prediksi jumlah produksi roti menggunakan … · iialaman persetujuai{prediksi ji,]mlah produksi...

PREDIKSI JUMLAH PRODUKSI ROTI MENGGUNAKAN METODE

BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Dhesa Ardhiyanta

125314038

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2016

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

i

PREDICTION OF TOTAL PRODUCTION OF BREAD USING

BACKPROPAGATION

A THESIS

Presented as Partial Fulfillment of Requirements to Obtain Sarjana

Komputer

Degree in Informatics Engineering Department

By :

Dhesa Ardhiyanta

125314038

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE TECHNOLOGY

SANATA DHARMA UNIVERSITY

2016


IIALAMAN PERSETUJUAI{

PREDIKSI JI,]MLAH PRODUKSI ROTI MENGGIJNAKAN METODE

BACKPROPAGATION

Pembimbing

Tanggd, 26 J,.[i totbDr. C. Kuntoro Adt, $L, MA, M.Sc.


SKRIPSI

PREDIKSI JI]MI,AH PRODUKSI ROTI MENGGIJNAKAN METbDEBACKPROPAGANON

Dipersiapkan dan ditulis oleh:

DIIESA ARDHTYA}ITA

NIM:125314038

Tanda Tangan

Yogyakarra, ?.t.Ju /; 3?.16Fakultas Sains dan Teknologi

Universitas Sanata Dharma

ps'r,*"H*"*,-.ln-ry ffi*r'ts$tl tl**:ry,:-.\\ beffiF7^ffi?IN.tryffi,Hd}

S. Si.,M.lvIath. Sc.,Ph.D


iv

MOTTO

Jangan menunggu karena tak akan ada waktu yang tepat. Mulailah dari sekarang,

dan berusahalah dengan segala yang ada. Seiring waktu, akan ada cara yang lebih

baik asalkan tetap berusaha.

(Napoleon Hill)


v

HALAMAN PERSEMBAHAN

Segala hasil ini saya persembahkan kepada Tuhan Yesus Kristus atas

segala rahmat dan berkat yang diberikan, sehingga semua dapat

terselesaikan.

Kepada bapak Benediktus Samidja dan ibu El. Sir Hartini , yang telah

memberikan doa, dukungan dan semangat selama proses perkuliahan.

Kepada Mba Indri, Mba Lusi, Ivan atas dukungan dan doa yang

diberikan.

Kepada Dosen-dosen Teknik Informatika Sanata Dharma, terima kasih

atas segala bimbingan dari awal proses sampai akhir perkuliahan.

Kepada teman-teman Teknik Informatika Sanata Dharma angkatan 2012,

terima kasih telah saling memberikan semangat dan berjuang bersama

serta doa yang diberikan.


PEnI{YATAAI I(EASLIAN KARYA

Sayr maSdm dErgan ffiegphmya b&wa tugas drhir 1mg sap tulis

tidak mqufug a*E reB,Ed kdl kfrltr oragfui4 ke€udi png tel&

die*dkan ddm & lu*e e kifm solaloya lcar:a ilmiah.

Yqr*rtq t7 ndi St6

ffi"

vi


LEMBAR PERNTYATAATI PERSETUJUAN PUBLIKASI

KARYA ILMIAH TJNTUK KEPENTINGAII AKADEMIS

Yang bertanda angan di bawah ini, saya mahasiswa Universitas Sanata Dharrna

Yogyakarta:

Nama : Dhesa Ardhiyanta

NIM :125314038

Demi pengembangan ilmu pengetahuan, sya memberikan kepada

perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul :

PREDIKSI JUMLAH PRODUKSI ROTI MENGGTJNAKAN METODE

BACXPROPAGATION

Beserta perangkat yang diperlukan ( bila ada ). Dengan demikian saya

memberikan kepada perpustakaan Universitas Sanata Dharrna Yogyakarta hak

untuk menyimpan, mengalihkan dalam bentuk media lain, mengelola dalmr bentuk

pangkalan data, mendistribusikan s@ara terbatas, dan mempublikasikan di internet

atau media lain untuk kepentingan akademis tanpa meminta ijin dari saya maupun

memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai

penulis.

Demikian pernyataan yang saya buat dengan sebenanrya.

Dibuat di : Yogyakarta

Pada tanggal : 2| TUti lotG

Yang menyatakan,

vil


viii

ABSTRAK

Toko roti Muntjul merupakan salah satu toko roti yang setiap hari

melakukan produksi roti. Berbagai jenis roti yang diproduksi sangat bervariasi, dan

permintaan konsumen yang paling tinggi jenis roti seperti roti pisang coklat, roti

pisang keju, roti pisang spesial. Dalam memenuhi permintaan konsumen yang

selalu berubah, toko roti ini memproduksi produk dengan jumlah yang berbeda

untuk roti tersebut. Hal ini menyebabkan toko roti muntjul tidak menentu dalam

menghasilkan jumlah suatu produk. Karena hal itu, dibutuhkan sebuah sistem yang

akurat untuk prediksi jumlah produksi roti sebagai pertimbangan untuk

memproduksi jumlah roti selanjutnya.

Penelitian ini menghasilkan sebuah model prediksi untuk jumlah roti yang

seharusnya diproduksi. Data yang digunakan merupakan data produksi tiga tahun

terakhir yaitu mulai tahun 2013-2015. Pendekatan yang digunakan untuk prediksi

jumlah produksi roti adalah dengan metode Jaringan Syaraf Tiruan

Backpropagation dengan fungsi transfer layer log-sigmoid dan fungsi transfer

output purelin dan model pengujian yang digunakan pada proses prediksi adalah 3

fold cross validation dalam menguji data training. Berdasarkan hasil penelitian,

diperoleh model prediksi untuk jumlah produksi roti di Toko Roti Muntjul Klaten

yang berbeda untuk setiap roti. Untuk roti pisang coklat dengan model satu hidden

layer dengan jumlah neuron 25 dengan delay 7 data menghasilkan akurasi 74.88

%, roti pisang keju dengan model dua hidden layer dengan masing-masing jumlah

neuron 25 dan 25 dengan delay 14 data menghasilkan akurasi 71.84 % , roti pisang

spesial dengan model dua hidden layer dengan masing-masing jumlah neuron 30

dan 25 dengan delay 21 data menghasilkan akurasi 74.05 %.

Kata Kunci : Prediksi, Jumlah Produksi Roti, Jaringan Syaraf Tiruan

Backpropagation


ix

ABSTRACT

Muntjul Bakery is one of bakeries which produces bread every day. Various

kinds of bread are produced here everyday. The favorite bread which become the

big demand which comes from the consumer are banana chocolate bread, banana

cheese bread, and special banana bread. In order to fulfill the consumers’ demand,

this bakery produces those variant of bread in different quantity based on the

demand. That condition makes Muntjul bakery produces inconsistent number of

breads everyday. From that condition, it is required an accurate system to sum up

the production of bread as a consideration to produce the amount of the next bread.

This research results a model of prediction amount of bread which are

supposed to be produced. The data which was used in this research was the last-

three-year production data between 2013-2015. The approach which was used to

predict the production amount of bread was the artificial neural networks

backpropagation method with the transfer layer log-sigmoid function and the

transfer of output purelin function and the used method of 3-fold cross validation

in validation data training. The result of the research showed the prediction model

of the production amount of bread in Muntjul Bakery was different each day. For

banana chocolate bread with a hidden layer model with the number of neurons were

25 with a delay of 7 data , showed the accuracy for about 74.88 %. For banana

cheese bread with a two hidden layer model with the number of neurons were 25

and 25 with a delay of 14 data, showed the accuracy for about 71.84 %. For special

banana bread with two hidden layer model with the number of neurons were 30 and

25 with a delay of 21 data, showed the accuracy for about 74.05 %.

Keywords: Prediction, Total Production Bread, Neural Network Backpropagation


x

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Tuhan Yesus Kristus karena

atas berkat dan rahmatnya sehingga penulis dapat menyelesaikan tugas akhir

sesuai dengan waktu yang telah ditentukan. Skripsi ini disusun sebagai salah

satu syarat guna memperoleh gelar sarjana Teknik Informatika di Universitas

Sanata Dharma Yogyakarta.

Penulis telah menyadari bahwa dalam penyusunan skripsi ini, tanpa

melibatkan bantuan dan dukungan banyak pihak skripsi ini sulit untuk selesai,

namun berkat dukungan dan bantuan dari banyak pihak, akhirnya skripsi ini

dapat diselesaikan. Oleh sebab itu atas bantuan dan dukungannya, penulis

menghaturkan ucapan terimakasih kepada :

1. Tuhan Yesus Kristus, yang telah memberikan bimbingan dan kekuatan

dalam proses penyelesaian tugas akhir.

2. Sudi Mungkasi ,S.Si.,M.Math.Sc.,Ph.D selaku Dekan Fakultas Sains dan

Teknologi Universitas Sanata Dharma Yogyakarta.

3. Dr. Anastasia Rita selaku Ketua Program Studi Teknik Informatika

Universitas Sanata Dharma Yogyakarta.

4. Dr. C. Kuntoro Adi, SJ. M.A., M.Sc. selaku dosen pembimbing yang telah

meluangkan waktu untuk membimbing penulis selama pembuatan skripsi

ini.

5. Iwan Binanto M. Cs selaku dosen pembimbing akademik yang telah

membimbing penulis selama melakukan kuliah di Universitas Sanata

Dharma.

6. Orang tua, Benedictus Samidja dan Elisabeth Sir Hartini, serta keluarga

yang memberikan dukungan, doa, dan motivasi dalam penyelesaian tugas

akhir.


7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan selama

menuntut ilmu dan sangat membantu penulis dalam mengerjakan tugas

akhir.

8. Teman-teman Teknik Informatika 2012 yang selalu memberi semangat dan

bantuan selama menyelesaikan skripsi ini.

9. Rekan seperjuanganyang dibimbing oleh Rm. Kun (wiga, Agustin, Nita,

Ria, Bondan, Nada, dkk) yang selalu bersemangat ketika bimbingan dan

senantiasa saling memberikan semangat dan doa satu sama lain selama

menyelesaikan skripsi ini.

10. Kepada teman-teman kost 21 (Dwi Tunggal), Kanca pait voice (cik rippa.

Kak Flo, Roy, Paul, Titus, Alm. Vinsen) , JANGKREK Klaten, dan OMK

Natalia Birin atas dukungan dan doa yang diberikan.

11. Kepada teman-teman l(anca Dolan crew (Dhanu, Fr.Willy, Christ, Raka,

Putri, Bagas, dkk) yang senantiasa mendengarkan keluh kesah selama

pengerjaan tugas akhir dan atas doa yang diberikan.

Penulis dalam menulis skripsi ini sudah berusaha semaksimal mungkin,

namun penulis juga menyadari bahwa slaipsi yang dibuat ini masih banyak

kekurangan dan jauh dari sempurnzl. oleh sebab itu penulis sangat

mengharapkan kritik dan saran dari pembaca yang dapat bermanfaat bagi

perbaikan pada masa mendatang.

Penulis berharap semoga skripsi ini dapat bermanfaat bagi pihak-pihak yang

berkepentingan untuk menambah wav/asan dan pengetahuan dan juga bagi

pembaca.

Yogyakarta, ?| Juli 20 I 6

Penulis

&Dhesa Ardhiyanta

xt


xii

DAFTAR ISI

HALAMAN JUDUL …………………………………………………………….. i HALAMAN PERSETUJUAN ................................................................................ ii

MOTTO.................................................................................................................. iv

HALAMAN PERSEMBAHAN.............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................ vii

KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ............................... vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ............................................................................................................. ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................ xvi

BAB I Pendahuluan .............................................................................................. 1

1.1. Latar Belakang .............................................................................................. 1

1.2. Rumusan Masalah......................................................................................... 2

1.3. Tujuan Penelitian .......................................................................................... 2

1.4. Manfaat Penelitian ........................................................................................ 2

1.5. Batasan Masalah ........................................................................................... 3

1.6. Metodologi Penelitian................................................................................... 3

1.7. Sistematika Penulisan ...…………………………………………………….………………….. 4

BAB II Landasan Teori ........................................................................................ 5

2.1. Jaringan Syaraf Tiruan ................................................................................. 5

2.1.1. Arsitektur Jaringan ................................................................................. 6

2.1.2. Fungsi Aktivasi, Bias dan Threshold ..................................................... 8

2.1.3. Backpropagation (Propagasi Balik) ...................................................... 9

2.1.4. Fungsi Aktivasi .................................................................................... 10

2.1.5. Mempercepat Pelatihan Backpropagation ........................................... 13

2.2. K-Fold Cross Validation ............................................................................ 23


xiii

2.3. Konsep Manajemen Produksi ..................................................................... 24

2.3.1. Produksi ............................................................................................... 25

2.3.2. Fungsi Produksi ................................................................................... 25

2.4. Peramalan atau Prediksi ............................................................................. 26

2.4.1. Karakteristik Peramalan ....................................................................... 26

2.4.2. Metode Peramalan/ Prediksi ................................................................ 27

BAB III Metodologi Penelitian .......................................................................... 28

3.1. Data ............................................................................................................. 28

3.2. Gambaran Penelitian................................................................................... 29

3.2.1. Arsitektur Jaringan .............................................................................. 30

3.3. Validasi ....................................................................................................... 31

3.4. Spesifikasi Alat ........................................................................................... 32

3.5. Tahapan Penelitian ..................................................................................... 32

BAB IV Implementasi dan Analisa Hasil ......................................................... 34

4.1. Implementasi Sistem .................................................................................. 34

4.2. Pengujian .................................................................................................... 35

4.2.1. Optimalisasi Arsitektur Jaringan dan Jumlah Delay Data ................... 35

4.3. Hasil Pengujian ........................................................................................... 47

BAB V Penutup ................................................................................................... 51

5.1. Kesimpulan ................................................................................................. 51

5.2. Saran ........................................................................................................... 51

Daftar Pustaka ....................................................................................................... 53

LAMPIRAN .......................................................................................................... 55


xiv

DAFTAR GAMBAR

Gambar 2.1 Jaringan Layar Tunggal (Siang, 2009) ................................................ 6

Gambar 2.2 Jaringan Layar Jamak (Siang, 2009) ................................................... 7

Gambar 2.3 Jaringan Reccurent .............................................................................. 8

Gambar 2.3 Jaringan dengan Bias (Siang, 2009) .................................................... 9

Gambar 2.4 Arsitektur Jaringan Backpropagation (Siang, 2009) ........................ 10

Gambar 2.5. Pengaruh Perubahan Momentum (Hagan & Demuth, 1996) …….. 15

Gambar 2.6. Lintasan dengan momentum (Hagan & Demuth, 1996) …………. 16

Gambar 2.7. Perubahan bobot learning rate=0.01 (Hagan & Demuth, 1996) …. 18

Gambar 4.1. Tampilan Utama Program ………………………………………... 34

Gambar 4.3. Grafik Akurasi 2 Hidden Layer Roti Pisang Coklat Delay Data : 7

............................................................................................................................. ..36


............................................................................................................................... 36


............................................................................................................................... 36


............................................................................................................................... 37


............................................................................................................................... 37


............................................................................................................................... 38


............................................................................................................................... 38

Gambar 4.10. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 7

........................................................................................................................... …38


........................................................................................................................... …39


.............................................................................................................................. .39


.............................................................................................................................. .39


xv

Gambar 4.14. Grafik Akurasi 1 Hidden Layer Roti Pisang Keju Delay Data : 21.

............................................................................................................................... 40


.............................................................................................................................. .40


.............................................................................................................................. .41

Gambar 4.17. Grafik Akurasi 2 Hidden Layer Roti Pisang Keju Delay Data : 28 ...

………………………………………………………………………………….. 41

Gambar 4.18. Grafik Akurasi 1 Hidden Layer Roti Pisang Spesial Delay Data : 7

............................................................................................................................... 41


............................................................................................................................... 42


............................................................................................................................... 42


............................................................................................................................... 42


............................................................................................................................... 43


............................................................................................................................... 43


............................................................................................................................... 44


............................................................................................................................... 44

Gambar 4.26. Contoh Grafik Output Program untuk Roti Pisang Coklat ............ 48

Gambar 4.27. Contoh Grafik Output Program untuk Roti Pisang Keju ............... 48

Gambar 4.28. Contoh Grafik Output Program untuk Roti Pisang Spesial ........... 49


xvi

DAFTAR TABEL

Tabel 3.1 Proses Validasi ………………………………………………………. 31

Tabel 4.1. Tabel Kesimpulan Percobaan Hidden Layer dan Delay ...................... 45

Tabel 4.2. Tabel Pengujian Metode Training (Roti Pisang Coklat) ...................... 46

Tabel 4.3. Tabel Pengujian Metode Training (Roti Pisang Keju)......................... 46

Tabel 4.5. Tabel Pengujian Metode Training (Roti Pisang Spesial) ..................... 47


1

BAB I

PENDAHULUAN

1.1.Latar Belakang

Perusahaan masa kini bergerak dalam pasar yang tidak menentu dan terus

berubah-ubah. Untuk itu setiap perusahaan dituntut untuk selalu mengerti dan

memahami apa yang terjadi dipasar dan apa yang menjadi keinginan konsumen

serta berbagai perubahan yang ada di lingkungan bisnisnya sehingga mampu

bersaing dengan perusahaan lain (Agung, 2008). Dalam memenuhi permintaan

pasar yang selalu berubah, suatu perusahaan memproduksi produk dengan jumlah

yang berbeda. Hal ini menyebabkan perusahaan tidak menentu dalam menghasilkan

jumlah suatu produk. Selain itu, dengan banyaknya permintaan dari konsumen

ataupun pesanan yang terus menerus, maka perusahaan harus cepat tanggap dalam

mengeluarkan keputusan dalam memproduksi produknya.

Toko Roti Muntjul merupakan salah satu toko roti yang ada di Klaten. Produksi

roti merupakan hal rutin yang dilakukan untuk dapat memenuhi kebutuhan

konsumen, terutama ketika konsumen banyak membeli roti di toko tersebut. Dalam

memproduksi roti yang harus diproduksi ada beberapa hal yang mempengaruhinya

diantaranya bahan baku dan jumlah permintaan.

Selama ini dalam memprediksi jumlah produksi roti yang harus dibuat hanya

mengandalkan perhitungan manual saja. Belum terdapat sistem tertentu yang

digunakan dalam membantu memprediksi jumlah produksi roti pada setiap harinya.

Dalam produksi setiap harinya, toko roti tersebut tidak menentu dalam

memproduksinya untuk setiap jenis roti khusus penjualan toko tersebut. melihat

data produksi yang sudah ada, terdapat beberapa roti yang paling banyak diminati

seperti roti pisang coklat, pisang keju, dan pisang spesial. Jenis roti tersebut

memiliki peminat konsumennya paling tinggi daripada jenis roti yang lainnya.

Sehingga untuk memuaskan konsumen perlu membuat prediksi jumlah produksi

terhadap jenis roti tersebut agar stok di toko tersebut tidak kehabisan stok.

Pada penelitian sebelumnya telah dilakukan penelitian terkait dengan

memprediksi jumlah produksi dengan studi kasus produksi air PDAM dengan


2

Jaringan Syaraf Tiruan dengan menggunakan Backpropagation. Dalam penelitian

tersebut menghasilkan akurasi yang sangat baik mencapai 95,56 % dengan data

laporan bulanan perusahaan selama 5 tahun terakhir yaitu mulai tahun 2008-2012

(Pramonoaji dkk, 2013).

Berkaitan permasalahan di Toko Roti Muntjul dan juga penelitian yang telah

ada sebelumnya, selanjutnya akan dilakukan sebuah penelitian untuk menentukan

jumlah produksi roti menggunakan metode Backpropagation. Metode tersebut

merupakan algoritma dari jaringan syaraf tiruan yang dapat digunakan sebagai

peramalan (forecasting) (Siang, 2009). Sehingga dalam penelitian ini menggunakan

metode backpropagation dalam memprediksi jumlah produksi rotinya.

1.2.Rumusan Masalah

Dari latar belakang diatas, maka dapat dirumuskan masalah sebagai berikut:

1. Bagaimana pendekatan backpropagation mampu melakukan prediksi

jumlah produksi roti ?

2. Berapakah tingkat keakuratan yang dihasilkan dalam memprediksi jumlah

produksi roti di Toko Roti Muntjul ?

1.3.Tujuan Penelitian

Penelitian ini bertujuan untuk memprediksi jumlah produksi roti dengan

menggunakan metode Backpropagation.

1.4.Manfaat Penelitian

Berdasarkan tujuan penelitian diatas manfaat yang dapat diberikan adalah dapat

membantu produsen dalam proses produksi menjadi lebih tepat dan efisien dan

diharapkan menghasilkan informasi yang dapat dijadikan bahan pertimbangan

dalam melakukan kegiatan produksi roti.


3

1.5.Batasan Masalah

Melihat cakupan topik yang sangat luas, maka penulis memberi batasan

masalah, yaitu :

1. Data yang digunakan adalah seluruh data produksi roti tiap hari di Toko

Roti Muntjul Klaten.

2. Data produksi Toko Roti Muntjul yang digunakan hanya menggunakan

produksi roti pisang coklat, roti pisang spesial, dan roti pisang keju.

3. Data yang digunakan adalah data produksi dari tahun 2013 sampai dengan

2015 di Toko Roti Muntjul.

1.6.Metodologi Penelitian

Metode penelitian pada penyusunan penulisan ini, adalah :

1. Studi Literatur dengan tujuan :

1.1.Mempelajari dan memahami manajemen produksi

1.2.Mempelajari dan memahami Algoritma Backpropagation Jaringan

Syaraf Tiruan.

2. Pengumpulan data melalui penelitian di Toko Roti Muntjul.

3. Pengujian algoritma dengan perhitungan manual terhadap jumlah produksi.

4. Perancangan sistem perhitungan otomatis terhadap prediksi jumlah

produksi.

5. Implementasi algoritma ke dalam system perhitungan jumlah produksi.

6. Membandingkan hasil penentuan secara manual dan dengan rekomendasi

sistem.

7. Menghitung tingkat akurasi dari algoritma yang digunakan.


4

1.7.Sistematika Penulisan

Dokumen ini terdiri atas enam bab, yaitu :

1. BAB I PENDAHULUAN

Bab ini akan dijelaskan mengenai latar belakang, rumusan masalah, tujuan

dan manfaat penulisan, batasan masalah, metodologi penulisan dan

sistematika penulisan.

2. BAB II LANDASAN TEORI

Bab ini akan dijelaskan tentang metode yang digunakan yaitu

Backpropagation serta rumus-rumus yang akan dipergunakan, dan

mengenai teori-teori produksi.

3. BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang analisis dan perancangan sistem, meliputi: gambaran

umum penelitian, data yang digunakan, tahap penelitian, spesifikasi alat dan

gambaran perancangan.

4. BAB IV IMPLEMENTASI DAN ANALISIS SISTEM

Bab ini berisi tentang implementasi dan melakukan analisis dari prediksi

jumlah produksi setiap roti menggunakan metode Backpropagation.

5. BAB V PENUTUP

Bab ini berisi tentang jawaban singkat dari rumusan masalah atau

kesimpulan dan saran dalam pengembangan serta penyempurnaan penilitian

yang dibuat.


5

BAB II

LANDASAN TEORI

Bab ini akan membahas dasar teori serta hasil penelitian terdahulu yang

akan digunakan dalam proses penyusunan dan pembahasan penelitian, tercakup di

dalamnya beberapa pengertian tentang jaringan syaraf tiruan dan konsep

manajemen produksi.

2.1. Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah sistem pemrosesan informasi yang memiliki

karakteristik mirip dengan jaringan syaraf biologis (Siang, 2009). Jaringan Syaraf

Tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf

biologi, dengan asumsi :

Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron).

Sinyal dikirimkan melalui 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 linier) yang dikenakan pada jumlahan input yang

diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas

ambang.

Jaringan Syaraf Tiruan ditentukan oleh 3 hal :

Pola hubungan antar neuron

Metode untuk menentukan bobot penghubung

Fungsi aktivasi


6

2.1.1. Arsitektur Jaringan

Menurut Siang (2009) ada beberapa arsitektur jaringan yang sering dipakai dalam

jaringan syaraf tiruan, antara lain :

1. Jaringan Layar Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung

dengan sekumpulan outputnya. Dalam beberapa model (misal perceptron),

hanya ada sebuah unit neuron output.

X1

Xi

Xn Ym

Yj

Y1

W11

Wji

Gambar 2.1 Jaringan Layar Tunggal (Siang, 2009)

Gambar di atas menunjukan arsitektur jaringan dengan n unit input (X)

dan m unit output (Y).

Dalam jaringan tersebut, semua unit input dihubungkan dengan semua unit

output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang

dihubungkan dengan unit input lainnya. Demikian pula dengan unit output.

Besaran w menyatakan bobot hubungan antara unit onput dengan urut

output. Bobot-bobot ini aling independen. Selama proses pelatihan, bobot-

bobot ini saling independen. Selama proses pelatihan, bobot-bobot tersebut

akan dimodifikasi untuk meningkatkan keakuratan hasi. Model semacam ini

tepat digunakan untuk pengenalan pola karena kesederhanaannya.


7

2. Jaringan Layar Jamak (Multi Layer Network)

Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan

ini, selain unit input dan output, ada unit-unit lain (sering disebut layar

tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti

pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.

Xi

Xn

Zp

Z1

X1

Ym

Yj

Y1

Gambar 2.2 Jaringan Layar Jamak (Siang, 2009)

Gambar di atas adalah jaringan dengan n buah unit input (X) sebuah layar

tersembunyi yang terdiri dari p buah unit (Z) dan m buah unit output (Y).

Jaringan ini dapat menyelesaikan masalah yang lebih kompleks dibandingkan

dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan

lama.

3. Jaringan Reccurent

Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda.

Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering

disebut feedback loop).


8

Gambar 2.3 Jaringan Reccurent

Jaringan ini terdiri dari satu lapisan neuron tunggal dengan masing-masing neuron

memberikan kembali outputnya sebagai input (X) pada semua neuron yang lain.

2.1.2. Fungsi Aktivasi, Bias dan Threshold

Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan

keluaran suatu neuron. Argument fungsi aktivasi adalah net masukan (kombinasi

linear masukan dan bobotnya).

Beberapa fungsi aktivasi yang sering dipakai adalah sebagai berikut :

a. Fungsi Threshold (batas ambang) = { ≥ < (2.1)

Untuk beberapa kasus, fungsi threshold yang tidak berharga 0 atau 1, tapi

berharga -1 atau 1 (sering disebut threshold bipolar) jadi = { − ≥ < (2.2)

b. Fungsi Sigmoid = + − (2.3)

Fungsi ini sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1

dapat diturunkan dengan mudah. ′ = − (2.4)

c. Fungsi identitas = (2.5)


9

Fungsi identitas sering dipakai apabila kita menginginkan keluaran

berupa sembarang bilangan riil (bukan hanya pada rentan [0,1] atau [-1,1]

Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan

yang nilainya selalu = 1. Unit yang sedemikian itu disebut bias. Bias dapat

dipandang sebagai sebuah unit input yang nilainya = 1. Bias berfungsi untuk

mengubah nilai threshold menjadi = 0 (bukan = a). jika melibatkan bias,

maka keluaran unit penjumlahan adalah = + ∑

Fungsi aktivasi threshold menjadi : = { , , <

X1

X2

1

Y

Gambar 2.3 Jaringan dengan Bias (Siang, 2009)

2.1.3. Backpropagation (Propagasi Balik)

Backpropagation merupakan suatu teknik pembelajaran atau pelatihan jenis

supervised learning yang sering digunakan. Metode ini merupakan salah satu

metode yang sangat baik dalam menangani masalah pengenalan pola yang

kompleks. Di dalam jaringan ini, setiap unit yang berada di lapisan input output.

Arsitektur backpropagation termasuk dalam jaringan layar jamak.


10

1

1

Y1

X1

Z1

Xi

Yk

Zj

Xn

Zp

Ym

Wkj

Gambar 2.4 Arsitektur Jaringan Backpropagation (Siang, 2009)

Pada gambar di atas merupakan arsitektur jaringan syaraf tiruan propagasi

balik dengan n buah masukan ditambah sebuah bias, sebuah lapis tersembunyi yang

terdiri dari p unit ditambah sebuah bias, dan sebuah lapis unit keluaran.

2.1.4. Fungsi Aktivasi

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi

baberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi

yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga

sering dipakai adalah fungsi sigmoid biner yang memiliki rentang(0,1). = + − dengan turunan ′ = ( − ) Fungsi lain yang juga memenuhi syarat tersebut adalah fungsi sigmoid bipolar

yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan rentang

(-1, 1).

= + − − dengan turunan ′ = ( + ) −

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang

targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan

sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang

dipakai. Alternative lain adalah menggunakan fungsi aktivasi sigmoid hanya pada


11

layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai

adalah fungsi identitas : f(x) = x.

Algoritma pelatihan backpropagation terdiri dari 3 tahapan utama yaitu

1. Tahap 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 diatasnya menggunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan

(=yk).

Berikutnya, keluaran jaringan (=yk) dibandingkan dengantarget 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.

2. Tahap 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 masukan

dihitung.

Dengan cara yang sama, dihitung 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.


12

3. Tahap Perubahan Bobot

Setelah semua faktor dihitung, bobot semua garis dimodifikasi

bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron

dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke

layar keluaran didasarkan atas k yang ada di unit keluaran.

Ketiga tahap 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 melebihi jumlah maksimum iterasi yang ditetapkan, atau

jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang

diijinkan.

Secara umum algoritma pelatihan untuk jaringan backpropagation adalah

sebagai berikut :

1. Inisialisasi semua bobot dengan nilai bilangan acak kecil

2. Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9

3. Untuk setiap pasang data pelatihan, lakukan langkah 3-8

4. Tiap unit masukan menerima sinyal dan meneruskannya ke unit

tersembunyi di atasnya

5. Hitung semua keluaran di unit tersembunyi Zj (j=1,2,3, ….,p)

Z_netj = vjo + ∑ = (2.6)

Zj = f (Z_netj) = + − _� (2.7)

6. Hitung semua keluaran jaringan di unit yk (k=1,2,… , m)

Y_netk = Wko + ∑ �= (2.8)

Yk = f(y_netk) = + − _� (2.9)

7. Hitung faktor error lapisan output (δ) unit keluaran berdasarkan

kesalahan di setiap unit keluaran yk (k=1,2,…,m)

δk = (tk – yk) f `(y_netk) = (tk – yk) yk (1 - yk) (2.10)

δk merupakan unit kesalahan yang akan dipakai dalam perubahan

bobot layar dibawahnya.


13

Hitung suku perubahan wkj (yang akan dipakai nanti untuk merubah

bobot wkj) dengan laju percepatan α ∆wkj = α δk zj ; k = 1,2,3,…,m ; j= 0,1,….,p (2.11)

8. Hitung faktor error lapisan output (δ) unit tersembunyi berdasarkan

kesalahan di setiap unit tersembunyi zj (j=1,2,…,p)

δ _netj =∑ = (2.12)

faktor δ unit tersembunyi :

δj = δ_netj f `(z_netj) = δ_netj zj (1- zj) (2.13)

hitung suku perubahan bobot vji (yang akan dipakai nanti untuk

merubah bobot vij) ∆vji = α δj xi ; j = 1,2,3,…,p ; i= 0,1,….,n (2.14)

9. Hitung semua perubahan bobot

Perubahan bobot garis yang menuju ke unit keluaran :

Wkj (baru) = wkj (lama) + ∆wkj (k=1,2,…..,m ; j = 0,1,…..,p)

Perubahan bobot garis yang menuju ke unit tersembunyi :

Vji (baru) = vji (lama) + ∆vji (j=1,2,…..,p ; i = 0,1,…..,n)

10. Uji kondisi berhenti (akhir iterasi)

2.1.5. Mempercepat Pelatihan Backpropagation

Menurut Siang (2009) Metode standar backpropagation seringkali terlalu

lambat untuk keperluan praktis. Beberapa modifikasi dilakukan terhadap standar

backpropagation dengan cara mengganti fungsi pelatihannya.

Secara umum, modifikasi dapat dikelompokkan dalam dua kategori.

Kategori pertama adalah metode yang menggunakan teknik heuristik yang

dikembangkan dari metode penurunan tercepat yang dipakai dalam standar

backpropagation. Kategori kedua adalah menggunakan metode optimisasi numerik

selain penurunan tercepat. Beberapa metode yang dipakai sebagai modifikasi

adalah metode conjugate gradien, quasi Newton, dan lain-lain. Dalam sub bab

berikut ini dibicarakan dahulu tentang beberapa modifikasi yang masuk dalam

kategori pertama (backpropagation dengan momentum, variabel laju pemahaman,


14

dan backpropagation resilient). Berikutnya barulah dibahas tentang beberapa

metode yang masuk dalam kategori kedua.

Beberapa metode yang dipakai untuk mempercepat pelatihan

backpropagation sebagai berikut :

a. Metode Penurunan Gradien dengan Momentum (traingdm)

Modifikasi metode penurunan tercepat dilakukan dengan menambahkan

momentum. Dengan momentum, perubahan bobot tidak hanya didasarkan

atas error yang terjadi pada epoch pada waktu itu. Perubahan bobot saat ini

dilakukan dengan memperhitungkan juga perubahan bobot pada epoch

sebelumnya. Dengan demikian kemungkinan terperangkap ke titik minimum

lokal dapat dihindari.

Menurut Hagan dan Demuth (1996) Sebelum mengimplementasikan ke

dalam sebuah aplikasi jaringan syaraf, akan dibuktikan dalam sebuah

ilustrasi efek penghalusan dengan mempertimbangkan : = − + − (2.15)

Dimana adalah input ke filter, adalah output dari filter dan

adalah koefisien momentum yang harus memenuhi < (2.16)

Efek dari filter ditunjukan dengan gambar 2.5. Contoh ini input diambil dari

gelombang sinus : = + sin �6 (2.17)

Dan koefisien momentum ditetapkan untuk = . (a) dan = . (b).

Dari gambar tersebut dapat dilihat osilasi dari output filter kurang dari osilasi

dalam filter input. Selain itu, sebagai meningkat osilasi dalam output filter

berkurang. Sangat penting juga memperhatikan bahwa output filter rata-rata

sama dengan rata-rata menyaring masukan, meskipun sebagai meningkat

filter output lebih lambat untuk merespon


15

Gambar 2.5. Pengaruh Perubahan Momentum (Hagan & Demuth, 1996)

Untuk meringkas, filter cenderung mengurangi jumlah perubahan,

sementara masih mengikuti nilai rata-rata. Untuk cara implementasi dalam

jaringan sayaraf tiruan, pertama menggunakan parameter sebagai berikut : ∆ = − − � , (2.18) ∆ = − . (2.19)

Ketika filter momentum ditambahkan untuk mengganti parameter, sehingga

mendapatkan persamaan perubahan backpropagation : ∆ = ∆ − − − − �, (2.20) ∆ = ∆ − − − . (2.21)

Apabila menggunakan persamaan modifikasi ini maka akan memperoleh

hasilnya seperti gambar 2.6.


16

Gambar 2.6. Lintasan dengan momentum (Hagan & Demuth, 1996)

Dari gambar 2.6. cenderung untuk membuat lintasan terus ke arah yang

sama. Semakin besar , semakin cepat t lintasannya.

b. Variabel Laju Pemahaman (traingda, traingdx)

Dalam standar backpropagation, laju pemahaman berupa suatu konstanta

yang nilainya tetap selama iterasi. Akibatnya, unjuk kerja algoritma sangat

dipengaruhi oleh besarnya laju pemahaman yang dipakai. Secara praktis,

sulit untuk menentukan besarnya laju pemahaman yang paling optimal

sebelum pelatihan dilakukan. Laju pemahaman yang terlalu besar maupun

terlalu kecil akan menyebabkan pelatihan menjadi lambat.

Pelatihan akan lebih cepat apabila laju pemahaman dapat diubah ubah

besarnya selama proses pelatihan. Jika error sekarang lebih besar

dibandingkan error sebelumnya, maka laju pemahaman diturunkan. Jika

sebaliknya, maka laju pemahaman diperbesar. Dengan demikian laju

pemahaman dapat dibuat sebesar besarnya dengan tetap mempertahankan

kestabilan proses.


17

Menurut Hagan dan Demuth (1996) Menggunakan iterasi dibawah ini

merupakan proses dari metode steepest descent :

+ = − (2.22)

Dimana adalah gradien evaluasi lama : = ∇� | = (2.23)

Ada dua metode umum untuk menentukan determinan dari learning rate, ∝ .

Satu pendekatan untuk meminimalkan kinerja indeks � dengan

sehubungan untuk ∝ pada setiap iterasi. Dalam pilihan meminimalkan

setiap baris. −∝

Metode lainnya dalam menyeleksi ∝ adalah guna untuk menetapkan nilai

(∝ = . , atau menggunakan variabel, tetapi nilai yang telah ditentukan ∝ = .

Dalam perhitungan algoritma steepest descent untuk fungsi berikut : � = + , Memulai dengan menginisialisasi

= [ .. ] Langkah pertama mencari gradient

∇� = [ �� ] = [ ] (2.24)

Apabila mengevaluasi gradient yang telah ditemukan maka akan

menemukan

= ∇� | = = [ ]


18

Menganggap learning rate bernilai ∝= . . iterasi pertama dari algoritma

steepest descent akan menjadi :

= −∝ = [ .. ] − . [ ] = [ .. ] Iterasi kedua dari steepest descent :

= − ∝ = [ .. ] − . [ . . ] = [ .. ] Jika iterasi dilanjutkan maka akan menjadi ilustrasi dibawah ini :

Gambar 2.7. Perubahan bobot learning rate=0.01 (Hagan & Demuth, 1996)

c. Resilient Backpropagation (trainrp)

Jaringan backpropagation umumnya menggunakan fungsi aktivasi

sigmoid. Fungsi sigmoid akan menerima masukan dari range tak berhingga

menjadi keluaran pada range [0,1]. Semakin jauh titik dari x = 0, semakin

kecil gradiennya. Pada titik yang cukup jauh dari x = 0, gradiennya

mendekati 0. hal ini menimbulkan masalah pada waktu menggunakan

metode penurunan tercepat (yang iterasinya didasarkan atas gradien).

Gradien yang kecil menyebabkan perubahan bobot juga kecil, meskipun

masih jauh dari titik optimal .


19

Masalah ini diatasi dalam resilient backpropagation dengan cara

membagi arah dan perubahan bobot menjadi dua bagian yang berbeda.

Ketika menggunakan penurunan tercepat, yang diambil hanya arahnya saja.

Besarnya perubahan bobot dilakukan dengan cara lain (Siang, 2009).

Menurut Riedmiller dan Braun (1996) Untuk mencapai hal ini, setiap

bobot akan selalu diperbarui nilainya ∆ yang akan menentukan nilai bobot

terbaru. Pembaharuan nilai bobot ini selama proses pembelajaran dalam

fungsi error E. berikut learning-rule yang digunakan :

∆ ={ �+ ∗ ∆ − , �� −� ∗ �� >�− ∗ ∆ − , �� −� ∗ �� <∆ − , < �− < < �+}

(2.25)

Setiap waktu bobot selalu berubah, yang menunjukan bahwa perubahan

terakhir terlalu besar , perubahan nilai ∆ dari faktor nilai �−.

Selama perubahan nilai setiap bobot mengikuti aturan : jika turunan adalah

positif, nilai bobot akan turun, jika turunan adalah negative maka

perubahan nilai akan ditambahkan :

= { −∆ , �� >+∆ , �� <, }

(2.26)

+ = + ∆ (2.27)

Namun, ada satu pengecualian: Jika turunan parsial perubahan tanda, yaitu

langkah sebelumnya terlalu besar dan minimum, pembaharuan bobot

sebelumnya adalah dikembalikan:


20

∆ = −∆ − , �� −� ∗ �� (2.28)

Nilai dan bobot berubah setiap waktu seluruh pola yang ditetapkan telah

dimasukan ke dalam jaringan.

d. Algoritma Gradien Conjugate (traincgf, traincgp, traincgb)

Dalam standar backpropagation, bobot dimodifikasi pada arah penurunan

tercepat. Meskipun penurunan fungsi berjalan cepat, tapi tidak menjamin

akan konvergen dengan cepat. Dalam algoritma gradien konjugate, pencarian

dilakukan sepanjang arah conjugate. Dalam banyak kasus, pencarian ini

lebih cepat. Ada berbagai metode pencarian yang dilakukan berdasarkan

prinsip gradien conjugate, antara lain Fletcher-Reeves (‘traincgf’), Polak-

Ribiere (‘traincgp’), Powel Beale (‘traincgb’).

Menurut Hagan dan Demuth (1996) Satu set vector saling conjugate

sehubungan dengan pasti positif matriks Hessian jika dan hanya jika �� = , ≠ (2.29)

Apabila tanpa matriks Hessian maka perlu fungsi kuadrat : ∇� = � + (2.30) ∇ � = � (2.31)

Dengan menggabungkan persamaan ini dapat menemukan bahwa perubahan

gradien terdapat perulangan + adalah ∆ = + − = � + + − � + = �∆ (2.32)

Dimana dari rumus ∆ = + − = � (2.33)

Dan adalah dipilih untuk meminimalkan � dalam arah � .

Lalu didaptkan sebuah kondisi konjugasi :


21

�� = ∆ �� = ∆ �� = , ≠ (2.34)

Dengan memperhatikan bahwa tidak lagi perlu mengetahui matriks Hessian.

Kami telah disajikan kembali kondisi conjugacy dalam hal perubahan

gradien di berturut-turut iterasi dari algoritma. Petunjuk pencarian akan

konjugat jika vektor ortogonal dengan perubahan gradien.

Semua algoritma conjugate gradient memulai dengan mencari di arah

keturunan curam (negatif dari gradien) pada iterasi pertama. � = − (2.35)

Perihal lain dari algoritma conjugate gradient dari beberapa usulan arah

pencarian pada setiap iterasi ditentukan oleh : � = − + � − (2.36)

Berbagai versi dari algoritma conjugate gradient dibedakan oleh cara di mana

βk konstan dihitung. Untuk Fletcher-Reeves memperbarui prosedur ini :

= �� −� � − (2.37)

Ini adalah rasio norma kuadrat dari gradien saat ini untuk norma kuadrat dari

gradien sebelumnya.

Untuk rumus Polak-Ribiere yang konstan dihitung dengan :

= ∆� −� �� −� � − (2.38)

Untuk semua algoritma conjugate gradient, arah pencarian secara berkala

ulang ke negatif dari gradien. Titik ulang standar terjadi ketika jumlah iterasi

adalah sama dengan jumlah parameter jaringan (bobot dan bias), tetapi ada

metode ulang lain yang dapat meningkatkan efisiensi pelatihan. Teknik ini

restart jika ada sangat sedikit orthogonality meninggalkan antara gradien saat

ini dan gradien sebelumnya. Ini diuji dengan ketidaksetaraan berikut: | −� | . || || (2.39)


22

Jika kondisi ini dipenuhi, arah pencarian ulang ke negatif dari gradien.

Dengan contoh perhitungan sebagai ilustrasi dengan meminimalkan linear

dengan rumus � � = �� [ ] �

Dengan inisialisasi input :

= [ . �− . �] dengan fungsi gradient

∇� = [ � + �� + � ]

Dengan steepest descent, perintah pencarian pertama adalah nilai negative

dari gradient :

� = − = −∇ � �| = = [− .− . ]

Learning rate untuk iterasi pertama akan menjadi :

∝ = [ . . ] [− .− . ][− . − . ] [ ] [− .− . ] = .

Langkah pertama dari conjugate gradient antara lain :

= + ∝ � = [ .− . ] + . [− .− . ] = [ .− . ] Langkah diatas sama dengan untuk langkah pertama steepest descent dengan

meminimalkan sebuah baris.

Sekarang unutk mencari pencarian kedua dibutuhkan gradient pada : = ∇ � | = = [ ] [ .− . ] = [ .− . ]


23

Jadi dapat mencari nilai : = �� = [ . − . ][ .− . ][ . . ][ . . ] = .. = .

Penggunaan metode dari Fletcher and Reeves. Perintah pencarian kedua

ketika dari :

� = − + � = [− .. ] + . [− .− . ] = [− .. ]

Learning rate untuk iterasi kedua akan menjadi :

∝ = − [ . − . ] [− .. ][− . . ] [ ] [− .. ] = .. = .

Langkah kedua dari conjugate gradient antara lain :

= +∝ � = [ .− . ] + . [− .. ] = [ ] Sehingga iterasi sudah dihentikan karena nilai minimum sudah didapatkan

dalam dua iterasi.

2.2. K-Fold Cross Validation

Alternative lain yang lebih baik daripada random subsampling adalah validasi

silang atau cross validation. Pada pendekatan ini, setiap data digunakan dalam

jumlah yang sama untuk pelatihan dan tepat satu kali untuk pengujian. Bentuk

umum pendekatan ini disebut dengan k-fold cross-validation, yang memecah set

data menjadi k bagian set data dengan ukuran yang sama. Setiap kali berjalan, satu

pecahan berperan sebagai set data latih sedangkan pecahan lainnya menjadi data

uji. Prosedur tersebut dilakukan sebanyak k kali sehingga setiap data berkesempatan

menjadi data uji tepat satu kali dan menjadi data latih sebanyak k-1 kali. Total error

didapatkan dengan menjumlah semua error yang didapatkan dari k kali proses.


24

Bentuk khusus dari metode ini adalah ketika k di set k=N, jumlah data dalam

set data. Metode ini disebut dengan leave-one-out, yaitu set data uji hanya berisi

satu data saja, sedangkan proses pelatihan dan pengujian dilakukan sebanyak N

kali. Pendekatan ini mempunyai keuntungan penggunaan sebanyak mungkin data

sebagai set data latih sehingga data latih yang digunakan hamper seluruh data dalam

set data. Hanya saja, pendekatan ini mempunyai kelemahan, yaitu komputasi yang

mahal untuk mengulang prosedur sebanyak N kali. Selanjutnya, karena set data uji

hanya berisi satu data saja, maka varian nilai kinerja yang diperkirakan bisa jadi

tinggi.

Sebagai contoh data dibagi menjadi 3 bagian dengan jumlah data yang sama.

Data bagian 1 dan data bagian 2 digunakan sebagai data pelatihan dan data bagian

3 digunakan sebagai data pengujian. Contoh ini disebut dengan 3-Fold Cross

Validation.

K-Fold Cross Validation menjadikan data pelatihan dan data pengujian tidak

sama. Data pelatihan tidak digunakan sebagai data pengujian dan sebaliknya.

2.3. Konsep Manajemen Produksi

Secara umum, manajemen produksi adalah kegiatan di mana sumberdaya,

yang mengalir di dalam sistem tertentu, dikombinasikan dan diubah bentuk dengan

cara tertentu sehingga menambah nilai (Reksohadiprodjo, 1995).

Manajemen produksi bertanggung jawab atas disatukannya masukan dalam

rencana produksi yang secara efektif memanfaatkan bahan, kapasitas dan

pengetahuan yang ada dalam fasilitas produksi. Dengan adanya permintaan tertentu

terhadap sistem, maka kerja dijadwalkan dan dikendalikan untuk menghasilkan

barang-barang dan jasa yang dibutuhkan.

Terdapat tiga konsep penting yaitu :

1. Sumberdaya

Sumberdaya adalah masukan bahan, manusia dan modal,

serta teknologi informasi dan energi.


25

2. Sistem

Sistem adalah susunan komponen yang dirancang bangun

untuk mencapai tujuan sesuai rencana. Badan usaha merupakan

subsistem terdiri atas kegiatan pemasaran, produksi, personalia,

keuangan dan administrasi-akuntansi.

3. Proses transformasi dan kegiatan yang menambah nilai

Kegiatan transformasi atau pengubahan bentuk dan

menambah nilai mengkombinasikan dan mengubah bentuk

sumberdaya dengan memanfaatkan teknologi.

2.3.1. Produksi

Menurut Reksohadiprodjo (1995) produksi merupakan pengubahan bentuk

atau transformasi sumberdaya menjadi barang-barang dan jasa-jasa. Produktivitas

adalah peningkatan proses produksi. Peningkatan produksi berarti perbandingan

yang membaik jumlah sumberdaya yang dipergunakan (masukan) dengan jumlah

barang-barang dan jasa-jasa yang diproduksikan (keluaran). Pengurangan dalam

masukan dengan keluaran tetap atau kenaikan keluaran sedang masukan tetap

merupakan peningkatan dalam produktivitas.

2.3.2. Fungsi Produksi

Secara umum fungsi produksi terkait dengan pertanggung jawaban dalam

pengolahan dan mengubah masukan (input) menjadi keluaran (output) berupa

barang atau jasa yang akan dapat memberikan hasil pendapatan bagi perusahaan.

Untuk melaksanakan fungsi tersebut diperlukan serangkaian kegiatan yang saling

keterkaitan dan menyatu sebagai suatu sistem. Berbagai kegiatan yang berkaitan

dengan fungsi produksi dan operasi ini dilaksanakan oleh beberapa bagian yang

terdapat dalam suatu perusahaan, baik perusahaan itu berupa perusahaan besar,

maupun perusahaan itu adalah perusahaan kecil.

Empat fungsi terpenting dalam fungsi produksi dan operasi adalah

a. Proses pengolahan, merupakan metode atau teknik yang digunakan untuk

pengolahan masukan (input).


26

b. Jasa-jasa penunjang, merupakan sarana yang berupa pengorganisasian yang

perlu untuk penetapan teknik dan metode yang akan dijalankan, sehingga

proses pengolahan dapat dilaksanakan secara efektif dan efisien.

c. Perencanaan, merupakan penetapan keterkaitan dan pengorganisasian dari

kegiatan produksi dan operasi yang akan dijalankan dalam suatu dasar waktu

atau periode tertentu.

d. Pengendalian atau pengawasan, merupakan fungsi untuk menjamin

terlaksananya kegiatan sesuai dengan yang direncanakan, sehingga maksud

dan tujuan untuk penggunaan dan pengolahan masukan (input) pada

kenyataanya dapat dilaksanakan.

2.4. Peramalan atau Prediksi

Menurut Reksohadiprodjo (1995) peramalan atau prediksi merupakan

penelaahan tentang situasi yang menyelimuti lingkungan masa dating sebagai dasar

pengambilan keputusan. Faktor-faktor yang mempengaruhi nya sangat banyak

seperti halnya oleh berbagai faktor lingkungan yang saling bernteraksi dalampasar

yang berada di luar kendali perusahaan, dimana faktor-faktor lingkungan tersebut

akan mempengaruhi peramalan.

2.4.1. Karakteristik Peramalan

Menurut Nasution (1999), bahwa peramalan yang baik mempunyai beberapa

kriteria yang penting, antara lain akurasi, biaya, dan kemudahan.

1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan

kekonsistensian peramalan. Hasil peramalan dikatakan bila peramalan

tersebut terlalu tinggi atau rendah disbanding dengan kenyataan yang

sebenarnya terjadi. Hasil peramalan dikatakan bila kesalahan peramalan

relative kecil.

2. Biaya

Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari

jumlah item yang diramalkan, lamanya periode peramalan, dan metode

peramalan yang dipakai.


27

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

2.4.2. Metode Peramalan/ Prediksi

Berdasarkan metode peramalan yang digunakan peramalan dibedakan menjadi

metode kualitatif dan kuantitatif.

a. Metode Kualitatif

Didasarkan pada intuisi dan penilaian orang yang melakukan peramalan dari

pada pemanipulasi (pengolahan dan penganalisisan) data.

b. Metode Kuantitatif

Didasarkan pada pemanipulasian atas data yang tersedia secara memadai dan

tanpa intuisi maupun penilaian subyektif dari orang yang melakukan

peramalan.


28

BAB III

METODOLOGI PENELITIAN

Bab ini akan dibahas mengenai cara kerja algoritma yang digunakan dan proses

yang akan dibangun untuk melakukan perhitungan prediksi harga saham.

3.1. Data

Data yang digunakan dalam penelitian ini adalah data produksi roti harian dari

tahun 2013 hingga tahun 2015 di Toko Roti Muntjul Klaten untuk jenis roti sebagai

berikut :

1. Roti Pisang Coklat

2. Roti Pisang Keju

3. Roti Pisang Spesial

Seluruh data produksi roti yang digunakan diambil langsung dari toko tersebut

diatas dalam format Excel dengan menghilangkan hari yang toko roti tersebut tidak

melakukan produksi, dan setiap roti memiliki 1002 data. Data tersebut akan dibagi

kedalam data yang akan digunakan untuk pelatihan dan pengujian dalam jaringan

syaraf tiruan.

Setelah data dikumpulkan maka dilakukan preprocessing data yaitu dengan

min-max normalization untuk mendapatkan bentuk data yang optimal dengan

mengubah data dalam range 0 sampai 1. Adapun rumus normalisasi yang

digunakan:

′ = �− ∗ −− + (3.1)

Dengan X’ adalah data hasil perhitungan dan X adalah data asli, sedangkan a

adalah data maksimum yang diharapkan dan b adalah data minimum yang

diharapkan, datamax adalah nilai data terbesar dari data sedangkan datamin adalah

nilai data terkecil dari data.

Untuk melakukan prediksi produksi roti perlu diketahui seberapa banyak data

yang akan digunakan agar prediksi produksi roti lebih optimal. Karena hal itu perlu

dilakukan perhitungan dengan data input jumlah produksi roti dan


29

memperhitungkan delay hari yaitu dimulai dari 7 kemudian akan ditambah 7 untuk

variabel selanjutnya. Contohnya dengan nilai delay 7 berarti dalam perhitungan

akan digunakan data 6 hari sebelumnya untuk melakukan prediksi hari ini seperti

Gambar 3.1. Pencarian delay terbaik ini merupakan tahap pertama dari penelitian

ini.

26 36 12 18 36 36 32

Data InputData Target

Gambar 3.1. Contoh pembagian data input dan target dengan nilai delay 7

3.2.Gambaran Penelitian

Data Input

Uji

BackpropagationTraining

Testing Hasil

Gambar 3.2. Gambaran Proses

Data input merupakan data yang sudah diubah kedalam range [0 1] atau sudah

melewati proses preprocessing. Data tersebut akan dibagi sebagi data training

dan testing.

Untuk proses training, langkah selanjutnya masuk kedalam jaringan syaraf

tiruan backpropagation dengan arsitektur seperti Gambar 3.3.

Proses uji merupakan proses untuk menguji data testing terhadap data training

yang sudah melewati proses backpropagation.


30

Setelah melewati proses tersebut maka data hasil akan diperoleh.

3.2.1. Arsitektur Jaringan

Xn-5

Xn-4

Xn-3

Xn-2

Z1

Zj

Z2

Z1

Xn

Z2

Zj

Xn-6

Hasil

Xn-1

Gambar 3.3. Arsitektur Jaringan

Gambar diatas merupakan rancangan arsitektur jaringan dengan delay 7 data yang

akan digunakan sebagai berikut :

input layer yang mempunyai 6 data masukan yang berisi data produksi hasil

normalisasi, dengan setiap neuron mewakili 1 data masukan dan n

menyatakan jumlah delay data yang digunakan.

Mempunyai dua hidden layer dengan jumlah neuron j, dan fungsi transfer

yang digunakan adalah logsig (sigmoid biner) karena data yang digunakan

setelah melewati proses normalisasi memiliki rentang [0 1]. Sedangkan

untuk menghasilkan sebuah output menggunakan fungsi transfer purelin.

Untuk mendapatkan yang optimal dalam jaringan dilakukan pengujian

terhadap jumlah hidden layer yaitu 1 dan 2 hidden layer dengan variasi

Input Layer Hidden Layer 1 Hidden Layer 2

Output Layer


31

jumlah neuron yang digunakan dimulai dengan jumlah 25 neuron sampai 70

neuron

Mempunyai satu neuron output layer yang mewakili 1 data ke n ,yang

menyatakan jumlah delay yang dijadikan data target yang akan

menghasilkan hasil prediksi.

3.3.Validasi

Dalam melakukan pengujian dari penelitian ini baik makan akan dilakukan dengan

3-fold cross validation. Proses 3-fold cross validation adalah sebagai berikut: data

produksi selama 3 tahun akan dibagi menjadi 3 kelompok. Setiap kelompok

memiliki data yang berbeda untuk setiap data roti karena setiap hari terdapat roti

yang tidak melakukan produksi dan setiap kelompok data juga selalu berubah

tergantung delay data yang digunakan. Proses validasi akan dilakukan sesuai tabel

di bawah:

Tabel 3.1 Proses Validasi

No Data Training Data Testing

1 Kelompok A dan B Kelompok C

2 Kelompok A dan C Kelompok B

3 Kelompok B dan C Kelompok A

Setelah dilakukan pengujian sebanyak 3 kali seperti ketentuan diatas maka

dilakukan perhitungan akurasi dengan cara menghitung selisih antara hasil prediksi

produksi dengan nilai sebenarnya dan dengan rumus sebagai berikut :

= − ((| � � −ℎ � |)� � ) % (3.2)


32

Untuk setiap pengujian data testing akan dilakukan perhitungan akurasi dengan

rumus diatas. Tetapi dalam sistem yang akan ditampilkan adalah rata-rata akurasi

dari masing-masing jenis roti dengan rumus sebagai berikut :

− = + + (3.3)

3.4. Spesifikasi Alat

Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk mendapatkan

hasil yang maksimal.

a. Kebutuhan Perangkat Keras

Sistem ini membutuhkan perangkat keras dengan spesifikasi minimal

sebagai berikut :

Processor : Intel® Core ™ i3-3217U CPU @ 1.80GHz

Memory : 4096 MB

Harddisk : 500 GB

b. Kebutuhan Perangkat Lunak

Sistem ini membutuhkan perangkat lunak untuk pembuatan dan

menjalankannya, perangkat lunak tersebut adalah sebagai berikut :

Microsoft Windows 10

Matlab 2012

Matlab 2012 digunakan untuk membuat sistem sekaligus menjalankan

sistem yang dibuat.

3.5.Tahapan Penelitian

Dalam sub bab ini akan membahas tentang metode perancangan yang akan

digunakan dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :

1. Tahap wawancara

Tahap ini dilakukan dengan narasumber secara langsung, dan yang menjadi

sumber adalah pihak dari Toko Roti Muntjul.


33

2. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan

penelitian ini.

3. Pengumpulan data.

4. Analisa terhadap data dan perancangan mengenai sistem yang akan dibuat.

5. Analisa dan perancangan yang telah dilakukan sebelumnya, selanjutnya

diimplementasikan ke dalam perangkat lunak.

6. Dilakukan pengujian terhadap sistem dengan memasukkan data latih dan

data uji.

7. Dilakukan analisa terhadap sistem yang telah diuji.


34

BAB IV

IMPLEMENTASI DAN ANALISA HASIL

Bab ini akan berisikan tentang implementasi dan analisis keluaran dari

sistem dengan algoritma yang telah digunakan serta perancangan antarmuka.

4.1. Implementasi Sistem

Gambar 4.1. Tampilan Utama Program

Pada tampilan antar muka sistem terdapat 4 panel fungsi dari sistem, yaitu :

a. Data Kelompok

Proses uji data kelompok dilakukan dengan cara memilih jenis roti terlebih

dahulu dengan memilih satu jenis roti. Kemudian memasukan nilai variabel

jaringan syaraf tiruan, yaitu: hidden layer 1, hidden layer 2, epoch dan

learning rate. Setelah itu menekan tombol “prediksi”.

b. Grafik

Proses ini dilakukan untuk menampilkan perbandingan grafik antara data

asli dan data hasil prediksi. Grafik akan muncul ketika menekan tombol

“Grafik”.

c. Data Tunggal

Proses ini dilakukan untuk menguji satu data saja. Cara nmenguji data

tersebut adalah memasukan tanggal prediksi dengan format tanggal

(bulan/hari/tahun) kemudian menekan tombol Prediksi. Kemudian akan


35

muncul hasil dan waktu prediksi. Tabel data input digunakan untuk

menampilkan data input yang digunakan untuk menguji data tunggal.

4.2. Pengujian

Pengujian sistem telah dilakukan beberapa kali untuk mendapatkan hasil yang

paling optimal dimulai dari menguji dan merubah jumlah neuron dalam setiap

hidden layer, fungsi aktivasi dan metode training yang digunakan dalam arsitektur

jaringan. Selain itu pengujian juga dilakukan terhadap jumlah data input dengan

beberapa kombinasi delay data yang dilakukan dalam pengujian sistem tersebut.

4.2.1. Optimalisasi Arsitektur Jaringan dan Jumlah Delay Data

Pada proses optimalisasi jaringan ini akan dilakukan terhadap data pelatihan

sebanyak 1002 data untuk setiap jenis roti dengan beberapa kombinasi hidden layer

dan delay data. Kombinasi hidden layer dimulai dengan jumlah satu hidden layer

dengan 25 neuron akan bertambah 5 neuron untuk setiap percobaan dan delay data

dimulai dengan 7 dan akan bertambah 7 untuk setiap percobaan yang dilakukan

sampai delay 28 data. Dan setelah itu akan menambah kombinasi dengan dua

hidden layer dengan kombinasi yang sama. Berikut hasil proses optimalisasi

jaringan yang dilakukan :

Fungsi transfer hidden layer 1 = Logsig

Fungsi transfer hidden layer 2 = Logsig

Fungsi Aktivasi = Purelin ; Metode Train = traingdx


66

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL


36


Dapat dilihat dari Gambar 4.2 dan Gambar 4.3 hasil dari percobaan roti

pisang coklat masing-masing variasi. Jika dibandingkan dengan percobaan

menggunakan dua hidden layer akurasi tertinggi mencapai 74.45 % dengan variasi

jumlah neuron 25 dan 25, sedangkan hasil dari satu hidden layer lebih tinggi

akurasinya. Yaitu pada variasi jumlah neuron 25 dengan akurasi 74.88 % untuk

percobaan dengan jumlah delay 7 data.



70

72

74

76

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

30

Akurasi 2 HL


37



menggunakan satu hidden layer akurasi tertinggi mencapai 74.21 % dengan variasi

jumlah neuron 30, sedangkan hasil dari dua hidden layer lebih tingggi akurasinya.

Yaitu pada variasi jumlah neuron 30 dan 35 dengan akurasi 74.38 % untuk







jumlah neuron 30, sedangkan hasil dari dua hidden layer lebih tinggi akurasinya.



66

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

707172737475

25 30 35 40 45 50 55 60 65 70

30

Akurasi 2 HL


38










68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

70

72

74

76

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL

67

68

69

70

71

72

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL


39



pisang keju masing-masing variasi. Jika dibandingkan dengan percobaan







66

68

70

72

25 30 35 40 45 50 55 60 65 70

30

Akurasi 2 HL

66

68

70

72

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

68

70

72

74

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL


40















60

65

70

75

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

66

68

70

72

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL


41






jumlah neuron 25 dan 35, sedangkan, hasil dari satu hidden layer lebih tinggi




64

66

68

70

72

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

66

68

70

72

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL

66

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL


42



pisang spesial masing-masing variasi. Jika dibandingkan dengan percobaan







7071727374

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL


43












jumlah neuron 30, sedangkan, hasil dari dua hidden layer lebih tinggi akurasinya.



68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

6870727476

25 30 35 40 45 50 55 60 65 70

30

Akurasi 2 HL


44









Setelah didapatkan hasil pengujian terhadap setiap jenis roti, pengujian data

dimulai dengan input 25 neuron kemudian dilanjutkan dengan ditambahkan 5

neuron untuk setiap percobaan sampai dengan 70 neuron. Selain jumlah neuron,

delay data juga diuji dengan sebanyak 7, 14, 21 dan 28 yang dikombinasikan

dengan jumlah neuron. Dari beberapa hasil grafik diatas beberapa kombinasi yang

mencapai akurasi tertinggi untuk setiap jenis roti, sebagai berikut :

66

68

70

72

74

76

25 30 35 40 45 50 55 60 65 70

Akurasi 1 HL

70

71

72

73

74

25 30 35 40 45 50 55 60 65 70

25

Akurasi 2 HL


45

Tabel 4.1. Tabel Kesimpulan Percobaan Hidden Layer dan Delay

Hasil kesimpulan diatas menunjukan akurasi paling optimal untuk setiap

jenis roti. Beberapa kombinasi yang telah dilakukan hasil paling optimal berbeda

untuk setiap roti. Untuk jenis roti pisang coklat akurasi tertinggi 74.88 % dari

beberapa hasil percobaan dengan spesifikasi arsitekturnya 1 hidden layer dengan

masing-masing hidden neuronnya 25 dengan delay atau perpotongan 7 data.

Sedangkan pisang keju akurasi yang optimal dengan 71.84 % dengan arsitekturnya

2 hidden layer dengan jumlah hidden neuronnya 25 dan 25 dengan perpotongan 14

data, dan jenis roti pisang spesial dengan spesifikasi arsitekturnya 2 hidden layer

dengan masing-masig jumlah hidden neuronnya 30 dan 25 dengan perpotongan

data 21 mencapai akurasi paling optimal sebesar 74.05 %.

Pengujian dilakukan dengan jumlah 2 hidden layer dan neuron dihentikan

pada jumlah 70 dikarenakan hasil akurasi yang didapatkan semakin menurun akan

pun naik hasilnya tidak terlalu signifikan sehingga percobaan dihentikan.

Selain mendapatkan hasil yang maksimal dengan kombinasi diatas maka

akan dilakukan pengujian metode training terhadap setiap jenis roti, seperti berikut:

1. Percobaan Metode Training terhadap Data Roti Coklat

Jumlah Hidden Layer = 1

Hidden Layer 1 =25

Fungsi transfer 1 = logsig ; fungsi transfer 2 = logsig

Delay = 7

No Jenis Roti

Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Delay

Data

Akurasi

(%)

1 Pisang Coklat 25 - 7 74.88

2 Pisang Keju 25 25 14 71.84

3 Pisang Spesial 30 25 21 74.05


46

Tabel 4.2. Tabel Pengujian Metode Training (Roti Pisang Coklat)

No Metode Training Akurasi

1 Traingdm 66.87

2 Traingda 73.82

3 Trainrp 72.23

4 Traincgf 68.58

5 Traincgp 73.91

6 Traincgb 74.34

2. Percobaan Metode Training terhadap Data Roti Keju


Hidden Layer 1 =25 ; Hidden Layer 2 = 25

Fungsi transfer 1 = logsig ; fungsi transfer 2 = logsig

Delay = 14

Tabel 4.3. Tabel Pengujian Metode Training (Roti Pisang Keju)


1 Traingdm 70.89

2 Traingda 70.47

3 Trainrp 60.23

4 Traincgf 66.51

5 Traincgp 67.02

6 Traincgb 71.47


47

3. Percobaan Metode Training terhadap Data Roti Spesial


Hidden Layer 1 =30 , Hidden Layer 2=25

Fungsi transfer 1 = logsig, fungsi transfer 1 = logsig

Delay = 21

Tabel 4.5. Tabel Pengujian Metode Training (Roti Pisang Spesial)


1 Traingdm 71.68

2 Traingda 73.82

3 Trainrp 60.13

4 Traincgf 60.80

5 Traincgp 64.17

6 Traincgb 73.26

3.3.Hasil Pengujian

Dari hasil percobaan diatas dengan parameter jumlah hidden layer dan jumlah

delay data telah didapat hasil optimal dengan beberapa kombinasi antara kedua

parameter terhadap data setiap roti, dan hasil pengujiannya sebagai berikut :

1. Pengujian Terhadap Data Roti Pisang Coklat


Hidden Layer 1 = 25

Fungsi Transfer Hidden layer 1 = Logsig

Metode Train = traingdx

Delay Data = 7


48

Gambar 4.26. Contoh Grafik Output Program untuk Roti Pisang Coklat

Grafik yang berwarna biru merupakan nilai produksi yang sebenarnya sedangkan

yang berwarna hijau merupakan hasil prediksi sistem.

2. Pengujian Terhadap Data Roti Pisang Keju


Hidden Layer 1 = 25 , Hidden Layer 2 = 25




Delay Data = 14

Gambar 4.27. Contoh Grafik Output Program untuk Roti Pisang Keju


49

Grafik yang berwarna hijau merupakan nilai produksi yang sebenarnya sedangkan

yang berwarna merah merupakan hasil prediksi sistem.

3. Pengujian Terhadap Data Roti Pisang Spesial


Hidden Layer 1 = 30 , Hidden Layer 2 = 25




Delay Data = 21

Gambar 4.28. Contoh Grafik Output Program untuk Roti Pisang Spesial

Grafik berwarna ungu merupakan nilai produksi sebenarnya sedangkan

grafik berwarna kuning adalah hasil prediksi sistem. Masing-masing grafik

ditampilkan menjadi 3 sesuai dengan hasil 3-fold cross validation.

Dalam melakukan prediksi, hasil yang didapatkan dengan kedekatan antara

hasil prediksi sistem dengan nilai produksi sebenarnya dapat digambarkan

dengan beberapa contoh grafik output diatas. Dengan menghitung selisih antara

hasil prediksi sistem dengan nilai produksi sebenarnya yang akan didapatkan

sebuah error yang sebelumnya data yang digunakan dari proses normalisasi,


50

dibandingkan dengan jumlah data testing yang digunakan, sehingga hasil yang

didapatkan seperti pada tabel 4.1.


51

BAB V

PENUTUP

5.1. Kesimpulan

Dalam hasil penelitian prediksi jumlah produksi roti menggunakan metode

backpropagation dapat disimpulkan sebagai berikut :

1. Hasil percobaan beberapa arsitektur jaringan untuk memprediksi jumlah

produksi berbeda untuk setiap roti, sebagai berikut :

a. Roti pisang Coklat dengan memiliki variasi 1 hidden layer

dengan jumlah neuron 25 dengan perpotongan atau delay 7 data

dengan menghasilkan akurasi 74.88 %.

b. Roti pisang keju dengan memiliki variasi 2 hidden layer dengan

jumlah neuron 25 dan 25 dengan perpotongan atau delay 14 data

dengan menghasilkan 71.84 %.

c. Roti pisang spesial dengan memiliki variasi 2 hidden layer

dengan jumlah neuron 30 dan 25 dengan perpotongan atau delay

21 data dengan menghasilkan 74.05 %.

2. Berdasarkan hasil grafik yang dihasilkan sistem ini masih ada kekurangan

adalah selisih hasil jumlah produksi hasil prediksi dengan jumlah produksi

real masih cukup besar jika dilihat secara grafik. Hal ini dikarenakan jumlah

produksi yang tidak menentu tanpa mempertimbangkan faktor lain seperti

musiman dan jumlah permintaan sehingga belum cukup akurat dalam

melakukan sebuah prediksi.

5.2. Saran

Saran yang dapat diberikan untuk mengembangkan sistem ini adalah :

a. Pengembangan sistem ini dapat dilakukan dengan menambah variasi

perpotongan delay.

b. Pengembangan percobaan metode Normalisasi lain sehingga akan

mendapatkan hasil lebih optimal lagi.


52

c. Pengembangan dari sisi tampilan dapat dilakukan untuk memudahkan

membaca grafik sehingga pengguna dapat mengerti maksud dari grafik yang

ditampilkan


53

Daftar Pustaka

Aditya, Kevin. 2014. Uji Akurasi Algoritma Fuzzy Neural Network Untuk

Memprediksi Pergerakan Harga Saham. Skripsi. Tidak

dipublikasikan. Yogyakarta: Universitas sanata Dharma.

Agung, I Gusti ngurah. 2008. Teori Ekonomi Mikro ; Suatu Analisis Produksi

Terapan. Jakarta: Raja Grafindo Persada.

Assauri, Sofjan. 1993. Manajemen Produksi dan Operasi. Jakarta : Lembaga

Penerbit Fakultas Ekonomi Universitas Indonesia.

Bagus, Widodo, A. 2015. Klasifikasi Lagu Berdasarkan Pencipta Lagu

Menggunakan Jaringan Syaraf Tiruan Propagasi Balik. Skripsi. Tidak

dipublikasikan. Yogyakarta: Universitas Sanata Dharma.

Daryanto. 2012. Sari Kuliah Manajemen Produksi. Bandung: PT. Sarana Tutorial

Nurani Sejahtera.

Hagan,M.T., Demuth,H.B., Beale,M.H. (1996). Neural Network Design. Boston

PWS Publishing Company.

Nasution, A.H. (1999). Perencanaan dan Pengendalian Produksi, Guna Widya

ITS, Surabaya.

Powell, M.J.D., "Restart procedures for the conjugate gradient

method," Mathematical Programming, Vol. 12, 1977, pp. 241–254.

Pramonoaji, Yudha Tirto., Santosa, Stefanus, Pramunendar, Ricardus Anggi,. 2013.

Prediksi Produksi Air PDAM dengan Jaringan Syaraf Tiruan.

http://eprints.dinus.ac.id/id/eprints/5153. Diakses tanggal 22 Oktober

2015.

Prasetyo, Eko. 2014. Data Mining Mengolah Data Menjadi Informasi

Menggunakan Matlab. Yogyakarta : Andi.

Siang, J, J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan

MATLAB. Yogyakarta : Andi.


http://eprints.dinus.ac.id/id/eprints/5153

54

Suwanto, Tri, A. 2015. Prediksi Nilai Tukar Rupiah Terhadap Dolar Amerika

Serikat Dengan Menggunakan Metode Backpropagation. Skripsi.

Tidak dipublikasikan. Yogyakarta: Universitas Sanata Dharma.

Reksohadiprodjo, Sukanto. 1995. Manajemen Produksi dan Operasi Ed.1.

Yogyakarta : BPFE-Yogyakarta.

Riedmiller M, Braun H. 1993. A Direct adaptive Method for Faster

Backpropagation Learning: The RPROP Algorithm.

http://deeplearning.cs.cmu.edu/pdfs/Rprop.pdf. Diakses 9 Juni 2016.

Shewchuk ,Jonathan R. 1994. An Introduction to the Conjugate Gradient Method

Without the Agonizing Pain Ed. . https://www.cs.cmu.edu/~quake-

papers/painless-conjugate-gradient.pdf. Diakses tanggal 26 Mei 2016.

William H, Hidayatno A, Zahra A.A,. 2014. Aplikasi Jaringan Syaraf Tiruan

Perambatan Balik Untuk Prakiraan Valuta GBP/USD Dalam Forex

Trading. Semarang : Jurusan Teknik Elektro, Universitas Diponegoro.


http://deeplearning.cs.cmu.edu/pdfs/Rprop.pdf

https://www.cs.cmu.edu/~quake-papers/painless-conjugate-gradient.pdf

https://www.cs.cmu.edu/~quake-papers/painless-conjugate-gradient.pdf

55

LAMPIRAN

1. Source Code Kelas GUI

function varargout = HalamanUtamaPrediksi(varargin) % HALAMANUTAMAPREDIKSI MATLAB code for HalamanUtamaPrediksi.fig % HALAMANUTAMAPREDIKSI, by itself, creates a new HALAMANUTAMAPREDIKSI or raises the existing % singleton*. % % H = HALAMANUTAMAPREDIKSI returns the handle to a new HALAMANUTAMAPREDIKSI or the handle to % the existing singleton*. % % HALAMANUTAMAPREDIKSI('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in HALAMANUTAMAPREDIKSI.M with the given input arguments. % % HALAMANUTAMAPREDIKSI('Property','Value',...) creates a new HALAMANUTAMAPREDIKSI or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before HalamanUtamaPrediksi_OpeningFcn gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to HalamanUtamaPrediksi_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Edit the above text to modify the response to help HalamanUtamaPrediksi Last Modified by GUIDE v2.5 21-Apr-2016 12:28:01 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @HalamanUtamaPrediksi_OpeningFcn, ... 'gui_OutputFcn', @HalamanUtamaPrediksi_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout


56

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT % --- Executes just before HalamanUtamaPrediksi is made visible. function HalamanUtamaPrediksi_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to HalamanUtamaPrediksi (see VARARGIN) % Choose default command line output for HalamanUtamaPrediksi % handles.output = hObject; handles.output = hObject; axes(handles.axes2); I=imread('USD-logo.jpg'); imshow(I); % Update handles structure guidata(hObject, handles); % UIWAIT makes HalamanUtamaPrediksi wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = HalamanUtamaPrediksi_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output; function input_tanggal_Callback(hObject, eventdata, handles) % hObject handle to input_tanggal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of input_tanggal as text % str2double(get(hObject,'String')) returns contents of input_tanggal as a double % --- Executes during object creation, after setting all properties. function input_tanggal_CreateFcn(hObject, eventdata, handles) % hObject handle to input_tanggal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.


57

if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end % --- Executes on button press in prediksi_tunggal. function prediksi_tunggal_Callback(hObject, eventdata, handles) % hObject handle to prediksi_tunggal (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) hl1num= handles.gui.hl1num; hl2num=handles.gui.hl2num; epochnum=handles.gui.epochnum; ratenum=handles.gui.ratenum; k=handles.gui.k; vecN=handles.gui.vecN; delayData=handles.gui.delayData; data_produksi = handles.gui.data_produksi; tanggal_Produksi = handles.gui.tanggal_Produksi; tanggal=get(handles.input_tanggal,'String'); [cri_tanggal] = tanggalIndex(tanggal,tanggal_Produksi); [saveLatih,saveTarget]=BagiData(vecN,cri_tanggal,delayData); saveTarget=saveTarget'; assignin('base','savelatih',saveLatih); assignin('base','saveTarget',saveTarget); assignin('base','saveTarget',vecN); assignin('base','delay',delayData); uji_awal = (cri_tanggal+1) - delayData; uji_akhir = cri_tanggal; data_uji = vecN(uji_awal:uji_akhir); data_uji_tes= data_uji'; assignin('base','data_uji_tes',data_uji_tes); latih=saveLatih(:,1:delayData-1); latih_target=saveLatih(:,delayData); uji=data_uji_tes(:,1:delayData-1); assignin('base','latih',latih); assignin('base','latih_target',latih_target); assignin('base','uji',uji); assignin('base','indek',cri_tanggal); assignin('base','awal',uji_awal); assignin('base','akhir',uji_akhir); %Menampilkan Data Di tabel myform=guidata(gcbo); set(myform.tabel_input_output,'data',data_produksi(uji_awal:uji_akhir)'); tic [hasil] = backpro(latih,latih_target,uji,hl1num,hl2num,epochnum,ratenum); target_hasil_uji = data_produksi(cri_tanggal); assignin('base','target_hasil_tes',target_hasil_uji); assignin('base','hasil',hasil); %Denormalisasi maxVec=max(data_produksi); minVec=min(data_produksi); [vecD] = thp_Denorm(hasil,maxVec,minVec); assignin('base','vecD',vecD);


58

%Akurasi error = abs(target_hasil_uji-vecD); akurasi = (1-(error/target_hasil_uji))*100; akurasi_1=sprintf('%.2f',akurasi); set(handles.Hasil,'String',vecD); set(handles.akurasi,'String',error); toc set(handles.waktu,'String',toc); % --- Executes on selection change in jenisrotiPop. function jenisrotiPop_Callback(hObject, eventdata, handles) % hObject handle to jenisrotiPop (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = cellstr(get(hObject,'String')) returns jenisrotiPop contents as cell array % contents{get(hObject,'Value')} returns selected item from jenisrotiPop % --- Executes during object creation, after setting all properties. function jenisrotiPop_CreateFcn(hObject, eventdata, handles) % hObject handle to jenisrotiPop (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end % --- Executes on selection change in DelayPop. function DelayPop_Callback(hObject, eventdata, handles) % hObject handle to DelayPop (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: contents = cellstr(get(hObject,'String')) returns DelayPop contents as cell array % contents{get(hObject,'Value')} returns selected item from DelayPop % --- Executes during object creation, after setting all properties. function DelayPop_CreateFcn(hObject, eventdata, handles) % hObject handle to DelayPop (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: popupmenu controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))


59

set(hObject,'BackgroundColor','white'); end function hl1_Callback(hObject, eventdata, handles) % hObject handle to hl1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of hl1 as text % str2double(get(hObject,'String')) returns contents of hl1 as a double % --- Executes during object creation, after setting all properties. function hl1_CreateFcn(hObject, eventdata, handles) % hObject handle to hl1 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function hl2_Callback(hObject, eventdata, handles) % hObject handle to hl2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of hl2 as text % str2double(get(hObject,'String')) returns contents of hl2 as a double % --- Executes during object creation, after setting all properties. function hl2_CreateFcn(hObject, eventdata, handles) % hObject handle to hl2 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end function epoch_Callback(hObject, eventdata, handles) % hObject handle to epoch (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of epoch as text % str2double(get(hObject,'String')) returns contents of epoch as a double % --- Executes during object creation, after setting all properties.


60

function epoch_CreateFcn(hObject, eventdata, handles) % hObject handle to epoch (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles empty - handles not created until after all CreateFcns called % Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end % --- Executes on button press in prediksibutton. function prediksibutton_Callback(hObject, eventdata, handles) % hObject handle to prediksibutton (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) k=0; contents = get(handles.jenisrotiPop,'String'); delay = get(handles.DelayPop,'String'); pilihanrotivalue = contents{get(handles.jenisrotiPop,'Value')}; pilihanDelayvalue = delay{get(handles.DelayPop,'Value')}; switch pilihanrotivalue case'-' msgbox('Data Yang Dipilih Tidak Ada'); return; case 'Roti Pisang Coklat' [data_produksi, tanggal_Produksi] = xlsread('pisangcoklat.xlsx'); k=1; case 'Roti Pisang Spesial' [data_produksi, tanggal_Produksi] = xlsread('pisangspesial.xlsx'); k=2; case 'Roti Pisang Keju' [data_produksi, tanggal_Produksi] = xlsread('pisangkeju.xlsx'); k=4; end switch pilihanDelayvalue case'-' msgbox('Delay Yang Dipilih Tidak Ada'); return; case '7' delayData=7; case '14' delayData=14; case '21' delayData=21; case '28' delayData=28; end hl1=get(handles.hl1,'String'); hl2=get(handles.hl2,'String');


61

learning_rate=get(handles.edit6,'String'); if hl1=='0' msgbox('Hidden Layer Harus Tidak Bernilai 0'); return; end epoch=get(handles.epoch,'String'); if epoch=='0' msgbox('Epoch Harus Tidak Bernilai 0'); return; end hl1num=str2num(hl1); hl2num=str2num(hl2); epochnum=str2num(epoch); ratenum=str2num(learning_rate); if learning_rate=='0' msgbox('Learning Rate Harus Tidak Bernilai 0'); return; end %Tahap Normalisasi maxVec=max(data_produksi); minVec=min(data_produksi); [vecN] = thp_norm(data_produksi,maxVec,minVec); %Bagi Data [data_kel] = BagiDataTunggal(vecN,delayData); if k==1 [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangCoklat(hl1num,hl2num,epochnum,data_kel,delayData,ratenum,maxVec,minVec); end if k==4 [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangKeju(hl1num,hl2num,epochnum,data_kel,delayData,ratenum,maxVec,minVec); end if k==2 [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangSpesial(hl1num,hl2num,epochnum,data_kel,delayData,ratenum,maxVec,minVec); end rata_akurasi1=sprintf('%.2f',rata_akurasi); set(handles.akurasi_kel,'String',rata_akurasi1); handles.gui.vecN=vecN; handles.gui.label_data_testing1= label_data_testing1; handles.gui.label_data_testing2= label_data_testing2; handles.gui.label_data_testing3=label_data_testing3; handles.gui.a1 =a1; handles.gui.a2 =a2; handles.gui.a3 =a3; assignin('base','data_Normalisasi',vecN); assignin('base','label_data_testing1',label_data_testing1);


62

assignin('base','label_data_testing2',label_data_testing2); assignin('base','label_data_testing3',label_data_testing3); assignin('base','hasil_prediksi_1',a1); assignin('base','hasil_prediksi_2',a2); assignin('base','hasil_prediksi_3',a3); assignin('base','data_produksi',data_produksi); handles.gui.ratenum =ratenum; handles.gui.hl1num =hl1num; handles.gui.hl2num = hl2num; handles.gui.epochnum = epochnum; handles.gui.k = k; handles.gui.delayData = delayData; handles.gui.data_produksi = data_produksi; handles.gui.tanggal_Produksi = tanggal_Produksi; handles.gui.maxVec=maxVec; handles.gui.minVec=minVec; guidata(hObject,handles); % --- Executes on button press in plot. % function plot_Callback(hObject, eventdata, handles) % % hObject handle to plot (see GCBO) % % eventdata reserved - to be defined in a future version of MATLAB % % handles structure with handles and user data (see GUIDATA) % % --- Executes on button press in grafikbutton. function grafikbutton_Callback(hObject, eventdata, handles) % hObject handle to grafikbutton (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % label_data_testing1= handles.gui.label_data_testing1; label_data_testing2= handles.gui.label_data_testing2; label_data_testing3=handles.gui.label_data_testing3; a1 =handles.gui.a1; a2 =handles.gui.a2; a3 =handles.gui.a3; maxVec=handles.gui.maxVec; minVec=handles.gui.minVec; [Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec); [Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec); [Denorm_label3] =thp_Denorm(label_data_testing3,maxVec,minVec); [hasil1] = thp_Denorm(a1,maxVec,minVec); [hasil2] = thp_Denorm(a2,maxVec,minVec); [hasil3] = thp_Denorm(a3,maxVec,minVec); % %Membuat Plot cla(handles.axes5); cla(handles.axes6); cla(handles.axes7); axes(handles.axes5); plot(label_data_testing1(1:40,:)); hold all; plot(a1(:,1:40)); xlabel('data produksi'); ylabel('jumlah produksi'); axes(handles.axes6);


63

plot(label_data_testing2(1:40,:)); hold all; plot(a2(:,1:40)); xlabel('data produksi'); ylabel('jumlah produksi'); axes(handles.axes7); plot(label_data_testing3(1:40,:)); hold all; plot(a3(:,1:40)); xlabel('data produksi'); ylabel('jumlah produksi'); handles.gui.label_data_testing1= label_data_testing1; handles.gui.label_data_testing2= label_data_testing2; handles.gui.label_data_testing3=label_data_testing3; handles.gui.a1 =a1; handles.gui.a2 =a2; handles.gui.a3 =a3; guidata(hObject,handles); function edit6_Callback(hObject, eventdata, handles) % hObject handle to edit6 (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Hints: get(hObject,'String') returns contents of edit6 as text % str2double(get(hObject,'String')) returns contents of edit6 as a double % --- Executes during object creation, after setting all properties.

2. Kelas thp_norm

function [vecN] = thp_norm(data,maxVec,minVec) %UNTITLED Summary of this function goes here % Detailed explanation goes here vecN=(data-minVec)*(1-0)/(maxVec-minVec)+0; end

3. Kelas thp_Denorm

function [vecD] = thp_Denorm(hasil,maxVec,minVec) %UNTITLED2 Summary of this function goes here % Detailed explanation goes here vecD=(hasil*(maxVec-minVec)+0)+minVec; end

4. Kelas BackpropagationRoti_PisangCoklat.m

function [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangCoklat(hl1,hl2,epoch,data_kel,delayData,ratenum,maxVec,minVec) %UNTITLED Summary of this function goes here % Detailed explanation goes here


64

%Bagi Data Training dan Testing dataatribut=data_kel(:,1:delayData-1); datatarget=data_kel(:,delayData); jum_data=size(data_kel,1); bagidata1=jum_data/3; bagidata=round(bagidata1); datapelatihan1=dataatribut(1:bagidata,:); datapelatihan2=dataatribut(bagidata+1:(bagidata+1)+bagidata,:); datapelatihan3=dataatribut((bagidata+1)+(bagidata+1):jum_data,:); %label label_datapelatihan1=datatarget(1:bagidata,:); label_datapelatihan2=datatarget(bagidata+1:(bagidata+1)+bagidata,:); label_datapelatihan3=datatarget((bagidata+1)+(bagidata+1):jum_data,:); %data training dan data testing (1) data_training1=[ datapelatihan2 datapelatihan3 ]; label_data_training1=[ label_datapelatihan2 label_datapelatihan3 ]; data_testing1= datapelatihan1; label_data_testing1=label_datapelatihan1; if hl2==0 net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = ratenum; [net,tr]=train(net,data_training1.',label_data_training1.'); a1=sim(net,data_testing1.') [vecD1] = thp_Denorm(a1,maxVec,minVec) [Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec) error1=abs(Denorm_label1.'-vecD1) akurasi1 = (1-(error1/Denorm_label1.'))*100 % akurasi1=100-((sum(error1)/size(label_datapelatihan1,1))*100); %data training dan data testing (2) data_training2=[ datapelatihan1 datapelatihan3 ]; label_data_training2=[ label_datapelatihan1 label_datapelatihan3 ];


65

data_testing2= datapelatihan2; label_data_testing2=label_datapelatihan2; if hl2==0 net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = ratenum; [net,tr]=train(net,data_training2.',label_data_training2.'); a2=sim(net,data_testing2.'); [vecD2] = thp_Denorm(a2,maxVec,minVec); [Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec); error2=abs(Denorm_label2.'-vecD2) akurasi2 = (1-(error2/Denorm_label2.'))*100; % akurasi2=100-((sum(error2)/size(label_datapelatihan2,1))*100); %data training dan data testing (3) data_training3=[ datapelatihan1 datapelatihan2 ]; label_data_training3=[ label_datapelatihan1 label_datapelatihan2 ]; data_testing3= datapelatihan3; label_data_testing3=label_datapelatihan3; if hl2==0 net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = 0.01; [net,tr]=train(net,data_training3.',label_data_training3.'); a3=sim(net,data_testing3.'); [vecD3] = thp_Denorm(a3,maxVec,minVec); [Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec); error3=abs(Denorm_label3.'-vecD3); akurasi3 = (1-(error3/Denorm_label3.'))*100; % akurasi3=100-((sum(error3)/size(label_datapelatihan3,1))*100); rata_akurasi = (akurasi1+akurasi2+akurasi3)/3; end


66

5. Kelas BackpropagationRoti_PisangKeju.m

function [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangKeju(hl1,hl2,epoch,data_kel,delayData,ratenum,maxVec,minVec) %UNTITLED Summary of this function goes here % Detailed explanation goes here %Bagi Data Training dan Testing dataatribut=data_kel(:,1:delayData-1); datatarget=data_kel(:,delayData); jum_data=size(data_kel,1); bagidata1=jum_data/3; bagidata=round(bagidata1); datapelatihan1=dataatribut(1:bagidata,:); datapelatihan2=dataatribut(bagidata+1:(bagidata+1)+bagidata,:); datapelatihan3=dataatribut((bagidata+1)+(bagidata+1):jum_data,:); %label label_datapelatihan1=datatarget(1:bagidata,:); label_datapelatihan2=datatarget(bagidata+1:(bagidata+1)+bagidata,:); label_datapelatihan3=datatarget((bagidata+1)+(bagidata+1):jum_data,:); %data training dan data testing (1) data_training1=[ datapelatihan2 datapelatihan3 ]; label_data_training1=[ label_datapelatihan2 label_datapelatihan3 ]; data_testing1= datapelatihan1; label_data_testing1=label_datapelatihan1; if hl2==0 net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = ratenum; [net,tr]=train(net,data_training1.',label_data_training1.'); a1=sim(net,data_testing1.'); [vecD1] = thp_Denorm(a1,maxVec,minVec); [Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec); error1=abs(Denorm_label1.'-vecD1); akurasi1 = (1-(error1/Denorm_label1.'))*100;


67

%data training dan data testing (2) data_training2=[ datapelatihan1 datapelatihan3 ]; label_data_training2=[ label_datapelatihan1 label_datapelatihan3 ]; data_testing2= datapelatihan2; label_data_testing2=label_datapelatihan2; if hl2==0 net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = 0.05; [net,tr]=train(net,data_training2.',label_data_training2.'); a2=sim(net,data_testing2.'); [vecD2] = thp_Denorm(a2,maxVec,minVec); [Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec); error2=abs(Denorm_label2.'-vecD2); akurasi2 = (1-(error2/Denorm_label2.'))*100; %data training dan data testing (3) data_training3=[ datapelatihan1 datapelatihan2 ]; label_data_training3=[ label_datapelatihan1 label_datapelatihan2 ]; data_testing3= datapelatihan3; label_data_testing3=label_datapelatihan3; if hl2==0 net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = 0.05; [net,tr]=train(net,data_training3.',label_data_training3.'); a3=sim(net,data_testing3.');


68

[vecD3] = thp_Denorm(a3,maxVec,minVec); [Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec); error3=abs(Denorm_label3.'-vecD3); akurasi3 = (1-(error3/Denorm_label3.'))*100; rata_akurasi = (akurasi1+akurasi2+akurasi3)/3; end

6. Kelas BackpropagationRoti_PisangSpesial.m

function [rata_akurasi,label_data_testing1,label_data_testing2,label_data_testing3,a1,a2,a3] = BackpropagationRoti_PisangSpesial(hl1,hl2,epoch,data_kel,delayData,ratenum,maxVec,minVec) %UNTITLED Summary of this function goes here % Detailed explanation goes here %Bagi Data Training dan Testing dataatribut=data_kel(:,1:delayData-1); datatarget=data_kel(:,delayData); jum_data=size(data_kel,1); bagidata1=jum_data/3; bagidata=round(bagidata1); datapelatihan1=dataatribut(1:bagidata,:); datapelatihan2=dataatribut(bagidata+1:(bagidata+1)+bagidata,:); datapelatihan3=dataatribut((bagidata+1)+(bagidata+1):jum_data,:); %label label_datapelatihan1=datatarget(1:bagidata,:); label_datapelatihan2=datatarget(bagidata+1:(bagidata+1)+bagidata,:); label_datapelatihan3=datatarget((bagidata+1)+(bagidata+1):jum_data,:); %data training dan data testing (1) data_training1=[ datapelatihan2 datapelatihan3 ]; label_data_training1=[ label_datapelatihan2 label_datapelatihan3 ]; data_testing1= datapelatihan1; label_data_testing1=label_datapelatihan1; if hl2==0 net=newff(minmax(data_training1.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training1.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = ratenum;


69

[net,tr]=train(net,data_training1.',label_data_training1.'); a1=sim(net,data_testing1.'); [vecD1] = thp_Denorm(a1,maxVec,minVec); [Denorm_label1] = thp_Denorm(label_data_testing1,maxVec,minVec); error1=abs(Denorm_label1.'-vecD1) akurasi1 = (1-(error1/Denorm_label1.'))*100; %data training dan data testing (2) data_training2=[ datapelatihan1 datapelatihan3 ]; label_data_training2=[ label_datapelatihan1 label_datapelatihan3 ]; data_testing2= datapelatihan2; label_data_testing2=label_datapelatihan2; if hl2==0 net=newff(minmax(data_training2.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training2.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx'); end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = 0.05; [net,tr]=train(net,data_training2.',label_data_training2.'); a2=sim(net,data_testing2.'); [vecD2] = thp_Denorm(a2,maxVec,minVec); [Denorm_label2] = thp_Denorm(label_data_testing2,maxVec,minVec); error2=abs(Denorm_label2.'-vecD2) akurasi2 = (1-(error2/Denorm_label2.'))*100; %data training dan data testing (3) data_training3=[ datapelatihan1 datapelatihan2 ]; label_data_training3=[ label_datapelatihan1 label_datapelatihan2 ]; data_testing3= datapelatihan3; label_data_testing3=label_datapelatihan3; if hl2==0 net=newff(minmax(data_training3.'),[hl1,1],{'logsig','purelin'},'traingdx'); else net=newff(minmax(data_training3.'),[hl1,hl2,1],{'logsig','logsig','purelin'},'traingdx');


70

end net=init(net); net.trainParam.epochs = epoch; net.trainParam.lr = 0.05; [net,tr]=train(net,data_training3.',label_data_training3.'); a3=sim(net,data_testing3.'); [vecD3] = thp_Denorm(a3,maxVec,minVec); [Denorm_label3] = thp_Denorm(label_data_testing3,maxVec,minVec); error3=abs(Denorm_label3.'-vecD3) akurasi3 = (1-(error3/Denorm_label3.'))*100 rata_akurasi = (akurasi1+akurasi2+akurasi3)/3; end

7. Kelas tanggalIndex.m

function [cri_tanggal] = tanggalIndex( tanggal,dataTanggal ) %UNTITLED Summary of this function goes here % Detailed explanation goes here [B K] = size(dataTanggal); for i=1:B if strcmp(dataTanggal(i,1),tanggal) cri_tanggal=i; end end

8. Kelas BagiData.m

function [saveTrain,saveTarget]=BagiData(data,index,delay) % trainAwal=index-701; trainAwal=1; targetAwal=trainAwal; jum_data=size(data,1); for i=1:jum_data-delay for j=1:delay saveTrain(i,j)=data(trainAwal); trainAwal=trainAwal+1; end saveTarget(i)=data(trainAwal); trainAwal=targetAwal+1; targetAwal=targetAwal+1; end

9. Rincian Optimalisasi Jaringan

Pada proses optimalisasi jaringan ini akan dilakukan data pelatihan 1002 data untuk

setiap jenis roti dengan beberapa jumlah delay data yaitu 7, 14, 21, dan 28 dan total

epoch 1000 kali. Berikut hasil proses optimalisasi jaringan yang dilakukan :

Fungsi Transfer Hidden Layer 1 = Logsig ;


71

Fungsi Transfer Hidden Layer 2 = Logsig ; Fungsi Aktivasi = Purelin


a. percobaan 1 Roti Pisang Coklat Delay Data : 7

b. Percobaan 2 Roti Pisang Coklat Delay Data : 14

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 73.94

30

25 74.17

30 74.21 30 74.28

35 73.45 35 74.38

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 74.88

25

25 74.45

30 74.13 30 73.90

35 73.88 35 73.62

40 74.17 40 74.05

45 72.87 45 73.47

50 73.14 50 73.39

55 72.89 55 72.04

60 71.37 60 72.91

65 71.55 65 72.90

70 69.53 70 72.62


72

40 73.68 40 73.36

45 72.72 45 72.56

50 73.16 50 72.33

55 72.03 55 72.07

60 72.01 60 71.17

65 70.86 65 71.53

70 71.15 70 71.87

c. Percobaan 3 Roti Pisang Coklat Delay Data : 21

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 73.4

30

25 73.86

30 74.09 30 73.81

35 73.71 35 74.63

40 73.68 40 73.31

45 72.64 45 73.57

50 72.43 50 72.70

55 70.71 55 73.01

60 71.55 60 72.15

65 71.32 65 72.66

70 69.78 70 72.16


73

d. Percobaan 4 Roti Pisang Coklat Delay Data : 28

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 74.73

25

25 74.06

30 74.72 30 74.00

35 73.84 35 73.87

40 73.59 40 73.37

45 73.18 45 73.57

50 73.57 50 73.21

55 72.97 55 73.30

60 71.22 60 71.74

65 71.89 65 72.20

70 71.87 70 71.45

e. Percobaan 1 Roti Pisang Keju Delay Data : 7

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 71.50

30

25 71.23

30 71.58 30 71.04

35 70.65 35 70.58

40 70.57 40 70.95


74

45 70.03 45 71.61

50 69.80 50 70.12

55 70.65 55 69.91

60 68.57 60 69.80

65 69.29 65 69.33

70 68.88 70 69.09

f. Percobaan 2 Roti Pisang Keju Delay Data : 14

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 71.52

25

25 71.84

30 71.34 30 70.98

35 71.03 35 71.45

40 71.20 40 71.23

45 70.32 45 70.02

50 70.00 50 70.22

55 70.34 55 70.17

60 69.28 60 70.32

65 68.37 65 69.38

70 68.26 70 69.30


75

g. Percobaan 3 Roti Pisang Keju Delay Data : 21

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 71.65

25

25 71.59

30 71.42 30 71.69

35 70.94 35 70.86

40 70.73 40 71.39

45 70.48 45 70.59

50 70.88 50 70.31

55 69.71 55 69.77

60 68.81 60 69.78

65 67.78 65 70.47

70 67.14 70 69.05

h. Percobaan 4 Roti Pisang Keju Delay Data : 28

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 71.50

25

25 70.67

30 71.40 30 71.06

35 71.24 35 71.10

40 70.99 40 71.07

45 70.91 45 70.75


76

50 70.55 50 69.86

55 69.48 55 69.87

60 68.23 60 69.56

65 67.66 65 69.71

70 67.93 70 68.81

i. Percobaan 1 Roti Pisang Spesial Delay Data : 7

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 73.93

25

25 73.48

30 73.64 30 73.60

35 73.53 35 73.27

40 72.66 40 72.52

45 73.10 45 73.31

50 72.79 50 73.11

55 72.71 55 72.92

60 71.59 60 72.70

65 71.48 65 71.21

70 69.90 70 71.69


77

j. Percobaan 2 Roti Pisang Spesial Delay Data : 14

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 73.66

25

25 74.04

30 73.90 30 73.43

35 73.13 35 72.69

40 73.34 40 72.49

45 72.52 45 73.10

50 71.82 50 72.80

55 71.66 55 72.84

60 70.55 60 71.09

65 70.38 65 71.55

70 70.83 70 70.38

k. Percobaan 3 Roti Pisang Spesial Delay Data : 21

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 73.59

30

25 74.05

30 74.03 30 73.63

35 72.97 35 73.62

40 72.54 40 72.49

45 72.45 45 72.07


78

50 71.94 50 72.33

55 71.80 55 71.73

60 70.23 60 71.89

65 70.51 65 70.97

70 70.56 70 71.63

l. Percobaan 4 Roti Pisang Spesial Delay Data : 28

Jumlah

Neuron

(1)

Akurasi Jumlah

Neuron

(1)

Jumlah

Neuron

(2)

Akurasi

25 74.02

25

25 73.58

30 73.68 30 73.76

35 73.61 35 73.17

40 73.21 40 73.09

45 72.91 45 73.17

50 72.23 50 72.89

55 70.96 55 71.98

60 70.50 60 72.31

65 70.85 65 71.53

70 69.97 70 72.16


prediksi jumlah produksi roti menggunakan … · iialaman persetujuai{prediksi ji,]mlah produksi...

Documents