Gambar 11 Osilasi pada proses pembelajaran 2.4 Laju pembelajaran
Dalam standar propagasi balik laju pembelajaran
merupakan suatu
konstanta yang dipakai dalam seluruh iterasinya.
Perubahan dapat
dilakukan dengan memberikan laju pembelajaran yang
berbeda-beda untuk setiap bobotnya atau bahkan laju pembelajaran yang berbeda-
beda untuk tiap bobot dalam tiap iterasinya. Apabila perubahan bobot berada dalam arah
yang sama dalam beberapa pola terakhir dapat dilihat dari tanda suku
yang selalu sama, maka laju pembelajaran yang
bersesuaian dengan bobot ditambah.
Sebaliknya apabila arah perubahan bobot dua pola terakhir berbeda ditandai dengan
suku yang berselang-seling positif-
negatif maka laju pemahaman untuk bobot tersebut harus dikurangi.
Perubahan bobot dalam aturan delta-bar- delta adalah sebagai berikut :
16 Siang, 2005
2.5 Momentum
Pada standar propagasi balik, perubahan bobot didasarkan atas gradien yang terjadi
untuk pola yang dimasukan saat itu. Modifikasi yang dapat dilakukan adalah
melakukan perubahan
bobot yang
didasarkan atas arah gradien pola terakhir dan pola sebelumnya disebut momentum
yang dimasukan. Jadi tidak hanya pola masukan terakhir saja yang diperhitungkan.
Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang
mencolok akibat adanya data yang sangat berbeda dengan kata lain outlier. Apabila
beberapa data terakhir yang diberikan ke jaringan memiliki pola serupa berarti arah
gradien sudah benar, maka perubahan bobot dilakukan secara cepat. Namun apabila data
terakhir yang dimasukan memiliki pola yang berbeda dengan pola sebelumnya, maka
perubahan bobot dilakukan secara lambat.
Dengan penambahan momentum, bobot baru pada waktu ke
didasarkan atas bobot pada waktu dan
. Jika adalah konstanta
yang menyatakan parameter momentum maka bobot baru
dihitung berdasarkan persamaan : 17
dengan, = bobot awal pola kedua hasil
iterasi pola pertama = bobot
awal pada
iterasi pertama
dan, 18
dengan, = bobot awal pola kedua hasil
iterasi pola pertama = bobot awal pada iterasi
pertama Siang, 2005
Berdasarkan pengalaman dan aplikasi jaringan syaraf tiruan dalam berbagai
masalah prediksi atau peramalan dari karya ilmiah sebelumnya diperoleh kombinasi
nilai laju pembelajaran g dan momentum
seperti pada Tabel 1 di bawah ini : Tabel 1 Peringkat kombinasi nilai laju
pembelajaran dan momentum Peringkat
1 2
3 4
Laju pembelajaran 0,9 0,7 0,5 0,4 Momentum
0,1 0,4 0,5 0,6 Anugerah, 2007
III MODEL SISTEM
3.1 Skema aliran air pada daerah aliran sungai
Gambar 12 di bawah menunjukkan penggambaran suatu skema aliran air di
suatu pegunungan. Skema ini dibangun dari empat lapisan vertikal, dimana dari bagian
atas ke bagian bawah merupakan surface flow aliran permukaan, sub-surface flow
aliran
air peralihan
permukaan, intermediate flow aliran tengah, sub-base
flow aliran peralihan, dan base flow aliran dasar.
Dalam konsep seperti ini, air dapat mengisi setiap lapisan yang berada di
bawahnya, dan juga bisa pergi secara reversibel jika proses penguapan di suatu
lingkungan sangat dominan. Air yang keluar secara horizontal, yang terdiri dari surface
flow aliran permukaan, sub-surface flow aliran peralihan permukaan, intermediate
flow aliran tengah, sub-base flow aliran peralihan, dan base flow aliran dasar.
Untuk skema air seperti di atas telah dilakukan percobaan dan karya ilmiah untuk
menentukkan parameter pada tiap lapisan dengan menggunakan sebuah model tangki
Setiawan B, Fukuda Nakano, 2003.
Gambar 12 Skema aliran air di pegunungan
3.2 Propagasi balik untuk memprediksi ketinggian air
