Training JST

Melakukan training dengan JST sedikit berbeda dengan ANFIS. Pada ANFIS, input dan target disatukan sementara untuk JST kita harus memisahkan menjadi dua matriks. Buka toolbox JST dengan mengetik pada command window.

>>nntool

Siapkan terlebih dulu data trainingnya yaitu data input dan data target. Misalnya kita sudah menulis data input dan data target dengan notepad berturut-turut dengan nama ‘input.dat’ dan ‘target.dat’, maka kita tinggam memanggil data tersebut untuk dikonversi menjadi variable ‘*.mat’ yang dikenali oleh toolbox nntool matlab.

Perhatikan, formatnya sedikit berbeda dengan ANFIS, pada JST masukan dinyatakan dengan baris, misalnya baris pertama itu input pertama, baris kedua input kedua, dan seterusnya. Sementara target mengikuti inputnya, jadi target kolom pertama input adalah kolom pertama pada vector target. Dari contoh data di atas, input 3.2760, 32.3, 7, dan 0.0020 memiliki target 34.5.

Kembali ke NNTOOL, klik import untuk memasukan data input dan target ke toolbox JST. Jangan lupa hubungkan input dengan input dan target dengan target seperti gambar berikut.

Lakukan hal yang sama juga dengan target, dilanjutkan dengan klik ‘import‘. Berikutnya meramu JST yang akan kita buat untuk mentraining data input dan target yang telah kita siapkan. Klik New untuk membuat JST yang akan di-training. Beri nama, input, dan outputnya sesuai dengan data yang kita import sebelumnya.

Setelah di klik Create maka Anda telah berhasil membuat JST. Pastikan pada NNTOOL Anda terdapat data input, target, dan jst. Setelah itu kita siap melakukan training dengan mengklik ganda jst yang baru saja kita buat.

Pilih train dan masukan input dan target yang sesuai, lanjutkan dengan mengklik Train Network untuk memulai proses training. Tunggu beberapa saat karena Matlab sedang mentraining JST yang ada buat tersebut.

Berikutnya adalah kita coba mengecek apakah hasil training sudah sesuai atau tidak. Untuk mengetahui kualitas training, masukan aja data input ke jst yang telah Anda training, apakah sesuai dengan target atau tidak. Sebelumnya simpan terlebih dahulu jst yang telah Anda latih tersebut. Caranya dengan kembali ke jendela NNTOOL dengan mengklik Export dilanjutkan dengan memilih mana yang akan disimpan. Pastikan jst anda pilih.

Setelah mengklik Save maka Anda telah berhasil melatih jst Anda. Pastikan jst yang Anda save terletak pada directory kerja Anda. Berikut cara menguji hasil training Anda.

Perhatikan yang dilingkari adalah hasil training yang tidak cocok dengan target (ada error). JST bias memprediksi output jika input berbeda dengan data training, misalnya data berikut ini.

Tentang rahmadya

I'm a simple man .. Lahir di Sleman Yogyakarta, 7 Juni 1976 PENDIDIKAN: TK : - (tidak ada TK di tj Priok waktu itu) SDN : Papanggo, Jakarta 83 - 89 SMPN : 129, Jakarta 89 - 92 SMAN : 8, Yogyakarta 92 - 95 Univ. : Fak. Teknik UGM, Yogyakarta 95 - 2001 Pasca. : Tek. Informatika STMIK Nusa Mandiri, Jakarta 2008 - 2010 Doctoral : Information Management Asian Institute of Technology, Thailand 2013 - 2018 PEKERJAAN: Tek. Komputer AMIK BSI Jakarta : 2002 - 2005 IT Danamon Jakarta : 2005 - 2008 Tek. Informatika STMIK Nusa Mandiri Jakarta : 2005 - 2008 Univ. Darma Persada Jakarta: 2008 - 2013 Fakultas Teknik Universitas Islam "45" Bekasi : 2008 - Skrg ( Homebase) Univ. Bhayangkara Jakarta Raya: 2018 - Skrg Univ. Nusa Putra Sukabumi: 2018 - Skrg
Pos ini dipublikasikan di Artificial Neural Network, Matlab. Tandai permalink.

31 Balasan ke Training JST

  1. paridawati berkata:

    Trima kasih tentang JSTnya, sangat-sangat bermanfaat ilmunya,…..Semoga bapak selalu sehat sehingga selalu diberi kesempatan oleh Allah SWT utk mendapatkan dan membagi ilmu yang bermanfaat, aamiinnn,…

  2. purwantosd berkata:

    terimakasih pak. mencerahkan sekali. semoga Allah SWT. membalas bapak sekeluarga melalui kesehatan dan kebahagian. Amiin

  3. upi yuliana berkata:

    assalamualaikum pak, saya mau bertanya cara mengekstraksi citra untuk mendapatkan nilai RGB nya bagaimana ya pak?
    terima kasih

  4. abdiinegara berkata:

    assalamualaikum pak, cara menentukan jumlah neuron input, hidden layer dan neuron output berdasarkan apa ya? terus juga cara menentukan bobot, karena di berbagai buku inisialisasi bobot, saya maih belum paham,,,

  5. Ping balik: Mengidentifikasi Pola Citra dengan Jaringan Syaraf Tiruan | Rahmadya Trias Handayanto

  6. Ping balik: Prediksi dengan Jaringan Syaraf Tiruan pada Matlab (Latihan Awal) | Rahmadya Trias Handayanto

  7. rahmawati berkata:

    Assalamualaikum wr wb. Pak, klu data inputnya punya dimensi MxNx3, bagaimana buat ukuran targetnya? Terimakasih

  8. pak saya mau tanya,
    cara membuat data training di matlab bagaimana pak ?
    masih belajar pak

  9. assalamualaikum pak saya mau tanya
    kalo mau buat data training dimatlab gmna ?
    masih belajar pas

  10. nia berkata:

    pak, cra mengubah citra ke bilangan biner gmna? msh kurang referensi yg sy dpt

  11. pak, bgaimna cara mengubah citra ke bilangan biner? referensinya msh kurang

  12. kak mau tanya, bedanya w dan b pada hidden layer apa?

  13. Nopal berkata:

    Pak saya mau nanya saya ada penelitian mengenai debit air menggunakan jst. Saya mempunya input debit berdasarkan hari contohnya 56 m3/dt pada hari pertama,dst .bagaimana cara saya menginput dalam jst?. Mohon tutorialnya.
    Kedua saya mempunyai input 2 data debit yang harus saya input dan mengeluarkan 1 output .cara ya gimana ya pak?

  14. Nopal berkata:

    Assalamualaikum.

    Pak saya mau nanya saya ada penelitian mengenai debit air menggunakan jst. Saya mempunya input debit berdasarkan hari contohnya 56 m3/dt pada hari pertama,dst .bagaimana cara saya menginput dalam jst?. Mohon tutorialnya.
    Kedua saya mempunyai input 2 data debit yang harus saya input dan mengeluarkan 1 output .cara ya gimiana ya pak?

  15. nirmala berkata:

    Ini data latih sama ujinya sama yah pak?

  16. Ridho berkata:

    Pak, di halaman nntraintool ada keterangan algorithm : Levenberg-Marquardt, nah itu sebenarnya algoritma buat apa pak ? Lalu apa algoritmanya bisa diganti yg lain ?

  17. Ridho berkata:

    Pak Rahmadya saya mau tanya. Mengapa setiap melakukan pelatihan dengan jst di matlab, jumlah iterasi yg dilakukan selalu lebih sedikit dibanding iterasi yg telah ditentukan ? Padahal mse nya masih lebih besar dari goal error yang ditentukan. Karena setau saya iterasi berhenti kalau mse sudah kurang dari error goalnya. Mohon penjelasannya pak. Terima kasih.

  18. Ridho berkata:

    Pak, saya mau tanya, apa ada pertimbangan untuk menentukan bobot dan bias awal dalam jst ? Karena kalo memakai bobot yg dari matlab, kadang hasilnya jelek kadang hasilnya bagus. Lalu apakah semakin banyak jumlah neuron dalam hidden layer, apa semakin baik akurasinya ? Terima kasih pak

  19. Yuhanes zico berkata:

    Selamat malam pak , saya ingin tanya untuk data yang bapak contohkan fungsi aktivasi apa yang digunakan?
    Dan jika menggunakan sigmoid biner apa data input harus diubah pada rang 0-1?

  20. Ridho berkata:

    Pak Rahmadya, saya ada masalah sama hasil training. Pada penelitian saya, outputnya berupa range [0,1], oleh karena itu saya putuskan untuk memakai fungsi aktivasi logsig dari hidden ke output layer. Namun masalahnya adalah akurasinya rendah sekali. Ketika saya ganti logsig tsb ke purelin, akurasinya menjadi tinggi. Pertanyaan saya, kenapa ketika menggunakan purelin akurasinya bisa tinggi padahal rentang outputnya kan cuma [0,1] yg dimana rentang output tsb cocoknya ke logsig. Saya bingung dari segi ilmiahnya kenapa bisa begitu ya ?

  21. Della berkata:

    Assalamualaikum wr. wb.
    Pak, saya mau bertanya, kalau mau menampilkan bobot layer dan bobot bias pada JST yang sudah ditraining tanpa harus ditraining ulang bagaimana caranya Pak?
    Terima kasih
    Wassalamualaikum wr. wb.

  22. Ridho berkata:

    Pak Rahmadya, apa bapak punya tutorial untuk cross validation pada backpropagation nn menggunakan matlab ?

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout /  Ubah )

Foto Google

You are commenting using your Google account. Logout /  Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout /  Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout /  Ubah )

Connecting to %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.