Pengaruh Perubahan Laju Pembelajaran

Perumusan bobot unit keluaran perambatan-balik dengan momentum terlihat dalam persamaan berikut. w kh t + 1 = w kh t + α k i h + μ[ w kh t - w kh t - 1] dimana : μ = momentum α = laju pembelajaran w kh t + 1 = bobot baru w kh t = bobot lama Dari persamaan di atas terlihat bawa dengan menambahkan μ akan menambah harga bobot baru sehingga mempercepat proses konvergensi. Akan tetapi pengaruh perubahan momentum semakin besar tidak menjamin bahwa hasil MSE akan semakin kecil. Hal ini dapat dilihat pada tabel di bawah ini dimana untuk momentum 0,5 tidak selalu menghasilkan MSE lebih kecil dari pada monetum 0, 3 . Tabel 25 Perbandingan MSE pelatihan tehadap perubahan momentum 0,5 dan 0,3; neuron 20; dan laju pembelajaran 0,9 untuk ke lima model MODEL NEURON LAJU PEMBELAJARAN MOMENTUM MSE PELATIHAN 20 0,9 0,5 0,0113 1 20 0,9 0,3 0,0115 20 0,9 0,5 0,0090 2 20 0,9 0,3 0,0097 20 0,9 0,5 0,0066 3 20 0,9 0,3 0,0064 20 0,9 0,5 0,0103 4 20 0,9 0,3 0,0086 20 0,9 0,5 0,0062 5 20 0,9 0,3 0,0063 Dari hasil pembahasan di atas, maka dapat disimpulkan bahwa tujuan memperbesar laju pembelajaran serta penambahan momentum adalah salah satu teknik komputasi untuk mempercepat kestabilan MSE. atau mempercepat konvergensi. Dari hasil pelatihan semua model yaitu model 1 sd model 5 didapat hasil MSE yang terkecil adalah 0,0061 yaitu pada model 5 data curah hujan 5 hari sebelumnya dimana: jumlah neuron 30; laju pembelajaran 0,9; dan momentum 0,5. Sedangkan MSE terbesar didapat pada model 1 data curah hujan 1 hari sebelumnya dimana: jumlah neuron 30; laju pembelajaran 0,9; dan momentum 0,3. Akan tetapi dalam proses pelatihan ini hasil yang didapat belum dapat memilih model yang terbaik, karena diperlukan langkah pengujian lebih dahulu untuk memilih model yang paling optimum.

6.3.7. Hasil Pengujian 5 Model JST

Proses pengujian ini bertujuan untuk mengetahui seberapa besar jaringan ini mengenali data yang dimasukkan setelah melewati tahap pelatihan. Selain itu, pengujian ini dilakukan untuk mengetahui keseimbangan jaringan dalam mengenali pola pelatihan secara benar dan memberikan tanggapan yang baik terhadap pola lain. Pengujian dilakukan dengan menggunakan bobot JST hasil pelatihan sebelumnya. Bobot JST tersebut diperoleh dari proses pelatihan dengan konfigurasi JST dengan 5 variasi jumlah masukan data curah hujan. Dari hasil tahap pengujian dengan data tinggi air dan curah hujan selama jangka waktu tertentu tanggal 18 April sd 21 April 2008 didapat hasil pengujian seperti pada Tabel 26. Dari tabel di atas didapat bahwa masukan yang menghasilakn MSE terkecil adalah dengan menggunakan model 4 yaitu dengan masukan data curah hujan CH t sd CH t-96 jam . Dimana harga MSE terkecil pada model 4 jika dibandingkan dengan model 1, 2, 3 dan 5. Dari tabel di atas walaupun R untuk model 4 menunjukkan harga yang bukan terkecil karena dalam melihat hasil pemodelan yang terpenting adalah dengan melihat MSE dahulu baru dilihat Korelasi R. Jika hasil pemodelan menunjukkan harga MSE yang sama antara dua model, maka baru dilihat hasil korelasinya R yang terbesar yang menunjukkan hasil pemodelan yang terbaik. Untuk perhitungan lengkap pemodelan dengan MSE terkecil yaitu model 4 B dapat dilihat pada Lampiran IV