Pembagian Data Proses Pelatihan

3.5. Pembagian Data

Setelah data ditransformasikan dan dibagi menjadi data latih dan data uji, selanjutnya dilakukan prediksi dengan menggunakan jaringan saraf RBF. Data yang berjumlah 1191 data dibagi menjadi 75 data latih dan 25 data uji.

3.6. Proses Pelatihan

Proses prediksi dilakukan adalah dengan membandingkan data aktual dengan data output dari data uji hasil prediksi dengan jaringan RBF. Pada proses prediksi dilakukan pelatihan data untuk mendapatkan weight dan parameter lain agar dapat melakukan pengujian sistem. Langkah yang dilakukan pada proses pelatihan dapat dijelaskan pada Gambar 3.2. Mulai Data Training, input node, hidden Node, output node, learning rate, maximum epoch Jarak Euclidean norm minimum Nilai centerbaru = nilai center lama Hitung Fungsi Aktivasi Gaussian Update nilai Cn Hitung nilai output Bobot baru = bobot lama bobot, bias dan learning rate, epoch center Update nilai bobot Selesai yes No yes No Gambar 3.2 Tahap Pelatihan Universitas Sumatera Utara 3.6.1 Data Pre-processing Data proses yang akan digunakan pada jaringan saraf tiruan merupakan data yang berbentuk vektor. Data-data yang digunakan untuk proses merupakan data kemarin, data hari ini dan data hasilnya adalah data untuk hari selanjutnya. Data1 Data2 Data3 Data4 Data5 Data6 Data895 Data896 Skala data Hari 1 2 3 4 5 6 895 896 Gambar 3.3 Data Time Series untuk Pre-processing Pelatihan Penetapan pemilihan jumlah variabel dilakukan berdasarkan kemungkinan pengaruh variabel tersebut dengan nilai yang akan dihasilkan. Variabel yang akan digunakan ada dua yaitu sebagai berikut. a. Hasil produksi Hasil produksi merupakan berat keseluruhan jumlah produksi kelapa sawit. b. Jumlah tross Tross merupakan jumlah buah seluruh tandan kelapa sawit. Hampir sama dengan berat tandan, hubungan jumlah tross dengan hasil produksi berpengaruh pada berat keseluruhan hasil produksi. Tahapan praproses pelatihan yang akan dilakukan pada proses prediksi ini adalah 1. Langkah penggunaan data misalkan menggunakan 5 input data untuk mendapatkan hasil prediksi hari selanjutnya dapat dilihat pada Tabel 3.5. Tabel 3.5 Model Data yang Digunakan Jumlah Variabel = 1 Data Hari Ke Variabel yang digunakan 4 hari yang lalu Hasil n untuk n = 1,2,3,… 3 hari yang lalu Hasil n+1 untuk n = 1,2,3,… 2 hari yang lalu Hasil n+2 untuk n = 1,2,3,… 1 hari yang lalu Hasil n+3 untuk n = 1,2,3,… Hari ini Hasil n+4 untuk n = 1,2,3,… Esok hari Hasil n+5 untuk n = 1,2,3,… Universitas Sumatera Utara Penentuan jumlah input node yang ditentukan berdasarkan seberapa banyak data masa lalu yang akan dipakai untuk memprediksi jumlah hasil produksi di hari selanjutnya. Misalkan data yang digunakan sebanyak lima data, maka akan ada 5 input dengan jumlah variabel yang dipakai sebanyak 1 variabel dalam satu jaringan. Variabel n merupakan alur data yang akan digunakan untuk selanjutnya dan menghasilkan output n selanjutnya. Sehingga arsitektur jaringan RBF yang digunakan dapat dilihat pada Gambar 3.4. Gambar 3.4 Arsitektur Jaringan RBF yang Digunakan Haykin, 2009 Input data yang digunakan adalah 5 dengan 1 variabel dan menghasilkan 1 output. Aturan penggunaan data tersebut seperti pada tabel digambarkan pada Gambar 3.5. Data1 Data2 Data3 Data4 Data5 Data6 Data895 Data896 Skala data Hari 1 2 3 4 5 6 895 896 = [ � � � � � ] } jumlah node input Jumlah variabel Output = [ � ] Gambar 3.5 Langkah 1 untuk n = 1 2. Menetapkan nilai hidden node, learning rate dan jumlah maksimum epoch yang dibutuhkan. Sebagai pelatihan awal, nilai parameter dapat ditentukan seperti yang tertulis pada Tabel 3.6. � � � Universitas Sumatera Utara Tabel 3.6 Nilai-Nilai Parameter Parameter Nilai Input Node 5 Hidden Node 3 Output Node 1 Learning Rate 0.1 Epoch 1 Maksimal Epoch 3000 3.6.2 Data Proses Setelah menentukan nilai-nilai parameter yang akan digunakan untuk jaringan, maka proses pelatihan yang akan dilakukan adalah sebagai berikut. Proses iterasi 1, Jumlah Variabel yang digunakan = 1, pada n =1. 1. Proses dari input layer ke hidden layer siap dilakukan. Inisialisasi nilai awal input dapat dilihat pada Tabel 3.7. Algoritma K-Means akan digunakan untuk mendapatkan nilai center. Sebelumnya dilakukan inisialisasi nilai center awal yang ditentukan sama dengan nilai input, dapat dilihat pada Tabel 3.8, Tabel 3.7 Nilai Input untuk n = 1 Input ke Nilai 1 0.3355234239444766 2 0.31410063620589934 3 0.46827067669172934 4 0.592967032967033 5 0.5111162521688838 Tabel 3.8 Nilai Awal Center Center hidden ke A 1 0.3355234239444766 2 0.31410063620589934 3 0.46827067669172934 Universitas Sumatera Utara Setelah menentukan nilai awal center, maka nilai tersebut akan digunakan untuk mencari nilai center baru di setiap hidden node. Jika nilai center yang baru tersebut sama dengan nilai center lama pada perulangan berikutnya maka nilai center tersebut akan digunakan untuk proses pada hidden layer. 2. Hitung nilai euclidian distance pada hidden node dengan persamaan 2.8. Contoh perhitungan nilai euclidean distance seperti yang terlihat berikut ini. Hidden Node 1 Perulangan 1 Distance 11 = √ . − . = . Distance 21 = √ . − . = 0.0214227877 … … … Distance 51 = √ . − . = 0.1755928 Hidden Node 2 Perulangan 1 Distance 12 = √ . − . = . Distance 22 = √ . − . = 0.0 … … … Distance 51 = √ . − . = 0.197015615 Hidden Node 3 Perulangan 1 Distance 13 = √ . − . = 0.13274725 Distance 23 = √ . − . = 0.15417004 … … … Distance 51 = √ . − . = 0.04284557 Universitas Sumatera Utara Lalu didapat hasil perhitungan jarak pada hidden node seperti pada tabel 3.9 Tabel 3.9 Hasil Jarak Data pada Masing-Masing Hidden Node Data ke Node Hidden 1 Node Hidden 2 Node Hidden 3 dH1 dH2 dH3 1 0.0 0.0214227877 0.1327472527 Ok 2 0.0214227877 0.0 0.1541700404 Ok 3 0.1327472527 0.1541700404 . Ok 4 0.257443609 0.2788663967 0.12469635627 Ok 5 0.17559282822 0.19701561596 0.04284557547 Ok 3. Ambil nilai indeks data pada hidden dengan nilai jarak euclidean yang paling minimum. Lalu hitung nilai center baru dengan persamaan 2.9 dan didapat nilai center baru. Center 1 = × . = [ . ] Center 2 = × . = [ . ] Center 3 = × . + . + . = . 4. Setelah mendapat nilai center baru ulangi langkah 2 dan langkah 3 sampai nilai center tersebut tidak berubah. Jika nilai center tidak berubah lagi maka proses pencarian center dengan algoritma K-Means selesai. Nilai center akhir seperti yang tertulis pada tabel 3.10. Tabel 3.10 Nilai Center Setelah Di-update Center hidden ke a 1 0.33552342 2 0.31410063 3 0.52411798 5. Setelah mendapatkan nilai center, maka dihitung nilai aktivasi pada hidden layer dengan menggunakan fungsi gaussian. Untuk menghitung nilai gaussian terlebih dahulu dihitung nilai standar deviasi σ dengan persamaan 2.5 Universitas Sumatera Utara � = . . = . � = . . = . � = . . = . Setelah didapat nilai standar deviasi dihitung nilai gaussian φ dengan persamaan 2.4 Φ = − × . − . 2 +⋯+ . − . 2 × . 2 = . Φ = − × . − . 2 +⋯+ . − . 2 × . 2 = . Φ = − × . − . 2 +⋯+ . − . 2 × . 2 = . Nilai hasil perhitungan fungsi aktivasi gaussian dapat dilihat pada Tabel 3.11 Tabel 3.11 Nilai Fungsi Gaussian pada n = 1 Hidden Node X1 1 0.534323352 2 0.565679106 3 0.5240411326 Karena pada jaringan terdapat nilai bias maka bentuk matrix fungsi gaussian dapat dilihat seperti berikut ini. � = [ . . . . ] 6. Setelah mendapatkan nilai fungsi aktivasi pada hidden layer maka tahap selanjutnya adalah proses hidden layer menuju ke output layer. Pada tahap ini merupakan tahapan supervised learning dengan menggunakan algoritma Least Means Square. Pertama inisialisasi nilai weight dan bias terlebih dahulu secara acak seperti pada Tabel 3.12. Universitas Sumatera Utara Tabel 3.12 Inisialisasi Nilai Awal Weight Node Hidden Weight pada Output 1 1 0.0 2 0.0 3 0.0 Bias 0.0 7. Hitung nilai output dengan melakukan seperti yang tertulis pada persamaan 2.10. Uraian hitungan output dapat dilihat seperti yang berikut ini. = [ . . . . ] × [ . . . . ] = . 8. Hitung selisih atau sinyal error antara nilai output dan target dengan persamaan 2.11 Uraian hitungan dapat dilihat seperti berikut ini. � = [ . ] − [ . ] = [ . ] 9. Update weight dan bias dengan persamaan berikut ini pada persamaan 2.12 dan 2.13. Uraian hitungan dapat dilihat seperti berikut ini. ∆ = [ . ] × [ . . . . ] = [ . . . . ] � = [ . . . . ] + . × [ . . . . ] = [ . . . . ] Nilai weight yang telah di update dapat dilihat pada Tabel 3.13 Universitas Sumatera Utara Tabel 3.13 Nilai Weight yang Telah Di-update pada n = 1 Node Hidden Weight 1 . 2 . 3 . Bias . 10. Lakukan hal yang sama untuk n = 2 sampai n = 891 dengan langkah 1 sampai 9 dengan menggunakan nilai awal center dan weight yang di dapat pada n-1. 11. Lakukan langkah 1-10 pada iterasi selanjutnya sampai nilai center dan nilai weight tidak berubah lagi dan menghasilkan nilai error yang kecil. Pada akhirnya didapat nilai akhir center dan nilai weight yang tidak berubah. Nilai akhir center dapat dilihat pada Tabel 3.14 dan nilai akhir weight dapat dilihat pada Tabel 3.15. Tabel 3.14 Nilai Center Akhir Hidden Node Nilai Center 1 0.3664545980335454 2 0.27865818392134184 3 0.4166917293233083 Tabel 3.15 Nilai Weight Akhir Hidden Node Nilai Weight 1 0.035982847464890146 2 0.056416156514107585 3 -0.018242887407292956 Bias 0.33156795193391864 Universitas Sumatera Utara

3.7 Proses Pelatihan