Download Contoh Perhitungan Manual Metode Backpropagation dengan Variasi Nilai Momentum untuk Prediksi Harga Ikan Lele - Jalanucul

Download Contoh Perhitungan Manual Metode Backpropagation dengan Variasi Nilai Momentum untuk Prediksi Harga Ikan Lele

Halo sobat jalanucul, pada artikel ini mimin akan membahas mengenai metode backpropagation dengan variasi nilai momentum, namun kita akan lebih dalam mengulas contoh perhitungan manual metode backpropagation dengan penambahan variasi nilai momentum dalam kasus prediksi harga ikan lele, langsung saja  yuk kita simak artikelnya!
Metode Backpropagation memiliki pengembangan algoritma salah satu algoritma yang digunakan adalah dengan variasi Momentum dimana pada pembelajarannya menggunakan Momentum yang nilainya konstanta dengan rentang antara 0 sampai dengan 1. Algoritma Momentum Backpropagation memiliki kesamaan langkah dengan algoritma standar Backpropagation, tetapi berbeda pada saat umpan mundur yaitu pada tahap perubahan bobot. Pada artikel ini kita akan mengetahui pengaruh 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 menggunakan 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 dapat 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 mudah untuk dipahami daripada metode lain, Jaringan Saraf Tiruan dengan metode Backpropagation akan mengubah Bobot bobot bias untuk mengurangi perbedaan antara output jaringan dan target produksi. Setelah pelatihan 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, kini sudah berkembang berbagai variasinya, salah satunya adalah variasi momentum, variasi momentum dapat berupa model Backpropagation yang digunakan untuk keperluan khusus atau teknik modifikasi bobot untuk mempercepat pelatihan dalam kasus prediksi.
Algoritma momentum Backpropagation merupakan pengembangan dari algoritma Backpropagation standar, dimana pada pembelajarannya menggunakan momentum yang nilainya konstanta dengan rentang antara 0 sampai dengan 1. Andrian dan Putra (2014).
Algoritma momentum Backpropagation memiliki kesamaan langkah dengan algoritma Backpropagation standar tetapi berbeda pada saat 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 dapat ditentukan secara pasti.
2.      Penentuan bobot dan bias awal
Nilai bobot awal harganya acak dan kecil (small and random) atau random dari -0.5 sampai dengan 0.5 Jika semua bobot awal diberi harga yang sama, jaringan tida akan terlatih dengan benar.
3.      Learning Rate (α)
Faktor lain yang mempengaruhi efektivitas dan konvergensi proses pelatihan algoritma Backpropagation adalah laju belajar atau learning rate. Tidak ada aturan yang pasti 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 adalah rancangan arsitektur jaringan Backpropagation dengan variasi nilai momentum untuk prediksi harga ikan lele.


Dengan penambahan momentum, Bobot baru pada (t + 1) didasarkan pada Bobot pada waktu t dan (t-1). Di sini harus, menambahkan 2 variabel baru yang merekam besarnya momentum untuk 2 iterasi terakhir. Jika µ adalah konstanta (0 < µ < 1) yang menyatakan parameter momentum, maka Bobot baru 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 digunakan 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 adalah proses mengkonversi data asli menjadi data yang berada pada rentang 0 sampai 1. Tujuan dari normalisasi ini adalah agar JST mudah mengenali pola data didalam pelatihan dan pengujian. Adapun menurut Chamidah dkk. (2012) persamaan yang digunakan untuk normalisasi adalah sebagai berikut:



Dengan:
x’     = data yang sudah dinormalisasi;
x      = data masukan;
min= nilai terkecil dari data masukan;
max = nilai terbesar dari data masukan.
Setelah pelatihan dan pengujian telah dilakukan, maka nilai keluaran yang dihasilkan oleh JST harus dikembalikan lagi ke dalam nilai asli untuk mengetahui nilai dari hasil prediksi. Konversi nilai ini disebut denormalisasi. Adapun persamaan yang digunakan untuk denormalisasi adalah sebagai berikut:



Dengan:
y' = hasil keluaran dari pelatihan
min = data minimum
max = data maximum

Untuk lebih jelas nya silahkan unduh lampiran contoh perhitungan, perhitungan manual dan jurnal backpropagation dengan variasi nilai momentum untuk prediksi harga ikan lele dibawah ini
1. lampiran contoh perhitungan bp dengan variasi nilai momentum 
2. lampiran .xls contoh perhitungan manual metode bp dengan variasi nilai momentum 
3. Jurnal prediksi harga ikan lele dengan variasi nilai momentum menggunakan metode backpropagation
Jika membutuhkan file ini untuk refrensi harap donasi serta whatsapp personal kelink dibawah ini,terimakasih donasinya^^
password : klik disini atau wa ke 087869915252
otomatis akan mimin dikirimkan password dan file langsung tanpa iklan


0 Response to "Download Contoh Perhitungan Manual Metode Backpropagation dengan Variasi Nilai Momentum untuk Prediksi Harga Ikan Lele"

Post a Comment

Iklan Atas Artikel

Iklan Tengah Artikel 1

Iklan Tengah Artikel 2

Iklan Bawah Artikel