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
[p,t]=house_dataset
net=feedforwardnet
net=configure(net,p,t)
view(net)
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
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)
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
Grafik diatas menunjukan bahwa nilai bobot terbaik ditunjukan pada lingkaran
hijau dengan MSE minimum 101 yaitu 13,467 pada epoch ke 10
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
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.