MODEL HYBRID ARTIFICIAL INTELLIGENCE
UNTUK MEMPREDIKSI PENEMPATAN DAN
KEDATANGAN PEKERJA MIGRAN INDONESIA
1
Mahmudi,
2Hendrardi, B.
1,2Teknik Informatika; STMIK Himsya; Semarang; Indonesia
ABSTRACT
In this study a hybrid artificial intelligence model is proposed, namely Clustering-Based Genetic Fuzzy System (CGFS) to address the problem of predicting the placement and arrival of Indonesian Migrant Workers (PMI) abroad from Central Java. The CGFS process consists of three main stages, namely; first using neural networks Self-Organizing Maps (SOM) to classify raw sub-population data and reduce the complexity of the entire data boundary so that it becomes more homogeneous. In the second stage, data in different clusters (divided by SOM techniques) will be included in an independent genetic fuzzy system. In the third stage, the PMI placement forecasting process uses a genetic fuzzy system. The results of this CGFS method have a high level of accuracy, so it can be used as a decision support system for BP3TKI management in making policies related to preparation, planning, scheduling, placement, and protection of future PMI candidates and can improve human resource performance at BP3TKI in providing the best service to prospective Indonesian migrant workers, especially from Central Java.
Keyword: Forecasting; Fuzzy Logic; Clustering-Based Genetic Fuzzy System; Self-Organizing Maps; TKI/PMI
I. P
ENDAHULUAN 1.1 Latar BelakangUndang-Undang Republik Indonesia
Nomor 39 Tahun 2004 Tentang
Penempatan dan Perlindungan Tenaga Kerja Indonesia di Luar Negeri, pada bab I, pasal 1, ayat 1 dijelaskan bahwa Tenaga Kerja Indonesia yang selanjutnya disebut dengan TKI/PMI adalah setiap warga negara Indonesia yang memenuhi syarat untuk bekerja di luar negeri dalam hubungan kerja untuk jangka waktu tertentu dengan menerima upah.
Lembaga-lembaga yang berfungsi
sebagai pelaksana penempatan dan
perlindungan pekerja migran Indonesia di
luar negeri yaitu; lembaga dari pemerintah dan swasta. Saat ini teknis pelayanan penempatan dan perlindungan PMI tingkat nasional dilakukan oleh Badan Nasional Penempatan dan perlindungan Tenaga Kerja Indonesia (BNP2TKI), sedangkan lembaga yang menangani penempatan dan perlindungan pekerja migran Indonesia di wilayah provinsi Jawa Tengah adalah
Balai Pelayanan Penempatan dan
Perlindungan Tenaga Kerja Indonesia (BP3TKI).
Berdasarkan informasi Kepala Pusat Penelitian Pengembangan dan Informasi
(Puslitfo) BNP2TKI, Muhammad
Hidayat, yang mengatakan penempatan PMI selama empat tahun terakhir (2011– 2014) terjadi naik-turun, yakni pada 2011
sebanyak 586.802 orang, 2012 turun dengan jumlah 494.609 orang, 2013 naik sebanyak 512.168 orang, dan 2014 turun lagi menjadi 429.872 orang. Begitu juga PMI yang berasal dari Jawa Tengah tahun 2011-2013. Untuk tahun 2011 jumlah PMI 123.154 orang, tahun 2012 jumlah PMI 115.456, dan tahun 2013 jumlah PMI 105.971 orang.
Satu hal yang paling penting dalam melakukan analisis perkembangan jumlah penempatan dan kedatangan PMI adalah
mengukur dan meramalkan jumlah
penempatan dan kedatangan PMI. Analisis jumlah penempatan dan kedatangan PMI yang mengalami naik turun adalah
mengukur perkembangan jumlah
penempatan dan kedatangan PMI
sekarang dan meramalkan kondisi-kondisi tersebut pada masa yang akan datang.
Mengukur perkembangan jumlah
penempatan dan kedatangan PMI
sekarang berarti menganalisa kondisi sekarang, sedangkan sebelumnya sebagai sumber informasi untuk memprediksi keadaan yang akan datang dengan asumsi keadaan masa lalu akan berulang lagi di masa depan.
Berdasarkan analisis situasi tersebut, maka diperlukan suatu metode peramalan untuk memperkirakan jumlah PMI yang akan ditempatkan di luar negeri dan kedatangan PMI dari luar negeri dimasa mendatang.
Secara umum sistem peramalan penempatan PMI dapat digunakan sebagai
sistem pendukung keputusan untuk
manajemen BP3TKI dalam membuat
kebijakan yang berkaitan dengan
persiapan, perencanaan, penjadwalan,
penempatan, dan perlindungan terhadap para calon PMI di masa mendatang, sehingga dapat meningkatkan kinerja sumberdaya manusia di BP3TKI dalam
memberikan pelayanan terbaik terhadap para calon pekerja migran Indonesia yang akan bekerja di luar negeri dan dalam upaya meningkatkan kualitas penempatan dan keamanan perlindungan PMI.
Berkaitan dengan peramalan,
beberapa peneliti telah menggunakan
berbagai metode untuk menangani
permasalahan di berbagai bidang seperti; penggunaan metode fuzzy time series dalam meramalkan indeks gabungan Shanghai (Xihao dan Yimin, 2008).
Dalam penelitiannya diperkenalkan
algoritma average based length. Panjang interval yang efektif akan mempengaruhi hasil peramalan dalam fuzzy time series.
Metode fuzzy time series juga dapat digunakan untuk meramalkan hasil dan produksi gandum (Singh, 2007). Dalam penelitiannya diusulkan sebuah metode peramalan fuzzy time series berdasarkan perbedaan parameter.
Penerapan metode fuzzy time series dengan dua faktor, yaitu mengambil indeks saham dan volume perdagangan
sebagai faktor peramalan untuk
memprediksi indeks saham (Chu dkk, 2009).
Sejalan dengan perkembangan metode peramalan, metode yang populer saat ini untuk menangani masalah peramalan adalah menggunakan teknik kecerdasan buatan seperti jaringan syaraf tiruan, logika fuzzy, dan algoritma genetika, karena teknik tersebut dapat menangani masalah peramalan kompleks yang sulit untuk dipecahkan dengan metode klasik (Konar, 2005).
Berdasarkan latar belakang tersebut, maka dalam penelitian ini diusulkan model kecerdasan buatan hibrida yaitu
Clustering-Based Genetic Fuzzy System
peramalan penempatan dan kedatangan PMI.
Pada proses CGFS ini terdiri dari tiga
tahapan utama yaitu; pertama
menggunakan jaringan syaraf
Self-Organizing Maps (SOM) untuk mengelompokkan data mentah kesub-populasi dan mengurangi kompleksitas seluruh batas data sehingga menjadi lebih homogen. Pada tahap kedua, data dalam cluster yang berbeda (dibagi dengan teknik SOM) akan dimasukkan ke dalam sistem fuzzy genetik independen. Pada
tahap ketiga, proses peramalan
penempatan dan kedatangan PMI
menggunakan sistem fuzzy genetik.
1.1 Perumusan Masalah
Dalam penelitian ini dirumuskan suatu model Clustering-Based Genetic
Fuzzy System untuk memprediksi jumlah
penempatan dan kedatangan PMI. Model peramalan tersebut dapat digunakan untuk menentukan kebijakan strategis BP3TKI,
mempersiapkan, merencanakan,
menjadwalkan penempatan dan
perlindungan terhadap para calon PMI,
mengatur sumberdaya manusia dan
keuangan, serta untuk mendistribusikan sumberdaya dengan tepat.
II. T
INJAUANP
USTAKAPeramalan adalah proses pembuatan proyeksi kinerja masa depan berdasarkan data historis yang ada. BP3TKI yang menangani pelayanan penempatan dan perlindungan PMI merupakan bagian
penting untuk memperkirakan
perkembangan jumlah penempatan dan kepulangan PMI yang diperlukan untuk mengelola organisasi.
Beberapa peneliti telah berfokus pada peramalan kunjungan rawat jalan dengan akurasi yang tinggi. Peneliti mengusulkan
metode fuzzy time series baru yang
didasarkan pada matriks transisi
pembobotan (weighted transitional
matrix) dan mengusulkan dua metode
peramalan baru: metode harapan dan metode seleksi kelas untuk meramalkan kunjungan rawat jalan (Cheng dkk, 2008).
Metode temuan yang diusulkan
menunjukkan tingkat kesalahan yang relatif lebih rendah dan stabil dalam menghadapi tren masa depan yang selalu berubah dibandingkan dengan metode
fuzzy time series yang diusulkan oleh Yu
(2005).
Penelitian populer saat ini untuk menangani peramalan adalah dengan menggunakan teknik kecerdasan buatan, seperti jaringan syaraf tiruan, logika fuzzy, dan algoritma genetika, karena teknik
tersebut dapat menangani masalah
peramalan kompleks yang sulit untuk dipecahkan dengan metode klasik (Konar,
2005). Penelitian lain telah
membandingkan kemampuan teknik
kecerdasan buatan dengan teknik
konvensional dalam peramalan dan
mereka telah menemukan bahwa sistem berbasis kecerdasan buatan memiliki hasil yang lebih akurat dari pada menggunakan pendekatan konvensional ARIMA dan Regresi (Chang, 2008).
Saat
ini
pendekatan
untukmeningkatkan kinerjanya, teknik
berbasis
kecerdasan buatan
memperkaya model dengan menganalisis masalah dalam dunianyata
yaitu dengan
membangun modelhybrid
.
M
odel hybridadalah
menggabungkan beberapa model untuk meningkatkan akurasi peramalan yang saat ini telah berkembang (Khashei,
2009)
.
Salah satu pendekatan yang palingpopuler adalah hibridisasi antara
fuzzy
logic dan genetic algorithm system yang
(
GFS).
GFS pada dasarnya adalah sebuahfuzzy system ditambah dengan proses
pem
belajaran didasarkan padaperhitungan evolusi yang mencakup algoritma genetika dan algoritma evolusi
lain
.
Sejumlah studi telah membandingkan kemampuan jaringan syaraf tiruan dan sistem fuzzy dalam menangani peramalan. Sistem fuzzy memiliki hasil yang lebih akurat dibandingkan dengan jaringan syaraf tiruan dan model time series klasik dalam menangani masalah kompleks, non linear dan jumlah data yang terbatas (Hadavandi, 2011).
Dalam peramalan time series, input data preprocessing dapat mempengaruhi kinerja peramalan (George, 2009). Salah satu tahapan preprocessing data yang populer adalah pengelompokan data yang digunakan dalam studi kasus yang berbeda untuk membagi data ke dalam sub-populasi dan mengurangi kompleksitas seluruh batas data untuk sesuatu yang lebih homogen dan mengurangi efek dari data yang bising (Chang, 2009). Dalam penelitiannya ia menyimpulkan bahwa menggunakan algoritma klasterisasi data dapat meningkatkan akurasi peramalan.
Dari semua penelitian dan model yang digunakan, terbukti bahwa model
hybrid mampu menyelesaikan masalah
yang berkaitan dengan peramalan dan dapat menghasilkan akurasi yang lebih baik.
Perbandingan kinerja dengan studi yang serupa ditemukan dalam literatur
terkait diindikasikan bahwa untuk
menghasilkan peramalan yang lebih
akurat menggunakan model gabungan kecerdasan buatan yaitu Clustering-Based
Genetic Fuzzy System (CGFS).
Self-Organizing Maps
Algoritma Self-Organizing Maps
(SOM) atau yang sering disebut dengan
Jaringan Syaraf Tiruan Kohonen
merupakan suatu metode jaringan syaraf tiruan yang diperkenalkan oleh Professor Teuvo Kohonen pada tahun 1981 (Kumar dan Satish, 2005).
Langkah-langkah training
self-organizing Maps adalah sebagai berikut:
1. Inisialisasi semua weight.
2. Tentukan parameter neighbourhood. 3. Tentukan parameter untuk learning
rate.
4. Selama stopping condition belum terpenuhi, lakukan langkah 5 sampai 8.
5.
Untuk setiap input vector x, lakukanlangkah 6 sampai 8.
6.
Untuk setiap j, hitung distance
dengan perhitungan:
| ( ) ∑ ( ) (1)
7. Cari index J dimana D(J) bernilai minimum.
8. Untuk setiap j dalam neighborhood dari J dan untuk setiap i, lakukan perhitungan:
( ) ( )
[ ( )] (2)
9. Update learning rate dari
self-organized Mapss.
10. Update radius neighborhood.
11. Cek apakah stopping condition
terpenuhi, bila true, lanjut ke langkah 12.
12. Simpan bobot akhir.
Untuk menggantikan langkah ke-6
dari algoritma di atas, digunakan
persamaan:
( ) ( ) ( ) ( )[
( ) ( ‖ ( )‖ ) (4)
dimana rb dan ri adalah posisi neuron b
(best-matching unit) dan i pada
Self-Organized Maps yang dibuat, dan
adalah radius dari neighborhood.
Untuk menghitung learning rate
digunakan persamaan berikut:
( ) ( ) (5)
Untuk menghitung neighborhood radius digunakan berikut:
( ) ( ) (6)
( ) (7)
( ) (8)
dimana t adalah iterasi sekarang dan T adalah jumlah maksimal iterasi yang telah di setting sebelumnya.
Logika Fuzzy
Logika fuzzy adalah logika yang digunakan untuk menjelaskan keambiguan. Logika Fuzzy adalah peningkatan dari logika boolean yang mengenalkan konsep kebenaran sebagian. Dimana logika klasik menyatakan bahwa segala hal dapat diekspresikan dalam istilah binary (0 atau 1, hitam atau putih, ya atau tidak), logika fuzzy menggantikan kebenaran boolean dengan tingkat kebenaran. Logika fuzzy merupakan suatu cara yang tepat untuk memetakan suatu ruang masukan ke dalam suatu ruang hasil (Kusumadewi, 2004).
Fungsi Keanggotaan Fuzzy
Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan
titik-titik input data ke dalam nilai
keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang
memiliki interval antara 0 sampai 1 (Zimmermann, 1991).
Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi.
Beberapa jenis fungsi yang biasa
digunakan untuk mendapatkan nilai
keanggotaan, yaitu: Representasi Kurva Linier, Representasi Kurva Segitiga,
Representasi Kurva Trapesium,
Representasi Kurva Bentuk Bahu,
Representatif Kurva Fungsi-S
Pertumbuhan, Representatif Kurva
Fungsi-S Penyusutan.
Dalam penelitian ini digunakan fungsi keanggotaan Gauss, yang mana pada kurva Gauss memiliki 2 parameter
dengan nilai (y) untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang menunjukkan lebar kurva. Nilai kurva untuk suatu nilai domain x diberikan sebagai:
Gambar 2.1 Karakteristik Fungsional Kurva Gauss
Fungsi keanggotaan pada kurva Gauss adalah
( ) ( )
Genetic Algorithm
Algoritma ini ditemukan di Universitas Michigan, Amerika Serikat oleh John Holland (1975) melalui sebuah penelitian dan dipopulerkan oleh salah satu muridnya, David Goldberg. Algoritma genetika adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi alamiah pada tugas-tugas pemecahan masalah (problem
solving).
Algoritma genetika (GA) berdasarkan prinsip-prinsip evolusi alam. Karena kemudahan penerapan, banyak aplikasi algoritma genetika ditemukan di bidang bisnis, pemandangan, teknik, dan masalah peramalan.
Beberapa dasar-dasar algoritma
genetika. a. Kromosom
Semua organisme hidup terdiri dari sel-sel. Dalam setiap sel ada set kromosom yang sama. Kromosom adalah string DNA dan berfungsi
sebagai model untuk organisme
secara
keseluruhan. Dalam terminologi
algoritma genetika ini adalah titik
dalam
ruang
pencarian
yang
diwakili oleh serangkaian kode gen
(Timma, 2004).
b. Populasi
Populasi koleksi kromosom. Suatu populasi terdiri dari jumlah kromosom yang diuji. Dua aspek penting dari
populasi yang digunakan dalam
algoritma genetika adalah:
1. Generasi populasi awal (The initial
population generation).
2. Ukuran populasi (The population
size) (Savanandam dan Deepa,
2008). c. Fungsi Fitness
Fitness kromosom dalam algoritma
genetika adalah nilai fungsi objektif.
Fitness tidak hanya menunjukkan
seberapa baik solusi, tetapi juga sesuai dengan seberapa dekat kromosom optimal adalah satu. Ada beberapa jenis fungsi fitness, tetapi dalam peramalan time series mean square
error kesalahan mutlak, akar mean square error dan lain-lain, adalah
kriteria konvergensi yang baik untuk digunakan dalam proses peramalan (Savanandam dan Deepa, 2008). d. Operator Algoritma Genetika
Sebuah algoritma genetika terdiri dari tiga operator:
1. Inisialisasi populasi (Initialize
Population).
2. Encoding
3. Reproduksi/Seleksi
(Reproduction/Selection).
4. Menyeberang (Cross over).
5. Mutasi (Mutation) (Savanandam dan Deepa, 2008).
e. Kromosom Terbaik
Sebuah kromosom terbaik adalah satu dengan fitness minimum (Savanandam dan Deepa, 2008).
Pendekatan yang diambil algoritma ini adalah dengan menggabungkan secara acak berbagai pilihan solusi terbaik di dalam suatu kumpulan untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan kecocokannya atau lazim disebut fitness. Generasi ini akan merepresentasikan perbaikan–perbaikan pada populasi awalnya. Dengan melakukan proses ini secara berulang, algoritma ini diharapkan dapat mensimulasikan proses evolusioner. Pada akhirnya, akan didapatkan solusi-solusi yang paling tepat bagi permasalahan yang dihadapi.
Genetic Fuzzy Systems
Genetic fuzzy system pada dasarnya
merupakan sebuah sistem fuzzy yang diperkuat melalui proses pembelajaran berdasarkan pada evaluasi komputasi, yang mencakup algoritma genetik. Algoritma genetik digunakan untuk membangkitkan atau modifikasi basis data dari sistem kendali fuzzy. Basis data meliputi fungsi penskalaan dan fungsi keanggotaan yang didefinisikan untuk sistem kendali fuzzy. Pembangkitan atau modifikasi basis data dilakukan melalui proses tuning dan atau learning. Proses
tuning merupakan proses untuk mengatur
kembali parameter atau panjang interval dari sistem kendali fuzzy, yaitu modifikasi fungsi penskalaan dan fungsi keanggotaan.Proses learning adalah proses untuk memodifikasi basis aturan dari sistem kendali fuzzy (Herrera dkk, 2012).
Tenaga Kerja Indonesia (TKI) atau Pekerja Migran Indonesia (PMI)
Menurut Undang-Undang Dasar
Republik Indonesia Nomor 39 Tahun
2004 Tentang Penempatan dan
Perlindungan Tenaga Kerja Indonesia di Luar Negeri Bab I Pasal 1, TKI adalah :
Tenaga Kerja Indonesia yang
selanjutnya disebut dengan TKI adalah setiap warga negara Indonesia yang memenuhi syarat untuk bekerja di luar negeri dalam hubungan kerja untuk jangka waktu tertentu dengan menerima upah.
Calon Tenaga Kerja Indonesia yang
selanjutnya disebut calon TKI adalah
setiap WNI yang memenuhi syarat
sebagai pencari kerja yang akan
bekerja di luar negeri dan terdaftar di
instansi pemerintah kabupaten/kota
yang
bertanggungjawab
dibidang
ketenagakerjaan.
III. M
ETODOLOGI3.1 Bahan dan Alat Penelitian
Bahan penelitian yang digunakan dalam penelitian ini adalah data historis jumlah penempatan dan kedatangan PMI asal Jawa Tengah yang diperoleh dari website BP3TKI.
Alat penelitian untuk membuat
aplikasi peramalan jumlah penempatan
dan kedatangan PMI, dibutuhkan
perangkat keras dan perangkat lunak. Spesifikasi perangkat keras: processor Intel(R) Core(TM) i3-501DU CPU @ 2.10GHz, RAM 6GB, HDD 500GB, monitor LCD. Spesifikasi perangkat lunak: sistem operasi Microsoft Windows
7 Professional 32bit, xampp,
phpmyadmin, apache.
3.2 Tahapan Penelitian
Dalam penelitian ini dijelaskan
beberapa tahapan yang dilakukan seperti ditunjukkan pada Gambar 3.1.
Gambar 3.1 Tahapan Penelitian
a. Studi Literatur
Mengadakan studi penelaahan terhadap buku-buku, literatur-literatur, catatan-catatan, dan laporan-laporan yang ada hubungannya dengan masalah yang dipecahkan. Dalam studi literatur ini untuk mendapatkan gambaran yang
menyeluruh tentang apa yang telah
diteliti orang lain dan bagaimana mengerjakannya, kemudian seberapa berbeda penelitian yang akan kita lakukan, maka peneliti mempelajari
dan membaca literatur-literatur yang
ada hubungannya dengan
permasalahan yang menjadi obyek penelitian seperti; buku, jurnal, paper bahkan artikel dari para akademisi.
b. Survei dan Pengumpulan data
Survei ke BP3TKI, untuk melakukan
diskusi dengan petugas yang
menangani masalah penempatan dan kedatangan PMI ke luar negeri dan kedatangan PMI dari luar negeri, serta melakukan pengumpulan (data diambil dari situs www.bnp2tki.go.id).
Tabel 3.1 Penempatan PMI Berdasarkan Provinsi
Tabel 3.2 Kedatangan PMI Berdasarkan Provinsi
c. Pengembangan Model CGFS
Pada tahapan ini dilakukan
pengembangan model kecerdasan
buatan hibrida Clustering-Based
Genetic Fuzzy System (CGFS) untuk
membangun sistem pakar guna
menangani masalah peramalan jumlah penempatan dan kedatangan PMI. Dalam model CGFS ini terdiri dari tiga
tahap utama yaitu; pertama,
menggunakan jaringan syaraf
Self-Organizing Maps (SOM) untuk mengelompokkan data mentah menjadi
sub-populasi dan mengurangi
kompleksitas seluruh jarak data agar lebih homogen. Kedua, data dalam kelompok yang berbeda (dibagi dengan menggunakan teknik SOM) akan dimasukkan ke dalam genetic fuzzy
system (GFS) independent. Ketiga,
melakukan peramalan jumlah
penempatan dan kedatangan PMI menggunakan GFS. Ditunjukkan pada Gambar 3.2.
Data Pelatihan
Pengelompokkan data menggunakan SOM
Pengkodingan berbasis pengetahuan sistem fuzzy untuk kromosom
Menginisialisasi generasi awal dan menentukan parameter input
Komputasi nilai fitness untuk setiap kromosom
Penyortiran kromosom dan menerapkan operator genetik untuk menghasilkan keturunan yang baru
Mereproduksi populasi baru dengan mengganti aturan baru yang dihasilkan
Menetapkan data ke kelompok yang tepat dengan menggunakan SOM
terlatih
Kondisi berhenti ?
Berhenti
Pengujian data
Menghasilkan nilai perkiraan dengan menggunakan relasi sistem fuzzy
genetik
Tahap pengujian
Tidak
Ya
Pengembangan Sistem Fuzzy untuk setiap kelompok
Gambar 3.2 Model CGFS (Hadavandi, 2012)
d. Perancangan Sistem (System Design)
Pada tahapan ini peneliti melakukan rancangan sistem konseptual yang meliputi; rancangan sistem (System
Design), rancangan database
(Database System Design), rancangan
antarmuka (Interface Design).
1) System Design
Rancangan Use Case Diagram
Gambar 3.3 Rancangan Use Case Diagram
2) Database System Design
Relation Table
Gambar 3.4 Rancangan Tabel Relasi
3) Interface Design
a) Rancangan Form Login
Form ini merupakan tampilan awal
pada saat akan masuk ke sistem yang
bertujuan untuk memberikan
keamanan pada sistem aplikasi dari orang yang tidak berkepentingan.
Form login ini bertujuan untuk
membatasi hak akses sistem, hanya pengguna (user) yang telah memiliki
account login dan terekam dalam
sistem database yang dapat mengakses sistem aplikasi ini, sehingga dapat
meminimalisir penggunaan sistem
aplikasi yang menyimpang,
ditunjukkan pada Gambar 3.5.
Gambar 3.5 Rancangan Form Login
b) Rancangan Form Data Penempatan dan Kedatangan (Data Import)
Dalam rancangan form input ini difungsikan untuk memasukkan data-data penempatan dan kedata-datangan pekerja migran Indonesia. Dalam form ini proses pemasukkan data dapat dilakukan melalui kotak inputan dan tombol impor data dari file excel. Ditunjukkan pada Gambar 3.6.
Gambar 3.6 Rancangan Form Penempatan dan Kedatangan PMI (Data Import)
c) Form Proses Clustering SOM
Form ini merupakan untuk menampilkan proses pengelompokkan data penempatan dan kedatangan dengan metode Self-Organizing Mapss. Ditunjukkan pada Gambar 3.7.
Gambar 3.7 Rancangan Form Proses Clustering SOM
d) Form Proses Fuzzyfikasi
Form ini merupakan untuk menampilkan proses fuzzyfikasi data dari hasil pengelompokkan (clustering) jaringan syaraf Self-Organizing Maps. Ditunjukkan pada Gambar 3.8.
Gambar 3.8 Rancangan Form Proses Fuzzyfikasi
e) Form Proses Prediksi
Pada rancangan form ini difungsikan untuk proses prediksi data penempatan
dan kedatangan pekerja migran
Indonesia. Ditunjukkan pada Gambar 3.9.
Gambar 3.9 Rancangan Form Proses Prediksi
f) Form Rekapitulasi Hasil Proses
Prediksi
Rancangan form ini untuk
menampilkan tabel laporan atau
rekapitulasi data hasil proses prediksi. Ditunjukkan pada Gambar 3.10.
Gambar 3.10 Rancangan Form Rekapitulasi Hasil Proses Prediksi
IV. HASILDAN PEMBAHASAN Hasil dan luaran yang dicapai dari serangkaian proses penelitian ini dapat berkontribusi terhadap ilmu pengetahuan yaitu pengayaan materi dalam perkuliahan
untuk menambah wawasan dan
pengetahuan terkait pengembangan
aplikasi sistem prediksi dan penerapan model hybrid dengan menggabungkan metode jaringan syaraf Self-Organizing
memprediksi jumlah penempatan dan kedatangan pekerja migran Indonesia secara lebih akurat. Hasil dan luaran yang dicapai adalah sebagai berikut:
Gambar 4.1 Interface Form Daftar Provinsi
Gambar 4.2 Interface Form Daftar Jenjang Pendidikan
Gambar 4.3 Interface Form Input Penempatan PMI Berdasarkan Provinsi
Gambar 4.4 Grafik Penempatan PMI Berdasarkan Provinsi
Gambar 4.5 Interface Form Input Penempatan PMI Berdasarkan Jenjang Pendidikan
Gambar 4.6 Grafik Penempatan PMI Berdasarkan Jenjang Pendidikan
Gambar 4.7 Interface Form Kedatangan PMI Semua
I. K
ESIMPULANDari serangkaian penelitian yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut :
1. Hasil prediksi jumlah penempatan dan kedatangan pekerja migran Indonesia
dengan model hybrid artificial
intelligence yakni penggabungan metode jaringan syaraf Self-Organizing
Maps (SOM) dan Genetic Fuzzy System memiliki nilai keakuratan yang
sangat tinggi.
2. Sistem aplikasi prediksi yang
dikembangkan berbasis web sangat
simple dan mudah untuk dioperasikan
oleh pengguna (user friendly).
3. Hasil prediksi dari sistem aplikasi ini
dapat membantu dan menjadi
pertimbangan pimpinan BP3TKI
dalam menentukan kebijakan strategis terkait penempatan dan kedatangan PMI di masa mendatang.
4. Dengan demikian BP3TKI dapat
meningkatkan pelayanan kepada calon PMI secara berkelanjutan.
J.
U
CAPAN TERIMA KASIHPenelitian ini dibiayai oleh Direktorat
Riset dan Pengabdian Masyarakat
Direktorat Jenderal Penguatan Riset dan
Pengembangan Kementerian Riset,
Teknologi, dan Pendidikan Tinggi sesuai dengan kontrak penelitian tahun anggaran 2018.
Pada kesempatan ini tidak lupa kami mengucapkan terima kasih kepada : 1. Lembaga Pengembangan Penelitian
dan Pengabdian Masyarakat (LP3M) STMIK Himsya Semarang;
2. Lembaga Layanan Pendidikan Tinggi (LLDIKTI) Wilayah VI Jawa Tengah;
3. Direktorat Riset dan Pengabdian
Masyarakat Direktorat Jenderal
Penguatan Riset dan Pengembangan Kementerian Riset, Teknologi, dan Pendidikan Tinggi;
4. Balai Pelayanan Penempatan dan Perlindungan Tenaga Kerja Indonesia (BP3TKI) Jawa Tengah;
5. Teman-teman sejawat.
R
EFERENSIChang, P.-C., Liu, C.-H., 2008. A TSK type fuzzy rule based system for stock price prediction. Expert Syst Appl 34(1), 135–144.
Chang, P.-C., Liu, C.-H., Fan, C.-Y., 2009. Data clustering and fuzzy neural network for sales forecasting: a case study in printed circuit board industry. Knowl Based Syst 22(5), 344–355.
Cheng, C.-H., Wang, J.-W., Li, C.-H., 2008. Forecasting the number of outpatient visits using a new fuzzy time series based on weighted-transitional matrix. Expert Syst Appl 34(4), 2568–2575.
Chu, H.H., Chen, T.L., Cheng, C.H., Huang, C.C., 2009. Fuzzy dual-factor time-series for stock index forecasting. Expert Systems with Applications 36, 165–171.
George, S., Atsalakis, Kimon, P., Valavanis, 2009. Surveying stock market forecasting techniques. Part II. Soft computing methods, Expert Syst Appl 36(3), 5932–5941.
Hadavandi, E., Ghanbari, A., Shahanaghi, K., Abbasian, S., 2011. Tourist arrival forecasting by evolutionary fuzzy systems. Tourism Manag. 32(5), 1196–1203.
Hadavandi, E., Shavandi, H., Ghanbari, A., Abbasian, S., 2012. Developing a hybrid artificial intelligence model for outpatient visits forecasting in hospitals. Applied Soft Computing 12, 700–711.
Herrera, F., Lozano, M., Verdegay, J.L., 2012 Tuning Fuzzy Logic Controllers by
Genetic Algorithms.
http://decsai.ugr.es/~herrera/Pub-GFS.html#GFSD, 11 Maretl 2012. Khashei, M., Bijaria, M., Raissi Ardali, G.A.,
2009. Improvement of auto-regressive integrated moving average models using fuzzy logic and artificial neural networks (ANNs). Neurocomputing 72 (4–6), 956–967. Konar, A., 2005. Computational Intelligence:
Principles, Techniques, Springer, Berlin.
Kumar, Satish, 2005 Neural network : A Classroom Approach. McGraw-Hill Education, Asia.
Kusumadewi, S., Purnomo, H., 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Graha Ilmu, Yogyakarta. Republik Indonesia, 2004 Undang-Undang
Tentang Penempatan dan Perlindungan Tenaga Kerja Indonesia di Luar Negeri, Jakarta: Sekretariat Negara.
Savanandam S. and Deepa S., Introduction to Genetic Algorithms, Springer, Berlin, 2008.
Singh, S.R., 2007. A simple method of forecasting based on fuzzy time series. Applied Mathematics and Computation 186, 330–339.
Timma K., “Forecasting Using Neural Networksand Genetic Algorithms,”Kanwal Rekhi School
ofInformation Technology, Indian Institute of Technology, Bombay, 2004.
Xihao, S., Yimin, L., 2008. Average-based fuzzy time series models for forecasting Shanghai compound index. World Journal of Modelling and Simulation 4, 104-111.
Yu, H.K., 2005. Weighted fuzzy time series models for TAIEX forecasting. Physica A 349(3–4), 609–624. Zimmermann, H.-J., 1991. Fuzzy Set Theory
and Its Application. Kluwer Academic Publisher, Dordrecht.
http://www.bnp2tki.go.id/read/8992/BP3TKI- LP3TKI-dan-P4TKI-Nama-dan-Alamat-Seluruh-Indonesia.html
