4 HASIL DAN PEMBAHASAN
3. Pengembangan Model JST-BP Prediksi dan Deteksi PMSN
Pada dasarnya nilai- nilai dari variabel sistem PMSN yang harus diprediksi oleh model sistem prediksi PMSN adalah terdiri dari dua klasifikasi, yaitu: klasifikasi pertama, adalah model prediksi untuk menghasilkan nilai-nilai prediksi variabel utama PMSN yang
mempengaruhi aspek “Produksi MS”, “Impor MS”, “Konsumsi MS dan “Ekspor MS” seperti dalam Tabel 4.8. Sedangkan klasifikasi kedua, adalah model prediksi untuk menghasilkan nilai- nilai prediksi variabel dari aspek sistem PMSN itu sendiri.
Gambar 4.12 Ilustrasi pengkalisifikasian model prediksi
Gambar 4.12 mengilustrasikan bahwa nilai- nilai prediksi x1m, x1m+1,
x1m+2, x2m, x2m+1, x2m+2, … , xnm, xnm+1, xnm+2dari variabel utama x1, x2, … ,
xn yang mempengaruhi aspek Produksi (y) dihasilkan dari model prediksi klasifikasi pertama dengan basis produksi adalah nilai- nilai historikal
variabel utamanya masing- masing. Sedangkan nilai-nilai prediksi ym, ym+1,
ym+2 dari variabel y yang merupakan aspek produksi dihasilkan dari model
prediksi klasifikasi kedua dengan basis prediksi adalah nilai-nilai prediksi seluruh variabel utama aspek produksi untuk masing- masing tahun prediksi. Adapun model deteksi, merupakan model proses yang memetakan tebaran nilai- nilai hasil prediksi bersama-sama dengan nilai- nilai periode historis dan periode berjalan secara berurutan kedalam suatu kerangka yang kemudian menghasilkan nilai frekuensi dan tren sebagai suatu pola perubahan nilai-nilai dari satu waktu ke waktu berikutnya.
a. Kerangka Umum Pe modelan Prediksi Berbasis JST-BP
Model prediksi, baik klasifikasi pertama maupun kedua, dikembangkan berbasis teknik JST-BP.Model JST-BP ini,merupakan model proses berbasis jaringan multilayer perceptron (MLP) yang memetakan nilai- nilai data variabel input kedalam nilai- nilai data variabel output sistem PMSN periode kedepan melalui bobot peran dan bias serta fungsi aktivasi tertentu. Keunggulan MLP dibandingkan single-layer perceptrons (SLP) terletak pada kemampuannya untuk mengakomodasi permasalahan yang bersifat non- linear (Jones 2008
dalam Kencana 2012). Jenis BP menunjukkan bahwa metode perbaikan bobot-bobot nilai dilakukan secara maju dan kemudian diumpankan kembali ke neuron-neuron pada lapisan dibelakangnya. Melalui metode backpropagation, target output yang diinginkan lebih mendekati ketepatan dalam pengujian karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan (Kusumadewi 2004).
Rancangan umum model JST-BP menyangkut aspek-aspek properti yang dapat mempengaruhi baik dan buruknya model yang dihasilkan, yakni berkaitan dengan penentuan-penentuan: input model, output model, rancangan arsitektur jaringan, algoritma training dan teknik validasi model serta parameter-parameter model seperti jumlah iterasi training, target error, maupun learning rate.
1) Penentuan Input Model
Input model ditentukan berdasarkan hasil operasi model penentuan variabel SPD-Cerdas KPMSN sebagaimana dinyatakan dalam bentuk umum persamaan fungsi matematika (1), (2), (3), dan (4) yang diuraikan sebelumnya. Persamaan fungsi tersebut mengandung variabel- variabel ym dan xmn yang secara keseluruhan sebagaimana terdapat dalam Tabel 4.8
variabel- variabel utama PMSN.
Adapun nilai- nilai data historikal variabel- variabel tersebut memiliki rentang nilai yang berbeda-beda, dan bervariasi dengan tingkat variasi yang sangat tinggi. Misalnya, nilai data produktivitas minyak sawit, memiliki rentang yang kecil, yakni antara 1.777 hingga 3.679 ton/ha/tahun, sedangkan nilai data produksi minyak sawit domestik memiliki rentang nilai yang sangat besar, yakni 167.669 hingga 31.284.306 juta ton. Oleh karena itu perlu dilakukan normalisasi data agar nilai- nilainya berada pada rentang tertentu dengan tidak
menghilangkan arti perbedaan setiap nilai data yang dinormalisasi. Normalisasi terhadap data dilakukan agar jaringan tidak mengalami saturasi dan kegagalan ketika melakukan pembelajaran (Suprayogi, et al, 2005). Adapun metode normalisasi yang digunakan dalam penelitian ini adalah z-score, dimana metode ini dipilih karena proses normalisasinya tidak membutuhkan informasi nilai maksimum dan minimum sebagaimana hasil proses prediksi yang tidak dapat diketahui sebelumnya. Adapun formulasi matematika metode normalisasi data Z-Score adalah sebagai berikut:
dimana:
newData = nilai data hasil penskalaan
Data = nilai data asli
Mean = nilai rerata data asli
stdDeviasi = nilai standar deviasi data asli
Selanjutnya nilai-nilai data hasil normalisasi dikelompokkan ke dalam dua kelompok, yakni kelompok data input (nilai data variabel xmn) dan kelompok data target (nilai data variabel ym) yang siap digunakan sebagai sarana pelatihan, validasi dan testing model.
2) Penentuan Output
Output model merupakan nilai- nilai data target prediksi (ym) sebagai variabel bebas sistem PMSN, yakni: (y1) “volume produksi minyak sawit domestik”, (y2) “volume impor minyak sawit”, (y3) “volume konsumsi minyak sawit domestik”, dan (y4)
“volume ekspor minyak sawit”. Mengingat nilai output hasil
proses model JST-BP masih dalam bentuk skala Z-Score, maka untuk mengetahui nilai yang sesungguhnya harus dilak ukan denormalisasi terlebih dahulu. Denormalisasi ini menggunkan formulasi matematis sebagai berikut:
3) Perancangan Arsitektur BP-JST
Langkah berikutnya adalah merancang model jaringan BP- JST, dimana secara teori model jaringan JST ditentukan oleh tiga hal, yakni pola hubungan antar neuron (arsitektur jaringan), metode penentuan bobot penghubung dan bias, serta penggunaan fungsi aktivasi.
Arsitektur Jaringan
Perancangan arsitektur jaringan berkaitan dengan menentukan jumlah dan struktur neuron serta fungsi aktivasi yang digunakan sedemikian rupa sehingga membentuk lapisan- lapisan jaringan proses yang akan menghasilkan nilai- nilai bobot peran setiap hubungan neuron berikut biasnya. Data input yang diterima neuron menjadi faktor agregasi terhadap bobot dan bias yang sesuai, akan menentukan apakah suatu fungsi transformasi
yang menjadi penghubung neuron tersebut akan diaktifkan atau tidak. Sementara itu, fungsi transformasi yang diaktifkan akan mengubah nilai- nilai inputnya menjadi nilai- nilai outputnya sesuai dengan karakteristik kerja fungsi transformasi yang bersangkutan. Oleh karena itu, rancangan arsitektur ini akan menentukan baik-buruknya suatu model JST yang dihasilkan. Namun demikian jumlah dan susunan neuron-neuron dalam lapisan tidak dapat ditentukan secara pasti melainkan melalui cara coba-coba (trial and error) dan bergantung pada pengalaman perancang dalam mengaplikasikan JST (Mesker dalam Septiani 2003).
Pertimbangan awal menentukan struktur JST-BP secara
trial and error dalam penelitian ini didasarkan pada adanya kebutuhan solusi persoalan prediksi yang melibatkan sejumlah vektor input data yang sering kali menunjukkan fenomena nonlinear, bahwa naiknya nilai suatu variabel, tidak selalu proporsional dengan kenaikan variabel lainnya (Rahmawati 2005). Pendekatan terhadap persoalan ini kurang memadai dengan jenis rancangan single layer perceptron (SLP). Oleh karena itu dipilih pendekatan jenis rancangan multi layer perceptron (MLP). Keunggulan MLP dibandingkan dengan SLP terletak pada kemampuan MLP untuk mengakomodasi permasalahan yang bersifat nonlinear (Jones 2008).
Pada MLP, output yang dihasilkan oleh neuron-neuron pada lapisan depan dilewatkan sebagai masukan pada lapisan berikutnya. Masing- masing neuron penyusun memiliki bobot yang bisa diubah (adjustable) sedemikian hingga kinerja jaringan optimal. Proses penyesuaian bobot dari masing- masing neuron dilakukan selama fase training jaringan. Jumlah bobot yang merepresentasikan kompleksitas hubungan antar neuron dalam MLP berpeluang menghasilkan nilai- nilai bobot dan biasnya yang semakin detil. Sehingga tingkat beban kesalahan yang terdistribusi pada setiap neuron juga akan semakin kecil. Pada penelitian ini Jumlah variasi rancangan struktur jaringan yang disimulasikan antar 61 hingga 81 rancangan dengan percobaan set awal bobot nilai dan bias secara random yang dilakukan sebanyak 24 hingga 34 kali perulangan pada setiap struktur yang sama. Sehingga rancangan umum arsitektur jaringan model JST-BP prediksi dapat dinyatakan sebagai:
Gambar 4.13 menunjukkan bahwa rancangan umum arsitektur model prediksi terdiri dari vektor input (x1 hingga xp), sejumlah q neuron berikut fungsi aktivasinya pada lapisan input (input layer), sejumlah r neuron berikut fungsi aktivasinya pada lapisan tersembunyi pertama (hidden layer-1), sejumlah s
neuron berikut fungsi aktivasinya pada lapisan tersembunyi kedua (hidden layer-2), dan 1 neuron berikut fungsi aktivasinya pada lapisan output (output layer) dengan:
iw : bobot penghubung vektor input dengan neuron- neuron pada layer input
n : nilai data input neuron pada setiap neuron
b : bias pada setiap neuron
a : nilai data output setiap neuron
lw : bobot penghubung neuron antar lapisan
ow: bobot penghubung neuron pada lapisan output Metode Penentuan Bobot Penghubung
Metode penentuan bobot penghubung yang digunakan dalam JST-BP model prediksi adalah metode training terawasi (supervised-training). Pada metode ini, setiap pola yang diberikan ke JST telah diketahui outputnya. Setiap pola input diberikan ke setiap neuron pada lapisan input, yang kemudian akan dirambatkan di sepanjang jaringan syaraf hingga sampai ke neuron pada lapisan output. Lapisan output ini akan membangkitkan pola output yang kemudian dicocokkan dengan pola output targetnya. Perbedaan antara pola output hasil pembelajaran dengan pola output target adalah suatu kesalahan (error), dan diluar tingkat toleransi yang ditentukan, nilai error
ini menjadi dasar untuk melakukan penyesuaian atau pembaharuan nilai- nilai bobot penghubung dan bias pada setiap neuron jaringan. Oleh karena itu proses pembelajaran JST melalui pola input-output yang terawasi dengan target ini menjadi efektif dan lebih efisien.
Penggunaan Fungsi Aktivasi
Fungsi aktivasi yang digunakan JST jenis backpropagation adalah fungsi aktivasi logsig, linear atau identitas atau purelin, dan tansig. Fungsi ini ditempatkan di layer secara berubah-ubah untuk mendapatkan rancangan struktur neuron yang terbaik. Penentuan penggunaan fungsi didasarkan pada kebutuhan model proses yaitu menghasilkan nilai- nilai prediksi yang konsisten. Penentuan Algoritma Training
Menurut Silvia (2007) dan Lisa (2012) proses pelatihan jaringan BP standar seringkali terlalu lambat, dan untuk mempercepatnya dapat digunakan alternatif metode seperti metode penurunan gradien (traingd), metode penurunan gradien dengan penambahan momentum (traingdm), metode penurunan gradien dengan momentum dan learningrate adaptif (traingdx), dan maupun metode levenberg-marquadt (trainlm). Penelitian ini menggunakan metode levenberg-marquadt (trainlm) untuk
mempercepat pelatihan jaringan. Metode ini akan melakukan fungsi pelatihan jaringan melalui pembaharuan bobot dan nilai bias sesuai optimasi Levenberg-Marquadt. Levenberg-Marquadt
merupakan suatu algoritma yang melatih suatu jaringan syaraf 10 sampai 100 kali lebih cepat ketimbang metode penurunan gradien (Silvia 2007 dan Lisa 2012).
Metode Validasi
Proses validasi merupakan salah satu proses krusial pada pemodelan. Penggunaan set data training dan validasi secara silang yang dikenal dengan istilah cross validation (cv) dalam merancang model JST merupakan faktor yang sangat menentukan. Hal ini untuk memastikan bahwa set data pelatihan dan validasi tidak digunakan secara bersama-sama melainkan saling bebas, sehingga dapat mencegah terjadinya over fitting conflict (Arlot & Celisse 2010).
Adapaun teknik validasi yang digunakan dalam penelitian ini adalah teknik validasi K-FoldCross-Validation yang telah digunakan secara luas dalam berbagai aplikasi dan telah menjadi standar aplikasi pemodelan JST Matlab versi 2008. Pada teknik ini, set data dipilah menjadi tiga kelompok, yakni bagian set data belajar, kelompok set data validasi, dan kelompok set data testing dengan persentase proporsi umumnya 60:20:20 atau ditentukan lain. Pengelompokkan data ini secara bergantian hingga dipastikan bahwa setiap set data pernah menjadi kelompok data training, validasi, dan testing dengan tidak secara bersama-sama.
4) Penentuan Parameter-Parameter Model
Parameter-parameter model seperti jumlah iterasi training, target
error, maupun learning rate yang ditentukan sebagai berikut:
Parameter Jumlah Iterasi Proses Training. Proses training jaringan BP dalam menemukan pola data pada target tingkat error tertentu, umumnya memerlukan jumlah iterasi siklus training (epoch) yang mengkonsumsi sumberdaya komputasi begitu besar. Bahkan bisa jadi training tidak dapat berhenti karena terget tingkat error yang ditentukan tidak pernah dapat dicapai. Sehingga untuk menghentikannya perlu ditetapkan jumlah epoch maksimum, sebagai toleransi iterasi yang wajar jika target tingkat error tersebut tidak dapat dicapai. Penentuan maksimum epoch merujuk pada penelitian terdahulu, yang menurut beberapa studi literatur umumnya tidak lebih dari 1000 epoch. Oleh karena itu dalam penelitian ini jumlah maksimum epoch ditentukan sebesar 1000, dengan asumsi jumlah ini cukup memadai bagi proses training model prediksi untuk dapat mengenali pola data yang diberikan sesuai target tingkat error yang ditetapkan.
Penentuan Parameter Target (Goal) Maksimum Error. Besarnya
error yang merupakan perbedaan antara respon model dengan target yang diumpankan, dan akan terus direduksi dalam iterasi siklus training sebagai perbaikan nilai-nilai bobot penghubung dan
biasnya. Jika perbaikan bobot dan bias tidak lagi mengubah nilai
error yang terjadi, maka dikatakan proses training telah mencapai konvergensi error. Pada kenyataannya konvergensi ini tidak mungkin akan dicapai melainkan hanya pendekatan yang mengabaikan tingkat ketelitian sebagai batas yang dapat dianggap memadai. Oleh karena itu target maksimum error harus ditetapkan untuk mencegah iterasi training yang tidak berhenti akibat konvergensi error tidak dapat dicapai. Adapun target maksimum
error yang ditetapkan dalam penelitian ini adalah 1e-10. Dihadapkan pada persoalan prediksi volume pasokan minyak sawit nasional, maka besarnya target maksimum error tersebut dianggap sangat teliti.
Parameter Kinerja Model. Besarnya nilai Error yang dihasilkan oleh operasi model, mencerminkan tingkat akurasi model yang dihasilkan. Oleh karena itu parameter fungsi kinerja berbasis error,
selalu digunakan untuk menentukan tingkat validaitas model. Penelitian ini menggunakan parameter fungsi kinerja rata-rata kuadrat error atau mean-squared-error (MSE). Nilai MSE yang dihasilkan oleh fungsi kinerja ini akan mencerminkan akumulasi tingkat dan frekuensi kesalahan jaringan selama proses operasi model. Fungsi ini diformulasikan secara matematis sebagai:
dengan
q : jumlah set data pelatihan e : nilai kesalahan (error)
Semakin kecil nilai parameter MSE menunjukkan bahwa model akan semakin baik atau semakin tinggi validitasnya (Demuth and Beale 2002).
Penentuan Parameter Nilai Learning Rate. Learning rate
merupakan parameter yang mengendalikan perubahan nilai bobot dan bias selama siklus training. Semakin besar nilai learning rate
akan berimplikasi pada semakin besarnya langkah training. Jika learning rate diset terlalu besar maka algoritma akan menjadi tidak stabil dan sebaliknya jika learning rate diset terlalu kecil maka algoritma akan sangat lama untuk mencapai error konvergen (Silvia 2007). Nilai learning rate yang dicobakan dalam penelitian ini adalah 1 x 10-2.
Penggunaan Parameter Korelasi. Parameter korelasi digunakan untuk mengetahui tingkat hubungan antara target dengan output yang dihasilkan dari simulasi model, baik dalam proses training, validasi, testing, maupun secara keseluruhan. Adapun teknik korelasi yang digunakan adalah jenis pearson dengan penentuan tingkat klasifikasi didasarkan pada nilai koefisien (r) yang diperoleh mengacu pada pengkalisifikasi menurut Sarwono (2006).
Dengan demikian secara ringkas, nilai- nilai parameter yang digunakan dalam pemodelan prediksi berbasis JST-BP adalah sebagai berikut:
Goal : 1e-10
learning rate : 0.01 maxepoch : 1000
fungsi aktivasi : logsig, purelin, tansig
algoritma : levenberg- marqurdt performance : MSE
data division : random
Korelasi : koefisien korelasi (r)
b. Perancangan Model Prediksi Klasifikasi Pertama
Perancangan model prediksi klasifikasi pertama mencakup 2 hal, pertama menentukan struktur data yang akan digunakan sebagai data input dan data target maupun data yang akan digunakan dalam proses training, validasi, dan testing, dan kedua, perancangan jaringan struktur neuron. Perancangan jaringan struktur neuron pada klasifikasi pertama secara konseptual sama dengan perancangan jaringan struktur neuron pada klasifikasi kedua, hanya yang membedakan penentuan random jumlah dan struktur neuron. Sedangkan menyangkut penentuan struktur data, dalam perancangan model klasifikasi pertama berbeda dengan perancangan model klasifikasi kedua. Pad a klasifikasi pertama, penentuan struktur data didasarkan pada keberadaan data runtun waktu dari sebuah variabel yang berurutan menurut tahun historikalnya. Misalnya data tahun ke-1, ke-2, dan ke-3 menjadi data input untuk menentukan data target yang merupakan urutan data tahun ke-4, dan seterusnya. Sedangkan pada klasifikasi kedua, penentuan struktur data berdasarkan hubungan korelasi variabel, yang berarti data inputnya adalah data pada tahun yang sama dari sejumlah variabel.
Struktur data pada perancangan model untuk klasifikasi pertama, untuk sejumlah data (n) yang merupakan data runtun waktu tahunan dari sebuah variabel x ditentukan sebagai data input, data target, data training, dan data validasi, serta data testing, dengan ilistrasi sebagai berikut:
Tahun ke Nilai data Data input Data target
1 D1 D1 D2 D3 D4 2 D2 D2 D3 D4 D5 3 D3 D3 D4 D5 D6 60% utk training 4 D4 D4 D5 D6 D7 5 D5 D5 D6 D7 D8 20% validasi 6 D6 D6 D7 D8 D9 7 D7 D7 D8 D9 ... 20% testing 8 D8 D8 D9 ... Dn-3 9 D9 D9 ... Dn-3 Dn-2 ... D ... Dn-3 Dn-2 Dn-1 20% untuk testing n-3 Dn-3 Dn-3 Dn-2 Dn-1 Dn n-2 n-1 n Dn-2 Dn-1 Dn Catatan:
semua data digunakan untuk training, validasi, dan testing, dengan secara bergantian
Ditrans formasi
Sedangkan untuk perancangan struktur neuron secara random pada model- model prediksi klasifikasi pertama adalah sebagai berukut: Aspek “ProduksiMS” (y1)
Model untuk memprediksi nilai-nilai variabel dominan aspek
“Produksi MSN” mencakup 4 model prediksi, yaitu model prediksi variabel dominan “luas lahan sawit nasional” (x11), “harga minyak sawit domestik” (x12), “volume konsumsi minyak sawit domestik (x13), “harga BBM
domestik” (x14), “harga minyak sawit dunia (x15), “produktivitas minyak sawit nasional rata-rata (x16).
a. Model prediksi variabel “luas lahan sawit nasional” (x11).
Percobaan secara random terhadap 10 variasi rancangan struktur neuron yang diulang sebanyak 46 kali pada varibel “luas lahan sawit
nasional” menghasilkan statistik rancangan struktur neuron terbaik untuk setiap set percobaan seperti dalam Tabel 4.10. Penentuan rancangan struktur neuron terbaik tersebut didasarkan pada perolehan nilai parameter kinerja MSE terkecil selama proses training, validasi dan testing. Adapun data yang digunakan dalam proses training, validasi, dan testing sebagai
input dan target adalah data runtun waktu variabel “luas lahan sawit
nasional” selama periode 1967 hingga 2015 (berjumlah 49 item). Dari
jumlah 49 item data tersebut, secara berurutan dibentuk kedalam baris dan kolom sebagai matrik [46 4]. Kemudian matrik tersebut dibagi dua menurut urutan kolom menjadi [46 3] sebagai data input dan [46 1] sebagai data targetnya. Sedangkan untuk proses training, validasi, dan testing, dari matrik [46 4] dibagi menjadi 3 menurut urutan baris secara bergantian dengan proporsi 60% [29 4] untuk data training, 20% [10 4] untuk data validasi, dan 20% [10 4] untuk data testing model.
Tabel 4.10 Statistik hasil percobaan rancangan model prediksi (x11)
No Percoba an ke
Neuron MSE Terbaik Epo
ch R
Struktur Jml All Val Test Train All
1. 26 [3:1] 4 3.001e-3 7.568e-4 0.0044 0.0033 6 0.9985 2. 7 [5:1] 6 2.978e-3 1.985e-4 0.0030 0.0040 4 0.9985 3. 33 [10:1] 11 3.036e-3 7.212e-4 0.0093 0.0017 4 0.9985 4. 23 [3:3:1] 7 3.022e-3 1.071e-3 0.0034 0.0032 7 0.9985 5. 3 [3:6:1] 10 2.997e-3 2.679e-48.08e-4 0.0047 4 0.9985 6. 3 [10:8:1] 19 2.987e-3 2.276e-3 0.0024 0.0035 4 0.9985 7. 7 [3:3:3:1] 10 3.038e-3 2.158e-33.48e-4 0.0037 3 0.9985 8. 28 [5:3:5:1] 14 3.016e-3 8.557e-43.27e-3 0.0032 2 0.9985 9. 44 [10:14:10:1] 35 3.006e-3 7.211e-4 0.0054 0.0025 2 0.9985 10. 28 [14:10:14:1] 26 2.997e-3 9.93e-5 0.0024 0.0042 4 0.9985
Tabel 4.10 menunjukkan bahwa, pada percobaan ke-7 struktur rancangan [input(3):5:1:(1)output] yang berarti mengandung 3 set elemen data input, 6 neuron (5 neuron pada layer input dan 1 neuron pada layer output) dan 1 data output, merupakan rancangan model dengan kinerja terbaik sebagai model prediksi JST-BP variabel “luas lahan sawit nasional”. Hal ini diperlihatkan oleh nilai MSE All terkecil (2.978x10-3) yang dihasilkan pada epoch ke-4. Tingkat kesalahan validasi rata-rata sebesar 1.985x10-4, menghasilkan nilai- nilai output simulasi model dengan tingkat hubungan sangat kuat sebesar 0.9985 terhadap nilai-nilai targetnya
(Sarwono 2006). Berdasarkan simulasi model menggunakan data input tiga tahun terakhir yaitu: Datan=[thnke-n-2, thnke-n-1, thnke-n], dan persamaan
simulasi: Prediksin+1= sim(net, Datan) dihasilkan nilai-nilai variabel “harga
minyak sawit domestik” periode prediksi 2016-2018 seperti dalam Tabel 4.11.
Tabel 4.11 Hasil simulasi model prediksi (x11)
Tahun
2013 2014 2015 2016 2017 2018
10.465.020 10.754.801 11.300.370 11.239.000
10.754.801 11.300.370 11.239.000 11.197.000
11.300.370 11.239.000 11.197.000 11.173.000 b. Model prediksi variabel “harga minyak sawit domestik” (x12).
Percobaan secara random terhadap 10 variasi rancangan struktur
neuron yang diulang sebanyak 33 kali pada varibel “harga minyak sawit domestik”, menghasilkan statistik rancangan struktur neuron terbaik untuk
setiap set percobaan seperti dalam Tabel 4.12. Penentuan rancangan struktur neuron terbaik tersebut didasarkan pada perolehan nilai parameter kinerja MSE terkecil selama proses training, validasi dan testing. Adapun data yang digunakan dalam proses training, validasi, dan testing sebagai input dan target adalah data runtun waktu variabel “harga minyak sawit
domestik” selama periode 1980 hingga 2015 (berjumlah 36 item). Dari
jumlah 36 item data tersebut, secara berurutan dibentuk kedalam baris dan kolom sebagai matrik [33 4]. Dari matrik tersebut dibagi dua menurut urutan kolom menjadi [33 3] sebagai data input dan [33 1] sebagai data targetnya. Sedangkan untuk proses training, validasi, dan testing, dari matrik [33 4] dibagi menjadi 3 menurut urutan baris secara bergantian dengan proporsi 60% [20 4] untuk data training, 20% [8 4] untuk data validasi, dan 20% [8 4] untuk data testing model..
Tabel 4.12 Statistik hasil percobaan rancangan model prediksi (x12)
NoPercoba an ke
Neuron MSE Terbaik
Epoch R
Struktur Jml All Val Test Train All
1. 7 [3:1] 4 0.1230 0.1614 0.0115 0.1498 5 0.9346 2. 25 [5:1] 6 0.1273 0.0354 0.0557 0.1876 2 0.9334 3. 5 [10:1] 11 0.1262 0.0616 0.0941 0.1619 2 0.9331 4. 28 [3:3:1] 7 0.1247 0.0086 0.1061 0.1743 3 0.9339 5. 29 [3:6:1] 10 0.1231 0.0899 0.0302 0.1696 2 0.9346 6. 6 [10:8:1] 19 0.1251 0.0819 0.0462 0.1700 2 0.9338 7. 3 [3:3:3:1] 10 0.1242 0.0959 0.0118 0.1760 2 0.9340 8. 33 [5:3:5:1] 14 0.1235 0.0679 0.0300 0.1784 3 0.9344 9. 24 [10:14:10:1] 35 0.1242 0.0902 0.0110 0.1785 4 0.9342 10. 22 [14:10:14:1] 26 0.1234 0.0041 0.0976 0.1769 21 0.9344
Tabel 4.12 menunjukkan bahwa, pada percobaan ke-7 struktur rancangan [input(3):3:1:(1)output] yang berarti mengandung 3 set elemen data input, 4 neuron (3 neuron pada layer input dan 1 neuron pada layer output) dan 1 data output, merupakan rancangan model dengan kinerja terbaik sebagai model prediksi JST-BP variabel “harga minyak sawit
domestik”. Hal ini ditunjukkan nilai MSE All terkecil (0.1230) yang dicapai pada epoch ke-5. Model dengan tingkat kesalahan validasi rata-rata sebesar 0.1614, menghasilkan nilai- nilai output simulasi model dengan tingkat
hubungan sangat kuat sebesar 0.9346 terhadap nilai-nilai targetnya (Sarwono 2006). Berdasarkan simulasi model menggunakan data input tiga tahun terakhir, Datan=[thnke-n-2, thnke-n-1, thnke-n], dan persamaan simulasi
Prediksin+1= sim(net, Datan) dihasilkan nilai-nilai variabel “harga minyak
sawit domestik” periode prediksi 2016-2018 seperti dalam Tabel 4.13. Tabel 4.13 Hasil simulasi model prediksi (x12)
Tahun
2013 2014 2015 2016 2017 2018
12.534 10.083 8.380 9.202
10.083 8.380 9.202 8.622
8.380 9.202 8.622 8.552
c. Model prediksi variabel “volume konsumsi MS domestik” (x13). Percobaan secara random terhadap 10 variasi rancangan struktur
neuron yang diulang sebanyak 33 kali pada varibel “volume konsumsi MS domestik”, menghasilkan statistik rancangan struktur neuron terbaik untuk
setiap set percobaan seperti dalam Tabel 4.14. Penentuan rancangan struktur neuron terbaik tersebut didasarkan pada perolehan nilai parameter kinerja MSE terkecil selama proses training, validasi dan testing. Adapun data yang digunakan dalam proses training, validasi, dan testing sebagai input dan target adalah data runtun waktu variabel “volume konsumsi MS
domestik” selama periode 1980 hingga 2015 (berjumlah 36 item). Dari
jumlah 36 item data tersebut, secara berurutan dibentuk kedalam baris dan kolom sebagai matrik [33 4]. Dari matrik tersebut dibagi dua menurut urutan kolom menjadi [33 3] sebagai data input dan [33 1] sebagai data targetnya. Sedangkan untuk proses training, validasi, dan testing, dari matrik [33 4] dibagi menjadi 3 menurut urutan baris secara bergantian dengan proporsi 60% [20 4] untuk data training, 20% [8 4] untuk data validasi, dan 20% [8 4] untuk data testing model.
Tabel 4.14 Statistik hasil percobaan rancangan model prediksi (x13)
No Percoba an ke