38
Tabel 4.5. Nilai Keluaran Jaringan
Propagasi mundur dilakukan untuk mendistribusikan kesalahan di unit berupa error dan untuk menghitung koreksi bobot dan bias. Penjelasan lebih
lengkap tentang propogasi mundur ada di BAB II Pelatihan Backpropagation. Perubahan bobot adalah kegiatan yang dilakukan dalam beberapa iterasi,
pada skripsi ini digunakan 20848 kali untuk mencapai nilai error tujuan yaitu 0,00476 dan secara otomatis bobot awal akan berubah menjadi:
No. Nilai Keluaran
1 -1,901573347
2 -1,891800949
3 -1,872274234
4 -1,922166300
5 -1,941137097
. .
. .
. .
465 1,505524692
466 1,489221944
467 1,511671509
468 1,527948518
469 1,593913733
39
Tabel 4.6. Tabel Bobot Akhir Lapisan Masukan ke lapisan tersembunyi Pertama
Lapisan Tersembunyi
pertama Lapisan Masukan
x1 x2
M1 0,133
0,651 M2
0,315 -1,562
M3 -0,134
-1,24 M4
0,024 -0,00
M5 0,027
0,519 M6
0,500 0,147
M7 0,319
0,637 M8
-0,366 1,036
M9 -1,037
-0,163 M10
0,004 0,619
Perubahan bobot akhir ini menghasilkan banyak keluaran, seluruh keluaran berfungsi untuk mendapatkan hasil peramalan yang lebih baik. Hasil
perubahan bobot secara lengkap dapat dilihat di Lampiran 6 Tabel inisialisasi bobot dan bias akhir. Setelah proses pelatihan backpropagation didapatkan, akan
didapat pula hasil peramalan.
4.6 Analisis Hasil Peramalan
Tujuan utama penggunaan backpropagation adalah mendapatkan keseimbangan antara pengenalan pola pelatihan secara benar dan respon yang
baik untuk pola lain yang sejenis disebut data pengujian. Jaringan dapat dilatih terus menerus hingga semua pola pelatihan dikenali dengan benar.
Umumnya data dibagi menjadi 2 bagian saling asing, yaitu pola data yang dipakai sebagai data pelatihan dan data yang dipakai untuk pengujian. Pada
penelitian ini data pelatihan ada 369 data dan data pengujian ada 100 data. Perubahan bobot dilakukan berdasarkan pola pelatihan. Akan tetapi selama
40
pelatihan, kesalahan yang terjadi dihitung berdasarkan semua data pelatihan dan pengujian.
4.6.1 Analisis Data Pelatihan
Pelatihan jaringan akan berhenti jika telah mendapatkan error yang lebih kecil dari target error dalam penelitian ini dinamakan MSE Mean Squared
Error. Jika error tidak terpenuhi maka error akan berhenti pada maksimum iterasi atau iterasi yang dimasukkan. Banyaknya masukan untuk lapisan masukan
juga berpengaruh untuk keakuratan prediksi oleh jaringan syaraf tiruan. data masukanan juga dipakai sebagai data pelatihan untuk mencari bobot yang optimal.
Setiap arsitektur mempunyai bobot akhir yang dihasilkan berdasarkan bobot awal dan data masukan.
Pada pelatihan jaringan akan memperhatikan parameter pembelajaran yang digunakan, seperti parameter learning rate . Semakin besar nilai , semakin
cepat pula proses pelatihan. Akan tetapi jika terlalu besar, maka algoritma menjadi tidak stabil dan mencapai titik minimum lokal. Nilai pada penelitian ini
adalah 0,5. parameter lainnya adalah momentum yang digunakan untuk melakukan perubahan bobot yang didasarkan atas arah gradien pola terakhir dan
pola sebelumnya. Nilai momentum yang digunakan adalah 0,8. Data pelatihan terdiri dari 2 masukan dan 1 target di mana masing-masing
masukan dan target mempunyai 369 data. Hasil peramalan data pelatihan dapat dilihat pada Tabel 4.7.
