• Lintang Syalwa Setiani

• Eno Restu Bagus Permadi

• Rafly Imanuel Keo

• Raka Davie Pratama

Algoritme ANN bekerja mirip dengan supervised learning, di mana data latih harus terlebih dahulu ditentukan oleh peneliti.

Akurasi yang dihasilkan oleh algoritme ANN akan sangat bergantung pada kualitas dan kuantitas data yang dimiliki oleh peneliti.

Learning rate adalah salah satu parameter yang digunakan dalam proses pelatihan untuk melakukan koreksi nilai bobot. Rentang nilai lear- ning rate biasanya antara 0 hingga 1, di mana semakin besar nilainya akan semakin cepat proses komputasi. Sebaliknya, semakin kecil nilai learning rate maka akan semakin lambat proses komputasinya. Ketelitian algoritme ANN dalam belajar juga akan bergantung kepada nilai learning rate yang diberikan. Semakin besar nilai learning rate maka akan semakin kecil kete- litiannya, sebaliknya semakin kecil nilai learning rate maka akan semakin tinggi tingkat ketelitiannya.

Namun, dibalik semua kelebihan tersebut terdapat juga banyak kele- mahan dari algoritme JST di antaranya adalah membutuhkan banyak sekali data latih yang belum tentu tersedia dan jikapun tersedia belum tentu berkualitas. Algoritme JST juga dikenal membutuhkan waktu komputasi

yang lama (computationally expensive) karena proses pelatihan dapat ber- jam-jam hingga berhari-hari tergantung pada ukuran, kedalaman, dan kompleksitas dari arsitektur jaringan yang digunakan.

Tidak terdapat aturan baku yang mengikat mengenai arsitektur jaringan (misal, penentuan jumlah hidden layer dan node) sehingga arsitektur yang sesuai diperoleh melalui proses trial and error. Algoritme JST juga merupakan model black-box, membutuhkan optimasi tambahan dan penentuan para meter yang banyak seperti learning rate, momentum factor, sigmoid constant, dan jumlah iterasi (epoch). Algoritme juga mudah terjebak pada kondisi overfitting jika data latih yang digunakan tidak cukup banyak atau tidak sesuai.

Multi-layer perceptron adalah satu bentuk algoritme ANN yang paling mudah dipahami dan diimplementasikan. Seperti pada Gambar 18.1, mem- visualisasikan arsitektur MLP yang terdiri atas tiga layer (input, hidden, dan output). Pada input layer terdapat tiga neuron (node), sementara pada hidden layer terdapat lima neuron, dan output layer terdapat tujuh layer. Hidden layer sangat penting keberadannya karena berfungsi untuk mengatur dari MLP, tanpa hidden layer maka MLP tidak mampu melakukan proses pembelajaran. Terlalu sedikit jumlah data latih, dan terlalu banyak jumlah iterasi akan membuat MLP terjebak pada kondisi overfitting.

Pada MLP, perhitungan dan perbaikan bobot nilai menggunakan algoritme back propagation, yaitu perhitungan dan penyesuaian bobot secara iterative, maju-mundur secara berulang-ulang hingga mencapai nilai bobot yang paling optimal. MLP termasuk ke dalam analisis statistik bebas distribusi, artinya tidak menghiraukan distribusi data atau non-parametris. MLP dapat digunakan untuk analisis non-linear seperti fungsi matematis yang kompleks untuk mengubah nilai masukan (input) seperti citra satelit untuk menghasilkan nilai luaran berupa kelas tutupan dan penggunaan lahan.

Fungsi Basis Radial adalah fungsi bernilai nyata yang nilainya hanya bergantung pada jarak dari titik asal.

Fungsi basis radial untuk neuron terdiri dari pusat dan jari-jari (disebut juga penyebaran). Jari-jarinya dapat bervariasi antar neuron. Dalam jaringan RBF yang dihasilkan DTREG, radius setiap dimensi dapat berbeda.

Ketika penyebarannya semakin besar, neuron yang berada jauh dari suatu titik mempunyai pengaruh yang lebih besar.

input layer:Lapisan masukan terdiri dari satu neuron untuk setiap variabel prediktor. Neuron masukan meneruskan nilai ke setiap neuron di lapisan tersembunyi.

Hidden layer: untuk mengukur jarak antara data input dengan nilai pusat dari RBF

Output layer:Nilai yang diperoleh dari lapisan tersembunyi dikalikan dengan bobot yang terkait dengan neuron dan diteruskan ke penjumlahan.