3
Jika diperhatikan karakteristik sederet data x1, x2, x3 …, x
n
, x
adalah bentuk yang didefinisikan oleh karakteristik tersebut.
Kemudian bentuk x dapat dianggap sebagai vektor x (x1, x2, x3 …, x
n
).
Parameter sebanyak n dari vektor x diberikan metode pengolahan
yang berbeda: normalisasi data, transformasi linier dan nonlinier,
seleksi pola. Jika nilai parameter besarnya berbeda, maka parameter
dengan nilai absolut yang tinggi akan memiliki pengaruh yang lebih
besar atas hasil klasifikasi dan nilai parameter harus memiliki urutan
yang sama besarnya. Metode yang sering digunakan adalah metode
penyesuaian domain. Transformasi dari nilai parameter berikut yang
diterapkan adalah:
Prediksi adalah masalah sulit dan dapat dilihat sebagai
pengenalan pola sementara yang sangat cocok diselesaikan dengan
JST.
Subjek variable perdiksi dapat berbeda dari data sebelumnya
(independent variables). Metode backpropagation dan fungsi aktivasi
sigmoid adalah hal yang paling penting dan merupakan metode yang
digunakan untuk pelatihan multilayer neural networks feedfoward.
Dalam jurnal ini terdapat satu metode lagi untuk
menyelesaikan masalah prediksi, yaitu analisa regresi.
Dalam
hal
sistem
linear,
pendekatan
regresi
memiliki
relevansi praktis.
Karena
kemampuan mereka
untuk mendeteksi
ketergantungan
non-linear
dalam
input
set data, jaringan saraf
yang
merupakan
alternatif yang
efisien untuk metode yang ada.
Jurnal ini juga mengkonfirmasikan bahwa prediksi untuk
periode yang lebih
panjang tidak akurat (4 tahun). Untuk
mendapatkan hasil 4 tahun kedepan disarankan memprediksi secara
bertahap 1 tahun, 2 tahun, 3 tahun ke
depan.
Berdasarkan jurnal ini
prediksi memang cocok untuk diselesaikan dengan JST.
Oleh karena
itu, lebih baik prediksi dilakukan secara bertahap hingga mencapai
waktu yang diinginkan dengan mengisi kekosongan data pada tahap-
tahap sebelumnya yang dibutuhkan untuk prediksi selanjutnya agar
menghasilkan prediksi yang akurat pada hasil akhir.
 |