c. Arsitektur PNN
PNN digunakan untuk menentukan kelas prediksi dari input. Input adalah data yang digunakan sebagai data uji pada proses leave one out cross validation.
Output hasil PNN menunjukkan kelas model yang digunakan dalam prediksi nilai AMH. Arsitektur PNN yang diadaptasi dari Fauset 1994 untuk penelitian ini
ditunjukkan pada Gambar 14.
Y
Kelas II
ZII
l
Kelas I
ZI
j
EMI
x
ZII
k
ZI
l
SOI
x
IOD
x
N1+2
x
N3
x
N4
x
N3.4
x
Gambar 14 Arsitektur PNN
5. Leave one out cross validation LOOCV
Proses validasi dilakukan dengan menggunakan leave one out crooss validation LOOCV. LOOCV dilakukan dengan cara mengeluarkan satu data
yang digunakan sebagai uji dan sisa datanya sebagai data latih − . Hal ini dilakukan berurutan hingga setiap satu data pada kumpulan tersebut n teruji
sebagai data uji. Skema LOOCV ditunjukkan pada Gambar 15.
Gambar 15 Skema proses leave one out cross validation
6. Evaluasi
Diagram Taylor Taylor 2001 sangat baik digunakan untuk melakukan evaluasi banyak aspek dari model yang kompleks ataupun menilai kehandalan
dari beberapa model sekaligus. Diagram Taylor dibangun dari Root Mean Square Error Persamaan 48, simpangan baku σ dan korelasi r antara prediksi dengan
observasi. Iterasi ke-1
Iterasi ke-2 Iterasi ke-n
Total jumlah data=iterasi
Satu data uji
�� √ ∑ − ̂
=
48 Nilai y adalah data AMH hasil observasi dan ̂ adalah data AMH hasil
prediksi. n adalah jumlah data dan i adalah iterasi. Plot diagram Taylor ditunjukkan pada Gambar 16.
Gambar 16 Diagram Taylor Taylor 2001
7. AnalisisSkema Penelitian
Skema penelitian dengan menggunakan model BPNN dan model PNN+BPNN ditunjukkan pada Tabel 1.
Tabel 1 Skema Penelitian Skema
Keterangan Skema I
Penerapan BPNN dengan 1 dan 2 lapisan hidden JST1-05
1 lapisan hidden, 5 neuron hidden JST1-10
1 lapisan hidden, 10 neuron hidden JST1-20
1 lapisan hidden, 20 neuron hidden JST2-10-5
2 lapisan hidden, 10 dan 5 neuron hidden JST2-20-10
2 lapisan hidden, 20 dan 10 neuron hidden Skema II
Prediksi kelas PNN menentukan model BPNN yang akan digunakan. Model BPNN yang digunakan dibangun dari kelas
yang bersesuaian. Kelas 1 menggunakan model BPNN dengan pelatihan data untuk kelas 1, begitu juga untuk kelas 2.
