Jurnal Ilmiah NERO Vol. 1 No. 1
2014
IMPLEMENTASI METODE BACKPROPAGATION PADA SISTEM PENDUKUNG KEPUTUSAN PENENTUAN HARGA JUAL PERUMAHAN Rika Yunitarini Program Studi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, Po.Box 2 Kamal-Bangkalan
[email protected]
ABSTRAK
Developer perumahan seringkali mengalami kesulitan untuk menentukan harga jual perumahan. Dalam proses penentuan harga jual tersebut, perusahaan membutuhkan beberapa jenis bahan baku yang harganya ber fluktuasi sehingga menyebabkan perusahaan sulit untuk meramalkan harga bahan baku periode selanjutnya. Metode peramalan yang digunakan dalam sistem ini adalah metode backpropagation jaringan syaraf tiruan yang mengacu pada komponen peramalan data deret waktu variansi acak atau random dengan proses awal proses autokorelasi untuk penentuan variabel input. Metode backpropagation sendiri diketahui cukup baik digunakan dalam peramalan data deret waktu. Aplikasi sistem pendukung keputusan dengan jaringan syaraf tiruan dapat dijadikan solusi untuk menentukan harga jual perumahan. Nilai konfigurasi parameter untuk sistem pendukung keputusan dengan menggunakan jaringan syaraf tiruan terbaik yang didapat dari hasil percobaan menghasilkan konfigurasi Learning rate sebesar 0,025, momentum 0,01, toleransi error 0,00001, maksimal epoch 10.000 dan jumlah hidden layer 15 serta nilai persentase error 0,05%. Kata kunci: Sistem Pendukung Keputusan, Peramalan, Backpropagation. .
1. Pendahuluan
Sistem Pendukung Keputusan (SPK) merupakan suatu sistem berbasis komputer yang ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu untuk memecahkan berbagai persoalan yang tidak terstruktur, yaitu pencarian solusi yang melibatkan intuisi manusia dalam membuat keputusan. Developer perumahan dalam menentukan harga jual perumahan mengalami permasalahan yang cukup rumit dengan banyak faktor yang harus diperhitungkan agar perusahaan dapat memperoleh keuntungan yang sesuai dan tentunya harga jual tersebut dapat dijangkau oleh masyarakat. Berdasarkan latar belakang permasalahan ini, sistem pendukung keputusan penentuan harga jual perumahan perlu untuk dibuat untuk memudahkan pihak developer dalam menetukan harga jual perumahan. Sistem pendukung keputusan ini memerlukan suatu model matematis untuk penyelesaiannya. Sistem pendukung keputusan yang akan dibuat ini menggunakan metode Backpropagation Jaringan Syaraf Tiruan. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward Network, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. Backpropagation sendiri merupakan algoritma pembelajaran yang terawasi, cara kerja dari metode ini adalah dengan cara merubah setiap data yang akan menjadi input ke dalam bentuk matrik atau numerik. Kemudian dilakukan pembobotan untuk memperoleh hasil keluaran (target) berupa harga prediksi material. Berdasarkan penjelasan latar belakang di atas dapat dirumuskan beberapa permasalahan yang akan ditangani antara lain bagaimana membuat SPK untuk menentukan harga jual perumahan, bagaimana menerapkan Metode Backpropagation Jaringan Syaraf Tiruan untuk menentukan harga jual perumahan serta bagaimana memberikan alternatif keputusan kepada manajer untuk menentukan harga jual perumahan. 5|NERO
Jurnal Ilmiah NERO Vol. 1, No.1
2014
Dari rumusan masalah tersebut, tujuan penelitian ini adalah agar dapat dihasilkan suatu SPK yang mampu memberikan alternatif keputusan tentang harga jual perumahan dengan metode backpropagation. 2. Dasar Teori Sistem Pendukung Keputusan (SPK) merupakan salah satu produk software yang dikembangkan secara khusus untuk membantu manajemen dalam proses pengambilan keputusan. Tujuan SPK adalah sebagai second opinion atau information sources sebagai bahan pertimbangan seorang pimpinan sebelum memutuskan kebijakan tertentu [1]. Salah satu definisi SPK dikemukakan oleh Keen dan Michel Scot-Morton yaitu suatu sistem pendukung yang berbasis komputer yang diberikan kepada pengambil keputusan dalam bidang manajemen untuk memecahkan masalah yang semi terstruktur. Definisi lain tentang SPK adalah gabungan antara ilmu manajemen, riset operasional dan komputer yang mendukung dalam proses pengambilan keputusan. Peter G. W. Keen dalam [1] menjelaskan bahwa tujuan dari SPK ada tiga, yaitu : 1. Menolong manajer dalam mengambil keputusan untuk penyelesaian masalah semi terstruktur. 2. Mendukung kebijaksanaan manajer. 3. Meningkatkan efektifitas pengambilan keputusan manajer. Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia [2].
Gambar 1. Susunan Syaraf Manusia
Gambar 1 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf (neuron) akan memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai akson sebagai keluaran dari sesuatu pemrosesan informasi. Informasi hasil olahan ini akan menjadi masukan bagi neuron lain yang mana antar dendrit kedua sel tersebut dipertemukan dengan synapsis. Informasi yang dikirimkan antar neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim malalui akson ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering dikenal dengan nama nilai ambang (threshold). Pada kasus ini, neuron tersebut dikatakan teraktivasi. Hubungan antar neuron terjadi secara adaptif, artinya struktur hubungan tersebut terjadi secara dinamis. Otak manusia selalu memiliki kemampuan untuk belajar dengan melalukan adaptasi [3]. Salah satu algoritma pelatihan jaringan syaraf tiruan yang dapat dimanfaatkan dalam manyelesaikan sistem pendukung keputusan adalah propagasi balik. Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output. 6|NERO
Jurnal Ilmiah NERO Vol. 1 No. 1
2014
Algoritma pelatihan propagasi balik pada dasarnya terdiri dari tiga tahapan yaitu [2]: 1. Input nilai data pelatihan sehingga diperoleh nilai output. 2. Propagasi balik dari nilai error yang diperoleh. 3. Penyesuaian bobot koreksi untuk meminimalkan nilai error. Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut. Informasi error dipropagasikan secara berurutan bermula dari output layer dan berakhir pada input layer, sehingga algoritma ini diberi nama propagasi balik (backpropagation). Algoritma ini dapat digunakan dalam aplikasi peramalan. Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa [4]. Analisis Deret Waktu didasarkan pada asumsi bahwa deret waktu terdiri dari komponen-komponen trend (T), siklus/Cycle (C), Pola Musiman/Season (S) dan Variasi Acak/Random (R) yang akan menunjukkan suatu pola tertentu. Komponen-komponen tersebut kemudian dipakai sebagai dasar dalam membuat persamaan matematis. Analisis Deret waktu ini sangat tepat dipakai untuk meramalkan permintaan yang pola permintaan di masa lalunya cukup konsisten dalam periode waktu yang lama, sehingga diharapkan pola tersebut masih akan tetap berlanjut [5]. Permintaan masa lalu pada analisis deret waktu akan dipengaruhi keempat komponen utama T,C,S dan R. Penjelasan tentang komponen-komponen tersebut adalah sebagai berikut: 1. Trend/Kecenderungan (T) Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu terjadinya, apakah permintaan tersebut cenderung naik, turun atau konstan. 2. Siklus/Cycle (C) Permintaan suatu pruduk dapat memiliki siklus yang berulang secara periodik, biasanya lebih dari satu tahun, sehungga pola tidak perlu dimasukkan dalam peramalan jangka pendek. Pola ini amat berguna untuk peramalan jangka menengah dan jangka panjang. 3. Pola Musiman/Season (S) Fluktuasi permintaan suatu produk dapat naik turun disekitar garis trend dan biasanya berulang setiap tahun. Pola ini biasanya disebabkan oleh faktor cuaca, musim libur panjang dan hari raya keagamaan yang akan berulang secara periodik setiap tahunnya. 4. Variasi Acak/Random (R) Permintaan suatu produk dapat mengikuti pola bervariasi secara acak karena faktorfaktor adanya bencana alam, bankrutnya perusahaan pesaing, promosi khusus dan kejadian-kejadian lainnya yang tidak mempunyai pola tertentu. Variasi acak ini diperlukan dalam rangka menentukan persediaan pengamanan untuk mengantisipasi kekurangan permintaan. Peramalan harga bahan baku/material yang digunakan untuk pembuatan rumah dilakukan untuk mengetahui perkiraan harga bahan baku/material di masa yang akan datang karena disebabkan adanya perubahan yang fluktuatif terhadap harga bahan baku /material tersebut. Peramalan yang akan dibuat, berdasarkan data pada masa lalu. Untuk melakukan peramalan, dilakukan pengumpulan data harga bahan baku/material pada masa lalu. Data yang didapat adalah data perubahan harga dari tahun 2003-2009 dengan 20 data perubahan. Kemudian diproses dengan metode peramalan yang sesuai sehingga akan didapatkan harga bahan baku material pada beberapa periode mendatang. Sehingga akan diketahui kebijakan yang akan dilakukan perusahaan untuk menentukan harga jual perumahan nantinya. Metode peramalan yang digunakan dalam sistem ini adalah metode backpropagation jaringan syaraf tiruan yang mengacu pada komponen peramalan data deret waktu variansi acak atau random. Metode backpropagation sendiri diketahui cukup baik digunakan dalam peramalan data deret waktu. 7|NERO
Jurnal Ilmiah NERO Vol. 1, No.1
2014
3. Metodologi Penelitian Untuk memperoleh data di dalam penyusunan penelitian ini, digunakan beberapa metode di antaranya : 1. Perumusan Masalah Pada tahap ini dilakukan survey lapangan, wawancara dengan berbagai narasumber terkait, mengumpulkan data – data, dan membuat perumusan masalah. 2. Penentuan Kebutuhan Sistem Pada tahap ini analisis sistem, tujuan, atau fungsi yang akan dilakukan sistem lebih dalam lagi untuk memperkecil kesalahan yang mungkin terjadi. 3. Studi Literatur Mengumpulkan dan mempelajari literatur – literatur yang terkait dengan perumusan masalah untuk perancangan sistem yang ada. 4. Desain sistem Pada tahap ini ditentukan konfigurasi yang dibutuhkan oleh sistem dan metode yang digunakan dalam mengambil keputusan. 5. Evaluasi Pada tahap ini dilakukan pengujian dari kinerja sistem, mencari dan memperbaiki error yang terjadi. 6. Dokumentasi Pada tahap ini dilakukan penyusunan dokumentasi pengembangan sistem pendukung keputusan. 4. Pengujian dan Pembahasan Aplikasi yang dibuat adalah aplikasi sistem pendukung keputusan penentuan harga jual perumahan dengan menggunakan metode backpropagation jaringan syaraf tiruan, yaitu merupakan aplikasi yang membantu manajer dalam meramalkan harga material yang dibutuhkan untuk periode mendatang. Proses dilatihkan dengan data harga bahan baku pembuatan perumahan periode sebelumnya, misalnya data yang ada adalah data harga bahan baku untuk pembangunan perumahan tahun 2003, 2004 dan 2005 maka data tahun 2003, 2004 dijadikan sebagai masukan dan untuk data tahun 2005 digunakan sebagai target keluaran yang diinginkan. Dari penyesuaian data masukan dan data keluaran jaringan syaraf tiruan akan menghasilkan bobotbobot yang dapat memetakan data masukan ke data target keluaran sistem yang diinginkan. Apabila kesalahan (error) yang dihasilkan oleh jaringan syaraf tiruan sudah lebih kecil dibandingkan toleransi error yang ditetapkan maka pelatihan jaringan syaraf tiruan tersebut sudah dapat disebut optimal. Pada Gambar 2 terdapat dua aktor dari sistem ini yaitu: 1. Admin Admin adalah pengguna sistem yang mempunyai hak akses penuh. Admin dapat menambah, mengubah, menghapus data rumah, data kriteria, data material dan yang terpenting adalah admin dapat membuat aturan-aturan untuk penentuan harga jual perumahan. Agar hasil yang didapat dari sistem penentuan harga jual perumahan ini sesuai dengan ketentuan yang berlaku di perusahaan, admin juga dapat melakukan uji coba sistem apakah sistem sudah sesuai atau tidak. Admin juga dapat melihat laporan dari hasil prediksi penentuan harga jual perumahan. 2. Karyawan Karyawan perusahaan dapat menggunakan sistem ini untuk melakukan uji coba sistem. CDM (Conceptual Data Model) merupakan desain database secara konseptual melalui entity apa saja yang digunakan serta hubungan antara entity yang ada. Pemodelan konseptual ini membutuhkan tabel yang digunakan untuk menyimpan data yang ada. Adapun CDM dari SPK dijelaskan melalui Gambar 3. PDM (physical Data Model) merupakan desain database secara fisik, artinya pemodelan ini mengimplementasikan tabel secara fisik dan dibuat berdasarkan pada pemodelan konseptual. Dalam pemodelan fisik digambarkan bagaimana proses relasi dari beberapa tabel seperti pada Gambar 4.
8|NERO
Jurnal Ilmiah NERO Vol. 1 No. 1
2014
input data tipe rumah
<
> <>
input data material
<>
login
Admin
input data volume
<>
login
karyawan
<>
<>
input data harga material
uji coba sistem/proses perhitungan metode backpropagation <>
laporan prediksi harga jual perumahan
Gambar 2. Diagram use case
TB_HASIL
HARGA
N8
Rel ationshi p_5 T B_LOGIN
PASSWORD VA20 USERNAME VA20 HAK_AKSES VA5
<M>
PASSWORD
T B_HARGA
ID_HARGA VA20 <M> HARGA I T I ID_HARGA
Rel ationshi p_2
ID_T GL T GL ID_T GL
TB_TGL
VA20 <M> VA20
Rel ationshi p_1
TB_MATERIAL
ID_MAT ERIAL NAMA_MAT ERIAL SAT UAN ID_MAT ERIAL
VA20 <M> VA30 VA5
T B_HASIL_T IPE_SEMENT ARA Rel ationshi p_8 VOLUME VA20 HARGA MN8
Rel ationshi p_3 TB_VOLUME
ID_VOLUME VOLUME ID_VOLUME
Rel ationshi p_6
VA30 <M> VA50
TB_HASIL_TIPE
VOLUME VA20 HARGA MN8
Rel ationshi p_4 T B_TIPE
Rel ationshi p_7
ID_T IPE VA10 <M> NAMA_T IPE VA20 ID_T IPE
Gambar 3. CDM
9|NERO
Jurnal Ilmiah NERO Vol. 1, No.1
2014
TB_HASIL
ID_MATERIAL varchar(20) HARGA numeric(8) FK_TB_HASIL_RELATIONS_TB_MATER TB_LOGIN
TB_HASIL_TIPE_SEMENT ARA
TB_MATERIAL
ID_MATERIAL varchar(20) ID_MATERIAL varchar(20) FK_T B_HASIL_RELAT IONS_TB_MATER VOLUME varchar(20) NAMA_MATERIAL varchar(30) HARGA numeric(8) SATUAN varchar(5)
PASSWORD varchar(20) USERNAME varchar(20) HAK_AKSES varchar(5)
FK_TB_HARGA_RELATIONS_T B_MATER
FK_T B_VOLUM_RELATIONS_T B_MATER
TB_HARGA
ID_HARGA ID_TGL ID_MATERIAL HARGA T
TB_VOLUME
varchar(20) varchar(20) varchar(20) integer integer
ID_VOLUME ID_MATERIAL ID_TIPE VOLUME
FK_T B_HARGA_RELATIONS_TB_TGL TB_TGL
ID_TGL varchar(20) TGL varchar(20)
FK_TB_HASIL_RELATIONS_TB_MATER
varchar(30) varchar(20) varchar(10) varchar(50)
FK_TB_VOLUM_RELATIONS_T B_TIPE
TB_HASIL_TIPE
ID_TIPE ID_MATERIAL VOLUME HARGA
FK_TB_HASIL_RELAT IONS_TB_TIPE
varchar(10) varchar(20) varchar(20) numeric(8)
TB_TIPE
ID_TIPE varchar(10) NAMA_TIPE varchar(20)
Gambar 4. PDM
Implementasi dan uji coba program merupakan proses yang harus dilakukan untuk mengetahui kinerja dari sistem yang telah dibuat. Form Input Tipe dan Material Rumah berisi tentang data tipe rumah yang dibangun serta jenis-jenis material yang digunakan oleh perusahaan. Berikut ini dijelaskan mengenai langkah-langkahnya: 1. Admin melakukan login terlebih dahulu dengan cara memasukkan nama dan password kemudian tekan login. 2. Jika login benar maka admin dapat melakukan input data. 3. Untuk melakukan input data hanya admin yang mempunyai hak akses penuh. 4. Admin dapat melakukan insert, update, delete data tipe rumah yang akan dibuat, kemudian admin juga dapat melakukan insert, update, delete pada data material. 5. Tekan ‘simpan’ untuk menyimpan data tersebut. 6. Jika telah selesai melakukan input data maka admin dapat logout/keluar. Berikut form input data tipe dan material rumah:
Gambar 5. Form Input Tipe dan Material Rumah
Selanjutnya untuk proses pelatihan JST. Selain itu pada form ini juga terdapat grafik yang digunakan untuk menampilkan nilai error yang dihasilkan sistem pada setiap iterasi yang dilakukan. 10 | N E R O
Jurnal Ilmiah NERO Vol. 1 No. 1
2014
Setelah proses selesai dilakukan selanjutnya tekan tombol “yes” untuk menyimpan bobot akhir hasil pelatihan yang nantinya digunakan sebagai bobot awal proses uji coba. Setelah itu akan tampil form seperti di bawah ini.
Gambar 6. Form Perhitungan Proses Normalisasi dan Pelatihan JST Proses uji coba untuk data pelatihan dilakukan untuk mencoba keakuratan sistem dalam melakukan proses prediksi harga material. Pada proses ujicoba data pelatihan, data yang digunakan adalah data harga material yang sudah pernah dilatihkan sebelumnya oleh Jaringan Syaraf Backpropagation misalkan: ( untuk id material MT1). Pada Pelaksanaan ujicoba perangkat lunak ini didefinisikan parameter yang digunakan serta error yang dihasilkan sebagai berikut Tabel 1. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai learning rate Hidden 4 4 4 4 4 15 4
Epoch 1000 1000 1000 1000 1000 10000 100
(δ)/mom
0,02 0,02 0,02 0,02 0,02 0,01 0,9
(a)/Lrate
0,008 0,95 0,8 0,025 0,07 0,025 0,95
Error
0,001 0,001 0,001 0,001 0,001 0,00001 0,9
MSE
305241,53 403193,76 259823 124979,69 265772,38 3041,76 39966365,15
RMSE
552,48 634,97 509,72 353,52 515,53 55,15 6321,89
MAPE (%) 0,15 0,01 0,16 0,33 0,01 0,007 5,85
Tabel 2. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai hidden layer MAPE Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE (%) 8 1000 0,02 0,008 0,001 293236 541,51 0,35 12 1000 0,02 0,008 0,001 188982,38 434,72 0,23 15 1000 0,02 0,008 0,001 291202 539,63 0,96 2 1000 0,02 0,008 0,001 283226,69 532,19 0,60 20 1000 0,02 0,008 0,001 169229,30 411,37 0,36 Tabel 3. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai epoch MAPE Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE (%) 4 100 0,02 0,008 0,001 890829,30 943,83 1,16 4 10000 0,02 0,008 0,001 142264,61 377,17 0,07 4 50 0,02 0,008 0,001 183681,76 428,58 0,24 4 75 0,02 0,008 0,001 320244 565,90 0,2 4 500 0,02 0,008 0,001 265528,30 515,29 0,22
11 | N E R O
Jurnal Ilmiah NERO Vol. 1, No.1
2014
Tabel 4. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai momentum MAPE Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE (%) 4 1000 0,75 0,008 0,001 237425,15 487,26 0,5 4 1000 0,05 0,008 0,001 178492,30 422,48 0,03 4 1000 0,1 0,008 0,001 88303,92 297,15 0,09 4 1000 0,9 0,008 0,001 167086,46 408,76 0,63 4 1000 0,45 0,008 0,001 176363,15 419,95 0,7 Tabel 5. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai Error Toleransi MAPE Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE (%) 4 1000 0,02 0,008 0,0001 262622,38 512,46 0,25 4 1000 0,02 0,008 0,00001 231281,69 480,91 0,4 4 1000 0,02 0,008 0,01 1643915 1282,15 2,3 4 1000 0,02 0,008 0,075 7390882,23 2718,61 5,8 4 1000 0,02 0,008 0,9 16816481,23 4100,79 22,17 Form Perhitungan Form ini digunakan untuk menghitung harga hasil prediksi dengan kebutuhan volume setiap tipe rumah. Sehingga nantinya akan diperoleh prediksi harga jual perumahan periode selanjutnya. 1. Tekan tombol perhitungan untuk menghitung harga material, sebelumnya isi terlebih dahulu keuntungan yang ingin diperoleh. 2. Tekan tombol cetak untuk mencetak laporan harga jual perumahan. 3. Dari perhitungan diperoleh prediksi harga jual perumahan sebesar Rp 104.565.818 untuk tipe 30/72, Rp 115.956.729 untuk tipe 36/84 dan Rp 162.736.223 untuk tipe 45/120. harga tersebut setelah ditambah keuntungan 20 %.
Gambar 7. Form Perhitungan 5. Kesimpulan Kesimpulan yang dapat diambil penulis dari pembuatan perangkat lunak ini adalah: 1. Konfigurasi parameter untuk sistem pendukung keputusan dengan menggunakan jaringan syaraf tiruan terbaik dari hasil uji coba untuk material MT1 yang didapat dari hasil percobaan menghasilkan konfigurasi Learning rate sebesar 0,025, momentum 0,01, toleransi error 0,00001, maksimal epoch 10000 dan jumlah hidden layer 15 serta nilai persentase error 0,05%. Hal ini menunjukkan bahwa metode backpropagation jaringan syaraf tiruan baik digunakan untuk prediksi harga jual perumahan. 12 | N E R O
Jurnal Ilmiah NERO Vol. 1 No. 1
2014
2. Konfigurasi parameter untuk sistem pendukung keputusan dengan menggunakan jaringan syaraf tiruan terburuk dari hasil uji coba untuk material MT1 yang didapat dari hasil percobaan menghasilkan konfigurasi Learning rate sebesar 0,95. Momentum 0,9. Toleransi error 0.,9. Maksimal epoch 100 dan hidden layer 4 serta nilai persentase error 4,55%. 3. Semakin kecil nilai learning rate maka akurasi sistem semakin baik atau semakin akurat. 4. Dalam memprediksi harga material sistem tidak bisa memprediksi semua harga material secara bersamaan. 6. Saran Perangkat lunak yang dibuat pada penelitian ini masih dapat dikembangkan lebih lanjut dengan: 1. Penambahan beberapa kriteria yang berpengaruh terhadap harga jual perumahan. 2. Diharapkan ada penelitian dengan menggunakan metode lain yang lebih baik untuk menyelesaikan masalah prediksi harga jual perumahan. Daftar Pustaka [1]. Daihani, Dadan Umar. 2001. Komputerisasi Pengambilan Keputusan. Jakarta: PT.Elex Media Komputindo. [2]. Kusumadewi, Sri. 2003. Artificial Intelegence (Teknik dan Aplikasiny). Yogyakarta: Graha Ilmu. [3]. Basyaid, Fahmi. 2005. Teori pembuat keputusan. Jakarta:PT.Gramedia Widiaksara Indonesia. [4]. Martian Inge. 2003. 36 Jam Belajar Komputer Microsoft SqlServer 2000. Jakarta: Elek Media Komputindo. [5]. Hakim Nasution, Arman dan Prasetyawan, Yudha. 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu.
13 | N E R O
