Desain Arsitektur Model JST
setelah semua pola masukan diberikan ke jaringan. Error yang terjadi dalam setiap pola masukan dijumlahkan untuk menghasilkan bobot baru.
Metode yang paling sederhana untuk merubah bobot adalah metode penurunan gradien gradient descent. Bobot dan bias diubah pada arah
dimana unjuk kerja fungsi menurun paling cepat, yaitu dalam arah negatif gradiennya.
Untuk mencapai konvergensi yang lebih cepat model yang dikembangkan diatur pada learning rate, jumlah neuron pada lapisan
tersembunyi hidden layer serta dengan mengubah fungsi pelatihan atau training functions.
Pada penelitian ini banyaknya data pola data yang digunakan untuk training adalah 60 pola. Dengan mencoba berbagai jumlah neuron hidden
layer dari 10 hingga 100 neuron, fungsi aktivasi tansig dan fungsi pelatihan trainlm, maka dipilih hasil akurasi yang tertinggi dari setiap
percobaan. Pada nilai tersebut ketika pelatihan training dilakukan, proses iterasi yang terjadi pada model JST menghasilkan nilai MSE yang semakin
baik atau terjadi konvergen menjadi lebih cepat. Nilai tersebut didapatkan dengan cara coba-coba trial and error.
Tabel 8. Hasil akurasi percobaan model JST dengan beragam jumlah neuron hidden layer pada ciri 13 koefisien MFCC dan waktu berkas musik 10 detik
No. Jumlah
Neuron Hidden Layer Akurasi
1 10
85 2
20 75
3
30 95
4 40
75 5
50 85
6 60
80 7
70 80
8 80
70 9
90 70
10 100
70
Pada Tabel 8 memperlihatkan hasil akurasi percobaan model JST dengan beragam jumlah neuron hidden layer pada ciri 13 koefisien MFCC
dan waktu berkas musik 10 detik. Terlihat bahwa akurasi yang tertinggi
yaitu 95 didapat pada percobaan dengan jumlah neuron hidden layer sebanyak 30 neuron.
Pada model JST, prediksi sistem didapatkan dengan melihat nilai yang terbesar dari keempat neuron layer output yang masing-masing neuron
memberikan nilai prediksi kepada setiap kelas genre. Pada Tabel 9 memperlihatkan hasil prediksi dari percobaan model JST
dengan jumlah neuron hidden layer sebesar 30 neuron, 13 koefisien MFCC dan 10 detik waktu berkas musik. Nilai prediksi sistem pada berkas musik
yang salah diprediksi, memiliki nilai kedua terbesar pada genre sebenarnya.
Tabel 9. Hasil prediksi percobaan model JST dengan 30 neuron hidden layer pada ciri 13 koefisien MFCC dan waktu berkas musik 10 detik
NO. LAGU KLASIK
DISKO METAL
REGGAE SEB PRED
1 K11
0,9999312 0,0056437 0,0011468 0,0011953 K
K 2
K12 0,9960457 0,0073991 0,0227637 0,0151162
K K
3 K13
0,7746381 0,049482
0,4609026 0,0014325 K
K 4
K14 0,99741
0,0915585 0,0004104 0,0046159 K
K 5
K15 0,9383156 0,0054218 0,0090847 0,0567543
K K
6 D11
0,0003719 0,9855018 0,025785
0,0417412 D
D 7
D12 0,0002363 0,6794918 0,6187476 0,1085879
D D
8 D13
0,0294863 0,8893485 0,0386948 0,0111701 D
D 9
D14 7,679E-05 0,7438239 0,2044273 0,4004555
D D
10 D15
0,0020639 0,6635944 0,5950788 0,0039463 D
D 11
M11 0,0032837 0,0974499
0,988707 0,0337503
M M
12 M12
0,1862668 0,656192
0,9623735 0,0010125 M
M 13
M13 0,0043123
0,009421 0,9968142 0,0078728
M M
14 M14
0,0303633 0,0005624 0,9996626 0,0045542 M
M 15
M15 0,0141649 0,0002596 0,9996795 0,0131499
M M
16 R11
0,0011888 0,8139638 0,0005787 0,960649
R R
17 R12
0,0322781 0,003094
0,0095377 0,8539628 R
R 18
R13 0,0771975 0,0015715 0,0016967 0,8253715
R R
19 R14
0,0600059 0,000501
0,0007807 0,9992335 R
R 20
R15 0,0059396 0,6119903
0,140584 0,3591586
R D