tugas ujian akhir semester

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pusat Teknologi Limbah Radioaktif (PTLR) adalah satuan kerja di bawah

BATAN yang mengemban tugas dan fungsi melaksanakan pengelolaan limbah

radioaktif untuk mencegah timbulnya radiasi terhadap manusia dan lingkungan, serta

melaksanakan pengendalian keselamatan lingkungan untuk mendukung operasi

pemanfaatan iptek nuklir. Dalam operasinya, PTLR mampu melayani pengolahan

limbah radioaktif baik yang berasal dari BATAN maupun dari industri luar. Untuk

kegiatan operasinya, PLTR memiliki instalasi pengolahan limbah radioaktif dan fasilitas

pendukung lainnya.

Fasilitas instalasi pengolahan limbah radioaktif terdiri dari; evaporator,

kompaktor, insenerator, unit sementasi, dekontaminasi, dan dekomisioning. Sedangkan

fasilitas pendukungnya adalah seluruh peralatan media energy supply (MES).

Evaporator PTLR mampu mengolah limbah cair anorganik aktivitas rendah dan sedang

dengan cara penguapan pada temperatur 100 °C. Kompaktor mampu mengkompaksi

limbah padat dapat mampat aktivitas rendah dan sedang dengan gaya 600 kN dan

kemudian mengkapsulasi hasil kompaksi di dalam matriks semen. Ineserator mampu

membakar sempurna limbah organic cair dan padat. Fasilitas dekontaminasi

memberikan layanan dekontaminasi pakaian kerja, peralatan keselamatan kerja. Dan

fasilitas MES berfungsi memberikan layanan media dan energy yang dibutuhkan dalam

proses pengolahan limbah.

Untuk mengoperasikan seluruh fasilitas pengolahan limbah dan sarana dukung

yang telah diuraikan sebelumnya dibutuhkan sumber energy listrik yang besar. Dalam

usaha memenuhi kebutuhan listrik, PLTR memanfaatkan dua sumber energy listrik,

yaitu PLN dan Generator set.

Dalam menindaklanjuti wacana penghematan energy, PLTR sebagai unit satuan

kerja dibawah BATAN melakukan upaya penghematan dengan menurunkan daya listrik

yang terpasang dari 2000 kVA ke 1455 kVA. Selain itu juga diberlakukan kebijakan

untuk meniadakan kegiatan shift malam, merubah jam operasi peralatan, pemasangan

capacitor bank , mengatur dan mengurangi penerangan serta membatasi penggunaan

1

energy PLTR adalah sebesar 69,873 kWh/bulan Untuk mengetahui apakah usaha

penghematan energi yang telah dilakukan telah efektif, maka perlu dilakukan prediksi

tingkat konsumsi energi listrik fasilitas ini kedapannya. Dengan adanya prediksi tingkat

konsumsi energi listrik fasilitas tersebut, maka kelak dapat dilakukan antisipasi apakah

usahan penghematan energi telah berhasil dilakukan atau diperlukan metode lain

sebagai upaya penghematan energi. Adapun prediksi tingkat konsumsi energi listrik

pada fasilitas pengolahan limbah radioaktif ini menggunakan jaringan saraf tiruan

dengan metode pembelajaran Backpropagation.

1.2 Tujuan

Tugas akhir ini bertujuan untuk merancang dan mengimplementasikan perangkat

lunak yang dapat digunakan untuk memprediksi tingkat konsumsi energi listrik pada

fasilitas pengolahan limbah radioaktif menggunkan jaringan syaraf tiruan dengan

metode pembelajaran backpropagation.

1.3 Batasan Masalah

Pembahasan dibatasi pada:

1. Data masukan adalah data konsumsi energi listrik fasilitas pengolahan limbah

radioaktif dari tahun 2006 sampai tahun 2009.

2. Masalah yang akan dibahas adalah bagaimana memprediksi konsumsi energi listrik

fasilitas pengolahan limbah radioaktif beberapa tahun kedepan setiap bulannya.

3. Menggunakan bahasa pemograman Matlab R2010a.

2

BAB II

TEORI

2.1 Konsumsi Energi Listrik

Konsumsi energi listrik di fasilitas pengolahan limbah radioaktif

lebih banyak digunakan sebagai suplai daya motor dengan sirkuit tiga

fase. Sirkuit tiga fase umum digunakan pada mayoritas sistem

transmisi, distribusi dan konversi energi yang tingkat daya atau volt-

amperenya (VA) berada diatas 10 kilowatt (kW) atau kilovolt-ampere

(kVA). Dalam sistem tiga fase, ada dua macam hubungan yang dapat

dibuat, yaitu hubungan bintang dan hubungan delta. Secara umum,

tegangan pada kedua hubungan tersebut sama-sama terbagi menjadi

dua jenis, yaitu tegangan fase dan tegangan saluran. Untuk

menghitung besar daya yang dipakai, hubungan bintang dan delta

mempunyai persamaan yang sama, yaitu;

P=√3 . V . I . cosφ (2.1)

dengan P adalah daya yang terpakai (Watt), V adalah tegangan tiga fase (volt), I

arus beban yang mengalir disetiap fase, dan φ adalah power factor.

Power factor adalah selisih sudut antara fase gelombang tegangan terhadap fase

arus, yang menunjukkan kualitas daya yang dikonsumsi oleh peralatan listrik. Power

factor(PF) merupakan penghubung antara daya yang diperlukan untuk melakukan kerja

(kW), daya reaktif (kVAr), dan daya yang sebenarnya dikeluarkan (kVA). Hubungan

ketiganya terlihat jelas pada Gambar 1. Daya reaktif (kvar) ditimbulkan oleh beban

induktif dan kapasitif, yang mana keduanya mempunyai jarak sudut 180o satu sama lain.

3

Gambar 2.1 Hubungan daya aktif, daya nyata dan daya reaktif

φ=tan−1 dayareaktif ( kVAr )dayaaktif (kWh ) (2.2)

PF=Cos φ (2.3)

Untuk menghitung jumlah energy terpakai digunakan persamaan:

W =P . t (2.4)

dengan

W = energy listrik yang terpakai (wattjam)

P = daya terpakai (watt)

T = waktu pemakaian (jam).

2.2 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah paradigma pemrosesan suatu informasi yang

terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu

informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari

sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu

contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu

seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

Metode pembelajaran unntuk jaringan syaraf tiruan ada dua yaitu feedforward

(umpan maju) dan backpropagation (jaringan syaraf berulang). Jaringan syaraf

feedforward merupakan jaringan syaraf tiruan dimana hubungan antara unit yang tidak

membentuk siklus searah.

4

Jaringan Syaraf feedforward merupakan tipe pertama dan bisa dibilang paling

sederhana dari jaringan syaraf tiruan yang telah dibuat. Dalam jaringan ini, informasi

bergerak dalam satu arah, kedepan, dari layer masukan, melalui layer tersembunyi, dan

output layer.

2.3 Metode Backpropagation

Perambatan galat mundur (Backpropagation) adalah sebuah metode

sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki

dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan

dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error

melalui model yang dikembangkan (training set).

1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses

melalui lapisan luar.

2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan

target.

3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan

elemen pemroses.

4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke

kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.

5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan

luaran elemen pemroses yang terhubung.

Jaringan Syaraf Tiruan Backpropagation merupakan salah satu model jaringan

yang populer pada jaringan syaraf tiruan. Model jaringan ini banyak digunakan untuk

diaplikasikan pada penyelesaian suatu masalah berkaitan dengan identifikasi, prediksi,

pengenalan pola dan sebagainya. Pada latihan yang berulang–ulang, algoritma ini akan

menghasilkan unjuk kerja yang lebih baik. Hal ini berarti bahwa “bobot interkoneksi”

JST semakin mendekati bobot yang seharusnya.(Penelitian Jaringan Syaraf

Tiruan,1993).

Metode Backpropagation ini pertama kali diperkenalkan oleh Paul Werbos pada

tahun 1974, kemudian dikemukakan kembali oleh David Parker di tahun 1982 dan

kemudian dipopulerkan oleh Rumelhart dan McCelland pada tahun 1986. Pada

AlgoritmaBackPropagation ini, arsitektur jaringan menggunakan jaringan banyak lapis.

5

2.4 Arsitektur Jaringan Backpropagation

Metode pelatihan BackPropagation atau dikenal dengan Generalize Delta Rule

(GDR) ini merupakan supervised training dimana untuk tiap pola input terdapat

pasangan target output untuk masing-masing pola input. Ide dasarnya dapat

dideskripsikan dengan pola hubungan yang sederhana yaitu : jika output memberikan

hasil yang tidak sesuai dengan target yang tidak diinginkan, maka pembobot akan

dikoreksi agar errornya dapat diperkecil dan selanjutnya respon jaringan diharapkan

akan lebih mendekati harga yang sesuai. Pada umumnya tujuan jaringan syaraf tiruan

melakukan proses pelatihan adalah untuk mendapatkan balancing antara kemampuan

jaringan untuk menanggapi secara benar pola-pola input pada saat pelatihan (dapat

dikatakan kemampuan mengingat) dan kemampuan untuk memberikan penilaian yang

layak dari suatu pola masukkan lain yang serupa. Sehingga dari proses pelatihan

tersebut akan dibentuk suatu harga pembobot yang akan digunakan sebagai faktor

penggali dari pola masukkan yang lain.

Gambar 2.2 Arsitektur Jaringan Backpropagation

Keterangan :

X = Masukan (input).

V = Bobot pada lapisan tersembunyi.

W = Bobot pada lapisan keluaran.

6

1 = Bias

Y = Keluaran hasil.

Pada metode ini, terdapat tiga tahapan dalam proses pelatihan, yaitu: proses

umpan maju (feed forward) dari pola input pelatihan, perhitungan dan propagasi balik

(back propagation) dari error yang terjadi dan penyesuaian nilai bobot.

1. Fase Pelatihan Umpan Maju (Propagasi maju)

Pada fasa ini, sinyal input dipropagasikan ke layar tersembunyi pertama

menggunakan fungsi aktivasi tertentu. Setelah proses ini selesai, keluaran dari layar

tersembunyi pertama dipropagasikan kembali ke layar tersembunyi di atasnya hingga

menghasilkan output jaringan m. output jaringan m kemudian diperbandingkan dengan

target. Selisih antara target dan output merupakan kesalahan yang terjadi.

2. Fase Pelatihan umpan Mundur (Propagasi Mundur)

Dari kesalahan yang terjadi kemudian dapat dihitung nilai δ yang kemudian

digunakan untuk mendistribusikan kesalahan dari output ke seluruh bagian layar

tersembunyi yang terhubung langsung dengan output

3. Fase Perubahan Bobot

Setelah keseluruhan δ dihitung, bobot dari semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garisbergantung pada faktor δ di atasnya.

2.5 Fungsi aktivasi

a. Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step function)

untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu

output biner (0 atau 1)

Gambar 2.3 Fungsi Undak Biner (Hard Limit)

Fungsi undak biner (hard limit) dirumuskan sebagai :

7

y ={0, jika x ≤01, jika x> 0

b. Fungsi Undak Biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan

fungsi nilai ambang (Threshold) atau fungsi Heaviside.

Gambar 2.4 Fungsi Undak Biner (Threshold)

Fungsi undak biner (dengan nilai ambang ) dirumuskan sebagai

y ={0, jika x <θ1, jika x≥θ

c. Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja

output yang dihasilkan berupa 1, 0 atau -1

Gambar 2.5 Fungsi Bipolar (Symetric Hard Limit)

Fungsi Symetric Hard Limit dirumuskan sebagai :

y ={1, jika x > 00, jika x = 0−1, jika x< 0

d. Fungsi Bipolar (dengan threshold)

8

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan

threshold. Hanya saja keluaran yang dihaslkan berupa 1, 0, atau -1

Fungsi bipolar (dengan nilai ambang ) dirumuskan sebagai

y ={1 , jika x ≥θ−1, jika x<θ

Gambar 2.6 Fungsi Bipolar (dengan Threshold)

e. Fungsi Linear (Identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi ini

dirumuskan sebagai :

y = x

Gambar 2.7 Fungsi Linear (Identitas)

f. Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari – ½, dan akan bernilai 1 jika

inputnya lebih dari ½. Sedangkan jika nilai input terletak antara -1/2 dan ½, maka

outputnya akan bernilai sama dengan nilai input ditambah ½

9

Gambar 2.8 Fungsi Saturating Linear

Fungsi saturating linear dirumuskan sebagai :

y ={ 1 ; jika x ≥ 0 ,5x+0,5 ; jika−0,5≤x≤0,5

0 ; jika x≤−0,5

g. Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika

inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka

outputnya akan bernilai sama dengan nilai inputnya.

Gambar 2.9 Fungsi Symetric Saturatung Linear

Fungsi symetric saturating linear dirumuskan sebagai :

y={ 1 ; jikaX≥1x ; jika−1≤x≤1−1; jikaX≤1

h. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan

metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai

1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang

10

membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini

bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1.

Fungsi sigmoid biner dirumuskan sebagai :

y=f ( x )= 1

1+e−σx

Dengan : f' ( x )=σf ( x )[1−f ( x ) ]

Untuk normalisasi data dapat dirumuskan:

x=0 .8∗(xn−xmin )( xmax−xmin)

+0 . 1

Dimana x merupakan data hasil normalisasi, xmin adalah data minimal, xmax data

maksimal dan xn adalah data ke-n.

i. Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output

dari fungsi ini memiliki range antara 1 sampai -1

Fungsi sigmoid bipolar dirumuskan sebagai :

y=f ( x )=1−e−x

1+e−x

Dengan : f ' ( x )=σ

2[1+ f ( x ) ] [1−f ( x )]

Fungsi ni sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range

antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai :

y=f ( x )=e x−e−x

ex+e− x

Atau :

y=f ( x )=1−e−2 x

1+e−2 x

Dengan : f ' ( x )=[1+ f ( x )] [1−f ( x )]

11

BAB III

PROSEDUR PROGRAM

3.1 Data Asli Konsumsi Energi Listrik pada Fasilas Pengolahan Limbah

Radioaktif, BATAN

Tabel 3.1 Data Konsumsi Energi Listrik

3.2 Alur Pembuatan Program/ Algoritma

1. Melakukan normalisasi terhadap data yang akan digunakan dalam prediksi jaringan

menggunakan jaringan saraf tiruan.

2. Merancang pola data masukan menggunakan Microsoft Excel. Pola masukan ini

nantinya akan dibagi menjadi data latih, target, dan data uji.

12

Gambar 3.1 Pola Data Masukan Progam(Sheet 5)

3. Pola data masukan tersebut kemudian ditransform ke bentuk format notepad.

4. Start Matlab R2010a, kemudian dilakukan import data. Data yang akan diimport

adalah data latih, target dan data uji.

Gambar 3.2 Import Data

5. Dibuka new script program untuk membuat program dalam bentuk M-File.

6. Dimulai pembuatan program prediksi menggunakan jaringan saraf tiruan dengan

langkah;

a. Input pola data latih

13

Gambar 3.3 Pola Data Latih dan Target

b. Membangun jaringan menggunakan metode pembelajaran Backpropagation.

Fungsi yang digunakan adalah newff

c. Menset fungsi aktivasi yang akan digunanakan pada saat pembangunan

jaringan. Disini nantinya akan dilakukan variasi fungsi aktivasi yang akan

diguanakan.

net= newff(minmax(p),[2,1],{'logsig','logsig'},'traingdx');

d. Menentukan bobot awal input, lapisan, dan bias.%Menentukan bobot awal input,lapisan dan bias bobotAwal_Input = net.IW{1,1} bobotAwal_bias = net.b{1,1} bobotAwal_lapisan1 =net.LW{2,1} bobotAwal_bias_lapisan1 = net.b{2,1}

e. Menset parameter yang akan digunakan

%Set Parameternet.trainParam.epochs = 1000;net.trainParam.goal = 1e-5;net.trainParam.lr=1;net.trainParam.show=1000;net.trainParam.mc=0.5;

f. Pembelajaran Jaringan

net=train(net,p,t);

g. Melihat bobot akhir input, lapisan, dan bias

bobotAkhir_input = net.IW{1,1}bobotAkhir_bias = net.b{1,1}bobotAkhir_lapisan1 =net.LW{2,1}

14

bobotAkhir_bias_lapisan1 = net.b{2,1}

h. Melakukan simulasi jaringan

simnet = sim(net,p);

i. Mengevaluasi jaringan

[mx,b,rx] = postreg (simnet,t);

J. Memperlihatkan output hasil simulasi jaringan, kemudian dibandingkan

dengan target untuk menentukan besar error dari training jaringan yang yang

telah dilakukan.

k. Untuk mempermudah membandingkan antara target dan output yang

dihasilkan, maka dilakukan plot jaringan pada program.

l. Menghitung MSE antara target dan ouput

m. Menghitung MSE dari hasil testing

n. Setelah semua proses diatas dilakukan (trainig jaringan), kemudian dilakukan

prediksi

7. Setelah program selesai dibuat, kemudian diklik tombol save and run untuk

memulai mentraining dan prediksi jaringan.

Untuk lebih jelasnya dapat dilihat listingan script program pada Lampiran 1.

3.3 Flowchart

15

Gambar 3.4 Flowchart Jaringan

BAB IV

HASIL DAN PEMBAHASAN

Pembuatan jaringan untuk memprediksi konsumsi energi listrik pada Fasilitas

Pengolahan Limbah Radioaktif BATAN menggunakanan pembelajaran

16

StartInput data latih (p), target (t)

yang telah dinormalis

asi

Set bobot + bias antara

lapisan input dan hidden

(b)Vektor output

sebelum aktivasi (z-in)Fungsi aktivasi

(f)Vektor output setelah

aktivasi (z)

Bobot koneksi antara

hidden dan output

jaringan (b)

Output jaringan

(y0)

MSE = MaxEpoch=max

YPrediksi

end

Perbaiki bobot dan parameter

T

Nevi_031

Backpropagation. Alasan menggunkan metode pembelajaran ini adalah karena

Backpropagatioan adalah metode jaringan syaraf tiruan yang menggunakan satu atau

beberapa layar tersembunyi. Dengan menggunkan layar tersembunyi ini akan

memperkecil error dari pelatihan jaringan, sehingga keluaran yang dihasilkan akan

semakin tepat.

Data konsumsi energy listrik pada pengolahan limbah radioaktif BATAN

digunakan sebagai data masukan program. Data ini dinormalisasi terlebih dahulu

sebelum diinputkan ke dalam program. Tujuan dari normalisasi adalah agar keluaran

jaringan sesuai dengan fungsin aktivasi yang digunakan. Selain itu, normalisasi akan

membuat keluaran berada dalam rentang fungsi aktivasi. Sebenarnya normalisasi dapat

dilakukan langsung didalam program setelah input program dilakukan dengan perintah

berikut:

[Inputn,meanIn,stdIn,Targetn,meanT,stdT] = prestd(Input,Target);

dimana Inputn menunjukkan normalisasi input, meanIn adalah mean input, stdIn

adalah standar deviasi input, Targetn adalah normalisasi target, meanT adalah mean

target, dan stdT adalah standar deviasi target. Karena penulis gagal dalam

menormalisasi data dengan perintah tersebut, akhirnya data dinormalisasi secara manual

pada program excel.

Data masukan program dibuat menjadi bentuk pola masukan. Pola ini nantinya

akan dibagi menjadi pola input data latih jaringan, target dan data uji. Data latih

beserta target digunakan untuk melatih jaringan hingga diperoleh jaringan yang baik

dengan error yang sangat kecil. Sedangkan data uji akan digunakan sebagai

pembanding dari hasil prediksi yang dilakukan.

Tabel 4.1 Data Hasil Normalisasi

Bulan Ke-\Tahun 2006 2007 2008 2009

Januari 0.308953 0.833451 0.42062 0.500423

Februari 0.342792 0.737011 0.546387 0.472506

Maret 0.387346 0.558795 0.373528 0.32841

17

April 0.53398 0.857138 0.33546 0.3411

Mei 0.349559 0.818505 0.361121 0.492245

Juni 0.427388 0.9 0.42767 0.562178

Juli 0.487734 0.890976 0.29852 0.389884

Agustus 0.535108 0.837963 0.338562 0.48153

September 0.47589 0.846422 0.319951 0.470814

Oktober 0.652978 0.641981 0.1 0.272013

November 0.314593 0.296546 0.349277 0.690765

Desember 0.504089 0.636059 0.349277 0.46743

Untuk pola data latih, dibuat pola masukan 20 bulan. Maksudnya, data

konsumsi energy listrik tersebut diurutkan dari januari 2006 sampai Desember 2009.

Sehingga jumlah total data adalah 48 data. Kemudian data ke-1 sampai data ke-20

membentuk pola masukan data latih yang pertama (pola-1) dan data ke-21 menjadi

target. Setelah itu, untuk pola berikutnya dinaikkan satu bulan kemudian. Begitu

seterusnya hingga akhirnya terbentuk 20 pola data latih beserta target.

Untuk membuat 20 pola data latih dan target ini terpakai 40 data (Data dari

Januari 2006 sampai April 2009). Delapan data yang tersisa akan menjadi data uji.

Agar data uji ini memiliki pola matriks yang sama dengan pola data latih, maka

dilanjutkan pola 20 bulan data latih tersebut dengan memasukkan data uji yang tersisa.

Setelah pola data latih, target dan data uji terbentuk, maka dimulai membangun

jaringan bacptopagation. Seperti yang telah disebutkan pada prosedur program, untuk

membangun jaringan backpropagation digunakan fungsi newff. Dalam

pembagunanan jaringan, akan dideklarasikan jumlah layer yang digunakan, fungsi

aktivasi masing-masing layer dan model learning yang digunakan.

Pada percobaan awal jaringan, hanya digunakan satu layer input, satu hidden

layer dan satu output layer dengan fungsi aktivasi masing-masing layer sama, yaitu

fungsi aktivasi sigmoid biner. Fungsi ini di kodekan dengan nama ‘logsig’. Dan

untuk model learning yang digunakan adalah traindx.

‘Traingdx’ merupakan model learnig backpropagation yang dipercepat

dengan learning rate variable dan momentum . Selain Traindx, model pemercepat

18

learning backpropagation lainya yang sering digunakan adalah traingd,

traingda, traingdm, dan trainrp. Traingd adalah pemercepat learning

backpropagation standar. Traingda merupakan merupakan model backpropagation

yang dipercepat dengan learning rate variable. Traingdm adalah model learning

penurunan gradient yang dipercepat dengan momentum. Metode penurunan gradient

merupakan metode yang sederhana, namun metode ini sangat lambat dalam kecepatan

proses iterasinya. Ini terjadi karena kadang-kadang arah penurunan tercepat bukanlah

arah yang cepat untuk mencapai titik minimum globalnya. Sedangkan trainrp

merupakan metode resilient jaringan backpropagation. Metode ini dapat mengatasi

masalah gradient yang kecil yang menyebabkan perubahan bobot juga kecil, dengan

cara membagi arah dan perubahan bobot menjadi 2 bagian yang berbeda. Dari semua

model pemercepat learning jaringan yang telah disebutkan , traingdx lah yang paling

cepat melakukan iterasi. Sehingga pada program ini model pemercepat learning

bakpropagation yang digunakan adalah traingdx.

Setelah jaringan dibangun, maka diset bobot awal input, lapisan dan bias. Selain

itu juga perlu ditentukan parameter-parameter yang mempengaruhi learning jaringan

backpropagation. Parameter yang harus ditentukan adalah jumlah epoch (iterasi)

maksimal learning jaringan (net.trainParam.epochs), jumlah error minimum yang

diinginkan(net.trainParam.goal), learning rate (net.trainParam.lr), jumlah epoch

dimana grafik error akan di update (net.trainParam.show)serta jumlah momentum

learning jaringan yang bernilai 0.5 sampai 1(net.trainParam.mc). Jumlah epoch

maksimal dan jumlah epoch dimana grafik error akan diupdate untuk jaringan ini dibuat

sama, yaitu 1000 epoch. Untuk error minimum yang diset adalah 1e-5 dan learning rate

nya adalah satu.

Langkah selanjutnya setelah pengaturan input, bobot serta parameter jaringan,

maka dimulai proses latih jaringan. Jaringan akan berlatih sampai mendapatkan nilai

error minimum atau jumlah epoch maksimum. Untuk mengetahui apakah jaringan telah

terlatih dengan baik maka dilakukan simulasi dengan data latih dan target. Agar

mempermudah melihat apakah jaringan telah dilatih dengan baik, ditampilkan grafik

hasil plot data simulasi jaringan backpropagation.

19

Gambar 4.1 Neural Network Training

Pada Neural network training dapat dilihat waktu yang dibutuhkan jaringan

dengan semua input, bobot dan parameter yang telah diset untuk berlatih sampai

didapatkan nilai epoch maksimum adalah 26 detik. Jaringan ini menggunkan satu

hidden layer. Jika hidden layernya ditambah, maka waktu yang dibutuhkan jaringan

untuk training akan lebih lama dan setting bobot antar hidden layer juga ditambah.

Pada script program yang telah dibuat, user dapat mengganti jumlah hidden layer yang

diinginkan. Semakin banyak hidden layer, maka error yang dihasilkan akan semakin

kecil.

20

Gambar 4.2 Hasil Pengujian dengan Data latih

Dari grafik plot antara output jaringan dan target terlihat bahwa jaringan telah terlatih

dengan baik, dimana hasil output jaringan dan target semuanya hampir sama. Jaringan

yang baik akan menghasilkan output dan target yang hampir sama.

Sebagaimana telah disebutkan sebelumnya, fungsi aktivasi yang digunakan

untuk masing-masing layer adalah fungsi sigmoid biner (‘logsig’). Disini penulis

hanya menvariasikan fungsi aktivasi untuk layer kedua. Hal ini dikarenakan data input

dinormalisasi menggunakan fungsi aktivasi sigmoid biner yang mempunyai rentang

data antara 0 sampai dengan 1. Variasi fungsi aktivasi yang digunakan adalah sigmoid

bipolar (‘tansig’) yang mempunyai rentang data -1 hingga 1[-1,1] dan purelin atau

fungsi identitas (‘purelin’). Dari semua variasi yang dilakukan, hasil latih jaringan

yang mengahasilkan output yang paling baik adalah penggunaan fungsi aktivasi sigmoid

biner untuk kedua layer (‘logsig’,’logsig’). Penggunaan gabungan fungsi

aktivasi sigmoid biner dan sigmoid bipolar (‘logsig’,’tansig’) serta sigmoid

biner dan purelin (‘logsig’,’purelin’) menghasilkan keluaran jaringan yang

kurang baik, dimana output jaringan yang diinginkan banyak berbeda dengan target.

Hal ini terjadi mungkin dikarenakan normalisasi data menggunkan fungsi sigmoid biner

sehingga keluaran jaringan hanya akan berada dalam rentang data fungsi aktivasi

tersebut, yaitu 0 dan 1.

21

Untuk prediksi jaringan, digunakan data uji sebagai pembanding untuk melihat

apakah prediksi yang telah dilakukan sudah tepat atau belum. Karena program yang

dibuat tidak berhasil membandingkan hasil prediksi jaringan dengan data uji yang ada,

maka perbandingan dilakukan secara manual.

Gambar 4.3 Prediksi Jaringan

Untuk lebih jelasnya, hasil keluaran jaringan (running program) dapat dilihat langsung

pada Lampiran 2.

Maka, berdasarkan data konsumsi energi listrik Fasilitas Pengolahan Limbah

Radioaktif BATAN dari Januari 2006 sampai April 2009 sebagai data latih dan target,

diperoleh prediksi konsumsi energi listrik untuk sembilan bulan berikutnya, yaitu dari

Mei 2009 sampai Januari 2010.

Tabel 4.2 Hasil Prediksi jaringanTAHUN Bulan

Jan Feb Mar Apr Mei Jun Jul Agst Sept Okt Nov Des

2009 - - - - 0.354 0.400 0.781 0.607 0.392 0.604 0.629 0.798

2010 0.90

5

- - - - - - - - - -

22

Delapan data hasil prediksi ini dapat dicek ketepatannya menggunkan target dari

data uji. Sedangkan data prediksi yang ke Sembilan tidak dapat dicek kebenarannya

saat ini. Untuk melihat kebenarannya maka diperlukan pencarian literature kembali.

Data yang ditulis didalam tabel hanya mengambil tiga angka dibelakang koma.

Tabel 4.3 Perbandingan Hasil Prediksi Jaringan dengan Target UjiBulan , Tahun Target Uji Prediksi

Mei, 2009 0.492 0.354

Juni, 20090.562

0.400

Juli, 20090.389

0.781

Agustus, 20090.481

0.607

September, 20090.470

0.392

Oktober, 20090.272

0.604

November, 20090.690

0.629

Desember, 20090.4674

0.798

Dari tabel 4.3 diatas dapat terlihat bahwa hasil prediksi jaringan menggunakan

metode pembelajaran backpropagation masih berbeda dengan target uji yang

diharapkan walaupun hasil training jaringan sebelumya telah sangat baik dengan error

yang sangat kecil, yaitu MSE_train = 0.00431011 dan MSE_test = 0.19599791.

Jika hasil prediksi didenormalisasi kembali, maka diperoleh data konsumsi

energy listrik dalam nilai yang sebenarnya. Denormalisasi dilakukan secara manual

pada Microsoft excel dengan masih menggunkan persamaan untuk fungsi aktivasi

sigmoid biner yaitu

x=0 .8∗(xn−xmin )( xmax−xmin)

+0 . 1

Dimana , x = data hasil normalisasi

xmin = data minimal

xmax = data maksimal

xn = data ke-n

contohnya,

23

Hasil prediksi bulan Mei 2009 adalah 0.354. hasil denormalisasinya ditentukan

dengan cara :

Diketahui: x, data hasil prediksi(normalisasi) = 0.354

xmin (dari data konsumsi energy listrik/sebelum normalisasi) =49.98

xmax (dari data konsumsi energy listrik/sebelum normalisasi) = 106.72

xn = data denormalisasi (yang dihitung)?

x=0 .8∗( xn−xmin)(x max−xmin)

+0 . 1

0 .354=0 .8∗( xn−49. 98 )(106 .72−49 .98 )

+0 .1

0 .354=0 .8∗( xn−49. 98 )+5 .674

56 .7420 . 08596=0. 8 xn−39. 984+5 .67420 . 08596=0. 8 xn−34 . 310 .8 xn=54 .39596xn=67 . 99495≈67 .995

Jadi hasil denormalisasi data hasil prediksi untuk bulan Mei 2009 adalh 67.995.

Sehingga hasil denormalisasi hasil prediksi bulan selanjutnya (dihitung menggunakan

Microsoft excel (sheet 6)) dapat dilihat pada tabel 4.4 berikut.

Tabel 4.4 Hasil Denormalisasi Data Hasil Prediksi Konsumsi Energi Listrik

Fasilitas Pengolahan Limbah radioaktif BATANBulan, tahun Hasil Prediksi Denormalisasi Data Asli

Mei, 2009 0.354 67.99495 77.8Juni, 2009 0.4 71.2575 82.76Juli,2009 0.781 98.279925 70.54Agustus,2009 0.607 85.938975 77.04September,2009 0.392 70.6901 76.28

24

Oktober,2009 0.604 85.7262 62.18November,2009 0.629 87.499325 91.88Desember,2009 0.798 99.48565 76.04Januari, 2010 0.905 107.074625 -

Tabel 4.1 memperlihatkan hasil prediksi konsumsi energy listrik yang

diperoleh. Dari tabel terlihat jelas bahwa hasil prediksi masih berbeda dengan nilai

konsumsi energy listrik yang sebenarnya. Tetapi tidak masalah karena hasil akhir selalu

dipengaruhi oleh banyak faktor, sedangkan prediksi dilakukan berdasarkan pola yang

sudah ada. Selain itu hasil prediksi ini masih akan berubah pada setiap proses runing

walaupun dengan epoch dan jumlah unit hidden yang sama karena nilai bobot disetting

secara random oleh matlab. Jadi setiap melakukan simulasi dengan program dan data

yang sama, maka akan diperoleh nilai-nilai prediksi yang tidak akan sama.

25

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Pembuatan jaringan untuk memprediksi konsumsi energi listrik pada Fasilitas

Pengolahan Limbah Radioaktif BATAN menggunakanan pembelajaran

Backpropagation karena Backpropagatioan adalah metode jaringan syaraf tiruan yang

menggunakan satu atau beberapa layar tersembunyi. Dengan menggunkan layar

tersembunyi ini akan memperkecil error dari pelatihan jaringan, sehingga keluaran yang

dihasilkan akan semakin tepat. Jaringan yang dibangun ini menggunkan satu hidden

layer karena sudah cukup efektif.

Dalam pembagunan jaringan ini digunakan fungsi aktivasi sigmoid biner untuk

masing-masing layer (‘logsig, logsig’), karena dari semua fungsi aktivasi yang

dicobakan, fungsi aktivasi ini yang menghasilkan output jaringan yang hampir sama

dengan target dengan error yang kecil yaitu MSE_train = 0.00431011 dan MSE_test =

0.19599791. Sedangkan model pemercepat pembelajaran atau learning yang digunakan

adalah traindx, karena traingdx lah yang paling cepat melakukan iterasi dibandingkan

model pemercepat lainnya yang dicobakan.

Hasil prediksi masih berbeda dengan nilai konsumsi energy listrik yang

sebenarnya. Tetapi tidak masalah karena hasil akhir selalu dipengaruhi oleh banyak

faktor, sedangkan prediksi dilakukan berdasarkan pola yang sudah ada. Selain itu hasil

prediksi ini masih akan berubah pada setiap proses runing walaupun dengan epoch dan

jumlah unit hidden yang sama karena nilai bobot disetting secara random oleh matlab.

Jadi setiap melakukan simulasi dengan program dan data yang sama, maka akan

diperoleh nilai-nilai prediksi yang tidak akan sama.

5.2 Saran

Dalam prose prediksi yang telah dilakukan, masih banyak hal yang masih perlu

dikembangkan dan diperbaiki. Seperti dalam melakukan proses pelatihan jaringan agar

26

menghasilkan jaringan yang baik sehingga dapat menghasilkan prediksi yang tepat

nantinya. Variasi jumlah unit layer, fungsi aktivasi serta model pemercepat pelatihan

atau learning sangat penting dilakukan agar diperoleh jaringan yang paling baik

DAFTAR PUSTAKA

Apriyani, Ria. Tanpa Tahun. Implementation Of Artificial Neural Network Backpropagation Method In Predicting Stock Price PT. Indosat Using Matlab. Universitas Gunadarma.

Aslan, Mohamed. 2010. Introductory Matlab Tutorial.pdf.

Budiyono, dkk. Tanpa tahun. Analisis Konsumsi Energi Listrik pada Fasilitas Pengolahan Limbah Radioaktif Badan Tenaga Nuklir Nasional. Prosding Seminar Nasional Teknologi Pengolahan Limbah VIII.pdf

Fitriyah, Qoriatul, Didi Istardi. Tanpa tahun. Prediksi Beban Listrik Pulau Bali Dengan Menggunakan Metode Backpropagasi. Teknik Elektro Politeknik Batam.pdf.

Eliyani. 2005. Pengantar Jaringan Syaraf Tiruan.pdf

Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

27

LAMPIRAN 1

LISTING SCRIPT PROGRAM (M-FILE)

%TUGAS UAS JNA %PREDIKSI TINGKAT KONSUMSI ENERGI LISTRIK %PADA FASILITAS PENGOLAHAN LIMBAH RADIOAKTIF BADAN TENAGA NUKLIR NASIONAL %MENGGUNAKAN METODE BACKPROPAGATION %NEVI HARYANI %0910442031 %Begin....... fprintf('Input data latih'); %Input Pola Data Latihp =[0.3090 0.3428 0.3873 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.3428 0.3873 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.3873 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277

28

0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284]fprintf('target'); t =[ 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411] % data Uji%{sebagai pembanding untuk melihat apakah prediksi yang dilakukan tepat}%u = [0.4922 0.5622 0.3899 0.4815 0.4708 0.2720 0.6908 0.4674]; %Pembangunan Jaringannet= newff(minmax(p),[2,1],{'logsig','logsig'},'traingdx'); %Menentukan bobot awal input,lapisan dan biasbobotAwal_Input = net.IW{1,1}bobotAwal_bias = net.b{1,1}bobotAwal_lapisan1 =net.LW{2,1}bobotAwal_bias_lapisan1 = net.b{2,1} %Set Parameternet.trainParam.epochs = 1000;net.trainParam.goal = 1e-5;net.trainParam.lr=1;net.trainParam.show=1000;net.trainParam.mc=0.5; %Pembelajaran Jaringan

29

net=train(net,p,t); %Melihat bobot akhir input,lapisan, dan biasbobotAkhir_input = net.IW{1,1}bobotAkhir_bias = net.b{1,1}bobotAkhir_lapisan1 =net.LW{2,1}bobotAkhir_bias_lapisan1 = net.b{2,1}%Simulasi Jaringansimnet = sim(net,p); %Evaluasi Jaringan[mx,b,rx] = postreg (simnet,t); %Menampilkan Output angka hasil simulasiy=sim(net,p)ShowNN = [(1:size(p,2))' t' simnet' (t'-simnet')];fprintf ( 'No Target net Output net ERROR\n');fprintf ( '%2.0f %7.3f %8.3f %10.3f\n', ShowNN'); %Menampilkan Grafik Hasil plot data Simulasi Jaringan/pembelajaranplot ([1:size(p,2)]', t, 'bo', [1:size(p,2)]', simnet', 'r*');title ('Hasil pengujian dengan Data Pelatihan: Target (o), Output (*)');xlabel('Data ke-');ylabel('Target/Output'); %Errore=t-yperf=mse (e);mse1= mse(e);fprintf('MSE_train = %12.8f\n',mse1);mse1=mse(t);fprintf('MSE_test = %12.8f\n',mse1); % Prediksi Jaringan {untuk menentukan apakah prediksi jaringan sudah benar,% digunakan data uji}prediksi=[0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708 0.2720

30

0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708 0.2720 0.6908 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708 0.2720 0.6908 0.4674]pr = prediksi(: ,1:20)'fprintf('Hasil Prediksi Jaringan (k)');k = sim (net,pr) %End....

31

LAMPIRAN 2

HASIL RUNNING PROGRAM

Running ProgramInput data latihp =

Columns 1 through 7

0.3090 0.3428 0.3873 0.5340 0.3496 0.4274 0.4877 0.3428 0.3873 0.5340 0.3496 0.4274 0.4877 0.5351 0.3873 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.5340 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3496 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.4274 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.4877 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464

Columns 8 through 14

0.5351 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.4759 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.6530 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.3146 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.5041 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8335 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.7370 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965

32

0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200


0.5588 0.8571 0.8185 0.9000 0.8910 0.8380 0.8571 0.8185 0.9000 0.8910 0.8380 0.8464 0.8185 0.9000 0.8910 0.8380 0.8464 0.6420 0.9000 0.8910 0.8380 0.8464 0.6420 0.2965 0.8910 0.8380 0.8464 0.6420 0.2965 0.6361 0.8380 0.8464 0.6420 0.2965 0.6361 0.4206 0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284

targett =

Columns 1 through 7

0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735


0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000


0.3493 0.3493 0.5004 0.4725 0.3284 0.3411

33

Warning: NEWFF used in an obsolete way. > In nntobsu at 18 In newff at 86 In ta_jna_nevi3 at 43 See help for NEWFF to update calls to the new argument list.

bobotAwal_Input =

Columns 1 through 6

2.3150 -2.7700 0.9829 -1.5955 3.2955 -2.4663 2.3706 2.4380 -2.3736 0.2682 2.6595 2.6922


3.2931 2.1630 -0.5636 2.1048 1.1218 2.5149 -0.0837 -2.0487 2.3783 2.6287 -2.6561 2.4828


1.2875 1.7513 0.8449 1.1196 -1.2122 -2.1892 1.4745 -0.6165 -1.4190 -2.0204 -1.9586 1.3959


1.0707 2.6222 -0.7983 -2.1534

bobotAwal_bias =

-11.9872 -0.6492

bobotAwal_lapisan1 =

-2.5725 -4.9741

bobotAwal_bias_lapisan1 =

3.7733

bobotAkhir_input =

34

Columns 1 through 6

1.9492 -3.0026 0.7078 -2.0206 2.8769 -2.6950 0.7596 3.5808 -3.3097 -0.9433 2.0594 5.0801


2.8475 1.6925 -1.1115 1.5187 0.5820 1.9427 -0.2135 1.0248 -0.4184 -0.8932 0.8438 3.2658


0.7184 1.3775 0.3347 0.7085 -1.5867 -2.4506 -1.8276 1.6924 -1.6075 -1.3715 -1.4065 1.9134


0.7793 2.3845 -0.0482 -1.4658

bobotAkhir_bias =

-12.6333 -1.1483

bobotAkhir_lapisan1 =

-2.2493 -4.8490

bobotAkhir_bias_lapisan1 =

4.0553

y =

Columns 1 through 6

0.8455 0.6287 0.3406 0.6351 0.4370 0.5477


0.3673 0.3217 0.3123 0.3971 0.3308 0.3265

35


0.3126 0.3249 0.3152 0.3246 0.3389 0.4895


0.3421 0.3314

No Target net Output net ERROR 1 0.846 0.845 0.001 2 0.642 0.629 0.013 3 0.296 0.341 -0.044 4 0.636 0.635 0.001 5 0.421 0.437 -0.016 6 0.546 0.548 -0.001 7 0.374 0.367 0.006 8 0.336 0.322 0.014 9 0.361 0.312 0.04910 0.428 0.397 0.03111 0.298 0.331 -0.03212 0.339 0.326 0.01213 0.320 0.313 0.00714 0.100 0.325 -0.22515 0.349 0.315 0.03416 0.349 0.325 0.02517 0.500 0.339 0.16218 0.472 0.490 -0.01719 0.328 0.342 -0.01420 0.341 0.331 0.010

e =

Columns 1 through 6

0.0009 0.0133 -0.0441 0.0010 -0.0164 -0.0013


0.0062 0.0138 0.0488 0.0306 -0.0323 0.0121


0.0074 -0.2249 0.0341 0.0247 0.1615 -0.0170


-0.0137 0.0097

36

MSE_train = 0.00431011MSE_test = 0.19599791

prediksi =

Columns 1 through 6

0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000


0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411


0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708 0.4922 0.5622 0.3899 0.4815 0.4708 0.2720


0.3284 0.3411 0.3411 0.4922 0.4922 0.5622 0.5622 0.3899

37

0.3899 0.4815 0.4815 0.4708 0.4708 0.2720 0.2720 0.6908 0.6908 0.4674

pr =

Columns 1 through 6

0.8464 0.6420 0.2965 0.6361 0.4206 0.5464 0.6420 0.2965 0.6361 0.4206 0.5464 0.3735 0.2965 0.6361 0.4206 0.5464 0.3735 0.3355 0.6361 0.4206 0.5464 0.3735 0.3355 0.3611 0.4206 0.5464 0.3735 0.3355 0.3611 0.4277 0.5464 0.3735 0.3355 0.3611 0.4277 0.2985 0.3735 0.3355 0.3611 0.4277 0.2985 0.3386 0.3355 0.3611 0.4277 0.2985 0.3386 0.3200 0.3611 0.4277 0.2985 0.3386 0.3200 0.1000 0.4277 0.2985 0.3386 0.3200 0.1000 0.3493 0.2985 0.3386 0.3200 0.1000 0.3493 0.3493 0.3386 0.3200 0.1000 0.3493 0.3493 0.5004 0.3200 0.1000 0.3493 0.3493 0.5004 0.4725 0.1000 0.3493 0.3493 0.5004 0.4725 0.3284 0.3493 0.3493 0.5004 0.4725 0.3284 0.3411 0.3493 0.5004 0.4725 0.3284 0.3411 0.4922 0.5004 0.4725 0.3284 0.3411 0.4922 0.5622 0.4725 0.3284 0.3411 0.4922 0.5622 0.3899 0.3284 0.3411 0.4922 0.5622 0.3899 0.4815 0.3411 0.4922 0.5622 0.3899 0.4815 0.4708

Columns 7 through 9

0.3735 0.3355 0.3611 0.3355 0.3611 0.4277 0.3611 0.4277 0.2985 0.4277 0.2985 0.3386 0.2985 0.3386 0.3200 0.3386 0.3200 0.1000 0.3200 0.1000 0.3493 0.1000 0.3493 0.3493 0.3493 0.3493 0.5004 0.3493 0.5004 0.4725 0.5004 0.4725 0.3284 0.4725 0.3284 0.3411 0.3284 0.3411 0.4922 0.3411 0.4922 0.5622

38

0.4922 0.5622 0.3899 0.5622 0.3899 0.4815 0.3899 0.4815 0.4708 0.4815 0.4708 0.2720 0.4708 0.2720 0.6908 0.2720 0.6908 0.4674

Hasil Prediksi Jaringan (k)k =

Columns 1 through 6

0.3547 0.7400 0.7818 0.6072 0.3923 0.6045

Columns 7 through 9

0.6292 0.7987 0.9059

>>

Gambar A. Training State

39

Gambar B. Plot Regresion

40

Gambar C. PlotPerform Epoch Vs MSE

41

tugas ujian akhir semester

Documents