3.10. Perhitungan Error
Perhitungan error digunakan untuk menguji keakurasian jaringan. Tujuannya yaitu memperoleh nilai error seminimal mungkin dengan cara mengganti nilai bobot yang
terhubung pada semua neuron secara iteratif. Pada penelitian ini, perhitungan error yang digunakan adalah Mean Square Error MSE yang merupakan rata-rata kuadrat
dari selisih antara output jaringan dengan output target. Rumus dari MSE sebagai berikut:
Keterangan: ��
= nilai output target ��
= nilai output jaringan N
= jumlah output dari neuron
3.11. Testing
Proses testing JST menggunakan sebanyak 50 dari jumlah data yang telah dipilih untuk masing-masing kategori. Pada tahap ini jaringan akan di testing dengan data
baru yang belum pernah dilatih kedalam jaringan untuk mengetahui kemampuan jaringan melakukan generalisasi kasus yang dihadapi dan kemudian menarik
kecenderungan terhadap output tertentu. Proses testing hanya akan menerapkan tahap propagasi maju. Secara umum
proses testing JST dapat dilihat pada gambar 3.4:
Universita Sumatera Utara
Gambar 3.4.
Flowchart Testing
dengan Accelereted Learning
Universita Sumatera Utara
Adapun tahapannya adalah sebagai berikut: 1.
Masukkan nilai input dari data testing. 2.
Lakukan perhitungan neuron-neuron pada hidden layer dengan rumus: Z
inj
= V
oj
+
i
.V
3.
Hitung hasil output dari masing-masing hidden layer dengan menerapkan kembali fungsi aktivasi.
ij
Zj = f Z =
inj
Sinyal tersebut kemudian akan diteruskan kesemua neuron pada lapisan berikutnya yaitu output layer.
-z_inj
4. Setiap neuron pada output layer Yk, k=1,..,5 menjumlahkan sinyal-sinyal
output beserta bobotnya: Y
ink
= W
0k
+
j
.W
5. Menerapkan kembali fungsi aktivasi untuk menghitung sinyal output
jk
��=��_��� =
Setelah proses testing selesai, maka kemampuan generalisasi jaringan dapat diukur dari berapa banyak pola yang dikenali. Hal tersebut dihitung
menggunakan rumus berikut:
-y_ink
������������ = x 100
Universita Sumatera Utara
Hasil proses testing berupa matriks yang bentuknya sesuai dengan output targetnya. Output jaringan kemudian akan ditentukan pada suatu pola tertentu. Jika hasil
keluaran jaringan lebih besar atau sama dengan 0,5 maka jaringan dianggap meniliki hasil keluaran 1 dan jika jaringan memiliki keluaran kurang dari 0,5 maka akan
dianggap memiliki hasil keluaran 0. Data yang dikatakan dikenali adalah apabila data hasil normalisasi yang digunakan sebagai nilai input dapat menghasilkan nilai output
jaringan yang sama dengan nilai target yang diinginkan.
Universita Sumatera Utara
Universita Sumatera Utara
BAB 4 PEMBAHASAN DAN HASIL PENELITIAN
Pada bab ini akan dilakukan implementasi dan pengujian sistem. Sistem dibuat dengan menggunakan Matlab R2008b. Pengujian sistem untuk memrepresentasikan review
akhir dari analisis dan implementasi.
4.1. Lingkungan Implementasi
Kategori