Gambar 57 Hasil pelatihan model 3 untuk jumlah neuron 20, Laju pembelajaran 0,9 dan momentum 0,5 diperlukan waktu pelatihan 3 jam 13 menit
Untuk itu dalam melakukan pelatihan JST perlu diperhitungkan spesifikasi dari sebuah komputer. Hal ini sangat penting mengingat semakin besar neuron
akan semakin lama waktu pelatihan sehingga untuk mempercepat pelatihan diperlukan spesifikasi komputer yang tinggi.
6.3.5. Pengaruh Perubahan Laju Pembelajaran
Laju pembelajaran mempunyai fungsi untuk mempercepat proses iterasi epoch ke arah konvergen. Laju pembelajaran semakin besar akan semakin
cepat mengarah ke suatu titik konvergensi menuju kestabilan MSE. Hal ini
dapat dilihat dari hasil pelatihan JST seperti terlihat pada Gambar 58 dan 59 di bawah ini.
Gambar 58 Hasil pelatihan model 3 untuk jumlah neuron 20, Laju pembelajaran 0,9 dan
momentum 0,5 dimana diperlukan waktu pelatihan 3 jam 13 menit
Gambar 59 Hasil pelatihan untuk model jumlah neuron 20, Laju pembelajaran
0,5 dan momentum 0,5 dimana diperlukan waktu pelatihan 3 jam 20 menit
Dari hasil pelatihan untuk laju pembelajaran semakin besar tidak dapat menjamin bahwa pelatihan akan mendapatkan MSE akan semakin kecil.
Pengaruh perubahan laju pembelajaran terhadap harga MSE dapat dilihat pada Tabel 24.
Tabel 24 Pengaruh perubahan laju pembelajaran terhadap MSE untuk Neuron 20 dan Momentum 0,5
MODEL NEURON
LAJU PEMBELAJARAN MOMENTUM
MSE PELATIHAN
20 0,9
0,5 0,0113
1 20
0,5 0,5
0,0111 20
0,9 0,5
0,0090 2
20 0,5
0,5 0,0098
20 0,9
0,5 0,0066
3 20
0,5 0,5
0,0064 20
0,9 0,5
0,0103 4
20 0,5
0,5 0,0081
20 0,9
0,5 0,0062
5 20
0,5 0,5
0,0064
6.3.6. Pengaruh Perubahan Momentum
Salah satu perbaikan proses belajar standar yang populer adalah algoritma belajar perambatan-balik dengan momentum. Dalam perambatan-balik
dengan momentum menjadikan jaringan syaraf semakin cepat konvergen. Perbaikan bobot merupakan kombinasi antara kemiringan sekarang current
gradient dengan kemiringan sebelumnya previous gradient. Metode ini adalah modifikasi dari metode gradient descent. Konvergen akan lebih cepat dicapai bila
menggunakan penambahan metode momentum untuk perbaikan bobot.
Perumusan bobot unit keluaran perambatan-balik dengan momentum terlihat dalam persamaan berikut.
w
kh
t + 1 = w
kh
t + α
k
i
h
+ μ[ w
kh
t - w
kh
t - 1] dimana :
μ = momentum α = laju pembelajaran
w
kh
t + 1 = bobot baru w
kh
t = bobot lama Dari
persamaan di atas terlihat bawa dengan menambahkan μ akan
menambah harga bobot baru sehingga mempercepat proses konvergensi. Akan tetapi pengaruh perubahan momentum semakin besar tidak menjamin bahwa
hasil MSE akan semakin kecil. Hal ini dapat dilihat pada tabel di bawah ini
dimana untuk momentum 0,5 tidak selalu menghasilkan MSE lebih kecil dari pada monetum 0, 3 .
Tabel 25 Perbandingan MSE pelatihan tehadap perubahan momentum 0,5 dan 0,3; neuron 20; dan laju pembelajaran 0,9 untuk ke
lima model
MODEL NEURON
LAJU PEMBELAJARAN MOMENTUM
MSE PELATIHAN
20 0,9
0,5 0,0113
1 20
0,9 0,3
0,0115 20
0,9 0,5
0,0090 2
20 0,9
0,3 0,0097
20 0,9
0,5 0,0066
3 20
0,9 0,3
0,0064 20
0,9 0,5
0,0103 4
20 0,9
0,3 0,0086
20 0,9
0,5 0,0062
5 20
0,9 0,3
0,0063
Dari hasil pembahasan di atas, maka dapat disimpulkan bahwa tujuan memperbesar laju pembelajaran serta penambahan momentum adalah salah
satu teknik komputasi untuk mempercepat kestabilan MSE. atau mempercepat konvergensi.
Dari hasil pelatihan semua model yaitu model 1 sd model 5 didapat hasil MSE yang terkecil adalah 0,0061 yaitu pada model 5 data curah hujan 5 hari
sebelumnya dimana: jumlah neuron 30; laju pembelajaran 0,9; dan momentum 0,5. Sedangkan MSE terbesar didapat pada model 1 data curah hujan 1 hari
sebelumnya dimana: jumlah neuron 30; laju pembelajaran 0,9; dan momentum 0,3. Akan tetapi dalam proses pelatihan ini hasil yang didapat belum dapat
