BAB V
IMPLEMENTASI DAN HASIL
56
PR
57
TFi
BTF
BLF
PF
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
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
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
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
5.3
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.
Bulan
X1
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
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
Bulan
X1
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
Bulan
X1
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,
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
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
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
68
69
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
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
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
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
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
75
76
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
80
Menurut gambar 5.5 hasil pelatihan terbaik memiliki nilai 0.000055797 pada
epoch 20000.
81
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
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
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
87
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
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
92
93
94
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
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
Arsitekt
ur
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%.