31
Dalam training, umumnya meliputi pemberian sampel training
sebagai vektor input
melalui
JST,
menghitung kesalahan dari output
layer, kemudian menyesuaikan bobot dari jaringan untuk
meminimalisasi kesalahan. Proses menentukan besarnya perubahan
dari faktor bobot yang menghasilkan output
akurat adalah yang
disebut sebagai training.
Dalam backpropagation, penyesuaian bobot
terus dilakukan sampai kesalahan (error) lebih kecil dari batas yang
diinginkan di mana jaringan dianggap sudah terlatih.
Algoritma yang digunakan untuk menyebarkan pembetulan
kesalahan (error) adalah:
W
ij
(baru)- W
ij
(lama) =
Di mana
W adalah bobot, E adalah parameter error,
adalah faktor
proportional yang disebut learning rate.
Dari sejumlah tes yang telah dilakukan, kesimpulan yang
didapat, akurasi dari AFERFM adalah 81.2% lebih baik dibanding
dengan menggunakan HFERFM dengan akurasi 69.9%. Tingkat
perubahan dari AFERFM lebih pasti dan tidak berubah-rubah
dibanding dengan HFERFM.
Perbedaan di antara metode yang dipakai dalam tugas akhir ini
dengan metode di dalam jurnal ini adalah penggunaan faktor-faktor
lain yang mempengaruhi ditambah nilai tukar mata uang dalam kurun
waktu tertentu sebagai input sedangkan metode dalam jurnal ini hanya
memakai nilai tukar mata uang sebagai input. Dengan ini diharapkan,
metode kami dapat menghasilkan akurasi yang lebih baik.
2.2.3
A Network Model for Time-Series Forecasting
Kemudian satu jurnal menarik dari Nicolae
Morariu, Eugenia
Iancu, Sorin Vlad
berjudul “A Network Model for Time-series
Forecasting“
mereka berpendapat bahwa pengkajian atas tingkat
pengembangan untuk suatu aktivitas tertentu dapat dilakukan dengan
menggunakan analisis evolusi indikator yang menggambarkan baik
tingkat kuantitatif serta mutasi kualitatif secara bersamaan.
 |