APLIKASI RANCANGAN MODEL
Peramalan 2 bulan kedepan, Rentang Data (0,1)
4. Modul Back Propagation Network
4.2. Inisialisasi Variabel
Topik ini dirancang untuk membantu pengguna dalam operasionalisasi teknis inisialisasi variabel-variabel pada input layer, hidden layer, dan output layer. Petunjuk penggunaan ketiga fungsi inisialisasi tersebut dibahas secara umum pada bagian ini karena secara teknis ketiga fungsi tersebut memiliki prosedur yang identik, hanya saja pada bagian Inisialisasi Variabel Input Layer sedikit berbeda (tidak disediakan fungsi aktivasi).
Halaman Inisialisasi Variabel didesain sebagai jendela dialog yang dapat digunakan untuk menambah, menghapus, dan mengedit variabel input/hidden/output. Disamping itu dialog ini berguna untuk menetapkan jenis fungsi aktivasi bagi hidden layer dan output layer. Berikut adalah uraian singkat mengenai topik Inisialisasi Variabel.
4.2.1. Menambahkan Variabel
Variabel-variabel input, hidden, dan output layer dapat ditambahkan sesuai keperluan pada dialog Inisialisasi Variabel. Letakkan pointer pada kotak ‘Deskripsi Variabel’ kemudian tuliskan nama variabel yang akan dimasukkan, selanjutnya tekan [Enter] pada keyboard. Semua variabel yang dimasukkan akan didaftarkan dalam ‘Area Daftar Variabel’. Gunakan nama yang berbeda setiap kali menambahkan variabel untuk menghindari kemungkinan konfliknya variabel modul ini.
4.2.2. Menghapus Variabel
Variabel-variabel input, hidden, dan output layer dapat dihapus apabila variabel- variabel tersebut tidak diperlukan. Pada ‘Area Daftar Variabel’ Pilih variabel yang akan dihapus dengan cara mengklik variabel yang bersangkutan. Kemudian klik tombol ‘Hapus’ – variabel tersebuat akan dihilangkan dari daftar variabel. Menghapus variabel tidak dapat dibatalkan karena itu pastikan terlebih dahulu sebelum menghapusnya.
Deskripsi/nama variabel-variabel input, hidden, dan output layer dapat diganti jika diperlukan. Aktifkan terlebih dahulu variabel yang akan diganti deskripsi/namanya dengan cara mengklik variabel tersebut, kemudian klik tombol ‘Edit’. Pada dialog yang ditampilkan, masukkan deskripsi atau nama variabel sesuai keperluan. Tekan [Enter] atau klik ‘OK’ untuk menyetujui dan tekan [Esc] atau klik ‘Cancel’ untuk membatalkan.
Tab Fungsi Aktivasi
Area Daftar Variabel
Letakkan kursor pada kotak dialog ini kemudian masukkan variabel dan tekan [Enter]
Gambar 14. Visualisasi Dialog Inisialisasi Variabel
4.2.4. Menetapkan Fungsi Aktivasi
Fungsi aktivasi variabel-variabel pada hidden layer dan output layer dapat ditetapkan dengan cara meng-klik variabel yang bersesuaian pada ‘Area Daftar Variabel’. Selanjutnya pilih salah satu opsi fungsi aktivasi yang ditempatkan pada ‘Tab Fungsi Aktivasi’ dengan cara meng-klik fungsi aktivasi yang sesuai.
4.2.5. Inisialisasi Data Training
Data Training merupakan data aktual yang digunakan untuk kepentingan proses training pada Modul Back Propagation Network. Data training harus diinisialisasi terlebih dahulu karena data inilah yang akan menentukan struktur model matematis dari sistem yang dianalisa. Pengisian data data training dapat dilakukan pada dialog inisialisasi data training. Aktifkan dialog tersebut dengan cara meng-klik perintah ‘Inisialisasi Data Training’ yang ditempatkan pada panel utama proses training.
Dialog Inisialisasi Data Training disajikan dalam bentuk tabel yang terdiri dari kolom- kolom yang merupakan kolom peubah-peubah bebas maupun peubah-peubah terikat. Masing-masing kolom harus diisi pengguna dengan data aktual dari peubah-peubah
tombol [Enter] sebagai tanda persetujuan. Gunakan tombol [Esc] pada keyboard untuk membatalkannya.
Data aktual yang dimasukkan pengguna pada Dialog Inisialisasi Data Training harus dinormalisasi terlebih dahulu agar data tersebut sesuai dengan tipe data yang diperlukan dalam proses training. Akan tetapi persyaratan tersebut tidak perlu dilakukan pengguna karena Modul Back Propagation Network telah menyediakan rutin yang dijalankan secara otomatis. Pengguna hanya tinggal menentukan tipe normalisasi yang diperlukan. Pilihlah tipe normalisasi sesuai kepentingan dengan cara meng-klik salah satu pilihan yang ada pada tab ‘Tipe Normalisasi’. Gunakan opsi
Tanpa Normalisasi pada pilihan tipe normalisasi hanya jika data yang dimasukkan berupa data yang sudah dinormalisasi
Jika kegiatan pengisian data aktual telah selesai dilakukan, pengguna harus meng- update data-data tersebut sebelum kembali ke halaman sebelumnya. Arahkan pointer pada tombol ‘Update’ kemudian klik tombol tersebut. Data tidak akan dimasukkan ke dalam database jika pengguna tidak mengu-update data tersebut meskipun semua data pada lembar kerja ditampilkan.
Informasi
Update data tidak dilakukan secara otomatis, selalu lakukan update data sebelum menutup dialog inisialisasi data
Update Perubahan
Klik tombol ini sebelum menutup dialog Kembali
Klik tombol ini untuk menutup dialog
ditampilkan sebelum halaman ini jika telah selesai meng-edit data. Arahkan pointer pada tombol ⌧ ‘Kembali’ kemudian klik tombol ini.
4.2.6. Inisialisasi Data Testing
Data Testing merupakan data aktual yang digunakan sebagai data pembanding atau untuk keperluan validasi model matematis yang dibangun pada saat iterasi Back Propagation Network. Data testing harus diinisialisasi terlebih dahulu karena data ini sangat berguna dalam proses pengambilan keputusan untuk validasi model. Inisialisasi data testing dapat dilakukan pada dialog inisialisasi data testing. Aktifkan dialog tersebut dengan cara meng-klik perintah ‘Inisialisasi Data Testing’ yang ditempatkan pada panel utama proses training.
Teknis penggunaan halaman Inisialisasi Data Testing memiliki prosedur yang identik dengan teknis penggunaan halaman Inisialisasi Data Training seperti di bahas pada uraian sebelumnya.
Gambar 16. Inisialisasi data Testing
4.2.7. Prosedur Training
Prosesdur Training merupakan prosedur inti dari Modul Back Propagation Network setelah semua peubah serta konfigurasi ditetapkan. Pada prosedur inilah dilakukan pembelajaran dengan teknik Back Propagation Network untuk membangun model matematis dari peubah-peubah sistem yang dianalisa. Training dilakukan secara
untuk mencapai kesalahan yang paling rendah. Karena itu apabila pada iterasi tertentu tingkat kesalahan mengalami peningkatan, maka iterasi dihentikan. Disamping itu penghentian iterasi juga dilakukan apabila jumlah iterasi telah melebihi jumlah yang ditetapkan.
Halaman Prosedur Training dapat diaktifkan dengan memberikan perintah ‘Prosedur Training’. Arahkan pointer pada tombol ‘Prosedur Training’ kemudian klik tombol tersebut.
Mulai proses training Stop proses training
Kopi grafik training ke memori Simpan keluaran model Tampilkan grafik peubah lain Kembali ke halaman sebelumnya
Gambar 17. Visualisasi Dialog Prosedur Training
Ada beberapa variabel yang harus diatur dalam proses pembelajaran model diantaranya penetapan learning rate, momentum rate, maximum epoch, dan minimum error. Learning rate dan momentum rate adalah koefisien-koefisien pembelajaran, sedangkan maximum epoch dan minimum error adalah level interupsi proses training. Iterasi pembelajaran akan dihentikan jika jumlah iterasi melebihi maximum epoch atau tingkat kesalahan melebihi minimum error. Iterasi tetap dihentikan apabila tingkat kesalahan mengalami peningkatan. Masukkan nilai-nilai parameter tersebut pada kotak-kotak yang bersesuaian kemudian tekan [Enter].
Setelah semua parameter ditetapkan, proses pembelajaran dapat dimulai. Klik perintah ‘Start’ untuk memulai pembelajaran – pengguna dapat melihat secara visual hasil pembelajaran berupa grafik training-testing, tingkat kesalahan, dan korelasi pearson pada setiap iterasi. Iterasi pembelajaran dapat dihentikan meskipun proses pembelajaran sedang berlangsung, gunakan perintah ‘Stop’ untuk menghentikan iterasi pembelajaran.
telah ditetapkan sebelumnya. Akan tetapi untuk kepentingan tertentu (misalnya simulasi penentuan tipe normalisasi dan fungsi aktivasi terbaik) proses training dapat dilakukan pada semua kombinasi normalisasi dan fungsi aktivasi yang ada. Modul Back Propagation Network menyediakan fungsi sehingga semua kombinasi normalisasi dan fungsi aktivasi disimulasi. Aktifkan ceklis ‘Simulasi’ untuk mencoba semua kombinasi tersebut, kemudian klik tombol ‘Start’ – semua kombinasi akan diproses dan hasilnya akan direkam dalam bentuk file. Grafis training disimpan dalam direktori yang sama dengan nama file aktif dengan formula ‘[file].trn.record.[nama output layer].[normalisasi data training]-[normalisasi data testing].[aktivasi input layer].[aktivasi output layer].bmp’, misalnya default.trn.record.Harga Minyak Goreng Bulan 1.0-1.SigBin.SigBin.bmp. Sedangkan nilai-nilai kesalahan dan korelasi disimpan dalam formula ‘[file].trn.record’, misalnya default.trn.record.
Grafis hasil training dari variabel output yang tampil dapat dikopi ke memori untuk kemudian digunakan pada aplikasi lain seperti Microsoft Word, Microsoft Excel, dan sejenisnya untuk keperluan reporting. Gunakan fasilitas ‘Copy’ untuk mengkopi grafik ke memori kemudian sisipkan pada editor lain dengan operasi ‘Paste’.
Koefisien-koefisien hasil training yang nantinya membentuk model matematis juga dapat disimpan dalam bentuk file jika diperlukan. Arahkan pointer pada tombol ‘Simpan keluaran dalam bentuk file’ kemudian klik tombol ini. Tetapkan nama dan lokasi file pada dialog yang ditampilkan kemudian tekan [Enter] atau klik tombol ‘OK’ untuk melanjutkan dan tekan [Esc] atau klik tombol ‘Cancel’ untuk membatalkan. Model matematis keluaran proses training disimpan dalam ekstensi *.nn_mdl.