its undergraduate 9832 presentation
TRANSCRIPT
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 1/35
–
PENERAPAN MET DE EXTREME LEARNIN MA HINE
(ELM) UNTUK PERAMALAN PERMINTAAN
Pen usun Tu as Akhir :
Irwin Dwi A.(NRP : 5204.100.077)
Dosen Pembimbing :
Wiwiek Anggraeni S.si.,M.Kom . .,
29 Januari 2010
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 2/35
• Memperkirakan permintaan konsumen di masa datang selalu
. : a ar e a ang :.
menj adi tantangan bagi pelaku usaha dan indust ri.
• Peramalan an akurat dan efekt if da at membantu en ambilkeputusan dalam perusahaan menentukan j umlah barang yangakan diproduksi, bahan baku yang dibutuhkan sertamenentukan harga terhadap barang j adi.
• Jaringan syaraf t i ruan merupakan salah satu metode yangban ak dia likasikan dalam eramalan khususn a sales
forecast ing .
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 3/35
• JST mempunyai beberapa kelebihan pada kont rol area,
. : a ar e a ang :.
prediksi dan pengenalan pola (Sun et al , 2008).
• ELM meru akan metode embela aran baru dari JSTfeedforward.
•
(Sun et al,2008), serta mempunyai t ingkat akurasi yang lebihbaik dibandingkan dengan metode konvensional .
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 4/35
Tuj uan dari penyusunan tugas akhir ini adalah
.: u uan ugas r:.
• Menerapkan metode Ext reme Learning Machine (ELM) untukmeramalkan j umlah permintaan konsumen dengan data yangbersifat runtut waktu (time series).
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 5/35
Permasalahan an dian kat di dalam tu as akhir ini adalah
. : ermasa a an:.
• Bagaimana meramalkan j umlah permintaan konsumen denganmetode ext reme learning machine.
• Menghasilkan ramalan dengan t ingkat accuracy t inggi
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 6/35
• Data yang digunakan adalah data penj ualan harian mil ik “ Cak
. : a asan ermasa a an:.
Cuk Shop” Surabaya periode 2008-2009.
• Peramalan dibatasi ada dua roduk aitu kaos dan in
• Pengembangan aplikasi menggunakan ruang lingkup.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 7/35
. : x reme earn ng ac ne :.
• Ext reme learning machine (ELM) merupakan skemapembelaj aran baru dari j aringan syaraf t iruan.
• ELM merupakan j aringan syaraf t i ruan feedforward dengansingle hidden layer atau biasa disebut dengan Single Hiddel LayerFeedforward neural Networks (SLFNs).
• Parameter-parameter sepert i input weight dan hidden bias
dipil ih secara random.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 8/35
. : o e a ema s :.
Untuk j umlah sample yang berbeda dengan j umlah hidden),( ti Xi
nodes sebanyak N dan activation function g(x)
ji j
N
i
i
N
i
ob X W ig xjigi =+•= ∑∑==
).()(11
β β
Dimana :
T wwww ...= Vektor weight yang menghubungkan t h hidden node sin an npu no es . npu we g
T
imiii ),...,,( 21 β β β β = Vektor weight yang menghubungkan t h hidden nodes
dengan output (output weight)i
ibThreshold dari th hidden nodes
ji xw
i
Hasil perkalian antara bobot (weight) dengan input
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 9/35
. : o e a ema s :.
Dengan asumsi t ingkat error 0 makaot o N
j j =∑ − j j t o =
ji j
N
i
i t b X W ig =+•∑=
).(1
β
j=1
Rumus tersebut dapat ditulis sederhana
T H =
Dari rumus tersebut, Output weight dapat dihitung dengan rumus
T H Τ= β
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 10/35
. : e o o og :.
Langkah –langkah peramalan dengan metode Ext remeearn ng ac ne
Pembagian data menj adi data t raining dan test ing
Training ELM
Penentuan fun si akt ivasi dan umlah hidden neuron
Test ing : 20%dari total data 1})min{} /(max{})min{(2 −−×=− p p p p X X X X X
X = nilai hasil normalisasi yang berkisar antara [-1,1].
Menghitung input weight , biass dan output weight
Denormalisasi output
.Min (Xp) = nilai minimum pada data set .
Max (Xp) = nilai maksimum pada data set .Input weight dan hidden biass ditentukan secara random
Τ
Test ing / peramalan dengan ELM
= }min{})min{}(max{)1(5.0 p p p p X X X X X +−×+×=X = nilai data setelah denormalisasi.X = data out ut sebelum denormalisasi.Min (Xp) = data minimum pada data set sebelum denormalisasi.
Max (Xp) = data maksimun pada data set sebelum normalisasi.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 11/35
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 12/35
. : mp emen as o a :.
“ ”
2008-2009 yang bersifat t ime series
Menggunakan tool Excel dan Mat lab 7.0.4
Skenario U i coba Menggunakan fungsi akt ivasi logsig, t ansig dan
purelin
, ,
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 13/35
. : mp emen as o a :.
Mean Absolut Precentage Error (MAPE)membandingkan prosentase kesalahan nilai rata-rata
a so ut antara n a perama an engan n a yangsebenarnya terj adi.
1 ar−net t rediksi Y Y
Yprediksi = nilai prediksi
.1 arg=
=i et t Y n
Ytarget = nilai sesungguhnya yang terj adi.n = j umlah data yang diproses.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 14/35
. : mp emen as o a :.
Mean Square Error
Parameter ini merupakan rata-rata kesalahan yangmerupakan selisih dari nilai prediksi dengan data.
∑=−=
N
iii t y N mse 1
2
)(
1
Keterangan :
j umlah data= N
data ouput (predicted sales)data penj ualan aktual
=i y=it
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 15/35
. : mp emen as o a :.
MSE dan MAPE hasil analisis dari ELM dibandingakndengan MSE dan MAPE dari metode Exponent ialSmoothing dan Moving Average.
Menggunakan metode Single Exponent ial Smoothing
dan Single Moing Average 2 periode.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 16/35
. : as o a:.
Pada produk kaos
Training ELM
Parameter bobot dan biass dengan t ingkat akurasi opt imaldidapatkan pada fungsi akt ivasi purelin j umlah hidden neuron 5
Tingkat AccuracyMAPE 0.04MSE 0.04
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 17/35
. : as o a:.
Peramalan dengan metode ELM
Tingkat Accuracy= .
MAPE = 0.0042
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 18/35
. : as o a:.
Pada produk kaos
Peramalan dengan metode MA
Tingkat AccuracyMSE = 116.74MAPE = 19.19
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 19/35
. : as o a:.
Peramalan den an metode ES
Tingakat Accuracy : MSE = 502.19 MAPE = 39.23
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 20/35
. : as o a:.
Perbandingan Metode ELM, ES dan MA
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 21/35
. : as o a:.
Perbandingan Nilai MSE dan MAPE Metode ELM,
ES dan MA
MA ES ELM
MSE 116.74 502.19 0.0481
MAPE 19.19 32.93 0.0042
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 22/35
. : as o a:.
Rata-rata t raining pada j umlah hidden neuron yang
berbeda
1 0.020866667
3 0.00525 0.010433333
7 0
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 23/35
. : as o a:.
Pada produk pin
Training ELM
Parameter bobot dan biass dengan t ingkat akurasi opt imaldidapatkan pada fungsi akt ivasi purelin j umlah hidden neuron 5
Tingkat AccuracyMAPE 0.8480MSE 0.0021
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 24/35
. : as o a:.
Peramalan dengan metode ELM
Tingkat Accuracy= .
MAPE = 0.0095
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 25/35
. : as o a:.
Peramalan dengan metode MA
Tingkat AccuracyMSE 503.81MAPE 43.36
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 26/35
. : as o a:.
Peramalan den an metode ES
Tingakat Accuracy : MSE = 55.45 MAPE = 111.39
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 27/35
. : as o a:.
Perbandingan Metode ELM, ES dan MA
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 28/35
. : as o a:.
Perbandingan Nilai MSE dan MAPE Metode ELM,
ES dan MA
MA E ELM
MSE 13.78 55.45 0.0023MAPE 55.43 111.39 0.0095
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 29/35
. : as o a:.
Rata-rata t raining pada j umlah hidden neuron yang
berbeda
Jumlah hidden neuron Trainin Time
1 0.0052
3 0
7 0
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 30/35
. : es mpu an:.
Pada tugas akhir ini, ELM menghasilkan output opt imalpada fungsi akt ivasi purelin dengan j umlah hiddenneuron lima.
ELM menghasilkan output peramalan dengan t ingkat
kesalahan yang rendah daripada metode peramalankonvesional seperi Moving Average dan Exponent ial Smoothing .
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 31/35
. : es mpu an:.
Output dari ELM ditentukan oleh penentuaan parameterseperti fungsi akt ivasi atau fungsi t ransfer dan j umlah
hidden neuron.
Training time atau learning speed yang dibutuhkan
oleh ELM sangat singkat , yaitu rata- rata 0.00586667detik.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 32/35
. : aran:.
Implementasi metode ELM untuk masalah selain
peramalan seperti klasifikasi.
Menggunakan metode pembanding lain selain metode
Movin Avera e dan Ex onential Smoothin .
Menggunakan data input yang bersifat musiman atau
memiliki trend.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 33/35
. : a ar us a a:.
Huang, G.B., Zhu, Q.Y., dan Siew, C.K. 2004. Ext remeearn ng ac ne : ew earn ng c eme o e orwar
neural Networks. Proceeding of Internat ional JointConference on Neural Networks. Hungary, 25-29 Juli.
Makridakis, S., Wheelwright,S.C., dan McGee, V.E. 1999. Metode
dan Aplikasi Peramalan. Jakarta : Erlangga.
Mitchel, T.M. 1997. Machine learning. Singapura : McGraw‐Hill.
Qin‐Yu Zhu, A.K., Qin, P.N., Huang, G.B. 2005. Evolutionary Extreme
Learning Machine. Elsevier Pattern Recognition 38 (2005) 1759 ‐
1763.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 34/35
. : a ar us a a:.
Sun, Z.L., Choi, T.M., Au, K.F., dan Yu, Y. 2008. Sales Forecasting using
xtreme earn ng ac ne w t pp cat on n as on eta ng.
Elsevier Decision Support Systems 46 (2008) 411‐419.
Zhang, G., Pattuwo, B.E., dan Hu, M.Y. 1997. Forecasting with
Artificial Neural Networks : The State of the Art. Elsevier
International Journal of Forecasting 14 (1998) 35‐62.
Zhang, G.P. 2004. Neural Network Forecast ing in Bussiness.United States of America : Idea Group Publishing.
5/17/2018 ITS Undergraduate 9832 Presentation - slidepdf.com
http://slidepdf.com/reader/full/its-undergraduate-9832-presentation 35/35
TERIMA KASIH