Arsitektur Backpropagation Neural Network NN

33 neuron pada layar tersembunyi yang optimal. Suatu formula yang bisa digunakan untuk memperkirakan jumlah neuron pada layar tersembunyi adalah akar dari jumlah variabel pola masukan dikali jumlah neuron pada layar keluaran Suyanto 2007. Dalam penelitian ini dicoba variasi neuron di lapisan tersembunyi sejumlah 2, 5, 10, 15, 20 dan 25 untuk mendapatkan model yang optimum. Jumlah neuron pada lapisan keluaran adalah 3, sesuai dengan jumlah klasifikasi yang dilakukan. Sebagai kondisi berhenti adalah nilai ambang Mean Square Error MSE atau nilai toleransi minimum sebesar 10 -6 atau maksimum iterasi sebesar 5000 epoch dengan learning rate laju pembelajaran 1. 4 Metode Pelatihan dan Pengujian Proses pelatihan dan pengujian dilakukan dalam upaya untuk mendapatkan model FNN yang optimum. Prosedur pelatihan dilakukan dengan melakukan variasi jumlah neuron pada lapisan tersembunyi dan variasi kombinasi parameter input. Kinerja dari FNN diukur dengan melihat error hasil pelatihan, validasi dan testing terhadap sekumpulan data. Pelatihan FNN dilakukan menggunakan algoritma supervised backpropagation. Algoritma ini telah digunakan oleh Pal Mitra 1992, Sarkar et. a.l. 1997 dan Kusumadewi 2006, dalam mengatasi pola yang berada diantara dua kelas. Pada proses pelatihan atau training program akan memanggil data masukan dan data target yang berupa nilai-nilai penduga kematangan manggis dan pola output fuzzy yang telah terbentuk. Kemudian pola tersebut dilatih oleh FNN dengan tujuan agar FNN memiliki pengetahuan yang cukup dalam mengenali pola-pola kematangan manggis. Pada proses pelatihan ini diperoleh matrik bobot yang digunakan untuk menyimpan pengetahuan. Proses validasi akan dilakukan untuk menguji kinerja jaringan terhadap data yang telah diberikan selama proses pelatihan, dengan menggunakan 100 data input yang diberikan selama proses pelatihan. Kinerja jaringan dapat dinilai berdasarkan nilai MSE. Jika FNN telah berhasil selama proses pelatihan dan validasi maka model pendugaan kematangan manggis tersebut sudah dapat digunakan untuk proses 34 selanjutnya. Tahap selanjutnya adalah pengujian, proses ini dilakukan dengan memasukkan nilai data input untuk mendapatkan nilai output, yaitu pendugaan tahap kematangan. Pada proses pengujian FNN dilakukan proses pengambilan matriks bobot yang tersimpan sebelumnya, kemudian setelah dihitung dengan matrik input pola dapat diketahui apakah pola tersebut dapat dikenali atau tidak, yaitu berdasarkan nilai terbesar dari setiap baris matriks yang didapatkan. Struktur FNN disajikan dalam Tabel 3. Tabel 3 Struktur FNN Karakteristik Spesifikasi Arsitektur Multilayer Perceptron Hidden Neuron 2, 5, 10, 15, 20, 25 Output Neuron 3 Fungsi aktivasi Sigmoid biner Training Function Trainlm default Matlab Maksimum Epoch 3000 Learning rate 1 5 Pengambilan Keputusan Pengambilan keputusan dilakukan dengan mengambil nilai yang terbesar dari vektor baris yang didapatkan. Jika nilai terbesar dari keluaran berada di kolom pertama maka berarti pola tersebut merupakan anggota dari kelas target 1. Jika nilai terbesar dari keluaran berada di kolom kedua maka berarti pola tersebut merupakan anggota dari kelas target 2. Jika nilai terbesar dari keluaran berada di kolom ketiga maka berarti pola tersebut merupakan anggota dari kelas target 3.

3.1.4 Pembandingan Akurasi Terhadap NN

Pada tahap ini dilakukan pembandingan akurasi FNN hasil pelatihan terbaik terhadap akurasi NN yang dilatih dengan struktur yang sama, sehingga dapat dilihat tingkat kelayakan dari model FNN yang terbentuk.

3.1.5 Desain Aplikasi FNN

Tahap terakhir adalah membuat aplikasi FNN untuk klasifikasi kematangan buah manggis. Aplikasi ini dibuat menggunakan bobot jaringan dari model FNN terbaik yang dihasilkan dari percobaan-percobaan yang dilakukan.