LAPORAN HASIL KERJA

MATA KULIAH PEMODELAN INTELEJENSI BUATAN

Disusun Oleh:
Adam Maulana Wijaya (175090307111004)

JURUSAN FISIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
2019
1. Desain ANN untuk memprediksi harga rumah berdasar contoh data p dan t

Dengan memasukan perintah

[p,t]=house_dataset
net=feedforwardnet
net=configure(net,p,t)
view(net)

Maka akan dimunculkan

Gambar 1.1 Desain Artificial Neural Network

Untuk membuat desain Artificial Neural Network dengan house_dataset rumah

sebagai input, maka dimasukan perintah [p,t]=house_dataset. Maka p (data
input 13 baris yang berkaitan dengan informasi demografi suatu lokasi perumahan)
sebagai input dan t (harga rata-rata rumah di lokasi perumahan dengan informasi
demografi) sebagai target. Perintah net=feedforwardnet untuk membuat
jaringan feedforward simple dengan dua lapis. Perintah
net=configure(net,p,t)untuk mendefinisikan input dan output pada network
serta menginisialiasi W dan b. Perintah view(net)untuk menampilkan gambar 1.1

2. Lakukan konfigurasi dan training pada ANN yang anda buat

Dengan memasukan perintah
net=init(net)
net.IW{1,1}
net=train(net,p,t)

Perintah net=init(net)untuk menyiapkan nilai p,t,W,dan b. perintah

net.IW{1,1}untuk menampilkan nilai bobot
 Gambar 2.1 Nilai bobot pada network
Perintah net=train(net,p,t)men-train network yang sudah di siapkan nilai
p,t,W,dan b, dengan hasil training sebagai berikut
 Gambar 2.2 Neural Network Training

Gambar diatas menunjukan jumlah epoch yang dilakukan yaitu sebanyak 25 epoch
 Gambar 2.3 Neural Network Training Performance

Grafik diatas menunjukan bahwa nilai bobot terbaik ditunujukan oleh garis validasi
lingkaran dengan nilai MSE minimum 100 yaitu 7,4639 serta pada epoch ke-25.

3. Setelah training selesai, lakukan testing pada ANN menggunakan set testing data
(hasil data division)
Dengan memasukan perintah
[p,t]=house_dataset

Net=feedforwardnet

Net=configure(net,p,t)

Net=init(net)

Net.divideFcn

Net.divideFcn = ‘divideblock’ atau dapat diganti

Net.divideFcn = ‘divideint
 Net= train (net,p,t)

Testing pada ANN dilakukan dengan set testing data.terdapat 4 jenis fungsi, yaitu
dividerand (data acak serta fungsi default), divideblock (memberikan urutan data dimana 1-
30 merupakan training, 31-80 merupakan validasi, dan 81-100 merupakan errornya),
divideint (memberikan nilai data selang-seling), dan divideind (menginputkan nilai variable
sendiri berdasarkan masing-masing pengguna)

Perintah Net.divideFcn dilakukan untuk mengecek fungsi apa yang sedang

digunakan dalam network. Perintah Net.divideFcn = ‘divideblock’untuk
mengganti fungsi dividerand menjadi divideblock, sementara perintah Net.divideFcn =
‘divideint untuk mengganti fungsi dividerand menjadi divideint. Bila network di train
maka
 Gambar 3.1 Neural Network Training dengan Divideblock

Gambar diatas menunjukan jumlah epoch yang dilakukan yaitu 8 epoch.

 Gambar 3.2 Neural Network Training Performance dengan Divideblock

Grafik diatas menunjukan bahwa nilai bobot terbaik ditunjukan pada lingkaran hijau
dengan MSE minimum 102 yaitu 176,0074 pada epoch ke 2
 Gambar 3.3 Neural Network Training dengan Divideint

Gambar diatas menunjukan jumlah epoch yang dilakukan yaitu 16 epoch.

 Gambar 3.4 Neural Network Training Performance dengan Divideint

Grafik diatas menunjukan bahwa nilai bobot terbaik ditunjukan pada lingkaran
hijau dengan MSE minimum 101 yaitu 13,467 pada epoch ke 10

4. Berikan penjelasan tentang alasan pemilihan parameter-parameter training

Pada network ini digunakan network feedforward sehingga output tidak akan
dikembalikan ke input. Pada network digunakan fungsi training trainlm, dimana
fungsi tersebut merupakan default. trainlm sendiri merupakan fungsi training yang
cocok untuk permasalah function fitting seperti menentukan harga dari rumah dengan
house_dataset.. trainlm sendiri memiliki parameter training seperti

 Show Training Window Feedback showWindow: true

 Show Command Line Feedback showCommandLine: false
 Command Line Frequency show: 25
 Maximum Epochs epochs: 1000
 Maximum Training Time time: Inf
 Performance Goal goal: 0
 Minimum Gradient min_grad: 1e-07
  Maximum Validation Checks max_fail: 6
 Mu mu: 0.001
 Mu Decrease Ratio mu_dec: 0.1
 Mu Increase Ratio mu_inc: 10
 Maximum mu mu_max: 10000000000

Adapun pemilihan nilai-nilai parameter tersebut karena cocock dengan training yang
dilakukan. Mu sendiri adalah singkatan dari momentum update yang nilainya
mempengaruhi training yang dilakukan.

5. Lakukan analisis pada hasil training dan testing

Pada grafik, garis validasi menunjukan nilai bobot terbaik serta garis training
merupakan output dari training. Adapun perbedaan grafik pada penggunaan
divideblock dan divideint karena data house_dataset lebih cocok dengan
fungsi divideint. Pada grafik dengan fungsi divideint, garis training sudah
sangat mendekati garis validasi, maka dari itu dapat dikatakan bahwa ANN
sudah dapat dikatakan cerdas