Perbandingan Ketepatan Pola Data pada Jaringan Backpropagation Berdasarkan Metode Pembobotan Random dan Nguyen Widrow

Abstract

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).