• Tidak ada hasil yang ditemukan

BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan - Peramalan Nilai Tukar Mata Uang Rupiah Terhadap Dolar Amerika Serikat Tahun 2014 dengan Menggunakan Jaringan Syaraf Tiruan Model Backpropagation

N/A
N/A
Protected

Academic year: 2019

Membagikan "BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan - Peramalan Nilai Tukar Mata Uang Rupiah Terhadap Dolar Amerika Serikat Tahun 2014 dengan Menggunakan Jaringan Syaraf Tiruan Model Backpropagation"

Copied!
21
0
0

Teks penuh

(1)

BAB 2

LANDASAN TEORI

2.6. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada makhluk hidup, yang terdiri dari elemen-elemen pemrosesan sederhana yang disebut

neuron (unit atau node). Setiap neuron dihubungkan dengan neuron lain dengan hubungan komunikasi yang disebut arsitektur jaringan. Jaringan syaraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005:2).

Jaringan syaraf tiruan diilhami dari cabang ilmu biologi yang berkaitan dengan sistem syaraf. Cabang ilmu tersebut adalah neurobiology, tujuan utama dari neurobiology adalah untuk menjelaskan bagaimana sel-sel syaraf dapat membedakan dan mengembangkan hubungan khusus mereka dan bagaimana jaringan syaraf dapat mengingat kembali semua informasi.

Menurut Fausett (1994:3), jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut:

(2)

3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas ambang.

dan jaringan syaraf tiruan ditentukan oleh tiga hal, yakni:

1. Pola hubungan antar neuron (arsitektur jaringan).

2. Metode untuk menentukan bobot penghubung (metode training/ learning/

algoritma). 3. Fungsi aktivasi.

Neuron adalah suatu unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan (Siang, 2005:23). Neuron terdiri dari tiga elemen pembentuk yaitu:

1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi.

2. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya.

3. Fungsi aktivasi yang akan menentukan apakah sinyal dari unitmasukan akan diteruskan ke unitlain ataukah tidak.

Di dalam jaringan syaraf tiruan, istilah node atau unit sering digunakan untuk menggantikan neuron. Setiap unit pada jaringan menerima atau mengirim sinyal dari atau ke unit-unit yang lainnya. Pengiriman sinyal akan disampaikan melalui suatu penghubung. Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenal dengan nama bobot.

(3)

1. Aktifitas unit-unit lapisan masukan menunjukkan informasi dasar yang kemudian digunakan dalam jaringan syaraf tiruan.

2. Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unit masukan dan bobot dari koneksi antara unit masukan dan unit-unit dari lapisan tersembunyi.

3. Karakteristik dari unit-unit keluaran tergantung pada aktifitas unit-unit lapisan tersembunyi dan bobot antara unit lapisan tersembunyi dan unit-unit keluaran.

Literatur jaringan syaraf tiruan dan statistika memuat banyak konsep yang sama dengan istilah yang berbeda namun ada istilah yang sama dalam kedua literatur dengan makna yang berbeda. Daftar hubungan istilah yang banyak digunakan adalah sebagai berikut:

Tabel 2.1. Istilah Jaringan Syaraf Tiruan dan Statistik

Istilah Jaringan Syaraf Tiruan Istilah Statistik

Arsitektur Model

Training Estimasi

Learning Model fitting

Kelompok training Sampel

Masukan Variabel independen

Keluaran Nilai prediksi dari variabel dependen Nilai pelatihan (training) atau target Nilai sebenarnya dari variabel dependen

Nilai target Nilai observasi

Error Residual

Generalisasi Prediksi

Prediksi Peramalan

Bobot Parameter jaringan

(4)

Perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat.

Pada gambar 2.1 terlihat sebuah sel syaraf tiruan sebagai elemen penghitung. Simpul π‘Œπ‘Œ menerima masukan dari unit 1 (bias), π‘₯π‘₯1, π‘₯π‘₯2, dan π‘₯π‘₯3 dengan bobot masing-masing adalah 𝑀𝑀0, 𝑀𝑀1, 𝑀𝑀2, dan 𝑀𝑀3. Argumen fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya). Keempat sinyal unit yang ada dijumlahkan sehingga diperoleh persamaan net = 1𝑀𝑀0 + π‘₯π‘₯1𝑀𝑀1 + π‘₯π‘₯2𝑀𝑀2 + π‘₯π‘₯3𝑀𝑀3. Besarnya sinyal yang diterima oleh π‘Œπ‘Œ mengikuti fungsi aktivasi 𝑦𝑦 = f(net).

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat digunakan sebagai dasar untuk merubah bobot.

𝑀𝑀0

Gambar 2.1. Sebuah Sel Jaringan Syaraf

𝑋𝑋1

𝑋𝑋2

π‘Œπ‘Œ

𝑋𝑋3

𝑀𝑀1

𝑀𝑀2

𝑀𝑀3

(5)

2.7. Arsitektur Jaringan

Arsitektur jaringan syaraf tiruan digolongkan menjadi tiga kelompok yaitu sebagai berikut:

a. Jaringan Lapisan Tunggal (Single Layer Networks)

Pada jaringan ini, sekumpulan unit masukan dihubungkan langsung dengan sekumpulan keluarannya. Sinyal dari lapisan masukan sampai lapisan keluaran.

Setiap unit akan dihubungkan dengan unit-unit lainnya yang berada di atasnya dan di bawahnya, tetapi tidak dengan unit yang berada pada lapisan yang sama. Contohnya adalah model ADALINE, perceptron, dan lain sebagainya.

Pada gambar 2.2 akan diperlihatkan arsitektur jaringan lapisan tunggal 𝑛𝑛 buah unit masukan (π‘₯π‘₯1, π‘₯π‘₯2,…, π‘₯π‘₯𝑛𝑛) dengan 1 unit bias dan π‘šπ‘š buah unit keluaran (𝑦𝑦1, 𝑦𝑦2,…, π‘¦π‘¦π‘šπ‘š).

π‘€π‘€π‘šπ‘š2

𝑀𝑀12

π‘€π‘€π‘šπ‘š1

𝑀𝑀11

π‘€π‘€π‘šπ‘šπ‘›π‘› 𝑀𝑀1𝑛𝑛

𝑋𝑋1

𝑋𝑋2

𝑋𝑋𝑛𝑛

π‘Œπ‘Œπ‘šπ‘š

π‘Œπ‘Œ1

Gambar 2.2. Jaringan Lapisan Tunggal

1

𝑀𝑀10

(6)

b. Jaringan Lapisan Jamak (Multi Layer Networks)

Jaringan ini adalah perluasan dari jaringan lapisan tunggal. Pada jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (lapisan tersembunyi). Lapisan tersembunyi (hidden layer) didalam jaringan ini bisa saja lebih dari satu.

Jaringan lapisan jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan lapisan tunggal. Model yang termasuk dalam jaringan ini antara lain: MADALINE, backpropagation.

Pada gambar 2.3 diperlihatkan jaringan 𝑛𝑛 buah unit masukan

Gambar 2.3. Jaringan Lapisan Jamak

𝑋𝑋2

(7)

c. Jaringan Reccurent

Model jaringan reccurent (reccurent network) mirip dengan jaringan lapisan tunggal ataupun jamak. Hanya saja, ada unit keluaran yang memberikan sinyal pada unit masukan (sering disebut feedback loop). Contoh model pada jaringan ini antara lain: Hopfield network, Jordannetwork, Elmal network. Arsitektur jaringan

recurrent dapat dilihat pada gambar 2.4:

2.8. Algoritma Pembelajaran dan Pelatihan

Jaringan syaraf tiruan merupakan hubungan antara masukan dan keluaran yang harus diketahui secara pasti dan apabila hubungan tersebut sudah diketahui maka bisa dibuat suatu model. Ide dasar jaringan syaraf tiruan adalah konsep pembelajaran atau pelatihan. Algoritma pelatihan artinya membentuk pemetaan (fungsi) yang menggambarkan hubungan antara vektor masukan dan vektor keluaran.

Agar bisa menyelesaikan suatu permasalahan, jaringan syaraf tiruan memerlukan algoritma pembelajaran atau pelatihan yaitu bagaimana sebuah konfigurasi jaringan bisa dilatih untuk mempelajari data historis yang ada. Dengan

𝐴𝐴1 π΄π΄π‘šπ‘š

(8)

pelatihan ini, pengetahuan yang terdapat dalam data bisa diserap dan direpresentasikan oleh harga-harga bobot koneksinya.

Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal yaitu:

a. Dengan Supervisi (Supervised)

Metode ini bisa digunakan jika keluaran yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan kemudian jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Kemudian jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Model yang menggunakan pelatihan dengan supervisi antara lain: Perceptron, ADALINE,

Backpropagation.

b. Tanpa Supervisi (Unsupervised)

(9)

2.9. Jaringan Syaraf Tiruan Backpropagation

Metode backpropagation merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks. Sama seperti model jaringan syaraf tiruan lainnya, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.

Dalam jaringan backpropagation setiap unit yang berada di lapisan masukan akan terhubung dengan setiap unit yang berada pada lapisan tersembunyi, dan setiap unit yang berada pada lapisan tersembunyi akan terhubung dengan setiap unit yang berada pada lapisan keluaran.

Menurut Puspitaningrum (2006:125), jaringan syaraf tiruan model

backpropagation terdiri dari banyak lapisan (multilayer neural networks):

1. Lapisan masukan (1 buah). Lapisan masukan terdiri dariunit-unit atau unit-unit masukan, mulai dari unit-unit masukan 1 sampai unit-unit masukan 𝑛𝑛.

2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdiri unit-unit atau unit-unit tersembunyi, mulai dari unit tersembunyi 1 sampai unit tersembunyi

𝑝𝑝.

3. Lapisan keluaran (1 buah). Lapisan keluaran terdiri dari unit-unit keluaran, mulai dari unit keluaran 1 sampai unit keluaran π‘šπ‘š.

2.9.1. Algoritma

(10)

keluaran yang akan dihasilkan. Istilah β€˜Backpropagation’ diambil dari cara kerja jaringan ini, berikut merupakan alur kerja jaringan backpropagation:

Dapat dilihat dari gambar 2.5 cara kerja jaringan backpropagation, mula-mula jaringan diinisialisasi dengan bobot yang diset dengan bilangan acak. Kemudian sampel pelatihan dimasukkan ke dalam jaringan. Sampel pelatihan terdiri pasangan vektor masukan dan vektor target keluaran. Keluaran dari jaringan berupa vektor prediksi keluaran. Selanjutnya vektor keluaran hasil jaringan atau prediksi keluaran dibandingkan dengan target keluaran, untuk mengetahui apakah jaringan keluaran sudah sesuai dengan yang diharapkan (prediksi keluaran sudah sama dengan target keluaran).

Error yang dihasilkan akibat adanya perbedaan antara prediksi keluaran dengan target keluaran tersebut kemudian dihitung untuk mengupdate bobot-bobot koneksi yang relevan dengan jalan mempropagasikan kembali error. Setiap

Gambar 2.5. Alur Kerja Jaringan Backpropagation

βˆ‘

PREDIKSI KELUARAN

LAPISAN KELUARAN

LAPISAN TERSEMBUNYI

LAPISAN MASUKAN

TAHAP UMPAN MAJU

TARGET KELUARAN

MASUKAN

ERROR

TAHAP BACKPROPAGATION

(11)

perubahan bobot yang terjadi diharapkan dapat mengurangi besarnya error. Proses akan terus berlanjut sampai kerja jaringan mencapai tingkat yang diinginkan atau sampai kondisi perhentian dipenuhi. Pada umumnya kondisi perhentian yang sering digunakan adalah jumlah iterasi atau error. Iterasi akan berhenti jika jumlah iterasi yang dilakukan jaringan telah melebihi jumlah iterasi yang ditentukan, atau jika nilai error yang didapat lebih kecil dari batas toleransi.

2.9.2. Fungsi Aktivasi pada Backpropagation

Karakteristik yang harus dimiliki fungsi aktivasi pada backpropagation adalah sebagai berikut:

1. Kontinu.

2. Terdiferensial dengan mudah. 3. Fungsi yang tidak menurun.

Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan minimum secara asimtot). Fungsi aktivasi digunakan di dalam metode

backpropagation adalah sebagai berikut:

1. Fungsi Identitas (Linear)

Fungsi linear mempunyai nilai keluaran yang sama dengan nilai masukannya. Fungsi linear didefinisikan sebagai berikut:

(12)

2. Fungsi Sigmoid Biner

Fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid biner didefinisikan sebagai berikut:

𝑓𝑓(π‘₯π‘₯) = 1

1 +π‘›π‘›βˆ’π‘₯π‘₯ ,βˆ’βˆž ≀ π‘₯π‘₯ ≀ ∞

𝑓𝑓′(π‘₯π‘₯) = 𝑓𝑓(π‘₯π‘₯)(1βˆ’ 𝑓𝑓(π‘₯π‘₯))

3. Fungsi Sigmoid Bipolar

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar dengan range (-1,1) yang didefinisikan sebagai berikut:

Gambar 2.6. Fungsi Linear

(13)

𝑓𝑓(π‘₯π‘₯) = 2

1 +π‘›π‘›βˆ’π‘₯π‘₯ βˆ’1 ,βˆ’βˆž ≀ π‘₯π‘₯ ≀ ∞

𝑓𝑓′(π‘₯π‘₯) = οΏ½1 +𝑓𝑓(π‘₯π‘₯)οΏ½(1βˆ’ 𝑓𝑓(π‘₯π‘₯)) 2

2.9.3. Pelatihan Backpropagation

Jaringan feedforward (umpan maju) sama seperti jaringan syaraf yang lain, pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan didapat bobot yang baik. Selama proses pelatihan, bobot-bobot akan diatur secara iteratif untuk meminimumkan nilai error yang terjadi. Nilai error didapat dari hasil perhitungan rata-rata kuadrat kesalahan (MSE).

Mean Square Error juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi.

Pelatihan untuk jaringan feedforward sering menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation.

Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma

(14)

backpropagation adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi turun dengan cepat.

Menurut Siang (2005:100-103), pelatihan backpropagation meliput i 3 fase yaitu sebagai berikut:

1. Fase 1, yaitu propagasi maju.

Pola masukan dihitung maju mulai dari lapisan masukan hingga lapisan keluaran menggunakan fungsi aktivasi yang ditentukan.

2. Fase 2, yaitu propagasi mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai dari garis yang berhubungan langsung dengan unit-unit di lapisan keluaran.

3. Fase 3, yaitu perubahan bobot.

Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Algoritma pelatihan untuk jaringan backpropagation dengan satu lapisan tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut:

1. Langkah 1

Inisialisasi semua bobot dengan bilangan acak kecil 2. Langkah 2

Jika kondisi penghentian belum dipenuhi, lakukan langkah 3-9 3. Langkah 3

(15)

Fase I : Propagasi maju 4. Langkah 4

Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya.

Fase II : Propagasi Mundur 7. Langkah 7

Hitung faktor 𝛿𝛿 unit keluaran berdasarkan kesalahan di setiap unit keluaran

π‘¦π‘¦π‘˜π‘˜ (π‘˜π‘˜ = 1, 2,..., π‘šπ‘š)

π›Ώπ›Ώπ‘˜π‘˜ = (π‘›π‘›π‘˜π‘˜ βˆ’ π‘¦π‘¦π‘˜π‘˜) 𝑓𝑓′(𝑦𝑦_π‘›π‘›π‘›π‘›π‘›π‘›π‘˜π‘˜) = (π‘›π‘›π‘˜π‘˜ βˆ’ π‘¦π‘¦π‘˜π‘˜) π‘¦π‘¦π‘˜π‘˜(1βˆ’ π‘¦π‘¦π‘˜π‘˜)

π‘›π‘›π‘˜π‘˜ = target keluaran

π›Ώπ›Ώπ‘˜π‘˜ merupakan unit kesalahan yang akan dipakai dalam perubahan bobot

lapisan di bawahnya.

Hitung perubahan bobot π‘€π‘€π‘˜π‘˜π‘—π‘— dengan laju pemahaman 𝛼𝛼

(16)

8. Langkah 8

Hitung faktor 𝛿𝛿 unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi 𝑧𝑧𝑗𝑗 (𝑗𝑗 = 1, 2, ..., 𝑝𝑝)

𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗 = οΏ½ π›Ώπ›Ώπ‘˜π‘˜ π‘€π‘€π‘˜π‘˜π‘—π‘— π‘šπ‘š

π‘˜π‘˜=1

Faktor 𝛿𝛿 unit tersembunyi:

𝛿𝛿𝑗𝑗 =𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗𝑓𝑓′�𝑧𝑧_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗�= 𝛿𝛿_𝑛𝑛𝑛𝑛𝑛𝑛𝑗𝑗𝑧𝑧𝑗𝑗�1βˆ’ 𝑧𝑧𝑗𝑗�

Hitung perubahan bobot 𝑣𝑣𝑗𝑗𝑗𝑗

βˆ†π‘£π‘£π‘—π‘—π‘—π‘— =𝛼𝛼𝛿𝛿𝑗𝑗π‘₯π‘₯𝑗𝑗, (𝑗𝑗 = 1,2, … ,𝑝𝑝 ;𝑗𝑗= 0,1, … ,𝑛𝑛)

Fase III : Perubahan Bobot 9. Langkah 9

Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu:

π‘€π‘€π‘˜π‘˜π‘—π‘—(𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏) =π‘€π‘€π‘˜π‘˜π‘—π‘—(π‘™π‘™π‘π‘π‘šπ‘šπ‘π‘) +βˆ†π‘€π‘€π‘˜π‘˜π‘—π‘— , (π‘˜π‘˜= 1, 2,β‹―,π‘šπ‘š ;𝑗𝑗 = 0, 1, 2,β‹―,𝑝𝑝)

Perubahan bobot garis yang menuju ke unit tersembunyi adalah:

𝑣𝑣𝑗𝑗𝑗𝑗(𝑏𝑏𝑏𝑏𝑏𝑏𝑏𝑏) =𝑣𝑣𝑗𝑗𝑗𝑗(π‘™π‘™π‘π‘π‘šπ‘šπ‘π‘) +βˆ†π‘£π‘£π‘—π‘—π‘—π‘— , (𝑗𝑗 = 1, 2,β‹―,𝑝𝑝 ;𝑗𝑗 = 0, 1, 2,β‹―,𝑛𝑛)

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 5 dan 6) saja yang digunakan untuk menentukan keluaran jaringan.

(17)

Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam mencapai minimum global (atau mungkin lokal saja) terhadap nilai error dan cepat tidaknya proses pelatihan menuju kekonvergenan.

Apabila bobot awal terlalu besar maka masukan ke setiap lapisan tersembunyi atau lapisan keluaran akan jatuh pada daerah di mana turunan fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka masukan ke setiap lapisan tersembunyi atau lapisan keluaran akan sangat kecil. Hal ini akan menyebabkan proses pelatihan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai 0,5 (atau -1 sampai 1 atau interval yang lainnya).

2.10. Backpropagation dalam Peramalan

Backpropagation merupakan salah satu metode jaringan syaraf tiruan yang bisa diaplikasikan dengan baik dalam bidang peramalan (forecasting). Peramalan yang sering diketahui adalah peramalan harga saham, peramalan besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran sungai dan lain sebagainya. Secara umum, masalah peramalan dapat dinyatakan dengan sejumlah data time series π‘₯π‘₯1, π‘₯π‘₯2,..., π‘₯π‘₯𝑛𝑛. Masalahnya adalah memperkirakan berapa harga π‘₯π‘₯𝑛𝑛+1 berdasarkan π‘₯π‘₯1, π‘₯π‘₯2,..., π‘₯π‘₯𝑛𝑛. Langkah-langkah yang diperlukan dalam membangun arsitektur jaringan untuk peramalan adalah sebagai berikut:

1. Transformasi Data

(18)

a. Transformasi Polinomial

π‘₯π‘₯β€² = ln π‘₯π‘₯

keterangan:

π‘₯π‘₯β€² = nilai data setelah transformasi polinomial.

π‘₯π‘₯ = nilai data aktual.

b. Transformasi Normal

π‘₯π‘₯𝑛𝑛 =π‘₯π‘₯π‘₯π‘₯0βˆ’ π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘› π‘šπ‘šπ‘π‘π‘₯π‘₯ βˆ’ π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘›

keterangan:

π‘₯π‘₯𝑛𝑛 = nilai data normal

π‘₯π‘₯0 = nilai data aktual.

π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘› = nilai minimum data aktual keseluruhan.

π‘₯π‘₯π‘šπ‘šπ‘π‘π‘₯π‘₯ =nilai maksimum data aktual keseluruhan.

c. Transformasi Linier pada Selang [𝑏𝑏,𝑏𝑏]

π‘₯π‘₯β€² =(π‘₯π‘₯ βˆ’ π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘›)(𝑏𝑏 βˆ’ 𝑏𝑏)

π‘₯π‘₯π‘šπ‘šπ‘π‘π‘₯π‘₯ βˆ’ π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘› +𝑏𝑏

keterangan:

π‘₯π‘₯β€² = nilai data setelah transformasi linier.

π‘₯π‘₯ = nilai data aktual.

π‘₯π‘₯π‘šπ‘šπ‘—π‘—π‘›π‘› =nilai minimum data aktual keseluruhan.

(19)

2. Pembagian Data

Setelah transformasi data, langkah selanjutnya adalah pembagian data. Data dibagi menjadi data pelatihan dan data pengujian. Beberapa komposisi data pelatihan dan pengujian yang sering digunakan adalah sebagai berikut:

a. 80% untuk data pelatihan dan 20% untuk data pengujian. b. 70% untuk data pelatihan dan 30% untuk data pengujian. c. 2/3 untuk data pelatihan dan 1/3 untuk data pengujian. d. 50% untuk data pelatihan dan 50% untuk data pengujian. e. 60% untuk data pelatihan dan 40% untuk data pengujian.

Aspek pembagian data harus ditekankan agar jaringan mendapat data pelatihan yang secukupnya dan data pengujian dapat menguji prestasi pelatihan yang dilakukan berdasarkan nilai MSE data pelatihan dan data pengujian. Bilangan data yang kurang untuk proses pelatihan akan menyebabkan jaringan mungkin tidak dapat mempelajari keacakan data dengan baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan melambatkan proses pemusatan (konvergensi).

3. Perancangan Model Pelatihan yang Baik

Langkah selanjutnya setelah pembagian data adalah penentuan bilangan unit masukan, bilangan lapisan tersembunyi, bilangan unit lapisan tersembunyi dan bilangan unit keluaran yang akan digunakan dalam jaringan. Terdapat beberapa aturan yang dapat membantu perancangan model pelatihan yang baik, yaitu sebagai berikut:

a. Jumlah unit masukan sama dengan periode di mana data berfluktuasi. b. Jumlah unit keluaran sama dengan jumlah keluaran masalah.

(20)

d. Jika menggunakan satu lapisan tersembunyi, bilangan unit tersembunyi awal adalah 75% dari bilangan simpul masukan.

Beberapa kaedah untuk memperkirakan bilangan unit tersembunyi yaitu sebagai berikut:

β„Ž = 𝑛𝑛, 2𝑛𝑛

β„Ž = 𝑛𝑛 2

keterangan:

𝑛𝑛 = bilangan simpul masukan yang digunakan

β„Ž = bilangan simpul tersembunyi.

Penentuan bilangan simpul tersembunyi yang terbaik diperoleh secara trial and error dari simpul 1 sampai 2𝑛𝑛.

4. Memilih dan MenggunakanModel Pelatihan yang Baik

(21)

𝑦𝑦𝑛𝑛 = nilai aktual pada waktu 𝑛𝑛

𝑦𝑦�𝑛𝑛 = nilai ramalan pada waktu 𝑛𝑛

Berdasarkan nilai MSE yang terendah dari proses pelatihan diperoleh model pelatihan yang baik. Keakuratan ramalan jaringan dilihat dari nilai MSE dari proses pengujian.

5. PemilihanModel Pelatihan yang Baikdan Penggunaannya untuk Peramalan

Langkah-langkah pemilihan model pelatihan yang baik sebagai berikut:

a. Proses pelatihan dilakukan terhadap data pelatihan dengan arsitektur jaringan yang memiliki bilangan unit tersembunyi berbeda akan diperoleh nilai keluaran jaringan atau prediksi keluaran, MSE-nya dihitung. Jaringan dengan nilai MSE terendah dipilih sebagai model pelatihan yang baik untuk digunakan dalam peramalan.

Gambar

Tabel 2.1. Istilah Jaringan Syaraf Tiruan dan Statistik
Gambar 2.1. Sebuah Sel Jaringan Syaraf
Gambar 2.2. Jaringan Lapisan Tunggal
Gambar 2.3. Jaringan Lapisan Jamak
+5

Referensi

Dokumen terkait

Berdasarkan sifat fisik produk, dapat diketahui bahwa senyawa tersebut adalah etil p-metoksi sinamat, lebih lanjut dilakukan uji brominasi untuk mengetahui ikatan rangkap gugus

Membangun ide kreatif dan inovatif melalui pembelajaran kewirausahaan pada mahasiswa Program Studi Pendidikan Guru Madrasah Ibtidaiyah (PGMI) STAI Daruttaqwa Gresik

Dari kutipan wawancara dapat diketahui bahwa terdapat masalah pada aspek mental atlet bulutangkis Puslatcab Surabaya, khususnya kecemasan yang dirasakan oleh para

Berdasarkan pemikiran di atas dan apa yang telah dilakukan oleh perpustakaan FE UII serta ditambah dengan hasil studi dari Szulanski (1996) yang mendiskusikan per- masalahan

Penelitian implementasi kebijakan sertifikasi guru SD di Kabupaten Tegal ini untuk mengetahui dan menganalisis proses pelaksanaan kebijakan sertifikasi guru SD di

Judul yang dipilih oleh Tim peneliti untuk Hibah Penelitian dan Pengabdian Pada Masyarakat Kemenristekdikti 2017 ini adalah β€œRencana Kontinjensi Pengurangan Risiko Bencana

10.10.2 Menggunakan media pembelajaran dan sumber belajar yang relevan dengan karakteristik peserta didik dan mata pelajaran yang diampu untukmencapai.. 10.10.10.2 Memahami

Perguruan tinggi agar mengalokasikan anggaran untuk melaksanakan penelitian-penelitian/kajian isu aktual strategis spesifik yang secara khusus diarahkan untuk target