IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI diajukan oleh Setyo Nugroho 10.11.4264 kepada SEKOLAH TINGGI MANAJEMEN INFROMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2013
19
Embed
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA …repository.amikom.ac.id/files/Publikasi_10.11.4264.pdf · IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA
BACKPROPAGATION UNTUK MEMPREDIKSI
JUMLAH PENDUDUK DI YOGYAKARTA
NASKAH PUBLIKASI
diajukan oleh
Setyo Nugroho
10.11.4264
kepadaSEKOLAH TINGGI MANAJEMEN INFROMATIKA DAN KOMPUTER
AMIKOM YOGYAKARTAYOGYAKARTA
2013
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS WITHBACKPROPAGATION METHOD TO PREDICT THE NUMBER OF
RESIDENTS IN YOGYAKARTAIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA
BACKPROPAGATION UNTUK MEMPREDIKSIJUMLAH PENDUDUK DI YOGYAKARTA
Setyo Nugroho
KusriniJurusan Teknik Informatika
STMIK AMIKOM YOGYAKARTA
ABSTRACT
Indonesia has a large population with the largest population in SoutheastAsia and the fourth highest in the world, then the government has a hugemortgage to prosper, if the government can not afford it there will be an increasein unemployment and crime.
The development of science and technology is very fast has created a lot ofinformation. Artificial neural network is an information processing paradigminspired by the nervous system or the discovery of new information by adoptingthe workings of biological neurons that focuses on the workings of the humanbrain neurons. By searching a particular pattern or rules of a number of largeamounts of data, methods Backpropagation is expected to overcome thedifficulties in predicting the population, especially in Yogyakarta.
There are many methods have been developed to achieve optimal resultsfrom the prediction or forecasting. Which will be reviewed in this paper is the useof artificial neural network Backpropagation method to obtain prediction resultsare expected to provide a level of accuracy that comes closest to the error.
Langkah pertama yang harus dilakukan untuk memprogram
backpropagation dengan MATLAB adalah membuat inisialisasi jaringan.
Perintah untuk membentuk jaringan adalah newff. Yang formatnya
adalah sebagai berikut:
net = newff(PR,[S1 S2 ... SN],{TF1 TF2 …TFN},BTF,BLF,PF)
dengan keterangan :
net = Jaringan backpropagation yang terdiri dari n layer
PR = Matriks ordo R x 2 yang berisi nilai minimum dan
maksimum R buah elemen masukannya.
Si = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n).
Default = tansig (sigmoid bipolar)
BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx
BLF = Fungsi perubahan bobot/bias. Default=learngdm
PF = Fungsi perhitungan error (Mean Square Error MSE)
Sebelum pelatihan dilakukan, terlebih dahulu ditentukan nilai
parameter yang diinginkan guna memperoleh hasil yang optimal. Untuk
memberikan nilai parameter dalam MATLAB adalah sebagai berikut :
1. Net.trainParam.ShowPerintah yang digunakan untuk menampilkan frekuensi perubahan
MSE (default setiap 25 epochs)
2. Net.trainParam.epochsPerintah yang dipakai untuk menentukan jumlah epochs
maksimum pelatihan (default 100 epochs)
3. Net.trainParam.goalPerintah untuk menentukan batas MSE agar iterasi dihentikan.
Iterasi akan berhenti jika MSE < dari batas yang ditentukan atau jumlah
epoch telah mencapai maksimum sesuai nilai yang diberikan pada perintah
net.trainParam.epochs4. Net.trainParam.lr
Perintah yang digunakan untuk menentukan laju pembelajaran
(learning rate). Default-nya adalah 0,01. Semakin besar nilai laju
pembelajaran, semakin cepat pula proses pelatihan. Akan tetapi jika
nilainya terlalu besar, algoritma menjadi tidak stabil dan mencapai titik
minimum lokal.
5. Net.trainParam.timePerintah untuk membatasi lama pelatihan (dalam detik). Pelatihan
dihentikan jika lamanya melebihi nilai yang ditentukan.
6. Net.trainParam.mcPerintah ini digunakan untuk menentukan nilai momentum antara 0
– 1 (default adalah 0,9).
4.1.2. Pembahasan Output Program
Setelah dilakukan pelatihan dengan berbagai macam kombinasi Pelatihan
(pembelajaran), nilai Error (The Last RMSE) tidak tergantung pada besarnya nilai
Learning Rate, tetapi jumlah iterasi (epoch) semakin kecil. Dan ternyata hasil
yang paling baik adalah dengan menggunakan kombinasi pembelajaran(learning
rate) 0.1, momentum 0.25, hiden layer 25 dengan target error 0.0001, karena
dengan kombinasi pembelajaran tersebut hasil target yang akan diinginkan dapat
tercapai.
Dari hasil pengujian sistem aplikasi model jaringan saraf tiruan yang telah
dibuat dengan konstanta belajar 0.1, keberhasilan dalam memprediksi hasil jumlah
penduduk sebesar 97,5 %. Tabel 4.1. menunjukkan hasil pengujian dengan
beberapa learning rate, momentum, hiden layer, serta target error.
Table 4.1. Presentase kebenaran & epoch yang dicapai
Momentum LearningRate
HidenLayer
Epoce(iterasi) The LastRMSE
HasilPorsentase
m=0.25 0.1 25 168 0.0000992 97,5 %.
0.5 131 0.0000996 95 %
0.9 129 0.0000955 90 %
m=0.5 0.1 50 109 0.0000995 95 %
0.5 90 0.0000959 90 %
0.9 38 0.0000988 92,5 %
m=0.75 0.1 75 86 0.0000941 85 %
0.5 52 0.0000904 80 %
0.9 82 0.0000987 92,5 %
Pada pelatihan yang baik adalah performance mengalami
penurunan nilai mendekati goal yang ditentukan, namun pada pelatihan
tersebut performance menunjukan penurunan dan juga kenaikan yang
menjauhi nilai goal.
1. Menu utama akan tampil sebagai berikut :
Gambar 4.2. Tampilan halaman utama program
2. Tampilan menu ‘Program_Latih dan Uji’ yang merupakan sub-menu
dari menu program untuk melakukan pelatihan dan pengujian jaringan
sebagai berikut :
3. Tampilan menu ‘Prediksi Jumlah Penduduk sebagai berikut :
5. Kesimpulan
1. Dari hasil penelitian, dapat disimpulkan bahwa metode
Backpropagation dapat digunakan untuk melakukan pendeteksian
jumlah penduduk, mendekati ketepatan dalam melakukan pengujian.
2. Semakin kecil batas galat yang ditentukan, maka akan mengalami
waktu pelatihan yang semakin lama serta epoch yang dicapai semakin
besar.
3. Hasil pengujian data yang telah dilatih menunjukkan performa yang
cukup baik. Selisih antara target yang sebenarnya dengan hasil output
program tidak menunjukkan perbedaan yang begitu besar.
4. Semakin banyak data yang digunakan untuk pelatihan, jaringan akan
semakin mampu mengenali pola, sehingga penentuan nilai galat dapat
diperkecil.
5. Fasilitas MATLAB yang menyediakan fitur-fitur untuk perhitungan
neural network sangat membantu dalam pembuatan aplikasi Jaringan
Syaraf Tiruan. Meskipun fasilitas GUIDE MATLAB 7.10.0 masih
terbatas jika dibandingkan dengan perangkat lunak lainnya.
5. DAFTAR PUSTAKA
Amutiara. 2013. Backpropagtion dan contoh. http : //amutiara.staff.gunadarma.ac.id/Downloads/files/15556/Kuliah_7b_BACKPROPAGATIONS. diakses pada tanggal 5 April 2013.
Anonim. 2013. Accelerating the pace of engineering and science. http ://www.mathworks.com. diakses pada tanggal 31 Maret 2013.