Flow Chart Training dengan Linier Vector Quantization LVQ Flowchart Algoritma Prediksi Backpropagation Flowchart Prediksi Algoritma Learning Vector Quantization Rancangan Hasil Analisis

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