Kemampuan Konsumen Dalam Mencicil Kendaraan Roda Dua Di Adira Finance Lubuk Pakam Dengan Metode Backpropagation

(1)

Aidil Ikhsan Yahya1_{, R. Fanry Siahaan}2_{[Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi}

Kemampuan Konsumen Dalam Mencicil Kendaraan Roda Dua Di Adira Finance Lubuk Pakam Dengan Metode Backpropagation]

40

Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi

Kemampuan Konsumen Dalam Mencicil Kendaraan Roda Dua

Di Adira Finance Lubuk Pakam Dengan Metode

Backpropagation

Aidil Ikhsan Yahya

1

_{, R. Fanry Siahaan}

2

1.2 _{Program Studi Teknik Informatika, STMIK Pelita Nusantara, Jl. St. Iskandar Muda No. 1 Medan, 20154, Indonesia} 1_{aidilikhsan3344@gmail.com;}2 _{rfanry@gmail.com}

INFORMASI ARTIKEL A B S T R A K Kata Kunci:

Jaringan Syaraf Tiruan

Backpropagation

Kredit

Berbasis Dekstop

Prediksi kemampuan konsumen dalam mencicil kendaraan roda dua ini sangat diperlukan didalam target penjualan yang akan datang. Teknologi jaringan syaraf tiruan dapat mengidentifikasi dengan baik pada pola data dari sistem yang dinamis. Penelitian ini dilakukan untuk memprediksi kemampuan konsumen dalam mencicil kendaraan roda dua di Adira Finance Lubuk Pakam menggunakan data konsumen dari jenis kendaraan setiap tahunnya yang terjual dengan pembayaran kredit dari tahun 2017-2019 perancangan model prediksi menggunakan jaringan syaraf tiruan backpropagation dengan software berbasis desktop. Karakteristik dari jaringan syaraf tiruan yang digunakan yaitu 12 lapisan masukan, 12 lapisan tersembunyi, dan 1 lapisan keluaran (kemampuan konsumen), nilai laju pembelajaran sebesar 0.10, momentum sebesar 0.1:12 neuron tersembunyi, nilai minimum 10 dan nilai maksimum 14, menggunakan fungsi aktivasi sigmoid biner yang mempunyai nilai range 0 – 1, dan maksimum epoch sebesar 10000. Dari hasil percobaan yang telah dilakukan dengan perulangan 10 kali diperoleh error sebesar 0.001 dan dapat dikatakan bahwa sistem dapat memprediksi kemampuan konsumen dalam mencicil kendaraan roda dua dengan baik.

Keywords:

Artificial Neural Networks Backpropagation Credit

Desktop Based

ABSTRACT

Predicting the ability of consumers to pay installments for two-wheeled vehicles is needed in future sales targets. Neural network technology can identify well the data patterns of dynamic systems. This research was conducted to predict the ability of consumers to pay in installments for two-wheeled vehicles at Adira Finance Lubuk Pakam using consumer data from the types of vehicles sold each year with credit payments from 2017-2019, the design of prediction models using backpropagation neural networks with desktop-based software. The characteristics of the artificial neural network used are 12 input layers, 12 hidden layers, and 1 output layer (consumer ability), the learning rate value is 0.10, the momentum is 0.1: 12 hidden neurons, a minimum value of 10 and a maximum value of 14, using the activation function binary sigmoid which has a value range of 0 - 1, and a maximum epoch of 10000. From the results of experiments that have been carried out with 10 repetitions, an error of 0.001 is obtained and it can be said that the system can predict the ability of consumers to repay two-wheeled vehicles properly.

(2)

Vol.3 No.3, September-Maret 2021, pp 29-39

41

I. Pendahuluan

Perkembangan ilmu pengetahuan dan teknologi dalam segala bidang sangat pesat pada saat ini, salah satunya di bidang ekonomi tentang penjualan, [1]penjualan adalah salah satu tolak ukur keberhasilan dalam suatu usaha perdagangan. Dalam transaksi penjualan ada beberapa metode pembayaran yaitu bayar tunai (cash), cicilan (kredit) dan barter. [2]Pembayaran tunai merupakan salah satu cara yang dilakukan oleh perusahaan untuk menghasilkan laba perusahaan, penjualan tunai dilakukan dengan cara mengambil barang dari supplier dan mengirimkan nya secara langsung kepada costumer dan pembayaran nya secara langsung.

[3]Dalam metode penjualan kredit sering diartikan memperoleh barang atau uang setelah itu cara pembayarannya dengan cara mencicil atau mengangsur dikemudian hari sesuai dengan perjanjian, jadi dapat diartikan bahwa kredit dapat berbentuk barang maupun uang. [4]penjualan kredit dilakukan oleh perusahaan dengan cara mengirimkan barang sesuai dengan order yang diterima dari pembeli dan untuk jangka waktu tertentu perusahaan memliki tagihan kepada pembeli tersebut. Pengertian kredit adalah kemampuan untuk melaksanakan suatu pembelian atau mengadakan suatu pinjaman dengan suatu janji, pembayaran akan dilaksanakan pada jangka waktu yang telah disepakati. Dapat disimpulkan pembayaran kredit adalah pembayaran dengan cara mencicil suatu pinjaman sesuai janji yang sudah disepakati.

[5]Pertumbuhan penduduk indonesia yang meningkat juga mempengaruhi bertambahnya jumlah kendaraan bermotor yang ada di Indonesia, salah satu kendaraan bermotor yang paling diminati adalah kendaraan roda dua atau sepeda motor, salah satu alasannya karena bisa menghindari kemacetan jalan raya, Masyarakat lebih tertarik untuk membeli sepeda motor dengan alasan infrastruktur yang belum baik ataupun karena harga yang lebih terjangkau dari pada membeli mobil.

Adira Finance Lubuk Pakam adalah perusahaan leasing yang bergerak dalam bidang kredit mobil dan sepeda motor atau kendaraan roda dua, dan perusahaan ini pembiayaan terbesar untuk pembiayaan berbagai merek otomotif di indonesia, para konsumen membeli sepeda motor rata-rata membayar dengan cara kredit, permohonan kredit oleh konsumen terkadang tidak sesuai dengan perjanjian yang sudah dibuat oleh perusahaan, dan sering ditemukan permasalahan, diantaranya konsumen yang membeli sepeda motor dengan cara membayar kredit atau mencicil setiap bulannya tidak mampu membayar di waktu yang sudah disepakati, perusahaan akan mengalami penurunan target penjualan dan anggaran penjualan yang sudah ditentukan.

[1]Jaringan Saraf Tiruan (artificial neural network) atau di singkat JST adalah system komputasi dengan arsitektur dan operasinya di ilhami dari pengetahuan tentang sel saraf biologi di dalam otak. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, cluster dan regresi non parametric atau sebagai sebuah simulasi dari koleksi model saraf biologi.

Tujuan dari penelitian ini adalah Menerapkan dan membangun sebuah sistem jaringan syaraf tiruan dengan metode backpropagation untuk memprediksi kemampuan konsumen dalam mencicil kendaraan roda dua di Adira Finance Lubuk Pakam. Sedangkan ruang lingkup masalah penelitian ini adalah Jaringan syaraf tiruan (JST) ini menggunakan metode Backpropagation, Penelitian ini dilakukan di PT. Adira Dinamika Multi Finance Tbk Lubuk Pakam, dan Jaringan syaraf tiruan ini dirancang menggunakan berbasis desktop.

II. Metode Mempelajari

Identifikasi Masalah

Menganalisa dan Merancang Jaringan Syaraf Tiruan Metode Backpropagation

Melakukan Evaluasi dan Implementasi Jaringan

Syaraf Tiruan Metode Backpropagation Pengujian Jaringan Syaraf

Tiruan Metode Rumuskan Masalah

(3)

42

Gambar 1 Kerangka Kerja Penelitian

Berdasarkan kerangka kerja penelitian yang telah digambarkan di atas, maka dapat diuraikan pembahasan masing-masing tahap dalam penelitian adalah sebagai berikut :

1. Mempelajari Literatur

Tahap ini dilakukan dengan tujuan untuk mencari informasi mengenai metode apa yang akan digunakan untuk menyelesaikan permasalahan yang akan diteliti, serta mendapatkan dasar referensi yang kuat bagi peneliti dalam menerapkan suatu metode yang digunakannya.

2. Identifikasi Masalah

Tahap ini memperoleh dan menentukan topik penelitiannya adalah mengidentifikasikan permasalahan yang hendak dipelajari. Indentifikasi ini dimaksud sebagai penegasan batas-batas permasalahan, sehingga cakupan penelitian tidak keluar dari tujuan.

3. Rumuskan Masalah

Setelah di identifikasi masalah, Langkah berikutnya bila masalah telah ditemukan, maka perlu dibuat daftar pertanyaan atau perumusan masalah (research question) yang bersumber dari fokus masalah yang telah dipilih, karena masalah yang ditemukan dapat dijadikan inisiasi pembuatan pertanyaan terhadap masalah yang akan diteliti.

4. Menganalisa dan Merancang Sistem

Tahapan analisa sistem dilakukan dengan tujuan untuk memahami kerja dari sistem yang ada dan menemukan kelemahan-kelemahan sistem serta dapat mengidentifikasikan kebutuhan dalam merancang Jaringan Syaraf Tiruan. Dari hasil analisa didapatkan beberapa langkah yang harus dilakukan dalam merancang Jaringan Syaraf Tiruan sebagai berikut :

- Mengumpulan Data

Mengumpulkan data dilakukan untuk mengumpulkan semua data-data yang diperlukan dalam penelitian. Teknik yang dilakukan dalam mengumpukan data dalam penelitian ini adalah dengan teknik wawancara. teknik wawancara adalah teknik yang langsung terjun ke lapangan dan melakukan tanya jawab langsung ke narasumber untuk mendapatkan informasi. Selain teknik wawancara, penulis juga melakukan pengumpulan data dan informasi dengan mengadakan observasi, diskusi dan konsultasi kepada pihak-pihak yang berkaitan dengan penelitian.

Tabel 1 Data Konsumen Dari Jenis Kendaraan dari Januari-Desember 2019 No Jenis Kendaraan 2017 2018 2019 1 Vario 125 CBS 313 440 404 2 Vario 125 CBS ISS 254 425 374 3 CB 150R 204 278 318 4 Supra 125 185 317 285 5 Revo Fit 194 242 304 6 Scoopy 244 308 338 7 Gineo 210 221 304 8 Vario 150 263 331 362 9 Honda Beat 270 362 320 10 Revo CW 179 257 235 - Preprocessing/Normalisasi

Sebelum digunakan untuk proses evaluasi, perlu dilakukan transformasi terhadap nilai input dan target sehingga data-data input dan target tersebut masuk dalam suatu range tertentu.

- Perancangan struktur jaringan yang optimum

Pada proses perancangan struktur jaringan yang optimum ini, akan ditentukan jumlah input layer, hidden layer, dan output layer yang akan digunakan dalam jaringan.

- Menentukan laju pembelajaran (learning rate) dan Momentum

Hasil keputusan yang kurang memuaskan dapat diperbaiki dengan penggunaan koefisien pemahaman dan momentum secara trial and error untuk mendapatkan nilai bobot yang paling optimum agar MSE jaringan dapat diperbaiki.

5. Melakukan Pelatihan dan Implemenasi Jaringan Syaraf Tiruan

Pada tahap ini jaringan syaraf tiruan akan dilatih dengan menggunakan data pelatihan/evaluasi yang diperoleh dari data-data konsumen dalam mencicil/kredit kendaraan roda dua. Jaringan syaraf tiruan akan terus dilatih sampai menghasilkan output yang diharapakan dengan nilai error yang minimum.

(4)

43

Pelatihan/evaluasi dilakukan dengan menggunakan dua tahapan. Tahapan – tahapan yang digunakan dalam pelatihan yaitu :

- Pelatihan secara manual, pelatihan secara manual dilakukan dengan mengolah data yang telah didapatkan dari proses analisa manual.

- Kemudian data tersebut di masukkan ke dalam rumus–rumus pelatihan algoritma backpropagation.

- Menguji Jaringan Syaraf Tiruan

III. Hasil dan Pembahasan

Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi Indeks Penjualan Kredit Kendaraan Roda Dua. 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 Kemampuan Konsumen Dalam Mencicil/Kredit Kendaraan Roda di PT. Adira Dinamika Multi Finance Lubuk Pakam sebanyak 12 Pola terhitung tahun 2017 sampai 2019. Tahap kedua adalah melakukan prediksi dengan pola arsitektur terbaik yang diperoleh di tahapan pertama.

Gambar 2 Arsitektur Jaringan

Langkah 0

Inisialisasi semua bobot dengan bilangan acak kecil.

Tabel 2 Bobot Dari Layer Masukan Ke Layer Tersembunyi = Vji

V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 V11 V12 X1 0.2 -0.3 0.1 -0.5 0.2 -0.4 -0.6 -0.5 -0.3 0.2 0.1 -0.5 X2 -0.4 0.2 -0.3 0.3 04 -0.6 0.2 -0.5 -0.4 0.2 -0.3 0.1 X3 -0.5 0.1 -0.3 -0.4 0.1 0.3 0.2 -0.6 0.3 0.4 0.1 -0.5 X4 0.3 -0.6 0.1 -0.3 -0.5 -0.3 0.2 -0.4 0.1 0.2 -0.6 -0.4 X5 - 0.4 -0.3 -0.4 0.1 0.2 0.3 -0.5 0.2 0.1 -0.6 -0.5 -0.4 X6 0.2 -0.4 0.2 -0.4 0.1 0.2 -0.3 -0.6 -0.5 0.3 -0.2 -0.1 X7 0.1 -0.3 -0.5 -0.4 0.2 -0.3 0.1 -0.6 0.2 -0.5 0.1 -0.3 X8 -0.2 0.1 -0.4 -0.3 -0.2 0.1 -0.5 -0.3 0.2 0.1 -0.4 -0.5 X9 0.3 -0.5 -0.6 0.2 0.1 -0.3 -0.2 0.1 -0.5 0.3 -0.6 0.1 X10 -0.4 -0.6 0.2 0.1 -0.3 -0.4 -0.6 0.2 0.1 -0.4 0.2 -0.3 X11 -0.3 -0.2 0.1 -0.4 -0.5 0.2 -0.1 -0.3 -0.6 -0.3 0.2 0.1 X12 0.2 -0.4 0.1 -0.3 0.2 -0.5 0.2 0.1 0.3 -0.4 -0.6 -0.5 B 0.2 0.5 -0.4 -0.6 0.2 -0.5 0.3 -0.4 -0.5 -0.2 0.1 0.2

(5)

44

Y Z1 0.3 Z2 0.1 Z3 -0.4 Z4 -0.5 Z5 0.2 Z6 0.1 Z7 -0.3 Z8 -0.4 Z9 0.2 Z10 0.1 Z11 -0.5 Z12 -0.4 Langkah 1

Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 sampai dengan 9.

Langkah 2

Untuk setiap pasang data pelatihan, lakukan langkah 3 sampai dengan 8.

Fase I: Propagasi Maju Langkah 3

Tiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi.

Langkah 4

Hitung semua keluaran di unit tersembunyi Zj (j = 1, 2, ... , p) :

Znet1 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V11+ X2V12 … XiVji = 0.2+(0.2*0.2)+(-0.4*-0.3)+(-0.5*0.1)+(0.3*-0.5)+(-0.4*0.2)+(0.2*-0.4)+(0.1*-0.6)+(-0.2*-0.5)+(0.3*-0.3)+(-0.4*0.2)+(-0.3*0.1)+(0.2*-0.5) = -0.26 Znet2 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V21+ X2V22 … XiVji = 0.5+(-0.4*-0.4)+(-0.5*0.2)+(0.3*-0.3)+….+(0.2*0.1) = 0.94 Znet3 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V31+ X2V32 … XiVji = -0.4+(-0.5*-0.5)+(0.3*0.1)+(-0.4*-0.3)+….+(0.2*-0.5) = 0.16 Znet4 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V41+ X2V42 … XiVji = -0.6 +(0.3*0.3)+(-0.4*-0.6)+(0.2*0.1)+….+(0.2*-0.4) = -0.21 Znet5 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V51+ X2V52 … XiVji = 0.2 +(-0.4*-0.4)+(0.2*-0.3)+(0.1*-0.4)+…..+(0.2*-0.4) = 0.37 Znet9 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V91+ X2V92 … XiVji = -0.5 +(0.3*0.3)+(-0.4*-0.5)+(-0.3*-0.6)+….+(0.2*0.1) = 0.01

(6)

45

Znet10 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V101+ X2V102 … XiVji = -0.2 +(-0.4*-0.4)+(-0.3*-0.6)+….+(0.2*-0.3) = 0.18 Znet11 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V111+ X2V112 … XiVji = 0.1 +(-0.3*-0.3)+(0.2*-0.2)+…..+(0.2*0.1) = 0.15 Znet12 = V10+ ∑ XiVji= p 𝑗=1 V10+ X1V121+ X2V122 … XiVji = 0.2 + (0.2*-0.2)+(0.5*0.1)+….+(0.2*-0.5) = 0.24 𝑍1 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒0,26= 0.564636292 𝑍2 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.94= 0.719099657 𝑍3 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0,16= 0.539914885 𝑍4 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒0.21= 0.55230791 𝑍5 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.37= 0.591458978 𝑍9 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.01= 0.502499979 𝑍10 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.18= 0.544878892 𝑍11 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.15= 0.537429845 𝑍12 = 𝑓 (𝑍𝑛𝑒𝑡1) = 1 1+𝑒−𝑧_𝑛𝑒𝑡1= 1 1+𝑒−0.24= 0.559713649 Langkah 5

Hitung semua jaringan di unit keluaran (Yk)

Ynet1 = W10+ ∑ ZjWkj= p 𝑗=1 W10+ Z1W11+ Z2W12+ Z3W13 … ZjWkj =0.2+(0.564636*0.3)+(0.2809*0.1)+(0.460085*0.4)+(0.552308*0.5)+(0.408541*0.2)+(0.694236*0.1)+(0.43 5364*-0.3)+(0.529964*-0.4)+(0.4975*0.2)+(0.455121*0.1)+(0.46257*-0.5)+(0.440286*-0.4) = -0.52 𝑌𝑘 = 𝑓 (𝑌𝑛𝑒𝑡𝑘) = 1 1 + 𝑒−𝑌𝑛𝑒𝑡𝑘 = 1 1 + 𝑒0,52= 0.63 Fase II : Propagasi Mundur

Langkah 6

δk = (tk-Yk) f’’ (Ynetk) = (tk-Yk) Yk(1-Yk) = (0-(-0,52) * -0,52 * (1-(-0,52) = -0.41

δk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layer dibawahnya. Suku perubahan bobot Wkj (dengan α = 0,2)

ΔWkj= α k zj ΔW10= α 0 (1) = 0,2 . (-0,41). (1) = -0,08 ΔW11= α 1 (z1) = 0,2 . (-0,41) . (0,56) = -0,05 ΔW12= α 1 (z1) = 0,2 . (-0,41) . (0,72) = -0,06 ΔW13= α 1 (z1) = 0,2 . (-0,41) . (0,54) = -0,04 ΔW14= α 1 (z1) = 0,2 . (-0,41) . (0,55) = -0,05 ΔW15= α 1 (z1) = 0,2 . (-0,41) . (0,59) = -0,05 ΔW19= α 1 (z1) = 0,2 . (-0,41) . (0,50) = -0,04 ΔW110= α 1 (z1) = 0,2 . (-0,41) . (0,54) = -0,04 ΔW111= α 1 (z1) = 0,2 . (-0,41) . (0,54) = -0,04

(7)

46

ΔW112= α 1 (z1) = 0,2 . (-0,41) . (0,56) = -0,05 Langkah 7

Hitung penjumlahan kesalahan dari unit tersembunyi ( = δ )

Karena jaringan hanya memiliki sebuah unit keluaran maka δnetj = δ Wij

δnet1 = δk.W11 = (-0,41) . (-0,05) = 0.0205 δnet2 = δk.W12 = (-0,41) . (-0,06) = 0.0246 δnet3 = δk.W13 = (-0,41) . (-0,04) = 0.0164 δnet4 = δk.W14 = (-0,41) . (-0,05) = 0.0205 δnet5 = δk.W15 = (-0,41) . (-0,05) = 0.0205 δnet9 = δk.W19 = (-0,41) . (-0,04) = 0.0164 δnet10 = δk.W110 = (-0,41) . (-0,04) = 0.0164 δnet11 = δk.W111 = (-0,41) . (-0,04) = 0.0164 δnet12 = δk.W112 = (-0,41) . (-0,05) = 0.0205

Faktor kesalahan  di unit tersembunyi : j = netj f’(Znetj) = net Zj (1-Zj)

1 = net1 Z1 (1-Z1) = 0.0205.(0,56).(1-(0,56)) = 0.00505 2 = net2 Z2 (1-Z2) = 0.0246.(0,56).(1-(0,56)) = 0.00606 3 = net3 Z3 (1-Z3) = 0.0164.(0,56).(1-(0,56)) = 0.00404 4 = net4 Z4 (1-Z4) = 0.0205.(0,56).(1-(0,56)) = 0.00505 5 = net5 Z5 (1-Z5) = 0.0205.(0,56).(1-(0,56)) = 0.00505 9 = net9 Z9 (1-Z9) = 0.0164.(0,56).(1-(0,56)) = 0.00404 10 = net10 Z10 (1-Z10) = 0.0164.(0,56).(1-(0,56)) = 0.00404 11 = net11 Z11 (1-Z11) = 0.0164.(0,56).(1-(0,56)) = 0.00404 12 = net12 Z12 (1-Z12) = 0.0205.(0,56).(1-(0,56)) = 0.00505

Suku perubahan bobot ke unit tersembunyi : ΔVji = α jxi

1. ΔVji = α jxi = 0.2* 0.00505*0.2 = 0.0 2. ΔVji = α jxi = 0.2* 0.00606*-0.4 = 0.0 3. ΔVji = α jxi = 0.2* 0.00404*-0.5 = 0.0 4. ΔVji = α jxi = 0.2* 0.00505*0.3 = 0.0 5. ΔVji = α jxi = 0.2* 0.00505*-0.4 = 0.0 6. ΔVji = α jxi = 0.2* 0.00404*0.3 = 0.0 7. ΔVji = α jxi = 0.2* 0.00404*-0.4 = 0.0 8. ΔVji = α jxi = 0.2* 0.00404*-0.3 = 0.0 9. ΔVji = α jxi = 0.2* 0.00505*0.2 = 0.0

Fase III : Perubahan Bobot

Langkah 8

Hitung semua perubahan bobot, Perubahan bobot unit keluaran : Wkj (baru) = Wkj (lama) + ΔWkj Z1 = 0.3 + -0.05 = 0.25 Z2 = 0.1 + -0.06 = 0.04 Z3 = -0.4 + -0.04 = -0.44 Z4 = -0.5 + -0.05 = -0.55 Z5 = 0.2 + -0.05 = 0.15 Z9 = 0.2 + -0.04 = 0.16 Z10 = 0.1 +-0.04 = 0.06 Z11 = -0.5+-0.04 = -0.54 Z12 = -0.4 + -0.05 = -0.45 B1 = 0.2 + -0.08 = 0.12

Proses Pelatihan Jaringan

Pada tahap ini akan diamati laju pembelajaran terhadap kerja jaringan dengan Parameter tingkat Akurasi, waktu pembelajaran, MSE selama proses pelatihan dan lamanya waktu iterasi (Epoch). Tujuan utama dari langkah ini adalah untuk memperoleh tingkat akurasi laju pembelajaran yang optimal. Dengan memakai arsitektur jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran terhadap kinerja jaringan.

(8)

47

Arsitektur yang digunakan untuk pelatihan sebanyak 12 pola. Ke 12 pola arsitektur ini menggunakan Learning rate 0,1, target error (goal) 0,01 dan maksimum epoch nya adalah 10000 iterasi serta untuk menghasilkan error paling rendah menggunakan traingd.

Jaringan yang telah dilatih dan mencapai hasil yang dikehendaki perlu diuji untuk mengetahui kemampuannya pada saat mempelajari data latih yang diberikan. Pengujian dapat dilakukan dengan menggunakan data set yang sudah dilatih untuk melihat unjuk kerja sistem aplikasi yang telah dibuat dengan melihat nilai error minimumnya. Selain itu juga pengujian dapat dilakukan menggunakan data set yang belum pernah dilatihkan sebelumnya untuk melihat tingkat akurasi sistem yang telah dibuat. Data hasil pengujian dari 12 input layer, 12 hidden layer, dan 1 output, untuk learning rate 0.10, 10000 epoch atau iterasi, mempunyai nilai error minimum sebesar 10, nilai error maksimum sebesar 14, mempunyai output sebesar 12.19, hasil prediksi kemampuan konsumen menghasilkan -34.76, yang menghasilkan hasil prediksi untuk tahun berikutnya -34.76, yang berarti untuk tahun berikutnya dari kode kendaraan 001 banyak diminati para konsumen dari jenis kendaraan tersebut.

IV. Kesimpulan

Dari hasil penelitian yang dilakukan, maka dapat disimpulkan sebagai berikut:

1. Jaringan Syaraf Tiruan dengan munggunakan Algoritma Backpropagation cukup baik untuk memprediksi kemampuan konsumen dalam mencicil kendaraan roda dua.

2. Akurasi dan ketepatan dalam Jaringan Syaraf Tiruan tergantung pada data yang akan diuji dan pola arsitektur yang dipakai dalam pengujian. Semakin banyak data dan pola yang digunakan maka tingkat akurasi dan ketapatan prediksi nya akan semakin baik.

Daftar Pustaka

[1] F. Dristyan, “Prediksi Jumlah Penjualan Kredit Sepeda Motor Menggunakan Algoritma Backpropagation,” Semin. Nas. R., vol. 9986, no. September, 2018, [Online]. Available: https://jurnal.stmikroyal.ac.id/index.php/senar/article/view/165.

[2] F. Ocktafianti, M. Malau, and D. Regina, “Sistem Akuntansi Penjualan Dengan Metode Cash and Carry Pada Pt Perhutani (Persero),” Bul. Ekon., vol. 20, no. 1, pp. 51–56, 2016.

[3] Y. B. Utomo and J. Ipmawati, “Sistem Pendukung Keputusan Penentuan Penerima Kredit Usaha (Studi Kasus: Adira Finance Kediri),” Creat. Inf. Technol. J., vol. 3, no. 4, p. 295, 2016, doi: 10.24076/citec.2016v3i4.85.

[4] H. Abdurahman and A. R. Riswaya, “Aplikasi Pinjaman Pembayaran Secara Kredit Pada Bank Yudha BHakti,” Apl. Pinjaman Pembayaran Secara Kredit Pada Bank Yudha BHakti, vol. 8, no. 2, pp. 61–69, 2014, [Online]. Available: http://jurnal.stmik-mi.ac.id/index.php/jcb/article/view/114/138. [5] A. P. W. Tri Waluyo , Arief Hermawan, “PREDIKSI PENJUALAN SEPEDA MOTOR HONDA MENGGUNAKAN JARINGAN Abstraksi Pendahuluan Tinjauan Pustaka Penelitian terdahulu Metode Penelitian Jaringan Syaraf Tiruan,” vol. 1, no. 1, 2019.