Penerapan Jaringan Saraf Tiruan Untuk Memprediksi Pergerakan Harga Minyak Mentah Dunia Menggunakan Metode Backpropagation

PENERAPAN JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI

PERGERAKAN HARGA MINYAK MENTAH DUNIA

MENGGUNAKAN METODE BACKPROPAGATION

SKRIPSI

AZIZAH ENDRASTATY

081401063

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

MEDAN

PENERAPAN JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI

PERGERAKAN HARGA MINYAK MENTAH DUNIA

MENGGUNAKAN METODE

BACKPROPAGATION

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh

ijazah Sarjana Komputer

AZIZAH ENDRASTATY

081401063

PROGRAM STUDI S1 ILMU KOMPUTER

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

PERSETUJUAN

Judul : PENERAPAN JARINGAN SARAF TIRUAN

UNTUK MEMPREDIKSI PERGERAKAN HARGA MINYAK MENTAH DUNIA MENGGUNAKAN METODE BACKPROPAGATION

Kategori : SKRIPSI

Nama : AZIZAH ENDRASTATY

Nomor Induk Mahasiswa : 081401063

Program Studi : S1 ILMU KOMPUTER Departemen : ILMU KOMPUTER

Fakultas : FAKULTAS ILMU KOMPUTER DAN

TEKNOLOGI INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2013

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Amer Sharif, S.Si, M.Kom Dr. Poltak Sihombing, M.Kom

NIP. - NIP. 196203171991031001

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

PERNYATAAN

PENERAPAN JARINGAN SARAF TIRUAN UNTUK MEMPREDIKSI PERGERAKAN HARGA MINYAK MENTAH DUNIA

MENGGUNAKAN METODE BACKPROPAGATION

SKRIPSI

Saya menyatakan bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2013

PENGHARGAAN

Alhamdulillah. Puji dan syukur penulis ucapkan kepada Allah SWT, atas limpahan rahmat dan karunia-Nya, tiada daya upaya kecuali dari Allah SWT. Alhamdulillah, penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Komputer, Program Studi Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

Tak lupa pula shalawat beriring salam tercurah kepada Rasullulah SAW, yang mengajarkan kepada manusia syari’at yang sempurna sehingga kita dapat menikmati islam.

Pada pengerjaan skripsi dengan judul penerapan jaringan saraf tiruan untuk memprediksi pergerakan harga minyak mentah dunia menggunakan metode

backpropagation, penulis menyadari bahwa banyak pihak yang turut membantu dan memotivasi dalam pengerjaannya. Dalam kesempatan ini, penulis mengucapkan terimakasih kepada:

1. Bapak Prof. Dr. dr. Syahril Pasaribu, DTM&H. M.Sc(CTM). SP.A(K), selaku Rektor Universitas Sumatera Utara.

2. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi.

3. Bapak Dr. Poltak Sihombing, M.Kom selaku dosen pembimbing dan Ketua Program Studi Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan nasehat, arahan dan motivasi kepada penulis dalam pengerjaan skripsi ini.

4. Bapak Amer Sharif, S.Si, M.Kom sebagai pembimbing yang telah memberikan nasehat, arahan, motivasi dan banyak membantu penulis dalam pengerjaan skripsi ini.

5. Bapak Ade Candra, S.T, M.Kom sebagai dosen penguji yang telah memberikan kritik dan saran kepada penulis dalam penyempurnaan skripsi ini.

6. Ibu Maya Silvi Lydia, B.Sc, M.Sc sebagai dosen penguji dan Sekretaris Program Studi Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan kritik dan saran kepada penulis dalam penyempurnaan skripsi ini

7. Kepada seluruh Dosen dan semua Pegawai di Program Studi S1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara. 8. Papa, Ir Bambang Sudibya, M.T dan Mama, Dra Mardiana Irawaty, M.Sc.St serta

adik-adik Iqbal Nur Khusein, Laila Khairunnisa Amini juga keluarga besar di Medan dan di Yogya yang telah memberikan do’a, dukungan, perhatian serta kasih sayang yang tulus serta pengorbanan yang tidak ternilai harganya.

9. Bapak Mohammad Andri Budiman, S.T, M.Comp.Sc, MEM selaku Pembina UKMI Al-Khuwarizmi, dan seluruh keluarga besar UKMI Al-Khuwarizmi yang selalu menginspirasi saya untuk terus berjuang dan berkarya.

10.Saudara-saudara seperjuangan saya di UKMI Ad-Dakwah USU, para penjalin ukhuwah penebar dakwah, mari sama-sama lulus dari kampus dan memperoleh gelar sarjana dengan indah.

11.Keluarga kecil saya di kampus, khususnya Murabbi, dan teman-teman halaqoh

semuanya, yang senantiasa mengingatkan untuk cepat lulus dan berprestasi.

12.Seluruh adik-adik binaan Ilkom yang spesial, Bunga, Fura, Ema, Dini, Murni, Nisa, Ika, Dias, Novi, Nurul, Amel, Puput FISIP, Ida, Tika, Ain, Endang, Fatimah, Annisa dan juga adik-adik lainnya yang tidak bisa disebut satu per satu. Adik-adik yang selalu memberikan perhatian dan doa kepada penulis.

13.Teman-teman mahasiswa S1-Ilmu Komputer stambuk 2008, terutama kepada Sadifa Asrofa, Rima Lestari, Alvi Syukriati Hsb, Anni Magfirah, Zainuddin Siregar dan Eko Verdianto yang banyak membantu dan juga memotivasi penulis.

14.Teman-teman di Asrama Putri, Dita, Yati, Qomariah,S.Sos, Ema, Yani, Asih, yang juga sedang mengerjakan skripsi. Teman-teman yang selalu menghibur dan memberikan nasehat serta motivasi.

15.Semua pihak yang terlibat langsung ataupun tidak langsung yang tidak dapat penulis ucapkan satu per satu yang telah membantu penyelesaian skripsi ini.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, oleh karena itu penulis menerima saran dan kritik yang bersifat membangun demi kesempurnaan skripsi ini. Sehingga dapat bermanfaat bagi kita semuanya.

Medan, Juli 2013

ABSTRAK

Setiap tahun pergerakan harga minyak dari waktu ke waktu selalu menjadi sorotan pelaku ekonomi dunia. Pada kenyataannya pergerakan harga minyak yang terjadi umumnya dapat dipahami dengan melihat pola kejadian di masa lalu. Penulis memaparkan perancangan sistem prediksi harga minyak mentah dunia menggunakan metode jaringan saraf tiruan backpropagation. Masukan dalam sistem ini adalah harga minyak mentah menurut harga pasar WTI (West Texas Intermediate). Pada sistem ini terdapat tahap pelatihan dan tahap prediksi. Tahap pelatihan digunakan untuk mempelajari pola masukan sebanyak 320 data harga minyak yang terbagi dalam empat neuron masukkan. Sedangkan tahap prediksi digunakan untuk menghasilkan pola harga minyak dengan merujuk pada data yang dihasilkan di tahap pelatihan. Data tersebut antara lain: bobot pelatihan, mean dan standart deviasi. Arsitektur jaringan terdiri dari empat lapisan, satu lapisan masukan, dua lapisan tersembunyi dan satu lapisan keluaran. Terdapat empat neuron pada lapisan masukan, 12 neuron pada lapisan tersembunyi pertama, delapan neuron pada lapisan tersembunyi kedua dan satu neuron pada lapisan keluaran. Dari proses pelatihan didapat nilai kesalahan terbesar 8.86 x 10-6 dengan jumlah epoch terbesar 45 iteration, laju pembelajaran 0.1 dan momentum 0.9. Pada tahap pelatihan secara keseluruhan, hasil pencapaian sistem diperoleh kecocokan 99.9%. Sedangkan, pada tahap prediksi jaringan saraf tiruan diperoleh selisih harga minyak berkisar antara 0.1826 hingga 5.951 dengan tingkat

error RMSE sekitar 2.8996.

ARTIFICIAL NEURAL NETWORK IMPLEMENTATION FOR PREDICTING THE WORLD CRUDE OIL PRICE MOVEMENT

USING BACKPROPAGATION METHOD

ABSTRACT

Every year the oil price movement is always a highlight in the global economy. In fact the movement of oil price that occurred generally can be understood by looking at the pattern of events in the past. In this study, the Author designed a system to predict crude oil price using the backpropagation method of artificial neural network. Input of this system is the price of crude oil according to the market price of WTI (West Texas Intermediate). In this system, there are training and prediction phases. Training phase is used to learn the patterns of input which consisted of 320 oil price data distributed into four neurons. While the obtained prediction phase is used to produced oil price pattern based on parameter which is obtained during training phase such as: training weight, mean and standard of deviation. Network architecture consisted of four layers, one input layer, two hidden layers and one output layer. There are four neurons in the input layer, 12 neurons in the first hidden layer, eight neurons in the second hidden layer and one neuron in output layer. From the training process the largest obtained error is 8.86 x 10-6 with the maximum epoch reached was 45 iterations, the learning rate 0.1 and momentum 0.9. In training phase, in overall, the results of system was 99.9%. while, in the neural network artificial prediction phase, the different of oil price obtained in the range between 0.1826 to 5.951 with the RMSE error level of 2.8996.

Keywords: Artificial Neural Networks, Backpropagation method, Crude Oil Prices, Rising Oil Prices, Forecasting

DAFTAR ISI

Bab 2 Tinjauan Pustaka

2.1 Jaringan Saraf Tiruan 7

2.1.1 Arsitektur Jaringan Saraf Tiruan 7 2.1.2 Jaringan Saraf Tiruan Backpropagation 9

2.1.3 Fungsi Aktivasi 11

2.1.4 Algoritma Pembelajaran Metode Backpropagation 13 2.1.5 Prepocessing dan Postprocessing 16 2.2 Aplikasi Backpropagation dalam prediksi 18 2.3 Prediksi Harga Minyak Mentah Dunia 20

2.4 Tinjauan yang relevan 20

Bab 3 Analisis Dan Perancangan Sistem

3.1 Analisis Permasalahan 22

3.2 Analisis Kebutuhan Sistem 25

3.2.1Kebutuhan fungsional Sistem 25 3.2.2 Kebutuhan Non-fungsional Sistem 25

3.3 Permodelan 26

3.3.1 Use Case Diagram 26

3.3.1.1 Use Case Cek Data Harga Minyak 27 3.3.1.2 Use Case Cek Pelatihan 28 3.3.1.2 Use Case Cek Prediksi Harga Minyak 31

3.2.2 Analisis Proses Sistem 32

3.4 Perancangan Antar Muka 36 3.4.1 Perancangan Antar Menu Utama 36

3.4.2 Perancangan Cek data 37

3.4.3 Antar Muka Pelatihan 38

3.4.4 Antar Muka Prediksi 40

3.4.5 Antar Muka Konfirmasi Keluar 41

Bab 4 Implementasi dan Pengujian Sistem

4.1 Implementasi Sistem 42

4.1.1 Tampilan Antarmuka Sistem 43

4.1.1.1 Antarmuka Menu Utama 43

4.1.1.2 Antarmuka Cek Data 43

4.1.1.3 Antarmuka Pelatihan 45

4.1.1.4 Antarmuka Prediksi 50

4.2 Pengujian Sistem 53

4.2.1 Pengujian Arsitektur JST 53

4.2.2 Pengujian Prediksi Harga Minyak 54

Bab 5 Kesimpulan Dan Saran

5.1 Kesimpulan 58

5.2 Saran 59

Daftar Pustaka ` 60

Lampiran Listing Program A-1

DAFTAR TABEL

Nomor Tabel Keterangan Halaman

3.1 Kelompok Data yang Memiliki Pola yang Berulang 23

3.2 Grafik Data yang Memiliki Pola yang Berulang 24

3.3 Dokumentasi Naratif Use Case Cek Data Harga Minyak

Mentah Dunia

27

3.4 Dokumentasi Naratif Use Case Latih JST 28

3.5 Dokumentasi Naratif Use Case Prediksi Harga Minyak

Mentah Dunia

31

4.1 Hasil Pengujian dengan Beberapa Data Pelatihan JST 53

DAFTAR GAMBAR

Nomor Gambar

Keterangan Halaman

2.1 Model Neuron 8

2.2 Arsitektur Jaringan Saraf Tiruan dengan

Backpropagation

10

2.3 Fungsi Aktivasi Linier 11

2.4 SigmoidBiner 12

2.5 Sigmoid Bipolar 13

3.1 Diagram Ishikawa 22

3.2 Grafik harga minyak tahun 2012 dan awal 2013 22

3.3 Use Case Diagram Sistem Prediksi Harga Minyak

Mentah Dunia

27

3.4 Activity Diagram Cek Harga Minyak 28

3.5 Activity Diagram Pelatihan 30

3.6 Activity Diagram Prediksi Harga Minyak 32

3.7 Sequence Diagram Proses Pelatihan JST 33

3.8 Sequence Diagram Proses Pelatihan JST 35

3.9 Rancangan Antarmuka Depan 36

3.10 Rancangan Antarmuka Cek Data 37

3.11 Rancangan AntarmukaPelatihan 38

3.12 Rancangan Antarmuka Prediksi 40

3.13 Rancangan AntarmukaKonfirmasi Keluar 41

4.1 Antarmuka Menu Utama 43

4.2 Antarmuka Cek Data 44

4.3 Antarmuka Cek Data Ketika telah memilih Bulan dan

Tahun

44

4.4 Antarmuka Proses Pemberitahuan proses 45

4.5 Antarmuka Pelatihan 46

4.6 Antarmuka Neural Network Training (nntool) 47

4.8 Antarmuka Pelatihan Setelah mengklik tombol tampil 49

4.9 Antarmuka Prediksi 50

4.10 Antarmuka Pengujian Setelah dilakukan prediksi 51

4.11 Antarmuka Prediksi perbandingan data aktual dengan

hasil prediksi

52

4.12 Antarmuka konfirmasi keluar 52

ABSTRAK

Setiap tahun pergerakan harga minyak dari waktu ke waktu selalu menjadi sorotan pelaku ekonomi dunia. Pada kenyataannya pergerakan harga minyak yang terjadi umumnya dapat dipahami dengan melihat pola kejadian di masa lalu. Penulis memaparkan perancangan sistem prediksi harga minyak mentah dunia menggunakan metode jaringan saraf tiruan backpropagation. Masukan dalam sistem ini adalah harga minyak mentah menurut harga pasar WTI (West Texas Intermediate). Pada sistem ini terdapat tahap pelatihan dan tahap prediksi. Tahap pelatihan digunakan untuk mempelajari pola masukan sebanyak 320 data harga minyak yang terbagi dalam empat neuron masukkan. Sedangkan tahap prediksi digunakan untuk menghasilkan pola harga minyak dengan merujuk pada data yang dihasilkan di tahap pelatihan. Data tersebut antara lain: bobot pelatihan, mean dan standart deviasi. Arsitektur jaringan terdiri dari empat lapisan, satu lapisan masukan, dua lapisan tersembunyi dan satu lapisan keluaran. Terdapat empat neuron pada lapisan masukan, 12 neuron pada lapisan tersembunyi pertama, delapan neuron pada lapisan tersembunyi kedua dan satu neuron pada lapisan keluaran. Dari proses pelatihan didapat nilai kesalahan terbesar 8.86 x 10-6 dengan jumlah epoch terbesar 45 iteration, laju pembelajaran 0.1 dan momentum 0.9. Pada tahap pelatihan secara keseluruhan, hasil pencapaian sistem diperoleh kecocokan 99.9%. Sedangkan, pada tahap prediksi jaringan saraf tiruan diperoleh selisih harga minyak berkisar antara 0.1826 hingga 5.951 dengan tingkat

error RMSE sekitar 2.8996.

ARTIFICIAL NEURAL NETWORK IMPLEMENTATION FOR PREDICTING THE WORLD CRUDE OIL PRICE MOVEMENT

USING BACKPROPAGATION METHOD

ABSTRACT

Every year the oil price movement is always a highlight in the global economy. In fact the movement of oil price that occurred generally can be understood by looking at the pattern of events in the past. In this study, the Author designed a system to predict crude oil price using the backpropagation method of artificial neural network. Input of this system is the price of crude oil according to the market price of WTI (West Texas Intermediate). In this system, there are training and prediction phases. Training phase is used to learn the patterns of input which consisted of 320 oil price data distributed into four neurons. While the obtained prediction phase is used to produced oil price pattern based on parameter which is obtained during training phase such as: training weight, mean and standard of deviation. Network architecture consisted of four layers, one input layer, two hidden layers and one output layer. There are four neurons in the input layer, 12 neurons in the first hidden layer, eight neurons in the second hidden layer and one neuron in output layer. From the training process the largest obtained error is 8.86 x 10-6 with the maximum epoch reached was 45 iterations, the learning rate 0.1 and momentum 0.9. In training phase, in overall, the results of system was 99.9%. while, in the neural network artificial prediction phase, the different of oil price obtained in the range between 0.1826 to 5.951 with the RMSE error level of 2.8996.

Keywords: Artificial Neural Networks, Backpropagation method, Crude Oil Prices, Rising Oil Prices, Forecasting

BAB 1

PENDAHULUAN

1.1Latar Belakang

Perkembangan kecerdasan buatan yang semakin pesat dewasa ini ditunjukkan oleh

aplikasinya diberbagai bidang. Salah satu cabang dari kecerdasan buatan yang

sudah dikenal adalah jaringan saraf tiruan (artificial neural network). Jaringan

saraf tiruan adalah suatu sistem pengolah informasi yang karakteristik kerjanya

menyerupai jaringan saraf biologis manusia[1]. Perkembangan ini didukung oleh

kemajuan bidang komputer baik dari perangkat lunak (software) maupun perangkat

keras (hardware).

Jaringan saraf tiruan telah banyak digunakan pada berbagai riset di berbagai

bidang. Dalam ilmu komputer dan Informatika, aplikasi jaringan saraf tiruan telah

banyak dibuktikan keberhasilannya, antara lain: sebagai alat pengenalan pola (pattern

recognition), signal processing, dan sebagai peramalan atau prediksi.

Jaringan saraf tiruan dapat dipakai untuk memprediksi apa yang akan terjadi di

masa yang akan datang berdasarkan pola kejadian yang ada di masa yang lampau. Ini

dapat dilakukan mengingat kemampuan jaringan saraf tiruan untuk mengenali pola

dan membuat generalisasi dari apa yang sudah ada sebelumnya.

Salah satu metode jaringan saraf tiruan yang digunakan untuk prediksi adalah

Backpropagation. Prediksi yang sering kita dengar adalah prediksi penjualan[4], nilai

Dalam penitian ini jaringan saraf tiruan yang digunakan adalah model

backpropagation. 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 dengan pola yang dipakai selama pelatihan[3].

Sebagaimana telah umum diketahui, setiap tahun pergerakan harga minyak

dari waktu ke waktu selalu menjadi sorotan pelaku ekonomi dunia. Hal tersebut tidak

lepas dari transmisi yang disalurkan dari salah satu komoditas energi ini. Minyak tidak

hanya sebatas mampu mempengaruhi komoditas energi lain maupun komoditas

mineral lain, tapi juga sangat berpengaruh terhadap pergolakan sendi perkenomian

makro maupun mikro hampir di seluruh negara.

Sebagian kalangan tentunya sudah memahami bagaimana harga minyak dapat

naik ataupun turun. Namun bagi sebagian lainnya, hal ini agaknya menjadi pertanyaan

menarik mengapa dan apa penyebab serta bagaimana keseimbangan harga minyak

terjadi. Di tengah kompleksitasnya, dengan beragam faktor yang berkaitan satu sama

lain dan saling mempengaruhi, pada kenyataannya pergerakan harga minyak yang

terjadi umumnya dapat dipahami dengan melihat pola kejadian di masa lalu dengan

memperhatikan faktor fundamental yang mempengaruhi naik dan turunnya harga

minyak mentah dunia

Berdasarkan latar belakang yang telah disebutkan penulis akan membuat suatu

penelitian yang berjudul "Penerapan Jaringan Saraf Tiruan untuk Memprediksi

Pergerakan Harga Minyak Mentah Dunia Menggunakan Metode Backpropagation”

1.2Rumusan Masalah

Permasalahan yang akan dibahas dalam penelitian ini antara lain :

1. Harga minyak dalam negeri sering berubah-ubah karena mengikuti harga

minyak mentah dunia mengakibatkan kesulitan dalam menyusun kebijakan

mentah dunia diharapkan dapat menjadi alat bantu bagi penyusun kebijakan

ekonomi.

2. Meneliti faktor-faktor yang mempengaruhi harga minyak mentah dunia dengan

jaringan saraf tiruan

3. Mengukur performa jaringan saraf tiruan dalam memprediksi harga minyak

mentah dunia

1.3Batasan Masalah

Batasan masalah yang menjadi acuan dalam pengerjaan skripsi ini adalah:

1. Penerapan jaringan saraf tiruan yang diimplementasikan menggunakan metode

backpropagation

2. Menggunakan data kuantitatif harga minyak mentah dari tanggal 1 Januari 2010

sampai 30 April 2013

3. Input yang diterapkan dalam sistem adalah harga minyak mentah dunia versi

pasar minyak WTI (West Texas Intermediate) Selain WTI, ada beberapa pasar

minyak, antara lain : Minas, Tapas, Brent.

4. Implementasi sistem pada penelitian ini menggunakan Matlab R2009.

1.4Tujuan Penelitian

Penulisan ini dibuat dengan tujuan menggunakan jaringan saraf tiruan

backpropagation untuk memprediksi pergerakan harga minyak mentah dunia

1.5Manfaat Penelitan

Manfaat dari penelitian ini adalah:

1. Mampu memprediksi pergerakan harga minyak mentah dunia, sebagai alat bantu

2. Dengan prediksi harga minyak diharapkan dapat menjadi acuan harga minyak di

masa depan dan memberi gambaran untuk prediksi hal-hal lain yang terkait

dengan harga minyak mentah dunia untuk memudahkan para pengambil kebijakan

untuk menetapkan harga minyak mentah dalam negeri

3. Menambah pemahaman mengenai jaringan saraf tiruan dalam hal pembelajaran

dan penerapannya.

1.6 Metode Penelitian

Metodologi penelitian yang akan digunakan adalah:

1. Studi Literatur

Mempelajari literatur tentang teori dasar mengenai jaringan saraf tiruan,

metode-metode dalam jaringan saraf tiruan, kegunaan jaringan saraf tiruan dalam hal

prediksi (forecasting), metode backpropagation dan cara kerjanya. Literatur

diambil dari beberapa buku, jurnal, maupun penelitian yang terkait.

2. Analisis Data

Pada tahap ini dilakukan analisis kebutuhan terhadap sistem beserta

batasan-batasan yang diperlukan. Menganalisis metode backpropagation dan

modifikasi-modifikasi untuk mempercepat pelatihannya. Serta, menganalisis mengenai harga

minyak mentah dunia, khususnya mencari periode perulangan pola.

3. Perancangan Sistem

Melakukan perancangan desain dalam bentuk diagram use case, dan antar muka

sistem untuk memudahkan proses implementasi pada tahap selanjutnya.

4. Implementasi Sistem

Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan

perancangan yang sudah didefinisikan sebelumnya. Implementasi sistem

5. Pengujian Sistem

Pengujian dilakukan terhadap keberhasilan prediksi yang dilakukan oleh jaringan

saraf tiruan menggunakan metode backpropagation berdasarkan pada data aktual

yang diperoleh. Sejauh mana jaringan saraf tiruan dapat digunakan untuk prediksi

dan bagaimana tingkat akurasi antara hasil prediksi dan data aktual.

6. Dokumentasi Sistem

Melakukan pembuatan dokumentasi sistem mulai dari tahap awal hingga

pengujian sistem, untuk selanjutnya dibuat dalam bentuk laporan penelitian

(skripsi).

1.7Sistematika Penulisan

Sistematika penulisan laporan penelitian ini dibagi menjadi 5 bab, yaitu sebagai

berikut:

BAB 1 PENDAHULUAN

Berisikan penjelasan tentang konsep dasar penyusunan skripsi,

yaitu mengenai latar belakang pemilihan judul, rumusan

masalah, batasan masalah, tujuan penelitian, manfaat penelitian,

metode penelitian, dan sistematika penulisan.

BAB 2 TINJAUAN PUSTAKA

Bab ini akan membahas dasar teori yang menunjang penulisan

skripsi, berkaitan mengenai teori jaringan saraf tiruan, arsitektur

jaringan saraf tiruan, algoritma pembelajaran backpropagation,

fungsi aktivasi, preprocessing dan postprocessing harga minyak

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Bab ini membahas tentang analisis dan perancangan sistem

dengan menggunakan jaringan saraf tiruan backpropagation.

BAB 4 IMPLEMENTASI DAN PENGUJIAN

Pada bab ini akan menjelaskan implementasi jaringan saraf

tiruan backpropagation yang digunakan, serta pengujian akan

keberhasilan terhadap sistem yang telah dibangun.

BAB 5 KESIMPULAN DAN SARAN

Bab ini akan memuat kesimpulan isi dari keseluruhan uraian

bab-bab sebelumnya dan saran-saran dari hasil yang diperoleh

yang diharapkan dapat bermanfaat untuk pengembangan

BAB 2

TINJAUAN PUSTAKA

2.1 Jaringan Saraf Tiruan

Jaringan saraf tiruan (JST) pertama kali diperkenankan oleh

informasi yang memiliki karakteristik-karakteristik menyerupai jaringan saraf biologi

[2].

Dengan meniru sistem jaringan biologis maka sistem jaringan saraf tiruan

memiliki 3 karakteristik utama, yaitu [1]:

1. Arsitektur jaringan

Merupakan pola keterhubungan antara neuron. Keterhubungan neuron

-neuron inilah yang membentuk suatu jaringan.

2. Algoritma Pembelajaran

Merupakan metode untuk menentukan nilai bobot hubungan. Ada dua jenis

metode utama, yaitu metode pelatihan atau pembelajaran (memorisasi) dan

metode pengenalan atau aplikasi.

3. Fungsi Aktivasi

Merupakan fungsi untuk menentukan nilai keluaran (output) berdasarkan

nilai total masukan (input) pada neuron. Fungsi aktivasi suatu algoritma

jaringan dapat berbeda dengan fungsi aktivasi algoritma jaringan lain.

2.1.1 Arsitektur jaringan saraf tiruan

Satu sel saraf dapat dimodelkan secara matematis seperti diilustrasikan oleh Gambar

Synaptic weights

fungsi aktivasi (activation function) dan keluaran (output). Secara matematis, dapat

digambarkan sebuah neuron dengan menuliskan pasangan persamaan sebagai berikut:

Gambar 2.1. Model Neuron[1]

f(.) = fungsi aktivasi atau elemen pemroses

y = sinyal keluaran.

Beberapa konsep yang berhubungan dengan pemrosesan informasi tersebut

seperti yang disebutkan di atas, yaitu:

1. Input

Nilai numerik atau representasi suatu atribut merupakan input dari

jaringan. Beberapa tipe data seperti teks, gambar dan suara dapat juga

digunakan sebagai input.

2. Output

Output jaringan berisi solusi untuk permasalahan.

3. Bobot (weights)

Unsur kunci Jaringan saraf tiruan adalah bobot. Bobot menunjukkan suatu

banyaknya koneksi yang memindahkan data dari satu lapisan ke lapisan

yang lainnya. Bobot sangat penting karena menyimpan pola pembelajaran

dari informasi.

4. Fungsi Penjumlahan

Fungsi penjumlahan merupakan perkalian setiap nilai input dengan

bobotnya.

5. Fungsi Aktivasi

Fungsi aktivasi merupakan hubungan antara tingkat aktivasi internal dan

output yang bisa berupa linier atau non-linier

Arsitektur pada jaringan saraf tiruan menggambarkan jumlah neuron dan

hubungan bobot yang dipakai dan fungsi aktivasi. Secara umum arsitektur jaringan

saraf dapat dibedakan menjadi tiga kelas yang berbeda, yaitu jaringan umpan-maju

lapisan tunggal (single layer feedforward network atau perceptron), jaringan

umpan-maju lapisan jamak (multilayer perceptron) dan jaringan dengan lapisan kompetitif

[6].

2.1.2 Jaringan saraf tiruan backpropagation

Terdapat banyak ide dan definisi yang berhubungan dengan “belajar”. Taksonomi

proses belajar dalam jaringan saraf tiruan dibagi secara umum menjadi dua bagian [5]:

1. Supervised learning

Supervised learning adalah proses belajar yang membutuhkan guru. Yang

dimaksud guru disini adalah sesuatu yang memiliki pengetahuan tentang

lingkungan. Guru bisa direpresentasikan sebagai sekumpulan sampel

input-ouput.

2. Unsupervised learning

Sesuai dengan namanya, unsupervised atau self-organized learning tidak

membutuhkan guru untuk memantau proses belajar. Dengan kata lain,

tidak ada sekumpulan input-output atau fungsi tertentu untuk dipelajari

Jaringan saraf tiruan backpropagation dikategotikan sebagai supervised

learning yang melakukan pembelajaran sehinggamemberikan output yang masuk akal

jika diberi masukan serupa (tidak harus sama) dengan pola yang dipakai dalam

pelatihan. Sifat generalisasi ini membuat pelatihan lebih efisien karena tidak perlu

dilakukan pada semua data [9].

Backpropagation dibentuk dengan membuat generalisasi aturan pelatihan

dalam model widrow-hoff dengan cara menambahkan layer tersembunyi. Kata

backpropagation merujuk pada cara bagaimana gradien perubahan bobot dihitung.

Suatu jaringan saraf tiruan backpropagation memproses informasi masukan

pada setiap neuron. Pada gambar 2. ditunjukkan arsitektur JST backpropagation

dengan tiga layer dimana unit masukan X, unit hidden layer Z, dan unit keluaran Y.

Sedangkan v0j adalah nilai bias untuk hidden layer Z dan wok adalah nilai bias untuk

keluaran Y.

Y₁ Y_k Y_m

w₀₁ w₁₁ w_j1 w_p1 w_0k w_1k w_jk w_pk w_0m w_1m w_jm w_pm

Z₁ Z_j Z_p

X₁ X_i X_n

v₀₁ v₁₁ v_i1 v_n1 v_0j v_1j v_ij v_nj v_0p v_1p v_ip v_np

1

1

Gambar 2.2. Arsitektur Jaringan Saraf Tiruan dengan Backpropagation[7]

Keterangan:

X = Masukan (input)

V = Bobot lapisan tersembunyi

n = Jumlah unit pengolah lapisan tersembunyi

Z = Lapisan tersembunyi (hidden layer)

Y = Keluaran (output)

2.1.3 Fungsi Aktivasi

Sebuah sinyal aktivasi diperlukan oleh suatu neuron untuk menyalakan atau

memadamkan penjalaran sinyal dari neuron tersebut. Sinyal aktivasi dalam jaringan

saraf tiruan ditentukan oleh suatu fungsi aktivasi.

Fungsi aktivasi merupakan fungsi pengolah jumlahan data masukan menjadi

data keluaran. Karakteristik pada fungsi aktivasi dari backpropagation adalah

continue, dapat diturunkan, dan tidak menurun secara monoton. Fungsi aktivasi untuk

algoritma backpropagation adalah sebagai berikut [6]:

1. Linier atau Purelin

Fungsi linier akan membawa masukkan ke keluaran yang sebanding. Fungsi ini

didefinisikan:

Ilustrasi fungsi liner digambarkan pada gambar 2.3 berikut ini:

Gambar 2.3. Fungsi Aktivasi Linier

-1 1

0 x

f(x) x

2. Sigmoid Biner atau Logsig

Fungsi ini memiliki sifat nonlinier sehingga sangat baik diterapkan dalam

penyelesaian masalah yang kompleks. Keluaran dari fungsi sigmoid biner berupa

bilangan biner (0 atau 1) atau nilai yang berada di antara 0 sampai 1. Sigmoid biner

memiliki range dari [0,1] dan didefinisikan :

)

dan fungsi turunannya adalah :

f'(x)= f₁(x)[1− f₁(x)]

Ilustrasi fungsi sigmoid biner digambarkan pada gambar 2.4 berikut ini:

Gambar 2.4. SigmoidBiner[11]

3. Sigmoid Bipolar atau Tansig

Sigmoid Bipolar memiliki range dari (-1,1) dan didefinisikan :

1

dan turunan fungsi adalah :

Ilustrasi fungsi sigmoid bipolar digambarkan pada gambar 2.5 berikut ini:

Gambar 2.5. Sigmoid Bipolar[12]

2.1.4 Algoritma pembelajaran metode backpropagation

Proses pelatihan backpropagation meliputi tiga tahap, yaitu tahap umpan maju

(feedforward), tahap umpan mundur, dan tahap update bobot dan bias[7]. Algoritma

backpropagation diuraikan sebagai berikut:

Fase I: Propagasi Maju

Selama propagasi maju, sinyal masukan (= xi ) dipropagasikan ke layer tersembunyi

menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layer

tersembunyi (= zj ) tersebut selanjutnya dipropagasikan maju lagi ke layer

tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian

seterusnya hingga menghasilkan keluaran jaringan (=yk ). Berikutnya, keluaran

jaringan (= yk ) dibandingkan dengan target yang harus dicapai (= tk ). Selisih dari tk

terhadap yk yaitu ( tk – yk ) adalah kesalahan yang terjadi. Jika kesalahan ini lebih

kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila

kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam

jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.

-1

x f(x)

Fase II: Propagasi Mundur

Berdasarkan kesalahan tk – yk , dihitung faktor δk (k = 1,2,..., m ) yang dipakai untuk

mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung

langsung dengan yk . δk juga dipakai untuk mengubah bobot garis yang berhubungan

langsung dengan unit keluaran.

Dengan cara yang sama, dihitung faktor δj ( j = 1,2,…, p ) di setiap unit di layer

tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit

tersembunyi di layerdi bawahnya. Demikian seterusnya hingga semua faktor δ di unit

tersembunyi yang berhubungan langsung dengan unit masukan dihitung.

Fase III: Perubahan Bobot

Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan.

Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layer atasnya. Sebagai

contoh, perubahan bobot garis yang menuju ke layer keluaran didasarkan atas δk yang

ada di unit keluaran. Ketiga fase terebut diulang-ulang terus hingga kondisi

penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah

jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang

dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika

kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Algoritma

pelatihan untuk jaringan dengan satu layer tersembunyi (dengan fungsi aktivasi

sigmoid biner) adalah sebagai berikut [4]:

Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.

Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 – 9.

Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3 – 8.

Fase I : Propagasi maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi di atasnya.

Langkah 4 : Hitung semua keluaran di unit tersembunyi j

Langkah 5 : Hitung semua keluaran jaringan di unit k

Fase II : Propagasi mundur

Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran yk ( k = 1,2,…,m ). δk merupakan unit kesalahan yang akan dipakai dalam

perubahan bobot layer dibawahnya (langkah 7). Hitung suku perubahan bobot wkj

(yang akan dipakai nanti untuk merubah bobot wkj) dengan laju perceptron α

Δwkj =αδk zj ; k = 1,2,…,m ; j = 0,1,…, p

Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit

tersembunyi zj ( j = 1,2,…, p ).

Faktor δ unit tersembunyi :

δj= δ_netj f ’(z_netj) = δ_netj zj ( 1– zj )

Hitung suku perubahan bobot Vji (yang akan dipakai nanti untuk merubah bobot Vji).

Δvji= α δj xi ; j = 1,2,…,p ; I = 0,1,…,n

Fase III : Perubahan bobot

Langkah 8 : Hitung semua perubahan bobot.

Perubahan bobot garis yang menuju ke unit keluaran :

Wkj (baru) = Wkj (lama) + ΔWkj ( k = 1,2,…,m ; j = 0,1,…,p )

Vji (baru) = Vji (lama) + Δvji ( j = 1,2…,p ; I = 0,1,…,n )

Setelah selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal

ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan

keluaran jaringan. Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka

langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.

2.1.5 Preprocessing dan postprocessing

1. Min dan Max

Sebelum dilakukan pelatihan, seringkali dilakukan penskalaan pada input dan target

sedemikian hingga data input dan target tersebut masuk dalam satu range tertentu[5].

Fungsi premnmx digunakan untuk menskala input dan output sedemikian hingga

data-datanya akan terletak pada range [1,1].

Systax:

[pn,minp,maxp,tn,mint,maxt] = premnmx(p,t), atau

[pn,minp,maxp] = premnmx(p), atau

[tn,mint,maxt] = premnmx(t)

Dengan p adalah hasil input, dan t adalah matriks output. Fungsi ini akan

menghasilkan:

pn : matriks input yang ternormalisasi (terletak pada range [-1,1])

tn : matriks target yang ternormalisasi (terletak pada range [-1,1])

minp : nilai minimum pada matriks input asli(p).

maxp : nilai maksimum pada matriks input asli(p).

mint : nilai minimum pada matriks target asli(p).

maxt : nilai maksimum pada matriks target asli(p).

Apabila matriks yang sudah ternormalisasi ini ingin dikembalikan kebentuk aslinya,

maka dapat digunakan fungsi postmnmx.

Systax:

[p] = postmnmx (pn,minp,maxp), atau

[t] = postmnmx (tn,mint,maxt)

Dengan p dan t adalah matriks yang telah didenormalisasi.

Apabila pada jaringan saraf tiruan yang telah dilatih menggunakan premnmx untuk

preprocessing, maka apabila ada data input baru yang akan disimulasikan, data baru

tersebut juga harus disesuaikan dengan nilai minimum dan maksimum dari jaringan.

Untuk keperluan ini, dapat digunakan fungsi tramnmx.

2. Mean dan standar deviasi

Selain dengan meletakkan data input dan target pada range tertentu, proses

normalisasi juga dapat dilakukan dengan bantuan mean dan standar deviasi[5]. Fungsi

prestd akan membawa data ke bentuk normal dengan mean=0 dan deviasi standar=1.

Syntax:

[pn,meanp,stdp,tn,meant,stdt] = prestd(p,t), atau

[pn,meanp,stdp] = prestd(p), atau

[tn,meant,stdt] = prestd(t)

Dengan p adalah hasil input, dan t adalah matriks output. Fungsi ini akan

menghasilkan:

pn : matriks input yang ternormalisasi (terletak pada range [-1,1])

tn : matriks target yang ternormalisasi (terletak pada range [-1,1])

meanp : mean pada matriks input asli(p).

stdp : standar deviasi pada matriks input asli(p)

meant : mean pada matriks input target(t).

stdt : standar deviasi pada matriks target asli(p)

Apabila matriks yang sudah ternormalisasi ini ingin dikembalikan kebentuk aslinya,

maka dapat digunakan fungsi poststd.

Systax:

[p,t] = poststd(pn,meanp,stdp,tn,meant,stdt), atau

[t] = poststd (tn,meant,stdt)

Dengan p dan t adalah matriks yang telah didenormalisasi.

Apabila pada jaringan saraf tiruan yang telah dilatih menggunakan trastd untuk

preprocessing, maka apabila ada data input baru yang akan disimulasikan, data baru

tersebut juga harus disesuaikan dengan nilai mean dan standar deviasi dari jaringan.

Untuk keperluan ini, dapat digunakan fungsi trastd.

2.2 Aplikasi Backpropagation Dalam Prediksi

Prediksi adalah perkiraan tentang sesuatu yang akan terjadi pada waktu yang akan

datang yang didasarkan pada data waktu sekarang dan waktu lampau (historical

data)[4].

Prediksi merupakan suatu proses untuk memperkirakan kejadian ataupun

perubahan di masa yang akan datang[11]. Dalam suatu proses kegiatan, proses

prediksi ini merupakan awal dari rangkaian kegiatan, dan sebagai titik tolak kegiatan

berikutnya. Permodelan time series sering sekali dikaitkan dengan proses prediksi

(forecasting) suatu nilai karakteristik tertentu pada periode kedepan, melakukan

pengendalian suatu proses ataupun untuk mengenali pola perilaku sistem[15].

Dengan mendeteksi pola dan kecendrungan data time series, kemudian

memformulasikannya dalam suatu model, maka dapat digunakan untuk memprediksi

data yang akan datang. Model dengan akurasi yang tinggi akan menyebabkan nilai

prediksi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan

keputusan.

Salah satu metode prediksi yang berkembang saat ini adalah menggunakan

jaringan saraf tiruan (artificial neural network), dimana jaringan saraf tiruan telah

menjadi penelitian yang menarik dan banyak digunakan untuk menyelesaikan masalah

pada beberapa bidang kehidupan. Salah satu diantaranya adalah untuk analisis data

Salah satu jaringan pada JST yang dapat diaplikasikan dengan baik dalam

bidang prediksi (forecasting) adalah backpropagation. Prediksi yang sering kita

dengar adalah prediksi jumlah penjualan, nilai tukar, valuta asing, prediksi besarnya

aliran air sungai, dll[4].

Secara umum, masalah prediksi dapat dinyatakan sebagai berikut: Diketahui

sejumlah data runtun waktu (time series) x1, x2, …, xn. Masalahnya adalah

memperkirakan berapa harga xn+1 berdasarkan x1, x2, …, xn.

Dengan backpropagation, record data dipakai sebagai data pelatihan untuk

mencari bobot yang optimal. Untuk itu kita perlu menetapkan besarnya periode

dimana data berfluktuasi secara teratur. Besarnya periode ini kita tentukan secara

intuitif. Misalnya: perminggu, perbulan, perempat bulan atau pertahun.

Bagian tersulit dari memprediksi sesuatu menggunakan jaringan saraf tiruan

backpopagation adalah menentukan jumlah layer (dan unitnya). Tidak ada teori yang

dengan pasti yang dapat dipakai. Tapi secara praktis dicoba jaringan yang kecil

terlebih dahulu (misalnya terdiri dari satu layer tersembunyi dengan beberapa unit

saja). Jika gagal (kesalahan tidak turun dalam epoch yang besar), maka jaringan

diperbesar dengan menambahkan unit tersembunyi atau bahkan menambah layer

tersembunyi.

2.3 Prediksi Harga Minyak Mentah Dunia

Energi adalah mesin pertumbuhan ekonomi yang utama dan minyak bumi adalah

primadonanya karena kemudahan dan fleksibilitas penggunaannya paling tinggi

dibandingkan energi lainnya. Minyak bumi telah berperan besar dalam memajukan

negara-negara industri yang mengkonsumsinya dalam jumlah besar dan harga murah

sedangkan dewasa ini negara-negara ekonomi baru yang sedang tumbuh juga sangat

memerlukan namun pada situasi pasokan yang sudah sedikit dan pada harga yang jauh

Kecukupan pasokan dan harga minyak yang stabil sangat diperlukan dalam

mendorong pertumbuhan ekonomi maupun kegiatan usaha. Karena itu harga yang

dapat diprediksi dengan baik akan sangat bermanfaat bagi banyak pihak, baik

pemerintah, badan usaha maupun investor agar semua kegiatan dapat direalisasikan

sesuai rencana[14].

Sebaliknya, harga minyak yang naik-turun saat ini, sering membuat cemas

para pelaku ekonomi bahkan dapat mengancam stabilitas pertumbuhan perekonomian

jika tidak di-manage dengan baik. Pada kenyataannya pergerakan harga minyak dalam

runut waktu tertentu dapat digolongkan data time series yang umumnya dapat

dipahami dengan melihat pola kejadian di masa lalu dan saat ini.

Pada pengamatan data time series harga minyak, terdapat beberapa reverensi

yang dapat diambil, yaitu harga dari pasar minyak mentah dunia. Dari beberapa pasar

minyak mentah yang terbesar antara lain: WTI (West Texas Intermediate), NYMEX

(New York Mercantile Exchange), Brent North Sea, Tapis, Minas[10].

2.4 Tinjauan Penelitian yang Relevan

Berikut ini penelitian tentang jaringan saraf tiruan backpropagation, khususnya

penggunaan dalam hal prediksi:

1. Penelitian oleh Dini Otaviani ini membahas tentang penggunaan jaringan saraf

tiruan backpropagation untuk memprediksi kurs mata valuta asing. Hasil dari

penelitian ini, jaringan saraf tiruan backpropagation dapat memprediksi nilai

kurs valuta asing dengan faktor penentu keberhasilan pelatihan antara lain:

jumlah layer, jumlah neuron dan parameter pelatihan. Pelatihan perbulan

menghasilkan pencapaian yang baik, namun pada pelatihan periode lain seperti

harian atau mingguan kurang baik karena data pelatihan yang kurang banyak

2. Penelitian oleh Edy Suprianto ini mengimplementasikan algoritma

Backpropagation untuk memprediksi harga saham. Dalam penelitian ini

dilakukan beberapa prediksi dalam bentuk harian, dengan empat variabel input

yaitu nilai tertinggi, terendah, penutupan dan volume. Dari hasil penelitian

algoritma backpropagation bisa digunakan karena sifatnya yang adaptif karena

jaringan berusaha mencapai kestabilan kembali untuk mencapai output yang

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Permasalahan

.

Ketidakstablian harga minyak menjadi masalah yang cukup rumit dan belum

terselesaikan sepenuhnya. Pihak yang terkait dengan pengelolaan harga minyak dalam

negeri sebaiknya memiliki sistem prediksi harga minyak yang dapat memperkirakan

harga minyak sebagai antisipasi kenaikan atau penurunan harga.

Penyebab dan dampak dari permasalahan tersebut diperlihatkan pada diagram

ishikawa Gambar3.1.

Sulit Memprediksi Harga Minyak Staf

Metode Kurang tepat melakukan

perkiraan harga minyak

Prediksi harga masih dilakukan secara intuitif

Material

Belum ada aplikasi untuk memperkirakan harga minyak

Prosedur Tidak bisa diukur tingkat

validitasnya

Gambar 3.1 Diagram Ishikawa Analisis Permasalahan

Proses prediksi dapat dilakukan dengan mengamati data periode harga minyak

dimasa lalu. Misalnya data harga minyak diketahui data harga minyak selama satu

tahun yaitu tahun 2010. Data ini bisa dibagi menjadi data bulan Januari-November

2010 sebagai input dan data bulan desember 2010 sebagai target dengan periode input

dan target dimana data berfluktuasi dapat diamati dalam periode satu bulan. Maka,

sebelum menentukan jumlah input, target dan periode dimana data berfluktuasi

yang akan dibangun terutama untuk menentukan arsitektur jaringan dan periode

pelatihan maupun prediksinya.

Oleh karena itu diperlukan analisis terhadap data terlebih dahulu. Berikut ini adalah

grafik harga minyak dari tahun 2010 hingga 2013:

Gambar 3.2 Grafik harga minyak tahun 2010 dan awal 2013

Dari grafik data diatas yang terjadi perulangan pola antara lain: tahun 2010, tahun

2011 pada grafik menaik dan tahun 2012 hingga tahun 2013 yang cendrung stabil.

Data dapat dikelompokkan menjadi:

Tabel 3.1 Kelompok Data yang Memiliki Pola yang Berulang

No Tahun Bulan

1. 2010 1,2,3,4,5,6,7,8,9

2. 2010-2011 11,12,1,2,3,4,5,6,7

3. 2012-2013 4,5,6,7,8,9,10,11,12,1

4. 2012-2013 6,7,8,9,10,11,12,1,2

5. 2012-2013 7,8,9,10,11,12,1,2,3

Tabel 3.2 Grafik Data yang Memiliki Pola yang Berulang

Gambar Grafik Kelompok Data yang Memiliki Pola yang Sama

Data harga minyak yang sepola, tampak dari gambar diatas dapat kemudian dibagi

menjadi data untuk pelatihan dan data untuk prediksi. Data pelatihan juga dibagi

3.2 Analisis Kebutuhan Sistem

Analisis Kebutuhan Sistem meliputi analisis kebutuhan fungsional sistem dan analisis

kebutuhan non-fungsional sistem.

3.2.1 Kebutuhan fungsional sistem

Kebutuhan fungsional yang harus dimiliki oleh sistem prediksi harga minyak mentah

dunia adalah:

1. Sistem dapat membaca masukan berupa data harga minyak mentah dunia selama

tiga tahun terakhir.

2. Sistem dapat menghasilkan jaringan saraf tiruan dengan kinerja maksimal.

3. Sistem dapat melakukan memprediksi harga minyak mentah dalam jangka waktu

beberapa bulan mendatang

4. Sistem dapat menampilkan hasil prediksi yang akurat dan menampilkan error

yang kurang dari batas toleransi terhadap data sebenarnya.

3.2.2 Kebutuhan non-fungsional sistem

Untuk mendukung kinerja sistem, sistem sebaiknya dapat berfungsi sebagai berikut:

1. Waktu respon sistem cepat, sehingga dapat mengefektifkan waktu pengguna sistem.

2. Tampilan antarmuka sistem dapat dengan mudah dimengerti oleh pengguna sistem.

3. Data yang terdapat pada sistem berupa data yang relevan, sehingga menghasilkan

pengenalan yang tepat.

4. Sistem yang dibuat dapat dikembangkan dengan mudah, sehingga sistem tidak

cepat usang.

3.3 Pemodelan

Pada penelitian ini digunakan UML sebagai bahasa pemodelan untuk mendesain dan

merancang sistem prediksi harga minyak mentah dunia. Model UML yang digunakan

3.3.1 Use case diagram

Untuk mengetahui aktor dan use case yang akan digunakan, maka dilakukan

identifikasi aktor dan identifikasi use case. Setelah mendapatkan aktor dan use case,

maka use case diagram dapat digambarkan. Pengidentifikasian aktor dan use case

pada sistem ini dilakukan dengan menjawab pertanyaan-pertanyaan berikut:

1. Siapa yang menggunakan sistem?

Jawaban: Pengguna

2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem?

Jawaban: Pengguna dan programmer

3. Apa saja yang dapat dilakukan pengguna pada sistem?

Jawaban: Melakukan pelatihan JST, melakukan prediksi harga minyak mentah dunia

dan melihat hasil prediksi.

Use case diagram secara grafis yang menggambarkan interaksi antara sistem dan

pengguna. Dengan kata lain, secara grafis mendeskripsikan siapa yang akan

menggunakan sistem dan dalam cara apa pengguna mengharapkan interaksi dengan

sistem itu. Use case diagram berdasarkan aktor dan use case ditampilkan pada

Sistem Prediksi Harga Minyak

Gambar 3.3 Use Case Diagram Sistem Prediksi Harga Minyak Mentah Dunia

3.3.1.1 Use case cek data harga

Tabel 3.3 merupakan tabel dokumentasi naratif dari use case cek data harga minyak

mentah dunia.

Tabel 3.3 Dokumentasi Naratif Use Case Cek Data Harga

Nama Use case _{Cek Data}

Aktor _Pengguna

Deskripsi Use case ini mendeskripsikan proses men-cek harga minyak mentah dunia

Prakondisi Sudah masuk dalam tampilan Cek Data

Bidang khas

Kegiatan pengguna Respon sistem

1. Klik popup menu untuk memilih bulan dan tahun yang akan dilihat datanya

1. Menampilkan data 20 harga minyak perhari dari bulan dan tahun yang dipilih juga menampilkan data dalam bentuk grafik

Bidang Alternatif

1. Tekan tombol ke Pelatihan

2. Tekan tombol Menu Utama

1. Menuju antar muka pelatihan

Post-kondisi Sistem menampilkan harga minyak dalam bentuk angka dan grafik berdasarkan bulan dan tahun yang dipilih

Activity diagram untuk use case cek data harga minyak diperlihatkan pada

Gambar 3.4.

Pilih Bulan dan Tahun

Tampilan Harga Minyak dalam angka

Tampilan Harga Minyak dalam grafik

Gambar 3.4. Activity Diagram Data Cek Harga

3.3.1.2 Use case pelatihan JST

Tabel 3.4 menunjukkan dokumentasi naratif dari use case pelatihan JST.

Tabel 3.4 Dokumentasi Naratif Use Case Latih JST

Nama Use case Pelatihan JST Aktor Programmer

Deskripsi Use case ini mendeskripsikan proses pelatihan JST

Prakondisi Sudah masuk dalam tampilan antarmuka Pelatihan dan data harga minyak mentah sudah ada sebagai input-an

Bidang khas

Kegiatan pengguna Respon sistem 1. Isi nilai Learning

rate

5. Klik tombol Latih 6. Klik tombol

1. Input nilai learning rate ke dalam sistem

2. Input nilai momentum ke dalam sistem

3. Input nilai maksimum

error ke dalam sistem 4. Input nilai learningrate ke

dalam sistem

Simpan 7. Klik tombol

Tampil

6. Menyimpan bobot ke dalam excel

7. Menampilkan data

pelatihan dalam figure lain

Bidang Alternatif

1. Tekan tombol ke Prediksi

2. Tekan tombol Menu Utama

1. Menuju antar muka prediksi 2. Kembali ke antarmuka Menu

Utama

Post-kondisi Sistem menampilkan grafik hasil pelatihan

Activity diagram untuk use case pelatihan harga minyak diperlihatkan pada Gambar

Masukkan learning rate

Masukkan momentum

Masukkan Max. Epoch

Masukkan Max. Error

Klik tombol Latih

Pelatihan kurang dari max error yg ditetapkan?

Klik tombol tampil

Pelatihan Menampilkan grafik

Klik tombol simpan Pilih data pelatihan

Ya tidak

3.3.1.3 Use case prediksi JST

Berikut ini merupakan tabel dokumentasi naratif dari use case prediksi JST.

Tabel 3.5 Dokumentasi Naratif Use Case Prediksi JST

Nama Use case _{Prediksi Harga Minyak}

Aktor _Pengguna

Deskripsi Use case ini mendeskripsikan proses memprediksi harga minyak mentah dunia

Prakondisi Sudah masuk dalam tampilan antarmuka Prediksi

Bidang khas

Kegiatan pengguna Respon sistem 1. Pilih dari popupmenu

bulan dan tahun yang akan diprediksi

1. Menampilkan bulan dan tahun yang dipilih untuk diprediksi

2. Klik tombol prediksi 2. Menampilkan data hasil prediksi dalam bentuk grafik dan table serta jumlah error (mse)

Bidang Alternatif

1. Tekan tombol ke Keluar

2. Tekan tombol Menu Utama

1. Menutup Aplikasi 2. Kembali ke

antarmuka Menu Utama

Post-kondisi Sistem menampilkan hasil prediksi yang akan dibandingkan dengan data aktual

Activity diagram untuk use case prediksi harga minyak diperlihatkan pada

Pilih Data Minyak

Klik Prediksi

Tampilkan Hasil Akhir Prediksi JST melakukan prediksi

sesuai kah dengan data aktual?

Ya

Tampilkan hasil prediksi

tidak

Gambar 3.6. Activity Diagram Prediksi Harga Minyak

3.3.2 Analisis proses sistem

Berikut dijelaskan proses yang terjadi pada sistem dengan menggunakan sequence

diagram. Sequence diagram adalah diagram yang memodelkan logika sebuah use case

dengan cara menggambarkan interaksi pesan diantara objek-objek dalam rangkaian

waktu.

3.3.2.1 Proses pelatihan jaringan saraf tiruan

Sistem dimulai dengan pengecekan data untuk mengetahui jangka waktu data-data

yang akan dilatih. Data dimasukkan ke dalam sistem menggunakan sekumpulan daftar

harga minyak, diambil dari data yang tersimpan dalam excel. Proses input data

dilakukan dengan memilih data harga minyak yang akan dilatih menggunakan

Tahapan selanjutnya pengguna memasukkan parameter pelatihan seperti laju

pembelajaran, nilai error maksimal dan besar momentum. Lalu dilakukan pelatihan

terhadap jaringan saraf tiruan dengan parameter yang ditentukan oleh pengguna dan

masukan berupa matriks normalisasi. Hasil pembelajaran berupa bobot dan bias yang

akan disimpan dan digunakan pada proses prediksi.

Sebelum dilakukan pelatihan dengan backpropagation, terlebih dahulu

dilakukan normalisasi terhadap input pelatihan. Proses normalisasi dilakukan dengan

bantuan mean dan standar deviasi. Fungsi prestd akan membawa data ke bentuk

normal dengan mean = 0 dan standar deviasi = 1.

Terakhir dilakukan pelatihan terhadap jaringan saraf tiruan dengan parameter

yang ditentukan oleh pengguna dan masukan yang telah diubah bentuknya menjadi

matriks normalisasi. Hasil pembelajaran berupa bobot dan bias setelah pelatihan yang

akan disimpan dan digunakan pada proses prediksi. Proses tampil hasil menampilkan

selisih dalam bentuk tabel dan simpan hasil untuk menyimpan data hasil pelatihan.

Berikut ini sequence diagram untuk proses pelatihan diperlihatkan pada Gambar 3.7.

Latih Tampil Hasil Simpan Hasil

Proses latih

Simpan bobot

output,target

input hasil pelatihan

Input bobot awal Sistem Pelatihan

Input parameter

input(P,T), normaslisasi Input Parameter

baca parameter

RMSE

selisih output-target

Berikut adalah pseudocode dari proses pelatihan jaringan saraf tiruan pada

sistem prediksi harga minyak.

Proses Pelatihan Jaringan Saraf Tiruan

INPUT PARAMETER

function parameter_Callback(hObject, eventdata, handles) nameParameter=str2num(get(nameProperties,’String’)); handles.nameParameter=nameParameter;

guidata(hObject,handles);

xlswrite(‘Name_fileExcel’,’nameParameter’,’sheet’,’xlrange’); INPUT DATA

function latih_Callback(hObject, eventdata, handles) Input_dataHarga;

net=newff(input, Target,[S1 S2...S(N-l)],{TF1 TF2...TF(N-l)}, BTF)

[net,tr] ← train (net,input, target); Bobot=net.IW{1,1} <-start

input to xl <- [bobot,bias] an=sim(net,pn);

a=poststd(an.meant,stdt); <-normalisasi postprocessing handles.a=a;

[y,Pf,Af,e,Perf]=sim(net,P,[],[],T);

3.3.2.2 Proses prediksi jaringan saraf tiruan

Pada proses prediksi digunakan masukan berupa data harga minyak pada rentang

waktu tertentu. Sama seperti proses pelatihan, input kemudian dinormalisasi kedalam

bentuk matriks antara [-1,1]. Normalisasi pada tahap prediksi ini juga menyertakan

Kemudian dilakukan pengambilan data hasil dari pelatihan berupa bobot yang

sudah dilatih. Bobot tersebut sebelumnya disimpan di excel. Kemudian ketika

dilakukan proses prediksi dengan menggunakan xlsread, bobot dibaca oleh sistem.

Setelah dilakukan prediksi yaitu disebut proses feedforward karena tidak dilakukan

pelatihan mundur untuk mengubah bobot. Hasil prediksi berupa informasi mengenai

prediksi harga minyak pada periode mendatang yang telah diketahui sehingga dapat

diukur tingkat validasinya. Sequence diagram proses prediksi jaringan saraf tiruan

dipaparkan pada Gambar 3.8.

Kontrol Prediksi Input Harga Normalisasi Identifikasi bobot Feedforward

Proses Normalisasi Proses input

input bobot akhir

Input hasil pelatihan

Proses prediksi

Hasil prediksi Input harga

Gambar 3.8 Sequence Diagram Proses Prediksi JST

Berikut adalah pseudocode dari proses prediksi jaringan saraf tiruan pada sistem

prediksi harga minyak.

Proses Prediksi JST INPUT DATA

function prediksi_Callback(hObject, eventdata, handles) Input_dataHarga;

target=get(handles.popupmenu1,’Value’); switch target

case number input <-[Q,TQ] end

Qn=trastd(Q,meanp,stdp);

net=newff(input, Target,[S1 S2...S(N-l)],{TF1 TF2...TF(N-l)}, BTF) [net,tr] ← train (net,input, Target);

net.IW{1,1}=xlsread(‘Name_fileExcel’,’sheet’,’xlrange’); <-start net.b{1}= xlsread(‘Name_fileExcel’,’sheet’,’xlrange’); <-start bn=sim(net,Qn);

b=poststd(bn,meant,stdt);

UJI JST BACKPROPAGATION

[y,Pf,Af,e,Perf]=sim(net,P,[],[],T);

3.4 Perancangan Antarmuka

Perancangan antarmuka menguraikan bagaimana komunikasi antara sistem dengan

pengguna. Tujuan utama dari perancangan antarmuka pengguna adalah untuk

menciptakan suatu komunikasi yang efektif antara manusia dan komputer. Antarmuka

yang menarik menjadi nilai tambah bagi pengguna maupun perancang sistem tersebut.

Pada tahap ini akan dilakukan perancangan antarmuka sistem yang akan digunakan

pada sistem nantinya.

3.4.1. Antarmuka menu utama

Antarmuka menu utama sistem merupakan tampilan utama ketika sistem dijalankan.

Rancangan antarmuka menu utama pada sistem prediksi harga minyak dapat dilihat

pada Gambar 3.9.

Keterangan:

1. TombolCek Data

Berfungsi menghubungkan antarmuka menu utama dengan antarmuka cek data.

2. TombolPelatihan

Berfungsi menghubungkan antarmuka menu utama dengan antarmuka pelatihan.

3. TombolPrediksi

Berfungsi menghubungkan antarmuka menu utama dengan antarmuka prediksi.

4. Tombol Keluar

Berfungsi menghubungkan antarmuka menu utama dengan antarmuka konfirmasi

keluar.

3.4.2. Antarmuka cek data

Terdapat dua bagian utama pada antarmuka cek data, yaitu bagian menampilkan data

dalam bentuk angka dan grafik. Rancangan antarmuka cek data diperlihatkan pada

Gambar 3.10.

Keterangan:

1. 1. Popup Menu

Berfungsi untuk menampilkan data dalam bentuk angka dan grafik

2. Textfield Harga dalam angka

Tempat memasukkan nilai harga minyak selama satu bulan

3. Axes

Menampilkan data harga minyak selama satu bulan.

4. Tombol ke Pelatihan

Berfungsi menghubungkan antarmuka cek data dengan antarmuka pelatihan

5. Tombol Menu Utama

Berfungsi menghubungkan antarmuka cek data denganantarmuka menu utama

3.4.3. Antarmuka pelatihan

Terdapat dua bagian utama pada antarmuka pelatihan, yaitu bagian pelatihan JST

backpropagation dan bagian penyimpanan bobot ke dalam excel. Rancangan

antarmuka pelatihan diperlihatkan pada Gambar 3.11.

Keterangan:

1. Popup Menu

Berfungsi untuk memilih data yang akan dilatih.

2. Textfield Laju Pemahaman

Tempat memasukkan nilai laju pemahaman

3. Textfield Momentum

Tempat memasukkan nilai momentum

4. Textfield Max. Epoch

Tempat memasukkan nilai maksimal epoch dalam pelatihan

5. Textfield Max. Error

Tempat memasukkan nilai maksimal toleransi erroroutput terhadap target

6. TombolLatih

Berfungsi untuk melatih data sesuai dengan parameter-parameter yang telah

ditentukan sebelumnya.

7. Textfield MSE

Tempat menampilkan error yang dihasilkan dari proses pelatihan

8. Axes

Menampilkan perbandingan target dan output yang dihasilkan dari pelatihan dalam

bentuk grafik

9. TombolTampil

Berfungsi untuk menampilkan perbandingan target dan output yang dihasikan

dalam bentuk tabel

10. TombolSimpan

Berfungsi untuk menyimpan bobot-bobot dari hasil pelatihan ke dalam excel.

11. Tombol ke Prediksi

Berfungsi menghubungkan antarmuka pelatihan dengan antarmuka prediksi

12. Tombol Menu Utama

3.4.4. Antarmuka prediksi

Pada antarmuka pengujian terdapat dua bagian yaitu bagian yang akan diprediksi dan

hasil prediksi. Rancangan antarmuka pediksi jaringan saraf tiruan ditunjukkan pada

Gambar 3.12.

Gambar 3.12 Rancangan Antarmuka Prediksi

Keterangan:

1. Popup Menu

Berfungsi memilih data yang akan diprediksi

2. Tombol Prediksi

Berfungsi memulai proses prediksi dan memunculkan data dalam bentuk tabel.

3. Axes 1

Tempat menampilkan perbandingan data aktual dengan hasil prediksi dalam

bentuk grafik

4. Tombol Menu Utama

Berfungsi menghubungkan antarmuka pengujian dengan antarmuka Menuu

Utama.

5. Tombol Keluar

3.4.5. Antarmuka konfirmasi keluar

Antarmuka konfirmasi keluar adalah antarmuka yang muncul setiap pengguna

mengklik tombol keluar pada antarmuka menu utama. Rancangan antarmuka ini

diperlihatkan pada Gambar 3.13.

Gambar 3.13Rancangan AntarmukaKonfirmasi Keluar

Keterangan:

1. TombolYa

Berfungsi menjawab 'Ya' pada konfirmasi keluar, maka pengguna keluar dari sistem.

2. TombolTidak

Berfungsi menjawab 'Tidak' pada konfirmasi keluar, maka antarmuka konfirmasi

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

4.1 Implementasi Sistem

Implementasi sistem prediksi harga minyak metah dunia menggunakan jaringan saraf

tiruan backpropagation ini menggunakan perangkat lunak Matlab R2009. Perangkat

lunak pemrograman ini dipilih karena menyediakan banyak fasilitas dan fungsi-fungsi

yang membantu dalam perhitungan matematik dan pembuatan grafik juga tools untuk

membangun arisektur jaringan saraf tiruan. Hal ini sangat mendukung dalam

penulisan skripsi ini, dimana banyak pemrosesan yang menggunakan perhitungan

secara matematis, menampilkan grafik dan memudahkan dalam pemrosesan jaringan

saraf tiruan. Selain, Matlab R2009 sistem ini juga menggunakan Microsoft Office

Excel 2007 sebagai perangkat lunak yang menyimpan data pelatihan.

Penerapan sistem dilakukan dengan menggunakan komputer dengan sistem

operasi Windows Seven Ultimate dan perangkat keras yang digunakan dalam

mengimplementasikan program simulasi dari jaringan saraf tiruan ini adalah Intel

atom N570, memori RAM 1 GB , DDR3 1 GB, harddisk 320 GB, dan Monitor LCD

10.1” dengan resolusi layar (1024 x 600).

4.1.1 Tampilan antarmuka sistem

Sistem prediksi harga minyak mentah dunia diimplementasikan dalam beberapa

tampilan antarmuka yang terdiri dari antarmuka menu utama, antarmuka cek data,

antarmuka pelatihan, antarmuka prediksi, antarmuka tampilan hasil pelatihan,

4.1.1.1 Antarmuka menu utama

Antarmuka menu utama merupakan antarmuka yang pertama kali tampil ketika

aplikasi dimulai. Antarmuka ini terdiri dari nama aplikasi, tombol cek data, tombol

pelatihan, tombol prediksi, dan tombol keluar. Tombol-tombol ini menghubungkan

antarmuka menu utama dengan antarmuka lain.

Tombol cek data menghubungkan antarmuka menu utama dengan antarmuka

cek data. Tombol pelatihan menghubungkan antarmuka menu utama dengan

antarmuka pelatihan. Tombol prediksi menghubungkan antarmuka menu utama

dengan antarmuka prediksi. Tombol keluar, menghubungkan antarmuka menu utama

keluar. Tampilan antarmuka menu utama ditunjukkan pada Gambar 4.1.

Gambar 4.1 Antarmuka Menu Utama

4.1.1.2 Antarmuka cek data

Antarmuka cek data berfungsi untuk menampilkan daftar harga minyak mentah dunia

dari bulan dan tahun yang dipilih. Daftar harga tersebut ditampilkan pada edit text

yang dapat muncul hasilnya setelah pengguna memilih bulan dan tahun pada popup

menu. Begitu juga dengan data berbentuk grafik pada antarmuka cek data yang akan

sama. Pada antarmuka ini juga terdapat tombol menu utama dan ke pelatihan yang

berfungsi menghubungkan ke antarmuka selanjutnya. Selengkapnya tampilan

antarmuka cek data sebelum proses penampilan data pada Gambar 4.2 dan antarmuka

cek data setelah pengambilan data dari Microsoft Office Excel 2007 pada Gambar 4.3.

Gambar 4.2 Antarmuka Cek data