Analisis Accelerated Learning pada Algoritma Backpropagation Menggunakan Adaptive Learning Rate
ANALISIS ACCEL BACKPRO
PROGRA FAKULTAS ILMU U ACCELERATED LEARNING PADA A ROPAGATION MENGGUNAKAN AD
LEARNING RATE
TESIS
OLEH
ERMAWATI
117038021
ILMU KOMPUTER DAN TEKNOLOG
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
ALGORITMA ADAPTIVE
GRAM STUDI S2 TEKNIK INFORMA
MATIKA GI INFORMASI RA
ANALISIS ACCEL ACCELERATED LEARNING PADA A ALGORITMA
BACKPRO ROPAGATION MENGGUNAKAN AD ADAPTIVE
LEARNING RATE
TESIS
Diajukan untuk mele elengkapi tugas dan memenuhi syarat memperol eroleh ijazah Magister
Teknik Informatika
ERMAWATI
117038021
PR ROGRAM STUDI S2 TEKNIK INFORMATIK
INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2013
PERSETUJUAN
Judul Tesis : Analisis Accelerated Learning pada Algoritma Backpropagation menggunakan Adaptive Learning Rate. Katagori : Nama Mahasiswa : ERMAWATI Nomor Induk Mahasiswa : 117038021 Program Studi : Magister (S2) Teknik Informatika Fakultas :
ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dr. Erna BudhiartiNababan, M. IT Prof. Dr. Herman Mawengkang Diketahui/disetujui oleh Program Studi S2 Teknik Informatika Ketua, Prof. Dr. Muhammad Zarlis Nip. 19570701 198601 1 003
PERNYATAAN
ANALISIS ACCELERATED LEARNING PADA ALGORITMA
BACKPROPAGATION MENGGUNAKAN ADAPTIVE
LEARNING RATE
Saya mengakui bahwa tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 23 Agustus 2013 Ermawati 117038021
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawahini :
Nama : ERMAWATI NIM : 117038021 Program Studi : Magister S2 Teknik Informatika Jenis Karya Ilmiah :
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Royalti Non-Eksklusif Royalti Free Right) atas tesis saya yang berjudul :
ANALISIS ACCELERATED LEARNING PADA ALGORITMA
BACKPROPAGATION MENGGUNAKAN ADAPTIVE
LEARNING RATE
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat , mengelola dalam bentuk database, merawat dan mempublikasi tesis saya tanpa meminta izin dari saya selama tetap mencantum nama saya sebagai penulis dan sebagai pemegang dan / atau sebagai pemilik hak cipta. Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 23 Agustus 2013 Ermawati 117038021
Telah diuji pada Tanggal : 23 Agustus 2013 PANITIA PENGUJI TESIS Ketua : Anggota : 1. Prof. Dr. Herman Mawengkang
2. Dr. Erna BudhiartiNababan, M.IT
3. Prof. Dr. Muhammad Zarlis
4. Dr. Marwan Ramli, M.Si
5. Prof. Dr. OpimSalim Sitompul
RIWAYAT HIDUP DATA PRIBADI
Nama Lengkap : ERMAWATI Tempat dan Tanggal Lahir : Jeunieb, 05 Agustus 1977 Alamat : Jln. RumohLuengMatangglumpangduaMns.
DayahKec. PeusanganKab. Bireuen - Aceh Telepon/HP : 085260114405 E-mail : ermaaceh77@gmail.com Instansi Tempat Bekerja : SMK Negeri 1 Peusangan Alamat Kantor : Jln. IrigasiPanteLhong I Peusangan
Kabupaten Bireuen – Aceh
DATA PENDIDIKAN
SD : SD Negeri 10 Lhokseumawe TAMAT : tahun 1989 SMP : SMP Negeri 1 Lhokseumawe TAMAT : tahun 1992
SLTA : SMA Negeri 1 Lhokseumawe TAMAT : tahun 1995 S1 : STMIK Bina Bangsa Lhokseumawe TAMAT : tahun 2004 S2 : Teknik Informatika USU TAMAT : tahun 2013
KATA PENGANTAR
Puji dan Syukur penulis panjatkan kehadirat Allah SWT berkat limpahan rahmat dan karunia–Nya lah penulis dapat menyelesaikan Tesis ini dengan bimbingan, arahan, kritik dan saran serta bantuan dari pembimbing, pembanding, segenap dosen, rekan-rekan mahasiswa Program Studi Magister (S2) Teknik Informatika Universitas Sumatera Utara.
Tesis ini diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Komputer pada Program Studi Pascasarjana Magister Teknik Informatika pada Fakultas Ilmu Komputer – Teknologi Informasi Universitas Sumatera Utara.Dengan judul tesis
“ Analisis Accelerated Learning Pada Algoritma Backpropagation Menggunakan
Adaptive Learning Rate” . Pada proses penulisan sampai dengan selesainya penulisan
tesis ini, penulis mengucapkan terima kasih yang sebesar-besarnya kepada :
selaku Dekan Fakultas Ilmu Komputer dan Teknologi
1. Prof. Dr. Muhammad Zarlis
Informasi sekaligus
Ketua Program Studi Magister (S2) Teknik Informatika, dan M. Andri Budiman, ST, M.Comp.Sc, M.EM selaku Sekretaris Program Studi Magister (S2) Teknik Informatika.
2. Prof. Dr. Herman Mawengkang dan Dr. Erna Budhiarti Nababan, M.IT selaku pembimbing yang telah membimbing penulis dengan penuh kesabaran hingga selesainya tesis ini dengan baik.
3. Prof. Dr. Muhammad Zarlis, Prof. Dr. Marwan Ramli, M.Si dan Prof. Dr. Opim Salim Sitompul selaku pembanding yang telah memberikan masukan dan arahan yang baik demi selesainya tesis ini.
4. Staf pegawai dan administrasi pada Program Studi Magister (S2) Teknik Informatika Program Pascasarjana Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan bantuan dan pelayanan terbaik kepada penulis selama mengikuti perkuliahan hingga saat ini.
5. Rekan mahasiswa/i angkatan ketiga tahun 2011 pada Program Studi Magister (S2) Teknik Informatika Program Pascasarjana Fakultas Ilmu Komputer dan
Teknologi Informasi Universitas Sumatera Utara yang telah bersama-sama saling membantu selama mengikuti perkuliahan.
6. Teristimewa untuk keluarga besar khususnya Ibunda serta suami tersayang Fadhlon Kamal dan anak-anakku tercinta Fadhilla Raissa Kamal dan FarisJ abbar Kamal. yang telah bersusah payah mendidik penulis dan memberikan semangat, bantuan moril dan materil ini tidak dapat dibalas hanya diserahkan kepada Allah SWT.
7. Semua pihak yang tidak dapat penulis sebutkan satu persatu, terima kasih atas bantuan yang telah diberikan kepada penulis selama ini.
Dengan segala kekurangan dan kerendahan hati, sekali lagi penulis mengucapkan
terimakasih.Semoga kiranya Allah SWT membalas segala bantuan dan kebaikan yang telah
diberikan.Medan, 23 Agustus 2013 Penulis ERMAWATI NIM. 117038021
ABSTRAK
Algoritma backpropagation merupakan multi layer perceptron yang banyak digunakan untuk menyelesaikan persoalan yang luas, namun algoritma backpropagation juga mempunyai keterbatasan yaitu laju konvergensi yang cukup lambat. Pada penelitian ini penulis menambahkan parameter learning rate secara adaptif pada setiap iterasi dan koefisien momentum untuk menghitung proses perubahan bobot. Dari hasil simulasi komputer maka diperoleh perbandingan antara algoritma backpropagation standar dengan backpropagation adaptive learning. Untuk algoritma backpropagation standar kecepatan konvergensi mencapai 1000 epoch dengan nilai MSE yang dihasilkan adalah 0,00044 sedangkan untuk algoritma backpropagation adaptive learning hanya 72 epoch dengan nilai MSE yang dihasilkan 0.0000036. Hal ini menunjukkan bahwa algoritma
backpropagation adaptive learning lebih cepat mencapai konvergensi daripada
algoritma backpropagation standar.Kata kunci :Backpropagation, Adaptive learning rate, konvergensi
ANALYSIS OF ACCELERATED LEARNING IN BACKPROPAGATION
ALGORITHM USING ADAPTIVE LEARNING RATE
ABSTRACT
Backpropagation algorithm is a multi-layer perceptron which is widely used to solve large problems, but also has limitations backpropagation algorithmis the rate of convergence is quite slow. In this study, the authors add a parameter adaptive learning rate in each iteration and momentum coefficients to calculate the weights change. From the results of the computer simulation for the comparison between the standard back propagationalgorithm with adaptive learning rate backpropagation. For backpropagation algorithm convergence speed reached 1000 epochs with MSE values produced is 0.00036 while the adaptive learning rate backpropagation algorithmis only 72 epochs with MSE values generated 0.0000043. This suggests that adaptive learning rate backpropagation algorithm reaches convergence faster than the standard backpropagation algorithm.
Keyword :Backpropagation, adaptive learning rate, konvergensi
DAFTAR ISI
HALAMAN JUDUL i
PENGESAHAN ii
PERNYATAAN ORISINALITAS iii
PERSETUJUAN PUBLIKASI iv
PANITIA PENGUJI v
RIWAYAT HIDUP vi
KATA PENGANTAR vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR TABEL xiv
DAFTAR GAMBAR xv
BAB 1 PENDAHULUAAN
1
1.1 Latar Belakang Masalah
3
1.2 Perumusan Masalah
2
1.3 Batasan Masalah
3
1.4 Kerangka Penelitian
3
1.5 Tujuan Penelitian
3
1.6 Manfaat Penelitian
4 BAB 2 LANDASAN TEORI
2.1 Kecerdasan Buatan
5
2.2 Jaringan Syarat Tiruan
5
2.2.1 Fungsi Aktivasi
6
2.3 Backpropagation
12
2.4 Algoritma Backpropagation
13
2.4.1 Fase Propagasi Maju
14
2.4.2 Fase Propagasi Mundur
14
2.4.3 Fase Modifikasi Bobot
15
2.4.4 Prosedur Pelatihan
15
2.5 Syarat Parameter
18
2.6 Riset Terkait
19
2.7 Perbedaan dengan Riset lain
20
2.8 Kontribusi Riset
21 BAB 3 METODOLOGI PENELITIAN
22
3.1 Pendahuluan
22
3.2 Data Yang Digunakan
22
3.3 Rancangan Penelitian
22
3.4 Proses Penyelesaian Masalah
24
3.4.1 Perancangan Jaringan Backpropagation
24
3.4.2 Arsitektur Jaringan
24
3.4.3 Desain Tampilan Berbasis GUI
30
3.5 Proses Normalisasi
30
3.6 Komputasi Backpropagation
31
3.6.1 Pelatihan Jaringan
33
3.6.2 Pengujian
34 BAB 4 HASIL DAN PEMBAHASAN
4.1 Pendahuluan
35
4.2 Implementasi Sistem Simulasi
35
4.2.1 Pelatihan Data
36
4.2.2 Proses Pengujian Data Baru
37
4.3 Hasil Uji Coba
38
4.3.1 Hasil Normalisasi Data
38
4.3.2 Hasil Pelatihan Algoritma Backpropagation Standar
39
4.3.3 Hasil Pelatihan Algoritma Backpropagation Adaptive
Learning
40
4.4 Komposisi Parameter Adaptive Learning rate
41
4.5 Hasil Pengujian
43
4.6 Pembahasan
43 BAB 5 KESIMPULAN DAN SARAN
45
5.1 Kesimpulan
45
5.2 Saran
45 DAFTAR PUSTAKA
46 LAMPIRAN
DAFTAR TABEL
Hal
Tabel 4.1 Arsitektur JSTBackpropagationstandar dan adaptive35
learning
Tabel 4.2 Tabel Dataset awal yang dinormalisasi39
DAFTAR GAMBAR
3.4
11
11
12
23
3.2
3.3
3.5
3.1 Fungsi Linear Fungsi threshold Fungsi piece wise Fungsi Siqmoid Desain penelitian
3.6 Arsitektur yang digunakan Diagram alir algoritma backpropagation adaptive
learning
Algoritma backpropagation adaptive learning rate Interface simulasi backpropagation Algoritma proses normalisasi
26
28
29
30
11
2.9
Nomor Gambar
7
Judul Halaman
1.1
2.1 Kerangka Kerja Peneltian Struktur Neuron
3
6
2.2 Jaringan satu lapis
2.3 Jaringan lapis banyak
2.8
8
2.4 Jaringan lapisan kompetitif
9
2.5 Proses belajar terbimbing
10
2.6
2.7
31