Transfortasi udara memiliki peran penting dalam mendukung mobilitas dan perekonomian masyarakat. Prediksi jumlah penumpang pesawat udara dapat dilakukan menggunakan jaringan saraf tiruan backpropagation dengan melatih bobotnya berdasarkan data historis. Penelitian ini akan mengembangkan aplikasi prediksi penumpang pesawat udara di Bandara Hang Nadim Batam menggunakan metode tersebut.
415418921-statistika- mean media modus data tunggal dan data kelompok
Β
Proposal penelitian
1. Rumpun Ilmu : Teknik Informatika
Tema Unggulan : Artificial Intelligence
PROPOSAL
PENELITIAN HIBAH INTERNAL
PREDIKSI JUMLAH PENUMPANG PESAWAT UDARA
MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE
BACKPROPAGATION DI BANDAR UDARA HANG NADIM BATAM
TIM PENGUSUL
1. Joni Eka Candra, S.T., M.T.
2. Sunarsan Sitohang, S.kom.
3. Alpin Salamena
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS PUTERA BATAM
2015
2. ii
HALAMAN PENGESAHAN
PROPOSAL PENELITIAN HIBAH INTERNAL
Rumpun Ilmu : Teknik Informatika
Tema Unggulan : Artificial Intelegence
Judul Penelitian : Prediksi Jumlah Penumpang Pesawat Udara
Menggunakan Jaringan Syaraf Tiruan Metode
Back Propagation Di Bandar Udara Hang Nadim
Batam
Ketua Peneliti
a. Nama Lengkap : Joni Eka Candra, S.T., M.T.
b. NIDN : 1025068201
c. Jabatan Fungsional : -
d. Program Studi : Teknik Informatika
e. Nomor HP : 085655567040
f. Alamat Surel (e-mail) : jonicandra82@gmail.com
Anggota Peneliti (1)
a. Nama Lengkap : Sunarsan Sitohang
b. NIDN : -
c. Perguruan Tinggi : Universitas Putera Batam
Anggota Peneliti (2)
a. Nama Lengkap : Alpin Salamena
b. NPM : 130210058
c. Perguruan Tinggi : Universitas Putera Batam
Biaya Penelitian : Rp. 13.000.000.-
Batam, 10 Juni 2015
Mengetahui
Ketua Program Studi Ketua Tim Pengusul
Realize, S.Kom., M.SI Joni Eka Candra, ST.,MT.
NIDN. 1011057701 NIDN. 1025068201
Menyetujui
Kepala Lembaga Penelitian dan Pengabdian Masyarakat
Muhammad Taufik Syastra. S.Kom., M.SI.
NIDN.1010048601
3. iii
DAFTAR ISI
HALAMAN SAMPUL .................................................................................... i
HALAMAN PENGESAHAN ........................................................................ ii
DAFTAR ISI ................................................................................................... iii
DAFTAR GAMBAR....................................................................................... iv
DAFTAR TABEL............................................................................................ v
RINGKASAN................................................................................................... vi
BAB I PENDAHULUAN ........................................................................... 1
1.1 Latar Belakang Masalah..................................................................... 1
1.2 Rumusan Masalah.............................................................................. 2
1.3 Batasan Masalah................................................................................ 2
1.4 Tujuan Penelitian................................................................................ 2
1.5 Luaran Penelitian................................................................................ 3
BAB II TINJAUAN PUSTAKA................................................................... 4
2.1 Teori ................................................................................................. 4
2.1.1 Model Neuron.................................................................................... 4
2.1.2 Arsitektur Jaringan............................................................................. 5
2.1.3 Arsitektur Backpropagation.............................................................. 6
2.2 Penelitian Terdahulu........................................................................... 10
2.3 Kerangka Pemikiran........................................................................... 11
BAB III METODOLOGI PENELITIAN ..................................................... 12
3.1 Desain Penelitian................................................................................ 12
3.2 Variabel Penelitian............................................................................. 14
3.3 Teknik Pengumpulan Data................................................................ 14
BAB IV BIAYA DAN JADWAL PENELITIAN ........................................ 15
4.2 Anggaran dan Biaya penelitian.......................................................... 15
4.2 Jadwal Penelitian................................................................................ 15
DAFTAR PUSTAKA
LAMPIRAN
4. iv
DAFTAR GAMBAR
Gambar 2.1 Arsitektur Jaringan n Unit Input.......................................................5
Gambar 2.2 Jaringan Dengan n Buah Unit Inpu..................................................5
Gambar 2.3 Arsitektur Backpropagation Dengan n Buah Input..........................6
Gambar 2.4 Fungsi Sigmoid Biner.......................................................................7
Gambar 2.5 Fungsi Sigmoid Bipolar....................................................................7
Gambar 2.6 Kerangka Pemikiran Jaringan Syaraf Tiruan Backpropagation.....11
Gambar 3.1 Langkah-Langkah Pembuatan Aplikasi Jaringan Syaraf Tiruan......12
5. v
DAFTAR TABEL
Tabel 4.1. Anggaran Biaya....................................................................................15
Tabel 4.2 Jadwal Penelitian...................................................................................15
6. vi
RINGKASAN
Transfortasi udara merupakan alat angkutan yang mutakhir dan tercepat, banyak
dampak positif dari transfortasi udara yang dapat dirasakan langsung oleh
masyarakat seperti bidang perekonomian, dengan adanya transfortasi udara
mengakibatkan faktor jarak dan geografis daratan bukan lagi menjadi batasan
pergerakan manusia atau barang untuk pencapaian yang cepat. Kondisi ini
mengakibatkan antara hubungan produksi dan konsumsi dapat dicapai lebih cepat
dengan waktu yang lebih singkat. Backpropagation merupakan salah satu metode
dalam jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang
peramalan (forecasting). Peramalan yang sering kita dengar adalah peramalan
besarnya jumlah penjualan,nilai tukar valuta asing, prediksi besarnya aliran air
sungai, dan lain-lain. Sebagai contoh, dalam penjualan barang, diketahui record
data penjualan produk pada beberapa bulan/tahun terakhir. Masalahnya adalah
memperkirakan berapa perkiraan produk yang terjual dalam/tahun yang akan
datang. Pada penelitian hibah internal ini jaringan syaraf tiruan metode back
propagation diterapkan untuk memprediksi jumlah penumpang yang akan
menggunakan jasa pesawat udara. Sehingga nantinya apabila pada hasil prediksi
menunjukkan adanya lonjakan/kenaikan jumlah penumpang. PT Angkasa Pura
dapat menghimbau pihak maskapai penerbangan yang terkait untuk menambah
jumlah penerbangannya.
7. 1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Di era globalisasi dan perkembangan ekonomi yang cukup pesat saat ini
harus diimbangi dengan alat transfortasi dan komunikasi yang dapat menunjang
mobilitas pelaku ekonomi yang tinggi yang menuntut layanan transfortasi dan
komunikasi yang cepat dan efisien.
Transfortasi udara merupakan alat angkutan yang mutakhir dan tercepat,
banyak dampak positif dari transfortasi udara yang dapat dirasakan langsung oleh
masyarakat seperti bidang perekonomian,dengan adanya transfortasi udara
mengakibatkan faktor jarak dan geografis daratan bukan lagi menjadi batasan
pergerakan manusia atau barang untuk pencapaian yang cepat. Kondisi ini
mengakibatkan antara hubungan produksi dan konsumsi dapat dicapai lebih cepat
dengan waktu yang lebih singkat.
Jadi transfortasi udara memberikan kontribusi paling banyak untuk
memenuhi kebutuhan masyarakat dan pemerintah dalam transfortasi jarak jauh
apalagi kalau kita melihat letak geografis negara indonesia yang dipisahkan oleh
laut yang tidak memungkinkan dilalui oleh transfortasi darat.
Backpropagation merupakan salah satu metode dalam jaringan syaraf tiruan
yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting).
Peramalan yang sering kita dengar adalah peramalan besarnya jumlah penjualan,
nilai tukar valuta asing, prediksi besarnya aliran air sungai, dan lain-lain. Sebagai
contoh, dalam penjualan barang, diketahui record data penjualan produk pada
beberapa bulan/tahun terakhir. Masalahnya adalah memperkirakan berapa
perkiraan produk yang terjual pada tahun yang akan datang.
Dengan backpropagation, record data dipakai sebagai data pelatihan untuk
mencari bobot optimal. Untuk itu kita perlu menetapkan besarnya periode dimana
data berfluktuasi. Periode ini kita tentukan secara intuitif. Misalkan pada data
besarnya debit air sungai dengan data bulanan, periode data dapat diambil selama
satu tahun karena pergantian musim terjadi selama satu tahun.
8. 2
Pada penelitian hibah internal ini jaringan syaraf tiruan metode back
propagation diterapkan untuk memprediksi jumlah penumpang yang akan
menggunakan jasa pesawat udara. Sehingga nantinya apabila pada hasil prediksi
menunjukkan adanya lonjakan/kenaikan jumlah penumpang. PT Angkasa Pura
dapat menghimbau pihak maskapai penerbangan yang terkait untuk menambah
jumlah penerbangannya.
1.2 Rumusan Masalah
Adapun permaslahan yang dihadapi dalam penelitian hibah internal ini
berdasarkan latar belakang masalah di atas adalah bagaimana implementasi
algoritma jaringan syaraf tiruan metode backpropagation untuk memprediksi
jumlah penumpang pesawat udara.
1.3 Batasan Masalah
Agar penelitian ini tidak melebar kemana-mana maka peneltian ini akan
diberi batasan-batasan masalah seperti berikut ini:
1. Menggunakan data jumlah penumpang pesawat udara selama Β± 2 tahun
di Bandar Udara Hang Nadim Batam.
2. Menentukan jumlah data pelatihan 70 % dari jumlah data secara
keseluruhan.
3. Menentukan jumlah data pengujian 30% dari jumlah data secara
keseluruhan.
4. Algoritma yang digunakan adalah Algoritama backpropagation.
1.4 Tujuan Penelitian
Tujuan dari penelitian hibah internal yang berjudul βPrediksi Jumlah
Penumpang Pesawat Udara Menggunakan Jaringan Syaraf Tiruan Metode
Backpropagation Di Bandar Udara Hang Nadim Batam" adalah:
1. Menghasilkan suatu aplikasi yang berfungsi untuk memprediksi jumlah
penumpang pesawat udara.
2. Mengembangkan proses komputasi algoritma backpropagation untuk
menyelesaikan permasalahan peramalan.
9. 3
1.5 Luaran Penelitian
Luaran yang diharapkan dari penelitian hibah internal ini adalah:
1. Publikasi dalam jurnal ilmiah nasional dan nasional terakreditasi.
2. Sebagai buku referensi contoh kasus dalam pengaplikasian dari mata
kuliah kecedasan buatan (artificial intellegence).
10. 4
BAB II
TINJAUAN PUSTAKA
2.1 Teori
2.1.1 Model Neuron
Neuron adalah unit pemroses informasi yang menjadi dasar dalam
pengoperasian jaringan syaraf tiruan. Neuron terdiri dari 3 elemen pembentuk:
1. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. Jalur-jalur
tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai
positip akan memperkuat sinyal yang dibawanya. Jumlah, struktur dan pola
hubungan antar unit-unit tersebut akan menetukan arsitektur jaringan ( dan juga
model jaringan yang terbentuk).
2. Suatu penjumlah yang akan menjumlahkan input-input sinyal yang sudah
dikalikan dengan bobotnya. Misalnya x1, x2,..., xm adalah unit-unit input dan
wj1, wj2,..., wjm adalah bobot penghubung dari unit-unit tersebut ke unit
keluaran yj, maka unit penjumlah akan memberikan keluaran sebesar uj = x1wj1
+ x2 wj2 +...+ xm wjm.
3. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan
diteruskan keneuron lain ataukah tidak.
2.1.2 Arsitektur Jaringan
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf
tiruan antara lain:
1. Jaringan Layar Tunggal (single layer network)
Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan
sekumpulan outputnya. Dalam beberapa model (misalnya preceptron), hanya
ada sebuah unit neuron output.
11. 5
Gambar 2.1 Arsitektur Jaringan n Unit Input
Gambar 2.1 menunjukkan arsitektur jaringan dengan n unit input (x1, x2, ... , xn)
dan m buah unit output (y1, y2, ... , ym). Perhatikan bahwa dalam jaringan ini,
semua unit input dihubungkan dengan semua unit output, meskipun dengan
bobot yang berbeda-beda. Tidak ada unit input yang dihubungkan dengan unit
input lainnya. Demikian pula dengan unit output. Besaran wij menyatakan
bobot hubungan antara unit ke-i dalam input dengan unit ke-j dalam output.
Bobot-bobot ini saling independen. Selama proses pelatihan, bobot-bobot
tersebut akan dimodifikasi untuk meningkatkan keakuratan hasil. Model
semacam ini tepat digunakan untuk pengenalan pola karena kesederhanaannya.
2. Jaringan Layar Jamak (multi layer network)
Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan
ini, selain unit input dan output, ada unit-unit lain (sering disebut layar
tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Sama
seperti pada unit input dan output, unit-unit dalam satu layar tidak saling
berhubungan.
Gambar 2.2 Jaringan Dengan n Buah Unit Input
12. 6
Gambar 2.2 adalah jaringan dengan n buah unit input (x1, x2,.., xn), sebuah
layar tersembunyi yang terdiri dari p buah unit (z1,..., zp) dan m buah unit
output (y1, y2, ..., ym). Jaringan layar jamak dapat menyelesaikan masalah yang
lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala
proses pelatihan lebih kompleks dan lama.
3. Jaringan Reccurent
Model jaringan Recurent mirip dengan jaringan layar tunggal ataupun ganda.
Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering
disebut feedback loop)
2.1.3 Arsitektur Backpropopagation
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih
layar tersembunyi. Gambar 2.3 adalah arsitektur backpropagation dengan n buah
masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit
(ditambah sebuah bias), serta m buah unit keluaran.
Vij merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi zj (vj0
merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar
tersembunyi zj). wkj merupakan bobot dari unit layar tersembunyi zj ke unit
keluaran yk (wk0 merupakan bobot dari bias dilayar tersembunyi ke unit keluaran
zk)
Gambar 2.3 Arsitektur Backpropagation Dengan n Buah Input
Fungsi Aktivasi
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa
syarat yaitu: kontinu, terdifferensial dengan mudah dan merupakan fungsi yang
13. 7
tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga
sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).
π( π₯) =
1
1+πβx dengan turunan πβ²( π₯)
= π( π₯) = π( π₯)(1β π ( π₯))..................(2.1)
Grafik fungsinya tampak pada gambar 2.4
Gambar 2.4 Fungsi Sigmoid Biner
Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk
funsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1, 1).
π( π₯) =
1
1+πβx β 1 dengan turunan πβ²( π₯) =
(1 + π( π₯))(1βπ( π₯))
2
.........................(2.2)
Grafik fungsinya tampak pada gambar 2.5.
Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >
1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga
semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.
Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar
yang bukan layar keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas :
f(x) = x
Gambar 2.5 Fungsi sigmoid bipolar
Pelatihan Backpropogation
Pelatihan backpropogation meliputi 3 fase. Fase pertama adalah fase maju. Pola
masukan dihitung maju mulai dari layar masukan hingga layar keluaran
menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur.
14. 8
Selisih antara keluaran jaringan dengan target yang diinginkan merupakan
kesalahan yang terjadi. Kesalahan tersebut dipropagansikan mundur, dimulai dari
garis yang berhungan langsung dengan unit-unit dilayar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi.
1. Fase I: Propagasi maju
Selama propagasi maju, sinyal masukan (= xi) di propagasikan kelayar
tersembunyi menggunakan fase aktivasi yang ditentukan. Keluaran dari setiap
unit layar tersembunyi (= zj) tersebut selanjutnya dipropagasikan maju lagi ke
layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan.
Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk).
Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang harus
dicapai (= tk). Selisih tk - yk adalah kesalahan yang terjadi. Jika kesalahan ini
lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan
tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot
setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan
yang terjadi.
2. Fase II: Propagasi mundur
Berdasarkan kesalahan tk β yk, dihitung faktor Ξ΄k = (k=1, 2, 3,..., m) yang
dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit
tersembunyi yang terhubung langsung dengan ykΞ΄k juga dipakai untuk
mengubah bobot garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor Ξ΄j disetiap unit di layar tersembunyi
sebagai dasar perubahan bobot semua garis yang berasal dari unit
tersembunyi dilayar di bawahnya. Demikian seterusnya hingga semua faktor
Ξ΄ di unit tersembunyi yang berhubungan langsung dengan unit masukan
dihitung.
3. Fase III: Perubahan bobot
Setelah semua faktor Ξ΄ dihitung, bobot semua garis dimodifikasi bersamaan.
Perubahan bobot suatu garis didasarkan atas faktor Ξ΄ neuron dilayar atasnya.
Sebagai contoh, perubahan bobot suatu garis didasarkan atas faktor Ξ΄ neuron
dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar
keluaran didasarkan atas Ξ΄k yang ada di unit keluaran.
15. 9
Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi.
Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau
kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah
melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang
terjadi sudah lebih kecil dari batas toleransi yang diijinkan.
Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi (dengan fungsi
aktivasi sigmoid biner) adalah sebagai berikut:
Langkah 0 : inisialisasi semua bobot dengan bilangan acak kecil
Langkah 1 : jika kondisi penghentian belum terpenuhi, lakukan langkah 2 β 9
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3 β 8
Fase I : Propagasi maju
Langkah 3 : Tiap unit masukan menerima sinyal dan meneruskannya ke unit
tersembunyi diatasnya
Langkah 4 : hitung semua keluaran di unit tersembunyi zj (j = 1, 2, ... , p)
π§_πππ‘π = π£π0 + β π₯ π π£ππ
π
π=1
β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦. (2.3)
π§π = π (π§ πππ‘ π
) =
1
1 + π
βπ§ πππ‘ π
β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ (2.4)
Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, ... , m)
π¦_πππ‘k = w π0 + β π§π π€ ππ
π
π=1
β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ . (2.5)
π¦k = f(π¦ πππ‘ k
) =
1
1 + πβπ¦ πππ‘k
β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦. . . (2.6)
Fase II : Propagasi mundur
Langkah 6 : Hitung faktor Ξ΄ unit keluaran berdasarkan kesalahan di setiap unit
keluaran yk (k = 1, 2, ... , m)
Ξ΄ π = ( π‘ π β π¦ π) πβ²( π¦ πππ‘ π
)
= ( π‘ π β π¦ π) π¦ π(1 β π¦ π)β¦β¦ β¦β¦ β¦β¦ β¦β¦ β¦β¦ β¦β¦β¦ β¦. .. (2.7)
Ξ΄k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar
dibawahnya (langkah 7)
Hitung suku perubahan bobot wkj (yang akan dipakai dalam perubahan nanti
untuk merubah bobot wkj) dengan laju percepatan Ξ±
βπ€ ππ = πΌπΏ π π§π ;π = 1,2,3, β¦, π ; π = 1,2,3, β¦ , πβ¦ β¦ β¦β¦ β¦ β¦ β¦β¦ . . . (2.8)
16. 10
Langkah 7 : Hitung faktor Ξ΄ unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi zj (j = 1, 2, ... , p)
Ξ΄_πππ‘j = β Ξ΄ π π€ ππ
π
πβ1
β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦β¦ β¦ β¦ β¦β¦ . (2.9)
Faktor Ξ΄ unit tersembunyi:
πΏπ = πΏ_πππ‘π πβ²
(π§_πππ‘π) = πΏ_πππ‘π π§π(1β π§π).....................................................(2.10)
Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot
vji)
βπ£ππ = πΌπΏπ π₯π ;(π = 1,2,3, β¦ , π ; π = 1,2,3,β¦ , π)β¦ β¦β¦ β¦ β¦β¦ β¦ β¦. . (2.11)
Fase III : Perubahan Bobot
Langkah 8 : Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran:
π€ ππ( ππππ’) = π€ ππ( ππππ) + βπ€ ππ ;(π = 1,2,3, β¦, π; π = 1,2,3, β¦ , π)β¦ . . (2.12)
Perubahan bobot garis yang menuju ke unit tersembunyi:
π£ππ( ππππ’) = π£ππ( ππππ) + βπ£ππ ;(π = 1,2,3, β¦, π; π = 0,1,2,3, β¦ , π) β¦β¦ . . (2.12)
Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola,
dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk
menentukan keluaran jaringan.
Apabila fungsi aktivasi yang dipakai bukan sigmoid biner, maka langkah 4 dan 5
harus disesuaikan. Demikian juga turunannya pada langkah 6 dan 7.
2.2 Penelitian Terdahulu
Penelitian ini didukung oleh berbagai kajian empiris dari penelitian
terdahulu yang dapat menjadi landasan berfikir. Berikut adalah penelitian terkait
dengan penelitian ini dengan hasil dan metode analisis yang berbeda dan pernah
dilakukan, dianntaranya adalah:
1. Fachrudin Pakaja, Agus Naba dan Purwanto dalam Jurnal EECCIS Vol. 6,
No. 1, Juni 2012 dengan judul Peramalan Penjualan Mobil Menggunakan
Jaringan Syaraf Tiruan dan Certainty Factor, menjelaskan bahwa Proses
peramalan penjualan mobil yaitu dengan memasukkan data perkiraan
penjualan di masa depan, untuk di olah menggunakan JST backpropagation
untuk menghasilkan data yang diinginkan.
17. 11
2. Alex Rikki Sinaga dalam jurnal Pelita Informatika Budi Darma, Volume II,
Desember 2012 ISSN: 2301-9425, dengan judul Aplikasi Jaringan Syaraf
Tiruan Untuk Penentuan Konsentrasi Program Studi Bagi Calon Mahasiswa
Baru Stmik Budidarma Medan menerangkan bahwa hasil pengujian Jaringan
Syaraf Tiruan dengan menggunakan software matlab 6.1 dapat mempercepat
proses penentuan konsentrasi program studi bagi calon mahasiswa baru
STMIK Budidarma Medan.
3. Ramli, Desi Yuniarti dan Rito Goejantoro dalam Jurnal EKSPONENSIAL
Volume 4, Nomor 1, Mei 2013 ISSN 2085-7829 dengan judul Perbandingan
Metode Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruan,
menjelaskan bahwa dalam penyelesaian pengklasifikasian pemilihan jurusan
Bahasa dan IPS pada SMAN 2 Samarinda tahun ajaran 2011/2012 lebih tepat
menggunakan jaringan saraf tiruan dari pada menggunakan Metode
Klasifikasi Regresi Logistik.
2.3 Kerangka Pemikiran
Untuk dapat memperoleh hasil penelitian yang tepat dan terarah, penelitian
ini memiliki kerangaka pemikiran yang dapat dilihat pada Gambar 2.6
Variabel Outpu
(Target) Y1-Y24
berupa data jumlah
numpang per akhir
periode per bulan
LAPISAN
INPUT
LAPISAN
TERSEMBUNYI
LAPISAN
OUTPUT
X1
X2
X3
X24
Y1
Y2
Y3
Y24
Variabel Input
X1-X24 berupa
data jumlah
numpang per
bulan
Gambar 2.6 Kerangka Pemikiran Jaringan Syaraf Tiruan Backpropagation
18. 12
BAB III
METODOLOGI PENELITIAN
3.1 Desain Penelitian
Pada gambar 3.1 di bawah ini menunjukkan langkah-langkah yang akan
dikerjakan oleh peneliti dalam penelitian hibah internal ini yang mengangkat judul
Prediksi Jumlah Penumpang Pesawat Udara Menggunakan Jaringan Syaraf Tiruan
Metode Back Propagation di Bandar Udara Hang Nadim Batam.
1. Kumpulkan Data
2. Memisahkan Data Untuk
Pelatihan dan Pengujian
3. Menentukan Struktur
Jaringan
4. Melakukan Pemilihan
Algoritma Pembelajaran
5. Inisialisasi Parameter
Jaringan
6. Input Data Pelatihan
7. Pelatihan (Ubah/perbarui
bobot)
8. Pengujian
9. Implementasi jaringan
syaraf tiruan
Gambar 3.1 Langkah-Langkah Pembuatan Aplikasi Jaringan Syaraf Tiruan
19. 13
Tahapan penelitian yang dilakukan pada Prediksi Jumlah Penumpang Pesawat
Udara Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation di Bandar
Udara Hang Nadim Batam adalah sebagai berikut:
3.1.1 Pengumpulan Data
Pengambilan data pada Prediksi Jumlah Penumpang Pesawat Udara
Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation di Bandar Udara
Hang Nadim Batam yaitu: Data Jumlah penumpang di Bandar Udara Hang
Nadim Batam selama 2 tahun, data jumlah penumpang tahun 2013 dan tahun
2014.
3.1.2 Identifikasi Data
Identifikasi masalah dilakukan untuk menentukan vareabel dan semesta
pembicaraan yang diperlukan dalam melakukan perhitungan dan analisis
masalah.
3.1.3 Pengolahan Data
Pengelolahan data dilakukan dengan bantuan softwere matlab 8.1.0
dengan menggunakan fasilitas yang disediakan pada toolbox neural network
dengan melakukan langkah langkah sebagai berikut:
1. Mengumpulkan Data jumlah Penumpang perbulan selama 2 tahun
2. Memisahkan 70 % data penumpang untuk pelatihan 30% data penumpang
untuk pengujian
3. Menentukan struktur jaringan syaraf tiruan
4. Menetapkan Algoritma jaringan syaraf tiruan yang akan digunakan dalam
pembelajaran
5. Melakukan inisialisasi parameter jaringan syaraf tiruan
6. Input data pelatihan
7. Pelatihan (Ubah/perbaharui bobot)
20. 14
3.1.4 Penarikan Kesimpulan
Penarikan kesimpulan merupakan tahap akhir dari penelitian hibah
internal ini, dimana dilakukan pendokumentasian riset secara keseluruhan.
Sehingga hasil akhir dari penelitian ini nanti nya bisa digunakan sebagai bahan
acuan untuk mengadakan penelitian dimasa yang akan datang dalam bidang yang
sama.
3.2 Variabel Penelitian
Dalam penelitian ini variabel penelitian terdiri dari 2 jenis variabel yaitu:
1. Variabel Masukan nya berupa data jumlah penumpang tiap bulan
selama 2 tahun yang di inisialisasi dengan hurup X1, X2,...,X24.
2. Variabel Keluaran (Target) data jumlah penumpan per akhir priode tiap
bulan dijadikan sebagai variabel keluaran atau lebih dikenal dengan
nama target dalam jaringan syaraf tiruan
3.3 Teknik Pengumpulan Data
Data yang digunakan dalam penelitian hibah internal ini menggunakan data
sekunder yaitu data jumlah penumpang tiap bulan selama 2 tahun yang diperoleh
dari pihak pengelola bandar udara Hang Nadim Batam.
21. 15
BAB IV
BIAYA DAN JADWAL PENELITIAN
4.1 Anggaran Biaya
Berikut ini adalah rincian anggaran biaya yang diperlukan dalam kegiatan
penelitian hibah internal dengan judul βPrediksi Jumlah Penumpang Pesawat
Udara Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation di Bandar
Udara Hang Nadim Batamβ, yang antara lain adalahsebagaiberikut:
Tabel 4.1. Anggaran Biaya
No. Jenis Pengeluaran
Biaya yang
diusulkan (Rp.)
1. Gaji (maks. 30%) 3.900.000,-
2. Bahan habis pakai dan peralatan (40-50%) 5.200.000,-
3. Perjalanan (maks. 15%) 1.950.000,-
4.
Lain-lain: publikasi, seminar, laporan, lainnya sebutkan
(10-15%)
1.950.000,-
Jumlah 13.000.000,-
Sumber: Penulis (2015).
4.2. Jadwal Kegiatan
Penelitian mengambil waktu selama 1 (satu) tahun terhitung sejak bulan
April 2015 sampai dengan Januari 2016. Sedangkan jadwal penelitian disesuaikan
dengan kondisi jadwal yang telah ditetapkan selama 1 (satu) tahun.
Tabel 4.2 Jadwal Penelitian
Sumber: Penulis (2015)
No Kegiatan/Penanggungjawab
Tahun 2015-2016
Bulan
4 5 6 7 8 9 10 11 12 1
1.
Manajemen dan Kontrol Tugas serta Tanggung jawab
(Peneliti Utama)
2.
Pembuatan dan Penyusunan ProposalPenelitian
(PenelitiUtama)
3. Pengumpulan dan Pengolahan Data (PenelitiUtama)
4. Analisis Hasil Penelitian (PenelitiUtama)
5. Penyusunan Laporan Penelitian (Peneliti Utama)
6.
Publikasi Jurnal/Seminar, Penggandaan dan
Penyerahan Laporan Hasil Penelitian (Peneliti
Utama)
22. 1
DAFTAR PUSTAKA
Sinaga, Alex R. 2012 βAplikasi Jaringan Syaraf Tiruan Untuk Penentuan
Konsentrasi Program Studi Bagi Calon Mahasiswa Baru STMIK Budidarma
Medanβ jurnal Pelita Informatika. STMIK Budi Darma. Medan.
Away, Gunaidi A. 2014 β The Shotcut of Matlab Programmingβ. Informatika.
Bandung.
Hermawan, Arief. 2006 β Jaringan syaraf Tiruan, Teori dan Aplikasiβ. ANDI.
Yogyakarta.
Pakaja, Fachrudin., Naba, Agus dan Purwanto. 2012. βPeramalan Penjualan Mobil
Menggunakan Jaringan Syaraf Tiruan dan Certainty Factorβ. Jurnal
EECCIS. Universitas Brawijaya. Malang.
Kusumadewi, Sri dan Sri Hartati. 2006. βNeuro- Fuzzy: Integrasi Fuzzy dan
Jaringan Syarafβ. Graha Ilmu. Yogyakarta.
Kusumadewi, Sri. 2003 β Arficial Intelegent, Teknik dan Aplikasinyaβ. Graha
Ilmu. Yogyakarta.
Ramli., Yuniarti, Desi dan Goejantoro, Rito. 2013. βPerbandingan Metode
Klasifikasi Regresi Logistik Dengan Jaringan Saraf Tiruanβ. Jurnal
EKSPONENSIAL. Universitas Mulawarman. Samarinda.
Siang, J. Jek. 2005. Jaringan Saraf Tiruan danPemogramannya menggunakan
Matlab. Andi. Yogyakarta.
Widodo, Prabowo P., Handayanto, Rahmadya T dan Herlawati. 2013 β
Penerapan Data Mining dengan Matlabβ. Rekayasa Sains. Bandung.
23. LAMPIRAN 1
Justifikasi Biaya Anggaran
I HONOR KEGIATAN Volume Satuan Harga
Total
1 Honorarium Tim Peneliti (Ketua) 1 Orang Rp2.535.000 Rp 2.535.000
2 Honorarium Tim Peneliti (Anggota) 1 Orang Rp1.365.000 Rp 1.365.000
Jumlah Biaya Tim Penelitian Rp 3.900.000
II BELANJA BAHAN HABIS PAKAI DAN PERALATAN
1 Komunikasi Kepada Para Staff Bandara 6 Kali Rp 250.000 Rp 1.500.000
2 Kertas HVS 5 Rim Rp 90.000 Rp 450.000
3 Tinta Printer 1 Tube Rp 300.000 Rp 300.000
4 Modem 1 Pcs Rp 400.000 Rp 400.000
5 Kartu Internet 1 Pcs Rp 400.000 Rp 400.000
6 CD Kosong 2 Pcs Rp 250.000 Rp 500.000
7 Sampul CD 1 Pcs Rp 200.000 Rp 200.000
8 Alat Tulis Administrasi Penelitian 1 Set Rp 450.000 Rp 450.000
9 Bahasa Pemrograman 1 Set Rp1.000.000 Rp 1.000.000
Jumlah Belanja Bahan Rp 5.200.000
III BELANJA PERJALANAN
1 Perjalanan Ke Bandara 6 Kali Rp 325.000 Rp 1.950.000
2 Kali Rp -
Jumlah Biaya Perjalanan Rp 1.950.000
IV LAINNYA
1 Spanduk dan Baliho dan Foster 1 Paket Rp 300.000 Rp 300.000
2 Promosi Acara Seminar 1 Kali Rp 500.000 Rp 500.000
3 Penggandaan Laporan 5 Eks Rp 100.000 Rp 500.000
4 Publikasi Jurnal 1 Kali Rp 450.000 Rp 450.000
5 Publikasi Acara Seminar di Media Massa 1 Kali Rp 200.000 Rp 200.000
Jumlah Biaya Lainnya Rp 1.950.000
Total Biaya Yang Diperlukan Rp13.000.000
24. LAMPIRAN 2
Struktur Organisasi Penelitian
Tabel Struktur Organisasi Penelitian Hibah Internal
No Nama Instansi Asal Bidang
Ilmu
Alokasi
Waktu
(Jam/Minggu)
Uraian Tugas
1.
Joni Eka Candra,
S.T.,M.T
Universitas
Putera Batam
Teknik
Informatika
1
Melakukan aktifitas
perencanaan, kegiatan
dan monitoring
2.
Sunarsan
Sitohang, S.kom
Universitas
Putera Batam
Teknik
Informatika
1
Melakukan aktifitas
perencanaan,dan
kegiatan
3. Alpin Salamena Universitas
Putera Batam
Teknik
Informatika
1
Melakukan aktifitas
perencanaan, dan
kegiatan
25. LAMPIRAN 3
BIODATA
A. Identitas Diri
1 Nama Lengkap (dengan gelar)
Joni Eka Candra
2 Jenis Kelamin
Laki-laki
3 Jabatan Fungsional
Dosen
4 NIP
11461
5 NIDN
1025068201
6 Tempat, Tanggal Lahir
Sumenep, 25 juni1982
7 Alamat surel (e-mail)
jonicandra82@gmail.com
8 Nomor Telepon/HP
085655567040
9 Alamat Kantor Jl. R.Suprapto
10 Nomor Telepon/Faks Kantor
-
11 Mata Kuliah yang Diampu
1.Rangkaian Digital
2. Artificial Intelegent
3. Arsitektur dan
Organisasi Komputer
4. Komputasi Numerik
B. Riwayat Pendidikan
S-1 S-2 S-3
Nama Perguruan Tinggi
Universitas
Brawijaya
Universitas
Brawijaya
-
Bidang Ilmu Teknik Elektro Teknik Elektro -
Tahun Masuk-Lulus 2002-2008 2009-2012 -
26. C. Pengalaman Penelitian Dalam 5 TahunTerakhir
Tahun Judul Pengabdian Jabatan
Sumber
Dana
Keterangan
2013
Aplikasi Logika Fuzzy
Dalam Optimalisasi
Produksi Barang
Menggunakan Metode
Tsukamoto Dan
Metode Mamdani Pada
PT. Mardi Jaya
Ketua
Peneliti
LPPM
Universistas
Putera
Batam
Laporan
internal
2014
Aplikasi Fuzzy
Inference System (FIS)
Mamdani Untuk
Penentuan Jurusan
Siswa Di SMA Negeri
5 Batam
Ketua
Peneliti
LPPM
Universistas
Putera
Batam
Laporan
internal
D. Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun Terakhir
Tahun Judul Pengabdian Jabatan
Sumber
Dana
2014
Kompetensi Siswa di Bidang
Teknologi Informasi dan
Komunikasi Melalui Buku Pada
SMP Islam Terpadu 01 Darussalam
Anggota
Pengadian
LPPM
Universitas
Putera Batam
2014
Penyuluhan pembelajaran Ilmu
Tajwid Dalam Membaca Al-Qurβan
Menggunakan Teknologi Informasi
di SMK Negeri 4 Batam
Anggota
Pengadian
LPPM
Universitas
Putera Batam
E. Publikasi Artikel Ilmiah Dalam Jurnal dalam 5 Tahun Terakhir
No Judul Artikel ilmiah Nama Jurnal
Volume/Nomor/
Tahun
1.
2.
3.
27. F. Pemakalah Seminar Ilmiah (Oral Presentation) dalam 5 Tahun Terakhir
No Nama Pertemuan Judul Artikel Ilmiah Waktu dan
Tempat
1. Seminar Penelitian Aplikasi Logika Fuzzy
Dalam Optimalisasi
Produksi Barang
Menggunakan Metode
Tsukamoto Dan
Metode Mamdani Pada
PT. Mardi Jaya
4 Maret 2014 /
Universitas Putera
Batam
2. Seminar Penelitian Aplikasi Fuzzy
Inference System (FIS)
Mamdani Untuk
Penentuan Jurusan
Siswa Di SMA Negeri
5 Batam
26 Agustus 2014 /
Universitas Putera
Batam
G. Karya Buku dalam 5 Tahun Terakhir
No Judul Buku Tahun Jumlah
Halaman
Penerbit
1.
2.
3.
H. Perolehan HKI (Hak Kekayaan Intelektual) dalam 5β10 Tahun Terakhir
No Judul / Tema
HKI*
Tahun Jenis Nomor
P/ID
1.
2.
3.
28. I. Pengalaman Merumuskan Kebijakan Publik lainnya dalam 5 tahun
terakhir
No Judul/Tema/Jenis
Kebijakan Publik
Lainnya yang Telah
Diterapkan
Tahun Tempat
Penerapan
Respon
Masyarakat
1.
2.
3.
J. Penghargaan dalam 10 tahun Terakhir (dari pemerintah, asosiasi atau
institusi lainnya)
No Jenis Penghargaan Institusi Pemberi
Penghargaan
Tahun
1.
2.
3.
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggung jawab kan secara hukum. Apabila dikemudian hari ternyata
dijumpai ketidak-sesuaian dengan kenyataan, saya sanggup menerima sanksi.
Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu
persyaratan dalam pengajuan proposal hibah internal dosen.
Batam, 10 Juni 2015
Ketua Tim Pengusul,
Joni Eka Candra, S.T., M.T.