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.