You are on page 1of 10

# Tugas 2

## Kecedasan Buatan Lanjut

Pengampu: Imam Much Ibnu Subroto, ST., M.Sc., Ph.D
Email: imam@unissula.ac.id

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.

## Table 1: Rubber Production (2005 2014)

2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
138252 126159 139450 128173 130200 108400 108819 124500 129600 84300
106315 96461 109844 97338 96800 111000 96747 86000 61100 68500
91979 90866 85797 82522 82100 74000 76507 80200 61200 62000
87864 70722 62098 61325 59400 64300 73765 61600 52400 51600
98281 90486 73605 76963 76900 70500 70645 71700 79800 57600
123404 111965 99647 93357 92600 81300 83944 84400 84700 71400
125150 113844 123448 107107 107300 99500 104254 97100 90900 83800
120103 129959 120303 112143 113600 103700 89341 93200 90900 81200
112237 115097 115145 108580 108600 98900 102297 97800 83900 87800
107161 108806 126784 101612 101700 94000 94991 93000 79400 81400
119392 112498 101653 94965 94900 80000 81981 100700 75900 73800
129455 124636 99417 109089 109100 89100 106080 92300 81300 82300

## Prosedur yang diperlukan :

1. Identify the # of inputs, # of output(s), and the structure of the network.
2. Transform the data into manageable scale for easiness of network training and guarantee of convergence. Use Linear
Transformation as shown below :

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

## Berikut ini merupakan langkah-langkah pemrograman menggunakan bahasa pemrograman

matlab untuk melakukan prediksi jumlah produksi karet dengan sistem prediksi urutan waktu
menggunakan algoritma jaringan syaraf tiruan radial basis function (rbf neural network), yaitu
sebagai berikut :

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

## Perintah yang digunakan yaitu :

Sehingga diperoleh data hasil normalisasi seperti yang ditunjukkan pada gambar di bawah ini :

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 :

## Tampilan pelatihan jaringan ditunjukkan pada gambar di bawah ini :

5. Menampilkan hasil pelatihan dalam bentuk grafik beserta nilai MSE (Mean Square
Error) dan koefisien korelasi. 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
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).

data = reshape(data',[1,numel(data)]);

## % Proses Normalisasi Data

max_data = max(data);
min_data = min(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];

## % save data_prediksi_rbf data_prediksi_rbf

% save hasil_prediksi_rbf hasil_prediksi_rbf

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