Pemilihan Algoritma Pelatihan RANCANG BANGUN MODEL PENELITIAN
Aturan peringatan dini untuk harga beras tersebut memerlukan variabel input dan variabel output sebagai berikut :
Variabel input : harga untuk minggu ke-i, i = 1, 2, 3, 4 Variabel output : prakiraan harga untuk minggu ke-j, j = 5, 6,
dengan
, dan
, Tabel 21. Aturan Peringatan Dini Untuk Harga Beras
Peringatan Dini Minggu Ke Lima Peringatan Dini Minggu Ke Enam
Jika maka harga beras aman
Jika maka harga beras aman
Jika maka harga beras harus diwaspadai
Jika maka harga beras harus diwaspadai
Jika maka harga beras rawan
Jika maka harga beras rawan
Dari Table 21, dapat dinyatakan bahwa pemerintah melaksanakan operasi pasar untuk menekan harga beras, apabila untuk minggu ke lima atau minggu ke
enam, prakiraan harga beras menunjukkan harga rawan atau harga beras melonjak lebih besar dari sepuluh persen dibandingkan dengan harga normal. Pemerintah
perlu mewaspadai harga beras, apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di antara lima persen sampai dengan sepuluh
persen di atas harga normal, sedangkan apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di bawah lima persen dari harga
normal, maka harga beras tersebut dinyatakan aman.
Proses Pengujian
Proses pengujian dilakukan dengan menggunakan arsitektur JST hasil pelatihan yang memiliki kinerja terbaik yaitu yang menghasilkan nilai error dan
epoch terkecil. Arsitektur JST terbaik yang dihasilkan dalam penelitian ini dapat dilihat pada Tabel 22. Proses pengujian dilakukan dengan menggunakan dua
puluh lima data uji dan hasil pengujian data uji tersebut dapat dilihat pada Lampiran 5. Berdasarkan hasil pengujian diperoleh tingkat akurasi JST dalam
mengenali pola yang dapat dilihat pada Tabel 23, sedangkan grafik perbandingan antara data aktual dengan hasil uji tersebut dapat dilihat pada Lampiran 6.1
sampai dengan Lampiran 6.3. JST yang dirancang memiliki tingkat akurasi tertentu sesuai dengan
keberhasilan jaringan dalam mengenali pola pada proses pengujian.Tingkat akurasi yang didapat adalah kemampuan JST dalam mengenali pola yang diujikan
berdasarkan hasil pelatihan sebelumnya. Tingkat akurasi, misal 98.63 pada JST untuk prakiraan harga beras tipe IR 64 mutu III IR 64III artinya 98.63 hasil
pengujian sesuai dengan data sebenarnya di lapangan. Tabel 22. Arsitektur JST Terbaik Dengan Metode Backpropagation.
Karakteristik JST
Pasokan JST Harga
Muncul III JST Harga
IR64 Jumlah neuron pada input layer
4 neuron 4 neuron
4 neuron Jumlah neuron pada output layer
2 neuron 2 neuron
2 neuron Fungsi Aktivasi
logsig logsig
logsig Algoritma Training
trainlm trainrp
trainlm Momentum
0.005 0.005
0.005 Learning rate
0.2 0.2
0.2 Goal error
0.001 0.001
0.001 Neuron hidden layer
8 neuron 8 neuron
8 neuron
Tabel 23. Tingkat Akurasi Hasil Pengujian JST Terhadap Data Aktual
Jaringan Syaraf Tiruan Tingkat Akurasi
Prakiraan Pasokan Beras 91.96
Prakiraan Harga Beras Muncul III 93.05
Prakiraan Harga Beras IR 64 III 98.63