3. Menentukan lapisan tersembunyi Lapisan tersembunyi berguna untuk mengenali pola data, pada tahapan ini
ditentukan jumlah lapisan dan jumlah neuron ukuran layer. Secara teoritis dinyatakan bahwa jaringan dengan satu lapisan tersembunyi cukup memadai
untuk mengenali sembarang pemetaan antara pola masukan dan target dengan tingkat akurasi yang ditetapkan Seminar et al.2010 dan Siang, 2005. Penentuan
jumlah lapisan tersembunyi dilakukan secara trial and error dengan mengacu kepada beberapa alternatif fungsi aktivasi, jumlah neuron serta indikator target
yang ingin dicapai. 4. Menentukan target nilai kesalahan
Target nilai kesalahan adalah parameter yang ditentukan sehingga iterasi dapat dihentikan. Iterasi akan berhenti bila nilai error lebih kecil dari batas yang
ditentukan atau jumlah epoch sudah mencapai batas yang ditentukan. Indikator nilai kesalahan pada JST back propagatioan pada umumnya berdasarkan kuadrat
rata-rata kesalahan MSE yang dijadikan sebagai nilai target goal. Pada penelitian ini nilai MSE yang ditargetkan adalah 0,00001. Selain target kesalahan
indikator pencapaian dibatasi dari jumlah iterasi epoch sebanyak 5000 kali iterasi.
5.3.2 Model Prakiraan Ketersediaan Bahan Baku
Bahan baku pembuatan karet spesifikasi teknis kualitas tinggi adalah lateks, sedangkan untuk kualitas rendah adalah lateks yang telah mengumpal yang
sering disebut bahan olah karet bokar. Data pasokan bahan baku yang diterima baik yang berasal dari kebun sendiri dan pasokan dari petani dari periode 2009-
2011 digunakan untuk membaca pola guna memprediksi pasokan yang akan datang. Metode yang digunakan pada model ini adalah JST backpropagation.
Meskipun metode yang digunakan sama dengan model prakiraan dan harga permintaan, namun terdapat perbedaan pada kombinasi neuron input layer.
Pada model ini hanya ada satu parameter untuk neuron input layer yaitu pasokan bahan baku tanpa memperhatikan pola hubungan antara jumlah pasokan
dengan faktor lain seperti harga, sedangkan pada model prakiraan harga dan volume neuron input layer menggunakan neuron dari parameter harga dan volume
serta interaksi keduanya dalam pengenalan pola. Data untuk pelatihan pengenalan pola hanya memperhatikan pola yang dibentuk dari data input pasokan bahan
baku, sedangkan neuron output adalah prakiraan pasokan bahan baku untuk periode yang akan datang. Tahapan perancangan arsitektur jaringan syaraf tiruan
dengan algoritma backpropagation yang digunakan pada model ini secara ringkas disajikan pada Gambar 29.
Gambar 29 Perancangan arsitektur JST prakiraan ketersediaan bahan baku
Mulai
Arsitektur JST Pelatihan JST
Data Pelatihan
Target sesuai
Pengujian JST Data Pengujian
Akurasi sesuai
Implementasi JST Data Harian
Output: Hasil Prakiraan
Selesai Ya
Tidak
Tidak Ya
