BAB III
METODOLOGI PENELITIAN
3.1. Desain Penelitian
Pada bab ini akan dipaparkan skema umum penelitian yang dilakukan untuk
mempermudah dalam melakukan penelitian. Dalam penelitian ini terdapat dua tahapan utama
yang dilakukan, pertama penelitian yang berkaitan dengan teori atau konsep ilmu yang akan
diteliti, sedangkan tahapan kedua adalah penerapan teori atau konsep tersebut dengan cara
perhitungan manual maupun secara komputasi. Gambaran umum kedua bagian itu dapat
dilihat pada Gambar 3.1.
Berikut langkah-langkah penelitian yang dilakukan:
1. Need Assesment
a. Mempersiapkan bahan penelitian, bahan penelitian adalah data-data yang
dikumpulkan,
b. Mempersiapkan alat penelitian, alat penelitian adalah perangkat keras
(hardware) dan perangkat lunak (software),
2. Menganalisis dan mendisain aplikasi,
3. Mengimplementasi aplikasi dengan metode propagasi balik,
4. Analisis dan hasil dari pengoperasian aplikasi tersebut adalah analisis pemberian
Studi Literatur
1. Mempelajari metode-metode analisis permintaan kredit
2. Kredit, khususnya analisis kredit
3. Jaringan Saraf Tiruan (Backpropagation)
Perancangan Algoritma Backpropagation 1. Perancangan arsitektur jaringan
2. Penyusunan Data Set Pelatihan dan
Pengujian 3. Inisialisasi Data
Pengumpulan Data Kredit
1. Data Cleansing
2. Transformasi Data
3. Pembagian Data (Data Pelatihan dan
Pengujian)
Pembangunan Perangkat Lunak Permintaan Kredit
Pemilihan Jaringan Optimum
Dokumentasi Hasil Penelitian Pelatihan Jaringan
Pengujian Jaringan
Analisis Sensitifitas Model Sekuensial
1. Analysis
2. Design
3. Coding
Gambar 3. 1 Desain Penelitian
Berikut ini merupakan penjelasan desain penelitian yang telah digambarkan:
1. Studi literatur merupakan proses mempelajari dan memahami teori-teori yang
berhubungan dengan penelitian. Teori-teori yang dipelajari yaitu peramalan, curah
hujan, knowledge discovery in database, jaringan saraf tiruan, backpropagation,
dan optimalisasi backpropagation yang diperoleh melalui buku, jurnal, artikel,
situs internet, dan sumber ilmiah lain.
2. Data curah hujan dicari melalui internet dan dikumpulkan menjadi satu kesatuan.
Dengan data tersebut, kemudian dilakukan tahap data preprocessing. Data
preprocessing dimaksudkan untuk mempersiapkan data sebelum diproses dengan
algoritma. Terdiri dari beberapa tahap, yaitu:
a) Data cleansing, merupakan tahap awal preprocessing. Tahap ini menangani
data yang hilang atau tidak lengkap dan mendeteksi oulier (data asing).
b) Transformasi data curah hujan dimaksudkan agar data sesuai dengan algoritma
yang dipakai. Proses transformasi dilakukan dengan mengubah data menjadi
rentang tertentu.
c) Tahap selanjutnya data dibagi menjadi dua, yaitu data pelatihan dan data
pengujian. Data pelatihan digunakan ketika melatih jaringan, sedangkan data
pengujian digunakan ketika jaringan diuji.
3. Perancangan algoritma Jaringan Saraf Tiruan (JST) Backpropagation terdiri dari
beberapa tahap, yaitu:
a) Perancangan arsitektur jaringan untuk menentukan jumlah node input (simpul
masukan), jumlah lapisan layar tersembunyi dengan jumlah nodenya (simpul
tersembunyi), dan jumlah node output (simpul keluaran). Di dalam
perancangan arsitektur jaringan juga ditentukan fungsi aktivasi yang akan
digunakan. Fungsi aktivasi yang digunakan harus disesuaikan dengan
algoritma yang digunakan dan karakteristik data. Misalnya untuk data yang
memiliki rentang 0 sampai 1, maka digunakan fungsi aktivasi sigmoid biner.
Sedangkan untuk data dengan rentang -1 sampai 1, digunakan fungsi aktivasi
sigmoid bipolar. Karena curah hujan tidak mungkin bernilai kurang dari 0,
b) Selanjutnya menyusun data set (kumpulan data) yang akan digunakan untuk
pelatihan dan pengujian. Dalam menyusun data set, disesuaikan dengan jumlah
simpul masukan, tersembunyi, dan keluaran.
c) Tahap berikutnya yaitu inisialisasi data yang mencakup inisialisasi bobot,
inisialisasi variabel learning rate, momentum, maksimum epoch, dan batas
nilai toleransi pelatihan backpropagation.
d) Modifikasi algoritma bacpropagation dilakukan dengan menambahkan analisis
kesalahan nilai keluaran jaringan dan teknik optimasi backpropagation. Teknik
optimalisasi yang dipakai pada penelitian ini yaitu inisialisasi bobot serta
dynamic adaptation learning rate dan momentum. Selain itu, algoritma untuk
pengujian jaringan dan peramalan juga dimodifikasi dengan menggunakan
algoritma backpropagation fase propagasi maju dan analisis kesalahan nilai
keluaran (pada pengujian jaringan).
4. Model proses yang digunakan dalam pembangunan perangkat lunak ini adalah
model sekuensial linier atau sering disebut juga dengan model air terjun
(waterfall). Model sekuensial linier meliputi aktivitas sebagai berkut.
Gambar 3. 2 Model Rekayasa Perangkat Lunak Sekuensial Linear (Pressman, 2001)
a) System/Information Engineering
Merupakan bagian dari sistem yang terbesar dalam pengerjaan suatu proyek,
dimulai dengan menetapkan berbagai kebutuhan dari semua elemen yang
diperlukan sistem dan mengalokasikannya kedalam pembentukan perangkat
lunak.
b) Analysis
Merupakan tahap menganalisis hal-hal yang diperlukan dalam pelaksanaan
proyek pembuatan perangkat lunak. Pemodelan sistem informasi
c) Design
Tahap penerjemahan dari data yang dianalisis ke dalam bentuk yang mudah
dimengerti oleh user.
d) Coding
Tahap penerjemahan data atau pemecahan masalah yang telah dirancang ke
dalam bahasa pemrograman tertentu.
e) Testing
Merupakan tahap pengujian terhadap perangkat lunak yang dibangun.
f) Maintenance
Tahap akhir dimana suatu perangkat lunak yang sudah selesai dapat
mengalami perubahan–perubahan atau penambahan sesuai kebutuhan.
5. Setelah perangkat lunak dibangun, selanjutnya dilakukan proses pelatihan jaringan
untuk menemukan bobot penghubung yang mendekati antara masing masing data
masukan dengan nilai keluaran yang diharapkan.
6. Berikutnya hasil pelatihan diuji dengan data pelatihan dan data pengujian. Dengan
data pelatihan, data diuji untuk melihat kemampuan jaringan dalam mengenali pola
data yang diberikan. Sedangkan data pengujian digunakan untuk melihat
kemampuan jaringan dalam meramalkan nilai curah hujan.
7. Analisis sensitifitas dilakukan dengan mengubah nilai data inisialisasi. Kemudian
dilakukan proses pelatihan dan pengujian kembali.
8. Dari hasil pelatihan dan pengujian dengan berbagai kasus data inisialisasi yang
berbeda-beda, dipilih jaringan optimum untuk melakukan peramalan. Jaringan
optimum yang dipilih merupakan jaringan yang dapat mengenali pola data
pelatihan dan nilai akurasi peramalan yang optimum.
9. Dokumentasi merupakan hasil dari penelitian yang berupa tulisan dalam bentuk
dokumen teknis, jurnal, dan skripsi.
3.2. Alat dan Bahan Penelitian
3.2.1. Alat Penelitian
Dalam penelitian ini penulis menggunakan perangkat keras dan perangkat
1. Komputer dengan spesifikasi
a. Prosesor Intel Core i5-4210U CPU 1.70GHz
b. RAM 4,00 GB
2. Perangkat Lunak :
a. Sistem Operasi : Windows 10 64-bit
b. Power Designer versi 15.0b dan Dia versi 0.97.1
c. Microsoft Visual Studio 2013
3.2.2. Bahan Penelitian
Data kredit pada penelitian ini berasal dari data kredit negara German yang
diunduh dari sebuah situs yang beralamatkan
http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german. Data yang tersedia merupakan data kredit german
sejumlah 1000 data dengan 20 parameter yang sudah dinormalisasi. Bahan penelitian
lain berupa paper, textbook, dan dokumentasi lainnya didapat dari hasil studi literatur
