Analisis Jaraingan Saraf Tiruan Backpropagation Menggunakan Conjugate Gradient Fletcher Reeves dalam Proses Memprediksi

(1)

i

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION

MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

ANJAR WANTO

157038039

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2017

(2)

ii

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION

MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

ANJAR WANTO

157038039

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

2017

(3)

ii

PERSETUJUAN

Judul Tesis :

Kategori : TESIS

Nama : ANJAR WANTO

NIM : 157038039

Jurusan/Program Studi : TEKNIK INFORMATIKA

Fakultas :

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Sawaluddin, M.IT Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh

Program Studi S2 Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 195707011986011 003

ANALISIS JARINGAN SARAF TIRUAN BACKPRO-PAGATION MENGGUNAKAN CONJUGATE GRA-DIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI

ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(4)

iii

PERNYATAAN

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

Saya mengakui bahwa Tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 24 Juli 2017

Anjar Wanto 157038039

(5)

iv

PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :

Nama : Anjar Wanto

NIM : 157038039

Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty

Free Right) atas tesis saya yang berjudul :

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION

MENGGUNAKAN CONJUGATE GRADIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasi tesis saya tanpa meminta izin dari saya selama tetap mencantum nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 24 Juli 2017

Anjar Wanto

157038039

(6)

v Telah diuji pada

Tanggal: 24 Juli 2017

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Dr. Sawaluddin, M.IT

2. Dr. Poltak Sihombing, M.Kom 3. Dr. Syahril Efendi, S.Si, M.IT

(7)

vi

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Anjar Wanto, S.Kom

Tempat dan Tanggal Lahir : Bah Jambi, 14 Februari 1985

Alamat Rumah : Jln. Asahan Gg. Amal Pematang Assilum Telepon/Faks/HP : 0852 7588 8349

E-mail : [email protected]

Instansi Tempat Bekerja : STIKOM Tunas Bangsa Pematangsiantar Alamat Kantor : Jln. Sudirman Blok A No. 2, 3 Pematangsiantar

DATA PENDIDIKAN

SD : No. 095201 Emplasmen Bah Jambi TAMAT : tahun 1996 SLTP : Taman Siswa Bah Jambi TAMAT : tahun 1999 SLTA : SMK Negeri 2 Pematangsiantar TAMAT : tahun 2002 D3 : AMIK Tunas Bangsa Pematangsiantar TAMAT : tahun 2010

S1 : STT Poliprofesi Medan TAMAT : tahun 2012

S2 : Teknik Informatika USU TAMAT : tahun 2017

(8)

vii

UCAPAN TERIMAKASIH

Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas segala rahmat serta karunia Nya sehingga penelitian ini yang berjudul “Analisis Jaringan Saraf Tiruan

Backpropagation Dengan Menggunakan Conjugate Gradient FletcherReeves Dalam

Proses Memprediksi” dapat diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan terimakasih kepada :

1. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik Informatika serta sebagai pembimbing utama penulis, atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

2. Bapak Dr. Syahril Efendi, S.Si, M.IT Selaku Sekretaris Program Studi S2 Teknik Informatika serta sebagai Pembanding 2 penulis pada saat Sidang Tesis.

3. Bapak Dr. Sawaluddin, M.IT selaku pembimbing kedua penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

4. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yang telah memberikan bantuan dan pelayanan terbaik selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

5. Bapak H. Maulia Ahmad Ridwansyahputra, selaku Ketua Yayasan Muhammad Nasir Pematangsiantar, yang telah memberikan bantuan moril, materi maupun motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

(9)

viii

6. Bapak Dedy Hartama, S.T., M.Kom, yang telah memberikan bantuan moril maupun motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

7. Seluruh Dosen dan Staf Pegawai AMIK dan STIKOM Tunas Bangsa, yang telah memberikan dukungan dan motifasi selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

8. Orangtua tercinta serta seluruh keluarga atas ketulusan do’a, dukungan serta motifasi dan nasehat-nasehat sepanjang waktu sehingga dapat menyelesaikan pendidikan S2 ini.

9. Istri tercinta May Sandra Purba atas ketulusan do’a, serta selalu memberikan semangat kepada penulis hingga terselesaikannya tesis ini

10.Teman-teman seperjuangan Kom-A tahun 2015 Fasilkom TI USU atas kebersamaan dan kekompakkan dalam perkuliahan dan tetap semangat sampai akhir, serta semua pihak yang tidak bisa penulis sebutkan satu persatu.

Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan, untuk itu mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan.

Medan, Juli 2017

Anjar Wanto 157038039

(10)

ix

ABSTRAK

Backpropagation merupakan algoritma pada Jaringan Saraf Tiruan yang baik

digunakan untuk memprediksi, salah satunya untuk memprediksi laju Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan. Sedangkan conjugate gradient

fletcher reeves merupakan metode optimasi yang cocok bila disandingkan dengan

metode backpropagation, karena metode ini dapat mempersingkat iterasi tanpa mengurangi kualitas hasil pelatihan dan pengujian. Data Indeks Harga Konsumen (IHK) yang akan diprediksi bersumber dari Badan Pusat Statistik (BPS) kota Pematangsiantar. Hasil penelitian ini nantinya diharapkan dapat memberikan kontribusi bagi pemerintah dalam membuat kebijakan untuk meningkatkan pertumbuhan ekonomi. Pada penelitian ini, data yang diperoleh akan diolah dengan melakukan pelatihan dan pengujian dengan jaringan saraf tiruan backpropagation

dengan menggunakan parameter learning rate dan target error yang sama, yakni 0,01. Jaringan pelatihan dibangun dengan fungsi aktivasi sigmoid biner dan bipolar. Setelah hasil dengan backpropagation diperoleh, maka kemudian akan di optimasi dengan menggunakan metode conjugate gradient fletcher reeves dengan melakukan pelatihan dan pengujian yang sama berdasarkan 5 arsitektur jaringan yang telah ditentukan. Hasilnya, metode yang digunakan mampu meningkatkan terjadi peningkatan kecepatan dan hasil akurasi.

Kata Kunci : Neural Network, Backpropagation, Prediksi, Fletcher Reeves.

(11)

x

ABSTRACT

Backpropagation is a good artificial neural network algorithm used to predict, one of

which is to predict the rate of Consumer Price Index (CPI) based on the foodstuff

sector. While conjugate gradient fletcher reeves is a suitable optimization method

when juxtaposed with backpropagation method, because this method can shorten

iteration without reducing the quality of training and testing result. Consumer Price

Index (CPI) data that will be predicted to come from the Central Statistics Agency

(BPS) Pematangsiantar city. The results of this study will be expected to contribute to

the government in making policies to improve economic growth. In this study, the data

obtained will be processed by conducting training and testing with artificial neural

network backpropagation by using the parameter learning rate and target error of the

same, that is 0.01. The training network is built with binary and bipolar sigmoid

activation functions. After the result with backpropagation is obtained, it will then be

optimized by using conjugate gradient fletcher reeves method by doing the same

training and testing based on 5 predefined network architecture. The result, the

method used can increase the speed and accuracy result.

Keywords : Neural Network, Backpropagation, Prediction, Fletcher Reeves.

(12)

xi

DAFTAR ISI

Hal

PERSETUJUAN ... ii

PERNYATAAN ... iii

PERNYATAAN PERSETUJUAN PUBLIKASI ... iv

RIWAYAT HIDUP ... vi

1.4. Batasan Atau Ruang Lingkup Penelitian ... 4

1.5. Manfaat Penelitian ... 4

BAB 2 TINJAUAN PUSTAKA... 5

2.1. Analisis... 5

2.2. Kecerdasan Buatan (Artificial Intelligence) ... 5

2.3. Backpropagation ... 5

2.3.1. Arsitektur Backpropagation ... 6

2.3.2. Jaringan SarafBackpropagation ... 7

(13)

xii

2.3.3. Fungsi Aktivasi Pada JST ... 7

2.3.4. Mengevaluasi Kinerja Model... 10

2.4. Conjugate Gradient ... 12

3.2. Kerangka Kerja Penelitian ... 15

3.3. Teknik Proses Pelatihan Dan Pengujian ... 19

3.4. Tempat Penelitian ... 19

3.7.3. Pengolahan Data (Normalisasi) ... 24

3.7.4. Pelatihan Jaringan ... 35

3.7.5. Proses Testing (Pengujian) ... 36

BAB 4 ANALISIS DAN HASIL PENELITIAN ... 39

4.1. Pendahuluan ... 39

4.2. Analisis Penelitian ... 41

4.3. Hasil Penelitian ... 42

4.3.1. Pelatihan Dan Pengujian Arsitektur 12-6-1 ... 42

4.4. Optimasi Backpropagation Dengan Fletcher Reeves ... 52

4.4.1. Optimasi Arsitektur 12-6-1 ... 53

(14)

xiii

4.4.6. Hasil Pengujian Iterasi ... 63

4.4.7. Hasil Pengujian Tingkat Akurasi Pelatihan ... 64

4.4.8. Hasil Pengujian Akurasi Tingkat Testing ... 64

4.5. Hasil Pembahasan ... 64

BAB 5 KESIMPULAN DAN SARAN ... 66

5.1. Kesimpulan... 66

5.2. Saran ... 66

DAFTAR PUSTAKA ... 67

(15)

xiv

DAFTAR TABEL

Hal

TABEL 1.1. Kelompok Pengeluaran Indeks Harga Konsumen ... 2

TABEL 1.2. Subkelompok dari Sektor Indeks Harga Konsumen ... 2

TABEL 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016 ... 20

TABEL 3.2. Indeks Harga Konsumen Tahun 2014 ... 21

TABEL 3.5. Data Input Yang Digunakan ... 21

TABEL 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Mengguna- kan Rotasi Putar ... 25

TABEL 3.7. Hasil Normalisasi Data Pelatihan Tahun 2014-2015 ... 26

TABEL 3.8. Data Awal Pengujian Tahun 2015-2016 Dengan Menggun- akan Rotasi Putar ... 27

TABEL 3.9. Hasil Normalisasi Data Pengujian Tahun 2015-2016 ... 28

TABEL 3.10. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Vji ... 29

TABEL 3.11. Bobot Dari Layar Masukan Ke Layar Tersembunyi = Wkj ... 29

TABEL 3.12. Suku Perubahan Bobot Ke Unit Tersembunyi ... 34

TABEL 3.13. Perubahan Bobot Unit Keluaran ... 35

TABEL 3.14. Perubahan Bobot Tersembunyi ... 35

TABEL 4.1. Arsitektur JST Backpropagation Standar ... 41

TABEL 4.2. Akurasi Data Pelatihan Arsitektur 12-6-1 ... 43

TABEL 4.3. Akurasi Data Pengujian Arsitektur 12-6-1 ... 44

(16)

xv

TABEL 4.12. Akurasi Data Pelatihan Arsitektur 12-6-1 Dengan Fletcher

Reeves ... 54 TABEL 4.13. Akurasi Data Pengujian Arsitektur 12-6-1 Dengan Fletcher

Reeves ... 54 TABEL 4.14. Akurasi Data Pelatihan Arsitektur 12-15-1 Dengan Fletcher

Reeves ... 63

(17)

xvi

DAFTAR GAMBAR

Hal

GAMBAR 2.1. Jaringan Saraf Tiruan Backpropagation ... 6

GAMBAR 2.2. Fungsi aktivasi : Undak Biner (Hard Limit) ... 7

GAMBAR 2.3. Fungsi aktivasi : Undak Biner (Threshold)... 8

GAMBAR 2.4. Fungsi aktivasi : Fungsi Bipolar (Symetric Hard Limit) ... 8

GAMBAR 2.5. Fungsi aktivasi : Fungsi Bipolar (Threshold) ... 8

GAMBAR 2.6. Fungsi aktivasi : Fungsi Linear (Identitas) ... 8

GAMBAR 2.7. Fungsi aktivasi : Fungsi Saturating Linear ... 9

GAMBAR 2.8. Fungsi aktivasi : Fungsi Symetric Saturating Linear ... 9

GAMBAR 2.9. Fungsi aktivasi : Fungsi Sigmoid Biner ... 10

GAMBAR 2.10. Fungsi aktivasi : Fungsi Sigmoid Bipolar ... 10

GAMBAR 3.1. Kerangka Kerja Penelitian ... 16

GAMBAR 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR 19 GAMBAR 3.3. Arsitektur JST Indeks Harga Konsumen (IHK) ... 22

GAMBAR 4.1. Pelatihan Menggunakan Arsitektur 12-6-1 ... 42

GAMBAR 4.2. Performance Pelatihan Menggunakan Arsitektur 12-6-1 ... 43

GAMBAR 4.11. Optimasi Pelatihan Menggunakan Arsitektur 12-6-1 ... 53

(18)

xvii

GAMBAR 4.16. Grafik Iterasi BP Standard Dan BP + CGFR ... 63 GAMBAR 4.17. Grafik Akurasi Pelatihan BP Standard Dan BP + CGFR ... 64 GAMBAR 4.18. Grafik Iterasi Pengujian BP Standard Dan BP + CGFR ... 64