IMPLEMENTASI ALGORITMA GENETIKA DENGAN MAGNIFIED GRADIENT FUNCTION DAN DETERMINISTIC WEIGHT MODIFICATION DALAM MULITLAYER NEURAL NETWORK

Authors

  • Hendry Setiawan
  • Rully Soelaiman
Views: 555 Downloads: 218

DOI:

https://doi.org/10.12962/j24068535.v5i2.a238

Abstract

Algoritma backpropagation menggunakan pola pelatihan yang berdasarkan turunan fungsi gradien (gradient derivative function) untuk perubahan bobot dan fungsi aktifasi yang berupa fungsi sigmoid, sehingga error yang dihasilkan pada iterasi berikutnya semakin kecil. Dalam penggunaan algoritma backpropagation ada dua aspek yang menjadi pertimbangan yaitu flat spot dan laju konvergensi (convergence rate).
Penelitian berikut berusaha mengembangkan hibrid GA-MDPROP yang bertujuan mempercepat laju konvergensi dari algoritma backpropagation. Algoritma genetika digunakan untuk mecari topologi optimum dari jaringan saraf khususnya pada penentuan bobot awal, sedangkan MDPROP merupakan model hibrid Magnified Gradient Function Propagation (MGFPROP) dengan Deterministic Weight Modification (DWM). Penggunaan MGFPROP bertujuan mempercepat laju konvergensi dengan memperbesar fungsi gradient pada fungsi aktifasi, sedangkan DWM bertujuan mengurangi error dari sistem dengan mengubah bobot dengan cara yang telah ditentukan.
Hasil penelitian menunjukkan algoritma GA-MDPROP memiliki laju konvergensi yang lebih cepat dibandingkan dengan algoritma backpropagation. Algoritma GA-MDPROP juga memiliki laju konvergensi yang lebih cecpat  dibandingkan dengan algoritma MDPROP khususnya untuk faktor penguatan S=1.

Kata kunci: Algoritma Genetika, Magnified Gradient Function Propagation (MGFPROP), Deterministic Weight Modification (DWM), MDPROP, GA-MDPROP.

Downloads

Download data is not yet available.

Downloads

Published

2006-07-01

Issue

Vol 5, No 2 Juli 2006

Section

Articles

How to Cite

[1]
H. Setiawan and R. Soelaiman, “IMPLEMENTASI ALGORITMA GENETIKA DENGAN MAGNIFIED GRADIENT FUNCTION DAN DETERMINISTIC WEIGHT MODIFICATION DALAM MULITLAYER NEURAL NETWORK”, JUTI, vol. 5, no. 2, pp. 126–133, Jul. 2006, doi: 10.12962/j24068535.v5i2.a238.

License

All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.

JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.