Nim : 145100601111029
Kelas : H/TBP 14
Tugas : Meresume jurnal tentang ANN
digunakan dalam proses training dan validasi ANN. Dari proses tersebut didapatkan
nilai output yang berupa tinggi tanaman, jumlah cabang, jumlah daun dan bobot
basah total. Kinerja jaringan ANN dapat dinilai berdasarkan nilai RMS error (Root
Mean Square Error) pada proses generalisasi terhadap contoh data input-output
baru. Algoritma back propagation terdiri atas beberapa langkah, yaitu inisialisasi
pembobot (weight), perhitungan nilai aktivasi, perbaikan nilai pembobot (weight) dan
pengulangan (iterasi).Iterasi
yang
dicoba
10000 (pendugaan ANN I), 20000
(pendugaan ANN II) dan 30000 (pendugaan ANN III) untuk penduga nilai parameter
hasil bayam secara hidroponik.
1. Inisialisasi Pembobot (weight)
Pembobot dipilih secara acak, kemudian setiap sinyal input diberikan kedalam noda
pada input layer, lalu system akan mengirim sinyal ke noda pada hidden layer.
2. Perhitungan Nilai Aktivasi
Setiap noda pada hidden
layer dihitung nilai net inputnya dengan cara
penjumlahan seluruh hasil perkalian antara noda input (Xi) dengan pembobotnya
(Vij), sebagaimana dalam persamaan berikut:
Apabila setiap noda pada lapisan ini telah menerima nilai net input, langkah
selanjutnya adalah memasukan nilai net input pada setiap noda kedalam fungsi
aktivasi (fungsi sigmoid) berikut:
Pada setiap lapisan dilakukan perubahan pembobot dengan aturan delta rule.
Perubahan pembobot dari hidden layer ke output layer sesuai dengan persamaan:
Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:
Nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:
Nilai laju pembelajaran dipilih antara 0-0.9. Laju pembelajaran penentu kecepatan
pelatihan sampai system tercapai pada keadaan optimal, jika nilainya besar akan
membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga
tidak mencapai konvergensi. Perubahan nilai pembobot setelah dilakukan
penambahan konstanta momentum sesuai dengan persamaan berikut:
4. Pengulangan (Iterasi)
Keseluruhan proses diatas dilakukan pada setiap contoh dan dicoba 10000, 20000
serta 30000 iterasi. Kinerja jaringan dapat dinilai berdasarkan RMSE (RootMean
Square Error) pada proses generalisasi terhadap contoh data input-output baru,
nilai RMSE sesuai dengan persamaan berikut:
C. Validasi Model
Kriteria yang digunakan dalam validasi adalah standar
error (SEP), bias (d) dan
koefisien variasi (CV). Kriteria model dapat dihitung dengan persamaan berikut :
2. Jumlah Cabang
Validasi model jumlah cabang tanaman bayam dengan ANN III didapat nilai SEP, d
dan CV yang paling sesuai. Hal ini karena nilai SEP rendah, biasnya mendekati
nol dan CV dibawah 5%. Jadi model ANN III sesuai untuk pendugaan karakter
jumlah cabang tanaman bayam secara hidroponik.
3. Jumlah Daun
Nilai pendugaan jumlah daun bayam ini mendekati nilai hasil pengukuran yaituANN III,
walaupun CV lebih tinggi dari ANN II, tetapi nilai tersebut masih di bawah 5%. Hal
ini menunjukkan bahwa ANN III optimal untuk pendugaan jumlah daun bayam secara
hidroponik.
KESIMPULAN
Dari hasil dan pembahasan dapat disimpulkan bahwa model pendugaan tanaman bayam
secara hidroponik dengan ANN pada iterasi 30000 (ANN III) diperoleh nilai pendugaan
terbaik dengan nilai SEP, bias dan CV yang terendah dari pendugaan ANN I dan II. Model ANN
ini sesuai untuk menduga tinggi tanaman, jumlah cabang, jumlah daun, dan bobot basah
total tanaman bayam secara hidroponik.