H.»;./<h neural suap bai.ik
hm KitRAMAf m m RUMAH
lUSrAIDA HIN1I KHAZAl I
P E R P U S T A K A A N K U i T T H O
' • ! \ i i ij ; | I 3 OOOO 0007604 5 8
PSZ19:16(Pind.l/97)
U M V E K S m TEKNOLOGI MALAYSIA
BORANG PENGESAHAN STATUS TESIS*
JUDUL : PEMODELAN RANGKAIAN NEURAL SUAP BALIK
BAGI MERAMAL HARGA RUM All
Say a
SESI PENGAJIAN : 2002/2003 .
ROZAIDA BT. GHAZALI
(HURUF BESAR)
Mengaku 'membenarkan tesis (PSM/Sarjana/Dolctor Falsafah)* ini disimpan di Perpustakaan Universiti Teknologi Malaysia dengan syarat-syarat kegunaan seperti berikut
:-1. Tesis adalah hakmilik Universiti Teknologi Malaysia
2. Perpustakaan Universiti Teknologi Malaysia dibenarkan membuat salinan untuk tujuan pengajian sahaja.
3. Perpustakaan dibenarkan membuat salinan tesis ini sebagai bahan pertukaran antara institusi pengajian tinggi.
4. **Sila tandakan ( / )
SULIT
TERHAD
(Mengandungi maklumat yang berdarjah keselamatan atau kepentingan Malaysia seperti yang termaktub di dalam AKTA RAHSIA RASMI 1972)
(Mengandungi maklumat TERHAD yang telah ditentukan oleh organisasi/badan di mana penyelidikan dijalankan)
TIDAK TERHAD
<r
e f t sfDATANG^ ?N PENULTS) (TANDATANGA1 Alamat Tetap :
NO.3. JALAN MEKAR 5, TAMAN MEKAR. 86100, AYER HITAM, JOHOR.
Tarikh : 3 0 ) < X 0 6 E K 2 * 0 O ? >
P.M. DR. SITI MARIYAM BT HJ SHAMSUDIN
Nama Penyelia
Tarikh
44
Q f l c 3CAT AT AN : * Potong yang tidak berkenaan
** Jika tesis ini SULIT atau TERHAD, sila lampirkan surat daripada pihak berkuasa/organisasi berkenaan dengan menyatakan sekali sebab dan tempoh tesis ini perlu dikelaskan sebagai SULIT atau TERHAD
• Tesis dimaksudkan sebagai tesis bagi Ijazah Doktor Falsafah dan Saijana secara penyelidikan, atau disertasi bagi pengajian secara kerja kursus dan penyelidikan, atau Laporan Projek Sarjana Muda (PSM)
"Kami ini
akui bahawa kami telah membaca karya ini dan pada pandangan kami karya adalah memadai dari segi skop dan kualiti untuk tujuan penganugerahan
Ijazah Saijana Sains Komputer".
Tandatangan
Nama Penyelia I : P.M. Dr. Siti Mariyam Bt Hj. Shamsuddin
Tarikh
Tandatangan
J
Nama Penyelia II : Puan Rosalina Bt. Salehuddin
PEMODELAN RANGKAIAN NEURAL SUAP BALIK
BAGI MERAMAL HARGA RUMAH
ROZAIDA BT. GHAZALI
Laporan projek ini dikemukakan
sebagai memenuhi sebahagian daripada syarat
penganugerahan Ijazah Sarjana Sains (Sains Komputer)
Fakulti Sains Komputer dan Sistem Maklumat
Universiti Teknologi Malaysia
ii
"Saya akui karya ini adalah hasil kerja saya sendiri kecuali nukilan dan ringkasan yang tiap-tiap satunya telah saya jelaskan sumbernya".
Tandatangan :
Nama Penulis : Rozaida bt. Ghazali
iii
Istimewa untuk suami tercinta, Lokman Hakim Ismail, Bonda yang dikasihi, Puan Marziah Abdullah,
Buah hati tersayang, Yasmin Kamilia, Amirul Mukminin, dan Sufi Dayana.
IV
PENGHARGAAN
Alhamdulillah setinggi-tinggi kesyukuran ke hadrat Allah S.W.T di atas petunjuk, rahmat dan keizinanNya, maka saya memperolehi ketabahan untuk menyiapkan projek ini.
Saya mengambil kesempatan melalui ruangan ini untuk merakamkan
setinggi-tinggi penghargaan dan terima kasih kepada Prof. Madya Dr. Siti Mariyam bt. Hj. Shamsuddin, selaku penyelia utama, di atas segala nasihat, bimbingan dan dorongan yang telah dicurahkan sepanjang penyelidikan ini. Penghargaan dan terima kasih juga kepada Puan Rosalina bt. Salehuddin, selaku penyelia kedua di atas segala tunjuk ajar serta ilmu yang diberikan.
Tidak lupa juga kepada semua yang terlibat sama ada secara langsung atau tidak langsung dalam menjayakan projek ini, khususnya kepada Dr. Azuraliza bt. Abu Bakar, Cik Siti Nurulhawa, Pn. Jastini, Pn. Rathiah, Pn. Noorhalina, dan Pn. Rahayu dengan ucapan ribuan terima kasih.
Akhir sekali, terima kasih yang tidak terhingga di atas pengorbanan yang diberikan oleh suami, ibu, anak-anak, kakak, serta adik-adik. Semoga kita semua sentiasa berada di dalam rahmat dan lindunganNya.
IV
ABSTRAK
Peramalan merupakan satu bidang kajian yang seringkali dikaitkan dengan penggunaan teknik Rangkaian Neural. Kajian ini menguji keberkesanan model peramalan Rangkaian Neural Suap Balik, iaitu salah satu teknik Rangkaian Neural. Di dalam peramalan, model Perceptron Multi Aras lebih kerap digunakan berbanding Rangkaian Neural Suap Balik. Sehubungan itu, penulis menfokus kepada
Rangkaian Neural Suap Balik di dalam meramal harga rumah teres di Kuala Lumpur. Untuk itu, Rangkaian Elman digunakan sebagai model Rangkaian Neural Suap Balik bersama Algoritma Pembelajaran Rambatan Balik. Lapan faktor yang
mempengaruhi harga rumah digunakan sebagai parameter input. Perbandingan dilakukan dan hasil kajian membuktikan Rangkaian Elman menghasilkan keputusan yang lebih baik dengan ralat 0.012744 berbanding Model Perceptron Multi Aras, dengan ralat 0.014969.
vi
ABSTRACT
Prediction is one of the research fields that is always relate to the use of Neural Network technique. This study investigates the effectiveness of prediction model in a technique known as Recurrent Neural Network, a technique in Neural Network. In prediction, Multi Layer Perceptron model is more common and frequently used compared to Recurrent Neural Network. Therefore, the author focused on Recurrent Neural Network in predicting the price of terrace houses in Kuala Lumpur. Elman Network is used as Recurrent Neural Network model with the implementation of Backpropogation Learning Algorithm. Eight factors that
influence the price of these houses are used as input parameters. Comparisons are made and based on these results, it is proven that Elman Network is better than Multi Layer Perceptron with errors at 0.012744 and 0.014969 respectively.
vii
KANDUNGAN
BAB PERKARA IYIIJKA SURAT PENGESAHAN STATUS TESIS
PENGESAHAN PENYELIA IIAL AM AN JUDUL i PENGAKUAN ii DEDIKASI iii PENGHARGAAN iv ABSTRAK v ABSTRACT vi KANDUNGAN vii SENARAIJADUAL xi SENARAI RAJAH xii SENARAI SIMBOL xiii SENARAI LAMPIRAN xiv 1 PENDAHULUAN
1.1 Pengenalan 1 1.2 Latar Belakang Masalah 1
1.3 Matlamat Kajian 3 1.4 Objektif Kajian 4 1.5 Skop Kajian 4 1.6 Kepentingan Kajian 5
1.7 Justifikasi 5 1.8 Organisasi Laporan Projek 6
Vlll
II KAJIAN LITERATUR
2.1 Rangkaian Neural Buatan 7 2.1.1 Konsep Rangkaian Neural 8
2.1.1 Kelebihan-kelebihan Rangkaian
Neural 11 2.1.2 Pemprosesan Maklumat dalam
Rangkaian Neural 11 2.1.3 Topologi Rangkaian Neural 16
2.1.4 Algoritma Pembelajaran
Rangkaian Neural 17 2.1.5 Jenis- Jenis Rangkaian Neural 19
2.1.6 Kelemahan Rangkaian Neural 21 2.1.7 Contoh-contoh Peramalan
Harga Rumah 22
2.2 Rangkaian Neural Suap Balik 27 2.2.1 Kenapa Rangkaian Neural
Suap Balik? 27 2.2.2 Jenis-jenis Rangkaian Neural
Suap Balik 28 2.2.3 Rangkaian Elman 31 2.2.4 Senibina Elman 32 2.2.5 Implementasi Hubungan Suapbalik 33
2.2.6 Algoritma pembelajaran 34 2.2.7 Perbezaan Antara Rangkaian
Neural Suap Balik dan
Rangkaian Suap Hadapan 34
2.2.8 Bidang Aplikasi 37 2.2.9 Contoh-contoh Kaj ian Menggunakan
Rangkaian Neural Suap Balik 38 2.2.10 Masalah dan Kekangan pada
2.3 Algoritma Pembelajaran Rambatan Balik 42
2.3.1 Algoritma Pembelajaran 43 2.3.2 Suap ke hadapan (Forward Propogation) 44
2.3.3 Rambatan Balik (Backward Propogation) 45
III METODOLOGI KAJIAN
3.1 Metodologi Kajian 47
3.2 Panduan Pembinaan Model Ramalan 47 3.2.1 Sasaran dan Tempoh Masa 48 3.2.2 Domain Pengetahuan 48 3.2.3 Pengumpulan Data 49 3.2.4 Pra-pemprosesan Data
dalam Rangkaian 49 3.2.5 Mengurangkan Dimensi 50 3.2.6 Mengurangkan Perbandingan Input 50
3.2.7 Rekabentuk Senibina Rangkaian 50 3.2.8 Membuat Latihan, uj ian, dan
Merekabentuk Semula Gelungan 51
3.3 Rekabentuk Projek 52 3.3.1 Mengumpul Data 53 3.3.2 Menganalisa Data 53 3.3.3 Rekabentuk dan Senibina Rangkaian 56
3.3.4 Melatih Rangkaian 60 3.3.5 Menguj i Rangkaian 63 3.3.6 Keluarkan Hasil dan Keputusan Akhir 64
X
IV ANALISA HASIL DAN KEPUTUSAN
4.1 Hasil dan Keputusan larian ke atas
60 Data Ujian (1994-1996) 65 4.2 Pemilihan Model Rangkaian Terbaik 69
4.3 Hasil dan Keputusan Larian ke atas
100 Data Ujian Sebenar (1997) 71
V K E S I M P U L A N 5.1 Kesimpulan 74 R U J l I K A N S E N A R A I L A M PI R A N 76 80
x i i
SENARAIRAJAH
NO. RAJAH TAJUK MUKASURAT
2.1 Sel Neuron Manusia 9 2.2 Komponen dalam Neuron 9
2.3 Struktur Synapse 9
2.4 Tiga Bahagian Asas Rangkaian Neural 10 2.5 Pemprosesan Maklumat dalam Rangkaian Neural 12
2.6 Fungsi Sigmoid 15 2.7 Fungsi Threshold 15 2.8 Fungsi Linear 16 2.9 Rangkaian Elman 30 2.10 Rangkaian Jordan 30 2.11 Fully-Connected RNN 31
2.12 Senibina Rangkaian Elman 33 2.13 Rangkaian Suap Hadapan 36 2.14 Rangkaian Neural Suap Balik 37 2.15 Pemprosesan Data di dalam Rangkaian 45
3.1 Rangkakeija Projek 52 3.2 Senibina Rangkaian Elman bagi kajian ini 60
3.3. Langkah-langkah Yang Terlibat di dalam
Fasa Latihan 62 4.1 Pengurangan ralat pada setiap lelaran 70
4.2 Peramalan harga rumah menggunakan
Rangkaian Elman 72 4.3 Perbandingan ramalan oleh Rangkaian Elman
Xlll
SENARAI SIMBOL
Bias
Pemalar pembelajaran Eta Pemalar momentum Alpha
Signal ralat bagi aras tersembunyi Signal ralat bagi aras output Fungsi Keaktifan
Hubungan pemberat antara nod input, nod tersembunyi, dan nod output
Hubungan pemberat antara nod konteks dan nod tersembunyi Vektor input
Vektor konteks Perwakilan masa
Ralat sistem maksima yang dibenarkan Nilai keaktifan pada nod tersembunyi Nilai keaktifan pada nod output Bilangan sampel data
Output sasaran Output ramalan
Nilai perubahan pemberat antara nod input dan nod tersembunyi
Nilai perubahan pemberat antara nod tersembunyi dan nod output
XIV
SENARAI LAMPIRAN
LAMPIRAN TAJUK MUKASURAT
A 300 Data Perumahan Dari 1994 Hingga 1996 80-89 B 240 Data Latihan Yang Telah Dinormalkan 90-97 C 60 Data Ujian Yang Telah Dinormalkan 98-99 D 100 Data Asal 1997 Sebelum Dinormalkan 100-103 E 100 Data 1997 Yang Telah Dinormalkan 104-107 F Statistik lima larian terbaik dengan Emax 0.009
dan awalan nod konteks 0.5 108 F1 Graf terbaik larian (8:3:1) dengan Emax 0.009
dan awalan nod konteks 0.5 109 F2 Graf terbaik larian (8:4:1) dengan Emax 0.009
dan awalan nod konteks 0.5 110 F3 Graf terbaik larian (8:5:1) dengan Emax 0.009
dan awalan nod konteks 0.5 111 G Statistik lima larian terbaik dengan Emax 0.009
dan awalan nod konteks 0.0. 112 G1 Graf terbaik larian (8:3:1) dengan Emax 0.009
dan awalan nod konteks 0.0 113 G2 Graf terbaik larian (8:4:1) dengan Emax 0.009
dan awalan nod konteks 0.0 114 G3 Graf terbaik larian (8:5:1) dengan Emax 0.009
dan awalan nod konteks 0.0 115 H Statistik lima larian terbaik dengan Emax 0.008
XV
HI Graf terbaik larian (8:3:1) dengan Emax 0.008
dan awalan nod konteks 0.5 117 H2 Graf terbaik larian (8:4:1) dengan Emax 0.008
dan awalan nod konteks 0.5 118 H3 Graf terbaik larian (8:5:1) dengan Emax 0.008
dan awalan nod konteks 0.5 119 I Statistik lima larian terbaik dengan Emax 0.008
dan awalan nod konteks 0.0 120 II Graf terbaik larian (8:3:1) dengan Emax 0.008
dan awalan nod konteks 0.0 121 12 Graf terbaik larian (8:4:1) dengan Emax 0.008
dan awalan nod konteks 0.0 122 13 Graf terbaik larian (8:5:1) dengan Emax 0.008
dan awalan nod konteks 0.0 123 J Statistik lima larian terbaik dengan Emax 0.007
dan awalan nod konteks 0.5. 124 J1 Graf terbaik larian (8:3:1) dengan Emax 0.007
dan awalan nod konteks 0.5 125 J2 Graf terbaik larian (8:4:1) dengan Emax 0.007
dan awalan nod konteks 0.5 126 J3 Graf terbaik larian (8:5:1) dengan Emax 0.007
dan awalan nod konteks 0.5 127 K Statistik lima larian terbaik dengan En,ax 0.007
dan awalan nod konteks 0.0. 128 K1 Graf terbaik larian (8:3:1) dengan Emax 0.007
dan awalan nod konteks 0.0 129 K2 Graf terbaik larian (8:4:1) dengan Emax 0.007
dan awalan nod konteks 0.0 130 K3 Graf terbaik larian (8:5:1) dengan Emax 0.007
dan awalan nod konteks 0.0 131 L Nilai ralat yang dikurangkan pada setiap lelaran 132
M Pemberat yang telah stabil pada lelaran terakhir 13 3 N Perbandingan hasil oleh Rangkaian Elman
BAB I
PENDAHULUAN
1.1 Pengenalan
Rangkaian Neural Suap Balik merupakan salah satu model yang terdapat di dalam Rangkaian Neural. Ia merupakan satu bidang ilmu yang dapat membantu manusia di dalam membuat ramalan dan klasifikasi. Ramalan dan klasifikasi ini dihasilkan daripada data-data pada masa yang lepas. Penggunaan Rangkaian Neural mungkin bukan merupakan perkara yang baru dalam kajian-kajian di Malaysia. Walau bagaimanapun, penggunaan Rangkaian Neural Suap Balik dalam bidang kajian di negara ini boleh dikatakan masih baru, dan tidak ramai yang
menggunakannya. Namun begitu, kejayaan Rangkaian Neural Suap Balik telah terbukti berdasarkan kajian yang dilakukan di negara-negara maju seperti Amerika Syarikat, Kanada, Jepun, Australia dan sebagainya.
1.2 Latar Belakang Masalah
Industri perumahan merupakan salah satu sektor utama sebagai penyumbang kepada perkembangan ekonomi Malaysia. Apabila kita membeli atau menjual rumah, kita sebenarnya terlibat dalam pelaburan harta dan komitmen kewangan yang besar. Oleh itu kita hendaklah mampu membuat taksiran dan keputusan yang tepat sebelum terlibat dalam urusniaga jual-beli rumah tersebut.
2
Harga rumah secara umumnya mampu berubah mengikut pelbagai keadaan dan masa. Pemaju perumahan menetukan harga rumah berdasarkan kepada dua faktor utama, iaitu faktor dalaman dan luaran. Antara faktor dalaman adalah objektif pasaran, serta strategi dan kos pemasaran. Manakala faktor luaran pula ialah pasaran dan permintaan, tanggapan penggunaan terhadap harga dan nilai rumah, harga-harga dan tawaran yang disediakan oleh pesaing, keadaan ekonomi yang tak-linear seperti inflasi, kejatuhan ekonomi, polisi kerajaan dan dan keadaan sosial.
Penentuan harga rumah merupakan satu proses yang sentiasa berubah dan bergantung kepada syarikat-syarikat perumahan yang merekabentuk struktur harga. Mereka mengubah struktur penentuan harga tersebut mengikut masa dengan
mengambilkira faktor pelanggan dan pesaing. Terdapat banyak perbezaaan implikasi dalam penurunan harga dan kenaikan harga. Pada keadaan iaitu terdapat banyak pemaju di sesuatu kawasan, setiap syarikat mesti membuat jangkaan reaksi pasaing mereka. Di samping itu, isu terhadap kekurangan bekalan bahan binaan dan juga tenaga buruh mahir turut membawa kepada kenaikan harga rumah.
Disebabkan wujudnya faktor-faktor yang sukar diramal ini, maka perlunya satu kaedah yang mampu mengatasi masalah peramalan harga rumah. Kemampuan untuk menyelesaikan masalah tak-linear adalah satu kelebihan yang terdapat pada model Rangkaian Neural. Teknik-teknik lain seperti regresi dan heuristik kurang berkemampuan dalam membuat peramalan yang tepat dalam penentuan pergerakan harga rumah kerana harga rumah sentiasa berubah mengikut peredaran masa
(Marquez et al., 1991).
Oleh itu, teknik yang sangat bersesuaian dalam menyelesaikan masalah ini ialah dengan menggunakan Rangkaian Neural. Telah banyak kajian peramalan harga rumah dilakukan menggunakan Rangkaian Neural. Antaranya ialah Kajian Bagi Memperbaiki Hasil Model Rangkaian Neural ke atas Penilaian Harga Rumah (Rossini, 1998), Penggunaan Rangkaian Neural dalam Meramal Indeks Harga Rumah (Rossini, 1997), Peramalan Harga Rumah ke atas Kawasan Bandar dan Luar Bandar (Wilson et al., 2002), Pemodelan Kecerdasan Buatan Terhadap Pasaran Rumah Persendirian di Singapura (Wang dan Ho, 1995), Penilaian Harga Rumah
3
Menggunakan Rangkaian Neural (Grudnitski, 1997), dan Permodelan Rangkaian Neural dalam Meramal Harga Rumah (Ku Rohana Ku Mahmud et al., 1998).
Terdapat beberapa model dalam Rangkaian Neural. Antaranya ialah Model Perceptron Satu Aras, Model Perceptron Multi Aras (MLP), Adaline dan Madaline, Rangkaian Hamming, Model Rambatan Balik, Radial Basis Function (RBF),
Kohonen Features Map, dan Rangkaian Neural Suap Balik. Bagi Rangkaian Neural Suap Balik khususnya, terdapat banyak kajian yang telah dijalankan dengan jay any a.
Antaranya ialah ialah Rangkaian Neural Suap Balik dan Bahasa Tabi'i: Pentingnya Suatu Permulaan Yang Ringkas (Rohde dan Plant, 1998), Rangkaian Neural Suap Balik Terhadap Pembelajaran ke atas Laluan Teks (Wermter et al.,
2000), Rujukan Peraturan bagi Peramalan Kewangan Menggunakan Rangkaian Neural Suap Balik (Giles, et al., 1997), Pengekstrakan Pengetahuan dan Rangkaian Neural Suap Balik : Suatu Analisis Terhadap Rangkaian Elman yang Dilatih ke atas Pembelajaran Bahasa Tabi'i, (Schellhammer et al., 1998), Pengkodan Acoustic-Phonetic Berdasarkan Rangkaian Elman (Freitag dan Monte, 1996), dan Rangkaian Neural Suap Balik yang Belajar Membilang, (Rodriguez et al., 1999). Setiap daripada kajian ini akan dihuraikan dengan lebih lanjut di dalam Bab II.
Telahpun terbukti banyak kajian peramalan harga rumah dibangunkan dan beijaya menghasilkan keputusan yang baik menggunakan teknik-teknik di dalam Rangkain Neural. Ini mendorong penulis untuk menjalankan kajian menggunakan salah satu model yang terdapat di dalam Rangkaian Neural iaitu kajian penggunaan Rangkaian Neural Suap Balik terhadap peramalan harga rumah.
1.3 Matlamat Kajian
Matlamat utama dalam menjalankan kajian ini ialah untuk membangunkan model Rangkaian Neural Suap Balik dalam peramalan harga rumah. Rangkaian Neural Suap Balik dijangka berkemampuan dalam menghasilkan keputusan ramalan
4
yang lebih tepat berbanding dengan kaedah Rangkaian Neural yang lain kerana adanya konsep menyimpan maklumat berdasarkan tempoh masa terdahulu.
1.4 Objektif Kajian
Bagi mencapai matlamat kajian seperti yang dinyatakan di atas, dinyatakan objektif kajian, iaitu :-.
1. Membangunkan Rangkaian Elman dengan Algoritma Pembelajaran Rambatan Balik.
2. Mendapatkan satu model Rangkaian Neural Suap Balik untuk peramalan harga rumah
3. Mengenalpasti kriteria rumah bagi peramalan harga rumah.
1.5 Skop Kajian
Kajian ini hanya tertumpu kepada penggunaan kaedah Rangkaian Neural Suap Balik iaitu model Rangkaian Elman bersama Algoritma Pembelajaran
Rambatan Balik {Back Propogation). Seterusnya hasil kajian yang diperolehi hanya akan dibandingkan dengan hasil kajian Ku Ruhana Ku Mahamud, et al., (1998) yang menggunakan model Perceptron Multi Aras. Oleh itu, data perumahan yang
digunakan ialah data yang sama dalam kajian tersebut. Tiada sebarang perbandingan dilakukan dengan kaedah konvensional. Ini adalah kerana kajian ini hanya tertumpu kepada perbandingan hasil teknik Rangkaian Neural Suap Balik berbanding dengan model Perceptron Multi-Aras.
Data yang digunakan dalam kajian ini adalah merupakan data yang sama dengan kajian Ku Ruhana Ku Mahamud, et al, (1998), yang diperolehi daripada INSPEN (Institut Penilaian Negara). Data ini hanya melibatkan data perumahan bagi rumah teres di Kuala Lumpur sahaja. Lapan parameter digunakan sebagai data input
5
kepada rangkaian iaitu luas tanah, luas binaan rumah, jenis rumah, jenis pemilikan tanah, usia rumah, jarak daripada pusat bandar, kualiti rumah, dan kualiti kawasan persekitaran. Manakala terdapat hanya satu sahaja parameter output iaitu harga rumah. Parameter-parameter ini dipilih berdasarkan kepada penilaian yang
dilakukan oleh INSPEN sendiri dalam menghasilkan Indeks Harga Rumah Malaysia.
1.6 Kepentingan Kajian
Untuk membantu pemilik dan pembeli rumah membuat keputusan yang lebih baik dalam proses jual-beli rumah, dan juga membantu agen hartanah untuk
membuat penilaian harga rumah.
1.7 Justifikasi
Justifikasi yang dibuat dalam kajian ini adalah :
1. Data yang digunakan adalah sahih iaitu data yang benar-benar wujud
dan seterusnya dilakukan penormalan. Setelah dilakukan penormalan, semua data berada di dalam julat 0 hingga 1.
2. Pengujian yang piawai dilakukan dengan mengunakan tiga aras yang menunjukkan terdapatnya satu sahaja aras tersembunyi.
3. Pada setiap larian, penetapan parameter dibuat dengan menukarkan beberapa parameter lain pada satu-satu masa.
6
1.8 Organisasi Laporan Projek
Laporan projek ini mengandungi lima bab
iaitu:-1. Bab Pendahuluan yang menerangkan tentang latar belakang permasalahan kajian, matlamat serta objektif, skop dan kepentingan, serta justifikasi yang digunakan dalam kajian ini.
2. Bab kedua iaitu Kajian Literatur pula membincangkan dengan mendalam mengenai Rangkain Neural, Rangkaian Neural Suap Balik, dan Algoritma Pembelajaran Rambatan Balik.
3. Bab seterusnya ialah Metodologi Kajian yang menerangkan beberapa panduan pembinaan model ramalan dan mendalami setiap tahap rangka keija projek.
4. Bab keempat menghuraikan hasil dan keputusan daripada kajian yang dijalankan.
