Muhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan

228

IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4

DENGAN METODE BACKPROPAGATION

(STUDI KASUS : PT. AUTORENT LANCAR SEJAHTERA)

Muhammad Fahrizal

Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan

ABSTRAK

Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang dirancang menirukan cara kerja saraf otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar. Jaringan syaraf tiruan telah membuktikan penerapannya di berbagai aplikasi data mining.Dalam proses penentuan prediksi service kendaraan dengan mengimplementasikan jaringan syaraft tiruan menggunakan metode algoritma backpropagation. Metode ini dipilih karena mampu menentukan prediksi service kendaraan berdasarkan input dari jumlah hari pada service yang dilakukan sebelumnya.

Penelitian dilakukan dengan dua cara, yaitu pelatihan dan pengujian. Data akan dibagi menjadi dua bagian, data pertama untuk proses pelatihan dan data kedua untuk proses pengujian. Proses pelatihan bertujuan untuk mengenali atau mencari goal yang diharapkan dengan menggunakan banyak pola, sehinggan akan dapat menghasilkan mana pola yang terbaik untuk melatih data tersebut. Setelah pelatihan mencapai goal berdasarkan pola yang terbaik maka akan dilakukan pengujian dengan data yang baru untuk melihat keakuratan antara target dengan menggunakan software Matlab 6.1. Berdasarkan hasil pengujian dengan menggunakan software Matlab 6.1 dapat mempercepat proses penentuan service berikutnya.

Kata Kunci: Jaringan Syaraf Tiruan, Algoritma Backpropagation, Service Kendaraan

I. PENDAHULUAN

Perkembangan komputer dewasa ini telah banyak mengarah pada Kecerdasan Buatan atau Artificial Intelligence (AI). AI merupakan suatu cabang ilmu yang mempelajari tentang pembuatan suatu sistem cerdas yang dapat berpikir dan bertindak layaknya manusia berdasarkan suatu kondisi tertentu atas pengetahuan yang telah ditanamkan didalamnya.

Telah banyak perangkat lunak maupun perangkat keras komputer yang diciptakan dengan memanfaatkan teknologi AI.

Jaringan saraf tiruan (Artificial Neuron Network) telah banyak dikembangkan oleh para peneliti dewasa ini. Beragam metode pembelajaran untuk jaringan saraf tiruan juga terus dikembangkan, seperti delta learning rule, kohonen self-organizing map, dan back-propagation.Artificial Neuron Network (ANN) merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem syaraf manusia, yang pemrosesan utamanya ada di otak [E. Prasetyo 2012].Jaringan syaraf tiruan adalah sistem pemroses informasi yang meniru organisasi dan operasi syaraf otak. Jaringan syaraf tiruan telah membuktikan penerapannya di berbagai aplikasi data mining.

Biasanya ini digunakan untuk fungsi pendekatan, klasifikasi dan masalah reorganisasian pola. Sebuah jaringan syaraf tiruan adalah model matematika berbasiskan jaringan syaraf biologi.

Seorang CSO (customer service officer) pada PT.Autorent Lancar Sejahtera sangatlah erat kaitannya dengan pendataan unit kendaraan rentalnya, yang akan berfungsi untuk memprediksi service rutin kendaraan, perpanjangan surat- surat kendaraan dan lain sebagainya. Untuk menjaga keamanan dan kualitas

kendaraan agar tetap dalam kondisi yang baik, maka di perlukan perawatan rutin sesuai standar perusahaan, agar pekerjaan atau aktivitas customer tidak terganggu karena masalah pada kendaraan. Untuk itu perlu dilakukan prediksi service agar perawatan kendaraan tidak terlambat dan tidak berakibat fatal pada kendaraan. Saat ini proses prediksi service kendaraan oleh CSO masih kurang tepat. Seiring bertambah banyaknya customer, CSO sedikit lambat ketika hendak memprediksikan apakah kendaraan sudah waktunya service atau belum.Untuk membantu seorang CSO prediksi service kendaraan dilakukan dengan menggunakan jaringan saraf tiruan, yaitu metode backpropagation. Metode ini di gunakan karena keunggulannya dalam learning rate.learning rate sangant berguna untuk menentukan prediksi dengan error yang yang kecil. Prediksi ini akan dilakukan sesuai data kilometer kendaraan dimana untuk setiap 10.000 km wajib dilakukan service pada kendaraan.

Sehingga dari hasil prediksi ini akan dapat di tentukan kapan kendaraan akan di service.

II. TEORITIS

A. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) didefinisikan sebagai suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf manusia (Hermawan, 2006).

Menurut Siang (2009), jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi

B. Backpropagation

229 Backpropagation memiliki beberapa unit yang

ada dalam satu atau lebih layar tersembunyi. Gambar 3.11 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

vji merupakan bobot garis dari unit masukan xi

ke unit layar tersembunyi zj (vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi zj). wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran yk (wk0

merupakan bobot dari bias di layar tersembunyi ke unit keluaran zk).

Gambar 1. Arsitektur Backpropagation Sumber : Siang, 2009, hal 98

Algoritma backpropagation adalah sebagai berikut : 1. Inisialisasi bobot (ambil bobot awal dengan nilai

random yang cukup kecil).

2. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai salah.

3. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan :

Feedforward

a. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi).

b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot :







 ⁿ

i ij i j

j b xv

in z

1

1

_ ……….. (1)

gunakan fungsi aktivasi untuk menghitung sinyal output :

zj = f(z_inj)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

c. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot.







 ⁿ

i jk i k

k b zw

in y

1

2

_ ………..(2)

gunakan fungsi aktivasi untuk menghitung sinyal output :

yk = f(y_ink)

dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Catatan :

Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi.

Backpropagation

d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya :

δ2k = (tk - yk) f '(y_ink)

2jk = δk zj

β2k = δk

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk) :

∆wjk = 2jk

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2k) :

∆b2k = β2k

Langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya.

e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta input (dari unit-unit yang berada pada lapisan di atasnya) :





 ^m

k

jk k

j w

in

1

2

_





………..(3)

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error :

δ1j = δ_inj f '(z_inj)

1ij = δ1j xj

β1j = δ1j

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij) :

∆vij = 1ij

hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1j) :

∆b1j = β1j

f. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p) :

wjk(baru) = wjk(lama) + ∆wjk

b2k(baru) = b2k(lama) + ∆b2k

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n) :

vij(baru) = vij(lama) + ∆vij

b1j(baru) = b1j(lama) + ∆b1j

g. Tes kondisi berhenti.

III. ANALISA dan PEMBAHASAN

Memprediksi Service Kendaraan Roda 4 Dengan Jaringan Syaraf Tiruan menggunakan Algoritma Backpropagation

Pola service setiap bulannya akan banyak berubah. Pola service akan berulang pada setiap bulannya.

Pengulangan ini juga akan terjadi pada pola kurva dari bulan ke bulan. Pengalaman bagian pendataan di PT.

230 Autorent lancar Sejahtera menunjukkan bahwa waktu

kembali service pada setiap bulannya dipengaruhi oleh pertambahan kilometer kendaraan dari kilometer service sebelumnya.

Adapun data waktu service kendaraan dapat dilihat dibawah ini.

Tabel 1. Data Service kendaraan 2014

No No. Pol Waktu Service kendaraan Pada Tahun 2014 1 2 3 4 5 6 7 8 9 10 11 12 1 BK 1770 QR 22 0 29 0 0 12 0 25 0 28 0 20 2 BK 1771 QR 5 0 0 3 0 0 10 0 0 14 0 0 3 BK 1772 QR 0 20 0 0 23 0 0 21 0 29 0 0 4 BK 1773 QR 0 3 0 12 0 10 0 6 0 9 0 11 5 BK 1774 QR 2 0 0 5 0 28 0 0 2 0 0 5

Tabel 2. Konversi Data Service kendaraan ke jumlah hari

No No. Pol Jumlah hari saat kembali service Tahun 2014 1 BK 1770 QR 0 67 73 73 63 52 2 BK 1771 QR 0 88 97 94 81 3 BK 1772 QR 0 93 98 68 81 4 BK 1773 QR 0 69 58 56 63 62 5 BK 1774 QR 0 93 83 70 93

Tabel 3. Data kesimpulan Jumlah hari saat kembali service

No. Pol II III IV

A 73 63 52

B 97 94 81

C 98 68 81

D 56 63 62

E 83 70 93

Pemisalan untuk nomor polisi : A adalah BK 1770 QR

B adalah BK 1771 QR C adalah BK 1772 QR D adalah BK 1773 QR E adalah BK 1774 QR Normalisasi Data

Data yang digunakan dalam penelitian ini merupakan database jumlah hari saat kembali service tahun 2014 sampai tahun 2015 . Data disusun dan dipilih variabel faktor-faktor dengan record data yang memiliki informasi paling lengkap. Data tersebut kemudian dibagi menjadi 2 bagian yaitu, data pelatihan (training), data pengujian (testing).

X’ = 0. 8(x-a) + 0,1 b-a

Dimana X’ = hasil normalilasi x= data awal

a= nilai minimal awal b= nilai maximal awal Normalisasi Data Jumlah Hari

Data yang di hitung merupakan data jumlah hari saat kembali service tahun 2014 sampai tahun 2015.

1. BK 1770 QR (I) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (73-52) + 0.1

73-52 X’ = 0,9 2. BK 1770 QR (II)

X’= 0.8(x-a) + 0.1 b-a

X’ =0.8 (63-52) + 0.1 73-52 X’=0,51

3. BK 1770 QR (III) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (52-52) + 0.1

73-52 X’=0,1

4. BK 1771 QR (I) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (97-81) + 0.1

97-81 X’= 0,9

5. BK 1771 QR (II) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (94-81) + 0.1

97-81 X’=0,75

6. BK 1771 QR (III) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (81-81) + 0.1

97-81 X’=0,1

7. BK 1772 QR (I) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (98-68) + 0.1

98-68 X’= 0,9

231 8. BK 1772 QR (II)

X’= 0.8(x-a) + 0.1 b-a X’ =0.8 (68-68) + 0.1

98-68 X’=0,1

9. BK 1772 QR (III) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (81-68) + 0.1

98-68 X’=0,44

10. BK 1773 QR (I) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (56-56) + 0.1

63-56 X’= 0,1

11. BK 1773 QR (II) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (63-56) + 0.1

63-56 X’=0,9

12. BK 1773 QR (III) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (56-56) + 0.1

63-56 X’=0,78

13. BK 1774 QR (I) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (83-70) + 0.1

93-70 X’=0,55

14. BK 1774 QR (II) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (70-70) + 0.1

93-70 X’=0,1

15. BK 1774 QR (III) X’= 0.8(x-a) + 0.1

b-a X’ =0.8 (93-70) + 0.1

93-70 X’=0,9

Tabel 4 Normalisasi Data Service

SERVICE NOMOR POLISI

A B C D E

I 0,9 0,9 0,9 0,1 0,55 II 0,51 0,75 0,1 0,9 0,1 III 0,1 0,1 0,44 0,78 0,9 Tabel 4 merupakan data jumlah hari kembali sevice 3 waktu terakhir service yang sudah ditransformasikan.

Untuk itu akan dibuat pola pelatihan untuk pencapaian target .

IV. IMPLEMENTASI

Dalam melakukan prediksi service kendaraan PT.

Autorent Lancar Sejahtera, diujikan ke dalam sistem komputerisasi. Software yang akan digunakan dalam pengujian prediksi service kendaraan tersebut yaitu dengan software Matlab 7.1.

Tampilan Implementasi Matlab

Tampilan ini merupakan gambar secara keseluruhan implementasi prediksi dengan matlab 7.1. Tampilan Gambar dapat dilihat pada Gambar 1. berikut.

Gambar 1. Command Windows JST

Gambar 2. Perpormance epochs

Kemudian diperoleh data prediksi service kendaraan berikutnya untuk tiap kendaraan. Hal ini digambarkan dengan garis merah pada grafik berikut:

232 Gambar 3. Grafik Keluaran JST BK 1770 QR

Gambar 3 merupakan grafik keluaran jaringan syaraf tiruan untuk prediksi service kendaraan berikutnya atau service ke 4, BK 1770 QR dengan nilai MSE = 0,006805.

Gambar 4. Grafik Keluaran JST BK 1771 QR Gambar 4 merupakan grafik keluaran jaringan syaraf tiruan untuk prediksi service kendaraan berikutnya atau service ke 4, BK 1771 QR dengan nilai MSE = 0,006805.

Gambar 5. Grafik Keluaran JST BK 1772 QR

Gambar 5 merupakan grafik keluaran jaringan syaraf tiruan untuk prediksi service kendaraan berikutnya atau service ke 4, BK 1772 QR dengan nilai MSE = 0,006805.

Gambar 6. Grafik Keluaran JST BK 1773 QR Gambar 6 merupakan grafik keluaran jaringan syaraf tiruan untuk prediksi service kendaraan berikutnya atau service ke 4, BK 1773 QR dengan nilai MSE = 0,006805.

Gambar 7. Grafik Keluaran JST BK 1774 QR Gambar 7 merupakan grafik keluaran jaringan syaraf tiruan untuk prediksi service kendaraan berikutnya atau service ke 4, BK 1773 QR dengan nilai MSE = 0,006805.

V. KESIMPULAN

Dari hasil penelitian dan pengujian aplikasi peramalan penjualan mobil menggunakan metode Backpropagation, pada akhir laporan penulis dapat memberikan kesimpulan sebagai berikut :

1. Dari data service sebelumnya yang di proses dengan matlab 7.1 melalui jaringan syaraf tiruan metode backpropagation mengeluarkan output jaringan berupa data prediksi service berikutnya.

2. Hasil keluaran jaringan berupa data prediksi service berikutnya akan memudahkan PT.

233 Autorent Lancar Sejahtera ntuk mengatur

penjadwalan service kendaraan dan lain-lain.

DAFTAR PUSTAKA

1. Arief Hermawan, Jaringan Syaraf Tiruan, Andi, Yogayakarta, 2006

2. Diah Puspitaningrum, pengantar Jaringan Syaraf Tiruan, Andi, Yogyakarta, 2006

3. KusumadewiSri, MembangunJaringan Syaraf Tiruan menggunakanMatlab dan Excel Link, Graha Ilmu, Yogyakarta, 2004.

4. Jong Jek Siang M.Sc., Jaringan Syaraf Tiruan dan Pemrograman Menggunakan Matlab, Andi, Yogyakarta, 2009 5. Paska Marto Hasugian, implementasi jaringan syaraf tiruan

(JST) untuk prediksi kebutuhan bahan bakar minyak menggunakan metode backpropagation, LPPM, ISSN : 2339- 210X, Volume : IV, No. 3, 2014

6. Zekson Arizona Matondang, jaringan syaraf tiruan dengan algoritma backropagation untuk penentuan kelulusan sidang skripsi, Pelita Informatika Budi Darma, ISSN : 2301-9425, Volume : IV, No. 1, 2013