![Page 1: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/1.jpg)
Ida Bagus Oka Ari Adnyana 1309100056
PEMBIMBING
Ir. Dwiatmono A. W., M.IKom CO-PEMBIMBING
Dr. Brodjol Sutijo Suprih Ulama, M.Si.
SEMINAR HASIL
Ruang Kelas T104B Statistika 1 Juli 2013
![Page 2: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/2.jpg)
PENDAHULUAN
TINJAUAN PUSTAKA
PENERAPAN BOOTSTRAP PADA
NEURAL NETWORK UNTUK
PERAMALAN PRODUKSI
MINYAK MENTAH DI INDONESIA
2
METODOLOGI PENELITIAN
ANALISIS DAN PEMBAHASAN
KESIMPULAN DAN SARAN
![Page 4: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/4.jpg)
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
Time Series Forecasting ARIMA
NEURAL NETWORK
Model Nonlinier Future Value diasumsikan sebagai fungsi linier
4
![Page 6: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/6.jpg)
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
NEURAL NETWORK
Y1 Yk Ym
1 Z1 Zj Zp
1 X1 Xi Xn
w01 w11
w0k w0m
v10 v0j
v0p
w1k w1m wjm wpm wj1 wjk wp1
wpk
v11
vj1 vjk
vjp vnp vnj
vn1 v1j v1p
Input
Hiden
Output
Bobot
Bobot
6
![Page 7: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/7.jpg)
Neural Network
Tidak ada pengujian parameter bobot
pada Neural Network
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
7
![Page 8: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/8.jpg)
Pengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang didasari pada teknik resampling yaitu dengan
menggunakan selang kepercayaan pada prosedur bootstrap.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
8
Pengujian Koefisien Bobot
![Page 9: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/9.jpg)
Neural Network
Selang Kepercayaan Persentil Bootstrap
Resampling1000 kali
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
9
![Page 10: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/10.jpg)
Minyak Bumi Semakin Menurun
15 TAHUN AKAN HABIS
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
10
Studi Kasus
![Page 11: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/11.jpg)
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
Yuza (2013) meneliti tentang peramalan produksi minyak mentah di Indonesia dengan membandingkan
model ARIMA dengan Neural Network.
11
Abrahart (2003) meneliti menggunakan teknik bootstrap untuk meresampling unit input Neural
Network dalam pemodelan limpasan hujan.
![Page 12: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/12.jpg)
Bagaimana model neural network dalam peramalan produksi minyak mentah di Indonesia?
Bagaimana pengujian signifikansi bobot neural network dengan menggunakan selang kepercayaan
bootstrap dalam peramalan produksi minyak mentah di Indonesia?
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
12
Bagaimana perbandingan model antara model ARIMA, neural network dan neural network dengan bootstrap dalam peramalan produksi minyak mentah
di Indonesia?
![Page 13: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/13.jpg)
Mengetahui bentuk model neural network dalam peramalan produksi minyak mentah di Indonesia.
Mengetahui hasil pengujian signifikansi bobot neural network dengan menggunakan selang
kepercayaan bootstrap dalam peramalan produksi minyak mentah di Indonesia.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
13
Mendapatkan perbandingan model antara model ARIMA, neural network dan neural network dengan
bootstrap dalam peramalan produksi minyak mentah di Indonesia.
![Page 14: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/14.jpg)
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
14
Rekomendasi bagi pemerintah terkait dalam melakukan kebijakan-kebijakan yang dikeluarkan
Bagi masyarakat sebagai konsumen agar dapat mengurangi jumlah konsumsi minyak mentah agar
tetap dapat di manfaatkan sebaik-baiknya
![Page 15: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/15.jpg)
Data yang digunakan merupakan data produksi minyak mentah di Indonesia dari tahun 1965
sampai 2011.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Batasan Masalah
15
![Page 18: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/18.jpg)
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan
penyajian data sehingga dapat memberikan informasi yang berguna (Walpole, 1995).
Mean Varians
18
![Page 19: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/19.jpg)
Deret waktu adalah serangkaian data pengamatan yang disusun menurut waktu, dimana data pengamatan tersebut bersifat
acak dan saling berhubungan secara statistika (Cryer, 1986).
19
![Page 20: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/20.jpg)
Untuk proses stasioner { }, didapat dan ,
yang konstan, dan kovarian yang merupakan fungsi dari perbedaan
waktu
20
(Wei, 2006)
![Page 21: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/21.jpg)
Koefisien fungsi autokorelasi ρk dapat diduga dengan rumus sebagai berikut :
21
1
2
1
)(
))((
(Cryer, 1986)
![Page 22: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/22.jpg)
Autokorelasi Parsial digunakan untuk mengukur tingkat keeratan hubungan linier
antara data dengan apabila pengaruh dari time 1,2,…,k-1 dianggap
terpisah (Makridakis dkk., 1999)
22
1
1,1
1
1,1
1
![Page 23: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/23.jpg)
Model deret waktu yang nonstasioner dapat dikatakan sebagai proses
ordo (p,d,q) atau disingkat ARIMA (p,d,q). Metode ARIMA dapat juga digunakan
untuk peramalan yang dikembangkan oleh Box Jenkins.
23
![Page 24: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/24.jpg)
Cryer (1986) merumuskan model umum ARIMA (p,d,q) sebagai berikut.
24
...... 1111
![Page 25: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/25.jpg)
Uji normalitas adalah uji yang dilakukan untuk memperkuat dugaan apakah suatu
sampel data yang terkumpul itu berdistribusi normal. Statistik uji yang
digunakan adalah Kolmogorov Smirnov karena data dari hasil pengamatan bersifat
kontinyu (Daniel, 1989).
25
![Page 26: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/26.jpg)
Kriteria pemilihan model terbaik, dapat dibagi menjadi dua yakni kriteria untuk
dan RMSE digunakan untuk mendapatkan informasi dari
keseluruhan standar deviasi yang muncul saat menunjukkan perbedaan hubungan
atau model yang dimilki
26
1
21
![Page 27: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/27.jpg)
Uji deteksi non-linearitas atau uji Terasvirta dari model neural network dan termasuk dalam
kelompok uji tipe Lagrange Multiplier (LM) yang dikembangkan dengan ekspansi Taylor
(Terasvirta, 1993).
Hipotesis dari uji terasvirta adalah sebagai berikut. H0 : Data mengikuti fungsi linier dalam mean. H1 : Data tidak mengikuti fungsi linier dalam mean.
27
![Page 28: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/28.jpg)
Backpropagation merupakan algoritma pembelajaran dan
biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah
bobot-bobot yang terhubung dengan neuron-neuron pada lapisan
tersembunyinya (Kusumadewi, 2004).
28
![Page 30: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/30.jpg)
Fungsi aktivasi merupakan suatu fungsi yang digunakan untuk membandingkan
antara hasil penjumlahan nilai-nilai semua bobot yang datang dengan suatu nilai
ambang ( tertentu pada setiap neutron (Kusumadewi, 2004).
)exp(11)(Sigmoid
Biner
30
![Page 31: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/31.jpg)
Metode adalah salah satu metode yang tergolong dalam level tinggi. Metode digunakan
untuk melakukan dari suatu set data asli (Chernick, 2007).
31
Sebanyak B kali
![Page 32: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/32.jpg)
Salah satu bentuk aplikasinya adalah mengenstimasi selang
kepercayaan. Pada kasus selang kepercayaan pengambilan sampel
boostrap paling sedikit sebanyak 1000 replikasi . (Chernick, 2008).
Selang kepercayaan disebut juga dengan metode persentil selang
kepercayaan.
32
![Page 33: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/33.jpg)
Misalkan merupakan estimasi nonparametrik untuk merupakan estimasi dari standar deviasi untuk berdasarkan pada sampel
. Sehingga didefinisikan
Estimasi , sehingga dapat hubungan dengan . Dapat dicari percentil dari . Kemudian
untuk aproximasi dua sisi selang kepercayaan untuk , didapat interval
33
![Page 35: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/35.jpg)
Data yang digunakan dalam penelitian ini adalah data tahunan produksi minyak mentah selama periode tahun 1965 hingga tahun
2011, yang diperoleh dari perusahaan minyak internasional
British Petroleum (BP).
35
![Page 36: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/36.jpg)
Variabel yang digunakan dalam penelitian ini adalah banyaknya
produksi minyak mentah di Indonesia per tahun dalam satuan ribuan barel.
36
![Page 37: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/37.jpg)
37
b1 b2 …….. b1000 1 x1
* x1
* …….. x1
*
2 x2* x2
* …….. x2
* …
..
…..
…..
…..
…..
43 x43* x43
* …….. x43
*
![Page 38: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/38.jpg)
1. Melihat time series plot dari data untuk melihat pola dari data.
2. Melihat plot ACF dan PACF untuk mengetahui lag yang signifikan.
3. Melakukan pengujian non-linieritas pada data sampel.
4. Menentukan unit input layer , kemudian banyak unit dalam yang nanti akan disimulasikan.
5. Menentukan bobot pada arsitektur dengan pendekatan .
6. Mendapatkan arsitektur (hiden layer dan iterasi) yang optimum.
38
![Page 39: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/39.jpg)
7. Melihat stasioneritas dari sampel, sehingga dapat dilakukan prosedur pada sampel, yaitu dengan mengambil sampel dari sampel yang ada dengan pengembalian.
8. Melakukan prosedur terhadap unit input kemudian dilakukan pemodelan dengan . hal ini dilakukan sebanyak 1000 kali sehingga didapat bobot sebanyak 1000 ditiap jalur.
9. Mencari selang kepercayaan dari masing-masing bobot dari input ke hiden layer dan dari hiden layer ke output.
39
![Page 40: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/40.jpg)
10.Menentukan bobot yang signifikan dan yang tidak signifikan dengan melihat selang kepercayaan , jika selang kepercayaan mengandung nilai 0, maka dapat diartikan tidak signifikan.
11.Melakukan pemodelan kembali dengan menggunakan dengan menghilangkan bobot yang tidak signifikan.
40
![Page 42: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/42.jpg)
1265,5 342,4 474 1685
42
Statistika deskriptif dari data produksi minyak mentah di Indonesia digunakan untuk melihat karakteristik dari data pada penelitian kali ini.
![Page 43: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/43.jpg)
Model yang akan dibangun terdiri dari : 1. Unit input 2. Unit hiden 3. Unit output
43
Identifikasi juga dilakukan terhadap plot dari data
Unit input ditentukan dari lag yang signifikan dari data
![Page 44: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/44.jpg)
44
1970 1980 1990 2000 2010
600
800
1000
1200
1400
1600
year
produ
ksi
Produksi minyak mentah di Indonesia dari tahun 1965 sampai tahun 2011 menunjukkan fungsi nonlinier.
![Page 45: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/45.jpg)
45
3,505 2 0,1733
Data produksi minyak mentah di Indonesia dengan α = 0,05 tidak mengikuti fungsi nonlinier.
![Page 46: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/46.jpg)
46
0 5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
Lag
Par
tial A
CF
0 5 10 15
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
5 10 15-0
.3-0
.2-0
.10.
00.
10.
20.
30.
4
Lag
Par
tial A
CF
Plot ACF dan PACF sebelum di diferencing
Plot ACF dan PACF setelah di diferencing
![Page 47: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/47.jpg)
47
ARIMA ([3],1,0)
Unit input model berdasarkan model ARIMA adalah , , dan .
![Page 48: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/48.jpg)
Input Model Jumlah
Unit input 4 neuron
Unit hiden 9 neuron
Maksimum iterasi 10000 iterasi
Jalur bobot 55 jalur
Bobot awal 0,5
48
Input model yang telah ditentukan diawal untuk selanjutnya di lakukan simulasi dengan .
![Page 50: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/50.jpg)
50
bias z1 0.54 yt-4 z4 -0.80 yt-2 z8 -0.06yt-1 z1 1.47 bias z5 0.54 yt-3 z8 0.71yt-2 z1 -0.06 yt-1 z5 1.47 yt-4 z8 -0.80yt-3 z1 0.71 yt-2 z5 -0.06 bias z9 0.54yt-4 z1 -0.80 yt-3 z5 0.71 yt-1 z9 1.47bias z2 0.54 yt-4 z5 -0.80 yt-2 z9 -0.06yt-1 z2 1.47 bias z6 0.54 yt-3 z9 0.71yt-2 z2 -0.06 yt-1 z6 1.47 yt-4 z9 -0.80yt-3 z2 0.71 yt-2 z6 -0.06 bias yt -1.95yt-4 z2 -0.80 yt-3 z6 0.71 z1 yt 0.36bias z3 0.54 yt-4 z6 -0.80 z2 yt 0.36yt-1 z3 1.47 bias z7 0.54 z3 yt 0.36yt-2 z3 -0.06 yt-1 z7 1.47 z4 yt 0.36yt-3 z3 0.71 yt-2 z7 -0.06 z5 yt 0.36yt-4 z3 -0.80 yt-3 z7 0.71 z6 yt 0.36bias z4 0.54 yt-4 z7 -0.80 z7 yt 0.36yt-1 z4 1.47 bias z8 0.54 z8 yt 0.36yt-2 z4 -0.06 yt-1 z8 1.47 z9 yt 0.36yt-3 z4 0.71
![Page 51: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/51.jpg)
51
0.2316978
0.0001365
Residual tidak berdistribusi normal dan tidak sesuai dengan teori yang ada.
![Page 52: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/52.jpg)
52
bias z1 0.40 yt-4 z4 -1.10 yt-2 z8 -0.11
yt-1 z1 2.05 bias z5 0.45 yt-3 z8 0.99
yt-2 z1 -0.11 yt-1 z5 2.04 yt-4 z8 -1.08
yt-3 z1 1.10 yt-2 z5 -0.09 bias z9 0.46
yt-4 z1 -1.08 yt-3 z5 1.06 yt-1 z9 2.21
bias z2 0.37 yt-4 z5 -1.13 yt-2 z9 -0.17
yt-1 z2 2.01 bias z6 0.44 yt-3 z9 1.06
yt-2 z2 -0.09 yt-1 z6 2.15 yt-4 z9 -1.19
yt-3 z2 1.00 yt-2 z6 -0.01 bias yt -2.33
yt-4 z2 -1.13 yt-3 z6 1.03 z1 yt 0.49
bias z3 0.39 yt-4 z6 -1.27 z2 yt 0.38
yt-1 z3 1.98 bias z7 0.62 z3 yt 0.47
yt-2 z3 -0.18 yt-1 z7 1.86 z4 yt 0.49
yt-3 z3 1.04 yt-2 z7 -0.06 z5 yt 0.41
yt-4 z3 -1.05 yt-3 z7 0.95 z6 yt 0.43
bias z4 0.40 yt-4 z7 -1.13 z7 yt 0.49
yt-1 z4 1.94 bias z8 0.49 z8 yt 0.46
yt-2 z4 -0.08 yt-1 z8 2.10 z9 yt 0.43
yt-3 z4 1.12
![Page 53: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/53.jpg)
53
Bias z1 -1.09 1.10 yt-3 z6 -0.03 3.09yt-1 z1 0.81 6.23 yt-4 z6 -4.11 -0.25yt-2 z1 -1.56 1.37 bias z7 -1.04 1.12yt-3 z1 -0.03 3.28 yt-1 z7 0.77 6.06yt-4 z1 -3.68 -0.20 yt-2 z7 -2.18 1.30Bias z2 -0.90 1.06 yt-3 z7 -0.07 2.93yt-1 z2 0.82 5.97 yt-4 z7 -3.63 -0.19yt-2 z2 -1.68 1.42 bias z8 -0.90 1.18yt-3 z2 -0.04 3.12 yt-1 z8 0.77 6.25yt-4 z2 -3.68 -0.22 yt-2 z8 -1.82 1.29Bias z3 -1.13 1.10 yt-3 z8 -0.03 3.28yt-1 z3 0.79 5.95 yt-4 z8 -3.63 -0.17yt-2 z3 -2.33 1.27 bias z9 -0.88 1.12yt-3 z3 -0.09 3.01 yt-1 z9 0.87 6.36yt-4 z3 -3.21 -0.14 yt-2 z9 -2.01 1.63Bias z4 -0.99 1.10 yt-3 z9 -0.09 3.48yt-1 z4 0.74 5.97 yt-4 z9 -3.98 -0.25yt-2 z4 -1.69 1.31 bias yt -5.03 -0.86yt-3 z4 -0.03 3.41 z1 yt 0.20 1.15yt-4 z4 -3.35 -0.23 z2 yt 0.19 0.74Bias z5 -0.83 1.18 z3 yt 0.19 0.79yt-1 z5 0.81 6.06 z4 yt 0.20 1.25yt-2 z5 -1.75 1.49 z5 yt 0.19 0.71yt-3 z5 -0.03 3.09 z6 yt 0.19 0.95yt-4 z5 -3.43 -0.22 z7 yt 0.19 1.39Bias z6 -0.77 1.10 z8 yt 0.19 0.83yt-1 z6 0.81 6.19 z9 yt 0.20 1.21yt-2 z6 -1.76 1.50
![Page 55: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/55.jpg)
55
0.277834 0.0003893
0.231698 0.0001365
0.579399 0.001157
Residual tidak berdistribusi normal pada ketiga model.
![Page 57: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/57.jpg)
Model produksi minyak mentah di Indonesia dari tahun 1965 sampai tahun 2011 dengan unit input yaitu yt-1, yt-2, yt-3, dan yt-4, hiden layer
sebanyak 9 neuron. Menghasilkan nilai MSE sebesar 0.231698 lebih kecil dibandingan dengan model ARIMA
([3],1,0) dengan MSE sebesar 0.277834. Residual tidak mengikuti distribusi normal.
57
![Page 58: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/58.jpg)
Pengujian bobot produksi minyak mentah di Indonesia didapat bahwa terdapat bobot yang tidak signifikan yaitu pada unit input bias, yt-2
dan yt-3 menuju seluruh neuron pada unit hiden. Sedangkan dari unit hiden menuju unit output signifikan secara statistik. Sehingga didapat
model baru dengan input layer yaitu yt-1 dan yt-4, serta menggunakan estimasi parameter
untuk bobot di tiap jalurnya
58
![Page 59: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/59.jpg)
Perbandingan model antara model ARIMA, dan
dengan menghasilkan model yang paling baik berdasarkan nilai MSE adalah model
sederhana. Tetapi secara efisiensi dari perhitungan adalah
model dengan , karena hanya memasukkan
dua unit input yaitu yt-1 dan yt-4.
59
![Page 60: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/60.jpg)
Pada bagian analisis, diperlukan sumber pendukung dari penelitian sebelumnya untuk mendukung hasil dalam penelitian, serta para
peneliti tidak selalu berpikir bahwa model yang rumit selalu menghasilkan hasil
peramalan yang lebih baik dibandingkan dengan model yang sederhana.
60
![Page 61: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/61.jpg)
61
Abrahart, R.J., 2003. . Journal of Hydroinformatics
5 (1), 51–61. Bates, B.C., Townley, L.R., 1988. Nonlinear, discrete flood event
models: 3. Analysis of prediction uncertainty. Journal of Hydrology 99, 91–101.
Box, G.E.P., Jenkins, G.M. 1976. . Oakland: Holden-Day, Inc
Daniel, Wahyu. 2012. Detik Finance (http://finance.detik.com/read/ 2012/04/05/ 124625/1885898/1034/gawat-cadangan-minyak-ri-habis-12-tahun-lagi) di akses pada tanggal 14 Januari 2013
Dybowski, R., Roberts, S.J., 2000. . In: Dybowski, R.,
Gant, V. (Eds.), Clinical Applications of Artificial Neural Networks. Cambridge University Press.
![Page 62: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/62.jpg)
62
Efron, B. 1979. Bootstrap methods: another look at the jackknife. . 7, 1-26.*
Efron, B. 1982. . SIAM, Philadelphia.*
Efron, B., Tibshirani, R.J., 1993. . Chapman and Hall, London, UK.
Fausett, Lauren. 1994. , Prantice Halt
Kusumadewi, S. (2004). Yogyakarta: Graha
ilmu. Suhartono. 2007.
. Disertasi, Jurusan Matematika, Universitas Gadjah Mada
![Page 63: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/63.jpg)
63
Chernick, Michael R., 2007. Bootstrap Methods A Guide for Practitioners and Researchers (Second Edition), Wiley: Newtown, Pennsylvania.
Ter svitra, T., Tjostheim, D. and Granger, C.W.J., 1994. “Aspect Modelling Nonlinear Time Series, in RF. Engle and D.L. McFadden’, eds. Handbook of Econometrics, 4 Chapter 48, 2919-2957. Elsevier Science B.V.
Wei, W.W., 2006. (2nd ed.), Addison Wesley.
Yuza, Mirna. 2010.
Tugas Akhir, Jurusan Matematika Prodi Statistika, Universitas Negeri Padang
![Page 64: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/64.jpg)
64
Yuza, Mirna. 2013. Tugas
Akhir, Jurusan Statistika Prodi S1 Statistika, ITS Zhang, G.P., 2003. A Combined ARIMA and Neural Network
Approach for Time Series Forecasting, dalam (pp. 213-225). New
York City: IGI Global
![Page 65: PEMBIMBING - digilib.its.ac.iddigilib.its.ac.id/public/ITS-paper-28183-1309100056-Presentation.pdfPengujian signifikansi dari bobot neural network, dilakukan dengan pendekatan yang](https://reader035.vdocuments.pub/reader035/viewer/2022081606/5e86dbfc709dba064f7f070f/html5/thumbnails/65.jpg)
SEMINAR HASIL
65
Ruang Kelas T104B Statistika 1 Juli 2013