Pada perancangan arsitektur JST
tersebut
, pemilihan arsitektur dilakukan dengan cara memilih arsitektur terbaik dari beberapa alternatif kombinasi pada
saat pelatihan. Fungsi aktivasi logsig dan algoritma pelatihan trainlm pada spesifikasi JST ke delapan dari Tabel 16 dipilih karena dari hasil proses pelatihan
diperoleh MSE yang terkecil. Selama proses pemilihan arsitektur JST tersebut parameter lain seperti momentum, neuron hidden, epoch dan goal ditentukan
secara acak kemudian spesifikasi terbaik yang diperoleh digunakan untuk menentukan parameter selanjutnya yang sebelumnya ditentukan secara acak.
Tabel 16. Pemilihan Fungsi Aktivasi dan Algoritma Pelatihan Untuk JST
Spesifikasi JST
Fungsi Aktivasi
Algoritma Pelatihan
MSE Epoch
R 1
Tansig traingd
0.002630 5000
0.954 2
traingdm 0.002330
5000 0.960
3 traingdx
0.001980 5000
0.974 4
trainlm 0.000999
76 0.983
5
Logsig
traingd 0.008420
5000 0.852
6 traingdm
0.004860 5000
0.914 7
traingdx 0.001440
5000 0.975
8 trainlm
0.000987 10
0.983
9 Purelin
traingd 0.004500
5000 0.920
10 traingdm
0.004580 5000
0.919 11
traingdx 0.004480
5000 0.921
12 trainlm
0.004480 4
0.921
Melalui spesifikasi terbaik dari Tabel 16, diperoleh arsitektur JST terbaik dengan fungsi aktivasi adalah logsig, algoritma pelatihan adalah trainlm, nilai
MSE sebesar 0.000987, jumlah iterasi epoch adalah 10 dan nilai korelasi R adalah 0.983. Selanjutnya dilakukan pemilihan parameter momentum seperti
dapat dilihat pada Tabel 17. Tabel 17. Pemilihan Momentum Untuk JST Prakiraan Harga Beras IR 64 III
Spesifikasi JST Nilai Momentum
MSE Epoch
R
8.1 0.005
0.00088 19
0.98494
8.2 0.05
0.000999 23
0.98297 8.3
0.1 0.000987
10 0.98309
8.4 0.5
0.000987 10
0.98309 8.5
0.9 0.001
15 0.98288
Melalui spesifikasi terbaik dari Tabel 17, diperoleh arsitektur JST terbaik dengan nilai momentum 0.005, nilai MSE sebesar 0.00088,
jumlah iterasi epoch adalah 19 dan nilai korelasi R adalah 0.98494. Selanjutnya dilakukan
pemilihan toleransi error melalui beberapa nilai error seperti dapat dilihat pada Tabel 18.
Tabel 18. Pemilihan Toleransi Error Untuk JST Terbaik
Spesifikasi JST Toleransi error
MSE Epoch
R 8.1.1
0.0001 0.0508
1808 0.46821
8.1.2 0.001
0.00088 19
0.98494
8.1.3 0.01
0.00413 2
0.94048
Melalui spesifikasi terbaik dari Tabel 18, diperoleh arsitektur JST terbaik dengan toleransi error sebesar 0.001, nilai MSE sebesar
0.00088, jumlah
iterasi epoch adalah 19 dan nilai korelasi nya adalah 0.98494. Selanjutnya dilakukan pemilihan jumlah neuron untuk hidden layer melalui beberapa jumlah
neuron hidden seperti dapat dilihat pada Tabel 19. Tabel 19. Pemilihan Jumlah Neuron Hidden Untuk JST Terbaik
Spesifikasi JST
Jumlah Hidden Neuron
MSE Epoch
R 8.1.2.1
4 0.000999
92 0.98290
8.1.2.2 8
0.00088 19
0.98494
8.1.2.3 12
0.000997 2308
0.98290
Berdasarkan spesifikasi terbaik dari Tabel 16 sampai dengan Tabel 19, maka arsitektur JST terbaik untuk prakiraan harga beras IR 64 III dapat dilihat
pada Tabel 20. Tabel 20. Arsitektur JST Terbaik Untuk Prakiraan Harga Beras IR 64 III
Karakteristik Keterangan
Jumlah neuron input Jumlah neuron hidden
Jumlah neuron output 4
8 2
Fungsi Aktivasi logsig
Algoritma pelatihan trainlm
Tabel 20. Arsitektur JST terbaik untuk Prakiraan Harga Beras IR 64 III lanjutan
Karakteristik Keterangan
Momentum 0.005
Epoch 5000
Error 0.001
Proses Pelatihan
Tujuan diadakannya proses pelatihan pada JST adalah agar JST dapat diandalkan dalam mengenali pola yang dimasukkan ke dalam jaringan sehingga
dapat dijadikan dasar pengalaman dalam melakukan prakiraan. Menurut Silvia 2007, kinerja yang diukur pada proses pelatihan jaringan syaraf tiruan adalah
sebagai berikut : • Lamanya proses iterasi pelatihan jumlah epoch
Semakin cepat proses pelatihan maka semakin baik kinerja proses pelatihan tersebut. Hal ini berarti jumlah epoch untuk mencapai nilai error yang
diinginkan adalah berjumlah minimal. Satu epoch adalah satu siklus yang melibatkan seluruh pola data pelatihan. Jumlah maksimum iterasi yang
dicobakan pada proses pelatihan pada penelitian ini ditetapkan 5000 epoch atau dapat juga lebih besar dari jumlah tersebut supaya proses iterasi dapat
menghasilkan error yang diinginkan. • Perhitungan mean square error MSE.
Perhitungan error merupakan satu pengukuran bagaimana jaringan dapat belajar dengan baik. Apabila nilai error tersebut masih cukup besar, hal ini
mengindikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi hingga nilai error mendekati nol. Apabila output jaringan tepat sama
dengan target maka nilai error bernilai 0. Frekuensi perubahan MSE ditampilkan setiap 100 epoch.
• Koefisien korelasi R terhadap respon output jaringan dan target yang diinginkan. Apabila output jaringan tepat sama dengan target maka koefisien
korelasi bernilai 1. • Proses pelatihan pada penelitian ini menggunakan lima puluh pola yang
dilakukan untuk melatih JST agar JST dapat mengenali pola yang diujikan.
Pada proses pelatihan dilakukan pemilihan JST yang memiliki kinerja terbaik. Pemilihan JST dengan kinerja terbaik tersebut dilakukan dengan uji coba
sampai diperoleh error yang terkecil yang memenuhi target yang sudah ditentukan atau memiliki tingkat akurasi yang paling tinggi.
Data Penelitian
Data yang digunakan dalam pengembangan JST untuk prakiraan pasokan dan harga beras adalah data mengenai jumlah pasokan dan harga beras yang
diperoleh dari PIBC. Data tersebut adalah data pasokan dan data harga beras harian yang dikumpulkan dari mulai tanggal 1 Januari 2009 sampai dengan 24 Juli
2010. Data harian diubah menjadi data mingguan yang selanjutnya dijadikan data input jaringan untuk memperkirakan pasokan beras dan harga beras selama dua
minggu ke depan. Data input yang digunakan untuk memperkirakan pasokan beras dan harga beras adalah data pasokan beras dan data harga beras selama
empat minggu terakhir. Data yang diperoleh dibuat pola yang selanjutnya dimasukkan ke dalam jaringan. Pola yang dibuat adalah empat input dan dua
output. Pola yang diperoleh adalah sebanyak tujuh puluh lima pola, dengan rincian lima puluh pola digunakan untuk pelatihan dan dua puluh lima pola lagi
digunakan untuk pengujian. Pola tersebut dapat dilihat pada Lampiran 4.1 sampai dengan Lampiran 4.3.
Aturan Untuk Peringatan Dini
Untuk aturan peringatan dini dari JST prakiraan harga beras, aturan tersebut diperoleh melalui diskusi dengan pakar di FSTJ. Menurut pimpinan
FSTJ, masyarakat di DKI Jakarta masih menolerir kenaikan harga beras apabila harga beras meningkat di bawah lima persen. Apabila kenaikan harga beras di
PIBC melonjak lebih dari sepuluh persen dari harga normal, maka masyarakat DKI Jakarta tidak dapat menerimanya dan selanjutnya pihak pemerintah melalui
BULOG divisi regional DKI Jakarta melaksanakan operasi pasar. Berdasarkan hasil diskusi pimpinan FSTJ tersebut maka dibuat aturan peringatan dini untuk
prakiraan harga beras yang secara rinci dapat dilihat pada Tabel 21.
