37
V.4 Validasi Artificial Neural Network ANN
Program simulasi ANN yang dikembangkan oleh Rudiyanto akan berhenti melakukan iterasi pada saat telah mencapai minimum global dan
iterasinya optimal sehingga didapatkan nilai Root Mean Square Error RMSE yang cukup kecil. Nilai RMSE dan nilai koefisien korelasi
menunjukkan kinerja ANN dimana bila nilai ini telah mencapai angka yang cukup kecil, maka dapat langsung dilakukan validasi data dengan
menghitung nilai Standard Error of Prediction SEP, bias dan Coefficient of Variation
CV. Nilai RMSE untuk model pertama, kedua dan ketiga adalah 0.0007. Dengan jumlah iterasi untuk setiap model berturut-turut
adalah 116600, 68800 dan 92500. Setelah dilakukan perhitungan, berikut adalah tabel nilai SEP, bias dan
CV hasil validasi. Tabel 2. Hasil validasi ANN
Model Jumlah Iterasi RMSE
SEP bias
CV I 116600
0.0007 1.044
-0.177 3.542
II 68800 0.0007
0.785 -0.150
2.697 III 92500
0.0007 0.955
-0.629 3.352
Dari tabel diatas, dapat diketahui bahwa Model II dengan variasi data training 67 dan data tes 33 adalah model paling baik yang dapat
digunakan untuk penduaan temperatur di dalam greenhouse dengan menggunakan ANN.
Hasil validasi untuk pendugaan dengan input berupa data kecepatan angin, temperatur udara di sekitar greenhouse, radiasi sinar matahari dan
kelembaban udara, didapatkan nilai RMSE 0.002. kemudian divalidasi dan menghasilkan nilai SEP 2.05, bias 0.170, dan CV 0.741.
Berikut grafik hubungan linier antara hasil pengukuran dan hasil pendugaan ANN untuk model II.
38
y = 0.9292x + 2.2096 R
2
= 0.9576
10 20
30 40
10 20
30 40
Tin pengukuran
o
C Ti
n pe n
d ug
a a
n
o
C
Gambar 18. Hubungan linear antara temperatur hasil pendugaan ANN dengan hasil pengukuran dengan
enam data
input. Gambar 18 adalah validasi model simulasi ANN dengan arsitektur
yang dikembangkan oleh Nuryawati yaitu dengan memasukkan enam data input
. Persamaan regresi yang terbentuk adalah y = 0.9292x + 2.2096 dengan koefisien korelasi 0.9576. Nilai intersep yang dihasilkan mendekati
nol. Gradienya menekati satu. Sehingga dapat dikatakan bahwa hasil pendugaan ANN dengan menggunakan model ini cukup akurat. Nilai APD
yang didapatkan adalah 2.003. Nilai ini menunjukkan rata-rata penyimpangan hasil simulasi terhadap trendline. Untuk nilai APD yang
menunjukkan rata-rata penyimpangan hasil simulasi terhadap garis y = x didapatkan nilai 2.119 .
39
y = 0.7564x + 7.9873 R
2
= 0.8828
10 20
30 40
10 20
30 40
Tin Pengukuran
o
C T
in P
e ndu
ga a
n
o
C
Gambar 19. Hubungan linear antara temperatur hasil pendugaan ANN dengan hasil pengukuran dengan
empat data input. Gambar 19 adalah validasi model simulasi ANN dengan empat data
input. Persamaan regresi yang terbentuk adalah y = 0.7442x + 7.2791 dengan koefisien korelasi 0.9182. Nilai APD yang didapatkan adalah 3.217
. Nilai ini menunjukkan rata-rata penyimpangan hasil simulasi terhadap trendline.
Untuk nilai APD yang menunjukkan rata-rata penyimpangan hasil simulasi terhadap garis y = x didapatkan nilai 5.454 .
Nilai intersep yang dihasilkan jauh lebih besar dibandingkan pendugaan ANN dengan pemodelan yang dikembangkan oleh Nuryawati.
Namun, dengan menggunakan data radiasi matahari, kecepatan angin, kelembaban udara dan temperatur lingkungan di luar greenhouse, maka
akan memudahkan dalam pendugaan temperatur di dalam greenhouse. Hal ini karena keempat data tersebut bias langsung di dapatkan dari stasiun
klimatologi sehingga tidak perlu melakukan pengukuran terhadap greenhouse
.
40
VI. KESIMPULAN DAN SARAN