memilih model yang terbaik, karena diperlukan langkah pengujian lebih dahulu untuk memilih model yang paling optimum.
6.3.7. Hasil Pengujian 5 Model JST
Proses pengujian ini bertujuan untuk mengetahui seberapa besar jaringan ini mengenali data yang dimasukkan setelah melewati tahap pelatihan. Selain itu,
pengujian ini dilakukan untuk mengetahui keseimbangan jaringan dalam mengenali pola pelatihan secara benar dan memberikan tanggapan yang baik
terhadap pola lain. Pengujian dilakukan dengan menggunakan bobot JST hasil pelatihan
sebelumnya. Bobot JST tersebut diperoleh dari proses pelatihan dengan
konfigurasi JST dengan 5 variasi jumlah masukan data curah hujan. Dari hasil tahap pengujian dengan data tinggi air dan curah hujan selama jangka waktu
tertentu tanggal 18 April sd 21 April 2008 didapat hasil pengujian seperti pada Tabel 26.
Dari tabel di atas didapat bahwa masukan yang menghasilakn MSE
terkecil adalah dengan menggunakan model 4 yaitu dengan masukan data curah hujan CH
t
sd CH
t-96 jam
. Dimana harga MSE terkecil pada model 4 jika dibandingkan dengan model 1, 2, 3 dan 5. Dari tabel di atas walaupun R untuk
model 4 menunjukkan harga yang bukan terkecil karena dalam melihat hasil pemodelan yang terpenting adalah dengan melihat MSE dahulu baru dilihat
Korelasi R. Jika hasil pemodelan menunjukkan harga MSE yang sama antara dua
model, maka baru dilihat hasil korelasinya R yang terbesar yang menunjukkan hasil pemodelan yang terbaik. Untuk perhitungan lengkap pemodelan dengan
MSE terkecil yaitu model 4 B dapat dilihat pada Lampiran IV
Tabel 26 Hasil pengujian JST dengan
masukan data curah hujan bervariasi 1 sd 5 hari sebelumnya; laju pembelajaran 0,9 dan
0,5; serta momentum 0,5 dan 0,3
MODEL PERLAKUAN
NEURON LAJU
PEMBELAJARAN MOMENTUM
MSE PENGUJIAN R
A 20
0,9 0,5
0,0191 0,88
B 20
0,9 0,3
0,0194 0,88
C 20
0,5 0,5
0,0194 0,87
D 20
0,5 0,3
0,0165 0,87
E 30
0,9 0,5
0,0178 0,89
F 30
0,9 0,3
0,0199 0,88
G 30
0,5 0,5
0,0198 0,87
1 H
30 0,5
0,3 0,0195
0,87 A
20 0,9
0,5 0,0140
0,89 B
20 0,9
0,3 0,0144
0,90 C
20 0,5
0,5 0,0150
0,89 D
20 0,5
0,3 0,0157
0,89 E
30 0,9
0,5 0,0129
0,90 F
30 0,9
0,3 0,0143
0,90 G
30 0,5
0,5 0,0143
0,90 2
H 30
0,5 0,3
0,0146 0,89
A 20
0,9 0,5
0,0095 0,88
B 20
0,9 0,3
0,0086 0,87
C 20
0,5 0,5
0,0085 0,87
D 20
0,5 0,3
0,0068 0,87
E 30
0,9 0,5
0,0097 0,87
F 30
0,9 0,3
0,0091 0,87
G 30
0,5 0,5
0,0085 0,86
3 H
30 0,5
0,3 0,0078
0,86 A
20 0,9
0,5 0,0049
0,89 B
20 0,9
0,3 0,0046
0,89 C
20 0,5
0,5 0,0055
0,87 D
20 0,5
0,3 0,0057
0,87 E
30 0,9
0,5 0,0051
0,88 F
30 0,9
0,3 0,0049
0,89 G
30 0,5
0,5 0,0048
0,88 4
H 30
0,5 0,3
0,0051 0,88
A 20
0,9 0,5
0,0075 0,88
B 20
0,9 0,3
0,0068 0,88
C 20
0,5 0,5
0,0074 0,87
D 20
0,5 0,3
0,0067 0,88
E 30
0,9 0,5
0,0073 0,88
F 30
0,9 0,3
0,0071 0,88
G 30
0,5 0,5
0,0078 0,87
5 H
30 0,5
0,3 0,0069
0,88 Keterangan: MSE = Mean Square Error dan R = Korelasi antara target dan prediksi
MSE terkecil untuk setiap model
. Hasil Grafik korelasi antar target dan prediksi untuk ke lima model dengan
MSE terkecil tersebut dapat dilihat pada gambar di bawah ini.
Model 1D Neuron = 20 ; laju pembelajaran = 0,5 ; momentum = 0,3
y = 0,845x + 0,486 R² = 0,757
3,6 3,8
4 4,2
4,4
3,6 3,8
4 4,2
4,4 P
re d
ik si
m
Target m
Grafik Model 1 D
Gambar 60 Grafik hasil pengujian antara target dan prediksi untuk model 1D
Model 2E Neuron = 30 ; laju pembelajaran = 0,9 ; momentum = 0,5
y = 0,911x + 0,246 R² = 0,818
3,6 3,8
4 4,2
4,4
3,6 3,8
4 4,2
4,4
P re
d ik
si m
Target m
Grafik Model 2 E
Gambar 61 Grafik hasil pengujian antara target dan prediksi untuk Model 2E
Model 3D
Neuron = 20 ; laju pembelajaran = 0,5 ; momentum = 0,3
y = 0,825x + 0,632 R² = 0,755
3,6 3,8
4 4,2
4,4
3,6 3,8
4 4,2
4,4
Pr ed
ik si
m
Target m
Grafik Model 3D
Gambar 62 Grafik hasil pengujian antara target dan prediksi untuk Model 3D