bab ii - sinta.unud.ac.id · dan metode neural network pernah dilakukan oleh joko s. dwi raharjo...
TRANSCRIPT
9
BAB II
LANDASAN TEORI
2.1. State of The Art
Beberapa penelitian yang telah dilakukan sebelumnya terkait dengan
judul yang diangkat adalah :
Tian Syung Lan, dkk. melakukan menggunakan metode Neural Network
Back Propagation untuk meramal penjualan material untuk proses sputtering film.
Hasil dari penelitian yang dilakukan, didapat metode Neural Network Back
Propagataion sangat akurat dalam meramalkan penjualan material. Dengan
menggunakan metode ini, persahaan dapat mencegah peningkatan biaya yang
disebankan oleh import yang berlebihan dan juga mengurangi kehilangan order
yang disebabkan oleh kekurangan bahan (Lan dkk., 2012).
Dalam penelitian yang dilakukan oleh David Yuliandar, dkk dikatakan
bahwa penggunaan Artificial Neural Network (ANN) dalam peramalan time series
dapat menjadi solusi yang baik, algoritma ANN memiliki kelemahan yaitu pada
saat pemilihan metode pelatihan yang tepat. Salah satu pilihan yang tepat adalah
dengan menggunakan Algoritma Genetika (AG). Data yang digunakan dalam
penelitian ini adalah nilai tukar mata uang Dolar Australia (AUD) terhadap rupiah
periode 3 Januari 2011 sampai 29 Januari 2012. Hasil dari penelitian tersebut
adalah Algoritma Genetika dapat memberikan bobot yang optimum untuk melatih
jaringan Feed Forward Neural Network (Yuliandar dkk., 2012).
Kun-Huang Huarng, dkk. pada tahun 2012, melakukan penelitian
penggunaan metode Neural Network based Fuzzy Time Series Model untuk
10
meramal kedatangan turis di Taiwan. Hasil dari penelitian ini dibandingkan
dengan penelitian yang dilakukan oleh Chen pada tahun 1996 yang menggunakan
Algoritma Fuzzy Time Series dan Huarng pada tahun 2007 yang menggunakan
metode yang sama dengan penelitian ini yaitu Neural Network based Fuzzy Time
Series, namun hanya menggunakan derajat keanggotaan maksimal. Dalam
penelitian ini digunakan beberapa derajat keanggotaan dan menghasilkan hasil
peramalan yang lebih baik dari pada kedua penelitian tersebut (Kun-Huang
Huarng dkk., 2012).
Agus Dharma, dkk. dalam penelitiannya tentang peramalan penggunaan
listrik pada hari spesial di Bali menggunakan metode Fuzzy Type-2. Pada
penelitian tersebut didapatkan penggunaan metode fuzzy type-2 memberikan hasil
peramalan yang lebih akurat dari pada penggunaan metode fuzzy yang lain
(Dharma dkk., 2013).
Penelitian yang menggabungkan metode Particle Swarm Optimization
dan metode Neural Network pernah dilakukan oleh Joko S. Dwi Raharjo pada
tahun 2013 prediksi laju inflasi. Hasil yang didapat pada penelitian tersebut adalah
penerapan model PSO-ANN dalam prediksi laju inflasi memberikan hasil yang
lebih baik dari pada menggunakan metode ANN. Data yang yang digunakan pada
penelitian ini berjumlah 147 eksperimen yang terbagi dalam empat variasi jumlah
neuron pada satu hidden layer (Raharjo, 2013).
Penelitian yang dilakukan oleh Erol Egrioglu menggabungkan dua
algoritma yaitu algoritma Fuzzy Time Series dan Algoritma Particle Swarm
Optimization (PSO) untuk meramalkan data bursa saham. Algoritma Fuzzy Time
11
Series digunakan untuk mencari data periode selanjutnya, sedangkan PSO
digunakan untuk mengoptimasi proses pada tahap menentukan relasi fuzzy.
Dengan mengoptimasi Algoritma Fuzzy Time Series menggunakan Algoritma
PSO, didapat peningkatan performa peramalan. Penggabungan dua metode ini
dapat menghasilkan peramalan yang lebih baik dari pada metode yang lain yang
disebutkan dalam literatur yang terdapat pada penelitian ini. Metode tersebut
antara lain Fuzzy Logic Group Relation Tables, ANN, Fuzzy Relation Matrices,
PSO dan Genetic Algorithm (Egrioglu, 2014).
Ashvin Kochak, Suman Sharma tahun 2015 mempublikasikan
penelitianya yang membahas beberapa metode peramalan misalnya moving
average, exponential smoothing, box jenkins, regresi dan model econometric.
Metode tersebut memiliki akurasi yang baik namun, masih memiliki kelemahan
yaitu akurasi dapat terjamin jika data yang dimiliki sangat besar dan Susah
mengidentifikasi pola non-linier. Dengan menggunakan Algoritma ANN masalah
yang terdapat pada beberapa algoritma diatas dapat diatasi. Hasil dari penelitian
ini adalah algortima neural network menghasilkan akurasi yang lebih baik dari
beberapa algoritma yang disebutkan sebelumnya (Kochak and Sharma, 2015).
2.2. Persediaan
Persediaan adalah suatu aktiva yang meliputi barang-barang milik
perusahaan dengan maksud untuk dijual dalam satu periode usaha yang nomal,
termasuk barang yang dalam pengerjaan atau proses produksi menunggu masa
penggunaanya pada proses produksi (Tamodia, 2013).
12
Sedangkan menurut Edi Herjanto (2008) bahan atau barang yang
disimpan dan akan digunakan untuk memenuhi tujuan tertentu, misalnya
digunakan dalam proses produksi atau perakitan, untuk dijual kembali, atau untuk
suku cadang dari suatu alat atau mesin (Herjanto, 2008).
2.1.1. Fungsi persediaan
Menurut Tamodia (Tamodia, 2013) persediaan memiliki beberapa fungsi
sebagai berikut.
1) Mengantisipasi permintaan yang terjadi.
2) Menyeimbangkan produksi dengan distribusi.
3) Memperoleh keuntungan dari potongan kuantitas.
4) Hadging dari inflasi dan perubahan harga.
5) Menghindari kekurangan persediaan yang dapat terjadi karena cuaca,
kekurangan pasokan, mutu, dan ketidak tepatan pengirman.
6) Menjaga kelangsungan operasi dengan cara persediaan dalam proses.
2.2. Peramalan
Menurut Makridakis (2008) peramalan (forecasting) yaitu prediksi nilai-
nilai sebuah peubah berdasarkan kepada nilai yang diketahui dari peubah tersebut
atau peubah yang berhubungan. Meramal juga dapat didasarkan pada keahlian
keputusan (jugement), yang pada gilirannya didasarkan pada data historis dan
pengalaman (Makridakis dkk., 2008).
Sedangkan pengertian menurut Eddy Herjanto (2008) mendefinisikan :
“Prediksi adalah proses peramalan di masa datang dengan lebih mendasarkan
13
pada pertimbangan intuisi, dalam prediksi juga sering digunakan data kuantitatif
sebagai pelengkap informasi dalam melakukan peramalan”. Sedangkan prakiraan
didefinisikan sebagai proses peramalan (kejadian) di masa datang dengan ber-
dasarkan data variable di masa sebelumnya.
2.2.1. Peranan dan Kegunaan Peramalan
Beberapa organisasi menganggap peramalan sangat penting karena hal-
hal berikut ini (Makridakis dkk., 2008):
1) Penjadwalan
Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi,
transportasi, kas, personalia dan sebagainya.
2) Penyediaan sumber daya tambahan
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima
pekerja baru, atau membeli mesin peralatan dapat berkisar antara beberapa
hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan
kebutuhan sumber daya di masa mendatang.
3) Penentuan sumber daya yang diinginkan
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki
dalam jangka panjang. Keputusan semacam itu bergantung pada
kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal
dari sumber daya finansial, manusia, produk dan teknologi. Semua
14
penentuan memerlukan ramalan yang baik dan manajer dapat menafsirkan
perkiraan serta membuat keputusan yang tepat.
2.2.2. Jenis Peramalan
Menurut Edy Haryanto (2008) berdasarkan horizon waktu, peramalan
dapat dikelompokkan dalam tiga bagian, yaitu (Herjanto, 2008):
1) Peramalan jangka panjang, yaitu peramalan yang mencakup waktu yang
lebih dari 18 bulan. Misalnya peramalan yang diperlukan dalam kaitannya
dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk
kegiatan litbang.
2) Peramalan jangka menengah, mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.
3) Peramalan jangka pendek, yaitu jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian
material, penjadwalan kerja dan penugasan karyawan.
2.3. Artificial Neural Network
Artificial Neural Network (ANN) atau Jaringan Saraf Tiruan (JST)
merupakan sebuah metode yang diciptakan atas dasar cara kerja jaringan saraf
manusia untuk memecahkan masalah tertentu. ANN mempunyai struktur yang
besar dan dapat mengubah strukturnya untuk memecahkan masalah berdasarkan
informasi eksternal maupun internal yang mengalir melalui jaringan tersebut
(Suyanto, 2014).
15
Menurut S. Haykin (Haykin, 1999), “Sebuah neural network adalah
prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan
memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara
eksperimental dan siap pakai untuk berbagai tujuan”. Jaringan saraf merupakan
suatu mesin yang digunakan untuk memodelkan kerja otak dalam menyelesaikan
suatu permasalahan. Jaringan tersebut disusun dari sekumpulan unit pemroses
yang disebut neuron dan untuk meningkatkan kemampuannya, dilakukan proses
pembelajaran dengan menggunakan suatu algoritma tertentu (learning algortihm)
dimana tujuannya adalah memodifikasi kekuatan hubungan antar neuron (bobot)
dalam jaringan sesuai dengan goal yang telah ditentukan. Keuntungan dari
penggunaan ANN adalah kemampuannya dalam beradaptasi melalui proses pem-
belajaran dan kemampuan generalisasi, dalam artian jaringan saraf mampu mem-
berikan hasil dari input yang tidak diketahui sebelumnya. Beberapa kemampuan
yang dapat diberikan dengan menggunakan ANN menurut S. Haykin (Haykin,
1999) adalah sebagai berikut.
1) Non Linier: Jaringan saraf tiruan dapat menangani masalah baik linier
maupun non linier.
2) Pemetaan input output: Dalam paradigma pembelajaran dengan arahan
(supervised learning), modifikasi bobot disesuaikan dengan ouput yang
diinginkan sebelumnya.
3) Adaptif: Jaringan saraf tiruan memiliki kemampuan untuk mengadaptasai
bobot sinapsisnya sesuai dengan lingkungan. Jaringan saraf tiruan pada
umumnya melalui proses pembelajaran terhadap suatu lingkungan tertentu,
16
dan dapat diajarkan kembali (re-train) untuk melakukan penyesuaian
terhadap lingkungannya.
4) Evidential Response: Dalam konsteks klasifikasi pola, jaringan saraf tiruan
dapat dirancang untuk memberikan informasi tidak hanya tentang pola
yang khusus, tetapi juga kepercayaan (confidence) tentang keputusan yang
dibuat.
5) Contextual Information: Pengetahuan dipresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap dalam jaringan berpotensi dipengaruhi
oleh aktivasi global semua neuron lain dalam jaringan. Akibatnya,
informasi konstektual ditangani secara alami oleh saraf.
6) VLSI Implementability: Jaringan saraf tiruan memiliki sifat dasar yaitu
parallel yang membuatnya berpotensi untuk menyelesaikan masalah-
masalah tertentu dengan cepat.
7) Neurobiological Analogy: Rancangan jaringan saraf tiruan yang
mengadopsi otak manusia merupakan bukti nyata bahwa toleransi terhadap
kesalahan pada pemrosesan paralel tidak hanya mungkin, tetapi juga cepat
dan kuat.
2.3.1. Model Sel Syaraf
Dalam operasi ANN, didasari oleh pemrosesan informasi yang sering
disebut dengan sel syaraf atau neuron. Terdapat tiga model elemen dasar pada
model neuron, seperti yang terlihat pada Gambar Gambar 2.1.
17
Gambar 2.1. Model Neuron (Haykin, 1999)
1) Sinapsis, koneksi antar neuron dimana direpresentasikan dengan suatu
bobot untuk menunjukkan kekuatan dari koneksi tersebut.
2) Penjumlahan, yang berfungsi untuk menjumlahkan sinyal masukan.
3) Setiap neuron menerapkan fungsi aktivasi terhadap jumlah dari perkalian
antara sinyal input dengan bobot neuron sebelumnya, untuk menentukan
nilai output. Fungsi aktivasi ini pada umumnya membatasi nilai output dari
neuron.
2.3.2. Fungsi Aktivasi
Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron,
yaitu merupakan fungsi yang mengGambarkan hubungan antara tingkat aktivasi
internal (summation function) yang mungkin berbentuk linier atau nonlinier. Ada
beberapa macam fungsi aktivasi yang biasanya digunakan dalam ANN,
diantaranya adalah (Suyanto, 2014):
18
1. Threshold function
(1)
2. Piecewise-linear function
(2)
3. Sigmoid function
(3)
2.3.3. Arsitektur Jaringan
Arsitektur jaringan merupakan pola yang mengGambarkan hubungan
antara neuron-neuron pada ANN yang digunakan untuk melakukan pelatihan.
Secara umum ada beberapa arsitektur pada ANN (Suyanto, 2014) :
1) Single Layer Feedforward Networks
Single Layer Feefforward Networks merupakan arsitektur jaringan yang
paling sederhana. Pada jaringan ini hanya terdapat input layer kemudian
langsung menuju output tanpa melewati lapisan tersembunyi. Gambar 2.2
menunjukkan contoh jaringan dengan empat input layer dan output.
19
Gambar 2.2. Feedfordward Network dengan satu lapisan neuron tunggal (Suyanto, 2014).
2) Multi Layer Feedforward Networks
Multi layer feedforward networks adalah jaringan dengan satu atau lebih
lapisan tersembunyi (hidden layer). Hidden layer ini terletak diantara input
layer dan output. Multi layer feedforward networks dapat memecahkan
masalah yang lebih kompleks dari pada berlapis tunggal, namun pada
pelatihannya akan lebih sulit (Haykin, 1999).
Gambar 2.3. Multi layer feedforward networks (Suyanto, 2014).
Gambar 2.3 menunjukkan contoh jaringan Multi layer feedforward
networks.
20
3) Recurrent Networks
Recurrent Networks merupakan jaringan yang memiliki minimal satu
feedback loop. Jaringan ini mirip dengan single layer maupun multi layer.
Hanya saja, pada jaringan ini terdapat simpul keluaran yang memberikan
sinyal pada input. Contoh recurrent network ditunjukkan pada Gambar
Gambar 2.4.
Gambar 2.4. Recurent Network(Sani, 2014).
2.3.4. Proses Belajar
Menurut Suyanto (2014), proses belajar pada ANN adalah suatu proses
dimana parameter-parameter bebas ANN diadaptasikan melalui suatu proses
perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Jenis belajar
ditentukan oleh pola dimana pengubahan parameter dilakukan. Terdapat dua jenis
pembelajaran pada ANN yang dikenal yaitu (Suyanto, 2014) :
1) Supervised Learning
Supervised Learning merupakan proses pembelajaran yang membutuhkan
guru. Dalam hal ini yang dapat dikatakan sebagai guru adalah sesuatu
21
yang memiliki pengetahuan. Misalnya pembelajaran menggunakan data
yang telah ada.
2) Unsupervised Learning
Berbeda dengan supervised learning, unsupervised learning tidak
memerlukan guru dalam pembelajaran. Dengan kata lain proses pem-
belajaran tidak menggunakan data yang telah ada.
2.3.5. Extreme Learning Machine
Extreme Learning Machine (ELM) adalah sebuah metode pembelajaran
yang baru dari ANN yang menggunakan arsitektur single hidden layer
feedforward. Pembuatan metode ini bertujuan untuk mengatasi permasalahan dari
metode ANN terutama dalam hal learning speed. Parameter-parameter pada
metode ELM seperti input weight dan hidden bias dipilih secara random, sehingga
ELM memiliki learning speed yang cepat dan mampu menghasilkan performa
generalisasi yang baik. Berbeda dari ANN Feedforward, matode ELM memiliki
model matematis yang lebih sederhana dan efektif.
(4)
(5)
Secara umum fungsi matermatis untuk Single Hidden Layer Feedforward
Neural Networks (SLFNs) dengan jumlah hidden nodes sebanyak N dan
activation function (x) ditunjukkan pada Persamaan 6 (Hidayat and Suprapto,
2012).
22
(6)
Keterangan
= vektor dari weight yang menghubungkan th
hidden nodes dan input nodes.
= weight vector yang menghubungkan th hidden
dan output nodes.
threshold dari th hidden nodes.
= inner produk dari dan .
Arsitektur sederhana metode ELM ditunjukkan pada Gambar Gambar
2.5.
Gambar 2.5. Arsitektur ELM (Hidayat and Suprapto, 2012).
Langkah-langkah yang dilakukan untuk menghitung menggunakan
metode ELM adalah sebagai berikut (Fardani dkk., 2015) :
1) Tentukan bobot dan nilai bias secara random.
2) Hitung output pada hidden layer menggunakan fungsi
23
(7)
3) Hitung bobot akhir dari hidden layer menggunakan fungsi
(8)
merupakan matriks Moore-Penrose Generalized Invers dari matriks H.
Sedangkan matriks H merupakan matriks yang tersusun dari ouput
masing-masing hidden layer. Sedangkan T merupakan matriks target.
4) Menghitung semua keluaran di unit output dengan menggunakan
persamaan
(9)
2.4. Particle Swarm Optimization
Particle Swarm Optimization atau disingkat PSO, merupakan sebuah
metode optimasi yang didasarkan pada perilaku sebuah kawanan serangga
misalnya semut, rayap, lebah atau burung. Suatu partikel dalam ruang memiliki
posisi dan setiap posisi dalam ruang pencarian merupakan alternatif solusi yang
dapat dievaluasi menggunakan fungsi objektif. Setiap partikel dapat
menyesuaikan posisi dan kecepatan masing-masing dengan cara setiap partikel
menyampaikan informasi terbaiknya kepada partikel yang lain (Wati and
Rochman, 2013). Sebagai contoh perilaku yang diadopsi oleh metode ini adalah
perilaku burung yang mempunyai keterbatasan dalam hal kecerdasan, namun
burung-burung tersebut akan mengikuti kebiasaan (rule) seperti berikut (Santosa
and Willy, 2011).
1) Seekor burung tidak berada terlalu dekat dengan burung yang lain.
24
2) Burung tersebut akan mengarahkan terbangnya ke arah rata-rata ke-
seluruhan burung.
3) Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan
menjaga sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh.
Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari
3 faktor simpel berikut :
1) Kohesi : terbang bersama
2) Separasi : Jangan terlalu dekat
3) Penyesuaian : mengikuti arah bersama.
Jadi PSO dikembangkan dengan berdasarkan pada model berikut :
1) Ketika seekor burung mendekati target atau makanan (atau bisa minimum
atau maximum suatu fungsi tujuan) secara cepat mengirim informasi
kepada burung-burung yang lain dalam kawanan tertentu
2) Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak
secara langsung
3) Ada komponen yang tergantung pada pikiran seekor burung, yaitu
memorinya tentang apa yang sudah dilewati pada waktu sebelumnya.
Secara matematika formulasi dari metode PSO yang mengGambarkan
posisi dan kecepatan partikel suatu ruang dimensi adalah sebagai berikut (Santosa
and Willy, 2011) :
(10)
(11)
25
Keterangan :
= posisi partikel
= kecepatan partikel
= indeks partikel
= iterasi ke-t
= ukuran dimensi ruang
Model matematika metode PSO yang menggabarkan status partikel
adalah sebagai berikut (Santosa and Willy, 2011):
(12)
(13)
Keterangan :
merepresentasikan local best dari partikel ke-i.
merepresentasikan global best dari seluruh kawanan.
= konstanta yang bernilai positif yang biasanya disebut sebagai learning
factor.
= suatu bilangan random yang bernilai antara 0 – 1.
Langkah-langkah yang dilakukan untuk menghitung menggunakan
metode PSO adalah sebagai berikut (Santosa and Willy, 2011):
1) Inisialisasi posisi awal partikel secara random.
2) Hitung nilai fitness dari setiap partikel.
3) Tentukan nilai fitness terbaik, dan tetapkan sebagai Gbest.
4) Hitung kecepatan setiap partikel menggunakan persamaan 12. Dan hitung
posisi setiap partikel menggunakan persamaan 13.
26
5) Evaluasi nilai fitness dari setiap partikel menggunakan posisi yang baru.
6) Jika kondisi belum terpenuhi, maka ulangi ke langkah 4.
2.5. Akurasi Peramalan
Untuk menghitung akurasi peramalan digunakan metode MSE (Mean
Square Error) yang merupakan ukuran ketepatan sebuah metode peramalan. MSE
merupakan rata-rata error kuadrat dari untuk setiap data. Rumus MSE dapat
dilihat pada persamaan 14 (Makridakis dkk., 2008).
(14)
Keterangan :
e = Error peramalan.
n = Jumlah data.
= Data nyata ke i.
= Data hasil peramalan ke i.
2.6. MATLAB (Matrix Laboratory)
Menurut Gunaidi (Abdia Away, 2014), Matlab merupakan bahasa
pemrograman level tinggi yang dikhususkan untuk komputasi teknis. Matlab
dikembangkan oleh MathWorks, yang pada awalnya dikembangkan untuk
memberikan kemudahan mengakses data matrik pada proyek LINPACK da
EISPACK.
27
2.6.1. Lingkungan Kerja MATLAB
MATLAB mempunyai lingkungan kerja yang sangat mendukung dalam
membangun sebuah aplikasi. Lingkungan kerja MATLAB akan semakin lengkap
seiring dengan versi dari MATLAB tersebut. Form utama dari MATLAB
ditunjukkan pada Gambar Gambar 2.6 (Abdia Away, 2014).
Gambar 2.6. Form Utama MATLAB
2.6.2. Menu MATLAB
Menu MATLAB berfungsi sebagai shorcut bagi pengguna untuk
menggunakan perintah-perintah umum MATLAB. Seperti membuat kode
program atau file M baru, menjalankan dan menghitung waktu proses (Run and
Time), mengatur tata letak form (Layout), mengatur konfigurasi umum
(Preferences) dan mengatur pencarian direktori. Tampilan menu pada matlab
2012 ditunjukkan pada Gambar Gambar 2. 7 (Abdia Away, 2014).
28
Gambar 2. 7. Menu MATLAB
2.6.3. Aplikasi M-File
M-file merupakan sebuah code yang dipeceah kedalam file yang lebih
sederhana. Semua code termasuk code callback dimasukkan ke dalam code
aplikasi M-File. Kelebihan dari M-file adalah kemudahan untuk mengevaluasi
perintah secara keseluruhan. Terutama untuk program yang membutuhkan waktu
lama serta code yang cukup panjang (Abdia Away, 2014). Contoh M-file
ditunjukkan pada Gambar Gambar 2. 8 (Abdia Away, 2014).
Gambar 2. 8. Contoh M-File.