Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation Neural Network Chapter III V
BAB 3
METODOLOGI PENELITIAN
3.1. Data Yang Digunakan
Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses
jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai data
pelatihan dan juga data pengujian. Data yang digunakan pada penelitian ini yaitu
data produktivitas kelapa sawit pada PTPN IV unit kebun Marjandi mulai dari
tahun 2010 – 2015 ini adalah sebagai berikut :
Tabel 3.1 Data input/atribut yang digunakan
No
Data Input/
Atribut
Jumah data
1
Umur
5
2
Pemupukan
60
3
Kelembaban
60
4
Penyinaran
60
5
Curah hujan
60
6
Hari hujan
60
Pada Tabel 3.1 data yang akan gunakan adalah
umur tanaman yang sudah
menghasilakan dari tahun 2010 sampai dengan sekarang jumlah datanya 5,
pemupukan yang di lakukan sebanyak 60 data yang diambil dari setiap tahunnya,
kelembaban udara selama 5 tahun, penyinaran cahaya matahari selama 5 tahun,
curah hujan dan hari hujan selama 5 tahun.
Universitas Sumatera Utara
3.2 Rancangan Penelitian
Pada penelitian ini akan dilakukan beberapa langkah untuk mencapai tujuan
penelitian. Langkah – langkah tersebut dapat digambarkan melalui diagram alir
pada gambar 3.1. Penelitian ini dimulai dari pengumpulan data dari data mentah.
Tahap berikutnya adalah penentuan desain arsitektur jaringan dengan penentuan
pola masukan dan keluaran untuk keperluan pelatihan dan pengujian pada
jaringan syaraf tiruan (JST) Tahap ini kemudian diikuti dengan penentuan
algoritma pelatihan.
Selanjutnya adalah tahap pelatihan terhadap data yang telah dinormalisasi
dan ditentukan arsitekturnya, pelatihan dilakukan pertama untuk algoritma
backpropagation standar, setelah itu baru dilakukan kembali pelatihan dengan
menambahkan learning rate dan kooefisien momentum pada update bobot. Tujuan
pelatihan tersebut untuk membandingkan nilai epoch dan penentuan nilai Mean
Square Error (MSE). Setelah dilakukan tahap pelatihan adalah tahap pengujian
terhadap data pengujian, tujuannya untuk mengetahui tingkat validasi hasil.
Data Mentah
Arsitektur Jaringan
Inisialisasi Bobot Awal
Proses :
1. Normalisai data
2. proses Traning/ pelatihan backpropagasi standart
3. proses Traning/ pelatihan backpropagasi penambahan nilai momentum
4. proses testing/ pengujian
Hasil Prediksi
Analisis
Gambar 3.1 Rancangan Penelitian
Universitas Sumatera Utara
3.3 Proses Penyelesaian Masalah
3.3.1 Perancangan Jaringan Backpropagation
Jaringan syaraf tiruan backpropagation tersusun dari beberapa lapisan, dimana
masing – masing lapisan terdiri dari beberapa unit pengolahan data. Pada
penelitian
ini, arsitektur jaringan yang digunakan terdiri dari tiga lapisan, yaitu enam lapisan
masukan (input), empat lapisan tersembunyi (hidden) dan satu lapisan keluaran
(output).
Data yang berfungsi sebagai masukan dan keluaran yang diperoleh dari
penelitian backpropagation dilakukan dengan membagi data menjadi 3 bagian,
yaitu: data untuk training/pelatihan, data untuk testing/pengujian, dan data untuk
prediksi. Data yang digunakan adalah data umur, pemupukan, data kelembaban,
penyinaran dan curah hujan dari kebun marjandi tahun 2010 – 2014. Di mana
data tahun 2010 – 2014 digunakan sebagai pelatihan, data tahun 2014 – 2015
digunakan sebagai pengujian, dan data tahun 2016 – 2018 data yang akan
diprediksi. Pada percobaan ini data yang digunakan sebagai sampel adalah data
tahun 2010, banyaknya jumlah data yang digunakan untuk memprediksi adalah
72, dan ini hanya sampel data untuk satu tahun, maka jika data yang di butuhkan
selama 6 tahun menjadi 60 x 6 adalah 360 data. Jumlah lapisan tersembunyi yang
digunakan adalah empat, dengan jumlah neuron yang digunakan adalah empat.
Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang
nilai 0 dan 1.
3.3.2 Arsitektur Jaringan
Desain arsitektur jaringan dilakukan untuk prediksi produktivitas kelapa sawit
dimulai dengan menentukan banyaknya data masukan yang digunakan,
banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya
keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 6 data
input dan data keluaran atau target adalah data pada tahun ke-4 (data input 2010 –
2014 dengan target 2015). Untuk mengetahui umur, pemupukan, kelembaban,
penyinaran, curah hujan, dan hari hujan pada tahun ke-5 maka data masukannya
Universitas Sumatera Utara
merupakan data pada tahun ke-4 sampai tahun ke-5 (data input 2014 – 2015
dengan target 2016), demikian seterusnya.
JST Backpropagation diterapkan untuk mendapatkan kesetimbangan
antara
kemampuan memorisasi dan kemampuan menggeneralisasi maka untuk
melanjutkan proses pelatihan sampai nilai errornya mencapai nilai minimum.
Oleh
sebab itu nilai error yang dapat diterima jaringan atau yang disering disebut galat
error harus ditentukan terlebih dahulu dengan tujuan untuk menghentikan
pelatihan. Apabila error jaringan lebih kecil atau sama dengan nilai galat error
yang telah ditentukan tersebut. Pada simulasi ini nilai batas error yang
direncanakan akan digunakan sebesar 0,01. Nilai batas error yang dipilih yang
bernilai kecil untuk tetap menjaga keakuratan hasil yang diperoleh.
B
1
B
2
X1
V11
X2
Z1
X3
Z2
W1
Y
X4
Z3
X5
Z4
X6
Gambar 3.2 Arsitektur JST untuk produktivitas kelapa sawit
Keterangan gambar 3.2 :
Dataset
X1, X2,X3,X4,X5,X6
: Dataset yang digunakan blood transfusion service
: Masukkan data Input (1 – 50 data)
Universitas Sumatera Utara
Y1,Y2,Y3,Y4
V11,V12
W1, W2, W3,Wjk
Z1
: Jumlah neuron pada hidden layer
: Bobot pada lapisan tersembunyi
: Bobot matrik pada lapisan keluaran
: Keluaran hasil
Sedangkan arsitektur jaringan yang digunakan untuk produktivitas kelapa sawit
yaitu 6-N-1. Dimana 6 input node data input yang digunakan pada tabel 3.1
Sedangkan jumlah hidden node N menggunakan „rule of thumb‟.
Hal lain yang diperlukan juga adalah parameter yang diatur dalam jaringan
meliputi
:
a. Laju pembelajaran
Laju pembelajaran yang dipilih mulai dari │0,1│dan digeneratekan secaraacak
b. Momentum
Konstanta momentum berupa bilangan positif antara 0 hingga 1
c. Jumlah iterasi maksimum
Maksimum iterasi adalah jumlahepoch maksimum yang boleh dilakukan
selama proses pelatihan. Iterasi akan berhenti apabila jumlah epoch yang
sudah dilatihkan melebihi jumlah maksimum epoch.
3.4 Proses Normalisasi
Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.
Data-data tersebut dinormalisasi dalam interval [0, 1] karena data yang digunakan
bernilai positif atau 0. 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).
Keterangan:
a adalah data minimum
b adalah data maksimum
Universitas Sumatera Utara
x adalah data yang akan dinormalisasi
x‟ adalah data yang telah ditransformasi.
Tabel 3.2 Data Unormalisasi
Parameter
Bulan
Tahun
1
2
3
4
5
6
7
8
9
10
11
12
X1
2010
336
52
70
256
215
128
96
235
203
203
364
370
X2
2010
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6
6,1
6,2
X3
2010
74
69
66
69
65
68
61
65
74
68
72
67
X4
2010
138,8
0
0
191,1
0
0
0
121,9
0
0
0
141,2
X5
2010
16
4
8
14
23
9
9
16
15
14
25
22
X6
2010
34
39
29
23
25
28
21
25
25
28
22
27
Target/1000
2010
635
644
864
768
794
1.077
1.070
1.057
1.190
1.187
1.130
1.229
Dengan menggunakan Fungsi sigmoid maka akan di dapat data normalisasi
sebagai berikut
Tabel 3.3 Data setelah di Normalisasi
Parameter
Bulan
Tahun
1
2
3
4
5
6
7
8
9
10
11
12
X1
2010
0,8145
0,1000
0,1453
0,6132
0,5101
0,2912
0,2107
0,5604
0,4799
0,4799
0,8849
0,9000
X2
2010
0,1000
0,1727
0,2455
0,3182
0,3909
0,4636
0,5364
0,6091
0,6818
0,7545
0,8273
0,9000
X3
2010
0,9000
0,5923
0,4077
0,5923
0,3462
0,5308
0,1000
0,3462
0,9000
0,5308
0,7769
0,4692
X4
2010
0,6811
0,1000
0,1000
0,9000
0,1000
0,1000
0,1000
0,6103
0,1000
0,1000
0,1000
0,6911
X5
2010
0,5571
0,1000
0,2524
0,4810
0,8238
0,2905
0,2905
0,5571
0,5190
0,4810
0,9000
0,7857
X6
2010
0,6778
0,9000
0,4556
0,1889
0,2778
0,4111
0,1000
0,2778
0,2778
0,4111
0,1444
0,3667
Target
2010
0,1000
0,1121
0,4082
0,2791
0,3143
0,6957
0,6856
0,6687
0,8484
0,8439
0,7674
0,9000
3.5 Komputasi Backpropagation
Pada bagian ini proses dari jaringan syarat tiruanbackpropagationsemua rumus
dari
algoritma backpropagation pada bab 2. sedangkan nilai awal dari penimbang /
pembobot adalah berkisar antara -0,5 sampai 0,9. Nilai pembobot awal tidak boleh
terlalu besar karena nilai turunan aktivasinya menjadi sangat kecil juga. Akan
Universitas Sumatera Utara
tetapi pada fase perubahan bobot berdasarkan learning rate dan koefisien
momentum dengan rumusan yang tercantum pada persamaan 3.1
Misalnya sebuah jaringan terdiri atas dua unit input, satu unit tersembunyi,
dan satu unit keluaran. Fungsi aktivasi yang digunakan adalah Sigmoid Biner,
learning rate / alpha α = 0,01, toleransi error yang diperkenankan adalah 0,41.
Jaringan digunakan untuk menyelesaikan fungsi XOR.
Adapun data training yang digunakan terdiri atas empat pasang masukkan
dan keluaran yakni:
Langkah 0 : Inisialisasi Sembarang bobot dan bias, misalnya
V01 = -0,3
V11 = 0,8
V21 = 0,1
V31 = 0,9
V41 = 0,6
V51 = 0,5
V61 = 0,6
W01 = 0,2
W11 = (- 0,05)
W21 = (- 0,1)
W31 = 0,3
W41 = (- 0,07)
Langkah 1 : Dengan bobot sembarang tersebut, tentukan error untuk data
training secara keseluruhan dengan rumus sebagai berikut :
(3.2)
Znet1 = - 0,3 + 0,8 (0,1) + 0,1 (0,1) + 0,9 (-0,4) + 0,6 (-0,2) + 0,5 (0,1) +
0,6 (0,2) = - 0,52
Z1 = f (z_netj) =
=
= 0,373
Universitas Sumatera Utara
Znet2 = 0,2 + 0,8 (-0,04) + 0,1 (0,4) + 0,9 (0,2) + 0,6(0,4) + 0,5 (0,3) +
0,6 (0,2) = 0,158
Z2 =
= 0,54
Znet3 = 0,2 + 0,8 (0,4) + 0,1 (-0,4) + 0,9 (0,4) + 0,6 (0,2) + 0,5 (0,4) + 0,6
(0,1) = 1,22
Z3 =
= 0,77
Znet4 = (-0,4) + 0,8 (-0,3) + 0,1 (-0,3) + 0,9 (0,05) +0,6 (0,01) + 0,5 (-0,1)
+ 0,6 (0,2) = (-0, 549)
Z4 =
= 0,36
Dimana indeks Zjn berarti bobot untuk nilai unit tersembunyi ke-j dan data
training ke-n
(3.3)
Ynet1 = 0,2 + 0,37 (-0,05) + 0,54 (-0,1) + 0,77 (0,3) + 0,36 (-0,07) = 0,33
Y=
= 0,58
Langkah 2 : Karena, data error training masih lebih besar dari toleransi
yakni 0,01. Maka, pelatihan dilanjutkan pada langkah 3 – 8.
Langkah 3 : Training data pertama
Langkah 4 dan 5 : ulangi langkah 2 dan masukkan bobot baru
Langkah 6 :
Karena memiliki sebuah keluaran maka,
(3.4)
= (0 – 0,58) (0,58) (1-0,58)
= - 0,58 x 0,58 x 0,42 = - 0,14
Perubahan bobot = 0,01
∆W10 = 0,01 (-0,14) (1)= - 0,0014
∆W11 = 0,01 (-0,14) (0,37) = 0,0005
Universitas Sumatera Utara
∆W12 = 0,01 (-0,14) (0,54) = 0,0077
∆W13 = 0,01 (-0,14) (0,77) = 0,001
∆W14 = 0,01 (-0,14) (0,36) = 0,0005
∑
(3.5)
Langkah 7 : Hitung penjumlahan kesalahan dari unit tersembunyi (= )
Karena jaringan hanya memiliki sebuah unit keluaran maka _netj =
w1j
Faktor kesalahan tersembunyi
Langkah 8: Hitung semua perubahan Bobot
Perubahan bobot unit keluaran
Wkj (baru) = wkj (lama)+∆wkj (k =1; j= 0, 1, ...)
W 11 (baru)=(- 0,05) + 0,0005 = -0,049
W 21 (baru)=(- 0,1) + 0,0077 = -0,092
W 31 (baru)=0,36 + 0,001 = 0,359
W 41 (baru)=(- 0,07) + 0,0005 = -0,069
3.5.1 Pelatihan Jaringan
Pada langkah ini akan diamati variasi momentum dan laju pembelajaran terhadap
unjuk kerja jaringan yang dinyatakan dengan besar kecilnya MSE selama proses
pelatihan dan lamanya waktu iterasi. Tujuan dari langkah ini adalah untuk
Universitas Sumatera Utara
memperoleh nilai momentum dan laju pembelajaran yang optimum. Dengan
memakai arsitektur jaringan terbaik pada pelatihan 1 maka akan diamati pengaruh
momentum dan laju pembelajaran terhadap unjuk kerja jaringan yaitu pada proses
pelatihan
Pada pelatihan 2, pengamatan dilakukan secara konstruktif dengan
konstanta laju pembelajaran 0,1 sampai dengan 0,9 dan juga dengan variasi
momentum mulai dari 0,5 sampai dengan 0,9. Kinerja tujuan (target error) yang
diberikan adalah 0,01, maksimum iterasinya 4000 epoch dan algoritma
pelatihannya gradient descent dengan momentum dan laju pembelajaran (traingdx)
dapat dilihat pada tabel berikut.
Tabel 3.4 Pelatihan Jaringan
NO
1
2
3
4
5
6
7
8
9
10
11
12
Nama
Januari
februari
Maret
April
Mei
Juni
Juli
agustus
september
oktober
nopember
desember
Target
0,1
0,1
0,4
0,2
0,3
0,6
0,6
0,6
0,8
0,8
0,7
0,9
output
0,1082
0,1198
0,4038
0,1712
0,303
0,5346
0,6164
0,6457
0,7942
0,8224
0,7271
0,8472
Error
-0,0082
-0,0198
-0,0038
0,0288
-0,003
0,0654
-0,0164
-0,0457
0,0058
-0,0224
-0,0271
0,0528
0,0064
MSE
Mse
0,0000672400
0,0003920400
0,0000144400
0,0008294400
0,0000090000
0,0042771600
0,0002689600
0,0020884900
0,0000336400
0,0005017600
0,0007344100
0,0027878400
0,0120044200
0,0015005525
3.5.2 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 dilatihkan
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, yaitu menggunakan data uji mulai data tahun 2014. Pada Proses
validasi, sistem diuji dengan data lain, hal ini dimaksud untuk mengetahui sejauh
Universitas Sumatera Utara
mana sistem dapat menginformasikan nilai – nilai keluaran dari nilai – nilai
masukan yang berikan.
Universitas Sumatera Utara
BAB 4
HASIL DAN PEMBAHASAN
4.1 Hasil Analisis
Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi
dari program untuk analisis penambahan nilai momentum pada prediksi
produktivitas kelapa adalah sebagai berikut:
4.1.1
Pembobotan Awal
Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam
inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation.
Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan
epoch dan error untuk mendapatkan nilai yang dicapai.
Dalam melakukan pengisian data maka dilakukan pembobotan yang
konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk
melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang
mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju).
Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi
penambahan nilai momentum pada prediksi produktivitas kelapa) Sinyal yang
dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input
layer menuju hidden layer serta ditambah dengan bias. Setelah tahap ini dilakukan
pada masing-masing node pada hidden akan dihasilkan sinyal bobot pada satu
node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan
fungsi aktivasi sigmoid dan threshold untuk hidden layer.
Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat
sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari
output layer akan dihitung error-nya dengan mengurangkan dengan data target.
Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari
nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas
batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias
Universitas Sumatera Utara
dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk
mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk
prediksi akan disimpan.
Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan
digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target
atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah
atau yang mendekati target yang dicapai.
Hasil nilai bobot menggunakan arsitektur 6-4-1 yang terlihat pada tabel
4.1 sebagai berikut :
Tabel 4.1 Data input yang digunakan
No
Data Input
Jumah data
1
Umur
5
2
Pemupukan
60
3
Kelembaban
60
4
Penyinaran
60
5
6
Curah hujan
Hari hujan
60
60
4.1.2 Training Data Algoritma Backpropagation Standar
Setelah melakukan pembobotan serta penginputan data maka akan dilakukan
pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas
error yang didapat. Untuk tahap ini menggunakan training menggunakan
arsitektur 6-4-1 untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1
berikut ini :
Universitas Sumatera Utara
Gambar 4.1 Pelatihan menggunakan arsitektur 6-4-1
Pada pelatihan ini untuk mendapatkan target menggunakan waktu 4 menit 3 detik
dengan epoch 30946 iterations dimana performance (goal) yang digunakan
0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai
berikut :
Gambar 4.2 Grafik pelatihan menggunakan arsitektur 6-4-1
Universitas Sumatera Utara
Dari hasil training ini dari 6 variabel yang didapat maka akan mendapatkan nilai
output dari terget yang ditentukan serta MSE ( Mean Square Error) seperti terlihat
pada tabel 4.2 berikut ini :
Tabel 4.2 Output, error dan Mse
NO Nama
Target
output
Error
Mse
1
Januari
0,1
0,1082
-0,0082 0,0000672400
2
Februari
0,1
0,1198
-0,0198 0,0003920400
3
Maret
0,4
0,4038
-0,0038 0,0000144400
4
April
0,2
0,1712
0,0288
0,0008294400
5
Mei
0,3
0,303
-0,003
0,0000090000
6
Juni
0,6
0,5346
0,0654
0,0042771600
7
Juli
0,6
0,6164
-0,0164 0,0002689600
8
Agustus
0,6
0,6457
-0,0457 0,0020884900
9
September
0,8
0,7942
0,0058
10
Oktober
0,8
0,8224
-0,0224 0,0005017600
11
Nopember
0,7
0,7271
-0,0271 0,0007344100
12
Desember
0,9
0,8472
0,0528
0,0000336400
0,0027878400
Nilai output langsung diperhitungan dengan menggunakan matlab, dengan source
code :
[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
apabila dengan perhitungan menggunakan rumus :
∑
Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus :
E = t - yk
Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus :
Universitas Sumatera Utara
4.1.3 Hasil Pelatihan Algoritma Backpropagation standar
Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6
input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan
dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-41 dengan target error ditetapkan 0,01. Hasil pelatihan yang diperoleh pada saat
pembelajaran jaringan mencapai konvergensi pada epoch ke 4728, dengan nilai
mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf
mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.3 Gambar Hasil
Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan
memprediksi produktivitas kelapa sawit
0,01. Pada pembelajaran ini dengan
metode yang digunakan dengan menavariabel learning rate nilai learning rate
Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri
dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum
pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada
proses perubahan. Grafik hasil
Gambar 4.3 Grafik pembelajaran backpropagasi standar
Universitas Sumatera Utara
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan momentum
Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6
input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan
dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-41 dengan target error ditetapkan 0,01 dengan penambahan momentum. Hasil
pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi
pada epoch ke 727, dengan nilai mean square error yang dihasilkan sebagai
indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada
gambar 4.4
Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma
backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada
pembelajaran ini dengan metode yang digunakan dengan menavariabel learning
rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation
learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan
koefisien momentum pada fase perubahan bobot, dimana di melakukan
penyesuaian secara adaptif pada proses perubahan. Grafik hasil
Gambar 4.4 Grafik pembelajaran backpropagasi momentum
Universitas Sumatera Utara
4.2 Hasil Pengujian
Setelah proses pelatihan dilakukan pada algoritma backpropagation adaptive
learning pengujian data untuk algoritma diperoleh tingkat akurasi sebesar 86%.
4.3 Pembahasan
Berdasarkan grafik yang dihasilkan dari pelatihan data terlihat bahwa laju
konvergensi jaringan algoritma backpropagation konvergensi pada algoritma
menambahkan parameter pada percepatan pembelajaran backpropagation.
Gambar 4.5 backpropagation maka tahap berikutnya pengujian data, hasil
backpropagation standar dan standar sangat lambat dibandingkan dengan laju
backpropagation adaptive learning. Ini menunjukkan bahwa adaptive learning
dan koefisien momentum sangat berpengaruh (accelerated learning) pada jaringan
syaraf tiruan Grafik perbandingan kedua algoritma standar dan adaptive learning
Pada grafik 4.5 diperlihatkan perbedaan iterasi yang dihasilkan dari kedua
algoritma dengan nilai epoch yang jauh berbeda. Algoritma yang diusulkan
(adaptive learning rate) hanya membutuhkan 727 epoch serta hasil MSE yang
diperoleh mendekati 0 untuk mencapai titik konvergensi menunjukkan jauh lebih
cepat dibandingkan dengan algoritma backpropagation standar yang mencapai
1000 epoch, menunjukkan bahwa kinerja algoritma backpropagation adaptive
learning lebih baik dibandingkan algoritma backpropagation standar. Percepatan
pembelajaran pada algoritma backpropagation adaptive learning disebabkan
penambahan learning rate secara adaptif disesuaikan dengan perubahan
perhitungan kuadrat error dan koefisien momentum pada setiap iterasi sehingga
lebih cepat mencapai error.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian dan pembahasan maka penulis mengambil kesimpulan
sebagai berikut.
1. Penerapan algoritma jaringan syaraf tiruan backpropagation secara luas
telah di implementasikan dalam berbagai aplikasi yang praktis, algoritma
ini
masih
memerlukan
perbaikan.
Pada
penelitian
ini
penulis
menambahkan parameter adaptive learning rate dan koofisien momentum
pada perhitungan update bobot dengan mengambil nilai bobot pada iterasi
yang lalu dan menambahkan nilai bobot sekarang untuk meningkatkan
percepatan
pembelajaran
(accelerated
learning)
pada
algoritma
backpropagation.
2. Efektifitas algoritma dengan membandingkan hasil iterasi antara algoritma
backpropagation standar dengan backpropagation adaptive learning
3. Dari hasil penelitian menunjukkan bahwa algoritma backpropagation
dengan penambahan nilai momentum hanya mencapai 727 epoch dengan
nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai
4000 epoch dengan nilai MSE 0,001.
5.2 Saran
Berdasarkan hasil penelitian maka saran yang dapat disampaikan adalah sebagai
berikut :
1. Untuk meningkatkan percepatan pembelajaran maka penentuan bobot
awal untuk pelatihan dapat menggabungkan dengan algoritma yang lain
untuk keakuratan penentuan bobot awal.
2. Modifikasi pada pelatihan standar backpropagation selain menggunakan
adaptive learning dan penambahan nilai momentum perlu dicoba untuk
mempercepat iterasi selama proses pelatihan jaringan.
Universitas Sumatera Utara
METODOLOGI PENELITIAN
3.1. Data Yang Digunakan
Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses
jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai data
pelatihan dan juga data pengujian. Data yang digunakan pada penelitian ini yaitu
data produktivitas kelapa sawit pada PTPN IV unit kebun Marjandi mulai dari
tahun 2010 – 2015 ini adalah sebagai berikut :
Tabel 3.1 Data input/atribut yang digunakan
No
Data Input/
Atribut
Jumah data
1
Umur
5
2
Pemupukan
60
3
Kelembaban
60
4
Penyinaran
60
5
Curah hujan
60
6
Hari hujan
60
Pada Tabel 3.1 data yang akan gunakan adalah
umur tanaman yang sudah
menghasilakan dari tahun 2010 sampai dengan sekarang jumlah datanya 5,
pemupukan yang di lakukan sebanyak 60 data yang diambil dari setiap tahunnya,
kelembaban udara selama 5 tahun, penyinaran cahaya matahari selama 5 tahun,
curah hujan dan hari hujan selama 5 tahun.
Universitas Sumatera Utara
3.2 Rancangan Penelitian
Pada penelitian ini akan dilakukan beberapa langkah untuk mencapai tujuan
penelitian. Langkah – langkah tersebut dapat digambarkan melalui diagram alir
pada gambar 3.1. Penelitian ini dimulai dari pengumpulan data dari data mentah.
Tahap berikutnya adalah penentuan desain arsitektur jaringan dengan penentuan
pola masukan dan keluaran untuk keperluan pelatihan dan pengujian pada
jaringan syaraf tiruan (JST) Tahap ini kemudian diikuti dengan penentuan
algoritma pelatihan.
Selanjutnya adalah tahap pelatihan terhadap data yang telah dinormalisasi
dan ditentukan arsitekturnya, pelatihan dilakukan pertama untuk algoritma
backpropagation standar, setelah itu baru dilakukan kembali pelatihan dengan
menambahkan learning rate dan kooefisien momentum pada update bobot. Tujuan
pelatihan tersebut untuk membandingkan nilai epoch dan penentuan nilai Mean
Square Error (MSE). Setelah dilakukan tahap pelatihan adalah tahap pengujian
terhadap data pengujian, tujuannya untuk mengetahui tingkat validasi hasil.
Data Mentah
Arsitektur Jaringan
Inisialisasi Bobot Awal
Proses :
1. Normalisai data
2. proses Traning/ pelatihan backpropagasi standart
3. proses Traning/ pelatihan backpropagasi penambahan nilai momentum
4. proses testing/ pengujian
Hasil Prediksi
Analisis
Gambar 3.1 Rancangan Penelitian
Universitas Sumatera Utara
3.3 Proses Penyelesaian Masalah
3.3.1 Perancangan Jaringan Backpropagation
Jaringan syaraf tiruan backpropagation tersusun dari beberapa lapisan, dimana
masing – masing lapisan terdiri dari beberapa unit pengolahan data. Pada
penelitian
ini, arsitektur jaringan yang digunakan terdiri dari tiga lapisan, yaitu enam lapisan
masukan (input), empat lapisan tersembunyi (hidden) dan satu lapisan keluaran
(output).
Data yang berfungsi sebagai masukan dan keluaran yang diperoleh dari
penelitian backpropagation dilakukan dengan membagi data menjadi 3 bagian,
yaitu: data untuk training/pelatihan, data untuk testing/pengujian, dan data untuk
prediksi. Data yang digunakan adalah data umur, pemupukan, data kelembaban,
penyinaran dan curah hujan dari kebun marjandi tahun 2010 – 2014. Di mana
data tahun 2010 – 2014 digunakan sebagai pelatihan, data tahun 2014 – 2015
digunakan sebagai pengujian, dan data tahun 2016 – 2018 data yang akan
diprediksi. Pada percobaan ini data yang digunakan sebagai sampel adalah data
tahun 2010, banyaknya jumlah data yang digunakan untuk memprediksi adalah
72, dan ini hanya sampel data untuk satu tahun, maka jika data yang di butuhkan
selama 6 tahun menjadi 60 x 6 adalah 360 data. Jumlah lapisan tersembunyi yang
digunakan adalah empat, dengan jumlah neuron yang digunakan adalah empat.
Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang
nilai 0 dan 1.
3.3.2 Arsitektur Jaringan
Desain arsitektur jaringan dilakukan untuk prediksi produktivitas kelapa sawit
dimulai dengan menentukan banyaknya data masukan yang digunakan,
banyaknya layar tersembunyi (hidden layer) yang digunakan, dan banyaknya
keluaran yang diinginkan. Data yang digunakan sebagai masukan sebanyak 6 data
input dan data keluaran atau target adalah data pada tahun ke-4 (data input 2010 –
2014 dengan target 2015). Untuk mengetahui umur, pemupukan, kelembaban,
penyinaran, curah hujan, dan hari hujan pada tahun ke-5 maka data masukannya
Universitas Sumatera Utara
merupakan data pada tahun ke-4 sampai tahun ke-5 (data input 2014 – 2015
dengan target 2016), demikian seterusnya.
JST Backpropagation diterapkan untuk mendapatkan kesetimbangan
antara
kemampuan memorisasi dan kemampuan menggeneralisasi maka untuk
melanjutkan proses pelatihan sampai nilai errornya mencapai nilai minimum.
Oleh
sebab itu nilai error yang dapat diterima jaringan atau yang disering disebut galat
error harus ditentukan terlebih dahulu dengan tujuan untuk menghentikan
pelatihan. Apabila error jaringan lebih kecil atau sama dengan nilai galat error
yang telah ditentukan tersebut. Pada simulasi ini nilai batas error yang
direncanakan akan digunakan sebesar 0,01. Nilai batas error yang dipilih yang
bernilai kecil untuk tetap menjaga keakuratan hasil yang diperoleh.
B
1
B
2
X1
V11
X2
Z1
X3
Z2
W1
Y
X4
Z3
X5
Z4
X6
Gambar 3.2 Arsitektur JST untuk produktivitas kelapa sawit
Keterangan gambar 3.2 :
Dataset
X1, X2,X3,X4,X5,X6
: Dataset yang digunakan blood transfusion service
: Masukkan data Input (1 – 50 data)
Universitas Sumatera Utara
Y1,Y2,Y3,Y4
V11,V12
W1, W2, W3,Wjk
Z1
: Jumlah neuron pada hidden layer
: Bobot pada lapisan tersembunyi
: Bobot matrik pada lapisan keluaran
: Keluaran hasil
Sedangkan arsitektur jaringan yang digunakan untuk produktivitas kelapa sawit
yaitu 6-N-1. Dimana 6 input node data input yang digunakan pada tabel 3.1
Sedangkan jumlah hidden node N menggunakan „rule of thumb‟.
Hal lain yang diperlukan juga adalah parameter yang diatur dalam jaringan
meliputi
:
a. Laju pembelajaran
Laju pembelajaran yang dipilih mulai dari │0,1│dan digeneratekan secaraacak
b. Momentum
Konstanta momentum berupa bilangan positif antara 0 hingga 1
c. Jumlah iterasi maksimum
Maksimum iterasi adalah jumlahepoch maksimum yang boleh dilakukan
selama proses pelatihan. Iterasi akan berhenti apabila jumlah epoch yang
sudah dilatihkan melebihi jumlah maksimum epoch.
3.4 Proses Normalisasi
Sebelum diproses data dinormalisasi terlebih dahulu. Normalisasi terhadap data
dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.
Data-data tersebut dinormalisasi dalam interval [0, 1] karena data yang digunakan
bernilai positif atau 0. 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).
Keterangan:
a adalah data minimum
b adalah data maksimum
Universitas Sumatera Utara
x adalah data yang akan dinormalisasi
x‟ adalah data yang telah ditransformasi.
Tabel 3.2 Data Unormalisasi
Parameter
Bulan
Tahun
1
2
3
4
5
6
7
8
9
10
11
12
X1
2010
336
52
70
256
215
128
96
235
203
203
364
370
X2
2010
5,1
5,2
5,3
5,4
5,5
5,6
5,7
5,8
5,9
6
6,1
6,2
X3
2010
74
69
66
69
65
68
61
65
74
68
72
67
X4
2010
138,8
0
0
191,1
0
0
0
121,9
0
0
0
141,2
X5
2010
16
4
8
14
23
9
9
16
15
14
25
22
X6
2010
34
39
29
23
25
28
21
25
25
28
22
27
Target/1000
2010
635
644
864
768
794
1.077
1.070
1.057
1.190
1.187
1.130
1.229
Dengan menggunakan Fungsi sigmoid maka akan di dapat data normalisasi
sebagai berikut
Tabel 3.3 Data setelah di Normalisasi
Parameter
Bulan
Tahun
1
2
3
4
5
6
7
8
9
10
11
12
X1
2010
0,8145
0,1000
0,1453
0,6132
0,5101
0,2912
0,2107
0,5604
0,4799
0,4799
0,8849
0,9000
X2
2010
0,1000
0,1727
0,2455
0,3182
0,3909
0,4636
0,5364
0,6091
0,6818
0,7545
0,8273
0,9000
X3
2010
0,9000
0,5923
0,4077
0,5923
0,3462
0,5308
0,1000
0,3462
0,9000
0,5308
0,7769
0,4692
X4
2010
0,6811
0,1000
0,1000
0,9000
0,1000
0,1000
0,1000
0,6103
0,1000
0,1000
0,1000
0,6911
X5
2010
0,5571
0,1000
0,2524
0,4810
0,8238
0,2905
0,2905
0,5571
0,5190
0,4810
0,9000
0,7857
X6
2010
0,6778
0,9000
0,4556
0,1889
0,2778
0,4111
0,1000
0,2778
0,2778
0,4111
0,1444
0,3667
Target
2010
0,1000
0,1121
0,4082
0,2791
0,3143
0,6957
0,6856
0,6687
0,8484
0,8439
0,7674
0,9000
3.5 Komputasi Backpropagation
Pada bagian ini proses dari jaringan syarat tiruanbackpropagationsemua rumus
dari
algoritma backpropagation pada bab 2. sedangkan nilai awal dari penimbang /
pembobot adalah berkisar antara -0,5 sampai 0,9. Nilai pembobot awal tidak boleh
terlalu besar karena nilai turunan aktivasinya menjadi sangat kecil juga. Akan
Universitas Sumatera Utara
tetapi pada fase perubahan bobot berdasarkan learning rate dan koefisien
momentum dengan rumusan yang tercantum pada persamaan 3.1
Misalnya sebuah jaringan terdiri atas dua unit input, satu unit tersembunyi,
dan satu unit keluaran. Fungsi aktivasi yang digunakan adalah Sigmoid Biner,
learning rate / alpha α = 0,01, toleransi error yang diperkenankan adalah 0,41.
Jaringan digunakan untuk menyelesaikan fungsi XOR.
Adapun data training yang digunakan terdiri atas empat pasang masukkan
dan keluaran yakni:
Langkah 0 : Inisialisasi Sembarang bobot dan bias, misalnya
V01 = -0,3
V11 = 0,8
V21 = 0,1
V31 = 0,9
V41 = 0,6
V51 = 0,5
V61 = 0,6
W01 = 0,2
W11 = (- 0,05)
W21 = (- 0,1)
W31 = 0,3
W41 = (- 0,07)
Langkah 1 : Dengan bobot sembarang tersebut, tentukan error untuk data
training secara keseluruhan dengan rumus sebagai berikut :
(3.2)
Znet1 = - 0,3 + 0,8 (0,1) + 0,1 (0,1) + 0,9 (-0,4) + 0,6 (-0,2) + 0,5 (0,1) +
0,6 (0,2) = - 0,52
Z1 = f (z_netj) =
=
= 0,373
Universitas Sumatera Utara
Znet2 = 0,2 + 0,8 (-0,04) + 0,1 (0,4) + 0,9 (0,2) + 0,6(0,4) + 0,5 (0,3) +
0,6 (0,2) = 0,158
Z2 =
= 0,54
Znet3 = 0,2 + 0,8 (0,4) + 0,1 (-0,4) + 0,9 (0,4) + 0,6 (0,2) + 0,5 (0,4) + 0,6
(0,1) = 1,22
Z3 =
= 0,77
Znet4 = (-0,4) + 0,8 (-0,3) + 0,1 (-0,3) + 0,9 (0,05) +0,6 (0,01) + 0,5 (-0,1)
+ 0,6 (0,2) = (-0, 549)
Z4 =
= 0,36
Dimana indeks Zjn berarti bobot untuk nilai unit tersembunyi ke-j dan data
training ke-n
(3.3)
Ynet1 = 0,2 + 0,37 (-0,05) + 0,54 (-0,1) + 0,77 (0,3) + 0,36 (-0,07) = 0,33
Y=
= 0,58
Langkah 2 : Karena, data error training masih lebih besar dari toleransi
yakni 0,01. Maka, pelatihan dilanjutkan pada langkah 3 – 8.
Langkah 3 : Training data pertama
Langkah 4 dan 5 : ulangi langkah 2 dan masukkan bobot baru
Langkah 6 :
Karena memiliki sebuah keluaran maka,
(3.4)
= (0 – 0,58) (0,58) (1-0,58)
= - 0,58 x 0,58 x 0,42 = - 0,14
Perubahan bobot = 0,01
∆W10 = 0,01 (-0,14) (1)= - 0,0014
∆W11 = 0,01 (-0,14) (0,37) = 0,0005
Universitas Sumatera Utara
∆W12 = 0,01 (-0,14) (0,54) = 0,0077
∆W13 = 0,01 (-0,14) (0,77) = 0,001
∆W14 = 0,01 (-0,14) (0,36) = 0,0005
∑
(3.5)
Langkah 7 : Hitung penjumlahan kesalahan dari unit tersembunyi (= )
Karena jaringan hanya memiliki sebuah unit keluaran maka _netj =
w1j
Faktor kesalahan tersembunyi
Langkah 8: Hitung semua perubahan Bobot
Perubahan bobot unit keluaran
Wkj (baru) = wkj (lama)+∆wkj (k =1; j= 0, 1, ...)
W 11 (baru)=(- 0,05) + 0,0005 = -0,049
W 21 (baru)=(- 0,1) + 0,0077 = -0,092
W 31 (baru)=0,36 + 0,001 = 0,359
W 41 (baru)=(- 0,07) + 0,0005 = -0,069
3.5.1 Pelatihan Jaringan
Pada langkah ini akan diamati variasi momentum dan laju pembelajaran terhadap
unjuk kerja jaringan yang dinyatakan dengan besar kecilnya MSE selama proses
pelatihan dan lamanya waktu iterasi. Tujuan dari langkah ini adalah untuk
Universitas Sumatera Utara
memperoleh nilai momentum dan laju pembelajaran yang optimum. Dengan
memakai arsitektur jaringan terbaik pada pelatihan 1 maka akan diamati pengaruh
momentum dan laju pembelajaran terhadap unjuk kerja jaringan yaitu pada proses
pelatihan
Pada pelatihan 2, pengamatan dilakukan secara konstruktif dengan
konstanta laju pembelajaran 0,1 sampai dengan 0,9 dan juga dengan variasi
momentum mulai dari 0,5 sampai dengan 0,9. Kinerja tujuan (target error) yang
diberikan adalah 0,01, maksimum iterasinya 4000 epoch dan algoritma
pelatihannya gradient descent dengan momentum dan laju pembelajaran (traingdx)
dapat dilihat pada tabel berikut.
Tabel 3.4 Pelatihan Jaringan
NO
1
2
3
4
5
6
7
8
9
10
11
12
Nama
Januari
februari
Maret
April
Mei
Juni
Juli
agustus
september
oktober
nopember
desember
Target
0,1
0,1
0,4
0,2
0,3
0,6
0,6
0,6
0,8
0,8
0,7
0,9
output
0,1082
0,1198
0,4038
0,1712
0,303
0,5346
0,6164
0,6457
0,7942
0,8224
0,7271
0,8472
Error
-0,0082
-0,0198
-0,0038
0,0288
-0,003
0,0654
-0,0164
-0,0457
0,0058
-0,0224
-0,0271
0,0528
0,0064
MSE
Mse
0,0000672400
0,0003920400
0,0000144400
0,0008294400
0,0000090000
0,0042771600
0,0002689600
0,0020884900
0,0000336400
0,0005017600
0,0007344100
0,0027878400
0,0120044200
0,0015005525
3.5.2 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 dilatihkan
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, yaitu menggunakan data uji mulai data tahun 2014. Pada Proses
validasi, sistem diuji dengan data lain, hal ini dimaksud untuk mengetahui sejauh
Universitas Sumatera Utara
mana sistem dapat menginformasikan nilai – nilai keluaran dari nilai – nilai
masukan yang berikan.
Universitas Sumatera Utara
BAB 4
HASIL DAN PEMBAHASAN
4.1 Hasil Analisis
Program yang dirancang akan mengimplementasikan. Berikut hasil implementasi
dari program untuk analisis penambahan nilai momentum pada prediksi
produktivitas kelapa adalah sebagai berikut:
4.1.1
Pembobotan Awal
Untuk melakukan pembobotan harus memasukan data terlebih dahulu. Dalam
inisialisasi pembobotan awal dapat dilakukan dengan metode Backpropagation.
Dalam pemberhentian program makan dibutuhkan 2 cara yaitu menggunakan
epoch dan error untuk mendapatkan nilai yang dicapai.
Dalam melakukan pengisian data maka dilakukan pembobotan yang
konstanta. Pada saat tahap pembobotan akan dihitung bobot dan bias untuk
melakukan pelatihan. Tahap pembobotan ini akan dipilih secara random, yang
mana bobot yang diperoleh akan digunakan untuk feedforward (arus maju).
Dimana pada tahap ini akan menerima sinyal X (data yang mempengaruhi
penambahan nilai momentum pada prediksi produktivitas kelapa) Sinyal yang
dimasukan akan diterima dan dikalikan dengan bobot pada satu node dari input
layer menuju hidden layer serta ditambah dengan bias. Setelah tahap ini dilakukan
pada masing-masing node pada hidden akan dihasilkan sinyal bobot pada satu
node hidden layer. Untuk menghitung sinyal output pada hidden layer digunakan
fungsi aktivasi sigmoid dan threshold untuk hidden layer.
Setelah itu akan menjumlahkan bobot dari sinyal input sehingga didapat
sinyal output dari output layer yang sudah diaktifkan. Sinyal yang diperoleh dari
output layer akan dihitung error-nya dengan mengurangkan dengan data target.
Selisih pengurangannya disebut dengan nilai error. Nilai error harus dicari
nilainya lebih kecil dari batas error yang digunakan. Jika nilainya masih diatas
batas error maka dilakukan koreksi bobot dan bias, koreksi bobot dan bias
Universitas Sumatera Utara
dilakukan untuk mengurangi nilai error sehingga sistem menemukan pola untuk
mendapatkan target. Selanjutnya bobot yang dapat menemukan pola untuk
prediksi akan disimpan.
Pada tahap pengujian bobot yang diperoleh pada saat pembobotan akan
digunakan untuk menguji sistem, apakah sistem sudah dapat menemukan target
atau belum. Dalam pengujian ini dilakukan sampai diperoleh error paling rendah
atau yang mendekati target yang dicapai.
Hasil nilai bobot menggunakan arsitektur 6-4-1 yang terlihat pada tabel
4.1 sebagai berikut :
Tabel 4.1 Data input yang digunakan
No
Data Input
Jumah data
1
Umur
5
2
Pemupukan
60
3
Kelembaban
60
4
Penyinaran
60
5
6
Curah hujan
Hari hujan
60
60
4.1.2 Training Data Algoritma Backpropagation Standar
Setelah melakukan pembobotan serta penginputan data maka akan dilakukan
pelatihan data. Dalam proses pelatihan akan dilihat dari jumlah Epoch dan batas
error yang didapat. Untuk tahap ini menggunakan training menggunakan
arsitektur 6-4-1 untuk medapatkan pola tersebut. Dapat lihat dari gambar 4.1
berikut ini :
Universitas Sumatera Utara
Gambar 4.1 Pelatihan menggunakan arsitektur 6-4-1
Pada pelatihan ini untuk mendapatkan target menggunakan waktu 4 menit 3 detik
dengan epoch 30946 iterations dimana performance (goal) yang digunakan
0,0001. Sedangkan dalam bentuk grafik yang terlihat pada gambar 4.2 sebagai
berikut :
Gambar 4.2 Grafik pelatihan menggunakan arsitektur 6-4-1
Universitas Sumatera Utara
Dari hasil training ini dari 6 variabel yang didapat maka akan mendapatkan nilai
output dari terget yang ditentukan serta MSE ( Mean Square Error) seperti terlihat
pada tabel 4.2 berikut ini :
Tabel 4.2 Output, error dan Mse
NO Nama
Target
output
Error
Mse
1
Januari
0,1
0,1082
-0,0082 0,0000672400
2
Februari
0,1
0,1198
-0,0198 0,0003920400
3
Maret
0,4
0,4038
-0,0038 0,0000144400
4
April
0,2
0,1712
0,0288
0,0008294400
5
Mei
0,3
0,303
-0,003
0,0000090000
6
Juni
0,6
0,5346
0,0654
0,0042771600
7
Juli
0,6
0,6164
-0,0164 0,0002689600
8
Agustus
0,6
0,6457
-0,0457 0,0020884900
9
September
0,8
0,7942
0,0058
10
Oktober
0,8
0,8224
-0,0224 0,0005017600
11
Nopember
0,7
0,7271
-0,0271 0,0007344100
12
Desember
0,9
0,8472
0,0528
0,0000336400
0,0027878400
Nilai output langsung diperhitungan dengan menggunakan matlab, dengan source
code :
[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
apabila dengan perhitungan menggunakan rumus :
∑
Sedangkan untuk mendapatkan nilai error dari target menggunkan rumus :
E = t - yk
Untuk mendapatka hasil dari MSE ( Mean Square Error ) menggunakan rumus :
Universitas Sumatera Utara
4.1.3 Hasil Pelatihan Algoritma Backpropagation standar
Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6
input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan
dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-41 dengan target error ditetapkan 0,01. Hasil pelatihan yang diperoleh pada saat
pembelajaran jaringan mencapai konvergensi pada epoch ke 4728, dengan nilai
mean square error yang dihasilkan sebagai indikator kinerja jaringan syaraf
mencapai 0,001 pembelajaran di perlihatkan pada gambar 4.3 Gambar Hasil
Pelatihan Algoritma Pada pelatihan algoritma backpropagation digunakan
memprediksi produktivitas kelapa sawit
0,01. Pada pembelajaran ini dengan
metode yang digunakan dengan menavariabel learning rate nilai learning rate
Grafik pembelajaran backpropagation Backpropagation learning rate yang terdiri
dari Arsitekturyang dipilih adalah6-4-1dengan target dan koefisien momentum
pada fase perubahan bobot, dimana di melakukan penyesuaian secara adaptif pada
proses perubahan. Grafik hasil
Gambar 4.3 Grafik pembelajaran backpropagasi standar
Universitas Sumatera Utara
4.1.4 Hasil Pelatihan Algoritma Backpropagation dengan momentum
Pada pelatihan algoritma backpropagation data set yang digunakan Terdapat 6
input data yaitu data umur, pemupukan, kelembaban, curah hujan dan hari hujan
dalam memprediksi produktivitas kelapa sawit. Arsitektur yang dipilih adalah 6-41 dengan target error ditetapkan 0,01 dengan penambahan momentum. Hasil
pelatihan yang diperoleh pada saat pembelajaran jaringan mencapai konvergensi
pada epoch ke 727, dengan nilai mean square error yang dihasilkan sebagai
indikator kinerja jaringan syaraf mencapai 0,001 pembelajaran di perlihatkan pada
gambar 4.4
Gambar Hasil Pelatihan Algoritma Pada pelatihan algoritma
backpropagation digunakan memprediksi produktivitas kelapa sawit 0,01. Pada
pembelajaran ini dengan metode yang digunakan dengan menavariabel learning
rate nilai learning rate Grafik pembelajaran backpropagation Backpropagation
learning rate yang terdiri dari Arsitekturyang dipilih adalah6-4-1dengan target dan
koefisien momentum pada fase perubahan bobot, dimana di melakukan
penyesuaian secara adaptif pada proses perubahan. Grafik hasil
Gambar 4.4 Grafik pembelajaran backpropagasi momentum
Universitas Sumatera Utara
4.2 Hasil Pengujian
Setelah proses pelatihan dilakukan pada algoritma backpropagation adaptive
learning pengujian data untuk algoritma diperoleh tingkat akurasi sebesar 86%.
4.3 Pembahasan
Berdasarkan grafik yang dihasilkan dari pelatihan data terlihat bahwa laju
konvergensi jaringan algoritma backpropagation konvergensi pada algoritma
menambahkan parameter pada percepatan pembelajaran backpropagation.
Gambar 4.5 backpropagation maka tahap berikutnya pengujian data, hasil
backpropagation standar dan standar sangat lambat dibandingkan dengan laju
backpropagation adaptive learning. Ini menunjukkan bahwa adaptive learning
dan koefisien momentum sangat berpengaruh (accelerated learning) pada jaringan
syaraf tiruan Grafik perbandingan kedua algoritma standar dan adaptive learning
Pada grafik 4.5 diperlihatkan perbedaan iterasi yang dihasilkan dari kedua
algoritma dengan nilai epoch yang jauh berbeda. Algoritma yang diusulkan
(adaptive learning rate) hanya membutuhkan 727 epoch serta hasil MSE yang
diperoleh mendekati 0 untuk mencapai titik konvergensi menunjukkan jauh lebih
cepat dibandingkan dengan algoritma backpropagation standar yang mencapai
1000 epoch, menunjukkan bahwa kinerja algoritma backpropagation adaptive
learning lebih baik dibandingkan algoritma backpropagation standar. Percepatan
pembelajaran pada algoritma backpropagation adaptive learning disebabkan
penambahan learning rate secara adaptif disesuaikan dengan perubahan
perhitungan kuadrat error dan koefisien momentum pada setiap iterasi sehingga
lebih cepat mencapai error.
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil penelitian dan pembahasan maka penulis mengambil kesimpulan
sebagai berikut.
1. Penerapan algoritma jaringan syaraf tiruan backpropagation secara luas
telah di implementasikan dalam berbagai aplikasi yang praktis, algoritma
ini
masih
memerlukan
perbaikan.
Pada
penelitian
ini
penulis
menambahkan parameter adaptive learning rate dan koofisien momentum
pada perhitungan update bobot dengan mengambil nilai bobot pada iterasi
yang lalu dan menambahkan nilai bobot sekarang untuk meningkatkan
percepatan
pembelajaran
(accelerated
learning)
pada
algoritma
backpropagation.
2. Efektifitas algoritma dengan membandingkan hasil iterasi antara algoritma
backpropagation standar dengan backpropagation adaptive learning
3. Dari hasil penelitian menunjukkan bahwa algoritma backpropagation
dengan penambahan nilai momentum hanya mencapai 727 epoch dengan
nilai MSE 0,01, sedangkan algoritma backpropagation standar mencapai
4000 epoch dengan nilai MSE 0,001.
5.2 Saran
Berdasarkan hasil penelitian maka saran yang dapat disampaikan adalah sebagai
berikut :
1. Untuk meningkatkan percepatan pembelajaran maka penentuan bobot
awal untuk pelatihan dapat menggabungkan dengan algoritma yang lain
untuk keakuratan penentuan bobot awal.
2. Modifikasi pada pelatihan standar backpropagation selain menggunakan
adaptive learning dan penambahan nilai momentum perlu dicoba untuk
mempercepat iterasi selama proses pelatihan jaringan.
Universitas Sumatera Utara