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
Proses pelatihan dan pemrograman visual b
algoritma backpropaga
Adapun tampilan
Dalam simulasi backpropagation grad
backpropagation conv modif.
istem Simulasi
n pengujian data dalam penelitian ini dira l basic net 2012 sehingga akan memudahkan
gation.
lan simulasi seperti terlihat pada gambar 4.4 ber
Gambar 4.1
Tampilan Simulasi Backpropag si ini ada dua metode pelatihan yang digu
radient descent pada tombol training st nvensional dengan adaptive learning rate
irancang menggunakan kan dalam mensimulasi
berikut ini:
agation igunakan yaitu metode
standar dan metode pada tombol training
Universitas Sumatera Utara
4.2.1 Pelatihan Data
Pada form simulasi untuk melatih data set menggunakan algoritma backpropagation gradient descent ada beberapa langkah dilakukan, yaitu :
1. Browse dataset yang tersimpan
2. Masukkan nilai semua bobot awal antara -0,5 samapai dengan 0.5
3. Masukkan nilai alpha
4. Tentukan target error
5. Tentukan maksimum iterasi
6. Jika seluruh data telah di masukan klik tombol Trainning Standar dan
perhatikan grafik sampai konvergen atau maksimal epoch terpenuhi serta error yang dihasilkan.
Sedangkan pada form simulasi untuk melatih dataset menggunakan algoritma backpropagation adaptive learning rate ada beberapa langkah dilakukan,
yaitu : 1.
Browse dataset yang tersimpan 2.
Masukkan nilai semua bobot awal antara -0,5 samapai dengan 0.5 3.
Masukkan nilai alpha 4.
Tentukan target error 5.
Tambahkan parameter dengan menentukan learning rate dan momentum
6. Tentukan maksimum iterasi
7. Jika seluruh data telah di masukan klik tombol TrainningModif dan
perhatikan grafik sampai konvergen atau maksimal epoch terpenuhi serta error yang dihasilkan.
4.2.2 Proses Pengujian Data Baru
Setelah proses pelatihan dataset selesai, kemudian jaringan di ujikan dengan menggunakan data baru yang belum pernah dilatihkan. berikut langkah – langkah
proses pengujian data baru.
Universitas Sumatera Utara
1. Lakukan proses Trainning Standar dan TrainningModif
2. Kliktombol pengujian
4.3 Hasil Uji Coba
Algoritma backpropagation merupakan algoritma yang akan menghasilkan nilai terbaik melalui serangkaian uji coba trial and error. untuk itu pada penelitian ini, penulis
melakukan beberapa percobaan untuk meningkatkan kecepatan pembelajaran accelerated learning
4.3.1 Hasil Normalisasi Data
Pada langkah ini dataset yang akan dilatih akan dilakukan proses normalisasi, data set dan hasil normalisasi dapat dilihat pada tabel 4.2
Tabel 4.2
Dataset awal yang telah dinormalisasi Indeks
Data ke Data Awal
Data Normalisasi
X1 X2
X3 X4
X1 X2
X3 X4
1 2
50 12500
98 0.222
1 1
1 2
13 3250
28 0.26
0.26 0.29
3 1
16 4000
35 0.111
0.32 0.32
0.36 4
2 20
5000 45
0.222 0.4
0.4 0.46
5 1
24 6000
77 0.111
0.48 0.48
0.79 6
4 4
1000 4
0.444 0.08
0.08 0.04
7
2
7 1750
14 0.222
0.14 0.14
0.14 8
1
12 3000
35 0.111
0.24 0.24
0.36 9
2
9 2250
22 0.222
0.18 0.18
0.22 10
5
46 11500
98 0.556
0.92 0.92
1
Universitas Sumatera Utara
11
4
23 5750
58 0.444
0.46 0.46
0.59 12
3 750
4 0.06
0.06 0.04
13
2
10 2250
22 0.222
0.20 0.26
0.48 14
1
13 3250
47 0.111
0.26 0.26
0.48 15
2
6 1500
15 0.222
0.12 0.12
0.15 16
2
5 1250
11 0.222
0.1 0.1
0.11 17
2
14 3500
48 0.222
0.28 0.28
0.49 18
2
15 3750
49 0.222
0.3 0.3
0.5 19
2
6 1500
15 0.222
0.12 0.12
0.15 20
2
3 750
4 0.222
0.06 0.06
0.04 21
2
3 750
4 0.222
0.06 0.06
0.04 22
4
11 2750
28 0.444
0.22 0.22
0.29 23
2
6 1500
16 0.222
0.12 0.12
0.16 24
2
6 1500
16 0.222
0.12 0.12
0.16 25
9
9 2250
16 1
0.18 0.18
0.16 26
4
14 3500
40 0.444
0.28 0.28
0.41 27
4
6 1500
14 0.444
0.12 o.12
0.14 28
4
12 3000
34 0.444
0.24 0.24
0.35 29
4
5 1259
11 0.444
0.1 0.1
0.11 30
4
8 2000
21 0.444
0.16 0.16
0.21 31
1
14 3500
58 0.111
0.28 0.28
0.59 32
4
10 2500
28 0.444
0.2 0.2
0.29 33
4
10 2500
28 0.444
0.2 0.2
0.29 34
4
9 2250
26 0.444
0.18 0.18
0.27 35
4
16 4000
64 0.222
0.32 0.32
0.65
Universitas Sumatera Utara
36
2
8 2000
28 0.222
0.16 0.16
0.29 37
2
12 3000
47 0.222
0.24 0.24
0.48 38
4
6 1500
16 0.444
0.12 0.12
0.16 39
2
14 3500
57 0.222
0.28 0.28
0.58 40
4
7 1750
22 0.444
0.14 0.14
0.22 41
2
13 3250
53 0.222
0.26 0.26
0.54 42
2
5 1250
16 0.222
0.1 0.1
0.16 43
2
5 1250
16 0.222
0.1 0.1
0.16 44
2
5 1250
16 0.222
0.1 0.1
0.16 45
2
20 5000
69 0.444
0.4 0.4
0.7 46
4
9 2250
28 0.444
0.18 0.18
0.29 47
2
9 2250
36 0.222
0.18 0.18
0.37 48
2
2 500
2 0.222
0.04 0.04
0.02 50
2
2 500
2 0.222
0.04 0.04
0.02
Untuk membandingkan kinerja dari algoritma backpropagation standar dengan algoritma backpropagation adaptive learning rate, parameter arsitektur jaringan dan
nilai bobot awal yang diberikan sama. kedua algoritma diuji menggunakan bobot awal yang sama yang dipilih secara acak dan menerima pola masukan untuk pelatihan
dalam urutan yang sama, seperti yang terlihat pada tabel 4.1.
4.3.2 Hasil Pelatihan Algoritma Backpropagation Standar
Pada pelatihan algoritma backpropagation data set yang digunakan blood transfusion service center yang terdiri dari Recency, Frequency, Monetary dan Time. Arsitektur
yang dipilih adalah 4-4-1dengan target error ditetapkan 0,01. Hasil pelatihan yang diperoleh pada saat pembelajaran jaringan mencapa
ikonvergensi pada epoch ke 1000, dengan nilai mean square error yang dihasilkan
Universitas Sumatera Utara
sebagai indikator pembelajaran di perl
Gambar
4.3.3 Hasil Pelatih
Pada pelatihan alg digunakan blood tr
Monetary dan Time. 0,01.
Pada pembela variabel learning ra
nilai learning rate tor kinerja jaringan syaraf mencapai 0,00
erlihatkan pada gambar 4.2
bar 4.2
Grafik pembelajaran backpropagation
atihan Algoritma Backpropagation Adaptive Le
algoritma backpropagation adaptive learning transfusion service center yang terdiri dari
me. Arsitekturyang dipilih adalah 4-4-1dengan t
elajaran ini dengan metode yang digunakan d rate dan koefisien momentum pada fase peru
di melakukan penyesuaian secara adaptif p ,000044. Grafik hasil
standar
Learning
ing rate dataset yang ri Recency, Frequency,
target error ditetapkan
dengan menambahkan erubahan bobot, dimana
f pada proses perubahan
Universitas Sumatera Utara
bobot. Hasil pem konvergensi dengan
Gambar 4.3
4.4 Komposisi Param
Pada fase perubahan koefisien momentum.
grafik pembelajaran m nya apabila slope-nya m
kuadrat error setelah standar yaitu 1,04 mak
dengan 0,7 dan bobot b embelajaran hanya membutuhkan 72 epo
an nilai mean square error 0,0000036.
4.3
Grafik Pembelajaran Backpropagation Adapt
ameter Adaptive Learning Rate
an bobot, variabel yang ditambahkan adala Metode ini bekerja dengan menaikkan lear
menjumpai permukaan yang datar dan menu a meningkat. Prosedur untuk menvariasikan le
ah seluruh pelatihan dataset dimasukkan leb aka parameter learning rate berkurang, nilai le
t baru dihitung. poch untuk mencapai
aptive learning
alah learning rate dan arning rate-nya apabila
nurunkan learning rate- learning dilakukan jika
lebih dari kuadrat error i learning rate dikalikan
Universitas Sumatera Utara
Namun apabila nilai kuadrat error kurang dari standar maka parameter learning rate bertambah, nilai learning rate dikalikan dengan 1,05. Gambar 4.2 merupakan
pelatihan algoritma backpropagation dengan adaptif learning rate. ini menunjukkan bahwa mengadaptasi learning rate mampu menurunkan jumlah iterasi. Pada pelatihan
jaringan adaptive learning juga digunakan bersama nilai koefisien momentum yaitu 0.95.Semakin besar learning rate maka rentang untuk menentukan perubahan bobot
dalam jaringan syaraf tiruan semakin besar. Pada grafik 4.4 memperlihatkan nilai learning rate mencapai nilai 0,32 pada epoch ke 72 dan berpengaruh dengan kedekatan
fitur kepada kelas yang lain. Saat learning rate kecil maka perubahan bobot semakin kecil dan kedekatan pola ke kelas lain dari inisial target juga semakin jauh.
Gambar 4.4
Grafik adaptive learning
Universitas Sumatera Utara
4.5 Hasil Pengujian