ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL
DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
1
Musli Yanto,
2Sarjon Defit,
3Gunadi Widi Nurcahyo Un i ver s i tas Pu tr a I n d on es i a Y PT K Pa d an g
email: cancer_sif5@yahoo.com
Abstrak – Teknik yang digunakan dalam melakukan pemecahan kasus untuk memprediksi sesuatu hal yakni Jaringan Syaraf Tiruan (JST). JST akan dapat digunakan dalam hal untuk melakukan proses pencarian atau proses menemukan sesuatu tujuan yang diinginkan. Kinerja JST itu sendiri adalah melakukan suatu proses pembelajaran dari suatu model yang diinginkan berdasarkan data, kemudian JST yang akan melakukan proses untuk mencari atau menemukan dalam pencocokan pola.
Berdasarkan kasus dalam meramalkan jumlah pemesanan jumlah reservasi kamar hotel yang akan dilakukan pada hotel Grand Zuri Padang. Hasil dari proses prediksi nantinya dapat digunakan sebagai pembanding dengan data target yang telha ditentukan. Hasil prediksi yang didapat mempunyai tingkat akurasi 99.99% dan tingkat kesalahan 0.01%.
Kata Kunci : Jaringan Syaraf Tiruan (JST), Backpropagation, Reservasi kamar hotel.
1.1. PENDAHULUAN
Usaha dalam dunia perhotelan memungkinkan dapat memiliki resiko yang sangat tinggi. Hal ini dapat di lihat dari jumlah angka transaksi pemesanan (Reservasi) pada kamar hotel yang merupakan suatu penilaian, apakah usaha tersebut meningkat atau menurun, maka dari pemasalahan ini, maka dibutuhkan suatu perhitungan dalam hal paramalan jumlah transaksi dalam pemesanan (Reservasi) kamar hotel. Teknik yang digunakan dalam melakukan pemecahan kasus untuk memprediksi sesuatu hal yakni Jaringan Syaraf Tiruan (JST). JST akan dapat digunakan dalam hal untuk melakukan proses pencarian atau proses menemukan sesuatu tujuan yang diinginkan. Kinerja JST itu sendiri adalah melakikan uatu proses pembelajaran dari suatu model yang diinginkan berdasarkan data.
1.2. Perumusan Masalah
Pada penelitian ini peneliti dapat merumuskan beberapa permasalahan yang terkait dalam penelitian sebagai berikut:
1. Bagaimana Jaringan Syaraf Tiruan dapat mekakukan proses pemprediksian terhadap jumlah pemesanan (Reservasi) kamar hotel?
2. Bagaimana penerapan metode Back- propagation dalam melakukan pelatihan terhadap data yang digunakan, untuk menghasilkan hasil prediksi yang tepat dan akurat ? 3. Bagaimana bentuk model prediksi
jumlah pemesanan (Reservasi) kamar
hotel dengan menggunakan Jaringan Syaraf Tiruan ?
1.3. Tujuan Penelitian
Tujuan dari penelitian adalah penggunaan Jaringan Syaraf Tiruan agar mengarah pada topik pembahasan yakni :
1. Memahami masalah dalam melakukan proses suatu pemprediksian jumlah pemesanan (Reservasi) kamar hotel untuk periode berikutnya dengan menggunakan Jaringan Syaraf Tiruan.
2. Menganalisa seluruh variabel-variabel data yang dibutuhkan oleh Jaringan Syaraf Tiruan dalam melakukan proses prediksi terhadap jumlah pemesanan (Reservasi) kamar hotel.
3. Merancang sebuah sistem yang berbentuk model sistem Jaringan Syaraf Tiruan yang dapat melakukan proses prediksi jumlah pemesanan (Reservasi) kamar hotel dengan menggunakan Jaringan Syaraf Tiruan.
4. Membangun suatu sistem prediksi jumlah pemesanan (Reservasi) kamar hotel dengan menggunakan Jaringan Syaraf Tiruan.
5. Menguji, membandingkan dan meng- implementasikan hasil dari proses Jaringan Syaraf Tiruan yang dapat dilihat berdasarkan hasil keluaran dan keakuratan.
2. LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan telah dikembangkan sejak tahun 1940. Pada tahun 1943 McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron.
Teori ini dikenal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperkenalkan konsep perseptron suatu jaringan yang terdiri dari beberapa lapisan yang saling berhubungan melalui umpan maju (feed foward).
Konsep ini dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar intelejensia secara umum.
2.1.1 Pengertian Jaringan Syaraf Manusia Neural Networks (Artificial Neural Networks atau Jaringan Saraf Tiruan) merupakan sebuah metode softcomputing atau data mining yang banyak digunakan untuk melakukan pengklasifikasian dan prediksi.
Artificial Neural Networks (ANN) pertama kali dikembangkan oleh McCulloch dan Pitts pada tahun 1943, dan sekarang ini telah banyak dikembangkan menjadi bentuk ANN yang bermacam-macam.
2.2. Algoritma Backpropogation
Menurut Dini Oktaviani Maru'ao (2010), Backpropagation merupakan model Jaringan Syaraf Tiruan dengan layar jamak. Seperti halnya model Jaringan Syaraf Tiruan lainnya, Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.
2.1.1. Arsitektur Model Algoritma Backpropogation
Model Propagasi Balik memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. arsitektur model Propagasi Balik dengan (n) buah masukan (ditambah satu bias), sebuah layer tersembunyi yang terdiri dari (p) unit (ditambah sebuah bias) serta (n) buah unit keluaran (Fachrudin Pakaja, dkk. 2012).
Gambar 2.1 Arsitektur Model Propagasi Balik
Fungsi Aktivasi
Menurut Marleni Anike (2012), Ada beberapa fungsi aktivasi yang sering digunakan dalam Jaringan Syaraf Tiruan antara lain:
a. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih menggunakan metode backpropagation.Fungsi sigmoid biner yang tampak pada Gambar 6 memiliki nilai antara 0 sampai 1. Karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai keluaran yang terletak pada interval 0 sampai 1.:
y = f(x) = f ’(x) =
Gambar Fungsi AktivasiSigmoid Biner b. Fungsi Sigmoid Bipolar
Fungsi ini hampir sama dengan fungsi sigmoid biner, hanya saja keluaran dari fungsi ini antara 1 sampai -1. Sedangkan fungsi sigmoid bipolar dirumuskan seperti berikut ini:
y = f(x) = f ‘(x) = [1+f(x)][1-f(x)](7)
Gambar Fungsi Aktivasi Sigmoid Bipolar c. Fungsi Linear (Identitas)
Fungsi linear memiliki nilai keluaran yang sama dengan nilai masukkannya. Fungsi linear dirumuskan sebagai berikut:y = x
Gambar Fungsi Aktivasi Linear
2.1.4 Algoritma Backpropogation Jaringan Syaraf Tiruan Perambatan-Balik pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart danMc Clelland mengembangkannya pada tahun 1988.
Jaringan Syaraf Tiruan perambatan-balik (PB) adalah jaringan yang biasanya jaringan umpan maju, yang menggunakan PB sebagai kaidah belajar.Jaringan ini merupakan salah satu jenis yang mudah dipahami. Konsep belajarnya relatif sederhana, yaitu belajar dari kesalahan (Subiyanto, 2010).
Menurut Zumrotus Sya’diyah (2010), algoritma Backpropagation :
Step 0 : Inisialisasi bobot semua bobot dengan bilangan acak kecil Bobot bias input (voj) = bilangan acak dari - dan , dengan Bobot input (vij) = bilangan acak dari -0.5 dan 0.5 Bobot bias hidden (w0k) dan bobot hidden (w jk) = bilangan acak dari -1 dan 1.
Step 1: Jika kondisi penghentian belum terpenuhi, lakukan Step 2-9 Step 2: Untuk setiap pasang data pelatihan,
lakukan langkah 3-8
Step 3 : Tiap unit input (X, i i=1,..,n) menerima sinyal dan meneruskannya ke unit hidden Step 4 : Hitung semua output di unit hidden
(Zj,j=1,..,p) Z_in =
Step 5 : Hitung semua output di unit output (Yk, k=1,..,m)
Step 6 : Hitung unit output berdasarkan error di setiap unit output Y k
Hitung suku perubahan bobot hidden dan bobot bias hiddendenganlearning rate
Δ (11)
Δ Step 7 : Hitung unit hidden berdasarkan
error di setiap unit hidden Zj Hitung suku perubahan bobot input dan bobot bias input dengan learning rate
f ’ ( Step 8 : Hitung semua perubahan bobot
Step 9 : Test kondisi penghentian 3. ANALISA DAN PERANCANGAN
Dalam melakukan perancangan Jaringan Syaraf Tiruan yang digunakan untuk memprediksi jumlah pemesanan (Reservasi) kamar hotel, diperlukan langkah-langkah yang harus dikerjakan yang dimulai dari melakukan analisa data seperti faktor-faktor variabel dalam proses prediksi, lanjut dalam pembagian terhadap data yang digunakan, melakukan Normalisasi, membangun rancangan struktur jaringan yang akan digunakan, membuat bentuk pola-pola jaringan, proses pemberian nilai (Learning rate) dan Momentum, dan samapai di proses akhir yaitu Denormalisasi
.
Tabel 3.1. Data Yang Digunakan Dalam Prediksi Jumlah Pemesanan Kamar Berdasarkan Tipe Kamar Superior 2014
Bulan 2014
Event Masa Libur Superior
Januari 1 0 1587
Febuari 1 0 1562
Maret 1 0 1603
April 1 0 1621
Mei 1 0 1693
Juni 1 1 1681
Tabel 3.2. Hasil Transformasi Data Prediksi Jumlah Pemesanan Tipe Superior Kamar Untuk
Proses Pengujian Jaringan
X1 X2 X3 Target
1 0 1338 1587
1 0 1432 1562
1 0 1499 1603
1 0 1512 1621
1 0 1557 1693
1 1 1601 1681
X1 X2 X3 Target
1 0 0.1000 0.6611
1 1 0.3118 0.6048
1 0 0.4628 0.6972
1 0 0.4921 0.7377
1 0 0.5935 0.9000
1 1 0.6927 0.8730
Berikut model struktur Jaringan Syaraf Tiruan untuk memprediksi jumlah pemesanan (Reservasi) kamar hotel Grand Zuri Padang.
Gambar 3.3 Model Jaringan Syaraf Tiruan Prediksi Jumlah Pemesanan (Reservasi) Kamar
Hotel Grand Zuri Padang.
Pelatihan Jaringan Syaraf Tiruan
Pelatihan dilakukan dengan menggunakan beberapa bentuk perancangan yang dibentuk oleh penulis. hal ini dilakukan agar pelatihan akan menghasilkan output yang terbaik dalam proses prediksi jumlah pemesanan (Reservasi) kamar hotel pada Hotel Grand Zuri Padang. Paramerter yang akan digunakan :
Parameter-parameter input yang digunakan berdasarkan pada proses perancangan sebelumnya, terdiri atas beberapa pola pelatihan yaitu:
Pola Pelatihan 1 :
a. Jumlah neuron pada input layer sebanyak 3 neuron
b. Jumlah neuron pada hidden layer sebanyak 3 neuron
c. Toleransi error sebesar 0.001 d. Learning rate sebesar 0.2 e. Momentum sebesar 0.3
f. Max epoch sebanyak 1000 epoch 4. Pengujian dan Implementasi
4.1. Pelatihan Pola 1 (Arsitektur Pola 3-3-1) Pada Tipe Kamar Superior
Pola pelatihan 1 yang sudah dilakukan oleh penulis dengan menggunakan software matlab 6.1 berhasil menemukan goal dari nilai toleransi error yang sudah ditentukan oleh
penulis sebesar 0.001 pada epoch 3327.
Berikut ini merupakan ketentuan dari pelatihan pola 1, yakni :
Pola Pelatihan 1:
a. Jumlah neuron pada input layer sebanyak 6 neuron
b. Jumlah neuron pada hidden layer sebanyak 3 neuron
c. Toleransi error sebesar 0.001 d. Learning rate sebesar 0.2 e. Momentum sebesar 0.3
f. Max epoch sebanyak 10000 epoch
Gambar4.1. Grafik Pelatihan Jaringan Pola 1 pada Tipe Kamar Superior
Berdasarkan hasil pelatihan pola 1 tipe kamar superior, maka penulis akan mancari nilaiMAPE (Mean Absolute Percentage Error) dapat dilihat dengan persamaan berikut ini :
=
= 0.00026 = 0.03 % dimana : e = Total Error xi = Total Target n = Banyak Data
Nilai MAPE yang dihasilkan oleh pola pelatihan 1 tipe kamar superior sebesar 0.03 % sehingga tingkat ke akurasiannya dari proses pelatihan ini sebesar 99,97% dan nilai MSE sebesar 0.0009995.
4.2. Pengujian Pola 1 (Arsitektur 3-3-1) Selanjutnya pola pelatihan akan dilanjutkan dengan pola pengujian yang ke-2 yakni dengan parameter-parameter yang digunakan adalah :
Pola Pengujian 1 :
a. Jumlah neuron pada input layer sebanyak 3 neuron
b. Jumlah neuron pada hidden layer sebanyak 3 neuron
c. Toleransi error sebesar 0.001 d. Learning rate sebesar 0.2 e. Momentum sebesar 0.3
f. Max epoch sebanyak 10000 epoch
Pengujian Jaringan Pola 1 Untuk Tipe Kamar Superior
Gambar 4.2 Grafik Pengujian Jaringan Pola 1 pada Tipe Kamar Superior
Setelah seluruh proses pelatihan dan pengujian, maka hasil yang didapatkan berupa suatu bentuk tabel perbandingan berdasarkan hasil MAPE , MSE dan tingkat keakurasian.
berikut tabel perbandingan terhadap hasil pelatihan dan tabel perbandingan terhadap hasil pengujian.
Tabel 4.1 Hasil Perbandingan Terhadap Pelatihan Data
Superior
MAPE 0.03%
Akurasi 99.97%
MSE
(0.001) 0.0009995
Tabel 4.2 Hasil Perbandingan Terhadap Pengujian Data
Superior
MAPE
-
Akurasi -
MSE
(0.001) 0.0022118
Tabel 4.2 Hasil Perbandingan Terhadap hasil prediksi dengan target
BULAN S Prediksi Januari 1587 1588
Febuari 1562 1572
Maret 1603 1582
April 1621 1609
Mei 1693 1715
Juni 1681 1679
5. KESIMPULAN
Dari serangkaian proses penelitian yang dilakukan penulis dalam topik penelitian ini, maka penulis dapat menarik kesimpulan bahwa:
1.
Jaringan Syaraf Tiruan dapat melakukan proses pemprediksian terhadap jumlah pemesanan (Reservasi) kamar hotel sesuai object penelitian yakni hotel Grand Zuri Padang.2.
Penerapan dari algoritma Backpropagation untuk memprediksi jumlah pemesanan (Reservasi) kamar hotel ini menghasilkan hasil prediksi yang tepat dan akurat, sehingga hasil dari prediksi ini dapat menjadi bahan pertimbangan keputusan bagi pihak manajemen hotel itu nantinya.3.
Menghasilkan model Jaringan Syaraf Tiruan yang dapat digunakan untuk melakukan prediksi, model jaringan yang didapatkan berbentuk pola 3-6-1 yang mana terdiri dari 3 lapisan input, 5 lapisan hidden dan 1 lapisan output. sehingga pola ini dapat digunakan dalam melakukan prediksi terhadap jumlah pemesanan (Reservasi) kamar hotel.4.
Hasil prediksi yang didapatkan adalah hasil prediksi untuk bulan Januari-Juni pada tahun 2015 dan prediksi untuk bulan Juli-Desember pada tahun 2014.
DAFTAR PUSTAKA
Dessy, Wuryandari Maharani, Afrianto Irawan 2012. PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION
DAN LEARNING VECTOR
QUANTIZATION PADA
PENGENALAN WAJAH.
Hansun, Seng. 2012. Peramalan Data IHSG
Menggunakan Metode
Backpropagation.
Oktaviani Maru'ao, Dini 2010. Neural Network Implementation in Foreign Exchange Kurs Prediction.
BM Sangadji, Iriansyah 2009. Prediksi Perilaku Pola Pengunjung Terhadap Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation.
Pakaja, Fachrudin, Naba, Agus dan Purwanto, 2012. Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor.
Subiyanto, 2010. SISTEM KOMPUTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION.
Zulkarnain, Iskandar 2011. Sistem Pendeteksi Penyalahgunaan Narkoba dengan Menggunakan Jaringan Syaraf Tiruan BackPropagaation.
Anike, Marleni 2012. PENGEMBANGAN SISTEM JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI JUMLAH DOKTER KELUARGA MENGGU-NAKAN
BACKPROPAGATION (STUDI KASUS: REGIONAL X CABANG PALU).
Hidayat, M. Mahaputra 2013. ANALISIS PREDIKSI DO MAHASISWA
DALAM EDUCATIONALDATA
MINING MENGGUNAKAN
JARINGAN SYARAF TIRUAN.
Setiawan, Wahyudi 2008. PREDIKSI
HARGA SAHAM
MENGGUNAKAN JARINGAN
SYARAF TIRUAN MULTILAYER
FEEDFORWARD NETWORK
DENGAN ALGORITMA
BACKPROPAGATION