Rekayasa Model Rekayasa sistem manajemen ahli dalam perencanaan produksi rantai pasok agroindustri karet spesifikasi teknis

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 Pada model prakiraan asumsi yang digunakan adalah kondisi yang terjadi pada periode sebelumnya akan memiliki pola yang sama dengan kondisi yang akan datang. Hasil prakiraan ketersediaan bahan baku selanjutnya dikategorikan dalam label linguistik berdasarkan pengetahuan pakar, untuk menentukan rentang nilai pada model perencanaan produksi.

5.3.3 Model Perencanaan Produksi

Model perencanaan produksi bertujuan untuk menyusun Jadual Induk Produksi. Metode yang digunakan adalah Fuzzy Inference System FIS dengan teknik penalaran Mamdani, disebut juga metode Max Min yang dikembangkan oleh Ebrahim Mamdani di awal tahun 70-an. Penalaran Mamdani memiliki kelebihan dimana nilai input dan output dalam bentuk fuzzy sehingga lebih fleksibel dan memiliki toleransi terhadap data yang tidak tepat dan pengambilan keputusan didasarkan pada sejumlah basis aturan If-Then-Rules Unahabhoka, 2007; Kusumadewi, 2003. Sistem fuzzy merupakan suatu cara pengambilan keputusan melalui pendekatan logika fuzzy untuk memecahkan masalah-masalah yang mengandung ketidaktepatan imprecision. Tahapan pemodelan penyusunan rencana produksi disajikan pada Gambar 30. Gambar 30 Tahapan penentuan rencana produksi Fuzzifikasi Logika keputusan Defuzzifikasi Prakiraan harga dan volume permintaan Prakiraan pasokan bahan baku Jumlah produksi sebelumnya Basis pengetahuan Rencana Produksi Pemilihan metode FIS bertujuan untuk menyesuaikan rencana produksi sehingga adaptif terhadap dinamika harga dan permintaan di sisi hilir, dan dinamika ketersediaan bahan baku di sisi hulu serta ketersediaan kapasitas produksi pada periode perencanaan yang lebih pendek. Secara garis besar penggunaan FIS dengan metode Mamdani mengikuti langkah sebagai berikut : 1. Penyusunan database untuk data input Input data yang berfungsi sebagai antacendent distrukturkan berdasarkan hasil dari model prakiraan harga dan permintaan, dan ketersediaan bahan baku. Berdasrkan hasil prakiraan harga dan volume permintaan dilakukan pengelompokkan nilai harga dan nilai permintaan. Pengetahuan pakar diakuisi untuk melalui wawancara mendalam untuk menentukan klasifikasi tingkat permintaan dan tingkat harga. Hasil perbandingan nilai prakiraaan nilai tertinggi dan nilai terendah dijadikan basis perhitungan untuk memperoleh klasifikasi aturan yang akan digunakan sebagai input data pada FIS. Kondisi normal adalah kondisi diantara kategori tinggi dan rendah. Basis data untuk input disusun dalam bentuk data linguistik dengan kombinasi beberapa himpunan nilai. Himpunan nilai fuzzy data input dan output Fuzzy Inference System disajikan pada Tabel 8. Tabel 8 Himpunan nilai fuzzy untuk data input dan data Output Parameter Anggota himpunan fuzzy Pertama Kedua Ketiga INPUT Prakiraan harga PH Rendah Normal Tinggi US centkg [PH 269 ] [330 PH 405] [PH 493] Prakiraan Rendah Normal Tinggi Permintaan PP lots [PP 837] [1300 PP 1900 ] [PP 2369 ] Ketersediaan bahan baku KB Rendah Sedang Tinggi ton basahbulan [KB 45] [ 48 KB 53] [KB 57] OUTPUT Rendah Sedang Tinggi Jumlah produksi JP [JP 65] [105 JP 150] [JP 202] ton keringbulan 2. Proses fuzzifikasi Fuzzifikasi adalah proses merubah nilai input data menjadi bernilai fuzzy menggunakan fungsi keanggotaan membership function tertentu. Pada model ini proses fuzzifikasi menggunakan fungsi keanggotaan TFN Triangular Fuzzy Number dan fungsi keanggotaan trapezoid . Input data hasil prakiraan harga dan permintaan memiliki nilai linguistik tinggi, normal dan rendah. Demikian juga nilai fuzzy untuk input data ketersediaan bahan baku juga dikategorikan ke dalam selang nilai tinggi, sedang dan rendah. Untuk output data berupa jumlah produksi dikategorikan tinggi, normal dan rendah. Seluruh nilai untuk input data dan output data dalam label linguistik, selanjutnya disusun kedalam himpunan keanggotaan fuzzy dengan mengacu pada semesta pembicaraan. 3. Penyusunan logika keputusan Logika keputusan yang disusun mengikuti aturan yang berdasarkan logika “ jika maka” If Then Rule. Aturan “ jika maka” dapat disusun berdasarkan hasil akuisisi pengetahuan pakar di lapangan yang mempunyai kemampuan dalam bidang yang dikerjakannya Elmahi, 2002 ; Pongpaibool, 2007. Pada penelitian ini logika untuk aturan “jika-maka” digunakan operator “and” untuk membangun logika pada antacendent. Alternatif aturan yang digunakan untuk menyusun rencana produksi sebagai hasil akuisisi pengetahuan melalui diskusi dengan pakar karet spesifikasi teknis disajikan pada Tabel 9. Alternatif aturan disusun sebagai representasi pengetahuan yang disimpan dalam basis pengetahuan. Adapun bentuk umum dari logika aturan untuk menentukan jumlah produksi adalah sebagai berikut : If prakiraan harga is rendahnormaltinggi and prakiraan volume permintaan is rendahnormaltinggi and prakiraan pasokan bahan baku is rendahsedangtinggi Then jumlah produksi is rendahnormaltinggi . Sebagai contoh bentuk logika aturan pertama yang disusun adalah : If prakiraan harga 493 tinggi dan prakiraan permintaan 2369 tinggi dan ketersediaan bahan baku 57 tinggi Then jumlah produksi 202 tinggi. Tabel 9 Alternatif aturan jika – maka untuk rencana produksi Aturan JIKA MAKA ke Prakiraan Prakiraan Ketersediaan Jumlah Harga Permintaan Bahan baku Produksi 1 Tinggi Tinggi Tinggi Tinggi 2 Tinggi Tinggi Sedang Normal 3 Tinggi Tinggi Rendah Rendah 4 Tinggi Normal Tinggi Tinggi 5 Tinggi Normal Sedang Normal 6 Tinggi Normal Rendah Rendah 7 Tinggi Rendah Tinggi Tinggi 8 Tinggi Rendah Sedang Normal 9 Tinggi Rendah Rendah Rendah 10 Normal Tinggi Tinggi Tinggi 11 Normal Tinggi Sedang Normal 12 Normal Tinggi Rendah Rendah 13 Normal Normal Tinggi Tinggi 14 Normal Normal Sedang Normal 15 Normal Normal Rendah Rendah 16 Normal Rendah Tinggi Tinggi 17 Normal Rendah Sedang Normal 18 Normal Rendah Rendah Rendah 19 Rendah Tinggi Tinggi Tinggi 20 Rendah Tinggi Sedang Normal 21 Rendah Tinggi Rendah Rendah 22 Rendah Normal Tinggi Tinggi 23 Rendah Normal Sedang Normal 24 Rendah Normal Rendah Rendah 25 Rendah Rendah Tinggi Tinggi 26 Rendah Rendah Sedang Normal 27 Rendah Rendah Rendah Rendah 4. Proses Defuzifikasi Setelah nilai input diubah menjadi nilai fuzzy maka diperlukan proses defuzifikasi untuk mendapatkan nilai tegas crisp. Terdapat beberapa metode untuk melakukan agregasi nilai metode defuzzifikasi pada komposisi aturan Mamdani, pada penelitian ini dipakai metode agregasi dengan fungsi kepadatan centroid. Luas area pada hasil agregasi untuk menentukan nilai output dihitung dengan cara mengambil titik pusat z daerah fuzzy dengan formula : z Z dz z dz z z z Mengunakan metode Max Maximum solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maksimum aturan, kemudian menggunakannya untuk memodifikasi daerah fuzzy, dan mengaplikasikannya ke output dengan menggunakan operator OR union. Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan: sf [x i ] max sf [x i ], kf [x i ] dengan : sf [x i ] : nilai keanggotaan solusi fuzzy sampai aturan ke-i kf [x i ] : nilai keanggotaan konsekuen fuzzy aturan ke-i Selanjutnya menggunakan metode additive Sum, solusi himpunan fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan sf [x i ] min1, sf [x i ]+ kf [x i ] dengan : sf [x i ] : nilai keanggotaan solusi fuzzy sampai aturan ke-i kf [x i ] : nilai keanggotaan konsekuen fuzzy aturan ke-i

5.3.4 Model Ketersediaan Kapasitas Produksi

Rencana produksi umumnya disusun dalam bentuk Jadwal Induk Produksi. Jadwal induk produksi akan menjadi masukan utama untuk merencanakan kebutuhan sumber daya dan kebutuhan kapasitas. Model ketersediaan kapasitas digunakan untuk menghitung apakah sumber daya yang direncanakan cukup untuk melaksanakan rencana produksi karet spesifikasi teknis jenis SIR 20 di unit pengolahan karet spesifikasi teknis. Hasil perhitungan kapasitas selanjutnya digunakan untuk menjaga keseimbangan antara kebutuhan kapasitas yang ditetapkan dalam jadual induk produksi dengan ketersediaan kapasitas di lantai produksi . Input yang digunakan dalam model ini adalah sumber daya yang tersedia berupa jumlah jam kerja, waktu baku yang diperlukan setiap mesin. Berdasarkan data historis yang tersedia selanjutnya dihitung tingkat utilisasi dan efisiensi mesin, yang berfungsi sebagai faktor pengurang ketersediaan kapasitas yang digunakan untuk perawatan mesin. Output dari model ini adalah diperolehnya kapasitas yang tersedia untuk setiap mesin dan kapasitas unit pengolahan untuk menghasilkan karet spesifikasi teknis. Model perhitungan kapasitas dapat dilaksanakan jika tersedia data rencana produksi, nilai untuk parameter sumber daya yang dibutuhkan berupa waktu baku, kemampuan mesin berproduksi pada tingkat utilisasi yang diharapkan. Semua sumberdaya tersebut diasumsikan sudah dibakukan, tersedia pada waktu dan jumlah yang telah direncanakan dan tidak berubah dengan cepat selama horizon waktu perencanaan. Pendekatan RCCP pada penelitian ini menggunakan pendekatan CPOF disesuaikan dengan kondisi proses produksi dan ketersediaan data. Rumus yang digunakan untuk perhitungan proporsi historis adalah : T i i WP WP PH Dimana : PHi : Proporsi Historis pada work center ke i WPi : Waktu proses pada work center ke i WP T : Total waktu proses. Perhitungan kapasitas untuk masing-masing stasiun kerja adalah perkalian proporsi historis stasiun kerja dengan kapasitas total yang dibutuhkan : KB ij = PH T KB j Keterangan : KB ij : Kebutuhan Kapasitas stasiun kerja i pada periode j PH T : Proporsi historis pada stasiun kerja i KB j : Kapasitas yang dibutuhkan pada periode j Diagram alir tahapan penyusunan model ketersediaan kapasitas untuk validasi rencana produksi ditampilkan pada Gambar 31. Gambar 31 Diagram alir penghitungan kapasitas tersedia

5.3.5 Model Pengukuran Kinerja Rantai Pasok

Keberhasilan penyusunan rencana produksi dalam mengoptimalkan performansi rantai pasokan membutuhkan suatu model pengukuran kinerja. Model pengukuran kinerja disusun mengacu pada model pengukuran kinerja SCOR Supply Chain Operations Reference Model. Pada metrik SCOR sesuai Penyesuaian Rencana Produksi Selesai T Y Waktu proses, jam kerja, output produksi, kapasitas mesin Mulai Utilisasi output kapasitas Kapasitas Tersedia AC = T x U x E Waktu tersedia T x S x H x W Efisiens i waktu baku waktu aktual Kapasitas Dibutuhkan RCCP Pendekatan CPOF Pendekatan BOL Pendekatan RP Validasi MPS Rencana Produksi pengukuran reliabilitas diadopsi ukuran bullwhip effect guna mengukur keberhasilan penyusunan rencana produksi yang disusun dengan mempertimbangkan dinamika sisi hilir dan sisi hulu. Salah satu ukuran keberhasilan penyusunan rencana produksi untuk meningoptimalkan kinerja rantai pasok adalah besarnya variansi antara rencana dan realisasi produksi. Variansi keduanya menunjukan keberhasilan dalam menginterpretasikan dinamika dari sisi hilir dan sisi hulu dan merealisasikan produksi untuk memenuhi permintaan konsumen dan menyesuaikan dengan kemampuan pasokan. Berkaitan dengan kinerja dalam perencanaan produksi dikembangkan suatu sistem pengukuran kinerja dengan menggunakan pendekatan bullwhip effect. Mengacu pada formulasi perhitungan bullwhip effect dari Flansoo dan Wouters 2000 dalam Pujawan 2005, pada penelitian ini variansi order adalah rencana produksi yang dihasilkan dari model perencanaan produksi sebelumnya, sedangkan variansi demand adalah realisasi produksi setelah rencana produksi dilaksanakan. Besarnya amplifikasi antara rencana produksi dan realisasi produksi secara matematis pengukuran diformulasikan sebagai berikut : Pengukuran simpangan tidak hanya dilakukan untuk membandingkan rencana dan realisasi produksi juga digunkan untuk mengukur kinerja pasokan bahan baku. sebagai ukuran kinerja kebun dalam menyediakan bahan baku untuk kepentingan pabrik. Perhitungan menggunakan metode yang sama yaitu untuk menghitung nilai amplifikasi antara permintaan yang dikirimkan kepada pemasok dalam hal ini adalah kebun yang berada dalam perusahaan sendiri dengan jumlah pasokan yang diterima oleh pabrik. Nilai ini selanjutnya mengindikasikan kinerja dalam pemenuhan pasokan dari kebun. Tahapan penghitungan bullwhip effect sebagai ukuran kinerja rantai pasok dalam menginterpretasikan dinamika dari sisi permintaan dan pasokan disajikan pada Gambar 32. Gambar 32 Diagram alir penghitungan kinerja rantai pasok Rencana Produksi Mulai Rencana Produksi Hitung Nilai Bullwhip effect Memuaskan n Penyesuaian Rencana Produksi Selesai Hitung Standar Deviasi Hitung Koefisien Variansi Hitung Standar Deviasi Hitung Koefisien Variansi Tidak Ya 6 IMPLEMENTASI MODEL Rekayasa sistem manajemen ahli Proplan –TSR20 yang dirancang menggunakan pendekatan sistem harus memenuhi kriteria mewakili keseluruhan sistem kajian rantai pasok yang dipilih holistic untuk mencapai tujuan cybernetic perencanaan produksi secara efektif. Model sistem manajemen ahli Proplan-TSR2020 menggabungkan sistem pengambilan keputusan dan sistem pakar. Sistem pakar dikembangkan untuk menentukan jumlah produksi periode yang akan datang berdasarkan hasil pengolahan data pada sub model prakiraan harga, volume permintaan, pasokan bahan baku serta data historis jumlah produksi. Untuk menjamin tercapainya tujuan pengembangan model pengambilan keputusan dalam perencanaan produksi rantai pasok agroindustri karet spesifikasi, dibutuhkan proses verifikasi dan validasi terhadap sistem manajemen ahli perencanaan yang telah dirancang.

6.1 Verifikasi Model

Proses verifikasi dilakukan untuk memastikan bahwa model telah dibuat dengan benar dengan memeriksa kesesuaian algoritma yang diterapkan, memeriksa kesalahan yang mungkin terjadi, serta kelengkapan dalam pengembangan model Conwell, 2000; Macal, 2005. Proses verifikasi pada hasil perancangan sistem manajemen ahli Proplan-TSR20 dilakukan dengan; 1 memeriksa kesesuaian elemen model dengan sistem nyata, 2 logika dan algoritma yang digunakan telah diterapkan secara benar dalam perhitungan setiap sub model, 3 keluaran model memberikan hasil yang konsisten. Verifikasi untuk elemen sistem yang dikaji disesuaikan dengan hasil analisis dan identifikasi sistem rantai pasok karet spesifikasi teknis, yang terdiri dari pabrik sebagai penghasil karet spesifikasi teknis, perkebunan sebagai pemasok bahan olah karet dan kantor pemasaran bersama yang menjalankan fungsi pemasaran. Pemeriksaan algoritma model dilakukan untuk setiap sub model dengan menelusuri apakah program dapat menjalankan proses penghitungan secara benar dan menghasilkan keluaran yang sesuai. Penelitian dilakukan pada salah satu perkebunan besar milik negara yaitu PTPN VIII, dan di PT. Bakrie Sumatera Plantation Tbk PT. BSP sebagai salah satu perkebunan besar milik swasta. Terdapat perbedaan dalam proses bisnis untuk menyusun suatu rencana produksi antara keduanya. Secara garis besar PTPN VIII memiliki proses bisnis yang lebih panjang dan kewenangan lebih tersentralisasi sehingga pengambilan keputusan untuk penyesuaian rencana produksi menjadi lebih panjang. Sementara pada PT. BSP proses bisnis lebih pendek dan fleksibel dengan kewenangan perencanaan produksi berada pada manajer kebun dan manajer pabrik. Atas pertimbangan 1 kesesuaian tujuan pemodelan dengan hasil perancangan model dalam penyusunan rencana produksi yang lebih adaptif 2 keinginan perusahaan untuk lebih efisien dan efektif dalam pengelolaan produksi 3 ketersediaan data dan informasi, maka proses verifikasi dan validasi setiap model dilakukan menggunakan data dan informasi di PT. Bakrie Sumatera Plantation Tbk.

6.1.1 Prakiraan Harga dan Permintaan

Hasil perancangan model prakiraan harga dan permintaan digunakan untuk memprediksi tingkat harga dan volume permintaan karet spesifikasi teknis dunia khususnya untuk transaksi harian di pasar komoditi SICOM menggunakan data transaksi harian tahun 2010 Lampiran 5. Arsitektur JST backpropagation yang banyak digunakan dalam peramalan pada umumnya menggunakan parameter input neuron yang sama seperti yang dikembangkan dalam model prakiraan harga dan prakiraan permintaan oleh Indrawanto 2008 dan prakiraan harga dan permintaan beras oleh Surjasa 2010. Berbeda dengan penelitian terdahulu penelitian ini menggunakan lima neuron dengan parameter yang berbeda. Parameter untuk input layer terdiri atas lima neuron yaitu; 1 harga tertinggi, 2 harga terendah, 3 harga penutupan, 4 volume penutupan dan 5 volume pembukaan. Keluaran dari hasil rancangan JST pada penelitian ini atau disebut juga dengan neuron lapisan output adalah; 1 prakiraan harga dan 2 prakiraan volume permintaan. Untuk mendapatkan data yang dijadikan neuron pada input layer dalam pelatihan dan pengujian, data rata-rata transaksi harian dikelompokkan menjadi rata-rata mingguan. Arsitektur terbaik diperoleh dengan melakukan simulasi secara bertahap, keseluruhan hasil simulasi untuk memilih arsitektur tebaik ditunjukkan pada Tabel 10. Tabel 10 Pemilihan arsitektur JST untuk TSR 20 No Fungsi Aktivasi Algoritma Training Indikator yang ingin dicapai Indikator yang dicapai H I - H H - O epoch goal LR Epoch goal R Pemilihan jumlah neuron pada hidden layer 1 5 tansig purelin trainrp 5000 1.00E-05 0.001 5000 8.84E-05 0.97763 2 10 tansig purelin trainrp 5000 1.00E-05 0.001 5000 5.53E-05 0.98067 3 15 tansig purelin trainrp 5000 1.00E-05 0.001 5000 5.08E-05 0.98721 4 20 tansig purelin trainrp 5000 1.00E-05 0.001 5000 9.51E-05 0.97634 Pemilihan fungsi aktivasi 5 15 tansig purelin trainrp 5000 1.00E-05 0.001 5000 5.08E-05 0.98721 6 15 tansig logsig trainrp 5000 1.00E-05 0.001 5000 3.99E-05 0.98998 7 15 tansig tansig trainrp 5000 1.00E-05 0.001 5000 5.70E-05 0.98565 8 15 logsig purelin trainrp 5000 1.00E-05 0.001 5000 5.41E-05 0.9864 9 15 logsig tansig trainrp 5000 1.00E-05 0.001 5000 5.77E-05 0.98548 10 15 logsig logsig trainrp 5000 1.00E-05 0.001 5000 4.67E-05 0.98826 Pemilihan algoritma training 11 15 tansig logsig traingda 5000 1.00E-05 0.001 5000 5.16E-05 0.9869 12 15 tansig logsig traingdx 5000 1.00E-05 0.001 5000 3.83E-05 0.99038 13 15 tansig logsig traingd 5000 1.00E-05 0.001 5000 0.0336 0.48291 14 15 tansig logsig traingdm 5000 1.00E-05 0.001 5000 0.0898 0.21346 15 15 tansig logsig trainlm 5000 1.00E- 05 0.001 50 9.19E-06 0.9977 Keterangan : H : hidden layer I-H : dari input ke hidden layer H-O : dari hidden ke output layer LR : learning rate Pengolahan data dimulai dengan mengelompokkan data transaksi harian menjadi 251 pola, selanjutnya sebanyak 70 pola data digunakan untuk pelatihan Lampiran 6 dan 30 data untuk pengujian Lampiran 7. Arsitektur terbaik diperoleh melalui proses simulasi secara bertahap yaitu tahap ; 1 menentukan jumlah neuron pada hidden layer, 2 pemilihan fungsi aktivasi, dan 3 pemilihan algoritma training. Berdasarkan pencapaian nilai regresi terbaik sebesar 0,987 no 3 pada Tabel 10 maka jumlah neuron pada hidden layer adalah 15 neuron. Untuk menentukan fungsi aktivasi dilakukan simulasi dengan menggunakan beberapa fungsi aktivasi. Hasil regresi terbaik pada tahap ini sebesar 0,989 simulasi no 6 pada Tabel 10 menunjukkan fungsi aktivasi terbaik adalah tansig sigmoid bipolar dan logsig sigmoid biner. Sedangkan untuk pemilihan algoritma training yang terbaik adalah trainlm. Berdasarkan nilai target epoch sebanyak 5000 dan nilai MSE 0,00001 maka arsitektur terbaik diperoleh pada simulasi no 15 pada Tabel 10 sehingga arsitektur JST yang dihasilkan pada penelitian ini adalah fungsi aktivasi tansig pada input layer, logsig pada hidden layer dengan algoritma pelatihan trainml. Berdasarkan tiga indikator pelatihan yang dijadikan acuan dalam pemilihan arsitektur terbaik, pada epoch ke 50 target goal sudah tercapai dengan nilai MSE mencapai 0,0000919 dan nilai koefisien regresi mencapai 0,9977. Pengolahan data menggunakan perangkat lunak Matlab, untuk kepentingan verifikasi juga digunakan perhitungan secara manual. Proses pelatihan menggunakan JST meliputi 3 fase. Fase pertama adalah fase feedforward atau propagasi maju. Pola masukan dihitung maju mulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan error yang selanjutnya dipropagasikan mundur dari lapisan output ke lapisan input. Fase ketiga adalah modifikasi bobot untuk memperkecil selisih antara keluaran jaringan dengan target. Algoritma pelatihan untuk jaringan dengan satu lapisan tersembunyi dengan fungsi aktivasi sigmoid biner yang digunakan pada model ini mengikuti langkah-langkah sebagai berikut: Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil. Pada tahap ini dimulai dengan memberi bobot menggunakan nilai acak yang kecil range [-1,1]. Tahap ini ditentukan bobot yang digunakan dari lapisan input ke lapisan tersembunyi v ij dan bobot dari lapisan tersembunyi ke lapisan output w jk . Kondisi pemberian bobot berhenti ditentukan dari selisih hasil propagasi maju dengan target error atau jumlah iterasi yang dikehendaki. Pada model ini nilai target error adalah 0.00001 dan nilai epoch = 5000. Jika salah satu dari kedua kondisi tersebut terpenuhi pelatihan dihentikan. Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 – 9 Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3 – 8 Langkah 3: Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya Langkah 4: Hitung semua keluaran di unit tersembunyi z j j=1,2,3,4 ,5 dengan formula : z_net j = v jo + Hasil perhitungan nilai keluaran dari unit tersembunyi adalah : z_net 1 = 1 0.2 + 0.190 0.1 + 0.188 0.2 + 0.189 -0.1 + 0.117 0.2 + 0.641 0.1 = 0.325 z_net 2 = 1 -0.1 + 0.190 0.3 + 0.188 0.1 + 0.189 0.3 + 0.117 -0.1 + 0.641 0.1 = 0.085 z_net 3 = 1 0.1 + 0.190 0.1 + 0.188 0.1 + 0.189 0.1 + 0.117 0.1 + 0.641 0.3 = 0.361 z_net 4 = 1 0.2 + 0.190 0.2 + 0.188 0.2 + 0.189 0.2 + 0.117 0.3 + 0.641 0.1 = 0.413 z_net 5 = 1 0.1 + 0.190 0.1 + 0.188 -0.1 + 0.189 0.1 + 0.117 0.1 + 0.641 0.1 = 0.196 Dengan menggunakan fungsi aktivasi sigmoid diperoleh nilai keluaran dengan menggunakan formula : z j = fz_net j = 11+ z 1 = fz_net 1 = 11+ = 11+ = 0.580 z 2 = fz_net 2 = 11+ = 11+ = 0.521 z 3 = fz_net 3 = 11+ = 11+ = 0.589 z 4 = fz_net 4 = 11+ = 11+ = 0.602 z 5 = fz_net 5 = 11+ = 11+ = 0.548 Langkah 5: Menghitung keluaran unit output layer y k dengan formula y_net k = v ko + Untuk output layer diperoleh nilai keluaran untuk setiap neuron : y _net 1 = 1 0.2 + 0.580 0.3 + 0.521 0.2 + 0.589 -0.1 + 0.602 0.4 + 0.548 0.4 = 0.646 y_net 2 = 1 -0.1 + 0.580 0.2 + 0.521 0.1 + 0.589 0.3 + 0.602 -0.1 + 0.548 0.2 = 0.294 Karena pada lapisan tersembunyi ke lapisan output menggunakan fungsi aktivasi identitas fx = x, maka y 1 = fy_net 1 = -0.646 y 2 = fy_net 2 = -0.294 Target y 1 = 0.194 dan y 2 = 0.145 Karena hasil keluaran jaringan masih memilki selisih yang cukup besar maka dilanjutkan ke langkah 6. Pada langkah 6 sampai langkah 9 hasil perhitungan ditunjukkan pada Lampiran 7. Di bawah ini hanya ditunjukkan formula pada setiap langkah. Langkah 6: Hitung faktor δ di unit keluaran y k δ k = t k – y k f’y_net k = t k -y k y k 1-y k Langkah 7: Hitung penjumlahan kesalahan dari unit tersembunyi δ δ_net j = Langkah 8: Hitung semua perubahan bobot Perubahan bobot unit keluaran w jk baru = w jk lama + Δw jk dan v ij baru = v ij lama + Δv ij Langkah 9: Kembali ke langkah 1 Secara terinci perhitungan menggunakan algoritma yang dilakukan pada penelitian ini disajikan pada Lampiran 8. Hasil akhir perhitungan bobot berdasarkan nilai target MSE dan epoch ditunjukkan pada Tabel 11, guna menentukan nilai bobot lapisan input ke lapisan tersembunyi Tabel 11 Bobot dari lapisan input ke lapisan tersembunyi w ij z1 z2 z3 z4 z5 x1 harga tertinggi -29.49 4.79 13.70 48.91 24.99 x2 harga terendah -21.89 -37.52 -18.65 29.49 12.36 x3 haga penutupan -9.16 -27.64 36.68 -12.39 -29.94 x4 volume penutupan -16.97 -15.89 31.78 -54.87 43.22 x5 volume pembukaan -2.30 2.17 -4.74 -0.98 -3.86 1bias 19.97 12.50 -10.10 -4.62 -4.60