Laporan penelitian

Rumpun Ilmu : Teknik Informatika

Tema Unggulan : Artificial Intellegence

LAPORAN

PENELITIAN HIBAH INTERNAL

PREDIKSI JUMLAH PENUMPANG PESAWAT UDARA

MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE

BACKPROPAGATION DI BANDAR UDARA HANG NADIM BATAM

TIM PENELITI

1. Joni Eka Candra, S.T., M.T.

2. Sunarsan Sitohang, S.kom.

3. Alpin Salamena

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS PUTERA BATAM

2016

HALAMAN PENGESAHANL APORAN PEN ELITIAN HIBAH INTERNAL

Rumpun Ilmu : Teknik InformatikaTema Unggulan : Artificial IntellegenceJudul Penelitian : Prediksi Jumlah Penumpang Pesawat Udara

Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation Di Bandar Udara Hang Nadim Batam

Ketua Penelitia. Nama Lengkap : Joni Eka Candra, S.T., M.T.b. NIDN : 1025068201c. Jabatan Fungsional : -d. Program Studi : Teknik Informatikae. Nomor HP : 085655567040f. Alamat Surel (e-mail) : [email protected]

Anggota Peneliti (1)a. Nama Lengkap : Sunarsan Sitohangb. NIDN : -c. Perguruan Tinggi : Universitas Putera Batam

Anggota Peneliti (2)a. Nama Lengkap : Alpin Salamenab. NPM : 130210058c. Perguruan Tinggi : Universitas Putera Batam

Biaya Penelitian : Rp. 13.000.000.-

Batam, 20 Januari 2016MengetahuiKetua Program Studi Ketua Tim Penelitian

Realize, S.Kom., M.SI Joni Eka Candra, ST.,MT.NIDN. 1011057701 NIDN. 1025068201

MenyetujuiKepala Lembaga Penelitian dan Pengabdian Masyarakat

Muhammad Taufik Syastra. S.Kom., M.SI.NIDN.1010048601

ii

DAFTAR ISI

HALAMAN SAMPUL..................................................................................... iHALAMAN PENGESAHAN ......................................................................... iiDAFTAR ISI .................................................................................................... iiiDAFTAR GAMBAR........................................................................................ ivDAFTAR TABEL............................................................................................ vRINGKASAN................................................................................................... viBAB I PENDAHULUAN ........................................................................... 11.1 Latar Belakang Masalah.................................................................... 11.2 Rumusan Masalah.............................................................................. 21.3 Batasan Masalah................................................................................ 21.4 Tujuan Penelitian............................................................................... 21.5 Luaran Penelitian............................................................................... 3BAB II TINJAUAN PUSTAKA................................................................... 42.1 Teori .................................................................................................. 42.1.1 Model Neuron.................................................................................... 42.1.2 Arsitektur Jaringan............................................................................. 52.1.3 Arsitektur Backpropagation............................................................... 62.2 Penelitian Terdahulu.......................................................................... 102.3 Kerangka Pemikiran........................................................................... 11BAB III METODOLOGI PENELITIAN..................................................... 123.1 Desain Penelitian............................................................................... 123.2 Variabel Penelitian............................................................................. 143.3 Teknik Pengumpulan Data................................................................ 14BAB IV PEMBAHASAN DAN HASIL....................................................... 154.1 Pembahasan ...................................................................................... 154.1.1 Perencanaan Sistem........................................................................... 154.1.2 Pengumpulan Data............................................................................ 164.1.3 Penetapan Pola Data.......................................................................... 174.1.4 Transformasi Pola Data..................................................................... 274.1.5 Inisialisasi Parameter......................................................................... 374.1.6 Pola Pelatihan dan Pengujian Data.................................................... 384.2 Hasil................................................................................................... 404.2.1 Analisis Model Peramalan................................................................. 404.2.2 Peramalan Jaringan Syaraf Tiruan Backpropagasion....................... 41BAB V KESIMPULAN DAN SARAN....................................................... 505.1 Kesimpulan........................................................................................ 505.2 Saran.................................................................................................. 50DAFTAR PUSTAKALAMPIRAN

iii

DAFTAR GAMBAR

Gambar 2.1 Arsitektur Jaringan n Unit Input....................................................5Gambar 2.2 Jaringan Dengan n Buah Unit Inpu................................................5Gambar 2.3 Arsitektur Backpropagation Dengan n Buah Input........................6Gambar 2.4 Fungsi Sigmoid Biner....................................................................7Gambar 2.5 Fungsi Sigmoid Bipolar.................................................................7Gambar 2.6 Kerangka Pemikiran JST Backpropagation....................................11Gambar 3.1 Langkah-Langkah Pembuatan Aplikasi JST..................................12Gambar 4.1 Alur Flowchart JST Backpropagation ....................................................15Gambar 4.2 Arsitektur JST Backpropagation ..........................................................16Gambar 4.3 Grafik Hasil Keluaran JST Backpropagation Data Pelatihan

dengan Target Error 0,01...............................................................41

iv

DAFTAR TABEL

Tabel 4.1 Jumlah Data Penumpang Tahun 2007 Sampai dengan Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan...............18

Tabel 4.2 Jumlah Data Penumpang Tahun 2004 Sampai Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan................................18

Tabel 4.3 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data Pelatihan Jaringan Syaraf Tiruan........................................................19

Tabel 4.4 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data Pengujian Jaringan Syaraf Tiruan.......................................................26

Tabel 4.5 Transformasi Data Jumlah Penumpang Tahun 2007 Sampai dengan Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan..................................................................................................28

Tabel 4.6 Transformasi Data Jumlah Penumpang Tahun 2004 Sampai dengan Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan..................................................................................................29

Tabel 4.7 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target) Pada Data Pelatihan Jaringan Syaraf Tiruan........................29

Tabel 4.8 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target) Pada Data Pengujian Jaringan Syaraf Tiruan.......................35

Tabel 4.9 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Pola Data Dengan Data Pelatihan yang dilatihkan.........42

Tabel 4.10 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Menggunakan Data Baru Seberapa Besar Jaringan Mengenali Data Baru....................................................................................................48

v

RINGKASAN

Transfortasi udara merupakan alat angkutan yang mutakhir dan tercepat, banyak dampak positif dari transfortasi udara yang dapat dirasakan langsung oleh masyarakat seperti bidang perekonomian, dengan adanya transfortasi udara mengakibatkan faktor jarak dan geografis daratan bukan lagi menjadi batasan pergerakan manusia atau barang untuk pencapaian yang cepat. Kondisi ini mengakibatkan antara hubungan produksi dan konsumsi dapat dicapai lebih cepat dengan waktu yang lebih singkat. Backpropagation merupakan salah satu metode dalam jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Berdasarkan Algoritma Jaringan Syaraf tiruan backpropagation yang telah dilatih telah cukup mampu untuk melakukan prediksi jumlah penumpang di Bandar Udara Hang Nadim Batam dengan tingkat akurasi yang cukup baik, sesuai dengan hasil pengujian jaringan syaraf tiruan dengan memasukkan data pelatihan dan pengujian diperoleh hasil 84 data pelatihan sesuai target (100 % sesuai target), 22 data pengujian sesuai target (93% sesuai target) dan 2 data tidak sesuai target (7%). Pada penelitian ini sebaiknya dilanjutkan pada tahap proses pengetesan atas hasil pembentukan pola peramalan oleh jaringan syaraf tiruan dimana dimaksudkan untuk melihat kemampuan model yang dihasilkan oleh jaringan syaraf tiruan pada tahap meramalkan kejadian berikutnya dengan berdasarkan pola-pola peramalan yang telah terbentuk sebelumnya.

vi

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Di era globalisasi dan perkembangan ekonomi yang cukup pesat saat ini

harus diimbangi dengan alat transfortasi dan komunikasi yang dapat menunjang

mobilitas pelaku ekonomi yang tinggi yang menuntut layanan transfortasi dan

komunikasi yang cepat dan efisien.

Transfortasi udara merupakan alat angkutan yang mutakhir dan tercepat,

banyak dampak positif dari transfortasi udara yang dapat dirasakan langsung oleh

masyarakat seperti bidang perekonomian,dengan adanya transfortasi udara

mengakibatkan faktor jarak dan geografis daratan bukan lagi menjadi batasan

pergerakan manusia atau barang untuk pencapaian yang cepat. Kondisi ini

mengakibatkan antara hubungan produksi dan konsumsi dapat dicapai lebih cepat

dengan waktu yang lebih singkat.

Jadi transfortasi udara memberikan kontribusi paling banyak untuk

memenuhi kebutuhan masyarakat dan pemerintah dalam transfortasi jarak jauh

apalagi kalau kita melihat letak geografis negara indonesia yang dipisahkan oleh

laut yang tidak memungkinkan dilalui oleh transfortasi darat.

Backpropagation merupakan salah satu metode dalam jaringan syaraf tiruan

yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting).

Peramalan yang sering kita dengar adalah peramalan besarnya jumlah penjualan,

nilai tukar valuta asing, prediksi besarnya aliran air sungai, dan lain-lain. Sebagai

contoh, dalam penjualan barang, diketahui record data penjualan produk pada

beberapa bulan/tahun terakhir. Masalahnya adalah memperkirakan berapa

perkiraan produk yang terjual pada tahun yang akan datang.

Dengan backpropagation, record data dipakai sebagai data pelatihan untuk

mencari bobot optimal. Untuk itu kita perlu menetapkan besarnya periode dimana

data berfluktuasi. Periode ini kita tentukan secara intuitif. Misalkan pada data

besarnya debit air sungai dengan data bulanan, periode data dapat diambil selama

satu tahun karena pergantian musim terjadi selama satu tahun.

1

Pada penelitian hibah internal ini jaringan syaraf tiruan metode back

propagation diterapkan untuk memprediksi jumlah penumpang yang akan

menggunakan jasa pesawat udara. Sehingga nantinya apabila pada hasil prediksi

menunjukkan adanya lonjakan/kenaikan jumlah penumpang. PT Angkasa Pura

dapat menghimbau pihak maskapai penerbangan yang terkait untuk menambah

jumlah penerbangannya.

1.2 Rumusan Masalah

Adapun permasalahan yang dihadapi dalam penelitian hibah internal ini

berdasarkan latar belakang masalah di atas adalah bagaimana implementasi

algoritma jaringan syaraf tiruan metode backpropagation untuk memprediksi

jumlah penumpang pesawat udara.

1.3 Batasan Masalah

Agar penelitian ini tidak melebar kemana-mana maka peneltian ini akan

diberi batasan-batasan masalah seperti berikut ini:

1. Menggunakan data jumlah penumpang pesawat udara selama 11 tahun

di Bandar Udara Hang Nadim Batam.

2. Menentukan jumlah data pelatihan yaitu data jumlah penumpang

pesawat selama 8 tahun, dari jumlah data penumpang pesawat secara

keseluruhan.

3. Menentukan jumlah data pengujian yaitu data jumlah penumpang

pesawat selama 3 tahun dari data jumlah penumpang pesawat secara

keseluruhan.

4. Algoritma yang digunakan adalah Algoritama backpropagation.

1.4 Tujuan Penelitian

Tujuan dari penelitian hibah internal yang berjudul “Prediksi Jumlah

Penumpang Pesawat Udara Menggunakan Jaringan Syaraf Tiruan Metode

Backpropagation Di Bandar Udara Hang Nadim Batam" adalah:

1. Menghasilkan suatu aplikasi yang berfungsi untuk memprediksi jumlah

penumpang pesawat udara.

2

2. Mengembangkan proses komputasi algoritma backpropagation untuk

menyelesaikan permasalahan peramalan.

1.5 Luaran Penelitian

Luaran yang diharapkan dari penelitian hibah internal ini adalah:

1. Publikasi dalam jurnal ilmiah nasional dan nasional terakreditasi.

2. Sebagai buku referensi contoh kasus dalam pengaplikasian dari mata

kuliah kecedasan buatan (artificial intellegence).

3

BAB II

TINJAUAN PUSTAKA

2.1 Teori

2.1.1 Model Neuron

Neuron adalah unit pemroses informasi yang menjadi dasar dalam

pengoperasian jaringan syaraf tiruan. Neuron terdiri dari 3 elemen pembentuk:

1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur

tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai

positip akan memperkuat sinyal yang dibawanya. Jumlah, struktur dan pola

hubungan antar unit-unit tersebut akan menetukan arsitektur jaringan ( dan juga

model jaringan yang terbentuk).

2. Suatu penjumlah yang akan menjumlahkan input-input sinyal yang sudah

dikalikan dengan bobotnya. Misalnya x1, x2,..., xm adalah unit-unit input dan

wj1, wj2,..., wjm adalah bobot penghubung dari unit-unit tersebut ke unit keluaran

yj, maka unit penjumlah akan memberikan keluaran sebesar uj = x1wj1 + x2 wj2

+...+ xm wjm.

3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan

diteruskan keneuron lain ataukah tidak.

2.1.2 Arsitektur Jaringan

Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf

tiruan antara lain:

1. Jaringan Layar Tunggal (single layer network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan

sekumpulan outputnya. Dalam beberapa model (misalnya preceptron), hanya

ada sebuah unit neuron output.

4

Gambar 2.1 Arsitektur Jaringan n Unit Input

Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit input (x1, x2, ... , xn)

dan m buah unit output (y1, y2, ... , ym). Perhatikan bahwa dalam jaringan ini,

semua unit input dihubungkan dengan semua unit output, meskipun dengan

bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit

input lainnya. Demikian pula dengan unit output. Besaran wij menyatakan

bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam output.

Bobot-bobot ini saling independen. Selama proses pelatihan, bobot-bobot

tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. Model

semacam ini tepat digunakan untuk pengenalan pola karena kesederhanaannya.

2. Jaringan Layar Jamak (multi layer network)

Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan

ini, selain unit input dan output, ada unit-unit lain (sering disebut layar

tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama

seperti pada unit input dan output, unit-unit dalam satu layar tidak saling

berhubungan.

Gambar 2.2 Jaringan Dengan n Buah Unit Input

5

Gambar 2.2 adalah jaringan dengan n buah unit input (x1, x2,.., xn), sebuah layar

tersembunyi yang terdiri dari p buah unit (z1,..., zp) dan m buah unit output (y1,

y2, ..., ym). Jaringan layar jamak dapat menyelesaikan masalah yang lebih

kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses

pelatihan lebih kompleks dan lama.

3. Jaringan Reccurent

Model jaringan Recurent mirip dengan jaringan layar tunggal ataupun ganda.

Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering

disebut feedback loop)

2.1.3 Arsitektur Backpropopagation

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih

layar tersembunyi. Gambar 2.3 adalah arsitektur backpropagation dengan n buah

masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit

(ditambah sebuah bias), serta m buah unit keluaran.

Vij merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi z j (vj0

merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar

tersembunyi zj). wkj merupakan bobot dari unit layar tersembunyi zj ke unit

keluaran yk (wk0 merupakan bobot dari bias dilayar tersembunyi ke unit keluaran

zk)

Gambar 2.3 Arsitektur Backpropagation Dengan n Buah Input

Fungsi Aktivasi

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa

syarat yaitu: kontinu, terdifferensial dengan mudah dan merupakan fungsi yang

6

tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga

sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).

f ( x )= 11+e− x dengan turunan f ' ( x )=f ( x )=f (x ) (1−f ( x ))..................(2.1)

Grafik fungsinya tampak pada gambar 2.4

Gambar 2.4 Fungsi Sigmoid Biner

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk

funsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1, 1).

f ( x )= 11+e− x−1 dengan turunan f ' ( x )= (1+ f (x ) ) (1−f ( x ) )

2.........................(2.2)

Grafik fungsinya tampak pada gambar 2.5.

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >

1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga

semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.

Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar

yang bukan layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas :

f(x) = x

Gambar 2.5 Fungsi sigmoid bipolar

Pelatihan Backpropogation

Pelatihan backpropogation meliputi 3 fase. Fase pertama adalah fase maju. Pola

masukan dihitung maju mulai dari layar masukan hingga layar keluaran

7

menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan tersebut dipropagansikan mundur, dimulai dari

garis yang berhungan langsung dengan unit-unit dilayar keluaran. Fase ketiga

adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

1. Fase I: Propagasi maju

Selama propagasi maju, sinyal masukan (= xi) di propagasikan kelayar

tersembunyi menggunakan fase aktivasi yang ditentukan. Keluaran dari setiap

unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju lagi ke

layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan.

Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk).

Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus

dicapai (= tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini

lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan

tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot

setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan

yang terjadi.

2. Fase II: Propagasi mundur

Berdasarkan kesalahan tk – yk, dihitung faktor δk = (k=1, 2, 3,..., m) yang

dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit

tersembunyi yang terhubung langsung dengan ykδk juga dipakai untuk

mengubah bobot garis yang berhubungan langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor δj disetiap unit di layar tersembunyi

sebagai dasar perubahan bobot semua garis yang berasal dari unit

tersembunyi dilayar di bawahnya. Demikian seterusnya hingga semua faktor

δ di unit tersembunyi yang berhubungan langsung dengan unit masukan

dihitung.

3. Fase III: Perubahan bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garis didasarkan atas faktor δ neuron dilayar atasnya.

Sebagai contoh, perubahan bobot suatu garis didasarkan atas faktor δ neuron

8

dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar

keluaran didasarkan atas δk yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.

Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau

kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah

melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang

terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi

aktivasi sigmoid biner) adalah sebagai berikut:

Langkah 0 : inisialisasi semua bobot dengan bilangan acak kecil

Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah 2 – 9

Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3 – 8

Fase I : Propagasi maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi diatasnya

Langkah 4 : hitung semua keluaran di unit tersembunyi zj (j = 1, 2, ... , p)

znet j=v j 0+∑i=1

n

x i v ji ………………………………………………………….(2.3)

z j=f ( znet j )=1

1+e− znet j………………………………… …………………(2.4)

Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, ... , m)

ynet k=w k 0+∑j=1

p

z j w kj ……………………………………………………….(2.5)

yk=f ( ynet k )= 11+e− ynetk

………………………………………………… ...(2.6)

Fase II : Propagasi mundur

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit

keluaran yk (k = 1, 2, ... , m)

δ k=(t k− yk ) f ' ( ynet k)=(t k− yk ) yk ( 1− yk ) …………………………………… ...(2.7)

δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar

dibawahnya (langkah 7)

Hitung suku perubahan bobot wkj (yang akan dipakai dalam perubahan nanti untuk

merubah bobot wkj) dengan laju percepatan α

9

∆ wkj=α δk z j ;k=1,2,3 , …, m; j=1,2,3 , …, p………………… …...(2.8)

Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit

tersembunyi zj (j = 1, 2, ... , p)

δ net j=∑k−1

m

δk w kj ……………………………………………………………….(2.9)

Faktor δ unit tersembunyi:

δ j=δ¿ f ' (z¿)=δ ¿ z j(1−z j).....................................................(2.10)

Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot

vji)

∆ v ji=α δ j x i ;( j=1,2,3 , …, p ;i=1,2,3 , …, n)…………………… .. (2.11)

Fase III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran:

w kj (baru )=w kj (lama )+∆ wkj ;(k=1,2,3 ,…,m; j=1,2,3 ,…, p)… ..(2.12)

Perubahan bobot garis yang menuju ke unit tersembunyi:

v ji (baru )=v ji (lama )+∆ v ji ;( j=1,2,3 , …, p ; j=0,1,2,3 , …,n)…… ..(2.12)

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola,

dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk

menentukan keluaran jaringan.

Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5

harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.

2.2 Penelitian Terdahulu

Penelitian ini didukung oleh berbagai kajian empiris dari penelitian

terdahulu yang dapat menjadi landasan berfikir. Berikut adalah penelitian terkait

dengan penelitian ini dengan hasil dan metode analisis yang berbeda dan pernah

dilakukan, dianntaranya adalah:

1. Fachrudin Pakaja, Agus Naba dan Purwanto dalam Jurnal EECCIS Vol. 6,

No. 1, Juni 2012 dengan judul Peramalan Penjualan Mobil Menggunakan

Jaringan Syaraf Tiruan dan Certainty Factor, menjelaskan bahwa Proses

peramalan penjualan mobil yaitu dengan memasukkan data perkiraan

10

penjualan di masa depan, untuk di olah menggunakan JST backpropagation

untuk menghasilkan data yang diinginkan.

2. Alex Rikki Sinaga dalam jurnal Pelita Informatika Budi Darma, Volume II,

Desember 2012 ISSN: 2301-9425, dengan judul Aplikasi Jaringan Syaraf

Tiruan Untuk Penentuan Konsentrasi Program Studi Bagi Calon Mahasiswa

Baru Stmik Budidarma Medan menerangkan bahwa hasil pengujian Jaringan

Syaraf Tiruan dengan menggunakan software matlab 6.1 dapat mempercepat

proses penentuan konsentrasi program studi bagi calon mahasiswa baru

STMIK Budidarma Medan.

3. Ramli, Desi Yuniarti dan Rito Goejantoro dalam Jurnal EKSPONENSIAL

Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829 dengan judul Perbandingan

Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan,

menjelaskan bahwa dalam penyelesaian pengklasifikasian pemilihan jurusan

Bahasa dan IPS pada SMAN 2 Samarinda tahun ajaran 2011/2012 lebih tepat

menggunakan jaringan saraf tiruan dari pada menggunakan Metode

Klasifikasi Regresi Logistik.

2.3 Kerangka Pemikiran

Untuk dapat memperoleh hasil penelitian yang tepat dan terarah, penelitian

ini memiliki kerangaka pemikiran yang dapat dilihat pada Gambar 2.6

Gambar 2.6 Kerangka Pemikiran Jaringan Syaraf Tiruan Backpropagation

11

BAB III

METODOLOGI PENELITIAN

3.1 Desain Penelitian

Pada gambar 3.1 di bawah ini menunjukkan langkah-langkah yang akan

dikerjakan oleh peneliti dalam penelitian hibah internal ini yang mengangkat judul

Prediksi Jumlah Penumpang Pesawat Udara Menggunakan Jaringan Syaraf Tiruan

Metode Back Propagation di Bandar Udara Hang Nadim Batam.

12

Gambar 3.1 Langkah-Langkah Pembuatan Aplikasi Jaringan Syaraf Tiruan

Tahapan penelitian yang dilakukan pada Prediksi Jumlah Penumpang Pesawat

Udara Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation di Bandar

Udara Hang Nadim Batam adalah sebagai berikut:

3.1.1 Pengumpulan Data

Pengambilan data pada Prediksi Jumlah Penumpang Pesawat Udara

Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation di Bandar Udara

Hang Nadim Batam yaitu: Data Jumlah penumpang di Bandar Udara Hang

Nadim Batam selama 2 tahun, data jumlah penumpang tahun 2013 dan tahun

2014.

3.1.2 Identifikasi Data

Identifikasi masalah dilakukan untuk menentukan variabel dan semesta

pembicaraan yang diperlukan dalam melakukan perhitungan dan analisis

masalah.

3.1.3 Pengolahan Data

Pengelolahan data dilakukan dengan bantuan softwere matlab 8.1.0 dengan

menggunakan fasilitas yang disediakan pada toolbox neural network dengan

melakukan langkah langkah sebagai berikut:

1. Mengumpulkan Data jumlah Penumpang perbulan selama 11 tahun

2. Memisahkan data 8 tahun penumpang untuk pelatihan dan data 3 tahun

penumpang untuk pengujian

3. Menentukan struktur jaringan syaraf tiruan

4. Menetapkan Algoritma jaringan syaraf tiruan yang akan digunakan dalam

pembelajaran

5. Melakukan inisialisasi parameter jaringan syaraf tiruan

6. Input data pelatihan

7. Pelatihan (Ubah/perbaharui bobot)

13

3.1.4 Penarikan Kesimpulan

Penarikan kesimpulan merupakan tahap akhir dari penelitian hibah

internal ini, dimana dilakukan pendokumentasian riset secara keseluruhan.

Sehingga hasil akhir dari penelitian ini nanti nya bisa digunakan sebagai bahan

acuan untuk mengadakan penelitian dimasa yang akan datang dalam bidang yang

sama.

3.2 Variabel Penelitian

Dalam penelitian ini variabel penelitian terdiri dari 2 jenis variabel yaitu:

1.Variabel Masukan nya berupa data jumlah penumpang tiap bulan selama

2 tahun yang di inisialisasi dengan hurup X1, X2,...,X12.

2. Variabel Keluaran (Target) data jumlah penumpan per akhir priode tiap

bulan dijadikan sebagai variabel keluaran atau lebih dikenal dengan

nama target dalam jaringan syaraf tiruan

3.3 Teknik Pengumpulan Data

Data yang digunakan dalam penelitian hibah internal ini menggunakan data

sekunder yaitu data jumlah penumpang tiap bulan selama 11 tahun yang

diperoleh dari pihak pengelola bandar udara Hang Nadim Batam.

14

BAB IVPEMBAHASAN DAN HASIL

4.1 Pembahasan4.1.1 Perencanaan Sistem.

Arsitektur jaringan syaraf tiruan yang dibangun terdiri dari beberapa

lapisan, yaitu: lapisan masukan (layer input), satu lapisan tersembunyi (layer

hidden), dan lapisan keluaran (layer output). Penghubung setiap lapisan adalah

bobot.

15

Gambar 4.1 Alur Flowchart Jaringan Syaraf Tiruan Backpropagation

Proses pembelajaran sendiri diawali dari proses feedforward, dan kemudian

dilanjutkan pada proses backpropagation. Setelah proses backpropagation, akan

dilakukan pengecekan apakah nilai target error telah dicapai, jika target error

telah dicapai, maka proses pembelajaran selesai, yang menghasilkan koreksi dari

bobot jaringan. Jika tidak maka akan kembali ke proses feedforward. Hal ini akan

terus berlangsung sampai menemukan nilai epoch maksimum Unit input

dilambangkan dengan variabel x, hidden variabel z dan nilai ouput dilambangkan

dengan variabel y, sedangkan nilai bobot antara x dan z dilambangkan dengan

variabel v dan nilai bobot antara z dan y dilambangkan dengan variabel w.

Gambar 4.2 Arsitektur Jaringan Syaraf Tiruan Backpropagation

4.1.2 Pengumpulan Data

Salah satu bidang dimana Backpropagation dapat diaplikasikan dengan baik

adalah bidang peramalan (forecasting). Peramalan backpropagation dalam

penelitian ini akan diaplikasikan untuk peramalan jumlah penumpang yang berada

di Bandar Udara Hang Nadim Batam, peramalan jumlah penumpang

menggunakan jaringan syaraf tiruan backpropagation berdasarkan record data

jumlah penumpang di Bandar Udara Hang Nadim selama tahun terakhir,

16

masalahnya adalah memprediksi berapa jumlah penumpang pada bulan/tahun

yang akan datang di Bandar Udara Hang Nadim Batam.

Secara umum, masalah peramalan jumlah penumpang di Bandar Udara

Hang Nadim Batam dapat dinyatakan sebagai berikut: Diketahui sejumlah data

runtun waktu jumlah penumpang di Banda Uadara Hang Nadim Batam (time

series) x1 , x2 , x3 ,…… , xn. Masalahnya adalah memprediksi berapa jumlah

penumpang di Bandar Udara Hang Nadim Batam pada xn+1 berdasarkan

x1 , x2 , x3 ,…… , xn.

Dengan jaringan syaraf tiruan backpropagation, record data jumlah

penumpang selama 11 tahun yaitu data jumlah penumpang tahun 2004 sampai

dengan tahun 2014, dengan 84 pola data jumlah penumpang dipakai sebagai data

pelatihan pada jaringan untuk mencari bobot yang optimal dan 24 pola data baru

jumlah penumpang yang lain akan dipergunakan untuk menguji keakuratan sistem

di dalam mengenali masukan data yang lain. Untuk itu diperlukan untuk

menetapkan besarnya periode dimana data record berfluktuasi. Penentuan periode

ditentukan secara intuitif, Penetapan data besarnya jumlah penumpang di Bandar

Udara Hang Nadim Batam berdasarkan data jumlah penumpang perbulan, maka

periode data jumlah penumpang yang yang ditetapkan adalah satu tahun karena

terjadi pergantian tahun.

Jumlah data penumpang dalam satu periode ini dipakai sebagai jumlah

masukan dalam jaringan syaraf tiruan backpropagation. Sebagai targetnya

diambil data bulan pertama setelah pereiode berakhir. Pada data jumlah

penumpang bulanan dengan periode jumlah penumpang satu tahun, maka

masukan jaringan syaraf tiruan backpropagation yang dipakai terdiri dari 12

masukan (X). Keluaran adalah satu unit (Y).

4.1.3 Penetapan Pola Data

Seluruh data yang ada merupakan sekumpulan data serial (time series)

jumlah penumpang perbulam selama 11 tahun trakhir yaitu tahun 2004 dan 2014,

dimana data dibagi menjadi 2 bagian yaitu data jumlah penumpang tahun 2007

sampai dengan data jumlah penumpang tahun 2014 sebagai data pelatihan

jaringan syaraf tiruan. Dan data jumlah penumpang tahun 2004 sampai dengan

17

data jumlah penumpang tahun 2006 sebagai data pengujian jaringan syaraf tiruan,

seperti yang ditunjukkan pada tabel 4.1 dan tabel 4.2 di bawah ini.

Tabel 4.1 Jumlah Data Penumpang Tahun 2007 Sampai dengan Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan

Tahun Jumlah Penumpan Tiap Bulan

2007Januari Pebruari Maret April Mei Juni108549 84286 104824 96713 107127 113817

Juli Agustus September Oktober November Desember129410 121654 108145 127759 106361 124288















Tabel 4.2 Jumlah Data Penumpang Tahun 2004 Sampai Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan








18

Maka dari seluruh data yang terkumpul dipisahkan menjadi dua bagian,

yaitu masukan dan keluaran. Yang tergolong data masukan secara berurutan

adalah:

1. Jumlah penumpang pada bulan Januari, disimpan pada variabel X1

2. Jumlah penumpang pada bulan Pebruari, disimpan pada variabel X2

3. Jumlah penumpang pada bulan Maret, disimpan pada variabel X3

4. Jumlah penumpang pada bulan April, disimpan pada variabel X4

5. Jumlah penumpang pada bulan Mei, disimpan pada variabel X5

6. Jumlah penumpang pada bulan Juni, disimpan pada variabel X6

7. Jumlah penumpang pada bulan Juli, disimpan pada variabel X7

8. Jumlah penumpang pada bulan Agustus, disimpan pada variabel X8

9. Jumlah penumpang pada bulan September, disimpan pada variabel X9

10. Jumlah penumpang pada bulan Oktober, disimpan pada variabel X10

11. Jumlah penumpang pada bulan November, disimpan pada variabel X11

12. Jumlah penumpang pada bulan Desember, disimpan pada variabel X12

Keduabelas variabel dengan jumlah 84 data jumlah penumpang yang akan

dilatihkan disusun menjadi suatu matriks P, dengan ukuran 84 x 12 dan 24 data

jumlah penumpang yang baru sebagai data penguji ke dalam matriks U, dengan

ukuran 24 x 12.

Keluaran atau target yang diinginkan adalah jumlah data penumpang pada

bulan pertama setiap akhir periode atau pada bulan ketigabelas, seperti yang

ditunjukkan pada tabel berikut ini:

Tabel 4.3 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data Pelatihan Jaringan Syaraf Tiruan

Pola Data Masukan (X1, X2, X3,........,X12) Target

Pola-1Januari Pebruari Maret April Mei Juni

113798108549 84286 104824 96713 107127 113817Juli Agustus September Oktober November Desember

129410 121654 108145 127759 106361 124288



121654 108145 127759 106361 124288 113798



108145 127759 106361 124288 113798 100815

19



127759 106361 124288 113798 100815 119197



106361 124288 113798 100815 119197 102516



124288 113798 100815 119197 102516 104028



113798 100815 119197 102516 104028 101060



100815 119197 102516 104028 101060 103589



119197 102516 104028 101060 103589 106084



102516 104028 101060 103589 106084 98206



104028 101060 103589 106084 98206 97566



101060 103589 106084 98206 97566 104030



103589 106084 98206 97566 104030 116894



106084 98206 97566 104030 116894 112594



98206 97566 104030 116894 112594 98912



97566 104030 116894 112594 98912 119481Pola-17 Januari Pebruari Maret April Mei Juni 115868


20

104030 116894 112594 98912 119481 109041



116894 112594 98912 119481 109041 115868



112594 98912 119481 109041 115868 116094



98912 119481 109041 115868 116094 124985



119481 109041 115868 116094 124985 115313



109041 115868 116094 124985 115313 121269



115868 116094 124985 115313 121269 115176



116094 124985 115313 121269 115176 122099



124985 115313 121269 115176 122099 128962



115313 121269 115176 122099 128962 111891



121269 115176 122099 128962 111891 110904



115176 122099 128962 111891 110904 112905



122099 128962 111891 110904 112905 125654

Pola-30 Januari Pebruari Maret April Mei Juni



124985 115313 121269 115176 122099 128962

21




110904 112905 125654 135539 123340 133761



112905 125654 135539 123340 133761 117662



125654 135539 123340 133761 117662 126085



135539 123340 133761 117662 126085 131848



123340 133761 117662 126085 131848 131722



133761 117662 126085 131848 131722 131332



117662 126085 131848 131722 131332 128025



126085 131848 131722 131332 128025 120208



131848 131722 131332 128025 120208 129077



131722 131332 128025 120208 129077 124445



131332 128025 120208 129077 124445 129927



128025 120208 129077 124445 129927 133792




22


129077 124445 129927 133792 145414 130132



124445 129927 133792 145414 130132 133259



129927 133792 145414 130132 133259 145835



133792 145414 130132 133259 145835 143574



145414 130132 133259 145835 143574 143773


129662120208 129077 124445 129927 133792 145414Juli Agustus September Oktober November Januari

130132 133259 145835 143574 143773 146719



133259 145835 143574 143773 146719 129662



145835 143574 143773 146719 129662 141621



143574 143773 146719 129662 141621 135957



143773 146719 129662 141621 135957 145603



146719 129662 141621 135957 145603 151331



129662 141621 135957 145603 151331 157635



141621 135957 145603 151331 157635 175574



135957 145603 151331 157635 175574 147820

23



145603 151331 157635 175574 147820 168182



151331 157635 175574 147820 168182 165351



157635 175574 147820 168182 165351 171754



175574 147820 168182 165351 171754 166100



147820 168182 165351 171754 166100 142605



168182 165351 171754 166100 142605 162974



165351 171754 166100 142605 162974 151576



171754 166100 142605 162974 151576 171595



166100 142605 162974 151576 171595 179851



142605 162974 151576 171595 179851 170306



162974 151576 171595 179851 170306 188548



151576 171595 179851 170306 188548 155232





24

179851 170306 188548 155232 177047 171332



170306 188548 155232 177047 171332 187124



188548 155232 177047 171332 187124 179816



155232 177047 171332 187124 179816 166112



177047 171332 187124 179816 166112 163616



171332 187124 179816 166112 163616 156891



187124 179816 166112 163616 156891 179258



179816 166112 163616 156891 179258 194037



166112 163616 156891 179258 194037 199632



163616 156891 179258 194037 199632 192180



156891 179258 194037 199632 192180 169505



179258 194037 199632 192180 169505 188957



194037 199632 192180 169505 188957 177164

25

Tabel 4.4 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data Pengujian Jaringan Syaraf Tiruan




88388 82934 80180 74468 84891 88736



82934 80180 74468 84891 88736 94457



80180 74468 84891 88736 94457 81633



74468 84891 88736 94457 81633 80137



84891 88736 94457 81633 80137 74168



88736 94457 81633 80137 74168 74862



94457 81633 80137 74168 74862 77602



81633 80137 74168 74862 77602 91995



80137 74168 74862 77602 91995 80147



74168 74862 77602 91995 80147 83900



74862 77602 91995 80147 83900 82924



77602 91995 80147 83900 82924 81362



91995 80147 83900 82924 81362 97406

26



80147 83900 82924 81362 97406 104324



83900 82924 81362 97406 104324 82278



82924 81362 97406 104324 82278 85666



81362 97406 104324 82278 85666 94189



97406 104324 82278 85666 94189 94924



104324 82278 85666 94189 94924 98819



82278 85666 94189 94924 98819 111541



85666 94189 94924 98819 111541 105651



94189 94924 98819 111541 105651 106459



94924 98819 111541 105651 106459 116690



98819 111541 105651 106459 116690 102137

4.1.4 Transformasi Pola Data

Karena ingin menggunakan fungsi aktivasi sigmoid (biner), maka harus

ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0,

1]. Data bisa ditransformasikan ke interval [0, 1]. Tapi akan lebih baik jika

ditransformasikan ke interval yang lebih kecil. Maka data dalam penelitian ini

27

akan ditransformasikan pada interval [0,1 . 0,9], ini mengingat fungsi sigmoid

merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 ataupun 1.

Jika a adalah data minimum jumlah penumpang perbulan dan b adalah data

maksimum jumlah penumpang perbulan, maka transformasi linear yang dapat

dipakai untuk mentransformasikan data ke interval [0,1 . 0,9] adalah:

X '=0,8( X−a)

b−a+0,1 ……………………………………………………… (4.1)

Data dalam tabel 4.1, a = 1.42.605. dan b = 2.00.888. Dengantransformasi ini

maka data terkecil akan menjadi 0,1 dan data terbesar akan menjadi 0,9. Tabel 4.3

adalah hasil transformasi data tabel 4.1 yang nantinya akan dipakai sebagai data

pelatihan jaringan syaraf tiruan backpropagation.

Tabel 4.5 Transformasi Data Jumlah Penumpang Tahun 2007 Sampai dengan Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan


2007Januari Pebruari Maret April Mei Juni0,2665 0,1 02409 0,1853 0,2567 0,3026

Juli Agustus September Oktober November Desember0,4096 0,3564 0,2637 0,3983 0,2515 0,3745

2008Januari Pebruari Maret April Mei Juni0,3025 0,2134 0,3395 0,2251 0,2354 0,2151














28

Tabel 4.6 Transformasi Data Jumlah Penumpang Tahun 2004 Sampai dengan Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan








Pola data hasil tranformasi data pelatihan dan data pengujian seperti yang tampak

dalam tabel 4.7 dan tabel 4.8.

Tabel 4.7 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target) Pada Data Pelatihan Jaringan Syaraf Tiruan



0,30250,2665 0,1 02409 0,1853 0,2567 0,3026Juli Agustus September Oktober November Desember

0,4096 0,3564 0,2637 0,3983 0,2515 0,3745


0,21340,1 02409 0,1853 0,2567 0,3026 0,4096Juli Agustus September Oktober November Desember

0,3564 0,2637 0,3983 0,2515 0,3745 0,3025


0,339502409 0,1853 0,2567 0,3026 0,4096 0,3564Juli Agustus September Oktober November Desember

0,2637 0,3983 0,2515 0,3745 0,3025 0,2134


0,22510,1853 0,2567 0,3026 0,4096 0,3564 0,2637Juli Agustus September Oktober November Desember

0,3983 0,2515 0,3745 0,3025 0,2134 0,3395



0,2515 0,3745 0,3025 0,2134 0,3395 0,2251



0,3026 0,4096 0,3564 0,2637 0,3983 0,2354



0,4096 0,3564 0,2637 0,3983 0,2354 0,2151Pola-8 Januari Pebruari Maret April Mei Juni 0,2496

0,3564 0,2637 0,3983 0,2354 0,3026 0,4096

29




0,2637 0,3983 0,2354 0,2151 0,2324 0,2496



0,3983 0,2354 0,2151 0,2324 0,2496 0,1955



0,2354 0,2151 0,2324 0,2496 0,1955 0,1911



0,2151 0,2324 0,2496 0,1955 0,1911 0,2355



0,2324 0,2496 0,1955 0,1911 0,2355 0,3237



0,2496 0,1955 0,1911 0,2355 0,3237 0,2942



0,1955 0,1911 0,2355 0,3237 0,2942 0,2003



0,1911 0,2355 0,3237 0,2942 0,2003 0,3415



0,2355 0,3237 0,2942 0,2003 0,3415 0,2698



0,3237 0,2942 0,2003 0,3415 0,2698 0,3167



0,2942 0,2003 0,3415 0,2698 0,3167 0,3182



0,2003 0,3415 0,2698 0,3167 0,3182 0,3792




30


0,2698 0,3167 0,3182 0,3792 0,3129 0,3537



0,3167 0,3182 0,3792 0,3129 0,3537 0,3119



0,3182 0,3792 0,3129 0,3537 0,3119 0,3594



0,3792 0,3129 0,3537 0,3119 0,3594 0,4065



0,3129 0,3537 0,3119 0,3594 0,4065 0,2894



0,3537 0,3119 0,3594 0,4065 0,2894 0,2826



0,3119 0,3594 0,4065 0,2894 0,2826 0,2964



0,3594 0,4065 0,2894 0,2826 0,2964 0,3838



0,4065 0,2894 0,2826 0,2964 0,3838 0,4516



0,2894 0,2826 0,2964 0,3838 0,4516 0,3679



0,2826 0,2964 0,3838 0,4516 0,3679 0,4394



0,2964 0,3838 0,4516 0,3679 0,4394 0,3290



0,3838 0,4516 0,3679 0,4394 0,3290 0,3868



0,4516 0,3679 0,4394 0,3290 0,3868 0,4263

31



0,3679 0,4394 0,3290 0,3868 0,4263 0,4255



0,4394 0,3290 0,3868 0,4263 0,4255 0,4229



0,3290 0,3868 0,4263 0,4255 0,4229 0,4001



0,3868 0,4263 0,4255 0,4229 0,4001 0,3465



0,4263 0,4255 0,4229 0,4001 0,3465 0,4073



0,4255 0,4229 0,4001 0,3465 0,4073 0,3755



0,4229 0,4001 0,3465 0,4073 0,3755 0,4131



0,4001 0,3465 0,4073 0,3755 0,4131 0,4397



0,3465 0,4073 0,3755 0,4131 0,4397 0,5194



0,4073 0,3755 0,4131 0,4397 0,5194 0,4145



0,3755 0,4131 0,4397 0,5194 0,4145 0,4360



0,4131 0,4397 0,5194 0,4145 0,4360 0,5223





32

0,5194 0,4145 0,4360 0,5223 0,5068 0,5081



0,4145 0,4360 0,5223 0,5068 0,5081 0,5283



0,4360 0,5223 0,5068 0,5081 0,5283 0,4113



0,5223 0,5068 0,5081 0,5283 0,4113 0,4934



0,5068 0,5081 0,5283 0,4113 0,4934 0,4545



0,5081 0,5283 0,4113 0,4934 0,4545 0,5207



0,5283 0,4113 0,4934 0,4545 0,5207 0,5600



0,4113 0,4934 0,4545 0,5207 0,5600 0,6032



0,4934 0,4545 0,5207 0,5600 0,6032 0,7263



0,4545 0,5207 0,5600 0,6032 0,7263 0,5359



0,5207 0,5600 0,6032 0,7263 0,5359 0,6756



0,5600 0,6032 0,7263 0,5359 0,6756 0,6561



0,6032 0,7263 0,5359 0,6756 0,6561 0,7001




0,4934 0,4545 0,5207 0,5600 0,6032 0,7263

33




0,6756 0,6561 0,7001 0,6613 0,5001 0,6399



0,6561 0,7001 0,6613 0,5001 0,6399 0,5617



0,7001 0,6613 0,5001 0,6399 0,5617 0,6990



0,6613 0,5001 0,6399 0,5617 0,6990 0,7557



0,5001 0,6399 0,5617 0,6990 0,7557 0,6902



0,6399 0,5617 0,6990 0,7557 0,6902 0,8153



0,5617 0,6990 0,7557 0,6902 0,8153 0,5868



0,6990 0,7557 0,6902 0,8153 0,5868 0,7364



0,7557 0,6902 0,8153 0,5868 0,7364 0,6972



0,6902 0,8153 0,5868 0,7364 0,6972 0,8056



0,8153 0,5868 0,7364 0,6972 0,8056 0,7554



0,5868 0,7364 0,6972 0,8056 0,7554 0,6614




34


0,6972 0,8056 0,7554 0,6614 0,6443 0,5981



0,8056 0,7554 0,6614 0,6443 0,5981 0,7516



0,7554 0,6614 0,6443 0,5981 0,7516 0,8530



0,6614 0,6443 0,5981 0,7516 0,8530 0,8914



0,6443 0,5981 0,7516 0,8530 0,8914 0,8403



0,5981 0,7516 0,8530 0,8914 0,8403 0,6847



0,7516 0,8530 0,8914 0,8403 0,6847 0,8181



0,8530 0,8914 0,8403 0,6847 0,8181 0,7372

Tabel 4.8 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target) Pada Data Pengujian Jaringan Syaraf Tiruan




0,3645 0,2849 0,2447 0,1614 0,3135 0,3696



0,2849 0,2447 0,1614 0,3135 0,3696 0,4531



0,2447 0,1614 0,3135 0,3696 0,4531 0,2660





35

0,3135 0,3696 0,4531 0,2660 0,2441 0,1570



0,3696 0,4531 0,2660 0,2441 0,1570 0,1671



0,4531 0,2660 0,2441 0,1570 0,1671 0,2071



0,2660 0,2441 0,1570 0,1671 0,2071 0,4171



0,2441 0,1570 0,1671 0,2071 0,4171 0,2443



0,1570 0,1671 0,2071 0,4171 0,2443 0,2990



0,1671 0,2071 0,4171 0,2443 0,2990 0,2848



0,2071 0,4171 0,2443 0,2990 0,2848 0,2620



0,4171 0,2443 0,2990 0,2848 0,2620 0,4961



0,2443 0,2990 0,2848 0,2620 0,4961 0,5971



0,2990 0,2848 0,2620 0,4961 0,5971 0,2754



0,2848 0,2620 0,4961 0,5971 0,2754 0,3248



0,2620 0,4961 0,5971 0,2754 0,3248 0,4492




0,4171 0,2443 0,2990 0,2848 0,2620 0,4961

36




0,2754 0,3248 0,4492 0,4599 0,5167 0,7024



0,3248 0,4492 0,4599 0,5167 0,7024 0,6164



0,4492 0,4599 0,5167 0,7024 0,6164 0,6264



0,4599 0,5167 0,7024 0,6164 0,6264 0,6282



0,5167 0,7024 0,6164 0,6264 0,6282 0,7775

4.1.5 Inisialisasi Parameter

Parameter yang diset untuk pembelajaran adalah traingdm. Traingdm

merupakan fungsi pembelajaran untuk bobot-bobot dengan menggunakan nilai

momentum. Selain itu, terdapat beberapa nilai parameter yang harus diset untuk

pelatihan. Parameter-parameter tersebut yaitu:

1. Maksimum epoh

Epoh adalah perulangan atau iterasi dari proses yang dilakukan untuk

mencapai target yang telah ditentukan. Maksimum epoh adalah jumlah epoh

maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan

dihentikan apabila nilai epoh melebihi maksimum epoh.

Instruksi : net.trainParam.epochs = MaxEpoh

Nilai standar untuk maksimum epoh adalah 10.

2. Kinerja Tujuan

Kinerja tujuan adalah target nilai fungsi kinerja. Iterasi akan dihentikan

apabila nilai fungsi kinerja kurang dari atau sama dengan kinerja tujuan.

Instruksi : net.trainParam.goal = TargetError

Nilai standar untuk kinerja tujuan adalah 0.

37

3. Learning Rate

Learning rate adalah laju pembelajaran yang berupa perkalian negatif dari

gradien untuk menetukan perubahan pada nilai bobot dan bias. Semakin

besar nilai learning rate akan berimplikasi pada semakin besarnya langkah

pembelajaran. Jika learning rate diset terlalu besar, maka algoritma akan

menjadi tidak stabil. Sebaliknya, jika learning rate diset terlalu kecil maka

algoritma akan mencapai target dalam jangka waktu yang sangat lama.

Instruksi : net.trainParam.lr = LearningRate

Nilai standar untuk learning rate adalah 0.01.

4. Momentum

Momentum adalah konstanta yang mempengaruhi besarnya perubahan

bobot.

Instruksi : net.trainParam.mc = Momentum

Nilai standar untuk momentum adalah 0 sampai 1.

5. Jumlah epoh yang akan ditunjukkan kemajuannya.

Menunjukkan berapa jumlah epoh berselang yang akan ditunjukkan

kemajuannya.

Instruksi : net.trainParam.show = EpohShow

Nilai standar untuk jumlah epoh yang akan ditunjukkan adalah 10.

4.1.6 Pola Pelatihan dan Pengujian Data

Untuk mendapatkan suatu metode yang baik dalam sistem peramalan

digunakan tingkat ketelitian sebagai ukuran. Semakin tinggi tingkat ketelitian

yang didapat maka semakin baik metode tersebut. Setelah dilakukan pelatihan dan

pengujian didapat hasil- hasil penelitian dengan klasifikasi terhadap error

maksimum yang dapat tercapai.

Besarnya nilai error yang dicapai tersebut menentukan seberapa besar nilai

ketepatan yang dapat dilakukan dalam peramalan. Untuk serangkaian data yang

akan ditentukan nilainya, berbeda tingkat penyimpangannya yang secara

terakumulasi membentuk hasil peramalan tersebut. Untuk memudahkan analisis,

maka hasil-hasilnya ditampilkan dalam bentuk grafik.

38

Pembentukan pola peramalan yang terbentuk secara implisit oleh Jaringan

Syaraf Tiruan terlihat pada grafik dibawah ini yang merupakan hasil dari

komputasi simulator yang digunakan dengan parameter-parameter yang

mempengaruhinya.

Pembentukan jaringan disesuaikan dengan pola data yang didapat. Data

awal dimasukan dalam simulator untuk dilakukan komputasi dengan

memperhatikan pola data yang ada. Adapun tahap-tahap yang ada :

1. Plot data untuk membentuk pola.

Masukan data-data yang akan digunakan ke simulator untuk melalui tahap

proses belajar/pengenalan pola. Pada bagian ini perlu ditentukan jumlah

variabel masukan, keluaran, dan jumlah pasangan pola yang diberikan

2. Plot data tes.

Memasukan data-data ke dalam simulator, yang akan digunakan untuk tahap

proses pengetesan atas hasil pembentukan pola peramalan oleh jaringan

syaraf tiruan. Pengetesan pola dimasukan untuk melihat kemampuan model

yang telah dihasilkan oleh jaringan syaraf tiruan (JST) pada tahap

peramalan yang telah dibentuk sebelumnya.

3. Tahap normalisasi data

Data-data masukan sebelum diproses dalam simulator, terlebih dahulu

dilakukan proses normalisasi. Dimana diperlukan untuk lebih mempercepat

konvergensi pencarian (pembentukan) pola dan proses yang dibutuhkan

oleh fungsi sigmoid dalam kinerjanya sebagai fungsi aktivasi neuron. Jika

masukan dari parameter tersebut diluar rentang (range) yang dinginkan

yaitu dalam range 0 sampai dengan 1, maka konvergensi pada saat

pembentukan pola tidak akan pernah tercapai.

4. Menentukan tingkat error.

Dalam penelitian ini akan digunakan tingkat error yang bervariasi, dengan

tujuan untuk melihat sejauh mana kemampuan jaringan syaraf tiruan dalam

mengenal pola sampai membentuk pola. Tingkat error yang digunakan

mulai dari 0,1 (10 %) sampai dengan 0,01 (1 %).

5. Menentukan jumlah lapis (layer).

39

Lapis (layer) yang digunakan pada jaringan syaraf tiruan terdiri dari 3 (tiga)

lapis yaitu lapis masukan (input layer), lapis tersembunyi (hidden layer),

dan lapis keluaran (output layer). Pada penelitian ini data-data yang

digunakan memiliki satu lapis masukan dan satu lapis keluaran. Pada lapis

tersembunyi akan digunakan sistem trial and error untuk mendapatkan hasil

keluaran yang lebih baik. Semakin banyak hidden layer yang digunakan

biasanya akan semakin banyak waktu yangdigunakan untuk melatih pola.

6. Plot bobot interkoneksi.

Menggunakan bobot secara acak untuk membentuk bobot koneksi yang

dapat memetakan vektor masukan ke vektor keluaran. Bobot acak ini

merupakan bobot awal yang akan digunakan untuk melatih pola oleh

jaringan syaraf tiruan.

Pada tahap pembentukan selanjutnya, data-data diproses oleh simulator

jaringan syaraf tiruan dengan memperhatikan parameter-parameter yang

diberikan, yaitu berupa maksimum epoh, learning rate, momentum, jumlah layer,

jumlah sel dalam setiap layernya, dan target. Melalui kombinasi parameter ini

terjadi proses internalisasi dalam jaringan sehingga terbentuklah pola peramalan

secara implisit. Pola peramalan inilah yang menjadi model peramalan dengan

jaringan syaraf tiruan backpropagation.

4.2 Hasil

4.2.1 Analisis Model Peramalan

Pada tahap ini dilakukan analisis terhadap hasil-hasil pembentukan pola data

oleh simulator jaringan syaraf tiruan (JST) dan juga pembentukan pola peramalan

dari hasil perhitungan berdasarkan metode regresi linier yang menyatakan

hubungan antara variabel masukan data dengan variabel keluaran data menjadi

satu fungsi. Fungsi tersebut di dalam peramalan digunakan sebagai usaha untuk

melihat pola hubungan yang ada pada masa lalu. Berdasarkan literatur,

pendekatan dengan metode regresi pada umumnya memberikan pemahaman yang

lebih baik mengenai keadaan berdasarkan hubungan tersebut.

40

4.2.2 Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Pola Data dengan Data Pelatihan yang dilatihkan dan Data pengujian Dengan Target Error 0,01

(a)

41

(b)

Gambar 4.3 Grafik Hasil Keluaran Jaringan Syaraf Tiruan Backpropagation Data Pelatihan dengan Target Error 0,01

Berdasarkan pada Gambar 4.3 dapat diketahui hasil dari proses jaringan syaraf

tiruan backpropagation yang ditampilkan dalam bentuk grafik. Untuk

mendapatkan hasil tersebut diperlukan parameter sistem masukan untuk

pembentukan pola. Parameter sistem dari pola yang dibentuk, yaitu:

Net Size: Input Layer : 12 sel

Hidden Layer : 10 sel

Output Layer : 1 Sel

Maksimum epoh / iterasi : 1000

Show Epoh : 25

Learning Rate : 0,5

Momentum : 0,8

Goal / Target : 0,01

Bobot : -1 sampai dengan 1

Fungsi Neuron : Sigmoid

Pada Gambar 4.3a menunjukkan proses pembelajaran pada setiap epoh. Pada

proses ini, iterasi dihentikan pada epoh ke-9, karena fungsi kinerja tujuannya

sudah tercapai ( MSE = 0,00925< 0,01). Gambar 4.3b menunjukkan hubungan

antara target dengan output jaringan pada data pelatihan. Dari pengujian pada data

pelatihan untuk kecocokan antara output jaringan dengan target diperoleh

koefisien korelasi (R) bernilai 0,968 dimana untuk hasil terbaik adalah bernilai 1.

Tabel 4.9 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan Pola Data Dengan Data Pelatihan yang dilatihkan

No Data Masukan (X1, X2, X3,........,X12) Target Prediksi ErrorJanuari Pebruari Maret April Mei Juni

0,3025 0,2912 0,01130,2665 0,1 02409 0,1853 0,2567 0,3026


2Januari Pebruari Maret April Mei Juni

0,2134 0,2219 -0,00850,1 02409 0,1853 0,2567 0,3026 0,4096Juli Agustus September Oktober November Desember

0,3564 0,2637 0,3983 0,2515 0,3745 0,3025


0,3395 0,3331 0,006402409 0,1853 0,2567 0,3026 0,4096 0,3564Juli Agustus September Oktober November Desember

0,2637 0,3983 0,2515 0,3745 0,3025 0,21344 Januari Pebruari Maret April Mei Juni 0,2251

0,1853 0,2567 0,3026 0,4096 0,3564 0,2637

42

0,2135 0,0116Juli Agustus September Oktober November Desember

0,3983 0,2515 0,3745 0,3025 0,2134 0,3395


0,2354 0,2909 -0,05540,2567 0,3026 0,4096 0,3564 0,2637 0,3983



0,2151 0,2238 -0,00870,3026 0,4096 0,3564 0,2637 0,3983 0,2515Juli Agustus September Oktober November Desember

0,3026 0,4096 0,3564 0,2637 0,3983 0,2354


0,2324 0,23008 0,00230,4096 0,3564 0,2637 0,3983 0,2354 0,3026



0,2496 0,2655 -0,01590,3564 0,2637 0,3983 0,2354 0,3026 0,4096



0,1955 0,2712 -0,07570,2637 0,3983 0,2354 0,3026 0,4096 0,3564



0,1911 0,1809 0,01020,3983 0,2354 0,3026 0,4096 0,3564 0,2637



0,2355 0,2223 0,01310,2354 0,3026 0,4096 0,3564 0,2637 0,3983Juli Agustus September Oktober November Desember

0,2354 0,2151 0,2324 0,2496 0,1955 0,1911



0,2151 0,2324 0,2496 0,1955 0,1911 0,2355



0,2324 0,2496 0,1955 0,1911 0,2355 0,3237



0,2496 0,1955 0,1911 0,2355 0,3237 0,2942


0,3415 0,3445 -0,00300,3395 0,2251 0,2354 0,2151 0,2324 0,2496




0,1911 0,2355 0,3237 0,2942 0,2003 0,3415


0,3167 0,3259 -0,00920,2354 0,2151 0,2324 0,2496 0,1955 0,1911


18

Januari Pebruari Maret April Mei Juni

0,3182 0,3212 -0,00300,2151 0,2324 0,2496 0,1955 0,1911 0,2355

Juli Agustus September Oktober November Desember

0,3237 0,2942 0,2003 0,3415 0,2698 0,3167


0,3792 0,3442 0,03500,2324 0,2496 0,1955 0,1911 0,2355 0,3237



0,3129 0,2992 0,01370,2496 0,1955 0,1911 0,2355 0,3237 0,2942


21 Januari Pebruari Maret April Mei Juni 0,35370,1955 0,1911 0,2355 0,3237 0,2942 0,2003

43

0,3342 0,0195Juli Agustus September Oktober November Desember

0,3415 0,2698 0,3167 0,3182 0,3792 0,3129



0,2698 0,3167 0,3182 0,3792 0,3129 0,3537


0,3594 0,3326 0,02680,2355 0,3237 0,2942 0,2003 0,3415 0,2698




0,3182 0,3792 0,3129 0,3537 0,3119 0,3594


0,2894 0,3288 -0,03930,2942 0,2003 0,3415 0,2698 0,3167 0,3182



0,2826 0,2949 -0,01240,2003 0,3415 0,2698 0,3167 0,3182 0,3792



0,2964 0,3707 -0,07430,3415 0,2698 0,3167 0,3182 0,3792 0,3129




0,3119 0,3594 0,4065 0,2894 0,2826 0,2964



0,3594 0,4065 0,2894 0,2826 0,2964 0,3838



0,4065 0,2894 0,2826 0,2964 0,3838 0,4516


0,4394 0,4291 0,01030,3792 0,3129 0,3537 0,3119 0,3594 0,4065



0,3290 0,3487 -0,01970,3129 0,3537 0,3119 0,3594 0,4065 0,2894



0,3868 0,3827 0,00400,3537 0,3119 0,3594 0,4065 0,2894 0,2826



0,4263 0,4292 -0,00290,3119 0,3594 0,4065 0,2894 0,2826 0,2964



0,4255 0,3819 0,04350,3594 0,4065 0,2894 0,2826 0,2964 0,3838



0,4229 0,4982 -0,07530,4065 0,2894 0,2826 0,2964 0,3838 0,4516



0,4001 0,3907 0,00940,2894 0,2826 0,2964 0,3838 0,4516 0,3679




44

0,3290 0,3868 0,4263 0,4255 0,4229 0,4001


0,4073 0,3723 0,03490,2964 0,3838 0,4516 0,3679 0,4394 0,3290




0,4263 0,4255 0,4229 0,4001 0,3465 0,4073



0,4255 0,4229 0,4001 0,3465 0,4073 0,3755


0,4397 0,4301 0,00960,3679 0,4394 0,3290 0,3868 0,4263 0,4255




0,4001 0,3465 0,4073 0,3755 0,4131 0,4397


0,4145 0,4162 -0,00170,3290 0,3868 0,4263 0,4255 0,4229 0,4001




0,4073 0,3755 0,4131 0,4397 0,5194 0,4145


0,5223 0,4676 0,05470,4263 0,4255 0,4229 0,4001 0,3465 0,4073




0,4131 0,4397 0,5194 0,4145 0,4360 0,5223



0,4397 0,5194 0,4145 0,4360 0,5223 0,5068



0,5194 0,4145 0,4360 0,5223 0,5068 0,5081


0,4113 0,4041 0,00720,3465 0,4073 0,3755 0,4131 0,4397 0,5194



0,4934 0,5086 -0,01520,4073 0,3755 0,4131 0,4397 0,5194 0,4145



0,4545 0,4525 0,00200,3755 0,4131 0,4397 0,5194 0,4145 0,4360




0,5068 0,5081 0,5283 0,4113 0,4934 0,4545


0,5600 0,5296 0,03040,4397 0,5194 0,4145 0,4360 0,5223 0,5068




0,5283 0,4113 0,4934 0,4545 0,5207 0,5600

45



0,4113 0,4934 0,4545 0,5207 0,5600 0,6032

57

Januari Pebruari Maret April Mei Juni

0,53590,5316 0,00430,4360 0,5223 0,5068 0,5081 0,5283 0,4113

Juli Agustus September Oktober November Desember

0,4934 0,4545 0,5207 0,5600 0,6032 0,7263


0,6756 0,6756 0,00000,5223 0,5068 0,5081 0,5283 0,4113 0,4934




0,5207 0,5600 0,6032 0,7263 0,5359 0,6756


0,7001 0,6953 0,00480,5081 0,5283 0,4113 0,4934 0,4545 0,5207




0,6032 0,7263 0,5359 0,6756 0,6561 0,7001



0,7263 0,5359 0,6756 0,6561 0,7001 0,6613


0,6399 0,6372 0,00260,4934 0,4545 0,5207 0,5600 0,6032 0,7263



0,5617 0,5628 -0,00110,4545 0,5207 0,5600 0,6032 0,7263 0,5359




0,6561 0,7001 0,6613 0,5001 0,6399 0,5617



0,7001 0,6613 0,5001 0,6399 0,5617 0,6990


0,6902 0,691228 -0,00100,6032 0,7263 0,5359 0,6756 0,6561 0,7001




0,5001 0,6399 0,5617 0,6990 0,7557 0,6902


0,5868 0,5768 0,01000,5359 0,6756 0,6561 0,7001 0,6613 0,5001




0,5617 0,6990 0,7557 0,6902 0,8153 0,5868


0,6972 0,6967 0,00050,6561 0,7001 0,6613 0,5001 0,6399 0,5617




0,7557 0,6902 0,8153 0,5868 0,7364 0,6972

46



0,6902 0,8153 0,5868 0,7364 0,6972 0,8056


0,66140,6632 -0,00190,5001 0,6399 0,5617 0,6990 0,7557 0,6902




0,5868 0,7364 0,6972 0,8056 0,7554 0,6614



0,7364 0,6972 0,8056 0,7554 0,6614 0,6443



0,6972 0,8056 0,7554 0,6614 0,6443 0,5981



0,8056 0,7554 0,6614 0,6443 0,5981 0,7516



0,7554 0,6614 0,6443 0,5981 0,7516 0,8530


0,8403 0,8398 0,00050,8153 0,5868 0,7364 0,6990 0,8056 0,7554



0,6847 0,6820 0,00270,5868 0,7364 0,6990 0,8056 0,7554 0,6614




0,5981 0,7516 0,8530 0,8914 0,8403 0,6847



0,7516 0,8530 0,8914 0,8403 0,6847 0,8181


0,9 0,8979 0,00210,8056 0,7554 0,6614 0,6443 0,5981 0,7516


Tabel di atas menunjukkan bahwa pelatihan yang dilakukan oleh jaringan syaraf tiruan backpropagation mencapai hasil 84 data sesuai target (100%) seperti yang ditampilkan oleh komputer (network output) seluruh data output sesuai dengan target yang ditentukan.

Setelah hampir seluruh data yang dilatihkan dikenali, jaringan akan di uji dengan 24 data baru yang belum pernah dilatihkan. Hal ini berfungsi untuk menguji seberapa besar

47

jaringan mengenali data baru. Hasil pengujian terhadap data baru seperti yang ditunjukkan oleh tabel 4.10 di bawah ini.

Tabel 4.10 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Menggunakan Data Baru Seberapa Besar Jaringan Mengenali Data Baru.

No Data Masukan (X1, X2, X3,........,X12) Target Prediksi Error



0,3645 0,2849 0,2447 0,1614 0,3135 0,3696



0,2849 0,2447 0,1614 0,3135 0,3696 0,4531



0,2447 0,1614 0,3135 0,3696 0,4531 0,2660



0,1614 0,3135 0,3696 0,4531 0,2660 0,2441



0,3135 0,3696 0,4531 0,2660 0,2441 0,1570



0,3696 0,4531 0,2660 0,2441 0,1570 0,1671



0,4531 0,2660 0,2441 0,1570 0,1671 0,2071



0,2660 0,2441 0,1570 0,1671 0,2071 0,4171



0,2441 0,1570 0,1671 0,2071 0,4171 0,2443



0,1570 0,1671 0,2071 0,4171 0,2443 0,2990



0,1671 0,2071 0,4171 0,2443 0,2990 0,2848


0,4961 -0,5987 1,09480,3696 0,4531 0,2660 0,2441 0,1570 0,1671Juli Agustus September Oktober November Desember

0,2071 0,4171 0,2443 0,2990 0,2848 0,2620



0,4171 0,2443 0,2990 0,2848 0,2620 0,4961

48



0,2443 0,2990 0,2848 0,2620 0,4961 0,5971



0,2990 0,2848 0,2620 0,4961 0,5971 0,2754


0,4492 0,4493 -0,0001


0,2848 0,2620 0,4961 0,5971 0,2754 0,3248



0,2620 0,4961 0,5971 0,2754 0,3248 0,4492



0,4961 0,5971 0,2754 0,3248 0,4492 0,4599



0,5971 0,2754 0,3248 0,4492 0,4599 0,5167


0,6164 -0,6186 1,23500,2443 0,2990 0,2848 0,2620 0,4961 0,5971Juli Agustus September Oktober November Desember

0,2754 0,3248 0,4492 0,4599 0,5167 0,7024



0,3248 0,4492 0,4599 0,5167 0,7024 0,6164



0,4492 0,4599 0,5167 0,7024 0,6164 0,6264



0,4599 0,5167 0,7024 0,6164 0,6264 0,6282



0,5167 0,7024 0,6164 0,6264 0,6282 0,7775

Dari 24 data baru yang diujikan tampak bahwa 22 data (93%) sesuai dengan target sementara 2 data (7%) tidak sesuai target dan tidak ada data yang tidak dikenali (error)

49

BAB VKESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan uraian pada bab-bab sebelumnya dan berdasarkan hasil pada

bab IV, maka pada penelitian ini dapat ditarik kesimpulan sebagai berikut:

Algoritma Jaringan Syaraf tiruan backpropagation yang telah dilatih telah

cukup mampu untuk melakukan peramalan/prediksi jumlah penumpang di Bandar

Udara Hang Nadim Batam dengan tingkat akurasi yang cukup baik, sesuai dengan

hasil pengujian jaringan syaraf tiruan dengan memasukkan data pelatihan dan

pengujian, diperoleh hasil 84 data pelatihan sesuai target (100 % sesuai target),

22 data pengujian sesuai target (93% sesuai target) dan 2 data tidak sesuai target

(7%).

5.2 Saran

Pada penelitian ini sebaiknya dilanjutkan pada tahap proses pengetesan

atas hasil pembentukan pola peramalan oleh jaringan syaraf tiruan dimana

dimaksudkan untuk melihat kemampuan model yang dihasilkan oleh jaringan

syaraf tiruan pada tahap meramalkan kejadian berikutnya dengan berdasarkan

pola-pola peramalan yang telah terbentuk sebelumnya.

50

DAFTAR PUSTAKA

Sinaga, Alex R. 2012 “Aplikasi Jaringan Syaraf Tiruan Untuk Penentuan

Konsentrasi Program Studi Bagi Calon Mahasiswa Baru STMIK Budidarma

Medan” jurnal Pelita Informatika. STMIK Budi Darma. Medan.

Away, Gunaidi A. 2014 “ The Shotcut of Matlab Programming”. Informatika.

Bandung.

Hermawan, Arief. 2006 “ Jaringan syaraf Tiruan, Teori dan Aplikasi”. ANDI.

Yogyakarta.

Pakaja, Fachrudin., Naba, Agus dan Purwanto. 2012. “Peramalan Penjualan Mobil

Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor”. Jurnal

EECCIS. Universitas Brawijaya. Malang.

Kusumadewi, Sri dan Sri Hartati. 2006. “Neuro- Fuzzy: Integrasi Fuzzy dan

Jaringan Syaraf”. Graha Ilmu. Yogyakarta.

Kusumadewi, Sri. 2003 “ Arficial Intelegent, Teknik dan Aplikasinya”. Graha

Ilmu. Yogyakarta.

Ramli., Yuniarti, Desi dan Goejantoro, Rito. 2013. “Perbandingan Metode

Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan”. Jurnal

EKSPONENSIAL. Universitas Mulawarman. Samarinda.

Siang, J. Jek. 2005. Jaringan Saraf Tiruan danPemogramannya menggunakan

Matlab. Andi. Yogyakarta.

Widodo, Prabowo P., Handayanto, Rahmadya T dan Herlawati. 2013 “ Penerapan Data Mining dengan Matlab”. Rekayasa Sains. Bandung.

LAMPIRANSTRUKTUR ORGANISASI PENELITI

Struktur Organisasi Penelitian

Tabel Struktur Organisasi Penelitian Hibah Internal

No Nama Instansi Asal Bidang Ilmu

Alokasi Waktu

(Jam/Minggu)

Uraian Tugas

1.Joni Eka Candra, S.T.,M.T

Universitas Putera Batam

Teknik Informatika 1

Membuat Proposal, menyediakan fasilitas pengembangan aplikasi, memberikan arahan rancangan dan membuat laporan akhir

2.Sunarsan Sitohang, S.kom

Universitas Putera Batam


Melakukan analisis data Penelitian

3. Alpin Salamena Universitas Putera Batam


Survey lokasi penelitian dan dokumentasi

LAMPIRANSURAT TUGAS PENELITIAN

LAMPIRANKONTRAK PENELITIAN HIBAH

INTERNAL

LAMPIRANTAMPILAN MENU PROGRAM DAN

SOURCE CODE PROGRAM

LAMPIRANDATA PENELITIAN

LAMPIRANFOTO DOKUMENTASI PENELITIAN

LAMPIRANBIODATA PENELITI

BIODATA KETUA PENELITI

A. Identitas Diri

1 Nama Lengkap (dengan gelar) Joni Eka Candra

2 Jenis Kelamin Laki-laki

3 Jabatan Fungsional Dosen

4 NIP 11461

5 NIDN 1025068201

6 Tempat, Tanggal Lahir Sumenep, 25 juni1982

7 Alamat surel (e-mail) [email protected]

8 Nomor Telepon/HP 085655567040

9 Alamat Kantor Jl. R.Suprapto

10 Nomor Telepon/Faks Kantor -

11 Mata Kuliah yang Diampu

1.Rangkaian Digital 2. Artificial Intelegent3. Arsitektur dan

Organisasi Komputer4. Komputasi Numerik

B. Riwayat Pendidikan

S-1 S-2 S-3

Nama Perguruan Tinggi Universitas Brawijaya

Universitas Brawijaya -

Bidang Ilmu Teknik Elektro Teknik Elektro -Tahun Masuk-Lulus 2002-2008 2009-2012 -

C. Pengalaman Penelitian Dalam 5 TahunTerakhir

Tahun Judul Pengabdian Jabatan Sumber

Dana Keterangan

2013

Aplikasi Logika Fuzzy Dalam Optimalisasi Produksi Barang Menggunakan Metode Tsukamoto Dan Metode Mamdani Pada PT. Mardi Jaya

Ketua Peneliti

LPPM Universistas Putera Batam

Laporan internal

2014

Aplikasi Fuzzy Inference System (FIS) Mamdani Untuk Penentuan Jurusan Siswa Di SMA Negeri 5 Batam

Ketua Peneliti

LPPM Universistas Putera Batam

Laporan internal

D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir

Tahun Judul Pengabdian Jabatan Sumber Dana

2014

Kompetensi Siswa di Bidang Teknologi Informasi dan Komunikasi Melalui Buku Pada SMP Islam Terpadu 01 Darussalam

Anggota Pengadian

LPPM Universitas Putera Batam

2014

Penyuluhan pembelajaran Ilmu Tajwid Dalam Membaca Al-Qur’an Menggunakan Teknologi Informasi di SMK Negeri 4 Batam

Anggota Pengadian

LPPM Universitas Putera Batam

E. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir

No Judul Artikel ilmiah Nama Jurnal Volume/Nomor/ Tahun1.2.

F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir

No Nama Pertemuan Judul Artikel Ilmiah Waktu dan Tempat

1. Seminar Penelitian Aplikasi Logika Fuzzy Dalam Optimalisasi Produksi Barang Menggunakan Metode Tsukamoto Dan Metode Mamdani Pada PT. Mardi Jaya

4 Maret 2014 / Universitas Putera Batam

2. Seminar Penelitian Aplikasi Fuzzy Inference System (FIS) Mamdani Untuk Penentuan Jurusan Siswa Di SMA Negeri 5 Batam

26 Agustus 2014 / Universitas Putera Batam

G. Karya Buku dalam 5 Tahun Terakhir

No Judul Buku Tahun Jumlah Halaman

Penerbit

1.

2.

H. Perolehan HKI (Hak Kekayaan Intelektual) dalam 5–10 Tahun Terakhir

No Judul / Tema HKI*

Tahun Jenis Nomor P/ID

1.

2.

I. Pengalaman Merumuskan Kebijakan Publik lainnya dalam 5 tahun terakhir

No Judul/Tema/Jenis Kebijakan Publik Lainnya yang Telah Diterapkan

Tahun Tempat Penerapan

Respon Masyarakat

1.

2.

3.

J. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau institusi lainnya)

No Jenis Penghargaan Institusi Pemberi Penghargaan

Tahun

1.

2.

3.

Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan

dapat dipertanggung jawab kan secara hukum. Apabila dikemudian hari ternyata

dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi.

Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu

persyaratan dalam laporan penelitian hibah internal dosen.

Batam, 20 Januari 2016

Ketua Tim Penelitian,

JONI EKA CANDRA, S.T.,M.T

BIODATA ANGGOTA PENELITI (1)

A. Identitas Diri

1 Nama Lengkap (dengan gelar) Sunarsan Sitohang, S.kom.

2 Jenis Kelamin L

3 Jabatan Fungsional -

4 NPM 120210055

5 Tempat, Tanggal Lahir Pacitan / 06 Juni 1990

6 E-mail [email protected]

7 Nomor Telepon/HP 0819-2680-371

8 Alamat Bida Ayu Blk. E No. 72, RT/RW :

001/015 Mangsang


S-1 S-2 S-3 Nama Perguruan Tinggi Universitas Bina

Nusantara- -

Bidang Ilmu Teknik Informatika

- -

Tahun Masuk-Lulus 2012 - Sekarang - -

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul Penelitian PendanaanSumber Jml (Juta Rp)

- - - - -


No. Tahun Judul Pengabdian Kepada Masyarakat

PendanaanSumber Jml (Juta

Rp) - - - - -


No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor/Tahun

- - - -

mailto:[email protected]


No. Nama Seminar Judul Artikel Ilmiah Waktu dan Tempat

- - - -


No. Judul Buku Tahun Jumlah Halaman Penerbit

1 - - - -


No. Judul/Tema HKI Tahun Jenis Nomor P/ID

1 - - - -

I. Pengalaman Merumuskan Kebijakan Publik Lainnya dalam 5 Tahun Terakhir

No. Judul/Tema/Jenis Kebijakan Publik Lainnya yang Telah Diterapkan Tahun Tempat

PenerapanRespon Masyarakat

1 - - - -


No. Jenis Penghargaan Institusi Pemberi Penghargaan Tahun

1 - - -


dapat dipertanggungjawabkan secara hukum. Apabila dikemudian hari ternyata



persyaratan dalam laporan penelitian.


Anggota Peneliti,

Sunarsan Sitohang, S.kom.

BIODATA ANGGOTA PENELITI (2)

A. Identitas Diri BIODATA ANGGOTA PENELITI (1)

A. Identitas Diri

1 Nama Lengkap (dengan gelar) Alpin Salamena

2 Jenis Kelamin L

3 Jabatan Fungsional -

4 NPM 120210055

5 Tempat, Tanggal Lahir Pacitan / 06 Juni 1990

6 E-mail [email protected]

7 Nomor Telepon/HP 0819-2680-371

8 Alamat Bida Ayu Blk. E No. 72, RT/RW :

001/015 Mangsang


S-1 S-2 S-3 Nama Perguruan Tinggi Universitas Bina

Nusantara- -

Bidang Ilmu Teknik Informatika

- -

Tahun Masuk-Lulus 2012 - Sekarang - -

C. Pengalaman Penelitian Dalam 5 Tahun Terakhir

(Bukan Skripsi, Tesis, maupun Disertasi)

No. Tahun Judul Penelitian PendanaanSumber Jml (Juta Rp)

- - - - -


No. Tahun Judul Pengabdian Kepada Masyarakat

PendanaanSumber Jml (Juta

Rp) - - - - -


No. Judul Artikel Ilmiah Nama Jurnal Volume/Nomor/Tahun

mailto:[email protected]

- - - -


No. Nama Seminar Judul Artikel Ilmiah Waktu dan Tempat

- - - -


No. Judul Buku Tahun Jumlah Halaman Penerbit

1 - - - -


No. Judul/Tema HKI Tahun Jenis Nomor P/ID

1 - - - -

I. Pengalaman Merumuskan Kebijakan Publik Lainnya dalam 5 Tahun Terakhir

No. Judul/Tema/Jenis Kebijakan Publik Lainnya yang Telah Diterapkan Tahun Tempat

PenerapanRespon Masyarakat

1 - - - -


No. Jenis Penghargaan Institusi Pemberi Penghargaan Tahun

1 - - -


dapat dipertanggungjawabkan secara hukum. Apabila dikemudian hari ternyata



persyaratan dalam laporan penelitian.


Anggota Peneliti,

Alpin Salamena

BANDAR UDARA HANG NADIM BATAM

KUNJUNGAN SURVEY LOKASI PENELITIAN

RAPAT KOORDINASI PENELITIAN ANGGOTA PENELITIAN

PENYERAHAN SURAT PENELITIAN OLEH KEPALA HRD PENGELOLA

BADAR UDARA HANG NADIM BATAM

Laporan penelitian

Data & Analytics

Transcript of Laporan penelitian