Tabel 3.2 Waktu Training dan Prediksi o
Algoritma Rata-rata Waktu
Training Detik Rata-rata Waktu
Prediksi Detik Selisih Detik
Backpropagation xxx
xxx xxx
Linear Vector Quantization
xxx xxx
xxx Serta tabel akurasi prediksi dengan variasi parameter training seperti pada
Tabel 3.4 berikut ini. Paramater:
Epochs = 100
Learning Rate = 0.25
Iterasi = 100
Maks err = 0.001
Pada simulasi dalam memprediksi keakuratan predisksi diperoleh dalam tabel hasil simulasi Akurasi seperti pada Tabel 3.3.
Tabel 3.3Akurasi Prediksi No Algoritma
Akurasi Backpropagation
xxx Linear Vector Quantization
xxx
3.10 Analisis Metode
Training dan Prediksi
Algoritma Trainingdan Prediksi yang dibandingkan pada sistem ini adalah Backpropagation dan Learning Vector Quantization. Tabel 3.4 merupakan
perbandingan dasar dari kedua metode tersebut.
Tabel 3.4 Perbandingan Metode Backpropagation dan LVQ No
Parameter Backpropagation
LVQ Alur Training
Menggunakan 2 alur, yaitu alur maju forward
propagation dan alur mundur backpropagation
Menggunakan1Aluryaitu alur majuforward
propagation.
Parameter Training Parameter Training
yang digunakan adalah maksimalperulangan,
Parameter Training yang digunakan adalah
maksimal perulangan,
Universitas Sumatera Utara
Learning rate dan minimal error.
Learning rate, pengurang rasio dan minimal error.
Bobot Training Memiliki 2 nilai bobot
yaitu bobot pada hidden layer v dan bobot pada
output layerw. Memiliki 1 nilai bobot
yaitu bobot pada output layerw.
Nilai awal setiap bobot diambil dari nilai random
yang cukup kecil. Nilai awal bobot diambil
dari salah satu data masukanuntuk
setiapkelas.
Perubahan bobot dihitung dengan alur mundur
backpropagation, yaitu dengan mengubah nilai
bobot pada layer output w, kemudian mengubah
nilai bobot pada hidden layer v.
Perubahan bobotdihitung berdasarkan nilai kelas
hasil perhitungan. Jika kelas hasil perhitungan
sama dengan kelas targetmaka menggunakan
rumus tambah, dan sebaliknya menggunakan
rumus kurang.
Perulangan Training
Perulangan dilakukan selama perulangan belum
mencapai maksimal perulangan dan nilai
Mean Square Error MSE masihlebih kecil
dari minimal eror. Perulangan dilakukan
selama perulangan
belum mencapai
maksimal perulangan
atau nilai perubahan rasio
pembelajaran masih lebih kecil dari
minimal eror. Kompleksitas
Algoritma Perhitungan lebih rumit
karena menggunakan 11 rumus dalam perhitungan
pembelajaran, dan 4 rumus dalam perhitungan
pengenalan. Perhitungan sederhana
karena hanya menggunakan 3 rumus
dalam perhitungan pembelajaran dan 1
rumusdalam perhitungan pengenalan.
Hasil Training Berupa nilai bobot pada
hidden layer v dan bobot pada output layer
w. Berupa nilai bobot w.
Hasil Simulasi Berupa angka biner dari
nilai kelas yang dikenali. Berupa nilai kelas yang
dikenali.
Universitas Sumatera Utara
3.11 Proses