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