Tingkat Ketepatan Pengenalan Pola Data Algoritma Pelatihan pada Jaringan Syaraf Tiruan Menggunakan Model Neuron 10-16-1 dan 15-29-1
DOI:
https://doi.org/10.30595/sainteks.v19i2.15210Keywords:
Algoritma pelatihan, 10-16-1, 15-29-1, pola data, Levenberg-MarquardtAbstract
Algoritma pelatihan merupakan bagian terpenting dalam Jaringan Syaraf Tiruan (JST). Kinerja algoritma ini dipengaruhi oleh beberapa parameter jaringan diantaranya banyaknya neuron dalam lapisan input, banyaknya neuron dalam lapisan tersembunyi, maksimum epoh, learning rate (lr). Pada penelitian terdahulu dilakukan pengujian menggunakan model neuron 6-10-1 diperoleh hasil bahwa algoritma pelatihan Levenberg-Marquardt (trainlm) adalah algoritma yang paling tepat dalam mengenali pola data dengan tingkat rata-rata kesesuaian 87.5%. Pada penelitian ini dilakukan pengujian tingkat ketepatan pengenalan pola data algoritma pelatihan pada jaringan syaraf tiruan menggunakan model neuron 10-16-1 dan 15-29-1, parameter jaringan yang digunakan diantaraya target eror = 0.001 (10-3), maksimum epoh = 10000 (104), nilai learning rate (lr) = 0.01, 0.05, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0. Hasil dari penelitian yang telah dilakukan  adalah pada model 10-16-1 algoritma pelatihan JST yang paling optimal tingkat ketepatan pengenalan pola data ditinjau dari rata-rata delta terkecil dan besarnya persentase ketepatan pengenalan pola data yaitu algoritma pelatihan Levenberg-Marquardt (trainlm) dengan nilai rata-rata delta = 0.00632000000 pada learning rate (lr) = 0.9 dengan persentase kecocokan mengenali pola data sebesar 100%. Pada model 15-29-1 algoritma pelatihan JST yang paling optimal tingkat ketepatan pengenalan pola data ditinjau dari rata-rata delta terkecil dan besarnya persentase kecocokan rata-rata delta algoritma pelatihan pada setiap learning rate (lr) adalah Levenberg-Marquardt (trainlm) dengan nilai rata-rata delta = 0.00530500000 pada learning rate (lr) = 0.7 dengan  persentase ketepatan mengenali pola data sebesar 100%.References
Heaton, J. (2008). Introduction to Neural Network for C# (2nd ed.). St. Louis: Heaton Research, Inc.
Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Yogyakarta: Graha Ilmu.
Mustafidah, H., Hartati, S., Wardoyo, R., & Harjoko, A. (2014). Selection of Most Appropriate Backpropagation Training Algorithm in Data Pattern Recognition. Internasional Journal of Computer Trends and Technology (IJCTT) ISSN: 2231-2803, 14(2), 92–95.
Mustafidah, H., & Suwarsito. (2015a). Error Rate Testing of Training Algorithm in Back Propagation Network. International Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231-2307, 5(4), 46–50.
Mustafidah, H., & Suwarsito. (2015b). Model Parameter Jaringan Syaraf Tiruan untuk Pemilihan Algoritma Pelatihan Jaringan Backpropagation yang Paling Optimal. Purwokerto.
Mustafidah, H., & Suwarsito. (2016). Testing Design of Neural Network Parameters in Optimization Training Algorithm. International Conference of Research and Community Service (IRECOMS), 139–146.
Santoso, S. (2017). Menguasai Statistik dengan SPSS 24. Jakarta: PT. Elex Media Komputindo.
Shanmuganathan, S., & Samarasinghe, S. (2016). Artificial Neural Network Modelling. Switzerland: Spinger International Publishing.
Sutojo, T., Edy, M., & Vincent, S. (2011). Kecerdasan Buatan. Yogyakarta: Andi Offset.
Suyanto. (2014). Artificial Intelligence Searching - Reasoning - Planning - Learning (2nd ed.). Bandung: Penerbit Informatika.
Taniredja, T., & Mustafidah, H. (2011). Penelitian Kuantitatif (Sebuah Pengantar). Bandung: Alfabeta.
Tjolleng, A. (2017). Pengantar Pemrograman MATLAB. Jakarta: PT. Elex Media Komputindo.
Wibowo, F., Sugiyanto, S., & Mustafidah, H. (2013). Tingkat Ketelitian Pengenalan Pola Data pada Algoritma Pelatihan Perbaikan Metode Batch Mode dalam Jaringan Syaraf Tiruan. JUITA ISSN: 2086-9398, II(4), 259–264.
Downloads
Published
How to Cite
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)
Sainteks is licensed under a Creative Commons Attribution 4.0 International License.
