SKRIPSI PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION

Transkripsi

1 SKRIPSI PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION APPLICATION OF NEURAL NETWORK FOR PREDICTING QUANTITY OF NEW KB PARTICIPANTS AT SEMARANG USING BACKPROPAGATION METHOD Diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Teknik Informatika Disusun Oleh : Nama : Restiana Putri NIM : A Program Studi : Teknik Informatika-S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2014 i

2 PERSETUJUAN TUGAS AKHIR Nama NIM Program Studi Fakultas Judul Tugas Akhir : Restiana Putri : A : Teknik Informatika S1 : Ilmu Komputer : Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Peserta KB Baru di Kabupaten Semarang Dengan Metode Backpropagation Tugas akhir ini telah diperiksa dan disetujui, Semarang, 17 Juli 2014 Menyetujui : Mengetahui : Pembimbing Dekan Fakultas Ilmu Komputer Sendi Novianto, S.Kom, M.T Dr. Abdul Syukur ii

3 PENGESAHAN DEWAN PENGUJI Nama : Restiana Putri NIM : A Program Studi : Teknik Informatika S1 Fakultas : Ilmu Komputer Judul Tugas Akhir : Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Peserta KB Baru di Kabupaten Semarang Dengan Metode Backpropagation Tugas akhir ini telah diujikan dan dipertahankan dihadapan Dewan Penguji pada Sidang tugas akhir tanggal Juli Menurut pandangan kami, tugas akhir ini memadai dari segi kualitas maupun kuantitas untuk tujuan penganugrahan gelar Sarjana Komputer (S.Kom.) Semarang, 17 Juli 2014 Setia Astuti, S.Si., M.Kom. Anggota Penguji I Erna Zuni Astuti, M.Kom Anggota Penguji II T. Sutojo, S.Si., M.Kom. Ketua Penguji iii

4 PERNYATAAN KEASLIAN SKRIPSI Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Restiana Putri NIM : A Menyatakan bahwa karya ilmiah saya yang berjudul : PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION Merupakan karya asli saya (kecuali cuplikan dan ringkasan yang masing-masing telah saya jelaskan sumbernya dan perangkat pendukung seperti web cam dll). Apabila dikemudian hari, karya saya disinyalir bukan merupakan karya asli saya, yang disertai dengan bukti- bukti yang cukup, maka saya bersedia untuk dibatalkan gelar saya beserta hak dan kewajiban yang melekat pada gelar tersebut. Demikian surat pernyataan ini saya buat dengan sebenarnya. Dibuat di : Semarang Pada tanggal : 17 Juli 2014 Yang menyatakan (Restiana Putri) iv

5 PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Sebagai mahasiswa Universitas Dian Nuswantoro, yang bertanda tangan di bawah ini, saya : Nama : Restiana Putri NIM : A Demi mengembangkan Ilmu Pengetahuan, menyetujui untuk memberikan kepada Universitas Dian Nuswantoro Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah saya yang berjudul : PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION beserta perangkat yang diperlukan (bila ada). Dengan Hak Bebas Royalti Non- Eksklusif ini Universitas Dian Nuswantoro berhak untuk menyimpan, mengcopy ulang (memperbanyak), menggunakan, mengelolanya dalam bentuk pangkalan data (database), mendistribusikan dan menampilkan /mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis/ pencipta. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Universitas Dian Nuswantoro, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian surat pernyataan ini saya buat dengan sebenarnya. Di buat di : Semarang Pada tanggal : 17 Juli 2014 Yang menyatakan (Restiana Putri) v

6 UCAPAN TERIMAKASIH Dengan memanjatkan puji syukur kehadirat Allah SWT. Tuhan Yang Maha Pengasih dan Maha Penyayang yang telah melimpahkan segala rahmat, hidayah dan inyah- Nya kepada penulis sehingga laporan tugas akhir dengan judul PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PESERTA KB BARU DI KABUPATEN SEMARANG DENGAN METODE BACKPROPAGATION dapat penulis selesaikan sesuai dengan rencana karena dukungan dari berbagai pihak yang tidak ternilai besarnya. Oleh karena itu penulis menyampaikan terimakasih kepada : 1. Dr.Ir. Edi Noersasongko, M.Kom, selaku Rektor Universitas Dian Nuswantoro Semarang. 2. Dr. Drs. Abdul Syukur, MM, selaku Dekan Fakultas Ilmu Komputer. 3. Heru Agus Santoso, Ph.D, selaku Ketua Program Studi Teknik Informatika S1. 4. Sendi Novianto, S.Kom, M.T, Dra Yuniarsi Rahayu, M.Kom, Ricardus Anggi Pramunendar,MCS, Erwin Yudi Hidayat,S.Kom, M.CS selaku Pembimbing tugas akhir yang telah memberikan ilmu dan membantu dalam penelitian ini. 5. Dosen-Dosen pengampu di Fakultas Ilmu Komputer Teknik Informatika Universitas Dian Nuswantoro Semarang yang telah memberikan ilmu dan pengalamannya masing-masing,sehingga penulis dapat mengimplementasikan ilmu yang telah disampaikan. 6. Keluarga, teman-teman, dan sahabat-sahabat yang telah membantu dan memberikan dukungan dalam menyelesaikan tugas akhir ini. Semoga Tuhan Yang Maha Esa memberikan balasan yang lebih besar kepada beliau-beliau dan semoga penulisan laporan tugas akhir ini dapat bermanfaat dan berguna sebagaimana fungsinya. Semarang, 17 Juli 2014 Restiana Putri vi

7 ABSTRAK Pada sebuah instansi pemerintahan Badan Keluarga Berencana dan Pemberdayaan Perempuan (Badan KB dan PP) Kabupaten Semarang mempunyai data peserta KB baru. Jumlah peserta KB baru setiap bulannya mengalami kenaikan. Hal itu dapat dilihat dari banyaknya pengguna alat kontrasepsi. Data peserta KB baru terdiri dari berbagai kecamatan di Kabupaten Semarang. Penelitian ini adalah memprediksi jumlah peserta KB baru di Kabupaten Semarang. Sehingga teknik yang digunakan untuk penelitian adalah teknik prediksi. Dalam teknik prediksi akan menerapkan Jaringan Syaraf Tiruan (JST) dengan menggunakan metode Backpropagation. Berdasarkan hasil penelitian prediksi peserta KB baru pada tahun 2011 nilai MSE yang didapat sebesar dan pada tahun 2012 nilai MSE yang didapat sebesar sedangkan hasil pengujian data tahun 2013 nilai MSE sebesar sehingga hasil tersebut cukup akurat. Penelitian dilakukan menggunakan data peserta KB baru dari tahun Namun, hanya data tahun 2011 dan 2012 yang digunakan sebagai data training. Kata Kunci : Peserta KB, prediksi, jaringan syaraf tiruan, backpropagation xii + 57 halaman; 16 gambar; 21 tabel Daftar acuan 12 ( ) vii

8 ABSTRACT On a government agencies Badan Keluarga Berencana dan Pemberdayaan Perempuan ( Badan KB dan PP ) Semarang have data new KB participants. The number of participants new KB every month to rise. It can be seen from the number of contraceptives. The new KB participants consist of several sub-districts and Semarang. This research is predicted that the new KB participants in Semarang. So technique used to research is a technique prediction. In engineering the prediction will apply artificial neural network ( JST) by using the method backpropagation. Based on the results of new KB participants in 2011 the mse obtained by and in 2012, the value of the acquired mse while based on the value of 2013 mse that the results are quite accurate. Research is done using data new KB participants of However, only data of year 2011 and 2012 used as data training. Keywords : KB participants, prediction, Neural Network, backpropagation viii

9 DAFTAR ISI SKRIPSI... i PERSETUJUAN TUGAS AKHIR... ii PENGESAHAN DEWAN PENGUJI... iii PERNYATAAN... iv PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS... v UCAPAN TERIMA KASIH... vi ABSTRAK... vii DAFTAR ISI... ix DAFTAR TABEL... xi DAFTAR GAMBAR... xii BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 3 BAB II LANDASAN TEORI Tinjauan Studi Tinjauan Pustaka Jaringan Syaraf Tiruan Prediksi Backpropagation Nilai MSE Matlab Peserta KB Baru Kerangka Pemikiran BAB III METODE PENELITIAN Obyek Penelitian ix

10 x 3.2 Metode Pengumpulan Data Jenis Data Sumber Data Tahapan Penelitian Pengelompokan Data Perancangan Arsitektur Jaringan Syaraf Tiruan Inisialisasi Parameter Pelatihan/Training Pengujian/Testing Nilai MSE Cara Pengujian BAB IV ANALISA DAN PEMBAHASAN Pengelompokan Data Perancangan Arsitektur Jaringan Syaraf Tiruan Inisialisasi Parameter Proses dan Hasil Pelatihan / Training Proses dan Hasil Pengujian / Testing Nilai MSE Pembahasan BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA... 56

11 DAFTAR TABEL Tabel 2.1 State of the art... 8 Tabel 4.1 Data peserta KB baru Tabel 4.2 Data pelatihan tahun Tabel 4.3 Bobot awal dari masukan ke lapisan tersembunyi Tabel 4.4 Bobot awal dari bias ke lapisan tersembunyi Tabel 4.5 Bobot awal dari lapisan tersembunyi ke keluaran Tabel 4.6 Bobot awal dari bias ke keluaran Tabel 4.7 Hasil pelatihan data tahun Tabel 4.8 Perbandingan hasil prediksi dengan data asli tahun Tabel 4.9 Hasil normalisasi pelatihan data tahun Tabel 4.10 Data pelatihan tahun Tabel 4.11 Bobot awal dari masukan ke lapisan tersembunyi Tabel 4.12 Bobot awal dari bias ke lapisan tersembunyi Tabel 4.13 Bobot awal dari lapisan tersembunyi ke keluaran Tabel 4.14 Bobot awal dari bias ke keluaran Tabel 4.15 Hasil pelatihan data tahun Tabel 4.16 Perbandingan hasil prediksi dengan data asli tahun Tabel 4.17 Hasil normalisasi pelatihan data tahun Tabel 4.18 Data pengujian tahun Tabel 4.19 Hasil pengujian data tahun Tabel 4.20 Hasil normalisasi pengujian data tahun xi

12 DAFTAR GAMBAR Gambar 2.1 Jaringan Syaraf Tiruan dengan lapisan tunggal Gambar 2.2 Jaringan syaraf tiruan dengan lapisan banyak Gambar 2.3 Jaringan Syaraf Tiruan dengan Lapisan Kompetitif yang Memiliki Bobot -η Gambar 2.4 Jaringan Syaraf Backpropagation dengan Satu Lapisan Tersembunyi Gambar 2.5 Tampilan Matlab Gambar 2.6 Kerangka Pemikiran Penelitian Gambar 3.1 Arsitektur jaringan Gambar 3.2 Skema pengujian Gambar 3.3 Diagram alur pembuatan sistem Gambar 4.1 Pelatihan jaringan syaraf tiruan pada tahun Gambar 4.2 Grafik pengujian data tahun Gambar 4.3 Grafik nilai MSE pada pelatihan data tahun Gambar 4.4 Pelatihan jaringan syaraf tiruan pada tahun Gambar 4.5 Grafik pelatihan data tahun Gambar 4.6 Grafik nilai MSE pada pelatihan data tahun Gambar 4.7 Grafik pengujian data tahun xii

13 BAB I PENDAHULUAN 1.1 Latar Belakang Pengertian Program Keluarga Berencana menurut UU No 10 tahun 1992 (tentang perkembangan kependudukan dan pembangunan keluarga sejahtera) adalah upaya peningkatan kepedulian dan peran serta masyarakat melalui Pendewasaan Usia Perkawinan (PUP), pengaturan kelahiran, pembinaan ketahanan keluarga, peningkatan kesejahteraan keluarga kecil, bahagia dan sejahtera. Program KB adalah bagian yang terpadu (integral) dalam program pembangunan nasional dan bertujuan untuk menciptakan kesejahteraan ekonomi, spiritual dan sosial budaya penduduk Indonesia agar dapat dicapai keseimbangan yang baik dengan kemampuan produksi nasional [1]. Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode kontrasepsi setelah melahirkan/keguguran [2]. Berdasarkan data dari Badan Keluarga Berencana dan Pemberdayaan Perempuan Kabupaten Semarang (Badan KB dan PP) bulan Januari Desember pada tahun peserta KB baru setiap bulannya mengalami peningkatan. Hasil pada bulan Desember 2013 jumlah Pencapaian (PENC) mengalami peningkatan sehingga mendekati dengan jumlah Perkiraan Permintaan Masyarakat (PPM). Pada bulan Januari 2011 PENC berjumlah sedangkan pada bulan Desember 2013 PENC berjumlah Pencapaian tersebut menunjukkan bahwa setiap bulannya peserta KB baru mengalami peningkatan. Hal tersebut merupakan bukti bahwa Badan KB dan PP mampu mengendalikan laju pertumbuhan penduduk seperti misi yang yang telah ada. Salah satu misi tersebut adalah mengendalikan pertumbuhan penduduk melalui 1

14 2 peningkatan kepedulian dan peran serta masyarakat [2]. Sehingga peserta KB baru perlu diprediksi dengan cepat dan akurat karena untuk mengetahui setiap bulan terjadi peningkatan atau penurunan peserta KB baru. Metode yang digunakan untuk memprediksi adalah Metode Backpropagation. Backpropagation merupakan suatu pelatihan dengan jenis terkontrol (supervised) dimana pelatihan tersebut menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata [3]. Diharapkan metode Backpropagation dapat memprediksi jumlah peserta KB baru setiap bulannya dengan hasil yang akurat. Berdasarkan latar belakang diatas, maka penulis mengambil judul Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Peserta KB Baru di Kabupaten Semarang Dengan Metode Backpropagation. 1.2 Rumusan Masalah 1. Bagaimana cara kerja Jaringan Syaraf Tiruan? 2. Bagaimana penerapan Jaringan Syaraf Tiruan Metode Backpropagation dalam memprediksi peserta KB baru? 1.3 Batasan Masalah 1. Data yang digunakan untuk memprediksi peserta KB baru pada tahun Metode yang digunakan untuk memprediksi adalah Backpropagation 3. Piranti/software yang digunakan adalah MATLAB

15 3 1.4 Tujuan Penelitian 1. Menerapkan metode Backpropagation untuk prediksi peserta KB baru 2. Metode Backpropagation dalam memprediksi dapat menghasilkan nilai MSE yang kecil 3. Dapat membantu Badan KB dan PP untuk mengetahui jumlah peserta KB baru di tahun yang akan datang 1.5 Manfaat Penelitian 1. Mempermudah pihak Badan KB dan PP dalam memprediksi peserta KB baru 2. Menambah pengetahuan penulis tentang KB 3. Menambah pengetahuan penulis tentang Jaringan Syaraf Tiruan Metode Backpropagation untuk memprediksi 4. Menambah pengetahuan masyarakat tentang Metode Backpropagation yang mampu memprediksi peserta KB baru 5. Menambah pengetahuan masyarakat bahwa penerapan Jaringan Syaraf Tiruan dapat digunakan untuk memprediksi peserta KB baru.

16 BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Studi Penelitian ini menggunakan beberapa referensi seperti jurnal. Berikut adalah jurnal yang berhubungan dengan jaringan syaraf tiruan dengan Metode Backpropagation untuk memprediksi. 1. Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation [3] Masalah yang terjadi pada penelitian ini adalah bahwa prediksi pengangguran di Kalimantan Timur pada sebelumnya adalah menggunakan ilmu statistika sosial dan data jumlah pengangguran yang setiap tahunnya diperbaruhi. Metode yang digunakan adalah Metode Backpropagation. Hasil dari penelitian tersebut menunjukkan bahwa Metode Backpropagation mampu memprediksi jumlah pengangguran, maupun kasus-kasus yang mempunyai data masa lalu. Target output lebih mampu mendekati ketepatan sesuai dengan yang diinginkan dalam melakukan pengujian apabila dengan menggunakan Metode Backpropagation karena terjadi penyesuaian nilai bobot dan bias yang semakin baik saat proses pelatihan. Hasil prediksi jumlah pengangguran di Kalimantan Timur pada tahun 2009 adalah Sedangkan hasil prediksi jumlah pengangguran tahun 2009 yang dilakukan oleh Badan Pusat Statistik (BPS) Provinsi Kalimantan Timur adalah Dalam penelitian ini variabel yang digunakan berjumlah data tahun , penduduk menurut kelompok umur dan jenis kelamin, data historis Tingkat Partisipasi Angkatan Kerja (TPAK) menurut kelompok umur, angkatan kerja, tingkat pengangguran terbuka (TPT), penduduk yang bekerja menurut 4

17 5 lapangan usaha, Produk Domestik Regional Bruto (PDRB) atas dasar harga konstan 2000 menurut lapangan usaha, data historis penduduk usia 15 tahun keatas, status, pendidikan dan pekerjaan [3]. 2. Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation [4] Pada penelitian tersebut masalah yang terjadi adalah jumlah pengunjung yang memiliki pengaruh besar terhadap transaksi penjualan. Apabila semakin banyak pengunjung, maka semakin besar pula kemungkinan transaksi yang dapat diprediksi. Setiap hari jumlah pengunjung berbeda-beda dan prosentase jumlah transaksi penjualannya juga berbeda. Dalam meningkatkan pendapatan pada penjualan yaitu dengan cara memprediksi penjualan berdasarkan rata-rata jumlah pengunjung sehingga perencanaan strategi penjualan dapat sesuai dengan sasaran yang diinginkan. Metode yang digunakan adalah Metode Backpropagation. Berdasarkan hasil dari penelitian tersebut menunjukkan bahwa sistem memprediksi jumlah transaksi berdasarkan jumlah pengunjung dapat menjawab permasalahan yang berkaitan dengan jumlah pengunjung dan jumlah transaksi yang akan terjadi di masa yang akan datang. Hasil dari pemodelan ini berupa grafik atau pola kecenderungan yang menampilkan ramalan atau prediksi yang terjadi pada bulan berikutnya yaitu pada bulan Agustus dengan menggunakan data pada bulan yang sebelumnya yaitu bulan Juli. Berdasarkan pola hasil pelatihan ketepatan atau akurasi prediksinya dapat terlihat dan selanjutnya dibandingkan dengan pola data asli. Pada perhitungan tersebut terdapat kesalahan kecil yaitu perhitungan yang tidak signifikan karena dipengaruhi oleh bobot dan bias awal yang diambil secara

18 6 random pada layer input. Berdasarkan hasil penelitian bukan hanya pola transaksi dan pengunjung yang terlihat, namun model juga menggambarkan pola pengunjung yang datang ke Gramedia [4]. 3. Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik [5] Pada penelitian ini masalah yang terjadi adalah banyak pihak yang membutuhkan informasi tentang kondisi gelombang laut secara lebih cepat, lengkap dan akurat. Banyak pihak yang menginginkan adanya prediksi kondisi atmosfer dengan rentang akurasi skala dalam ruang dan waktu yang lebih kecil. Sehingga peneliti menggunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation untuk memprediksi tinggi gelombang laut. Berdasarkan hasil penelitian menunjukkan nilai koefisien korelasi antara output dan target adalah 1,00, sedangkan pada pengujian nilai koefisien korelasi antara output dan data observasi (target) adalah 0,97. Hasil validasi pertama nilai koefisien korelasi sebesar 0,78. Hasil proses validasi pada periode berikutnya menunjukkan nilai koefisien korelasi sebesar 0,62 dan 0,55. Hasil validasi menunjukkan tren penurunan. Hal ini karena terjadinya kondisi ekstrem di wilayah perairan dilokasi penelitian. Hal ini berimplikasi pada tingkat kesulitan prediksi yang semakin meningkat terhadap data tinggi signifikan gelombang laut pada lokasi penelitian. 4. Prediksi Jangka Pendek Debit Aliran Irigasi Seluma dengan Menggunakan Jaringan Syaraf Tiruan [6] Daerah irigasi Seluma merupakan salah satu daerah irigasi teknis di Propinsi Bengkulu dengan luas daerah yang dialiri sekitar Ha. Daerah irigasi teknis dimanfaatkan petani maupun

19 7 transmigran dalam menunjang kehidupan di bidang pertanian khususnya dalam bercocok tanam padi. Irigasi Air Seluma berfungsi sebagai pengatur air sehingga membantu petani dalam memanfaatkan air untuk disalurkan ke lahan-lahan pertanian dan bisa menghemat tenaga kerja serta pelapisan saluran irigasi. Pelapisan saluran irigasi untuk meningkatkan efisiensi penyaluran air. Masalah yang terjadi pada penelitian ini adalah banyaknya petani yang kurang memahami tentang keadaan iklim dan cuaca dalam menentukan waktu untuk para petani bercocok tanam sehingga pasokan air yang dibutuhkan tidak teratur maka akan mempengaruhi proses kelangsungan hidup tanaman yang ditanam. Penentuan besarnya debit dapat dilakukan dengan cara pengukuran dan prediksi secara langsung berdasarkan keadaan iklim maupun berdasarkan data yang telah ada sebelumnya. Penentuan debit dengan cara pengukuran mempunyai keterbatasan dalam pemanfaatan jaringan irigasi kedepannya sebab hasil pengukuran hanya bisa mengetahui nilai debit saat itu, oleh sebab itu dilakukan penentuan besar debit bulan atau tahun yang akan datang dengan cara prediksi. Berdasarkan hasil penelitian dari prediksi bahwa debit paling tinggi terjadi pada bulan Desember dengan ketinggian debit 72,75 m 3 /s dan debit air paling kecil terjadi pada bulan Juni dengan besar debit 24,71 m 3 /s. Perbedaan hasil prediksi dengan data lapangan adalah mempunyai error sebesar 17,20% dan keakuratan data sebesar 82,80%.

20 8 N O PENELITI 1 M.F. Andrijasa dan Mistianingsih 2 Iriansyah BM Sangadji T A H U N JUDUL METODE HASIL CATATAN Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Tabel 2.1 Tabel State of the art Backpropagation Metode Backpropagation target output yang diinginkan lebih mendekati ketepatan dalam malakukan pengujian, karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan. Hasil prediksi jumlah pengangguran pada tahun 2009 adalah Sedangkan hasil prediksi jumlah pengangguran tahun 2009 yang dilakukan oleh BPS Provinsi Kalimantan Timur adalah Backpropagation Sistem prediksi jumlah transaksi berdasarkan jumlah pengunjung dapat menjawab permasalahan kaitan antara Keterbatasan Jaringan Syaraf Tiruan adalah kekurang mampuannya dalam melakukan operasi-operasi numerik dengan presisi tinggi, operasi algoritma aritmatik, operasi logika, dan operasi simbolis serta lamanya proses pelatihan Bukan hanya pola transaksi dan pengunjung yang terlihat dari hasil pelatihan tersebut, model

21 9 3 Abraham Isahk Bekalani, Yudha Arman, Muhammad Ishak Jumarang Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation Prediksi Tinggi Signifikan Gelombang Laut Di Sebagian Wilayah Perairan Indonesia Menggunakan Jaringan Syaraf Tiruan Metode Propagasi Balik jumlah pengunjung dan jumlah transaksi pada masa yang akan datang. Hasil berupa grafik atau pola kecendrungan yang memperlihatkan ramalan atau prediksi pada bulan berikutnya (Agustus) dengan menggunakan data bulan sebelumnya (Juli). Backpropagation Hasil penelitian menunjukkan nilai koefisien korelasi antara output dan target adalah 1,00, sedangkan pada pengujian nilai koefisien korelasi antara output dan data observasi (target) adalah 0,97. Hasil validasi pertama nilai koefisien korelasi sebesar 0,78. Hasil proses validasi pada periode berikutnya menunjukkan nilai koefisien korelasi sebesar 0,62 dan 0,55. Hasil validasi menunjukkan tren penurunan. juga menggambarkan pola pengunjung yang datang ke Gramedia. Hal inilah yang dapat dijadikan pertimbangan tentang pergantian pegawai dijamjam tertentu. Dapat juga merencanakan kapan bazar murah diadakan secara optimal, khususnya pada penentuan hari dan jam berapa, pengunjung akan padat. Hal validasi menunjukkan penurunan karena berimplikasi pada tingkat kesulitan prediksi yang semakin meningkat terhadap data tinggi signifikan gelombang laut pada lokasi penelitian.

22 10 4 Supiyati, Syamsul Bahri dan Iwan Erdi Prediksi Jangka Pendek Debit Aliran Irigasi Seluma Dengan Menggunakan Jaringan Syaraf Tiruan Backpropagation Berdasarkan hasil penelitian bahwa memprediksi menggunakan Jaringan Syaraf Tiruan memiliki keakuratan 82,80% dan error sebesar 17,20%. Debit aliran irigasi bendungan dari hasil prediksi yang paling tinggi terjadi pada bulan Desember 2 minggu pertama ketinggian debit air 72,75 m3/s sedangkan debit aliran irigasi terendah terjadi pada bulan Juni 2 minggu terakhir dengan ketinggian debit 24,71 m3/s. Untuk memperoleh hasil prediksi yang lebih baik, sebaiknya dilakukan dalam waktu jangka panjang menggunakan data jangka panjang sebelumnya.

23 Tinjauan Pustaka Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan artinya adalah digunakan karena jaringan syaraf diimplemintasikan menggunakan program komputer yang dapat menyelesaikan proses perhitungan selama proses pembelajaran [5]. Otak manusia mempunyai sekitar jaringan syaraf yang lebih dikenal sebagai neuron. Rata-rata setiap neuron dihubungkan dengan neuron lainnya melalui synapses. Jaringan neuron otak manusia sistem pemrosesannya paralel secara masif. Hal ini jelas berbeda dengan komputer konvensional, sebab proses tunggal mengeksekusi instruksi tunggal secara seri [5]. Dengan banyaknya jumlah neuron dan sinapsis, otak manusia mampu mengenali pola, melakukan perhitungan, dan mengontrol organ-organ tubuh dengan kecepatan yang lebih tinggi dibandingkan komputer. Sebagai perbandingan, pengenalan wajah seseorang yang sedikit berubah (misal memakai topi, memakai jenggot tambahan, dll) akan lebih cepat dilakukan manusia dibandingkan komputer. Saat manusia lahir otak tersebut mempunyai struktur yang menakjubkan karena kemampuannya membentuk sendiri aturan-aturan/pola berdasarkan pengalaman yang diterima. Jumlah dan kemampuan neuron berkembang seiring dengan pertumbuhan fisik manusia. Pada 2 tahun pertama umur manusia, terbentuk 10 6 sinapsis per detik [5]. Neuron mempunyai 3 komponen penting yaitu dendrit, soma, dan axon. Dendrit mampu menerima sinyal dari neuron lain. Sinyal yang diterima berupa implus elektrik yang dikirim melalui celah sinaptik melalui proses kimiawi. Sinyal dimodifikasi yaitu diperkuat atau diperlemah pada celah sinaptik. Berikutnya, soma

24 12 menjumlahkan sinyal-sinyal yang masuk. Apabila penjumlahan cukup kuat dan melebihi batas ambang, maka sinyal tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal berbeda-beda antara satu sel dengan sel yang lainnya [5]. Pada dasarnya jaringan syaraf tiruan mempunyai banyak tipe, tetapi semua tipe dari jaringan syaraf memiliki komponenkomponen yang sama. Misalnya otak manusia. Jaringan syaraf tiruan terdiri dari beberapa neuron-neuron yang saling berhubungan antara satu neuron dengan yang lainnya [5]. Neuron-neuron mentranformasikan informasi yang diterima ke sambungan keluaran kemudian ke neuron-neuron yang lainnya. Didalam jaringan syaraf tiruan, hubungan ini disebut sebagai nama bobot (weight). Informasi itu nantinya disimpan pada suatu nilai tertentu dan bobot tersebut [5]. Jaringan neuron buatan terdiri atas kumpulan grup neuron yang tersusun dalam lapisan [7] : 1. Lapisan input (Input Layer) Lapisan input ini mempunyai fungsi sebagi penghubung jaringan ke sumber data. 2. Lapisan tersembunyi (Hidden Layer) Jaringan yang memiliki lebih dari satu hidden layer atau tidak memiliki sama sekali. 3. Lapisan Output (Output Layer) Neuron-neuron yang ada pada Output Layer ini mempunyai prinsip kerja yang sama seperti Hidden Layer. Pada lapisan ini keluaran dari neuron merupakan hasil dari proses yang telah terjadi.

25 13 Secara umum, terdapat tiga jenis neural network yang sering digunakan berdasarkan jenis network-nya, yaitu [8] : 1. Jaringan Lapisan Tunggal Jaringan Syaraf Tiruan ini mempunyai 1 lapisan input dan 1 lapisan output. Setiap unit yang terdapat pada lapisan input akan selalu terhubung dengan setiap unit yang ada pada lapisan output. Jaringan ini menerima input yang kemudian diproses menjadi output tanpa melewati hidden layer. Contoh : ADALINE, Hopfield, Perceptron Nilai input X 1 X 2 X 3 Lapisan input W 11 W 12 W 21 W 22 W31 W 32 Matriks bobot Y 1 Y 2 Lapisan output Nilai output Gambar 2.1 Jaringan Syaraf Tiruan dengan lapisan tunggal Pada Gambar 2.1 input layer mempunyai 3 unit neuron, yaitu x 1, x 2, dan x 3 yang terhubung dengan output layer yang mempunyai 2 unit neuron, yaitu y 1, dan y 2. Hubungan neuron-neuron pada kedua lapisan ditentukan oleh bobot yang bersesuaian w 11, w 12, w 21, w 22, w 31, dan w Jaringan Lapisan Banyak Jaringan lapisan ini mempunyai 3 jenis lapisan, yaitu : input layer, hidden layer, output layer. Jaringan lapisan ini mampu menyelesaikan permasalahan yang lebih kompleks

26 14 dibandingkan dengan jaringan lapisan tunggal. Contoh : MADALINE, Backpropagation, Neocognitron Nilai input X 1 X 2 X 3 Lapisan input V 11 V 12 V 21 V 22 V31 V 32 Matriks bobot pertama Z 1 Z 2 Lapisan tersembunyi W 1 W 2 Matriks bobot kedua Y Lapisan output Nilai output Gambar 2.2 Jaringan syaraf tiruan dengan lapisan banyak Pada Gambar 2.2 input layer mempunyai 3 unit neuron, yaitu x 1, x 2, dan x 3 yang terhubung langsung dengan hidden layer yang mempunyai 2 unit neuron tersembunyi, yaitu z 1 dan z 2. Hubungan neuron-neuron pada input layer dan output layer ditentukan oleh bobot v 11, v 12, v 21, v 22, v 31, dan v 32. Terdapat 2 unit neuron tersembunyi, yaitu z 1 dan z 2 yang terhubung langsung dengan output layer yang mempunyai 1 unit neuron Y dan nilainya ditentukan oleh bobot, yaitu w 1 dan w Jaringan dengan Lapisan Kompetitif Jaringan ini mempunyai bobot yang sudah ditentukan dan tidak mempunyai proses pelatihan. Jaringan lapisan kompetitif digunakan untuk mengetahui neuron

27 15 pemenang dari sejumlah neuron yang telah ada maka yang terjadi adalah neuron-neorun saling bersaing agar mendapatkan hak untuk menjadi aktif. Nilai bobot setiap neuron adalah 1 dan neuron lainnya mempunyai nilai random negatif. Contoh : LVQ 1 A 1 -η A m 1 1 -η -η -η -η 1 A i -η A j Gambar 2.3 Jaringan syaraf dengan lapisan kompetitif yang memiliki bobot η Jaringan Syaraf Tiruan saat ini semakin banyak digunakan untuk menyelesaikan masalah tertentu, yaitu [8] : 1. Jaringan Syaraf Tiruan dalam kehidupan sehari-hari Jaringan Syaraf Tiruan banyak diterapkan di dunia industri. Jaringan Syaraf Tiruan juga digunakan untuk peramalan kebutuhan, seperti : peramalan penjualan, control proses industri, penelitian pelanggan, validasi data, manajemen risiko, dan target pemasaran. Jaringan Syaraf Tiruan dapat digunakan untuk pemulihan telekomunikasi dari perangkat lunak yang rusak, interprestasi multimeaning kata Cina, deteksi tambang bawah laut, analisis tekstur, pengenalan objek tiga dimensi, pengenalan kata yang ditulis dengan tangan maupun pengenalan wajah.

28 16 2. Jaringan Syaraf Tiruan untuk dunia kedokteran Jaringan Syaraf Tiruan mampu menerima aplikasi yang luas pada sistem biomedis untuk beberapa tahun yang akan datang. Sekarang ini, sebagian penelitian ditujukan ke pemodelan bagian tubuh manusia dan pengenalan penyakit dari berbagai scan karena tidak menyediakan algoritma spesifik tentang cara mengidentifikasi penyakit yang diperlukan. 3. Jaringan Syaraf Tiruan dalam dunia bisnis Banyak aplikasi Jaringan Syaraf Tiruan yang masuk dalam bidang bisnis atau analisis keuangan. Jaringan Syaraf Tiruan digunakan untuk bisnis seperti alokasi sumber daya dan penjadwalan. Jaringan Syaraf Tiruan mempunyai kelebihan-kelebihan antara lain [8]: 1. Belajar Adaptive : kemampuan untuk mempelajari bagaimana pekerjaan tersebut dapat dikerjakan berdasarkan data yang telah ada untuk pelatihan atau pengalaman awal. 2. Self-Organization : Jaringan Syaraf Tiruan bisa membuat organisasi sendiri atau representasi dari informasi yang diterima selama pembelajaran. 3. Real Time Operation : Perhitungan Jaringan Syaraf Tiruan dilakukan secara parallel sehingga perangkat keras dirancang dan diproduksi secara khusus bisa mengambil keuntungan dari kemampuan. Jaringan Syaraf Tiruan juga mempunyai kelemahankelemahan, yaitu [8]: 1. Tidak efektif apabila digunakan untuk operasi-operasi numerik dengan presisi tinggi.

29 17 2. Tidak efisien apabila digunakan untuk operasi algoritma aritmatik, operasi logika, dan simbolis. 3. Agar Jaringan Syaraf Tiruan mampu beroperasi maka butuh pelatihan sehingga apabila jumlah data besar maka waktu proses pelatihan akan sangat lama. Jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan menggunakan asumsi bahwa [9] : 1. Pemrosesan informasi yang terjadi pada elemen-elemen sederhana (neuron) 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung 3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal 4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang digunakan pada jumlah input yang diterima. Basarnya output selanjutnya dibandingkan dengan suatu batas ambang. Jaringan syaraf tiruan ditentukan dalam tiga hal yaitu [9]: 1. Pola hubungan antar neuron 2. Metode untuk menentukan bobot penghubung 3. Fungsi aktivasi Ada beberapa aplikasi jaringan syaraf tiruan yaitu [9]: 1. Pengenalan pola Jaringan syaraf tiruan dapat digunakan untuk pengenalan pola. Contoh : huruf, angka, suara, atau tanda tangan.

30 18 Hal tersebut mirip dengan otak manusia yang masih mampu mengenali orang yang sudah beberapa waktu tidak bertemu. 2. Signal Processing Jaringan syaraf tiruan dengan model ADALINE dapat digunakan untuk menekan noise dalam saluran telpon. 3. Peramalan Jaringan syaraf tiruan juga dapat digunakan untuk meramalkan yang akan terjadi di masa yang akan datang berdasarkan pola-pola pada masa yang sebelumnya. Karakteristik dari jaringan saraf tiruan antara lain [4]: 1. Memiliki kemampuan menghasilkan output terhadap pola yang belum pernah dipelajari. 2. Memiliki kemampuan untuk memproses input yang terdapat kesalahan didalamnya dengan tingkat toleransi tertentu 3. Mampu beradaptasi dengan perubahan yang terjadi terhadap nilai-nilai input dan output. Bentuk adaptasi ini diwujudkan dalam perubahan nilai bobot 4. Akurasi prediksi pada umumnya cukup tinggi 5. Memerlukan waktu yang relatif lama dalam pembelajaran Prediksi Prediksi adalah mempertimbangkan nilai yang belum terlihat pada masa yang akan datang berdasarkan pola-pola yang terjadi sebelumnya. Prediksi merupakan proses memperkirakan sesuatu dengan mengoreksi aksi sebelumnya, untuk meramalkan suatu kondisi dibutuhkan perhitungan yang tepat untuk menjawab permasalahan tersebut. Perhitungan tersebut dapat menggunakan jaringan saraf tiruan dengan Metode Backpropagation [4].

31 19 Ada 4 jenis pola data dalam peramalan [7] yaitu : 1. Trend Pola data yang menampilkan pergerakan data dalam waktu yang lama cenderung meningkat atau menurun. 2. Seasonality (musiman) Pola data ini dapat terbentuk sesuai dengan musim yang sedang berlangsung. Contoh : cuaca dan liburan. 3. Cycles (Siklus) Pola data dapat terjadi apabila variasi data bergelombang pada durasi lebih dari satu tahun dipengaruhi oleh faktor politik, perubahan ekonomi (ekspansi atau kontraksi) yang dikenal dengan siklus usaha. 4. Horizontal/Stasionary/Random variation Pola ini terjadi jika data berfluktuasi di sekitar nilai rata-rata secara acak tanpa membentuk pola yang jelas seperti pola musiman, trend ataupun siklus Backpropagation Keunggulan utama jaringan syaraf tiruan adalah kemampuan untuk belajar dari contoh yang ada. Backpropagation adalah algoritma pembelajaran yang terawasi dan digunakan perceptron dengan banyak lapisan untuk mengubah bobot yang terdapat pada lapisan tersembunyinya [5]. Arsitektur jaringan syaraf tiruan backpropagation dapat dilihat pada Gambar 2.2. Bahwa terlihat jaringan syaraf tiruan terdiri 3 layer yaitu 3 neuron pada input layer (x 1, x 2, dan x 3 ), 2 neuron pada hidden layer (z 1, z 2 ), dan 1 neuron pada ouput layer(y). Bobot yang menghubungkan x 1, x 2, dan x 3 dengan neuron pertama pada hidden layer adalah v 11, v 21, dan v 31 (dinotasikan dengan vij, yaitu bobot yang menghubungkan neuron input ke-i ke neuron ke-j pada hidden layer). Variabel b 11, dan b 12 adalah bobot

32 20 bias yang menuju ke neuron pertama dan neuron kedua pada hidden layer. Bobot yang menghubungkan z 1 dan z 2 dengan neuron pada output layer adalah w 1 dan w 2. Variabel b 2 adalah bobot bias yang menghubungkan hidden layer dengan output layer [5]. 1 v 01 1 w 01 w 0k w 0m v 0j Y 1 X 1 v 11 v 1j v 1p v 0p Z 1 w 11 w 1k w 1m X i v i1 v ij v ip Z j w j1 w jk w jm Y k X n v n1 v nj v np Z p w p1 w pk w pm Y m Gambar 2.4. Jaringan Syaraf Backpropagation dengan satu lapisan tersembunyi Algoritma Backpropagation pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan Mccelland untuk dipakai pada jaringan syaraf tiruan, dan selanjutnya algoritma ini diangkat dengan nama backpropagation. Algoritma ini merupakan metode supervised dan di desain untuk operasi pada jaringan feed forward multi layer. Algoritma ini dipakai pada aplikasi pengaturan sebab proses pelatihannya didasarkan pada hubungan yang sederhana. Apabila hasil keluaran salah, maka bobot penimbang (w) diperiksa agar galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan dapat mendekati hasil yang sesuai target serta

33 21 memperbaiki bobot penimbang pada lapisan tersembunyi (hidden layer) [4]. Pelatihan Backpropagation meliputi 3 fase, yaitu fase maju, fase mundur, dan fase perubahan bobot. Fase maju merupakan fase pertama yaitu pola masukan digitung maju mulai dari layar masukan hingga ke layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Dimana fase ini selisih antara keluaran jaringan dengan target yang diinginkan adalah kesalahan yang terjadi. Kesalahan tersebut kemudian dipropagasikan mundur, dan dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase terakhir atau fase ketiga adalah perubahan bobot. Pada fase ini modifikasi bobot untuk menurunkan kesalahan yang terjadi. Berikut penjelasan selengkapnya [9] : Fase I Propagasi Maju Selama fase ini, sinyal masukan (=x i ) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang telah ditentukan. Keluaran dari setiap unit layar tersembunyi (=z j ) selanjutnya akan dipropagasikan maju lagi ke layar tersembunyi di atasnya dengan menggunakan fungsi aktivasi yang telah ditentukan. Hal ini dilakukan seterusnya hingga dapat menghasilkan keluaran jaringan (=y k ). Selanjutnya keluaran jaringan (=y k ) dibandingkan dengan target yang harus dicapai (=t k ). Selisih t k -y k adalah kesalahan yang terjadi. Jika kesalahan lebih kecil dari batas toleransi yang telah ditentukan, maka iterasi akan dihentikan. Namun, apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot di setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.

34 22 Fase II Propagasi Mundur Berdasarkan kesalahan t k -y k dihitung faktor δ k (k=1,2,, m) yang digunakan untuk mendistribusikan kesalahan di unit y k ke semua unit tersembunyi yang terhubung langsung dengan y k. δ k juga digunakan untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Selanjutnya dilakukan dengan menggunakan cara yang sama, dihitung faktor δ j di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Cara tersebut dilakukan hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dapat dihitung. Fase III Perubahan Bobot Setelah semua faktor δ telah dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Contoh : perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δ k yang ada di unit keluaran. Semua fase tersebut dilakukan berulang-ulang hingga kondisi penghentian terpenuhi.kondisi penghentian adalah jumlah iterasi atau kesalahan. Iterasi akan berhenti apabila jumlah iterasi sudah terpenuhi atau melebihi batas maksimum yang telah ditetapkan, atau apabila kesalahan yang terjadi lebih kecil dari batas toleransi yang telah ditetapkan [9]. Algoritma pelatihan untuk jaringan satu layar tersembunyi dengan menggunakan fungsi aktivasi sigmoid biner adalah sebagai berikut [9]:

35 23 Langkah 0 : Inisialisasi semua bobot dengan bilangan acak kecil Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3-8 Fase I Propagasi Maju Langkah 3 : Tiap Unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya. Langkah 4 : Hitung semua keluaran unit tersembunyi z j (j=1,2,..., n) n z_in j = v 0j + x i v ij (1) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal outputnya : z j = f(z_in j ) (2) Langkah 5 : Hitung semua keluaran jaringan di unit y k (k=1,2,..., m) p y_in k = w 0k + z i w jk (3) i=1 Dan menerapkan fungsi aktivasi untuk menghitung sinyal ouput-nya : y k = f(y_in k ) (4)

36 24 Fase II Propagasi Mundur Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran y k (k=1,2,.., m) k = (t k - y k ) f (y_in k ) k = (t k - y k ) y k (1-y k ) (5) k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar di bawahnya (langkah 7) Menghitung suku perubahan bobot w jk dengan laju pemahaman w jk = k z j (6) Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi z j (j=1,2,..., p) m δ_in j = w 0k + δ k w jk (7) k=1 Faktor unit tersembunyi: j = _net j f (z_in j ) j = _net j z j (1-z j ) (8) Hitung suku perubahan bobot V jk (yang akan dipakai nanti untul merubah bobot V jk ) v jk = j x i ; (9)

37 25 Fase III Perubahan Bobot Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis yang menuju unit keluaran : w jk (baru) = w jk (lama) + w jk (10) Perubahan bobot garis yang menuju ke unit tersembunyi: v ij (baru) = v ij (lama) + v ij (11) Tes kondisi berhenti Setelah selesai dilakukan, jaringan dapat digunakan untuk pengenalan pola. Namun, hanya propagasi maju pada langkah 4 dan 5 yang dapat digunakan untuk menentukan keluaran jaringan. Keterangan : x = Data training input x = (x 1,,x i,,x n ) t = Data training untuk target output t = (t 1,,t k,,t m ) α = Learning rate yaitu parameter untuk mengontrol perubahan bobot selama pelatihan. X i = Unit input ke-i Z j = Unit hidden ke-j Y k = Unit output ke-k v 0j = Bobot garis yang menghubungkan bias di unit masukan ke unit tersembunyi v ij = Bobot garis yang menghubungkan unit masukan ke unit tersembunyi w 0k = Bobot garis yang menghubungkan bias di unit tersembunyi ke unit keluaran w jk = Bobot garis yang menghubungkan unit tersembunyi ke unit keluaran

38 26 δ k = Faktor koreksi error untuk bobot w jk δ j = Faktor koreksi error untuk bobot v ij m = Momentum Masalah utama yang sering terjadi dalam backpropagation adalah lamanya iterasi yang harus dilakukan. Di dalam backpropagation tidak dapat memberikan kepastian berapa jumlah epoch atau iterasi yang harus dilalui untuk mencapai kondisi yang diinginkan. Berikut optimalitas arsitektur backpropagation [9] : 1. Pemilihan bobot dan bias awal Bobot awal mempengaruhi apakah jaringan mencapai titik minimum local atau global, dan seberapa cepat konvergensinya. Bobot yang menghasilkan nilai turunan aktivasi kecil sebisa mungkin harus dihindari. Hal itu akan menyebabkan perubahan bobotnya menjadi sangat kecil. Nilai bobot awal juga tidak diperbolehkan terlalu besar karena nilai turunan fungsi aktivasinya menjadi terlalu kecil. Oleh sebab itu, di dalam standar backpropagation nilai bobot dan bias diberi nilai bilangan acak kecil. Pada umumnya range [-5,5] atau [-1,1]. 2. Jumlah unit tersembunyi Bagi propagasi maju jaringan dengan layar tersembunyi sudah cukup untuk mengenali jaringan yang lainnya antara masukan dan target dengan tingkat ketelitian yang ditentukan. Namun, penambahan jumlah layar tersembunyi kadangkala membuat pelatihan lebih mudah. Dalam backpropagation keluaran harus dihitung untuk tiap layar, dimulai dari layar tersembunyi yang paling bawah (terdekat dengan masukan). Sebaliknya dalam propagasi mundur, faktor δ perlu dihitung untuk tiap layar tersembunyi, dimulai dari layar keluaran.

39 27 3. Jumlah pola pelatihan Jumlah pola yang dibutuhkan dipengaruhi oleh banyaknya bobot dalam jaringan serta tingkat akurasi yang diharapkan. 4. Lama iterasi Tujuan penggunaan backpropagation adalah mendapatkan keseimbangan antara pengenalan pola pelatihan secara benar dan respon yang baik untuk pola lain yang sejenis. Jaringan dapat dilatih terus menerus hingga semua pola pelatihan dikenali dengan benar. Namun, hal itu tidak menjamin jaringan akan mampu mengenali pola pengujian yang tepat. Kini telah ada berbagai variasi backpropagation. Variasi dapat berupa model backpropagation yang digunakan untuk keperluam khusus, atau teknik modifikasi bobot untuk mempercepat pelatihan dalam kasus tertentu. Berikut beberapa variasi backpropagation [9]: 1. Momentum Perubahan bobot berdasarkan atas gradient yang terjadi untuk pola yang dimasukkan pada saat itu. Penambahan momentum untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lainnya. 2. Delta Bar Delta Laju pemahaman (α) merupakan konstanta yang dipakai dalam seluruh iterasinya. Perubahan dapat dilakukan dengan memberikan laju pemahaman yang berbeda-beda untuk setiap bobotnya.

40 Nilai MSE Nilai Mean Square Error (MSE) pada satu siklus pelatihan adalah nilai kesalahan (error (e) = nilai keluaran - nilai masukan) rata-rata dari seluruh record (tupple) yang dipresentasikan ke Jaringan syaraf tiruan dan dirumuskan sebagai: e 2 MSE = Jumlah record (12) Semakin kecil MSE, jaringan syaraf tiruan semakin kecil kesalahannya dalam memprediksi kelas dari record yang baru. Maka, pelatihan jaringan syaraf tiruan ditujukan untuk memperkecil MSE dari satu siklus ke siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan (epsilon) [11]. Kondisi penghentian training adalah tercapainya nilai MSE di akhir training. Training dihentikan apabila nilai MSE di akhir training lebih kecil atau sama dengan nilai MSE yang ditetapkan pada awal training. Tetapi apabila nilai MSE di akhir training lebih besar dari nilai MSE yang ditetapkan di awal training maka proses training akan dilanjutkan ke tahap propagasi balik [5]. Pada umumnya pelatihan dengan Backpropagation tidak akan menghasilkan MSE = 0 (apalagi untuk data yang banyak). Untuk itu akan cukup puas apabila nilai MSE Jika memperbesar laju pemahaman (learning rate) menjadi 0.1 dan merubah MSE menjadi [9].

41 Matlab Matlab merupakan perangkat lunak yang cocok digunaka untuk alat komputasi yang melibatkan penggunaan matriks dan vector. Fungsi-fungsi yang terdapat pada toolbox dibuat untuk memudahkan perhitungan. Contoh : Matlab dapat dengan mudah digunakan untuk menyelesaikan permasalahan sistem persamaan linier, program linier dengan simpleks, sehingga sistem yang kompleks seperti peramalan, pengolahan citra, dll [9]. Banyak model jaringan syaraf tiruan yang menggunakan manipulasi matriks atau vektor dalam iterasinya. Matlab menyediakan fungsi-fungsi khusus untuk menyelesaikan model jaringan syaraf tiruan. Pengguna hanya memasukkan vektor masukan, target, model, dan parameter yang diinginkann (laju pemahaman, threshold, bias,dll) [9]. Di dalam Matlab script di simpan dalam bentuk M-File. Pemrograman M-File memberikan control lebih banyak dibandingkan command line. Dengan M-File dapat dilakukan percabangan, perulangan, dll. Struktur M-File pada Matlab hamper sama seperti bahasa C yang membagi program dalam blok program berupa fungsi fungsi. Setiap fungsi dapat memanggil fungsi yang lainnya [9]. Gambar 2.5 Tampilan matlab

42 Peserta KB Baru Peserta KB baru adalah pasangan usia subur yang baru pertama kali menggunakan alat/cara kontrasepsi dan atau pasangan usia subur yang kembali yang menggunakan metode kontrasepsi setelah melahirkan/keguguran [2]. Hasil Pelayanan Peserta KB Baru (PB) [2] : 1. Pemberian informed consent, mencakup jumlah informed consent yang diberikan pada pelayanan peserta KB baru untuk metode IUD, MOW, MOP, Implant. 2. PB menurut metode kontrasepsi (IUD, MOW, MOP, Kondom, Implant, Suntikan, Piil) 3. PB menurut tempat pelayanan (Klinik KB Pemerintah/Swasta, Dokter/Bidan Praktek Swasta) 4. PB Keluarga Pra Sejahtera (KPS) dan Keluarga Sejahtera I (KS I)/keluarga penerima (JAMKES) jaminan kesehatan gratis 5. PB Pasca Persalinan/Pasca Keguguran (PP/PK). Peserta KB Baru Pra Sejahtera (KPS) dan Keluarga Sejahtera I (KS I) / JAMKES adalah pasangan usia subur dari Keluarga Pra Sejahtera dan Keluarga Sejahtera I atau Keluarga penerima jaminan kesehatan gratis (JAMKES) yang baru pertama kali menggunakan alat/cara kontrasepsi, dan atau yang kembali menggunakan metode kontrasepsi setelah melahirkan/keguguran. KB Pasca Persalinan adalah pelayanan KB yang diberikan kepada pasien pasca persalinan sampai kurun waktu 42 hari setelah persalinan. KB Pasca Keguguran adalah pelayanan KB yang diberikan kepada pasien pasca keguguran sampai kurun waktu 21 hari setelah mengalami keguguran [2]. Pelayanan Klinik KB adalah semua kegiatan pelayanan di klinik KB baik berupa pelayanan kontrasepsi maupun pelayanan

43 31 lainnya (Pelayanan Statis, Pelayanan Mobil, Pelayanan Rutin, Pelayanan Bakti Sosial KB, dan Pelayanan Khusus) yang berkaitan dengan pelayanan kontrasepsi [2]. 2.3 Kerangka Pemikiran Masalah Prediksi jumlah peserta KB baru Tujuan Memprediksi jumlah peserta KB baru melalui penerapan Jaringan Syaraf Tiruan Metode Backpropagation Eksperimen Data Metode Tools Jumlah peserta KB baru per bulannya pada tahun Backpropagation MatLab 7.1 Hasil Jaringan syaraf tiruan dengan metode backpropagation mampu memprediksi jumlah peserta KB baru Manfaat Mempermudah pihak Dinas Badan KB dan PP dalam memprediksi jumlah peserta KB baru Gambar 2.6 Kerangka pemikiran penelitian

44 BAB III METODE PENELITIAN 3.1 Obyek Penelitian Obyek penelitian yang digunakan adalah data peserta KB baru di Kabupaten Semarang dari berbagai kecamatan dan jenis alat kontrasepsi. Data yang digunakan dari tahun Namun, data yang digunakan sebagai pelatihan data tahun 2011 dan tahun Sedangkan data tahun 2013 digunakan sebagai pengujian. Data tahun 2013 digunakan sebagai pembanding data hasil prediksi tahun 2013 dengan data asli tahun Metode Pengumpulan Data Jenis Data Jenis data yang digunakan pada penelitian ini adalah data kuantitatif. Data kuantitatif merupakan data berupa angka. Data dalam penelitian ini yang digunakan adalah data peserta KB baru pada bulan Januari 2011 sampai bulan Desember Sumber Data Data didapatkan dari Dinas Badan KB dan PP. Data tersebut termasuk data sekunder karena di dapatkan dari Dinas. Variabel yang digunakan untuk memprediksi yaitu : 1. PENC (Pencapaian) IUD 2. PENC (Pencapaian) MOP 3. PENC (Pencapaian) MOW 4. PENC (Pencapaian) IMPLANT 5. PENC (Pencapaian) SUNTIK 6. PENC (Pencapaian) PIL 7. PENC (Pencapaian) KONDOM 8. TOTAL PB (Peserta Baru) PENC(Pencapaian) 32

45 Tahapan Penelitian Pengelompokan Data Data yang telah didapatkan dari Badan KB dan PP di normalisasi sehingga terdiri dari 7 variabel sebagai input dan 1 target sebagai ouput. Data dikelompokan berdasarkan jenis-jenis alat kontrasepsi yang digunakan oleh peserta KB baru Perancangan Arsitektur Jaringan Syaraf Tiruan Arsitektur JST dibuat dengan menentukan banyaknya input layer, hidden layer, dan output layer yang akan digunakan dalam training. Jumlah hidden tidak terdapat ketentuan khusus terkait jumlah hidden layer yang dibutuhkan [5]. X 1 Z 1 Z 2 X 2 Z 3 X 3 Z 4 X 4 y Z 5 X 5 Z 6 X 6 Z 7 X 7 Z Gambar 3.1 Arsitektur Jaringan

46 34 Langkah yang harus dilakukan pada metode backpropagation dengan Matlab adalah membuat inisialisasi jaringan. Setelah dilakukan inisialisasi jaringan selanjutnya adalah inisialisasi bobot. Bobot awal terdiri dari bobot masukan ke lapisan tersembunyi, bobot bias ke lapisan tersembunyi, bobot tersembunyi ke lapisan keluaran, dan bobot bias pada lapisan tersembunyi ke lapisan keluar. Dalam membentuk jaringan Backpropgation, Matlab memberi nilai bobot dan bias awal secara acak. Bobot dan bias akan berubah apabila setiap kali membentuk jaringan. Namun, apabila ingin member bobot tertentu, dapat dilakukan dengan memeberi nilai pada net.iw, net.lw dan net.b. Terdapat perbedaan antara net.iw dan net.lw. Net.IW{j,i} digunakan sebagai variabel yang menyimpan bobot dari unit masukan lapisan i ke unit lapisan tersembunyi (atau lapisan keluaran) layer j. Pada Backpropagation layer masukan hanya dapat terhubung dengan layer tersembunyi yang berada di bagian paling bawah, maka bobot disimpan di dalam net.iw{1,1}. Sedangkan net.lw{k,j} untuk menyimpan bobot dari lapisan tersembunyi j ke lapisan tersembunyi k. Contoh : net.lw{2,1} sebagai penyimpanan bobot dari lapisan tersembunyi yang berada paling bawah ke lapisan tersembunyi yang berada paling atas [9] Inisialisasi Parameter Ada beberapa parameter pelatihan dapat diatur sebelum pelatihan dilakukan. Dengan memberi nilai pada parameter maka hasil yang akan diperoleh akan lebih optimal.

47 35 net.trainparam.show adalah digunakan untuk menampilkan frekuensi perubahan mse (default : setiap 25 epochs). net.trainparam.epochs adalah digunakan untuk menentukan jumlah epoch maksimum pelatihan (default : 100 epochs). net.trainparam.goal adalah digunakan untuk menentukan batas nilai mse agar iterasi dihentikan. Iterasi akan berhenti jika mse < batas yang ditentukan dalam net.trainparam.goal atau jumlah epoch yang mencapai batas yang telah ditentukan. net.trainparam.lr adalah digunakan untuk menentukan laju pemahaman. Apabila laju pemahaman semakin besar nilainya maka semakin cepat proses pelatihan (default : 0,01) Pelatihan / Training Proses pelatihan Pelatihan Backpropagation dibagi menjadi 3 fase, yaitu propagasi maju, propagasi mundur, dan perubahan bobot. Training jaringan syaraf tiruan merupakan proses pengenalan pola data, yaitu set pola data training. Training jaringan syaraf tiruan dilakukan dengan menyesuaikan nilai-nilai bobot yang ditetapkan di awal training agar menghasilkan jaringan terlatih (net). Kondisi penghentian training yaitu tercapainya nilai MSE di akhir training. Training dihentikan apabila nilai MSE di akhir training lebih kecil atau sama dengan nilai MSE yang ditetapkan pada awal training. Tetapi apabila nilai MSE di akhir training lebih besar dari nilai MSE yang ditetapkan di awal

48 36 training, maka proses training akan dilanjutkan ke tahap propagasi balik [5]. Pengenalan pola dilakukan dengan cara penyesuain nilai bobot (dalam penelitian ini nilai bobot ditentukan secara random). Penghentian penyesuaian bobot dalam penggenalan pola apabila error yang dihasilkan kurang dari Error dihitung setelah tahapan forward Propagation. Apabila error lebih besar dari max (10-9) maka pelatihan akan dilanjutkan ke tahap backward propagation [10]. Berikut perintah yang digunakan dalam proses training : net=train(net,pn,tn); bobot_awal_input_hidden = net.iw{1,1}; bobot_awal_bias_hidden = net.b{1,1}; bobot_awal_hidden_output = net.lw{2,1}; bobot_awal_bias_output = net.b{2,1}; Simulasi1=sim(net,pn); Pengujian/Testing Testing dilakukan dengan memberikan input berupa sebagian dari data yang tidak diikutsertakan dalam proses pelatihan. Sebagai pembanding pada proses validasi, digunakan target pada data observasi [5]. Pengujian data yang dilakukan bertujuan untuk mengetahui apakah jaringan mampu mengenali pola data pelatihan dari input data yang diberikan [10] Nilai MSE Nilai Mean Square Error (MSE) pada satu siklus pelatihan adalah nilai kesalahan (error(e) = nilai keluaran - nilai masukan) rata-rata dari seluruh record (tupple) yang

49 37 dipresentasikan ke Jaringan syaraf tiruan dan dirumuskan sebagai: MSE = e 2 Jumlah record (13) 3.4 CaraPengujian Data Input Proses Peramalan Jaringan Syaraf Tiruan dengan Algoritma Backpropagation Hasil Peramalan Gambar 3.2 Skema Pengujian Mulai Mempelajari sistem aplikasi yang akan dibuat Menetapkan data pelatihan dan data pengujian yang akan digunakan Menetapkan target error Menetapkan epoch (langkah yang dilakukan dalam pembelajaran) Proses membuat program Apakah target error telah tercapai? Tidak Ya Hasil prediksi menggunakan Jaringan Syaraf Tiruan Selesai Gambar 3.3 Diagram Alur Pembuatan Sistem

50 BAB IV ANALISA DAN PEMBAHASAN 4.1 Pengelompokan Data Pada penelitian ini data yang digunakan adalah data peserta KB baru yang didapatkan dari Badan KB dan PP Kabupaten Semarang. Data yang digunakan dari tahun Data peserta KB baru adalah jumlah pengguna KB yang baru menggunakan alat kontrasepsi. Berikut data yang digunakan untuk penelitian : Tabel 4.1 Data peserta KB baru BULAN X1 X2 X3 X4 X5 X6 X7 TARGET TAHUN 2011 JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER TAHUN 2012 JANUARI FEBRUARI

51 39 MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER TAHUN 2013 JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Keterangan : X1 = IUD X4 = IMPLANT X7 = KONDOM X2 = MOP X5 = SUNTIK X3 = MOW X6 = PIL

52 Perancangan Arsitektur Jaringan syaraf Tiruan Berikut perintah untuk membentuk jaringan : net=newff(minmax(pn),[8 1],{'logsig','purelin'},trainNm): bobot_awal_input_hidden = net.iw{1,1}; bobot_awal_bias_hidden = net.b{1,1}; bobot_awal_hidden_output = net.lw{2,1}; bobot_awal_bias_output = net.b{2,1}; 4.3 Inisialisasi Parameter Nilai parameter yang digunakan peneltian prediksi peserta KB baru sebagai berikut : net.trainparam.epochs = 1000; net.trainparam.goal = ; net.trainparam.lr = 0.5; net.trainparam.show = 250; 4.4 Proses dan Hasil Pelatihan / Training Dalam proses pelatihan data yang digunakan berjumlah 24 data yaitu data dari tahun Data dibagi menjadi 2, yaitu data tahun 2011 dan data Sehingga data dilakukan proses pelatihan setiap tahun. Data terdiri dari 7 variable sebagai input dan 1 target sebagai output. BULAN X1 Tabel 4.2 Data pelatihan tahun 2011 X2 X3 X4 X5 X6 X7 T JANUARI FEBRUARI MARET APRIL

53 41 MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Pelatihan backpropagation menggunakan metode penurunan gradient descent dengan momentum traingdm. Setiap dilakukan iterasi akan terjadi nilai galat dan nilai bobot akan berubah menggunakan metode gradient descent. Metode gradient descent akan memperbaruhi nilai bobot. Dalam pelatihan data peserta KB baru tahun 2011 jumlah iterasi sebanyak 555 selama 4 detik untuk mencapai nilai error tujuan. Proses tersebut terjadi dalam waktu yang singkat di karenakan sedikitnya data yang digunakan dalam proses pelatihan. Gambar 4.1 Pelatihan jaringan syaraf tiruan pada tahun 2011

54 42 Setelah pelatihan berhenti maka otomatis nilai bobot akan diperbaruhi. Berikut hasil nilai bobot awal pada pelatihan data peserta KB baru tahun 2011 : Tabel 4.3 Bobot awal dari masukan ke lapisan tersembunyi X 1 X 2 X 3 X 4 X 5 X 6 X 7 Z Z Z Z Z Z Z Z Tabel 4.4 Bobot awal dari bias ke lapisan tersembunyi 1 Z Z Z Z Z Z Z Z Tabel 4.5 Bobot awal dari lapisan tersembunyi ke keluaran Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z 7 Z 8 Y

55 43 Tabel 4.6 Bobot awal dari bias ke keluaran 1 Y Arsitektur jaringan yang dibentuk terdapat 8x7 bobot awal dari masukan ke lapisan tersembunyi sebagai inisialisasi secara random. Angka 8 adalah menunjukkan jumlah unit pada lapisan tersembunyi sedangkan angka 7 adalah jumlah masukan yaitu x 1, x 2, x 3, x 4, x 5, x6, dan x 7. Sedangkan bobot awal dari bias ke palisan tersembunyi adalah 8x1. Angka 8 menunjukkan jumlah lapisan tersembunyi dan angka 1 menunjukkan jumlah nilai bias. Bobot awal dari lapisan tersembunyi ke lapisan keluar yaitu 1x8. Angka 1 menunjukkan jumlah keluaran dan angka 8 menunjukkan jumlah lapisan tersembunyi. Setiap melakukan pelatihan nilai bobot awal akan berubah karena nilai tersebut di dapatkan secara acak. Tabel 4.7 Hasil pelatihan data tahun 2011 BULAN TARGET PREDIKSI ERROR (e) JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER

56 44 Tabel 4.8 Perbandingan hasil prediksi dengan data asli tahun 2012 BULAN PREDIKSI DATA ASLI 2012 JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Tabel 4.9 Hasil normalisasi pelatihan data tahun 2011 BULAN TARGET PREDIKSI ERROR (e) JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER

57 45 OKTOBER NOVEMBER DESEMBER Gambar 4.2 Grafik hasil pelatihan data tahun 2011 Berdasarkan Gambar 4.2 dalam proses pengujian data peserta KB baru pada tahun 2011 terlihat hasil antara input dan target berdekatan. Sehingga nilai keluaran yang dihasilkan cukup baik. Gambar 4.3 Grafik nilai MSE pada pelatihan data tahun 2011

58 46 Berdasarkan dari hasil pelatihan menggunakan data tahun 2011 nilai MSE didapatkan sebesar pada iterasi ke-555. BULAN X1 Tabel 4.10 Data pelatihan tahun 2012 X2 X3 X4 X5 X6 X7 T JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Pelatihan backpropagation menggunakan metode penurunan gradient descent dengan momentum traingdm. Setiap dilakukan iterasi akan terjadi nilai galat dan nilai bobot akan berubah menggunakan metode gradient descent. Metode gradient descent akan memperbaruhi nilai bobot. Dalam pelatihan data peserta KB baru tahun 2012 jumlah iterasi sebanyak 737 selama 5 detik untuk mencapai nilai error tujuan. Proses tersebut terjadi dalam waktu yang singkat di karenakan sedikitnya data yang digunakan dalam proses pelatihan.

59 47 Gambar 4.4 Pelatihan jaringan syaraf tiruan pada tahun 2012 Setelah pelatihan berhenti maka otomatis nilai bobot akan diperbaruhi. Berikut hasil nilai bobot awal pada pelatihan data peserta KB baru tahun 2012 : Tabel 4.11 Bobot awal dari masukan ke lapisan tersembunyi X 1 X 2 X 3 X 4 X 5 X 6 X 7 Z Z Z Z Z Z Z Z

60 48 Tabel 4.12 Bobot awal dari bias ke lapisan tersembunyi 1 Z Z Z Z Z Z Z Z Tabel 4.13 Bobot awal dari lapisan tersembunyi ke keluaran Z 1 Z 2 Z 3 Z 4 Z 5 Z 6 Z 7 Z 8 Y Tabel 4.14 Bobot awal dari bias ke keluaran 1 Y Arsitektur jaringan yang dibentuk terdapat 8x7 bobot awal dari masukan ke lapisan tersembunyi sebagai inisialisasi secara random. Angka 8 adalah menunjukkan jumlah unit pada lapisan tersembunyi sedangkan angka 7 adalah jumlah masukan yaitu x 1, x 2, x 3, x 4, x 5, x6, dan x 7. Sedangkan bobot awal dari bias ke palisan tersembunyi adalah 8x1. Angka 8 menunjukkan jumlah lapisan tersembunyi dan angka 1 menunjukkan jumlah nilai bias. Bobot awal dari lapisan tersembunyi ke lapisan keluar yaitu 1x8. Angka 1 menunjukkan jumlah keluaran dan angka 8 menunjukkan jumlah lapisan tersembunyi. Setiap melakukan pelatihan nilai bobot awal akan berubah karena nilai tersebut di dapatkan secara acak.

61 49 Tabel 4.15 Hasil pelatihan data tahun 2012 BULAN TARGET PREDIKSI ERROR (e) JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Tabel 4.16 Perbandingan hasil prediksi dengan data asli tahun 2013 BULAN PREDIKSI DATA ASLI 2013 JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER

62 50 OKTOBER NOVEMBER DESEMBER Tabel 4.17 Hasil normalisasi pelatihan data tahun 2012 BULAN TARGET PREDIKSI ERROR JANUARI FEBRUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBER OKTOBER NOVEMBER DESEMBER Gambar 4.5 Grafik hasil pelatihan data 2012

63 51 Berdasarkan Gambar 4.4 dalam proses pengujian data peserta KB baru pada tahun 2012 terlihat hasil antara input dan target berdekatan. Sehingga nilai keluaran yang dihasilkan cukup baik. Gambar 4.6 Grafik nilai MSE pada pelatihan data tahun 2012 Berdasarkan dari hasil pelatihan menggunakan data tahun 2012 nilai MSE didapatkan sebesar pada iterasi ke Proses dan Hasil Pengujian / Testing Pada tahap pengujian pada jaringan syaraf tiruan bertujuan untuk mengetahui dan melihat apakah jaringan syaraf tiruan mampu untuk mengenali pola data pelatihan dari input data baru yang diberikan [5]. Tabel 4.18 Data pengujian tahun 2013 BULAN X1 X2 X3 X4 X5 X6 X7 T JANUARI FEBRUARI