karakter to digunakan sebagai data uji terhadap hasil pelatihan bobot ri-ti-ru-tu-ro-ep karena to berada dalam kelompok cluster yang sama dengan ri-ti-ru-tu-ro-ep.
Tabel 7 Hubungan Bobot JST Dengan Uji Data Eksklusif
4.2.2. Model Data Variabel Input
Data input dinyatakan dalam besaran waktu untuk tiap variabel durasi d, interkey
i dan Total T untuk uraian tiap pasangan karakternya. Nilai besaran tersebut dikonversi oleh proses fuzzifikasi sehingga menghasilkan 5 nilai kelas fungsi
keanggotaan Fuzzy untuk tiap variabelnya.
4.2.3. Model Data Output
Bilangan nyata dari 0 hingga +1 diperoleh untuk tiap variabel d, i dan T. Ambang batas pemisah adalah 0,50 dan 0,75 yang digunakan untuk menghitung hasil FRR.
4.2.4. Perancangan Variabel Fuzzy
Variabel fungsi keanggotaan Fuzzy ditentukan setelah hasil pengumpulan data diperoleh. Hasil analisis data statistik yang berasal dari 5 pengguna berbeda, yakni
Abudiman, Wningsih, Syafii, Risantod dan Mahyus 1140 pasangan karakter x 5 dinyatakan dalam grafik histogram dan dijadikan dasar untuk membangun semesta
pembicaraan himpunan Fuzzy untuk masing-masing variabel d, i dan T. Semesta pembicaraan berada didaerah interval waktu dengan banyak frekwensi kejadian
kepadatan frekwensi kejadian. Bila semesta pembicaraan terlalu luas, maka pembagian rentang pengklasifikasi Fuzzy terlalu luas sehingga hasil keseluruhan akan
berpengaruh terhadap ketelitian sistem. Keseluruhan grafik ada dalam lampiran 2. Grafik VARd menentukan batas variabel d adalah 50 ms dan 300 ms. Grafik VARi untuk
variabel i adalah 75 ms dan 700 ms. Grafik VART untuk variabel T adalah 125 ms dan
1000 ms. Pemilihan angka juga mengacu pada pemilihan angka bulat terdekat untuk menyederhanakan fungsi matematis dalam pemrograman.
Gambar 18 Hubungan Histogram Dengan Batas Kelas Fuzzy
Bentuk fungsi keanggotaan mengacu pada penelitian Sajjad Haider, et al 2000 yang menggunakan bentuk fungsi keanggotaan segitiga dan ditambah sedikit modifikasi
pada kelas Fuzzy paling akhir yakni SL berupa fungsi trapesium. Kelebihannya adalah jumlah kemungkinan pola yang dihasilkan oleh 5 kelas fungsi keanggotaan bisa
memberikan sebanyak 7 kemungkinan pola sebagai berikut.
Gambar 19 Tujuh Kemungkinan Pola Dari 5 Kelas Fuzzy
4.2.5. Model Data Pelatihan Jaringan Syaraf Tiruan
Kepintaran JST sangat ditentukan oleh kualitas data pelatihannya yakni berupa pasangan input dan target output untuk setiap pasangan karakter. Input variabel d, i,
dan T hasil fuzzifikasi untuk tiap kelas Lima kelas fungsi keanggotaan, dan target nilai output yang diinginkan BENAR1. Data pelatihan yang dipilih berasal dari nilai
minimum MIN, nilai maximum MAKS, nilai median MED, nilai modus MOD, rataan aritmetik MEAN, rataan aritmetik ditambah simpangan baku MEAN+SD dan rataan
aritmetik dikurangi simpangan baku MEAN-SD dari keseluruhan populasi data pasangan karakter bersesuian yang dikumpulkan untuk masing -masing pengguna.
Data pelatihan yang baik haruslah mempunyai data komplemen dengan nilai target output yang berbeda SALAH0. Untuk itu disusun data komplemen dengan
target output bernilai 0. Dalam percobaan juga akan dilakukan variasi penyusunan data pelatihan lain dengan penetapan target output bernilai 0,5 yang bermakna MUNGKIN.
Himpunan data komplemen disusun sedemikian rupa sehingga mengacu pada 7 kemungkinan pola input yang masuk sebagai berikut.
Tabel 8 Penyusunan Data Komplemen Untuk Variabel d, i Dan T
Penelitian ini menggunakan dua macam model data pelatihan, sebagai berikut. 1. Model A, dengan ketentuan sebagai berikut.
a. Bila MIN, MAKS, MED,MOD, MEAN, MEAN+SD,MEAN-SD, maka target sama dengan +1.
b. Data komplemen, dengan ketentuan sebagai berikut. i. Bila MIN x MAKS, maka target sama dengan +1.
ii. Bila x MIN atau x MAKS, maka target sama dengan 0. 2. Model B, dengan ketentuan sebagai berikut.
a. Bila MIN,MAKS, maka target sama dengan 0,5. b. Bila MED,MOD,MEAN,MEAN+SD,MEAN -SD, maka target sama dengan
+1. c. Data komplemen, dengan ketentuan sebagai berikut.
i. Bila MIN x MEAN-SD atau MEAN+SD x MAKS, maka target sama dengan 0,5.
ii. Bila x MIN atau x MAKS, maka target sama dengan 0. iii. Bila MEAN-SD x MEAN+SD, maka target sama dengan +1.
Keseluruhan model data pelatihan bisa dilihat dalam lampiran 3. Model A dilatar belakangi keinginan untuk memberikan jawaban BENARSALAH bersifat
tegascrispy sedangkan Model B bertujuan untuk memberikan alternatif jawaban ketiga yakni MUNGKIN BENAR bersifat berarti duaambiguity.
Konsekwensi penyusunan bentuk model data pelatihan tersebut adalah adanya nilai target yang bersifat paradoks bertentangan satu dengan lainnya untuk suatu pola
nilai masukan Fuzzy yang sama.
Tabel 9 Contoh Nilai Target Yang Bertentangan Paradoks
Data pelatihan dengan nilai target yang bertentangan paradoks pada var i = 700 kelas SL=1 dengan target = 1 dan var i =1000 kelas SL=1 dengan target = 0.
Akibatnya, pada hasil verifikasi JST gambar 20 adalah suatu nilai baru di tengah nilai target yang diinginkan 0 atau 1. Ini diakibatkan bobot JST selama melakukan epoch
pelatihan mengalami pergerakan naik-turun. Naik saat menerima target = 1 untuk input SL=1 dan kemudian harus turun kembali dikoreksi saat menerima target = 0 untuk
input yang sama dan demikian seterusnya hingga pelatihan selesai dan bobot berada di kisaran daerah keseimbangan di tengah-tengah.
Gambar 20 Hasil Verifikasi Akibat Data Pelatihan Yang Paradoks
Hasil verifikasi data an oleh bobot an pelatihan A, eta = 0,1 dan epoch = 1000
4.2.6. Penentuan Parameter Jaringan Syaraf Tiruan
