IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA

BACKPROPAGATION UNTUK MEMPREDIKSI

JUMLAH PENDUDUK DI YOGYAKARTA

NASKAH PUBLIKASI

diajukan oleh

Setyo Nugroho

10.11.4264

kepadaSEKOLAH TINGGI MANAJEMEN INFROMATIKA DAN KOMPUTER

AMIKOM YOGYAKARTAYOGYAKARTA

2013

IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS WITHBACKPROPAGATION METHOD TO PREDICT THE NUMBER OF

RESIDENTS IN YOGYAKARTAIMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA

BACKPROPAGATION UNTUK MEMPREDIKSIJUMLAH PENDUDUK DI YOGYAKARTA

Setyo Nugroho

KusriniJurusan Teknik Informatika

STMIK AMIKOM YOGYAKARTA

ABSTRACT

Indonesia has a large population with the largest population in SoutheastAsia and the fourth highest in the world, then the government has a hugemortgage to prosper, if the government can not afford it there will be an increasein unemployment and crime.

The development of science and technology is very fast has created a lot ofinformation. Artificial neural network is an information processing paradigminspired by the nervous system or the discovery of new information by adoptingthe workings of biological neurons that focuses on the workings of the humanbrain neurons. By searching a particular pattern or rules of a number of largeamounts of data, methods Backpropagation is expected to overcome thedifficulties in predicting the population, especially in Yogyakarta.

There are many methods have been developed to achieve optimal resultsfrom the prediction or forecasting. Which will be reviewed in this paper is the useof artificial neural network Backpropagation method to obtain prediction resultsare expected to provide a level of accuracy that comes closest to the error.

Keywords: Artificial Neural Networks, population, backpropagation

1. PENDAHULUAN

Indonesia mempunyai jumlah penduduk yang besar, berdasarkan

perhitungan pada tahun 2004 indonesia menjadi negara dengan penduduk

terbanyak di asia tenggara dan urutan ke 4 dunia. Memiliki penduduk yang

banyak bisa memberikan keuntungan yaitu dengan memberdayakannya untuk

meningkatkan pembangunan akan tetapi nilai negatifnya juga ada, dengan jumlah

penduduk yang besar maka pemerintah mempunyai tanggungan yang besar untuk

mensejahterakannya dan apabila pemerintah tidak mampu maka akan ada

peningkatan angka pengangguran dan kejahatan.

Di Indonesia jumlah kependudukan diatur dalam Dinas Kependudukan

dan Catatan Sipil. Dinas tersebut bertugas mengadakan penelitian dan pelayanan

tentang kependudukan yang salah satu bidangnya adalah pembuatan surat tanda

lahir atau yang lebih dikenal dengan akta kelahiran, kartu tanda penduduk (KTP),

kartu keluarga (KK).

Jumlah pertambahan penduduk dapat mempengaruhi tingkat kepadatan

penduduk yang tidak merata di suatu wilayah serta mempengaruhi tingkat

perekonomian, pendidikan, kesehatan dan juga instansi-instansi terkait lainnya.

2. LANDASAN TEORI

2.1. Pengertian penduduk

Kependudukan, atau dalam hal ini adalah penduduk, merupakan pusat dari

seluruh kebijaksanaan dan program pembangunan yang dilakukan. Dalam Garis

Besar Haluan Negara (GBHN) dengan jelas dikemukakan bahwa penduduk adalah

subyek dan obyek pembangunan. Sebagai subyek pembangunan maka penduduk

harus dibina dan dikembangkan sehingga mampu menjadi penggerak

pembangunan. Sebaliknya, pembangunan juga harus dapat dinikmati oleh

penduduk yang bersangkutan. Dengan demikian jelas bahwa pembangunan harus

dikembangkan dengan memperhitungkan kemampuan penduduk agar seluruh

penduduk dapat berpartisipasi aktif dalam dinamika pembangunan tersebut.

Sebaliknya, pembangunan tersebut baru dikatakan berhasil jika mampu

meningkatkan kesejahteraan penduduk dalam arti yang luas

(www.bappenas.go.id/get-file-server/node/8562/. April, 7, 2013).

2.2. Jaringan Syaraf Tiruan

Jaringan saraf tiruan (JST), atau juga disebut simulated neural network

(SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari

sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf

manusia. Jaringan saraf tiruan merupakan sistem adaptif yang dapat mengubah

strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun

internal yang mengalir melalui jaringan tersebut. Secara sederhana, JST adalah

sebuah alat pemodelan data statistik non-linier. JST dapat digunakan untuk

memodelkan hubungan yang kompleks antara input dan output untuk menemukan

pola-pola pada data (Arief Hermawan, 2006, hlm. 5).

2.2.1. Model Jaringan Syaraf Tiruan

Seperti halnya otak manusia, jaringan syaraf tiruan terdiri dari

beberapa neuron dan ada hubungannya antara neuron-neuron tersebut.

Beberapa neuron akan mentranformasikan informasi yang diterimanya

melalui sambungan keluaran menuju neuron-neuron lainnya. Dengan kata

lain, neuron/sel saraf adalah sebuah unit pemroses informasi yang

merupakan dasar operasi jaringan syaraf tiruan. Neuron ini dimodelkan

dari penyederhanaan sel syaraf manusia sebenarnya. Gambar dibawah ini

menunjukan contoh suatu neuron (Arief Hermawan, 2006, hlm. 5).

Gambar 2.2. Struktur Unit Jaringan Syaraf Tiruan

2.2.2. Backpropagation

Penemuan Backpropagation yang terdiri dari beberapa

layar membuka kembali cakrawala. Terlebih setelah berhasil

ditemukannya berbagai aplikasi yang dapat diselesaikan

dengan Backpropagation, membuat Jaringan Syaraf Tiruan

semakin diminati orang. 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 (Diyah Puspitaningrum,

2006, hlm. 125)

3. ANALISIS DAN PERANCANGAN SISTEM

3.1. Analisis Data

3.1.1. Kebutuhan Fungsional

Kebutuhan fungsional pada aplikasi prediksi jumlah penduduk ini

adalah sebagai berikut :

1. Pengujian Data

Fungsi ini berguna untuk mengetahui tingkat keakuratan nilai prediksi

dengan nilai aktualnya.

2. Pelatihan Data

Fungsi ini berguna untuk melatih jaringan hingga diperoleh bobot yang

sesuai.

3. Prediksi

Fungsi ini berguna jika user memprediksi jumlah penduduk tahunan

tertentu secara khusus.

3.1.2. Analisis Kebutuhan Data

Dalam pelatihan Jaringan Syaraf Tiruan, banyak data yang dibutuhkan

supaya jaringan dapat dilatih dengan benar. Data yang digunakan dibagi menjadi

dua, yaitu data yang akan dijadikan bahan pelatihan serta data yang akan diujikan.

Semakin banyaknya data yang digunakan dalam pelatihan, jaringan akan mudah

mengenali polanya dan diharapkan hasil prediksinya mendekati sempurna

3.1.2.1. Analisis Kebutuhan Perangkat Lunak

Perangkat lunak (Software) yang digunakan dalam

pelatihan Jaringan Syaraf Tiruan ini adalah :

1. MATLAB 7.10 beserta toolbox Neural Network untuk pembuatan jaringan

dan GUIDE MATLAB untuk pembuatan user interface, juga M-File editor untuk

penulisan program.

2. Microsoft Excel 2010 untuk penyimpanan data masukan bagi jaringan

3.2. Perancangan Jaringan Backpropagation

Proses pembuatan jaringan dijelaskan dalam langkah-langkah aplikasi,

yaitu langkah pertama adalah mengumpulkan data untuk pelatihan dan

pengujian jaringan syaraf tiruan. Semakin banyak data dapat diperoleh,

semakin baik jaringan jaringan dapat menyelesaikan masalahnya. Data yang

telah diperoleh ini dipisahkan pada langkah ke 2 menjadi 2 bagian. Bagian

pertama digunakan untuk melatih jaringan syaraf dan bagian kedua

dipergunakan untuk menguji kerja jaringan syaraf tiruan.

Pada langkah ke 3 dan ke 4 dilakukan pemilihan arsitektur dan algoritma

pelatihan jaringan. Banyaknya sel input dan output disesuaikan dengan

masalah yang akan diselesaikan.

Langkah ke 5 adalah langkah untuk menginisialisasi parameter jaringan

syaraf bobot, bias, konstanta belajar, momentum dan lain-lain. Langkah ke 6

dan ke 7 dilakukan untuk melatih jaringan syaraf tiruan untuk menemukan

titik konvergensinya. Konvergensi jaringan syaraf tiruan di tandai dengan

telah tercapainya galat yang diinginkan. Setelah jaringan syaraf konvergen

diujikan pada langkah ke 8. Selanjutnya langkah ke 9 jaringan syaraf tiruan di

implementasikan sebagai sebuah sistem yang siap untuk menyelesaikan

masalah. (Arief Hermawan, 2006, hlm.142).

3.2.1. Pengumpulan Data dan Penentuan Pola

Data jumlah penduduk tahunan didapat dari Badan Pusat Statistik

(BPS) Yogyakarta yaitu data dari Tahun 1989 sampai Tahun 2012. Total

data adalah 24 data yang akan dibagi 2 yaitu 16 data untuk pelatihan

jaringan, dan 8 data untuk pengujian jaringan.

Data jumlah penduduk tersebut dibagi menjadi 2 yaitu data tahun

1989 sampai 2004 digunakan sebagai data pelatihan jaringan, dan data

tahun 2005 sampai tahun 2012 digunakan sebagai data pengujian jaringan.

3.2.1.1. Algoritma Pelatihan

Algoritma pelatihan jaringan backpropagation yang

memiliki tiga lapisan dengan fungsi aktivasi sigmoid biner serta

penambahan momentum adalah sebagai berikut:

1. Inisialisasi bobot dan bias secara acak dengan bilangan acak

kecil.

2. Tetapkan jumlah epoch maksimum, batas galat, laju

pembelajaran dan momentum.

3. Selama kondisi penghentian belum terpenuhi (epoch < epoch

maksimum dan MSE > batas galat), maka lakukan langkah-

langkah berikut :

1. Epoch = Epoch + 1

2. Untuk setiap pasang data pelatihan, kerjakan Fase Feed

Forward, Fase Backpropagation dan Fase Perubahan

Bobot

Contoh Perhitungan

Misalnya dalam kasus ini akan dibuat sebuah jaringan syaraf tiruan

backpropagation dengan masukan data jumlah penduduk tahun 1989 – tahun

2004, dan data tahun 2005 – tahun 2012 sebagai target keluaran. Karena fungsi

aktifasi dengan menggunakan sigmoid biner (range 0 sampai dengan 1), maka

data harus ditransformasikan [0,1]. Tapi akan lebih baik di transformasikan pada

range [0,1 - 0,9] karena fungsi sigmoid nilainya tidak pernah 0 ataupun 1.

Untuk mentransformasikan data digunakan rumus sebagai berikut :

x = Data awala = Nilai minimal data awalb = Nilai maksimal data awal

Perhitungan dilakukan hingga data tahun 2012. Sehingga didapatkan

keseluruhan data yang telah ditransformasi sebagai berikut :

Table 3.5. Tabel data yang telah di transformasi

Tahun Jumlah Tahun Jumlah Tahun Jumlah1989 0.1652 1997 0.43 2005 0.7041990 0.1936 1998 0.4532 2006 0.71581991 0.2167 1999 0.4915 2007 0.75461992 0.2321 2000 0.5348 2008 0.77131993 0.175 2001 0.5741 2009 0.79271994 0.1 2002 0.6116 2010 0.81861995 0.3497 2003 0.6402 2011 0.86321996 0.3497 2004 0.6808 2012 0.9

Setelah data ditransformasikan seperti diatas, selanjutnya adalah

menentukan pola yang akan digunakan pada jaringan syaraf tiruan yang akan

dibuat. Dengan memecah data menjadi dua bagian yaitu 16 data pelatihan dan 8

b - a+ 0.1X’ = 0.8 (x – a)

data pengujian. Pada kasus ini pola data pelatihan adalah 8 data sebagai data

masukan dan 8 data sebagai data target, artinya data jumlah penduduk tahun 1989

– tahun 1996 sebagai masukan dan data jumlah penduduk tahun 1997 – tahun

2004 sebagai target dan data pelatihan ditransformasi pada range 0 – 1 :

Setelah itu kemudian dilakukan inisialisasi bobot secara acak dengan

angka yang berada di antara angka -1 hingga 1.

Fase Feed Forward

a. Tiap unit masukan xi (i = 1, 2, 3,...,n) menerima sinyal dan

meneruskannya ke semua unit lapisan tersembunyi di atasnya.

b. Setiap unit di lapisan tersembunyi zj (j = 1, 2, 3, ..., p) menjumlahkan

sinyal-sinyal input dengan bobotnya masing-masing:

z_netj = ji

n

iij vxv

1

0

vjo = bobot garis yang menghubungkan bias di unit masukan ke unit

di lapisan tersembunyi zj

vji = bobot garis dari unit masukan xi ke unit di lapisan tersembunyi

zj

Sinyal output dihitung dengan fungsi aktivasi:

zj = f(z_netj) =jnetz

e_

11

c. Unit di lapisan keluaran yk (k = 1, 2, 3, ..., m) menjumlahkan sinyal-

sinyal dari unit tersembunyi dengan bobotnya masing-masing:

y_netk = kj

p

jjk wzw

1

0

wko = bobot garis yang menghubungkan bias di unit lapisan

tersembunyi ke unit lapisan keluaran yk

wkj = bobot garis dari unit lapisan tersembunyi zj ke unit di lapisan

keluaran yk

Sinyal output dihitung dengan fungsi aktivasi:

yk = f(y_netk) =knetye _1

1

Fase Backpropagation

d. Unit di lapisan keluaran yk (k = 1, 2, 3, ..., m) menerima target lalu

dibandingkan dengan masukan yang diterimanya. Factor galat dihitung

dengan menggunakan persamaan :

δ k = (t k – y k) f’(y_netk) = (t k – y k) y k (1 - y k)

dimana δk merupakan kesalahan yang akan dipakai dalam perubahan

bobot lapisan di bawahnya.

Perubahan bobot Δwkj dihitung untuk merubah bobot wkj dengan laju

pembelajaran α

Δwkj = α.δk.zj

e. Hitung factor δ unit tersembunyi berdasarkan kesalahan disetiap unit

tersembunyi zj :

δ_netj =

m

kkjk w

1

Nilai ini dikalikan dengan turunan fungsi aktivasinya untuk

mendapatkan informasi galat:

δ j = δ _netj f’(z_netj) = δ _netj zj (1 - zj)

Kemudian dihitung perubahan bobot Δvji

Δvji = α δj x

Fase Perubahan Bobot

f. Prubahan bobot garis yang menuju ke unit keluaran ditambah factor

momentum (µ) :

wkj (t+1) = wkj (t) + Δwkj + μ (wkj (t) - wkj (t-1))

bk (t+1) = bk (t) + Δbk + μ (bk (t) - bk (t-1))

perubahan bobot garis menuju ke unit tersembunyi :

vji (t+1) = vji (t) + Δvji + μ (vji (t) - vji (t-1))

bj (t+1) = bj (t) + Δbj + μ (bj (t) – bj (t-1))

3.2.2. Alur Kerja Program

Gambar 3.3. Flowchart alur kerja program

Memproses data

Tampilkan hasil proses data

Selesai

Mulai

Masukan data dalam format .xls

Mencari data

Data ada/tidak

Ya

Tidak

4. HASIL DAN PEMBAHASAN

4.1.1. Membangun Jaringan dengan MATLAB

Langkah pertama yang harus dilakukan untuk memprogram

backpropagation dengan MATLAB adalah membuat inisialisasi jaringan.

Perintah untuk membentuk jaringan adalah newff. Yang formatnya

adalah sebagai berikut:

net = newff(PR,[S1 S2 ... SN],{TF1 TF2 …TFN},BTF,BLF,PF)

dengan keterangan :

net = Jaringan backpropagation yang terdiri dari n layer

PR = Matriks ordo R x 2 yang berisi nilai minimum dan

maksimum R buah elemen masukannya.

Si = Fungsi aktivasi yang dipakai pada layar ke-i (i=1,2,...,n).

Default = tansig (sigmoid bipolar)

BTF = Fungsi pelatihan jaringan. Defaultnya = traingdx

BLF = Fungsi perubahan bobot/bias. Default=learngdm

PF = Fungsi perhitungan error (Mean Square Error MSE)

Sebelum pelatihan dilakukan, terlebih dahulu ditentukan nilai

parameter yang diinginkan guna memperoleh hasil yang optimal. Untuk

memberikan nilai parameter dalam MATLAB adalah sebagai berikut :

1. Net.trainParam.ShowPerintah yang digunakan untuk menampilkan frekuensi perubahan

MSE (default setiap 25 epochs)

2. Net.trainParam.epochsPerintah yang dipakai untuk menentukan jumlah epochs

maksimum pelatihan (default 100 epochs)

3. Net.trainParam.goalPerintah untuk menentukan batas MSE agar iterasi dihentikan.

Iterasi akan berhenti jika MSE < dari batas yang ditentukan atau jumlah

epoch telah mencapai maksimum sesuai nilai yang diberikan pada perintah

net.trainParam.epochs4. Net.trainParam.lr

Perintah yang digunakan untuk menentukan laju pembelajaran

(learning rate). Default-nya adalah 0,01. Semakin besar nilai laju

pembelajaran, semakin cepat pula proses pelatihan. Akan tetapi jika

nilainya terlalu besar, algoritma menjadi tidak stabil dan mencapai titik

minimum lokal.

5. Net.trainParam.timePerintah untuk membatasi lama pelatihan (dalam detik). Pelatihan

dihentikan jika lamanya melebihi nilai yang ditentukan.

6. Net.trainParam.mcPerintah ini digunakan untuk menentukan nilai momentum antara 0

– 1 (default adalah 0,9).

4.1.2. Pembahasan Output Program

Setelah dilakukan pelatihan dengan berbagai macam kombinasi Pelatihan

(pembelajaran), nilai Error (The Last RMSE) tidak tergantung pada besarnya nilai

Learning Rate, tetapi jumlah iterasi (epoch) semakin kecil. Dan ternyata hasil

yang paling baik adalah dengan menggunakan kombinasi pembelajaran(learning

rate) 0.1, momentum 0.25, hiden layer 25 dengan target error 0.0001, karena

dengan kombinasi pembelajaran tersebut hasil target yang akan diinginkan dapat

tercapai.

Dari hasil pengujian sistem aplikasi model jaringan saraf tiruan yang telah

dibuat dengan konstanta belajar 0.1, keberhasilan dalam memprediksi hasil jumlah

penduduk sebesar 97,5 %. Tabel 4.1. menunjukkan hasil pengujian dengan

beberapa learning rate, momentum, hiden layer, serta target error.

Table 4.1. Presentase kebenaran & epoch yang dicapai

Momentum LearningRate

HidenLayer

Epoce(iterasi) The LastRMSE

HasilPorsentase

m=0.25 0.1 25 168 0.0000992 97,5 %.

0.5 131 0.0000996 95 %

0.9 129 0.0000955 90 %

m=0.5 0.1 50 109 0.0000995 95 %

0.5 90 0.0000959 90 %

0.9 38 0.0000988 92,5 %

m=0.75 0.1 75 86 0.0000941 85 %

0.5 52 0.0000904 80 %

0.9 82 0.0000987 92,5 %

Pada pelatihan yang baik adalah performance mengalami

penurunan nilai mendekati goal yang ditentukan, namun pada pelatihan

tersebut performance menunjukan penurunan dan juga kenaikan yang

menjauhi nilai goal.

1. Menu utama akan tampil sebagai berikut :

Gambar 4.2. Tampilan halaman utama program

2. Tampilan menu ‘Program_Latih dan Uji’ yang merupakan sub-menu

dari menu program untuk melakukan pelatihan dan pengujian jaringan

sebagai berikut :

3. Tampilan menu ‘Prediksi Jumlah Penduduk sebagai berikut :

5. Kesimpulan

1. Dari hasil penelitian, dapat disimpulkan bahwa metode

Backpropagation dapat digunakan untuk melakukan pendeteksian

jumlah penduduk, mendekati ketepatan dalam melakukan pengujian.

2. Semakin kecil batas galat yang ditentukan, maka akan mengalami

waktu pelatihan yang semakin lama serta epoch yang dicapai semakin

besar.

3. Hasil pengujian data yang telah dilatih menunjukkan performa yang

cukup baik. Selisih antara target yang sebenarnya dengan hasil output

program tidak menunjukkan perbedaan yang begitu besar.

4. Semakin banyak data yang digunakan untuk pelatihan, jaringan akan

semakin mampu mengenali pola, sehingga penentuan nilai galat dapat

diperkecil.

5. Fasilitas MATLAB yang menyediakan fitur-fitur untuk perhitungan

neural network sangat membantu dalam pembuatan aplikasi Jaringan

Syaraf Tiruan. Meskipun fasilitas GUIDE MATLAB 7.10.0 masih

terbatas jika dibandingkan dengan perangkat lunak lainnya.

5. DAFTAR PUSTAKA

Amutiara. 2013. Backpropagtion dan contoh. http : //amutiara.staff.gunadarma.ac.id/Downloads/files/15556/Kuliah_7b_BACKPROPAGATIONS. diakses pada tanggal 5 April 2013.

Anonim. 2013. Accelerating the pace of engineering and science. http ://www.mathworks.com. diakses pada tanggal 31 Maret 2013.

Anonim. 2013. Pengertian Penduduk. http : //repository.usu.ac.id/bitstream/123456789/19103/3/Chapter. diakses padatanggal 4 April 2013.

Anonim. 2013. Programming and Algorithm Development, http ://www.mathworks.com/products/matlab/description4.html. diaksespada tanggal 4 April 2013.

Anonim. 2013. rumus pertumbuhan geometric. http : //www.datastatistik-indonesia.com. diakses pada tanggal 7 April 2013.

Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan AplikasiYogyakarta: Penerbit Andi.

Kristanto, Andi. 2004. Jaringan Syaraf Tiruan. Yogyakarta: PenerbitGava Media.

Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan.Yogyakarta : Penerbit Andi.

Tjiptoherijanto, Prijono. 2013. Dimensi Kependudukan DalamPembangunan Berkelanjutan. http : //www.bappenas.go.id/get-file-server/node/8562/. diakses pada tanggal 7April 2013.