46 Gambar 18. Data yang akan dilatihkan pada jaringan
Pada gambar tersebut terdapat sembilan kolom yang masing-masing kolom merepresentasikan data atribut yang telah dipilih sebagai masukan jaringan. Kolom 1 hingga 8 merepresentasikan X1 – X8
sedangkan kolom 9 adalah intensitas level kelangkaan yang dijadikan target keluaran. Setelah data masukan yang sudah dinormalisasi telah dinputkan semua maka tahap selanjutnya adalah melakukan
pelatihan jaringan. Pelatihan ini bertujuan agar jaringan mampu mengenali pola yang diinputkan. Gambar 19 menunjukkan grafik hasil pelatihan yang telah dilakukan dengan menggunakan 66 data
pelatihan.
Gambar 19. Grafik hasil pelatihan jaringan Parameter yang ditentukan dalam pelatihan ini adalah nilai MSE 0.0000005 5.10
-7
. Namun hasil pelatihan jaringan mampu mendapatkan nilai Error yang lebih kecil yaitu 0.00000000531 5.31.10
-9
dengan 38 iterasi. Nilai ini menandakan bahwa performa yang didapatkan lebih baik dan telah melampaui batas yang telah ditentukan. Gambar di atas juga menandakan bahwa pola data yang telah
dilatihkan telah dapat dikenali dan siap untuk dilakukan pengujian dan validasi.
5.4 Pengujian Jaringan Syaraf
Pengujian dilakukan dengan menggunakan sisa data yang telah disiapkan sebagai data pengujian. Jumlah data yang akan dilatihkan berjumlah 15 paket data yang dipilih secara acak dari
47 total data yang didapatkan. Pengujian dilakukan pada jaringan yang telah dilatih sebelumnya
menggunakan 66 paket data. Data yang akan diujikan juga sebelumnya harus dimasukan dalam suatu matriks dan diinputkan ke dalam MATLAB. Grafik hasil pengujian dengan 15 paket data dapat dilihat
pada Gambar 20. Dalam gambar tersebut dapat dilihat adanya garis biru dan lingkaran berwarna hijau. Garis berwarna biru merupakan data target aktual sedangkan lingkaran berwarna hijau menunjukkan
hasil pengujian data percobaan. Berdasarkan hasil pengujian tersebut, didapatkan tingkat kesalahan berdasarkan MSE sebesar 0.47 dengan tingkat akurasi atau ketepatan deteksi sebesar 75.04. Nilai ini
memiliki arti dari 15 data pengujian yang diujikan 75.04 datanya atau sekitar 11 data memiliki ketepatan dengan data aktual. Perhitungan MSE dan MPAE serta perbandingan antara data aktual
dengan data hasil pengujian dapat dilhat pada Lampiran 5.
Gambar 20. Grafik hasil Pengujian JST Data hasil pengujian tersebut merupakan bilangan desimal, sedangkan level kelangkaan yang
ditentukan merupakan bilangan bulat antara 1 hingga 3. Untuk itu perlu adanya pembulatan bilangan desimal tersebut agar menjadi bilangan bulat. Untuk merubah bilangan desimal menjadi bilangan
bulat digunakan fungsi round di MATLAB. Dengan pembulatan hasil pengujian tersebut tentunya akan merubah kemampuan atau error antara data aktual dengan data hasil pengujian yang telah
dibulatkan tersebut. Grafik hasil pengujian JST antara data aktual dengan hasil simulasi kelangkaan pupuk yang
telah dibulatkan dapat dilihat pada Gambar 21. Pada grafik tersebut dapat dilihat ada garis biru dan juga bulatan kecil berwarna merah. Seperti halnya pada grafik sebelumnya, garis berwarna biru
menunjukkan data aktual sedangkan bulatan kecil berwarna merah menandakan data hasil simulasi atau pengujian yang telah dibulatkan menjadi bilangan bulat. Dari hasil pembulatan tersebut
didapatkan nilai error MSE sebesar 0.46. Nilai ini lebih baik sebanyak 0.01 jika dibandingkan dengan nilai MSE yang tidak menggunakan pembulatan. Sedangkan tingkat akurasi juga meningkat menjadi
84.44 atau meningkat sebanyak 9.40. Peningkatan kinerja tersebut dapat dilihat dengan lingkaran merah yang menempel dan berhimpitan pada garis berwarna biru.
48 Gambar 21. Hasil Pengujian JST dengan pembulatan nilai simulasi
Hasil di atas menunjukkan bahwa jaringan tersebut telah dapat mengenali pola-pola lain di luar pola yang telah dilatihkan dan dapat digunakan untuk mendeteksi kelangkaan pupuk yang akan
terjadi. Penyimpangan jaringan dalam mendeteksi level kelangkaan bisa dimungkinkan karena data pengujian masih terlalu asing dan tidak memiliki pola yang sama dengan beberapa pola data pelatihan.
Menurut Effendy et al. 2008, kegagalan suatu jaringan dalam memprediksi suatu nilai sebenarnya disebabkan oleh beberapa faktor, antara lain karena variabel input yang berjumlah banyak maka
idealnya data yang dilatihkan tidak hanya sedikit. Karena semakin banyak jenis atau tipe yang dilatihkan, jaringan akan semakin baik mengenali pola-pola tertentu.
5.5 Bentuk dan Interface Program EWS
