LATAR BELAKANG MASALAH KESIMPULAN DAN SARAN

BAB 1 PENDAHULUAN

1.1 LATAR BELAKANG MASALAH

Saat ini masih ada hasil prediksi menyimpang jauh dari kenyataan yang terjadi. Hasil prediksi yang tidak akurat dapat mengakibatkan kerugian bagi penggunanya. Tingkat akurasi hasil prediksi dipengaruhi berbagai faktor yaitu data yang digunakan untuk prediksi, pengetahuanpengalaman pembuat prediksi, dan metode yang digunakan untuk membuat prediksi. Metode untuk prediksi telah banyak digunakan oleh para peneliti antara lain: Metode Statistik, GARCH, ARIMA, Adavtive linear Filter, Jaringan Saraf Tiruan dan lain-lain. Halim dan Winosobo, 2000. Metode yang digunakan untuk prediksi dalam tesis ini adalah bagian dari Jaringan Saraf Tiruan yaitu metode Backpropagation. Metode backpropagation digunakan karena dalam metode backpropagation dapat mengubah nilai bobot dalam arah mundur untuk mendapatkan error yang lebih kecil. Error yang kecil akan menghasilkan hasil prediksi yang akurat. Dalam Backpropagation terdapat parameter-parameter seperti : Bobot, Bias, Layer, Learning Rate, Hidden Layer, Momentum dan lain sebagainya. Setiap parameter memberikan pengaruh terhadap hasil yang diperoleh dengan metode Backpropagation Maru’ao, 2010. Inisialisasi Bobot awal dalam Backpropagation dapat dilakukan secara random dan dengan metode Nguyen Widrow Fausset, 1994. Backpropagation telah digunakan oleh beberapa peneliti untuk memprediksi antara lain Hadihardaja dan Sutikno 2005, Halim dan Wibisono2000, Andrijasa dan Mistianingsih 2010, Dhaneswara dan Moertini 2004. Penelitian Halim dan Wibisono dalam kesimpulannya menyebutkan untuk mendapatkan hasil maksimal perlu pengamatan dan analisa bobot weight dan bias. Demikian juga Penelitian Universitas Sumatera Utara Andrijasa dan Mistianingsih menyebutkan penyesuaian bobot dan bias yang lebih baik akan membuat target yang diinginkan mendekati ketepatan. Penelitian yang dilakukan Andrijasa dan Mistianingsih 2010 dan Halim dan Wibisono 2000 untuk inisialisasi bobot awal adalah menggunakan metode pembobotan secara random. Kelebihan inisialisasi bobot secara random adalah bobot yang digunakan setiap pembelajaran pasti akan berbeda dalam interval yang telah ditentukan. Dalam Backpropagation Arsitektur jaringan berperan penting dalam mencapai hasil yang didapat Andrijasa dan Mistianingsih 2010. Dalam tesis ini akan dilakukan perubahan arsitektur jaringan backpropagation. Perubahan arsitektur meliputi perubahan jumlah node dalam lapisan tersembunyi dan pengaturan bias. Untuk mengetahui pengaruh bobot dan bias dalam backpropagation akan digunakan suatu metode pembobotan awal yaitu metode Nguyen Widrow. Hal ini disebabkan dalam metode Nguyen Widrow bobot-bobot lapisan tersembunyi dirancang sedemikian rupa. Sehingga diharapkan dapat meningkatkan kemampuan lapisan tersembunyi dalam melakukan proses pembelajaran Fausset, 1994. Proses pembelajaran yang semakin mudah akan mempercepat tercapai konvergensipemusatan. Sehingga sistem akan cepat menemukan pola yang digunakan untuk prediksi. Bobot awal dan bias yang diperoleh dengan metode Nguyen Widrow akan digunakan dalam proses pelatihan. Pada tahap fase modifikasi bobot dalam backpropagation jika terdapat perubahan bobot yang mencolok akan ditambahkan momentum. Bobot yang mencolok dapat disebabkan data yang sangat berbeda dengan data yang lain. Penggunaan Momentum menjadikan pola masukan awal dan pola masukan terakhir diperhitungkan Dhaneswara, 2004. Fungsi aktivasi yang digunakan adalah Fungsi aktivasi Sigmoid Biner yang mempunyai interval 0 sampai 1. Hal ini didasarkan karena dalam Backpropagation fungsi aktivasi harus kontinu, terdifrensial dengan mudah dan merupakan fungsi yang tidak monoton menurun. Ketiga syarat tersebut terpenuhi dalam fungsi aktivasi Sigmoid Biner . Universitas Sumatera Utara Berdasarkan uraian di atas maka tesis ini akan mengusulkan judul “Analisis Pengaruh pembobotan dengan metode Nguyen Widrow dalam Backpropagation untuk prediksi” dari hasil penelitian ini diharapkan hasil prediksi akan semakin akurat. 1.2 Penyimpangan yang jauh antara hasil prediksi dengan kenyataan yang sebenarnya masih ada ditemukan. Keakuratan hasil prediksi dalam backpropagation sangat ditentukan oleh bobot dan bias. Bobot dan bias awal yang digunakan harus mampu menyesuaikan dengan pola pelatihan yang digunakan untuk mendapatkan prediksi yang akurat. PERUMUSAN MASALAH

1.3 BATASAN MASALAH