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”.