BAB 1. PENDAHULUAN 1.1. Latar Belakang Kondisi data banyak (ribuan hingga ratusan) tidaklah selalu tersedia dalam aplikasi nyata jaringan saraf tiruan (JST). Silvert dan Baptist (1998) mencontohkan bidang ekologi yang umumnya memiliki jumlah data sangat terbatas; data bisa banyak pada sangat sedikit kasus, yaitu ketika penginderaan jauh atau telemetri digunakan. Belum lagi, penelitian sedimen bentik laut yang mereka lakukan itu juga mengungkapkan faktor variasi data yang disebabkan kondisi lingkungan per pencuplikan yang berubah-ubah yang kemudian mengharuskan eliminasi sampel (membuat semakin sedikit). Menambah jumlah data menjadi mahal secara biaya dan waktu. Acuan mutlak jumlah data memang tidak ada, akan tetapi penelitian seperti yang dilakukan Rajkumar dan Bardina (2003) memperlihatkan secara empirik pengaruh jumlah data yang diubah-ubah terhadap kinerja prediksi koefisien aerodinamik. Di tengah kelangkaan data, terdapat peluang bagi penggunaan JST yang memprediksikan rataan dari dua ulangan percobaan ataupun pengukuran. Penelitian ini mencoba mengambil keuntungan dari adanya selisih antara percobaan pertama dengan ulangannya ataupun pengukuran pertama dengan pengukuran kedua memanfaatkan konsep statistika. JST yang memprediksikan nilai atau titik (point estimation) akan memanfaatkan selang selisih tadi (seterusnya disebut sebagai selang keluaran) sebagai sasaran (goal) pelatihannya. Selang keluaran di atas mengambil idenya dari interval estimation untuk menduga parameter statistik dari suatu populasi (yang jamak dilakukan di bidang statistik), misalnya adalah selang kepercayaan 95% yang memberikan selang (interval) alih-alih nilai (point) untuk menduga parameter rataan dari suatu populasi. Umumnya mean squared error (MSE) digunakan sebagai ukuran kinerja pelatihan dan kriteria pemberhentian (stopping criteria) selain kriteria jumlah epoch. Akan tetapi, terdapat kelemahan dari MSE sebagai estimator error dari prediksi JST, yaitu kemungkinan adanya nilai squared error yang dominan
2 terhadap rataannya dan pemberhentian pelatihan yang menyebabkan overfitting pada data yang sedikit. Dilemma bias-ragam (Geman et al. 1992) memecah komponen MSE sebagai penjumlahan kuadrat bias dan ragam. Sebagai dampak dilemma tersebut, bias bisa kecil, tetapi syaratnya adalah ragam data yang besar. Penelitian ini diperlukan agar pada kasus data sedikit MSE tidak menjadi satusatunya ukuran kinerja, akan tetapi kinerja turut pula dinyatakan oleh selang keluaran sebagai persentase banyaknya nilai prediksi yang jatuh dalam selang ini. Selang inipun akan turut bekerja sebagai salah satu kriteria pemberhentian pelatihan. Untuk menunjang generalisasi prediksi terhadap himpunan nilai-nilai di luar yang dilatihkan pada JST, penelitian ini juga diperlukan guna memanfaatkan selang keluaran pada siklus validasi silang (cross validation). Kumpulan hasil terbaik validasi tersebut diharapkan dapat menjadi estimator kesalahan model (validitas model) yang direpresentasikan oleh angka MSE generalisasi. Studi kasus tegangan permukaan surfaktan-mesa dari minyak kelapa sawit akan digunakan untuk mendemonstrasikan cara selang keluaran bekerja sebagai kriteria pemberhentian pelatihan JST, ukuran kinerja, dan bagaimana situasi data sedikit diatasi. Data dari pengukuran ini cocok diambil sebagai kasus empirik mengingat jumlahnya yang hanya sepuluh pasang dan adanya dua ulangan percobaan yang menimbulkan selisih dengan rataan sebagai nilai yang akan diprediksi. 1.2. Perumusan Masalah Pada persoalan pembentukan JST dalam situasi data sedikit terdapat masalah overfitting akibat ragam masukan pelatihan yang besar kemungkinan tidak mewakili populasi sesungguhnya. Kapan pelatihan berhenti (kriteria pemberhentian) menjadi penting bagi generalisasi model prediksi JST yang dihasilkan, yaitu pelatihan harus berhenti sebelum overfitting. Data yang sedikit juga mengharuskan validasi silang k-fold untuk menyiasati jumlah data uji. Saat validasi itulah pelatihan bisa diintervensi kapan berhenti atau kapan tetap
3 dilanjutkan. Kriteria pemberhentian tersebut dapat memanfaatkan kondisi prediktan yang merupakan rataan dari dua kali ulangan percobaan, yaitu dengan menarik parameter statistik dari nilai-nilai selisih kedua ulangan tersebut. Kasus prediksi tegangan permukaan surfaktan-mesa dari minyak kelapa sawit dapat dimanfaatkan untuk demonstrasi metode yang diusulkan. Parameter masukan untuk JST prediksi kasus ini perlu dieksplorasi agar demonstrasi metode berhasil. 1.3. Tujuan Penelitian ini bertujuan untuk menghasilkan kriteria pemberhentian pelatihan jaringan saraf tiruan pada validasi silang k-fold menggunakan konsep statistika. Kriteria pemberhentian ini disisipkan sebagai feedforward data validasi pada akhir tiap epoch dari loop propagasi balik, yaitu setelah bobot dan bias selesai disesuaikan berdasarkan error (selisih keluaran dan target). Keluaran feedforward data validasi tersebut kemudian menjadi evaluasi apakah pelatihan dilanjutkan atau tidak. Selang keluaran yang bagaimanakah yang digunakan dalam evaluasi tersebut adalah tujuan penelitian yang berikutnya. Secara utuh keseluruhan metode yang diusulkan didemonstrasikan kinerjanya pada kasus prediksi tegangan permukaan surfaktan-mesa dari minyak kelapa sawit. Kinerja ini kemudian diperbandingkan dengan JST yang dibentuk tanpa kriteria pemberhentian yang diusulkan. Parameter masukan yang perlu diukur agar nilai tegangan permukaan surfaktan-mesa dapat diketahui menggunakan JST perlu dipilih berdasarkan usaha-usaha prediksi terdahulu. Metode pembentukan JST yang telah berhasil memprediksi tegangan permukaan diharapkan dapat pula diuji keberhasilannya untuk kasus prediksi tegangan antarmuka. 1.4. Manfaat Penelitian Hasil penelitian ini dapat digunakan untuk mengatasi banyak aplikasi JST pada situasi data sedikit. Metode pembentukan JST yang diusulkan dengan penggunaan selang keluaran ini tidak rumit untuk direproduksi lagi terhadap data
4 pada bidang berbeda, ekologi misalnya. Apabila diimplementasikan ke dalam pemrograman perangkat lunak yang sudah jadi dan bisa menjalankan pelatihan JST pun, cukup memerlukan modifikasi beberapa baris instruksi, relatif sedikit dibandingkan keseluruhan porsi program. 1.5. Ruang Lingkup Pada penelitian ini, ruang lingkup yang membatasinya adalah sebagai berikut: 1. Prediksi JST dilakukan pada tipe data yang memiliki selisih akibat dua kali ulangan percobaan dengan rataan selisih tersebut sebagai target nilai prediksinya. Adanya peluang bahwa selisih juga bisa diperoleh dari dua kali ulangan pengukuran tidak didemonstrasikan penelitian ini. 2. Kriteria pemberhentian pelatihan JST yang dihasilkan akan digunakan dalam validasi silang pada situasi data sedikit. 3. Validasi silang yang dipilih adalah validasi 5-fold. 4. Kinerja metode yang diusulkan diukur secara empirik berdasarkan demonstrasi penggunaannya untuk prediksi tegangan permukaan surfakatan-mesa (methyl ester sulfonic acid) yang berasal dari CPO (crude palm oil) dalam situasi data sedikit. a. Surfaktan tersebut berasal dari penelitian yang dilakukan di SBRC IPB untuk tujuan penggunaan dalam enhanced oil recovery. b. Tegangan permukaan yang diukur adalah tegangan permukaan dari campuran sampel surfaktan berkonsentrasi 1% menggunakan cincin Du Noüy. c. Variasi tegangan permukaan sampel untuk himpunan pelatihan JST diperoleh dari variasi waktu sulfonasi saat surfaktan-mesa dalam proses produksi akhirnya (yang dilakukan di Laboratorium SBRC IPB yang berada di PT Mahkota Indonesia), yaitu sepuluh sampel sulfonasi yang berjarak sepuluh menit tiap-tiapnya, dari sampel menit ke-10 hingga menit ke-100.
5 d. Pembentukan model JST yang telah diketahui bekerja untuk prediksi tegangan permukaan diuji keberhasilannya untuk kasus prediksi tegangan antarmuka yang relatif lebih noisy. Data tegangan antarmuka yang diukur adalah antara larutan surfaktan dengan sampel minyak mentah dari blok Ogan Komering yang diukur menggunakan tensiometer spinning drop Kino TX-500D yang ada di Laboratorium EOR Lemigas, Departemen ESDM.