Hasil dari DANN IMPLEMENTASI DAN PENGUJIAN

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Bab ini membahas hasil yang didapatkan dari implementasi metode Distributed Autonomous Neuro-Gen Learning Engine DANGLE untuk melakukan identifikasi file dokumen berdasarkan konten sesuai dengan spesifikasi penerapan yang dibahas pada Bab 3. Bab ini akan menjabarkan hasil dari DANN dan GRE.

4.1. Hasil dari DANN

Pada bagian ini dijabarkan hasil yang didapatkan dari Distributed Adaptive Neural Network. Ada lima node yang digunakan dalam penelitian ini, dmana dihasilkan lima jaringan saraf tiruan pada masing-masing node. Hasil akhir mutasi gen setiap jaringan saraf tiruan pada DANN untuk setiap node dapat dilihat pada tabel 4.1, 4.2, 4.3, 4.4 dan 4.5. Tabel 4.1. Hasil akhir gen node 1 Parameter Nilai Id Node 1 Generasi 6 Epoch 1003 Jumlah hidden layer 3 Banyak neuron pada hidden layer 1 42 Banyak neuron pada hidden layer 2 42 Banyak neuron pada hidden layer 3 22 Universitas Sumatera Utara Tabel 4.2. Hasil akhir gen node 2 Parameter Nilai Id Node 2 Generasi 6 Epoch 903 Jumlah hidden layer 3 Banyak neuron pada hidden layer 1 22 Banyak neuron pada hidden layer 2 22 Banyak neuron pada hidden layer 3 12 Tabel 4.3. Hasil akhir gen node 3 Parameter Nilai Id Node 3 Generasi 6 Epoch 403 Jumlah hidden layer 3 Banyak neuron pada hidden layer 1 42 Banyak neuron pada hidden layer 2 42 Banyak neuron pada hidden layer 3 22 Tabel 4.4. Hasil akhir gen node 4 Parameter Nilai Id Node 4 Generasi 6 Epoch 703 Jumlah hidden layer 3 Banyak neuron pada hidden layer 1 42 Banyak neuron pada hidden layer 2 42 Banyak neuron pada hidden layer 3 22 Universitas Sumatera Utara Tabel 4.5. Hasil akhir gen node 5 Parameter Nilai Id Node 5 Generasi 6 Epoch 603 Jumlah hidden layer 3 Banyak neuron pada hidden layer 1 32 Banyak neuron pada hidden layer 2 32 Banyak neuron pada hidden layer 3 12 Dapat dilihat pada masing-masing tabel struktur gen jaringan saraf tiruan didapatkan pada generasi ke 6. Struktur terbaik yang didapatkan dari hasil mutasi dalam masalah identifikasi file adalah epoch dengan rata-rata 700, jumlah hidden layer sebanyak 3 layer dan neuron pada masing-masing hidden layer berjumlah sekitar 30 neuron. Banyak neuron pada input layer dan pada output layer tidak berubah pada setiap mutasi karena data pelatihan yang digunakan pada setiap generasi adalah tetap sama, sehingga untuk setiap node banyak neuron pada input layer tetap berjumlah 105 neuron dan banyak neuron pada output layer tetap berjumlah 6 neuron. Tidak dilakukan mutasi pada nilai learning rate dan nilai momentum rate yang masing-masing tetap bernilai 0,7 dan 0,5 sesuai dengan regulasi mutasi pada bagian 3.4.4, dimana tidak dilakukan mutasi atau perubahan pada nilai learning rate serta momentum rate. Hasil output berdasarkan rumus 2.16 untuk setiap node pada setiap generasi dapat dilihat pada gambar 4.1. Output pada setiap generasi untuk setiap node dapat dilihat semakin berkurang, sehingga dapat disimpulkan implementasi DANGLE telah dilakukan dengan benar dan setiap jaringan saraf tiruan pada DANN mampu beradaptasi dengan data pelatihan yang digunakan. Pada generasi terakhir terlihat nilai output pada setiap node telah bernilai lebih kecil dari 0,009, dimana hal ini menunjukkan tidak adanya perbedaan yang signifikan dari target output yang diharapkan untuk setiap data pelatihan dengan output sebenarnya yang didapatkan melalui DANGLE. Akurasi pelatihan dari setiap node diukur berdasarkan ketepatan hasil identifikasi setiap file pelatihan dalam persen. Akurasi akhir pada generasi ke-6 setiap Universitas Sumatera Utara node dapat dilihat pada tabel 4.6. Akurasi hasil pelatihan untuk setiap node didapatkan sekitar 99 dimana ini merupakan hasil yang baik dan menunjukkan setiap jaringan saraf tiruan pada DANN telah mampu mengidentifikasi hampir seluruh file pada data pelatihan yang digunakan. Gambar 4.1. Hasil output untuk setiap node pada setiap generasi Tabel 4.6. Akurasi hasil pelatihan untuk setiap node pada generasi ke-6 Node 1 Node 2 Node 3 Node 4 Node 5 Akurasi 99,7 99,4 98,5 99,1 98,9

4.2. Hasil dari GRE