62 Arsitektur hidden layer dengan kinerja terbaik akan dipilih untuk
rancangan arsitektur BP.
2. Learning Vector Quantization LVQ
Beberapa alternatif spesifikasi untuk memperoleh rancangan arsitektur dengan kinerja sistem yang terbaik disajikan pada Tabel 15.
Tabel 15. Beberapa Alternatif Rancangan Arsitektur untuk Jaringan LVQ
KARAKTERISTIK SPESIFIKASI YANG
DICOBAKAN
Jumlah neuron pada input layer 35 Jumlah neuron pada output layer 3
Epoh 1000 Show 50
0.01 0.001
Goal error 0.0001
learnlv1 Training
learnlv2 0.1
0.3 0.6
Learning rate α
0.9 10
25 50
Jumlah neuron pada competitive layer 75
Berdasarkan Tabel 15 maka hal-hal yang perlu dilakukan untuk memperoleh rancangan arsitektur jaringan LVQ dengan kinerja sistem
yang terbaik adalah : a Penentuan Iterasi Proses Pelatihan
Jumlah maksimum iterasi yang dicobakan pada metode pembelajaran LVQ untuk proses pelatihan ditetapkan 1000 epoh.
Jumlah ini diperkirakan cukup untuk memperoleh kinerja yang diinginkan. Frekuensi perubahan error MSE ditampilkan setiap 100
epoh. b Penentuan Target Goal Toleransi Error
Goal error yang dicobakan adalah 0.01, 0.001 dan 0.0001. Nilai tersebut merupakan batas toleransi nilai error yang diinginkan agar
63 iterasi dihentikan. Iterasi akan berhenti jika nilai error lebih kecil dari
batas yang ditentukan atau jumlah epoh telah mencapai batas yang ditentukan.
c Penentuan Algoritma Training Fungsi pembelajaran yang dicobakan pada jaringan LVQ terdiri
atas 2 yaitu fungsi pembelajaran bobot jaringan LVQ1 learnlv1 dan LVQ2 learnlv2. Pembelajaran bobot jaringan LVQ1 merupakan
pembelajaran LVQ pada lapisan yang kompetitif didasarkan pada satu set pasangan input target. dapat diterapkan setelah menerapkan.
Aturan pelajaran LVQ2 dapat meningkatkan hasil dari pembelajaran pertama.
d Penentuan Nilai Learning Rate Learning rate merupakan parameter pelatihan yang
mengendalikan perubahan nilai bobot dan bias selama pelatihan. Semakin besar nilai learning rate akan berimplikasi pada semakin
besarnya langkah pelatihan. Jika learning rate diset terlalu besar maka algoritma akan menjadi tidak stabil tetapi jika learning rate diset
terlalu kecil maka algoritma akan sangat lama mencapai konvergen. Nilai learning rate yang baik ditentukan dengan cara trial dan error.
Parameter nilai learning rate bernilai antara 0 sampai 1. Beberapa alternatif nilai learning rate yang dicobakan pada penelitian ini adalah
0.1, 0.3, 0.6 dan 0.9. e Penentuan Jumlah Neuron Competitive Layer
Trial dan error dilakukan pada beberapa alternatif jumlah neuron dalam competitive layer kemudian dipilih alternatif yang
memiliki kinerja yang terbaik.
D. Proses Pelatihan
Kategori