BACKPROPAGATION UNTUK MERAMALKAN NILAI
EKSPOR MIGAS DAN NON MIGAS
DI INDONESIA
Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika
Disusun oleh: Muhammad Abdul Novu
311510604
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS PELITA BANGSA
KABUPATEN BEKASI
vi
UCAPAN TERIMAKASIH
Segala puji dan syukur penulis panjatkan kepada Allah SWT yang telah memberikan rahmat dan anugrahkan-Nya kepada penulis, sehingga penulis dapat menyelesaikan Laporan Tugas Akhir ini. Penulisan Laporan Tugas Akhir dengan judul “PENERAPAN METODE ARTIFICIAL NEURAL NETWORK BACKPROPAGATION UNTUK MERAMALKAN NILAI EKSPOR MIGAS DAN NON MIGAS DI INDONESIA” dimaksudkan untuk mencapai gelar Sarjana Komputer Strata Satu pada Program Studi Teknik Informatika, Universitas Pelita Bangsa.
Penulis menyadari bahwa dalam penyusunan Laporan Tugas Akhir ini -bukanlah dari jerih payah sendiri, melainkan dari bimbingan berbagai pihak. Oleh sebab itu penulis mengucapkan banyak terimakasih kepada semua pihak yang turut membantu dalam proses penulisan Laporan Skripsi ini, yaitu kepada:
1. Ibu Putri Anggun Sari, S.Pt., M.Si. Selaku Dekan Fakultas Teknik Universitas Pelita Bangsa.
2. Bapak Aswan S. Sunge, SE., M.Kom. selaku ketua Program Studi Teknik Informatika.
3. Bapak Candra Naya, S.Kom., M.Kom. dan Bapak Ikhsan Romli, S.si., M.Sc. selaku Dosen Pembimbing I dan II yang telah memberikan bimbingan dan masukan kepada penulis.
4. Seluruh Dosen pengajar Strata satu (S1) Teknik Informatika Universitas Pelita Bangsa, yang telah mendidik dan memberikan pengetahuan yang tak ternilai kepada penulis selama mengikuti perkuliahan.
5. Orang tua dan keluarga tercinta yang telah memberikan dukungan moril, doa dan kasih sayang.
vii
Penulis menyadari bahwa mungkin masih terdapat kekurangan dalam Laporan Skripsi ini. Oleh karena itu, kritik dan saran dari pembaca sangat bermanfaat bagi penulis. Semoga Skripsi ini dapat bermanfaat bagi semua pihak yang membacanya.
Bekasi, 13 Oktober 2019
viii
ABSTRAK
Di dalam suatu Negara terbatasnya sumber daya merupakan hal yang sangat riskan. Hal tersebut menjadi salah satu penyebab terjadinya perdagangan internasional, dimana suatu Negara yang memiliki kekayaan sumber daya dapat mengolah sumber daya tersebut dan hasilnya dapat digunakan untuk perdagangan internasional. Ekspor adalah sebuah proses pengiriman barang atau komoditas dari Negara satu ke Negara yang lainnya. Tujuan yang akan dicapai dalam Skripsi ini yaitu dapat membangun model yang tepat untuk meramalkan nilai ekspor migas dan non migas di Indonesia dan dapat mengetahui hasil peramalan nilai ekspor migas dan non migas di Indonesia menggunakan metode Artificial Neural Network Backpropagation (Jaringan Syaraf Tiruan). Dari hasil pengerjaan tugas akhir, maka peneliti dapat menarik kesimpulan yaitu: Dimana model Artificial Neural Network dapat diterapkan untuk melakukan peramalan terhadap nilai Ekspor Migas dan NonMigas di Indonesia. Dari hasil ujicoba parameter yang telah dilakukan, maka didapatkan hasil parameter yang paling optimal yaitu :Prediksi Nilai Ekspor Migas Menghasilkan MSE 0,00287 dan MAPE sebesar 8.961%. Sehingga dengan parameter terbaik yang didapat tersebut menunjukan model ini cocok untuk meramalkann nilai Ekspor NonMigas dengan nilai MAPE bernilai baik. Prediksi Nilai Ekspor NonMigas Menghasilkan MSE 0,00529 dan MAPE sebesar 6.702%. Sehingga dengan parameter terbaik yang didapat tersebut menunjukan model ini cocok untuk meramalkann nilai Ekspor NonMigas dengan nilai MAPE bernilai baik.
ix
ABSTRACT
In a country limited resources are very risky. This has become one of the causes of international trade, where a country that has a wealth of resources can process these resources and the results can be used for international trade. Export is a process of shipping goods or commodities from one country to another. The objectives to be achieved in this thesis are to be able to build the right model to forecast the value of oil and gas and non-oil exports in Indonesia and to know the results of forecasting the value of oil and gas and non-oil exports in Indonesia using the Artificial Neural Network Backpropagation method.From the results of the final project, the researcher can draw conclusions, namely: Where the Artificial Neural Network model can be applied to forecast the value of Oil and Gas and Non-Oil and Gas Exports in Indonesia. From the results of parameter trials that have been carried out, the most optimal parameter results are obtained: Predicting the Value of Oil and Gas Exports Producing MSE 0.00287 and MAPE of 8.961%. So with the best parameters obtained, it shows that this model is suitable for predicting the value of Non-Oil and Gas Exports with good MAPE values. Non-Oil and Gas Export Value Prediction Produces MSE 0.00529 and MAPE of 6,702%. So with the best parameters obtained, it shows that this model is suitable for predicting the value of Non-Oil and Gas Exports with good MAPE values.
x
DAFTAR ISI
HALAMAN PERSETUJUAN ... i
HALAMAN PENGESAHAN ... ii
PERNYATAAN KEASLIAN SKRIPSI ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI ... iv
UCAPAN TERIMAKASIH ... v ABSTRAK ... vii ABSTRACT ... viii DAFTAR ISI ... ix DAFTAR TABEL ... x DAFTAR GAMBAR ... xi BAB I PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Identifikasi Masalah ... 2 1.3 Batasan Masalah ... 2 1.4 Rumusan Masalah ... 3 1.5 Tujuan Penelitian ... 3 1.6 Manfaat Penelitian ... 4 1.7 Sistematika Penulisan ... 4
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 6
2.1 TINJAUAN PUSTAKA ... 6
2.1.1 Kajian Jurnal Pertama ... 6
2.1.2 Kajian Jurnal Kedua... 7
2.1.3 Kajian Jurnal Ketiga ... 7
2.2 LANDASAN TEORI ... 8
2.2.1 Ekspor ... 8
2.2.2 Sektor Ekspor Indonesia ... 9
2.2.3 Forecasting (Peramalan)... 10
2.2.4 Artificial Neural Network ... 11
2.2.6 Fugsi Aktivasi ... 13
2.2.7 Bobot dan Bias ... 16
2.2.8 Metode &Arsitektur Backpropagation ... 17
2.2.9 Permodelan jaringan pada ANN ... 19
2.2.10 Metode – metode pada ANN ... 21
BAB III METODE PENELITIAN... 24
3.1 Objek Penelitian ... 24 3.2 Metode Penelitian ... 24 3.2.1 Studi Literatur ... 26 3.2.2 Persiapan Data ... 26 3.2.3 Pengembangan Model... 26 3.2.4 Forecasting ... 26 3.3 Jenis Data ... 28
3.3.1 Data Berdasarkan Cara Memperolehnya ... 28
3.3.2 Jenis Data Berdasarkan Sumbernya ... 28
3.3.3 Jenis Data Berdasarkan Sifatnya... 28
3.3.4 Data Berdasarkan Waktu Pengumpulannya ... 28
3.4 Transformasi Data ... 29
3.5 Data yang digunakan ... 29
3.6 Metode yang digunakan ... 30
3.7 Pengujian Metode Backpropagation ... 31
3.7.1 Algoritma Pembelajaran Backpropagation ... 31
3.8 Pengujian MAPE & MSE ... 32
3.8.1 Pengaruh MAPE & MSE ... 33
BAB IV HASIL PENGUJIAN DAN PEMBAHASAN ... 34
4.1 Hasil Pengujian ... 34
4.1.1 Persiapan Perancangan Model Artificial Neural Network ... 37
4.1.2 Pemrosesan Data Masukan ... 38
4.1.3 Pemrosesan Data Hasil Peramalan ... 38
4.2 Pembahasan Hasil Pengujian ... 39
xii
4.2.2 Normalisasi / Pre-processing... 40
4.2.3 Proses Pelatihan (Training) ... 40
4.2.4 Proses Pengujian (Testing)... 41
4.3 Hasil Proses Training & Testing ... 41
4.3.1 Hasil Training Nilai Ekspor Migas di Indonesia ... 42
4.3.2 Hasil Training Nilai Ekspor NonMigas di Indonesia ... 43
4.3.3 Hasil Testing Nilai Ekspor Migas di Indonesia ... 44
4.3.4 Hasil Testing Nilai Ekspor NonMigas di Indonesia ... 45
4.4 Prediksi Nilai Ekspor di Indonesia Dengan Model ANN ... 46
4.4.1 Prediksi Nilai Ekspor Migas di Indonesia ... 46
4.4.2 Prediksi Nilai Ekspor NonMigas Di Indonesia... 47
BAB V PENUTUP ... 49
5.1 Kesimpulan ... 49
5.2 Saran ... 49
xiii
DAFTAR TABEL
Tabel 2.1 Referensi Penelitian 1 ... 6
Tabel 2.2 Referensi Penelitian 2 ... 7
Tabel 2.3 Referensi Penelitian 3 ... 7
Tabel 2.4 Komoditi NonMigas ... 9
Tabel 4.1 Data nilai ekspor ... 44
Tabel 4.2 Variabel X... ...35
Tabel 4.3 Variabel Y ... 35
Tabel 4.4 Variabel nilai X Migas ... 35
Tabel 4.5 Variabel nilai Y Migas ... 36
Tabel 4.6 Variabel nilai X NonMigas ... 36
Tabel 4.7 Variabel nilai Y NonMigas ... 36
Tabel 4.8 Rancangan arsitektur ANN ... 37
Tabel 4.9 Nilai MSE Migas pada beberapa fungsi pelatihan ... 42
Tabel 4.10 Nilai MSE NonMigas pada beberapa fungsi pelatihan ... 43
Tabel 4.11 Perbandingan nilai aktual dengan prediksi Migas ... 44
Tabel 4.12 Perbandingan nilai aktual dengan prediksi NonMigas ... 45
Tabel 4.13 Hasil prediksi nilai Ekspor Migas ... 46
Tabel 4.14 Hasil prediksi nilai ekspor NonMigas ... 48
xiv
DAFTAR GAMBAR
Gambar 2.1 Prinsip Dasar Jaringan Saraf Tiruan (JST) ... 12
Gambar 2.2 Fungsi Identitas ... 13
Gambar 2.3 Fungsi Tangga Binary ... 14
Gambar 2.4 Fungsi Symetric Hard Limit ... 14
Gambar 2.5 Fungsi Sigmoid Binary ... 15
Gambar 2.6 Fungsi Sigmoid Bipolar ... 15
Gambar 2.7 Fungsi Invers Sigmoid Bipolar ... 16
Gambar 2.8 Input layer, Hidden layer, Output Layer ... ...18
Gambar3.1 Single Layer... 19
Gambar 3.2 Multi Layer ... 20
Gambar 3.3 Reccurent Layer ... 21
Gambar 3.4 Teknik Single Layer Perceptron ... 22
Gambar 3.5 Algoritma Single Layer Perceptron ... 22
Gambar 3.6 Ilustrasi error ... 23
Gambar 4.1 Proses Data Masukan ... 38
Gambar 4.2 Proses Data Hasil Peramalan... 38
Gambar 4.3 Grafik Perbandingan Nilai Actual dengan Prediksi ... 47
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Di dalam suatu Negara terbatasnya sumber daya merupakan hal yang sangat riskan. Hal tersebut menjadi salah satu penyebab terjadinya perdagangan internasional, dimana suatu Negara yang memiliki kekayaan sumber daya dapat mengolah sumber daya tersebut dan hasilnya dapat digunakan untuk perdagangan internasional. Perdagangan internasional ini dapat berupa kegiatan ekspor. Kegiatan Ekspor merupakan kegiatan yang sudah tidak asing lagi di dunia, termasuk Indonesia. Ekspor adalah sebuah proses pengiriman barang atau komoditas dari Negara satu ke Negara yang lainnya [1].
Kegiatan ekspor di Indonesia telah menjadi hal yang sangat penting. Karena dengan dilakukannya kegiatan ekspor, maka akan memberikan manfaat yang besar bagi Indonesia yaitu sebagai penghasil devisa bagi Negara yang dapat meningkatkan pendapatan Negara. Selain itu adanya kegiatan ekspor juga dapat membantu perkembangan kegiatan industri di Indonesia [2].
Perdagangan bebas internasional telah disebut sebagai “mesin pertumbuhan” yang mendorong pembangunan negara-negara yang sekarang maju perekonomiannya sejak abad kesembilan belas dan awal abad kedua puluh. Pesatnya perluasan pasar ekspor telah menambah stimulus bagi tumbuhnya permintaan lokal yang menyebabkan berdirinya sejumlah industri manufaktur besar [3].
Indonesia mempunyai mesin pertumbuhan dari ekspor migas dan non migas yang sangat berpengaruh terhadap perekonomian Indonesia. Namun di beberapa tahun, ekspor migas dan non migas terjadi penurunan dikarenakan kondisi ekonomi global khususnya di tahun 2009. Jika kita melihat hasil ekspor migas di Indonesia melalui data time series Kemendag (Kementrian Perdagangan) selama 8 tahun dapat dilihat bahwa nilai ekspor migas meningkat mulai dari tahun 2007 sebesar US$ 92012.3 juta, 2008 sebesar US$ 107894.2 juta dan pada tahun 2009 mengalami penurunan dengan raihan sebesar US$ 97491.7 juta, 2010 sebesar US$
2
129739.5 juta, tahun 2011 sebesar US$ 162019.6 juta. Sedangkan untuk ekspor non migas selalu mengalami kenaikan mulai dari tahun 2007 sebesar US$ 22099.6 juta, tahun 2008 sebesar US$ 29126.3 juta dan turun di tahun 2009 sebesar US$ 19018.3 juta, untuk tahun 2011 mengalami kenaikan sebesar US$ 41477.1 juta dan tahun 2012 mengalami penurunan sebesar US$ 36977.3 juta [4].
Peramalan terhadap nilai dari komoditas ekspor yang dilakukan Indonesia ke beberapa Negara di dunia merupakan salah satu hal yang dapat membantu pihak pemerintah untuk mengetahui devisa yang akan diperoleh oleh Indonesia, sehingga pemerintah dapat menentukan kebijakan untuk melakukan pengembangan Indonesia dalam bidang pembangunan, perekonomian, dan perdagangan. Maka untuk melakukan peramalan terhadap nilai ekspor migas dan non migas di Indonesia pada masa yang akan datang dibutuhkan metode yang tepat. Dengan berdasarkan pada permasalahan yang telah dijabarkan, metode yang digunakan penulis adalah metode Backpropagation Artificial Neural Network (Jaringan Syaraf Tiruan). Dimana dengan menggunakan metode tersebut diharapkan dapat membantu pihak pemerintah untuk mengetahui nilai ekspor migas dan non migas di Indonesia.
1.2 Identifikasi Masalah
Kegiatan ekspor di Indonesia masih terdapat permasalahan yaitu tidak stabilnya nilai ekspor migas dan non migas di Indonesia yang berdampak menurunkan nilai devisa yang didapatkan oleh Indonesia. Selain itu, masalah lain yaitu untuk menentukan hasil dari nilai ekspor migas dan non migas di Indonesia yang lebih baik.
1.3 Batasan Masalah
Adapun batasan masalah dari Skripsi ini adalah sebagai berikut :
1. Data yang digunakan merupakan data nilai ekspor migas dan non migas di Indonesia yang diambil dari situs resmi Kementerian Perdagangan (www.kemendag.go.id).
2. Data yang digunakan untuk melakukan peramalan nilai ekspor migas dan non migas di Indonesia berupa data dalam periode bulanan yaitu hanya dalam rentang waktu Januari 2007 sampai dengan Desember 2017.
3. Perangkat lunak yang digunakan untuk melakukan peramalan nilai ekspor migas dan non migas di Indonesia adalah MATLAB.
4. Metode yang digunakan untuk melakukan peramalan nilai ekspor migas dan non migas di Indonesia adalah metode Artificial Neural Network Backpropagation (Jaringan Syaraf Tiruan).
1.4 Rumusan Masalah
Adapun rumusan masalah yang terkait dalam Skripsi ini adalah :
1. Bagaimana membangun model peramalan yang tepat untuk meramalkan nilai ekspor migas dan non migas di Indonesia ?
2. Bagaimana hasil dari peramalan nilai ekspor migas dan non migas di Indonesia dengan menggunakan metode Artificial Neural Network Backpropagation (Jaringan Syaraf Tiruan) ?
1.5 Tujuan Penelitian
Adapun tujuan yang akan dicapai dalam Skripsi ini ialah sebagai berikut : 1. Dapat membangun model yang tepat untuk meramalkan nilai ekspor migas
dan non migas di Indonesia.
2. Dapat mengetahui hasil peramalan nilai ekspor migas dan non migas di Indonesia menggunakan metode Artificial Neural Network Backpropagation (Jaringan Syaraf Tiruan).
4
1.6 Manfaat Penelitian
Dalam pengerjaan Skripsi ini terdapat manfaat yang akan diperoleh, yaitu sebagai berikut :
1. Bagi Penulis
Dapat menambah ilmu pengetahuan mengenai prediksi nilai ekspor migas dan non migas di Indonesia, dan juga dapat mempraktikkan ilmu yang telah diperoleh selama perkuliahan terkait dengan peramalan dalam dunia nyata.
2. Bagi Pemerintah
a. Dalam cakupan laporan Skripsi : Memberikan informasi terkait dengan peramalan nilai ekspor migas dan non migas di Indonesia.
b. Dalam cakupan diluar laporan Skripsi : Setelah pemerintah mengetahui hasil permalan nilai ekspor, pemerintah dapat mengetahui devisa yang akan diperoleh oleh Indonesia, dan jika pemerintah telah mengetahui devisa yang diperoleh oleh Indonesia, pemerintah dapat menentukan kebijakan untuk melakukan pengembangan dalam bidang pembangunan, perekonomian, dan perdagangan di Indonesia.
1.7 Sistematika Penulisan
Untuk lebih dapat memahami laporan Skripsi ini, maka laporan Skripsi dikelompokan ke dalam beberapa sub bab sebagai berikut:
BAB I PENDAHULUAN
Bab ini menjelaskan mengenai uraian secara umum mengenai latar belakang masalah, identifikasi masalah, rumusan dan batasan masalah, tujuan dan manfaat yang ingin dicapai dari penelitian ini serta sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Menjelaskan tentang kajian pustaka serta teori yang melandasi penelitian Penerapan Metode Artificial Neural Network Backpropagation Untuk Meramalkan Nilai Ekspor Migas dan Non Migas di Indonesia.
BAB III METODE PENELITIAN
Menjelasakan tentang metode penelitian dari pengumpulan data eksperimen dengan menguji data yang ada menggunakan Metode Artificial Neural Network Backpropagation Untuk Meramalkan Nilai Ekspor Migas dan Non Migas di Indonesia.
BAB IV HASIL DAN PEMBAHASAN
Menjelaskan dan menampilkan hasil prediksi dengan menggunakan Metode Artificial Neural Network Backpropagation.
BAB V PENUTUP
6
BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 TINJAUAN PUSTAKA
Pada pengerjaan tugas akhir ini, terdapat beberapa penelitian yang berkaitan dengan Skripsi penulis. Dimana penelitian sebelumnya ini menggunakan metode yang sama dengan penulis. Berikut ini rincian terkait informasi mengenai penelitian yang ada sebelumnya :
2.1.1 Kajian Jurnal Pertama
Tabel 2.1 Referensi Penelitian 1
Judul Penelitian Peramalan Data Nilai Ekspor Non Migas Indonesia Ke Wilayah ASEAN Menggunakan Model EGARCH Identitas Penelitian Adi Santo Prasetyo, Swasono Rahardjo (2013)
Tujuan Penelitian
Menentukan ramalan terhadap nilai hasil ekspor non migas Indonesia ke wilayah ASEAN.
Hasil Penelitian
Dari penelitian ini didapatkan hasil sebagai berikut : 1. Model deret waktu linear terbaik data adalah Arima Statistik (1,1,1)
2. Model terbaik adalah EGARCH (1,1)
3. Persentase kesalahan data hasil ramalan dengan data yang sebenarnya relatif kecil yaitu 0.0249 untuk peramalan data ke-71 dan 0.1428 untuk peramalan data ke-72.
Kelebihan Penelitian
Cukup jelas dalam melakukan tahapan pemodelan sehingga pembaca dapat paham alur dari pembuatan model yang dilakukan penulis.
Kekurangan Penelitian Pada proses pengujian model, tidak dijelaskan secara berurut.
Keterkaitan dengan Penelitian
- Topik penelitian yang dilakukan terkait kegiatan ekspor non migas di Indonesia.
- Metode penelitian yang digunakan dapat menjadi perbandingan dengan metode yang akan dilakukan.
2.1.2 Kajian Jurnal Kedua
Tabel 2.2 Referensi Penelitian 2
Judul Penelitian Penerapan Model Neural Network Backpropagation Untuk Prediksi Harga Ayam
Identitas Penelitian Nanik Susanti (2014)
Tujuan Penelitian Untuk memprediksi harga ayam.
Hasil Penelitian
Dari penelitian ini didapatkan hasil sebagai berikut : Jaringan Rangkaian Pola 4-10-1, merupakan 1 lapisan input dengan 4 neuron, 1 lapisan hidden dengan 10 neuron dan 1 lapisan output dengan 1 neuron.
Kelebihan Penelitian Peneliti menjelaskan seluruh hasil evaluasi dan validasi nilai error.
Kekurangan Penelitian Keseluruhan metode penelitian yang dilakukan tidak lengkap.
Keterkaitan dengan Penelitian
Metode penelitian yang digunakan sama yaitu dengan Backpropagation Neural Network.
2.1.3 Kajian Jurnal Ketiga
Tabel 2.3 Referensi Penelitian 3
Judul Penelitian
Peramalan Time Series Saham
Menggunakan Backpropagation Neural Network Berbasis Algoritma Genetika Identitas Penelitian Fais Al Huda (2013)
Tujuan Penelitian Untuk meramalkan saham dengan menggunakan backpropagation ANN.
Hasil Penelitian Dari penelitian ini didapatkan hasil sebagai berikut :
8
1. Nilai error perbandingan pada peluang mutasi dan crossover.
2. Nilai error pada perbandingan jumlah populasi dan jumlah generasi. 3. Nilai error perbandingan pada learning rate dan momentum.
4. Tingkat akurasi BPNN.
Kelebihan Penelitian
Seluruh tahapan pengerjaan mulai dari pembuatan model sampe evaluasi error dijelaskan secara urut dan mudah dipahami.
Kekurangan Penelitian
Tidak adanya lampiran hasil ramalan yang dilakukan terhadap nilai saham, lebih banyak fokus pada validasi error.
Keterkaitan dengan Penelitian
Metode penelitian yang digunakan sama yaitu dengan Backpropagation Neural Network
2.2 LANDASAN TEORI 2.2.1 Ekspor
Pengertian Ekspor barang pada umumnya yaitu sebuah kegiatan ekonomi mengirim atau mengeluarkan barang ke luar negeri, biasanya ini merupakan kegiatan penjualan komoditi yang dimiliki sebuah negara-negara asing dengan mengharap pembayaran dalam valuta asing, Tujuan kegiatan ekspor ini adalah untuk membuat dunia usaha menjadi lebih kondusif. Selain itu, hal ini juga bertujuan mengendalikan harga produk ekspor yang ada di dalam negeri [4].
Adapun tujuan ekspor (Sarjiyanto,SE , 2012 :1) yaitu sebagai berikut : - Untuk meningkatkan keuntungan perusahaan atau Negara.
- Untuk membuka pasar baru di luar negeri.
2.2.2 Sektor Ekspor Indonesia
Di Indonesia kegiatan ekspor ada di dalam dua sektor. Dimana sektor tersebut adalah sektor minyak, gas (migas) dan non migas. Dalam sektor migas, Indonesia memiliki komoditi yaitu minyak mentah dan gas. Minyak dan gas merupakan sumber energi dan bahan bakar utama di dunia. Sedangkan sektor non migas adalah sektor yang meliputi komoditi selain dari minyak dan gas.
Menurut data Badan Pusat Statistik tahun 2015 telah terjadi pergeseran komoditi ekspor di Indonesia, yaitu pergeseran menurut jenis komoditi ekspornya. Jika pada periode sebelumnya komoditi ekspor Indonesia yang lebih unggul adalah sektor minyak dan gas (migas), tetapi pada saat ini beralih pada sektor non migas. Sekitar 80% ekspor Indonesia adalah barang-barang non migas [6].
Adapun komoditi yang termasuk pada sektor Migas dan Non Migas adalah sebagai berikut:
Tabel 2.4 Komoditi Migas Kelompok Produk
Komoditi Sektor Migas Contoh Komoditi
Hasil Minyak Bumi Minyak Mentah
Hasil Penyulingan Gas
Tabel 2.5 Komoditi Non Migas Kelompok Produk
Komoditi Sektor Non Migas Contoh Komoditi
Tambang Non Migas Batubara, Emas, Perak, Tembaga, Nikel, Bauksit Hasil Perkebunan dan
Pertanian
Karet, Kopi, Kelapa Sawit, Cengkeh, Teh, Lada, Tembakau, Kacang-kacangan, Buah-buahan
Hasil Hutan Kayu , Rotan, Mangrove
Hasil Peternakan Daging Sapi, Daging Ayam
Hasil Perikanan Ikan tuna, Cakalang, Udang , Bandeng
Hasil Pertambangan Timah, Alumunium, Batu bara, Tembaga, Emas Hasil Industri Semen, Pupuk, Tekstil, Pakaian Jadi, Besi, Baja
10
2.2.3 Forecasting (Peramalan)
Forecasting adalah sebuah prediksi untuk melakukan perkiraan mengenai apa yang akan terjadi di masa yang akan datang [8]. Melakukan peramalan berarti memperkirakan nilai-nilai variabel yang berdasarkan pada nilai yang ada pada variabel itu sendiri atau variabel yang saling berhubungan. Melakukan peramalan juga dapat dipengaruhi pada keahlian judgement, yang selanjutnya dipengaruhi oleh data histori dan peramalan [9].
Terdapat banyak jenis-jenis peramalan yang dibedakan dilihat dari beberapa aspek. Untuk peramalan yang dilihat dari jangka waktu peramalannya terdapat tiga kategori menurut Heizer and Reder, 1996, yaitu sebagai berikut :
1. Peramalan dalam jangka waktu yang pendek, dimana peramalan ini berjangka waktu kurang dari tiga bulan.
2. Peramalan dalam jangka waktu menengah, dimana peramalan ini berjangka waktu antara tiga bulan hingga tiga tahun.
3. Peramalan dalam jangka waktu yang panjang, dimana peramalan ini berjangka waktu lebih dari tiga tahun.
Tetapi jika dilihat dari aspek lain yaitu dari sifat ramalan yang telah disusun, maka peramalan dapat dibagi menjadi dua, yaitu sebagai berikut :
1. Peramalan Kualitatif
Peramalan kualitatif adalah peramalan yang dilakukan dengan acuan terhadap data kualitatif masa lalu berdasarkan pengetahuan dan pengalaman dari pelaku [10].
Terdapat dua metode yang termasuk dalam metode kualitatif, yaitu sebagai berikut:
- Metode Eksploratif - Metode Normatif
2. Peramalan Kuantitatif
Peramalan kuantitatif adalah peramalan yang dilakukan dengan acuan terhadap data kuantitatif histori pada periode sebelumnya. Dalam melakukan peramalan kuantitatif maka harus dalam tiga kondisi [10] sebagai berikut:
b. Informasi yang ada dapat dikuantifikasikan dalam bentuk data numeric/angka.
c. Di dalam beberapa aspek, dapat diasumsikan bahwa pola masa lalu akan terus berkelanjutan pada masa yang akan datang.
Pada peramalan kuantitatif terdapat dua model [10], yaitu sebagai berikut : a. Model deret berkala (time series), dimana model ini didasari atas penggunaan analisis pola keterkaitan variabel yang akan diperkirakan dengan variabel waktu yang di sebut deret waktu. Model deret berkala ini terdiri dari beberapa metode, yaitu sebagai berikut : Pemulusan eksponensial dan rata-rata bergerak, Regresi, dan Box.
b. Model kausal, dimana model ini didasari oleh penggunaan analisis pola keterkaitan antara variabel lain yang saling mempengaruhi (sebab-akibat) [10].
Metode yang dipakai pada penelitian ini yaitu menggunakan metode kuantitatif.
2.2.4 Artificial Neural Network
Artificial Neural Network (Jaringan Syaraf Tiruan) adalah sebuah sistem saraf selular fisik yang dapat memperoleh, menyimpan dan menggunakan pengetahuan yang telah di dapat dari pengalaman [11]. ANN merepresentasikan buatan dari otak manusia yang selalu melakukan proses pembelajaran pada otak manusia tersebut. dalam ANN terdapat 3 elemen yang berperan penting [12], yaitu sebagai berikut :
1. Arsitektur jaringan beserta hubungan antar neuron
2. Algoritma pembelajaran yang berfungsi untuk pengguanaan penemuan bobot-bobot jaringan.
3. Fungsi dari aktivasi yang digunakan.
Dalam ANN, model neuron terdiri dari 3 bagian, yaitu sebagai berikut ini :
1. Synapsis (Jalur Penghubung) antara neuron yang memiliki bobot tiap synapsis mempunyai indeks untuk menunjukan input yang mana yang akan diproses untuk menjadi output.
12
2. Summing Unit untuk melakukan perhitungan terhadap total output. 3. Activation Function untuk membatasi output.
Gambar 2.1 Prinsip Dasar Jaringan Saraf Tiruan (JST) (Sumber: Muchlisin Riadi (Kajian Pustaka.com))
2.2.5 Arsitektur Artificial Neural Network (Jaringan Saraf Tiruan)
Di dalam jaringan saraf tiruan, neuron-neuron dikelompokkan dalam lapisan-lapisan (layers). Arsitektur dari ANN dibagi menjadi 3 macam, yaitu sebagai berikut :
1. Jaringan Syaraf dengan Lapisan Tunggal (Single Layer Net), dimana lapisan tunggal ini hanya terdapat satu lapisan dengan bobot yang terhubung. Jaringan tersebut menerima input melalui lapisan tersembunyi. Bisa dikatakan ciri-ciri dari lapisan ini adalah memiliki satu lapisan input dan satu lapisan output [7].
2. Jaringan Syaraf dengan Banyak Lapisan (Multi Layer Net), dimana jaringan ini memiliki banyak lapisan dan satu atau lebih lapisan teletak di antara lapisan input dan lapisan output. Jaringan yang memiliki lapisan banyak ini dapat menyelesaikan permasalahan yang lebih rumit dibandingkan dengan lapisan tunggal [7].
3. Jaringan Syaraf dengan Lapisan Kompetitif (Competitive Layer), lapisan ini memiliki perbedaan dengan lapisan lain yang mana antar neuron saling
dihubungkan. Jaringan ini disebut dengan feedback loop dikarenakan outputnya ada yang memberikan informasi terhadap tiap inputnya [7].
2.2.6 Fugsi Aktivasi
Fungsi aktivasi merupakan suatu fungsi yang akan mentrasformasikan suatu inputan menjadi suatu output tertentu. Pada jaringan saraf tiruan suatu informasi akan diterima oleh inputan. Inputan ini akan diproses melalui suatu fungsi perambatan. Fungsi aktivasi pada jaringan backpropagation harus mempunyai beberapa karakteristik penting, berlanjut, dapat dibedakan, dan tidak meningkat secara monoton. Demi keefisiensian komputasi, diharapkan turunan dari fungsi tersebut mudah untuk dikomputasikan. Fungsi diharapkan memenuhi pendekatan nilai maksimum dan nilai minimum. Fungsi-fungsi aktivasi yang umum digunakan adalah:
1. Fungsi Identitas
Fungsi identitas disebut juga sebagai fungsi linear. Fungsi linear mempunyai nilai input dan output yang sama yaitu y = x. Fungsi ini biasanya digunakan pada unit input untuk memberi nilai awal harga setiap unitnya.
Gambar 2.2 Fungsi Identitas (Sumber: Yusuf Nurahman)
2. Fungsi Tangga Binary
Fungsi tangga binary atau Fungsi Hard Limit Neural network berlapis tunggal sering menggunakan fungsi tangga untuk mengkonversi unit input, di mana nilai variabelnya bersifat kontinyu yang menghasilkan nilai output bernilai
14
biner (yaitu 1 atau 0) atau bipolar (1 atau - 1). Fungsi tangga binary ini juga dikenal sebagai fungsi Threshold atau fungsi heaviside.
Gambar 2.3 Fungsi Tangga Binary (Sumber: Yusuf Nur ahman)
3. Fungsi Symetric Hard Limit
Berfungsi mengkonversikan input dari suatu variabel yang bernilai kontinyu ke suatu output berupa nilai 1,0 atau -1.
Gambar 2.4 Fungsi Symetric Hard Limit (Sumber: Yusuf Nurahman)
4. Fungsi Sigmoid Binary
Fungsi sigmoid (kurva dengan bentuk S) adalah fungsi aktivasi yang berguna. Fungsi sigmoid yang umum adalah fungsi logistic dan fungsi tangent hyperbolic. Kedua fungsi ini bermanfaat khususnya untuk penggunaan neural network karena hubungan yang sederhana antara nilai fungsi pada sebuah point dan nilai dari derivatif pada point itu mengurangi hambatan komputasi selama training. Untuk fungsi logistik yang memiliki range 0 sampai 1, sering digunakan
untuk menghasilkan output yang diinginkan bernilai binary atau berada pada interval 0 dan 1. Fungsi dengan range ini juga dikenal dengan binary sigmoid.
Gambar 2.5 Fungsi Sigmoid Binary (Sumber: Yusuf Nurahman)
5. Fungsi Sigmoid Bipolar
Fungsi sigmoid bipolar adalah fungsi logistik yang memiliki range output dari -1 sampai 1. Fungsi bipolar sigmoid erat kaitannya dengan fungsi tangent hyperbolic, yang sering juga di gunakan sebagai fungsi aktivasi ketika range output yang di inginkan bernilai -1 sampai dengan 1.
Gambar 2.6 Fungsi Sigmoid Bipolar (Sumber: Yusuf Nurahman)
16
6. Fungsi Invers Sigmoid Bipolar
Fungsi merupakan invers Sigmoid Bipolar umum dipakai untuk recurrent network misalnya model jaringan Hopfield (Haykin,1999).
Gambar 2.7 Fungsi Invers Sigmoid Bipolar (Sumber: Yusuf Nurahman)
2.2.7 Bobot dan Bias
Pemilihan bobot dan bias akan mempengaruhi apakah jaringan mencapai error minimum global atau error minimum lokal, dan bagaimana mengatasinya dengan cepat. Pembaharuan bobot antara dua unit bergantung pada turunan aktivasi fungsi unit di atasnya dan aktivasi fungsi unit dibawahnya. Dalam hal ini, sangat penting menghindari pemilihan bobot dan bias yang membuat fungsi aktivasi atau turunannya mendekati nol. Nilai inisialisasi bobot tidak dapat terlalu besar atau sinyal input terhadap unit tersembunyi atau unit output akan jatuh di wilayah dimana turunan fungsi sigmoid mempunyai nilai yang sangat kecil. Dengan kata lain, jika inisialisasi bobot terlalu kecil, input jaringan terhadap unit tersembunyi dan unit output akan mendekati nol dan menyebabkan proses pembelajaran yang sangat lambat [8].
Prosedur yang umum untuk menginisialisasi bobot dan bias adalah dengan membuat nilai acak dengan range -0,5 dan 0,5 atau -1 dan 1 atau interval lain yang sesuai. Nilai bobot mungkin saja positif atau negatif karena nilai akhirnya setelah pelatihan dapat berubah tanda. Modifikasi sederhana untuk inisialisasi acak dikembangkan oleh Nguyen dan Widrow. Pada inisialisasasi Nguyen dan
Widrow, modifikasi inisialisasi bobot secara acak biasanya menghasilkan pelatihan yang lebih cepat [8].
Pendekatannya berdasarkan analisis geometris respon neuron tersembunyi terhadap sebuah input, analisis dilanjutkan pada kasus untuk beberapa input dengan menggunakan transformasi fourier. Bobot dari unit tersembunyi terhadap unit output (dan bias pada unit output) diinisialisasikan dengan acak antara nilai -0.5 dan -0.5. Inisialisasi bobot dari unit input ke unit tersembunyi dirancang untuk meningkatkan kemampuan unit tersembunyi untuk belajar diselesaikan dengan mendistribusikan bobot dan bias sehingga untuk setiap pola input berada dalam rentang dimana neuron tersembunyi akan belajar dengan cepat [8].
2.2.8 Metode &Arsitektur Backpropagation
Metode Backpropagation adalah sebuah metode sistematik jaringan saraf tiruan yang menggunakan algoritma pembelajaran terawasi (Supervised Learning) dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan tersembunyinya. Pada Backpropagation, pelatihan yang digunakan adalah jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata [3].
Adapun 3 langkah untuk melakukan pelatihan pada Backpropagation, yaitu sebagai berikut :
1. Langkah maju (feedforward) dari pola pelatihan input,
2. Langkah mundur (backpropagation) dari error yang terhubung, 3. Dan penyesuaian bobot-bobot.
Pada jaringan Backpropagation terdapat neuron yang ada didalam satu atau lebih lapisan tersembunyi (hidden layer). Neuron tersebut berada pada lapisan input (input layer) yang terhubung dengan neuron pada hidden layer, lalu neuron hidden layer akan terhubung pada neuron di output layer.
Adapun jaringan saraf tiruan Backpropagation terdiri dari beberapa lapisan, yaitu sebagai berikut :
18
1. Input Layer
Input layer sebanyak 1 lapis yang terdiri dari neuron input, mulai dari neuron input pertama sampai neuron input ke-n. Dalam hal ini input layer akan merepresentasikan keadaan yang akan melakukan pelatihan pada jaringan.
2. Hidden Layer
Hidden layer terdiri dari beberapa neuron tersembunyi mulai dari neuron tersembunyi awal sampai neuron tersembunyi ke-n. Pada Hidden layer terdapat beberapa aturan metode yang dapat digunakan untuk menentukan jumlah neuron yang akan digunakan pada hidden layer. Menurut Haykin (1999) jumlah hidden neuron 2 sampai dengan 9 sudah dapat menghasilkan hasil yang baik dalam jaringan, namun pada dasarnya jumlah hidden neuron yang digunakan dapat berjumlah sampai dengan tak berhingga (~).
3. Output Layer
Secara umum hampir sama dengan lapisan masukan dan tersembunyi, output layer berjumlah satu lapis yang terdiri dari neuron-neuron output mulai dari neuron output pertama sampai neuron output ke-n. Jumlah dari neuron output tergantung dari tipe dan performa dari jaringan saraf itu sendiri.
Gambar 2.8 Input layer, Hidden layer, Output Layer (Sumber: Jeyegz Corner)
2.2.9 Permodelan jaringan pada ANN
Ada 3 macam permodelan jaringan pada metode Neural Network yaitu : 1. Single layer
Dalam ANN, neuron disusun dalam bentuk lapisan (layer). Pembentukan ANN yang paling sederhana yaitu single layer. Cara kerja dari single layer, input layer yang berasal dari sumber node di proyeksikan langsung ke output layer dari neuron (node komputasi), tetapi tidak berlaku sebaliknya. Permodelan ini merupakan jenis jaringan feed forward yang dapat dilihat pada gambar 2.9. Pada gambar tersebut input dan output memiliki 4 node, namun yang dimaksud dengan single layer yaitu output dari jaringan, sedangkan inputnya tidak memiliki pengaruh karena pada saat melakukan input tidak terjadi proses komputasi.
Gambar 2.9 Single Layer (Sumber: Haykin)
2. Multi layer
Pada single layer apabila terdapat tambahan satu atau dua hidden layer maka jaringan akan terganggu karena input dan output dari jaringan tidak dapat
20
melihat hidden layer yang di masukkan. Sehingga memerlukan jaringan yang bisa menampung nya yaitu bernama multi layer. Cara kerja multi layer adalah input
layer menyuplai input vektor pada jaringan, kemudian input yang dimasukkan
melakukan komputasi pada layer yang kedua, lalu output dari layer yang kedua digunakan sebagai input dari layer yang ketiga dan seterusnya. Ilustrasi jaringan multi layer dapat di lihat pada gambar 2.10.
Gambar 2.10 Multi Layer (Sumber: Haykin)
3. Recurrent network
Reccurent network terbentuk karena pada jaringan single
layer dan multi layer harus memiliki feedback untuk dirinya sendiri pada setiap
loop jaringan nya, pada reccurent network jaringan tidak
memerlukan feedback untuk dirinya sendiri melainkan feedback dari input yang digunakan. Ilustrasi jaringan reccurent network dapat dilihat pada gambar 2.11.
Gambar 2.11 Reccurent Layer (Sumber: Haykin)
2.2.10 Metode – metode pada ANN 1. Single Layer Perceptron (SLP)
Sebelum penulis membahas tentang SLP, penulis akan menjelaskan tentang perceptron yang merupakan salah satu jaringan feedforward yang terdiri dari sebuah retina yang digunakan untuk akuisisi data yang mempunyai
fixed-weighted connection dengan neuron layer yang pertama. Fixed weight
layer diikuti dengan minimal satu weight layer. SLP merupakan sebuah
perceptron yang memiliki satu variable weight dan satu variable layer dari output neuron Ω. Teknik dari SLP dapat ditunjukkan pada gambar dibawah, sebuah SLP dengan dua input dan satu output neuron. Sebuah perceptron dengan beberapa output neuron dapat juga dianggap seperti beberapa perceptron berbeda dengan input yang sama. Fungsi Boolean AND dan OR adalah salah satu contoh yang dengan mudah di susun.
22
Gambar 2.12 Teknik Single Layer Perceptron (Sumber: Krisel)
Learning algoritma pada perceptron dengan fungsi aktivasi binary neuron
yang ditunjukkan oleh gambar. Learning algoritma pada perceptron mengurangi
weight ke output neuron yang mengembalikan 1 daripada 0 dan di kasus yang
berbeda weight nya meningkat
Gambar 2.13 Algoritma Single Layer Perceptron (Sumber: Krisel)
Contohnya kita memiliki single layer perceptron dengan set weight yang random untuk training sample. Set dari training sample yang di panggil P, yang berisi pasangan dari training sample p dan input t.
Dalam persamaan tersebut kita harus mengetahui tentang total error sebagai fungsi dari weight. Total error naik atau berkurang tergantung pada bagaimana kita mengubah weight. Ilustrasi error dari ANN dengan dua
trainable connection w1 dan w2 dapat dilihat pada gambar.
Gambar 2.14 Ilustrasi error (Sumber: Krisel)
2. Multi Layer Perceptron (MLP)
Merupakan sebuah perceptron dengan dua atau lebih trainable
weight layer. Pada SLP dapat membagi input space dengan
sebuah hyperlane sedangkan MLP dapat mengklasifikasi convex polygon dari proses hyperlane dengan mengenali pattern yang terletak di atas hyperlane. MLP merupakan representasi dari fungsi pendekatan universal. Sebuah n-layer
perceptron adalah n-variable weight layer dan n+1 neuron layerdengan neuron layer 1 sebagai input layer.
24
BAB III
METODE PENELITIAN
3.1 Objek Penelitian
Tahap awal dalam pengerjaan skripsi ini adalah penulis melakukan identifikasi terhadap permasalahan yang terjadi terkait dengan nilai ekspor migas dan non migas di Indonesia melalui data dari situs resmi Kementerian Perdagangan (www.kemendag.go.id). Setelah permasalahan didapat, maka dapat ditentukan tujuan yang tepat, manfaat serta batasan masalah yang akan diselesaikan pada tugas akhir ini. Kemudian penulis melakukan pemahaman terkait dengan teknik peramalan dengan menggunakan beberapa sumber berupa paper, ebook, jurnal dan juga buku dalam bentuk cetak, sehingga penulis dapat menentukan metode yang tepat digunakan untuk pengerjaan tugas akhir/skripsi.
3.2 Metode Penelitian
Dalam hal metode penelitian ini akan dipaparkan tahapan yang akan dilaksanakan selama pengerjaan skripsi ini. Metode penelitian ini bertujuan untuk pegangan agar pengerjaan dari skripsi ini berjalan dengan sistematis dan juga dalam tahapan ini dijelaskan secara rinci input, proses dan output.
Dimulai dari mengidentifikasi masalah, lalu mencari literatur yang berkaitan serta megumpulkan data yang dibutuhkan dikelompokkan menjadi studi literatur. Kemudian menentukan parameter yang berkaitan untuk selanjutnya yakni pembuatan model yang dikelompokkan menjadi pengembangan model. Setelah itu melakukan peramalan menggunakan metode yang dipilih yaitu menggunakan metode ANN dikelompokkan menjadi forecasting (peramalan). Tahap selanjutnya menganalisa hasil peramalan, kemudian yang terakhir yaitu membuat kesimpulan dan memberi saran dilanjutkan dengan pembuatan dokumentasi tugas akhir/skripsi.
Gambar 3.1 Metodologi Penelitian Metodologi Penelitian Identifikasi masalah Mencari literatur yang berkaitan Mengumpulkan data yg dibutuhkan Menentukan parameter yg sesuai/berkaitan Pembuatan model Melakukan peramalan menggunakan metode ANN Analisa hasil peramalan Membuat kesimpulan dan memberi saran
Pembuatan dokumentasi tugas akhir/skripsi S tudi L it era tur da n P ersia pa n Da ta P eng emb an g an M ode l fore casting Ana li sa Dokume ntasi
26
3.2.1 Studi Literatur
Tahap awal dalam pengerjaan skripsi ini adalah penulis melakukan identifikasi terhadap permasalahan yang terjadi terkait dengan nilai ekspor migas dan non migas di Indonesia. Setelah permasalahan didapat, maka dapat ditentukan tujuan yang tepat, manfaat serta batasan masalah yang akan diselesaikan pada tugas akhir/skripsi ini.
3.2.2 Persiapan Data
Dalam pengerjaan skripsi ini diperlukan data yang dapat digunakan dan juga mendukung pelaksanaan proses penelitian. Maka dalam tahapan ini dilakukan persiapan data dengan melakukan pencarian data terkait. Data yang dibutuhkan oleh penulis dalam pengerjaan skripsi ini adalah data nilai ekpor migas dan non migas di Indonesia. Dimana data yang diperlukan diperoleh dari Kementerian Perdagangan. Data yang digunakan oleh penulis berjumlah 120 data nilai ekspor migas dan 120 data nilai ekspor nomigas yaitu dalam bentuk nilai ekspor bulanan di rentang waktu Januari 2007 sampai dengan Desember 2017.
3.2.3 Pengembangan Model
Pada tahap ini penulis melakukan pengembangan model. Dimana penulis akan melakukan pembuatan model untuk peramalan. Sebelum pembuatan model, penulis menentukan parameter-parameter yang terkait. Dimana parameter yang terkait meliputi variabel yang akan menjadi input dan target, serta peneliti juga menentukan parameter yang akan mendukung perancangan model.
3.2.4 Forecasting
Setelah data yang dibutuhkan telah sesuai dan valid, maka tahap selanjutnya adalah forecasting. Dimana pada tahapan ini penulis melakukan peramalan terhadap nilai ekspor migas dan non migas di Indonesia dengan menggunakan metode ANN.
Adapun tahapan yang dilakukan untuk peramalan dengan metode ANN adalah sebagai berikut:
1. Persiapan variable input dan output
Dimana tahapan ini dilakukan persiapan terhadap variable input dan output yang telah ditentukan pada tahap sebelumnya apakah variabel yang dibutuhkan sudah benar dan siap digunakan.
2. Pembagian data sampel
Data sampel akan dibagi menjadi 2, yaitu 75% untuk data training dan 25% untuk data testing. Dimana penentuan pembagian data didasari oleh penelitian sebelumnya yang menggunakan pembagian data yang sama yakni 75% dan 25% [15].
3. Pembuatan model ANN
Pada pembuatan model ini kita akan membangun arsitektur dari ANN yaitu berupa input layer, hidden layer dan output layer. Dengan adanya 3 lapisan tadi, maka kita dapat melakukan pembuatan model ANN.
Gambar 3.2 Arsitektur ANN (Sumber : Purwariati)
4. Peramalan
Tahap ini dilakukan setelah pembuatan model, model tersebut dipakai untuk meramalkan data nilai ekspor migas dan non migas di Indonesia
28
3.3 Jenis Data
3.3.1 Data Berdasarkan Cara Memperolehnya
- Data Primer, yaitu data asli atau data baru yang dikumpulkan langsung oleh orang yang melakukan penelitian.
- Data Sekunder, yaitu data tersedia yang dikumpulkan dari berbagai sumber yang sudah ada sebelumnya. Misalnya; dari perpustakaan, dokumen penelitian terdahulu, dan lain-lain.
3.3.2 Jenis Data Berdasarkan Sumbernya
- Data Internal, yaitu data yang didapatkan dari internal suatu organisasi yang menggambarkan keadaan organisasi tersebut. Misalnya; informasi jumlah pegawai, jumlah modal, jumlah produksi, dan sebagainya.
- Data Eksternal, yaitu data yang diperoleh dari luar organisasi yang menggambarkan berbagai faktor yang dapat mempengaruhi kinerja organisasi tersebut. Misalnya; informasi tentang daya beli masyarakat, perubahan kebiasaan masyarakat, dan lain sebagainya.
3.3.3 Jenis Data Berdasarkan Sifatnya
- Data Kualitatif, yaitu suatu data yang dinyatakan dalam bentuk verbal simbol, atau gambar. Misalnya; kuesioner mengenai tingkat kepuasan konsumen terhadap pelayanan suatu perusahaan.
- Data Kuantitatif, yaitu suatu data yang dinyatakan dalam bentuk angka atau bilangan. Misalnya; harga saham, nilai pendapatan, dan lain-lain.
3.3.4 Data Berdasarkan Waktu Pengumpulannya
- Data Cross Section, merupakan data yang dikumpulkan hanya pada waktu-waktu tertentu untuk mengetahui keadaan pada waktu tersebut. Misalnya; data penelitian dengan kuesioner.
- Data Berkala, merupakan data yang dikumpulkan dari waktu ke waktu secara berkala untuk mengetahui perkembangan suatu kejadian pada periode tertentu. Misalnya; data harga sembako.
3.4 Transformasi Data
Sebelum menggunakan data dengan metode atau teknik yang akan diterapkan kita harus melakukan praprosesing terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat dalam pemakaian teknik teknik machine learning atau data mining. Dalam beberapa hal, praprosesing dapat membuat nilai data menjadi lebih kecil tanpa merubah informasi yang dikandungnya, ada beberapa cara transformasi data yang dilakukan sebelum menerapkan suatu metode, antara lain adalah normalisasi atau scalling adalah prosedur merubah data sehingga berada dalam sekala tertentu (Santosa 2017). Skala ini bisa antara (0,1), (-1,1) atau skala lain yang dikehendaki.
Rumus dari tranformasi data yang digunakan yaitu sebagai berikut:
Keterangan :
X’ : data inputan
X min : data inputan terendah/nilai minimum tiap kolom X max : data inputan tertinggi/nilai maksimum tiap kolom BA : merupakan Batas Atas, dalam hal ini batas atas adalah 1 BB : merupakan Batas Bawah dalam hal ini batas bawah adalah 0
3.5 Data yang digunakan
Dalam pembuatan tugas akhir ini, penulis menggunakan data histori dari nilai ekspor migas dan non migas di Indonesia mulai dari tahun 2007 hingga tahun 2017. Data tersebut yang nantinya akan digunakan sebagai sampel untuk
30
melakukan peramalan nilai ekspor migas dan nonmigas di Indonesia pada periode mendatang. Penulis mendapatkan data nilai ekspor migas dan non migas tahun 2007 hingga 2017 dari situs resmi Kementerian Perdagangan (www.kemendag.go.id).
Dari data yang diperoleh terdapat 2 kategori nilai ekspor yaitu nilai ekspor migas dan nilai ekspor nonmigas. Data histori yang didapat memiliki entri sebanyak 120 untuk data ekspor migas di Indonesia dan 120 untuk data ekspor non migas di Indonesia, sehingga total data keseluruhan sebanyak 240 entri.
3.6 Metode yang digunakan
Metode yang di gunakan pada penelitian ini yaitu metode Artificial Neural Network (ANN) Backpropagation atau Jaringan Syaraf Tiruan yakni merupakan sebuah teknik atau pendekatan pengolahan informasi yang terinspirasi oleh cara kerja sistem saraf biologis, khususnya pada sel otak manusia dalam memproses informasi. Elemen kunci dari teknik ini adalah struktur sistem pengolahan informasi yang bersifat unik dan beragam untuk tiap aplikasi. Neural Network terdiri dari sejumlah besar elemen pemrosesan informasi (neuron) yang saling terhubung dan bekerja bersama-sama untuk menyelesaikan sebuah masalah tertentu, yang pada umumnya dalah masalah klasifikasi ataupun prediksi.
Cara kerja Neural Network dapat dianalogikan sebagaimana halnya manusia belajar dengan mengunakan contoh atau yang disebut sebagai supervised learning. Proses belajar yang terjadi dalam sistem biologis melibatkan penyesuaian koneksi sinaptik yang ada antara neuron, dalam halnya pada Neural Network penyesuaian koneksi sinaptik antar neuron dilakukan dengan menyesuaikan nilai bobot yang ada pada tiap konektivitas baik dari input, neuron maupun output.
Keuntungan lainnya dari penggunaan Neural Network termasuk:
Pembelajaran adaptif: Kemampuan untuk belajar dalam melakukan tugas-tugas berdasarkan data yang diberikan
Operasi Real-Time: Penghitungan Neural Network dapat dilakukan secara paralel, sehingga proses komputasi menjadi lebih cepat.
Algoritma komputer konvensional dan Neural Network tidaklah bersaing akan tetapi saling melengkapi. Beberapa tugas atau masalah lebih cocok diselesaikan dengan pendekatan algoritmik seperti halnya operasi aritmatika, disisi lain ada tugas-tugas yang lebih cocok untuk jaringan saraf, misalnya prediksi pergerakan data time-series.
3.7 Pengujian Metode Backpropagation
Terdapat tiga fase pelatihan dari backpropagation, yaitu sebagai berikut : 1. Fase I : Propagasi Maju (Feedforward)
Di fase ini pola masukan dihitung maju mulai dari input layer hingga output layer menggunakan fungsi aktivasi yang ditentukan.
2. Fase II : Propagasi Mundur (Backpropagation)
Selisih antar target yang akan dicapai dengan hasil keluaran merupakan error. Error yang terjadi itu dipropagasi mundur, dimulai dari jaringan yang berhubungan di unit-unit output layer.
3. Fase III : Perubahan Bobot
Melakukan perubahan pada bobot untuk menurunkan error yang terjadi. Fase ini diulang-ulang terus hingga kondisi penghentian dipenuhi.
3.7.1 Algoritma Pembelajaran Backpropagation
Algoritma backpropagation biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Adapun pelatihan backpropagation adalah dengan tahapan-tahapan sebagai berikut :
1. Langkah ke-1 : Inisialisasi bobot.
2. Langkah ke- 2 : Untuk setiap data training, lakukan langkah 3-8. Feedforward (Umpan Maju).
3. Setiap unit input ( , 𝑖 = 1, … , 𝑛) menerima sinyal input 𝑥i dan menyebarkan sinyal tersebut ke seluruh unit tersembunyi.
4. Pada setiap unit tersembunyi (X𝑗 , j = 1, … , 𝑝), menjumlahkan sinyal-sinyal input yang sudah berbobot (termasuk biasnya).
32
3.8 Pengujian MAPE & MSE
Dalam membuat pemodelan terhadap peramalan dilakukan validasi untuk mengetahui kinerja dari metode peramalan yang digunakan, dimana pengujian tersebut untuk mengetahui error yang ada dalam model peramalaan yang dibuat dengan dua pengukuran, yaitu sebagai berikut :
1. Mean Absolute Percentage Error (MAPE) dihitung dengan cara menggunakan kesalahan absolute disetiap periode lalu dibagi dengan nilai observasi yang nyata untuk periode tersebut. Lalu, melihat nilai rata-rata kesalahan persentase absolute tersebut. pendekatan yang dilakukan ini berfungsi saat ukuran atau besar variabel ramalan itu penting dalam mengevaluasi ketepatan ramalan. Dalam MAPE nilai error dikatakan baik yaitu bernilai 20%, sedangkan semakin kecil dari 20% maka semakin baik Menurut Nella Amalina (2016). Berikut ini adalah rumus dari MAPE
|
MAPE = ∑ 𝑥
n Keterangan :
Actual : Data aktual
Forecast : Data hasil peramalan n : Banyaknya periode ramalan
2. Mean Square Error (MSE) merupakan suatu parameter dalam peramalan untuk menguji keakuratan hasil peramalan yang telah dilakukan.Semakin kecil nilai Mean Square Error (MSE), maka semakin akurat hasil peramalan yang telah dilakukan.
∑
( )
Menurut Pakaja (2017), Mean Squared Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan itu dikuadratkan. Metode itu menghasilkan kesalahan-kesalahan sedang yang kemungkinan lebih baik untuk kesalahan-kesalahan kecil, tetapi kadang menghasilkan perbedaan yang besar.
MSE merupakan cara kedua untuk mengukur kesalahan peramalan keseluruhan. MSE merupakan rata-rata selisih kuadrat antara nilai yang diramalkan dan yang diamati. Kekurangan penggunaan MSE adalah bahwa MSE cenderung menonjolkan deviasi yang besar karena adanya pengkuadratan. Semakin kecil nilai error pada MSE maka semakin baik hasil pengujiannya.
3.8.1 Pengaruh MAPE & MSE
MAPE & MSE merupakan salah satu indikator yang sangat mempengaruhi hasil penelitian dan juga dapat dijadikan acuan untuk melihat metode peramalan yang memberikan hasil akurat/akurasi data serta untuk mengetahui metode peramalan yang ter baik dari hasil perhitungan berdasarkan nilai error. Nilai error merupakan selisih atau perbedaan nilai antara keadaan yang sebenarnya dengan hasil peramalan. Semakin kecil nilai error yang dihasilkan oleh suatu metode peramalan maka metode peramalan tersebut dianggap semakin akurat. Hal ini menunjukkan bahwa semakin kecil nilai error yang dihasilkan oleh suatu metode peramalan, maka hasil peramalan tersebut mendekati keadaan yang sebenarnya (Nella Amalina 2016).
34
BAB IV
HASIL PENGUJIAN DAN PEMBAHASAN
4.1 Hasil Pengujian
Penetapan Variabel Data antara ekspor migas dan non migas yang telah didapat diolah dalam periode bulanan yaitu selama Januari 2007 - Desember 2017. Maka didapatkan data sebanyak 240 data untuk nilai ekspor migas dan non migas dalam periode bulan. Keseluruhan data digabungkan menjadi sebuah tabel, dimana baris menunjukkan nilai ekspor dalam periode bulanan. Sedangkan kolom menunjukkan jenis nilai ekspornya, yaitu Migas dan Nonmigas.
Tabel 4.1 Data nilai ekspor
Bulanx, Tahunx Migas
(Dalam Juta US$)
Non Migas (Dalam Juta US$)
Januari, 2007 1.521,10 6.801,30 Februari, 2007 1.468,50 6.726,10 Maret, 2007 1.574,70 7.490,20 April, 2007 1.536,60 7.376,50 ... ... ... Desember, 2017 1.496,50 13.368,10
Keterangan: Bulanx = Januari, Februari, Maret, …, Desember Tahunx = 2007, 2008, 2009, …, 2017
Setelah data sudah diolah, maka sebelum melakukan pemrosesan terhadap data nilai ekspor migas dan non migas, maka diperlukannya penentuan variabel terkait yang akan dijadikan input dan target untuk model Artificial Neural Network. Dimana variabel ditentukan sejumlah 12 input dan 1 variabel target. Maka diperoleh variabel input sebanyak 12 variabel dengan simbol variabel input yaitu X. Sedangkan untuk variabel target yaitu dengan simbol variable Y,
didapatkan dari data peramalan bulan selanjutnya pada tiap variable X. Berikut ini adalah data variable X dan Y yang yang akan digunakan :
- Variabel X: Tabel 4.2 Variabel X X1 Januari 2007 - Juni 2012 X2 Januari 2007 - Mei 2012 X3 Januari 2007 - April 2012 X4 Januari 2007 - Maret 2012 X5 Januari 2007 - Februari 2012 X6 Januari 2007 - Januari 2012 X7 Januari 2007 - Desember 2011 X8 Januari 2007 - November 2011 X9 Januari 2007 - Oktober 2011 X10 Januari 2007 - September 2011 X11 Januari 2007 - Agustus 2011 X12 Januari 2007 - Juli 2011 - Variabel Y: Tabel 4. 3 Variabel Y Y Februari 2008 – Juni 2012
- Variabel untuk nilai ekspor Migas
Tabel 4.4 Variabel nilai X Migas
X1 X2 X3 X4 ... X12 1.521,10 1.468,50 1.521,10 1.574,70 1.468,50 1.521,10 1.536,60 1.574,70 1.468,50 1.521,10 1.792,00 1.536,60 1.574,70 1.468,50 ... 1.521,10 ... ... ... ... ... ... 2.899,70 3.724,90 3.560,70 3.486,10 ... 3.802,50
36
Tabel 4.5 Variabel nilai Y Migas
Bulan, Tahun Y Februari, 2008 2.381,00 Maret, 2008 2.767,20 April, 2008 2.481,20 Mei, 2008 3.225,50 Juni, 2008 2.995,00 ... ... Juni, 2012 2.899,70
- Variabel untuk nilai ekspor Nonmigas
Tabel 4.6 Variabel nilai X NonMigas
X1 X2 X3 X4 ... X12 6.801,30 6.726,10 6.801,30 7.490,20 6.726,10 6.801,30 7.376,50 7.490,20 6.726,10 6.801,30 8.015,80 7.376,50 7.490,20 6.726,10 ... 6.801,30 ... ... ... ... ... ... 12.541,80 13.104,70 12.612,50 13.765,40 ... 13.616,00
Tabel 4.7 Variabel nilai Y NonMigas
Bulan, Tahun Y Februari, 2007 6.726,10 Maret, 2007 7.490,20 April, 2007 7.376,50 Mei, 2007 8.015,80 Juni 2007 7.730,40 ... ... Juni, 2012 12.541,80
4.1.1 Persiapan Perancangan Model Artificial Neural Network
Setelah data yang digunakan peneliti sudah siap pakai, kemudian peneliti akan melakukan pembuatan model ANN dengan terlebih dahulu mempersiapkan data untuk pelatihan dan pengujian. Untuk data pelatihan (training) sebanyak 65% yaitu 90 data yang digunakan mulai dari Januari 2007 – Desember 2014 dan untuk data pengujian (testing) sebanyak 35% yaitu 30 data yang digunakan mulai dari Januari 2014 – Desember 2017.
Pembuatan model ANN yang dirancang peneliti berpacu pada arsitektur model ANN yaitu terdapat input layer, hidden layer dan output layer. Untuk input layer berisi nilai ekspor migas dan non migas. Pada hidden layer berisi 1 layer, dimana didalam layer tersebut berisi neuron dengan fungsi aktivasi sigmoid bipolar. Dimana jumlah dari neuron pada hidden layer ditentukan dalam proses trial-error yang berkisaran antara 2 – 15 neuron dan proses ini akan berlangsung pada saat training.
Sedangkan untuk output layer berisi 1 layer target yaitu nilai ekspor bulan berikutnya setelah nilai ekspor pada input layer. Berikut ini akan dijabarkan rancangan arsitektur dari model ANN yang akan dibuat :
Tabel 4.8 Rancangan arsitektur ANN
Parameter Jumlah Deskripsi
Input layer 1 neuron Nilai ekspor Migas dan
Non Migas
Hidden Layer Trial-Error 2-15 neuron
Epoch Trial-Error 300-2500
Momentum Trial-Error 0.5 – 0.9
Learning Rate Trial-Error 0.1 – 0.9
Fungsi Aktivasi Trial-Error Logsig & Purelin
Output Layer 1 neuron Nilai Ekspor Migas dan
38
4.1.2 Pemrosesan Data Masukan
Data yang di dapatkan dari Kemendag akan diproses sebelum data diolah kedalam matlab. Adapun proses pengolahan data yaitu seb agai berikut :
Gambar 4.1 Proses Data Masukan
Keterangan :
Dimana proses pertama setelah data asli didapatkan dari Kemendag, kemudian data dimasukan ke dalam MS.Excel. Dimana dalam MS.Excel data sudah berisi dengan data variabel input dan output yang telah ditentukan dalam proses sebelumnya. Data variabel di MS.Excel lalu transformasi menggunakan rumus transformasi data untuk mendapatkan nilai biner yaitu berawalah 0/1 kemudian jika sudah mendapatkan nilai dari transformasi data lalu salin dan dipindahkan kedalam Matlab.
4.1.3 Pemrosesan Data Hasil Peramalan
Setelah seluruh proses perancangan dari model ANN selesai, maka data hasil yang didapat akan diolah yaitu dengan proses sebagai berikut :
Gambar 4.2 Proses Data Hasil Peramalan
Keterangan :
Data hasil peramalan yang telah didapat dalam Matlab lalu di proses dengan cara menyalin hasil data kemudian di pindahkan ke dalam MS.Excel.
DATA ASLI DATA PADA MS.EXCEL DATA PADA MATLAB DATA PADA MATLAB DATA PADA MS.EXCEL DATA YG SUDAH DITRANSFORMASI
4.2 Pembahasan Hasil Pengujian
4.2.1 Perancangan Model Artificial Neural Network
Untuk perancangan model ANN yang akan dibuat didasari pada arsitektur ANN. Dimana input layer yang dibuat berisikan data nilai ekspor migas dan non migas. Untuk hidden layer yang diterapkan peneliti adalah multi layer perceptron dengan satu lapisan hidden layer. Dalam hidden layer terdapat fungsi aktivasi, peneliti menggunakan fungsi aktivasi yaitu logsig dan purelin. Logsig merupakan fungsi aktivasi sigmoid biner yang digunakan untuk mengirimkan informasi melalui bobot-nya ke neuron pada hidden layer.
Sedangkan purelin merupakan fungsi aktivasi linear yang dipakai jika menginginkan keluaran jaringan berupa nilai yang dengan range yang sama dengan nilai inputnya. Pada output layer berisi nilai ekspor migas dan non migas selanjutnya setelah nilai dari ekspor migas dan non migas pada data di input layer. Dalam proses perancangan model ANN ini juga dibutuhkan parameter yang mendukung pemodelan. Parameter pendukung tersebut yaitu jumlah iterasi maksimum (epochs) sebesar 1000 iterasi. Nilai maksimum dari epoch ini akan menjadi acuan untuk pemberhentian proses pelatihan. Parameter lain yang mendukung yaitu learning rate sebesar 0,5 dan momentum konstanta (mc) sebesar 0.9. Adapun syntax yang untuk melakukan perintah tersebut adalah sebagai berikut: >>net=newff(minmax(A),[10,1],{'logsig','purelin'},'trai ngdx'); >>net.trainParam.Epochs = 1000; >>net.trainParam.mc = 0.9; >>net.trainParam.lr = 0.5;
40
4.2.2 Normalisasi / Pre-processing
Pada tahapan normalisasi atau preprocessin, penulis melakukan penskalaan terhadap data nilai ekspor migas dan non migas agar data yang akan dimasukan memiliki range tertentu sehingga dapat memudahkan pengolahan data pada proses pelatihan. Data input dan output akan dinormalisasi ke dalam bentuk normal yang memiliki mean = 0 dan deviasi standar = 1. Jika di dalam Matlab tersedia fungsi syntax normalisasi yaitu :
>>[X,meanA,stdA,Y,meanB,stdB] = prestd(A ,B); Keterangan :
X : Matriks input yang ternormalisasi Y : Matriks target yang ternormalisasi meanA : Mean pada matriks input asli (A)
stdA : Deviasi standar pada matriks input asli (A) meanB : Mean pada matriks target asli (B)
stdB : Deviasi standar pada matriks target asli (B) A : Matriks input asli
B : Matriks target asli
4.2.3 Proses Pelatihan (Training)
Pada proses ini digunakan data training sebanyak 90 data. Proses pelatihan ini dilakukan didalam Matlab dengan melakukan perintah berupa syntax sebagai berikut :
>>net = train (net,X,Y);
Keterangan :
net : Model jaringan saraf tiruan yang terpilih X : Matriks input ANN
Di dalam proses pelatihan ini, akan dilakukan penentuan jumlah neuron hidden layer terbaik dengan melakukan perubahan-perubahan terhadap nilai neuron dengan melakukan percobaan neuron dari nilai 2-15 neuron menggunakan syntax membuat model ANN sama seperti pada tahapan sebelumnya. Penentuan jumlah neuron ini dilakukan hingga mendapatkan nilai terbaik dan selanjutnya akan diketahui pada neuron ke berapa yang akan menghasilkan performa terbaik dilihat dari nilai MSE terkecil, maka jumlah neuron yang paling baik itulah yang akan digunakan. Hasil pelatihan jaringan menunjukkan adanya perbedaan nilai MSE apabila dilakukan perubahan untuk tiap neuron hidden layer.
4.2.4 Proses Pengujian (Testing)
Proses selanjutnya yaitu testing, dimana sebelum melakukan proses ini perlu dilakukan persiapan terhadap data testing yang akan dipakai. Pada data testing tersebut juga dilakukan proses normalisasi. Proses normalisasi dilakukan dengan menggunakan nilai mean dan standar deviasi dari proses sebelumnya. Adapun perintah yang digunakan dalam proses ini adalah sebagai berikut :
>>hasiltestnor=trastd(Xtest, meanX, stdX)
Keterangan :
hasiltestnor : Hasil normalisasi dari data testing Xtest : Data testing
meanX : Nilai mean dari proses normalisasi data pelatihan
stdX : Nilai standar deviasi dari proses normalisasi data pelatihan.
4.3 Hasil Proses Training & Testing
Dalam proses training telah dilakukan pembentukan model ANN dengan cara percobaan perubahan terhadap jumlah neuron. Maka dengan percoban tersebut didapatkan beberapa model ANN. Dimana akurasi model didapat dari perhitungan tingkat kesalahan yaitu dengan menghitung nilai MSE yang didapat dengan