35
BAB III PEMBAHASAN
Pada bab ini akan dibahas mengenai model
Backpropagation
dan model
Radial Basis Function
pada
Neural Network,
arsitek dari masing-masing model, fungsi aktivasi, pembobotan, bias,
K-Means Cluster
,
Global Ridge-Regression
, prosedur pembentukan model, serta aplikasi dari model
Backpropagation
dan model
Radial Basis Function
pada data
close
ISSI.
A. Backpropagation Neural Network
1. Model
Backpropagation
Model
backpropagation
merupakan model yang baik untuk menangani masalah pengenalan pola-pola kompleks. Model ini
merupakan model jaringan saraf tiruan yang popular dan merupakan model pembelajaran terawasi. Istilah
backpropagation
diambil dari cara kerja jaringan ini, yaitu bahwa
error
unit-unit tersembunyi diturunkan dari penyiaran kembali
error-error
yang dihubungkan dengan unit-unit
output
. Hal ini karena nilai-nilai target untuk unit-unit tersembunyi tidak diberikan. Model
backpropagation
menggunakan
error output
untuk mengubah nilai bobot-bobotnya dalam arah mundur
backward
. Untuk mendapatkan
error
ini, tahap perambatan maju
forwa rd propagation
harus dikerjakan terlebih dahulu. Pada saat perambatan maju,
neuron- neuron
diaktifkan dengan menggunakan fungsi aktivasi
sigmoid
. dengan
[1+ ][1- ]
36 Fungsi
sigmoid bipolar tansig
ini memiliki nilai
range
antara 0 sampai 1.
Jaringan saraf tiruan
backpropagation
terdiri dari banyak lapisan
multilayer neural
network
: a.
Lapisan
Input
. Terdiri dari
neuron-neuron
atau unit-unit
input
, mulai dari unit
input
1 sampai unit
input
. b.
Lapisan tersembunyi
Hidden
. Terdiri dari unit-unit
neuron
tersembunyi mulai dari unit
neuron
tersembunyi 1 sampai unit
neuron
tersembunyi .
c. Lapisan
Output
. Terdiri dari unit-unit
output
mulai dari unit
output
1 sampai unit
output
, dimana , , masing-masing adalah bilangan
integer
sembarang menurut arsitektur jaringan saraf tiruan yang dirancang.
Pada gambar di bawah, dan
masing-masing adalah bias untuk unit ke-
j
lapisan tersembunyi dan unit
output
. dengan
dan adalah bobot koneksi antara unit ke-
i
lapisan
input
dengan unit ke-
j
lapisan tersembunyi, sedangkan adalah bobot
koneksi antara unit ke-
j
lapisan tersembunyi dengan unit ke-
k
lapisan
output
dengan .
Adapun arsitek dari
backpropagation
dapat dilihat pada Gambar 3.1 berikut :
37 Gambar 3.1 Arsitektur jaringan
backpropagation
dengan 1 lapisan tersembunyi
Agar dapat digunakan untuk suatu aplikasi, jaringan saraf perlu belajar terlebih dahulu. Dengan cara dimasukkan sekumpulan contoh pelatihan
input
pada jaringan ini. Pelatihan ini digambarkan dengan sebuah vektor
feature
yang disebut vektor
input
yang dihubungkan dengan sebuah
output
yang menjadi target pelatihannya. Pelatihan bertujuan untuk membuat jaringan beradaptasi terhadap karakteristik-karakteristik dari
contoh-contoh pada set pelatihan dengan mengubahmeng-
update
bobot- bobot yang ada dalam jaringan.
Cara kerja
backpropagation
diawali dengan jaringan diinisialisasi dengan bobot yang diset dengan bilangan acak. Lalu contoh-contoh
pelatihan dimasukkan ke dalam jaringan. Contoh pelatihan terdiri dari pasangan vektor
input
dan vektor
target
. Keluaran dari jaringan berupa sebuah vektor
output
aktual. Selanjutnya vektor
output
aktual jaringan dibandingkan dengan vektor
output
target untuk mengetahui
output
38 jaringan sudah sesuai dengan harapan
output
aktual sudah sama dengan
output
target. Alur kerja jaringan
backpropagation
dapat dilihat pada Gambar 3.2 di bawah:
Gambar 3.2 Alur kerja jaringan
backpropagation Error
yang ditimbulkan berakibat perbedaan antara
output
aktual dengan target kemudian dihitung dan digunakan untuk meng-
update
bobot-bobot yang relevan dengan jalan mempropagasi kembali
error
. Setiap perubahan pembobotan yang terjadi diharapkan dapat mengurangi
besarnya
error
.
Epoch
siklus pola pelatihan dilakukan pada semua set Lapisan
Output
Lapisan Tersembunyi
Lapisan Input Output Target
Output Aktual
tahap umpan balik
Input
Error
Tahap pempropagasibalikan
39 pelatihan sampai unjuk kerja jaringan mencapai tingkat yang diinginkan
atau sampai kondisi berhenti terpenuhi. Yang dimaksud dengan kondisi berhenti adalah pelatihan akan dihentikan setelah
epoch
mencapai misalkan 100 kali, atau pelatihan akan dihentikan sampai nilai
epoch
yang ditetapkan terlampaui. Niai
epoch
dipilih saat nilai tersebut menghasilkan
error
atau nilai
MAPE
konvergen ke suatu nilai tertentu. Setelah proses pelatihan selesai barulah diterapkan model aplikasi.
Sebelum digunakan untuk aplikasi, pengujian unjuk kerja jaringan dilakukan dengan memasukkan set pengujian
test
ke dalam jaringan. Karena persifat pengujian maka set hanya berupa
input
saja. Dari respons jaringan dapat dinilai kemampuan memorisasi dan generalisasi jaringan
dalam menebak
output
berdasarkan yang telah dipelajari.
2. Estimasi Bobot Model Backpropagation