K-fold Cross Validation Jaringan Saraf Tiruan Propagasi Balik Tiga Faktor Dalam Pengenalan Sidik Jari

= × 100 Sedangkan kemampuan generalisasi jaringan dihitung dengan rumus: = × 100

3.3 K-fold Cross Validation

Pada penelitian ini menggunakan 10 kali iterasi berdasarkan metode k-fold cross validation yang sering disebut 10 - fold cross validation. Beberapa percobaan yang ekstensif dan pembuktian teoritis, menunjukkan bahwa 10- fold cross validation adalah pilihan terbaik untuk mendapatkan hasil validasi yang akurat Sarle, 2004 Tiap iterasi memiliki data latih dan data uji yang berbeda. Misalkan pada iterasi pertama, subset S 1 ,S 2 ,...,S 9 digunakan sebagai data latih sedangkan subset S 10 sebagai data uji. Pada iterasi kedua S 9 akan digunakan sebagai data uji, sedangkan subset lain sebagai data latih, dan seterusnya hingga iterasi ke 10. Berikut akan dijelaskan proses iterasi pada k-fold cross validation contextuall.com . 1. Gunakan prosedur acak untuk membagi seluruh data latih menjadi 10 subset. Sebut saja sampel ini menjadi S 1 ,S 2 ,S 3 dan seterusnya sampai S 10. 2. Langkah awal, anggap S 10 sebagai data uji sementara S 1 sampai S 9 sebagai data latih. 3. Latih algoritma yang ada menggunakan data dari S 1 sampai S 9. 4. Maka diperolehlah sebuah model berdasarkan data dari S 1 sampai S 9, yang akan memprediksikan model dengan tingkat errornya. Hasil perolehan error ini disimpan dalam sistem. 5. Lakukan pengujian sekali lagi dengan menggunakan S 9 sebagai data uji dan subset lainnya sebagai data latih termasuk S 10 . Universitas Sumatera Utara 6. Latih kembali algoritma ini, dan kali ini menggunakan data latih dari subset S 1 , S 2 , S 3 , S 4 , S 5 , S 6 , S 7 , S 8 , S 10 . Kemudian akan diperoleh tingkat error yang baru dengan menggunakan subset S 9 sebagai data uji. Tingkat error ini disimpan kembali dalam sistem. 7. Lakukan kembali langkah sebelumnya, dengan mengganti subset lainnya sebagai data uji. Proses ini akan berulang kembali sesuai iterasi yang diinginkan sebanyak 10 kali. 8. Langkah terakhir, hasil dari keseluruhan fold dirata-ratakan untuk memperoleh perkiraan terhadap prediksi model.

3.4 Rancangan Antarmuka Pengguna