PEMODELAN JARINGAN SYARAF TIRUAN RECURRENT YANG TEROPTIMASI SECARA HEURISTIK UNTUK PENDUGAAN CURAH HUJAN BERDASARKAN PEUBAH ENSO
AFAN GALIH SALMAN
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2006
ABSTRAK
Pendugaan Curah Hujan yang akurat di sektor pertanian kini telah menjadi kebutuhan utama, disamping faktor lain seperti pemilihan bibit, pupuk, dan pemberantas hama. Informasi tentang banyak curah hujan sangat berguna bagi petani dalam mengantisip asi peristiwa-peristiwa ekstrim seperti kekeringan dan kebanjiran. Model pendugaan curah hujan yang telah dilakukan selama ini belum banyak yang menggunakan data peubah El-Nino Southern Oscilation (ENSO) sebagai masukan model padahal peubah ENSO cukup berpengaruh terhadap tinggi rendahnya curah hujan di sebagian besar wilayah Indonesia (Yusmen 1998). Penelitian yang pernah dilakukan sebelumnya hanya menggunakan data suhu dan curah hujan sebagai masukan model diantaranya adalah penerapan metode Principal Component Regression (Fitriadi 2004) menghasilkan R2 sebesar 63,16%, JST propagasi balik standar (Normakristagaluh 2004) menghasilkan R2 sebesar 74,02%, JST propagasi balik standar (Apriyanti 2005) menghasilkan R2 sebesar 48,179% dan JST dengan optimasi algoritma genetika menghasilkan R2 sebesar 87,7% (Apriyanti 2005) Berdasarkan tersebut penelitian di bidang ini masih layak dan perlu dilakukan untuk mendapatkan model pendugaan curah hujan yang lebih akurat. Penelitian ini menggunakan JST recurrent Elman yang teroptimasi secara heuristik dengan penerapan 3 algoritma pembelajaran yaitu gradient descent adaptive learning rate, dengan variasi nilai parameter penambahan laju pembelajran (lr_inc) dan penurunan laju pembelajaran (lr_dec), gradient descent adaptive learning rate & momentum dengan variasi nilai parameter momentum (m c) serta resilient backpropagation dengan variasi nilai parameter penambahan bobot (delt_inc) & penurunan bobot (delt_dec). Teknik optimasi heuristik terbaik pada penelitian ini adalah algoritma resilient backpropagation. Hasil pendugaan curah hujan terbaik pada leap 0 menghasilkan nilai R2 maksimum 77%, leap 1 menghasilkan nilai R2 maksimum 84,8%, leap 2 menghasilkan nilai R2 maksimum 75,5%, dan leap 3 menghasilkan nilai R2 maksimum 54,1%. Hal ini membuktikan JST recurrent dapat diterapkan dalam pendugaan curah hujan berdasarkan peubah ENSO dengan tingkat keakuratan yang cukup baik.
Judul Tesis
:
Pemodelan
Jaringan
Syaraf
Tir uan
Recurrent
yang
Teroptimasi Secara Heuristik untuk Pendugaan Curah Hujan Berdasarkan Peubah ENSO Nama
:
Afan Galih Salman
NRP
:
G651030204
Disetujui Komisi Pembimbing
Ir. Agus Buono, M.Si., M. Kom. Ketua
Irman Hermadi, S. Kom.,MS. Anggota
Diketahui
Ketua Program Studi Ilmu Komputer
Dr. Sugi Guritman
Tanggal Ujian :
Dekan Sekolah Pascasarjana
Prof. Dr. Ir. Syafrida Manuwoto, M.Sc.
Tanggal Lulus :
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian dilaksanakan sejak bulan Desember 2005 dengan judul Pemodelan Jaringan Syaraf Tiruan Recurrent Yang Teroptimasi Secara Heuristik Untuk Pendugaan Curah Hujan Berdasarkan Peubah ENSO. Terima kasih penulis ucapkan kepada Bapak Ir. Agus Buono M.Si, M.Kom dan Bapak Irman Hermadi S.Kom, M.S selaku dosen pembimbing yang telah memberikan arahan serta saran dalam pembuatan karya ilmiah ini serta Bapak Aziz Kustiyo S.Si, M.Kom selaku dosen penguji. Ucapan terima kasih juga saya sampaikan kepada Bapak Adang, peneliti pada Kantor BALIKLIMAT Bogor yang telah memberikan data curah hujan yang lengkap seluruh wilayah Indonesia. Penulis juga mengucapkan terima kasih kepada Bapak serta Ibu ya ng telah memberi doa dan dorongannya demi selesainya penelitian ini, juga kepada rekanrekan mahasisiwa Magister Ilmu Komputer IPB atas bantuan serta dorongan morilnya terutama Bapak M.Syafii, M.Si dan keluarga yang telah memberikan pinjaman peralatan komp uter serta buku-buku mengenai jaringan syaraf tiruan. Ungkapan terima kasih juga disampaikan kepada seluruh staf administrasi
dan
karyawan Pascasarjana Ilmu Komputer IPB Bogor serta isteri dan anak saya atas segala doa dan dukungannya. Semoga karya ilmiah ini bermanfaat Bogor, Mei 2006 Afan Galih Salman
RIWAYAT HIDUP
Penulis dilahirkan di Bandung pada tanggal 9 September 1969 dari ayah Kodir Ali dan ibu Mien Suliah. Penulis merupakan putra keempat dari enam bersaudara. Penulis beristerikan Ir. R. Tantie Kustiantie dan mempunyai 1 orang putri. Tahun 1988, penulis lulus dari SMA Negeri 2 Bogor. Tahun 1994 lulus dari Fakultas Teknik Gas Petrokimia Universitas Indonesia. Tahun 2003 lulus seleksi masuk Program Pascasarjana Ilmu Komputer IPB Bogor. Penulis mengawali karir pekerjaan dimulai pada tahun 1988 sampai saat ini menjadi supervisor di Perusahaan kontraktor CV. Menteng, Bogor. Mulai tahun 2005 sampai saat ini menjadi dosen luar biasa di Fakultas Teknik Informatika Universitas Ibnu Khaldun, Bogor. Penulis tinggal di Jl Hateup no 30 Bantarjati Bogor 16153. Telpon (0251) 316963.
DAFTAR ISI Halaman DAFTAR TABEL ………………......………………………………………….
viii
DAFTAR GAMBAR…………………………………………………………..
ix
DAFTAR LAMPIRAN ………………………………………………………..
x
PENDAHULUAN Latar Belakang …………………………………………………………
1
Tujuan Penelitian ...…………………………………………………….
2
Ruang Lingkup Penelitian...............................................……………….
2
Manfaat Penelitian ……………………………………………………..
3
Blok Diagram Sistem …………………………………………………..
3
TINJAUAN PUSTAKA Pendugaan Curah Hujan.... ………...…………………………………...
4
Jaringan Syaraf Tiruan.......……………………………………………..
5
Jaringan Saraf Tiruan Propagasi Balik............................……………….
6
Optimasi Pembelajaran Heuristik.......………………………………….
7
Jaringan Syarat Tiruan Recurrent Elman……………………………….
12
Inisialisasi Nguyen-Widrow………....………………………………….
13
Ketepatan Pendugaan......……………………………………………….
13
DATA & METODE Data...........................................................................................................
15
Metode. .…………………………………………...................................
15
PERANCANGAN & IMPLEMENTASI SISTEM Desain Arsitektur....... ..............................................................................
17
Tahapan Penelitian..………………………………………….................
17
Desain Struktur Data.................................................................................
21
Desain Keluaran (Output) …………………………………....………..
21
Perangkat Keras dan Lunak..………………………………....………..
21
HASIL DAN PEMBAHASAN Komposisi Data Pelatihan & Pengujian..................................................
22
Kelompok Data Pertama…………………………………….................
22
Kelompok Data Kedua...…………………………………….................
27
Komposisi Parameter Terbaik………………………………................
32
SIMPULAN DAN SARAN Simpulan .................................................................................................
37
Saran ..……………………………………………………….................
37
DAFTAR PUSTAKA …………………………………………………………
39
LAMPIRAN........................................................................................................
40
DAFTAR TABEL Halaman 1
Struktur JST recurrent standar gradient descent adaptive learning rate................................................................................................................
18
Struktur JST recurrent standar gradi ent descent adaptive learning rate & momentum.....................................................................................................
19
3
Struktur JST recurrent standar resilient backpropagation...........................
20
4
Data peubah ENSO & curah hujan..............................................................
21
5
Hasil percobaan kelompok data pertama gradient descent adaptive learning rate.................................................................................................
22
2
6
Hasil percobaan kelompok data pertama gradient descent adaptive learning rate & momentum.......................................................................... 22
7
Hasil percobaan kelompok data pertama resilient backpropagation...........
23
8
Hasil percobaan kelompok data kedua gradient descent adaptive learning rate................................................................................................................
27
Hasil percobaan kelompok data kedua gradient descent adaptive learning rate & momentum.........................................................................................
27
9
10 Hasil percobaan kelompok data kedua resilient backpropagation.............
28
11 Komposisi parameter terbaik gradient descent adaptive learning rate….
33
12 Komposisi parameter terbaik gradient descent adaptive learning rate & momentum...................................................................................................
34
13 Komposisi parameter terbaik resilient backpropagation......................…..
36
DAFTAR GAMBAR Halaman 1
Blok diagram pemodelan………………………………………..………
3
2
Arsitektur JST recurrent……………………………………………………….
12
3
Kerangka berpikir penelitian.......................................................................
16
4
Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 0.........................................................................
24
Korelasi terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 0..................................................................................
24
5 6 7 8 9 10 11 12 13 14 15
Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok pertama untuk leap 0.......................
25
Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 1........................................................................
26
Korelasi terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 1..................................................................................
26
Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok pertama untuk leap 1.......................
27
Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 0..............................................................................
28
Korelasi terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 0......................................................................................
29
Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 0....................
29
Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 1..............................................................................
30
Korelasi terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 1....................................................................................
31
Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap1.....................
31
DAFTAR LAMPIRAN Halaman 1
Data penelitian…………………………………………………………….
41
2
Pengkodean program JST recurrent adaptive learning rate……….……..
43
3
Pengkodean program JST recurrent adaptive learning rate & momentum
45
4
Pengkodean program JST recurrent resilient backpropagation.................
47
5 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate leap 0……………………………………………..
49
6 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate leap 1……………………………………………..
51
7 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate leap 2…………………………………………….
53
8 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate leap 3…………………………………………….
55
9 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate & momentum leap 0…………………………….
57
10 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate & momentum leap 1…………………………….
58
11 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate & momentum leap 2…………………………….
59
12 Hasil penelitian kelompok pertama JST recurrent gradient descent adaptive learning rate & momentum leap 3……………………………….
60
13 Hasil penelitian kelompok pertama JST recurrent resilient backpropagation leap 0…………………………………………………..
61
14 Hasil penelitian kelompok pertama JST recurrent resilient backpropagation leap 1…………………………………………………..
63
15 Hasil penelitian kelompok pertama JST recurrent resilient backpropagation leap 2……………………..…………………………...
65
16 Hasil penelitian kelompok pertama JST recurrent resilient backpropagation leap 3…………………………….…………………..
67
17 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate leap 0……………………………………………..
69
DAFTAR LAMPIRAN (Lanjutan) Halaman 18 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate leap 1……………………………………………..
71
19 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate leap 2…………………………………………….
73
20 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate leap 3…………………………………………….
75
21 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate & momentum leap 0…………………………….
77
22 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate & momentum leap 1…………………………….
78
23 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate & momentum leap 2…………………………….
79
24 Hasil penelitian kelompok kedua JST recurrent gradient descent adaptive learning rate & momentum leap 3……………………………….
80
25 Hasil penelitian kelompok kedua JST recurrent resilient backpropagation leap 0…………………………………………………..
81
26 Hasil penelitian kelompok kedua JST recurrent resilient backpropagation leap 1…………………………………………………..
83
27 Hasil penelitian kelompok kedua JST recurrent resilient backpropagation leap 2……………………..…………………………...
85
28 Hasil penelitian kelompok kedua JST recurrent resilient backpropagation leap 3…………………………….…………………..
87
BAB I PENDAHULUAN
1.1 Latar Belakang Pendugaan curah hujan di sektor pertanian kini telah menjadi kebutuhan utama, seperti halnya pemilihan bibit, pupuk, dan pemberantas hama. Informasi tentang banyak curah hujan sangat berguna bagi petani dalam mengantisipasi peristiwa-peristiwa ekstrim seperti kekeringan dan banjir (Yusmen 1998). Oleh karena itu dibutuhkan pendugaan curah hujan yang cepat dan akurat. Dengan menggunakan sistem komputasi di bidang Artificial Intellegence, yaitu Jaringan Syaraf Tiruan (JST), maka identifikasi pola data dari sistem pendugaan curah hujan dapat dilakukan dengan metoda pendekatan pembelajaran. Berdasarkan kemampuan belajar yang dimilikinya, maka JST dapat dilatih untuk mempelajari dan menganalisa pola data masa lalu dan berusaha mencari suatu formula atau fungsi yang akan menghubungkan pola data masa lalu dengan keluaran yang diinginkan pada saat ini. Keakuratan hasil prediksi JST diukur berdasarkan koefisien determinasi (R2) dan Root Mean Square Error (RMSE) (Normakristagaluh 2004). Model–model pendugaan curah hujan yang telah dilakukan selama ini belum banyak yang menggunakan data peubah El-Nino Southern Oscilation (ENSO) sebagai masukan model JST padahal peubah ENSO cukup berpengaruh terhadap tinggi rendahnya curah hujan di sebagian besar wilayah Indonesia (Yusmen 1998). Penelitian yang pernah dilakukan sebelumnya hanya menggunakan data suhu dan curah hujan sebagai masukan model JST, diantaranya adalah penerapan metode Principal Component Regression (Fitriadi 2004) menghasilkan R2 sebesar 63,16%,
JST
2
propagasi balik standar (Normakristagaluh 2004) menghasilkan R sebesar 74,02% , JST propagasi balik standar (Apriyanti 2005) menghasilkan R2 sebesar 48,179% dan JST dengan optimasi algoritma genetika menghasilkan R2 sebesar 87,7% (Apriyanti 2005). Berdasarkan hal tersebut
penelitian di bidang ini masih layak dan perlu
dilakukan untuk mendapatkan model pendugaan curah hujan yang lebih akurat.
2 Dalam penelitian ini digunakan JST recurrent yang teroptimasi secara heuristik. Keunikan JST recurrent adalah adanya koneksi umpan balik yang membawa informasi gangguan (noise) pada saat masukan sebelumnya yang akan diakomodasikan bagi masukan berikutnya. Hal ini dapat meningkatkan kinerja JST recurrent khususnya dalam mengidentifikasi pola peubah ENSO terhadap pendugaan curah hujan. Data peubah ENSO yang digunakan yaitu : wind, Southern Oscillation Index (SOI), Sea Surface Temperatur (SST) dan Outgoing Long Wave Radiation (OLR) Optimasi heuristik adalah pengembangan dari suatu analisa kinerja pada algoritma gradient descent standard yang terdiri dari tiga algoritma pelatihan yaitu : gradient descent adaptive learning rate, gradient descent adaptive learning rate & momentum serta resilient backpropagation.
1.2 Tujuan Penelitian Penelitian ini bertujuan mengembangkan model JST recurrent yang teroptimasi secara heuristik untuk pendugaan curah hujan berdasarkan peubah ENSO.
1.3 Ruang Lingkup Penelitian a. Model yang digunakan dalam pe nelitian ini dibatasi pada JST recurrent tipe Elman. b. Optimasi pembelajaran yang dilakukan dengan menggunakan teknik heuristik yaitu : gradient descent adaptive learning rate, gradient descent adaptive learning rate & momentum serta resilient backpropagation. c. Data curah hujan berasal dari Balai Penelitian Agroklimat & Hidrologi (BALITKLIMAT)
Bogor
dan
data ENSO berasal dari Lembaga
Internasional seperti National Weather Service Center for Environmental Prediction Climate (NOAA). d. Data masukan hanya terdiri dari peubah ENSO dan target data curah hujan sehingga faktor-faktor pengaruh curah hujan lainnya tidak diperhitungkan. e. Model penelitian terbatas untuk daerah Bongan Bali.
3 1.4 Manfaat Penelitian Model JST recurrent yang diperoleh nantinya diharapkan dapat lebih meningkatkan keakuratan dan kecepatan dalam pendugaan curah hujan khususnya di wilayah Indonesia dengan menggunakan peubah-peubah ENSO dan membuka jalan bagi pengembangan penelitian di bidang yang sama dengan jumlah peubah yang berbeda.
1.5 Blok Diagram Sistem JST recurrent adalah jaringan yang mengakomodasi keluaran jaringan untuk menjadi input pada jaringan itu lagi dalam rangka menghasilkan keluaran jaringan berikutnya. Pada penelitian ini digunakan jaringan JST recurrent tipe Elman. Jaringan ini dapat terdiri dari satu atau lebih lapisan tersembunyi, lap isan pertama memiliki bobot-bobot yang diperoleh dari lapisan input, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Jumlah neuron dan lapisan tersembunyi disesuaikan dengan kompleksitas permasalahan. Delay yang terjadi pada hubungan antara lapisan input dengan lapisan tersembunyi pertama pada waktu sebelumnya (t-1) dapat digunakan untuk saat ini (t) (Kusumadewi 2004). Blok diagram sistem proses pemodelan JST dalam pendugaan curah hujan berdasarkan peubah ENSO disajikan pada Gambar 1.
Satelit ( NOAA )
peubah ENSO: wind, SOI, SST & OLR data curah hujan
Pengamatan stasiun cuaca
JST recurrent dgn optimasi teknik heuristik
Koneksi umpan balik
Gambar 1. Blok diagram pemodelan
Pendugaan curah hujan
4 BAB II. TINJAUAN PUSTAKA
2. 1 Pendugaan Curah Hujan Pendugaan curah hujan di sektor pertanian kini telah menjadi kebutuhan utama, seperti halnya pemilihan bibit, pupuk, dan pemberantas hama. Informasi curah hujan bahkan menjadi acuan dalam memilih jenis bibit, waktu tanam dan jumlah stok bahan pangan pokok yang harus disediakan untuk memenuhi kebutuhan masyarakat. Bila dugaan tentang datangnya awal musim, termasuk sifat hujan dan periode musim meleset jauh, dampaknya bisa berupa kerugian besar bagi petani karena gagal panen dan kelangkaan pangan ( Yusmen 1998). Pendugaan curah hujan juga menjadi faktor penting di sektor pengairan atau pengelolaan daerah aliran sungai dalam kaitannya dengan sistem peringatan dini ketika terjadi banjir. Informasi curah hujan yang akurat, sangat penting bagi masyarakat khususnya yang berada di kawasan rawan banjir di bantaran sungai atau di daerah cekungan sehingga proses evakuasi dapat dilakukan lebih awal dan kerugian material serta korban jiwa dapat dihindari. Curah hujan di Indonesia hampir seluruhnya dipengaruhi ENSO. ENSO adalah istilah yang terdiri dari dua fenomena yaitu El Nino merupakan fenomena lautan dan Southern Oscillation merupakan fenomena atmosfer. Istilah ENSO tidak begitu populer di kalangan media massa, istilah El Nino-lah yang sering dipakai. Peubah ENSO yang umumnya digunakan adalah SOI yaitu perbedaan antara nilai indeks tekanan udara di Tahiti dan Darwin, dan SST yaitu nilai anomali suhu permukaan laut, selain peubah lainnya wind dan OLR. Pemanasan suhu muka laut di sebelah barat Samudra Pasifik menimbulkan gangguan cuaca ENSO, yaitu berdampak kurangnya curah hujan di kawasan timur Pasifik termasuk Indonesia. Sebaliknya ketika pemanasan terjadi di timur Pasifik disebut anomali cuaca La Nina, hujan yang tinggi terjadi di wilayah tersebut (Lakshmi Sri et al. 2003). Daerah di Indonesia yang bakal terpengaruh El Nino atau La Nina adalah Papua, Maluku, Sulawesi, sebagian besar Sumatera, Sumatera Selatan, seluruh Pulau Jawa, Kalimantan Barat, Kalimantan Tengah, Kalimantan Selatan, Kalimantan Timur,
5 Sulawesi, Maluku, Bali, Nusa Tenggara, dan Irian Jaya. Sementara daerah yang tidak terpengaruh oleh ENSO adalah Aceh, Sumatera Utara, Sumatera Barat, Riau, Jambi dan Bengkulu. Pengaruh ENSO yang paling kuat terjadi pada tahun 1987-1988. Prakiraan cuaca mengenai terjadinya kekeringan karena El Nino sebenarnya tidak dapat dipukul rata akan terjadi di seluruh wilayah Indonesia . Di wilayah Pare-Pare dan Sulawesi Selatan dapat terjadi empat gangguan cuaca dengan pola yang berbeda (Effendy 2001). Berdasarkan hal tersebut di atas maka prakiraan cuaca di Indonesia tidak bisa diberlakukan secara umum, apalagi di negeri yang luas ini terbagi tiga tipe cuaca, yaitu ekuatorial, monsun dan lokal. Di wilayah dengan pola cuaca tersebut, datangnya musim kemarau dan hujan sepanjang tahun akan berbeda-beda, bahkan berkebalikan. Melihat fenomena tersebut maka di masa mendatang Indonesia perlu mengembangkan model pendugaan curah hujan sendiri karena wilayah Indonesia yang berada di antara dua benua dan dua samudera merupakan daerah yang memiliki karakteristik iklim dan c uaca yang tiada duanya di dunia (Yusmen 1998).
2.2 Jaringan Syaraf Tiruan Peniruan cara berpikir otak manusia dengan menggunakan sistem komputer telah memberi inspirasi kepada para ilmuwan pada abad ini. Dimulai sejak lima puluh tahun yang lalu, ilmuwan telah menciptakan model perangkat elektronik pertama dari sel-sel syaraf. Semenjak itu banyak komunitas ilmuwan bekerja dalam model matematika baru ini beserta algoritma-algoritma pembelajaran. Sekarang, model itu lebih dikenal dengan nama jaringan syaraf tiruan. Jaringan syaraf tiruan menggunakan sejumlah unit komputasi sederhana yang disebut neuron, yang berusaha meniru perilaku sel tunggal otak manusia. Otak manusia sendiri mengandung 10 milyar sel – sel syaraf dengan sekitar 10000 synapses. Neuron-neuron biologis memancarkan sinyal elektrokimia pada jalur -jalur syaraf, yang terdiri atas bagian body, axon dan dendrit. Sinyal datang melalui dendrit, diolah oleh body dan dihantarkan melalui axon. Sel itu sendiri mengandung kernel dan bagian luarnya membrane elektrik. Setiap neuron mempunyai level aktivasi, dengan range diantara maksimum dan minimum. Setiap neuron menerima sinyal-sinyal dari neuron lain melalui sambungan khusus synapses yang berfungsi untuk memperbesar dan memperkecil aktivasi neuron terhadap neuron
6 lainnya. Synapses ini membawa level aktivasi dari neuron pengirim ke neuron penerima (Kristanto Andri 2004). JST merupakan system pemrosesan informasi yang memiliki karakteristik serupa dengan jaringan syaraf biologis dengan ciri-ciri: 1. Pola hubungan antara elemen-elemen sederhana yakni neuron. 2. Metode penentuan bobot koneksi. 3. Fungsi aktivasinya. JST mempunyai sifat dan kemampuan: a. Akuisisi pengetahuan di bawah derau (noise) dan ketidakpastian (uncertainty). b. Representasi pengetahuan yang fleksibel. c. Pemrosesan pengetahuan yang effisien. d. Toleransi kesalahan, dengan representasi pengetahuan terdistribusi dan pengkodean informasi yang redundan, kinerja system tidak menururn drastic berkaitan dengan responnya terhadap kesalahan (Workshop JNB 2002). 2.3 Jaringan Syaraf Tiruan Propagasi Balik. Model neuron yang pertama diperkenalkan pada tahun 1943 oleh McCulloch dan Pitts. Heb pada tahun 1949 mengusulkan sebuah aturan pembelajaran yang menjelaskan bagaimana sebuah jaringan sel-sel syaraf belajar. Kemudian Rosenblatt pada tahun 1958 menemukan algoritma pembelajaran perceptron, serta Widrow dan Hoff mengusulkan varian dari pembelajaran perceptron yang disebut aturan WidrowHoff. Kemudian pada tahun 1969, Minsky dan Papert menunjukkan keterbatasan teoritis dari jaringan neural lapis tunggal (single layer neural networks) sehingga menyebabkan penurunan riset di bidang ini. Tetapi pada tahun 1980-an pendekatan JST hidup kembali dimulai oleh Hopfield yang memperkenalkan ide minimasi energi dalam fisika ke dalam JST. Pada pertengahan dekade tersebut algoritma propagasi balik (backpropagation) yang dikembangkan Rumelhart, Hinton dan Williams memberikan pengaruh besar tidak hanya bagi riset-riset JST tetapi juga bagi ilmu komputer, kognitif dan biologi yang lebih luas. Algoritma ini menawarkan solusi untuk pembelajaran JST lapis banyak (multi-layer neural networks) sehingga dapat mengatasi keterbatasan jaringan syaraf lapis tunggal (Lakshmi Sri et.al 2003).
7 Prinsip dasar algoritma backpropagation memiliki tiga tahap : §
Tahap feedforward pola input pembelajaran
§
Tahap kalkulasi dan backpropagation error yang diperoleh.
§
Tahap penyesuaian bobot.
Arsitektur yang digunakan adalah jaringan perceptron lapis banyak (multi-layer perceptrons.). Hal ini merupakan generalisasi dari arsitektur perceptron lapis tunggal (single layer perceptron). Secara umum, algoritma jaringan ini membutuhkan waktu pembelajaran yang memang lambat, tetapi setelah pembelajaran dan pelatihan selesai, aplikasinya akan memberikan output yang sangat cepat (Workshop JNB 2002).
2.4 Optimasi Pembelajaran Heuristik Pada JST backpropagation dikenal optimasi teknik heuristik yaitu algoritma pelatihan yang berfungsi untuk lebih mempercepat proses pelatihan dan merupakan pengembangan dari suatu analisa kinerja pada algoritma steepest (gradient) descent standard. Tiga algoritma optimasi teknik heuristik (Kusumadewi 2004) yang sering dipakai : 2.4.1 Gradient Descent Adaptive Learning Rate. Teknik heuristik ini memperbaiki bobot berdasarkan gradient descent dengan laju pembelajaran yang bersifat adaptive. Pada gradient descent standard, selama proses pembelajaran, laju pembelajaran (a) akan terus bernilai konstan. Apabila laju pembelajaran terlalu tinggi, maka algoritma menjadi tidak stabil. Sebaliknya, jika laju pembelajaran terlalu kecil maka algoritma akan sangat lama dalam mencapai kekonvergenan. Pada kenyataannya, nilai laju pemb elajaran yang optimal akan terus berubah selama proses pelatihan seiring dengan berubahnya nilai fungsi kinerja. Pada gradient descent adaptive learning rate, nilai laju pembelajaran akan diubah selama proses pelatihan untuk menjaga agar algoritma ini sena ntiasa stabil selama proses pelatihan. Kinerja jaringan syaraf dihitung berdasarkan nilai output jaringan dan error pelatihan. Pada setiap epoh, bobot-bobot baru dihitung dengan menggunakan laju pembelajaran yang ada. Kemudian dihitung kinerja jaringan syaraf baru. Jika perbandingan kinerja syaraf baru dan kinerja syaraf lama melebihi maksimum kenaikan kerja (max_perf_inc), maka bobot baru tersebut akan diabaikan, dan nilai laju
8 pembelajaran akan dikurangi dengan cara mengalikannya dengan parameter penurunan laju pembelajaran (lr_dec). Seba liknya, apabila perbandingan kinerja syaraf baru dan kinerja syaraf lama kurang dari maksimum kenaikan kerja, maka nilai bobot-bobot akan dipertahankan, dan nilai laju pembelajaran akan dinaikkan dengan cara mengalikannya dengan parameter penambahan laju pembelajaran (lr_inc). Langkah- langkah teknik heuristik ini adalah : 1. Hitung bobot dan bias baru lapisan output dengan menggunakan persamaan: wjk(baru) = wjk (lama) + ? wjk b2k (baru) = b2 k (lama) + ?b2k 2. Hitung bobot dan bias baru lapisan tersembunyi dengan menggunakan persamaan : vij(baru) = vij(lama) + ? vij b1j(baru) = b1 j(lama) + ?b1j 3. Hitung kinerja jaringan syaraf baru (perf2) dengan menggunakan bobot-bobot baru tersebut. 4. Bandingkan kinerja jaringan syaraf baru (perf2) kinerja jaringan syaraf sebelumnya (perf ). 5. Jika perf2/perf >max_perf _inc maka laju pembelajaran (a) = a *lr_dec. 6. Jika perf2/perf < max_perf_inc maka laju pembelajaran (a) = a *lr_inc. 7. Jika perf2/perf = max_perf_inc maka bobot baru diterima sebagai bobot sekarang (Kusumadewi 2004).
2.4.2 Gradient Descent Adaptive Learning Rate dan Momentum. Teknik heuristik ini memperbaiki bobot berdasarkan gradient descent dengan laju pembelajaran yang bersifat adaptive dan menggunakan momentum (mc). Momentum adalah suatu konstanta yang mempengaruhi perubahan bobot dan bernilai diantara 0 dan 1. Bila mc = 0 maka perubahan bobot akan dipengaruhi oleh gradient saja dan bila mc = 1 maka perubahan bobot akan sama dengan perubahan bobot sebelumnya. Langkah- langkah teknik heuristik ini adalah : 1. Hitung bobot dan bias baru unit output dengan menggunakan persamaan: ? wjk = a f 2jk untuk epoh = 1
9 ? wjk = mc*? wjk (epoh sebelumnya) + (1-mc)*a f 2jk untuk epoh >1 ? b2k = a ß2k , untuk epoh = 1 ? b2k = mc*?b2 k (epoh sebelumnya) + (1-mc)*a ß2k ; untuk epoh >1 2. Hitung bobot dan bias baru unit tersembunyi dengan menggunakan persamaan: ? vjk = ? vjk + a f 1ij ; untuk epoh = 1 ? vjk = mc*? vjk (epoh sebelumnya) + (1-mc)*a f 1ij; untuk epoh >1 ? b1j= a ß1j, untuk epoh = 1 ? b2j = mc*?b1 j (epoh sebelumnya) + (1-mc)*a ß1j; untuk epoh >1 3. Hitung kinerja jaringan syaraf baru (perf2) dengan menggunakan bobot-bobot baru tersebut 4. Bandingkan kinerja jaringan syaraf baru (perf2) kinerja jaringan syaraf sebelumnya (perf ). 5. Jika perf2/perf >max_perf _inc maka laju pembelajaran (a) = a *lr_dec, ? wjk = a f 2jk ? b2k = a ß2 k ? vij = a f 1ij ? b1j = a ß1j 6. Jika perf2/perf <max_perf _inc maka laju pembelajaran (a) = a *lr_inc, ? wjk = a f 2jk ? b2k = a ß2 k ? vij = a f 1ij ? b1j = a ß1j 7. Jika perf2/perf = max_perf_inc maka bobot baru diterima sebagai bobot sekarang (Kusumadewi 2004).
2.4.3 Resilient Backpropagation Jaringan
syaraf
yang
dibangun
dengan
struktur
multilayer
biasanya
menggunakan fungsi aktivasi sigmoid. Fungsi aktivasi ini akan membawa input dengan range yang tak terbatas ke nilai output dengan range yang terbatas, yaitu antara 0 sampai 1. Salah satu karakteristik dari fungsi sigmoid adalah gradiennya akan mendekati nol, apabila input yang diberikan sangat banyak. Gradient yang mendekati 0
10 ini berimplikasi pada rendahnya perubahan bobot. Apabila bobot-bobot tidak cukup mengalami perubahan, maka algoritma akan sangat lambat untuk mendekati nilai optimumnya (Kusumadewi 2004). Algoritma resilient backpropagation berusaha untuk mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan tanda turunannya saja dan mengabaikan besarnya nilai turunan. Tanda turunan ini akan menentukan arah perbaikan bobot bobot. Besarnya perubahan setiap bobot akan ditentukan oleh suatu faktor yang diatur pada parameter penambahan bobot (delt_inc) atau parameter penurunan bobot (delt_dec). Bila gradien fungsi kinerja berubah tanda dari suatu iterasi ke iterasi berikutnya, maka bobot akan berkurang sebesar delt_dec dan bila gradient fungsi kinerja tidak berubah tanda maka bobot akan bertambah sebesar delt_inc. Apabila gradien fungsi kinerja = 0, maka perubahan bobot sama dengan perubahan bobot sebelumnya. Langkah- langkah teknik heuristik ini adalah : 1. Inisialisasi perubahan bobot (?v, ? w, ?b1dan ?b2) dengan parameter delta. Besarnya perubahan tidak boleh melebihi batas maksimum yang terdapat pada parameter maksimum perubahan bobot (deltamax). 2. Simpan f1, f2,
ß1 dan ß2
sebagai f1(lama), f2 (lama),
ß2(lama). 3. Hitung f 1, f2, ß1 dan ß2 baru dengan menggunakan persamaan: f 2jk = dk zj ß2k = dk f 1ij = d1jx j ß1j = d1j 4. Hitung gradien fungsi kinerja dengan menggunakan persamaan: f f 2jk = f 2jk * f 2jk (lama) ßß2 k = ß2k * ß2k (lama) f f 1ij = f 1ij * f 1ij (lama) ßß2 j = ß1j * ß1j (lama)
ß1(lama) dan
11 5. Hitung perubahan bobot:
? wjk =
delt_inc;
f f 2jk > 0
delt_dec;
f f 2jk < 0
? wjk (lama);
f f 2jk = 0
? wjk = min(?wjk ,deltamax)
? wjk =
? b2k =
-? wjk ;
f 2jk < 0
? wjk ;
f 2jk > 0
0;
f 2jk = 0
delt_inc;
ßß2k > 0
delt_dec;
ßß2k < 0
? b2k (lama);
ßß2k = 0
? b2k = min( ?b2 k ,deltamax) ? b2k =
? vij =
-?b2 k ;
ß2k < 0
?b2 k ;
ß2k > 0
0;
ß2k = 0
delt_inc;
f f 1ij > 0
delt_dec;
f f 1ij < 0
? vij(lama);
f f 1ij = 0
? vij = min(? vij,deltamax ) ? vij =
? b1j =
-? vij ;
f 1ij < 0
? vij;
f 1ij > 0
0;
f 1ij = 0
delt_inc;
ßß1j > 0
delt_dec;
ßß1j < 0
? b1j(lama);
ßß1j = 0
? b1j = min(?b1 j,deltamax) ? b1j =
-?b1 j ;
ß1j < 0
?b1 j ;
ß1j > 0
0;
ß1j = 0 (Kusumadewi 2004)
12 2.5 Jaringan Syaraf Tiruan Recurrent Elman JST recurrent adalah jaringan yang mengakomodasi keluaran jaringan untuk menjadi masukan pada jaringan itu lagi dalam rangka menghasilkan keluaran jaringan berikutnya. Jaringan recurrent Elman terdiri atas satu atau lebih lapisan tersembunyi. Lapisan pertama memiliki bobot- bobot yang diperoleh dari lapisan input, setiap lapisan akan menerima bobot dari lapisan sebelumnya. Jaringan ini biasanya menggunakan fungsi aktivasi sigmoid bipolar untuk lapisan tersembunyi dan fungsi linear (purelin) untuk lapisan keluaran. Tidak seperti pada backpropagation, pada jaringan Elman ini, mempunyai fungsi aktivasi yang dapat berupa sembarang fungsi, baik yang kontinyu maupun diskontinyu. Delay yang terjadi pada hubungan antara lapisan input dengan lapisan tersembunyi pertama pada waktu sebelumnya (t-1) dapat digunakan untuk saat ini (t) (Kusumadewi 2004). Keunikan JST recurrent adalah adanya koneksi umpan balik yang membawa informasi gangguan (noise) pada saat masukan sebelumnya yang akan diakomodasikan bagi masukan berikutnya (Coulibaly et.al 2000) seperti disajikan pada Gambar 2. Keluaran Lapisan Keluaran Koneksi Umpan Balik
Lapisan Tersembunyi Node-node Recurrent Unit Delay
•
• …. •
D
Variabel Masukan
Gambar 2. Arsitektur JST recurrent
D . . . D
13 2.6 Inisialisasi Nguyen-Widrow. Inisialisasi ini umumnya mempercepat proses pembelajaran dibandingkan dengan inisialisasi acak (Fauset 1994). Inisialisasi Nguyen-Widrow didefinisikan sebagai persamaan berikut: a. Hitung harga faktor pengali ß ß = 0.7 p1/n Dimana : ß = Faktor pengali. n = Jumlah neuron lapisan input. p = Jumlah neuron lapisan tersembunyi b. Untuk setiap unit tersembunyi ( j=1, 2, .....,p): hitung vij (lama) yaitu bilangan acak antara -0.5 dan 0.5 (atau di antara -? dan sampai ?). c. Hitung : ¦ vj ¦ Pembaharuan bobot vij (lama) menjadi vij (baru) yaitu : ß vij (lama) vij (lama) = ----------------¦ vj (lama) ¦ a. Set bias : B1j = Bilangan random antara – ß sampai ß.
2.7 Ketepatan Pendugaan Ketepatan pendugaan sebuah model regresi dapat dilihat dari koefisien determinasinya (R2 ) dan Root Mean Square Error (RMSE). Nilai R2
menunjukan
proporsi jumlah kuadrat total yang dapat dijelaskan oleh sumber keragaman peubah bebas, sedangkan RMSE menunjukan besar simpangan nilai dugaan terhadap nilai aktualnya. R2 adalah kuadrat dari korelasi antara nilai vektor observasi y dengan nilai vektor penduga y (Walpole 1982).
14 Rumus R2 adalah :
R2 =
n [ ? ( y i – y)(y i – y) ]2 i =1 n n ? ( y i – y)2 ?(y i – y)2 i=1 i=1
Dimana : yi
= Nilai
yi
=
- nilai aktual
Nilai - nilai prediksi
RMSE =
n n 2 ?? (( X Xtt -- F Ftt ))2 t =1 t =1 ------------------------------nn
dimana : Xt = Nilai aktual pada waktu ke-t Ft = Nilai dugaan pada waktu ke-t Nilai-nilai R2 berada pada selang 0 sampai 1. Kecocokan model semakin baik jika R2 mendekati 1 dan RMSE mendekati 0.
15 BAB III DATA & METODE
3.1 Data Data yang digunakan dalam penelitian ini adalah : a. Data ENSO Data ini diperoleh dari lembaga internasional National Weather Service Center for Environmental Prediction Climate (NOAA) selama 83 bulan dengan domain cakupan data peubah ENSO ini adalah wilayah Nino-3,4 yaitu : 5o LU - 5o LS dan 90 o BB - 150 o BB. b. Data Curah Hujan Data curah hujan yang digunakan dalam penelitian ini adalah curah hujan ratarata di daerah Bongan Bali selama 83 bulan dengan domain cakupan data 08o 33’ 05” S - 115o 05’ 48”E dengan ketinggian 124 meter yang diperoleh dari BALITKLIMAT Bogor.
3.2 Metode Penelitian diawali dengan studi pustaka yaitu mengidentifikasi peubah ENSO dan pengaruhnya terhadap curah hujan di wilayah Indonesia. Langkah berikutnya mempelajari penelitian-penelitian yang pernah dilakukan uintuk mengetahui metoda yang digunakan dan ketepatan pendugaan yang telah dicapai. Dari hasil studi pustaka diidentifikasi masalah yang ada, yaitu perlunya suatu pemodelan pendugaan curah hujan yang lebih akurat khususnya berdasarkan peubah ENSO. Selanjutnya dikembangkan model JST recurrent yang teroptimasi secara heuristik. Metodologi selengkapnya disajikan pada Gambar 3.
16
Mulai 1) 2)
3)
Studi Pustaka
Peubah – Peubah ENSO Data curah hujan Pemodelan JST recurrent dgn optimasi teknik heuristik
Identifikasi Masalah Teknik heuristik : a) Adaptive learning rate b) Adaptive learning rate & momentum c) Resilient backpropagation
Pengembangan Blok Diagram Sistem & Data Riil
Field Record Data : -Training 75% -Testing 25%
Pembuatan model JST recurrent dgn optimasi teknik heuristik Data : -Training 50% -Testing 50%
Pengembangan aplikasi dgn MATLAB
Pelatihan (Training)
Uji coba (Testing)
Pembahasan, kesimpulan Dokumentasi & penulisan laporan Selesai
Gambar 3. Kerangka Berpikir Penelitian
17 BAB IV PERANCANGAN & IMPLEMENTASI SISTEM
4.1 Desain Arsitektur. Arsitektur yang digunakan adalah jaringan recurrent tipe Elman dengan 2 lapisan tersembunyi. Masukan terdiri dari data : wind, SOI, SST dan OLR dan target adalah data curah hujan. Pada saat proses penentuan arsitektur standar JST recurrent, dilakukan proses trial & error untuk mendapatkan unjuk kerja JST yg optimum dengan parameter : §
Dimensi jaringan ( jumlah neuron dan hidden layer ).
§
Laju Pembelajaran ( learning rate )
Algoritma pembelajaran nantinya akan digunakan optimasi teknik heuristik yang terdiri dari 3 algoritma pembelajaran berikut: (1) Gradient descent adaptive learning rate. (2) Gradient descent adaptive learning rate & momentum (3) Resilient backpropagation Setiap proses pelatihan dan pengujian diulang sebanyak 20 kali untuk dicari nilai ratarata dan simpangan bakunya (Normakristagaluh 2004). Hasil dari pengujian adalah tingkat keakuratan antara nilai dugaan dengan nilai aktual berdasarkan dua parameter yaitu R2 dan RMSE. Nilai R2 yang diperoleh dikalikan 100% untuk memudahkan pembacaan tingkat keakurasian.
4.2 Tahapan Penelitian Dalam penelitian ini akan dikaji permodelan JST recurrent yang teroptimasi secara heuristik untuk pendugaan curah hujan berdasarkan peubah ENSO. Tahapan permulaan, masing-masing kelompok data akan mengalami proses inisialisasi dengan menggunakan metoda Nguyen-Widrow. Jumlah neuron dan hidden layer ditetapkan dengan percobaan pendahuluan secara trial & error dan merujuk pada penelitian-penelitian sebelumnya. Tahap berikutnya dilakukan percobaan yaitu :
18 a. Langkah pertama dilakukan pembelajaran terhadap ke empat peubah ENSO dan curah hujan sebagai target, dengan menggunakan kelompok data pertama yaitu 75% data pelatihan dan 25% data pengujian. b. Langkah kedua dilakukan pembelajaran terhadap ke empat peubah ENSO dan curah hujan sebagai target, dengan menggunakan kelompok data kedua yaitu 50% data pelatihan dan 50% data pengujian. Langkah di atas dilakukan terhadap ketiga algoritma pembelajaran heuristik yaitu : a. Gradient descent adaptive learning rate Struktur standar untuk penelitian dengan menggunakan algoritma pembelajaran gradient descent adaptive learning rate seperti disajikan pada Tabel 1. Tabel 1. Struktur JST recurrent standar gradient descent adaptive learning rate Karakteristik Spesifikasi Arsitektur
2 lapisan tersembunyi
Neuron Input
Peubah ENSO & curah hujan
Neuron hidden layer 1
48
Neuron hidden layer 2
24
Neuron Output
1
Fungsi aktivasi hidden layer 1
Sigmoid biner
Fungsi aktivasi hidden layer 2
Sigmoid bipolar
Fungsi aktivasi layer output
Fungsi liniear
Inisialisasi bobot
Nguyen Widrow
Toleransi galat
0.01
Maksimum epoh
30.000
Laju pembelajaran
0,1
Maksimum kenaikan kinerja
1,06
Komposisi percobaan yang dilakukan adalah terhadap komposisi nilai: §
lr_inc 1,20 & lr_dec 0,6
§
lr_inc 1,05 & lr_dec 0,6
§
lr_inc 1,05 & lr_dec 0,7
19
b. Gradient descent adaptive learning rate & momentum. Struktur standar untuk penelitian dengan me nggunakan algoritma pembelajaran Adaptive learning rate & momentum seperti disajikan pada Tabel 2. Tabel 2. Struktur JST recurrent standar gradient descent adaptive learning rate & momentum Karakteristik Spesifikasi Arsitektur
2 lapisan tersembunyi
Neuron Input
Peubah ENSO & curah hujan
Neuron hidden layer 1
48
Neuron hidden layer 2
24
Neuron Output
1
Fungsi aktivasi hidden layer 1
Sigmoid biner
Fungsi aktivasi hidden layer 2
Sigmoid bipolar
Fungsi aktivasi layer output
Fungsi liniear
Inisialisasi bobot
Nguyen Widrow
Toleransi galat
0.001
Maksimum epoh
20.000
Laju pembelajaran
0,1
Maksimum kenaikan kinerja
1,06
Penambahan laju pembelajaran 1,05 Penurunan laju pembelajaran
0,6
Komposisi percobaan yang dilakukan adalah parameter momentum: §
mc 0,7 & mc 0,9
c. Resilient backpropagation. Struktur standar untuk penelitian dengan menggunakan algoritma pembelajaran resilient backpropagation seperti disajikan pada Tabel 3.
20 Tabel 3. Struktur JST recurrent standar resilient backpropagation Karakteristik
Spesifikasi
Arsitektur
2 lapisan tersembunyi
Neuron Input
Peubah ENSO & curah hujan
Neuron hidden layer 1
48
Neuron hidden layer 2
24
Neuron Output
1
Fungsi aktivasi hidden layer 1
Sigmoid biner
Fungsi aktivasi hidden layer 2
Sigmoid bipolar
Fungsi aktivasi layer output
Fungsi liniear
Inisialisasi bobot
Nguyen Widrow
Toleransi galat
0.001
Maksimum epoh
6.000
Laju pembelajaran
0,3
Maksimum perubahan bobot
50
Besarnya perubahan bobot awal
0,05
Komposisi percobaan yang dilakukan adalah terhadap pasangan nilai: §
delta_inc 1,5 & delta_dec 0,6
§
delta_inc 1,5 & delta_dec 0,5
§
delta_inc 1,7 & delta_dec 0,4
§
delta_inc 1,7 & delta_dec 0,5.
Pada setiap kelompok data dengan komposisi di atas dilakukan percobaan terhadap variasi leap yang berbeda-beda yaitu leap = 0, 1, 2, dan 3. §
Leap 0 pendugaan curah hujan jatuh pada bulan yang sama.
§
Leap 1 pendugaan curah hujan jatuh pada satu bulan ke depan.
§
Leap 2 pendugaan curah hujan jatuh pada dua bulan ke depan.
§
Leap 3 pendugaan curah hujan jatuh pada tiga bulan ke depan.
Setiap percobaan dilakukan pengulangan/iterasi sebanyak 20 kali dengan tujuan memperoleh rata-rata R2 dan RMSE yang memiliki simpangan baku terkecil. Nilai R2
21 dan RMSE tiap kombinasi terletak pada selang nilai tertentu (minimum da n maksimum). Hasil percobaan pada penelitian ini difokuskan pada perbandingan ketepatan pendugaan JST menghasilkan R2 maksimum dan RMSE minimum. 4.3 Desain Struktur Data Desain struktur data berupa tabel data bulanan peubah-peubah ENSO & curah hujan (selengkapnya pada Lampiran 1) seperti disajikan pada Tabel 4. Tabel 4. Data peubah ENSO & curah hujan
Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober..dst
Indeks OLR 23,5 9,7 21,7 5,4 19,7 22,4 25,9 40,6 40,1 28,3
Indeks WIND 6,6 6,7 7,4 5,3 5,9 6,1 8,2 6,6 6,5 6,1
Indeks SOI 0,5 1,2 0,9 1,0 0,5 0,6 -0,2 1,7 0,9 1,2
Indeks SST 0,18 0,28 0,52 0,9 1,06 0,79 0,48 0,14 0,28 0,33
Curah Hujan (mm) 649,0 601, 0 321,0 151,0 14,0 176,0 121, 0 12,0 40,0 53,0
4.4. Desain Keluaran (Output) Data keluaran berupa tabel hasil penelitian berupa nilai-nilai epoch, R2 dan RMSE dari setiap kelompok data percobaan dengan 3 algoritma yang telah dilakukan juga dihitung nilai – nilai R2 minimum, R2 maksimum, rata-rata R2, standar deviasi R2, RMSE minimum, RMSE maksimum, rata-rata RMSE dan standar deviasi RMSE.
4.5 Perangkat Keras dan Lunak Penelitian ini menggunakan perangkat keras dan lunak sebagai berikut: a. Intel Pentium IV 2,66 GHz b. Memori SDRAM 256 MB, hardisk 40 GB c. Matlab 7 d. Microsoft Excel Xp Professional
22 BAB V HASIL DAN PEMBAHASAN
5.1 Komposisi Data Pelatihan & Pengujian Komposisi data pelatihan & pengujian sangat berpengaruh terhadap keakuratan pendugaan dalam JST. Seperti yang dijelaskan dalam metodologi, data dibagi ke dalam 2 kelompok data percobaan yaitu kelompok data pertama, 75% data (62 bulan) pelatihan dan 25% data (21 bulan) pengujian serta kelompok data kedua 50% data (42 bulan) untuk pelatihan dan 50% data (41 bulan) untuk data pengujian. Masing- masing kelompok data akan dibahas dan diperlihatkan grafik hasil percobaan.
5.2 Kelompok Data Pertama. Pada percobaan pertama, data peubah ENSO yaitu wind, SOI, SST dan OLR sebagai input dan curah hujan sebagai target. Hasil percobaan untuk kelompok data ini sebagai berikut seperti disajikan pada Tabel 5, Tabel 6 dan Tabel 7. Tabel 5. Hasil percobaan kelompok data pertama gradient descent adaptive learning rate Komposisi Leap 0 Leap 1 Leap 2 Leap 3 2 2 2 2 R RMSE R RMSE R RMSE R RMSE lr_inc & lr_dec Maks Min Maks Min Maks Min Maks Min 1,05 & 0,6 63,4 265,70 65,1 174,41 59,8 211,42 51,9 170,00 1,05 & 0,7 64,5 213,96 65,9 183,78 64,1 210,48 53,1 285,4 1,20 & 0,6 69,2 238,11 66,5 173,05 61,6 206,85 55,5 156,83
Tabel 6. Hasil percobaan kelompok data pertama gradient descent adaptive learning rate & momentum komposisi Leap 0 Leap 1 Leap 2 Leap 3 2 2 2 2 R RMSE R RMSE R RMSE R RMSE mc Maks Min Maks Min Maks Min Maks Min 0,7 70,7 278,55 52,7 207,66 57,3 231,72 48,5 174,30 0,9 71,6 231,45 74,6 186,01 63,2 202,28 42,3 180,04
23
Tabel 7. Hasil percobaan kelompok data pertama resilient backpropagation komposisi Leap 0 Leap 1 Leap 2 delt_inc & R2 RMSE R2 RMSE R2 RMSE delt_dec Maks Min Maks Min Maks Min 1,5 & 0,6 54,4 206,70 77,6 151,62 67,7 178,21 1,7 & 0,4 56,2 198,82 84,8 125,00 69,9 137,37 1,5 & 0,5 70,7 197,16 78,5 153,97 75,5 166,94 1,7 & 0,6 77,0 138,52 70,4 153,97 70,6 151,18
Leap 3 R2 RMSE Maks Min 43,4 180,15 54,1 175,23 44,0 187,93 46,3 180,65
Percobaan kelompok data pertama, hasil terbaik diperoleh pada saat menggunakan algoritma resilient backpropagation. Untuk leap 0, ketika nilai delt_inc dinaikkan dari 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum naik dari 54,4 menjadi 56,2 menunjukan adanya peningkatan sebesar 1,8 sedangkan nilai RMSE turun dari 206,7 menjadi 198,82. Ketika nilai delt_inc tetap 1,7 dan delt_dec dinaikkan dari 0,4 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 56,2 menjadi 77 menunjukan adanya peningkatan sebesar 20,8 sedangkan nilai RMSE turun dari 198,82 menjadi 138,52. Hasil ini merupakan yang terbaik pada percobaan kelompok data pertama untuk leap 0 dengan komposisi nilai delt_inc 1,7 dan delt_dec 0,6. Jumlah epoh untuk hasil terbaik ini disajikan pada Gambar 4. Korelasi kecocokan output jaringan dengan target bernilai 0,77 atau 77% seperti disajikan pada Gambar 5. Perbandingan nilai prediksi (output) dan nilai aktual (target) disajikan pada Gambar 6, terlihat beberapa titik (output) sudah mulai berdekatan dengan beberapa bulatan (target). Hal tersebut dapat diartikan bahwa beberapa nilai dugaan/prediksi sudah mendekati nilai aktualnya. Hasil terbaik terjadi apabila titik dan bulatan berada pada posisi yang sama.
24
Gambar 4. Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 0
Gambar 5. Korelasi terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 0
25
Gambar 6. Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 0 Percobaan untuk leap 1, 2 dan 3, hasil pendugaan terbaik didapat pada saat leap 1. Nilai R2 maksimum yang dihasilkan sebesar 84,8% dalam selang nilai R2 diantara 28,5 sampai dengan 84,8 dengan nilai RMSE sebesar 125 dalam selang nilai RMSE 125 sampai dengan 321,52. Hasil percobaan terbaik untuk leap 1 ini diperoleh dengan komposisi nilai delt_inc 1,7 dan delt_dec 0,4 seperti disajikan pada Gambar 7, Gambar 8 dan Gambar 9. Dari hasil – hasil percobaan kelompok data pertama ini pendugaan curah hujan terbaik terjadi pada saat leap 1.
26
Gambar 7. Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 1
Gambar 8. Korelasi terbaik JST recurrent resilient backpropagation kelompok data pertama untuk leap 1
27
Gambar 9. Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent resilient backpropagation kelompok data pertama leap 1. 5.3 Kelompok Data Kedua Hasil percobaan untuk kelompok da ta ini seperti disajikan pada Tabel 8, Tabel 9 dan Tabel 10. Tabel 8. Hasil percobaan kelompok data kedua gradient descent adaptive learning rate Komposisi Leap 0 Leap 1 Leap 2 Leap 3 R2 RMSE R2 RMSE R2 RMSE R2 RMSE lr_inc & lr_dec Maks Min Maks Min Maks Min Maks Min 1,05 & 0,6 46,0 244,31 46,0 198,13 29,0 269,44 6,54 305,09 1,05 & 0,7 47,3 272,50 46,4 200,82 32,4 277,55 8,75 314,85 1,20 & 0,6 53,6 297,69 45,7 197,55 28,4 269,45 12,6 344,63 Tabel 9. Hasil percobaan kelompok data kedua gradient descent adaptive learning rate & momentum komposisi Leap 0 Leap 1 Leap 2 Leap 3 R2 RMSE R2 RMSE R2 RMSE R2 RMSE mc Maks Min Maks Min Maks Min Maks Min 0,7 45,7 279,28 45,6 223,23 29,2 314,04 8,72 300,87 0,9 46,3 313,93 49,8 209,37 36,3 283,95 12,9 312,54
28
Tabel 10. Hasil percobaan kelompok data kedua resilient backpropagation komposisi Leap 0 Leap 1 Leap 2 2 2 2 delt_inc & R RMSE R RMSE R RMSE delt_dec Maks Min Maks Min Maks Min 1,5 & 0,6 45,0 198,63 59,5 156,46 59,5 156,46 1,7 & 0,4 58,1 201,63 56,3 169,77 56,2 188,12 1,5 & 0,5 42,8 228,19 56,0 172,67 56,0 172,67 1,7 & 0,6 46,6 229,47 59,9 155,29 54,0 171,03
Leap 3 R RMSE Maks Min 21,0 248,22 29,1 225,73 27,5 234,18 24,1 250,92 2
Percobaan kelompok data kedua, hasil terbaik diperoleh pada saat menggunakan algoritma resilient backpropagation. Untuk leap 0, ketika nilai delt_inc dinaikkan dari 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 naik dari 45 menjadi 58,1 menunjukan adanya peningkatan sebesar 13,1. Nilai RMSE naik dari 198,63 menjadi 201,63. Hasil ini merupakan yang terbaik untuk leap 0 dengan komposisi nilai delt_inc 1,7 dan delt_dec 0,4 seperti terlihat pada Gambar 10 , Gambar 11 dan Gambar 12.
Gambar 10. Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 0
29
Gambar 11. Korelasi terbaik JST recurrent resilient backpropagation kelompok data kedua untuk leap 0
Gambar 12. Nilai prediksi (output) dan nilai aktual (target ) terbaik JST recurrent resilient backpropagation kelompok data kedua leap 0.
30
Untuk leap 1, 2 dan 3, grafik pendugaan terbaik didapat pada saat leap 1. Ketika nilai delt_inc dinaikkan dari 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum turun dari 59,5 menjadi 56,3 sedangkan nilai RMSE naik dari 156,46 menjadi 169,77. Ketika nilai delt_inc tetap 1,7 dan delt_dec dinaikkan dari 0,4 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 56,3 menjadi 59,9 dalam selang nilai R2 diantara 19,5 sampai dengan 59,9 sedangkan nilai RMSE turun dari 169,77 menjadi 155,29 dalam selang nilai RMSE 155,29 sampai dengan 282,97. Hasil ini merupakan yang terbaik untuk percobaan kelompok data kedua untuk leap 1 dengan komposisi nilai delt_inc 1,7 dan delt_dec 0,6 seperti disajikan pada Gambar 11 , Gambar 12 dan Gambar 13.
Gambar 13. Jumlah epoh terbaik JST recurrent resilient backpropagation kelompok data kedua leap 1
31
Gambar 14. Korelasi terbaik JST recurrent resilient backpropagation kelompok data kedua leap 1
Gambar 15. Nilai prediksi (output) dan nilai aktual (target) terbaik JST recurrent kelompok data kedua leap 1. Dari hasil – hasil percobaan kelompok data kedua ini pendugaan curah hujan terbaik terjadi pada saat leap 1.
32 5.4 Komposisi Parameter Terbaik Topologi jaringan JST recurrent yang digunakan dalam penelitian ini berupa satu lapisan input, dua lapisan tersembunyi terdiri dari lapisan te rsembunyi pertama dengan jumlah 48 neuron dan lapisan tersembunyi kedua dengan 24 neuron serta satu lapisan output dengan 1 neuron. Topologi ini sudah ditetapkan terlebih dahulu berdasarkan percobaan pendahuluan secara trial & error, tujuannya agar penelitian utama lebih berfokus pada parameter dari algoritma pembelajaran yang akan diterapkan. Hasil penelitian selengkapnya dapat dilihat pada lampiran 5 sampai dengan 28, pada lampiran itu dapat dilihat hasil pengukuran masing- masing parameter
dalam
proses pelatihan dan pengujian dengan nilai rata-rata, nilai maksimum, nilai minimum serta standar deviasi dari R2 dan RMSE.
5.4.1 Komposisi Parameter Terbaik Adaptive Learning Rate Percobaan kelompok data pertama untuk leap 0, nilai parameter yang divariasikan adalah lr_inc dan lr_dec. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R2 maksimum naik dari 63,4 menjadi 64,5. Nilai rata-rata R2 naik dari 31,4 menjadi 35,3 sedangkan nilai RMSE turun dari 265,7 menjadi 213,96. Kemudian, nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 64,5 menjadi 69,2. Nilai rata-rata R2 turun dari 35,3 menjadi 28,4 sedangkan nilai RMSE naik dari 213,96 menjadi 238,11. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 0, adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data kedua untuk leap 0. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R2 maksimum naik dari 46 menjadi 47,3. Nilai rata-rata R2 turun dari 38,9 menjadi 38,4 sedangkan nilai RMSE naik dari 244,31 menjadi 272,5. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 47,3 menjadi 53,6. Nilai rata-rata R2 naik dari 38,4 menjadi 39,2
sedangkan nilai
33 RMSE naik dari 272,5 menjadi 297,69. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 0, adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data pertama untuk leap 1. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R2 maksimum naik dari 65,1 menjadi 65,9. N ilai rata-rata R2 naik dari 46 menjadi 42,1 sedangkan nilai RMSE naik dari 174 menjadi 183,78. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 65,9 menjadi 66,5. Nilai rata-rata R2 naik dari
42,1 menjadi 50,4 sedangkan nilai
RMSE tur un dari 183,78 menjadi 173,05. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 1 adalah lr_inc 1,2 dan lr_dec 0,6. Percobaan kelompok data kedua untuk leap 1. Ketika nilai lr_inc tetap 1,05 dan nilai lr_dec dinaikkan dari 0,6 menjadi 0,7 hasilnya nilai R2 naik dari 46 menjadi 46,4. Nilai rata-rata R2 naik dari 36,06 menjadi 37,8 sedangkan nilai RMSE naik dari nilai 198,13 menjadi 200,82. Kemudian nilai lr_inc dinaikkan dari 1,05 menjadi 1,2 dan nilai lr_dec diturunkan dari 0,7 menjadi 0,6 hasilnya nilai R2 maksimum turun dari 46,4 menjadi 45,7. Nilai rata-rata R2 turun dari 37,8 menjadi 37,09 sedangkan nilai RMSE turun dari 200,82 menjadi 197,55. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 1 adalah lr_inc 1,05 dan lr_dec 0,7. Hasil sele ngkapnya disajikan pada Tabel 11. Tabel 11.Komposisi parameter terbaik gradient descent adaptive learning rate Leap 0 Kelompok Data Pertama Kedua
lr_in 1,20 1,20
lr_dec 0,6 0,6
Leap 1 lr_in 1,20 1,05
lr_dec 0,6 0,7
Leap 2 lr_in 1,05 1,05
lr_dec 0,7 0,7
Leap 3 lr_in 1,20 1,20
lr_dec 0,6 0,6
5.4.2 Komposisi Parameter Terbaik Gradient Descent Adaptive Learning Rate & Momentum Percobaan kelompok data pertama untuk leap 0, parameter yang divariasikan adalah nilai momentum (mc) sedangkan nilai lr_inc dan lr_dec ditetapkan 1,05 dan 0,6 berdasarkan percobaan pendahuluan. Ketika nilai mc dinaikkan dari nilai 0,7 menjadi
34 0,9 hasilnya nilai R 2 maksimum naik dari 70,7 menjadi 71,6. Nilai rata-rata R2 naik dari 48,77 menjadi 51,48 sedangkan nilai RMSE turun dari nilai 278,55 menjadi 231,45. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 0 adalah mc 0,9. Percobaan kelompok data kedua untuk leap 0, Ketika nilai mc dinaik kan dari nilai 0,7 menjadi 0,9 hasilnya nilai R2 maksimum naik dari 45,7 menjadi 46,3. Nilai rata-rata
R2 turun dari 41,5 menjadi 41,1 sedangkan nilai RMSE naik dari 279,28
menjadi 331,93. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 0 adalah mc 0,9. Pada percobaan kelompok data pertama untuk leap 1, Ketika nilai mc dinaikkan dari nilai 0,7 menjadi 0,9 hasilnya nilai R2 maksimum naik dari 52,7 menjadi 74,6. N ilai rata-rata R2 naik dari 30,3 menjadi 30,4 sedangkan nilai RMSE turun dari nilai 207,66 menjadi 186. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 1 adalah mc 0,9. Pada percobaan kelompok data kedua untuk leap 1, Ketika nilai mc dinaikkan dari nilai 0,7 menjadi 0,9 hasilnya nilai R2 maksimum naik dari 45,6 menjadi 49,8. N ilai rata-rata R2 naik dari 36,4 menjadi 38,6 sedangkan nilai RMSE turun dari 223,23 menjadi 209,37. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 1 adalah mc 1. Hasil selengkapnya disajikan pada Tabel 12. Tabel 12.Komposisi parameter terbaik gardient descent daptive learning rate & momentum Kelompok Leap 0 Data mc Pertama 0,9 Kedua 0,9
Leap 1 mc 0,9 0,9
Leap 2 mc 0,9 0,9
Leap 3 mc 0,9 0,9
5.4.3 Komposisi Parameter Terbaik Resilient Backpropagation. Pada percobaan kelompok data pertama untuk leap 0, parameter yang divariasikan nilainya adalah delt_inc dan delt_dec. Ketika nilai delt_inc dinaikkan dari
35 nilai 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum naik dari 54,4 menjadi 56,2. Nilai rata-rata R2 turun dari 34,8 menjadi 33,7 sedangkan nilai RMSE turun dari nilai 206,7 menjadi 198,82. Kemudian nilai delt_inc tetap 1,7
dan delt_dec dinaikkan dari 0,4 menjadi 0,6 hailnya nilai R2
maksimum naik dari 56,2 menjadi 77. Nilai rata-rata R2 naik dari 33,7 menjadi 41,4 sedangkan nilai RMSE turun dari 198,82 menjadi 138,52. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 0 adalah delt_inc 1,7 dan delt_dec 0,6. Percobaan kelompok data kedua untuk leap 0. Ketika nilai delt_inc dinaikkan dari nilai 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum naik dari 45 menjadi 58,1. Nilai rata-rata
R2 turun dari 35,4
menjadi 30,4 sedangkan nilai RMSE naik dari 198,63 menjadi 201,63. Kemudian nilai delt_inc tetap 1,7
dan
delt_dec dinaikkan dari 0,4 menjadi 0,6 hasilnya nilai R2
maksimum turun dari 58,1 menjadi 46,6 sedangkan nilai RMSE naik dari 201,63 menjadi 229,47. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 0 adalah delt_inc 1,7 dan delt_dec 0,4. Pada percobaan kelompok data pertama untuk leap 1. Ketika nilai delt_inc dinaikkan dari nilai 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum naik dari 77,6 menjadi 84,8 . Nilai rata - rata R2 naik dari 48,4 menjadi 53,3 sedangkan nilai RMSE turun dari nilai 151,62 menjadi 125. Kemudian nilai delt_inc tetap 1,7 dan delt_dec naikkan dari 0,4 menjadi 0,6 maka nilai R2 maksimum turun dari 84,8 menjadi 70,4. Nilai rata - rata R2 turun dari 53,3 menjadi 51,04 sedangkan nilai RMSE naik dari 125 menjadi 153,22. Komposisi parameter terbaik percobaan kelompok data pertama untuk leap 1 adalah
delt_inc 1,7 dan
delt_dec 0,4. Pada percobaan kelompok data kedua untuk leap 1. Ketika nilai delt_inc dinaikkan dari nilai 1,5 menjadi 1,7 dan nilai delt_dec diturunkan dari 0,6 menjadi 0,4 hasilnya nilai R2 maksimum turun dari 59,5 menjadi 56,3. Nilai rata-rata nilai R2 naik dari 42,1 menjadi 43,6 sedangkan nilai RMSE naik dari 156,46 menjadi 169,77. Kemudian nilai delt_inc tetap 1,7 dan delt_dec diturunkan dinaikkan dari 0,4 menjadi 0,6 hasilnya nilai R2 maksimum naik dari 56,3 menjadi 59,9 sedangkan nilai RMSE
36 turun dari 169,77 menjadi 155,29. Komposisi parameter terbaik percobaan kelompok data kedua untuk leap 1 adalah delt_inc 1,7 dan delt_dec 0,6. Hasil selengkapnya disajikan pada Tabel 12. Tabel 12.Komposisi parameter terbaik resilient backpropagation Leap 0
Leap 1
Leap 2
Leap 3
Kelompok delt_inc delt_dec delt_inc delt_dec Delt_inc delt_dec delt_inc delt_dec Data Pertama 1,7 0,4 1,7 0,4 1,5 0,5 1,7 0,4 Kedua 1,7 0,4 1,7 0,6 1,5 0,6 1,7 0,4
37 BAB VI SIMPULAN DAN SARAN
6.1 Simpulan Simpulan penelitian ini adalah : a. JST recurrent yang teroptimasi secara heuristik dapat diterapkan dalam pendugaan curah hujan berdasarkan peubah ENSO dengan tingkat keakuratan yang cukup baik. b. Teknik optimasi heuristik terbaik pada penelitian ini adalah algoritma resilient backpropagation. c. Hasil pendugaan curah hujan terbaik pada leap 0 menghasilkan nilai R2 maksimum 77%, leap 1 menghasilkan nilai R2 maksimum 84,8%, leap 2 menghasilkan nilai R2 maksimum 75,5%, dan leap 3 menghasilkan nilai R2 maksimum 54,1%. d. Komposisi 75% data pelatihan & 25% data pengujian menghasilkan R2 maksimum lebih tinggi dibandingkan komposisi 50% data pelatihan dan 50% data pengujian.
6.2 Saran Penelitian ini masih diperlukan pengembangan model selanjutnya. Hal- hal yang mungkin perlu dikembangkan adalah : a. Perlu dicoba penggunaan algoritma pembelajaran yang lain yang mungkin masih bisa menaikkan tingkat keakuratan pendugaan JST recurrent. b. Perlu pengembangan jumlah peubah selain peubah ENSO, seperti arah angin dan parameter lainnya yang memungkin adanya korelasi dengan curah hujan.
38 c. Perlu dicoba komposisi data percobaan yang lain misalnya 90% data pelatihan dan 10% data pengujian. d. Perlu penelitian lebih lanjut untuk menurunkan nilai RMSE. e. Perlu pengujian lebih lanjut dan penerapan hasil penelitian ini di lapangan.
39 DAFTAR PUSTAKA Apriyanti, Novi. 2004. Optimasi Jaringan Syaraf Tiruan dengan Algoritma Genetika untuk Peramalan Curah Hujan. Bogor : Jurusan Ilmu Komputer FMIPA IPB. Coulibaly, Rasmussen & Bobee. 2000. A Recurrent Neural Networks ApproachUsing Indices of Low Frequency Climatic Variability to Forecast Regional Annual Runoff. Hydrol.Process. 14, 2755-2777. Effendy, Sobri. 2001.Urgensi Prediksi Cuaca dan Iklim di Bursa Komoditas Unggulan Pertanian. Bogor: Makalah Falsafah Sains Program Pasca Sarjana/S3. Fausett, Laurene. 1994. Fundamentals of Neural Networks. Prentice-Hall. Fitriadi. 2004. Kombinasi Model Regresi Komponen Utama dan Arima dalam Statistical Downscaling. Skripsi.Bogor:Jurusan Ilmu Komputer FMIPA IPB. Kusumadewi Sri. 2004. Membangun Jaringan Syaraf Tiruan menggunakan Matlab & Excell Link. Penerbit Graha Ilmu. Kristanto Andri. 2004. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi). Penerbit Gaya Media. Lakshmi Sri, R.K. Tiwari & Somvanshi. 2003. Prediction of Indian Rainfall Index (IRF) using the ENSO variability and Sunspot Cycles-An Artificial Neural Network Approach. J.Ind.Geophys. Union vol.7, No.4.pp.173-181. Normakristagaluh P. 2004. Penerapan Jaringan Syaraf Tiruan untuk Peramalan Curah Hujan dalam Statistical Downscaling. Bogor:Jurusan Ilmu Komputer FMIPA IPB. Walpole,E.R. 1995. Pengantar Statistika. Jakarta : PT Gramedia Pustaka Utama. Workshop JNB. 2002. Aplikasi Jaringan Neural Buatan Pada Pattern Recognition. Laboratorium Kecerdasan Komputasi Fakultas Ilmu Komputer Universitas Indonesia. Yusmen, Dedi. 1998. Tugas Akhir: Pengaruh ENSO terhadap pola curah, hujan di Wilayah DAS Brantas Selatan-Jawa Timur. Bandung: Jurusan Geofisika dan Meteorologi,FMIPA ITB.
LAMPIRAN
Lampiran 1. Data Penelitian Nama Pos : Bongan Bali No. Pos : 440 Posisi : 08° 33' 05" S - 115° 05' 48"E Tinggi : 124 meter
Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret
OLR 23.5 9.7 21.7 5.4 19.7 22.4 25.9 40.6 40.1 28.3 45.9 26.8 33.5 44.7 41.3 32 40.5 45.4 41.5 41.2 37.5 43.3 25.7 -6.9 8.5 25.2 36.7 40.3 46 50.6 52.1 61.9 59.5 66 60.7 52.8 61.7 60.4 53.5
WIND 6.6 6.7 7.4 5.3 5.9 6.1 8.2 6.6 6.5 6.1 6.4 9.3 9.9 10.9 8.5 8.1 7.3 8.7 7.3 7.1 6.2 3.8 3.9 7.4 9.7 7.5 9.3 8 8.7 8.7 9.1 9.9 8.8 7.9 8.4 6.8 11.3 12.1 10.7
SOI 0.5 1.2 0.9 1 0.5 0.6 -0.2 1.7 0.9 1.2 -1 -1.2 -1 -1.5 0.1 -0.2 0.6 -0.5 -0.3 0.6 1.1 0.9 0.2 0.7 0.6 0.3 -0.6 -0.3 0 -0.6 -1.2 -0.8 0 -1.6 -0.8 -0.1 -1.5 -1.7 -1.9
SSTA 0.18 0.28 0.52 0.9 1.06 0.79 0.48 0.14 0.28 0.33 0.39 0.29 0.08 -0.1 0.13 0.22 0.28 0.49 0.28 0.65 0.36 0.9 1.36 1.4 1.04 0.76 0.48 0.25 -0.04 0.09 -0.07 -0.38 -0.68 -0.93 -0.86 -0.91 -0.77 -0.85 -0.52
Curah Hujan 649.0 601.0 321.0 151.0 14.0 176.0 121.0 12.0 40.0 53.0 104.0 449.0 818.0 467.0 495.0 121.0 23.0 0.0 10.0 0.0 2.0 4.0 108.0 167.0 550 201 346 138 20 94 46 0 65 51 624 464 432 456 271
Lampiran 1. Data Penelitian (sambungan ) Bulan April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember
OLR 43.5 49.2 51.8 53.4 58.9 63.9 59.5 56.1 47.3 41.9 42.5 21.6 19 16.3 29.7 22.8 24.8 32.8 12.2 38.8 14.4 24 30.2 39.2 53.3 37.4 42.9 53.3 60.7 68.2 64.3 64 57.3 62.5 54.5 59.8 53.3 53.8 52.1 49.6 61.5 69.4 65.9 59
WIND 9 9.1 9.5 9.8 8.2 9.3 8 8.3 9.9 8.7 11.3 6.8 5.8 5.9 1.3 6.8 3.3 0.7 -3.2 -0.7 2.6 2.3 2.3 1.8 2.5 6.5 8 9.8 9 8.4 10.2 10.3 11.6 12.4 11.6 10.6 9.4 9.3 8.8 10.7 9.7 7.5 9.2 10.3
SOI -0.9 0.7 -0.3 -1 -0.3 -2.5 -1.1 -1.5 -1.7 0.2 -1.8 1.2 1.7 0.9 1.6 0.7 2 2.6 2.8 2.5 1.1 1.8 3.1 1.5 1.5 0 0 -0.5 0 -0.7 -1.1 -1.4 -1.6 -3.5 -0.8 -4.3 -1.5 -0.2 0.1 -0.9 0.4 -0.8 -1.3 -1.4
SSTA -0.32 -0.39 -0.17 0.01 -0.14 -0.3 -0.36 -0.32 -0.45 -0.55 -0.33 -0.11 0.34 0.84 1.45 1.85 2.14 2.29 2.64 2.8 2.78 2.59 2.17 1.53 0.87 0.71 -0.78 -1.14 -1.22 -1.04 -1.26 -1.33 -1.69 -1.61 -1.28 -0.89 -0.84 -0.79 -0.9 -0.73 -1.12 -0.94 -0.96 -1.39
Curah Hujan 67 97 7 12 46 19 331 434 440 366 416 23 154 43 4 36 5 0 2 54 254 160 122 200 87 48 68 96 113 115 446 537 376 160 122 200 87 48 68 96 113 115 446 537
Lampiran 2. Pengkodean program JST recurrent gradient descent adaptive learning rate %Optimasi heuristik algoritma pembelajaran JST recurrent % gradient descent adaptive learning rate %--------------------------------------------------------clear; %Matriks input dan target Data=load('D:\Datat75leap0.dat'); P=Data(:,1:4)'; T=Data(:,5)'; %Preprocessing [pn,meanp,stdp,tn,meant,stdt]=prestd(P,T) Pseq=con2seq(P); Tseq=con2seq(T); %membentuk jaringan net=newelm(minmax(pn),[ 48 24 1], {'tansig' 'logsig' 'purelin' }, 'traingda'); %Melihat bobot-bobot awal input,lapisan, dan bias BobotAwal_input =net.IW{1,1} BobotAwal_Bias_input =net.b{1,1} BobotAwal_lapisan1 =net.LW{2,1} BobotAwal_Bias_lapisan1 =net.b{2,1} BobotAwal_lapisan2 =net.LW{3,2} BobotAwal_Bias_lapisan2 =net.b{3,1} %Set max epoh,goal,learning rate, show step net.trainParam.epochs = 30000; net.trainParam.goal = 1e-2; net.trainParam.max_perf_inc = 1.06; net.trainParam.lr = 0.1; net.trainParam.lr_inc = 1.05; net.trainParam.lr_dec = 0.6; net.trainParam.show = 100; %Pelatihan net=train(net,pn,tn);pause %Melihat bobot-bobot awal input,lapisan, dan bias BobotAkhir_Input = net.IW{1,1} BobotAkhir_Lapisan1 = net.LW{2,1} BobotAkhir_Bias_lapisan1 = net.b{2,1} BobotAkhir_lapisan2 = net.LW{3,2} BobotAkhir_Bias_lapisan2 = net.b{3,1} %Pengujian data training an = sim(net,pn); a = poststd(an,meant,stdt); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%2d %9.2f %7.2f %5.2f\n',H') %Evaluasi output jaringan (data pelatihan dengan target)
[m1,a1,r1]=postreg(a,T) pause; plot ([1:size(P,2)],T,'bo',[1:size(P,2)],a,'r*'); title('Perbandingan Data Training antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); pause %Matriks baru Q akan di tes dengan target TQ Cek=load('D:\Cekt25leap0.dat'); Q=Cek(:,1:4)'; TQ=Cek(:,5)'; %Normalisasi input baru Qn=trastd(Q,meanp,stdp); bn=sim(net,Qn) b=poststd(bn,meant,stdt) L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%2d %11.2f %9.2f %7.2f\n',L') %Evaluasi output jaringan (data pelatihan dengan target) [m2,b1,r2]=postreg(b,TQ) pause; k=[1:size(Q,2)]'; plot (k,TQ,'bo',k,b','r*'); title('Perbandingan Data testing antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); text(k+0.2*ones(length(k),1),TQ,int2str(k)); RMS_Error=sqrt(mean((TQ-b).^2)); L=[ RMS_Error' ]; sprintf('%7.2f\n',L')
Lampiran 3. Pengkodean program JST recurrent gradient descent adaptive learning rate & momentum %Optimasi heuristik algoritma pembelajaran JST recurrent gradient descent % adaptive learning rate and momentum %--------------------------------------------------------clear; %Matriks input dan target Data=load('D:\Datat75leap3.dat'); P=Data(:,1:4)'; T=Data(:,5)'; %Preprocessing [pn,meanp,stdp,tn,meant,stdt]=prestd(P,T) Pseq=con2seq(P); Tseq=con2seq(T); %membentuk jaringan net=newelm(minmax(pn),[48 24 1], {'tansig' 'logsig' 'purelin' }, 'traingdx'); %Melihat bobot-bobot awal input,lapisan, dan bias BobotAwal_input =net.IW{1,1} BobotAwal_Bias_input =net.b{1,1} BobotAwal_lapisan1 =net.LW{2,1} BobotAwal_Bias_lapisan1 =net.b{2,1} BobotAwal_lapisan2 =net.LW{3,2} BobotAwal_Bias_lapisan2 =net.b{3,1} %Set max epoh,goal,learning rate, show step net.trainParam.epochs = 20000; net.trainParam.goal = 1e-3; net.trainParam.max_perf_inc = 1.06; net.trainParam.lr = 0.1; net.trainParam.lr_inc = 1.05; net.trainParam.lr_dec = 0.6; net.trainParam.mc = 0.7; net.trainParam.show = 100; %Pelatihan net=train(net,pn,tn);pause %Melihat bobot-bobot awal input,lapisan, dan bias BobotAkhir_Input = net.IW{1,1} BobotAkhir_Lapisan1 = net.LW{2,1} BobotAkhir_Bias_lapisan1 = net.b{2,1} BobotAkhir_lapisan2 = net.LW{3,2} BobotAkhir_Bias_lapisan2 = net.b{3,1} %Pengujian data training an = sim(net,pn); a = poststd(an,meant,stdt); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%2d %9.2f %7.2f %5.2f\n',H')
%Evaluasi output jaringan (data pelatihan dengan target) [m1,a1,r1]=postreg(a,T) pause; plot ([1:size(P,2)],T,'bo',[1:size(P,2)],a,'r*'); title('Perbandingan Data Training antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); pause %Matriks baru Q akan di tes dengan target TQ Cek=load('D:\Cekt25leap3.dat'); Q=Cek(:,1:4)'; TQ=Cek(:,5)'; %Normalisasi input baru Qn=trastd(Q,meanp,stdp); bn=sim(net,Qn) b=poststd(bn,meant,stdt) L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%2d %11.2f %9.2f %7.2f\n',L') %Evaluasi output jaringan (data pelatihan dengan target) [m2,b1,r2]=postreg(b,TQ) pause; k=[1:size(Q,2)]'; plot (k,TQ,'bo',k,b','r*'); title('Perbandingan Data testing antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); text(k+0.2*ones(length(k),1),TQ,int2str(k)); RMS_Error=sqrt(mean((TQ-b).^2)); L=[ RMS_Error' ]; sprintf('%7.2f\n',L')
Lampiran 4. Pengkodean Program JST recurrent resilient backpropagation %Optimasi heuristik algoritma pembelajaran JST recurrent %resilent backpropagation %--------------------------------------------------------clear; %Matriks input dan target Data=load('D:\Data50leap3.dat'); P=Data(:,1:4)'; T=Data(:,5)'; %Preprocessing [pn,meanp,stdp,tn,meant,stdt]=prestd(P,T) Pseq=con2seq(P); Tseq=con2seq(T); %membentuk jaringan net=newelm(minmax(pn),[48 24 1], {'tansig' 'logsig' 'purelin' }, 'trainrp'); %Melihat bobot-bobot awal input,lapisan, dan bias BobotAwal_input =net.IW{1,1} BobotAwal_Bias_input =net.b{1,1} BobotAwal_lapisan1 =net.LW{2,1} BobotAwal_Bias_lapisan1 =net.b{2,1} BobotAwal_lapisan2 =net.LW{3,2} BobotAwal_Bias_lapisan2 =net.b{3,1} %Set max epoh,goal,learning rate, show step net.trainParam.epochs = 6000; net.trainParam.goal = 1e-3; net.trainParam.lr = 0.3; net.trainParam.delt_inc = 1.7; net.trainParam.delt_dec = 0.4; net.trainParam.delta0 = 0.05; net.trainParam.deltamax = 50; net.trainParam.show = 100; %Pelatihan net=train(net,pn,tn);pause %Melihat bobot-bobot awal input,lapisan, dan bias BobotAkhir_Input = net.IW{1,1} BobotAkhir_Lapisan1 = net.LW{2,1} BobotAkhir_Bias_lapisan1 = net.b{2,1} BobotAkhir_lapisan2 = net.LW{3,2} BobotAkhir_Bias_lapisan2 = net.b{3,1} %Pengujian data training an = sim(net,pn); a = poststd(an,meant,stdt); H=[(1:size(P,2))' T' a' (T'-a')]; sprintf('%2d %9.2f %7.2f %5.2f\n',H') %Evaluasi output jaringan (data pelatihan dengan target) [m1,a1,r1]=postreg(a,T)
pause; plot ([1:size(P,2)],T,'bo',[1:size(P,2)],a,'r*'); title('Perbandingan Data Training antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); RMS_Error=sqrt(mean((T-a).^2)); L=[ RMS_Error' ]; sprintf('%11.2f\n',L') pause %Matriks baru Q akan di tes dengan target TQ Cek=load('D:\Cek50leap3.dat'); Q=Cek(:,1:4)'; TQ=Cek(:,5)'; %Normalisasi input baru Qn=trastd(Q,meanp,stdp); bn=sim(net,Qn) b=poststd(bn,meant,stdt) L=[(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%2d %11.2f %9.2f %7.2f\n',L') %Evaluasi output jaringan (data pelatihan dengan target) [m2,b1,r2]=postreg(b,TQ) pause; k=[1:size(Q,2)]'; plot (k,TQ,'bo',k,b','r*'); title('Perbandingan Data testing antara Target(o) dan output jaringan (*)'); xlabel('Data ke-'); ylabel('Target atau Output'); text(k+0.2*ones(length(k),1),TQ,int2str(k)); RMS_Error=sqrt(mean((TQ-b).^2)); L=[ RMS_Error' ]; sprintf('%11.2f\n',L')
Lampiran 5. Hasil penelitian kelompok data pertama JST gradient descent recurrent adaptive learning rate leap 0 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc Lr_Dec Epoch 3647 4877 5507 3959 3734 4510 4250 4023 4389 4258 3417 7230 5069 5024 6256 3627 4447 5317 7023 5809
: :
2
R Uji 0.518 0.692 0.394 -0.286 0.112 0.3 0.478 0.3 0.318 0.271 0.32 0.474 0.368 0.287 -0.101 0.0172 0.486 -0.0453 0.524 0.271
-0.286
Min RMSE
0.692 0.284895
Max RMSE Mean RMSE
0.240409816
Std.RMSE
1.2 0,6 RMSE 539.49 269.87 336.59 384.19 379.08 383.26 238.11 484.11 293.57 455.8 474.74 352.18 414.77 477.44 382.26 407.38 361.82 366.18 355.14 336.53 238.11 539.49 384.6255 75.210
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc Lr_Dec Epoch 3960 4250 7323 5991 3850 9490 5254 4095 5491 5054 4631 8287 5853 6735 6244 3556 5840 6697 5638 5698
: :
2
R Uji 0.441 0.366 0.314 -0.114 0.435 0.278 0.428 0.393 0.391 0.325 0.634 0.549 0.341 0.468 -0.0794 0.21 0.411 -0.19 0.3 0.38
-0.19
Min RMSE
0.634 0.31403
Max RMSE Mean RMSE
0.212611276
Std.RMSE
1,05 0.6 RMSE 349.04 561.46 411.63 397.68 359 364.15 413.7 534.05 307.64 373.55 265.7 460.84 366.8 338.06 509.22 333.95 269.04 341.34 432.17 373.64 265.7 561.46 388.133 80.011
Lampiran 5. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate leap 0 (lanjutan)
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc lr_Dec
: :
1.05 0.7
Epoch 4520 4434 6954 5498 4307 6477 5701 5326 5862 6248 5628 7132 5791 7000 6957 5109 6242 6236 8594 6204 -0.29
R Uji 0.455 0.322 0.304 0.432 0.333 0.492 0.645 0.191 0.418 0.41 0.5 0.429 0.411 0.449 -0.125 0.502 0.338 -0.29 0.511 0.349 Min RMSE
2
RMSE 409.85 536.07 286.01 396.09 379.68 281.02 381.86 378.39 333.89 340.62 347.52 347.49 338.14 339.19 425.79 213.96 271.82 375.81 407.4 298.23 213.96
0.645 0.3538
Max RMSE Mean RMSE
536.07 354.4415
0.2161872
Std.RMSE
68.484
Lampiran 6. Hasil penelitian ke lompok data pertama JST recurrent gradient descent adaptive learning rate leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 3101 4293 5754 3242 3384 4360 5100 3304 3845 3485 5349 6954 5532 4310 5216 3204 8388 4063 3348 5206 0.262 0.665 0.50475 0.116563005
: :
2
R Uji 0.627 0.262 0.665 0.508 0.586 0.367 0.481 0.572 0.656 0.585 0.487 0.487 0.487 0.513 0.524 0.298 0.394 0.636 0.589 0.371 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.2 0,6 RMSE 202.18 232.72 246.72 215.39 228.85 262.56 236.28 225.42 173.05 195.11 223.48 346.02 231.17 201.96 210.23 260.95 272.42 220.45 215.95 268.49 173.05 346.02 233.47 36.868
komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 4545 4476 7368 4010 3396 4749 6028 4187 5078 3723 6093 5934 5819 4927 5629 3523 6872 4988 5200 5296
: :
2
R Uji 0.58 0.233 0.642 0.323 0.459 0.281 0.619 0.29 0.392 0.47 0.587 0.605 0.446 0.483 0.362 0.651 0.374 0.485 0.568 0.368
0.233
Min RMSE
0.651 0.4609 0.129952582
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 RMSE 221.89 309.4 202.68 227.18 233.75 285.39 190.25 304.12 304.67 229.79 216.05 275.31 219.31 244.65 236.65 223.09 289.89 229.15 174.41 274.2 174.41 309.4 244.5915 39.668
Lampiran 6. Hasil penelitian kelompok data pertama JST gradient descent recurrent adaptive learning rate leap 1(lanjutan) Komposisi:
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Lr_Inc Lr_Dec Epoch 4688 5030 7836 4372 5470 4800 6726 5041 6153 5663 5235 6584 5323 5368 6521 5974 7999 5140 5663 5491
2
Min R 2 Max R 2
Mean R 2 Std.R
: :
R2 Uji 0.641 0.161 0.437 0.33 0.405 0.386 0.422 0.303 0.307 0.379 0.494 0.405 0.658 0.439 0.24 0.475 0.393 0.659 0.542 0.356
1.05 0.7 RMSE 213.48 305.06 249.19 266.38 183.78 269.99 222.89 264.62 273.52 303.23 248.92 332.65 201.17 248.25 253.17 218.21 251.74 189.29 197.19 282.83
0.161 0.659
Min RMSE Max RMSE
183.78 332.65
0.4216 0.131538427
Mean RMSE Std.RMSE
248.778 40.730
Lampiran 7. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate leap 2 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 4141 5652 7208 5412 3892 4594 4490 5431 9309 6334 5588 7139 7699 7213 6320 3411 6790 5332 6474 6357 0.124 0.616 0.3558 0.130351589
: :
2
R Uji 0.365 0.248 0.376 0.427 0.246 0.593 0.368 0.14 0.238 0.355 0.124 0.344 0.523 0.616 0.303 0.403 0.28 0.464 0.303 0.4 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.2 0,6 RMSE 300.6 335.41 255.52 288.33 309.32 206.85 267.77 396.64 315.77 301.31 436.03 362.43 243.88 258.97 270.62 281.7 314.71 284.99 287.95 274.91 206.85 436.03 299.6855 52.520
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 4318 5964 8758 6918 3231 4558 4941 5312 8626 7079 7153 7886 7827 5781 5683 6322 6959 5463 7015 6873
: :
2
R Uji 0.529 0.449 0.379 0.389 0.162 0.568 0.409 0.192 0.368 0.295 0.194 0.411 0.508 0.477 0.362 0.273 0.252 0.598 0.307 0.262
0.162
Min RMSE
0.598 0.3692 0.12720005
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 RMSE 245.02 296.26 281.6 273.9 340.03 211.42 262.54 330.86 288.44 350.71 399.22 343.49 242.39 248.37 253.12 335.59 322.71 252.61 328.69 316.53 211.42 399.22 296.175 47.747
Lampiran 7. Hasil penelitian kelompok data pertama JST recurrent adaptive learning rate leap 2 (lanjutan) Komposisi:
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2 2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 4951 8192 9927 5272 5551 4515 5338 5526 7630 7926 7403 7792 8905 8066 7311 6307 10000 6539 6584 6531
: :
2
R Uji 0.641 0.514 0.432 0.253 0.32 0.524 0.482 0.414 0.427 0.266 0.222 0.447 0.528 0.201 0.31 0.212 0.438 0.442 0.443 0.427
0.201
Min RMSE
0.641 0.39715 0.121403319
Max RMSE Mean RMSE Std.RMSE
1.05 0.7 RMSE 210.48 271.89 228.76 302.65 308 230.32 246.84 262.71 285.64 368.63 347.78 303.14 234.6 326.76 267.27 356.03 323.68 310.52 290.49 268.91 210.48 368.63 287.255 44.671
Lampiran 8. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate leap 3 L
Komposisi :
Lr_Inc Lr_Dec
a m p i r a n
8 . H a s i l
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
-0.0733
2
Max R
p
Epoch 3627 4175 4943 3656 4624 4687 3793 3903 4849 4520 3974 3616 3705 7426 3685 6050 5687 4985 6005 4896
2
Mean R eStd.R2
: :
R2 Uji 0.371 -0.0444 0.309 0.542 0.0526 0.29 0.555 0.293 0.123 0.309 0.465 0.276 0.302 0.21 0.508 0.471 -0.0733 0.258 0.0037 0.316 Min RMSE
0.555
Max RMSE
0.27683 0.187353834
Mean RMSE Std.RMSE
1.2 0,6
Komposisi :
RMSE 251.18 342.87 255.42 175.77 222.8 219.61 156.83 296.88 232.5 210.46 194.76 194.67 189.34 241.49 201.37 171.48 252.22 244.81
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
205.89 156.83 342.87 224.2289474 44.927
2
Min R
2
Max R
2
Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 4586 4855 6273 5968 4208 5105 5570 3962 4788 5698 5126 6455 5603 8448 7119 5287 6522 6277 4290 6434
: :
R2 Uji 0.298 0.25 0.0473 0.279 -0.0233 0.322 0.324 0.298 0.219 0.239 0.337 0.021 0.0933 0.154 0.0514 0.519 0.395 0.181 0.345 0.212
-0.0233
Min RMSE
0.519
Max RMSE
0.228085 0.1386409
Mean RMSE Std.RMSE
1,05 0.6 RMSE 253.65 217.35 263.87 240.21 280.32 218.84 190.34 201.8 243.16 241.52 200.99 291.89 227.04 211.17 295.7 170 196.95 220.35 230.79 196.97 170 295.7 229.6455 34.434
Lampiran 8.Hasil pe nelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate leap 3 (lanjutan)
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc Lr_Dec Epoch 5718 4910 6862 6905 4531 6106 6581 5001 5222 6869 5283 7224 6601 7216 8825 7708 8496 9083 4788 7953
: :
2
R Uji 0.337 0.246 0.193 0.231 0.316 0.22 0.531 0.252 0.416 0.175 0.173 0.11 0.358 0.259 0.338 0.386 0.352 0.094 0.371 0.249
0.094
Min RMSE
0.531 0.28035
Max RMSE Mean RMSE
0.108353843
Std.RMSE
1.05 0.7 RMSE 246.5 207.65 240.26 276.02 198.74 233 179.23 231.94 206.17 254.91 207.91 285.4 241.9 199.75 250.1 228.83 194.59 255.62 240.88 239.57 179.23 285.4 230.9485 27.978
Lampiran 9. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate & momentum leap 0 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2 2
Max R 2 Mean R 2 Std.R
L
Lr_Inc Lr_Dec MC Epoch 7615 7758 13408 8507 8280 10021 6848 7061 7227 12163 5161 8507 8671 12732 7399 9679 7149 15082 6655 15072 -0.0642 0.707 0.48774 0.167325477
: : :
2
R Uji 0.698 0.536 0.441 -0.0642 0.505 0.507 0.707 0.459 0.601 0.536 0.559 0.661 0.499 0.508 0.248 0.394 0.539 0.433 0.55 0.438 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7
Komposisi :
RMSE 421.48 500.06 513.92 365.54 368.79 313.33 307.51 482.14 475.62 338.05 434.11 470.6 398.63 525.04 416.91 399.29 278.55 530.99 477.16 520.69
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
278.55 530.99 426.9205 78.803
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 5471 5899 8083 5590 6674 6544 7678 5842 5583 13531 3917 7000 4748 7790 4628 6391 4563 10070 6413 6930
: : :
2
R Uji 0.533 0.58 0.372 0.116 0.511 0.716 0.605 0.484 0.671 0.365 0.6 0.568 0.649 0.664 0.147 0.561 0.551 0.624 0.425 0.554
0.116
Min RMSE
0.716 0.5148 0.160761543
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 435.5 476.56 503.78 383.77 321.91 344.27 371.17 456.91 404.55 470.64 419.51 538.7 231.45 369.57 462.86 501.84 288.92 417.94 438.08 513.5 231.45 538.7 417.5715 79.649
Lampiran 10. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate & momentum leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 9968 7795 14996 7671 6868 14299 11662 8543 4625 10930 11171 7945 8523 11249 9552 8876 7060 18207 15162 7487 0.115 0.527 0.3038 0.111369749
: : :
2
R Uji 0.151 0.464 0.258 0.411 0.418 0.277 0.313 0.527 0.318 0.301 0.431 0.183 0.175 0.225 0.311 0.245 0.115 0.226 0.323 0.404 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7
Komposisi :
RMSE 271.47 260.19 286.47 283.91 242.69 367.36 266.12 207.66 263.74 368.02 232.92 314.64 265.74 291.41 301.42 280.36 296.07 325.91 282.9 328.65
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
207.66 368.02 286.8825 40.384
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 5919 5468 12109 5800 13962 12913 4106 6993 4446 11443 9602 8987 9198 4947 6091 5382 9250 14776 7555 7954
2
R Uji 0.352 0.493 0.128 0.371 0.0799 0.227 0.746 0.299 0.459 0.118 0.377 0.498 0.211 0.132 0.347 0.219 0.288 0.0979 0.409 0.239
0.0799
Min RMSE
0.746 0.30454 0.16731615
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 281.53 278.3 340.4 364.21 328.53 319.4 186.01 293.98 221.39 269.28 222.59 219.47 324.68 357.89 220.29 295.53 228.21 271.7 290.57 279.66 186.01 364.21 279.681 50.743
Lampiran 11. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate & momentum leap 2 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2 2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 5648 6321 14350 9865 6278 7126 8890 7263 9676 6075 6198 6971 7627 9521 9424 7283 10840 8161 7432 4534 0.135 0.573 0.3907 0.142036356
: : :
2
R Uji 0.52 0.529 0.18 0.135 0.403 0.536 0.329 0.234 0.438 0.195 0.568 0.327 0.515 0.573 0.379 0.214 0.476 0.481 0.3 0.482 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7
Komposisi :
RMSE 235.01 275.51 280.91 349.13 316.31 265.06 302.72 311.78 295.33 395.63 335.95 283.1 276.4 231.72 256.44 380.96 347.02 281.54 341.41 271.1
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
231.72 395.63 301.6515 45.130
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 4143 4941 10927 6858 4506 5723 6445 5321 6048 4287 5438 4582 6769 6299 7117 5394 9489 6320 6207 5631
2
R Uji 0.632 0.437 0.102 0.378 0.355 0.482 0.309 0.192 0.437 0.283 0.465 0.112 0.468 0.415 0.5 0.196 0.526 0.352 0.495 0.435
0.102
Min RMSE
0.632 0.37855 0.141921949
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 202.28 262.41 327.82 314.41 335.65 275.99 30.9.93 349.64 298.54 360.19 317.78 414.44 294.15 270.52 208.75 387.5 313.46 311.04 237.41 277.85 202.28 414.44 303.1489474 86.452
Lampiran 12. Hasil penelitian kelompok data pertama JST recurrent gradient descent adaptive learning rate & momentum leap 3 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 5075 6348 4418 4794 4715 5038 4756 6925 4008 7544 4969 6411 5888 6553 6704 7516 9179 5312 3711 5374 -0.0851 0.485 0.17365 0.151166035
: : :
2
R Uji 0.19 0.042 0.237 0.182 0.172 0.185 0.468 0.0631 0.339 0.236 0.096 0.0359 -0.0851 0.121 0.158 0.27 0.0284 -0.0413 0.291 0.485 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7 RMSE 262.09 323.17 237.14 229.8 226.52 276.41 180.26 279.94 220.92 303.79 287.43 318.83 300.43 232.17 203.03 300.82 311.14 288.37 294.05 174.3 174.3 323.17 262.5305 46.084
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 4395 4214 3280 3636 3397 3868 4008 4650 2774 4518 3587 5801 5193 4562 5180 4678 7018 4143 3380 3913
2
R Uji 0.294 0.282 0.31 0.191 0.423 0.186 0.313 0.211 0.117 0.135 0.125 0.0376 0.14 0.16 0.381 0.171 0.0409 -0.121 0.119 0.361
-0.121
Min RMSE
0.423 0.193825 0.13229631
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 226.63 294.89 226.29 208.22 206.54 288.37 193.6 204.64 224.59 246.6 279.81 282.39 215.73 209.78 218.31 303.97 293.94 275.21 369.81 180.04 180.04 369.81 247.468 48.373
Lamp iran 13. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 0 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
Delta_Inc Delta_Dec Epoch 312 257 407 252 209 196 456 163 193 174 356 394 181 225 261 293 225 151 174 150 -0.0345
2
Max R
2
Mean R 2 Std.R
R2 Uji 0.38 0.544 0.403 0.175 0.147 0.468 0.392 -0.0345 0.212 0.176 0.31 0.487 0.504 0.35 0.336 0.143 0.465 0.504 0.515 0.499 Min RMSE
: :
1,5 0,6
Komposisi :
RMSE 349.16 258.64 539.59 236.46 258.26 335.63 272.66 284.56 227.15 328.44 291 265.73 282.34 324.58 410.6 356.45 283.38 342.04 324.21 206.7 206.7
Delta_Inc Delta_Dec
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Epoch 238 223 355 182 388 232 270 260 285 165 309 191 216 258 214 258 191 237 214 261
2
Min R
2
0.544
Max RMSE
539.59
Max R
0.348775 0.162139355
Mean RMSE Std.RMSE
308.879 73.638
Mean R 2 Std.R
2
R2 Uji 0.397 0.454 0.303 0.707 0.448 0.491 0.296 0.468 0.453 0.16 0.464 0.295 0.487 0.243 0.594 0.594 0.439 0.304 0.536 0.4
0.16
Min RMSE
0.707
Max RMSE
0.42665 0.131920341
Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 290.66 258.51 244.13 320.23 269.84 221.02 203.59 274.43 197.16 317.26 472.7 251.63 414.76 238.88 204.4 248.61 274.3 279.21 316.85 275.2 197.16 472.7 278.6685 67.688
Lampiran 13. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 0 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Delta_Inc Delta_Dec Epoch 206 275 200 174 176 381 317 301 174 186 320 203 146 264 367 200 160 438 235 338 -0.237
2
R Uji 0.419 0.525 0.542 0.372 0.391 0.454 0.485 0.129 0.0786 0.551 0.384 -0.0648 0.0507 0.402 0.452 0.413 0.436 0.411 0.562 -0.237 Min RMSE
0.562 0.337775
Max RMSE Mean RMSE
0.222884142
Std.RMSE
: :
1.7 0.4 RMSE 354.72 226.7 298.3 242.69 246.55 268.57 234.18 346 255.53 377.26 286.39 305.39 198.82 315.07 271.86 275.64 274.26 229.26 249.84 381.64 198.82 381.64 281.9335 51.441
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Delta_Inc Delta_Dec Epoch 228 182 299 149 161 288 287 223 152 168 358 244 207 220 266 249 282 308 167 202
2
R Uji 0.539 0.361 0.616 0.379 0.475 0.139 0.336 0.332 0.553 0.714 0.282 0.664 0.77 0.0437 0.489 0.55 0.388 0.374 0.313 -0.037
-0.037
Min RMSE
0.77 0.414035
Max RMSE Mean RMSE
0.210977557
Std.RMSE
: :
1.7 0.6 RMSE 374.99 275.84 367.73 227.87 273.78 261.46 277.7 223.21 212.08 239.62 329.45 168.87 138.52 369.54 260.24 192.42 327.72 236.02 291.97 235.44 138.52 374.99 264.2235 65.519
Lampiran 14. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Delta_Inc Delta_Dec Epoch 134 156 214 197 182 112 241 170 173 182 164 225 182 154 206 372 171 165 152 165 0.0375
2
R Uji 0.564 0.368 0.633 0.596 0.776 0.641 0.35 0.0375 0.714 0.586 0.333 0.425 0.329 0.63 0.463 0.511 0.444 0.13 0.563 0.597 Min RMSE
: :
1,5 0,6
Komposisi :
RMSE 172.24 198.09 212.83 232.72 151.62 186.2 219.72 406.37 157.34 328.94 275.66 217.1 703.38 300.18 221.69 298.32 234.56 279.13 270.77 160.98 151.62
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
0.776 0.484525
Max RMSE Mean RMSE
703.38 261.392
Max R 2 Mean R
0.186920999
Std.RMSE
122.292
Std.R
2
Delta_Inc Delta_Dec Epoch 175 137 215 189 180 202 145 162 184 178 174 228 178 152 215 252 243 247 198 241
2
R Uji 0.447 0.69 0.238 0.465 0.593 0.683 0.593 0.425 0.785 0.6 0.347 0.488 0.304 0.717 0.582 0.433 0.732 -0.11 0.563 0.574
-0.11
Min RMSE
0.785 0.50745
Max RMSE Mean RMSE
0.206594562
Std.RMSE
: :
1,5 0,5 RMSE 238.33 189.11 261.62 253.15 279.6 234.21 211.58 294.04 194.22 178.88 286.69 245.82 262.01 153.97 195.94 212.16 256.78 360.83 304.07 191.27 153.97 360.83 240.214 50.560
Lampiran 14. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 1 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Delta_Inc Delta_Dec Epoch 142 191 321 165 227 145 135 169 153 217 298 171 150 151 163 224 175 163 240 284 0.265
2
R Uji 0.703 0.303 0.693 0.382 0.651 0.706 0.364 0.5 0.654 0.452 0.265 0.848 0.713 0.426 0.571 0.468 0.431 0.691 0.442 0.398 Min RMSE
0.848 0.53305
Max RMSE Mean RMSE
0.163408908
Std.RMSE
: :
1.7 0.4 RMSE 179.91 242.04 142.65 197.91 190.44 166.07 201.73 321.52 146.91 205.2 286.73 125 175.25 241.29 261.53 197.72 224.66 258.11 226.15 189.12 125 321.52 208.997 49.602
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Delta_Inc Delta_Dec Epoch 314 161 142 193 271 118 236 316 164 177 277 153 189 169 243 226 536 424 162 441
2
R Uji 0.566 0.463 0.555 0.461 0.498 0.678 0.23 0.59 0.531 0.575 0.704 0.572 0.692 0.693 0.5 0.339 0.53 0.307 0.495 0.229
0.229
Min RMSE
0.704 0.5104
Max RMSE Mean RMSE
0.142502225
Std.RMSE
: :
1.7 0.6 RMSE 208.12 212.68 201.68 223.18 237.07 183.4 225.95 228.91 240.4 235.11 170.04 153.22 163.65 231.08 184.87 274.63 223.1 427.64 244.03 202.88 153.22 427.64 223.582 56.727
Lampiran 15. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 2 Komposisi :
Delta_Inc Delta_Dec
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Epoch 171 212 186 175 171 298 178 162 146 196 220 277 127 248 167 151 128 174 222 293 0.34 0.677 0.49685 0.100746307
2
R Uji 0.491 0.436 0.456 0.569 0.411 0.568 0.39 0.34 0.647 0.427 0.531 0.371 0.607 0.358 0.488 0.641 0.677 0.459 0.523 0.547 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,6
Komposisi :
RMSE 196.58 210.41 237 221.05 245.37 178.21 262.36 317.87 239.9 256.01 253.92 266.52 192.09 292.46 220.36 207.13 231.07 225.2 207.35 221.64 178.21 317.87 234.125 34.196
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 197 139 216 220 200 305 232 320 128 127 382 247 128 336 214 169 210 183 175 195
2
R Uji 0.535 0.532 0.31 0.727 0.512 0.696 0.356 0.566 0.527 0.406 0.531 0.292 0.346 0.755 0.123 0.341 0.362 0.442 0.556 0.502
0.123
Min RMSE
0.755 0.47085 0.157617884
Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 233.65 237.33 258.29 176.65 229.16 168.49 335.7 206.7 245.69 255.89 259.01 305.61 260.04 166.94 214.04 296.96 333.64 315.88 279.31 232.68 166.94 335.7 250.583 50.465
Lampiran 15. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 2 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 197 167 197 149 138 401 208 279 265 179 256 248 157 305 229 135 273 160 201 217 -0.0368 0.699 0.49106 0.161892064
2
R Uji 0.32 0.58 0.636 0.422 0.567 0.699 0.372 0.43 0.563 0.665 -0.0368 0.624 0.379 0.502 0.632 0.485 0.473 0.548 0.482 0.479 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.4 RMSE 307.63 228.96 174.61 307.95 203.24 137.37 269.61 221.03 198.14 215.14 325.08 241.26 283.34 253.51 186.79 252.35 226.93 250.88 226.6 249.25 137.37 325.08 237.9835 46.925
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 115 276 127 197 278 250 228 163 129 138 200 260 164 286 168 355 263 175 751 156
2
R Uji 0.416 0.499 0.691 0.497 0.499 0.34 0.581 0.509 0.478 0.49 0.64 0.401 0.662 0.355 0.706 0.458 0.397 0.404 0.568 0.336
0.336
Min RMSE
0.706 0.49635 0.114322386
Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 255,86 241.55 151.18 232.6 245.53 276.41 204.82 227.83 202.38 206.48 209.51 251.23 190.65 229.89 188.17 219.64 240.58 246.86 264.3 256.52 151.18 276.41 225.5857895 58.593
Lampiran 16. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 3 Parameter Set :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
Delta_Inc Delta_Dec Epoch 234 152 220 286 349 313 197 271 245 267 233 161 137 233 118 125 239 269 217 172
-0.0137
2
Max R
2
Mean R 2 Std.R
R2 Uji 0.152 0.374 0.241 0.28 0.194 -0.0137 0.227 0.21 0.211 0.181 0.222 0.434 0.18 0.348 0.162 0.39 0.362 0.11 0.253 0.0466 Min RMSE
0.434
Max RMSE
0.228195 0.114144205
Mean RMSE Std.RMSE
: :
1,5 0,6
Parameter Set :
RMSE 280.99 224 274.83 222.42 269.92 251.03 218.12 233 218.96 241.41 246.27 236.87 252.84 223.26 273.76 180.15 190.8 284.6 263.44 262.89 180.15 284.6 242.478 29.041
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Delta_Inc Delta_Dec Epoch 286 213 186 345 195 139 170 182 193 230 195 273 129 153 231 170 349 204 289 261
2
Min R
2
Max R
2
Mean R 2 Std.R
R2 Uji 0.0262 0.245 0.321 0.373 0.108 0.117 0.282 0.0175 0.272 0.244 -0.0737 -0.118 0.235 0.44 0.06 0.407 0.306 0.08222 0.184 0.409
-0.118
Min RMSE
0.44
Max RMSE
0.196861 0.163105139
Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 285.22 233.71 256.71 187.93 238.58 213.76 214.54 281.08 300.57 218.21 233.75 283.45 215.16 200.27 28236 247.6 225.65 307.28 243.01 215.7 187.93 28236 1641.909 6259.691
Lampiran 16. Hasil penelitian kelompok data pertama JST recurrent resilient backpropagation leap 3 (lanjutan) Parameter Set :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
p
Delta_Inc Delta_Dec Epoch 155 194 224 163 181 213 171 153 169 216 250 169 292 232 268 246 231 181 177 153
0.00144 0.541 0.221012 0.134648734
2
R Uji 0.0946 0.124 0.0364 0.541 0.00144 0.205 0.261 0.289 0.336 0.338 0.0318 0.222 0.232 0.451 0.27 0.194 0.179 0.148 0.204 0.262 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.4 RMSE 239.64 273.98 275.75 175.23 271.88 239.25 218.97 221.49 246.61 184.42 276.04 256.62 196.68 202.16 238.71 245.06 288.78 279.68 227.12 204.28 175.23 288.78 238.1175 33.872
Parameter Set :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 201 243 156 243 259 225 209 135 184 242 307 315 235 204 295 268 166 222 181 274
2
R Uji -0.0787 0.03 0.0706 0.378 0.441 0.222 0.309 0.184 0.463 0.254 -0.0167 0.247 0.296 0.174 -0.0466 0.237 0.0763 -0.0029 0.196 0.22
-0.0787
Min RMSE
0.463 0.18265 0.157261959
Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 250.44 290.33 266.34 212.75 193.8 227.93 226.79 239.38 180.65 255.9 308.31 220.51 209.73 245.01 305.41 262.88 184.48 297.85 253.5 235.16 180.65 308.31 243.3575 38.049
Lampiran 17. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 0 Komposisi :
Lr_Inc Lr_Dec
L a m p i r a n
1 7 . H a
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
sMin R2
0.282
2
i Max R
2
Mean R
l Std.R2
Epoch 3940 4086 5805 2316 4132 2931 3551 3958 6141 3674 4004 8352 4007 2225 5715 3982 5306 5929 4887 5863
: :
2
R Uji 0.389 0.39 0.282 0.302 0.422 0.349 0.386 0.313 0.394 0.435 0.424 0.459 0.395 0.371 0.386 0.397 0.414 0.46 0.351 0.536 Min RMSE
0.536 0.39275
Max RMSE Mean RMSE
0.058322944
Std.RMSE
1.2 0,6
Komposisi :
RMSE 462.04 433.8 376.7 388.96 373.16 297.69 336.54 400.89 367.13 320.14 313.81 384.73 475.83 327.82 419.03 361.19 369.49 375.44 558.74 401.61
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
297.69 558.74 387.237 61.686
Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc Lr_Dec Epoch 5065 1892 5927 3890 3588 8816 4354 3949 4482 3896 3471 5454 7085 4400 4773 4221 5149 3864 4900 4755
: :
2
R Uji 0.42 0.348 0.35 0.422 0.361 0.422 0.435 0.4 0.283 0.449 0.335 0.46 0.404 0.35 0.398 0.412 0.384 0.355 0.398 0.404
1,05 0.6 RMSE 375.68 336.91 362.57 396.3 405.51 244.31 260.95 457.1 398.74 324.74 347.05 316.13 383.45 389.46 282.69 430.61 335.07 350.59 347.07 360.07
0.283
Min RMSE
244.31
0.46 0.3895
Max RMSE Mean RMSE
457.1 355.25
0.043524343
Std.RMSE
53.528
Lampiran 17.Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 0 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2 Min R 2 Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 5762 2122 6264 4222 4662 7218 4527 4312 4691 3917 4328 6236 6849 4599 4931 5297 5231 4090 5712 5113 0.311 0.473 0.38485 0.037065057
2
: :
R Uji 0.4 0.378 0.379 0.417 0.389 0.386 0.473 0.406 0.311 0.337 0.341 0.379 0.388 0.33 0.392 0.42 0.405 0.402 0.352 0.412 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0.7 RMSE 392.85 330.75 407.89 402.48 414.01 293.34 288.42 475.82 406.8 297.36 354.98 272.5 394.91 388.64 282.25 443.43 334 374.08 392.46 356.66 272.5 475.82 365.1815 57.204
Lampiran 18. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 2447 1912 4231 3205 2620 2752 2267 2166 3950 3198 2232 3365 2910 2475 1988 2172 3722 2812 3077 3521 0.258 0.457 0.3709 0.057509633
: :
2
R Uji 0.368 0.342 0.258 0.457 0.328 0.391 0.387 0.418 0.433 0.373 0.287 0.277 0.351 0.406 0.44 0.331 0.334 0.411 0.375 0.451 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.2 0,6
Komposisi :
RMSE 261.64 231.39 278.41 197.57 265.89 227.96 244.88 238.33 214.06 236.48 318.22 296.56 249.02 228.83 197.55 211.28 250.68 224.92 238.27 227.33
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
197.55 318.22 241.9635 30.714
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 2585 1560 3838 3187 1982 2344 2539 2331 3475 2987 2748 2629 3078 2397 2795 2228 3365 2781 3606 3276
: :
2
R Uji 0.393 0.384 0.284 0.443 0.304 0.387 0.371 0.387 0.393 0.403 0.252 0.267 0.275 0.377 0.396 0.354 0.292 0.402 0.388 0.46
0.252
Min RMSE
0.46 0.3606 0.059959109
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 RMSE 249.71 230.3 263.49 198.13 240.11 214.39 232.87 269.24 230.36 233.15 290.71 288.19 273.15 226.51 236.98 217.96 245.88 228.2 230.52 214.5 198.13 290.71 240.7175 24.887
Lampiran 18. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 1 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R Std.R
2
Lr_Inc Lr_Dec Epoch 2774 1553 4147 3076 2577 2680 2667 2711 3817 3129 2300 3436 2933 2997 3185 2596 4110 2334 4807 3613
: :
2
R Uji 0.401 0.37 0.255 0.448 0.351 0.422 0.384 0.383 0.386 0.414 0.323 0.359 0.329 0.431 0.464 0.359 0.284 0.414 0.331 0.463
0.255
Min RMSE
0.464 0.37855
Max RMSE Mean RMSE
0.056485187
Std.RMSE
1.05 0.7 RMSE 247.48 237.39 280.7 205.08 262.99 212.16 239.72 273.27 230.56 234.62 285.61 281.1 258.44 224.51 200.82 221.84 250.64 219.4 258.91 223.66 200.82 285.61 242.445 25.878
Lampiran 19. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 2
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2 2
Max R Mean R2 Std.R
2
Lr_Inc Lr_Dec Epoch 4795 3828 3859 3187 2559 4521 4603 3186 3457 4129 4439 4211 4057 3503 4877 3660 7015 3946 4595 4317
: :
2
R Uji 0.099 0.188 0.236 0.116 0.165 0.225 0.269 0.233 0.284 0.18 0.163 0.144 0.251 0.165 0.0754 0.204 0.218 0.2532 0.19 0.0961
0.0754
Min RMSE
0.284 0.187735
Max RMSE Mean RMSE
0.060160315
Std.RMSE
1.2 0,6
Komposisi :
RMSE 402.1 326.87 302.13 330.43 333.27 269.45 332.85 310.62 323.22 367.75 362.35 340.65 314.47 339.23 372.84 351.34 314.46 379.78 358.63 394.5
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
269.45 402.1 341.347 32.782
2
Min R
2
Max R Mean R2 2
Std.R
Lr_Inc Lr_Dec Epoch 4061 2556 3611 3174 2565 4571 3651 2766 3380 3918 4241 4578 3916 3407 4890 3007 5999 3743 4037 4192
: :
2
R Uji 0.105 0.18 0.229 0.0846 0.212 0.222 0.194 0.227 0.29 0.173 0.103 0.114 0.261 0.155 0.0756 0.182 0.202 0.263 0.0293 0.13
0.0293
Min RMSE
0.29 0.171575
Max RMSE Mean RMSE
0.0703403
Std.RMSE
1,05 0.6 RMSE 397.84 315.94 313.18 351.08 276.04 269.44 313.41 311.41 323.56 357.72 413.28 333.49 308.57 340.38 370.41 352.26 321.12 372.69 484.02 400.28 269.44 484.02 346.306 50.485
Lampiran 19. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 2 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R
2
Mean R 2 Std.R
Lr_Inc Lr_Dec Epoch 2355 4004 3613 4705 3984 5109 3940 4379 4860 2672 3984 5768 4994 3952 4001 3584 5487 5289 2779 3151
: :
R2 Uji 0.263 0.241 0.232 0.135 0.256 0.19 0.265 0.258 0.036 0.115 0.141 0.269 0.0826 0.179 0.13 0.149 0.156 0.179 0.324 0.0809
0.036
Min RMSE
0.324
Max RMSE
0.184075 0.077009042
Mean RMSE Std.RMSE
1.05 0.7 RMSE 295.52 293.5 328.69 351.17 358.23 318.54 295.43 277.55 339.25 296.5 341.87 343.36 384.77 361.65 406.76 330.84 340.32 315.68 297.26 387.34 277.55 406.76 333.2115 35.342
Lampiran 20. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 3
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R Mean R2 2
Std.R
Lr_Inc Lr_Dec Epoch 3283 3887 5346 5117 4570 4608 4872 5201 3272 3829 3699 5217 4240 3717 3870 5012 5597 7420 5569 5899
: :
2
R Uji 0.126 -0.0162 -0.0301 -0.0451 -0.123 0.0128 0.0111 -0.0634 -0.059 -0.0148 -0.00861 -0.0432 -0.052 -0.00931 0.0484 0.00455 -0.172 -0.0791 -0.0184 -0.0563
-0.172
Min RMSE
0.126 -0.0293835
Max RMSE Mean RMSE
0.061297239
Std.RMSE
1.2 0,6
Komposisi :
RMSE 347.12 438.61 420.01 437.47 547.47 344.63 391.4 434 406.01 374.51 445.04 430.02 441.18 386.76 405.46 414 475.8 429.76 378.63 433.73
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
344.63 547.47 419.0805 45.185
2
Min R
2
Max R Mean R2 2
Std.R
Lr_Inc Lr_Dec Epoch 4971 3030 455 6 4939 1626 4461 6187 5040 3963 4315 3384 5073 4324 3532 4358 5808 6063 5722 5286 4915
: :
2
R Uji 0.048 -0.00266 0.0028 -0.0256 -0.0704 0.0654 -0.0515 -0.125 -0.0427 0.0258 0.0346 -0.0782 -0.0692 -0.073 0.0212 0.0171 -0.119 -0.042 -0.0696 -0.0545
-0.125
Min RMSE
0.0654 -0.030423
Max RMSE Mean RMSE
0.054470609
Std.RMSE
1,05 0.6 RMSE 347.33 362.29 398.79 408.12 396.4 305.09 450.9 419.99 379.88 380.39 369.52 444.61 437.67 460.36 378.59 378.9 448.95 420.42 423.09 407.57 305.09 460.36 400.943 39.293
Lampiran 20. Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate leap 3 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R2 2
Max R 2 Mean R 2
Std.R
Lr_Inc Lr_Dec Epoch 5132 3253 5825 5587 4272 4560 8086 5678 4365 5608 3668 5363 5132 5013 5284 7306 5942 6308 6390 6389
: :
2
R Uji 0.0344 -0.056 0.0115 -0.0894 -0.069 0.0187 -0.0362 -0.123 -0.0473 0.07 0.0875 -0.112 -0.0881 -0.0941 0.0469 -0.098 -0.0282 -0.139 -0.0707 -0.0465
-0.139
Min RMSE
0.0875 -0.041425
Max RMSE Mean RMSE
0.065977683
Std.RMSE
1.05 0.7 RMSE 359.23 463.1 368.96 487.01 469.95 374.47 433.9 521.2 379.48 314.85 347.95 483.33 461.36 460.65 385.77 489.69 348.87 498.43 369.75 416.14 314.85 521.2 421.7045 61.829
Lampiran 21.Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate & momentum leap 0 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2 2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 8494 7769 13066 9816 5901 6853 8555 5462 9928 9302 3289 7662 6607 4599 8535 5178 8262 3773 10058 3711 0.338 0.457 0.415 0.034248319
: : :
2
R Uji 0.37 0.453 0.4 0.456 0.424 0.434 0.446 0.452 0.387 0.388 0.387 0.362 0.338 0.41 0.434 0.42 0.417 0.42 0.457 0.445 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7
Komposisi :
RMSE 339.54 480.3 372.97 448.71 456.88 279.28 317.8 369.28 443.65 334.95 455.08 340.87 394 407.12 435.3 428.96 360.95 397.96 545.87 357.67
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
279.28 545.87 398.357 64.113
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 4447 3245 4486 3786 5868 3115 5706 6609 5200 4727 3300 6899 3794 3174 7014 5253 4295 5220 3450 6234
2
R Uji 0.46 0.371 0.319 0.433 0.399 0.39 0.424 0.44 0.442 0.463 0.421 0.433 0.386 0.372 0.444 0.416 0.369 0.45 0.393 0.412
0.319
Min RMSE
0.463 0.41185 0.036741308
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 443.47 351.28 366.54 416.94 426.72 319.35 333.11 398.72 453.75 315.72 509.68 421.03 426.15 421.17 439.69 313.93 447.43 392.55 563.88 387.64 313.93 563.88 407.4375 64.135
Lampiran 22.Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate & momentum leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc Lr_Dec MC Epoch 2321 2335 2987 2580 2397 2214 2415 2541 3788 2985 2386 2747 2191 1990 2481 2240 2767 1833 5388 4027 0.244 0.456 0.36475 0.068416584
: : :
2
R Uji 0.425 0.441 0.289 0.436 0.411 0.397 0.348 0.393 0.244 0.456 0.285 0.288 0.288 0.431 0.437 0.343 0.296 0.347 0.306 0.434 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7 RMSE 250.03 240.56 273.14 247.88 258.3 225.77 241.53 261.78 273.11 248.34 263.2 283.8 301.82 229 228.32 260.43 268.31 258.8 281.92 223.23 223.23 301.82 255.9635 21.140
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 1683 1461 2218 1642 1668 2251 1709 1779 1769 2069 1875 2380 1740 1903 2142 2076 2025 1467 3490 2477
2
R Uji 0.415 0.457 0.303 0.42 0.364 0.438 0.348 0.405 0.349 0.445 0.313 0.331 0.308 0.438 0.42 0.374 0.281 0.37 0.335 0.498
0.281
Min RMSE
0.498 0.3806 0.059848405
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 251.14 237.13 261.77 262.53 248.96 220.14 246.13 255.85 251.55 247.96 255.43 289.56 306.4 212.99 237.38 244.08 291.31 251.5 280.66 209.37 209.37 306.4 253.092 24.983
Lampiran 23.Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate & momentum leap 2 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
L
Lr_Inc Lr_Dec MC Epoch 4249 3939 3239 5647 3103 5622 3500 3268 5392 4160 4410 3492 3812 7624 4659 4956 8162 3775 3393 4270 -0.0694 0.292 0.12808 0.099299582
: : :
2
R Uji -0.051 -0.0694 0.162 0.0514 0.0198 0.265 0.228 0.0302 0.197 0.233 0.12 0.127 0.168 0.184 0.0635 0.147 0.15 0.292 0.0641 0.18 Min RMSE Max RMSE Mean RMSE Std.RMSE
1.05 0,6 0.7
Komposisi :
RMSE 566.02 521.82 353.83 414.83 407.2 353.41 361 397.79 368.28 402.38 418.32 384.25 367.76 370.69 404.21 388.91 314.04 375.16 426.66 386.94
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
314.04 566.02 399.175 56.667
2
Min R
2
Max R 2 Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : Epoch 3633 3465 4804 4995 2688 5889 2694 3232 2126 3568 2455 3273 5018 2131 4124 1935 3639 3313 2010 2490
2
R Uji 0.212 0.129 0.264 0.142 0.137 0.144 0.0929 0.165 0.139 0.178 0.085 0.152 0.187 0.129 0.0874 0.098 0.192 0.0192 0.363 0.228
0.0192
Min RMSE
0.363 0.157175 0.073948132
Max RMSE Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 326.78 336.23 361.1 440.45 426.83 367.42 364.94 359.64 361.28 372.32 386.32 413.73 341.81 408.16 406.86 353.33 375.96 377.57 283.95 355.84 283.95 440.45 371.026 36.451
Lampiran 24.Hasil penelitian kelompok data kedua JST recurrent gradient descent adaptive learning rate & momentum leap 3 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
Epoch 4090 2710 3763 4446 3380 3742 5024 3448 3474 3394 2954 3941 3712 4359 3715 5277 3953 4381 3757 3694 -0.157
2
Max R
2
Mean R 2 Std.R
Lr_Inc : Lr_Dec : MC : R2 Uji -0.062 -0.1 0.000147 -0.1 -0.144 -0.0682 -0.0768 -0.0849 -0.0234 0.0594 -0.0478 -0.157 -0.125 -0.133 0.049 -0.0922 -0.0822 -0.101 0.0872 -0.0652 Min RMSE
0.0872
Max RMSE
-0.06334765 0.06732378
Mean RMSE Std.RMSE
1.05 0,6 0.7 RMSE 400.92 524.19 368.82 546.55 597.19 456.98 450.99 464.35 383.61 320.19 404.54 565.21 575.68 487.56 330.73 461.5 342.86 475.84 300.87 430.55 300.87 597.19 444.4565 88.275
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R
2
Mean R 2 Std.R
Epoch 2714 2033 2376 3100 2449 2740 3613 2454 2649 2410 2416 2497 2832 3150 2838 4056 2779 2984 2768 2501
Lr_Inc : Lr_Dec : MC : R2 Uji -0.0423 -0.0946 0.0293 -0.138 -0.148 -0.078 -0.0738 -0.0805 -0.0319 0.0168 -0.0475 -0.121 -0.145 -0.057 0.129 -0.0685 -0.0782 -0.0947 0.0391 -0.0548
-0.148
Min RMSE
0.129
Max RMSE
-0.05698 0.06845696
Mean RMSE Std.RMSE
1,05 0.6 0.9 RMSE 404.21 525.02 370.94 600.17 603.6 484.69 481.16 451.32 382.09 336.84 411.07 551.42 619.84 448.09 324.61 453.55 324.01 460.01 312.54 443.14 312.54 619.84 449.416 94.870
Lampiran 25. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 0 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 102 80 90 90 88 98 124 203 79 103 125 191 80 101 102 79 82 176 91 78 0.258 0.45 0.3548 0.05796242
2
R Uji 0.264 0.405 0.369 0.38 0.288 0.378 0.332 0.341 0.41 0.364 0.328 0.45 0.258 0.43 0.368 0.323 0.269 0.45 0.325 0.364 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,6
Komposisi :
RMSE 329.71 314.23 249.65 198.63 279.48 358.88 312 302.94 255.44 405.3 240.07 253.25 268.02 311.28 261.39 347.49 285.69 262.18 294.05 312.12 198.63 405.3 292.09 47.156
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 75 98 111 98 108 92 91 123 104 105 142 275 69 73 105 81 118 121 73 73
2
R Uji 0.42 0.377 0.428 0.349 0.249 0.257 0.129 0.306 0.387 0.328 0.33 0.358 0.277 0.297 0.35 0.355 0.328 0.426 0.299 0.367
0.129
Min RMSE
0.428 0.33085 0.070201421
Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 269.6 387.78 310.02 346.47 243.59 277.37 284.9 273.81 303.01 275.72 254.33 326.78 228.19 316.34 262.29 393.58 275.1 302.45 245.95 300.42 228.19 393.58 293.885 44.309
Lampiran 25. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 0 (lanjutan) Parameter
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 105 76 97 123 124 94 104 79 82 94 110 138 93 125 114 83 111 122 99 101 0.144 0.581 0.3048 0.101311713
2
R Uji 0.176 0.289 0.288 0.144 0.199 0.277 0.285 0.4 0.314 0.262 0.414 0.581 0.366 0.335 0.258 0.148 0.323 0.349 0.301 0.387 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.4 RMSE 222.36 284.38 277.58 298.18 294.03 323.68 275.59 285.3 250.31 334.02 260.81 201.63 377.36 261.73 250.19 294.12 341.42 355.97 260.11 293.97 201.63 377.36 287.137 43.623
Parameter
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Epoch 88 87 85 88 188 118 139 108 93 117 117 133 256 98 140 198 155 89 200 131
Delta_Inc Delta_Dec 2
R Uji 0.258 0.375 0.348 0.421 0.251 0.339 0.408 0.344 0.272 0.0771 0.387 0.358 0.371 0.232 0.333 0.466 0.334 0.195 0.224 0.449
0.0771
Min RMSE
0.466 0.322105 0.09513226
Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 257.15 335.44 242.58 245.2 321. 5 287.03 282.15 292.65 268.71 303.47 272.65 257.32 251.17 255.73 232.2 229.47 347.31 235.66 305.2 263.14 229.47 347.31 274.2865 34.345
Lampiran 26. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 1 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 60 87 102 69 109 89 120 124 100 74 89 90 166 231 79 163 110 194 65 140 0.247 0.595 0.42135 0.100102198
2
R Uji 0.595 0.495 0.247 0.594 0.289 0.586 0.401 0.384 0.439 0.433 0.356 0.414 0.333 0.334 0.555 0.397 0.369 0.347 0.453 0.406 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,6
Komposisi :
RMSE 156.46 209.16 204.41 190.08 222.59 178.71 206.06 253.42 266.99 213.69 249.93 246.28 221 220.47 185.42 170.9 287.07 225.13 232.3 184.18 156.46 287.07 216.2125 33.584
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 100 117 126 100 73 60 103 165 87 81 65 102 79 88 98 98 87 110 90 102
2
R Uji 0.426 0.329 0.343 0.438 0.524 0.399 0.473 0.472 0.445 0.455 0.354 0.49 0.446 0.56 0.423 0.297 0.396 0.228 0.488 0.419
0.228
Min RMSE
0.56 0.42025 0.079446689
Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 235.29 236.01 248.69 216.58 184.65 197.98 180.91 204.24 222.5 216.51 218.64 211.28 226.85 179.43 250.91 306.96 223.15 268.64 172.67 201.16 172.67 306.96 220.1525 32.536
Lampiran 26. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 1 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
Delta_Inc Delta_Dec Epoch 77 49 80 106 127 81 146 72 83 67 88 135 61 85 104 130 1654 101 70 101 0.247
2
Max R
2
Mean R 2 Std.R
R2 Uji 0.471 0.408 0.347 0.508 0.398 0.512 0.425 0.486 0.432 0.486 0.247 0.469 0.415 0.433 0.364 0.472 0.563 0.5 0.367 0.429 Min RMSE
0.563
Max RMSE
0.4366 0.071170218
Mean RMSE Std.RMSE
: :
1.7 0.4 RMSE 272.8 183.97 219.37 229.46 236.19 177.66 250.02 222.03 250.29 207.34 235.78 186.27 186 209.04 234.41 235.06 187.89 169.77 222.5 256.24 169.77 272.8 218.6045 29.151
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R
2
Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 177 100 241 138 102 101 105 119 69 105 152 75 98 131 146 112 202 74 75 104
R2 Uji 0.419 0.464 0.514 0.499 0.408 0.574 0.404 0.195 0.415 0.481 0.356 0.599 0.463 0.292 0.556 0.454 0.498 0.434 0.406 0.407
0.195
Min RMSE
0.599
Max RMSE
0.4419 0.093633046
Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 209.57 202.93 211.69 185.41 213.91 160.97 216.17 282.97 249.82 187.39 282.28 155.29 207.26 218.52 177.73 166.57 203.3 211.64 235 207.85 155.29 282.97 209.3135 34.358
Lampiran 27. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 2
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2
Delta_Inc Delta_Dec Epoch 60 87 102 69 109 89 120 124 100 74 89 90 166 231 79 163 110 194 65 140 0.247
2
Max R
0.595 2
Mean R 2 Std.R
0.42135 0.100102198
2
R Uji 0.595 0.495 0.247 0.594 0.289 0.586 0.401 0.384 0.439 0.433 0.356 0.414 0.333 0.334 0.555 0.397 0.369 0.347 0.453 0.406 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,6
Komposisi :
RMSE 156.46 209.16 204.41 190.08 222.59 178.71 206.06 253.42 266.99 213.69 249.93 246.28 221 220.47 185.42 170.9 287.07 225.13 232.3 184.18 156.46 287.07 216.2125 33.584
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R
2
Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 100 117 126 100 73 60 103 165 87 81 65 102 79 88 98 98 87 110 90 102
2
R Uji 0.426 0.329 0.343 0.438 0.524 0.399 0.473 0.472 0.445 0.455 0.354 0.49 0.446 0.56 0.423 0.297 0.396 0.228 0.488 0.419
: :
1,5 0,5 RMSE 235.29 236.01 248.69 216.58 184.65 197.98 180.91 204.24 222.5 216.51 218.64 211.28 226.85 179.43 250.91 306.96 223.15 268.64 172.67 201.16
0.228
Min RMSE
172.67
0.56
Max RMSE
306.96
0.42025 0.079446689
Mean RMSE Std.RMSE
220.1525 32.536
Lampiran 27. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 2 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 114 88 104 158 145 85 105 80 83 87 102 161 82 154 87 121 88 83 71 76 0.202 0.562 0.36205 0.093719332
2
R Uji 0.208 0.392 0.447 0.387 0.307 0.422 0.249 0.294 0.426 0.36 0.454 0.202 0.389 0.327 0.346 0.298 0.288 0.379 0.504 0.562 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.4 RMSE 255.7 197.46 220.24 234.81 257.31 204.44 246.18 224.68 213.7 232.7 239.77 251 242.19 265.51 229.7 229.17 296.77 22037 188.12 204.1 188.12 22037 1323.5275 4875.513
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 151 279 86 151 157 95 95 160 122 177 114 108 58 140 161 99 232 80 109 230
2
R Uji 0.54 0.367 0.347 0.439 0.355 -0.0048 0.41 0.387 0.22 0.385 0.351 0.428 0.202 0.391 0.396 0.182 0.459 0.423 0.34 0.434
-0.0048
Min RMSE
0.54 0.35256 0.120866601
Max RMSE Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 210.93 220.49 242.44 192.64 222.26 325.68 206.14 265.11 256.92 285.26 255.24 274.38 244.57 238.63 24517 293.44 231.22 234.6 229.67 171.03 171.03 24517 1455.8825 5428.142
Lampiran 28. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 3 Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
L
Delta_Inc Delta_Dec Epoch 80 129 100 85 100 128 143 81 137 121 130 110 98 97 89 103 101 143 93 118 -0.0631 0.21 0.069009 0.080159911
2
R Uji 0.0577 0.0216 0.21 0.0318 0.146 0.0229 -0.00792 0.114 0.124 0.129 0.184 -0.0285 -0.0194 0.137 0.129 0.075 -0.018 0.145 -0.0099 -0.0631 Min RMSE Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,6
Komposisi :
RMSE 289.62 306.68 248.22 316.44 309.33 296.48 310.73 316.96 293.02 280.15 302.06 294.96 344.35 294.2 284.93 270.87 327.06 303.58 313.07 365.07 248.22 365.07 303.389 25.210
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R 2 Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 87 120 112 206 87 138 94 139 133 149 143 123 96 79 92 119 116 130 117 135
2
R Uji 0.2 -0.0378 0.204 0.23 0.0785 -0.0052 0.15 0.0953 0.239 -0.122 0.0592 0.0717 0.124 0.275 -0.0606 -0.0215 0.0104 0.172 -0.0213 0.0214
-0.122
Min RMSE
0.275 0.083105 0.112852337
Max RMSE Mean RMSE Std.RMSE
: :
1,5 0,5 RMSE 301.49 411.37 234.18 345.44 408 372.51 249.11 340.23 237.83 419.29 307.66 271.43 289.74 254.03 483.98 318.58 373.83 269.71 380.93 319.61 234.18 483.98 329.4475 69.310
Lampiran 28. Hasil penelitian kelompok data kedua JST recurrent resilient backpropagation leap 3 (lanjutan) Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Min R
2
Delta_Inc Delta_Dec Epoch 122 139 114 109 81 92 101 115 151 116 124 93 158 146 120 139 194 97 125 64 -0.0644
2
Max R
2
Mean R 2 Std.R
2
R Uji -0.0313 0.149 0.117 0.154 -0.0644 0.111 0.0914 -0.0485 0.0497 0.187 0.224 0.015 0.11 0.00677 -0.00954 0.27 0.291 0.105 0.0281 0.117 Min RM SE
: :
1.7 0.4 RMSE 462.31 246.12 271.93 246.06 362.12 300.31 325.51 401.47 371.57 276.86 285.53 276.09 326.91 376.34 308.12 225.73 228.5 362.57 370.68 296.83 225.73
0.291
Max RMSE
462.31
0.0936115 0.101478425
Mean RMSE Std.RMSE
316.078 62.906
Komposisi :
Iterasi 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2
Min R
2
Max R
2
Mean R 2 Std.R
Delta_Inc Delta_Dec Epoch 315 123 96 121 152 128 155 180 79 124 82 105 134 89 101 293 371 131 185 144
2
R Uji -0.0546 0.161 0.0485 0.181 0.0776 0.214 0.16 0.0688 0.241 0.111 0.058 0.0636 0.211 -0.107 0.147 -0.0206 0.215 0.05 0.184 0.133
-0.107
Min RMSE
0.241
Max RMSE
0.107115 0.095360387
Mean RMSE Std.RMSE
: :
1.7 0.6 RMSE 439.06 263.35 327.53 261.9 349.07 279.49 260.97 384.62 258.96 286.11 375.13 289.87 280.87 393.13 349.78 317.84 250.92 296.66 322.91 300.69 250.92 439.06 314.443 52.634