lalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,

dokumen-dokumen yang mirip
Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin

z_in ( ) dan mengaplikasikan fungsi aktivasi untuk menghitung sinyal output ( ) Propagasi balik:

BAB 3 METODOLOGI PENELITIAN

BAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara

BACK PROPAGATION NETWORK (BPN)

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT

Architecture Net, Simple Neural Net

HASIL DAN PEMBAHASAN. Tabel 3 Contoh data Shorea hasil kodefikasi

BAB II LANDASAN TEORI

MATERI DAN METODE. Cara Pengambilan Data

Presentasi Tugas Akhir

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :

BACK PROPAGATION NETWORK (BPN)

Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)

BAB II TINJAUAN PUSTAKA

BAB I PENDAHULUAN I-1

PERANCANGAN SISTEM PENGENALAN DAN PENYORTIRAN KARTU POS BERDASARKAN KODE POS DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation

BAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang

BAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION

BAB III METODE PENELITIAN DAN PERANCANGAN SISTEM. Koefisien Maksimum Energi Maksimum Jarak Gelombang R - R

KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati

PENGENAL HURUF TULISAN TANGAN MENGGUNAKAN JARINGAN SARAF TIRUAN METODE LVQ (LEARNING VECTOR QUANTIZATION) By. Togu Sihombing. Tugas Ujian Sarjana

BAB 2 LANDASAN TEORI

BAB II LANDASAN TEORI

Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6

ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK

PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.

BAB 3 PERANCANGAN SISTEM. untuk pengguna interface, membutuhkan perangkat keras dan perangkat lunak.

SATIN Sains dan Teknologi Informasi

Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)

BAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh

BAB 4 DISAIN MODEL. Pengguna. Citra. Ekstraksi Ciri x. Antar muka (Interface) Data Hasil Ekstraksi Ciri. Testing dan Identifikasi.

JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)

BAB III ANALISIS DAN PERANCANGAN

BAB III METODOLOGI PENELITIAN. Model sistem presensi biometri sidik jari yang dikembangkan secara garis

Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation

ANALISIS PERBANDINGAN ONLINE DAN OFFLINE TRAINING PADA JARINGAN BACKPROPAGATION PADA KASUS PENGENALAN HURUF ABJAD

METODOLOGI PENELITIAN

PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

BAB II LANDASAN TEORI

PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION

ABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH

3. METODE PENELITIAN

BAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman

SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON

ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION

Jaringan Syaraf Tiruan

BAB III METODOLOGI PENELITIAN

Sebelumnya... Pembelajaran Mesin/Machine Learning Pembelajaran dengan Decision Tree (ID3) Teori Bayes dalam Pembelajaran

PERAMALAN JUMLAH KENDARAAN DI DKI JAKARTA DENGAN JARINGAN BACKPROPAGATION

SATIN Sains dan Teknologi Informasi

BAB 2 LANDASAN TEORI

ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN

Studi Modifikasi standard Backpropagasi

Jurnal Informatika Mulawarman Vol 5 No. 1 Februari

Penyelesaian Masalah Syarat Batas dalam Persamaan Diferensial Biasa Orde Dua dengan Menggunakan Algoritma Shooting Neural Networks

BAB 2 LANDASAN TEORI

APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI

Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation

Jurnal Coding, Sistem Komputer Untan Volume 04, No.2 (2016), hal ISSN : x

ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)

BAB III ANALISIS DAN PERANCANGAN SISTEM. forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX

MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA

Architecture Net, Simple Neural Net

MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)

SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana

Aplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita

BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA

SATIN Sains dan Teknologi Informasi

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB IV IMPLEMENTASI DAN EVALUASI. Bab ini menguraikan proses implementasiuntuk tahap pelatihanneural networks,

PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION

BAB IV PERANCANGAN & IMPLEMENTASI SISTEM

Pengenalan Hand Gesture Dinamis Menggunakan JST Metode Pembelajaran Backpropagation

OPTICAL CHARACTER RECOGNIZATION (OCR)

APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK

BAB II DASAR TEORI. 2.1 Citra Digital

PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION

BAB 2 KONSEP DASAR PENGENAL OBJEK

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB,

JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA

BAB IV IMPLEMENTASI DAN PENGUJIAN

ANALISIS FUNGSI AKTIVASI SIGMOID BINER DAN SIGMOID BIPOLAR DALAM ALGORITMA BACKPROPAGATION PADA PREDIKSI KEMAMPUAN SISWA

IMPLEMENTASI ALGORITMA PERCEPTRON UNTUK PENGENALAN POLA MASUKAN BINER MAUPUN BIPOLAR MENGGUNAKAN BORLAND DELPHI

BAB III METODE PENELITIAN

BAB 2 TINJAUAN PUSTAKA

PERANGKAT LUNAK PENGKONVERSI TEKS TULISAN TANGAN MENJADI TEKS DIGITAL

IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION

PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto

Muhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan

Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor

BAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika

PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION

BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

Transkripsi:

LAMPIRAN 15

Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target error, dan learning rate. Selama syarat berhenti bernilai salah, kerjakan langkah 2-9. Langkah 2: Setiap pasangan pelatihan, kerjakan langkah 3-8. Langkah 3: Setiap unit input (Xi,i = 1,,n) menerima sinyal masukan xi dan meneruskannya ke seluruh unit pada lapisan di atasnya (Hidden unit). Langkah 4: Setiap hidden unit (Zj,j = 1, p) menghitung total sinyal masukkan terbobot, lalu menghitung sinyal keluarannya menggunakan fungsi aktivasi, kemudian mengirimkan sinyal tersebut ke seluruh unit di atasnya (output units). Langkah 5: Setiap unit output (Yk,k = 1,,m) menghitung total sinyal masukkan terbobot, lalu menghitung sinyal keluaran dengan fungsi aktivasi, Backpropagation error Langkah 6: Setiap unit output (Yk,k = 1,,m) menerima sebuah pola target yang sesuai dengan pola masukkan pelatihannya, kemudian unit tersebut menghitung informasi kesalahannya, lalu menghitung koreksi bobotnya (digunakan untuk update bobot (Wjk) selanjutnya). dan menghitung koreksi biasnnya (digunakan untuk update bias (W0k) selanjutnya). dan mengirimkan ke layer di bawahnya. Langkah 7: Setiap unit hidden (Zj,j = 1,,p) menghitung delta input (dari unit pada layer di atasnya). lalu mengalikannya dengan turunan fungsi aktivasi untuk menghitung informasi error, kemudian menghitung koreksi bobot (digunakan untuk update bobot Vij selanjutnya). dan menghitung koreksi bias (digunakan untuk update bias V0j selanjutnya). 16

Lampiran 1 Lanjutan Update bobot dan bias Langkah 8: Setiap unit output (Yk,k = 1,,m) mengubah bias dan bobot (j = 0,,p): Setiap unit hidden (Zj,j = 1,,p) mengubah bias dan bobot (i = 0, n): Langkah 9: Kondisi berhenti. (Sumber: Fauset 1994) 17

Lampiran 2 Data Penelitian 18

Lampiran 2 Lanjutan Kelas Karakter Data Latih Data Uji Kelas 1 Orang ke 1 Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Kelas 2 Orang ke 1 Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Orang ke 8 Orang ke 9 Orang ke 10 Kelas 3 Orang ke 1 19

Lampiran 2 Lanjutan Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Orang ke 8 Orang ke 9 Orang ke 10 20

Lampiran 2 Lanjutan Kelas Karakter Data Latih Data Uji Kelas 1 Orang ke 1 Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Orang ke 8 Orang ke 9 Orang ke 10 Kelas 2 Orang ke 1 Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Orang ke 8 21

Lampiran 2 Lanjutan Orang ke 9 Orang ke 10 Kelas 3 Orang ke 1 Orang ke 2 Orang ke 3 Orang ke 4 Orang ke 5 Orang ke 6 Orang ke 7 Orang ke 8 Orang ke 9 Orang ke 10 22

Lampiran 3 Arsitektur Jaringan Syaraf Tiruan Propagasi Balik X1 X2... X288 Z1 Z2... Z288 Y1 Y2 Y3 1 1 Input Layer Hidden Layer Output Layer 23

Lampiran 4 Pengaruh jumlah hidden neuron terhadap generalisasi Hidden Neuron Ulangan ke Dikenal Tidak Dikenal Generalisasi (%) Waktu (menit) 10 1 47 7 87,037 0.43 2 41 13 75,926 0.44 3 38 16 70,370 0.40 Rata-rata 77,778 0.42 20 1 44 10 81,482 0.45 2 41 13 75,926 0.46 3 47 7 87,037 0.46 Rata-rata 81,482 0.46 30 1 43 11 79,629 0.51 2 39 15 72,222 0.49 3 46 8 85,185 0.53 Rata-rata 79,012 0.51 40 1 38 16 70,370 0.55 2 45 9 83,333 0.54 3 43 11 79,629 0.58 Rata-rata 77,777 0.56 50 1 42 12 77,778 1.00 2 45 9 83,333 1.00 3 38 16 70,370 0.59 Rata-rata 77,160 0.86 60 1 34 20 62,963 1.01 2 42 12 77,778 1.06 3 37 17 68,519 1.02 Rata-rata 69,753 1.03 70 1 45 9 83,333 1.09 2 34 20 62,963 1.09 3 40 14 74,074 1.07 Rata-rata 73,457 1.08 80 1 33 21 61,111 1.15 2 33 21 61,111 1.13 3 34 20 62,963 1.13 Rata-rata 61,728 1.14 90 1 33 21 61,111 1.17 2 34 20 62,963 1.19 3 37 17 68,519 1.2 Rata-rata 64,198 1.19 100 1 37 17 68,519 1.27 2 32 22 59,259 1.22 3 40 14 74,074 1.23 Rata-rata 67,284 1.24 24

Lampiran 5 Pengaruh jumlah epoch dengan 10 hidden neuron terhadap generalisasi Epoch Ulangan ke Dikenal Tidak Dikenal Generalisasi (%) Waktu (menit) 1000 1 47 7 87,037 0.43 2 41 13 75,926 0.44 3 38 16 70,370 0.4 Rata-rata 77,778 0.42 1500 1 48 6 88,889 1.08 2 45 9 83,333 1.08 3 44 10 81,482 1.02 Rata-rata 84,568 1.06 2000 1 44 10 81,482 1.18 2 46 8 85,185 1.21 3 47 7 87,037 1.24 Rata-rata 84,568 1.21 2500 1 45 9 83,333 1.43 2 49 5 90,741 1.42 3 46 8 85,185 1.42 Rata-rata 86,420 1.42 3000 1 50 4 81,481 2.16 2 48 6 88,889 2.03 3 49 5 90,741 1.58 Rata-rata 87,037 1.92 3500 1 40 14 74,074 2.22 2 45 9 83,333 2.34 3 48 6 88,889 2.35 Rata-rata 82,099 2.30 4000 1 43 11 79,629 2.55 2 46 8 85,185 2.52 3 43 11 79,629 2.54 Rata-rata 81,481 2.54 25

Lampiran 6 Pengaruh jumlah epoch dengan 20 hidden neuron terhadap generalisasi Epoch Ulangan ke Dikenal Tidak Dikenal Generalisasi (%) Waktu (menit) 1000 1 44 10 81,482 0.45 2 41 13 75,926 0.46 3 47 7 87,037 0.46 Rata-rata 81,482 0.46 1500 1 46 8 85,185 1.11 2 46 8 85,185 1.12 3 47 7 87,037 1.15 Rata-rata 85,802 1.13 2000 1 46 8 85,185 1.33 2 47 7 87,037 1.36 3 47 7 87,037 1.31 Rata-rata 86,420 1.33 2500 1 47 7 87,037 1.56 2 47 7 87,037 1.51 3 43 11 79,629 1.58 Rata-rata 84,568 1.55 3000 1 46 8 85,185 2.17 2 48 6 88,889 2.21 3 44 10 81,482 2.2 Rata-rata 85,185 2.19 3500 1 42 12 77,778 2.43 2 51 3 94,444 2.44 3 49 5 90,741 2.42 Rata-rata 87,654 2.43 4000 1 45 9 83,333 3.09 2 48 6 88,889 3.09 3 46 8 85,185 3.04 Rata-rata 85,802 3.07 26

Lampiran 7 Pengaruh galat terhadap generalisasi Galat Ulangan ke Dikenal Tidak Dikenal Generalisasi (%) Waktu (menit) Epoch 0.1 1 42 12 77,778 0.21 493 2 44 10 81,482 0.17 376 3 36 18 66,667 0.39 891 Rata-rata 75,309 0.26 0.01 1 49 5 90,741 2.05 3000 2 48 6 88,889 2.08 3000 3 43 11 79,629 2.07 3000 Rata-rata 86,420 2.1 0.001 1 48 6 88,889 2.21 3000 2 48 6 88,889 2.08 3000 3 51 3 94,444 2.11 3000 Rata-rata 90,741 2.13 0.0001 1 50 4 81,481 2.16 3000 2 48 6 88,889 2.03 3000 3 49 5 90,741 1.58 3000 Rata-rata 87,037 1.92 0.00001 1 46 8 85,185 2.21 3000 2 47 7 87,037 2.21 3000 3 46 8 85,185 2.22 3000 Rata-rata 85,802 2.21 27

Lampiran 8 Pengaruh learning rate terhadap generalisasi Learning rate Ulangan ke Dikenal Tidak Dikenal Generalisasi (%) Waktu (menit) Epoch 0.1 1 41 13 75,926 1.16 1731 2 43 11 79,629 1.14 1648 3 49 5 90,741 1.3 2010 Rata-rata 82,099 1.2 0.05 1 45 9 83,333 2.15 2913 2 45 9 83,333 2.03 2643 3 45 9 83,333 1.46 3000 Rata-rata 83,333 1.88 0.01 1 48 6 88,889 2.21 3000 2 48 6 88,889 2.08 3000 3 51 3 94,444 2.11 3000 Rata-rata 90,741 2.13 28

Lampiran 9 Kesalahan klasifikasi data uji huruf a pada percobaan kedua Kelas aktual Kelas prediksi Citra uji Citra kelas prediksi Kelas 2 Kelas 3 Kelas 2 Kelas 3 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 3 29

Lampiran 10 Kesalahan klasifikasi data uji huruf a pada percobaan ketiga Kelas aktual Kelas prediksi Citra uji Citra kelas prediksi Kelas 2 Kelas 3 Kelas 2 Kelas 3 30

Lampiran 11 Kesalahan klasifikasi data uji huruf t percobaan pertama Kelas aktual Kelas prediksi Citra uji Citra kelas prediksi Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 2 Kelas 1 Kelas 2 Kelas 3 Kelas 2 Kelas 3 Kelas 2 Kelas 1 Kelas 2 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 1 31

Lampiran 12 Kesalahan klasifikasi data uji huruf t percobaan kedua Kelas aktual Kelas prediksi Citra uji Citra kelas prediksi Kelas 1 Kelas 2 Kelas 1 Kelas 3 Kelas 1 Kelas 2 Kelas 1 Kelas 3 Kelas 1 Kelas 2 Kelas 1 Kelas 3 Kelas 2 Kelas 3 Kelas 2 Kelas 1 Kelas 2 Kelas 3 Kelas 2 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 1 Kelas 3 Kelas 1 32