PROPOSAL PENELITIAN

PERBANDINGAN PENGGUNAAN METODE Autoregressive Integrated

Moving Average (ARIMA) DAN JARINGAN SYARAF TIRUAN
BACKPROPAGATION DALAM PERAMALAN VOLUME PENUMPANG
KERETA API

Skripsi
Diajukan sebagai salah satu persyaratan untuk memperoleh gelar Sarjana
Pendidikan Program Studi Pendidikan Teknik Informatika dan Komputer

Oleh:

Gita Kencana Putri

5302413047

PENDIDIKAN TEKNIK INFORMATIKA DAN KOMPUTER

JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS NEGERI SEMARANG
2017
 1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kereta api merupakan salah satu moda transportasi di Indonesia dan

menjadi alat transportasi andalan bagi masyarakat. Berbagai keunggulan yang

ditawarkan antara lain tingkat keselamatan tinggi, hemat energi, mampu

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

2015 (PT Kereta Api).

Pada masa liburan, terjadi peningkatan volume penumpang kereta api secara

drastis. Banyak penumpang yang tidak mendapatkan tiket dikarenakan kapasitas

penumpang pada kereta api yang disediakan tidak sebanding dengan jumlah

penumpang yang ada. Sehingga PT. KAI harus memberangkatkan beberapa kereta

tambahan dan digunakan untuk mengatasi peningkatan jumlah penumpang tersebut .

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

dengan melakukan peramalan jangka pendek pada arus penumpang. Peramalan

 2

jangka pendek pada arus penumpang merupakan komponen penting dari sistem

transportasi yang dapat digunakan sebagai pedoman dalam meningkatkan kualitas

pelayanan sistem transportasi. Hasil peramalam jangka pendek pada arus penumpang

juga dapat diterapkan untuk mendukung manajemen sistem transportasi seperti

perencanaan operasi dan perencanaan peraturan penumpang ( Yu Wei dan Mu Chen

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

untuk memperkirakan nilai masa dalam pembuatan perencanaan maupun

pengambilan keputusan (Mudrajat Kuncoro, 2007:32)

Metode peramalan runtut waktu yang sering digunakan dalam peramalan

sejak tahun 1970 yaitu metode Autoregressive Integrated Moving Average

(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

dapat mengatasi pola data nonlinier adalah jaringan syaraf tiruan.

Jaringan syaraf tiruan juga merupakan komponen yang penting dalam

pemodelan ekonomi dah peramalan karena kemampuannya dalam menangani data

yang bersifat nonlinier (Oscar Claveria dan Salvador Torra; 2014:220).

Backpropagation merupakan salah satu metode dalam jaringan syaraf tiruan yang

dapat diimplementasikan dengan baik dalam peramalan (Dwi Prisita

Anggriningrum et al, 2013:104). Backpropagation memiliki kemampuan dalam

melatih jaringan guna mengenali pola yang terdapat pada data dan akan digunakan

dalam proses training serta kemampuan yang dimiliki jaringan dalam

memberikan respon terhadap pola masukan yang serupa tapi tidak sama dalam

proses training (Jong Jek Siang, 2005:119).

Berikut beberapa penelitian mengenai peramalan dengan menggunakan

metode ARIMA dan metode jaringan syaraf tiruan:

1. Machmudin, Ali dan Brodjol S. S. Ulama (2012) dalam jurnal dengan judul

Peramalan Temperatur Udara di Kota Surabaya dengan Menggunakan ARIMA

dan Artificial Neural Network. Penelitian ini bertujuan untuk mengetahui hasil

peramalan data temperatur udara harian di Surabaya. Data yang digunakan

yaitu data temperatur udara harian di Surabaya periode Januari 2011 hingga

Maret 2012.Didapatkan empat model yang sesuai dengan data yaitu model

ARIMA(0,1,2)2 dan model Artificial Neural Network FFNN (1,5,1), FFNN

3
 (2,4,1) dan FFNN (1,5,1). Hasil penelitian tersebut menyatakan bahwa model

Artificial Neural Network dengan FFNN (2,4,1) mempunyai nilai MAPE

paling kecil dibandingkan ketiga metode lainnya yaitu 0,07.

2. Gunaryati, Aris dan Adang Suhendra (2015) dalam jurnal dengan judul

Perbandingan Antara Metode Statistika dan Metode Neural Network pada

Model Peramalan Indeks Harga Perdagangan Besar. Penelitian ini bertujuan

untuk membandingkan penggunaan metode statistika dan metode neural

network pada perhitungan peramalan indeks harga perdagangan besar. Data

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

neuralnetwork backpropagation pada penelitian ini menggunakan fungsi

aktivasi bipolar dan sigmoid. Hasil akhir dari penelitian ini yaitu dengan

menggunakan nilai input yang sama, metode ARIMA dapat melakukan

peramalan lebih baik pada periode uji dibandingkan dengan metode jaringan

syaraf tiruan backpropagation. Pada periode pelatihan, metode neural network

backpropagation lebih akurat dibandingkan metode ARIMA.

4
3. Radita Ristiana (2015) dalam skripsi dengan judul Perbandingan ARIMA dan

Jaringan Syaraf Tiruan Propagasi Balik dalam Peramalan Tingkat Inflasi

Nasional. Penelitian ini bertujuan untuk melakukan perbandingan dalam

penggunaan kedua metode tersebut guna menentukan metode yang

menghasilkan prediksi lebih akurat dalam melakukan peramalan tingkat inflasi

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

kembali sehingga dapat disimpulkan bahwa data tersebut memiliki pola

musiman. Dilakukan perbandingan hasil nilai kesalahan peramalan padakedua

metode tersebut. Model ARIMA (0,1,1)(0,0,1)12 memiliki nilai akurasi

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

dan nilai kesalahan peramalan MAPE sebesar 0,03. Hasil perhitungan

keakuratan peramalan menunjukan bahwa model jaringan syaraf tiruan

propagasi balik memiliki kritertia kesalahan peramalan lebih kecil

dibandingkan dengan model ARIMA.

4. Valipour, Mohammad, Mohammad Banihabib, dan Sayyed Mahmood Reza

Behbahani dalam jurnal yang berjudul Comparison of the ARMA, ARIMA, and

the Autoregressive Artificial Neural Network Models in Forecasting the

Monthly Inflow of Dez Dam Reservoir. Penelitian ini bertujuan untuk

membandingkan penggunakan metode peramalan ARMA, ARIMA dan

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)

sebagai pembanding tingkat akurasi setiap metode peramalan. Hasil dari

penelitian ini yaitu penggunaan 17 neuron pada hidden layer di jaringan syaraf

tiruan menghasilkan nilai error yang lebih kecil dibandingkan dengan metode

ARMA. Penggunaan metode ARIMA juga menghasilkan tingkat akurasi yang

lebih besar dibandingkan dengan metode ARMA. Metode ARIMA pada

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

untuk 5 tahun yang akan datang.

5. Claveria, Oscar dan Salvador Torra dalam jurnal yang berjudul Forecasting

Tourism Demad to Catalonia : Neural Network vs Time Series Models.

Penelitian ini bertujuan untuk membandingkan penggunaan metode neural

network dan metode time series dalam meramalkan jumlah wisatawan di

Catalonia. Metode time series yang digunakan pada penelitian ini adalah

metode ARIMA dan metode self-exciting regime models (SETAR) dan

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

peramalan jangka pendek metode ARIMA memiliki tingkat akurasi peramalan

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

cocok untuk digunakan.

Berdasarkan latar belakang dan penelitian terdahulu peneliti tertarik

membandingkan penggunaan metode ARIMA dan metode jaringan syaraf tiruan

dalam peramalan volume penumpang kereta api dengan membandingkan tingkat

akurasi metode tersebut.

1.2 Identifikasi Masalah

Peningkatan penggunaan mode transportasi kereta api mengharuskan PT.

KAI untuk menambah kapasitas penumpang pada armada kereta api yang

disediakan. Hal ini dapat diantisipasi jika sebelumnya dilakukan peramalan

volume penumpang pada masa yang akan datang. Metode ARIMA dan metode

jaringan syaraf tiruan backpropagation merupakan metode yang sering digunakan

dalam peramalan. Pada penelitian sebelumnya dengan menggunakan metode

ARIMA dan jaringan syaraf tiruan backpropagation didapatkan hasil dengan

jumlah MAPE yang berbeda – beda. Oleh karena itu, penelitian ini bertujuan

membandingkan hasil peramalan dari kedua metode tersebut.

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,

minitab, dan matlab.

1.4 Rumusan Masalah

Dari uraian latar belakang tersebut, maka dapat dirumuskan permasalahan

yaitu metode manakah yang dapat memberikan tingkat akurasi yang tinggi pada

peramalan volume penumpang kereta api Argo Muria?

1.5 Tujuan Penelitian

Tujuan penelitian ini adalah sebagai berikut:

1. Menentukan hasil peramalan volume penumpang kereta api Argo Muria untuk

dengan menggunakan metode ARIMA dan metode jaringan syaraf tiruan

backpropagation.

2. Mengetahui tingkat akurasi yang paling tinggi diantara metode ARIMA dan

metode jaringan syaraf tiruan backpropagationpada peramalan volume

penumpang kereta api Argo Muria.

8
1.6 Manfaat Penelitian

Adapun manfaat dari penelitian ini adalah sebagai berikut:

1. Bagi pengembangan ilmu pengetahuan, diharapkan penelitian ini dapat

menambah keilmuan dalam peramalan terutama penggunaan metode ARIMA

dan metode jaringan syaraf tiruan backpropagation. Juga dapat menjadi bahan

referensi dalam melakukan penelitian berikutnya.

2. Bagi PT. KAI, diharapkan penelitian ini dapat menjadi salah satu pertimbangan

dalam melakukan perencanaan penyediaan jasa layanan kereta api.

1.7 Penegasan Istilah

Berikut dijelaskan beberapa istilah yang berkaitan dengan judul penelitian.

Beberapa istilah tersebut adalah:

1. Peramalan (Forecasting)

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 (Makridakis dkk, 2000:228).

2. Metode ARIMA (Autoregressive Integrated Moving Average)

Metode ARIMA merupakan salah satu model runtut waktu yang

merupakan kombinasi model autoregresif (AR) dan model moving average

(MA). Metode ARIMA menggunakan data masa lalu dalam mengenali pola

data dan digunakan dalam memprediksi masa yang akan datang (Dwi Prisita

Aninggrum et al, 2013:105).

9
3. Metode Jaringan Syaraf Tiruan Backpropagation

Metode Jaringan Syaraf Tiruan Backpropagationmerupakan salah satu

metode jaringan syaraf tiruan dan menggunakan beberapa layer (jamak).

Metode ini melatih jaringan untuk mengenali pola yang digunakan dalam

pelatihan dan juga melatih kemampuan jaringan dalam memberikan respon

terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang

digunakan selama pelatihan (Jong Jek Siang, 2005:97).

10
 11

BAB 2

TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1 Peramalan

Forecasting atau peramalan merupakan gambaran atau pengalaman yang

telah terjadi pada masa lalu yang berhubungan dan digunakan dalam penentuan

masa depan (Albert Battersby, 1976:72). Peramalan merupakan bagian terpenting

dalam proses pengambilan keputusan dalam suatu organisasi sehingga peramalan

mempengaruhi seluruh bagian dalam organisasi (Makridakis dkk, 1995:4).

Berbagai situasi peramalan yang beragam dalam horizon waktu

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.

Sedangkan metode kualitatif terdiri dari metode eksploratoris dan normatif.

Peramalan metode kuantitatif dapat diterapkan jika terdapat tiga kondisi berikut

( Makridakis dkk, 1999:8) :

1. Tersedia informasi historis data yang akan digunakan.

2. Informasi yang didapatkan dapat diubah bentuknya mencaji bentuk kuantitatif

atau dalam bentuk data numerik.

3. Terdapat asumsi bahwa pola data masa lalu akan terulang kembali pada masa –

masa yang akan datang.

 12

2.2.2 Analisis Runtut Waktu

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

tersebut (Mudrajat Kuncoro, 2008:129). Teknik analisis runtut waktu baik

digunakan untuk memperkirakan data yang relatif stabil yang tidak dipengaruhi

oleh perubahan permintaan nilai yang tidak rasional (Geoffrey Lancaster dan

David Jobber, 1989:318). Data runtut waktu menggunakan pendugaan atau

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

mungkin terdapat pada data tersebut (Makridakis dkk, 1999:9).

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.

Data penjualan, produksi serta data runtut waktu lainnya mengalami

perubahan pola dan mengikuti musim (Robert D. Mason dan Douglas A. Lind,

1999:321).Perubahan pola tersebut dipengaruhi keadaan yang terjadi hanya pada

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).

2.2.3 Metode ARIMA

Metode ARIMA merupakan metode yang menggunakan pendekatan

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 yang digunakan sudah memadai atau belum.Pengujian pada 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

dan Adang Suhendra, 2015:30).

Data yang digunakan dalam metode ARIMA harus stasioner. Stasioneritas

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

berarti tidak terjadi pertumbuhan atau penurunan pada data yang

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

yang stasioner antara lain :

1. Model Autoregressive atau AR(p)

AR(p) merupakan model linier paling dasar pada proses stasioner. Model

tersebut mempunyai arti bahwa variabel dependent dipengaruhi oleh variabel

dependent itu sendiri.

Model AR(p) mempunyai bentuk umum sebagai berikut:

𝑌𝑡 = ∅0 + ∅1 𝑌𝑡−1 + ∅2 𝑌𝑡−2 +. . . . +∅𝑖 𝑌𝑡−𝑖 + 𝑎𝑡 (2.1)

Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑌𝑡−1 merupakan data pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑝

𝑎𝑡 merupakan error pada periode t

∅0 merupakan suatu konstanta

∅𝑖 merupakan parameter autoregresif ke-i, 𝑖 = 1, 2, … , 𝑝

2. Model Autoregresi (Autoregressive) Tingkat 1 (AR(1))

Model autoregresi tingkat 1 atau AR(1) secara matematis mempunyai bentuk

umum sebagai berikut:

𝑌𝑡 = ∅0 + ∅1 𝑌𝑡−1 + 𝑎𝑡 (2.2)

14
 Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑌𝑡−1 merupakan data pada periode 𝑡 − 1

𝑎𝑡 merupakan error pada periode t

∅0 merupakan suatu konstanta

∅1 merupakan parameter autoregresif ke-1

3. Model Autoregresi (Autoregressive) Tingkat 2 (AR(2))

Model autoregresi tingkat 2 atau AR(2) secara matematis mempunyai bentuk

umum sebagai berikut:

𝑌𝑡 = ∅0 + ∅1 𝑌𝑡−1 + ∅2 𝑌𝑡−2 + 𝑎𝑡 (2.3)

Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑌𝑡−2 merupakan data pada periode 𝑡 − 2

𝑎𝑡 merupakan error pada periode t

∅0 merupakan suatu konstanta

∅2 merupakan parameter autoregresif ke-2

Model AR(3) dan seterusnya hingga AR(p), dapat dilanjutkan dengan

mengikuti pola umum AR(p).

4. Model Moving Average atau MA(q)

MA(q) merupakan proses dimana 𝑌𝑡 dihasilkan dari forecast error pada

beberapa data periode masa lalu. Bentuk umum dari moving average tingkat q

atau MA(q) dapat didefinisikan sebagai berikut:

𝑌𝑡 = θ0 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − 𝜃2 𝑎𝑡−2 −. . . − 𝜃𝑖 𝑎𝑡−𝑖 (2.4)

15
 Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑎𝑡 merupakan error pada periode t

𝑎𝑡−𝑖 merupakanerror pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑞

𝜃0 merupakan suatu konstanta

𝜃𝑖 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , 𝑞

5. Model Moving Average Tingkat 1 atau MA(1)

Model moving average tingkat 1 atau MA(1) secara matematis dapat

didefinisikan sebagai berikut:

𝑌𝑡 = 𝜃0 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 (2.5)

Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑎𝑡 merupakan error pada periode t

𝑎𝑡−1 merupakan error pada periode 𝑡 − 1

𝜃0 merupakan suatu konstanta

𝜃1 merupakan parameter moving average ke-1

6. Model Moving Average Tingkat 2 atau MA(2)

Model moving average tingkat 2 atau MA(2) secara matematis mempunyai

bentuk umum sebagai berikut:

𝑌𝑡 = θ0 + 𝑎𝑡 − 𝜃1 𝑎𝑡−1 − ∅2 𝑎𝑡−2 (2.6)

Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑎𝑡 merupakan error pada periode t

16
 𝑎𝑡−2 merupakan error pada periode 𝑡 − 2

𝜃0 merupakan suatu konstanta

𝜃2 merupakan parameter moving average ke-2

Model MA(3) dan seterusnya hingga MA(q), dapat dilanjutkan dengan

mengikuti pola umum MA(q).

7. Model Campuran atau Autoregressive Moving Average ARMA (p, q)

Model ini merupakan model campuran dari model autoregresif dan model

moving average Model ini dinyatakan sebagai model ARMA (p,q) dan

mempunyai bentuk umum:

𝑌𝑡 = ∅0 + ∅𝑖 𝑌𝑡−𝑖 +. . . +∅𝑝 𝑌𝑡−𝑝 + 𝑎𝑡 − 𝜃𝑖 𝑎𝑡−𝑖 −. . . −𝜃𝑞 𝑎𝑡−𝑞 (2.7)

Keterangan:

𝑌𝑡 merupakan data pada periode 𝑡, 𝑡 = 1, 2, … , 𝑛

𝑌𝑡−1 merupakan data pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , 𝑝

𝑎𝑡 merupakan error pada periode t

𝑎𝑡−1 merupakan error pada periode 𝑡 − 𝑖, 𝑖 = 1, 2, … , q

∅0 merupakan suatu konstanta

𝜃𝑝 merupakan parameter autoregresif ke-i, 𝑖 = 1, 2, … , 𝑝

𝜃𝑞 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , q

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

ini dapat didefinisikan sebagai berikut:

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)

𝐵 merupakan backshift operator

∅𝑖 merupakan parameter autoregresif ke-i, 𝑖 = 1, 2, … , 𝑝

𝜃𝑖 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , q

d merupakan ordo pembedaan

𝑌𝑡 merupakannilai data deret waktu ke-t

𝑒𝑡 merupakangalat

9. Model ARIMA (p,d,q)

Model ARIMA merupakan kombinasi model autoregresif dan model moving

average yang telah ditambahkan proses stasioneritas pada model tersebut.

Model ini dinyatakan sebagai model ARIMA (p,d,q) dan d merupakan

banyaknya proses differencing yang dilakukan pada data tersebut. Proses

differencing merupakan cara menstasionerkan data pada rata – rata. Model ini

mempunyai bentuk umum sebagai berikut:

∅(𝐵)(1 − 𝐵)𝑑 𝑌𝑡 = 𝜃(𝐵)𝑒𝑡 (2.11)

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)

𝐵 merupakan backshift operator

∅𝑖 merupakan parameter autoregresifke-i, 𝑖 = 1, 2, … , 𝑝

𝜃𝑖 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , q

18
 d merupakan ordo pembedaan

𝑌𝑡 merupakan nilai data deret waktu ke-t

𝑒𝑡 merupakan galat

10. Model ARIMA musiman (𝑝, 𝑑, 𝑞)(𝑃, 𝐷, 𝑄)𝑠

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

gabungan dari notasi nonmusiman dan notasi musiman.Notasi (𝑝, 𝑑, 𝑞)

merupakan notasi nonmusiman dengan p merupakan nilai dari orde AR, d

merupakan jumlah differencing pada data, dan q merupakan nilai dari orde

MA. Notasi (𝑃, 𝐷, 𝑄) merupakan notasi musiman dengan p merupakan nilai

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

sebagai berikut(Wei, 1989):

∅𝑖 (𝐵)∅𝑘 (𝐵)𝑠 (1 − 𝐵)𝑑 (1 − 𝐵 𝑠 )𝐷 𝑌𝑡 = 𝜃𝑖 (𝐵)𝜃𝑘 (𝐵 𝑠 )𝑒𝑡 (2.14)

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)

𝐵 merupakan backshift operator

∅𝑖 merupakan parameter autoregresif ke-i, 𝑖 = 1, 2, … , 𝑝

19
 𝜃𝑖 merupakan parameter moving average ke-i, 𝑖 = 1, 2, … , q

∅𝑘 merupakan parameter autoregresif musiman ke-i, 𝑖 = 1, 2, … , 𝑝

𝜃𝑘 merupakan parameter moving average musiman ke-i, 𝑖 = 1, 2, … , 𝑝

d merupakan ordo pembedaan

𝑌𝑡 merupakan nilai data deret waktu ke-t

𝑒𝑡 merupakan galat

s merupakan periode musiman

Model ARIMA musiman(𝑝, 𝑑, 𝑞)(𝑃, 𝐷, 𝑄)𝑠 selanjutnya dapat diperoleh dengan

mengikuti bentuk umum yang dimiliki oleh model musiman multiplikatif

ARIMA.

2.2.4 Metodologi Box-Jenkins

Metodologi Box- Jenkins merupakan metodologi yang digunakan dalam

membangun model ARIMA (p,d,q). Ada beberapa tahapan dalam penggunaan

metodologi ini yaitu identifikasi model, estimasi model, pemeriksaan diagnose,

dan penerapan model (Makridakis dkk, 1999:381):

2.2.4.1 Identifikasi Model

Hal yang pertama kali harus dilakukan sebelum data diolah adalah proses

identifikasi model. Proses ini berguna mengetahui sifat dari data yang

digunakan, meliputi apakah data tersebut bersifat nonstasioner termasuk

juga mengetahui aspek – aspek AR dan MA pada data tersebut.

Identifikasi model juga dilakukan untuk mengetahui korelasi antar titik

pengamatan dalam data runtut waktu (Khashei dan Bijari, 2011: 269).Pada

model ARIMA penggunaan data stasioner merupakan syarat utama,

20
 sehingga apabila data yang digunakan ternyata mempunyai sifat

nonstasioner maka data harus distasionerkan terlebih dahulu (Makridakis

dkk, 1999:383).

Pemeriksaan stasioneritas data dapat dilakukan dengan caramelihat pola

atau plot yang terdapat pada data runtut waktu (Maya Pristanty dan

Achmad Mauludiyanto, 2012:1). Proses penstasioneritas data dapat

dilakukan dengan mengevaluasi stasioneritas data pada ragam dengan

menggunakan transformasi Box-Cox.Selain stasioner pada ragam, data

yang digunakan juga harus stasioner terhadap rata – rata. Penggunaan

metode pembedaan (differencing )merupakan salah satu metode yang

digunakan dalam proses penstasioneran data pada rata – rata. Differencing

atau pembedaan merupakan selisih data tertentu dengan data sebelumnya.

Terdapat dua metode differencing, yaitu :

1. Differencing Nonmusiman

Differencing nonmusiman merupakan proses differencing yang dilakukan

pada data nonmusiman. Jika pada differencing berorde satu data yang

digunakan belum stasioner, maka dapat dilakukan proses differencing

kembali sampai data tersebut stasioner.

2. Differencing Musiman

Konsep pada differencing musiman sama dengan differencing

nonmusiman, yang membedakannya hanya pada penggunaan data

periode sebelumnya. Jika setelah dilakukan proses differencing sebanyak

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

untuk menentukan model awal. Tabel 2.1 menunjukan karakteristik plot

ACF dan PACF yang sudah stasioner (Maya Pristanty dan Achmad

Mauludiyanto, 2012:2).

Tabel 2.1 Karakteristik Plot ACF dan PACF

Proses ACF PACF

AR (p) Tails off pada lag yang menurun dan Cut off terjadi setelah lag

mengikuti gelombang sinsuodial ke-p

(berbentuk eksponensial)

MA (q) Cutt off terjadi setelah lag ke-q Tails offlag yang menurun

dan mengikuti gelombang

sinusoidal (membentuk

eksponensial)

ARMA Tails off terjadi setelah lag (q-p) Tails off terjadi setelah

(p,q) lag (p-q)

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

Tahap selanjutnya pada metodologi Box- Jenkins yaitu estimasi model.

Pada tahap ini akan diperoleh estimasi koefisien dari beberapa model yang

telah ditentukan sebelumnya dengan melakukan uji koefisien estimasi.

Model yang memilki hasil koefisien yang signifikan akan digunakan

dalam tahap berikutnya (Dwi Efri Rufiyanti, 2015:46).

Uji signifikansi parameter dalam model dilakukan dengan cara

membandingkan nilai P-value dengan level toleransi (α=0.05) dalam

pengujian hipotesis(Irma Eliza, 2011:14):

H0 : parameter tidak signifikan dalam model

H1 : parameter signifikan dalam model

Kriteria penerimaan H0 jika nilai P value > α dan penolakan H0 jika nilai

P value < α.

2.2.4.3 Pemeriksaan Diagnosa

Setelah memilih beberapa model yang telah lolos uji signifikansi

paramater, tahap selanjutnya adalah menguji apakah model – model

tersebut cocok dengan data atau ada model lain yang lebih cocok.

Beberapa pengujian yang dilakukan dalam tahap pemeriksaan diagnosa

adalah uji independensi residual, uji normalitas residual, dan uji

homoskedastitas.

1. Uji Independensi Residual

Uji independensi residual dilakukan untuk mengetahui dan mendeteksi

residual yang terdapat diantara lag (Kiki Febri Azriati dkk, 2014:703).

23
 Uji ini dapat dilakukan dengan cara melihat pasangan ACF dan PACF

residual yang dihasilkan oleh model yang dipilih sebelumnya (Irma

Eliza, 2011:18).

Residual merupakan nilai sisa yang didapatkan setelah proses

pencocokan model. Mempelajari nilai sisa (residual) pada data juga

sangat berguna untuk mengetahui apakah masih terdapat beberapa pola

yang belum diperhitungkan pada penentuan model sebelumnya.Selain

itu, independensi residual pada data dapat diketahui pada kerandoman

atau ketidakberaturan residual. Kerandoman residual dapat diketahui

dengan melakukan pengujian menggunakan metode Box-Pierce

(Makridakis, 1995:411) yaitu dengan cara membandingkan nilai P-

value pada hasil proses L-jung Box Pierce dengan selang kepercayaan

(α=0.05) yang telah ditentukan dalam uji hipotesis:

H0 : Residual model mengikuti proses random

H1 : Residual model tidak mengukuti proses random

Kriteria penerimaan H0 yaitu jika P-value > selang kepercayaan

(Montgomery, 2008).

2. Uji Normalitas Residual

Normalitas residual pada data berarti residual atau nilai sisa pada data

tersebut mengikuti distribusi normal (Eka Febri Indayani, 2009:34).

Pengujian normalitas residual pada data dapat dilakukan dengan

menggnakan uji Kolmogorov-Smirnov.Selain itu pengujian normalitas

residual dapat dilakukan dengan memeperhatikan grafik Normality

24
 Probability Plot Residual. Jika pada grafik tersebut residual terdapat

pada garis diagonal atau mengikuti garis diagonal maka residual

berdistribusi normal (Kiki Febri Azriati dkk, 2014:703).

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

dapat digunakan dalam peramalan (Irma Eliza, 2011:19).

3. Uji Homoskedastitas

Homoskedastitas merupakan keadaan dimana variansi residual pada

data konstan. Residual dikatakan konstan apabila tidak ada lag yang

signifikan dari plot ACF dan PACF. Selain itu dengan cara melihat plot

residual pada data yang digunakan. Jika residual berfluktuasi disekitar

0, maka residual bersifat homoskedastitas (Eka Febri Indayani,

2009:34).

2.2.4.4 Penerapan Model

Tahap terakhir pada metodologi Box –Jenkins yaitu penerapan

model.Model yang telah melewati pemeriksaan diagnosa dapat digunakan

dalam peramalan.Pada tahap peramalan, data dibagi menjadi 3 bagian

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

2.2.5.1 Pengertian Jaringan Syaraf Tiruan

Jaringan syaraf tiruan merupakan suatu sistem pemrosesan informasi yang

memiliki desain seperti otak manusia. Cara kerja jaringan syaraf tiruan

menirukan cara kerja otak manusia. Jaringan syaraf tiruan menirukan cara

kerja otak manusia dalam menyelesaikan masalah dengan cara melakukan

proses belajar melalui perubahan bobot pada sinapsisnya (Arief

Hermawan, 2006:2)

Jaringan syaraf tiruan merupakan sistem pengelola informasi yang

mempunyai karakteristik yang sama seperti jaringan syaraf biologi (Jong

Jek Siang, 2005:2). Jaringan syaraf tiruan memiliki karakteristik seperti

jaringan syaraf manusia sehingga, cara kerja elemen – elemen pemrosesan

pada jaringan syaraf tiruan juga sama seperti cara neuron meng-encode

informasi yang diterimanya. Jaringan syaraf tiruan tidak diprogram untuk

menghasilkan keluaran atau output tertentu. Semua output atau

kesimpulan yang pada jaringan pada merupakan hasil akhir yang

didapatkan dari proses pembelajaran jaringan. Pada proses pembelajaran,

jaringan diberi input atau masukan berupa pola – pola lalu jaringan diajari

untuk meberikan jawaban yang dapat diterima (Diyah Puspitaningrum,

2006:1).

Jaringan syaraf tiruan juga memiliki kemampuan untuk mengenali suatu

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

dipelajari (Arief Hermawan, 2006:2).

2.2.5.2 Komponen Jaringan Syaraf Tiruan

Jaringan syaraf tiruan terdiri dari sejumlah besar elemen yang dapat

melakukan kegiatan analog dengan fungsi – fungsi biologis neuron yang

paling elementer. Beberapa elemen ini memiliki memiliki karakteristik

dan cara kerja seperti anatomi pada otak manusia, walaupun tidak sama

persis. Jaringan syaraf tiruan dapat belajar dari pengalaman pada proses

pelatihan, dapat melakukan generalisasi beberapa contoh yang

diperolehnya dan mengabstraksi karakteristik esensial masukan bahkan

untuk beberapa data yang tidak relevan (Arief Hermawan, 2006:3).

Jaringan syaraf tiruan tersusun atas beberapa elemen yang memiliki fungsi

hampir sama seperti jaringan syaraf biologi manusia dan terdiri dari

(Diyah Puspitaningrum, 2006:3) :

1. Pengelolaan infomasi pada jaringan syaraf tiruan terjadi pada elemen –

elemen pemrosesan (neuron).

2. Sinyal didapatkan dari dua buah neuron akan diteruskan menggunakan

penghubung - penghubung yang terkoneksi.

3. Penghubung yang terkoneksi memiliki bobot masing – masing dan

terasosiasi.

27
 4. Fungsi aktivasi diterapkan oleh setiap neuron terhadap masukan atau

input jaringan dengan bertujuan menentukan sinyal input. Fungsi aktivasi

yang sering digunakan adalah fungsi aktivasi nonlinier.

Menurut Arief Hermawan (2006:6) menyatakan jaringan syaraf tiruan

memiliki 3 lapisan dengan fungsinya masing – masing yaitu sebagai

berikut:

(1)Lapisan input pada jaringan syaraf tiruan berfungsi dalam

menyatakan nilai sebuah pola pada input yang diterimanya,(2)Lapisan
tersembunyi pada jaringan syaraf tiruan berfungsi menanggapi
beberapa sifat yang mungkin terlihat pada pola masukan ,(3)Lapisan
keluaran atau lapisan output berfungsi sebagai tempat keluaran bagi
jaringan syaraf tiruan dalam mempresntasikan pengelompokan pola.

2.2.5.3 Kelebihan Jaringan Syaraf Tiruan

Jaringan syaraf tiruan memiliki beberapa keunggulan dibandingkan

dengan metode perhitungan lainnya diantaranya (Arief Hermawan,

2006:4) :

1. Kemampuan jaringan syaraf tiruan dalam mengakuisisi pengetahuan

pada proses pelatihan meskipun data atau informasi yang digunakan

memiliki gangguan bahkan ketidakpastian. Kemampuan ini dimiliki

jaringan syaraf tiruan karena jaringan syaraf tiruan mampu melakukan

generalisasi, abstraksi, dan ekstraksi terhadap property statistic dari data

atau informasi yang digunakan.

2. Kemampuan jaringan syaraf tiruan dalam mempresentasikan

pengetahuan yang didapatkannya secara fleksibel. Kemampuan ini dimiliki

jaringan syaraf tiruan karena jaringan syaraf tiruan mampu untuk

28
 menciptakan representasi secara mandiri melalui pengaturan diri sendiri

dan kemampuan belajar (self organizing).

3. Kemampuan jaringan syaraf tiruan dalam memberikan toleransi pada

suatu distorsi (gangguan atau kesalahan). Kesalahan atau gangguan kecil

pada data hanya dianggap sebagai guncangan (noise).

4. Kemampuan jaringan syaraf tiruan dalam memproses pengetahuan

secara efisien. Kemampuan ini dimiliki jaringan syaraf tiruan karena

jaringan syaraf tiruan menggunakan sistem paralel yang sangat berguna

dalam mempersingkat waktu pemrosesan informasi.

2.2.5.4 Arsitektur Jaringan Syaraf Tiruan

Jaringan syaraf tiruan didesain dengan mempergunakan suatu aturan yang

memiliki sifat menyeluruh (general rule) dimana seluruh model pada

jaringan syaraf tiruan memiliki konsep dasar yang sama.

Arsitektur pada jaringan syaraf tiruan sangat menentukan keberhasilan

target yang akan dicapai. Berikut ini merupakan arsitekturjaringan syaraf

tiruan (Arief Hermawan, 2006:3) :

1. Jaringan syaraf tiruan dengan lapisan tunggal (single layer net)

Jaringan dengan lapisan tunggal hanya memiliki satu lapisan atau layer

yang mempunyai bobot terhubung. Jaringan dengan lapisan tunggal ini

hanya menerima masukan dan kemudian input tersebut lalu diolah

menjadi output tanpa harus melalui lapisan tersembunyi.

29
 Gambar 2.1 Jaringan Syaraf Tiruan Single Layer

2. Jaringan syaraf tiruan banyak lapisan (multilayer net)

Jaringan ini terletak diantara lapisan input dan lapisan output. Pada

jaringan ini terdapat lapisan bobot – bobot diantar 2 lapisan yang letaknya

bersebelahan.Jaringan ini memiliki satu atau lebih lapisan sehingga lapisan

ini dapat menyelesaikan masalah yang sulit dibandingkan dengan jaringan

dengan lapisan tunggal.Pada kondisi ini penggunaan pembelajaran yang

lebih rumit juga diperlukan.

Gambar 2.2 Jaringan Syaraf Tiruan Multilayer Net

3. Jaringan dengan Lapisan Kompetitif (competitive layer net)

Hubungan beberapa neuron pada lapisan ini tidak diperlihatkan pada

diagram arsitektur.

30
 Gambar 2.3 Jaringan Syaraf Tiruan Competitive Layer Net

2.2.5.5 Algoritma Pembelajaran

Algoritma pembelajaran pada jaringan syaraf tiruan dibagi menjadi 3

bagian yaitu pembelajaran terawasi, pembelajaran tak terawasi, dan

hibrida (Diyah Puspitaningrum, 2006:14).

1. Pembelajaran Terawasi

Pembelajaran terawasi merupakan kumpulan input dan output yang telah

diketahui. Perbedaan pada beberapa keluaran atau output aktual dengan

beberapa output yang diinginkan dipergunakan untuk mengkoreksi bobot

pada jaringan syaraf tiruan. Pengkoreksian bobot pada jaringan syaraf

tiruan berguna untuk meminimalisir error atau kesalahan sehingga

menghasilkan jawaban yang semirip mungkin dengan jawaban yang benar

yang telah diketahui sebelumnya oleh jaringan syaraf tiruan.

2. Pembelajaran Tak Terawasi

Pada pembelajaran tak terawasi, jaringan syaraf tiruan mengorganisasi

dirinya sendiri dalam membentuk vektor – vektor input serupa tanpa

menggunakan data dan proses pelatihan sebelumnya. Struktur pada

pembelajaran tak terawasi menggunakan dasar korelasi yang terdapat pada

31
 beberapa pola yang telah dieksplorasi.Pembelajaran tak terawasi

mengorganisasi atau mengelompokan pola – pola ke dalam beberapa

kategori berdasarkan korelasi yang dimiliki.

3. Hibrida

Hibrida merupakan proses pembelajaran pada jaringan syaraf tiruan yang

mengkombinasikan kedua aturan pembelajaran sebelumnya yaitu

pembelajaran terawasi dan tak terawasi. Pada pembelajaran hibrida,

sebagian bobot ditentukan dengan menggunakan pembelajaran terawasi

dan sisanya ditentukan menggunakan pembelajaran tak terawasi.

2.2.6 Jaringan Syaraf Tiruan Backpropgation

Jaringan syaraf tiruan backpropagation merupakan jaringan syaraf tiruan

perambatan galat mundur yang sering digunakan dalam mnyelesaikan masalah

dalam pengenalan pola – pola kompleks (Arief Hermawan, 2006:49). Isilah

permbatan galat mundur atau propagasi balik pada jaringan syaraf tiruan

backpropagation dikarenakan cara kerja jaringan ini. Pada jaringan syaraf tiruan

backpropagation gradien error pada unit – unit tersembunyi diturunkan dari

penyiaran kembali error – error diasosiasikan dengan unit – unit output. Hal ini

terjadi karena nilai target pada unit –unit tersembunyi tidak diberikan. Jaringan

syaraf tiruan backpropagation menurunkan gradien untuk meminimalkan

penjumlahan error kuadrat output jaringan (Diyah Puspitaningrum, 2006:125).

Penggunaan beberapa layer pada jaringan syaraf tiruan backpropagation

memperbaiki kelemahan pada jaringan syaraf tiruan layer tunggal.Pada jaringan

syaraf tiruan layer tunggal timbul masalah dalam pengenalan pola jaringan.

32
 Masalah tersebut dapat diselesaikan dengan cara penambahan satu/ beberapa layer

tersembunyi diantara layer masukan dan layer keluaran. Penggunaan beberapa

layer tambahan tersebut memiliki kelebihan dala beberapa kasus yang lebih

rumit.Namun pada pelatihannya memerlukan waktu yang lama (Jong Jek Siang,

2005:97).

2.2.6.1 Arsitektur Jaringan Syaraf Tiruan Backpropagation

Pada jaringan syaraf tiruan backpropagation setiap unit – unit tersembunyi

terhubung dengan setiap unit input atau masukan. Setiap unit pada lapisan

tersembunyi juga terhubung dengan lapisan output atau keluaran. Arsitektur

pada jaringan syaraf tiruan backpropagation terdiri dari (Diyah

Puspitaningrum, 2006:125) :

1. Lapisan input terdiri dari neuron – neuron atau disebut juga unit – unit

input. Pada lapisan ini input bisa berjumlah 1 sampai dengan n.

2. Lapisan tersembunyi terdiri dari unit – unit tersembunyi dengan minimal

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

sampai dengan unit m, n, dan p.

2.2.6.2 Fungsi Aktivasi

Fungsi aktivasi adalah bagian penting dalam tahapan pada suatu

perhitungan keluaran atau hasil dari suatu algoritma (Arief Hermawan,

2006:11).Fungsi aktivasi pada jaringan syaraf tiruan backpropagation

harus memiliki karakteristik kontinu, differensiabel dan tidak menurun

33
secara monoton.Fungsi aktivasi pada jaringan ini diharapkan jenuh

(mendekati nilai – nilai maksimum dan minimum secara asimtot). Pada

jaringan syaraf tiruan backpropagation terdapat beberapa pilihan fungsi

aktivasi antara lain sebagai berikut ini (Diyah Puspitaningrum, 2006 :132):

1. Fungsi Aktivasi Sigmoid Biner

Fungsi ini merupakan fungsi yang sering digunakan.Range pada fungsi ini

adalah (0,1).

Gambar 2.4 Gambaran dari Fungsi Aktivasi Sigmoid Biner.

2. Fungsi Aktivasi Sigmoid Bipolar

Fungsi ini merupakan fungsi yang umum dan sering digunakan dan

memiliki range (-1,1).

Gambar 2.5 Gambaran dari Fungsi Aktivasi Sigmoid Bipolar.

3. Fungsi Identitas

Fungsi identitas disebut juga fungsi linier. Pada fungsi identitas, nilai

output akan sama dengan nilai input.

34
 Gambar 2.6 Gambaran dari Fungsi Identitas.

Pada fungsi sigmoid yang memiliki nilai maksimum = 1, maka untuk pola

yang targetnya > 1, pola masukan dan keluaran harus ditransformasikan

terlebih dahulu. Sehingga semua pola mempunyai range yang sama

dengan fungsi sigmoid yang digunakan. Cara lain adalah menggunakan

fungsi aktivasi sigmoid terbatas pada layer kecuali layer keluaran (Jong

Jek Siang, 2005:99).

2.2.7 Optimalisasi Pada Bobot dan Bias Jaringan Syaraf Tiruan Backpropagation

Lama iterasi yang harus dilakukan pada jaringan syaraf tiruan

backpropagation merupakan masalah yang harus dihadapi. Dalam penggunaan

jaringan syaraf tiruan backpropagation, tidak dapat dipastikan berapa epoch yang

harus dilakukan untuk mencapai target yang diinginkan.Sehingga banyak

penelitian yang dilakukan untuk meneliti bagaimana parameter – parameter

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

dan mempengaruhi seberapa cepat konvergensinya (Jong Jek Siang, 2005:109).

2.2.7.1 Inisialisasi Acak atau Random

35
 Inisialisasi acak atau random merupakan prosedur yang sering dilakukan.

Inisialisasi ini bertugas untuk menginisialisasi bias dan bobot. Inisialisasi

tersebut dilakukan baik dari unit input ke unit tersembunyi maupun dari

unit tersembunyi ke unit output pada sebuah interval tertentu (−γ dan γ).

Misalnya pada interval -0,4 sampai 0,4 (Diyah Puspitaningrum, 2006:134).

2.2.7.2 Inisialisasi Nguyen Widrow

Inisialisasi Nguyen Widrow pada bobot dan bias ke unit tersembunyi pada

jaringan syaraf tiruan backpropagation dapat mempercepat proses iterasi

(Jong Jek Siang, 2005:109). Penggunaan inisialisasi Nguyen Widrow pada

waktu pembelajaran dan pada pemberian bobot dan bias jaringan syaraf

tiruan backpropagation membutuhkan waktu lebih sedikit dibandingkan

dengan inisialisasi acak atau random. Namun pada inisialisasi ini,

inisialisasi acak tetap digunakan. Tetapi inisialisasi acak hanya digunakan

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

tersembunyi. Penskalaan tersebut dilakukan agar kemampuan belajar pada

unit – unit tersembunyi meningkat (Diyah Puspitaningrum, 2006:135) .

2.2.8 Penggunaan Jumlah Lapisan Yang Tersembunyi

Penggunaan satu layer tersembunyi pada jaringan syaraf tiruan

backpropagation sudah cukup bagi jaringan dalam mengenali pola masukan dan

target dengan ketelitian yang telah ditentukan sebelumnya.Namun penambahan

jumlah layer tersembunyi pada beberapa kondisi dapat mempersingkat iterasi

36
 yang dilakukan (Jong Jek Siang, 2005:111).Tidak terdapat ketentuan khusus atau

peraturan dalam banyaknya jumlah lapisan tersembunyi yang dibutuhkan (Diyah

Puspitaningrum, 2006:136).

2.2.9 Momentum

Momentum merupakan salah satu variasi yang dapat dilakukan pada

jaringan syaraf tiruan backpropagation.Perubahan bobot pada jaringan syaraf

tiruan backpropagation didasarkan pada gradien yang terjadi untuk pola pada unit

masukan.Salah satu modifikasi yang dapat dilakukan pada jaringan syaraf tiruan

backpropagationadalah melakukan perubahan pada bobot yang didasarkan pada

arah gradien pola terakhir dan pola sebelumnya dimasukkan (Jong Jek Siang,

2005:113).

Penambahan parameter momentum dalam memperbaharui bobot pada

beberapa kondisi dapat mempercepat proses pelatihan. Hal ini disebabkan karena

momentum memaksa proses perubahan pada bobot pada jaringan bergerak terus

menerus sehingga tidak terperangkap dalam minimum – minimum lokal (Diyah

Puspitaningrum, 2006:136).

2.2.10 Algoritma Pelatihan

Algoritma pelatihan pada jaringan syaraf tiruan backpropagation terdiri

dari 3 fase, yaitu propagasi maju, propagasi mundur, dan perubahan bobot.Pada

fase pertama, dilakukan penghitungan pola masukan mulai dari layer masukan

hingga layer keluaran menggunakan fungsi aktivasi yang telah ditentukan

sebelumnya.Pada fase kedua, dilakukan propagasi mundur pada kesalahan yang

terjadi dan merupakan selisih antara keluaran jaringan dengan target yang telah

37
 ditentukan.Propagasi mundur dimulai dari garis yang berhubungan dengan unit –

unit pada layer keluaran.Fase terakhir merupakan modifikasi bobot dengan

melakukan perubahan bobot guna menurunkan kesalahan yang terjadi (Jong Jek

Siang, 2005:100).

Jaringan syaraf tiruan backpropagation dilatih menggunakan metode

belajar terbimbing.Jaringan diberikan sekumpulan pasangan pola dan terdiri dari

beberapa pola masukan dan pola yang diinginkan.Pelatihan pada jaringan

dilakukan terus menerus sehingga dihasilkan jaringan yang memberikan

tanggapan yang benar pada semua masukkannya. Tanggapan dinyatakan benar

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).

2.2.11 Backpropagation pada Peramalan

Penggunaan jaringan syaraf tiruan pada peramalan dapat digunakan untuk

memprediksi yang akan terjadi pada masa depan berdasarkan pola yang terdapat

pada data atau kejadian masa lalu. Hal ini terjadi karena jaringan syaraf tiruan

memiliki kemampuan untuk mengingat dan mengeneralisasi sesuatu kejadian

yang sudah terjadi sebelumnya (Jong Jek Siang, 2005:5).

Peramalan pada jaringan syaraf tiruan backpropagation menggunakan

sejumlah data runtut waktu dengan tujuan memperkirakan atau memprediksi

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

masukan pada backpropagation. Data bulan pertama setelah periode berakhir

digunakan sebagai data target. Penentuan jumlah layer dan unit pada proses

peramalan merupakan bagian tersulit. Sehingga dilakukan trial dan error dimulai

dengan jaringan yang memiliki unit dan layer terkecil.

2.2.12 Perangkat Lunak Minitab

Minitab merupakan salah satu perangkat lunak statistika yang digunakan

dalam pengolahan data. Minitab menyediakan beberapa kemudahan dalam

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

(Iriawan, 2006 : 25).

2.2.13 Perangkat Lunak Matlab

Perangkat lunak matlab merupakan alat komputasi yang dapat digunakan

dalam mengolah data yang melibatkan vektor dan matriks. Pada perangkat lunak

matlab terdapat toolbox dan beberapa fungsi yang dapat digunakan sesuai dengan

kebutuhan dalam pengolahan data.Matlab sangat cocok dalam penggunaan

jaringan syaraf tiruan karena dalam penggunaan jaringan syaraf tiruan banyak

digunakan vektor dan matriks. Matlab juga menyediakan fungsi – fungsi khusus

untuk menyelesaikan permasalahan dengan model jaringan syaraf tiruan.

Pengguna hanya perlu memasukkan vektor masukan, target, model, dan

39
 parameter yang diinginkan seperti laju pemahaman, bias, bobot dll (Jong Jek

Siang, 2005:151).

2.2 Penelitian Yang Relevan

Penelitian mengenai penggunaan metode ARIMA dan metode jaringan

syaraf tiruan backpropagation dalam peramalan jumlah penumpang kereta api

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

pemilihan penggunan metode peramalan yang tepat guna peramalan jangka

pendek volume penumpang transportasi umum di stasiun Muzha Line Taipei..

Peramalan jangka pendek volume penumpang transportasi umum merupakan

komponen yang penting dalam sistem transportasi. Hasil dari peramalan tersebut

dapat digunakan sebagai pertimbangan dalam sistem manajemen pengelolaan

transportasi umum seperti penambahan beberapa armada transportasi umum dan

peningkatan regulasi untuk setiap terminal saat volume penumpang transportasi

umum meningkat.

Penelitian kedua Ilafi Andalita dan Irhamah (2015) dalam jurnal yang

berjudul “Peramalan Jumlah Penumpang Kereta Api Kelas Ekonomi Argo Muria

Menggunakan ARIMA dan ANFIS”. Tujuan dari penelitian ini adalah

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

Pasar Turi yang memiliki volume penumpang terbanyak dibandingkan dengan

kereta api lain yang memiliki rute yang sama. Pada tahun 2015 volume

penumpang kereta api Argo Muria mencapai 740.348 dan meningkat sebesar

27,5% pada tahun berikutnya (PT. Kereta Api ).

Penelitian ketiga Saeedeh Anvari et al (2016) dalam jurnal yang berjudul

“Automated Box-Jenkins Forecasting Tool with an Application for Passenger

Demand in Urban Rail System”. Tujuan dari penelitian ini adalah melakukan

peramalan volume penumpang transportasi umum pada kota besar dengan

menggunakan metode ARIMA. Observasi yang dilakukan dalam penelitian ini

mengindikasikan bahwa keakuratan peramalan volume penumpang transportasi

umum sangat berguna bagi perencanaan infrastruktur, perencanaan penambahan

armada, dan perencanaan promosi yang dilakukan.

Penelitian keempat Eka Febri Indayani (2009) dalam skripsi yang berjudul

“Peramalan Jumlah Penumpang Kereta Api dengan Menggunakan Metode Box-

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.

Tahapan – tahapan peramalan yang dilakukan meliputi identifikasi model,

penaksiran parameter, pengujian serta penerapan model peramalan dalam proses

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

semua asumsi dalam analisis residual yaitu non autokorelasi, homoskedastisitas,

dan normalitas.

Penelitian kelima Riza Fauzi Rahman (2015) dalam skripsi yang berjudul

“Peramalan Volume Penumpang Kereta Api di Pulau Jawa-Sumatera dengan

Metode Jaringan Syaraf Tiruan Backpropagation”. Data time series yang

digunakan yaitu datavolume penumpang kereta api di Pulau Jawa dan Sumatera

pada periode 2006-2014. Penelitian tersebut menggunakan teknik insialisasi

Nguyen-Widrow pada pembobotan awal pelatihan menggantikan insialisasi acak

atau random serta penggunaan teknik adaptasi learning rate dan momentum guna

menambah optimalisasi proses peramalan yang dilakukan. Pengukuran tingkat

akurasi peramalan pada penelitian tersebut menggunakan Mean Absolute

Percentage Error (MAPE) dan dihasilkan presentase akurasi tertinggi 91,3012%

pada jaringan yang memiliki 12 lapisan masukan, 12 lapisan tersembunyi, 1

lapisan keluaran dengan persentase data latih 50%, nilai learning rate 0,5

,momentum 0,8 ,dan data terendah sebesar 66,2031%.

Penelitian keenam Tsung-Hsien Tsai et al (2009) dalam jurnal yang berjudul

“Neural Network Based Temporal Feature Models for Short Term Railway

Passenger Demand Forecasting”. Tujuan dari penelitian adalah menentukan

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.

Pada jurnal selanjutnya Dwi Prisita Anggriningrum et al (2013) yang berjudul

“Perbandingan Prediksi Harga Saham dengan Menggunakan Jaringan Syaraf

Tiruan Backpropagation dan ARIMA”. Data yang digunakan pada penelitian

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

digunakan adalah algoritam Lavenberg Marquardt dengan maksimum epoch

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

pada penelitian ini yaitu penggunaan jaringan syaraf tiruan backpropagation

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,

penggunaan kedua metode tersebut dalam proses peramalan dapat digunakan.

Hasil penelitian dengan membandingkan metode ARIMA dan jaringan syaraf

tiruan backpropagation memiliki potensi untuk digunakan dalam peramalan

volume penumpang kereta api dengan membandingkan nilai MSE dan MAPE

yang dimiliki metode.

2.3 Kerangka Berpikir

Kerangka berpikir secara teori mempunyai definisi yaitu hubungan yang

terdapat pada variabel – variabel penelitian yang akan dilakukan. Hubungan

variabel pada penelitian meliputi hubungan antara variabel independen dan

variabel dependen yang digunakan.Hubungan antar variabel tersebut kemudian

dapat dirumuskan dalam bentuk paradigma penelitian.Penyusunn paradigma

penelitian harus didasarkan pada hubungan antara variabel yang terdapat pada

kerangka berpikir (Sugiyono, 2010:91).

Kereta api merupakan salah satu moda transportasi di Indonesia dan

menjadi alat transportasi andalan bagi masyarakat. Peningkatan jumlah pengguna

kereta api pada masa- masa tertentu mengharuskan PT KAI untuk menambahkan

beberapa armada tambahan. Hal ini terjadi dikarenakan tidak seimbangnya

kapasitas armada yang disediakan dengan jumlah penumpang yang ada. Perlu

dilakukannya peramalan volume penumpang kereta api dan hasil peramalan

tersebut dapat digunakan sebagai salah satu faktor pengambil keputusan dalam

mempersiapkan kapasitas armada kereta api yang disediakan. Peramalan volume

44
penumpang kereta api dapat menggunakan metode ARIMA dan jaringan syaraf

tiruan backpropagation. Kemudian dilakukan perbandingan hasil peramalan

metode ARIMA dan metode jaringan syaraf tiruan backpropagation. Metode

dengan hasil nilai kesalahan peramalan terkecil merupaka metode yang paling

cocok digunakan untuk meramalkan volume penumpang kereta api.

Kereta api merupakan salah satu moda transportasi di Indonesia dan

menjadi alat transportasi andalan bagi masyarakat. Peningkatan jumlah
pengguna kereta api pada masa- masa tertentu mengharuskan PT KAI untuk
menambahkan beberapa armada tambahan dikarenakan tidak seimbangnya
kapasitas armada yang disediakan dengan jumlah penumpang yang ada.

Perlu dilakukannya peramalan volume penumpang kereta api dan hasil

peramalan tersebut dapat digunakan sebagai salah satu faktor pengambil
keputusan dalam mempersiapkan kapasitas armada kereta api yang
disediakan. Peramalan volume penumpang kereta api dapat menggunakan
metode ARIMA dan jaringan syaraf tiruan backpropagation.

Dilakukan perbandingan hasil peramalan metode ARIMA dan metode

jaringan syaraf tiruan backpropagation. Metode dengan hasil nilai
kesalahan peramalan terkecil merupakan metode yang paling cocok
digunakan untuk meramalkan volume penumpang kereta api.

Gambar 2.7 Skema Kerangka Berpikir

45
 46

BAB 3

METODE PENELITIAN

3.1 Obyek Penelitian

Obyek yang digunakan pada penelitian ini adalah volume penumpang

kereta api Argo Muria di DAOP 4 Semarang.

3.2 Sumber 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.

3.3 Metode Pengumpulan Data

Metode pengumpulan data yang pertama kali dilakukan adalah observasi.

Observasi dilakukan guna mengetahui kondisi obyek penelitian. Observasi pada

penelitian ini dilakukan secara tidak langsung yaitu dengan cara mengumpulkan

beberapa dokumen yang terkait dengan obyek penelitian .Metode pengumpulan

data lain yang dilakukan dalam penelitian ini adalah metode dokumentasi. Metode

dokumentasi merupakan salah satu teknik pengumpulan data yang dilakukan

dengan menggunakan dokumen, arsip, catatan tertulis maupun literatur yang

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.

3.4 Alat dan Bahan

Pada proses penelitian ini alat dan bahan yang digunakan adalah:

1. Seperangkat hardware komputer ACER , RAM 2, AMD C-10 APU with

Radeon, HD Graphics 1.00 GHz, OS Windows 7 Home Premium 32-bit

Operating System

2. Software aplikasi Matlab R2007b

3. Software aplikasi Minitab 16

4. Data volume penumpang kereta api Argo Muria pada Januari 2012 sampai

dengan Desember 2016.

3.5 Desain Penelitian

Pada penelitian ini terdapat beberapa tahap yang dilakukan secara

sistematis. Tahap – tahap tersebut terdiri dari observasi, dokumentasi, studi

pustaka dan beberapa tahan lainnya. Berikut diagram alir peneitian:

47
 Gambar 3.1 Diagram Alir Penelitian

3.6 Teknik Pengolahan Data dan Analisis Data

Pengolahan data pada penelitian ini menggunakan dua aplikasi pengolah

angka yaitu matlab dan minitab. Aplikasi matlab digunakan dalam pengolahan

48
data dengan menggunakan metode peramalan jaringan syaraf tiruan

backpropagation. Penggunaan aplikasi matlab dalam mengolah data

menggunakan metode jaringan syaraf tiruan backpropagation dikarenakan pada

aplikasi matlab terdapat toolbox neural network yang sederhana serta mudah

dipahami sehingga proses pengolahan data lebih mudah. Aplikasi minitab

digunakan dalam pengolahan data dengan menggunakan metode peramalan

Autoregressive Integrated Moving Average (ARIMA). Pemilihan aplikasi minitab

dalam pengolahan data menggunakan metode peramalan Autoregressive

Integrated Moving Average (ARIMA) karena aplikasi tersebut banyak digunakan

oleh beberapa peneliti dengan tema serupa.

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

digunakan merupakan data bulanan, untuk pengolahan data menggunakan metode

peramalan jaringan syaraf tiruan backpropagation, data target yang digunakan

adalah data yang memiliki selisih satu bulan dengan data input.

Terdapat diagram alir yang sistematis pada pengolahan data, baik

menggunakan metode peramalan ARIMA dan jaringan syaraf tiruan

backpropagation. Berikut diagram alir kedua penggunaan metode peramalan

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