MASALAH
Table 1 menunjukkan produksi dari beberapa perusahaan karet di Indonesia dalam 10 tahun (2005-2014).
Dengan menggunakan informasi tersebut, kami ingin membangun pendekatan Artificial Intelligence (AI)
untuk memprediksi jumlah produksi 2015 & 2016. Buatlah sebuah hasil prediksi menggunakan ANN.
Xn
X o X min
X max X min ,
Xn = New X Value ( after normalization),
Xo = Current Value of X (before normalization),
X min = Minimum Value of X in the sample data, and
X max = Maximum Value of X in the sample data.
OR
Simple Transformation : Xn
X o .
X max
3. Partition the data into training data, and testing data.
4. Set a network parameter ; learning and momentum rate, number of input nodes, hidden nodes, and output nodes.
Initialize the weights and set a maximum error accordingly.
5. Save weights of the training process, and test these weights onto new data set.
JAWABAN
1. Mempersiapkan data jumlah produksi karet. Data produksi karet disajikan per bulan dari
tahun 2005 sampai dengan tahun 2014
2. Untuk mereduksi perhitungan komputasi yang terlalu besar, maka dilakukan normalisasi data
ke dalam range 0,1 s.d 0,9 menggunakan persamaan berikut:
di mana:
X = data hasil normalisasi
X = data asli/data awal
a = nilai maksimum data asli
b = nilai minimum data asli
3. Pada pemrograman ini, data jumlah penduduk diprediksi berdasarkan data jumlah produksi
karet 12 bulan sebelumnya. Data latih yang digunakan adalah data jumlah produksi karet dari
bulan Januari 2005 sampai dengan bulan November 2007 (3 tahun). Sedangkan target latih
adalah data jumlah produksi karet dari bulan Januari 2006 sampai dengan bulan Desember
2007 (3 tahun). Perintah yang digunakan untuk menyusun data latih dan target latih adalah:
Sehingga susunan data latih dan target latih yang diperoleh adalah :
4. Melakukan pelatihan jaringan radial basis function dengan masukan berupa data latih dan
target latih yang sebelumnya telah disusun. Perintah yang digunakan adalah :
Grafik keluaran yang dihasilkan dari proses pelatihan adalah sebagai berikut :
Sedangkan grafik korelasi yang diperoleh yaitu :
Nilai MSE dan koefisien korelasi yang dihasilkan pada proses pelatihan berturut-turut adalah
sebesar 0.00063005 dan 0.87913. Kedua nilai tersebut menunjukkan bahwa proses pelatihan
jaringan radial basis function dapat memprediksi jumlah produksi karet dengan baik,
sehingga jaringan yang diperoleh dapat digunakan untuk melakukan prediksi pada proses
pengujian.
6. Mempersiapkan data uji dan target uji. Pada proses pengujian, target uji digunakan hanya
untuk memvalidasi hasil pengujian. Perintah yang digunakan untuk menyusun data uji dan
target uji seperti pada pola di atas adalah :
7. Menampilkan hasil pengujian dalam bentuk grafik beserta nilai MSE (Mean Square
Error) dan koefisien korelasi. Perintah yang digunakan adalah:
Grafik keluaran yang dihasilkan dari proses pengujian adalah sebagai berikut :
Sedangkan grafik korelasi yang diperoleh yaitu :
8. Melakuan prediksi untuk bulan Januari 2015 sampai dengan Desember 2015 (12 bulan).
Perintah yang digunakan adalah :
load net_keluaran
load data_prediksi_rbf
load hasil_prediksi_rbf
data = xlsread('Book1',1,'E6:P16');
data = reshape(data',[1,numel(data)]);
data_prediksi = data_prediksi_rbf(:,12);
% Hasil prediksi
hasil_prediksi_norm = sim(net_keluaran,data_prediksi);
hasil_prediksi = ((hasil_prediksi_norm-0.1)*(max_data-min_data)/0.8)+min_data;
data_prediksi = data_prediksi(2:end,:);
data_prediksi = [data_prediksi;hasil_prediksi_norm];
data_prediksi_rbf = [data_prediksi_rbf,data_prediksi];
hasil_prediksi_rbf = [hasil_prediksi_rbf,hasil_prediksi];
figure,
plot(hasil_prediksi_rbf);
grid on
title('Hasil Prediksi Jumlah Produksi Karet Bulan Januari 2015 s.d Desember 2015')
xlabel('Bulan ke-')
ylabel('Jumlah Produksi Karet')
legend('Hasil Prediksi','Target','Location','Best')
Grafik hasil prediksi yang dihasilkan yaitu :
Data hasil prediksi produksi karet untuk bulan Januari 2015 sampai dengan Desember 2015 (12
bulan) adalah :
TUGAS 2
KECERDASAN BUATAN LANJUT