BARU ACTK
4 MODEL PREDIKSI TINGKAT SUKSES KONSEP PRODUK BARU DENGAN JARINGAN SYARAF TIRUAN
Pendahuluan
Alternatif yang dapat dilakukan untuk menyeleksi konsep produk baru adalah dengan memprediksi tingkat sukses produk. Jaringan syaraf tiruan merupakan salah satu metode yang selama ini banyak digunakan sebagai model prediksi (Thieme et al. 2000). Jaringan syaraf tiruan adalah paradigma
pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi pada otak manusia. Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsis. Jaringan syaraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari (Shanthi et al. 2009; Chowdhury et al. 2011).
Ketika sebuah Jaringan Syaraf digunakan, input dari nilai suatu variabel ditempatkan dalam suatu input unit dan kemudian unit lapisan tersembunyi dan lapisan output menjalankannya. Setiap lapisan tersebut menghitung nilai aktivasi dengan mengambil jumlah bobot output dari setiap unit dari lapisan sebelumnya dan kemudian dikurangi dengan nilai ambang. Nilai aktifasi kemudian melalui fungsi aktifasi untuk menghasilakan output dari sel syaraf. Ketika semua unit pada Jaringan Syaraf telah dijalankan maka aksi dari lapisan output merupakan output dari seluruh jaringan syaraf sehingga mampu menggambarkan setiap situasi melalui hubungan antara variabel predictor (independents, inputs) dan variabel predicted (dependents, outputs) (Zupan 1994).
Pada beberapa penelitian penggunaan JST untuk prediksi menunjukkan hasil yang akurat (Thieme et al. 2000; Gan et al. 2005), robust (Mcnelis 2005),
dan efektif (Guido et al. 2011). Prediksi menggunakan JST telah banyak
dilakukan pada beberapa bidang kajian, diantaranya pendidikan (Oladokun et al.
2008), kesehatan dan obat-obatan (Shanthi et al. 2009; Chowdhury et al. 2011),
ekonomi (Odom dan Sharda 1990; Sutikno et al. 2007; Paliwal dan Kumar 2009;
Pakaja et al. 2012; Solechan dan Shinta 2012), teknik (Valença dan Peres 2001;
Lekkas et al. 2004; Devi et al. 2012), dan lain-lain.
Prediksi untuk kesuksesan produk baru dengan JST telah dilakukan oleh Thieme et al. (2000) untuk produk baru elektronik dan Widodo et al. (2011)
khusus untuk produk telepon genggam pada berbagai segmen pasar. Hasilnya menunjukkan bahwa JST dapat digunakan untuk memprediksi kesuksesan dari produk baru yang akan dikembangkan dengan tingkat akurasi yang tinggi.
Prediksi yang tepat mampu memberikan masukan suatu konsep produk baru layak untuk diteruskan ke tahap berikutnya atau tidak (Ho dan Chen 2007). Masukan yang tepat akan sangat membantu perusahaan dalam menurunkan resiko kegagalan suatu produk baru di pasaran, sehingga secara umum dapat mengefisienkan biaya, khususnya untuk kegiatan pengembangan produk baru (Thieme et al. 2000; Widodo et al. 2011).
Metode
Tahapan dalam merancang model prediksi dengan JST mengacu pada Thieme et al. (2000) sebagai berikut:
a) Penyusunan kuesioner berdasarkan variabel masukan dan keluaran
Variabel masukan pada penelitian ini adalah determinan kesuksesan produk dan yang merupakan variabel keluaran adalah kriteria sukses produk baru agroindustri. Setiap variabel diberi skala pengukuran sebagai bahan penilaian kuesioner (Tabel 8, 11, 12, dan Lampiran 2). Penyebaran kuesioner dilakukan pada bulan Mei sampai dengan November 2012 dan ditujukan kepada manajer perusahaan agroindustri (produk pangan, pertanian, kosmetik, dan obat-obatan) yang berada di Bogor, Jakarta, dan Purwokerto). Dari tahap ini dihasilkan 54 set data produk untuk pelatihan dan pengujian (Lampiran 5).
b) Preprocessing data
Tahap ini untuk mendapatkan distribusi data yang baik yaitu dengan pembangkitan data secara acak menggunakan data yang sudah ada (bootstrap).
c) Pelatihan dan pengujian
Proses pelatihan dilakukan secara terpisah untuk setiap target (kriteria sukses). Setelah didapatkan distribusi data yang baik dengan bootstrap, data
kemudian dibagi untuk keperluan pelatihan dan pengujian berdasarkan
metode leave one out. Proses pelatihan dan pengujian dilakukan dengan cara
memasukkan data pola yang terdiri dari variabel hasil pengembangan sebagai variabel masukan dan kriteria sukses sebagai variabel keluaran. Pemodelan JST ini menggunakan perangkat lunak Matlab student version 7.1.1.0. Pada MATLAB (Demuth dan Beale 2000), sebelum dilakukan pelatihan ada beberapa parameter yang harus diset yaitu :
1) Maksimum epoch
Maksimum epoch adalah jumlah epoch maksimum yang dilakukan
selama proses pelatihan. Iterasi akan dihentikan apabila nilai epoch
melebihi maksimum epoch.
Instruksi : net.trainParam.epochs = 1000 2) Learning rate
Learning rate adalah laju pembelajaran.
Instruksi : net.trainParam.lr = 0.01 3) Faktor laju momentum
Instruksi : net.trainParam.mc = 0.9 d) Pencarian arsitektur terbaik
1) Penentuan jumlah neuron
Pada penelitian ini digunakan hanya satu lapisan masukan, satu lapisan tersembunyi, dan satu lapisan keluaran. Untuk menentukan arsitektur jaringan ini dicoba dengan jaringan yang kecil terlebih dahulu secara
trial dan error (Aldin et al. 2012) dengan 10, 20, 26, dan 30 neuron
pada lapisan tersembunyi.
2) Penentuan fungsi aktivasi dan metode pembelajaran
Pelatihan dilakukan dengan menggunakan kombinasi fungsi aktivasi pada lapisan masukan (tansig, logsig, dan purelin), lapisan keluaran
36
(tansig, logsig, dan purelin) dan metode pembelajaran (traindx, traingda, traincga, traincgp, traincgf, traindm, dan trainlm). Pemilihan fungsi aktivasi disesuaikan dengan nilai input dan output jaringan. Nilai dari
input dan output pada fungsi aktivasi tansig dapat dilihat pada Gambar
9, logsig pada Gambar 10, dan purelin pada Gambar 11.
Sumber: Demuth dan Beale (2000) Gambar 9 Fungsi aktivasi tansig
Sumber: Demuth dan Beale (2000) Gambar 10 Fungsi aktivasi logsig
Sumber: Demuth dan Beale (2000) Gambar 11 Fungsi aktivasi purelin
Tahapan proses rancang bangun model prediksi dengan JST selengkapnya dapat dilihat pada Gambar 12.
Penyusunan Kuesioner berdasarkan determinan dan kriteria sukses
Data pola dari industri sejenis
Pre processing data
Mulai
Penyebaran kuesioner ke industri terpilih
Penetapan parameter training (MSE,
epoch, goal, learning rate)
Pencarian arsitektur terbaik dari 252 kombinasi (fungsi aktivasi dan
metode pembelajaran)
Sesuai
Tidak
Selesai
Pembagian data dengan metode LOO Penggunaan data kuesioner untuk
training dan testing
Arsitektur terbaik
Model Prediksi Tingkat sukses Produk Baru Hasil Prediksi Profit, Penjualan, PP Dalam Negeri, PP Luar negeri
ya
38
Hasil dan Pembahasan
Sebuah jaringan syaraf terdiri neuron-neuron yang membentuk sebuah jaringan. Setiap neuron menerima input, mengolahnya, dan mengirimkan output. Input tersebut dapat berupa data input mentah atau output pengolahan. Input ini berhubungan dengan atribut tunggal, dalam penelitian ini yaitu: cara mendapatkan bahan baku, pemenuhan kebutuhan bahan baku dalam 1 tahun terakhir, jumlah bahan baku yang terserap oleh industri lain, harga bahan baku dibanding harga jual produk, fluktuasi harga bahan baku, sarana dan prasarana jalan dari sumber bahan baku ke pabrik, sarana angkutan/transportasi dari sumber bahan baku ke pabrik, kekhasan produk dibanding produk kompetitor, keunggulan produk dibanding produk kompetitor, keamanan produk dibanding produk kompetitor, tren permintaan produk dalam 3 tahun terakhir, jumlah industri sejenis di tingkat nasional, jumlah industri sejenis di tingkat internasional.
Keluaran penelitian ini yaitu tingkat sukses produk yang berupa profit, penjualan, pangsa pasar dalam dan luar negeri yang dinyatakan dengan angka 0, 10, 20, 30, 40, 50, 60, 70, 80, 90, 100. Nilai 0 menyatakan produk gagal sedangkan nilai 100 menyatakan tingkat kesuksesan yang paling memuaskan (Song et al. 1997). Masing-masing penilaian kriteria sukses untuk keluaran
dikelompokkan dalam 11 kategori dengan pengkodean seperti pada Tabel 15. Tabel 15 Pengkodean nilai keluaran
Nilai Pengkodean 0 : 1 0 0 0 0 0 0 0 0 0 0 10 : 0 1 0 0 0 0 0 0 0 0 0 20 : 0 0 1 0 0 0 0 0 0 0 0 30 : 0 0 0 1 0 0 0 0 0 0 0 40 : 0 0 0 0 1 0 0 0 0 0 0 50 : 0 0 0 0 0 1 0 0 0 0 0 60 : 0 0 0 0 0 0 1 0 0 0 0 70 : 0 0 0 0 0 0 0 1 0 0 0 80 : 0 0 0 0 0 0 0 0 1 0 0 90 : 0 0 0 0 0 0 0 0 0 1 0 100 : 0 0 0 0 0 0 0 0 0 0 1 Arsitektur Terbaik
Pertimbangan yang penting dalam pemodelan JST adalah penggunaan algoritma pelatihan yang tepat. Pemodelan JST pada penelitian ini menggunakan algoritma backpropagation dengan pelatihan yang diawasi. Pelatihan yang
diawasi menggunakan sekelompok input dengan output terkait yang telah
diketahui. Sekelompok input dan output tersebut didapatkan dari data pola produk
yang ada. Semua data yang terkumpul sebagai bahan pelatihan dan pengujian berasal dari jumlah 54 data pola produk agroindustri yang terdiri dari 4 variabel keluaran/target (tingkat sukses) dan 13 variabel masukan (Lampiran 6). Setiap target dibuat dalam 11 kelas (multi input multi output).
Jumlah kelas pada data pola menunjukkan terdapat imbalance class pada
kelas (Tabel 16). Beberapa data mendominasi pada kelas tertentu, sementara di kelas lainnya jumlahnya lebih sedikit bahkan ada yang jumlahnya nol. Tahap selanjutnya untuk mendapatkan distribusi data yang baik (jumlah data merata pada setiap kelas) maka dilakukan bootstrap (pembangkitan data dengan cara
pengacakan dengan data yang sudah ada) untuk masing-masing target keluaran (profit, penjualan, pangsa pasar dalam negeri dan pangsa pasar luar negeri). Pembangkitan data ini dilakukan sampai diperoleh jumlah data yang sesuai dengan jumlah data pada kelas terbanyak seperti yang tercantum pada Tabel 16.
Bootstrap untuk mendapatkan jumlah data yang berimbang ini penting untuk
memperoleh tingkat akurasi yang tinggi pada saat pelatihan dan pengujian (Barandela et al. 2003). Jumlah data untuk masing-masing target keluaran
sebelum dan sesudah bootstrap dapat dilihat pada Tabel 16 dan 17.
Tabel 16 Jumlah data sebelum bootstrap
No Target Tingkat sukses Jumlah
0 10 20 30 40 50 60 70 80 90 100
1 Profit 0 0 0 1 4 11 17 8 9 4 0 54
2 Penjualan 0 0 0 2 8 8 23 6 6 0 0 54 3 PP. DN 0 2 3 10 1 21 12 2 3 0 0 54
4 PP. LN 5 0 22 0 8 3 10 3 3 0 0 54
Tabel 17 Jumlah data setelah bootstrap
No Target Tingkat sukses Jumlah
0 10 20 30 40 50 60 70 80 90 100
1 Profit 0 0 0 17 17 17 17 17 17 17 0 119
2 Penjualan 0 0 0 23 23 23 23 23 23 0 0 138
3 PP. DN 0 21 21 21 21 21 21 21 21 0 0 168
4 PP. LN 22 0 22 0 22 22 22 22 22 0 0 154
Setelah tercapai jumlah data kelas (tingkat sukses) sama dengan jumlah data pada kelas terbanyak, dilakukan pelatihan (untuk pengenalan pola output
yang sesuai) dan pengujian. Prosedur pelatihan adalah dengan memberikan pada neuron-neuron tersebut rangkaian 119 pola input untuk profit, 138 untuk penjualan, 168 untuk pangsa pasar dalam negeri dan 154 untuk pangsa pasar luar negeri. Proses pelatihan adalah perbaikan bobot-bobot sampai konvergen terhadap sekumpulan nilai yang seragam atau dengan kata lain neuron mampu
mengklasifikasi masing-masing output dengan benar.
Penghentian proses pelatihan dilakukan dengan menggunakan 2 macam
40
dan Stabuzyté 2012) dan Mean Square Error (MSE) (Guido et al. 2011). Pada
penelitian ini pelatihan dihentikan setelah dilakukan sebanyak 1000 kali. MSE (goal) yang ditetapkan pada penelitian ini adalah 10-4. Ini berarti proses pelatihan
akan terus dilakukan sampai error menjadi lebih kecil dari batas toleransi sebesar
10-4.
Jaringan syaraf tiruan mengharuskan pembagian data untuk kepentingan pelatihan dan pengujian (validasi). Pada penelitian ini digunakan metode leave one out cross validation. Pada setiap 1 kombinasi perlakukan (misal fungsi
aktivasi lapisan masukan tansig, fungsi aktivasi lapisan keluaran logsig, dan metode pembelajaran trainlm) dilakukan sebanyak N kali percobaan. N merupakan jumlah seluruh data pada suatu target setelah bootstrap. Percobaan
dilakukan dengan cara menggunakan N-1 data untuk pelatihan dan sisanya (1 data) digunakan untuk pengujian. Misalnya untuk target profit setelah bootstrap
jumlah data menjadi 119 maka diambil data sebanyak 118 untuk pelatihan dan 1 data untuk pengujian. Ilustrasi metode leave one out dapat dilihat pada Gambar
13. Data untuk pelatihan
Data untuk uji
Jumlah total sampel Sumber: Fausset (1994)
Gambar 13 Ilustrasi metode leave one out
Penentuan banyaknya neuron tersembunyi merupakan hal yang sangat penting pada pemodelan JST. Penggunaan neuron yang sangat sedikit akan membuat jaringan kekurangan sumber daya pada saat memecahkan masalah. Penggunaan neuron terlalu banyak akan membuat waktu pelatihan menjadi sangat lama (Demuth dan Beale 2000). Jumlah neuron pada lapisan masukan yang digunakan pada pemodelan ini mengacu pada jumlah variabel masukan dalam hal ini variabel yang mempengaruhi kesuksesan produk yaitu 13 neuron (Siang 2009). Pada penelitian ini digunakan jaringan lapis banyak dengan 1 lapisan masukan, satu lapisan tersembunyi (hidden layer) dan satu lapisan keluaran. Jaringan
berlapis banyak dapat memecahkan masalah yang lebih kompleks daripada jaringan berlapis tunggal, namun pelatihannya akan lebih sulit (Fausset 1994).
Model terbaik pada penelitian ini dibentuk dari kombinasi perlakuan dengan hasil pelatihan MSE (Mean Square Error) terkecil, R terbesar, dan akurasi
tertinggi (Lekkas et al. 2004). Percobaan penggunaan jumlah neuron dilakukan
besar yaitu dari 10, 20, 26, hingga 30. Hasil percobaan menunjukkan bahwa jumlah neuron 26 pada lapisan tersembunyi dan goal 0,0001 menghasilkan nilai akurasi tertinggi (Tabel 18). Oleh karena itu, jumlah neuron 13 pada lapisan masukan, 26 neuron pada lapisan tersembunyi, dan 11 neuron pada lapisan keluaran (Lampiran 6) dengan goal 0,0001 selanjutnya ditetapkan arsitektur yang digunakan untuk semua pelatihan pada masing-masing target.
Tabel 18 Hasil pelatihan menggunakan beberapa variasi jumlah neuron pada lapisan tersembunyi
Jumlah neuron Goal MSE Epoch R pelatihan Akurasi (%)
10 1E-04 3,40E-05 28 0,9998 95,24 10 1E-07 9,80E-08 163 1,0000 96,43 20 1E-04 3,57E-07 13 1,0000 96,43 20 1E-07 7,64E-10 16 1,0000 95,83 26 1E-04 4,03E-07 11 1,0000 97,02 26 1E-07 4,87E-13 13 1,0000 96,43 30 1E-04 8,82E-08 11 1,0000 94,64 30 1E-07 7,81E-14 10 1,0000 94.05
Dari Tabel 18 terlihat bahwa nilai MSE yang diperoleh sudah melampaui
error yang diijinkan yaitu sebesar 10-4. Nilai MSE yang kecil menunjukkan bahwa
jaringan telah dapat mengenali pola yang diberikan selama pelatihan serta telah mampu untuk memberikan respon yang benar terhadap pola masukan yang serupa
(tetapi tidak sama) dengan pola yang dipakai selama pelatihan (Pratama 1999; Suteja 2007; Devi et al. 2012).
Pada penelitian ini, dicobakan 3 jenis fungsi aktivasi lapisan masukan yaitu tansig, logsig, dan purelin, begitu pula fungsi aktivasi lapisan keluaran dicobakan 3 jenis yaitu tansig, logsig, dan purelin. Sementara itu untuk metode pembelajaran dicobakan 7 jenis yaitu: traindx, traingda, traincga, traincgp, traincgf, traindm, dan trainlm. Jadi terdapat 3 x 3 x 7 atau 63 kombinasi yang dicoba untuk 1 target. Terdapat sebanyak 63 x 4 atau 252 kombinasi yang dicoba sampai diperoleh arsitektur terbaik. Dari 63 kombinasi, 5 kombinasi hasil pelatihan untuk target profit dengan nilai MSE terkecil ditampilkan pada Tabel 19.
Tabel 19 menunjukkan hasil pelatihan menghasilkan MSE terkecil sebesar 2,00E-08, nilai R pengujian= 1, dan epoch sebesar 9 dengan akurasi 91,60%.
Nilai-nilai ini diperoleh dari kombinasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm. Epoch bernilai kecil akan mempercepat
proses pengolahan data ketika model digunakan untuk prediksi data yang benar- benar baru (Zupan 1994).
Tabel 20 menunjukkan model prediksi penjualan yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran tansig, metode pembelajaran trainlm dengan MSE terkecil 0,0017, nilai R pelatihan = 0.9896, epoch sebesar 50, dan akurasi 86,34%.
42
Tabel 19 Lima kombinasi terbaik hasil pelatihan untuk target profit
Fungsi Aktivasi Metode
L1 L2 Pembelajaran MSE Epoch R pelatihan Akurasi (%)
Tansig Purelin Trainlm 2,00E-08 9 1,0000 91,60 Logsig Purelin Trainlm 4,89E-08 11 1,0000 88,24 Tansig Logsig Traincgp 0,00077 412 0,9953 70,59 Logsig Logsig Traincgb 8,61E-05 447 0,9995 66,39 Tansig Logsig Traincgb 6,91E-05 461 0,9996 78,99 Tabel 20 Lima kombinasi terbaik hasil pelatihan untuk target penjualan
Fungsi Aktivasi Metode
MSE Epoch R pelatihan Akurasi (%)
L1 L2 Pembelajaran
Tansig Tansig Trainlm 0,0017 50 0,9896 86,34 Tansig Purelin Trainlm 0,0017 11 0,9896 84,47 Logsig Tansig Trainlm 0,0017 67 0,9896 66,46 Tansig Logsig Traincgf 0,0023 1000 0,9862 62,12 Logsig Logsig Traincgp 0,0017 930 0,9896 57,76 Tabel 21 Lima kombinasi terbaik hasil pelatihan untuk target pangsa pasar dalam
negeri
Fungsi Aktivasi Metode
MSE Epoch R pelatihan Akurasi (%)
L1 L2 Pembelajaran
Tansig Purelin Trainlm 5,57E-13 13 1,0000 97,62 Logsig Purelin Trainlm 3,53E-12 14 1,0000 95,83 Logsig Logsig Trainlm 5,89E-07 47 1,0000 68,52 Tansig Logsig Traindm 2,11E-07 26 1,0000 70,37 Tansig Logsig Trainlm 1,34E-07 103 1,0000 68,52
Pada Tabel 21 dapat dilihat bahwa model prediksi pangsa pasar dalam negeri yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm dengan MSE terkecil 5,57E-13, nilai R pelatihan = 1, dan epoch sebesar 13 dan akurasi mencapai
97,62%.
Tabel 22 menunjukkan bahwa model prediksi pangsa pasar luar negeri penjualan yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm, Model dengan arsitektur ini menghasilkan MSE terkecil 4.73E-14, nilai R pelatihan= 1, epoch sebesar 12,
Tabel 22 Lima kombinasi terbaik hasil pelatihan untuk target pangsa pasar luar negeri
Fungsi Aktivasi Metode
MSE Epoch R pelatihan Akurasi (%)
L1 L2 Pembelajaran
Tansig Purelin Trainlm 4,73E-14 12 1,0000 94,16 Logsig Purelin Trainlm 1,42E-13 13 1,0000 92,21 Tansig Logsig Traincgb 6,24E-08 437 1,0000 85,07 Logsig Tansig Trainlm 5,92E-06 53 1,0000 83,77 Tansig Logsig Traincgp 5,77E-05 519 0,9997 85,07 Tabel 23 Arsitektur terbaik keempat model prediksi
Model Fungsi Aktivasi Metode
L1 L2 Pembelajaran MSE Epoch R pelatihan Akurasi (%)
Profit Tan Pur Trainlm 2,00E-08 9 1,00 91,60 Penjualan Tan Tan Trainlm 0,00170 50 0,99 86,34 PP. DN Tan Pur Trainlm 5,57E-13 13 1,00 97,62 PP. LN Tan Pur Trainlm 4,73E-14 12 1,00 94,16
Arsitektur terbaik dengan nilai akurasi tertinggi untuk keempat model dirangkum pada Tabel 23. Dari semua model prediksi paling akurat, ditemukan bahwa metode pembelajaran yang dipakai adalah trainlm. Trainlm seringkali merupakan algoritma tercepat dalam mencapai konvergensi sehingga direkomendasikan sebagai metode pembelajaran pertama yang perlu dicoba pada
toolbox Matlab (Mathworks 2010).
Ketepatan model JST dapat dilihat dari nilai R dan akurasinya. Nilai R menyatakan hubungan yang linear antara keluaran (hasil prediksi) dengan target (data aktual). Nilai R yang mendekati 1 menandakan terdapat hubungan linear antara keluaran dan target, sebaliknya nilai R yang mendekati 0 menunjukkan tidak adanya hubungan linear antara keluaran dan target atau dapat dikatakan hasil prediksi jauh dari nilai aktualnya. Nilai R dari keempat model pada saat pelatihan berkisar 0,99 – 1,00. Nilai R yang mencapai 0,9 atau lebih menunjukkan bahwa jaringan tersebut fit artinya pada saat pelatihan sehingga telah mampu mengenali
pola.
Nilai akurasi menunjukkan ketepatan model prediksi ketika diuji dengan data baru (yang tidak ikut dilatihkan). Nilai akurasi yang dihasilkan berturut-turut sebesar 86,33% (model prediksi penjualan), 91,60% (model prediksi penjualan), 94,16% (model prediksi pangsa pasar luar negeri), dan 97.62% (model prediksi pangsa pasar dalam negeri). Tingkat akurasi model lebih dari 75% mengindikasikan bahwa model telah mampu memberikan keluaran yang benar dengan ketepatan yang tinggi (Mathworks 2010).
Pada proses pelatihan, neuron pada lapisan masukan terhubung dengan neuron-neuron lain pada lapisan tersembunyi, hingga lapisan keluaran. Antar neuron saling terhubung, dan terdapat nilai bobot diantara neuron-neuron tersebut.
44
Nilai bobot ditemukan melalui proses pelatihan, hingga tercapai kesesuaian antara nilai keluaran hasil olahan dengan nilai yang diinginkan. Arsitektur terbaik pada pelatihan menghasilkan sekelompok bobot yang stabil. (Demuth dan Beale 2000). Pelatihan dengan menggunakan arsitektur terbaik telah mampu menghasilkan perhitungan output dengan ketepatan yang tinggi. Bobot-bobot
hasil pelatihan dengan nilai akurasi tertinggi kemudian disimpan dalam sistem untuk kemudian digunakan pada prediksi data baru (data konsep produk baru yang akan telah dicari pada Bab 2). Selanjutnya, hasil prediksi tingkat sukses kemudian akan dihitung bersama-sama dengan nilai kebaruan dan nilai attractiveness.
Perhitungan tingkat sukses, kebaruan, dan attractiveness dibahas pada Bab 5.
Kesimpulan
Arsitektur jaringan dengan 13 neuron pada lapisan masukan, 26 neuron pada lapisan tersembunyi, dan 11 neuron pada lapisan keluaran, dengan parameter
learning rate 0,01, dan goal 10-4 menghasilkan:
1. Model prediksi profit yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm, dengan MSE sebesar 2.00E-08, nilai R pelatihan = 1, dan epoch sebesar 9
dengan akurasi 91,60%.
2. Model prediksi penjualan yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran tansig, metode pembelajaran trainlm dengan MSE sebesar 0.00170, nilai R pelatihan= 0.98963, epoch sebesar 50,
dengan akurasi 86,34%.
3. Model prediksi pangsa pasar dalam negeri yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm dengan MSE terkecil 5.57E-13, nilai R pelatihan = 1, dan
epoch sebesar 13 dan akurasi 97,62%.
4. Model prediksi pangsa pasar luar negeri penjualan yang paling akurat dibentuk dari fungsi aktivasi lapisan masukan tansig, lapisan keluaran purelin, metode pembelajaran trainlm, dengan MSE terkecil 4.73E-14, nilai R pelatihan= 1,