Sebuah 

data yang berisi input dan target terlihat pada tabel di bawah ini  

data no  input  target 

1  0  0 
2  10  0.17 
3  20  0.34 
4  30  0.5 
5  40  0.64 
6  50  0.77 
7  60  0.87 
8  70  0.94 
9  80  0.98 
10  90  1 
11  100  0.98 
12  110  0.94 
13  120  0.87 
14  130  0.77 
15  140  0.64 
16  150  0.5 
17  160  0.34 
18  170  0.17 
19  180  0 
 

Gunakan Matlab untuk menghitung error antara hasil prediksi dengan nilai sebenarnya 
menggunakan 

1. Matlab toolbox 
2. Function feedforwardnet untuk men‐generate NN’s network 
3. Gunakan trainlm, trainbr, dan trainscg untuk updating NN’s network 
4. Apa yang anda simpulkan 
5. Kumpulkan coding, serta netterbaik yang anda generate menggunakan trainlm, trainbr dan 
train scg 

Hint  

a. Pembagian data untuk training: testing: validation = 70%:15%:15% 
b. Gunakan fungsi  
‐ trainlm(net,input, target) untuk updating NN’s network menggunakan Levenberg-
Marquardt optimization 
‐ trainbr(net,input, target) untuk updating NN’s network menggunakan Bayesian
Regularization 
‐ trainscg(net,input, target) untuk updating NN’s network menggunakan Scaled Conjugate
gradient 
c. Gunakan fungsi sim(net,input) untuk memprediksi target menggunakan NN’s network 
d. Lengkapi tabel berikut untuk komparasi (*MSE = Mean Squared Error) 

 
 

data  trainlm  trainbr  traincsg 

input  target 
no  prediksi  error  prediksi  error  prediksi  error 
1  0  0                   
2  10  0.17                   
3  20  0.34                   
4  30  0.5                   
5  40  0.64                   
6  50  0.77                   
7  60  0.87                   
8  70  0.94                   
9  80  0.98                   
10  90  1                   
11  100  0.98                   
12  110  0.94                   
13  120  0.87                   
14  130  0.77                   
15  140  0.64                   
16  150  0.5                   
17  160  0.34                   
18  170  0.17                   
19  180  0                   
total error