ANALISA PREDIKSI JUMLAH ORDER BARANG

JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
ISSN : 2301-4474
ANALISA PREDIKSI JUMLAH ORDER BARANG DENGAN
ALGORITMA BACK PROPAGATION
(Studi Kasus pada MART 165)
Muhammad Reza Putra, S. Kom, M. Kom, Fakultas Ilmu Komputer
Universitas Putra Indonesia YPTK Padang
e-mail: [email protected]
Abstrak
– Mart 165 adalah mini market yang terletak di Universitas Putra Indonesia
“YPTK”Padang. Mini market ini dibangun untuk memenuhi kebutuhan mahasiswa dan kebutuhan
para dosen. Jumlah penjualan barang di Mart 165 selalu megalami perubahan. Karena banyaknya jenis
barang yang terdapat di Mart 165 ini maka diperlukan prediksi yang dapat menentukan jumlah order
barang. Penelitian ini merupakan penerapan jaringan syaraf tiruan dalam upaya memprediksi jumlah
pengorderan barang pada Mart 165 dengan melihat 5 pembagian jenis barang yang terdapat di Mart
165 dan dilihat dari penjualan barang di Mart 165. Algoritma yang digunakan yaitu Backpropogation.
Pelatihan dan pengujian dilakukan menggunakan perangkat lunak Matlab 6. 1 dengan arsitektur
jaringan yang diujicobakan yaitu 5-2-1, 5-5-1, 5-10-1, 5-13-1, 5-15-1, dimana hasil pengujiannya
ditampilakn dalam bentuk grafik perbandingan nilai target dengan nilai pelatihan dan nilai target
dengan nilai pengujian.
Kata Kunci
: Jaringan syaraf tiruan, backpropagation, prediksi
Perkembangan ilmu pengetahuan dan
teknologi informasi dari masa ke masa
megalami peningkatan di berbagai sektor
kehidupan. Teknologi menjadi suatu hal yang
sangat penting dan dibutuhkan. Kemajuan
teknologi yang sangat pesat itu dirasakan oleh
badan-badan
organisasi
yang
banyak
menghasilkan dan membutuhkan informasi
dalam kegiatan pengambilan keputusan.
Perkembangan informasi sangat erat kaitannya
dengan komputer, karena didasari bahwa
komputer merupakan alat bantu untuk
menyelasaikan berbagai pekerjaan mausia
secara cepat dan tepat.
Dari berbagai macam bidang yang
ada, mini market ataupun supermarket
merupakan salah satu bidang
yang
memerlukan sistem informasi penunjang di
dalam menjalankan perusahaan tiap harinya.
Dengan adanya sebuah sistem informasi maka
mini market tersebut dapat berjalan dengan
lancar lebih efisien dan lebih teratur. Selain itu
diperlukan sebuah jaringan saraf tiruan yang
digunakan untuk meningkatkan efisiensi di
dalam pemesanan barang. Jaringan Syaraf
Tiruan adalah pemodelan data yang kuat yang
mampu menangkap dan mewakili masukan
yang kompleks ataupun output. Motivasi
untuk megembangkan jaringan saraf tiruan
berasal dari keinginan untuk mengembangkan
sistem buatan yang dapat melakukan kegiatan
yang cerdas serupa dengan otak manusia
Mini market merupakan bisnis yang
sedang bekembang di Indonesia. Bisnis ini
Analisa Prediksi Jumlah Order Barang . . .
juga menjanjikan keuntungan yang lumayan
besar. Setiap sudut kota sudah dipenuhi mini
market. Pertumbuhan mini market ini terjadi
karena meningkatnya kebutuhan masyarakat
akan barang-barang kebutuhan sehari-hari.
Pertumbuhan ini memicu banyaknya
bermunculan mini market yang baru. Oleh
karena banyaknya mini market mengakibatkan
persaingan semakin tinggi dan masing-masing
mini market berusaha memberikan penawaran
yang berbeda kepada setiap pelanggan.
Bahkan mini market pada saat ini tidak hanya
menjual kebutuhan sehari-hari. Mini market
pada saat ini juga menjual alat-alat elektronik.
Jumlah jenis barang yang ada di
sebuah mini market bisa mencapai lebih dari
2000 jenis barang. Pemilihan barang yang
dijual di mini market berdasarkan kepada
kebutuhan konsumen. Pemilihan barang harus
disesuaikan dengan kebutuhan agar barang
yang dipesan tidak salah dan perputaran
barang di mini market dapat berjalan dengan
cepat.
Saat ini pengorderan barang yang
akan dijual masih menggunakan cara secara
manual. Pengorderan barang masih ditentukan
sesuai dengan jenis barang mana yang lebih
dahulu habis. Hal ini menimbulkan berbagai
macam masalah. Dimulai dari banyak barang
yang menumpuk, banyaknya barang yang
tidak semestinya dipesan sesuai dengan
waktunya.
69
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
PERUMUSAN MASALAH
Dari latar belakang masalah
di atas maka penulis dapat merumuskan
masalah sebagai berikut :
1. Bagaimana
mempresentasikan
prediksi jumlah order barang dengan
menggunakan jaringan saraf tiruan?
2. Bagaimana kinerja Jaringan Syaraf
Tiruan dalam sistem prediksi jumlah
order barang?
3. Bagaimana Teknik Jaringan Syaraf
Tiruan dalam sesuai digunakan
dalam memprediksikan jumlah order
barang?
TUJUAN PENELITIAN
Berdasarkan
rumusan
masalah tersebut maka dapat
ditetapkan tujuan penelitia sebagai
berikut :
1. Mengetahui teknik jaringan
syaraf tiruan sesuai digunakan
untuk
prediksi
jumlah
pengorderan barang
2. Memahami Jaringan Syaraf
Tiruan (dengan menggunakan
Back
Propogation)
dapat
diterapkan di Mart 165
3. Menganalisa penerapan metoda
Back
Propagation
dalam
prediksi pengorderan barang di
mart
4. Merancang jaringan syaraf tiruan
pengorderan barang dengan
backpropagation menggunakan
matlab 6.1
5. Membangun jaringan syaraf
tiruan dengan menggunakan
matlab 6.1
6. Menguji penerapan jaringan
saraf
tiruan
menggunakan
metoda
Back
propagation
menggunakan matlab 6.1
LANDASAN TEORI
Jaringan saraf tiruan sederhana
pertama kali diperkenalkan oleh McCulloh
dan Pitts pada tahun 1943. McCulloh dan Pitts
menyimpulkan bahwa kombinasi beberapa
neuron sederhana menjadi sebuah sistem
neural akan meningkatkan kemampuan
komputasinya. Bobot dalam jaringan yang
diusulkan oleh McCulloch dan Pitts diatur
untuk melakukan fungsi logika sederhana.
Fungsi aktifasi yang dipakai adalah dungsi
threshold.
Jaringan syaraf tiruan (JST) atau
Artificial Neural Network (ANN) disebut juga
Simulated Neural Network (SNN), atau
biasanya hanya disebut neural network adalah
Analisa Prediksi Jumlah Order Barang . . .
ISSN : 2301-4474
Jaringan syaraf tiruan adalah merupakan salah
satu representasi buatan otak manusia yang
selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia tersebut.
Istilah buatan disini digunakan karena jaringan
saraf
diimplementasikan
dengan
menggunakan program computer yang mampu
menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran.
Jaringan syaraf tiruan dapat belajar
dari pengalaman, melakukan generalisasi atas
contoh-contoh yang diperolehnya dan
mengabtraksi karakteristik esensial masukan
bahkan untuk data yang tidak relevan.
Algoritma untuk JST beroperasi secara
langsung dengan angka sehingga data yang
tidak numerik harus diubah menjadi data
numerik. JST tidak dipogram untuk
menghasilkan keluaran tertentu. Semua
keluaran atau kesimpulan yang ditarik oleh
jaringan didasarkan pada pengalamannya
selama mengikuti proses pembelajaran.
Jaringan Syaraf Tiruan adalah pemodelan data
yang kuat yang mampu menangkap dan
mewakili masukan yang kompleks ataupun
output.
Lapisan-lapisan penyusun jaringan
saraf tiruan dapat dibagi menjadi tiga, yaitu:
1.
2.
3.
Lapisan input
Node-node di dalam lapisan input
disebut unit-unit input. Unit-unit
input menerima input dari dunia luar.
Input yang dimasukkan merupakan
penggambaran dari suatu masalah.
Lapisan Tersembunyi
Node-node
di
dalam
lapisan
tersembunyi
disebut
unit-unit
tersembunyi. Output dari lapisan ini
tidak secara langsung dapat diamati.
Lapisan Output
Node-node pada lapisan output
disebut unit-unit output. Keluaran
atau output dari lapisan ini
merupakan output jaringan saraf
tiruan terhadap suatu permasalahan.
Tiruan neuron dalam struktur
jaringan saraf tiruan adalah sebagai elemen
pemroses seperti pada gambar 2.2 yang dapat
berfungsi seperti halnya sebuah neuron.
Sejumlah sinyal masukan a dikalikan dengan
masing – masing penimbang yang bersesuaian
w. Kemudian dilakukan penjumlahan dari
seluruh hasil perkalian tersebut dan keluaran
yang dihasilkan dilalukan kedalam fungsi
pengaktif untuk mendapatkan tingkatan
derajad sinyal keluarannya, F(a,w). Walaupun
masih jauh dari sempurna, namun kinerja dari
70
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
tiruan neuron ini identik dengan kinerja dari
sel biologi yang kita kenal saat ini.
aj
Wj , i
ai  g (ini )
Input
Links
in i

g

Output
Links
ai
Input
Activation Output
Function Function
aj
Wj, i
ai  g(ini)
Input
Links
ini
g
 
ai
Output
Links
Input Activation Output
Function Function
Gambar 2.2. Model Tiruan Sebuah Neuron
- aj
- Wj, i
- ini
unit i
-g
- ai
: Nilai Aktivasi dari unit j
: Bobot dari unit j ke unit i
: Penjumlahan bobot dan masukan ke
: Fungsi aktivasi
: Nilai aktivasi dari unit i
Misalkan ada n buah sinyal masukan dan n
buah penimbang, fungsi keluaran dari neuron
adalah seperti persamaan (2.1) :
Simpul
Simpul pada JST adalah elemen
komputasi terkecil. Melalui hubungan yang
tersambung dengannya, simpul menerima
sinyal input yang mendapat pengaruh bobot
sesuai hubungan yang dilalui sinyal tersebut.
Nilai sinyal yang diberikan simpul tergantung
perbandingan jumlah nilai sinyal dengan batas
aktivasi yang dimiliki simpul tersebut.
Backpropagation
Backpropagation
merupakan
algoritma pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron dengan
banyak layar lapisan untuk mengubah bobot
yang ada pada lapisan tersebunyinya.
Backpropagation adalah perlatihan jenis
terkontrol (supervised) dimana menggunakan
pola penyesuaian bobot untuk mencapai nilai
kesalahan yang minimum antara keluaran
hasil prediksi dengan keluaran yang nyata
Fungsi Aktivasi
Sebuah sinyal aktivasi diperlukan
oleh suatu neuron untuk menyalakan dan
memadamkan penjalaran sinyal dari neuron
tersebut. Sinyal aktivasi dalam jaringan saraf
tiruan ditentukan oleh suatu fungsi aktivasi :
a. Fungsi identitas
Fungsi ini biasanya digunakan pada
jaringan lapis tunggal. Fungsi ini akan
menghasilkan nilai yang sama dengan
nilai masukannya, grafiknya akan
membentuk garis lurus atau linear dan
fungsinya dapat dituluskan sebagai
berikut:
f(x)=x, untuk semua x
b.
in i  f ji  aj
(2.1)
Mengadopsi esensi dasar dari
system syaraf biologi, syaraf tiruan
digambarkan sebagai berikut : Menerima input
atau masukan (baik dari data yang
dimasukkan atau dari output sel syaraf pada
jaringan syaraf. Setiap input datang melalui
suatu koneksi atau hubungan yang
mempunyai sebuah bobot (weight). Setiap sel
syaraf mempunyai sebuah nilai ambang.
Jumlah bobot dari input dan dikurangi dengan
nilai ambang kemudian akan mendapatkan
suatu aktivasi dari sel syaraf (post synaptic
potential, PSP, dari sel syaraf). Sinyal aktivasi
kemudian menjadi fungsi aktivasi / fungsi
transfer untuk menghasilkan output dari sel
syaraf.
Analisa Prediksi Jumlah Order Barang . . .
ISSN : 2301-4474
Fungsi Tangga biner (dengan batas
ambang)
Fungsi ini merupakan fungsi idenitas
dengan pembulatan yang bergantung ada
parameter pembulatan 0. Untuk 0 =1,
fungsi ini hanya akan menghasilkan nilai
1 atau 0. Dengan demikian, bila grafiknya
digambarkan akan terlihat seperti tangga
pada interval antara 0 dan 1, dan
fungsinya dapat dituliskan sebagai
berikut:
1 untuk x  0 
f ( x)  

 0 untuk x  0 
(2.2)
c.
Fungsi signoid-Biner
Fungsi ini tergantung pada steepnes
parameter. Agar fungsi ini menghasilkan
nilai yang dibatasi oleh bilangan biner (0
sampai 1) maka σ = 1 dan akan
71
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
menghasilkan grafik kontinu yang tidak
linear. Fungsinya dapat dituliskan sebagai
berikut :
f ( x) 
d.
1
1  exp( x)
(2.3)
Fungsi sigmoid bipolar
Sama halnya dengan fungsi signoi-biner,
fungsi ini juga tergantung pada steepnes
parameter (σ). Fungsi sigmoid bipolar
merupakan fungsi sigmoid-biner yang
diperluas hingga mencapai nilai negative
melalui sumbu x. Dengan demikian,
untuk σ =1, fungsi ini akan menghasilkan
nilai keluaran antara -1 sampai +1, dan
fungsinya akan menghasilkan nilai
keluaran antara -1 sampai +1, dan
fungsinya dapat dituliskan sebagai berkut
g ( x)  2 f ( x) 1 
2
1  exp( x)
1  exp( x)
1  exp( x)

g ( x )  1  g ( x ) 1  g ( x ) 
2

Alur kerja dari jaringan propagasi
balik dapat digambarkan seperti terlihat pada
gambar 2.6.
Gambar 2.5. Alur Kerja Jaringan
Propagasi Balik
Agar dapat digunakan untuk suatu
aplikasi, jaringan syaraf tiruan perlu „belajar‟
terlebih dahulu dengan cara, pada jaringan
dimasukkan sekumpulan sekumpulan contoh
pelatihan yang disebut set pelatihan. Set
pelatihan ini digambarkan dengan sebuah
vektor feature yang disebut vektor input yang
Analisa Prediksi Jumlah Order Barang . . .
ISSN : 2301-4474
diasosiasikan dengan sebuah output yang
menjadi target pelatihannya. Pelatihan
kemudian dilakukan dengan maksud membuat
jaringan syaraf tiruan beradaptasi terhadap
karakteristik – karakteristik dari contoh –
contoh pada set pelatihan dengan cara
melakukan pengubahan/
peng-update-an
bobot – bobot yang ada dalam jaringan.
Cara kerja jaringan propagasi balik
dapat dijelaskan sebagai berikut : mula – mula
jaringan diinisialisasikan dengan bobot yang
diset dengan bilangan acak. Lalu contoh –
contoh pelatihan dimasukkan kedalam
jaringan. Contoh pelatihan terdiri dari
pasangan vektor input dan vektor output
target. Keluaran dari jaringan berupa sebuah
vektor output aktual. Selanjutnya vektor
output aktual jaringan dibandingkan dengan
vektor output target untuk mengetahui apakah
output jaringan sudah sesuai dengan harapan
(output aktual sudah sama dengan
(
output
target).
2
Error
yang
timbul
.
akibat
perbedaan antara output aktual dengan
5
output
target tersebut kemudian dihitung
)
dan
digunakan untuk mng-update bobot – bobot
yang relevan dengan jalan mempropagasikan
kembali error. Setiap perubahan bobot yang
terjadi diharapkan dapat mengurangi besar
error. Epoch (siklus setiap pola pelatihan)
seperti ini dilakukan pada semua set pelatihan
sampai unjuk kerja jaringan mencapai tingkat
yang diinginkan atau sampai kondisi berhenti
terpenuhi
Algoritma propagasi balik dapat
dibagi kedalam 2 bagian yaitu :
a. Algoritma Pelatihan
Terdiri dari 3 tahap yaitu : tahap Umpan
Maju pola pelatihan input, tahap
pempropagasibalikan error, dan tahap
pengaturan bobot.
b. Algoritma Aplikasi
Pada algoritma ini yang digunakan adalah
hanya tahap Umpan Maju saja
Jenis prediksi/ Peramalan
Jenis
peramalan
berdasarkan
horizon perencanaan adalah sebagai berikut:
a. Prediksi/ Peramalan jangka pendek : jika
jangka waktu peramalan kurang dari tiga
bulan. Biasa digunakan untuk operasi dan
perencanaan harian dari suatu perusahaan.
b. Prediksi/ Peramalan jangka menengah :
jika jangka waktu peramalannya tiga
bulan hingga dua tahun.
Prediksi/ Peramalan jangka panjang : jika
jangka waktu peramalannya lebih dari dua
tahun. Biasa digunakan untuk perencanaan
strategis dari suatu perusahaan
72
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
Validasi Prediksi/ Peramalan
Error pada prediksi/ peramalan
merupakan selisih dari nilai actual (Y(t))
dengan nilai hasil peramalan (Ŷ(t)).
c.
e(t )  Y (t )  Yˆ (t )
(2.7)
Beberapa pengukuran keefektifan
suatu teknik peramalan adalah :
Mean Absolute Deviation
(MAD):
N
MAD 
Y
 Yˆ ( t )
(t )
t 1
d.
(2.8)
N
Mean Squared Error (MSE)
 Y
N
(2.9)
MSE 
(t )
 Yˆ ( t )
t 1

N
Mean Absolute
Error (MAP) :
Percent
100 N  Y ( t )  Yˆ ( t ) 
  Y (t ) 
(2.10) N t 1 


MAP 
MAD dan MSE dapat digunakan
untuk mengevaluasi beberapa teknik prediksi/
peramalan atau untuk kondisi parameter yang
berbeda – beda pada suatu teknik prediksi.
Nilai yang lebih kecil merepresentasikan hasil
peramalan yang lebih baik diantara hasil –
hasil peramalan yang dibandingkan..
Kerangka Kerja
penelitian ini:
a.
b.
didalam
melaksanakan
Definisi Ruang Lingkup Masalah
Ruang lingkup masalah
yang diteliti harus ditentukan
terlebih dahulu karena dengan
memahami dan mendefinisikan
ruang lingkup masalah maka akan
didapat gambaran permasalahan
secara global sehingga dapat
memudahkan dalam menentukan
batasan masalah yang disesuaikan
dengan tujuan penelitian, dan dapat
menentukan solusi yang terbaik
dari permasalahan yang dibahas.
Analisis Masalah
Langkah ini dilakukan
untuk dapat memahami masalah
yang pada langkah sebelumnya
Analisa Prediksi Jumlah Order Barang . . .
e.
ISSN : 2301-4474
sudah ditelusuri dan ditentukan
beserta
dengan
batasannya.
Dengan demikian diharapkan
masalah dapat dipahami dengan
baik.
Menentukan Tujuan Penelitian
Berdasarkan
pemahaman dari masalah, maka
ditentukan tujuan yang akan
dicapai dari penelitian ini. Pada
tujuan ini ditentukan target yang
ingin dicapai, berkaitan dengan
permasalahan – permasalahan yang
sudah didefinisikan sebelumnya.
Mempelajari Literatur
Dalam
pencapaian
tujuan,
perlu
mencari
dan
mempelajari leteratur – literatur
yang
berkaitan
dengan
permasalahan dan diperkirakan
dapat digunakan untuk menunjang/
membantu penyelesaian masalah
yang diteliti. Literatur – literatur
yang didapat akan diseleksi
kembali
untuk
menentukan
literatur yang mana saja yang akan
digunakan.
Mengumpulkan Data
Dalam
pengumpulan
data digunakan beberapa metode
yang mendukung antara lain :
1. Observasi
;
yaitu
pengumpulan data yang
dilakukan dengan cara
melakukan pengamatan
secara langsung ditempat
penelitian (dalam hal ini
Mart
165),
sehingga
permasalahan
permasalahan yang ada
dapat diketahui dengan
jelas.
2. Interview
;
yaitu
melakukan penelusuran
untuk mendapatkan data
dan informasi melalui
tanya jawab, quistioner,
wawancara dengan pihak
atau orang – orang yang
berkompeten
terhadap
permasalahan
yang
sedang diteliti.
3. Studi Pustaka ; yaitu
pengumpulan data dan
penelusuran
informasi
dengan cara membaca dan
mempelajari buku – buku
dan jurnal – jurnal
penelitian yang berkaitan
dan menunjang, baik
73
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
ISSN : 2301-4474
dalam penganalisaan data
dan informasi, maupun
pemecahan
masalah
secara keseluruhan.
f. Analisis Data
Analisa data dilakukan
untuk mendapatkan permasalahan
yang ditimbulkan dari data yang
telah tersedia.
g. Pengolahan Data
Data
yang
telah
didapatkan diolah sesuai dengan
metoda ataupun algoritma yang
telah ditentukan. Data diolah agar
menjadi lebih bermanfaat oleh user
untuk menjadi sebuah informasi
yang dapat digunakan untuk
mengambil sebuah keputusan
h. Pengujian Data
Pengujian
data
dilakukan
untuk
mengetahui
apakah data yang telah diolah
sudah sesuai dengan kebutuhan
atau belum, sebelum data yang
dihasilkan
digunakan
untuk
mengambil sebuah keputusan.
i. Evaluasi Data
Tahap ini dilakukan untuk melihat keakuratan
data yang dihasilkan.
Pemodelan
JST
untuk
Prediksi
Pengorderan Barang
Pemodelan Jaringan Syaraf Tiruan
ini digunakan untuk menentukan dan
mengenali pola yang akan digunakan dalam
memprediksi tingkat keakuratan jumlah
penjualan barang di mini market 165. Dalam
hal ini barang-barang yang terdapat di mini
market ini dikelompokan menjadi 5 kelompok
barang. Data masukan diambil berdasarkan 2
tahun (24 bulan) sebelumnya.
Variabel Masukan
Agar data dapat dikenali oleh
jaringan dan sekaligus dapat diproses
menggunakan perangkat lunak (software),
maka data harus diubah ke dalam bentuk
matriks atau numerik. Kelima variabel adalah
berdasarkan jenis pengelompokan obat X1, X2,
X3, X4 dan X5 di mana :
X1
X2
X3
X4
X5
: Makanan
: Minuman
: Alat tulis dan kantor
: Sabun dan shampo
: Alat Kebersihan
Analisa Prediksi Jumlah Order Barang . . .
Agar masukan dapat dilatih, tabel diubah ke
dalam bentuk matriks P berukuran 5x15 dan
sisanya digunakan untuk pengujian dengan
matriks U berukuran 5x 11.
Hasil keluaran (target) yang
diinginkan berupa terbagi menjadi 2 pola,
yaitu Prediksi pemesanan barang akurat (1)
dan Prediksi pemesanan barang tidak akurat
(0). Pada pola (1) taksiran antara 0,001
sampai dengan 0,499
dan pola (0) taksiran
antara 0,500 sampai dengan 1000 .
B. Arsitektur Jaringan Multi-Layer
Arsitektur Jaringan Syaraf Tiruan
yang digunakan dalam kasus ini adalah
jaringan algoritma backpropagation, yang
terdiri dari :
a. Lapisan input dengan 5 simpul.
b. Lapisan output dengan 1 simpul yaitu
keakuratan sebagai nilai yang
diprediksi.
c. Lapisan tersembunyi dengan jumlah
simpul
yang
ditentukan
oleh
pengguna.
Pada gambar 4.1. disajikan arsitektur
Jaringan Syaraf Tiruan untuk prediksi
pemesanan dengan 5 buah prediktor.
74
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
ISSN : 2301-4474
X1
Tabel 4.3. Data Hasil Transformasi
X2
O
X3
Keakuratan
Prediksi
Kunjungan
X4
X5
Lapisan Masukan
Lapisan Tersembunyi
Lapisan Output
Gambar 4.1. Arsitektur Jaringan Syaraf
Tiruan untuk Prediksi Pengorderan
Barang
Jaringan syaraf yang akan dibangun
adalah algoritma propagasi balik dengan
fungsi aktivasi sigmoid. Fungsi aktivasi dalam
jaringan syaraf tiruan dipakai untuk
menentukan keluaran suatu neuron.
Perancangan Algoritma Backpropagation
Pelatihan
Pelatihan (training) dilakukan
untuk memperkenalkan pola – pola atau
model – model dari data masukan. Dari 26
Data yang dilatihkan terdiri atas 13 data pada
pola keluaran tidak optimal (0) dan 13 data
pada pola keluaran optimal (1). Data
dilatihkan dengan dipengaruhi oleh model
algoritma jaringan yang digunakan, jumlah
lapisan tersembunyi, nilai konstanta belajar,
besar galat, dan fungsi aktivasi.
Data kunjungan yang akan
disertakan sebagai data yang akan dilatihkan
dapat dilihat pada tabel 4.2 berikut :
Transformasi Data
Dalam algoritma propagasi balik
dengan fungsi aktivasi sigmoid data yang
ditampilkan merupakan antara 0 dan 1, dengan
demikian data yang akan diinputkan harus
ditransformasikan terlebih dahulu dengan
menggunakan rumus :
0,8*(X-a)
Xn =
+ 0,1
b-a
Xn
b
a
0,8
= Nilai ke-n
= Nilai data tertinggi
= Nilai data terendah
= Ketetapan
Analisa Prediksi Jumlah Order Barang . . .
Perancangan
Analisis
Algoritma Backpropagation
Menggunakan
Pada tahap perancangan ini, hasil
analisis yang telah didapatkan akan diterapkan
pada langkah-langkah algoritma propagasi
balik menggunakan fungsi aktivasi Sigmoid.
Adapun
langkah-langkah
penggunaan
algoritma
propagasi
balik
dengan
menggunakan fungsi aktivasi sigmoid adalah
sebagai berikut:
1. Tahap Initialization
Merupakan
tahapan
untuk
mendefinisikan/menset awal nilai untuk
variabel-variabel yang diperlukan seperti;
nilai input, weight, output yang
diharapkan, learning rate (α), θ dan
sebagainya.
2. Tahap Activation
Pada tahap activation ini dilakukan 2
(dua) kegiatan yaitu; menghitung actual
output pada hidden layer dan menghitung
actual output pada output layer.
3. Tahap Weight Training
Pada tahap weight training ini juga
dilakukan 2 (dua) kegiatan yaitu;
menghitung error gradient pada output
layer dan menghitung error gradient pada
hidden layer.
4. Tahap Iteration
Tahapan terakhir ini adalah tahapan untuk
tahapan pengujian dimana jika error yang
diharapkan belum ditemukan maka akan
kembali lagi kepada tahapan ke 2 (dua)
activation.
Pengujian yang dilakukan pada
penelitian ini adalah menggunakan
arsitektur jaringan 5-2-1 yang terdiri dari:
5 neuron sebagai data input sebagai
variabel penelitian, yaitu jenis barang
yang terdapat di mart 165. 2neuron pada
unit layar tersembunyi(hidden layer) dan
1 neuron pada output yang akan
memperlihatkan hasil berupa nilai yang
memperlihatkan akurat atau tidak
75
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
akuratnya pengorderan barang di Mart
165. Sebelum data di inputkan terlebih
dahulu dibagi menjadi dua bagian, yaitu
30 sebagai data pelatihan diperlihatkan
dan 20 data pengujian pada beserta target
dari.
Sebelum jaringan dibangun terlebih dahulu
dilakukan preproccessing untuk melakukan
normalisasi menggunakan mean dan deviasi
standar. Apabila data input disimpan pada
matriks p, dan target disimpan pada matriks t,
maka :
[pn,meanp,stdp,tn,meant,stdt]
=
prestd(p,t)
berhenti jika mse < batas yang ditentukan
dalam net.trainParam.goal atau jumlah
epoch mencapai batas yang ditentukan
dalam net.trainParam.epochs.
>>net.trainParam.lr = 0.1;
Digunakan untuk menentukan laju
pemahaman (α = learning rate).
Default=0.01, semakin besar nilai α,
semakin cepat pula proses pelatihan.
Akan tetapi jika α terlalu besar, maka
algoritma menjadi tidak stabil dan
mencapai titik minimum lokal.
>>net.trainParam.show = 200;
Digunakan untuk menampilkan frekuensi
perubahan mse (default : setiap 25
epoch).
>>net.trainParam.mc = 0.8;
Digunakan untuk menentukan besarnya
faktor momentum dengan memberikan
nilai 0-1 (default-nya = 0.9).
Kemudian dibangun jaringan syaraf dengan
metode pembelajaran gradient descent dengan
momentum (traingdm) :
net=newff(minmax(pn),[2
1],{'tansig','purelin'},'traingdm');
a.
b.
net=newff(minmax(pn];];Melakukan
Preprocessing
>>%Preprocessing
>>[pn,meanp,stdp,tn,meant,std
t]=prestd(P,T)
Membangun
Jaringan
Syaraf
Backpropagation
Pembentukan
jaringan),[2
1],{'tansig','purelin'},'traingdm');
Selanjutnya maka akan terbentuk
arsitektur jaringan 5-2-1.
Bobot awal lapisan input ke lapisan
tersembunyi pertama adalah sebagai
berikut :
>>net.IW{1,1}
Bobot bias awal lapisan input ke lapisan
tersembunyi :
>>net.b{1,1}
-1.0281
Bobot awal lapisan tersembunyi ke lapisan
output :
>>net.LW{2,1}
Bobot bias awal lapisan tersembunyi ke
lapisan output :
>>net.b{2,1}
c. Menetapkan Parameter – parameter yang
digunakan sebelum pelatihan
Sebelum melakukan pelatihan, maka
ditetapkan terlebih dahulu parameter –
parameter yang akan digunakan sebagai
berikut :
>>net.trainParam.epochs = 5000;
Digunakan untuk menentukan jumlah
epoch maksimum pelatihan.
>>net.trainParam.goal = 1e-2;
Digunakan untuk menentukan batas nilai
mse agar iterasi dihentikan. Iterasi akan
Analisa Prediksi Jumlah Order Barang . . .
ISSN : 2301-4474
d.
Melihat keluaran yang dihasilkan jaringan
Untuk melihat keluaran yang dihasilkan
jaringan digunakan perintah berikut :
>>[a,Pf,Af,e,perf]=sim(net,pn,[],[],tn)
e.
Melakukan proses pelatihan
Selanjutnya adalah melakukan proses
pelatihan dengan perintah berikut :
>>net=train(net,pn,tn);paus
e
Hasilnya seperti terlihat pada gambar 5.1
berikut :
Gambar Hasil pelatihan sampai
dengan 235 Epochs
TRAINGDM, Epoch 0/5000,
MSE 1.19411/0.01, Gradient 1.12738/1e010
TRAINGDM, Epoch 200/5000,
MSE
0.0130824/0.01,
Gradient
0.0336767/1e-010
TRAINGDM, Epoch 235/5000,
MSE
0.00995516/0.01,
Gradient
0.0255048/1e-010
TRAINGDM, Performance goal met.
76
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
f.
g.
Training dihentikan pada epochs ke 235
unjuk
kerja
yang
diinginkan
(MSE=0.00995516).
Pengujian terhadap data – data yang ikut
dilatih
Pengujian terhadap data – data yang ikut
dilatih (pelatihan = data selama 36 bulan)
dilakukan dengan cara simulasi dengan
perintah berikut :
>>an = sim(net,pn);
>>a = poststd(an,meant,stdt);
>>H = [(1:size(P,2))' T' a' (T'-a')];
>>sprintf('%2d %9.2f %7.2f %5.2f\n',H')
Evaluasi output jaringan (Data pelatihan
dengan target)
Output jaringan dengan target dianalisis
dengan regresi linear menggunakan
postreg :
>> [m1,a1,r1]=postreg(a,T)
>>
xlabel('Data
');ylabel('Target/Output');pause
ISSN : 2301-4474
Ke-
Gambar 5.4. Hasil Pengujian Data
Pelatihan Dengan Target
Pada gambar 5.4 terlihat hasil
pengujian data pelatihan dengan target.
Dimana hasil pelatihan sesuai dengan target
(1) yang diinginkan dengan
nilai aktual 1,00 dan nilai error 0,00. Nilai ini
dapat dilihat setelah dilakukan perintah
”>> sprintf('%2d %9.2f %7.2f
%5.2f\n',H')”
Berikut ini gambar 5.5 adalah hasil
pengujian dengan data uji (pembanding) :
Gambar Perbandingan Pelatihan
Dengan Target
Berikut output jaringan dengan target
(data pengujian dengan target) :
Gambar 5.5. Hasil Pengujian Data
Pembanding (Pengujian) Dengan
Target
Gambar Perbandingan Pengujian
Dengan Target
Selanjutnya
untuk
melihat
hasil
pengujian, maka gunakan perintah berikut
:
>>
plot([0.01:size(P,2)]',T,'bo',[1:size(P,2)]',a
','r*');
>>title('Hasil Pengujian Dengan Data
Pelatihan: Target(o), Output(*)');
Analisa Prediksi Jumlah Order Barang . . .
Pada gambar 5.5 terlihat hasil
pengujian data pembanding (pengujian)
dengan target.
DaftarPustaka
Puspitahningrum, Diyah, Pengantar Jaringan
Syaraf Tiruan, Yogyakarta : Andi
Offset. 2006
Siang, Jong Jek,
JaringanSyarafTiruan&Pemrogram
mannyaMenggunakanMatlab,
YogyakartaAndi Offset 2004
77
JURNAL TEKNOLOGI Fakultas Teknologi Industri, Volume 3, No. 1
ISSN : 2301-4474
Suyanto, Artificial Intelligence,Bandung :
Informatika. 2007
Andrijasa, Mistianingsih. (2010).
“PenerapanJaringanSyarafTiruanUntukMe
mprediksiJumlahPengangguran di Provinsi
Kalimantan TimurDengan
MenggunakanAlgoritmaPembelajaranBackp
ropagation. 5, 1-5.
Devi. Et al “ANN Approach for Weather
Prediction using Back
Propagation”International Journal of
Engineering Trends and TechnologyVolume3Issue1- 2012.
DesianidanArhami,
KonsepKecerdasanBuatan,
Yogyakarta, Andi Offset 2006
M. DessyWuryanidan I Afrianto, (2012),”
PerbandinganMetodeJaringanSyara
fTiruanBackpropgationdan
Learning
Vector
Quantization
PadaPengenalanWajah”, volume 1
Analisa Prediksi Jumlah Order Barang . . .
78