Perumusan Masalah Batasan Masalah Kerangka Kerja Penelitian Frame Work Manfaat penelitian

konvergensi pada algoritma backpropagation dengan menggunakan adaptive tekhnique; Khan, et al 2008 menyimpulkan bahwa algoritma genetika lebih akurasi pada algoritma backpropagation neural network; Ghosh 2012 memperkenalkan persilangan antara dua jenis supervised pada pembelajaran algoritma backpropagation. Subavathi Kathirvalavakumar 2011 melakukan penelitian dengan nilai adaptive learning pada hidden layer dan output berdasarkan perbedaan nilai error. Berdasarkan dari penelitian yang ada tersebut, penulis mencoba untuk melakukan penelitian bagaimana mempercepat pembelajaran pada algoritma backpropagation menggunakan parameter Adaptive learning rate dan koefisien momentum yaitu merupakan dua parameter yang penting dalam algoritma backpropagation karena learning rate digunakan untuk menentukan seberapa cepat jaringan mempelajari pola dari data training. Nilai ini harus dipilih dengan tepat, penentuan laju pembelajaran yang terlalu besar menyebabkan pembelajaran dapat terjadi dengan cepat, tetapi juga dapat menjadi tidak stabil dan bahkan mungkin tidak belajar sama sekali, maupun terlalu kecil akan menyebabkan pelatihan menjadi lambat. Sedangkan koefisien momentum menunjukkan bahwa bobot pada iterasi sebelumnya mempengaruhi bobot sekarang. Tujuan utama dari pengenalan koefisien momentum adalah untuk menurunkan osilasi dari penyesuaian bobot dan untuk mempercepat laju konvergensi dari algoritma Backpropagation. Penggunaan parameter Adaptive learning rate dan koefisien momentum pada algoritma backpropagation diharapkan dapat menghasilkan percepatan pembelajaranserta hasil pembelajaran yang di akurat.Dari uraian diatas, penulis tertarik untuk mengambil judul “Analisis Accelerated Learning pada Algoritma Backpropagation menggunakan Adaptive learning rate”.

1.2. Perumusan Masalah

Untuk mendapatkan pembelajaran yang stabil, tingkat belajar harus cukup kecil, tetapi tingkat belajar kecil dapat menyebabkan waktu belajar yang panjang dan kecepatan konvergensi lambat. Berdasarkan uraian latar belakang maka penulis mencoba meneliti bagaimana mengatasi perlambatan konvergensi pada algoritma backpropagation dengan menambahkan parameter Accelerated Learning pada algoritma tersebut.. Universitas Sumatera Utara

1.3. Batasan Masalah

Rumusan masalah diatas, dibatasi dengan beberapa hal sebagai berikut : 1. Data yang akan digunakan adalah data set blood transfusion service center. 2. Accelarated learning yang digunakan pada algoritma backpropagation adalah adaptive learning rate dan koefisien momentum. 3. Bahasa pemrograman yang digunakan untuk simulator backpropagation adalah pemrograman Microsoft Visual Basic Net 2012

1.4. Kerangka Kerja Penelitian Frame Work

Berikut merupakan kerangka kerja yang digunakan sebagai langkah-langkah dalam penyelesaian permasalahan yang telah diuraikan pada rumusan masalah. Gambar 1.1 . Kerangka Kerja Penelitian Pemilihan awal penelitian Merumuskan masalah Menentukan konsep Metode penelitian Studi literatur dan Pustaka A nalisa dan Perancangan simulasi Implementasi dan Pengujian Universitas Sumatera Utara 1.5.Tujuan Penelitian 1. Untuk meneliti pengaruh adaptif parameter learning rate dan koefisien momentum pada laju konvergensi. 2. Untuk meningkatkan kinerja dari algoritma konvensional dengan memilih nilai yang optimal untuk learning rate dan koefisien momentum .

1.6. Manfaat penelitian

Manfaat yang diharapkan dari hasil penelitian ini adalah sebagai berikut : 1. Dapat mengetahui sejauh mana penggunaan adaptive learning ratedan koefisien momentum mampu mempercepat pembelajaran pada algoritma backpropagation. 2. Dapat mengetahui lebih dalam tentang algoritma backpropagation. Universitas Sumatera Utara

BAB 2 TINJAUAN PUSTAKA