Gambar 3.2 Flowchart Training Algoritma Backpropagation
Keterangan Flowchart : 1.
Mulai 2.
Masukkan bobot awal 3.
Setiap masukan meneruskan ke hidden layer 4.
Kerjakan fungsi aktifasi untuk menghitung output 5.
Kerjakan untuk menghitung komponen error 6.
Kerjakan untuk menghitung komponen perubahan bobot 7.
Kerjakan untuk menghitung komponen bias 8.
Kerjakan untuk setiap neuron hidden menjumlahkan input dari neuron diatasnya 9.
Kerjakan untuk menghitung komponen errornya 10.
Kerjakan untuk menghitung koreksi error untuk mengubah V
ij
11. Kerjakan untuk menghitung koreksi error untuk mengubah V
oj
12. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
13. Kerjakan untuk menghitung semua perubahan bobot menuju ke unit keluaran
14. Selesai
3.6 Flow Chart Training dengan Linier Vector Quantization LVQ
Adapun Flow ChartTrainingdengan Linier Vector Quantization dapat dilihat seperti pada Gambar 3.3.
Sto Kondisi
St ?
Simpan bobot Akhir = w
jk
baru
Universitas Sumatera Utara
S
Data Pelatihan
Pendefinisi Input, Output dan
Pembentukan Jaringan LVQ NET =
Bobot,JmlNeuron,1JmlKlas MinErr Jumkls
Penetapan Parameter Pelatihan 1.MaksEpoch = 100
2.MinError = 0.001 3 DecError 0 1
Training Epoch=Epoc
Penetapan JmlKlas, JmlNeuron,
Penetapan Bobot Awal Wij i=1,2,...,K. j=1,2,...,m
Wij= 0-1
Inisialisasi Bobot Awal
Perbaikan Bobot Wj Jika T = Cj maka Wj=Wj+ MinErrorCurah Hujan
Jika T Cj maka Wj=Wj- MinError Curah Hujan
Universitas Sumatera Utara
Gambar 3.3 Flow Chart Training dengan LVQ
3.7 Flowchart Algoritma Prediksi Backpropagation
Adapun proses dari algoritma Prediksi Backpropagation seperti pada Gambar 3.4.
Hasil Error
MinError atau
S
S
Vektor Input Uji x
i
Bobot Terakhir Pelatihan
Setiap Unit pada Output Layer menghitung output
∑
+ =
j jk
j ok
k
w z
w in
y _
�
�
�
��
= �
�0
+ � �
�
�
�� �
Setiap Unit pada Hidden Layer menghitung
output
Menerapkan fungsi aktivasi untuk menghitung sinyal output
Y
k
=fy_In
k
Universitas Sumatera Utara
Gambar 3.4 Flow Chart Prediksi Algoritma Backpropagation
3.8 Flowchart Prediksi Algoritma Learning Vector Quantization
Adapun proses dari algoritma PrediksiLearning Vector Quantization adalah seperti pada Gambar 3.5.
Gambar 3.5 Flow Chart Prediksi Algoritma Learning Vector Quantization
3.9 Rancangan Hasil Analisis
Dari perancangan dapat diperoleh hasil analisis berupa tabel Waktu Training dan Prediksi hasil seperti pada Tabel 3.2 berikut ini.
S
Vektor Input Xi Bobot Terakhir Pelatihan
Setiap Unit pada Hidden Layer menghitung output ||Xi-Wj||
Sto ||Xi-Wj|| Min
= Kls J Tampilkan
Sto Tampilkan
data yang mendekati Y
k
Universitas Sumatera Utara
Tabel 3.2 Waktu Training dan Prediksi o
Algoritma Rata-rata Waktu
Training Detik Rata-rata Waktu
Prediksi Detik Selisih Detik
Backpropagation xxx
xxx xxx
Linear Vector Quantization
xxx xxx
xxx Serta tabel akurasi prediksi dengan variasi parameter training seperti pada
Tabel 3.4 berikut ini. Paramater:
Epochs = 100
Learning Rate = 0.25
Iterasi = 100
Maks err = 0.001
Pada simulasi dalam memprediksi keakuratan predisksi diperoleh dalam tabel hasil simulasi Akurasi seperti pada Tabel 3.3.
Tabel 3.3Akurasi Prediksi No Algoritma
Akurasi Backpropagation
xxx Linear Vector Quantization
xxx
3.10 Analisis Metode