35
Hasil yang didapatkan dari penskalaan diatas adalah:
Tabel 4.4. Nilai masukan yang diskalakan
No x-1
X
1 -1,8497
-1,8986 2
-1,8870 -1,8833
3 -1,8717
-1,8638 .
. .
. .
. .
. .
468 1,5229
1,5321 469
1,5246 1,6005
Tahap selanjutnya setelah penskalaan didapat yaitu melakukan inisialisasi jaringan.
4.3 Inisialisasi Jaringan
Inisialisasi jaringan merupakan langkah sebelum membuat program backpropagation di Scilab. Dalam skripsi ini, jaringan yang dibentuk terdiri dari
dua lapisan masukan, dua lapisan tersembunyi, dan satu lapisan keluaran. Lapisan masukan yang dipakai telah dijelaskan sebelumnya di pembahasan 4.1.
Lapisan tersembunyi terdiri dari 2 lapisan, lapisan pertama terdiri atas 10 neuron dengan fungsi aktivasi sigmoid bipolar, sedangkan lapisan tersembunyi
kedua terdiri atas 5 neuron dengan fungsi aktivasi sigmoid biner. Lapisan keluaran terdiri atas 1 neuron dengan fungsi aktivasi purelin.
36
x1
x2
1 z1
z2
z10 z11
z15 y
1 1
w12 w110
w111 w112
w120 w10
w20 w100
w21 w11
w25 w26
w210
w211 w215
w110 159
w31
w32
160
Lapisan Input Lapisan Tersembunyi
Pertama Lapisan
Tersembunyi Kedua Lapisan Output
. .
. .
. .
. .
. .
. .
. .
. .
Gambar 4.2. Arsitektur Jaringan Penelitian
Keterangan: = lapisan masukan ke-i
= lapisan tersembunyi ke-i y
= lapisan keluaran = bobot yang menghubungkan neuron ke-i dan neuron ke-j
jaringan dilakukan untuk mengetahui bentuk arsitektur jaringan syaraf tiruan Gambar 4.2 yang digunakan pada skripsi ini. Setelah arsitektur atau hasil
inisialisasi jaringan didapat, lalu dilakukan inisialisasi bobot dan bias.
4.4 Inisialisasi Bobot
Bobot adalah nilai matematis dari sebuah koneksi antar neuron, seperti pada Gambar 4.2 terdapat bobot lapisan masukan ke lapisan tersembunyi
pertama, bobot lapisan tersembunyi pertama ke lapisan tersembunyi kedua, dan
37
bobot lapisan tersembunyi kedua ke lapisan keluaran. Demikian juga dengan bias mempunyai koneksi antar neuron yang sama seperti bobot. Bias merupakan
sebuah unit masukan yang nilainya selalu satu. Setiap kali membentuk jaringan backpropagation, scilab akan
mengeluarkan nilai bobot dan bias awal dengan bilangan acak kecil. Nilai acak yang dibangkitkan pada skripsi ini antara interval -0,5 sampai 0,5. Bobot dan
bias ini akan berubah setiap kali kita membentuk jaringan. Akan tetapi jika diinginkan memberi bobot tertentu, kita bisa melakukan dengan memberi nilai
sendiri.
4.5 Proses Pelatihan Backpropagation
Proses pelatihan pada metode backpropagation dilakukan untuk mendapatkan gambaran dan pembelajaran tentang data yang dimasukkan.
Latihan ini berupa memasukkan nilai iterasi, error tujuan, maksimum kenaikan kinerja, rata-rata pembelajaran, rasio untuk menaikan rata-rata pembelajaran,
rasio untuk menurunkan rata-rata pembelajaran, dan jumlah iterasi yang akan ditunjukkan kemajuannya serta nilai momentum. Sehingga dalam program
terdapat kejelasan apa yang harus dipelajari dan batasan mempelajari data sehingga dapat menghasilkan peramalan yang baik.
Dalam pelatihan ini dibagi menjadi tiga fase, yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Propagasi maju dilakukan untuk
menentukan keluaran lapisan tersembunyi dan nilai keluaran akhir. Penjelasan mengenai propagasi maju terdapat pada BAB II Pelatihan Backpropagation.
Hasil keluaran keluaran pada scilab ialah:
