IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI JUMLAH PENDUDUK DI YOGYAKARTA NASKAH PUBLIKASI

IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI

JUMLAH PENDUDUK DI YOGYAKARTA

NASKAH PUBLIKASI

diajukan oleh

Setyo Nugroho 10.11.4264

kepada

SEKOLAH TINGGI MANAJEMEN INFROMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA

YOGYAKARTA 2013

IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS WITH BACKPROPAGATION METHOD TO PREDICT THE NUMBER OF

RESIDENTS IN YOGYAKARTA

IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI

JUMLAH PENDUDUK DI YOGYAKARTA Setyo Nugroho

Kusrini

Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA

ABSTRACT

Indonesia has a large population with the largest population in Southeast Asia and the fourth highest in the world, then the government has a huge mortgage to prosper, if the government can not afford it there will be an increase in unemployment and crime.

The development of science and technology is very fast has created a lot of information. Artificial neural network is an information processing paradigm inspired by the nervous system or the discovery of new information by adopting the workings of biological neurons that focuses on the workings of the human brain neurons. By searching a particular pattern or rules of a number of large amounts of data, methods Backpropagation is expected to overcome the difficulties in predicting the population, especially in Yogyakarta.

There are many methods have been developed to achieve optimal results from the prediction or forecasting. Which will be reviewed in this paper is the use of artificial neural network Backpropagation method to obtain prediction results are expected to provide a level of accuracy that comes closest to the error.

Keywords: Artificial Neural Networks, population, backpropagation

1. PENDAHULUAN

Indonesia mempunyai jumlah penduduk yang besar, berdasarkan perhitungan pada tahun 2004 indonesia menjadi negara dengan penduduk terbanyak di asia tenggara dan urutan ke 4 dunia. Memiliki penduduk yang banyak bisa memberikan keuntungan yaitu dengan memberdayakannya untuk meningkatkan pembangunan akan tetapi nilai negatifnya juga ada, dengan jumlah penduduk yang besar maka pemerintah mempunyai tanggungan yang besar untuk mensejahterakannya dan apabila pemerintah tidak mampu maka akan ada peningkatan angka pengangguran dan kejahatan.

Di Indonesia jumlah kependudukan diatur dalam Dinas Kependudukan dan Catatan Sipil. Dinas tersebut bertugas mengadakan penelitian dan pelayanan tentang kependudukan yang salah satu bidangnya adalah pembuatan surat tanda lahir atau yang lebih dikenal dengan akta kelahiran, kartu tanda penduduk (KTP), kartu keluarga (KK).

Jumlah pertambahan penduduk dapat mempengaruhi tingkat kepadatan penduduk yang tidak merata di suatu wilayah serta mempengaruhi tingkat perekonomian, pendidikan, kesehatan dan juga instansi-instansi terkait lainnya.

2. LANDASAN TEORI

2.1. Pengertian penduduk

Kependudukan, atau dalam hal ini adalah penduduk, merupakan pusat dari seluruh kebijaksanaan dan program pembangunan yang dilakukan. Dalam Garis Besar Haluan Negara (GBHN) dengan jelas dikemukakan bahwa penduduk adalah subyek dan obyek pembangunan. Sebagai subyek pembangunan maka penduduk

harus dibina dan dikembangkan sehingga mampu menjadi penggerak pembangunan. Sebaliknya, pembangunan juga harus dapat dinikmati oleh penduduk yang bersangkutan. Dengan demikian jelas bahwa pembangunan harus dikembangkan dengan memperhitungkan kemampuan penduduk agar seluruh penduduk dapat berpartisipasi aktif dalam dinamika pembangunan tersebut.

Sebaliknya, pembangunan tersebut baru dikatakan berhasil jika mampu meningkatkan kesejahteraan penduduk dalam arti yang luas (www.bappenas.go.id/get-file-server/node/8562/. April, 7, 2013).

2.2. Jaringan Syaraf Tiruan

Jaringan saraf tiruan (JST), atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan saraf tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada data (Arief Hermawan, 2006, hlm. 5).

2.2.1. Model Jaringan Syaraf Tiruan

Seperti halnya otak manusia, jaringan syaraf tiruan terdiri dari beberapa neuron dan ada hubungannya antara neuron-neuron tersebut.

Beberapa neuron akan mentranformasikan informasi yang diterimanya melalui sambungan keluaran menuju neuron-neuron lainnya. Dengan kata lain, neuron/sel saraf adalah sebuah unit pemroses informasi yang merupakan dasar operasi jaringan syaraf tiruan. Neuron ini dimodelkan dari penyederhanaan sel syaraf manusia sebenarnya. Gambar dibawah ini menunjukan contoh suatu neuron (Arief Hermawan, 2006, hlm. 5).

Gambar 2.2. Struktur Unit Jaringan Syaraf Tiruan 2.2.2. Backpropagation

Penemuan Backpropagation yang terdiri dari beberapa layar membuka kembali cakrawala. Terlebih setelah berhasil ditemukannya berbagai aplikasi yang dapat diselesaikan dengan Backpropagation, membuat Jaringan Syaraf Tiruan semakin diminati orang. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (Diyah Puspitaningrum, 2006, hlm. 125)

3. ANALISIS DAN PERANCANGAN SISTEM

3.1. Analisis Data

3.1.1. Kebutuhan Fungsional

Kebutuhan fungsional pada aplikasi prediksi jumlah penduduk ini adalah sebagai berikut :

1. Pengujian Data

Fungsi ini berguna untuk mengetahui tingkat keakuratan nilai prediksi dengan nilai aktualnya.

2. Pelatihan Data

Fungsi ini berguna untuk melatih jaringan hingga diperoleh bobot yang sesuai.

3. Prediksi

Fungsi ini berguna jika user memprediksi jumlah penduduk tahunan tertentu secara khusus.

3.1.2. Analisis Kebutuhan Data

Dalam pelatihan Jaringan Syaraf Tiruan, banyak data yang dibutuhkan supaya jaringan dapat dilatih dengan benar. Data yang digunakan dibagi menjadi dua, yaitu data yang akan dijadikan bahan pelatihan serta data yang akan diujikan.

Semakin banyaknya data yang digunakan dalam pelatihan, jaringan akan mudah mengenali polanya dan diharapkan hasil prediksinya mendekati sempurna

3.1.2.1. Analisis Kebutuhan Perangkat Lunak

Perangkat lunak (Software) yang digunakan dalam pelatihan Jaringan Syaraf Tiruan ini adalah :

1. MATLAB 7.10 beserta toolbox Neural Network untuk pembuatan jaringan dan GUIDE MATLAB untuk pembuatan user interface, juga M-File editor untuk penulisan program.

2. Microsoft Excel 2010 untuk penyimpanan data masukan bagi jaringan

3.2. Perancangan Jaringan Backpropagation

Proses pembuatan jaringan dijelaskan dalam langkah-langkah aplikasi, yaitu langkah pertama adalah mengumpulkan data untuk pelatihan dan pengujian jaringan syaraf tiruan. Semakin banyak data dapat diperoleh, semakin baik jaringan jaringan dapat menyelesaikan masalahnya. Data yang telah diperoleh ini dipisahkan pada langkah ke 2 menjadi 2 bagian. Bagian pertama digunakan untuk melatih jaringan syaraf dan bagian kedua dipergunakan untuk menguji kerja jaringan syaraf tiruan.

Pada langkah ke 3 dan ke 4 dilakukan pemilihan arsitektur dan algoritma pelatihan jaringan. Banyaknya sel input dan output disesuaikan dengan masalah yang akan diselesaikan.

Langkah ke 5 adalah langkah untuk menginisialisasi parameter jaringan syaraf bobot, bias, konstanta belajar, momentum dan lain-lain. Langkah ke 6 dan ke 7 dilakukan untuk melatih jaringan syaraf tiruan untuk menemukan titik konvergensinya. Konvergensi jaringan syaraf tiruan di tandai dengan telah tercapainya galat yang diinginkan. Setelah jaringan syaraf konvergen diujikan pada langkah ke 8. Selanjutnya langkah ke 9 jaringan syaraf tiruan di implementasikan sebagai sebuah sistem yang siap untuk menyelesaikan masalah. (Arief Hermawan, 2006, hlm.142).

3.2.1. Pengumpulan Data dan Penentuan Pola

Data jumlah penduduk tahunan didapat dari Badan Pusat Statistik (BPS) Yogyakarta yaitu data dari Tahun 1989 sampai Tahun 2012. Total

data adalah 24 data yang akan dibagi 2 yaitu 16 data untuk pelatihan jaringan, dan 8 data untuk pengujian jaringan.

Data jumlah penduduk tersebut dibagi menjadi 2 yaitu data tahun 1989 sampai 2004 digunakan sebagai data pelatihan jaringan, dan data tahun 2005 sampai tahun 2012 digunakan sebagai data pengujian jaringan.

3.2.1.1. Algoritma Pelatihan

Algoritma pelatihan jaringan backpropagation yang memiliki tiga lapisan dengan fungsi aktivasi sigmoid biner serta penambahan momentum adalah sebagai berikut:

1. Inisialisasi bobot dan bias secara acak dengan bilangan acak kecil.

2. Tetapkan jumlah epoch maksimum, batas galat, laju pembelajaran dan momentum.

3. Selama kondisi penghentian belum terpenuhi (epoch < epoch maksimum dan MSE > batas galat), maka lakukan langkah- langkah berikut :

1. Epoch = Epoch + 1

2. Untuk setiap pasang data pelatihan, kerjakan Fase Feed Forward, Fase Backpropagation dan Fase Perubahan Bobot

Contoh Perhitungan

Misalnya dalam kasus ini akan dibuat sebuah jaringan syaraf tiruan backpropagation dengan masukan data jumlah penduduk tahun 1989 – tahun 2004, dan data tahun 2005 – tahun 2012 sebagai target keluaran. Karena fungsi aktifasi dengan menggunakan sigmoid biner (range 0 sampai dengan 1), maka data harus ditransformasikan [0,1]. Tapi akan lebih baik di transformasikan pada range [0,1 - 0,9] karena fungsi sigmoid nilainya tidak pernah 0 ataupun 1.

Untuk mentransformasikan data digunakan rumus sebagai berikut :

x = Data awal

a = Nilai minimal data awal b = Nilai maksimal data awal

Perhitungan dilakukan hingga data tahun 2012. Sehingga didapatkan keseluruhan data yang telah ditransformasi sebagai berikut :

Table 3.5. Tabel data yang telah di transformasi

Tahun Jumlah Tahun Jumlah Tahun Jumlah 1989 0.1652 1997 0.43 2005 0.704 1990 0.1936 1998 0.4532 2006 0.7158 1991 0.2167 1999 0.4915 2007 0.7546 1992 0.2321 2000 0.5348 2008 0.7713 1993 0.175 2001 0.5741 2009 0.7927 1994 0.1 2002 0.6116 2010 0.8186 1995 0.3497 2003 0.6402 2011 0.8632 1996 0.3497 2004 0.6808 2012 0.9

Setelah data ditransformasikan seperti diatas, selanjutnya adalah menentukan pola yang akan digunakan pada jaringan syaraf tiruan yang akan dibuat. Dengan memecah data menjadi dua bagian yaitu 16 data pelatihan dan 8

b - a + 0.1 X’ = 0.8 (x – a)

data pengujian. Pada kasus ini pola data pelatihan adalah 8 data sebagai data masukan dan 8 data sebagai data target, artinya data jumlah penduduk tahun 1989 – tahun 1996 sebagai masukan dan data jumlah penduduk tahun 1997 – tahun 2004 sebagai target dan data pelatihan ditransformasi pada range 0 – 1 :

Setelah itu kemudian dilakukan inisialisasi bobot secara acak dengan angka yang berada di antara angka -1 hingga 1.

Fase Feed Forward

a. Tiap unit masukan xi (i = 1, 2, 3,...,n) menerima sinyal dan meneruskannya ke semua unit lapisan tersembunyi di atasnya.

b. Setiap unit di lapisan tersembunyi zj (j = 1, 2, 3, ..., p) menjumlahkan sinyal-sinyal input dengan bobotnya masing-masing:

z_netj= ⁿ _ji

i i

j xv

v







0 1

vjo = bobot garis yang menghubungkan bias di unit masukan ke unit di lapisan tersembunyi zj

vji = bobot garis dari unit masukan xike unit di lapisan tersembunyi zj

Sinyal output dihitung dengan fungsi aktivasi:

zj = f(z_netj) =

netj

e z^_

1

1



c. Unit di lapisan keluaran yk (k = 1, 2, 3, ..., m) menjumlahkan sinyal- sinyal dari unit tersembunyi dengan bobotnya masing-masing:

y_netk= ^p _kj

j j

k z w

w







0 1

wko = bobot garis yang menghubungkan bias di unit lapisan tersembunyi ke unit lapisan keluaran yk

wkj = bobot garis dari unit lapisan tersembunyi zj ke unit di lapisan keluaran yk

Sinyal output dihitung dengan fungsi aktivasi:

yk = f(y_netk) =

netk

e y^_

1 1

 

Fase Backpropagation

d. Unit di lapisan keluaran yk (k = 1, 2, 3, ..., m) menerima target lalu dibandingkan dengan masukan yang diterimanya. Factor galat dihitung dengan menggunakan persamaan :

δk= (tk– yk) f’(y_netk) = (tk– yk) yk(1 - yk)

dimana δk merupakan kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya.

Perubahan bobot Δwkj dihitung untuk merubah bobot wkj dengan laju pembelajaran α

Δwkj= α.δk.zj

e. Hitung factor δ unit tersembunyi berdasarkan kesalahan disetiap unit tersembunyi zj:

δ_netj=



 m

k kwkj 1



Nilai ini dikalikan dengan turunan fungsi aktivasinya untuk mendapatkan informasi galat:

δj= δ _netjf’(z_netj) = δ _netjzj(1 - zj) Kemudian dihitung perubahan bobot Δvji

Δvji= α δjx

Fase Perubahan Bobot

f. Prubahan bobot garis yang menuju ke unit keluaran ditambah factor momentum (µ) :

wkj(t+1) = wkj(t) + Δwkj+ μ (wkj(t) - wkj(t-1)) bk(t+1) = bk(t) + Δbk+ μ (bk(t) - bk(t-1))

perubahan bobot garis menuju ke unit tersembunyi : vji(t+1) = vji(t) + Δvji+ μ (vji(t) - vji(t-1))

bj(t+1) = bj(t) + Δbj+ μ (bj(t) – bj(t-1)) 3.2.2. Alur Kerja Program

Gambar 3.3. Flowchart alur kerja program Memproses data

Tampilkan hasil proses data

Selesai Mulai

Masukan data dalam format .xls

Mencari data

Data ada/

tidak

Ya

Tidak

4. HASIL DAN PEMBAHASAN

4.1.1. Membangun Jaringan dengan MATLAB

Langkah pertama yang harus dilakukan untuk memprogram backpropagation dengan MATLAB adalah membuat inisialisasi jaringan.

Perintah untuk membentuk jaringan adalah newff. Yang formatnya adalah sebagai berikut:

net = newff(PR,[S1 S2 ... SN],{TF1 TF2 … TFN},BTF,BLF,PF)

dengan keterangan :

net = Jaringan backpropagation yang terdiri dari n layer

PR = Matriks ordo R x 2 yang berisi nilai minimum dan maksimum R buah elemen masukannya.

Si = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n).

Default = tansig (sigmoid bipolar)

BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx BLF = Fungsi perubahan bobot/bias. Default=learngdm PF = Fungsi perhitungan error (Mean Square Error MSE) Sebelum pelatihan dilakukan, terlebih dahulu ditentukan nilai parameter yang diinginkan guna memperoleh hasil yang optimal. Untuk memberikan nilai parameter dalam MATLAB adalah sebagai berikut : 1. Net.trainParam.Show

Perintah yang digunakan untuk menampilkan frekuensi perubahan MSE (default setiap 25 epochs)

2. Net.trainParam.epochs

Perintah yang dipakai untuk menentukan jumlah epochs maksimum pelatihan (default 100 epochs)

3. Net.trainParam.goal

Perintah untuk menentukan batas MSE agar iterasi dihentikan.

Iterasi akan berhenti jika MSE < dari batas yang ditentukan atau jumlah

epoch telah mencapai maksimum sesuai nilai yang diberikan pada perintah net.trainParam.epochs

4. Net.trainParam.lr

Perintah yang digunakan untuk menentukan laju pembelajaran (learning rate). Default-nya adalah 0,01. Semakin besar nilai laju pembelajaran, semakin cepat pula proses pelatihan. Akan tetapi jika nilainya terlalu besar, algoritma menjadi tidak stabil dan mencapai titik minimum lokal.

5. Net.trainParam.time

Perintah untuk membatasi lama pelatihan (dalam detik). Pelatihan dihentikan jika lamanya melebihi nilai yang ditentukan.

6. Net.trainParam.mc

Perintah ini digunakan untuk menentukan nilai momentum antara 0 – 1 (default adalah 0,9).

4.1.2. Pembahasan Output Program

Setelah dilakukan pelatihan dengan berbagai macam kombinasi Pelatihan (pembelajaran), nilai Error (The Last RMSE) tidak tergantung pada besarnya nilai Learning Rate, tetapi jumlah iterasi (epoch) semakin kecil. Dan ternyata hasil yang paling baik adalah dengan menggunakan kombinasi pembelajaran(learning rate) 0.1, momentum 0.25, hiden layer 25 dengan target error 0.0001, karena dengan kombinasi pembelajaran tersebut hasil target yang akan diinginkan dapat tercapai.

Dari hasil pengujian sistem aplikasi model jaringan saraf tiruan yang telah dibuat dengan konstanta belajar 0.1, keberhasilan dalam memprediksi hasil jumlah penduduk sebesar 97,5 %. Tabel 4.1. menunjukkan hasil pengujian dengan beberapa learning rate, momentum, hiden layer, serta target error.

Table 4.1. Presentase kebenaran & epoch yang dicapai Momentum Learning

Rate Hiden

Layer Epoce(iterasi) The Last

RMSE Hasil

Porsentase

m=0.25 0.1 25 168 0.0000992 97,5 %.

0.5 131 0.0000996 95 %

0.9 129 0.0000955 90 %

m=0.5 0.1 50 109 0.0000995 95 %

0.5 90 0.0000959 90 %

0.9 38 0.0000988 92,5 %

m=0.75 0.1 75 86 0.0000941 85 %

0.5 52 0.0000904 80 %

0.9 82 0.0000987 92,5 %

Pada pelatihan yang baik adalah performance mengalami penurunan nilai mendekati goal yang ditentukan, namun pada pelatihan tersebut performance menunjukan penurunan dan juga kenaikan yang menjauhi nilai goal.

1. Menu utama akan tampil sebagai berikut :

Gambar 4.2. Tampilan halaman utama program

2. Tampilan menu ‘Program_Latih dan Uji’ yang merupakan sub-menu dari menu program untuk melakukan pelatihan dan pengujian jaringan sebagai berikut :

3. Tampilan menu ‘Prediksi Jumlah Penduduk sebagai berikut :

5. Kesimpulan

1. Dari hasil penelitian, dapat disimpulkan bahwa metode Backpropagation dapat digunakan untuk melakukan pendeteksian jumlah penduduk, mendekati ketepatan dalam melakukan pengujian.

2. Semakin kecil batas galat yang ditentukan, maka akan mengalami waktu pelatihan yang semakin lama serta epoch yang dicapai semakin besar.

3. Hasil pengujian data yang telah dilatih menunjukkan performa yang cukup baik. Selisih antara target yang sebenarnya dengan hasil output program tidak menunjukkan perbedaan yang begitu besar.

4. Semakin banyak data yang digunakan untuk pelatihan, jaringan akan semakin mampu mengenali pola, sehingga penentuan nilai galat dapat diperkecil.

5. Fasilitas MATLAB yang menyediakan fitur-fitur untuk perhitungan neural network sangat membantu dalam pembuatan aplikasi Jaringan Syaraf Tiruan. Meskipun fasilitas GUIDE MATLAB 7.10.0 masih terbatas jika dibandingkan dengan perangkat lunak lainnya.

5. DAFTAR PUSTAKA

Amutiara. 2013. Backpropagtion dan contoh. http : //amutiara.

staff.gunadarma.ac.id/Downloads/files/15556/Kuliah_7b_BACK PROPAGATIONS. diakses pada tanggal 5 April 2013.

Anonim. 2013. Accelerating the pace of engineering and science. http : //www.mathworks.com. diakses pada tanggal 31 Maret 2013.

Anonim. 2013. Pengertian Penduduk. http : //repository .usu.ac.id/bitstream/123456789/19103/3/Chapter. diakses pada tanggal 4 April 2013.

Anonim. 2013. Programming and Algorithm Development, http : //www.mathworks.com/products/matlab/description4.html. diakses pada tanggal 4 April 2013.

Anonim. 2013. rumus pertumbuhan geometric. http : //www.datastatistik- indonesia.com. diakses pada tanggal 7 April 2013.

Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi Yogyakarta: Penerbit Andi.

Kristanto, Andi. 2004. Jaringan Syaraf Tiruan. Yogyakarta: Penerbit Gava Media.

Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan.

Yogyakarta : Penerbit Andi.

Tjiptoherijanto, Prijono. 2013. Dimensi Kependudukan Dalam Pembangunan Berkelanjutan. http : //www.bappenas.go.id/get-file- server/node/8562/. diakses pada tanggal 7April 2013.