Pengumpulan dan Metode Analisis Data

dikehendaki adalah pasokan dan harga beras yang dapat menimbulkan kepanikan pasar. Hal ini dapat terjadi apabila pasokan kurang dari kebutuhan atau harga melonjak dari harga beras normal. Tahapan perancangan jaringan syaraf tiruan untuk prakiraan pasokan dan harga beras dapat dilihat pada Gambar 32. Langkah awal adalah membuat arsitektur jaringan syaraf tiruan, dilanjutkan dengan pencarian data dan penentuan data input. Ketepatan dalam penentuan input menentukan ketepatan hasil prediksi. Data yang digunakan adalah data sekunder mengenai pasokan dan harga beras yang diperoleh dari pasar induk beras Cipinang PIBC Jakarta dimulai dari Januari 2009 sampai dengan Juli 2010. Data awal adalah data harian, tetapi dalam penelitian ini data dikelompokan setiap minggu, sehingga diperoleh data sebanyak delapan puluh satu minggu. Mulai Arsitektur JST untuk prakiraan pasokan dan harga Beras Pelatihan JST Tidak Pengujian JST Ya Sesuai Tidak Data Pelatihan Data Pengujian Output: MSE, Epoch, R Sesuai JST Terbaik Ya Input: Data mingguan 4 minggu terakhir Selesai Output: Hasil prediksi pasokan harga beras 2 minggu ke depan Peringatan Dini Data kebutuhan beras penduduk Data rata-rata harga beras Fungsi aktivasi Algoritma pelatihan Momentum Hidden neuron, Error Gambar 32. Tahapan Perancangan Jaringan Syaraf Tiruan Untuk Prakiraan serta Peringatan Dini Dari Pasokan dan Harga Beras. Pada penelitian ini dirancang JST dengan satu hidden layer dengan menggunakan algoritma backpropagation. Backpropagation merupakan salah satu algoritma pembelajaran terawasi supervised learning Patuelli, 2006 dan Seminar, 2010. JST dirancang dengan arsitektur JST tiga lapis Kahfourushan, 2010. JST tersebut diperoleh dengan cara uji coba berbagai parameter JST. Jumlah neuron yang dicoba adalah jumlah neuron dalam hidden layer, sedangkan parameter lain yang diuji coba adalah fungsi aktivasi, algoritma pelatihan dan momentum. Pada penelitian ini jumlah neuron yang diujicoba pada lapisan tersembunyi hidden layer jumlahnya berbeda-beda yaitu sebanyak empat, delapan dan dua belas buah. Parameter output yang dihasilkan adalah MSE mean square error, jumlah iterasi epoch dan koefisien korelasi R. Menurut Munakata 2008, algoritma dasar backpropagation memiliki tiga fase di bawah : 1. Fase feedforward pola input pembelajaranpelatihan 2. Fase kalkulasi dan backpropagation error 3. Fase penyesuaian bobot untuk memperbaiki output mendekati target. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur backward. Untuk mendapatkan error ini, tahap forward propagasi harus dikerjakan terlebih dahulu. Pada saat forward propagation, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi. Pada jaringan feedforward, pelatihan dilakukan dalam rangka melakukan pengaturan bobot, sehingga pada akhir pelatihan diperoleh bobot-bobot terbaik. Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan fungsi kinerja jaringan. Fungsi kinerja yang sering digunakan untuk backpropagation adalah mean square error MSE. Fungsi ini mengambil rata- rata kuadrat error yang terjadi antara output jaringan dan target. Sebagian besar algoritma pelatihan untuk jaringan feedforward menggunakan gradien dari fungsi kinerja untuk menentukan bagaimana mengatur bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut dengan nama backpropagation. Pada dasarnya algoritma backpropagation menggerakkan bobot dengan arah gradien negatif, algoritma ini