KE SIMPULAN Aplikasi algoritma Conjugate Gradient pada jaringan syaraf tiruan perambatan balik.
ix
DAF TAR TABE L
No. Nama Tabel
Halaman Tabel 4.1.
Pola gerbang AND…………………………………………. 50
Tabel 4.2. Pola gerbang XOR……………………………………….….
50 Tabel 4.3.
Pola Bilangan…………………………………………….…. 51
Tabel 4.4. Hasil uji coba gerbang AND………………………………...
52 Tabel 4.5.
Hasil uji coba gerbang XOR………………………………... 56
Tabel 4.6. Hasil uji coba masalah pengenalan bilangan…………………
59 Tabel 4.7.
Kompleksitaspenurunan tercuram dan conjugate gradient……... 62
x
DAF TAR GAMBAR
No. Nama Tabel
Halaman Gambar 2.1.
Jaringan syaraf perambatan balik dengan 1 lapisan tersembunyi ………………………………………………...
15 Gambar 2.2.
Jaringan tiga lapis .……………………………………….…. 16
Gambar 2.3. Fungsi sigmoid biner, dengan rentang nilai 0,1 ……………
22 Gambar 2.4.
Fungsi sigmoid bipolar, dengan rentang nilai -1,1 ………… 22
Gambar 3.1. Lokasi Selang ……………..………………………………...
34 Gambar 3.2.
Selang tidak dikurangi ……………………………………… 35
Gambar 3.3. Diagram alir program pelatihan jaringan perambatan balik
standar …….……………………………………………….. 41
Gambar 3.4. Diagram alir program pengujian jaringan perambatan balik
standar ……………………………………………………... 44
Gambar 3.5. Diagram alir program pelatihan jaringan perambatan dengan
conjugate gradient ……………………………………………...
45 Gambar 3.6.
Diagram alir program pengujian jaringan perambatan balik dengan conjugate gradient ……………………………………...
48 Gambar 4.1.
Hasil masalah gerbang AND dengan BPS pesat belajar 0,5…. 53
Gambar 4.2. Hasil masalah gerbang AND dengan BPS pesat belajar 0,1….
53 Gambar 4.3.
Hasil masalah gerbang AND dengan BPS pesat belajar 0,05... 54
Gambar 4.4. Hasil masalah gerbang AND dengan BPCG ………………..
54 Gambar 4.5.
Hasil masalah gerbang XOR dengan BPS pesat belajar 0,5….. 56
xi
Gambar 4.6. Hasil masalah gerbang XOR dengan BPS pesat belajar 0,1….
57 Gambar 4.7.
Hasil masalah gerbang XOR dengan BPS pesat belajar 0,05... 57
Gambar 4.8. Hasil masalah gerbang XOR dengan BPCG ……………..….
58 Gambar 4.9.
Grafik hubungan antara waktu dan unit tersembunyi BPS…... 60
Gambar 4.10. Grafik hubungan antara waktu dan unit tersembunyi BPCG...
61 Gambar 4.11.
Grafik hubungan antara waktu dan unit tersembunyi BPS dan BPCG ………………………………………………………
61 Gambar 4.12.
Kompleksitas waktu algoritma penurunan tercuram dan conjugate gradient
……………………………………………... 63
Gambar 4.13. Gambar 3 dimensi dari Fx ………………………………...
64 Gambar 4.14.
Gambar kontur dari Fx ………………………………… 65
Gambar 4.15. Gambar lintasan dengan penurunan tercuram dengan ukuran
langkah sangat kecil ………………………………………... 65
Gambar 4.16. Gambar lintasan dengan penurunan tercuram ukuran langkah
0,12 ………………………………………………………... 66
Gambar 4.17. Gambar lintasan dengan conjugate gradient ……………………
66 Gambar 4.18.
Grafik penurunan galat tiap iterasi………………………….. 68
Gambar 4.19. Grafik pengaruh
β
tiap iterasi ……………………………… 68
xii
APLIKASI ALGORITMA CONJUGATE GRADIE NT PADA JARINGAN SYARAF TIRUAN
PE RAMBATAN BALIK
Abstrak
Jaringan syaraf lapis jamak telah berhasil diaplikasikan ke berbagai permasalahan. Algoritma penurunan tercuram steepest descent merupakan algoritma
yang popular digunakan sebagai algoritma pembelajaran pada jaringan syaraf perambatan balik yang kemudian disebut sebagai algoritma perambatan balik standar.
Algoritma ini menghasilkan kekonvergenan yang lambat dan sangat tergantung pada parameter pesat belajarnya.
Penelitian ini bertujuan untuk memperbaiki unjuk kerja kecepatan konvergen pada algoritma perambatan balik standar. Algoritma conjugate gradient yang merupakan
algoritma iteratif yang handal untuk menyelesaikan persamaan linear simultan skala besar dapat juga digunakan untuk mengoptimalkan algoritma belajar pada jaringan
perambatan balik. Pengujian dilakukan dengan membuat program dengan bahasa C+ + untuk
masing-masing algoritma dengan compiler Borland C+ + versi 5.02 dan kemudian mengaplikasikan masing-masing program pada beberapa kasus. Dan dari situ bisa
dibandingkan unjuk kerja dari masing-masing algoritma.
xiii
THE APPLICATION OF CONJUGATE GRADIE NT ALGORITHM
FOR BACKPROPAGATION NE URAL NE TWORK
Abstract
Multilayer neural network has been succesfully applied to many problems. Steepest descent is a popular learning algorith for backpropagation neural network,
called standard backpropagation algorithm. This algorithm converges very slowly and depend on learning rate parameter.
The goal of this research is to overcome these problems. Conjugate gradient which is the most popular iterative algorithm for solving large system of linear
equations. This algorithm can be used to optimize backpropagation learning algorithm.
The program in C+ + language with Borland C+ + version 5.02 is made for analyze the performance of standar backpropagation and conjugate gradient
backpropagation.
1