162
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN
METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel)
Des Indeks Giawa
Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpang Limun, Medan
ABSTRAK
Jaringan syaraf tiruan merupakan program computer yang dapat meniru proses pemikiran dan pengetahuan untuk menyelesaikan suatu masalah yang spesifik. Implementasi jaringan syaraf tiruan banyak dipandang sebagai cara penyimpanan pengetuhan pada bidang tertentu dalam program computer sehingga keputusan dapat diberikan secara cerdas.
Salah satu implementasi yang diterapkan jaringan syaraf tiruan untuk melakukan prediksi penjualan handphone. Diharapkan dengan sistem ini, pengguna dapat menyelesaikan masalah tersebut dengan baik, sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Aplikasi yang dikembangkan ini bertujuan untuk memprediksi penjualan handphone dengan hanya menganalisa data tersebut.Dengan menggunakan metode Backpropagation, maka akan diketahui prediksi jumlah penjualan handphone tersebut. Metode Backpropagation sangat bermanfaat untuk Jaringan syaraf tiruan untuk memprediksi jumlah penjualan handphone. Dalam penelitian ini jaringan syaraf tiruan yang digunakan adalah metode backpropagation untuk memprediksi penjualan handphone. Perangkat lunak yang digunakan untuk pengujian adalah aplikasi matlab 6.1.
KataKunci : Jaringan Syaraf Tiruan, Prediksi penjualan handphone, Backpropagation.
I. PENDAHULUAN
Jaringan Syaraf Tiruan (Artificial Neural Network) atau disingkat JST, adalah sistem komputasi dimana arsitektur dan operasi di ilhami dari pengetahuan tentang sel syaraf biologis dalam otak, yang merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran pada otak manusia tersebut.
Prediksi merupakan sumber informasi yang dapat digunakan oleh perusahaan untuk mempersiapkan diri dalam menentukan strategi kedepan yang lebih baik. Prediksi penjualan adalah salah satu cara untuk dapat bersaing atau bahkan dapat meningkatakan laba perusahaan sehingga prediksi diperlukan untuk menyetarakan antara perbedaan waktu yang sekarang dan yang akan datang terhadapa kebutuhan.
Perusahaan dalam menjual suatu handphone tentunya menyesuaikan dengan kebutuhan
customer, sementara kebutuhan dan minat customer terhadap hasil penjualan perusahaan tidak selalu sama sehingga menuntut perusahaan untuk menjual berbagai macam merek handphone seperti Samsung, Nokia, Sony, Asus, Acer, IP, Evercoos, Advan, dan Blackbarry. Oleh karena itu dibutuhkan suatu sistem aplikasi atau program yang dapat mengenali atau memprediksi penjualan handphone. Dari data- data sebelumnya. Salah satu kegiatan yang mampu menjadi dasar dalam pembuatan strategi pemasaran perusahaan adalah prediksi.
Backpropagation merupakan algoritma terbaik dalam hal kecepatan konvergensi, akurasi serta ketahanan terhadap parameter pelatihan.
Penemuannya mengatasi kelemahan jaringan syaraf tiruan dengan layer tunggal yang mengakibatkan perkembangan jaringan syaraf tiruan merupakan generalisasi aturan delta yaitu menerapkan metode gradient descent untuk meminimalkan error kuadrat total dari keluaran yang dihitung oleh jaringan, backpropagation dibentuk dengan membuat generalisasi aturan pelatihan dengan cara menambahkan layer tersembunyi, selain itu backpropagation akan merubah bobot untuk mengurangi perbedaan antara output jaringan dan target output sehingga pada jaringan yang dilatih mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan.
II. LANDASAN TEORI A. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik, salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan ini digunakan karena jaringan syaraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Diyah Puspita Ningrum, 2009).
Ada beberapa jenis tipe jaringan syaraf tiruan, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya
otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron dan terdapat hubungan antar neuron tersebut.
Gambar 3.1 Susunan Neuron Jaringan Syaraf Tiruan Sumber : Diyah Puspita Ningrum, jaringan syaraf
tiruan, 2009
Pada gambar 3.1 menunjukkan struktur neuron pada jaringan syaraf pada jaringan syaraf, neuron-neuron akan dikumpulkan dalam lapisan- lapisan (laye ) yang disebut dengan lapisan neuron (neuronlayer).
Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya, kecuali lapisan input dan lapisan output. Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang lainnya, yang sering dikenal dengan nama lapisan tersembunyi (hidden layer).
Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan. Berikut ini beberapa istilah jaringan saraf tiruan yang sering ditemui:
1. Neuron atau Node atau Unit: Sel saraf tiruan yang merupakan elemen pengolahan jaringan saraf tiruan. Setiap neuron menerima data input, memproses input tersebut (melakukan sejumlah perkalian dengan melibatkan summation function dan fungsi aktivasi), dan mengirim-kan hasilnya berupa sebuah output.
2. Jaringan: Kumpulan neuron yang saling terhubung dan membentuk lapisan.
3. Input atau Masukan: Berkorespon dengan sebuah atribut tunggal dari sebuah pola atau data lain dari dunia luar.
Sinyal-sinyal input ini kemudian diteruskan ke lapisan selanjutnya.
1. Output atau Keluaran: Solusi atau hasil pemahaman jaringan terhadap data input.
Tujuan pembangunan jaringan saraf tiruan sendiri adalah untuk mengetahui nilai output.
2. Lapisan Tersembunyi (hidden layer): Lapisan yang tidak secara langsung berinteraksi dengan dunia luar. Lapisan ini rmemperluas kemampuan jaringan saraf tiruan dalam menghadapi masalah-masalah yang kompleks.
3. Bobot: Bobot dalam jaringan saraf tiruan merupakan nilai matematis dari koneksi, yang
mentransfer data dari satu lapisan ke lapisan lainnya. Bobot ini digunakan untuk mengatur jaringan sehingga jaringan saraf tiruan bisa menghasilkan output yang diinginkan sekaligus bertujuan membuat jaringan tersebut belajar.
4. Summation Function: Fungsi yang digunakan untuk mencari rata-rata bobot dari semua elemen input. Yang sederhana adalah dengan mengalikan setiap nilai input (Xj) dengan bobotnya (Wij) dan menjumlahkannya (disebut penjumlahan berbobot, atau Si).
5. Fungsi Aktivasi atau Fungsi Tranfer: Fungsi yang menggambarkan hubungan antara tingkat aktivasi internal (summation function) yang mungkin berbentuk linier atau nonlinier.
Beberapa fungsi aktivasi jaringan saraf tiruan diantaranya: hard limit, purelin,dan sigmoid.
Yang popular digunakan adalah fungsi sigmoid yang memiliki beberapa varian: sigmoid logaritma, sigmoidbiner, sigmoid bipolar, dan sigmoid tangent.
6. Paradigma Pembelajaran: Cara berlangsungnya pembelajaran atau pelatihan jaringan saraf tiruan, apakah terawasi (supervisod learning), tidak terawasi (unsupervised learning), atau merupakan gabungan keduanya (hybrid).
A. Backpropagation
Metode backpropagation (propagasi balik) merupakan metode pembelajaran lanjut yang dikembangkan dari aturan perceptron hal yang ditiru dari perceptrona adalah tahapan dalam algoritma jaringan. Metode backpropagation ini dikembangkan oleh Rumelhart, Hinton dan Williams sekitar tahun 1986 yang mengakibatkan peningkatan kembali minat terhadap jaringan saraf tiruan metode ini terdiri dari dua tahap, yaitu tahap feed forward yang diambil dari perceptron dan tahap backpropagation error. (Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar Dengan Menggunakan Metode Backpropagation, Pelita Informatika, 2301-9425, Vol iv, Edisi 2, 2013).
Dalam pelatihan dengan backpropagation sama halnya seperti pelatihan pada jaringan syaraf yang lain. Pada jaringan feedfoward (umpan maju), Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan untuk kerja fungsi aktivasi. Sebagian besar pelatihan untuk jaringan feedfoward.(umpan maju) menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradient ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan bobot dengan arah gradient negatif.
Prinsip dasar dari algoritma backpropagation.
Gambar 1. Arsitektur Backpropagation Sumber: Jurnal Teknologi Informasi, Volume 10
Nomor 2, Okt 2014, ISSN 1414-9999
III. ANALISA DAN PERANCANGAN
Adapun langkah-langkah metode backpropagation sebagai berikut:
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju
Langkah 3 : Tiap unit masukan (xi, i=1,…,n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
Langkah 4 : Setiap unit tersembunyi (xi, i = 1,…, p)
jumlahkan bobot
sinyalmasukannya,
𝑧_𝑖𝑛𝑐𝑗= 𝑣𝑜𝑗+ ∑𝑛𝑖=1𝑥𝑖𝑣𝑖𝑗 (3) voj = biasa pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f (z_inj), dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran).
Langkah 5 : Tiap unit keluaran (yk,k = 1,…, m) jumlahkan bobot sinyal masukannya,
𝑦_𝑖𝑛𝑘𝑘= 𝑤𝑜𝑘+ ∑𝑛𝑗=1𝑧𝑗𝑤𝑗𝑘 (4) wok = biasa pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, yk=f (y_ink).
Perambatan Mundur
Langkah 6 : Tiap unit keluaran (yk ,k=1,…,m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
𝛿𝑘 = (𝑡𝑘− 𝑦𝑘)𝑓1(𝑦_𝑖𝑛𝑘) (5) hitung koreksi bobotnya
(digunakan untuk
memperbaharui wjk nantinya),
∆𝑤𝑗𝑘= 𝛼𝛿𝑘𝑧𝑗 (6)
hitungkoreksibiasnya(dig unakanuntukmemperbaharuiwok nantinya), dan kirimkan δkke unit-unit pada lapisan dibawahnya,
Langkah 7 : Setiap unit lapisan tersembuny I (zj,j=1,…,p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan diatasnya),
∆_𝑖𝑛𝑗=
∑𝑚𝑘=1𝛿𝑘𝑤𝑗𝑘 (7)
Kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya,
𝛿𝑗= 𝛿𝑖𝑛𝑗𝑓1(𝑧𝑖𝑛𝑗) (8) hitung koreksi bobotnya (digunakan untuk memperbaharui voj),
Langkah 8 : Tiap unit keluaran (yk k = 1, …, m) update bias dan bobot (j=0,…,p) :
𝑤𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘 (9)
Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias dan bobotnya(I = 0,…,n):
vij(baru) = vij(lama) +∆vij (10) Langkah 9 : Test kondisi berhenti
Jaringan syaraf terdiri dari 3 lapisan, yaitu lapisan masukan atau input terdiri atas variabel masukan unit sel syaraf, lapisan tersembunyi terdiri atas 10 unit sel saraf, dan lapisan keluaran atau output terdiri atas 2 sel saraf. Lapisan masukan digunakan untuk menampung 13 variabel yaitu X1 sampai dengan X13, sedangkan 2 lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 00 untuk Gangguan Stress, nilai 01 untuk Gangguan Fobia, nilai 10 untuk Gangguan Obsesif kompulsif, dan nilai 11 untuk Gangguan Panik.
Keterangan :
X = Masukan (input). J = 1 s/d n (n = 10).
V = Bobot pada lapisan tersembunyi.
W = Bobot pada lapisan keluaran.
n = Jumlah unit pengolah pada lapisan tersembunyi.
b = Bias pada lapisan tersembunyi dan lapisan keluaran.
k = Jumlah unit pengolah pada lapisan keluaran.
Y = Keluaranhasil.
Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangatpenting.Perhitungankesalahanmerupakan pengukuran bagaimana jaringan dapat belajardenganbaik. Kesalahan pada keluaran dari jaringan merupakan selisih antara keluaran aktual (currentoutput) dan keluaran target (desiredoutput).
Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error)tiap iterasi.(Bungaran H.Tumanggor :2013).
Sum Square Error (SSE). SEE dihitung sebagai berikut :
1. Hitung lapisan prediksi atau keluaran model untuk masukanpertama.
2. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untu ksetiap keluaran.
3. kuadratkan setiap keluaran kemudian hitung seluruhnya, ini merupakan kuadrat kesalahan untuk contoh lain..
𝑆𝑆𝐸 = ∑𝑁𝑖−1(𝐷𝑖𝑗− 𝑓𝑗(𝑋𝑖)) (1) Root Mean Square Error (RMS Error) dihitung sebagai berikut :
1. Hitung SSE.
2. Hasilnya dibagi dengan perkalian antara banyaknya keluaran, kemudian diakarkan.
𝑅𝑀𝑆𝐸 = √𝑆𝑆𝐸
𝑁∗𝐾 (2) RMSE = Root Mean Square Error
SSE = SumSquare Error
N = Banyaknya data pada latihan K = Banyaknya luaran.
a. Metode Backpropagation
Suatu jaringan dengan metode backpropagation meliputi dua tahap yaitu perambatan maju dan perambatan mundur.
Selama perambatan maju, tiap unit masukan (xi) menerima sebuah masukan sinyal ini ketiap-tiap lapisan tersembunyi z1,…..,zp.
Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya (yk) untuk membentuk respon pada jaringan untuk memberikan pola masukan.Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan unit itu.
Berdasarkan kesalahan ini, faktor δk (k=1,..,m) dihitung. δk digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali kesemua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke yk). Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan lapisan tersembunyi.
Dengan cara yang sama, faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi zj.
Tidak perlu untuk menyebarkan kesalahan kembali kelapisan masukan, tetapi δj
digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan masukan.Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot wjk (dari unit tersembunyi zj keunit keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit tersembunyi zj.
Didasarkan pada faktor δj dan aktivasi xi unit masukan.(Bungaran H.Tumanggor :2013).
IV. IMPLEMENTASI
Untuk melihat hasil yang dikeluarkan oleh jaringan dapat menggunakan perintah sebagai berikut:
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t)
Setelah dilakukan perulangan maka ditemukan error minimum pada epoch 195 seperti pada gambar 2. di bawah ini :
Gambar 2. Pelatihan Pola 4-4-1 Mencapai Goal
Gambar 4.1 di atas merupakan hasil dari pelatihan dari pola 4-4-1 yang berarti terdiri dari satu neuron input yang memiliki 4 layer dan satu neuron hidden layer yang terdiri dari 4 layer dan satu neuron output. Hasil pelatihan mencapai goal pada epochs atau iterasi ke 195 dan performance 0.00995998 Untuk hasil yang telah diuji dengan 4 pola data pasien dan mencapai hasil lebih rinci dan mengetatahui output dan error dapat dilihat pada table 5.5 dibawah ini.
Tabel 1. Hasil dan Error Data Input Pelatihan dengan Model 4-4-1
No Actual Error
1 0.0984 0.8016
2 0.1006 0.7994
3 0.1314 -0.0314
No Actual Error
4 0.0352 0.8648
Setelah dilakukan pelatihan dengan pola arsitektur 4–4–1, maka dilanjutkan dengan pengujian dengan data sebanyak 4 pola jumlah penjualan handphone dari no 1 sampai dengan 4. Adapun langkah-langkah pengujian data menggunakan matlab ditetapkan sebagai berikut:
1. Menetapkan bobot awal
Bobot awal lapisan input ke lapisan tersembunyi pertama seperti yang terdapat pada table 5.9 dibawah ini.
Tabel 2. Bobot Awal Lapisan Input ke Lapisan Tersembunyi Pola 4-4-1
Z1 Z2 Z3 Z4
X1 2.7917 -2.9700 1.4587 -
0.1215
X2 0.0381 0.0455 -0.0093 -
0.0656
X3 1.9933 -0.6108 1.5760 2.5302
X4 2.6161 2.6313 -4.4199 -
0.8172
Bobot awal lapisan input ke lapisan tersembunyi adalah sebagai berikut:
2.6952 1.3479 -0.2713 -2.8600 Bobot awal lapisan tersembunyi ke lapisan output adalah sebagai berikut:
1.6805 1.6088 -0.3463 1.5191 Bobot awal lapisan tersembunyi ke lapisan output adalah sebagai berikut:
0.0000
2. Menetapkan parameter yang digunakan
Sebelum data diuji dalam proses pengujian, maka perlu ditetapkan terlebih dahulu parameter-parameter yang perlukan dalam proses pengujian.
Adapun parameter-parameter yang diperlukan adalah sebagai berikut:
>>net.trainParam.epochs=5000;
Parameter ini digunakan untuk menentukan jumlah epoch maksimum pelatihan.
>>net.trainParam.goal=0.01;
Parameter ini digunakan untuk menentukan batas nilai MSE agar iterasi dihentikan. Iterasi akan berhenti jika MSE batas yang ditentukan dalam net.trainParam.goal atau jumlah epoch yang telah ditentukan dalam net.trainParam.epochs.
>>net.trainParam.Lr=0.1;
Parameter ini digunakan untuk menentukan laju pemahaman (α = learning rate). Default =0.1, semakin besar nilai α, maka semakin cepat pula proses pengujian. Akan tetapi jika nilai α terlalu besar, maka algoritma menjadi tidak stabil mencapai titik minimum lokal.
>>net.trainParam.show=100;
Parameter ini digunakan untuk menampilkan frekuensi perubahan MSE (default : setiap 25 epoch).
3. Melihat keluaran yang dihasilkan
Untuk melihat hasil yang dikeluarkan oleh jaringan dapat menggunakan perintah sebagai berikut:
>>[a,Pf,Af,e,Perf]=sim(net,p,[],[],t) Setelah dilakukan perulangan maka ditemukan error minimum pada epoch 5000 seperti pada gambar 4.2 di bawah ini :
Gambar 3. Pengujian Pola 4-4-1 Mencapai Goal
Gambar 3. di atas merupakan hasil dari pengujian dari pola 4-4-1 yang berarti terdiri dari satu neuron input yang memiliki 4 layer dan satu neuron hidden layer yang terdiri dari 4 layer dan satu neuron output. Hasil pelatihan mencapai goal pada epochs atau iterasi ke 246 dan performance 0.00993259. Untuk hasil yang telah diuji dengan 4 pola data pasien dan mencapai hasil lebih rinci dan mengetatahui output dan error dapat dilihat pada tabel 3 dibawah ini.
Tabel 3. Hasil dan Error Data Input Pengujian dengan Model 4-4-1
No Actual Error
1 0.1218 0.3882
2 0.2031 -0.1031
3 0.8247 -0.7147
4 0.6565 -0.2765
V. KESIMPULAN
Kesimpulan dari penulisan penelitian ini adalah:
1. Aplikasi yang selama ini berjalan pada perusahaan CV.Bryan Ponsel, masih secara tertulis atau secara manual, dengan adanya Aplikasi Jaringan Syaraf Tiruan dengan metode backpropagation mampu menentukan atau memprediksi penjualan handphone. Atau
memudahkan perusahaan dalam meprediksi penjualan handphone untuk tahun kedepannya.
2. Jaringan Syaraf Tiruan menggunakan algoritma pelatihan backpropagation dan metode backpropagation untuk memprediksi penjualan handphone di tahun kedepannya.
3. Proses implementasi Jaringan Syaraf Tiruan menggunakan aplikasi matlab 6.1 dengan enam data , di mana data akan dibagi menjadi dua bagian, bagian pertama digunakan untuk data pengujian (testing) dan bagian kedua untuk data pelatihan (Training).
DAFTAR PUSTAKA
1. Diyah Puspita Ningrum, (2009). Jaringan Syaraf Tiruan, Penerbit Andi, Yogyakarta.
2. Drs. Jong Jek Siang, (2009). Matlab, Penerbit Andi, Yogyakarta.
3. Muhammad. Yazdi, (2009). Matlab, Penerbit Andi, Yogyakarta.
4. Sri Kusumadewi.(2007). Arificial Intelligence (Teknik dan Aplikasinya), Penerbit Graha Ilmu,.Yogyakarta.
5. Arief Hermawan.(2006). Jaringan Saraf Tiruan, Teori dan Aplikasi, Penerbit Andi,.Yogyakarta.
6. Suyanto, ST.(2007). Artificial Intelligence, Penerbit Informatika,. Bandung.
