Pemilihan Arsitektur Terbaik pada Model Deep Learning Melalui Pendekatan Desain Eksperimen untuk Peramalan Deret Waktu Nonlinier

Abstract

Penentuan arsitektur model deep learning yang tepat merupakan hal yang sangat esensial untuk mendapatkan hasil ramalan dengan tingkat kesalahan minimum. Arsitektur deep learning meliputi jumlah input dan variabel apa saja yang digunakan, jumlah hidden layer, jumlah neuron pada setiap hidden layer, dan fungsi aktivasi. Pada penelitian ini dilakukan studi simulasi pada salah satu model deep learning, yaitu deep feedforward network, dengan berbagai kombinasi arsitektur untuk mendapatkan arsitektur paling optimum. Data yang digunakan merupakan data bangkitan yang mengikuti model nonlinier Exponential Smoothing Transition Auto-regressive (ESTAR) sebanyak 1000 data, di mana 900 data digunakan sebagai data training dan 100 data digunakan sebagai data testing. Ukuran evaluasi model yang digunakan adalah root mean square error of prediction (RMSEP). Hasil empiris yang didapatkan di antaranya, pemilihan input yang tepat dapat meningkatkan akurasi peramalan, serta pemilihan fungsi aktivasi dan kedalaman arsitektur sangat diperlukan untuk mendapatkan hasil ramalan yang semakin optimum.