ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI TESIS ANJAR WANTO

(1)

i

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

ANJAR WANTO 157038039

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2017

(2)

ii

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika

ANJAR WANTO 157038039

PROGRAM STUDI S2 TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2017

(3)

PERSETUJUAN

Judul Tesis :

Kategori : TESIS

Nama : ANJAR WANTO

NIM : 157038039

Jurusan/Program Studi : TEKNIK INFORMATIKA

Fakultas :

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dr. Sawaluddin, M.IT Prof. Dr. Muhammad Zarlis

Diketahui/disetujui oleh

Program Studi S2 Teknik Informatika Ketua,

Prof. Dr. Muhammad Zarlis NIP. 195707011986011 003

ANALISIS JARINGAN SARAF TIRUAN BACKPRO- PAGATION MENGGUNAKAN CONJUGATE GRA- DIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI

ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

(4)

iii

PERNYATAAN

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION MENGGUNAKAN CONJUGATE GRADIENT FLETCHER

REEVES DALAM PROSES MEMPREDIKSI

TESIS

Saya mengakui bahwa Tesis ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.

Medan, 24 Juli 2017

Anjar Wanto 157038039

(5)

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN

AKADEMIS

Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :

Nama : Anjar Wanto

NIM : 157038039

Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul :

ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION

MENGGUNAKAN CONJUGATE GRADIENT FLETCHER REEVES DALAM PROSES MEMPREDIKSI

Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasi tesis saya tanpa meminta izin dari saya selama tetap mencantum nama saya sebagai penulis dan sebagai pemegang dan/atau sebagai pemilik hak cipta.

Demikian pernyataan ini dibuat dengan sebenarnya.

Medan, 24 Juli 2017

(6)

v Telah diuji pada

Tanggal: 24 Juli 2017

PANITIA PENGUJI TESIS

Ketua : Prof. Dr. Muhammad Zarlis Anggota : 1. Dr. Sawaluddin, M.IT

2. Dr. Poltak Sihombing, M.Kom 3. Dr. Syahril Efendi, S.Si, M.IT

(7)

RIWAYAT HIDUP

DATA PRIBADI

Nama Lengkap : Anjar Wanto, S.Kom

Tempat dan Tanggal Lahir : Bah Jambi, 14 Februari 1985

Alamat Rumah : Jln. Asahan Gg. Amal Pematang Assilum Telepon/Faks/HP : 0852 7588 8349

E-mail : [email protected]

Instansi Tempat Bekerja : STIKOM Tunas Bangsa Pematangsiantar Alamat Kantor : Jln. Sudirman Blok A No. 2, 3 Pematangsiantar

DATA PENDIDIKAN

SD : No. 095201 Emplasmen Bah Jambi TAMAT : tahun 1996 SLTP : Taman Siswa Bah Jambi TAMAT : tahun 1999 SLTA : SMK Negeri 2 Pematangsiantar TAMAT : tahun 2002 D3 : AMIK Tunas Bangsa Pematangsiantar TAMAT : tahun 2010 S1 : STT Poliprofesi Medan TAMAT : tahun 2012 S2 : Teknik Informatika USU TAMAT : tahun 2017

(8)

vii

UCAPAN TERIMAKASIH

Puji dan syukur penulis panjatkan kehadirat Allah SWT, atas segala rahmat serta karunia Nya sehingga penelitian ini yang berjudul “Analisis Jaringan Saraf Tiruan Backpropagation Dengan Menggunakan Conjugate Gradient Fletcher Reeves Dalam Proses Memprediksi” dapat diselesaikan dengan baik. Maka dengan kerendahan hati penulis mengucapkan terimakasih kepada :

1. Bapak Prof. Dr. Muhammad Zarlis selaku Ketua Program Studi S2 Teknik Informatika serta sebagai pembimbing utama penulis, atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

2. Bapak Dr. Syahril Efendi, S.Si, M.IT Selaku Sekretaris Program Studi S2 Teknik Informatika serta sebagai Pembanding 2 penulis pada saat Sidang Tesis.

3. Bapak Dr. Sawaluddin, M.IT selaku pembimbing kedua penulis atas arahan dan kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan Program Magister pada Program Studi Magister Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.

4. Seluruh Dosen dan Staf Pegawai Program Studi S2 Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, yang telah memberikan bantuan dan pelayanan terbaik selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

5. Bapak H. Maulia Ahmad Ridwansyahputra, selaku Ketua Yayasan Muhammad Nasir Pematangsiantar, yang telah memberikan bantuan moril, materi maupun motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

(9)

6. Bapak Dedy Hartama, S.T., M.Kom, yang telah memberikan bantuan moril maupun motifasi kepada penulis selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

7. Seluruh Dosen dan Staf Pegawai AMIK dan STIKOM Tunas Bangsa, yang telah memberikan dukungan dan motifasi selama mengikuti perkuliahan hingga pada penyelesaian tesis ini.

8. Orangtua tercinta serta seluruh keluarga atas ketulusan do’a, dukungan serta motifasi dan nasehat-nasehat sepanjang waktu sehingga dapat menyelesaikan pendidikan S2 ini.

9. Istri tercinta May Sandra Purba atas ketulusan do’a, serta selalu memberikan semangat kepada penulis hingga terselesaikannya tesis ini

10. Teman-teman seperjuangan Kom-A tahun 2015 Fasilkom TI USU atas kebersamaan dan kekompakkan dalam perkuliahan dan tetap semangat sampai akhir, serta semua pihak yang tidak bisa penulis sebutkan satu persatu.

Penulis menyadari bahwa isi tesis ini masih jauh dari kesempurnaan, untuk itu mohon kiranya para pembaca memberikan masukan, kritik dan saran yang sifatnya membangun untuk perbaikan sehingga dapat bermanfaat. Semoga karya ilmiah ini bermanfaat bagi kemajuan Ilmu pengetahuan dan pendidikan.

Medan, Juli 2017

(10)

ix ABSTRAK

Backpropagation merupakan algoritma pada Jaringan Saraf Tiruan yang baik digunakan untuk memprediksi, salah satunya untuk memprediksi laju Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan. Sedangkan conjugate gradient fletcher reeves merupakan metode optimasi yang cocok bila disandingkan dengan metode backpropagation, karena metode ini dapat mempersingkat iterasi tanpa mengurangi kualitas hasil pelatihan dan pengujian. Data Indeks Harga Konsumen (IHK) yang akan diprediksi bersumber dari Badan Pusat Statistik (BPS) kota Pematangsiantar. Hasil penelitian ini nantinya diharapkan dapat memberikan kontribusi bagi pemerintah dalam membuat kebijakan untuk meningkatkan pertumbuhan ekonomi. Pada penelitian ini, data yang diperoleh akan diolah dengan melakukan pelatihan dan pengujian dengan jaringan saraf tiruan backpropagation dengan menggunakan parameter learning rate dan target error yang sama, yakni 0,01.

Jaringan pelatihan dibangun dengan fungsi aktivasi sigmoid biner dan bipolar. Setelah hasil dengan backpropagation diperoleh, maka kemudian akan di optimasi dengan menggunakan metode conjugate gradient fletcher reeves dengan melakukan pelatihan dan pengujian yang sama berdasarkan 5 arsitektur jaringan yang telah ditentukan.

Hasilnya, metode yang digunakan mampu meningkatkan terjadi peningkatan kecepatan dan hasil akurasi.

Kata Kunci : Neural Network, Backpropagation, Prediksi, Fletcher Reeves.

(11)

ABSTRACT

Backpropagation is a good artificial neural network algorithm used to predict, one of which is to predict the rate of Consumer Price Index (CPI) based on the foodstuff sector. While conjugate gradient fletcher reeves is a suitable optimization method when juxtaposed with backpropagation method, because this method can shorten iteration without reducing the quality of training and testing result. Consumer Price Index (CPI) data that will be predicted to come from the Central Statistics Agency (BPS) Pematangsiantar city. The results of this study will be expected to contribute to the government in making policies to improve economic growth. In this study, the data obtained will be processed by conducting training and testing with artificial neural network backpropagation by using the parameter learning rate and target error of the same, that is 0.01. The training network is built with binary and bipolar sigmoid activation functions. After the result with backpropagation is obtained, it will then be optimized by using conjugate gradient fletcher reeves method by doing the same training and testing based on 5 predefined network architecture. The result, the method used can increase the speed and accuracy result.

Keywords : Neural Network, Backpropagation, Prediction, Fletcher Reeves.

(12)

xi

DAFTAR ISI

Hal

PERSETUJUAN ... ii

PERNYATAAN ... iii

PERNYATAAN PERSETUJUAN PUBLIKASI ... iv

RIWAYAT HIDUP ... vi

UCAPAN TERIMAKASIH ... vii

ABSTRAK ... ix

ABSTRACT ... x

DAFTAR ISI ... xi

DAFTAR TABEL ... xiv

DAFTAR GAMBAR ... xvi

BAB 1 PENDAHULUAN ... 1

1.1. Latar Belakang... 1

1.2. Rumusan Masalah ... 4

1.3. Tujuan Penelitian ... 4

1.4. Batasan Atau Ruang Lingkup Penelitian ... 4

1.5. Manfaat Penelitian ... 4

BAB 2 TINJAUAN PUSTAKA... 5

2.1. Analisis... 5

2.2. Kecerdasan Buatan (Artificial Intelligence) ... 5

2.3. Backpropagation ... 5

2.3.1. Arsitektur Backpropagation ... 6

2.3.2. Jaringan Saraf Backpropagation ... 7

(13)

2.3.3. Fungsi Aktivasi Pada JST ... 7

2.3.4. Mengevaluasi Kinerja Model... 10

2.4. Conjugate Gradient ... 12

2.5. Indeks Harga Konsumen ... 13

2.6. Prediksi (Peramalan) ... 14

BAB 3 METODOLOGI PENELITIAN ... 15

3.1. Pendahuluan ... 15

3.2. Kerangka Kerja Penelitian ... 15

3.3. Teknik Proses Pelatihan Dan Pengujian ... 19

3.4. Tempat Penelitian ... 19

3.5. Alat Dan Bahan ... 19

3.6. Tahap Pengambilan Data ... 20

3.7. Data Yang Digunakan ... 20

3.7.1. Arsitektur Jaringan ... 22

3.7.2. Proses Normalisasi ... 23

3.7.3. Pengolahan Data (Normalisasi) ... 24

3.7.4. Pelatihan Jaringan ... 35

3.7.5. Proses Testing (Pengujian) ... 36

BAB 4 ANALISIS DAN HASIL PENELITIAN ... 39

4.1. Pendahuluan ... 39

4.2. Analisis Penelitian ... 41

4.3. Hasil Penelitian ... 42

4.3.1. Pelatihan Dan Pengujian Arsitektur 12-6-1 ... 42

4.4. Optimasi Backpropagation Dengan Fletcher Reeves ... 52

4.4.1. Optimasi Arsitektur 12-6-1 ... 53

(14)

xiii

4.4.6. Hasil Pengujian Iterasi ... 63

4.4.7. Hasil Pengujian Tingkat Akurasi Pelatihan ... 64

4.4.8. Hasil Pengujian Akurasi Tingkat Testing ... 64

4.5. Hasil Pembahasan ... 64

BAB 5 KESIMPULAN DAN SARAN ... 66

5.1. Kesimpulan... 66

5.2. Saran ... 66

DAFTAR PUSTAKA ... 67

(15)

DAFTAR TABEL

Hal

TABEL 1.1. Kelompok Pengeluaran Indeks Harga Konsumen ... 2

TABEL 1.2. Subkelompok dari Sektor Indeks Harga Konsumen ... 2

TABEL 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016 ... 20

TABEL 3.2. Indeks Harga Konsumen Tahun 2014 ... 21

TABEL 3.5. Data Input Yang Digunakan ... 21

TABEL 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Mengguna- kan Rotasi Putar ... 25

TABEL 3.7. Hasil Normalisasi Data Pelatihan Tahun 2014-2015 ... 26

TABEL 3.8. Data Awal Pengujian Tahun 2015-2016 Dengan Menggun- akan Rotasi Putar ... 27

TABEL 3.9. Hasil Normalisasi Data Pengujian Tahun 2015-2016 ... 28

TABEL 3.10. Bobot Dari Layar Masukan Ke Layar Tersembunyi = V_ji ... 29

TABEL 3.11. Bobot Dari Layar Masukan Ke Layar Tersembunyi = W_kj ... 29

TABEL 3.12. Suku Perubahan Bobot Ke Unit Tersembunyi ... 34

TABEL 3.13. Perubahan Bobot Unit Keluaran ... 35

TABEL 3.14. Perubahan Bobot Tersembunyi ... 35

TABEL 4.1. Arsitektur JST Backpropagation Standar ... 41

TABEL 4.2. Akurasi Data Pelatihan Arsitektur 12-6-1 ... 43

TABEL 4.3. Akurasi Data Pengujian Arsitektur 12-6-1 ... 44

(16)

xv

TABEL 4.12. Akurasi Data Pelatihan Arsitektur 12-6-1 Dengan Fletcher

Reeves ... 54 TABEL 4.13. Akurasi Data Pengujian Arsitektur 12-6-1 Dengan Fletcher

Reeves ... 54 TABEL 4.14. Akurasi Data Pelatihan Arsitektur 12-15-1 Dengan Fletcher

Reeves ... 63

(17)

DAFTAR GAMBAR

Hal

GAMBAR 2.1. Jaringan Saraf Tiruan Backpropagation ... 6

GAMBAR 2.2. Fungsi aktivasi : Undak Biner (Hard Limit) ... 7

GAMBAR 2.3. Fungsi aktivasi : Undak Biner (Threshold)... 8

GAMBAR 2.4. Fungsi aktivasi : Fungsi Bipolar (Symetric Hard Limit) ... 8

GAMBAR 2.5. Fungsi aktivasi : Fungsi Bipolar (Threshold) ... 8

GAMBAR 2.6. Fungsi aktivasi : Fungsi Linear (Identitas) ... 8

GAMBAR 2.7. Fungsi aktivasi : Fungsi Saturating Linear ... 9

GAMBAR 2.8. Fungsi aktivasi : Fungsi Symetric Saturating Linear ... 9

GAMBAR 2.9. Fungsi aktivasi : Fungsi Sigmoid Biner ... 10

GAMBAR 2.10. Fungsi aktivasi : Fungsi Sigmoid Bipolar ... 10

GAMBAR 3.1. Kerangka Kerja Penelitian ... 16

GAMBAR 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR 19 GAMBAR 3.3. Arsitektur JST Indeks Harga Konsumen (IHK) ... 22

GAMBAR 4.1. Pelatihan Menggunakan Arsitektur 12-6-1 ... 42

GAMBAR 4.2. Performance Pelatihan Menggunakan Arsitektur 12-6-1 ... 43

GAMBAR 4.11. Optimasi Pelatihan Menggunakan Arsitektur 12-6-1 ... 53

(18)

xvii

GAMBAR 4.16. Grafik Iterasi BP Standard Dan BP + CGFR ... 63 GAMBAR 4.17. Grafik Akurasi Pelatihan BP Standard Dan BP + CGFR ... 64 GAMBAR 4.18. Grafik Iterasi Pengujian BP Standard Dan BP + CGFR ... 64

(19)

ABSTRAK

Backpropagation merupakan algoritma pada Jaringan Saraf Tiruan yang baik digunakan untuk memprediksi, salah satunya untuk memprediksi laju Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan. Sedangkan conjugate gradient fletcher reeves merupakan metode optimasi yang cocok bila disandingkan dengan metode backpropagation, karena metode ini dapat mempersingkat iterasi tanpa mengurangi kualitas hasil pelatihan dan pengujian. Data Indeks Harga Konsumen (IHK) yang akan diprediksi bersumber dari Badan Pusat Statistik (BPS) kota Pematangsiantar. Hasil penelitian ini nantinya diharapkan dapat memberikan kontribusi bagi pemerintah dalam membuat kebijakan untuk meningkatkan pertumbuhan ekonomi. Pada penelitian ini, data yang diperoleh akan diolah dengan melakukan pelatihan dan pengujian dengan jaringan saraf tiruan backpropagation dengan menggunakan parameter learning rate dan target error yang sama, yakni 0,01.

Jaringan pelatihan dibangun dengan fungsi aktivasi sigmoid biner dan bipolar. Setelah hasil dengan backpropagation diperoleh, maka kemudian akan di optimasi dengan menggunakan metode conjugate gradient fletcher reeves dengan melakukan pelatihan dan pengujian yang sama berdasarkan 5 arsitektur jaringan yang telah ditentukan.

Hasilnya, metode yang digunakan mampu meningkatkan terjadi peningkatan kecepatan dan hasil akurasi.

Kata Kunci : Neural Network, Backpropagation, Prediksi, Fletcher Reeves.

(20)

x

ABSTRACT

Backpropagation is a good artificial neural network algorithm used to predict, one of which is to predict the rate of Consumer Price Index (CPI) based on the foodstuff sector. While conjugate gradient fletcher reeves is a suitable optimization method when juxtaposed with backpropagation method, because this method can shorten iteration without reducing the quality of training and testing result. Consumer Price Index (CPI) data that will be predicted to come from the Central Statistics Agency (BPS) Pematangsiantar city. The results of this study will be expected to contribute to the government in making policies to improve economic growth. In this study, the data obtained will be processed by conducting training and testing with artificial neural network backpropagation by using the parameter learning rate and target error of the same, that is 0.01. The training network is built with binary and bipolar sigmoid activation functions. After the result with backpropagation is obtained, it will then be optimized by using conjugate gradient fletcher reeves method by doing the same training and testing based on 5 predefined network architecture. The result, the method used can increase the speed and accuracy result.

Keywords : Neural Network, Backpropagation, Prediction, Fletcher Reeves.

(21)

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Kecerdasan Buatan (Artificial Intelligence) adalah salah satu bidang yang cukup diandalkan dalam memecahkan permasalahan seperti prediksi (peramalan). Salah satu sub bidang pada Artificial Intelligence yang dapat diandalkan dalam melakukan sebuah prediksi adalah jaringan syaraf tiruan Backpropagation. Pada dasarnya algoritma Backpropagation akan menggerakkan bobot dengan arah gradient negatif yang membuat fungsi kinerja menjadi turun dengan cepat. Namun, algoritma pelatihan Backpropagation standard proses pelatihannya biasanya berjalan lambat. Salah satunya dalam penentuan parameter. Untuk menghasilkan Backpropagation yang baik, parameter yang dipilih harus tepat. Oleh karena itu diperlukan algoritma yang dapat membantu percepatan pelatihan Backpropagation, salah satu algoritma yang dapat diandalkan adalah Conjugate Gradient Fletcher Reeves. Algoritma ini diharapkan mampu meningkatkan performansi sistem, dikarenakan algoritma ini mampu mengoptimasi sehingga dapat meminimasi suatu fungsi, dimana arah pencariannya berdasarkan arah konjugasi yang nilainya ortogonal. Karena sifat pencariannya yang ortogonal, sehingga algoritma ini dapat cepat mencapai konvergensi pada solusi yang dicari. Satu diantara beberapa proses implementasi algoritma ini adalah untuk menentukan Indeks Harga Konsumen.

Indeks Harga Konsumen menggambarkan perubahan harga secara umum dari sejumlah (paket) komoditas yang dikonsumsi oleh rumah tangga di daerah perkotaan.

Observasi dalam time series adalah observasi yang diurutkan berdasarkan waktu. Indeks Harga Konsumen merupakan salah satu indikator ekonomi penting yang dapat memberikan informasi mengenai perkembangan harga barang/jasa yang dibayar oleh konsumen di suatu wilayah.

(22)

Penghitungan Indeks Harga Konsumen ditujukan untuk mengetahui perubahan harga dari sekelompok tetap barang/jasa yang umumnya dikonsumsi oleh masyarakat setempat (Damanik F.F., et al. 2015).

Indeks Harga Konsumen merupakan salah satu indikator ekonomi yang umum digunakan untuk mengukur tingkat perubahan harga (inflasi/deflasi) di tingkat konsumen, khususnya di daerah perkotaan. Perubahan Indeks Harga Konsumen dari waktu ke waktu menunjukkan pergerakan harga dari paket komoditas yang dikonsumsi oleh rumah tangga. Di Indonesia, tingkat inflasi diukur dari persentase perubahan Indeks Harga Konsumen dan diumumkan ke publik setiap awal bulan (hari kerja pertama). Adapun kelompok pengeluaran dari Indeks Harga Konsumen dapat dilihat pada Tabel 1 berikut :

Tabel 1.1. Kelompok Pengeluaran Indeks Harga Konsumen

No Uraian

1 Bahan Makanan

2 Makanan Jadi, Minuman, Rokok Dan Tembakau 3 Perumahan,Air, Listrik, Gas dan Bahan Bakar 4 Sandang

5 Kesehatan

6 Pendidikan, Rekreasi dan Olahraga 7 Transport, Komunikasi dan Jasa Keuangan

Sumber : Badan Pusat Statistik Pematangsiantar

Berdasarkan tabel 1.1., bahwa setiap sektor terdiri dari beberapa subkelompok.

Adapun data subkelompok dari setiap sektor Indeks Harga Konsumen dapat dilihat pada tabel 1.2. berikut :

Tabel 1.2. Subkelompok dari Sektor Indeks Harga Konsumen

No Sektor SubKelompok

1 Bahan Makanan

Padi-padian (Umbi-umbian), Daging, Ikan Segar, Ikan Diawetkan, Telur dan Susu, Sayur-Sayuran, Kacang-Kacangan, Buah-Buahan, Bumbu-Bumbuan, Lemak dan Minyak, Bahan Makanan Lainnya

2 Makanan Jadi, Minuman, Rokok Dan Tembakau

Makanan Jadi, Minuman Yang Tidak Beralkohol, Tembakau dan Minuman Beralkohol

3 Perumahan, Air, Listrik, Gas dan Bahan Bakar

Biaya Tempat Tinggal, Bahan Bakar (Penerangan) dan Air, Perlengkapan Rumahtangga, Penyelenggaraan Rumahtangga 4 Sandang Sandang Laki-laki, Sandang Wanita, Sandang Anak-anak,

Barang Pribadi dan Sandang lain

5 Kesehatan Jasa Kesehatan, Obat-obatan, Jasa Perawatan Jasmani, Perawatan Jasmani dan Kesehatan

6 Pendidikan, Rekreasi dan Olahraga

Jasa Pendidikan, Kursus-kursus / Pelatihan, Perlengkapan / Peralatan Pendidikan, Rekreasi Olahraga

7 Transport, Komunikasi dan Jasa Keuangan

Transport, Komunikasi dan Pengiriman, Sarana Penunjang Transport, Jasa Keuangan

(23)

Berdasarkan tabel 1.2., bahwa setiap sektor Indeks Harga Konsumen memiliki peran penting dalam perkembangan ekonomi. Indeks Harga Konsumen sangat diperlukan dalam kegiatan ekonomi suatu negara karena informasi yang dihasilkan oleh Indeks Harga Konsumen merupakan informasi tentang perkembangan ekonomi yang nantinya menentukan kebijakan perekonomian dimasa yang akan datang.

Mengingat pentingnya angka Indeks Harga Konsumen penulis ingin memprediksi sektor bahan makanan karena sektor tersebut merupakan kebutuhan pokok dari masyarakat Indonesia.

Keakuratan prediksi adalah salah satu faktor penting di dalam pemilihan metode prediksi. Metode prediksi yang memiliki tingkat error data cukup rendah dan cukup baik dalam proses generalisasi adalah Neural Network. Dengan data training yang cukup dan proses pembelajaran penyesuaian bobot yang tepat diharapkan model ini mampu untuk meramalkan data time series untuk beberapa periode waktu ke depan. Amrin (2016) melakukan penelitian untuk memprediksi tingkat Inflasi dengan menggunakan jaringan saraf tiruan Backpropagation dan Multiple Linier Regression.

Penelitian tersebut menghasilkan tingkat akurasi dengan nilai MAD sebesar 0.0577, MSE 0.0069 dan RMSE 0.0830 apabila menggunakan metode Backpropagation.

Sedangkan dengan menggunakan metode Multiple Linier Regression menghasilkan tingkat akurasi dengan nilai MAD 0.0380, MSE 0.0023 dan nilai RMSE sebesar 0.0481. Kekurangan dari penelitian ini adalah hasil yang kurang maksimal, karena metode masih digunakan secara terpisah (hanya membandingkan kedua metode).

Sedangkan K. Ramandha (2015) melakukan penelitian untuk memprediksi Kelahiran Prematur pada RSUPN Cipto Mangunkusumo dengan menggunakan Algoritma Neural Network Berbasis Particle Swarm Optimization. Adapun kelemahan dengan metode yang beliau gunakan salah satunya adalah learning rate yang digunakan terlalu besar, yakni 0,4. Padahal semakin kecil learning rate yang digunakan, maka semakin baik hasil penelitian.

Oleh karena itu dengan menggunakan Neural Network Backpropagation yang dioptimasi dengan Conjugate Gradient Fletcher Reeves, penelitian ini diharapkan mampu melakukan prediksi tentang laju perkembangan Indeks Harga Konsumen pada sektor Bahan Makanan secara lebih baik sehingga dapat memberikan kontribusi bagi pemerintah dalam meningkatkan pertumbuhan ekonomi.

(24)

4

Dari latar belakang diatas penulis merasa tertarik mengangkat judul penelitian

“Analisis Jaringan Saraf Tiruan Backpropagation Menggunakan Conjugate Gradient Fletcher Reeves Dalam Proses Memprediksi” sebagai topik Tesis dan perkembangan Indeks Harga Konsumen menjadi satu contoh kasus yang akan dikaji.

1.2. Rumusan Masalah

Backpropagation membutuhkan waktu yang lama dalam proses pembelajaran prediksi data, sehingga dibutuhkan metode yang dapat meningkatan proses pembelajaran.

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah meningkatkan proses pembelajaran prediksi data pada metode backpropagation..

1.4. Batasan Atau Ruang Lingkup Penelitian

Batasan atau ruang lingkup penelitian perlu dilakukan agar penelitian dapat terarah dengan baik dan tidak menyimpang dari pokok permasalahan. Adapun batasan atau ruang lingkup penelitian yang penulis ambil antara lain:

1) Penelitian ini hanya memprediksi perkembangan Indeks Harga Konsumen berdasarkan sektor bahan makanan menggunakan Backpropagation.

2) Hanya akan membahas kecepatan pembelajaran backpropagation dan akurasi yang di hasilkan backpropagation.

1.5. Manfaat Penelitian

Penelitian ini memberikan manfaat pada penggunaan jaringan saraf tiruan dalam proses learning rate dan beberapa kasus pada soft computing khususnya yang menggunakan algoritma backpropagation.

(25)

BAB 2

TINJAUAN PUSTAKA

2.1. Analisis

Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur format-format pemecahan masalah secara keseluruhan yang ada, sehingga pada akhirnya menjadi sebuah nilai-nilai ekspektasi. (Mirsantoso, et al. 2015).

2.2. Kecerdasan Buatan (Artificial Intelligence)

Machine Learning (ML) menawarkan pendekatan alternatif untuk pemodelan prediksi standar yang mungkin mengatasi keterbatasan saat ini. ML dikembangkan dari studi pengenalan pola dan perhitungan semua penghasilan (yang disebut `kecerdasan buatan'). Ini sangat bergantung pada komputer untuk mempelajari semua interaksi linear dan non linier secara kompleks antara variabel dengan meminimalkan kesalahan antara hasil prediksi yang diamati. Selain prediksi berpotensi meningkatkan, ML dapat mengidentifikasi variabel asing, yang tidak mungkin untuk diamati tapi mungkin disimpulkan melalui variabel lain (Weng F.S, et al. 2017).

2.3. Backpropagation

Pendekatan jaringan saraf tiruan dapat meniru perilaku yang kompleks dan non-linear melalui neuron, dan telah banyak digunakan dalam prediksi. Model yang paling banyak digunakan pada kecerdasan buatan adalah model backpropagation. Ciri khas backpropagation melibatkan tiga lapisan : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh lapisan input. (Huang D, et al. 2017).

2.3.1. Arsitektur Backpropagation

Algoritma pembelajaran Backpropagation (BPLA) telah menjadi algoritma pembelajaran yang terkenal di antara Jaringan Saraf Tiruan. Dalam proses

(26)

6

pembelajaran, untuk mengurangi akurasi JST, BPLA menggunakan metode pencarian gradien yang layak untuk menyesuaikan bobot koneksi. Struktur JST Backpropagation ditunjukkan pada Gambar 2. Output setiap neuron adalah gabungan jumlah neuron pada tingkat sebelumnya yang dikalikan dengan bobotnya yang sesuai.

Nilai input dikonversi ke sinyal output dengan perhitungan fungsi aktivasi. JST Backpropagation telah diterapkan secara luas dan berhasil dalam berbagai aplikasi, seperti pengenalan pola, pemilihan lokasi dan evaluasi kinerja

Gambar 2.1. Jaringan Saraf Tiruan Backpropagation

Ada beberapa algoritma yang bisa digunakan untuk membuat jaringan saraf tiruan, namun backpropagation dipilih karena mungkin yang paling mudah untuk diimplementasikan, sekaligus menjaga efisiensi jaringan. Jaringan Saraf Tiruan (JST) Backpropagation menggunakan lebih dari satu lapisan masukan (biasanya 3). Masing- masing lapisan ini harus salah satu dari berikut ini:

a) Input Layer - Lapisan ini menyimpan input untuk jaringan

b) Output Layer - Lapisan ini menyimpan data output, biasanya sebuah Pengenal input.

c) Hidden Layer - Lapisan ini ada di antara input layer dan output layer. Mereka berfungsi sebagai titik apropagasi untuk mengirim data dari lapisan sebelumnya ke lapisan berikutnya

2.3.2. Jaringan Saraf Backpropagation

Tahapan dalam teknik backpropagation dapat dibagi menjadi dua tahap : Tahap pengupdatean bobot dan propagasi (perambatan).

(27)

Tahap 1: Propagasi (Perambatan)

Setiap propagasi melibatkan langkah-langkah berikut:

1. Teruskan propagasi masukan pola pelatihan yang diberikan melalui jaringan saraf tiruan untuk menghasilkan aktivasi output propagasi.

2. Propagasi balik dari propagasi aktivasi keluaran melalui jaringan saraf menggunakan target pola pelatihan untuk menghasilkan delta semua keluaran dan neuron yang tersembunyi.

Tahap 2: Pengupdatean Bobot Untuk setiap bobot-sinaps:

1. Kalikan masukan aktivasi dan delta output untuk mendapatkan nilai bobot.

2. Bawa bobot ke arah gradien dengan menambahkan perbandingannya dari berat

Rasio ini berdampak pada kecepatan dan kualitas pembelajaran; Ini disebut tingkat belajar. Tanda gradien dari suatu bobot menunjuk dimana kesalahan meningkat; Inilah sebabnya mengapa kelas harus diperbarui dalam arah yang berlawanan. Tahap 1 dan tahap 2 diulang sampai kinerja jaringan cukup memuaskan.

2.3.3. Fungsi Aktivasi Pada Jaringan Saraf Tiruan Backpropagation a) Fungsi Undak Biner ( Hard Limit)

Fungsi undak biner ini biasanya digunakan oleh jaringan lapisan tunggal untuk menkonversi nilai input dari suatu variabel yang bernilai kontinu ke suatu nilai output biner (0 atau 1) (Gambar 2.2). Secara matematis, fungsi undak biner (hard limit) dituliskan sebagai berikut :

Gambar 2.2. Fungsi aktivasi : Undak Biner (Hard Limit) b) Fungsi Undak Biner (Threshold)

Fungsi undak biner threshold menggunakan nilai ambang θ sebagai batasnya (Gambar 2.3).

Secara matematis, fungsi undak biner threshold dituliskan sebagai berikut :

(28)

8

Gambar 2.3. Fungsi aktivasi : Undak Biner (Threshold) c) Fungsi Bipolar (Symetric Hard Limit)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau –1 (Gambar 2.4). Fungsi Symetric Hard Limit dirumuskan sebagai :

Gambar 2.4. Fungsi aktivasi : Fungsi Bipolar (Symetric Hard Limit) d) Fungsi Bipolar (dengan threshold)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau –1 (Gambar 2.5).

Fungsi bipolar (dengan nilai ambang θ) dirumuskan sebagai :

Gambar 2.5. Fungsi aktivasi : Fungsi Bipolar (Threshold) e) Fungsi Linear (identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya (Gambar 2.6). Fungsi linear dirumuskan sebagai : y = x

Gambar 2.6. Fungsi aktivasi : Fungsi Linear (Identitas)

(29)

f) Fungsi Saturating Linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari –½, dan akan bernilai 1 jika inputnya lebih dari ½. Sedangkan jika nilai input t erletak antara -½ dan ½, maka output nya akan bernilai sama dengan nilai input ditambah ½ (Gambar 2.6).

Fungsi saturating linear dirumuskan sebagai :

Gambar 2.7. Fungsi aktivasi : Fungsi Saturating Linear g) Fungsi Symetric Saturating Linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1, maka outpunya akan bernilai sama dengan nilai inputnya (Gambar 2.7). Fungsi symetric saturating linear dirumuskan sebagai berikut :

Gambar 2.8. Fungsi aktivasi : Fungsi Symetric Saturating Linear h) Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode back propagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.

Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1 (Gambar 2.8).

Fungsi sigmoid biner dirumuskan sebagai berikut : Dengan

(30)

10

Gambar 2.9. Fungsi aktivasi : Fungsi Sigmoid Biner i) Fungsi Sigmoid Bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1 (Gambar 2.9). Fungsi sigmoid bipolar dirumuskan sebagai berikut :

Dengan

Fungsi ini sangat dekat dengan fungsi hyperbolic tangent. Keduanya memiliki range antara -1 sampai 1. Untuk fungsi hyperbolic tangent, dirumuskan sebagai

: atau dengan

Gambar 2.10. Fungsi aktivasi : Fungsi Sigmoid Bipolar

2.3.4. Mengevaluasi Kinerja Model

Langkah utama yang digunakan untuk mengevaluasi kinerja teknik machine learning untuk memprediksi usaha perangkat lunak adalah sebagai berikut :

a) Sum Squared Error (SSE)

(31)

Kesalahan jumlah kuadrat didefinisikan sebagai.

(2.1) Dimana :

Pi = Perkiraan nilai untuk titik data i;

Ai = Nilai aktual untuk titik data i;

n = Jumlah total titik data.

b) Mean Squared Error (MSE)

Kesalahan kuadrat kuadrat didefinisikan sebagai.

(2.2) dimana :

n = Jumlah total titik data c) Root Mean Square Error (RMSE)

Root mean squared error didefinisikan sebagai.

(2.3)

Dimana :

N = Jumlah total titik data.

d) Mean Absolute Error (MAE)

Ukuran kesalahan absolut rata-rata seberapa jauh perkiraan dari nilai sebenarnya. Ini bisa diterapkan pada dua pasang angka, di mana satu set

"sebenarnya" dan yang lainnya adalah perkiraan perkiraan.

(2.4) Dimana :

N = Jumlah total titik data.

(Sumijan, et al, 2016)

(32)

12 2.4. Conjugate Gradient

Metode gradien konjugasi nonlinier diterapkan pada masalah optimasi skala besar, karena keuntungan dari kebutuhan memori rendah dan jumlah perhitungan yang kurang. Beberapa metode gradien konjugasi, termasuk metode FR (Fletcher Reeves), metode PRP (Polak Ribiere Polyak), metode CD (Conjugate Descent), DY (Dai Yuan) dan HS Hestenes Stiefel), tersedia untuk masalah optimasi yang tidak terbatas.

Pertama, mempertimbangkan masalah optimasi tak terbatas berikut :

(2.5)

Dimana f : Rⁿ adalah fungsi terdiferensialkan secara kontinyu yang gradiennya dilambangkan dengan g, dan x0 menjadi titik awal yang sewenang-wenang. Metode conjugate gradient biasanya efektif untuk rangkaian solusi akan dihasilkan dengan bentuk iteratif berikut.

(2.6)

Dimana αx adalah ukuran langkah positif dan diperoleh dengan pencarian garis, dan d_k adalah arah pencarian yang ditentukan oleh :

(2.7) Dimana βk adalah parameter. Untuk aturan yang berbeda untuk memilih βk, algoritma berbeda.

Dalam metode gradien konjugasi standar Fletcher Reeves, , dan

||.|| Singkatan dari norma euclidean vektor. Zoutendijk menganalisis konvergensi global untuk metode Fletcher Reeves dengan pencarian garis yang tepat.

Al-Baali dan Liu, et al, mengingatkan metode Fletcher Reeves secara global konvergen dengan pencarian garis Wolfe yang kuat. Yang pertama memenuhi , yang terakhir memperpanjang hasilnya menjadi . Pencarian garis Wolfe yang kuat dinyatakan sebagai:

(2.8)

dan

(2.9) Kemudian, Zhang et al. mengusulkan metode gradien konjugasi Fletcher Reeves yang dimodifikasi dengan pencarian garis tipe Armijo. Arah dk memiliki bentuk berikut :

(33)

(2.10)

Dimana dan (2.11)

(2.12) Berdasarkan metode di atas, kami mengembangkan kelas metode gradien konjugat Fletcher Reeves termodifikasi, dan membuktikan properti keturunannya yang cukup.

Di bawah kondisi pencarian garis Armijo, kami membuktikan konvergensi global dari metode yang diajukan. (Li X, et al. 2016)

2.5. Indeks Harga Konsumen

Indeks harga konsumen adalah angka indeks yang menggambarkan perubahan harga sekarang (barang/jasa) yang dikonsumsi masyarakat secara umum, guna mengukur perubahan atau melakukan perbandingan peubah-peubah ekonomi (Handayani K., 2014). Indeks Harga Konsumen merupakan indeks yang menggambarkan perubahan harga dari waktu ke waktu, sehingga sangat cocok dianalisis dengan analisis time series. (Listyowati, et al, 2013).

Indeks harga konsumen (IHK) atau disebut juga dengan Consumer Price Index (CPI) merupakan ukuran perubahan harga barang/jasa pada periode waktu tertentu, dan digunakan sebagai salah satu indikator biaya hidup dan pertumbuhan ekonomi.

Penghitungan IHK dibagi menjadi 7 (tujuh) kelompok pengeluaran, yaitu: kelompok pengeluaran bahan makanan, kelompok pengeluaran makanan jadi, minuman, rokok, dan tembakau, kelompok pengeluaran perumahan, air, listrik,vgas, dan bahan bakar, kelompok pengeluaran sandang, kelompok pengeluaran kesehatan, kelompok pengeluaran pendidikan, rekreasi dan olahraga, serta kelompok pengeluaran transport, komunikasi dan jasa keuangan. Selain itu kelompok pengeluaran ini juga dirinci menjadi beberapa subkelompok pengeluaran (Damanik F.F., et al, 2015).

Sebagian besar pengeluaran masyarakat digunakan untuk konsumsi Bahan Makanan sehingga dalam perhitungan Indeks Harga Konsumen (IHK) umum, komoditas Bahan Makanan memiliki bobot lebih tinggi dibanding sektor IHK lainnya di setiap kabupaten/kota di Indonesia (Listyowati, et al, 2013).

(34)

14 2.6. Prediksi (Peramalan)

Prediksi (peramalan) adalah usaha menduga atau memperkirakan sesuatu yang akan terjadi di waktu mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu sebelumnya (historis) melalui suatu metode ilmiah. Tujuan dari prediksi adalah mendapatkan informasi apa yang akan terjadi di masa datang dengan probabilitas kejadian terbesar. Metode prediksi dapat dilakukan secara kualitatif melalui pendapat para pakar atau secara kuantitatif dengan perhitungan secara matematis. Salah satu metode prediksi kuantitatif adalah menggunakan analisis deret waktu (time series) (Nurmahaludin, 2014).

Berdasarkan sifatnya, prediksi (peramalan) terbagi menjadi dua, yaitu:

a) Peramalan Kualitatif

Peramalan kualitatif adalah peramalan yang didasarkan atas pendapat suatu pihak dan datanya tidak dapat direpresentasikan menjadi suatu nilai atau angka. Hasil peramalan sangat bergantung pada pendapat orang yang melakukan peramalan. Hal ini penting karena hasil peramalan tersebut ditentukan berdasarkan pemikiran, pendapat, pengetahuan, dan pengalaman penyusunnya.

b) Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif masa lalu. Data kuantitatif merupakan data yang berupa nilai atau angka. Hasil peramalan sangat bergantung pada metode peramalan yang digunakan.

(Prakoso T.Y.M., 2015)

(35)

BAB 3

METODOLOGI PENELITIAN

Metodologi penelitian adalah langkah dan prosedur yang akan dilakukan dalam pengumpulan data atau informasi guna memecahkan permasalahan dan menguji hipotesis penelitian.

3.1. Pendahuluan

Pada Bab 3 didalam penelitian ini menjelaskan bagaimana metodologi yang digunakan untuk menyelesaikan masalah-masalah penelitian. Tujuan dari tesis ini adalah untuk membuat model aturan pola dan prediksi Indeks Harga Konsumen (IHK) menggunakan Jaringan Saraf Tiruan dengan metode Backpropagation sebagai pedoman pengambilan keputusan yang lebih baik dengan output berupa pola dan prediksi Indeks Harga Konsumen (IHK).

Langkah-langkah proses penelitian tertuang pada kerangka kerja penelitian yaitu : 1) Mengumpulkan Data

2) Studi Pustaka

3) Mengidentifikasi Masalah 4) Praproses

5) Menentukan Model

6) Menguji Hasil Pengolahan Data 7) Memprediksi

8) Mengevaluasi Akhir

3.2. Kerangka Kerja Penelitian

Pada Bab 3 ini akan diuraikan metodologi dan kerangka penelitian kerja yang digunakan dalam menyelesaikan masalah penelitian.

Metodologi penelitian ini dilakukan secara sistematik agar mendapatkan alur kerja yang baik yang dapat digunakan sebagai pedoman untuk peneliti dalam

(36)

16

melaksanakan penelitian ini agar hasil yang dicapai tidak menyimpang dan tujuan yang diinginkan dapat terlaksana dengan baik dan sesuai dengan tujuan yang telah ditetapkan sebelumnya.

Gambar 3.1. Kerangka Kerja Penelitian

Berdasarkan kerangka kerja pada gambar diatas maka masing-masing langkah dapat diuraikan sebagai berikut :

1) Mengumpulkan Data

Pada tahap ini, data-data diperoleh dari Berita Resmi Statistik (BRS) yang rutin diterbitkan secara bulanan oleh Badan Pusat Statistik (BPS) Kota Pematangsiantar melalui https://siantarkota.bps.go.id/ serta dengan langsung datang ke kantor BPS yang bertempat di Jln. Porsea No. 5 Pematangsiantar.

Dalam mengumpulkan data dilakukan observasi yaitu pengamatan secara langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui dengan jelas. Kemudian dilakukan interview yang bertujuan untuk mencapai

Mulai

Jurnal, Prosiding dan Buku Jaringan

Syaraf Tiruan Megumpulkan Data Studi Pustaka

Mengidentifakasi Masalah Praproses

Menentukan Pola

Menguji Hasil Pengolahan Data

Memprediksi

Selesai Mengevaluasi Akhir

(37)

informasi atau data yang dibutuhkan. Selain itu juga dilakukan studi kepustakaan yaitu membaca jurnal dan buku-buku penunjang dalam melakukan analisa terhadap data dan informasi yang tepat.Dalam melakukan pengumpulan data ada beberapa cara yaitu;

a) Survey

Melakukan pengumpulan data dan observasi dengan meninjau langsung ke lapangan pada pihak-pihak yang terkait yang mempunyai wewenang dalam menyelesaikan penelitian ini.

b) Studi Literatur

Melakukan penelitian dan pembelajaran terhadap referensi-referensi yang berhubungan dengan penelitian seperti jurnal-jurnal yang berhubungan atau buku-buku tentang Jaringan Saraf Tiruan, atau melalui situs-situs di internet dalam menyelesaikan penelitian ini.

c) Wawancara

Melakukan tanya jawab dengan bagian yang menjadi objek penelitian sehingga nantinya dapat memberikan informasi yang akurat dan terpercaya.

2) Studi Pustaka

Untuk mencapai tujuan yang akan ditentukan, maka perlu dipelajari beberapa literatur-literatur yang digunakan. Studi pustaka merupakan langkah awal dalam penelitian ini, studi pustaka ini dilakukan untuk melengkapi pengetahuan dasar dan teori-teoriyang digunakan dalam penelitian ini.

3) Mengidentifikasi Masalah

Pada tahap identifikasi masalah ini, dilakukan setelah semua data-data terpenuhi kemudian didapatkan dataset yang sesuai untuk dilakukan proses pada tahap konversi data yang didapat sesuai dengan bobot yang ditentukan.

4) Praproses

Tahap praproses merupakan tahap seleksi data yang bertujuan untuk mendapatkan data yang bersih dan siap untuk digunakan dalam penelitian.

Tahapan yang dikerjakan adalah dengan melakukan perubahan terhadap beberapa tipe data pada atribut dataset dengan tujuan untuk mempermudah pemahaman terhadap isi record, juga melakukan seleksi dengan memperhatikan konsistensi data, missing value dan redundant pada data.

(38)

18 5) Menentukan Model

Pada tahap ini akan dilakukan penentuan model Jaringan Saraf Tiruan dengan metode Backpropagation. Hasil dari tahap ini adalah beberapa model jaringan saraf tiruan dengan metode Backpropagation untuk menentukan pola.

6) Menguji Hasil Pengolahan Data

Seteleh proses penentuan model selesai, maka dilakukan tahapan uji coba terhadap hasil pengolahan data dengan menggunakan Software Matlab R2011b (7.13). Pengujian dilakukan melalui tahapan sebagai berikut:

a) Melakukan pengolahan data secara manual dengan metode Backpropagation.

b) Menguji hasil pengolahan data secara manual dengan metode Backpropagation dengan data yang sama pada langkah pertama.

c) Menguji hasil pengolahan data secara komputerisasi dengan metode Backpropagation dengan data yang sama pada langkah pertama dengan menggunakan software Matlab R2011b (7.13).

d) Membandingkan hasil manual dengan hasil pengujian dengan menggunakan software Matlab R2011b (7.13).

e) Menguji hasil pengolahan data secara komputerisasi dengan metode Backpropagation dengan menggunakan software Matlab R2011b (7.13) dengan data yang lebih lengkap dengan beberapa model Jaringan Saraf Tiruan

7) Memprediksi

Prediksi dilakukan untuk membandingkan jumlah dengan model Jaringan Saraf Tiruan dengan metode Backpropagation yang paling akurat.

8) Mengevaluasi Akhir

Mengevaluasi akhir dilakukan untuk mengetahui apakah pengujian hasil pengolahan data sesuai dengan yang diharapkan. Evaluasi dilakukan untuk membandingkan hasil pengujian data secara komputerisasi menggunakan software Matlab R2011b (7.13) dengan beberapa model yang ditentukan

sebelumnya.

(39)

3.3. Teknik Proses Pelatihan Dan Pengujian

Proses pelatihan dan pengujian menggunakan metode Backpropagation dan Conjugate Gradient Fletcher Reeves dapat dilihat pada gambar 3.2.

Gambar 3.2. Proses Pelatihan dan Pengujian Menggunakan BP dan CGFR

Keterangan :

Pelatihan jaringan menggunakan kedua metode dimulai dengan proses normalisasi data train kemudian parameter awal masing-masing metode ditentukan. Jaringan dilatih hingga membentuk model classifier. Selanjutnya model tersebut diuji menggunakan data test yang telah dinormalisasi dan menghasilkan hasil pengujian yang dapat diketahui berdasarkan nilai akurasi dan MSE (Mean Squared Error) nya.

3.4. Tempat Penelitian

Penelitian ini dilaksanakan Badan Pusat Statistik (BPS) Jln. Porsea No.5, Teladan, Siantar Barat, Kota Pematangsiantar Sumatera Utara 21144.

3.5. Alat Dan Bahan

Alat dan Bahan yang digunakan dalam penelitian antara lain:

1) Komputer/Laptop untuk membantu dalam mengolah data.

2) Software Matlab R2011b (7.13) sebagai alat untuk memudahkan dalam pengolahan data.

3) Data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan sebagai data target yang akan diolah dengan model yang digunakan.

(40)

20 3.6. Tahap Pemrosesan Data

Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi Indeks Harga Konsumen (IHK). Proses ini memiliki 2 tahapan dimana tahapan pertama adalah melakukan pengenalan pola dengan cara menemukan arsitektur terbaik dari model Jaringan Saraf Tiruan yang dibuat. Proses pelatihan dan pengujian data untuk mendapatkan model terbaik didapat dari data Indeks Harga Konsumen (IHK) pada Badan Pusat Statistik (BPS) Kota Pematangsiantar sebanyak 24 Pola terhitung tahun 2014 sampai 2016, dengan kriteria Pola 1 sampai dengan Pola 12 adalah data pelatihan (training), sedangkan Pola 13 sampai dengan Pola 24 adalah data Uji. Tahap kedua adalah melakukan prediksi dengan pola arsitektur terbaik yang diperoleh di tahapan pertama.

3.7. Data Yang Digunakan

Data yang digunakan dalam penelitian ini adalah data Indeks Harga Konsumen (IHK) berdasarkan kelompok Bahan Makanan Kota Pematangsiantar dari tahun 2014 sampai dengan tahun 2016, dari mulai bulan Januari sampai dengan bulan Desember. Data Indeks Harga Konsumen (IHK) ini berasal dari Badan Pusat Statistik (BPS) Kota Pematangsiantar. Perhitungan Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan diperoleh dari rata-rata sub kelompok bahan makanan tersebut. Pada Tabel 3.1. adalah contoh bagaimana perhitungan Indeks Harga Konsumen (IHK) bulan Agustus 2016 berdasarkan sektor bahan makanan.

Tabel 3.1. Indeks Harga Konsumen Bulan Agustus Tahun 2016 Sektor : Bahan Makanan

No Sub Kelompok Indeks

1 Padi-padian, Umbi-umbian dan Hasilnya 125,47

2 Daging dan Hasil-hasilnya 108,15

3 Ikan Segar 129,45

4 Ikan Diawetkan 132,55

5 Telur, Susu dan Hasil-hasilnya 126,18

6 Sayur-sayuran 112,31

7 Kacang-kacangan 148,24

8 Buah-buahan 165,22

9 Bumbu-bumbuan 175,18

10 Lemak dan Minyak 110,01

11 Bahan Makanan Lainnya 141,4

Rata-rata 134,01

(41)

21

Rata-rata indeks yang didapat dari 11 sub kelompok berdasarkan bahan makanan seperti yang diperlihatkan pada Tabel 3.1. akan digunakan sebagai data pelatihan dan juga data pengujian. Berikut ini adalah Tabel dari data Indeks Harga Konsumen (IHK) tersebut.

Tabel 3.2. Indeks Harga Konsumen Tahun 2014

Kelompok Pengeluaran

IHK Tahun 2014 Dalam Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 125,95 119,6 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,4

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember Bahan Makanan 130,65 128,53 130,7 128,3 130,83 131,66 131,9 134,01 135,67 138 141.85 144,06

Tabel 3.5. Data Input Yang Digunakan

INDEKS HARGA KONSUMEN TAHUN 2014-2016 Sektor : Bahan Makanan

Tahun Bulan

Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 2014 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 2015 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40 2016 130,65 128,53 130,70 128,30 130,83 131,66 131,90 134,01 135,67 138,00 141.85 144,06

21

(42)

22

Dari data input pada Tabel 3.5, dijelaskan bahwa dataset Indeks Harga Konsumen (IHK) berdasarkan sektor Bahan Makanan Tahun 2014-2015 digunakan sebagai data pelatihan (training), sedangkan dataset Indeks Harga Konsumen (IHK) berdasarkan sektor Bahan Makanan Tahun 2015-2016 digunakan sebagai data pengujian (testing).

Data yang disajikan adalah data bulan Januari sampai dengan bulan Desember tiap tahunnya.

3.7.1. Arsitektur Jaringan

Pada penelitian ini data yang digunakan sebagai pelatihan adalah dataset tahun 2014 dengan target dataset tahun 2015. Kemudian dataset tahun 2015 yang telah menjadi target tadi, dijadikan menjadi data pelatihan dengan target dataset tahun 2016, dibagi menjadi 12 pola dengan sistem perputaran. Fungsi aktivasi yang digunakan adalah fungsi sigmoid dengan ukuran rentang nilai antara 0 dan 1.

Contoh arsitektur jaringan yang digunakan dapat dilihat pada Gambar 3.3.

yang terdiri dari tiga lapisan, yaitu : 12 masukan (input), 12 neuron hidden layer dan 1 lapisan keluaran (output).

Gambar 3.3. Arsitektur JST Indeks Harga Konsumen (IHK)

(43)

23 Keterangan :

X₁ – X₁₂ : Data masukan (input layer) b (warna merah) : Bias

Vij : Bobot ke simpul hidden

Wij : Bobot ke simpul output

Z₁ – Z₁₂ : Hidden Layer

Y : Hasil Keluaran (output)

Pola arsitektur jaringan yang digunakan untuk prediksi Indeks Harga Konsumen (IHK) yaitu 12-N-1. Dimana 12 adalah node data input. Sedangkan jumlah hidden node N menggunakan aturan ‘rule of thumb’, serta 1 keluaran.

3.7.2. Proses Normalisasi

Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.

Berdasarkan penjelasan pada Sub Bab 2.3.3 (Hal.7) mengenai fungsi aktivasi, maka Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi sigmoid biner dan fungsi aktivasi sigmoid bipolar.

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0, 1) dan bipolar yang memiliki range (-1,1). Fungsi aktivasi sigmoid biner hampir sama dengan fungsi sigmoid bipolar, karena sering digunakan oleh para peneliti dalam proses prediksi (peramalan), tetapi fungsi sigmoid bipolar hanya cocok digunakan dalam prediksi (peramalan) yang menggunakan data yang tidak fluktuatif (Stabil) dan menggunakan range antara -1 sampai 1. Sedangkan fungsi sigmoid biner kebalikannya.

Karena penelitian menggunakan fungsi aktivasi sigmoid biner maka data yang akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data yang digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8], ditunjukkan dengan persamaan (3.1).

(44)

24

(3.1) Keterangan :

x’ : Data yang telah ditransformasi x : Data yang akan dinormalisasi a : Data minimum

b : Data maksimum

3.7.3. Pengolahan Data (Normalisasi)

Pengolahan data yang akan dilakukan adalah mengubah data Indeks Harga Konsumen (IHK) berdasarkan sektor bahan makanan yaitu dengan membuat suatu pola arsitektur terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation. Berikut ini akan dijabarkan normalisasi data dalam proses prediksi berdasarkan tabel 3.5. pada pembahasan sebelumnya.

0.8( )

' x a 0.1

x b a

= − +

−

(45)

Tabel 3.6. Data Awal Pelatihan Tahun 2014-2015 Dengan Menggunakan Rotasi Putar

Data Data Input

Target Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

Pola 1 116,22 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 Pola 2 116,03 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 Pola 3 117,54 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 Pola 4 113,89 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 Pola 5 120,12 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 Pola 6 119,79 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 Pola 7 120,05 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 Pola 8 119,22 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 Pola 9 119,98 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 Pola 10 123,53 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 Pola 11 126,17 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 Pola 12 127,07 125,95 119,60 118,37 117,91 122,16 127,04 125,53 124,15 122,17 122,85 123,72 128,40

Penjelasan :

- Data Pelatihan Tahun 2014-2015 dilakukan dengan menggunakan rotasi putar, maksudnya setiap dataset memiliki hak yang sama untuk mencapai target.

- Nilai data pada pola 1 diambil dari IHK sektor bahan makanan tahun 2014. Sedangkan nilai Target diambil dari IHK sektor bahan makanan bulan Januari tahun 2015.

- Nilai data pada pola 2 diambil dari IHK sektor bahan makanan tahun 2014 bulan Februari s/d Desember serta dataset bulan Januari tahun 2015. Nilai Target pada pola 2 ini diambil dari IHK sektor bahan makanan bulan Februari tahun 2015.

- Nilai data pada pola 3 diambil dari IHK sektor bahan makanan tahun 2014 bulan Maret s/d Desember serta dataset bulan Januari s/d Februari tahun 2015. Nilai Target pada pola 3 ini diambil dari IHK sektor bahan makanan bulan Maret tahun 2015.

25