Professional Documents
Culture Documents
BAB II
LANDASAN TEORI
5
Bab ini berisi penjelasan tentang pengertian peramalan, data runtun
waktu, stasioneritas, proses white noise, neural network, fungsi aktivasi, bias,
network.
A. Peramalan
peramalan adalah proses menduga sesuatu yang akan terjadi di masa yang
adalah peramalan apa yang akan terjadi pada waktu yang akan datang melalui
studi masa lalu, sedangkan rencana adalah penentuan apa yang akan
dilakukan pada waktu yang akan datang (Pangestu Subagyo, 1986: 3).
masa lalu untuk masa kondisi yang akan datang. Hal ini akan didasarkan pada
asumsi bahwa kondisi masa lalu sama dengan kondisi masa mendatang. Atas
dasar logika ini, langkah dalam metode peramalan secara umum adalah
nilai suatu variabel yang tersusun secara beruntun (berderet) dalam periode
yang sama, baik dalam jam, harian, mingguan, bulanan, kuartalan, ataupun
pemakaian listrik setiap minggu, jumlah penjualan setiap bulan, data curah
data pengamatan suatu data runtun waktu. Menurut Hanke dan Wichern
periode t dan t-k dari data runtun waktu dinyatakan sebagai berikut:
(2.1)
t= (2.2)
= (2.3)
dengan hipotesis
autokorelasi (ACF). Jika pada grafik ACF ada lag yang melebihi garis batas
C. Stasioneritas
data. Fluktuasi data berada disekitar suatu nilai rata-rata yang konstan, tidak
tergantung pada waktu dan varians dari fluktuasi tersebut (Makridakis, 1999:
351). Bentuk visual dari plot data runtun waktu sering kali cukup meyakinkan
ratanya tidak berubah dari waktu ke waktu atau data bersifat stabil. Gambar
2.1 berikut ini merupakan contoh plot data runtun waktu yang stasioner
dalam rata-rata. Gambar 2.2 menunjukkan plot data runtun waktu yang tidak
280
270
260
Yt
250
240
230
220
210
1 5 10 15 20 25 30 35 40 45 50 55 60 65
Observation
(1999: 452) notasi yang sangat bermanfaat dalam metode pembedaan adalah
(2.4)
(2.5)
Apabila suatu runtun waktu tidak stasioner, maka data tersebut dapat
Pembedaan pertama
(2.6)
kembali menjadi:
Pembedaan pertama
(2.7)
(2.8)
(2.9)
datanya tetap atau konstan, seperti pada gambar 2.3 berikut ini. Sebaliknya
jika data runtun waktu menunjukkan bahwa terdapat variasi fluktuasi data
pada grafik maka data termasuk dalam runtun waktu yang tidak stasioner
7
berdasarkan varians. Data runtun waktu yang tidak stasioner dalam varians
5.75
5.50
5.25
ln(Xt)
5.00
4.75
4.50
1 13 26 39 52 65 78 91 104 117 130
Index
900000
850000
800000
Produksi
750000
700000
650000
600000
1 2 3 4 5 6 7 8 9 10 11 12
Index
0 (Wei, 2006: 15). Sesuai dengan definisi tersebut, proses white noise
= (2.10)
fungsi autokorelasi
= (2.11)
Dasar dari proses white noise adalah nilai fungsi autokorelasi dari residu
error memenuhi proses white noise atau tidak. Uji Ljung-Box dapat dilakukan
Q = n(n+2) (2.12)
k = selisih waktu
m = banyaknya lag autokorelasi yang diuji
rk = koefisien autokorelasi dari periode ke-k
dengan hipotesis:
noise)
9
dan kriteria keputusan: H0 ditolak jika Q > dengan adalah taraf signifikansi
dan m adalah banyaknya lag.
E. Neural Network
otak buatan di dalam cerita-cerita fiksi ilmiah. Otak buatan ini menyerupai
potongan informasi yang telah ada. Penerapan jaringan syaraf tiruan (JST) ini
pernah dan telah dipelajari oleh otak. Cara kerja jaringan syaraf biologis
inilah yang dijadikan sebagai ide untuk membangun jaringan syaraf tiruan.
tiruan yang saling terhubung dan beroperasi secara paralel. Jadi jaringan
syaraf biologi.
Jaringan syaraf biologis merupakan kumpulan dari neuron yang
(neuron).
penghubung.
c. Fungsi aktivasi
Bobot-bobot antar koneksi dalam suatu arsitektur diberi nilai awal dan
bobot ini digunakan untuk belajar dan mengingat suatu informasi yang
telah ada. Pengaturan bobot dilakukan secara terus menerus dan dengan
Unit-unit input menerima input dari dunia luar, input yang diberikan
Keluaran dari lapisan ini merupakan hasil dari jaringan syaraf tiruan
2. Fungsi Aktivasi
Pemilihan bentuk FFNN dengan satu lapis tersembunyi dan fungsi linear
pada lapis output (tidak ada fungsi aktifasi nonlinear pada lapis output) ini
dalam berbagai ruang fungsi normal jika dimensi dari ruang bobot adalah
y=x (2.13)
13
Pada Matlab fungsi linear dikenal dengan nama purelin dan memiliki
sintak
y = purelin( )
y = f (x) = (2.14)
Pada Matlab fungsi sigmoid biner dikenal dengan nama logsig dan
memiliki sintak
y = logsig( )
threshold menjadi 0 (Siang, 2005: 27). Jika melibatkan bias (b) maka
net = b + (2.16)
Metode ini secara sederhana dapat dijabarkan dalam prosedur berikut ini
= faktor penskalaan ( )
Hitung = (2.17)
= (2.18)
15
c. Set bias:
keluaran.
Pada tipe ini, diantara lapisan masukan dan keluaran terdapat satu atau
5. Algoritma Backpropagation
differentiable dari variabel input, weight, dan bias. Untuk itu, kita dapat
karena itu, perancangan neural network ini akan menjadi sifat utama
berikut:
1. Pembagian data
2003 : 34):
c. Mulai dengan satu lapisan tersembunyi dan gunakan lebih dari satu
h = n, 2n (2.19)
h = n/2 (2.20)
trial and error dari simpul 1 sampai 2n. Untuk persamaan (2.20)
error untuk mendapatkan nilai bobot yang paling optimum agar MSE
MSE = = 2 (2.21)
berikut: