Use Case Backpropagation - Analisis Dan Perancangan Sistem

Bab 3 Analisis Dan Perancangan Sistem

3.3 Permodelan

3.3.3 Use Case Backpropagation

Tabel 3.2 menunjukkan naratif use case Backpropagation

Nama Use case Proses Backpropagation

Aktor Pengguna

Deskripsi Use case ini mendeskripsikan proses Backpropagation

dan sudah siap menerima masukan dari Jaringan Syaraf

Tiruan.

Bidang Khas

Aksi Aktor Respon Sistem

Langkah 1 : Pengguna

memilih tombol Data

Training untuk mengisi

Nama File Pelatihan.

Langkah 2 : Sistem

memanggil Data Pegawai

dan menampilkan kedalam

List Box Pelatihan

Backpropagation.

Langkah 3 : Pengguna

memilih tombol Data Uji

untuk mengisi Nama File

Pengujian.

Langkah 4 : Sistem

memaggil Data Pegawai

Uji dan menampilkan

kedalam List Box Data

Pengujian.

Langkah 5 : Pengguna

memilih tombol Training

Langkah 6 : Sistem

mengolah data pelatihan

dan hasilnya akan

ditampilkan kedalam

grafik training dan grafik

pelatihan.

Langkah 7 : Pengguna

memilih tombol Pengujian

Langkah 8 : Sistem

mengolah pengujian data

dan hasilnya akan

ditampilkan dalam grafik

pengujian serta

pengujian.

Langkah 9 : Sistem akan

menampilkan hasil

prediksi layak atau tidak

pegawai mendapatkan

kenaikan golongan berupa

target dimana apabila

target 1 = layak, dan target

2 = tidak layak

Bidang Alternatif

Langkah 10 : Pengguna

akan memilih tombol

Bersih.

Langkah 11 : Sistem akan

berfungsi menghapus

memori dan tampilan Data

Pelatihan dan data

pengujian

Backpropagation

Langkah 12 : Pengguna

akan memilih Tombol

Keluar.

Langkah 13 : Sistem akan

berfungsi untuk

mengakhiri aplikasi

Backpropagation dan

kembali ke Menu Utama.

Post-Kondisi Sistem akan menampilkan hasil prediksi Layak atau

tidaknya Pegawai mendapatkan kenaikan golongan.

Activity diagram untuk use case Backpropagation diperlihatkan pada Gambar 3.4

PENGGUNA SISTEM

Memilih Tombol Data Training _{Memanggil Data Pegawai dan menampilkan kedalam List Box Data Pelatihan}

Pilih _Tidak

Memanggil Data Pegawai Uji dan menampilkan kedalam List Box Data Uji Validasi Kesesuaian parameter

Sesuai

Tidak Sesuai

Menampilkan hasil prediksi layak atau tidak layak mendapatkan kenaikan golongan Pilih

Tidak

Validasi Kesesuaian proses

Tidak Sesuai

Sesuai

Tidak Sesuai Sesuai

Tidak

Validasi Kesesuaian proses Tombol Data Uji

Tombol Training

Tombol Pengujian

Pilih

Mengolah Data Pengujian, menampilkan kedalam grafik dan menghasilkan waktu pengujian Mengolah Data Pelatihan, menampilakn kedalam grafik Training dan Pelatihan

3.3.4 Analisis Proses Sistem

Berikut ini dijelaskan proses Backpropagation yang terjadi pada sistem dengan

menggunakan sequence diagram.

3.3.4.1 Proses LVQ

Pada proses LVQ, input Data pelatihan dan target dimana data pelatihan ada 40 data

dan target yang diinginkan ada dua yaitu layak dan tidak layak. Kemudian target yang

diinput diubah kedalam vektor. Pada tahap selanjutnya tentukan jumlah ukuran kelas

dan jumlah neuron yang akan digunakan. Di dalam program jumlah kelas ada 2 yaitu,

k1= layak dan k2 = tidak layak, jumlah neuron ada empat neuron. Selanjutnya jaringan

yang akan dibangun dipakai newlvq dan cara untuk menentukan kelas yang diproses

digunakan net = newlvq(minmax(P),JumNeuron,(1/Jumkls)*ones(1,Jumkls)) setelah

kelas diperoleh berdasarkan nilai jarak maka di inputkan nilai parameter dan

trainingnya. Didalam program nilai-nilai parameternya sebagai berikut :

net.trainParam.epochs = 100

net.trainParam.goal = 0.01

Pada tahapan selanjutnya dilakukan training data dengan cara memanggil data

pelatihan utk dilakukan training dan memanggil data pengujian. Data pelatihan di

training pada saat diproses maka akan muncul grafik yang menggambarkan hubungan

epoh dan goalnya. Apabila epoh sudah mencapai 100 epoh atau apabila learning

goalnya sudah mencapai 0.01 maka grafik akan berhenti.

Tahapan selanjutnya data dari pengujian yang baru diuji untuk menentuka

kelas dan neuronnya.Waktu proses pengujian akan ditampilkan dan Kelas, neuronnya

akan ditampilkan dalam grafik prediksi dimana k1 = layak, k2 = tidak layak. Sequence

diagram untuk proses LVQ diperlihatkan pada Gambar 3.5.

Input Data Pelatihan

dan Target ^{Ubah Target ke Vektor} ^{bangun Jaringan LVQ} ^Kelas ^{Input Parameter dan Training} ^Training ^Pengujian ^Grafik

Proses Pengubahan

newlvq

Epoh, nilai goal yang diharapkan Proses training Proses Pengujian Tampilkan hasil prediksi Buat kelas berdasarkan Jarak Top Package::Program

Gambar 3.5 Sequence Diagram Proses LVQ

Berikut adalah algoritma dari Proses LVQ pada sistem memprediksi kenaikan

golongan pegawai :

1. Pelatihan

DataLatih  textread(fullfile(nama_path, nama_file_Latih))

N1  Nilai Kinerja N2  Lama Kerja N3  Nilai Psikotes p  DataLatih (N1,N2,N3,:K) t  DataLatih (:,K) T  ind2vec(t) Jumkls  size(full(T),1) JumNeuron  4 net  newlvq(minmax(P),JumNeuron,(1/Jumkls)*ones(1,Jumkls)); net.trainParam.epochs = 100; net.trainParam.goal=0.01; net = train(net,P,T); BobotAkhir_Input=net.IW{1,1} BobotAkhir_Lapisan=net.LW{2,1} Hc = sim(net,p); H = vec2ind(Hc) net  net(save)

2. Pengujian

Data Uji  textread(fullfile(nama_path, nama_file_Uji))

net  net (save)

M1  Nilai Kinerja

M2  Lama Kerja

M3  Nilai Psikotes

A  Data Uji (M1,M2,M3:KU)

Yc  sim(net,A)

Y  vec2ind(Yc)

%Tampilkan hasil pengujian dalam grafik

Layak  1

TidakLayak  2

3.3.4.2 Proses Backpropagation

Pada proses Backpropagation, input data pelatihan dan target. Dimana data pelatihan

ada 40 data, target yang diinginkan ada dua pola yaitu layak dan tidak layak.

Selanjutnya dilakukan proses data pelatihan dan target dengan melakukan penskalaan

data agar masuk range [-1 1]. Pada tahapan selanjutnya akan dibangun jaringan

dengan menggunakan newff dan set bobot awal, hidden dan bias. Bobot awal

dilakukan secara random, jaringan yang dibangun ada tiga lapisan dimana lapisan

pertama memiliki sepuluh neuron dan diproses dengan menggunakan tansig, lapisan

kedua memiliki lima neuron dan diproses dengan menggunakan logsig, dan lapisan

ketiga memiliki satu neuron di proses dengan purelin dan hasil dari ketiga lapisan

tersebut akan diproses dengan menggunakan traingdm.

Pada tahapan selanjutnya input nilai-nilai parameter yang akan digunakan.

Pada program ini nilai-nilai parameter sebagai berikut :

net.trainParam.epoch=100,

net.trainParam.goal=1e-2,

net.trainParam.mc=0.8.

Setelah di input nilai-nilai parameter maka akan dilakukan training data

dengan cara memanggil data pelatihan dan data pengujian. Kemudian data pelatihan di

training sehingga akan muncul grafik hasil pelatihan dimana data yang di training ada

sebanyak 40 data dan target yang diinginkan dengan dua pola yaitu pola 1 = layak,

dan pola 2 = tidak layak.

Pada tahapan selanjutnya maka akan dilakukan pengujian dengan 20 data.

Hasil pengujian data akan ditampilkan dalam bentuk grafik dimana pola 1 = layak dan

pola 2 = tidak layak. Sequence diagram untuk proses Backpropagation diperlihatkan

pada Gambar 3.6.

Input Data Pelatihan dan Target

Proses Data Pelatihan

dan Target ^{Membangun Jaringan}

Set Bobot awal,hidden,

dan bias ^{Input Parameter} ^Training ^Pengujian ^Grafik

Penskalaan data newff Proses Training Tampilkan hasil prediksi Bangun 3 lapisan, tansig, logsig,purelin Proses Pengujian Epoh maksimal, Learning Rate, nilai goal yang diharapkan

Programmer

Gambar 3.6 Sequence Diagram Proses Backpropagation

Berikut adalah algoritma dari Proses Backpropagation pada sistem memprediksi

kenaikan golongan pegawai :

1. Proses Pelatihan

DataLatih  textread(fullfile(nama_path, nama_file_Latih))

N1  Nilai Kinerja N2  Lama Kerja N3  Nilai Psikotes p  DataLatih (N1,N2,N3,:K) t  DataLatih (:,K) prestd (p,t)[pn,meanp,stdp,tn,meant,stdt]

net  newff(minmax(pn),[10 5 1],{‘tansig’ ‘logsig’ _

‘purelin’},’traingdm’) BobotAwal_Input  net.IW{1,1} BobotAwal_Bias_Input  net.b{1,1} BobotAwal_Lapisan1  net.LW{2,1} BobotAwal_Bias_Lapisan1  net.b{2,1} BobotAwal_Lapisan2  net.LW{3,2} BobotAwal_Bias_Lapisan2  net.b{3,1}

net.trainParam.epochs 100 net.trainParam.goal1e-2 net.trainParam.lr 0.5 net.trainParam.show 100 net.trainParam.mc 0.8 net  train(net,pn,tn) an  sim(net,pn) a  poststd(an,meant,stdt)

meanp (save)  meanp

meant (save)  meant

stdp (save)  stdp

stdt (save)  stdt

net (save)  net

2. Pengujian

net  net (save)

stdt  stdt (save)

stdp  stdp (save)

meanp  meanp (save)

meant  meant (save)

Data Uji  textread(fullfile(nama_path, nama_file_Uji))

M1  Nilai Kinerja

M2  Lama Kerja

M3  Nilai Psikotes

Q  Data Uji (M1,M2,M3:KU)

TQ  Data Uji (:,KU)

Qn trastd(Q,meanp,stdp)

Bnsim(net,Qn)

Layak  1

3.4 Flowchart System

Flowchart atau diagram alir merupakan bagan-bagan yang mempunyai arus yang

menggambarkan langkah-langkah penyelesaian suatu masalah. Flowchart juga

merupakan cara penyajian dari suatu algoritma [8].

3.4.1 Flowchart Algoritma Pelatihan LVQ

mulai Inisialisasi bobot awal epoh=epoh+1 J =Xi-Wj j=1,2,..k T = Cj Wj = Wj + α(Xi-Wj) Wj = Wj - α(Xi-Wj) α= α*Dec α W selesai T Y epoh ≤ MaxEpoh dan α≥ Minα Y epoh awal=0 T

Keterangan Flowchart

1. Mulai

:

2. Masukkan bobot awal, Maks_epoh, α, Dec α, Min α

3. Inisialisasi epoh awal = 0

4. Kerjakan jika (epoh ≤ MaxEpoh) dan ( α≥ Minα)

5. Jika tidak kembali ke bobot awal, Maks_epoh, α, Dec α, Min α

6. Jika ya maka kerjakan epoh = epoh + 1

7. Kerjakan J dimana J adalah jarak antara Vektor masukan ke vektor

bobot neuron j. J =Xi-Wj

8. Kerjakan jika T = Cj dimana T adalah kelas target untuk vektor

masukan X sedangkan Cj adalah kelas yang yang diwakili oleh neuron

ke j.

9. Jika ya kerjakan W

= W

+ α(X

-W

)

10. Jika tidak maka kerjakan W

= W

- α(X

-W

)

11. Kerjakan α = α * Dec α dimana α adalah parameter learning rate

12. Maka menghasilkan W dimana W adalah vector bobot

13. Selesai

3.4.2 Flowchart Algoritma Simulasi LVQ

Mulai

Masukkan pola data yang akan

diuji J ≥ 7 Pola 1 = Layak Pola 2 = Tidak Layak Selesai Tidak Ya

Gambar 3.8 Algoritma Proses simulasi pada Metode LVQ

Keterangan Flowchart

1. Mulai

:

2. Masukkan data yang akan diuji

3. Kerjakan J = |Xi – Wj | dimana neuron

= 1,2,3,…,k.

4. Kerjakan jika J ≥ 7.0

5. Jika ya maka menghasilkan pola 1 = layak

6. Jika tidak maka menghasilkan pola 2 = tidak layak

7. selesai

3.4.3 Flowchart Algoritma Pelatihan Backpropagation

Mulai 1. Load Data pelatihan, 2. Load data pengujian Inisialisasi Bobot Epoh = 0 Epoh <= max epoh Epoh= Epoh + 1 Feedforward Hitung Error (Backpropagation) Hitung Perubahan Bobot Simpan Bobot Selesai Ya Tidak

3.4.4 Flowchart Algoritma Pengujian Backpropagation

Mulai Load Data Pengujian Feed forward Tampilkan hasil prediksi Selesai

3.5 Perancangan Antarmuka

Perancangan antarmuka menjelaskan bagaimana komunikasi antara sistem dengan

pengguna. Tujuan utama dari perancangan antarmuka pengguna adalah untuk

membangun suatu komunikasi yang efektif yang terjadi antara manusia dengan

komputer. Antarmuka yang menarik menjadi daya tarik bagi pengguna untuk

menggunakan perancangan sistem tersebut. Pada tahap ini akan dilakukan

perancangan antarmuka sistem yang akan digunakan pada sistem.

3.5.1 Antarmuka Awal

Antarmuka awal sistem merupakan tampilan utama ketika sistem dijalankan.

Rancangan antarmuka awal pada sistem ini dapat dilihat pada Gambar 3.8

File Keluar JUDUL Logo USU 1 2 3 4

Gambar 3.11 Tampilan Rancangan Antarmuka Awal

Keterangan :

1. Menu Editor File

Yang berfungsi untuk memilih metode LVQ dan Backpropagation.

2. Menu Editor Keluar

Yang berfungsi untuk memilih Keluar

3. Textfield Judul

4. Axes Logo

Yang berfungsi untuk menampilkan gambar logo pada skripsi

3.5.2 Antarmuka LVQ

Di dalam antarmuka metode LVQ terdapat dua bagian yang penting, yaitu : Bagian

Training dan bagian Pengujian. Rancangan antarmuka metode LVQ diperlihatkan pada

Gambar 3.9

1 3 2 4 5 6 7 8 9 10 11 12

Data Pelatihan LVQ ^{Data Pengujian LVQ} ^Grafik

Nama File Pelatihan

Nama File Pengujian

Lama Keluar Bersih Pengujian Training Data Training Data Uji

Keterangan :

1. Listbox Data Pelatihan

yang berfungsi untuk menampilkan data pelatihan di matlab.

2. Listbox Data Pengujian

yang berfungsi untuk menampilkan data pengujian di matlab.

3. Axes Grafik

yang berfungsi untuk menampilkan gambar grafik di matlab.

4. Edit Nama File Pelatihan

yang berfungsi sebagai tempat nama file pelatihan di matlab.

5. Edit Nama File Pengujian

yang berfungsi sebagai tempat nama file Pengujian di matlab.

6. Edit Lama

yang berfungsi untuk melihat lama waktu yang diperlukan dalam proses

pengujian data.

7. PushBottom Data Training

yang berfungsi untuk memanggil data training di matlab.

8. PushBottom Data Uji

yang berfungsi untuk memanggil data uji di matlab.

9. PushBottom Training

yang berfungsi untuk melakukan training

10. PushBottom Bersih

yang berfungsi untuk mengkosongkan kembali Listbox Data pelatihan dan

Data Pengujian yang telah diisi oleh user di matlab.

11. PushBottom Keluar

yang berfungsi untuk menghubungkan antarmuka metode LVQ dengan

antarmuka keluar.

3.5.3 Antarmuka Backpropagation

Di dalam antarmuka metode Backpropagation terdapat dua bagian yang penting,

yaitu: Bagian Training dan bagian Pengujian. Rancangan antarmuka metode LVQ

diperlihatkan pada Gambar 3.10

1 3 2 4 5 6 7 8 9 10 11 12 Data Pelatihan Backpropagation Data Pengujian Backpropagation ^Grafik

Nama File Pelatihan

Nama File Pengujian

Lama Keluar Bersih Pengujian Training Data Training Data Uji

Gambar 3.13 Tampilan Rancangan Antarmuka Metode Backpropagation

Keterangan :

1. Listbox Data Pelatihan

yang berfungsi untuk menampilkan data pelatihan di matlab.

2. Listbox Data Pengujian

yang berfungsi untuk menampilkan data pengujian di matlab.

3. Axes Grafik

4. Edit Nama File Pelatihan

yang berfungsi sebagai tempat nama file pelatihan di matlab.

5. Edit Nama File Pengujian

yang berfungsi sebagai tempat nama file Pengujian di matlab.

6. Edit Lama

yang berfungsi untuk melihat lama waktu yang diperlukan dalam proses

pengujian data.

7. PushBottom Data Training

yang berfungsi untuk memanggil data training di matlab.

8. PushBottom Data Uji

yang berfungsi untuk memanggil data uji di matlab.

9. PushBottom Training

yang berfungsi untuk melakukan training

10. PushBottom Bersih

yang berfungsi untuk mengkosongkan kembali Listbox Data pelatihan dan

Data Pengujian yang telah diisi oleh user di matlab.

11. PushBottom Keluar

yang berfungsi untuk menghubungkan antarmuka metode LVQ dengan

antarmuka keluar.

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi Sistem

Implementasi sistem memprediksi kenaikan golongan pegawai dengan melakukan

perbandingan antara kedua metode Jaringan Saraf Tiruan yaitu dengan menggunakan

metode LVQ dan Backpropagation untuk membandingkan kecepatan dalam waktu

pengujian. Bahasa pemograman yang dipakai adalah bahasa pemograman matlab

R2007b.

4.1.1 Form Antarmuka Sistem

Sistem memprediksi kenaikan golongan pegawai diimplementasikan dalam beberapa

form antarmuka yang terdiri dari form menu utama, form LVQ dan form

Backpropagation.

4.1.1.1 Form Menu Utama

Form Menu Utama merupakan yang pertama kali muncul ketika aplikasi dijalankan.

Form ini terdiri dari Menu editor File yang berfungsi untuk memilih kedua metode

yang akan digunakan yaitu metode LVQ dan Backpropagation. Menu Editor keluar

yang berfungsi untuk menutup aplikasi. Menu Editor file yang berisi LVQ

menghubungkan form Menu Utama dengan form metode LVQ, dan juga sebaliknya.

Menu Editor file yang berisi Backpropagation menghubungkan form Menu Utama

dengan form metode Backpropagation. form Menu Utama ditunjukkan pada Gambar

4.1 Gambar 4.1 Form Menu Utama

4.1.1.2 Form LVQ

Pada form LVQ terdapat beberapa bagian yaitu bagian Data Pelatihan LVQ,

Data Pengujian LVQ, Grafik, Nama File Pelatihan, Nama File Pengujian, Lama, dan

pada bagian tombol terdapat tombol Training, Data Uji, Training, Penguji, Bersih, dan

keluar. formLVQ diperlihatkan pada Gambar 4.2.

Gambar 4.2 Form LVQ

Pada saat aplikasi dijalankan maka user mengklik tombol Data training yang

berfungsi untuk memasukkan Nama File Pelatihan dan menampilkan data pelatihan

kedalam listbox pelatihan pada matlab. Kemudian user mengklik tombol Data uji

untuk memasukkan nama File Pengujian dan menampilkan data pengujian kedalam

listbox pengujian pada matlab. Pada tombol Training maka Data pelatihan pegawai

akan diproses menghasilkan grafik literasi epoh dan learning rate nya apabila

learning ratenya sudah mencapai 0,01 atau apabila literasi epohnya sudah mencapai

100 literasi epoh maka proses pelatihan telah selesai dan grafik akan muncul di

matlab. Kemudian user akan mengklik tombol pengujian yang berfungsi untuk

menguji data pegawai yang baru. Maka akan menghasilkan sebuah grafik antara kelas,

jumlah neuron dan bobotnya. form LVQ setelah selesai dijalankan aplikasi

diperlihatkan pada Gambar 4.3 dan 4.4

Gambar 4.3 Tampilan Grafik Training antara epoh dan learning goal

4.1.1.3 Pelatihan Sistem LVQ

Pelatihan LVQ yang dilakukan 40 data dengan menginput nilai-nilai parameter LVQ.

Nilai-nilai parameter LVQ adalah nilai epohnya 100 epoh, hasil goal yang diharapkan

0,01. Hasil Pelatihan LVQ dapat dilihat pada Gambar 4.3

4.1.1.4 Pengujian Sistem LVQ

Pengujian arsitektur jaringan syaraf tiruan dengan menggunakan metode LVQ adalah

untuk mendapatkan performa yang baik yang akan digunakan pada sistem

memprediksi kenaikan golongan pegawai. Pengujian LVQ dilakukan dengan

menggunakan 20 data. Hasil Pengujian LVQ dapat dilihat pada Gambar 4.5

Tabel 4.1 Pengujian Bobot dengan menggunakan parameter LVQ

No X1 X2 X3 Kelas

41. 6 6 6 2

42. 6 8 7 1

43. 8 4 5 2

44. 7 7 8 1

45. 6 6 7 1

46. 6 9 7 1

47. 7 8 5 2

48. 6 7 7 1

49. 6 6 5 2

50. 6 8 7 1

51. 7 7 7 1

52. 6 5 7 1

53. 9 8 7 1

54. 8 6 6 1

55. 6 8 7 1

56. 7 8 7 1

57. 6 5 7 2

58. 6 7 7 1

59. 6 5 7 2

60. 5 6 5 2

Dimana :

X1 = Penilaian Kerja Pegawai yang Baik

X2 = Masa Kerja Pegawai

X3 = ujian psikotes

Kelas 1 = Layak

Kelas 2 = Tidak Layak

4.1.1.5 Form Backpropagation

Pada form Backpropagation terdapat beberapa bagian yaitu bagian Data Pelatihan

Backpropagation, Data Pengujian Backpropagation, Grafik, Nama File Pelatihan,

Nama File Pengujian, Lama, dan pada bagian tombol terdapat tombol Training, Data

Uji, Training, Penguji, Bersih, dan keluar. form Backpropagation diperlihatkan pada

Gambar 4.5

Gambar 4.5 Form Backpropagation

Pada saat aplikasi dijalankan maka user mengklik tombol Data training yang

berfungsi untuk memasukkan Nama File Pelatihan dan menampilkan data pelatihan

kedalam listbox pelatihan pada matlab. Kemudian user mengklik tombol Data uji

untuk memasukkan nama File Pengujian dan menampilkan data pengujian kedalam

listbox pengujian pada matlab. Pada tombol Training maka Data pelatihan pegawai

akan diproses menghasilkan grafik pelatihan dengan data pegawai yang memiliki

bobot dan target. Apabila target dan output saling berdekatan maka data itu dikenali

dan sebaliknya apabila bobot dan tergetnya jauh maka data itu tidak dikenali.

Kemudian user akan mengklik tombol pengujian yang berfungsi untuk menguji data

pegawai yang baru. Maka akan menghasilkan sebuah grafik antara bobot dan target

dan output. Apabila target, output dan bobot berada di pola satu maka pegawai

tersebut layak mendapatkan kenaikan golongan dan sebaliknya Apabila target, output

dan bobot berada di pola dua maka pegawai tersebut tidak layak mendapatkan

kenaikan golongan. form Backpropagation setelah selesai dijalankan aplikasi

diperlihatkan pada Gambar 4.6 dan 4.7

Gambar 4.7 Tampilan Antarmuka Backpropagation Pengujian Data

4.1.1.6 Pelatihan Sistem Backpropagation

Pelatihan Backpropagation yang dilakukan dengan 40 data yang akan dibangun

dengan menggunakan newff dan set bobot awal dilakukan secara random, hidden

layer, dan bias. Jaringan yang akan dibangun terdiri dari tiga lapisan dimana lapisan

pertama memiliki 10 neuron dengan menggunakan tansig, lapisan kedua memiliki 5

neuron dengan menggunakan logsig, dan lapisan ketiga memiliki 1 neuron dengan

menggunakan purelin. Hasil dari ketiga lapisan tersebut akan diproses dengan

menggunakan traingdm. Nilai-nilai parameter Backpropagation yang digunakan

sebagai berikut nilai epoh 100, hasil goal yang diharapkan 1e-2, nilai mc = 0.8

Tabel 4.2 Data Pelatiahan Backpropagation

No Manual Sistem Nilai Target _{Hasil Prediksi} _Error

1. 1 1 -0.02 _1.02 _-0.02

2. 1 1 1.00 _1.00 _0.00

3. 1 1 1.00 _0.99 _0.01

4. 1 1 1.00 _1.00 _-0.00

5. 2 2 2.00 _2.00 _-0.00

6. 2 2 2.00 _2.05 _{-0.05 *}

7. 1 1 1.00 _1.00 _-0.00

8. 1 1 1.00 _0.99 _0.01

9. 1 1 1.00 _1.02 _-0.02

10. 2 2 2.00 _2.05 _{-0.05 *}

11. 1 1 1.00 _1.03 _-0.03

12. 1 1 1.00 _1.02 _-0.02

13. 1 1 1.00 _1.01 _-0.01

14. 1 1 1.00 _1.02 _-0.02

15. 1 1 1.00 _1.02 _-0.02

16. 2 2 2.00 _2.05 _{-0.05 *}

17. 1 1 1.00 _1.01 _-0.01

18. 2 2 2.00 _1.99 _0.01

19. 1 1 1.00 _1.01 _-0.01

20. 2 2 2.00 _1.98 _0.02

21. 1 1 1.00 _0.99 _0.01

22. 1 1 1.00 _0.96 _0.04

23. 1 1 1.00 _1.01 _-0.01

24. 1 1 1.00 _1.00 _-0.00

25. 2 2 2.00 _2.05 _{-0.05 *}

26. 2 2 2.00 _2.05 _{-0.05 *}

27. 1 1 1.00 _1.02 _-0.02

28. 1 1 1.00 _1.00 _-0.00

29. 1 1 1.00 _0.99 _0.01

30. 2 2 2.00 _2.05 _{-0.05 *}

31. 1 1 1.00 _1.02 _-0.02

32. 2 2 2.00 _2.03 _-0.03

33. 1 1 1.00 _1.02 _-0.02

34. 2 2 2.00 _2.04 _-0.04

35. 2 2 1.00 _1.02 _-0.02

36. 1 1 1.00 _1.00 _-0.00

37. 1 1 2.00 _2.03 _-0.03

38. 2 2 1.00 1.02 -0.02

39. 1 1 1.00 1.02 -0.02

40 1 1 1.00 1.02 -0.02

Data pelatihan yang dapat dikenal = 87,17 %

* : Data yang tidak dikenali dimana batas error data = - 0.05

4.1.1.7 Pengujian Sistem Backpropagation

Pengujian arsitektur jaringan syaraf tiruan dengan menggunakan metode

Backpropagation adalah untuk mendapatkan performa yang baik yang akan

digunakan pada sistem memprediksi kenaikan golongan pegawai. Pengujian

Backpropagation dilakukan dengan menggunakan 20 data. Hasil Pengujian

Tabel 4.3 Data Pengujian Backpropagation

No

Manual Sistem Nilai Target ^Hasil

Prediksi ^Error

1. 2 2 2.00 2.05 -0.05 *

2. 1 1 1.00 1.02 -0.02

3. 2 2 2.00 1.99 0.01

4. 1 1 1.00 1.01 -0.01

5. 1 2 1.00 1.02 -0.02

6. 1 1 1.00 1.02 -0.02

7. 2 2 2.00 2.00 -0.00

8. 1 1 1.00 1.02 -0.02

9. 2 2 2.00 2.05 -0.05 *

10. 1 1 1.00 1.02 -0.02

11. 1 1 1.00 1.02 -0.02

12. 1 1 1.00 _0.94 _0.06

13. 1 1 1.00 _1.02 _-0.02

14. 1 1 1.00 _1.01 _-0.01

15. 1 1 1.00 _1.02 _-0.02

16. 1 1 1.00 1.02 _-0.02

17. 2 2 2.00 2.03 -0.03

18. 1 1 1.00 1.02 -0.02

19. 2 2 2.00 2.03 -0.03

20. 2 2 2.00 2.05 -0.05 *

Data pengujian yang dapat dikenal = 85 %

Waktu Pengujian = 0.8110

Tabel 4.4 Perbandingan Metode LVQ Dengan Backpropagation

No Perbandingan ^Metode

LVQ Backpropagation

1. Kecepatan Pengujian 0.203 second 0.8110 second

2. Output

Data tidak dapat

diamati secara

langsung

Data dapat diamati

secara langsung

3. Cluster Ada 2 cluster Tidak ada

4. Hidden Layer Tidak ada ^{Ada 1 Hidden}

Layer

5. Neuron Ada 4 neuron Tidak Ada

6. Bangun jaringan newlvq newff

7. Momentum Tidak ada Ada

8. Memori ^Menggunakan

sedikit memori

Menggunakan

banyak memori

Tabel 4.5 Persamaan Metode LVQ Dengan Backpropagation

No. Persamaan

1. Maksimal epoh = 100 epoh

2. Learning goal = 0.01

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Sesuai dengan hasil uji coba dan pembahasan program yang dilakukan, maka dapat

ditarik kesimpulan sebagai berikut :

1. LVQ merupakan suatu metode untuk melakukan pelatihan terhadap lapisan

kompetitif yang terawasi. Lapisan kompetitif akan belajar secara otomatis

untuk melakukan klasifikasi terhadap vektor input yang diberikan, pendekatan

yang dilakukan dengan mengelompokkan vektor input berdasarkan kedekatan

jarak vektor input terhadap bobot.

2. Backpropagation merupakan algoritma pembelajaran yang terawasi yang

digunakan oleh percepton dengan banyak lapisan untuk mengubah

bobot-bobot yang terhubung dengan neuron pada lapisan tersembunyi.

3. Pada metode JST dengan menggunakan arsitektur LVQ, data yang digunakan

ada sebanyak 60 data dimana 20 data digunakan sebagai pembelajaran (data

pelatihan) dan 40 data berikutnya dilakukan pengujian. Dengan jumlah neuron

yang digunakan ada 4 neuron, banyak eepoh yang digunakan 100 epoh, dan

nilai goal yang diharapkan 0,01.

4. Pada metode JST dengan menggunakan arsitektur Backpropagation

menggunakan jaringan dengan 3 lapisan. Dimana lapisan pertama

menggunakan 10 neuron dengan tansig, lapisan kedua menggunakan 5 neuron

dengan logsig dan lapisan ketiga menggunakan 1 neuron dengan purelin, dan

hasil ketiga lapisan tersebut akan diolah dengan traingdm. Parameter

Backpropagation antara lain : jumlah epoh yang digunakan ada 100 epoh, nilai

goal yang diharapkan 0.01 dan learning ratenya 0.5.

5. Pada metode JST dengan menggunakan arsitektur Backpropagation, data

pelatihan yang dikenal ada sebesar 87.17 % sedangkan data pengujian yang

dikenal sebesar 85 %.

6. Waktu proses pengujian LVQ relatif lebih cepat dibandingkan dengan metode

Backpropagation dimana watu proses pengujian LVQ = 0.203 second

sedangkan Backpropagation = 0.8110 second.

7. Semakin banyak data yang dimasukkan dalam pelatihan maka hasil pengujian

akan semakin akurat.

5.2 Saran

Untuk pengembangan selanjutnya, penulis menyarankan agar :

1. Menggunakan banyak data untuk proses pelatihan dan pengujian sehingga

hasil yang digunakan semakin akurat.

2. Pada metode LVQ nilai variabel yang digunakan, jumlah neuron, jumlah kelas,

maksimal epoh harus ditambah lagi.

3. Pada metode Backpropagation jumlah lapisan jaringan dan neuron di setiap

jaringan lapisannya ditambah lagi.

4. Perlu dilakukan perbandingan untuk memprediksi kenaikan golongan dengan

metode lain seperti metode JST self organizing map (SOM), algoritma

genetika dan kemudian dibandingkan agar mendapatkan metode yang terbaik.

Dalam dokumen Memprediksi Kenaikan Golongan Pegawai Demgan Metode Learning Vector Quantization Dab Backropagation (Studi Kasus : PDAM Tirtanadi) (Halaman 46-118)