25
tujuan tersebut maka jaringan tidak perlu melanjutkan pelatihan sampai total galat kuadrat benar-benar mencapai minimum. Hecht dan Nielsen 1990 menyarankan
untuk menggunakan dua kelompok data selama pelatihan. Satu kelompok pola pelatihan dan satu kelompok pola untuk pengecekan pelatihan. Pada selang selama
pelatihan, galat dihitung menggunakan pola pengecekan untuk pelatihan. Pada saat galat untuk pola pengecekan pelatihan menurun, pelatihan dilanjutkan. Ketika galat
mulai meningkat, jaringan mulai mengingat pola pelatihan secara spesifik yang artinya kemampuan generalisasinya mulai menghilang. Pada titik ini, pelatihan dihentikan.
3.5. Jumlah Pasangan Pelatihan
Menurut Baum dan Haussler 1989, jika tersedia pola pelatihan yang cukup, jaringan akan dapat menggeneralisasi sesuai yang diinginkan. Pola pelatihan yang
cukup ditentukan dengan kondisi sebagai berikut :
e W
P e
P W
= =
atau ,
2.39 dengan W adalah jumlah bobot yang dilatih, P adalah jumlah pola pelatihan yang
tersedia dan e adalah ketepatan klasifikasi yang diharapkan. Jika jaringan dilatih untuk mengklasifikasi 1-e2 bagian dari pola pelatihan
secara benar, dengan 0e 18, maka jaringan akan mengklasifikasikan 1-e dari pola pengetesan secara benar pula.
3.6. Representasi Data
Pada banyak kasus, vektor masukan dan vektor keluaran mempunyai komponen dalam rentang nilai yang sama. Karena salah satu faktor dalam ekspresi
26
penyesuaian bobot adalah aktivasi dari unit sebelumnya, maka unit yang aktivasinya nol tidak akan belajar. Untuk itu disarankan bahwa pembelajaran dapat ditingkatkan
jika masukan dinyatakan dalam bentuk bipolar dan fungsi sigmoid bipolar digunakan sebagai fungsi aktivasi.
3.7. Jumlah Lapisan Tersembunyi
Hasil teoritis Fausett, 1994 menunjukkan bahwa satu lapisan tersembunyi cukup efisien untuk jaringan perambatan balik untuk mengaproksimasi pemetaan
kontinyu dari pola masukan ke pola keluaran untuk sembarang derajat akurasi. Walau demikian, dua lapisan tersembunyi akan membuat pelatihan lebih mudah
untuk situasi tertentu.
3.8. Indeks Unjuk Kerja Performance Indeks
Indeks unjuk kerja adalah ukuran kuantitatif dari unjuk kerja jaringan. Angka indeks unjuk kerja kecil menunjukkan unjuk kerja jaringan yang baik, sedangkan
indeks unjuk kerja besar menunjukkan unjuk kerja jaringan yang buruk. Algoritma perambatan balik untuk jaringan lapis jamak merupakan
generalisasi dari algoritma L MS L east Mean Square, kedua algoritma tersebut menggunakan indeks unjuk kerja yang sama yaitu galat rata-rata kuadrat mean square
error . Algoritma diberikan dengan sekumpulan pola pelatihan :
{ } {
} { }
k k
t p
t p
t p
, ,....,
, ,
,
2 2
1 1
2.40 dengan p
k
adalah masukan jaringan dan t
k
adalah target keluaran yang diharapkan. Pada setiap masukan yang diaplikasikan ke jaringan, keluaran jaringan dibandingkan
dengan target. Algoritma harus menyesuaikan parameter jaringan untuk
