70
Gambar 15. Perbandingan Output dan Target pada Arsitektur Jaringan BP
2. Learning Vector Quantization
Rancangan arsitektur JST untuk metode pembelajaran BP yang dipilih adalah :
a Algoritma Training Trial dan error dilakukan pada 2 algoritma training. Hasil
perbandingan dapat dilihat pada Tabel 23. Tabel 23. Pemilihan Algoritma Training pada LVQ
KINERJA ALGORITMA
TRAINING MSE
EPOH KE- R
Learnlv1 0 2 1.0
Learnlv2 0 2 1.0
Berdasarkan Tabel 23 menunjukkan bahwa ke-2 algoritma training memberikan kinerja yang sama sehingga ke-2 algoritma training
tersebut dapat digunakan.
71 b Toleransi Error
Trial dan error dilakukan pada 3 alternatif toleransi error dari 2 algoritma training, yaitu learnliv1 dan learnlv2. Berdasarkan hasil trial
pada Tabel 24 menunjukkan bahwa jaringan dapat memenuhi keseluruhan toleransi nilai error karena itu toleransi nilai error yang
akan digunakan adalah yang paling kecil yaitu 0.0001. Tabel 24. Pemilihan Toleransi Error pada LVQ
KINERJA ALGORITMA
TRAINING TOLERANSI
ERROR MSE
EPOH KE- R
0.01 0 2 1.0 0.001 0 2 1.0
Learnlv1 0.0001 0
2 1.0 0.01 0 2 1.0
0.001 0 2 1.0 Learnlv2
0.0001 0 2 1.0
c Nilai Learning Rate Trial dan error dilakukan pada 4 alternatif nilai learning rate,
yaitu 0.1, 0.3, 0.6 dan 0.9. Berdasarkan hasil trial pada Tabel 25 menunjukkan bahwa kinerja yang terbaik diperoleh pada nilai learning
rate 0.1, yaitu MSE = 0 pada epoh ke-2 dengan nilai R = 1.0 Tabel 25. Pemilihan Nilai Learning Rate pada LVQ
KINERJA ALGORITMA
TRAINING LEARNING
RATE MSE
EPOH KE- R
0.1 0 2 1.0 0.3 0 2 1.0
0.6 0 2 0.966
Learnlv1 0.9 0 2
0.984 0.1 0 2 1.0
0.3 0 3 1.0 0.6 0 4 1.0
Learnlv2 0.9 0.2222222 1000
1.0
d Jumlah Neuron pada Competitive Layer Berdasarkan nilai learning rate di atas maka dilakukan trial dan
error pada beberapa alternatif jumlah neuron dalam competitive layer kemudian dipilih alternatif yang memiliki kinerja yang terbaik.
72 Tabel 26. Pemilihan Jumlah Neuron Competitive Layer pada LVQ
KINERJA ALGORITMA
TRAINING LEARNING
RATE JUMLAH
NEURON PADA COMPETITIVE
LAYER MSE
EPOH KE-
R
10 0 2
1.0 25
0 2 1.0
50 0 4
1.0 0.1
75 0 5
1.0 10
0 2 1.0
25 0 3
1.0 50
0 4 1.0
Learnlv1 0.3
75 0 5
1.0 10
0 2 1.0
25 0.2222222 1000 -
50 0.4444444 1000 -
Learnlv2 0.1 75
0.4444444 1000 -
Berdasarkan hasil perbandingan tersebut maka terlihat bahwa kinerja jaringan yang terbaik untuk algoritma training learnlv1 pada
nilai learning rate 0.1 terdapat pada jumlah neuron [10] dan [25] dalam competitive layer sedangkan pada nilai learning rate 0.3
terdapat pada jumlah neuron [10] dalam competitive layer. Pada algoritma training learnlv2 kinerja terbaik terdapat pada jumlah neuron
[10] dalam competitive layer. Karena kinerja jaringan yang ditunjukkan sama pada ke-4nya maka ke-4 arsitektur competitive
layer tersebut dapat dipilih untuk rancangan arsitektur JST nantinya. Pada penelitian ini maka akan dipilih salah satu, yaitu arsitektur
competitive layer dengan jumlah neuron [10] dengan algoritma training learnlv1 pada nilai learning rate 0.1.
Rancangan arsitektur JST yang dipilih pada metode pembelajaran LVQ adalah 35 neuron pada lapisan input, 10 neuron pada competitive layer dan 3
neuron pada lapisan output. Karakteristik detail rancangan arsitektur JST dapat dilihat pada Tabel 27 dan rancangan arsitektur jaringannya disajikan
pada Gambar 16. Arsitektur jaringan ini menunjukkan nilai MSE = 0 pada epoh ke-2 dan nilai R = 1.0, hal ini disajikan pada Gambar 17, 18, 19 dan 20.
73 Tabel 27. Rancangan Arsitektur JST yang Digunakan pada LVQ
KARAKTERISTIK SPESIFIKASI
Jumlah neuron lapisan input 35 unit
Jumlah neuron competitive layer 10 unit
Jumlah neuron lapisan output 3 unit
Algoritma training learnlv1
Nilai learning rate 0.1
Toleransi error 0.0001
Set epoh maksimum 1000
X
1
C
1
C
2
C
3
C
4
C
5
C
10
Y
1
Y
3
Y
2
b
X
3
X
4
X
5
X
2
X
35
Input Layer dengan 35 node
Competitive Layer dengan 100 node
Output Layer dengan 3 node
Gambar 16. Arsitektur Jaringan LVQ yang Digunakan
Gambar 17. Tampilan MSE pada Arsitektur Jaringan LVQ yang Digunakan
74
Gambar 18. Tampilan Error pada Arsitektur Jaringan LVQ yang Digunakan
Gambar 19. Tampilan Data-Fitting Perbandingan Output dan Target pada Arsitektur Jaringan LVQ yang Digunakan
75
Gambar 20. Perbandingan Output dan Target pada Arsitektur Jaringan LVQ
E. Proses Pengujian