Sistem Prediksi Harga Kebutuhan Bahan Pokok Nasional Menggunakan
Metode K-Nearest Neighbour
Sofi Dwi Purwanto
1Abd. Charis Fauzan
2Agus Wahyudi
3Fadzila Yudi Mardana
4Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim
Jalan Gajayana 50 Malang 65144, Indonesia
Email : dwihayyana@gmail.com1, fauzancharis@gmail.com2, you.dikz99@gmail.com3, fadzilayudi@gmail.com4
Abstrak
Kesulitan untuk mengakses informasi mengenai harga kebutuhan bahan pokok dibeberapa daerah di Indonesia menyebabkan banyak oknum tengkulak nakal yang menipu para petani dengan membeli hasil panen dengan harga jauh dibawah harga jual dipasaran. SIPUT BANKOK (Sistem Informasi Prediksi Kebutuhan Bahan Pokok) dibangun agar dapat dimanfaatkan tidak hanya sekedar untuk memberikan informasi, namun juga dapat memprediksi fluktuasi harga kebutuhan bahan pokok dimasa mendatang. Aplikasi dibangun dengan mengimplementasikan metode k-nearest neighbor menggunakan 4 parameter input yang meliputi Gross Domestic Product (GDP) atau Produk Domestik Bruto (PDB), inflasi, kurs valuta asing atau nilai tukar rupiah terhadap dollar Amerika (USD) dan jumlah uang beredar dengan output harga ke-12 komoditas bahan pokok. Berdasarkan hasil pengujian yang telah dilakukan, dapat diperoleh tingkat akurasi terbaik adalah sebesar 100% yaitu pada komoditas kedelai lokal dan tepung terigu dengan rata-rata tingkat akurasi sebesar 97,9445% dan error sistem sebesar 2,0555%.
Kata kunci: Harga kebutuhan bahan pokok, SIPUT BANKOK, k-nearest neighbour.
1. Pendahuluan
Dalam era teknologi seperti ini masyarakat bisa sangat mudah untuk memperoleh informasi yang diinginkan. Banyak media yang dapat digunakan untuk mengakses informasi yang teraktual seperti, SMS, BBM, browsing, e-mail, sosial media dan masih banyak media komunikasi lainnya.
Tetapi hal tersebut terkadang tidaklah sesuai terhadap kenyataan yang terjadi pada beberapa daerah di Indonesia. Banyuwangi Misalnya, selama ini masyarakat sulit untuk mengakses informasi. Terutama informasi tentang harga bahan pokok yang ada di pasar. Masyarakat harus meluangkan waktu tersendiri dengan datang langsung ke pasar hanya untuk bisa memperoleh informasi tersebut. Padahal, informasi yang mereka terima ketika sampai di pasar juga masih simpang siur. Terlebih lagi, ketika masyarakat pedesaan yang ingin menjual hasil panennya tetapi tidak mengetahui harga jual dipasaran sehingga banyak oknum tengkulak nakal yang menipu para petani dengan membeli hasil panen petani dengan harga yang jauh dibawah harga jual dipasaran. Hal ini mengakibatkan kesejahteraan para petani menjadi tidak bisa meningkat[1].
Berdasarkan deskripsi diatas, muncul gagasan untuk membuat aplikasi yang kami namakan SIPUT BANKOK (Sistem Informasi Prediksi Kebutuhan Bahan Pokok, sebuah sistem yang dapat dimanfaatkan tidak hanya untuk memberikan informasi, namun juga dapat memprediksi fluktuasi harga kebutuhan bahan pokok dimasa mendatang.
Dengan adanya aplikasi ini diharapkan petani ataupun masyarakat lain yang membutuhkan dapat mengakses harga jual maupun harga beli untuk hasil panennya dipasaran, sehingga para petani tidak akan ditipu oleh oknum tengkulak nakal yang suka mempermainkan harga.
dalam beberapa media terkait persoalan ini seperti di Pasar Induk Kramat Jati Jakarta[2] dan di Gorontalo[3].
Melalui aplikasi ini pula, ibu-ibu rumah tangga tidak harus datang langsung ke pasar untuk sekedar mencari informasi harga. Petani pun dapat mematok harga beli untuk hasil panennya sehingga aplikasi ini bisa menjadi strategi bisnis yang prospektif dimasa yang akan datang guna menyongsong gelaran Masyarakat Ekonomi ASEAN (MEA) yang mulai diberlakukan pada tahun depan.
2. Tinjauan Pustaka
2.1. Sistem Informasi
Sistem Informasi adalah Suatu sistem terintegrasi yang mampu menyediakan informasi yang bermanfaat bagi penggunanya. Atau; Sebuah sistem terintegrasi atau sistem manusia-mesin, untuk menyediakan informasi untuk mendukung operasi, manajemen dalam suatu organisasi. Sistem informasi juga dapat diartikan sebagai alat untuk menyajikan informasi sedemikian rupa sehingga bermanfaat bagi penerimanya. Tujuannya adalah untuk memberikan informasi dalam perencanaan, memulai, pengorganisasian, operasional sebuah perusahaan yang melayani sinergi organisasi dalam proses mengendalikan pengambilan keputusan[4].
2.2. Bahan Pokok (Pangan)
Pangan adalah segala sesuatu yang berasal dari sumber daya hayati dan air, baik yang diolah maupun tidak diolah yang diperuntukkan sebagai makanan atau minuman bagi konsumsi manusia. Termasuk di dalam pengertian pangan adalah bahan tambahan pangan, bahan baku pangan, dan bahan-bahan lainnya yangdigunakan dalam proses penyiapan, pengolahan, dan/atau pembuatan makanan dan minuman. Pengertian pangan di atas merupakan definisi pangan yang dikeluarkan oleh badan dunia untuk urusan pangan, yaitu Food and Agricultural Organization (FAO).
2.3. Algoritma K-Nearest Neighbour
Algoritma k-nearest neighbour (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-Nearest Neighbour berdasarkan konsep „learning by analogy‟.
titik, yang ditandai dengan c, dalam ruang n-dimensi. Jika sebuah data query yang labelnya tidak diketahui diinputkan, maka K-Nearest Neighbour akan mencari k buah data learning yang jaraknya paling dekat dengan data query dalam ruang n-dimensi. Jarak antara data query dengan data learning dihitung dengan cara mengukur jarak antara titik yang merepresentasikan data query dengan semua titik yang merepresentasikan data learning dengan rumus Euclidean Distance.
Pada fase training, algoritma ini hanya melakukan penyimpanan vektor-vektor fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur – fitur yang sama dihitung untuk testing data (klasifikasinya belum diketahui). Jarak dari vektor yang baru ini terhadap seluruh vektor training sample dihitung, dan sejumlah k buah yang paling dekat diambil. Titik yang baru klasifikasinya diprediksikan termasuk pada klasifikasi terbanyak dari titik – titik tersebut. Nilai k yang terbaik untuk algoritma ini tergantung pada data; secara umumnya, nilai k yang tinggi akan mengurangi efek noise pada klasifikasi, tetapi membuat batasan antara setiap klasifikasi menjadi lebih kabur. Nilai k yang bagus dapat dipilih dengan optimasi parameter, misalnya dengan menggunakan cross-validation. Kasus khusus di mana klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k = 1) disebut algoritma nearest neighbor[5].
Gambar 1. Pemilihan K-Tetangga Terdekat [5]
2.4. Model Perhitungan K-Nearest Neighbour
dapat menggunakan beberapa metode seperti halnya euclidea. Adapun rumus dari metode tersebut yaitu[6]:
√∑
Keunggulan dari metode KNN ini adalah relatif tidak terpengaruh dari error dari data dan juga dapat digunakan dengan kumpulan data dengan jumlah besar. Namun kekurangan metode ini adalah proses pelaksanaannya lambat. Untuk meningkatkan akurasi dari metode yang digunakan dalam aplikasi yang akan dibangun kita menggunakan metode tambahan yang merupakan metode optimasi yang meminimalkan fungsi kesalahan untuk menentukan hasil akhir, Simple Unweighted voting. Adapun langkah kerja untuk perhitungan dengan menggunakan metode tersebut yaitu[7]:
Tentukan K (Jumlah tetangga terdekat).
Hitung Jarak antara data yang diuji dengan data training.
Urutkan berdasarkan jarak terdekat dan tentukan apakah termasuk dalam K (jumlah tetangga terdekat).
Hitung Rata-rata dari data yang termasuk dalam K.
∑
3. Metodologi dan Perancangan
Aplikasi yang dibangun merupakan aplikasi untuk memprediksi harga kebutuhan bahan-bahan pokok. Adapun diagram blok prosedur penelitian yang akan dilakukan adalah seperti yang tampak pada gambar 2, Sedangkan deskripsi masing-masing proses pada diagram blok akan dijelaskan pada komponen aplikasi.
Mulai
Selesai
Analisis Parameter
Perancangan dan Pengumpulan Data
Perancangan Database
Desain Aplikasi
Implementasi KNN
Gambar 2. Prosedur Penelitian
3.1. Sumber Data
Sumber data yang digunakan dalam penelitian ini berasal dari open data mengenai harga kebutuhan bahan pokok nasional yang diperoleh dari Kementerian Perdagangan (kemendag.go.id). Dalam penelitian ini data harga kebutuhan bahan pokok yang digunakan adalah data harga dari bulan Juni hingga September 2015. Waktu tiap bulannya disimbolkan dalam bentuk t. Data dibagi menjadi 2 kelompok, yaitu data training dan data testing.
3.2. Analisis Parameter
Terdapat beberapa faktor yang digunakan peneliti dalam memprediksi harga kebutuhan bahan pokok. Faktor-faktor yang dimaksud diantaranya adalah Gross Domestic Product (GDP) atau yang biasa disebut Produk Domestik Bruto (PDB), jumlah uang yang beredar, tingkat inflasi, dan nilai tukar mata uang asing terhadap rupiah. Parameter yang digunakan untuk menentukan prediksi harga bahan kebutuhan pokok nasional selaku output (Y) berasal dari indikator makroekonomi Indonesia, yang meliputi[8]:
a. Gross Domestic Product (GDP) atau Produk Domestik Bruto (PDB), sebagai X1
b.Jumlah uang yang beredar, sebagai X2 c. Inflasi, sebagai X3
Keempat parameter tersebut berfungsi sebagai indikator untuk menentukan harga kebutuhan bahan pokok nasional.
Gambar 3. Indikator Makroekonomi
3.3. Komponen Aplikasi
Pada tahap ini, desain sistem mulai dibentuk untuk menentukan bagaimana suatu sistem akan menyelesaikan masalah yang menjadi kajian pada objek penelitian ini. Pada dasarnya tahap perancangan sistem ini merupakan kombinasi dari komponen-komponen perangkat lunak dan perangkat keras dari suatu sistem. Perancangan sistem informasi prediksi harga kebutuhan bahan pokok ini akan diterapkan dengan menggunakkan tampilan yang akan dibuat dengan GUI berbasis website.
Pelatihan
Data Historis Indikator Ekonomi
Indonesia
Data Pelatihan
Data Pengujian
K Tetangga
Parameter Pelatihan
Proses Pelatihan
Hasil Pelatihan
Input Data Uji
Proses Pengujian
Hasil Pengujian
Hasil Prediksi Harga Bahan Pokok Pengujian
K Nearest Neighbour
Database Output
Gambar 4. Desain Sistem
Berdasarkan gambar diatas dapat kita lihat bahwa system untuk memprediksi harga kebutuhan bahan pokok menggunakan K-Nearest Neighbour terdiri dari 3 komponen, yaitu skema aplikasi, skema database, dan skema infrastruktur. Sistem terdiri dari data-data yang telah diperoleh maupun dari data-data yang merupakan hasil perhitungan yang kemudian disimpan dalam database. Terdapat 3 database yang nantinya akan digunakan didalam system. Pertama adalah data
indikator yang dapat mempengaruhi keadaan ekonomi Indonesia. Kedua adalah data k tetangga yang merupakan data dari hasil pelatihan yang kemudian akan dipakai dalam pengujian sistem.
3.4. Proses Mining K-Nearest Neighbour
Proses mining yang akan di implementasikan pada metode K-Nearest Neighbour untuk memprediksi harga kebutuhan bahan-bahan pokok harus melalui beberapa tahapan yang melibatkan komponen-komponen penting didalamnya. Adapun proses selengkapnya adalah seperti yang tampak pada gambar 5.
Gambar 5. Proses Mining
Sedangkan proses prediksi dengan menggunakan metode K-Nearest Neighbour adalah seperti yang ditunjukkan pada gambar 6 berikut.
Mulai
Input Data Uji, Jumlah K tetangga terdekat
Normalisasi Data
Akumulasi Data Input
Perhitungan Jarak Dengan Euclidian
Distance
Sorting
Ambil Data Sebanyak K
Simple Unweighted Voting
Output Hasil Prediksi
3.5. Desain Aplikasi
Desain aplikasi untuk memprediksi harga kebutuhan bahan pokok ini digambarkan dalam bentuk activity diagram seperti yang tampak pada gambar 7.
Gambar 7. Activity Diagram Aplikasi
Ketika pengguna membuka aplikasi, sistem dapat mengambil data parameter secara otomatis dari website acuan. Selain itu aplikasi juga dapat memprediksi secara otomatis harga seluruh komoditas kebutuhan bahan pokok pada hari yang sama. User juga dapat memilih salah satu komoditas yang terdapat didalam aplikasi. Selanjutnya user memilih salah satu komoditas dari opsi yang ditampilkan oleh aplikasi yang meliputi bawang merah, beras medium, cabai merah biasa, cabai merah keriting, daging ayam broiler, daging sapi, gula pasir, kedelai impor kedelai lokal, minyak goring curah, telur ayam ras dan tepung terigu. Setelah itu aplikasi akan memprediksi harga kebutuhan bahan pokok yang telah dipilih oleh user dan display grafik fluktuasi harga kebutuhan bahan-bahan pokok pada periode tertentu. User dapat memakai fitur prediksi untuk menghitung perkiraan harga kebutuhan pokok kedepannya berdasarkan komoditas yang telah dipilih sebelumnya. Untuk detail desain aplikasi ini ditunjukkan pada gambar 8.
Buka aplikasi
Database
User Aplikasi
Ambil data pelatihan komoditas
Data pelatihan
Simpan data pengujian
Data pengujian Tampil parameter pengujian
Tampil prediksi semua komoditas
Tampil grafik semua komodotas
Pilih komoditas Ambil data pelatihan komoditas terpilih
Data pelatihan komoditas terpilih
Simpan data pengujian komoditas terpilih
Data pengujian komoditas terpilih Tampil parameter pengujian
Tampil prediksi komoditas terpilih
Tampil grafik komoditas terpilih
Gambar 8. Sequence Diagram Aplikasi
3.6. Skenario Pengguna
Mulai
Mengambil nilai parameter secara realtime
Normalisasi data
Implementasi KNN Data
pengujian
Data pelatihan
Prediksi harga kebutuhan bahan pokok
Selesai
Gambar 9. Alur Program
4. Uji Coba dan Pembahasan
Setelah melalui proses perancangan, selanjutnya harus diuji tingkat akurasi sistem dalam memprediksi harga kebutuhan bahan pokok. Hal ini dilakukan untuk mengetahui sejauh mana sistem dapat bekerja dalam memprediksi harga kebutuhan bahan pokok.
4.1. Implementasi Aplikasi
Implementasi aplikasi menerapkan metode-metode yang telah disebutkan pada pembahasan metodologi penelitian dan perancangan sistem. Fitur utama aplikasi adalah menvisualisasikan hasil prediksi dalam bentuk grafik yang dikelompokkan kedalam 2 kategori yaitu pertanian dan peternakan dan menampilkan daftar harga prediksi semua komoditas kebutuhan bahan pokok dalam bentuk tabel. Adapun interface aplikasi ditunjukkan pada gambar 10 dan 11.
Gambar 10. Daftar Harga Semua Komoditas Hasil Prediksi
Gambar 11. Visualisasi Hasil Prediksi Semua Komoditas
4.2. Pengujian Sistem
Data yang diujikan dalam sistem merupakan data yang telah disiapkan untuk meguji tingkat akurasi sistem. Jumlah data yang digunakan dalam pengujian sebanyak 1 set pada 12 komoditas bahan pokok yag meliputi bawang merah, beras medium, cabai merah biasa, cabai merah keriting, daging ayam broiler, daging sapi, gula pasir, kedelai impor, kedelai lokal, minyak goring curah, telur ayam ras dan tepung terigu. Artinya jumlah total keseluruhan data yang diujikan adalah sebanyak 12 set. Proses pengujian dimulai dengan mengambil data yang akan diujikan kedalam sistem dari database yang telah dirancang.
Selanjutnya tingkat akurasi sistem akan dihitung untuk mengetahui seberapa baik sistem yang telah dibangun untuk memprediksi ke-12 komoditas harga kebutuhan bahan pokok. Adapun hasil perhitungan tingkat akurasi system adalah seperti yang ditunjukkan pada tabel 1.
Tabel 1. Data Hasil Pengujian
No. Komoditas Data Uji
Output Sistem
Akurasi (%) 1 Bawang
Merah 20.080 19.830 98,755% 2
Cabai Merah Biasa
30.030 32.916,
667 91,23%
3
Cabai Merah Keriting
32.600 35.720 91,265%
5 Beras Rata-Rata Akurasi 97,945%
Error Sistem 2,0555%
Dari Tabel 2 didapatkan 16 hasil pengujian dengan tingkat akurasi yang berbeda-beda. Rata-rata tingkat akurasi yang diperoleh adalah sebesar 81.375%. Grafik perbandingan tingkat akurasi masing-masing komoditas dapat dilihat pada gambar 12.
Gambar 12. Perbandingan Tingkat Akurasi Sistem
4.3. Analisis Hasil Kerja Sistem
Data yang digunakan adalah berasal dari data kementerian perdagangan Republik Indonesia terhitung sejak tanggal 1 Juni 2015 hingga 30 September. Jumlah data yang digunakan untuk masing-masing komoditas adalah sebesar 121 data, dengan rincian 120 data digunakan sebagai data latih dan 1 data digunakan sebagai data uji.
Akurasi dipengaruhi oleh jumlah k, kualitas data, dan jumlah data set. Nilai k yang digunakan dalam penelitian ini adalah 3. Pada dapat diketahui bahwa tingkat akurasi terendah adalah pada komoditas cabai
merah biasa dengan prosentase sebesar 91,23%, hal ini disebabkan karena pergerakan harga komoditas tersebut cenderung stagnan sehingga kompleksitas data yang diolah kedalam sistem cenderung rendah jika dibandingkan dengan 11 komoditas lainnya.
Dari hasil pengujian yang telah dilakukan, hasil prediksi terbaik ditunjukkan pada komoditas kedelai lokal dan tepung terigu yang dapat mengenali dan memprediksi harga secara sempurna tanpa terdapat kesalahan sehingga akurasi sistem mencapai 100%. Selain itu hasil pada pengujian lainnya juga menunjukkan hasil keluaran yang hampir memenuhi target yang telah ditentukan seperti pada komoditas gula pasir, target yang diberikan adalah 12.660 sedangkan hasil keluaran sistem menunjukkan 12.653,333 yang mendekati angka target dengan besaran tingkat akurasi 99,947%, begitu juga pada komoditas kedelai impor dengan target 11.030, keluaran sistem menunjukkan 11.050 sehingga tingkat akurasi sistem mendekati sempurna dengan prosentase sebesar 99,819%. Rata-rata akurasi sistem diperoleh dari hasil seluruh penjumlahan nilai akurasi masing-masing dibagi dengan jumlah komoditas kebutuhan bahan pokok. Dari hasil perhitungan yang telah dilakukan hasil rata-rata tingkat akurasi adalah sebesar 97,9445% dengan nilai error sistem sebesar 2,0555%.
Sedangkan model perhitungan jarak dengan menggunakan euclidean distance juga cocok diterapkan pada kasus ini karena jarak dihitung berdasarkan kasus lama dan menghasilkan nilai jarak yang lebih kompatibel untuk penyelesaian kasus ini, sehingga hal tersebut mempengaruhi nilai perhitungan untuk memprediksi harga kebutuhan bahan pokok yang menggunakan metode simple unweighted voting dalam menentukan solusi yang diambil.
5. Penutup
5.1. Kesimpulan
Setelah dilakukan penelitian, perancangan dan implementasi sistem dapat ditarik beberapa kesimpulan sebagai berikut:
bawang merah, beras medium, cabai merah biasa, cabai merah keriting, daging ayam broiler, daging sapi, gula pasir, kedelai impor, kedelai lokal, minyak goreng curah, telur ayam ras dan tepung terigu.
2.Setelah dilakukan pengujian terhadap sistem dapat diperoleh tingkat akurasi terbaik adalah sebesar 100% yaitu pada komoditas kedelai lokal dan tepung terigu dengan rata-rata tingkat akurasi sebesar 97,9445% dan error sistem sebesar 2,0555%.
5.2. Saran
Saran yang dapat ditulis untuk penelitian ini yaitu untuk penelitian selanjutnya diharapkan adanya variabel input yang lebih rinci untuk digunakan sebagai data uji dan data target karena mungkin masih banyak faktor yang menyebabkan fluktuasi laju perubahan harga kebutuhan bahan pokok.
6. Referensi
[1] Hartono Rudi, “Sistem Informasi Harga Bahan Pokok dengan Penerapan SMS Gateway Menggunakan Bahasa Pemrograman C#”, Jurusan Teknik Informatika Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi, 2013.
[2] Hutauruk Chiquita Olivia, “Harga Bahan Pokok di Pasar Induk Kramat Jati Belum Stabil [online]”, Tersedia: http://www.beritasatu.com/ekonomi/292409-harga- bahan-pokok-di-pasar-induk-kramat-jati-belum-stabil.html, 2015.
[3] Putra Yudha Manggala, “Harga Bahan Pokok di Gorontalo tak Stabil Jelang Ramadhan [online]”, Tersedia: http:// www. republika.co.id / berita / nasional/ daerah/15/06/08/nplst5-harga-bahan-pokok-di-gorontalo-tak-stabil-jelang-ramadhan, 2015.
[4] Anwar Saiful, “Makalah Konsep Sistem Informasi”, Universitas Gunadarma, Jakarta, 2015.
[5] Wikipedia, “KNN [online]”, Tersedia: http://id. wikipedia.org/wiki/KNN, 2013.
[6] Yessivirna Riska dkk, “Klasifikasi Suara Berdasarkan Gender (Jenis Kelamin) Dengan Metode K-Nearest Neighbor (KNN)”, Jurusan Ilmu Komputer, Fakultas Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang, 2013.
[7] Rizanti Hanifa Vidya dkk, “Pengenalan Citra Alphabet Berdasarkan Parameter Momen Invarian Dengan Metode Case-Based Reasoning”, Jurusan Teknik Informatika, Fakultas Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya, Malang, 2010. [8] Hardjanto Arini, “Volatilitas Harga Pangan dan