Pagi buta hari ini bantuin temen ngerjain tugasnya pake matlab.. Jadi inget waktu bikin skripsi dulu, ngotak ngatik belajar matlab tentang neural network pake metode back propagation.. dulu milih algoritma levenberg-marquardt, biar cepet ketemu nilai epochnya.. soale dulu kompie-nya masih jadul celeron 466Mhz.

Nah pas ngasih laporan ke temen, dipilih metoda RP (Resilient Backpropagation).. karena epochnya ga kecepetan dibanding LM yang wush wush.. cepet banget…
Kalo dibandingin algoritma yang tercepat mencapai epoch :
LM trainlm - Levenberg-Marquardt
BFG trainbfg - BFGS Quasi-Newton
RP trainrp - Resilient Backpropagation
SCG trainscg - Scaled Conjugate Gradient
CGB traincgb - Conjugate Gradient with Powell/Beale Restarts
CGF traincgf - Fletcher-Powell Conjugate Gradient
CGP traincgp - Polak-Ribiére Conjugate Gradient
OSS trainoss - One-Step Secant
GDX traingdx - Variable Learning Rate Backpropagation

Untuk perbandingan aja, untuk kasus 16 input layer, 5 hidden layer, 1 output layer dengan data 12 antrian:
pake LM mencapai epoch pada 4
pake  RP mencapai epoch pada 24
pada GDX mencapai epoch pada 120