Prediksi kesehatan koperasi dengan jaringan syaraf tiruan metode backpropagation.

memberikan penilaian terhadap kesehatan koperasi yang terdapat di Indonesia. Melihat kondisi perekonomian Indonesia yang masih di bawah standar, dimana pendapatan masyarakat masih dibawah rata-rata. Maka dalam mewujudkan kehidupan ekonomi masyarakat Indonesia yang lebih baik, maka dinas koperasi yang terdapat di seluruh Indonesia bekerja untuk memberikan penilaian terhadap koperasi, agar koperasi yang ada di Indonesia berada dalam kondisi yang sehat, baik sehat organisasinya, Sumber daya manusia maupun keuangannya.

Penelitian ini menghasilkan sebuah model prediksi untuk kesehatan koperasi. Data yang digunakan merupakan data keuangan koperasi 2 tahun terakhir, mulai tahun 2014-2015 yang didapatkan melalui Dinas koperasi Kabupaten Kulonporgo. Pendekatan yang digunakan untuk prediksi kesehatan koperasi adalah dengan Jaringan Syaraf Tiruan metode Backpropagation dengan fungsi transfer layer tan-sigmoid dan fungsi transfer output purelin. Model pengujian yang digunakan pada proses prediksi adalah 5 fold cross validation dalam menguji data training. Berdasarkan hasil penelitian, diperoleh model prediksi kesehatan koperasi dengan dua hidden layer dengan jumlah neuron 20 dan 15 menghasilkan akurasi 71% untuk model jaringan yang ke-dua.

Cooperative agency is one of public service that works to give appraisal to Indonesia’s cooperative financial level. Seeing economy matters that still below standard, which citizen’s income still under average. So for better Indonesia economy, Cooperative agency entire Indonesia worked to give appraisal to cooperative so every cooperative in Indonesia keep in good economy condition, human resources nor financial.

This research produce a prediction model for cooperative’s well-being. The used data is last 2 years cooperative’s financial data, start from 2014 and 2015 got through Kulonprogo Regency Cooperative Agency. Approach that used for cooperative’s health prediciton is artificial neural network Backpropagation with Transfer Layer Tan-Sigmoid function and purelin output transfer function. Testing model that used is 5 fold cross validation in testing training data. Based on research, obtain cooperative health model prediction with 2 hidden layer, amount of neuron 20 and 15 produce accuracy 71% for second network model.

i

PREDIKSI KESEHATAN KOPERASI DENGAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Yustinus Adrian Nada 125314057

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA 2017

ii

COOPERATIVE’S HEALTH PREDICTION WITH ARTIFICIAL NEURAL NETWORK BACKPROPAGATION METHOD

THESIS

Present as Partial Fullfillment of the Requirements

To Obtain Sarjana Komputer Degree

In Department of Informatics Engineering

By :

Yustinus Adrian Nada 125314057

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2017

vii ABSTRAK

Dinas koperasi merupakan salah satu layanan pemerintahan, yang bekerja untuk memberikan penilaian terhadap kesehatan koperasi yang terdapat di Indonesia. Melihat kondisi perekonomian Indonesia yang masih di bawah standar, dimana pendapatan masyarakat masih dibawah rata-rata. Maka dalam mewujudkan kehidupan ekonomi masyarakat Indonesia yang lebih baik, maka dinas koperasi yang terdapat di seluruh Indonesia bekerja untuk memberikan penilaian terhadap koperasi, agar koperasi yang ada di Indonesia berada dalam kondisi yang sehat, baik sehat organisasinya, Sumber daya manusia maupun keuangannya.

Penelitian ini menghasilkan sebuah model prediksi untuk kesehatan koperasi. Data yang digunakan merupakan data keuangan koperasi 2 tahun terakhir, mulai tahun 2014-2015 yang didapatkan melalui Dinas koperasi Kabupaten Kulonporgo. Pendekatan yang digunakan untuk prediksi kesehatan koperasi adalah dengan Jaringan Syaraf Tiruan metode Backpropagation dengan fungsi transfer layer tan-sigmoid dan fungsi transfer output purelin. Model pengujian yang digunakan pada proses prediksi adalah 5 fold cross validation dalam menguji data training. Berdasarkan hasil penelitian, diperoleh model prediksi kesehatan koperasi dengan dua hidden layer dengan jumlah neuron 20 dan 15 menghasilkan akurasi 71% untuk model jaringan yang ke-dua.

Kata Kunci :Prediksi, Kesehatan Koperasi, Jaringan Syaraf Tiruan

viii ABSTRACT

Cooperative agency is one of public service that works to give appraisal to

Indonesia‟s cooperative financial level. Seeing economy matters that still below standard, which citizen‟s income still under average. So for better Indonesia economy, Cooperative agency entire Indonesia worked to give appraisal to cooperative so every cooperative in Indonesia keep in good economy condition, human resources nor financial.

This research produce a prediction model for cooperative‟s well-being.

The used data is last 2 years cooperative‟s financial data, start from 2014 and

2015 got through Kulonprogo Regency Cooperative Agency. Approach that used

for cooperative‟s health prediciton is artificial neural network Backpropagation with Transfer Layer Tan-Sigmoid function and purelin output transfer function. Testing model that used is 5 fold cross validation in testing training data. Based on research, obtain cooperative health model prediction with 2 hidden layer, amount of neuron 20 and 15 produce accuracy 71% for second network model.

ix

KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Tuhan Yesus Kristus karena atas berkat dan rahmatnya sehingga penulis dapat menyelesaikan tugas akhir sesuai dengan waktu yang telah ditentukan. Skripsi ini disusun sebagai salah satu syarat guna memperoleh gelar sarjana Teknik Informatika di Universitas Sanata Dharma Yogyakarta.

Penulis telah menyadari bahwa dalam penyusunan skripsi ini, tanpa melibatkan bantuan dan dukungan banyak pihak skripsi ini sulit unruk selesai, namun berkat dukungan dan bantuan dari banyak pihak, akhirnya skripsi ini dapat diselesaikan. Oleh sebab itu atas bantuan dan dukungannya, penulis menghaturkan ucapan terima kasih kepada :

1. Tuhan Yesus Kristus, yang telah memberikan semangat, dan kekuatan dalam proses penyelesaian tugas akhir.

2. SudiMungkasi, S.Si.,M.Math.Sc.,Ph.D selaku Dekan Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

3. Dr. Anastasia Rita selaku Ketua Program Studi Teknik Informatika Universitas Sanata Dharma Yogyakarta.

4. DR. C. KuntoroAdi, SJ. M.A., M.Sc. Selaku dosen pembimbing yang telah

meluangkan waktu untuk membimbing penulis selama pembuatan skripsi ini.

5. Iwan Binanto M. Cs selaku dosen pembimbing akademik yang telah membimbing penulis selama melakukan kuliah di Universitas Sanata Dharma.

6. Orang tua, Damianus Dwi Setyo Budi Nugroho dan FlorensiaYuniarsih, serta keluarga yang memberikan dukungan, doa, dan motivasi dalam penyelesaian tugas akhir.

7. Seluruh dosen Teknik Informatika atas ilmu yang telah diberikan selama menuntut ilmu dan sangat membantu penulis dalam mengerjakan tugas akhir.

xi

MOTTO

Kesempatan untuk menemukan kekuatan yang lebih

baik dalam diri kita muncul ketika hidup terlihat

sangat menantang

xii

DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN JUDUL (Bahasa inggris) ... ii

HALAMAN PERSETUJUAN ... iii

HALAMAN PENGESAHAN ... iv

PERNYATAAN KEASLIAN HASIL KARYA ... v

LEMBAR PERNYATAAN PERSETUJUAN ... vi

ABSTRAK ... vii

ABSTRACT ... viii

KATA PENGANTAR ... ix

MOTTO ... xi

DAFTAR ISI ... xii

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xv

BAB 1 PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Penelitian ... 2

1.4 Manfaat Penelitian ... 2

1.5 Batasan Masalah ... 3

1.6 Metodologi Penelitian ... 3

1.7 Sistematik Penulisan ... 4

BAB 2 LANDASAN TEORI ... 5

2.1 Koperasi ... 5

2.1.1 Tujuan Koperasi ... 5

2.1.2 Fungsi dan Peranan Koperasi ... 5

2.1.3 Jenis-jenis Koperasi ... 6

2.1.4 Kelebihan dan kekurangan Koperasi ... 7

2.2 Kebangkrutan ... 8

2.3 Peramalan dan Prediksi ... 8

2.3.1 Karakteristik Peramalan ... 9

2.3.2 Metode Peramalan atau Prediksi ... 9

2.4 Jaringan Syaraf Tiruan ... 10

xiii

2.5 Backpropagation (propagasi balik) ... 19

2.6 K-Fold Cross Validation ... 24

2.7 Confusion Matrix ... 24

BAB 3 METODE PENELITIAN ... 26

3.1 Data ... 26

3.1.2 Peniliaian (Score) Kesehatan Koperasi ... 27

3.2 Gambaran Penelitian ... 28

3.2.1 Arsitektur Jaringan ... 29

3.3 Validasi ... 30

3.4 Tahapan Penelitian ... 31

3.5 Spesifikasi Alat ... 31

BAB 4 HASIL DAN ANALISIS SISTEM ... 32

4.1 Pengujian Sistem... 32

4.2 Optimalisasi Arsitektur Jaringan... 34

4.3 Pengujian Data Tunggal ... 37

BAB 5 PENUTUP ... 41

5.1 Kesimpulan ... 41

5.2 Saran ... 41

Daftar Pustaka ... 42 Lampiran ...

xiv

DAFTAR GAMBAR

Gambar 2.1 (Siang 2009) ... 10

Gambar 2.2 (Siang 2009) ... 11

Gambar 2.3 (Siang 2009) ... 12

Gambar 2.4 (Siang 2009) ... 14

Gambar 2.5 Pengaruh Perubahan Momentum (Hagan & Demuth, 1996) ... 16

Gambar 2.6 Lintasan dengan momentum (Hagan & Demuth, 1996) ... 16

Gambar 2.7 Lintasan variable Learning Rate (Hagan & Demuth, 1996) ... 18

Gambar 2.8 (Siang 2009) ... 20

Gambar 3.1 Gambaran Proses ... 28

Gambar 3.2 arsitektur Jaringan ... 29

Gambar 4.1 Hasil Akurasi Jaringan Syaraf Tiruan ... 32

Gambar 4.2 Grafik Akurasi Metode Training ... 33

Gambar 4.3 Grafik Akurasi dua hidden layer Trainscg ... 34

Gambar 4.4 Grafik Akurasi dua hidden layer Traingda ... 34

Gambar 4.5 Grafik Akurasi dua hidden layer Traingdx ... 35

Gambar 4.6 Grafik Akurasi dua hidden layer Trainrp ... 35

Gambar 4.7 Grafik Akurasi dua hidden layer Traincgf ... 36

Gambar 4.8 Running program Jaringan Syaraf Tiruan ... 37

xv

DAFTAR TABEL

Tabel 3.1 Penilaian predikat Koperasi ... 28

Tabel 4.1 Tabel Pengujian Akurasi Metode Training 1 hidden layer ... 33

Tabel 4.2 Tabel Pengujian Akurasi Metode Training 2 hidden layer ... 36

1 BAB I PENDAHULUAN

1.1 Latar Belakang

Koperasi adalah organisasi bisnis yang dimiliki dan dioperasikan oleh orang-seorang demi kepentingan bersama (Chaniago, 1984). Koperasi melandaskan kegiatan berdasarkan prinsip gerakan ekonomi rakyat yang berdasarkan asas kekeluargaan. koperasi melibatkan empat unsur atau perangkat yaitu: anggota, pengurus, manajer, dan karyawan. Peranan koperasi didalam bisnis, dapat dianggap sebagai kebutuhan yang diperlukan oleh hampir semua pelaku bisnis, baik pengusaha besar maupun pengusaha kecil.

Salah satu peranan didalam koperasi yang sangat baik adalah penghimpun dana dari masyarakat dalam bentuk simpanan dan menyalurkannya kembali kepada masyarakat dalam bentuk pinjaman pembiayaan. Mengingat kondisi perekonomian Indonesia yang masih di bawah standar, dimana pendapatan masyarakat masih dibawah rata-rata (Nasution, 2007). Maka dalam mewujudkan kehidupan ekonomi masyarakat Indonesia yang lebih baik, koperasi-koperasi yang ada di Indonesia dituntut dalam kondisi yang sehat, baik sehat organisasinya, Sumber daya manusia dan keuangannya. Khusus kesehatan dibidang keuangan koperasi, akan menjadi informasi yang bermanfaat bagi beberapa pihak, diantaranya nasabah, pemberi pinjaman, investor, akuntan, dan manajemen.

Koperasi yang tidak sehat(mengalami kesulitan keuangan) akan mengalami kebangkrutan. Berdasarkan Peraturan Menteri Negara Koperasi dan Usaha Menengah Republik Indonesia nomor :14/PER/M.KUKM/XII/2009, Ada beberapa indikator yang bisa menjadi deteksi kesehatan suatu koperasi. Salah satu sumbernya adalah analisis aliran kas untuk saat ini atau untuk masa mendatang. Sumber lainnya adalah laporan keungan koperasi. Laporan keuangan bisa dipakai untuk mendeteksi kesulitan keuangan. Dari laporan keuangan koperasi bisa diketahui tingkat kesehatan suatu koperasi. Tujuan penilaian kesehatan suatu koperasi adalah agar koperasi dapat melakukan kegiatan usaha pembiayaan, investasi, dan simpanan sehingga dapat meningkatkan kepercayaan dan

memberikan manfaat yang sebesar-besarnya kepada anggota dan masyarakt sekitar.

Pada penelitian sebelumnya telah dilakukan penelitian terkait dengan memprediksi kebangkrutan pada suatu perusahaan menggunakan metode Backpropagation. Dalam penelitian tersebut menghasilkan akurasi yang sangat baik mencapai 90% dengan proses training untuk pengenalan pola data dan proses testing untuk melakukan prediksi serta analisa sistem (Cynthia, 2010).

Di Indonesia, studi tentang prediksi kesehatan koperasi masih jarang dilakukan, karena sulitnya mencari data keuangan koperasi di Indonesia dan atau bangkrut yang dipublikasikan. Oleh karena itu berdasarkan latar belakang yang dipaparkan diatas, akan dilakukan sebuah penelitian untuk memprediksi kesehatan koperasi menggunakan metode Backpropagation. Metode tersebut merupakan algoritma dari jaringan syaraf tiruan yang dapat digunakan sebagai peramalan(forecasting)(Siang, 2009). Sehingga dalam penelitian ini menggunakan metode Backpropagation dalam memprediksi kesehatan suatu koperasi.

1.2 Rumusan Masalah

Dari latar belakang diatas, maka dapat dirumuskan masalah sebagi berikut:

1. Bagaimana metode Backpropagation mampu melakukan prediksi

kesehatan pada koperasi?

2. Berapakah tingkat keakuratan yang dihasilkan dalam memprediksi

kesehatan koperasi? 3.

1.3 Tujuan Penelitian

Penelitian ini bertujuan untuk memprediksi kesehatan koperasi dengan menggunakan metode Backpropagation.

1.4 Manfaat Penelitian

Berdasarkan tujuan penelitian diatas, manfaat yang dapat diberikan adalah diharapkan dapat membantu pihak dinas koperasi dalam melakukan penilaian terhadap keuangan suatu koperasi secara lebih tepat dan efisien.

1.5 Batasan Masalah

a. Data yang akan digunakan adalah data laporan keuangan beberapa koperasi selama dua tahun terakhir.

b. Data keuangan koperasi meliputi jumlah aset lancar, jumlah aset tidak lancar, jumlah aset tetap, jumlah aset, jumlah kewajiban lancar, jumlah kewajiban jangka panjang, jumlah ekuitas, jumlah pasiva, sisa hasil usaha. c. Data yang digunakan adalah data berbagai macam koperasi yang terdapat

di Kulonprogo melalu dinas koperasi Kulonprogo.

1.6 Metodologi Penelitian

Metode penelitian pada penyusunan penulisan ini, adalah : a. Studi Literatur dengan tujuan :

1. Mempelajari dan memahami manajemen suatu koperasi.

2. Mempelajari dan memahami algoritma Backpropagation jaringan

Syaraf Tiruan.

3. Mengetahui data keuangan beberapa koperasi

b. Pengumpulan data melalui dinas koperasi kabupaten Kulonprogo.

c. Perancangan sistem perhitungan otomatis terhadap prediksi kesehatan koperasi.

d. Implementasi algoritma ke dalam sistem Backpropagation. e. Menghitung tingkat akurasi dari algoritma yang digunakan.

1.7 Sistematika Penulisan

Dokumen ini terdiri atas enam bab, yaitu : 1. BAB I PENDAHULUAN

Bab ini akan dijelaskan mengenai latar belakang, rumusan masalah, tujuan dan maksud penulisan, metodologi penulisan, dan sistematika penulisan.

2. BAB II LANDASAN TEORI

Bab ini akan dijelaskan tentang metode yang digunakan yaitu backpropagation serta rumus-rumus yang akan dipergunakan, dan mengenai teori-teori koperasi serta kebangkrutan.

3. BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang analisis dan desain perancangan sistem, meliputi: analisis masalah, gambaran umum sistem, data, perancangan sistem dengan metode Backpropagation, tahap penelitian.

4. BAB IV HASIL DAN ANALISIS SISTEM

Bab ini berisi tentang implementasi dan melakukan analisis dari

prediksi kesehatan koperasi dengan menggunakan metode

Backpropagation

5. BAB V KESIMPULAN

Bab ini berisi tentang jawaban singkat dari rumusan masalah atau kesimpulan dan saran dalam pengembangan serta penyempurnaan penelitian yang dibuat.

5 BAB II

LANDASAN TEORI

Bab ini akan membahas dasar teori serta hasil penelitian terdahulu yang akan digunakan dalam proses penyusunan dan pembahasan penelitian, tercakup didalamnya beberapa pengertian tentang jaringan syaraf tiruan, K-Fold Cross Validation, Confusion Matrix, Pengertian Koperasi, Kebangkrutan dan Peramalan.

2.1 Koperasi

Koperasi adalah organisasi bisnis yang dimiliki dan dioperasikan oleh orang-seorang demi kepentingan bersama (Chaniago, 1984). Koperasi melandaskan kegiatan berdasarkan prinsip gerakan ekonomi rakyat yang berdasarkan asas kekeluargaan.

2.1.1. Tujuan Koperasi

Dalam peraturan perundang-undangan Indonesia telah diatur tentang tujuan koperasi. Berdasarkan Pasal 3 UU No.25 tahun 1992, tujuan koperasi adalah:

a. Memajukan kesejahteraan anggota koperasi dan masyarakat.

b. Turut serta dalam membangun tatanan perekonomian nasional dalam rangka mewujudkan masyarakat yang makmur, adil dan maju dengan tetap berlandaskan pada pancasila dan UUD 1945.

c.

2.1.2. Fungsi dan Peranan Koperasi

Berdasarkan UU No.25 Tahun 1992, koperasi yang terdapat di Indonesia memiliki fungsi dan peranan didalam menjalankan organisasinya :

a. Mengembangkan serta membangun kemampuan dan potensi anggota

koperasi pada khususnya dan masyarakat pada umumnya untuk meningkatkan kesejahteraan sosial ekonomi.

b. Berperan secara aktif dalam rangka meningkatkan dan memperbaiki kualitas kehidupan anggota koperasi dan masyarakat.

c. Memperkuat serta mengkokohkan perekonomian rakyat Indonesia sebagai dasar ketahanan dan kekuatan perekonomian nasional dengan koperasi sebagai soko gurunya.

d. Berusaha mewujudkan dan mengembangkan perekonomian nasional yang

merupakan usaha bersama berdasarkan asas kekeluargaan dan demokrasi ekonomi.

2.1.3. Jenis-jenis Koperasi

Jenis-jenis koperasi didasarkan pada kesamaan kegiatan aktivitas dan kepentingan ekonomi anggotanya. Jenis koperasi terdiri atas tiga jenis yaitu: a. Koperasi produksi

Koperasi produksi adalah jenis koperasi yang anggotanya terdiri atas para produsen dengan melakukan kegiatan usaha khusus penjualan barang-barang produksi para anggotanya. Contoh : koperasi ternak, koperasi cengkeh, koperasi kopra, koperasi nelayan.

b. Koperasi konsumsi

Koperasi konsumsi adalah jenis koperasi yang memiliki anggota yang terdiri atas kumpulan konsumen, bergerak khusus dalam aktivitas penjulan barang-barang konsumsi terutama barang kebutuhan para anggotanya. Contoh : koperasi karyawan, koperasi pegawai republik Indonesia, koperasi siswa/mahasiswa, koperasi RT, koperasi ABRI.

c. Koperasi jasa

Koperasi jasa adalah jenis koperasi yang melakukan kegiatan usaha dengan member pelayanan atau jasa kepada para anggota khususnya dan masyarakat sekitarnya. Contoh : koperasi asuransi, koperasi simpan pinjam, koperasi perkreditan.

Berdasarkan UU No. 25 Tahun 1992, koperasi dapat dibedakan menurut keanggotaannya, yaitu koperasi primer dan koperasi sekunder. Koperasi primer adalah jenis koperasi yang beranggotakan orang seorang (berdasarkan ketentuan minimal 20 orang), sedangkan koperasi sekunder adalah jenis koperasi yang beranggotakan badan-badan hokum koperasi (gabungan).

2.1.4. Kelebihan dan kekurangan koperasi

Seperti badan usaha lainnya, koperasi memiliki kelebihan dan kekurangan dalam menjalankan usahanya. Kelebihan dan kekurangan tersebut antara lain:

a. Kelebihan

1. Koperasi lebih mengutamakan tujuan yang berupa kesejahteraan anggota. Pendapatan dan laba yang diperoleh koperasi hanyalah merupakan konsekuensi atau akibat dari usaha pencapaian tujuan menyejahterakan anggota tersebut.

2. Mengutamakan pelayanan terhadap anggota.

3. Keanggotaannya bersifat sukarela dan terbuka.

4. Setiap orang dapat menjadi anggota koperasi dengan membayar simpanan pokok dan simpanan wajib.

5. Besarnya simpanan pokok dan simpanan wajib ditentukan bersama, sehingga terjangkau oleh semua anggota.

6. Tidak ada perbedaan diantara para anggota dalam bentuk apapun. 7. Bagian SHU (Sisa Hasil Usaha) diterima anggota berdasarkan jasa

masing-masing anggota yang telah diberikan kepada koperasi 8. Koperasi berpotensi menjadi raksasa bisnis masa depan.

b. Kekurangan

1. Kondisi yang terjadi dilapangan adalah presentase tingkat kesadaran anggota koperasi secara keseluruhan sangat rendah untuk melakukan peningkatan dalam koperasi.

2. Karena rendahnya kesadaran anggota koperasi maka sulit memilih pengurus koperasi yang professional. Daya saing koperasi lebih rendah jika dibandingkan dengan badan usaha swasta yang murni bertujuan mencara laba.

2.2. Kebangkrutan

Koperasi yang tidak sehat keuangannya akan mengalami kebangkrutan, dan berdampak tidak baik bagi perekonomian masyarakat Indonesia. Menurut undang-undang No 4 Tahun 1998, kebangkrutan biasanya diartikan sebagai kegagalan perusahaan dalam menjalankan operasi perusahaan untuk menghasilkan laba.

Kebangkrutan sebagai kegagalan didefinisikan dalam beberapa arti :

a. Kegagalan ekonomi, biasanya berarti bahwa perusahaan kehilangan uang atau pendapatan perusahaan tidak menutup biaya sendiri, ini berarti tingkat labanya lebih kecil dari biaya modal atau nilai sekarang dari arus kas perusahaan lebih kecil dari kewajiban. Kegagalan terjadi bila arus kas dari perusahaan tersebut jatuh dibawah arus kas yang diharapkan.

b. Kegagalan keuangan, perusahaan dianggap gagal jika perusahaan tidak dapat memenuhi kewajiban pada saat jatuh tempo. Walaupun total aset melebihi total hutang, kebangkrutan akan terjadi bila suatu perusahaan gagal memenuhi salah satu dalam ketentuan hutangnya.

2.3. Peramalan atau Prediksi

Menurut Reksohadiprodjo (1995) peramalan atau prediksi merupakan penelaahan tentang situasi yang menyelimuti lingkungan masa datang sebagai dasar pengambilan keputusan. Faktor-faktor yang mempengaruhi-nya sangat banyak seperti halnya oleh berbagai faktor lingkungan yang saling berinteraksi dalam pasar yang berbeda di luar kendali perusahaan, dimana faktor-faktor lingkungan tersebut akan mempengaruhi peramalan.

2.3.1. Karakteristik Peramalan

Menurut Nasution (1999), bahwa peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain akurasi, biaya, dan kemudahan. 1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan kebiasaan dan kekonsistensian peramalan. Hasil peramalan dikatakan bila peramalan tersebut terlalu tinggi atau rendah disbanding dengan kenyataan yang sebenarnya terjadi. Hasil peramalan dikatakan bila kesalahan peramlan relative kecil.

2. Biaya

Biaya yang diperlukan untuk pembuatan suatu peramalan tergantung dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai.

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan keuntungan bagi perusahaan.

2.3.2. Metode Peramalan atau Prediksi

Berdasarkan metode peramalan yang digunakan peramalan dibedakan menjadi metode kualitatif dan kuantitatif.

1. Metode Kualitatif

Didasarkan pada intuisi dan penilaian orang yang melakukan peramalan dari pada pemanipulasi (pengolahan dan penganalisisan) data.

2. Metode Kuantitatif

Didasarkan pada pemanipulasian atas data yang tersedia secara memadai dan tanpa intuisi maupun penilaian subyektif dari orang yang melakukan peramalan.

2.4. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2009). JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologis, dengan asumsi bahwa :

a. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron)

b. Sinyal dikirimkan diantara neuron-neuron melalui

penghubung-penghubung

c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal

d. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.

JST ditentukan oleh 3 hal :

a. Pola hubungan antar neuron

b. Metode untuk menentukan bobot penghubung

c. Fungsi aktivasi

s

Gambar 2.1 (Siang 2009)

Y menerima input dari neuron X1, X2 dan X3 dengan bobot hubungan

masing-masing adalah W1 ,W2 dan W3 . ketiga impuls neuron yang ada dijumlahkan

net = X1 W1 + X2 W2 + X3 W3………..….. (2.1)

Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi X1 X2 X3 Y W1 W3 W2

aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah bobot.

Menurut Siang (2009) ada beberapa arsitektur jaringan yang sering dipakai dalam jaringan syaraf tiruan, antara lain :

a. Jaringan Layar Tunggal (Single Layer Network)

Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan sekumpulan output-nya. Dalam beberapa model (misal perceptron), hanya ada sebuah unit neuron output.

X1

Xi

Xn Ym

Yj

Y1

W11

Wji

Gambar 2.2 (Siang 2009)

Gambar di atas menunjukan arsitektur jaringan dengan n unit input (X) dan m unit output (Y).

Dalam jaringan tersebut, semua unit input dihubungkan dengan semua unit output, meskipun dengan bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit input lainnya. Demikian pula dengan unit output.

Besaran w menyatakan bobot hubungan antara unit onput dengan urut output. Bobot-bobot ini aling independen. Selama proses pelatihan, bobot-bobot ini saling independen. Selama proses pelatihan, bobot-bobot tersebut akan dimodifikasi untuk meningkatkan keakuratan hasi. Model

semacam ini tepat digunakan untuk pengenalan pola karena

b. Jaringan Layar Jamak ( Multi Layer Network )

Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan ini, selain unit input dan output, ada unit-unit lain (sering disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama seperti pada unit input dan output, unit-unit dalam satu layar tidak saling berhubungan.

Xi Xn Zp Z1 X1 Ym Yj Y1

Gambar 2.3 (Siang 2009)

Gambar di atas adalah jaringan dengan n buah unit input (X) sebuah layar tersembunyi yang terdiri dari p buah unit (Z) dan m buah unit output (Y).

Jaringan ini dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama.

c. Jaringan Reccurent

Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop).

Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron. Argument fungsi aktivasi adalah net masukan (kombinasi linear masukan dan bobotnya).

a. Fungsi Threshold (batas ambang)

{ ……….. (2.2)

Untuk beberapa kasus, fungsi threshold yang tidak berharga 0 atau 1, tapi berharga -1 atau 1 (sering disebut threshold bipolar) jadi

{ ……….. (2.3)

b. Fungsi Sigmoid

……...……….. (2.4) Fungsi ini sering dipakai karena nilai fungsinya yang terletak antara 0 dan 1 dapat diturunkan dengan mudah.

...……….. (2.5)

c. Fungsi Identitas

……….………..(2.6)

Fungsi identitas sering dipakai apabila kita menginginkan keluaran berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]

Kadang-kadang dalam jaringan ditambahkan sebuah unit masukan yang nilainya selalu = 1. Unit yang sedemikian itu disebut bias. Bias dapat dipandang sebagai sebuah unit input yang nilainya = 1. Bias berfungsi untuk mengubah nilai threshold menjadi = 0 (bukan = a). jika melibatkan bias, maka keluaran unit penjumlahan adalah

∑ ……….. (2.7) Fungsi aktivasi threshold menjadi :

X1

X2

1

Y

Gambar 2.4 (Siang 2009)

2.4.1 Mempercepat Pelatihan Backpropagation

Menurut Siang (2009) Metode standar backpropagation seringkali terlalu lambat untuk keperluan praktis. Beberapa modifikasi dilakukan terhadap standar backpropagation dengan cara mengganti fungsi pelatihannya.

Secara umum, modifikasi dapat dikelompokan dalam dua kategori. kategori pertama adalah metode yang menggunakan teknik heuristic yang dikembangkan dari metode penurunan tercepat yang dipakai dalam standar backpropagation. kategori kedua adalah menggunakan metode optimasi numeric selain penurunan tercepat. Beberapa metode yang dipakai sebagai modifikasi adalah metode conjugate gradient, quasi Newton, dan lain-lain. Dalam sub bab berikut ini dibicarakan dahulu tentang beberapa modifikasi yang masuk dalam kategori pertama (backpropagation dengan momentum, variabel laju pemahaman, dan backpropagation resilient). Berikutnya barulah dibahas tentang beberapa metode yang masuk dalam kategori kedua.

Beberapa metode yang dipakai untuk mempercepat pelatihan backpropagation sebagai berikut :

1. Metode penurunan Gradien dengan Momentum (traingdm)

Modifikasi metode penurunan tercepat dilakukan dengan

menambahkan momentum. Dengan momentum, perubahan bobot tidak hanya didasarkan atas error yang terjadi pada epoch pada waktu itu. Perubahan bobot saat ini dilakukan dengan memperhitungkan juga

perubahan bobot pada epoch sebelumnya. Dengan demikian

kemungkinan terperangkap ke titik minimum lokal dapat dihindari.

Menurut Hagan dan Demuth (1996) sebelum mengimplementasikan ke dalam sebuah aplikasi jaringan syaraf, akan dibuktikan dalam sebuah ilustrasi efek penghalusan dengan mempertimbangkan :

(2.9)

Dimana w(k) adalah input ke filter, y(k) adalah output dari filter dan y adalah koefisien momentum yang harus memenuhi

(2.10)

Efek dari filter ditunjukan dengan gambar 2.5. Contoh ini input diambil dari gelombang sinus :

(2.11)

Dan koefisien momentum ditetapkan untuk y = 0.9 (a) dan y = 0.98 (b). Dari gambar tersebut dapat dilihat osilasi dari output filter kurang dari osilasi dalam filter input. Selain itu, sebagai y meningkat osilasi dalam output filter berkurang. Sangat penting juga memperhatikan bahwa output filter rata-rata sama dengan rata-rata menyaring masukan, meskipun sebagai y meningkat filter output lebih lambat untuk merespon.

Gambar 2.5. Pengaruh Perubahan Momentum (Hagan & Demuth, 1996) Untuk meringkas, filter cenderung mengurangi jumlah perubahan, sementara masih mengikuti nilai rata-rata. Untuk cara implementasi dalam jaringan syaraf tiruan, pertama menggunakan parameter sebagai berikut :

_{, (2.12)}

. (2.13)

Ketika filter momentum ditambahkan untuk mengganti parameter, sehingga mendapatkan persamaan perubahan backpropagation :

_{, (Error! No text of}

specified style in document..14 )

. ( Error! No text of specified style in document..15 )

Apabila menggunakan persamaan modifikasi ini maka akan memperoleh hasilnya seperti gambar 2.6.

Dari gambar 2.6. cenderung untuk membuat lintasan terus kearah yang sama. Semakin besar y, semakin cepat t lintasannya.

2. Variabel Laju Pemahaman (traingda, traingdx)

Dalam standar Backpropagation. Laju pemahaman berupa suatu konstanta yang nilainya tetap selama iterasi. Akibatnya, untuk kerja algoritma sangat dipengaruhi oleh besarnya laju pemahaman yang dipakai. Secara praktis, sulit untuk menentukan besarnya laju pemahaman yang terlalu besar maupun terlalu kecil akan menyebabkan pelatihan menjadi lambat.

Pelatihan akan lebih cepat apabila laju pemahaman dapat diubah ubah besarnya selama proses pelatihan. Jika error sekarang lebih besar dibandingkan error sebelumnya, maka laju pemahaman diturunkan. Jika sebaliknya, maka laju pemahaman diperbesar. Dengan demikian laju pemahaman dapat dibuat sebesar besarnya dengan tetap mempertahanlan kestabilan proses.

Menurut Hagan dan Demuth (1996), ada banyak pendekatan untuk mengubah learning rate (laju pemahaman). Salah satunya dengan cara yang paling mudah, dimana learning rate berubah berdasarkan performa sebuah algoritma. Aturan untuk variabel learning rate backpropagation adalah sebagai berikut :

a. Jika error kuadrat (pada semua training set) meningkat lebih dari presentase yang ditentukan (umumnya satu hingga lima persen) setelah perubahan bobot, maka perubahan bobot diabaikan, learning rate dikalikan dengan faktor 0 < p < 1, dan koefisien momentum y (jika digunakan) diberi nilai nol.

b. Jika error kuadrat berkurang setelah perubahan bobot, maka perubahan bobot diterima dan learning rate dikalikan dengan faktor

jika y sebelumnya diberi nilai nol, maka akan diubah menjadi nilai

c. Jika error kuadrat meningkat namun kurang dari , maka perubahan bobot diterima tetapi learning rate dan koefisien momentum tidak berubah.

Dengan menggunakan parameter awal yang telah digunakan pada gambar 2.6 dan menambahkan parameter baru :

, , dan , maka akan didapatkan hasil seperti pada

gambar 2.7.

Gambar 2.7. Lintasan variabel Learning Rate (Hagan & Demuth, 1996) 3. Resilent Backpropagation (trainrp)

Jaringan backpropagation umumnya menggunakan fungsi aktivasi sigmoid. Fungsi sigmoid akan menerima masukan dari range tak berhingga menjadi keluaran pada range[ ]. Semakin jauh titik dari

, semakin kecil gradiennya. Pada titik yang cukup jauh dari , gradiennya mendekati 0. Hal ini menimbulkan masalah pada waktu menggunakan metode penurunan tercepat (yang iterasinya didasarkan atas gradien). Gradien yang kecil menyebabkan perubahan bobot juga kecil, meskipun masih jauh dari titik optimal.

Masalah ini diatasi dalam resilient backpropagation dengan cara membagi arah dan perubahan bobot menjadi dua bagian yang berbeda. Ketika menggunakan penurunan tercepat, yang diambil hanya arahnya saja. Besarnya perubahan bobot dilakukan dengan cara lain (Siang, 2009).

4. Gradien Conjugate (traincgf, traincgp, traincgb)

Dalam standar backpropagation, bobot dimodifikasi pada arah penurunan tercepat. Meskipun penurunan fungsi berjalan cepat, tapi tidak menjamin akan konvergen dengan cepat. Dalam algoritma gradien conjugate, pencarian dilakukan sepanjang arah conjugate. Dalam banyak kasus, pencarian ini lebih cepat. Ada berbagai metode pencarian yang dilakukan berdasarkan prinsip gradien conjugate, antara lain Fletcher-Reeves („traincgf‟), Polak-Ribiere („traincgp‟), Powel Beale („traincgb‟).

Menurut Hagan & Demuth (1996), langkah-langkah dalam gradien conjugate adalah sebagai berikut :

a. Memilih arah pencarian pertama menjadi gradien negatif

, ( Error! No text of specified style in document..16 )

b. Kemudian memilih learning rate untuk meminimalisasi fungsi bersamaan dengan arah pencarian :

, ( Error! No text of specified

style in document..17 )

c. Lalu memilih arah pencarian selanjutnya berdasarkan persamaan

, ( Error! No text of specified

style in document..18 ) dengan persamaan berikut ini untuk menghitung nilai

atau atau

(Error! No text of specified style in document..19 )

Jika algoritma belum konvergen maka lanjut pada langkah ke-2.

2.5. Backpropagation (propagasi balik)

Backpropagation merupakan suatu teknik pembelajaran atau pelatihan jenis supervised learning yang sering digunakan. Metode ini merupakan salah satu

W10

Wk0

Wm0

W11 Wk1

Wm1

W1j

Wkj

Wmj

W1p

Wkp Wmp

V10 Vj0 Vp0 V11 V1i Vp1

V11 Vji

Vpi _V1n

Vjn Vpn

metode yang sangat baik dalam menangani masalah pengenalan pola yang kompleks.

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2.5 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

Vji merupakan bobot garis dari unit masukan Xi ke unit layar tersembunyi

Zj (Vj0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit

layar tersembunyi Zj). Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit

keluaran Yk (Wk0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran

Zk)

Gambar 2.5 (Siang 2009)

Dalam Backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).

Y1 Yk Ym

Z1 Zj Zp

1

X1 _X

i Xn

dengan turunan …………(2.9) Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1).

-1 dengan turunan ( ) …………(2.10) Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas : f(x) = x.

Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.

a. Fase I : Propagasi maju

Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke

layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj) tersebut selanjutnya

dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan

fungsi aktivasi yang ditentukan. Demikian seterusnya hingga

menghasilkan keluaran jaringan (= yk).

Berikutnya keluaran jaringan (= yk) dibandingkan dengan target

yang harus dicapai (= tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika

kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas

toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.

b. Fase II : Propagasi mundur

Berdasarkan kesalahan tk – yk, dihitung faktor k (k = 1,2,…,m)

yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit

tersembunyi yang terhubung langsung dengan yk. k juga dipakai untuk

mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor j di setiap unit di layar

tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.

c. Fase III : Perubahan bobot

Setelah semua faktor dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor neuron di layar atasnya, sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas k yang ada di unit keluaran.

Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.

Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut :

Langkah 0 : Inisialisasi semua bobot dengan bilangan anak kecil Langkah 1 : Jika kondisi penghentian belum terpenuhi, lakukan

langkah 2-9

Fase I : Propagasi maju

Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi di atasnya

Langkah 4 : Hitung semua keluaran di unit tersembunyi zj(j = 1,2,…,p)

j

= v

jo

+

∑

i

v

ji……….(2.11)

z

j

= f(z_net

j

) =

………(2.12)

Langkah 5 : Hitung semua keluaran jaringan di unit yk(k = 1,2,…,,m)

k

= w

ko

+

∑

j

w

kj………. (2.13)

y

k

= f(y_net

k

) =

………….…… (2.14)

Fase II : Propagasi mundur

Langkah 6 : Hitung faktor unit keluaran berdasarkan kesalahan di setiap unit keluaran yk(k = 1,2,…,m)

k

= (t

k

–

y

k

)

k

) = (t

k

–

y

k

) y

k

(1

–

y

k

)

… (2.15)

merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar di bawahnya (langkah 7)

Hitung suku perubahan bobot wkj (yang akan dipakai nanti untuk merubah

bobot wkj) dengan laju percepatan α

kj

=α

k

z

j

; k = 1,2,...,m ; j = 0,1,…,p

……… (2.16)

Langkah 7 : Hitung faktor unit tersembunyi berdasarkan kesalahan di setiap unit tersembunyi zj(j = 1,2,…,p)

_net

j

=

∑

k

w

kj………. (2.17)

Faktor unit tersembunyi :

j

=

_net

j

j

) =

_net

j

z

j

(1-z

j

)

……….. (2.18)

Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah

bobot vji)

Fase III : Perubahan Bobot

Langkah 8 : Hitung semua perubahan bobot Perubahan bobot garis menuju ke unit keluaran :

W

kj

(baru) = w

kj

(lama) +

kj

(k = 1,2,…,m ; j =

0,1,…,p)

…(2.19)

Perubahan bobot garis yang menuju ke unit tersembunyi :

V

ji

(baru) = v

ji

(lama) +

ji

(j = 1,2,…,p ; i = 0,1,…,n)

.... (2.20)

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk menentukan keluaran jaringan.

Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5 harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7. 2.6. K-Fold Cross Validation

K-Fold Cross Validation merupakan teknik umum untuk menguji kinerja dari klasifikasi. Data dibagi menjadi k bagian (fold), kemudian selama i = 1,…,k dilakukan pelatihan terhadap data selain fold ke-i dan dilakukan pengujian terhadap data fold ke-i tersebut, lalu menghitung jumlah pengujian yang mengalami kesalahan klasifikasi.

2.7. Confusion Matrix

Confussion Matrix menunjukan jumlah prediksi yang benar dan salah yang dibuat oleh model klasifikasi dibandingkan dengan hasil yang sebenarnya (nilai target) dalam data. Matrix adalah n x n, dimana n adalah jumlah nilai target (kelas). Kinerja model seperti ini biasanya dievaluasi dengan menggunakan data dalam matrix. Tabel berikut menampilkan confusion matrix 2 x 2 untuk dua kelas (positif dan negative) (Diana dan Shidik, 2014).

Tabel 2.1 Confusion Matrix (Diana dan Shidik, 2014)

Confusion Matrix

Target

Positif Negatif

Model

Positif a b Positive predictive value a/(a+b)

Negatif c d Negative predictive value d/(c+d)

sensitivity specitivity Accuracy = (a+d)/(a+b+c+d)

26 BAB III

METODE PENELITIAN

Bab ini akan membahas cara kerja algoritma yang digunakan dan proses yang akan dibangun untuk melakukan perhitungan prediksi kesehatan koperasi.

3.1. Data

Data yang akan digunakan untuk diprediksi adalah data keuangan yang diperoleh dari data laporan keuangan koperasi selama dua tahun terakhir yang terkumpul sebanyak 225 data. Data tersebut diambil langsung dari dinas koperasi yang terdapat di kabupaten Kulonprogo. Pemilihan atribut keuangan yang diambil dari dinas koperasi Kulonprogo disesuaikan dengan kriteria yang dicari untuk dapat memprediksi kesehatan suatu koperasi. kriteria tersebut antara lain :

a. Jumlah Aset Lancar

Adalah uang tunai atau kas dan aset kekayaan lainnya yang diharapkan bisa digunakan menjadi kas maupun dijual / dikonsumsi habis dalam waktu tidak lebih dari satu tahun buku.

b. Jumlah Aset Tidak Lancar

Adalah uang tunai atau kas dan aset kekayaan lainnya yang mempunyai umur kegunaan relative permanen atau jangka panjang (mempunyai umur ekonomis lebih dari satu tahun atau tidak habis dalam satu kali perputaran operasi perusahaan.

c. Jumlah Aset Tetap

Adalah masukan dalam bentuk siap pakai atau dibangun lebih dahulu dan digunakan dalam kegiatan operasi perusahaan, seperti : tanah, mesin-mesin, kendaraan, gedung, peralatan.

d. Jumlah Aset

Adalah total keseluruhan jumlah aset yang dimiliki.

e. Kewajiban Lancar

Adalah hutang-hutang yang harus segera dilunasi dalam jangka waktu kurang dari satu tahun.

f. Kewajiban Jangka Panjang

Adalah hutang-hutang yang dapat dilunasi dalam jangka waktu lebih dari satu tahun.

g. Kekayaan Bersih (Ekuitas)

Adalah modal sendiri didalam koperasi yang dihitung sebagai kekayaan setelah dikurangi kewajiban

h. Jumlah Pasiva

Adalah kewajiban persuhaan/koperasi pada pihak ketiga untuk melakukan sesuatu yang pada umumnya pembayaran utang.

i. Sisa Hasil Usaha (SHU)

Adalah pendapatan koperasi yang diperoleh dalam satu tahun buku dikurangi dengan biaya, penyusutan, dan kewajiban lain.

Setelah data dikumpulkan maka dilakukan preprocessing data yaitu dengan min-max normalization untuk mendapatkan bentuk data yang optimal dengan mengubah data dalam range 0 sampai 1. Adapun rumus normalisasi yang digunakan :

(3.1)

Dengan X‟ adalah data hasil perhitungan dan X adalah data asli, sedangkan a adalah data maksimum yang diharapkan dan b adalah data minimum yang diharapkan, datamax adalah nilai data terbesar dari data sedangkan datamin adalah nilai data terkecil dari data.

3.1.2. Penilaian (Score) Kesehatan Koperasi

Menurut peraturan Menteri Koperasi Usaha Kecil dan Menengah tentang pedoman penilaian kesehatan koperasi (2008), adalah kondisi atau keadaan koperasi yang dinyatakan sehat, cukup sehat, kurang sehat, dan tidak sehat. Table penilaian kesehatan koperasi adalah sebagai berikut:

Tabel 3.1 penilaian predikat koperasi

Skor Predikat

81 - 100 Sehat

66 - < 81 Cukup sehat

51 - < 66 Kurang sehat

0 - < 51 Tidak sehat

3.2. Gambaran Penelitian

Perancangan sistem dari perancangan proses pelatihan sampai proses pengujian. Langkah awal pada saat pelatihan dan pengujian, data akan dinormalisasi. Lalu data akan dimasukan kedalam arsitektur jaringan syaraf tiruan Backpropagation untuk mendapatkan hasilnya. Skema perancangan sistem dapat dijelaskan dengan diagram dibawah ini (Gambar 3.1).

Gambar 3.1 Gambaran Proses

 Data input merupakan data yang sudah diubah kedalam range [0 1] atau sudah melewati proses preprocessing.

 Data yang sudah di preprocessing akan dibagi menjadi data testing dan data training

 Selanjutnya, data training masuk kedalam jaringan syaraf tiruan Backpropagation, dan data testing digunakan untuk menguji terhadap data training yang sudah melewati proses Backpropagation, setelah itu akan ditemukan akurasinya.

 Tahap terakhir adalah pengujian data tunggal untuk mendapatkan hasil keluarannya.

3.2.1. Arsitektur Jaringan

Gambar 3.2. Arsitektur Jaringan

Gambar diatas merupakan rancangan arsitektur jaringan, dengan rincian sebagai berikut :

a. Input 1 menunjukan bias.

b. Input layer yang mempunyai 9 data masukan yang berisi data atribut keuangan koperasi, dengan setiap neuron mewakili 1 data masukan. c. Mempunyai dua hidden layer dengan jumlah neuron j, dan fungsi

transfer yang digunakan adalah tansig (tan-sigmoid) karena data yang digunakan setelah melewati proses normalisasi memiliki rentang [-1

1]. Sedangkan untuk menghasilkan sebuah output menggunakan fungsi transfer purelin. Untuk mendapatkan yang optimal dalam jaringan dilakukan pengujian terhadap jumlah hidden layer yaitu 1 dan 2 hidden layer dengan variasi jumlah neuron yang digunakan dengan jumlah 5 neuron sampai 35 neuron.

d. Mempunyai output layer 4, yang menjadi data target yang akan menghasilkan hasil prediksi.

3.3. Validasi

Dalam melakukan pengujian dari penelitian ini akan dilakukan dengan 5-fold cross validation. Proses 5-fold cross validation adalah sebagai berikut: data keuangan koperasi yang dikumpulkan yaitu sebanyak 225 data, memiliki 4 kelas kelompok, yaitu : sehat, cukup sehat, kurang sehat, tidak sehat. Setiap kelompok memiliki data yang berbeda untuk setiap kelasnya.

a. Data keuangan Sehat = 55

b. Data keuangan Cukup Sehat = 100

c. Data keuangan Kurang Sehat = 50

d. Data Keuangan Tidak Sehat = 20

Jumlah data masing masing keuangan dibagi dengan 5-fold cross validation. Setelah membagi data dengan 5-fold cross validation, dilakukan perhitungan

akurasi dengan cara dibawah ini :

(3.2)

3.4 Tahapan Penelitian

Dalam sub bab ini akan membahas tentang metode perancangan yang akan digunakan dan langkah-langkah dalam penelitian ini, adapun sebagai berikut :

a. Tahap pencarian, pada tahap ini akan dilakukan pencarian data langsung melalui dinas koperasi yang terdapat di kabupaten Kulonprogo. Pencarian data di lakukan dengan proses wawancara terhadap kepala dinas koperasi kabupaten Kulonprogo.

b. Pencarian informasi mengenai segala sesuatu yang berhubungan dengan penelitian ini.

c. Pengumpulan data.

d. Menganalisa data yang sudah didapatkan, dan membuat perancangan sistemnya.

e. Mengimplementasikan perancangan yang sudah dilakukan ke dalam

perangkat lunak.

f. Melakukan pengujian terhadap sistem dengan memasukan data yang telah

dibagi menjadi data latih dan data uji.

g. Melakukan analisa terhadap sistem yang telah diuji

3.5 Spesifikasi Alat

Sistem ini mempunyai kebutuhan perangkat keras dan lunak untuk mendapatkan hasil yang maksimal.

1. Kebutuhan perangkat lunak

a. Microsoft Windows 10

b. Matlab 2012

Matlab 2012 digunakan untuk membuat sistem arsitektur jaringan syaraf tiruan backpropagation

2. Kebutuhan perangkat keras

a. Processor : Intel® Core™2Duo CPU T5800 @2.00GHz (2CPUs),

~2.0GHz

b. Memory : 2048MB

32 BAB IV

HASIL DAN ANALISIS SISTEM

Bab ini akan berisikan tentang implementasi dan analisis keluaran dari sistem dengan algoritma yang telah digunakan serta perancangan antarmuka.

4.1. Pengujian Sistem

Gambar 4.1 Hasil Akurasi Jaringan Syaraf Tiruan

Hasil penelitian berupa nilai akurasi dari prediksi kesehatan koperasi berdasarkan nilainya yaitu sehat, cukup sehat, kurang sehat, tidak sehat. Data yang digunakan untuk pelatihan sejumlah 225 data. Ada beberapa percobaan yang dilakukan untuk penelitian ini, diantaranya percobaan untuk nilai neuron pada satu atau dua hidden layer, dimana masing-masing hidden layer akan diberikan nilai H dimana, dan nilai H akan bertambah 5 untuk setiap percobaannya.

Percobaan awal yang akan dilakukan adalah percobaan akurasi metode training, untuk menentukan metode training yang akan digunakan. Pada proses optimalisasi jaringan ini akan dilakukan terhadap data sebanyak 225 dengan

beberapa kombinasi hidden layer, k-fold, dan metode training untuk mencari akurasi tertinggi. Berikut adalah hasil pengujiannya:

Gambar 4.2 Grafik Akurasi Metode Training

Dapat dilihat dari gambar 4.2 hasil percobaan akurasi metode training yang telah dilakukan, percobaan dilakukan dengan 1 hidden layer menggunakan fungsi transfer tansig, fungsi aktivasi purelin, epoch = 1000, dan k-fold = 5. Akurasi tertinggi didapat pada neuron 20, metode training = trainrp, dengan tingkat akurasi mencapai 68%. Untuk percobaan dengan 1 hidden layer masih kurang akurat dalam memprediksi kesehatan koperasi, oleh sebab itu, pengujian akan dilakukan dengan 2 hidden layer.

Tabel 4.1. Tabel Pengujian Akurasi Metode Training 1 hidden layer

No Metode Training Akurasi

1 Trainscg 64%

2 Traincgf 64%

3 Traingda 66%

4 Traingdx 66%

4.2. Optimalisasi Arsitektur Jaringan

Gambar 4.3 Grafik akurasi dua hidden layer Trainscg

Gambar 4.3 adalah pengujian terhadap metode training trainscg dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 15 dan 30 dengan akurasi mencapai 68%.

Gambar 4.4 adalah pengujian terhadap metode training traingda dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 20 dan 15 dengan akurasi mencapai 71%.

Gambar 4.5 Grafik akurasi dua hidden layer Traingdx

Gambar 4.5 adalah pengujian terhadap metode training traingdx dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron hidden layer 2 20, 25, 30 dengan akurasi mencapai 68%.

Gambar 4.6 adalah pengujian terhadap metode training trainrp dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 20 dan 20 dengan akurasi mencapai 68%.

Gambar 4.7 Grafik akurasi dua hidden layer Traincgf

Gambar 4.7 adalah pengujian terhadap metode training traincgf dengan menggunakan 2 hidden layer, dapat dilihat dari gambar diatas, akurasi terbesar terdapat pada neuron 35 dan 20 dengan akurasi mencapai 64%.

Tabel 4.2. Tabel Pengujian Akurasi Metode Training 2 hidden layer

No

Metode

Training Akurasi

1 Trainscg 68%

2 Traingda 71%

3 Traingdx 68%

4 Trainrp 68%

5 Traincgf 64%

Pada tabel 4.2 terlihat akurasi terbesar didapatkan dengan metode training traindga, dengan akurasi mencapai 71%. Percobaan metode training dengan 2 hidden layer ini yang akan digunakan untuk memprediksi data tunggal kesehatan koperasi.

4.3 Pengujian Data Tunggal

Setelah dilakukan proses pelatihan pada arsitektur jaringan syaraf tiruan, selanjutnya akan dilakukan pengujian terhadap data tunggal, data yang diuji merupakan data yang tidak termasuk dalam proses perlatihan atau pengujian data kelompok. Data yang akan di uji berjumlah 5 data dari data koperasi yang belum mendapatkan penilaian.

Gambar 4.8 Running program Jaringan Syaraf Tiruan

Gambar 4.8 adalah proses jalannya program jaringan syaraf tiruan dengan 2 hidden layer yaitu : hidden layer 1 = 20, hidden layer 2 = 15, masing-masing hidden layer menggunakan fungsi transfer = tansig, dan menggunakan metode training = Traingda dengan epoch = 1000 dan k-fold = 5

Gambar 4.9 Percobaan Pengujian data tunggal

Pada gambar 4.9 adalah proses memasukan data keuangan koperasi untuk menampilkan hasil prediksi kesehatan koperasi. Dari lima data yang digunakan untuk prediksi, didapatkan hasil sebagai berikut :

Tabel 4.3 Hasil Prediksi data tunggal Data Prediksi

1 Cukup Sehat

2 Sehat

3 Cukup Sehat

4 Tidak Sehat

41 BAB V KESIMPULAN

5.1 Kesimpulan

Dalam hasil pengujian prediksi kesehatan koperasi menggunakan jaringan syaraf tiruan propagasi balik dapat disimpulkan sebagai berikut :

1. Hasil percobaan beberapa kombinasi arsitektur jaringan untuk prediksi kesehatan koperasi, sebagai berikut :

a. Percobaan dilakukan dengan 2 hidden layer, 5 fold cross validation, hidden layer 1 = 20, hidden layer 2 = 15, metode training = traingda, fungsi training 1 = tansig, fungsi training 2 = tansig, epoch = 1000. Didapatkan akurasi tertinggi dengan memilih model jaringan yang ke-dua yaitu 71%

2. Model jaringan syaraf tiruan yang dihasilkan cukup akurat dalam memprediksi kesehatan koperasi, tetapi masih ada kekurangan yaitu tingkat akurasi yang tidak tinggi, hanya 71%, tidak tingginya akurasi dikarenakan banyaknya data atribut yang kosong pada saat pengumpulan data dan kurangnya data keuangan koperasi untuk dilakukan pengujian.

5.2 Saran

Saran yang dapat diberikan untuk mendapatkan sistem ini adalah :

a. Menambahkan data koperasi lebih banyak, sehingga prediksi menjadi lebih akurat dan tinggi.

42

Daftar pustaka

1. G.Y.P, Cyinthia. 2010. “Deteksi Kebangkrutan Perusahaan Menggunakan Anartificial Neural Network”. http://digilib.its.ac.id/ITS-Undergraduate-3100010038445/9167. 2015

2. E-journal. 2013. Pengertian kebangkrutan

.http://www.e-jurnal.com/2013/09/pengertian-kebangkrutan.html. diakses tanggal 2 november 2015

3. Informasi pendidikan. 2015. Pengertian koperasi . http://www.informasi-pendidikan.com/2015/04/pengertian-koperasi.html. diakses pada tanggal 2 november 2015

4. Siang,Jek Jong. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Yogyakarta : ANDI.

5. Setiawan, Aditya . 2014. “Model Prediksi Kepalitan Bank umum di

Indonesia Menggunakan Algoritma Backpropagation”. Surabaya.

http://www.scribd.com/doc/272683856/MODEL-PREDIKSI-

KEPAILITAN-BANK-UMUM-DI-INDONESIA-MENGGUNAKAN-ALGORITMA-BACKPROPAGATION#scribd.

6. Evo. 2014 “Penilaian Kesehatan Koperasi”

http://ourakuntansi2.blogspot.co.id/2016/09/penilaian-kesehatan-koperasi.html.

7. Hariannetral. 2014 “Pengertian Koperasi, Tujuan, Fungsi, dan Jenis

Koperasi”

http://hariannetral.com/2015/01/pengertian-koperasi-tujuan-fungsi-dan-jenis-koperasi.html.

8. Sullivan, Arthur; Steven M. Sheffrin, Ecomomics: Principles in action. Upper Saddle

River,(New Jerey, Pearson Printice 2003).

9. Sutojo, Siswanto, Analisis Kredit Bank Umum, (Jakarta: Pustaka Binaman Pressindo,(1995).

10.Husnan, s. Manajemen Keuangan Teori Dan Penerapan (Keputusan Jangka

11.Mustofa Edwin Nasution dan Ranti Wiliasih, “Profit Sharing dan Moral hazard dalamPenyaluran Dana Pihak Ketiga Bank Umum Syariah di

Indonesia,” Jurnal Ekonomi Pembangunan Indonesia, Vol. VII No. 01 (Januari 2007)

12.Diana, L., & Shidik, G. F. (2014). Analisis Data Transaksi Penjualan Untuk Klasifikasi Jenis Barang Dan Relasi Daya Beli Relatif Masyarakat Menggunakan Algoritam K-Means Serta Asosiasi Apriori. Jurnal Teknologi Informasi, 212-219

11.Mustofa Edwin Nasution dan Ranti Wiliasih, “Profit Sharing dan Moral hazard dalamPenyaluran Dana Pihak Ketiga Bank Umum Syariah di Indonesia,” Jurnal Ekonomi Pembangunan Indonesia, Vol. VII No. 01 (Januari 2007)

12.Diana, L., & Shidik, G. F. (2014). Analisis Data Transaksi Penjualan Untuk Klasifikasi Jenis Barang Dan Relasi Daya Beli Relatif Masyarakat Menggunakan Algoritam K-Means Serta Asosiasi Apriori. Jurnal Teknologi Informasi, 212-219

44

Lampiran

46 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

48 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI