Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah

JIKOMSI [Jurnal Ilmu Komputer dan Sistem Informasi] E-ISSN : 2723-6129

Vol.3 No.3, September-Maret 2021, pp 293-302

Ryan Kusnadi1, Miftahul Jannah2 [Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah

Bagasi Lion Air dan Batik Air di Bandar Udara Kualanamu Dengan Metode Backpropagation] 293

Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah

Bagasi Lion Air dan Batik Air di Bandar Udara Kualanamu

Dengan Metode Backpropagation

Ryan Kusnadi1, Miftahul Jannah2

1,2STMIK Pelita Nusantara, Jl. Iskandar Muda No.1, Medan 20154, Indonesia [email protected]; 2 [email protected]

INFORMASI ARTIKEL AB ST R AK

KataKunci:

Jaringan Syaraf Tiruan, Backpropagation,

prediksi jumlah bagasi

Tujuan Penelitian ini adalah untuk menerapkan jaringan syaraf tiruan guna memprediksi jumlah bagasi penumpang Lion Air dan Batik Air dengan menggunakan metode backpropagation dan merancang aplikasi untuk memprediksi jumlah bagasi penumpang Lion Air dan Batik Air berbasis web. Bahasa pemrograman yang digunakan untuk merancang aplikasi tersebut adalah PHP dan database yang digunakan adalah MySQL. Metode yang digunakan untuk memprediksi jumlah bagasi penumpang Lion Air dan Batik Air adalah metode backpropagation. Data yang digunakan adalah data jumlah bagasi Lion Air dan Batik Air dari bulan Juni-September tahun 2020. Karakteristik dari jaringan syaraf tiruan yang digunakan yaitu 4 lapisan masukan, 4 lapisan tersembunyi, dan 1 lapisan keluaran (jumlah bagasi bulan berikutnya), menggunakan fungsi aktivasi sigmoid biner yang mempunyai nilai range 0 – 1, dan maksimum epoch sebesar 50. Dari hasil percobaan yang telah dilakukan diperoleh error sebesar 0.05 dan dapat dikatakan bahwa sistem dapat memprediksi jumlah bagasi penumpang Lion Air dan Batik Air

Keywords:

Artificial Neural Network,

Backpropagation, prediction of the

number of luggage

ABSTRACT

The purpose of this study is to apply an artificial neural network to predict the

amount of luggage for Lion Air and Batik Air passengers using the

backpropagation method and to design an application to predict the amount of

luggage for Lion Air and Batik Air passengers on a web-based basis. The

programming language used to design the application is PHP and the

database used is MySQL. The method used to predict the amount of luggage

for Lion Air and Batik Air passengers is the backpropagation method. The

data used are Lion Air and Batik Air baggage data from June-September

2020. The characteristics of the artificial neural network used are 4 input

layers, 4 hidden layers, and 1 output layer (number of luggage for the

following month), using the activation function. binary sigmoid which has a

value range of 0-1, and a maximum epoch of 50. From the results of the

experiments that have been carried out, it is obtained an error of 0.05 and it

can be said that the system can predict the amount of luggage for Lion Air and

Batik Air passengers.

.

mailto:[email protected]

mailto:[email protected]





I. Pendahuluan

Bandar udara berhubungan dengan pertumbuhan ekonomi karena setiap waktu terjadi pergerakan lalu

lintas pesawat yang datang dan pergi baik dari dalam maupun luar negeri, berbagai kegiatan yang meliputi

data pesawat, data penumpang, data barang angkutan berupa cargo, pos dan bagasi penumpang yang berarti

terjadi aktivitas ekonomi, fungsi dan peranan transportasi sangat penting dan strategis dalam kehidupan

manusia yaitu sebagai pendorong, penggerak dan penunjang kegiatan pembangunan dalam segala sektor.

Salah satunya adalah sarana transportasi udara yang merupakan jenis transportasi yang sangat praktis

untuk bepergian dengan jarak tempuh yang jauh karena tidak memerlukan waktu tempuh yang banyak atau

relative singkat, perkembangan dunia penerbangan sangatlah besar perannya dalam melayani jasa

transportasi udara. Lion Air dan Batik Air adalah maskapai swasta di Indonesia yang bertujuan untuk

memenuhi permintaan arus transportasi udara yang semakin luas jangkauannya dan padat arus lalu lintasnya,

jasa transportasi udara membuat perjalanan sangat cepat dan efisien, namun terdapat beberapa masalah yang

ditemui dalam sistem pengangkutan udara yaitu berkurangnya jumlah bagasi penumpang tiap bulannya

dikarenakan masih dalam kondisi pandemi covid 19 ini dan pelayanan bagasi yang belum maksimal

sehingga perusahaan akan mengalami penurunan target yang sudah di tentukan.

Jaringan Syaraf Tiruan semakin diminati di era industri 4.0 untuk melakukan penelitian pada perusahaan-

perusahaan besar. Jaringan Syaraf Tiruan mampu melakukan pengenalan kegiatan berbasis masa lalu. Data

masa lalu akan dipelajari Jaringan Syaraf Tiruan sehingga mempunyai kemampuan untuk memberikan

keputusan terhadap data yang belum pernah dipelajari atau biasa disebut prediksi. Prediksi jumlah bagasi

Lion Air dan Batik Air dapat membantu perusahaan dalam mendapatkan informasi jumlah bagasi pada waktu

yang akan datang.

Penelitian ini berfokus kepada prediksi jumlah bagasi Lion Air dan Batik Air dengan metode

backpropagation menggunakan Jaringan Syaraf Tiruan. Menurut Bil Klinton Sihotang 2018 Jaringan Syaraf

Tiruan menggunakan metode bacpropagation untuk prediksi jumlah tamu pada hotel nonbintang dengan hasil

pengujian dengan pola arsitektur 12-19-1 dengan tingkat error 0,001 – 0,05 dan dengan persentase 88,2% [1]

II. Landasan Teori

A. Kecerdasan Buatan

Kecerdasan Buatan “Artificial Intelligence” pertama kali dikemukakan pada tahun 1956 di konferensi Darthmouth. Selama bertahun-tahun para filsuf berusaha mempelajari kecerdasan buatan yang dimiliki manusia. Dari pemikiran tersebut lahirlah AI sebagai cabang ilmu yang berusaha mempelajari dan meniru kecerdasan manusia. Sejak saat itu para peneliti mulai memikirkan perkembangan AI sehingga teori-teori dan prinsipprinsipnya berkembang terus hingga sekarang. Jaringan Syaraf Tiruan merupakan sistem yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut. Oleh karena sifatnya yang adaptif , JST juga sering disebut jaringan adaptif. Secara sederhana, JST adalah sebuah alat pemodelan data statistic non-liner.Jaringan Syaraf mensimulasi struktur proses-proses otak (fungsi syaraf biologis) dan kemudian membawanya kepada perangkat lunak kelas baru yang dapat mengenali pola-pola yang kompleks serta belajar dari pengalaman masa lalu .[2][3]

B. Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) adalah paradigma pemrosesan informasi yang terinspirasi oleh sistem saraf

secara biologis, sama seperti otak yang memproses suatu informasi. JST bisa dibayangkan seperti otak buatan

didalam cerita-cerita fiksi ilmiah. JST adalah merupakan salah satu representasi buatan dari otak manusia

yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan

dalam hal ini digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program

komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Pembagian

arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja

jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan. Lapisan-

lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga yaitu Lapisan input, Hiden dan

Output.[4][5][6][7]





C. Backpropogation

Salah satu Algoritma dari jaringan saraf tiruan adalah Backpropogation, metode ini dipakai untuk menyelesaikan masalah yang rumit dan kompleks, karena Algoritma ini menggunakan pelatihan pada metode pembelajarannya. Algoritma Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat error keluaran. Untuk melakukan training terhadap suatu jaringan terdiri dari tiga tahap, yaitu:

1. Tahap perambatan maju (forward propagation). 2. Tahap perambatan –balik (backpropagation). 3. Tahap perambatan bobot dan bias. Backpropagation memiliki proses pembelajaran maju dan perbaikan kesalah secara mundur. [8][9].

Tahap pelatihan dengan menggunakan metode backpropagation terdiri dari tiga fase, yaitu fase propagasi maju, fase propagasi mundur, dan fase perubahan bobot. Ketiga fase terus diulangi hingga kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan atau target error [6]

Adapun Langkah-Langkah dalam Algoritma Backpropogation adalah :

Langkah 1: Definisikan pola masukan dan targetnya,

Langkah 2: Inisialisasi bobot awal

Langkah 3: Tentukan maksimum interasi, target error, dan learning rate yang diinginkan,

Langkah 4: Kerjakan langkah-langkah berikut selama (Epoch < Maksimum Epoch) dan (error target error).

Tahap 1 : Fase Propogasi Maju

Langkah 5: Jumlahkan semua sinyal yang masuk ke lapisan unit ( xi , i =1,2,3....n; xj, j = 1,2,3....m)[7]

Hitung keluaran semua lapisan unit j pada lapisan tersembunyi berdasarkan fungsi aktivasi

Langkah 6: Jumlahkan semua sinyal yang masuk ke keluaran unit, k (yk, k =1,2,3.....i)

Tahap 2 : Fase Propogasi Mundur

Langkah 7: Hitung faktor kesalahan pada keluaran layer (lapisan)(yk, k =1,2,3....i)

Hitung koreksi bobot dan bias

Langkah 8: Hitung penjumlahan kesalahannya ( zj, j=1,2,3....m)

Tahap 3 : Fase perubahan Bobot

Langkah 9: Tiap-tiap unit output memperbaiki bias dan bobotnya

Tiap-tiap unit pada suatu lapisan tersembunyi memperbaiki bias dan bobotnya

Langkah 10 : Uji kondisi berakhir (akhir iterasi).[7][8][9]

D. Prediksi

Menurut Herjanto Prediksi adalah proses peramalan kejadian dimasa datang dengan berdasarkan data variabel di masa sebelumnya.”dimasa datang dengan lebih mendasarkan pada pertimbangan intuisi, dalam prediksi juga sering digunakan data kuantitatif sebagai pelengkap informasi dalam melakukan peramalan”. Sedangkan “prakiraan didefinisikan sebagai proses peramalanPrediksi adalah salah satu teknik yang penting





dalam mengetahui kecepatan angin yang dihasilkan. Keputusan memprediksi sangatlah penting, karena dengan prediksi dapat menghitung jumlah bagasi pesawat yang akan di hitung.[10]

III. Metode

A. Kerangka Kerja Penelitian

Dalam melaksnakan penelitian, penulis membutuhkan kerangka kerja penelitan yang dapat membantu

penulis untuk mendapatkan hasil akhir yang sesuai dan akurat. kerangka kerja penelitan mengambarkan

hubungan antara visualisi satu variabel dengan variabel lainnya, berikut kerangka penelitian:

Gambar 1. Kerangka Kerja Penelitian

B. Analisa Data

1. Analisa Kebutuhan Sistem

Spesifikasi kebutuhan melibatkan analisis perangkat keras atau hardware, analisis perangkat lunak atau

software, analisis pengguna atau user.

a.Perangkat Keras : meliputi Processor intel core i3, Memori RAM 4 GB. Dn Hardisk 500 GB

b.Perangkat Lunak : meliputi System operasi Microsoft Windows 7 64bit, dan Xampp Versi 3.2.4

2. Pengumpulan data

Analisa pengumpulan data yang digunakan dalam penulisan laporan skripsi ini adalah sebagai berikut :

a. Observasi merupakan teknik pengumpulan data dimana penulis dapat melihat langsung bagaimana sistem

berjalan dan mampu menghasilkan gambaran yang lebih baik jika dibandingkan dengan teknik lainnya.

b. Studi Literatur merupakan bahan-bahan yang diterbitkan secara rutin atau berkala. Pengumpulan data

dilakukan dengan cara mengumpulkan literatur- literatur yang terkait dengan judul penelitian.

3. Data Yang Digunakan

Data yang digunakan dalam penelitian ini adalah data jumlah bagasi penumpang lion air dan batik air rute

Kualanamu-Soekarno Hatta dari bulan Juni hingga bulan September tahun 2020 di Bandar udara Kualanamu

Tabel 1. Jumlah Bagasi Kualanamu-

Soekarno Hatta





Tabel 1 akan digunakan sebagai data pelatihan dan juga data pengujian. Sebelum digunakan sebagai data

pelatihan dan juga data pengujian data kita ubah dalam bentuk data indeks. Berikut ini adalah tabel dari data

Indeks jumlah bagasi penumpang Lion Air dan Batik Air rute Kualanamu-Soekarno Hatta.

Tabel 2. Data Input yang digunakan

Dari data input diatas, dijelaskan bahwa data Indeks jumlah bagasi Lion Air dan Batik Air rute Kualanamu-

Soekarno Hatta dari bulan Juni-Juli digunakan sebagai data pelatihan (training), sedangkan data Indeks

jumlah bagasi Lion Air dan Batik Air rute Kualanamu Jakarta dari bulan Agustus-September digunakan

sebagai data pengujian (testing). Data yang disajikan adalah data bulan Juni sampai dengan bulan September.

C. Perancangan Sistem

Perancangan sistem berisi perancangan sistem yang diusulkan, perancangan basis data, perancangan

masukan, perancangan keluaran dan perancangan antarmuka, berikut adalah gambaran dari usecase diagram:

Gambar 2. Use Case Diagram Sistem

Pada gambar 2.bisa dilihat ada 2 user yaitu admin dan pimpinan, pimpinan disini adalah pihak

management Lion Air. Adapun Diagram Activity dari sistem bagasi adalah sebagai berikut :





Gambar 3. Diagram Activity Bagasi

IV. Hasil dan Pembahasan

A. Pengolahan Data

Pengolahan data yang akan dilakukan adalah mengubah data Indeks Jumlah bagasi Lion Air dan Batik yaitu

dengan membuat suatu pola arsitektur terbaik menggunakan Jaringan Syaraf Tiruan dengan backpropogation.

Berikut ini akan dijabarkan normalisasi data dalam proses prediksi berdasarkan pada pembahasan

sebelumnya. Sebelum diproses data dinormalisasi terlebih dahulu, normalisasi terhadap data dilakukan agar

keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Penelitian ini menggunakan fungsi aktivasi

sigmoid biner maka data yang akan diteliti terlebih dahulu dinormalisasi dalam interval [0, 1] karena data

yang digunakan bernilai positif. Selain itu juga terkait fungsi aktivasi yang diberikan yaitu sigmoid biner.

Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun 1), maka transformasi data

dilakukan pada interval yang lebih kecil yaitu [0.1; 0.8].

Keterangan :

𝑋′ = Data yang telah ditransformasi

𝑥 = Data yang akan dinormalisasi

𝑎 = Data minimum atau data terendah

𝑏 = Data Maksimum atau data tertinggi

Tabel 3. Data Index pelatihan Bulan

Juni-Juli 2020

Keterangan :





a. Data Pelatihan Bulan Juni-Juli dilakukan dengan menggunakan rotasi putar, setiap data memiliki hak

yang sama untuk mencapai target.

b. Nilai data pada pola 1 diambil dari indeks jumlah bagasi bulan Juni, Sedangkan nilai target diambil

dari indeks jumlah bagasi bulan Juli.

c.Nilai data pada pola 2 diambil dari indeks jumlah bagasi bulan Juli. Nilai target pada pola 2 ini diambil

dari indeks jumlah bagasi bulan Agustus.

d. Begitu seterusnya sampai pola ke 4 hingga seluruh nilai selesai di putar.

e. Nilai maksimum atau nilai tertinggi (b) dari data adalah 1,15 Sedangkan nilai minimum atau nilai

terendah (a) adalah 0,89

f. Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut

g. Maka akan didapatkan hasil Normalisasi pola 1 untuk bulan Juni adalah - 0,71.

h. Begitu seterusnya untuk semua data dinormalisasi dengan menggunakan fungsi yang sama.

Tabel 4. Hasil Data Normalisasi

pelatihan juni-juli tahun 2020

Nilai data pada tabel 4 adalah hasil normalisasi berdasarkan pada tabel 4.3 dengan menggunakan fungsi

sigmoid biner

Tabel 5. Data indeks Pengujian

Agustus-September tahun 2020

Keterangan :

a. Data Pengujian bulan Agustus-September dilakukan dengan menggunakan rotasi putar, setiap data

memiliki hak yang sama untuk mencapai target.

b. Nilai data pada pola 1 diambil dari indeks jumlah bagasi bulan Agustus, sedangkan nilai target

diambil dari indeks jumlah bagasi bulan September.

c. Nilai data pada pola 2 diambil dari indeks jumlah bagasi bulan September.





d. Begitu seterusnya hingga seluruh nilai selesai di putar

e. Nilai maksimum atau nilai tertinggi (b) dari data adalah 1,16, sedangkan nilai minimum atau nilai

terendah (a) adalah 0,78.

f. Dengan menggunakan fungsi sigmoid biner maka akan di dapat data normalisasi sebagai berikut:

g. Maka akan didapatkan hasil normalisasi pola 1 untuk bulan Januari adalah -0,52, begitu seterusnya

untuk semua data di normalisasi dengan menggunakan fungsi yang sama

Tabel 6. Hasil Data normalisasi

pengujian Agustus-September

2020

C. Implementasi Sistem

Berikut adalah desain dan tampilan dari sistem prediksi panen padi yang telah dibangun, Implementasi merupakan langkah penerapan sistem yang telah dirancang. Implementasi program Memprediksi Jumlah Bagasi Dengan Menggunakan Algoritma Backpropagation berbasis web dilakukan menggunakan bahasa pemrograman PHP dengan basis data yang digunakan adalah MySQL.

Berikut penjelasan implementasi program yang dirancang tersebut:

1. Tampilan awal Program

Gambar 4. Halaman Utama Program

Gambar 4 merupakan tampilan awal program dijalankan berisi menu home, prediksi, dan login. Menu home

digunakan untuk menampilkan halam awal, menu prediksi untuk menampilkan hasil prediksi, dan login

untuk mengakses aplikasi melalui username dan password yang terdaftar di aplikasi:

2. Tampilan Halaman Dashboard





Gambar 5. Menu Proses

Halaman dashboard merupakan halaman yang digunakan untuk mengisi data yang berkaitan dengan aplikasi

yang dirancang. Untuk mengisi data maka klik menu data master, untuk melakukan prediksi maka klik menu

prediksi, logout jika ingin keluar dari aplikasi.

3. Tampilan Halaman Bagasi

Gambar 6. Tampilan Halaman Bagasi

Tampilan ini digunakan untuk mengisi data jumlah bagasi berdasarkan bulan yang disesuaikan dengan

maskapai. Setelah nilai diisi maka pilih tahun untuk tahun jumlah bagasi.

3. Tampilan Halaman Prediksi

Gambar 7. Tampilan Halaman Bagasi





Halaman ini menampilkan prediksi jumlah bagasi, sebelum melakukan prediksi maka dapat dipilih prediksi

maskapai untuk semua maskapai atau menampilkan prediksi jumlah bagasi berdasarkan Lion Air atau Batik

Air, setelah dilakukan pengaturan maka klik tombol Lihat Prediksi.

V. Kesimpulan

Adapun Kesimpulan dari penelitian ini adalah

1. Sistem ini memiliki kategori prediksi jumlah bagasi yaitu berdasarkan maskapai atau semua semua

maskapai baik Lion Air atau Batik Air

2. Memiliki tingkat akurasi prediksi sebesar 85% dan tingkat Error sebesar 5%.

3. Memberikan kemudahan kepada pengguna dalam proses prediksi jumlah bagasi pada bulan berikutnya.

Daftar Pustaka

[1] Bil Klinton Sihotang., “Analisis Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Tamu Pada

Hotel Non Bintang”. Jurnal Techno.COM, Vol. 17, No. 4, November 2018 : 333-346

[2] T. Sutojo. 2011. Kecerdasan Buatan, Yogyakarta: ANDI .

[3] Yanto, M, dkk (2018)," Jaringan Syaraf Tiruan Perceptron Untuk Penentuan Pola Sistem Irigasi

Lahan Pertanian Di Kabupaten Pesisir Selatan Sumatra Barat", SEBATIK. 1410-3737

[4] Sutojo, T, dkk. 2011. Kecerdasan Buatan. Yogyakarta: Penerbit Andi.

[5] Suyanto. 2014. Artificial Inteligence Searching, Reasoning, Planning dan Learning. Bandung:

Informatika.

[6] Trimulya, A, Syaifurrahman, Fatma A S, " Implementasi Jaringan Syaraf Tiruan Metode

Backpropagation Untuk Memprediksi Harga Saham., Jurnal Coding, Sistem Komputer Untan, Vol 3

No 2. 2015.

[7] Diyah Puspitaningrum, 2009. Pengantar Jaringan Saraf Tiruan, Yogyakarta: Andi.

[8] Fadhel, A.H, (2018, “Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem

Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa” BERKALA SAINSTEK VI (2): 97-105 ISSN :

2339-0069

[9] Adi, K.N, Albertus, J.S, Thomas, S. " Algoritma Backpropagation Pada Jaringan Saraf Tiruan Untuk

Pengenalan Pola Wayang Kulit, SemnasIF, 2013

[10] Hadapiningradja,R. K, Ahmad, K.Z. (2015)," Prediksi Kecepatan Angin Menggunakan Model

Neurak Network Untuk Mengetahui Besar Daya Listrik Yang diHasilkan". Jurnal DISPROTEK. Vol

6 . No 1

[11] Fetty, T.A, Intan, Y P.“Jaringan Saraf Tiruan Dan Modifikasinya Menggunakan Supervised

Learning”. Indomedia Pustaka, 2019.

[12] Andrian, Y, Erlinda. “Prediksi Curah Hujan Di Kota Medan Menggunakan Metode

Backpropagation”. Indomedia Pustaka Seminar Nasional, 2014.

Documents

Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah