PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG

JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1

ISSN : 2301-4474

PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG Sofika Enggari, S.Kom, M.Kom, ,Fakultas Ilmu Komputer, Universitas Putra Indonesia “YPTK” padang e-mail : [email protected] Abstrak - Kebutuhan logistik yang sangat besar pada Universitas Putra Indonesia “YPTK” untuk menunjang kelancaran proses belajar dan mengajar, membutuhkan suatu sistem yang bisa memprediksi untuk memenuhi kebutuhan tersebut dengan tepat agar tidak mengakibatkan kelebihan dan kekurangan terhadap jumlah pemakaian yang selalu berubah setiap tahun nya. Dengan menggunakan algoritma Backpropagation menggunakan 5 jaringan pengujian yaitu 6-6-1, 6-5-1, 6-41, 6-3-1, dan 6-2-, diharapkan mampu mengatasi masalah tersebut, sehingga bisa meminimilisasi kelebihan dan kekurang dalam pemesanan kertas untuk ujian. Dimana kita ketahui kalau kelebihan pemesanan bisa menimbulkan biaya penyimpanan. Sebaliknya jika terjadi kekurangan dalam pemesanan akan menimbulkan biaya pemesanan. Kata kunci : Jaringan syaraf tiruan, backpropagation, prediksi.

A. PENDAHULUAN Kebutuhan logistik yang sangat besar pada Universitas Putra Indonesia “YPTK” untuk menunjang kelancaran proses belajar dan mengajar, membutuhkan suatu sistem yang bisa memprediksi untuk memenuhi kebutuhan tersebut dengan tepat agar tidak mengakibatkan kelebihan dan kekurangan terhadap jumlah pemakaian yang selalu berubah setiap tahun nya. Untuk memberikan solusi nya kita bisa menggunakan jaringan syaraf tiruan yang merupakan salah satu cabang dari AI (Artificial Intelligence) atau lebih dikenal dengan Jaringan Saraf Tiruan (Artificial Neural Network). Pada penelitian ini akan dilakukan studi dan implementasi yang bertujuan untuk mengaplikasikan algoritma jaringan syaraf tiruan dengan metode Backpropagation dimana algoritma ini dapat diaplikasikan dengan baik adalah bidang peramalan atau perkiraan, kemampuan melakukan generalisasi data dibutuhkan dalam kasus peramalan, karena dalam proses peramalan biasanya data masukan mengandung noise ataupun tidak lengkap. Dengan adanya rancangan menggunakan jaringan syaraf tiruan menggunakan algoritma Backpropagation ini maka diharapkan dapat mempermudah bagian pengadaan dalam melakukan perkiraan kebutuhan logistik untuk tahun berikutnya, maka penulis mencoba untuk mengangka topik atau masalah ini kedalam karya tulis ilmiah dengan judul : Prediksi Untuk Kebutuhan Logistik . . .

“PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIS DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN (STUDI KASUS: Universitas Putra Indonesia ”YPTK “ Padang) Berdasarkan latar belakang di atas, maka dari segi kriteria efisiensi dan efektifitas dalam memperkirakan kebutuhan logistik pada bulan atau tahun berikutnya masih belum bisa dilakukan dengan baik, dan tentunya akan berimplikasi pada proses pengambilan keputusan. Kekurangan dan kelemahan dapat dirumuskan menjadi masalah-masalah sebagai berikut : a.

b.

c.

Bagaimana memprediksi kebutuhan logistik untuk masa yang akan datang dilihat pola pemakaian 5 (lima) tahun terakhir kususnya kertas ujian dengan menggunakan metode backpropagation Bagaimana menentukan jumlah neuron lapisan tersembunyi dari Jaringan Syaraf Tiruan metode backpropagation ? Bagaimana keakuratan hasil perkiraan kebutuhan logistik setelah menggunakan jaringan syaraf tiruan dengan metoda backpropagation jika dibandingkan dengan metode menunggu permintaan dari masing-masing departemen yang selama ini dilakukan ? 79


Agar penulisan ini lebih terarah dan tujuan yang diharapkan dapat tercapai, maka penulis menetapkan batasan-batasan terhadap masalah yang akan diteliti. Dalam melakukan penelitian ini penulis memberikan batasan batasan sebagai berikut: a. Melakukan pengolahan data yang ada selama 5 tahun terakhir yakni tahun 2007-2012. b. Kebutuhan logistik yang di ambil adalah kebutuhan kertas untuk ujian c. Mengimplementasikan teknik jaringan syaraf tiruan metoda backpropagation dengan menggunakan alat bantu software MATLAB.

a.

b.

c.

Tujuan dari penelitian ini adalah : Memperkirakan kebutuhan logistik untuk kepentingan proses pembelajaran setiap tahunnya. Membangun suatu sistem yang dapat membantu dalam proses pengambilan keputusan guna penyediaan kebutuhan logistik di UPI-YPTK Padang. Memberikan keutungan dan penghematan dalam proses persediaan kebutuhan logistik di UPI-YPTK Padang dengan meningkatkan kualitas pelayanan.

B. METODE PENELITIAN

Penelitian ini diawali dengan studi literatur, menganalisa dan merancang variabel-variabel yang akan diproses untuk menentukan jumlah pemakaian kebutuhan logistik pada tahun berikutnya dengan mengambil sampel data pada Univeristas Putra Indonesia selama 5 tahun, khususnya pemakain kertas double folio utuk ujian mid Prediksi Untuk Kebutuhan Logistik . . .

ISSN : 2301-4474

dan semester dangan beberapa faktor penyebab yang mempengaruhi pola pemakaian. Berdasarkan perumusan masalah yang telah dibuat pada tahap sebelumnya, maka tahap penentuan tujuan berguna untuk memperjelas kerangka tentang apa saja yang menjadi sasaran dari penelitian ini. Pada tahap ini ditentukan tujuan dari penelitian ini, adalah bagaimana merancang dan mengimplementasikan Jaringan Syaraf Tiruan metode propagasi balik untuk melakukan prediksi terhadap pemakaian kertas double folio untuk ujian pada Universitas Putra Indonesia Melalui studi literatur, dipelajari teori-teori yang berhubungan dengan jaringan saraf tiruan, dasar matematika, dan khususnya tentang prediksi atau peramalan. Sumbernya berupa buku, jurnal, paper, maupun situs internet yang berhubungan dengan jaringan saraf tiruan. Dalam pengumpulan data digunakan beberapa metode yang mendukung antara lain : 1. Observasi ; yaitu pengumpulan data yang dilakukan dengan cara melakukan pengamatan langsung ditempat penelitian (dalam hal ini Universitas Putra Indonesi YPTK Padang), sehingga permasalahan yang ada dapat diketahui dengan jelas. Dalam hal ini penulis mengambil data jumlah pesrta kuliah (mahasiswa) yang boleh mengikuti ujian mid dan semester (tidak labor) dengan beberapa ketentuan yang berlaku. Data diambil dari 6 faktor yang mempengaruhi angka jumlah peserta ujian. Melalui Metode Jaringan Saraf Tiruan ini akan dilakukan uji coba kebenaran dari hasil prediksi tahun 2012 2. Interview ; yaitu melakukan penelusuran untuk mendapatkan data dan informasi melalui tanya jawab dan wawancara dengan pihak atau orang-orang yang berkompeten terhadap permasalahan yang sedang di teliti. 3. Studi Pustaka ; yaitu pengumpulan data dan penelusuran informasi dengan cara membaca dan mempelajari buku-buku dan jurnal-jurnal penelitian yang berkaitan dan menunjang, baik dalam penganalisaan data dan informasi, maupun pemecahan masalah secara keseluruhan. Dari hasil studi literatur yang dilakukan dan data-data yang dikumpulkan, selanjutnya dilakukan tahap analisis. Pada tahap ini, dianalisa lebih mendalam tentang prediksi jumlah pemakain kertas untuk ujian mid dan semester untuk tahun berikutnya 80


berdasarkan 6 diagnosa faktor yang mempengaruhi jumlah pemakai dengan menggunakan aritmatik dari jaringan saraf tiruan, serta membandingkan dengan sistem prediksi konvensional yaitu metode rata-rata (Mean). Nanti akan diketahui metode mana yang sangat mendekati dan mempunyai tingkat error yang paling sedikit untuk jumlah kebutuhan tersebut. Apakah hasilnya hampir sama dengan jumlah pada saat data yang diambil di tahun 2012 tersebut atau malah lebih jauh dari hasil yang sudah diperoleh. Dengan metode Jaringan Saraf Tiruan ini akan dapat di ketahui bagaimana hasil prediksi dapat lebih akurat dan lebih mendekati dari yang sebernarnya. Pada tahap ini akan dilakukan perancangan model yang cocok untuk permasalahan ini, perancangan input-input parameter yang digunakan berdasarkan datadata yang telah didapat. Tahapan-tahapan perancangan sistem : 1. Perancangan model Model adalah gambaran dari solusi yang akan dihasilkan, dengan adanya perancangan model ini dapat digambarkan apa yang menjadi tujuan penelitian, sehingga model dapat kita jadikan sebagai pedoman untuk merancang sistem yang telah direncanakan. 2. Perancangan input Dari data-data yang telah didapatkan dan dianalisa, baik itu dari studi literature, studi lapangan ataupun wawancara, maka dapat dijadikan referensi untuk merancang input yang akan digunakan di dalam sistem. 3. Perancangan parameter- parameter sistem yang diperlukan Perancangan parameter dilakukan berdasarkan kebutuhan suatu sistem, parameter-parameter ini kemudian akan dijadikan data input awal untuk dilakukan pengolahan dengan menggunakan software MATLAB. Sehingga hasil prediksi yang dilakukan dengan Jaringan Saraf Tiruan dapat lebih akurat. Dari hasil pengumpulan data selanjutnya dilakukan analisis untuk menentukan variabel-variabel yang akan dijadikan input pada software MATLAB, dimana variabel-variabel yang dapat diolah adalah jumlah mahasiswa baru, jumlah mahasiswa aktif, jumlah mahasiswa yang Prediksi Untuk Kebutuhan Logistik . . .

ISSN : 2301-4474

tidak aktif, jumlah wisudawan, jumlah peserta matakuliah non labor, jumlah mahasiswa gagal absen. Pada tahap ini data yang sudah diolah dan variabel yang sudah diperoleh akan diproses dengan menggunakan bantuan software Neural Network dengan MATLAB. Pada tahap evaluasi akhir ini, hasil dari pengolahan data dengan bantuan software MATLAB untuk Neural Network akan dibandingkan dengan hasil prediksi yang selama ini dilakukan dengan sistem rata-rata (Mean). Sehingga kita dapat menarik suatu kesimpulan terhadap hasil prediksi mana yang lebih mendekati, atau errornya yang lebih kecil C. ANALISA DAN PEMODELAN Pengumpulan data dilakukan dengan observasi langsung kelapangan, dengan melakukan pengamatan terhadap pola yang mempengaruhi jumlah pemakaian kertas ujian double folio. Data diambil dari tahun 2007 sampai tahun 2011 untuk memprediksi jumlah pemakain kertas ujian tahun 2012, dengan melihat 6 pola, yang mempengaruhi jumlah pemakaian kertas tersebut diperoleh dari pertanyaan berupa angket terhadap beberapa karyawan yang ada di lingkungan UPI-YPTK “Padang”. Dari hasil angket tersebut maka diperoleh beberapa pilihan yang paling dominan yaitu : 1. jumlah mahasiswa baru 2007 - 2011 2. jumlah mahasiswa aktif 2007 - 2011 3. jumlah wisudawan 2007 – 2011 4. jumlah mahasiswa yang tidak aktif 2007 – 2011 5. jumlah peserta matakuliah non labor 2007 – 2011 6. jumlah mahasiswa gagal absen 2007 - 2011 Dari 5 tahun ( dua puluh kali ujian mid dan semester) data yang akan diolah, data akan dipisahkan menjadi dua bagian besar, yaitu sebanyak 10 data dijadikan sebagai masukan (input) untuk proses pelatihan atau pembelajaran (learning) dan 10 data yang lain digunakan sebagai pengujian keakuratan sistem mengenali pola masukan data yang lain. Pemodelan Jaringan Syaraf Tiruan ini digunakan untuk menentukan dan mengenali pola yang akan digunakan dalam memprediksi tingkat keakuratan jumlah pemakaian logistik pada Universitas Putra Indonesia YPTK Padang. Dalam hal ini parameter yang akan digunakan jumalah pemakain kertas ujian double folio untuk ujian mid dan semester. Data masukan diambil 81


berdasarkan analisa jumlah pemakaian 5 tahun sebelumnya. Agar data dapat dikenali oleh jaringan dan sekaligus dapat diproses menggunakan perangkat lunak (software), maka data harus diubah kedalam bentuk matriks atau numerik. Keenam variabel pengaruh peserta ujian di implementasi dalam bentuk X1, X2, X3, X4,X5 dan X6 dimana : X1 : jumlah mahasiswa baru X2 : jumlah mahasiswa aktif X3 : jumlah mahasiswa yang tidak aktif X4 : jumlah wisudawan X5 : jumlah peserta mata kuliah non labor X6 : jumlah mahasiswa gagal absen Setelah ditentukan nilai variabel, selanjutnya data–data yang mempengaruhi jumlah peserta ujian yang terdapat pada semua variabel diganti dengan nilai–nilai yang didapat berdasarkan data yang sudah didapat dalam sebuah tabel seperti tabel 4.1. berikut:

Dari tabel di atas di jelaskan bahwa pola data antara UTS dan UAS ganjil serta UTS dan UAS genap, hanya terjadi perbedaan data pada mahasiswa yang gagal absen. Karena untuk mengikuti ujian mid tidak ada persaratan mahasiswa berhak mengikuti ujian berdasarkan absen, begitupun dengan mahasiswa baru yang hanya dilakukan satu kali dalam satu tahun. Jadi jumlah data Prediksi Untuk Kebutuhan Logistik . . .

ISSN : 2301-4474

mahasiswa baru dalam satu tahun itu sama. Untuk mahasiswa aktif dan non aktif, perubahan datanya terjadi dua kali dalam satu tahun, yaitu semester ganjil dan genap, sedangkan untuk UTS dan UAS sama, begitu juga dengan jumlah wisudawan dan peserta matakuliah non labor. Untuk perkiraan pemakain dapat kita ambil dari hasil pengurangan jumlah mahasiswa peserta matakuliah non labor (X5) dikurang dengan jumlah mahasiswa yang gagal absen (X6). Arsitektur Jaringan Syaraf Tiruan yang digunakan dalam kasus ini adalah jaringan algoritma backpropagation, yang terdiri dari : a. Lapisan input dengan 6 simpul dan 1 input bias. b. Lapisan output dengan 1 simpul yaitu keakuratan prediksi pengikut ujian, sebagai nilai yang diprediksi. c. Lapisan tersembunyi dengan jumlah simpul yang ditentukan oleh jumlah pola data. Pada gambar 4.1. disajikan arsitektur Jaringan Syaraf Tiruan untuk prediksi jumlah pemakaian kertas ujian dengan 6 buah prediktor pola yang mempengaruhi dan 1 lapisan output. Dimana vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi zj (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 di layar tersembunyi ke unit keluaran zk)

Jaringan syaraf yang akan dibangun adalah algoritma propagasi balik dengan fungsi aktivasi sigmoid. Fungsi aktivasi dalam jaringan syaraf tiruan dipakai untuk menentukan keluaran suatu neuron. Pelatihan (training) dilakukan untuk memperkenalkan pola – pola atau model – model dari data masukan. Dari 20 82


ISSN : 2301-4474

data yang dilatihkan akan dibagi 2 yaitu 10 data yang mengalami penurunan (0) pemakaian kertas dan 10 data yang mengalami kenaikan pemakaian kertas dengan pemberian nilai bobot (1),Jaringan yang digunakan, jumlah lapisan tersembunyi, nilai konstanta belajar, besar galat, dan fungsi aktivasi. Data pemakai yang akan disertakan sebagai data yang akan dilatihkan dapat dilihat pada tabel 4.2 berikut :

Proses normalisasi data bertujuan agar nilai data input bisa disesuaikan dengan fungsi aktivasi sigmoid yang akan digunakan, sementara data input berada dalam interval bilangan asli mulai dari 1 sampai 20. Normalisasi data dilakukan dengan menggunakan rumus Zero-Mean Normalization dimana penulis memakai logsig (sigmoid biner) dengan range target [0,1] yaitu sebagai berikut:

Hasil keluaran (target) yang diinginkan berupa jumlah pemakain kertas, dan digolongkan kedalam 2 pola, yaitu:  Pemakaian yang kecil dari pemakaian sebelumnya diberi nilai bobot (0). Artinya pemakaian kertas menurun .  Prediksi pemakaian yang besar at dari pemakaian sebelumnya, diberi nilai bobot (1). Artinya pemakaian kertas meningkat. Pada pola (0) taksiran antara 0,001 sampai dengan 0,499 dan pola (1) taksiran antara 0,500 sampai dengan 1,000. Jaringan yang akan dibentuk adalah 6-6-1 yang berarti 6 data input , , , , , yang djadikan sebagai vektor input dan menggunakan vektor target yaitu 6 variabel pola yang mempengaruhi jumlah pemakaian kertas ujian double folio. Adapun nilai input yaitu:

Dengan : = nilai data ke-n setelah normalisasi

dinormalisasi sehingga menjadi:

= nilai data ke-n b = nilai data tertinggi a = nilai data terendah 0,8 = ketetapan Hasil proses normalisasi untuk 120 data input untuk variabel , , , , , disajikan pada Tabel 4.3 berikut:

Prediksi Untuk Kebutuhan Logistik . . .

Arsitektur jaringan yang dibentuk terdiri atas 6 input dan 1 nilai bias, 6 layar tersembunyi (hidden layer) dan 1 nilai bias, serta 1 lapisan output. Langkah-langkah pembentukan jaringan adalah sebagai berikut: Langkah 1 Pemberian Nilai Bobot Awal Yaitu memberi bobot awal pada nilai input berupa bilangan acak dari program excel 83


a)

Bobot awal dari input ke layar tersembunyi Pemberian bobot disajikan dengan Tabel berikut:

ISSN : 2301-4474

Z_in5

= 0.1923+ 0,10 (0.3652) + 0,10 (0.6286) + 0,77 (0.2433) + 0,13 (0.2559) + 0,73 (0.9250) + 0,10 (0.4676) = 1,2371 Z_in6 = 0.5455+ 0,10 (0.0942) + 0,10(0.3930) + 0,77 (0.5742) + 0,13 (0.2957) + 0,73 (0.0186) + 0,10 (0.5488) = 1,1470 Selanjutnya adalah menghitung nilai Zj dengan persamaan:

b)

Bobot awal dari layar tersembunyi ke lapisan keluaran(output) Pemberian bobot disajikan dengan Tabel berikut:

Langkah 2 Menghitung Keluaran Lapisan Tersembunyi Pada langkah 2 ini dilakukan penghitungan keluaran dari lapisan tersembunyi(hidden layer) yaitu Z dengan persamaan: Z_inj = Vjo + Z_in1 = 0.4925+ 0,10 (0.3967) (0.6875) + 0,77 (0.8012) (0.4952) + 0,73 (0.2061) (0.7391) = 1,5124 Z_in2 = 0.7580+ 0,10 (0.8650) (0.9372) + 0,77 (0.0244) (0.6348) + 0,73 (0.2383) (0.0915) = 1,2279 Z_in3 = 0.8605+ 0,10 (0.2919) (0.1887) + 0,77 (0.9101) (0.2418) + 0,73 (0.7994) (0.9018) = 2,3171 Z_in4 = 0.8454+ 0,10 (0.2397) (0.8802) + 0,77 (0.2189) (0.0882) + 0,73 (0.6191) (0.2117) = 1,6144

+ 0,10 + 0,13 + 0,10

+ 0,10 + 0,13 + 0,10

+ 0,10 + 0,13 + 0,10

+ 0,10 + 0,13 + 0,10


Langkah 3 Menghitung Unit Keluaran Menghitung masing-masing unit keluaran (Zj, j = 1,2,3,.....p) dikalikan dengan faktor penimbang dan dijumlahkan dengan rumus:

= 0,14 + 0,8194(0.2508) + 0,7734(0.8286) + 0,9103(0.6321) + 0,8340 (0.8556) + 0,7751(0.0344) + 0,7590(0.5076) = 2,6872 Kemudian menghitung kembali sesuai dengan fungsi aktivasi:

Dari proses pengujian diatas dapat kita lihat nilai y besar dari 0.500 artinya memiliki nilai (1) itu bearti terjadi kenaikan pemakaian kertas. Tetapi perlu lagi dilakukan perulangan lagi agar lebih mendekati lagi dengan nilai (1)

84


Langkah 4 Menghitung Galat Menghitung galat dari pelatihan/training yang dilakukan pada unit keluaran (yk, k=1,...,m) dengan t = 1 melalui persamaan: = (1 – 0,9363) 0,9363 (1 – 0,9363) = 0,0038 Nilai galat = 0,0038 artinya kemungkinan kesalahan yang terjadi adalah 0,38%. Untuk menghitung perubahan bobot data selanjutnya dilakukan perbaikan faktor penimbang (kemudian untuk memperbaiki faktor wkj) dengan = 0,1 memakai persamaan: = 0,1 (0,0038) 1 = 0,0004 = 0,1 (0,0038) 0,8194 = 0,0003 = 0,1 (0,0038) 0,7734 = 0,0003 = 0,1 (0,0038) 0,9103 = 0,0003 = 0,1 (0,0038) 0,8340 = 0,0003 = 0,1 (0,0038) 0,7751 = 0,0003 = 0,1 (0,0038) 0,7590 = 0,0003 Langkah 5 Menghubungkan Lapisan Keluaran Dengan Lapisan Tersembunyi Masing-masing penimbang yang menghubungkan unit-unit lapisan keluaran dengan unit-unit pada lapisan tersembunyi (Zj, j=1,...,p) dikalikan delta dan dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya:

0,0038 (0,0004) = 0,000014 0,0038 (0,0003) = 0,000012 = 0,0038 (0,0003) = 0,000011 = 0,0038 (0,0003) = 0,000013 0,0038 (0,0003) = 0,000012 0,0038 (0,0003) = 0,000011 0,0038 (0,0003) = 0,000011 Selanjutnya dikalikan dengan turunan dari fungsi aktivasinya untuk menghitung galat pada layar tersembunyi: δ1 = 0,000012(0,8194)(1-0,8194) 0,00000018 δ2 = 0,000011 (0,7734)(1-0,7734) 0.00000020 δ3 = 0,000013(0,91031-0,91031) 0.00000011 Prediksi Untuk Kebutuhan Logistik . . .

= = =

ISSN : 2301-4474

δ4 = 0,000012 (0,8340)(1-0,8340) = 0.00000017 δ5 = 0,000011 (0,7751)(1-0,7751) = 0.00000020 δ6 = 0,000011 (0,7590)(1-0,7590) = 0.00000020 Perubahan bobot ke unit layar tersembunyi adalah: = (0,1)( 0,00000018)(1) = 0.000000018 = (0,1)( 0,00000018)(0,10) = 0.000000002 = (0,1)( 0,00000018)(0,10) = 0.000000002 = (0,1)( 0,00000018)(0,77) = 0.000000014 = (0,1)( 0,00000018)(0,13) = 0.000000002 = (0,1)( 0,00000018)(0,73) = 0.000000013 = (0,1)( 0,00000018)(0,10) = 0.000000002 = (0,1)( 0.00000020)(1) = 0.000000020 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,77) = 0.000000015 = (0,1)( 0.00000020)(0,13) = 0.000000003 = (0,1)( 0.00000020)(0,73) = 0.000000014 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000011)(1) = 0.000000011 = (0,1)( 0.00000011)(0,10) = 0.000000001 = (0,1)( 0.00000011)(0,10) = 0.000000001 = (0,1)( 0.00000011)(0,77) = 0.000000008 = (0,1)( 0.00000011)(0,13) = 0.000000001 = (0,1)( 0.00000011)(0,73) = 0.000000008 = (0,1)( 0.00000011)(0,10) = 0.000000001 = (0,1)( 0.00000017)(1) = 0.000000017 = (0,1)( 0.00000017)(0,10) = 0.000000002

85


= (0,1)( 0.00000017)(0,10) = 0.000000002 = (0,1)( 0.00000017)(0,77) = 0.000000013 = (0,1)( 0.00000017)(0,13) = 0.000000002 = (0,1)( 0.00000017)(0,73) = 0.000000012 = (0,1)( 0.00000017)(0,10) = 0.000000002 = (0,1)( 0.00000020)(1) = 0.000000020 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,77) = 0.000000015 = (0,1)( 0.00000020)(0,13) = 0.000000003 = (0,1)( 0.00000020)(0,73) = 0.000000014 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(1) = 0.000000020 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,10) = 0.000000002 = (0,1)( 0.00000020)(0,77) = 0.000000015 = (0,1)( 0.00000020)(0,13) = 0.000000003 = (0,1)( 0.00000020)(0,73) = 0.000000015 = (0,1)( 0.00000020)(0,10) = 0.000000002 Perubahan bobot dan bias ke unit keluaran yaitu: Wjk(baru) = Wjk(lama) + W10(baru) = 0.1400+0,0004 = 0.00005 W11(baru) = 0.2508+0,0003 = 0.00008 W12(baru) = 0.8286+0,0003= 0.00024 W13(baru) = 0.6321+0,0003= 0.00022 W14(baru) = 0.8556+0,0003= 0.00027 W15(baru) = 0.0344+0,0003= 0.00001 W16(baru) = 0.5076+0,0003= 0.00015 Perubahan bobot dan bias ke unit keluaran yaitu: vij (baru) = vij (lama) + V10(baru) = 0.4925+ 0.000000018 = 0.4925 V11(baru) = 0.3967+ 0.000000002 = 0.3967 Prediksi Untuk Kebutuhan Logistik . . .

ISSN : 2301-4474

V12(baru) = 0.8650+ 0.000000002 = 0.8650 V13(baru) = 0.2919+ 0.000000014 = 0.2919 V14(baru) = 0.2397+ 0.000000002 = 0.2397 V15(baru) = 0.3652+ 0.000000013 = 0.3652 V16(baru) = 0.0942+ 0.000000002 = 0.0942 V20(baru) = 0.7580+ 0.000000020 = 0.7580 V21(baru) = 0.6875+ 0.000000002 = 0.6875 V22(baru) = 0.9372+ 0.000000002 = 0.9372 V23(baru) = 0.1887+ 0.000000015 = 0.1887 V24(baru) = 0.8802+0.000000003 = 0.8802 V25(baru) = 0.6286+0.000000014 = 0.6286 V26(baru) = 0.3930+0.000000002 = 0.3930 V30(baru) = 0.8605+0.000000011 = 0.8605 V31(baru) = 0.8012+0.000000001 = 0.8012 V32(baru) = 0.0244+0.000000001 = 0.0244 V33(baru) = 0.9101+0.000000008 = 0. 0.9101 V34(baru) = 0.2189+ 0.000000001 = 0.2189 V35(baru) = 0.2433+ 0.000000008 = 0.2433 V36(baru) = 0.5742+0.000000001 = 0.5742 V40(baru) = 0.8454+ 0.000000017= 0.8454 V41(baru) = 0.4952+ 0.000000002 = 0.4952 V42(baru) = 0.6348+ 0.000000002 = 0.6348 V43(baru) = 0.2418+ 0.000000013 = 0.2418 V44(baru) = 0.0882+ 0.000000002 = 0.0882 V45(baru) = 0.2559+ 0.000000012 = 0.2559 V46(baru) = 0.2957+ 0.000000002 = 0.2957 V50(baru) = 0.1923+ 0.000000020 = 0.1923 V51(baru) = 0.2061+ 0.000000002 = 0.2061 V52(baru) = 0.2383+ 0.000000002 = 0.2383 V53(baru) = 0.7994+ 0.000000015 = 0.7994 V54(baru) = 0.6191+ 0.000000003 = 0.6191 V55(baru) = 0.9250+ 0.000000014 = 0.9250 V56(baru) = 0.0186+ 0.000000002 = 0.0186 V60(baru) = 0.5455+ 0.000000020 = 0.5455 V61(baru) = 0.7391+ 0.000000002 = 0.7391 V62(baru) = 0.0915+ 0.000000002 = 0.0915 V63(baru) = 0.9018+ 0.000000015 = 0.9018 V64(baru) = 0.2117+ 0.000000003 = 0.2117 V65(baru) = 0.4676+ 0.000000015 = 0.4676 V66(baru) = 0.5488+ 0.000000002 = 0.5488 Dari koreksi nilai bobot yang dilakukan pada iterasi I dapat dilihat bahwa nilai yang berada di bawah 0.500 merupakan gambaran dari prediksi pemakaian yang menurun begitu sebaliknya, tapi pelatihan dan pengujian yang dilakukan tidak cukup hanya pada tahap iterasi tahap I saja, harus dilakukan sebanyak mungkin sampai menemukan hasil dengan tingkat error yang terendah. Maka untuk melakukan pengolahan yang lebih banyak tidak mungkin dilakukan secara manual, tapi harus menggunakan alat bantu, dalam hal ini penulis menggunakan Software Matlab 6.1 yang akan dibahas pada bab selanjutmya.

86


D. IMPLEMENTASI DAN PENGUJIAN Pengujian Dengan Arsitektur 6-2-1 Pengujian yang dilakukan pada penelitian ini dengan menggunakan arsitektur jaringan 6-2-1 dimana artinya adalah unit input 6, unit hidden layer 2 dan unit output 1. Tujuan pengujian ini adalah untuk membuktikan bahwa arsitektur jaringan yang dibangun terutama pada kasus prediksi jumlah pemakaian kertas ini dapat diaplikasikan pada perangkat lunak yang dipilih yaitu Matlab. Pengujian aplikasi jaringan syaraf tiruan dengan arsitektur 6-2-1 dibantu dengan bahasa pemrograman matlab dilakukan untuk melihat perbandingan target yang diinginkan dengan hasil pembelajaran pada JST, sebelum melakukan ujicoba terlebih dahulu variabel input dan variabel output dikelompokkan, yang mana variabel input-nya adalah faktor – faktor yang mempengaruhi peramalan jumlah pemakaian kertas Pada Tabel dibawah ini diperlihatkan variabel input dan target dari jaringan.

Data=[ 2116 50567 2116 8123 2167 2116 8114 1 2116 8114 2213 2465 8235 1 2465 8235 2432 2645 8245 1 2645 8245 2621 2765 9178 1 2765 9178 2765 2765 9215 1 2765 9215 2956 2461 9421 1 2461 9421 3032 2461 9514 1 2461 9514 3112 2354 9631 1 2354 9631 3243 2354 9712 1 2354 9712 3324 R=Data(:,1:6)'; T=Data(:,7)';

ISSN : 2301-4474

8123 0 112 0 121

112 1 628

628

724

51122

121 0 115

724

51122

672

51264

115 0 105

672

51264

615

51355

105 0 130

615

51355

624

58465

130 0 93

624

58465

667

59087

93 0 125

667

59087

623

60986

125 0 32

623

60986

941

61034

32 0 98

941

61034

755

61678

98 0 17

755

61678

776

62813

17 0];

776

62813

50567 0

0

0

0

0

0

0

0

0

Melakukan Preprocessing >>[pn,meanp,stdp,tn,meant,stdt]=prestd( R,T) Sebelum jaringan dibangun terlebih dahulu dilakukan preproccessing untuk melakukan normalisasi menggunakan mean dan deviasi standar. Kemudian dibangun jaringan syaraf dengan metode pembelajaran gradient descent dengan momentum (traingdm) : Net = newff(minmax(pn),[2 1],{’tansig’,’purelin’},’traingdm’); Data Input dan Target Menentukan matrik untuk data input dan target. Prediksi Untuk Kebutuhan Logistik . . .

rn =

87


meanr = 1.0e+004 * 0.2450 0.8939 0.0095 0.0703 5.6837 0.1393 stdr = 1.0e+003 * 0.2244 0.6567 0.0379 0.0991 4.9712 1.4579 tn =

meant = 0.5000 stdt = 0.5130 Membangun Jaringan Syaraf Backpropagation Pembentukan jaringan yang diinginkan dengan matlab : >>net=newff(minmax(rn),[2 1],{'tansig','purelin'},'traingdm'); Selanjutnya maka akan terbentuk arsitektur jaringan 6-2-1. Menetapkan Bobot Awal Bobot awal lapisan input ke lapisan tersembunyi pertama adalah sebagai berikut : >>net.IW{1,1} ans =

Bobot bias awal lapisan input ke lapisan tersembunyi : >> net.b{1,1} Prediksi Untuk Kebutuhan Logistik . . .

ISSN : 2301-4474

ans = -1.1799 -0.9588 Bobot awal lapisan tersembunyi ke lapisan output : >> net.LW{2,1} ans = 0.8436 0.4764 Bobot bias awal lapisan tersembunyi ke lapisan output : >> net.b{2,1} ans = -0.6475 Menetapkan Parameter – parameter yang digunakan sebelum pelatihan Sebelum melakukan pelatihan, maka ditetapkan terlebih dahulu parameter parameter yang akan digunakan sebagai berikut : >> net.trainParam.epochs = 5000; Digunakan untuk menentukan jumlah epoch maksimum pelatihan. >> net.trainParam.goal = 0.01; Digunakan untuk menentukan batas nilai mse agar iterasi dihentikan. Iterasi akan berhenti jika mse < batas yang ditentukan dalam net.trainParam.goal atau jumlah epoch mencapai batas yang ditentukan dalam net.trainParam.epochs. >> net.trainParam.goal = 0.1; Digunakan untuk menentukan laju pemahaman (α = learning rate). Default=0.01, semakin besar nilai α, semakin cepat pula proses pelatihan. Akan tetapi jika α terlalu besar, maka algoritma menjadi tidak stabil dan mencapai titik minimum lokal. >> net.trainParam.show = 200; Digunakan untuk menampilkan frekuensi perubahan mse (default : setiap 25 epoch). >> net.trainParam.mc = 0.8; Digunakan untuk menentukan besarnya faktor momentum dengan memberikan nilai 0-1 (default-nya = 0.9). Melihat keluaran yang dihasilkan jaringan Untuk melihat keluaran yang dihasilkan jaringan digunakan perintah berikut : >> [a,Pf,Af,e,perf]=sim(net,rn,[],[],tn) a=

Pf = [] 88


ISSN : 2301-4474

Af = [] e=

perf = 3.4050 Melakukan proses pelatihan Selanjutnya adalah melakukan proses pelatihan dengan perintah berikut : >> net=train(net,pn,tn); Hasilnya seperti terlihat pada gambar berikut : Evaluasi output jaringan Output jaringan dengan target dianalisis dengan regresi linear menggunakan postreg : >> [m1,a1,r1]=postreg(a,T) m1 = 1.0078 a1 = -0.0039 r1 = 0.9953 Hasilnya terlihat pada gambar berikut :

Training dihentikan pada epochs ke 82 untuk kerja yang diinginkan (mse=0.00928968). Hasil Pengujian Dan Pelatihan Pengujian dan pelatihan terhadap data tahun dilakukan dengan cara simulasi dengan perintah berikut : >> an = sim(net,rn); >> a = poststd(an,meant,stdt); >> H = [(1:size(R,2))' T' a' (T'-a')]; >> sprintf('%2d %9.2f %7.2f %5.2f\n',H') ans =


Dari gambar diatas menunjukkan bahwa perbandingan data pelatihan dengan target adalah sama atau akurat dan mencapai goal pada epoch ke 88. Hasil eksekusi juga menunjukkan Best Linear Fit A = (1.01) T + (-0.00391 Selanjutnya untuk melihat hasil pengujian, maka gunakan perintah berikut : >> plot([1:size(P,2)]',T,'bo',[1:size(P,2)]',a','r *'); >> title('Hasil Pengujian Dengan Data Pelatihan: Target(o), Output(*)'); 89


ISSN : 2301-4474

>> xlabel('dua puluh data');ylabel('Target/Output');pause

Hasil pengujian jaringan 6-2-1 pada tabel 5.2 dimana:  Data memenuhi target yaitu, data ke 2, 4, 6, 8, 13, 15, 17, dan 19  Data yang mendekati kebenaran yaitu, data ke 1, 3, 9, 11, 14, 18, dan 20  Data erorr yaitu, data ke 5, 7, 10, 12, 18 Artinya ada 40% data memenuhi target, 75% data benar, dan 25% data error Pengujian Dengan Jaringan 6-3-1 Perbedaan cara dengan pengujian 6-2-1 sebelumnya hanya terjadi pada pembentukan jaringan. >>net=newff(minmax(pn),[3 1],{'tansig','purelin'},'traingdm'); Sehingga akan berpengaruh terhadap nilai bobot input dan output, dan jumlah hidden layer. Dimana hasilnya dapat kita lihat pada tabel berikut:


Hasil pengujian jaringan 6-3-1 pada tabel diatas dimana:  Data memenuhi target yaitu, data ke 1, 5, 6, dan 8  Data yang mendekati kebenaran yaitu, data ke 2, 4, 7, 9, 13, dan 15  Data erorr yaitu, data ke 3, 10, 11, 12,14,16,17, 18, 19, dan 20 Artinya ada 20% data memenuhi target, 50% data benar, dan 50% data error Pengujian Dengan Jaringan 6-4-1 Perbedaan cara dengan pengujian 6-2-1 sebelumnya hanya terjadi pada pembentukan jaringan. >>net=newff(minmax(pn),[4 1],{'tansig','purelin'},'traingdm'); Sehingga akan berpengaruh terhadap nilai bobot input dan output, dan jumlah hidden layer. Dimana hasilnya dapat kita lihat pada tabel

90


ISSN : 2301-4474

berikut:

Hasil pengujian jaringan 6-4-1 pada tabel diatas dimana:  Data memenuhi target yaitu, data ke 5 dan 11  Data yang mendekati kebenaran yaitu, data ke 1, 3, 4, 14, 15, 16, 18, 19, dan 20  Data erorr yaitu, data ke 2, 6, 7, 8, 9, 10, 12, 13, dan 14 Artinya ada 10% data memenuhi target, 45% data benar dan 55% data error Pengujian Dengan Jaringan 6-5-1 Perbedaan cara dengan pengujian 6-2-1 sebelumnya hanya terjadi pada pembentukan jaringan. >>net=newff(minmax(pn),[5 1],{'tansig','purelin'},'traingdm'); Sehingga akan berpengaruh terhadap nilai bobot input dan output, dan jumlah hidden layer. Dimana hasilnya dapat kita lihat pada tabel berikut:


Hasil pengujian jaringan 6-5-1 pada tabel diatas dimana:  Data tidak ada yang memenuhi target.  Data yang mendekati kebenaran yaitu, data ke 1, 2, 3, 6, 7, 8, 9, 10, 11, 13, 15, 16, 17, dan 20  Data erorr yaitu, data ke 4, 5, 12, 14, 18 dan 19 Artinya ada 0% data yang mencapai target, 70% data benar, dan 30% data error Pengujian Dengan Jaringan 6-6-1 Perbedaan cara dengan pengujian 6-2-1 sebelumnya hanya terjadi pada pembentukan jaringan. >>net=newff(minmax(pn),[6 1],{'tansig','purelin'},'traingdm'); Sehingga akan berpengaruh terhadap nilai bobot input dan output, dan jumlah hidden layer. Dimana hasilnya dapat kita lihat pada tabel berikut:

91


Hasil pengujian jaringan 6-6-1 pada tabel diatas dimana:  Data yang memenuhi target yaitu, data ke 2, 18, 19 dan 20.  Data yang mendekati kebenaran yaitu, 1, 3, 5, 6, 11, 12, 14, 15, dan 17  Data erorr yaitu, data ke 4, 7, 8, 9, 10, 13, dan 16 Artinya ada 20% data yang mencapai target, 65% data benar, dan 35% data error Kesimpulan Hasil Uji Berdasarkan Tabel 5.2, 5.3, 5.4, 5.5 Dan Tabel 56 : Hasil pembelajaran Pada arsitektur jaringan 6-2-1, 6-3-1, 6-4-1, 6-5-1 dan 6-6-1, dapat di simpulkan dari pengujian untuk 20 data terlihat di jaringan 6-2-1 menunjukkan hasil yang sangat baik yaitu 8 data memenuhi target. Hasil analisa pada jaringan 6-2-1 menunjukakn bahwa data ke 2, 4, 6, 8 menunjukkan hasil prediksi yang sangat baik yaitu (0). Itu menunjukan angka penurunan pada pola data genap. Dan data ke 13, 15, 17,dan 19 memenuhi target (1). Itu menjelaskan angka kenaikan dengan tingkat error hanya 0.00. Untuk pemakaian kertas ujian pada UTS ganjil 2012 mengalami peningkatan dengan pemakaian kertas UTS ganjil di 2011. Perbandingan persentase keakuratannya dapat dilihat pada tabel berikut:


ISSN : 2301-4474

Dari tabel 5.7 di atas dapat kita lihat bahwa data ke- 13, 15, 17, dan 19 pada pengujian yang memenuhi target (1). Tabel berikut merupakan perbandingan data dengan data 2012 :

Data diatas menunjukan persentase keakuratan terhadap data yang mengalami rata-rata kenaikan 98%. Itu bearti untuk pemakaian UTS ganjil 2012 di perkirakan kenaikan nya dari data UTS genap 2011 sebanyak 62813 * 0.98% = 615.57 kertas Dari analisa diatas dapat kita peroleh hasil prediksi pemakain kertas UTS ganjil 2012 yaitu 62813 + 615.57 = 63428,57. Sedangkan pemakaian kertas yang real pada UTS ganjil 2012 = 64134. Jadi keakuratan prediksi adalah 63428,57/64134 *100 = 98,9% E. Kesimpulan Setelah melakukan implementasi dan pengujian dengan menggunakan bahasa pemrograman matlab, maka dapat disimpulkan sebagai berikut : 1. Jaringan syaraf tiruan dapat digunakan untuk memprediksi kebutuhan pemakaian kertas ujian dobel folio pada Universitas Putra Indonesi “YPTK” Padang, berdasarkan 6 pola ataw vaktor yangmempengaruhi jumlah peserta ujian 92


yaitu : Jumlah mahasiswa baru, jumlah mahasiswa aktif, jumlah mahasiswa tidak aktif, jumlah wisudawan, jumlah peserta matakuliah non labor, jumlah yang gagal absen. 2. Arsitektur Jaringan yang paling tepat digunakan untuk prediksi kunjungan pasien dengan jaringan syaraf tiruan menggunakan algoritma backpropagation dengan momentum adalah 6-2-1 dengan membagi data menjadi 2 bagian yaitu 10 data pelatihan dan 10 data pengujian. 3. Hasil penelitian dari data – data yang telah dilatihkan dan diuji menunjukkan bahwa jumlah pemakaian kertas untuk tahun berikutnya masi mengalami kenaikan. 4. Untuk lebih mengetahui kemampuan prediksi pemakaian kertas, semakin banyak jumlah data yang dilatihkan maka akan semakin baik kemampuan prediksi yang dihasilkan oleh jaringan syaraf tiruan, namun akan berdampak pada melambatnya proses pelatihan.

ISSN : 2301-4474

Indonesian Journal Of intelligent System, The Use of Edge Detection Method Applied To Backpropagation Artifikal Neural Network to Identify Face, Cybernetics, 2007. Diyah Puspitaninggrum, Pengantar Jaringan Syaraf Tiruan, Andi Yogyakarta, 2006. Arief Hermawan, Jaringan Syaraf Tiruan Teori dan Aplikasi, Andi Yogyakarta, 2006.

F. DAFTAR PUSTAKA Eli Yani, Pengantar Jaringan Syaraf Tiruan, Materi kuliah, 2005. Liza Afriyanti, Rancang Bangun Tool Untuk Jaringan Syaraf Tiruan (JST) Model Perseptron, Seminar nasional aplikasi teknologi yogyakarta, 2010. M.F.Andrijasa, Mistianingsih, Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran Di Prooinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation, Jurnal Informatika, 2010. Kiki, Sri Kusuma Dewi, Analisis jaringan Syaraf Tiruan Dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi, Universitas Islam Indonesia, 2006. Syafiie Nur Luthfie, Iplementasi Jaringan Syaraf Tiruan Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0. Universitas Gunadarma Depok, 2006. J.J. Siang, Jaringan Syaraf Tiruan & Pemograman Menggunakan MATLAB, Andi Yogyakarta, 2005,2009. Hidayanto Achmad, Setiyono Budi, Aplikasi Jaringan Syaraf Tiruan Perambatan Balik Untuk Peramalan Tinggi Gelombang Perairan Selatan Cilacap, Univeresitas Diponegoro, Semarang, 2005. Prediksi Untuk Kebutuhan Logistik . . .

93

PREDIKSI KEBUTUHAN LOGISTIK UNTUK SISTEM AKADEMIK DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN STUDI KASUS UNIVERSITAS PUTRA INDONESIA YPTK PADANG

Recommend Documents