55

BAB V
IMPLEMENTASI DAN HASIL

5.1. Pengolahan Jaringan Syaraf Tiruan Dengan Menggunakan Matlab R2013a

Matlab singkatan dari Matrix Laboratory. Matlab merupakan bahasa

pemrogaman yang dikembangkan oleh The Mathwork. Inc. Pada awalnya, program
ini merupakan interface untuk koleksi rutin-rutin numerik dari proyek LINPACK dan
EISPACK, namun sekarang merupakan produk komersial dari perusahaan
Mathworks, Inc. MATLAB telah berkembang menjadi sebuah environment
pemrograman yang canggih yang berisi fungsi-fungsi built-in untuk melakukan tugas
pengolahan sinyal, aljabar linier, dan kalkulasi matematis lainnya. MATLAB juga
berisi toolbox yang berisi fungsi-fungsi tambahan untuk aplikasi khusus.

Pengolahan dan inisialisasi Jaringan Syaraf Tiruan dilakukan dengan bantuan

software MATLAB (MATRIX LABORATORY) versi R2013a, MATLAB adalah
sebuah software yang sangat berguna dalam analisis numerik. Matlab menyediakan
lingkungan kerja yang lengkap baik untuk komputasi maupun visualisasi. Berikut ini
gambar tampilan wellcome screen dari Matlab R2013a.

56

MATLAB versi R2013a dipilih karena mempunyai kemampuan menangani

pengolahan matrix dengan jumlah yang lebih banyak dibandingkan dengan versi di
bawahnya. Terlebih lagi dalam penelitian ini, matrix input merupakan matrix yang
cukup besar, dengan 120 pola masukkan, sehingga ukuran matrix inputnya menjadi
2x120, tidak dapat ditangani oleh versi Matlab di bawahnya.

5.2. Implementasi Jaringan Syaraf Tiruan Pada Matlab R2013a

Supaya dapat mengenali pola data masukan, maka Jaringan Syaraf Tiruan
yang dibangun harus dilatih terlebih dahulu. Pelatihan menggunakan berbagai
arsitektur Jaringan Syaraf Tiruan yang telah ditentukan pada bab IV. Adapun
parameter-parameter pelatihan yang ditentukan untuk semua kombinasi arsitektur
pelatihan adalah :
1. Semua nilai pemberat dan nilai bias diinisialisasi oleh sistem.
2. Banyaknya epoch maksimal ditentukan 20.000 epoch.
3. Banyaknya epoch perkali ditampilkan adalah 100 epoch.
4. Sedangkan Parameter yang lain ditetapkan seseuai dengan nilai default dari
Matlab

Perintah yang digunakan untuk membentuk Jaringan Syaraf Tiruan pada

Matlab adalah:
net = newff(PR,[S1 S2 SN],{TF1 TF2 TFN},BTF,BLF,PF)
dimana:
net

= Jaringan Backpropagation yang terdiri dari n layer

PR

= Matriks ordo Rx2 yang berisi nilai minimum dan maksimum R

57

buah elemen masukannya

Si

= Jumlah unit pada layar ke i (i = 1,2,,n)

TFi

= Fungsi aktivasi yang dipakai pada layar ke i (i=1,2,, n).

Defaultnya = tansig (sigmoid bipolar)

BTF

= Fungsi pelatihan jaringan. Defaultnya= TrainGdx

BLF

= Fungsi perubahan bobot / bias. Defaultnya = learngdm

PF

= Fungsi perhitungan error. Default = mse

Perintah di atas secara otomatis akan menentukan bobot dan bias bagi jaringan
yang anda bentuk dengan bilangan acak. Tetapi jika anda menghendaki untuk
menginisialiasi kembali bobot dan bias, dapat dilakukan dengan perintah
net = init (net);
Berikut ini beberapa perintah yang digunakan untuk menentukan Parameter
training dalam pelatihan jaringan. Di antaranya:
untuk menentukan jumlah epoch yang ditampilkan, digunakan perintah :
net.trainParam.show = 100;
untuk menentukan jumlah learning rate, default = 0.1, digunakan perintah :
net.trainParam.lr = 0.05;
untuk menentukan jumlah maximum epoch, digunakan perintah :
net.trainParam.epochs = 20000;
untuk menentukan jumlah mse terkecil / toleransi, default=0, digunakan perintah
untuk pelatihan digunakan perintah
[net,tr]= train(net,p,t);
Sedangkan perintah yang digunakan untuk melaksanakan pengujian dengan data
yang belum pernah dilatih adalah dengan perintah.

58

5.2.1 Data Input Pengujian

Berikut ini, merupakan data input yang digunakan pada pengujian Matlab.
Data yang digunakan sebagai P,
P=[]
Columns 1 through 9
180.0000 326.0000 76.0000 347.0000 150.0000 98.0000 149.0000
187.0000 118.0000 21.0000 19.0000 27.0000 16.0000 10.0000
14.0000 16.0000
Columns 10 through 18
571.0000 189.0000 609.0000 210.0000 203.0000 142.0000 258.0000
85.0000 20.0000 24.0000 24.0000 21.0000 22.0000 19.0000
21.0000 9.0000
Columns 19 through 27
184.0000 107.0000 335.0000 137.0000 547.0000 608.0000 32.0000
36.8000 19.0000 12.0000 17.0000 16.0000 23.0000 24.0000
19.0000 21.0000
Columns 28 through 36
28.1000 19.3000 25.2000 28.1000 20.8000 25.2000 20.8000
46.3000 19.0000 20.0000 21.0000 21.0000 16.0000 17.0000
25.0000 25.0000
Columns 37 through 45
607.0000 449.0000 345.0000 283.0000 76.0000 346.0000 65.0000
29.0000 26.0000 17.0000 18.0000 21.0000 12.0000 17.0000
4.0000 7.0000
Columns 46 through 54
14.0000 72.0000 340.0000 319.7000 395.0000 429.0000 183.0000
435.5000 5.0000 21.0000 26.0000 27.0000 24.0000 14.0000
22.0000 16.0000
Columns 55 through 63
140.0000 21.0000 267.5000 243.5000 451.5000 553.5000 201.0000
616.0000 24.0000 16.0000 26.0000 14.0000 25.0000 21.0000
21.0000 21.0000
Columns 64 through 72
389.3000 81.0000 41.3000 75.5000 195.0000 164.3000 157.3000
614.4000 16.0000 17.0000 15.0000 14.0000 16.0000 20.0000
20.0000 15.0000
Columns 73 through 81
410.4000 145.2000 263.3000 558.9000 282.8000 120.3000 142.5000
100.0000 12.0000 17.0000 14.0000
4.0000
7.0000 19.0000
17.0000 16.0000
Columns 82 through 90
247.0000 262.2000 744.4000 235.0000 388.0000 396.0000 239.0000
213.0000 23.0000 13.0000 10.0000 23.0000 23.0000 27.0000
20.0000 22.0000
Columns 91 through 99

300.0000
15.0000
402.0000
18.0000
25.0000
19.0000
38.3000
27.0000
23.0000
14.0000
147.0000
21.0000
306.5000
20.0000
581.8000
24.0000
130.2000
12.0000
197.0000
21.0000

59

326.0000 235.0000 343.0000 555.0000 362.0000 349.0000

278.0000 20.0000 16.0000 23.0000 27.0000 26.0000
13.0000 25.0000
Columns 100 through 108
376.0000 192.0000 490.0000 142.0000 72.0000 53.0000
211.0000 23.0000 20.0000 15.0000 13.0000
7.0000
19.0000 23.0000
Columns 109 through 117
443.0000 388.0000 304.0000 227.0000 265.0000 255.0000
371.0000 19.0000
8.0000 19.0000 22.0000 13.0000
8.0000 3.0000
Columns 118 through 120
154.0000 486.0000 388.0000 15.0000 24.0000 26.0000

5.2.2

269.0000 113.0000
24.0000 16.0000
105.0000 199.0000
15.0000 18.0000
506.0000 194.0000
10.0000 12.0000

Data Target Pengujian

Data yang diujikan dalam Matlab ini menggunakan matriks T, di mana

matriks T adalah Target. Di bawah ini merupakan data target yang digunakan. Jumlah
matriks T adalah 1x120.
T=[ ]
Columns 1 through 9
239.0000 336.5000 85.5000 360.5000 158.0000 103.0000 156.5000
195.0000
Columns 10 through 18
581.0000 201.0000 621.0000 220.5000 214.0000 151.5000 267.0000
89.5000
Columns 19 through 27
193.5000 113.0000 343.5000 145.0000 558.5000 620.0000 41.5000
47.3000
Columns 28 through 36
37.6000 29.3000 35.7000 38.6000 28.8000 33.7000 34.3000
58.8000
Columns 37 through 45
620.0000 457.5000 354.0000 293.5000 82.0000 354.5000 72.0000
32.5000
Columns 46 through 54
16.5000 82.5000 353.0000 333.2000 407.0000 436.0000 193.5000
443.5000
Columns 55 through 63
152.0000 29.0000 280.5000 250.5000 464.0000 564.0000 211.0000
626.5000
Columns 64 through 72

307.0000
412.5000
34.5000
50.8000
25.0000
158.0000
317.0000

60

397.3000 89.5000 48.8000

621.9000
Columns 73 through 81
416.4000 153.7000 270.3000
108.0000
Columns 82 through 90
258.5000 268.7000 749.4000
224.0000
Columns 91 through 99
336.0000 243.0000 354.5000
290.5000
Columns 100 through 108
387.5000 202.0000 497.5000
222.5000
Columns 109 through 117
452.5000 392.0000 313.5000
372.5000
Columns 118 through 120
161.5000 498.0000 401.0000

5.3

82.5000 203.0000 174.3000 169.3000 591.8000

560.9000 286.3000 129.8000 148.5000 138.7000
246.5000 399.5000 409.5000 249.5000 207.0000
568.5000 375.0000 361.0000 277.0000 119.5000
148.5000 75.5000 60.5000 114.0000 208.5000
238.0000 271.5000 260.0000 512.0000 198.0000

Preprocessing
Sebelum jaringan dibangun terlebih dahulu dilakukan preprocessing untuk

melakukan normalisasi menggunakan mean dan deviasi standar. Tabel 5.1 di bawah
ini merupakan hasil dari normalisasi.

Tabel 5.1 Data Hasil Normalisasi Menggunakan Matlab

N
O

Bulan
X1

DATA INPUT PELATIHAN

Normalis
Normalisa
asi
X2
si

Target
(t)

Normalis
asi

Januari

180

-0.4101

118

9.2647

239

-0.1241

Februari

326

0.4322

21

0.1917

336.5

0.4371

Maret

76

-1.0102

19

0.0047

85.5

-1.0077

April

347

0.5534

27

0.7530

360.5

0.5752

Mei

150

-0.5832

16

-0.2759

158

-0.5904

Juni

98

-0.8832

10

-0.8371

103

-0.9069

Juli

149

-0.5890

15

-0.3695

156.5

-0.5990

Agustus
Septemb
er
Oktober

300

0.2822

14

-0.4630

307

0.2673

187

-0.3698

16

-0.2759

195

-0.3774

571

1.8457

20

0.0982

581

1.8444

9
10

61

11

Novemb
er

189

-0.3582

24

0.4724

201

-0.3429

Tabel 5.1 Data Hasil Normalisasi Menggunakan Matlab (Lanjutan)

DATA INPUT PELATIHAN
N
O

Bulan
X1

Normalis
asi

X2

Normalisa
si

Target
(t)

Normalis
asi

609

2.0650

24

0.4724

621

2.0747

13

Desemb
er
Januari

210

-0.2371

21

0.1917

220.5

-0.2306

14

Februari

203

-0.2774

22

0.2853

214

-0.2680

15

Maret

142

-0.6294

19

0.0047

151.5

-0.6278

16

April

258

0.0399

18

-0.0889

267

0.0370

17

Mei

402

0.8707

21

0.1917

412.5

0.8746

18

Juni

85

-0.9582

-0.9307

89.5

-0.9847

19

Juli

184

-0.3871

19

0.0047

193.5

-0.3860

20

107

-0.8313

12

-0.6501

113

-0.8494

335

0.4841

17

-0.1824

343.5

0.4774

137

-0.6582

16

-0.2759

145

-0.6652

547

1.7073

23

0.3788

558.5

1.7149

608

2.0592

24

0.4724

620

2.0689

25

Agustus
Septemb
er
Oktober
Novemb
er
Desemb
er
Januari

32

-1.2640

19

0.0047

41.5

-1.2609

26

Februari

25

-1.3044

19

0.0047

34.5

-1.3012

27

Maret

36.8

-1.2363

21

0.1917

47.3

-1.2276

28

April

28.1

-1.2865

19

0.0047

37.6

-1.2834

29

Mei

19.3

-1.3373

20

0.0982

29.3

-1.3312

30

Juni

25.2

-1.3033

21

0.1917

35.7

-1.2943

31

Juli

28.1

-1.2865

21

0.1917

38.6

-1.2776

32

20.8

-1.3286

16

-0.2759

28.8

-1.3340

25.2

-1.3033

17

-0.1824

33.7

-1.3058

20.8

-1.3286

27

0.7530

34.3

-1.3024

38.3

-1.2277

25

0.5659

50.8

-1.2074

46.3

-1.1815

25

0.5659

58.8

-1.1614

37

Agustus
Septemb
er
Oktober
Novemb
er
Desemb
er
Januari

607

2.0534

26

0.6594

620

2.0689

38

Februari

449

1.1418

17

-0.1824

457.5

1.1336

39

Maret

345

0.5418

18

-0.0889

354

0.5378

40

April

283

0.1841

21

0.1917

293.5

0.1896

41

Mei

76

-1.0102

12

-0.6501

82

-1.0278

42

Juni

346

0.5476

17

-0.1824

354.5

0.5407

43

Juli

65

-1.0736

14

-0.4630

72

-1.0854

44

Agustus
Septemb
er

23

-1.3160

-1.3984

25

-1.3559

29

-1.2813

-1.1178

32.5

-1.3128

12

21
22
23
24

33
34
35
36

45

62
46
47
48
49

Oktober
Novemb
er
Desemb
er
Januari

14

-1.3679

-1.3048

16.5

-1.4048

72

-1.0333

21

0.1917

82.5

-1.0249

340
319.
7

0.5130

26

0.6594

353

0.5321

0.3958

27

0.7530

333.2

0.4181

Tabel 5.1 Data Hasil Normalisasi Menggunakan Matlab (Lanjutan)

N
O

Bulan
X1

DATA INPUT PELATIHAN

Normalis
Normalisa
asi
X2
si

Target
(t)

Normalis
asi

51

Maret

429

1.0265

14

-0.4630

436

1.0098

52

April

183

-0.3928

21

0.1917

193.5

-0.3860

53

Mei

147
435.
5

-0.6005

22

0.2853

158

-0.5904

1.0640

16

-0.2759

443.5

1.0530

140

-0.6409

24

0.4724

152

-0.6249

21

-1.3275

16

-0.2759

29

-1.3329

267.5
243.
5
451.
5
553.
5

0.0947

26

0.6594

280.5

0.1148

-0.0438

14

-0.4630

250.5

-0.0579

1.1563

25

0.5659

464

1.1710

1.7448

21

0.1917

564

1.7466

201
306.
5

-0.2890

20

0.0982

211

-0.2853

0.3197

21

0.1917

317

0.3248

616
389.
3

2.1053

21

0.1917

626.5

2.1063

0.7974

16

-0.2759

397.3

0.7871

54

Juni

55

Juli

56

Agustus
Septemb
er

57
58
59
60
61
62
63
64

Oktober
Novemb
er
Desemb
er
Januari
Februari
Maret
April

65

Mei

81

-0.9813

17

-0.1824

89.5

-0.9847

66

Juni

41.3

-1.2104

15

-0.3695

48.8

-1.2189

67

Juli

75.5

-1.0131

14

-0.4630

82.5

-1.0249

68

Agustus
Septemb
er

195
164.
3
157.
3
581.
8
614.
4
410.
4
145.
2

-0.3236

16

-0.2759

203

-0.3313

-0.5007

20

0.0982

174.3

-0.4965

-0.5411

24

0.4724

169.3

-0.5253

1.9080

20

0.0982

591.8

1.9066

2.0961

15

-0.3695

621.9

2.0799

0.9191

12

-0.6501

416.4

0.8970

-0.6109

17

-0.1824

153.7

-0.6151

75

Maret

263.3

0.0705

14

-0.4630

270.3

0.0560

76

April

558.9

1.7759

-1.3984

560.9

1.7288

77

Mei

282.8
120.
3

0.1830

-1.1178

286.3

0.1481

-0.7546

19

0.0047

129.8

-0.7527

69
70
71
72
73
74

78

Oktober
Novemb
er
Desemb
er
Januari
Februari

Juni

63

79
80

Juli
Agustus

142.
5
130.
2

-0.6265

12

-0.6501

148.5

-0.6450

-0.6975

17

-0.1824

138.7

-0.7015

100

-0.8717

16

-0.2759

108

-0.8782

247
262.
2
744.
4

-0.0236

23

0.3788

258.5

-0.0119

0.0641

13

-0.5565

268.7

0.0468

2.8461

10

-0.8371

749.4

2.8138

235

-0.0928

23

0.3788

246.5

-0.0810

85

Septemb
er
Oktober
Novemb
er
Desemb
er
Januari

86

Februari

388

0.7899

23

0.3788

399.5

0.7997

87

Maret

396

0.8361

27

0.7530

409.5

0.8573

88

April

239

-0.0697

21

0.1917

249.5

-0.0637

Mei

197

-0.3121

20

0.0982

207

-0.3083

81
82
83
84

89

Tabel 5.1 Data Hasil Normalisasi Menggunakan Matlab (Lanjutan)

N
O

Bulan
X1

DATA INPUT PELATIHAN

Normalis
Normalisa
asi
X2
si

Target
(t)

Normalis
asi

51

Maret

429

1.0265

14

-0.4630

436

1.0098

91

Juli

326

0.4322

20

0.0982

336

0.4342

92

235

-0.0928

16

-0.2759

243

-0.1011

343

0.5303

23

0.3788

354.5

0.5407

555

1.7534

27

0.7530

568.5

1.7725

362

0.6399

26

0.6594

375

0.6587

349

0.5649

24

0.4724

361

0.5781

97

Agustus
Septemb
er
Oktober
Novemb
er
Desemb
er
Januari

269

0.1033

16

-0.2759

277

0.0946

98

Februari

113

-0.7967

13

-0.5565

119.5

-0.8120

99
10
0
10
1
10
2
10
3
10
4
10
5
10
6
10
7
10
8
10
9

Maret

278

0.1553

25

0.5659

290.5

0.1723

376

0.7207

23

0.3788

387.5

0.7307

192

-0.3409

20

0.0982

202

-0.3371

490

1.3784

15

-0.3695

497.5

1.3638

142

-0.6294

13

-0.5565

148.5

-0.6450

72

-1.0333

-1.1178

75.5

-1.0652

53

-1.1429

15

-0.3695

60.5

-1.1516

105

-0.8429

18

-0.0889

114

-0.8436

199

-0.3005

19

0.0047

208.5

-0.2997

211

-0.2313

23

0.3788

222.5

-0.2191

443

1.1072

19

0.0047

452.5

1.1048

93
94
95
96

April
Mei
Juni
Juli
Agustus
Septemb
er
Oktober
Novemb
er
Desemb
er
Januari

64
11
0
11
1
11
2
11
3
11
4
11
5
11
6
11
7
11
8
11
9
12
0

5.3.1

Februari
Maret
April
Mei
Juni

388

0.7899

-1.0242

392

0.7566

304

0.3053

19

0.0047

313.5

0.3047

227

-0.1390

22

0.2853

238

-0.1299

265

0.0803

13

-0.5565

271.5

0.0629

255

0.0226

10

-0.8371

260

-0.0032

506

1.4707

12

-0.6501

512

1.4473

194

-0.3294

-1.0242

198

-0.3601

371

0.6918

-1.4919

372.5

0.6443

154

-0.5602

15

-0.3695

161.5

-0.5702

486

1.3553

24

0.4724

498

1.3667

388

0.7899

26

0.6594

401

0.8084

Juli
Agustus
Septemb
er
Oktober
Novemb
er
Desemb
er

Arsitektur 2 2 1, TrainGdm
Berikut ini parameter yang digunakan dalam melakukan pelatihan seperti pada

di bawah ini tabel 5.1. Di antaranya: untuk menentukan jumlah epoch yang
ditampilkan, untuk menentukan jumlah learning rate, default = 0.1, untuk
menentukan jumlah maximum epoch, untuk menentukan jumlah mse terkecil /
toleransi, default=0,

Tabel 5.1 Parameter Pengujian Menggunakan Matlab R2013a

arameter
Epoch
Goal
Min_gran
Max_fail

Value
20000
1.00E-07
1.00E-05
50

65

Ir
Ir_inc
Ir_dec
Transfer Function
Training Function

0,01
1,05
0,7
Logsig
TrainGda

Pada pelatihan ini dilakukan fungsi pelatihan TrainGdx, dengan 2 input, 2

hidden layer dan satu output. Tabel di atas merupakan tabel 5.1 merupakan tabel
parameter pengujian yang dilakukan pada saat proses training data.
Pengujian penerapan Jaringan Syaraf Tiruan dengan arsitektur 2- 2 -1 dibantu
perangkat lunak Matlab dilakukan untuk melihat perbandingan target yang
diinginkan dengan hasil pembelajaran pada Jaringan Syaraf Tiruan, sebelum
melakukan uji coba terlebih dahulu variable input dan variabel output dikelompokan,
yang mana variabel input-nya adalah faktor - faktor yang mempengaruhi prediksi
banjir.
Sebelum jaringan dibangun terlebih dahulu dilakukan preprocessing untuk
melakukan normalisasi menggunakan mean dan deviasi standar. Apabila data input
disimpan pada matriks p, dan target disimpan pada matriks t, maka :
[pn,meanp,stdp,tn,meant,stdt] = prestd(p,t)
Kemudian dibangun Jaringan Syaraf Tiruan dengan metode pembelajaran
gradient descent dengan momentum (traingdm) ;
net=newff(minmax(pn),[2 1],{tansig,purelin},traingdm):

66

A. Pelatihan
Setelah dibangun jaringan 2 2 1, maka dilakukan proses pelatihan, adapun
hasil proses pelatihan pada jaringan 2 2 1, dapat dilihat pada gambar 5.1 di
bawah ini.berdasarkan pola pelatihan di atas dapat dilihat pada epochs 1215.

67

Gambar 5.1 Hasil pelatihan pola 2 2 1

B. Bobot
Setelah dilakukan pelatihan, maka akan diperoleh bobot akhir, seperti
ditunjukan di bawah ini.
Bobot akhir input
>> net.iw{1,1}
ans =
0.9326 -0.1261
0.8065 0.1708
>> net.b{1,1}
ans =
-0.9372
0.4557
>> net.lw{2,1}
ans =
1.0196

0.9253

>> net.b{2,1}
ans =
0.3061

C. Evaluasi Output Jaringan (Data Pelatihan dengan Target)

68

Output jaringan dan target dianalisis dengan regresi linear menggunakan

postreg, melihat nilai error atau selisih antara nilai target dan output, evaluasi output
jaringan (data pelatihan dengan target).
>> [m1,a1,r1]=postreg(a,t)

Gambar 5.2 output dan error

Gambar di atas merupakan nilai error dan output antara target dan output
dengan menggunakan postreg dimana nilai :
m1 =
0.9797
a1 =
5.0636
r1 =
0.9950
Di mana korelasi bernilai 0,9950 mendekati 1 menunjukan hasil yang baik
untuk kecocokan nilai target dan output.
>> plot([1:size(p,2)]',t,'bo',[1:size(p,2)]',a','r*');
>> xlabel('Data Ke-');ylabel('Target/Output');pause
>> title('Hasil Pengujian Dengan Data Pelatihan: Target(o), Output(*)');

69

Gambar 5.3 Hasil Pengujian Dengan Data Pelatihan

Menurut gambar 5.3 terdapat korelasi 0,9950 menunjukkan prediksi potensi

banjir berdasarkan data di atas kurang baik, pada data di atas terlihat bahwa error
terkecil ditunjukan pada data ke 70 di mana data tersebut memiliki nilai error
terkecil yaitu -0.062. seperti pada tabel di bawah ini.

Tabel 5.2 Actual Output dan Error

N
o
1
2
3
4
5

Y
(Target)
239
336.5
85.5
360.5
158

Yd
Actual
Output
289.541
333.956
89.411
354.093
145.267

Error
-50.541
2.544
-3.911
6.407
12.733

70
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

103
156.5
307
195
581
201
621
220.5
214
151.5
267
412.5
89.5
193.5
113
343.5
145
558.5
620
41.5
34.5
47.3
37.6
29.3
35.7
38.6
28.8
33.7

88.031
142.195
303.444
181.264
583.018
198.702
599.937
213.439
208.342
144.405
258.601
421.011
76.501
184.176
99.074
345.227
133.311
563.452
599.455
59.647
55.476
66.302
57.304
53.893
59.117
60.874
48.122
52.204

14.969
14.305
3.556
13.736
-2.018
2.298
21.063
7.061
5.658
7.095
8.399
-8.511
12.999
9.324
13.926
-1.727
11.689
-4.952
20.545
-18.147
-20.976
-19.002
-19.704
-24.593
-23.417
-22.274
-19.322
-18.504

Tabel 5.2 Actual Output dan Error (Lanjutan)

N
o
34
35
36
37
38
39
40
41
42
43
44
45

Y
(Target)
34.3
50.8
58.8
620
457.5
354
293.5
82
354.5
72
25
32.5

Yd
Actual
Output
67.660
75.104
80.565
597.195
480.551
356.665
287.601
75.612
358.321
71.724
32.488
39.207

Error

-33.360
-24.304
-21.765
22.805
-23.051
-2.665
5.899
6.388
-3.821
0.276
-7.488
-6.707

71
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

16.5
82.5
353
333.2
407
436
193.5
158
443.5
152
29
280.5
250.5
464
564
211
317
626.5
397.3
89.5
48.8
82.5
203
174.3
169.3

29.608
90.631
347.339
326.353
409.270
461.822
187.167
155.585
466.700
153.741
48.231
275.464
237.995
471.132
570.519
202.802
312.639
605.543
411.619
89.018
58.287
79.037
189.376
167.286
169.362

-13.108
-8.131
5.661
6.847
-2.270
-25.822
6.333
2.415
-23.200
-1.741
-19.231
5.036
12.505
-7.132
-6.519
8.198
4.361
20.957
-14.319
0.482
-9.487
3.463
13.624
7.014
-0.062

Tabel 5.2 Actual Output dan Error (Lanjutan)

N
o
71
72
73
74
75
76
77
78
79
80
81
82
83

Y
(Target)
591.8
621.9
416.4
153.7
270.3
560.9
286.3
129.8
148.5
138.7
108
258.5
268.7

Yd
Actual
Output
589.354
609.032
441.931
142.967
260.423
589.506
278.162
125.136
129.831
129.396
101.679
252.763
258.146

Error
2.446
12.868
-25.531
10.733
9.877
-28.606
8.138
4.664
18.669
9.304
6.321
5.737
10.554

72
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
10
0
10
1
10
2
10
3
10
4
10
5
10
6
10
7
10
8

749.4
246.5
399.5
409.5
249.5
207
224
336
243
354.5
568.5
375
361
277
119.5
290.5

640.874
241.010
402.478
406.690
242.342
198.857
218.054
334.137
231.378
351.989
564.208
370.655
357.997
268.760
106.042
284.886

108.526
5.490
-2.978
2.810
7.158
8.143
5.946
1.863
11.622
2.511
4.292
4.345
3.003
8.240
13.458
5.614

387.5

388.823

-1.323

202

193.949

8.051

497.5

525.882

-28.382

148.5

131.465

17.035

75.5

64.102

11.398

60.5

65.610

-5.110

114

110.022

3.978

208.5

198.994

9.506

222.5

217.778

4.722

Tabel 5.2 Actual Output dan Error (Lanjutan)

N
o
10
9
11
0
11
1
11
2

Y
(Target)

Yd
Actual
Output

Error

452.5

470.958

-18.458

392

417.617

-25.617

313.5

309.519

3.981

238

231.770

6.230

73
11
3
11
4
11
5
11
6
11
7
11
8
11
9
12
0

271.5

261.405

10.095

260

246.382

13.618

512

544.221

-32.221

198

173.390

24.610

372.5

398.320

-25.820

161.5

146.899

14.601

498

508.823

-10.823

401

399.060

1.940
26.0210

Total Error

Berdasarkan data tabel di atas,tingkat keakuratan data mencapai 89,16 %.

Hasil dengan pengujian pola 2 2 1 tidak berhasil seperti yang diharapkan.

5.3.2

Arsitektur 2 12 1
Pengujian Jaringan Syaraf Tiruan dengan arsitektur 2 12 1 dengan

perintah seperti di bawah ini akan menghasilkan hasil pengujian seperti pada gambar
5.4 di bawah ini.
>> net.trainParam.epochs=20000;
>> net.trainParam.ir=0.1;
>> net.trainParam.show=100;
>> Net=train(net,Pn,tn)

74

Gambar 5.5 Hasil Training Data 2 12 -1

Menurut gambar di atas, menunjukkan the best training performance berada

pada 0.00060568 pada epoch 20000. Korelasi nilai berada pada angka 0.9996
merupakan angka yan baik karena angka sudah sangat dekat dengan angka satu.

75

Gambar 5.6 Target dan Output

Berdasarkan gambar di atas menunjukkan hubungan antara target dan data

output menghasilkan titik titik kecocokan sangat baik.di mana korelasinya 0.9996.
Untuk lebih lengkap dijelaskan pada tabel di bawah ini.

76

Tabel 5.3 Hasil Pelatihan 12 Neuron

N
O

TARG
ET

Actual
Target
236.8001
724

239

336.5

85.5

337.5271
795
79.13290
466

360.5

357.6220
233

158

103

162.8491
655
100.1439
04

156.5

161.3499
911

307

305.5019
777

195

198.4619
489

10

581

582.7721
724

11

201

204.1027
285

12

621

13

220.5

14

214

15

151.5

16

267

17

412.5

18

89.5

614.4768
577
221.2191
028
215.7484
804
155.3859
999
261.8551
44
416.3253
451
84.68851
899

Error
2.1998
28
1.0271
8
6.3670
95
2.8779
77
4.8491
7
2.8560
96
4.8499
9
1.4980
22
3.4619
5
1.7721
7
3.1027
3
6.5231
42
0.7191
1.7484
8
-3.886
5.1448
56
3.8253
5
4.8114
81

N
O

TARG
ET

Actual
Target
212.8147
717

Error
1.8147
7

61

211

62

317

63

626.5

315.3903
511
627.9341
955

64

397.3

402.7268
141

1.6096
49
1.4342
5.4268
1

65

89.5

66

48.8

83.89943
38
45.72281
417

5.6005
66
3.0771
86

67

82.5

76.67968
323

68

203

205.3860
084

69

174.3

179.1241
74

70

169.3

172.9511
501

71

591.8

593.1494
075

72

621.9

73

416.4

74

153.7

75

270.3

76

560.9

158.1272
577
264.3177
232
560.0005
543

5.8203
17
2.3860
1
4.8241
7
3.6511
5
1.3494
1
16.742
9
2.3500
69
4.4272
6
5.9822
77
0.8994
46

77

286.3

78

129.8

283.0789
462
130.4962
991

3.2210
54
0.6963

638.6428
945
414.0499
308

77

19

193.5

197.3102
307

20

113

111.7749
001

3.8102
3

41.5

563.6405
543
613.5075
187
41.26800
822

1.2251
4.9097
2
3.6568
5.1405
5
6.4924
81
0.2319
92

26

34.5

37.28070
066

2.7807

27

47.3

45.09582
788

28

37.6

38.96988
263

29

29.3

35.08785
935

30

35.7

38.36813
875

31

38.6

39.88241
946

32

28.8

33.37405
999

2.2041
72
1.3698
8
5.7878
6
2.6681
4
1.2824
2
4.5740
6

33

33.7

36.28289
931

21

343.5

22

145

23

558.5

24

620

25

34

34.3

35

50.8

36

58.8

37
38

620
457.5

348.4097
183
148.6567
98

37.46145
275
46.47416
962

2.5829
3.1614
5
4.3258
3

51.98431
546
608.9865
3
452.0361

6.8156
85
11.013
47
5.4638

79

148.5

152.9647
126

80

138.7

141.3354
521

4.4647
1
2.6354
5

105.3069
56
255.6710
302

2.6930
44
2.8289
7
6.0507
76
2.7780
35
1.8053
47
3.9385
1
2.5676
6

81

108

82

258.5

83

268.7

84

749.4

85

246.5

262.6492
243
746.6219
651
244.6946
533

86

399.5

403.4385
055

87

409.5

412.0676
607

88

249.5

246.6350
176

89

207

209.3427
774

90

224

224.4932
661

91

336

337.6590
283

92

243

239.1448
449

93

354.5

355.8941
106

94

568.5

95

375

96

361

97
98

277
119.5

571.3852
207
374.7587
488
361.9237
533
271.4438
868
119.3898

2.8649
82
2.3427
8
0.4932
7
1.6590
3
3.8551
55
1.3941
1
2.8852
2
0.2412
51
0.9237
5
5.5561
13
0.1101

78
525
39

354

40
N
O

293.5
TARG
ET

41

82

42

359.7564
552

47
5.7564
6
3.8279
94

354.5

289.6720
059
Actual
Target
76.28400
909
361.0041
951

43

72

65.90061
204

44

25

28.19836
04

45

32.5

33.23539
462

46

16.5

23.77337
759

6.0993
88
3.1983
6
0.7353
9
7.2733
8

47

82.5

75.35717
05
350.8495
747
328.8593
69

48

353

49

333.2

50

407

51

436

52

193.5

410.6621
366
429.5601
357
197.3541
046

53

158

54

443.5

161.6807
911
438.2548
307

55

152

154.0640
539

56
57

29
280.5

33.47533
649
277.2665
015

Error
5.7159
91
6.5042

99
10
0
N
O
10
1
10
2

171

83

290.5

286.9183
51

387.5
TARG
ET

391.2208
797
Actual
Target

3.5816
49
3.7208
8
Error

497.5

204.9574
487.8142
147

10
3

148.5

152.8753
555

2.9574
9.6857
85
4.3753
6

10
4

75.5

69.64588
345

5.8541
17

10
5

60.5

55.20048
957

5.2995
1

10
6

114

111.9899
965

7.1428
3

10
7

208.5

210.4962
883

2.1504
25
4.3406
31
3.6621
4
6.4398
64
3.8541
3.6807
9
5.2451
69
2.0640
5
4.4753
4
3.2334
98

10
8
10
9

394.6943
723
312.0190
662
236.7574
36

2.0100
03
1.9962
9
0.8907
3
1.4817
64
2.6943
7
1.4809
34
1.2425
64

260

265.4994
402
254.2532
297

6.0005
6
5.7467
7

512

496.6525
772

15.347
42
3.1127
9
3.1003

11
0
11
1
11
2
11
3
11
4
11
5
11
6
11
7

202

222.5
452.5
392
313.5
238
271.5

198
372.5

223.3907
258
451.0182
361

201.1127
944
375.6003
947

79

58

250.5

245.3898
984

5.1101
02

11
8

161.5

166.5998
67

59

464

473.1814
986

9.1815

11
9

498

509.5816
166

60

564

567.3895
03

3.3895

12
0

401

403.2248
284

9
5.0998
7
11.581
6
2.2248
3

Berdasarkan tabel di atas didapati nilai error terkecil yaitu pada data ke 98
yaitu dengan nilai error sebesar 0.110183. Dan nilai error terbesar yaitu terdapat
pada data ke 115 dengan error sebesar 15.34742.
Berdasarkan data tabel di atas,tingkat keakuratan data mencapai 99,79 %.
Hasil dengan pengujian pola 2 12 1 seperti yang diharapkan.

5.3.3 Arsitektur 2 20 1

Hasil pelatihan pada 20 layer menggunakan traingdm menunjukkan pelatihan

terbaik berada pada 0.00055797 pada epoch 20000 gambar di bawah ini merupakan
hasil dari pelatihan tersebut.

80

Gambar 5.7 Hasil Pelatihan 20 Neuron

Menurut gambar 5.5 hasil pelatihan terbaik memiliki nilai 0.000055797 pada
epoch 20000.

81

Gambar 5.7 Target dan Output

Berdasarkan gambar di atas terdapat korelasi sebesar 0.999718638174043.

Lihat perbandingan antara target dengan output jaringan pada gambar di atas. Pada
gambar di atas, output jaringan (o) dan target (*) sebagian besar sudah berdekatan
(hampir menempati posisi yang sama). Hasil terbaik terjadi apabila posisi (o) dan (*)
betul-betul berada pada posisi yang sama.

82

Tingkat error terkecil terdapat pada data ke 21 di mana error tersebut sebesar
-0.00157 dan data dengan error terbesar yaitu pada data ke 117 dengan error sebesar
15.8120901864994.
Tabel 5.4 Data hasil Uji 20 Neuron
N
O

TARG
ET

Actual
Target

Error

N
O

0.1734
6
0.9057
69

61

211

62

317

63

626.5

64

397.3

65

89.5

66

239

239.1735

336.5

335.5942

85.5

87.5945

360.5

357.3674

158

157.595

103

101.0304

156.5

156.8823

307

307.2997

195

193.4887

10

581

587.8482

11

201

199.1776

12

621

617.8158

13

220.5

220.2051

14

214

212.8527

15

151.5

151.073

16

267

270.3772

17

412.5

418.4983

18
19

89.5
193.5

85.34692
190.602

-2.0945
3.1326
39
0.4049
95
1.9696
14
0.3823
4
0.2996
5
1.5113
02
6.8481
6
1.8224
17
3.1841
8
0.2949
2
1.1472
74
0.4269
86
3.3771
6
5.9982
9
4.1530
79
2.8979

TARGE
T

Actual
Target

316.762
623.569
7

1.55848
5
0.23795
8
2.93033
1

48.8

406.71
88.7435
4
47.5043
2

-9.41003
0.75646
4
1.29568
5

67

82.5

78.5958
7

3.90412
9

68

203

69

174.3

201.711
4
171.584
6

1.28857
4
2.71536
1

70

169.3

71

591.8

72

621.9

73

416.4

74

153.7

75

270.3

76

560.9

77

286.3

78
79

129.8
148.5

209.441
5

Error

169.799
8
598.621
7
627.238
9
426.373
8
153.115
4
271.402
8
549.466
283.194
9
131.678
4
151.99

-0.49984
-6.82175
-5.33887
-9.97384
0.58462
8
-1.10282
11.4340
1
3.10513
1
-1.87836
-3.48998

83

20

113

112.3153

21

343.5

343.5016

22

145

145.2604

23

558.5

562.0108

24

620

617.251

25

41.5

41.9983

26

34.5

33.35738

27

47.3

49.89481

28

37.6

37.28568

29

29.3

25.70321

30

35.7

34.49703

31

38.6

38.57069

32

28.8

27.08814

33

33.7

32.62223

34

34.3

26.08917

56
0.6847
32
0.0015
7

80

138.7

81

108

-0.2604
3.5108
2
2.7490
28

82

258.5

83

268.7

84

749.4

-0.4983
1.1426
2
2.5948
1
0.3143
24
3.5967
93
1.2029
66
0.0293
09
1.7118
64
1.0777
71
8.2108
3

85

246.5

86

399.5

87

409.5

88

249.5

89

207

90

224

91

336

92

243

93

354.5

94

568.5

139.109
1
107.431
3
261.453
9
269.092
6
747.814
8
248.946
2
402.144
5
405.228
3
252.721
9
204.985
9
224.173
9
335.352
8
244.386
3
353.578
8
574.530
3

-0.40909
0.56868
8
-2.95388
-0.39259
1.58515
9
-2.44625
-2.64446
4.27173
8
-3.22188
2.01405
-0.17394
0.64724
9
-1.38633
0.92120
5
-6.03029

Tabel 5.4 Data hasil Uji 20 Neuron (Lanjutan)

N
O
35

TARG
ET
50.8

Actual
Target
56.3417

36

58.8

67.85122

37

620

616.0791

38
39

457.5
354

460.3637
354.9134

Error
-5.5417
9.0512
2
3.9209
45
2.8636
5
0.9134

N
O
95

TARGE
T
375

96

361

97

277

98
99

119.5
290.5

Actual
Target
372.942
2

Error
2.05781
9

359.904
6
279.321
9

1.09539
5
-2.32189

119.551
9
289.943
2

-0.05194
0.55683
5

84

40

293.5

295.4787

41

82

77.09653

42

354.5

355.554

43

72

68.13283

44

25

31.64908

45

32.5

34.66443

46

16.5

23.85227

47

82.5

88.29956

48

353

350.1979

49

333.2

329.1934

50

407

407.8737

51

436

445.3389

52

193.5

190.5004

53

158

158.3636

54

443.5

450.7866

55

152

156.2642

56

29

27.32566

57

280.5

279.4012

58

250.5

251.1858

59

464

456.493

3
1.9786
9
4.9034
66
1.0540
3
3.8671
74
6.6490
8
2.1644
3
7.3522
7
5.7995
6
2.8021
08
4.0066
46
0.8737
2
9.3389
3
2.9995
81
0.3636
3
7.2865
6
4.2642
4
1.6743
4
1.0988
03
0.6858
1
7.5069
95

10
0
10
1
10
2
10
3

387.5
202

389.549
5
199.504
8

-2.04949
2.49517
8

148.5

490.312
1
150.848
5

-2.34852

10
4

75.5

70.8225
2

4.67747
5

10
5

60.5

58.1805
2

2.31947
7

10
6

114

115.417
6

-1.41765

208.5

206.727
6

1.77243
9

222.5

222.403

0.09697

452.5

455.052

-2.55204

392

392.196
2

-0.1962

10
7
10
8
10
9
11
0
11
1
11
2

497.5

7.18791
3

238

313.922
4
239.979
5

11
3

271.5

271.925
6

-0.42559

11
4

260

258.518
9

1.48107
1

502.003
6
204.762
6
356.687
9

9.99640
5

11
5
11
6
11
7
11
8
11
9

313.5

512
198
372.5
161.5
498

161.676
9
489.131
1

-0.42241
-1.97953

-6.7626
15.8120
9
-0.17692
8.86892
8

85

60

564

568.4113

4.4113
1

12
0

401

398.739
4

2.26061
7

Berdasarkan data tabel di atas,tingkat keakuratan data mencapai 99,86 %.

Hasil dengan pengujian pola 2 20 1 seperti yang diharapkan.

5.3.4 Arsitektur 2- 8 1
Setelah dibangun jaringan 2 8 1, maka dilakukan proses pelatihan, adapun
hasil proses pelatihan pada jaringan 2 8 1, dapat dilihat pada gambar 5.7 di
bawah ini.

86

5.8 Hasil Pelatihan Pola 2 8 - 1

Gambar 5.7 merupakan hasil pelatihan pada arsitektur 2 8 1, di mana pola

tersebut memiliki best performance 3.4996e-05 pada epoch 20000.

87

Gambar 5.9 perbandingan Target dan Output

Berdasarkan gambar di atas terdapat korelasi sebesar Berdasarkan gambar di

atas terdapat korelasi sebesar 0.999718638174043. Lihat perbandingan antara target
dengan output jaringan pada gambar di atas. Pada gambar di atas, output jaringan (o)
dan target (*) sebagian besar sudah berdekatan (hampir menempati posisi yang
sama). Hasil terbaik terjadi apabila posisi (o) dan (*) betul-betul berada pada posisi
yang sama.

88

Pada tabel 5.5 hasil pelatihan tingkat error terkecil terdapat pada data ke 120
di mana error tersebut sebesar -0.0118 dan data dengan error terbesar yaitu pada data
ke 117 dengan error sebesar -3.21512.
.
Tabel 5.5 Hasil Pelatihan 2 8 - 1

NO

TARGE
T
239

Actual
Target
239.084
5

0.08452

61

211

211.2691

336.5

334.758
1

1.74189
8

62

317

317.5406

85.5

84.7489
2

0.75108

63

626.5

627.8151

360.5

397.3

397.4893

158

65

89.5

88.72932

103

66

48.8

48.4866

156.5

0.56912
0.54825
1.30534
1
0.50465

64

361.069
1
158.548
3
101.694
7
157.004
7

67

82.5

81.4845

68

203

203.6521

69

174.3

175.1534

70

169.3

170.4467

71

591.8

589.4248

72

621.9

622.3627

73

416.4

414.6561

74

153.7

154.1718

75
76

270.3
560.9

270.1755
560.5059

Error

307

306.669

0.33096
6

195

195.808
4

0.80837

10

581

11

201

579.160
9
201.580
7

1.83906
6
0.58073

12

621

13

220.5

621.117
3
220.339
1

0.11727
0.16087
3

14

214

15
16

151.5
267

214.098
6
152.042
8
266.196

0.09864
0.54279
0.80359

N
O

TARGE
T

Actual
Target

Error
0.2691
0.5406
2
1.3150
7
0.1892
9
0.7706
82
0.3133
99
1.0155
0.6521
2
0.8534
1
1.1467
3
2.3752
42
0.4627
2
1.7439
43
0.4717
6
0.1245
01
0.3940

89

17

412.5

18

89.5

19

193.5

20

113

21

343.5

22

145

23

558.5

24

620

25

41.5

411.436
6

1.06342
8

87.9355
3
194.251
7

1.56446
8
0.75166

112.064
9
342.461
9
145.213
3
559.188
7

0.93509
9
1.03809
6
0.21327
0.68866

619.924
7
41.4490
2

0.07530
8
0.05098
1

34.8945
1
46.8958
3
37.7833
5

0.39451
0.40416
8
0.18335
0.76397
0.23845
0.04926
0.94254
0.51901

26

34.5

27

47.3

28

37.6

29

29.3

30

35.7

31

38.6

32

28.8

30.0639
7
35.9384
5
38.6492
6
29.7425
4

33.7

34.2190
1

33

77

286.3

286.8485

78

129.8

129.9393

79

148.5

148.7785

80

138.7

138.8158

81

108

107.3815

82

258.5

256.8428

83

268.7

268.5619

84

749.4

749.4464

85

246.5

245.0298

86

399.5

399.5523

87

409.5

408.957

88

249.5

248.0932

89

207

207.408

90

224

223.6368

91

336

334.0979

92

243

242.1552

93

354.5

354.6915

64
0.5484
7
0.1392
8
0.2785
0.1158
1
0.6185
42
1.6572
12
0.1381
24
0.0464
4
1.4702
05
0.0522
6
0.5430
14
1.4067
74
0.4079
7
0.3632
46
1.9021
04
0.8447
55
0.1914
6

Tabel 5.5 Hasil Pelatihan 2 8 1 (Lanjutan)

N
O

TARG
ET

34

34.3

Actual
Target
34.4059
9

35

50.8

50.1126
7

N
O

TARG
ET

0.10599

94

568.5

568.388

0.68732
6

95

375

376.3212

Error

Actual
Target

Error
0.1120
01
1.3212
3

90

57.8986
3

0.90137
4
0.003
1.37930
3

36

58.8

96

361

361.8141

37

620

38

457.5

619.997
456.120
7

97

277

277.275

98

119.5

118.8071

39

354

354.627
5

0.62754

99

290.5

291.8394

40

293.5

295.414
8

1.91477

10
0

387.5

388.4949

82

80.7848
9

1.21511
1

10
1

41

202

202.5559

42

354.5

355.329
9

0.82989

10
2

497.5

499.4705

43

72

75.5

73.80343

45

32.5

60.5

59.79633

46

16.5

10
3
10
4
10
5
10
6

148.7686

25

0.93795
7
1.15044
0.60177
2.26988

148.5

44

71.0620
4
26.1504
4
33.1017
7
18.7698
8

114

113.7104

47

82.5

222.5

222.1803

49

333.2

10
7
10
8
10
9

208.8876

353

0.79305
1
0.11154
6
0.00784
7

208.5

48

81.7069
5
352.888
5
333.192
2

452.5

450.9821

50

407

406.477
7

0.52230
4

11
0

392

392.8362

51

436

11
1
11
2

313.9042

193.5

2.43159
8
0.73429

313.5

52

433.568
4
194.234
3

238

236.9425

53

158

11
3
11
4

271.5647

443.5

0.90683
2.18283
9

271.5

54

158.906
8
441.317
2

260

259.7216

55
56

152
29

153.094
8
29.9253

1.09483
-

11
5
11

512
198

514.4364
199.0953

0.8140
6
0.2750
2
0.6928
53
1.3393
7
0.9949
3
0.5558
5
1.9704
8
0.2686
3
1.6965
7
0.7036
67
0.2896
48
0.3876
5
0.3196
62
1.5179
01
0.8362
5
0.4042
3
1.0575
03
0.0646
9
0.2783
89
2.4363
8
-

91

57

280.5

58

250.5

59

464

60

564

0.92534

280.065
3
249.690
9

0.43466
3
0.80908
6

11
7
11
8

464.028
4
563.904
4

0.02837
0.09561
2

11
9
12
0

372.5

375.7151

161.5

162.1285

498

501.0106

401

401.0118

1.0953
3
3.2151
2
0.6285
3.0105
6
0.0118

Berdasarkan data tabel di atas,tingkat keakuratan data mencapai 100 %. Hasil

dengan pengujian pola 2 8 1 seperti yang diharapkan.

5.3.5 Arsitektur 2 -10 - 1

Pada Arsitektur 2 10 1 nilai mse atau Best training perfomace adalah

1,5348e-05 pada epoch 20000. Dengan total iterasi atau pelatihan sebesar 20000
seperti yang tertera pada gambar di bawah ini.

92

Gambar 5.10 Hasil Pelatihan pola 2 10 - 1

93

Gambar 5.11 Perbandingan Target dan Error

Berdasarkan gambar di atas terdapat korelasi sebesar Berdasarkan gambar di

atas terdapat korelasi sebesar 0.999718638174043. Lihat perbandingan antara target
dengan output jaringan pada gambar di atas. Pada gambar di atas, output jaringan (o)
dan target (*) sebagian besar sudah berdekatan (hampir menempati posisi yang
sama). Hasil terbaik terjadi apabila posisi (o) dan (*) betul-betul berada pada posisi
yang sama.

94

Tabel 5.6 Hasil Pengujian

N
O

TARG
ET

Actual
Target
238.97
33

239

336.5

85.5

336.79
09
84.918
93

360.5

361.85
02

158

103

158.59
95
103.25
37

156.5

157.24
87

307

195

10

581

11

201

12

621

13

220.5

14

214

15

151.5

16

267

17

412.5

18

89.5

19

193.5

151.82
31
266.63
58
411.64
58
89.148
77
193.12
08

20

113

113.64
99

307.67
9
194.92
61
581.68
59
200.69
6
621.05
49
219.74
02
213.32
67

Error
0.0267
13
0.2909
4
0.5810
69
1.3502
4
0.5995
5
0.2537
0.7487
5
0.6789
9
0.0738
54
0.6858
9
0.3039
76
0.0549
2
0.7597
89
0.6732
55
0.3230
7
0.3641
95
0.8541
83
0.3512
25
0.3791
83
0.6498
7

N
O

TARG
ET

Actual
Target
210.31
31

0.68690
5
0.26982
0.93051

Error

61

211

62

317

63

626.5

317.26
98
627.43
05

64

397.3

397.09
49

0.20506
8

65

89.5

66

48.8

89.149
86
48.391
08

0.35014
5
0.40892
2

67

82.5

82.192
97

0.30702
6

68

203

69

174.3

202.78
34
174.22
07

0.21660
5
0.07932
8

70

169.3

71

591.8

169.49
83
592.70
43

0.19835
0.90435

72

621.9

73

416.4

74

153.7

75

270.3

76

560.9

77

286.3

78

129.8

79
80

625.06
2
416.30
48
154.21
6

0.0952
0.51601

148.5

270.35
29
561.33
94
286.26
54
130.14
32
149.58
63

0.05294
0.43937
0.03463
9
0.34324
1.08629

138.7

139.28
03

0.58026

-3.162

95

343.97
84

21

343.5

22

145

23

558.5

24

620

25

41.5

26

34.5

27

47.3

28

37.6

29

29.3

30

35.7

31

38.6

29.814
12
35.671
83
38.376
4

32

28.8

29.640
12

33

33.7

34.001
45

34

34.3

35

50.8

36

58.8

37

620

38

457.5

39

354

40

293.5

41

82

145.70
03
558.01
34
620.05
54
41.134
15
34.597
35
46.650
77
37.471
78

35.270
39
50.510
23
58.388
48
619.69
11
456.44
44
354.27
8
293.51
93
81.721
44

0.4783
6
0.7002
6
0.4866
35
0.0553
9
0.3658
51
0.0973
5
0.6492
27
0.1282
21
0.5141
2
0.0281
72
0.2235
97
0.8401
2
0.3014
5
0.9703
9
0.2897
66
0.4115
2
0.3088
97
1.0556
27
-0.278
0.0192
9
0.2785
57

108.24
68

-0.2468

258.16
17
268.79
73

0.33830
7
0.09725

747.48
82
246.00
57

1.91176
8
0.49429
1

399.03
96
409.74
19
248.84
46

0.46035
6
0.24194
0.65537
4

336

206.35
87
223.28
13
336.28
3

0.64125
8
0.71868
1
0.28305

92

243

242.54
1

0.45898

93

354.5

354.83
16

0.33159

94

568.5

95

375

96

361

97

277

98

119.5

99

290.5

567.77
25
375.72
34
361.42
69
276.97
79
120.27
25
291.14
18

0.72748
0.72341
0.42688
0.02211
8
0.77255
0.64182

387.27
92
201.42
62

0.22078
2
0.57377
2

81

108

82

258.5

83

268.7

84

749.4

85

246.5

86

399.5

87

409.5

88

249.5

89

207

90

224

91

10
0
10
1

387.5
202

Tabel 5.6 Hasil Pengujian (Lanjutan)

96

N
O

TARG
ET

42

354.5

43

72

44

25

45

32.5

46

16.5

47

82.5

48

353

Actual
Target
354.88
68
71.479
43
24.107
22
32.275
35
17.350
99
81.835
79
354.09
15
334.83
74
406.54
38
435.40
09
193.04
6

49

333.2

50

407

51

436

52

193.5

53

158

54

443.5

158.17
83
442.60
38

55

152

152.43
73

56

29

29.819
85

57

280.5

58

250.5

59

464

281.30
11
250.29
14
462.78
08

60

564

564.04
04

Error
0.3868
2
0.5205
71
0.8927
84
0.2246
48
0.8509
9
0.6642
14
1.0915
1.6373
9
0.4562
41
0.5990
83
0.4539
75
0.1782
7
0.8962
46
0.4372
7
0.8198
5
0.8011
1
0.2086
15
1.2192
28
0.0404
4

N
O
10
2
10
3
10
4
10
5

TARG
ET

Actual
Target

Error

75.5

497.09
62
149.52
49
74.211
41

60.5

59.864

0.40376
2
1.02489
1.28858
6
0.63600
2

114.19
48
207.88
94
221.89
04

0.19477
0.61062
7
0.60962
7

451.25
88
392.45
23
313.75
86
237.31
27

1.24117
7
0.45227
0.25858
0.68727
2

260

271.64
38
259.96
46

-0.1438
0.03543
4

11
5

512

512.17
86

0.17861

11
6

198

198.07
67

0.07672

498

372.12
56
162.18
67
496.63
97

0.37436
9
0.68672
1.36027
8

401

401.14
43

0.14426

10
6
10
7
10
8
10
9
11
0
11
1
11
2
11
3
11
4

11
7
11
8
11
9
12
0

497.5
148.5

114
208.5
222.5
452.5
392
313.5
238
271.5

372.5
161.5

97

Berdasarkan data tabel di atas,tingkat keakuratan data mencapai 99,98 %.

Hasil dengan pengujian pola 2 10 1 seperti yang diharapkan.

5.4. Hasil Pengujian

Berdasarkan 5 kali percobaan yang dilakukan dengan pola arsitektur berbeda

beda. Untuk nilai error terkecil adalah dengan arsitektur pola 2 2 1. Di mana pola
tersebut memiliki Error -0.062 dengan error 0.009998 Menggunakan fungsi
pelatihan TrainGDm. Sedangkan data error terbesar berada pada pola arsitektur 2-10
-1 dengan tingkat error sebesar -0.1438 performance 1.5348e-05 dengan fungsi
pelatihan TrainGDm.
Tabel 5.7 Hasil Pengujian Matlab
N
o

Arsitekt
ur

Hasil Pengujian Matlab

Error
Training
Perf
Terkec
Function
il

2-2-1

TrainGDm

2 - 12 - 1

TrainGDm

2 - 20 -1

TrainGDm

0,009998
0.000055
79
3.50E-05

Akurasi

-0.062

89.16%

-0.0016

99.79%

-0.0118

99.86%

98
4
5

281
2 10 1

TrainGDm
TrainGDm

1.53E-01
1,5348e-05

-0.0118
-0.1438

100.%
99.98%

Berdasarkan data tabel di atas, bahwa tingkat pelatihan terbaik dimiliki oleh
data dengan pola pengujian 2 -8 1 di mana tingkat akurasi data mencapai 100%.
Data tingkat akurasi terendah dimiliki oleh arsitektur dengan pola 2 - 2 1, di mana
tingkat akurasi data dengan pola tersebut sebesar 89,16%.