Skripsi
Diajukan sebagai salah satu persyaratan untuk memperoleh gelar Sarjana
Pendidikan Program Studi Pendidikan Teknik Informatika dan Komputer
Oleh:
5302413047
BAB 1
PENDAHULUAN
mengangkut penumpang dan barang dalam jumlah yang besar dalam setiap
angkut, kenyamanan terjamin dan yang paling utama adalah tepat waktu. Tercatat
pada tahun 2014 PT KAI telah mengangkut sebanyak 280,3 juta penumpang
pengguna kereta api di Pulau Jawa dan Sumatera meliputi kelas ekonomi, bisnis,
dan eksekutif. Jumlah tersebut mengalami kenaikan sebanyak 16,73% pada tahun
Pada masa liburan, terjadi peningkatan volume penumpang kereta api secara
penumpang pada kereta api yang disediakan tidak sebanding dengan jumlah
penumpang yang ada. Sehingga PT. KAI harus memberangkatkan beberapa kereta
Dalam hal ini pengelolaan sistem transportasi yang efisien sangat diperlukan.
Pengelolaan sistem transportasi efisien merupakan salah satu persyaratan yang paling
penting dalam mengelola sistem transportasi disuatu wilayah (Saeedeh Anvari et al,
2016:25). Salah satu upaya dalam pengelolaan sistem transportasi yang efisien adalah
jangka pendek pada arus penumpang merupakan komponen penting dari sistem
pelayanan sistem transportasi. Hasil peramalam jangka pendek pada arus penumpang
Chen, 2012:148).
Pada penelitian ini peramalan jangka pendek pada volume penumpang kereta
api sangat dibutuhkan guna memprediksi banyaknya jumlah penumpang pada waktu
– waktu tertentu sehingga PT. KAI dapat menambah kapasitas penumpang pada
armada kereta api yang sesuai dengan jumlah prediksi peramalan yang telah
dilakukan.
Peramalan merupakan suatu cara atau teknik guna memperkirakan nilai – nilai
sebuah variabel pada masa yang akan datang atau faktor – faktor yang berpengaruh
terhadap variabel tersebut. Penggunaan data – data runtut waktu (time series) juga
merupakan salah satu teknik dalam proses peramalan (Makridakis dkk, 2000:228).
Data runtut waktu merupakan data historis yang dikumpulkan lalu dilakukan
observasi terhadap data tersebut dengan waktu yang berurutan. Observasi pada data
tersebut dilakukan guna mengetahui pola variasi data yang kemudian dapat digunakan
(ARIMA) (Yu Wei dan Mu Chen Chen, 2012:148). Metode ARIMA sangat
fleksibel terhadap beberapa pola data karena memiliki jenis runtut waktu yang
2
berbeda. Namun penggunaan metode ARIMA pada data nonlinier tidak selalu
memberikan hasil peramalan yang baik karena beberapa asumsi yang ada pada
pemilihan model ( Ilafi Andalita dan Irhamah, 2015:311). Salah satu metode yang
Backpropagation merupakan salah satu metode dalam jaringan syaraf tiruan yang
melatih jaringan guna mengenali pola yang terdapat pada data dan akan digunakan
memberikan respon terhadap pola masukan yang serupa tapi tidak sama dalam
1. Machmudin, Ali dan Brodjol S. S. Ulama (2012) dalam jurnal dengan judul
dan Artificial Neural Network. Penelitian ini bertujuan untuk mengetahui hasil
yaitu data temperatur udara harian di Surabaya periode Januari 2011 hingga
Maret 2012.Didapatkan empat model yang sesuai dengan data yaitu model
3
(2,4,1) dan FFNN (1,5,1). Hasil penelitian tersebut menyatakan bahwa model
2. Gunaryati, Aris dan Adang Suhendra (2015) dalam jurnal dengan judul
yang digunakan dalam penelitian ini adalah data hasil survei perdagangan besar
yang dilakukan oleh Badan Pusat Statistik (BPS). Terdapat 13 variabel pada
data indeks harga perdagangan besar. Sampel data dalam penelitian ini adalah
indeks harga perdagangan besar periode Januari 2000 sampai dengan Agustus
2013. Data periode Januari 2000 sampai dengan Desember 2012 digunakan
sebagai data latih dan data periode Januari 2013 sampai dengan periode
Agustus 2013 digunakan sebagai data uji. Pada metode jaringan syaraf tiruan,
data dibagi menjadi dua bagian yaitu 60% data latih dan 40% data uji. Analisis
aktivasi bipolar dan sigmoid. Hasil akhir dari penelitian ini yaitu dengan
peramalan lebih baik pada periode uji dibandingkan dengan metode jaringan
4
3. Radita Ristiana (2015) dalam skripsi dengan judul Perbandingan ARIMA dan
nasional. Data yang digunakan pada peneltian ini adalah data inflasi tahunan
pada periode Januari 2002 sampai dengan April 2015. Data tersebut mengalami
fluktuasi naik dan turun pada beberapa periode dan keadaan tersebut berulang
RMSE sebesar 0,5 dan nilai kesalahan peramalan MAPE sebesar 0,1.
Sedangkan untuk model JST (2,1,1) memiliki nilai akurasi RMSE sebesar 0,3
Behbahani dalam jurnal yang berjudul Comparison of the ARMA, ARIMA, and
jaringan syaraf tiruan dalam memprediksi arus air yang masuk setiap bulannya
5
di bendungan dez dam. Data yang digunakan dalam penelitian ini adalah data
arus air yang masuk pada bendungan dam dez dari tahun 1960 sampai dengan
2007. Data pada tahun 1960 sampai dengan 2002 digunakan sebagai data latih
dan data tahun 2003 sampai dengan 2007 digunakan sebagai data uji.
Digunakan root mean square error (RMSE) dan mean bias error (MBE)
penelitian ini yaitu penggunaan 17 neuron pada hidden layer di jaringan syaraf
tiruan menghasilkan nilai error yang lebih kecil dibandingkan dengan metode
penelitian ini dapat digunakan dalam memprediksi data bulanan untuk 12 bulan
mendatang dan metode jaringan syaraf tiruan dengan fungsi aktivasi sigmoid
biner dapat digunakan untuk memprediksi arus masuk dibendungan dez dam
5. Claveria, Oscar dan Salvador Torra dalam jurnal yang berjudul Forecasting
Catalonia. Metode time series yang digunakan pada penelitian ini adalah
digunakan multi layer perceptron untuk jaringan syaraf tiruan. Data yang
digunakan pada penelitian ini adalah data wisatawan di Catalonia pada tahun
2001 sampai dengan 2007. Data pada tahun 2001 sampai dengan 2004
6
digunakan sebagai data latih dan tahun 2005 sampai dengan 2007 digunakan
sebagai data uji. RMSE pada penelitian ini digunakan sebagai pembanding
tingkat akurasi pada metode peramalan. Hasil dari penelitian ini adalah untuk
yang lebih tinggi dibandingkan metode SETAR dan jaringan syaraf tiruan.
Namun untuk data yang bersifat nonlinier dengan beberapa data yang hilang
akibat proses transformasi dan differencing, metode jaringan syaraf tiruan lebih
KAI untuk menambah kapasitas penumpang pada armada kereta api yang
volume penumpang pada masa yang akan datang. Metode ARIMA dan metode
jumlah MAPE yang berbeda – beda. Oleh karena itu, penelitian ini bertujuan
7
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini adalah data yang digunakan dalam
peramalan merupakan data bulanan volume penumpang kereta api Argo Muria di
DAOP 4 Semarang pada Januari 2012 sampai dengan Desember 2016. Data
tersebut bersumber dari PT. Kereta Api Indonesia DAOP 4 Semarang. Data akan
dibagi menjadi 2 bagian yaitu data latih sebesar 60% dan data uji sebesar 40%.
Dilakukan perbandingan pada kedua metode peramalan yaitu metode ARIMA dan
metode jaringan syaraf tiruan backpropagation dilihat dari nilai error minimum.
Perangkat lunak yang digunakan dalam pengolahan data adalah microsoft excel,
yaitu metode manakah yang dapat memberikan tingkat akurasi yang tinggi pada
1. Menentukan hasil peramalan volume penumpang kereta api Argo Muria untuk
backpropagation.
2. Mengetahui tingkat akurasi yang paling tinggi diantara metode ARIMA dan
8
1.6 Manfaat Penelitian
dan metode jaringan syaraf tiruan backpropagation. Juga dapat menjadi bahan
2. Bagi PT. KAI, diharapkan penelitian ini dapat menjadi salah satu pertimbangan
1. Peramalan (Forecasting)
nilai sebuah variabel pada masa yang akan datang atau faktor – faktor yang
(MA). Metode ARIMA menggunakan data masa lalu dalam mengenali pola
data dan digunakan dalam memprediksi masa yang akan datang (Dwi Prisita
9
3. Metode Jaringan Syaraf Tiruan Backpropagation
Metode ini melatih jaringan untuk mengenali pola yang digunakan dalam
terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang
10
11
BAB 2
TINJAUAN PUSTAKA
2.1.1 Peramalan
telah terjadi pada masa lalu yang berhubungan dan digunakan dalam penentuan
peramalan, faktor – faktor yang mempengaruhi hasil dari peramalan tersebut, tipe
pola pada data yang digunakan serta aspek lainnya menjadi suatu masalah yang
timbul sebelum penentuan metode peramalan yang akan digunakan. Oleh karena
itu metode peramalan dibagi menjadi 2 bagian yaitu metode kualitatif dan metode
kuantitatif. Metode kuantitatif terdiri dari metode runtut waktu dan metode kausal.
Peramalan metode kuantitatif dapat diterapkan jika terdapat tiga kondisi berikut
3. Terdapat asumsi bahwa pola data masa lalu akan terulang kembali pada masa –
Data runtut waktu merupakan data yang dicatat dan dianalisa dalam
waktu yang berurutan. Data runtut waktu dianalisa untuk mengetahui pola data
masa lalu dan membantu dalam pemeilihan metode yang sesuai dengan pola data
digunakan untuk memperkirakan data yang relatif stabil yang tidak dipengaruhi
oleh perubahan permintaan nilai yang tidak rasional (Geoffrey Lancaster dan
prediksi masa depan didasarkan dengan penggunaan nilai masa lalu dari suatu
variabel. Metode ini memiliki tujuan utama yaitu menemukan pola dalam data
runtut waktu dan mengekstrapolasikan pola data tersebut pada masa yang akan
datang. Langkah utama yang harus dilakukan sebelum memilih suatu metode
runtut waktu yang tepat adalah dengan mempertimbangkan beberapa pola yang
Terdapat empat pola pada analisis runtut waktu yaitu pola trend, pola
musiman, pola siklis dan pola tidak beraturan. Pola trend yaitu fluktuasi pada data
dan terjadi dalam jangka waktu yang panjang dan mendasari pertumbuhan atau
penurunan data runtut waktu. Salah satu faktor utama yang mempengaruhi pola
trend adalah perubahan inflasi penduduk. Pola siklis yaitu pola data atau siklus
dari data runtut waktu yang dipengaruhi oleh kondisi ekonomi. Pola siklis terdiri
dari periode masa puncak, periode resesi, depresi dan masa pemulihan. Pola tidak
beratur yaitu kondisi dimana pola data acak dan tidak beraturan dipengaruhi oleh
12
kejadian yang tidak dapat diprediksi seperti bencana alam. Pola musiman yaitu
perubahan pola data pada waktu tertentu yang terjadi secara berulang sepanjang
waktu.
perubahan pola dan mengikuti musim (Robert D. Mason dan Douglas A. Lind,
waktu – waktu tertentu. Sebagai contoh adalah penjualan barang – barang pokok,
pakaian dan segala macam kebutuhan Hari Raya Idul Fitri akan lebih banyak
terjadi pada waktu – waktu sebelum dan sesudah Hari Raya Idul Fitri (Mudrajat
Kuncoro, 2008:130).
iteratif pada proses identifikasi suatu model yang paling sesuai dengan data
dibandingkan model yang lainnya. Model sementara yang telah dipilih akan diuji
dengan data runtut waktu. Pengujian dilakukan untuk melihat apakah model
sementara tersebut meliputi uji residual. Model tersebut dikatakan sudah memadai
jika residual (selisih hasil ramal dengan data aktual) terdistribusi secara acak dan
independen satu sama lain. Artinya tidak ada korelasi antar data (Aris Gunaryati
data runtut waktu merupakan keadaan dimana proses pembangkitan yang menjadi
dasar suaturuntut waktu didasarkan pada nilai tengah dan juga nilai ragam yang
13
konstan (Ali Machmudin dan Brodjol S. S. Ulama, 2012:119).Stasioner juga
digunakan.Artinya fluktuasi yang terjadi pada data berada disekitar nilai rata –
rata yang konstan dan tidak bergantung pada waktu.Fluktuasi data berada pada
garis yang horizontal terhadap sumbu waktu. Data yang stasioner mempunyai
nilai rata – rata dan ragam yang konstan. Beberapa model – model runtut waktu
AR(p) merupakan model linier paling dasar pada proses stasioner. Model
Keterangan:
𝑌𝑡 = ∅0 + ∅1 𝑌𝑡−1 + 𝑎𝑡 (2.2)
14
Keterangan:
Keterangan:
beberapa data periode masa lalu. Bentuk umum dari moving average tingkat q
15
Keterangan:
𝑌𝑡 = 𝜃0 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 (2.5)
Keterangan:
Keterangan:
16
𝑎𝑡−2 merupakan error pada periode 𝑡 − 2
Model ini merupakan model campuran dari model autoregresif dan model
moving average Model ini dinyatakan sebagai model ARMA (p,q) dan
Keterangan:
8. Model ARMA(1,1)
Model ini merupakan kombinasi dari model autoregresif berorde 1 dan model
moving average berorde 1 dan dinyatakan sebagai model ARMA (1,1). Model
𝑌𝑡 = ∅0 + ∅1 (2.8)
17
Keterangan:
∅(𝐵) = 1 − ∅1 𝐵 − ∅2 𝐵 2 − ∅3 𝐵 3 −. . . ∅𝑝 𝐵𝑝 (2.9)
𝜃(𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵 2 − 𝜃𝐵 3 −. . . 𝜃𝑞 𝐵 𝑞 (2.10)
𝑒𝑡 merupakangalat
differencing merupakan cara menstasionerkan data pada rata – rata. Model ini
Keterangan:
∅(𝐵) = 1 − ∅1 𝐵 − ∅2 𝐵 2 − ∅3 𝐵 3 −. . . ∅𝑝 𝐵𝑝 (2.12)
𝜃(𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵 2 − 𝜃𝐵 3 −. . . 𝜃𝑞 𝐵 𝑞 (2.13)
18
d merupakan ordo pembedaan
𝑒𝑡 merupakan galat
Model ARIMA musiman merupakan model ARIMA yang memiliki unsur pola
musiman pada data yang digunakan. Model ini dinyatakan model ARIMA
(𝑝, 𝑑, 𝑞)(𝑃, 𝐷, 𝑄)𝑠 . Notasi yang digunakan pada model ini merupakan
merupakan jumlah differencing pada data, dan q merupakan nilai dari orde
dari orde AR musiman pada data , dan q merupakan jumlah differencing pada
data, dan q merupakan nilai dari orde MA musiman. S pada notasi ini
merupakan jumlah periode per musim. Model ini mempunyai bentuk umum
Keterangan:
∅(𝐵) = 1 − ∅1 𝐵 − ∅2 𝐵 2 − ∅3 𝐵 3 −. . . ∅𝑝 𝐵𝑝 (2.15)
𝜃(𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵 2 − 𝜃𝐵 3 −. . . 𝜃𝑞 𝐵 𝑞 (2.16)
∅𝑘 (𝐵 𝑠 ) = 1 − ∅1 𝐵 𝑠 − ∅2 𝐵 2𝑠 − ∅3 𝐵 3𝑠 −. . . ∅𝑝 𝐵 𝑃𝑠 (2.17)
𝜃𝑘 (𝐵 𝑠 ) = 1 − 𝜃1 𝐵 𝑠 − 𝜃2 𝐵 2𝑠 − 𝜃𝐵 3𝑠 −. . . 𝜃𝑞 𝐵 𝑄𝑠 (2.18)
19
𝜃𝑖 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , q
𝑒𝑡 merupakan galat
ARIMA.
Hal yang pertama kali harus dilakukan sebelum data diolah adalah proses
identifikasi model. Proses ini berguna mengetahui sifat dari data yang
pengamatan dalam data runtut waktu (Khashei dan Bijari, 2011: 269).Pada
20
sehingga apabila data yang digunakan ternyata mempunyai sifat
dkk, 1999:383).
atau plot yang terdapat pada data runtut waktu (Maya Pristanty dan
1. Differencing Nonmusiman
pada data nonmusiman. Jika pada differencing berorde satu data yang
2. Differencing Musiman
satu kali data yang digunakan belum stasioner, maka dapat dilakukan
21
proses differencing kembali sampai data tersebut stasioner. Data yang
telah stasioner pada ragam dan rata – rata dapat diketahui dengan cara
melihat pola pada plot ACF (fungsi autokorelasi) dan plot PACF (fungsi
autokorelasi parsial). Plot adaah titik- titik data yang terdapat pada grafik.
Hasil dari plot ACF dan PACF pada data yang stasioner dapat digunakan
ACF dan PACF yang sudah stasioner (Maya Pristanty dan Achmad
Mauludiyanto, 2012:2).
AR (p) Tails off pada lag yang menurun dan Cut off terjadi setelah lag
(berbentuk eksponensial)
MA (q) Cutt off terjadi setelah lag ke-q Tails offlag yang menurun
sinusoidal (membentuk
eksponensial)
ARMA Tails off terjadi setelah lag (q-p) Tails off terjadi setelah
Keterangan:
Tails off : Tails off merupakan kondisi dimana lag pada grafik mengalami
penurunan menuju nol secara lambat.
Cutt off : Cutt off merupakan kondisi dimana lag pada grafik terputus dan
mengalami penurunan menuju nol secara cepat.
22
2.2.4.2 Estimasi Model
Pada tahap ini akan diperoleh estimasi koefisien dari beberapa model yang
Kriteria penerimaan H0 jika nilai P value > α dan penolakan H0 jika nilai
P value < α.
tersebut cocok dengan data atau ada model lain yang lebih cocok.
homoskedastitas.
residual yang terdapat diantara lag (Kiki Febri Azriati dkk, 2014:703).
23
Uji ini dapat dilakukan dengan cara melihat pasangan ACF dan PACF
Eliza, 2011:18).
value pada hasil proses L-jung Box Pierce dengan selang kepercayaan
(Montgomery, 2008).
Normalitas residual pada data berarti residual atau nilai sisa pada data
24
Probability Plot Residual. Jika pada grafik tersebut residual terdapat
Jika model yang dihasilkan lebih dari satu model, maka dapat dilakukan
uji mean square error (MSE) dalam menentukan model yang akan
digunakan. Model dengan nilai MSE terkecil adalah model terbaik dan
3. Uji Homoskedastitas
data konstan. Residual dikatakan konstan apabila tidak ada lag yang
signifikan dari plot ACF dan PACF. Selain itu dengan cara melihat plot
2009:34).
yaitu data latih, data uji, dan data yang digunakan untuk peramalan.Data
latih pada tahap ini menggunakan data aktual dan data uji menggunakan
data hasil peramalan data latih. Data yang digunakan untuk tahap
peramalan merupakan data hasil peramalan pada data uji (Irma Eliza,
2011:19).
25
2.2.5 Jaringan Syaraf Tiruan
memiliki desain seperti otak manusia. Cara kerja jaringan syaraf tiruan
menirukan cara kerja otak manusia. Jaringan syaraf tiruan menirukan cara
Hermawan, 2006:2)
pada jaringan syaraf tiruan juga sama seperti cara neuron meng-encode
jaringan diberi input atau masukan berupa pola – pola lalu jaringan diajari
2006:1).
kegiatan berdasarkan data historis atau data masa lalu. Data historis akan
26
dipelajari sehingga jaringan syaraf tiruan memiliki kemampuan untuk
memberikan keputusan atau hasil akhir terhadap data yang belum pernah
Jaringan syaraf tiruan terdiri dari sejumlah besar elemen yang dapat
dan cara kerja seperti anatomi pada otak manusia, walaupun tidak sama
persis. Jaringan syaraf tiruan dapat belajar dari pengalaman pada proses
Jaringan syaraf tiruan tersusun atas beberapa elemen yang memiliki fungsi
hampir sama seperti jaringan syaraf biologi manusia dan terdiri dari
terasosiasi.
27
4. Fungsi aktivasi diterapkan oleh setiap neuron terhadap masukan atau
berikut:
2006:4) :
28
menciptakan representasi secara mandiri melalui pengaturan diri sendiri
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan atau layer
29
Gambar 2.1 Jaringan Syaraf Tiruan Single Layer
Jaringan ini terletak diantara lapisan input dan lapisan output. Pada
jaringan ini terdapat lapisan bobot – bobot diantar 2 lapisan yang letaknya
diagram arsitektur.
30
Gambar 2.3 Jaringan Syaraf Tiruan Competitive Layer Net
1. Pembelajaran Terawasi
31
beberapa pola yang telah dieksplorasi.Pembelajaran tak terawasi
3. Hibrida
permbatan galat mundur atau propagasi balik pada jaringan syaraf tiruan
backpropagation dikarenakan cara kerja jaringan ini. Pada jaringan syaraf tiruan
penyiaran kembali error – error diasosiasikan dengan unit – unit output. Hal ini
terjadi karena nilai target pada unit –unit tersembunyi tidak diberikan. Jaringan
syaraf tiruan layer tunggal timbul masalah dalam pengenalan pola jaringan.
32
Masalah tersebut dapat diselesaikan dengan cara penambahan satu/ beberapa layer
layer tambahan tersebut memiliki kelebihan dala beberapa kasus yang lebih
rumit.Namun pada pelatihannya memerlukan waktu yang lama (Jong Jek Siang,
2005:97).
terhubung dengan setiap unit input atau masukan. Setiap unit pada lapisan
Puspitaningrum, 2006:125) :
1. Lapisan input terdiri dari neuron – neuron atau disebut juga unit – unit
jumlah 1. Pada lapisan ini unit –unit tersembunyi dapat berjumlah sampai
dengan p.
3. Lapisan output terdiri dari unit – unit output mulai dari unit output 1
33
secara monoton.Fungsi aktivasi pada jaringan ini diharapkan jenuh
aktivasi antara lain sebagai berikut ini (Diyah Puspitaningrum, 2006 :132):
Fungsi ini merupakan fungsi yang sering digunakan.Range pada fungsi ini
adalah (0,1).
Fungsi ini merupakan fungsi yang umum dan sering digunakan dan
3. Fungsi Identitas
Fungsi identitas disebut juga fungsi linier. Pada fungsi identitas, nilai
34
Gambar 2.6 Gambaran dari Fungsi Identitas.
Pada fungsi sigmoid yang memiliki nilai maksimum = 1, maka untuk pola
fungsi aktivasi sigmoid terbatas pada layer kecuali layer keluaran (Jong
2.2.7 Optimalisasi Pada Bobot dan Bias Jaringan Syaraf Tiruan Backpropagation
jaringan syaraf tiruan backpropagation, tidak dapat dipastikan berapa epoch yang
jaringan yang sesuai dan menghasilkan jumlah iterasi yang lebih sedikit (Jong Jek
Siang, 2005:108). Pemilihan bobot awal yang akan digunakan pada jaringan
mempengaruhi kinerja jaringan dalam mencapai titik minimum lokal atau global
35
Inisialisasi acak atau random merupakan prosedur yang sering dilakukan.
tersebut dilakukan baik dari unit input ke unit tersembunyi maupun dari
unit tersembunyi ke unit output pada sebuah interval tertentu (−γ dan γ).
Inisialisasi Nguyen Widrow pada bobot dan bias ke unit tersembunyi pada
waktu pembelajaran dan pada pemberian bobot dan bias jaringan syaraf
untuk menganalisis bias dan bobot dari unit tersembunyi ke unit output.
Penggunaan bias dan bobot khusus diskala agar jatuh pada range yang
ditentukan pada bias dan bobot dari unit – unit input ke unit –unit
backpropagation sudah cukup bagi jaringan dalam mengenali pola masukan dan
36
yang dilakukan (Jong Jek Siang, 2005:111).Tidak terdapat ketentuan khusus atau
Puspitaningrum, 2006:136).
2.2.9 Momentum
tiruan backpropagation didasarkan pada gradien yang terjadi untuk pola pada unit
masukan.Salah satu modifikasi yang dapat dilakukan pada jaringan syaraf tiruan
arah gradien pola terakhir dan pola sebelumnya dimasukkan (Jong Jek Siang,
2005:113).
beberapa kondisi dapat mempercepat proses pelatihan. Hal ini disebabkan karena
momentum memaksa proses perubahan pada bobot pada jaringan bergerak terus
Puspitaningrum, 2006:136).
dari 3 fase, yaitu propagasi maju, propagasi mundur, dan perubahan bobot.Pada
fase pertama, dilakukan penghitungan pola masukan mulai dari layer masukan
terjadi dan merupakan selisih antara keluaran jaringan dengan target yang telah
37
ditentukan.Propagasi mundur dimulai dari garis yang berhubungan dengan unit –
melakukan perubahan bobot guna menurunkan kesalahan yang terjadi (Jong Jek
Siang, 2005:100).
apabila nilai RMSE/SSE pada galat dibawah 0,1. Jika jaringan memiliki nilai
galat di bawah 0,1. Jaringan sudah dapat dikatakan terlatih (Arief Hermawan,
2006:53).
memprediksi yang akan terjadi pada masa depan berdasarkan pola yang terdapat
pada data atau kejadian masa lalu. Hal ini terjadi karena jaringan syaraf tiruan
sesuatu kejadian pada masa depan. Pada jaringan syaraf tiruan backpropagation,
record data yang merupakan data latih pada proses peramalan digunakan untuk
mencari bobot yang optimal. Penetapan besarnya periode dimana data tersebut
38
berflutuasi perlu dilakukan sebelumnya.Periode tersebut ditentukan secara
intuitif.Jumlah data yang terdapat pada satu periode digunakan sebagai jumlah
digunakan sebagai data target. Penentuan jumlah layer dan unit pada proses
peramalan merupakan bagian tersulit. Sehingga dilakukan trial dan error dimulai
pengolahan data berupa tools yang bisa langsung digunakan dalam pengolahan
data seperti diagram sebab akibat, diagram Pareto, peta kendali (atribut, variabel,
multivariate, time weighted) dsb. Perangkat lunak ini juga bisa digunakan dalam
analisis data runtut waktu, multivariate, kausal, regresi, analisis data kualitatif dsb
dalam mengolah data yang melibatkan vektor dan matriks. Pada perangkat lunak
matlab terdapat toolbox dan beberapa fungsi yang dapat digunakan sesuai dengan
jaringan syaraf tiruan karena dalam penggunaan jaringan syaraf tiruan banyak
digunakan vektor dan matriks. Matlab juga menyediakan fungsi – fungsi khusus
39
parameter yang diinginkan seperti laju pemahaman, bias, bobot dll (Jong Jek
Siang, 2005:151).
sudah banyak dilakukan. Namun belum ada penelitian yang membandingkan hasil
peramalan kedua metode tersebut dalam peramalan jumlah penumpang kereta api.
Berbagai penelitian yang telah dilakukan menjadi kajian pustaka dalam penelitian
ini.
Penelitian pertama Yu Wei dan Mu-Chen Chen (2009) dalam jurnal yang
berjudul “Forecasting the Short Term Metro Passenger Flow with Empirical
Mode Decomposition and Neural Network” . Tujuan dari penelitian ini adalah
komponen yang penting dalam sistem transportasi. Hasil dari peramalan tersebut
umum meningkat.
Penelitian kedua Ilafi Andalita dan Irhamah (2015) dalam jurnal yang
berjudul “Peramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Argo Muria
40
membandingkan penggunaan metode ARIMA dan ANFIS dalam peramalan
jumlah penumpang kereta api Argo Muria. Kereta api Argo Muria merupakan
kereta api kelas ekonomi dengan rute perjalanan asal dan tujuan Pasar Senen dan
kereta api lain yang memiliki rute yang sama. Pada tahun 2015 volume
penumpang kereta api Argo Muria mencapai 740.348 dan meningkat sebesar
Demand in Urban Rail System”. Tujuan dari penelitian ini adalah melakukan
Penelitian keempat Eka Febri Indayani (2009) dalam skripsi yang berjudul
Jenkins pada PT Kereta Api Indonesia DAOP VI Yogyakarta”. Data time series
yang digunakan yaitu volume penumpang kereta api kelas bisnis di DAOP VI
Yogyakarta pada Januari 2003 sampai dengan Desember 2008. Peramalan dalam
penelitian ini menggunakan perangkat lunak statistika yaitu Eviews dan Minitab.
41
peramalan. Model ARIMA(1,0,1)(0,0,1)12 layak digunakan dalam peramalan ini
karena estimasi parameter signifikan terhadap model ini dan telah memenuhi
dan normalitas.
Penelitian kelima Riza Fauzi Rahman (2015) dalam skripsi yang berjudul
digunakan yaitu datavolume penumpang kereta api di Pulau Jawa dan Sumatera
atau random serta penggunaan teknik adaptasi learning rate dan momentum guna
lapisan keluaran dengan persentase data latih 50%, nilai learning rate 0,5
“Neural Network Based Temporal Feature Models for Short Term Railway
metode neural network yang akan digunakan dalam peramalan jangka penedek
volume penumpang kereta api di Taiwan. Metode neural network yang digunakan
dalam penelitian ini adalah multiple temporal units neural network (MTUNN),
42
parallel ensemble neural network (PENN), dan multilayer perceptron (MLP).
Pada hasil penelitian ini metode MTUNN dan PENN mengungguli metode MLP
dalam tingkat akurasi peramalannya dialihat dari nilai MSE dan MAPE yang
dimiliki.
adalah data harian harga saham pada PT. Asuransi Bina Dana Arta (ABDA) pada
periode 2 Januari 2012 sampai dengan 31 Mei 2013. Data pada peramalan
jaringan syaraf tiruan backpropagation dibagi menjadi dua bagian yaitu 80%
sebagai data latih yang digunakan untuk menghasilkan nilai MSE terkecil dan
20% data uji untuk melakukan evaluasi terhadap hasil prediksi. Algoritma yang
10000, nilai MSE ≤ 0,1 dan besar target error 0,0001. Data target yang digunakan
merupakan data harga penutupan saham 1 hari setelah harga penutupan saham
yang digunakan sebagai data input. Jika data input yang digunakan adalah data
harga saham hari Senin, 2 Mei 2012 maka data target adalah hari Selasa, 3 Mei
2010. Terlebih dahulu dilakukan transformasi linear pada data input. Hasil akhir
dengan arsitektur jaringan 1 neuron input layer, 1 hidden layer, dan 1 neuron
output layer yang memberikan nilai MSE paling kecil pada proses uji yaitu
sebesar 0,00140. Pada penggunaan metode ARIMA diperoleh model terbaik yaitu
model ARIMA (1,1,0) dengan nilai MSE lebih kecil dibandingkan MSE yang
43
dimiliki jaringan dengan 1 neuron input layer, 1 hidden layer, dan 1 neuron
output layer. Karena selisih MSE kedua metode tersebut tidak terlalu besar maka,
volume penumpang kereta api dengan membandingkan nilai MSE dan MAPE
penelitian harus didasarkan pada hubungan antara variabel yang terdapat pada
kereta api pada masa- masa tertentu mengharuskan PT KAI untuk menambahkan
kapasitas armada yang disediakan dengan jumlah penumpang yang ada. Perlu
tersebut dapat digunakan sebagai salah satu faktor pengambil keputusan dalam
44
penumpang kereta api dapat menggunakan metode ARIMA dan jaringan syaraf
dengan hasil nilai kesalahan peramalan terkecil merupaka metode yang paling
45
46
BAB 3
METODE PENELITIAN
Dilihat dari sumber data yang didapatkan, maka terdapat dua macam data
yaitu data primer dan data sekunder. Data primer merupakan data yang berasal
dari sumber data secara langsung. Data sekunder merupakan data yang tidak
diperoleh langsung seperti dokumen atau arsip – arsip yang (Sugiyono, 2010:193).
Data yang digunakan dalam penelitian ini merupakan data sekunder yang berasal
dari arsip dan dokumen yang dimiliki oleh pihak PT KAI Indonesia seperti
laporan atau referensi. Data yang digunakan adalah data volume penumpang
kereta api Argo Muria pada Januari 2012 sampai dengan Desember 2016.
penelitian ini dilakukan secara tidak langsung yaitu dengan cara mengumpulkan
data lain yang dilakukan dalam penelitian ini adalah metode dokumentasi. Metode
dimiliki oleh pihak PT KAI Indonesia. Dokumen, arsip, catatan tertulis maupun
literatur lalu dikumpulkan dan digunakan untuk memperoleh informasi yang
diperlukan. Metode studi pustaka juga dilakukan dalam penelitian ini. Beberapa
literatur dan buku yang terkait dengan informasi dikumpulkan guna memperkuat
hipotesis.
Pada proses penelitian ini alat dan bahan yang digunakan adalah:
Operating System
4. Data volume penumpang kereta api Argo Muria pada Januari 2012 sampai
47
Gambar 3.1 Diagram Alir Penelitian
angka yaitu matlab dan minitab. Aplikasi matlab digunakan dalam pengolahan
48
data dengan menggunakan metode peramalan jaringan syaraf tiruan
aplikasi matlab terdapat toolbox neural network yang sederhana serta mudah
Data yang diolah dalam penelitian ini adalah data volume penumpang
kereta api Argo Muria pada Januari 2012 sampai dengan Desember 2016. Total
ada 60 data. Data tersebut kemudian dibagi menjadi dua bagian yaitu data latih
dengan presentase 60% dan data uji dengan presentasi 40%. Karena data
adalah data yang memiliki selisih satu bulan dengan data input.
tersebut:
49
Gambar 3.2 Diagram Alir Penggunaan Metode Peramalan ARIMA
50
Gambar 3.3 Diagram Alir Penggunaan Metode Peramalan Jaringan Syaraf Tiruan
Backpropagation
51
DAFTAR PUSTAKA
Andalita, Ilafi dan Irhamah. 2015. Peramalan Jumlah Penumpang Kereta Api
Kelas Ekonomi Argo Muria Menggunakan ARIMA dan ANFIS. Jurnal
Sains dan Seni ITS Vol. 4, No. 2. Hal. 311-316.
Anggriningrum, Dwi Prisita, Putriaji Hendikawati dan Zaenal Abidin. 2013.
Perbandingan Prediksi Harga Saham Dengan Menggunakan Jaringan
Syaraf Tiruan Backpropagation Dan ARIMA. Unnes Journal of
Mathematics Vol. 2, No. 2, Hal. 104-109.
Asfihani, Moh Ali dan Irhamah. 2017. Peramalan Volume Pemakaian Air di
PDAM Kota Surabaya dengan Menggunakan Metode Time Series. Jurnal
Sains dan Seni ITS Vol. 6, No. 1. Hal. 157-161.
Anvari, Saeedeh, Selcuk Tuna, Meti Canci, dan Metin Turkey. 2016. Automated
Box-Jenkins Forecasting Tool with an Application for Passenger Demand
in Urban Rail System. Journal of Advanced Transportation No. 50. Hal.
25-49.
Battersby, Albert. 1976. Pengendalian Pengenalan Sediaan. Terjemahan
Magdalena Adiwardana Yani. Jakarta : Erlangga.
Claveria, Oscar dan Salvador Torra. 2014. Forecasting Tourism Demand to
Catalonia: Neural Network vs. Time Series Models. Journal of Economic
Modelling No. 36. Hal. 220-228.
Eliza, Irma. 2011. Peramalan Jumlah Penumpang Airlines PT. Angkasa Pura II
Bandara Sultan Syarif Kasim II Pekanbaru Dengan
12
ARIMA (0,1,1)(0,1,1) . Tugas Akhir. Pekanbaru : Program S1
Matematika Universitas Islam Negeri Sultan Syarif Kasim Riau.
Fatmawati, Ika Kurnia. 2007. Prakiraan Curah Hujan Bulanan Kecamatan
Baturaden Kabupaten Banyumas dengan Model ARIMA di Stasiun
Klimatologi Semarang. Tugas Akhir. Semarang : Program D3 Statistika
dan Terapan Komputer Universitas Negeri Semarang.
Gunaryati , Aris dan Adang Suhendra. 2015. Perbandingan Antara Metode
Statistika Dan Metode Neural Network Pada Model Peramalan Indeks
Harga Perdagangan Besar. Jurnal Teknologi Dan Rekayasa Vol. 20, No. 1,
Hal. 23-35.
Hermawan, Arief. 2006. Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta :
ANDI.
http://www.kajianpustaka.com/2016/11/jaringan-saraf-tiruan-jst.html (10 April
2017).
http://kip.kereta-api.co.id/permohonan-data.html (10 April 2017).
http://kip.kereta-api.co.id/permohonan-data.html/Laporan-Tahunan-PT-KAI-
Persero-Tahun-2015.html (10 April 2017).
Indayani, Eka Febri. 2009. Peramalan Jumlah Penumpang Kereta Api Dengan
Menggunakan Metode Box-Jenkins Pada PT Kereta Api Indonesia DAOP
VI Yogyakarta. Skripsi . Yogyakarta : Program S1 Matematika Univeristas
Islam Negeri Sunan Kalijaga.
Iriawan, Nur. 2006. Mengolah Data Statistika Dengan Mudah Menggunakan
Minitab 14. Yogyakarta : ANDI.
52
Kuncoro, Mudrajad. 2007. Metode Kuantitatif Teori dan Aplikasi untuk Bisnis
dan Ekonomi. Yogyakarta : UPPSTIM YKPN.
Lancaster, Geoffrey dan David Jobber. 1989. Teknik dan Manajemen Penjualan.
Terjemahan Kibrandoko. Jakarta : Binarupa Aksara.
Machmudin, Ali dan Brodjol S. S. Ulama. 2012 Peramalan Temperatur Udara di
Kota Surabaya dengan Menggunakan ARIMA dan Artificial Neural
Network. Jurnal Sains Dan Seni ITS Vol. 1, No. 1, Hal. 118-123.
Makridakis, S., Wheelwright, S. C. & McGee, V. E. 1999. Metode dan Aplikasi
Peramalan, Edisi Kedua Jilid Satu, Alih Bahasa Hari Suminto. Jakarta:
Binarupa Aksara.
___________________2000. Metode dan Aplikasi Peramalan, Edisi Kedua Jilid
Dua, Alih Bahasa Hari Suminto. Jakarta: Binarupa Aksara.
Mason D., Robert dan Douglas A. Lind. 1999. Teknik Statistik untuk Bisnis dan
Ekonomi. Terjemahan Widyono Soetjipto. Jakarta : Erlangga.
Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan.Yogyakarta :
ANDI.
Rahman, Riza Fauzi. 2015. Peramalan Volume Penumpang Kereta Api Di Pulau
Jawa - Sumatera Dengan Metode Jaringan Syaraf Tiruan Backprogation.
Skripsi. Jakarta : Program S1 Ilmu Komputer Universitas Pendidikan
Indonesia.
Ristiana, Radita. 2015. Perbandingan Arima Dan Jaringan Syaraftiruan Propagasi
Balik Dalam Peramalan Tingkat Inflasi Nasional 2015. Skripsi. Bogor :
Program S1 Statistika Institut Pertanian Bogor.
Rufiyanti, Dwi Efri. 2015. Implementasi Jaringan Syaraf Tiruan Backpropagation
dengan Input Model ARIMA untuk Peramalan Harga Saham. Skripsi.
Semarang : Program S1 Matematika Universitas Negeri Semarang.
Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemogramannya
Menggunakan Matlab. Yogyakarta : ANDI.
Setyonugroho, Budho, Adhistya Erna Permanasari dan Sri Suning
Kusumawardani. 2017. Perbandingan Akurasi Algoritme Pelatihan dalam
Jaringan Syaraf Tiruan untuk Peramalan Jumlah Pengguna Kereta Api di
Pulau Jawa. Jurnal Metik Vol. 1, No. 1.
Sugiyono. 2010. Metode Penelitian Pendidikan. Bandung : Alfabeta
Tsai, Tsung Hsein, Chai Kang Lee, dan Chien Hung Wei. 2009. Neural Network
Based Temporal Feature Models for Short Term Railway Passenger
Demand Forecasting. Journal of Expert System with Applications No. 36.
Hal. 3728-3736.
Valipour, Mohammad, Mohammad Banihabib dan Seyyed Mahmood Reza
Behbahani. 2013. Comparison of the ARMA, ARIMA, and Autoregressive
Artificial Neural Network Models in Forecasting the Monthly Inflow of
Dez dam Reservoir. Journal of Hydrology No. 476. Hal. 433-441.
Wei, William W.S. 1989. Time Series Analysis. California : Wesley Publishing
Company Inc.
Wei, Yu dan Mu Chen Chen. 2012. Forecasting the Short-Term Metro Passenger
Flow with Empirical Mode Decomposition and Neural Networks.
Transportation Research Journal Vol. C, No. 21, Hal. 148–162.
53
Williams, Billy M, dan Lester A Hoel. 2003. Modelling and Forecasting
Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis
and Empirical Results. Journal of Transportation Engineering No. 129.
Hal. 664-672.
54
2