learning pembelajaran terawasi, dimana ada nilai target yang akan dicapai oleh keluaran output jaringanmodel JST yang dikembangkan.
Gambar 21. Arsitektur model JST yang telah dikembangkan
4.4.4. Hasil Pelatihan Model JST
Kinerja dari model JST dinyatakan dengan MSE mean square error. MSE dinyatakan dengan rumus :
2 1
1 2
1 1
k Q
k k
Q k
k
a t
Q e
Q MSE
27 dengan :
Q = jumlah pola yang dihitung t
k
= vektor target a
k
= vektor keluaran jaringan e
k
= t
k
– a
k
Pelatihan backpropagation menggunakan metode pencarian titik minimum untuk mencari bobot dengan error minimum. Pada proses
pencarian ini dikenal 2 macam mode yaitu metode incremental dan metode kelompok batch.
Dalam metode incremental, bobot diubah setiap kali pola masukan diberikan ke jaringan. Sebaliknya, dalam mode kelompok, bobot diubah
I
1
I
2
I
3
I
n
Z
1
Z
2
Z
3
Z
n
Y
1
Y
2
Y
3
Y
4
setelah semua pola masukan diberikan ke jaringan. Error yang terjadi dalam setiap pola masukan dijumlahkan untuk menghasilkan bobot baru.
Metode yang paling sederhana untuk merubah bobot adalah metode penurunan gradien gradient descent. Bobot dan bias diubah pada arah
dimana unjuk kerja fungsi menurun paling cepat, yaitu dalam arah negatif gradiennya.
Untuk mencapai konvergensi yang lebih cepat model yang dikembangkan diatur pada learning rate, jumlah neuron pada lapisan
tersembunyi hidden layer serta dengan mengubah fungsi pelatihan atau training functions.
Pada penelitian ini banyaknya data pola data yang digunakan untuk training adalah 60 pola. Dengan mencoba berbagai jumlah neuron hidden
layer dari 10 hingga 100 neuron, fungsi aktivasi tansig dan fungsi pelatihan trainlm, maka dipilih hasil akurasi yang tertinggi dari setiap
percobaan. Pada nilai tersebut ketika pelatihan training dilakukan, proses iterasi yang terjadi pada model JST menghasilkan nilai MSE yang semakin
baik atau terjadi konvergen menjadi lebih cepat. Nilai tersebut didapatkan dengan cara coba-coba trial and error.
Tabel 8. Hasil akurasi percobaan model JST dengan beragam jumlah neuron hidden layer pada ciri 13 koefisien MFCC dan waktu berkas musik 10 detik
No. Jumlah
Neuron Hidden Layer Akurasi
1 10
85 2
20 75
3
30 95
4 40
75 5
50 85
6 60
80 7
70 80
8 80
70 9
90 70
10 100
70
Pada Tabel 8 memperlihatkan hasil akurasi percobaan model JST dengan beragam jumlah neuron hidden layer pada ciri 13 koefisien MFCC
dan waktu berkas musik 10 detik. Terlihat bahwa akurasi yang tertinggi
