PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION.
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN
BACKPROGATION
SKRIPSI
Diajukan untuk Memenuhi Syarat Memperoleh Gelar Sarjana Ilmu Komputer
Program Studi Ilmu Komputer
Oleh:
Riza Fauzi Rahman 0800403
PROGRAM STUDI ILMU KOMPUTER DEPARTEMEN PENDIDIKAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
(2)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN
BACKPROGATION
Oleh:
Riza Fauzi Rahman 0800403
Sebuah skripsi yang diajukan untuk memenuhi syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Riza Fauzi Rahman 2015 Universitas Pendidikan Indonesia
Agustus 2015
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, Dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis
(3)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu LEMBAR PENGESAHAN
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN
BACKPROGATION Oleh:
Riza Fauzi Rahman 0800403
DISETUJUI DAN DISAHKAN OLEH Pembimbing 1
Rosa Ariani Sukamto,M.T.
NIP. 198109182009122003
Pembimbing 2
Muhammad Nursalman, M.T. NIP. 197909292006041002
Mengetahui, Ketua Program Studi Ilmu Komputer
Eddy Prasetyo Nugroho, M.T. NIP. 197505152008011014
Ketua Departemen Pendidikan Ilmu Komputer
Prof. Dr. H. Munir, M.IT NIP. 196603252001121001
(4)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
ABSTRAK
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN
BACKPROGATION
Riza Fauzi Rahman 0800403
Transportasi merupakan sarana perkembangan yang penting dan strategis dalam memperlancar roda perekonomian dan kelancaran aktitivas masyarakat. Kereta api merupakan transportasi dengan multi keunggulan komparatif seperti hemat bahan bakar, energi, rendah polusi, bersifat massal, adaftif dengan tugas pokok, dan fungsi mobilisasi arus penumpang kereta api dan barang. Hal lain yang tidak kalah pentingnya akan kebutuhan kenyamanan, keamanan, dan kelancaran pengangkutan. Penelitian ini bertujuan membantu pihak PT. Kereta Api dalam meramalkan volume penumpang kereta api, sehingga PT. Kereta Api dapat melayani penumpang kereta api secara maksimal. Pada penelitian ini menggunakan metode Jaringan Syaraf Tiruan Backpropagation untuk meramalkan volume penumpang kereta api yang akan menggunakan jasa kereta api di pulau Jawa-Sumatera. Data time series volume penumpang kereta api di Sumatera-Jawa pada periode 2006-2014 digunakan untuk data masukan, training dan data testing yang akan menghasilkan bobot. Jaringan Syaraf Tiruan
Backpropagation yang dilatih dapat meramalkan volume penumpang kereta api
satu bulan ke depan. Tetapi tingkat akurasinya berbeda-beda. Persentase akurasi tertinggi adalah 91,3012% dan terendah sebesar 66,2031%. Akurasi tertinggi dengan Jaringan yang memiliki 12 lapisan masukan, 12 lapisan tersembunyi, 1 lapisan keluaran, persentase data latih 50%, nilai learning rate 0,5, dan momentum 0,8.
(5)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu ABSTRACT
FORECASTING VOLUME OF PASSENGER IN JAVA-SUMATRA USING BACKPROGATION NEURAL NETWORK
Riza Fauzi Rahman 0800403
Transportation is important for development and strategic to facilitate the activity of economy and society. The train is a transportation which has multi comparative advantages such as saving of fuel, energy, low pollution, massive, adaptive with the basic tasks and has important use for mobilize passengers and goods. Another thing that isnot less important are need of comfort, security, and the smooth transport. This study aims to help the PT. Kereta Api in predicting the number of passengers, so that the passengers of PT. Kereta Api can be served optimally. This study using Backpropagation Neural Network to predict the volume of passengers who use the services of the train at the station of Java-Sumatra. Time series data of train passengers in Sumatra-Java in the period 2006-2014 is used to input the data, training and testing of data that will result in weight. Backpropagation Neural Networks which has trained can predict the number of passengers a month ahead. But it has the different levels of accuracy. The highest percentage of accuracy is 91.3012% and the lowest is 66.2031%. The highest accuracy with the Network that has 12 input layer , 12 hidden layer, one output layer, the percentage of training data 50%, the value of learning rate of 0.5, and 0.8 momentum.
(6)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
DAFTAR ISI
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
UCAPAN TERIMA KASIH ... iv
DAFTAR ISI ... vi
DAFTAR TABEL ... ix
DAFTAR GAMBAR ... x
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah ... 6
1.3 Tujuan Penelitian ... 7
1.4 Batasan Masalah ... 7
1.5 Metodologi Penelitian ... 8
1.6 Sistematika Penulisan ... 9
BAB II TINJAUAN PUSTAKA ... 10
2.1 Definisi Peramalan ... 10
2.2 Karakteristik Peramalan ... 10
2.2.1 Manfaat... 12
2.2.2 Jenis-jenis Peramalan ... 12
2.2.3 Langkah-langkah Peramalan ... 16
2.2.4 Ukuran Akurasi Peramalan ... 16
2.3 Knowledge Discovery in Database (KDD) dan Data Mining ... 18
2.3.1 Proses KDD ... 18
2.3.2 Taksonomi Data Mining ... 20
2.4 Proses KDD dan Data Mining pada Kasus Peramalan Volume penumpang kereta api ... 22
2.5 Data Preprocessing ... 23
(7)
vii Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
2.5.2 Transformasi Data... 25
2.6 Jaringan Saraf Tiruan ... 26
2.6.1 Pengertian Jaringan Saraf Tiruan ... 26
2.6.2 Kelebihan dan Kekurangan Jaringan Syaraf Tiruan (JST) ... 26
2.6.2.1 Kelebihan JST ... 26
2.6.2.2 Kekurangan JST ... 27
2.6.3 Model Neuron ... 27
2.6.4 Arsitektur Jaringan ... 28
2.6.5 Fungsi Aktivasi ... 31
2.6.6 Bias dan Threshold ... 32
2.6.7 Metode Pelatihan/Pembelajaran ... 32
2.7 Backpropagation ... 33
2.7.1 Arsitektur Backpropagation ... 33
2.7.2 Fungsi Aktivasi Backpropagation ... 34
2.7.3 Pelatihan Backpropagation ... 35
2.7.4 Analisis Kesalahan ... 37
2.7.5 Epoch Maksimum dan Batas Nilai Toleransi ... 38
2.7.6 Optimalisasi Backpropagation ... 38
2.8 Referensi Penelitian ... 43
BAB III METODOLOGI PENELITIAN ... 46
3.1 Desain Penelitian ... 46
3.2 Alat dan Bahan Penelitian ... 50
3.2.1 Alat Penelitian ... 50
3.2.2 Bahan Penelitian ... 51
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 52
4.1 Data Penelitian ... 52
(8)
viii Riza Fauzi Rahman, 2015
4.2.1. Deskripsi Umum Sistem... 56
4.2.2. Representasi Masalah ... 57
4.2.3. Data Preprocessing ... 59
4.2.4. Perancangan Struktur Jaringan ... 61
4.2.5. Menyusun Data Set Pelatihan dan Pengujian ... 63
4.2.6. Insialiasasi Data... 65
4.2.7. Modifikasi Algoritma Pelatihan Backpropagation ... 70
4.2.8. Pengujian Jaringan ... 80
4.2.9. Analisis Sensitifitas ... 81
4.2.10. Pemilihan Jaringan Optimum untuk Peramalan ... 81
4.3 Perancangan ... 82
4.3.1 Algoritma Peramalan Volume penumpang kereta api ... 82
4.3.2 Batasan Perangkat Lunak ... 85
4.3.3 Analisis Proses Bisnis ... 86
4.3.4 Model Proses Sistem ... 88
4.3.5 Desain Perangkat Lunak... 90
4.4 Implementasi ... 90
4.4.1 Implementasi Modul Program ... 91
4.4.2 Implementasi Antarmuka ... 94
4.5 Studi Kasus dan Hasil Penelitian ... 99
4.5.1 Studi Kasus ... 99
4.5.2 Hasil Penelitian ... 101
4.5.3 Analisis Hasil Penelitian ... 108
BAB V KESIMPULAN DAN SARAN ... 109
5.1 Kesimpulan ... 109
5.2 Saran ... 109
(9)
ix Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
(10)
x Riza Fauzi Rahman, 2015
DAFTAR TABEL
Tabel 2. 1 Referensi Jurnal... 43
Tabel 4. 1 Volume penumpang kereta api 2006-2014 ... 52
Tabel 4. 2 Penyusunan Data Set ... 63
Tabel 4.3 Data Set Pelatihan ... 63
Tabel 4.4 Data Set Pengujian ... 64
Tabel 4.5 Inisialisasi Bobot Bilangan Acak ... 66
Tabel 4.6 Inisialisasi Bobot Lapisan Tersembunyi ... 68
Tabel 4.7 Inisialisasi Bobot Lapisan Keluaran ... 69
Tabel 4.8 Data Pelatihan ... 72
Tabel 4.9 Bobot Simpul Tersembunyi Pertama ... 72
Tabel 4.10 Perubahan Bobot Lapisan Tersembunyi ... 76
Tabel 4.11 Bobot Baru Lapisan Tersembunyi ... 78
Tabel 4.12 Modul SIPJUPKA ... 91
Tabel 4.13 Skenario Studi Kasus ... 100
(11)
xi Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR GAMBAR
Gambar 1. 1 Grafik Perkembangan Volume Angkutan Penumpang kereta api, Tahun
2004 s.d. 2008 (PT. Kereta Api Persero) ... 2
Gambar 1. 2 Contoh Adaptive Filter (Siana Halim, 2010) ... 4
Gambar 2. 1. Pola Data Horizontal (Aceng Mu’min, 2012) ... 14
Gambar 2. 2 Pola Data Trend (Aceng Mu’min, 2012) ... 14
Gambar 2. 3 Pola Data Musiman (Aceng Mu’min, 2012) ... 15
Gambar 2. 4 Pola Data Siklis (Aceng Mu’min, 2012) ... 15
Gambar 2. 5 Proses KDD (Maimon, 2010) ... 19
Gambar 2. 6 Taksonomi Data Mining (Maimon, 2010)... 21
Gambar 2. 7 Model Neuron (Maria Agustin, 2012)... 27
Gambar 2. 8 Arsitektur Layar Tunggal (Elista, 2008) ... 29
Gambar 2. 9 Arsitektur Layar Jamak (Elista, 2008) ... 30
Gambar 2. 10 Arsitektur Layar Kompetitif (Elista, 2008) ... 30
Gambar 2. 11 Arsitektur Backpropagation (Siang, 2009)... 34
Gambar 2. 12 Kurva Kesalahan Bobot (Rojas, 1996) ... 39
Gambar 3. 1 Desain Penelitian ... 42
Gambar 3. 2 V-Model ... 44
Gambar 4. 1 Flowchart Pengembangan Sistem ... 58
Gambar 4. 2 Arsitektur Jaringan Backpropagation (Palit, 2005) ... 62
Gambar 4.3 Flowchart Modifikasi Algoritma Backpropagation ... 71
Gambar 4.4 Proses Pengujian Jaringan ... 81
Gambar 4. 5 Proses Bisnis Sistem Peramalan volume penumpang kereta api ... 88
Gambar 4.6 Context Diagram SIPJUPKA ... 89
(12)
xii Riza Fauzi Rahman, 2015
Gambar 4.8 Halaman Hasil Preprocessing ... 95 Gambar 4.9 Halaman Pelatihan Data ... 96
(13)
xiii Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Gambar 4. 10 Halaman Lihat Bobot ... 96
Gambar 4.11 Halaman Pengujian Data Latih ... 97
Gambar 4. 12 Halaman Hasil Pengujian Data Uji ... 97
Gambar 4.13 Halaman Pengujian Data Uji ... 98
Gambar 4.14 Halaman Tabel Hasil Pengujian Data Uji ... 99
Gambar 4.15 Halaman Peramalan... 100
Gambar 4.16 Persentase Akurasi 12 Simpul Tersembunyi ... 105
Gambar 4.17 Persentase Akurasi 24 Simpul Tersembunyi ... 106
Gambar 4.18 Persentase Akurasi 36 Lapisan Tersembunyi... 106
Gambar 4.19 Persentase Akurasi Learning Rate 0,1... 107
Gambar 4.20 Persentase Akurasi Learning Rate 0,3 ... 107
Gambar 4.21 Persentase Akurasi Learning Rate 0,5 ... 108
(14)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
BAB I PENDAHULUAN
1.1 Latar Belakang
Transportasi merupakan suatu bidang kegiatan yang sangat penting dalam kehidupan masyarakat dunia pada umumnya, masyarakat Indonesia khususnya. Pentingnya transportasi bagi masyarakat Indonesia disebabkan oleh beberapa faktor antara lain, keadaan geografis Indonesia yang terdiri dari ribuan pulau kecil dan besar (archipelago), perairan yang terdiri dari sebagian besar laut, sungai dan danau yang memungkinkan pengangkutan dilakukan melalui darat, perairan, dan udara guna menjangkau seluruh wilayah Indonesia. Hal lain yang juga tidak kalah pentingnya akan kebutuhan alat transportasi adalah kebutuhan kenyamanan, keamanan, dan kelancaran pengangkutan yang menunjang pelaksanaan pembangunan yang berupa penyebaran kebutuhan pembangunan, pemerataan pembangunan, dan distribusi hasil pembangunan diberbagai sektor ke seluruh pelosok tanah air misalnya, sektor industri, perdagangan, pariwisata, dan pendidikan. Secara umum transportasi memegang peranan penting dalam dua hal yaitu pembangunan ekonomis dan pembangunan non ekonomis (Sinta Baskoro, 2010). Suatu transportasi dikatakan baik apabila waktu perjalanan cepat dan tidak mengalami kecelakaan, frekuensi pelayanan cukup, serta aman, dan kondisi pelayanan aman (Martok, 1998).
Salah satu transportasi massal di Indonesia yaitu kereta api. Kereta api merupakan salah satu transportasi tertua di dunia (Suko Adi Widodo, 2013). Kereta api adalah sarana transportasi berupa kendaraan dengan tenaga gerak, baik berjalan sendiri maupun dirangkaikan dengan kendaraan lainnya, yang akan ataupun sedang bergerak di rel (Kamus Besar Bahasa Indonesia). Rangkaian kereta atau gerbong tersebut berukuran relatif luas sehingga mampu memuat penumpang kereta api maupun barang dalam skala besar. Karena sifatnya sebagai angkutan massal efektif,
(15)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
beberapa negara berusaha memanfaatkannya secara maksimal sebagai alat transportasi utama angkutan darat baik di dalam kota, antarkota, maupun antarnegara.
(16)
3
Riza Fauzi Rahman, 2015
Berdasarkan analisis Biro Riset LM FEUI dalam “Analisis Angkutan Kereta Api dan
Implikasinya pada BUMN Perkeretaapian Indonesia”. Menunjukan bahwa kereta api memiliki
perkembangan volume angkutan penumpang kereta api yang cenderung menaik dan menunjukkan realisasi volume yang diangkut melebihi target seperti yang terlihat pada gambar 1.1.
Gambar 1. 1 Grafik Perkembangan Volume Angkutan Penumpang kereta api, Tahun 2004 s.d. 2008 (PT. Kereta Api Persero)
Data angkutan pada Gambar 1.1 menunjukkan bahwa peluang usaha angkutan kereta api ini masih sangat besar. Selain jumlahnya yang terus meningkat, realisasi penumpang kereta apinya pun mengalami peningkatan. Hal ini menunjukkan kebutuhan akan jasa kereta api melebihi yang ditargetkan.
Moda transportasi kereta api ini cukup efisien dan memiliki banyak keunggulan dibanding moda angkutan lainnya. Keunggulan tersebut antara lain (Biro Riset LM FEUI):
a. Hemat energi. b. Hemat lahan.
c. Bersahabat dengan lingkungan. d. Tingkat keselamatan tinggi.
e. Mampu mengangkut dalam jumlah yang besar dan massal. f. Adaptif terhadap perkembangan teknologi.
(17)
4
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Dengan kelebihan-kelebihan tersebut, perkeretaapian di Indonesia seharusnya lebih dimanfaatkan sebagai salah satu alternatif solusi dalam menyelesaikan masalah kemacetan. Di Indonesia, peran dari kereta api dirasakan masih kurang terasa. Salah satu faktor penyebabnya adalah penggunaan teknologi didalam bidang perkeretaapian yang masih kurang dibandingkan dengan moda transportasi lainnya. Salah satu contohnya adalah dalam hal pemberian pelayanan (Suko Adi Widodo,2013).
Untuk itu dibutuhkan suatu sistem yang dapat menganalisa dan meramalkan volume penumpang kereta api agar pelayanan dapat dilakukan semaksimal mungkin. Peramalan adalah proses perkiraan (pengukuran) besarnya atau jumlah sesuatu pada waktu yang akan datang berdasarkan data pada masa lampau dianalisis secara ilmiah khususnya menggunakan metode statistika (Sudjana, 1989:254). Peramalan adalah dasar dari segala jenis perencaan dimana hal ini sangat diperlukan untuk lingkungan yang tidak stabil yaitu menjembatani antara sistem dengan lingkungan (Makridakis dkk, 1993:24).
Dalam Pratama, 1999, dinyatakan bahwa salah satu cara peramalan adalah metode urutan waktu (time series) yang menggunakan data historis (data waktu lampau), misalnya data permintaan, untuk membuat ramalan permintaan diwaktu mendatang. Tujuan dari metode ini adalah untuk mengidentifikasi pola data histori dan kemudian mengekstrapolasikan pola ini ke masa datang.
Penelitian tentang peramalan telah banyak dilakukan, baik melalui faktor penyebab penyebabnya (Zhenbin, 2003; Babooo, 2010; Otok, 2009) maupun data-data historis (Jumarang, 2009; Luk, 2001). Metode peramalan yang digunakan pun bermacam-macam, salah satunya dengan menggunakan metode Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologis (Siang, 2009).
Ide dasar untuk menggunakan Jaringan Syaraf Tiruan sebagai metode peramalan didasari pada adanya kesamaan yang ditemukan antara struktur Jaringan Syaraf Tiruan dengan pendekatan umum metode peramalan, khususnya antara Adaptive Linear Filter dengan proses
Autoregresi, yaitu
(18)
5
Riza Fauzi Rahman, 2015
dengan notasi sebagai berikut:
��−�adalah data pada period ke- t-p
�� adalah parameter yang merupakan pembobotan dari autregresi
á� adalah galat.
Berikut alur Adaptive Filter dijelaskan pada gambar 1.2.
D
D
F w (1,1)
b
n(t) a(t)
P (t) = p(t)1
P (t) = p(t-1)2
P (t) = p(t-2)3
w (1,2)
w (1,3)
a = F (w*p+b)
Input Liniear Digital Filter
Gambar 1. 2 Contoh Adaptive Filter (Siana Halim, 2010)
dengan notasi sebagai berikut: p1(t) adalah input 1 pada periode t.
w(1,1) adalah bobot untuk input 1 pada neuron 1. b adalah bias/galat.
Dapat diperhatikan bahwa dengan adanya delay D, menjadikan data pada periode sebelumnya juga masuk sebagai input (seperti pada proses autoregresi dengan parameter ��−�), dan juga adanya faktor bobot w (dianalogikan dengan parameter ��) juga adanya faktor bias (b)
– analogi dengan faktor �� (galat).
(19)
6
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
Backprogation yang diperkenalkan oleh David Rumelhart dan James Mc Clelland (1986). JST
memerlukan pelatihan (training) untuk mendapatkan bobot penghubung yang tepat untuk masing-masing masukan yang diberikan dengan keluaran yang dikehendaki. Salah satu algoritma pelatihan JST yaitu backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan (Siang, 2009).
Pada metode pengidentifikasian pola data masa lalu dilakukan dengan membuat jaringan syaraf tiruan tersebut dilatih untuk bisa menirukan bentuk-bentuk kurva. Cara kerja metode ini mirip dengan metode pencocokan kurva (curve fitting). Curve-fitting menyediakan cara untuk mengekstrapolasi guna meramalkan untuk beberapa periode mendatang (Pratama, 1999).
Apabila dalam pelatihan JST hanya menggunakan jaringan backpropagation standar, kemungkinan tingkat akurasinya kurang baik seperti penelitian yang telah dilakukan Anugerah (2007). Hasil penelitiannya menunjukkan nilai Mean Absolute Percentage Error (MAPE) sebesar 68,998%. Dengan demikian, diperlukan algoritma optimalisasi backpropagation untuk meningkatkan hasil akurasinya.
Optimalisasi backpropagation dapat dilakukan dengan dua cara, sebagai berikut (Yoo, 1999):
a. Metode numerik
Dalam menghitung perubahan bobot, pada teknik ini dilakukan dengan cara matematis, contohnya dengan menggunakan algoritma Newton dan Quasi-Newton.
b. Teknik Heuristik
Teknik ini dapat dilakukan dengan memodifikasi variabel laju pembelajaran. Ketika laju pembelajaran kecil, penurunan kesalahan bobot menjadi lambat. Tetapi ketika laju pembelajaran besar, penurunan kesalahan bobot menjadi cepat dan dapat menyebabkan terlampuinya bobot yang tepat. Hal ini dapat diatasi dengan penyesuaian laju pembelajaran, dalam artian laju pembelajaran dapat berubah-ubah selama pembelajaran. Selain itu,
(20)
7
Riza Fauzi Rahman, 2015
penambahan momentum dan teknik inisialisasi juga dapat mengoptimalkan kemampuan
backpropagation.
Pada penelitian ini, data volume penumpang kereta api memiliki data historis yang didalamnya terdapat outlier sehingga Jaringan Syaraf Tiruan Backpropagation cocok untuk diterapkan dalam kasus peramalan volume penumpang kereta api namun akan dilakukan optimalisasi backpropagation dengan teknik heuristic menggunakan data-data historis volume penumpang kereta api di Pulau Jawa-Sumatera agar hasil yang diharapkan semakin akurat. Selain itu Jaringan Syaraf Tiruan Backpropagation memiliki kelebihan antara lain (Hermawan, 2006): JST mampu mengakusisi pengetahuan walau tidak ada kepastian, JST mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu, JST memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja, kemampuan perhitungan secara paralel sehingga proses lebih singkat. Berdasarkan penjelasan tersebut, maka peneliti mengambil judul “Peramalan Volume Penumpang Kereta Api di Pulau Jawa-Sumatera dengan Metode Jaringan Syaraf Tiruan
Backpropagation.
1.2 Identifikasi Masalah
Secara umum permasalahan yang akan dikaji dalam penelitian ini adalah bagaimana implementasi Jaringan Syaraf Tiruan Backpropagation dalam peramalan volume penumpang kereta api di pulau Jawa-Sumatera?
Secara khusus permasalahan penelitian ini adalah sebagai berikut:
1. Bagaimana cara mengoptimalkan bobot algoritma pelatihan pada metode Jaringan Syaraf Tiruan Backpropagation dalam peramalan volume penumpang kereta api di pulau Jawa-Sumatera?
2. Bagaimana persentase akurasi yang dihasilkan oleh sistem peramalan volume penumpang kereta api dengan metode Jaringan Syaraf Tiruan Backpropagation?
1.3 Tujuan Penelitian
Tujuan umum penelitian ini adalah implementasi metode Jaringan Syaraf Tiruan
(21)
8
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu Tujuan khusus penelitian ini adalah sebagai berikut:
1. Implementasi cara mengoptimalkan bobot algoritma pelatihan pada metode Jaringan Syaraf Tiruan Backpropagation dalam peramalan volume penumpang kereta api di pulau Jawa-Sumatera.
2. Mengukur akurasi yang dihasilkan sistem dalam peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation dalam bentuk persentase.
1.4 Batasan Masalah
Dalam penlitian ini, diterapkan beberapa batasan masalah sebagai berikut:
1. Tidak membedakan penumpang kereta api dari segi jenis kelamin, umur, pendidikan, dan keahlian. Penelitian ini hanya fokus membahas volume penumpang kereta api di pulau Jawa-Sumatera.
2. Data yang digunakan untuk peramalan hanya data historis volume penumpang kereta api bulanan di pulau Jawa-Sumatera pada periode bulan Januari 2006 sampai September 2014 (92 periode).
3. Cara optimalisasi backpropagation terbatas pada algoritma inisialisasi bobot, serta modifikasi momentum dan learning rate.
4. Sistem hanya meramalkan data bulan berikutnya jika diketahui data pada bulan-bulan sebelumnya.
5. Sistem hanya menerima masukan berupa file text (.txt)
1.5 Metodologi Penelitian
Metode-metode yang digunakan pada penelitian ini sebagai berikut: a. Eksplorasi dan Studi Literatur
Eksplorasi dan studi literatur dilakukan dengan cara mempelajari konsep-konsep yang berkaitan dengan penelitian ini, seperti jaringan saraf tiruan, backpropagation, optimalisasi
backpropagation, dan peramalan melalui buku, jurnal, artikel, situs internet, dan sumber
(22)
9
Riza Fauzi Rahman, 2015
b. Analisis dan Perancangan Perangkat Lunak
Analisis dan perancangan perangkat lunak dilakukan untuk menetukan bahasa pemrograman yang akan digunakan, struktur data, input/output program, dan teknik algoritma yang akan diimplementasikan.
c. Implementasi Program dan Pengujian
Implementasi program dilakukan sesuai hasil analisis pada tahapan sebelumnya. Setelah itu dilakukan pengujian sistem dan diperbaiki bila masih ada yang keliru dalam implementasi. d. Hasil Akhir dan Penarikan Kesimpulan
Analisis hasil dilakukan untuk mengetahui performansi pembangunan sistem peramalan volume penumpang kereta api dengan backpropagation. Jika ternyata hasilnya kurang memuaskan, maka dilakukan analisis akhir untuk mengetahui penyebabnya dan selanjutnya ditarik kesimpulan.
(23)
10
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 1.6 Sistematika Penulisan
Sistematika penulisan dalam penelitian ini sebagai berikut:
BAB I PENDAHULUAN
Bab ini menjelaskan masalah secara umum meliputi latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini berisi landasan teori yang akan digunakan dalam analisis, perancangan, dan implementasi perangkat lunak.
BAB III METODOLOGI PENELITIAN
Berisi tentang teknis pelaksanaan penelitian berupa alat dan bahan penelitian, desain penelitian dan proses penelitian.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Berisi hasil penelitian serta analisis yang dilakukan selama penelitian.
BAB V KESIMPULAN DAN SARAN
Dibagian kesimpulan menjawab rumusan masalah dan hasil penelitian yang dilakukan. Sedangkan bagian saran merupakan rekomendasi dari peneliti untuk perbaikan penelitian selanjutnya.
LAMPIRAN
(24)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
BAB III
METODOLOGI PENELITIAN
3.1 Desain Penelitian
Gambar 3.1 menggambarkan desain penelitian peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backpropagation.
Studi Literatur: Peramalan, Jaringan Syaraf
Tiruan Backpropagation
Perancangan Algoritma Jaringan Syaraf Tiruan Backpropagation
Perancangan Arsitektur Jaringan
Penyusunan Data Set Pelatihan dan Pengujian
Inisialisasi Data
Pembangunan Perangkat Lunak Peramalan Volume Penumpang Kereta Api Pengumpulan Data Volume
Penumpang Kereta Api Jabotabek dan Non Jabotabek
Data Prepocessing
Data Cleaning:
1. Penanganan Data Hilang 2. Pendeteksian Outlier
Transformasi Data
Pembagian Data: 1. Data Pelatihan 2. Data Pengujian
Pendekatan Terstruktur Menggunakan Model Proses V-Model:
1. Analisa Kebutuhan 2. Desain Sistem 3. Desain Program 4. Koding
5. Tes Unit dan Antarmuka 6. Pengujian Sistem 7. Validasi Sistem 8. Perawatan Sistem *
Pelatihan Jaringan Pengujian Jaringan Analisis Sensitifitas Modifikasi Algoritma Backpropagation dengan Menggunakan Teknik Optimalisasi Dokumentasi Penelitian
Gambar 3. 1 Desain Penelitian
Berikut ini penjelasan desain penelitian yang digambarkan pada gambar 3.1: a. Studi literatur merupakan proses mempelajari dan memahami teori-teori yang berhubungan dengan penelitian. Teori-teori yang dipelajari yaitu peramalan, Jaringan Syaraf Tiruan, backpropagation, dan optimalisasi backpropagation yang diperoleh melalui buku, jurnal, artikel, situs internet, dan sumber ilmiah
(25)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu lain.
(26)
48
Riza Fauzi Rahman, 2015
c. Data volume penumpang kereta api di pulau Jawa-Sumatera dicari melalui internet dan dikumpulkan dalam satu kesatuan. Dengan data tersebut, kemudian dilakukan data preprocessing. Data preprocessing dimaksudkan untuk mempersiapkan data sebelum diproses dengan algoritma. Data
preprocessing Terdiri dari beberapa tahap:
1. Data cleaning, merupakan tahap awal preprocessing. Tahap ini menangani data yang hilang atau tidak lengkap dan mendeteksi outlier (data asing). 2. Transformasi data volume penumpang kereta api dimaksudkan agar data
sesuai dengan algoritma yang dipakai. Proses transformasi dilakukan dengan mengubah data menjadi rentang tertentu.
3. Tahap selanjutnya data dibagi menjadi dua, yaitu data pelatihan dan data pengujian. Data pelatihan digunakan ketika melatih jaringan, sedangkan data pengujian digunakan ketika jaringan diuji.
d. Perancangan algoritma Jaringan Syaraf Tiruan (JST) Backpropagation terdiri dari beberapa tahap, yaitu
1. Perancangan arsitektur jaringan untuk menentukan jumlah node input (simpul masukan), jumlah lapisan layar tersembunyi dengan jumlah node (simpul tersembunyi), dan jumlah node output (simpul keluaran). Didalam perancangan arsitektur jaringan juga ditentukan fungsi aktivasi yang akan digunakan. Fungsi aktivasi yang digunakan harus disesuaikan dengan algoritma yang akan digunakan dan karakteristik data. Misalnya untuk data yang memiliki rentang 0 sampai 1, maka digunakan fungsi aktivasi sigmoid
biner. Sedangkan untuk data rentang -1 sampai 1, digunakan fungsi aktivasi sigmoid bipolar.
2. Selanjutnya menyusun data set (kumpulan data) yang akan digunakan untuk pelatihan dan pengujian. Dalam menyusun data set, disesuaikan dengan jumlah simpul masukan, tersembunyi, dan keluaran.
3. Tahap berikutnya yaitu inisialisasi data yang mencakup inisialisasi bobot, inisialiasasi variable learning rate, momentum, maksimum epoch, dan batas nilai toleransi pelatihan backpropagation.
(27)
49
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
4. Modifikasi algoritma backpropagation dilakukan dengan menambahkan analisis kesalahan nilai keluaran jaringan dan teknik optimasi
backpropagation. Teknik optimalisasi yang dipakai pada penelitian ini
yaitu inisialisasi bobot dan momentum. Selain itu, algoritma untuk pengujian jaringan dan peramalan juga dimodifikasi dengan menggunakan algoritma backpropagation fase propagasi maju dan analisis kesalahan nilai keluaran (pada pengujian jaringan).
e. Model proses yang digunakan dalam pembangunan perangkat lunak ini metode V-Model. Tahapan pada V-Model seperti yang terlihat pada gambar 3.2 serupa dengan model waterfall/classical tetapi lebih menekankan terhadap asosiasi antar tahapan sebelum pemrograman dan sesudahnya. Penekanan yang utama ada pada tahap verifikasi dan validasi.
Analisa Kebutuhan
Validasi Sistem
Desain Sistem
Desain Program
Pembuatan Program
Tes Unit & Antarmuka
Pengujian Sistem
Perawatan
Gambar 3. 2 V-Model (Sumber: Prof. Dr.-Ing. Stefan Kowalewski, Embbed
(28)
50
Riza Fauzi Rahman, 2015
Tahapan yang dilakukan dalam V-Model, yaitu
1. Analisa Kebutuhan, dilakukan pengumpulan data serta informasi yang kemudian dianalisis sehingga mendapatkan gambaran kebutuhan aplikasi 2. Desain Sistem, perekayasaan sistem berdasarkan analisis kebutuhan. 3. Desain Program, perekayasaan struktur program, algoritma, serta struktur
data.
4. Koding, dibangun suatu aplikasi dari hasil perancangan program yang mampu menyelesaikan atau mengolah data-data yang telah terkumpul. 5. Tes Unit dan Antarmuka, dilakukan suatu pengujian terhadap aplikasi
yang telah dibangun setingkat low-level testing dan jika ada kekurangan maka tahap ini berkoneksi dengan tahap 3 yaitu Desain Program.
6. Pengujian Sistem, dilakukan pengujian pada sistem, bila terjadi ketidak sesuaian maka tahap ini berkoneksi dengan tahap 2 yaitu Desain Sistem. 7. Validasi Sistem, dilakukan pengujian bersifat menyeluruh dengan simulasi
data sebenarnya. Bila terjadi ketidaksesuaian, maka tahap ini akan berinteraksi langsung dengan tahap 1 yaitu Analisis Kebutuhan.
8. Perawatan Sistem, tahapan ini tidak dilakukan karena hanya sampai pembuatan sistemnya saja.
f. Setelah perangkat lunak dibangun, selanjutnya dilakukan proses pelatihan jaringan untuk menemukan bobot penghubung yang mendekati antara masing-masing data masukan dengan nilai keluaran yang diharapkan.
g. Berikutnya hasil pelatihan diuji dengan data pelatihan dan data pengujian. Dengan data pelatihan, dan diuji untuk melihat kemampuan jaringan dalam mengenali pola data yang diberikan. Sedangkan data pengujian digunakan untuk melihat kemampuan jaringan dalam meramalkan volume penumpang kereta api.
h. Analisis sensitifitas dilakukan dengan mengubah nilai data inisialisasi. Kemudian dilakukan proses pelatihan dan pengujian kembali.
(29)
51
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
i. Dari hasil pelatihan dan pengujian dengan berbagai kasus data inisialisasi yang berbeda-beda, dipilih jaringan optimum untuk melakukan peramalan. Jaringan optimum yang dipilih merupakan jaringan yang dapat mengenali pola data pelatihan dan nilai akurasi peramalan yang optimum.
j. Dokumentasi merupakan hasil dari penelitian yang berupa tulisan dalam bentuk dokumen teknis, jurnal, dan skripsi.
3.2 Alat dan Bahan Penelitian
Dalam pembangunan perangkat lunak peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan
Backprogation membutuhkan seperangkat alat komputer yang disertai dengan
perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa data volume penumpang kereta api di pulau Jawa-Sumatera pada periode 2006-2014
3.2.1 Alat Penelitian
Pada penelitian ini digunakan alat penelitian berupa perangkat keras dan perangkat lunak sebagai berikut:
a. Kebutuhan Perangkat Keras
1. Processor Core i5-2500 3.10 GHz
2. RAM 4 GHz 3. Harddisk 500 GB
4. Monitor Resolusi 1366 x 768, 32 bit colour quality
5. Mouse dan Keyboard
b. Kebutuhan Perangkat Lunak
Perangkat lunak yang dibutuhkan adalah sebagai berikut: 1. Windows 8 Professional
2. Matlab R2009b
3. Microsoft Office Word 2013 4. Power Designer v5.3
(30)
52
Riza Fauzi Rahman, 2015 3.2.2 Bahan Penelitian
Data penelitian yang digunakan dalam penelitian ini diambil dari situs bps yang beralamat: www.bps.go.id. Data yang digunakan merupakan data yang pada Januari 2006 sampai dengan September 2014. Data ini berisi volume penumpang kereta api di pulau Jawa (Jabotabek dan Non Jabotabek), dan Sumatera. Data tersebut kemudian akan dibagi menjadi data training 80% dari jumlah data secara keseluruhan dan data testing 20% dari jumlah data keseluruhan. Sedangkan bahan penelitian lainnya berupa paper, textbook, dan dokumentasi lainnya yang didapat dari studi literature.
(31)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Setelah dilakukan penelitian tentang peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode jaringan syaraf tiruan backpropagtion, maka dapat diambil beberapa kesimpulan untuk menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah sebagai berikut:
1. Implementasi Jaringan Syaraf Tiruan Backpropagation telah berhasil menyelesaikan masalah peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan hasil yang akurat.
2. Untuk mengoptimalkan algoritma pelatihan backpropagation, dilakukan dengan teknik inisialisasi bobot Nguyen-Widrow, adaptasi learning rate dan momentum. Inisialisasi bobot Nguyen-Widrow dilakukan pada penentuan bobot awal pelatihan. Didapatkan hasil bobot yang lebih bagus dibandingkan dengan bobot acak, terlihat pada nilai akurasi yang tinggi.
3. Untuk mengukur tingkat akurasi peramalan, digunakan MAPE (Mean
Absolute Percentage Error) yaitu dengan mengukur tingkat error yang
dihasilkan. Dari 36 studi kasus yang dilakukan, persentase akurasi tertinggi adalah 91,3012% dan terendah sebesar 66,2031%.
5.2 Saran
Berdasarkan hasil penelitian yang diperoleh, maka saran untuk penelitian lebih lanjut adalah sebagai berikut:
a. Metode pendeteksian outlier lain perlu dicoba agar data yang digunakan tidak mengandung nilai anomali.
b. Komposisi pembagian data yang lain perlu dicoba agar bobot optimum yang dapat mengenali pola dan meramalkan dengan baik tercapai.
c. Perlu dicoba inisialisasi data, nilai batas toleransi kesalahan, dan maksimum
(32)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE
DAFTAR PUSTAKA
Andi, P. (2010). Backpropagation Neural Network as Method of Forecasting on
Calculation Inflation Rate in Jakarta and Surabaya.
Armila Winata, V., & dkk. (2012). Implementasi Metode Backpropagation pada
Seleksi Penerimaan Anggota Lembaga Kemahasiswaan.
Baskoro, S. (2010). Moda Transportasi Berkelanjutan yang Berwawasan
Lingkungan.
Halim Siana, W. (2000). Penerapan Jaringan Saraf Tiruan untuk Peramalan. Hansun, S. (2013). Peramalan Data IHSG menggunakan metode
Backpropagation.
Hermawan, A. (2006). Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta: Andi.
Indayani, E. F. (2009). Peramalan Jumlah Penumpang Kereta Api dengan
Menggunakan Metode BOX-JENKINS (Studi Kasus di PT. Kereta Api (Persero) DAOP VI Yogyakarta).
Kadir, A. (2013). Peran dan Dampaknya Transportasi dalam Pertumbuhan
Ekonomi Nasional. Transportasi.
Maruao, D. (2010). Neural Network Impelementation in Foregin Exchange
Prediction.
Mu'min, A. (2011). Penerapan Jaringan Saraf Tiruan Backpropagation Untuk
Peramalan Curah Hujan.
Otok, B. W. (2000). Penerapan Artificial Neural Network (ANN) dengan Proses
Pembelajaran Backpropagation dalam Peramalan Deret Waktu. Neural Network.
Pratama, T. (1999). Metode Peramalan Memakai Jaringan Syaraf Buatan dengan
Cara Backpropagation.
Prima Ditago, A. (2011). Analisis Peramalan Jumlah Penumpang Kereta Api
Penataran Tujuan Surabaya-Malang.
(33)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
(34)
xiv
Siang, J. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan
Matlab. Yogyakarta: Andi Offset.
Sulaeman, D., Siswoyo, B., & Khusnu. (2010). Analisa Parameter Jaringan Saraf
Backpropagation.
Widodo, S. A., & dkk. (2013). Pengaruh Kualitas Pelayanan, Tarif, dan
(1)
51
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
i. Dari hasil pelatihan dan pengujian dengan berbagai kasus data inisialisasi yang berbeda-beda, dipilih jaringan optimum untuk melakukan peramalan. Jaringan optimum yang dipilih merupakan jaringan yang dapat mengenali pola data pelatihan dan nilai akurasi peramalan yang optimum.
j. Dokumentasi merupakan hasil dari penelitian yang berupa tulisan dalam bentuk dokumen teknis, jurnal, dan skripsi.
3.2 Alat dan Bahan Penelitian
Dalam pembangunan perangkat lunak peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode Jaringan Syaraf Tiruan Backprogation membutuhkan seperangkat alat komputer yang disertai dengan perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa data volume penumpang kereta api di pulau Jawa-Sumatera pada periode 2006-2014
3.2.1 Alat Penelitian
Pada penelitian ini digunakan alat penelitian berupa perangkat keras dan perangkat lunak sebagai berikut:
a. Kebutuhan Perangkat Keras
1. Processor Core i5-2500 3.10 GHz
2. RAM 4 GHz 3. Harddisk 500 GB
4. Monitor Resolusi 1366 x 768, 32 bit colour quality
5. Mouse dan Keyboard
b. Kebutuhan Perangkat Lunak
Perangkat lunak yang dibutuhkan adalah sebagai berikut: 1. Windows 8 Professional
2. Matlab R2009b
3. Microsoft Office Word 2013 4. Power Designer v5.3
(2)
52
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 3.2.2 Bahan Penelitian
Data penelitian yang digunakan dalam penelitian ini diambil dari situs bps yang beralamat: www.bps.go.id. Data yang digunakan merupakan data yang pada Januari 2006 sampai dengan September 2014. Data ini berisi volume penumpang kereta api di pulau Jawa (Jabotabek dan Non Jabotabek), dan Sumatera. Data tersebut kemudian akan dibagi menjadi data training 80% dari jumlah data secara keseluruhan dan data testing 20% dari jumlah data keseluruhan. Sedangkan bahan penelitian lainnya berupa paper, textbook, dan dokumentasi lainnya yang didapat dari studi literature.
(3)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB V
KESIMPULAN DAN SARAN 5.1 Kesimpulan
Setelah dilakukan penelitian tentang peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan metode jaringan syaraf tiruan backpropagtion, maka dapat diambil beberapa kesimpulan untuk menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah sebagai berikut:
1. Implementasi Jaringan Syaraf Tiruan Backpropagation telah berhasil menyelesaikan masalah peramalan volume penumpang kereta api di pulau Jawa-Sumatera dengan hasil yang akurat.
2. Untuk mengoptimalkan algoritma pelatihan backpropagation, dilakukan dengan teknik inisialisasi bobot Nguyen-Widrow, adaptasi learning rate dan momentum. Inisialisasi bobot Nguyen-Widrow dilakukan pada penentuan bobot awal pelatihan. Didapatkan hasil bobot yang lebih bagus dibandingkan dengan bobot acak, terlihat pada nilai akurasi yang tinggi.
3. Untuk mengukur tingkat akurasi peramalan, digunakan MAPE (Mean Absolute Percentage Error) yaitu dengan mengukur tingkat error yang dihasilkan. Dari 36 studi kasus yang dilakukan, persentase akurasi tertinggi adalah 91,3012% dan terendah sebesar 66,2031%.
5.2 Saran
Berdasarkan hasil penelitian yang diperoleh, maka saran untuk penelitian lebih lanjut adalah sebagai berikut:
a. Metode pendeteksian outlier lain perlu dicoba agar data yang digunakan tidak mengandung nilai anomali.
b. Komposisi pembagian data yang lain perlu dicoba agar bobot optimum yang dapat mengenali pola dan meramalkan dengan baik tercapai.
c. Perlu dicoba inisialisasi data, nilai batas toleransi kesalahan, dan maksimum epoch yang lain agar memperoleh bobot optimum.
(4)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR PUSTAKA
Andi, P. (2010). Backpropagation Neural Network as Method of Forecasting on Calculation Inflation Rate in Jakarta and Surabaya.
Armila Winata, V., & dkk. (2012). Implementasi Metode Backpropagation pada Seleksi Penerimaan Anggota Lembaga Kemahasiswaan.
Baskoro, S. (2010). Moda Transportasi Berkelanjutan yang Berwawasan Lingkungan.
Halim Siana, W. (2000). Penerapan Jaringan Saraf Tiruan untuk Peramalan. Hansun, S. (2013). Peramalan Data IHSG menggunakan metode
Backpropagation.
Hermawan, A. (2006). Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta: Andi.
Indayani, E. F. (2009). Peramalan Jumlah Penumpang Kereta Api dengan Menggunakan Metode BOX-JENKINS (Studi Kasus di PT. Kereta Api (Persero) DAOP VI Yogyakarta).
Kadir, A. (2013). Peran dan Dampaknya Transportasi dalam Pertumbuhan Ekonomi Nasional. Transportasi.
Maruao, D. (2010). Neural Network Impelementation in Foregin Exchange Prediction.
Mu'min, A. (2011). Penerapan Jaringan Saraf Tiruan Backpropagation Untuk Peramalan Curah Hujan.
Otok, B. W. (2000). Penerapan Artificial Neural Network (ANN) dengan Proses Pembelajaran Backpropagation dalam Peramalan Deret Waktu. Neural Network.
Pratama, T. (1999). Metode Peramalan Memakai Jaringan Syaraf Buatan dengan Cara Backpropagation.
Prima Ditago, A. (2011). Analisis Peramalan Jumlah Penumpang Kereta Api Penataran Tujuan Surabaya-Malang.
(5)
Riza Fauzi Rahman, 2015
PERAMALAN VOLUME PENUMPANG KERETA API DI PULAU JAWA-SUMATERA DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROGATION
Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu
(6)
xiv
Siang, J. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi Offset.
Sulaeman, D., Siswoyo, B., & Khusnu. (2010). Analisa Parameter Jaringan Saraf Backpropagation.
Widodo, S. A., & dkk. (2013). Pengaruh Kualitas Pelayanan, Tarif, dan Ketepatan Waktu Terhadap Kepuasan Pelanggan.