Sistem Prediksi Harga Kebutuhan Bahan Po
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
Sistem Prediksi Harga Kebutuhan Bahan Pokok Nasional Menggunakan
Metode K-Nearest Neighbour
Sofi Dwi Purwanto1 Abd. Charis Fauzan2 Agus Wahyudi3 Fadzila Yudi Mardana4
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim
Jalan Gajayana 50 Malang 65144, Indonesia
Email : dwihayyana@gmail.com1, fauzancharis@gmail.com2, you.dikz99@gmail.com3, fadzilayudi@gmail.com4
Abstrak
Kesulitan untuk mengakses informasi mengenai
harga kebutuhan bahan pokok dibeberapa daerah di
Indonesia menyebabkan banyak oknum tengkulak
nakal yang menipu para petani dengan membeli hasil
panen dengan harga jauh dibawah harga jual
dipasaran. SIPUT BANKOK (Sistem Informasi
Prediksi Kebutuhan Bahan Pokok) dibangun agar
dapat dimanfaatkan tidak hanya sekedar untuk
memberikan informasi, namun juga dapat memprediksi
fluktuasi harga kebutuhan bahan pokok dimasa
mendatang.
Aplikasi
dibangun
dengan
mengimplementasikan metode k-nearest neighbor
menggunakan 4 parameter input yang meliputi Gross
Domestic Product (GDP) atau Produk Domestik Bruto
(PDB), inflasi, kurs valuta asing atau nilai tukar
rupiah terhadap dollar Amerika (USD) dan jumlah
uang beredar dengan output harga ke-12 komoditas
bahan pokok. Berdasarkan hasil pengujian yang telah
dilakukan, dapat diperoleh tingkat akurasi terbaik
adalah sebesar 100% yaitu pada komoditas kedelai
lokal dan tepung terigu dengan rata-rata tingkat
akurasi sebesar 97,9445% dan error sistem sebesar
2,0555%.
Kata kunci: Harga kebutuhan bahan pokok, SIPUT
BANKOK, k-nearest neighbour.
1. Pendahuluan
Dalam era teknologi seperti ini masyarakat bisa
sangat mudah untuk memperoleh informasi yang
diinginkan. Banyak media yang dapat digunakan
untuk mengakses informasi yang teraktual seperti,
SMS, BBM, browsing, e-mail, sosial media dan masih
banyak media komunikasi lainnya.
Prosiding SNIKOM 2016
Tetapi hal tersebut terkadang tidaklah sesuai
terhadap kenyataan yang terjadi pada beberapa daerah
di Indonesia. Banyuwangi Misalnya, selama ini
masyarakat sulit untuk mengakses informasi.
Terutama informasi tentang harga bahan pokok yang
ada di pasar. Masyarakat harus meluangkan waktu
tersendiri dengan datang langsung ke pasar hanya
untuk bisa memperoleh informasi tersebut. Padahal,
informasi yang mereka terima ketika sampai di pasar
juga masih simpang siur. Terlebih lagi, ketika
masyarakat pedesaan yang ingin menjual hasil
panennya tetapi tidak mengetahui harga jual dipasaran
sehingga banyak oknum tengkulak nakal yang menipu
para petani dengan membeli hasil panen petani dengan
harga yang jauh dibawah harga jual dipasaran. Hal ini
mengakibatkan kesejahteraan para petani menjadi
tidak bisa meningkat[1].
Berdasarkan deskripsi diatas, muncul gagasan
untuk membuat aplikasi yang kami namakan SIPUT
BANKOK (Sistem Informasi Prediksi Kebutuhan
Bahan Pokok, sebuah sistem yang dapat dimanfaatkan
tidak hanya untuk memberikan informasi, namun juga
dapat memprediksi fluktuasi harga kebutuhan bahan
pokok dimasa mendatang.
Dengan adanya aplikasi ini diharapkan petani
ataupun masyarakat lain yang membutuhkan dapat
mengakses harga jual maupun harga beli untuk hasil
panennya dipasaran, sehingga para petani tidak akan
ditipu oleh oknum tengkulak nakal yang suka
mempermainkan harga.
Disisi lain masyarakat juga dapat memperoleh
informasi mengenai sejumlah harga kebutuhan
barang-barang pokok. Perubahan harga bisa terjadi
sewaktu-waktu yang dapat menyebabkan harga
kebutuhan barang-barang pokok menjadi tidak stabil
terutama menjelang hari-hari besar seperti bulan puasa
hingga lebaran. Sebagaimana yang telah diberitakan
481
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
dalam beberapa media terkait persoalan ini seperti di
Pasar Induk Kramat Jati Jakarta[2] dan di Gorontalo[3].
Melalui aplikasi ini pula, ibu-ibu rumah tangga
tidak harus datang langsung ke pasar untuk sekedar
mencari informasi harga. Petani pun dapat mematok
harga beli untuk hasil panennya sehingga aplikasi ini
bisa menjadi strategi bisnis yang prospektif dimasa
yang akan datang guna menyongsong gelaran
Masyarakat Ekonomi ASEAN (MEA) yang mulai
diberlakukan pada tahun depan.
2. Tinjauan Pustaka
2.1. Sistem Informasi
Sistem Informasi adalah Suatu sistem
terintegrasi yang mampu menyediakan informasi yang
bermanfaat bagi penggunanya. Atau; Sebuah sistem
terintegrasi atau sistem manusia-mesin, untuk
menyediakan informasi untuk mendukung operasi,
manajemen dalam suatu organisasi. Sistem informasi
juga dapat diartikan sebagai alat untuk menyajikan
informasi sedemikian rupa sehingga bermanfaat bagi
penerimanya. Tujuannya adalah untuk memberikan
informasi
dalam
perencanaan,
memulai,
pengorganisasian, operasional sebuah perusahaan yang
melayani
sinergi
organisasi
dalam
proses
mengendalikan pengambilan keputusan[4].
ISBN : 978-602-60010-0-9
titik, yang ditandai dengan c, dalam ruang n-dimensi.
Jika sebuah data query yang labelnya tidak diketahui
diinputkan, maka K-Nearest Neighbour akan mencari k
buah data learning yang jaraknya paling dekat dengan
data query dalam ruang n-dimensi. Jarak antara data
query dengan data learning dihitung dengan cara
mengukur jarak antara titik yang merepresentasikan
data query dengan semua titik yang merepresentasikan
data learning dengan rumus Euclidean Distance.
Pada fase training, algoritma ini hanya melakukan
penyimpanan vektor-vektor fitur dan klasifikasi data
training sample. Pada fase klasifikasi, fitur – fitur yang
sama dihitung untuk testing data (klasifikasinya belum
diketahui). Jarak dari vektor yang baru ini terhadap
seluruh vektor training sample dihitung, dan sejumlah
k buah yang paling dekat diambil. Titik yang baru
klasifikasinya diprediksikan termasuk pada klasifikasi
terbanyak dari titik – titik tersebut. Nilai k yang terbaik
untuk algoritma ini tergantung pada data; secara
umumnya, nilai k yang tinggi akan mengurangi efek
noise pada klasifikasi, tetapi membuat batasan antara
setiap klasifikasi menjadi lebih kabur. Nilai k yang
bagus dapat dipilih dengan optimasi parameter,
misalnya dengan menggunakan cross-validation. Kasus
khusus di mana klasifikasi diprediksikan berdasarkan
data pembelajaran yang paling dekat (dengan kata lain,
k = 1) disebut algoritma nearest neighbor[5].
2.2. Bahan Pokok (Pangan)
Pangan adalah segala sesuatu yang berasal dari
sumber daya hayati dan air, baik yang diolah maupun
tidak diolah yang diperuntukkan sebagai makanan atau
minuman bagi konsumsi manusia. Termasuk di dalam
pengertian pangan adalah bahan tambahan pangan,
bahan baku
pangan, dan bahan-bahan lainnya
yangdigunakan dalam proses penyiapan, pengolahan,
dan/atau pembuatan makanan dan minuman.
Pengertian pangan di atas merupakan definisi pangan
yang dikeluarkan oleh badan dunia untuk urusan
pangan, yaitu Food and Agricultural Organization
(FAO).
2.3. Algoritma K-Nearest Neighbour
Algoritma k-nearest neighbour (k-NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. K-Nearest
Neighbour berdasarkan konsep „learning by analogy‟.
Data learning dideskripsikan dengan atribut numerik ndimensi. Tiap data learning merepresentasikan sebuah
Prosiding SNIKOM 2016
Gambar 1. Pemilihan K-Tetangga Terdekat [5]
2.4. Model Perhitungan K-Nearest Neighbour
K-Nearest Neighbour adalah pendekatan untuk
mencari kasus dengan menghitung kedekatan antara
kasus baru dengan kasus lama, yaitu berdasarkan
pada pencocokan bobot dari sejumlah fitur yang
ada. Sedangkan metode yang digunakan untuk
memprediksi harga bahan kebutuhan pokok adalah
dengan menggunakan metode K-Nearest Neighbour.
Metode K-Nearest Neighbour (k-NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data yang jaraknya paling
dekat dengan objek tersebut. Untuk menghitung jarak
482
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
dapat menggunakan beberapa metode seperti halnya
euclidea. Adapun rumus dari metode tersebut yaitu[6]:
Mulai
Analisis Parameter
√∑
Perancangan dan
Pengumpulan Data
Keunggulan dari metode KNN ini adalah relatif
tidak terpengaruh dari error dari data dan juga dapat
digunakan dengan kumpulan data dengan jumlah besar.
Namun kekurangan metode ini adalah proses
pelaksanaannya lambat. Untuk meningkatkan akurasi
dari metode yang digunakan dalam aplikasi yang akan
dibangun kita menggunakan metode tambahan yang
merupakan metode optimasi yang meminimalkan
fungsi kesalahan untuk menentukan hasil akhir, Simple
Unweighted voting. Adapun langkah kerja untuk
perhitungan dengan menggunakan metode tersebut
yaitu[7]:
Tentukan K (Jumlah tetangga terdekat).
Hitung Jarak antara data yang diuji dengan data
training.
Urutkan berdasarkan jarak terdekat dan
tentukan apakah termasuk dalam K (jumlah
tetangga terdekat).
Hitung Rata-rata dari data yang termasuk dalam
K.
∑
3. Metodologi dan Perancangan
Aplikasi yang dibangun merupakan aplikasi
untuk memprediksi harga kebutuhan bahan-bahan
pokok. Adapun diagram blok prosedur penelitian yang
akan dilakukan adalah seperti yang tampak pada
gambar 2, Sedangkan deskripsi masing-masing proses
pada diagram blok akan dijelaskan pada komponen
aplikasi.
Perancangan
Database
Desain Aplikasi
Implementasi KNN
Selesai
Gambar 2. Prosedur Penelitian
3.1. Sumber Data
Sumber data yang digunakan dalam penelitian ini
berasal dari open data mengenai harga kebutuhan
bahan pokok nasional yang diperoleh dari Kementerian
Perdagangan (kemendag.go.id). Dalam penelitian ini
data harga kebutuhan bahan pokok yang digunakan
adalah data harga dari bulan Juni hingga September
2015. Waktu tiap bulannya disimbolkan dalam bentuk
t. Data dibagi menjadi 2 kelompok, yaitu data training
dan data testing.
3.2. Analisis Parameter
Terdapat beberapa faktor yang digunakan peneliti
dalam memprediksi harga kebutuhan bahan pokok.
Faktor-faktor yang dimaksud diantaranya adalah Gross
Domestic Product (GDP) atau yang biasa disebut
Produk Domestik Bruto (PDB), jumlah uang yang
beredar, tingkat inflasi, dan nilai tukar mata uang asing
terhadap rupiah. Parameter yang digunakan untuk
menentukan prediksi harga bahan kebutuhan pokok
nasional selaku output (Y) berasal dari indikator
makroekonomi Indonesia, yang meliputi[8]:
a. Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), sebagai X1
b. Jumlah uang yang beredar, sebagai X2
c. Inflasi, sebagai X3
d. Nilai tukar mata uang asing terhadap rupiah,
sebagai X4
Prosiding SNIKOM 2016
483
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
Keempat parameter tersebut berfungsi sebagai
indikator untuk menentukan harga kebutuhan bahan
pokok nasional.
ISBN : 978-602-60010-0-9
indikator yang dapat mempengaruhi keadaan ekonomi
Indonesia. Kedua adalah data
k tetangga yang
merupakan data dari hasil pelatihan yang kemudian
akan dipakai dalam pengujian sistem.
3.4. Proses Mining K-Nearest Neighbour
Proses mining yang akan di implementasikan
pada metode K-Nearest Neighbour untuk memprediksi
harga kebutuhan bahan-bahan pokok harus melalui
beberapa tahapan yang melibatkan komponenkomponen penting didalamnya. Adapun proses
selengkapnya adalah seperti yang tampak pada gambar
5.
Gambar 3. Indikator Makroekonomi
3.3. Komponen Aplikasi
Pada tahap ini, desain sistem mulai dibentuk
untuk menentukan bagaimana suatu sistem akan
menyelesaikan masalah yang menjadi kajian pada
objek penelitian ini. Pada dasarnya tahap perancangan
sistem ini merupakan kombinasi dari komponenkomponen perangkat lunak dan perangkat keras dari
suatu sistem. Perancangan sistem informasi prediksi
harga kebutuhan bahan pokok ini akan diterapkan
dengan menggunakkan tampilan yang akan dibuat
dengan GUI berbasis website.
K Nearest Neighbour
Database
Data Historis
Indikator Ekonomi
Indonesia
Pelatihan
Data
Pelatihan
Parameter
Pelatihan
Proses
Pelatihan
Data
Pengujian
Pengujian
Output
Sedangkan proses prediksi dengan menggunakan
metode K-Nearest Neighbour adalah seperti yang
ditunjukkan pada gambar 6 berikut.
Mulai
Input Data Uji,
Jumlah K
tetangga terdekat
Input Data
Uji
Proses
Pengujian
Gambar 5. Proses Mining
Hasil Prediksi
Harga Bahan
Pokok
Normalisasi Data
K Tetangga
Hasil
Pelatihan
Hasil
Pengujian
Gambar 4. Desain Sistem
Berdasarkan gambar diatas dapat kita lihat bahwa
system untuk memprediksi harga kebutuhan bahan
pokok menggunakan K-Nearest Neighbour terdiri dari
3 komponen, yaitu skema aplikasi, skema database,
dan skema infrastruktur. Sistem terdiri dari data-data
yang telah diperoleh maupun dari data-data yang
merupakan hasil perhitungan yang kemudian disimpan
dalam database. Terdapat 3 database yang nantinya
akan digunakan didalam system. Pertama adalah data
pelatihan dan pengujian yang merupakan hasil dari
pemilahan referensi dari data historis sejumlah
Prosiding SNIKOM 2016
Akumulasi Data
Input
Perhitungan Jarak
Dengan Euclidian
Distance
Sorting
Ambil Data
Sebanyak K
Simple
Unweighted Voting
Output Hasil
Prediksi
Selesai
Gambar 6. Proses KNN
484
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
3.5. Desain Aplikasi
User
Desain aplikasi untuk memprediksi harga
kebutuhan bahan pokok ini digambarkan dalam bentuk
activity diagram seperti yang tampak pada gambar 7.
Aplikasi
Buka aplikasi
Database
Ambil data pelatihan komoditas
Data pelatihan
Simpan data pengujian
Data pengujian
Tampil parameter pengujian
Tampil prediksi semua komoditas
Tampil grafik semua komodotas
Pilih komoditas
Ambil data pelatihan komoditas terpilih
Data pelatihan komoditas terpilih
Simpan data pengujian komoditas terpilih
Data pengujian komoditas terpilih
Tampil parameter pengujian
Tampil prediksi komoditas terpilih
Tampil grafik komoditas terpilih
Gambar 7. Activity Diagram Aplikasi
Ketika pengguna membuka aplikasi, sistem dapat
mengambil data parameter secara otomatis dari website
acuan. Selain itu aplikasi juga dapat memprediksi
secara otomatis harga seluruh komoditas kebutuhan
bahan pokok pada hari yang sama. User juga dapat
memilih salah satu komoditas yang terdapat didalam
aplikasi. Selanjutnya user memilih salah satu
komoditas dari opsi yang ditampilkan oleh aplikasi
yang meliputi bawang merah, beras medium, cabai
merah biasa, cabai merah keriting, daging ayam
broiler, daging sapi, gula pasir, kedelai impor kedelai
lokal, minyak goring curah, telur ayam ras dan tepung
terigu. Setelah itu aplikasi akan memprediksi harga
kebutuhan bahan pokok yang telah dipilih oleh user
dan display grafik fluktuasi harga kebutuhan bahanbahan pokok pada periode tertentu. User dapat
memakai fitur prediksi untuk menghitung perkiraan
harga kebutuhan pokok kedepannya berdasarkan
komoditas yang telah dipilih sebelumnya. Untuk detail
desain aplikasi ini ditunjukkan pada gambar 8.
Prosiding SNIKOM 2016
Gambar 8. Sequence Diagram Aplikasi
3.6. Skenario Pengguna
Skenario Pengguna adalah serangkaian kegiatan
yang perlu dilakukan untuk dapat menggunakan
aplikasi yang akan dibangun. Ada beberapa kegiatan
yang perlu dilakukan oleh seorang user untuk
menggunakan system informasi prediksi harga
kebutuhan bahan pokok. Dimulai dari pemilihan
kategori kebutuhan komoditas bahan-bahan pokok
berdasarkan standard menteri perdagangan Republik
Indonesia yang meliputi bawang merah, beras medium,
cabai merah biasa, cabai merah keriting, daging ayam
broiler, daging sapi, gula pasir, kedelai impor kedelai
local, minyak goreng curah, telur ayam ras dan tepung
terigu. Selanjutnya barulah seorang user dapat melihat
prediksi harga kebutuhan harga bahan pokok
berdasarkan parameter. Selain itu user juga dapat
melihat data parameter serta hasil prediksi seluruh
komoditas harga kebutuhan bahan-bahan pokok.
Adapun alur program untuk memprediksi harga
kebutuhan bahan pokok adalah seperti yang tampak
pada gambar 9.
485
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
Gambar 10. Daftar Harga Semua Komoditas Hasil
Prediksi
Mulai
Mengambil nilai parameter
secara realtime
Normalisasi data
Data
pelatihan
Data
pengujian
Implementasi
KNN
Prediksi harga
kebutuhan
bahan pokok
Gambar 11. Visualisasi Hasil Prediksi Semua
Komoditas
Selesai
4.2. Pengujian Sistem
Gambar 9. Alur Program
4. Uji Coba dan Pembahasan
Setelah melalui proses perancangan, selanjutnya
harus diuji tingkat akurasi sistem dalam memprediksi
harga kebutuhan bahan pokok. Hal ini dilakukan untuk
mengetahui sejauh mana sistem dapat bekerja dalam
memprediksi harga kebutuhan bahan pokok.
4.1. Implementasi Aplikasi
Implementasi aplikasi menerapkan metodemetode yang telah disebutkan pada pembahasan
metodologi penelitian dan perancangan sistem. Fitur
utama aplikasi adalah menvisualisasikan hasil prediksi
dalam bentuk grafik yang dikelompokkan kedalam 2
kategori yaitu pertanian dan peternakan dan
menampilkan daftar harga prediksi semua komoditas
kebutuhan bahan pokok dalam bentuk tabel. Adapun
interface aplikasi ditunjukkan pada gambar 10 dan 11.
Data yang diujikan dalam sistem merupakan data
yang telah disiapkan untuk meguji tingkat akurasi
sistem. Jumlah data yang digunakan dalam pengujian
sebanyak 1 set pada 12 komoditas bahan pokok yag
meliputi bawang merah, beras medium, cabai merah
biasa, cabai merah keriting, daging ayam broiler,
daging sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goring curah, telur ayam ras dan tepung terigu.
Artinya jumlah total keseluruhan data yang diujikan
adalah sebanyak 12 set. Proses pengujian dimulai
dengan mengambil data yang akan diujikan kedalam
sistem dari database yang telah dirancang.
Selanjutnya tingkat akurasi sistem akan dihitung
untuk mengetahui seberapa baik sistem yang telah
dibangun untuk memprediksi ke-12 komoditas harga
kebutuhan bahan pokok. Adapun hasil perhitungan
tingkat akurasi system adalah seperti yang ditunjukkan
pada tabel 1.
Tabel 1. Data Hasil Pengujian
No.
1
2
3
4
Prosiding SNIKOM 2016
Komoditas
Bawang
Merah
Cabai
Merah
Biasa
Cabai
Merah
Keriting
Gula Pasir
Data
Uji
Output
Sistem
Akurasi
(%)
20.080
19.830
98,755%
30.030
32.916,
667
91,23%
32.600
35.720
91,265%
12.660
12.653,
333
99,947%
486
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
5
6
7
8
9
10
11
12
Beras
10.350
Medium
Kedelai
10.840
Lokal
Kedelai
11.030
Impor
Tepung
8.970
Terigu
Telur
22.280
Ayam Ras
Daging
Ayam
29.380
Broiler
Daging
108.390
Sapi
Minyak
Goreng
10.780
Curah
Rata-Rata Akurasi
Error Sistem
10.303,
33
99,549%
10.840
100%
11.050
99,819%
8.970
100%
22.360
99,642%
29.946,
667
98,108%
110.943
,333
97,699%
10.706
99,32%
97,945%
2,0555%
Dari Tabel 2 didapatkan 16 hasil pengujian
dengan tingkat akurasi yang berbeda-beda. Rata-rata
tingkat akurasi yang diperoleh adalah sebesar
81.375%. Grafik perbandingan tingkat akurasi masingmasing komoditas dapat dilihat pada gambar 12.
ISBN : 978-602-60010-0-9
merah biasa dengan prosentase sebesar 91,23%, hal ini
disebabkan karena pergerakan harga komoditas
tersebut cenderung stagnan sehingga kompleksitas data
yang diolah kedalam sistem cenderung rendah jika
dibandingkan dengan 11 komoditas lainnya.
Dari hasil pengujian yang telah dilakukan, hasil
prediksi terbaik ditunjukkan pada komoditas kedelai
lokal dan tepung terigu yang dapat mengenali dan
memprediksi harga secara sempurna tanpa terdapat
kesalahan sehingga akurasi sistem mencapai 100%.
Selain itu hasil pada pengujian lainnya juga
menunjukkan hasil keluaran yang hampir memenuhi
target yang telah ditentukan seperti pada komoditas
gula pasir, target yang diberikan adalah 12.660
sedangkan hasil keluaran sistem menunjukkan
12.653,333 yang mendekati angka target dengan
besaran tingkat akurasi 99,947%, begitu juga pada
komoditas kedelai impor dengan target 11.030,
keluaran sistem menunjukkan 11.050 sehingga tingkat
akurasi sistem mendekati sempurna dengan prosentase
sebesar 99,819%. Rata-rata akurasi sistem diperoleh
dari hasil seluruh penjumlahan nilai akurasi masingmasing dibagi dengan jumlah komoditas kebutuhan
bahan pokok. Dari hasil perhitungan yang telah
dilakukan hasil rata-rata tingkat akurasi adalah sebesar
97,9445% dengan nilai error sistem sebesar 2,0555%.
Sedangkan model perhitungan jarak dengan
menggunakan euclidean distance juga cocok
diterapkan pada kasus ini karena jarak dihitung
berdasarkan kasus lama dan menghasilkan nilai jarak
yang lebih kompatibel untuk penyelesaian kasus ini,
sehingga hal tersebut mempengaruhi nilai perhitungan
untuk memprediksi harga kebutuhan bahan pokok yang
menggunakan metode simple unweighted voting dalam
menentukan solusi yang diambil.
5. Penutup
Gambar 12. Perbandingan Tingkat Akurasi Sistem
5.1. Kesimpulan
4.3. Analisis Hasil Kerja Sistem
Setelah dilakukan penelitian, perancangan dan
implementasi sistem dapat ditarik beberapa kesimpulan
sebagai berikut:
Data yang digunakan adalah berasal dari data
kementerian perdagangan Republik Indonesia terhitung
sejak tanggal 1 Juni 2015 hingga 30 September.
Jumlah data yang digunakan untuk masing-masing
komoditas adalah sebesar 121 data, dengan rincian 120
data digunakan sebagai data latih dan 1 data digunakan
sebagai data uji.
Akurasi dipengaruhi oleh jumlah k, kualitas data,
dan jumlah data set. Nilai k yang digunakan dalam
penelitian ini adalah 3. Pada dapat diketahui bahwa
tingkat akurasi terendah adalah pada komoditas cabai
Prosiding SNIKOM 2016
1. Aplikasi untuk memprediksi harga kebutuhan
bahan
pokok
dapat
dilakukan
dengan
mengimplementasikan metode k-nearest neighbor
menggunakan 4 parameter input yang meliputi
Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), inflasi, kurs valuta asing
atau nilai tukar rupiah terhadap dollar Amerika
(USD) dan jumlah uang beredar dengan output
harga ke-12 komoditas bahan pokok yang meliputi
487
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
bawang merah, beras medium, cabai merah biasa,
cabai merah keriting, daging ayam broiler, daging
sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goreng curah, telur ayam ras dan tepung
terigu.
2. Setelah dilakukan pengujian terhadap sistem dapat
diperoleh tingkat akurasi terbaik adalah sebesar
100% yaitu pada komoditas kedelai lokal dan
tepung terigu dengan rata-rata tingkat akurasi
sebesar 97,9445% dan error sistem sebesar
2,0555%.
5.2. Saran
Saran yang dapat ditulis untuk penelitian ini yaitu
untuk penelitian selanjutnya diharapkan adanya
variabel input yang lebih rinci untuk digunakan sebagai
data uji dan data target karena mungkin masih banyak
faktor yang menyebabkan fluktuasi laju perubahan
harga kebutuhan bahan pokok.
6. Referensi
[1] Hartono Rudi, “Sistem Informasi Harga Bahan Pokok
dengan Penerapan SMS Gateway Menggunakan Bahasa
Pemrograman C#”, Jurusan Teknik Informatika
Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi,
ISBN : 978-602-60010-0-9
[2] Hutauruk Chiquita Olivia, “Harga Bahan Pokok di Pasar
Induk Kramat Jati Belum Stabil [online] ”, Tersedia:
http://www.beritasatu.com/ekonomi/292409-hargabahan-pokok-di-pasar-induk-kramat-jati-belumstabil.html, 2015.
[3] Putra Yudha Manggala, “Harga Bahan Pokok di
Gorontalo tak Stabil Jelang Ramadhan [online]”,
Tersedia: http:// www. republika.co.id / berita / nasional/
daerah/15/06/08/nplst5-harga-bahan-pokok-di-gorontalotak-stabil-jelang-ramadhan, 2015.
[4] Anwar Saiful, “Makalah Konsep Sistem Informasi”,
Universitas Gunadarma, Jakarta, 2015.
[5] Wikipedia, “KNN [online]”, Tersedia: http://id.
wikipedia.org/wiki/KNN, 2013.
[6] Yessivirna Riska dkk, “Klasifikasi Suara Berdasarkan
Gender (Jenis Kelamin) Dengan Metode K-Nearest
Neighbor (KNN)”, Jurusan Ilmu Komputer, Fakultas
Program Teknologi Informasi dan Ilmu Komputer,
Universitas Brawijaya, Malang, 2013.
[7] Rizanti Hanifa Vidya dkk, “Pengenalan Citra Alphabet
Berdasarkan Parameter Momen Invarian Dengan Metode
Case-Based Reasoning”, Jurusan Teknik Informatika,
Fakultas Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya, Malang, 2010.
[8] Hardjanto Arini, “Volatilitas Harga Pangan dan
Pengaruhnya Terhadap Indikator Makroekonomi
Indonesia”, Sekolah Pascasarjana, Institut Pertanian
Bogor, Bogor, 2014.
2013.
Prosiding SNIKOM 2016
488
ISBN : 978-602-60010-0-9
Sistem Prediksi Harga Kebutuhan Bahan Pokok Nasional Menggunakan
Metode K-Nearest Neighbour
Sofi Dwi Purwanto1 Abd. Charis Fauzan2 Agus Wahyudi3 Fadzila Yudi Mardana4
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim
Jalan Gajayana 50 Malang 65144, Indonesia
Email : dwihayyana@gmail.com1, fauzancharis@gmail.com2, you.dikz99@gmail.com3, fadzilayudi@gmail.com4
Abstrak
Kesulitan untuk mengakses informasi mengenai
harga kebutuhan bahan pokok dibeberapa daerah di
Indonesia menyebabkan banyak oknum tengkulak
nakal yang menipu para petani dengan membeli hasil
panen dengan harga jauh dibawah harga jual
dipasaran. SIPUT BANKOK (Sistem Informasi
Prediksi Kebutuhan Bahan Pokok) dibangun agar
dapat dimanfaatkan tidak hanya sekedar untuk
memberikan informasi, namun juga dapat memprediksi
fluktuasi harga kebutuhan bahan pokok dimasa
mendatang.
Aplikasi
dibangun
dengan
mengimplementasikan metode k-nearest neighbor
menggunakan 4 parameter input yang meliputi Gross
Domestic Product (GDP) atau Produk Domestik Bruto
(PDB), inflasi, kurs valuta asing atau nilai tukar
rupiah terhadap dollar Amerika (USD) dan jumlah
uang beredar dengan output harga ke-12 komoditas
bahan pokok. Berdasarkan hasil pengujian yang telah
dilakukan, dapat diperoleh tingkat akurasi terbaik
adalah sebesar 100% yaitu pada komoditas kedelai
lokal dan tepung terigu dengan rata-rata tingkat
akurasi sebesar 97,9445% dan error sistem sebesar
2,0555%.
Kata kunci: Harga kebutuhan bahan pokok, SIPUT
BANKOK, k-nearest neighbour.
1. Pendahuluan
Dalam era teknologi seperti ini masyarakat bisa
sangat mudah untuk memperoleh informasi yang
diinginkan. Banyak media yang dapat digunakan
untuk mengakses informasi yang teraktual seperti,
SMS, BBM, browsing, e-mail, sosial media dan masih
banyak media komunikasi lainnya.
Prosiding SNIKOM 2016
Tetapi hal tersebut terkadang tidaklah sesuai
terhadap kenyataan yang terjadi pada beberapa daerah
di Indonesia. Banyuwangi Misalnya, selama ini
masyarakat sulit untuk mengakses informasi.
Terutama informasi tentang harga bahan pokok yang
ada di pasar. Masyarakat harus meluangkan waktu
tersendiri dengan datang langsung ke pasar hanya
untuk bisa memperoleh informasi tersebut. Padahal,
informasi yang mereka terima ketika sampai di pasar
juga masih simpang siur. Terlebih lagi, ketika
masyarakat pedesaan yang ingin menjual hasil
panennya tetapi tidak mengetahui harga jual dipasaran
sehingga banyak oknum tengkulak nakal yang menipu
para petani dengan membeli hasil panen petani dengan
harga yang jauh dibawah harga jual dipasaran. Hal ini
mengakibatkan kesejahteraan para petani menjadi
tidak bisa meningkat[1].
Berdasarkan deskripsi diatas, muncul gagasan
untuk membuat aplikasi yang kami namakan SIPUT
BANKOK (Sistem Informasi Prediksi Kebutuhan
Bahan Pokok, sebuah sistem yang dapat dimanfaatkan
tidak hanya untuk memberikan informasi, namun juga
dapat memprediksi fluktuasi harga kebutuhan bahan
pokok dimasa mendatang.
Dengan adanya aplikasi ini diharapkan petani
ataupun masyarakat lain yang membutuhkan dapat
mengakses harga jual maupun harga beli untuk hasil
panennya dipasaran, sehingga para petani tidak akan
ditipu oleh oknum tengkulak nakal yang suka
mempermainkan harga.
Disisi lain masyarakat juga dapat memperoleh
informasi mengenai sejumlah harga kebutuhan
barang-barang pokok. Perubahan harga bisa terjadi
sewaktu-waktu yang dapat menyebabkan harga
kebutuhan barang-barang pokok menjadi tidak stabil
terutama menjelang hari-hari besar seperti bulan puasa
hingga lebaran. Sebagaimana yang telah diberitakan
481
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
dalam beberapa media terkait persoalan ini seperti di
Pasar Induk Kramat Jati Jakarta[2] dan di Gorontalo[3].
Melalui aplikasi ini pula, ibu-ibu rumah tangga
tidak harus datang langsung ke pasar untuk sekedar
mencari informasi harga. Petani pun dapat mematok
harga beli untuk hasil panennya sehingga aplikasi ini
bisa menjadi strategi bisnis yang prospektif dimasa
yang akan datang guna menyongsong gelaran
Masyarakat Ekonomi ASEAN (MEA) yang mulai
diberlakukan pada tahun depan.
2. Tinjauan Pustaka
2.1. Sistem Informasi
Sistem Informasi adalah Suatu sistem
terintegrasi yang mampu menyediakan informasi yang
bermanfaat bagi penggunanya. Atau; Sebuah sistem
terintegrasi atau sistem manusia-mesin, untuk
menyediakan informasi untuk mendukung operasi,
manajemen dalam suatu organisasi. Sistem informasi
juga dapat diartikan sebagai alat untuk menyajikan
informasi sedemikian rupa sehingga bermanfaat bagi
penerimanya. Tujuannya adalah untuk memberikan
informasi
dalam
perencanaan,
memulai,
pengorganisasian, operasional sebuah perusahaan yang
melayani
sinergi
organisasi
dalam
proses
mengendalikan pengambilan keputusan[4].
ISBN : 978-602-60010-0-9
titik, yang ditandai dengan c, dalam ruang n-dimensi.
Jika sebuah data query yang labelnya tidak diketahui
diinputkan, maka K-Nearest Neighbour akan mencari k
buah data learning yang jaraknya paling dekat dengan
data query dalam ruang n-dimensi. Jarak antara data
query dengan data learning dihitung dengan cara
mengukur jarak antara titik yang merepresentasikan
data query dengan semua titik yang merepresentasikan
data learning dengan rumus Euclidean Distance.
Pada fase training, algoritma ini hanya melakukan
penyimpanan vektor-vektor fitur dan klasifikasi data
training sample. Pada fase klasifikasi, fitur – fitur yang
sama dihitung untuk testing data (klasifikasinya belum
diketahui). Jarak dari vektor yang baru ini terhadap
seluruh vektor training sample dihitung, dan sejumlah
k buah yang paling dekat diambil. Titik yang baru
klasifikasinya diprediksikan termasuk pada klasifikasi
terbanyak dari titik – titik tersebut. Nilai k yang terbaik
untuk algoritma ini tergantung pada data; secara
umumnya, nilai k yang tinggi akan mengurangi efek
noise pada klasifikasi, tetapi membuat batasan antara
setiap klasifikasi menjadi lebih kabur. Nilai k yang
bagus dapat dipilih dengan optimasi parameter,
misalnya dengan menggunakan cross-validation. Kasus
khusus di mana klasifikasi diprediksikan berdasarkan
data pembelajaran yang paling dekat (dengan kata lain,
k = 1) disebut algoritma nearest neighbor[5].
2.2. Bahan Pokok (Pangan)
Pangan adalah segala sesuatu yang berasal dari
sumber daya hayati dan air, baik yang diolah maupun
tidak diolah yang diperuntukkan sebagai makanan atau
minuman bagi konsumsi manusia. Termasuk di dalam
pengertian pangan adalah bahan tambahan pangan,
bahan baku
pangan, dan bahan-bahan lainnya
yangdigunakan dalam proses penyiapan, pengolahan,
dan/atau pembuatan makanan dan minuman.
Pengertian pangan di atas merupakan definisi pangan
yang dikeluarkan oleh badan dunia untuk urusan
pangan, yaitu Food and Agricultural Organization
(FAO).
2.3. Algoritma K-Nearest Neighbour
Algoritma k-nearest neighbour (k-NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut. K-Nearest
Neighbour berdasarkan konsep „learning by analogy‟.
Data learning dideskripsikan dengan atribut numerik ndimensi. Tiap data learning merepresentasikan sebuah
Prosiding SNIKOM 2016
Gambar 1. Pemilihan K-Tetangga Terdekat [5]
2.4. Model Perhitungan K-Nearest Neighbour
K-Nearest Neighbour adalah pendekatan untuk
mencari kasus dengan menghitung kedekatan antara
kasus baru dengan kasus lama, yaitu berdasarkan
pada pencocokan bobot dari sejumlah fitur yang
ada. Sedangkan metode yang digunakan untuk
memprediksi harga bahan kebutuhan pokok adalah
dengan menggunakan metode K-Nearest Neighbour.
Metode K-Nearest Neighbour (k-NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data yang jaraknya paling
dekat dengan objek tersebut. Untuk menghitung jarak
482
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
dapat menggunakan beberapa metode seperti halnya
euclidea. Adapun rumus dari metode tersebut yaitu[6]:
Mulai
Analisis Parameter
√∑
Perancangan dan
Pengumpulan Data
Keunggulan dari metode KNN ini adalah relatif
tidak terpengaruh dari error dari data dan juga dapat
digunakan dengan kumpulan data dengan jumlah besar.
Namun kekurangan metode ini adalah proses
pelaksanaannya lambat. Untuk meningkatkan akurasi
dari metode yang digunakan dalam aplikasi yang akan
dibangun kita menggunakan metode tambahan yang
merupakan metode optimasi yang meminimalkan
fungsi kesalahan untuk menentukan hasil akhir, Simple
Unweighted voting. Adapun langkah kerja untuk
perhitungan dengan menggunakan metode tersebut
yaitu[7]:
Tentukan K (Jumlah tetangga terdekat).
Hitung Jarak antara data yang diuji dengan data
training.
Urutkan berdasarkan jarak terdekat dan
tentukan apakah termasuk dalam K (jumlah
tetangga terdekat).
Hitung Rata-rata dari data yang termasuk dalam
K.
∑
3. Metodologi dan Perancangan
Aplikasi yang dibangun merupakan aplikasi
untuk memprediksi harga kebutuhan bahan-bahan
pokok. Adapun diagram blok prosedur penelitian yang
akan dilakukan adalah seperti yang tampak pada
gambar 2, Sedangkan deskripsi masing-masing proses
pada diagram blok akan dijelaskan pada komponen
aplikasi.
Perancangan
Database
Desain Aplikasi
Implementasi KNN
Selesai
Gambar 2. Prosedur Penelitian
3.1. Sumber Data
Sumber data yang digunakan dalam penelitian ini
berasal dari open data mengenai harga kebutuhan
bahan pokok nasional yang diperoleh dari Kementerian
Perdagangan (kemendag.go.id). Dalam penelitian ini
data harga kebutuhan bahan pokok yang digunakan
adalah data harga dari bulan Juni hingga September
2015. Waktu tiap bulannya disimbolkan dalam bentuk
t. Data dibagi menjadi 2 kelompok, yaitu data training
dan data testing.
3.2. Analisis Parameter
Terdapat beberapa faktor yang digunakan peneliti
dalam memprediksi harga kebutuhan bahan pokok.
Faktor-faktor yang dimaksud diantaranya adalah Gross
Domestic Product (GDP) atau yang biasa disebut
Produk Domestik Bruto (PDB), jumlah uang yang
beredar, tingkat inflasi, dan nilai tukar mata uang asing
terhadap rupiah. Parameter yang digunakan untuk
menentukan prediksi harga bahan kebutuhan pokok
nasional selaku output (Y) berasal dari indikator
makroekonomi Indonesia, yang meliputi[8]:
a. Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), sebagai X1
b. Jumlah uang yang beredar, sebagai X2
c. Inflasi, sebagai X3
d. Nilai tukar mata uang asing terhadap rupiah,
sebagai X4
Prosiding SNIKOM 2016
483
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
Keempat parameter tersebut berfungsi sebagai
indikator untuk menentukan harga kebutuhan bahan
pokok nasional.
ISBN : 978-602-60010-0-9
indikator yang dapat mempengaruhi keadaan ekonomi
Indonesia. Kedua adalah data
k tetangga yang
merupakan data dari hasil pelatihan yang kemudian
akan dipakai dalam pengujian sistem.
3.4. Proses Mining K-Nearest Neighbour
Proses mining yang akan di implementasikan
pada metode K-Nearest Neighbour untuk memprediksi
harga kebutuhan bahan-bahan pokok harus melalui
beberapa tahapan yang melibatkan komponenkomponen penting didalamnya. Adapun proses
selengkapnya adalah seperti yang tampak pada gambar
5.
Gambar 3. Indikator Makroekonomi
3.3. Komponen Aplikasi
Pada tahap ini, desain sistem mulai dibentuk
untuk menentukan bagaimana suatu sistem akan
menyelesaikan masalah yang menjadi kajian pada
objek penelitian ini. Pada dasarnya tahap perancangan
sistem ini merupakan kombinasi dari komponenkomponen perangkat lunak dan perangkat keras dari
suatu sistem. Perancangan sistem informasi prediksi
harga kebutuhan bahan pokok ini akan diterapkan
dengan menggunakkan tampilan yang akan dibuat
dengan GUI berbasis website.
K Nearest Neighbour
Database
Data Historis
Indikator Ekonomi
Indonesia
Pelatihan
Data
Pelatihan
Parameter
Pelatihan
Proses
Pelatihan
Data
Pengujian
Pengujian
Output
Sedangkan proses prediksi dengan menggunakan
metode K-Nearest Neighbour adalah seperti yang
ditunjukkan pada gambar 6 berikut.
Mulai
Input Data Uji,
Jumlah K
tetangga terdekat
Input Data
Uji
Proses
Pengujian
Gambar 5. Proses Mining
Hasil Prediksi
Harga Bahan
Pokok
Normalisasi Data
K Tetangga
Hasil
Pelatihan
Hasil
Pengujian
Gambar 4. Desain Sistem
Berdasarkan gambar diatas dapat kita lihat bahwa
system untuk memprediksi harga kebutuhan bahan
pokok menggunakan K-Nearest Neighbour terdiri dari
3 komponen, yaitu skema aplikasi, skema database,
dan skema infrastruktur. Sistem terdiri dari data-data
yang telah diperoleh maupun dari data-data yang
merupakan hasil perhitungan yang kemudian disimpan
dalam database. Terdapat 3 database yang nantinya
akan digunakan didalam system. Pertama adalah data
pelatihan dan pengujian yang merupakan hasil dari
pemilahan referensi dari data historis sejumlah
Prosiding SNIKOM 2016
Akumulasi Data
Input
Perhitungan Jarak
Dengan Euclidian
Distance
Sorting
Ambil Data
Sebanyak K
Simple
Unweighted Voting
Output Hasil
Prediksi
Selesai
Gambar 6. Proses KNN
484
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
3.5. Desain Aplikasi
User
Desain aplikasi untuk memprediksi harga
kebutuhan bahan pokok ini digambarkan dalam bentuk
activity diagram seperti yang tampak pada gambar 7.
Aplikasi
Buka aplikasi
Database
Ambil data pelatihan komoditas
Data pelatihan
Simpan data pengujian
Data pengujian
Tampil parameter pengujian
Tampil prediksi semua komoditas
Tampil grafik semua komodotas
Pilih komoditas
Ambil data pelatihan komoditas terpilih
Data pelatihan komoditas terpilih
Simpan data pengujian komoditas terpilih
Data pengujian komoditas terpilih
Tampil parameter pengujian
Tampil prediksi komoditas terpilih
Tampil grafik komoditas terpilih
Gambar 7. Activity Diagram Aplikasi
Ketika pengguna membuka aplikasi, sistem dapat
mengambil data parameter secara otomatis dari website
acuan. Selain itu aplikasi juga dapat memprediksi
secara otomatis harga seluruh komoditas kebutuhan
bahan pokok pada hari yang sama. User juga dapat
memilih salah satu komoditas yang terdapat didalam
aplikasi. Selanjutnya user memilih salah satu
komoditas dari opsi yang ditampilkan oleh aplikasi
yang meliputi bawang merah, beras medium, cabai
merah biasa, cabai merah keriting, daging ayam
broiler, daging sapi, gula pasir, kedelai impor kedelai
lokal, minyak goring curah, telur ayam ras dan tepung
terigu. Setelah itu aplikasi akan memprediksi harga
kebutuhan bahan pokok yang telah dipilih oleh user
dan display grafik fluktuasi harga kebutuhan bahanbahan pokok pada periode tertentu. User dapat
memakai fitur prediksi untuk menghitung perkiraan
harga kebutuhan pokok kedepannya berdasarkan
komoditas yang telah dipilih sebelumnya. Untuk detail
desain aplikasi ini ditunjukkan pada gambar 8.
Prosiding SNIKOM 2016
Gambar 8. Sequence Diagram Aplikasi
3.6. Skenario Pengguna
Skenario Pengguna adalah serangkaian kegiatan
yang perlu dilakukan untuk dapat menggunakan
aplikasi yang akan dibangun. Ada beberapa kegiatan
yang perlu dilakukan oleh seorang user untuk
menggunakan system informasi prediksi harga
kebutuhan bahan pokok. Dimulai dari pemilihan
kategori kebutuhan komoditas bahan-bahan pokok
berdasarkan standard menteri perdagangan Republik
Indonesia yang meliputi bawang merah, beras medium,
cabai merah biasa, cabai merah keriting, daging ayam
broiler, daging sapi, gula pasir, kedelai impor kedelai
local, minyak goreng curah, telur ayam ras dan tepung
terigu. Selanjutnya barulah seorang user dapat melihat
prediksi harga kebutuhan harga bahan pokok
berdasarkan parameter. Selain itu user juga dapat
melihat data parameter serta hasil prediksi seluruh
komoditas harga kebutuhan bahan-bahan pokok.
Adapun alur program untuk memprediksi harga
kebutuhan bahan pokok adalah seperti yang tampak
pada gambar 9.
485
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
ISBN : 978-602-60010-0-9
Gambar 10. Daftar Harga Semua Komoditas Hasil
Prediksi
Mulai
Mengambil nilai parameter
secara realtime
Normalisasi data
Data
pelatihan
Data
pengujian
Implementasi
KNN
Prediksi harga
kebutuhan
bahan pokok
Gambar 11. Visualisasi Hasil Prediksi Semua
Komoditas
Selesai
4.2. Pengujian Sistem
Gambar 9. Alur Program
4. Uji Coba dan Pembahasan
Setelah melalui proses perancangan, selanjutnya
harus diuji tingkat akurasi sistem dalam memprediksi
harga kebutuhan bahan pokok. Hal ini dilakukan untuk
mengetahui sejauh mana sistem dapat bekerja dalam
memprediksi harga kebutuhan bahan pokok.
4.1. Implementasi Aplikasi
Implementasi aplikasi menerapkan metodemetode yang telah disebutkan pada pembahasan
metodologi penelitian dan perancangan sistem. Fitur
utama aplikasi adalah menvisualisasikan hasil prediksi
dalam bentuk grafik yang dikelompokkan kedalam 2
kategori yaitu pertanian dan peternakan dan
menampilkan daftar harga prediksi semua komoditas
kebutuhan bahan pokok dalam bentuk tabel. Adapun
interface aplikasi ditunjukkan pada gambar 10 dan 11.
Data yang diujikan dalam sistem merupakan data
yang telah disiapkan untuk meguji tingkat akurasi
sistem. Jumlah data yang digunakan dalam pengujian
sebanyak 1 set pada 12 komoditas bahan pokok yag
meliputi bawang merah, beras medium, cabai merah
biasa, cabai merah keriting, daging ayam broiler,
daging sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goring curah, telur ayam ras dan tepung terigu.
Artinya jumlah total keseluruhan data yang diujikan
adalah sebanyak 12 set. Proses pengujian dimulai
dengan mengambil data yang akan diujikan kedalam
sistem dari database yang telah dirancang.
Selanjutnya tingkat akurasi sistem akan dihitung
untuk mengetahui seberapa baik sistem yang telah
dibangun untuk memprediksi ke-12 komoditas harga
kebutuhan bahan pokok. Adapun hasil perhitungan
tingkat akurasi system adalah seperti yang ditunjukkan
pada tabel 1.
Tabel 1. Data Hasil Pengujian
No.
1
2
3
4
Prosiding SNIKOM 2016
Komoditas
Bawang
Merah
Cabai
Merah
Biasa
Cabai
Merah
Keriting
Gula Pasir
Data
Uji
Output
Sistem
Akurasi
(%)
20.080
19.830
98,755%
30.030
32.916,
667
91,23%
32.600
35.720
91,265%
12.660
12.653,
333
99,947%
486
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
5
6
7
8
9
10
11
12
Beras
10.350
Medium
Kedelai
10.840
Lokal
Kedelai
11.030
Impor
Tepung
8.970
Terigu
Telur
22.280
Ayam Ras
Daging
Ayam
29.380
Broiler
Daging
108.390
Sapi
Minyak
Goreng
10.780
Curah
Rata-Rata Akurasi
Error Sistem
10.303,
33
99,549%
10.840
100%
11.050
99,819%
8.970
100%
22.360
99,642%
29.946,
667
98,108%
110.943
,333
97,699%
10.706
99,32%
97,945%
2,0555%
Dari Tabel 2 didapatkan 16 hasil pengujian
dengan tingkat akurasi yang berbeda-beda. Rata-rata
tingkat akurasi yang diperoleh adalah sebesar
81.375%. Grafik perbandingan tingkat akurasi masingmasing komoditas dapat dilihat pada gambar 12.
ISBN : 978-602-60010-0-9
merah biasa dengan prosentase sebesar 91,23%, hal ini
disebabkan karena pergerakan harga komoditas
tersebut cenderung stagnan sehingga kompleksitas data
yang diolah kedalam sistem cenderung rendah jika
dibandingkan dengan 11 komoditas lainnya.
Dari hasil pengujian yang telah dilakukan, hasil
prediksi terbaik ditunjukkan pada komoditas kedelai
lokal dan tepung terigu yang dapat mengenali dan
memprediksi harga secara sempurna tanpa terdapat
kesalahan sehingga akurasi sistem mencapai 100%.
Selain itu hasil pada pengujian lainnya juga
menunjukkan hasil keluaran yang hampir memenuhi
target yang telah ditentukan seperti pada komoditas
gula pasir, target yang diberikan adalah 12.660
sedangkan hasil keluaran sistem menunjukkan
12.653,333 yang mendekati angka target dengan
besaran tingkat akurasi 99,947%, begitu juga pada
komoditas kedelai impor dengan target 11.030,
keluaran sistem menunjukkan 11.050 sehingga tingkat
akurasi sistem mendekati sempurna dengan prosentase
sebesar 99,819%. Rata-rata akurasi sistem diperoleh
dari hasil seluruh penjumlahan nilai akurasi masingmasing dibagi dengan jumlah komoditas kebutuhan
bahan pokok. Dari hasil perhitungan yang telah
dilakukan hasil rata-rata tingkat akurasi adalah sebesar
97,9445% dengan nilai error sistem sebesar 2,0555%.
Sedangkan model perhitungan jarak dengan
menggunakan euclidean distance juga cocok
diterapkan pada kasus ini karena jarak dihitung
berdasarkan kasus lama dan menghasilkan nilai jarak
yang lebih kompatibel untuk penyelesaian kasus ini,
sehingga hal tersebut mempengaruhi nilai perhitungan
untuk memprediksi harga kebutuhan bahan pokok yang
menggunakan metode simple unweighted voting dalam
menentukan solusi yang diambil.
5. Penutup
Gambar 12. Perbandingan Tingkat Akurasi Sistem
5.1. Kesimpulan
4.3. Analisis Hasil Kerja Sistem
Setelah dilakukan penelitian, perancangan dan
implementasi sistem dapat ditarik beberapa kesimpulan
sebagai berikut:
Data yang digunakan adalah berasal dari data
kementerian perdagangan Republik Indonesia terhitung
sejak tanggal 1 Juni 2015 hingga 30 September.
Jumlah data yang digunakan untuk masing-masing
komoditas adalah sebesar 121 data, dengan rincian 120
data digunakan sebagai data latih dan 1 data digunakan
sebagai data uji.
Akurasi dipengaruhi oleh jumlah k, kualitas data,
dan jumlah data set. Nilai k yang digunakan dalam
penelitian ini adalah 3. Pada dapat diketahui bahwa
tingkat akurasi terendah adalah pada komoditas cabai
Prosiding SNIKOM 2016
1. Aplikasi untuk memprediksi harga kebutuhan
bahan
pokok
dapat
dilakukan
dengan
mengimplementasikan metode k-nearest neighbor
menggunakan 4 parameter input yang meliputi
Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), inflasi, kurs valuta asing
atau nilai tukar rupiah terhadap dollar Amerika
(USD) dan jumlah uang beredar dengan output
harga ke-12 komoditas bahan pokok yang meliputi
487
Seminar Nasional Ilmu Komputer (SNIKOM 2016)
bawang merah, beras medium, cabai merah biasa,
cabai merah keriting, daging ayam broiler, daging
sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goreng curah, telur ayam ras dan tepung
terigu.
2. Setelah dilakukan pengujian terhadap sistem dapat
diperoleh tingkat akurasi terbaik adalah sebesar
100% yaitu pada komoditas kedelai lokal dan
tepung terigu dengan rata-rata tingkat akurasi
sebesar 97,9445% dan error sistem sebesar
2,0555%.
5.2. Saran
Saran yang dapat ditulis untuk penelitian ini yaitu
untuk penelitian selanjutnya diharapkan adanya
variabel input yang lebih rinci untuk digunakan sebagai
data uji dan data target karena mungkin masih banyak
faktor yang menyebabkan fluktuasi laju perubahan
harga kebutuhan bahan pokok.
6. Referensi
[1] Hartono Rudi, “Sistem Informasi Harga Bahan Pokok
dengan Penerapan SMS Gateway Menggunakan Bahasa
Pemrograman C#”, Jurusan Teknik Informatika
Sekolah Tinggi Ilmu Komputer PGRI, Banyuwangi,
ISBN : 978-602-60010-0-9
[2] Hutauruk Chiquita Olivia, “Harga Bahan Pokok di Pasar
Induk Kramat Jati Belum Stabil [online] ”, Tersedia:
http://www.beritasatu.com/ekonomi/292409-hargabahan-pokok-di-pasar-induk-kramat-jati-belumstabil.html, 2015.
[3] Putra Yudha Manggala, “Harga Bahan Pokok di
Gorontalo tak Stabil Jelang Ramadhan [online]”,
Tersedia: http:// www. republika.co.id / berita / nasional/
daerah/15/06/08/nplst5-harga-bahan-pokok-di-gorontalotak-stabil-jelang-ramadhan, 2015.
[4] Anwar Saiful, “Makalah Konsep Sistem Informasi”,
Universitas Gunadarma, Jakarta, 2015.
[5] Wikipedia, “KNN [online]”, Tersedia: http://id.
wikipedia.org/wiki/KNN, 2013.
[6] Yessivirna Riska dkk, “Klasifikasi Suara Berdasarkan
Gender (Jenis Kelamin) Dengan Metode K-Nearest
Neighbor (KNN)”, Jurusan Ilmu Komputer, Fakultas
Program Teknologi Informasi dan Ilmu Komputer,
Universitas Brawijaya, Malang, 2013.
[7] Rizanti Hanifa Vidya dkk, “Pengenalan Citra Alphabet
Berdasarkan Parameter Momen Invarian Dengan Metode
Case-Based Reasoning”, Jurusan Teknik Informatika,
Fakultas Program Teknologi Informasi dan Ilmu
Komputer, Universitas Brawijaya, Malang, 2010.
[8] Hardjanto Arini, “Volatilitas Harga Pangan dan
Pengaruhnya Terhadap Indikator Makroekonomi
Indonesia”, Sekolah Pascasarjana, Institut Pertanian
Bogor, Bogor, 2014.
2013.
Prosiding SNIKOM 2016
488