Aplikasi Jaringan Syaraf Tiruan Dengan Metode Backpropagation Untuk Forecasting Produksi Gula (Studi Kasus : PT. Perkebunan Nusantara IX Persero / PG Pangka)

PERSERO / PG PANGKA )

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana Program Strata Satu Jurusan Teknik Informatika

Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia

EKA NURANTI

10106202

PROGRAM STUDI S1

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER

UNIVERSITAS KOMPUTER INDONESIA

2010

i

UNTUK FORECASTING PRODUKSI GULA

( STUDI KASUS : PT. PERKEBUNAN NUSANTARA IX PERSERO / PG PANGKA )

oleh Eka Nuranti

10106202

PT Perkebunan Nusantara IX (Persero) merupakan salah satu BUMN yang bekerja dibidang bahan pokok, khususnya produksi gula. Gula merupakan salah satu bahan kebutuhan pokok yang dibutuhkan di Indonesia, bahkan juga di dunia. Seiring dengan berkembangnya dunia industri yang sangat pesat mengakibatkan persaingan untuk merebut pangsa pasar gula juga semakin ketat. Usaha dan tindakan dilakukan perusahaan, diantaranya ingin mengetahui peramalan jumlah produksi agar dapat meningkatkan hasil produksi dalam jumlah tepat, dan menekan kerugian. Berdasarkan berbagai faktor yang ada, maka dilakukanlah suatu penelitian yaitu meramalkan jumlah produksi gula.

Penelitian ini menggunakan metode Jaringan Syaraf Tiruan (JST) dan membandingkan hasilnya dengan metode Multiple regression untuk peramalan jumlah produksi gula. Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari PTPN IX , yaitu data produksi gula periode tahun 1980 sampai tahun 2009. Berdasarkan hasil pengujian, serta pemilihan model, maka didapatkan model terbaik yang digunakan untuk meramalkan jumlah produksi gula adalah jaringan saraf tiruan (JST).

ii

WITH BACKPROPAGATION METHOD FOR FORECASTING SUGAR PRODUCTION

(STUDY CASE : PT PERKEBUNAN NUSANTARA IX PERSERO / PG PANGKA)

by Eka Nuranti

10106202

PT Perkebunan Nusantara IX (Persero) is one of Indonesian Government owned Company (BUMN) that runs the business in Primary product, especially in sugar production. Sugar is one of the primary products needed in Indonesia, even all over the world. As the time of rapid growth of the Industry, the competition to win the market of sugar is tighter. Many attempt and action is done by the company, for example knowing the production level forecasting in order to increase production result in the exact amount and push the loss. Based on many factors exists, a research is conducted to forecast the production amount of sugar.

This research uses artificial neural network method and compares the result to Multiple Regression method for forecasting the amount of sugar production. The data used in this research is secondary data from PTPN IX, which is the Sales Data of sugar in the period of 1980 until 2009. Based on the research, selection of the model, we get the best model used to forecast the production amount of sugar is artificial neural network method.

Keywords : JST, sugar, forecasting the amount of sugar production, Multiple Regression

vi LEMBAR PENGESAHAN

ABSTRAK ... i

ABSTRACT ... ii

KATA PENGANTAR ... iii

DAFTAR ISI ... vi

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

DAFTAR SIMBOL ... xv

DAFTAR LAMPIRAN ... xvii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Rumusan Masalah ... 3

1.3 Maksud dan Tujuan ... 4

1.3.1 Maksud ... 4

1.3.2 Tujuan ... 4

1.4 Batasan Masalah ... 4

1.5 Metodologi Penelitian ... 5

1.5.1 Pengumpulan Data ... 5

1.5.2 Pembangunan Perangkat Lunak ... 6

1.6 Sistematika Penulisan ... 7

BAB II TINJAUAN PUSTAKA ... 9

vii

2.1.4 Deskripsi Tugas ... 12

2.2 Landasan Teori ... 14

2.2.1 Jaringan Saraf Tiruan ... 14

2.2.1.1 Arsitektur (model) JST ... 16

2.2.1.1.1 Jaringan dengan lapisan tunggal ... 17

2.2.1.1.2 Jaringan dengan banyak lapisan ... 17

2.2.1.1.3 Jaringan dengan lapisan kompeitif ... 18

2.2.1.2 Komponen Jaringan Saraf Tiruan ... 19

2.2.1.3 Fungsi Aktivasi ... 21

2.2.1.4 Sum Square Error dan Root Mean Square Error ... 24

2.2.1.5 JST Backpropagation ... 26

2.2.1.5.1 ArsitekturMetode Backpropagation ... 26

2.2.1.5.2 Algoritma pelatihan pada JST Backpropagation28 2.2.1.5.3 Backpropagation dalam peramalan ... 32

2.2.1.5.4 Perancangan Struktur Jaringan yang Optimum 34

2.2.2 Metode Multiple Regression ... 35

2.2.3 Forecasting (peramalan) ... 37

2.2.3.1 Hubungan Forecast Dengan Rencana ... 37

2.2.3.2 Definisi dan Tujuan Forecasting ... 37

2.2.3.3 Proses Peramalan ... 37

2.2.3.4 Metode-metode Peramalan ... 40

viii

3.1 Analisis Sistem ... 48

3.1.1 Analisis Masalah... 49

3.1.2 Analisis Prosedur Yang Sedang Berjalan ... 49

3.1.2.1 Flow Map Sistem Yang Sedang Berjalan ... 49

3.1.3 Analisis Kebutuhan Non Fungsional ... 52

3.1.3.1 Analisis Perangkat Keras ... 52

3.1.3.2 Analisis Perangkat Lunak ... 52

3.1.3.3 Analisis User (pengguna) sistem ... 53

3.2 Analisis Jaringan Saraf Tiruan ... 53

3.2.1 Jaringan Saraf Tiruansebagai Peramal ... 55

3.2.2 Jaringan Saraf Tiruan Backpropagation ... 55

3.2.3 Peramalan Jumlah Produksi Gula dengan JST menggunakan Algoritma Backpropagation ... 56

3.3 Variabel-variabel Masukan dan Keluaran ... 70

3.4 Metode Multiple Regression ... 70

3.5 Perancangan Arsitektur Jaringan Saraf Tiruan ... 75

3.5.1 Input Layer ... 78

3.5.2 Hidden Layer ... 78

3.5.3 Output Layer ... 78

3.6 Perancangan Sistem ... 78

3.6.1 Perancangan Masukan ... 79

ix

3.6.3.3 Perancangan Metode Multiple Regression ... 86

3.6.4 Analisis Kebutuhan Fungsional ... 88

3.6.4.1 Diagram Konteks ... 88

3.6.4.2 Data Flow Diagram (DFD) ... 89

3.6.4.2.1 DFD level 1 Sistem Forecasting Produksi Gula 89 3.6.4.2.2 DFD level 2 Proses JST & Multiple Regression 90 3.6.4.2.3 DFD level 3 Proses Peramalan ... 90

3.6.4.3 Spesifikasi Proses ... 91

3.6.4.4 Struktur Menu ... 92

3.6.4.5 Perancangan Arsitektur ... 93

3.6.4.5.1 Perancangan Antar Muka ... 93

3.6.4.5.2 Perancangan Pesan ... 96

3.6.4.5.3 Jaringan Semantik ... 98

BAB IV IMPLEMENTASI DAN PENGUJIAN ... 99

4.1 Implementasi Sistem ... 99

4.1.1 Tampilan Program ... 99

4.1.1.1 Tampilan Peramalan dengan JST ... 100

4.1.1.1.1 Tampilan Data ... 100

4.1.1.1.2 Tampilan Transformasi Data ... 100

4.1.1.1.3 Tampilan Pelatihan (Training) ... 101

4.1.1.1.4 Tampilan Peramalan ... 102

x

dengan maksimum Epoch 10 ... 105 4.3.1.2 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 20 ... 105 4.3.1.3 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 30 ... 106 4.3.1.4 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 40 ... 106 4.3.1.5 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 50 ... 107 4.3.1.6 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 60 ... 107 4.3.1.7 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 70 ... 108 4.3.1.8 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 80 ... 108 4.3.1.9 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 90 ... 109 4.3.1.10 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 100 ... 109 4.3.1.11 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 200 ... 110 4.3.1.12 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 300 ... 111 4.3.1.13 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 400 ... 112 4.3.1.14 Pengujian Untuk Memprediksi Jumlah Produksi Gula

xi

4.3.1.17 Pengujian Untuk Memprediksi Jumlah Produksi Gula

dengan maksimum Epoch 800 ... 114

4.3.1.18 Pengujian Untuk Memprediksi Jumlah Produksi Gula dengan maksimum Epoch 900 ... 115

4.3.1.19 Pengujian Untuk Memprediksi Jumlah Produksi Gula dengan maksimum Epoch 1000 ... 116

4.4 Analisis dan Hasil Pengujian Sistem ... 117

4.5 Pengujian Beta ... 118

4.5.1 Skenario Pengujian Beta ... 118

4.5.2 Kesimpulan Pengujian Beta ... 121

BABV KESIMPULAN DAN SARAN ... 122

5.1 Kesimpulan ... 122

5.2 Saran ... 122

1 1.1Latar Belakang Masalah

Teknologi saat ini dapat dimanfaatkan untuk membantu dan menggantikan kelemahan-kelemahan manusia, salah satu bentuk dari kecanggihan teknologi tersebut adalah komputer. Komputer dengan segala perangkat pendukungnya, baik software maupun hardware adalah suatu alat yang dapat melakukan proses-proses tertentu antara lain menghitung, menyimpan data dan lain sebagainya.

Perkembangan teknologi dalam hal ini telah menciptakan suatu metode yang menyerupai otak manusia yang dikenal dengan jaringan syaraf tiruan. Jaringan syaraf tiruan atau disingkat JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Jaringan syaraf tiruan (JST) dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinier, klasifikasi data, cluster dan regresi non parametik atau sebagai sebuah simulasi dari koleksi model syaraf biologi. JST memiliki beberapa kelebihan dibandingkan metode statistik yaitu kemampuannya menangkap pola-pola yang tidak linier, kemampuan untuk belajar dengan memetakan input-output, menyesuaikan dengan kondisi yang berbeda-beda dan tidak menentu dengan algoritma pembelajarannya. Salah satunya yang dapat diterapkan dalam JST adalah untuk forecasting.

Forecasting adalah proses analisis untuk memperkirakan masa depan

dengan metode-metode tertentu dan mempertimbangkan segala variabel yang mungkin berpengaruh di dalamnya. Forecasting merupakan suatu estimasi tentang

hal-hal yang paling mungkin tejadi di masa mendatang berdasarkan eksplorasi dari masa lalu. Forecasting juga merupakan bagian dari future research.

Forecasting bersifat eksploratif dan berkaitan dengan apa yang mungkin terjadi di

masa depan. Artinya setiap hal yang akan terjadi di masa depan tersebut tidak dapat dipengaruhi oleh siapapun. Forecasting akan dilakukan dengan menggabungkan dan mempertimbangkan banyak sumber informasi dengan memanfaatkan teknologi yang ada, sehingga hasil yang diperoleh diharapkan memiliki tingkat akurasi yang tinggi.

PTPN IX PERSERO / PG Pangka adalah Badan Usaha Milik Negara (BUMN) yang bergerak pada bidang usaha agroindustri. Komoditas yang dikelola PTPN IX Persero / PG Pangka yaitu tanaman semusim, dalam hal ini adalah tanaman tebu yang digunakan untuk pembuatan gula untuk pemenuhan kebutuhan gula di dalam negeri. Sekarang ini tingkat produksi gula PG Pangka sangat rendah, hal inilah yang menyebabkan pasokan gula hanya dapat dipenuhi setengahnya saja. Rendahnya produksi ini bukan hanya disebabkan dari tuanya mesin produksi tetapi juga karena berkurangnya produksi tebu baik dari segi lahan yang tersedia maupun dari produktivitas (rendemen) atau budi daya.

Permasalahan yang lainnya adalah tentang sulitnya petani tebu mengakses pupuk di pasaran. Padahal kualitas kandungan gula (rendemen) sangat dipengaruhi oleh pupuk. Kesulitan mengakses pupuk inilah yang seringkali membuat tingkat rendemen menjadi kurang baik sehingga gula nasional sulit bersaing dengan gula impor. Upaya petani beralih pada pupuk organik pun tidak berpengaruh signifikan terhadap peningkatan rendemen pada tanaman tebu.

Komoditi gula memang memiliki permasalahan-permasalahan yang kompleks. Oleh karena itu prediksi jumlah produksi gula di masa depan akan sangat membantu untuk menduga tingkat keuntungan usaha yang akan diperoleh dalam produksi gula sehingga tindakan pencegahan kerugian ataupun pemanfaatan peluang yang akan terjadi dapat dilakukan.

Sistem forecasting secara konvensional ini merupakan konsep awal untuk memprediksi jumlah produksi gula dengan menggunakan alat bantu komputer didukung dengan pendekatan jaringan syaraf tiruan dengan algoritma

backpropagation. Dengan JST, komputer difungsikan sebagai alat untuk

memprediksi jumlah produksi gula dengan mempertimbangkan faktor-faktor lain seperti luas lahan, jumlah pasokan tebu yang akan digiling, banyaknya air yang dibutuhkan, banyaknya permintaan gula dan kondisi iklim.

Prediksi jumlah produksi gula dalam penelitian ini adalah mencari keseimbangan produksi gula dalam beberapa tahun ke belakang dan jumlah produksi gula dalam beberapa tahun ke depan. Dengan demikian diharapkan akan muncul suatu pola dimana dengan pola masukan jumlah produksi gula tertentu maka komputer akan dapat memberikan pola keluaran prediksi sesuai dengan data yang dilatihkan.

1.2Rumusan Masalah

Berdasarkan permasalahan yang telah di jelaskan di atas, maka dapat dirumuskan masalahnya yaitu bagaimana membangun Aplikasi Jaringan Syaraf Tiruan Dengan Metode Backpropagation Untuk Forecasting Produksi Gula.

1.3Maksud dan Tujuan 1.3.1. Maksud

Maksud dari pembangunan aplikasi ini adalah untuk mengaplikasikan JST dalam memprediksi jumlah produksi gula dan membuat perangkat lunak penunjang dalam mengimplementasikan algoritma backpropagation.

1.3.2. Tujuan

Adapun tujuan dari pembuatan aplikasi ini adalah :

1. Untuk mengetahui cara kerja jaringan syaraf tiruan untuk forecasting produksi gula.

2. Untuk mengetahui besarnya tingkat keakuratan forecast atau ramalan yang dihasilkan oleh JST Backpropagation dibandingkan dengan metode Single

Exponential Smoothing.

3. Untuk mengukur performansi JST Backpropagation dan Multiple Regression

dalam proses forecasting.

4. Untuk membandingkan besarnya error yang dihasilkan antara JST

Backpropagation dengan metode Multiple Regression.

1.4Batasan Masalah/ Ruang Lingkup kajian

Melihat paparan di atas, maka batasan masalah dalam skripsi ini adalah sebagai berikut:

1. Pada sistem simulasi JST ini dipakai konfigurasi JST dengan menggunakan algoritma backpropagation.

3. Jumlah variabel sebanyak 9 variabel yang meliputi luas areal perkebunan, jumlah Tebu yang dihasilkan tiap tahun, hasil taksasi tebu, jumlah penduduk, jumlah kebutuhan gula selama satu tahun, jumlah penggunaan pupuk, jumlah jam giling, jam berhenti giling, rendemen.

4. Metode Multiple Regression digunakan sebagai pembanding terhadap sistem jaringan syaraf tiruan yang akan dibangun.

5. Output merupakan hasil prediksi jumlah produksi gula dari tahun yang ingin diprediksi.

1.5Metodologi Penelitian

Metodologi penelitian yang akan digunakan dalam menyusun tugas akhir ini adalah metode Analisis Deskriptif, yaitu suatu metode yang bertujuan untuk mendapatkan gambaran yang jelas tentang hal-hal yang diperlukan, melalui tahapan sebagai berikut:

1.5.1 Pengumpulan Data

Adapun teknik pengumpulan data yang akan digunakan yaitu:

1. Studi literatur, dilakukan dengan mencari pustaka yang menunjang penelitian yang akan dikerjakan. Pustaka tersebut dapat berupa buku, artikel, laporan akhir, dan sebagainya.

2. Pengamatan (observasi), dilakukan dengan cara mengamati secara langsung obyek penelitian. Hal ini untuk mencocokkan kebenaran antara data yang telah diperoleh dengan prakteknya.

3. Wawancara (Interview), dilakukan dengan cara tanya jawab secara langsung dengan pegawai PTPN IX PERSERO / PG GULA yang berhubungan dengan masalah yang diteliti.

1.5.2 Pembangunan Perangkat Lunak

Pembangunan aplikasi ini menggunakan metodologi Waterfall dengan gambar sebagai berikut :

Gambar 1. 1 Skema Waterfall ( Sumber : Sommerville, 2001 )

1) Analisis dan Definisi Kebutuhan : Mengumpulkan kebutuhan secara lengkap kemudian dianalisis dan didefinisikan kebutuhan yang harus dipenuhi oleh aplikasi yang akan dibangun. Tahap ini harus dikerjakan secara lengkap untuk bisa menghasilkan desain yang lengkap.

2) Sistem dan Perancangan Software: perancangan dikerjakan setelah kebutuhan selesai dikumpulkan secara lengkap.

3) Implementasi dan Pengujian Unit : perancangan sistem diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman yang sudah ditentukan. Aplikasi yang dibangun langsung diuji baik secara unit.

4) Integrasi dan Pengujian Sistem: penyatuan unit-unit program kemudian diuji secara keseluruhan.

5) Operasi dan Pemeliharaan : mengoperasikan aplikasi di lingkungannya dan melakukan pemeliharaan, seperti penyesuaian atau perubahan karena adaptasi dengan situasi yang sebenarnya.

1.6Sistematika Penulisan

Sistematika penulisan laporan ini dibagi dalam beberapa bab dengan pokok pembahasan secara umum sebagai berikut:

BAB I PENDAHULUAN

Bab ini merupakan bagian yang mengemukakan latar belakang, perumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini terbagi menjadi dua bagian. Bagian pertama yaitu tinjauan perusahaan, berisi penjelasan tentang sejarah singkat perusahaan, visi, misi dan struktur organisasi perusahaan. Bagian kedua berupa landasan teori, berisi teori-teori pendukung yang digunakan untuk membangun aplikasi jaringan syaraf tiruan dengan metode backpropagation untuk forecasting produksi gula.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi analisis kebutuhan untuk sistem yang akan dibangun sesuai dengan metode pengembangan perangkat lunak yang digunakan. Selain itu, bab ini juga berisi perancangan antarmuka untuk aplikasi yang akan dibangun sesuai dengan hasil analisis yang telah dibuat.

BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini berisi hasil implementasi analisis dan perancangan sistem yang dilakukan, serta hasil pengujian sistem di PG Pangka sehingga diketahui apakah sistem yang dibangun sudah memenuhi syarat sebagai aplikasi yang user-friendly. BAB V KESIMPULAN DAN SARAN

Bab ini berisi kesimpulan tentang keseluruhan dari pembangunan aplikasi ini dan saran tentang aplikasi ini untuk masa yang akan datang.

9

2.1Tinjauan Perusahaan

2.1.1 Sejarah Singkat Perusahaan

PT. Perkebunan Nusantara IX ( PERSERO ) PG. Pangka didirikan pada jaman kolonial Belanda pada tahun 1832 oleh NV. MIJTOT EXPLOITATIE DERT SUIKER FABRIKEN, dikelola oleh NV KOSY dan SUCIER yang bekedudukan di Surakarta. Pada waktu pendiriaanya ribuan tenaga kerja pribumi dikerahkan dengan sistem kerja paksa oleh pemerintah kolonial Belanda. Berdasarkan UU Nomor 86 Tahun 1958, PG Pangka telah diambil oleh Pemerintah Republik Indonesia atau istilah popular pada saat itu “di Nasionalisasi”.

Nama Pangka diambil dari nama desa di mana pabrik ini didirikan yaitu desa Pangkah. Desa ini diberi nama Pangkah karena dahulu terdapat sebuah pohon kelapa yang mempunyai cabang tujuh atau dalam bahasa jawa berpang tujuh jadi disebut Desa Pangkah.

Pada awalnya di Kabupaten Tegal terdapat tujuh pabrik gula, namun karena kurangnya bahan baku akhirnya enam pabrik ditidurkan dan hanya Pabrik Gula Pangkah yang masih berdiri sampai sekarang. Adapun PP yang mengatur berdirinya PG.Pangka adalah :

1. PP No. 24 tahun 1958 dan PP No.19 tahun 1959 tentang Nasionalis PG. Kemudian statusnya berubah menjadi Pusat Perkebunan Negara Baru (PPN Baru).

2. PP No. 22 tahun 1973 tentang PTP XV (PERSERO)

3. PP No. 11 tahun 1981 penggabungan PTP XV-XVI(PERSERO) kantor direksi berada di Surakarta.

4. PP No.14 tahun 1996 tentang peleburan antara PTP XV-XVI dengan PTP XVIII menjadi Nusantara IX (PERSERO).

2.1.2 Visi dan Misi Perusahaan

Visi dan misi merupakan sebuah curahan dari sebuah tujuan dalam sebuah lembaga baik dalam lembaga pendidikan organisasi-organisasi kemasyarakatan bahkan dalam industri pun terdapat visi dan misi yang ada pada PG.Pangka. Adapun visi dan misi PG.Pangka antara lain :

1) Visi

Menjadi perusahaan agro bisnis dan agro industry yang berdaya saing tinggi dan tumbuh berkembang bersama mitra.

2) Misi

Adapun misi PG.Pangka yaitu:

a) Memproduksi dan memasarkan produk kretek, kopi, kakao, gula dan tetes ke pasar domestik dan Internasional secara professional untuk menghasilkan pertumbuhan laba.

b) Meningkatkan kesejahteraan karyawan, menciptakan lingkungan kerja yang sehat serta menyelenggarakan pelatihan guna menjaga motivasi karyawan dalam upaya meningkatkan produktifitas kerja.

c) Mengembangkan produk hilir agrowisata dan usaha lainnya untuk mendukung kinerja perusahaan.

d) Membangun sinergi dengan mitra usaha strategis dan masyarakat lingkungan usaha untuk mewujudkan kesejahteraan bersama.

e) Mendukung program pemerintah dalam pemenuhan kebutuhan gula nasional.

f) Memperdayakan seluruh sumber daya perusahaan dan potensi lingkungan guna mendukung pembangunan ekonomi AAS. Melalui penciptaan lapangan kerja.

2.1.3 Struktur Organisasi

Struktur Organisasi adalah suatu susunan dan hubungan antara tiap bagian serta posisi yang ada pada suatu organisasi atau perusahaan dalam menjalankan kegiatan operasional untuk mencapai tujuan. Struktur Organisasi menggambarkan dengan jelas pemisahan kegiatan pekerjaan antara yang satu dengan yang lain dan bagaimana hubungan aktivitas dan fungsi dibatasi. Dalam struktur organisasi yang baik harus menjelaskan hubungan wewenang siapa melapor kepada siapa.

Beberapa keuntungan yang dapat diperoleh dari penggunaan bagan organisasi adalah dapat memperlihatkan karakteristik utama dari suatu perusahaan tersebut, tentang gambaran pekerjaan dan hubungan-hubungan yang ada didalam perusahaan serta digunakan untuk merumuskan rencana kerja yang ideal sebagai pedoman untuk dapat mengetahui siapa bawahan dan atasannya,. Struktur keorganisasian pada PG.Pangka dapat dilihat pada bagan struktur organisasi (gambar 2.1) berikut ini :

 ...

Gambar 2.1 Struktur organisasi pada PG.Pangka

2.1.4 Deskripsi Tugas

Definisi tugas digunakan untuk mengetahui tugas, wewenang, tanggung jawab dari masing-masing bagian. Definisi tugas yang ada di PG.Pangka adalah sebagai berikut :

1. Administratur

a. Menjalankan tugas manajerial secara keseluruhan di Pabrik Gula, bertanggung jawab secara langsung kepada Direktur Utama secara administrasi dan teknis. Bertanggung jawab kepada Direksi dalam fungsinya masing-masing dan mempunyai wewenang yang sebanding dalam menjalankan tugas-tugas perusahaan.

b. Memimpin bagian-bagian yang ada di unit produksi antara lain : bagian tanaman, bagian pabrik, bagian pengolahan dan bagian Administrasi Keuangan dan Umum.

Kepala Bagian Tanaman (Chief of Agriculture/CA)

Kepala Bagian AKU (Administrasi Keuangan dan Umum)

Kepala Bagian Instalasi (Masinis Kepala/M1) Kepala Bagian Pengolahan (Factory Chef/FC) Sinder Kebun Kepala Sinder Kebun Wilayah Kepala Tebang Angkut (Chief of Transport) Sie Keuangan Sie

Pembukuan Sie Gudang

Sie SDM dan Umum

TU Hasil TU Gudang Finansial

Masinis II Ajun

Masinis III Chemiker

2. Kepala Bagian Tanaman

a. Bertanggung jawab terhadap produktivitas tebu dan pencapaian areal yang telah ditentukan oleh Direksi.

b. Membina hubungan baik dengan petani tebu pola kemitraan.

c. Bertanggung jawab terhadap persediaan bahan baku secara kuantitas dan kualitas yang sesuai SOP.

d. Bertanggung jawab pemasokkan tebu untuk memenuhi kapasitas giling di dalam pabrik

e. Dalam pelaksanaannya kepala tanaman di bantu oleh para sinder kepala dan staf administrasi tanaman.

f. Dalam musim giling kepala tanaman dalam penyediaan tebu dibantu oleh staf tebang dan angkut.

3. Kepala Bagian Instalasi

a. Bertanggung jawab dalam masalah-masalah yang berhubungan dengan teknis, pengadaan dan pemeliharaan mesin-mesin perusahaan.

b. Memimpin dan mengkoordinasikan para pembantunya mulai dari karyawan pelaksana sampai dengan karyawan staff (pimpinan).

c. Bertanggung jawab atas kelancaran proses giling. 4. Kepala Bagian Pengolahan

a. Bertanggung jawab terhadap kelancaran proses pengolahan gula. b. Bertanggung jawab terhadap produktivitas gula.

d. Dalam pelaksanaan tugasnya dibantu oleh chemiker dan karyawan pelaksana.

5. Kepala Administrasi Keuangan dan Umum

a. Bertanggung jawab atas kelancaran pelayanan kepada semua bagian yang ada di PG.Pangka

b. Bertanggung jawab terhadap kelancaran pengadaan barang dan penyediaan dana operasional.

c. Bertanggung jawab di bidang administrasi tenaga kerja, keuangan. d. Bertanggung jawab terhadap laporan keuangan kepada Direksi. 2.2Landasan teori

2.2.1 Jaringan Saraf Tiruan

JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel saraf biologi di dalam otak. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model saraf biologi.

Valluru B.Rao dan Hayagriva V.Rao (1993) mendefinisikan jaringan saraf sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua atau berikutnya. Setiap sub kelompok menurut gilirannya harus membuat perhitungan sendiri dan memberikan hasilnya untuk subgroup atau kelompok yang belum melakukan perhitungan. Pada akhirnya sebuah kelompok dari satu

atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan.

Metode jaringan saraf tiruan (JST) memiliki karakteristik yang menyerupai jaringan saraf biologi dalam memproses informasi (Marimin, 2005). JST dapat menyimpan pengetahuan pola kejadian masa lampau melalui proses pelatihan yang kemudian pengetahuan tersebut digunakan untuk memperkirakan kejadian yang akan terjadi dimasa yang akan datang.

Tiga hal yang sangat menentukan keandalan sebuah JST adalah pola rangkaian neuron-neuron dalam jaringan yang disebut dengan arsitektur jaringan. Algoritma untuk menentukan bobot penghubung yang disebut dengan algoritma pelatihan, dan persamaan fungsi untuk mengolah masukan yang akan diterima oleh neuron yang disebut dengan fungsi aktivasi (Fausett, 1994).

Jaringan saraf tiruan seperti manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data-data sebelumya dan mengenal pola data yang selalu berubah. Selain itu, JST merupakan system yang tak terpogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran / pelatihan.

Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud kemampuan memorisasi adalah kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan JST untuk menghasilkan respons yang bisa diterima terhadap

pola-pola input yang serupa (namun tidak identik) dengan pola-pola-pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST itu diinputkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling mendekati (Puspitaningrum, Diyah 2006).

Jaringan saraf tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan saraf tiruan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.

JST menyerupai otak manusia dalam dua hal yaitu : a) Pengetahuan diperoleh jaringan melalui proses belajar.

b) Kekuatan hubungan antar sel saraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.

Kelebihan JST antara lain :

1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian.

2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu. 3. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau

kemampuan belajar (self organizing).

4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja. 5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat. 2.2.1.1Arsitektur ( model ) JST

2.2.1.1.1Jaringan dengan lapisan tunggal (Single Layer Net)

Jaringan dengan lapisan unggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Gambar 2.2 Jaringan saraf dengan lapisan tunggal

2.2.1.1.2Jaringan dengan banyak lapisan (Multilayer Net)

Dalam model ini sebenarnya merupakan model JST satu lapisan yang jumlahnya banyak dan prinsip kerja dari model JST ini sama dengan JST satu lapisan. Output dari tiap lapisan sebelumnya dalam model ini merupakan input dari lapisan sebelumnya.

Arsitektur jaringan yang lebih kompleks Menurut Rumelhart, et al. (1996) terdiri dari layar input, beberapa layar tersembunyi dan layar output. Jaringan dengan banyak lapisan lebih sering digunakan karena dapat menyelesaikan

masalah yang lebih kompleks dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek dan lebih lama (Haykin, 1999).

Gambar 2.3 Jaringan saraf dengan banyak lapisan

2.2.1.1.3Jaringan dengan lapisan kompetitif (competitive layer net)

Merupakan jenis jaringan saraf yang memiliki bobot yang telah ditetapkan dan tidak memiliki proses pelatihan. Digunakan untuk mengetahui neuron pemenang dari sejumlah neuron yang ada. Nilai bobot untuk diri sendiri tiap neuron adalah 1, sedangkan untuk neuron lain adalah bobot random negatif. Berikut ini menunjukkan salah satu contoh arsitektur jaringan dengan lapisan kompetitif yang memiliki bobot - η.

Gambar 2.4 Jaringan saraf dengan lapisan kompetitif

2.2.1.2Komponen Jaringan Saraf Tiruan

Dengan mengambil ide dari jaringan saraf manusia, komponen-komponen pada JST adalah :

a) Neuron Tiruan(artificial neuron)

JST disusun oleh unit dasar yang disebut neuron tiruan yang merupakan elemen pemrosesan dalam jaringan, dimana semua proses perhitungan dilakukan disini.

b) Lapisan (layer)

JST disusun oleh kumpulan neuron yg berhubungan dan dikelompokkan pd lapisan2 (layer). Terdapat tiga lapisan, yaitu : lapisan masukan(input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer).

c) Masukan(input)

JST hanya dapat memproses data masukan berupa data numerik, sehingga apabila masalah melibatkan data kualitatif seperti grafik, image, sinyal atau suara data harus ditransformasikan dulu ke dalam data numerik yg ekuivalen sebelum dapat diproses oleh JST.

d) Keluaran (output)

Keluaran dari JST adalah pemecahan terhadap masalah. Data keluaran merupakan data numerik.

e) Bobot(weight)

Bobot pada JST menyatakan tingkat kepintaran sistem. Walaupun sebenarnya bobot tersebut hanya sebuah deretan angka-angka saja. Bobot sangat penting untuk JST, dimana bobot yang optimal akan memungkinkan sistem menterjemahkan data masukan secara benar dan menghasilkan keluaran yang diinginkan.

Ada beberapa tipe jaringan saraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron neuron yang lain. Pada jaringan saraf hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Neuron buatan sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan Neuron- neuron-neuron biologis. Informasi (disebut dengan: input) akan dikirim ke neuron-neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi jika tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.

2.2.1.3Fungsi Aktivasi

Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan, yaitu:

1. Fungsi undak biner (hard limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu output biner ( 0 atau 1). Fungsi undak biner (hard limit) dirumuskan sebagai berikut :

2. Fungsi undak biner (Threshold)

Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside. Fungsi undak biner (Threshold) dirumuskan sebagai berikut :

Gambar 2.7 Fungsi aktivasi : undak biner (Threshold)

3. Fungsi bipolar (symetric hard limit)

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

4. Fungsi bipolar dengan threshold

Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1.

5. Fungsi linear (identitas)

Fungsi linear memiliki nilai output yang sama dengan nilai inputnya. Fungsi linear dirumuskan sebagai y = x.

6. Fungsi saturating linear

Fungsi ini akan bernilai 0 jika inputnya kurang dari - 1/2 dan akan bernilai 1 jika inputnya lebih dari 1/2. Sedangkan jika nilai input terletak antara -1/2 dan 1/2, maka outputnya akan bernilai sama dengan nilai input ditambah ½.

7. Fungsi simetric saturating linear

Fungsi ini akan bernilai -1 jika inputnya kurang dari -1 dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1 maka outputnya akan bernilai sama dengan nilai inputnya.

8. Fungsi sigmoid biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1.

y = f(x) = ………. (1) dengan: f '(x)= σf(x)[1-f(x)] ………. (2)

9. Fungsi sigmoid bipolar

Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara -1 sampai 1.

y = f(x) = ………...(3)

2.2.1.4Sum Square Error dan Root Mean Square Error

Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan pada keluaran jaringan merupakan selisih antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output). Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan.

Sum Square Error (SSE) dihitung sebagai berikut :

1. Hitung keluaran jaringan saraf untuk masukan pertama.

2. Hitung selisih antara nilai keluaran jaringan saraf dan nilai target / yang diinginkan untuk seiap keluaran.

3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh latihan.

Adapun rumusnya adalah : SSE = ∑∑ (Tjp– Xjp)2

p j

Dengan :

Tjp : nilai keluaran jaringan saraf

Xjp : nilai target / yang ingin diinginkan untuk setiap keluaran

Root Mean Square Error (RMS Error) dihitung sebagai berikut :

1. Hitung SSE.

2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran, kemudian diakarkan.

RMS Error = ∑∑ (Tjp– Xjp)2 p j

np no

Dengan :

Tjp : nilai keluaran jaringan saraf

Xjp : nilai target / yang ingin diinginkan untuk setiap keluaran

np : jumlah seluruh pola

no : jumlah keluaran

2.2.1.5JST Backpropagation

Perambatan galat mundur (backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set) (Brace, 1997).

a. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar.

b. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.

c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses.

d. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.

e. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung.

2.2.1.5.1Arsitektur Jaringan Metode Backpropagation

Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas variabel masukan unit sel saraf, lapisan tersembunyi, dan lapisan keluaran/output. (Brace, 1997).

Gambar 2.9 Arsitektur jaringan backpropagation

Keterangan :

X = Masukan (input) J = 1..n (n = 10)

V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran

n = Jumlah unit pengolah pada lapisan tersembunyi b = Bias pada lapisan tersembunyi dan lapisan keluaran k = Jumlah unit pengolah pada lapisan keluaran

Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara keluaran aktual (current output) dan keluaran target (desired output). Langkah berikutnya adalah menghitung nilai SSE (Sum Square

Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan

neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error)

tiap iterasi (Kusumadewi, 2002).

Sum Square Error (SSE) dihitung sebagai berikut:

a. Hitung lapisan prediksi atau keluaran model untuk masukan pertama.

b. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan untuk setiap keluaran.

c. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan kuadrat kesalahan untuk contoh lain.

Root Mean Square Error (RMS Error). Dihitung sebagai berikut:

a. Hitung SSE.

b. Hasilnya dibagi dengan perkalian antara banyaknya data pada latihan dan banyaknya luaran, kemudian diakarkan.

dimana

RMSE = Root Mean Square Error SSE = Sum Square Error

N = Banyak data pada latihan K = Banyak luaran.

2.2.1.5.2Algoritma pelatihan pada JST backpropagation

Pelatihan suatu jaringan dengan algoritma backpropagation meliputi dua tahap : perambatan maju dan perambatan mundur.

Selama perambatan maju, tiap unit masukan (x

i) menerima sebuah

masukan sinyal ini ke tiap-tiap lapisan tersembunyi z

1,…..,zp. Tiap unit

tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (z

j) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya (yk)

untuk membentuk respon pada jaringan untuk memberikan pola masukan.

Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya y

k dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut

dengan unit itu. Berdasarkan kesalahan ini, faktor δ_k (k = 1,..,m) dihitung. δ k

digunakan untuk menyebarkan kesalahan pada unit keluaran y

k kembali ke semua

unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke y k).

Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi z

lapisan masukan, tetapi δ_j digunakan untuk mengupdate bobot-bobot antara

lapisan tersembunyi dan lapisan masukan.

Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot w

jk (dari unit tersembunyi zj ke unit keluaran yk)

didasarkan pada faktor δ

k dan aktivasi zj dari unit tersembunyi zj. didasarkan pada

faktor δ

j dan dan aktivasi xi unit masukan. Untuk langkah selengkapnya adalah

(Fausset, 1994):

a) Prosedur pelatihan

Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil), Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,

Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8, Perambatan Maju

Langkah 3: Tiap unit masukan (x

i, i = 1,…, n) menerima sinyal xi dan

menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi), Langkah 4 : Setiap unit tersembunyi (x

i, i = 1,…, p) jumlahkan bobot sinyal

masukannya,

v

oj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, z

j = f (z_inj), dan kirimkan sinyal ini keseluruh

Langkah 5: Tiap unit keluaran (y

k, k = 1,…, m) jumlahkan bobot sinyal

masukannya,

wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, yk = f (y_ink). Perambatan Mundur

Langkah 6: Tiap unit keluaran (y

k , k = 1,…, m) menerima pola target yang saling

berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya, δ_k = (t

k – yk) f 1

(y_in

k) ……….(7)

Hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),

Δw_jk = α δ_k z

j ………...(8)

Hitung koreksi biasnya (digunakan untuk memperbaharui w

ok nantinya), dan

kirimkan δ

k ke unit-unit pada lapisan dibawahnya,

Langkah 7: Setiap unit lapisan tersembunyi (z

j, j = 1,…, p) jumlahkan hasil

perubahan masukannya (dari unit-unit lapisan diatasnya), Δδ_in

j = ∑δk wjk ………(9)

Kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya,

δ_j = δ_in_j f1 (z_in

j) ………..(10)

Hitung koreksi bobotnya (digunakan untuk memperbaharui v

oj nanti),

Δv

Langkah 8: Tiap unit keluaran (y

k, k = 1.. m) update bias dan bobotnya (j = 0,…, p):

w

jk (baru) = wjk (lama) + Δ wjk……….…(12)

Tiap unit lapisan tersembunyi (z

j, j = 1,…, p) update bias dan bobotnya

(i = 0,…,n) :

v

ij (baru) = vij (lama) + Δ vij………(13)

Langkah 9: Test kondisi berhenti. b) Prosedure Pengujian

Setelah pelatihan, jaringan saraf backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya adalah sebagai berikut:

Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan). Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4. Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi . Langkah 3 : for j = 1,…, p :

………(14)

Zj = f(Z_inj)………(15)

Langkah 4 : for k = 1,…, m :

………(16)

2.2.1.5.3Backpropagation dalam Peramalan

Salah satu bidang, backpropagation dapat diaplikasikan dengan baik adalah bidang peramalan (forecasting). Peramalan yang sering diketahui adalah peramalan besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran sungai dan lain-lain.

Secara umum, masalah peramalan dapat dinyatakan dengan sejumlah data runtun waktu (time series) x1, x2,..., xn. Masalahnya adalah memperkirakan berapa

harga xn+1 berdasarkan x1, x2,..., xn. Langkah-langkah membangun struktur

jaringan untuk peramalan sebagai berikut. 1. Transformasi Data

Langkah awal sebelum melakukan proses pelatihan pada jaringan yang akan digunakan untuk peramalan adalah transformasi data. Sebab-sebab utama data ditransformasi adalah agar kestabilan taburan data dicapai. Selain itu berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam jaringan (Siang 2005:121). Ada beberapa transformasi yang digunakan, yaitu transformasi polinomial, transformasi normal dan transformasi linear.

Nilai hasil transformasi polinomial, normal dan linear dapat diperoleh dengan persamaan sebagai berikut.

a. Transformasi Polinomial

x'= _{ln x}

dengan

x'= nilai data setelah transformasi polinomial.

b. Transformasi Normal

xn=

dengan

xn = nilai data normal.

x0 = nilai data aktual.

xmin = nilai minimum data aktual keseluruhan.

xmax = nilai maksimum data aktual keseluruhan.

c. Transformasi Linear pada selang [a , b]

x' =

( Jong Jek Siang.2005:121 ) dengan

x'= _{nilai data setelah transformasi linear.}

x = _{nilai data aktual.}

xmin = nilai minimum data aktual keseluruhan.

xmax = nilai maksimum data aktual keseluruhan.

a = selang batas awal b = selang batas akhir 2. Pembagian Data

Langkah selanjutnya setelah transformasi data adalah pembagian data. Data dibagi menjadi data pelatihan, pengujian dan validasi. Beberapa komposisi data pelatihan, pengujian dan validasi yang sering digunakan adalah sebagai berikut.

a. 80% untuk data pelatihan dan 20% untuk data pengujian dan validasi. b. 70% untuk data pelatihan dan 30% untuk data pengujian dan validasi. c. 2/3 untuk data pelatihan dan 1/3 untuk data pengujian dan validasi. d. 50% untuk data pelatihan dan 50% untuk data pengujian dan validasi. e. 60% untuk data pelatihan dan 40% untuk data pengujian dan validasi.

Aspek pembagian data harus ditekankan agar jaringan mendapat data pelatihan yang secukupnya dan data pengujian dapat menguji prestasi pelatihan yang dilakukan berdasarkan nilai MAPE data pelatihan dan pengujian. Bilangan data yang kurang untuk proses pelatihan akan menyebabkan jaringan mungkin tidak dapat mempelajari taburan data dengan baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan melambatkan poses pemusatan (konvergensi). Masalah overtraining (data pelatihan yang berlebihan) akan memyebabkan jaringan cenderung untuk menghafal data yang dimasukan daripada mengeneralisasi.

2.2.1.5.4Perancangan Struktur Jaringan Yang Optimum

Langkah selanjutnya setelah pembagian data adalah penentuan bilangan simpul masukan, bilangan lapisan tersembunyi, bilangan simpul lapisan tersembunyi dan bilangan simpul keluaran yang akan digunakan dalam jaringan. Terdapat beberapa aturan yang dapat membantu perancangan jaringan yang optimum, yaitu sebagai berikut.

a. Bilangan simpul masukan sama dengan periode dimana data berfluktuasi. b. Bilangan simpul keluaran sama dengan bilangan keluaran masalah.

c. Mulai dengan satu lapisan tersembunyi dan digunakan lebih dari satu lapisan tersembunyi jika diperlukan.

d. Jika menggunakan satu lapisan tersembunyi, bilangan simpul tersembunyi awal adalah 75% dari bilangan simpul masukan.

Penggunaan jaringan dengan dua atau lebih lapisan tersembunyi dalam masalah peramalan kebanyakan tidak akan memberikan pengaruh yang sangat besar terhadap prestasi jaringan untuk melakukan peramalan. Selain itu akan melambatkan proses pelatihan yang disebabkan bertambahnya simpul.

Beberapa kaedah untuk memperkirakan bilangan simpul tersembunyi yaitu sebagai berikut.

a. h = n, 2n b. h = n/2 dengan

n = bilangan simpul masukan yang digunakan. h = bilangan simpul tersembunyi.

Penentuan bilangan simpul tersembunyi yang terbaik diperoleh secara

trial and error dari simpul 1 sampai 2n.

2.2.2 Metode Multiple Regression

Multiple regression adalah regresi dengan dua atau lebih variabel X1, X2,

X3, …., Xn sebagai variabel bebas dan Y sebagai variabel tak bebas, sehingga

merupakan perluasan dari regresi linier sederhana. Model probabilistik regresi berganda yang melibatkan (k-1) variabel X adalah sebagai berikut (Dadan, 2004) :

Y : Variabel terikat

X1, X2, X3,….,Xk = variable bebas

a1, b1, b2,…. bk = koefisien variable

Pada persamaan linear lebih dari dua variable, variable Y dipengaruhi oleh lebih dari dua variable, yaitu variable X1, X2, ….. Xk. Dalam hal demikian,

variable Y disebut variabel terikat (dependent variable) dan variable-variabel X1,

X2,…. Xk disebut variable bebas (independent variable), artinya nilai-nilai

variable Y dapat ditentukan berdasarkan nilai-nilai dari variable X1,X2,….Xk.

Syarat-syarat Regresi Linier Berganda, sebagai berikut : a. Model regresi linier;

b. Eksistensi (X diasumsikan non stokastik);

c. Nilai rata-rata kesalahan adalah nol, atau Ė( μ/ Xi) = 0;

d. Homoskedastisitas, artinya varian kesalahan sama untuk setiap periode ( homo = sama, skedastisitas = sebaran) dinyatakan dalam bentuk matematis:

Var ( μ/ Xi) = 0;

e. Tidak ada autokorelasi antar kesalahan (antara i dan j tidak ada korelasinya). Dinyatakan dalam bahasa matematis : Covarians (μi , μ j) = 0;

f. Antara μ dan X saling bebas, sehingga covarians (μ i, X) = 0; g. Tidak ada multikolinieritas yang sempurna antar variabel bebas;

h. Jumlah observasi n harus lebih besar daripada jumlah parameter yang diestimasi (jumlah variabel bebas);

i. Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda (tidak boleh sama semua);

j. Model regresi telah dispesifikasikan secara benar. Dengan kata lain tidak ada bias (kesalahan) spesifikasi dalam model yang digunakan dalam analisis empiris (Kuncoro, 2001:96 ).

2.2.3 Forecasting ( Peramalan )

2.2.3.1Hubungan Forecast dengan Rencana

Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada waktu yang akan datang (Subagyo, 1986: 3). Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi, tetapi belum tentu bisa dilaksanakan oleh perusahaan.

2.2.3.2Definisi dan Tujuan Forecasting

Forecasting adalah suatu usaha untuk meramalkan keadaan di masa

mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984:260). Dalam

kehidupan sosial segala sesuatu itu serba tidak pasti, sukar untuk diperkirakan secara tepat. Dalam hal ini perlu diadakan forecast. Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Dengan kata lain forecasting bertujuan mendapatkan

forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang

biasanya diukur dengan mean squared error, mean absolute error, dan sebagainya (Subagyo, 1986: 4).

2.2.3.3Proses Peramalan

Menurut Handoko (1984: 260), proses peramalan biasanya terdiri dari langkah-langkah sebagai berikut:

a. Penentuan Tujuan

Analisis membicarakan dengan para pembuat keputusan dalam perusahaan untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan:

1) variabel-variabel apa yang akan diestimasi, 2) siapa yang akan menggunakan hasil peramalan,

3) untuk tujuan-tujuan apa hasil peramalan akan digunakan, 4) estimasi jangka panjang atau jangka pendek yang diinginkan, 5) derajat ketepatan estimasi yang diinginkan,

6) kapan estimasi dibutuhkan,

7) bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.

b. Pengembangan Model

Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari. Dalam peramalan, model adalah suatu kerangka analitik yang apabila dimasukkan data masukan menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang diramal). Analisis hendaknya memilih suatu model yang menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan. Sebagai contoh, bila perusahaan ingin meramalkan jumlah produksi yang polanya berbentuk linier, model yang dipilih mungkin Y = A + BX, dimana Y menunjukkan besarnya jumlah produksi ; X menunjukkan unit waktu, serta A dan B adalah parameter-parameter yang menggambarkan posisi dan kemiringan garis pada grafik.

c. Pengujian Model

Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas, dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historis, dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan data aktual.

d. Penerapan Model

Setelah pengujian, analisis menerapkan model dalam tahap ini, data historis dimasukkan dalam model untuk menghasilkan suatu ramalan. Dalam kasus model penjualan, Y = A + BX, analisis menerapkan teknik-teknik matematika agar diperoleh A dan B.

e. Revisi dan Evaluasi

Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya perubahan-perubahan dalam perusahaan atau lingkungannya, seperti tingkat harga produk perusahaan, karakteristikkarakteristik produk, pengeluaran-pengeluaran pengiklanan, tingkat pengeluaran pemerintah, kebijakan moneter dan kemajuan teknologi.

Evaluasi, di pihak lain, merupakan perbandingan ramalan-ramalan dengan hasil nyata untuk menilai ketepatan penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di waktu yang akan datang.

2.2.3.4Metode-metode Peramalan

Untuk mendapatkan suatu metode yang baik dalam sistem peramalan, digunakan tingkat ketelitian sebagai ukuran, semakin tinggi tingkat ketelitian yang didapatkan maka semakin baik penggunaan dari metode yang dipakai.

Metode peramalan didasarkan pada :

1. Penggunaan analisa pola hubungan antara variabel yang akan dipekirakan. 2. Penggunaan analisa pola hubungan antara variabel yang akan memperkirakan

dengan variabel lain yang mempengaruhi.

Metode jaringan saraf tiruan algoritma backpropagation dilatih dalam suatu cara yang disesuaikan melalui cara komputasi. Aplikasi ini pada peramalan didasarkan pada kemampuan jaringan saraf tiruan untuk mendekati keluaran yang diinginkan dengan kombinasi dari variabel parameter yang terlibat untuk mendapatkan hasil yang sesuai dengan pola yang terbentuk.

Di bawah ini adalah daftar beberapa istilah peramalan :

1. Accurancy (Ketepatan)

Kriteria yang paling banyak dipakai untuk mengevaluasi unjuk kerja model dan metode-metode peramalan alternative adalah ketepatan. Ia menunjukkan tingkat kebenaran ramalan yang diukur. Ketepatan dapat diukur menggunakan dimensi seperti rata-rata kesalahan kuadrat (MSE), rata-rata kesalahan persentase absolute (MAPE) atau rata-rata kesalahan persentase bias (MPE).

2. Algorithm (Algoritma)

Suatu rangkaian aturan sistematis untuk memecahkan suatu persoalan. Satu set aturan yang digunakan dalam penerapan berbagai metode peramala kuantitatif adalah algoritma.

3. Applicability (Kemampuan untuk diterapkan)

Aplikabilitas merupakan suatu criteria yang penting di dalam metode peramalan. Aplikabilitas menunjukkan mudahnya suatu metode untuk diterapkan dalam situasi tertentu dengan pemakai peramalan yang khusus. Semakin menigkatnya permintaan dan kecanggihan metode peramalan mengikuti seringkali akan mengurangi tingkat aplikabilitas.

4. Back Forecasting (Peramalan mundur)

Dalam menerapkan teknik-teknik peramalan kuantitatif yang berdasarkan nilai-nilai kesalahan lama (past error). Diperlukan suatu starting value (nilai awal) supaya perhitungan dapat dilaksanakan. Salah satu cara untuk mendapatkan nilai ini adalah dengan menerapkan metode peramalan untuk data yang dimulai dari nilai akhir ke bagian awal data. Prosedur ini dinamakan peramalan mundur.

5. Cencus II (Sensus II )

Metode peramalan Sensus II menguraikan suatu deret berkala menjadi komponen musim (seasonal), trend, siklus dan random yang dapat dianalisa secara terpisah kemudian digabung kembali untuk mendapatkan ramalan.

6. Estimasi (Penaksiran)

Penaksiran berisi penemuan nilai-nilai yang sesuai untuk parameter2 sebuah persamaan dengan suatu cara sehingga beberapa criteria dapat dioptimasi.

7. File (Berkas)

Sebuah file merupakan kumpulan data yang disusun untuk petunjuk di masa yang akan datang. Jika disimpan dalam komputer, file-file dapat disajikan dengan program komputer actual untuk melakukan meode peramalan atau menyederhanakan data historis yang digunakan dengan program-program komputer tersebut.

8. Heuristic (Heuristik)

Sebuah heuristic merupakan suatu susunan langkah atau prosedur yang menggunakan pendekatan trial dan error untuk mencapai beberapa sasaran yang diinginkan.

9. Input-Output Analysis (Analisis input-output)

Pendekatan ini digunakan untuk merencanakan sebuah analisis yang berkenaan dengan modeling sistem total dalam bentuk hubungan antar beberapa variabel.

10. Mean Absolute Percentage Error (MAPE) (Kesalahan Persentasi Absolut Rata-rata)

Rata-rata kesalahan persentasi absolute merupakan suatu nilai tengah atau rata-rata jumlah seluruh persentasi kesalahan untuk sebuah susunan data yang diberikan. Ia merupakan salah satu ukuran ketepatan yang digunakan dalam metode kuantitatif atau peramalan.

11. Mean Percentage Error(MPE) (Nilai Tengah Persentasi Kesalahan) Nilai tengah kesalahan persentasi merupakan rata-rata dari seluruh kesalahan persentasi susunan data yang diberikan. Rata-rata ini memungkinkan

kesalahan persentasi positif dan negative untuk saling menunda. Oleh karena itu, kadang-kadang digunakan sebagai suatu ukuran bias dalam aplikasi metode peramalan.

12. Mean Squared Error (MSE) (Nilai Tengah Kesalahan Kuadrat)

Nilai tengah kesalahn kuadrat merupakn suatu ukuran ketepatan perhitungan dengan menguadratkan masing kesalahan untuk masing-masing item dalam sebuah susunan data dan kemudian memperoleh rata-rata atau nilai tengah jumlah kuadrat tersebut. Nilai tengah kesalahn kuadrat memberikan bobot yang lebih besar terhadap kesalahan yang besar daripada kesalahan kecil sebab kesalahn dikuadratkan sebelum dijumlahkan.

13. Observation (Pengamatan)

Pengamatan adalah nilai dari suatu peristiwa tertentu yang ditunjukkan oleh suatu skala pengukuran nilai data tunggal. Dalam sebagian besar aplikasi peramalan sekelompok pengamatan dipakai untuk memberikan data dimana model yang dipilih sesuai.

14. Probability (Probabilitas)

Probablitas dari suatu peristiwa ditunjukkan dengan angka dari 0 sampai dengan 1. Peristiwa yang tidak mungkin terjadi mempunyai probabilitas 0. Suatu peristiwa yang pasti terjadi mempunyai probabilitas 1.

15. Statistic (Statistik)

Suatu statistik adalah bilangan sembarang yang menerangkan sifat-sifat sampel data.

2.2.4 Perancangan Sistem

Tahap perancangan disebut juga tahap pemecahan masalah, yaitu dengan menyusun suatu algoritma, alur sistem, masukan, prosedur proses, keluaran, dan database. Proses perancangan diperlukan untuk menghasilkan suatu rancangan sistem yang baik, karena dengan rancangan yang tepat akan menghasilkan sistem yang stabil dan mudah dikembangkan di masa mendatang. Berikut ini akan dijelaskan rangkaian atau ruang lingkup sistem yang akan dirancang dengan memanfaatkan alat bantu seperti :

2.2.4.1Diagram Konteks

Diagram konteks menggambarkan hubungan antara sistem dengan entitas luarnya. Diagram konteks berfungsi sebagai transformasi dari satu proses yang melakukan transformasi data input menjadi data output. Entitas yang dimaksud adalah entitas yang mempunyai hubungan langsung dengan sistem.

Suatu diagram konteks selalu mengandung satu dan hanya satu proses saja. Proses ini mewakili proses dari seluruh sistem. Diagram konteks ini menggambarkan hubungan input atau output antara sistem dengan dunia luarnya (kesatuan luar).

2.2.4.1Data Flow Diagram

Data Flow Diagram (DFD–DAD/Diagram Alir Data) memperlihatkan

hubungan fungsional dari nilai yang dihitung oleh sistem, termasuk nilai masukan, nilai keluaran, serta tempat penyimpanan internal. DAD adalah gambaran grafis yang memperlihatkan aliran data dari sumbernya dalam objek kemudian melewati proses yang mentransformasinya ke tujuan yang lain, yang ada pada objek lain.

DAD sering digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang akan dikembangkan secara logika tanpa mempertimbangan lingkungan fisik dimana data tersebut mengalir.

DFD merupakan alat yang digunakan pada metodologi pengembangan sistem yang terstruktur (structured analysis and design). DFD merupakan alat yang cukup populer sekarang ini, karena dapat menggambarkan arus data di dalam sistem dengan terstruktur jelas.

Tabel 2.1 Diagram Arus Data (Data Flow Diagram)

NO SIMBOL NAMA KETERANGAN

1 External Entity (kesatuan

luar)

Menggambarkan

kegiatan proses dari operasi program komputer

2 Process (proses) Menggambarkan

kegiatan atau kerja yang dilakukan oleh manusia atau komputer

3 Data Flow (arus data) Menunjukan arus data

yang mengalir antara proses, simpanan data dan kesatuan luar dari ke suatu arus

4 Data Store (simpanan luar)

Menggambarkan suatu tempat penyimpanan data

Beberapa simbol yang digunakan dalam Data Flow Diagram (DFD) antara lain:

1. External Entity (kesatuan luar) atau boundary (batas sistem)

Setiap sistem pasti mempunyai batas sistem (boundary) yang memisahkan suatu sistem dengan lingkungan luarnya. Sistem akan menerima input dan menghasilkan output kepada lingkungan luarnya. Kesatuan luar (external entity) merupakan kesatuan (entity) di lingkungan luar sistem yang dapat berupa orang, organisasi atau sistem lainnya yang berada di lingkungan luarnya yang akan memberikan input atau menerima output dari sistem.

2. Process (proses)

Suatu proses adalah kegiatan atau kerja yang dilakukan oleh orang , mesin atau komputer dari hasil suatu arus data yang masuk ke dalam proses untuk dihasilkan arus data yang akan keluar dari proses. Untuk physical data flow

diagram (PDFD), proses dapat dilakukan oleh orang, mesin atau komputer,

sedangkan untuk logical data flow diagram (LDFD), suatu proses hanya menunjukkan proses dari komputer. Setiap proses harus diberi penjelasan yang lengkap meliputu identifikasi proses, nama proses dam pemroses.

3. Data Flow (arus data)

Arus data (data flow) di DFD diberi simbol suatu panah. Arus data ini mengalir diantara proses (process), simpanan data (data strore) dan kesatuan luar (external entity). Arus data ini menunjukkan arus dari data yang dapat berupa masukan untuk sistem atau hasil dari proses sistem.

4. Data Store (simpanan luar)

Simpanan data (data store) merupakan simpanan dari data yang dapat berupa, yaitu suatu file atau database di sistem komputer, suatu arsip atau catatan manual, suatu kotak tempat data di meja seseorang, suatu tabel acuan manual, dan suatu agenda atau buku.

48

Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk

forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX

(PERSERO) / PG.Pangka dengan parameter – parameter yang telah ditentukan dengan metode Jaringan Saraf Tiruan ( JST ) untuk mendapatkan model JST yang paling optimal dengan menggunakan algoritma Backpropagation. Bab ini akan membahas analisis dan perancangan perangkat lunak yang dibuat.

3.1Analisis Sistem

Sebelum memulai pelatihan, terlebih dahulu ditentukan arsitektur dan parameter jaringan, serta menormalisasi input. Ada sembilan faktor yang diambil dari data jumlah produksi gula. Maka jaringan memiliki sembilan neuron input. Sedangkan output yang diharapkan adalah prediksi jumlah produksi gula yang dilambangkan dengan satu output ( jika output yang diinginkan sesuai dengan yang diharapkan berarti prediksi tersebut sudah benar ). Sedangkan untuk parameter jaringan, dalam pelatihan akan dicoba dilakukan beberapa perubahan parameter untuk melihat parameter manakah yang dapat menghasilkan sistem jaringan yang terbaik. Parameter yang akan diubah adalah learning rate ( α ) dan epoch.

3.1.1 Analisis Masalah

Permasalahan yang akan dibahas dalam tugas akhir ini adalah membuat suatu sistem yang dapat memprediksi jumlah produksi gula berdasarkan data yang dilatihkan yaitu data yang diambil dari PTPN IX (PERSERO) / PG.Pangka. Penerapan jaringan saraf tiruan dalam permasalahan forecasting jumlah produksi gula meliputi penentuan komponen-komponen jaringan saraf tiruan yang digunakan dan mengaplikasikannya dalam permasalahannya. Untuk memprediksi jumlah produksi gula ini diterapkan algoritma backpropagation.

3.1.2 Analisis prosedur yang sedang berjalan

Analisis prosedur atau proses sistem memberikan gambaran tentang sistem yang saat ini sedang berjalan. Analisis sistem bertujuan untuk mengetahui lebih jelas bagaimana cara kerja sistem tersebut, sehingga kelebihan dan kekurangan sistem dapat diketahui, berikut akan terlihat lebih jelasnya dalam flow map

dibawah ini

3.1.2.1Flow Map sistem yang sedang berjalan

Bagan alir dokumen atau bagan alir formulir merupakan bagan alir yang menunjukan arus dari dokumen. Terdapat beberapa prosedur yang sedang berjalan di PTPN IX (PERSERO) / PG PANGKA. Prosedur tersebut merupakan aturan-aturan yang digunakan dalam pembuatan forecasting produksi gula.

Berikut merupakan prosedur pembuatan forecasting produksi gula di PTPN IX (PERSERO) / PG PANGKA.

1. Administrasi pengolahan menyerahkan laporan tahunan produksi gula kepada kepala pengolahan.

2. Setelah laporan tahunan sampai ke kepala pengolahan, maka kepala pengolahan melakukan pemilihan variabel untuk melakukan forecasting

produksi gula untuk tahun berikutnya.

3. Kepala Pengolahan melakukan perhitungan untuk mendapatkan perkiraan jumlah produksi gula. Perhitungan pertama yaitu mencari jumlah hari giling dengan menggunakan variabel yang sudah di tentukan sebelumnya.

4. Setelah didapatkan jumlah hari giling, selanjutnya kepala pengolahan menambahkan variabel baru untuk perhitungan forecasting produksi gula. 5. Setelah proses perhitungan forecasting produksi gula selesai dilakukan maka

kepala pengolahan melakukan proses pencatatan perhitungan forecasting ke dalam dokumen word.

6. Kepala pengolahan melakukan proses autentifikasi terhadap dokumen tersebut.

7. Kepala pengolahan menyerahkan dokumen hasil forecasting produksi gula kepada administratur.

Kepala Pengolahan Administrasi Pengolahan Laporan Tahunan Produksi Gula Pemilihan Variabel Daftar Variabel Perhitungan jumlah hari giling Penambahan variabel baru Administratur A2 Laporan Tahunan Produksi Gula Laporan tahunan Produksi gula A1 Hasil perhitungan hari giling Daftar Variabel Daftar variabel Daftar variabel baru Hasil perhitungan hari giling

Perhitungan forecasting

produksi gula Daftar Variabel Daftar variabel baru Hasil perhitungan hari giling Hasil perhitungan hari giling A3 A4 Pencatatan hasil perhitungan produksi gula Pembuatan dokumen hasil perhitungan produksi gula Hasil perhitungan produksi gula.doc Pencetakan hasil perhitungan produksi gula

Print out hasil perhitungan produksi gula

autentifikasi

Print out hasil perhitungan produksi

gula yg sudah diautentifikasi

Print out hasil perhitungan produksi

gula yg sudah diautentifikasi Hasil

perhitungan produksi gula

A5

Gambar 3.1 Flow Map sistem yang sedang berjalan

A1 : Laporan tahunan produksi gula A2 : Daftar variabel

A4 : Hasil perhitungan hari giling A5 : Hasil perhitungan produksi gula

3.1.3 Analisis Kebutuhan Non Fungsional

Analisis kebutuhan non fungsional dilakukan untuk mengetahui kebutuhan non-fungsional. Spesifikasi kebutuhan non fungsional merinci tentang hal-hal yang dilakukan saat pengimplementasian.. Analisis ini diperlukan untuk menentukan keluaran yang akan dihasilkan sistem, masukan yang diperlukan sistem, lingkup proses yang digunakan untuk mengolah masukan menjadi keluaran, volume data yang akan ditangani sistem, jumlah pemakai serta kontrol terhadap sistem.

3.1.3.1Analisis Perangkat Keras

Adapun spesifikasi perangkat keras yang dibutuhkan untuk sistem yang akan dibangun sebagai berikut :

1. Processor Intel Pentium 4 2. RAM 256 MB

3. Harddiskspace 512 MB

4. Keyboard dan Mouse

3.1.3.2Analisis Perangkat Lunak

Adapun spesifikasi perangkat lunak yang dapat digunakan selama pengembangan sistem adalah sbb:

1. Setara dengan Microsoft Win 98, 2000, Me, NT 4.0 2. Bahasa Pemrograman yang digunakan adalah Delphi 7.0

3.1.3.3Analisis User (pengguna) Sistem

Setelah melakukan pengumpulan data dengan teknik wawancara dan observasi maka terdapat 2 user yang menggunakan aplikasi ini yaitu:

1. Kepala Pengolahan

Minimal menguasai komputer dalam menginputkan data dan menggunakan aplikasi office.

2. Administratur

Minimal menguasai komputer dalam menginputkan data dan menggunakan aplikasi office.

3.2Analisis Jaringan Saraf Tiruan

Untuk membangun JST Backpropagation maka diperlukan langkah-langkah sbb:

1. Menentukan masukan

Jumlah masukan ditentukan berdasarkan data produksi gula dari tahun-tahun sebelumnya yaitu tahun 1980-2009 yang akan diinputkan ke dalam sistem. 2. Menentukan Transformasi linear data produksi gula

Data ditransformasi linear pada selang [0.1,0.9]. Oleh karena itu keluaran yang dihasilkan jaringan akan berada pada nilai 0 sampai 1. Untuk mendapatkan nilai sebenarnya dari keluaran perlu dilakukan proses detransformasi linear.

3. Menentukan pembagian data

Langkah selanjutnya setelah transformasi data adalah pembagian data. Data dibagi menjadi data pelatihan, pengujian dan validasi. Adapun komposisi data

pelatihan, pengujian dan validasi yang digunakan adalah 80% untuk data pelatihan dan 20% untuk data pengujian dan validasi.

4. Menentukan jumlah neuron pada layer tersembunyi

Banyaknya jumlah neuron yang digunakan pada lapisan tersembunyi akan menentukan dalam kinerja sistem ketika memprediksi jumlah produksi. Hal ini disebabkan karena semakin banyaknya neuron yang digunakan dalam lapisan tersembunyi, maka akan membuat setiap neuron dalam lapisan tersembunyi memiliki beban yang semakin sedikit dalam menampung data-data yang harus dipelajari. Untuk lapisan tersembunyi, ditentukan secara trial

dan error dan di dapatkan hasil yang terbaik dengan menggunakan sembilan neuron.

5. Menentukan parameter pembelajaran, yaitu maksimum epoch, besar galat, dan learning rate

Parameter-parameter ini akan berpengaruh terhadap kinerja sistem dalam proses pembelajaran terhadap proses prediksi. Untuk maksimum epoch dilakukan pengujian epoch sampai mendapatkan nilai epoch terbaik yaitu 1000, dan untuk galat digunakan nilai 0.001 sebagai kriteria pemberhentian JST.

6. Menentukan fungsi bobot yang akan digunakan berdasarkan fungsi aktifasi. Penentuan nilai bobot minimum dan maksimum ditentukan atas dasar 0<n<1 yang merupakan jangkauan dari fungsi. Fungsi ini digunakan untuk jaringan saraf tiruan yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner mempunyai nilai antara 0 sampai 1. Oleh karena itu,

fungsi ini sering digunakan untuk JST yang membutuhkan nilai output yang terletak pada interval 0 sampai 1.

Fungsi sigmoid biner (log sigmoid) digunakan sebagai fungsi aktivasi pada simpul tersembunyi dan keluaran.

7. Menentukan keluaran

Jumlah output ditentukan berdasarkan hasil yang diinginkan.

3.2.1 Jaringan Saraf Tiruan sebagai Peramal

JST mempunyai kemampuan untuk belajar sehingga dapat membangun pengertian tentang hubungan antar data masukan dan keluaran. Jaringan saraf tiruan akan melakukan pemetaan terurut sehingga dapat diperoleh pola lengkapnya. Dengan kemampuannya mengidentifikasi dan melengkapi pola inilah jaringan saraf tiruan akan dimanfaatkan sebagai peramal.

3.2.2 Jaringan Saraf Tiruan Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi dan

biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari tiga langkah, yaitu pelatihan pola input secara feedforward, perhitungan backpropagation dari kumpulan kesalahan dan penyesuaian bobot. Sesudah pelatihan, aplikasi dari jaringan hanya terdiri dari fase feedforward. Bahkan jika pelatihan menjadi lambat, sebuah jaringan yang dilatih dapat menghasilkan outputnya sendiri secara cepat.

3.2.3 Peramalan Jumlah Produksi Gula dengan JST menggunakan Algoritma Backpropagation

Pola produksi gula setiap tahunnya akan banyak berubah. Pola produksi akan berulang pada setiap tahun. Pengulangan ini juga akan terjadi pada pola kurva dari tahun ke tahun.

Pengalaman bagian pendataan di PTPN IX menunjukkan bahwa jumlah produksi gula pada setiap tahunnya dipengaruhi oleh jumlah produksi gula pada tahun sebelumnya.

Berikut ini merupakan sebagian contoh untuk mengimplementasikan algoritma yang digunakan.

Contoh :

Akan dibentuk jaringan saraf untuk memprediksi jumlah produksi gula. Ada 2 input (X1 , dan X2) dengan 1 output ( target ). Inputan tersebut merupakan

data produksi pada tahun 2006, 2007 dan 2008 yang meliputi luas lahan dan hasil taksasi tebu seperti tabel berikut ini :

Tahun Luas Lahan (x1) hasil taksasi tebu (x2) Target

2006 3171.86 236091.9 18286.946 2007 3638.28 232708.2 16858.568 2008 3525.91 228316.5 18649.292

Jika digambarkan ke dalam arsitektur jaringan saraf backpropagation

Z1 Z2 X1 X2 y 1 1 V11 0.1 V21 0.3 V22 0.6 VO2 0.5 VO 1 0.2 W₁ 0.2 W2 0.4 W0 0.7 V₁₂ 0.7 Diket :

Data tahun 2006

Pola input : X1= 3171.86

input : X2= 236091.9

Target : 18286.946 Data tahun 2007

Pola input : X1= 3638.28

input : X2= 232708.2

Target : 16858.568 Data tahun 2008

Pola input : X1= 3525.91

input : X2= 228316.5

Target : 18649.292 Konstanta Belajar (α) : 0.1 Fungsi Aktivasi :

V11= 0.1 V12= 0.7

V21= 0.3 V22= 0.6

Bobot awal bias ke hidden V01= 0.2

V02= 0.5

Bobot awal hidden ke output W1= 0.2

W2 = 0.4

Bobot awal bias ke output W0 = 0.7

Ditanya : Hitunglah jumlah produksi gula untuk tahun 2009 Jawab :

>> Transformasi Data :

2006 → X1 = 3171.86, x'=

=

= 0.1 X2 = 236091.9, x'=

=

=

= 0.8+0.1 = 0.9

t = 18286.946, x' =

=

=

= 0.638+0.1 = 0.738 2007 → X1 = 3638.28, x' =

=

=

= 0.8+0.1 = 0.9 X2 = 232708.2, x' =

=

=

= 0.452+0.1 = 0.552 t = 16858.568, x' =

= 0.1 2008 → X1 = 3525.91, x'=

=

=

= 0.607+0.1 = 0.707 X2 = 228316.5, x' =

= 0.1 t = 18649.292, x' =

=

=

= 0.8+0.1 = 0.9 >>Data hasil transformasi

Tahun Luas Lahan (x1) hasil taksasi tebu (x2) Target (t)

2006 0.1 0.9 0.738

2007 0.9 0.552 0.1

2008 0.707 0.1 0.9

 Pelatihan Epoh ke-1  Data ke-1

Feedforward Propagation Operasi pada Hidden Layer  >> Penjumlahan terbobot :

Z_in1 = Vo1 + V11 * X1 + V21 * X2

= (0.2) + (0.1*0.1) + (0.3*0.9) = 0.48

Z_in2 = Vo2 + V12* X1 + V22 * X2

= 0.5 + (0.7*0.1) + (0.6*0.9) = 1.11

>> Pengaktifan : Z1 =

=

= 0.6177

Z

2

=

=

= 0.752

Operasi pada Output Layer 

>> Perkalian :

y_in = w0+ w1*z1+w2*z2

= 0.7+ 0.2* 0.6177+ 0.4*0.752 = 0.7+0.12354+0.3008

= 1.12434 >> Pengaktifan :

y=

= 0.7547928542

Error = target – y= 0.738- 0.754= -0.016 Jumlah kuadrat error = (-0.016)2 = 0.000256

δ = (t-y) (y)(1-y)

= (-0.016) (0.754)(1-0.754) = -0.0029

>> Koreksi bobot Δw1 = α * δ * z1

= 0.1 *(-0.0029) *0.6177= -0.000179

Δw2 = α * δ * z2

= 0.1 *(-0.0029) *0.752= -0.000218

Δw0 = α * δ = 0.1*(-0.0029) = -0.00029

>> Perbaharui bobot dan prasikap δin1 = δ * w1

= -0.0029 * 0.2 = -0.00058 δin2 = δ * w2

= -0.0029 * 0.4 = -0.00116

δ1 = δin1 * *

= -0.00058*

*

= -0.00058* 0.6497*0.35= -0.00013

δ2 = δin2 * *

= -0.00116*

*

= -0.00116*0.6796*0.32 = -0.00025 >> Tiap unit keluaran memperbaharui bobot

xiv

Gambar 3.14 Form Data ... 94

Gambar 3.15 Form Transformasi Data. ... 94

Gambar 3.16 Form Pelatihan. ... 95

Gambar 3.17 Form Peramalan. ... 95

Gambar 3.18 Form Tentang. ... 96

Gambar 3.19 Pesan Keluar. ... 96

Gambar 3.20 Pesan Keterangan Halaman Data ... 97

Gambar 3.21 Pesan Keterangan Halaman Transformasi Data. ... 97

Gambar 3.22 Pesan Keterangan Halaman Pelatihan. ... 97

Gambar 3.23 Pesan Keterangan Halaman Peramalan. ... 98

Gambar 3.24 Jaringan Semantik Form Transformasi Data ... 98

Gambar 4.1 Tampilan Utama ... 99

Gambar 4.2 Proses Input Data JST. ... 100

Gambar 4.3 Tampilan Form Transformasi data. ... 101

Gambar 4.4 Tampilan Form Training ... 102

xvii

DAFTAR LAMPIRAN

Lampiran A Tampilan Antarmuka ... A-1 Lampiran B Listing Program ... B-1 Lampiran C Hasil Kuesioner ... C-1 Lampiran D Dokumen dan Surat Penelitian ... D-1

xv

DAFTAR SIMBOL

1. Simbol Flow Map

Simbol Nama Keterangan

Proses

Merupakan proses computer yang terjadi didalam aliran dokumen

Aliran Menunjukkan data-data yang mengalir pada sistem

Proses Manual Merupakan proses manual yang terjadi didalam sistem

File Storage

Merupakan penyimpanan data, menunjukkan data yang disimpan kedalam suatu disk / harddisk

Dokumen Dokumen yang dialirkan didalam flow map

Offline Storage (Arsip)

Menunjukan tempat penyimpanan data berupa arsip

2. Simbol Data Flow Diagram (DFD)

SIMBOL NAMA KETERANGAN

Proses

Menunjukkan kegiatan / kerja yang dilakukan oleh orang, mesin atau komputer

xvi

Terminator Menunnjukkan bagian dari luar

Arus / Aliran data

Menunjukkan arus dari proses

Data store

Menunjukkan simpanan dari data yang dapat berupa suatu file / database di sistem komputer

xii

DAFTAR TABEL

Tabel 2.1 Diagram Arus Data (Data Flow Diagram) ... 45

Tabel 3.1 Spesifikasi proses ... 91

Tabel 4.1 Nilai MSE (Mean Square Error) dengan galat 0.001 ... 103

Tabel 4.2 Nilai MSE (Mean Square Error) dengan galat 0.01 ... 103

Tabel 4.3 Perbandingan Hasil Prediksi antara JST dengan Multiple Regression ... . 117

Tabel 4.4 Tabel Kuesioner ... 118

124

DAFTAR PUSTAKA

[1] Diyah Puspitaningrum. (2004), Pengantar jaringan saraf tiruan, ANDI, Yogyakarta, 40-55.

[2] JJ, Siang. (2005), Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB, ANDI, Yogyakarta, 119-125.

[3] Sri Kusumadewi. ( 2003 ), Artificial Intelligence (Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta, 203 - 216.

[4] Suparman. (1991), Mengenal Artificial Intelligence, Andi Offset, Yogyakarta, 50-65.