i
PREDIKSI KESEHATAN KOPERASI DENGAN JARINGAN SYARAF
TIRUAN METODE BACKPROPAGATION
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Yustinus Adrian Nada
125314057
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
ii
COOPERATIVE’S HEALTH PREDICTION WITH ARTIFICIAL NEURAL NETWORK BACKPROPAGATION METHOD
THESIS
Present as Partial Fullfillment of the Requirements
To Obtain Sarjana Komputer Degree
In Department of Informatics Engineering
By :
Yustinus Adrian Nada
125314057
INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECNOLOGY SANATA DHARMA UNIVERSITY
vii ABSTRAK
Dinas koperasi merupakan salah satu layanan pemerintahan, yang bekerja
untuk memberikan penilaian terhadap kesehatan koperasi yang terdapat di
Indonesia. Melihat kondisi perekonomian Indonesia yang masih di bawah standar,
dimana pendapatan masyarakat masih dibawah rata-rata. Maka dalam
mewujudkan kehidupan ekonomi masyarakat Indonesia yang lebih baik, maka
dinas koperasi yang terdapat di seluruh Indonesia bekerja untuk memberikan
penilaian terhadap koperasi, agar koperasi yang ada di Indonesia berada dalam
kondisi yang sehat, baik sehat organisasinya, Sumber daya manusia maupun
keuangannya.
Penelitian ini menghasilkan sebuah model prediksi untuk kesehatan
koperasi. Data yang digunakan merupakan data keuangan koperasi 2 tahun
terakhir, mulai tahun 2014-2015 yang didapatkan melalui Dinas koperasi
Kabupaten Kulonporgo. Pendekatan yang digunakan untuk prediksi kesehatan
koperasi adalah dengan Jaringan Syaraf Tiruan metode Backpropagation dengan fungsi transfer layer tan-sigmoid dan fungsi transfer output purelin. Model pengujian yang digunakan pada proses prediksi adalah 5 fold cross validation dalam menguji data training. Berdasarkan hasil penelitian, diperoleh model
prediksi kesehatan koperasi dengan dua hidden layer dengan jumlah neuron 20 dan 15 menghasilkan akurasi 71% untuk model jaringan yang ke-dua.
Kata Kunci :Prediksi, Kesehatan Koperasi, Jaringan Syaraf Tiruan
viii ABSTRACT
Cooperative agency is one of public service that works to give appraisal to
Indonesia‟s cooperative financial level. Seeing economy matters that still below standard, which citizen‟s income still under average. So for better Indonesia economy, Cooperative agency entire Indonesia worked to give appraisal to
cooperative so every cooperative in Indonesia keep in good economy condition,
human resources nor financial.
This research produce a prediction model for cooperative‟s well-being.
The used data is last 2 years cooperative‟s financial data, start from 2014 and
2015 got through Kulonprogo Regency Cooperative Agency. Approach that used
for cooperative‟s health prediciton is artificial neural network Backpropagation with Transfer Layer Tan-Sigmoid function and purelin output transfer function.
Testing model that used is 5 fold cross validation in testing training data. Based on
research, obtain cooperative health model prediction with 2 hidden layer, amount
of neuron 20 and 15 produce accuracy 71% for second network model.
ix
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus karena
atas berkat dan rahmatnya sehingga penulis dapat menyelesaikan tugas akhir
sesuai dengan waktu yang telah ditentukan. Skripsi ini disusun sebagai salah satu
syarat guna memperoleh gelar sarjana Teknik Informatika di Universitas Sanata
Dharma Yogyakarta.
Penulis telah menyadari bahwa dalam penyusunan skripsi ini, tanpa
melibatkan bantuan dan dukungan banyak pihak skripsi ini sulit unruk selesai,
namun berkat dukungan dan bantuan dari banyak pihak, akhirnya skripsi ini dapat
diselesaikan. Oleh sebab itu atas bantuan dan dukungannya, penulis menghaturkan
ucapan terima kasih kepada :
1. Tuhan Yesus Kristus, yang telah memberikan semangat, dan kekuatan
dalam proses penyelesaian tugas akhir.
2. SudiMungkasi, S.Si.,M.Math.Sc.,Ph.D selaku Dekan Fakultas Sains dan
Teknologi Universitas Sanata Dharma Yogyakarta.
3. Dr. Anastasia Rita selaku Ketua Program Studi Teknik Informatika
Universitas Sanata Dharma Yogyakarta.
4. DR. C. KuntoroAdi, SJ. M.A., M.Sc. Selaku dosen pembimbing yang telah
meluangkan waktu untuk membimbing penulis selama pembuatan skripsi
ini.
5. Iwan Binanto M. Cs selaku dosen pembimbing akademik yang telah
membimbing penulis selama melakukan kuliah di Universitas Sanata
Dharma.
6. Orang tua, Damianus Dwi Setyo Budi Nugroho dan FlorensiaYuniarsih,
serta keluarga yang memberikan dukungan, doa, dan motivasi dalam
penyelesaian tugas akhir.
7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan selama
menuntut ilmu dan sangat membantu penulis dalam mengerjakan tugas
xi
MOTTO
Kesempatan untuk menemukan kekuatan yang lebih
baik dalam diri kita muncul ketika hidup terlihat
sangat menantang
xii
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN JUDUL (Bahasa inggris) ... ii
HALAMAN PERSETUJUAN ... iii
HALAMAN PENGESAHAN ... iv
PERNYATAAN KEASLIAN HASIL KARYA ... v
LEMBAR PERNYATAAN PERSETUJUAN ... vi
ABSTRAK ... vii
ABSTRACT ... viii
KATA PENGANTAR ... ix
MOTTO ... xi
DAFTAR ISI ... xii
DAFTAR GAMBAR ... xiv
DAFTAR TABEL ... xv
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 2
1.4 Manfaat Penelitian ... 2
1.5 Batasan Masalah ... 3
1.6 Metodologi Penelitian ... 3
1.7 Sistematik Penulisan ... 4
BAB 2 LANDASAN TEORI ... 5
2.1 Koperasi ... 5
2.1.1 Tujuan Koperasi ... 5
2.1.2 Fungsi dan Peranan Koperasi ... 5
2.1.3 Jenis-jenis Koperasi ... 6
2.1.4 Kelebihan dan kekurangan Koperasi ... 7
2.2 Kebangkrutan ... 8
2.3 Peramalan dan Prediksi ... 8
2.3.1 Karakteristik Peramalan ... 9
2.3.2 Metode Peramalan atau Prediksi ... 9
2.4 Jaringan Syaraf Tiruan ... 10
xiii
2.5 Backpropagation (propagasi balik) ... 19
2.6 K-Fold Cross Validation ... 24
2.7 Confusion Matrix ... 24
BAB 3 METODE PENELITIAN ... 26
3.1 Data ... 26
3.1.2 Peniliaian (Score) Kesehatan Koperasi ... 27
3.2 Gambaran Penelitian ... 28
3.2.1 Arsitektur Jaringan ... 29
3.3 Validasi ... 30
3.4 Tahapan Penelitian ... 31
3.5 Spesifikasi Alat ... 31
BAB 4 HASIL DAN ANALISIS SISTEM ... 32
4.1 Pengujian Sistem... 32
4.2 Optimalisasi Arsitektur Jaringan... 34
4.3 Pengujian Data Tunggal ... 37
BAB 5 PENUTUP ... 41
5.1 Kesimpulan ... 41
5.2 Saran ... 41
xiv
DAFTAR GAMBAR
Gambar 2.1 (Siang 2009) ... 10
Gambar 2.2 (Siang 2009) ... 11
Gambar 2.3 (Siang 2009) ... 12
Gambar 2.4 (Siang 2009) ... 14
Gambar 2.5 Pengaruh Perubahan Momentum (Hagan & Demuth, 1996) ... 16
Gambar 2.6 Lintasan dengan momentum (Hagan & Demuth, 1996) ... 16
Gambar 2.7 Lintasan variable Learning Rate (Hagan & Demuth, 1996) ... 18
Gambar 2.8 (Siang 2009) ... 20
Gambar 3.1 Gambaran Proses ... 28
Gambar 3.2 arsitektur Jaringan ... 29
Gambar 4.1 Hasil Akurasi Jaringan Syaraf Tiruan ... 32
Gambar 4.2 Grafik Akurasi Metode Training ... 33
Gambar 4.3 Grafik Akurasi dua hidden layer Trainscg ... 34
Gambar 4.4 Grafik Akurasi dua hidden layer Traingda ... 34
Gambar 4.5 Grafik Akurasi dua hidden layer Traingdx ... 35
Gambar 4.6 Grafik Akurasi dua hidden layer Trainrp ... 35
Gambar 4.7 Grafik Akurasi dua hidden layer Traincgf ... 36
Gambar 4.8 Running program Jaringan Syaraf Tiruan ... 37
xv
DAFTAR TABEL
Tabel 3.1 Penilaian predikat Koperasi ... 28
Tabel 4.1 Tabel Pengujian Akurasi Metode Training 1 hidden layer ... 33
Tabel 4.2 Tabel Pengujian Akurasi Metode Training 2 hidden layer ... 36
1 BAB I PENDAHULUAN
1.1 Latar Belakang
Koperasi adalah organisasi bisnis yang dimiliki dan dioperasikan oleh
orang-seorang demi kepentingan bersama (Chaniago, 1984). Koperasi
melandaskan kegiatan berdasarkan prinsip gerakan ekonomi rakyat yang
berdasarkan asas kekeluargaan. koperasi melibatkan empat unsur atau perangkat
yaitu: anggota, pengurus, manajer, dan karyawan. Peranan koperasi didalam
bisnis, dapat dianggap sebagai kebutuhan yang diperlukan oleh hampir semua
pelaku bisnis, baik pengusaha besar maupun pengusaha kecil.
Salah satu peranan didalam koperasi yang sangat baik adalah penghimpun
dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kembali
kepada masyarakat dalam bentuk pinjaman pembiayaan. Mengingat kondisi
perekonomian Indonesia yang masih di bawah standar, dimana pendapatan
masyarakat masih dibawah rata-rata (Nasution, 2007). Maka dalam mewujudkan
kehidupan ekonomi masyarakat Indonesia yang lebih baik, koperasi-koperasi yang
ada di Indonesia dituntut dalam kondisi yang sehat, baik sehat organisasinya,
Sumber daya manusia dan keuangannya. Khusus kesehatan dibidang keuangan
koperasi, akan menjadi informasi yang bermanfaat bagi beberapa pihak,
diantaranya nasabah, pemberi pinjaman, investor, akuntan, dan manajemen.
Koperasi yang tidak sehat(mengalami kesulitan keuangan) akan
mengalami kebangkrutan. Berdasarkan Peraturan Menteri Negara Koperasi dan
Usaha Menengah Republik Indonesia nomor :14/PER/M.KUKM/XII/2009, Ada
beberapa indikator yang bisa menjadi deteksi kesehatan suatu koperasi. Salah satu
sumbernya adalah analisis aliran kas untuk saat ini atau untuk masa mendatang.
Sumber lainnya adalah laporan keungan koperasi. Laporan keuangan bisa dipakai
untuk mendeteksi kesulitan keuangan. Dari laporan keuangan koperasi bisa
diketahui tingkat kesehatan suatu koperasi. Tujuan penilaian kesehatan suatu
koperasi adalah agar koperasi dapat melakukan kegiatan usaha pembiayaan,
memberikan manfaat yang sebesar-besarnya kepada anggota dan masyarakt
sekitar.
Pada penelitian sebelumnya telah dilakukan penelitian terkait dengan
memprediksi kebangkrutan pada suatu perusahaan menggunakan metode
Backpropagation. Dalam penelitian tersebut menghasilkan akurasi yang sangat
baik mencapai 90% dengan proses training untuk pengenalan pola data dan proses
testing untuk melakukan prediksi serta analisa sistem (Cynthia, 2010).
Di Indonesia, studi tentang prediksi kesehatan koperasi masih jarang
dilakukan, karena sulitnya mencari data keuangan koperasi di Indonesia dan atau
bangkrut yang dipublikasikan. Oleh karena itu berdasarkan latar belakang yang
dipaparkan diatas, akan dilakukan sebuah penelitian untuk memprediksi kesehatan
koperasi menggunakan metode Backpropagation. Metode tersebut merupakan algoritma dari jaringan syaraf tiruan yang dapat digunakan sebagai
peramalan(forecasting)(Siang, 2009). Sehingga dalam penelitian ini menggunakan
metode Backpropagation dalam memprediksi kesehatan suatu koperasi.
1.2 Rumusan Masalah
Dari latar belakang diatas, maka dapat dirumuskan masalah sebagi berikut:
1. Bagaimana metode Backpropagation mampu melakukan prediksi kesehatan pada koperasi?
2. Berapakah tingkat keakuratan yang dihasilkan dalam memprediksi
kesehatan koperasi?
3.
1.3 Tujuan Penelitian
Penelitian ini bertujuan untuk memprediksi kesehatan koperasi dengan
menggunakan metode Backpropagation.
1.4 Manfaat Penelitian
Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah
diharapkan dapat membantu pihak dinas koperasi dalam melakukan penilaian
1.5 Batasan Masalah
a. Data yang akan digunakan adalah data laporan keuangan beberapa
koperasi selama dua tahun terakhir.
b. Data keuangan koperasi meliputi jumlah aset lancar, jumlah aset tidak
lancar, jumlah aset tetap, jumlah aset, jumlah kewajiban lancar, jumlah
kewajiban jangka panjang, jumlah ekuitas, jumlah pasiva, sisa hasil usaha.
c. Data yang digunakan adalah data berbagai macam koperasi yang terdapat
di Kulonprogo melalu dinas koperasi Kulonprogo.
1.6 Metodologi Penelitian
Metode penelitian pada penyusunan penulisan ini, adalah :
a. Studi Literatur dengan tujuan :
1. Mempelajari dan memahami manajemen suatu koperasi.
2. Mempelajari dan memahami algoritma Backpropagation jaringan Syaraf Tiruan.
3. Mengetahui data keuangan beberapa koperasi
b. Pengumpulan data melalui dinas koperasi kabupaten Kulonprogo.
c. Perancangan sistem perhitungan otomatis terhadap prediksi kesehatan
koperasi.
d. Implementasi algoritma ke dalam sistem Backpropagation.
1.7 Sistematika Penulisan
Dokumen ini terdiri atas enam bab, yaitu :
1. BAB I PENDAHULUAN
Bab ini akan dijelaskan mengenai latar belakang, rumusan masalah,
tujuan dan maksud penulisan, metodologi penulisan, dan sistematika
penulisan.
2. BAB II LANDASAN TEORI
Bab ini akan dijelaskan tentang metode yang digunakan yaitu
backpropagation serta rumus-rumus yang akan dipergunakan, dan
mengenai teori-teori koperasi serta kebangkrutan.
3. BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang analisis dan desain perancangan sistem,
meliputi: analisis masalah, gambaran umum sistem, data, perancangan
sistem dengan metode Backpropagation, tahap penelitian.
4. BAB IV HASIL DAN ANALISIS SISTEM
Bab ini berisi tentang implementasi dan melakukan analisis dari
prediksi kesehatan koperasi dengan menggunakan metode
Backpropagation
5. BAB V KESIMPULAN
Bab ini berisi tentang jawaban singkat dari rumusan masalah atau
kesimpulan dan saran dalam pengembangan serta penyempurnaan
5 BAB II
LANDASAN TEORI
Bab ini akan membahas dasar teori serta hasil penelitian terdahulu yang
akan digunakan dalam proses penyusunan dan pembahasan penelitian, tercakup
didalamnya beberapa pengertian tentang jaringan syaraf tiruan, K-Fold Cross
Validation, Confusion Matrix, Pengertian Koperasi, Kebangkrutan dan Peramalan.
2.1 Koperasi
Koperasi adalah organisasi bisnis yang dimiliki dan dioperasikan oleh
orang-seorang demi kepentingan bersama (Chaniago, 1984). Koperasi melandaskan
kegiatan berdasarkan prinsip gerakan ekonomi rakyat yang berdasarkan asas
kekeluargaan.
2.1.1. Tujuan Koperasi
Dalam peraturan perundang-undangan Indonesia telah diatur tentang
tujuan koperasi. Berdasarkan Pasal 3 UU No.25 tahun 1992, tujuan koperasi
adalah:
a. Memajukan kesejahteraan anggota koperasi dan masyarakat.
b. Turut serta dalam membangun tatanan perekonomian nasional dalam
rangka mewujudkan masyarakat yang makmur, adil dan maju dengan tetap
berlandaskan pada pancasila dan UUD 1945.
c.
2.1.2. Fungsi dan Peranan Koperasi
Berdasarkan UU No.25 Tahun 1992, koperasi yang terdapat di
Indonesia memiliki fungsi dan peranan didalam menjalankan organisasinya :
a. Mengembangkan serta membangun kemampuan dan potensi anggota
koperasi pada khususnya dan masyarakat pada umumnya untuk
meningkatkan kesejahteraan sosial ekonomi.
b. Berperan secara aktif dalam rangka meningkatkan dan memperbaiki
c. Memperkuat serta mengkokohkan perekonomian rakyat Indonesia sebagai
dasar ketahanan dan kekuatan perekonomian nasional dengan koperasi
sebagai soko gurunya.
d. Berusaha mewujudkan dan mengembangkan perekonomian nasional yang
merupakan usaha bersama berdasarkan asas kekeluargaan dan demokrasi
ekonomi.
2.1.3. Jenis-jenis Koperasi
Jenis-jenis koperasi didasarkan pada kesamaan kegiatan aktivitas dan
kepentingan ekonomi anggotanya. Jenis koperasi terdiri atas tiga jenis yaitu:
a. Koperasi produksi
Koperasi produksi adalah jenis koperasi yang anggotanya terdiri atas para
produsen dengan melakukan kegiatan usaha khusus penjualan
barang-barang produksi para anggotanya. Contoh : koperasi ternak, koperasi
cengkeh, koperasi kopra, koperasi nelayan.
b. Koperasi konsumsi
Koperasi konsumsi adalah jenis koperasi yang memiliki anggota yang
terdiri atas kumpulan konsumen, bergerak khusus dalam aktivitas penjulan
barang-barang konsumsi terutama barang kebutuhan para anggotanya.
Contoh : koperasi karyawan, koperasi pegawai republik Indonesia,
koperasi siswa/mahasiswa, koperasi RT, koperasi ABRI.
c. Koperasi jasa
Koperasi jasa adalah jenis koperasi yang melakukan kegiatan usaha
dengan member pelayanan atau jasa kepada para anggota khususnya dan
masyarakat sekitarnya. Contoh : koperasi asuransi, koperasi simpan
pinjam, koperasi perkreditan.
Berdasarkan UU No. 25 Tahun 1992, koperasi dapat dibedakan menurut
keanggotaannya, yaitu koperasi primer dan koperasi sekunder. Koperasi
primer adalah jenis koperasi yang beranggotakan orang seorang (berdasarkan
ketentuan minimal 20 orang), sedangkan koperasi sekunder adalah jenis
2.1.4. Kelebihan dan kekurangan koperasi
Seperti badan usaha lainnya, koperasi memiliki kelebihan dan
kekurangan dalam menjalankan usahanya. Kelebihan dan kekurangan tersebut
antara lain:
a. Kelebihan
1. Koperasi lebih mengutamakan tujuan yang berupa kesejahteraan
anggota. Pendapatan dan laba yang diperoleh koperasi hanyalah
merupakan konsekuensi atau akibat dari usaha pencapaian tujuan
menyejahterakan anggota tersebut.
2. Mengutamakan pelayanan terhadap anggota.
3. Keanggotaannya bersifat sukarela dan terbuka.
4. Setiap orang dapat menjadi anggota koperasi dengan membayar
simpanan pokok dan simpanan wajib.
5. Besarnya simpanan pokok dan simpanan wajib ditentukan bersama,
sehingga terjangkau oleh semua anggota.
6. Tidak ada perbedaan diantara para anggota dalam bentuk apapun.
7. Bagian SHU (Sisa Hasil Usaha) diterima anggota berdasarkan jasa
masing-masing anggota yang telah diberikan kepada koperasi
8. Koperasi berpotensi menjadi raksasa bisnis masa depan.
b. Kekurangan
1. Kondisi yang terjadi dilapangan adalah presentase tingkat kesadaran
anggota koperasi secara keseluruhan sangat rendah untuk melakukan
peningkatan dalam koperasi.
2. Karena rendahnya kesadaran anggota koperasi maka sulit memilih
pengurus koperasi yang professional. Daya saing koperasi lebih rendah
jika dibandingkan dengan badan usaha swasta yang murni bertujuan
2.2. Kebangkrutan
Koperasi yang tidak sehat keuangannya akan mengalami kebangkrutan,
dan berdampak tidak baik bagi perekonomian masyarakat Indonesia. Menurut
undang-undang No 4 Tahun 1998, kebangkrutan biasanya diartikan sebagai
kegagalan perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan
laba.
Kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti :
a. Kegagalan ekonomi, biasanya berarti bahwa perusahaan kehilangan uang
atau pendapatan perusahaan tidak menutup biaya sendiri, ini berarti tingkat
labanya lebih kecil dari biaya modal atau nilai sekarang dari arus kas
perusahaan lebih kecil dari kewajiban. Kegagalan terjadi bila arus kas dari
perusahaan tersebut jatuh dibawah arus kas yang diharapkan.
b. Kegagalan keuangan, perusahaan dianggap gagal jika perusahaan tidak
dapat memenuhi kewajiban pada saat jatuh tempo. Walaupun total aset
melebihi total hutang, kebangkrutan akan terjadi bila suatu perusahaan
gagal memenuhi salah satu dalam ketentuan hutangnya.
2.3. Peramalan atau Prediksi
Menurut Reksohadiprodjo (1995) peramalan atau prediksi merupakan
penelaahan tentang situasi yang menyelimuti lingkungan masa datang sebagai
dasar pengambilan keputusan. Faktor-faktor yang mempengaruhi-nya sangat
banyak seperti halnya oleh berbagai faktor lingkungan yang saling berinteraksi
dalam pasar yang berbeda di luar kendali perusahaan, dimana faktor-faktor
2.3.1. Karakteristik Peramalan
Menurut Nasution (1999), bahwa peramalan yang baik mempunyai
beberapa kriteria yang penting, antara lain akurasi, biaya, dan kemudahan.
1. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan
kekonsistensian peramalan. Hasil peramalan dikatakan bila peramalan
tersebut terlalu tinggi atau rendah disbanding dengan kenyataan yang
sebenarnya terjadi. Hasil peramalan dikatakan bila kesalahan peramlan
relative kecil.
2. Biaya
Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari
jumlah item yang diramalkan, lamanya periode peramalan, dan metode
peramalan yang dipakai.
3. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan
mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.
2.3.2. Metode Peramalan atau Prediksi
Berdasarkan metode peramalan yang digunakan peramalan dibedakan
menjadi metode kualitatif dan kuantitatif.
1. Metode Kualitatif
Didasarkan pada intuisi dan penilaian orang yang melakukan peramalan
dari pada pemanipulasi (pengolahan dan penganalisisan) data.
2. Metode Kuantitatif
Didasarkan pada pemanipulasian atas data yang tersedia secara memadai
dan tanpa intuisi maupun penilaian subyektif dari orang yang melakukan
2.4. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang
memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2009). JST
dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologis,
dengan asumsi bahwa :
a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)
b. Sinyal dikirimkan diantara neuron-neuron melalui
penghubung-penghubung
c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal
d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas
ambang.
JST ditentukan oleh 3 hal :
a. Pola hubungan antar neuron
b. Metode untuk menentukan bobot penghubung
c. Fungsi aktivasi
s
Gambar 2.1 (Siang 2009)
Y menerima input dari neuron X1, X2 dan X3 dengan bobot hubungan
masing-masing adalah W1 ,W2 dan W3 . ketiga impuls neuron yang ada dijumlahkan
net = X1 W1 + X2 W2 + X3 W3………..….. (2.1)
Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).
aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk
merubah bobot.
Menurut Siang (2009) ada beberapa arsitektur jaringan yang sering dipakai
dalam jaringan syaraf tiruan, antara lain :
a. Jaringan Layar Tunggal (Single Layer Network)
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung
dengan sekumpulan output-nya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output.
X1
Xi
Xn Ym
Yj
Y1
W11
Wji
Gambar 2.2 (Siang 2009)
Gambar di atas menunjukan arsitektur jaringan dengan n unit input
(X) dan m unit output (Y).
Dalam jaringan tersebut, semua unit input dihubungkan dengan semua unit
output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit input lainnya. Demikian pula dengan unit output.
Besaran w menyatakan bobot hubungan antara unit onput dengan urut output. Bobot-bobot ini aling independen. Selama proses pelatihan, bobot-bobot ini saling independen. Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasi. Model
semacam ini tepat digunakan untuk pengenalan pola karena
b. Jaringan Layar Jamak ( Multi Layer Network )
Jaringan layar jamak merupakan perluasan dari layar tunggal.
Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (sering
disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar
tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu
layar tidak saling berhubungan.
Xi Xn Zp Z1 X1 Ym Yj Y1
Gambar 2.3 (Siang 2009)
Gambar di atas adalah jaringan dengan n buah unit input (X) sebuah layar tersembunyi yang terdiri dari p buah unit (Z) dan m buah unit
output (Y).
Jaringan ini dapat menyelesaikan masalah yang lebih kompleks
dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan
lebih kompleks dan lama.
c. Jaringan Reccurent
Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop).
Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan
keluaran suatu neuron. Argument fungsi aktivasi adalah net masukan (kombinasi
linear masukan dan bobotnya).
a. Fungsi Threshold (batas ambang)
{ ……….. (2.2)
Untuk beberapa kasus, fungsi threshold yang tidak berharga 0 atau
1, tapi berharga -1 atau 1 (sering disebut threshold bipolar) jadi
{ ……….. (2.3)
b. Fungsi Sigmoid
……...……….. (2.4)
Fungsi ini sering dipakai karena nilai fungsinya yang terletak
antara 0 dan 1 dapat diturunkan dengan mudah.
...……….. (2.5)
c. Fungsi Identitas
……….………..(2.6)
Fungsi identitas sering dipakai apabila kita menginginkan keluaran
berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]
Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan
yang nilainya selalu = 1. Unit yang sedemikian itu disebut bias. Bias dapat
dipandang sebagai sebuah unit input yang nilainya = 1. Bias berfungsi
untuk mengubah nilai threshold menjadi = 0 (bukan = a). jika melibatkan
bias, maka keluaran unit penjumlahan adalah
∑ ……….. (2.7) Fungsi aktivasi threshold menjadi :
X1
X2
1
Y
Gambar 2.4 (Siang 2009)
2.4.1 Mempercepat Pelatihan Backpropagation
Menurut Siang (2009) Metode standar backpropagation seringkali terlalu lambat untuk keperluan praktis. Beberapa modifikasi dilakukan
terhadap standar backpropagation dengan cara mengganti fungsi pelatihannya.
Secara umum, modifikasi dapat dikelompokan dalam dua kategori.
kategori pertama adalah metode yang menggunakan teknik heuristic yang dikembangkan dari metode penurunan tercepat yang dipakai dalam standar
backpropagation. kategori kedua adalah menggunakan metode optimasi
numeric selain penurunan tercepat. Beberapa metode yang dipakai sebagai modifikasi adalah metode conjugate gradient, quasi Newton, dan lain-lain. Dalam sub bab berikut ini dibicarakan dahulu tentang beberapa modifikasi
yang masuk dalam kategori pertama (backpropagation dengan momentum,
variabel laju pemahaman, dan backpropagation resilient). Berikutnya barulah
dibahas tentang beberapa metode yang masuk dalam kategori kedua.
Beberapa metode yang dipakai untuk mempercepat pelatihan
1. Metode penurunan Gradien dengan Momentum (traingdm)
Modifikasi metode penurunan tercepat dilakukan dengan
menambahkan momentum. Dengan momentum, perubahan bobot tidak
hanya didasarkan atas error yang terjadi pada epoch pada waktu itu. Perubahan bobot saat ini dilakukan dengan memperhitungkan juga
perubahan bobot pada epoch sebelumnya. Dengan demikian kemungkinan terperangkap ke titik minimum lokal dapat dihindari.
Menurut Hagan dan Demuth (1996) sebelum mengimplementasikan
ke dalam sebuah aplikasi jaringan syaraf, akan dibuktikan dalam sebuah
ilustrasi efek penghalusan dengan mempertimbangkan :
(2.9)
Dimana w(k) adalah input ke filter, y(k) adalah output dari filter dan
y adalah koefisien momentum yang harus memenuhi
(2.10)
Efek dari filter ditunjukan dengan gambar 2.5. Contoh ini input diambil dari gelombang sinus :
(2.11)
Dan koefisien momentum ditetapkan untuk y = 0.9 (a) dan y = 0.98
(b). Dari gambar tersebut dapat dilihat osilasi dari output filter kurang dari osilasi dalam filter input. Selain itu, sebagai y meningkat osilasi dalam output filter berkurang. Sangat penting juga memperhatikan bahwa
Gambar 2.5. Pengaruh Perubahan Momentum (Hagan & Demuth, 1996)
Untuk meringkas, filter cenderung mengurangi jumlah perubahan,
sementara masih mengikuti nilai rata-rata. Untuk cara implementasi
dalam jaringan syaraf tiruan, pertama menggunakan parameter sebagai
berikut :
, (2.12)
. (2.13)
Ketika filter momentum ditambahkan untuk mengganti parameter, sehingga mendapatkan persamaan perubahan backpropagation :
, (Error! No text of specified style in document..14 )
. ( Error! No text of specified style in document..15 )
Apabila menggunakan persamaan modifikasi ini maka akan memperoleh hasilnya seperti gambar 2.6.
Dari gambar 2.6. cenderung untuk membuat lintasan terus kearah
yang sama. Semakin besar y, semakin cepat t lintasannya.
2. Variabel Laju Pemahaman (traingda, traingdx)
Dalam standar Backpropagation. Laju pemahaman berupa suatu konstanta yang nilainya tetap selama iterasi. Akibatnya, untuk kerja
algoritma sangat dipengaruhi oleh besarnya laju pemahaman yang
dipakai. Secara praktis, sulit untuk menentukan besarnya laju pemahaman
yang terlalu besar maupun terlalu kecil akan menyebabkan pelatihan
menjadi lambat.
Pelatihan akan lebih cepat apabila laju pemahaman dapat diubah
ubah besarnya selama proses pelatihan. Jika error sekarang lebih besar dibandingkan error sebelumnya, maka laju pemahaman diturunkan. Jika sebaliknya, maka laju pemahaman diperbesar. Dengan demikian laju
pemahaman dapat dibuat sebesar besarnya dengan tetap mempertahanlan
kestabilan proses.
Menurut Hagan dan Demuth (1996), ada banyak pendekatan untuk
mengubah learning rate (laju pemahaman). Salah satunya dengan cara yang paling mudah, dimana learning rate berubah berdasarkan performa sebuah algoritma. Aturan untuk variabel learning rate backpropagation adalah sebagai berikut :
a. Jika error kuadrat (pada semua training set) meningkat lebih dari presentase yang ditentukan (umumnya satu hingga lima persen)
setelah perubahan bobot, maka perubahan bobot diabaikan, learning rate dikalikan dengan faktor 0 < p < 1, dan koefisien momentum y (jika digunakan) diberi nilai nol.
b. Jika error kuadrat berkurang setelah perubahan bobot, maka
perubahan bobot diterima dan learning rate dikalikan dengan faktor
c. Jika error kuadrat meningkat namun kurang dari , maka perubahan bobot diterima tetapi learning rate dan koefisien momentum tidak berubah.
Dengan menggunakan parameter awal yang telah digunakan pada gambar
2.6 dan menambahkan parameter baru :
, , dan , maka akan didapatkan hasil seperti pada gambar 2.7.
Gambar 2.7. Lintasan variabel Learning Rate (Hagan & Demuth, 1996)
3. Resilent Backpropagation (trainrp)
Jaringan backpropagation umumnya menggunakan fungsi aktivasi sigmoid. Fungsi sigmoid akan menerima masukan dari range tak berhingga menjadi keluaran pada range[ ]. Semakin jauh titik dari
, semakin kecil gradiennya. Pada titik yang cukup jauh dari ,
gradiennya mendekati 0. Hal ini menimbulkan masalah pada waktu
menggunakan metode penurunan tercepat (yang iterasinya didasarkan atas
gradien). Gradien yang kecil menyebabkan perubahan bobot juga kecil,
meskipun masih jauh dari titik optimal.
Masalah ini diatasi dalam resilient backpropagation dengan cara membagi arah dan perubahan bobot menjadi dua bagian yang berbeda.
Ketika menggunakan penurunan tercepat, yang diambil hanya arahnya
4. Gradien Conjugate (traincgf, traincgp, traincgb)
Dalam standar backpropagation, bobot dimodifikasi pada arah penurunan tercepat. Meskipun penurunan fungsi berjalan cepat, tapi tidak
menjamin akan konvergen dengan cepat. Dalam algoritma gradien
conjugate, pencarian dilakukan sepanjang arah conjugate. Dalam banyak kasus, pencarian ini lebih cepat. Ada berbagai metode pencarian yang
dilakukan berdasarkan prinsip gradien conjugate, antara lain Fletcher-Reeves („traincgf‟), Polak-Ribiere („traincgp‟), Powel Beale („traincgb‟).
Menurut Hagan & Demuth (1996), langkah-langkah dalam
gradien conjugate adalah sebagai berikut :
a. Memilih arah pencarian pertama menjadi gradien negatif
, ( Error! No text of specified style in document..16 )
b. Kemudian memilih learning rate untuk meminimalisasi fungsi bersamaan dengan arah pencarian :
, ( Error! No text of specified style in document..17 )
c. Lalu memilih arah pencarian selanjutnya berdasarkan persamaan
, ( Error! No text of specified style in document..18 )
dengan persamaan berikut ini untuk menghitung nilai
atau atau
(Error! No text of specified style in document..19 )
Jika algoritma belum konvergen maka lanjut pada langkah ke-2.
2.5. Backpropagation (propagasi balik)
Backpropagation merupakan suatu teknik pembelajaran atau pelatihan
W10
Wk0
Wm0
W11 Wk1
Wm1
W1j
Wkj
Wmj
W1p
Wkp Wmp
V10 Vj0 Vp0 V11 V1i Vp1
V11 Vji
Vpi V1n
Vjn Vpn
metode yang sangat baik dalam menangani masalah pengenalan pola yang
kompleks.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2.5 adalah arsitektur backpropagation dengan n buah
masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit
(ditambah sebuah bias), serta m buah unit keluaran.
Vji merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi
Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit
layar tersembunyi Zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit
keluaran Yk (Wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran
Zk)
Gambar 2.5 (Siang 2009)
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).
Y1 Yk Ym
Z1 Zj Zp
1
X1 X
i Xn
dengan turunan …………(2.9)
Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk
fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1).
-1 dengan turunan ( ) …………(2.10)
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi
sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang
dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju.
Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan
kesalahan yang terjadi. kesalahan tersebut dipropagasikan mundur, dimulai dari
garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
a. Fase I : Propagasi maju
Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke
layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran
dari setiap unit layar tersembunyi (= zj) tersebut selanjutnya
dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan
fungsi aktivasi yang ditentukan. Demikian seterusnya hingga
menghasilkan keluaran jaringan (= yk).
Berikutnya keluaran jaringan (= yk) dibandingkan dengan target
yang harus dicapai (= tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika
kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi
toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi
untuk mengurangi kesalahan yang terjadi.
b. Fase II : Propagasi mundur
Berdasarkan kesalahan tk – yk, dihitung faktor k (k = 1,2,…,m)
yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit
tersembunyi yang terhubung langsung dengan yk. k juga dipakai untuk
mengubah bobot garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor j di setiap unit di layar
tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari
unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua
faktor di unit tersembunyi yang berhubungan langsung dengan unit
masukan dihitung.
c. Fase III : Perubahan bobot
Setelah semua faktor dihitung, bobot semua garis dimodifikasi
bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron di
layar atasnya, sebagai contoh, perubahan bobot garis yang menuju ke layar
keluaran didasarkan atas k yang ada di unit keluaran.
Ketiga fase tersebut diulang-ulang terus hingga kondisi
penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai
adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah
iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang
ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas
toleransi yang diijinkan.
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi
(dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan anak kecil Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan
langkah 2-9
F ase I : Propagasi maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya
Langkah 4 : Hitung semua keluaran di unit tersembunyi zj(j = 1,2,…,p)
j
= v
jo+
∑
iv
ji……….(2.11)z
j= f(z_net
j) =
………(2.12)Langkah 5 : Hitung semua keluaran jaringan di unit yk(k = 1,2,…,,m)
k
= w
ko+
∑
jw
kj………. (2.13)y
k= f(y_net
k) =
………….…… (2.14)F ase II : Propagasi mundur
Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran yk(k = 1,2,…,m)
k
= (t
k–
y
k)
k
) = (t
k–
y
k) y
k(1
–
y
k)
… (2.15)merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar di bawahnya (langkah 7)
Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah
bobot wkj) dengan laju percepatan α
kj
=α
kz
j; k = 1,2,...,m ; j = 0,1,…,p
……… (2.16)Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj(j = 1,2,…,p)
_net
j=
∑
kw
kj………. (2.17)Faktor unit tersembunyi :
j
=
_net
jj
) =
_net
jz
j(1-z
j)
……….. (2.18)Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah
bobot vji)
F ase III : Perubahan Bobot
W
kj(baru) = w
kj(lama) +
kj
(k = 1,2,…,m ; j =
0,1,…,p)
…(2.19)Perubahan bobot garis yang menuju ke unit tersembunyi :
V
ji(baru) = v
ji(lama) +
ji
(j = 1,2,…,p ; i = 0,1,…,n)
.... (2.20)Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk
pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5)
saja yang dipakai untuk menentukan keluaran jaringan.
Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4
dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.
2.6. K-Fold Cross Validation
K-Fold Cross Validation merupakan teknik umum untuk menguji kinerja dari klasifikasi. Data dibagi menjadi k bagian (fold), kemudian selama i = 1,…,k
dilakukan pelatihan terhadap data selain fold ke-i dan dilakukan pengujian terhadap data fold ke-i tersebut, lalu menghitung jumlah pengujian yang mengalami kesalahan klasifikasi.
2.7. Confusion Matrix
Confussion Matrix menunjukan jumlah prediksi yang benar dan salah yang
dibuat oleh model klasifikasi dibandingkan dengan hasil yang sebenarnya (nilai
target) dalam data. Matrix adalah n x n, dimana n adalah jumlah nilai target (kelas). Kinerja model seperti ini biasanya dievaluasi dengan menggunakan data
dalam matrix. Tabel berikut menampilkan confusion matrix 2 x 2 untuk dua kelas
Tabel 2.1 Confusion Matrix (Diana dan Shidik, 2014)
Confusion Matrix
Target Positif Negatif
Model
Positif a b Positive predictive value a/(a+b) Negatif c d Negative predictive value d/(c+d)
26 BAB III
METODE PENELITIAN
Bab ini akan membahas cara kerja algoritma yang digunakan dan proses
yang akan dibangun untuk melakukan perhitungan prediksi kesehatan koperasi.
3.1. Data
Data yang akan digunakan untuk diprediksi adalah data keuangan yang
diperoleh dari data laporan keuangan koperasi selama dua tahun terakhir yang
terkumpul sebanyak 225 data. Data tersebut diambil langsung dari dinas koperasi
yang terdapat di kabupaten Kulonprogo. Pemilihan atribut keuangan yang diambil
dari dinas koperasi Kulonprogo disesuaikan dengan kriteria yang dicari untuk
dapat memprediksi kesehatan suatu koperasi. kriteria tersebut antara lain :
a. Jumlah Aset Lancar
Adalah uang tunai atau kas dan aset kekayaan lainnya yang diharapkan
bisa digunakan menjadi kas maupun dijual / dikonsumsi habis dalam
waktu tidak lebih dari satu tahun buku.
b. Jumlah Aset Tidak Lancar
Adalah uang tunai atau kas dan aset kekayaan lainnya yang
mempunyai umur kegunaan relative permanen atau jangka panjang (mempunyai umur ekonomis lebih dari satu tahun atau tidak habis
dalam satu kali perputaran operasi perusahaan.
c. Jumlah Aset Tetap
Adalah masukan dalam bentuk siap pakai atau dibangun lebih dahulu
dan digunakan dalam kegiatan operasi perusahaan, seperti : tanah,
mesin-mesin, kendaraan, gedung, peralatan.
d. Jumlah Aset
Adalah total keseluruhan jumlah aset yang dimiliki.
e. Kewajiban Lancar
Adalah hutang-hutang yang harus segera dilunasi dalam jangka waktu
f. Kewajiban Jangka Panjang
Adalah hutang-hutang yang dapat dilunasi dalam jangka waktu lebih
dari satu tahun.
g. Kekayaan Bersih (Ekuitas)
Adalah modal sendiri didalam koperasi yang dihitung sebagai
kekayaan setelah dikurangi kewajiban
h. Jumlah Pasiva
Adalah kewajiban persuhaan/koperasi pada pihak ketiga untuk
melakukan sesuatu yang pada umumnya pembayaran utang.
i. Sisa Hasil Usaha (SHU)
Adalah pendapatan koperasi yang diperoleh dalam satu tahun buku
dikurangi dengan biaya, penyusutan, dan kewajiban lain.
Setelah data dikumpulkan maka dilakukan preprocessing data yaitu dengan min-max normalization untuk mendapatkan bentuk data yang optimal dengan mengubah data dalam range 0 sampai 1. Adapun rumus normalisasi yang
digunakan :
(3.1)
Dengan X‟ adalah data hasil perhitungan dan X adalah data asli,
sedangkan a adalah data maksimum yang diharapkan dan b adalah data minimum
yang diharapkan, datamax adalah nilai data terbesar dari data sedangkan datamin
adalah nilai data terkecil dari data.
3.1.2. Penilaian (Score) Kesehatan Koperasi
Menurut peraturan Menteri Koperasi Usaha Kecil dan Menengah
tentang pedoman penilaian kesehatan koperasi (2008), adalah kondisi atau
keadaan koperasi yang dinyatakan sehat, cukup sehat, kurang sehat, dan
Tabel 3.1 penilaian predikat koperasi
Skor Predikat
81 - 100 Sehat
66 - < 81 Cukup sehat
51 - < 66 Kurang sehat
0 - < 51 Tidak sehat
3.2. Gambaran Penelitian
Perancangan sistem dari perancangan proses pelatihan sampai proses
pengujian. Langkah awal pada saat pelatihan dan pengujian, data akan
dinormalisasi. Lalu data akan dimasukan kedalam arsitektur jaringan syaraf tiruan
Backpropagation untuk mendapatkan hasilnya. Skema perancangan sistem dapat dijelaskan dengan diagram dibawah ini (Gambar 3.1).
Gambar 3.1 Gambaran Proses
Data input merupakan data yang sudah diubah kedalam range [0 1] atau sudah melewati proses preprocessing.
Selanjutnya, data training masuk kedalam jaringan syaraf tiruan Backpropagation, dan data testing digunakan untuk menguji terhadap data training yang sudah melewati proses Backpropagation, setelah itu
akan ditemukan akurasinya.
Tahap terakhir adalah pengujian data tunggal untuk mendapatkan hasil keluarannya.
3.2.1. Arsitektur Jaringan
Gambar 3.2. Arsitektur Jaringan
Gambar diatas merupakan rancangan arsitektur jaringan, dengan
rincian sebagai berikut :
a. Input 1 menunjukan bias.
b. Input layer yang mempunyai 9 data masukan yang berisi data atribut keuangan koperasi, dengan setiap neuron mewakili 1 data masukan.
1]. Sedangkan untuk menghasilkan sebuah output menggunakan fungsi
transfer purelin. Untuk mendapatkan yang optimal dalam jaringan dilakukan pengujian terhadap jumlah hidden layer yaitu 1 dan 2 hidden
layer dengan variasi jumlah neuron yang digunakan dengan jumlah 5 neuron sampai 35 neuron.
d. Mempunyai output layer 4, yang menjadi data target yang akan menghasilkan hasil prediksi.
3.3. Validasi
Dalam melakukan pengujian dari penelitian ini akan dilakukan dengan 5-fold
cross validation. Proses 5-fold cross validation adalah sebagai berikut: data keuangan koperasi yang dikumpulkan yaitu sebanyak 225 data, memiliki 4 kelas
kelompok, yaitu : sehat, cukup sehat, kurang sehat, tidak sehat. Setiap kelompok
memiliki data yang berbeda untuk setiap kelasnya.
a. Data keuangan Sehat = 55
b. Data keuangan Cukup Sehat = 100
c. Data keuangan Kurang Sehat = 50
d. Data Keuangan Tidak Sehat = 20
Jumlah data masing masing keuangan dibagi dengan 5-fold cross validation.
Setelah membagi data dengan 5-fold cross validation, dilakukan perhitungan
akurasi dengan cara dibawah ini :
(3.2)
3.4 Tahapan Penelitian
Dalam sub bab ini akan membahas tentang metode perancangan yang akan
digunakan dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :
a. Tahap pencarian, pada tahap ini akan dilakukan pencarian data langsung
melalui dinas koperasi yang terdapat di kabupaten Kulonprogo. Pencarian
data di lakukan dengan proses wawancara terhadap kepala dinas koperasi
kabupaten Kulonprogo.
b. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan
penelitian ini.
c. Pengumpulan data.
d. Menganalisa data yang sudah didapatkan, dan membuat perancangan
sistemnya.
e. Mengimplementasikan perancangan yang sudah dilakukan ke dalam
perangkat lunak.
f. Melakukan pengujian terhadap sistem dengan memasukan data yang telah
dibagi menjadi data latih dan data uji.
g. Melakukan analisa terhadap sistem yang telah diuji
3.5 Spesifikasi Alat
Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk
mendapatkan hasil yang maksimal.
1. Kebutuhan perangkat lunak
a. Microsoft Windows 10
b. Matlab 2012
Matlab 2012 digunakan untuk membuat sistem arsitektur jaringan syaraf
tiruan backpropagation
2. Kebutuhan perangkat keras
a. Processor : Intel® Core™2Duo CPU T5800 @2.00GHz (2CPUs),
~2.0GHz
b. Memory : 2048MB
32 BAB IV
HASIL DAN ANALISIS SISTEM
Bab ini akan berisikan tentang implementasi dan analisis keluaran dari
sistem dengan algoritma yang telah digunakan serta perancangan antarmuka.
4.1. Pengujian Sistem
Gambar 4.1 Hasil Akurasi Jaringan Syaraf Tiruan
Hasil penelitian berupa nilai akurasi dari prediksi kesehatan koperasi
berdasarkan nilainya yaitu sehat, cukup sehat, kurang sehat, tidak sehat. Data yang
digunakan untuk pelatihan sejumlah 225 data. Ada beberapa percobaan yang
dilakukan untuk penelitian ini, diantaranya percobaan untuk nilai neuron pada satu atau dua hidden layer, dimana masing-masing hidden layer akan diberikan nilai H dimana, dan nilai H akan bertambah 5 untuk setiap
percobaannya.
Percobaan awal yang akan dilakukan adalah percobaan akurasi metode
training, untuk menentukan metode training yang akan digunakan. Pada proses
beberapa kombinasi hidden layer, k-fold, dan metode training untuk mencari akurasi tertinggi. Berikut adalah hasil pengujiannya:
Gambar 4.2 Grafik Akurasi Metode Training
Dapat dilihat dari gambar 4.2 hasil percobaan akurasi metode training
yang telah dilakukan, percobaan dilakukan dengan 1 hidden layer menggunakan
fungsi transfer tansig, fungsi aktivasi purelin, epoch = 1000, dan k-fold = 5. Akurasi tertinggi didapat pada neuron 20, metode training = trainrp, dengan tingkat akurasi mencapai 68%. Untuk percobaan dengan 1 hidden layer masih kurang akurat dalam memprediksi kesehatan koperasi, oleh sebab itu, pengujian
akan dilakukan dengan 2 hidden layer.
Tabel 4.1. Tabel Pengujian Akurasi Metode Training 1 hidden layer
No Metode Training Akurasi
1 Trainscg 64%
2 Traincgf 64%
3 Traingda 66%
4 Traingdx 66%
4.2. Optimalisasi Arsitektur Jaringan
Gambar 4.3 Grafik akurasi dua hidden layer Trainscg
Gambar 4.3 adalah pengujian terhadap metode training trainscg dengan
menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 15 dan 30 dengan akurasi mencapai 68%.
Gambar 4.4 adalah pengujian terhadap metode training traingda dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 20 dan 15 dengan akurasi mencapai 71%.
Gambar 4.5 Grafik akurasi dua hidden layer Traingdx
Gambar 4.5 adalah pengujian terhadap metode training traingdx dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron hidden layer 2 20, 25, 30 dengan akurasi mencapai 68%.
Gambar 4.6 adalah pengujian terhadap metode training trainrp dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 20 dan 20 dengan akurasi mencapai 68%.
Gambar 4.7 Grafik akurasi dua hidden layer Traincgf
Gambar 4.7 adalah pengujian terhadap metode training traincgf dengan
menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar
terdapat pada neuron 35 dan 20 dengan akurasi mencapai 64%.
Tabel 4.2. Tabel Pengujian Akurasi Metode Training 2 hidden layer
No
Metode
Training Akurasi
1 Trainscg 68% 2 Traingda 71% 3 Traingdx 68%
4 Trainrp 68%
5 Traincgf 64%
Pada tabel 4.2 terlihat akurasi terbesar didapatkan dengan metode training
4.3 Pengujian Data Tunggal
Setelah dilakukan proses pelatihan pada arsitektur jaringan syaraf tiruan,
selanjutnya akan dilakukan pengujian terhadap data tunggal, data yang diuji
merupakan data yang tidak termasuk dalam proses perlatihan atau pengujian data
kelompok. Data yang akan di uji berjumlah 5 data dari data koperasi yang belum
mendapatkan penilaian.
Gambar 4.8 Running program Jaringan Syaraf Tiruan
Gambar 4.8 adalah proses jalannya program jaringan syaraf tiruan dengan
Gambar 4.9 Percobaan Pengujian data tunggal
Pada gambar 4.9 adalah proses memasukan data keuangan koperasi untuk
menampilkan hasil prediksi kesehatan koperasi. Dari lima data yang digunakan
untuk prediksi, didapatkan hasil sebagai berikut :
Tabel 4.3 Hasil Prediksi data tunggal
Data Prediksi
1 Cukup Sehat
2 Sehat
3 Cukup Sehat
4 Tidak Sehat
41 BAB V KESIMPULAN
5.1 Kesimpulan
Dalam hasil pengujian prediksi kesehatan koperasi menggunakan jaringan
syaraf tiruan propagasi balik dapat disimpulkan sebagai berikut :
1. Hasil percobaan beberapa kombinasi arsitektur jaringan untuk prediksi
kesehatan koperasi, sebagai berikut :
a. Percobaan dilakukan dengan 2 hidden layer, 5 fold cross validation,
hidden layer 1 = 20, hidden layer 2 = 15, metode training = traingda, fungsi training 1 = tansig, fungsi training 2 = tansig, epoch = 1000. Didapatkan akurasi tertinggi dengan memilih model jaringan yang
ke-dua yaitu 71%
2. Model jaringan syaraf tiruan yang dihasilkan cukup akurat dalam
memprediksi kesehatan koperasi, tetapi masih ada kekurangan yaitu
tingkat akurasi yang tidak tinggi, hanya 71%, tidak tingginya akurasi
dikarenakan banyaknya data atribut yang kosong pada saat pengumpulan
data dan kurangnya data keuangan koperasi untuk dilakukan pengujian.
5.2 Saran
Saran yang dapat diberikan untuk mendapatkan sistem ini adalah :
a. Menambahkan data koperasi lebih banyak, sehingga prediksi menjadi
lebih akurat dan tinggi.
42
Daftar pustaka
1. G.Y.P, Cyinthia. 2010. “Deteksi Kebangkrutan Perusahaan Menggunakan Anartificial Neural Network”. http://digilib.its.ac.id/ITS-Undergraduate-3100010038445/9167. 2015
2. E-journal. 2013. Pengertian kebangkrutan
.http://www.e-jurnal.com/2013/09/pengertian-kebangkrutan.html. diakses tanggal 2
november 2015
3. Informasi pendidikan. 2015. Pengertian koperasi
.http://www.informasi-pendidikan.com/2015/04/pengertian-koperasi.html. diakses pada tanggal 2
november 2015
4. Siang,Jek Jong. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya
menggunakan Matlab. Yogyakarta : ANDI.
5. Setiawan, Aditya . 2014. “Model Prediksi Kepalitan Bank umum di
Indonesia Menggunakan Algoritma Backpropagation”. Surabaya.
http://www.scribd.com/doc/272683856/MODEL-PREDIKSI- KEPAILITAN-BANK-UMUM-DI-INDONESIA-MENGGUNAKAN-ALGORITMA-BACKPROPAGATION#scribd.
6. Evo. 2014 “Penilaian Kesehatan Koperasi”
http://ourakuntansi2.blogspot.co.id/2016/09/penilaian-kesehatan-koperasi.html.
7. Hariannetral. 2014 “Pengertian Koperasi, Tujuan, Fungsi, dan Jenis
Koperasi” http://hariannetral.com/2015/01/pengertian-koperasi-tujuan-fungsi-dan-jenis-koperasi.html.
8. Sullivan, Arthur; Steven M. Sheffrin, Ecomomics: Principles in action. Upper Saddle
River,(New Jerey, Pearson Printice 2003).
9. Sutojo, Siswanto, Analisis Kredit Bank Umum, (Jakarta: Pustaka Binaman Pressindo,(1995).
11.Mustofa Edwin Nasution dan Ranti Wiliasih, “Profit Sharing dan Moral hazard dalamPenyaluran Dana Pihak Ketiga Bank Umum Syariah di
Indonesia,” Jurnal Ekonomi Pembangunan Indonesia, Vol. VII No. 01 (Januari 2007)