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