Prediksi Pendapatan Cargo Service Center Tangerang City Menggunakan Arsitektur Long Short Term Memory
LAPORAN TUGAS AKHIR
Diajukan untuk Memenuhi
Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
BAGAS AJI APRIAN (201610370311044)
Bidang Minat (Data Science)
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2020
i
LEMBAR PERSETUJUAN
Prediksi Pendapatan Cargo Service Center Tangerang City Menggunakan Arsitektur Long Short Term Memory
TUGAS AKHIR
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
Menyetujui, Malang, 26/3/2020
Dosen Pembimbing I Dosen Pembimbing II
Yufis Azhar, S.Kom., M.Kom. Vinna Rahmayanti SN, S.Si., M.Si.
NIP. 108.1410.0544 NIP. 108.3060.71990
ii
LEMBAR PENGESAHAN
iii
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini : NAMA : BAGAS AJI APRIAN NIM : 201610370311044
FAK./JUR. : TEKNIK/INFORMATIKA
Dengan ini saya menyatakan bahwa Tugas Akhir dengan judul “PREDIKSI PENDAPATAN CARGO SERVICE CENTER TANGERANG CITY MENGGUNAKAN ARSITEKTUR LONG SHORT TERM MEMORY”
beserta seluruh isinya adalah karya saya sendiri dan bukan merupakan karya tulis orang lain, baik sebagian maupun seluruhnya, kecuali dalam bentuk kutipan yang telah disebutkan sumbernya.
Demikian surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila kemudian ditemukan adanya pelanggaran terhadap etika keilmuan dalam karya saya ini, atau ada klaim dari pihak lain terhadap keaslian karya saya ini maka saya siap menanggung segala bentuk resiko/sanksi yang berlaku.
Mengetahui, Dosen Pembimbing
Yufis Azhar, S.Kom., M.Kom.
NIP. 108.1410.0544
Malang, 7 April 2020 Yang Membuat Pernyataan
Bagas Aji Aprian NIM. 201610370311044
iv
ABSTRAK
Penelitian ini mengajukan sebuah prediksi pendapatan menggunakan algoritma Deep Learning yaitu Long Short Term Memory (LSTM). Hasil akurasi pengujian diukur menggunakan Root Mean Squarred Error (RMSE). Data pada penelitian ini adalah pendapatan dari salah satu kantor cabang Garuda Indonesia Cargo yaitu Cargo Service Center (CSC) Tangerang City. Data berisi kumpulan- kumpulan transaksi pengiriman barang tiap hari. Data melewati 4 proses preprocessing yaitu subtotal, deteksi outlier, difference dan scaling. LSTM digunakan karena data yang akan diolah adalah data time series. Hasil penelitian ini menunjukan hasil prediksi tergolong cukup baik dengan mencari hyperparamter yang paling optimal terlebih dahulu.
Kata Kunci: Long Short Term Memory (LSTM), Prediksi, Deep Learning
v
ABSTRACT
This study proposes an income prediction using the Deep Learning algorithm, namely Long Short Term Memory (LSTM). The results of testing accuracy are measured using Root Mean Squarred Error (RMSE). The data in this study are income from one of the Garuda Indonesia Cargo branch offices, the Tangerang City Cargo Service Center (CSC). Data contains collections of goods delivery transactions every day. The data goes through 4 preprocessing processes, namely subtotal, outlier detection, difference and scaling. LSTM is used because the data to be processed is time series data. The results of this study indicate that the prediction results are quite good by finding the most optimal hyperparamter first.
Keywords: Long Short Term Memory (LSTM), Prediction, Deep Learning
vi
LEMBAR PERSEMBAHAN
Puji syukur kepada Allah SWT atas rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini. Penulis menyampaikan ucapan terima kasih yang sebesar-besarnya kepada :
1. Bapak Yufis Azhar, S.Kom., M.Kom. dan Ibu Vinna Rahmayanti S N, S.Si., M.Si. selaku dosen pembimbing tugas akhir.
2. Kedua orang tua saya, Bapak Suparno dan Ibu Herna Ima yang telah mendoakan dengan tiada hentinya dan selalu memberikan dukungan kepada anak-anaknya.
Kakak saya Novita Nur Alifia dan adik saya Gilang Septiano yang selalu menghibur dan memasakkan makanan untuk saya.
3. Bapak Dr. Ahmad Mubin, M.T. selaku Dekan Fakultas Teknik Universitas Muhammadiyah Malang.
4. Ibu Gita Indah Marthasari, ST., M.Kom. selaku Ketua Jurusan Teknik Informatika Universitas Muhammadiyah Malang.
5. Bapak Wildan Suharso, S.Kom., M.Kom. dan Bapak Didih Rizki C., S.Kom., M.Kom. selaku dosen penguji tugas akhir.
6. Seluruh dosen pengajar di jurusan Teknik Informatika Universitas Muhammadiyah Malang yang telah memberikan ilmu yang sangat bermanfaat selama masa perkuliahan.
7. Teman-teman seperjuangan Informatika A 2016 yang saling membantu satu sama lain.
8. Teman-teman Malam Kamis, Abdul Hadiy dan Rifky Ahmad yang banyak membantu dan memberikan saran pada tugas akhir ini. M.Fathul Ajiz, Yoga Pamungkas, Najmuddin Tsaqib, Adnan Burhan, Rizki Agus, Haqqul Yaqin, dan Fahad Hafizudin yang juga sering membantu selama masa perkuliahan.
9. Seluruh teman-teman yang tidak bisa saya sebutkan satu per satu, terima kasih atas dukungannya selama ini.
Malang, 7/4/2020 Penulis
Bagas Aji Aprian
vii
KATA PENGANTAR
Dengan memanjatkan puji syukur kehadirat Allah SWT. Atas limpahan rahmat dan hidayah-NYA sehingga penulis dapat menyelesaikan tugas akhir yang berjudul :
” PREDIKSI PENDAPATAN CARGO SERVICE CENTER TANGERANG CITY MENGGUNAKAN ARSITEKTUR LONG
SHORT TERM MEMORY”
Di dalam tulisan ini disajikan pokok bahasan yang meliputi implementasi arsitektur Long Short Term Memory pada prediksi pendapatan suatu perusahaan.
Tugas akhir ini ditulis guna memenuhi syarat studi untuk memperoleh gelar sarjana Strata 1 pada Teknik Informatika Universitas Muhammadiyah Malang.
Penulis menyadari sepenuhnya bahwa dalam penulisan tugas akhir ini masih banyak kekurangan dan keterbatasan. Oleh karena itu penulis mengharapkan saran yang membangun agar tulisan ini bermanfaat bagi perkembangan ilmu pengetahuan.
Malang, 7 April 2020 Penulis
Bagas Aji Aprian
viii
DAFTAR ISI
LEMBAR PERSETUJUAN... i
LEMBAR PENGESAHAN ... ii
LEMBAR PERNYATAAN ... iii
ABSTRAK ... iv
ABSTRACT ... v
LEMBAR PERSEMBAHAN ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... viii
DAFTAR GAMBAR ... x
DAFTAR TABEL ... xi
BAB I ... 1
PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Tujuan Penelitian ... 4
1.4. Batasan Masalah ... 4
BAB II ... 5
TINJAUAN PUSTAKA ... 5
2.1. Penelitian Terdahulu ... 5
2.2. Peramalan (Forecasting) ... 6
2.2.1. Jenis Peramalan ... 6
2.3. Time Series ... 7
2.3.1. Pola Data Time Series ... 7
2.4. Uji Stasioneritas ... 10
2.5. Deep Learning ... 10
2.6. Long Short Term Memory ... 11
2.6.1. Cara Kerja Long Short Term Memory ... 12
2.6.2. Perhitungan Long Short Term Memory ... 14
BAB III ... 17
METODOLOGI PENELITIAN ... 17
3.1. Pengumpulan Data ... 17
3.2. Preprocessing Data ... 20
3.2.1. Persiapan Data ... 20
ix
3.2.2. Deteksi Outlier ... 23
3.2.3. Difference ... 24
3.2.4. Scaling ... 25
3.3. Implementasi Long Short Term Memory (LSTM) ... 26
3.4. Uji Validitas RMSE ... 26
3.5. Rancangan Pengujian ... 27
BAB IV ... 28
HASIL DAN PEMBAHASAN ... 28
4.1. Implementasi Data ... 28
4.1.1. Difference Data ... 28
4.1.2. Scaling Data ... 29
4.1.3. Uji Stasioneritas ... 29
4.2. Implementasi Program ... 30
4.2.1. Moving Window ... 30
4.2.2. Pembagian Data Train dan Data Test ... 30
4.2.3. Implementasi Model LSTM ... 31
4.2.4. Implementasi Prediksi Pendapatan ... 31
4.3. Pengujian ... 31
4.3.1. Pengujian komposisi data train 50% dan data test 50% ... 32
4.3.2. Pengujian komposisi data train 60% dan data test 40% ... 33
4.3.3. Pengujian komposisi data train 70% dan data test 30% ... 34
4.3.4. Pengujian komposisi data train 80% dan data test 20% ... 35
4.3.5. Pengujian komposisi data train 90% dan data test 10% ... 36
4.3.6. Pengujian Parameter Epoch ... 37
4.4. Analisa Hasil ... 39
BAB V ... 41
PENUTUP ... 41
5.1. Kesimpulan ... 41
5.2. Saran ... 42
DAFTAR PUSTAKA ... 43
LAMPIRAN ... 46
x
DAFTAR GAMBAR
Gambar 2.1 Plot Data Horizontal ... 8
Gambar 2.2 Plot Data Siklis ... 8
Gambar 2.3 Plot Data Musiman ... 9
Gambar 2.4 Plot Data Trend ... 9
Gambar 2.5 Contoh Deep Learning ... 11
Gambar 2.6 Struktur LSTM ... 12
Gambar 2.7 Forget Gate LSTM ... 13
Gambar 2.8 Input Gate LSTM ... 13
Gambar 2.9 Cell State LSTM ... 14
Gambar 2.10 Output Gate LSTM... 14
Gambar 3.1 Alur Penelitian... 17
Gambar 3.2 Boxplot Variabel Terima ... 23
Gambar 3.3 Grafik Sebelum Menghapus Outlier ... 23
Gambar 3.4 Grafik Sesudah Menghapus Outlier ... 24
Gambar 3.5 Potongan Data Difference ... 25
Gambar 3.6 Potongan Data Scaling ... 25
Gambar 4.1 Potongan Dataset ... 28
Gambar 4.2 Source Code Difference Data ... 28
Gambar 4.3 Source Code Scaling Data ... 29
Gambar 4.4 Source Code Uji Stasioneritas ... 29
Gambar 4.5 Hasil Uji Stasioneritas ... 29
Gambar 4.6 Source Code Moving Window ... 30
Gambar 4.7 Source Code Pembagian Data Train dan Data Test ... 30
Gambar 4.8 Source Code Arsitektur LSTM ... 31
Gambar 4.9 Source Code Prediksi ... 31
Gambar 4.10 Pengujian 512 Neuron Data Train 50% dan Data Test 50% ... 32
Gambar 4.11 Pengujian 512 Neuron Data Train 60% dan Data Test 40% ... 33
Gambar 4.12 Pengujian 512 Neuron Data Train 70% dan Data Test 30% ... 34
Gambar 4.13 Pengujian 512 Neuron Data Train 80% dan Data Test 20% ... 35
Gambar 4.14 Pengujian 512 Neuron Data Train 90% dan Data Test 10% ... 36
Gambar 4.15 Pengujian Jumlah Epoch ... 37
Gambar 4.16 Grafik Model Loss Data Train 90% dan Data Test 10% ... 38
Gambar 4.17 Grafik Data Asli dan Data Prediksi ... 39
Gambar 4.18 Potongan Nilai Data Asli dan Data Prediksi ... 39
xi
DAFTAR TABEL
Tabel 2.1 Penelitian Terdahulu ... 5 Tabel 3.1 Sampel Data Mentah ... 18 Tabel 3.2 Sampel Data ... 21 Tabel 4.1 Kombinasi Jumlah Neuron Hidden Layer Data Train 50% dan Data Test 50% ... 32 Tabel 4.2 Kombinasi Jumlah Neuron Hidden Layer Data Train 60% dan Data Test 40% ... 33 Tabel 4.3 Kombinasi Jumlah Neuron Hidden Layer Data Train 70% dan Data Test 30% ... 34 Tabel 4.4 Kombinasi Jumlah Neuron Hidden Layer Data Train 80% dan Data Test 20% ... 35 Tabel 4.5 Kombinasi Jumlah Neuron Hidden Layer Data Train 90% dan Data Test 10% ... 36 Tabel 4.6 Kombinasi Jumlah Epoch ... 37 Tabel 4.7 Kombinasi Hyperparameter Optimal ... 38
43
DAFTAR PUSTAKA
[1] Boeing, “World Air Cargo Forecast 2016-2017 Freighter Fleet Outlook,”
Boeing Freighter Fleet, 2016.
https://www.boeing.com/commercial/market/cargo-forecast/freighter-fleet/
(accessed Nov. 07, 2019).
[2] Editor, “Perkembangan dan Pembahasan Bisnis Air Cargo di Indonesia,”
Indonesia National Air Carriers Association, 2019.
https://inaca.or.id/perkembangan-dan-pembahasan-bisnis-air-cargo-di- indonesia/ (accessed Nov. 07, 2019).
[3] M. Rizki, “Implementasi Deep Learning Menggunakan Arsitektur Long Short Term Memory(Lstm) Untuk Prediksi Curah Hujan Kota Malang,” vol.
2, no. 3, pp. 331–338, 2019.
[4] C. Hu, Q. Wu, H. Li, S. Jian, N. Li, and Z. Lou, “Deep learning with a long short-term memory networks approach for rainfall-runoff simulation,” Water (Switzerland), vol. 10, no. 11, pp. 1–16, 2018, doi: 10.3390/w10111543.
[5] W. Bao, J. Yue, and Y. Rao, “A deep learning framework for financial time series using stacked autoencoders and longshort term memory,” J.
Cheminform., vol. 24, no. 4, pp. 1–11, 2018, doi:
10.6084/m9.figshare.5028110.
[6] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural
Comput., vol. 9, no. 8, pp. 1735–1780, 1997, doi:
10.1162/neco.1997.9.8.1735.
[7] F. A. Gers, J. Schmidhuber, and F. Cummins, “( Edinburgh , Scotland ), 1 Introduction 2 Standard LSTM The basic unit in the hidden layer of an,” vol.
2, pp. 850–855, 1999.
[8] S. Li, H. Fang, and B. Shi, “Multi-Step-Ahead Prediction with Long Short Term Memory Networks and Support Vector Regression,” Chinese Control Conf. CCC, vol. 2018-July, pp. 8104–8109, 2018, doi:
10.23919/ChiCC.2018.8484066.
[9] Z. Chen, Y. Liu, and S. Liu, “Mechanical state prediction based on LSTM neural netwok,” Chinese Control Conf. CCC, pp. 3876–3881, 2017, doi:
10.23919/ChiCC.2017.8027963.
44
[10] M. Wildan, P. Aldi, and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin,” e-Proceeding Eng., vol. 5, no. 2, pp. 3548–3555, 2018.
[11] Z. Zhao, W. Chen, X. Wu, P. C. V. Chen, and J. Liu, “LSTM network: A deep learning approach for short-term traffic forecast,” IET Image Process., vol.
11, no. 1, pp. 68–75, 2017, doi: 10.1049/iet-its.2016.0208.
[12] T. Fischer and C. Krauss, “Deep learning with long short-term memory networks for financial market predictions,” Eur. J. Oper. Res., vol. 270, no.
2, pp. 654–669, 2018, doi: 10.1016/j.ejor.2017.11.054.
[13] A. Ubrani and S. Motwani, “LSTM- and GRU-based time series models for market clearing price forecasting of Indian deregulated electricity markets,”
Adv. Intell. Syst. Comput., vol. 898, pp. 693–700, 2019, doi: 10.1007/978- 981-13-3393-4_70.
[14] J. Rizal and S. Akbar, “Perbandingan Uji Stasioner Data Timeseries Antara Metode : Control Chart, Correlogram, Akar Unit Dickey Fuller, dan Derajat Integrasi,” J. Gradien, vol. 11, no. 1, pp. 1040–1046, 2015, [Online].
Available: https://ejournal.unib.ac.id/index.php/gradien/article/view/415.
[15] S. Li, “Time Series Analysis, Visualization & Forecasting with LSTM,”
towards data science, 2019. https://towardsdatascience.com/time-series- analysis-visualization-forecasting-with-lstm-77a905180eba (accessed Jan.
23, 2020).
[16] Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no.
7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
[17] G. Ghazali, Jondri, and M. Si, “Prediksi saham menggunakan dbn ( deep belief network ) stock prediction using dbn ( deep belief network ),”
eProceedings Eng., vol. 4, no. 1, pp. 1258–1273, 2017.
[18] H. Fujiyoshi, T. Hirakawa, and T. Yamashita, “Deep learning-based image recognition for autonomous driving,” IATSS Res., vol. 43, no. 4, pp. 244–252, 2019, doi: 10.1016/j.iatssr.2019.11.008.
[19] R. Navares and J. L. Aznarte, “Predicting air quality with deep learning LSTM: Towards comprehensive models,” Ecol. Inform., vol. 55, p. 101019, 2020, doi: 10.1016/j.ecoinf.2019.101019.
45
[20] J. Schmidhuber, “Deep Learning in neural networks: An overview,” Neural Networks, vol. 61, pp. 85–117, 2015, doi: 10.1016/j.neunet.2014.09.003.
[21] M. A. D. Suyudi, “Prediksi Harga Saham menggunakan Metode Recurrent Neural Network,” Wikipedia, vol. 052, no. 735, pp. 3–6, 2015.
[22] Q. Wang, Y. Guo, L. Yu, and P. Li, “Earthquake Prediction based on Spatio- Temporal Data Mining: An LSTM Network Approach,” IEEE Trans. Emerg.
Top. Comput., vol. 6750, no. c, pp. 1–1, 2017, doi:
10.1109/tetc.2017.2699169.
[23] T. Chai and R. R. Draxler, “Root mean square error (RMSE) or mean absolute error (MAE)? -Arguments against avoiding RMSE in the literature,” Geosci.
Model Dev., vol. 7, no. 3, pp. 1247–1250, 2014, doi: 10.5194/gmd-7-1247- 2014.
[24] G. Drakos, “How to select the Right Evaluation Metric for Machine Learning
Models: Part 1 Regression Metrics,” medium, 2018.
https://medium.com/@george.drakos62/how-to-select-the-right-evaluation- metric-for-machine-learning-models-part-1-regrression-metrics-
3606e25beae0 (accessed Apr. 06, 2020).
53
