Laporan penelitian

Rumpun Ilmu : Teknik Informatika
Tema Unggulan : Artificial Intellegence
LAPORAN
PENELITIAN HIBAH INTERNAL
PREDIKSI JUMLAH PENUMPANG PESAWAT UDARA
MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE
BACKPROPAGATION DI BANDAR UDARA HANG NADIM BATAM
TIM PENELITI
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
2016

ii
HALAMAN PENGESAHAN
LAPORAN PENELITIAN HIBAH INTERNAL
Rumpun Ilmu : Teknik Informatika
Tema Unggulan : Artificial Intellegence
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, 20 Januari 2016
Mengetahui
Ketua Program Studi Ketua Tim Penelitian
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

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 PEMBAHASAN DAN HASIL....................................................... 15
4.1 Pembahasan ..................................................................................... 15
4.1.1 Perencanaan Sistem........................................................................... 15
4.1.2 Pengumpulan Data............................................................................ 16
4.1.3 Penetapan Pola Data.......................................................................... 17
4.1.4 Transformasi Pola Data..................................................................... 27
4.1.5 Inisialisasi Parameter......................................................................... 37
4.1.6 Pola Pelatihan dan Pengujian Data ................................................... 38
4.2 Hasil................................................................................................... 40
4.2.1 Analisis Model Peramalan................................................................. 40
4.2.2 Peramalan Jaringan Syaraf Tiruan Backpropagasion....................... 41
BAB V KESIMPULAN DAN SARAN....................................................... 50
5.1 Kesimpulan........................................................................................ 50
5.2 Saran.................................................................................................. 50
DAFTAR PUSTAKA
LAMPIRAN

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 JST Backpropagation ...................................11
Gambar 3.1 Langkah-Langkah Pembuatan Aplikasi JST.................................12
Gambar 4.1 Alur Flowchart JST Backpropagation ...................................................15
Gambar 4.2 Arsitektur JST Backpropagation .........................................................16
Gambar 4.3 Grafik Hasil Keluaran JST Backpropagation Data Pelatihan
dengan Target Error 0,01...............................................................41

v
DAFTAR TABEL
Tabel 4.1 Jumlah Data Penumpang Tahun 2007 Sampai dengan Tahun 2014
Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan ...............18
Tabel 4.2 Jumlah Data Penumpang Tahun 2004 Sampai Tahun 2006 Tiap Bulan
Sebagai Data Pengujian Jaringan Syaraf Tiruan.................................18
Tabel 4.3 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data
Pelatihan Jaringan Syaraf Tiruan........................................................19
Tabel 4.4 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada Data
Pengujian Jaringan Syaraf Tiruan .......................................................26
Tabel 4.5 Transformasi Data Jumlah Penumpang Tahun 2007 Sampai dengan
Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf
Tiruan..................................................................................................28
Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf
Tiruan..................................................................................................29
Tabel 4.7 Transformasi Pola Variabel Data Masukan dan Data Keluaran
(Target) Pada Data Pelatihan Jaringan Syaraf Tiruan.........................29
Tabel 4.8 Transformasi Pola Variabel Data Masukan dan Data Keluaran
(Target) Pada Data Pengujian Jaringan Syaraf Tiruan........................35
Tabel 4.9 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk
Pengenalan Pola Data Dengan Data Pelatihan yang dilatihkan ..........42
Tabel 4.10 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation
Menggunakan Data Baru Seberapa Besar Jaringan Mengenali Data
Baru.....................................................................................................48

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). Berdasarkan Algoritma Jaringan Syaraf tiruan
backpropagation yang telah dilatih telah cukup mampu untuk melakukan prediksi
jumlah penumpang di Bandar Udara Hang Nadim Batam dengan tingkat akurasi
yang cukup baik, sesuai dengan hasil pengujian jaringan syaraf tiruan dengan
memasukkan data pelatihan dan pengujian diperoleh hasil 84 data pelatihan
sesuai target (100 % sesuai target), 22 data pengujian sesuai target (93% sesuai
target) dan 2 data tidak sesuai target (7%). Pada penelitian ini sebaiknya
dilanjutkan pada tahap proses pengetesan atas hasil pembentukan pola peramalan
oleh jaringan syaraf tiruan dimana dimaksudkan untuk melihat kemampuan model
yang dihasilkan oleh jaringan syaraf tiruan pada tahap meramalkan kejadian
berikutnya dengan berdasarkan pola-pola peramalan yang telah terbentuk
sebelumnya.

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.

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 permasalahan 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 11 tahun
di Bandar Udara Hang Nadim Batam.
2. Menentukan jumlah data pelatihan yaitu data jumlah penumpang
pesawat selama 8 tahun, dari jumlah data penumpang pesawat secara
keseluruhan.
3. Menentukan jumlah data pengujian yaitu data jumlah penumpang
pesawat selama 3 tahun dari data jumlah penumpang pesawat secara
keseluruhan.
4. Algoritma yang digunakan adalah Algoritama backpropagation.
1.4 Tujuan Penelitian
Tujuan dari penelitian hibah internal yang berjudul “Prediksi 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.

3
2. Mengembangkan proses komputasi algoritma backpropagation untuk
menyelesaikan permasalahan peramalan.
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).

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.

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

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

7
tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga
sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).
𝑓( 𝑥) =
1
1+𝑒−x dengan turunan 𝑓′( 𝑥)
= 𝑓( 𝑥) = 𝑓( 𝑥)(1− 𝑓 ( 𝑥))..................(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).
𝑓( 𝑥) =
1
1+𝑒−x − 1 dengan turunan 𝑓′( 𝑥) =
(1 + 𝑓( 𝑥))(1−𝑓( 𝑥))
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.

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 – yk, dihitung faktor δk = (k=1, 2, 3,..., m) yang
dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit
tersembunyi yang terhubung langsung dengan ykδk juga dipakai untuk
mengubah bobot garis yang berhubungan langsung dengan unit keluaran.
Dengan cara yang sama, dihitung faktor δj disetiap unit di layar tersembunyi
sebagai dasar perubahan bobot semua garis yang berasal dari unit
tersembunyi dilayar di bawahnya. Demikian seterusnya hingga semua faktor
δ di unit tersembunyi yang berhubungan langsung dengan unit masukan
dihitung.
3. Fase III: Perubahan bobot
Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan.
Perubahan bobot suatu garis didasarkan atas faktor δ neuron dilayar atasnya.
Sebagai contoh, perubahan bobot suatu garis didasarkan atas faktor δ neuron
dilayar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar
keluaran didasarkan atas δk yang ada di unit keluaran.

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 – 9
Langkah 2 : Untuk setiap pasang data pelatihan, lakukan langkah 3 – 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)
𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗0 + ∑ 𝑥 𝑖 𝑣𝑗𝑖
𝑛
𝑖=1
… …… … … …… … …… … …… … … …… … …… … …. (2.3)
𝑧𝑗 = 𝑓 (𝑧 𝑛𝑒𝑡 𝑗
) =
1
1 + 𝑒
−𝑧 𝑛𝑒𝑡 𝑗
…… … … …… … …… … …… … … …… … …… … (2.4)
Langkah 5 : Hitung semua keluaran jaringan di unit yk (k = 1, 2, ... , m)
𝑦_𝑛𝑒𝑡k = w 𝑘0 + ∑ 𝑧𝑗 𝑤 𝑘𝑗
𝑝
𝑗=1
… …… … …… … … …… … …… … …… … … …… … . (2.5)
𝑦k = f(𝑦 𝑛𝑒𝑡 k
) =
1
1 + 𝑒−𝑦 𝑛𝑒𝑡k
… … …… … …… … …… … … …… … …… … …. . . (2.6)
Fase II : Propagasi mundur
Langkah 6 : Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit
keluaran yk (k = 1, 2, ... , m)
δ 𝑘 = ( 𝑡 𝑘 − 𝑦 𝑘) 𝑓′( 𝑦 𝑛𝑒𝑡 𝑘
)
= ( 𝑡 𝑘 − 𝑦 𝑘) 𝑦 𝑘(1 − 𝑦 𝑘)…… …… …… …… …… ……… …. .. (2.7)
δk 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 α
∆𝑤 𝑘𝑗 = 𝛼𝛿 𝑘 𝑧𝑗 ;𝑘 = 1,2,3, …, 𝑚 ; 𝑗 = 1,2,3, … , 𝑝… … …… … … …… . . . (2.8)

10
Langkah 7 : Hitung faktor δ unit tersembunyi berdasarkan kesalahan di setiap unit
tersembunyi zj (j = 1, 2, ... , p)
δ_𝑛𝑒𝑡j = ∑ δ 𝑘 𝑤 𝑘𝑗
𝑚
𝑘−1
… … …… … …… … …… … … …… … …… … …… … … …… . (2.9)
Faktor δ unit tersembunyi:
𝛿𝑗 = 𝛿_𝑛𝑒𝑡𝑗 𝑓′
(𝑧_𝑛𝑒𝑡𝑗) = 𝛿_𝑛𝑒𝑡𝑗 𝑧𝑗(1− 𝑧𝑗).....................................................(2.10)
Hitung suku perubahan bobot vji (yang akan dipakai nanti untuk merubah bobot
vji)
∆𝑣𝑗𝑖 = 𝛼𝛿𝑗 𝑥𝑖 ;(𝑗 = 1,2,3, … , 𝑝 ; 𝑖 = 1,2,3,… , 𝑛)… …… … …… … …. . (2.11)
Fase III : Perubahan Bobot
Langkah 8 : Hitung semua perubahan bobot
Perubahan bobot garis yang menuju ke unit keluaran:
𝑤 𝑘𝑗( 𝑏𝑎𝑟𝑢) = 𝑤 𝑘𝑗( 𝑙𝑎𝑚𝑎) + ∆𝑤 𝑘𝑗 ;(𝑘 = 1,2,3, …, 𝑚; 𝑗 = 1,2,3, … , 𝑝)… . . (2.12)
Perubahan bobot garis yang menuju ke unit tersembunyi:
𝑣𝑗𝑖( 𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖( 𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 ;(𝑗 = 1,2,3, …, 𝑝; 𝑗 = 0,1,2,3, … , 𝑛) …… . . (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.

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

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

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 Backpropagation 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 variabel 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 11 tahun
2. Memisahkan data 8 tahun penumpang untuk pelatihan dan data 3 tahun
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)

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,...,X12.
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 11 tahun yang
diperoleh dari pihak pengelola bandar udara Hang Nadim Batam.

15
BAB IV
PEMBAHASAN DAN HASIL
4.1 Pembahasan
4.1.1 Perencanaan Sistem.
Arsitektur jaringan syaraf tiruan yang dibangun terdiri dari beberapa lapisan,
yaitu: lapisan masukan (layer input), satu lapisan tersembunyi (layer hidden), dan
lapisan keluaran (layer output). Penghubung setiap lapisan adalah bobot.
Mulai
Selesai
Penetapan Data Input:
- Data Pelatihan dan
- Data Pengujian
Transformasi Data
Error Koreksi
Apakah Target Error Tercapai?
Pelatihan
Backforward
Hasil
Jaringan Syaraf Tiruan
Pelatihan
Feedforward
Ya
Tidak
Gambar 4.1 Alur Flowchart Jaringan Syaraf Tiruan Backpropagation

16
Proses pembelajaran sendiri diawali dari proses feedforward, dan kemudian
dilanjutkan pada proses backpropagation. Setelah proses backpropagation, akan
dilakukan pengecekan apakah nilai target error telah dicapai, jika target error
telah dicapai, maka proses pembelajaran selesai, yang menghasilkan koreksi dari
bobot jaringan. Jika tidak maka akan kembali ke proses feedforward. Hal ini akan
terus berlangsung sampai menemukan nilai epoch maksimum Unit input
dilambangkan dengan variabel x, hidden variabel z dan nilai ouput dilambangkan
dengan variabel y, sedangkan nilai bobot antara x dan z dilambangkan dengan
variabel v dan nilai bobot antara z dan y dilambangkan dengan variabel w.
Z2
Z1
1
Y
1
X1
X2
X3
Wjk
Vij
b1
b2
Gambar 4.2 Arsitektur Jaringan Syaraf Tiruan Backpropagation
4.1.2 Pengumpulan Data
Salah satu bidang dimana Backpropagation dapat diaplikasikan dengan baik
adalah bidang peramalan (forecasting). Peramalan backpropagation dalam
penelitian ini akan diaplikasikan untuk peramalan jumlah penumpang yang berada
di Bandar Udara Hang Nadim Batam, peramalan jumlah penumpang
menggunakan jaringan syaraf tiruan backpropagation berdasarkan record data
jumlah penumpang di Bandar Udara Hang Nadim selama tahun terakhir,

17
masalahnya adalah memprediksi berapa jumlah penumpang pada bulan/tahun
yang akan datang di Bandar Udara Hang Nadim Batam.
Secara umum, masalah peramalan jumlah penumpang di Bandar Udara
Hang Nadim Batam dapat dinyatakan sebagai berikut: Diketahui sejumlah data
runtun waktu jumlah penumpang di Banda Uadara Hang Nadim Batam (time
series) 𝑥1, 𝑥2, 𝑥3,… … , 𝑥 𝑛. Masalahnya adalah memprediksi berapa jumlah
penumpang di Bandar Udara Hang Nadim Batam pada 𝑥 𝑛+1 berdasarkan 𝑥1, 𝑥2,
𝑥3, …… , 𝑥 𝑛.
Dengan jaringan syaraf tiruan backpropagation, record data jumlah
penumpang selama 11 tahun yaitu data jumlah penumpang tahun 2004 sampai
dengan tahun 2014, dengan 84 pola data jumlah penumpang dipakai sebagai data
pelatihan pada jaringan untuk mencari bobot yang optimal dan 24 pola data baru
jumlah penumpang yang lain akan dipergunakan untuk menguji keakuratan sistem
di dalam mengenali masukan data yang lain. Untuk itu diperlukan untuk
menetapkan besarnya periode dimana data record berfluktuasi. Penentuan periode
ditentukan secara intuitif, Penetapan data besarnya jumlah penumpang di Bandar
Udara Hang Nadim Batam berdasarkan data jumlah penumpang perbulan, maka
periode data jumlah penumpang yang yang ditetapkan adalah satu tahun karena
terjadi pergantian tahun.
Jumlah data penumpang dalam satu periode ini dipakai sebagai jumlah
masukan dalam jaringan syaraf tiruan backpropagation. Sebagai targetnya diambil
data bulan pertama setelah pereiode berakhir. Pada data jumlah penumpang
bulanan dengan periode jumlah penumpang satu tahun, maka masukan jaringan
syaraf tiruan backpropagation yang dipakai terdiri dari 12 masukan (X). Keluaran
adalah satu unit (Y).
4.1.3 Penetapan Pola Data
Seluruh data yang ada merupakan sekumpulan data serial (time series)
jumlah penumpang perbulam selama 11 tahun trakhir yaitu tahun 2004 dan 2014,
dimana data dibagi menjadi 2 bagian yaitu data jumlah penumpang tahun 2007
sampai dengan data jumlah penumpang tahun 2014 sebagai data pelatihan
jaringan syaraf tiruan. Dan data jumlah penumpang tahun 2004 sampai dengan

18
data jumlah penumpang tahun 2006 sebagai data pengujian jaringan syaraf tiruan,
seperti yang ditunjukkan pada tabel 4.1 dan tabel 4.2 di bawah ini.
Tabel 4.1 Jumlah Data Penumpang Tahun 2007 Sampai dengan Tahun 2014
Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan
Tahun Jumlah Penumpan Tiap Bulan
2007
Januari Pebruari Maret April Mei Juni
108549 84286 104824 96713 107127 113817
Juli Agustus September Oktober November Desember
129410 121654 108145 127759 106361 124288
2008
113798 100815 119197 102516 104028 101060
103589 106084 98206 97566 104030 116894
2009
112594 98912 109041 115868 116094 124985
115313 121269 115176 115176 122099 128962
2010
111891 110904 112905 125654 135539 123340
133761 117662 126085 131848 131722 131332
2011
128025 120208 129077 124445 129927 133792
145414 130132 133259 145835 143574 143773
2012
146719 129662 141621 135957 145603 151331
157635 175574 147820 168182 165351 171754
2013
166100 142605 162974 151576 171595 179851
170306 188548 155232 177047 171332 187124
2014
179816 166112 163616 156891 179258 194037
199632 192180 169505 188957 177164 200888
Tabel 4.2 Jumlah Data Penumpang Tahun 2004 Sampai Tahun 2006 Tiap
Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan
2004
85133 70370 70261 70730 81468 79590
88388 82934 80180 74468 84891 88736
2005
94457 81633 80137 74168 74862 77602
91995 80147 83900 82924 81362 97406
2006
104324 81278 85666 94189 94924 98819
111541 105651 106459 116690 102137 125085

19
Maka dari seluruh data yang terkumpul dipisahkan menjadi dua bagian,
yaitu masukan dan keluaran. Yang tergolong data masukan secara berurutan
adalah:
1. Jumlah penumpang pada bulan Januari, disimpan pada variabel X1
2. Jumlah penumpang pada bulan Pebruari, disimpan pada variabel X2
3. Jumlah penumpang pada bulan Maret, disimpan pada variabel X3
4. Jumlah penumpang pada bulan April, disimpan pada variabel X4
5. Jumlah penumpang pada bulan Mei, disimpan pada variabel X5
6. Jumlah penumpang pada bulan Juni, disimpan pada variabel X6
7. Jumlah penumpang pada bulan Juli, disimpan pada variabel X7
8. Jumlah penumpang pada bulan Agustus, disimpan pada variabel X8
9. Jumlah penumpang pada bulan September, disimpan pada variabel X9
10. Jumlah penumpang pada bulan Oktober, disimpan pada variabel X10
11. Jumlah penumpang pada bulan November, disimpan pada variabel X11
12. Jumlah penumpang pada bulan Desember, disimpan pada variabel X12
Keduabelas variabel dengan jumlah 84 data jumlah penumpang yang akan
dilatihkan disusun menjadi suatu matriks P, dengan ukuran 84 x 12 dan 24 data
jumlah penumpang yang baru sebagai data penguji ke dalam matriks U, dengan
ukuran 24 x 12.
Keluaran atau target yang diinginkan adalah jumlah data penumpang pada
bulan pertama setiap akhir periode atau pada bulan ketigabelas, seperti yang
ditunjukkan pada tabel berikut ini:
Tabel 4.3 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada
Data Pelatihan Jaringan Syaraf Tiruan
Pola Data Masukan (X1, X2, X3,........,X12) Target
Pola-1
113798
108549 84286 104824 96713 107127 113817
129410 121654 108145 127759 106361 124288
Pola-2
100815
84286 104824 96713 107127 113817 129410
121654 108145 127759 106361 124288 113798
Pola-3
119197
104824 96713 107127 113817 129410 121654
108145 127759 106361 124288 113798 100815

20
Pola-4
102516
96713 107127 113817 129410 121654 108145
127759 106361 124288 113798 100815 119197
Pola-5
104028
107127 113817 129410 121654 108145 127759
106361 124288 113798 100815 119197 102516
Pola-6
101060
113817 129410 121654 108145 127759 106361
124288 113798 100815 119197 102516 104028
Pola-7
103589
129410 121654 108145 127759 106361 124288
113798 100815 119197 102516 104028 101060
Pola-8
106084
121654 108145 127759 106361 124288 113798
100815 119197 102516 104028 101060 103589
Pola-9
98206
108145 127759 106361 124288 113798 100815
119197 102516 104028 101060 103589 106084
Pola-10
97566
127759 106361 124288 113798 100815 119197
102516 104028 101060 103589 106084 98206
Pola-11
104030
106361 124288 113798 100815 119197 102516
104028 101060 103589 106084 98206 97566
Pola-12
116894
124288 113798 100815 119197 102516 104028
101060 103589 106084 98206 97566 104030
Pola-13
112594
113798 100815 119197 102516 104028 101060
103589 106084 98206 97566 104030 116894
Pola-14
98912
100815 119197 102516 104028 101060 103589
106084 98206 97566 104030 116894 112594
Pola-15
119481
119197 102516 104028 101060 103589 106084
98206 97566 104030 116894 112594 98912
Pola-16
109041
102516 104028 101060 103589 106084 98206
97566 104030 116894 112594 98912 119481
Pola-17
115868104028 101060 103589 106084 98206 97566

21
104030 116894 112594 98912 119481 109041
Pola-18
116094
101060 103589 106084 98206 97566 104030
116894 112594 98912 119481 109041 115868
Pola-19
124985
103589 106084 98206 97566 104030 116894
112594 98912 119481 109041 115868 116094
Pola-20
115313
106084 98206 97566 104030 116894 112594
98912 119481 109041 115868 116094 124985
Pola-21
121269
98206 97566 104030 116894 112594 98912
119481 109041 115868 116094 124985 115313
Pola-22
115176
97566 104030 116894 112594 98912 119481
109041 115868 116094 124985 115313 121269
Pola-23
122099
104030 116894 112594 98912 119481 109041
115868 116094 124985 115313 121269 115176
Pola-24
128962
116894 112594 98912 119481 109041 115868
116094 124985 115313 121269 115176 122099
Pola-25
111891
112594 98912 11481 109041 115868 116094
124985 115313 121269 115176 122099 128962
Pola-26
110904
98912 11481 109041 115868 116094 124985
115313 121269 115176 122099 128962 111891
Pola-27
112905
11481 109041 115868 116094 124985 115313
121269 115176 122099 128962 111891 110904
Pola-28
125654
109041 115868 116094 124985 115313 121269
115176 122099 128962 111891 110904 112905
Pola-29
135539
115868 116094 124985 115313 121269 115176
122099 128962 111891 110904 112905 125654
Pola-30
123340
116094 124985 115313 121269 115176 122099
128962 111891 110904 112905 125654 135539
Pola-31 Januari Pebruari Maret April Mei Juni
133761
124985 115313 121269 115176 122099 128962

22
111891 110904 112905 125654 135539 123340
Pola-32
117662
115313 121269 115176 122099 128962 111891
110904 112905 125654 135539 123340 133761
Pola-33
126085
121269 115176 122099 128962 111891 110904
112905 125654 135539 123340 133761 117662
Pola-34
131848
115176 122099 128962 111891 110904 112905
125654 135539 123340 133761 117662 126085
Pola-35
131722
122099 128962 111891 110904 112905 125654
135539 123340 133761 117662 126085 131848
Pola-36
131332
128962 111891 110904 112905 125654 135539
123340 133761 117662 126085 131848 131722
Pola-37
128025
111891 110904 112905 125654 135539 123340
133761 117662 126085 131848 131722 131332
Pola-38
120208
110904 112905 125654 135539 123340 133761
117662 126085 131848 131722 131332 128025
Pola-39
129077
112905 125654 135539 123340 133761 117662
126085 131848 131722 131332 128025 120208
Pola-40
124445
125654 135539 123340 133761 117662 126085
131848 131722 131332 128025 120208 129077
Pola-41
129927
135539 123340 133761 117662 126085 131848
131722 131332 128025 120208 129077 124445
Pola-42
133792
123340 133761 117662 126085 131848 131722
131332 128025 120208 129077 124445 129927
Pola-43
145414
133761 117662 126085 131848 131722 131332
128025 120208 129077 124445 129927 133792
Pola-44
130132
117662 126085 131848 131722 131332 128025
120208 129077 124445 129927 133792 145414
Pola-45 Januari Pebruari Maret April Mei Juni 133259

23
126085 131848 131722 131332 128025 120208
129077 124445 129927 133792 145414 130132
Pola-46
145835
131848 131722 131332 128025 120208 129077
124445 129927 133792 145414 130132 133259
Pola-47
143574
131722 131332 128025 120208 129077 124445
129927 133792 145414 130132 133259 145835
Pola-48
143773
131332 128025 120208 129077 124445 129927
133792 145414 130132 133259 145835 143574
Pola-49
146719
128025 120208 129077 124445 129927 133792
145414 130132 133259 145835 143574 143773
Pola-50
129662
120208 129077 124445 129927 133792 145414
Juli Agustus September Oktober November Januari
130132 133259 145835 143574 143773 146719
Pola-51
141621
129077 124445 129927 133792 145414 130132
133259 145835 143574 143773 146719 129662
Pola-52
135957
124445 129927 133792 145414 130132 133259
145835 143574 143773 146719 129662 141621
Pola-53
145603
129927 133792 145414 130132 133259 145835
143574 143773 146719 129662 141621 135957
Pola-54
151331
133792 145414 130132 133259 145835 143574
143773 146719 129662 141621 135957 145603
Pola-55
157635
145414 130132 133259 145835 143574 143773
146719 129662 141621 135957 145603 151331
Pola-56
175574
130132 133259 145835 143574 143773 146719
129662 141621 135957 145603 151331 157635
Pola-57
147820
133259 145835 143574 143773 146719 129662
141621 135957 145603 151331 157635 175574
Pola-58
168182
145835 143574 143773 146719 129662 141621
135957 145603 151331 157635 175574 147820

24
Pola-59
165351
143574 143773 146719 129662 141621 135957
145603 151331 157635 175574 147820 168182
Pola-60
171754
143773 146719 129662 141621 135957 145603
151331 157635 175574 147820 168182 165351
Pola-61
166100
146719 129662 141621 135957 145603 151331
157635 175574 147820 168182 165351 171754
Pola-62
142605
129662 141621 135957 145603 151331 157635
175574 147820 168182 165351 171754 166100
Pola-63
162974
141621 135957 145603 151331 157635 175574
147820 168182 165351 171754 166100 142605
Pola-64
151576
135957 145603 151331 157635 175574 147820
168182 165351 171754 166100 142605 162974
Pola-65
171595
145603 151331 157635 175574 147820 168182
165351 171754 166100 142605 162974 151576
Pola-66
179851
151331 157635 175574 147820 168182 165351
171754 166100 142605 162974 151576 171595
Pola-67
170306
157635 175574 147820 168182 165351 171754
166100 142605 162974 151576 171595 179851
Pola-68
188548
175574 147820 168182 165351 171754 166100
142605 162974 151576 171595 179851 170306
Pola-69
155232
147820 168182 165351 171754 166100 142605
162974 151576 171595 179851 170306 188548
Pola-70
177047
168182 165351 171754 166100 142605 162974
151576 171595 179851 170306 188548 155232
Pola-71
171332
165351 171754 166100 142605 162974 151576
171595 179851 170306 188548 155232 177047
Pola-72
187124171754 166100 142605 162974 151576 171595

25
179851 170306 188548 155232 177047 171332
Pola-73
179816
166100 142605 162974 151576 171595 179851
170306 188548 155232 177047 171332 187124
Pola-74
166112
142605 162974 151576 171595 179851 170306
188548 155232 177047 171332 187124 179816
Pola-75
163616
162974 151576 171595 179851 170306 188548
155232 177047 171332 187124 179816 166112
Pola-76
156891
151576 171595 179851 170306 188548 155232
177047 171332 187124 179816 166112 163616
Pola-77
179258
171595 179851 170306 188548 155232 177047
171332 187124 179816 166112 163616 156891
Pola-78
194037
179851 170306 188548 155232 177047 171332
187124 179816 166112 163616 156891 179258
Pola-79
199632
170306 188548 155232 177047 171332 187124
179816 166112 163616 156891 179258 194037
Pola-80
192180
188548 155232 177047 171332 187124 179816
166112 163616 156891 179258 194037 199632
Pola-81
169505
155232 177047 171332 187124 179816 166112
163616 156891 179258 194037 199632 192180
Pola-82
188957
177047 171332 187124 179816 166112 163616
156891 179258 194037 199632 192180 169505
Pola-83
177164
171332 187124 179816 166112 163616 156891
179258 194037 199632 192180 169505 188957
Pola-84
200888
187124 179816 166112 163616 156891 179258
194037 199632 192180 169505 188957 177164

26
Tabel 4.4 Pola Variabel Data Masukan Dan Data Keluaran (Target) Pada
Data Pengujian Jaringan Syaraf Tiruan
Pola-1
94457
85133 70370 70261 70730 81468 79590
88388 82934 80180 74468 84891 88736
Pola-2
81633
70370 70261 70730 81468 79590 88388
82934 80180 74468 84891 88736 94457
Pola-3
80137
70261 70730 81468 79590 88388 82934
80180 74468 84891 88736 94457 81633
Pola-4
74168
70730 81468 79590 88388 82934 80180
74468 84891 88736 94457 81633 80137
Pola-5
74862
81468 79590 88388 82934 80180 74468
84891 88736 94457 81633 80137 74168
Pola-6
77602
79590 88388 82934 80180 74468 84891
88736 94457 81633 80137 74168 74862
Pola-7
91995
88388 82934 80180 74468 84891 88736
94457 81633 80137 74168 74862 77602
Pola-8
80147
82934 80180 74468 84891 88736 94457
81633 80137 74168 74862 77602 91995
Pola-9
83900
82934 80180 74468 84891 88736 81633
80137 74168 74862 77602 91995 80147
Pola-10
82924
80180 74468 84891 88736 81633 80137
74168 74862 77602 91995 80147 83900
Pola-11
81362
74468 84891 88736 81633 80137 74168
74862 77602 91995 80147 83900 82924
Pola-12
97406
84891 88736 81633 80137 74168 74862
77602 91995 80147 83900 82924 81362
Pola-13
104324
94457 81633 80137 74168 74862 77602
91995 80147 83900 82924 81362 97406

27
Pola-14
82278
81633 80137 74168 74862 77602 91995
80147 83900 82924 81362 97406 104324
Pola-15
85666
80137 74168 74862 77602 91995 80147
83900 82924 81362 97406 104324 82278
Pola-16
94189
74168 74862 77602 91995 80147 83900
82924 81362 97406 104324 82278 85666
Pola-17
94924
74862 77602 91995 80147 83900 82924
81362 97406 104324 82278 85666 94189
Pola-18
98819
77602 91995 80147 83900 82924 81362
97406 104324 82278 85666 94189 94924
Pola-19
111541
91995 80147 83900 82924 81362 97406
104324 82278 85666 94189 94924 98819
Pola-20
105651
80147 83900 82924 81362 97406 104324
82278 85666 94189 94924 98819 111541
Pola-21
106459
83900 82924 81362 97406 104324 82278
85666 94189 94924 98819 111541 105651
Pola-22
116690
82924 81362 97406 104324 82278 85666
94189 94924 98819 111541 105651 106459
Pola-23
102137
81362 97406 104324 82278 85666 94189
94924 98819 111541 105651 106459 116690
Pola-24
125085
97406 104324 82278 85666 94189 94924
98819 111541 105651 106459 116690 102137
4.1.4 Transformasi Pola Data
Karena ingin menggunakan fungsi aktivasi sigmoid (biner), maka harus
ditransformasikan dulu karena range keluaran fungsi aktivasi sigmoid adalah [0,
1]. Data bisa ditransformasikan ke interval [0, 1]. Tapi akan lebih baik jika
ditransformasikan ke interval yang lebih kecil. Maka data dalam penelitian ini

28
akan ditransformasikan pada interval [0,1 . 0,9], ini mengingat fungsi sigmoid
merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 ataupun 1.
Jika a adalah data minimum jumlah penumpang perbulan dan b adalah data
maksimum jumlah penumpang perbulan, maka transformasi linear yang dapat
dipakai untuk mentransformasikan data ke interval [0,1 . 0,9] adalah:
𝑋′
=
0,8(𝑋 − 𝑎)
𝑏 − 𝑎
+ 0,1… … …… … …… … … …… … …… … …… … … …… (4.1)
Data dalam tabel 4.1, a = 1.42.605. dan b = 2.00.888. Dengantransformasi ini
maka data terkecil akan menjadi 0,1 dan data terbesar akan menjadi 0,9. Tabel 4.3
adalah hasil transformasi data tabel 4.1 yang nantinya akan dipakai sebagai data
pelatihan jaringan syaraf tiruan backpropagation.
Tahun 2014 Tiap Bulan Sebagai Data Pelatihan Jaringan Syaraf Tiruan
2007
0,2665 0,1 02409 0,1853 0,2567 0,3026
0,4096 0,3564 0,2637 0,3983 0,2515 0,3745
2008
0,3025 0,2134 0,3395 0,2251 0,2354 0,2151
0,2324 0,2496 0,1955 0,1911 0,2355 0,3237
2009
0,2942 0,2003 0,3415 0,2698 0,3167 0,3182
0,3792 0,3129 0,3537 0,3119 0,3594 0,4065
2010
0,2894 0,2826 0,2964 0,3838 0,4516 0,3679
0,4394 0,3290 0,3868 0,4263 0,4255 0,4229
2011
0,4001 0,3465 0,4073 0,3755 0,4131 0,4397
0,5194 0,4145 0,4360 0,5223 0,5068 0,5081
2012
0,5283 0,4113 0,4934 0,4545 0,5207 0,5600
0,6032 0,7263 0,5359 0,6756 0,6561 0,7001
2013
0,6613 0,5001 0,6399 0,5617 0,6990 0,7557
0,6902 0,8153 0,5868 0,7364 0,6972 0,8056
2014
0,7554 0,6614 0,6443 0,5981 0,7516 0,8530
0,8914 0,8403 0,6847 0,8181 0,7372 0,9

29
Tahun 2006 Tiap Bulan Sebagai Data Pengujian Jaringan Syaraf Tiruan
2004
0,3170 0,1016 0,1 0,1068 0,2635 0,2361
0,3645 0,2849 0,2447 0,1614 0,3135 0,3696
2005
0,4531 0,2660 0,2441 0,1570 0,1671 0,2071
0,4171 0,2443 0,2990 0,2848 0,2620 0,4961
2006
0,5971 0,2754 0,3248 0,4492 0,4599 0,5167
0,7024 0,6164 0,6282 0,7775 0,5651 0,9
Pola data hasil tranformasi data pelatihan dan data pengujian seperti yang tampak
dalam tabel 4.7 dan tabel 4.8.
Tabel 4.7 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target)
Pada Data Pelatihan Jaringan Syaraf Tiruan
Pola-1
0,3025
0,2665 0,1 02409 0,1853 0,2567 0,3026
0,4096 0,3564 0,2637 0,3983 0,2515 0,3745
Pola-2
0,2134
0,1 02409 0,1853 0,2567 0,3026 0,4096
0,3564 0,2637 0,3983 0,2515 0,3745 0,3025
Pola-3
0,3395
02409 0,1853 0,2567 0,3026 0,4096 0,3564
0,2637 0,3983 0,2515 0,3745 0,3025 0,2134
Pola-4
0,2251
0,1853 0,2567 0,3026 0,4096 0,3564 0,2637
0,3983 0,2515 0,3745 0,3025 0,2134 0,3395
Pola-5
0,2354
0,2567 0,3026 0,4096 0,3564 0,2637 0,3983
0,2515 0,3745 0,3025 0,2134 0,3395 0,2251
Pola-6
0,2151
0,3026 0,4096 0,3564 0,2637 0,3983 0,2515
0,3026 0,4096 0,3564 0,2637 0,3983 0,2354
Pola-7
0,2324
0,4096 0,3564 0,2637 0,3983 0,2354 0,3026
0,4096 0,3564 0,2637 0,3983 0,2354 0,2151
0,2496
0,3564 0,2637 0,3983 0,2354 0,3026 0,4096

30
0,3564 0,2637 0,3983 0,2354 0,2151 0,2324
Pola-9
0,1955
0,2637 0,3983 0,2354 0,3026 0,4096 0,3564
0,2637 0,3983 0,2354 0,2151 0,2324 0,2496
Pola-10
0,1911
0,3983 0,2354 0,3026 0,4096 0,3564 0,2637
0,3983 0,2354 0,2151 0,2324 0,2496 0,1955
Pola-11
0,2355
0,2354 0,3026 0,4096 0,3564 0,2637 0,3983
0,2354 0,2151 0,2324 0,2496 0,1955 0,1911
Pola-12
0,3237
0,3026 0,4096 0,3564 0,2637 0,3983 0,2354
0,2151 0,2324 0,2496 0,1955 0,1911 0,2355
Pola-13
0,2942
0,3025 0,2134 0,3395 0,2251 0,2354 0,2151
0,2324 0,2496 0,1955 0,1911 0,2355 0,3237
Pola-14
0,2003
0,2134 0,3395 0,2251 0,2354 0,2151 0,2324
0,2496 0,1955 0,1911 0,2355 0,3237 0,2942
Pola-15
0,3415
0,3395 0,2251 0,2354 0,2151 0,2324 0,2496
0,1955 0,1911 0,2355 0,3237 0,2942 0,2003
Pola-16
0,2698
0,2251 0,2354 0,2151 0,2324 0,2496 0,1955
0,1911 0,2355 0,3237 0,2942 0,2003 0,3415
Pola-17
0,3167
0,2354 0,2151 0,2324 0,2496 0,1955 0,1911
0,2355 0,3237 0,2942 0,2003 0,3415 0,2698
Pola-18
0,3182
0,2151 0,2324 0,2496 0,1955 0,1911 0,2355
0,3237 0,2942 0,2003 0,3415 0,2698 0,3167
Pola-19
0,3792
0,2324 0,2496 0,1955 0,1911 0,2355 0,3237
0,2942 0,2003 0,3415 0,2698 0,3167 0,3182
Pola-20
0,3129
0,2496 0,1955 0,1911 0,2355 0,3237 0,2942
0,2003 0,3415 0,2698 0,3167 0,3182 0,3792
Pola-21
0,3537
0,1955 0,1911 0,2355 0,3237 0,2942 0,2003
0,3415 0,2698 0,3167 0,3182 0,3792 0,3129
Pola-22 Januari Pebruari Maret April Mei Juni 0,3119

31
0,1911 0,2355 0,3237 0,2942 0,2003 0,3415
0,2698 0,3167 0,3182 0,3792 0,3129 0,3537
Pola-23
0,3594
0,2355 0,3237 0,2942 0,2003 0,3415 0,2698
0,3167 0,3182 0,3792 0,3129 0,3537 0,3119
Pola-24
0,4065
0,3237 0,2942 0,2003 0,3415 0,2698 0,3167
0,3182 0,3792 0,3129 0,3537 0,3119 0,3594
Pola-25
0,2894
0,2942 0,2003 0,3415 0,2698 0,3167 0,3182
0,3792 0,3129 0,3537 0,3119 0,3594 0,4065
Pola-26
0,2826
0,2003 0,3415 0,2698 0,3167 0,3182 0,3792
0,3129 0,3537 0,3119 0,3594 0,4065 0,2894
Pola-27
0,2964
0,3415 0,2698 0,3167 0,3182 0,3792 0,3129
0,3537 0,3119 0,3594 0,4065 0,2894 0,2826
Pola-28
0,3838
0,2698 0,3167 0,3182 0,3792 0,3129 0,3537
0,3119 0,3594 0,4065 0,2894 0,2826 0,2964
Pola-29
0,4516
0,3167 0,3182 0,3792 0,3129 0,3537 0,3119
0,3594 0,4065 0,2894 0,2826 0,2964 0,3838
Pola-30
0,3679
0,3182 0,3792 0,3129 0,3537 0,3119 0,3594
0,4065 0,2894 0,2826 0,2964 0,3838 0,4516
Pola-31
0,4394
0,3792 0,3129 0,3537 0,3119 0,3594 0,4065
0,2894 0,2826 0,2964 0,3838 0,4516 0,3679
Pola-32
0,3290
0,3129 0,3537 0,3119 0,3594 0,4065 0,2894
0,2826 0,2964 0,3838 0,4516 0,3679 0,4394
Pola-33
0,3868
0,3537 0,3119 0,3594 0,4065 0,2894 0,2826
0,2964 0,3838 0,4516 0,3679 0,4394 0,3290
Pola-34
0,4263
0,3119 0,3594 0,4065 0,2894 0,2826 0,2964
0,3838 0,4516 0,3679 0,4394 0,3290 0,3868
Pola-35
0,4255
0,3594 0,4065 0,2894 0,2826 0,2964 0,3838
0,4516 0,3679 0,4394 0,3290 0,3868 0,4263

32
Pola-36
0,4229
0,4065 0,2894 0,2826 0,2964 0,3838 0,4516
0,3679 0,4394 0,3290 0,3868 0,4263 0,4255
Pola-37
0,4001
0,2894 0,2826 0,2964 0,3838 0,4516 0,3679
0,4394 0,3290 0,3868 0,4263 0,4255 0,4229
Pola-38
0,3465
0,2826 0,2964 0,3838 0,4516 0,3679 0,4394
0,3290 0,3868 0,4263 0,4255 0,4229 0,4001
Pola-39
0,4073
0,2964 0,3838 0,4516 0,3679 0,4394 0,3290
0,3868 0,4263 0,4255 0,4229 0,4001 0,3465
Pola-40
0,3755
0,3838 0,4516 0,3679 0,4394 0,3290 0,3868
0,4263 0,4255 0,4229 0,4001 0,3465 0,4073
Pola-41
0,4131
0,4516 0,3679 0,4394 0,3290 0,3868 0,4263
0,4255 0,4229 0,4001 0,3465 0,4073 0,3755
Pola-42
0,4397
0,3679 0,4394 0,3290 0,3868 0,4263 0,4255
0,4229 0,4001 0,3465 0,4073 0,3755 0,4131
Pola-43
0,5194
0,4394 0,3290 0,3868 0,4263 0,4255 0,4229
0,4001 0,3465 0,4073 0,3755 0,4131 0,4397
Pola-44
0,4145
0,3290 0,3868 0,4263 0,4255 0,4229 0,4001
0,3465 0,4073 0,3755 0,4131 0,4397 0,5194
Pola-45
0,4360
0,3868 0,4263 0,4255 0,4229 0,4001 0,3465
0,4073 0,3755 0,4131 0,4397 0,5194 0,4145
Pola-46
0,5223
0,4263 0,4255 0,4229 0,4001 0,3465 0,4073
0,3755 0,4131 0,4397 0,5194 0,4145 0,4360
Pola-47
0,5068
0,4255 0,4229 0,4001 0,3465 0,4073 0,3755
0,4131 0,4397 0,5194 0,4145 0,4360 0,5223
Pola-48
0,5081
0,4229 0,4001 0,3465 0,4073 0,3755 0,4131
0,4397 0,5194 0,4145 0,4360 0,5223 0,5068
Pola-49
0,52830,4001 0,3465 0,4073 0,3755 0,4131 0,4397

33
0,5194 0,4145 0,4360 0,5223 0,5068 0,5081
Pola-50
0,4113
0,3465 0,4073 0,3755 0,4131 0,4397 0,5194
0,4145 0,4360 0,5223 0,5068 0,5081 0,5283
Pola-51
0,4934
0,4073 0,3755 0,4131 0,4397 0,5194 0,4145
0,4360 0,5223 0,5068 0,5081 0,5283 0,4113
Pola-52
0,4545
0,3755 0,4131 0,4397 0,5194 0,4145 0,4360
0,5223 0,5068 0,5081 0,5283 0,4113 0,4934
Pola-53
0,5207
0,4131 0,4397 0,5194 0,4145 0,4360 0,5223
0,5068 0,5081 0,5283 0,4113 0,4934 0,4545
Pola-54
0,5600
0,4397 0,5194 0,4145 0,4360 0,5223 0,5068
0,5081 0,5283 0,4113 0,4934 0,4545 0,5207
Pola-55
0,6032
0,5194 0,4145 0,4360 0,5223 0,5068 0,5081
0,5283 0,4113 0,4934 0,4545 0,5207 0,5600
Pola-56
0,7263
0,4145 0,4360 0,5223 0,5068 0,5081 0,5283
0,4113 0,4934 0,4545 0,5207 0,5600 0,6032
Pola-57
0,5359
0,4360 0,5223 0,5068 0,5081 0,5283 0,4113
0,4934 0,4545 0,5207 0,5600 0,6032 0,7263
Pola-58
0,6756
0,5223 0,5068 0,5081 0,5283 0,4113 0,4934
0,4545 0,5207 0,5600 0,6032 0,7263 0,5359
Pola-59
0,6561
0,5068 0,5081 0,5283 0,4113 0,4934 0,4545
0,5207 0,5600 0,6032 0,7263 0,5359 0,6756
Pola-60
0,7001
0,5081 0,5283 0,4113 0,4934 0,4545 0,5207
0,5600 0,6032 0,7263 0,5359 0,6756 0,6561
Pola-61
0,6613
0,5283 0,4113 0,4934 0,4545 0,5207 0,5600
0,6032 0,7263 0,5359 0,6756 0,6561 0,7001
Pola-62
0,5001
0,4113 0,4934 0,4545 0,5207 0,5600 0,6032
0,7263 0,5359 0,6756 0,6561 0,7001 0,6613
0,6399
0,4934 0,4545 0,5207 0,5600 0,6032 0,7263

34
0,5359 0,6756 0,6561 0,7001 0,6613 0,5001
Pola-64
0,5617
0,4545 0,5207 0,5600 0,6032 0,7263 0,5359
0,6756 0,6561 0,7001 0,6613 0,5001 0,6399
Pola-65
0,6990
0,5207 0,5600 0,6032 0,7263 0,5359 0,6756
0,6561 0,7001 0,6613 0,5001 0,6399 0,5617
Pola-66
0,7557
0,5600 0,6032 0,7263 0,5359 0,6756 0,6561
0,7001 0,6613 0,5001 0,6399 0,5617 0,6990
Pola-67
0,6902
0,6032 0,7263 0,5359 0,6756 0,6561 0,7001
0,6613 0,5001 0,6399 0,5617 0,6990 0,7557
Pola-68
0,8153
0,7263 0,5359 0,6756 0,6561 0,7001 0,6613
0,5001 0,6399 0,5617 0,6990 0,7557 0,6902
Pola-69
0,5868
0,5359 0,6756 0,6561 0,7001 0,6613 0,5001
0,6399 0,5617 0,6990 0,7557 0,6902 0,8153
Pola-70
0,7364
0,6756 0,6561 0,7001 0,6613 0,5001 0,6399
0,5617 0,6990 0,7557 0,6902 0,8153 0,5868
Pola-71
0,6972
0,6561 0,7001 0,6613 0,5001 0,6399 0,5617
0,6990 0,7557 0,6902 0,8153 0,5868 0,7364
Pola-72
0,8056
0,7001 0,6613 0,5001 0,6399 0,5617 0,6990
0,7557 0,6902 0,8153 0,5868 0,7364 0,6972
Pola-73
0,7554
0,6613 0,5001 0,6399 0,5617 0,6990 0,7557
0,6902 0,8153 0,5868 0,7364 0,6972 0,8056
Pola-74
0,6614
0,5001 0,6399 0,5617 0,6990 0,7557 0,6902
0,8153 0,5868 0,7364 0,6972 0,8056 0,7554
Pola-75
0,6443
0,6399 0,5617 0,6990 0,7557 0,6902 0,8153
0,5868 0,7364 0,6972 0,8056 0,7554 0,6614
Pola-76
0,5981
0,5617 0,6990 0,7557 0,6902 0,8153 0,5868
0,7364 0,6972 0,8056 0,7554 0,6614 0,6443
Pola-77 Januari Pebruari Maret April Mei Juni 0,7516

35
0,6990 0,7557 0,6902 0,8153 0,5868 0,7364
0,6972 0,8056 0,7554 0,6614 0,6443 0,5981
Pola-78
0,8530
0,7557 0,6902 0,8153 0,5868 0,7364 0,6990
0,8056 0,7554 0,6614 0,6443 0,5981 0,7516
Pola-79
0,8914
0,6902 0,8153 0,5868 0,7364 0,6990 0,8056
0,7554 0,6614 0,6443 0,5981 0,7516 0,8530
Pola-80
0,8403
0,8153 0,5868 0,7364 0,6990 0,8056 0,7554
0,6614 0,6443 0,5981 0,7516 0,8530 0,8914
Pola-81
0,6847
0,5868 0,7364 0,6990 0,8056 0,7554 0,6614
0,6443 0,5981 0,7516 0,8530 0,8914 0,8403
Pola-82
0,8181
0,7364 0,6990 0,8056 0,7554 0,6614 0,6443
0,5981 0,7516 0,8530 0,8914 0,8403 0,6847
Pola-83
0,7372
0,6990 0,8056 0,7554 0,6614 0,6443 0,5981
0,7516 0,8530 0,8914 0,8403 0,6847 0,8181
Pola-84
0,9
0,8056 0,7554 0,6614 0,6443 0,5981 0,7516
0,8530 0,8914 0,8403 0,6847 0,8181 0,7372
Tabel 4.8 Transformasi Pola Variabel Data Masukan dan Data Keluaran (Target)
Pada Data Pengujian Jaringan Syaraf Tiruan
Pola-1
0,4531
0,3170 0,1016 0,1 0,1068 0,2635 0,2361
0,3645 0,2849 0,2447 0,1614 0,3135 0,3696
Pola-2
0,2660
0,1016 0,1 0,1068 0,2635 0,2361 0,3645
0,2849 0,2447 0,1614 0,3135 0,3696 0,4531
Pola-3
0,2441
0,1 0,1068 0,2635 0,2361 0,3645 0,2849
0,2447 0,1614 0,3135 0,3696 0,4531 0,2660
Pola-4
0,1570
0,1068 0,2635 0,2361 0,3645 0,2849 0,2447
0,1614 0,3135 0,3696 0,4531 0,2660 0,2441
Pola-5
0,16710,2635 0,2361 0,3645 0,2849 0,2447 0,1614

36
0,3135 0,3696 0,4531 0,2660 0,2441 0,1570
Pola-6
0,2071
0,2361 0,3645 0,2849 0,2447 0,1614 0,3135
0,3696 0,4531 0,2660 0,2441 0,1570 0,1671
Pola-7
0,4171
0,3645 0,2849 0,2447 0,1614 0,3135 0,3696
0,4531 0,2660 0,2441 0,1570 0,1671 0,2071
Pola-8
0,2443
0,2849 0,2447 0,1614 0,3135 0,3696 0,4531
0,2660 0,2441 0,1570 0,1671 0,2071 0,4171
Pola-9
0,2990
0,2447 0,1614 0,3135 0,3696 0,4531 0,2660
0,2441 0,1570 0,1671 0,2071 0,4171 0,2443
Pola-10
0,2848
0,1614 0,3135 0,3696 0,4531 0,2660 0,2441
0,1570 0,1671 0,2071 0,4171 0,2443 0,2990
Pola-11
0,2620
0,3135 0,3696 0,4531 0,2660 0,2441 0,1570
0,1671 0,2071 0,4171 0,2443 0,2990 0,2848
Pola-12
0,4961
0,3696 0,4531 0,2660 0,2441 0,1570 0,1671
0,2071 0,4171 0,2443 0,2990 0,2848 0,2620
Pola-13
0,5971
0,4531 0,2660 0,2441 0,1570 0,1671 0,2071
0,4171 0,2443 0,2990 0,2848 0,2620 0,4961
Pola-14
0,2754
0,2660 0,2441 0,1570 0,1671 0,2071 0,4171
0,2443 0,2990 0,2848 0,2620 0,4961 0,5971
Pola-15
0,3248
0,2441 0,1570 0,1671 0,2071 0,4171 0,2443
0,2990 0,2848 0,2620 0,4961 0,5971 0,2754
Pola-16
0,4492
0,1570 0,1671 0,2071 0,4171 0,2443 0,2990
0,2848 0,2620 0,4961 0,5971 0,2754 0,3248
Pola-17
0,4599
0,1671 0,2071 0,4171 0,2443 0,2990 0,2848
0,2620 0,4961 0,5971 0,2754 0,3248 0,4492
Pola-18
0,5167
0,2071 0,4171 0,2443 0,2990 0,2848 0,2620
0,4961 0,5971 0,2754 0,3248 0,4492 0,4599
0,7024
0,4171 0,2443 0,2990 0,2848 0,2620 0,4961

37
0,5971 0,2754 0,3248 0,4492 0,4599 0,5167
Pola-20
0,6164
0,2443 0,2990 0,2848 0,2620 0,4961 0,5971
0,2754 0,3248 0,4492 0,4599 0,5167 0,7024
Pola-21
0,6264
0,2990 0,2848 0,2620 0,4961 0,5971 0,2754
0,3248 0,4492 0,4599 0,5167 0,7024 0,6164
Pola-22
0,6282
0,2848 0,2620 0,4961 0,5971 0,2754 0,3248
0,4492 0,4599 0,5167 0,7024 0,6164 0,6264
Pola-23
0,7775
0,2848 0,2620 0,4961 0,5971 0,2754 0,4492
0,4599 0,5167 0,7024 0,6164 0,6264 0,6282
Pola-24
0,9
0,2620 0,4961 0,5971 0,2754 0,4492 0,4599
0,5167 0,7024 0,6164 0,6264 0,6282 0,7775
4.1.5 Inisialisasi Parameter
Parameter yang diset untuk pembelajaran adalah traingdm. Traingdm
merupakan fungsi pembelajaran untuk bobot-bobot dengan menggunakan nilai
momentum. Selain itu, terdapat beberapa nilai parameter yang harus diset untuk
pelatihan. Parameter-parameter tersebut yaitu:
1. Maksimum epoh
Epoh adalah perulangan atau iterasi dari proses yang dilakukan untuk
mencapai target yang telah ditentukan. Maksimum epoh adalah jumlah epoh
maksimum yang boleh dilakukan selama proses pelatihan. Iterasi akan
dihentikan apabila nilai epoh melebihi maksimum epoh.
Instruksi : net.trainParam.epochs = MaxEpoh
Nilai standar untuk maksimum epoh adalah 10.
2. Kinerja Tujuan
Kinerja tujuan adalah target nilai fungsi kinerja. Iterasi akan dihentikan
apabila nilai fungsi kinerja kurang dari atau sama dengan kinerja tujuan.
Instruksi : net.trainParam.goal = TargetError
Nilai standar untuk kinerja tujuan adalah 0.
3. Learning Rate

38
Learning rate adalah laju pembelajaran yang berupa perkalian negatif dari
gradien untuk menetukan perubahan pada nilai bobot dan bias. Semakin
besar nilai learning rate akan berimplikasi pada semakin besarnya langkah
pembelajaran. Jika learning rate diset terlalu besar, maka algoritma akan
menjadi tidak stabil. Sebaliknya, jika learning rate diset terlalu kecil maka
algoritma akan mencapai target dalam jangka waktu yang sangat lama.
Instruksi : net.trainParam.lr = LearningRate
Nilai standar untuk learning rate adalah 0.01.
4. Momentum
Momentum adalah konstanta yang mempengaruhi besarnya perubahan
bobot.
Instruksi : net.trainParam.mc = Momentum
Nilai standar untuk momentum adalah 0 sampai 1.
5. Jumlah epoh yang akan ditunjukkan kemajuannya.
Menunjukkan berapa jumlah epoh berselang yang akan ditunjukkan
kemajuannya.
Instruksi : net.trainParam.show = EpohShow
Nilai standar untuk jumlah epoh yang akan ditunjukkan adalah 10.
4.1.6 Pola Pelatihan dan Pengujian Data
Untuk mendapatkan suatu metode yang baik dalam sistem peramalan
digunakan tingkat ketelitian sebagai ukuran. Semakin tinggi tingkat ketelitian
yang didapat maka semakin baik metode tersebut. Setelah dilakukan pelatihan dan
pengujian didapat hasil- hasil penelitian dengan klasifikasi terhadap error
maksimum yang dapat tercapai.
Besarnya nilai error yang dicapai tersebut menentukan seberapa besar nilai
ketepatan yang dapat dilakukan dalam peramalan. Untuk serangkaian data yang
akan ditentukan nilainya, berbeda tingkat penyimpangannya yang secara
terakumulasi membentuk hasil peramalan tersebut. Untuk memudahkan analisis,
maka hasil-hasilnya ditampilkan dalam bentuk grafik.
Pembentukan pola peramalan yang terbentuk secara implisit oleh Jaringan
Syaraf Tiruan terlihat pada grafik dibawah ini yang merupakan hasil dari

39
komputasi simulator yang digunakan dengan parameter-parameter yang
mempengaruhinya.
Pembentukan jaringan disesuaikan dengan pola data yang didapat. Data
awal dimasukan dalam simulator untuk dilakukan komputasi dengan
memperhatikan pola data yang ada. Adapun tahap-tahap yang ada :
1. Plot data untuk membentuk pola.
Masukan data-data yang akan digunakan ke simulator untuk melalui tahap
proses belajar/pengenalan pola. Pada bagian ini perlu ditentukan jumlah
variabel masukan, keluaran, dan jumlah pasangan pola yang diberikan
2. Plot data tes.
Memasukan data-data ke dalam simulator, yang akan digunakan untuk tahap
proses pengetesan atas hasil pembentukan pola peramalan oleh jaringan
syaraf tiruan. Pengetesan pola dimasukan untuk melihat kemampuan model
yang telah dihasilkan oleh jaringan syaraf tiruan (JST) pada tahap peramalan
yang telah dibentuk sebelumnya.
3. Tahap normalisasi data
Data-data masukan sebelum diproses dalam simulator, terlebih dahulu
dilakukan proses normalisasi. Dimana diperlukan untuk lebih mempercepat
konvergensi pencarian (pembentukan) pola dan proses yang dibutuhkan
oleh fungsi sigmoid dalam kinerjanya sebagai fungsi aktivasi neuron. Jika
masukan dari parameter tersebut diluar rentang (range) yang dinginkan
yaitu dalam range 0 sampai dengan 1, maka konvergensi pada saat
pembentukan pola tidak akan pernah tercapai.
4. Menentukan tingkat error.
Dalam penelitian ini akan digunakan tingkat error yang bervariasi, dengan
tujuan untuk melihat sejauh mana kemampuan jaringan syaraf tiruan dalam
mengenal pola sampai membentuk pola. Tingkat error yang digunakan
mulai dari 0,1 (10 %) sampai dengan 0,01 (1 %).
5. Menentukan jumlah lapis (layer).
Lapis (layer) yang digunakan pada jaringan syaraf tiruan terdiri dari 3 (tiga)
lapis yaitu lapis masukan (input layer), lapis tersembunyi (hidden layer),
dan lapis keluaran (output layer). Pada penelitian ini data-data yang

40
digunakan memiliki satu lapis masukan dan satu lapis keluaran. Pada lapis
tersembunyi akan digunakan sistem trial and error untuk mendapatkan hasil
keluaran yang lebih baik. Semakin banyak hidden layer yang digunakan
biasanya akan semakin banyak waktu yangdigunakan untuk melatih pola.
6. Plot bobot interkoneksi.
Menggunakan bobot secara acak untuk membentuk bobot koneksi yang
dapat memetakan vektor masukan ke vektor keluaran. Bobot acak ini
merupakan bobot awal yang akan digunakan untuk melatih pola oleh
jaringan syaraf tiruan.
Pada tahap pembentukan selanjutnya, data-data diproses oleh simulator
jaringan syaraf tiruan dengan memperhatikan parameter-parameter yang
diberikan, yaitu berupa maksimum epoh, learning rate, momentum, jumlah layer,
jumlah sel dalam setiap layernya, dan target. Melalui kombinasi parameter ini
terjadi proses internalisasi dalam jaringan sehingga terbentuklah pola peramalan
secara implisit. Pola peramalan inilah yang menjadi model peramalan dengan
jaringan syaraf tiruan backpropagation.
4.2 Hasil
4.2.1 Analisis Model Peramalan
Pada tahap ini dilakukan analisis terhadap hasil-hasil pembentukan pola data
oleh simulator jaringan syaraf tiruan (JST) dan juga pembentukan pola peramalan
dari hasil perhitungan berdasarkan metode regresi linier yang menyatakan
hubungan antara variabel masukan data dengan variabel keluaran data menjadi
satu fungsi. Fungsi tersebut di dalam peramalan digunakan sebagai usaha untuk
melihat pola hubungan yang ada pada masa lalu. Berdasarkan literatur,
pendekatan dengan metode regresi pada umumnya memberikan pemahaman yang
lebih baik mengenai keadaan berdasarkan hubungan tersebut.

41
4.2.2 Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk Pengenalan
Pola Data dengan Data Pelatihan yang dilatihkan dan Data pengujian
Dengan Target Error 0,01
(a)
(b)
Gambar 4.3 Grafik Hasil Keluaran Jaringan Syaraf Tiruan Backpropagation
Data Pelatihan dengan Target Error 0,01

42
Berdasarkan pada Gambar 4.3 dapat diketahui hasil dari proses jaringan syaraf
tiruan backpropagation yang ditampilkan dalam bentuk grafik. Untuk
mendapatkan hasil tersebut diperlukan parameter sistem masukan untuk
pembentukan pola. Parameter sistem dari pola yang dibentuk, yaitu:
Net Size: Input Layer : 12 sel
Hidden Layer : 10 sel
Output Layer : 1 Sel
Maksimum epoh / iterasi : 1000
Show Epoh : 25
Learning Rate : 0,5
Momentum : 0,8
Goal / Target : 0,01
Bobot : -1 sampai dengan 1
Fungsi Neuron : Sigmoid
Pada Gambar 4.3a menunjukkan proses pembelajaran pada setiap epoh. Pada
proses ini, iterasi dihentikan pada epoh ke-9, karena fungsi kinerja tujuannya
sudah tercapai ( MSE = 0,00925< 0,01). Gambar 4.3b menunjukkan hubungan
antara target dengan output jaringan pada data pelatihan. Dari pengujian pada data
pelatihan untuk kecocokan antara output jaringan dengan target diperoleh
koefisien korelasi (R) bernilai 0,968 dimana untuk hasil terbaik adalah bernilai 1.
Tabel 4.9 Hasil Peramalan Jaringan Syaraf Tiruan Backpropagation Untuk
Pengenalan Pola Data Dengan Data Pelatihan yang dilatihkan
No Data Masukan (X1, X2, X3,........,X12) Target Prediksi Error
111111
0,3025 0,2912 0,0113
0,2665 0,1 02409 0,1853 0,2567 0,3026
0,4096 0,3564 0,2637 0,3983 0,2515 0,3745
2
0,2134 0,2219 -0,0085
0,1 02409 0,1853 0,2567 0,3026 0,4096
0,3564 0,2637 0,3983 0,2515 0,3745 0,3025
3
0,3395 0,3331 0,0064
02409 0,1853 0,2567 0,3026 0,4096 0,3564
0,2637 0,3983 0,2515 0,3745 0,3025 0,2134
4
0,2251 0,2135 0,0116
0,1853 0,2567 0,3026 0,4096 0,3564 0,2637
0,3983 0,2515 0,3745 0,3025 0,2134 0,3395
5
0,2354 0,2909 -0,0554
0,2567 0,3026 0,4096 0,3564 0,2637 0,3983
0,2515 0,3745 0,3025 0,2134 0,3395 0,2251
6 Januari Pebruari Maret April Mei Juni 0,2151 0,2238 -0,0087

43
0,3026 0,4096 0,3564 0,2637 0,3983 0,2515
0,3026 0,4096 0,3564 0,2637 0,3983 0,2354
7
0,2324 0,23008 0,0023
0,4096 0,3564 0,2637 0,3983 0,2354 0,3026
0,4096 0,3564 0,2637 0,3983 0,2354 0,2151
8
0,2496 0,2655 -0,0159
0,3564 0,2637 0,3983 0,2354 0,3026 0,4096
0,3564 0,2637 0,3983 0,2354 0,2151 0,2324
9
0,1955 0,2712 -0,0757
0,2637 0,3983 0,2354 0,3026 0,4096 0,3564
0,2637 0,3983 0,2354 0,2151 0,2324 0,2496
10
0,1911 0,1809 0,0102
0,3983 0,2354 0,3026 0,4096 0,3564 0,2637
0,3983 0,2354 0,2151 0,2324 0,2496 0,1955
11
0,2355 0,2223 0,0131
0,2354 0,3026 0,4096 0,3564 0,2637 0,3983
0,2354 0,2151 0,2324 0,2496 0,1955 0,1911
12
0,3237 0,3254 -0,0017
0,3026 0,4096 0,3564 0,2637 0,3983 0,2354
0,2151 0,2324 0,2496 0,1955 0,1911 0,2355
13
0,2942 0,2845 0,0097
0,3025 0,2134 0,3395 0,2251 0,2354 0,2151
0,2324 0,2496 0,1955 0,1911 0,2355 0,3237
14
0,2003 0,2038 -0,0035
0,2134 0,3395 0,2251 0,2354 0,2151 0,2324
0,2496 0,1955 0,1911 0,2355 0,3237 0,2942
15
0,3415 0,3445 -0,0030
0,3395 0,2251 0,2354 0,2151 0,2324 0,2496
0,1955 0,1911 0,2355 0,3237 0,2942 0,2003
16
0,2698 0,2715 -0,0017
0,2251 0,2354 0,2151 0,2324 0,2496 0,1955
0,1911 0,2355 0,3237 0,2942 0,2003 0,3415
17
0,3167 0,3259 -0,0092
0,2354 0,2151 0,2324 0,2496 0,1955 0,1911
0,2355 0,3237 0,2942 0,2003 0,3415 0,2698
18
0,3182 0,3212 -0,0030
0,2151 0,2324 0,2496 0,1955 0,1911 0,2355
0,3237 0,2942 0,2003 0,3415 0,2698 0,3167
19
0,3792 0,3442 0,0350
0,2324 0,2496 0,1955 0,1911 0,2355 0,3237
0,2942 0,2003 0,3415 0,2698 0,3167 0,3182
20
0,3129 0,2992 0,0137
0,2496 0,1955 0,1911 0,2355 0,3237 0,2942
0,2003 0,3415 0,2698 0,3167 0,3182 0,3792
21
0,3537 0,3342 0,0195
0,1955 0,1911 0,2355 0,3237 0,2942 0,2003
0,3415 0,2698 0,3167 0,3182 0,3792 0,3129
22
0,3119 0,3020 0,0099
0,1911 0,2355 0,3237 0,2942 0,2003 0,3415
0,2698 0,3167 0,3182 0,3792 0,3129 0,3537
23 Januari Pebruari Maret April Mei Juni

44
0,2355 0,3237 0,2942 0,2003 0,3415 0,2698
0,3594 0,3326 0,0268Juli Agustus September Oktober November Desember
0,3167 0,3182 0,3792 0,3129 0,3537 0,3119
24
0,4065 0,4111 -0,0046
0,3237 0,2942 0,2003 0,3415 0,2698 0,3167
0,3182 0,3792 0,3129 0,3537 0,3119 0,3594
25
0,2894 0,3288 -0,0393
0,2942 0,2003 0,3415 0,2698 0,3167 0,3182
0,3792 0,3129 0,3537 0,3119 0,3594 0,4065
26
0,2826 0,2949 -0,0124
0,2003 0,3415 0,2698 0,3167 0,3182 0,3792
0,3129 0,3537 0,3119 0,3594 0,4065 0,2894
27
0,2964 0,3707 -0,0743
0,3415 0,2698 0,3167 0,3182 0,3792 0,3129
0,3537 0,3119 0,3594 0,4065 0,2894 0,2826
28
0,3838 0,3795 0,0043
0,2698 0,3167 0,3182 0,3792 0,3129 0,3537
0,3119 0,3594 0,4065 0,2894 0,2826 0,2964
29
0,4516 0,4276 0,0240
0,3167 0,3182 0,3792 0,3129 0,3537 0,3119
0,3594 0,4065 0,2894 0,2826 0,2964 0,3838
30
0,3679 0,3683 -0,0004
0,3182 0,3792 0,3129 0,3537 0,3119 0,3594
0,4065 0,2894 0,2826 0,2964 0,3838 0,4516
31
0,4394 0,4291 0,0103
0,3792 0,3129 0,3537 0,3119 0,3594 0,4065
0,2894 0,2826 0,2964 0,3838 0,4516 0,3679
32
0,3290 0,3487 -0,0197
0,3129 0,3537 0,3119 0,3594 0,4065 0,2894
0,2826 0,2964 0,3838 0,4516 0,3679 0,4394
33
0,3868 0,3827 0,0040
0,3537 0,3119 0,3594 0,4065 0,2894 0,2826
0,2964 0,3838 0,4516 0,3679 0,4394 0,3290
34
0,4263 0,4292 -0,0029
0,3119 0,3594 0,4065 0,2894 0,2826 0,2964
0,3838 0,4516 0,3679 0,4394 0,3290 0,3868
35
0,4255 0,3819 0,0435
0,3594 0,4065 0,2894 0,2826 0,2964 0,3838
0,4516 0,3679 0,4394 0,3290 0,3868 0,4263
36
0,4229 0,4982 -0,0753
0,4065 0,2894 0,2826 0,2964 0,3838 0,4516
0,3679 0,4394 0,3290 0,3868 0,4263 0,4255
37
0,4001 0,3907 0,0094
0,2894 0,2826 0,2964 0,3838 0,4516 0,3679
0,4394 0,3290 0,3868 0,4263 0,4255 0,4229
38
0,3465 0,3807 -0,0342
0,2826 0,2964 0,3838 0,4516 0,3679 0,4394
0,3290 0,3868 0,4263 0,4255 0,4229 0,4001
39
0,4073 0,3723 0,0349
0,2964 0,3838 0,4516 0,3679 0,4394 0,3290
0,3868 0,4263 0,4255 0,4229 0,4001 0,3465
40 Januari Pebruari Maret April Mei Juni
0,3755 0,3785 -0,0030
0,3838 0,4516 0,3679 0,4394 0,3290 0,3868

45
0,4263 0,4255 0,4229 0,4001 0,3465 0,4073
41
0,4131 0,4131 -0,00003
0,4516 0,3679 0,4394 0,3290 0,3868 0,4263
0,4255 0,4229 0,4001 0,3465 0,4073 0,3755
42
0,4397 0,4301 0,0096
0,3679 0,4394 0,3290 0,3868 0,4263 0,4255
0,4229 0,4001 0,3465 0,4073 0,3755 0,4131
43
0,5194 0,5099 0,0095
0,4394 0,3290 0,3868 0,4263 0,4255 0,4229
0,4001 0,3465 0,4073 0,3755 0,4131 0,4397
44
0,4145 0,4162 -0,0017
0,3290 0,3868 0,4263 0,4255 0,4229 0,4001
0,3465 0,4073 0,3755 0,4131 0,4397 0,5194
45
0,4360 0,4403 -0,0043
0,3868 0,4263 0,4255 0,4229 0,4001 0,3465
0,4073 0,3755 0,4131 0,4397 0,5194 0,4145
46
0,5223 0,4676 0,0547
0,4263 0,4255 0,4229 0,4001 0,3465 0,4073
0,3755 0,4131 0,4397 0,5194 0,4145 0,4360
47
0,5068 0,5041 0,0027
0,4255 0,4229 0,4001 0,3465 0,4073 0,3755
0,4131 0,4397 0,5194 0,4145 0,4360 0,5223
48
0,5081 0,4943 0,0138
0,4229 0,4001 0,3465 0,4073 0,3755 0,4131
0,4397 0,5194 0,4145 0,4360 0,5223 0,5068
49
0,5283 0,5169 0,0114
0,4001 0,3465 0,4073 0,3755 0,4131 0,4397
0,5194 0,4145 0,4360 0,5223 0,5068 0,5081
50
0,4113 0,4041 0,0072
0,3465 0,4073 0,3755 0,4131 0,4397 0,5194
0,4145 0,4360 0,5223 0,5068 0,5081 0,5283
51
0,4934 0,5086 -0,0152
0,4073 0,3755 0,4131 0,4397 0,5194 0,4145
0,4360 0,5223 0,5068 0,5081 0,5283 0,4113
52
0,4545 0,4525 0,0020
0,3755 0,4131 0,4397 0,5194 0,4145 0,4360
0,5223 0,5068 0,5081 0,5283 0,4113 0,4934
53
0,5207 0,5208 -0,00007
0,4131 0,4397 0,5194 0,4145 0,4360 0,5223
0,5068 0,5081 0,5283 0,4113 0,4934 0,4545
54
0,5600 0,5296 0,0304
0,4397 0,5194 0,4145 0,4360 0,5223 0,5068
0,5081 0,5283 0,4113 0,4934 0,4545 0,5207
55
0,6032 0,6026 0,0006
0,5194 0,4145 0,4360 0,5223 0,5068 0,5081
0,5283 0,4113 0,4934 0,4545 0,5207 0,5600
56
0,7263 0,5864 0,1399
0,4145 0,4360 0,5223 0,5068 0,5081 0,5283
0,4113 0,4934 0,4545 0,5207 0,5600 0,6032
57
0,5359 0,5316 0,0043
0,4360 0,5223 0,5068 0,5081 0,5283 0,4113

Laporan penelitian

Recommended

Recommended

More Related Content

Similar to Laporan penelitian

Similar to Laporan penelitian (20)

More from Joni Candra

More from Joni Candra (17)

Recently uploaded

Recently uploaded (20)

Laporan penelitian