Analisis Jaraingan Saraf Tiruan Backpropagation Menggunakan Conjugate Gradient Fletcher Reeves dalam Proses Memprediksi Chapter III V
15
BAB 3
METODOLOGI PENELITIAN
Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam
pengumpulan data atau informasi guna memecahkan permasalahan dan menguji
hipotesis penelitian.
3.1.
Pendahuluan
Pada Bab 3 didalam penelitian ini menjelaskan bagaimana metodologi yang
digunakan untuk menyelesaikan masalah-masalah penelitian. Tujuan dari tesis ini
adalah untuk membuat model aturan pola dan prediksi Indeks Harga Konsumen (IHK)
menggunakan Jaringan Saraf Tiruan dengan metode Backpropagation sebagai
pedoman pengambilan keputusan yang lebih baik dengan output berupa pola dan
prediksi Indeks Harga Konsumen (IHK).
Langkah-langkah proses penelitian tertuang pada kerangka kerja penelitian yaitu :
1) Mengumpulkan Data
2) Studi Pustaka
3) Mengidentifikasi Masalah
4) Praproses
5) Menentukan Model
6) Menguji Hasil Pengolahan Data
7) Memprediksi
8) Mengevaluasi Akhir
3.2.
Kerangka Kerja Penelitian
Pada Bab 3 ini akan diuraikan metodologi dan kerangka penelitian kerja yang
digunakan dalam menyelesaikan masalah penelitian.
Metodologi penelitian ini dilakukan secara sistematik agar mendapatkan alur
kerja yang baik yang dapat digunakan sebagai pedoman untuk peneliti dalam
15
Universitas Sumatera Utara
16
melaksanakan penelitian ini agar hasil yang dicapai tidak menyimpang dan tujuan
yang diinginkan dapat terlaksana dengan baik dan sesuai dengan tujuan yang telah
ditetapkan sebelumnya.
Mulai
Megumpulkan Data
Jurnal, Prosiding
dan Buku Jaringan
Syaraf Tiruan
Studi Pustaka
Mengidentifakasi Masalah
Praproses
Menentukan Pola
Menguji Hasil Pengolahan Data
Memprediksi
Mengevaluasi Akhir
Selesai
Gambar 3.1. Kerangka Kerja Penelitian
Berdasarkan kerangka kerja pada gambar diatas maka masing-masing langkah
dapat diuraikan sebagai berikut :
1) Mengumpulkan Data
Pada tahap ini, data-data diperoleh dari Berita Resmi Statistik (BRS) yang
rutin diterbitkan secara bulanan oleh Badan Pusat Statistik (BPS) Kota
Pematangsiantar melalui https://siantarkota.bps.go.id/ serta dengan langsung
datang ke kantor BPS yang bertempat di Jln. Porsea No. 5 Pematangsiantar.
Dalam mengumpulkan data dilakukan observasi yaitu pengamatan secara
langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui
dengan jelas. Kemudian dilakukan interview yang bertujuan untuk mencapai
16
Universitas Sumatera Utara
17
informasi atau data yang dibutuhkan. Selain itu juga dilakukan studi
kepustakaan yaitu membaca jurnal dan buku-buku penunjang dalam
melakukan analisa terhadap data dan informasi yang tepat.Dalam melakukan
pengumpulan data ada beberapa cara yaitu;
a) Survey
Melakukan pengumpulan data dan observasi dengan meninjau langsung ke
lapangan pada pihak-pihak yang terkait yang mempunyai wewenang
dalam menyelesaikan penelitian ini.
b) Studi Literatur
Melakukan penelitian dan pembelajaran terhadap referensi-referensi yang
berhubungan dengan penelitian seperti jurnal-jurnal yang berhubungan
atau buku-buku tentang Jaringan Saraf Tiruan, atau melalui situs-situs di
internet dalam menyelesaikan penelitian ini.
c) Wawancara
Melakukan tanya jawab dengan bagian yang menjadi objek penelitian
sehingga nantinya dapat memberikan informasi yang akurat dan
terpercaya.
2) Studi Pustaka
Untuk mencapai tujuan yang akan ditentukan, maka perlu dipelajari beberapa
literatur-literatur yang digunakan. Studi pustaka merupakan langkah awal
dalam penelitian ini, studi pustaka ini dilakukan untuk melengkapi
pengetahuan dasar dan teori-teoriyang digunakan dalam penelitian ini.
3) Mengidentifikasi Masalah
Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data
terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses
pada tahap konversi data yang didapat sesuai dengan bobot yang ditentukan.
4) Praproses
Tahap praproses merupakan tahap seleksi data yang bertujuan untuk
mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian.
Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap
beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah
pemahaman
terhadap
isi
record,
juga
melakukan
seleksi
dengan
memperhatikan konsistensi data, missing value dan redundant pada data.
17
Universitas Sumatera Utara
18
5) Menentukan Model
Pada tahap ini akan dilakukan penentuan model Jaringan Saraf Tiruan dengan
metode Backpropagation. Hasil dari tahap ini adalah beberapa model jaringan
saraf tiruan dengan metode Backpropagation untuk menentukan pola.
6) Menguji Hasil Pengolahan Data
Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba
terhadap hasil pengolahan data dengan menggunakan Software Matlab R2011b
(7.13). Pengujian dilakukan melalui tahapan sebagai berikut:
a) Melakukan
pengolahan
data
secara
manual
dengan
metode
Backpropagation.
b) Menguji
hasil
pengolahan
data
secara
manual
dengan
metode
Backpropagation dengan data yang sama pada langkah pertama.
c) Menguji hasil pengolahan data secara komputerisasi dengan metode
Backpropagation dengan data yang sama pada langkah pertama dengan
menggunakan software Matlab R2011b (7.13).
d)
Membandingkan
hasil
manual
dengan
hasil
pengujian
dengan
menggunakan software Matlab R2011b (7.13).
e) Menguji hasil pengolahan data secara komputerisasi dengan metode
Backpropagation dengan menggunakan software Matlab R2011b (7.13)
dengan data yang lebih lengkap dengan beberapa model Jaringan Saraf
Tiruan
7) Memprediksi
Prediksi dilakukan untuk membandingkan jumlah dengan model Jaringan
Saraf Tiruan dengan metode Backpropagation yang paling akurat.
8) Mengevaluasi Akhir
Mengevaluasi akhir dilakukan untuk mengetahui apakah pengujian hasil
pengolahan data sesuai dengan yang diharapkan. Evaluasi dilakukan untuk
membandingkan hasil pengujian data secara komputerisasi menggunakan
software Matlab R2011b (7.13) dengan beberapa model yang ditentukan
sebelumnya.
18
Universitas Sumatera Utara
19
3.3.
Teknik Proses Pelatihan Dan Pengujian
Proses pelatihan dan pengujian menggunakan metode Backpropagation dan
Conjugate Gradient Fletcher Reeves dapat dilihat pada gambar 3.2.
Gambar 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR
Keterangan :
Pelatihan jaringan menggunakan kedua metode dimulai dengan proses
normalisasi
data
train
kemudian parameter
awal
masing-masing
metode
ditentukan. Jaringan dilatih hingga membentuk model classifier. Selanjutnya
model tersebut
diuji menggunakan data test
yang
telah dinormalisasi dan
menghasilkan hasil pengujian yang dapat diketahui berdasarkan nilai akurasi dan
MSE (Mean Squared Error) nya.
3.4.
Tempat Penelitian
Penelitian ini dilaksanakan Badan Pusat Statistik (BPS) Jln. Porsea No.5, Teladan,
Siantar Barat, Kota Pematangsiantar Sumatera Utara 21144.
3.5.
Alat Dan Bahan
Alat dan Bahan yang digunakan dalam penelitian antara lain:
1) Komputer/Laptop untuk membantu dalam mengolah data.
2) Software Matlab R2011b (7.13) sebagai alat untuk memudahkan dalam
pengolahan data.
3) Data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan
sebagai data target yang akan diolah dengan model yang digunakan.
19
Universitas Sumatera Utara
20
3.6.
Tahap Pemrosesan Data
Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi Indeks Harga
Konsumen (IHK). Proses ini memiliki 2 tahapan dimana tahapan pertama adalah
melakukan pengenalan pola dengan cara menemukan arsitektur terbaik dari model
Jaringan Saraf Tiruan yang dibuat. Proses pelatihan dan pengujian data untuk
mendapatkan model terbaik didapat dari data Indeks Harga Konsumen (IHK) pada
Badan Pusat Statistik (BPS) Kota Pematangsiantar sebanyak 24 Pola terhitung tahun
2014 sampai 2016, dengan kriteria Pola 1 sampai dengan Pola 12 adalah data
pelatihan (training), sedangkan Pola 13 sampai dengan Pola 24 adalah data Uji. Tahap
kedua adalah melakukan prediksi dengan pola arsitektur terbaik yang diperoleh di
tahapan pertama.
3.7.
Data Yang Digunakan
Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen (IHK)
berdasarkan kelompok Bahan Makanan Kota Pematangsiantar dari tahun 2014 sampai
dengan tahun 2016, dari mulai bulan Januari sampai dengan bulan Desember. Data
Indeks Harga Konsumen (IHK) ini berasal dari Badan Pusat Statistik (BPS) Kota
Pematangsiantar. Perhitungan Indeks Harga Konsumen (IHK) berdasarkan sektor
bahan makanan diperoleh dari rata-rata sub kelompok bahan makanan tersebut. Pada
Tabel 3.1. adalah contoh bagaimana perhitungan Indeks Harga Konsumen (IHK)
bulan Agustus 2016 berdasarkan sektor bahan makanan.
Tabel 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016
Sektor : Bahan Makanan
No
1
2
3
4
5
6
7
8
9
10
11
Sub Kelompok
Padi-padian, Umbi-umbian dan Hasilnya
Daging dan Hasil-hasilnya
Ikan Segar
Ikan Diawetkan
Telur, Susu dan Hasil-hasilnya
Sayur-sayuran
Kacang-kacangan
Buah-buahan
Bumbu-bumbuan
Lemak dan Minyak
Bahan Makanan Lainnya
Rata-rata
Indeks
125,47
108,15
129,45
132,55
126,18
112,31
148,24
165,22
175,18
110,01
141,4
134,01
Sumber : Badan Pusat Statistik Pematangsiantar
20
Universitas Sumatera Utara
21
Rata-rata indeks yang didapat dari 11 sub kelompok berdasarkan bahan makanan seperti yang diperlihatkan pada Tabel 3.1. akan digunakan
sebagai data pelatihan dan juga data pengujian. Berikut ini adalah Tabel dari data Indeks Harga Konsumen (IHK) tersebut.
Tabel 3.2. Indeks Harga Konsumen Tahun 2014
Kelompok
Pengeluaran
Bahan Makanan
Januari
116,22
Februari
116,03
Maret
117,54
April
113,89
IHK Tahun 2014 Dalam Bulan
Mei
Juni
Juli
Agustus
120,12 119,79 120,05 119,22
September Oktober November Desember
119,98
123,53
126,17
127,07
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.3. Indeks Harga Konsumen Tahun 2015
Kelompok
Pengeluaran
Bahan Makanan
Januari
125,95
Februari
119,6
Maret
118,37
April
117,91
IHK Tahun 2015 Dalam Bulan
Mei
Juni
Juli
Agustus
122,16 127,04 125,53 124,15
September Oktober November Desember
122,17
122,85
123,72
128,4
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.4. Indeks Harga Konsumen Tahun 2016
Kelompok
Pengeluaran
Bahan Makanan
Januari
130,65
Februari
128,53
Maret
130,7
April
128,3
IHK Tahun 2016 Dalam Bulan
Mei
Juni
Juli
Agustus
130,83 131,66 131,9
134,01
September Oktober November Desember
135,67
138
141.85
144,06
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.5. Data Input Yang Digunakan
Tahun
2014
2015
2016
Januari
116,22
125,95
130,65
Februari
116,03
119,60
128,53
Maret
117,54
118,37
130,70
INDEKS HARGA KONSUMEN TAHUN 2014-2016
Sektor : Bahan Makanan
Bulan
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
113,89 120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
117,91 122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
128,30 130,83
131,66
131,90
134,01
135,67
138,00
141.85
144,06
Sumber : Badan Pusat Statistik Pematangsiantar
21
21
Universitas Sumatera Utara
22
Dari data input pada Tabel 3.5, dijelaskan bahwa dataset Indeks Harga Konsumen
(IHK) berdasarkan sektor Bahan Makanan Tahun 2014-2015 digunakan sebagai data
pelatihan (training), sedangkan dataset Indeks Harga Konsumen (IHK) berdasarkan
sektor Bahan Makanan Tahun 2015-2016 digunakan sebagai data pengujian (testing).
Data yang disajikan adalah data bulan Januari sampai dengan bulan Desember tiap
tahunnya.
3.7.1. Arsitektur Jaringan
Pada penelitian ini data yang digunakan sebagai pelatihan adalah dataset tahun 2014
dengan target dataset tahun 2015. Kemudian dataset tahun 2015 yang telah menjadi
target tadi, dijadikan menjadi data pelatihan dengan target dataset tahun 2016, dibagi
menjadi 12 pola dengan sistem perputaran. Fungsi aktivasi yang digunakan adalah
fungsi sigmoid dengan ukuran rentang nilai antara 0 dan 1.
Contoh arsitektur jaringan yang digunakan dapat dilihat pada Gambar 3.3.
yang terdiri dari tiga lapisan, yaitu : 12 masukan (input), 12 neuron hidden layer dan 1
lapisan keluaran (output).
Gambar 3.3. Arsitektur JST Indeks Harga Konsumen (IHK)
22
Universitas Sumatera Utara
23
Keterangan :
X1 – X12
: Data masukan (input layer)
b (warna merah)
: Bias
Vij
: Bobot ke simpul hidden
Wij
: Bobot ke simpul output
Z1 – Z12
: Hidden Layer
Y
: Hasil Keluaran (output)
Pola arsitektur jaringan yang digunakan untuk prediksi Indeks Harga Konsumen
(IHK) yaitu 12-N-1. Dimana 12 adalah node data input. Sedangkan jumlah hidden
node N menggunakan aturan ‘rule of thumb’, serta 1 keluaran.
3.7.2. Proses Normalisasi
Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.
Berdasarkan penjelasan pada Sub Bab 2.3.3 (Hal.7) mengenai fungsi aktivasi, maka
Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi
sigmoid biner dan fungsi aktivasi sigmoid bipolar.
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi
beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi
yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga
sering dipakai adalah fungsi sigmoid biner yang memiliki range (0, 1) dan bipolar
yang memiliki range (-1,1). Fungsi aktivasi sigmoid biner hampir sama dengan fungsi
sigmoid bipolar, karena sering digunakan oleh para peneliti dalam proses prediksi
(peramalan), tetapi fungsi sigmoid bipolar hanya cocok digunakan dalam prediksi
(peramalan) yang menggunakan data yang tidak fluktuatif (Stabil) dan menggunakan
range antara -1 sampai 1. Sedangkan fungsi sigmoid biner kebalikannya.
Karena penelitian menggunakan fungsi aktivasi sigmoid biner maka data yang
akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data yang
digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu
sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0
ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (3.1).
23
Universitas Sumatera Utara
24
x'=
0.8( x − a )
+ 0.1
b−a
(3.1)
Keterangan :
x’
: Data yang telah ditransformasi
x
: Data yang akan dinormalisasi
a
: Data minimum
b
: Data maksimum
3.7.3. Pengolahan Data (Normalisasi)
Pengolahan data yang akan dilakukan adalah mengubah data Indeks Harga Konsumen
(IHK) berdasarkan sektor bahan makanan yaitu dengan membuat suatu pola arsitektur
terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation. Berikut ini
akan dijabarkan normalisasi data dalam proses prediksi berdasarkan tabel 3.5. pada
pembahasan sebelumnya.
24
Universitas Sumatera Utara
25
Tabel 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Menggunakan Rotasi Putar
Data Input
Data
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Januari
Februari
Maret
April
Mei
Juni
Juli
116,22
116,03
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
116,03
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
Agustus September Oktober November Desember
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
Target
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
Penjelasan :
-
Data Pelatihan Tahun 2014-2015 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama
untuk mencapai target.
-
Nilai data pada pola 1 diambil dari IHK sektor bahan makanan tahun 2014. Sedangkan nilai Target diambil dari IHK sektor bahan
makanan bulan Januari tahun 2015.
-
Nilai data pada pola 2 diambil dari IHK sektor bahan makanan tahun 2014 bulan Februari s/d Desember serta dataset bulan Januari
tahun 2015. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2015.
-
Nilai data pada pola 3 diambil dari IHK sektor bahan makanan tahun 2014 bulan Maret s/d Desember serta dataset bulan Januari s/d
Februari tahun 2015. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2015.
25
Universitas Sumatera Utara
26
-
Begitu seterusnya hingga seluruh nilai selesai di putar.
-
Nilai maksimum (b) dari dataset adalah 128,40. Sedangkan nilai minimum (a) adalah 113,89.
-
Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :
Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Januari 0,228846. Begitu seterusnya untuk semua data, di normalisasi
dengan menggunakan fungsi yang sama.
Tabel 3.7. Hasil Normalisasi Data Pelatihan Tahun 2014-2015
Input
Data
Januari Februari
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Maret
April
Mei
Juni
Juli
Target
Agustus September Oktober November Desember
0,22846
0,21799
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,21799
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Penjelasan :
-
Universitas Sumatera Utara
26
Nilai dataset pada tabel 3.7. adalah hasil normalisasi berdasarkan pada tabel 3.6. dengan menggunakan fungsi sigmoid biner.
26
27
Tabel 3.8. Data Awal Pengujian Tahun 2015-2016 Dengan Menggunakan Rotasi Putar
Input
Data
Januari Februari
Maret
April
Mei
Juni
Juli
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
Target
Agustus September Oktober November Desember
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
141,85
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
141,85
144,06
Penjelasan :
-
Data Pengujian Tahun 2015-2016 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama
untuk mencapai target.
-
Nilai data pada pola 13 diambil dari IHK sektor bahan makanan tahun 2015. Sedangkan nilai Target diambil dari IHK sektor bahan
makanan bulan Januari tahun 2016.
-
Nilai data pada pola 14 diambil dari IHK sektor bahan makanan tahun 2015 bulan Februari s/d Desember serta dataset bulan Januari
tahun 2016. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2016.
-
Nilai data pada pola 15 diambil dari IHK sektor bahan makanan tahun 2015 bulan Maret s/d Desember serta dataset bulan Januari s/d
Februari tahun 2016. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2016.
27
27
Universitas Sumatera Utara
28
-
Begitu seterusnya hingga seluruh nilai selesai di putar.
-
Nilai maksimum (b) dari dataset adalah 144,06. Sedangkan nilai minimum (a) adalah 117,91.
-
Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :
Maka akan didapatkan hasil Normalisasi pola 13 untuk bulan Januari 0,34597. Begitu seterusnya untuk semua data, di normalisasi
dengan menggunakan fungsi yang sama.
Tabel 3.9. Hasil Normalisasi Data Pengujian Tahun 2015-2016
Input
Data
Januari Februari
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Maret
April
Mei
Target
Juni
Juli
Agustus September Oktober November Desember
0,34597 0,15170 0,11407 0,10000 0,23002
0,37931
0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,15170 0,11407 0,10000 0,23002 0,37931
0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,11407 0,10000 0,23002 0,37931 0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,10000 0,23002 0,37931 0,33312 0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,23002 0,37931 0,33312 0,29090 0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,37931 0,33312 0,29090 0,23033 0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,33312 0,29090 0,23033 0,25113 0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,29090 0,23033 0,25113 0,27774 0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,23033 0,25113 0,27774 0,42092 0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,25113 0,27774 0,42092 0,48975 0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,27774 0,42092 0,48975 0,42489 0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,42092 0,48975 0,42489 0,49128 0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Penjelasan :
-
Nilai dataset pada tabel 3.9. adalah hasil normalisasi berdasarkan pada tabel 3.8. dengan menggunakan fungsi sigmoid biner.
28
28
Universitas Sumatera Utara
29
Langkah 0
Inisialisasi semua bobot dengan bilangan acak kecil.
Table 3.10. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Vji
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
b
Z1
0,2
-0,4
0,5
0,3
-0,4
0,2
-0,3
-0,4
0,3
0,1
0,5
-0,3
-0,2
Z2
0,3
-0,2
0,1
0,6
0,3
-0,4
0,2
-0,4
0,2
-0,2
0,1
-0,1
0,5
Z3
0,1
0,3
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,1
-0,3
0,4
-0,4
Z4
0,5
0,3
-0,4
0,1
-0,1
-0,4
-0,1
0,5
0,1
0,2
0,3
0,2
0,6
Z5
-0,3
-0,4
-0,1
0,5
-0,2
0,1
0,5
0,5
-0,4
0,3
0,5
0,3
0,2
Z6
-0,1
0,6
0,3
-0,3
0,3
-0,2
0,6
-0,1
0,3
0,1
-0,1
0,6
0,5
Z7
0,4
0,1
0,6
-0,1
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,3
-0,4
Z8
0,2
-0,2
0,3
0,4
-0,4
0,5
0,2
-0,1
0,1
0,5
-0,4
-0,1
-0,1
Z9
0,3
-0,4
-0,2
0,2
0,5
-0,4
0,1
0,3
-0,2
-0,4
-0,1
0,5
0,3
Z10
0,6
0,5
0,6
0,3
0,1
-0,3
-0,4
0,1
0,5
-0,3
0,3
-0,2
0,2
Z11
-0,3
-0,3
0,2
0,6
0,3
0,6
0,1
0,3
-0,1
0,5
0,5
-0,4
0,3
Z12
-0,1
-0,1
0,5
-0,3
0,1
0,2
0,3
-0,1
0,3
-0,4
-0,2
0,6
-0,3
Table 3.11. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Wkj
Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9
Z10
Z11
Z12
B1
Y
0,5
0,2
0,3
-0,4
-0,1
0,1
-0,2
-0,4
0,6
-0,3
0,4
-0,2
0,4
Langkah 1
Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 9
Langkah 2
Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8
Fase I: Propagasi Maju
Langkah 3
Universitas Sumatera Utara
30
Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi Zj (j = 1, 2, ... , p) :
= -0,2 + (0,2*0,2) + (0,5*-0,4) + (-0,4*0,5) + (0,1*0,3) + (0,3*-0,4) + (0,2*0,2) +
(-0,4*-0,3) + (-0,1*-0,4) + (0,5*0,3) + (0,3*0,1) + (0,6*0,5) + (-0,3*-0,3)
= 0,04
= 0,5 + (0,2*0,3) + (0,5*-0,2) + ... + (-0,3*-0,1)
= 0,74
= -0,4 + (0,2*0,1) + (0,5*0,3) + ... + (-0,3*0,4)
= 0,70
= 0,6 + (0,2*0,5) + (0,5*0,3) + ... + (-0,3*0,2)
= 1,29
= 0,2 + (0,2*0,3) + (0,5*0,4) + ... + (-0,3*0,3)
= 0,20
= 0,5 + (0,2*-0,1) + (0,5*0,6) + ... + (-0,3*0,6)
Universitas Sumatera Utara
31
= 0,47
= -0,4 + (0,2*0,4) + (0,5*0,1) + ... + (-0,3*-0,3)
= -0,53
= -0,1 + (0,2*0,2) + (0,5*-0,2) + ... + (-0,3*-0,1)
= -0,54
= 0,3 + (0,2*0,3) + (0,5*-0,4) + ... + (-0,3*0,5)
= -0,01
= 0,2 + (0,2*0,6) + (0,5*0,5) + ... + (-0,3*-0,2)
= 1,00
= 0,3 + (0,2*-0,3) + (0,5*-0,3) + ... + (-0,3*-0,4)
= 0,49
= -0,3 + (0,2*-0,1) + (0,5*-0,1) + ... + (-0,3*0,6)
= -0,99
Universitas Sumatera Utara
32
Langkah 5
Hitung semua jaringan di unit keluaran (Yk)
= 0,3 + (0,51*0,5) + (0,68*0,2) + (0,33*0,3) + (0,78*-0,4) + (0,45*-0,1) +
(0,62*0,1)
+ (0,37*-0,2) + (0,37*-0,4) + (0,50*0,6) * (0,73*-0,3) + (0,62*0,4) +
(0,27*-0,2)
= 0,54
Fase II : Propagasi Mundur
Langkah 6
Universitas Sumatera Utara
33
δk = (tk-Yk) f’’ (Ynetk) = (tk-Yk) Yk(1-Yk) = (0-0,54) * 0,54 * (1-0,54) = -0,14
δk
merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer
dibawahnya (langkah 7).
Suku perubahan bobot Wkj (dengan α = 0,2)
∆Wkj= α δk zj
∆W10= α δ0 (1) = 0,2 . (-0,14). (1) = -0,03
∆W11= α δ1 (z1) = 0,2 . (-0,14) . (0,51) = -0,01
∆W12= α δ2 (z2) = 0,2 . (-0,14) . (0,68) = -0,02
∆W13= α δ3 (z3) = 0,2 . (-0,14) . (0,33) = -0,01
∆W14= α δ4 (z3) = 0,2 . (-0,14) . (0,78) = -0,02
∆W15= α δ5 (z3) = 0,2 . (-0,14) . (0,45) = -0,01
∆W16= α δ6 (z3) = 0,2 . (-0,14) . (0,62) = -0,02
∆W17= α δ7 (z3) = 0,2 . (-0,14) . (0,37) = -0,01
∆W18= α δ8 (z3) = 0,2 . (-0,14) . (0,37) = -0,01
∆W19= α δ9 (z3) = 0,2 . (-0,14) . (0,50) = -0,01
∆W20= α δ10 (z3) = 0,2 . (-0,14) . (0,73) = -0,02
∆W21= α δ11 (z3) = 0,2 . (-0,14) . (0,62) = -0,02
∆W22= α δ12 (z3) = 0,2 . (-0,14) . (0,27) = -0,01
Langkah 7
Hitung penjumlahan kesalahan dari unit tersembunyi ( = δ )
Karena jaringan hanya memiliki sebuah unit keluaran maka δnetj = δ Wij
δnet1 = δk.W11 = (-0,14) . (-0,01) = 0,0014
δnet2 = δk.W12 = (-0,14) . (-0,02) = 0,0028
δnet3 = δk.W13 = (-0,14) . (-0,01) = 0,0014
δnet4 = δk.W14 = (-0,14) . (-0,02) = 0,0028
δnet5 = δk.W15 = (-0,14) . (-0,01) = 0,0014
δnet6 = δk.W16 = (-0,14) . (-0,02) = 0,0028
δnet7 = δk.W17 = (-0,14) . (-0,01) = 0,0014
δnet8 = δk.W18 = (-0,14) . (-0,01) = 0,0014
δnet9 = δk.W19 = (-0,14) . (-0,01) = 0,0014
Universitas Sumatera Utara
34
δnet10 = δk.W20 = (-0,14) . (-0,02) = 0,0028
δnet11 = δk.W21 = (-0,14) . (-0,02) = 0,0028
δnet12 = δk.W22 = (-0,14) . (-0,01) = 0,0014
Faktor kesalahan
di unit tersembunyi :
δj = δnetj f’(Znetj) = δnet Zj (1-Zj)
δ1 = δnet1 Z1 (1-Z1) = 0,0014.(0,51).(1-(0,55)) = 0,0003
δ2 = δnet2 Z2 (1-Z2) = 0,0028.(0,68).(1-(0,67)) = 0,0006
δ3 = δnet3 Z3 (1-Z3) = 0,0014.(0,33).(1-(0,52)) = 0,0003
δ4 = δnet4 Z4 (1-Z3) = 0,0028.(0,78).(1-(0,52)) = 0,0005
δ5 = δnet5 Z5 (1-Z3) = 0,0014.(0,45).(1-(0,52)) = 0,0003
δ6 = δnet6 Z6 (1-Z3) = 0,0028.(0,62).(1-(0,52)) = 0,0007
δ7 = δnet7 Z7 (1-Z3) = 0,0014.(0,37).(1-(0,52)) = 0,0003
δ8 = δnet8 Z8 (1-Z3) = 0,0014.(0,37).(1-(0,52)) = 0,0003
δ9 = δnet9 Z9 (1-Z3) = 0,0014.(0,50).(1-(0,52)) = 0,0003
δ10 = δnet10 Z10 (1-Z3) = 0,0028.(0,73).(1-(0,52)) = 0,0006
δ11 = δnet11 Z11 (1-Z3) = 0,0028.(0,62).(1-(0,52)) = 0,0007
δ12 = δnet12 Z12 (1-Z3) = 0,0014.(0,27).(1-(0,52)) = 0,0003
Suku perubahan bobot ke unit tersembunyi : ∆Vji = α δjxi
Tabel 3.12. Suku Perubahan Bobot Ke Unit Tersembunyi
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
B1
Z1
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z2
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z3
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z4
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z5
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z6
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z7
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z8
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z9
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z10
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z11 Z12
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
Fase III : Perubahan Bobot
Universitas Sumatera Utara
35
Langkah 8
Hitung semua perubahan bobot. Perubahan bobot unit keluaran :
Wkj (baru) = Wkj (lama) + ∆Wkj
Tabel 3.13. Perubahan Bobot Unit Keluaran
Y
0,5
0,2
0,3
-0,4
-0,1
0,1
-0,2
-0,4
0,6
-0,3
0,4
-0,2
0,3
Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9
Z10
Z11
Z12
B1
Wkj (lama)
Wkj (baru)
-0,01
-0,02
-0,01
-0,02
-0,01
-0,02
-0,01
-0,01
-0,01
-0,02
-0,02
-0,01
-0,03
0,49
0,22
0,31
-0,38
-0,09
0,12
-0,19
-0,39
0,61
-0,28
0,42
-0,19
0,33
Perubahan bobot unit tersembunyi : Vji (baru) = Vji (lama) + ∆Vji
Tabel 3.14. Perubahan Bobot Tersembunyi
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
B1
Z1
0,2
-0,4
0,5
0,3
-0,4
0,2
-0,3
-0,4
0,3
0,1
0,5
-0,3
-0,2
Z2
0,3
-0,2
0,1
0,6
0,3
-0,4
0,2
-0,4
0,2
-0,2
0,1
-0,1
0,5
Z3
0,1
0,3
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,1
-0,3
0,4
-0,4
Z4
0,5
0,3
-0,4
0,1
-0,1
-0,4
-0,1
0,5
0,1
0,2
0,3
0,2
0,6
Z5
-0,3
-0,4
-0,1
0,5
-0,2
0,1
0,5
0,5
-0,4
0,3
0,5
0,3
0,2
Z6
-0,1
0,6
0,3
-0,3
0,3
-0,2
0,6
-0,1
0,3
0,1
-0,1
0,6
0,5
Z7
0,4
0,1
0,6
-0,1
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,3
-0,4
Z8
0,2
-0,2
0,3
0,4
-0,4
0,5
0,2
-0,1
0,1
0,5
-0,4
-0,1
-0,1
Z9
0,3
-0,4
-0,2
0,2
0,5
-0,4
0,1
0,3
-0,2
-0,4
-0,1
0,5
0,3
Z10
0,6
0,5
0,6
0,3
0,1
-0,3
-0,4
0,1
0,5
-0,3
0,3
-0,2
0,2
Z11
-0,3
-0,3
0,2
0,6
0,3
0,6
0,1
0,3
-0,1
0,5
0,5
-0,4
0,3
Z12
-0,1
-0,1
0,5
-0,3
0,1
0,2
0,3
-0,1
0,3
-0,4
-0,2
0,6
-0,3
3.7.4. Pelatihan Jaringan
Pada langkah ini akan diamati laju pembelajaran terhadap kerja jaringan dengan
Parameter tingkat Akurasi, waktu pembelajaran, MSE selama proses pelatihan dan
Universitas Sumatera Utara
36
lamanya waktu iterasi (Epoch). Tujuan utama dari langkah ini adalah untuk
memperoleh
arsitektur
tingkat akurasi laju pembelajaran yang optimal. Dengan memakai
jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran
terhadap kinerja jaringan. Arsitektur yang digunakan untuk pelatihan sebanyak 5 pola.
Ke 5 pola arsitektur ini menggunakan Learning rate 0,1, target error (goal) 0,01 dan
maksimum epoch nya adalah 10000 iterasi serta untuk menghasilkan error paling
rendah menggunakan traingd.
Pada arsitektur pelatihan 1 menggunakan layer masukan sebanyak 12 neuron,
layer tersembunyi sebanyak 6 neuron dan layer keluaran 1 neuron. Pada pelatihan 1
ini menghasilkan pelatihan dengan epoch sebesar 5308 iterasi, waktu 00.32, MSE
0,009999 dan tingkat akurasi 58%. Pada arsitektur pelatihan 2 menggunakan layer
masukan sebanyak 12 neuron, layer tersembunyi sebanyak 15 neuron dan layer
keluaran 1 neuron. Pada pelatihan 2 ini menghasilkan pelatihan dengan epoch sebesar
821 iterasi, waktu 00.05, MSE 0,009982 dan tingkat akurasi 67%. Pada arsitektur
pelatihan 3 menggunakan layer masukan sebanyak 12 neuron, layer tersembunyi
sebanyak 24 neuron dan layer keluaran 1 neuron. Pada pelatihan 3 ini menghasilkan
pelatihan dengan epoch sebesar 4999 iterasi, waktu 00.31, MSE 0,009996 dan tingkat
akurasi 67%. Pada arsitektur pelatihan 4 menggunakan layer masukan sebanyak 12
neuron, layer tersembunyi sebanyak 33 neuron dan layer keluaran 1 neuron. Pada
pelatihan 4 ini menghasilkan pelatihan dengan epoch sebesar 961 iterasi, waktu 00.06,
MSE 0,009975 dan tingkat akurasi 67%. Pada arsitektur pelatihan 5 menggunakan
layer masukan sebanyak 12 neuron, layer tersembunyi sebanyak 34 neuron dan layer
keluaran 1 neuron. Pada pelatihan 5 ini menghasilkan pelatihan dengan epoch sebesar
1491 iterasi, waktu 00.09, MSE 0,009996 dan tingkat akurasi 67%.
3.7.5. Proses Testing (Pengujian)
Jaringan yang telah dilatih dan mencapai hasil yang dikehendaki perlu diuji untuk
mengetahui kemampuannya pada saat mempelajari data latih yang diberikan.
Pengujian dapat dilakukan dengan menggunakan data set yang sudah dilatih
untuk melihat unjuk kerja sistem aplikasi yang telah dibuat dengan melihat nilai error
minimumnya. Selain itu juga pengujian dapat dilakukan menggunakan data set yang
belum pernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah
dibuat. MSE pada pengujian pelatihan 1 sebesar 0,022873. MSE pada pengujian
Universitas Sumatera Utara
37
pelatihan 2 sebesar 0,0142803. MSE pada pengujian pelatihan 3 sebesar 0,020554.
MSE pada pengujian pelatihan 4 sebesar 0,036615 dan MSE pada pengujian pelatihan
5 sebesar 0,017577. Adapun rumus yang digunakan untuk menetapkan pengujian
dengan parameter pada tiap pelatihan, dapat dijabarkan sebagai berikut :
a) Rumus menetapkan pengujian dengan parameter pada pelatihan 1
1. >> net=newff(minmax(P),[6,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
b) Rumus menetapkan pengujian dengan parameter pada pelatihan 2
1. >> net=newff(minmax(P),[15,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
c) Rumus menetapkan pengujian dengan parameter pada pelatihan 3
1. >> net=newff(minmax(P),[24,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
d) Rumus menetapkan pengujian dengan parameter pada pelatihan 4
1. >> net=newff(minmax(P),[33,1],{'tansig','logsig'},'traingd');
Universitas Sumatera Utara
38
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
e) Rumus menetapkan pengujian dengan parameter pada pelatihan 5
1. >> net=newff(minmax(P),[34,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,1;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
Universitas Sumatera Utara
39
BAB 4
ANALISIS DAN HASIL PENELITIAN
4.1.
Pendahuluan
Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan
software Matlab adalah membuat inisialisasi jaringan. Sebelum pelatihan dilakukan,
terlebih dahulu ditentukan nilai parameter yang diinginkan guna memperoleh hasil
yang optimal. Untuk memberikan nilai parameter dalam software Matlab adalah
sebagai berikut :
a) >> net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF)
Perintah ini digunakan untuk membentuk jaringan pada backpropagation.
Keterangan :
net
= Jaringan backpropagation yang terdiri dari n layer
PR
= Matriks ordo R x 2 yang berisi nilai minimum dan maksimum R
buah elemen masukannya.
Si
= Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n).
BTF
= Fungsi pelatihan jaringan. Defaultnya = traingdx
BLF
= Fungsi perubahan bobot/bias. Default=learngdm
PF
= Fungsi perhitungan error (Mean Square Error MSE)
b) >> net.IW{1,1};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan masukan
dan lapisan tersembunyi (bilangan diambil secara acak dari kmputer).
c) >> net.b{1};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan tersembunyi
(bilangan diambil secara acak dari kmputer)
d) >> net.LW{2,1};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan tersembunyi dan
lapisan keluaran (bilangan diambil secara acak dari komputer).
e) >> net.b{2};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan keluaran
(bilangan diambil secara acak dari komputer).
Universitas Sumatera Utara
40
f) >> net.LW{3,2};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan
tersembunyi pertama dan lapisan tersembunyi kedua.
g) >> net.b{3};
Perintah ini digunakan untuk melihat nilai bias bias pada lapisan tersembunyi kedua
(bilangan diambil secara acak dari komputer).
h) >>a=sim(net,p);
Proses ini merupakan tahapan simulasi data, dimana pada proses ini akan
memunculkan hasil pelatihan berupa nilai error dan grafik pelatihan.
i) >>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Proses ini digunakan untuk melihat hasil yang dikeluarkan oleh jaringan
j) >> Net.trainParam.Show
Perintah yang digunakan untuk menampilkan frekuensi perubahan MSE.
k) >> Net.trainParam.epochs
Perintah yang dipakai untuk menentukan jumlah epochs maksimum pelatihan.
l) >> Net.trainParam.goal
Perintah untuk menentukan batas MSE agar iterasi dihentikan. Iterasi akan
berhenti jika MSE < dari batas yang ditentukan atau jumlah epoch telah
mencapai
maksimum
sesuai
nilai
yang
diberikan
pada
perintah
net.trainParam.epochs.
m) >> Net.trainParam.Lr
Perintah yang digunakan untuk menentukan laju pembelajaran (learning rate).
Default-nya adalah 0,01. Semakin besar nilai laju pembelajaran, semakin cepat
pula proses pelatihan. Akan tetapi jika nilainya terlalu besar, algoritma
menjadi tidak stabil dan mencapai titik minimum lokal.
n) >> Net.trainParam.time
Perintah untuk membatasi lama pelatihan (dalam detik). Pelatihan dihentikan
jika lamanya melebihi nilai yang ditentukan.
o) >> Net.trainParam.mc
Perintah ini digunakan untuk menentukan nilai momentum antara 0 – 1
Pada masalah ini ada 2 algoritma yang disimulasikan dan dianalisis yaitu
backpropagation standar pada penelitian pertama kemudian dioptimasi dengan
conjugate gradient fletcher reeves pada pelatihan selanjutnya.
Universitas Sumatera Utara
41
Tabel 4.1. Arsitektur JST Backpropagation Standar
Karakteristik
Arsitektur
Neuron input
Neuron Hidden
Fungsi Aktivasi
Inisialisasi bobot
Target Error
Maksimum Epoch
Learning Rate
4.2.
Spesifikasi
1 lapisan tersembunyi
12
6, 15, 24, 33, 34
Sigmoid
Random
0.01
10000
0.01
Analisis Penelitian
Sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana
bagian pertama adalah untuk data pelatihan dan bagian kedua adalah untuk data
pengujian. Parameter-parameter yang digunakan dalam pelatihan dan pengujian ini
adalah :
a. Learning Rate : Lr = 0,01
b. Lapisan tersembunyi : n = 6; n = 15; n = 24; n = 33; n= 34
c. Target Error = 0,01
Jaringan Saraf Tiruan dengan algoritma backpropagation yang sudah dilatih
dan diuji dengan baik akan memberikan keluaran yang baik pula jika diberi masukan
yang serupa dengan pola yang dipakai untuk pelatihan dan pengujian. Sifat
generalisasi ini membuat pelatihan dan pengujian lebih efisien karena tidak perlu
dilakukan
pada
semua
data.
Jaringan
Syaraf
Tiruan
dengan
algoritma
backpropagation dibentuk dengan membuat generalisasi aturan pelatihan dan
pengujian dalam model Windrow-Hooff dengan cara menambahkan lapisan
tersembunyi (hidden layer). Standar Metode backpropagation menggunakan
algoritma penurunan gradien (gradien descent). Variasi terhadap model standar
dilakukan dengan mengganti algoritmanya dengan algoritma lain.
4.3.
Hasil Penelitian
4.3.1. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-6-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-6-1. Maksudnya, layer masukkan menggunakan
Universitas Sumatera Utara
42
12 Neuron, layer tersembunyi 6 neuron serta 1 neuron layer keluaran. Rumus
pelatihan backpropagation yang digunakan dengan aplikasi Matlab sebagai berikut :
>> net=newff(minmax(P),[6,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–6–1
dapat dilihat pada gambar 4.1 dan 4.2.
Gambar 4.1. Pelatihan Menggunakan Arsitektur 12-6-1
Universitas Sumatera Utara
43
Gambar 4.2. Performance Pelatihan Menggunakan Arsitektur 12-6-1
Tabel 4.2. Akurasi Data Pelatihan Arsitektur 12-6-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,56840
0,55370
0,38260
0,45200
0,60800
0,80470
0,84670
0,73310
0,49940
0,54990
0,64240
0,75880
Error
0,19652
-0,13888
-0,03560
-0,13036
-0,05204
0,02032
-0,10494
-0,06742
0,05711
0,04410
-0,00043
0,14120
Jumlah SSE
MSE
SSE
0,0386204029
0,0192883857
0,0012672128
0,0169936649
0,0027080153
0,0004127898
0,0110115010
0,0045456125
0,0032618662
0,0019451747
0,0000001840
0,0199374400
0,1199922499
0,0099993542
Hasil
Salah
Salah
Benar
Salah
Benar
Benar
Salah
Benar
Benar
Benar
Benar
Salah
58%
Pola 1 s/d 12 adalah pola yang dipakai dalam data pelatihan. Nilai Target diperoleh
dari
tabel
data
pelatihan.
Nilai
Output
diperoleh
dari
rumus
>>
[a,Pf,Af,e,Perf]=sim(net,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input
dan target data pelatihan. Nilai Error diperoleh dari : Target-Output. SSE diperoleh
dari : Error ^ 2. Jumlah SSE adalah total dari keseluruhan SSE. MSE diperoleh dari :
Jumlah SSE / 12 (jumlah data). Hasil bernilai Benar apabila nilai SSE >
[a,Pf,Af,e,Perf]=sim(net,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input dan
target data pengujian. Nilai Error diperoleh dari : Target-Output. SSE diperoleh dari :
Error ^ 2. Jumlah SSE adalah total dari keseluruhan SSE. MSE diperoleh dari : Jumlah
SSE / 12 (jumlah data). Hasil bernilai Benar apabila nilai SSE > net=newff(minmax(P),[15,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
Universitas Sumatera Utara
45
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–15–1
dapat dilihat pada gambar 4.3 dan 4.4.
Gambar 4.3. Pelatihan Menggunakan Arsitektur 12-15-1
Gambar 4.4. Performance Pelatihan Menggunakan Arsitektur 12-15-1
Universitas Sumatera Utara
46
Tabel 4.4. Akurasi Data Pelatihan Arsitektur 12-15-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,54330
0,35370
0,27150
0,39530
0,55650
0,79360
0,81810
0,76690
0,65050
0,70100
0,68950
0,77200
Error
0,22162
0,06112
0,07550
-0,07366
-0,00054
0,03142
-0,07634
-0,10122
-0,09399
-0,10700
-0,04753
0,12800
Jumlah SSE
MSE
SSE
0,0491157543
0,0037353326
0,0057005622
0,0054257590
0,0000002901
0,0009870423
0,0058271390
0,0102457228
0,0088336032
0,0114481151
0,0022590007
0,0163840000
0,1199623213
0,0099968601
Hasil
Salah
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Benar
Salah
Benar
Salah
67%
Tabel 4.5. Akurasi Data Pengujian Arsitektur 12-15-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Target
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Output
0,40700
0,48270
0,44820
0,19140
0,54690
0,47760
0,57000
0,45420
0,37570
0,66590
0,76090
0,84080
Error
0,08275
-0,05781
0,04308
0,22646
-0,05164
0,04305
-0,04201
0,13834
0,26763
0,04871
0,07149
0,05920
Jumlah SSE
MSE
SSE
0,0068477998
0,0033414368
0,0018559787
0,0512834561
0,0026668831
0,0018533107
0,0017646425
0,0191387915
0,0716241896
0,0023724722
0,0051108283
0,0035046400
0,1713644294
0,0142803691
Hasil
Benar
Benar
Benar
Salah
Benar
Benar
Benar
Salah
Salah
Benar
Benar
Benar
75%
Keterangan :
Dari arsitektur 12-15-1 diatas dapat diketahui bahwa epoch yang terjadi sebanyak 821
iterasi, dengan tingkat akurasi pelatihan sebesar 67% dan akurasi Pengujian sebesar
75%. Arsitektur inilah merupakan arsitektur yang terbaik dalam penelitian ini.
4.3.3. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-24-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-24-1. Maksudnya, layer masukkan menggunakan
12 Neuron, layer tersembunyi 24 neuron serta 1 neuron layer keluaran. Rumus
pelatihan backpropagation yang digunakan dengan aplikasi Matlab sebagai berikut :
>> net=newff(minmax(P),[24,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
Universitas Sumatera Utara
47
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–24–1
dapat dilihat pada gambar 4.5 dan 4.6.
Gambar 4.5. Pelatihan Menggunakan Arsitektur 12-24-1
Gambar 4.6. Performance Pelatihan Menggunakan Arsitektur 12-24-1
Universitas Sumatera Utara
48
Tabel 4.6. Akurasi Data Pelatihan Arsitektur 12-24-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,73120
0,51220
0,29250
0,24890
0,72440
0,84230
0,80300
0,67920
0,38220
0,60670
0,78460
0,76740
Error
0,03372
-0,09738
0,05450
0,07274
-0,16844
-0,01728
-0,06124
-0,01352
0,17431
-0,01270
-0,14263
0,13260
Jumlah SSE
MSE
SSE
0,0011370886
0,0094833771
0,0029704754
0,0052911437
0,0283715600
0,0002986942
0,0037498109
0,0001828217
0,0303849348
0,0001611850
0,0203430161
0,0175827600
0,1199568674
0,0099964056
Hasil
Benar
Benar
Benar
Benar
Salah
Benar
Benar
Benar
Salah
Benar
Salah
Salah
67%
Tabel 4.7. Akurasi Data Pengujian Arsitektur 12-24-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Target
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Output
0,42880
0,41950
0,53330
0,44580
0,53100
0,57230
0,63340
0,70600
0,58350
0,48550
0,55890
0,61440
Error
0,06095
0,00539
-0,04202
-0,02794
-0,03574
-0,05165
-0,10541
-0,11346
0,05983
0,22911
0,27349
0,28560
Jumlah SSE
MSE
SSE
0,0037150773
0,0000291043
0,0017655904
0,0007807269
0,0012774815
0,0026677126
0,0111107723
0,0128724861
0,0035792651
0,0524904897
0,0747968115
0,0815673600
0,2466528778
0,0205544065
Hasil
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Benar
Salah
Salah
Salah
58%
Keterangan :
Dari arsitektur 12-24-1 diatas dapat diketahui bahwa epoch yang terjadi sebanyak
4999 iterasi, dengan tingkat akurasi pelatihan sebesar 67% dan akurasi Pengujian
sebesar 58%.
4.3.4. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-33-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-33-1. Maksudnya, layer masuk
BAB 3
METODOLOGI PENELITIAN
Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam
pengumpulan data atau informasi guna memecahkan permasalahan dan menguji
hipotesis penelitian.
3.1.
Pendahuluan
Pada Bab 3 didalam penelitian ini menjelaskan bagaimana metodologi yang
digunakan untuk menyelesaikan masalah-masalah penelitian. Tujuan dari tesis ini
adalah untuk membuat model aturan pola dan prediksi Indeks Harga Konsumen (IHK)
menggunakan Jaringan Saraf Tiruan dengan metode Backpropagation sebagai
pedoman pengambilan keputusan yang lebih baik dengan output berupa pola dan
prediksi Indeks Harga Konsumen (IHK).
Langkah-langkah proses penelitian tertuang pada kerangka kerja penelitian yaitu :
1) Mengumpulkan Data
2) Studi Pustaka
3) Mengidentifikasi Masalah
4) Praproses
5) Menentukan Model
6) Menguji Hasil Pengolahan Data
7) Memprediksi
8) Mengevaluasi Akhir
3.2.
Kerangka Kerja Penelitian
Pada Bab 3 ini akan diuraikan metodologi dan kerangka penelitian kerja yang
digunakan dalam menyelesaikan masalah penelitian.
Metodologi penelitian ini dilakukan secara sistematik agar mendapatkan alur
kerja yang baik yang dapat digunakan sebagai pedoman untuk peneliti dalam
15
Universitas Sumatera Utara
16
melaksanakan penelitian ini agar hasil yang dicapai tidak menyimpang dan tujuan
yang diinginkan dapat terlaksana dengan baik dan sesuai dengan tujuan yang telah
ditetapkan sebelumnya.
Mulai
Megumpulkan Data
Jurnal, Prosiding
dan Buku Jaringan
Syaraf Tiruan
Studi Pustaka
Mengidentifakasi Masalah
Praproses
Menentukan Pola
Menguji Hasil Pengolahan Data
Memprediksi
Mengevaluasi Akhir
Selesai
Gambar 3.1. Kerangka Kerja Penelitian
Berdasarkan kerangka kerja pada gambar diatas maka masing-masing langkah
dapat diuraikan sebagai berikut :
1) Mengumpulkan Data
Pada tahap ini, data-data diperoleh dari Berita Resmi Statistik (BRS) yang
rutin diterbitkan secara bulanan oleh Badan Pusat Statistik (BPS) Kota
Pematangsiantar melalui https://siantarkota.bps.go.id/ serta dengan langsung
datang ke kantor BPS yang bertempat di Jln. Porsea No. 5 Pematangsiantar.
Dalam mengumpulkan data dilakukan observasi yaitu pengamatan secara
langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui
dengan jelas. Kemudian dilakukan interview yang bertujuan untuk mencapai
16
Universitas Sumatera Utara
17
informasi atau data yang dibutuhkan. Selain itu juga dilakukan studi
kepustakaan yaitu membaca jurnal dan buku-buku penunjang dalam
melakukan analisa terhadap data dan informasi yang tepat.Dalam melakukan
pengumpulan data ada beberapa cara yaitu;
a) Survey
Melakukan pengumpulan data dan observasi dengan meninjau langsung ke
lapangan pada pihak-pihak yang terkait yang mempunyai wewenang
dalam menyelesaikan penelitian ini.
b) Studi Literatur
Melakukan penelitian dan pembelajaran terhadap referensi-referensi yang
berhubungan dengan penelitian seperti jurnal-jurnal yang berhubungan
atau buku-buku tentang Jaringan Saraf Tiruan, atau melalui situs-situs di
internet dalam menyelesaikan penelitian ini.
c) Wawancara
Melakukan tanya jawab dengan bagian yang menjadi objek penelitian
sehingga nantinya dapat memberikan informasi yang akurat dan
terpercaya.
2) Studi Pustaka
Untuk mencapai tujuan yang akan ditentukan, maka perlu dipelajari beberapa
literatur-literatur yang digunakan. Studi pustaka merupakan langkah awal
dalam penelitian ini, studi pustaka ini dilakukan untuk melengkapi
pengetahuan dasar dan teori-teoriyang digunakan dalam penelitian ini.
3) Mengidentifikasi Masalah
Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data
terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses
pada tahap konversi data yang didapat sesuai dengan bobot yang ditentukan.
4) Praproses
Tahap praproses merupakan tahap seleksi data yang bertujuan untuk
mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian.
Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap
beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah
pemahaman
terhadap
isi
record,
juga
melakukan
seleksi
dengan
memperhatikan konsistensi data, missing value dan redundant pada data.
17
Universitas Sumatera Utara
18
5) Menentukan Model
Pada tahap ini akan dilakukan penentuan model Jaringan Saraf Tiruan dengan
metode Backpropagation. Hasil dari tahap ini adalah beberapa model jaringan
saraf tiruan dengan metode Backpropagation untuk menentukan pola.
6) Menguji Hasil Pengolahan Data
Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba
terhadap hasil pengolahan data dengan menggunakan Software Matlab R2011b
(7.13). Pengujian dilakukan melalui tahapan sebagai berikut:
a) Melakukan
pengolahan
data
secara
manual
dengan
metode
Backpropagation.
b) Menguji
hasil
pengolahan
data
secara
manual
dengan
metode
Backpropagation dengan data yang sama pada langkah pertama.
c) Menguji hasil pengolahan data secara komputerisasi dengan metode
Backpropagation dengan data yang sama pada langkah pertama dengan
menggunakan software Matlab R2011b (7.13).
d)
Membandingkan
hasil
manual
dengan
hasil
pengujian
dengan
menggunakan software Matlab R2011b (7.13).
e) Menguji hasil pengolahan data secara komputerisasi dengan metode
Backpropagation dengan menggunakan software Matlab R2011b (7.13)
dengan data yang lebih lengkap dengan beberapa model Jaringan Saraf
Tiruan
7) Memprediksi
Prediksi dilakukan untuk membandingkan jumlah dengan model Jaringan
Saraf Tiruan dengan metode Backpropagation yang paling akurat.
8) Mengevaluasi Akhir
Mengevaluasi akhir dilakukan untuk mengetahui apakah pengujian hasil
pengolahan data sesuai dengan yang diharapkan. Evaluasi dilakukan untuk
membandingkan hasil pengujian data secara komputerisasi menggunakan
software Matlab R2011b (7.13) dengan beberapa model yang ditentukan
sebelumnya.
18
Universitas Sumatera Utara
19
3.3.
Teknik Proses Pelatihan Dan Pengujian
Proses pelatihan dan pengujian menggunakan metode Backpropagation dan
Conjugate Gradient Fletcher Reeves dapat dilihat pada gambar 3.2.
Gambar 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR
Keterangan :
Pelatihan jaringan menggunakan kedua metode dimulai dengan proses
normalisasi
data
train
kemudian parameter
awal
masing-masing
metode
ditentukan. Jaringan dilatih hingga membentuk model classifier. Selanjutnya
model tersebut
diuji menggunakan data test
yang
telah dinormalisasi dan
menghasilkan hasil pengujian yang dapat diketahui berdasarkan nilai akurasi dan
MSE (Mean Squared Error) nya.
3.4.
Tempat Penelitian
Penelitian ini dilaksanakan Badan Pusat Statistik (BPS) Jln. Porsea No.5, Teladan,
Siantar Barat, Kota Pematangsiantar Sumatera Utara 21144.
3.5.
Alat Dan Bahan
Alat dan Bahan yang digunakan dalam penelitian antara lain:
1) Komputer/Laptop untuk membantu dalam mengolah data.
2) Software Matlab R2011b (7.13) sebagai alat untuk memudahkan dalam
pengolahan data.
3) Data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan
sebagai data target yang akan diolah dengan model yang digunakan.
19
Universitas Sumatera Utara
20
3.6.
Tahap Pemrosesan Data
Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi Indeks Harga
Konsumen (IHK). Proses ini memiliki 2 tahapan dimana tahapan pertama adalah
melakukan pengenalan pola dengan cara menemukan arsitektur terbaik dari model
Jaringan Saraf Tiruan yang dibuat. Proses pelatihan dan pengujian data untuk
mendapatkan model terbaik didapat dari data Indeks Harga Konsumen (IHK) pada
Badan Pusat Statistik (BPS) Kota Pematangsiantar sebanyak 24 Pola terhitung tahun
2014 sampai 2016, dengan kriteria Pola 1 sampai dengan Pola 12 adalah data
pelatihan (training), sedangkan Pola 13 sampai dengan Pola 24 adalah data Uji. Tahap
kedua adalah melakukan prediksi dengan pola arsitektur terbaik yang diperoleh di
tahapan pertama.
3.7.
Data Yang Digunakan
Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen (IHK)
berdasarkan kelompok Bahan Makanan Kota Pematangsiantar dari tahun 2014 sampai
dengan tahun 2016, dari mulai bulan Januari sampai dengan bulan Desember. Data
Indeks Harga Konsumen (IHK) ini berasal dari Badan Pusat Statistik (BPS) Kota
Pematangsiantar. Perhitungan Indeks Harga Konsumen (IHK) berdasarkan sektor
bahan makanan diperoleh dari rata-rata sub kelompok bahan makanan tersebut. Pada
Tabel 3.1. adalah contoh bagaimana perhitungan Indeks Harga Konsumen (IHK)
bulan Agustus 2016 berdasarkan sektor bahan makanan.
Tabel 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016
Sektor : Bahan Makanan
No
1
2
3
4
5
6
7
8
9
10
11
Sub Kelompok
Padi-padian, Umbi-umbian dan Hasilnya
Daging dan Hasil-hasilnya
Ikan Segar
Ikan Diawetkan
Telur, Susu dan Hasil-hasilnya
Sayur-sayuran
Kacang-kacangan
Buah-buahan
Bumbu-bumbuan
Lemak dan Minyak
Bahan Makanan Lainnya
Rata-rata
Indeks
125,47
108,15
129,45
132,55
126,18
112,31
148,24
165,22
175,18
110,01
141,4
134,01
Sumber : Badan Pusat Statistik Pematangsiantar
20
Universitas Sumatera Utara
21
Rata-rata indeks yang didapat dari 11 sub kelompok berdasarkan bahan makanan seperti yang diperlihatkan pada Tabel 3.1. akan digunakan
sebagai data pelatihan dan juga data pengujian. Berikut ini adalah Tabel dari data Indeks Harga Konsumen (IHK) tersebut.
Tabel 3.2. Indeks Harga Konsumen Tahun 2014
Kelompok
Pengeluaran
Bahan Makanan
Januari
116,22
Februari
116,03
Maret
117,54
April
113,89
IHK Tahun 2014 Dalam Bulan
Mei
Juni
Juli
Agustus
120,12 119,79 120,05 119,22
September Oktober November Desember
119,98
123,53
126,17
127,07
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.3. Indeks Harga Konsumen Tahun 2015
Kelompok
Pengeluaran
Bahan Makanan
Januari
125,95
Februari
119,6
Maret
118,37
April
117,91
IHK Tahun 2015 Dalam Bulan
Mei
Juni
Juli
Agustus
122,16 127,04 125,53 124,15
September Oktober November Desember
122,17
122,85
123,72
128,4
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.4. Indeks Harga Konsumen Tahun 2016
Kelompok
Pengeluaran
Bahan Makanan
Januari
130,65
Februari
128,53
Maret
130,7
April
128,3
IHK Tahun 2016 Dalam Bulan
Mei
Juni
Juli
Agustus
130,83 131,66 131,9
134,01
September Oktober November Desember
135,67
138
141.85
144,06
Sumber : Badan Pusat Statistik Pematangsiantar
Tabel 3.5. Data Input Yang Digunakan
Tahun
2014
2015
2016
Januari
116,22
125,95
130,65
Februari
116,03
119,60
128,53
Maret
117,54
118,37
130,70
INDEKS HARGA KONSUMEN TAHUN 2014-2016
Sektor : Bahan Makanan
Bulan
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
113,89 120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
117,91 122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
128,30 130,83
131,66
131,90
134,01
135,67
138,00
141.85
144,06
Sumber : Badan Pusat Statistik Pematangsiantar
21
21
Universitas Sumatera Utara
22
Dari data input pada Tabel 3.5, dijelaskan bahwa dataset Indeks Harga Konsumen
(IHK) berdasarkan sektor Bahan Makanan Tahun 2014-2015 digunakan sebagai data
pelatihan (training), sedangkan dataset Indeks Harga Konsumen (IHK) berdasarkan
sektor Bahan Makanan Tahun 2015-2016 digunakan sebagai data pengujian (testing).
Data yang disajikan adalah data bulan Januari sampai dengan bulan Desember tiap
tahunnya.
3.7.1. Arsitektur Jaringan
Pada penelitian ini data yang digunakan sebagai pelatihan adalah dataset tahun 2014
dengan target dataset tahun 2015. Kemudian dataset tahun 2015 yang telah menjadi
target tadi, dijadikan menjadi data pelatihan dengan target dataset tahun 2016, dibagi
menjadi 12 pola dengan sistem perputaran. Fungsi aktivasi yang digunakan adalah
fungsi sigmoid dengan ukuran rentang nilai antara 0 dan 1.
Contoh arsitektur jaringan yang digunakan dapat dilihat pada Gambar 3.3.
yang terdiri dari tiga lapisan, yaitu : 12 masukan (input), 12 neuron hidden layer dan 1
lapisan keluaran (output).
Gambar 3.3. Arsitektur JST Indeks Harga Konsumen (IHK)
22
Universitas Sumatera Utara
23
Keterangan :
X1 – X12
: Data masukan (input layer)
b (warna merah)
: Bias
Vij
: Bobot ke simpul hidden
Wij
: Bobot ke simpul output
Z1 – Z12
: Hidden Layer
Y
: Hasil Keluaran (output)
Pola arsitektur jaringan yang digunakan untuk prediksi Indeks Harga Konsumen
(IHK) yaitu 12-N-1. Dimana 12 adalah node data input. Sedangkan jumlah hidden
node N menggunakan aturan ‘rule of thumb’, serta 1 keluaran.
3.7.2. Proses Normalisasi
Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.
Berdasarkan penjelasan pada Sub Bab 2.3.3 (Hal.7) mengenai fungsi aktivasi, maka
Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi
sigmoid biner dan fungsi aktivasi sigmoid bipolar.
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi
beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi
yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga
sering dipakai adalah fungsi sigmoid biner yang memiliki range (0, 1) dan bipolar
yang memiliki range (-1,1). Fungsi aktivasi sigmoid biner hampir sama dengan fungsi
sigmoid bipolar, karena sering digunakan oleh para peneliti dalam proses prediksi
(peramalan), tetapi fungsi sigmoid bipolar hanya cocok digunakan dalam prediksi
(peramalan) yang menggunakan data yang tidak fluktuatif (Stabil) dan menggunakan
range antara -1 sampai 1. Sedangkan fungsi sigmoid biner kebalikannya.
Karena penelitian menggunakan fungsi aktivasi sigmoid biner maka data yang
akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data yang
digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu
sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0
ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu
[0.1; 0.8], ditunjukkan dengan persamaan (3.1).
23
Universitas Sumatera Utara
24
x'=
0.8( x − a )
+ 0.1
b−a
(3.1)
Keterangan :
x’
: Data yang telah ditransformasi
x
: Data yang akan dinormalisasi
a
: Data minimum
b
: Data maksimum
3.7.3. Pengolahan Data (Normalisasi)
Pengolahan data yang akan dilakukan adalah mengubah data Indeks Harga Konsumen
(IHK) berdasarkan sektor bahan makanan yaitu dengan membuat suatu pola arsitektur
terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation. Berikut ini
akan dijabarkan normalisasi data dalam proses prediksi berdasarkan tabel 3.5. pada
pembahasan sebelumnya.
24
Universitas Sumatera Utara
25
Tabel 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Menggunakan Rotasi Putar
Data Input
Data
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Januari
Februari
Maret
April
Mei
Juni
Juli
116,22
116,03
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
116,03
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
117,54
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
113,89
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
120,12
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
119,79
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
120,05
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
Agustus September Oktober November Desember
119,22
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
119,98
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
123,53
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
126,17
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
127,07
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
Target
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
Penjelasan :
-
Data Pelatihan Tahun 2014-2015 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama
untuk mencapai target.
-
Nilai data pada pola 1 diambil dari IHK sektor bahan makanan tahun 2014. Sedangkan nilai Target diambil dari IHK sektor bahan
makanan bulan Januari tahun 2015.
-
Nilai data pada pola 2 diambil dari IHK sektor bahan makanan tahun 2014 bulan Februari s/d Desember serta dataset bulan Januari
tahun 2015. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2015.
-
Nilai data pada pola 3 diambil dari IHK sektor bahan makanan tahun 2014 bulan Maret s/d Desember serta dataset bulan Januari s/d
Februari tahun 2015. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2015.
25
Universitas Sumatera Utara
26
-
Begitu seterusnya hingga seluruh nilai selesai di putar.
-
Nilai maksimum (b) dari dataset adalah 128,40. Sedangkan nilai minimum (a) adalah 113,89.
-
Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :
Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Januari 0,228846. Begitu seterusnya untuk semua data, di normalisasi
dengan menggunakan fungsi yang sama.
Tabel 3.7. Hasil Normalisasi Data Pelatihan Tahun 2014-2015
Input
Data
Januari Februari
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Maret
April
Mei
Juni
Juli
Target
Agustus September Oktober November Desember
0,22846
0,21799
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,21799
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,30124
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,10000
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,44349
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,42529
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,43963
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,39387
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,43577
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,63150
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,77705
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,82667
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Penjelasan :
-
Universitas Sumatera Utara
26
Nilai dataset pada tabel 3.7. adalah hasil normalisasi berdasarkan pada tabel 3.6. dengan menggunakan fungsi sigmoid biner.
26
27
Tabel 3.8. Data Awal Pengujian Tahun 2015-2016 Dengan Menggunakan Rotasi Putar
Input
Data
Januari Februari
Maret
April
Mei
Juni
Juli
125,95
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
125,53
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
119,60
118,37
117,91
122,16
127,04
125,53
124,15
122,17
122,85
123,72
128,40
130,65
Target
Agustus September Oktober November Desember
124,15
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
122,17
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
122,85
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
123,72
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
128,40
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
141,85
130,65
128,53
130,70
128,30
130,83
131,66
131,90
134,01
135,67
138,00
141,85
144,06
Penjelasan :
-
Data Pengujian Tahun 2015-2016 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama
untuk mencapai target.
-
Nilai data pada pola 13 diambil dari IHK sektor bahan makanan tahun 2015. Sedangkan nilai Target diambil dari IHK sektor bahan
makanan bulan Januari tahun 2016.
-
Nilai data pada pola 14 diambil dari IHK sektor bahan makanan tahun 2015 bulan Februari s/d Desember serta dataset bulan Januari
tahun 2016. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2016.
-
Nilai data pada pola 15 diambil dari IHK sektor bahan makanan tahun 2015 bulan Maret s/d Desember serta dataset bulan Januari s/d
Februari tahun 2016. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2016.
27
27
Universitas Sumatera Utara
28
-
Begitu seterusnya hingga seluruh nilai selesai di putar.
-
Nilai maksimum (b) dari dataset adalah 144,06. Sedangkan nilai minimum (a) adalah 117,91.
-
Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut :
Maka akan didapatkan hasil Normalisasi pola 13 untuk bulan Januari 0,34597. Begitu seterusnya untuk semua data, di normalisasi
dengan menggunakan fungsi yang sama.
Tabel 3.9. Hasil Normalisasi Data Pengujian Tahun 2015-2016
Input
Data
Januari Februari
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Maret
April
Mei
Target
Juni
Juli
Agustus September Oktober November Desember
0,34597 0,15170 0,11407 0,10000 0,23002
0,37931
0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,15170 0,11407 0,10000 0,23002 0,37931
0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,11407 0,10000 0,23002 0,37931 0,33312
0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,10000 0,23002 0,37931 0,33312 0,29090
0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,23002 0,37931 0,33312 0,29090 0,23033
0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,37931 0,33312 0,29090 0,23033 0,25113
0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,33312 0,29090 0,23033 0,25113 0,27774
0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,29090 0,23033 0,25113 0,27774 0,42092
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,23033 0,25113 0,27774 0,42092 0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,25113 0,27774 0,42092 0,48975 0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,27774 0,42092 0,48975 0,42489 0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,42092 0,48975 0,42489 0,49128 0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Penjelasan :
-
Nilai dataset pada tabel 3.9. adalah hasil normalisasi berdasarkan pada tabel 3.8. dengan menggunakan fungsi sigmoid biner.
28
28
Universitas Sumatera Utara
29
Langkah 0
Inisialisasi semua bobot dengan bilangan acak kecil.
Table 3.10. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Vji
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
b
Z1
0,2
-0,4
0,5
0,3
-0,4
0,2
-0,3
-0,4
0,3
0,1
0,5
-0,3
-0,2
Z2
0,3
-0,2
0,1
0,6
0,3
-0,4
0,2
-0,4
0,2
-0,2
0,1
-0,1
0,5
Z3
0,1
0,3
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,1
-0,3
0,4
-0,4
Z4
0,5
0,3
-0,4
0,1
-0,1
-0,4
-0,1
0,5
0,1
0,2
0,3
0,2
0,6
Z5
-0,3
-0,4
-0,1
0,5
-0,2
0,1
0,5
0,5
-0,4
0,3
0,5
0,3
0,2
Z6
-0,1
0,6
0,3
-0,3
0,3
-0,2
0,6
-0,1
0,3
0,1
-0,1
0,6
0,5
Z7
0,4
0,1
0,6
-0,1
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,3
-0,4
Z8
0,2
-0,2
0,3
0,4
-0,4
0,5
0,2
-0,1
0,1
0,5
-0,4
-0,1
-0,1
Z9
0,3
-0,4
-0,2
0,2
0,5
-0,4
0,1
0,3
-0,2
-0,4
-0,1
0,5
0,3
Z10
0,6
0,5
0,6
0,3
0,1
-0,3
-0,4
0,1
0,5
-0,3
0,3
-0,2
0,2
Z11
-0,3
-0,3
0,2
0,6
0,3
0,6
0,1
0,3
-0,1
0,5
0,5
-0,4
0,3
Z12
-0,1
-0,1
0,5
-0,3
0,1
0,2
0,3
-0,1
0,3
-0,4
-0,2
0,6
-0,3
Table 3.11. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Wkj
Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9
Z10
Z11
Z12
B1
Y
0,5
0,2
0,3
-0,4
-0,1
0,1
-0,2
-0,4
0,6
-0,3
0,4
-0,2
0,4
Langkah 1
Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 9
Langkah 2
Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8
Fase I: Propagasi Maju
Langkah 3
Universitas Sumatera Utara
30
Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi Zj (j = 1, 2, ... , p) :
= -0,2 + (0,2*0,2) + (0,5*-0,4) + (-0,4*0,5) + (0,1*0,3) + (0,3*-0,4) + (0,2*0,2) +
(-0,4*-0,3) + (-0,1*-0,4) + (0,5*0,3) + (0,3*0,1) + (0,6*0,5) + (-0,3*-0,3)
= 0,04
= 0,5 + (0,2*0,3) + (0,5*-0,2) + ... + (-0,3*-0,1)
= 0,74
= -0,4 + (0,2*0,1) + (0,5*0,3) + ... + (-0,3*0,4)
= 0,70
= 0,6 + (0,2*0,5) + (0,5*0,3) + ... + (-0,3*0,2)
= 1,29
= 0,2 + (0,2*0,3) + (0,5*0,4) + ... + (-0,3*0,3)
= 0,20
= 0,5 + (0,2*-0,1) + (0,5*0,6) + ... + (-0,3*0,6)
Universitas Sumatera Utara
31
= 0,47
= -0,4 + (0,2*0,4) + (0,5*0,1) + ... + (-0,3*-0,3)
= -0,53
= -0,1 + (0,2*0,2) + (0,5*-0,2) + ... + (-0,3*-0,1)
= -0,54
= 0,3 + (0,2*0,3) + (0,5*-0,4) + ... + (-0,3*0,5)
= -0,01
= 0,2 + (0,2*0,6) + (0,5*0,5) + ... + (-0,3*-0,2)
= 1,00
= 0,3 + (0,2*-0,3) + (0,5*-0,3) + ... + (-0,3*-0,4)
= 0,49
= -0,3 + (0,2*-0,1) + (0,5*-0,1) + ... + (-0,3*0,6)
= -0,99
Universitas Sumatera Utara
32
Langkah 5
Hitung semua jaringan di unit keluaran (Yk)
= 0,3 + (0,51*0,5) + (0,68*0,2) + (0,33*0,3) + (0,78*-0,4) + (0,45*-0,1) +
(0,62*0,1)
+ (0,37*-0,2) + (0,37*-0,4) + (0,50*0,6) * (0,73*-0,3) + (0,62*0,4) +
(0,27*-0,2)
= 0,54
Fase II : Propagasi Mundur
Langkah 6
Universitas Sumatera Utara
33
δk = (tk-Yk) f’’ (Ynetk) = (tk-Yk) Yk(1-Yk) = (0-0,54) * 0,54 * (1-0,54) = -0,14
δk
merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer
dibawahnya (langkah 7).
Suku perubahan bobot Wkj (dengan α = 0,2)
∆Wkj= α δk zj
∆W10= α δ0 (1) = 0,2 . (-0,14). (1) = -0,03
∆W11= α δ1 (z1) = 0,2 . (-0,14) . (0,51) = -0,01
∆W12= α δ2 (z2) = 0,2 . (-0,14) . (0,68) = -0,02
∆W13= α δ3 (z3) = 0,2 . (-0,14) . (0,33) = -0,01
∆W14= α δ4 (z3) = 0,2 . (-0,14) . (0,78) = -0,02
∆W15= α δ5 (z3) = 0,2 . (-0,14) . (0,45) = -0,01
∆W16= α δ6 (z3) = 0,2 . (-0,14) . (0,62) = -0,02
∆W17= α δ7 (z3) = 0,2 . (-0,14) . (0,37) = -0,01
∆W18= α δ8 (z3) = 0,2 . (-0,14) . (0,37) = -0,01
∆W19= α δ9 (z3) = 0,2 . (-0,14) . (0,50) = -0,01
∆W20= α δ10 (z3) = 0,2 . (-0,14) . (0,73) = -0,02
∆W21= α δ11 (z3) = 0,2 . (-0,14) . (0,62) = -0,02
∆W22= α δ12 (z3) = 0,2 . (-0,14) . (0,27) = -0,01
Langkah 7
Hitung penjumlahan kesalahan dari unit tersembunyi ( = δ )
Karena jaringan hanya memiliki sebuah unit keluaran maka δnetj = δ Wij
δnet1 = δk.W11 = (-0,14) . (-0,01) = 0,0014
δnet2 = δk.W12 = (-0,14) . (-0,02) = 0,0028
δnet3 = δk.W13 = (-0,14) . (-0,01) = 0,0014
δnet4 = δk.W14 = (-0,14) . (-0,02) = 0,0028
δnet5 = δk.W15 = (-0,14) . (-0,01) = 0,0014
δnet6 = δk.W16 = (-0,14) . (-0,02) = 0,0028
δnet7 = δk.W17 = (-0,14) . (-0,01) = 0,0014
δnet8 = δk.W18 = (-0,14) . (-0,01) = 0,0014
δnet9 = δk.W19 = (-0,14) . (-0,01) = 0,0014
Universitas Sumatera Utara
34
δnet10 = δk.W20 = (-0,14) . (-0,02) = 0,0028
δnet11 = δk.W21 = (-0,14) . (-0,02) = 0,0028
δnet12 = δk.W22 = (-0,14) . (-0,01) = 0,0014
Faktor kesalahan
di unit tersembunyi :
δj = δnetj f’(Znetj) = δnet Zj (1-Zj)
δ1 = δnet1 Z1 (1-Z1) = 0,0014.(0,51).(1-(0,55)) = 0,0003
δ2 = δnet2 Z2 (1-Z2) = 0,0028.(0,68).(1-(0,67)) = 0,0006
δ3 = δnet3 Z3 (1-Z3) = 0,0014.(0,33).(1-(0,52)) = 0,0003
δ4 = δnet4 Z4 (1-Z3) = 0,0028.(0,78).(1-(0,52)) = 0,0005
δ5 = δnet5 Z5 (1-Z3) = 0,0014.(0,45).(1-(0,52)) = 0,0003
δ6 = δnet6 Z6 (1-Z3) = 0,0028.(0,62).(1-(0,52)) = 0,0007
δ7 = δnet7 Z7 (1-Z3) = 0,0014.(0,37).(1-(0,52)) = 0,0003
δ8 = δnet8 Z8 (1-Z3) = 0,0014.(0,37).(1-(0,52)) = 0,0003
δ9 = δnet9 Z9 (1-Z3) = 0,0014.(0,50).(1-(0,52)) = 0,0003
δ10 = δnet10 Z10 (1-Z3) = 0,0028.(0,73).(1-(0,52)) = 0,0006
δ11 = δnet11 Z11 (1-Z3) = 0,0028.(0,62).(1-(0,52)) = 0,0007
δ12 = δnet12 Z12 (1-Z3) = 0,0014.(0,27).(1-(0,52)) = 0,0003
Suku perubahan bobot ke unit tersembunyi : ∆Vji = α δjxi
Tabel 3.12. Suku Perubahan Bobot Ke Unit Tersembunyi
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
B1
Z1
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z2
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z3
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z4
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z5
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z6
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z7
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z8
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z9
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z10
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
0,0
Z11 Z12
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
0,0 0,0
Fase III : Perubahan Bobot
Universitas Sumatera Utara
35
Langkah 8
Hitung semua perubahan bobot. Perubahan bobot unit keluaran :
Wkj (baru) = Wkj (lama) + ∆Wkj
Tabel 3.13. Perubahan Bobot Unit Keluaran
Y
0,5
0,2
0,3
-0,4
-0,1
0,1
-0,2
-0,4
0,6
-0,3
0,4
-0,2
0,3
Z1
Z2
Z3
Z4
Z5
Z6
Z7
Z8
Z9
Z10
Z11
Z12
B1
Wkj (lama)
Wkj (baru)
-0,01
-0,02
-0,01
-0,02
-0,01
-0,02
-0,01
-0,01
-0,01
-0,02
-0,02
-0,01
-0,03
0,49
0,22
0,31
-0,38
-0,09
0,12
-0,19
-0,39
0,61
-0,28
0,42
-0,19
0,33
Perubahan bobot unit tersembunyi : Vji (baru) = Vji (lama) + ∆Vji
Tabel 3.14. Perubahan Bobot Tersembunyi
X1
X2
X3
X4
X5
X6
X7
X8
X9
X10
X11
X12
B1
Z1
0,2
-0,4
0,5
0,3
-0,4
0,2
-0,3
-0,4
0,3
0,1
0,5
-0,3
-0,2
Z2
0,3
-0,2
0,1
0,6
0,3
-0,4
0,2
-0,4
0,2
-0,2
0,1
-0,1
0,5
Z3
0,1
0,3
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,1
-0,3
0,4
-0,4
Z4
0,5
0,3
-0,4
0,1
-0,1
-0,4
-0,1
0,5
0,1
0,2
0,3
0,2
0,6
Z5
-0,3
-0,4
-0,1
0,5
-0,2
0,1
0,5
0,5
-0,4
0,3
0,5
0,3
0,2
Z6
-0,1
0,6
0,3
-0,3
0,3
-0,2
0,6
-0,1
0,3
0,1
-0,1
0,6
0,5
Z7
0,4
0,1
0,6
-0,1
-0,3
-0,1
0,4
0,2
0,3
0,6
-0,3
-0,3
-0,4
Z8
0,2
-0,2
0,3
0,4
-0,4
0,5
0,2
-0,1
0,1
0,5
-0,4
-0,1
-0,1
Z9
0,3
-0,4
-0,2
0,2
0,5
-0,4
0,1
0,3
-0,2
-0,4
-0,1
0,5
0,3
Z10
0,6
0,5
0,6
0,3
0,1
-0,3
-0,4
0,1
0,5
-0,3
0,3
-0,2
0,2
Z11
-0,3
-0,3
0,2
0,6
0,3
0,6
0,1
0,3
-0,1
0,5
0,5
-0,4
0,3
Z12
-0,1
-0,1
0,5
-0,3
0,1
0,2
0,3
-0,1
0,3
-0,4
-0,2
0,6
-0,3
3.7.4. Pelatihan Jaringan
Pada langkah ini akan diamati laju pembelajaran terhadap kerja jaringan dengan
Parameter tingkat Akurasi, waktu pembelajaran, MSE selama proses pelatihan dan
Universitas Sumatera Utara
36
lamanya waktu iterasi (Epoch). Tujuan utama dari langkah ini adalah untuk
memperoleh
arsitektur
tingkat akurasi laju pembelajaran yang optimal. Dengan memakai
jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran
terhadap kinerja jaringan. Arsitektur yang digunakan untuk pelatihan sebanyak 5 pola.
Ke 5 pola arsitektur ini menggunakan Learning rate 0,1, target error (goal) 0,01 dan
maksimum epoch nya adalah 10000 iterasi serta untuk menghasilkan error paling
rendah menggunakan traingd.
Pada arsitektur pelatihan 1 menggunakan layer masukan sebanyak 12 neuron,
layer tersembunyi sebanyak 6 neuron dan layer keluaran 1 neuron. Pada pelatihan 1
ini menghasilkan pelatihan dengan epoch sebesar 5308 iterasi, waktu 00.32, MSE
0,009999 dan tingkat akurasi 58%. Pada arsitektur pelatihan 2 menggunakan layer
masukan sebanyak 12 neuron, layer tersembunyi sebanyak 15 neuron dan layer
keluaran 1 neuron. Pada pelatihan 2 ini menghasilkan pelatihan dengan epoch sebesar
821 iterasi, waktu 00.05, MSE 0,009982 dan tingkat akurasi 67%. Pada arsitektur
pelatihan 3 menggunakan layer masukan sebanyak 12 neuron, layer tersembunyi
sebanyak 24 neuron dan layer keluaran 1 neuron. Pada pelatihan 3 ini menghasilkan
pelatihan dengan epoch sebesar 4999 iterasi, waktu 00.31, MSE 0,009996 dan tingkat
akurasi 67%. Pada arsitektur pelatihan 4 menggunakan layer masukan sebanyak 12
neuron, layer tersembunyi sebanyak 33 neuron dan layer keluaran 1 neuron. Pada
pelatihan 4 ini menghasilkan pelatihan dengan epoch sebesar 961 iterasi, waktu 00.06,
MSE 0,009975 dan tingkat akurasi 67%. Pada arsitektur pelatihan 5 menggunakan
layer masukan sebanyak 12 neuron, layer tersembunyi sebanyak 34 neuron dan layer
keluaran 1 neuron. Pada pelatihan 5 ini menghasilkan pelatihan dengan epoch sebesar
1491 iterasi, waktu 00.09, MSE 0,009996 dan tingkat akurasi 67%.
3.7.5. Proses Testing (Pengujian)
Jaringan yang telah dilatih dan mencapai hasil yang dikehendaki perlu diuji untuk
mengetahui kemampuannya pada saat mempelajari data latih yang diberikan.
Pengujian dapat dilakukan dengan menggunakan data set yang sudah dilatih
untuk melihat unjuk kerja sistem aplikasi yang telah dibuat dengan melihat nilai error
minimumnya. Selain itu juga pengujian dapat dilakukan menggunakan data set yang
belum pernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah
dibuat. MSE pada pengujian pelatihan 1 sebesar 0,022873. MSE pada pengujian
Universitas Sumatera Utara
37
pelatihan 2 sebesar 0,0142803. MSE pada pengujian pelatihan 3 sebesar 0,020554.
MSE pada pengujian pelatihan 4 sebesar 0,036615 dan MSE pada pengujian pelatihan
5 sebesar 0,017577. Adapun rumus yang digunakan untuk menetapkan pengujian
dengan parameter pada tiap pelatihan, dapat dijabarkan sebagai berikut :
a) Rumus menetapkan pengujian dengan parameter pada pelatihan 1
1. >> net=newff(minmax(P),[6,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
b) Rumus menetapkan pengujian dengan parameter pada pelatihan 2
1. >> net=newff(minmax(P),[15,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
c) Rumus menetapkan pengujian dengan parameter pada pelatihan 3
1. >> net=newff(minmax(P),[24,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
d) Rumus menetapkan pengujian dengan parameter pada pelatihan 4
1. >> net=newff(minmax(P),[33,1],{'tansig','logsig'},'traingd');
Universitas Sumatera Utara
38
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,01;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
e) Rumus menetapkan pengujian dengan parameter pada pelatihan 5
1. >> net=newff(minmax(P),[34,1],{'tansig','logsig'},'traingd');
2. >>net.trainParam.epochs=10000;
3. >>net.trainParam.goal = 0,01;
4. >>net.trainParam.Lr = 0,1;
5. >>net.trainParam.show = 1000;
6. >>net=train(net,P,T)
7. >>a=sim(net,P);
8. >>[a,Pf,Af,e,Perf]=sim(net,P,[],[],T)
Universitas Sumatera Utara
39
BAB 4
ANALISIS DAN HASIL PENELITIAN
4.1.
Pendahuluan
Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan
software Matlab adalah membuat inisialisasi jaringan. Sebelum pelatihan dilakukan,
terlebih dahulu ditentukan nilai parameter yang diinginkan guna memperoleh hasil
yang optimal. Untuk memberikan nilai parameter dalam software Matlab adalah
sebagai berikut :
a) >> net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF)
Perintah ini digunakan untuk membentuk jaringan pada backpropagation.
Keterangan :
net
= Jaringan backpropagation yang terdiri dari n layer
PR
= Matriks ordo R x 2 yang berisi nilai minimum dan maksimum R
buah elemen masukannya.
Si
= Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n).
BTF
= Fungsi pelatihan jaringan. Defaultnya = traingdx
BLF
= Fungsi perubahan bobot/bias. Default=learngdm
PF
= Fungsi perhitungan error (Mean Square Error MSE)
b) >> net.IW{1,1};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan masukan
dan lapisan tersembunyi (bilangan diambil secara acak dari kmputer).
c) >> net.b{1};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan tersembunyi
(bilangan diambil secara acak dari kmputer)
d) >> net.LW{2,1};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan tersembunyi dan
lapisan keluaran (bilangan diambil secara acak dari komputer).
e) >> net.b{2};
Perintah ini digunakan untuk melihat nilai bias awal pada lapisan keluaran
(bilangan diambil secara acak dari komputer).
Universitas Sumatera Utara
40
f) >> net.LW{3,2};
Perintah ini digunakan untuk melihat nilai bobot awal pada lapisan
tersembunyi pertama dan lapisan tersembunyi kedua.
g) >> net.b{3};
Perintah ini digunakan untuk melihat nilai bias bias pada lapisan tersembunyi kedua
(bilangan diambil secara acak dari komputer).
h) >>a=sim(net,p);
Proses ini merupakan tahapan simulasi data, dimana pada proses ini akan
memunculkan hasil pelatihan berupa nilai error dan grafik pelatihan.
i) >>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Proses ini digunakan untuk melihat hasil yang dikeluarkan oleh jaringan
j) >> Net.trainParam.Show
Perintah yang digunakan untuk menampilkan frekuensi perubahan MSE.
k) >> Net.trainParam.epochs
Perintah yang dipakai untuk menentukan jumlah epochs maksimum pelatihan.
l) >> Net.trainParam.goal
Perintah untuk menentukan batas MSE agar iterasi dihentikan. Iterasi akan
berhenti jika MSE < dari batas yang ditentukan atau jumlah epoch telah
mencapai
maksimum
sesuai
nilai
yang
diberikan
pada
perintah
net.trainParam.epochs.
m) >> Net.trainParam.Lr
Perintah yang digunakan untuk menentukan laju pembelajaran (learning rate).
Default-nya adalah 0,01. Semakin besar nilai laju pembelajaran, semakin cepat
pula proses pelatihan. Akan tetapi jika nilainya terlalu besar, algoritma
menjadi tidak stabil dan mencapai titik minimum lokal.
n) >> Net.trainParam.time
Perintah untuk membatasi lama pelatihan (dalam detik). Pelatihan dihentikan
jika lamanya melebihi nilai yang ditentukan.
o) >> Net.trainParam.mc
Perintah ini digunakan untuk menentukan nilai momentum antara 0 – 1
Pada masalah ini ada 2 algoritma yang disimulasikan dan dianalisis yaitu
backpropagation standar pada penelitian pertama kemudian dioptimasi dengan
conjugate gradient fletcher reeves pada pelatihan selanjutnya.
Universitas Sumatera Utara
41
Tabel 4.1. Arsitektur JST Backpropagation Standar
Karakteristik
Arsitektur
Neuron input
Neuron Hidden
Fungsi Aktivasi
Inisialisasi bobot
Target Error
Maksimum Epoch
Learning Rate
4.2.
Spesifikasi
1 lapisan tersembunyi
12
6, 15, 24, 33, 34
Sigmoid
Random
0.01
10000
0.01
Analisis Penelitian
Sebelumnya data yang akan diujikan haruslah dibagi menjadi dua (2) bagian, di mana
bagian pertama adalah untuk data pelatihan dan bagian kedua adalah untuk data
pengujian. Parameter-parameter yang digunakan dalam pelatihan dan pengujian ini
adalah :
a. Learning Rate : Lr = 0,01
b. Lapisan tersembunyi : n = 6; n = 15; n = 24; n = 33; n= 34
c. Target Error = 0,01
Jaringan Saraf Tiruan dengan algoritma backpropagation yang sudah dilatih
dan diuji dengan baik akan memberikan keluaran yang baik pula jika diberi masukan
yang serupa dengan pola yang dipakai untuk pelatihan dan pengujian. Sifat
generalisasi ini membuat pelatihan dan pengujian lebih efisien karena tidak perlu
dilakukan
pada
semua
data.
Jaringan
Syaraf
Tiruan
dengan
algoritma
backpropagation dibentuk dengan membuat generalisasi aturan pelatihan dan
pengujian dalam model Windrow-Hooff dengan cara menambahkan lapisan
tersembunyi (hidden layer). Standar Metode backpropagation menggunakan
algoritma penurunan gradien (gradien descent). Variasi terhadap model standar
dilakukan dengan mengganti algoritmanya dengan algoritma lain.
4.3.
Hasil Penelitian
4.3.1. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-6-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-6-1. Maksudnya, layer masukkan menggunakan
Universitas Sumatera Utara
42
12 Neuron, layer tersembunyi 6 neuron serta 1 neuron layer keluaran. Rumus
pelatihan backpropagation yang digunakan dengan aplikasi Matlab sebagai berikut :
>> net=newff(minmax(P),[6,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–6–1
dapat dilihat pada gambar 4.1 dan 4.2.
Gambar 4.1. Pelatihan Menggunakan Arsitektur 12-6-1
Universitas Sumatera Utara
43
Gambar 4.2. Performance Pelatihan Menggunakan Arsitektur 12-6-1
Tabel 4.2. Akurasi Data Pelatihan Arsitektur 12-6-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,56840
0,55370
0,38260
0,45200
0,60800
0,80470
0,84670
0,73310
0,49940
0,54990
0,64240
0,75880
Error
0,19652
-0,13888
-0,03560
-0,13036
-0,05204
0,02032
-0,10494
-0,06742
0,05711
0,04410
-0,00043
0,14120
Jumlah SSE
MSE
SSE
0,0386204029
0,0192883857
0,0012672128
0,0169936649
0,0027080153
0,0004127898
0,0110115010
0,0045456125
0,0032618662
0,0019451747
0,0000001840
0,0199374400
0,1199922499
0,0099993542
Hasil
Salah
Salah
Benar
Salah
Benar
Benar
Salah
Benar
Benar
Benar
Benar
Salah
58%
Pola 1 s/d 12 adalah pola yang dipakai dalam data pelatihan. Nilai Target diperoleh
dari
tabel
data
pelatihan.
Nilai
Output
diperoleh
dari
rumus
>>
[a,Pf,Af,e,Perf]=sim(net,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input
dan target data pelatihan. Nilai Error diperoleh dari : Target-Output. SSE diperoleh
dari : Error ^ 2. Jumlah SSE adalah total dari keseluruhan SSE. MSE diperoleh dari :
Jumlah SSE / 12 (jumlah data). Hasil bernilai Benar apabila nilai SSE >
[a,Pf,Af,e,Perf]=sim(net,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input dan
target data pengujian. Nilai Error diperoleh dari : Target-Output. SSE diperoleh dari :
Error ^ 2. Jumlah SSE adalah total dari keseluruhan SSE. MSE diperoleh dari : Jumlah
SSE / 12 (jumlah data). Hasil bernilai Benar apabila nilai SSE > net=newff(minmax(P),[15,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
Universitas Sumatera Utara
45
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–15–1
dapat dilihat pada gambar 4.3 dan 4.4.
Gambar 4.3. Pelatihan Menggunakan Arsitektur 12-15-1
Gambar 4.4. Performance Pelatihan Menggunakan Arsitektur 12-15-1
Universitas Sumatera Utara
46
Tabel 4.4. Akurasi Data Pelatihan Arsitektur 12-15-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,54330
0,35370
0,27150
0,39530
0,55650
0,79360
0,81810
0,76690
0,65050
0,70100
0,68950
0,77200
Error
0,22162
0,06112
0,07550
-0,07366
-0,00054
0,03142
-0,07634
-0,10122
-0,09399
-0,10700
-0,04753
0,12800
Jumlah SSE
MSE
SSE
0,0491157543
0,0037353326
0,0057005622
0,0054257590
0,0000002901
0,0009870423
0,0058271390
0,0102457228
0,0088336032
0,0114481151
0,0022590007
0,0163840000
0,1199623213
0,0099968601
Hasil
Salah
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Benar
Salah
Benar
Salah
67%
Tabel 4.5. Akurasi Data Pengujian Arsitektur 12-15-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Target
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Output
0,40700
0,48270
0,44820
0,19140
0,54690
0,47760
0,57000
0,45420
0,37570
0,66590
0,76090
0,84080
Error
0,08275
-0,05781
0,04308
0,22646
-0,05164
0,04305
-0,04201
0,13834
0,26763
0,04871
0,07149
0,05920
Jumlah SSE
MSE
SSE
0,0068477998
0,0033414368
0,0018559787
0,0512834561
0,0026668831
0,0018533107
0,0017646425
0,0191387915
0,0716241896
0,0023724722
0,0051108283
0,0035046400
0,1713644294
0,0142803691
Hasil
Benar
Benar
Benar
Salah
Benar
Benar
Benar
Salah
Salah
Benar
Benar
Benar
75%
Keterangan :
Dari arsitektur 12-15-1 diatas dapat diketahui bahwa epoch yang terjadi sebanyak 821
iterasi, dengan tingkat akurasi pelatihan sebesar 67% dan akurasi Pengujian sebesar
75%. Arsitektur inilah merupakan arsitektur yang terbaik dalam penelitian ini.
4.3.3. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-24-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-24-1. Maksudnya, layer masukkan menggunakan
12 Neuron, layer tersembunyi 24 neuron serta 1 neuron layer keluaran. Rumus
pelatihan backpropagation yang digunakan dengan aplikasi Matlab sebagai berikut :
>> net=newff(minmax(P),[24,1],{'tansig','logsig'},'traingd');
>> net.IW{1,1};
Universitas Sumatera Utara
47
>> net.b{1};
>> net.LW{2,1};
>> net.b{2};
>> net.trainParam.epochs=10000;
net.trainParam.goal = 0.01;
net.trainParam.Lr = 0.01;
net.trainParam.show = 1000;
net=train(net,P,T)
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 12–24–1
dapat dilihat pada gambar 4.5 dan 4.6.
Gambar 4.5. Pelatihan Menggunakan Arsitektur 12-24-1
Gambar 4.6. Performance Pelatihan Menggunakan Arsitektur 12-24-1
Universitas Sumatera Utara
48
Tabel 4.6. Akurasi Data Pelatihan Arsitektur 12-24-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Target
0,76492
0,41482
0,34700
0,32164
0,55596
0,82502
0,74176
0,66568
0,55651
0,59400
0,64197
0,90000
Output
0,73120
0,51220
0,29250
0,24890
0,72440
0,84230
0,80300
0,67920
0,38220
0,60670
0,78460
0,76740
Error
0,03372
-0,09738
0,05450
0,07274
-0,16844
-0,01728
-0,06124
-0,01352
0,17431
-0,01270
-0,14263
0,13260
Jumlah SSE
MSE
SSE
0,0011370886
0,0094833771
0,0029704754
0,0052911437
0,0283715600
0,0002986942
0,0037498109
0,0001828217
0,0303849348
0,0001611850
0,0203430161
0,0175827600
0,1199568674
0,0099964056
Hasil
Benar
Benar
Benar
Benar
Salah
Benar
Benar
Benar
Salah
Benar
Salah
Salah
67%
Tabel 4.7. Akurasi Data Pengujian Arsitektur 12-24-1
Bulan
1
2
3
4
5
6
7
8
9
10
11
12
Pola
Pola 13
Pola 14
Pola 15
Pola 16
Pola 17
Pola 18
Pola 19
Pola 20
Pola 21
Pola 22
Pola 23
Pola 24
Target
0,48975
0,42489
0,49128
0,41786
0,49526
0,52065
0,52799
0,59254
0,64333
0,71461
0,83239
0,90000
Output
0,42880
0,41950
0,53330
0,44580
0,53100
0,57230
0,63340
0,70600
0,58350
0,48550
0,55890
0,61440
Error
0,06095
0,00539
-0,04202
-0,02794
-0,03574
-0,05165
-0,10541
-0,11346
0,05983
0,22911
0,27349
0,28560
Jumlah SSE
MSE
SSE
0,0037150773
0,0000291043
0,0017655904
0,0007807269
0,0012774815
0,0026677126
0,0111107723
0,0128724861
0,0035792651
0,0524904897
0,0747968115
0,0815673600
0,2466528778
0,0205544065
Hasil
Benar
Benar
Benar
Benar
Benar
Benar
Salah
Salah
Benar
Salah
Salah
Salah
58%
Keterangan :
Dari arsitektur 12-24-1 diatas dapat diketahui bahwa epoch yang terjadi sebanyak
4999 iterasi, dengan tingkat akurasi pelatihan sebesar 67% dan akurasi Pengujian
sebesar 58%.
4.3.4. Pelatihan Dan Pengujian Data Dengan Arsitektur 12-33-1
Pelatihan dan pengujian data dengan backpropagation pada tahap pertama ini
menggunakan arsitektur jaringan 12-33-1. Maksudnya, layer masuk