Pada proses peramalan ini, output yang dibutuhkan hanyalah 1 output yaitu hasil
dari peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016
Arsitektur model jaringan syaraf tiruan dengan algoritma backpropagation yang dibangun dari 9 node pada hidden layer dengan input dan output
untuk peramalan jumlah sampah masyarakat Kota Medan adalah sebagai berikut:
Gambar 4.3 Arsitektur model jaringan syaraf tiruan dengan Algoritma backpropagation pada peramalan jumlah sampah.
4.1.2.5 Proses Training Jaringan Syaraf Tiruan Model Backpropagation
Pada proses training ini akan digunakan metode pembelajaran traingdx pada software MATLAB. Ada beberapa parameter yang dimasukkan dalam metode pembelaran ini. Adapun
parameternya adalah sebagai berikut:
1 Menentukan bobot model
Inisialisasi bobot dilakukan secara acak, dalam penelitian ini untuk menentukan bobot masukan menggunakan software MATLAB yaitu sebagi berikut:
Bobot awal input layer ke hidden layer pertama:
bias
�
bias
� �
Universitas Sumatera Utara
BobotAwal_Input=net.IW{1,1}
Bobot bias awal input layer ke hidden layer pertama:
BobotAwal_Bias_Input=net.b{1,1}
Bobot awal hidden layer pertama ke hidden layer kedua:
BobotAwal_Lapisan=net.LW{2,1}
Bobot bias awal hidden layer pertama ke hidden layer kedua:
BobotAwal_Bias_Lapisan=net.b{2,1}
2 Menentukan nilai maksimum epoch
untuk menentukan nilai dari maksimum epoch dari peramalan jumlah sampah maka dilakukan percobaan dari maksimum jumlah epoch 1.000 sampai maksimum jumlah
epoch 5.000.000. Hasil dari percobaan tersebut adalah sebagai berikut:
Tabel 4.2 Maksimum Jumlah epoch Pada proses pembelajaran traingdx dengan algoritma Backpropagation
Maksimum Epoch
Banyak Epoch
1.000 434
5.000 521
10.000 513
50.000 478
100.000 362
500.000 559
1.000.000 435
5.000.000 575
Keterangan: maksimum jumlah epoch yang akan digunakan
Berdasarkan hasil yang ditunjukkan pada Tabel 4.2 maka maksimum jumlah
epoch yang
digunakan adalah
10.000 dengan
banyaknya epoch 362.
Universitas Sumatera Utara
Pada metode
pembelajaran traingdx
pada proses
training dengan
menginput maksimum
epoch dan
beberapa parameter
lainnya di
MATLAB dapat dituliskan sebagai berikut:
net.trainParam.epochs= 100000; net.trainParam.goal=0.05;
net.trainParam.max_fail=6; net.trainParam.max_perf_inc=1.04;
net.trainParam.lr=0.01; net.trainParam.lr_inc=1.05;
net.trainParam.lr_dec=0.7; net.trainParam.mc=0.9;
net.trainParam.min_grad=1e-5; net.trainParam.show=25;
net=trainnet,Pn,Tn;
Dari proses training yang dilakukan berdasarkan parameter-parameternya, sehingga didapatlah hasil proses training pada MATLAB seperti gambar berikut:
Gambar 4.4 Hasil proses training sampai 100.000 epochiterasi
Pada Gambar 4.3 terlihat bahwa performance jaringan telah goal berhenti saat nilai MSE berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai goalnya
dimana 0,0499 0,05 dan berhenti pada epoch ke 362.
Untuk melihat bobot akhir dari hasil peramalan digunakan software MATLAB yang dapat dituliskan dengan sebagai berikut:
Universitas Sumatera Utara
BobotAkhir_Input=net.IW{1,1} BobotAkhir_Bias_Input=net.b{1,1}
BobotAkhir_Lapisan=net.LW{2,1} BobotAkhir_Bias_Lapisan=net.b{2,1}
Kemudian dilakukan evaluasi output jaringan data data training untuk mengetahui gradient garis terbaik dan koefisen korelasi pada peramalan dengan perintah postreg
pada MATLAB yang ditulis sebagai berikut:
[ml,al,rl]=postrega,T
Menghasilkan: Gradient garis terbaik ml:
ml = 0,9137
Konstanta: al = 3,70E+004
koefisien korelasi: rl = 0,9738
koefisien korelasi bernilai 0,9738 mendekati 1, menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Seperti yang terlihat pada gambar berikut:
Universitas Sumatera Utara
Gambar 4.5 Koefisien korelasi output dan target
4.1.2.6 Uji Kesesuaian Model