3.2.2 Proses Pelatihan dan Pengujian Jaringan
Proses Pelatihan merupakan suatu proses iterasi dan pada sistem tertentu akan membutuhkan waktu yang cukup panjang pada proses pelatihan. Selama proses
pelatihan, faktor bobot akan mengalami perubahan dan bila tahapan telah selesai maka nilai-nilai faktor bobot akan disimpan.
Sedangkan pada proses pengujian, proses dilakukan pada data masukan yang baru yang belum pernah dilatih sebelumnya dan dihitung dengan menggunakan bobot
hasil pelatihan yang telah disimpan sebelumnya.
Proses pelatihan dan pengujian pada sistem ini dilakukan dengan menggunakan 2 buah metode, yaitu Learning Vector Quantization dan
Backpropagation. Berikut ini adalah data yang akan dijadikan sebagai input dari proses Pelatihan dan Pengujian.
1. Pelatihan Learning Vector Quantization
a. Tentukan nilai maksimum perulangan epoch, error minimum, rasio pembelajaran
� dan pengurangan rasio. Pada contoh ini digunakan batasan sebagai berikut:
Maksimum perulangan = 4 Error minimum = 0,01
Rasio Pelatihan � = 0,05
Pengurangan rasio = 0,1
b. Misalkan disajikan dua buah vector masukan untuk percobaan, seperti terlihat pada Tabel 3.1
Tabel 3.1 Vector Masukan
c. Tentukan vector w sebagai bobot awal dan input sisanya sebagai vector x, seperti pada Tabel 3.2 berikut ini:
Tabel 3.2 Inisialisasi Bobot Awal w dan Masukan x
d. Tahap Pelatihan. Untuk setiap data masukan x dihitung terhadang setiap data bobot w dengan rumus pada persamaan berikut:
= −
2 =1
… … … … … … … … … … … … … 3.2
Epoch ke-1: Data ke-1
76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117 Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.3:
Tabel 3.3 Perhitungan Jarak Cj
e. Hitung bobot w baru berdasarkan jarak terkecil dengan persamaan 2.15, seperti telihat pada Tabel 3.4
Tabel 3.4 Perhitungan Bobot Baru
Wjbaru = Wjlama + α [x – Wjlama] w1
60+0.0576-60 60.800
w2 98+0.05112-98
98.700 w3
106+0.05116-106 106.500
w4 92+0.05123-92
93.550 w5
74+0.0568-74 73.700
w6 96+0.0593-96
95.850 w7
100+0.0594-100 99.700
w8 94+0.05105-94
94.550
w9 90+0.0582-90
89.600 w10
105+0.05101-105 104.800
w11 114+0.05110-114
113.800 w12
106+0.05114-106 106.400
w13 65+0.0579-65
65.700 w14
81+0.0593-81 81.600
w15 101+0.05112-101
101.550 w16
96+0.05117-96 97.050
Dilakukan perhitungan perubahan nilai rasio dengan rumus: � � = �s � −
� � � ∗ � �……………………..3.3 � � = 0.05 – 0.10.05 = 0.045
Epoch ke-2: Data ke-1
76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117
Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.5:
Tabel 3.5 Perhitungan Jarak Cj
X W
j
baru x-w baru
2
√ � 76
60.800 231.04000
50.06239 112
98.700 176.89000
116 106.500
90.25000 123
93.550 867.30250
68 73.700
32.49000 93
95.850 8.12250
94 99.700
32.49000 105
94.550 109.20250
82 89.600
57.76000 101
104.800 14.44000
110 113.800
14.44000 114
106.400 57.76000
79 65.700
176.89000 93
81.600 129.96000
112 101.550
109.20250 117
97.050 398.00250
Hitung bobot baru berdasarkan jarak terkecil
Hitung bobot w baru berdasarkan jarak terkecil dengan rasio � = 0.045 , seperti
telihat pada Tabel 3.6
Tabel 3.6 Perhitungan Bobot W
j
baru
Wjbaru = Wjlama + α [x - Wjlama] w1
60.800+0.045[76-60.800] 61.48400
w2 98.700+0.045[112-98.700]
99.29850 w3
106.500+0.045[116-106.500] 106.92750
w4 93.550+0.045[123-93.550]
94.87525 w5
73.700+0.045[68-73.700] 73.44350
w6 95.850+0.045[93-95.800]
95.72175 w7
99.700+0.045[94-99.700] 99.44350
w8 94.550+0.045[105-94.550]
95.02025 w9
89.600+0.045[82-89.600] 89.25800
w10 104.800+0.045[101-104.800]
104.62900 w11
113.800+0.045[110-113.800] 113.62900
w12 106.400+0.045[114-106.400]
106.74200 w13
65.700+0.045[79-65.700] 66.29850
w14 81.600+0.045[93-81.600]
82.11300 w15
101.550+0.045[112-101.550] 102.02025
w16 97.050+0.045[117-97.050]
97.94775
Hitung perubahan nilai rasio, seperti berikut:
� � = 0.045−0.10.045 = 0.0405
Epoch ke-3: Data ke-1
76, 112, 116, 123, 68, 93, 94, 105, 82, 101, 110, 114, 79, 93, 112, 117
Hitung jarak Cj terhadap bobot awal w, seperti terlihat pada Tabel 3.7:
Tabel 3.7 Perhitungan Jarak Cj
X W
j
lama x-w baru
2
√ � 76
61.48400 210.71426
47.80958 112
99.29850 161.32810
116 106.92750
82.31026 123
94.87525 791.00156
68 73.44350
29.63169 93
95.72175 7.40792
94 99.44350
29.63169 105
95.02025 99.59541
82 89.25800
52.67856 101
104.62900 13.16964
110 113.62900
13.16964 114
106.74200 52.67856
79 66.29850
161.32810
Kategori