JARINGAN SYARAF TIRUAN UNTUK PREDIKSI

PENJUALAN JAMUR MENGGUNAKAN ALGORITMA

BACKROPAGATION

Yuyun Dwi Lestari

Program Studi Teknik Informatika, Sekolah Tinggi Teknik Harapan
E-mail : yuyun.dl@gmail.com

ABSTRACT
This study predicts sales of Jamur by applying Artificial Neural Network. Aplication
using Backpropagation algorithm where input data is the amount sold, income and
expenditure. Then the formed Neural Network to determine theunit of each layer. After
network was formed conducted training of the data has been grouped. Experiments were
performed with a network architecture that consists of input units, hidden unit, unit output
and network architecture 3-3-1. Testing is done using software Matlab.

Keywords : predict, Neural Network, sale, backpropagation

ABSTRAK
Penelitian ini memprediksi penjualan jamur dengan menerapkan Jaringan Syaraf Tiruan.
Penerapannya menggunakan algoritma Backpropagation dimana data yang diinputkan
Jumlah Terjual, Pemasukan dan Pengeluaran, . Kemudian dibentuk Jaringan Syaraf
Tiruan dengan menentukan jumlah unit setiap lapisan. Setelah jaringan terbentuk
dilakukan training dari data yang telah dikelompokkan tersebut. Percobaan dilakkukan
dengan arsitektur jaringan yang terdiri dari unit masukan, unit tersembunyi, unit
keluarannya dan aristektur jaringan 3-3-. Pengujian dilakukan dengan perangkat lunak
Matlab.

Kata Kunci : prediksi, Jaringan Syaraf Tiruan, penjualan, backpropagation

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 40
PENDAHULUAN penjualan jamur menggunakan
Perusahaan adalah tempat terjadinnya algoritma Bakpropagation.
kegiatan produksi dan berkumpulnya
semua faktor produksi. Jika produksi Jaringan Syaraf Tiruan dibentuk untuk
yang dihasilkan berlebihan sedangkan memecahkan suatu masalah tertentu
penjualan di bawah permintaan pasar pengenalan pola atau klasifikasi karena
maka perusahan itu dikatakan proses pembelajaran. [3]
pemborosan. Dan perusahaan lain
berkesempatan untuk memasuki daerah Backpropagation adalah pelatihan jenis
penjualan perusahaan. Pada penelitian terkontrol (supervised) dimana
ini akan melakukan prediksi untuk menggunakan pola penyesuaian bobot
informasi tingkat penjualan produksi untuk mencapai nilai kesalahan yang
jamur yang bertujuan untuk dapat minimum antara keluaran hasil prediksi
melihat atau memprediksi tingkat dengan keluaran yang nyata [1]
penjualan pada bulan yang akan datang.
Banyak problem-problem menarik Menyebutkan algoritma pelatihan pada
dalam ilmu pengetahuan yang salah Backpropogation sebagai berikut : [4]
satunya dapat digolongkan ke dalam 1. Initiliazation
peramalan (forecasting). Pada
Memberikan nilai awal terhadap
penerapannya peramalan biasanya
nilai-nilai yang diperlukan oleh
digunakan untuk aplikasi permalan
neural network seperti weight,
besarnya penjualan, prediksi nilai tukar
threshold.
uang, prediksi besarnya aliran air
2. Activation
sungai, dan lain-lain. Peramalan dapat
dilakukan dengan berbagai cara, salah Nilai-nilai yang diberikan pada tahap
satunya adalah dengan mengembangkan initiliazation akan digunakan pada
teknik Kecerdasan Buatan yang dalam tahap activation. Dengan melakukan
hal ini yang paling banyak digunakan perhitungan :
untuk maksud diatas adalah a. Menentukan actual output pada
menggunakan Jaringan Syaraf Tiruan. [1] hidden layer.
b. Menghitung actual output pada
Teknik peramalan banyak digunakan output layer.
untuk proses perencanaan dan 3. Weight Training
pengambilan keputusan, suatu ramalan Pada tahap weight training
mencoba memperkirakan apa yang akan dilakukan 2 dua kegiatan yaitu :
terjadi dan yang akan dibutuhkan. a. Menghitung error gradien pada
Dalam Jaringan Syaraf Tiruan terdapat
output layer.
teknik peramalan yang sering digunakan
yaitu Backpropagation. Teknik ini b. Menghitung error gradien pada
biasanya digunakan pada jaringan multi- hidden layer.
layer dengan tujuan meminimalkan 4. Iteration
error pada keluaran yang dihasilkan oleh Pada tahap ini dilakukan proses
jaringan [2] pengulangan sampai mendapat
Penelitian ini bertujuan: error yang minimal.
1. Memahami dan menerapkan konsep
algoritma Backpropagation untuk Pelatihan Backpropagation meliputi 3
mengetahui dan menentukan (tiga) fase. Fase pertama adalah fase
prediksi penjualan jamur. maju, pola masukan dihitung maju
mulai layer masukan hingga layer
2. Merancang arsitektur Jaringan
keluaran menggunakan fungsi aktivasi
Syaraf Tiruan untuk prediksi

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 41
yang ditentukan. Fase kedua adalah fase δk merupakan unit kesalahan yang akan
mundur, selisih antara keluaran jaringan dipakai dalam perubahan bobot layer di
dengan target yang diinginkan bawahnya (langkah 7). Hitung suku
merupakan kesalahan yang terjadi. perubahan bobot wkj dengan laju
Kesalahan tersebut dipropagasikan percepatan α.
mundur, mulai dari garis yang Δwkj αδk zj; k=1, 2, …, m; j= 0, 1, …,
berhubungan langsung dengan unit-unit p.............. (14)
di layer keluaran. Fase ketiga akan Langkah 7: Hitung faktor δ unit
memodifikasi bobot untuk menurunkan tersembunyi berdasarkan kesalahan di
kesalahan yang terjadi [5]. setiap unit tersembunyi zj (j = 1, 2, ...,
p)
a. Fase I : Propagasi maju m

Algoritma pelatihan untuk jaringan  _ net j    k wkj ................... (15)

dengan satu layer tersembunyi k 1

menggunakan fungsi aktivasi sigmoid

biner adalah sebagai berikut[6] Faktor δ unit tersembunyi:
Langkah 0 : Inisialisasi semua bobot  j   _ net j f ' ( z _ net j )   _ net j z j (1  z j )
dengan bilangan acak kecil. ... (16)
Langkah 1: Jika kondisi penghentian Hitung suku perubahan bobot vji
belum terpenuhi, lakukan langkah 2-9. (yang akan dipakai untuk merubah
Langkah 2 : Untuk setiap pasang data bobot vji)
pelatihan lakukan langkah 3-8. Δvji = αδj xi; j=1, 2, …, p; i=0, 1, …, n
Langkah3: Tiap unit masukan menerima …....... (17)
sinyal dan meneruskannya ke unit
tersembunyi di atasnya. Fase III : Perubahan bobot
Langkah 4 : Hitung semua keluaran di Langkah 8 : Hitung semua perubahan
unit tersembunyi zj (j=1, 2, …, p). bobot
n

x v
Perubahan bobot garis yang menuju ke
z_netj= v jo  i ji .......... …... (9) unit keluaran :
i 1 wkj(baru) = wkj(lama) + Δwkj …....(18)
1 (k = 1, 2, ... ,m ; j = 0, 1, ..., p)
zj=f(z_netj)=  z _ net j
............ (10)
1 e Perubahan bobot garis yang menuju ke
unit tersembunyi:
Langkah 5 : Hitung semua keluaran
vji (baru) = vji (lama) + Δvji ......... (19)
jaringan di unit yk (k = 1, 2, …, m)
(j = 1, 2, …,p ; i = 0, 1, …, n)
p
y_netk = wko   z j wkj ..........(11)
Langkah 9 : Menguji apakah kondisi
j 1
berhenti sudah terpenuhi.
1 Kondisi berhenti ini terpenuhi jika nilai
zk=f (z_netk) =  y _ netk
....... (12)
1 e kesalahan yang dihasilkan lebih kecil
dari nilai kesalahan referensi.
Fase II : Propagasi mundur
Langkah 6 : Hitung faktor δ unit METODE PENELITIAN
keluaran berdasarkan kesalahan di Metode dalam penelitian ini adalah:
setiap unit keluaran yk (k = 1, 2, …, m) 1. Identifikasi Masalah
δk=(tk–yk) f’(y_netk) = (tk–yk)yk(1-yk) Permasalahan yang ditemukan
.... (13) penulis, dideskripsikan dengan jelas
sehingga akan terlihat inti
permasalahan yang akan dibahas.

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 42
2. Mempelajari Literatur dan pengujian dilakukan dengan data
Untuk mecapai tujuan yang akan pelatihan sebanyak 8 data penjualan dari
ditentukan, maka perlu dipelajari bulan januari sampai agustus dan
beberapa literatur-literatur yang pengujian sebanyak 4 data dari bulan
sesuai dengan penelitian yang akan September sampai desember.
dilakukan.
3. Mengumpulkan Data Untuk mengetahui output dan error
Pengumpulan data dan informasi pada pada data input pelatihan dapat dilihat
tahap ini dilakukan untuk pada tabel dibawah ini
mengetahui, mendapatkan data dan
informasi yang nantinya akan Tabel 1. Hasil dan Error Data Input
mendukung penelitian ini, Pelatihan dengan Model 3-3-1
4. Analisa Data Input Data Pengujian Target JST 3-3-1
Bulan
Analisis data diperlukan untuk X1 X2 X3 Y Output Error
menentukan hasil dari prediksi Januari 0.6358 0.6410 0.5994 0.8475 0.9156 -0.0681
penjualan jamur. Sehingga dengan Februari 0.5375 0.4492 0.1960 0.8359 0.6638 0.1721
analisis data ini akan diperoleh Maret 0.7622 0.7061 0.1834 0.9000 0.4031 0.4969
gambaran yang jelas terhadap April 0.4799 0.3858 0.2076 0.8644 0.7474 0.1170
masalah yang dibahas. Mei 0.3114 0.2002 0.1470 0.8187 0.8823 -0.0636
5. Merancang Arsitektur Jaringan Juni 0.9000 0.9000 0.9000 0.4758 0.4922 -0.0164
Syaraf Tiruan Juli 0.6779 0.6039 0.3182 0.4268 0.6332 -0.2064
Tahap ini akan menampilkan sistem Agustus 0.4906 0.3976 0.2212 0.3856 0.7523 -0.3667
yang dirancang berdasarkan hasil
analisa data dan merancang Berikut adalah hasil pengujian data
arsitektur Jaringan Syaraf Tiruan dengan model 3-3-1. Data hasil
algoritma Backpropagation. pengujian dapat dilihat pada tabel
6. Implementasi
Tabel 2. Hasil dan Error Input
Pada penelitian ini penulis
Pengujian dengan Model 3-3-1
mengimplementasikan pengujian
model dari hasil perancangan sistem Input Data Pengujian Target JST 3-3-1
diimplementasikan dengan Bulan X1 X2 X3 Y Output Error
menggunakan alat bantu komputer Sept 0.2391 0.1206 0.1000 0.3491 0.6941 -0.3550
dengan operating system windows Okt 0.3595 0.2532 0.2006 0.2831 0.7314 -0.4483
dan menggunakan software Matlab
Nov 0.4050 0.3033 0.1000 0.2946 0.7348 -0.4402
6.1.
7. Pengujian Hasil Pengolahan Data Des 0.1000 0.1000 0.2842 0.1000 0.5386 -0.4386
Pengujian hasil pengolahan data
Pemrosesan Data
bertujuan untuk mengetahui apakah
Kriteria data input yang dipakai dalam
sistem yang dirancang tersebut
prediksi penjualan jamur adalah:
sudah sesuai dengan yang
1. Jumlah Terjual, diinisialkan menjadi
diharapkan.
X1
2. Pemasukan, diinisialkan menjadi X2
HASIL DAN PEMBAHASAN 3. Pengeluaran, diisialkan menjadi X3
Hasil Pengujian
Proses pelatihan dan pengujian Pada Jaringan Syaraf Tiruan sistem akan
dilakukan menggunakan Matlab 6.1. menerima input dan akan dimasukkan
Model Jaringan Syaraf Tiruan yang pada sistem yang telah dinormalisasi,
digunakan adalah 3-3-1. Data pelatihan sistem akan melakukan pengolaha data

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 43
 dan output yang dihasilakan sesuai yang September 0.2391 0.1206 0.1000 0.3491
diharapkan atau tidak. Target dalam Oktober 0.3595 0.2532 0.2006 0.2831
November 0.4050 0.3033 0.1000 0.2946
proses penelitian ini adalah saldo Desember 0.1000 0.1000 0.2842 0.1000
penjualan. Data yang diinputkan dan
menjadi target dapat dilihat pada tabel
Perancangan Arsitektur JST
berikut:
Menggunakan Algoritma
Backpropagation
Tabel 3. Data Input dan Target Dalam Arsitektur Jaringan Syaraf Tiruan yang
Prediksi Penjualan Jamur digunakan untuk prediksi penjualan
Jml Pemasu Penge
Saldo jamur dalam penelitian ini
Bulan Terjual kan luaran
(Rp) Backpropagation terdiri dari:
(bks) (Rp) (Rp)
Januari 821 2336000 5162000 16873500 1. Lapisan Input dengan 3 simpul yaitu
Februari 674 1685000 1834000 16724500
Jumlah Terjual, Pemasukan dan
Maret 1010 2557000 1730000 17551500
April 588 1470000 1930000 17091500 Pengeluaran (X1, X2 dan X3)
Mei 336 840000 1430000 16501500 2. Lapisan Hidden dengan 3 simpul
Juni 1216 3215000 7642000 12074500
Juli 884 2210000 2842000 11442500
yaitu Z1, Z2 dan Z3.
Agustus 604 1510000 2042000 10910500 3. Lapisan Outputdengan 1 simpul
September 228 570000 1042000 10438500 yaitu Volume Penjualan (Y)
Oktober 408 1020000 1872000 9586500
November 476 1190000 1042000 9734500
Desember 20 500000 2562000 7222500 Data pelatihan prediksi dengan JST
untuk prediksi penjualan jamur
Data ini akan diolah menggunakan dilakukan dengan menggunakan 3 input
fungsi aktivasi sigmoid (biner), data x sebagai berikut:
harus dinormalisasi karena range X1 = 0.6358
keluaran fungsi aktivasi sigmoid adalah X2 = 0.6410
[0,1]. Maka transformasi linear yang X3 = 0.5994
dipakai untuk mentrasnformasikan data
ke interval [0.1, 0.9] adalah [6] Berdasarkan data diatas maka arsitektur
dapat digambarkan bahwa bentuk
………………….20 jaringan sebagai berikut:

Dimana:
x’ = nilai data ke-n setelah
ditransformasi
x = nilai data ke-n
a = data nilai minimum
b = data nilai maximum

Tabel 4. Hasil Normalisasi Data Input

Pelatihan
Data Input Pelatihan Target
Bulan
X1 X2 X3 Y
Januari 0.6358 0.6410 0.5994 0.8475
Februari 0.5375 0.4492 0.1960 0.8359
Maret 0.7622 0.7061 0.1834 0.9000
April 0.4799 0.3858 0.2076 0.8644 Gambar 1 Jaringan Syaraf Tiruan
Mei 0.3114 0.2002 0.1470 0.8187 dengan 3 Input Layer, 3 Hidden Layer
Juni 0.9000 0.9000 0.9000 0.4758 dan 1 Output Layer
Juli 0.6779 0.6039 0.3182 0.4268
Agustus 0.4906 0.3976 0.2212 0.3856

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 44
Dimana: mengenali data input setelah melakukan
X1, X2 dan X3 =Input Layer i training.
Z1, Z2 dan Z3= Hidden Layer j
Y1 = Output layer k
V11, V12, V21 dan V22 = bobot pada
Hidden Layer
W11 dan W21 = Bobot pada Output
Layer
bv = bias pada Hidden Layer
bw = bias pada Output Layer

Pelatihan dengan Arsitektur 3-3-1

Adapun langkah-langkah pengolahan
data menggunakan Matlab:
a. Menentukan data Input dan Target
b. Menentukan Jaringan Syaraf Tiruan
Backpropagation
c. Menentukan bobot awal
Gambar 2. Pelatihan dengan Arsitektur
Bobot awal input layer ke hidden
3-3-1
layer
6.8249 -0.1796 -0.5168
Pengujian dengan Arsitektur 3-3-1
-2.7499 3.3185 -3.8327
Setelah dilakukan pelatihan dengan
1.6901 3.5126 4.0156
arsitektur 3–3–1, maka dilanjutkan
dengan pengujian data. Adapun
Nilai bias dari input layer ke hidden
langkah-langkah pengujian data
layer
menggunakan matlab ditetapkan sebagai
-5.7860
berikut:
1.7864
1. Memasukkan data pengujian
-3.1009
dengan variabel yang berbeda
Bobot dari hidden layer ke output dengan variabel input pada saat
layer pelatihan.
0.0564 0.2018 0.2129 2. Memasukkan data target pengujian
dengan variabel yang berbeda
Nilai bias dari hidden layer ke
dengan variabel target pada saat
output layer
0.5779 pelatihan.
3. Melihat keluaran yang dihasilkan
d. Melakukan training terhadap
Jaringan Syaraf Tiruan dengan
perintah KESIMPULAN
Hasil dari penelitian ini menunjukkan
e. Melihat keluaran yang dihasilkan bahwa Backpropagation memiliki
tingkat akurasi yang baik dalam prediksi
Training dihentikan pada epoch 739 penjualan jamur. Dimana akurasi dilihat
dengan MSE=0,000999756. Setelah dari MSE=0.00099976 pada saat
melakukan training maka nilai bobot pelatihan dengan nilai epoch 739 dan
dan hasil dari pelatihan dapat berubah. MSE=0.00055585 pada saat pengujian.
Grafik di bawah ini menunjukkan
bahwa pada arsitektur 3-3-1 dapat

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 45
DAFTAR PUSTAKA
[1]M.F. Andrijasa dan Mistianingsih.
2010. “ Penerapan Jaringan
Syaraf Tiruan Untuk Memprediksi
Jumlah Pengangguran di Provinsi
Kalimantan Timur Dengan
Menggunakan Algoritma
Pembelajaran Backpropagation”.
Jurnal Informatika Mulawarrman.
Volume 5 No. 1.

[2]Marleni Anike, Suyoto, Ernawati.

2012, “Pengembangan Sistem
Jaringan Syaraf Tiruan Dalam
Memprediksi Jumlah Dokter
Keluarga Menggunakan
Backpropragation (Studi Kasus:
Regional X cabang Palu)”.
Seminar Nasional Teknologi
Informasi dan Komunikasi,
Yogyakarta.

[3]Sahat Sonang, Ferri Ojak Imanuel

Pardede dan Arifin Tua Purba,
”Metode Jaringan Syaraf Tiruan
dalam Prediksi Serangan Jantung
yang efektif”. Seminar Nasional
Teknologi Informasi dan
Komunikasi.

[4]Badrul Anwar. 2011. “Penerapan

Algoritma Jaringan Syaraf Tiruan
Backpropagation Dalam
Mempredisi Tingkat Suku Bank”.
Jurnal SAINTIKOM, Volume 10
No 2.

[5]Arif Jumarwanto 2009. “Apllikasi

Jaringan Syaraf Tiruan
Backpropagation Untuk
Memprediksi Penyakit THT di
Rumah Sakit Mardi Rahayu
Kudus”. Jurnal Teknik Elektro.
Volume 1 Nomor 1.

[6]Siang, Jong Jek, 2009, “Jaringan

Syaraf Tiruan dan
Pemrogramannya Menggunakan
Matlab”, Yogyakarta : Pen

Jurnal ISD Vol.2 No.1 Januari - Juni 2017 pISSN : 2477-863X eISSN: 2528-5114 46