Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Contoh Penggunaan Multi Layer Perceptron (MLP).  JST bisa digunakan untuk menyelesaikan berbagai masalah, seperti:  klasifikasi,  optimasi,  kompresi,

Presentasi serupa


Presentasi berjudul: "Contoh Penggunaan Multi Layer Perceptron (MLP).  JST bisa digunakan untuk menyelesaikan berbagai masalah, seperti:  klasifikasi,  optimasi,  kompresi,"— Transcript presentasi:

1 Contoh Penggunaan Multi Layer Perceptron (MLP)

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

3

4

5  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.

6  Ketik nntool di command window, kemudian enter. Maka akan muncul:

7

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

9 Klik Rekrutmen pada kolom networks dua kali

10  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 W1 (bobot sinaptik antara input dengan hidden neuron) dan W2 (bobot sinaptik antara hidden neuron dengan output.

11 Klik train network

12

13

14  Ketik nftool

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

16 Nilai Mean Square Error = , mendekati nol ( sangat kecil)

17  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:

18

19 %E = 0, menunjukan tidak ada salah dalam pengklasifikasian nya ( not misclassification)

20  Selamat Belajar


Download ppt "Contoh Penggunaan Multi Layer Perceptron (MLP).  JST bisa digunakan untuk menyelesaikan berbagai masalah, seperti:  klasifikasi,  optimasi,  kompresi,"

Presentasi serupa


Iklan oleh Google