51 beserta parameter-parameter yang digunakan. Adapun langkah-langkah yang
dilakukan oleh penulis adalah sebagai berikut: 1. Dilakukan serangkaian percobaan untuk variasi jumlah hidden layer dan
jumlah hidden neuron untuk mencari arsitektur jaringan terbaik. Dari seluruh variasi jumlah neuron pada hidden layer yang dicoba akan dipilih satu variasi
yang memberikan nilai MSE pelatihan paling minimum. 2. Setelah arsitektur jaringan terbaik diperoleh, kemudian dilakukan beberapa
kali percobaan untuk mencari bobot terbaik pelatihan yang menghasilkan nilai MSE paling minimum sesuai dengan iterasi yang telah ditetapkan.
3. Nilai bobot terbaik disimpan untuk diuji kembali dengan menggunakan nilai learning rate antara 0.1 sampai dengan 0.9.
4. Menampilkan hasil prediksi menggunakan data testing yang pernah dilatih dan juga data testing yang belum pernah dilatih kedalam jaringan.
4.2.1. Variasi Jumlah Hidden Layer
Percobaan pertama yang dilakukan yaitu dengan menggunakan satu hidden layer dengan beberapa variasi jumlah neuron. Nilai learning rate yang digunakan adalah 0.2
dan epoch maksimal adalah 10000 dengan error maksimal 0.1. Hasil percobaan dapat
dilihat pada tabel 4.1 berikut ini: Tabel 4.1
Menggunakan Satu Hidden Layer
Jumlah Hidden Neuron
Learning Rate MSE
Epoch Keterangan
4 0.2
0.764 10000
Tidak tercapai 5
0.2 0.736
10000 Tidak tercapai
6 0.2
0.733 10000
Tidak tercapai 7
0.2 0.723
10000 Tidak tercapai
8 0.2
0.709 10000
Tidak tercapai 9
0.2 0.705
10000 Tidak tercapai
22 0.2
0.577 10000
Tidak tercapai 35
0.2 0.476
10000 Tidak tercapai
Universitas Sumatera Utara
52 Berdasarkan hasil percobaan yang dapat dilihat dari tabel 4.1 maka dapat diketahui
bahwa arsitektur jaringan dengan menggunakan satu hidden layer ternyata tidak mampu mencapai nilai MSE yang telah ditetapkan yaitu 0.01. Adapun hasil dari
prosesnya dapat dilihat melalui gambar 4.1 berikut ini:
Gambar 4.1 Proses training menggunakan 9 hidden neuron
Universitas Sumatera Utara
53
Gambar 4.2 MSE tidak tercapai
4.2.2. Variasi Jumlah Neuron
Setelahpercobaan dengan menggunakan satu hidden layer tidak dapat mencapai nilai MSE yang ditentukan, maka pada percobaan selanjutnya dilakukan dengan
menggunakan dua hidden layer dengan variasi jumlah neuron untuk masing-masing layer. Percobaan dilakukan beberapa kali untuk mencari arsitektur terbaik, untuk
masing-masing variasi jumlah iterasi epoch maksimal yang digunakan yaitu sebanyak 10000 dan nilai MSE sebesar 0.01. Berdasarkan percobaan yang telah
dilakukan, jaringan memiliki nilai MSE minimum dengan jumlah neuron pada masing-masing hidden layer ditunjukkan pada tabel 4.1.
Tabel 4.2 Percobaan Beberapa Variasi Neuron
Jumlah Neuron Learning rate
MSE Epoch
hidden layer ke-1 hidden layer ke-2
22 22
0.2 0.336
10000 0.5
0.343 10000
25 35
0.2 0.245
10000
Universitas Sumatera Utara
54 0.5
0.242 10000
50 35
0.2 0.137
10000 0.5
0.129 10000
50 50
0.2 0.094
10000 0.5
0.104 10000
75 75
0.2 0.025
10000 0.5
0.026 10000
100 75
0.2 0.016
10000 0.5
0.015 10000
100 100
0.2 0.012
10000 0.5
0.012 10000
100 125
0.2 0.013
10000 0.5
0.013 10000
100 150
0.2 0.010
9775 0.5
0.010 9626
Berdasarkan hasil percobaan yang telah dilakukan, maka didapatkan arsitektur terbaik dengan menggunakan jumlah neuron pada hidden layer pertama sebanyak 100
neuron dan pada hidden layer kedua sebanyak 150 neuron.
4.2.3. Pengujian Jaringan