Gambar 3.2. Arsitektur JST
Keterangan :
X = input neuron pada input layer
Z = hidden neuron pada hidden layer
Y = output neuron pada output layer
V11,..Vn = bobot dari input layer ke hidden layer pertama
W11,..Wn = bobot dari hidden layer pertama ke hidden layer kedua
1 = bias dari input layer ke hidden layer
3.9. Training
Proses training pada JST memerlukan data input dan data target. Training meliputi proses iteratif dari data input yang dimasukkan ke dalam jaringan sehingga jaringan
dapat belajar dan menyesuaikan data yang dilatih dengan data target yang diinginkan.
Harga Pembuka
Harga Tetinggi
Harga Terendah
Harga Penutup
Universita Sumatera Utara
Training dilakukan untuk mencari nilai bobot yang menghubungkan semua neuron sehingga meminimalkan error yang dihasilkan oleh output jaringan.
Proses training JST menggunakan sebanyak 50 jumlah data yang terdiri dari input data dan output target, kemudian data training dinormalisasi sebelum diproses
kedalam jaringan. Pada proses ini akan dilakukan pelatihan dengan arsitektur JST dari jumlah hidden neuron yang berbeda-beda. Setiap arsitektur yang diuji tersebut akan
menghasilkan bobot pelatihan yang nantinya akan digunakan sebagai bobot awal pada proses testing. Kemudian inisialisasi bobot dan bias untuk menghitung nilai output
dari setiap neuron yang akan dikalikan dengan fungsi aktivasi dan learning rate. Setelah nilai output jaringan pada lapisan output diperoleh, hitung nilai error
dari jaringan, kemudian nilai error dibandingkan dengan nilai error target yang telah ditetapkan. Jika error jaringan yang dihasilkan tidak lebih kecil atau sama dengan
nilai error yang telah ditetapkan, maka akan dilakukan proses backprop dengan memodifikasi bobot jaringan dan bias pada iterasi tertentu hingga didapatkan nilai
error minimum mendekati error target yang telah ditetapkan sebelumnya. Ketika kondisi error lebih kecil daripada error target maka bobot tersebut akan disimpan
sebagai bobot terpilih dalam proses training. Berikut adalah flowchart training Resilient Backpropagation :
Universita Sumatera Utara
Gambar 3.3 Flowchart training JST dengan Accelereted Learning
Universita Sumatera Utara
3.10. Perhitungan Error
Perhitungan error digunakan untuk menguji keakurasian jaringan. Tujuannya yaitu memperoleh nilai error seminimal mungkin dengan cara mengganti nilai bobot yang
terhubung pada semua neuron secara iteratif. Pada penelitian ini, perhitungan error yang digunakan adalah Mean Square Error MSE yang merupakan rata-rata kuadrat
dari selisih antara output jaringan dengan output target. Rumus dari MSE sebagai berikut:
Keterangan: ��
= nilai output target ��
= nilai output jaringan N
= jumlah output dari neuron
3.11. Testing
