Mutu Tepung Jagung Tepung Jagung

ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan = y k . Berikutnya, keluaran jaringan = y k dibandingkan dengan target yang harus dicapai = t k .Selisih dari t k terhadap y k yaitu t k − y k adalah kesalahan yang t terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Namun bila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Berdasarkan kesalahan t k − y k , dihitung faktor δ k k = 1,2,..., m yang dipakai untuk mendistribusikan kesalahan di unit k y ke semua unit tersembunyi yang terhubung langsung dengan y k . δ k juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δ j j = 1,2,…, p di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δ k yang ada di unit keluaran. Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Bidang peramalan forecasting merupakan salah satu bidang dimana jaringan syaraf tiruan dapat diaplikasikan. Backpropagation dapat digunakan dalam melakukan peramalan seperti prediksi permintaan suatu produk di masa mendatang, prediksi nilai penjualan dan lain sebagainya. Peramalan ini didasarkan pada data yang diperoleh pada masa lalu. Dalam memecahkan masalah peramalan, variabel yang diperhatikan adalah variabel yang mempengaruhi output peramalan yang akan dicapai. Terdapat dua model dalam peramalan yaitu model peramalan berdasarkan runtun waktu time series dan model kausal. Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, sebagian data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Sebagai contoh, apabila diambil periode bulanan selama setahun, maka data yang digunakan sebagai target adalah data bulan pertama setelah periode berakhir. Pada model peramalan kausal, unit-unit neuron input merupakan variabel- variabel yang mempengaruhi neuron output. Neuron output y merupakan variabel yang diramalkan dan dipengaruhi oleh variabel-variabel input. Pada backpropagation ini belum ada teori yang secara pasti dapat digunakan dalam penentuan jumlah layar. Pada awalnya dicoba dengan jaringan kecil lebih dahulu, jika terdapat kesalahan maka jaringan diperbesar dengan menambahkan neuron pada layar tersembunyi, atau dapat menambah layar tersembunyi.

2.6 Proses Hirarki Analitik

Menurut Saaty 1993, Proses Hirarki Analitik Analytical Hierarchy Process adalah suatu model yang memberikan kesempatan untuk membangun gagasan dan mendefinisikan persoalan dengan cara membuat asumsi dan pemecahan yang diinginkan. Dengan menggunakan Analytical Hierarchy Process AHP, suatu persoalan yang akan dipecahkan dalam suatu kerangka berfikir yang terorganisir sehingga memungkinkan dapat diekspresikan untuk mengambil keputusan yang efektif atas persoalan tersebut dan persoalan yang kompleks dapat disederhanakan dan dipercepat proses pengambilan keputusannya Marimin 2004. AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan, karena dapat digambarkan secara grafis, sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan. Dengan AHP, proses keputusan yang kompleks dapat diuraikan menjadi keputusan-keputusan yang Iebih kecil yang dapat ditangani dengan lebih mudah. Struktur yang berhirarki, sebagai konsekuensi dari kriteria yang dipilih, sampai pada sub kriteria yang paling dalam, Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan, dan memperhitungkan daya tahan atau ketahanan keluaran analisis sensitivitas pengambilan keputusan. Selain itu, AHP juga menguji konsistensi penilaian, bila terjadi penyimpangan yang terlalu jauh dari nilai konsistensi sempurna, maka hal ini menunjukkan bahwa penilaian perlu diperbaiki, atau hierarki harus distruktur ulang. AHP juga mempunyai kemampuan untuk memecahkan masalah yang multi-objektif dan multi-kriteria yang berdasar pada perbandingan preferensi dari setiap elemen dalam hirarki. Dengan demikian AHP merupakan suatu model pengambilan keputusan yang komprehensif. Namun selain kelebihan-kelebihan di atas, AHP juga memiliki kekurangan. Salah satu kekurangan yang paling sering disorot adalah fenomena perubahan ranking rank reversal. Di sisi lain, situasi pengambilan keputusan seringkali dihadapkan pada kondisi di mana pengambil keputusan adalah satu kelompok yang terdiri atas beberapa individu. Dalam konteks pengambilan keputusan kelompok terdapat dua cara untuk menggabungkan pendapat dalam AHP. Pertama adalah secara deterministik dan kedua adalah secara statistika atau stokastika. Penggabungan secara deterministik ini sesuai jika jumlah pengambil keputusan yang terlibat tidak banyak dan mereka berinteraksi dalam frekuensi yang cukup sering sehingga keputusan konsensus sangat mungkin dicapai. Cara menggabungkan pendapat secara deterministik adalah dengan cara mengambil nilai rata-rata geometris Saaty, 1988. Di pihak lain, jika jumlah pengambil keputusan banyak atau sangat banyak umumnya di atas tiga puluh dan tersebar