perubahan
bobot.
Universitas Sumatera Utara
BAB III
ANALISIS DAN PERANCANGAN SISTEM
3.1. Rancangan Sistem
Rancangan sistem terdiri dari preprocessing data yaitu tahap normalisasi data kedalam range [0-1]. Kemudian dilakukan pemilihan arsitektur yang tepat pada jaringan saraf
tiruan untuk mendapatkan hasil prediksi yang optimal. Setelah arsitektur jaringan ditentukan maka dilakukan proses training, dimana sistem akan dilatih sehingga dapat
mengenali pola pasangan data input dan data target. Testing dilakukan untuk mengetahui apakah sistem mampu memberikan hasil yang benar terhadap pasangan
data input dan target yang belum pernah dilatih kedalam sistem. Sedangkan pada tahap postprocessing dilakukan denormalisasi dari data yang telah dinormalisasi untuk
menjadi nilai output dari jaringan. Gambar 3.1 adalah rancangan umum dari sistem yang akan dibangun pada penelitian ini, yaitu:
Mulai
Preprocessing
Arsitektur JST
Training
P1
Universitas Sumatera Utara