Angga Prihadie

5160411063 / B

Jaringan Saraf Tiruan

1. Mempersiapkan data penjualan motor honda pada 4 bulan terakhir. Pada algoritma
jaringan syaraf tiruan backpropagation ini digunakan suatu fungsi aktivasi sigmoid
biner di mana fungsi ini bernilai antara 0 sampai 1. Namun fungsi sigmoid biner
tersebut sejatinya tidak pernah mencapai angka 0 maupun 1. Berikut ini data
penjualan motor honda pada 4 bulan terakhir :

Pada contoh ini, penggunaan data masukan JST untuk prediksi adalah sebagai berikut :

Pola Data masukan Target

1 Data pada bulan ke-1 s.d bulan ke 4 Data pada bulan ke 5
2 Data pada bulan ke-2 s.d bulan ke 5 Data pada bulan ke 6
3 Data pada bulan ke-3 s.d bulan ke 6 Data pada bulan ke 7
4 Data pada bulan ke-4 s.d bulan ke 7 Data pada bulan ke 8
 Data latih menggunakan data penjualan motor honda pada 4 bulan pertama, pada
bulan januari s.d bulan April. sedangkan data uji juga menggunakan data penjualan
motor honda. Pola data masukkan untuk proses pelatihan dan pengujian jaringan
ditunjukkan pada gambar di bawah ini :

2. Arsiterkur Jaringan Saraf tiruan

Arsitektur jaringan syaraf tiruan yang digunakan pada contoh ini adalah 4-4-1 yang
artinya terdiri dari 4 nilai inputan, 4 neuron pada hidden layer, dan satu nilai output.
3. Langkah langkah Backpropagation
 Proses membaca data latih dari microsoft excel

filename = 'data.xlsx';
sheet = 2;
xlRange = 'C7:G10';

Data = xlsread(filename, sheet, xlRange);

data_latih = Data(:,1:4)';
target_latih = Data(:,5)';
[m,n] = size(data_latih);

 Jaringan saraf tiruan backpropaation harus dibentuk dengan menggunakan perintah

newff. Perintah newp akan membentuk sebuah jaringan saraf tiruan dengan
spesifikasi tertentu

net = newff(minmax(data_latih),[10 1],

{'logsig','purelin'},'traingdx');

 Memberi nilai untuk mempengaruhi proses pelatihan

net.performFcn = 'mse';
net.trainParam.goal = 0.001;
net.trainParam.show = 20;
net.trainParam.epochs = 1000;
net.trainParam.mc = 0.95;
net.trainParam.lr = 0.1;

 Melakukan proses pelatihan data yang diambil dari ms excel

[net_keluaran,tr,Y,E] = train(net,data_latih,target_latih);

 Hasil setelah pelatihan

bobot_hidden = net_keluaran.IW{1,1};
bobot_keluaran = net_keluaran.LW{2,1};
bias_hidden = net_keluaran.b{1,1};
bias_keluaran = net_keluaran.b{2,1};
jumlah_iterasi = tr.num_epochs;
nilai_keluaran = Y;
nilai_error = E;
error_MSE = (1/n)*sum(nilai_error.^2);
 save net.mat net_keluaran

 Melakukan proses perhitungan prediksi dari hasil data latih yang ada di atas

hasil_latih = sim(net_keluaran,data_latih);
max_data = 2590;
min_data = 0;
hasil_latih = ((hasil_latih-0.1)*(max_data-min_data)/0.8)+min_data;

 Performansi Hasil Prediksi

filename = 'data.xlsx';
sheet = 1;
xlRange = 'C7:G7';
target_latih_asli = xlsread(filename, sheet, xlRange);

figure,
plotregression(target_latih_asli,hasil_latih,'Regression')

figure,
plotperform(tr)

figure,
plot(hasil_latih,'bo-')
hold on
plot(target_latih_asli,'ro-')
hold off
grid on
title(strcat(['Grafik Keluaran JST vs Target dengan nilai MSE =
',...
num2str(error_MSE)]))
xlabel('Pola ke-')
ylabel('Data Penjualan Motor Honda')
legend('Keluaran JST','Target','Location','Best')
 Sehingga nantinya akan menghasilkan tampilan proses pelatihan jaringan seperti
gambar berikut :
 Pada pelatihan ini error goal (MSE) sebesar 0,00095215. Dan pada epoch yang ke-89
data baru bisa dikenali seperti ditunjunkkan pada gambar dibawah ini :
 Sedangkan Regression yang dihasilkan adalah sebesar 0,48452 seperti yang
ditunjukan pada gambar berikut :
 Grafik perbandingan antara keluaran JST (prediksi penjualan motor) dengan target
(data penjualan motor sebenarnya) adalah sebagai berikut :