40 e. Tahapan-tahapan proses yang terkait pada karakteristik proses yang
dipilih. Pemilihan proses inti ini ditetapkan berdasarkan akuisisi pendapat pakar.
f. Angka standar proses produksi gula kristal putih yang diperoleh dari PT. PG Subang dan berdasarkan pendapat pakar.
g. Data harian proses produksi gula kristal putih PT. PG Subang.
4. Pembentukan Data
Input JST
Data input JST yang dibentuk terdiri atas : a. Data
input untuk proses pelatihan data pelatihan JST. b. Data
input untuk proses pengujian data pengujian JST. Semua data input dibuat dalam bentuk file Excel atau berekstention
.xls.
Data pelatihan dan pengujian JST dibuat berdasarkan pada : 1 Atribut kualitas produk yang menjadi prioritas menurut pakar yang mengacu
pada SNI 01-3140.3-2001; 2 Karakteristik proses produksi yang memiliki hubungan keterkaitan paling besar terhadap atribut utama kualitas
produk; dan 3 Angka standarisasi proses produksi gula kristal putih pada PT. PG. Subang.
5. Disain JST
Inisialisasi parameter jaringan bakcpropagation dilakukan untuk menentukan fungsi aktivasi, algoritma training, nilai momentum, set goal
error dan epoh maksimum. Selanjutnya dilakukan perancangan dan pencarian arsitektur jaringan terbaik. Perancangan arsitektur jaringan
dilakukan dengan cara : ⇒ Menentukan jumlah input neuron pada input layer.
⇒ Menentukan jumlah output neuron pada output layer.
Output dari disain JST ini diklasifikasikan menjadi 3 kelas neuron yaitu :
Y
1
= Gula Kristal Putih Kualitas 1 GKP I. Y
2
= Gula Kristal Putih Kualitas 1 GKP II. Y
3
= Gula Kristal Putih Kualitas 1 GKP III. ⇒ Menentukan jumlah hidden layer.
⇒ Menentukan jumlah neuron pada hidden layer.
41 Inisialisasi parameter jaringan LVQ dilakukan untuk menentukan
algoritma training yang akan digunakan, nilai learning rate, set goal error dan epoh maksimumnya. Selanjutnya dilakukan perancangan dan
pencarian arsitektur jaringan terbaik. Perancangan arsitektur jaringan dilakukan dengan cara :
⇒ Menentukan jumlah input neuron pada input layer. ⇒ Menentukan jumlah output neuron pada output layer.
Output dari disain JST ini diklasifikasikan menjadi 3 kelas neuron yaitu :
Y
1
= Gula Kristal Putih Kualitas 1 GKP I. Y
2
= Gula Kristal Putih Kualitas 1 GKP II. Y
3
= Gula Kristal Putih Kualitas 1 GKP III. ⇒ Menentukan jumlah neuron pada competitive layer.
Setelah diperoleh arsitektur jaringan terbaik kemudian sistem dilatih terlebih dahulu menggunakan input data pelatihan hingga mencapai
kinerja akurasi yang diinginkan tercapai. Kinerja akurasi yang diukur pada proses pelatihan jaringan syaraf tiruan baik metoda BP maupun
LVQ adalah : • Lamanya proses pelatihan jumlah epoh.
• Perhitungan error MSE.
• Koefisien regresi r. Setelah melalui proses pelatihan dilanjutkan dengan proses pengujian
dengan menggunakan data pengujian JST. Setelah dilakukan proses pengujian maka sistem dapat diimplementasikan untuk memprediksi
kualitas gula kristal putih.
6. Implementasi JST