Jaringan saraf propagasi balik

1. 6 Tinjauan Pustaka

Berikut ini akan diberikan beberapa tinjauan pustaka mengenai eigenfaces dan jaringan saraf propagasi balik

1.6.1 Jaringan saraf propagasi balik

Jaringan saraf propagasi balik menggunakan metode pelatihan yang terawasi. Metode pelatihan yang terawasi adalah metode pelatihan yang memiliki target. Pelatihan pada jaringan saraf propagasi balik merupakan pencarian terhadap bobot-bobot yang sesuai untuk menghasilkan error yang diinginkan. Error pada setiap iterasi pelatihan dapat dicari dengan suatu fungsi yang disebut fungsi error. Jaringan saraf propagasi balik yang menggunakan konsep jaringan berlapis banyak akan mencari bobot-bobot yang sesuai melalui atuiran delta yang digeneralisasi. Aturan delta yang digeneralisasi merupakan perluasan dari aturan delta yang akan memunculkan faktor kesalahan pada lapisan tersembunyi dan faktor kesalahan pada lapisan keluaran. Faktor kesalahan tersebut muncul karena dalam mencari bobot yang diinginkan, aturan delta menggunakan metode gradient descent. Metode gradient descent memandang bahwa kesalahan merupakan fungsi bobot Setawan, 1999. Bobot senantiasa di ubah setiap kali pembelajaran sehingga menyebabkan kesalahan semakin kecil. Perubahan bobot melalui metode gradient descent dapat dirumuskan sesuai dengan persamaan 1. 4. Untuk mengontrol penyesuaian bobot pada jaringan saraf propagasi balik selama ini telah digunakan dua faktor yaitu laju pembelajaran  , momentum  . Dengan adanya dua faktor yang digunakan pada jaringan saraf propagasi balik untuk selanjutnya perubahan bobot dirumuskan melalui persamaan 1. 6. Banyak riset yang dilakukan untuk memperbaiki kinerja dari jaringan saraf propagasi balik, salah satunya adalah dengan menambahkan faktor ketiga yaitu faktor proporsional Zweiri et al, 2003. Faktor ketiga ini akan diikuti suku ketiga yang merupakan jumlah dari selisih antara target dengan nilai keluaran aktual setiap neuron pada lapisan keluaran. 8 Universitas Sumatera Utara Faktor proporsional mampu meningkatkan kecepatan konvergensi jaringan pada permasalahan XORZweiri et al, 2003. Pada permasalahan pengklasifikasian data, faktor proporsional mampu meningkatkan kinerja pada pengklasifikasian data kecil yaitu data yang mempunyai jumlah instans sebanyak 16Saman, 2006. Untuk pengklasifikasian data berukuran sedang dengan jumlah instans sebanyak 150, faktor proporsional menyebabkan kinerja jaringan menjadi burukSaman, 2006. Hal yang sama juga terjadi pada pengklasifikasian data yang berukuran besar yaitu data yang menggunakan jumlah instans sebanyak 600 Saman, 2006.

1.6.2 Eigenfaces