diperoleh dari hasil percobaan ini mengalami perbaikan dengan diperolehnya nilai MSE yang lebih kecil dari percobaan dengan menggunakan variasi fungsi
pelatihan resilent backpropagation yang memiliki nilai MSE terkecil 0.000981795 menjadi 0,000944155. Hal yang sama dengan tingkat generalisasi
pada data validasi dan data testing, mengalami peningkatan menjadi 87.88 untuk data validasi dan 75.76 untuk data testing. Nilai MSE terkecil dan tingkat
generalisasi tertinggi dari data validasi pada percobaan ini berada pada laju pembelajaran 0.5 dan jumlah hidden-node 5.
Tabel 7 merupakan hasil percobaan pada kelompok data pertama dengan menggunakan fungsi pelatihan levenberg-marquardt.
Tabel 7 Kelompok data pertama MPLS dengan fungsi pelatihan levenberg- marquardt
Pembelajaran Pengujian
Laju Pembelajaran
Hidden Node
Waktu detik
MSE Data Validasi
Data Testing
0.01 5
0.97 0.000216378
96.97 81.82
10 1.31
0.000819831 96.97
78.79 15
2.51 0.000246061
93.94 78.79
0.05 5
0.58 0.00076569
51.51 60.61
10 1.08
0.000706945 96.97
81.82 15
1.58 0.000443307
81.82 69.70
0.1 5
0.83 0.000166963
96.97 87.88
10 0.75
0.000300433 63.64
45.45 15
1.14 0.000562517
96.97 75.76
0.5 5
1.06 0.00023595
96.97 84.85
10 1.05
0.000501864 96.97
84.85 15
2.42 0.000269378
51.51 51.51
Percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt menunjukkan bahwa nilai waktu pembelajaran tercepat, nilai MSE terkecil dan
tingkat generalisasi untuk data validasi dan data testing dari percobaan ini mengalami perbaikan nilai jika dibandingkan dengan hasil percobaan dengan
menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Nilai waktu pembelajaran tercepat turun menjadi 0.58 detik jaringan
semakin lebih cepat belajar, nilai MSE terkecil semakin mendekati nol menjadi 0,000166963 dan tingkat generalisasi tertinggi dari data validasi dan data testing
meningkat menjadi 97.97 dan 87.88. MSE terkecil dan tingkat generalisasi tertinggi dari data validasi dan data testing pada percobaan ini berada pada laju
pembelajaran 0.1 dan jumlah hidden-node 5. Dari ketiga hasil percobaan kelompok data pertama pada model prediksi lama studi MPLS dengan
menggunakan variasi fungsi pelatihan dapat diketahui bahwa proses percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt terbukti dapat
memperbaiki bobot sehingga bisa menghasilkan waktu pembelajaran yang lebih cepat pada proses pembelajarannya, nilai MSE yang semakin kecil dan tingkat
generalisasi data valiadasi dan data testing yang lebih tinggi. Tabel 8 menyajikan hasil percobaan pada kelompok data kedua dengan
menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation.
Tabel 8 Kelompok data kedua MPLS dengan fungsi pelatihan resilent backpropagation
Pembelajaran Pengujian
Laju Pembelajaran
Hidden Node
Waktu detik
MSE Data Validasi
Data Testing
0.01 5
0.89 0.0151417
72.73 63.64
10 1.95
0.0217372 36.36
39.39 15
6.76 0.003475
51.51 51.51
0.05 5
2.16 0.016927
72.73 51.51
10 2.28
0.0221829 42.42
30.30 15
3.7 0.0126983
54.54 54.54
0.1 5
1.09 0.0127768
66.67 63.64
10 0.83
0.0293735 42.42
42.42 15
2.37 0.0193201
30.30 39.39
0.5 5
2.23 0.0138682
63.64 72.73
10 0.78
0.0218776 42.42
36.36 15
1.14 0.0218282
30.30 33.33
Dari Tabel 8 terlihat bahwa waktu pembelajaran tercepat 0.78 detik berada pada laju pembelajaran 0.5 dan jumlah hidden-node 10. Nilai MSE terkecil yang
diperoleh pada percobaan kelompok data kedua ini sebesar 0.003475. Tingkat generalisasi tertinggi dari data validasi dan data testing memiliki besar persentase
yang sama yakni 72.73.