Analisis Pengaruh Pandemi COVID-19 terhadap Industri Menggunakan Jaringan Saraf Tiruan

Analisis Pengaruh Pandemi COVID-19 terhadap Industri Menggunakan Jaringan Saraf Tiruan

Ghanes Artika Ratri ¹, Hari Agung Yuniarto ²

1Departemen Teknik Mesin dan Industri, Universitas Gadjah Mada, Yogyakarta, Indonesia

1ghanesartika2018@mail.ugm.ac.id, ² h.a.yuniarto@ugm.ac.id

Abstrak Pandemi COVID-19 merupakan peristiwa penyebaran wabah penyakit hampir di seluruh dunia yang disebabkan oleh virus COVID-19. Percepatan penularan penyakit ini mendorong pemerintah di berbagai negara untuk memberlakukan kebijakan pembatasan terhadap kegiatan masyarakat. Namun, hal ini berdampak pada kehidupan sosial, ekonomi, lingkungan, dan bidang sekunder seperti pada sektor energi. Salah satu industri di Indonesia yang terdampak Pandemi COVID-19 adalah industri minyak dan gas, yang mengalami penurunan permintaan dan harga secara signifikan sehingga menimbulkan pasokan migas berlebih. Penelitian ini bertujuan untuk mengetahui korelasi antara sepuluh bentuk kebijakan pembatasan kegiatan masyarakat di Indonesia dengan pendapatan kotor hasil penjualan migas, serta membangun sepuluh model JST berdasarkan bentuk kebijakan pembatasan kegiatan masyarakat menggunakan algoritma backpropagation untuk mengetahui kebijakan yang berpengaruh kuat terhadap pendapatan kotor hasil penjualan migas. Analisis korelasi menggunakan uji korelasi Pearson dilakukan untuk pasangan variabel yang memenuhi asumsi terdistribusi normal dan memiliki hubungan linier, sedangkan pasangan variabel yang tidak memenuhi kedua asumsi tersebut dilakukan pengujian korelasi menggunakan uji korelasi Spearman. Pembangunan model JST terdiri dari tahap pelatihan untuk mendapatkan bobot akhir dan nilai bias dengan nilai MSE yang minimum, kemudian dilakukan tahap pengujian dan validasi untuk mengetahui valid atau tidaknya model. Model yang telah dinyatakan valid digunakan untuk melakukan prediksi pengaruh kebijakan pembatasan kegiatan masyarakat di Indonesia terhadap pendapatan kotor hasil penjualan migas dengan memilih bentuk kebijakan yang memiliki nilai RMSE minimum dan R² maksimum.

Kata Kunci Pandemi COVID-19, Pembatasan Kegiatan Masyarakat, Migas, Jaringan Saraf Tiruan, Analisis Korelasi

I. PENDAHULUAN

Kasus pneumonia yang tidak diketahui penyebabnya teridentifikasi pertama kali di Kota Wuhan, Provinsi Hubei, China pada tanggal 31 Desember 2019. Pneumonia merupakan penyakit pernapasan yang menyerang paru-paru, dan dapat menyebar dengan cepat melalui tetesan yang terbawa atau droplets di udara [1]. Salah satu penyebab percepatan penularan penyakit ini adalah kepadatan populasi penduduk Wuhan yang jumlahnya lebih dari 11 juta penduduk [2]. Penyebab penyakit pneumonia yang sebelumnya tidak diketahui, diidentifikasi oleh Chinese Centre for Disease Control and Prevention (CCDC) dengan pengambilan sampel usap tenggorokan dari pasien. Selanjutnya, penyakit tersebut teridentifikasi sebagai Sindrom Pernafasan Akut Parah Coronavirus 2 (SARS-CoV-2) atau yang lebih dikenal dengan COVID-19 [3]. Dengan adanya penyebaran virus COVID-19 hampir di seluruh dunia, maka wabah penyakit ini ditetapkan sebagai pandemi COVID-19.

Pandemi COVID-19 telah memberikan pengaruh kepada dunia secara keseluruhan dengan menghentikan sistem di sektor-sektor utama ekonomi dan menimbulkan krisis kesehatan global yang menyebabkan seluruh populasi di dunia berisiko terinfeksi [2].

Pemerintah di beberapa negara, seperti Italia, Saudi Arabia, dan China mengenalkan kebijakan nationwide lockdowns yang kemudian diikuti oleh negara lainnya sebagai upaya untuk mengurangi penyebaran virus COVID-19 [4]. Namun, kebijakan tersebut memberikan dampak drastis pada kehidupan sosial manusia, ekonomi, lingkungan, dan bidang sekunder seperti pada sektor energi.

Pada sektor energi, pandemi COVID-19 mengakibatkan semakin menurunnya permintaan energi akibat perubahan perilaku konsumen seperti bekerja dari rumah dan mengurangi mobilisasi [5]. Hal tersebut dapat menyebabkan penurunan investasi pada sektor energi, seperti pada industri minyak dan gas alam yang mengalami penurunan permintaan, sehingga menyebabkan pasokan migas berlebih serta menimbulkan volatilitas pasar. Dengan adanya kebijakan pembatasan kegiatan masyarakat yang diberlakukan di hampir seluruh negara serta terdapat pembatasan terhadap aktivitas industri menyebabkan penurunan permintaan gas alam sebesar 4% sampai dengan 7% pada kuartal kedua tahun 2020 [6]. Hal ini berpengaruh pada harga gas dunia yang mengalami penurunan secara drastis sejak awal tahun 2020. Selain itu, pandemi COVID-19 juga berpengaruh pada rantai bisnis perusahaan-perusahaan migas yang menyebabkan penurunan jumlah kontrak dengan beberapa negara. Hal ini disebabkan oleh penurunan tingkat konsumsi energi di seluruh dunia sehingga berdampak pada permintaan migas. Menanggapi hal tersebut, pemerintah Indonesia kemudian memberlakukan berbagai bentuk kebijakan pembatasan kegiatan masyarakat, antara lain pemberlakuan PSBB dan PPKM sebagai bentuk penanganan terhadap penyebaran virus COVID-19.

Penelitian mengenai analisis dampak pandemi COVID-19 yang berfokus pada pengaruh kebijakan pembatasan kegiatan masyarakat pernah dilakukan sebelumnya. Penelitian tersebut menunjukkan pengaruh kebijakan pembatasan kegiatan masyarakat dari delapan negara besar dunia terhadap indeks saham pada negara-negara tersebut dengan menggunakan uji korelasi Pearson dan model Jaringan Saraf Tiruan (JST). Hasil penelitian yang didapatkan adalah pandemi COVID-19 terbukti memberikan dampak yang sangat negatif terhadap indeks saham negara-negara G8 [7]. Selain itu, terdapat penelitian lain yang memprediksi tren jangka pendek dari permintaan minyak bumi dan listrik sebagai dampak dari pandemi COVID-19 dengan menggunakan JST. Analisis korelasi Pearson juga digunakan untuk mengetahui hubungan dari variabel epidemi, infeksi, manufacturing PMI, ekspor, Foreign Direct Investment (FDI), produktivitas industri, saham, serta pertumbuhan PDB. Hasil penelitian menunjukkan bahwa pandemi COVID- 19 menyebabkan penurunan terhadap permintaan minyak bumi dan listrik, produktivitas industri, indeks saham, dan pertumbuhan PDB. Kekurangan dari penelitian tersebut adalah data yang digunakan masih belum lengkap, mengingat krisis akibat pandemi COVID-19 belum berakhir [8].

Atas dasar latar belakang tersebut, maka perlu dilakukan penelitian untuk memprediksi pengaruh pandemi COVID-19 terhadap industri migas dengan menggunakan pendekatan supervised learning dengan metode JST. Pemilihan metode yang digunakan dalam penelitian dapat disesuaikan dengan masalah dan tujuan penelitian tersebut karena setiap metode memiliki kelebihan dan kekurangan masing-masing. Kelebihan dari JST adalah toleran terhadap kesalahan, dapat beroperasi menggunakan satu atau lebih deskriptor dan variabel respons, dapat digunakan pada data kategorikal dan kontinu, serta dapat bekerja dengan baik meskipun terdapat suatu unsur jaringan yang gagal. Namun, JST memiliki kelemahan pada waktu pelatihan yang tergantung pada kompleksitas data yang dimodelkan dan jumlah lapisan tersembunyi yang digunakan [9]. Pada penelitian ini, model JST digunakan untuk memprediksi pengaruh pemberlakuan kebijakan pembatasan kegiatan masyarakat terhadap pendapatan kotor hasil penjualan migas. Selain itu, uji korelasi juga digunakan untuk mengetahui hubungan antar kedua variabel tersebut.

II. ASUMSIDANBATASAN

Terdapat beberapa asumsi yang digunakan pada penelitian ini. Asumsi-asumsi tersebut yakni:

1. Pendapatan hasil penjualan migas digunakan sebagai objek penelitian. Hal ini didasarkan pada jurnal Accounting Horizons dengan judul The Role of Revenue in Firm Valuation yang menyatakan bahwa pendapatan dapat menunjukkan informasi terkait performa perusahaan dan keuntungan perusahaan [10].

2. Pendapatan hasil penjualan migas diperoleh dengan mengalikan data permintaan dan harga migas.

2. Data periode hari kebijakan pembatasan kegiatan masyarakat dan data pendapatan kotor hasil penjualan migas yang masing- masing berfungsi sebagai input dan target tidak mempertimbangkan urutan waktu.

3. Seluruh faktor selain yang diteliti dianggap tidak memiliki pengaruh signifikan.

Adapun batasan dari penelitian ini adalah:

1. Cakupan kebijakan pembatasan kegiatan masyarakat yang diberlakukan sejak April 2020 hingga Desember 2021 sesuai dengan Peraturan Pemerintah Republik Indonesia dan Instruksi Menteri Dalam Negeri, yang terdiri dari kebijakan PSBB, PSBB transisi, PSBB ketat, PSBB transisi fase dua, PPKM, PPKM mikro, PPKM darurat, PPKM level 3 dan 4, PPKM level 2, 3, dan 4, serta PPKM level 1, 2, dan 3.

2. Data permintaan dan harga diperoleh dari salah satu perusahaan migas di Indonesia.

3. Inisialisasi bobot awal dan bias saat membangun model Jaringan Saraf Tiruan didasarkan pada nilai acak dari software MATLAB R2016a.

4. Arsitektur dan parameter JST didasarkan pada penelitian terdahulu dengan judul jurnal Impact of COVID-19 Pandemic Virus

III. LANDASANTEORI A. Industri Minyak Bumi dan Gas Alam

Industri minyak bumi dan gas alam terdiri dari semua aspek rantai nilai industri, mulai dari ekstraksi hingga distribusi. Proses mengeluarkan minyak bumi dan gas alam dari dalam tanah hingga sampai ke pengguna akhir dibagi menjadi operasi hulu, yang meliputi eksplorasi dan produksi serta operasi hilir, yang meliputi pemurnian, pemasaran, dan distribusi. Minyak bumi dan gas alam sendiri merupakan hidrokarbon, yakni rangkaian karbon dan hidrogen yang terbentuk dari bahan organik yang terkompresi selama jutaan tahun [11].

B. Dampak Pandemi Covid-19 pada Industri Migas

Industri migas telah mengalami penurunan harga dan kelebihan pasokan bahkan sebelum adanya pandemi COVID-19. Pasar industri ini diperkirakan mengalami kelebihan pasokan pada tahun 2020 dan 2021 karena proyek-proyek baru terus meningkatkan kapasitas produksi jauh melampaui pertumbuhan permintaan yang stabil. Pandemi COVID-19 menyebabkan semakin turunnya

permintaan migas yang kemudian berdampak pada semakin tingginya tingkat kelebihan pasokan dan menciptakan votalitas pasar.

Pemberlakukan kebijakan pembatasan kegiatan masyarakat dan pembatasan aktivitas industri mengurangi permintaan migas pada kuartal kedua tahun 2020. Hal ini menyebabkan menurunnya harga gas spot secara drastis [6]. Pemerintah Indonesia telah menerapkan kebijakan pembatasan kegiatan masyarakat untuk mengurangi angka kasus penularan dan kematian akibat virus COVID-19. Kebijakan pembatasan kegiatan masyarakat tersebut dikenal dengan istilah Pembatasan Sosial Berskala Besar (PSBB) dan Pemberlakuan Pembatasan Kegiatan Masyarakat (PPKM). Pemberlakuan kebijakan tersebut memberikan dampak negatif pada berbagai aspek kehidupan, terutama pada aspek ekonomi [12]. Sulitnya kondisi ini dikarenakan berhentinya sebagian aktivitas ekonomi akibat terbatasnya mobilitas masyarakat yang berpengaruh pada menurunnya daya beli terhadap minyak bumi dan gas alam.

C. Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) adalah sistem komputasi yang terinspirasi oleh jaringan saraf biologis pada saat menerima informasi dari luar. JST terdiri dari sekelompok node yang saling berhubungan seperti jaringan neuron di otak. Sel saraf yang berfungsi untuk menghantarkan impuls saraf disebut neuron. Neuron menerima sinyal melalui dendrit untuk kemudian dikirimkan ke akson, lalu dilanjutkan ke sel neuron lain melalui sinapsis. Sinyal dapat dikirimkan ke neuron lain apabila telah mencapai nilai pada batas tertentu yang disebut threshold. Kemampuan belajar neuron buatan dicapai dengan menyesuaikan bobot sesuai dengan algoritma pembelajaran yang dipilih. Setiap node melingkar mewakili saraf tiruan dan sebuah panah mewakili koneksi dari output satu jaringan buatan seperti yang tampak pada Gambar 1. Setiap koneksi antar saraf tiruan dapat mengirimkan sinyal masukan dari satu saraf ke saraf lain. Saraf buatan yang menerima sinyal dapat memprosesnya dan kemudian memberi sinyal pada saraf tiruan yang terhubung dengannya [13].

Gambar 1. Saraf Tiruan D. Arsitektur JST

Arsitektur dasar JST terdiri dari tiga jenis lapisan neuron, yaitu lapisan input, tersembunyi, dan output [14]. Secara umum arsitektur JST dibagi menjadi tiga kelas, yakni jaringan single layer, multi layer, dan recurrent. Jaringan single layer merupakan bentuk JST paling sederhana dengan tipe feedforward, yang mana lapisan input node diproyeksikan secara langsung ke lapisan output neuron, tetapi tidak sebaliknya. Jaringan multi-layer memiliki satu atau lebih lapisan tersembunyi yang membedakannya dengan single layer. Node sumber di lapisan input jaringan mengirimkan sinyal input yang diterapkan ke neuron di lapisan tersembunyi pertama. Output sinyal dari lapisan tersembunyi pertama digunakan sebagai input ke lapisan berikutnya, begitupun seterusnya. Jaringan recurrent memiliki setidaknya satu feedback loop yang membedakannya dengan jaringan saraf feedforward.

Pada jaringan ini, feedback loop tidak berlaku untuk dirinya sendiri melainkan feedback yang dimaksud mengacu pada situasi dimana ouput neuron dikembalikan ke input-nya sendiri.

E. Algoritma Backpropagation

Algoritma backpropagation sangat baik dalam menyelesaikan masalah terkait peramalan dan pengenalan pola. Pelatihan BP adalah salah satu metode paling populer untuk melatih JST dengan menggunakan data historis. Metode ini mengadaptasi pendekatan penuruan gradien untuk menyesuaikan bobot-bobot JST yang terhubung dengan neuron-neuron pada lapisan tersembunyinya. Feed- forward propagation terlebih dahulu dikerjakan oleh algoritma backpropagation untuk mendapatkan nilai kesalahan output dengan menggunakan fungsi aktivasi yang dapat didiferensiasikan untuk mengaktifkan neuron-neuron tersebut. Kesalahan antara output JST dan output aktual kemudian dipropagasi mundur untuk menyesuaikan bobot secara matematis [15]. Algoritma backpropagation pada arsitektur JST terdiri dari berbagai lapisan yang saling berhubungan. Kesalahan fungsi non-linier dengan kompleksitas tinggi dapat diminimalkan dengan menyediakan jumlah unit tersembunyi yang sesuai. Algoritma BP memiliki tingkat keberhasilan yang tinggi dalam pelatihan jaringan neuron multi layer. Jaringan tidak hanya diberikan penguatan untuk cara kerjanya pada suatu task, melainkan informasi tentang kesalahan juga disaring kembali melalui sistem untuk menyesuaikan bobot koneksi antar lapisan untuk meningkatkan performanya.

F. Pengukuran Performa Model Prediksi JST

Performa model prediksi JST dapat diukur dengan menggunakan Root Mean Square Error (RMSE) dan koefisien determinasi (R²). RMSE merupakan suatu cara yang digunakan untuk mengukur error dari model prediksi yang dibangun. Apabila nilai RMSE semakin rendah, maka prediksi yang dihasilkan akan semakin akurat [16]. Koefisien determinasi (R²) digunakan untuk mengetahui

seberapa besar pengaruh dari variabel independen terhadap variabel dependen. Nilai R² berkisar antara 0 hingga 1, yang mana nilai ini menunjukkan kemampuan prediksi yang dilakukan [17].

G. Normalisasi Data Input dan Target

Normalisasi dilakukan dengan cara memetakan data input dan target pada suatu rentang nilai tertentu sehingga tidak terdapat dominasi data. Selain itu, normalisasi data juga dapat membantu mempercepat proses pelatihan jaringan. Metode normalisasi terbaik untuk memetakan suatu data adalah normalisasi min-max karena proses perhitungan dengan metode ini lebih cepat dibandingkan metode normalisasi lainnya [18].

H. Tracking Signal

Tracking signal merupakan metode yang digunakan untuk menentukan apakah model peramalan yang dibuat bekerja dengan benar atau tidak. Batas tracking signal

menentukan hubungan antara mean absolute deaviation (MAD) dengan standar deviasi [19]. Hubungan tersebut pada populasi

I. Uji Normalitas

Uji normalitas dilakukan dengan tujuan untuk menentukan apakah data dari seluruh variabel yang digunakan telah terdistribusi normal atau tidak. Metode untuk pengujian normalitas data yang paling sering digunakan adalah uji Kolmogorov Smirnov dan Shapiro-Wilk. Uji Kolmogorov-Smirnov digunakan untuk jumlah data sampel dari t -Wilk digunakan untuk jumlah data sampel dari tiap variabel < 50. Uji Shapiro-Wilk merupakan metode uji normalitas terbaik untuk sampel berjumlah kecil [20]. Data yang terdistribusi normal akan memiliki nilai signifikansi lebih dari 0,05 (P-value > 5%), sedangkan untuk data yang tidak terdistribusi normal akan memiliki nilai signifikansi kurang dari 0,05 (P-value < 5%).

J. Uji Linearitas

Uji linearitas bertujuan untuk mengetahui apakah pasangan variabel memiliki hubungan yang linier atau tidak. Hasil uji linearitas didapatkan dengan melihat nilai signifikansi penyimpangan dari linearitas (sig. deviation from linearity) pada tabel ANOVA.

Apabila nilainya lebih dari level signifikansi (sig. deviation from linearity > 0,05) maka pasangan vaiabel memiliki hubungan linier, sedangkan apabila nilai signifikansi penyimpangan dari linearitas kurang dari level signifikansi (sig. deviation from linearity < 0,05) maka pasangan vaiabel memiliki hubungan non-linier [21].

K. Koefisien Korelasi

Koefisien korelasi berfungsi untuk menunjukkan hubungan antara dua pasang variabel input dan output dengan mendeskripsikan seberapa kuat hubungan antar variabel tersebut [22]. Kekuatan hubungan antar variabel yang ditunjukkan oleh koefisien korelasi bergantung pada seberapa dekat koefisien dengan -1 atau 1, dimana nilai tersebut merupakan kisaran dari koefisien korelasi. Tanda koefisien korelasi menunjukkan arah hubungan antar variabel. Pasangan variabel dengan nilai koefisien korelasi +1 memiliki hubungan positif sempurna antar variabel, sedangkan pasangan variabel dengan nilai koefisien korelasi -1 memiliki hubungan negatif sempurna antar variabel. Koefisien korelasi Pearson digunakan ketika kedua variabel terdistribusi normal [23]. Apabila variabel tidak terdistribusi normal, maka digunakan koefisien korelasi Spearman ( ). Interpretasi dari koefisien korelasi dapat dilihat pada Tabel 1.

TABELI. INTERPRETASIKOEFISIENKORELASI Kisaran Koefisien Korelasi Hubungan

-0,1 0,1 Tidak ada hubungan

+1 Hubungan positif sempurna

-1 Hubungan negatif sempurna

±0,1 - ±(0,3 atau 0,4) Hubungan positif/negatif lemah

±(0,3 atau 0,4) 0,6 Hubungan positif/negatif sedang

±0,6 - ±1 Hubungan positif/negatif kuat

IV. METODEPENELITIAN

Penelitian ini terdiri dari pengujian korelasi yang dilakukan menggunakan uji korelasi Pearson untuk pasangan variabel yang memenuhi asumsi terdistribusi normal dan memiliki hubungan linier, sedangkan uji korelasi Spearman digunakan untuk pasangan variabel yang tidak memenuhi kedua asumsi tersebut. Beberapa hal yang perlu dilakukan sebelum membangun model JST adalah

menentukan arsitektur dan parameter yang akan digunakan, melakukan normalisasi data input dan target, serta membagi dataset menjadi data pelatihan dan pengujian. Setelah mendapatkan nilai mean square error (MSE) paling minimum dari proses pelatihan dan pengujian jaringan, data hasil pengujian digunakan untuk melakukan validasi model JST dengan menggunakan metode tracking signal. Prediksi pengaruh pemberlakuan sepuluh bentuk kebijakan pembatasan kegiatan masyarakat terhadap pendapatan hasil penjualan migas kemudian dilakukan dengan memilih bentuk kebijakan pembatasan kegiatan masyarakat yang memiliki nilai RMSE minimum dan R² maksimum.

V. HASILDANPEMBAHASAN

Penelitian dimulai dengan melakukan studi literatur yang bertujuan untuk menemukan, mempelajari, dan memahami teori-teori yang digunakan. Studi literatur dilakukan dengan menggunakan beberapa sumber bacaan, seperti jurnal, buku, dan referensi online.

Selain itu, tahapan ini juga dilakukan untuk mengetahui penelitian-penelitian sebelumnya tentang dampak pandemi COVID-19 pada berbagai sektor sehingga dapat dijadikan sebagai rujukan pada penelitian ini.

Variabel yang digunakan pada penelitian ini adalah periode hari sepuluh bentuk kebijakan pembatasan kegiatan masyarakat di Indonesia selama masa pandemi COVID-19 serta pendapatan hasil penjualan migas selama pemberlakuan masing-masing kebijakan. Statistik deskriptif kemudian dilakukan terhadap variabel tersebut dengan tujuan untuk menggambarkan karakteristik dan persebaran data-data dari tiap variabel [24]. Alat bantu dalam melakukan statistik deskriptif adalah software IBM SPSS Statistics 25, yang digunakan untuk menghasilkan nilai minimum, maksimum, mean, dan standar deviasi dari setiap variabel.

Selanjutnya, pengujian korelasi dilakukan untuk mengetahui hubungan antara sepuluh bentuk kebijakan pembatasan kegiatan masyarakat di Indonesia dengan pendapatan hasil penjualan migas. Langkah awal yang dilakukan pada tahapan ini adalah melakukan uji asumsi, yang terdiri dari uji normalitas dan linearitas menggunakan software IBM SPSS Statistics 25. Pasangan variabel yang memenuhi asumsi terdistribusi normal dan memiliki hubungan linier akan melalui tahap pengujian korelasi menggunakan uji korelasi Pearson, sedangkan untuk pasangan variabel yang tidak memenuhi salah satu atau kedua asumsi tersebut akan dilakukan pengujian korelasi menggunakan uji korelasi Spearman. Tahap pengujian korelasi ini dilakukan dengan menggunakan software Minitab 18.

Sebelum membangun model JST, penentuan arsitektur dan parameter yang digunakan dalam pelatihan jaringan ditentukan terlebih dahulu. Arsitektur dan parameter tersebut didasarkan pada penelitian dengan judul jurnal Impact of COVID-19 Pandemic d on Artificial Neural Network karena cukup relevan dengan penelitian ini. Jumlah lapisan dan neuron pada lapisan input dan output berjumlah 1, yang didasarkan pada variabel periode hari pembatasan kegiatan masyarakat sebagai input dan pendapatan hasil penjualan migas sebagai output. Adapun jumlah lapisan dan neuron pada lapisan tersembunyi yang digunakan adalah 1 lapisan dan 5 neuron.

Fungsi aktivasi yang digunakan pada JST adalah fungsi sigmoid bipolar dan identitas karena memiliki kemampuan yang kuat dalam mengurangi beban komputasi untuk proses pelatihan [25]. Kemudian, fungsi pelatihan yang digunakan adalah traingdx karena dinilai sebagai salah satu fungsi pelatihan yang paling cepat dan menguntungkan ketika digunakan pada JST dengan algoritma pembelajaran backpropagation. Fungsi pelatihan ini bekerja dengan cara memperbarui nilai bobot dan bias berdasarkan momentum dan kecepatan pembelajaran adaptif. Adapun jumlah epoch, learning rate, momentum, dan error goal yang digunakan, yakni 100, 0,4, 0,9, dan 0,00001. Dalam menentukan maksimum epoch, tidak ada jumlah optimal epoch yang dapat digunakan untuk menghindari terjadinya overfitting. Hal ini dikarenakan jumlah epoch dapat berbeda antar satu dataset dengan dataset lainnya [26].

Kemudian, learning rate digunakan untuk mengatur ukuran pembaruan yang dilakukan model setiap bobot model diperbarui. Nilai learning rate yang besar dapat mempercepat proses pelatihan jaringan, namun dapat menyebabkan perubahan bobot secara drastis.

Apabila nilai learning rate kecil, maka waktu proses pelatihan yang dibutuhkan menjadi lebih lama. Momentum sendiri dapat diartikan sebagai perubahan bobot yang didasarkan pada perubahan bobot sebelumnya. Nilai momentum berada di antara 0 hingga 1, yang mana nilai default dari momentum adalah 0,9 [27]. Arsitektur dan parameter tersebut kemudian di-input-kan ke dalam software MATLAB R2016a.

Data input dan target yang akan digunakan untuk membangun model JST dinormalisasi terlebih dahulu. Normalisasi dilakukan dengan cara memetakan data input dan target pada suatu rentang nilai tertentu sehingga tidak terdapat dominasi data. Selain itu, normalisasi data juga dapat membantu mempercepat proses pelatihan jaringan. Data input yang dinormalisasi adalah data periode sepuluh bentuk kebijakan pembatasan kegiatan masyarakat, sedangkan data target yang dinormalisasi adalah data pendapatan hasil penjualan migas selama pemberlakuan kebijakan pembatasan kegiatan masyarakat tersebut. Metode normalisasi yang digunakan adalah normalisasi min-max. Pada penelitian ini, proses normalisasi data input dan target dilakukan menggunakan software MATLAB R2016a. Selanjutnya, data input dan target yang telah dinormalisasi dibagi menjadi data untuk pelatihan dan pengujian.

Studi terdahulu menunjukkan bahwa perbandingan data pelatihan dan pengujian 70:30 merupakan pembagian yang paling sesuai untuk mendapatkan performa terbaik dari model JST [28,29].

Pembangunan model JST terdiri dari proses pelatihan dan pengujian jaringan yang dilakukan terhadap data periode sepuluh bentuk kebijakan pembatasan kegiatan masyarakat dan pendapatan hasil penjualan migas menggunakan algoritma pembelajaran backpropagation. Pelatihan dan pengujian dilakukan dengan bantuan software MATLAB R2016a dan didasarkan pada arsitektur, parameter, serta pembagian dataset yang telah ditentukan sebelumnya. Proses pelatihan jaringan dilakukan terhadap 70% data input dan target dari masing-masing bentuk kebijakan pembatasan kegiatan masyarakat. Hasil dari proses pelatihan berupa nilai performa jaringan yang diukur menggunakan MSE, kemudian terdapat bobot akhir dan nilai bias yang akan digunakan pada proses pengujian jaringan. Langkah selanjutnya adalah pengujian jaringan yang dilakukan terhadap 30% data yang belum digunakan selama proses pelatihan dengan tujuan untuk menentukan bagaimana model akan merespons kumpulan data baru yang belum pernah dilihat model sebelumnya [30]. Dari proses pengujian dengan menggunakan bobot akhir dan nilai bias yang didapatkan dari tahap pelatihan akan dihasilkan nilai output JST yang memiliki MSE paling minimum. Output JST yang dihasilkan tersebut kemudian digunakan untuk melakukan validasi model dengan menggunakan metode tracking signal.

Proses validasi bertujuan untuk menguji kemampuan model JST dalam membangun jaringan untuk mengetahui pengaruh sepuluh bentuk kebijakan pembatasan kegiatan masyarakat di Indonesia terhadap pendapatan hasil penjualan migas. Validasi model JST dilakukan terhadap data hasil pengujian dengan metode tracking signal. Proses perhitungan nilai tracking signal sendiri dilakukan menggunakan software Microsoft Excel, yang mana batas kendali dari tracking signal adalah -3,75 hingga +3,75 [19].

Model yang telah dinyatakan valid digunakan untuk memprediksi pengaruh kebijakan pembatasan kegiatan masyarakat di Indonesia terhadap pendapatan hasil penjualan migas. Tahapan ini dilakukan menggunakan keseluruhan data (data pelatihan dan pengujian) dengan bantuan software MATLAB R2016a. Hasil prediksi yang diperoleh berupa parameter pengukuran performa model, yakni koefisien determinasi (R²) dan Root Mean Square Error (RMSE). Kedua parameter tersebut diukur untuk mengetahui bentuk kebijakan pembatasan kegiatan masyarakat yang berpengaruh kuat terhadap pendapatan hasil penjualan migas dengan memilih kebijakan pembatasan kegiatan masyarakat dengan nilai R² maksimum dan RMSE minimum dari sepuluh model prediksi yang telah dibangun.

V. KESIMPULANDANSARAN

Jaringan Saraf Tiruan (JST) dapat digunakan untuk melakukan analisis pengaruh pandemi COVID-19 terhadap suatu industri.

JST merupakan metode peramalan yang dapat merepresentasikan kondisi nyata dan banyak diaplikasikan untuk melakukan peramalan terkait masalah keuangan [7]. Penelitian ini sendiri menggunakan JST untuk melakukan prediksi pengaruh sepuluh bentuk kebijakan pembatasan kegiatan masyarakat di Indonesia terhadap pendapatan hasil penjualan migas. Selanjutnya, pengukuran performa 10 model prediksi diukur untuk mengetahui bentuk kebijakan yang berpengaruh kuat terhadap pendapatan hasil penjualan migas dengan memilih kebijakakan dengan nilai R² maksimum dan RMSE minimum. Selain JST, uji korelasi Pearson dan Spearman juga digunakan untuk mengetahui hubungan antara masing-masing bentuk kebijakan pembatasan kegiatan masyarakat dengan pendapatan hasil penjualan migas selama pemberlakuan masing- masing kebijakan tersebut.

Saran yang dapat diberikan dari penelitian ini adalah kedepannya dapat dilakukan optimasi terhadap arsitektur dan parameter JST sehingga model prediksi yang dibangun memiliki akurasi lebih baik. Kemudian, perlu digunakan faktor lainnya yang dapat menunjukkan kondisi bisnis perusahaan selain pendapatan. Adapun pengambilan data pada penelitian ini dilakukan di salah satu perusahaan migas di Indonesia, sehingga kedepannya dapat dilakukan penelitian lanjutan di perusahaan lainnya agar dampak pandemi COVID-19 terhadap industri migas di Indonesia dapat menjadi lebih representatif.

DAFTAR PUSTAKA

[1] -Jabir, A., Iosifidis, C., and Agha, R., 2020, World Health Organization declares global emergency: A review of the 2019 novel coronavirus (COVID-19), International Journal of Surgery, 76(February), 71 76.

[2] Abubakar, L., Salemcity, A. J., Abass, O. K., and Olajuyin, A. M., 2021, The impacts of COVID-19 on environmental sustainability: A brief study in world context, Bioresource Technology Reports, 15(April), 100713.

[3] World Health Organization, 2020, WHO Director-General's Remarks at The Media Briefing on 2019-nCoV on 11 February 2020, https://www.who.int/director-general/speeches/detail/who-director-general-s-remarks-at-the-media-briefing-on-2019-ncov-on-11-february-2020, online accessed on 2 September 2021.

[4] Nundy, S., Ghosh, A., Mesloub, A., Albaqawy, G. A., and Alnaim, M. M., 2021, Impact of COVID-19 pandemic on socio-economic, energy-environment and transport sector globally and sustainable development goal (SDG), Journal of Cleaner Production, 312(September 2020).

[5] Gillingham, K. T., Knittel, C. R., Li, J., Ovaere, M., and Reguant, M., 2020, The Short-run and Long-run Effects of Covid-19 on Energy and the Environment, Joule, 4(7), 1337 1341.

[6] Bresciani, G., Heiligtag, S., Lambert, P., and Rogers, M., 2020, The future of liquefied natural gas: Opportunities for growth | McKinsey, Mckinsey, September, 10.

[7] Al-Najjar, H., Al-Rousan, N., Al-Najjar, D., Assous, H. F., and Al-Najjar, D., 2021, Impact of COVID- based on artificial neural network, Journal of Chinese Economic and Foreign Trade Studies, 14(1), 89 103.

[8] Norouzi, N., Zarazua de Rubens, G., Choubanpishehzafar, S., and Enevoldsen, P., 2020, When pandemics impact economies and climate change: Exploring the impacts of COVID-19 on oil and electricity demand in China, Energy Research and Social Science, 68(June), 101654.

[9] Lancashire, L. J., Lemetre, C., and Ball, G. R., 2009, An Introduction to Artificial Neural Networks in Bioinformatics-Application to Complex Microarray and Mass Spectrometry Datasets in Cancer Studies, Briefings in Bioinfarmatics, 10(3), 315-329.

[10] Chandra, U. and Ro, B. T., 2008, The role of revenue in firm valuation. Accounting Horizons, 22(2), 199 222.

[11] Christian O.H., W., 2015, The Oil and Gas Industry: Overview and Trends, Natural Resource Governance Institute, April, 5.

[12] Andriyani, L., Gultom, A., Ketiara, K., Dahlan, J. K. H. A., Timur, K. C., Tanggerang, K., Dahlan, J. K. H. A., Timur, K. C., and Selatan, K. T., 2021, Dampak Sosial Ekonomi Kebijakan Pemberlakuan Pembatasan Kegiatan Masyarakat ( PPKM ) di Indonesia, Seminar Nasional Penelitian LPPM UMJ.

[13] Patalay, S., 2019, Design of a Financial Decision Support System based on Artificial Neural Networks for Stock Price Prediction, Journal of Mechanics of Continua and Mathematical Sciences, 14(5), 757 766.

[14] Haykin, S., 2009, Neural Network and Learning Machines, 3^rd ed., Prentice-Hall, New Jersey.

[15] Haque, M. E. and Sudhakar, K. V., 2002, JST back-propagation prediction model for fracture toughness in microalloy steel. International Journal of Fatigue, 24(9), 1003 1010.

[16] M. Vastrad, C., 2013, Performance Analysis of Neural Network Models for Oxazolines and Oxazoles Derivatives Descriptor Dataset. International Journal of Information Sciences and Techniques, 3(6), 1 15.

[17] Figueiredo Filho, D. B., Silva Júnior, J. A., and Rocha, E. C., 2011, What is R2 all about? Leviathan (São Paulo), 3, 60.

[18] Shalabi, L. Al, Shaaban, Z. and Kasasbeh, B., 2006, Data Mining: A Preprocessing Engine, Journal of Computer Science, 2(9), 735 739.

[19] Kumar, D. A. and Murugan, S., 2017, A Novel Fuzzy Time Series Model for Stock Market Index Analysis using Neural Network with Tracking Signal Approach. Indian Journal of Science and Technology, 10(16), 1 13.

[20] Varsha, A. V., George, G., and Sahajananand, R., 2017, Lutembacher syndrome: Dilemma of doing a tricuspid annuloplasty, Annals of Cardiac Anaesthesia, 20(4), 456 458.

[21] Ainiyah, N., Deliar, A., and Virtriana, R., 2016, The classical assumption test to driving factors of land cover change in the development region of northern part of west Java, International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 41(July), 205 210.

[22] Al-Rousan, N., Mat Isa, N. A., and Mat Desa, M. K., 2021, Correlation analysis and MLP/CMLP for optimum variables to predict orientation and tilt angles in intelligent solar tracking systems. International Journal of Energy Research, 45(1), 453 477.

[23] Schober, P. and Schwarte, L. A., 2018, Correlation coefficients: Appropriate use and interpretation, Anesthesia and Analgesia, 126(5), 1763 1768.

[24] Sharma, S., 2019, Descriptive Statistics and Factorial Design, Horizons University, Paris.

[25] Mansor, M. A. and Sathasivam, S., 2016, Activation function comparison in neural-symbolic integration, AIP Conference Proceedings, 1750(June).

[26] Afaq, S. and Rao, S., 2020, Significance Of Epochs On Training A Neural Network, International Journal of Scientific and Technology Research, 19(6), 485 488.

[27] Kwon, S. J., 2011, Artificial neural networks, Oklahoma State University, USA.

[28] Nguyen, Q. H., Ly, H. B., Ho, L. S., Al-Ansari, N., Van Le, H., Tran, V. Q., Prakash, I., and Pham, B. T., 2021, Influence of data splitting on performance of machine learning models in prediction of shear strength of soil, Mathematical Problems in Engineering, 2021.

[29] Pham, B. T., Shirzadi, A., Shahabi, H., Omidvar, E., Singh, S. K., Sahana, M., Asl, D. T., Ahmad, B. Bin, Quoc, N. K., and Lee, S., 2019, Landslide susceptibility assessment by novel hybrid machine learning algorithms, Sustainability (Switzerland), 11(16), 1 25.

[30] Ajiboye, A. R., Abdullah-Arshah, R., Qin, H., and Isah-Kebbe, H., 2015, Evaluating the Effect of Dataset Size on Predictive Model Using Supervised Learning Technique, International Journal of Computer Systems & Software Engineering, 1(1), 75 84.