Identifikasi Gangguan Sistem Produksi Industri Pangan

ini dibentuk berdasarkan data masa lalu penjualan produk roti. Penentuan sejumlah 7 input data didasarkan atas dasar bahwa riwayat data penjualan produk roti dalam periode hari-an yang menunjukkan pola data trend dan musiman. Sebagai parameter dalam proses training dan testing JST akan digunakan fungsi aktivasi sigmoid biner fungsi ‘logsig’ untuk aktivasi dari input layer ke hidden layer dengan sejumlah neuron juga aktivasi dari hidden layer ke satu output layer dengan fungsi ‘logsig’. Fungsi aktivasi sigmoid biner merupakan fungsi aktivasi yang banyak diaplikasikan untuk memudahkan jaringan dalam proses pembelajaran pola data penjualan. Setelah dilakukan proses normalisasi data, berikutnya ditentukan parameter pembelajaran learning dengan kisaran 0 – 1, sasaran kesalahan serta penentuan jumlah epoch sebagai kriteria pemberhentian proses pencarian. Penentuan parameter jaringan JST ini dilakukan berdasarkan trial-error yang membutuhkan usaha dan waktu yang cukup lama, sebagai tanda bahwa sistem sudah mengenali pola data. Untuk mempercepat proses pembelajaran oleh JST, juga dapat dilakukan modifikasi terhadap standar backpropagation dengan menambahkan fungsi penurunan gradient dengan momentum pada arah penurunan tercepat berdasarkan algoritma conjugate dengan metode pencarian Powel Beale fungsi ‘traincgb’ . Proses pelatihan, pengujian dan prakiraan permintaan berdasarkan metode JST dengan bantuan software Matlab membutuhkan dukungan rancangan program untuk eksekusi. Dalam penelitian ini, digunakan sejumlah 15 neuron dengan parameter pembelajaran lr sebesar 0.1 dengan kriteria pemberhentian proses pencarian dibatasi apabila sasaran kesalahan sebesar 0.0001 dan jumlah epoch sebesar 500 sudah terpenuhi. Dalam penulisan arsitektur jaringan dituliskan : net=newffminmax P,[15,1], {logsig,logsig},traincgb net.trainParam.lr=0.1; net.trainParam.epochs=500; net.trainParam.goal=0.0001;