Desain Faktorial untuk Pembuktian Teori Masters dalam Penentuan Jumlah Lapisan dan Neuron Tersembunyi pada Peramalan Multivariat dengan Jaringan Syaraf Tiruan

Penulis

Dwi Ayu Lusia, Awalludiyah Ambarwati

Abstrak

Jaringan syaraf tiruan merupakan metode yang sangat sering digunakan untuk peramalan. Akurasi jaringan syaraf tiruan dipengaruhi oleh jumlah lapisan tersembunyi dan neuron didalamnya. Salah satu teori yang membahas tentang jumlah lapisan tersembunyi dan neuron didalamnya adalah Teori Masters. Teori Masters merumuskan jumlah neuron berdasarkan aturan geometric pyramid. Selain itu, Teori Masters juga mengungkapkan bahwa tidak ada alasan menggunakan lebih dari dua lapisan tersembunyi. Penelitian ini bertujuan untuk membuktikan kebenaran Teori Masters menggunakan metode desain faktorial. Kombinasi yang digunakan ialah 1, 5, 10, dan 15 neuron tersembunyi. Hasil penelitian menggunakan metode desain faktorial, menunjukkan bahwa rumus teori Masters memiliki peringkat yang cukup baik yaitu 50% teratas untuk data training maupun testing. Aturan geometric pyramid memiliki akurasi yang baik pada data training. Akan tetapi aturan tersebut tidak berlaku pada data testing. Model jaringan syaraf tiruan dengan empat lapisan tersembuyi memiliki nilai akurasi RMSE (Root Mean Square Error) terbaik pada data training dan testing. Semakin banyak lapisan tersembunyi maka semakin baik nilai RMSE data training maupun data testing. Dengan demikian dapat disimpulkan bahwa Teori Masters yang menyebutkan bahwa tidak ada alasan menggunakan lebih dari dua lapisan tersembunyi, terbukti tidak valid.

 

Abstract

Artificial neural networks is a forecasting method a very common method for forecasting. Accuracy of artificial neural networks is influenced by the number of hidden layers and neurons in them. One theory that discusses the number of hidden layers and neurons in them is the Masters Theory. Masters Theory formulates the number of neurons based on geometric pyramid rules. In addition, the Masters Theory also reveals that there is no reason to use more than two hidden layers. This study aims to prove the Masters Theory using factorial design methods. The combinations used are 1, 5, 10, and 15 hidden neurons. Based on factorial design methods in this study, it can be concluded that the formula for many neurons has adequate rating of 50% above, both training and testing data. Tthe geometric pyramid rules have good accuracy in training data. However, this rule does not apply to data testing. The artificial neural network model with four hidden layers has the best RMSE (Root Mean Square Error) accuracy values in training and testing data. The more hidden layers will obtain better RMSE in both training dan testing datasets. Thus, the Masters Theory which states that there is no reason to use more than two hidden layers, proved to be invalid.


Teks Lengkap:

PDF

Referensi


AMINULLOH, A., ADINUGROHO, S., & SUPIANTO, A. A. (2018). Implementasi Metode Backpropagation Untuk Peramalan Luas Area Terbakar di Hutan dengan Inisialisasi Bobot Nguyen-Widrow. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(1), 8715–8723.

DIPUTRA, M. I., DEWI, C., & WIHANDIKA, R. C. (2017). Prediksi Tingkat Keuntungan Usaha Peternakan Itik Alabio Petelur menggunakan Jaringan Syaraf Tiruan Backpropagation (Kasus di Kabupaten Hulu Sungai Utara Kalimantan Selatan). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(2), 785–792.

HAKIM, B. D., INDRIATI, I., & SUPIANTO, A. A. (2018). Peramalan Debit Bendungan Dengan Menggunakan Metode Backpropagation dan Algoritme Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(1), 7638–7645.

HAYKIN, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall.

JAUHARI, D., HIMAWAN, A., & DEWI, C. (2016). Prediksi Distribusi Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Di PDAM Kota Malang. Jurnal Teknologi Informasi Dan Ilmu Komputer, 3(2), 83–87. https://doi.org/10.25126/jtiik.201632155

KUSUMADEWI, S. (2004). Membangun jaringan syaraf tiruan (menggunakan matlab & excel link). Yogyakarta: Graha ilmu.

LOUREIRO, A. L. D., MIGUÉIS, V. L., & DA SILVA, L. F. M. (2018). Exploring the use of deep neural networks for sales forecasting in fashion retail. Decision Support Systems, 114, 81–93. https://doi.org/10.1016/j.dss.2018.08.010

MASTERS, T. (1993). Practical Neural Network Recipies in C++. United Kingdom: Elsevier.

MONTGOMERY, D. C. (2017). Design and Analysis of Experiments (9th ed.). John Wiley & Sons.

OTOK, B. W., LUSIA, D. A., SUHARTONO, FAULINA, R., SUTIKNO, & KUSWANTO, H. (2012). Ensemble method based on ARIMA-FFNN for climate forecasting. In 2012 International Conference on Statistics in Science, Business and Engineering (ICSSBE) (pp. 1–4). https://doi.org/10.1109/ICSSBE. 2012.6396565

PAWOKO, M. A. G., CHOLISSODIN, I., & DEWI, R. K. (2018). Prediksi Jumlah Permintaan Semen Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(1), 7934–7940.

PUJIANTO, A., KUSRINI, K., & SUNYOTO, A. (2018). Perancangan Sistem Pendukung Keputusan Untuk Prediksi Penerima Beasiswa Menggunakan Metode Neural Network Backpropagation. Jurnal Teknologi Informasi dan Ilmu Komputer, 5(2), 157–162. https://doi.org/10.25126/jtiik.201852631

RACHMAN, A. S., CHOLISSODIN, I., & FAUZI, M. A. (2017). Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(4), 1683–1689.

SANTOSA, B. (2007a). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha ilmu.

SANTOSA, B. (2007b). Data Mining Terapan dengan Matlab. Yogyakarta: Graha ilmu. Retrieved from https://www.tokopedia.com/juarabuku/data-mining-terapan-dengan-matlab

SANTOSO, S. (2010). Kupas Tuntas Riset Eksperimen dengan Excel 2007 dan Minitab 15. Jakarta: Elex Media Komputindo.

SIANG, J. J. (2009). Jaringan Syaraf Tiruan Dan Pemrograman Menggunakan Matlab. Yogyakarta: ANDI. Retrieved from https://www.belbuk.com/jaringan-syaraf-tiruan-dan-pemrograman-menggunakan-matlab-p-8134.html

SIHANANTO, A. N., & MAHMUDY, W. F. (2017). Rainfall Forecasting Using Backpropagation Neural Network. Journal of Information Technology and Computer Science, 2(2), 66–76. https://doi.org/10.25126/jitecs.2017229

SINAGA, R. F. P., SETIAWAN, B. D., & MARJI, M. (2018). Peramalan Produksi Kelapa Sawit Menggunakan Jaringan Syaraf Tiruan Dengan Metode Backpropagation (Studi Kasus PT.Sandabi Indah Lestari). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(11), 4613–4620.

UTOMO, M. C. C., MAHMUDY, W. F., & ANAM, S. (2017). Kombinasi Logika Fuzzy dan Jaringan Syaraf Tiruan untuk Prakiraan Curah Hujan Timeseries di Area Puspo – Jawa Timur. Jurnal Teknologi Informasi dan Ilmu Komputer, 4(3), 160–167. https://doi.org/10.25126/jtiik.201743299

YAO, Y., CAO, Y., DING, X., ZHAI, J., LIU, J., LUO, Y., … ZOU, K. (2018). A paired neural network model for tourist arrival forecasting. Expert Systems with Applications, 114, 588–614. https://doi.org/10.1016/j.eswa.2018.08.025