Kenyataan bahwa masalah yang dihadapi dalam dunia nyata khususnya di bidang industri adalah masalah-masalah kompleks yang melibatkan banyak variabel dan memerlukan keputusan yang cepat menyediakan peluang yang besar bagi aplikasi jaringan saraf tiruan (artificial neural network, ANN). Neural network menawarkan metode penghitungan secara paralel dan terdistribusi sehingga memungkinkan penghitungan dengan melibatkan banyak variabel dengan proses hitung yang cepat. Neural network dikembangkan berdasarkan prinsip kerja jaraingan saraf pada manusia dimana untuk bisa mahir dalam ketrampilan tertentu harus melalui tahapan pembelajaran atau pelatihan dahulu. Pengembangan metode ini memang juga diarahkan untuk aplikasi penghitungan dengan komputer (Kaparthi dan Suresh, 1991).
Aplikasi, khususnya di bidang industri, dari neural network sekarang ini telah meluas ke berbagai sendi-sendi industri untuk meningkatkan efisiensi dan produktifitas antara lain pendiagnosa sistem produksi, memonitor kondisi perkakas, optimisasi desain, deteksi kemacetan lini produksi, pengendalian proses, pembentukan group technology/cellular manufacturing, sistem inspeksi dan pengendalian kualitas, dll. Aplikasi dari segi pengelohan informasi antara pengenalan pola, klasifikasi data dan pola, manajemen pengendalian, dll (Zhang dan Huang, 1995).
Agar bisa digunakan, neural network harus dilatih dulu. Pada prinsipnya ada dua cara untuk melatih network, yaitu dengan supervised learning dan unsupervised learning (Hagan et al, 1996). Supervised learning atau pembelajaran dengan diawasi memerlukan seperangkat data input untuk melatih yang terdiri dari pasangan data input dan data target. Network dilatih agar dapat memproses data input dan mengeluarkan output seperti yang ditargetkan. Jadi network akan mengatur diri sendiri agar dapat bertingkah seperti yang dilatihkan.Pada unsupervised learning, di sini network hanya diberi seperangkat data input saja tanpa adanya target yang diharapkan. Network akan melatih dirinya sendiri untuk bisa mengenali pola data input dan kemudian mengklasifikasikannya. Berapa jumlah kelompok data output tidak ditentukan dan jumlah kelompok data ini bisa terus bertambah tanpa batas. Dalam unsupervised ini, network hanya diberi rambu-rambu tentang tingkat keseragaman data input saja. Atau dengan kata lain, jumlah kelompok data yang terbentuk ditentukan oleh tingkat keseragaman data. Jika tingkat keseragaman rendah maka jumlah kelompok data yang dihasilkan akan sedikit dan demikian sebaliknya. Fuzzy neural network dalam penelitian ini merupakan kombinasi antara fuzzy time series yang memiliki nilai akurasi paling baik dari penelitian sebelumnya dan multi layer perceptron neural network.
2. IMPLEMENTASI PERAMALAN FUZZY NEURAL NETWORK A. Skenario Uji CobaPada uji coba model peramalan Fuzzy Neural Network dilakukan uji coba dengan skenario pengubahan parameter umum dan parameter khusus. Parameter umum adalah perubahan panjang interval, sedangkan parameter khusus berupa perubahan nilai pembagi interval. Nilai parameter yang digunakan pada uji coba dipaparkan pada Tabel 2.
B. Uji Coba FNN dengan Pembagi Interval 4
Dari implementasi dan uji coba model peramalan fuzzy neural network kemudian dilakukan evaluasi kinerja dengan menghitung nilai MAPE. Nilai MAPE dari hasil uji coba peramalan dengan fuzzy neural network dengan pembagi interval bernilai 4 disajikan dalam Tabel 3.
Berdasarkan nilai MAPE pada Tabel 3 diketahui bahwa nilai akurasi terbaik dihasilkan dari uji coba dengan panjang interval 25. Selain itu ditemukan bahwa semakin kecil panjang interval, hasil peramalan yang didapatkan semakin baik.
C. Uji Coba FNN dengan Pembagi Interval 3Uji coba selanjutnya yang dilakukan adalah uji coba model peramalan fuzzy neural network dengan skenario pembagi interval 3, dan panjang interval sama seperti pada uji coba sebelumnya. Hasil yang disajikan pada Tabel 4 menunjukkan bahwa nilai akurasi terbaik untuk peramalan fuzzy neural network dengan pembagi interval 3 didapatkan dari uji coba dengan panjang interval 25.
3. KESIMPULAN
Dari penelitian yang telah dilakukan, beberapa kesimpulan yang dapat diambil berdasarkan hasil implementasi fuzzy neural network antara lain adalah :
• Kelebihan dari model peramalan fuzzy neural network adalah dapat menghasilkan peramalan yang tidak jauh berbeda dari data aslinya, sementara kekurangan model ini terletak pada kemampuannya yang hanya terbatas untuk melakukan peramalan sesuai jumlah periode data masukannya saja. • Model peramalan fuzzy neural network dapat menghasilkan peramalan dengan akurasi yang sangat baik dengan nilai MAPE sebesar 8,667 %. Akurasi paling baik dihasilkan saat peramalan menggunakan panjang interval 50 dan pembagi interval 3. • Untuk implementasi fuzzy neural network dengan pembagi interval 4 ditemukan bahwa semakin kecil panjang interval, hasil peramalan yang didapatkan semakin baik. Sementara untuk implementasi fuzzy neural network dengan pembagi interval 3 ketentuan tersebut tidak berlaku. • Pada peramalan fuzzy neural network, jumlah neuron pada lapisan tersembunyi tidak memiliki pengaruh yang cukup kuat terhadap hasil peramalan. Ini dikarenakan pada proses defuzzifikasi relasi logika fuzzy yang dihasilkan oleh neural network hanya digunakan untuk membandingkan relasi yaitu nilai dari letak dua periode data pada interval. Apakah data n lebih besar dari data n+1 atau sebaliknya, dan tidak memperhatikan besar nilai relasinya. • Proses defuzzifikasi pada peramalan fuzzy neural network perlu disesuaikan kembali agar dapat menghasilkan peramalan yang tidak hanya terbatas pada jumlah data masukannya.
Sumber : https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=112&cad=rja&ved=0CDkQFjABOG4&url=http%3A%2F%2Fwww.uajy.ac.id%2Fjurnal%2Fjti%2F1999%2F3%2F2%2Fdoc%2F1999_3_2_5.doc&ei=4otaUfuzH8m8rAfNlIHIBw&usg=AFQjCNHssfZ-cAhmWNQML-SBTQVr8NLnEw&sig2=rHmJ_LpU21UY7uxcNkspZA&bvm=bv.44697112,d.bmk Setiyoutami, A., Prediksi Kunjungan Pasien Poli Bedah di Rumah Sakit Onkologi Surabaya Menggunakan Fuzzy Time Series. Surabaya: Tugas Akhir Jurusan Sistem Informasi FTIf ITS Surabaya (2012).
