32
2.3.4. Momentum �
Pada standard Backpropagation, perubahan bobot didasarkan atas gradient yang terjadi untuk pola yang dimasukkan pada saat itu. Modifikasi yang dapat dilakukan
adalah dengan menggunakan momentum yaitu dengan melakukan perubahan bobot yang didasarkan atas arah gradient pola terakhir dan pola sebelumnya yang
dimasukkan. Penambahan momentum dimaksudkan untuk menghindari perubahan bobot yang mencolok yang diakibatkan oleh adanya data yang sangat berbeda dengan
yang lain. Variabel momentum dapat meningkatkan waktu pelatihan dan stabilitas dari proses pelatihan Al-Allaf, 2010. Berikut merupakan rumus dari Backpropagation:
∆ = � ∗ ∗
26
Keterangan: η
: learning rate. Nilainya 0.25 atau 0.5 : nilai dari neuron ke i
Perubahan bobot dilakukan dengan cara menambahkan bobot yang lama dengan
∆
w. Akan tetapi, bobot pada iterasi sebelumnya memberikan pengaruh besar terhadap performa jaringan saraf. Oleh karena itu, perlu ditambahkan dengan bobot
yang lama dikalikan momentum, menjadi : ∆ = � ∗ ∗ + ∗ Δ ′
27
Keterangan : α
: momentum faktor, nilainya antara 0 dan 1. ∆w’ : bobot pada iterasi sebelumnya.
Teknik momentum tidak menutup kemungkinan dari konvergensi pada lokal minimum, akan tetapi penggunaan teknik ini dapat membantu untuk keluar dari lokal
minima Li et al, 2009.
Universitas Sumatera Utara
33
2.3.5. Perhitungan Error
Perhitungan error bertujuan untuk pengukuran keakurasian jaringan dalam mengenali pola yang diberikan. Ada tiga macam perhitungan error yang sering digunakan, yaitu
Mean Square Error MSE, Mean Absolute Error MAE dan Mean Absolute Percentage Error MAPE.
MSE merupakan error rata –rata kuadrat dari selisih antara output jaringan
dengan output target. Tujuan utama adalah memperoleh nilai errorsekecil-kecilnya dengan secara iterative mengganti nilai bobot yang terhubung pada semua neuron
pada jaringan. Untuk mengetahui seberapa banyak bobot yang diganti, setiap iterasi memerlukan perhitungan error yang berasosiasi dengan setiap neuron pada output dan
hidden layer. Rumus perhitungan MSE adalah sebagai berikut Bayata et al, 2011: �� =
1
−
2 =1
28 Keterangan:
= nilai output target = nilai output jaringan
N = jumlah output dari neuron
MAE merupakan perhitungan error hasil absolute dari selisih antara nilai hasil system dengan nilai aktual. Rumus perhitungan MAE adalah sebagai berikut:
�� =
1
| − |
=1
29
MAPE hampir sama dengan MAE, hanya hasilnya dinyatakan dalam persentase. Rumus perhitungan MAPE adalah sebagai berikut:
��� =
1
| − |
=1
x 100 30
2.3.6. Penggantian bobot
Kategori