Contoh Penggunaan Multi Layer Perceptron MLP Aplikasi Matlab

Contoh Penggunaan Multi Layer Perceptron (MLP) Aplikasi Matlab untuk Jaringan Syaraf Tiruan

Kegunaan JST �JST bisa digunakan untuk menyelesaikan berbagai masalah, seperti: klasifikasi, optimasi, kompresi, peramalan (forecasting), sistem kontrol, sistem pendeteksian kecurangan dsb.

Contoh masalah

I. Membuat Jaringan (Network) dengan MLP-JST 1. Menentukan matrik input dan matrik target

Masukan Input data dan target Data �Input data merupakan beberapa himpunan observasi yang bisa terdiri dari beberapa inputan. Pada contoh ini ada 3 input data (IPK, Psikologi, Wawancara). �Target data merupakan himpunan data yang merupakan keputusan dari hasil inputan data. Pada contoh ini berupa keputusan diterima atau ditolak. �Proses data input dan target dimasukan seperti gambar berikut.

Langkah di Matlab (Menentukan matrik input dan matrik target) �Ketik nntool di command window, kemudian enter. Maka akan muncul:

2. Menentukan parameter JST pada Jaringan � Setelah menentukan matrik masukan (matrik P) dan matrik target (matrik T). Kemudian menentukan parameter belajar dan menjalankan proses belajar terhadap JST, yakni: Ø Implementasi jenis JST yang digunakan Multilayer Perceptron (MLP), dengan metode Feed forward backpropagation. Ø Arsitektur yang digunakan 3 -2 -1, artinya 3 node masukan (psikotes, ipk, wawwancara), 2 neuron pada hidden layer dan 1 neuron pada output layer. Ø Sebagai kondisi berhenti adalah nilai ambang Mean Square Error (MSE) sebesar 10 -5 atau maksimum iterasi sebanyak 5000 epoch.

Langkah di Matlab (Menentukan parameter JST) Klik Rekrutmen pada kolom networks dua kali

3. Pelatihan Jaringan (Network Training) � Pelatihan jaringan menggunakan algoritma propagasi balik (back forward backpropagation) untuk melatih model Multi Layer Perceptron (MLP). � Hasil pelatihan jaringan dilakukan sampai dihasilkan Mean Square Error (MSE) yang diharapkan kecil dan nilai R mendekati 1. � Setelah nilai MSE dan R sudah didapatkan sesuai kriteria, maka pelatihan jaringan (Network training) dihemtikan. Sehingga akan dihasilkan nilai bobot sinaptik dari proses pelatihan adalah matrik W 1 (bobot sinaptik antara input dengan hidden neuron) dan W 2 (bobot sinaptik antara hidden neuron dengan output.

Langkah di Matlab (Pelatihan Jaringan) Klik train network

Perhitungan mendapatkan output berdasarkan bobot sipnastik dan bias yang didapatkan dari model MLP JST diatas

II. Contoh aplikasi MLP-JST pada peramalan (regression) �Ketik nftool

Hasil plot regression Nilai koeefisien determinasi (R) cukup bagus = 0, 769 Persamaan : Output=0, 67*Target + 0, 33

Kriteria model peramalan bagus dapat dilihat dari hasil sbb Nilai Mean Square Error = 10 -15 , mendekati nol ( sangat kecil)

II. Contoh aplikasi MLP-JST pada pengklasifikasian � Masih menggunakan input data tes calon karyawan dan hasilnya akan diklasifikasikan diterima atau tidak diterima. � 1. Ketik nprtool pada comand window, akan muncul toolbox sbb:

%E = 0, menunjukan tidak ada salah dalam pengklasifikasian nya ( not misclassification)

�Selamat Belajar