BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI

Bab ini membahas tentang teori penunjang serta penelitian sebelumnya yang berhubungan dengan penerapan evolving fuzzy neural network dalam melakukan prediksi.

2.1. Kredit Pemilikan Rumah Kredit Pemilikan Rumah (KPR) merupakan kredit yang digunakan untuk membeli rumah atau untuk kebutuhan konsumtif lainnya dengan jaminan atau agunan berupa rumah. Proses sederhana dari transaksi KPR yaitu pembelian rumah melalui bank, dimana rumah tersebut dibayarkan oleh bank sepenuhnya, lalu nasabah mencicil ke pembayaran dana ke bank beserta bunganya. Setiap bank memiliki tingkat persentase bunga KPR yang berbeda beda, termasuk pada tingkatan jangka waktu pembayaran juga akan mempengaruhi persentase bunga KPR. Semakin besar jangka waktu pembayaran yang diambil, akan semakin besar pula tingkat persentase bunga yang harus dibayarkan oleh nasabah. Misalkan jika KPR memiliki tenor 20 tahun, maka nasabah harus melunasi semua dana pinjamannya pada tahun ke 20 dari tanggal kredit perumahan tersebut diambil. Suku bunga KPR merupakan suku bunga yang efektif atau menurun. Dimana perkalian bunga pinjaman berdasarkan pada sisa jumlah pinjaman pokok pada setiap bulan dan jumlah pinjaman pokok akan berkurang dari angsuran bulanan yang dibayarkan. Suku bunga KPR maupun KPA di Indonesia memiliki 2 periode yaitu : 1. Periode suku bunga tetap (fix) Pada periode ini suku bunga KPR akan tetap dan pada umumnya terdapat pilihan jangka waktu tetap dari 1 sampai 5 tahun.

Universitas Sumatera Utara

7

2. Periode suku bunga mengambang (floating) Setelah periode suku bunga tetap telah habis jangka waktunya, sisa dari jangka waktu (periode selanjutnya) suku bunga akan berubah-ubah atau floating sesuai dengan peraturan dan regulasi dari bank atau penyedia kredit tersebut. Setiap kredit yang dipinjam oleh nasabah akan memerlukan uang muka atau down payment (DP). Uang muka atau down payment adalah sejumlah uang yang dibayarkan pada awal transaksi rumah atau transaksi KPR dengan bank. Ini disebabkan karena jumlah kredit KPR yang dipinjamkan oleh bank (plafon pinjaman) tidak akan pernah berjumlah 100% dari harga rumah yang diajukan. Tingkap DP biasanya berjumlah minimal 20% dari total harga rumah yang diajukan. Misalkan harga rumah yang diajukan sebesar Rp.100.000.000, maka DP yang harus dibayarkan adalah Rp.20.000.000. Tiap bank memiliki tingkat suku bunga dasar kreditnya tersendiri, tergantung pada tipe-tipe atau peruntukan dari kredit tersebut. Tabel 2.1 menunjukkan tingkat suku bunga dasar kredit pada beberapa bank yang ada di Indonesia yang dikutip dari data Bank Indonesia. Tabel 2.1 Prime Lending

Nama Bank

BANK MANDIRI BANK RAKYAT INDONESIA BANK CENTRAL ASIA BANK NEGARA INDONESIA BANK CIMB NIAGA BANK DANAMON INDONESIA PANIN BANK BANK PERMATA BANK INTERNASIONAL INDONESIA BANK TABUNGAN NEGARA BANK OCBC NISP HSBC CITIBANK BANK JABAR BANTEN

Suku Bunga Dasar Kredit (%) Kredit Kredit Kredit Konsumsi Korporasi Ritel KPR Non KPR 10.00 12.00 10.75 12.00 9.75 11.50 10.00 12.00 9.00 10.50 9.50 8.18 10.00 11.60 10.65 12.00 10.30 10.90 10.80 10.70 10.60 12.60 12.00 12.49 10.37 10.37 10.87 10.87 10.25 10.25 11.50 10.25 10.09 10.53 10.02 10.27 10.00 10.25 10.45 11.00 9.50 10.50 11.50 11.50 8.75 8.75 8.50 8.25 8.25 11.50 8.50 10.53 7.65 10.17


8

Tabel 2.1 Prime Lending (Lanjutan) BANK UOB INDONESIA 9.06 10.71 BANK BUKOPIN 10.40 12.58 BANK MEGA 11.25 17.25 BANK OF TOKYO-MITSUBISHI 7.11 BANK TABUNGAN PENSIUNAN 17.43 NASIONAL STANDARD CHARTERED BANK 8.52 8.90 BANK DBS INDONESIA 9.22 9.98 BANK KALTIM 9.79 9.79 BANK JATIM 8.65 10.37 ANZ PANIN BANK 7.66 8.36 BANK JATENG 6.84 7.29 BANK DKI 9.75 11.35 BANK MIZUHO INDONESIA 5.43 BANK EKONOMI RAHARJA 10.20 10.20 BANK SUMITOMO MITSUI INDONESIA 6.39 BANK ARTHA GRAHA 8.71 9.21 BANK ICBC INDONESIA 9.00 10.50 BANK SUMUT 8.14 8.93 BANK RIAU KEPRI 7.06 7.27 DEUTSCHE BANK 8.40 BANK SINARMAS 9.79 9.79 BANK PAPUA 9.62 10.29 BANK SUMSEL BABEL 11.48 11.65 BANK COMMONWEALTH 10.00 10.50 BANK NAGARI 10.09 11.09 BANK MAYAPADA INTERNASIONAL 10.34 10.93 RABOBANK 10.50 11.25 BANK MUTIARA 10.51 11.00 BPD ACEH 11.78 11.78 BANK OF CHINA 8.82 8.82 BPD BALI 8.17 8.80 PT BANK VICTORIA INTERNATIONAL 10.50 10.96 PT BANK RESONA PERDANIA 7.12 PT.BPD SULAWESI SELATAN DAN 12.69 14.52 BARAT JP. MORGAN BANK 6.10

9.27 12.20 12.40 12.50 12.50 18.07 8.35 9.79 8.65 8.40 6.69 10.30

9.79 10.37 8.40 11.27 10.90

10.20 8.71 9.00 8.71 7.04

10.21 11.50 12.55 8.67

10.78 13.76 11.50 12.09 10.30 11.25 10.90 12.28

9.79 12.23 11.35 12.50 11.59 11.36 12.00 11.80 12.28

8.07 9.68

9.66 11.03

11.66 16.62


9

2.1.1 Penilaian Terhadap Harga Rumah Dalam Kredit Pemilikan Rumah Penilaian telah diterima secara luas dan menjadi rujukan di sektor keuangan maupun sektor lainnya, baik untuk tujuan pelaporan keuangan, pemenuhan persyaratan perundangan atau tujuan penjaminan hutang, dan aktifitas transaksi lainnya (Hamid, 2013). Penilaian juga dibutuhkan dalam transaksi KPR untuk dapat mengetahui nilai terkini dari rumah yang diajukan nasabah. Seluruh aktifitas penilaian yang dilakukan oleh para pelaku penilai (public valuer) harus mengikuti standart penilaian Indonesia yang tercakup dalam Kode Etik Penilai Indonesia dan Standar Penilaian Indonesia (SPI & KEPI) 2013. Seluruh aturan dan tahapan dalam penilaian harus dijalankan sesuai aturan yang berlaku baik oleh pemberi tugas maupun penilai. Dalam proses pengajuan kredit pemilikan rumah ke pihak bank, nasabah akan diperiksa terlebih dahulu oleh bank, jika kriteria nasabah telah sesuai standart dan seluruh persyaratan telah terpenuhi, maka proses selanjutnya adalah penilaian terhadap rumah yang diajukan oleh nasabah. Penilaian dilakukan oleh para penilai publik (public valuer) yang akan dipilih oleh pihak bank untuk menilai rumah yang diajukan. Penilai adalah seseorang yang memiliki kualifikasi, kemampuan dan pengalaman dalam melakukan kegiatan praktek penilaian untuk mendapatkan nilai ekonomis sesuai dengan bidang keahlian yang dimiliki. Aspek-aspek yang dinilai secara umum yaitu luas dari tanah dan bangunan, komposisi bangunan, batas izin pembangunan, keadaan lingkungan, daerah posisi rumah serta fasilitas-fasilitas yang ada pada rumah tersebut. Dimana hasil penilaian adalah berupa nilai pasar dari rumah tersebut dalam bentuk nilai dokumen dan nilai fisik. Nilai dokumen berupa nilai pasar dari rumah berdasarkan batas batas izin membangun dari Izin Mendirikan Bangunan (IMB) dari rumah tersebut, sedangkan nilai fisik berupa nilai pasar dari rumah tersebut berdasarkan survey keadaan sebenarnya dari rumah tersebut terlepas dari batas-batas pada IMB bangunan. Jika keadaan fisik dari bangunan melanggar batas-batas dari yang telah ditetapkan pada dokumen Izin Mendirikan Bangunan, maka hal tersebut dapat menjadi faktor pengurang dari nilai rumah yang dapat menyebabkan turunnya nilai pasar dari rumah tersebut.


10

2.1.2 Penilai Publik Penilai publik (public valuer) seluruhnya diatur oleh Kode Etik Penilai Indonesia (KEPI) agar penilai dalam menjalankan tugasnya selalu mematuhi etik dan kompetensi, agar hasil pekerjaan penilaian dapat dipertanggungjawabkan kepada pemberi tugas, masyarakat dan profesi penilai (Hamid, 2013). Indonesia memiliki peraturan perundang-undangan yang meregulasi dan memberikan izin penilai untuk melakukan penilaian sesuai dengan klasifikasinya. Aturan perilaku khusus bagi penilai yang melakukan penilaian di luar lingkup Standart Penilaian Indonesia (SPI), diperlukan control dan prosedur yang sesuai agar memastikan independensi dan obyektivitas dalam proses penilaian, sehingga hasilnya tidak menyimpang. Bilamana suatu tujuan penilaian membutuhkan penilai yang memiliki kriteria tertentu, persyaratannya tidak boleh menyimpang dari Standar Penilaian Indonesia (SPI). Ada 2 tipe penilai (valuer) yang sesuai standart aturan Bank Indonesia, diizinkan untuk melakukan investigasi dan survey lapangan untuk memberikan penilaian suatu aset atau properti yaitu : 1. Internal Valuer Internal Valuer adalah para pelaku penilai yang merupakan perkerja pada pihak bank yang biasanya bertugas dalam menilai aset-aset milik bank ataupun perhitungan nilai aset dari nasabah yang melakukan permintaan terhadap perhitungan tingkat kekayaan harta yang dimilikinya yang biasanya terlepas dari nilai hutang seperti kredit, dan sebagainya. 2. External Valuer External Valuer adalah para pelaku penilai yang tidak terikat oleh pihak bank namun dalam pekerjaan maupun pelaksanaan tugasnya bekerja sama dengan pihak bank. Para penilai external valuer diberi penugasan oleh seorang nasabah yang melalui pihak bank untuk menilai suatu aset dengan tujuan untuk mendapatkan dana pinjaman ataupun pembelian suatu properti melalui kredit, misalkan dalam Kredit Pemilikan Rumah (KPR). Para penilai External Valuer bekerja pada suatu perusahaan Kantor Jasa Penilai Publik (KJPP) yang dipimpin oleh seorang penilai bersertifikasi.


11

Kantor Jasa Penilai Publik (KJPP) adalah badan usaha yang telah mendapat izin usaha dari menteri keuangan sebagai wadah bagi penilai public dalam menjalankan usaha di bidang penilaian dan jasa-jasa lainnya (Hamid, 2013). Usaha di bidang penilaian meliputi bidang jasa penilaian properti sederhana, bidang jasa penilaian properti dan bidang jasa penilaian bisnis. Jasa-jasa lainnya yang terkait dengan penilaian antara lain : 1. Konsultasi pengembangan properti 2. Desain sistem informasi aset 3. Manajemen properti 4. Studi kelayakan usaha 5. Jasa agen properti 6. Pengawasan pembiayaan proyek 7. Studi penentuan sisa umur ekonomi 8. Studi penggunaan tertinggi dan terbaik (highest and best use) 9. Penasihat keuangan

2.1.3 Teori-Teori Pendekatan Pada Penilaian Dalam konsep dan prinsip umum penilaian terdapat kerangka konseptual penilaian yang mencakup pembahasan konsep property yang diartikan sama dengan aset atau liability, nilai, pasar, faktor spesifik entitas, unit penilaian, dasar nilai, nilai pasar, prinsip penggunaan tertinggi dan terbaik (Highest and best use - HBU), asumsi pendekatan penilaian dan berbagai konsep penting lainnya. Pemahaman mengenai halhal seperti ini adalah sangat penting untuk memahami penilaian dan penerapannya di dalam standart penilaian khususnya penilaian properti (Hamid, 2013). Dalam melakukan penilaian terhadap suatu objek, terdapat 3 teknik penilaian yang disebut teknik pendekatan yaitu pendekatan data pasar (market data approach), pendekatan pendapatan (income approach) dan pendekatan biaya (cost approach). Teori dan penerapan dari teknik pendekatan inilah yang menjadi dasar bagi seorang penilai dalam melakukan penilaian, asumsi serta adjustment dalam menentukan nilai suatu objek. Tabel 2.2 menunjukkan teknik pendekatan yang digunakan di Amerika, Australia dan Indonesia.


12

Tabel 2.2 Pendekatan Penilaian (Heryanto, 2006) Amerika

Australia

Indonesia

1. Market data approach : 1. Market Data Approach

Market Continuum, Simple Comparison, Detailed

1. Pendekatan Data Ppasar

Analysis. 2. Cost Approach : Quantity Survey, Index,

2. Pendekatan Biaya : 2. Cost Approach

Unit in Place

dan Metode DRC

3. Income Approach : Direct Capitalization, DCF, Land Development, Residual Technique(Land,

Metode Kalkulasi, Biaya,

3. Pendekatan Pendapatan 3. Hypothetical

: Metode Kapitalisasi

Development Approach

Langsung & Metode Arus Kas Terdiskonto

Building, Property) 4. Computer Based Technique : Cash Flow Method, Regression (Simple and Multi Regression Analysis)

Pendekatan data pasar (market data approach) merupakan pendekatan yang paling utama karena dalam pendekatan ini opini nilai didapat langsung dari data pasar property yang sebanding dengan property yang dinilai. Pendekatan data pasar adalah metode penilaian suatu properti yang diperoleh dengan membandingkan property yang dinilai terhadap properti lain yang sebanding yang ditransaksikan di pasar terbuka (Taslim, 2013). Dalam pendekatan ini, penentuan nilai properti berdasarkan pembanding atas analisis transaksi, penawaran, dan permintaan properti sejenis yang berada di sekitar lokasi dengan memperhatikan faktor perbandingan antara lokasi, jenis dokumen kepemilikan, kondisi pembiayaan, kondisi transaksi, karakteristik fisik properti, karakteristik ekonomi dan penggunaan. Proses-proses pendekatan data pasar yaitu : 1. Pengumpulan Data 2. Verifikasi dan Analisa Data


13

3. Penyesuaian (Adjustment) 4. Rekonsiliasi dan Kesimpulan Nilai

Pada pendekatan pendapatan (Income Approach), nilai properti dihitung berdasarkan pada proyeksi jumlah pendapatan bersih yang wajar atau sesuai pasar yang diharapkan dapat dihasilkan oleh property tersebut sepanjang umur ekonomis yang masih tersisa. Pendekatan ini digunakan untuk menilai suatu properti yang dapat menghasilkan pendapatan karena sewa. Pendekatan ini digunakan terutama apabila properti yang kita nilai dapat menghasilkan pendapatan karena sewa terus-menerus. Selain itu properti tersebut dianggap menghasilkan pendapatan tetap (Hilal, 2014). Apabila suatu property dianggap pendapatannya tidak tetap, sedangkan pendapatan karena sewa dapat dihasilkan secara terus-menerus maka dapat digunakan rumus arus kas yang terdiskonto. Sesuai dengan rumus awal Discounted Cash Flow (DCF) sebagai dasar penjabaran rumus pendekatan pendapatan (Income Approach). Apabila property yang akan dinilai ini tidak disewakan, kita dapat mengambil data sewa dari perbandingan sewa properti yang sejenis di lokasi properti tersebut dinilai atau data sewa di lokasi yang sejenis. Dasar dari penilaian menggunakan pendekatan pendapatan adalah dengan nilai kapitalisasi atau kapitalisasi pendapatan (income capitalization). Nilai pasar dari suatu property kurang lebih sama dengan suatu modal yang mempunyai potensi untuk mendatangkan pendapatan. Metode ini juga dikenal sebagai metode kapitalisasi, karena pendapatan bersih yang dihasilkan oleh suatu property dikapitalisasi menjadi nilai melalui hitungan matematis yang disebut dengan kapitalisasi. Rumus utama dari pendekatan income yaitu : I=RxV

(2.1)

Keterangan : I = Pendapatan bersih dari properti per tahun (Rp) R = Tingkat Kapitalisasi (Capitalization Rate) (%) V = Nilai Pasar Properti (Rp)

Pada pendekatan biaya (Cost Approach), penilaian dilakukan dengan langkahlangkah penilaian berikut (Hamid, 2014) yaitu : 1. Menilai tanah seolah-olah dalam keadaan tanah kosong.


14

2. Menilai bangunan dengan menghitung biaya reproduksi baru bangunan, hitung besarnya penyusutan, lalu tentukan nilai pasar bangunan. 3. Menentukan nilai properti.

Biaya reproduksi baru merupakan jumlah uang untuk memproduksi atau mengganti baru suatu aktiva, berdasarkan harga setempat pada saat penilaian dilakukan. Biaya reproduksi baru terbagi dua yaitu biaya langsung dan tidak langsung. Biaya langsung terdiri dari biaya izin, material, upah (tenaga kerja), biaya kontraktor dan konsultan teknik. Sedangkan biaya tidak langsung terdiri dari asuransi, bea masuk atau pajak, biaya konsultan, dan biaya bunga selama masa konstruksi. Terdapat 4 teknik dalam cara-cara menghitung biaya reproduksi baru atau penggantian baru, yaitu : 1. Survey Kuantitas 2. Unit Terpasang (Unit in Place). 3. Meter Persegi 4. Index

2.2 Teknik Peramalan Peramalan atau forecasting merupakan aktivitas dalam bisnis yang memperkirakan jumlah produk yang akan terjual yang mendekati dari perkiraan permintaan konsumen akan produk tersebut. Peramalan ini berguna sebagai menentukan kebijakan pengendalian, membuat perencanaan produksi, serta untuk menentukan tingkat tenaga kerja selama periode produksi (Winny, 2014). Peramalan tidak hanya digunakan untuk memperkirakan permintaan produk saja, namun secara luas juga digunakan dalam sistem lainnya. Dalam suatu industri, peramalan dilakukan oleh berbagai departemen, seperti departemen pemasaran, produksi, pembelian, persediaan, dan keuangan. Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibagi atas 2 macam, yaitu peramalan kualitatif dan peramalan kuantitatif. Peramalan kualitatif adalah peramalan yang yang didasarkan oleh data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat pendapat, intuitif, pengetahuan dan pengalaman. Metode kualitatif didasarkan


15

pada informasi yang bersifat kualitatif. Dasar informasi ini dapat memprediksi kejadian-kejadian di masa yang akan datang. Peramalan kuantitatif merupakan peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat tergantung pada metode yang digunakan pada peramalan tersebut. Baik tidaknya metode yang digunakan ditentukan oleh besarnya penyimpangan (error) dari perbandingan data aktual dengan yang diramalkan. Peramalan kuantitatif dapat digunakan apabila terdapat 3 kondisi yaitu : 1. Adanya informasi masa lalu yang dapat digunakan 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data 3. Dapat diasumsikan bahwa pola yang terbentuk pada masa lalu akan terus berlanjut dimasa yang akan datang. Metode peramalan kuantitatif dapat dibagi menjadi dua tipe, yaitu : 1. Metode Causal Metode causal mendasarkan hasil ramalan yang disusun atas pola hubungan antara variabel yang dicari atau diramalkan dengan variabel-variabel lainnya yang tidak terkait dengan waktu. Dalam analisa ini, faktor atau variabel yang menunjukkan suatu hubungan pengaruh sebab akibat dengan satu atau lebih variabel diasumsikan bebas. Maksud dari analisa metode causal adalah untuk menemukan pola hubungan yang saling mempengaruhi antara variabel yang dicari dan variabel - variabel yang mempengaruhinya, serta menggunakannya untuk meramalkan nilai-nilai dari variabel pada masa yang akan datang. Metode causal sering digunakan untuk pengambilan ketupusan (Winny, 2014). 2. Metode Time Series Metode time series merupakan metode peramalan secara kuantitatif dengan waktu sebagai dasar peramalan. Dimana untuk membuat suatu peramalan dibutuhkan data historis, data inilah yang diakumulasikan dalam beberapa periode waktu. Metode time series mengasumsikan bahwa apa yang telah terjadi di masa lalu akan terus terjadi pada masa yang akan datang. Peramalan dengan time series tidak memperhatikan setiap faktor yang mempengaruhi perubahan, melainkan berdasarkan pada pola tingkah laku pada peubah itu sendiri pada masa lalu. Kemudian dengan informasi yang didapat dari pola tersebut, dilakukan proses pendugaan terhadap pola peubah tersebut untuk di


16

masa yang akan datang. Pada umumnya perhatian utama dalam analisis time series bukan pada titik waktu pengamatan, melainkan pada urutan pengamatan. Tujuan metode time series ini adalah untuk menemukan pola yang terdapat pada data historis dan pola tersebut akan diekstrapolasikan ke masa depan. Prediksi dengan metode time series telah sering digunakan dalam peramalan, sedangkan metode causal lebih banyak dan lebih berhasil digunakan dalam pengambilan keputusan dan kebijakan. Peramalan dengan time series harus mendasarkan analisisnya pada pola dari data yang digunakan. Ada 4 pola data yang lazim ditemui dalam peramalan time series, yaitu : 1. Pola Data Horizontal Pola ini terjadi apabila nilai-nilai dari data observasi berfluktuasi di sekitar rata-rata dari nilai konstannya. Dapat dikatakan bahwa pola ini sebagai stationary pada rata-rata hitungannya. Misalnya pada suatu produk yang mempunyai jumlah penjualan yang tidak menaik atau menurun selama beberapa periode waktu. Contoh pola data horizontal dapat dilihat pada gambar 2.1.

Gambar 2.1 Pola Data Horizontal


17

2. Pola Data Siklis Pola data siklis terjadi bila datanya berubah sesuai dengan fluktuasi ekonomi jangka panjang yang berhubungan dengan siklus bisnis ataupun siklus yang berulang secara periodik. Contoh pola data siklis dapat dilihat pada gambar 2.2.

Gambar 2.2 Pola Data Siklis

3. Pola Data Musiman Pola data musiman terjadi apabila suatu deret data dipengaruhi oleh faktor musiman, misalnya pada hari-hari tertentu, mingguan, bulanan ataupun pada kuartal tahun tertentu. Contoh pola data musiman dapat dilihat pada gambar 2.3.

Gambar 2.3 Pola Data Musiman


18

4. Pola Data Trend Pola data trend terjadi apabila ada kenaikan atau penurunan secara sekuler dalam jangka panjang pada datanya. Contoh pola data trend dapat dilihat pada gambar 2.4.

Gambar 2.4 Pola Data Trend

2.3 Fuzzy Logic Logika Fuzzy atau Fuzzy Logic adalah suatu cara untuk memetakan suatu inputan menjadi output tertentu dimana pemetaan tersebut dimisalkan sebagai blackbox, jadi antara input dan output terdapat suatu kotak hitam yang harus memetakan input ke output yang sesuai (Kusumadewi, 2010). Dalam Fuzzy Logic, terdapat sebuah rule base untuk mengontrol variabel output, dimana rule dari fuzzy tersebut merupakan rule sederhana yang terdiri dari IF-THEN rule dengan sebuah kondisi dan kesimpulan (Singhala, 2014). Istilah Fuzzy Logic memiliki berbagai arti, salah satu arti fuzzy logic adalah perluasan crisp logic, sehingga dapat mempunyai nilai antara 0 dan 1, dimana pada bilangan crisp nilai hanya terpaku pada 0 dan 1. Alasan-alasan mengapa logika fuzzy digunakan (Kusumadewi, 2010) yaitu : 1. Konsep logika fuzzy mudah dimengerti. Dimana konsep matematis sebagai dasar dari penalaran fuzzy sangat sederhana dan mudah dimengerti. 2. Logika fuzzy bersifat fleksibel. 3. Logika fuzzy dapat mentolerasi data-data yang kurang tepat. 4. Logika fuzzy dapat memodelkan fungsi-fungsi nonlinear yang sangat kompleks.


19

5. Logika fuzzy dapat mengaplikasikan pengalaman terhadap data yang didapat dari pakar tanpa melalui proses pelatihan. 6. Logika fuzzy secara konvensional dapat bekerja sama dengan teknik-teknik kendali. 7. Logika fuzzy didasarkan oleh bahasa yang alami.

2.3.1 Himpunan Fuzzy Set fuzzy adalah sebuah set tanpa batas kepastian atau ketepatan (Poonam, 2012). Pada himpunan tegas (crisp), bila dimisalkan nilai keanggotaan suatu benda x dalam suatu himpunan A, akan hanya memiliki 2 kemungkinan (Kusumadewi, 2010), yaitu : 1. Bernilai nol (0), yang artinya bahwa benda tersebut tidak termasuk dalam keanggotaan dalam suatu himpunan A. 2. Bernilai satu (1), yang artinya bahwa benda tersebut menjadi anggota dalam suatu himpunan Bila pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan yaitu 0 dan 1, Pada himpunan fuzzy, nilai keanggotaan terletak dalam jarak rentang antara 0 sampai 1. Apabila x memiliki nilai keanggotaan fuzzy µA[x] = 0 artinya x bukanlah anggota himpunan A. Demikian pula apabila x memiliki nilai keanggotaan fuzzy µA[x] = 1 artinya x menjadi anggota penuh pada himpunan A. Terdapat kemiripan dalam probabilitas dengan keanggotaan dalam fuzzy yang menimbulkan kerancuan karena keduanya memiliki nilai pada interval 0 dan 1, namun antara kedua kasus tersebut memiliki interpretasi nilai yang sangat berbeda. Letak perbedaannya yaitu keanggotaan fuzzy memberikan suatu ukuran terhadap pendapat atau keputusan, sedangkan probabilitas mengindikasikan proporsi terhadap keseringan suatu hasil bernilai benar dalam jangka panjang (Kusumadewi, 2010). Himpunan fuzzy memiliki 2 atribut yaitu : 1. Linguistik, yaitu pemberian nama terhadap suatu grup yang menjadi perwakilan dari suatu keadaan atau kondisi dengan menggunakan bahasa alami. 2. Numeris, yaitu suatu atribut nilai atau angka yang menunjukkan ukuran dari suatu variabel.


20

2.3.2 Fungsi Keanggotaan Fungsi keanggotaan atau membership function adalah suatu kurva yang menunjukkan pemetaan terhadap titik-titik input data ke dalam nilai keanggotaannya atau derajat keanggotaan yang memiliki interval antara 0 dan 1 (Kusumadewi, 2010). Pendekatan fungsi merupakan salah satu cara dalam mendapatkan nilai keanggotaan. Ada beberapa fungsi yang bisa digunakan yaitu : 1. Representasi Linear Pada representasi linear, proses pemetaan input ke dejarat keanggotaan digambarkan sebagai suatu garis lurus. Representasi ini merupakan yang paling sederhana dan sangat baik jika digunakan untuk pendekatan terhadap suatu konsep yang kurang jelas.

Himpunan fuzzy yang linear memiliki 2 keadaan. Pertama yaitu representasi linear naik, kenaikan pada himpunan bermula pada domain dengan derajat keanggotaan nol bergerak ke nilai domain yang derajat keanggotaannya lebih tinggi. Contoh representasi nilai naik dapat dilihat pada gambar 2.5.

Gambar 2.5 Representasi Linear Naik (Kusumadewi, 2010)


21

Fungsi Keanggotaannya :

µ[x]{(

) (

)

(2.1)

Keterangan : a = nilai domain dengan derajat keanggotaan nol b = nilai domain dengan derajat keanggotaan satu x = nilai input

Representasi linear yang kedua merupakan kebalikan yang pertama yaitu representasi linear turun, dimana garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain dengan nilai keanggotaan lebih rendah. Contoh representasi linear turun dapat dilihat pada gambar 2.6

Gambar 2.6 Representasi Linear Turun (Kusumadewi, 2010)


22


µA[x] {

(

) (

)

(2.2)

Keterangan : a = nilai domain dengan derajat keanggotaan satu b = nilai domain dengan derajat keanggotaan nol x = nilai input

2. Representasi Kurva Segitiga Pada dasarnya, Representasi dari kurva segitiga merupakan gabungan antara 2 garis atau linear. Contoh representasi dari kurva segitiga dapat dilihat pada gambar 2.7.

Gambar 2.7 Representasi Kurva Segitiga (Kusumadewi, 2010)


23


µA[x]{( (

) ( ) (

) )

(2.3)

Keterangan : a = nilai domain terkecil dengan derajat keanggotaan nol b = nilai domain dengan derajat keanggotaan satu c = nilai domain terbesar dengan derajat keanggotaan satu x = nilai input

3. Representasi Kurva Trapesium Representasi kurva trapesium pada dasarnya merupakan bentuk segitiga, perbedaannya terletak pada beberapa titik yang memiliki derajat keanggotaan satu. Contoh representasi kurva trapesium dapat dilihat pada gambar 2.8

Gambar 2.8 Representasi Kurva Trapesium (Kusumadewi, 2010)


24


µA[x]{

(

) (

)

(

) (

)

(2.4)

Keterangan : a = nilai domain terkecil dengan derajat keanggotaan nol b = nilai domain terkecil dengan derajat keanggotaan satu c = nilai domain terbesar dengan derajat keanggotaan satu d = nilai domain terbesar dengan derajat keanggotaan nol x = nilai input

2.3.3 Operator Dasar Untuk Operasi Himpunan Fuzzy Sama seperti himpunan konvensional, fuzzy memiliki beberapa operasi yang didefinisikan

secara

khusus

untuk

mengkombinasikan

dan

memodifikasi

himpunannya. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan sering dikenal dengan nama fire strength atau α-predikat. Ada 3 operator dasar himpunan fuzzy (Kusumadewi, 2010) : 1. Operator AND Operator ini berhubungan dengan operasi interseksi pada himpunan. α-predikat sebagai hasil dari operasi dengan operator AND diperoleh dengan pengambilan dari keanggotaan terkecil antar elemen pada himpunan-himpunan yang bersangkutan. Persamaan operator AND dapat dituliskan sebagai berikut

µA∩B = min(µA[x], µB[y])

2. Operator OR Operator ini berhubungan dengan operasi union pada himpunan. α-predikat merupakan hasil dari operator OR yang didapat dengan pengambilan nilai


25

keanggotaan terbesar antar elemen pada himpunan-himpunan yang bersangkutan. Persamaan operator OR dapat dituliskan sebagai berikut :

µAUB = max(µA[x], µB[y]) 3. Operator NOT Operator ini berhubungan dengan operasi komplemen pada himpunan. α-predikat merupakan hasil dari operator NOT yang didapat dengan pengurangan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1. Persamaan operator NOT dapat dituliskan sebagai berikut :

µA` = 1- µA[x] 2.3.4 Fuzzy Inference System Fuzzy Inference System atau disebut juga fuzzy inference engine adalah sistem yang dibuat sedemikian rupa sehingga dapat melakukan penalaran dengan prinsip yang sama seperti manusia dalam melakukan penalaran dengan nalurinya. Proses dalam fuzzy inference system dapat dilihat pada gambar 2.9.

Gambar 2.9 Fuzzy Inference System

Input yang diberikan kepada fuzzy inference system adalah berupa bilangan tertentu dan output yang dihasilkan juga dalam bilangan tertentu. Kaidah-kaidah yang digunakan seperti contohnya dalam bahasa linguistik, dapat digunakan sebagai input


26

namun harus dikonversikan terlebih dahulu, lalu lakukan penalaran berdasarkan rule base dan mengkonversi hasilnya menjadi output. Dalam fuzzy inference system terdapat 4 elemen dasar yaitu : 1. Basis Kaidah (Rule Base), yang berisi aturan-aturan secara linguistik yang bersumber dari para pakar atau narasumber. 2. Mekanisme Pengambilan Keputusan (Inference Engine), merupakan bagian yang menerapkan proses bagaimana seorang pakar mengambil suatu keputusan dengan menerapkan pengetahuan yang dimiliki (Knowledge). 3. Fuzzifikasi (Fuzzification), proses mengubah besaran tegas (crisp) ke besaran fuzzy. 4. Defuzzifikasi (Defuzzification), proses yang mengubah besaran fuzzy yang telah diproses oleh inference engine, menjadi besaran crisp.

2.4 Evolving Fuzzy Neural Network Evolving fuzzy neural network (EFuNN) merupakan struktur dari fuzzy neural network (FuNN) yang berevolusi berdasarkan prinsip evolving connectionist system (ECoS) (Kasabov, 2007). EFuNN merupakan fuzzy neural network yang dikembangkan dan dimodifikasi dimana salah satunya modifikasinya yaitu mengubah struktur koneksionis yang tetap menjadi struktur fluktuasi yang dapat berkembang berdasarkan masukan node dan menyusut saat terjadi pengumpulan atau pemangkasan node (Kong, 2007). Seluruh node dalam efunn terbentuk dalam proses training. Node-node tersebut merepresentasikan fungsi keanggotaan (fuzzy label neurons) yang dapat dimodifikasi dalam proses training. Setiap variabel input direpresentasikan oleh sebuah grup neuron yang tersusun secara spasial untuk merepresentasikan domain area fuzzy yang berbeda dari variabel tersebut.

2.4.1 Arsitektur Evolving Fuzzy Neural Network EFuNN terdiri dari 5 layer network yang bergerak maju (Feed Forward), dimana pada setiap layer memiliki fungsi yang spesifik (Watts, 2012) seperti yang ditunjukkan pada gambar 2.10. Kelima layer tersebut yaitu input layer, condition layer, rule layer, action layer dan output layer. EFuNN memiliki struktur dengan 5 layer dimana node dan koneksi yang terbentuk atau terhubung sebagai data contoh yang dipresentasikan. Pada EFuNN terdapat sebuah layer memori sementara (short-term memory) yang


27

digunakan melalui sebuah koneksi feedback dari rule node layer. Layer dari koneksi feedback tersebut dapat digunakan apabila relasi sementara diantara input-input data dapat tersimpan secara structural (Kasabov, 2001). Arsitektur EFuNN dengan shortterm memory dapat dilihat pada gambar 2.11.

Gambar 2.10 Arsitektur Evolving Fuzzy Neural Network (Arun, 2013)


28

Gambar 2.11 Arsitektur EFuNN dengan Short-Term Memory (Kasabov, 2001)

Layer pertama merupakan layer input dari seluruh variabel data yang akan digunakan dalam proses (X1, X2, ….. , Xn). Layer kedua merupakan layer fuzzy input yang merepresentasikan persamaan fuzzy dari masing masing bagian input. Setiap input variabel direpresentasikan disini oleh grup neuron yang tersusun secara spasial untuk merepresentasikan area domain fuzzy yang berbeda dari variabel tersebut. Contohnya 2 input fuzzy pada jaringan atau dalam bentuk neuron merepresentasikan “kecil” dan “besar” dalam sebuah input variabel umum. Fungsi keanggotaan yang berbeda dapat digunakan pada neuron tersebut seperti triangular, trapezoida, Gaussian dan lain-lain. Layer ketiga merupakan layer rule base dimana neuron dalam EFuNN berevolusi melalui proses pembelajaran hibrida yang terawasi ataupun tidak terawasi. Setiap rule node r didefinisikan dalam 2 vektor koneksi yaitu W 1(r) dan W2(r). Aturan yang paling akhir disesuaikan dengan pembelajaran yang terawasi berdasarkan output error dan aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan kesamaan pengukuran dalam area input. Setiap rule node merepresentasikan sebuah hubungan antara hyper-sphere (lengkungan kurva pada fungsi keanggotaan) pada area input dengan hyper-sphere pada area output, dimana bobot koneksi W1(r)


29

merepresentasikan koordinat nilai tengah dari sphere dalam area fuzzy input, sedangkan bobot koneksi W2(r) merepresentasikan koordinat nilai tengah dari sphere pada area fuzzy output. Layer keempat merupakan layer fuzzy output, layer ini merepresentasikan kuantisasi dari fuzzy untuk variabel output, dimana terdapat kemiripan dengan representasi fuzzy input neuron. Kuantisasi yang dimaksud adalah operasi pemotongan (truncation), atau pembulatan (rounding) dari nilai data dengan suatu presisi (precision) tertentu untuk mendapatkan nilai kurva (Sani, 2013). Layer kelima merupakan layer output, layer ini merepresentasikan nilai sebenarnya dari variabel output. Pada layer ini terdapat fungsi aktivasi linier yang digunakan dalam menghitung nilai pada defuzzifikasi variabel output.

2.4.2 Parameter Pada Evolving Fuzzy Neural Network Dalam Evolving Fuzzy Neural Network, terdapat parameter yang digunakan sebagai batas minimum dari suatu fungsi aktivasi (Sensitive Threshold), batasan kesalahan dalam pembelajaran (Error Threshold), serta kontrol ukuran dalam bobot (Learning Rate). Parameter yang digunakan dalam evolving fuzzy neural network (Kasabov, 2001) yaitu : 1. Sensitive Threshold (sThr) merupakan parameter yang digunakan dalam menentukan nilai minimum aktivasi. Range nilai dari Sensitive Threshold yaitu lebih besar dari 0 dan lebih kecil sama dengan 1. 2. Error Threshold (errThr) merupakan batasan yang ditoleransi dalam proses pembelajaran. Nilai error threshold sangat kecil dan biasa digunakan dalam range lebih besar dari 0 dan lebih kecil sama dengan 1. 3. Learning Rate 1 (lr1) merupakan parameter yang digunakan dalam mengontrol bobot (W1) antara layer kedua dengan layer ketiga dengan range nilai lebih besar dari 0 dan lebih kecil sama dengan 1. 4. Learning Rate 2 (lr2) merupakan parameter yang digunakan dalam mengontrol bobot (W2) antara layer ketiga dengan layer keempat dengan range nilai lebih besar dari 0 dan lebih kecil sama dengan 1.


30

2.4.3 Algoritma Evolving Fuzzy Neural Network Berikut ini merupakan langkah – langkah dari evolving fuzzy neural network dalam melakukan prediksi data time series (Kasabov, 2007) : 1. Menentukan nilai parameter pada EFuNN yaitu sensitive threshold(sThr), error threshold (errThr), learning rate 1 (lr1) dan learning rate 2 (lr2). 2. Melakukan fuzzifikasi terhadap data input

dengan fungsi keanggotaan

(membership function). xFi = fuzzy (xi) i = 1 …. N

(2.5)

Keterangan : i = indeks data xi = data ke i N = Jumlah data xFi = hasil fuzzifikasi data ke i fuzzy() = fungsi keanggotaan (membership function) 3. Membuat rule node pertama r = 1 untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot satu (W1) dan bobot dua (W2). r = 1; W1 = xFi ; W2 = target

(2.6)

Keterangan : r = rule node W1 = nilai bobot dari koneksi antara layer 2 dan layer 3 W2 = nilai bobot dari koneksi antara layer 3 dan layer 4 Target = fuzzy output vector 4. Lakukan pengulangan selama data masih ada ( i <= N) 1. Menghitung normalized fuzzy local distance (D) diantara input terbaru fuzzy input vector dengan fuzzy input vector yang berada dalam penyimpanan sementara (short-term memory) pada saat rule node (rj), j = 1 …. R, dimana R adalah nilai rule node pada saat ini. ∑

D(xFi,rj) =

∑

(2.7)

2. Menghitung nilai aktivasi (A1rj) dari rule node (rj) dengan fungsi radial basis (radbas).


31

Radbas (n) = e-2

(2.8)

A1rj = radbas (D(xFi,rj))

(2.9)

3. Cari rule node (rj) dengan nilai aktivasi tertinggi (max A1rj). 4. Jika nilai max A1rj lebih besar dari sThr maka menuju ke langkah (e). Jika nilai max A1rj lebih kecil dari sThr maka lakukan persamaan berikut : i=i+1

(2.10)

W1j = xFi ; W2j = targeti

(2.11)

5. Melakukan propagasi ke fuzzy output terhadap nilai aktivasi dari rule node (rj) A2 = A1rj . W2rj

(2.12)

6. Menghitung fuzzy output error Err = | A2 – targeti |

(2.13)

7. Cari action node (k) dari nilai aktivasi tertinggi A2. 8. Jika Error (k) lebih kecil dari ErrThr atau r sama dengan i maka menuju ke langkah (i). Jika Error (k) lebih besar dari ErrThr atau r tidak sama dengan i maka lakukan persamaan berikut : i=i+1

(2.14)

W1j = xFi ; W2j = targeti

(2.15)

Ulangi langkah (a). 9. Update bobot W1 dan W2 dengan persamaan Dis = xFi – W1(k)

(2.16)

W1(k) = W1(k) + lr1 . Dis

(2.17)

W2(k) = W2(k) + lr2 . Err

(2.18)

i=i+1

2.5 Penelitian Terdahulu Evolving Fuzzy Neural Network (EFuNN) telah banyak digunakan dalam prediksi, salah satunya yaitu dengan metode time series. Berikut adalah penelitian-penelitian terdahulu dengan menggunakan EFuNN.


32

Pada tahun 2013, Arun J.B melakukan prediksi dengan EFuNN dengan judul EFuNN Based Forecasting of Electricity Price in Deregulated Market Skenario. Pada penelitian ini EFuNN digunakan memprediksi harga listrik dalam skenario pasar yang deregulasi. Fakta dan kesimpulan dalam penelitian ini yaitu : 1. Data yang digunakan sebanyak 365 data. 2. Data training sebanyak 90% yaitu 329 data dan data testing sebanyak 10% yaitu 36 data. 3. Parameter yang digunakan yaitu angka fungsi keanggotaan 3, sensitivity Threshold = 0.9 dan Error Threshold = 0.1. 4. Total error didapat dengan metode Mean Square Error (MSE) dengan hasil total rata-rata 0.20%. 5. Dilakukan percobaan kedua dengan data training sebanyak 80% dan data testing sebanyak 20%. 6. Hasil dari percobaan kedua yaitu didapat total rata-rata error 0.23% 7. Didapat kesimpulan bahwa model EFuNN tidak membutuhkan terlalu banyak data training karena error yang dihasilkan tidak jauh berbeda. Pada tahun 2013, Sani, M.F. melakukan prediksi dengan EFuNN dengan judul Prediksi Kurs Rupiah Terhadap Dollar Amerika Serikat Menggunakan Evolving Fuzzy Neural Network (EFuNN). Pada penelitian ini EFuNN digunakan untuk memprediksi nilai tukar rupiah terhadap dollar Amerika Serikat dengan data time series. Fakta dan kesimpulan yang didapat dari penelitian ini yaitu 1. Data yang digunakan didapat dari website Bank Indonesia (www.bi.go.id) dari tanggal 24 Januari 2001 sampai 31 Desember 2012 sebanyak 4360 data. 2. Data training yang digunakan sebanyak 3629 data dan data testing yang digunakan sebanyak 731 data. 3. Parameter yang digunakan yaitu sensitive threshold = 0.09, error threshold = 0.01, learning rate 1 = 0.01 dan learning rate 2 = 0.01. 4. Rata-rata error yang didapat sebesar 0.5647% 5. Hasil prediksi sangat terpengaruh hasil pelatihan yang dilakukan sebelum pengujian, jika error pada saat pelatihan menghasilkan error yang besar pada bobot-bobot tertentu, maka pada saat pengujian beberapa data akan menghasilkan error yang besar pula.


33

6. EFuNN dapat digunakan untuk prediksi data yang selalu berubah-ubah ataupun selalu bertambah karena jaringan arsitektur EFuNN dibentuk pada saat pelatihan. Pada tahun 2006, Ghahfarokhi, B.S melakukan prediksi dengan EFuNN dengan judul Evolving Fuzzy Neural Network Based Fire Planning in Rescue FireBrigade Agents. Pada penelitian ini EFuNN digunakan untuk mensimulasikan penyelamatan oleh agen pemadam kebakaran. Fakta dan kesimpulan dari penelitian ini yaitu : 1. EFuNN digunakan untuk mendapatkan kelompok fuzzy rules yang telah di training sebagai basis rule dari agen pemadam kebakaran untuk penyelamatan berdasarkan tingkatan api pada tempat kebakaran. 2. Terdapat 3 variabel dalam fungsi keanggotaannya yaitu DT (tingkat hunian) terbagi 3 yaitu low, medium dan high, F (kondisi kebakaran) terbagi 3 yaitu tidak terbakar, sedang terbakar dan sudah terbakar, dan BC (kecepatan api merambat) terbagi 2 yaitu lambat dan cepat. 3. Menggunakan fuzzy Inference System dengan metode mamdani. 4. Didapat kesimpulan bahwa simulasi dengan metode EFuNN lebih efektif dibandingkan dengan metode fuzzy dan metode Dtree dengan hasil percobaan pada 3 lokasi berbeda yaitu Kobe = 78.03, VC = 56.69, dan Foligno = 32.56. 5. Kecepatan dari metode EFuNN akan berkurang jika rule bertambah.


BAB 2 LANDASAN TEORI

Recommend Documents