175 Perkiraanproyeksi dengan menggunakan teknik Back Propagation Network memiliki
2 dua tahapan penting yang saling berkaitan diantaranya tahapan penentuan model matematis dan tahapan implementasi model. Tahapan penentuan model matematis
pada dasarnya merupakan tahapan penentuan nilai-nilai koefisien dari peubah-peubah bebas dalam mendefinisikan peubah-peubah terikatnya sehingga membentuk sebuah
persamaan matematis. Sedangkan tahapan implementasi merupakan tahapan penggunaan model
matematis yang telah dibangun tersebut untuk kepentingan prediksiperkiraan. Dengan pertimbangan ini Modul Back Propagation Network harus menyediakan
fungsi-fungsi untuk kepentingan-kepentingan tersebut.
4.1. Proses Training
Proses Training adalah fungsi yang disediakan pada Modul Back Propagation Network untuk membantu pengguna dalam membangun model matematis dari
peubah-peubah dalam model yang dianalisa. Proses Training secara teknis merupakan prosedur yang dilakukan modul secara iteratif dengan mempelajari tingkat kesalahan
antara data aktual peubah-peubah terikat dengan nilai training-nya. Nilai-nilai kesalahan yang terjadi pada setiap iterasi didistribusikan kembali pada masing-masing
peubah bebasnya. Iterasi dihentikan apabila nilai kesalahan telah memperlihatkan kenaikan atau jumlah iterasi telah melebihi jumlah yang ditetapkan.
Proses Training pada Modul Back Propagation Network dapat diaktifkan dengan memberikan perintah ‘Proses Training pada Back Propagation Network’ yang
ditempatkan pada halaman utama modul. Arahkan pointer pada tom-
bol ‘Proses Training pada Back Pro- pagation Network’ kemudian klik
tombol tersebut.
Gambar 13. Panel Utama Proses Trainig
Ada beberapa tahapan yang harus dilakukan sebelum proses training dijalankan. Tahapan-tahapan ini mencakup tahapan
inisialisasi peubah, inisialisasi data, dan penetapan konfigurasi lainnya. Berikut ini disajikan uraian mengenai tahapan tahapan tersebut.
4.1.1. Inisialisasi Variabel Input Layer
Inisialisasi Variabel Input Layer merupakan tahapan penentuan peubah-peubah bebas. Pada tahapan ini pengguna diharuskan mengisi peubah-peubah bebas yang terkait
dengan model yang dianalisa. Aktifkan dialog Inisialisasi Variabel Input Layer dengan cara meng-klik perintah ‘Inisialisasi Variabel Input Layer’ yang disediakan
pada panel utama proses training. Kemudian tetapkan peubah-peubah bebas sesuai keinginan. Prosedur editing penambahanpenghapusan variabel input layer secara
umum dibahas pada bagian Inisialisasi Variabel.
4.1.2. Inisialisasi Variabel Hidden Layer
Inisialisasi Variabel Hidden Layer merupakan tahapan penentuan peubah-peubah perantaratersembunyi hidden. Pada tahapan ini pengguna diharuskan mengisi
176 peubah-peubah perantaratersembunyi hidden yang terkait struktur model yang
dianalisa. Aktifkan dialog Inisialisasi Variabel Hidden Layer dengan cara meng- klik perintah ‘Inisialisasi Variabel Hidden Layer’ yang disediakan pada panel utama
proses training. Kemudian tetapkan peubah-peubah perantaratersembunyi hidden sesuai keperluan.
Prosedur editing penambahanpenghapusan variabel hidden layer secara umum dibahas pada bagian Inisialisasi Variabel.
4.1.3. Inisialisasi Variabel Output Layer
Inisialisasi Variabel Onput Layer merupakan tahapan penentuan peubah-peubah terikat. Pada tahapan ini pengguna diharuskan mengisi peubah-peubah terikat yang
terkait dengan model yang dianalisa. Dialog Inisialisasi Variabel Output Layer dapat diaktifkan dengan cara meng-klik perintah ‘Inisialisasi Variabel Output Layer’ yang
disediakan pada panel utama proses training. Kemudian tetapkan peubah-peubah terikat sesuai keperluan. Adapun Prosedur editing penambahanpenghapusan
variabel output layer secara umum dibahas pada bagian Inisialisasi Variabel.
4.2. Inisialisasi Variabel
Topik ini dirancang untuk membantu pengguna dalam operasionalisasi teknis inisialisasi variabel-variabel pada input layer, hidden layer, dan output layer. Petunjuk
penggunaan ketiga fungsi inisialisasi tersebut dibahas secara umum pada bagian ini karena secara teknis ketiga fungsi tersebut memiliki prosedur yang identik, hanya saja
pada bagian Inisialisasi Variabel Input Layer sedikit berbeda tidak disediakan fungsi aktivasi.
Halaman Inisialisasi Variabel didesain sebagai jendela dialog yang dapat digunakan untuk menambah, menghapus, dan mengedit variabel inputhiddenoutput. Disamping
itu dialog ini berguna untuk menetapkan jenis fungsi aktivasi bagi hidden layer dan output layer. Berikut adalah uraian singkat mengenai topik Inisialisasi Variabel.
4.2.1. Menambahkan Variabel
Variabel-variabel input, hidden, dan output layer dapat ditambahkan sesuai keperluan pada dialog Inisialisasi Variabel. Letakkan pointer pada kotak ‘Deskripsi Variabel’
kemudian tuliskan nama variabel yang akan dimasukkan, selanjutnya tekan [Enter] pada keyboard. Semua variabel yang dimasukkan akan didaftarkan dalam ‘Area
Daftar Variabel’. Gunakan nama yang berbeda setiap kali menambahkan variabel untuk menghindari kemungkinan konfliknya variabel modul ini.
4.2.2. Menghapus Variabel
Variabel-variabel input, hidden, dan output layer dapat dihapus apabila variabel- variabel tersebut tidak diperlukan. Pada ‘Area Daftar Variabel’ Pilih variabel yang
akan dihapus dengan cara mengklik variabel yang bersangkutan. Kemudian klik tombol ‘Hapus’ – variabel tersebuat akan dihilangkan dari daftar variabel. Menghapus
variabel tidak dapat dibatalkan karena itu pastikan terlebih dahulu sebelum menghapusnya.
177
4.2.3. Mengedit Deskripsi Variabel
Deskripsinama variabel-variabel input, hidden, dan output layer dapat diganti jika diperlukan. Aktifkan terlebih dahulu variabel yang akan diganti deskripsinamanya
dengan cara mengklik variabel tersebut, kemudian klik tombol ‘Edit’. Pada dialog yang ditampilkan, masukkan deskripsi atau nama variabel sesuai keperluan. Tekan
[Enter] atau klik ‘OK’ untuk menyetujui dan tekan [Esc] atau klik ‘Cancel’ untuk membatalkan.
Tab Fungsi Aktivasi
Area Daftar Variabel
Letakkan kursor pada kotak dialog ini kemudian masukkan variabel dan tekan [Enter]
Gambar 14. Visualisasi Dialog Inisialisasi Variabel
4.2.4. Menetapkan Fungsi Aktivasi
Fungsi aktivasi variabel-variabel pada hidden layer dan output layer dapat ditetapkan dengan cara meng-klik variabel yang bersesuaian pada ‘Area Daftar Variabel’.
Selanjutnya pilih salah satu opsi fungsi aktivasi yang ditempatkan pada ‘Tab Fungsi Aktivasi’ dengan cara meng-klik fungsi aktivasi yang sesuai.
4.2.5. Inisialisasi Data Training
Data Training merupakan data aktual yang digunakan untuk kepentingan proses training pada Modul Back Propagation Network. Data training harus diinisialisasi
terlebih dahulu karena data inilah yang akan menentukan struktur model matematis dari sistem yang dianalisa. Pengisian data data training dapat dilakukan pada dialog
inisialisasi data training. Aktifkan dialog tersebut dengan cara meng-klik perintah ‘Inisialisasi Data Training’ yang ditempatkan pada panel utama proses training.
Dialog Inisialisasi Data Training disajikan dalam bentuk tabel yang terdiri dari kolom- kolom yang merupakan kolom peubah-peubah bebas maupun peubah-peubah terikat.
Masing-masing kolom harus diisi pengguna dengan data aktual dari peubah-peubah
178 yang bersesuaian. Masukkan data sesuai keperluan kemudian akhiri dengan menekan
tombol [Enter] sebagai tanda persetujuan. Gunakan tombol [Esc] pada keyboard untuk membatalkannya.
Data aktual yang dimasukkan pengguna pada Dialog Inisialisasi Data Training harus dinormalisasi terlebih dahulu agar data tersebut sesuai dengan tipe data yang
diperlukan dalam proses training. Akan tetapi persyaratan tersebut tidak perlu dilakukan pengguna karena Modul Back Propagation Network telah menyediakan
rutin yang dijalankan secara otomatis. Pengguna hanya tinggal menentukan tipe normalisasi yang diperlukan. Pilihlah tipe normalisasi sesuai kepentingan dengan cara
meng-klik salah satu pilihan yang ada pada tab ‘Tipe Normalisasi’. Gunakan opsi Tanpa Normalisasi pada pilihan tipe normalisasi hanya jika data yang dimasukkan
berupa data yang sudah dinormalisasi
Jika kegiatan pengisian data aktual telah selesai dilakukan, pengguna harus meng- update data-data tersebut sebelum kembali ke halaman sebelumnya. Arahkan pointer
pada tombol ‘Update’ kemudian klik tombol tersebut. Data tidak akan dimasukkan
ke dalam database jika pengguna tidak mengu-update data tersebut meskipun semua data pada lembar kerja ditampilkan.
Informasi
Update data tidak dilakukan secara otomatis, selalu lakukan update data sebelum menutup dialog inisialisasi data
Update Perubahan Klik tombol ini sebelum menutup dialog
Kembali Klik tombol ini untuk menutup dialog
Gambar 15. Visualisasi Dialog Inisialisasi data Training
179 Pengguna dapat kembali ke halaman sebelumnya yaitu halaman yang terakhir kali
ditampilkan sebelum halaman ini jika telah selesai meng-edit data. Arahkan pointer pada tombol ⌧ ‘Kembali’ kemudian klik tombol ini.
4.2.6. Inisialisasi Data Testing
Data Testing merupakan data aktual yang digunakan sebagai data pembanding atau untuk keperluan validasi model matematis yang dibangun pada saat iterasi Back
Propagation Network. Data testing harus diinisialisasi terlebih dahulu karena data ini sangat berguna dalam proses pengambilan keputusan untuk validasi model.
Inisialisasi data testing dapat dilakukan pada dialog inisialisasi data testing. Aktifkan dialog tersebut dengan cara meng-klik perintah ‘Inisialisasi Data Testing’ yang
ditempatkan pada panel utama proses training.
Teknis penggunaan halaman Inisialisasi Data Testing memiliki prosedur yang identik dengan teknis penggunaan halaman
Inisialisasi Data Training seperti di bahas pada
uraian sebelumnya.
Gambar 16. Inisialisasi data Testing
4.2.7. Prosedur Training
Prosesdur Training merupakan prosedur inti dari Modul Back Propagation Network setelah semua peubah serta konfigurasi ditetapkan. Pada prosedur inilah dilakukan
pembelajaran dengan teknik Back Propagation Network untuk membangun model matematis dari peubah-peubah sistem yang dianalisa. Training dilakukan secara
180 iteratif dimana pada setiap iterasi koefisien-koefisien yang terlibat selalu diperbaiki
untuk mencapai kesalahan yang paling rendah. Karena itu apabila pada iterasi tertentu tingkat kesalahan mengalami peningkatan, maka iterasi dihentikan. Disamping itu
penghentian iterasi juga dilakukan apabila jumlah iterasi telah melebihi jumlah yang ditetapkan.
Halaman Prosedur Training dapat diaktifkan dengan memberikan perintah ‘Prosedur Training’. Arahkan pointer pada tombol ‘Prosedur Training’ kemudian klik tombol
tersebut.
Mulai proses training Stop proses training
Kopi grafik training ke memori Simpan keluaran model
Tampilkan grafik peubah lain Kembali ke halaman sebelumnya
Gambar 17. Visualisasi Dialog Prosedur Training Ada beberapa variabel yang harus diatur dalam proses pembelajaran model
diantaranya penetapan learning rate, momentum rate, maximum epoch, dan minimum error. Learning rate dan momentum rate adalah koefisien-koefisien pembelajaran,
sedangkan maximum epoch dan minimum error adalah level interupsi proses training. Iterasi pembelajaran akan dihentikan jika jumlah iterasi melebihi maximum epoch atau
tingkat kesalahan melebihi minimum error. Iterasi tetap dihentikan apabila tingkat kesalahan mengalami peningkatan. Masukkan nilai-nilai parameter tersebut pada
kotak-kotak yang bersesuaian kemudian tekan [Enter].
Setelah semua parameter ditetapkan, proses pembelajaran dapat dimulai. Klik perintah ‘Start’ untuk memulai pembelajaran – pengguna dapat melihat secara visual
hasil pembelajaran berupa grafik training-testing, tingkat kesalahan, dan korelasi pearson pada setiap iterasi. Iterasi pembelajaran dapat dihentikan meskipun proses
pembelajaran sedang berlangsung, gunakan perintah ‘Stop’ untuk menghentikan iterasi pembelajaran.
181 Proses training tentu saja dilakukan pada kondisi normalisasi dan fungsi aktivasi yang
telah ditetapkan sebelumnya. Akan tetapi untuk kepentingan tertentu misalnya simulasi penentuan tipe normalisasi dan fungsi aktivasi terbaik proses training dapat
dilakukan pada semua kombinasi normalisasi dan fungsi aktivasi yang ada. Modul Back Propagation Network menyediakan fungsi sehingga semua kombinasi
normalisasi dan fungsi aktivasi disimulasi. Aktifkan ceklis ‘Simulasi’ untuk mencoba semua kombinasi tersebut, kemudian klik tombol ‘Start’ – semua kombinasi akan
diproses dan hasilnya akan direkam dalam bentuk file. Grafis training disimpan dalam direktori yang sama dengan nama file aktif dengan formula ‘[file].trn.record.[nama
output layer].[normalisasi data training]-[normalisasi data testing].[aktivasi input layer].[aktivasi output layer].bmp’, misalnya default.trn.record.Harga Minyak Goreng
Bulan 1.0-1.SigBin.SigBin.bmp. Sedangkan nilai-nilai kesalahan dan korelasi disimpan dalam formula ‘[file].trn.record’, misalnya default.trn.record.
Grafis hasil training dari variabel output yang tampil dapat dikopi ke memori untuk kemudian digunakan pada aplikasi lain seperti Microsoft Word, Microsoft Excel, dan
sejenisnya untuk keperluan reporting. Gunakan fasilitas ‘Copy’ untuk mengkopi
grafik ke memori kemudian sisipkan pada editor lain dengan operasi ‘Paste’. Koefisien-koefisien hasil training yang nantinya membentuk model matematis juga
dapat disimpan dalam bentuk file jika diperlukan. Arahkan pointer pada tombol ‘Simpan keluaran dalam bentuk file’ kemudian klik tombol ini. Tetapkan nama dan
lokasi file pada dialog yang ditampilkan kemudian tekan [Enter] atau klik tombol ‘OK’ untuk melanjutkan dan tekan [Esc] atau klik tombol ‘Cancel’ untuk
membatalkan. Model matematis keluaran proses training disimpan dalam ekstensi .nn_mdl.
4.3. Implementasi Model
Koefisien-koefisien hasil training yang membentuk sebuah persamaan matematis dapat digunakan untuk melakukan simulasiprediksi variabel output dengan
melakukan interpolasi terhadap variabel-variabel inputnya. Lakukan simulasi nilai- nilai aktual sesuai keperluan pada ‘Area Input Variabel’ yang diakhiri dengan
menekan tombol [Enter] pada keyboard. Semua perubahan yang dilakukan akan dimasukkan ke dalam model matematis yang berlaku kemudian dilaporkan hasilnya
pada ‘Area Hasil Interpolasi’.
Tetapan bulan dan tahun pada halaman implementasi model peramalan digunakan sebagai periode aktual data pengamatan. Periode perkiraan berikutnya dihitung
setelah periode yang ditetapkan. Penetapan bulan dan tahun pada halaman impementasi model dapat dilakukan dengan cara meng-klik kombo bulan dan tahun,
kemudian pilih bulantahun pada daftar yang ada.
182
Membuka model Menyimpan nilai
variabel
Area Input Variabel
Hasil interpolasi model
Gambar 18. Visualisasi Dialog Implementasi Model
4.4. Dokumentasi File
Bagian dokumentasi file sebagai fasilitas untuk mempermudah pengguna dalam manajemen data yang dianalisis. Bagian ini memiliki perintah-perintah yang dapat
digunakan untuk membuat dokumen baru
, membuka dokumen
yang sebelumnya telah disimpan dalam media penyimpan, dan
menyimpan dokumen aktif.
Membuat Dokumen Baru Perintah ini digunakan untuk membuat dokumen yang sama sekali baru tanpa
variabel-variabel pada input, hidden, dan output layer. Operasi ‘membuat dokumen baru’ dapat juga didefinisikan sebagai kegiatan mengosongkan variabel-variabel
tersebut. Perintah ‘membuat dokumen baru’ tidak secara otomatis menyimpan file yang sedang dikerjakan, simpanlah dokumen tersebut jika anda memerlukannya pada
kesempatan lain.
Membuka Dokumen Aplikasi Back Propagation Network menyediakan fasilitas untuk membuka dokumen
yang sebelumya telah tersimpan dalam media penyimpan seperti hard disk, floppy disk, flash disk, dan sejenisnya. Klik tombol
membuka dokumen yang terdapat pada kumpulan perintah dokumentasi – kemudian pengguna diminta untuk
menentukan nama dokumen yang akan dibuka. Silahkan tentukan lokasi dimana dokumen tersebut diletakkan kemudian klik [Open] atau tekan [Enter] untuk
melanjutkan. Untuk membatalkan, klik tombol [Cancel] atau tekan [Esc] pada keyboard.
183 Semua dokumen aplikasi
BPN Back Propagation Network secara default
disimpan dalam file ber- ekstensi Training Data
.trn.
Gambar 19. Dialog membuka dokumen
Menyimpan dokumen
aktif Untuk menyimpan doku-
men aktif dalam bentuk
file, gunakan tombol Menyimpan dokumen aktif yang terletak pada kumpulan
perintah dokumentasi. Jika dokumen yang aktif belum memiliki nama dokumen, maka nama dokumen akan ditanyakan. Tetapkan lokasi dan nama dokumen pada
dialog tersebut, kemudian klik [OK] atau tekan [Enter] untuk melanjutkan dan klik [Save] atau tekan tombol [Esc] untuk membatalkan. Jika dokumen tersebut sudah
mempunyai nama file, dialog ini tidak akan
ditampilkan. File yang diberikan tidak boleh
sama dengan file-file yang ada dalam folder
yang sama.
Pilih lokasi file di sini
Klik nama file yang akan dibuka Klik di sini untuk melanjutkan
Klik di sini untuk membatalkan
Gambar 20. Dialog
5. Modul Penentuan Krisis
harga minyak goreng l Penentuan Krisis dalam Sistem Manajemen Ahli DETRIME
Pilih lokasi file di sini
Tuliskan nama file di sini
Klik di sini untuk melanjutkan Klik di sini untuk membatalkan
Menyimpan Dokumen
Menentukan tingkat Krisis perkiraan
M
odu dirancang untuk membantu menentukan Krisis atau tidaknya harga minyak
goreng hasil perkiraan pada model pendugaan. Modul Penentuan Krisis
diolah menggunakan teknik heuristik yang melibatkan beberapa parameter makro. Dokumen ini dirancang sebagai petunjuk teknis penggunaan Modul Penentuan Krisis.
Visualisasi halaman utama model Penentuan Krisis dapat dilihat pada Gambar 21.
184
Panel Input
Panel Output
GAMBAR 21. Visualisasi dialog antar muka modul Penentuan Krisis.
Secara visual modul Penentuan Krisis hanya memiliki 2 dua panel yaitu Panel Input dan Panel Output. Panel Input digunakan sebagai interface untuk mengisi variabel-
variabel input yang terkait dalam Penentuan Krisis. Data yang dimasukkan pengguna pada Panel Input akan diolah Model Penentuan Krisis untuk kemudian ditampilkan
hasilnya pada Panel Output.
:: Mengisi Panel Input Kegiatan pengisian data pada Panel Input dapat dilakukan dengan memasukkan
angka-angka pada variabel-variabel yang sesuai dan diakhiri dengan menekan tombol [Enter] pada keyboard sebagai perintah untuk menyetujui pemasukan data. Batalkan
pemasukan data jika diperlukan dengan menekan tombol [Esc]. Perubahan apapun dalam Panel Input akan mempengaruhi tingkat Krisis semua variabel harga minyak
goreng yang ditampilkan pada Panel Output.
:: Menyimpan Perubahan Semua data yang dimasukan pengguna pada Panel Input dapat disimpan sebagai data
terakhir yang akan ditampilkan pada kesempatan berikutnya. Arahkan pointer di atas tombol
Meng-update perubahan kemudian klik tombol ini untuk menyimpan data-data yang dimasukkan.
