Jurnal: Tingkat Ketelitian Pengenalan Pola Data pada Algoritma Pelatihan Perbaikan Metode Batch Mode dalam Jaringan Syaraf Tiruan

Abstrak

Metode backpropagation dalam jaringan syaraf tiruan menggunakan beberapa macam algoritma pelatihan dalam menyelesaikan permasalahan. Algoritmaalgoritma ini perlu diuji untuk mendapatkan algoritma pelatihan yang paling teliti dalam mengenali pola data. Dalam penelitian ini dilakukan pengujian terhadap 6 algoritma pelatihan yang termasuk dalam algoritma perbaikan dari metode batch mode yaitu algoritma traingda, traingdx, trainrp, trainbfg, trainoss, dan trainlm. Berdasarkan hasil uji statistik menggunakan analisis variansi, dengan tingkat kepercayaan 95% diperoleh hasil bahwa algoritma trainlm merupakan algoritma yang paling teliti dengan rata-rata error 0,0063. Dengan demikian hasil ini dapat digunakan sebagai dasar untuk pengembangan penelitian maupun aplikasi di bidang jaringan syaraf tiruan khususnya bagi para peneliti ataupun pendidik untuk pengembangan ilmu dan teknologi.

Kata-kata kunci: algoritma pelatihan, backpropagation, tingkat ketelitian, pengenalan pola data, batch mode

Pendahuluan

Jaringan syaraf tiruan (JST) merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis, yang dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologis tersebut [1]. Beberapa bahasan yang dapat dikaji pada JST lebih banyak pada aplikasi dan pengembangan algoritma-algoritma pembelajaran/pelatihan. Beberapa algoritma pelatihan dalam jaringan syaraf tiruan telah diterapkan dalam berbagai kasus untuk menyelesaikan masalah. Sebagai contoh, algoritma pelatihan traingd telah diterapkan dalam menyelesaikan permasalahan memprediksi prestasi belajar mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Purwokerto didasarkan atas nilai-nilai dalam mata pelajaran yang diujikan dalam Ujian Nasional saat di SLTA [2] dan menghasilkan tingkat error sebesar 0.0664179 dari target error 0,05. Algoritma pelatihan traincgf, raincgp, traincgb, dan trainscg telah diuji keoptimalannya dalam penyelesaian kasus prediksi prestasi belajar mahasiswa [3] dan dihasilkan kesimpulan bahwa dari keempat algoritma tersebut....

Peneliti: Feri Wibowo

Untuk lebih lengkapnya silahkan download di link berikut: