Mengevaluasi Kinerja Model - TINJAUAN PUSTAKA

BAB 2 TINJAUAN PUSTAKA

2.3. Backpropagation

2.3.4. Mengevaluasi Kinerja Model

Langkah utama yang digunakan untuk mengevaluasi kinerja teknik machine learning untuk memprediksi usaha perangkat lunak adalah sebagai berikut :

a) Sum Squared Error (SSE)

Kesalahan jumlah kuadrat didefinisikan sebagai. c) Root Mean Square Error (RMSE)

Root mean squared error didefinisikan sebagai.

(2.3)

Dimana :

Pi = Perkiraan nilai untuk titik data i;

Ai = Nilai aktual untuk titik data i;

N = Jumlah total titik data.

d) Mean Absolute Error (MAE)

Ukuran kesalahan absolut rata-rata seberapa jauh perkiraan dari nilai sebenarnya. Ini bisa diterapkan pada dua pasang angka, di mana satu set

"sebenarnya" dan yang lainnya adalah perkiraan perkiraan.

(2.4)

12 2.4. Conjugate Gradient

Metode gradien konjugasi nonlinier diterapkan pada masalah optimasi skala besar, karena keuntungan dari kebutuhan memori rendah dan jumlah perhitungan yang kurang. Beberapa metode gradien konjugasi, termasuk metode FR (Fletcher Reeves), metode PRP (Polak Ribiere Polyak), metode CD (Conjugate Descent), DY (Dai Yuan) dan HS Hestenes Stiefel), tersedia untuk masalah optimasi yang tidak terbatas.

Pertama, mempertimbangkan masalah optimasi tak terbatas berikut :

(2.5)

Dimana f : Rⁿ adalah fungsi terdiferensialkan secara kontinyu yang gradiennya dilambangkan dengan g, dan x0 menjadi titik awal yang sewenang-wenang. Metode conjugate gradient biasanya efektif untuk rangkaian solusi akan dihasilkan dengan bentuk iteratif berikut.

(2.6)

Dimana αx adalah ukuran langkah positif dan diperoleh dengan pencarian garis, dan d_k adalah arah pencarian yang ditentukan oleh :

(2.7) Dimana βk adalah parameter. Untuk aturan yang berbeda untuk memilih βk, algoritma berbeda.

Dalam metode gradien konjugasi standar Fletcher Reeves, , dan

||.|| Singkatan dari norma euclidean vektor. Zoutendijk menganalisis konvergensi global untuk metode Fletcher Reeves dengan pencarian garis yang tepat.

Al-Baali dan Liu, et al, mengingatkan metode Fletcher Reeves secara global konvergen dengan pencarian garis Wolfe yang kuat. Yang pertama memenuhi , yang terakhir memperpanjang hasilnya menjadi . Pencarian garis Wolfe yang kuat dinyatakan sebagai:

(2.8)

dan

(2.9) Kemudian, Zhang et al. mengusulkan metode gradien konjugasi Fletcher Reeves yang dimodifikasi dengan pencarian garis tipe Armijo. Arah dk memiliki bentuk berikut :

(2.10)

Dimana dan (2.11)

(2.12) Berdasarkan metode di atas, kami mengembangkan kelas metode gradien konjugat Fletcher Reeves termodifikasi, dan membuktikan properti keturunannya yang cukup.

Di bawah kondisi pencarian garis Armijo, kami membuktikan konvergensi global dari metode yang diajukan. (Li X, et al. 2016)

2.5. Indeks Harga Konsumen

Indeks harga konsumen adalah angka indeks yang menggambarkan perubahan harga sekarang (barang/jasa) yang dikonsumsi masyarakat secara umum, guna mengukur perubahan atau melakukan perbandingan peubah-peubah ekonomi (Handayani K., 2014). Indeks Harga Konsumen merupakan indeks yang menggambarkan perubahan harga dari waktu ke waktu, sehingga sangat cocok dianalisis dengan analisis time series. (Listyowati, et al, 2013).

Indeks harga konsumen (IHK) atau disebut juga dengan Consumer Price Index (CPI) merupakan ukuran perubahan harga barang/jasa pada periode waktu tertentu, dan digunakan sebagai salah satu indikator biaya hidup dan pertumbuhan ekonomi.

Penghitungan IHK dibagi menjadi 7 (tujuh) kelompok pengeluaran, yaitu: kelompok pengeluaran bahan makanan, kelompok pengeluaran makanan jadi, minuman, rokok, dan tembakau, kelompok pengeluaran perumahan, air, listrik,vgas, dan bahan bakar, kelompok pengeluaran sandang, kelompok pengeluaran kesehatan, kelompok pengeluaran pendidikan, rekreasi dan olahraga, serta kelompok pengeluaran transport, komunikasi dan jasa keuangan. Selain itu kelompok pengeluaran ini juga dirinci menjadi beberapa subkelompok pengeluaran (Damanik F.F., et al, 2015).

Sebagian besar pengeluaran masyarakat digunakan untuk konsumsi Bahan Makanan sehingga dalam perhitungan Indeks Harga Konsumen (IHK) umum, komoditas Bahan Makanan memiliki bobot lebih tinggi dibanding sektor IHK lainnya di setiap kabupaten/kota di Indonesia (Listyowati, et al, 2013).

14 2.6. Prediksi (Peramalan)

Prediksi (peramalan) adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu sebelumnya (historis) melalui suatu metode ilmiah. Tujuan dari prediksi adalah mendapatkan informasi apa yang akan terjadi di masa datang dengan probabilitas kejadian terbesar. Metode prediksi dapat dilakukan secara kualitatif melalui pendapat para pakar atau secara kuantitatif dengan perhitungan secara matematis. Salah satu metode prediksi kuantitatif adalah menggunakan analisis deret waktu (time series) (Nurmahaludin, 2014).

Berdasarkan sifatnya, prediksi (peramalan) terbagi menjadi dua, yaitu:

a) Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas pendapat suatu pihak dan datanya tidak dapat direpresentasikan menjadi suatu nilai atau angka. Hasil peramalan sangat bergantung pada pendapat orang yang melakukan peramalan. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran, pendapat, pengetahuan, dan pengalaman penyusunnya.

b) Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu. Data kuantitatif merupakan data yang berupa nilai atau angka. Hasil peramalan sangat bergantung pada metode peramalan yang digunakan.

(Prakoso T.Y.M., 2015)

BAB 3

METODOLOGI PENELITIAN

Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi guna memecahkan permasalahan dan menguji hipotesis penelitian.

3.1. Pendahuluan

Pada Bab 3 didalam penelitian ini menjelaskan bagaimana metodologi yang digunakan untuk menyelesaikan masalah-masalah penelitian. Tujuan dari tesis ini adalah untuk membuat model aturan pola dan prediksi Indeks Harga Konsumen (IHK) menggunakan Jaringan Saraf Tiruan dengan metode Backpropagation sebagai pedoman pengambilan keputusan yang lebih baik dengan output berupa pola dan prediksi Indeks Harga Konsumen (IHK).

Langkah-langkah proses penelitian tertuang pada kerangka kerja penelitian yaitu : 1) Mengumpulkan Data

2) Studi Pustaka

3) Mengidentifikasi Masalah 4) Praproses

5) Menentukan Model

6) Menguji Hasil Pengolahan Data 7) Memprediksi

8) Mengevaluasi Akhir

3.2. Kerangka Kerja Penelitian

Pada Bab 3 ini akan diuraikan metodologi dan kerangka penelitian kerja yang digunakan dalam menyelesaikan masalah penelitian.

Metodologi penelitian ini dilakukan secara sistematik agar mendapatkan alur kerja yang baik yang dapat digunakan sebagai pedoman untuk peneliti dalam

melaksanakan penelitian ini agar hasil yang dicapai tidak menyimpang dan tujuan yang diinginkan dapat terlaksana dengan baik dan sesuai dengan tujuan yang telah ditetapkan sebelumnya.

Gambar 3.1. Kerangka Kerja Penelitian

Berdasarkan kerangka kerja pada gambar diatas maka masing-masing langkah dapat diuraikan sebagai berikut :

1) Mengumpulkan Data

Pada tahap ini, data-data diperoleh dari Berita Resmi Statistik (BRS) yang rutin diterbitkan secara bulanan oleh Badan Pusat Statistik (BPS) Kota Pematangsiantar melalui https://siantarkota.bps.go.id/ serta dengan langsung datang ke kantor BPS yang bertempat di Jln. Porsea No. 5 Pematangsiantar.

Dalam mengumpulkan data dilakukan observasi yaitu pengamatan secara langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui dengan jelas. Kemudian dilakukan interview yang bertujuan untuk mencapai

Mulai

Jurnal, Prosiding dan Buku Jaringan

Syaraf Tiruan Megumpulkan Data Studi Pustaka

Mengidentifakasi Masalah Praproses

Menentukan Pola

Menguji Hasil Pengolahan Data

Memprediksi

Selesai Mengevaluasi Akhir

informasi atau data yang dibutuhkan. Selain itu juga dilakukan studi kepustakaan yaitu membaca jurnal dan buku-buku penunjang dalam melakukan analisa terhadap data dan informasi yang tepat.Dalam melakukan pengumpulan data ada beberapa cara yaitu;

a) Survey

Melakukan pengumpulan data dan observasi dengan meninjau langsung ke lapangan pada pihak-pihak yang terkait yang mempunyai wewenang dalam menyelesaikan penelitian ini.

b) Studi Literatur

Melakukan penelitian dan pembelajaran terhadap referensi-referensi yang berhubungan dengan penelitian seperti jurnal-jurnal yang berhubungan atau buku-buku tentang Jaringan Saraf Tiruan, atau melalui situs-situs di internet dalam menyelesaikan penelitian ini.

c) Wawancara

Melakukan tanya jawab dengan bagian yang menjadi objek penelitian sehingga nantinya dapat memberikan informasi yang akurat dan terpercaya.

2) Studi Pustaka

Untuk mencapai tujuan yang akan ditentukan, maka perlu dipelajari beberapa literatur-literatur yang digunakan. Studi pustaka merupakan langkah awal dalam penelitian ini, studi pustaka ini dilakukan untuk melengkapi pengetahuan dasar dan teori-teoriyang digunakan dalam penelitian ini.

3) Mengidentifikasi Masalah

Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses pada tahap konversi data yang didapat sesuai dengan bobot yang ditentukan.

4) Praproses

Tahap praproses merupakan tahap seleksi data yang bertujuan untuk mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian.

Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant pada data.

18 5) Menentukan Model

Pada tahap ini akan dilakukan penentuan model Jaringan Saraf Tiruan dengan metode Backpropagation. Hasil dari tahap ini adalah beberapa model jaringan saraf tiruan dengan metode Backpropagation untuk menentukan pola.

6) Menguji Hasil Pengolahan Data

Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba terhadap hasil pengolahan data dengan menggunakan Software Matlab R2011b (7.13). Pengujian dilakukan melalui tahapan sebagai berikut:

a) Melakukan pengolahan data secara manual dengan metode Backpropagation.

b) Menguji hasil pengolahan data secara manual dengan metode Backpropagation dengan data yang sama pada langkah pertama.

c) Menguji hasil pengolahan data secara komputerisasi dengan metode Backpropagation dengan data yang sama pada langkah pertama dengan menggunakan software Matlab R2011b (7.13).

d) Membandingkan hasil manual dengan hasil pengujian dengan menggunakan software Matlab R2011b (7.13).

e) Menguji hasil pengolahan data secara komputerisasi dengan metode Backpropagation dengan menggunakan software Matlab R2011b (7.13) dengan data yang lebih lengkap dengan beberapa model Jaringan Saraf Tiruan

7) Memprediksi

Prediksi dilakukan untuk membandingkan jumlah dengan model Jaringan Saraf Tiruan dengan metode Backpropagation yang paling akurat.

8) Mengevaluasi Akhir

Mengevaluasi akhir dilakukan untuk mengetahui apakah pengujian hasil pengolahan data sesuai dengan yang diharapkan. Evaluasi dilakukan untuk membandingkan hasil pengujian data secara komputerisasi menggunakan software Matlab R2011b (7.13) dengan beberapa model yang ditentukan

sebelumnya.

3.3. Teknik Proses Pelatihan Dan Pengujian

Proses pelatihan dan pengujian menggunakan metode Backpropagation dan Conjugate Gradient Fletcher Reeves dapat dilihat pada gambar 3.2.

Gambar 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR

Keterangan :

Pelatihan jaringan menggunakan kedua metode dimulai dengan proses normalisasi data train kemudian parameter awal masing-masing metode ditentukan. Jaringan dilatih hingga membentuk model classifier. Selanjutnya model tersebut diuji menggunakan data test yang telah dinormalisasi dan menghasilkan hasil pengujian yang dapat diketahui berdasarkan nilai akurasi dan MSE (Mean Squared Error) nya.

3.4. Tempat Penelitian

Penelitian ini dilaksanakan Badan Pusat Statistik (BPS) Jln. Porsea No.5, Teladan, Siantar Barat, Kota Pematangsiantar Sumatera Utara 21144.

3.5. Alat Dan Bahan

Alat dan Bahan yang digunakan dalam penelitian antara lain:

1) Komputer/Laptop untuk membantu dalam mengolah data.

2) Software Matlab R2011b (7.13) sebagai alat untuk memudahkan dalam pengolahan data.

3) Data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan sebagai data target yang akan diolah dengan model yang digunakan.

20 3.6. Tahap Pemrosesan Data

Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi Indeks Harga Konsumen (IHK). Proses ini memiliki 2 tahapan dimana tahapan pertama adalah melakukan pengenalan pola dengan cara menemukan arsitektur terbaik dari model Jaringan Saraf Tiruan yang dibuat. Proses pelatihan dan pengujian data untuk mendapatkan model terbaik didapat dari data Indeks Harga Konsumen (IHK) pada Badan Pusat Statistik (BPS) Kota Pematangsiantar sebanyak 24 Pola terhitung tahun 2014 sampai 2016, dengan kriteria Pola 1 sampai dengan Pola 12 adalah data pelatihan (training), sedangkan Pola 13 sampai dengan Pola 24 adalah data Uji. Tahap kedua adalah melakukan prediksi dengan pola arsitektur terbaik yang diperoleh di tahapan pertama.

3.7. Data Yang Digunakan

Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen (IHK) berdasarkan kelompok Bahan Makanan Kota Pematangsiantar dari tahun 2014 sampai dengan tahun 2016, dari mulai bulan Januari sampai dengan bulan Desember. Data Indeks Harga Konsumen (IHK) ini berasal dari Badan Pusat Statistik (BPS) Kota Pematangsiantar. Perhitungan Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan diperoleh dari rata-rata sub kelompok bahan makanan tersebut. Pada Tabel 3.1. adalah contoh bagaimana perhitungan Indeks Harga Konsumen (IHK) bulan Agustus 2016 berdasarkan sektor bahan makanan.

Tabel 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016 Sektor : Bahan Makanan

No Sub Kelompok Indeks

1 Padi-padian, Umbi-umbian dan Hasilnya 125,47

2 Daging dan Hasil-hasilnya 108,15

3 Ikan Segar 129,45

4 Ikan Diawetkan 132,55

5 Telur, Susu dan Hasil-hasilnya 126,18

6 Sayur-sayuran 112,31

Rata-rata indeks yang didapat dari 11 sub kelompok berdasarkan bahan makanan seperti yang diperlihatkan pada Tabel 3.1. akan digunakan sebagai data pelatihan dan juga data pengujian. Berikut ini adalah Tabel dari data Indeks Harga Konsumen (IHK) tersebut.

Tabel 3.2. Indeks Harga Konsumen Tahun 2014

Kelompok Pengeluaran

IHK Tahun 2014 Dalam Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07

Sumber : Badan Pusat Statistik Pematangsiantar

Tabel 3.3. Indeks Harga Konsumen Tahun 2015

Kelompok Pengeluaran

IHK Tahun 2015 Dalam Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 125,95 119,6 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,4

Sumber : Badan Pusat Statistik Pematangsiantar

Tabel 3.4. Indeks Harga Konsumen Tahun 2016

Kelompok Pengeluaran

IHK Tahun 2016 Dalam Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 130,65 128,53 130,7 128,3 130,83 131,66 131,9 134,01 135,67 138 141.85 144,06

Sumber : Badan Pusat Statistik Pematangsiantar

Tabel 3.5. Data Input Yang Digunakan

INDEKS HARGA KONSUMEN TAHUN 2014-2016 Sektor : Bahan Makanan

Tahun Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 2014 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 2015 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 2016 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 138,00 141.85 144,06

Sumber : Badan Pusat Statistik Pematangsiantar

Dari data input pada Tabel 3.5, dijelaskan bahwa dataset Indeks Harga Konsumen (IHK) berdasarkan sektor Bahan Makanan Tahun 2014-2015 digunakan sebagai data pelatihan (training), sedangkan dataset Indeks Harga Konsumen (IHK) berdasarkan sektor Bahan Makanan Tahun 2015-2016 digunakan sebagai data pengujian (testing).

Data yang disajikan adalah data bulan Januari sampai dengan bulan Desember tiap tahunnya.

3.7.1. Arsitektur Jaringan

Pada penelitian ini data yang digunakan sebagai pelatihan adalah dataset tahun 2014 dengan target dataset tahun 2015. Kemudian dataset tahun 2015 yang telah menjadi target tadi, dijadikan menjadi data pelatihan dengan target dataset tahun 2016, dibagi menjadi 12 pola dengan sistem perputaran. Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang nilai antara 0 dan 1.

Contoh arsitektur jaringan yang digunakan dapat dilihat pada Gambar 3.3.

yang terdiri dari tiga lapisan, yaitu : 12 masukan (input), 12 neuron hidden layer dan 1 lapisan keluaran (output).

Gambar 3.3. Arsitektur JST Indeks Harga Konsumen (IHK)

Pola arsitektur jaringan yang digunakan untuk prediksi Indeks Harga Konsumen (IHK) yaitu 12-N-1. Dimana 12 adalah node data input. Sedangkan jumlah hidden node N menggunakan aturan ‘rule of thumb’, serta 1 keluaran.

3.7.2. Proses Normalisasi

Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.

Berdasarkan penjelasan pada Sub Bab 2.3.3 (Hal.7) mengenai fungsi aktivasi, maka Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi sigmoid biner dan fungsi aktivasi sigmoid bipolar.

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0, 1) dan bipolar yang memiliki range (-1,1). Fungsi aktivasi sigmoid biner hampir sama dengan fungsi sigmoid bipolar, karena sering digunakan oleh para peneliti dalam proses prediksi (peramalan), tetapi fungsi sigmoid bipolar hanya cocok digunakan dalam prediksi (peramalan) yang menggunakan data yang tidak fluktuatif (Stabil) dan menggunakan range antara -1 sampai 1. Sedangkan fungsi sigmoid biner kebalikannya.

Karena penelitian menggunakan fungsi aktivasi sigmoid biner maka data yang akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan (3.1).

(3.1) Keterangan :

x’ : Data yang telah ditransformasi x : Data yang akan dinormalisasi a : Data minimum

b : Data maksimum

3.7.3. Pengolahan Data (Normalisasi)

Pengolahan data yang akan dilakukan adalah mengubah data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan yaitu dengan membuat suatu pola arsitektur terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation. Berikut ini akan dijabarkan normalisasi data dalam proses prediksi berdasarkan tabel 3.5. pada pembahasan sebelumnya.

0.8( )

' x a 0.1

x b a

= − +

−

Tabel 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Menggunakan Rotasi Putar

Data Data Input

Target Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Pola 1 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 Pola 2 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 Pola 3 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 Pola 4 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 Pola 5 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 Pola 6 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 Pola 7 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 Pola 8 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 Pola 9 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 Pola 10 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 Pola 11 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 Pola 12 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40

Penjelasan :

- Data Pelatihan Tahun 2014-2015 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target.

- Nilai data pada pola 1 diambil dari IHK sektor bahan makanan tahun 2014. Sedangkan nilai Target diambil dari IHK sektor bahan makanan bulan Januari tahun 2015.

- Nilai data pada pola 2 diambil dari IHK sektor bahan makanan tahun 2014 bulan Februari s/d Desember serta dataset bulan Januari tahun 2015. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2015.

- Nilai data pada pola 3 diambil dari IHK sektor bahan makanan tahun 2014 bulan Maret s/d Desember serta dataset bulan Januari s/d Februari tahun 2015. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2015.

26 - Begitu seterusnya hingga seluruh nilai selesai di putar.

- Nilai maksimum (b) dari dataset adalah 128,40. Sedangkan nilai minimum (a) adalah 113,89.

- Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :

Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Januari 0,228846. Begitu seterusnya untuk semua data, di normalisasi dengan menggunakan fungsi yang sama.

Tabel 3.7. Hasil Normalisasi Data Pelatihan Tahun 2014-2015

Data Input

Target Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Pola 1 0,22846 0,21799 0,30124 0,10000 0,44349 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 Pola 2 0,21799 0,30124 0,10000 0,44349 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 Pola 3 0,30124 0,10000 0,44349 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 Pola 4 0,10000 0,44349 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 Pola 5 0,44349 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 Pola 6 0,42529 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 Pola 7 0,43963 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 Pola 8 0,39387 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 0,66568 Pola 9 0,43577 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 0,66568 0,55651 Pola 10 0,63150 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 0,66568 0,55651 0,59400 Pola 11 0,77705 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 0,66568 0,55651 0,59400 0,64197 Pola 12 0,82667 0,76492 0,41482 0,34700 0,32164 0,55596 0,82502 0,74176 0,66568 0,55651 0,59400 0,64197 0,90000

Penjelasan :

- Nilai dataset pada tabel 3.7. adalah hasil normalisasi berdasarkan pada tabel 3.6. dengan menggunakan fungsi sigmoid biner.

Tabel 3.8. Data Awal Pengujian Tahun 2015-2016 Dengan Menggunakan Rotasi Putar

Data Input

Target Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Pola 13 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 Pola 14 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 Pola 15 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 Pola 16 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 Pola 17 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 Pola 18 127,04 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 Pola 19 125,53 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 Pola 20 124,15 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 Pola 21 122,17 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 Pola 22 122,85 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 138,00 Pola 23 123,72 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 138,00 141,85 Pola 24 128,40 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 138,00 141,85 144,06

Penjelasan :

- Data Pengujian Tahun 2015-2016 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target.

- Nilai data pada pola 13 diambil dari IHK sektor bahan makanan tahun 2015. Sedangkan nilai Target diambil dari IHK sektor bahan makanan bulan Januari tahun 2016.

- Nilai data pada pola 14 diambil dari IHK sektor bahan makanan tahun 2015 bulan Februari s/d Desember serta dataset bulan Januari tahun 2016. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2016.

- Nilai data pada pola 15 diambil dari IHK sektor bahan makanan tahun 2015 bulan Maret s/d Desember serta dataset bulan Januari s/d Februari tahun 2016. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2016.

28 - Begitu seterusnya hingga seluruh nilai selesai di putar.

- Nilai maksimum (b) dari dataset adalah 144,06. Sedangkan nilai minimum (a) adalah 117,91.

- Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :

Maka akan didapatkan hasil Normalisasi pola 13 untuk bulan Januari 0,34597. Begitu seterusnya untuk semua data, di normalisasi dengan menggunakan fungsi yang sama.

Tabel 3.9. Hasil Normalisasi Data Pengujian Tahun 2015-2016

Data Input

Target Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Pola 13 0,34597 0,15170 0,11407 0,10000 0,23002 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 Pola 14 0,15170 0,11407 0,10000 0,23002 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 Pola 15 0,11407 0,10000 0,23002 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 Pola 16 0,10000 0,23002 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 Pola 17 0,23002 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 Pola 18 0,37931 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 Pola 19 0,33312 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 Pola 20 0,29090 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 0,59254 Pola 21 0,23033 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 0,59254 0,64333 Pola 22 0,25113 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 0,59254 0,64333 0,71461 Pola 23 0,27774 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 0,59254 0,64333 0,71461 0,83239 Pola 24 0,42092 0,48975 0,42489 0,49128 0,41786 0,49526 0,52065 0,52799 0,59254 0,64333 0,71461 0,83239 0,90000

Penjelasan :

- Nilai dataset pada tabel 3.9. adalah hasil normalisasi berdasarkan pada tabel 3.8. dengan menggunakan fungsi sigmoid biner.

Langkah 0

Inisialisasi semua bobot dengan bilangan acak kecil.

Table 3.10. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Vji

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 9 Langkah 2

Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8 Fase I: Propagasi Maju

Langkah 3

Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi Langkah 4

Hitung semua keluaran di unit tersembunyi Zj (j = 1, 2, ... , p) :

= -0,2 + (0,2*0,2) + (0,5*-0,4) + 0,4*0,5) + (0,1*0,3) + (0,3*-0,4) + (-0,2*0,2) +

(-0,4*-0,3) + (-0,1*-0,4) + (0,5*0,3) + (0,3*0,1) + (0,6*0,5) + (-0,3*-0,3)

= 0,04

= 0,5 + (0,2*0,3) + (0,5*-0,2) + ... + (-0,3*-0,1)

= 0,74

= -0,4 + (0,2*0,1) + (0,5*0,3) + ... + (-0,3*0,4)

= 0,70

= 0,6 + (0,2*0,5) + (0,5*0,3) + ... + (-0,3*0,2)

= 1,29

= 0,2 + (0,2*0,3) + (0,5*0,4) + ... + (-0,3*0,3)

= 0,20

= 0,5 + (0,2*-0,1) + (0,5*0,6) + ... + (-0,3*0,6)

= 0,47

= -0,4 + (0,2*0,4) + (0,5*0,1) + ... + (-0,3*-0,3)

= -0,53

= -0,1 + (0,2*0,2) + (0,5*-0,2) + ... + (-0,3*-0,1)

= -0,54

= 0,3 + (0,2*0,3) + (0,5*-0,4) + ... + (-0,3*0,5)

= -0,01

= 0,2 + (0,2*0,6) + (0,5*0,5) + ... + (-0,3*-0,2)

= 1,00

= 0,3 + (0,2*-0,3) + (0,5*-0,3) + ... + (-0,3*-0,4)

= 0,49

= -0,3 + (0,2*-0,1) + (0,5*-0,1) + ... + (-0,3*0,6)

= -0,99

Langkah 5

Hitung semua jaringan di unit keluaran (Y_k)

= 0,3 + (0,51*0,5) + (0,68*0,2) + (0,33*0,3) + (0,78*-0,4) + (0,45*-0,1) + (0,62*0,1)

+ (0,37*-0,2) + (0,37*-0,4) + (0,50*0,6) * (0,73*-0,3) + (0,62*0,4) + (0,27*-0,2)

= 0,54

Fase II : Propagasi Mundur Langkah 6

δ_k = (t_k-Y_k) f’’ (Ynet_k) = (t_k-Y_k) Y_k(1-Y_k) = (0-0,54) * 0,54 * (1-0,54) = -0,14

Karena jaringan hanya memiliki sebuah unit keluaran maka δnetj = δ Wij

δ_net1 = δk.W11 = (-0,14) . (-0,01) = 0,0014

δ_net10 = δ_k.W₂₀ = (-0,14) . (-0,02) = 0,0028 δ_net11 = δ_k.W₂₁ = (-0,14) . (-0,02) = 0,0028 δ_net12 = δk.W22 = (-0,14) . (-0,01) = 0,0014 Faktor kesalahan di unit tersembunyi : δj = δnetj f’(Znetj) = δnet Zj (1-Zj)

Tabel 3.12. Suku Perubahan Bobot Ke Unit Tersembunyi Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Z11 Z12

Langkah 8

Hitung semua perubahan bobot. Perubahan bobot unit keluaran : Wkj (baru) = Wkj (lama) + ∆Wkj

Tabel 3.13. Perubahan Bobot Unit Keluaran Y Wkj (lama) Wkj (baru)

Pada langkah ini akan diamati laju pembelajaran terhadap kerja jaringan dengan Parameter tingkat Akurasi, waktu pembelajaran, MSE selama proses pelatihan dan

lamanya waktu iterasi (Epoch). Tujuan utama dari langkah ini adalah untuk memperoleh tingkat akurasi laju pembelajaran yang optimal. Dengan memakai arsitektur jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran terhadap kinerja jaringan. Arsitektur yang digunakan untuk pelatihan sebanyak 5 pola.

Ke 5 pola arsitektur ini menggunakan Learning rate 0,1, target error (goal) 0,01 dan maksimum epoch nya adalah 10000 iterasi serta untuk menghasilkan error paling rendah menggunakan traingd.

Pada arsitektur pelatihan 1 menggunakan layer masukan sebanyak 12 neuron, layer tersembunyi sebanyak 6 neuron dan layer keluaran 1 neuron. Pada pelatihan 1 ini menghasilkan pelatihan dengan epoch sebesar 5308 iterasi, waktu 00.32, MSE 0,009999 dan tingkat akurasi 58%. Pada arsitektur pelatihan 2 menggunakan layer masukan sebanyak 12 neuron, layer tersembunyi sebanyak 15 neuron dan layer keluaran 1 neuron. Pada pelatihan 2 ini menghasilkan pelatihan dengan epoch sebesar 821 iterasi, waktu 00.05, MSE 0,009982 dan tingkat akurasi 67%. Pada arsitektur pelatihan 3 menggunakan layer masukan sebanyak 12 neuron, layer tersembunyi sebanyak 24 neuron dan layer keluaran 1 neuron. Pada pelatihan 3 ini menghasilkan pelatihan dengan epoch sebesar 4999 iterasi, waktu 00.31, MSE 0,009996 dan tingkat

Dalam dokumen ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI TESIS ANJAR WANTO (Halaman 30-88)