3.3.3 Desain Tam
Pada simu Grafik User In
berinteraksi. Pad pengujian data, b
Ga
3.5 Proses Normalisas
Sebelum digunakan un harga-harga masukan
suatu range tertentu y masukan dan target d
memiliki mean = 0 dan digunakan adalah berda
S =
T
D
T
UV
Tampilan Berbasis GUI
ulasi backpropagation tampilan yang diran Interface sebagai pengganti tampilan tek
ada simulasi backpropagation terdiri dari Ta , berikut bentuk interface tampilannya :
Gambar 3.5
Interface simulasi backpropagatio
isasi
untuk proses pelatihan, maka perlu dilakukan sedemikian hingga data-data masukan dan
yang disebut preprocessing atau normalisa t dinormalisasi dengan membawa data ke
dan deviasi standard = 1. Pada simulasi ini me rdasarkan rumus Supriyadi, 2012
ancang berbentuk GUI teks untuk user dapat
Tampilan Pelatihan dan
tion
an pengkalaan terhadap n tersebut masuk dalam
isasi data. Runtun data e bentuk normal yang
etode normalisasi yang
3.1
Universitas Sumatera Utara
A
i
merupakan bilangan ke-I dan A
max
merupakan bilangan maksimum dalam suatu N data bilangan masukan serta Ai’ merupakan bilangan baru ke-I yang telah
dilakukan proses normalisasi, Algoritma normalisasi dapat dilihat pada gambar 3.6.
Gambar 3.6
Algoritma proses normalisasi Tujuan utama normalisasi adalah agar terjadi sikronisasi data, disamping itu
juga untuk memudahkan dalam proses komputasi. Hasil dari normalisasi adalah sekumpulan bilangan yang berkisar antara 0 dan 1.Dengan meggunakan persamaan 3.1
.
3.6 Komputasi Backpropagation
pada bagian ini proses dari jaringan syarat tiruanbackpropagationsemua rumus dari algoritma backpropagation pada bab 2. sedangkan nilai awal dari penimbang pembobot
adalah berkisar antara -0,5 sampai 0,5. Nilai pembobot awal tidak boleh terlalu besar karena nilai turunan aktivasinya menjadi sangat kecil juga. Akan tetapi pada fase
perubahan bobot berdasarkan learning rate dan koefisien momentum dengan rumusan yang tercantum pada persamaan 3.2 dan 3.3.
Proses – proses yang dilakukan pada algoritma JST Backpropagation Standar rmeliputi : 1.
Inisialisasi Bobot dan bias seluruh bobot dan bias diset ke dalam bilangan acak yang kecil
a. Bobot – bobot antara lapisan input dengan hidden layer disebut Vij
sejumlah 4 x m dengan i=1,…,n dan m=1,….n
maxi1 AsInteger
= x1.Max inisialisasi
maxi2 AsInteger
= x2.Max inisialisasi
maxi3 AsInteger
= x3.Max inisialisasi
maxi4 AsInteger
= x4.Max ulangi pembacaan mencari nilai tertinggi dari baris
normalX1.Addx1i maxi1 normalX2.Addx2i maxi2
normalX3.Addx3i maxi3 normalX4.Addx4i maxi4
Next End
Universitas Sumatera Utara
b. Bobot – bobot bias antara lapisan input dengan hidden layer disebut
Voj sejumlah 1 x 1 c.
Bobot –bobot antara hidden layer pada lapisan output disebut Wjk d.
Bobot – bobot bias antara hidden layer pertama dengan lapisan output disebut W0 sejumlah 1 buah.
2. Penentuan kondisi berhenti
Pelatihan jaringan akan berhenti jika informasi error jaringan = Target error.
3. Set pelatihan sebanyak 50 data akan menjalani tahap – tahap sebagai berikut :
a. umpan Maju
b. ErrorBackpropagation
c. Perubahan bobot
Proses – proses yang dilakukan padaJST Backpropagation gradient descent adaptive learning rate meliputi :
1. Inisialisasi bobot sama dengan langkah pada algoritma backpropagation
standar. 2.
Inisialisasi parameter untuk mempercepat pembelajaran accelerated learning pada pelatihan meliputi learning rate dan koefisien momentum.
3. Penentuan kondisi berhenti
Pelatihan jaringan akan berhenti jika informasi error jaringan = Target error.
4. Set pelatihan menggunakan data yang sama dengan mengubah perhitungan
pada perubahan bobot dengan menggunakan persamaan Supriyadi , 2012 :
W P + 1 = W P + ;. 7P. X + Y W P − W P − 1
3.2
Z + 1 = Z + ;. 7P. X + Y Z − Z − 1
3.3
Universitas Sumatera Utara
5. Mean Square Error MSE
Kesalahan pada output jaringan merupakan selisih antara keluaran sebenarnya dengan keluaran yang diinginkan. Selisih yang dihasilkan antara
keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan
[\. =
0 ]L_
`P − aP
3.4 Keterangan :
Tk = Target pada output unit k
Yk = Keluaran pada output unit k n
= Jumlah data 6.
Bandingkan kinerja jaringan 7.
Jika nilai kuadrat error kuadrat error standar, nilai learning rate dikalikan 0,7
8. Jika nilai kuadrat error kuadrat error standar, nilai learning rate dikalikan
1.05
3.6.1 Pelatihan Jaringan
Pelatihan 1, Mencari error yang dan iterasi yang dihasilkan dari algoritma backpropagation standar. Tujuan dari langkah ini menghasilkan kinerja selama
proses pelatihan, ditunjukkan dengan error dan epoch yang dihasilkan. Pelatihan 2, Mencari error yang dan iterasi yang dihasilkan dari algoritma
backpropagation adaptive learning rate, dengan penambahan nilai learning rate yang di adaptivkan pada setiap iterasi dan koefisien momentum terhadap unjuk
kerja jaringan yang dinyatakan dengan besar kecilnya error selama proses pelatihan dan banyaknya iterasi yang dihasilkan. Tujuan dari langkah ini untuk
memperoleh nilai learning rate yang optimal. Dengan memakai arsitektur jaringan yang sama dengan pada langkah pelatihan 1 maka akan diamati pengaruh
learning rate dan koefisien momentum terhadap unjuk kerja jaringan yaitu proses pelatihan.
Universitas Sumatera Utara
3.6.2 Pengujian
Jaringan yang telah dilatih mencapai hasil perlu diuji untuk mengetahui kemampuannya pada saat mempelajari data latih yang diberikan, pengujian dapat
dilakukan dengan menggunakan data set yang belum pernah dilatihkan sebelum melihat tingkat akurasi sistem yang dibuat, yaitu menggunakan data uji sebanyak
15 pasangan data. Setelah dilakukan pelatihan maka langkah berikutnya adalah mengukur
kinerja dari suatu JST dengan melihat error hasil pelatihan, pengujian terhadap sekumpulan data masukan baru. Hasil pelatihan dan pengajian dapat dianalisis
dengan mengamati ketepatan akurasi antara target dengan keluaran jaringan. Pada Proses validasi, sistem diuji dengan data lain, hal ini dimaksud untuk mengetahui
sejauh mana sistm dapat menginformasikan nilai – nilai keluaran dari nilai – nilai masukan yang berikan. Persamaan 3.2 digunakan untuk memvalidasikan sistem
JST :
Pb=R = d
ef_g h_i_ j jf_ i_kl i ef_g m_i_
n 100
3.5
Universitas Sumatera Utara
BAB 4 HASIL DAN PEMBAHASAN
4.1 Pendahuluan
Pada bab ini, penulis melakukan penelitian yang terfokus pada percepatan pembelajaran accelerated learning dengan melihat dari hasil jumlah iterasi pada pelatihan data blood
transfusion service center. Simulasi dibangun menggunakan komputer Pentium IV Prosesor, dual core. 1.86 GHz. RAM, 2GB.VGA, 1 GB dan menggunakan bahasa
pemrograman visual basic net 2012.pada masalah ini ada 2 algoritma yang disimulasikan dan dianalisis yaitu backpropagation standar pada pelatihan 1 dan backpropagation
adaptive learning dan pada pelatihan 2.
Tabel 4.1 Arsitektur JST Backpropagation standar dan adaptive learning Karakteristik
Spesifikasi Arsitektur
1 lapisan tersembunyi Neuron input
4 Neuron hidden
4 Neuron output
1 Fungsi aktivasi
Sigmoid biner Inisialisasi bobot
Random Target error
0.01 Maksimum epoch
1000 Laju Pembelajaran
0,1
Universitas Sumatera Utara
4.2 Implementasi Sist