18 [t]
= poststd tn,meant,stdt Dengan p dan t adalah matriks yang telah didenormalisasi.
Apabila pada jaringan saraf tiruan yang telah dilatih menggunakan trastd untuk preprocessing, maka apabila ada data input baru yang akan disimulasikan, data baru
tersebut juga harus disesuaikan dengan nilai mean dan standar deviasi dari jaringan. Untuk keperluan ini, dapat digunakan fungsi trastd.
2.2 Aplikasi Backpropagation Dalam Prediksi
Prediksi adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan datang yang didasarkan pada data waktu sekarang dan waktu lampau historical
data[4].
Prediksi merupakan suatu proses untuk memperkirakan kejadian ataupun perubahan di masa yang akan datang[11]. Dalam suatu proses kegiatan, proses
prediksi ini merupakan awal dari rangkaian kegiatan, dan sebagai titik tolak kegiatan berikutnya. Permodelan time series sering sekali dikaitkan dengan proses prediksi
forecasting suatu nilai karakteristik tertentu pada periode kedepan, melakukan pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem[15].
Dengan mendeteksi pola dan kecendrungan data time series, kemudian memformulasikannya dalam suatu model, maka dapat digunakan untuk memprediksi
data yang akan datang. Model dengan akurasi yang tinggi akan menyebabkan nilai prediksi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan
keputusan.
Salah satu metode prediksi yang berkembang saat ini adalah menggunakan jaringan saraf tiruan artificial neural network, dimana jaringan saraf tiruan telah
menjadi penelitian yang menarik dan banyak digunakan untuk menyelesaikan masalah pada beberapa bidang kehidupan. Salah satu diantaranya adalah untuk analisis data
time series pada masalah forecasting.
Universitas Sumatera Utara
19 Salah satu jaringan pada JST yang dapat diaplikasikan dengan baik dalam
bidang prediksi forecasting adalah backpropagation. Prediksi yang sering kita
dengar adalah prediksi jumlah penjualan, nilai tukar, valuta asing, prediksi besarnya aliran air sungai, dll[4].
Secara umum, masalah prediksi dapat dinyatakan sebagai berikut: Diketahui sejumlah data runtun waktu time series x
1,
x
2,
…, x
n
. Masalahnya adalah memperkirakan berapa harga x
n+1
berdasarkan x
1,
x
2,
…, x
n.
Dengan backpropagation, record data dipakai sebagai data pelatihan untuk mencari bobot yang optimal. Untuk itu kita perlu menetapkan besarnya periode
dimana data berfluktuasi secara teratur. Besarnya periode ini kita tentukan secara intuitif. Misalnya: perminggu, perbulan, perempat bulan atau pertahun.
Bagian tersulit dari memprediksi sesuatu menggunakan jaringan saraf tiruan backpopagation adalah menentukan jumlah layer dan unitnya. Tidak ada teori yang
dengan pasti yang dapat dipakai. Tapi secara praktis dicoba jaringan yang kecil terlebih dahulu misalnya terdiri dari satu layer tersembunyi dengan beberapa unit
saja. Jika gagal kesalahan tidak turun dalam epoch yang besar, maka jaringan diperbesar dengan menambahkan unit tersembunyi atau bahkan menambah layer
tersembunyi.
2.3 Prediksi Harga Minyak Mentah Dunia
