BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai data pelatihan dan juga data pengujian. Data yang digunakan pada penelitian ini yaitu data produktivitas kelapa sawit pada PTPN IV unit kebun Marjandi mulai dari tahun 2010 2015 ini adalah sebagai berikut : Tabel 3.1 Data input/atribut yang digunakan No Data Input/ Atribut Jumah data 1 Umur 5 2 Pemupukan 60 3 Kelembaban 60 4 Penyinaran 60 5 Curah hujan 60 6 Hari hujan 60 Pada Tabel 3.1 data yang akan gunakan adalah umur tanaman yang sudah menghasilakan dari tahun 2010 sampai dengan sekarang jumlah datanya 5, pemupukan yang di lakukan sebanyak 60 data yang diambil dari setiap tahunnya, kelembaban udara selama 5 tahun, penyinaran cahaya matahari selama 5 tahun, curah hujan dan hari hujan selama 5 tahun.
3.2 Rancangan Penelitian Pada penelitian ini akan dilakukan beberapa langkah untuk mencapai tujuan penelitian. Langkah langkah tersebut dapat digambarkan melalui diagram alir pada gambar 3.1. Penelitian ini dimulai dari pengumpulan data dari data mentah. Tahap berikutnya adalah penentuan desain arsitektur jaringan dengan penentuan pola masukan dan keluaran untuk keperluan pelatihan dan pengujian pada jaringan syaraf tiruan (JST) Tahap ini kemudian diikuti dengan penentuan algoritma pelatihan. Selanjutnya adalah tahap pelatihan terhadap data yang telah dinormalisasi dan ditentukan arsitekturnya, pelatihan dilakukan pertama untuk algoritma backpropagation standar, setelah itu baru dilakukan kembali pelatihan dengan menambahkan learning rate dan kooefisien momentum pada update bobot. Tujuan pelatihan tersebut untuk membandingkan nilai epoch dan penentuan nilai Mean Square Error (MSE). Setelah dilakukan tahap pelatihan adalah tahap pengujian terhadap data pengujian, tujuannya untuk mengetahui tingkat validasi hasil. Data Mentah Arsitektur Jaringan Inisialisasi Bobot Awal Proses : 1. Normalisai data 2. proses Traning/ pelatihan backpropagasi standart 3. proses Traning/ pelatihan backpropagasi penambahan nilai momentum 4. proses testing/ pengujian Hasil Prediksi Analisis Gambar 3.1 Rancangan Penelitian
3.3 Proses Penyelesaian Masalah 3.3.1 Perancangan Jaringan Backpropagation Jaringan syaraf tiruan backpropagation tersusun dari beberapa lapisan, dimana masing masing lapisan terdiri dari beberapa unit pengolahan data. Pada penelitian ini, arsitektur jaringan yang digunakan terdiri dari tiga lapisan, yaitu enam lapisan masukan (input), empat lapisan tersembunyi (hidden) dan satu lapisan keluaran (output). Data yang berfungsi sebagai masukan dan keluaran yang diperoleh dari penelitian backpropagation dilakukan dengan membagi data menjadi 3 bagian, yaitu: data untuk training/pelatihan, data untuk testing/pengujian, dan data untuk prediksi. Data yang digunakan adalah data umur, pemupukan, data kelembaban, penyinaran dan curah hujan dari kebun marjandi tahun 2010 2014. Di mana data tahun 2010 2014 digunakan sebagai pelatihan, data tahun 2014 2015 digunakan sebagai pengujian, dan data tahun 2016 2018 data yang akan diprediksi. Pada percobaan ini data yang digunakan sebagai sampel adalah data tahun 2010, banyaknya jumlah data yang digunakan untuk memprediksi adalah 72, dan ini hanya sampel data untuk satu tahun, maka jika data yang di butuhkan selama 6 tahun menjadi 60 x 6 adalah 360 data. Jumlah lapisan tersembunyi yang digunakan adalah empat, dengan jumlah neuron yang digunakan adalah empat. Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang nilai 0 dan 1. 3.3.2 Arsitektur Jaringan Desain arsitektur jaringan dilakukan untuk prediksi produktivitas kelapa sawit dimulai dengan menentukan banyaknya data masukan yang digunakan, banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 6 data input dan data keluaran atau target adalah data pada tahun ke-4 (data input 2010 2014 dengan target 2015). Untuk mengetahui umur, pemupukan, kelembaban, penyinaran, curah hujan, dan hari hujan pada tahun ke-5 maka data masukannya
merupakan data pada tahun ke-4 sampai tahun ke-5 (data input 2014 2015 dengan target 2016), demikian seterusnya. JST Backpropagation diterapkan untuk mendapatkan kesetimbangan antara kemampuan memorisasi dan kemampuan menggeneralisasi maka untuk melanjutkan proses pelatihan sampai nilai errornya mencapai nilai minimum. Oleh sebab itu nilai error yang dapat diterima jaringan atau yang disering disebut galat error harus ditentukan terlebih dahulu dengan tujuan untuk menghentikan pelatihan. Apabila error jaringan lebih kecil atau sama dengan nilai galat error yang telah ditentukan tersebut. Pada simulasi ini nilai batas error yang direncanakan akan digunakan sebesar 0,01. Nilai batas error yang dipilih yang bernilai kecil untuk tetap menjaga keakuratan hasil yang diperoleh. B B X 1 X 2 V11 Z 1 W1 X 3 Z 2 Y X 4 Z 3 X 5 Z 4 X 6 Gambar 3.2 Arsitektur JST untuk produktivitas kelapa sawit Keterangan gambar 3.2 : Dataset : Dataset yang digunakan blood transfusion service X1, X2,X3,X4,X5,X6 : Masukkan data Input (1 50 data)
Y1,Y2,Y3,Y4 : Jumlah neuron pada hidden layer V11,V12 : Bobot pada lapisan tersembunyi W1, W2, W3,Wjk : Bobot matrik pada lapisan keluaran Z1 : Keluaran hasil Sedangkan arsitektur jaringan yang digunakan untuk produktivitas kelapa sawit yaitu 6-N-1. Dimana 6 input node data input yang digunakan pada tabel 3.1 Sedangkan jumlah hidden node N menggunakan rule of thumb. Hal lain yang diperlukan juga adalah parameter yang diatur dalam jaringan meliputi : a. Laju pembelajaran Laju pembelajaran yang dipilih mulai dari 0,1 dan digeneratekan secaraacak b. Momentum Konstanta momentum berupa bilangan positif antara 0 hingga 1 c. Jumlah iterasi maksimum Maksimum iterasi adalah jumlahepoch maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan berhenti apabila jumlah epoch yang sudah dilatihkan melebihi jumlah maksimum epoch. 3.4 Proses Normalisasi Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Data-data tersebut dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif atau 0. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan (3.1). ( ) Keterangan: a adalah data minimum b adalah data maksimum
x adalah data yang akan dinormalisasi x adalah data yang telah ditransformasi. Tabel 3.2 Data Unormalisasi Parameter Tahun Bulan 1 2 3 4 5 6 7 8 9 10 11 12 X1 2010 336 52 70 256 215 128 96 235 203 203 364 370 X2 2010 5,1 5,2 5,3 5,4 5,5 5,6 5,7 5,8 5,9 6 6,1 6,2 X3 2010 74 69 66 69 65 68 61 65 74 68 72 67 X4 2010 138,8 0 0 191,1 0 0 0 121,9 0 0 0 141,2 X5 2010 16 4 8 14 23 9 9 16 15 14 25 22 X6 2010 34 39 29 23 25 28 21 25 25 28 22 27 Target/1000 2010 635 644 864 768 794 1.077 1.070 1.057 1.190 1.187 1.130 1.229 Dengan menggunakan Fungsi sigmoid maka akan di dapat data normalisasi sebagai berikut ( ) Tabel 3.3 Data setelah di Normalisasi Parameter Tahun Bulan 1 2 3 4 5 6 7 8 9 10 11 12 X1 2010 0,8145 0,1000 0,1453 0,6132 0,5101 0,2912 0,2107 0,5604 0,4799 0,4799 0,8849 0,9000 X2 2010 0,1000 0,1727 0,2455 0,3182 0,3909 0,4636 0,5364 0,6091 0,6818 0,7545 0,8273 0,9000 X3 2010 0,9000 0,5923 0,4077 0,5923 0,3462 0,5308 0,1000 0,3462 0,9000 0,5308 0,7769 0,4692 X4 2010 0,6811 0,1000 0,1000 0,9000 0,1000 0,1000 0,1000 0,6103 0,1000 0,1000 0,1000 0,6911 X5 2010 0,5571 0,1000 0,2524 0,4810 0,8238 0,2905 0,2905 0,5571 0,5190 0,4810 0,9000 0,7857 X6 2010 0,6778 0,9000 0,4556 0,1889 0,2778 0,4111 0,1000 0,2778 0,2778 0,4111 0,1444 0,3667 Target 2010 0,1000 0,1121 0,4082 0,2791 0,3143 0,6957 0,6856 0,6687 0,8484 0,8439 0,7674 0,9000 3.5 Komputasi Backpropagation Pada bagian ini proses dari jaringan syarat tiruanbackpropagationsemua rumus dari algoritma backpropagation pada bab 2. sedangkan nilai awal dari penimbang / pembobot adalah berkisar antara -0,5 sampai 0,9. Nilai pembobot awal tidak boleh terlalu besar karena nilai turunan aktivasinya menjadi sangat kecil juga. Akan
tetapi pada fase perubahan bobot berdasarkan learning rate dan koefisien momentum dengan rumusan yang tercantum pada persamaan 3.1 Misalnya sebuah jaringan terdiri atas dua unit input, satu unit tersembunyi, dan satu unit keluaran. Fungsi aktivasi yang digunakan adalah Sigmoid Biner, learning rate / alpha α = 0,01, toleransi error yang diperkenankan adalah 0,41. Jaringan digunakan untuk menyelesaikan fungsi XOR. Adapun data training yang digunakan terdiri atas empat pasang masukkan dan keluaran yakni: Langkah 0 : Inisialisasi Sembarang bobot dan bias, misalnya V 01 = -0,3 V 11 = 0,8 V 21 = 0,1 V 31 = 0,9 V 41 = 0,6 V 51 = 0,5 V 61 = 0,6 W 01 = 0,2 W 11 = (- 0,05) W 21 = (- 0,1) W 31 = 0,3 W 41 = (- 0,07) Langkah 1 : Dengan bobot sembarang tersebut, tentukan error untuk data training secara keseluruhan dengan rumus sebagai berikut : (3.2) Z net1 = - 0,3 + 0,8 (0,1) + 0,1 (0,1) + 0,9 (-0,4) + 0,6 (-0,2) + 0,5 (0,1) + 0,6 (0,2) = - 0,52 Z 1 = f (z_net j ) = = = 0,373
Z net2 = 0,2 + 0,8 (-0,04) + 0,1 (0,4) + 0,9 (0,2) + 0,6(0,4) + 0,5 (0,3) + 0,6 (0,2) = 0,158 Z 2 = = 0,54 Z net3 = 0,2 + 0,8 (0,4) + 0,1 (-0,4) + 0,9 (0,4) + 0,6 (0,2) + 0,5 (0,4) + 0,6 (0,1) = 1,22 Z 3 = = 0,77 Z net4 = (-0,4) + 0,8 (-0,3) + 0,1 (-0,3) + 0,9 (0,05) +0,6 (0,01) + 0,5 (-0,1) + 0,6 (0,2) = (-0, 549) Z 4 = = 0,36 Dimana indeks Z jn berarti bobot untuk nilai unit tersembunyi ke-j dan data training ke-n (3.3) Y net1 = 0,2 + 0,37 (-0,05) + 0,54 (-0,1) + 0,77 (0,3) + 0,36 (-0,07) = 0,33 Y = = 0,58 Langkah 2 : Karena, data error training masih lebih besar dari toleransi yakni 0,01. Maka, pelatihan dilanjutkan pada langkah 3 8. Langkah 3 : Training data pertama Langkah 4 dan 5 : ulangi langkah 2 dan masukkan bobot baru Langkah 6 : Karena memiliki sebuah keluaran maka, ( ) ( ) = (0 0,58) (0,58) (1-0,58) = - 0,58 x 0,58 x 0,42 = - 0,14 Perubahan bobot = 0,01 W 10 = 0,01 (-0,14) (1)= - 0,0014 W 11 = 0,01 (-0,14) (0,37) = 0,0005 (3.4)
W 12 = 0,01 (-0,14) (0,54) = 0,0077 W 13 = 0,01 (-0,14) (0,77) = 0,001 W 14 = 0,01 (-0,14) (0,36) = 0,0005 (3.5) Langkah 7 : Hitung penjumlahan kesalahan dari unit tersembunyi (= ) ( )( ) Karena jaringan hanya memiliki sebuah unit keluaran maka _net j = w 1j ( )( ) ( )( ) ( )( ) Faktor kesalahan tersembunyi ( )( ) ( )( ) ( )( ) ( )( ) Langkah 8: Hitung semua perubahan Bobot Perubahan bobot unit keluaran W kj (baru) = w kj (lama)+ w kj (k =1; j= 0, 1,...) W 11 (baru)=(- 0,05) + 0,0005 = -0,049 W 21 (baru)=(- 0,1) + 0,0077 = -0,092 W 31 (baru)=0,36 + 0,001 = 0,359 W 41 (baru)=(- 0,07) + 0,0005 = -0,069 3.5.1 Pelatihan Jaringan Pada langkah ini akan diamati variasi momentum dan laju pembelajaran terhadap unjuk kerja jaringan yang dinyatakan dengan besar kecilnya MSE selama proses pelatihan dan lamanya waktu iterasi. Tujuan dari langkah ini adalah untuk
memperoleh nilai momentum dan laju pembelajaran yang optimum. Dengan memakai arsitektur jaringan terbaik pada pelatihan 1 maka akan diamati pengaruh momentum dan laju pembelajaran terhadap unjuk kerja jaringan yaitu pada proses pelatihan Pada pelatihan 2, pengamatan dilakukan secara konstruktif dengan konstanta laju pembelajaran 0,1 sampai dengan 0,9 dan juga dengan variasi momentum mulai dari 0,5 sampai dengan 0,9. Kinerja tujuan (target error) yang diberikan adalah 0,01, maksimum iterasinya 4000 epoch dan algoritma pelatihannya gradient descent dengan momentum dan laju pembelajaran (traingdx) dapat dilihat pada tabel berikut. Tabel 3.4 Pelatihan Jaringan NO Nama Target output Error Mse 1 Januari 0,1 0,1082-0,0082 0,0000672400 2 februari 0,1 0,1198-0,0198 0,0003920400 3 Maret 0,4 0,4038-0,0038 0,0000144400 4 April 0,2 0,1712 0,0288 0,0008294400 5 Mei 0,3 0,303-0,003 0,0000090000 6 Juni 0,6 0,5346 0,0654 0,0042771600 7 Juli 0,6 0,6164-0,0164 0,0002689600 8 agustus 0,6 0,6457-0,0457 0,0020884900 9 september 0,8 0,7942 0,0058 0,0000336400 10 oktober 0,8 0,8224-0,0224 0,0005017600 11 nopember 0,7 0,7271-0,0271 0,0007344100 12 desember 0,9 0,8472 0,0528 0,0027878400 3.5.2 Proses testing/pengujian 0,0064 0,0120044200 MSE 0,0015005525 Jaringan yang telah dilatih dan mencapai hasil yang dikehendaki perlu diuji untuk mengetahui kemampuannya pada saat mempelajari data latih yang diberikan. Pengujian dapat dilakukan dengan menggunakan data set yang sudah dilatihkan untuk melihat unjuk kerja sistem aplikasi yang telah dibuat dengan melihat nilai error minimumnya. Selain itu juga pengujian dapat dilakukan menggunakan data set yang belum pernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah dibuat, yaitu menggunakan data uji mulai data tahun 2014. Pada Proses validasi, sistem diuji dengan data lain, hal ini dimaksud untuk mengetahui sejauh
mana sistem dapat menginformasikan nilai nilai keluaran dari nilai nilai masukan yang berikan.
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Analisis Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi dari program untuk analisis penambahan nilai momentum pada prediksi produktivitas kelapa adalah sebagai berikut: 4.1.1 Pembobotan Awal Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation. Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan epoch dan error untuk mendapatkan nilai yang dicapai. Dalam melakukan pengisian data maka dilakukan pembobotan yang konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju). Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi penambahan nilai momentum pada prediksi produktivitas kelapa) Sinyal yang dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input layer menuju hidden layer serta ditambah dengan bias. Setelah tahap ini dilakukan pada masing-masing node pada hidden akan dihasilkan sinyal bobot pada satu node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan fungsi aktivasi sigmoid dan threshold untuk hidden layer. Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari output layer akan dihitung error-nya dengan mengurangkan dengan data target. Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias
dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk prediksi akan disimpan. Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah atau yang mendekati target yang dicapai. Hasil nilai bobot menggunakan arsitektur 6-4-1 yang terlihat pada tabel 4.1 sebagai berikut : Tabel 4.1 Data input yang digunakan No Data Input Jumah data 1 Umur 5 2 Pemupukan 60 3 Kelembaban 60 4 Penyinaran 60 5 Curah hujan 60 6 Hari hujan 60 4.1.2 Training Data Algoritma Backpropagation Standar Setelah melakukan pembobotan serta penginputan data maka akan dilakukan pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas error yang didapat. Untuk tahap ini menggunakan training menggunakan arsitektur 6-4-1 untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1 berikut ini :
Gambar 4.1 Pelatihan menggunakan arsitektur 6-4-1 Pada pelatihan ini untuk mendapatkan target menggunakan waktu 4 menit 3 detik dengan epoch 30946 iterations dimana performance (goal) yang digunakan 0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai berikut : Gambar 4.2 Grafik pelatihan menggunakan arsitektur 6-4-1
Dari hasil training ini dari 6 variabel yang didapat maka akan mendapatkan nilai output dari terget yang ditentukan serta MSE ( Mean Square Error) seperti terlihat pada tabel 4.2 berikut ini : Tabel 4.2 Output, error dan Mse NO Nama Target output Error Mse 1 Januari 0,1 0,1082-0,0082 0,0000672400 2 Februari 0,1 0,1198-0,0198 0,0003920400 3 Maret 0,4 0,4038-0,0038 0,0000144400 4 April 0,2 0,1712 0,0288 0,0008294400 5 Mei 0,3 0,303-0,003 0,0000090000 6 Juni 0,6 0,5346 0,0654 0,0042771600 7 Juli 0,6 0,6164-0,0164 0,0002689600 8 Agustus 0,6 0,6457-0,0457 0,0020884900 9 September 0,8 0,7942 0,0058 0,0000336400 10 Oktober 0,8 0,8224-0,0224 0,0005017600 11 Nopember 0,7 0,7271-0,0271 0,0007344100 12 Desember 0,9 0,8472 0,0528 0,0027878400 Nilai output langsung diperhitungan dengan menggunakan matlab, dengan source code : [a,pf,af,e,perf]=sim(net,p,[],[],t) apabila dengan perhitungan menggunakan rumus : Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus : E = t - y k Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus :
4.1.3 Hasil Pelatihan Algoritma Backpropagation standar Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6 input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-4- 1 dengan target error ditetapkan 0,01. Hasil pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi pada epoch ke 4728, dengan nilai mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.3 Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada pembelajaran ini dengan metode yang digunakan dengan menavariabel learning rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada proses perubahan. Grafik hasil Gambar 4.3 Grafik pembelajaran backpropagasi standar
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan momentum Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6 input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-4- 1 dengan target error ditetapkan 0,01 dengan penambahan momentum. Hasil pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi pada epoch ke 727, dengan nilai mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.4 Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada pembelajaran ini dengan metode yang digunakan dengan menavariabel learning rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada proses perubahan. Grafik hasil Gambar 4.4 Grafik pembelajaran backpropagasi momentum
4.2 Hasil Pengujian Setelah proses pelatihan dilakukan pada algoritma backpropagation adaptive learning pengujian data untuk algoritma diperoleh tingkat akurasi sebesar 86%. 4.3 Pembahasan Berdasarkan grafik yang dihasilkan dari pelatihan data terlihat bahwa laju konvergensi jaringan algoritma backpropagation konvergensi pada algoritma menambahkan parameter pada percepatan pembelajaran backpropagation. Gambar 4.5 backpropagation maka tahap berikutnya pengujian data, hasil backpropagation standar dan standar sangat lambat dibandingkan dengan laju backpropagation adaptive learning. Ini menunjukkan bahwa adaptive learning dan koefisien momentum sangat berpengaruh (accelerated learning) pada jaringan syaraf tiruan Grafik perbandingan kedua algoritma standar dan adaptive learning Pada grafik 4.5 diperlihatkan perbedaan iterasi yang dihasilkan dari kedua algoritma dengan nilai epoch yang jauh berbeda. Algoritma yang diusulkan (adaptive learning rate) hanya membutuhkan 727 epoch serta hasil MSE yang diperoleh mendekati 0 untuk mencapai titik konvergensi menunjukkan jauh lebih cepat dibandingkan dengan algoritma backpropagation standar yang mencapai 1000 epoch, menunjukkan bahwa kinerja algoritma backpropagation adaptive learning lebih baik dibandingkan algoritma backpropagation standar. Percepatan pembelajaran pada algoritma backpropagation adaptive learning disebabkan penambahan learning rate secara adaptif disesuaikan dengan perubahan perhitungan kuadrat error dan koefisien momentum pada setiap iterasi sehingga lebih cepat mencapai error.
BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil penelitian dan pembahasan maka penulis mengambil kesimpulan sebagai berikut. 1. Penerapan algoritma jaringan syaraf tiruan backpropagation secara luas telah di implementasikan dalam berbagai aplikasi yang praktis, algoritma ini masih memerlukan perbaikan. Pada penelitian ini penulis menambahkan parameter adaptive learning rate dan koofisien momentum pada perhitungan update bobot dengan mengambil nilai bobot pada iterasi yang lalu dan menambahkan nilai bobot sekarang untuk meningkatkan percepatan pembelajaran (accelerated learning) pada algoritma backpropagation. 2. Efektifitas algoritma dengan membandingkan hasil iterasi antara algoritma backpropagation standar dengan backpropagation adaptive learning 3. Dari hasil penelitian menunjukkan bahwa algoritma backpropagation dengan penambahan nilai momentum hanya mencapai 727 epoch dengan nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai 4000 epoch dengan nilai MSE 0,001. 5.2 Saran Berdasarkan hasil penelitian maka saran yang dapat disampaikan adalah sebagai berikut : 1. Untuk meningkatkan percepatan pembelajaran maka penentuan bobot awal untuk pelatihan dapat menggabungkan dengan algoritma yang lain untuk keakuratan penentuan bobot awal. 2. Modifikasi pada pelatihan standar backpropagation selain menggunakan adaptive learning dan penambahan nilai momentum perlu dicoba untuk mempercepat iterasi selama proses pelatihan jaringan.