plagiat merupakan tindakan tidak terpuji - core.ac.uk filetidak m em uat karya atau bagian karya...
TRANSCRIPT
PENYALURAN KREDIT BERDASARKAN PREDIKSI PENJUALAN
SEPEDA MOTOR DI DIY DENGAN MENGGUNAKAN
BACKPROPAGATION
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
Program Studi Ilmu Komputer
Oleh:
Anastasia Kristi Astuti
NIM : 023124064
PROGRAM STUDI ILMU KOMPUTER JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SANATA DHARMA
2007
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PERNYATAAN KEASLIAN KARYA
Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini
tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan
dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah.
Yogyakarta, 14 Maret 2007
Penulis
Anastasia Kristi Astuti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
Seberapapun Besarnya Kesulitan yang Dihadapi,
Tetaplah Kuat dan Berjuang untuk Orang – orang
yang Kita Sayangi.
Mereka Semua Mendoakan Kita untuk Memperoleh
yang Terbaik...
Untuk Itu, Berjuang dan Berusahalah
Untuk Mencapai yang Terbaik,
Agar Kita Dapat Membahagiakan Mereka
dan Diri Kita Sendiri.
- AnKA-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
Karya ini kupersembahkan untuk: JC, Bunda Maria dan Santo Yusuf
Mama dan Papa Tercinta
Mas Toto, Mbak Iin & Mas Doni, Mbak Titi
Dek’ Ranu – Keponakanku tersayang
Daru – Sahabat dan Penyemangatku
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
ABSTRAK
PENYALURAN KREDIT BERDASARKAN PREDIKSI PENJUALAN
SEPEDA MOTOR DI DIY DENGAN MENGGUNAKAN
BACKPROPAGATION
( Studi Kasus : PT. Adira Dinamika Multifinance untuk Honda )
Jaringan Syaraf Tiruan adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi. Jaringan Syaraf Tiruan
memiliki berbagai macam metode di dalam pembelajarannya, yang dapat
diaplikasikan ke dalam berbagai bidang. Salah satu aplikasi yang dapat dibuat
dengan menggunakan Jaringan Syaraf Tiruan adalah aplikasi dalam bidang
peramalan.
Dalam skripsi ini dibuat program untuk memprediksi jumlah peminat
pembelian sepeda motor di DIY secara kredit melalui PT. Adira Dinamika
Multifinance dengan menggunakan salah satu metode yang terdapat pada mata
kuliah Jaringan Syaraf Tiruan, yaitu metode Backpropagation dan menggunakan
software Matlab 6.5.
Dari pengujian – pengujian didapatkan hasil terbaik (rerata error testing
terkecil), yaitu : fungsi pelatihan menggunakan algoritma Levenberg-Marquardt
(trainlm), pembagian data training dan testing dengan menggunakan tahun ganjil
sebagai data training dan tahun genap sebagai data testing, jumlah unit masukan :
12, arsitektur jaringan : 12−4−2−1. Pengujian menggunakan data Dealer ABC
Motor di Kotamadya Yogyakarta dengan periode tahun 2001-2005. Dari hasil
prediksi yang didapat, maka dapat disimpulkan bahwa prediksi minat pembeli
sepeda motor untuk Dealer ABC Motor dengan menggunakan jasa PT. Adira
Dinamika Multifinance pada periode tahun 2001 – 2005 mengalami peningkatan
di bulan Maret dan November tahun 2006.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRACT
CREDIT DISTRIBUTION BASED ON SELLING PREDICTION OF
MOTORCYCLE IN DIY USING BACKPROPAGATION METHOD
(Case Study: PT. Adira Dinamika Multifinance for Honda)
Artificial Neural Network is an information processing system which has a
similar characteristic with biological neural network. Artificial Neural Network
has various method of learning, which can be applied to a lot of work field. One
of the fields is forecasting.
In these thesis is made for predicting a sum of person who wants to buy
motorcycle which use PT. Adira Dinamika Multifinance services. The thesis use
one of the methods in Artificial Neural Network subject that is Backpropagation,
and using Matlab 6.5 software.
From the research, there are several best result: training function using
Levenberg-Marquardt algorithm (trainlm), distribution of odd years as training
data and even years as testing data, input unit: 12, network architecture: 12-4-2-1.
The research data is taken from ABC Motor Dealer in central DIY at the years of
2001 until 2005. From the prediction result, the conclusion that can be obtained is
there is an increasing interest in buying motor cycle at ABC motor dealer using
PT. Adira Dinamika Multifinance services in the March and November 2006.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
KATA PENGANTAR
Puji Syukur kepada Tuhan Yang Maha Esa atas berkat, rahmat dan karunia-
Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “ Penyaluran
Kredit Berdasarkan Prediksi Penjualan Sepeda Motor di DIY dengan
Menggunakan Backpropagation ” sebagai salah satu syarat memperoleh gelar
Sarjana Sains (S.Si.) di Fakultas MIPA, program studi Ilmu Komputer Universitas
Sanata Dharma Yogyakarta.
Selama penelitian sampai pada penyusunan skripsi ini, penulis banyak
mendapat bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin
menyampaikan banyak ucapan terima kasih kepada :
1. Tuhan Yesus beserta Bunda Maria dan Santo Yusuf yang selalu setia
membantu dan mendampingiku.
2. Ibu P.H. Prima Rosa, S.Si., M.Sc. selaku Kepala Program Studi Ilmu
Komputer Sanata Dharma dan Dosen Pembimbing Akademik.
3. Bapak Drs. Jong Jek Siang, M.Sc., selaku Dosen Pembimbing Skripsi. Trima
kasih atas segala perhatian dan bimbingannya.
4. Bapak Y. Joko Nugroho, S.Si dan bapak Eko Hari, S.Si, M.Kom selaku Dosen
Penguji.
5. Mas Tukijo dan Ibu Linda... Trima kasih atas bantuannya. Kompak selalu ya...
6. Mama dan Papa tercinta, trima kasih atas dukungan, doa dan kasih
sayangnya... Akhirnya aku bisa berkumpul kembali di rumah...
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
7. Kakak-kakakku : mas Toto, mbak Iin, mas Doni dan mbak Titi, yang selalu
memberi semangat dan mengingatkan penulis untuk segera menyelesaikan
skripsi ini & berkumpul kembali dengan keluarga tercinta di Pondok Gede.
8. Adek Ranu, keponakanku tersayang. Cerita-cerita tentangmu membuat
semangat penulis menjadi bertambah.
9. Sahabatku tersayang disaat suka maupun duka, Daru. Thanks for all...
10. Playgroup SC yang selalu ceria : Daru, Hendi, Tina, Anel dan Mbak Kris.
11. Teman-teman seperjuanganku di IKOM Universitas Sanata Dharma angkatan
2002 dan mas Nunu IKOM’00... Ciayoo...
12. Teman-teman kost Benteng Takeshi : Alam, mbak Icha, Titien, Kristin, mbak
Keny, mbak Ria, Veni, Neldi, Aya, Nana, Pipiet, Astu...Ceria kalian sangat
menghibur penulis. Kapan kita ke Pasar Klewer naik Pramex???
13. Eyang Warno&Harjo, Rm. Bass, Mbak Eny & Om Mono, trima kasih atas
dukungan dan doanya. Risky PBI’00, thanks untuk abstract – nya ya...
14. Gank KC & PKK Girl’s on PL-2 Servatius... Friendship Forever.
Penulis menyadari bahwa masih banyak kekurangan dalam penyusunan
skripsi ini. Penulis memohon kritik dan saran yang akan sangat berarti bagi
penulis. Penulis memiliki harapan yang sangat besar, semoga skripsi ini dapat
bermanfaat bagi pembaca dan perkembangan ilmu pengetahuan.
Yogyakarta, Maret 2007
Penulis,
Anastasia Kristi Astuti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
DAFTAR ISI
HALAMAN JUDUL .........................................................................................
HALAMAN PERSETUJUAN ...........................................................................
HALAMAN PENGESAHAN ............................................................................
PERNYATAAN KEASLIAN KARYA .............................................................
MOTTO .............................................................................................................
HALAMAN PERSEMBAHAN .........................................................................
ABSTRAK ........................................................................................................
ABSTRACT ......................................................................................................
KATA PENGANTAR ........................................................................................
DAFTAR ISI .....................................................................................................
DAFTAR GAMBAR .........................................................................................
DAFTAR TABEL .............................................................................................
BAB I PENDAHULUAN .................................................................................
A. Latar Belakang Masalah ......................................................................
B. Rumusan Masalah ...............................................................................
C. Batasan Masalah ..................................................................................
D. Tujuan Penulisan .................................................................................
E. Manfaat Penulisan ...............................................................................
F. Metodologi Penelitian .........................................................................
G. Sistematika Penulisan ..........................................................................
BAB II LANDASAN TEORI ............................................................................
A. Jaringan Syaraf Biologi .......................................................................
B. Jaringan Syaraf Tiruan .........................................................................
C. Backpropagation ..................................................................................
1. Arsitektur Backpropagation ........................................................
2. Fungsi Aktivasi ...........................................................................
1
1
2
3
3
3
4
4
6
6
7
7
8
9
i
ii
iii
iv
v
vi
vii
viii
ix
xi
xv
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
3. Pre – Processing (Normalisasi Data) ...........................................
4. Konstruksi Jaringan ....................................................................
5. Inisialisasi Bobot Awal Secara Random ......................................
6. Pelatihan .....................................................................................
7. Kuadrat Rata – rata Kesalahan (MSE) .........................................
8. Simulasi ......................................................................................
9. Post – Processing (Denormalisasi Data) ......................................
D. Prediksi ...............................................................................................
BAB III PERANCANGAN SISTEM .................................................................
A. Perancangan Umum .............................................................................
B. Perancangan Antar Muka .....................................................................
1. Training, Testing dan Prediksi .....................................................
2. Training, Testing dan Prediksi dengan Metode 5 .........................
3. Perancangan Form Jumlah Unit Hidden Layer .............................
4. Perancangan Form Masukan Data Baru ......................................
5. Perancangan Form Pengubahan Data ..........................................
C. Perancangan Proses .............................................................................
1. Proses Pengambilan Data Input dan Target Training ....................
2. Proses Normalisasi Data Training (Pre-Processing Data) ............
3. Proses Training ...........................................................................
4. Proses Pengambilan Data Input dan Target Testing .....................
5. Proses Normalisasi Data Testing .................................................
6. Proses Testing dan Prediksi ........................................................
7. Proses Denormalisasi Data Prediksi (Post-Processing Data) ........
BAB IV IMPLEMENTASI DAN PEMBAHASAN............................................
A. Implementasi........................................................................................
1. Implementasi Sistem ...................................................................
a. Pembagian Data Input dan Target Training ............................
b. Proses Normalisasi Data Training (Pre-Processing Data) .......
9
10
10
11
15
16
16
16
18
18
19
19
29
31
30
32
33
34
35
36
36
37
37
37
39
39
39
39
41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
c. Proses Training .....................................................................
d. Proses Pengambilan Data Input dan Target Testing ...............
e. Proses Normalisasi Data Testing ...........................................
f. Proses Testing dan Prediksi ...................................................
g. Proses Denormalisasi Data Prediksi (Post-Processing Data) ..
2. Implementasi Antar Muka ...........................................................
a. Implementasi Antar Muka Training, Testing dan Prediksi ......
b. Implementasi Antar Muka Training, Testing dan Prediksi
dengan Metode 5 ...................................................................
c. Implementasi Jumlah Unit 1 dan 2 Hidden Layer ..................
d. Implementasi Antar Muka Masukan Data Baru .....................
e. Implementasi Antar Muka Pengubahan Data .........................
B. Pembahasan..........................................................................................
1. Menentukan Fungsi Pelatihan yang Tercepat ...............................
2. Menentukan Jumlah Unit Masukan dan Metode Pembagian Data
Training dan Testing....................................................................
a. Pembagian data training dan testing dengan menggunakan
metode 1 ...............................................................................
b. Pembagian data training dan testing dengan menggunakan
metode 2 ...............................................................................
c. Pembagian data training dan testing dengan menggunakan
metode 3 ...............................................................................
d. Pembagian data training dan testing dengan menggunakan
metode 4 ...............................................................................
e. Pembagian data training dan testing dengan menggunakan
metode 5 ...............................................................................
f. Pembagian data training dan testing dengan menggunakan
metode 6 ...............................................................................
3. Menentukan Jumlah Unit Lapisan Tersembunyi...........................
a. Pengujian Satu Hidden Layer Terhadap Rerata Error Testing ..
b. Pengujian Dua Hidden Layer Terhadap Rerata Error Testing ....
42
43
43
44
44
45
46
47
48
49
50
51
52
55
56
57
59
60
61
62
64
65
66
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
4. Pengujian Banyak Iterasi Terhadap MSE dan Rerata Error Testing
5. Pengujian Target Error Terhadap Banyak Iterasi..........................
6. Pengamatan Hasil Prediksi ..........................................................
BAB V PENUTUP .............................................................................................
A. Kesimpulan ..........................................................................................
B. Saran ....................................................................................................
DAFTAR PUSTAKA .........................................................................................
68
70
73
74
74
75
76
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
DAFTAR GAMBAR
Gambar 2.1 Neuron Biologi .............................................................................
Gambar 2.2 Arsitektur Backpropagation ..........................................................
Gambar 3.1 Bagan Alir Program Penyaluran Kredit Berdasarkan Prediksi
Penjualan Sepeda Motor di DIY dengan
Menggunakan Backpropagation.....................................................
Gambar 3.2 Perancangan Form Training, Testing dan Prediksi dengan Metode 1
Gambar 3.3 Perancangan Form Training, Testing dan Prediksi dengan Metode 5
Gambar 3.4 Perancangan Form Jumlah Unit 1 Hidden Layer ............................
Gambar 3.5 Perancangan Form Jumlah Unit 2 Hidden Layer ...........................
Gambar 3.6 Perancangan Form Masukan Data Baru ........................................
Gambar 3.7 Perancangan Form Pengubahan Data ............................................
Gambar 4.1 Hasil Implementasi Training, Testing dan Prediksi dengan Metode 1
Gambar 4.2 Hasil Implementasi Training, Testing dan Prediksi dengan Metode 5
Gambar 4.3 Hasil Implementasi Jumlah Unit 1 Hidden Layer ............................
Gambar 4.4 Hasil Implementasi Jumlah Unit 2 Hidden Layer ............................
Gambar 4.5 Hasil Implementasi Masukan Data Baru .........................................
Gambar 4.6 Hasil Implementasi Pengubahan Data ..............................................
Gambar 4.7 Urutan Pengujian dan Pengamatan Hasil Prediksi ............................
Gambar 4.8 Pengujian Fungsi Pelatihan dengan dengan Arsitektur 12 − 10 − 1
Gambar 4.9 Pengujian Fungsi Pelatihan dengan dengan Arsitektur
12 − 3 − 4 − 1 .................................................................................
Gambar 4.10 Pengujian Unit Masukan dengan Menggunakan Metode 1 .............
Gambar 4.11 Pengujian Unit Masukan dengan Menggunakan Metode 2 .............
Gambar 4.12 Pengujian Unit Masukan dengan Menggunakan Metode 3 .............
Gambar 4.13 Pengujian Unit Masukan dengan Menggunakan Metode 4 .............
Gambar 4.14 Pengujian Unit Masukan dengan Menggunakan Metode 5 .............
Gambar 4.15 Pengujian Unit Masukan dengan Menggunakan Metode 6 .............
Gambar 4.16 Pengujian Unit Masukan dengan Menggunakan Metode 1-6 ..........
Gambar 4.17 Pengujian Satu Hidden Layer Terhadap Rerata Error Testing.........
6
8
18
29
30
31
31
32
33
46
47
48
48
49
50
52
53
55
57
58
60
60
62
63
64
64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
Gambar 4.18 Satu Hidden Layer dengan Rerata Error Testing Terkecil ..............
Gambar 4.19 Pengujian Dua Hidden Layer Terhadap Rerata Error Testing .........
Gambar 4.20 Dua Hidden Layer dengan Rerata Error Testing Terkecil ..............
Gambar 4.21 Pengujian Banyak Iterasi Terhadap MSE ......................................
Gambar 4.22 Pengujian Banyak Iterasi Terhadap Rerata Error Testing ..............
Gambar 4.23 Pengujian Target Error Terhadap Banyak Iterasi ...........................
Gambar 4.24 Pengujian Target Error Terhadap Banyak Rerata Error Testing .....
66
67
68
69
70
72
72
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvii
DAFTAR TABEL
Tabel 3.1 Data Penjualan Sepeda Motor di Dealer ABC Motor ........................
Tabel 3.2 Data Training dengan Menggunakan Metode 1 .................................
Tabel 3.3 Data Testing dengan Menggunakan Metode 1 ..................................
Tabel 3.4 Data Training dengan Menggunakan Metode 2 .................................
Tabel 3.5 Data Testing dengan Menggunakan Metode 2 ..................................
Tabel 3.6 Data Training dengan Menggunakan Metode 3 .................................
Tabel 3.7 Data Testing dengan Menggunakan Metode 3 ..................................
Tabel 3.8 Data Training dengan Menggunakan Metode 4 .................................
Tabel 3.9 Data Testing dengan Menggunakan Metode 4 ..................................
Tabel 3.10 Data Training dengan Menggunakan Metode 5 ...............................
Tabel 3.11 Data Testing dengan Menggunakan Metode 5 ................................
Tabel 3.12 Data Training dengan Menggunakan Metode 6 ...............................
Tabel 3.13 Data Testing dengan Menggunakan Metode 6 ................................
Tabel 3.14 Data Sebelum dan Sesudah Dilakukan Normalisasi ........................
Tabel 4.1 Hasil Pengujian Fungsi Pelatihan dengan Arsitektur 12 − 10 − 1 .......
Tabel 4.2 Hasil Pengujian Fungsi Pelatihan dengan Arsitektur 12 − 3 − 4 − 1 ...
Tabel 4.3 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 1........
Tabel 4.4 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 2........
Tabel 4.5 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 3........
Tabel 4.6 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 4........
Tabel 4.7 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 5........
Tabel 4.8 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 6........
Tabel 4.9 Hasil Pengujian Banyak Iterasi Terhadap MSE dan Rerata Error
Testing ..............................................................................................
Tabel 4.10 Hasil Pengujian Target Error terhadap Banyak Iterasi dan Rerata Error
Testing ..............................................................................................
Tabel 4.11 Hasil Prediksi Data ABC Motor untuk Tahun 2006 ...........................
22
22
23
23
24
24
25
25
26
26
27
27
28
35
53
54
56
58
59
60
61
63
69
71
73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
A. Latar Belakang Masalah
Perkiraan jumlah stok barang yang laku terjual seringkali menjadi masalah
sebuah perusahaan dalam memperkirakan jumlah penjualan di masa yang akan
datang, apakah akan mengalami kenaikan penjualan atau bahkan akan mengalami
penurunan penjualan. Permasalahan tersebut ada ketika sebuah perusahaan ingin
mengetahui apakah perlu menambah upaya – upaya dalam mempromosikan
barang – barang yang dijual, supaya dapat mengalami peningkatan penjualan
barang yang ditawarkan oleh perusahaan tersebut. Dengan tidak adanya kepastian
besarnya jumlah barang yang laku terjual, maka sebuah perusahaan tidak dapat
mengetahui berapa besar biaya yang kira – kira harus dikeluarkan untuk
membayar biaya promosi.
Permasalahan di atas dapat diatasi dengan membuat sebuah perangkat lunak
yang dapat memprediksi jumlah penjualan barang di bulan atau di masa yang akan
datang. Perangkat lunak yang dibuat menggunakan metode Backpropagation dari
mata kuliah Jaringan Syaraf Tiruan. Backpropagation melatih jaringan untuk
mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola
yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan
respon yang benar terhadap pola masukan yang serupa ( tapi tidak sama ) dengan
pola yang dipakai selama pelatihan. Pola yang dimaksud disini adalah pola
kejadian yang ada di masa yang lampau. Dalam penggunaan metode
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
Backpropagation data – data yang ada terlebih dahulu dilakukan proses
pelatihan, setelah itu dilakukan proses pengujian dan kemudian akan didapatkan
hasil prediksi jumlah penjualan barang di bulan atau di masa yang akan datang.
Data – data yang akan digunakan, diambil dari data – data PT. Adira Dinamika
Multifinance Jakarta untuk wilayah Daerah Istimewa Yogyakarta (DIY).
Dengan adanya perangkat lunak yang akan dibuat, dapat memberikan bantuan
kepada perusahaan yang bergerak di bidang penyaluran kredit atau dapat juga
digunakan untuk perusahaan yang bergerak di bidang penjualan barang, di dalam
menentukan langkah – langkah yang harus diambil untuk meningkatkan minat
konsumen. Langkah – langkah itu dapat berupa usaha untuk meningkatkan
promosi ataupun pemberian diskon terhadap barang – barang yang ada (bagi
perusahaan yang bergerak di bidang penjualan barang).
B. Rumusan Masalah
Pokok permasalahan yang akan dibahas dalam skripsi ini dapat ditulis dengan
beberapa pertanyaan berikut :
1. Bagaimana proses pelatihan, pengujian dan prediksi dengan metode
Backpropagation dilakukan.
2. Bagaimana implementasi metode backpropagation untuk prediksi jumlah
penjualan barang di PT. Adira Dinamika Multifinance.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
C. Batasan Masalah
Dalam skripsi ini dilakukan beberapa batasan sebagai berikut :
1. Data – data jumlah barang yang digunakan adalah data – data dealer ABC
Motor selama lima tahun terakhir (2001 – 2005)
2. Program dikhususkan untuk Dealer yang bergabung pada awal tahun (bulan
Januari) selama beberapa periode (1 periode = 12 bulan)
3. Program dibuat dengan menggunakan software Matlab 6.5
4. Dalam pembuatan database digunakan bahasa pemrograman MySQL dan
ODBC
D. Tujuan Penulisan
Penulisan skripsi ini bertujuan untuk :
1. Mengamati seberapa besar pengaruh komponen – komponen penyusun
Backpropagation (fungsi pelatihan, jumlah hidden layer, banyak iterasi dan
target error) di dalam proses training dan testing.
2. Memperkirakan jumlah penjualan barang di masa yang akan datang dengan
menggunakan metode Backpropagation pada Jaringan Syaraf Tiruan.
E. Manfaat Penulisan
Manfaat yang diharapkan dalam penulisan skripsi ini adalah :
1. Memberikan sumbangan kepada perusahaan yang bergerak di bidang
penjualan barang untuk memprediksikan jumlah penjualan barang di bulan
atau di masa yang akan datang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
2. Dapat melihat perkembangan minat penduduk di masing – masing kabupaten
untuk wilayah Yogyakarta dalam hal pembelian motor Honda secara kredit
melalui PT. Adira Dinamika Multifinance (untuk kedepannya, apakah
semakin tinggi minatnya atau bahkan semakin menurun).
F. Metodologi Penelitian
Metodologi yang digunakan dalam pembuatan tugas akhir ini adalah :
1. Studi pustaka tentang penerapan metode Backpropagation di dalam proses
pelatihan, proses pengujian dan prediksi (peramalan).
2. Perancangan dan implementasi metode Backpropagation untuk sebuah
peramalan (forecasting) dalam suatu program.
3. Jalankan program dengan cara mengisi data – data sebagai input untuk melihat
hasil training, hasil testing dan hasil prediksi dengan menggunakan program
yang sudah dibuat.
4. Analisis tingkat minat pemakaian kredit untuk sepeda motor di wilayah DIY.
G. Sistematika Penulisan
Sistematika penulisan tugas akhir terdiri dari lima bab dengan urutan sebagai
berikut :
BAB I PENDAHULUAN
Menjelaskan uraian mengenai hal-hal yang menjadi dasar dalam
pembahasan skripsi ini. Uraian tersebut mengenai latar belakang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
masalah, rumusan masalah, batasan masalah, tujuan penulisan, manfaat
penulisan, metodologi penulisan dan sistematika penulisan
BAB II LANDASAN TEORI
Memberikan penjelasan secara singkat beberapa dasar pengetahuan yang
menjadi dasar dan dibahas bagaimana cara mengolah data-data input
dengan melakukan proses pelatihan dan pengujian.
BAB III PERANCANGAN SISTEM
Bab ini berisi tentang rancangan program yang akan digunakan di dalam
implementasi.
BAB IV IMPLEMENTASI DAN PEMBAHASAN
Bab ini berisi tentang implementasi dari rancangan sistem yang telah
dibuat, serta mengimplementasikan desain ke dalam pemrograman
sesungguhnya, serta berisi tentang analisis kerja program yang telah
dibuat.
BAB V PENUTUP
Bab ini berisi tentang kesimpulan dari analisis dan saran dari hasil
analisis serta pembahasan masalah berdasarkan pada hasil yang didapat
secara keseluruhan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
BAB II
LANDASAN TEORI
A. Jaringan Syaraf Biologi
Di dalam jaringan syaraf biologi terdapat sebuah bagian, yang sering disebut
sebagai neuron. Neuron memiliki 3 komponen penting, yaitu : dendrit, soma dan
axon. Dendrit menerima sinyal dari neuron lain. Sinyal tersebut berupa impuls
elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal
tersebut dimodifikasi (diperkuat / diperlemah) di celah sinaptik. Berikutnya, soma
menjumlahkan semua sinyal-sinyal yang masuk. Kalau jumlahan tersebut cukup
kuat dan melebihi batas ambang (threshold), maka sinyal trsebut akan diyetruskan
ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel
dengan yang lain.
Gambar 2.1 Neuron Biologi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
B. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi. JST dibentuk sebagai
generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi :
• Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).
• Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
• Penghubung antar neuron memiliki bobot yang akan memperkuat atau
memperlemah sinyal.
• Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi liner) yang dikenakan pada jumlahan input yang
diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas
ambang.
JST ditentukan oleh 3 hal :
• Pola hubungan antar neuron (disebut arsitektur jaringan)
• Metode untuk menentukan bobot penghubung (disebut metode training /
learning / algoritma)
• Fungsi aktivasi
C. Backpropagation
Backpropagation melatih jaringan untuk mendapatkan kesimbangan antara
kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta
kemampuan jaringan untuk memeberikan respon yang benar terhadap pola
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama
pelatihan.
1. Arsitektur Backpropagation
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar
tersembunyi. Gambar 2.2 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.
Gambar 2.2 Arsitektur backpropagation
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).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
2. Fungsi aktivasi
Dalam program yang akan dibuat, menggunakan fungsi aktivasi logsig
(sigmoid biner).
netenetf −+
=1
1)(
Fungsi sigmoid biner memiliki bentuk serupa dengan sigmoid bipolar, hanya
rangenya adalah [0,1].
3. Pre – Processing (Normalisasi Data)
Jika ingin menggunakan fungsi aktivasi sigmoid (biner), data harus
ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah
[0,1]. Data bisa diransformasikan ke interval [0,1]. Tapi akan lebih baik jika
ditransformasikan ke interval yang lebih kecil, misal pada interval [0.1, 0.9]. Ini
mengingat fungsi sigmoid merupakan fungsi asimtotik yang nilainya tidak pernah
mencapai 0 ataupun 1.
Jika a adalah data minimum dan b adalah data maksimum, transformasi linier
yang dipakai untuk mentransformasikan data ke interval [0.1, 0.9] adalah :
x’ = ( )
1.08.0 +
−−ab
ax
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
4. Konstruksi Jaringan
Arsitektur jaringan yang sering digunakan oleh algoritma backpropagation
adalah jaringan feedforward dengan banyak lapisan. Untuk membangun suatu
jaringan feedforward digunakan instruksi newff.
Fungsi :
net = newff(PR,[S1 S2 ... SN1],{TF1 TF2 ... TFN1},BTF,BLF,PF)
PR : matriks berukuran Rx2 yang berisi nilai minimum dan maksimum, dengan R
adalah jumlah variabel input.
Si : jumlah neuron pada lapisan ke-i, dengan i = 1,2,...,N1
TFi : fungsi aktivasi pada lapisan ke-i, dengan i = 1,2,...,N1; (default:tansig)
BTF : fungsi pelatihan jaringan (default:traingdx)
BLF : fungsi pelatihan untuk bobot (default:learngdm)
PF : fungsi kinerja(default:mse)
Fungsi aktivasi Tfi harus merupakan fungsi yang dapat dideferensialkan,
seperti tansig, logsig atau purelin. Fungsi pelatihan BTF dapat digunakan fungsi –
fungsi pelatihan untuk backpropagation, seperti trainlm, trainbfg, trainrp, atau
traingd. Fungsi kinerja bisa digunakan fungsi kinerja yang dapat dideferensialkan,
seperti mse atau msereg.
5. Inisialisasi Bobot Awal Secara Random
Pemilihan bobot awal sangat mempengaruhi jaringan syaraf dalam mencapai
minimum global (atau mungkin hanya lokal saja) terhadap nilai error, serta cepat
tidaknya proses pelatihan menuju kekonvergenan. Apabila nilai bobot awal terlalu
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
besar, maka input ke setiap lapisan tersembunyi atau lapisan output akan jatuh
pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Sebaliknya,
apabila nilai bobot awal terlalu kecil, maka input ke setiap lapisan tersembunyi
atau lapisan output akan sangat kecil, yang akan menyebabkan proses pelatihan
akan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random
dengan nilai antara -0.5 sampai 0.5 (atau -1 sampai 1, atau interval yang lainnya).
6. Pelatihan
Metode belajar yang digunakan adalah metode belajar terbimbing
(supervised learning). Pelatihan dengan jaringan backpropagation with delta-bar-
delta terdiri dari tiga fase. Fase pertama adalah fase maju. Pola masukan dihitung
maju mulai dari layar masukan hingga layar keluaran menggunkan fungsi aktivasi
yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan
dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan
tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung
dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk
menurunkan kesalahan yang terjadi.
• Fase I : Propagasi Maju
Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar
tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap
unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju lagi ke
layar tersembunyi di atasnya menggunakan fungsi yang ditentukan. Demikian
seterusnya hingga menghasilkan keluaran jaringan (= yk).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus
dicapai (= tk). Selisih tk-yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih
kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi
apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap
garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
• Fase II : Propagasi Mundur
Berdasarkan kesalahan tk-yk, dihitung faktor �k (k = 1,2,...,m) yang dipakai
untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang
terhubung langsung dengan yk. �k juga dipakai untuk mengubah bobot garis yang
berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor �j di setiap unit di layar tersembunyi
sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di
layar di bawahnya. Demikian seterusnya hingga semua faktor � di unit
tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
• Fase III : Perubahan Bobot
Setelah semua faktor � dihitung, bobot semua garis dimodifikasi bersamaan.
Perubahan suatu garis didasarkan atas faktor � neuron di layar atasnya. Sebagai
contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas �k
yang ada di unit keluaran.
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau
kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang
terjadi sudah lebih kecil dari batas toleransi yang diijinkan.
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan
fungsi aktivasi sigmoid biner) adalah sebagai berikut :
Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil.
Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8
Fase I : Propagasi maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit
tersembunyi di atasnya.
Langkah 4 : Hitung semua keluaran di unit tersembunyi zj ( j = 1,2,...,p )
z_netj = �=
+n
i
ijjj vzv1
0
zj = f(z_netj) = jnetze +−+1
1
Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1,2,...,m)
y_netk = �=
+p
j
kjjk wzw1
0
yk = f(y_netk) = knetye +−+1
1
Fase II : Propagasi mundur
Langkah 6 : Hitung faktor � unit keluaran berdasarkan kesalahan di setiap
unit keluaran yk(k = 1,2,...,m)
�k = ( ) ( ) ( ) ( )kkkkkk yyytknetyfyt −−=− 1_'
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
�k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar
di bawahnya (langkah 7).
Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah
bobot wkj ) dengan laju percepatan �.
�wkj = � �k zj ; k = 1,2,...,m ; j = 0,1,...,p
Langkah 7 : Hitung faktor � unit tersembunyi berdasarkan kesalahan di setiap
unit tersembunyi zj (j = 1,2,...,p)
�_netj = �=
m
k
kjkw1
δ
Faktor � unit tersembunyi :
�j = ( ) ( )jjjjj zznetnetzfnet −= 1__'_ δδ
Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah
bobot vji).
�vji = � �j xi ; j = 1,2,...,p ; i = 0,1,...,n
Fase III : Perubahan bobot
Langkah 8 : Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran :
kjkjkj wlamawbaruw ∆+= )()( (k = 1,2,...,m ; j = 0,1,...,p)
Perubahan bobot garis yang menuju ke unit tersembunyi :
jijiji vlamavbaruv ∆+= )()( (j = 1,2,...,p ; i = 0,1,...,n)
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan
pola. Dalam hal ini, hanya propagasi maju ( langkah 4 dan 5 ) saja yang dipakai
untuk menentukan keluaran jaringan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4
dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan7.
Dalam matlab pembelajaran dilakukan dengan menggunakan fungsi train.
Misal : net = train(net,pn,tn)
pn = vektor input ; tn = vektor target ; net = jaringan yang sudah dikonstruksi
7. Kuadrat Rata – rata Kesalahan (MSE)
MSE merupakan singkatan dari Mean Squared Error. Fungsi mse dalam
Matlab adalah fungsi kinerja yang dihasilkan jaringan. Fungsi mse mengukur
kinerja jaringan sesuai kuadrat rata – rata kesalahan (Mean Squared Error). MSE
dipakai untuk mengukur kinerja jaringan supervised learning, yang memiliki
pasangan input jaringan dan target,
{p1,t1},{p2,t2},...,{pQ,tQ}
Dimana pQ adalah sebuah input jaringan , tQ targetnya dan Q adalah cacah
seluruh input. Dalam pembelajaran jaringan, setiap input akan menghasilkan
output yang dibandingkan dengan target. Error dihitung sebagai selisih antara
target dan output.
SSE = Σ(Output yang diharapkan – Output jaringan)2
MSE = enOutputJumlahElem
SSE
Yang paling sering digunakan adalah MSE, fungsi ini akan mengambil rata – rata
kuadrat error yang terjadi antara output jaringan dan target.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
8. Simulasi
Dalam matlab simulasi dilakukan dengan menggunakan fungsi sim.
Misal : a = sim(net,pn) ;pn = vektor input ; net = jaringan yang sudah dikonstruksi
9. Post – Processing (Denormalisasi Data)
Post-processing data mencakup beberapa proses yang diterapkan pada output
Neural Network. Seperti halnya pre-processing, post-processing sepenuhnya
bergantung pada simulasi jaringan dan termasuk mendeteksi kapan parameter
melampaui jangkauan yang dapat diterima. Pada saat melakukan post-processing
data terhadap hasil output sistem dilakukan proses perubahan data sehingga data
output dapat dibaca oleh user, ini disebut sebagai proses denormalisasi.
Terkadang post-processing hanya merupakan kebalikan dari pre-processing.
Rumus yang digunakan pada post-processing yaitu :
Nilai baru = ( ) ( )
ValueValueValueoutputJST
min8.0
minmax1.0 +−×−
Dengan nilai baru adalah nilai yang telah didenormalisasi, output JST adalah
output yang dihasilkan berdasarkan proses prediksi, minValue adalah nilai
minimum data dan maxValue adalah nilai maksimum data.
D. Prediksi
Prediksi merupakan salah satu kegiatan matematis terlampau dalam bisnis,
dan telah dilakukan bertahun – tahun sebelum penguasaan komputer dengan
menggunakan kalkulator meja. Dengan adanya penggunaan komputer, maka para
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
pemrediksi (prediktor) dapat membuat perhitungan secara lebih cepat, akurat dan
mudah (Wibowo,2003).
Fakta – fakta dasar yang ada dalam proses prediksi yang dilakukan pemrediksi
adalah sebagai berikut :
• Prediksi adalah proyeksi dari masa lalu, sehingga dasar untuk memperkirakan
apa yang akan terjadi pada masa yang akan datang adalah dengan melihat
masa lampau. Hal ini merupakan alasan mengapa data sangat penting dalam
menentukan prediksi, dan data ini akan memberikan data hipotesis.
• Seluruh prediksi terdiri dari keputusan semi terstruktur, keputusan tersebut
didasarkan oleh beberapa variabel yang dapat diukur dengan mudah dan
variabel – variabel yang tidak dapat diukur.
• Tidak ada teknik prediksi atau peramalan yang sempurna. Dalam proses
prediksi tidak diharapkan untuk memprediksi masa depan dengan tingkat
akurasi 100 %.
• Peramalan tidak dapat dilakukan untuk jangka panjang, karena terbukti kurang
akurat dan kerapkali meleset jauh dari yang diharapkan. Dapat saja peramalan
yang telah dilakukan dapat menjadi tidak berguna. Sehingga, peramalan
jangka panjang tidak dapat meramalkan dengan baik perkembangan dan
situasi di masa mendatang yang penuh dengan ketidakpastian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
BAB III
PERANCANGAN SISTEM
A. Perancangan Umum
Bagan alir (flowchart) Program “Penyaluran Kredit Berdasarkan Prediksi
Penjualan Sepeda Motor di DIY dengan menggunakan Backpropagation” dapat
dilihat pada gambar 3.1.
�����
�������
�������
�������
�������� �����
��������
���������������
��������
��������������
� ���������
������������ �
��������������
�������� �����
�������
��
�����
���������������
�������
������ �������
�������������������
���� �������
�����
�������������
���
Gambar 3.1 Bagan Alir Program Penyaluran Kredit Berdasarkan Prediksi
Penjualan Sepeda Motor di DIY dengan Menggunakan Backpropagation
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
B. Perancangan Antar Muka
Perancangan antar muka untuk program “ Penyaluran Kredit Sepeda Motor di
DIY dengan Menggunakan Backpropagation” ini antara lain berisi perancangan
antar muka ‘training, testing dan prediksi’, perancangan antar muka jumlah unit
hidden layer, perancangan antar muka masukan data baru dan perancangan antar
muka pengubahan data.
1. Training, Testing dan Prediksi
Di dalam pembagian data training dan data testing digunakan 5 (lima) metode,
yaitu :
• Metode 1
- Data training = sisa seluruh data yang tidak digunakan oleh data testing,
pengambilan data training dimulai dari tahun awal.
- Data testing = jumlah unit masukan + 6, pengambilan data testing dihitung
dari data terakhir pada tahun terakhir.
- Terdapat perbedaan pembagian data training dan data testing untuk jumlah
unit masukan yang berbeda – beda.
• Metode 2
- Data training = seluruh data yang memiliki bulan ganjil, pengambilan data
training dimulai dari tahun awal sampai dengan tahun akhir.
- Data testing = seluruh data yang memiliki bulan genap, pengambilan data
testing dimulai dari tahun awal sampai dengan tahun akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
- Pembagian data training dan data testing adalah sama untuk jumlah unit
masukan yang berbeda – beda.
• Metode 3
- Data training = setengah dari jumlah seluruh data, pengambilan data
training dimulai dari tahun awal sampai dengan tahun batas pengambilan.
- Data testing = setengah dari jumlah seluruh data, pengambilan data testing
dimulai dari tahun batas pengambilan sampai dengan tahun akhir.
- Pembagian data training dan data testing adalah sama untuk jumlah unit
masukan yang berbeda – beda.
• Metode 4
- Data training = data yang memiliki tahun ganjil, pengambilan data training
dimulai dari tahun awal ganjil sampai dengan tahun akhir ganjil.
- Data testing = data yang memiliki tahun genap, pengambilan data testing
dimulai dari tahun awal genap sampai dengan tahun akhir genap.
- Pembagian data training dan data testing adalah sama untuk jumlah unit
masukan yang berbeda – beda.
• Metode 5
- Data training = data yang digunakan berdasarkan pemilihan tahun secara
acak. Pengambilan data training dimulai dari tahun awal yang sudah
dipilih secara acak sampai dengan tahun akhir yang sudah dipilih secara
acak.
- Data testing = data yang digunakan berdasarkan pemilihan tahun secara
acak. Pengambilan data testing dimulai dari tahun awal yang sudah dipilih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
secara acak sampai dengan tahun akhir yang sudah dipilih secara acak,
dengan catatan bahwa tahun yang sudah digunakan untuk data training
tidak dapat digunakan kembali untuk data testing.
- Pembagian data training dan data testing adalah sama untuk jumlah unit
masukan yang berbeda – beda.
• Metode 6
- Data training = data yang digunakan berdasarkan pengambilan data secara
urut setiap 6 (enam) bulan. Pengambilan data training dimulai dari bulan
paling awal pada tahun awal dan dilakukan secara bergantian dengan data
testing setiap 6 (enam) bulan.
- Data testing = data yang digunakan berdasarkan pengambilan data secara
urut setiap 6 (enam) bulan. Pengambilan data testing dimulai dari bulan
ketujuh pada tahun awal dan dilakukan secara bergantian dengan data
training setiap 6 (enam) bulan.
- Pembagian data training dan data testing adalah sama untuk jumlah unit
masukan yang berbeda – beda.
Contoh penggunaan metode 1 sampai 6 pada pengambilan data training dan
data testing di Dealer ABC Motor dengan periode tahun 2001-2005 yang terdapat
di wilayah Kotamadya Yogyakarta akan diterangkan di bawah ini.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Tabel 3.1 Data Penjualan Sepeda Motor di Dealer ABC Motor
Tahun Bulan ( Januari – Desember ) 1 1 7 7 0 0 2001 1 2 0 0 0 2 0 1 0 0 0 0 2002 0 0 0 2 16 15
27 39 21 26 13 26 2003 25 30 24 27 28 45 24 12 18 13 26 18 2004 28 12 27 20 14 14 15 15 9 5 8 6 2005 8 19 10 10 8 6
• Metode 1
Contoh pembagian data training dan testing dengan metode 1 menggunakan
jumlah unit masukan = 12. Pembagian data training dengan metode 1 tampak
pada tabel 3.2 dan pembagian data testing dengan metode 1 tampak pada tabel
3.3.
Tabel 3.2 Data Training dengan Menggunakan Metode 1
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-01 1 15 03-02 0 29 05-03 13 2 02-01 1 16 04-02 0 30 06-03 26 3 03-01 7 17 05-02 0 31 07-03 25 4 04-01 7 18 06-02 0 32 08-03 30 5 05-01 0 19 07-02 0 33 09-03 24 6 06-01 0 20 08-02 0 34 10-03 27 7 07-01 1 21 09-02 0 35 11-03 28 8 08-01 2 22 10-02 2 36 12-03 45 9 09-01 0 23 11-02 13 37 01-04 24
10 10-01 0 24 12-02 15 38 02-04 12 11 11-01 0 25 01-03 27 39 03-04 18 12 12-01 2 26 02-03 39 40 04-04 13 13 01-02 0 27 03-03 21 41 05-04 26 14 02-02 1 28 04-03 26 42 06-04 18
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Tabel 3.3 Data Testing dengan Menggunakan Metode 1
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 07-04 28 7 01-05 15 13 07-05 8 2 08-04 12 8 02-05 15 14 08-05 19 3 09-04 27 9 03-05 9 15 09-05 10 4 10-04 20 10 04-05 5 16 10-05 10 5 11-04 14 11 05-05 8 17 11-05 8 6 12-04 14 12 06-05 6 18 12-05 6
• Metode 2
Pembagian data training dengan metode 2 tampak pada tabel 3.4 dan
pembagian data testing dengan metode 2 tampak pada tabel 3.5.
Tabel 3.4 Data Training dengan Menggunakan Metode 2
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-01 1 11 11-01 0 21 09-02 26 2 02-01 7 12 12-01 16 22 10-02 28 3 03-01 0 13 01-02 27 23 11-02 27 4 04-01 1 14 02-02 21 24 12-02 14 5 05-01 0 15 03-02 13 25 01-03 15 6 06-01 0 16 04-02 25 26 02-03 9 7 07-01 0 17 05-02 24 27 03-03 8 8 08-01 0 18 06-02 28 28 04-03 8 9 09-01 0 19 07-02 24 29 05-03 10 10 10-01 0 20 08-02 18 30 06-03 8
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Tabel 3.5 Data Testing dengan Menggunakan Metode 2
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 07-03 1 11 05-04 2 21 03-05 18 2 08-03 7 12 06-04 15 22 04-05 12 3 09-03 0 13 07-04 39 23 05-05 20 4 10-03 2 14 08-04 26 24 06-05 14 5 11-03 0 15 09-04 26 25 07-05 15 6 12-03 2 16 10-04 30 26 08-05 5 7 01-04 1 17 11-04 27 27 09-05 6 8 02-04 0 18 12-04 45 28 10-05 19 9 03-04 0 19 01-05 12 29 11-05 10
10 04-04 0 20 02-05 13 30 12-05 6
• Metode 3
Pembagian data training dengan metode 3 tampak pada tabel 3.6 dan
pembagian data testing dengan metode 3 tampak pada tabel 3.7.
Tabel 3.6 Data Training dengan Menggunakan Metode 3
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-01 1 11 11-01 0 21 09-02 0 2 02-01 1 12 12-01 2 22 10-02 2 3 03-01 7 13 01-02 0 23 11-02 13 4 04-01 7 14 02-02 1 24 12-02 15 5 05-01 0 15 03-02 0 25 01-03 27 6 06-01 0 16 04-02 0 26 02-03 39 7 07-01 1 17 05-02 0 27 03-03 21 8 08-01 2 18 06-02 0 28 04-03 26 9 09-01 0 19 07-02 0 29 05-03 13
10 10-01 0 20 08-02 0 30 06-03 26
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Tabel 3.7 Data Testing dengan Menggunakan Metode 3
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 07-03 25 11 05-04 26 21 03-05 9 2 08-03 30 12 06-04 18 22 04-05 5 3 09-03 24 13 07-04 28 23 05-05 8 4 10-03 27 14 08-04 12 24 06-05 6 5 11-03 28 15 09-04 27 25 07-05 8 6 12-03 45 16 10-04 20 26 08-05 19 7 01-04 24 17 11-04 14 27 09-05 10 8 02-04 12 18 12-04 14 28 10-05 10 9 03-04 18 19 01-05 15 29 11-05 8
10 04-04 13 20 02-05 15 30 12-05 6
• Metode 4
Pembagian data training dengan metode 4 tampak pada tabel 3.8 dan
pembagian data testing dengan metode 4 tampak pada tabel 3.9.
Tabel 3.8 Data Training dengan Menggunakan Metode 4
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-01 1 13 01-02 27 25 01-03 15 2 02-01 1 14 02-02 39 26 02-03 15 3 03-01 7 15 03-02 21 27 03-03 9 4 04-01 7 16 04-02 26 28 04-03 5 5 05-01 0 17 05-02 13 29 05-03 8 6 06-01 0 18 06-02 26 30 06-03 6 7 07-01 1 19 07-02 25 31 07-03 8 8 08-01 2 20 08-02 30 32 08-03 19 9 09-01 0 21 09-02 24 33 09-03 10
10 10-01 0 22 10-02 27 34 10-03 10 11 11-01 0 23 11-02 28 35 11-03 8 12 12-01 2 24 12-02 45 36 12-03 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Tabel 3.9 Data Testing dengan Menggunakan Metode 4
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-04 0 9 09-04 0 17 05-05 26 2 02-04 1 10 10-04 2 18 06-05 18 3 03-04 0 11 11-04 16 19 07-05 28 4 04-04 0 12 12-04 15 20 08-05 12 5 05-04 0 13 01-05 24 21 09-05 27 6 06-04 0 14 02-05 12 22 10-05 20 7 07-04 0 15 03-05 18 23 11-05 14 8 08-04 0 16 04-05 13 24 12-05 14
• Metode 5
Contoh pembagian data training dengan pengambilan tahun secara acak :
2001, 2003, 2004 dan pembagian data testing dengan pengambilan tahun secara
acak : 2002, 2005.
Pembagian data training dengan metode 5 tampak pada tabel 3.10 dan
pembagian data testing dengan metode 5 tampak pada tabel 3.11.
Tabel 3.10 Data Training dengan Menggunakan Metode 5
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-01 1 13 01-02 27 25 01-03 24 2 02-01 1 14 02-02 39 26 02-03 12 3 03-01 7 15 03-02 21 27 03-03 18 4 04-01 7 16 04-02 26 28 04-03 13 5 05-01 0 17 05-02 13 29 05-03 26 6 06-01 0 18 06-02 26 30 06-03 18 7 07-01 1 19 07-02 25 31 07-03 28 8 08-01 2 20 08-02 30 32 08-03 12 9 09-01 0 21 09-02 24 33 09-03 27
10 10-01 0 22 10-02 27 34 10-03 20 11 11-01 0 23 11-02 28 35 11-03 14 12 12-01 2 24 12-02 45 36 12-03 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Tabel 3.11 Data Testing dengan Menggunakan Metode 5
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 01-04 0 9 09-04 0 17 05-05 8 2 02-04 1 10 10-04 2 18 06-05 6 3 03-04 0 11 11-04 16 19 07-05 8 4 04-04 0 12 12-04 15 20 08-05 19 5 05-04 0 13 01-05 15 21 09-05 10 6 06-04 0 14 02-05 15 22 10-05 10 7 07-04 0 15 03-05 9 23 11-05 8 8 08-04 0 16 04-05 5 24 12-05 6
• Metode 6
Pembagian data training dengan metode 6 tampak pada tabel 3.12 dan
pembagian data testing dengan metode 6 tampak pada tabel 3.13.
Tabel 3.12 Data Training dengan Menggunakan Metode 6
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 07-03 1 11 05-04 0 21 03-05 18 2 08-03 1 12 06-04 0 22 04-05 13 3 09-03 7 13 07-04 27 23 05-05 26 4 10-03 7 14 08-04 39 24 06-05 18 5 11-03 0 15 09-04 21 25 07-05 15 6 12-03 0 16 10-04 26 26 08-05 15 7 01-04 0 17 11-04 13 27 09-05 9 8 02-04 1 18 12-04 26 28 10-05 5 9 03-04 0 19 01-05 24 29 11-05 8
10 04-04 0 20 02-05 12 30 12-05 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Tabel 3.13 Data Testing dengan Menggunakan Metode 6
No Bln-Thn Data No Bln-Thn Data No Bln-Thn Data 1 07-03 1 11 05-04 16 21 03-05 27 2 08-03 2 12 06-04 15 22 04-05 20 3 09-03 0 13 07-04 25 23 05-05 14 4 10-03 0 14 08-04 30 24 06-05 14 5 11-03 0 15 09-04 24 25 07-05 8 6 12-03 2 16 10-04 27 26 08-05 19 7 01-04 0 17 11-04 28 27 09-05 10 8 02-04 0 18 12-04 45 28 10-05 10 9 03-04 0 19 01-05 28 29 11-05 8
10 04-04 2 20 02-05 12 30 12-05 6
Antar muka Training, Testing dan Prediksi merupakan antar muka yang
berfungsi sebagai tempat untuk melakukan proses training, testing dan prediksi.
Antar Muka Training, Testing dan Prediksi dengan Metode 1, 2, 3, 4 dan 6
memiliki tampilan yang sama, perbedaan terletak pada penggunaan rumus di
dalam implementasi program. Kabupaten, nama dealer, tahun awal dan tahun
akhir yang digunakan berdasarkan pilihan dari user. Pada antar muka Training,
Testing dan Prediksi terdapat popupmenu kabupaten/kotamadya, nama dealer,
tahun awal dan tahun akhir yang berfungsi untuk memilih kabupaten/kotamadya,
nama dealer, tahun awal dan tahun akhir, tombol jumlah data yang berfungsi
untuk menampilkan jumlah seluruh data dari tahun awal sampai dengan tahun
akhir, tombol input hidden layer yang berfungsi untuk menuju ke form jumlah
unit 1 atau 2 hidden layer, sesuai dengan jumlah hidden layer yang telah
diinputkan sebelumnya, tombol training data yang berfungsi untuk menjalankan
proses training, tombol hasil prediksi yang berfungsi untuk menampilkan nilai
hasil prediksi, popupmenu bulan yang berfungsi untuk memilih bulan yang akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
diprediksi, popupmenu fungsi pelatihan yang berfungsi untuk memilih fungsi
pelatihan, tombol back yang berfungsi untuk kembali ke antar muka metode
pengolahan data dan tombol exit yang berfungsi untuk menampilkan Pesan
Keluar. Contoh perancangan antar muka Training, Testing dan Prediksi dengan
Metode 1 dapat dilihat pada gambar 3.2.
Gambar 3.2 Perancangan Antar Muka Training, Testing dan Prediksi dengan
Metode 1
2. Training, Testing dan Prediksi dengan Metode 5
Antar muka Training, Testing dan Prediksi dengan Metode 5 merupakan antar
muka yang berfungsi sebagai tempat untuk melakukan proses training, testing dan
prediksi. Kabupaten, nama dealer, tahun awal dan tahun akhir yang akan
digunakan, berdasarkan pilihan dari user. Pada antar muka Training, Testing dan
Prediksi dengan Menggunakan Metode 5 terdapat popupmenu
kabupaten/kotamadya dan nama dealer yang berfungsi untuk memilih
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
kabupaten/kotamadya dan nama dealer, tombol input hidden layer yang berfungsi
untuk menuju ke form jumlah unit 1 atau 2 hidden layer, sesuai dengan jumlah
hidden layer yang telah diinputkan sebelumnya, popupmenu tahun training yang
berfungsi untuk memasukkan urutan tahun yang akan dijadikan sebagai data
training, popupmenu tahun testing yang berfungsi untuk memasukkan urutan
tahun yang akan dijadikan sebagai data testing, tombol training data yang
berfungsi untuk menjalankan proses training, tombol hasil prediksi yang berfungsi
untuk menampilkan nilai hasil prediksi, popupmenu bulan yang berfungsi untuk
memilih bulan yang akan diprediksi, tombol back yang berfungsi untuk kembali
ke antar muka metode pengolahan data dan tombol exit yang berfungsi untuk
menampilkan Pesan Keluar. Perancangan antar muka Training, Testing dan
Prediksi dengan Metode 5 dapat dilihat pada gambar 3.3.
Gambar 3.3 Perancangan Antar Muka Training, Testing dan Prediksi dengan
Metode 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
3. Jumlah Unit Hidden Layer
Antar muka Jumlah Unit Hidden Layer merupakan antar muka yang berfungsi
sebagai tempat untuk memasukkan jumlah unit hidden layer. Pada antar muka
Jumlah Unit Hidden Layer terdapat tombol ambil data hidden layer yang
berfungsi untuk mengambil data berupa jumlah unit hidden layer yang akan
digunakan di dalam proses training. Perancangan antar muka Jumlah Unit Hidden
Layer dapat dilihat pada gambar 3.4 dan 3.5.
Gambar 3.4 Perancangan Antar Muka Jumlah Unit 1 Hidden Layer
Gambar 3.5 Perancangan Antar Muka Jumlah Unit 2 Hidden Layer
4. Masukan Data Baru
Antar muka Masukan Data Baru merupakan form yang berfungsi sebagai
tempat untuk memasukkan data kode dealer, nama dealer, nama kabupaten, kode
kabupaten, tahun dan jumlah sepeda motor dari bulan Januari sampai Desember.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Pada antar muka Masukan Data Baru terdapat popupmenu nama kabupaten yang
berfungsi untuk memilih nama kabupaten, tombol save yang berfungsi untuk
menyimpan data-data, tombol change yang berfungsi untuk menampilkan antar
muka Pengubahan Data, listbox jumlah motor untuk bulan Januari-Desember
yang berfungsi untuk menampilkan data-data yang sudah disimpan (nama dealer,
tahun dan jumlah sepeda motor untuk bulan Januari sampai Desember), tombol
menu pilihan yang berfungsi untuk menampilkan antar muka Menu Pilihan dan
tombol exit yang berfungsi untuk menampilkan antar muka Pesan Keluar.
Perancangan antar muka Masukan Data Baru dapat dilihat pada gambar 3.6.
Gambar 3.6 Perancangan Antar Muka Masukan Data Baru
5. Pengubahan Data
Antar muka Pengubahan Data merupakan antar muka yang berfungsi
sebagai tempat untuk melakukan pengubahan data-data yang sudah tersimpan di
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
dalam database. Pada antar muka Pengubahan Data terdapat popupmenu nama
kabupaten yang berfungsi untuk memilih nama kabupaten, tombol save yang
berfungsi untuk menyimpan data-data, tombol menu pilihan yang berfungsi untuk
menampilkan antar muka Menu Pilihan dan tombol exit yang berfungsi untuk
menampilkan Pesan Keluar. Selain itu pada antar muka Pengubahan Data terdapat
tempat masukan (edit) untuk kode dealer, nama dealer, kode kabupaten, tahun dan
jumlah sepeda motor dari bulan Januari sampai Desember. Perancangan antar
muka Pengubahan Data dapat dilihat pada gambar 3.7.
Gambar 3.7 Perancangan Antar Muka Pengubahan Data
C. Perancangan Proses
Proses yang akan dilakukan di dalam Program Penyaluran Kredit Berdasarkan
Prediksi Penjualan Sepeda Motor di DIY dengan menggunakan Backpropagation
meliputi : proses pengambilan data input dan target training, proses normalisasi
data input dan target training, proses training, proses pengambilan data input dan
target testing, proses normalisasi data input dan target testing, proses testing dan
prediksi, proses denormalisasi data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
1. Proses Pengambilan Data Input dan Target Training
Data yang telah terkumpul dibagi menjadi data training dan data testing. Di
dalam pembagian data training dan data testing digunakan 5 (lima) metode (Lihat
halaman 19-28 pada BAB III). Dari data training yang ada kemudian
dikelompokkan menjadi data input dan target sesuai dengan jumlah unit input
data.
Contoh pengelompokan data training menjadi data input (x1-x12) dan target (t)
dengan jumlah unit masukan = 12 (pengelompokan menggunakan data metode 4,
lihat halaman 25 pada BAB III) :
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 t 1 1 7 7 0 0 1 2 0 0 0 2 27 1 7 7 0 0 1 2 0 0 0 2 27 39 7 7 0 0 1 2 0 0 0 2 27 39 21 7 0 0 1 2 0 0 0 2 27 39 21 26 0 0 1 2 0 0 0 2 27 39 21 26 13 0 1 2 0 0 0 2 27 39 21 26 13 26 1 2 0 0 0 2 27 39 21 26 13 26 25 2 0 0 0 2 27 39 21 26 13 26 25 30 0 0 0 2 27 39 21 26 13 26 25 30 24 0 0 2 27 39 21 26 13 26 25 30 24 27 0 2 27 39 21 26 13 26 25 30 24 27 28 2 27 39 21 26 13 26 25 30 24 27 28 45 27 39 21 26 13 26 25 30 24 27 28 45 15 39 21 26 13 26 25 30 24 27 28 45 15 15 21 26 13 26 25 30 24 27 28 45 15 15 9 26 13 26 25 30 24 27 28 45 15 15 9 5 13 26 25 30 24 27 28 45 15 15 9 5 8 26 25 30 24 27 28 45 15 15 9 5 8 6 25 30 24 27 28 45 15 15 9 5 8 6 8 30 24 27 28 45 15 15 9 5 8 6 8 19 24 27 28 45 15 15 9 5 8 6 8 19 10 27 28 45 15 15 9 5 8 6 8 19 10 10 28 45 15 15 9 5 8 6 8 19 10 10 8 45 15 15 9 5 8 6 8 19 10 10 8 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
2. Proses Normalisasi Data Training (Pre-Processing Data)
Sebelum dilakukan proses training, maka dilakukan penskalaan pada data
input dan target terlebih dahulu sedemikian sehingga data – data input dan target
tersebut masuk ke dalam suatu range tertentu. Proses ini dikenal dengan nama
normalisasi data.
Sebelum data – data input dan target yang digunakan diimplementasikan ke
dalam proses training, terlebih dahulu dilakukan proses pre-processing data
berupa scaling atau normalisasi data.
Rumus yang digunakan untuk menormalisasi data dengan a sebagai data
minimum dan b sebagai data maksimum.:
x’ = ( )
1.08.0 +
−−ab
ax
Contoh data sebelum dan sesudah dilakukan normalisasi tampak pada tabel
3.14.
Tabel 3.14 Data Sebelum dan Sesudah Dilakukan Normalisasi
No Data Bulan Sebelum Normalisasi Sesudah Normalisasi 1 Januari 1 0.1286 2 Februari 7 0.3000 3 Maret 0 0.1000 4 April 1 0.1286 5 Mei 0 0.1000 6 Juni 0 0.1000 7 Juli 0 0.1000 8 Agustus 0 0.1000 9 September 0 0.1000 10 Oktober 0 0.1000 11 November 0 0.1000 12 Desember 16 0.5571
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
3. Proses Training
Setelah dilakukan proses normalisasi data training, selanjutnya dilakukan
proses training. Urutan proses training yang akan dilakukan meliputi :
• Penginisialisasian bobot dan bias awal.
• Set jumlah iterasi, nilai target error dan nilai learning rate
• Lakukan proses feedforward pada backpropagation, selama nilai error training
≤ nilai target error.
• Hitung perubahan bobot.
• Hitung nilai keluaran training
• Hitung nilai error training
4. Proses Pengambilan Data Input dan Target Testing
Dari data testing yang ada (lihat halaman 25 pada BAB III), kelompokkan
menjadi data input dan target sesuai dengan jumlah unit input data.
Contoh pengelompokan data testing menjadi data input (x1-x12) dan target (t)
dengan jumlah unit masukan = 12 :
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 t 0 1 0 0 0 0 0 0 0 2 16 15 24 1 0 0 0 0 0 0 0 2 16 15 24 12 0 0 0 0 0 0 0 2 16 15 24 12 18 0 0 0 0 0 0 2 16 15 24 12 18 13 0 0 0 0 0 2 16 15 24 12 18 13 26 0 0 0 0 2 16 15 24 12 18 13 26 18 0 0 0 2 16 15 24 12 18 13 26 18 28 0 0 2 16 15 24 12 18 13 26 18 28 12 0 2 16 15 24 12 18 13 26 18 28 12 27 2 16 15 24 12 18 13 26 18 28 12 27 20 16 15 24 12 18 13 26 18 28 12 27 20 14 15 24 12 18 13 26 18 28 12 27 20 14 14
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
5. Proses Normalisasi Data Testing
Sebelum dilakukan proses testing, maka dilakukan penskalaan pada data input
dan target terlebih dahulu sedemikian sehingga data – data input dan target
tersebut masuk ke dalam suatu range tertentu. Proses ini dikenal dengan nama
normalisasi data. Tata cara untuk melakukan normalisasi data testing sama seperti
cara untuk menormalisasi data training.
6. Proses Testing dan Prediksi
Setelah dilakukan proses normalisasi data testing, selanjutnya dilakukan
proses testing dan prediksi. Urutan proses testing dan prediksi yang akan
dilakukan meliputi :
• Ambil bobot akhir data training
• Hitung nilai keluaran testing
• Hitung nilai error testing dan rerata error testing
• Ambil data prediksi
• Normalisasi data prediksi
• Hitung nilai keluaran prediksi
7. Proses Denormalisasi Data Prediksi (Post-Processing Data)
Post-processing data mencakup beberapa proses yang diterapkan pada
output Neural Network. Seperti halnya pre-processing, post-processing
sepenuhnya bergantung pada simulasi jaringan dan termasuk mendeteksi kapan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
parameter melampaui jangkauan yang dapat diterima. Pada saat melakukan post-
processing data terhadap hasil output sistem dilakukan proses perubahan data
sehingga data output dapat dibaca oleh user, ini disebut sebagai proses
denormalisasi. Terkadang post-processing hanya merupakan kebalikan dari pre-
processing. Rumus yang digunakan pada post-processing yaitu :
Nilai baru = ( ) ( )
ValueValueValueoutputJST
min8.0
minmax1.0 +−×−
Dengan nilai baru adalah nilai yang telah didenormalisasi, output JST adalah
output yang dihasilkan berdasarkan proses prediksi, minValue adalah nilai
minimum data dan maxValue adalah nilai maksimum data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
BAB IV
IMPLEMENTASI DAN PEMBAHASAN
A. Implementasi
Implementasi pada pembuatan Program Penyaluran Kredit Berdasarkan
Prediksi Penjualan Sepeda Motor di DIY dengan Menggunakan Backpropagation
ini antara lain Implementasi Sistem dan Implementasi Antar Muka. Di dalam
Implementasi Sistem dan Implementasi Antar Muka digunakan software Matlab
6.5.
1. Implementasi Sistem
Pada implementasi sistem ini, dilakukan beberapa langkah sebelum
mengimplementasikan rancangan antar muka. Langkah – langkah tersebut antara
lain (contoh pengambilan data input dan target training dan testing menggunakan
metode 4):
a. Proses Pengambilan Data Input dan Target Training
indek_tahun_baru=1; indek_ambil_tahun=1; reset_data1=1; for kr=1:total_data if(indek_ambil_tahun <= total_data) dt_input_sem(indek_tahun_baru) = nilai_baru(indek_ambil_tahun); if(reset_data1<=12) indek_ambil_tahun=indek_ambil_tahun+1; reset_data1=reset_data1+1; end if(reset_data1==13) reset_data1=1; indek_ambil_tahun=indek_ambil_tahun+12; end indek_tahun_baru=indek_tahun_baru+1; end end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Perintah untuk mengambil input data training berdasarkan array 1 dimensi. Proses
pengambilan input data training dengan alur algoritma sebagai berikut :
• Untuk pengambilan data training berdasarkan pada tahun-tahun ganjil maka
pengambilan data dimulai dari 1-12, kemudian dilanjutkan 25-36, 49-60 dan
seterusnya.
• Bentuk inisialisasi nilai-nilai yang akan digunakan sebagai pengolahan data
yang akan dicari sebagai input data training. Inisialisasi nilai-nilai yang
dipakai indek_tahun yang diset 1, indek_ambil_tahun yang diset 1, dan
reset_data1 yang diset 1.
• Mencari data yang akan digunakan sebagai pengisi elemen-elemen matrik
yang dimaksudkan, dengan melakukan pencarian dengan perintah perulangan
sebanyak total data.
• Melakukan pengecekan apakah nilai pada indek_ambil_tahun kurang dari atau
sama dengan total data. Jika syarat masih terpenuhi maka akan melanjutkan
tugas berikutnya.
• Melakukan pengecekan apakah nilai reset_data1 bernilai kurang dari atau
sama dengan 12. Jika terpenuhi maka nilai indek_ambil_tahun hasilnya akan
diakumulasikan kembali dengan penjumlahan bernilai 1. Sedangkan nilai
reset_data1 akan diakumulasikan dengan penjumlahan bernilai 1.
• Melakukan pengecekan apakah nilai reset_data1 bernilai kurang dari atau
sama dengan 13. Jika terpenuhi maka nilai indek_ambil_tahun hasilnya akan
dikumulasikan kembali dengan penjumlahan bernilai 12. Sedangkan nilai
reset_data1 akan diset ulang menjadi bernilai 1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
for ba=1:jumlah_data_training ambil_input(ba)=dt_input_sem(ba); end
Perintah untuk mengambil data training berdasarkan array 1 dimensi yang
diperoleh dari matrik dt_input_sem. Perintah dibawah ini hanya digunakan untuk
memindahkan isi matrik dari nilai_baru untuk dipindahkan ke dalam suatu matrik
dengan nama variabel baru yang diberi nama ambil input. Dapat ditarik
kesimpulan bahwa matrik ambil_input sama dengan matrik dt_input_sem
nil_baru=1; for br=1:(jumlah_data_training - (jumlah_unit_masukkan)) for kl=1:jumlah_unit_masukkan if(br==1) ambil_input2(br,kl)=ambil_input(1,kl); else ambil_input2(br,kl)=ambil_input(1,(kl+nil_baru)); end end if(br>1 && br< jumlah_data_training-(jumlah_unit_masukkan)) nil_baru=nil_baru + 1; end end
Perintah untuk mengubah array 1 dimensi(bentukan sementara) menjadi array 2
dimensi(pola)
for j=1:(jumlah_data_training-(jumlah_unit_masukkan)) data_target(j)=ambil_input(j+(jumlah_unit_masukkan)); end
Perintah untuk mencari target training
b. Proses Normalisasi Data Training (Pre-Processing Data)
cp=(0.8*(p-a)/(b-a))+0.1; ct=(0.8*(t-a)/(b-a))+0.1;
Perintah untuk menormalisasi data dengan a sebagai nilai minimum dan b sebagai
nilai maksimum.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
c. Proses Training
net=newff(minmax(cp),[layer1,1],{'logsig','logsig','purelin'},fs_pelatihan);
Perintah konstruksi jaringan Backpropagation.
bobot_awal_input=net.IW{1,1};
bobot_awal_bias_input=net.b{1}; bobot_awal_lapisan1=net.LW{2,1}; bobot_awal_bias_lapisan1=net.b{2}; Perintah untuk mengeset bobot2 awal.
net.trainParam.epochs=iterasi; net.trainParam.goal=target_error; net.trainParam.lr=nil_lr; net.trainParam.show=25;
Perintah untuk mengeset nilai dari jumlah iterasi (epochs), target error dan
learning rate.
tic; net2 = train(net,cp,ct); net=init(net); nil_wkt = toc; Perintah untuk menghitung nilai net dan menampilkan waktu pada proses training.
bobot_akhir_input=net2.IW{1,1}; bobot_akhir_bias_input=net2.b{1}; bobot_akhir_lapisan=net2.LW{2,1}; bobot_akhir_bias_lapisan=net2.b{2};
Melihat bobot akhir input, lapisan dan bias
x = sim(net2,cp); nilai_net = net2; net2=init(net2); clear net; Perintah untuk menghitung keluaran dari proses training.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
d. Proses Pengambilan Data Input dan Target Testing
ax=13; ay=1; reset_data2=12; for rx=1:total_data if(ax < total_data) dt_input_testing(ay)=nilai_baru(ax); if(reset_data2 >=12 & reset_data2 <24) ax=ax+1; reset_data2=reset_data2+1; end if(reset_data2==24) reset_data2=12; ax=ax+12; end ay=ay+1; end end for ba=1:jumlah_data_testing ambil_input_testing(ba)=dt_input_testing(ba); end jumlah_data_testing = total_data - jumlah_data_training; nil_test=1; for bz=1:(jumlah_data_testing-(jumlah_unit_masukkan)) for kz=1:jumlah_unit_masukkan if(bz==1) ambil_data_testing(bz,kz)=ambil_input_testing(1,kz); else ambil_data_testing(bz,kz)=ambil_input_testing(1,(kz+nil_test)); end end if(bz>1 && bz < (jumlah_data_testing-(jumlah_unit_masukkan))) nil_test=nil_test + 1; end end
Perintah untuk mengambil data input testing
z=1; for j=1:(jumlah_data_testing-(jumlah_unit_masukkan)) data_target_testing(z)=ambil_input_testing(j+(jumlah_unit_masukkan)); z=z+1; end
Perintah untuk mengambil data target testing
e. Proses Normalisasi Data Testing
ccek = (0.8*(cek-a)/(b-a))+0.1; ctcek = (0.8*(tcek-a)/(b-a))+0.1;
Perintah untuk menormalisasi data dengan a sebagai nilai minimum dan b sebagai
nilai maksimum.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
f. Proses Testing dan Prediksi
y = sim(net2,ccek); error = abs(y-ctcek); rerata_error = mean(error); set(handles.edit_rerata_error_testing,'String',num2str(rerata_error)) Perintah untuk menghitung keluaran proses testing.
z=1; for j=(data_diambil_awal+1):total_data data_prediksi(z)=nilai_baru(j); z=z+1; end jumlah_data_prediksi = 12 + jumlah_unit_masukkan; nil_pred=1; for bz=1:(jumlah_data_prediksi-jumlah_unit_masukkan) for kz=1:jumlah_unit_masukkan if(bz==1) ambil_data_prediksi(bz,kz)=data_prediksi(1,kz); else ambil_data_prediksi(bz,kz)=data_prediksi(1,(kz+nil_pred)); end end if(bz>1 && bz < jumlah_data_prediksi) nil_pred=nil_pred + 1; end end
Perintah untuk mengambil data prediksi
dt_pred = (0.8*(ambil_nilai_prediksi-a)/(b-a))+0.1;
Perintah untuk menormalisasi data prediksi
y = sim(net2,dt_pred);
Perintah untuk menghitung keluaran prediksi
g. Proses Denormalisasi Data Prediksi (Post-Processing Data)
hasil_prediksi = abs(floor(((y-0.1)*(b-a))/0.8)+a);
Perintah untuk mendenormalisasi data dengan a sebagai nilai minimum, b sebagai
nilai maksimum dan y sebagai keluaran prediksi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
2. Implementasi Antar Muka
Implementasi antar muka Program Penyaluran Kredit Berdasarkan Prediksi
Penjualan Sepeda Motor di DIY dengan Menggunakan Backpropagation adalah
implementasi ‘Training, Testing dan Prediksi dengan Metode 1, 2, 3, 4 dan 6’,
implementasi Jumlah Unit 1 dan 2 Hidden Layer, implementasi Masukan Data
Baru dan implementasi Pengubahan Data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
a. Implementasi Antar Muka Training, Testing dan Prediksi
Implementasi antar muka ‘Training, Testing dan Prediksi dengan Metode 1, 2,
3, 4 dan 6’ memiliki tampilan yang sama.
Antar muka ‘Training, Testing dan Prediksi’ merupakan antar muka yang
berfungsi sebagai tempat untuk melakukan proses training, testing dan prediksi,
dengan menggunakan metode 1 , 2, 3, 4 dan 6. Antar muka ‘Training, Testing dan
Prediksi dengan Metode 1 , 2, 3, 4 dan 6’ memiliki tombol ‘Jumlah Data’, ‘Input
Hidden Layer’, ‘Training Data’, ‘Hasil Prediksi’, ‘Back’ dan ‘Exit’. Hasil
implementasi ‘Training, Testing dan Prediksi dengan Metode 1’ dapat dilihat pada
gambar 4.1.
Gambar 4.1 Implementasi Training, Testing dan Prediksi dengan Metode 1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
b. Implementasi Antar Muka Training, Testing dan Prediksi dengan
Metode 5
Antar muka ‘Training, Testing dan Prediksi dengan Metode 5’ merupakan
antar muka yang berfungsi sebagai tempat untuk melakukan proses training,
testing dan prediksi, dengan menggunakan metode 5. Antar muka ‘Training,
Testing dan Prediksi dengan Metode 5’ memiliki tombol ‘Input Hidden Layer’,
‘Training Data’, ‘Hasil Prediksi’, ‘Back’ dan ‘Exit’. Pada pemakaian popupmenu
tahun training dan tahun testing, jika hanya ingin memasukkan 3 tahun pada data
training, maka 2 tahun yang lainnya harus diisikan salah satu tahun yang sama
dengan tahun yang ingin dimasukkan di dalam proses training dan testing. Hasil
implementasi ‘Training, Testing dan Prediksi dengan Metode 5’ dapat dilihat pada
gambar 4.2.
Gambar 4.2 Implementasi Training, Testing dan Prediksi dengan Metode 5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
c. Implementasi Antar Muka Jumlah Unit 1 dan 2 Hidden Layer
Antar muka ‘Jumlah Unit 1 dan 2 Hidden Layer’ merupakan antar muka yang
berfungsi untuk memasukkan jumlah unit pada 1 dan 2 hidden layer. Antar muka
‘Jumlah Unit 1 dan 2 Hidden Layer’ memiliki tombol ‘Ambil Data Hidden
Layer’. Hasil implementasi ‘Jumlah Unit 1 dan 2 Hidden Layer’ dapat dilihat pada
gambar 4.3 dan hasil implementasi ‘Jumlah Unit 2 Hidden Layer’ dapat dilihat
pada gambar 4.4.
Gambar 4.3 Implementasi Jumlah Unit 1 Hidden Layer
Gambar 4.4 Implementasi Jumlah Unit 2 Hidden Layer
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
d. Implementasi Antar Muka Masukan Data Baru
Antar muka ‘Masukan Data Baru’ merupakan antar muka yang berfungsi
untuk memasukkan data baru. Antar muka ‘Masukan Data Baru’ memiliki tombol
‘Save’, ‘Change’ yang berfungsi jika ingin melakukan pengubahan data, tombol
‘Menu Pilihan’ dan ‘Exit’. Hasil implementasi ‘Masukan Data Baru’ dapat dilihat
pada gambar 4.5.
Gambar 4.5 Implementasi Masukan Data Baru
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
e. Implementasi Antar Muka Pengubahan Data
Antar muka ‘Pengubahan Data’ merupakan antar muka yang berfungsi jika
ingin melakukan pengubahan data. Antar muka ‘Pengubahan Data’ memiliki
tombol ‘Save’ yang berfungsi untuk menyimpan data – data yang telah diubah,
tombol ‘Menu Pilihan’ dan ‘Exit’. Hasil implementasi ‘Pengubahan Data’ dapat
dilihat pada gambar 4.6.
Gambar 4.6 Implementasi Pengubahan Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
B. Pembahasan
Program yang telah dibuat akan diuji dengan menggunakan seperangkat
komputer yang menggunakan spesifikasi sebagai berikut :
Prosesor : Intel Pentium 4
Memori : 256 MB
Pengujian program prediksi penjualan sepeda motor meliputi pengujian fungsi
pelatihan terbaik untuk mendapatkan proses training dengan waktu tercepat,
pengujian pengaruh banyak iterasi terhadap nilai MSE dan rerata error testing,
pengujian pengaruh target error terhadap banyak iterasi dan rerata error testing,
pengujian pengaruh jumlah unit masukan pada masing – masing jenis data
training dan testing terhadap rerata nilai testing, pengujian pengaruh banyak unit
dalam lapisan tersembunyi terhadap rerata error. Selain dilakukan pengujian –
pengujian, dilakukan juga pengamatan hasil prediksi yang telah didapat untuk
memberikan kesimpulan akhir. Semua pengujian menggunakan data yang diambil
dari data Dealer ABC Motor periode tahun 2001-2005.
Flowchart urutan pengujian dan pengamatan hasil prediksi dapat dilihat pada
gambar 4.7.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Gambar 4.7 Urutan Pengujian dan Pengamatan Hasil Prediksi
1. Menentukan Fungsi Pelatihan yang Tercepat
Pengujian dilakukan dengan menggunakan satu hidden layer dengan jumlah
unit : 10 dan dua hidden layer dengan jumlah unit : 3 (layar tersembunyi pertama)
dan 4 (layar tersembunyi kedua). Penggunaan bobot antara fungsi pelatihan yang
satu dengan yang lain sama.
Hasil pengujian beberapa fungsi pelatihan dengan arsitektur 12 − 10 − 1
tampak pada tabel 4.1.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Tabel 4.1 Hasil Pengujian Fungsi Pelatihan dengan Arsitektur 12 − 10 − 1
Fungsi Pelatihan MSE Berhenti pada
epoch ke-
Waktu training
(seconds)
traingd 0.0194063 Tidak selesai selama 20000 epoch. 59.2500
traingdm 0.00999978 17202 55.4210 traingda 0.00988252 2387 7.5630 traingdx 0.00984625 491 1.5630 trainrp 0.00948291 55 0.3280 traincgf 0.00983747 25 0.5940 traincgp 0.00997385 29 0.6250 traincgb 0.00948675 8 0.3280 trainscg 0.00986143 33 0.5310 trainbfg 0.00928161 19 0.6720 trainoss 0.00997065 75 1.0780 trainlm 0.00877592 3 0.2500
Pengujian Fungsi Pelatihan dengan Satu Hidden Layer untuk Mendapatkan Proses Training dengan Waktu Tercepat
0
5000
10000
15000
20000
traing
d
traing
dm
traing
da
traing
dx
trainr
p
trainc
gf
trainc
gp
trainc
gb
trains
cg
trainb
fg
traino
ss
trainl
m
Fungsi Pelatihan
Epo
ch epoch
Gambar 4.8 Pengujian Fungsi Pelatihan dengan dengan Arsitektur 12 − 10 − 1
Terlihat besarnya perbedaan kecepatan diantara fungsi pelatihan yang berbeda.
Dari pengujian fungsi pelatihan di atas, didapatkan hasil bahwa fungsi pelatihan
dengan menggunakan Algoritma Levenberg-Marquardt (trainlm) merupakan
fungsi pelatihan tercepat. Maka dalam pengujian – pengujian dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
menggunakan program, selanjutnya akan digunakan fungsi pelatihan dengan
menggunakan Algoritma Levenberg-Marquardt (trainlm). Dengan menggunakan
fungsi pelatihan Algoritma Levenberg-Marquardt (trainlm) maka akan dihasilkan
rerata error testing : 0.1614.
Hasil pengujian beberapa fungsi pelatihan dengan arsitektur 12 − 3 − 4 − 1
tampak pada tabel 4.2.
Tabel 4.2 Hasil Pengujian Fungsi Pelatihan dengan Arsitektur 12 − 3 − 4 − 1
Fungsi Pelatihan MSE Berhenti pada
epoch ke-
Waktu training
(seconds)
traingd 0.0167405 Tidak selesai selama 20000
epoch 73.2190
traingdm 0.0250803 Tidak selesai selama 20000
epoch 80.0160
traingda 0.00995369 2570 10.0930 traingdx 0.00991612 578 2.2340 trainrp 0.00999932 2522 10 traincgf 0.00990678 104 1.3750 traincgp 0.00993761 34 0.7500 traincgb 0.00917127 20 0.4220 trainscg 0.00999874 101 0.9690 trainbfg 0.00927836 84 1.4840 trainoss 0.00999293 29 0.6250 trainlm 0.00798728 4 0.2500
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Pengujian Fungsi Pelatihan dengan Dua Hidden Layer untuk Mendapatkan Proses Training dengan Waktu Tercepat
0
5000
10000
15000
20000
25000
traing
d
traing
dm
traing
da
traing
dx
trainr
p
trainc
gf
trainc
gp
trainc
gb
trains
cg
trainb
fg
traino
ss
trainl
m
Fungsi Pelatihan
Epo
chepoch
Gambar 4.9 Pengujian Fungsi Pelatihan dengan dengan Arsitektur
12 − 3 − 4 − 1
Terlihat besarnya perbedaan kecepatan diantara fungsi pelatihan yang berbeda.
Dari pengujian fungsi pelatihan di atas, didapatkan hasil bahwa fungsi pelatihan
dengan menggunakan Algoritma Levenberg-Marquardt (trainlm) merupakan
fungsi pelatihan tercepat. Maka dalam pengujian – pengujian dengan
menggunakan program, selanjutnya akan digunakan fungsi pelatihan dengan
menggunakan Algoritma Levenberg-Marquardt (trainlm). Dengan menggunakan
fungsi pelatihan Algoritma Levenberg-Marquardt (trainlm) maka akan dihasilkan
rerata error testing : 0.1518.
2. Menentukan Jumlah Unit Masukan dan Metode Pembagian Data
Training dan Testing
Pengujian jumlah unit masukan yang berbeda – beda (3 – 24 unit
masukan) dilakukan terhadap masing – masing jenis data training dan testing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Pengujian dilakukan dengan menggunakan dua hidden layer dengan jumlah unit :
3 (layar tersembunyi pertama) dan 4 (layar tersembunyi kedua), karena dari
pengujian di atas ditemukan bahwa pemakaian dua hidden layer memiliki rerata
error testing yang lebih kecil daripada pemakaian satu hidden layer. Pengujian
menggunakan fungsi pelatihan : Algoritma Levenberg-Marquardt (trainlm),
maksimum epoh = 20000, kinerja tujuan (target error) = 0.01, learning rate =
0.01, jumlah epoch yang akan ditunjukkan kemajuannya (EpohShow) = 1000.
Dilakukan pengujian sebanyak tiga kali pada metode data training dan testing
pertama (metode 1), untuk mendapatkan bobot terbaik. Bobot tersebut akan
digunakan untuk pengujian pada masing – masing metode data training dan
testing (metode 1 – metode 6).
Di dalam pembagian data training dan data testing digunakan 5 (lima) metode
(Lihat halaman 19 pada BAB III).
a. Pembagian Data Training dan Testing dengan Menggunakan Metode 1
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24 unit
masukan) dengan menggunakan metode 1 :
Tabel 4.3 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 1
Unit Masukan MSE
Berhenti pada
epoch ke-
Waktu Training
Rerata Error
Testing 3 0.00859248 8 0.1870 0.1176 4 0.00953041 7 0.2030 0.1241 5 0.00961667 23 0.2970 0.1362 6 0.00959077 35 0.3750 0.0872 7 0.00996899 10 0.2190 0.1184
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
8 0.00924536 5 0.1870 0.1006 9 0.00979398 6 0.1560 0.1735 10 0.00965627 12 0.2500 0.1485 11 0.00973238 9 0.2030 0.1936 12 0.00798728 4 0.2500 0.1518 13 0.00973016 11 1.8750 0.1003 14 0.00739326 6 0.1720 0.1297 15 0.00873884 4 0.1880 0.3098 16 0.00730128 6 0.2650 0.1841 17 0.00779799 8 0.2810 0.2651 18 0.00837191 11 0.3120 0.8649 19 0.00955608 3 0.1720 0.0618 20 0.00749467 6 0.2190 0.1338 21 0.00750325 3 0.2500 0.2635 22 0.00747631 4 0.2350 0.1866 23 0.0075206 3 0.2350 0.1366 24 0.00599454 3 0.2500 0.0610
Pengujian Data - data Pada Tahun Terakhir Digunakan Sebagai Acuan untuk Memperolh Target Data Testing
00.10.20.30.40.50.60.70.80.9
1
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Unit Masukan
Rer
ata
Err
or T
estin
g
rerata error testing
Gambar 4.10 Pengujian Unit Masukan dengan Menggunakan Metode 1
b. Pembagian Data Training dan Testing dengan Menggunakan Metode 2
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24
unit masukan) :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Tabel 4.4 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 2
Unit Masukan MSE Berhenti pada
epoch ke- Waktu
Training
Rerata Error
Testing 3 0.00970619 60 0.5940 0.4812 4 0.00996358 17 0.2340 0.3847 5 0.00777157 6 0.1720 0.4461 6 0.00940429 17 0.2340 0.2102 7 0.00940498 5 0.1710 0.2125 8 0.00965967 5 0.1720 0.2011 9 0.00866342 13 0.2340 0.3755
10 0.00833991 12 0.2180 0.3469 11 0.00810026 8 0.1870 0.2770 12 0.00829694 8 0.3120 0.2936 13 0.00902062 3 0.4370 0.1977 14 0.00738256 11 0.2500 0.4865 15 0.00746094 2 0.1720 0.2808 16 0.00285307 7 0.2500 0.1757 17 0.00607911 8 0.2810 0.3226 18 0.0024545 2 0.1880 0.1501 19 0.00747101 3 0.1870 0.1213 20 0.00506108 3 0.1720 0.1698 21 0.0032589 10 0.3910 0.4115 22 0.0063898 1 0.1880 0.1276 23 0.00623074 1 0.1720 0.1277 24 0.00462604 1 0.1720 0.1419
Pengujian Data - data Pada Bulan Ganjil Digunakan Sebagai Data Training dan Data - data Pada Bulan
Genap Digunakan Sebagai Data Testing
00.10.20.30.40.50.6
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
rerata error testing
Gambar 4.11 Pengujian Unit Masukan dengan Menggunakan Metode 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
c. Pembagian Data Training dan Testing dengan Menggunakan Metode 3
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24
unit masukan) :
Tabel 4.5 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 3
Unit Masukan MSE Berhenti pada
epoch ke- Waktu
Training
Rerata Error
Testing 3 0.00734945 5 0.1720 0.1406 4 0.00901276 7 0.2030 0.2044 5 0.00960151 10 0.2180 0.2050 6 0.00979861 5 0.1400 0.2284 7 0.00712282 5 0.1870 0.1204 8 0.00624053 5 0.1870 0.1275 9 0.00783384 5 0.1720 0.1386
10 0.00869558 2 0.1410 0.2226 11 0.00845133 7 0.1720 0.2829 12 0.00785693 9 1.4060 1.9995 13 0.00302184 4 0.2030 0.2263 14 0.00999364 48 0.5940 0.2461 15 0.00893908 27 0.5470 0.2335 16 0.00451988 6 0.2500 0.2315 17 0.00991381 15 0.3590 0.3360 18 0.0088118 25 0.5460 0.1022 19 0.0062623 5 0.1710 0.0718 20 0.00339464 9 0.2190 0.6064 21 0.00308279 2 0.2810 1.1802 22 0.00615971 4 0.2650 0.9695 23 0.00697247 3 0.2340 0.0921 24 0.00578318 3 0.2340 0.5344
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Pengujian Setengah dari Seluruh Data Digunakan Sebagai Data Training dan Setengah yang Lainnya Digunakan
Sebagai Data Testing
0
0.51
1.5
2
2.5
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
rerata error testing
Gambar 4.12 Pengujian Unit Masukan dengan Menggunakan Metode 3
d. Pembagian Data Training dan Testing dengan Menggunakan Metode 4
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24
unit masukan) :
Tabel 4.6 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 4
Unit Masukan MSE Berhenti pada
epoch ke- Waktu
Training
Rerata Error
Testing 3 0.00982333 28 0.3750 0.1384 4 0.00989614 30 0.4060 0.1390 5 0.00968865 12 0.2190 0.1435 6 0.00845464 30 0.3590 0.3297 7 0.00773993 8 0.2350 0.1682 8 0.0935055 12 0.2350 0.1896 9 0.00998974 12 0.2660 0.1948
10 0.00450712 7 0.2030 0.1919 11 0.00950946 11 0.2350 0.1484 12 0.0071233 7 0.2650 0.1562 13 0.00858826 8 0.2960 0.1738 14 0.00799746 6 0.1880 0.0657 15 0.0074203 2 0.2030 0.0719 16 0.0083267 4 0.2650 0.3208 17 0.00962625 4 0.2190 0.1197 18 0.00765747 2 0.2030 0.1577
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
19 0.00609518 2 0.1410 0.2631 20 0.00447771 6 0.2030 0.0549 21 0.00373543 8 0.3290 0.5491 22 0.00413036 3 0.2190 0.1241 23 0.0325063 3 0.2030 0.0246 24 0.00559029 1 0.1410 -
Pengujian Data - data Pada Tahun Ganjil Digunakan Sebagai Data Training dan Data - data Pada Tahun Genap
Digunakan Sebagai Data Testing
00.10.20.30.40.5
0.6
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
rerata error testing
Gambar 4.13 Pengujian Unit Masukan dengan Menggunakan Metode 4
e. Pembagian Data Training dan Testing dengan Menggunakan Metode 5
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24
unit masukan) :
Tabel 4.7 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 5
Unit Masukan MSE Berhenti pada
epoch ke- Waktu
Training
Rerata Error
Testing 3 0.00970848 20 0.2650 0.1252 4 0.00926816 17 0.2660 0.1795 5 0.00935271 86 0.8280 0.1912 6 0.00902925 36 0.3910 0.1403 7 0.00862828 11 0.2810 0.1251 8 0.00963749 9 0.2190 0.2322 9 0.0094849 6 0.1880 0.3864
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
10 0.00712303 7 0.2350 0.2896 11 0.0089277 8 0.2030 0.2195 12 0.0092696 3 0.2190 0.2796 13 0.0083236 6 0.2340 0.8336 14 0.00804108 4 0.1560 0.2355 15 0.00829536 2 0.2500 0.2431 16 0.00934673 6 0.2660 0.0923 17 0.00822343 4 0.2190 0.3146 18 0.00936274 2 0.2190 0.2919 19 0.00732684 3 0.1720 0.4524 20 0.00999925 5 0.2190 0.2099 21 0.0075977 24 0.5310 0.7397 22 0.00892511 3 0.2340 0.2159 23 0.0252278 3 0.2500 0.2639 24 0.00592129 1 0.1250 -
Pengujian Pengambilan Data Training dan Testing Dilakukan Secara Acak Berdasarkan Tahun
00.10.20.30.40.50.60.70.80.9
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
rerata error testing
Gambar 4.14 Pengujian Unit Masukan dengan Menggunakan Metode 5
f. Pembagian Data Training dan Testing dengan Menggunakan Metode 6
Hasil pengujian untuk jumlah unit masukan yang berbeda – beda (3 – 24
unit masukan) tampak pada tabel 4.8.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Tabel 4.8 Hasil Pengujian Unit Masukan dengan Menggunakan Metode 6
Unit Masukan MSE Berhenti pada
epoch ke- Waktu
Training
Rerata Error
Testing 3 0.00999563 64 0.6720 0.2548 4 0.00996076 39 0.4370 0.3528 5 0.00625079 19 0.2500 0.4505 6 0.00791212 12 0.2030 0.2204 7 0.00999169 9 0.2350 0.3591 8 0.00890743 13 0.2190 0.1984 9 0.0065672 13 0.2650 0.1665
10 0.00603445 4 0.1870 0.2051 11 0.00695347 6 0.1720 0.1896 12 0.0098678 7 0.2970 0.1726 13 0.00395648 4 0.1720 0.1459 14 0.00233022 4 0.1250 0.1401 15 0.00747032 3 0.2340 0.1574 16 0.00784561 5 0.2190 0.1772 17 0.00719932 3 0.2350 0.1246 18 0.00734078 2 0.1870 0.1327 19 0.00394905 2 0.1560 0.0817 20 0.00539858 2 0.1570 0.0791 21 0.00814626 1 0.1560 0.0786 22 0.00926222 1 0.1720 0.0872 23 0.0093086 1 0.1870 0.0690 24 0.0048728 1 0.1410 0.0903
Pengujian Pengambilan Data Setiap Enam Bulan Secara Bergantian Untuk Data Training dan Testing
0
0.1
0.2
0.3
0.4
0.5
3 5 7 9 11 13 15 17 19 21 23
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
Rerata Error Testing
Gambar 4.15 Pengujian Unit Masukan dengan Menggunakan Metode 6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Hasil seluruh pengujian pengaruh jumlah unit masukan pada masing – masing
jenis data training dan testing terhadap rerata error testing dapat dibuat sebuah
grafik keseluruhannya yang tampak pada gambar 4.16.
Pengujian Pengaruh Jumlah Unit Masukan Pada Masing-Masing Metode Pembagian Data Training dan Testing Terhadap Rerata Error Testing
0
0.5
1
1.5
2
2.5
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
Metode 1Metode 2Metode 3Metode 4Metode 5Metode 6
Gambar 4.16 Pengujian Unit Masukan dengan Menggunakan Metode 1−6
Dari gambar grafik di atas, dapat disimpulkan bahwa pemilihan data training
dan testing dengan menggunakan metode 4 (pencarian data training dan testing
berdasarkan tahun ganjil dan genap) mempunyai tingkat kekuratan yang paling
baik (rerata error testing paling kecil).
3. Menentukan Jumlah Unit Lapisan Tersembunyi
Pengujian dilakukan terhadap satu hidden layer dan dua hidden layer, dengan
jumlah unit yang berbeda – beda. Pengujian menggunakan fungsi pelatihan :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Algoritma Levenberg-Marquardt (trainlm), maksimum epoh = 20, kinerja tujuan
(target error) = 0.01, learning rate = 0.01, jumlah epoch yang akan ditunjukkan
kemajuannya (EpohShow) = 10, jenis data training dan testing dengan metode 4
(pencarian data training dan testing berdasarkan tahun ganjil dan genap).
a. Pengujian Satu Hidden Layer Terhadap Rerata Error Testing
Pengujian dilakukan pada jumlah unit masukan yang berbeda – beda (6 – 23
unit masukan). Pengujian juga dilakukan pada satu hidden layer dengan jumlah
unit yang berbeda – beda (3-5 unit).
Hasil seluruh pengujian satu hidden layer terhadap rerata nilai testing dapat
dibuat sebuah grafik keseluruhannya yang tampak pada gambar 4.17.
Pengujian Satu Hidden Layer Terhadap Rerata Error Testing
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
6 8 10 12 14 16 18 20 22
Jumlah Unit Masukan
Rer
ata
Error
Tes
ting
3 Unit
4 unit5 unit
Gambar 4.17 Pengujian Satu Hidden Layer Terhadap Rerata Error
Testing
Dari gambar grafik di atas, dapat disimpulkan bahwa penggunaan hidden layer
dengan jumlah unit yang berbeda – beda tidak mengalami perubahan yang sangat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
berarti pada rerata error testing. Penggunaan satu hidden layer yang menghasilkan
rerata error testing terkecil terlihat pada pemakaian 3 unit hidden layer.
Satu Hidden Layer yang Memiliki Rerata Error Testing Terkecil
0
0.05
0.1
0.15
0.2
0.25
6 8 10 12 14 16 18 20 22
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
3 Unit
Gambar 4.18 Satu Hidden Layer dengan Rerata Error Testing Terkecil
Dari gambar grafik di atas, dapat disimpulkan bahwa unit masukan yang
berjumlah 12 sampai 16 merupakan jumlah unit masukan yang dapat
menghasilkan rerata error testing yang terbaik, atau dapat juga dikatakan bahwa
unit masukan dengan jumlah 12 sampai 16 lebih akurat untuk memprediksikan
jumlah pengguna kredit penjualan motor di dealer ABC Motor.
b. Pengujian Dua Hidden Layer Terhadap Rerata Error Testing
Pengujian dilakukan pada jumlah unit masukan yang berbeda – beda (6 – 23
unit masukan). Pengujian juga dilakukan pada dua hidden layer dengan jumlah
unit yang berbeda – beda (3 unit pada layar tersembunyi pertama dan 3 unit pada
layar tersembunyi kedua, 3 unit pada layar tersembunyi pertama dan 2 unit pada
layar tersembunyi kedua, 4 unit pada layar tersembunyi pertama dan 4 unit pada
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
layar tersembunyi kedua, 4 unit pada layar tersembunyi pertama dan 3 unit pada
layar tersembunyi kedua, 4 unit pada layar tersembunyi pertama dan 2 unit pada
layar tersembunyi kedua).
Hasil seluruh pengujian satu hidden layer terhadap rerata nilai testing
dapat dibuat sebuah grafik keseluruhannya yang tampak pada gambar 4.19.
Pengujian Dua Hidden Layer Terhadap Rerata ErrorTesting
0
0.05
0.1
0.15
0.2
0.25
0.3
6 8 10 12 14 16 18 20 22
Jumlah Unit Masukan
Rer
ata Error
Tes
ting
3 unit 3 unit
3 unit 2 unit
4 unit 4 unit
4 unit 3 unit
4 unit 2 unit
Gambar 4.19 Pengujian Dua Hidden Layer Terhadap Rerata Error Testing
Dari gambar grafik di atas, dapat disimpulkan bahwa penggunaan hidden layer
dengan jumlah unit yang berbeda – beda tidak mengalami perubahan yang sangat
berarti pada rerata error testing. Penggunaan dua hidden layer yang menghasilkan
rerata error testing terkecil terlihat pada pemakaian 4 unit pada layar tersembunyi
pertama dan 2 unit pada layar tersembunyi kedua.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Dua Hidden Layer yang Memiliki Rerata Error Testing Terkecil
00.02
0.040.060.08
0.10.120.14
0.160.18
6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Jumlah Unit Masukan
Rer
ata
Err
or T
estin
g
4 unit 2unit
Gambar 4.20 Dua Hidden Layer dengan Rerata Error Testing Terkecil
Dari gambar grafik di atas, dapat disimpulkan bahwa unit masukan yang
berjumlah 12 sampai 16 merupakan jumlah unit masukan yang dapat
menghasilkan rerata error testing yang terbaik, atau dapat juga dikatakan bahwa
unit masukan dengan jumlah 12 sampai 16 lebih akurat untuk memprediksikan
jumlah pengguna kredit penjualan motor di dealer ABC Motor.
4. Pengujian Banyak Iterasi Terhadap MSE dan Rerata Error Testing
Pengujian dilakukan terhadap dua hidden layer dengan jumlah unit : 4 pada
layar tersembunyi pertama dan jumlah unit : 2 pada layar tersembunyi kedua.
Dipilih penggunaan dua hidden layer dengan jumlah unit : 4 pada layar
tersembunyi pertama dan jumlah unit : 2 pada layar tersembunyi kedua, karena
hidden layer tersebut mempunyai rerata error testing yang lebih kecil
dibandingkan dengan satu hidden layer dengan jumlah unit : 3. Pengujian
menggunakan fungsi pelatihan : Algoritma Levenberg-Marquardt (trainlm),
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
kinerja tujuan (target error) = 0, learning rate = 0.01, pemilihan data training dan
testing dengan menggunakan metode 4 (pencarian data training dan testing
berdasarkan tahun ganjil dan genap), jumlah unit masukan : 12.
Pengujian pengaruh banyak iterasi terhadap MSE dan rerata error testing
dengan menggunakan arsitektur 12-4-2-1 tampak pada tabel 4.9.
Tabel 4.9 Hasil Pengujian Banyak Iterasi Terhadap MSE dan Rerata Error
Testing
Banyak Iterasi MSE Rerata Error Testing 1 0.0384763 0.1622 4 0.00931661 0.0834 5 0.00867366 0.0861 10 0.000180514 0.1574 12 1.65795e-010 0.1641 14 7.67355e-031 0.1641 50 7.67355e-031 0.1641 100 7.67355e-031 0.1641
Pengujian Pengaruh Banyak Iterasi Terhadap MSE
0.00E+001.00E-032.00E-033.00E-034.00E-035.00E-03
1 4 5 10 12 14 50 100
Banyak Iterasi
MSE
MSE
Gambar 4.21 Pengujian Banyak Iterasi Terhadap MSE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Pengujian Pengaruh Banyak Iterasi Terhadap Rerata Error Testing
00.050.1
0.150.2
1 4 5 10 12 14 50 100
Banyak Iterasi
Rer
ata
Err
or
Tes
ting
rerata error testing
Gambar 4.22 Pengujian Banyak Iterasi Terhadap Rerata Error Testing
Hasil dari pengujian pengaruh banyak iterasi terhadap nilai MSE adalah :
semakin banyak jumlah iterasi, maka nilai MSE yang dihasilkan akan semakin
kecil. Dalam pengujian diatas, nilai MSE bernilai tetap pada jumlah iterasi 14.
Jumlah iterasi yang menghasilkan rerata error testing terkecil adalah : 4.
5. Pengujian Target Error Terhadap Banyak Iterasi
Pengujian dilakukan terhadap dua hidden layer dengan jumlah unit : 4 pada
layar tersembunyi pertama dan jumlah unit : 2 pada layar tersembunyi kedua.
Dipilih penggunaan dua hidden layer dengan jumlah unit : 4 pada layar
tersembunyi pertama dan jumlah unit : 2 pada layar tersembunyi kedua, karena
hidden layer tersebut mempunyai rerata error testing yang lebih kecil
dibandingkan dengan satu hidden layer dengan jumlah unit : 3. Pengujian
menggunakan fungsi pelatihan : Algoritma Levenberg-Marquardt (trainlm),
learning rate = 0.01, jumlah iterasi = 4, pemilihan data training dan testing dengan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
menggunakan metode 4 (pencarian data training dan testing berdasarkan tahun
ganjil dan genap), jumlah unit masukan : 12.
Pengujian target error terhadap banyak iterasi dan rerata error testing dengan
menggunakan arsitektur 12-4-2-1 tampak pada tabel 4.10.
Tabel 4.10 Hasil Pengujian Target Error terhadap Banyak Iterasi dan Rerata Error
Testing
Target Error Banyak Iterasi Rerata Error Testing 10-1 1 0.1622 10-2 4 0.0834 10-3 4 0.0834 10-4 4 0.0834 10-5 4 0.0834 10-6 4 0.0834 10-7 4 0.0834 10-8 4 0.0834 10-9 4 0.0834 10-10 4 0.0834 10-11 4 0.0834 10-12 4 0.0834 10-13 4 0.0834 10-14 4 0.0834 10-15 4 0.0834 10-16 4 0.0834 10-17 4 0.0834 10-18 4 0.0834 10-19 4 0.0834 10-20 4 0.0834
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Pengujian Pengaruh Target Error Terhadap Banyak Iterasi
012345
10-1
10-3
10-5
10-7
10-9
10-11
10-13
10-15
10-17
10-19
Target Error
Ban
yak
Iter
asi
Banyak Iterasi
Gambar 4.23 Pengujian Target error Terhadap Banyak Iterasi
Pengujian Pengaruh Target Error Terhadap Rerata Error Testing
00.050.1
0.150.2
10-1
10-3
10-5
10-7
10-9
10-11
10-13
10-15
10-17
10-19
Target Error
Rer
ata
Err
or
Tes
ting
rerata error testing
Gambar 4.24 Pengujian Target Error Terhadap Rerata Error Testing
Hasil dari pengujian pengaruh target error terhadap banyak iterasi dan rerata
error testing dengan menggunakan dua hidden layer adalah : semakin kecil nilai
target error, maka jumlah iterasi yang dihasilkan akan semakin kecil. Dalam
pengujian diatas, banyak iterasi berjumlah tetap pada target error : 10-2. Target
error yang menghasilkan rerata error testing terkecil adalah : 10-2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
6. Pengamatan Hasil Prediksi
Proses prediksi menggunakan fungsi pelatihan : Algoritma Levenberg-
Marquardt (trainlm), arsitektur jaringan : 12 − 4 − 2 − 1, kinerja tujuan (target
error) = 0.01, learning rate = 0.01, jumlah iterasi = 4, jenis data training dan
testing metode 4 (pencarian data training dan testing berdasarkan tahun ganjil dan
genap). Dari proses prediksi terhadap data ABC Motor periode tahun 2001 –
2005, menghasilkan data hasil prediksi untuk tahun 2006 yang tampak pada tabel
4.11.
Tabel 4.11 Hasil Prediksi Data ABC Motor untuk Tahun 2006
No Bulan Data Hasil Prediksi 1 Januari 5 2 Februari 7 3 Maret 22 4 April 4 5 Mei 1 6 Juni 2 7 Juli 1 8 Agustus 2 9 September 1
10 Oktober 3 11 November 14 12 Desember 5
Dari hasil prediksi yang telah didapat, maka dapat disimpulkan bahwa prediksi
minat pembeli sepeda motor untuk Dealer ABC Motor dengan menggunakan jasa
PT. Adira Dinamika Multifinance pada tahun 2006 mengalami peningkatan di
bulan Maret dan November 2006.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
BAB V
PENUTUP
A. Kesimpulan
Dari hasil analisa dan implementasi Program Penyaluran Kredit Berdasarkan
Prediksi Penjualan Sepeda Motor di DIY dengan Menggunakan Backpropagation,
dapat ditarik kesimpulan, yaitu :
• Penggunaan bobot yang berbeda – beda dapat menghasilkan tingkat
keakuratan yang berbeda – beda (tingkat keakuratan dilihat dari nilai rerata
error testing).
• Dari percobaan yang dilakukan pada PT. Adira Dinamika Multifinance
dengan periode tahun 2001−2005, diperoleh pengujian terbaik (rerata error
testing terkecil) : fungsi pelatihan : Algoritma Levenberg-Marquardt (trainlm),
arsitektur jaringan : 12 − 4 − 2 − 1, kinerja tujuan (target error) = 0.01,
learning rate = 0.01, jumlah iterasi = 4, pembagian data training dan testing
dengan menggunakan metode 4 (pembagian data training dan testing
berdasarkan tahun ganjil dan genap).
• Prediksi minat pembeli sepeda motor untuk Dealer ABC Motor dengan
menggunakan jasa PT. Adira Dinamika Multifinance adalah : adanya
peningkatan minat pembeli di bulan Maret dan November tahun 2006.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
B. Saran
Setelah mengamati, merancang dan membangun Program Penyaluran Kredit
Berdasarkan Prediksi Penjualan Sepeda Motor di DIY dengan Menggunakan
Backpropagation ini, maka untuk pengembangan di masa mendatang, disarankan
untuk melakukan beberapa hal :
•••• Peramalan dapat menggunakan model pembelajaran Jaringan Syaraf Tiruan
yang lainnya, selain Backpropagation.
•••• Peramalan dapat menggunakan bahasa pemrograman lainnya, selain bahasa
pemrograman Matlab 6.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
DAFTAR PUSTAKA
Jong, J.S, 2005. Jaringan Syaraf Tiruan dan Pemrogramannya dengan
Matlab,Andi Offset, Yogyakarta.
Kusumadewi, Sri, 2004. Membangun Jaringan Syaraf Tiruan Menggunakan
Matlab, Graha Ilmu, Yogyakarta.
Oktara, L.S, 2005. Implementasi Jaringan Syaraf Tiruan Menggunakan Metode
Backpropagation untuk Prediksi Penjualan ‘Flate Rate’ (Studi Kasus
pada PT. Pos Indonesia Yogyakarta), Universitas Gajah Mada,
Yogyakarta.
Rahayu, T.P, 2005. Sistem Peramalan Beban Listrik Menggunakan Jaringan
Syaraf Tiruan, Universitas Gajah Mada, Yogyakarta.
Wibowo, Edhi, 2004. Perancangan dan Pembuatan Perangkat Lunak Prediksi
Penjualan dengan Jaringan Syaraf Tiruan Backpropagation.
http://digilib.its.ac.id/go.php?id=jiptits-gdl-s1-2005-edhiewibow-
350&width=400&PHPSESSID=ec415d9816b50edc8a3e59fc98d6fc3e
Wibowo, Y.B, 2005. Implementasi Jaringan Syaraf Tiruan Backpropagation
untuk Memprediksi Harga Saham, Universitas Gajah Mada, Yogyakarta.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI