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