45 4
Momentum Besar kecilnya momentum mempengaruhi perubahan bobot
pada proses pembelajaran. Besarnya momentum antara 0 sampai 1.
net.trainparam.mc=Momentum;
c. Denormalisasi
Data yang telah dinormalisasi akan dikembalikan ke dalam bentuk yang biasa atau semula yang sering disebut
denormalisasi.
Perintah untuk mentransformasi data dengan beberapa contoh syntak pada
Matlab
sebagai berikut.
Qn = trastd Q’, meanp, stdp ; bn = sim net, Qn;
b = poststdbn, meant, stdt;
atau
mapstdreverse,bn,tarns;
dengan,
bn
: matrik input ternormalisasi Q : data
input
baru Qn : hasil simulasi dari data
input
4. Prosedur Pembentukan Model
Backpropagation
a. Tahap awal
1 Penentuan variabel
input
dan target Diperoleh dengan melihat plot autokorelasi data yaitu melihat
lag- lag
signifikan pada fungsi autokorelasi, sedangkan data target merupakan variabel yang digunakan untuk membandingkan
output
46 dari
Neural Network
. Misal variabel data target yang digunakan adalah data
dan
lag-lag
yang signifikan dalam plot ACF misal data terlihat pada
lag-1
dan
lag-3
, sehingga variabel input data dan
. 2
Pembagian data Data yang terdiri dari data
input
dan target dibagi menjadi data pelatihan dan pengujian. Proporsi pembagian data bersifat subjektif
tergantung peneliti. Presentase data pelatihan lebih besar dibanding dengan data pengujian. Data pengujian biasanya 10 sampai 30
dari data terakhir. Data
training
digunakan untuk memperoleh bobot dan bias terbaik pada jaringan. Data
testing
untuk dibandingkan dengan data hasil peramalan.
b. Tahap pembentukan jaringan
1 Penentuan fungsi aktivasi
Pemilihan fungsi aktivasi harus memenuhi syarat kontinu, terdiferensial dan merupakan fungsi tidak turun. Fungsi aktivasi
digunakan pada lapisan pertama tersembunyi dan kedua
output
. 2
Penentuan model pelatihan Model pelatihan akan memerlukan waktu pemrosesan selama tahap
pelatihan. Dipilih dari beberapa model pelatihan dalam
backpropagation
yaitu
gradient descent
dengan
a daptive learning rate trainda
,
gradient descent
dengan
momentum traindm,
47
gradient descent
dengan
momentum
dan
adaptive learning rate
traindx
, serta
resilent backpropagation
. 3
Menentukan besarnya parameter model pelatihan Parameter yang dipilih berdasarkan model pelatihan yang dipilih
atau digunakan. Misal model pelatihan
resilent backpropagation
sehingga pameter yang digunakan yaitu maksimum nilai
epoch
iterasi, kinerja tujuan,
lea rning rate
, jumlah
epoch
yang ditujukan, kenaikan bobot, penurunan bobot, perubahan bobot
awal, maksimum perubahan bobot. Penentuan besarnya nilai parameter menggunakan cara
trial and error
yaitu uji coba dengan melihat
error
terkecil. Misal akan menentukan maksimum
epoch
iterasi yang diinginkan dengan nilai
default
yang ditentukan adalah 10 yaitu mengganti nilai maksimum di sekitar nilai default
dan memilih nilai maksimum
epoch
dengan
error
terkecil Kusumadewi, 2004.
c. Tahap penentuan model Tahap Diagnostik
Penentuan model dibantu dengan
softwa re Matlab2013b
. Tahap yang dilalui adalah tahap pembentukan model dan tahap pemilihan
model terbaik 1
Pembentukan dan pemilihan model
Model dibentuk melalui tahap pelatihan dan pengujian dengan mengubah banyaknya lapisan tersembunyi. Penentuan banyaknya
lapisan tersembunyi dilakukan dengan cara
trial and error
.
MAPE
48 digunakan untuk mengukur tingkat kehandalan model sedangkan
MSE
untuk mengukur akurasi hasil pembelajaran dari model. Pemilihan model terbaik berdasarkan nilai
MAPE
terkecil dari tahap pelatihan beberapa model yang dibangun.
2 Uji
white noise
Model terpilih dilakukan evaluasi dengan uji
white noise
melalui pengecekan
error
hasil proses pelatihan. Jika
lag-lag
plot ACF dan PACF dari
error
tidak melebihi selang kepercayaan maka model cocok digunakan untuk peramalan.
d. Tahap peramalan
Dilakukan berdasarkan model terbaik yang terpilih dengan memenuhi tahap diagnostik.
Bentuk umum
output
dari
backpropagation
adalah sebagai berikut Fausett, 1994:292 :
3.14 Dengan fungsi aktivasi didapatkan rumus sebagai berikut,
3.15
dengan, : nilai peramalan variabel
output
: bobot bias lapisan tersembunyi ke lapisan
output
: bobot lapisan tersembunyi ke lapisan
output
: bobot bias lapisan
input
ke lapisan tersembunyi, : bobot lapisan
input
ke lapisan tersembunyi,
49 : variabel
input
untuk peramalan : banyak
neuron
lapisan tersembunyi model terbaik : banyaknya variabel
input
: fungsi aktivasi lapisan tersembunyi : fungsi aktivasi lapisan
output
B. Radial Basis Function Neural Network
