BAB IV
HASIL DAN PEMBAHASAN
4.1 Pendahuluan
Pada bab ini, penulis melakukan uji coba algoritma backpropagation neural network untuk pembentukan fungsi keanggotaan fuzzy secara otomatis, dengan
menggunakan bahasa pemrograman Visual Basic 6.0 Pada penelitian ini, akan ditampilkan hasil pelatihan dari tiga buah dataset serta hasil pengujian dari sebuah
dataset. Adapun uji coba yang penulis lakukan menggunakan komputer dengan spesifikasi hardware sebagai berikut :
1. Prosesor, dual core. 1.86 GHz.
2. RAM, 2 GB.
3. VGA, 1 GB
4.2 Hasil Uji Coba
Backpropagation Neural Network merupakan algoritma yang akan menghasilkan nilai terbaik melalui serangkaian uji coba trial and error. Untuk itu, dalam
penelitian ini, penulis melakukan beberapa percobaan dengan nilai dataset yang berbeda-beda untuk kemudian menghasilkan grafik membership function sesuai
target yang diharapkan. Hasil uji coba tersebut akan ditampilkan dalam bentuk data hasil ujicoba, berupa data target serta bobot akhir dan grafik hasil ujicoba,
yaitu grafik hasil pelatihan dan pengujian.
Universitas Sumatera Utara
4.2.1 Proses Pelatihan Dataset Umur
Pada dataset umur ukuran rentang nilai yang dilatih adalah 6 – 80. Error min yang diberikan adalah 0,5 dengan maxepoch 100, dengan pola pelatihan
menggunakan data yang sama untuk kemudian mengubah jumlah maxepoch, dimulai dengan maxepoch 10, 100, 1000 dan 100. Secara lebih rinci, hasil uji coba
pada penelitian ini adalah sebagai berikut:
4.2.1.1 Set Target Dan Bobot
Alpha : 0,6
P_alpha : 0,5
Bobot awal : 0,5
Derajat keanggotaan : 0,1 – 0,9 Jumlah data
: 100 Jumlah Target
: 5
Data uji coba : Bilangan Random
23 29 26 28 19 47 56 21 46 46 79 75 20 65 62 33 50 39 40 11 78 14 47 55 9 52 59 62 35 7 40 46 6 33 9 12 25 79 48 22 33 38 7 37 35 76 22 14 40 27 41 32 21 7 51
29 44 71 34 48 30 6 9 12 12 61 21 11 6 55 68 41 64 79 42 7 50 26 22 55 32 31 16 70 12 32 49 44 58 10 26 6 63 74 24 18 76 15 33 29
Hasil Sorting 6 6 6 6 7 7 7 7 9 9 9 10 11 11 12 12 12 12 14 14 15 16 18 19 20 21 21 21 22 22 22
23 24 25 26 26 26 27 28 29 29 29 30 31 32 32 32 33 33 33 33 34 35 35 37 38 39 40 40 40 41 41 42 44 44 46 46 46 47 47 48 48 49 50 50 51 52 55 55 55 56 58 59
61 62 62 63 64 65 68 70 71 74 75 76 76 78 79 79 79
Universitas Sumatera Utara
Gambar 4.1 Tampilan program set target dan bobot
Dari hasil sorting terlihat bahwa nilai minimum dari data tersebut adalah 6, dan nilai maksimumnya 79, yang perlu dicari kemudian adalah tiga nilai diantara 6
dan 79 sebagai X
2
. Berikut merupakan hasil set target dan bobot pada proses pelatihan :
Nilai Hasil Kohonen maxi= 79
temp1= 76 temp2= 48
temp3= 24 mini= 6
Dari potongan hasil diatas didapatkan Variable X
2
, yaitu temp1, temp2, dan Temp3. Grafik 1 dimulai dari data pada X
1
= 0, yang merupakan nilai minimum sampai batas X
2
temp3 yaitu 24, grafik 2 dimulai dari data pada X
1
= 0, yang merupakan nilai minimum sampai batas X
2
temp2 yaitu 48, dengan titik puncak grafik pada temp3 = 24, grafik 3 dimulai dari data pada X
1
= 25 sampai batas X
2
temp1 yaitu 76 dengan titik puncak grafik pada temp2 = 48, grafik 4 dimulai dari data pada X
1
= 49 sampai batas X
2
nilai maximum yaitu 79 dengan
Universitas Sumatera Utara
titik puncak grafik pada temp1 = 76 dan grafik 5 dimulai dari data pada X
1
= 77 sampai batas X
2
nilai maximum yaitu 79 dengan titik puncak grafik pada nilai maximum = 79. Proses pembentukan grafik dijabarkan sebagai berikut :
a. Proses pembentukan grafik 1 a.1 Input 1
Tabel 4.1 Input 1 proses clusterisasi data target awal potongan grafik MF 1
Indeks Data Ke -
Input 1 Indeks
Data Ke - Input 1
Indeks Data Ke -
Input 1 1
6 dan 24 dan 23 15
12 dan 24 dan 9 29
22 dan 24 dan -5 2
6 dan 24 dan 22 16
12 dan 24 dan 8 30
22 dan 24 dan -6 3
6 dan 24 dan 21 17
12 dan 24 dan 7 31
22 dan 24 dan -7 4
6 dan 24 dan 20 18
12 dan 24 dan 6 32
23 dan 24 dan -8 5
7 dan 24 dan 19 19
14 dan 24 dan 5 33
0 dan 0 dan 0 6
7 dan 24 dan 18 20
14 dan 24 dan 4 34
0 dan 0 dan 0 7
7 dan 24 dan 17 21
15 dan 24 dan 3 35
0 dan 0 dan 0 8
7 dan 24 dan 16 22
16 dan 24 dan 2 36
0 dan 0 dan 0 9
9 dan 24 dan 15 23
18 dan 24 dan 1 37
0 dan 0 dan 0 10
9 dan 24 dan 14 24
19 dan 24 dan 0 38
0 dan 0 dan 0 11
9 dan 24 dan 13 25
20 dan 24 dan -1 .
. .
0 dan 0 dan 0 12
10 dan 24 dan 12 26
21 dan 24 dan -2 13
11 dan 24 dan 11 27
21 dan 24 dan -3 14
11 dan 24 dan 10 28
21 dan 24 dan -4 100
0 dan 0 dan 0
Pada hasil input 1 terlihat bahwa terdapat 3 variabel nilai, yaitu X
1
, X
2
dan X
3
. X
1
merupakan data input yang telah di-sorting X
2
merupakan nilai temp3, X
3
didapatkan dari X
2
Input 1 akan menghasilkan grafik linear turun, karena itu pada variabel X – indeks dimulai dari 1. Pada grafik 1, titik puncak
merupakan titik awal yaitu nilai minimum dan titik akhir merupakan temp3.
3
data dimulai dari yang tertinggi sampai dengan yang terendah.
Universitas Sumatera Utara
a.2 Input hasil normalisasi Tabel 4.2 Input hasil normalisasi data target awal potongan grafik MF 1
Kategori