MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
PENENTUAN JENIS PRODUK KOSMETIK PILIHAN BERDASARKAN FAKTOR USIA DAN WARNA KULIT MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN Amethis Oktaorora1, Bilqis Amaliah2, Ahmad Saikhu3 Teknik Informatika, Fakultas Teknologi Informasi, ITS Surabaya, Indonesia. Email :
[email protected],
[email protected],
[email protected]
Abstraksi
1. Pendahuluan
Untuk memenuhi kinerja bisnis yang maksimal dan menguntungkan baik bagi pelanggan maupun perusahaan yang bergerak dalam bidang penjualan produk, diperlukan suatu sistem yang dapat melakukan tiga proses utama yang sangat penting untuk mengatasi permasalahan dan tuntutan yang ada pada proses bisnis. Tiga proses tersebut antara lain pengenalan pola (pattern recognition) dari produk pilihan pelanggan, klasifikasi (classification) produk pilihan dan ramalan (forecast) terhadap produk pilihan tersebut. Sistem yang dibangun harus dapat menjawab seluruh permasalahan yang ada dalam menentukan jenis produk pilihan dan meningkatkan kepuasan pelanggan terhadap suatu produk tertentu. Sistem yang akan dibuat juga harus dapat menunjukkan persentase ketepatan yang cukup baik terhadap survei yang dilakukan langsung di lapangan. Untuk membangun sistem yang dapat melakukan pengenalan pola, klasifikasi dan ramalan grup (forecast) digunakan metode Jaringan Syaraf Tiruan (JST) dengan menggunakan fungsi training Levenberg-Marquardt. JST merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran berlangsung.
Customer Relationship Management (CRM) yang bertujuan untuk mengembangkan efektifitas dan kinerja bisnis dengan meningkatkan kepuasan dan loyalitas pelanggan, kini telah menjadi strategi bisnis terkemuka di lingkungan dunia bisnis yang semakin kompetitif. Bagian terpenting dari aktivitas CRM itu sendiri adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis [1]. Pilihan produk oleh pelanggan dapat dipengaruhi oleh beberapa faktor. Faktor yang cukup berpengaruh dalam pemilihan produk di beberapa lingkungan bisnis pada saat ini adalah faktor usia. Selera atau kepuasan pelanggan jika dilihat menurut usianya dapat memiliki perbedaan yang cukup signifikan. Selain itu untuk bisnis kosmetik berupa lipstik yang menjadi contoh kasus dalam paper ini memiliki faktor lain yang dapat mempengaruhi pilihan pelanggan yaitu faktor warna kulit. Pada penerapannya dibutuhkan sistem yang dapat memberikan suatu keputusan bisnis yang sangat berguna dalam penentuan produk pilihan pelanggan. Dengan sistem yang ada perusahaan dapat menentukan langkahlangkah atau keputusan-keputusan bisnis selanjutnya sesuai dengan informasi yang diperoleh dari sistem. Contohnya dalam hal penawaran barang produksi, perusahaan dapat menawarkan produk-produk yang ada dengan lebih efektif yaitu yang sesuai dengan keputusan yang diberikan oleh sistem, hal ini dapat dilakukan dengan melakukan analisa terhadap hasil klasifikasi produk pilihan pelanggan. Pada paper ini akan dibahas mengenai perancangan dan pembuatan sistem perangkat lunak (software). Sistem perangkat
Kata kunci : Klasifikasi, Jaringan Syaraf Tiruan, Levenberg-Marquardt
1
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
menjadi rentang-rentang homogen sebanyak nilai pada variabel yang ada bertipe diskrit dikurangi satu, lalu setiap nilai diskrit diasosiasikan dengan nilai pada batas rentangrentang baru ini.
lunak yang dikembangkan dalam paper ini mengimplementasikan konsep-konsep Jaringan Syaraf FeedforwardBackpropagation dengan fungsi training Levenberg-Marquardt yang merupakan pengembangan dari metode Error Backpropagation. Selain itu akan dijelaskan mengenai teknik transformasi data input sistem, target sistem, output sistem, arsitektur jaringan syaraf yang dipakai pada sistem, inisialisasi bobot dan bias dengan metode Nguyen Widrow, dan metode Batch Training. Pada akhir bab, paper ini akan menguraikan tentang hasil uji coba dan evaluasi dari uji coba yang telah dilakukan.
Mulai
Data Input Sistem - warna kulit - rentang usia Transformasi variabel warna kulit (diskrit) menjadi numerik
2. Transformasi Data Input Sistem Secara garis besar jalannya proses transformasi data input dari sistem dapat digambarkan pada gambar diagram alir 2.1 (flowchart) . Data input sistem mempunyai dua variabel yang masing-masing bertipe kategorikal (diskrit), antara lain : 1. warna kulit yang terdiri dari : kuning langsat bernilai (Yes/No) coklat/sawo matang bernilai (Yes/No) 2. rentang usia yang terdiri dari : female teen (13-18 tahun) bernilai (Yes/No) female young (19-29 tahun) bernilai (Yes/No) female adult (30-45 tahun) bernilai (Yes/No) female senior (>46 tahun) bernilai (Yes/No) Pada data kasus paper ini untuk variabel rentang usia hanya terdiri dari pelanggan berjenis kelamin perempuan saja, dikarenakan pengguna produk kosmetik lipstik tidak dimungkinkan berjenis kelamin pria. Untuk transformasi data input yang variabelnya bertipe kategorikal (diskrit), dilakukan dengan mengubahnya menjadi numerik. Transformasi pada sistem Jaringan Syaraf Tiruan ini dilakukan dengan cara sederhana, yaitu rentang nilai [0,1] dibagi
Transformasi variabel rentang usia (diskrit) menjadi numerik
Data tersimpan dengan tipe data numerik
Berhenti
Gambar 2.1 Flowchart Transformasi Data Input Sistem Untuk variabel warna kulit, jumlah nilai pada variabelnya adalah dua (kuning langsat dan sawo matang). Rentang nilai [0,1] dibagi menjadi rentang-rentang homogen sebanyak nilai pada variabel dikurangi satu, sehingga rentang [0,1] dibagi sebanyak satu bagian [10]. Pembagian rentang-rentangnya dapat direpresentasikan pada sebuah gambar 2.2 seperti berikut. bagian 1 0 1 Gambar 2.2 Rentang Homogen Nilai Variabel Warna Kulit Setelah dilakukan transformasi data pada variabel input warna kulit, nilai variabel
2
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
yang dimasukkan dalam sistem nantinya adalah sebagai berikut : warna kulit kuning langsat mempunyai nilai 0 warna kulit sawo matang mempunyai nilai 1 Sedangkan untuk variabel rentang-usia, jumlah nilai pada variabelnya adalah empat yang terdiri dari female teen, female young, female adult, dan female senior. Rentang nilai [0,1] dibagi menjadi rentang-rentang homogen sebanyak nilai pada variabel dikurangi satu, sehingga rentang [0,1] dibagi sebanyak tiga bagian [10]. Pembagian rentang-rentangnya dapat direpresentasikan pada sebuah gambar 2.3 seperti berikut. bagian 1
bagian2
Kuning Langsat Kuning Langsat Sawo matang
female adult
0
0,6
female senior
0
1
female teen
1
0
Sawo matang
female young
1
0,3
Sawo matang
female adult
1
0,6
Sawo matang
female senior
1
1
3. Target Sistem Secara garis besar jalannya proses transformasi data target dari sistem dapat digambarkan pada diagram alir 3.1 (flowchart). Target dari sistem adalah 10 pilihan produk kosmetik berupa lipstik yang diwakilkan dengan nomor produknya. Nomor produk lipstik merepresentasikan warna dari lipstik.
bagian3
0 0,3 0,6 1 Gambar 2.3 Rentang Homogen Nilai Variabel Rentang Usia Setelah dilakukan transformasi data pada variabel input rentang usia, nilai variabel yang dimasukkan dalam sistem nantinya adalah sebagai berikut : - rentang usia female teen mempunyai nilai 0 - rentang usia female young mempunyai nilai 0,3 - rentang usia female adult mempunyai nilai 0,6 - rentang usia female senior mempunyai nilai 1 Data input pada sistem mempunyai 8 kemungkinan dengan nilai masing-masing variabel yang telah ditransformasi seperti pada tabel 2.1 berikut.
Mulai
Data Target Sistem 10 pilihan produk (P1-P10)
Transformasi pilihan produk menjadi kode biner 0001-1010
Data tersimpan dengan tipe data kontinu
Berhenti
Tabel 2.1 Kemungkinan Data Input yang Telah Ditransformasi Variabel Variabel Input Warna Kulit Rentang Usia pada Sistem female teen 0 0 Kuning Langsat female young 0 0,3 Kuning Langsat
Gambar 3.1 Flowchart Transformasi Target Sistem Tabel 3.1 menunjukkan daftar 10 pilihan produk lipstik.
3
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
Tabel 3.1 Daftar 10 Produk Pilihan sebelum Transformasi No produk Nomor lipstik Warna lipstik P1
9
P2
48
merah hati
P3
12
merah terang
P4
22
coklat metalic
P5
29
merah
P6
15
rose
P7
50
coklat terang
P8
3
P9
52
dark pink
P10
53
merah metalic
4. Arsitektur Jaringan Syaraf Tiruan Secara garis besar jalannya proses pembuatan arsitektur Jaringan Syaraf Tiruan dari sistem dapat digambarkan pada diagram alir 4.1 (flowchart). Arsitektur jaringan syaraf tiruan dari sistem menggunakan arsitektur multilayer network atau jaringan multilapis. Terdapat 3 lapis layer , yaitu : input layer yang terdiri dari 2 unit neuron hidden layer yang terdiri dari 8 unit neuron output layer yang terdiri dari 4 unit neuron Arsitektur jaringan syaraf dari sistem dapat digambarkan pada gambar 4.2. Metode pembelajaran yang digunakan sistem adalah supervised learning. Sistem melakukan pembelajaran terhadap input dengan target yang sudah ditentukan untuk memperoleh nilai-nilai bobot dan bias yang optimum pada tiap unit neuron hidden layer dan output layer dengan error minimum. Fungsi error yang digunakan sistem adalah Mean Square Error.
orange terang
peach
Target yang nantinya akan dimasukkan ke dalam sistem untuk dilakukan training, akan dilakukan transformasi. Jumlah unit neuron pada output layer bergantung kepada jumlah kelas yang ada pada target, dalam kasus ini terdapat 10 kelas. Jumlah unit neuron pada output layer didapatkan dengan rumus berikut. Jumlah neuron = pembulatan ke atas (log2(jumlah kelas)) Sehingga untuk 10 jumlah kelas didapatkan jumlah neuron sebanyak 4. Dapat disimpulkan untuk target sebanyak 10 produk pilihan memiliki 4 neuron di output layer. Agar dapat menghasilkan 4 neuron pada output layer, target sistem dapat direpresentasikan menjadi sebuah binary target [10]. Berikut daftar tabel 3.2 yang berisi 10 pilihan produk sebagai target sistem dalam binary.
Mulai
Membuat arsitektur jaringan syaraf dengan 3 layer: Input layer Hidden layer Output layer
Tabel 3.2 Daftar 10 Produk Pilihan setelah Transformasi No produk Nomor Binary target lipstik 9 0 0 0 1 P1 P2
48
0
0
1
0
P3
12
0
0
1
1
P4
22
0
1
0
0
P5
29
0
1
0
1
P6
15
0
1
1
0
P7
50
0
1
1
1
P8 P9
3 52
1 1
0 0
0 0
0 1
P10
53
1
0
1
0
Menetapkan jumlah neuron pada masing-masing layer yang paling optimal
Berhenti
Gambar 4.1 Flowchart Arsitektur Jaringan Syaraf Tiruan Sistem
4
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
Backpropagation merupakan salah satu dari beberapa metode yang digunakan dalam Jaringan Syaraf Tiruan dan yang paling sering digunakan dalam berbagai bidang aplikasi, seperti pengenalan pola, peramalan dan optimisasi. Hal ini dimungkinkan karena metode ini menggunakan pembelajaran yang terbimbing. Pola masukan dan target diberikan sebagai sepasang data. Bobot-bobot awal dilatih dengan melalui tahap maju untuk mendapatkan error keluaran yang selanjutnya error ini digunakan dengan tahap mundur untuk memperoleh nilai bobot yang sesuai agar dapat memperkecil nilai error sehinggga target keluaran yang dikehendaki tercapai. Tujuan dari model ini adalah untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama proses pelatihan berlangsung serta kemampuan jaringan memberikan respon yang benar terhadap pola masukan yang berbeda dengan pola masukan selama pelatihan. Algoritma backpropagation terdiri dari dua bagian antara lain sebagai berikut. a). Algoritma Pelatihan Backpropagation (Training Proccess) Di dalam proses pelatihan backpropagation terdapat tiga tahap. Tahap pertama ialah tahap maju (feedforward). Pada tahap ini seluruh proses awal inisialisasi bobot-bobot input dilakukan. Pada tahap ini juga ditentukan angka pembelajaran (α), nilai toleransi error dan jumlah epoch (siklus setiap pola pelatihan) yang diperlukan selama proses komputasi berlangsung. Setelah semua proses inisialisasi dilakukan, maka langkah selanjutnya ialah proses maju. Setiap unit masukan xi akan mengirimkan sinyal masukan ke lapisan tersembunyi. Setelah dihitung dengan menggunakan fungsi aktivasi maka keluarannya akan dikirimkan ke lapisan di atasnya, yaitu lapisan output. Setelah nilai keluaran (yk) diperoleh, maka dibandingkan dengan target keluaran sebenarnya (tk). Selisih yk – tk disebut dengan error (δk). Jika nilai error lebih kecil atau sama dengan dari nilai ambang maka proses
Hidden layer 8 unit neuron
Input layer
Output layer 4 unit neuron
Gambar 4.2 Arsitektur Jaringan dari Sistem
5. Error Back Propagation (EBP)
Secara garis besar jalannya proses error back propagation dari sistem dapat digambarkan pada diagram alir (flowchart) 5.1. Mulai
Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE
Hitung maju (feedforward) pada hidden dan output layer
Hitung MSE
Hitung mundur (backpropagation)
Hitung perubahan bobot dan bias dan bobot bias yang baru
Hitung maju kembali
Yes
Hitung kembali MSE
Stop criteria : Jika MSEbaru lebih kecil atau sama dengan MSEmin atau jumlah epoch max sudah terpenuhi
No Berhenti
Gambar 5.1 Flowchart Algoritma Error Back Propagation 5
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
iterasi dihentikan, tetapi jika tidak maka nilai error tersebut digunakan untuk memodifikasi bobot-bobot untuk mengoreksi kesalahan yang terjadi. Tahap kedua adalah tahap mundur atau backpropagation. Pada tahap ini, nilai error (δk) yang diperoleh pada di lapisan output digunakan untuk mengoreksi bobot-bobot yang ada pada lapisan tersembunyi yang berhubungan langsung dengan lapisan output. Setelah itu nilai error (δj) di setiap unit pada lapisan tersembunyi juga dihitung untuk mengoreksi bobot-bobot yang menghubungkan lapisan input dengan lapisan tersembunyi. Tahap ketiga adalah tahap pengoreksian bobot. Setelah seluruh bobot pada lapisan input dan lapisan tersembunyi dimodifikasi sesuai dengan besar faktor errornya, maka ketiga fase ini diulang secara terus menerus sampai kondisi berhenti dipenuhi. Kondisi berhenti yang dimaksud adalah jika jumlah epoch yang ditetapkan tercapai atau jika nilai error jaringan telah sama dengan atau lebih kecil dari nilai toleransi error yang ditetapkan sebelumnya. Pada tahap pelatihan, jaringan diharapkan dapat melatih seluruh data pelatihan yang diberikan untuk mendapatkan bobot akhir jaringan yang akan digunakan pada tahap pengujian. Struktur algoritma pelatihan Backpropagation antara lain [2]. 1. Inisialisasi bobot-bobot Mentukan angka pembelajaran (α). Tentukan pula nilai toleransi error yang diinginkan dan set maksimal epoch jika ingin membatasi jumlah epoch yang digunakan. 2. Selama kondisi berhenti tidak terpenuhi, lakukan langkah ke-2 sampai langkah ke-9. 3. Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3 sampai langkah ke-8. Tahap maju (Feedforward) 4. Tiap-tiap unit input (xi, i = 1, 2, 3, ..., o) menerima sinyal input dan meneruskan sinyal tersebut ke tiap-tiap unit pada lapisan tersembunyi.
5. Tiap-tiap unit di lapisan tersembunyi (zj, j = 1, 2, 3, ..., p) menjumlahkan sinyal-sinyal input yang berbobot, yaitu.
z _ net j v jo i 1 xi v ji n
(1)
Fungsi aktivasi untuk menghitung sinyal outputnya, yaitu. n
z j v j 0 x i v ji
(2)
i 1
dan mengirimkan sinyal tersebut ke semua unit pada lapisan di atasnya (lapisan output). 6. Tiap-tiap unit di lapisan output (yk, k = 1, 2, 3, ..., m) menjumlahkan sinyal input yang berbobot, yaitu. p
y _ net k wk 0 z j wkj
(3)
j 1
Fungsi aktivasi untuk menghitung sinyal outputnya, yaitu. p
y k wk 0 z j wkj
(4)
j 1
Tahap mundur(Backpropagation) 7. Tiap-tiap unit output yk menerima pola target tk untuk menghitung error (δk), yaitu.
k (t k y k ) f ' ( y _ net k ) (t k y k ) y k (1 y k )
(5) Kemudian menghitung nilai koreksi bobot yang nantinya digunakan untuk memperbaiki nilai bobot antara lapisan tersembunyi dan lapisan output (wjk), yaitu.
w jk k z j
(6)
menghitung juga koreksi bias yang digunakan untuk memperbaiki nilai bias antara lapisan tersembunyi dan lapisan output (wk0), yaitu: wk 0 k (7) 8. Tiap-tiap unit pada lapisan tersembunyi (zj, j = 1, 2, 3, ..., p) menjumlahkan sinyal-sinyal input dari lapisan output, yaitu. n
_ net j k w jk k 1
6
(8)
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
Algoritma Levenberg-Marquard merupakan pengembangan dari algoritma error back propagation. Algoritma ini dibangun untuk mengatasi beberapa kekurangan yang ada pada algoritma error back propagation dengan memanfaatkan teknik optimisasi numerik standar yaitu menggunakan pendekatan matriks Jacobian. Tujuan dari Levenberg Marquardt adalah meminimalkan total error.
mengalikan nilai ini dengan fungsi aktivasi untuk menghitung error pada lapisan tersembunyi (δj), yaitu. j _ net j f ' ( z _ net j ) _ net j z j (1 z j )
(9) Kemudian hitung koreksi bobot untuk memperbaiki nilai bobot antara lapisan input dan lapisan tersembunyi (vji), yaitu.
v ji j xi
(10)
Kemudian menghitung koreksi bias untuk memperbaiki nilai bobot antara lapisan input dan lapisan tersembunyi (vj0), yaitu.
v j 0 j
Mulai
Inisialisasi bobot & bias dengan metode Nguyen-Widrow, max epoch,min MSE
(11)
Tahap pengoreksian bobot 9. Tiap-tiap unit keluaran (yk, k = 1, 2, 3, ..., m) memperbaiki bobot dan bias, yaitu. wkj (baru) = wkj (lama) + wkj , ( k = 1, 2, ... , m ; j = 0, 1,... , p) (12) Tiap-tiap unit tersembunyi memperbaiki bobot dan bias, yaitu. v ji (baru) = v ji (lama) + v ji , ( j = 1, 2, (13) ... , p ; i = 0, 1, ... , n) 10. Tes kondisi berhenti
Hitung maju (feedforward) pada hidden dan output layer
Hitung MSE
Hitung Matriks Jacobian
tidak
tidak
Hitung perubahan bobot dan bias dan bobot bias yang baru
Hitung maju kembali
Increase μxβ Atau Decrease μ/β
Hitung kembali MSE
b). Algoritma Pengujian Backpropagation (Testing Process) Setelah proses pelatihan, backpropagation dapat digunakan untuk proses pengujian jaringan. Pada proses pengujian, tahap yang dilakukan hanya sampai tahap maju saja, tidak ada tahap mundur apalagi tahap modifikasi bobot. Seluruh bobot input diambil dari nilai bobot terakhir yang diperoleh dari proses pelatihan. Pada tahap pengujian ini, jaringan diharapkan dapat mengenali pola berdasarkan data baru yang diberikan (generalisasi).
tidak Stop criteria : Jika MSEbaru lebih kecil atau sama dengan MSEmin atau jumlah epoch max sudah terpenuhi atau nilai μ>μmax
ya Berhenti
Gambar 6.1 Flowchart Algoritma Levenberg Marquardt Berikut beberapa struktur algoritma Levenberg- Marquardt [6]. 1. Inisialisasi bobot dan bias dengan bilangan acak, epoch maksimum, dan minimal goal(performance yang dihitung dengan MSE) 2. Menentukan parameter yang dibutuhkan, antara lain :
6. Levenberg- Marquardt Training Function
Secara garis besar jalannya proses Levenberg-Marquardt dari sistem dapat digambarkan pada diagram alir 6.1 (flowchart). 7
MAKALAH SEMINAR TUGAS AKHIR PERIODE JANUARI 2011
8. Setelah didapatkan nilai x tahap selanjutnya adalah pengoreksian bobot dengan rumus yang sama seperti pada algoritma error back propagation. (12-13) 9. Menghitung maju (feedforward) dengan bobot dan bias yang baru. (1-4) 10. Menghitung MSE jaringan dengan bobot dan bias yang baru. Kemudian tes kondisi berhenti. 11. Jika epoch atau iterasi masih berlanjut maka akan terdapat 2 kemungkinan kondisi berikut : Jika MSE naik x (18)
Parameter Levenberg Marquardt yang nilainya harus lebih besar dari nol Parameter faktor Beta (β) yang digunakan sebagai parameter yang dikalikan atau dibagi dengan parameter Levenberg Marquardt. Penjelasan ada pada step berikutnya. Menghitung maju (feedforward) pada hidden dan ouput layer seperti langkah-langkah pada algoritma error back propagation.(1)-(4) Menghitung nilai MSE Menghitung error dan total error jaringan Rumus untuk error : er = tr – yr (14) r merupakan input ke-r Rumus untuk menghitung total error : e = [e1 e2 e3 ... eN]T (15) e merupakan vektor kesalahn berukuran Nx1 yang terdiri dari er r = 1,2,3...N Menghitung matriks Jacobian J(x) x merupakan matriks yang berisi nilai bobot dan bias dari keseluruhan jaringan.
3.
4. 5.
6.
X=[v
v
w w
wjk ; w , w . . .w ]
11,
11,
12 . . .
12,
. . . , v ij; v , v 01
01
02
02,
kembali
Data yang digunakan pada uji coba sistem adalah data pilihan produk kosmetik lipstik dari 250 pelanggan.
7.1 Uji Coba Skenario 1 Disini akan dilakukan klasifikasi data training dan testing menggunakan data uji coba berupa data produk pilihan kosmetik dari pelanggan menggunakan sistem klasifikasi Jaringan Syaraf Tiruan dengan metode training Levenberg Marquardt . Target yang digunakan pada sistem berupa 10 pilihan produk kosmetik. Data uji coba dibagi menjadi data training dan data testing. Pada skenario ini akan dibedakan menjadi 9 uji coba dengan pembagian proporsi data training dan testing yang berbeda. Setelah dilakukan klasifikasi terhadap data uji coba dengan proporsi data training dan testing yang telah ditentukan maka akan dihitung tingkat akurasi untuk masing-masing data training dan testing. Akurasi dihitung berdasarkan tiap neuron pada output layer dan keseluruhan atau kesimpulan akhir produk pilihan yang dihasilkan pada output layer.
...v
0j ;
(16)
7. Setelah didapatkan nilai J(x) maka dapat dihitung perubahan koreksi bobot dan biasnya dengan rumus berikut :
x J ( x) T J ( x) I 1 *Gradient Gradient :
J ( x) T e
(19)
7. Uji Coba dan Evaluasi
0K
er ] w
12. Kemudian melakukan langkah 5 sampai langkah 8.
Matriks Jacobian berisi turunan pertama error jaringan terhadap bobot dan bias jaringan. Rumus untuk mencari Jacobian Matriks antara lain. J=[
Jika MSE turun
(17)
8