Mean Square Error pada Metode Random dan Nguyen Widrow dalam Jaringan Syaraf Tiruan

Hindayati Mustafidah, Selvia Nur Rohman

Abstract


Mean Square Error (MSE) merupakan salah satu ukuran kinerja jaringan syaraf tiruan berdasarkan rata-rata kuadrat kesalahan. Beberapa parameter jaringan yang terlibat dalam performa jaringan antara lain jumlah neuron, epoh, target eror, learning rate, serta metode penentuan bobot awal yang digunakan. Metode pembobotan awal dalam jaringan syaraf tiruan khususnya dalam algoritma Backpropagation, dikenal ada dua yaitu metode Random dan Nguyen Widrow. Dalam penelitian ini dilakukan pengujian terhadap kedua metode pembobotan awal dalam pencapaian nilai MSE. Model neuron yang digunakan adalah 5-8-1. Data masukan dan data target diperoleh dengan cara membangkitkan bilangan random menggunakan software Matlab. Nilai MSE yang didapat dianalisis secara deskriptif dan dilakukan uji-t. Hasil dari analisis deskriptif diperoleh MSE pada metode Random sebesar 0.00019781325, sedangkan MSE pada metode Nguyen Widrow didapatkan sebesar 0.00016740400. Berdasarkan uji-t dengan menggunakan nilai alpha (α) = 5% diperoleh kesimpulan bahwa tidak ada perbedaan yang signifikan antara nilai MSE pada metode Random dengan metode Nguyen Widrow. Namun berdasarkan pengujian dengan menggunakan nilai alpha (α) = 20% menunjukkan bahwa metode Nguyen Widrow memiliki nilai MSE yang lebih kecil daripada metode Random.


Keywords


MSE (Mean Square Error); Random; Nguyen Widrow; Jaringan Syaraf Tiruan

References


Aprilia, D., Jaman, J.H. and Adam, R.I., 2019. Application of Backpropagation Neural Network Algorithm for Ciherang Rice Image Identification. Jurnal PILRAR, 16(2), pp.141–148.

Heaton, J., 2008. Introduction to Neural Networks for C# Second Edition, St. Louis: Heaton Research Inc.

Kusumadewi, S., 2003. Artificial Intelligency (Teknik dan Aplikasinya), Yogyakarta: GRAHA ILMU.

Kusumadewi, S., 2004. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Exel Link, Yogyakarta: GRAHA ILMU.

Muliantara, A. and Erawan, N.A.S., 2014. Pengembangan Pengklasifikasi Jenis Tanaman Menggunakan Pendekatan Backpropagation Dan Nguyen-Widrow. Jurnal Ilmu Komputer, 7(1), pp.24–30.

Mustafidah, H., Budiastanto, M.Z. and Suwarsito, 2019. Kinerja Algoritma Pelatihan Levenberg-Marquardt dalam Variasi Banyaknya Neuron pada Lapisan Tersembunyi (Performance of Levenberg-Marquardt Training Algorithm Based on Variations in the Number of Neurons in the Hidden Layer). JUITA: Jurnal Informatika, 7(2), pp.115–123.

Mustafidah, H. and Harjono, H., 2017. Korelasi Tingkat Kesalahan dan Epoh dalam Jaringan Backpropagation. In Prosiding SEMNASTIKOM 2017, 3 November 2017, ISBN: 978-602-50434-0-6. Jayapura: APTIKOM, pp. 55–61.

Mustafidah, H., Hartati, S., Wardoyo, R. and Harjoko, A., 2014. Selection of Most Appropriate Backpropagation Training Algorithm in Data Pattern Recognition. International Journal of Computer Trends and Technology, 14(2), pp.92–95.

Mustafidah, H., Rahmadhani, A.Y. and Harjono, H., 2019. Optimasi Algoritma Pelatihan Levenberg–Marquardt Berdasarkan Variasi Nilai Learning-Rate dan Jumlah Neuron dalam Lapisan Tersembunyi (Optimization of Levenberg-Marquardt Training Algorithm Based on the Variations Value of Learning-Rate and the Number of N. JUITA (Jurnal Informatika), VII(1), pp.55–62.

Mustafidah, H. and Suwarsito, 2015. Uji keoptimalan algoritma pelatihan pada jaringan syaraf tiruan. Prosiding SENATKOM, pp.2460–4690.

Mustafidah, H. and Suwarsito, S., 2018. Correlation Analysis Between Error Rate of Output and Learning Rate in Backpropagation Network. Advanced Science Letters, 24(12), pp.9182–9185.

Mustafidah, H. and Suwarsito, S., 2015. Error Rate Testing of Training Algorithm in Back Propagation Network. International Journal of Soft Computing and Engineering (IJSCE), 5(4), pp.46 – 50.

Rahayu, N. and Mustafidah, H., 2022. Perbandingan Ketepatan Pola Data pada Jaringan Backpropagation Berdasarkan Metode Pembobotan Random dan Nguyen Widrow. Sainteks, 19(1), pp.27–38.


Full Text: PDF

DOI: 10.30595/sainteks.v20i2.19516

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

ISSN: 2686-0546