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.