III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia. Lambatnya tanggapan pemerintah terhadap sinyal-sinyal risis ini menyebaban eadian elangaan pupu teradi hampir merata di seluruh Indonesia. Setelah risis elangaan teradi barulah pemerintah bertinda untu menanganinya. Hal ini berpengaruh terhadap nasib petani yang berhubungan langsung dengan omoditi pupu tersebut, sehingga dalam asus ini bisa dibilang petanilah yang menanggug beban elangaan pupu yang teradi. Untu mengatasi hal tersebut diperluan sistem detesi dini yang menangap sinyal-sinyal risis yang emunginan aan teradi sehingga pemerintah dapat melauan tindaan sebelum suatu risis teradi. Hal ini tentunya aan membantu piha petani agar tida selalu menderita menanggung harga pupu yang berada auh di atas harga eceran tertinggi yang ditentuan oleh pemerintah. Oleh arena alasan tersebutlah dibuat aian husus tentang sistem detesi dini bagi petani padi ini. Kaian ini diawali dengan menganalisis fator dan variabel penentu dalam sistem distribusi pupu bersubsidi dengan menggunaan teni perbandingan esponensial dan AHP. Fator dan variabel penentu ini aan diadian sebagai masuan dalam pengembangan sistem detesi dini distribusi pupu bersubsidi bagi petani padi. Sementara itu, arsitetur prototipe detesi dini dirancang untu menduung proses pengambilan eputusan sebelum dan sesudah teradi risis elangaan persediaan pupu. Prototipe ini mempunyai arsitetur sistem yang secara onseptual menyediaan fasilitas input data dan informasi, model pemrosesan data dan menghasilan output berupa informasi intensitas risis dan saran tinda lanutnya. Input model berupa data yang didapatan dari distributor resmi dan elompo tani secara periodi. Data dan informasi ini sesuai dengan strutur rancangan database model detesi dini. Model detesi dini mengolah input data primer dan seunder yang didapat dari BPS serta instansi terait. Gambar 13 menelasan model onseptual arsitetur prototipe detesi dini manaemen risis penyediaan pupu bersubsidi untu petani padi. Dinas Pertanian Gambar 13. Konsep arsitetur prototipe detesi dini manaemen risis penyediaan pupu bersubsidi bagi petani padi 21
3.2 Tahapan Penelitian Proses dan metode dalam penelitian ini terdiri atas beberapa tahapan. Keranga tahapan penelitian disaian dalam Gambar 14. Mulai Studi literatur, wawancara, dan survey lapang Identifiasi Masalah - Metode Perbandingan Esponensial - Analytical Hierarchy Process (Saaty, 1980) Analisis Fator Kritis Penyediaan Pupu Bersubsidi Pelatihan JST - Artificial Neural Networ : Probabilistic & Bacward Propogation (Patterson 1996, Seminar et al 2006) Penguian JST Ui Model (OK)? Tida Selesai Ya Gambar 14. Tahapan proses penelitian dan metode yang digunaan 3.2.1 Identifiasi Masalah Identifiasi masalah dilauan dengan turun e lapang dan melauan wawancara serta uga studi literatur untu mendapatan gambaran umum tentang permasalahan distribusi dan elangaan yang teradi. Pada aringan syaraf tiruan, identifiasi masalah diperluan untu menganalisis hasil yang diharapan. Hal ini penting dilauan untu mendapatan data yang relevan dengan masalah penelitian yang aan dilauan sehingga hasil yang diharapaan dapat digunaan pada tahap selanutnya. 3.2.2 Analisis Fator Kritis Penyediaan Pupu Bersubsidi Pada tahap ini dilauan analisis untu menentuan fator-fator yang mungin dan relevan yang dapat mengaibatan elangaan pupu urea yang teradi di Kabupaten Banyumas. Dari fator- 22
fator yang didapatan tersebut dilauan pengurutan berdasaran tingat penyebab utama elangaan yang teradi dengan menggunaan Metode Perbandingan Esponensial. Setelah diurutan fator penyebab tersebut dianalisis embali dengan Analytical Hierarchy Process berdasaran penilaian paar. Langah selanutnya adalah membuang fator yang diduga buan merupaan fator ritis dan mengumpulan data seunder dari fator ritis dari dinas setempat dan uga BPS serta berbagai sumber lain. Setelah data terumpul, data dinormalisasi e dalam selang 0.1 dan 0.9 menggunaan persamaan sebagai beriut : 0.8x minx maxx minx 0.1 Normalisasi ini dilauan mengingat salah satu fungsi atifasi sigmoid yang aan digunaan merupaan fungsi asimoti yang nilainya tida pernah mencapai nilai 0 ataupun 1 (Siang 2009). 3.2.3 Pelatihan Jaringan Meruu dari penelitian sebelumnya oleh Seminar et al. (2009) maa arsitetur yang digunaan adalah Multi-Layer Percepton dengan menggunaan 2 hidden layer dan Algoritma pembelaarannya adalah Bacpropagation. Menurut Siang (2009), aringan dengan satu hidden layer sudah cuup untu sembarang perawanan antara masuan dan target dengan tingat etelitian yang ditentuan. Aan tetapi penambahan umlah hidden layer adangala membuat pelatihan menadi lebih mudah. Dalam Algoritma Bacpropagtion setidanya ada 3 langah penting dalam pelatihan aringannya, yaitu tahap Fase Mau, Fase Mundur, dan Perubahan Bobot. Beriut adalah tahapan detail dari setiap langah pelatihan Jaringan Bacpropagation. Langah 0. Inisialisasi bobot (biasanya digunaan nilai aca yang ecil) set lau pembelaaran Langah 1. Selama syarat henti salah, lauan langah 2 11 Langah 2. Untu setiap pasangan pelatihan (masuan dan target), lauan langah 3 10. Fase Mau Langah 3. Langah 4. Langah 5. Setiap unit masuan (X i, i=1,..., n) menerima sinyal masuan x i dan menerusannya e seluruh unit pada lapisan di atasnya (hidden units). Setiap unit tersembunyi esatu (Z h, h = 1,., q) menghitung total sinyal masuan terbobot, z _ in h u o n i1 x u lalu menghitung sinyal eluarannya dengan fungsi ativasi, z h f ( z _ inh ) dan mengiriman sinyal ini eseluruh unit pada lapisan tersembunyi edua Setiap unit tersembunyi pada lapisan edua (ZZ, = 1,., p) menghitung total sinyal masuan terbobot, zz _ in v o n i1 i z h i ih lalu menghitung sinyal eluarannya dengan fungsi ativasi, zz f zz _ in ) ( v h 23
Langah 6 Setiap unit output (Y, = 1,...,m) menghitung total sinyal masuan terbobot, y _ in w 0 p 1 zz w, lalu menghitung sinyal eluaran dengan fungsi ativasi y f ( y _ in ) Fase Mundur Langah 7. Langah 8. Langah 9 Setiap unit output (Y, =1,,m) menerima sebuah pola target yang sesuai dengan pola masuan pelatihannya. Unit tersebut menghitung error, ( t y ) f ' ( y _ in ) emudian menghitung oresi bobot (digunaan untu mengubah w ) w dan menghitung oresi bias w 0 zz serta mengiriman nilai e unit pada lapisan tersembunyi (ZZ, = 1.p) Setiap unit tersembunyi (ZZ, = 1.p) menghitung selisih input (dari unit-unit pada layer di atasnya), m _ in w 1 lalu mengaliannya dengan turunan fungsi ativasi untu menghitung informasi errornya, _ in f ' ( zz _ in ) selanutnya menghitung oresi bobot untu mengubah v i nanti, v x dan menghitung oresi biasnya v i 0 dan mengirim e lapisan tersembunyi e dua (Z h, h=1...q). Untu setiap lapisan tersembunyi (Z h, h=1...q): Menumlahan bobot input dari unit-unit pada layer di atasnya, _ in h v p 1 i lalu mengaliannya dengan turunan fungsi ativasi untu menghitung informasi errornya, h _ inh f '( z _ inh ) selanutnya menghitung oresi bobot untu mengubah v i nanti, uih h xi dan menghitung oresi biasnya v 0 h 24
Perubahan bobot dan bias Langah 10. Setiap unit output (Y, = 1,..., m) mengubah bias dan bobot-bobotnya (=0,...,p); w ( new) w ( old ) w Setiap unit tersembunyi, ZZ, (h=0...q : =1,..,p) mengubah bias dan bobotnya v h h ( new) v ( old ) v Setiap unit tersembunyi Z h,(i=0,...,n : h =1,..,q) mengubah bias dan bobotnya Langah 11. Ui syarat henti : u ih ( new) u ( old) u ih n 2 Jia besar total square-error ( t y ) lebih ecil dari toleransi yang telah 1 ditentuan atau umlah epoch pelatihan sudah mencapai epoch masimum, maa selesai; ia tida maa embali e langah 1. Nilai toleransi () yang digunaan adalah 1 < 0. ih h Pelatihan aringan ini pada dasarnya bertuuan untu mengubah bobot aringan yang dapat mengingat segala informasi yang telah ita latihan. Proses pelatihan ini biasanya membutuhan watu yang lama untu data yang umlahnya banya arena perubahan bobot dilauan dengan proses iterative hingga batas yang ditentuan tercapai. Batasan inera yang sering digunaan dalam pelatihan aringan Bacpropagation adalah Mean Square Error (MSE). Fungsi ini aan mengambil rata-rata uadrat error yang teradi antara output aringan dan target. 3.2.4 Penguian Jaringan Seperti halnya pelatihan pada aringan Bacpropagation. Pada penguian aringan Bacpropagation pun memilii tahapan yang terstrutur. Beriut adalah tahapan dari penguian Jaringan Bacpropagation. Langah 0. Inisialisasi bobot (digunaan nilai bobot yang diperoleh dari algoritma pelatihan) Langah 1. Untu setiap vetor masuan x, lauan langah 2-6 Langah 2. Set nilai ativasi dari unit masuan, i = 1,..., n xi s i Langah 3. Setiap unit masuan (X i, i=1,..., n) menerima sinyal masuan x i dan menerusannya e seluruh unit pada lapisan di atasnya (hidden units). Langah 4. Setiap unit tersembunyi esatu (Z h, h = 1,., q) menghitung total sinyal masuan terbobot, z _ in h u o n i1 x u lalu menghitung sinyal eluarannya dengan fungsi ativasi, z h f ( z _ inh ) dan mengiriman sinyal ini eseluruh unit pada lapisan tersembunyi edua i i ih 25
Langah 5. Langah 6 Setiap unit tersembunyi pada lapisan edua (ZZ, = 1,., p) menghitung total sinyal masuan terbobot, zz _ in v o n i1 lalu menghitung sinyal eluarannya dengan fungsi ativasi, zz f zz _ in ) z ( Setiap unit output (Y, = 1,...,m) menghitung total sinyal masuan terbobot, y _ in w 0 p 1 zz h v w h, Lalu menghitung sinyal eluaran dengan fungsi ativasi y f y _ in ) ( Pada dasarnya langah penguian sama dengan langah pelatihan namun hanya sampai pada tahap pertama atau tahap feedforward dan tida dilanutan pada tahap selanutnya. Karena tuuan dari proses penguian hanya untu mencari eluaran buan untu melauan perubahan bobot dan minimasi error. 3.2.5 Validasi dan Perhitungan Error Validasi dan perhitungan error bertuuan untu penguuran eaurasian. Ada dua macam perhitungan error yang dipaai, yaitu Mean Square Error (MSE) untu membadingan hasil target aringan dan Mean Absolute Percentage Error (MAPE) untu menghitung persentase tingat aurasi aringan. Validasi yang aan digunaan pada penelitian ali ini adalah validasi silang (cross validation). Validasi silang merupaan suatu metode statisti yang digunaan menganalisa dan menguur eauratan hasil percobaan pada data yang independen. Metode ini membagi sebuah data menadi beberapa subdata yang selanutnya subdata satu digunaan untu mengonfirmasi ebenaran subdata yang lain. MSE merupaan salah satu dari beberapa macam error yang sering dipaai. MSE merupaan rata-rata uadrat dari selisih antara output aringan dengan target output. Tuuan utama adalah memperoleh nilai error ini seecil-ecilnya dengan secara iteratif mengganti nilai bobot yang terhubung pada semua neuron pada aringan syaraf. Untu mengetahui seberapa banya bobot yang harus diganti, setiap iterasi memerluan perhitungan error yang berasosiasi dengan setiap neuron pada output dan hidden layer. Rumus dari MSE yang aan digunaan pada metode aringan syaraf adalah sebagai beriut : Perhitungan MAPE hampir sama dengan perhitungan MAE, hanya hasilnya dinyataan dalam persentase. Formula beriut merupaan rumus dari MAPE : Dimana : m adalah umlah pola yang dihitung n c adalah nilai vetor target atau nilai sebenarnya n d adalah nilai eluaran atau nilai pendugaan. 26
3.3 Identifiasi Fator Kritis Penentuan fator ritis dilauan dengan melauan dua tahapan. Tahapan pertama adalah dengan melauan identifiasi fator risis dilauan dengan teni perbandingan esponensial. Tahap egiatan yang dilauan adalah sebagai beriut: 1. Menyusun semua alternatif fator yang dipertimbangan melalui studi literatur dan wawancara paar. 2. Tentuan riteria-riteria penting dalam pemilihan fator tersebut. 3. Lauan penilaian terhadap semua alternatif fator pada setiap riteria. 4. Susun matri penilaian dan identifiasi arah dan rentang penilaian. 5. Lauan penghitungan sor atau nilai total setiap alternatif fator. 6. Tentuan urutan prioritas fator didasaran pada sor atau nilai total masing-masing alternatif. Sedangan tahapan selanutnya adalah analisis dan prioritasi fator-fator ritis yang mempengaruhi risis penyediaan pupu bersubsidi di Banyumas dilauan dengan menggunaan metode Analitical Hierarchy Process (AHP). Komponen-omponen pada setiap hierari di elaborasi dari analisis dan sintesis pada tahap sebelumnya. 3.4 Arsitetur Jaringan Propagasi Bali Dalam membentu arsitetur aringan ada beberapa hal penting yang harus diperhatian, antara lain learning rate dan momentum. Learning rate menentuan seberapa cepat aringan syaraf tersebut mempelaari pola dari data training. Momentum meningatan ecepatan dalam menemuan nilai yang diinginan. Pemaaian parameter momentum ini bertuuan agar proses penyesuaian bobot tetap cenderung dalam arah yang sama. Nilai ini harus dipilih dengan benar, ia terlalu ecil maa proses pembelaaran aan lama dan ia terlalu besar maa aan teradi penyimpangan. Sedangan momentum menunuan bahwa bobot pada iterasi sebelumnya mempengaruhi bobot searang. Selain learning rate dan momentum ada beberapa hal yang bisa dimanipulasi untu mengoptimalan pelatihan Bacpropagation. Hal-hal tersebut antara lain adalah fungsi ativasi, pemilihan bobot awal, penentuan umlah iterasi, penentuan umlah layer, hidden layer, neuron input, output dan toleransi error berdasaran MSE (Renaldy 2007). 3.4.1 Penentuan Learning rate dan Momentum Tuuan penentuan learning rate dan momentum ini adalah untu menentuan perubahan bobot yang terbai agar target proses pelatihan dengan error yang terecil dapat tercapai sesuai target. Dalam standar Bacpropagation, learning rate berupa suatu onstanta yang nilainya tetap selama proses iterasi. Aibatnya, unu era algoritma sangat dipengaruhi oleh besarnya learning rate yang dipaai. Selain learning rate, momentum uga mempengaruhi perubahan bobot aringan selama masa pelatihan. Penambahan momentum ini dimasudan untu menghindari perubahan bobot yang mencolo aibat adanya data yang sangat berbeda dengan data yang lain (Siang 2009). Dalam penelitian ini aan digunaan beberapa nilai learning rate dan momentum untu mendapatan nilai error yang paling masimal. Penentuan nilai parameter learning rate dan momentum pada penelitian ini ditentuan dengan trial dan error. Adapun nilai momentum dan learning rate adalah onstanta nilai diantara 0 dan 1. 27
Meruu pada penelitian Hendri (2010) aan digunaan masing-masing tiga onstanta untu mencari mana nilai learning rate dan momentum yang terbai yang aan digunaan adalah arsitetur aringan Bacpropagation ini. Adapun nilai Nilai learning rate yang diuicobaan pada penelitian ini adalah 0.005, 0.3, 0.2, 0.1 sedangan nilai momentum yaitu 0.1, 0.6 dan 0.9. 3.4.2 Penentuan Fungsi Ativasi Dalam bacpropagation, fungsi ativasi yang dipaai harus memenuhi beberapa syarat yaitu : continue, terdiferensial dengan mudah dan merupaan fungsi yang tida turun. Alternatif lain adalah menggunaan fungsi linear hanya untu layar output (Siang 2009). Berdasaran tinauan pustaa tersebut maa fungsi yang dipaai dalam pembentuan arsitetur aringan dalam penelitian ini adalah fungsi sigmoid bipolar untu semua fungsi masuan e layar beriutnya dan fungsi linear untu layar eluaran. 3.4.3 Pemilihan Bobot Awal Bobot awal aan mempengaruhi apaah aringan mencapai titi minimum loal atau global dan seberapa cepat onvergensinya. Bobot yang menghasilan nilai turunan ativasi yang ecil sedapat mungin dihindari arena aan menyebaban perubahan bobot menadi sangat ecil. Demiian pula nilai bobot awal tida boleh terlalu besar arena nilai turunan fungsi ativasi menadi ecil uga. Oleh arena itu dalam standar bacpropagation, bobot diisi dengan bilangan aca ecil (Siang 2009). Salah satu cara menentuan bobot dengan bilangan aca ecil adalah dengan menentuannya secara manual untu menghasilan hasil yang bai, namun cara ini teradang tida pratis dan membutuhan tambahan watu untu melauannya. Namun pada penelitian ini penentuan bobot aringan ditentuan oleh MATLAB secara aca agar mempercepat proses pelatihan aringannya. 3.4.4 Penentuan Jumlah Iterasi Jumlah iterasi sering uga disebut uga sebagai epoch dalam Bacpropagation. Satu epoch adalah satu silus yang melibatan seluruh pola data training (training pattern). Dalam proses belaar aringan bacpropagation biasanya memerluan banya epoch. Pada penelitian ini ditentuan banyanya iterasi yang dilauan pada proses belaar adalah 5000 epoch. Jumlah ini diperiraan cuup dan merupaan referensi dari penelitian Seminar et al. (2009) dapat menghasilan performansi aringan yang bai. 3.4.5 Penentuan Jumlah Layer, Hidden Layer, dan Neuron Input dan Output Penentuan arsitetur hidden layer terdiri atas dua bagian, yaitu penentuan umlah layar dan uuran layar. Jumlah layar yang digunaan dalam hidden layer adalah satu layar. Hal ini dilauan arena dua pertimbangan, yaitu arena umlah data training dan watu training. Selain itu performansi dengan satu hidden layer uga bai untu networ dengan node yang tida begitu banya. Dalam penelitian ini, digunaan umlah unit input terdiri dari delapan input data dengan dua unit hidden layer dan satu unit output. 28
3.4.6 Penentuan Toleransi Galat Dalam Bacpropagation defaultnya perhitungan unu era dilauan berdasaran uadrat rata-rata esalahan atau Mean Square Error (MSE). MSE digunaan untu menampilan batas nilai agar iterasi dihentian. Iterasi aan berhenti ia MSE lebih ecil daripada batas yang ditentuan atau umlah epoch mencapai batas yang ditentuan. Pada penelitian ini, nilai yang diset adalah 0.0000005. hal ini disesuaian dengan pendapat Dhaneswara et al. (2004), semain ecil MSE, JST semain ecil esalahannya dalam mempredisi elas dari record yang baru. Maa pelatihan JST dituuan untu memperecil MSE dari satu silus e silus beriutnya sampai selisih nilai MSE pada silus ini dengan silus sebelumnya lebih ecil atau sama dengan batas minimal yang diberian. Rincian arsitetur aringan yang aan dirancang untu melauan pelatihan Bacpropagation disaian pada Tabel 2. Tabel 2. Arsitetur JST yang aan diembangan Karateristi Spesifiasi Neuron input layer 9 neuron Jumlah Hidden layer 2 layer Neuron output layer 1 neuron Fungsi ativasi Sigmoid bipolar dan linear Toleransi galat 0.0000005 Epoch / Iterasi 5000 Penentuan Bobot Bilangan aca ecil dari MATLAB 3.5 Data Percobaan dan Pelatihan Oleh arena aringan syaraf tiruan beera berdasaran pola watu masa lalu, maa pada penelitian ini digunaan seumlah data deret watu yaitu data-data fator penyebab risis pada tahapan analisis sebelumnya. Adapun contoh data yang emunginan merupaan fator penyebab elangaan pupu adalah data ebutuhan pupu Urea, data penggunaan dosis pupu urea, data loss pupu selama distribusi, data perbedaan harga antara pupu subsidi dan non-subsidi, data besarnya subsidi yang diberian oleh pemerintah, data perubahan harga gabah dan bahan bau dan data lain yang berhubungan dengan penyebab elangaan pupu dari 27 ecamatan yang ada di Kabupaten Banyumas. Data input ini merupaan data deret watu yang diambil dari Januari 2006 hingga Desember 2008. Atribut-atribut tersebut dipilih arena eteraitan antar atribut diperoleh dengan menggunaan metode ausalitas antar atribut data. Data yang diperoleh aan dibagi menadi dua bagian, yaitu data yang digunaan sebagai data pelatihan dan sisanya data yang digunaan sebagai data penelitian atau simulasi. Pembagian data ini dilauan dengan Rasio 80: 20. Nilai ini memilii arti 80% data digunaan sebagai data pelatihan aringan dan 20% data digunaan sebagai data penelitian atau simulasi (Salya 2006). 29
3.6 Watu dan Tempat Penelitian Penelitian ini dilauan mulai dari bulan July sampai dengan Otober 2010 bertempat di Kabupaten Banyumas tepatnya di Dinas Pertanian Tanaman Pangan. Pengolahan data dan uicoba Jaringan dilauan di Laboratorium Teni Manaemen Industri, Institut Pertanian Bogor. 3.7 Spesifiasi Sistem Pengimplementasian sistem aringan syaraf tiruan ini menggunaan MATLAB versi 7.8.0.347 (R2009a). MATLAB merupaan perangat luna yang coco dipaai sebagai alat omputasi yang melibatan data yang banya dan menggunaan matris dan vetor. Fungsi-fungsi yang terdapat pada toolbox MATLAB memudahan pengguna melauan perhitungan dengan menggunaan data yang besar. Selain itu, MATLAB uga menyediaan fungsi-fungsi husus untu menyelesaian model aringan syaraf tiruan (Siang 2009). Spesifiasi perangat eras dan perangat luna lainnya yang digunaan dalam penelitian ini adalah : 1. CPU : Intel Dual Core T2130 @ 1.86GHz 1 MB Cache 2. Memory 1 GB Memory 3. Mouse 4. Modem 5. Sistem operasi Microsoft Windows XP SP 2 6. Microsoft Office 2007. 7. Expert Choice. 30