Perbandingan Ketepatan Pola Data pada Jaringan Backpropagation Berdasarkan Metode Pembobotan Random dan Nguyen Widrow
DOI:
https://doi.org/10.30595/sainteks.v19i1.12931Keywords:
Backpropagation, Ketepatan Pengenalan Pola Data, Nguyen Widrow, Levenberg-MarquardtAbstract
Jaringan syaraf tiruan dengan algoritma pembelajaran Backpropagation merupakan pembelajaran yang terawasi dan digunakan oleh percepton dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron yang ada pada lapisan tersembunyinya. Algoritma-algoritma ini perlu diuji untuk mendapatkan algoritma yang paling tepat dalam pengenalan pola data. Pada penelitian ini dilakukan pengujian terhadap 12 algoritma pelatihan jaringan backpropagation yaitu traincgf, traincgp, traincgb, trainscg, traingd, traingda, traingdm, traingdx, trainrp, trainbfg, trainoss, dan trainlm dengan menggunakan model neuron 10-14-1 dan menggunakan dua metode pembobotan awal yaitu metode random dan metode Nguyen Widrow. Parameter yang digunakan yaitu target error = 0.001, maksimum epoh = 10000, neuron masukan = 10, neuron keluaran = 1, neuron dalam lapisan tersembunyi = 14, dan learning rate = 0.01, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1 serta dilakukan uji statistik dan analisis statistik deskriptif dengan nilai alpha (α) = 5%. Berdasarkan hasil uji statistik inferensi pada penelitian ini diperoleh nilai signifikan sebesar 0.000 menggunakan metode Random pada lr  0.2 dengan nilai rata-rata delta paling kecil 0.0047110 dan berdasarkan analisis statistik deskriptif memiliki persentase ketepatan pola data sebesar 100% dalam algoritma Levenberg-Marquardt (trainlm). Sedangkan pada metode Nguyen Widrow berdasarkan uji statistik inferensi diperoleh nilai signifikan sebesar 0.000 pada lr  0.7 dengan nilai rata-rata delta terkecil sebesar 0,0051190 dan hasil analisis deskriptif diperoleh persentase ketepatan pola data sebesar 99% yang terdapat dalam algoritma Levenberg-Marquardt (trainlm).
References
Aminulloh, A., Adinugroho, S., & Supianto, A. A. (2019). Implementasi Metode Backpropagation Untuk Peramalan Luas Area Terbakar di Hutan dengan Inisialisasi Bobot Nguyen-Widrow. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 3(1), 1129–1136.
Ghozali, I. (2009). Analisis Multivariate Lanjutan dengan Program SPSS. Badan Penerbit Universitas Diponegoro.
Irianto, A. G. H. (2019). Analisis Ketepatan Pola Data pada Algoritma Pelatihan Backpropagation Menggunakan Model Neuron 10-14-1 dan 10-18-1. Universitas Muhammadiyah Purwokerto.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab dan Excel Link). Graha Ilmu.
Kusumadewi, S., & Hartati, S. (2006). Neuro-Fuzzy : Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu.
Mustafidah, H., Hartati, S., Wardoyo, R., & Harjoko, A. (2014). Selection of Most Appropriate Backpropagation Training Algorithm in Data Pattern Recognition. International Journal of Computer Trends and Technology, 14(2), 92–95. https://doi.org/10.14445/22312803/ijctt-v14p120
Mustafidah, H., & Suwarsito. (2016). Testing Design of Neural Network Parameters in Optimalization Training Algorithm. International Conference of Research and Comunity Service (IRECOMS). 139–146.
Mustafidah, H., & Suwarsito, S. (2015). Model Parameter Jaringan Syaraf Tiruan untuk Pemilihan Algoritma Pelatihan Jaringan Backpropagation yang Paling Optimal.
Mustafidah, H., & Suwarsito, S. (2020). Dasar-dasar Metodologi Penelitian. UMP Press.
Shanmuganathan, S., & Samarasinghe, S. (2016). Artificial Neural Network ddModelling. Springer.
Taniredja, T., & Mustafidah, H. (2011). Penelitian Kuantitatif (Sebuah Pengantar). ALFABETA.
Yogaswara, R. D. (2019). Artificial Intelligence As an Activator for Industry 4.0 and Its Challenges for Government and Private Sectors. Jurnal Masyarakat Telematika Dan Informasi, 10(1), 67–72.
Downloads
Published
Issue
Section
License
Authors who publish with this journal agree to the following terms:
Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access)
