METODE PENELITIAN
METODE PENELITIAN
Variabel Data Masukan Variabel data masukan merupakan sekumpulan data serial atau berkala dari konsentrasi
gas CO 2 pada suatu jangka waktu tertentu. Di dalam sistem peramalan jaringan syaraf tiruan ini, data masukan yang digunakan yaitu:
a. Konsentrasi CO 2 Tertinggi
Konsentrasi CO 2 tertinggi diinisialisasikan dengan variabel X1.
b. Konsentrasi CO 2 Terendah
Konsentrasi CO 2 terendah diinisialisasikan dengan variabel X2. Inisialisasi Parameter
Parameter yang diatur pada metode ini adalah parameter yang digunakan untuk melakukan prediksi konsentrasi CO 2 dengan melakukan trial and error dalam menentukan set parameter yang disesuaikan dengan pola data hasil pengamatan konsentrasi gas CO 2 . Terdapat beberapa nilai parameter yang harus diatur untuk pembelajaran. Parameter- parameter tersebut yaitu :
a. Maksimum epoh Epoh adalah perulangan atau iterasi dari proses yang dilakukan untuk mencapai target yang telah ditentukan. Maksimum epoh adalah jumlah epoh/perulangan maksimum yang boleh dilakukan selama proses pelatihan. Nilai standar untuk maksimum epoh adalah 10. Pada penelitian ini, maksimum epoh ditentukan sebesar 100000.
b. Learning Rate Learning rate adalah laju pembelajaran yang berupa perkalian negatif dari gradien untuk menetukan perubahan pada nilai bobot dan bias. Semakin besar nilai learning rate akan berimplikasi pada semakin besarnya langkah pembelajaran. Nilai standar untuk learning rate adalah 0,01. Learning rate yang digunakan pada penelitian ini adalah 0,01 dan 0,1.
c. Momentum Momentum adalah konstanta yang mempengaruhi besarnya perubahan bobot. Nilai standar untuk momentum adalah 0 sampai 1. Pada penelitian ini momentum ditetapkan sebesar 0,8.
d. Jumlah epoh yang akan ditunjukkan kemajuannya Menunjukkan berapa jumlah epoh berselang yang akan ditunjukkan kemajuannya. Nilai standar untuk jumlah epoh yang akan ditunjukkan adalah 10. Pada penelitian ini, jumlah epoh yang ditunjukkan adalah 10, 100 dan 1000.
Pengambilan Sampel Data. Dalam penelitian ini, data yang dipakai adalah data konsentrasi gas rumah kaca, dan
sampel yang diambil adalah data rata-rata bulanan Gas CO 2 sejak tahun 2006 sampai tahun 2010. Prediksi dilakukan hanya untuk periode 4 (empat) tahun ke depan karena keterbatasan komputer yang digunakan sehingga tidak memungkinkan proses iterasi yang panjang.
Pelatihan Pola. Tahapanpelatihan polasetelah pengambilan data adalah sebagai berikut:
a. Plot data untuk membentuk pola Data-data yang akan digunakan dimasukkan ke perangkat lunak untuk melalui tahap proses belajar/pengenalan pola. Pada bagian ini perlu ditentukan jumlah variabel masukan, keluaran, dan jumlah pasangan pola yang diberikan.
b. Plot data tes Data-data dimasukkan kedalam perangkat lunak dan akan digunakan untuk tahap proses pengetesan atas hasil pembentukan pola peramalan oleh JST. Pengetesan pola dimasukan untuk melihat kemampuan model yang telah dihasilkan oleh JST pada tahap peramalan yang telah dibentuk sebelumnya.
c. Normalisasi data Normalisasi data diperlukan untuk lebih mempercepat konvergensi pencarian (pembentukan) pola dan proses yang dibutuhkan oleh fungsi sigmoid dalam kinerjanya
d. Menentukan tingkat eror Dalam penelitian ini akan digunakan tingkat error yang bervariasi, dengan tujuan untuk melihat sejauh mana kemampuan JST dalam mengenal pola sampai membentuk pola. Tingkat error yang digunakan mulai dari 0,1 (10 %) sampai dengan 0,01 (1 %).
e. Menentukan jumlah lapis (Layer) Lapis (layer) yang digunakan pada JST terdiri dari 3 (tiga) lapis yaitu lapis masukan (input layer), lapis tersembunyi (hidden layer), dan lapis keluaran (output layer). Pada penelitian ini data-data yang digunakan memiliki satu lapis masukan dan satu lapis keluaran. Pada lapis tersembunyi akan digunakan sistem trial and error untuk mendapatkan hasil keluaran yang lebih baik .
f. Plot bobot interkoneksi Menggunakan bobot secara acak untuk membentuk bobot koneksi yang dapat memetakan vektor masukan ke vektor keluaran. Bobot acak ini merupakan bobot awal yang akan digunakan untuk melatih pola oleh JST pada tahap pembentukan.
g. Melakukan Training data. Pada proses tersebut data parameter dan data seri yang sudah dimasukkan akan dilatih untuk mendapatkan polanya, apakah sudah dapat mendekati pola sesungguhnya dengan mempertimbangkan berbagai aspek parameter yang ada. Data yang diambil adalah 10 persen dari total data. Ini dilakukan agar sistem dapat mempelajari pola sesungguhnya.
h. Melakukan Testing data dari hasil Training. Pada proses tersebut bobot akhir hasil training akan diujicobakan untuk dilakukan testing. Data yang diambil adalah sisa training data dari total data. Ini dilakukan apakah sistem dapat mengenali pola sesungguhnya yang menjadi target pada proses pelatihan sebelumnya.
i. Melakukan Denormalisasi data untuk mendapatkan data normal hasil prediksi dengan metode Backpropagation. Pada proses ini , hasil prediksi harus dinormalkan kembali datanya, sehingga plot data akan tampak persamaan dan perbedaan yang signifikan pada pola data seri konsentrasi
gas CO 2 .
Flowchart Proses Backpropagation
Gambar 3. Flowchart proses backpropagation.