BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Algoritma Backpropagation Neural Network merupakan algoritma pembelajaran yang bersifat supervised learning, yaitu pembelajaran yang terawasi. Dari hasil
penelitian penulis mendapatkan kesimpulan sebagai berikut : 1.
Pada penelitian ini algoritma kohonen SOM dapat digunakan sebagai algoritma untuk mendapatkan variabel tambahan sebagai nilai input,
sehingga akan dihasilkan target awal yang akan menjadi target pada proses pelatihan.
2. Besarnya jumlah maxepoch tidak selalu memberikan hasil target output
yang terbaik. 3.
Pada proses pelatihan dataset umur, hasil terbaik didapat setelah dilakukan perubahan jumlah maxepoch tanpa melakukan pelatihan dari awal lagi.
Perubahan jumlah maxepoch yang dilakukan adalah maxepoh 10, 100, 1000 dan 100.
4. Pada proses pengujian, bobot hasil pelatihan terbaik yang disimpan dapat
menjadi bobot awal yang baik untuk proses pengujian. 5.
Pada proses pengujian, bobot hasil pelatihan terbaik yang disimpan juga dapat digunakan untuk dataset dengan ukuran yang tidak sama dengan
ukuran dataset pelatihan.
Universitas Sumatera Utara
5.2 Saran
Pada penelitian ini, jumlah maximum epoch yang diberikan belum dapat menghasilkan learning rate minimum yang ditargetkan, diharapkan penelitian ini
dapat dilanjutkan dengan menggunakan algoritma lain yang dapat mempercepat proses walaupun dengan maxepoch yang tinggi, sehingga dapat dicapai target
yang lebih baik.
Universitas Sumatera Utara
DAFTAR PUSTAKA
Aleksander, I. Morton, H. 2007. An introduction to neural computing.. 2nd
edition Altrock, Constantin Von. 1997. Fuzzy Lógic and NeuroFuzzy Applications in
Business and Finance, Prentice Hall PTR, New Jersey, USA. Bagis, Aytekin. 2003. Determining fuzzy membership functions with tabu search-
an application to control. ElsevierFuzzy Sets and Systems 139. Pp 209-225. Bhadesia, H.K.D.H. 1999. Neural Networks in Materials Science. ISIJ
International 39 10: 966–979. doi:10.2355isijinternational.39.966 .
Dagli, Cihan H. 1994. Artificial Neural Networks for Intelligent Manufacturing, Chapman Hall, United Kingdom,
Dayhoff, Judith E. 1990. Neural Network Architectures. Van Nostrand Reinhold Co. New York, NY, USA
Duda, Richard O. Hart, Peter. E. Stork, David. G. 2001. Pattern classification 2nd edition, WileyFausett, Laurene., Fundamentals of Neural Networks :
Architectures, Algorithms, and Applications, Wiley, New York Fausset, Laurence. 1994. Fundamental of Neural Network: Architecture,
Algorithm, and Application. New Jersey : Prentice-Hall. Hagan, M.T. Demuth, H Beale, M. 1996, Neural Network Design, PWS
Publishing Co., USA Haykin, Simon. 1999. Neural Networks. A Comprehensive Foundation, 2ndedi-tion.
Macmillan College Publishing, New York, Hecht-Nielsen, R. 1995. Replicator neural networks for universal optimal source
coding. Science, 269:1860-1863. Hong, Tzung-Pei. Lee, Chai-Ying. 1996. Induction of fuzzy rules and
membership functions from training examples. ElsevierFuzzy Sets and Systems 84. pp 33-47
Jang, J.S.R. Sun, C.T. Mizutani, E. 1997. Neuro-Fuzzy and Soft Computing, Prentice-Hall International, New Jersey.
Kohonen, T. 1982. Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43, pp. 59-69.
Universitas Sumatera Utara
Kohonen, T. 1989. Self-organizing and associative memory. 3rd ed., Berlin. Springer- Verlag.
Li, Kuo-chen Li. Chang, Dar-jen. 2005. Fuzzy Membership Function Elicitation using Plausible Neural Network. ElsevierFuzzy Sets and Systems 139.
Rajasekaran, S. Vijayalaksmi, Pai G.A. 2005. Neural Network, Fuzzy Logic and Genetic Algorithms, Prentice-Hall of India, New Delhi.
Rojas, Raúl
.
1995. The backpropagation algorithm of Neural Networks - A Systematic Introduction ISBN 978-3540605058
Rumelhart, David E. 1995. Backpropagation: theory, architectures, and applications Developments in connectionist theory Cultural Sitings
Routledge, LAWRENCE ERLBAUM ASSOCIATES, PUBLISHERS, Hillsdale, New Jersey Hove, UK
Russel, S. J. P. Norvig. 2002. Artificial intelligence: A Modern Approach, 2nd ed. New York NY: Prentice Hall.
Schuermann, J. 1996. Pattern Classification: A Unified View of Statistical and Neural Approaches, Wiley Sons.
Tamaki, Futoshi. Kanagawa, Akihiro. Ohta, Hiroshi. 1998. Identification of membership functions based on fuzzy observation data. ElsevierFuzzy Sets
and Systems 93. pp 311-318. Vesanto, J Alhoniemi, E. 2000. Clustering of self-organizing map. IEEE
Tran-sactions on Neural Networks, 113:586–600. Yang, Chih-Chung. Bose, N.K. 2006. Generating fuzzy membership function
with self-organizing feature map. ElsevierPattern Recognition Letters 27. pp 356-365.
Yan, J., Ryan, M., Power, J., 1994, Using Fuzzy Logic Toward Intelligent System, Prentise Hall, London.
Zadeh
,
L.A. 1965. Fuzzy Sets. Information Control, 8:338–353
.
Zadeh, L.A. “Fuzzy Algorithms,” Information and control, vol. 12, 1968, pp. 94- 102.
Zurada, J.M. 1992. Introduction To Artificial Neural Systems, Boston: PWS Publishing Company.
Universitas Sumatera Utara
LAMPIRAN A : DATASET SUHU HASIL PELATIHAN DATASET SUHU
Rentang Nilai Yang Dilatih : 0 – 100. Error min
: 0,001 Max epoch Terbaik
: 100, dengan perubahan maxepoch dimulai dari 100, 1000 dan 100.
a. Set Target dan Bobot
Kategori