Arsitektur Jaringan Fungsi Basis Radial

32

3.3.1.2 Arsitektur Jaringan Fungsi Basis Radial

Gambar 3.7 akan menjelaskan diagram alir arsitektur Fungsi Basis Radial. Ya Tidak Gambar 3.7 Diagram Alir Arsitektur Fungsi Basis Radial Arsitektur algoritma Fungsi Basis Radial sedikit agak berbeda dengan Propagasi Mundur. Pada langkah awal tentukan jumlah neuron pada lapisan masukan, tersembunyi dan keluaran. Jumlah neuron lapisan masukan adalah 4 buah yang merupakan gambaran dari Inisialisasi laju pembelajaran, iterasi maksimum, target error , bobot Mulai Selesai Menentukan pusat cluster menggunakan K-means clustering layer dan lebar cluster Tahap Pembelajaran Peramalan Saham iterasi=max iterasi atau MSE=target error ? Perbaikan bobot Hitung MSE; iterasi=iterasi+1 Simpan bobot Inisialisasi jumlah neuron masukan, jumlah cluster jumlah neuron lapisan tersembunyi, jumlah neuron 33 harga pembukaan, tertinggi, terendah dan keluaran. Jumlah neuron pada lapisan tersembunyi dipilih sesuai inputan. Sedangkan jumlah neuron pada lapisan keluaran adalah 1 yang menggambarkan harga saham hari berikutnya. Inisialisasi jumlah cluster , laju pembelajaran, iterasi maksimum, target error dan bobot awal. Penentuan jumlah cluster akan menentukan juga jumlah neuron pada lapisan tersembunyi. Artinya, jumlah cluster dan neuron lapisan tersembunyi adalah sama. Target error dan iterasi pada algoritma ini memiliki fungsi yang sama dengan algoritma Propagasi Mundur. Keduanya berfungsi untuk membatasi pelatihan jaringan. Sedangkan bobot awal pada algoritma Fungsi Basis Radial hanya berada pada lapisan tersembunyi ke lapisan keluaran. Biasanya, bobot awal ini diinisialisasi bernilai 0. Pada langkah kedua, ditentukan nilai pusat pada masing-masing cluster . Pada diagram alir di atas tampak bahwa proses pengelompokan ini dilakukan dengan algoritma K-means. Diagram alir algoritma K-means pada gambar 3.8 di bawah ini. Ya Tidak Gambar 3.8 Diagram Alir K-means Gambar 3.8 di atas menjelaskan bagaimana algoritma K-means bekerja. Algoritma K- means mengelompokkan data berdasarkan jarak minimum data terhadap nilai pusat yang telah dipilih. Pada awal algoritma, nilai pusat dipilih dengan acak berdasar data yang ada. Tentukan jumlah cluster Mulai Tentukan asumsi titik pusat cluster secara acak Hitung jarang masing- masing data ke titik pusat Kelompokan data berdasarkan jarak minimum Apakah data berpindah cluster ? selesai 34 Selanjutnya data tersebut dicari jaraknya terhadap titik pusat. Jarak tersebut menjadi acuan pengelompokan data sesuai jarak minimum terhadap titik pusat. Kemudian jumlah dari tiap kelompok cluster dibagi jumlah anggota cluster nya. Hasil pembagian tersebut adalah nilai pusat yang baru. Langkah ini diulang sampai tidak ada perpindahan kelompok cluster lagi. Setelah nilai-nilai pusat cluster sudah ditentukan, maka lebar cluster dapat dihitung. Pada algoritma Fungsi Basis Radial, nilai lebar adalah jarak maksimum antara 2 cluster yang dipilih. Tahap selanjutnya adalah tahap pembelajaran. Tahap pembelajaran akan terus diulang sampai target error dan iteraksi maksimum dicapai. Jika sudah dicapai, maka tahap peramalan dapat dilakukan dengan menggunakan bobot terakhir dari hasil pembelajaran sebelumnya yang sudah disimpan.

3.3.2. Normalisasi Data