16 Vji baru = Vji lama + Δvji j = 1,2…,p ; I = 0,1,…,n
Setelah selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju langkah 4 dan 5 saja yang dipakai untuk menentukan
keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.
2.1.5 Preprocessing dan postprocessing
1. Min dan Max
Sebelum dilakukan pelatihan, seringkali dilakukan penskalaan pada input dan target sedemikian hingga data input dan target tersebut masuk dalam satu range tertentu[5].
Fungsi premnmx digunakan untuk menskala input dan output sedemikian hingga data- datanya akan terletak pada range [1,1].
Systax: [pn,minp,maxp,tn,mint,maxt] = premnmxp,t, atau
[pn,minp,maxp] = premnmxp, atau
[tn,mint,maxt] = premnmxt
Dengan p adalah hasil input, dan t adalah matriks output. Fungsi ini akan menghasilkan:
pn : matriks input yang ternormalisasi terletak pada range [-1,1]
tn : matriks target yang ternormalisasi terletak pada range [-1,1]
minp : nilai minimum pada matriks input aslip. maxp : nilai maksimum pada matriks input aslip.
mint : nilai minimum pada matriks target aslip.
maxt : nilai maksimum pada matriks target aslip.
Apabila matriks yang sudah ternormalisasi ini ingin dikembalikan kebentuk aslinya, maka dapat digunakan fungsi postmnmx.
Systax: [p,t]
= postmnmxpn,minp,maxp,tn,mint,maxt, atau
Universitas Sumatera Utara
17 [p]
= postmnmx pn,minp,maxp, atau [t]
= postmnmx tn,mint,maxt Dengan p dan t adalah matriks yang telah didenormalisasi.
Apabila pada jaringan saraf tiruan yang telah dilatih menggunakan premnmx untuk preprocessing, maka apabila ada data input baru yang akan disimulasikan, data baru
tersebut juga harus disesuaikan dengan nilai minimum dan maksimum dari jaringan. Untuk keperluan ini, dapat digunakan fungsi tramnmx.
2. Mean dan standar deviasi
Selain dengan meletakkan data input dan target pada range tertentu, proses normalisasi juga dapat dilakukan dengan bantuan mean dan standar deviasi[5]. Fungsi
prestd akan membawa data ke bentuk normal dengan mean=0 dan deviasi standar=1. Syntax:
[pn,meanp,stdp,tn,meant,stdt] = prestdp,t, atau [pn,meanp,stdp]
= prestdp, atau [tn,meant,stdt]
= prestdt
Dengan p adalah hasil input, dan t adalah matriks output. Fungsi ini akan menghasilkan:
pn : matriks input yang ternormalisasi terletak pada range [-1,1]
tn : matriks target yang ternormalisasi terletak pada range [-1,1]
meanp : mean pada matriks input aslip. stdp
: standar deviasi pada matriks input aslip meant : mean pada matriks input targett.
stdt : standar deviasi pada matriks target aslip
Apabila matriks yang sudah ternormalisasi ini ingin dikembalikan kebentuk aslinya, maka dapat digunakan fungsi poststd.
Systax: [p,t]
= poststdpn,meanp,stdp,tn,meant,stdt, atau [p]
= poststd pn,meanp,stdp, atau
Universitas Sumatera Utara
18 [t]
= poststd tn,meant,stdt Dengan p dan t adalah matriks yang telah didenormalisasi.
Apabila pada jaringan saraf tiruan yang telah dilatih menggunakan trastd untuk preprocessing, maka apabila ada data input baru yang akan disimulasikan, data baru
tersebut juga harus disesuaikan dengan nilai mean dan standar deviasi dari jaringan. Untuk keperluan ini, dapat digunakan fungsi trastd.
2.2 Aplikasi Backpropagation Dalam Prediksi
Prediksi adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang yang didasarkan pada data waktu sekarang dan waktu lampau historical
data[4].
Prediksi merupakan suatu proses untuk memperkirakan kejadian ataupun perubahan di masa yang akan datang[11]. Dalam suatu proses kegiatan, proses
prediksi ini merupakan awal dari rangkaian kegiatan, dan sebagai titik tolak kegiatan berikutnya. Permodelan time series sering sekali dikaitkan dengan proses prediksi
forecasting suatu nilai karakteristik tertentu pada periode kedepan, melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem[15].
Dengan mendeteksi pola dan kecendrungan data time series, kemudian memformulasikannya dalam suatu model, maka dapat digunakan untuk memprediksi
data yang akan datang. Model dengan akurasi yang tinggi akan menyebabkan nilai prediksi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan
keputusan.
Salah satu metode prediksi yang berkembang saat ini adalah menggunakan jaringan saraf tiruan artificial neural network, dimana jaringan saraf tiruan telah
menjadi penelitian yang menarik dan banyak digunakan untuk menyelesaikan masalah pada beberapa bidang kehidupan. Salah satu diantaranya adalah untuk analisis data
time series pada masalah forecasting.
Universitas Sumatera Utara
