31
dimana : net
= jaringan backpropagation yang terdiri dari n lapisan PR
= matriks ordo Rx2 yang berisi nilai minimum dan maksimum R buah elemen masukan
Si 1,2,...,n = jumlah unit pada lapisan ke-I I = 1,2,...n Tfi I = 1,2,...n = fungsi aktivasi yang dipakai pada lapisan ke-i. Default = tansig
BTF = fungsi pelatihan jaringan. Default = traingdx
BLF = fungsi perubahan bobotbias. Default = learngdm
PF = fungsi perhitungan error. Default = mse
Dengan menggunakan perintah tersebut maka terbentuk jaringan dengan nama “net”. Fungsi aktivasi yang dipakai adalah sigmoid bipolar dalam Matlab dinyatakan sebagai
“tansig”, sigmoid biner dalam Matlab dinyatakan sebagai
“logsig”, dan identitas dalam Matlab dinyatakan sebagai “pureline”.
Pelatihan yang dilakukan dalam Matlab dapat menggunakan berbagai fungsi, semuanya bertujuan untuk mempercepat pelatihan. Fungsi default yang dipakai Matlab adalah “traingdx”. Dalam
penelitian ini digunakan fungsi resilient backpropagation dalam Matlab dinyatakan sebagai “trainrp”. Hal ini dilakukan karena pada metode standar backpropagation seringkali terlalu lambat
dalam pelatihannya. Dalam backpropagation, perhitungan ujuk kerja dilakukan berdasarkan kuadrat
rata-rata kesalahan MSE.
3.5.3 Inisialisasi Bobot
Dalam algoritma backpropagation diperlukan inisiasi pembobot awal. Bobot awal akan mempengaruhi pencapaian titik minimum lokal atau global, dan kecepatan konvergensinya.
Setiap kali membentuk jaringan backpropagation, Matlab akan merubah nilai bobot dan bias awal dengan bilangan acak kecil. Nguyen dan Widrow 1990 dalam Siang 2009 mengusulkan cara
membuat inisiasi bobot dan bias ke unit tersembunyi sehingga menghasilkan iterasi lebih cepat. Perintah yang digunakan adalah sebagai berikut :
net = initnwnet, 1; Dengan perintah tersebut, Matlab secara otomatis akan menginisialisasi bobot berdasarkan algoritma
inisialisasi bobot Nguyen dan Widrow. Dalam perintah tersebut angka “1” menunjukkan bobot yang
menuju lapisan tersembunyi akan diinisiasi dengan bobot hasil algoritmma Nguyen dan Widrow. Untuk yang dari lapisan tersembunyi ke lapisan output, tambahkan lagi perintah tersebut namun angka
“1” dirubah menjadi angka “2” untuk kasus dalam penelitian ini, karena hanya menggunakan satu hidden layer.
3.5.4 Pelatihan Jaringan
Jika jaringan sudah diinisiasi bobot dan bias awalnya, maka jaringan tersebut dapat dilatih. Dengan menggunakan Matlab, pelatihan jaringan dapat dilakukan dengan mudah yaitu dengan
menggunakan perinta h “train”. Ada beberapa parameter pelatihan yang dapat diatur sebelum pelatihan
dilakukan agar memperoleh hasil yang lebih optimal. Pengaturan parameter dengan fungsi pelatihan resilient backpropagation dapat dilakukan dengan mudah menggunakan MATLAB, seperti
ditunjukkan pada Tabel 4.
32
Nilai pada parameter delt_inc, delt_dec, delta0, dan deltamax merupakan default dalam Matlab ketika membuat jaringan dengan fungsi pelatihan “trainrp”. Nilai pada paremeter tersebut juga
merupakan nilai yang memberikan hasil yang optimum Febrianty et al. 2007. Kondisi pemberhentian dari jaringan tersebut berdasarkan nilai Mean Square Error MSE,
dimana Mean Square Error MSE lebih kecil dari toleransi net.trainParam.goal yang telah ditentukan atau jumlah epoch pelatihan sudah mencapai epoch maksimum. Diagram alir untuk
mendapatkan jaringan yang optimal dapat dilihat pada Lampiran 13. Tabel 4. Parameter yang digunakan dalam fungsi pelatihan resilient backpropagation
Parameter Nilai
net.trainParam.epochs 100000
net.trainParam.show 25
net.trainParam.showCommandLine net.trainParam.showWindow
1 net.trainParam.goal
0.0001 net.trainParam.min_grad
1.00E-06 net.trainParam.lr
0.1 net.trainParam.delt_inc
1.2 net.trainParam.delt_dec
0.5 net.trainParam.delta0
0.07 net.trainParam.deltamax
50
3.5.5 Simulasi Jaringan Pengujian jaringan
