Prediksi kesehatan koperasi dengan jaringan syaraf tiruan metode backpropagation

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

+

∑

i

v

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

+

∑

j

w

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

k

z

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

=

∑

k

w

kj………. (2.17)

Faktor unit tersembunyi :

j

=

_net

j

j

) =

_net

j

z

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)