TommyAndryanto (2011) Modifikasi Algoritma Pembelajaran Backpropagation Menggunakan Adaptive Gain dan Metode Conjugate Gradient”. Sarjana thesis, Universitas Brawijaya.
Abstract
Jaringan Saraf Tiruan (JST) merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf otak manusia. Proses pembelajaran pada JST menggunakan model Backpropagation untuk mengenali objek yang memiliki pola tertentu. Model ini menggunakan metode Conjugate Gradient untuk mengubah bobot-bobotnya. Salah satu bentuk rumusan yang digunakan adalah Conjugate Gradient Fletcher-Reeves (CGFR). Metode ini memiliki kelemahan, yaitu membutuhkan arsitektur yang besar untuk mendapatkan error yang kecil. Untuk mengatasinya ditambahkan suatu variabel yang disebut Adaptive Gain ke dalam fungsi aktivasi Backpropagation, sehingga metode ini disebut metode Conjugate Gradient Fletcher-Reeves Adaptive Gain (CGFRAG). Penambahan Adaptive Gain bertujuan untuk meningkatkan laju kekonvergenan model Backpropagation. Dalam skripsi ini dikaji kinerja kedua metode tersebut dengan menerapkannya pada proses pembelajaran dan proses simulasi. Proses tersebut menggunakan data penderita diabetes suku Pima Indian. Hasil proses pembelajaran dan simulasi menunjukkan bahwa model Backpropagation dengan metode CGFRAG lebih baik daripada metode CGFR karena metode ini mampu mencapai kekonvergenan dengan error yang kecil untuk model arsitektur JST sederhana.
English Abstract
Artificial Neural Network (ANN) is an information processing system that resembles human brain neural system. Backpropagation model is used in the training process to characterize such an object with a certain pattern. The model uses Conjugate Gradient method on its weight update process. One of formulas used is Conjugate Gradient Fletcher-Reeves (CGFR). This method has weakness, it uses big architecture to reach small error. To solve this problem the Backpropagation model is combined with a variable called Adaptive Gain on its activation function. This combination is known as Conjugate Gradient Fletcher-Reeves Adaptive Gain (CGFRAG) method. The addition of Adaptive Gain is purposed to improve the learning rate of Backpropagation model. In this final project, performance of those two methods is investigated by applying them on learning process and simulation process. The process are performed to the data of Pima Indian diabetes problem. Learning process and simulation result showed that CGFRAG method is better than CGFR method because this method can reach the convergence with minimum error for simple architecture model of ANN.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2011/52/051100552 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 23 Feb 2011 09:13 |
| Last Modified: | 22 Oct 2021 09:14 |
| URI: | http://repository.ub.ac.id/id/eprint/152881 |
Preview |
Text
051100552.pdf Download (4MB) | Preview |
Actions (login required)
 |
View Item |