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