Sri Redjeki
Abstrak
Jaringan syaraf tiruan merupakan salah satu metode softcomputing yang mampu melakukan prediksi
dengan baik. Salah satu algoritma pada jaringan saraf tiruan yang sering digunakan yaitu algoritma
backpropagation. Algoritma backpropagation banyak digunakan untuk melakukan prediksi data baik data yang
bersifat fluktuatif maupun data yang non-fluktuatif. Salah satu indikator yang dapat mempengaruhi hasil dari
algoritma backpropagation adalah fungsi aktivasi yang bersifat terdeferensial yaitu fungsi aktivasi sigmoid.
Terdapat 2 fungsi sigmoid yaitu sigmoid biner dan sigmoid bipolar.
Penelitian ini akan melakukan analisis hasil prediksi data dari penggunaan fungsi aktivasi sigomid biner
dan sigmoid bipolar pada algoritma backpropagation. Data yang digunakan pada penelitian ini adalah data
prediksi nilai IPK mahasiswa STMIK AKAKOM dan data prediksi jumlah penderita ISPA Balita.
Dari hasil prediksi diperoleh tingkat rata-rata akurasi aktivasi Sigmoid Biner lebih baik dibandingkan
dengan Sigmoid Bipolar akan tetapi dari segi kecepatan pembelajaran Sigmoid Bipolar jauh lebih cepat daripada
Sigmoid Biner. Perubahan bobot pada Sigmoid Bipolar lebih kecil bila dibandingkan dengan Sigmoid Biner
dikarenakan rentang bobot pada Sigmoid Bipolar memiliki nilai minus, sedangkan Sigmoid Bipolar hanya
mengakomodasi nilai positif saja.
X1
Z1
X2
Y
Z2
X3
Z3
X4
5. Hasil Penelitian
Data hasil training dengan menggunakan nilai Formatted: Indent: Left: 0 cm
pembelajaran dan toleransi kesalahan pada sigmoid
biner dapat dilihat tabel 1 dan untuk sigmoid bipolar
ada pada tabel 2..
Saran
Untuk pengembangan penelitian berikutnya, maka
penulis menyarankan beberapa hal yaitu :
a. Perlu dilakukan pengujian variabel input
sebelum digunakan pada JST
b. Penerapan algoritma backpropagation pada
klasifikasi
c. Data historis yang digunakan pada prediksi
akan memberikan pengaruh hasil yang cukup
signifikan.
d. Pemilihan variabel input JST yang tepat akan
memberikan performance JST yang baik.
e. Jumlah presentasi testing dan training yang
digunakan pada JST juga mempengaruhi nilai
prediksi.
f. Memberikan analisa parameter performance
JST selain nilai learning rate
Daftar Pustaka: