implementasi jaringan saraf tiruan dalam memprediksi service

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM
MEMPREDIKSI SERVICE KENDARAAN RODA 4
DENGAN METODE BACKPROPAGATION
(STUDI KASUS : PT. AUTORENT LANCAR SEJAHTERA)
Muhammad Fahrizal
Mahasiswa Teknik Informatika STMIK Budi Darma
Jl. Sisingamangaraja No. 338 Simpanglimun Medan
ABSTRAK
Jaringan Saraf Tiruan merupakan sistem pemrosesan informasi yang dirancang menirukan cara kerja saraf otak manusia
dalam menyelesaikan suatu masalah dengan melakukan proses belajar. Jaringan syaraf tiruan telah membuktikan
penerapannya di berbagai aplikasi data mining.Dalam proses penentuan prediksi service kendaraan dengan
mengimplementasikan jaringan syaraft tiruan menggunakan metode algoritma backpropagation. Metode ini dipilih karena
mampu menentukan prediksi service kendaraan berdasarkan input dari jumlah hari pada service yang dilakukan sebelumnya.
Penelitian dilakukan dengan dua cara, yaitu pelatihan dan pengujian. Data akan dibagi menjadi dua bagian, data pertama untuk
proses pelatihan dan data kedua untuk proses pengujian. Proses pelatihan bertujuan untuk mengenali atau mencari goal yang
diharapkan dengan menggunakan banyak pola, sehinggan akan dapat menghasilkan mana pola yang terbaik untuk melatih data
tersebut. Setelah pelatihan mencapai goal berdasarkan pola yang terbaik maka akan dilakukan pengujian dengan data yang
baru untuk melihat keakuratan antara target dengan menggunakan software Matlab 6.1. Berdasarkan hasil pengujian dengan
menggunakan software Matlab 6.1 dapat mempercepat proses penentuan service berikutnya.
Kata Kunci: Jaringan Syaraf Tiruan, Algoritma Backpropagation, Service Kendaraan
I. PENDAHULUAN
Perkembangan komputer dewasa ini telah
banyak mengarah pada Kecerdasan Buatan atau
Artificial Intelligence (AI). AI merupakan suatu
cabang ilmu yang mempelajari tentang pembuatan
suatu sistem cerdas yang dapat berpikir dan bertindak
layaknya manusia berdasarkan suatu kondisi tertentu
atas pengetahuan yang telah ditanamkan didalamnya.
Telah banyak perangkat lunak maupun perangkat
keras
komputer
yang
diciptakan
dengan
memanfaatkan teknologi AI.
Jaringan saraf tiruan (Artificial Neuron
Network) telah banyak dikembangkan oleh para
peneliti dewasa ini. Beragam metode pembelajaran
untuk jaringan saraf tiruan juga terus dikembangkan,
seperti delta learning rule, kohonen self-organizing
map, dan back-propagation.Artificial Neuron Network
(ANN) merupakan
suatu konsep
rekayasa
pengetahuan dalam bidang kecerdasan buatan yang
didesain dengan mengadopsi sistem syaraf manusia,
yang pemrosesan utamanya ada di otak [E. Prasetyo
2012].Jaringan syaraf tiruan adalah sistem pemroses
informasi yang meniru organisasi dan operasi syaraf
otak. Jaringan syaraf tiruan telah membuktikan
penerapannya di berbagai aplikasi data mining.
Biasanya ini digunakan untuk fungsi pendekatan,
klasifikasi dan masalah reorganisasian pola. Sebuah
jaringan syaraf tiruan adalah model matematika
berbasiskan jaringan syaraf biologi.
Seorang CSO (customer service officer) pada
PT.Autorent Lancar Sejahtera sangatlah erat kaitannya
dengan pendataan unit kendaraan rentalnya, yang akan
berfungsi untuk memprediksi service rutin kendaraan,
perpanjangan surat- surat kendaraan dan lain
sebagainya. Untuk menjaga keamanan dan kualitas
kendaraan agar tetap dalam kondisi yang baik, maka di
perlukan perawatan rutin sesuai standar perusahaan,
agar pekerjaan atau aktivitas customer tidak terganggu
karena masalah pada kendaraan. Untuk itu perlu
dilakukan prediksi service agar perawatan kendaraan
tidak terlambat dan tidak berakibat fatal pada
kendaraan. Saat ini proses prediksi service kendaraan
oleh CSO masih kurang tepat. Seiring bertambah
banyaknya customer, CSO sedikit lambat ketika
hendak memprediksikan apakah kendaraan sudah
waktunya service atau belum.Untuk membantu seorang
CSO prediksi service kendaraan dilakukan dengan
menggunakan jaringan saraf tiruan, yaitu metode
backpropagation. Metode ini di gunakan karena
keunggulannya dalam learning rate.learning rate
sangant berguna untuk menentukan prediksi dengan
error yang yang kecil. Prediksi ini akan dilakukan
sesuai data kilometer kendaraan dimana untuk setiap
10.000 km wajib dilakukan service pada kendaraan.
Sehingga dari hasil prediksi ini akan dapat di tentukan
kapan kendaraan akan di service.
II. TEORITIS
A. Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (JST) didefinisikan
sebagai suatu sistem pemrosesan informasi yang
mempunyai karakteristik menyerupai jaringan syaraf
manusia (Hermawan, 2006).
Menurut Siang (2009), jaringan saraf tiruan
adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi
B. Backpropagation
228
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
Backpropagation memiliki beberapa unit yang
ada dalam satu atau lebih layar tersembunyi. Gambar
3.11 adalah arsitektur backpropagation dengan n buah
masukan (ditambah sebuah bias), sebuah layar
tersembunyi yang terdiri dari p unit (ditambah sebuah
bias), serta m buah unit keluaran.
vji merupakan bobot garis dari unit masukan xi
ke unit layar tersembunyi zj (vj0 merupakan bobot garis
yang menghubungkan bias di unit masukan ke unit
layar tersembunyi zj). wkj merupakan bobot dari unit
layar tersembunyi zj ke unit keluaran yk (wk0
merupakan bobot dari bias di layar tersembunyi ke unit
keluaran zk).
d.
e.
Gambar 1. Arsitektur Backpropagation
Sumber : Siang, 2009, hal 98
Algoritma backpropagation adalah sebagai berikut :
1. Inisialisasi bobot (ambil bobot awal dengan nilai
random yang cukup kecil).
2. Kerjakan langkah-langkah berikut selama kondisi
berhenti bernilai salah.
3. Untuk tiap-tiap pasangan elemen yang akan
dilakukan pembelajaran, kerjakan :
Feedforward
a. Tiap-tiap unit input (Xi, i=1,2,3,...,n)
menerima sinyal xi dan meneruskan sinyal
tersebut ke semua unit pada lapisan yang ada
di atasnya (lapisan tersembunyi).
b. Tiap-tiap unit pada suatu lapisan tersembunyi
(Zj, j=1,2,3,...,p) menjumlahkan sinyal-sinyal
input terbobot :
n
z _ in j  b1 j   xi vij ……………….. (1)
i 1
gunakan fungsi aktivasi untuk menghitung
sinyal output :
zj = f(z_inj)
dan kirimkan sinyal tersebut ke semua unit di
lapisan atasnya (unit-unit output).
c. Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menjumlahkan sinyal-sinyal input terbobot.
n
y _ ink  b2k   zi w jk ……………..(2)
i 1
gunakan fungsi aktivasi untuk menghitung
sinyal output :
yk = f(y_ink)
dan kirimkan sinyal tersebut ke semua unit di
lapisan atasnya (unit-unit output).
Catatan :
Langkah (b) dilakukan sebanyak jumlah
lapisan tersembunyi.
Backpropagation
Tiap-tiap unit output (Yk, k=1,2,3,...,m)
menerima target pola yang berhubungan
dengan pola input pembelajaran, hitung
informasi errornya :
δ2k = (tk - yk) f '(y_ink)
2jk = δk zj
β2k = δk
kemudian hitung koreksi bobot (yang nantinya
akan digunakan untuk memperbaiki nilai wjk)
:
∆wjk = 2jk
hitung juga koreksi bias (yang nantinya akan
digunakan untuk memperbaiki nilai b2k) :
∆b2k = β2k
Langkah (d) ini juga dilakukan sebanyak
jumlah lapisan tersembunyi, yaitu menghitung
informasi error dari suatu lapisan tersembunyi
ke lapisan tersembunyi sebelumnya.
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
menjumlahkan delta input (dari unit-unit yang
berada pada lapisan di atasnya) :
m
 _ in j    2k w jk
……………..(3)
k 1
kalikan nilai ini dengan turunan dari fungsi
aktivasinya untuk menghitung informasi error
:
δ1j = δ_inj f '(z_inj)
1ij = δ1j xj
β1j = δ1j
kemudian hitung koreksi bobot (yang nantinya
akan digunakan untuk memperbaiki nilai vij) :
∆vij = 1ij
hitung juga koreksi bias (yang nantinya akan
digunakan untuk memperbaiki nilai b1j) :
∆b1j = β1j
f.
Tiap-tiap unit output (Yk, k=1,2,3,...,m)
memperbaiki bias dan bobotnya (j=0,1,2,...,p)
:
wjk(baru) = wjk(lama) + ∆wjk
b2k(baru) = b2k(lama) + ∆b2k
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
memperbaiki bias dan bobotnya (i=0,1,2,...,n)
:
vij(baru) = vij(lama) + ∆vij
b1j(baru) = b1j(lama) + ∆b1j
g. Tes kondisi berhenti.
III. ANALISA dan PEMBAHASAN
Memprediksi Service Kendaraan Roda 4 Dengan
Jaringan Syaraf Tiruan menggunakan Algoritma
Backpropagation
Pola service setiap bulannya akan banyak berubah. Pola
service akan berulang pada setiap bulannya.
Pengulangan ini juga akan terjadi pada pola kurva dari
bulan ke bulan. Pengalaman bagian pendataan di PT.
229
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
Autorent lancar Sejahtera menunjukkan bahwa waktu
kembali service pada setiap bulannya dipengaruhi oleh
pertambahan kilometer kendaraan dari kilometer
service sebelumnya.
Adapun data waktu service kendaraan dapat dilihat
dibawah ini.
Tabel 1. Data Service kendaraan 2014
No
Waktu Service kendaraan Pada Tahun 2014
No. Pol
1
2
3
9 10 11 12
0 29 0
0 12 0 25
0 28 0 20
2 BK 1771 QR 5
0
0
0 14 0
0
3 BK 1772 QR 0
20 0
0 29 0
0
4 BK 1773 QR 0
3
0 12 0 10 0
6
0
9
0 11
5 BK 1774 QR 2
0
0
0
2
0
0
0
4
3
5
6
0 10 0
0 23 0
5
7
1. BK 1770 QR (I)
8
1 BK 1770 QR 22
0 21
0 28 0
5
Tabel 2. Konversi Data Service kendaraan ke jumlah
hari
Jumlah hari saat kembali
No
No. Pol
service Tahun 2014
1 BK 1770 QR
0 67 73 73 63 52
2
BK 1771 QR
0
88
97
94
81
3
BK 1772 QR
0
93
98
68
81
4
BK 1773 QR
0
69
58
56
63
5
BK 1774 QR
0
93
83
70
93
X’ = 0. 8(x-a) + 0,1
b-a
Dimana X’ = hasil normalilasi
x= data awal
a= nilai minimal awal
b= nilai maximal awal
Normalisasi Data Jumlah Hari
Data yang di hitung merupakan data jumlah hari saat
kembali service tahun 2014 sampai tahun 2015.
62
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (73-52) + 0.1
73-52
X’ = 0,9
2. BK 1770 QR (II)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (63-52) + 0.1
73-52
X’=0,51
3. BK 1770 QR (III)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (52-52) + 0.1
73-52
X’=0,1
4. BK 1771 QR (I)
Tabel 3. Data kesimpulan
Jumlah hari saat kembali service
No. Pol
II
III
IV
A
B
73
63
52
97
94
81
C
98
68
81
D
56
63
62
E
83
70
93
Pemisalan untuk nomor polisi :
A adalah BK 1770 QR
B adalah BK 1771 QR
C adalah BK 1772 QR
D adalah BK 1773 QR
E adalah BK 1774 QR
Normalisasi Data
Data yang digunakan dalam penelitian ini merupakan
database jumlah hari saat kembali service tahun 2014
sampai tahun 2015 . Data disusun dan dipilih variabel
faktor-faktor dengan record data yang memiliki
informasi paling lengkap. Data tersebut kemudian
dibagi menjadi 2 bagian yaitu, data pelatihan (training),
data pengujian (testing).
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (97-81) + 0.1
97-81
X’= 0,9
5. BK 1771 QR (II)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (94-81) + 0.1
97-81
X’=0,75
6. BK 1771 QR (III)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (81-81) + 0.1
97-81
X’=0,1
7. BK 1772 QR (I)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (98-68) + 0.1
98-68
X’= 0,9
230
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
8. BK 1772 QR (II)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (68-68) + 0.1
98-68
X’=0,1
SERVICE
NOMOR POLISI
A
B
C
D
E
I
0,9
0,9
0,9
0,1
0,55
II
0,51
0,75
0,1
0,9
0,1
III
0,1
0,1
0,44
0,78
0,9
9. BK 1772 QR (III)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (81-68) + 0.1
98-68
X’=0,44
10.
BK 1773 QR (I)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (56-56) + 0.1
63-56
X’= 0,1
11.
IV. IMPLEMENTASI
Dalam melakukan prediksi service kendaraan PT.
Autorent Lancar Sejahtera, diujikan ke dalam sistem
komputerisasi. Software yang akan digunakan dalam
pengujian prediksi service kendaraan tersebut yaitu
dengan software Matlab 7.1.
BK 1773 QR (II)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (63-56) + 0.1
63-56
X’=0,9
12.
Tabel 4 merupakan data jumlah hari kembali sevice 3
waktu terakhir service yang sudah ditransformasikan.
Untuk itu akan dibuat pola pelatihan untuk pencapaian
target .
Tampilan Implementasi Matlab
Tampilan ini merupakan gambar secara keseluruhan
implementasi prediksi dengan matlab 7.1. Tampilan
Gambar dapat dilihat pada Gambar 1. berikut.
BK 1773 QR (III)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (56-56) + 0.1
63-56
X’=0,78
13.
BK 1774 QR (I)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (83-70) + 0.1
93-70
X’=0,55
14.
BK 1774 QR (II)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (70-70) + 0.1
93-70
X’=0,1
15.
Gambar 1. Command Windows JST
BK 1774 QR (III)
X’= 0.8(x-a) + 0.1
b-a
X’ =0.8 (93-70) + 0.1
93-70
X’=0,9
Gambar 2. Perpormance epochs
Kemudian diperoleh data prediksi service kendaraan
berikutnya untuk tiap kendaraan. Hal ini digambarkan
dengan garis merah pada grafik berikut:
Tabel 4 Normalisasi Data Service
231
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
Gambar 5 merupakan grafik keluaran jaringan syaraf
tiruan untuk prediksi service kendaraan berikutnya atau
service ke 4, BK 1772 QR dengan nilai MSE =
0,006805.
Gambar 3. Grafik Keluaran JST BK 1770 QR
Gambar 3 merupakan grafik keluaran jaringan syaraf
tiruan untuk prediksi service kendaraan berikutnya atau
service ke 4, BK 1770 QR dengan nilai MSE =
0,006805.
Gambar 6. Grafik Keluaran JST BK 1773 QR
Gambar 6 merupakan grafik keluaran jaringan syaraf
tiruan untuk prediksi service kendaraan berikutnya atau
service ke 4, BK 1773 QR dengan nilai MSE =
0,006805.
Gambar 4. Grafik Keluaran JST BK 1771 QR
Gambar 4 merupakan grafik keluaran jaringan syaraf
tiruan untuk prediksi service kendaraan berikutnya atau
service ke 4, BK 1771 QR dengan nilai MSE =
0,006805.
Gambar 7. Grafik Keluaran JST BK 1774 QR
Gambar 7 merupakan grafik keluaran jaringan syaraf
tiruan untuk prediksi service kendaraan berikutnya atau
service ke 4, BK 1773 QR dengan nilai MSE =
0,006805.
Gambar 5. Grafik Keluaran JST BK 1772 QR
V. KESIMPULAN
Dari hasil penelitian dan pengujian aplikasi
peramalan penjualan mobil menggunakan metode
Backpropagation, pada akhir laporan penulis dapat
memberikan kesimpulan sebagai berikut :
1. Dari data service sebelumnya yang di proses
dengan matlab 7.1 melalui jaringan syaraf tiruan
metode backpropagation mengeluarkan output
jaringan berupa data prediksi service berikutnya.
2. Hasil keluaran jaringan berupa data prediksi
service
berikutnya akan memudahkan PT.
232
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 228-233
Autorent Lancar Sejahtera ntuk mengatur
penjadwalan service kendaraan dan lain-lain.
DAFTAR PUSTAKA
1.
2.
3.
4.
5.
6.
Arief Hermawan, Jaringan Syaraf Tiruan, Andi, Yogayakarta,
2006
Diah Puspitaningrum, pengantar Jaringan Syaraf Tiruan, Andi,
Yogyakarta, 2006
KusumadewiSri,
MembangunJaringan
Syaraf
Tiruan
menggunakanMatlab dan Excel Link, Graha Ilmu, Yogyakarta,
2004.
Jong
Jek Siang M.Sc.,
Jaringan Syaraf Tiruan dan
Pemrograman Menggunakan Matlab, Andi, Yogyakarta, 2009
Paska Marto Hasugian, implementasi jaringan syaraf tiruan
(JST) untuk prediksi kebutuhan bahan bakar minyak
menggunakan metode backpropagation, LPPM, ISSN : 2339210X, Volume : IV, No. 3, 2014
Zekson Arizona Matondang, jaringan syaraf tiruan dengan
algoritma backropagation untuk penentuan kelulusan sidang
skripsi, Pelita Informatika Budi Darma, ISSN : 2301-9425,
Volume : IV, No. 1, 2013
233