Fakultas Ilmu Komputer
Universitas Brawijaya 2792
Prediksi Nilai Ekspor Impor Migas Dan Non-Migas Indonesia Menggunakan Extreme Learning Machine (ELM)
Dhatu Kertayuga1, Edy Santoso2, Nurul Hidayat3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1dhatukertayuga@gmail.com, 2edy144@ub.ac.id, 3ntayadih@ub.ac.id
Abstrak
Kekayaan sumber daya Indonesia merupakan salah satu aset penting bagi suatu negara berkembang.
Untuk memajukan roda perekonomian Indonesia, dilakukan kegiatan perdagangan antar negara yaitu ekspor dan impor. Sumber daya yang diekspor dan diimpor oleh Indonesia adalah sumber daya migas dan non-migas. Walaupun Indonesia mampu memproduksi hasil migas dan non-migasnya sendiri, namun jumlah impor migas dan non-migas Indonesia masih lebih banyak dibandingkan dengan jumlah ekspor migas dan non-migas Indonesia. Untuk membantu strategi pembangunan ekonomi Indoneisa, diperlukan suatu prediksi untuk memperkirakan nilai ekspor impor migas dan non-migas Indonesia.
Dalam penelitian ini, algoritme yang digunakan adalah Extreme Learning Machine (ELM). Kemudian, data yang digunakan adalah data ekspor migas dan non-migas serta data impor migas dan non-migas yang diperoleh dari Badan Pusat Statistik (BPS) mulai dari Januari 1993 hinga Desember 2020.
Pengujian dilakukan dengan mengubah perbandingan jumlah data training : testing, jumlah fitur data, dan jumlah hidden neuron dengan masing - masing 10 kali percobaan. Penelitian ini mendapatkan hasil dengan dataset ekspor didapatkan rata – rata nilai Mean Absolute Percentage Error (MAPE) terkecil sebesar 6,6742% untuk perbandingan jumlah data training : testing 70%:30%, jumlah fitur data 5, dan jumlah hidden neuron 8, sementara untuk dataset impor, hasil terbaik diperoleh dengan perbandingan jumlah data training : testing 80%:20%, jumlah fitur data 4, dan jumlah hidden neuron 10 dengan nilai rata – rata MAPE akhir yaitu 10,0515%.
Kata kunci: prediksi, ekspor, impor, migas dan non-migas, Exrtreme Learning Machine (ELM) Abstract
Indonesia's resource wealth is one of the important assets for a developing country. To advance the wheels of the Indonesian economy, trade activities between countries are carried out, namely exports and imports. Resources exported and imported by Indonesia are oil and gas and non-oil and gas resources. Although Indonesia is capable of producing its own oil and gas and non-oil and gas products, Indonesia's imports of oil and gas and non-oil and gas are still higher than Indonesia's total exports of oil and gas and non-oil and gas. To assist Indonesia's economic development strategy, a prediction is needed to estimate the value of Indonesia's oil and gas and non-oil and gas exports and imports. In this study, the algorithm used is Extreme Learning Machine (ELM). Then, the data used are oil and gas and non-oil and gas export data as well as oil and gas and non-oil and gas import data obtained from the Badan Pusat Statistik (BPS) from January 1993 to December 2020. The results obtained from this study are export data with the average mean absolute percentage error (MAPE) value of 6.6742% for the comparison of the number of training : testing, the number of data features, and the number of hidden neurons the best is 70%:30%, 5, and 8. While for import datasets, the comparison of the number of training : testing, the number of data features, and the number of hidden neurons is the best 80%:20%, 4, and 10 with a final MAPE average of 10.0515%.
Keywords: prediction, export, import, oil and gas and non-oil and gas, Exrtreme Learning Machine (ELM)
1. PENDAHULUAN
Pada umumnya, pembangunan ekonomi merupakan salah satu poin pembangunan
penting bagi negara berkembang seperti Indonesia. Tujuannya untuk meningkatkan pembangunan nasional sehingga berefek pada pembangunan bidang lainnya. Untuk membangun ekonomi negara, Indonesia perlu mempertimbangkan pertumbuhan ekonomi.
Salah satu faktor keberhasilan dalam pembangunan perekonomian suatu negara adalah pertumbuhan ekonominya. Peningkatan permintaan ekspor berarti produksi dalam negri akan meningkat, produksi dalam negeri yang meningkat dapat memancing pergerakan roda perekonomian dalam negeri sehingga ekonomi dalam negeri akan tumbuh atau meningkat.
Sementara peningkatan barang impor berarti meningkatkan barang produksi dari luar negeri yang dikirim. Kenaikan barang produksi luar negeri dapat menurunkan produktifitas dalam negeri karena menurunnya permintaan barang serupa sehingga berefek menurunkan pertumbuhan ekonomi dalam negeri (Astuti dan Ayuningtyas, 2018). Menurut Kementrian Perdagangan, pada tahun 2018, perdagangan migas dan non-migas Indonesia untuk ekspor sebesar 180.012,7 Juta USD dan untuk impor sebesar 188.711,4 juta USD, kemudian pada tahun 2019, perdagangan migas dan non-migas Indonesia untuk ekspor sebesar 167.683 Juta USD dan impor sebesar 171.275,7 juta USD, namun pada tahun 2020, perdagangan migas dan non-migas Indonesia untuk ekspor sebesar 163.306,3 Juta USD dan impor sebesar 141.568,7 juta USD. Jumlah tersebut menunjukan bahwa jumlah impor migas dan non-migas Indonesia bisa lebih tinggi dibandingkan jumlah ekspor migas dan non- migas Indonesia maupun sebaliknya. Dampak negatif impor yang tinggi tidak mempengaruhi kondisi ekonomi negara apabila yang diimpor adalah barang berupa bahan dasar dan barang setengah jadi yang tidak tersedia di dalam negeri serta tidak melebihi ekspor (Sedyaningrum dan Nuzula, 2016).
Berdasarkan pernyataan diatas, Indonesia perlu meningkatkan ekspor negara untuk menumbuhkan perekonomian negara. Agar strategi pengembangan sektor perekonomian negara bisa tepat sasaran, diperlukan suatu prediksi untuk menentukan seberapa besar ekspor dan impor barang yang harus dijalankan negara. Sebelumnya, Andriani, et al (2018) sudah melakukan penelitian untuk prediksi ekspor dan impor migas dengan metode Backpropagation dengan hasil tingkat akurasi 83%, Mean Squared Error (MSE)
0,0281641257 dan tingkat error yang diperoleh sebesar 0,001 - 0,05. Penelitian lain yang dilakukan oleh Saputri dan Ekojono (2018) yaitu memprediksi impor beras nasional menggunakan Extreme Learning Machine (ELM) menghasilkan tingkat error terkecil menggunakan jumlah neuron berjumlah 7 dengan nilai MSE yang dihasilkan adalah sebesar 0,0079. Hasil pengujian data menggunakan data testing sebesar 80% (37 data) dan data testing 20% (9 data) dari keseluruhan jumlah data yaitu 46 data. Lalu penelitian yang dilakukan oleh Anggraini (2017) dengan memprediksi nilai tukar asing menunjukkan memperoleh hasil terbaik dengan konfigurasi jumlah hidden node 25 pada kurs jual dan kurs beli dengan hasil prediksi yang diperoleh memiliki nilai error pada kurs jual sebesar 0,000368 dan pada kurs beli sebesar 0,001596 dengan metode ELM. Lalu penelitian yang dilakukan oleh Sajjadi, et al (2016) dengan judul “Extreme Learning Machine for Prediction of Heat Load in District Heating Systems” yang membandingkan kinerja ELM dengan Genetic Programming (GP) dan Artificial Neural Network (ANN) untuk membuat model prediksi beban panas sistem pemanas distrik mendapatkan hasil Root Mean Square Error (RMSE) untuk ELM sebesar 17,5764 sementara ANN sebesar 17,9663 dan GP sebesar 18,8980.
Atas dasar penelitian terdahulu yang telah dibahas diatas, Extreme Learning Machine (ELM) mampu menghasilkan tingkat error prediksi yang rendah sehingga hal ini dapat membuktikan bahwa metode ELM dapat menghasilkan hasil prediksi yang bagus. Sistem prediksi ekspor impor migas dan non-migas Indonesia menggunakan ELM dapat menjadi sebuah solusi pemerintah untuk memprediksi tingkat ekspor impor migas dan non-migas Indonesia untuk waktu yang akan datang.
Sehingga pemerintah dapat membuat strategi pembangunan perekonomian yang sesuai dengan kondisi negara.
2. DASAR TEORI 2.1. Ekspor
Ekspor merupakan proses penjualan ke luar negeri komoditas jasa atau barang yang dibuat di dalam negeri (Astuti dan Ayuningtyas, 2018). Ekspor neto positif menggambarkan banyaknya permintaan negara lain akan barang
dari dalam negeri, sehingga produktivitas dalam negeri meningkat kemudian berefek pada meningkatnya pertumbuhan ekonomi dalam negeri (Pridayanti, 2014).
2.2. Impor
Impor ialah proses memasukkan barang yang dibuat di luar negeri ke dalam negeri (Astuti dan Ayuningtyas, 2018). Jika proses impor lebih banyak dibandingkan ekspor, maka nilai ekspor neto menjadi negatif. Ekspor neto negatif menggambarkan rendahnya permintaan barang dalam negeri dibandingkan barang luar negeri, sehingga menurunkan produktivitas dalam negeri kemudian menjadikan turunnya pertumbuhan ekonomi dalam negeri (Pridayanti, 2014).
2.3. Minyak dan Gas Bumi (Migas)
Menurut UU Republik Indonesia Nomor 22 Tahun 2001, migas merupakan komoditas vital yang berperan penting sebagai penghasil devisa negara, pemenuhan kebutuhan tenaga di dalam negeri, dan bahan utama industri. Minyak bumi adalah hidrokarbon yang mengalami keadaan tekanan dan temperatur sangat tinggi berbentuk cair atau padat yang didapat dari aktivitas penambangan. Sementara gas bumi adalah hidrokarbon mengalami keadaan tekanan dan temperatur sangat tinggi berbentuk gas yang didapat dari aktivitas penambangan.
2.4. Non-Minyak dan Gas Bumi (Non-Migas) Non-Migas adalah komoditas diluar minyak dan gas bumi. Non migas terdiri dari hasil pertanian seperti teh, beras, dan rempah- rempah, hasil manufaktur seperti bahan kimia, alat cukur, semen, dan kertas, dan hasil pertambangan seperti batu bara, nikel, dan tembaga (Razak dan Jaya, 2014).
2.5. Prediksi
Prediksi atau peramalan merupakan teknik prakiraan sesuatu kejadian yang mungkin terjadi di masa mendatang namun tetap memperhatikan bermacam informasi yang terkait pada masa lampau dengan suatu metode ilmiah. Prediksi bertujuan untuk memperoleh informasi yang akan terjadi dengan kemungkinan kejadian tertinggi (Wanto dan Windarto, 2017).
2.6. Jaringan Syaraf Tiruan (JST)
Jaringan Syaraf Tiruan (JST) yang menggunakan pendekatan bentuk jaringan sel syaraf merupakan salah satu teknik pengelolahan suatu informasi. JST membentuk cara penyelesaian masalah dengan bentuk dari berberapa neuron yang terkoneksi satu sama lain. Kemudian neuron akan memerkuat atau memperlemah sinyal dengan bobot. Untuk mendapatkan output, seluruh neuron input akan melalui fungsi aktivasi. JST belajar dari suatu contoh sama seperti manusia (Wibawa, et al., 2018).
2.7. Extreme Learning Machine (ELM) Extreme Learning Machine (ELM) ialah salah satu metode jaringan syaraf tiruan yang dibuat oleh Guang-Bin Huang, Qin-Yu Zhu, dan Chee-Kheong Siew. ELM diciptakan untuk menanggulangi learning speed dari jaringan syaraf tiruan feedforward yang rendah (Huang, et al., 2006). Alasan jaringan saraf tiruan feedforward memiliki learning speed yang kecil adalah:
Menggunakan algoritme berbasis gradient descent (mencari nilai minimum suatu fungsi) yang lambat untuk melakukan training.
Metode pembelajaran tersebut dilakukan secara berulang dengan parameter pada jaringan.
Secara sederhana, struktur algoritme Extreme Learning Machine dapat dilihat pada Gambar 1 berikut.
Gambar 1 Struktur Algoritme Extreme Learning Machine
2.8. Min – Max Normalization
Agar data bisa seimbang dalam batas yang telah ditentukan, Min-Max Normalization digunakan sebagai suatu metode normalisasi data dengan cara melakukan transformasi linier
dengan data. (Patro dan Sahu, 2015).
2.9. Mean Absolute Percentage Error (MAPE) Mean Absolute Percentage Error (MAPE) adalah nilai rata - rata kesalahan hasil prediksi yang digunakan untuk mengukur keakuratan metode (Aprilia, 2016). MAPE menghitung tingkat kesalahan dari hasil prediksi dan dari data yang digunakan yang kemudian ditampilkan dalam nilai persen (Hadiansyah, 2017).
3. METODOLOGI PENELITIAN
Penelitian ini menggunakan data sekunder dari Badan Pusat Statistik (BPS) berbentuk tabel berisi nilai ekspor impor migas dan non- migas mulai dari Januari, 1993 – Desember, 2020 untuk setiap bulan.
3.1. Diagram Alir Extreme Learning Machine
Gambar 2 Diagram Alir Extreme Learning Machine
Pada Gambar 2, data masukan berupa jumlah data ekspor dan jumlah data dari bulan Januari 1993 hingga Desember 2020.
Kemudian data masukan akan dilakukan normalisasi dengan min-max normalization.
Data masukan yang telah dinormalisasi akan di training berdasarkan parameter jumlah hidden neuron dan rasio data training : testing untuk
mendapatkan output weight dari data latih. Lalu dari output weight tersebut, dilakukan testing sehingga didapatkan hasil prediksi. Hasil akhir yang diperoleh adalah nilai Mean Absolute Percentage Error (MAPE) dan hasil prediksi yang sudah didenormalisasi.
3.2. Diagram Alir Normalisasi Data
Gambar 3 Diagram Alir Normalisasi Data Pada Gambar 3, data masukan berupa jumlah data ekspor dan jumlah data impor dari bulan Januari 1993 hingga Desember 2020.
Langkah pertama yang dilakukan adalah mencari nilai tertinggi dan nilai terendah dari fitur data ekspor dan data impor. Kemudian untuk setiap data didalam fitur, akan dilakukan normalisasi dengan Min – Max Normalization.
Hasil akhir yang diperoleh adalah data hasil normalisasi dan nilai max – nilai min yang akan digunakan dalam proses denormalisasi nantinya.
3.3. Diagram Alir Proses Training
Langkah awal pada proses training diawali dengan inisialisasi input weight dan bias.
Kemudian melakukan perhitungan output hidden layer. Dari output hidden layer, lanjut menghitung fungsi aktivasi. Lalu menghitung matriks Moore-Penrose Generalized Inverse.
Kemudian menghitung matriks output weight.
Hasil akhir yang diperoleh adalah nilai output weight, input weight, dan bias yang akan digunakan dalam proses testing. Untuk diagram
alir dapat dilihat pada Gambar 4.
Gambar 4 Diagram Alir Proses Training
3.4. Diagram Alir Proses Testing
Gambar 5 Diagram Alir Proses Testing
Pada Gambar 5, langkah proses testing diawali dengan memasukkan nilai input weight dan bias yang digunakan pada saat training. Kemudian melakukan perhitungan output hidden layer menggunakan data uji. Setelah diperoleh output hidden layer, kemudian menghitung fungsi aktivasi. Lalu menghitung output layer menggunakan output weight dari proses training. Setelah itu dilakukan denormalisasi untuk mendapatkan hasil sebenarnya dari prediksi. Kemudian evaluasi hasil prediksi dengan menghitung Mean Absolute Percentage Error (MAPE). Hasil akhir yang diperoleh adalah hasil prediksi dan hasil evaluasi berupa MAPE.
4. HASIL DAN PEMBAHASAN
4.1. Hasil Pengujian Perbandingan Jumlah Data Training : Data Testing
Pengujian perbandingan jumlah data training : data testing digunakan untuk menentukan perbandingan jumlah data training : data testing yang dapat menghasilkan nilai MAPE yang paling kecil. Percobaan akan dilakukan dengan konfigurasi 40%:60%, 50%:50%, 60%:40%, 70%:30%, dan 80%:20%
sebanyak 10 kali dengan menggunakan 5 fitur data dan 10 hidden neuron yang kemudian di rata- rata. Nilai bobot dan bias akan diinisialisasi pada setiap percobaan dengan nilai random. Hasil yang diperoleh untuk dataset ekspor migas dan non-migas bisa dilihat pada Tabel 1 berikut.
Tabel 1 Pengujian Perbandingan Data Training : Data Testing (Dataset Ekspor)
Perbandingan Data
Rata – Rata MAPE (%)
40%:60% 37,3540
50%:50% 17,8606
60%:40% 14,5917
70%:30% 6,7946
80%:20% 7,1653
Kemudian hasil yang diperoleh untuk dataset impor migas dan non-migas bisa dilihat pada Tabel 2 berikut.
Tabel 2 Hasil Pengujian Perbandingan Data Training : Data Testing (Dataset Impor)
Perbandingan Data
Rata – Rata MAPE (%)
40%:60% 74,1135
50%:50% 61,5525
60%:40% 20,5921
70%:30% 10,1971
80%:20% 10,1733
Dari Tabel 1 dapat diketahui bahwa untuk hasil pengujian perbandingan jumlah data training : data testing dengan dataset ekspor, rata – rata nilai MAPE yang tertinggi untuk yaitu 37,3540% dengan perbandingan jumlah data training : data testing sebesar 40%:60%.
Sementara rata – rata nilai MAPE yang terendah yaitu 6,7946% dengan perbandingan jumlah data training : data testing sebesar 70%:30%. Detail grafik dapat dilihat pada Gambar 6 berikut.
Gambar 6 Grafik Hasil Pengujian Perbandingan Data Training : Data Testing (Dataset
Ekspor)
Kemudian dilihat dari Tabel 2, untuk hasil pengujian perbandingan jumlah data training : data testing dengan dataset impor, rata – rata nilai MAPE yang tertinggi untuk yaitu 74,1135% dengan perbandingan jumlah data training : data testing sebesar 40%:60%.
Sementara rata – rata nilai MAPE yang terendah yaitu 10,1733% dengan perbandingan jumlah data training : data testing sebesar 80%:20%. Detail grafik dapat dilihat pada Gambar 7 berikut.
Gambar 7 Grafik Hasil Pengujian Perbandingan Data Training : Data Testing (Dataset
Impor)
Pada Gambar 6, hasil pengujian perbandingan jumlah data training : data testing untuk 40%:60% hingga 70%:30% diperoleh rata – rata hasil MAPE yang menunjukkan penurunan kemudian pada perbandingan data 80:20% mengalami kenaikan. Untuk Gambar 7, hasil pengujian perbandingan jumlah data training : data testing untuk 40%:60% hingga 80%:20% diperoleh rata – rata hasil MAPE yang menunjukkan penurunan. Dilihat dari hasil pengujian perbandingan jumlah data training : data testing dengan dataset ekspor maupun impor, dapat disimpulkan jumlah data training yang digunakan dalam proses pelatihan yang banyak dapat meningkatkan akurasi hasil prediksi algoritme ELM. Namun ada kasus tertentu seperti pada pengujian dengan dataset ekspor dimana hasil prediksi yang akurat diperoleh dengan perbandingan data 70%:30%.
4.2. Hasil Pengujian Jumlah Fitur Data Jumlah fitur data diujikan untuk mengetahui jumlah fitur data yang menghasilkan nilai MAPE yang paling rendah.
Jumlah fitur data yang diuji adalah mulai dari 1 hingga 10 dan jika jumlah fitur data terkecil lebih dari 8, maka pengujian dilakukan dari jumlah fitur data dengan nilai MAPE terkecil hingga 2 setelahnya dengan percobaan sebanyak 10 kali. Percobaan ini menggunakan 10 hidden neuron dan jumlah perbandingan jumlah data training : data testing yang terbaik dari hasil uji sebelumnya.Hasil yang diperoleh untuk dataset ekspor migas dan non-migas bisa dilihat pada Tabel 3 berikut.
Tabel 3 Hasil Pengujian Jumlah Fitur Data (Dataset Ekspor)
Jumlah Fitur Data
Rata – Rata MAPE (%)
1 17,8707
2 7,6074
3 7,2866
4 6,8832
5 6,7564
6 6,8828
7 7,0456
8 7,0318
9 7,2711
10 10,1733
Kemudian hasil yang diperoleh untuk dataset impor migas dan non-migas bisa dilihat pada Tabel 4 berikut.
Tabel 4 Hasil Pengujian Jumlah Fitur Data (Dataset Impor)
Jumlah Fitur Data
Rata – Rata MAPE (%)
1 23,7594
2 11,4301
3 10,8392
4 10,0764
5 10,2423
6 10,1650
7 10,2778
8 10,1830
9 10,6406
10 10,5243
Dari Tabel 3 dapat diketahui bahwa untuk hasil pengujian jumlah fitur data dengan dataset ekspor, rata – rata nilai MAPE yang tertinggi untuk yaitu 17,8707% dengan jumlah fitur data sebesar 1. Sementara rata – rata nilai MAPE yang terendah yaitu 6,7564% dengan jumlah fitur data sebesar 5. Detail grafik dapat dilihat pada Gambar 8 berikut.
Gambar 8 Grafik Hasil Pengujian Jumlah Fitur Data (Dataset Ekspor)
Kemudian dilihat dari Tabel_4 dapat diketahui bahwa untuk hasil pengujian jumlah fitur data dengan dataset impor, rata – rata nilai MAPE yang tertinggi untuk yaitu 23,7594%
dengan jumlah fitur data sebesar 1. Sementara rata – rata nilai MAPE yang terendah yaitu 10,0764% dengan perbandingan jumlah fitur data sebesar 4. Detail grafik dapat dilihat pada Gambar 9 berikut.
Gambar 9 Grafik Hasil Pengujian Jumlah Fitur Data (Dataset Impor)
Dilihat dari hasil pengujian jumlah fitur data dengan dataset ekspor maupun impor, dapat disimpulkan bahwa semakin banyak fitur data yang digunakan dalam algoritme ELM tidak membuat hasil MAPE menjadi lebih baik.
Dapat dilihat pada Gambar 8 bahwa pada jumlah fitur data 1 hingga 5, rata – rata hasil MAPE menunjukkan penurunan. Setelah itu pada jumlah fitur data 6 hingga 10, rata – rata MAPE menunjukkan pola kenaikan rata – rata nilai MAPE. Kemudian pada Gambar 9 dapat dilihat bahwa pada jumlah fitur data 1 hingga 4, rata – rata hasil MAPE menunjukkan penurunan. Setelah itu pada jumlah fitur data 5 hingga 10, rata – rata MAPE menunjukkan pola kenaikan rata – rata nilai MAPE. Sehingga dapat disimpulkan bahwa jumlah fitur data yang terlalu sedikit menyebabkan pola data yang terbentuk juga sedikit. Namun jumlah fitur data yang terlalu banyak menyebabkan pola data yang terbentuk terlalu luas dan bervariatif.
Selain itu fitur data dapat mempengaruhi proses pelatihan karena fitur data yang banyak dapat menyebabkan data yang digunakan dalam proses pelatihan menjadi lebih sedikit sehingga dapat mempengaruhi hasil prediksi.
4.3. Hasil Pengujian Jumlah Hidden Neuron Jumlah hidden neuron diujikan untuk mendapatkan jumlah hidden neuron yang menghasilkan nilai MAPE yang paling rendah.
Jumlah hidden neuron yang diuji yakni antara 1 hingga 10 dan jika jumlah hidden neuron terkecil lebih dari 8, maka pengujian dilakukan dari jumlah hidden neuron dengan nilai MAPE terkecil hingga 2 setelahnya dengan percobaan sebanyak 10 kali. Percobaan ini menggunakan jumlah fitur data dan jumlah perbandingan data training dan data testing terbaik dari hasil percobaan sebelumnya. Hasil yang diperoleh untuk dataset ekspor migas dan non-migas bisa dilihat pada Tabel 5 berikut.
Tabel 5 Hasil Pengujian Jumlah Hidden Node (Dataset Ekspor)
Jumlah Hidden Node
Rata – Rata MAPE (%)
1 45,7254
2 10,0607
3 7,7153
4 6,9436
5 7,0547
6 6,8219
7 6,7584
8 6,6742
9 6,7679
10 6,8327
Kemudian hasil yang diperoleh untuk dataset impor migas dan non-migas bisa dilihat pada Tabel 6 berikut.
Tabel 6 Hasil Pengujian Jumlah Hidden Node (Dataset Impor)
Jumlah Hidden Node
Rata – Rata MAPE (%)
1 51,8180
2 14,6848
3 13,4707
4 10,5629
5 10,6575
6 10,3017
7 10,0968
8 10,1142
9 10,1615
10 10,0515
11 10,1475
12 10,2186
Dari Tabel 5 dapat diketahui bahwa untuk hasil pengujian jumlah hidden neuron, dengan dataset ekspor, rata – rata nilai MAPE yang tertinggi untuk yaitu 45,7254% dengan jumlah hidden neuron sebesar 1. Sementara rata – rata nilai MAPE yang terendah yaitu 6,6742%
dengan perbandingan jumlah hidden neuron sebesar 8. Detail grafik dapat dilihat pada Gambar 10 berikut.
Gambar 10 Grafik Hasil Pengujian Jumlah Hidden neuron (Dataset Ekspor)
Kemudian dilihat dari Tabel_6 dapat diketahui bahwa untuk hasil pengujian jumlah hidden neuron dengan dataset impor, rata – rata nilai MAPE yang tertinggi untuk yaitu 51,8180% dengan jumlah fitur data sebesar 1.
Sementara rata – rata nilai MAPE yang terendah yaitu 10,0515% dengan perbandingan jumlah hidden neuron sebesar 10. Detail grafik dapat dilihat pada Gambar 11 berikut.
Gambar 11 Grafik Hasil Pengujian Jumlah Hidden neuron (Dataset Impor)
Dilihat dari Gambar 10, dapat dilihat pada hasil pengujian jumlah hidden neuron 1 hingga 8 cenderung mengalami penurunan rata – rata nilai MAPE untuk data ekspor. Kemudian untuk hasil pengujian jumlah hidden neuron 9 dan 10 cenderung mengalami kenaikan. Lalu untuk Gambar 11, dapat dilihat pada hasil pengujian jumlah hidden neuron 1 hingga 10 cenderung mengalami penurunan rata – rata nilai MAPE namun untuk jumlah hidden neuron 11 dan 12 mengalami kenaikan untuk data impor. Sehingga dapat disimpulkan bahwa jumlah hidden neuron dalam ELM mempengaruhi proses pemodelan, hidden neuron yang terlalu sedikit menyebabkan ELM tidak dapat melihat pola pada data sehingga mempengaruhi tingginya nilai MAPE.
Sementara hidden neuron yang terlalu banyak dapat menyebabkan ELM terlalu fokus pada pola data tertentu sehingga mempengaruhi tingginya nilai MAPE.
5. KESIMPULAN
Penelitian ini menguji 3 parameter yaitu perbandingan jumlah data training : testing, jumlah fitur data, dan jumlah hidden neuron.
Dari hasil pengujian 3 parameter tersebut, baik untuk dataset ekspor dan impor didapatkan perbandingan jumlah data latih yang tinggi, jumlah fitur data yang cukup, dan jumlah hidden neuron yang cukup dapat memperbaik hasil prediksi. Sebaliknya jumlah data latih yang sedikit, jumlah fitur data yang terlalu sedikit/banyak, dan jumlah hidden neuron yang terlalu sedikit/banyak dapat memperburuk hasil
prediksi.
Kemudian hasil pengujian yang diperoleh dari penelitian ini yaitu untuk dataset ekspor, perbandingan jumlah data training : testing, jumlah fitur data, dan jumlah hidden neuron yang terbaik adalah masing – masing 70%:30%, 5, dan 8 dengan nilai rata – rata MAPE akhir yaitu 6,6742%. Sementara untuk dataset impor, perbandingan jumlah data training : testing, jumlah fitur data, dan jumlah hidden neuron yang terbaik adalah masing – masing 80%:20%, 4, dan 10 dengan nilai rata – rata MAPE akhir yaitu 10,0515%. Sehingga dapat disimpulkan bahwa algoritme ELM dapat memprediksi data ekspor migas dan non-migas dengan baik dan memprediksi data impor migas dan non-migas dengan cukup baik.
6. DAFTAR PUSTAKA
Andriani, Y., Silitonga, H. and Wanto, A., 2018. Analisis Jaringan Syaraf Tiruan untuk prediksi volume ekspor dan impor migas di Indonesia. Register:
Jurnal Ilmiah Teknologi Sistem Informasi, 4(1), pp.30-40.
Anggraini, S.D., 2017. Prediksi Nilai Tukar Mata Uang Asing Menggunakan Extreme Learning Machine.
Mathunesa: Jurnal Ilmiah Matematika, 3(6).
Aprilia, D., 2016. Penerapan Metode Forecast Exponential Smoothing pada Jumlah Pasien Puskesmas. Jurnal Biometrika dan Kependudukan, 5(2), pp.146-156.
Astuti, I.P. and Ayuningtyas, F.J., 2018.
Pengaruh Ekspor Dan Impor Terhadap Pertumbuhan Ekonomi Di Indonesia.
Jurnal Ekonomi & Studi Pembangunan, 19(1), pp.1-10.
Hadiansyah, F.N., 2017. Prediksi Harga Cabai dengan Menggunakan pemodelan Time Series ARIMA. Indonesia Journal on Computing (Indo-JC), 2(1), pp.71-78.
Huang, G.B., Zhu, Q.Y. and Siew, C.K., 2006.
Extreme learning machine: theory and applications. Neurocomputing, 70(1-3), pp.489-501.
Patro, S. and Sahu, K.K., 2015. Normalization:
A preprocessing stage. arXiv preprint
arXiv:1503.06462.
Pemerintah Indonesia, 2001. Undang-undang Republik Indonesia Nomor 22 Tahun 2001 tentang Minyak dan Gas Bumi.
Jakarta : Kementerian Sekretariat Negara Republik Indonesia.
Pridayanti, A., 2014. Pengaruh ekspor, impor, dan nilai tukar terhadap pertumbuhan ekonomi di Indonesia periode 2002- 2012. Jurnal Pendidikan Ekonomi (JUPE), 2(2).
Razak, M. and Jaya, M.I.I., 2014. PENGARUH EKSPOR MIGAS DAN NON MIGAS TERHADAP PRODUK DOMESTIK BRUTO INDONESIA. AKMEN Jurnal Ilmiah, 11(2).
Sajjadi, S., Shamshirband, S., Alizamir, M., Yee, L., Mansor, Z., Manaf, A.A., Altameem, T.A. and Mostafaeipour, A., 2016. Extreme learning machine for prediction of heat load in district heating systems. Energy and Buildings, 122, pp.222-227.
Saputri, E.A. and Ekojono, E., 2018. Prediksi Volume Impor Beras Nasional Menggunakan Jaringan Saraf Tiruan Metode ELM (Extreme Learning Machine). SENTIA 2018, 10(1).
Sedyaningrum, M. and Nuzula, N.F., 2016.
Pengaruh Jumlah Nilai Ekspor, Impor Dan Pertumbuhan Ekonomi Terhadap Nilai Tukar Dan Daya Beli Masyarakat Di Indonesia Studi Pada Bank Indonesia Periode Tahun 2006: iv- 2015: iii. Jurnal Administrasi Bisnis, 34(1), pp.114-121.
Wanto, A. and Windarto, A.P., 2017. Analisis prediksi indeks harga konsumen berdasarkan kelompok kesehatan dengan menggunakan metode backpropagation. Sinkron: Jurnal dan Penelitian Teknik Informatika, 2(2), pp.37-43.
Wibawa, A.P., Purnama, M.G.A., Akbar, M.F.
and Dwiyanto, F.A., 2018. Metode- metode Klasifikasi. In Prosiding Seminar Ilmu Komputer dan Teknologi Informasi Vol (Vol. 3, No. 1).
