Prediksi Harga Sepeda Motor Menggunakan Metode Weighted Evolving Fuzzy Neural Network (Wefunn)

Amiruddin, A.A.2011.Prediksi kurs rupiah terhadap dollar Amerika mengunakan metode fuzzy time series.Program Studi Teknik Informatika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Diponegoro.

Artina, N.2006.Penerapan analysis kebutuhan metode use case pada metode pengembangan terstruktur.STMIK MIDP Palembang.Jurnal Ilmiah GI MDP Volume 2 Nomor 3.

Chang, Pei-Chann.,Wang, Yen-Wen.,Liu, Chen-Hao.2007.The Development of a Weighted Evolving Fuzzy Neural Network for PCB sales Forecasting.Departement of industrial Engineering and Management.Yuan-Ze University.135 Yuan Dong Rd, Taoyuan 32026, Taiwan, ROC.

Chang, Pei-Chann., Fan, Chin-Yuan., Hsieh, Jih-Chang.2009.A Weighted Fuzzy Neural Network for Electricity Demand Forecasting.First Asia Conference on Intelegent Information and Database System.Taiwan.

Gleick, James. 1987. Chaos: Making a New Science. New York: Viking Press.

Herdinata, C.2010.Aplikasi Model Artificial Neural Network untuk stock forcasting di pasar modal Indonesia.Fakultas Ekonomi Jurusan International Bussines Management Universitas Ciputra Surabaya.

Kasabov, N. 2007. Evolving Connectionist Systems. London: Springer

Kusumadewi, S., Hartati, S.2010.Neuro fuzzy integritas sistem fuzzy & jaringan syaraf.penerbit graha ilmu edisi 2.

Liu, Gui Rong, Vincent Chye Beng Tan, dan Xu Guang Han. 2006. Computational Methods. London: Springer.

Murahartawaty. 2009. Peramalan. Sekolah Tinggi Teknologi Telkom.

Nasution, H.2012.Implementasi Logika Fuzzy pada sistem Kecerdasan Buatan.Program Studi Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik Univeristas Tanjung Pura Pontianak.

Priandana, Gani (2012), monthly electricity demand forecasting based on weighted evolving fuzzy neural network approach.

Siregar, R.A. 2014. Prediksi Banjir Dengan Menggunakan Weighted Evolving Fuzzy Neural Network (WEFUNN.) Skripsi, Medan :Universitas Sumatera Utara. Wardani, R., Soesianto, f., Nugorho, E L., Ashari, A.2010.Desain model spesifikasi

akses pengguna di lingkungan jaringan berkecepatan rendah.Jurusan Pendidikan Teknik Elektronika Universitas Negeri Yogyakarta.

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas analisis metode Weighted Evolving Fuzzy Neural Network pada sistem dan membahas tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.

3.1. Identifikasi Masalah

Perkembangan produk sepeda motor di Indonesia semakin pesat dari waktu ke waktu. Setiap perusahaan sepeda motor berusaha menghasilkan produk yang berkualitas tinggi, baik segi teknologi dan eksteriornya. Hal ini, mengakibatkan persaingan antar perusahaan produk sepeda motor. Keberhasilan suatu perusahaan dicerminkan oleh kemampuan manajemen untuk memanfaatkan peluang secara optimal sehingga dapat menghasilkan penjualan dan laba sesuai dengan yang diharapkan. Kesalahan mendasar yang sering terjadi dalam membuat semua rencana penjualan sulit direalisasi adalah kesalahan dalam pembuatan prediksi penjualan yang tepat. Apabila prediksi penjualan di buat terlalu besar maka biaya produksi akan membengkak dan seluruh investasi yang ditanamkan menjadi kurang efisien. Sebaliknya, bila prediksi penjualan di buat terlalu kecil maka perusahaan akan menghadapi kehabisan persediaan (Stock Out), sehingga pelanggan terpaksa menunggu terlalu lama untuk produk yang diinginkan. Mengantisipasi hal tersebut, setiap perusahaan melakukan peramalan penjualan untuk mengetahui perkembangan penjualan produknya. Untuk mempermudah peramalan penjualan berdasarkan data runtun waktu di masa lalu, diperlukan suatu sistem yang dapat memprediksi harga sepeda motor dengan suatu metode tertentu.

26

3.2. Data yang Digunakan

Data yang digunakan pada penelitian inilah adalah data penjualan sepeda motor periode Januari 2010 s.d Juli 2014 seperti yang dirangkumkan dalam Tabel 3.1 dibawah ini:

Tabel 3.1 Rangkuman data penjualan sepeda motor

No Bulan/Tahun Nama

motor

Harga motor

Harga modal

Promosi Keuntungan 1 Januari 2010 Mio 14.843.000 13.600.000 350.000 1.200.000 2 februari 2010 JupiterZ 15.800.000 14.434.000 300.000 1.150.000 3 Maret 2010 Vixion 24.000.000 23.000.000 600.000 1.200.000 4 April 2010 Scorpio 25.000.000 24.000.000 600.000 1.270.000 5 Mei 2010 Vega 12.000.000 10.200.000 400.000 1.250.000 6 Juni 2010 Mio 14.360.000 13.500.000 350.000 1.200.000 7 Juli 2010 JupiterZ 15.670.00 14.634.000 350.000 1.130.000 8 Agustus 2010 Vixion 24.000.000 23.230.000 590.000 1.350.000 9 September 2010 Scorpio 25.000.000 24.150.000 550.000 1.470.000 10 Oktober 2010 Vega 12.000.000 10.100.000 430.000 1.130.000

... ... ... ... ... ... ...

269 Januari 2014 Mio 15.404.000 13.950.000 400.000 1.000.000 270 Februari 2014 JupiterZ 16.415.000 15.150.000 400.000 900.000 271 Maret 2014 Vixion 24.996.000 22.800.000 550.000 1.000.000 272 April 2014 Scorpio 25.561.000 24.300.000 475.000 1.090.000 273 Mei 2014 Vega 14.379.000 13.590.000 294.000 890.000 274 Juni 2014 Mio 15.104.000 13.950.000 410.000 1.270.000 275 Juli 2014 JupiterZ 16.015.000 15.450.000 395.000 1.050.000

3.3. Analisis Sistem

Sistem prediksi harga penjualan sepeda motor menggunakan weighted evolving fuzzy neural network (WEFuNN) merupakan suatu sistem yang memberikan hasil prediksi suatu harga sepeda motor berdasarkan data runtun waktu di masa lalu. Sistem akan menerima masukan berupa data harga penjualan sepeda motor sebelumnya. Kemudian data tersebut diproses dengan metode weighted evolving fuzzy neural network untuk mendapatkan hasil prediksi. Adapun Gambaran algoritma metode weighted evolving fuzzy neural network dapat dilihat pada Gambar 3.1.

28

Adapun cara kerja sistem prediksi harga sepeda motor yang akan dibangun, dirancang untuk beroperasi sebagai berikut:

1. Input data penjualan sepeda motor (jenis motor, nama motor, tahun, harga modal, komisi marketing, dan keuntungan yang diinginkan) sebelumnya ke dalam database.

2. Input nilai sensitive threshold, error threshold, learning rate 1, dan learning rate 2.

3. Melakukan Normalisasi data yang akan digunakan dan diubah pada rentang 0 ≤ x ≤ 1. Berikut adalah formula yang digunakan untuk menormalisasi data:

Dimana :

y : Nilai Normalisasi

x : Nilai data penjualan sepeda motor

a : Nilai Minimum dari data penjualan sepeda motor b : Nilai Maximum dari data penjualan sepeda motor

4. Menentukan nilai membership function dan target dari data yang sudah dinormalisasi menggunakan triangular membership function sesuai dengan persamaan (2.3). Dari data penjualan sepeda motor dari periode Januari 2013 s.d. Juli 2014 yang dimiliki, variabel data penjualan dibagi kedalam 3 interval yaitu:

a. Inp = 0, jika nilai normalisasi lebih kecil dari 0.

b. Inp = (x - a)/(b - a), jika nilai normalisasi lebih besar sama dengan 0 dan lebih kecil dari 0,5.

c. Inp = (c - x) / (c - b), jika nilai normalisasi lebih besar sama dengan 0,5 dan lebih keci dari 1.

0 1

0,5 1

Inp

data

Gambar 3.2. Himpunan fuzzy untuk Data Penjualan

5. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan mengisi nilai dari bobot satu dan bobot dua dengan persamaan (2.6).

6. Hitung nilai Fuzzy Distance Function dengan menggunakan persamaan (2.7)

7. Menghitung nilai aktivasi (A1i) dari hasil penghitungan Fuzzy Distance Function dengan menggunakan persamaan (2.8).

8. Cari nilai aktivasi tertinggi dengan persamaan (2.9)

9. Mencari nilai rule node (ri*) yang memiliki nilai aktivasi tertinggi.

10.Mengecek apakah nilai dari A1i* lebih besar dari sensitive threshold. Jika A1i* lebih kecil dari sensitive threshold maka nilai bobot W1 dan W2 akan diubah dengan menggunakan persamaan (2.11), kemudian nilai rule node ditambah dengan menggunakan persamaan (2.10), dan menuju ke langkah (6).

11.Melakukan propagasi terhadap aktivasi dari rule node (ri*) dengan menggunakan persamaan (2.12).

12.Menghitung fuzzy ouput error dengan menggunakan persamaan (2.13).

30

14.Mengecek Error lebih kecil dari error threshold mengubah nilai bobot W1 dan W2 dengan menggunakan persamaan (2.15). jika tidak, maka menambah nilai rule node dengan menggunakan persamaan (2.14), dan menuju ke langkah (6).

15.Mengubah bobot W1 dan W2 dengan menggunakan persamaan (2.16), (2.17), dan (2.18).

16.Melakukan training terhadap data selanjutnya dan menuju ke langkah (6), sebaliknya jika semua data sudah ditraining, maka selanjutnya menuju langkah (17).

17.Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang sebenarnya dengan menggunakan persamaan di bawah ini.

Dimana : y = nilai hasil prediksi

x = nilai hasil denormalisasi a = nilai minimum dari data b = nilai maximum dari data

18.Menghitung kesalahan hasil prediksi dengan menggunakan MAPE (mean absolute percentage error), berikut adalah formula yang digunakan:

∑

| |

dimana a adalah data sebenarnya, b adalah data prediksi, dan n adalah banyak data.

3.4. Perancangan sistem

Perancangan sistem di tahap ini akan dilakukan perancangan data Penjualan sepeda motor yang akan diproses di dalam sistem dan juga dilakukan perancangan antarmuka sistem yang akan dibangun.

3.3.1. Use case diagram

Use case diagram adalah mengambarkan hubungan actor dengan satu atau lebih dan gambarannya mengunakan sebuah gambar anak panah, orang atau elips. Use case diagram ini mengambarkan penguna untuk memanfaatkan dari sebuah sistem yang akan dibangun sedangkan seorang administrator yang langsung berhubungan atau mengendalikan sebuah sistem. Use case diagram ini mempresentasikan proses atau kegunaan dari seorang aktor pada sebuah sistem yang akan dibangun. (Artina, 2006). Use case diagram dari sistem yang akan dibuat dapat dilhat pada Gambar 3.3

32

3.3.2. Use case specification

Use case specification merupakan perkembangan dari sebuah use case diagram dan diagram ini memberikan sebuah gambaran dimana pada diagram ini saling berinteraksi antar komponen fungsionalitas dalam model pada sebuah sistem yang akan dibangun. (wardani, et al, 2010). Use case spesifikasi untuk sistem yang akan dibangun dapat dilihat pada Tabel 3.2, Tabel 3.3, Tabel 3.4, Tabel 3.5, dan Tabel 3.6.

Tabel 3.2 Use Case Spesifikasi untuk Use Case Home Tipe Use Case Penjelasan

Nama Use Case Home

Aktor User

Deskripsi Use case ini dilihat actor saat pertama kali membuka aplikasi. Pre condition -

Characteristic of activation

Eksekusi dilakukan oleh user.

Basic flow - Aktor membuka aplikasi

- Aplikasi menampilkan halaman awal Alternative flow -

Post condition Pada use case ini aktor dapat memilih menu yang ada. Limitations -

Skenario use case Kategori Motor dapat dilihat pada Tabel 3.3. Tabel 3.3 Use Case Spesifikasi untuk Use Case Kategori Motor Tipe Use Case Penjelasan

Nama Use Case Kategori Motor

Aktor User

Deskripsi Use case ini digunakan oleh aktor untuk memasukan kategori jenis motor, contoh jenis motor : Bebek, Sport, Matic, dll. Pre condition Aktor harus masuk berada pada halaman kategori motor

terlebih dahulu. Characteristic of

activation

Basic flow -Aktor memilih menu kategori motor.

-Sistem menampilkan halaman kategori motor. -Aktor memasukkan data kategori motor. -Aktor menyimpan data kategori motor

-Use case ini berakhir ketika sistem telah menyimpan kategori motor yang telah dibuat.

Alternative flow -

Post condition Sistem menampilkan kembali semua data kategori motor termasuk data kategori motor terbaru.

Limitations -

Scenario use case Parameter Data dapat dilihat pada Tabel 3.4. Tabel 3.4 Use Case Spesifikasi untuk Use Case Parameter Data Tipe Use Case Penjelasan

Nama Use Case Parameter Data

Aktor User

Deskripsi Use case ini digunakan oleh user untuk mengisi parameter data yaitu : Jenis Motor, Nama Motor, Tahun, Harga Modal, Komisi Marketing, dan Keuntungan yang diinginkan.

Pre condition Aktor telah berada di dalam aplikasi. Characteristic of

activation

Eksekusi dilakukan oleh user.

Basic flow -Aktor memilih menu Parameter Data.

-Sistem menampilkan halaman Parameter Data.

-Aktor dapat mengisi parameter data dan menekan tombol simpan

-Use case ini berakhir ketika sistem telah selesai menampilkan semua parameter data termasuk parameter data terbaru.

Alternative flow -

Post condition -Sistem menampilkan kembali semua data parameter motor termasuk data parameter motor terbaru

34

Scenario use case Parameter Aplikasi dapat dilihat pada Tabel 3.5. Tabel 3.5 Use Case Spesifikasi untuk Use Case Parameter Aplikasi Tipe Use Case Penjelasan

Nama Use Case Parameter Aplikasi

Aktor User

Deskripsi Use case ini digunakan oleh user untuk mengisi parameter aplikasi antara lain : Sensitive Threshold, Error Threshold, Learning Rate 1, dan Learning Rate 2.

Pre condition Aktor harus berada di halaman Parameter Aplikasi dan memasukkan parameter dan menekan tombol simpan.

Characteristic of activation

Eksekusi dilakukan oleh user.

Basic flow -Aktor memilih menu Parameter Aplikasi.

-Sistem menampilkan halaman Parameter Aplikasi.

-Use case ini berakhir ketika sistem telah selesai menampilkan Parameter Aplikasi termasuk data parameter aplikasi terbaru. Alternative flow -

Post condition -Sistem menampilkan kembali semua data parameter aplikasi termasuk parameter aplikasi terbaru

Limitations -

Scenariouse case Prediksi dapat dilihat pada Tabel 3.6. Tabel 3.6 Use Case Spesifikasi untuk Use Case Prediksi Tipe Use Case Penjelasan

Nama Use Case Prediksi

Aktor User

Deskripsi Use case ini digunakan oleh user untuk melihat hasil dari prediksi.

Pre condition Aktor harus berada di halaman Prediksi dan menekan tombol show.

Characteristic of activation

Eksekusi dilakukan oleh user. Basic flow -Aktor memilih menu prediksi.

-Sistem menampilkan halaman prediksi dan menampilkan nilai dari parameter aplikasi.

hasil dr prediksi. Alternative flow -

Post condition -. Limitations -

3.3.3. 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. Activity diagram Home

Pada activity diagram home, pengguna sistem akan melihat tampilan home saat pertama membuka aplikasi. Activity diagram home dapat dilihat pada Gambar 3.4.

Gambar 3.4. Diagram Aktivitas home

2. Activity diagram Kategori Motor

Pada activity diagram Kategori Motor, pengguna dapat memasukkan data Kategori Motor atau bahkan dapat mengedit dan menghapus kategori motor. Kita harus

36

mengisi nama Kategori yang di inginkan dan kemudian menekan tombol Simpan. Activity diagram Kategori Motor dapat dilihat pada Gambar 3.5a, 3.5b dan 3.5c.

Gambar 3.5a. Diagram Aktivitas Kategori Motor

Gambar 3.5c. Diagram Aktifitas Edit Kategori

3. Activity diagram Parameter Data

Pada activity diagram Parameter Data, pengguna diminta untuk memasukan parameter data yang digunakan antara lain : Jenis Motor, Nama Motor, Tahun, Harga Modal, Komisi Marketing, dan Keuntungan yang diinginkan, dan kemudian menekan tombol simpan. Activity diagram Parameter Data dapat dilihat pada Gambar 3.6a, 3.6b, dan 3.6c.

38

Gambar 3.6b. Diagram Aktifitas Hapus Parameter Data

Gambar 3.6c. Diagram Aktifitas Edit Parameter

4. Activity diagram Parameter Aplikasi

Pada activity diagram Parameter Aplikasi, pengguna diminta untuk memasukan parameter aplikasi yang digunakan yakni : Sensitive Threshold, Error Threshold, Learning Rate 1, Learning Rate 2 dan kemudian menekan tombol simpan. Activity diagram Parameter Aplikasi dapat dilihat pada Gambar 3.7a, 3.7b, dan 3.7c.

Gambar 3.7a. Diagram Aktifitas Parameter Aplikasi

40

Gambar 3.7c. Diagram Aktifitas Edit Parameter Aplikasi

5. Activity diagram Prediksi

Pada activity diagram Prediksi, pengguna langsung masuk kedalam halaman prediksi yang pada halaman tersebut menampilkan data dari parameter aplikasi yang telah dibuat dan kemudian menekan tombol show untuk melihat hasil prediksi. Dimana hasil prediksi yang didapat meliputi antara lain: Nama Motor, Tahun, Harga Modal, Harga Target, Prediksi Harga, Nilai Error dan Total MAPE. Activity diagram Prediksi dapat dilihat pada Gambar 3.8.

3.3.4. 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 3.9. Rancangan sistem prediksi harga sepeda motor ini terdiri dari halaman home, katageri motor, parameter data, parameter aplikasi, prediksi dan about.

Gambar 3.9. Rancangan Menu Sistem

3.3.5. 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 antarmuka halaman home dapat dilihat pada Gambar 3.10.

Gambar 3.10. Rancangan Antarmuka Halaman Home

Home Kategori Motor Parameter Data Parameter Aplikasi Prediksi About Home Kategori Parameter Data

Motor

Prediksi Parameter

Aplikasi

42

B. Rancangan halaman Kategori Motor

Pada bagian halaman ini pengguna dapat melihat semua kategori motor dan dapat menambah kategori lainnya bahkan dapat menghapus kategori yang sudah ada. Rancangan dapat dilihat pada gambar 3.11.

Gambar 3.11. Rancagan Antarmuka Halaman Kategori Motor

C. Rancangan halaman Parameter Data

Pada bagian halaman ini, pengguna dapat melihat seluruh data yang sudah ada dan dapat menambah data yang baru, mengedit data yang sudah ada, dan menghapus parameter yang sudah ada. Rancangan dapat dilihat pada gambar 3.12.

Gambar 3.12. Rancangan Antarmuka Halaman Parameter Data

Home Kategori Motor Parameter Data Parameter Aplikasi Prediksi About

KATEGORI Nama Kategori :

No Kategori Action

Home Kategori Motor Parameter Data Parameter Aplikasi Prediksi About

DATA Jenis : Nama : Tahun : Harga Modal:

D. Rancangan halaman Parameter Aplikasi

Pada bagian halaman ini, pengguna dapat melihat seluruh data parameter aplikasi yang sudah ada dan dapat menambah data yang baru, mengedit data yang sudah ada, dan menghapus parameter aplikasi yang sudah ada. Rancangan dapat dilihat pada gambar 3.13.

Gambar 3.13. Rancagan Antarmuka Halaman Parameter Aplikasi

E. Rancangan halaman Prediksi

Pada bagian halaman ini, pengguna dapat melihat parameter aplikasi yang digunakan sebelumnya dan melihat hasil prediksi dari data yang sudah di evaluasi. Rancangan dapat dilihat pada gambar 3.14.

Gambar 3.14. Rancangan Antarmuka Halaman Prediksi

Home Kategori Motor Parameter Data Parameter Aplikasi Prediksi About

Parameter Aplikasi Sensitive Threshold :

Error Threshold : Learning rate 1 : Learning rate 2 :

No Sensitive Threshold Error Threshold Learning rate 2 Learning rate 1

Home Kategori Motor Parameter Data Parameter Aplikasi Prediksi About

Hasil Prediksi

Sensitive Threshold : Error Threshold : Learning rate 1 : Learning rate 2 :

No Nama Motor Harga Target Prediksi harga Error MAPE

BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Pada bab ini akan dijelaskan tentang implementasi dari algoritma Weighted Evolving Fuzzy Neural Network pada sistem, sesuai dengan perancangan sistem yang telah dilakukan di Bab 3 serta melakukan pengujian sistem yang akan dibangun.

4.1. Implementasi sistem

Sesuai dengan tahap ini, metode Weighted Evolving Fuzzy Neural Network akan diimplementasikan ke aplikasi sistem, dengan mengunakan bahasa pemrograman php dan database MySql sesuai perancangan yang telah dilakukan.

4.1.1. Spesifikasi perangkat keras dan perangkat lunak

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

1. Prosesor Intel®CoreTMi3 CPU 2.40 GHz 2. Kapasitas hardisk : 500 GB

3. Memori RAM yang digunakan 2.00 GB

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

4.1.2. Implementasi Perancangan Antarmuka

Implementasi dari perancangan antarmuka yang telah dilakukan sebelumnya yaitu sebagai berikut :

A. Halaman Home

Halaman Home merupakan halaman yang pertama kali muncul ketika sebuah aplikasi sistem ini dijalankan. Pada halaman Home terdapat 6 Menu yaitu : Home, Kategori Motor, Parameter Data, Parameter Aplikasi, Prediksi, dan About. Tampilan Halaman Home dapat dilihat pada gambar 4.1.

Gambar 4.1. Tampilan halaman home

B. Halaman Kategori Motor

Halaman Kategori Motor adalah halaman yang menampilkan berbagai jenis kategori motor yang sudah dibuat yang berada dalam database. Pada halaman ini kita dapat menambah kategori motor lain nya dan terdapat tombol simpan untuk menyimpan kategori motor yang baru dibuat. Dan pada halaman ini kita bisa mengedit dan menghapus data kategori yang sudah ada dengan menekan tombol edit dan tombol hapus. Tampilan halaman Kategori Motor dapat dilihat pada gambar 4.2.

46

Gambar 4.2. Tampilan halaman Kategori Motor

C. Halaman Parameter Data

Halaman Parameter Data merupakan halaman yang menampilkan data keseluruhan yang telah dimasukkan kedalam database. Pada halaman ini kita juga dapat menambahkan data terbaru kedalam database dengan mengisi form yg ada dan menekan tombol simpan untuk menyimpannya kedalam database. Dan pada halaman ini kita bisa mengedit atau menghapus data yang sudah ada dengan menekan tombol edit dan hapus. Tampilan halaman pada gambar 4.3.

D. Halaman Parameter Aplikasi

Halaman Parameter Aplikasi merupakan halaman yang menampilkan data parameter aplikasi yang telah dibuat. Pada halaman ini kita juga dapat menambah atau mengubah parameter aplikasi yang telah dibuat dengan catatan hanya Sensitive Threshold yang dapat diubah agar tidak mengganggu sistem yang telah dibuat. Tampilan Halaman Parameter Aplikasi dapat dilihat pada gambar 4.4.

Gambar 4.4 Tampilan halaman Parameter Aplikasi

E. Halaman Prediksi

Halaman prediksi merupakan halaman yang menampilkan nilai dari parameter aplikasi yang telah dipilih pada halaman Parameter Aplikasi dan terdapat tombol Show untuk melihat hasil prediksi dari sistem yang telah dibuat. Tampilan halaman prediksi dapat dilihat pada gambar 4.5.

48

Gambar 4.5. Tampilan halaman Prediksi awal

Dan Tampilan hasil prediksi setelah menekan tombol show dapat dilihat pada gambar 4.6.

4.1.3. Implementasi Data

Adapun data penjualan sepeda motor yang digunakan didapat dari data penjualan sepeda motor Yamaha periode Januari 2010 s.d Juli 2014 adalah sebagai berikut :

Tabel 4.1. Rangkuman data penjualan sepeda motor No Bulan/Tahun Nama

motor

Harga motor

Harga modal

Promosi Keuntungan

1 Januari 2010 Mio 14.843.000 13.600.000 350.000 1.200.000 2 februari 2010 JupiterZ 15.800.000 14.434.000 300.000 1.150.000 3 Maret 2010 Vixion 24.000.000 23.000.000 600.000 1.200.000 4 April 2010 Scorpio 25.000.000 24.000.000 600.000 1.270.000 5 Mei 2010 Vega 12.000.000 10.200.000 400.000 1.250.000 6 Juni 2010 Mio 14.360.000 13.500.000 350.000 1.200.000 7 Juli 2010 JupiterZ 15.670.00 14.634.000 350.000 1.130.000 8 Agustus 2010 Vixion 24.000.000 23.230.000 590.000 1.350.000 9 September

2010

Scorpio 25.000.000 24.150.000 550.000 1.470.000 10 Oktober 2010 Vega 12.000.000 10.100.000 430.000 1.130.000

... ... ... ... ... ... ...

269 Januari 2014 Mio 15.404.000 13.950.000 400.000 1.000.000 270 Februari 2014 JupiterZ 16.415.000 15.150.000 400.000 900.000 271 Maret 2014 Vixion 24.996.000 22.800.000 550.000 1.000.000 272 April 2014 Scorpio 25.561.000 24.300.000 475.000 1.090.000 273 Mei 2014 Vega 14.379.000 13.590.000 294.000 890.000 274 Juni 2014 Mio 15.104.000 13.950.000 410.000 1.270.000 275 Juli 2014 JupiterZ 16.015.000 15.450.000 395.000 1.050.000

4.2. Pengujian Sistem

Pengujian sistem adalah suatu proses eksekusi sistem perangkat lunak untuk dapat mengetahui apakah sistem Perangkat lunak yang telah dibangun sesuai dengan apa yang dibutuhkan. Pada tahap pengujian ini memiliki tujuan untuk mencari sebuah kesalahan dalam menjalankan sebuah sistem perangkat lunak. Untuk melakukan pengujian ini mengunakan metode Black Box Testing. Black Box testing adalah pengujian sistem dijalankan sesuai dengan modul pada sistem perangkat lunak yang

50

dibangun. Kemudian dilakukan pengecekan terhadap sistem perangkat lunak yang telah dibangun sesuai dengan kebutuhan.(Kurniawan, 2011).

4.2.1. Rencana Pengujian sistem

Rancangan pengujian sistem yang akan diuji dengan teknik black box Testing dapat dilihat pada tabel 4.2

Tabel 4.2 Rencana Pengujian Sistem

No Komponen sistem yang diuji Butir Uji

1 Halaman Kategori Motor Tombol “Simpan” Tombol “Hapus” Tombol “Edit” 2 Halaman Parameter Data Tombol “Simpan”

Tombol “Edit” Tombol “Hapus”

Form Input Parameter Data 3 Halaman Parameter Aplikasi Form Input Parameter Aplikasi

Tombol “Simpan” Tombol “Hapus” Tombol “Edit”

4 Halaman Prediksi Tombol “Show”

Form Hasil Parameter Aplikasi

4.2.2. Kasus dan hasil pengujian sistem

Adapun kasus berikut untuk menguji sistem yang akan dibangun dengan mengunakan metode Black Box Testing berdasarkan tabel 4.2. untuk hasil pengujian Black Box Testing dapat dilihat pada tabel 4.3, tabel 4.4, tabel 4,5 dan tabel 4.6.

Tabel 4.3 Hasil pengujian Black Box Testing halaman Kategori Motor

Tabel 4.4 Hasil pengujian Black Box Testing halaman Parameter Data

Tabel 4.5. Hasil pengujian Black Box Testing halaman Parameter Aplikasi No Skenario Uji Hasil yang diharapkan Hasil Pengujian

1 Pengguna memasukan

kategori motor yang akan dibuat dan mengklik tombol “Simpan”

Ketika mengklik Tombol “simpan” maka akan muncul kategori motor

yang baru dibuat dan tersimpan kedalam database.

Berhasil

2 Pengguna

mengklik tombol “Hapus”

Ketika Pengguna mengklik tombol “Hapus” maka akan muncul pesan pop

upkemudian data kategori yang di inginkan akan terhapus.

Berhasil

3 Pengguna

mengklik tombol “Edit”

Ketika Pengguna mengklik tombol “Edit” maka akan muncul form untuk

mengganti nama kategori dan tombol “Update” untuk menyimpannya.

Berhasil

No Skenario Uji Hasil yang diharapkan Hasil Pengujian 1 Pengguna mengisi

form data motor yang akan dibuat dan mengklik tombol “Simpan”

Ketika mengklik Tombol “simpan” maka akan muncul Data yang baru

dibuat dan tersimpan kedalam database.

Berhasil

2 Pengguna

mengklik tombol “Hapus”

Ketika Pengguna mengklik tombol “Hapus” maka akan muncul pesan pop upkemudian datayang di inginkan akan

terhapus.

Berhasil

3 Pengguna

mengklik tombol “Edit”

Ketika Pengguna mengklik tombol “Edit” maka akan muncul form untuk mengganti parameter data dan tombol

“Update” untuk menyimpannya.

Berhasil

No Skenario Uji Hasil yang diharapkan Hasil Pengujian 1 Pengguna mengisi

form parameter aplikasi yang akan dibuat dan mengklik tombol “Simpan”

Ketika mengklik Tombol “simpan” maka akan muncul data parameter

yang baru dibuat dan tersimpan kedalam database.

52

Tabel 4.6. Hasil pengujian Black Box Testing halaman Prediksi

4.2.3. Pengujian Kinerja Sistem

Misalkan terdapat 10 data penjualan sepeda motor yang dikelompokkan perbulan pada Tabel 4.7.

Tabel 4.7. Data penjualan sepeda motor Januari 2010-Oktober 2010 No Bulan/Tahun Nama

motor

Harga motor

Harga

modal Promosi Keuntungan 1 Januari 2010 Mio 14.843.000 13.600.000 350.000 1.200.000 2 Februari 2010 JupiterZ 15.800.000 14.434.000 300.000 1.150.000 3 Maret 2010 Vixion 24.000.000 23.000.000 600.000 1.200.000 4 April 2010 Scorpio 25.000.000 24.000.000 600.000 1.270.000 5 Mei 2010 Vega 12.000.000 10.200.000 400.000 1.250.000

Tabel 4.5. Hasil pengujian Black Box Testing halaman Parameter Aplikasi (lanjutan)

2 Pengguna

mengklik tombol “Hapus”

Ketika Pengguna mengklik tombol “Hapus” maka akan muncul pesan pop

upkemudian data parameter aplikasi yang di inginkan akan terhapus.

Berhasil

3 Pengguna

mengklik tombol “Edit”

Ketika Pengguna mengklik tombol “Edit” maka akan muncul form untuk

mengganti parameter aplikasi dan tombol “Simpan” untuk

menyimpannya.

Berhasil

No Skenario Uji Hasil yang diharapkan Hasil Pengujian 1 Form Parameter

Aplikasi

Ketika pengguna masuk ke dalam halaman Predi ksi otomatis akan muncul parameter aplikasi yang telah

di pilih.

Berhasil

2 Pengguna

mengklik tombol “Show”

Ketika Pengguna mengklik tombol “Show” maka secara otomatis akan muncul halaman yang menampilkan

nilai dari prediksi sistem dan nilai MAPE

Tabel 4.7. Data Penjualan sepeda motor Januari 2010-Oktober 2010 (lanjutan) No Bulan/Tahun Nama

motor

Harga motor

Harga

modal Promosi Keuntungan 6 Juni 2010 Mio 14.360.000 13.500.000 350.000 1.200.000 7 Juli 2010 JupiterZ 15.670.00o 14.634.000 350.000 1.130.000 8 Agustus 2010 Vixion 24.000.000 23.230.000 590.000 1.350.000 9 September2010 Scorpio 25.000.000 24.150.000 550.000 1.470.000 10 Oktober 2010 Vega 12.000.000 10.100.000 430.000 1.130.000

Langkah-langkah perhitungan manual pada metode weighted evolving fuzzy neural networks untuk data pada Tabel 4.7 sebagai berikut:

1. Menentukan nilai dari parameter EFuNN yaitu: sensitive threshold, learning rate 1, learning rate 2, dan error threshold. Nilai parameter yang digunakan adalah sensitive threshold = 0,01, learning rate 1 = 0,01, learning rate 2 = 0,01, dan error threshlod = 0,01.

2. Melakukan normalisasi data penjualan sepeda motor pada Tabel 4.7 berdasarkan persamaan (3.1). Harga Target didapat dari penjumlahan harga modal ditambah biaya promosi ditambah keuntungan. Maka didapatkan nilai normalisasi yang dapat dilihat pada Tabel 4.8.

Tabel 4.8 Nilai Normalisasi Data sepeda motor Januari 2010-Oktober 2010

No Bulan/Tahun Nama

motor

Harga Target Nilai Normalisasi

1 Januari 2010 Mio 15.150.000 0,2622

2 februari 2010 JupiterZ 14.434.000 0,2948

3 Maret 2010 Vixion 24.800.000 0,6911

4 April 2010 Scorpio 25.870.000 0,7386

5 Mei 2010 Vega 11.850.000 0,1155

54

Tabel 4.8 Nilai Normalisasi Data sepeda motor Januari 2010-Oktober 2010

7 Juli 2010 JupiterZ 16.114.000 0,3050

8 Agustus 2010 Vixion 25.170.000 0,7075

9 September2010 Scorpio 26.170.000 0,752

10 Oktober 2010 Vega 11.660.000 0,1071

3. Menentukan nilai membership function dan target dari data yang sudah dinormalisasi menggunakan triangular membership function sesuai dengan persamaan (2.3). Dari data penjualan sepeda motor pada Tabel 4.8. Hasil dari penentuan nilai membership function dan target dari data yang telah dinormalisasi dapat dilihat pada Tabel 4.9.

Tabel 4.9 Nilai fuzzy input dan fuzzy output

No Bulan/Tahun Nama

motor

Nilai Normalisasi

Fuzzy Input (Inp)

Fuzzy Output (target)

1 Januari 2010 Mio 0,2622 0,1041 0,2622

2 Februari 2010 JupiterZ 0,2948 0,1109 0,2948

3 Maret 2010 Vixion 0,6911 0,1257 0,6911

4 April 2010 Scorpio 0,7386 0,1016 0,7386

5 Mei 2010 Vega 0,1155 0,2676 0,1155

6 Juni 2010 Mio 0,2533 0,1094 0,2533

7 Juli 2010 Jupiter Z 0,3050 0,1229 0,3050

8 Agustus 2010 Vixion 0,7075 0,1260 0,7075

9 September 2010 Scorpio 0,752 0,0565 0,752

10 Oktober 2010 Vega 0,1071 0,2814 0,1071

4. Melakukan inisialisasi terhadap bobot W1 = Inpi, W2 = targeti, dan rn (rule node)

= 1, sehingga didapatkan nilai dari bobot W1 = 0,1041 dan W2 = 0,2622 dan rn = 1.

6. Melakukan proses prediksi menggunakan metode weighted evolving fuzzy neural network pada sistem.

7. Setelah didapat hasil prediksi, maka selanjutnya melakukan denormalisasi dari hasil prediksi menggunakan persamaan (3.2) pada sistem karena hasil prediksi belum menjadi nilai yang sebenarnya.

8. Menghitung error rata-rata prediksi dari sepuluh data yang terdapat di Tabel 4.2 dengan menggunakan persamaan (3.3).

Dan untuk hasil pengujian sistem pada database yang dimasukkan yaitu data penjualan sepeda motor dari bulan Januari 2010 s.d. Desember 2013 dengan beberapa range priode yang ditentukan dirangkum pada Tabel 4.10.

Tabel 4.10 Rangkuman Hasil Pengujian Sistem

No Range/Periode Banyak Data MAPE

1 Januari 2010-Desember 2011 120 0,856%

2 Januari 2011-Desember 2012 120 0,871%

3 Januari 2010-Desember 2012 180 0,776%

4 Januari 2010-Desember 2013 240 0,698%

5 Januari 2011-Desember 2013 180 0,759%

6 Januari 2012-Desember 2013 120 0,857%

7 Januari 2010-Desember 2010 60 0.972%

Berdasarkan Tabel 4.10 dapat disimpulkan bahwa pengimplementasian metode weighted evolving fuzzy neural network memiliki keakuratan yang berbeda-beda dan rata-rata memiliki tingkat error sebesar 0,7%.

4.2.4. Pelatihan data

Pelatihan data adalah untuk mencari bobot-bobot yang terdapat pada tiap layer yang akan digunakan untuk melakukan pengujian terhadap data yang tidak dilakukan pelatihan. Data pelatihan yang digunakan adalah data penjualan sepeda motor dari

56

bulan Januari 2010 s.d. Desember 2013 dengan jumlah data sebanyak 240 data. Di bawah ini adalah hasil pelatihan dengan menggunakan parameter yang berbeda-beda dengan menggunakan data penjualan sepeda motor pada Tabel 4.11.

Tabel 4.11 Parameter dan hasil pelatihan dengan WEFuNN No Sensitive

Threshold

Error Threshold

Learning Rate 1

Learning rate 2

MAPE

1 0,1 0,01 0,09 0,09 0,702%

2 0,9 0,09 0,01 0,01 1,223%

3 0,5 0,05 0,01 0,01 1,09%

4 0,2 0,02 0,02 0,02 0,747%

5 0,9 0,09 0,09 0,09 1,194%

6 0,3 0,03 0,03 0,03 0,76%

7 0,1 0,01 0,01 0,01 0,698%

Berdasarkan hasil pelatihan diatas didapat bahwa dengan parameter yang berbeda, maka didapat juga tingkat error yang berbeda pula.

4.2.5. Pengujian data

Setelah hasil pelatihan dengan parameter yang berbeda-beda diperoleh, selanjutnya dilakukan pengujian terhadap 35 data testing, yaitu data penjualan sepeda motor dari bulan Januari 2014 s.d. Juli 2014. Arsitektur jaringan yang akan digunakan dalam pengujian adalah arsitektur jaringan yang memiliki tingkat error paling kecil selama proses pelatihan. Berdasarkan tabel pelatihan yang terdapat pada Tabel 4.11, arsitektur dengan nilai parameter sensitive threshold = 0.1, learning rate 1 = 0.01, learning rate 2 = 0.01, dan error threshold = 0,01 menghasilkan nilai error terkecil selama masa pelatihan yakni 0,698%. Pengujian ini bertujuan untuk menguji keakuratan arsitektur jaringan WEFuNN dalam mengenali pola data runtun waktu. Dari hasil pengujian, diperoleh nilai error sebesar 1,269 %.

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pengujian sistem prediksi harga sepeda motor menggunakan weighted evolving fuzzy neural network (WEFuNN) diperoleh beberapa kesimpulan yaitu:

1. Dari hasil pelatihan didapat hasil error rata-rata (MAPE) terkecil yaitu sebesar 0.698% dengan menggunakan data penjualan real periode tahun Januari 2010 sampai dengan Desember 2013 pada parameter sebagai berikut : Sensitive Threshold 0,1, Error Threshold 0,01, LR1 0,01, LR2 0,01.

2. Hasil pengujian dengan menggunakan data penjualan sepeda motor dari periode bulan Januari 2014 s.d. Juli 2014 mendapatkan hasil error rata-rata sebesar 1,269 %.

3. Hasil prediksi yang didapat adalah untuk menentukan nilai harga sepeda motor dengan mengimplementasikan metode WEFuNN dari data pengujian sebelumnya.

4. Hasil prediksi harga sepeda motor sangat terpengaruh terhadap nilai paramater WEFuNN yang dimasukkan ke dalam sistem peramalan.

5. Hasil prediksi sangat terpengaruh hasil pelatihan yang dilakukan sebelum pengujian, jika error pada saat pelatihan menghasilkan error yang besar pada bobot-bobot tertentu, maka pada saat pengujian beberapa data akan menghasilkan error yang besar dan sebaliknya.

58

6. WEFuNN dapat digunakan untuk data yang selalu berubah-ubah atau selalu bertambah karena jaringan arsitektur WEFuNN dibentuk pada saat dilakukan pelatihan.

Berdasarkan kesimpulan di atas WEFuNN berhasil diimplementasikan pada suatu sistem prediksi harga sepeda motor. Nilai MAPE dari hasil prediksi dengan menggunakan WEFuNN adalah 1,269%.

5.2 Saran

Pada penelitian selanjutnya, dapat diterapkan metode prediksi lain untuk menghasilkan data prediksi yang lebih akurat dan nilai error (MAPE) yang lebih kecil daripada metode WEFuNN.

BAB 2

LANDASAN TEORI

Bab ini membahas tentang teori penunjang dan penelitian terdahulu yang berhubungan dengan penerapan metode Weighted Evolving Fuzzy Neural Network (WEFuNN) untuk prediksi harga sepeda motor dan beberapa data pendukung.

2.1. Peramalan (forecasting)

Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan (Murahartawaty, 2009). 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, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan 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

7

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).

2.1.1. 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

Jangka Panjang (Lebih dari 2 tahun)

Strategis

Penelitian dan

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.

9

2.2. Logika Fuzzy

Fuzzy dapat diartikan sebagai kabur atau samar-samar suatu nilai dapat bernilai benar atau bernilai salah secara bersamaan. Logika fuzzy diperkenalkan oleh Prof.Lotfi Zadeh tahun 1965. Logika fuzzy merupakan suatu logika yang memilih nilai kesamaan (Fuzzyness) antara benar atau salah, logika fuzzy memiliki derajat keanggotaan dalam rentang 0 sampai 1. Logika fuzzy menunjukan sampai sejauh mana sebuah nilai itu benar dan sejauh mana sebuah nilai itu salah (Nasution, 2012).

Logika fuzzy merupakan suatu cara untuk memetahkan suatu ruang input ke dalam ouput, memiliki nilai kontinu dan fuzzy dinyatakan dalam derajat keanggotaan atau derajat dari kebenaran. Logika fuzzy digunakan untuk menerjemahkan besaran yang diekpresikan mengunakan bahasa (Nasution, 2012).

Kelebihan dari logika fuzzy adalah mampu memproses penalaran secara bahasa sehingga dalam proses pembuatannya tidak memerlukan persamaan matematika dan suatu objek yang akan dikendalikan (Nasution, 2012).

2.2.1. Himpunan Fuzzy

Himpunan Fuzzy Merupakan suatu kelompok yang dimana mewakili suatu kondisi tertentu untuk suatu variabel fuzzy. Contoh : untuk variabel umur yaitu Muda, Tua dan Parobaya (Amiruddin, 2011). Grafik Himpunan fuzzy dapat dilihat pada gambar 2.1

Gambar 2.1 Contoh grafik himpunan fuzzy pada variabel umur (Sumber : Amiruddin,2011)

Di dalam himpunan fuzzy terdapat 2 atribut yaitu variabel dan numeris. Linguistik merupakan pemberian nama suatu kelompok yang mewakili kondisi tertentu dengan mengunakan bahasa alami seperti : muda, tua dan parobaya dan numeris merupakan nilai yang menunjukan suatu ukuran pada variabel seperti 20, 40, dan 35 (Amiruddin,2011).

2.2.2. Fungsi Keanggotaan fuzzy

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1 (Kusumadewi, 2010). Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Ada beberapa fungsi yang digunakan seperti fungsi linear, kurva segitiga, kurva trapesium, dan lain sebagainya.

1. Representasi Linear

Pada representasi linear, pemetaan input ke derajat keanggotannya digambarkan sebagai suatu garis lurus. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas. Ada dua keadaan himpunan fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain yang memiliki derajat keanggotaan nol bergerak ke kanan menuju ke nilai domain yang memiliki derajat keanggotaan lebih tinggi. Bentuk grafiknya dapat dilihat pada Gambar 2.2.

0 1

a _b

Derajat Keanggotaan

µ[X]

Gambar 2.2 Representasi Linear Naik (Sumber : Kusumadewi, 2010)

11

Fungsi Keanggotaan:

[ ] {

(2.1)

Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain dengan derajat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun ke nilai domain yang memiliki derajat keanggotaan lebih rendah yang grafiknya dapat dilihat pada Gambar 2.3.

0 1

a b

Derajat Keanggotaan

µ[X]

domain

Gambar 2.3 Representasi Linear Turun (Sumber : Kusumadewi, 2010)

Fungsi Keanggotaan:

[ ] {

2. Representasi Kurva Segitiga

Kurva segitiga pada dasarnya merupakan gabungan antara 2 garis (linear) seperti terlihat pada Gambar 2.4.

0 1

a b

Derajat Keanggotaan

µ[X]

domain c

Gambar 2.4 Kurva Segitiga (Sumber : Kusumadewi, 2010)

Fungsi Keanggotaan:

[ ] {

(2.3)

3. Representasi Kurva Trapesium

Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.

0 1

a b

Derajat Keanggotaan

µ[X]

domain c d

Gambar 2.5 Kurva Trapesium (Sumber : Kusumadewi, 2010)

13

Fungsi Keanggotaan:

[ ] {

(2.4)

2.2.3. Sistem Inferensi Fuzzy

Sistem inferensi fuzzy merupakan suatu komputasi yang didasari pada teori himpunan fuzzy, aturan fuzzy berbentuk IF – THEN dan penalaran fuzzy. Untuk proses sederhana dari sistem inferensi fuzzy yaitu sistem akan menerima input kemudian input dikirim ke basis pengetahuan yang berisi n aturan fuzzy. Fire strength dicari pada setiap aturan. Apabila jumlah aturan lebih dari satu, maka dilakukan agregasi dari semua aturan kemudian hasil tersebut akan dilakukan defuzzy untuk mendapat nilai output sistem (Kusumadewi & Hartati, 2010). Diagram blok sistem inferensi fuzzy dapat dilihat pada gambar 2.6.

Gambar 2.6 Diagram blok sistem inferensi fuzzy (Sumber : Kusumadewi & hartati, 2010)

2.3. Artificial Neural Network (ANN) / Jaringan Syaraf tiruan

Artificial Neural Network (ANN) / Jaringan Syaraf tiruan adalah suatu teknologi komputasi pada jaringan syaraf biologis yang disimulasikan kepada proses kerja model syaraf terhadap berbagai masukan. Jaringan syaraf terdiri dari beberapa neuron

sering disebut dengan node yang masing-masing neuron (node) yang saling terhubung satu dengan yang lain untuk melakukan pemrosesan informasi (Herdinata, 2010).

Jaringan syaraf tiruan juga melakukan pemrosesan informasi pada jaringan syaraf biologi. Informasi (input) akan ditujukan ke node dengan bobot – bobot tertentu. Informasi (input) diproses oleh fungsi perambatan yang dijumlahkan semua nilai perkalian input sesuai dengan bobot yang datang. Hasil penjumlahan ini akan dibandingkan dengan sebuah nilai ambang tertentu melalui fungsi aktivasi pada tahap node (Herdinata, 2010).

Apabila input melewati nilai ambang maka hasil akan diaktifkan jika tidak melewati nilai ambang maka node tidak akan diaktifkan, jika node telah diaktifkan maka node tersebut mengunakan ouput melalui bobot-bobot ouput ke semua node yang saling berhubungan (Herdinata, 2010).

2.4. Evolving Connection System (ECOS)

Walaupun metode computational intelligence seperti jaringan saraf tiruan (JST), sistem fuzzy, komputasi evolusioner, sistem hibrida, serta metode lainnya telah berhasil dikembangkan dan diterapkan, ada sejumlah masalah saat menerapkan teknik ini untuk proses berkembang yang kompleks (Kasabov, 2007), seperti:

1. Kesulitan dalam preselecting arsitektur sistem. Biasanya model kecerdasan buatan memiliki arsitektur tetap (jumlah neuron dan koneksi tetap). Hal ini membuat sulit bagi sistem untuk beradaptasi dengan data baru yang distribusinya tidak/belum diketahui. Sebuah arsitektur tetap pasti akan mencegah JST dari mode proses belajar terus-menerus.

2. Sistem akan melupakan sejumlah besar pengetahuan lama sambil belajar dari data baru.

15

3. Memerlukan waktu pelatihan yang berlebihan. Pelatihan sebuah JST dalam modus batch biasanya membutuhkan banyak iterasi dari propagasi data melalui struktur JST. Ini mungkin tidak diterima untuk sebuah sistem online adaptif, yang akan membutuhkan adaptasi yang cepat.

4. Kurangnya fasilitas representasi pengetahuan. Banyak arsitektur kecerdasan buatan menangkap parameter statistik selama pelatihan, tapi tidak memfasilitasi penggalian aturan berkembang dalam hal informasi bermakna linguistik.

Untuk mengatasi masalah di atas, peningkatan koneksionis serta penggabungan teknik dan metode perlu dilakukan baik dalam hal belajar algoritma maupun pengembangan sistem.

Dalam pengertian umum, sistem informasi akan membantu menentukan dan memahami dinamika proses yang dimodelkan, aturan-aturan di dalam sistem yang terus berkembang, untuk mengambil jalan pintas dalam memecahkan masalah yang kompleks, dan meningkatkan kinerja proses yang berkembang sepanjang waktu (terus-menerus berkembang). Kebutuhan akan hal-hal diatas merupakan bagian dari artificial intelligence (AI) yang disebut evolving intelligent systems (EIS). Penekanan konsep EIS ialah untuk menciptakan sistem yang memiliki kemampuan belajar terus-menerus berdasarkan masukan pengetahuan yang terus berkembang, meningkatkan kinerja sistem, mengembangkan representasi pengetahuan untuk masalah yang ditangani, dan menjadikan sistem lebih cerdas (Kasabov, 2007).

EIS adalah sistem informasi yang mengembangkan struktur, fungsi, dan pengetahuan dengan cara terus menerus, self-organized, adaptif, dan interaktif berdasarkan informasi yang masuk dari berbagai sumber, dan melakukan tugas-tugas cerdas seperti manusia (misalnya pengenalan pola adaptif, konsep pembentukan, pembelajaran bahasa, kontrol cerdas) sehingga meningkatkan kinerjanya (Kasabov, 2007).

Salah satu bentuk metode EIS adalah evolving connectionist systems (ECOS) yakni sebuah metode pembelajaran yang adaptif, bertahap dan sistem representasi

pengetahuan yang mengembangkan struktur dan fungsinya, dimana dalam inti sistem terdapat arsitektur koneksionis yang terdiri dari neuron (unit pengolahan informasi) dan hubungan antar-neuron (Kasabov, 2007). Sebuah ECOS adalah sistem computational intelligence berdasarkan jaringan saraf, tetapi menggunakan teknik lain dari computational intelligence yang beroperasi secara terus menerus dalam waktu yang telah ditentukan dan menyesuaikan struktur dan fungsinya melalui interaksi terus menerus dengan lingkungan dan dengan sistem lain seperti ditunjukkan pada gambar 2.7 berikut ini:

Gambar 2.7 Arsitektur ECOS (Sumber:Kasabov, 2007)

Adaptasi dalam metode ini didefinisikan melalui:

1. Seperangkat aturan yang diatur untuk dapat terus berkembang. 2. Satu set parameter (gen) yang dapat berubah selama operasi sistem.

3. Sebuah aliran input informasi secara terus menerus yang mungkin terjadi dengan distribusi yang tidak/belum diketahui.

4. Kriteria goal atau tujuan (juga bisa dimodifikasi) dapat diterapkan untuk mengoptimalkan kinerja sistem dari waktu ke waktu.

Sistem EIS, dan ECOS pada khususnya, terdiri dari empat bagian utama: 1. Data akuisisi.

2. Preprocessing dan evaluasi fitur. 3. Pemodelan.

17

Berikut merupakan ilustrasi yang menggambarkan bagian-bagian yang berbeda dari sebuah EIS yang memproses berbagai jenis informasi dengan cara yang adaptif secara terus menerus. Pengolahan online dari semua informasi ini memungkinkan ECOS untuk berinteraksi dengan pengguna dengan sistem cerdas. Jika manusia-sistem interaksi dapat dicapai dengan cara ini, ini juga dapat digunakan untuk memperluas sistem-sistem interaksi lainnya (Kasabov, 2007).

Gambar 2.8 Proses Interaksi ECOS (Sumber: Kasabov, 2007)

2.5. Algoritma Weighted Evolving Fuzzy Neural Network

Weighted Evolving Fuzzy Neural Network adalah algoritma soft computing yang menggabungkan teori fuzzy neural network telah menemukan berbagai aplikasi dalam berbagai bidang mulai dari pengendalian lingkungan industry sistem, parameter proses, mesin semi-konduktor peramalan kapasitas, peramalan lingkungan bisnis, analisis keuangan, indeks saham fluktuasi peramalan, konsumen Pinjaman, diagnosa medis dan permintaan listrik peramalan. (Pei-Chann Cang, et al, 2007).

Penelitian oleh Lin dan Lee (1991) adalah studi awal untuk mengkombinasikan teori Fuzzy dengan neural network. mereka mengusulkan model hibrida yang menggabungkan gagasan fuzzy logic controller, struktur Neural Network dan

kemampuan belajar menjadi logika fuzzy Neural berbasis jaringan terpadu kontrol dan sistem pengambilan keputusan (Pei-Chann Cang, et al, 2007).

Kasabov, Kim, dan Watts memodifikasi Fuzzy Neural Network dan kemudian mengusulkan metode FuNN. dibawah kerangka FuNN, penulis mempekerjakan fungsi Algoritma genetik yang memiliki kemampuan untuk pencarian tercepat dalam ruang besar dan kemudian mengimbangi ketidakcukupan parameter pengaturan pada Neural Network. EFuNN dikombinasikan dari metode FuNN yang diusulkan oleh (Kasabov, 1998).

Penelitian ini terutama menerapkan data historis untuk melanjutkan penelitian tentang evolving fuzzy neural network (EFuNN). Metode weighted evolving fuzzy neural network (WEFuNN) dialokasikan sesuai dengan kepentingan dalam setiap faktor untuk menghitung kesamaan. Banyak keuntungan dari WEFuNN yaitu Kemampuan Pelatihan yang efektif dan cepat dan memiliki akurasi yang tinggi (Pei-Chann Cang, et al, 2007).

Berikut ini adalah algoritma weighted evolving fuzzy neural network (WEFuNN) yang digunakan untuk memprediksi data runtun waktu (Kasabov, 2007).

1. Melakukan fuzzifikasi terhadap data yang akan dilatih dengan menggunakan triangular membership function.

(2.5)

inpF = fuzzy input yang merupakan hasil dari fuzzification i = data ke i, i =1 s.d jumlah data

inp = data yang akan dilatih

2. Membuat rule node pertama r(1) untuk merepresentasikan data yang pertama dan mengisi nilai pada bobot pertama (W1) dan bobot kedua (W2).

r =1, W11 = inpF1, W21 = target1 (2.6)

r = rule node

19

3. Melakukan pengulangan selama i<= jumlah data a. Menghitung normalized fuzzy local distance (D)

√∑ ∑ [ ] (2.7)

D = distance

j = jumlah kolom data yang dilatih

k = jumlah nilai membership function setiap kolom data yang dilatih

b. Menghitung nilai aktivasi (Ai,r) dengan menggunakan exponential

( ) (2.8)

c. Mencari nilai Aktivasi tertinggi

A1i = max(Ai,r) (2.9)

A1i = nilai aktivasi tertinggi

d. Jika A1i> S, dimana S adalah sensitive threshold maka menuju ke langkah

(e), jika tidak maka melukan perubahan terhadap nilai rule node (r), bobot satu (W1), dan (W2) lalu ulangi dari langkah (a).

r = r +1 (2.10) W1r = inpFi ; W2r = targeti (2.11)

e. Melakukan defuzzifikasi untuk medapatkan hasil prediksi dengan menggunakan saturating linear transfer function (satlin).

A2 = hasil prediksi

f. Menghitung nilai error

| | (2.13)

g. Jika nilai error lebih kecil dari nilai error threshold (errthr) maka menuju langkah (h), jika tidak maka melukan perubahan terhadap nilai rule node (r), bobot satu (W1), dan (W2) lalu ulangi dari langkah (a).

r = r +1 (2.14)

W1r = inpFi ; W2r = targeti (2.15)

h. Mengubah nilai bobot satu (W1) dan bobot dua (W2)

(2.16)

(2.17)

(2.18)

i = i + 1 (2.19)

2.6. Prediksi Menggunakan Weighted Evolving Fuzzy Neural Network

Fuzzy Neural Network (FuNN) adalah struktur terhubung yang mengimplementasikan aturan-aturan fuzzy inference system. FuNN merepresentasikan sebuah kelas dari struktur tersebut. Model WEFuNN memiliki prinsip yang berbeda dengan FuNN walaupun memiliki struktur yang mirip. WEFuNN dikembangkan berdasarkan prinsip-prinsip ECOS (Kasabov, 2007).

21

2.6.1. Arsitektur Weighted Evolving Fuzzy Neural Network

WEFuNN memiliki lima struktur layer seperti yang ditunjukkan pada Gambar 2.9. Pada arsitektur WEFuNN node dan koneksinya dibentuk atau dikoneksikan sesuai dengan data sample yang ada. Sebuah layer opsional (short-term) memory dapat digunakan melalui sebuah kondisi feedback dari aturan-aturan node pada layer seperti ditunjukkan oleh Gambar 2.10. Layer feedback yang terkoneksi dapat digunakan jika relasi temporal input data dapat dikenali secara struktural (Kasabov, 2007).

Gambar 2.9 Arsitektur Standar WEFuNN (Sumber : Kasabov, 2007)

Gambar 2.10. Arsitektur WEFuNN dengan Short-Term Memory (Sumber : Kasabov, 2007)

Layer pertama merupakan layer input variabel yang akan dimasukkan oleh variabel yang akan digunakan dalam proses training.

Layer kedua merepresentasikan persamaan fuzzy dari masing-masing bagian. Sebagai contoh, dua buah input fuzzy pada jaringan/neuron merepresentasikan “kecil”

dan “besar” untuk sebuah input variabel umum. Fungsi keanggotaan fuzzy dapat

ditambahkan untuk mendapatkan derajat keanggotaan setiap data input. Jumlah dan jenis fungsi keanggotaan tersebut dapat secara dinamis dimodifikasi.

Pada layer ketiga berisi aturan-aturan (case) yang dikembangkan melalui pembelajaran terawasi atau metode pembelajaran tidak terawasi. Aturan prototype (sample-sample) dari input–output kumpulan data yang dapat dipresentasikan secara grafik sebagai hyper-spheres (titik puncak pada grafik geometri/lengkungan kurva fungsi keanggotaan) dari sphares (bidang lengkungan) grafik input fuzzy dan output fuzzy. Setiap aturan r didefenisikan dengan 2 vektor dari koneksi bobot – W1(r) dan W2(r), aturan yang paling akhir disesuaikan melalui pembelajaran terawasi berdasarkan error output, dan aturan awal disesuaikan melalui pembelajaran tidak terawasi berdasarkan kemiripan pengukuran di dalam suatu area masalah. Suatu fungsi aktivasi linier, atau suatu gaussian function, digunakan pada neuron/jaringan pada layer ini.

Pada layer keempat dilakukan kuantisasi variabel fuzzy output. Kuantisasi adalah operasi pemotongan (truncation) atau pembulatan (rounding) nilai data dengan suatu presisi (precision) tertentu untuk mendapatkan nilai luas kurva. Pada layer ini masukan bobot fungsi penjumlahan dan sebuah fungsi aktivasi linier penuh/jenuh digunakan pada reuron/jaringan untuk menghitung derajat keanggotaan yang mana vektor output yang terhubung dengan input vektor yang diberikan masing-masing fungsi keanggotaan output.

Layer kelima merepresentasikan dari nilai dari variabel output. Di layer ini sebuah fungsi aktivasi linier digunakan untuk menghitung nilai defuzzifikasi variabel output.

23

2.6.2. Parameter Weighted Evolving Fuzzy Neural Network

Weighted evolving fuzzy neural network memiliki beberapa parameter di dalam algoritmanya. Paramater-parameter tersebut digunakan sebagai batas kesalahan dalam melakukan pembelajaran, batas minimum dari sebuah fungsi aktivasi, dan kontrol ukuran pada sebuah bobot. Parameter yang digunakan pada weighted evolving fuzzy neural network adalah sebagai berikut (Kasabov, 2001).

1. Sensitive threshold (sThr) adalah parameter yang digunakan untuk medefinisikan nilai minumum aktivasi. Nilai sensitive threshold harus lebih besar dari 0 dan lebih kecil sama dengan 0,9. Apabila nilai dari sensitive threshold lebih besar dari 0,9 maka fungsi aktivasi akan menjadi chaotic dimana pola data akan semakin acak dan sulit atau tidak bisa diprediksi (Gleick, 1987).

2. Error threshold (errThr) adalah suatu nilai yang sangat kecil sebagai batas kesalahan yang ditoleransi dalam proses pembelajaran.

3. Learning rate 1 (lr1) dan learning rate 2 (lr2) adalah parameter yang digunakan untuk mengontrol nilai bobot antara layer kedua dengan layer ketiga dan antara layer ketiga dengan layer keempat. Nilai parameter learning rate maksimum bernilai 1 dan tidak boleh bernilai lebih kecil sama dengan 0 (Liu, et. al, 2006).

2.7. Penelitian Sebelumnya

Tabel 2.2. Penelitian Sebelumnya

No Peneliti/Tahun Judul Keterangan

1. Pei-Chann/2007 The Development of a Weighted Evolving Fuzzy Neural Network

for PCB Sales

Forecasting

Dalam penelitian ini dibuat untuk meramalkan penjualan PCB dengan Weighted Evovling Fuzzy Neural Netwok

yang mempengaruhi dan untuk mekombinasikan antar faktor mengunakan Grey Relation Analysis (GRA) untuk eksperimen ini mempunyai nilai MAPE sebesar 2,11 % 2. Pei-Chann

Chang/2009

A Weighted Evolving Fuzzy Neural Network for Electricity Demand Forecasting

Dalam penelitian ini dibuat untuk meramalkan kelistirikan di masa yang akan datang dengan mengunakan metode Weighted Evolving Fuzzy Neural Network dengan memasukan 7 faktor yang mempengaruhi dalam meramalkan kelistrikan dengan nilai MAPE sebesar 6.11 %

3. Priandana, Gani/2012

Monthly Electricity Demand Forecasting Based on Weighted Evolving Fuzzy Neural Network Approach

Penelitian ini dibuat

untuk meramalkan

kebutuhan listrik bulanan

4. Reza Elfranda/2014 Prediksi banjir dengan menggunakan weighted evolving fuzzy neural network (WEFUNN)

Penelitian ini dibuat untuk memprediksi banjir pada suatu daerah aliran sungai (DAS)

Berdasarkan penelitian sebelumnya penulis akan melakukan penelitian mengenai prediksi harga motor dengan menggunakan weighted evolving fuzzy neural network (WEFuNN), dimana WEFuNN merupakan sebuah metode hybrid yang pada pelatihannya dilakukan pengkoneksian node-node WEFuNN berdasarkan data sampel masukan. Dengan cara ini, WEFuNN dapat melakukan pelatihan secara online dan data sample dapat ditambah tanpa harus menggubah parameter pada WEFuNN (Kasabov, 2007).

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Perkembangan produk sepeda motor di Indonesia semakin pesat dari waktu ke waktu. Setiap perusahaan sepeda motor berusaha menghasilkan produk yang berkualitas tinggi, baik segi teknologi dan eksteriornya. Hal ini, mengakibatkan persaingan antar perusahaan produk sepeda motor. Mengantisipasi hal tersebut, setiap perusahaan melakukan peramalan penjualan untuk mengetahui perkembangan penjualan produknya.

Peramalan atau forecast merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan, pengguna produk, dan permintaan pasar sehingga produk produk itu dapat dibuat dalam kuantitas yang tepat (Murahartawaty, 2009). Tujuan dari peramalan adalah untuk menghitung perbandingan harga dan menentukan permintaan konsumen di masa yang akan datang. Dengan kata lain, peramalan merupakan estimasi terhadap permintaan yang akan datang berdasarkan data formal maupun informal.

Keberhasilan suatu perusahaan dicerminkan oleh kemampuan manajemen untuk memanfaatkan peluang secara optimal sehingga dapat menghasilkan penjualan dan laba sesuai dengan yang diharapkan. Kesalahan mendasar yang sering terjadi dalam membuat semua rencana penjualan sulit direalisasi adalah kesalahan dalam pembuatan prediksi penjualan yang tepat. Apabila prediksi penjualan di buat terlalu besar maka biaya produksi akan membengkak dan seluruh investasi yang ditanamkan menjadi kurang efisien. Sebaliknya, bila prediksi penjualan di buat terlalu kecil maka

perusahaan akan menghadapi kehabisan persediaan (Stock Out), sehingga pelanggan terpaksa menunggu terlalu lama untuk produk yang diinginkan.

Maka pada penelitian ini digunakan metode weighted evolving fuzzy neural network (WEFuNN) untuk memprediksi harga sepeda motor berdasarkan data dari income sebelumnya. WEFuNN merupakan pengembangan dari metode Evolving Fuzzy Neural Network (EFuNN) yang memiliki struktur hybrid dari metode Fuzzy Inference System (FIS) dan jaringan saraf tiruan (Neural Network) dengan menerapkan prinsip Evolving Conection System (ECOS) (Kasabov, 2007) didalam jaringan. Salah satu kelebihan dari metode Weighted Evolving Fuzzy Neural Network (WEFuNN) ini adalah data sampel dapat ditambah dan diubah ubah tanpa harus mengubah parameter yang digunakan.

1.2. Rumusan Masalah

Dari latar belakang di atas, memprediksi harga sepeda motor merupakan kegiatan penting bagi perusahaan penjualan sepeda motor. Mengetahui prediksi harga sepeda motor dapat membantu perusahaan dalam memprediksi keuntungan yang didapat setiap tahunnya. Oleh karena itu, rumusan masalah pada penelitian ini adalah bagaimana memprediksi harga sepeda motor berdasarkan data penjualan sepeda motor dimasa lalu sehingga menghasilkan suatu sistem prediksi yang lebih akurat.

1.3. Batasan Masalah

Agar penelitian ini lebih terarah dan permasalahan pada penelitian ini tidak terlalu lebar, maka batasan masalah pada penelitian ini dapat dirangkumkan sebagai berikut: 1. Prediksi harga sepeda motor pada jenis motor Yamaha.

2. Prediksi harga sepeda motor menggunakan metode weighted evolving fuzzy neural network (WEFuNN).

3. Data yang digunakan dibagi menjadi dua, yakni data pelatihan (training) dan data pengujian (testing).

3

4. Data pelatihan yang digunakan adalah data penjualan sepeda motor Yamaha periode Januari 2010 sampai dengan Desember 2013.

5. Data pengujian yang digunakan adalah data penjualan sepeda motor Yamaha periode Januari 2014 sampai dengan Juli 2014.

1.4. Tujuan Penelitian

Tujuan dari penelitian ini adalah membuat prediksi harga penjualan sepeda motor berdasarkan data runtun waktu dengan menggunakan metode weighted evolving fuzzy neural network (WEFuNN).

1.5. Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini adalah:

1. Membuat suatu aplikasi peramalan penjualan pada perusahaan dengan metode weighted evolving fuzzy neural network (WEFuNN) untuk memudahkan manajemen suatu perusahaan.

2. Memberikan suatu teknik peramalan dengan menggunakan metode WEFuNN. 3. Sebagai bahan referensi untuk para penelitian selanjutnya tentang metode

Weighted Evolving Fuzzy Neural Network (WEFuNN) dan prediksi harga sepeda motor.

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 weighted evolving fuzzy neural network (WEFuNN).

2. Analisis Permasalahan

Pada tahap ini dilakukan analisis terhadap hasil studi literatur untuk mendapatkan pemahaman mengenai metode WEFuNN untuk memprediksi harga penjualan sepeda motor.

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.

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 harga penjualan sepeda motor menggunakan metode WEFuNN.

5

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 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 khususnya untuk metode yang digunakan.

Bab 3: Analisis dan Perancangan Sistem

Pada bab ini berisikan paparan analisis terhadap permasalahan dan penyelesaian persoalan terhadap metode WEFuNN pada sistem.

Bab 4: Implementasi Sistem Prediksi Harga Sepeda Motor

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 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.

Harga sepeda motor selalu berubah setiap tahunnya, oleh karena itu diperlukan sebuah pendekatan dalam memprediksi besarnya harga sepeda motor dengan keakuratan maksimum. Salah satu dari jenis prediksi kuantitatif adalah prediksi data time series yakni suatu teknik prediksi yang dibangun menggunakan data runtun waktu pada periode tertentu. Dalam tugas akhir ini digunakan metode Weighted Evolving Fuzzy Neural Network (WEFuNN) untuk memprediksi harga sepeda motor berdasarkan data runtun waktu. WEFuNN merupakan pengembagan dari metode Evolving Fuzzy Neural Network (EFuNN) yang memiliki struktur hybrid dari metode Fuzzy Inference System (FIS) dan jaringan saraf tiruan (Neural Network) dengan menerapkan prinsip Evolving Conection System (ECOS) didalam jaringan. Tingkat keakuratan hasil prediksi diukur dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi WEFuNN didapat hasil error rata-rata (MAPE) yaitu sebesar 1,269% dengan menggunakan data penjualan real periode Januari 2014 sampai dengan Juli 2014.

Kata kunci: weighted evolving fuzzy neural networks, fuzzy, evolving connectionist system, fuzzy inference system, peramalan

ABSTRAK

Harga sepeda motor selalu berubah setiap tahunnya, oleh karena itu diperlukan sebuah pendekatan dalam memprediksi besarnya harga sepeda motor dengan keakuratan maksimum. Salah satu dari jenis prediksi kuantitatif adalah prediksi data time series yakni suatu teknik prediksi yang dibangun menggunakan data runtun waktu pada periode tertentu. Dalam tugas akhir ini digunakan metode Weighted Evolving Fuzzy Neural Network (WEFuNN) untuk memprediksi harga sepeda motor berdasarkan data runtun waktu. WEFuNN merupakan pengembagan dari metode Evolving Fuzzy Neural Network (EFuNN) yang memiliki struktur hybrid dari metode Fuzzy Inference System (FIS) dan jaringan saraf tiruan (Neural Network) dengan menerapkan prinsip Evolving Conection System (ECOS) didalam jaringan. Tingkat keakuratan hasil prediksi diukur dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi WEFuNN didapat hasil error rata-rata (MAPE) yaitu sebesar 1,269% dengan menggunakan data penjualan real periode Januari 2014 sampai dengan Juli 2014.

Kata kunci: weighted evolving fuzzy neural networks, fuzzy, evolving connectionist

WEFUNN METHOD IN FORECASTING THE PRICE OF MOTORCYCLE SALES

ABSTRACT

Motorcycles price is always changing every year, therefore we need an approach to predict the magnitude of the price of a motorcycle with a maximum of accuracy. One of the types of quantitative prediction is forecasting of time series data that is a prediction technique which is constructed using time series data over a given period. In this thesis used Weighted Evolving Fuzzy Neural Network (WEFuNN) to predict the price of a motorcycle based on time series data. WEFuNN is developing a method of Evolving Fuzzy Neural Network (EFuNN) which has a hybrid structure of the Fuzzy Inference System (FIS) and artificial neural networks (Neural Network) by applying the principle of Conection Evolving System (ECOS) in the network. The level of accuracy of the prediction is measured by the value of MAPE (Mean Absolute Percentage Error). Results obtained WEFuNN prediction average error (MAPE) is equal to 1,269% by using real sales data for the period of January 2014 through July 2014.

Keywords : weighted evolving fuzzy neural networks, fuzzy, evolving connectionist

DAFTAR ISI

Halaman

Persetujuan i

Pernyataan ii

Ucapan Terima Kasih iii

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel ix

Daftar Gambar x

Bab 1 Pendahuluan 1

1.1. Latar Belakang 1

1.2. Rumusan Masalah 2

1.3. Batasan Masalah 2

1.4. Tujuan Penelitian 3

1.5. Manfaat Penelitian 3

1.6. Metode Penelitian 3

1.7. Sistematika Penulisan 5

Bab 2 Landasan Teori 6

2.1. Peramalan (Forecasting) 6

2.1.1. Metode Peramalan 7

1. Metode Kualitatif 8

2. Metode Kuantitatif 8

2.2. Logika Fuzzy 9

2.2.1. Himpunan Fuzzy 9

2.2.2. Fungsi Keanggotaan Fuzzy 10

1. Representasi Linier 10

2. Representasi Kurva Segitiga 11

3. Representasi Kurva Trapesium 12

2.2.3. Sistem Inferensi Fuzzy 13

2.3. Artificial Neural Network (ANN) / JST 13

2.4 Evolving Connection System (ECOS) 14

viii

3.4. Perancangan Sistem 31

3.3.1 Use Case Diagram 31

3.3.2. Use Case Specification 32

3.3.3. Activity Diagram 35

1. Activity Diagram Home 35

2. Activity Diagram Kategori Motor 35

3. Activity Diagram Paramater Data 37

4. Activity Diagram Parameter Aplikasi 38

5. Activity Diagram Prediksi 40

3.3.4. Rancangan menu system 41

3.3.5. Perancangan antarmuka 41

A. Rancangan Halaman Home 41

B. Rancangan Halaman Kategori Motor 42

C. Rancangan Halaman Parameter Data 42

D. Rancangan Halaman Parameter Aplikasi 43

E. Rancangan Halaman Prediksi 43

Bab 4 Implementasi dan Pengujian Sistem 44

4.1. Implementasi Sistem 44

4.1.1. Spesifikasi Perangkat Keras dan Perangkat Lunak 44 4.1.2. Implementasi Perancangan Antarmuka 45

A. Halaman Home 45

B. Halaman Kategori Motor 45

C. Halaman Parameter Data 46

D. Halaman Parameter Aplikasi 47

E. Halaman Prediksi 47

4.1.3. Implementasi Data 49

4.2. Pengujian Sistem 49

4.2.1. Rencana Pengujian Sistem 50

4.2.2. Kasus dan Hasil Pengujian Sistem 50

4.2.3. Pengujian Kinerja Hasil 52

4.2.4. Pelatihan Data 55

4.2.5. Pengujian Data 56

Bab 5 Kesimpulan dan Saran

5.1. Kesimpulan 57

DAFTAR TABEL

Halaman

Tabel 2.1 Rentang Waktu dalam Peramalan 7

Tabel 2.2 Penelitian Sebelumnya 23

Tabel 3.1 Rangkuman Data Penjualan Sepeda Motor 26

Tabel 3.2 Use Case Spesifikasi untuk Use Case Home 32 Tabel 3.3 Use Case Spesifikasi untuk Use Case Kategori Motor 32 Tabel 3.4 Use Case Spesifikasi untuk Use Case Parameter Data 33 Tabel 3.5 Use Case Spesifikasi untuk Use Case Parameter Aplikasi 34 Tabel 3.6 Use Case Spesifikasi untuk Use Case Prediksi 34

Tabel 4.1 Rangkuman Data Penjualan Sepeda Motor 49

Tabel 4.2 Rencana Pengujian Sistem 50

Tabel 4.3 Hasil pengujian Black Box Testing halaman Kategori Motor 51 Tabel 4.4 Hasil pengujian Black Box Testing halaman Parameter Data 51 Tabel 4.5 Hasil pengujian Black Box Testing halaman Parameter Aplikasi 51 Tabel 4.6 Hasil pengujian Black Box Testing halaman Prediksi 52 Tabel 4.7 Data Penjualan Sepeda Motor Januari 2010 - Oktober 2010 52 Tabel 4.8 Nilai Normalisasi Data Sepeda Motor Januari 2010 - Oktober 2010 53

Tabel 4.9 Nilai Fuzzy Input dan Fuzzy Output 54

Tabel 4.10 Rangkuman Hasil Pengujian Sistem 55

DAFTAR GAMBAR

Halaman

Gambar 2.1 Contoh grafik himpunan fuzzy pada variabel umur 9 Gambar 2.2 Grafik Fungsi Keanggotaan pada Representasi Linier Naik 10 Gambar 2.3 Grafik Fungsi Keanggotaan pada Representasi Linier Turun 11 Gambar 2.4 Grafik Fungsi Keanggotaan pada Representasi Kurva Segitiga 12 Gambar 2.5 Grafik Fungsi Keanggotaan pada Representasi Kurva Trapesium 12

Gambar 2.6 Diagram blok sistem inferensi fuzzy 13

Gambar 2.7 Arsitektur ECOS 16

Gambar 2.8 Proses Interaksi ECOS 17

Gambar 2.9 Arsitektur Standar WEFuNN 21

Gambar 2.10 Arsitektur WEFuNN dengan Short-Term Memory 21 Gambar 3.1 Algoritma Weighted Evolving Fuzzy Neural Network pada sistem 27

Gambar 3.2 Himpunan Fuzzy untuk Data Penjualan 29

Gambar 3.3 Use Case Diagram Sistem Prediksi harga sepeda motor 31

Gambar 3.4 Diagram Aktivitas home 35

Gambar 3.5a Diagram Aktivitas Kategori Motor 36

Gambar 3.5b Diagram Aktifitas Hapus Kategori 36

Gambar 3.5c Diagram Aktifitas Edit Kategori 37

Gambar 3.6a Diagram Aktifitas Parameter Data 37

Gambar 3.6b Diagram Aktifitas Hapus Parameter Data 38

Gambar 3.6c Diagram Aktifitas Edit Parameter 38

Gambar 3.7a Diagram Aktifitas Parameter Aplikasi 39 Gambar 3.7b Diagram Aktifitas Hapus Parameter Aplikasi 39 Gambar 3.7c Diagram Aktifitas Edit Parameter Aplikasi 40

Gambar 3.8 Diagram Aktifitas Halaman Prediksi 40

Gambar 3.9 Rancangan Menu Sistem 41

Gambar 3.10 Rancangan Antarmuka Halaman Home 41

Gambar 3.11 Rancangan Antarmuka Halaman Kategori Motor 42 Gambar 3.12 Rancangan Antarmuka Halaman Parameter Data 42 Gambar 3.13 Rancangan Antarmuka Halaman Parameter Aplikasi 43 Gambar 3.14 Rancangan Antarmuka Halaman Prediksi 43

Gambar 4.1 Tampilan halaman home 45

Gambar 4.2 Tampilan halaman Kategori Motor 46

Gambar 4.3 Tampilan halaman Parameter Data 46

Gambar 4.4 Tampilan halaman Parameter Aplikasi 47

Gambar 4.5 Tampilan halaman Prediksi awal 48