BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan - Peramalan Nilai Tukar Mata Uang Rupiah Terhadap Dolar Amerika Serikat Tahun 2014 dengan Menggunakan Jaringan Syaraf Tiruan Model Backpropagation

BAB 2 LANDASAN TEORI

2.6. Jaringan Syaraf Tiruan

  Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada makhluk hidup, yang terdiri dari elemen-elemen pemrosesan sederhana yang disebut

  

neuron (unit atau node). Setiap neuron dihubungkan dengan neuron lain dengan

  hubungan komunikasi yang disebut arsitektur jaringan. Jaringan syaraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005:2).

  Jaringan syaraf tiruan diilhami dari cabang ilmu biologi yang berkaitan dengan sistem syaraf. Cabang ilmu tersebut adalah neurobiology, tujuan utama dari neurobiology adalah untuk menjelaskan bagaimana sel-sel syaraf dapat membedakan dan mengembangkan hubungan khusus mereka dan bagaimana jaringan syaraf dapat mengingat kembali semua informasi.

  Menurut Fausett (1994:3), jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut: 1.

  Pemrosesan informasi terjadi pada banyak elemen sederhana (neurons).

2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.

  3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.

  4. Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan yang diterima. Besarnya keluaran ini selanjutnya dibandingkan dengan suatu batas ambang. dan jaringan syaraf tiruan ditentukan oleh tiga hal, yakni: 1.

  Pola hubungan antar neuron (arsitektur jaringan).

  2. Metode untuk menentukan bobot penghubung (metode training/ learning/ algoritma).

  3. Fungsi aktivasi.

  Neuron adalah suatu unit pemroses informasi yang menjadi dasar dalam

  pengoperasian jaringan syaraf tiruan (Siang, 2005:23). Neuron terdiri dari tiga elemen pembentuk yaitu:

  1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi.

  2. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya.

  3. Fungsi aktivasi yang akan menentukan apakah sinyal dari unit masukan akan diteruskan ke unit lain ataukah tidak.

  Di dalam jaringan syaraf tiruan, istilah node atau unit sering digunakan untuk menggantikan neuron. Setiap unit pada jaringan menerima atau mengirim sinyal dari atau ke unit-unit yang lainnya. Pengiriman sinyal akan disampaikan melalui suatu penghubung. Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenal dengan nama bobot.

  Jaringan syaraf tiruan biasanya mempunyai 3 kelompok lapisan unit-unit, yaitu lapisan masukan yang terhubung dengan lapisan tersembunyi selanjutnya terhubung dengan lapisan keluaran. Aktifitas dari lapisan-lapisan ini yaitu:

1. Aktifitas unit-unit lapisan masukan menunjukkan informasi dasar yang kemudian digunakan dalam jaringan syaraf tiruan.

  2. Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unit-unit masukan dan bobot dari koneksi antara unit-unit masukan dan unit- unit dari lapisan tersembunyi.

  3. Karakteristik dari unit-unit keluaran tergantung pada aktifitas unit-unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit- unit keluaran.

  Literatur jaringan syaraf tiruan dan statistika memuat banyak konsep yang sama dengan istilah yang berbeda namun ada istilah yang sama dalam kedua literatur dengan makna yang berbeda. Daftar hubungan istilah yang banyak digunakan adalah sebagai berikut:

Tabel 2.1. Istilah Jaringan Syaraf Tiruan dan Statistik Istilah Jaringan Syaraf Tiruan Istilah Statistik

  Arsitektur Model

  Training Estimasi Learning Model fitting

  Kelompok training Sampel Masukan Variabel independen Keluaran Nilai prediksi dari variabel dependen Nilai pelatihan (training) atau target Nilai sebenarnya dari variabel dependen Nilai target Nilai observasi

  Error Residual

  Generalisasi Prediksi Prediksi Peramalan Bobot Parameter jaringan

  Model-model jaringan syaraf tiruan ditentukan oleh arsitektur jaringan serta algoritma pelatihan. Arsitektur akan menjelaskan kemana arah perjalanan sinyal atau data di dalam jaringan, sedangkan algoritma belajar menjelaskan bagaimana bobot koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai.

  Perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara, tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat.

  1

  1

  1

  

2

  2

  3

  3 Gambar 2.1. Sebuah Sel Jaringan Syaraf

  Pada gambar 2.1 terlihat sebuah sel syaraf tiruan sebagai elemen penghitung. Simpul , , dan dengan

  1

  2

  3

  menerima masukan dari unit 1 (bias), bobot masing-masing adalah , , , dan . Argumen fungsi aktivasi adalah

  1

  2

  3

  net masukan (kombinasi linear masukan dan bobotnya). Keempat sinyal unit yang

  1

• ada dijumlahkan sehingga diperoleh persamaan net = . +

  1

  1

  2

  2

  3

  3 Besarnya sinyal yang diterima oleh mengikuti fungsi aktivasi = f(net).

  Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi aktivasi (keluaran model jaringan) juga dapat digunakan sebagai dasar untuk merubah bobot.

2.7. Arsitektur Jaringan

  Arsitektur jaringan syaraf tiruan digolongkan menjadi tiga kelompok yaitu sebagai berikut: a.

  Jaringan Lapisan Tunggal (Single Layer Networks) Pada jaringan ini, sekumpulan unit masukan dihubungkan langsung dengan sekumpulan keluarannya. Sinyal dari lapisan masukan sampai lapisan keluaran.

  Setiap unit akan dihubungkan dengan unit-unit lainnya yang berada di atasnya dan di bawahnya, tetapi tidak dengan unit yang berada pada lapisan yang sama. Contohnya adalah model ADALINE, perceptron, dan lain sebagainya.

  Pada gambar 2.2 akan diperlihatkan arsitektur jaringan lapisan tunggal buah unit masukan ( , ,…, ) dengan 1 unit bias dan

  1 2 buah unit keluaran ( , ,…, ).

  1

  2

  1 ₁₀

  11

  1

  1

  1 ₁₂

  2 ₁

  2 Gambar 2.2. Jaringan Lapisan Tunggal b.

  Jaringan Lapisan Jamak (Multi Layer Networks) Jaringan ini adalah perluasan dari jaringan lapisan tunggal. Pada jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (lapisan tersembunyi). Lapisan tersembunyi (hidden layer) didalam jaringan ini bisa saja lebih dari satu.

  Jaringan lapisan jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan lapisan tunggal. Model yang termasuk dalam jaringan ini antara lain: MADALINE, backpropagation.

  Pada gambar 2.3 diperlihatkan jaringan buah unit masukan ( , ,…, ) dengan 1 unit bias, sebuah lapisan tersembunyi yang terdiri dari

  1

  2

  buah unit ( , ,…, ) dengan 1 unit bias dan

  1 2 buah unit keluaran ( , ,…, ).

  1

  2

  1 ₁₀

  1 ₁₀

  20 ₁₁

  1 ₁₁

  1 ₂₁

  1

  1

  1 _{12 12}

  2 ₂₂

  2

  2 ₁

  2 _{2 1} Gambar 2.3. Jaringan Lapisan Jamak c.

  Jaringan Reccurent Model jaringan reccurent (reccurent network) mirip dengan jaringan lapisan tunggal ataupun jamak. Hanya saja, ada unit keluaran yang memberikan sinyal pada unit masukan (sering disebut feedback loop). Contoh model pada jaringan ini antara lain: Hopfield network, Jordan network, Elmal network. Arsitektur jaringan

  recurrent dapat dilihat pada gambar 2.4:

  1

  1 −∈

  1

  −∈ −∈

  −∈ −∈

  −∈

  1

  1 Gambar 2.4. Jaringan Reccurent

2.8. Algoritma Pembelajaran dan Pelatihan

  Jaringan syaraf tiruan merupakan hubungan antara masukan dan keluaran yang harus diketahui secara pasti dan apabila hubungan tersebut sudah diketahui maka bisa dibuat suatu model. Ide dasar jaringan syaraf tiruan adalah konsep pembelajaran atau pelatihan. Algoritma pelatihan artinya membentuk pemetaan (fungsi) yang menggambarkan hubungan antara vektor masukan dan vektor keluaran.

  Agar bisa menyelesaikan suatu permasalahan, jaringan syaraf tiruan memerlukan algoritma pembelajaran atau pelatihan yaitu bagaimana sebuah konfigurasi jaringan bisa dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini, pengetahuan yang terdapat dalam data bisa diserap dan direpresentasikan oleh harga-harga bobot koneksinya.

  Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang dikenal yaitu: a.

  Dengan Supervisi (Supervised) Metode ini bisa digunakan jika keluaran yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan. Pada setiap pelatihan, suatu masukan diberikan ke jaringan kemudian jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Kemudian jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut. Model yang menggunakan pelatihan dengan supervisi antara lain: Perceptron, ADALINE,

  Backpropagation .

  b.

  Tanpa Supervisi (Unsupervised) Pada metode tanpa supervisi ini tidak diperlukan adanya target keluaran (keluaran yang diinginkan), dan juga tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Model yang menggunakan pelatihan ini adalah model jaringan reccurent.

2.9. Jaringan Syaraf Tiruan Backpropagation

  Metode backpropagation merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks. Sama seperti model jaringan syaraf tiruan lainnya, backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.

  Dalam jaringan backpropagation setiap unit yang berada di lapisan masukan akan terhubung dengan setiap unit yang berada pada lapisan tersembunyi, dan setiap unit yang berada pada lapisan tersembunyi akan terhubung dengan setiap unit yang berada pada lapisan keluaran.

  Menurut Puspitaningrum (2006:125), jaringan syaraf tiruan model

  backpropagation terdiri dari banyak lapisan (multilayer neural networks): 1.

  Lapisan masukan (1 buah). Lapisan masukan terdiri dari unit-unit atau unit- unit masukan, mulai dari unit masukan 1 sampai unit masukan .

  2. Lapisan tersembunyi (minimal 1). Lapisan tersembunyi terdiri unit-unit atau unit-unit tersembunyi, mulai dari unit tersembunyi 1 sampai unit tersembunyi .

  3. Lapisan keluaran (1 buah). Lapisan keluaran terdiri dari unit-unit keluaran, mulai dari unit keluaran 1 sampai unit keluaran .

2.9.1. Algoritma

  Backpropagation merupakan salah satu algoritma pelatihan dengan supervisi,

  artinya dalam proses pelatihan terdapat target yang akan dibandingkan dengan keluaran yang akan dihasilkan. Istilah ‘Backpropagation’ diambil dari cara kerja jaringan ini, berikut merupakan alur kerja jaringan backpropagation:

TARGET KELUARAN

  

∑

ERROR PREDIKSI KELUARAN

LAPISAN KELUARAN

TAHAP UMPAN MAJU

LAPISAN TERSEMBUNYI

TAHAP BACKPROPAGATION ERROR

LAPISAN MASUKAN

MASUKAN

Gambar 2.5. Alur Kerja Jaringan Backpropagation

  Dapat dilihat dari gambar 2.5 cara kerja jaringan backpropagation, mula- mula jaringan diinisialisasi dengan bobot yang diset dengan bilangan acak. Kemudian sampel pelatihan dimasukkan ke dalam jaringan. Sampel pelatihan terdiri pasangan vektor masukan dan vektor target keluaran. Keluaran dari jaringan berupa vektor prediksi keluaran. Selanjutnya vektor keluaran hasil jaringan atau prediksi keluaran dibandingkan dengan target keluaran, untuk mengetahui apakah jaringan keluaran sudah sesuai dengan yang diharapkan (prediksi keluaran sudah sama dengan target keluaran).

  Error yang dihasilkan akibat adanya perbedaan antara prediksi keluaran

  dengan target keluaran tersebut kemudian dihitung untuk mengupdate bobot- bobot koneksi yang relevan dengan jalan mempropagasikan kembali error. Setiap perubahan bobot yang terjadi diharapkan dapat mengurangi besarnya error. Proses akan terus berlanjut sampai kerja jaringan mencapai tingkat yang diinginkan atau sampai kondisi perhentian dipenuhi. Pada umumnya kondisi perhentian yang sering digunakan adalah jumlah iterasi atau error. Iterasi akan berhenti jika jumlah iterasi yang dilakukan jaringan telah melebihi jumlah iterasi yang ditentukan, atau jika nilai error yang didapat lebih kecil dari batas toleransi.

2.9.2. Fungsi Aktivasi pada Backpropagation

  Karakteristik yang harus dimiliki fungsi aktivasi pada backpropagation adalah sebagai berikut:

  1. Kontinu.

  2. Terdiferensial dengan mudah.

  3. Fungsi yang tidak menurun.

  Fungsi aktivasi diharapkan jenuh (mendekati nilai-nilai maksimum dan minimum secara asimtot). Fungsi aktivasi digunakan di dalam metode

  backpropagation adalah sebagai berikut: 1.

  Fungsi Identitas (Linear) Fungsi linear mempunyai nilai keluaran yang sama dengan nilai masukannya.

  Fungsi linear didefinisikan sebagai berikut: ( ) =

Gambar 2.6. Fungsi Linear 2.

  Fungsi Sigmoid Biner Fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid biner didefinisikan sebagai berikut:

  1 ,

  ( ) = −∞ ≤ ≤ ∞

  −

  1 +

  ′

  ( ) = ( )(1 − ( ))

Gambar 2.7. Fungsi Logistik Sigmoid Biner 3.

  Fungsi Sigmoid Bipolar Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar dengan range (-1,1) yang didefinisikan sebagai berikut:

  2 ( ) = − 1 , −∞ ≤ ≤ ∞

  −

  1 + �1 + ( )�(1 − ( ))

  ′

  ( ) =

  2 Gambar 2.8. Fungsi Logistik Sigmoid Bipolar

2.9.3. Pelatihan Backpropagation

  Jaringan feedforward (umpan maju) sama seperti jaringan syaraf yang lain, pelatihan dilakukan dalam rangka perhitungan bobot sehingga pada akhir pelatihan akan didapat bobot-bobot yang baik. Selama proses pelatihan, bobot- bobot akan diatur secara iteratif untuk meminimumkan nilai error yang terjadi. Nilai error didapat dari hasil perhitungan rata-rata kuadrat kesalahan (MSE).

  Mean Square Error juga dijadikan dasar perhitungan unjuk kerja fungsi aktivasi.

  Pelatihan untuk jaringan feedforward sering menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation.

  Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradien negatif. Prinsip dasar dari algoritma

  

backpropagation adalah memperbaiki bobot-bobot jaringan dengan arah yang

membuat fungsi aktivasi menjadi turun dengan cepat.

  Menurut Siang (2005:100-103), pelatihan backpropagation meliput i 3 fase yaitu sebagai berikut:

  1. Fase 1, yaitu propagasi maju. Pola masukan dihitung maju mulai dari lapisan masukan hingga lapisan keluaran menggunakan fungsi aktivasi yang ditentukan.

  2. Fase 2, yaitu propagasi mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai dari garis yang berhubungan langsung dengan unit-unit di lapisan keluaran.

  3. Fase 3, yaitu perubahan bobot. Modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

  Algoritma pelatihan untuk jaringan backpropagation dengan satu lapisan tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut:

  1. Langkah 1 Inisialisasi semua bobot dengan bilangan acak kecil 2. Langkah 2

  Jika kondisi penghentian belum dipenuhi, lakukan langkah 3-9 3. Langkah 3

  Untuk setiap pasang data pelatihan, lakukan langkah 4-9

  Fase I : Propagasi maju 4.

  Langkah 4 Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya.

5. Langkah 5

  _ = +

  − _ Fase II : Propagasi Mundur 7.

  = 1, 2, ⋯ , ; = 1, 2, ⋯ , )

  ∆ = , (

  ) = target keluaran merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya. Hitung perubahan bobot dengan laju pemahaman

  ) (1 −

  ) = ( −

  ( _

  ′

  )

  = ( −

  ( = 1, 2,..., )

  Langkah 7 Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran

  1 1 +

  �

  Hitung semua keluaran di unit tersembunyi ( = 1, 2,..., )

  = ( _

  =1

  = + �

  = 1, 2,..., ) _

  Langkah 6 Hitung semua keluaran jaringan di unit (

  − _ 6.

  1 1 +

  � =

  = � _

  =1

  ) =

8. Langkah 8

  Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi (

  = 1, 2, ..., ) =

  _ �

  

=1

  Faktor unit tersembunyi:

  ′

  = � _ � = _ �1 − �

  _ Hitung perubahan bobot

  = , ( ∆ = 1,2, … , ; = 0,1, … , )

  Fase III : Perubahan Bobot 9.

  Langkah 9 Hitung semua perubahan bobot. Perubahan bobot garis yang menuju ke unit keluaran, yaitu:

  ( ( , (

  ) = ) + ∆ = 1, 2, ⋯ , ; = 0, 1, 2, ⋯ , ) Perubahan bobot garis yang menuju ke unit tersembunyi adalah:

  ( ( , (

  ) = ) + ∆ = 1, 2, ⋯ , ; = 0, 1, 2, ⋯ , ) Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 5 dan 6) saja yang digunakan untuk menentukan keluaran jaringan.

  Parameter merupakan laju pemahaman yang menentukan kecepatan iterasi. Nilai terletak antara 0 dan 1 (0 ≤ ≤ 1). Semakin besar harga , semakin sedikit iterasi yang dipakai. Akan tetapi jika harga terlalu besar, maka akan merusak pola yang sudah benar sehingga pemahaman menjadi lambat. Satu siklus pelatihan yang melibatkan semua pola disebut epoch.

  Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam mencapai minimum global (atau mungkin lokal saja) terhadap nilai error dan cepat tidaknya proses pelatihan menuju kekonvergenan.

  Apabila bobot awal terlalu besar maka masukan ke setiap lapisan tersembunyi atau lapisan keluaran akan jatuh pada daerah di mana turunan fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka masukan ke setiap lapisan tersembunyi atau lapisan keluaran akan sangat kecil. Hal ini akan menyebabkan proses pelatihan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai 0,5 (atau -1 sampai 1 atau interval yang lainnya).

2.10. Backpropagation dalam Peramalan

  

Backpropagation merupakan salah satu metode jaringan syaraf tiruan yang bisa

  diaplikasikan dengan baik dalam bidang peramalan (forecasting). Peramalan yang sering diketahui adalah peramalan harga saham, peramalan besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran sungai dan lain sebagainya. Secara umum, masalah peramalan dapat dinyatakan dengan sejumlah data time

  series , ,..., . Masalahnya adalah memperkirakan berapa harga

  1

  2

• 1

  berdasarkan , ,..., . Langkah-langkah yang diperlukan dalam membangun

  1

  2

  arsitektur jaringan untuk peramalan adalah sebagai berikut: 1.

  Transformasi Data Langkah awal sebelum melakukan proses pelatihan pada jaringan yang akan digunakan untuk peramalan adalah transformasi data. Alasan utama data ditransformasi adalah agar kestabilan pencaran data dicapai. Selain itu berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam jaringan (Siang, 2005:121). Beberapa transformasi yang digunakan, yaitu: a.

  Transformasi Polinomial ′ = ln keterangan:

  = nilai data setelah transformasi polinomial. ′ = nilai data aktual.

  b.

  Transformasi Normal −

  = − keterangan:

  = nilai data normal = nilai data aktual. = nilai minimum data aktual keseluruhan.

  = nilai maksimum data aktual keseluruhan.

  c.

  Transformasi Linier pada Selang [ , ] ( )(

  − − )

  ′

• = − keterangan:

  ′ = nilai data setelah transformasi linier.

  = nilai data aktual. = nilai minimum data aktual keseluruhan.

  = nilai maksimum data aktual keseluruhan.

  2. Pembagian Data Setelah transformasi data, langkah selanjutnya adalah pembagian data. Data dibagi menjadi data pelatihan dan data pengujian. Beberapa komposisi data pelatihan dan pengujian yang sering digunakan adalah sebagai berikut: a.

  80% untuk data pelatihan dan 20% untuk data pengujian.

  b.

  70% untuk data pelatihan dan 30% untuk data pengujian.

  c.

  2/3 untuk data pelatihan dan 1/3 untuk data pengujian.

  d.

  50% untuk data pelatihan dan 50% untuk data pengujian.

  e.

  60% untuk data pelatihan dan 40% untuk data pengujian.

  Aspek pembagian data harus ditekankan agar jaringan mendapat data pelatihan yang secukupnya dan data pengujian dapat menguji prestasi pelatihan yang dilakukan berdasarkan nilai MSE data pelatihan dan data pengujian. Bilangan data yang kurang untuk proses pelatihan akan menyebabkan jaringan mungkin tidak dapat mempelajari keacakan data dengan baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan melambatkan proses pemusatan (konvergensi).

  3. Perancangan Model Pelatihan yang Baik Langkah selanjutnya setelah pembagian data adalah penentuan bilangan unit masukan, bilangan lapisan tersembunyi, bilangan unit lapisan tersembunyi dan bilangan unit keluaran yang akan digunakan dalam jaringan. Terdapat beberapa aturan yang dapat membantu perancangan model pelatihan yang baik, yaitu sebagai berikut: a.

  Jumlah unit masukan sama dengan periode di mana data berfluktuasi.

  b.

  Jumlah unit keluaran sama dengan jumlah keluaran masalah.

  c.

  Mulai dengan satu lapisan tersembunyi dan digunakan lebih dari satu lapisan tersembunyi jika diperlukan. d.

  Jika menggunakan satu lapisan tersembunyi, bilangan unit tersembunyi awal adalah 75% dari bilangan simpul masukan.

  Beberapa kaedah untuk memperkirakan bilangan unit tersembunyi yaitu sebagai berikut: ℎ = , 2

  ℎ =

  

2

  keterangan: = bilangan simpul masukan yang digunakan ℎ = bilangan simpul tersembunyi.

  Penentuan bilangan simpul tersembunyi yang terbaik diperoleh secara trial

  and error dari simpul 1 sampai

  2 .

  4. Model Pelatihan yang Baik Memilih dan Menggunakan

  Jaringan yang dibangun akan dinilai keakuratan ramalannya. Kaedah penilaian yang digunakan adalah MSE. Pendekatan MSE digunakan untuk menilai prestasi jaringan yang dilatih karena MSE mengenal secara pasti signifikasi hubungan diantara data ramalan dengan data aktual dengan seberapa besar error yang terjadi. Ketepatan model diukur secara relatif menggunakan MSE didapat dari persamaan berikut ini:

  2

  2

  ( ) − �

  = = � �

  =1 =1

  (Makridakis, 1999:59) keterangan: = bilangan ramalan

  = nilai aktual pada waktu = nilai ramalan pada waktu

  � Berdasarkan nilai MSE yang terendah dari proses pelatihan diperoleh model pelatihan yang baik. Keakuratan ramalan jaringan dilihat dari nilai MSE dari proses pengujian.

  5. Model Pelatihan yang Baik dan Penggunaannya untuk Peramalan Pemilihan

  Langkah-langkah pemilihan model pelatihan yang baik sebagai berikut: a.

  Proses pelatihan dilakukan terhadap data pelatihan dengan arsitektur jaringan yang memiliki bilangan unit tersembunyi berbeda akan diperoleh nilai keluaran jaringan atau prediksi keluaran, MSE-nya dihitung. Jaringan dengan nilai MSE terendah dipilih sebagai model pelatihan yang baik untuk digunakan dalam peramalan.

  b.

  Setelah proses pelatihan dilakukan, kemudian dilakukan juga proses pengujian terhadap kelompok data pengujian dengan arsitektur jaringan yang memiliki bilangan unit tersembunyi berbeda yang telah dilatih akan diperoleh nilai keluaran jaringan. Nilai MSE masing-masing arsitektur jaringan dihitung. Proses pengujian dilakukan untuk menguji prestasi pelatihan dan sebagai pendukung bahwa jaringan terpilih sebagai model pelatihan yang tepat untuk model peramalan.