Dengan momentum m, bobot diperbaharui pada waktu t yang diberikan menjadi. Dimana 0 m 1 adalah sebuah parameter global baru yang harus
ditentukan secara trial dan error. Momentum ini menambahkan sebuah perkalian dengan bobot sebelumnya pada bobot saat ini. Pada saat gradient
tidak terlalu banyak bergerak, ini akan meningkatkan ukuran langkah yang diambil menuju nilaiminimum.
2.6. Riset Terkait
Hamed et al. 2008 untuk mengatasi masalah local minimal dengan membandingkan penggunakan algoritma genetika untuk menentukan nilai yang optimal untuk
mendapatkan parameter yang tepat seperti laju pembelajaran dan momentum serta pengoptimuman bobot. Selain itu juga meggunakan teknik pengoptimun yaitu algoritma
Particle Swarm Optimization PSO dan diterapkan pada aplikasi Backpropagation untuk mempercepat proses pembelajaran dan klasifikasi yang akurat.
Adapun langkah yan digunakan adalah : a.
Perubahan NN menggunakan PSO 1.
Menentukan pola pelatihan 2.
menentukan arsitektur NN 3.
Menentukan NN dan parameter PSO 4.
Mulai pelatihan 5.
Perubahan bobot menggunakan PSO b.
Perubahan NN Menggunakan GA 1.
Menentukan pola pelatihan 2.
Menentukan Arsitektur NN 3.
Menjalankan Genetik Algoritms 4.
Menerapkan Keluaran Genetik Algoritms untuk BPNN 5.
Mulai pelatihan c.
kedua output dibandingkan dan dianalisis Hamid et al. 2011 mengajukan modifikasi yang baru pada pembelajaran
algoritma backpropagation dengan memperkenalkan Adaptive gain together dengan adaptive momentum dan adaptive learning rate ke dalam proses perubahan bobot,
dengan simulasi komputer menunjukkan bahwa dianjurkan algoritma tersebut yang
Universitas Sumatera Utara
memberikan converge rate yang lebih baik dan mendapatkan solusi yang baik untuk perbandingan waktu dibandingkan dengan backpropapagation konvensional.
Ernest Tony 2011 meneliti algoritma momentum windowed dimana meningkatkan kecepatan diatas standar momentum. Momentum windowed dirancang
untuk menetapkan lebarnya bobot yang lalu dengan bobot yang baru di update pada masing-masing koneksi Neural Network. Momentum windowed memberikan kecepatan
yang signifikan pada serangkaian aplikasi yang sama atau tingkat keakuratan.
2.7. Perbedaan dengan riset yang Lain
Berdasarkan riset yang telah dilakukan, peneliti membuat beberapa perbedaan dalam penelitian ini, yaitu;
1.
Untuk mengatasi lambatnya konvergensi pada algoritma backpropagation menggunakan parameter Acelarated adaptive learning rate dan Momentum
coeffisien.
2.
Data yang digunakan data set dari Data Benmark yaitu Blood Transfusion Service Center tahun 2007, di mana akan dibagi menjadi dua dataset training
dan dataset testing.
2.8. Kontribusi Riset
