Download Pola Perhitungan Manual Metode Backpropagation Dengan Variasi Nilai Momentum Untuk Prediksi Harga Ikan Lele

Halo teman jalanucul, pada artikel ini mimin akan membahas mengenai metode backpropagation dengan variasi nilai momentum, namun kita akan lebih dalam mengulas pola perhitungan manual metode backpropagation dengan penambahan variasi nilai momentum dalam kasus prediksi harga ikan lele, pribadi saja  yuk kita simak artikelnya!

Metode Backpropagation mempunyai pengembangan algoritma salah satu algoritma yang dipakai yakni dengan variasi Momentum dimana pada pembelajarannya menggunakan Momentum yang nilainya konstanta dengan rentang antara 0 hingga dengan 1. Algoritma Momentum Backpropagation mempunyai kesamaan langkah dengan algoritma standar Backpropagation, tetapi berbeda pada ketika umpan mundur yaitu pada tahap perubahan bobot. Pada artikel ini kita akan mengetahui imbas nilai Momentum dalam prediksi harga ikan lele terhadap nilai akurasi dalam Jaringan Syaraf Tiruan Backpropagation. Pengujian dilakukan dengan 2 acara, cara yang pertama dilakukan tanpa perubahan nilai Momentum dan yang kedua dengan memakai nilai Momentum. 

 Sebelum kita mulai, kita ingat kembali beberapa poin penting dalam JST (Jaringan syaraf Tiruan), yaitu arsitektur jaringan yang terdiri dari 3 layer, yang sanggup dilihat dari gambar berikut

         JST yang kita buat di atas terdiri dari 1 layer input (X), 1 hidden layer (Z) dan 1 layer output (Y). Layer input kita terdiri dari 3 neuron (disimbolkan dengan xx) yang nantinya akan bernilai sesuai dengan 4 fitur data yang akan kita gunakan, hidden layer terdiri dari 5 hidden layer dan Layer output kita terdiri dari 1 neuron (disimbolkan dengan y) yang nantinya akan bernilai sesuai dengan hasil prediksi kita

          Jaringan saraf tiruan Backpropagation adalah metode paling sederhana dan paling gampang untuk dipahami daripada metode lain, Jaringan Saraf Tiruan dengan metode Backpropagation akan mengubah Bobot bobot bias untuk mengurangi perbedaan antara output jaringan dan sasaran produksi. Setelah training selesai, pengujian jaringan dilatih dilakukan. algoritma pembelajaran jaringan saraf memerlukan propagasi maju dan diikuti oleh propagasi mundur. Keduanya dilakukan untuk semua pola pelatihan.Disamping model standar Backpropagation, sekarang sudah berkembang banyak sekali variasinya, salah satunya yakni variasi momentum, variasi momentum sanggup berupa model Backpropagation yang dipakai untuk keperluan khusus atau teknik modifikasi bobot untuk mempercepat training dalam kasus prediksi.

Algoritma momentum Backpropagation merupakan pengembangan dari algoritma Backpropagation standar, dimana pada pembelajarannya memakai momentum yang nilainya konstanta dengan rentang antara 0 hingga dengan 1. Andrian dan Putra (2014).
Algoritma momentum Backpropagation mempunyai kesamaan langkah dengan algoritma Backpropagation standar tetapi berbeda pada ketika umpan mundur (backward propagation) pada tahap perubahan bobot dari wjk dan vij

 Dalam Jaringan syaraf tiruan metode Backpropagation terdapat beberapa hal yang harus dipahami sebelum menjalankan proses Backpropagation

1.      Penentuan jumlah lapisan tersembunyi

Pada dasarnya jumlah lapisan tersembunyi tidak sanggup ditentukan secara pasti.

2.      Penentuan bobot dan bias awal

Nilai bobot awal harganya acak dan kecil (small and random) atau random dari -0.5 hingga dengan 0.5 Jika semua bobot awal diberi harga yang sama, jaringan tida akan terlatih dengan benar.

3.      Learning Rate (α)

Faktor lain yang menghipnotis efektivitas dan konvergensi proses training algoritma Backpropagation yakni laju berguru atau learning rate. Tidak ada hukum yang niscaya mengenai learning rate, tetapi semakin besar learning rate maka ketelitian jaringan akan semakin berkurang, tetapi berlaku sebaliknya. Apabila learning rate-nya semakin kecil, maka ketelitian jaringan akan semakin besar atau bertambah dengan konsekuensi prosesnya akan memakan waktu yang semakin lama. Widyaningrum dan Romadhon (2014).

Berikut yakni rancangan arsitektur jaringan Backpropagation dengan variasi nilai momentum untuk prediksi harga ikan lele.

Dengan penambahan momentum, Bobot gres pada (t + 1) didasarkan pada Bobot pada waktu t dan (t-1). Di sini harus, menambahkan 2 variabel gres yang merekam besarnya momentum untuk 2 iterasi terakhir. Jika µ yakni konstanta (0 < µ < 1) yang menyatakan parameter momentum, maka Bobot gres dihitung berdasarkan persamaan:

        Keterangan :

Wkj= Bobot antara lapisan satuan j dan unit keluaran k

t=  waktu iterasi

d k = Faktor kesalahan pada unit keluaran k

zj= Output dalam unit lapisan j.

µ = momentum          

Dan

  dengan:

= Bobot antara lapisan satuan i dan unit keluaran j

t=  waktu iterasi

d k = Faktor kesalahan pada unit keluaran k

zj= Output dalam unit lapisan j.

µ = momentum

Rumus yang dipakai untuk menghitung fungsi aktivasi sigmoid non linier dengan rentang (0,1) dan didefinisikan sebagai berikut:

 

      

Dengan derivatif:

                        

Dengan :
f(x)  = fungsi aktivasi nonlinier untuk menghasilkan output

x(t) = nilai output layer t

n     = jumlah Input Layer

p     = jumlah Hidden Layer

e     = eksponen (2,7182)

Normalisasi dan Denormalisasi Data

Normalisasi data yakni proses mengkonversi data orisinil menjadi data yang berada pada rentang 0 hingga 1. Tujuan dari normalisasi ini yakni supaya JST gampang mengenali pola data didalam training dan pengujian. Adapun berdasarkan Chamidah dkk. (2012) persamaan yang dipakai untuk normalisasi yakni sebagai berikut:

Dengan:

x’     = data yang sudah dinormalisasi;

x      = data masukan;

min= nilai terkecil dari data masukan;

max = nilai terbesar dari data masukan.

Setelah training dan pengujian telah dilakukan, maka nilai keluaran yang dihasilkan oleh JST harus dikembalikan lagi ke dalam nilai orisinil untuk mengetahui nilai dari hasil prediksi. Konversi nilai ini disebut denormalisasi. Adapun persamaan yang dipakai untuk denormalisasi yakni sebagai berikut:

Dengan:

y' = hasil keluaran dari pelatihan

min = data minimum

max = data maximum

Untuk lebih terang nya silahkan unduh lampiran pola perhitungan, perhitungan manual dan jurnal backpropagation dengan variasi nilai momentum untuk prediksi harga ikan lele dibawah ini
1. lampiran pola perhitungan bp dengan variasi nilai momentum 
2. lampiran .xls pola perhitungan manual metode bp dengan variasi nilai momentum 
3. Jurnal prediksi harga ikan lele dengan variasi nilai momentum memakai metode backpropagation
password : jalanucul.blogspot.com