45 Dalam algoritma backpropagation dengan menggunakan momentum, perubahan bobot didasarkan atas
gradien yang terjadi untuk pola yang dimasukkan saat itu. Momentum akan membuat jaringan melakukan penyesuaian bobot yang lebih besar selama koreksinya memiliki arah yang sama dengan
pola ada. Sedangkan learning rate yang kecil digunakan untuk mencegah respon yang terlalu besar terhadap error dari satu pola proses belajar. Tahapan selanjutnya adalah pengujian untuk menentukan
jumlah neuron pada hidden layer pertama dan kedua. Hasil pengujian jumlah neuron pada Hidden Layer
disajikan pada Tabel 9. Tabel 9. Hasil pengujian jumlah neuron pada Hidden Layer
Hidden 1 Hidden 2
MSE Epoch
20 10 1.54e-07
40 40 20
2.91e-08 41
60 30 2.55e-09
66 Hasil pengujian untuk menentukan jumlah neuron pada hidden layer 1 dan 2 menunjukkan bahwa
hasil terbaik diperoleh oleh kombinasi antara 60 neuron untuk hidden layer 1 dan 30 untuk hidden layer
2, yaitu dengan nilai MSE terkecil. Maka dengan diperolehnya hasil ini, konfigurasi yang terbaik untuk model pelatihan jaringan syaraf tiruan dengan pola data yang ada telah didapatkan.
5.3 Pelatihan Jaringan Syaraf
Setelah didapatkan konfigurasi arsitektur jaringan yang dianggap paling baik, maka langkah selanjutnya adalah melakukan pelatihan dengan data pelatihan yang telah dipersiapkan. Sebelum
melakukan pelatihan terlebih dahulu dibuat jaringan Backpropagation dengan menggunakan MATLAB. Pembentukan jaringan Backpropagation di MATLAB dengan perintah newff, dan
dilanjutkan dengan konfigurasi seperti yang telah ditetapkan sebelumnya. Pada pembentukan jaringan ini juga ditentukan algoritma pelatihan yang digunakan dan juga
metode perubahan bobot yang digunakan. Pada percobaan ini algoritma pelatihan yang digunakan adalah trainlm Levenberg-Marquardt backpropagation Algorithms. Algoritma trainlm seringkali
merupakan algoritma backpropagation tercepat di MATLAB, dan sangat direkomendasikan sebagai pilihan pertama untuk algoritma yang diawasi, meskipun membutuhkan memori lebih dari algoritma
yang lain Matworks Online 2010. Selain itu ditentukan juga metode perubahan bobot yang akan digunakan. Pada percobaan ini digunakan metode learngdm, yang merupakan metode default yang
direkomendasikan oleh MATLAB. Setelah semua parameter ditentukan dan algoritma pelatihan beserta metode perubahan bobot
ditentukan langkah selanjutnya adalah menginputkan data pelatihan yang akan dilatihkan kedalam MATLAB. Gambar data pelatihan yang telah di inputkan dan telah di normalisasi dapat dilihat pada
Gambar 18.
46 Gambar 18. Data yang akan dilatihkan pada jaringan
Pada gambar tersebut terdapat sembilan kolom yang masing-masing kolom merepresentasikan data atribut yang telah dipilih sebagai masukan jaringan. Kolom 1 hingga 8 merepresentasikan X1 – X8
sedangkan kolom 9 adalah intensitas level kelangkaan yang dijadikan target keluaran. Setelah data masukan yang sudah dinormalisasi telah dinputkan semua maka tahap selanjutnya adalah melakukan
pelatihan jaringan. Pelatihan ini bertujuan agar jaringan mampu mengenali pola yang diinputkan. Gambar 19 menunjukkan grafik hasil pelatihan yang telah dilakukan dengan menggunakan 66 data
pelatihan.
Gambar 19. Grafik hasil pelatihan jaringan Parameter yang ditentukan dalam pelatihan ini adalah nilai MSE 0.0000005 5.10
-7
. Namun hasil pelatihan jaringan mampu mendapatkan nilai Error yang lebih kecil yaitu 0.00000000531 5.31.10
-9
dengan 38 iterasi. Nilai ini menandakan bahwa performa yang didapatkan lebih baik dan telah melampaui batas yang telah ditentukan. Gambar di atas juga menandakan bahwa pola data yang telah
dilatihkan telah dapat dikenali dan siap untuk dilakukan pengujian dan validasi.
5.4 Pengujian Jaringan Syaraf
