Prediksi Pendapatan Perusahaan Menggunakan Metode Adaptive Neuro Fuzzy Inference System (Anfis)

PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN

METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM

(ANFIS)

SKRIPSI

HARIGO CANHY MELANOF

081402073

DEPARTEMEN TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN

METODE

ADAP TIVE NEURO F UZZY INF ERENCE SYSTEM

(ANFIS)

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat untuk memperoleh ijazah Sarjana Teknologi Informasi

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2014

PERSETUJUAN

Judul : PREDIKSI PENDAPATAN PERUSAHAAN

MENGGUNAKAN METODE ADAPTIVE

NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Kategori : SKRIPSI

Nama : HARIGO CANHY MELANOF

Nomor Induk Mahasiswa : 081402073

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Departemen : TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA

Diluluskan di

Medan, Agustus 2014

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

NIP NIP

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

PERNYATAAN

PREDIKSI PENDAPATAN PERUSAHAAN MENGGUNAKAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Agustus 2014

Harigo Canhy Melanof 081402073

UCAPAN TERIMA KASIH

Puji dan syukur penulis sampaikan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh ijazah Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terimakasih penulis sampaikan kepada:

1. Kedua orang tua dan keluarga yang telah memberikan dukungan dan motivasi baik moril dan materil serta spiritual, Ayahanda Edi Firman dan Ibunda Zuraida yang selalu sabar dalam mendidik dan membesarkan saya,juga kepada Zicco Sandra Prayudha, S.T., Sintha Febria, S.Farm.Apt., Feny Primawati, A.md., Imam Firdaus Muttaqin, Ibu Nasmita, A.md., dan Ibu Asnimar.

2. Bapak Muhammad Anggia Muchtar, S.T., M.M.IT. selaku pembimbing satu dan Bapak Muhammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku pembimbing dua yang telah banyak meluangkan waktu dan pikirannya, memotivasi dan memberikan kritik dan saran kepada penulis, dan juga ditujukan kepada Ibu Sarah Purnamawati, S.T., M.Sc. dan Bapak Baihaqi Siregar, S.Si., M.Sc. selaku penguji yang telah bersedia menjadi dosen pembanding.

3. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen dan pegawai di Program Studi Teknologi Informasi.

4. Terima kasih kepada staf pegawai administrasi tata usaha Program Studi Teknologi Informasi, terutama Abangda Faisal Hamid dan Ibu Delima Harahap yang telah membantu penulis dalam menyelesaikan semua urusan administrasi di Program Studi Teknologi Informasi.

5. Terima kasih kepada sahabat-sahabat, Raja Ade Fitrasari Mochtar, S.E., M.Ak., Barkah Adhy Nugraha, S.T., Joko Rinaldi,S.Kep.Ners., Rahmadan, S.T., Eri Yunaldo, S.T., dan Bayu Haryadi, S.T yang selalu memotivasi saya.

6. Terima kasih kepada keluarga bapak Nurjasri dan ibu Elly yang telah banyak membantu saya sejak pertama kali menginjakan kaki di kota medan, juga kepada kakanda Devy Molanda, dr.Lysa Ogestha dan Angga Rizky Permana.

7. Terima kasih juga kepada teman-teman terbaik saya yang terus mendukung tanpa henti, Reyhan Samantha, Teza Amaluddin, Atika Chan, Azharul Wanda Siregar, Rizky Yanda, Dwiporanda E, Kharisma Rinaldi Siregar, Inis Caisarian Siregar, Karina Wibawanti, Zulfikri Putra, Sanra Cheney, Joko Nugroho, dan Andre serta teman-teman mahasiswa Teknologi Informasi lainnya yang tidak dapat penulis sampaikan satu persatu.

Akhir kata, saya ucapkan terima kasih kepada semua pihak yang terkait dalam penyelesaian skripsi ini yang tidak bisa saya sebut satu persatu. Semoga Allah SWT senantiasa memberi rahmat dan keberkahan-NYA kepada kita semua.

ABSTRAK

Pertumbuhan omset (pendapatan) merupakan salah satu ukuran keberhasilan sebuah perusahaan yang harus dipantau. Sebuah perusahaan tentu mengharapkan terdapat pertumbuhan pendapatan setiap tahun yang dicanangkan dalam target pendapatan. Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Dalam tugas akhir ini digunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi pendapatan perusahaan berdasarkan data-data pendapatan sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.2, momentum 0.1, dan max epoch 400 pada pendapatan perusahaan Breakdown Apparell periode 1 Januari 2011 sampai dengan 31 Desember 2013.

Kata kunci: adaptive neuro fuzzy inference system, neurofuzzy, neural network, fuzzy inference system, prediksi, peramalan, pendapatan perusahaan.

Abstract

The growth of turnover (revenue) is one measure of the success of a company that should be monitored. A company certainly expects revenue growth every year there are envisioned in the revenue targets. Within a certain amount of receipt of income will increase and in other situations would occur otherwise. For that we need a projection or forecast of the amount of receipt of income for the next year. Forecasting or forecasting is often referred to as one part that should be considered for planning. In this thesis used the method of Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the company revenue data based on previous earnings. ANFIS is a hybrid system in which one neural network learning methods are used to implement the Fuzzy Inference System. Measuring the level of accuracy of the predictions made by the value of MAPE (Mean Absolute Percentage Error). The results of prediction were performed using ANFIS with learning rate parameter 0.2, momentum 0.1, and max epoch 400 on corporate earnings Breakdown apparell period January 1, 2011 until December 31, 2013.

Keywords: adaptive neuro-fuzzy inference system, neuro fuzzy, neural network, fuzzy inference system, prediction, forecasting, companies revenue.

DAFTAR ISI

Persetujuan ii

Pernyataan iii

Ucapan Terima Kasih iv

Abstrak vi

Abstract vii

Daftar Isi viii

Daftar Tabel x

Daftar Gambar xi

Bab 1 Pendahuluan 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 3

1.3. Batasan Masalah 3

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 4

1.6. Metodologi Penelitian 4

1.7. Sistematika Penulisan 5

Bab 2 Landasan Teori 7

2.1.Perusahaan 7

2.1.1. Bentuk Perusahaan 9

2.2. Pendapatan 10

2.3. Peramalan 11

2.3.1. Metode Peramalan 12

2.4. Fuzzy System 14

2.4.1 Fuzifikasi 15

2.4.1.1. Fungsi Keanggotaan 16

2.4.1.2. Fuzzy Clustering 18

2.4.2 Inferensi 19

2.4.2.1. Operasi Himpunan Fuzzy 19

2.4.2.2. Metode Inferensi Sugeno 20

2.4.3 Defuzifikasi 22

2.5. Jaringan Syaraf Tiruan 22

2.6. Prediksi Menggunakan Anfis 23

2.7. Penelitian Terdahulu 29

Bab 3 Analisis dan Perancangan 31

3.3. Analisis Teknikal 34

3.4. Perancangan Sistem 37

3.4.1. Use Case Diagram 37

3.4.2. Use Case Specification 39

3.4.3. Activity Diagram 42

3.4.4. Rancangan Menu System 46

3.4.5. Perancangan Antarmuka 46

3.4.5.1. Rancangan Halaman Home 46

3.4.5.2. Rancangan Halaman Data Pendapatan 47 3.4.5.3. Rancangan Halaman Peramalan 48 3.4.5.4. Rancangan Halaman About 49

Bab 4 Implementasi dan Pengujian 51

4.1. Implementasi 51

4.1.1. Spesifikasi Perangkat Keras yang Digunakan 52 4.1.2. Implementasi Perancangan Antarmuka 53

4.1.3. Implementasi Data 54

4.2. Pengujian Sistem 55

4.2.1. Rencana Pengujian Sistem 55

4.2.2. Kasus dan Hasil Pengujian 56

4.2.3 Pengujian Kinerja Sistem 57

Bab 5 Kesimpulan dan Saran 60

5.1. Kesimpulan 60

5.2. Saran 60

DAFTAR TABEL

Hal.

Tabel 2.1 Rentang Waktu dan Peramalan 12

Table 2.2 Penelitian Terdahulu 29

Tabel 3.1 Rangkuman Data Pendapatan Breakdown Apparel 32 Tabel 3.2 Use Case Spesifikasi untuk Use Case Home 39 Tabel 3.3 Use Case Spesifikasi untuk Use Case Pendapatan 39 Tabel 3.4 Use Case Spesifikasi untuk Use Case Peramalan 40 Tabel 3.5 Use Case Spesifikasi untuk Use Case Grafik Aktual 40 Tabel 3.6 Use Case Spesifikasi untuk Use Case Grafik Ramalan 41 Table 3.7 Use Case Spesifikasi untuk Use Case Data Saham 41

Tabel 4.1 Data Perusahaan Breakdown Apparel 54

Tabel 4.2 Rencana Pengujian 56

Tabel 4.3 Hasil Pengujian Menggunakan Metode Black Box 56

Tabel 4.4 Data Pendapatan Perusahaan 57

DAFTAR GAMBAR

Hal.

Gambar 2.1 Proses Fuzzy Inference System Error! Bookmark not defined.4

Gambar 2.2 Kurva Segitiga Error! Bookmark not defined.5

Gambar 2.3 Kurva Trapesium 14

Gambar 2.4 Kurva Generalized Bell 15

Gambar 2.5 Kurva Gaussian 16

Gambar 2.6 Blok diagram ANFIS 17

Gambar 3.1 Grafik Pendapatan Breakdown Apparel 34

Gambar 3.2 Algoritma ANFIS pada Sistem 35

Gambar 3.3 Use Case Diagram Sistem Prediksi 38

Gambar 3.4 Diagram Aktivitas Home 42

Gambar 3.5 Diagram Aktivitas Data Pendapatan 43

Gambar 3.6 Diagram Aktivitas Peramalan 44

Gambar 3.7 Diagram Aktivitas Grafik Aktual 44

Gambar 3.8 Diagram Aktivitas Grafik Peramalan 45

Gambar 3.9 Diagram Aktivitas Grafik Aktual dan Grafik Peramalan 45

Gambar 3.10 Struktur Menu Sistem 46

Gambar 3.14 Rancangan Halaman Home 47

Gambar 3.15 Rancangan Halaman Data Pendapatan 48

Gambar 3.16 Rancangan Halaman Ramalan 49

Gambar 3.17 Rancangan Halaman About 50

Gambar 4.1 Halaman Home 52

Gambar 4.2 Halaman Data Pendapatan Perusahaan 53

ABSTRAK

Pertumbuhan omset (pendapatan) merupakan salah satu ukuran keberhasilan sebuah perusahaan yang harus dipantau. Sebuah perusahaan tentu mengharapkan terdapat pertumbuhan pendapatan setiap tahun yang dicanangkan dalam target pendapatan. Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Dalam tugas akhir ini digunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi pendapatan perusahaan berdasarkan data-data pendapatan sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf tiruan digunakan untuk mengimplementasikan metode Fuzzy Inference System. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan menggunakan ANFIS dengan parameter laju penbelajaran 0.2, momentum 0.1, dan max epoch 400 pada pendapatan perusahaan Breakdown Apparell periode 1 Januari 2011 sampai dengan 31 Desember 2013.

Kata kunci: adaptive neuro fuzzy inference system, neurofuzzy, neural network, fuzzy inference system, prediksi, peramalan, pendapatan perusahaan.

Abstract

The growth of turnover (revenue) is one measure of the success of a company that should be monitored. A company certainly expects revenue growth every year there are envisioned in the revenue targets. Within a certain amount of receipt of income will increase and in other situations would occur otherwise. For that we need a projection or forecast of the amount of receipt of income for the next year. Forecasting or forecasting is often referred to as one part that should be considered for planning. In this thesis used the method of Adaptive Neuro Fuzzy Inference System (ANFIS) to predict the company revenue data based on previous earnings. ANFIS is a hybrid system in which one neural network learning methods are used to implement the Fuzzy Inference System. Measuring the level of accuracy of the predictions made by the value of MAPE (Mean Absolute Percentage Error). The results of prediction were performed using ANFIS with learning rate parameter 0.2, momentum 0.1, and max epoch 400 on corporate earnings Breakdown apparell period January 1, 2011 until December 31, 2013.

Keywords: adaptive neuro-fuzzy inference system, neuro fuzzy, neural network, fuzzy inference system, prediction, forecasting, companies revenue.

BAB 1

PENDAHULUAN

1.1Latar Belakang

Perusahaan adalah suatu organisasi yang didirikan oleh seseorang atau sekelompok orang atau badan lain yang kegiatannya adalah melakukan produksi dan distribusi guna memenuhi kebutuhan ekonomis manusia (Abdulkadir muhamad,2002). Kegiatan produksi pada umumnya dilakukan untuk memperoleh laba.

Pendapatan merupakan salah satu tujuan didirikannya sebuah usaha. Dengan adanya pendapatan itu berarti sebuah usaha masih berjalan dan layak untuk dipertahankan walaupun sebenarnya masih ada beberapa hal yang lain selain pendapatan yang bisa menjadi bahan pertimbangan untuk meneruskan sebuah usaha. Dengan memperhatikan jumlah pendapatan, akan diketahui apakah suatu usaha mendapatkan untung atau malah merugi.

Pertumbuhan omset (pendapatan) merupakan salah satu ukuran keberhasilan sebuah perusahaan yang harus dipantau. Sebuah perusahaan tentu mengharapkan terdapat pertumbuhan pendapatan setiap tahun yang dicanangkan dalam target pendapatan. Salah satu cara untuk mengevaluasi apakah target pendapatan sudah tercapai atau belum adalah melalui persen pertumbuhan dibandingkan tahn yang lalu (Pujiati,S,A,2010). Namun demikian, karena data ini merupakan data agregat, terkadang sulit memahami fenomena kenapa tiba-tiba dalam satu periode pendapatan meningkat atau menurun. Olehkarenanya, dibutuhkan sebuah tools yang mudah dan dapat memberikan informasi awal pada manajemen tentang pertumbuhan pendapatan

di setiap periode. Salah satu tools yang dapat diterapkan adalah analisis deret waktu (time series analysis).

Dalam waktu tertentu jumlah penerimaan pendapatan akan semakin meningkat dan dalam situasi yang lain akan terjadi sebaliknya. Untuk itu perlu adanya proyeksi atau peramalan terhadap jumlah penerimaan pendapatan untuk tahun selanjutnya. Peramalan atau yang sering disebut dengan forecasting adalah satu bagian yang harus dipertimbangkan untuk membuat perencanaan. Salah satu aspek penting perencanaan adalah pembuatan keputusan (decision making), proses pengembangan dan penyeleksian sekumpulan kegiatan-kegiatan untuk memecahkan masalah.

Tujuan utama perencanaan adalah melihat bahwa program-program yang telah dilaksanakan dapat digunakan untuk meningkatkan kemungkinan pencapaian tujuan di waktu yang akan datang yaitu meningkatkan pembuatan keputusan yang lebih baik. Suatu perencanaan ramalan (forecast) yang tepat, dalam hal ini forecast adalah memperkirakan apa yang terjadi pada waktu yang akan datang. Perubahan suatu kejadian dapat dinyatakan dengan perubahan nilai variabel.

Pada penelitian ini digunakan Adaptive Neuro Fuzzy Inference System (ANFIS) untuk memprediksi pendapatan perusahaan menggunakan analisis deret waktu berdasarkan data income sebelumnya. ANFIS adalah salah satu sistem hybrid dimana metode pembelajaran jaringan syaraf digunakan untuk mengimplementasikan metode Fuzzy Inference System (Kuncahyo, et al, 2012). Logika fuzzy memiliki kemampuan menghubungkan antara informasi kuantitatif (data numerik) dan informasi kualitatif (pernyataan linguistik), yang dapat bersama-sama diolah menggunakan komputasi fuzzy. Logika fuzzy juga mampu melakukan proses pengambilan keputusan (reasoning) yang beroperasi dengan konsep aturan IF-THEN dimana data-data terdahulu dan kelanjutannya dapat dinyatakan menggunakan variabel linguistik. Di sisi lain, jaringan syaraf tiruan memiliki kemampuan untuk penggalian pengetahuan dari data yang tersedia, yaitu kemampuan belajar dari contoh yang tidak dimiliki sistem logika fuzzy. Kemampuan ini dikenal sebagai paradigma belajar koneksionis (Palit, et al, 2005). Teknik ANFIS sendiri telah banyak digunakan dalam memprediksi berbagai masalah seperti memprediksi aliran masuk waduk

3

(Rosyadi, 2011), memprediksi curah hujan (Septiadi, 2008), memprediksi produksi air minum (Sutanto, 2005) dan lain sebagainya.

1.2Rumusan Masalah

Pendapatan sangat berpengaruh bagi kelangsungan hidup perusahaan, semakin besar pendapatan yang diperoleh maka semakin besar kemampuan perusahaan untuk membiayai segala pengeluaran dan kegiatan-kegiatan yang akan dilakukan oleh perusahaan. Oleh karena itu dibutuhkan sebuah pendekatan untuk memprediksi pendapatan perusahaan berdasarkan data fluktuasi pendapatan di masa lalu sehingga menghasilkan suatu sistem prediksi pendapatan perusahaan yang lebih akurat.

1.3Batasan Masalah

Agar penelitian ini tebih terarah dan permasalahan pada penelitian ini tidak terlalu lebar, maka batasan masalah pada penelitian ini dapat dirangkumkan sebagai berikut: 1. Penentuan prediksi pendapatan perusahaan ini merupakan perkiraan pendapatan

bulanan.

2. Prediksi pendapatan perusahaan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS)

3. Aplikasi ini tidak membahas pengeluaran perusahaan

4. Data yang digunakan adalah data pendapatan perusahaan Breakdown Apparel dari bulan Januari 2011 sampai dengan Desember 2013

1.4 Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat prediksi pendapatan perusahaan berdasarkan data runtun waktu pemasukan dan pengeluaran perusahaan di masa lalu dengan menggunakan metode ANFIS.

1.5 Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini adalah:

1. Mengetahui kemampuan metode ANFIS dalam memprediksi pendapatan perusahaan.

2. Memberikan suatu teknik alternatif mengenai prediksi pendapatan perusahaan dengan menggunakan metode ANFIS serta sebagai referensi untuk penelitian lain yang berhubungan dengan metode ANFIS dan prediksi pendapatan perusahaan.

1.6 Metode Penelitian

Tahapan yang dilakukan pada pelaksanaan penelitian skripsi ini adalah sebagai berikut:

1. Studi Literatur

Studi literatur dilakukan dengan mengumpulkan bahan-bahan referensi terkait dengan sistem prediksi data analisis teknikal, metode Adaptive Neuro Fuzzy Inference System (ANFIS).

2. Analisis Permasalahan

Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mendapatkan pemahaman mengenai metode ANFIS untuk memprediksi pendapatan sebuah perusahaan berdasarkan data saham terdahulu.

3. Perancangan Sistem

Pada tahap ini dilakukan perancangan arsitektur, perancangan data dan perancangan antarmuka. Proses perancangan dilakukan berdasarkan hasil analisis studi literatur yang telah diperoleh.

5

4. Implementasi Sistem

Pada tahap ini dilakukan proses implementasi pengkodean program dalam aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih sesuai dengan analisis dan perancangan yang sudah dilakukan.

5. Pengujian

Pada tahap ini dilakukan proses pengujian dan percobaan terhadap sistem sesuai dengan kebutuhan yang ditentukan sebelumnya serta memastikan program yang dibuat berjalan seperti yang diharapkan.

6. Dokumentasi dan Penyusunan Laporan

Pada tahap ini dilakukan pembuatan dokumentasi seluruh pengerjaan dari penelitian prediksi pendapatan perusahaan menggunakan ANFIS untuk memprediksi pendapatan perusahaan menggunakan ANFIS.

1.7 Sistematika Penulisan

Penulisan skripsi ini terdiri dari lima bab dengan masing-masing bab secara singkat dijelaskan sebagai berikut:

Bab 1: Pendahuluan

Bab ini berisi berisikan latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

Bab 2: Landasan Teori

Pada bab ini dibahas mengenai teori-teori pendukung penelitian skrispsi metode Neuro Fuzzy, khususnya metode ANFIS.

Bab 3: Analisis dan Perancangan Sistem

Pada bab ini berisikan paparan analisis terhadap permasalahan dan penyelesaian persoalan terhadap metode ANFIS pada sistem prediksi pendapatan perusahaan.

Bab 4: Implementasi Sistem Prediksi Pendapatan Perusahaan

Pada bab ini berisi implementasi perancangan sistem dari hasil analisis dan perancangan yang sudah dibuat, serta menguji sistem untuk menemukan kelebihan dan kekurangan pada sistem prediksi pendapatan perusahaan yang dibuat.

Bab 5: Penutup

Pada bab ini berisikan kesimpulan yang didapatkan terhadap hasil penelitian skripsi dan saran untuk pengembangan lebih lanjut tentang topik terkait yang dibahas pada skripsi.

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk prediksi pendapatan perusahaan.

2.1 Perusahaan

Istilah perusahaan untuk pertama kalinya terdapat di dalam Pasal 6 KUH Dagang yang mengatur mengenai penyelenggaraan pencatatan yang wajib dilakukan oleh setiap orang yang menjalankan perusahaan. Meskipun demikian, KUH Dagang tidak memuat penafsiran otentik mengenai arti perusahaan. Mengenai definisi perusahaan dapat kita temukan dalam Undang-Undang Nomor 3 Tahun 1982 tentang Wajib Daftar Perusahaan (UU Wajib Daftar Perusahaan). Namun sebelum membahas pengertian perusahaan menurut UU Wajib Daftar Perusahaan, terlebih dahulu akan diuraikan pengertian perusahaan menurut para ahli hukum.

Menurut Molengraaff, perusahaan adalah keseluruhan perbuatan yang dilakukan secara terus-menerus, bertindak ke luar untuk memperoleh penghasilan, dengan cara memperdagangkan atau menyerahkan barang atau mengadakan perjanjian perdagangan. Rumusan yang dikemukakan oleh Molengraaff tersebut hanya meliputi jenis usaha dan tidak meliputi perusahaan sebagai badan usaha.

Sedangkan menurut Polak, suatu usaha untuk dapat dimasukan dalam pengertian perusahaan harus mengadakan pembukuan, yaitu perhitungan mengenai laba dan rugi. Pada perkembangan selanjutnya, Komar Andasasmita membedakan antara perusahaan dengan jabatan. Menurut Andasasmita, Perusahaan adalah mereka yang secara teratur berkesinambungan dan terbuka bertindak dalam kualitas tertentu (pasti) mencapai atau memperoleh (dengan susah payah) keuntungan bagi diri mereka. Sedangkan jabatan adalah yang bertujuan/bersifat ideal atau yang menggunakan keahlian, seperti dokter, pengacara dan notaris.

Menurut ketentuan Pasal 1 huruf b UU Wajib Daftar Perusahaan, yang

dimaksud dengan perusahaan adalah “setiap bentuk usaha yang menjalankan setiap

jenis usaha yang bersifat tetap dan terus menerus dan yang didirikan, bekerja serta berkedudukan.dalam wilayah Negara Republik Indonesia, untuk tujuan memperoleh

keuntungan dan atau laba”.

Definisi perusahaan menurut ketentuan tersebut memuat dua unsur pokok, yaitu:

1. Bentuk usaha (company) yang berupa organisasi atau badan usaha yang didirikan,

bekerja dan berkedudukan dalam wilayah negara Indonesia.

2. Jenis usaha (business) yang berupa kegiatan dalam bidang perekonomian

(perindustrian, perdagangan, perjasaan, pembiayaan) dijalankan oleh badan usaha secara terus menerus.

Dengan demikian dapat disimpulkan bahwa unsur-unsur perusahaan adalah sebagai berikut :

a. Badan usaha. Perusahaan memiliki bentuk tertentu, baik yang berupa badan hukum maupun yang bukan badan hukum. Contohnya Perusahaan Dagang, Firma, Persekutuan Komanditer, Perseroan Terbatas, Perusahaan Umum, Perusahaan Perseroan dan Koperasi.

b. Kegiatan dalam bidang perekonomian, meliputi bidang perindustrian, perdagangan, perjasaan, dan pembiayaan.

c. Terus-menerus. Artinya adalah kegiatan usaha dilakukan sebagai mata pencarian, tidak insidental dan bukan pekerjaan sambilan.

9

d. Bersifat tetap. Maksudnya ialah kegiatan usaha yang dilaksanakan tidak berubah atau berganti dalam waktu singkat, tetapi untuk jangka waktu yang lama.

e. Terang-terangan, berarti kegiatan usaha ditujukan kepada dan diketahui oleh umum, bebas berhubungan dengan pihak lain, diakui dan dibenarkan oleh pemerintah berdasarkan undang-undang.

f. Keuntungan dan atau laba, berarti tujuan dari perusahaan adalah untuk memperoleh keuntungan dan atau laba.

g. Pembukuan. Maksudnya ialah perusahaan wajib untuk menyelenggarakan pencatatan mengenai kewajiban dan hak yang berkaitan dengan kegiatan usahanya.

2.1.1 Bentuk Perusahaan

Bentuk-bentuk perusahaan secara garis besar dapat diklasifikasikan dan dilihat dari jumlah pemiliknya dan dilihat dari status hukumnya.

1. Bentuk-bentuk perusahaan jika dilihat dari jumlah pemiliknya terdiri dari perusahaan perseorangan dan perusahaan persekutuan.

a. Perusahaan Perseorangan

Perusahaan perseorangan adalah suatu perusahaan yang dimiliki oleh perseorangan atau seorang pengusaha.

b. Perusahaan Persekutuan

Perusahaan persekutuan adalah suatu perusahaan yang dimilki oleh beberapa orang pengusaha yang bekerjasama dalam satu persekutuan. 2. Bentuk-bentuk perusahaan jika dilihat dari status hukumnya terdiri dari

perusahaan berbadan hukum dan perusahaan bukan badan hukum.

a. Perusahaan berbadan hukum adalah sebuah subjek hukum yang mempunyai kepentingan sendiri terpisah dari kepentingan pribadi anggotanya; punya tujuan yang terpisah dari tujuan pribadi para anggotanya dan tanggung jawab pemegang saham terbatas kepada nilai saham yang diambilnya.

Perusahaan bukan badan hukum adalah harta pribadi para sekutu juga akan terpakai untuk memenuhi kewajiban perusahaan tersebut, biasanya berbentuk perorangan maupun persekutuan.

Sementara itu, didalam masyarakat dikenal dua macam perusahaan,yakni perusahaan swasta dan perusahaan negara.

1. Perusahaan Swasta

Perusahaan swasta adalah perusahaan yang seluruh modalnya dimiliki oleh swasta dan tidak ada campur tangan pemerintah, terbagi dalam tiga perusahaan swasta, antara lain:

a. Perusahaan swasta nasional, b. Perusahaan swasta asing, dan

c. Perusahaan patungan/campuran (joint venture) 2. Perusahaan Negara

Perusahaan negara adalah perusahaan yang seluruh atau sebagian modalnya dimiliki negara. Pada umumnya, perusahaan negara disebut dengan badan usaha milik negara (BUMN), terdiri dari tiga bentuk, yakni

a. Perusahaan jawatan (Perjan). b. Perusahaan umum (Perum). c. Perusahaan perseroan (Persero).

2.2 Pendapatan

Dalam beberapa dasawarsa belakangan ini, perhatian pada perhitungan laba rugi semakin dirasakan manfaatnya. Dengan adanya informasi mengenai pendapatan, maka dapat membandingkan antara modal yang tertanam dengan penghasilan sebagai alat untuk mengukur kinerja efisiensi perusahaan dan dapat memprediksi distribusi dividen di neraca yang akan datang. Pendapatan sebagai salah satu elemen penentuan laba rugi suatu perusahaan belum mempunyai pengertian yang seragam.

Menurut Standar Akuntansi Keuangan (2004 : 23.1), kata “income diartikan

sebagai penghasilan dan kata revenue sebagai pendapatan, penghasilan (income)

11

penghasilan yang timbul dari aktivitas perusahaan yang dikenal dengan sebutan yang

berbeda seperti penjualan, penghasilan jasa (fees), bunga, dividen, royalti dan sewa.”

Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan revenue merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.

Pengertian pendapatan dikemukakan oleh Dyckman (2002 : 234) bahwa

pendapatan adalah “arus masuk atau peningkatan lainnya atas aktiva sebuah entitas

atau penyelesaian kewajiban (atau kombinasi dari keduanya) selama satu periode dari pengiriman atau produksi barang, penyediaan jasa, atau aktivitas lain yang merupakan

operasi utama atau sentral entitas yang sedang berlangsung”.

Pengertian pendapatan didefinisikan oleh Sofyan Syafri (2002 : 58) sebagai

“kenaikan gross di dalam asset dan penurunan gross dalam kewajiban yang dinilai berdasarkan prinsip akuntansi yang berasal dari kegiatan mencari laba”.

Definisi pendapatan menurut Niswonger (1999 : 45), memberikan penekanan

pada konsep pengaruh terhadap ekuitas pemilik, yaitu “pendapatan (revenue) adalah peningkatan ekuitas pemilik yang diakibatkan oleh proses penjualan barang dan jasa kepada pembeli.

2.3 Peramalan (forecasting)

Menurut Murahartawaty (2009:41), peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual,

operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.

Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Asumsi dasar dalam penerapan teknik-teknik peramalan adalah:“If we can predict what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives.” Artinya, jika kita dapat memprediksi apa yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat (Murahartawaty,2009).

2.3.1 Metode Peramalan

Salah satu cara untuk mengklasifikasikan permasalahan pada peramalan adalah mempertimbangkan skala waktu peramalannya yaitu seberapa jauh rentang waktu data yang ada untuk diramalkan. Terdapat tiga kategori waktu yaitu jangka pendek (minggu  bulan), menengah (bulan  tahun), dan jangka panjang (tahun  dekade). Tabel berikut ini menunjukkan tipe-tipe keputusan berdasarkan jangka waktu peramalannya.

Tabel 2.1 Rentang Waktu dalam Peramalan

Rentang Waktu Tipe Keputusan Contoh

Jangka Pendek

( 3 – 6 bulan) Operasional

Perencanaan Produksi, Distribusi

Jangka Menengah

( 2 tahun) Taktis

Penyewaan Lokasi dan Peralatan

13

(Lebih dari 2 tahun)

Pengembangan untuk akuisisi dan merger

Atau pembuatan produk baru

Selain rentang waktu yang ada dalam proses peramalan, terdapat juga teknik atau metode yang digunakan dalam peramalan. Metode peramalan dapat diklasifikasikan dalam dua kategori, yaitu:

1. Metode Kualitatif

Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah.

Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi, dimana menggabungkan dan merata-ratakan pendapat para pakar dalam suatu forum yang dibentuk untuk memberikan estimasi suatu hasil permasalahan di masa yang akan datang. Misalnya: berapa estimasi pelanggan yang dapat diperoleh dengan realisasi teknologi 3G.

2. Metode Kuantitatif

Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu:

a) Model-model Regresi

Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel yang memiliki hubungan secra linier dengan variabel bebas yang diketahui atau diandalkan.

b) Model Ekonometrik

Menggunakan serangkaian persamaan-persamaan regresi dimana terdapat variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.

c) Model Time Series Analysis (Deret Waktu)

Memasang suatu garis trend yang representatif dengan data-data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan datang.

2.4 Fuzzy System

Sistem fuzzy atau Fuzzy Inference System (FIS) adalah adalah sistem kendali logika fuzzy yang dapat melakukan penalaran dengan prinsip serupa seperti manusia melakukan penalaran dengan nalurinya dan pengetahuannya (Effendi, 2009). Logika fuzzy adalah logika mengandung unsur ketidakpastian. Pada logika biasa atau logika tegas (crisp) hanya terdapat 2 anggota himpunan nilai yakni salah atau benar, 0 atau 1. Sedangkan logika fuzzy mengenal nilai antara benar dan salah. Kebenaran dalam logika fuzzy dapat dinyatakan dalam derajat kebenaran atau fungsi keanggotaan dalam interval 0 hingga 1 (Widodo, 2005).

Aturan/ Kaidah-Kaidah

Fuzzifikasi Penalaran Defuzzifikasi Output

Input

Gambar 2.1 Proses F uzzy Inference System (Effendi, 2009)

Pada Fuzzy Inference System terdapat beberapa proses mulai dari pemasukan data hingga penarikan kesimpulan. Proses tersebut terdiri dari proses fuzzifikasi, inferensi (penalaran) dengan memanfaatkan aturan-aturan fuzzy (fuzzy rule), dan defuzzifikasi. Gambaran umum bagan Fuzzy Inference System dapat dilihat pada Gambar 2.1.

15

2.4.1 Fuzzifikasi

Fuzzifikasi adalah pemetaan nilai input yang merupakan nilai tegas ke dalam fungsi keanggotaan himpunan fuzzy, untuk kemudian diolah di dalam mesin penalaran (Effendi, 2009). Fungsi keanggotaan (membership function) dari himpunan fuzzy dapat disajikan dengan dua cara yaitu numerik dan fungsional. Secara numerik himpunan fuzzy disajikan dalam bentuk gabungan derajat keanggotaan tiap–tiap elemen pada semesta pembicaraan yang dinyatakan sebagai berikut:

F =  µF(ui) / ui (2.1) Secara fungsional himpunan fuzzy disajikan dalam bentuk persamaan matematis sehingga untuk mengetahui derajat keanggotaan dari masing-masing elemen dalam semesta pembicaraan memerlukan suatu perhitungan (Suratno, 2011). Pembentukan derajat keanggotaan dapat dilakukan dengan memetakan data secara langsung pada fungsi keanggotaan atau dengan menggunakan data cluster yang kemudian dipetakan pada fungsi keanggotaan.

2.4.1.1 Fungsi keanggotaan

Fungsi keanggotaan digunakan untuk mendapatkan derajat keanggotaan dari suatu data terhadap himpunan semestaya. Adapun Fungsi keanggotaan yang biasa digunakan dalam logika fuzzy adalah sebagai berikut:

1. Fungsi Keanggotaan Segitiga

Fungsi keanggotaan segitiga memiliki tampilan kurva berbentuk segitiga yang ditunjukkan oleh Gambar 2.2.

0 0.2 0.4 0.6 0.8 1

Derajat keanggotaan

0.2 0.4 0.6 0.8 1

x

Fungsi keanggotaan kurva segitiga dapat dinyatakan sebagai berikut:

(2.2)

2. Fungsi Keanggotaan Trapesium

Fungsi keanggotaan trapesium memiliki tampilan kurva berbentuk trapesium yang ditunjukkan oleh Gambar 2.3. Fungsi keanggotaan trapesium dapat dinyatakan sebagai berikut:

(2.3)

0 0.2 0.4 0.6 0.8 1 Derajat

keanggotaan

0.2 0.4 0.6 0.8 1

x

mf1

Gambar 2.3 Kurva Trapesium (Irawan, 2007)

3. Fungsi Keanggotaan GeneralizedBell (GBell)

Bentuk dari fungsi keanggotaan generalized bell ditentukan oleh tiga parameter {a,b,c} seperti ditunjukkan pada Gambar 2.4.

17

Gambar 2.4 Kurva Generalized Bell (Irawan, 2007)

Fungsi keanggotaan Generalized Bell (GBell) dapat dinyatakan sebagai berikut:

Keterangan :

: nilai bias yang biasanya bernilai positif agar kurva menghadap ke bawah. Jika negatif, maka fungsi keanggotaan akan menjadi upside-down bell. c : nilai mean kurva.

a : standar deviasi yang terbentuk. 4. Fungsi Keanggotaan Gaussian (Gauss)

Bentuk dari fungsi keanggotaan gaussian ditentukan oleh dua parameter {c,} seperti ditunjukkan oleh Gambar 2.5.

Fungsi keanggotaan gaussian dapat dinyatakan sebagai berikut:



Keterangan:

: merupakan pusat dari fungsi keanggotaan gaussian, : menentukan lebar fungsi keanggotaan.

Fungsi keanggotaan segitiga dan trapesium telah banyak digunakan secara luas karena memiliki rumus yang sederhana dan efisiensi dalam komputasi. Namun karena fungsi keanggotaan terdiri dari segmen-segmen garis lurus, fungsi keanggotaan segitiga dan trapesium tidak halus (smooting) pada titik-titik tertentu. Untuk mendapatkan fungsi keanggotaan yang lebih halus dan bersifat continue dapat digunakan fungsi keanggotaan lainnya seperti fungsi keanggotaan Generalized Bell (GBell) dan Gaussian. Fungsi keanggotaan Generalized Bell (GBell) dan Gaussian menyediakan fungsi yang lebih halus dan cocok digunakan oleh sistem pembelajaran seperti neural networks. Fungsi keanggotaan Gbell dan Gaussian juga sering digunakan dalam bidang probabilistik dan statistik (Melin, et al, 2002).

2.4.1.2 Fuzzy clustering

Fuzzy clustering merupakan pengelompokan data atau data cluster yang memiliki karakteristik yang hampir sama secara matematis dalam sebuah kelompok atau kelas tertentu. Membership function yang akan digunakan pada fuzzy clustering dimodelkan dari data-data yang telah ada. Proses pembentukan membership function ini disebut modeling (Fariska, 2010). Metode fuzzy clustering yang biasa digunakan untuk memodelkan data adalah Fuzzy C-Means (FCM) dan Fuzzy Subclustering.

Fuzzy Subclustering merupakan metode pengelompokan data secara tidak terawasi dimana jumlah cluster tidak perlu didefenisikan terlebih dahulu. Berbeda dengan Fuzzy Subclustering, FCM merupakan metode pengelompokan data secara

19

terawasi dimana jumlah cluster harus ditentukan terlebih dahulu sebelum melakukan pengelompokan data.

Konsep dasar FCM pertama kali adalah menentukan pusat cluster pada kondisi awal pusat cluster ini masih belum akurat. Setiap data memiliki derajat keanggotaan untuk tiap cluster dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat (Fariska, 2010).

Bila fungsi keanggotaan yang digunakan adalah kurva Generalized Bell (GBell), maka standar deviasi setiap cluster harus dihitung terlebih dahulu. Nilai fuzzy membership function pada setiap data dapat diperoleh dengan memasukkan data yang telah dinormalkan, nilai center dan standar deviasi cluster ke dalam persamaan kurva GBell. Informasi cluster ini nantinya akan membantu dalam pembangunan FIS model Sugeno yang bisa memodelkan hubungan data input-output dengan jumlah rule minimum. Definisi sebuah rule diasosiasikan dengan suatu cluster data (Sari, et al, 2012).

2.4.2 Inferensi

Pada tahapan ini sistem menalar nilai masukan (input) untuk menentukan nilai keluaran (output) sebagai bentuk pengambil keputusan. Sistem terdiri dari beberapa aturan dimana kesimpulan diperoleh dari kumpulan dan korelasi antaraturan (Effendi, 2009). Metode inferensi yang sering digunakan yaitu, metode Mamdani, Sugeno dan Sukamoto. Untuk melakukan proses inferensi, terdapat 3 operasi dasar yang umum digunakan yaitu max, min dan not.

2.4.2.1 Operasi himpunan fuzzy

Operasi-operasi pada himpunan fuzzy pada dasarnya mirip dengan operasi pada himpunan klasik dimana operasi logika AND diganti dengan min, operasi logika OR

diganti dengan max, sedangankan operator NOT diganti dengan operasi komplemen pada himpunan tersebut (Irawan, 2007).

Menurut Sari (2001), operasi dasar himpunan fuzzy adalah sebagai berikut: 1. Operasi “dan”(Intersection)

A “dan” B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A  B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terkecil antara elemen-elemen pada himpunan-himpunan yang bersangkutan.

2. Operasi “atau” (Union)

A “atau” B merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat keanggotaan dari A  B adalah hasil yang diperoleh dengan mengambil nilai keanggotaan terbesar antara elemen-elemen pada himpunan-himpunan yang bersangkutan.

3. Operasi “Tidak” (Complement)

Operasi “tidak” A merupakan himpunan fuzzy dari X, ditunjukkan sebagai derajat

keanggotaan dari A’ (A komplemen) adalah hasil yang diperoleh dengan

mengurangkan nilai keanggotaan elemen pada himpunan yang bersangkutan dari 1.

21

2.4.2.2 Metode inferensi sugeno

Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Secara umum, bentuk model aturan metode inferensi Sugeno menggunakan bentuk aturan IF-THEN. Terdapat dua bentuk model aturan pada metode inferensi Sugeno (Sari, et al, 2012), yaitu:

1. Model Fuzzy Sugeno Orde-Nol

Secara umum bentuk model fuzzy Sugeno Orde-Nol adalah:

IF (x1 is A1) • (x2 is A2) • (x3 is A3) • ... •(xn is An) THEN z=k

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai consequent.

2. Model Fuzzy Sugeno Orde-Satu

Secara umum bentuk model fuzzy Sugeno Orde-Satu adalah:

IF (x1 is A1) • ... • (xn is An) THEN z = p1*x1 + … + pn*xn + q

dengan Ai adalah himpunan fuzzy ke-i sebagai anteseden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga adalah konstanta dalam consequent.

Metode inferensi Sugeno memformulasikan pendekatan sistematis menggunakan aturan fuzzy dari kumpulan data masukan-keluaran guna membentuk semua operasi dari fungsi keanggotaan menjadi kesimpulan tunggal. Metode inferensi Sugeno memiliki efisiensi komputasi dan bekerja dengan baik dengan teknik linier, teknik optimasi, teknik adaptif, serta cocok untuk analisis matematis. Metode inferensi Sugeno memiliki hasil yang tidak jauh berbeda dengan metode inferensi Mamdani.

2.4.3 Defuzzifikasi

Input dari proses defuzzifikasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output yang dihasilkan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat diambil suatu nilai crsip tertentu sebagai output (Sari, et al, 2012). Metode defuzzifikasi yang digunakan dalam penelitian ini adalah weight average.

Pada metode weight average ini mengambil nilai rata-rata dengan menggunakan pembobotan berupa derajat keanggotaaan, sehingga z* didefinisikan sebagai:

(2.9)

dimana z adalah nilai crispdan μ(z) adalah derajat keanggotaan dari nilai crisp z.

2.5 Jaringan Saraf Tiruan

Jaringan saraf tiruan (JST) adalah struktur jaringan dimana keseluruhan tingkah laku masukan-keluaran ditentukan oleh sekumpulan parameter yang dimodifikasi. Salah satu struktur jaringan neural adalah multilayer perceptrons (MLP) dimana jenis jaringan ini khusus bertipe lajur maju. MLP telah diterapkan dengan sukses untuk menyelesaikan masalah-masalah yang sulit dan beragam dengan melatihnya menggunakan algoritma propagasi balik dari kesalahan atau Error Backpropagation (EBP) (Fariza,2007).

Untuk meningkatkan kemampuan pembelajaran, jaringan saraf tiruan dapat bekerja dengan sistem fuzzy. Sistem fuzzy menggambarkan suatu sistem dengan pengetahuan linguistik yang mudah dimengerti. Sistem inferensi fuzzy dapat ditalar dengan algoritma propagasi balik berdasarkan pasangan data masukan-keluaran menggunakan arsitektur jaringan neural. Dengan cara ini memungkinkan sistem fuzzy dapat belajar. Gabungan sistem fuzzy dengan jaringan neural ini biasa disebut dengan sistem Neuro Fuzzy (Fariza,2007).

23

2.6 Prediksi Menggunakan ANFIS

Sistem Neuro Fuzzy berstruktur ANFIS (Adaptive Neuro Fuzzy Inference Sistem atau biasa disebut juga Adaptive Network based Fuzzy Inference Sistem) termasuk dalam kelas jaringan neural namun berdasarkan fungsinya sama dengan Fuzzy Inference System. Pada sistem Neuro Fuzzy, proses belajar pada neural network dengan sejumlah pasangan data yang berguna untuk memperbaharui parameter-parameter Fuzzy Inference System (Fariza, 2007).

Sebagai contoh, untuk model fuzzy Sugeno Orde-Satu, aturan yang umum dengan dua aturan fuzzy IF THENsebagai berikut:

RULE 1 : IF x is A1 AND y is B1, THEN f1 = p1x + q1y + r1; RULE 2 : IF x is A2 AND y is B2, THEN f2 = p2x + q2y + r2;

dengan x dan y adalah masukan tegas pada node ke i, Ai dan Bi adalah label linguistik (rendah, sedang, tinggi, dan lain-lain) yang dinyatakan dengan fungsi keanggotaan yang sesuai, sedangkan pi, qi, dan ri adalah parameter consequent (i = 1 atau 2) (Rosyadi, 2011).

Data yang digunakan untuk proses pembelajaran (training) terdiri dari data masukan, parameter ANFIS, dan data test yang berada pada priode training ANFIS yang kemudian dilakukan proses pembelajaran terhadap data-data tersebut sehingga nantinya diproleh output berupa hasil prediksi.

Training dengan ANFIS menggunakan algoritma belajar hybrid, dimana dilakukan penggabungan metode Least-Squares Estimator (LSE) untuk menghitung nilai consequent pada alur maju dan menggunakan Error Backpropagation (EBP) dan gradient descent pada alur mundur untuk menghitung error yang terjadi pada tiap layer (Fariza, 2007).

kedua dan ketiga dilakukan proses inferensi yang digunakan untuk menentukan rule fuzzy menggunakan inferensi Sugeno dimana hasilnya akan diproses pada perhitungan selanjutnya. Pada layer 4 dilakukan proses pencarian nilai consequent dengan menggunakan LSE. Pada layer 5 dilakukan proses summary dari dua keluaran pada layer 4.

Pada ANFIS, Fuzzy Inference System (FIS) terletak pada layer 1, 2, 3 dan 4 dimana FIS adalah sebagai penentu hidden node yang terdapat pada sistem neural network (Fariza, 2007).

Setelah perhitungan alur maju dilakukan perhitungan alur mundur untuk menghitung nilai error tiap layer dan mengubah nilai parameter masukan menggunakan gradient descent. Proses perhitungan di atas akan berulang terus menerus sampai nilai error memenuhi nilai error maksimum yang telah ditentukan. Alur proses dari sebuah sistem ANFIS yang terdiri dari lima layer digambarkan pada Gambar 2.6.

Gambar 2.6 Blok diagram ANFIS (Rosyadi, 2011)

Berikut ini adalah algoritma Adaptive Neuro Fuzzy Inference System yang digunakan untuk memprediksi data runtun waktu (Mordjaoui, et. al, 2011):

25

1. Melakukan inisialisasi terhadap parameter ANFIS, yaitu laju pembelajaran (lr), momentum (mc), batasan kesalahan (err), dan maksimum iterasi (Max Epoch). 2. Tahap pertama yang dilakukan adalah lajur maju yang berisi beberapa tahap untuk

mencari nilai consequent dari aturan yang dibuat dan melakukan penjumlah terhadap semua masukan pada layer terakhir. Adapun tahapan lajur maju adalah sebagai berikut:

a. Setiap node i pada layer satu merupakan node adaptive dengan fungsi node sebagai berikut:

dimana:

x atau y : input dari node i

Ai atau Bi : sebuah label linguistik yang terhubung dengan node i.

O1,i : derajat keanggotaan sebuah himpunan fuzzy dengan fungsi kurva Gbell yang terdapat pada persamaan (2.6).

b. Setiap node i pada layer kedua berupa node tetap yang keluarannya adalah hasil dari masukan. Operator yang digunakan adalah operator AND. Tiap-tiap node merepresentasikan α predikat dari aturan ke-i. Keluaran dari layer ini disebut dengan firing strength.

(2.11)

c. Tiap-tiap node pada layer ketiga berupa node tetap yang merupakan hasil

penghitungan rasio dari α predikat ( ), dari aturan ke-i terhadap jumlah dari

keseluruhan α predikat. Dimana hasilnya dinamakan dengan normalized firing strength.

d. Tiap-tiap node pada layer keempat merupakan node adaptive terhadap suatu keluaran.

(2.13)

Dengan adalah normalized firing strength pada layer ketiga dan {pi, qi, ri} adalah parameter-parameter pada node tersebut yang dinamakan consequent parameters.

e. Menentukan consequent parameters dengan menggunakan recursive least-squares estimator (LSE resahamif). Berikut ini adalah langkah untuk menentukan nilai consuquent dengan menggunakan LSE resaha mif:

i. Buat matrix A dengan ukuran n x n yang berisi nilai dari keluaran pada layer keempat dan nilai n merupakan jumlah parameter keluaran pada layer keempat.

ii. Buat matrix Y dengan ukuran n x 1 yang berisi nilai dari target prediksi.

iii. Melakukan pengulangan dari n+1 sampai data terakhir untuk mendapatkan nilai consequent.

f. Pada layer kelima memiliki sebuah node yang tetap yang mempunyai tugas untuk menjumlahkan nilai dari semua masukan.

g. Berdasarkan arsitektur ANFIS yang terdapat Gambar 2.8 ketika nilai dari parameter consequent telah ditetapkan, maka nilai output juga dapat ditetapkan

27

sebagai persamaan linear yang merupakan kombinasi dari parameter consequent. Nilai simbul arsitektur dinotasikan dengan f.

3. Setelah tahap lajur maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backbropagation (EBP) untuk mengecek setiap error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukan pada layer pertama. EBP menggunakan metode ordered derivative untuk mencari error pada setiap layer.

a. Menghitung nilai error pada layer kelima.

dimana:

yp = target prediksi yp* = hasil prediksi

b. Menghitung nilai error pada layer keempat.

c. Menghitung nilai error pada layer ketiga.

e. Menghitung nilai error pada layer pertama.

f. Mengitung nilai error antara layer pertama dengan parameter masukan.

g. Mengubah nilai parameter masukan pada layer pertama dengan menggunakan gradient descent.

dimana: a : Mean c : Deviasi

 : Laju pembelajaran

29

5. Ulangi proses iterasi hingga nilai epoch < Max Epoch dan Ep > batasan kesalahan (err).

6. Setelah melakukan training, dilakukan perhitungan kesalahan hasil prediksi dengan menggunakan MAPE (Mean Absolute Percentage Error), berikut adalah formula yang digunakan:

dimana:

a = data sebenarnya b = data prediksi n = banyak data

2.7 Penilitian Terdahulu

Penilitian terdahulu yang berkaitan dengan perancangan aplikasi dengan metode adaptiveneuro fuzzy inference system (ANFIS) dapat dilihat pada tabel 2.2

Tabel 2.2 Penilitian Terdahulu

No Peneliti/Tahun Judul Keterangan

1 Arfiansyah Rahman,

Ade Gafar

Abdullah, Dadang Lukman Hakim / 2012

Prakiraan Beban Puncak Jangka Panjang Pada Sistem Kelistrikan Indonesia

Menggunakan Algoritma

Adaptive Neuro-Fuzzy Inference System

Tujuan utama dari proyek ini adalah memperkirakan beban puncak pada akhir tahun 2025 dengan menggunakan data masukan yang berupa faktor-faktor utama yang mempengaruhi kenaikan beban listrik dari tahun 2000 sampai dengan tahun 2008.

Tabel 2.2 Penilitian Terdahulu (lanjutan)

2 Fithriah Musadar, Zahir Zainuddin, Merna Baharuddin

Implementasi Algoritma Untuk Prediksi Curah Hujan Pada Sistem Pendeteksian Dini Bencana Banjir

Tujuan dari penelitian ini yaitu membangun sistem prediksi curah hujan untuk

mendukung sistem

pendeteksian dini bencana banjir. Dari hasil penelitian tersebut, ANFIS optimal dapat menurunkan nilai error

secara signifikan

dibandingkan metode lainnya sehingga dapat digunakan

sebagai pendukung

pengambilan keputusan pada sistem pendeteksian dini bencana banjir.

3 Umi Hani / 2014 Prediksi Saham Syariah

Menggunakan Metode Adaptive Neuro-Fuzzy Inference System

Pada penelitian ini

digunakan metode Adaptive Neuro-Fuzzy Inference System (ANF IS) untuk memprediksi indeks saham syariah berdasarkan data-data saham sebelumnya. ANF IS berhasil

diimplementasikan pada suatu sistem prediksi saham syariah yakni pada saham Jakarta Islamic Index (JII). Rata-rata er r or hasil prediksi menggunakan ANFIS adalah 0.97583%.

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini secara garis besar membahas analisis teknikal menggunakan metode Adaptive Neuro Fuzzy Inference System pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.

3.1. Identifikasi Masalah

Dalam beberapa dasawarsa belakangan ini, perhatian pada perhitungan laba rugi semakin dirasakan manfaatnya. Dengan adanya informasi mengenai pendapatan, maka dapat membandingkan antara modal yang tertanam dengan penghasilan sebagai alat untuk mengukur kinerja efisiensi perusahaan dan dapat memprediksi distribusi dividen di neraca yang akan datang. Pendapatan sebagai salah satu elemen penentuan laba rugi suatu perusahaan belum mempunyai pengertian yang seragam.

Pengertian pendapatan dikemukakan oleh Dyckman (2002 : 234) bahwa

pendapatan adalah “arus masuk atau peningkatan lainnya atas aktiva sebuah entitas

atau penyelesaian kewajiban (atau kombinasi dari keduanya) selama satu periode dari pengiriman atau produksi barang, penyediaan jasa, atau aktivitas lain yang merupakan

operasi utama atau sentral entitas yang sedang berlangsung”.

Menurut Standar Akuntansi Keuangan (2004 : 23.1), kata “income diartikan

sebagai penghasilan dan kata revenue sebagai pendapatan, penghasilan (income)

berbeda seperti penjualan, penghasilan jasa (fees), bunga, dividen, royalti dan sewa.” Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan revenue merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.

3.2. Data yang Digunakan

Data pendapatan perusahaan yang digunakan dalam penelitian ini adalah data perusahaan Breakdown Apparel dari tanggal 1 Januari 2011 s.d 31 Desember 2013. Seluruh data yang digunakan dalam penelitian ini berjumlah 1551 yang dapat dilihat pada Tabel 3.1.

Table 3.1 Rangkuman Data Pendapatan Breakdown Apparel

No. Tanggal Volume

1 Januari 2011 2545000

2 Februari 2011 3150500

3 Maret 2011 3245000

4 April 2011 2957500

5 Mei 2011 2376500

6 Juni 2011 2250500

7 Juli 2011 3490500

8 Agustus 2011 3325000

9 September 2011 2876500

10 Oktober 2011 3568000

11 November 2011 3583000

12 Desember 2011 3845500

13 Januari 2012 2765000

14 Februari 2012 2885000

33

16 April 2012 3189500

17 Mei 2012 2897000

18 Juni 2012 3250500

19 Juli 2012 3372500

20 Agustus 2012 4125500

21 September 2012 3276500

22 Oktober 2012 2854500

23 November 2012 3265000

24 _{Desember 2012} 3896500

25 Januari 2013 2250500

26 Februari 2013 3012500

27 Maret 2013 3345000

28 April 2013 2250500

29 Mei 2013 2750500

30 Juni 2013 3185000

31 Juli 2013 3290500

32 Agustus 2013 3377500

33 September 2013 2845000

34 Oktober 2013 2213500

35 November 2013 3543500

Grafik Pendapatan Breakdown Apparel

3.3. Analisis Teknikal Prediksi Pendapatan Perusahaan Menggunakan ANFIS

Sistem prediksi pendapatan menggunakan metode Adaftive Neuro Fuzzy Inference System (ANFIS) dan data runtun waktu di masa lalu dapat digunakan untuk melakukan analisis teknikal pendapatan range bulan dengan menentukan nilai variabel berdasarkan minat beli konsumen. Sistem menerima dua variabel input yakni range bulan serta volume pendapatan. Data-data sersebut akan dinormalisasi dan diklasifikasi, dan kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode ANFIS dapat dilihat pada Gambar 3.3.

0 500000 1000000 1500000 2000000 2500000 3000000 3500000 4000000 4500000 Jan -1 1 A p r-1 1 Ju l-1 1 O k t-1 1 Jan -1 2 A p r-1 2 Ju l-1 2 O k t-1 2 Jan -1 3 A p r-1 3 Ju l-1 3 O k t-1 3

35

Mulai

Input nilai n, m, Kelas, Toleransi Error, Max Epoch, Laju Pembelajaran,

Momentum dan data saham

Normalisasi data saham dengan range [ 0.1 , 0.9 ]

Melakukan cluster data dengan FCM

Menentukan nilai Mean dan Standar Deviasi dari hasil cluster

Inisialisasi nilai Epoch =1

Epoch > Max Epoch dan Error < Toleransi Error

Denormalisasi data hasil prediksi ANFIS

Ouput berupa hasil prediksi dalam bilangan tegas (crisp)

Mengitung kesalahan prediksi menggunakan MAPE

Output persentase kesalan prediksi

Selesai T

Mencari nilai parameter konsekuen dengan menggunakan lajur maju dan cari

hasil defuzzifikasi

Menghitung Error lapisan ke-5, Error lapisan ke-4, Error lapisan ke-3, Error lapisan ke-2,

Error lapisan ke-1

Menghitung error parameter masukan terhadap layer pertama

Mengubah nilai parameter masukan menggunakan gradient descent

Menghitung kuadrat error (SSE)

Epoch++ F

Gambar 3.2 Algoritma ANFIS pada Sistem

Adapun langkah-langkah sistem prediksi pendapatan perusahaan yang akan dibangun adalah sebagai berikut:

1. Memasukkan data pendapatan yang ingin diprediksi.

2. Memasukkan nilai laju pembelajaran, momentum, dan, MaxEpoch.

3. Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan (2.1). Kemudian target dibuat pada selang 1 s.d 9.

5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM dengan persamaan (2.8) dan persamaan (2.9). Pada sistem prediksi ini, setiap data input akan dibentuk dua buah cluster yaitu cluster 1 dan cluster 2 dimana cluster 1 merupakan data kelompok data dengan tingkat fluktuasi rendah dan cluster 2 merupakan kelompok data dengan tingkat fluktuasi tinggi.

6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai mean dan standar deviasi.

7. Dilakukan pelatihan terhadap data masukan dengan nilai epoch lebih kecil dari nilai maximum pengulangan dan nilai error lebih besar dari nilai batas kesalahan.

a. Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa tahap untuk mencari nilai consequent dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada layer terakhir.

i. Pada setiap node i pada layer pertama menghitung derajat keanggotaan dengan menggunakan persamaan (2.15).

ii. Pada setiap node i pada layer kedua mencari nilai firing strength dengan menggunakan persamaan (2.16).

iii. Pada setiap node i pada layer ketiga mencari nilai normalized firing strength dengan menggunakan persamaan (2.17).

iv. Pada setiap node i pada layer keempat mencari nilai parameter consequent dengan menggunakan persamaan (2.18).

v. Menentukan nilai parameter consequent dengan menggunakan LSE dengan persamaan (2.19) sampai dengan persamaan (2.22).

vi. Sebuah node tunggal pada layer kelima melakukan penjumlahan untuk semua masukkan yang ada menggunakan persamaan (2.23).

vii. Menghitung nilai keluaran yang merupakan persamaan linear yang merupakan kombinasi dari parameter consequent dengan menggunakan persamaan (2.24).

b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur dengan menggunakan Error Backpropagation (EBP) untuk mengecek error pada setiap layer dan menggunakan gradient descent untuk mengubah nilai parameter masukkan pada layer pertama.

i. Menghitung error pada layer kelima dengan menggunakan persamaan (2.25).

37

ii. Menghitung error pada layer keempat dengan menggunakan persamaan (2.26).

iii. Menghitung error pada layer ketiga dengan menggunakan persamaan (2.27).

iv. Menghitung error pada layer kedua dengan menggunakan persamaan (2.28).

v. Menghitung error pada layer pertama dengan menggunakan persamaan (2.29).

vi. Menghitung error antara layer pertama dengan parameter masukan menggunakan persaman (2.30) dan persamaan (2.31).

vii. Setelah dilakukan penghitungan terhadap error pada setiap layer, maka selanjutnya melakukan perubahan terhadap parameter masukkan pada layer pertama dengan menggunakan persamaan (2.32) sampai dengan persamaan (2.35).

c. Menghitung nilai kuadarat error menggunakan persamaan (2.36). d. Melakukan penambah nilai epoch.

e. Jika nilai epoch lebih kecil dari nilai max pengulangan dan nilai error lebih besar dari nilai batasan kesalahan, maka menuju ke langkah (7.a).

8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan (2.2).

9. Menghitung kesalahan hasil prediksi dengan menggunakan Mean Absolute PercentageError (MAPE) dengan persamaan (2.37).

3.4 Perancangan Sistem

Perancangan sistem merupakan tahapan perancangan data dan perancangan antarmuka sistem yang akan diimplementasikan pada penelitian ini. Perancangan yang dilakukan menggunakan beberapa diagram dari Unified Modeling Language (UML) yaitu use casediagram, dan activitydiagram.

3.4.1. Use case diagram

Use case merupakan deskripsi fungsi sebuah sistem dari perspektif pengguna. Use case dari sistem prediksi pendapatan perusahaan ini dapat dilihat pada Gambar 3.4.

Gambar 3.4 Use Case Diagram Sistem Prediksi

Use case bekerja dengan cara mendeskripsikan tipikal interaksi antara user (pengguna) dengan sistem yang dibangun melalui kronologi bagaimana sistem tersebut digunakan oleh user. Pada sebuah use case, user biasanya disebut dengan aktor. Urutan langkah-langkah yang menerangkan antara pengguna dan sistem disebut scenario. Setiap scenario mendeskripsikan urutan kejadian. Use case dapat terdiri dari beberapa scenario (Munawar, 2005).

Use case yang dibangun pada sistem prediksi ini memiliki satu aktor yaitu User (pengguna). Use case ini juga terdiri dari 4 buah scenario, yakni Home, Data Pendapatan, Peramalan, dan About.

39

3.4.2. Use case specification

Sebuah use case specification menggambarkan masing-masing scenario dari use case sistem yang dibangun secara lebih terperinci. Tabel use case specification untuk scenario home dari sistem prediksi pendapatan breakdown appareal yang dibangun dapat dilihat pada Tabel 3.2.

Tabel 3.2 Use Case Spesifikasi untuk Use Case Home

Tipe Use Ca se Penjelasan Nama Use Ca se Home

Aktor User

Deskripsi Use ca se ini dilihat a ctor saat pertama kali membuka aplikasi.

P r e condition - Cha r a cter istic of a ctiva tion

Eksekusi dilakukan oleh user. Ba sic flow - Aktor membuka aplikasi

- Aplikasi menampilkan halaman awal Alter na tive flow -

P ost condition Pada use ca se ini aktor dapat memilih menu yang ada. Limita tions -

Skenariouse case Data Pendapatan dapat dilihat pada Tabel 3.3.

Tabel 3.3 Use Case Spesifikasi untuk Use Case Data Pendapatan

Tipe Use Ca se Penjelasan Nama Use Ca se Data Pendapatan

Aktor User

Deskripsi Use ca se ini digunakan oleh aktor untuk memasukkan data pendapatan.

P r e condition Aktor harus masuk berada pada halaman awal aplikasi terlebih dahulu.

Cha r a cter istic of a ctiva tion

Eksekusi dapat dilakukan oleh aktor. Ba sic flow -Aktor memilih menu data pendapatan.

-Sistem menampilkan halaman data pendapatan. -Aktor memasukkan data pendapatan.

-Aktor menyimpan data pendapatan

menyimpan data pendapatan. Alter na tive flow -

P ost condition Sistem menampilkan kembali semua data pendapatan termasuk data terbaru.

Limita tions -

Scenariouse case Peramalan dapat dilihat pada Tabel 3.4.

Tabel 3.4 Use Case Spesifikasi untuk Use Case Peramalan

Tipe Use Ca se Penjelasan Nama Use Ca se Peramalan

Aktor User

Deskripsi Use ca se ini digunakan oleh user untuk melakukan prediksi terhadap pendapatan perusahaan.

P r e condition Aktor telah berada di dalam aplikasi. Cha r a cter istic

of a ctiva tion

Eksekusi dilakukan oleh user. Ba sic flow -Aktor memilih menu Peramalan.

-Sistem menampilkan halaman Peramalan.

-Aktor dapat mengisi parameter dan menekan tombol show

-Use ca se ini berakhir ketika sistem telah selesai menampilkan semua data prediksi.

Alter na tive flow -

P ost condition -Pada use ca se ini aktor dapat melakukan prediksi pendapatan perusahaan.

-Aktor dapat melihat Grafik Aktual, Grafik Ramalan, dan Grafik Aktual dan Ramalan

Limita tions -

Scenariouse case Grafik Aktual dapat dilihat pada Tabel 3.5.

Tabel 3.5 Use Case Spesifikasi untuk Use Case Grafik Aktual

Tipe Use Ca se Penjelasan Nama Use Ca se Grafik Aktual

Aktor User

Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik actual dari hasil prediksi.

P r e condition Aktor harus berada di halaman peramalan dan memasukkan parameter dan menekan tombol show.

41

of a ctiva tion

Ba sic flow -Aktor memilih menu grafik aktual. -Sistem menampilkan grafik aktual.

-Use ca se ini berakhir ketika sistem telah selesai menampilkan grafik aktual.

Alter na tive flow - P ost condition -. Limita tions -

Scenariouse case Grafik Ramalan dapat dilihat pada Tabel 3.6.

Tabel 3.6 Use Case Spesifikasi untuk Use Case Grafik Ramalan

Tipe Use Ca se Penjelasan Nama Use Ca se Grafik Ramalan

Aktor User

Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik ramalan dari hasil prediksi.

P r e condition Aktor harus berada di halaman peramalan dan memasukkan parameter dan menekan tombol show.

Cha r a cter istic of a ctiva tion

Eksekusi dilakukan oleh user.

Ba sic flow -Aktor memilih menu grafik ramalan. -Sistem menampilkan grafik ramalan.

-Use ca se ini berakhir ketika sistem telah selesai menampilkan grafik aktual.

Alter na tive flow - P ost condition -. Limita tions -

Scenariouse case Grafik Aktual dan Ramalan dapat dilihat pada Tabel 3.7.

Tabel 3.7 Use Case Spesifikasi untuk Use Case Pengaturan Data Saham

Tipe Use Ca se Penjelasan

Nama Use

Ca se

Grafik Aktual dan Ramalan

Aktor User

Deskripsi Use ca se ini digunakan oleh user untuk melihat grafik actual dan Ramalan dari hasil prediksi.

Cha r a cter istic of a ctiva tion

Eksekusi dilakukan oleh user.

Ba sic flow -Aktor memilih menu grafik actual dan ramalan. -Sistem menampilkan grafik actual dan ramalan.

-Use ca se ini berakhir ketika sistem telah selesai menampilkan grafik actual dan ramalan.

Alter na tive flow

- P ost condition -. Limita tions -

3.4.3. Activity diagram

Activity diagram digunakan untuk mendeskripsikan logika prosedural, proses bisnis dan aliran kerja dalam suatu sistem. Activity diagram memiliki peranan seperti flowchart, akan tetapi memiliki perbedaan dimana activity diagram mendukung prilaku paralel sedangkan flowchart tidak (Munawar, 2005). Berikut ini adalah diagram aktivitas yang terdapat pada sistem prediksi yang akan dibangun.

1. Activitydiagram home

Pada activity diagram home, pengguna sistem akan melihat tampilan home saat pertama membuka aplikasi. Activity diagramhome dapat dilihat pada Gambar 3.5.

43

2. Activitydiagram pendapatan

Pada activity diagram pendapatan, pengguna dapat memasukkan data penapatan baru. Kita harus mengisi tanggal pendapatan, nama pendapatan dan nilai pendapatan pada waktu tersebut. Activity diagram pendapatan dapat dilihat pada Gambar 3.6.

Gambar 3.6 Diagram Aktivitas untuk Data Pendapatan

3. Activity diagram peramalan

Pada activity diagram peramalan, pengguna dapat menggunakan fungsi peramalan pada sistem ini. Pada halaman ini, pengguna akan diminta memasukkan nilai pembelajaran, max epoh, momentum, dan range data. Pengguna lalu menekan tombol show, lalu sistem akan menampilkan nilai prediski terhadap data pendapatan. Activity diagram untuk peramalan dapat dilihat pada Gambar 3.7.

Gambar 3.7 Diagram Aktivitas untuk Peramalan

4. Activity diagram grafik aktual

Pada activity diagram grafik actual, pengguna akan memilih pilihan grafik actual setelah melakukan prediksi terhadap data pendapatan. Sistem akan menampilkan grafik actual dari hasil prediksi. Activity diagram grafik aktual dapat dilihat pada Gambar 3.8.

45

5. Activitydiagram grafik ramalan

Activity diagram grafik ramalan dapat dilihat pada Gambar 3.9.

Gambar 3.9 Diagram Aktivitas untuk Grafik Peramalan

Pada activity diagram grafik ramalan, pengguna akan memilih pilihan grafik ramalan setelah melakukan prediksi terhadap data pendapatan. Sistem akan menampilkan grafik ramalan dari hasil prediksi.

6. Activitydiagram grafik actual dan ramalan

Pada activity diagram grafik actual ramalan, pengguna akan memilih pilihan grafik actual ramalan setelah melakukan prediksi terhadap data pendapatan. Sistem akan menampilkan grafik actual dan ramalan dari hasil prediksi secara bersamaan. Activity diagram catatan dapat dilihat pada Gambar 3.10.

3.4.4. Rancangan menu system

Rancangan menu sistem dapat digunakan untuk melihat struktur menu yang terdapat pada suatu sistem yang akan dibangun. Rancangan menu sistem yang akan dibangun dapat dilihat pada Gambar 3.11. Rancangan sistem prediksi pendapatan breakdown appareal ini terdiri halaman home, data pendapatan, peramalan, dan about.

Gambar 3.11 Struktur Menu Sistem

3.4.5. Perancangan antarmuka

Perancangan antarmuka berisi gambaran umum tentang perancangan setiap tampilan yang terdapat pada aplikasi yang dibangun.

A. Rancangan halaman home

Halaman home merupakan halaman awal bagi pengguna saat menggunakan sistem. Halaman home merupakan halaman pembuka, dan halaman awal menuju ke halaman berikutnya. Rancangan tampilan halaman prediksi dapat dilihat pada Gambar 3.12.

47

Gambar 3.14 Rancangan Halaman Home

Keterangan:

Saat pengguna membuka aplikasi, halaman home akan ditampilkan. Halaman home merupakan halaman awal untuk menuju ke halaman lainnya.

B. Rancangan halaman data pendapatan

Pada halaman data pendapatan merupakan halaman untuk memasukkan data pendapatan breakdown appareal. Pada halaman ini, pengguna harus memasukkan tanggal pendapatan, jenis pendapatan dan jumlah pendapatan. Semua data pendapatan termasuk data yang baru dimasukkan akan ditampilkan di halaman data pendapatan. Rancangan tampilan halaman data pendapatan dapat dilihat pada Gambar 3.14.

LOGO APLIKASI

About Peramalan

Data Pendapatan Home

Gambar 3.15 Rancangan Halaman Data Pendapatan

C. Rancangan halaman peramalan

Pada halaman peramalan, pengguna dapat memprediksi pendapatan breakdown appareal. Untuk melakukan prediksi, pengguna harus memasukkan beberapa parameter, yaitu laju pembelajaran, max epoh, momentum dan data pendapatan. Rancangan tampilan halaman peramalan3 dapat dilihat pada Gambar 3.16.

Peramalan Data Pendapatan

Home

LOGO APLIKASI

About

Tanggal Pendapatan

Jenis Pendapatan

Jumlah Pendapatan

Edit Delete

Save

49

Gambar 3.16 Rancangan Halaman Ramalan

D. Rancangan halaman about

Pada halaman about, akan ditampilkan semua hal-hal tentang sistem termasuk cara penggunaan aplikasi, dan developer aplikasi. Rancangan tampilan halaman profil dapat dilihat pada Gambar 3.17.

Momentum Max Epoh

Laju Pembelajaran

About Peramalan

Data Pendapatan Home

LOGO APLIKASI

Hasil Prediksi

Dari Tangal

Hingga Tanggal

Gambar 3.17 Rancangan Halaman About Home

LOGO APLIKASI

About Peramalan

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan tentang proses pengimplementasian metode Adaptive Neuro Fuzzy Inference System (ANFIS) pada sistem, sesuai perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang telah dibangun.

4.1 Implementasi Sistem

Pada tahap ini, metode Adaptive Neuro Fuzzy Inference System (ANFIS) akan diimplementasikan ke dalam sistem prediksi harga saham dengan menggunakan bahasa pemrograman PHP dan database MySQL sesuai perancangan yang telah dilakukan.

4.1.1 spesifikasi perangkat keras dan lunak yang digunakan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk membangun sistem ini adalah sebagai berikut:

1. Prosesor Intel®CoreTM 2 Duo CPU 2.40 GHz. 2. Kapasitas hardisk 500 GB.

3. Memori RAM yang digunakan 3072MB.

4. Sistem operasi yang digunakan adalah Microsoft Windows 7. 5. Web server yang digunakan adalah XAMPP.

57

2. Halaman prediksi

Memasukkan data parameter prediksi dan r a nge periode berdasarkan tanggal lalu ditekan tombol Prediksi

Ketika pengguna

memasukkan data

parameter prediksi dan r a nge periode berdasarkan tanggal lalu menekan tombol Prediksi, maka sistem akan melakukan prediksi dan menampilkan hasil prediksi ke bagian tabel prediksi.

Berhasil

Menekan tombol Grafik

Ketika pengguna menekan tombol Grafik, maka sistem menampilkan hasil prediksi saham dalam bentuk grafik.

Berhasil

4.2.3 Pengujian kinerja sistem

Misalnya terdapat 20 data pendapatan perusahaan yang dikelompokkan per hari pada Tabel 4.4.

Tabel 4.4. Data Pendapatan Perusahaan

No. Tanggal Jenis

Pendapatan Nominal

1 Januari 2011 Pendapatan 2545000 2 Februari 2011 Pendapatan 3150500

3 Maret 2011 Pendapatan 3245000

4 April 2011 Pendapatan 2957500

5 Mei 2011 Pendapatan 2376500

6 Juni 2011 Pendapatan 2250500

7 Juli 2011 Pendapatan 3490500

8 Agustus 2011 Pendapatan 3325000 9

September

2011 Pendapatan 2876500

10 Oktober 2011 Pendapatan 3568000 11

November

12

Desember

2011 Pendapatan 3845500

13 Januari 2012 Pendapatan 2765000 14 Februari 2012 Pendapatan 2885000

15 Maret 2012 Pendapatan 3650000

16 April 2012 Pendapatan 3189500

17 Mei 2012 Pendapatan 2897000

18 Juni 2012 Pendapatan 3250500

19 Juli 2012 Pendapatan 3372500

20 Agustus 2012 Pendapatan 4125500

Berdasarkan data pendapatan pada Tabel 4.4, dan dengan menggunakan nilai max epoh = 400, laju pembelajaran = 0,2 dan momentum = 0,111. Maka didapatkan hasil prediksi pendapatan yang dapat dilihat pada Tabel 4.5.

Tabel 4.5. Hasil Prediksi Data Pendapatan

No. Tanggal Jenis

Pendapatan

Nilai actual

Hasil Prediksi

Error Error (%)

1

Januari

2011 Pendapatan 2545000 1111111.11

138888.89 0,55556

2

Februari

2011 Pendapatan 3150500 888888.89 111111.11

0,55555

3 Maret 2011 Pendapatan 3245000 555555.56 69444.44 0,55552 4 April 2011 Pendapatan 2957500 666666.67 83333.33 0,55553 5 Mei 2011 Pendapatan 2376500 444444.44 55555.56 0,55556 6 Juni 2011 Pendapatan 2250500 8000000 1000000 0,55556 7 Juli 2011 Pendapatan 3490500 7555555.56 944444.44 0,55555 8

Agustus

2011 Pendapatan 3325000 7111111.11 888888.89

0,55555

9

September

2011 Pendapatan 2876500 6666666.67 833333.33

0,55555

10 Oktober2011 Pendapatan 3568000 6222222.22 777777.78 0,55557

59

11

November

2011 Pendapatan 3583000 5777777.78 722222.22

0,55553

12

Desember

2011 Pendapatan 3845500 5333333.33 666666.67

0,55555

13

Januari

2012 Pendapatan 2765000 4888888.89 611111.11

0,55554

14

Februari

2012 Pendapatan 2885000 4444444.44 555555.56

0,55555

15 Maret 2012 Pendapatan 3650000 4000000 500000 0,55555 16 April 2012 Pendapatan 3189500 3555555.56 444444.44 0,55556 17 Mei 2012 Pendapatan 2897000 3111111.11 388888.89 0,55554 18 Juni 2012 Pendapatan 3250500 2666666.67 333333.33 0,55555 19 Juli 2012 Pendapatan 3372500 2222222.22 277777.78 0,55556 20

Agustus

2012 Pendapatan 4125500 1777777.78 222222.22

0,55555

Menghitung error rata-rata prediksi dari duapuluh data sample yang terdapat di Tabel 4.5 dengan menggunakan persamaan (2.35), maka didapat hasil error

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pengujian sistem prediksi pendapatan perusahaan dengan menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS) diperoleh beberapa kesimpulan yaitu:

1. Dari hasil pelatihan didapat hasil error rata-rata yaitu sebesar 0.55555% dengan menggunakan data pendapatan perusahaan Breakdown Apparel dari tanggal 01 Januari 2011 sampai dengan 31 Desember 2013 pada saat parameter laju penbelajaran 0.2, momentum 0.1, max epoch 400.

2. Hasil prediksi sangat dipengaruhi oleh hasil pelatihan yang dilakukan sebelum pengujian, jika error pada saat pelatihan menghasilkan error yang besar, maka pada saat pengujian akan menghasilkan error yang besar pula dan berlaku sebaliknya.

Berdasarkan kesimpulan di atas ANFIS berhasil diimplementasikan pada suatu sistem prediksi pendapatan perusahaan. Rata-rata error hasil prediksi dengan menggunakan ANFIS adalah 0.55555%.

5.2 Saran

Pada penelitian selanjutnya, dapat diterapkan penggabungan antara metode ANFIS dengan metode prediksi lain untuk menghasilkan data prediksi pendapatan perusahaan

61

yang lebih akurat. Metode prediksi lain yang digunakan dapat berupa metode kualitatif dan metode kuantitatif lainnya seperti model-model regresi dan model ekonometrik ataupun gabungan antara kedua metode tersebut. Metode tersebut dapat digunakan untuk mengestimasi atau memperkirakan pendapatan perusahaan di priode selanjutnya. Hasil dari perkiraan pendapatan perusahaan tersebut dapat digunakan sebagai data testing pada metode ANFIS.

Metode ANFIS, dengan kemampuan pembelajaran prilaku data dari data-data di masa lalu, diharapkan dapat meminimalisasi tingkat kesalahan dalam memprediksi data pendapatan perusahaan. Hasil penggunaan beberapa metode peramalan (forecasting) dan metode ANFIS dapat diteliti untuk membandingkan error rata-rata antara metode-metode tersebut dalam memprediksi pendapatan perusahaan. Serta dapat menambahkan beberapa variabel lain,untuk mendapatkan hasil yang lebih akurat.

DAFTAR PUSTAKA

Anton,A. 2000. Studi dan Penerapan Model Neuro -Fuzzy Dalam Prakiraan Cuaca, Teknik Fisika Institut Teknologi Bandung.

J.S.R. Jang, C.T. Sun, and E. Mizutani. 1997. Neur o-F uzzy a nd Soft Computing, Prentice-Hall International.

Manurung,A.H. 2006. Ca r a Menila i P er usa ha a n. Jakarta: Elex Media Komputindo

Murahartawaty. 2009. Peramalan. Sekolah Tinggi Teknologi Telkom.

Musadar, F., Zainuddin, Z. & Baharuddin, M. (). Imp lementasi Algoritma untuk Prediksi Curah Hujan Pada Sistem Pendeteksian Dini Bencana Banjir. Teknik Informatika Program Pasca Sarjana Universitas Hasanuddin.

Meyliana., Sanjaya, C., Widodo, A. & Martinus, M. (2010). Prediksi Pendapatan Sewa Dengan Data Mining Pada Perusahaan XYZ. Fakultas Ilmu Komputer Bina Nusantara University.

Permana,S. 2009. Bikin P er usa ha a n Itu Ga mpa ng. Yogyakarta: Media Pressindo.

Rahman,A., Abdullah,A.G. & Hakim,D.L. (2012). P r a kir a a n Beba n P unca k J a ngka P a nja ng P a da Sistem Keli str ika n Indonesia Mengguna ka n Algor tima Ada ptive Neur o-F uzzy Infer ence System, Universitas Pendidikan Indonesia.

Sari, E. & Alisah, E. 2001. Studi tentang persamaan fuzzy. Universitas Islam Negeri Maulana Malik Ibrahim Malang.

Sari, N. & Sukirman, E. 2012. Prediksi cuaca berbasis logika fuzzy untuk rekomendasi penerbangan di bandar udara raja haji fisabilillah. Teknologi Industri Teknik Informatika Universitas Gunadarma.

Septiadi, D. 2008. Aplikasi soft computing pada prediksi curah hujan di kalimantan. Institut Teknologi Bandung.

Sutanto T. dan Dyan N. 2005. Implementasi sistem neuro fuzzy untuk memprediksi produksi air minum di pdam surabaya. Sekolah Tinggi Manajemen Informasi & Teknik Komputer Surabaya (STIKOM), pp 208-212.

Widodo, T. 2005. Sistem Neuro Fuzzy. Yogyakarta: Graha Ilmu.