Menentukan komposisi pembagian data dan parameter-parameter jaringan syaraf

tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun. Dalam pembangunan jaringan yang akan digunakan dalam peramalan, hasil keputusan yang kurang memuaskan dapat diperbaiki dengan penggunaan laju pembelajaran dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling optimum agar MAPE dan MSE jaringan dapat diperbaiki. 6. Memilih dan menggunakan struktur jaringan yang optimum Jaringan yang dibangun akan dinilai keakuratannya. Metode penilaian yang digunakan adalah nilai Percentage Error PE, Mean Absolute Percentage Error MAPE dan nilai Mean Square Error MSE. Pendekatan MSE digunakan untuk menilai kinerja jaringan yang dilatih. Keakuratan model diukur secara relatif berdasarkan nilai MAPE karena dapat mengenal secara pasti signifikasi hubungan diantara data prediksi dengan data aktual. Nilai PE, MAPE dan MSE diperoleh dari persamaan di samping ini : a. Percentage Error PE 20 dengan, = nilai aktual data ke-i = nilai prediksi data ke-i b. Mean Absolute Percentage Error MAPE 21 dengan, = banyaknya data yang diprediksi = nilai mutlak dari PE c. Mean Square Error MSE 22 dengan, = banyaknya data yang diprediksi = nilai aktual data ke-i = nilai prediksi data ke-i Makridakis et a1, 1999 Berdasarkan nilai MAPE dan PE yang terendah dari proses pelatihan maka akan diperoleh jaringan syaraf tiruan yang optimum. Keakuratan dari jaringan syaraf tiruan ini dilihat dari nilai MAPE, MSE dan PE pada proses pengujian dan validasi. Semakin kecil nilai MAPE dan MSE maka jaringan syaraf tiruan pun akan semakin akurat untuk melakukan proses prediksi atau pendugaan terhadap parameter yang kita inginkan. IV HASIL DAN PEMBAHASAN

4.1 Menentukan komposisi pembagian data dan parameter-parameter jaringan syaraf

tiruan yang sesuai Pada karya ilmiah ini dilakukan lima jenis percobaan untuk mengetahui dampak perubahan karakteristik JST terhadap nilai- nilai parameter konvergensi. Kelima percobaan ini bertujuan untuk menemukan kombinasi yang baik antara komposisi dari pembagian data untuk pelatihan dan pengujian dan validasi, kombinasi nilai antara laju pembelajaran dan momentum, banyaknya neuron tersembunyi, besarnya toleransi galat, dan juga untuk besaran maksimum iterasi. Berikut percobaan yang dilakukan dalam karya ilmiah ini, yaitu : 1. Mencari komposisi yang baik dari pembagian data pelatihan dan data pengujian dan validasi Dalam percobaan ini akan dicari komposisi pembagian data pelatihan dan pengujian yang baik dari beberapa komposisi di bawah ini : a. untuk data pelatihan dan untuk data pengujian dan validasi b. untuk data pelatihan dan untuk data pengujian dan validasi c. untuk data pelatihan dan untuk data pengujian dan validasi. Pada percobaan ini, semua kombinasi nilai dari laju pembelajaran, momentum dan juga banyaknya neuron tersembunyi akan digunakan. Akan tetapi, untuk nilai galat ditentukan sebesar dan besarnya maksimum iterasi ditetapkan sebesar . Percobaan ini dilakukan sebanyak kali pengulangan. Dan, dari hasil kali proses pengulangan yang telah dilakukan maka didapatkan hasil hasil lengkap lihat Lampiran sampai dengan Lampiran 8 seperti pada Tabel 2 berikut ini : tersembunyi berkisar dari sampai dengan 4 neuron. 5. Pemilihan laju pembelajaran dan momentum Pemilihan laju pembelajaran dan momentum mempunyai peranan yang penting untuk struktur jaringan yang akan dibangun. Dalam pembangunan jaringan yang akan digunakan dalam peramalan, hasil keputusan yang kurang memuaskan dapat diperbaiki dengan penggunaan laju pembelajaran dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling optimum agar MAPE dan MSE jaringan dapat diperbaiki. 6. Memilih dan menggunakan struktur jaringan yang optimum Jaringan yang dibangun akan dinilai keakuratannya. Metode penilaian yang digunakan adalah nilai Percentage Error PE, Mean Absolute Percentage Error MAPE dan nilai Mean Square Error MSE. Pendekatan MSE digunakan untuk menilai kinerja jaringan yang dilatih. Keakuratan model diukur secara relatif berdasarkan nilai MAPE karena dapat mengenal secara pasti signifikasi hubungan diantara data prediksi dengan data aktual. Nilai PE, MAPE dan MSE diperoleh dari persamaan di samping ini : a. Percentage Error PE 20 dengan, = nilai aktual data ke-i = nilai prediksi data ke-i b. Mean Absolute Percentage Error MAPE 21 dengan, = banyaknya data yang diprediksi = nilai mutlak dari PE c. Mean Square Error MSE 22 dengan, = banyaknya data yang diprediksi = nilai aktual data ke-i = nilai prediksi data ke-i Makridakis et a1, 1999 Berdasarkan nilai MAPE dan PE yang terendah dari proses pelatihan maka akan diperoleh jaringan syaraf tiruan yang optimum. Keakuratan dari jaringan syaraf tiruan ini dilihat dari nilai MAPE, MSE dan PE pada proses pengujian dan validasi. Semakin kecil nilai MAPE dan MSE maka jaringan syaraf tiruan pun akan semakin akurat untuk melakukan proses prediksi atau pendugaan terhadap parameter yang kita inginkan. IV HASIL DAN PEMBAHASAN

4.1 Menentukan komposisi pembagian data dan parameter-parameter jaringan syaraf