objektif dari algoritma K-means sehingga nilai yang didapat sudah sesuai. Lalu tahap selanjutnya adalah tahap perubahan weight dengan menghitung semua perubahan
weight w
kj
yang dinyatakan dengan, =
+ ∆ 2.13
Proses tersebut terus dilakukan sampai weightw
kj
tidak berubah lagi.
2.3.2. Menghitung Nilai Error Menghitung nilai error sangat penting untuk melihat hasil pelatihan pada jaringan
sarat tiruan. Hal ini dikarenakan pada tahap pelatihan nilai error yang diharapkan adalah nilai yang paling kecil. Output error adalah perhitungan error yang merupakan
hasil dari perbedaan nilai target dan nilai output yang didapat. Nilai ini akan digunakan untuk menghitung nilai error. The Means Absolute Percentage Error
MAPE merupakan metode perhitungan error untuk mengevaluasi metode peramalan. Pendekatan ini menghitung kesalahan peramalan yang besar karena nilai
output error yang didapat dari perbedaan antara target dan output dibagi nilai target. Perhitungan nilai MAPE dapat dinyatakan sebagai berikut.
�� � = ∑
�
− ̂
� �
×
=
2.14
2.4. Penelitian Terdahulu
Berikut ini adalah penjelasan mengenai penelitian terdahulu dari kasus penelitian kelapa sawit dan jaringan saraf radial basis function.
2.4.1 Penelitian kasus prediksi produksi kelapa sawit Penelitian mengenai prediksi produksi kelapa sawit sudah pernah dilakukan. Metode
prediksi yang dilakukan pada penelitian-penelitian tersebut menggunakan metode time-series dan juga menggunakan metode statistik.
Hermanto dan Purnawan 2009 mengenai prediksi produksi menggunakan jaringan saraf tiruan dengan algoritma backpropagation. Penelitian tersebut
menggunakan tujuh data sebagai variabel berdasarkan kualitas lahannya yaitu curah
Universitas Sumatera Utara
hujan, ketinggian dari permukaan laut, kelerengan, umur tanaman, batuan, solium, dan keasaman tanah. Percobaan dengan beberapa layer untuk mendapatkan hasil terbaik
yaitu 3 layer, 4 layer dan 5 layer. Hasil terbaik didapat pada percobaan 3 layer pada iterasi ke 30000, dengan laju pembelajaran sebesar 0.9, dan momentum sebesar 0.9.
Hasil pelatihan yang didapat dengan R
2
=0.9998 dan RMSE = 0.0709 dan hasil pengujian dengan R
2
= 0.8901 dan RMSE = 2.2196. Penelitian lain dilakukan Bando 2012 menggunakan metode ARIMA untuk
memprediksi curah hujan dengan produksi kelapa sawit. Tahapan yang dilakukannya sebagai berikut.
1. Tahap identifikasi
Pada tahap identifikasi dilakukan perumusan kelompok model-model yang umum. Kemudian melakukan penetapan model untuk sementara.
2. Penaksiran parameter dan pengujian
Tahap ini dilakukan penaksiran parameter sementara. Kemudian diperiksa apakah model tersebut memadai. Jika ya, maka tahap lanjut ke penerapan.
Namun, jika tidak maka tahapan mengulang ke penaksiran parameter. 3.
Penerapan Pada tahap ini dilakukan model untuk peramalan. Data yang digunakan ada
dua yaitu data curah hujan dan data produksi. Lalu data-data tersebut digunakan dengan metode ARIMA untuk mendapatkan hasil peramalan
selanjutnya. Kacaribu 2013 menggunakan dua metode untuk membandingkan prediksi
produksi kelapa sawit yaitu menggunakan metode causal berupa regresi ganda dan metode time-series berupa exponential smoothing. Adapun tahapan-tahapan yang
dilakukannya sebagai berikut. 1.
Identifikasi masalah 2.
Mengumpulkan dan mempersiapkan data untuk dianalisis 3.
Mengolah data dengan menggunakan regresi ganda dan exponential smoothing
4. Melakukan pengujian untuk metode regresi ganda
5. Menghitung nilai MAPE untuk masing-masing metode
Universitas Sumatera Utara
6. Menentukan metode yang cocok untuk peramalan
7. Membuat program aplikasi
8. Kesimpulan
Tabel 2.2 Penelitian Terdahulu
No Peneliti
Tahun Teknik yang
Digunakan Kelemahan
Error 1
Hermanto
Purnawan 2009
Backpropagation Melakukan percobaan sebanyak 3 kali dengan layer yang berbeda
dan banyak iterasi untuk mendapatkan hasil terbaik
RMSE = 2.2196
2 Bando
2012 ARIMA
Hanya meneliti untuk memeriksa keterhubungan curah hujan dengan
hasil produksi -
3
Kacaribu 2013
Regresi Ganda dan Exponential
Smoothing Kurangnya variabel yang
dibutuhkan untuk dianalisis sehingga adanya kemungkinan
variabel independen lain yang lebih berpengaruh
MAPE regresi = 21.068
MAPE ES pertahun =
12.78
2.4.2 Penelitian kasus prediksi dengan menggunakan Radial Basis Function Prediksi menggunakan jaringan RBF ini telah digunakan di beberapa peramalan
seperti peramalan saham, banjir, finansial, dan lainnya. Pada peramalan saham, Tan et al 2012 melakukan peramalan dengan model jaringan RBF dan mendapatkan hasil
yang baik yang dapat dilihat dari hasil error nilai prediksinya. Model jaringan RBF ini malalui dua tahap yaitu klustering dan penentuan weight. Pada pelatihan, klustering
akan berhenti jika nilai error yang dihasilkan program lebih kecil dari nilai toleransi yang ditetapkan. Sedangkan penentuan weight hanya dilakukan satu kali.
Universitas Sumatera Utara
Pada penelitian Jayawerdana et al 1997, RBF digunakan untuk memprediksi level air saat terjadi musim hujan. Hasil prediksi dinyatakan jaringan RBF yang
menggunakan metode K-Means lebih baik daripada MLP dengan algoritma backpropagation. Jaringan RBF berbasis linear dalam parameter dan menjamin nilai-
nilai optimal. Pengembangan model jaringan RBF memerlukan sedikit trial and error sehingga peramalan yang dilakukan hanya memerlukan sedikit waktu dan usaha dari
pada penggunaan jaringan MLP dengan pendekatan bacpropagation. Pada penelitian Husein et al 2011, peneliti menampilkan pemakaian data
untuk jaringan saraf RBF dan juga membandingkan nilai yang didapat dengan menggunakan tiga metode yaitu Single Radial Basis Function Network, Multiple
Radial Basis Function Network dan Auto Regressive Model. Dari ketiga metode tersebut performa terbaik dihasilkan pada metode Auto Regressive Model lalu Multiple
Radial Basis Function Network. Berdasarkan ketiga penelitian tersebut dapat dijadikan acuan penggunaan
jaringan RBF dalam melakukan peramalan.
Universitas Sumatera Utara
BAB 3 ANALISIS DAN PERANCANGAN SISTEM