DAFTAR ISI
HALAMAN JUDUL i
PENGESAHAN ii
PERNYATAAN ORISINALITAS iii
PERSETUJUAN PUBLIKASI iv
PANITIA PENGUJI v
RIWAYAT HIDUP vi
KATA PENGANTAR vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR TABEL xiv
DAFTAR GAMBAR xv
BAB 1 PENDAHULUAAN
1 1.1
Latar Belakang Masalah 3
1.2 Perumusan Masalah
2 1.3
Batasan Masalah 3
1.4 Kerangka Penelitian
3 1.5
Tujuan Penelitian 3
1.6 Manfaat Penelitian
4 BAB 2
LANDASAN TEORI
2.1 Kecerdasan Buatan 5
2.2 Jaringan Syarat Tiruan 5
2.2.1 Fungsi Aktivasi 6
2.3 Backpropagation 12
2.4 Algoritma Backpropagation 13
2.4.1 Fase Propagasi Maju 14
2.4.2 Fase Propagasi Mundur 14
2.4.3 Fase Modifikasi Bobot 15
2.4.4 Prosedur Pelatihan 15
Universitas Sumatera Utara
2.5 Syarat Parameter 18
2.6 Riset Terkait 19
2.7 Perbedaan dengan Riset lain 20
2.8 Kontribusi Riset 21
BAB 3 METODOLOGI PENELITIAN
22
3.1 Pendahuluan 22
3.2 Data Yang Digunakan 22
3.3 Rancangan Penelitian 22
3.4 Proses Penyelesaian Masalah 24
3.4.1 Perancangan Jaringan Backpropagation 24
3.4.2 Arsitektur Jaringan 24
3.4.3 Desain Tampilan Berbasis GUI 30
3.5 Proses Normalisasi 30
3.6 Komputasi Backpropagation 31
3.6.1 Pelatihan Jaringan 33
3.6.2 Pengujian 34
BAB 4 HASIL DAN PEMBAHASAN
4.1 Pendahuluan 35
4.2 Implementasi Sistem Simulasi 35
4.2.1 Pelatihan Data 36
4.2.2 Proses Pengujian Data Baru 37
4.3 Hasil Uji Coba 38
4.3.1 Hasil Normalisasi Data 38
4.3.2 Hasil Pelatihan Algoritma Backpropagation Standar 39
4.3.3 Hasil Pelatihan Algoritma Backpropagation Adaptive Learning
40 4.4 Komposisi Parameter Adaptive Learning rate
41 4.5 Hasil Pengujian
43 4.6 Pembahasan
43
Universitas Sumatera Utara
BAB 5 KESIMPULAN DAN SARAN
45 5.1 Kesimpulan
45 5.2 Saran
45
DAFTAR PUSTAKA 46
LAMPIRAN
Universitas Sumatera Utara
DAFTAR TABEL
Hal Tabel 4.1
Tabel 4.2 Arsitektur JSTBackpropagationstandar dan adaptive
learning Tabel Dataset awal yang dinormalisasi
35
39
Universitas Sumatera Utara
DAFTAR GAMBAR
Nomor Gambar
Judul Halaman
1.1 2.1
Kerangka Kerja Peneltian Struktur Neuron
3 6
2.2 Jaringan satu lapis
7 2.3
Jaringan lapis banyak 8
2.4 Jaringan lapisan kompetitif
9 2.5
Proses belajar terbimbing 10
2.6 2.7
2.8 2.9
3.1 Fungsi Linear
Fungsi threshold Fungsi piece wise
Fungsi Siqmoid Desain penelitian
11 11
11 12
23 3.2
3.3
3.4 3.5
3.6 Arsitektur yang digunakan
Diagram alir algoritma backpropagation adaptive learning
Algoritma backpropagation adaptive learning rate Interface simulasi backpropagation
Algoritma proses normalisasi 26
28 29
30 31
Universitas Sumatera Utara
ABSTRAK
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga
mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi dan
koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation standar
dengan backpropagation adaptive learning. Untuk algoritma backpropagation standar kecepatan konvergensi mencapai 1000 epoch dengan nilai MSE yang dihasilkan adalah
0,00044 sedangkan untuk algoritma backpropagation adaptive learning hanya 72 epoch dengan nilai MSE yang dihasilkan 0.0000036. Hal ini menunjukkan bahwa algoritma
backpropagation adaptive learning lebih cepat mencapai konvergensi daripada algoritma backpropagation standar.
Kata kunci :Backpropagation, Adaptive learning rate, konvergensi
Universitas Sumatera Utara
ANALYSIS OF ACCELERATED LEARNING IN BACKPROPAGATION ALGORITHM USING ADAPTIVE LEARNING RATE
ABSTRACT
Backpropagation algorithm is a multi-layer perceptron which is widely used to solve large problems, but also has limitations backpropagation algorithmis the rate of
convergence is quite slow. In this study, the authors add a parameter adaptive learning rate in each iteration and momentum coefficients to calculate the weights change. From
the results of the computer simulation for the comparison between the standard back propagationalgorithm with adaptive learning rate backpropagation. For backpropagation
algorithm convergence speed reached 1000 epochs with MSE values produced is 0.00036 while the adaptive learning rate backpropagation algorithmis only 72 epochs with MSE
values generated 0.0000043. This suggests that adaptive learning rate backpropagation algorithm reaches convergence faster than the standard backpropagation algorithm.
Keyword :Backpropagation, adaptive learning rate, konvergensi
Universitas Sumatera Utara
BAB 1 PENDAHULUAN