Analisis Metode Analisis Perbandingan Backpropagation Dengan Learning Vector Quantization (LVQ) Untuk Memprediksi Curah Hujan Di Kota Medan

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