perpustakaan.uns.ac.id
digilib.uns.ac.id
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki kekurangan atau batasan, yaitu tidak peduli bagaimana cara mengirimkan informasi maupun media apa yang dipakai dalam penghantaran informasi,
seperti
cara
pengiriman
secara
pararel
(synchronous),
serial
(asynchronous) , maupun media yang digunakan dan lain lain. (Mekonga, 2012) Manajemen bandwidth adalah sebuah proses penentuan besarnya bandwidth kepada tiap pemakai dalam jaringan komputer. (Mekonga, 2012). Besarnya bandwidth akan berdampak kepada kecepatan transmisi, Bandwidth internet disediakan oleh provider internet dengan jumlah tertentu tergantung sewa pelanggan. Dengan Quality of Service (QoS) dapat diatur agar user tidak menghabiskan Bandwidth yang di sediakan oleh provider. Bandwidth mempresentasikan jarak keseluruhan atau jangkauan di antara sinyal tertinggi dan terendah pada kanal (band) komunikasi. Pada dasarnya bandwith mempresentasikan kapasitas dari koneksi, semakin tinggi kapasitas, maka umumnya akan diikuti oleh kinerja yang lebih baik, meskipun kinerja keseluruhan juga tergantung pada faktor-faktor lain, misalnya latency yaitu waktu tunda antara masa sebuah perangkat meminta akses ke jaringan dan masa perangkat itu memberi izin untuk melakukan transmisi. 2.1.2. Regression Analisis regresi adalah analisis statistika yang bertujuan untuk memodelkan hubungan antara variabel independent dengan variabel dependent. Menurut Gujarati dalam (Mara, 2013) istilah regresi pertamakali dikenalkan oleh Francis Galton (1886) melalui artikelnya yang berjudul Regression Towards Mediocrity In Hereditar Stature, di dalam artikel ini Galton mengkaji hubungan antara tinggi badan
commit to user 5
perpustakaan.uns.ac.id
digilib.uns.ac.id 6
anak dengan tinggi badan orang tua. Dari hasil kajian ini diperoleh informasi adanya hubungan antara tinggi badan anak dengan tinggi orang-tuanya. Model yang menggambarkan hubungan antara variabel dependen (Y) dengan variabel independen (X) dalam (Yuniati, 2010) adalah
(Nguyen, 2013) Hubungan antara variabel independen dengan variabel dependen dikatakan linier jika dapat dinyatakan dalam model:
Salah satu tujuan di dalam analisis regresi adalah untuk mendapatkan model terbaik yang menjelaskan hubungan antara variabel independent dengan variabel dependent, model terbaik adalah model yang seluruh koefisien regresinya berarti (significant) dan mempunyai kriteria model terbaik optimum, yaitu: a. Koefisien Determinasi (R 2) Koefisien determinasi adalah ukuran bagian ragam variabel terikat yang dapat dijelaskan secara bersama-sama oleh variabel bebas yang ada didalam model. (Hanum, 2011) Nilai koefisien determinasi
Dengan : RSSp
= jumlah kuadrat regresi
SStotal = jumlah kuadrat total p
= jumlah variabel bebas dalam model R2 akan terus bertambah seiring bertambahnya variabel bebas y ang
dimasukkan dalam model. Variabel yang potensial ditambahkan dalam model adalah yang memberi penambahan nilai R 2 yang cukup berarti (karim, M.E dalam (Hanum, 2011)) b. R2adj Menurut (Hanum, 2011) R2adj adalah penyesuaian dari R2. Nilai R2 adj ditentukan dengan rumus:
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id 7
Dengan n = jumlah amatan Nilai R2adj hanya akan naik jika nilai (n
p)SSEp turun, karena (n 1)
2
Sstotal tetap. Model yang baik memiliki R adj yang besar (karim, M.E dalam (Hanum, 2011))
c. Cp-Mallow Nilai dugaan yang didapat dari persamaan regresi berdasarkan sebagian variabel bebas pada umumnya bias. Untuk menilai kabaikan model digunakan Means Square Error (MSE) dengan varian dan biasnya. C.L. Mallow menyarankan statistik:
Penyimpangan Cp dari p digunakan sebagai ukuran bias. Model terbaik berdasarkan Cp adalah model yang memiliki nilai Cp terdekat dengan jumlah variabel dalam model (karim, M.E dalam (Hanum, 2011))
Untuk memperoleh model terbaik, ada beberapa metode yang dapat digunakan, salah satunya yaitu best subset regression. 2.1.2.1 Best subset Regression Model regresi terbaik adalah model yang dapat menjelaskan perilaku variabel tak bebas dengan sebaik-baiknya dengan memilih variabel-variabel bebas dari sekian banyak variabel bebas yang tersedia dalam data (Hanum, 2011). Untuk menentukan variabel bebas mana yang akan dimasukkan ke dalam model regresi, menurut (Draper & Smith, 1992) ada dua kriteria yang saling bertentangan, yaitu: 1. Agar persamaannya bermanfaat untuk peramalan,biasanya ingin dimasukkan sebanyak mungkin variabel sehingga diperoleh nilai ramalan yang andal 2. Karena untuk memperoleh informasi dari banyak variabel serta pemantauannya sering kali diperlukan biaya yang tinggi, maka diinginkan persaman regresi yang
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id 8
mencakup sesedikit mungkin variabel. Kompromi diantara kedua kriteria itulah yang disebut pemilihan model regresi terbaik. Metode best subset regression menyajikan variabel independen. Best subset regression memulai pemilihan model dengan model yang paling sederhana yaitu model dengan satu variabel, selanjutnya disusupkan variabel lain satu per satu sampai didapat model yang memenuhi kriteria terbaik (Hanum, 2011). Kriteria model terbaik didasarkan pada penambahan R2 dan R2adj , pengurangan S2, atau kedekatan nilai C-p Mallow dengan jumlah variabel dalam model (Hanum, 2011). 2.1.3. Jaringan Saraf Tiruan Jaringan saraf tiruan adalah sistem komputasi yang dimodelkan dari sistem saraf pusat manusia yang mampu mengenal pola melalui pembelajaran dan mengarah pada model prediksi (Mitchell, 1997) Pada dasarnya JST mencoba meniru cara kerja otak manusia, khususnya neuron. JST mempunyai karakteristik yang dimiliki oleh otak manusia, diantaranya adalah kemampuan untuk belajar dari pengalaman. (Dave & George, 1992) Jaringan saraf tiruan merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran/pelatihan. Terdapat tiga tahapan untuk memprediksi dengan jaringan saraf tiruan, yaitu training, validation, dan testing. Dalam fase training, jaringan saraf tiruan mengidentifikasi pola input data. Pada fase validation, jaringan saraf tiruan meminimalisasi eror dalam indentifikasi pola dengan menghindari overfitting yang dapat mengurangi daya prediksi dari model (Priddy & Kelle, 2005). Pada fase ketiga, adalah memprediksi.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id 9
Jika dibandingkan
dengan metode peramal
lainnya,
JST memiliki
karakteristik yang unik diantaranya (Tarassenko, 2004): 1. yang diberikan. Karakteristik ini memungkinkan JST digunakan untuk menangani permasalahan yang bersifat kompleks dan sulit untuk disolusikan; 2.
digunakan untuk mencari solusi permasalahan dengan set data yang berbeda, dan;
3. Kemampuan untuk menyolusikan permasalahan yang tidak bisa atau kurang baik bila dimodelkan sebagai sistem linier, yang menjadi persyaratan pada beberapa metode peramalan lainnya, seperti model data deret waktu (time series model ). 2.1.3.1.Arsitektur Jaringan Menurut saputro dalam (Utami, 2007) pemodelan struktur pemrosesan informasi terdistribusi dilakukan dengan menentukan pola hubungan antar neuron atau disebut arsitektur jaringan. Pola hubungan yang biasa digunakan pada JST adalah hubungan antar lapisan (layer). Jaringan saraf tiruan memiliki beberapa arsitektur jaringan yang digunakan dalam berbagai aplikasi, arsitektur jaringan saraf tiruan tersebut, antara lain single layer network, multilayer network, multilayer network dengan umpan balik dan recurrent network menurut kristianto dalam (Utami, 2007). Dalam penelitian ini digunakan arsitektur multilayer network, yang memiliki 3 jenis layer, yaitu layer input, layer output dan hidden layer. Jaringan dengan banyak lapisan tersembunyi dapat menyelesaikan permasalahan yang lebih kompleks dibandingkan jaringan dengan lapisan tunggal. Namun, proses pelatihan sering membutuhkan waktu yang cenderung lama (Siang, 2005) 2.1.3.2.Arsitektur Jaringan Backpropagation Setiap unit di dalam layer input pada jaringan backpropagation selalu terhubung dengan setiap unit yang berada pada layer tersembunyi, demikian juga setiap unit pada layer tersembunyi selalu terhubung dengan unit pada layer output.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id 10
Jaringan backpropagation terdiri dari banyak lapisan (multilayer network) yaitu: 1. Lapisan input (X), yang terdiri dari 1 hingga n input 2. Lapisan tersembunyi (Z), yang terdiri dari 1 hingga p unit tersembunyi 3. Lapisan output (Y), yang tersiri dari 1 hingga m unit output
Gambar 2.1. Arsitektur Jaringan Saraf Tiruan 2.1.3.3.Proses Pelatihan Menurut (Fausset, 1994) metode yang digunakan untuk menentukan bobot dan koneksi jaringan disebut pelatihan atau pembelajaran, dalam proses pelatihan terjadi perubahan bobot jaringan. Proses pelatihan dibedakan menjadi dua, yaitu supervised learning (dibimbing) dan unsupervised learning (tidak dibimbing). JST supervised memodifikasi bobot sesuai dengan eror dan JST unsupervised melakukan perubahan bobot jaringan berdasarkan parameter tertentu. Dalam penelitian ini digunakan algoritma pelatihan backpropagation. Algoritma backpropagation merupakan algoritma pelatihan dengan pola pelatihan supervised. Pelatihan dengan metode backpropagation terdiri dari 3 fase, yaitu fase pertama adalah fase maju yaitu pola input dihitung maju mulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan, fase kedua adalah fase mundur, berdasarkan selisih antara output jaringan dengan target yang diinginkan dipropagasikan mundur mulai dari garis yang berhubungan langsung
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id 11
dengan lapisan output, dan fase ketiga adalah modifikasi bobot untuk menurunkan error yang terjadi. 2.1.3.4. Pelatihan Jaringan Backpropagation Aturan
pelatihan
jaringan
backpropagation
terdiri dari
2 tahapan,
feedforward dan backward propagation. Pada jaringan diberikan sekumpulan contoh pelatihan yang disebut set pelatihan. Menurut Martin, T dalam (Pinjare , 2012) set pelatihan ini digambarkan dengan sebuah vector feature yang disebut dengan aktual input yang diasosiasikan dengan sebuah output yang menjadi target pelatihannya, dengan kata lain set pelatihan terdiri dari aktual input dan juga aktual output target. Keluaran dari jaringan berupa sebuah aktual output aktual. Selanjutnya dilakukan perbandingan antara output aktual yang dihasilkan dengan output target dengan cara melakukan pengurangan diantara kedua output tersebut. Hasil dari pengurangan merupakan error. Error dijadikan sebagai dasar dalam melakukan perubahan dari setiap bobot yang ada dengan mempropagasikannya kembali.
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
perpustakaan.uns.ac.id
digilib.uns.ac.id
commit to user
