Jaringan Syaraf Tiruan Memprediksi Produksi Ekspor Batu Bara Menurut Negara Tujuan Utama Dalam Mendorong Laju Pertumbuhan Ekonomi

(1)

59

Seminar Nasional Teknologi Informasi dan Komunikasi STI&K

(SeNTIK)

Volume 3, 22 Agustus 2019, ISSN : 2581-2327

Jaringan Syaraf Tiruan Memprediksi Produksi Ekspor Batu Bara

Menurut Negara Tujuan Utama Dalam Mendorong Laju

Pertumbuhan Ekonomi

Rafiqa Dewi, Sundari Retno Andani dan Solikhun AMIK Tunas Bangsa Pematang Siantar

Jl. Sudirman, Proklamasi, Pematang Siantar Sumatera Utara 21143 [email protected], {sundari.ra, solikhun}@amiktunasbangsa.ac.id

ABSTRAK

Penelitian ini mempunyai tujuan untuk memprediksi jumlah ekspor batubara ke depan. Sektor pertanian mempunyai peran sangat penting dan strategis dalam ekonomi nasional. Produksi dalam negeri membuat pemerintah terus menerapkan kebijakan ekspor batubara sesuai dengan negara tujuan utama. Penelitiaan ini menggunakan Jaringan Saraf Tiruan dengan algoritma backpropagation mencari model arsitektur terbaik untuk memprediksi jumlah ekspor batubara. Hasil prediksi menjadi bahan acuan pemerintah dalam menentukan kebijakan pemerintah dalam meningktkan jumlah ekspor batubara. Penelitian ini terdiri dari 12 variabel input dengan 1 target. Ad4 model arsitektur untuk pengujian data yang akan digunakan untuk prediksi, yaitu model 12-8-1, model 12-16-1, model 12-32-1 dan model 12-64-1. Model arsitektur terbaik yang diperoleh adalah model arsitektur 12-16-1 dengan akurasi 100%, jumlah epoch 2602 dan MSE adalah 0,0032. Hasil prediksi menunjukkan tingkat akurasi 100%.

Kata Kunci : Coal, Exports, predictions, backpropagation, Artificial Neural Networks

PENDAHULUAN

Negara-negara tujuan ekspor utama batubara Indonesia adalah Jepang, Cina, Korea Selatan, dan Taiwan.Sekitar 65,6% dari konsumsi batubara dunia adalah dari Asia. Indonesia memasok batubara ke pasar international sekita 24 %. (Anindita, T.2017). Untuk mendorong laju pertumbuhan ekonomi menjadi lebih baik, pemerintah sangat membutuhkan dukungan dari semua sektor yang bisa menambah pendapatan pemerintah. Salah satu pendapatan tersebut adalah pendapatan dari ekspor batubara. Pemerintah harus bisa memperbaiki kualitas maupun kuantitas ekspor batubara.

Jaringan syaraf tiruan (JST) merupakan pemrosesan suatu informasi yang cara kerjanya menyerupai cara kerja otak manusia seperti sistem sel syaraf biologi. [1]. JST masuk dalam rumpun Artificial Intelegent (AI). Algoitma yang digunakan pada penelitian ini adalah Backpropagation[2].

Penelitian ini menghasilkan sebuah model arsitektur untuk memprediksi jumlah ekspor batu bara. Penelitian ini memberikan data yang akurat dan realistis sehingga layak untuk menjadi sebuah tolak ukur atau gambaran ekspor batu bara kedepannya.

METODE PENELITIAN Rancangan Kegiatan

Penelitian ini dilaksanakan dengan menggunakan metode penelitian Studi Literatur dengan pokok penelitian adalah jumlah ekspor batu bara. Data diambil dari Badan Pusat Statistik Nasional Indonesia.

Gambar 1. Kerangka Kerja Penelitin

Keterangan Kerangka Kerja : 1. Pengumpulan Data 2. Studi Pustaka 3. Identifikasi Masalah 4. Praproses

5. Pengujian Jaringan Saraf Tiruan 6. Penentuan Model

(2)

60

(SeNTIK)

Volume 3, 22 Agustus 2019, ISSN : 2581-2327 8. Evaluasi Akhir

Sumber Data

Data yang digunakan adalah data dari tahun 2010 sampai dengan tahun 2017dari Badan Pusat Statistik Nasional.

Tabel 1. Data Mentah

Jaringan Syaraf Tiruan

Berdasarkan arsitekturnya, model Jaringan Saraf Tiruan digolongkan menjadi [3] :

1. Jaringan Layar Tunggal (Single Layer Network)

2. Jaringan Layar Jamak (Multilayer Net) 3. Jaringan Reccurent (Reccurent Network)

Algoritma Backpropagation

Terdapat 3 fase dalam pelatihan Backpropagation, yaitu fase maju (feed forward), fase mundur (back propagation), dan fase modifikasi bobot. [4].[5][6][7] :

HASIL DAN PEMBAHASAN Pendefenisian Input dan Target

Data pelatihan digunakan data ekspor batu bara dengan 12 data input yaitu data tahun 2002 sampai dengan tahun 2013 dengan target tahun 2014 sedangkan untuk data pengujian menggunakan 12 data input yaitu data tahun 2003 sampai dengan 2014 dengan target tahun 2015.

Tabel 2. Daftar Kriteria Data Pelatihan dan Pengujian

Pendefenisian Output

a. Output penelitian ini adalah pola arsitektur terbaik untuk memprediksi jumlah ekspor batu bara dengan melihat error minimum.

b. Kategorisasi Output pelatihan (train) dan pengujian (test)

Tabel 3. Data Kategorisasi

No Keterangan Error Minimum 1 Benar < = 0.05

2 Salah > 0.05

Pengolahan Data

Pengolahan data dilakukan dengan bantuan Matlab R2011A aplikasi perangkat lunak yang dapat menyelesaikan soal-soal matematika. Rumus transformasi data : X’ = 0,8 (𝑋−𝑋𝑚𝑖𝑛)

(3)

61

(SeNTIK)

Volume 3, 22 Agustus 2019, ISSN : 2581-2327 Tabel 4. Data Mentah Pelatihan dan Pengujian

Tabel 5. Data Mentah Pelatihan dan Pengujian Lanjutan

Tabel 6. Transformasi data Pelatihan dan Pengujian

Perancangan Arsitektur Jaringan Syaraf Tiruan

Algoritma yang digunakan adalah backpropogation dengan langkah pembelajaran feedforward. Jaringan ini memiliki lapisan-lapisan, yaitu lapisan masukan (input), lapisan keluaran (output) dan beberapa lapisan tersembunyi (hidden). Parameter-parameter dalam pembentukan jaringan backpropagation menggunakan 12 variabel input, 1 hidden layer dan 1 output layer.

Tabel 7. Karakteristik Arsitektur

Karakteristik Spesifikasi Arsitektur 1 hidden layer Data Input 12

Hidden Layer 8, 16, 32, 64

Goal 0.01

Maksimum Epochs 100000 Learning Rate 0.1 Training Function traingd

Pemilihan Arsitektur Terbaik

Hasil pelatihan dan pengujian menggunakan beberapa model, dihasilkan output berupa akurasi kebenaran, jumlah epochs dan MSE dari setiap model. Arsitektur yang terbaik ditentukan dari tingkat akurasi kebenaran, sedikit banyaknya epochs dan besar kecil nya MSE. Berikut adalah data akurasi, jumlah epochs dan MSE dari model yang telah diuji.

Tabel 8. Hasil Rekapitulasi Model

Rekapitulasi Model

Model 12-8-1 12-16-1 12-32-1 12-64-1 Epochs 4751 2602 1938 397 MSE 0.0080 0.0032 0.0278 0.0261 Akurasi 100% 100% 85% 85%

Berdasarkan hasil diatas maka didapat model arsitektur terbaik diantara model 12-8-1, 12-16-12-8-1, 12-32-1 dan 12-64-1 adalah model 12-16-1 dengan akurasi kebenaran 100%, jumlah epochs 2602 dan MSE sebesar 0.0032. Hasil pelatihan dan pengujian data menggunakan arsitektur 12-16-1.

(4)

62

(SeNTIK)

Volume 3, 22 Agustus 2019, ISSN : 2581-2327 Tabel 9. Hasil Pelatihan dan Pengujian Model

12-16-1

Gambar 2. Pelatihan Model 12-16-1

Gambar 3. Performance Model 12-16-1

Prediksi Ekspor Batu Bara Menurut Negara Tujuan Utama

Dari model yang terbaik, didapatkan prediksi ekspor . Adapun rumus yang digunakan untuk menormalisasikan hasil memprediksi Pertumbuhan Ekspor Batu Bara adalah sebagai berikut :

x =((x’ – 0,1)(x.max-xmin)/0,8)) + x.min ………….(2)

Keterangan :

x’ = Data Normalisasi x.max = Data Maksimal Asli x.min = Data Minimal Asli

Tabel 10. Prediksi Ekspor Batu Bara Menurut Tujuan Utama Tahun 2018

(5)

63

(SeNTIK)

Volume 3, 22 Agustus 2019, ISSN : 2581-2327

PENUTUP

Berdasarkan penelitian diatas dapat ditarik kesimpulan antara lain :

1. Model Arsitektur Jaringan Syaraf Tiruan dapat digunakan untuk memprediksi jumlah ekspor batu bara.

2. Banyaknya hidden layer tidak menjamin kualitas pengujian semakin baik.

3. Dari lima arsitektur yang di uji yaitu 12-8-1, 12-16-12-8-1, 12-32-1 dan 12-64-1 , didapatkan arsitektur 12-16-1 adalah arsitektur terbaik dengan akurasi 100% dan MSE 0.0032.

4. Didapatkan hasil prediksi dengan tingkat

akurasi 100% dan mse 0.0100. UCAPAN TERIMA KASIH

Ucapan terimakasih kami sampaikan kepada Direktorat Riset dan Pengabdian Masyarakat Direktorat Jenderal Penguatan Riset dan Pengembangan Kementerian Riset, Teknologi dan Pendidikan Tinggi atas pendanaan Penelitian Dosen Pemula (PDP) tahun pelaksanaan 2019.

DAFTAR PUSTAKA

[1] . Solikhun and M. Safii, “Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Pemahaman Siswa Terhadap Mata Pelajaran Dengan Menggunakan Algoritma Backpropagation,” J. Sains Komput. Inform., vol. 1, no. 1, pp. 24– 36, 2017.

[2] . Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode Bacpropagation (Studi Kasus Di Kota Bengkulu),” J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.

[3] . P. Windarto, “Implementasi Jst Dalam Menentukan Kelayakan Nasabah Pinjaman Kur Pada Bank Mandiri Mikro Serbelawan DenganMetode Backpropogation,” J-SAKTI (Jurnal Sains Komput. dan Inform., vol. 1, no. 1, pp. 12–23, 2017.

[4] . N. Nurmila, A. Sugiharto, and E. A. Sarwoko, “Algoritma Back Propagation Neural Network untuk Pengenalan Karakter Huruf Jawa,” J. Masy. Inform. ISSN 2086-4930, vol. 1, no. 1, pp. 1–10, 2005.

[5] . M. Agustin, “Penggunaan Jaringan Syaraf Tiruan Backpropagation untuk Seleksi Penerimaan Mahasiswa Baru pada Jurusan Teknik Komputer di Politeknik Sriwijaya,” Univ. Diponegoro, vol. 2, pp. 4–32, 2012. [6] . M. Febrina, F. Arina, and R. Ekawati,

“Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (Jst) Backpropagation,” J. Tek. Ind., vol. 1, no. 2, pp. 174–179, 2013.

[7] . S. Kusmaryanto, “Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram,” J. EECCIS Vol. 8, No. 2, Desember 2014, vol. 8, no. 2, pp. 193–198, 2014.