1

SISTEM INFORMASI PREDIKSI HARGA KEBUTUHAN BAHAN POKOK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR

Abd. Charis Fauzan1 Sofi Dwi Purwanto2 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 : fauzancharis@gmail.com1, dwihayyana@gmail.com2, you.dikz99@gmail.com3, fadzilayudi@gmail.com4

ABSTRAK

Kesulitan untuk mngakses 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 yang meliputi 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. Sumber data yang digunakan berasal dari open data mengenai harga kebutuhan bahan pokok nasional yang diperoleh dari Kementerian Perdagangan (kemendag.go.id), 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. 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.

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 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

Sistem Informasi

Sistem Informasi adalah Suatu sistem terintegrasi yang mampu menyediakan informasi yang bermanfaat bagi penggunanya. Atau; Sebuah sistem terintegrasi atau sistem manusia-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 perusahyang melayani sinergi organisasi dalam proses mengendalikan pengambilan keputusan

Bahan Pokok (Pangan)

Pangan adalah segala sesuatu yang berasal dari sumber daya hayati dan air, baik yang diolah maupun tidak diolah yang diperuntukkan sebagai makanaatau minuman bagi konsumsi manusia. Termasuk di dalam pengertian pangan adalah bahan tambahan pangan, bahan baku pangan, dan bahanyangdigunakan 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).

Algoritma K-Nearest Neighbour

Algoritma k-nearest neighbourKNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. K-Nearest Neighbourkonsep ‘learning by analogy’. Data learning dideskripsikan dengan atribut numerik nTiap data learning merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang nsebuah data query yang labelnya tidak diketahui diinputkan, maka K-Nearest Neighbourk buah data learning yang jaraknya paling dekat dengan data query dalam ruang n-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 rEuclidean Distance.

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

Sistem Informasi adalah Suatu sistem terintegrasi yang mampu menyediakan informasi yang bermanfaat bagi penggunanya. Atau; Sebuah sistem

-mesin, untuk menyediakan informasi untuk mendukung operasi,

nisasi. Sistem informasi 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].

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.

di atas merupakan definisi pangan yang dikeluarkan oleh badan dunia untuk urusan pangan, yaitu Food and Agricultural Organization

neighbour (k-NN atau KNN) adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan

Neighbour berdasarkan konsep ‘learning by analogy’. Data learning

an atribut numerik n-dimensi. Tiap data learning merepresentasikan sebuah titik, yang ditandai dengan c, dalam ruang n-dimensi. Jika sebuah data query yang labelnya tidak diketahui

Neighbour akan mencari jaraknya paling dekat

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

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). Jayang 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 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]

Gambar 1. Diagram Pemilihan K-Tetangga Terdekat

Pada Data Testing[5]

Model Perhitungan K-Nearest Neighbo

K-Nearest Neighbour adalah pendemencari kasus dengan menghitung kkasus baru dengan kasus lama, yaipada pencocokan bobot dari sejumada. 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 dapat menggunakan beberapa metode seperti halnya euclidea. Adapun rumus dari metode t

�(�, �) = ��(�� − ��)

�

�

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

Pada fase training, algoritma ini hanya vektor fitur dan

klasifikasi data training sample. Pada fase klasifikasi, 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

k 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

isalnya dengan validation. Kasus khusus di mana

klasifikasi diprediksikan berdasarkan data pembelajaran yang paling dekat (dengan kata lain, k =

[5].

Tetangga Terdekat

Nearest Neighbour

pendekatan untuk kedekatan antara itu berdasarkan mlah fitur yang

Sedangkan metode yang digunakan untuk memprediksi harga bahan kebutuhan pokok adalah

Nearest Neighbour. NN atau KNN)

adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data yang jaraknya paling dekat dengan objek tersebut. Untuk menghitung jarak

metode seperti halnya . Adapun rumus dari metode tersebut yaitu[6]:

… (1)

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

3

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.

���� =∑ ����

�… (2)

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.

Gambar 2. Prosedur Penelitian

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.

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

Keempat parameter tersebut berfungsi sebagai indikator untuk menentukan harga kebutuhan bahan pokok nasional.

Gambar 3. Indikator Makroekonomi[8]

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 komponen-komponen 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.

Pelatihan

Data HistorisIndikator Ekonomi

Indonesia

Data Pelatihan

Data Pengujian

K Tetangga

Parameter Pelatihan

Proses Pelatihan

Hasil Pelatihan

Input Data Uji

Proses Pengujian

Hasil Pengujian

Pengujian

K Nearest NeighbourDatabase

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 datayang 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 indikator yang dapat mempengaruhi keadaan ekonomi Indonesia. Kedua adalah data k tetangga yang merupakan data dari hasil pelatihan yang kemudian akan dipakai dalam pengujian si

Proses Mining K-Nearest Neighbour

Proses mining yang akan di implementasikan pada metode K-Nearest Neighbour untuk memprediksi harga kebutuhan bahanharus melalui beberapa tahapan yang melibatkan komponen-komponen penting didalamnya. Adapun proses selengkapnya adalah seperti yang tampak pada gambar 5.

Gambar 5. Proses Mining

Sedangkan proses prediksi dengan menggunakan metode K-Nearest Neighbour adalah seperti yang ditunjukkan pada gambar 6

Input Data

Pengujian

Pengujian

Hasil Prediksi

Harga Bahan Pokok

Output

Desain Sistem

Berdasarkan gambar diatas dapat kita lihat bahwa system untuk memprediksi harga kebutuhan

Nearest Neighbour terdiri dari 3 komponen, yaitu skema aplikasi, skema database, dan skema infrastruktur. Sistem terdiri dari

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

ari pemilahan referensi dari data historis sejumlah indikator yang dapat mempengaruhi keadaan ekonomi Indonesia. Kedua adalah data k tetangga yang merupakan data dari hasil pelatihan yang

akan dipakai dalam pengujian sistem.

Nearest Neighbour

Proses mining yang akan di implementasikan Nearest Neighbour untuk

memprediksi harga kebutuhan bahan-bahan pokok harus melalui beberapa tahapan yang melibatkan

komponen penting didalamnya. Adapun selengkapnya adalah seperti yang tampak pada

Proses Mining

Sedangkan proses prediksi dengan Nearest Neighbour adalah

6 berikut.

Mulai

Input Data Uji,Jumlah K

tetangga terdekat

Normalisasi Data

Akumulasi Data Input

Perhitungan Jarak

Dengan Euclidian Distance

Sorting

Ambil Data Sebanyak K

Simple Unweighted Voting

Output Hasil Prediksi

Selesai

Gambar 6. Proses KNN

Desain Aplikasi

Desain aplikasi untuk memprediksi harga kebutuhan bahan pokok ini digambarkan dalam bentuk activity diagram seperti yang tampak pada gambar 7.

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

KNN

Desain aplikasi untuk memprediksi harga kebutuhan bahan pokok ini digambarkan dalam

perti yang tampak pada

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

h 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

i, 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.

Buka aplikasi

User Aplikasi

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 8. Sequence Diagram Aplikasi

Skenario Pengguna

Skenario Pengguna adalah serangkaian kegiatan yang perlu dilakukan untuk dapat menggunakan aplikasi yang akan dibangun. Abeberapa kegiatan yang perlu dilakukan oleh seorang user untuk menggunakan system informasi prediksi harga kebutuhan bahan pokok. Dimulai dari pemilihan kategori kebutuhan komoditas bahanberdasarkan standard menteri perdagangan Republik Indonesia yang meliputi bawang merah, beras medium, cabai merah biasa, cabai medaging 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. juga dapat melihat data parameter serta hasil prediksi seluruh komoditas harga kebutuhan bahanpokok. Adapun alur program untuk memprediksi harga kebutuhan bahan pokok adalah seperti yang tampak pada gambar 9.

dan display grafik fluktuasi harga kebutuhan bahan-pada periode tertentu. User dapat

memakai fitur prediksi untuk menghitung perkiraan harga kebutuhan pokok kedepannya berdasarkan komoditas yang telah dipilih sebelumnya. Untuk

ditunjukkan pada gambar 8.

Database

Ambil data pelatihan komoditas

Data pelatihan

Simpan data pengujian

Data pengujian

Ambil data pelatihan komoditas terpilih

Data pelatihan komoditas terpilih

Simpan data pengujian komoditas terpilih

Data pengujian komoditas terpilih

Sequence Diagram Aplikasi

Skenario Pengguna adalah serangkaian kegiatan yang perlu dilakukan untuk dapat menggunakan aplikasi yang akan dibangun. Ada beberapa kegiatan yang perlu dilakukan oleh seorang

n system informasi prediksi harga kebutuhan bahan pokok. Dimulai dari pemilihan kategori kebutuhan komoditas bahan-bahan pokok berdasarkan standard menteri perdagangan Republik

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

. Selanjutnya barulah seorang user dapat melihat prediksi harga kebutuhan harga

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

Mulai

Mengambil nilai parameter secara realtime

Normalisasi data

Implementasi KNN

Data pengujian

Prediksi harga

kebutuhan bahan pokok

Selesai

Gambar 9. Alur Program

4. HASIL DAN PEMBAHASAN

Setelah sistem selesai dirancang, selanjutnya harus diuji tingkat akurasi sistem dalam memprediksi harga kebutuhan bahan pokok. Hal ini dilakukan untuk mengetahui sejauh mana sistem dadalam memprediksi harga kebutuhan bahan pokok.

Pengujian Sistem

Implementasi aplikasi menerapkan metodemetode yang telah disebutkan pada pembahasan metodologi penelitian dan perancanganutama aplikasi adalah menvisualisasikan hasil prediksi dalam bentuk grafik yang dikelompokkan kedalam 2 kategori yaitu pertanian dan peternakanmenampilkan daftar harga prediksi semua komoditas kebutuhan bahan pokok dalam bentuk tabelinterface aplikasi ditunjukkan pada gambar

Gambar 10. Daftar Harga Semua Komoditas Hasil Prediksi

Data pelatihan

Alur Program

Setelah sistem selesai dirancang, 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.

menerapkan metode-isebutkan pada pembahasan

penelitian dan perancangan sistem. Fitur menvisualisasikan hasil prediksi

dikelompokkan kedalam 2 kategori yaitu pertanian dan peternakan dan menampilkan daftar harga prediksi semua komoditas kebutuhan bahan pokok dalam bentuk tabel. Adapun

unjukkan pada gambar 10 dan 11.

Daftar Harga Semua Komoditas Hasil

Gambar 11. Visualisasi Hasil PrediksiKomoditas

Pengujian Sistem

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 meload data yang akan diujikan kedalam sistem dari database yang telah dirancang. Adapun hasil proses pengujian sistem adalah seperti yang tampak pada gambar 10 berikut.

Gambar 12. Grafik Perbandingan Hasil Pengujian

Selanjutnya tingkat akurasi sistemdihitung untuk mengetahui seberapa baik sistem yang telah dibangun untuk memprediksi keharga kebutuhan bahan pokok. Adapun hasil perhitungan tingkat akurasi system adalah seperti yang ditunjukkan pada tabel 1.

Tabel 1 Data Hasil Pengujian

No. Komoditas Data Uji

Output Sistem

1 Bawang Merah

20.080 19.830

2 Cabai Merah

30.030 32.916,667

020000400006000080000

100000120000

Harga Aktual Prediksi

Visualisasi Hasil Prediksi Semua

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

bawang merah, beras medium, cabai merah ai merah keriting, daging ayam broiler,

daging sapi, gula pasir, kedelai impor, kedelai lokal, minyak goring curah, telur ayam ras dan tepung

rtinya jumlah total keseluruhan data yang diujikan adalah sebanyak 12 set. Proses pengujian

n meload data yang akan diujikan kedalam sistem dari database yang telah dirancang. Adapun hasil proses pengujian sistem adalah seperti

Grafik Perbandingan Hasil Pengujian

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

Output Sistem

Akurasi (%)

19.830 98,755%

32.916,91,23%

Biasa

3 Cabai Merah Keriting

32.600 35.720

4 Gula Pasir 12.660 12.653,333

5 Beras Medium

10.350 10.303,33

6 Kedelai Lokal

10.840 10.840

7 Kedelai Impor

11.030 11.050

8 Tepung Terigu

8.970 8.970

9 Telur Ayam Ras

22.280 22.360

10 Daging Ayam Broiler

29.380 29.946,667

11 Daging Sapi

108.390 110.943,333

12 Minyak Goreng Curah

10.780 10.706

Rata-Rata Akurasi Error Sistem

Analisis Hasil Kerja Sistem

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 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 sedangkan hasil keluaran sistem menunjukkan 12.653,333 yang mendekati angka target dengan besaran tingkat akurasi 99,947%, begitu juga

35.720 91,265%

12.653,

99,947%

10.303,99,549%

10.840 100%

11.050 99,819%

8.970 100%

22.360 99,642%

29.946,

98,108%

110.943

97,699%

10.706 99,32%

97,945% 2,0555%

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 komoditas adalah sebesar 121 data, akan 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 merah biasa dengan prosentase

ni disebabkan karena pergerakan harga komoditas tersebut cenderung stagnan sehingga kompleksitas data yang diolah kedalam sistem cenderung rendah jika dibandingkan dengan 11

Dari hasil pengujian yang telah dilakukan, ik 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

yang hampir memenuhi target yang telah ditentukan seperti pada komoditas gula pasir, target yang diberikan adalah 12.660 sedangkan hasil keluaran sistem menunjukkan

yang mendekati angka target dengan , begitu juga pada

7

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 masing-masing 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

Kesimpulan

Setelah dilakukan penelitian, perancangan dan implementasi sistem dapat ditarik beberapa kesimpulan sebagai berikut:

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 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%.

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.

Daftar Pustaka

[1] Hartono, Rudi. (2013). Sistem Informasi Harga Bahan Pokok dengan Penerapan SMS Gateway Menggunakan Bahasa Pemrograman C#. Teknik Informatika. Banyuwangi: Sekolah Tinggi Ilmu Komputer PGRI

[2] Hutauruk, Chiquita Olivia. (2015). Harga Bahan Pokok di Pasar Induk Kramat Jati Belum Stabil [online]. Tersedia: http://www.beritasatu.com/ekonomi/292409-harga-bahan-pokok-di-pasar-induk-kramat-jati-belum-stabil.html

[3] Putra, Yudha Manggala P. (2015). 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-gorontalo-tak-stabil-jelang-ramadhan

[4] Anwar, Saiful. (2010). Makalah Konsep Sistem Informasi. Jakarta: Universitas Gunadarma

[5] Wikipedia. (2013). KNN [online]. Tersedia: http://id.wikipedia. org / wiki/KNN

[6] Yessivirna, Riska dkk. (2013). 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

[7] Rizanti, Hanifa Vidya dkk. (2010). 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

Biodata Penulis

Abd. Charis Fauzan, Mahasiswa Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang Asal Mojokerto. Saat ini tengah menekuni bidang robotika serta aktif sebagai netizen melalui website pribadinya.

Sofi Dwi Purwanto, Mahasiswa Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang Asal Sumenep. Saat ini tengah menekuni bidang image processing serta aktif sebagai netizen melalui website pribadinya.

Agus Wahyudi, Mahasiswa Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang Asal Pamekasan. Saat ini tengah menekuni bidang artificial intelligence.

Fadzila Yudi Mardana, Mahasiswa Jurusan Teknik Informatika Universitas Islam Negeri Maulana Malik Ibrahim Malang Asal Madiun. Saat ini tengah menekuni bidang jaringan komputer.