OPTIMASI JUMLAH HIDDEN NODES EXTREME LEARNING MACHINE MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG Tesis untuk Memperoleh Gelar Magister pada Program Magister, Program Studi Teknik Elektro, Program Pascasarjana Universitas Udayana I PUTU SUSILA HANDIKA NIM 1491761017 PROGRAM MAGISTER PROGRA STUDI TEKNIK ELEKTRO PROGRAM PASCASARJANA UNIVERSITAS UDAYANA DENPASAR 2016 ii
Lembar Pengesahan TESIS INI TELAH DISETUJUI PADA TANGGAL 7 JANUARI 2016 Pembimbing I, Pembimbing II, Prof. Ir. Ida Ayu Giriantari, MEng.Sc.,Ph.D NIP 196512131991032001 Dr. Ir. Agus Dharma, MT. NIP 196508011991031004 Mengetahui Ketuan Program Magister Program Studi Teknik Elektro Program Pascasarjana Universitas Udayana, Direktur Program Pascasarjana Universitas Udayana, Prof. Ir. Ida Ayu Giriantari, MEng.Sc.,Ph.D NIP 196512131991032001 Prof. Dr, dr. A.A. Raka Sudewi, Sp.S(K) NIP 196508011991031004 iii
Tesis Ini Telah Diuji pada Tanggal 7 Januari 2016 Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana, No : 0240/UN14.4/HK/2016 Ketua : Prof. Ir. A. Dwi Giriantari, MEngSc., PhD Anggota : 1. Dr. Ir. Agus Dharma, MT 2. Dr. Ir. Made Sudarma, M.A.Sc 3. Wayan Gede Ariastina, ST., MEngSc., PhD 4. I Nyoman Satya Kumara, ST., MSc., PhD iv
SURAT KETERANGAN BEBAS PLAGIAT Nama : I Putu Susila Handika NIM : 1491761017 Program Studi Judul : Magister Teknik Elektro : OPTIMASI JUMLAH HIDDEN NODES EXTREME LEARNING MACHINE MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG Dengan ini menyatakan bahwa karya tulis ilmiah Tesis ini bebas plagiat. Apabila dikemudian hari terbukti terdapat plagiat dalam karya ilmiah ini, maka saya bersedia menerima sangsi sesuai peraturan Mendiknas RI No. 17 Tahun 2010 dan Peraturan Perundang-undangan yang berlaku. Denpasar, 7 Januari 2016 Yang membuat pernyataan, I Putu Susila Handika v
UCAPAN TERIMA KASIH Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat dan hidayah-nya penulis dapat menyelesaikan tesis dengan judul Optimasi Jumlah Hidden Nodes Extreme Learning Machine Menggunakan Metode Particle Swarm Optimization Untuk Peramalan Penjualan Barang. Dalam menyelesaikan tesis ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tesis ini, antara lain : 1. Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana. 2. Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K). atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister pada Program Pascasarjana Universitas Udayana. 3. Prof. Ir. Ida Ayu Giriantari, Meng.Sc.,Ph.D selaku dosen pembimbing I, atas bimbingan, pengarahan, saran, dan dukungan selama penyusunan tesis ini. 4. Dr. Ir. Agus Dharma, MT. selaku dosen pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran kepada penulis. 5. Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD selaku Rektor Universitas Udayana atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana. 6. Seluruh Dosen khususnya dosen Program Magister Teknik Elektro Universitas Udayana atas ilmu yang telah diberikan. vi
vii 7. Dr.Ir.Made Sudarma, M.A.Sc, Wayan Gede Ariastina, ST.,MengSc.,PhD, I Nyoman Satya Kumara, ST.,MSc.,PhD, yang telah memberikan masukan, saran, sanggahan, dan koreksi sehingga tesis ini dapat terwujud. 8. Orang tuaku tercinta Made Artini, S.pd., dan Drs. I Made Arka yang tiada hentinya memberikan doa, semangat, dan pengorbanan yang sangat besar. 9. Saudaraku I Kadek Susila Satwika yang selalu menjadi motivasi selama pengerjaan tesis. 10. Teman-teman seperjuanganku Agus Pradnyana Jaya, Prima Winangun, Agus Mahardiananta, Krisna Nasurya atas semangat dan dukungannya. 11. Semua pihak yang telah membantu dalam penyusunan laporan ini yang tidak dapat kami sebutkan satu per satu. Penulis menyadari bahwa penulisan tesis yang telah dibuat masih jauh dari kesempurnaan. Oleh karena itu, penulis sangat mengharapkan kritik dan saran yang membangun dari pembaca.
ABSTRAK OPTIMASI JUMLAH HIDDEN NODES EXTREME LEARNING MACHINE MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG Extreme Learning Machine (ELM) merupakan salah satu metode pembelajaran dari Artificial Neural Network yang memberikan tingkat akurasi dan kecepatan yang lebih baik dari pada metode pembelajaran lainnya. Salah satu kelemahan dari metode ELM adalah jumlah hidden nodes ditentukan dengan cara try and error, sehingga tidak bisa diketahui berapa jumlah hidden nodes yang tepat untuk mendapatkan hasil peramalan menggunakan metode ELM. Untuk mengatasi masalah tersebut digunakan metode optimasi Particle Swarm Optimization untuk mencari jumlah hidden nodes yang optimal. Data yang digunakan untuk keperluan analisis adalah data time series penjualan barang salah satu minimarket di Bali. Hasil peramalan akan diukur mengunggunakan Mean Square Error (MSE) dengan data uji yang sama. Hasil penelitian menunjukkan metode PSO dapat diterapkan pada metode ELM untuk mengoptimasi jumlah hidden nodes. MSE yang dihasilkan oleh metode PSO ELM lebih kecil dibanding metode ELM. Selain itu range error yang dihasilkan oleh metode PSO ELM juga lebih kecil dibanding metode ELM. Kata kunci: Peramalan; Extreme Learning Machine; Particle Swarm Optimization, Mean Square Error. viii
ABSTRACT OPTIMASI JUMLAH HIDDEN NODES EXTREME LEARNING MACHINE MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG Extreme learning machine ( ELM ) is one of the learning methods from an artificial neural network that gives the level of accuracy and speed the best of to the others. One of the weakness of the ELM is the number of hidden nodes determined by means of try and error, so it can t be known how many hidden nodes to get the exact results of forecasting using ELM. To solve the problem, used Particle Swarm Optimization (PSO) method to find the optimal number of hidden nodes. The data that used for the analysis of time series are selling goods one of minimart in Bali. Forecasting results will be measured using Mean Square Error (MSE) with the same test data. The research results showing PSO method can applied to the ELM method to optimize the numbers of hidden nodes. MSE produced by the PSO ELM method is smaller than ELM method. Range error produce by the ELM PSO method is also smaller than ELM method. Keywords: Forecasting; Extreme Learning Machine; Particle Swarm Optimization, Mean Square Error. ix
DAFTAR ISI SAMPUL DALAM... Error! Bookmark not defined. PRASYARAT GELAR... Error! Bookmark not defined. LEMBAR PERSETUJUAN... iii PENETAPAN PANITIAN PENGUJI... iv PERSYARATAN KEASLIAN PENLEITLIAN... v UCAPAN TERIMA KASIH... vi ABSTRAK... viii ABSTRACT... ix DAFTAR ISI... x DAFTAR GAMBAR... xiii DAFTAR TABEL... xiv DAFTAR ISTILAH DAN SINGKATAN... xv BAB I... 1 PENDAHULUAN... 1 1.1. Pendahuluan... 1 1.2. Rumusan Masalah... 3 1.3. Batasan Masalah... 4 1.4. Tujuan Penelitian... 4 1.5. Manfaat Penelitian... 4 1.5.1. Manfaat Akademis... 4 1.5.2. Manfaat Praktis... 5 1.6. Kebaharuan Penelitian... 5 BAB II... 9 LANDASAN TEORI... 9 2.1. State of The Art... 9 2.2. Persediaan... 11 2.1.1. Fungsi persediaan... 12 2.2. Peramalan... 12 2.2.1. Peranan dan Kegunaan Peramalan... 13 2.2.2. Jenis Peramalan... 14 2.3. Artificial Neural Network... 14 2.3.1. Model Sel Syaraf... 16 x
xi 2.3.2. Fungsi Aktivasi... 17 2.3.3. Arsitektur Jaringan... 18 2.3.4. Proses Belajar... 20 2.3.5. Extreme Learning Machine... 21 2.4. Particle Swarm Optimization... 23 2.5. Akurasi Peramalan... 26 2.6. MATLAB (Matrix Laboratory)... 26 2.6.1. Lingkungan Kerja MATLAB... 27 2.6.2. Menu MATLAB... 27 2.6.3. Aplikasi M-File... 28 BAB III... 29 METODE PENELITIAN... 29 3.1. Rancangan Penetian... 29 3.2. Objek Penelitian... 30 3.3. Sumber Data... 30 3.4. Instrumen Penelitian... 30 3.5. Teknik Pengumpulan Data... 31 3.6. Analisis Sistem... 32 3.7. Penyajian Hasil Analisis... 36 3.8. Jadwal Penelitian... 37 BAB IV... 38 HASIL DAN PEMBAHASAN... 38 4.1. Aplikasi Peramalan... 38 4.2. Pengujian Akurasi... 42 4.2.1. Pengujian menggunakan 20 partikel... 42 4.2.2. Pengujian menggunakan 21 partikel... 44 4.2.3. Pengujian menggunakan 22 partikel... 45 4.2.4. Pengujian menggunakan 23 partikel... 46 4.2.5. Pengujian menggunakan 24 partikel... 48 4.2.6. Pengujian menggunakan 25 partikel... 49 4.2.7. Pengujian menggunakan 26 partikel... 50 4.2.8. Pengujian menggunakan 27 partikel... 52 4.2.9. Pengujian menggunakan 28 partikel... 53 4.2.10. Pengujian menggunakan 29 partikel... 54
xii 4.2.11. Pengujian menggunakan 30 partikel... 56 4.3. Perbandingan MSE Metode PSO-ELM dan ELM... 57 4.4. Waktu Proses Metode PSO-ELM... 58 BAB V... 60 KESIMPULAN DAN SARAN... 60 5.1. Kesimpulan... 60 5.2. Saran... 60 DAFTAR PUSTAKA... 62
DAFTAR GAMBAR Gambar 1.1. Fishbone Diagram Peramalan... 8 Gambar 2.1. Model Neuron (Haykin, 1999)... 17 Gambar 2.2. Feedfordward Network dengan satu lapisan neuron tunggal... 19 Gambar 2.3. Multi layer feedforward networks... 19 Gambar 2.4. Recurent Network... 20 Gambar 2.5. Arsitektur ELM... 22 Gambar 2.6. Form Utama MATLAB... 27 Gambar 2. 7. Menu MATLAB... 28 Gambar 2. 8. Contoh M-File.... 28 Gambar 3.1. Proses Peramalan Menggunakan Metode PSO-ELM.... 32 Gambar 3.2. Subproses PSO-ELM.... 34 Gambar 3.3. Pengujian PSO-ELM.... 36 Gambar 4.1. Input data dan parameter.... 38 Gambar 4.2. Data peramalan pada matlab.... 39 Gambar 4.3. Proses pencarian akurasi minimum PSO.... 39 Gambar 4.4. Grafik hasil peramalan penjulan menggunakan metode PSO-ELM. 40 Gambar 4.5. Grafik hasil peramalan penjualan barang menggunakan metode ELM.... 41 Gambar 4.6. Output Peramalan Penjualan Barang PSO-ELM dan ELM.... 42 Gambar 4.7. Grafik MSE menggunakan jumlah partikel 20.... 43 Gambar 4.8. Grafik MSE menggunakan jumlah partikel 21.... 44 Gambar 4.9. Grafik MSE menggunakan jumlah partikel 22.... 46 Gambar 4.10. Grafik MSE menggunakan jumlah partikel 23.... 47 Gambar 4.11. Grafik MSE menggunakan jumlah partikel 24.... 48 Gambar 4.12. Grafik MSE menggunakan jumlah partikel 25.... 50 Gambar 4.13. Grafik MSE menggunakan jumlah partikel 26.... 51 Gambar 4.14. Grafik MSE menggunakan jumlah partikel 27.... 52 Gambar 4.15. Grafik MSE menggunakan jumlah partikel 28.... 54 Gambar 4.16. Grafik MSE menggunakan jumlah partikel 29.... 55 Gambar 4.17. Grafik MSE menggunakan jumlah partikel 30.... 56 xiii
DAFTAR TABEL Tabel 1.1. Penelitian Mengenai Peramalan... 6 Tabel 3.2. Rancangan Jadwal Penelitian.... 37 Tabel 4.1. Hasil MSE menggunakan jumlah partikel 20.... 43 Tabel 4.2. Hasil MSE menggunakan jumlah partikel 21.... 44 Tabel 4.3. Pengujian menggunakan jumlah partikel 22.... 45 Tabel 4.4. Hasil MSE menggunakan jumlah partikel 23.... 47 Tabel 4.5. Hasil MSE menggunakan jumlah partikel 24.... 48 Tabel 4.6. Hasil MSE menggunakan jumlah partikel 25.... 49 Tabel 4.7 Hasil MSE menggunakan jumlah partikel 26.... 51 Tabel 4.8. Hasil MSE menggunakan jumlah partikel 27.... 52 Tabel 4.9. Hasil MSE menggunakan jumlah partikel 28.... 53 Tabel 4.10. Hasil MSE menggunakan jumlah partikel 29.... 55 Tabel 4.11. Hasil MSE menggunakan jumlah partikel 30.... 56 Tabel 4.12. Perbandingan Hasil Metode PSO-ELM dan ELM... 57 Tabel 4. 13. Spesifikasi Perangkat Pengujian... 58 Tabel 4.14. Hasil Pengujian Waktu Proses Metode PSO ELM... 58 xiv
DAFTAR ISTILAH DAN SINGKATAN AG ANN ELM MATLAB MSE PSO SLFNs : Algoritma Genetika : Artificial Neural Network : Extreme Learning Machine : Matrix Laboratory : Mean Square Error : Particle Swarm Optimization : Single Hidden Layer Feedforward Neural Networks xv
16