Jurnal Ilmiah NERO Vol. 1 No.

1 2014

IMPLEMENTASI METODE BACKPROPAGATION

PADA SISTEM PENDUKUNG KEPUTUSAN
PENENTUAN HARGA JUAL PERUMAHAN

Rika Yunitarini
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo
Jl. Raya Telang, Po.Box 2 Kamal-Bangkalan
rika_yunitarini@yahoo.com

ABSTRAK
Developer perumahan seringkali mengalami kesulitan untuk menentukan harga jual perumahan. Dalam
proses penentuan harga jual tersebut, perusahaan membutuhkan beberapa jenis bahan baku yang harganya
ber fluktuasi sehingga menyebabkan perusahaan sulit untuk meramalkan harga bahan baku periode
selanjutnya. Metode peramalan yang digunakan dalam sistem ini adalah metode backpropagation
jaringan syaraf tiruan yang mengacu pada komponen peramalan data deret waktu variansi acak atau
random dengan proses awal proses autokorelasi untuk penentuan variabel input. Metode
backpropagation sendiri diketahui cukup baik digunakan dalam peramalan data deret waktu.
Aplikasi sistem pendukung keputusan dengan jaringan syaraf tiruan dapat dijadikan solusi untuk
menentukan harga jual perumahan. Nilai konfigurasi parameter untuk sistem pendukung keputusan
dengan menggunakan jaringan syaraf tiruan terbaik yang didapat dari hasil percobaan menghasilkan
konfigurasi Learning rate sebesar 0,025, momentum 0,01, toleransi error 0,00001, maksimal epoch
10.000 dan jumlah hidden layer 15 serta nilai persentase error 0,05%.

Kata kunci: Sistem Pendukung Keputusan, Peramalan, Backpropagation.

.
1. Pendahuluan
Sistem Pendukung Keputusan (SPK) merupakan suatu sistem berbasis komputer yang
ditujukan untuk membantu pengambil keputusan dalam memanfaatkan data dan model tertentu
untuk memecahkan berbagai persoalan yang tidak terstruktur, yaitu pencarian solusi yang
melibatkan intuisi manusia dalam membuat keputusan.
Developer perumahan dalam menentukan harga jual perumahan mengalami
permasalahan yang cukup rumit dengan banyak faktor yang harus diperhitungkan agar
perusahaan dapat memperoleh keuntungan yang sesuai dan tentunya harga jual tersebut dapat
dijangkau oleh masyarakat. Berdasarkan latar belakang permasalahan ini, sistem pendukung
keputusan penentuan harga jual perumahan perlu untuk dibuat untuk memudahkan pihak
developer dalam menetukan harga jual perumahan.
Sistem pendukung keputusan ini memerlukan suatu model matematis untuk
penyelesaiannya. Sistem pendukung keputusan yang akan dibuat ini menggunakan metode
Backpropagation Jaringan Syaraf Tiruan. Algoritma ini umumnya digunakan pada jaringan
syaraf tiruan yang berjenis multi-layer feed-forward Network, yang tersusun dari beberapa
lapisan dan sinyal dialirkan secara searah dari input menuju output. Backpropagation sendiri
merupakan algoritma pembelajaran yang terawasi, cara kerja dari metode ini adalah dengan cara
merubah setiap data yang akan menjadi input ke dalam bentuk matrik atau numerik. Kemudian
dilakukan pembobotan untuk memperoleh hasil keluaran (target) berupa harga prediksi material.
Berdasarkan penjelasan latar belakang di atas dapat dirumuskan beberapa permasalahan
yang akan ditangani antara lain bagaimana membuat SPK untuk menentukan harga jual
perumahan, bagaimana menerapkan Metode Backpropagation Jaringan Syaraf Tiruan untuk
menentukan harga jual perumahan serta bagaimana memberikan alternatif keputusan kepada
manajer untuk menentukan harga jual perumahan.

5|NERO
 Jurnal Ilmiah NERO Vol. 1, No.1 2014

Dari rumusan masalah tersebut, tujuan penelitian ini adalah agar dapat dihasilkan suatu
SPK yang mampu memberikan alternatif keputusan tentang harga jual perumahan dengan
metode backpropagation.

2. Dasar Teori
Sistem Pendukung Keputusan (SPK) merupakan salah satu produk software yang
dikembangkan secara khusus untuk membantu manajemen dalam proses pengambilan
keputusan. Tujuan SPK adalah sebagai second opinion atau information sources sebagai bahan
pertimbangan seorang pimpinan sebelum memutuskan kebijakan tertentu [1].
Salah satu definisi SPK dikemukakan oleh Keen dan Michel Scot-Morton yaitu suatu
sistem pendukung yang berbasis komputer yang diberikan kepada pengambil keputusan dalam
bidang manajemen untuk memecahkan masalah yang semi terstruktur.
Definisi lain tentang SPK adalah gabungan antara ilmu manajemen, riset operasional
dan komputer yang mendukung dalam proses pengambilan keputusan. Peter G. W. Keen dalam
[1] menjelaskan bahwa tujuan dari SPK ada tiga, yaitu :
1. Menolong manajer dalam mengambil keputusan untuk penyelesaian masalah semi
terstruktur.
2. Mendukung kebijaksanaan manajer.
3. Meningkatkan efektifitas pengambilan keputusan manajer.

Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu
mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Otak manusia
berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja
seperti suatu prosesor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga
mendukung kemampuan kerja otak manusia [2].

Gambar 1. Susunan Syaraf Manusia

Gambar 1 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf (neuron) akan
memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan
informasi. Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi,
dendrit juga menyertai akson sebagai keluaran dari sesuatu pemrosesan informasi. Informasi
hasil olahan ini akan menjadi masukan bagi neuron lain yang mana antar dendrit kedua sel
tersebut dipertemukan dengan synapsis. Informasi yang dikirimkan antar neuron ini berupa
rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit
akan dijumlahkan dan dikirim malalui akson ke dendrit akhir yang bersentuhan dengan dendrit
dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan
tertentu, yang sering dikenal dengan nama nilai ambang (threshold). Pada kasus ini, neuron
tersebut dikatakan teraktivasi. Hubungan antar neuron terjadi secara adaptif, artinya struktur
hubungan tersebut terjadi secara dinamis. Otak manusia selalu memiliki kemampuan untuk
belajar dengan melalukan adaptasi [3].
Salah satu algoritma pelatihan jaringan syaraf tiruan yang dapat dimanfaatkan dalam
manyelesaikan sistem pendukung keputusan adalah propagasi balik. Algoritma ini umumnya
digunakan pada jaringan syaraf tiruan yang berjenis multi-layer feed-forward, yang tersusun
dari beberapa lapisan dan sinyal dialirkan secara searah dari input menuju output.

6|NERO
 Jurnal Ilmiah NERO Vol. 1 No. 1 2014

Algoritma pelatihan propagasi balik pada dasarnya terdiri dari tiga tahapan yaitu [2]:
1. Input nilai data pelatihan sehingga diperoleh nilai output.
2. Propagasi balik dari nilai error yang diperoleh.
3. Penyesuaian bobot koreksi untuk meminimalkan nilai error.

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang
diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk
memanfaatkan jaringan syaraf tiruan tersebut. Informasi error dipropagasikan secara berurutan
bermula dari output layer dan berakhir pada input layer, sehingga algoritma ini diberi nama
propagasi balik (backpropagation). Algoritma ini dapat digunakan dalam aplikasi peramalan.
Peramalan adalah proses untuk memperkirakan berapa kebutuhan di masa datang yang
meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam
rangka memenuhi permintaan barang ataupun jasa [4]. Analisis Deret Waktu didasarkan pada
asumsi bahwa deret waktu terdiri dari komponen-komponen trend (T), siklus/Cycle (C), Pola
Musiman/Season (S) dan Variasi Acak/Random (R) yang akan menunjukkan suatu pola tertentu.
Komponen-komponen tersebut kemudian dipakai sebagai dasar dalam membuat persamaan
matematis. Analisis Deret waktu ini sangat tepat dipakai untuk meramalkan permintaan yang
pola permintaan di masa lalunya cukup konsisten dalam periode waktu yang lama, sehingga
diharapkan pola tersebut masih akan tetap berlanjut [5]. Permintaan masa lalu pada analisis
deret waktu akan dipengaruhi keempat komponen utama T,C,S dan R. Penjelasan tentang
komponen-komponen tersebut adalah sebagai berikut:
1. Trend/Kecenderungan (T)
Trend merupakan sifat dari permintaan dimasa lalu terhadap waktu terjadinya, apakah
permintaan tersebut cenderung naik, turun atau konstan.
2. Siklus/Cycle (C)
Permintaan suatu pruduk dapat memiliki siklus yang berulang secara periodik, biasanya
lebih dari satu tahun, sehungga pola tidak perlu dimasukkan dalam peramalan jangka
pendek. Pola ini amat berguna untuk peramalan jangka menengah dan jangka panjang.
3. Pola Musiman/Season (S)
Fluktuasi permintaan suatu produk dapat naik turun disekitar garis trend dan biasanya
berulang setiap tahun. Pola ini biasanya disebabkan oleh faktor cuaca, musim libur
panjang dan hari raya keagamaan yang akan berulang secara periodik setiap tahunnya.
4. Variasi Acak/Random (R)
Permintaan suatu produk dapat mengikuti pola bervariasi secara acak karena faktor-
faktor adanya bencana alam, bankrutnya perusahaan pesaing, promosi khusus dan
kejadian-kejadian lainnya yang tidak mempunyai pola tertentu. Variasi acak ini
diperlukan dalam rangka menentukan persediaan pengamanan untuk mengantisipasi
kekurangan permintaan.

Peramalan harga bahan baku/material yang digunakan untuk pembuatan rumah

dilakukan untuk mengetahui perkiraan harga bahan baku/material di masa yang akan datang
karena disebabkan adanya perubahan yang fluktuatif terhadap harga bahan baku /material
tersebut. Peramalan yang akan dibuat, berdasarkan data pada masa lalu. Untuk melakukan
peramalan, dilakukan pengumpulan data harga bahan baku/material pada masa lalu. Data yang
didapat adalah data perubahan harga dari tahun 2003-2009 dengan 20 data perubahan.
Kemudian diproses dengan metode peramalan yang sesuai sehingga akan didapatkan
harga bahan baku material pada beberapa periode mendatang. Sehingga akan diketahui
kebijakan yang akan dilakukan perusahaan untuk menentukan harga jual perumahan nantinya.
Metode peramalan yang digunakan dalam sistem ini adalah metode backpropagation
jaringan syaraf tiruan yang mengacu pada komponen peramalan data deret waktu variansi acak
atau random. Metode backpropagation sendiri diketahui cukup baik digunakan dalam
peramalan data deret waktu.

7|NERO
 Jurnal Ilmiah NERO Vol. 1, No.1 2014

3. Metodologi Penelitian
Untuk memperoleh data di dalam penyusunan penelitian ini, digunakan beberapa
metode di antaranya :
1. Perumusan Masalah
Pada tahap ini dilakukan survey lapangan, wawancara dengan berbagai narasumber
terkait, mengumpulkan data – data, dan membuat perumusan masalah.
2. Penentuan Kebutuhan Sistem
Pada tahap ini analisis sistem, tujuan, atau fungsi yang akan dilakukan sistem lebih
dalam lagi untuk memperkecil kesalahan yang mungkin terjadi.
3. Studi Literatur
Mengumpulkan dan mempelajari literatur – literatur yang terkait dengan perumusan
masalah untuk perancangan sistem yang ada.
4. Desain sistem
Pada tahap ini ditentukan konfigurasi yang dibutuhkan oleh sistem dan metode yang
digunakan dalam mengambil keputusan.
5. Evaluasi
Pada tahap ini dilakukan pengujian dari kinerja sistem, mencari dan memperbaiki error
yang terjadi.
6. Dokumentasi
Pada tahap ini dilakukan penyusunan dokumentasi pengembangan sistem pendukung
keputusan.

4. Pengujian dan Pembahasan

Aplikasi yang dibuat adalah aplikasi sistem pendukung keputusan penentuan harga jual
perumahan dengan menggunakan metode backpropagation jaringan syaraf tiruan, yaitu
merupakan aplikasi yang membantu manajer dalam meramalkan harga material yang
dibutuhkan untuk periode mendatang.
Proses dilatihkan dengan data harga bahan baku pembuatan perumahan periode
sebelumnya, misalnya data yang ada adalah data harga bahan baku untuk pembangunan
perumahan tahun 2003, 2004 dan 2005 maka data tahun 2003, 2004 dijadikan sebagai masukan
dan untuk data tahun 2005 digunakan sebagai target keluaran yang diinginkan. Dari
penyesuaian data masukan dan data keluaran jaringan syaraf tiruan akan menghasilkan bobot-
bobot yang dapat memetakan data masukan ke data target keluaran sistem yang diinginkan.
Apabila kesalahan (error) yang dihasilkan oleh jaringan syaraf tiruan sudah lebih kecil
dibandingkan toleransi error yang ditetapkan maka pelatihan jaringan syaraf tiruan tersebut
sudah dapat disebut optimal.
Pada Gambar 2 terdapat dua aktor dari sistem ini yaitu:
1. Admin
Admin adalah pengguna sistem yang mempunyai hak akses penuh. Admin dapat
menambah, mengubah, menghapus data rumah, data kriteria, data material dan yang
terpenting adalah admin dapat membuat aturan-aturan untuk penentuan harga jual
perumahan. Agar hasil yang didapat dari sistem penentuan harga jual perumahan ini
sesuai dengan ketentuan yang berlaku di perusahaan, admin juga dapat melakukan uji
coba sistem apakah sistem sudah sesuai atau tidak. Admin juga dapat melihat laporan
dari hasil prediksi penentuan harga jual perumahan.
2. Karyawan
Karyawan perusahaan dapat menggunakan sistem ini untuk melakukan uji coba sistem.

CDM (Conceptual Data Model) merupakan desain database secara konseptual melalui entity apa
saja yang digunakan serta hubungan antara entity yang ada. Pemodelan konseptual ini membutuhkan tabel
yang digunakan untuk menyimpan data yang ada. Adapun CDM dari SPK dijelaskan melalui Gambar 3.
PDM (physical Data Model) merupakan desain database secara fisik, artinya pemodelan ini
mengimplementasikan tabel secara fisik dan dibuat berdasarkan pada pemodelan konseptual. Dalam
pemodelan fisik digambarkan bagaimana proses relasi dari beberapa tabel seperti pada Gambar 4.

8|NERO
 Jurnal Ilmiah NERO Vol. 1 No. 1 2014

input data tipe rumah

<<include>>

<<include>>
input data material

<<include>>

login input data volume

Admin <<include>> login karyawan

<<include>>
<<include>>

input data harga material

uji coba sistem/proses perhitungan

metode backpropagation

<<include>>

laporan prediksi harga jual

perumahan

Gambar 2. Diagram use case

TB_HASIL
HARGA N8

Rel ationshi p_5

T B_LOGIN TB_MATERIAL T B_HASIL_T IPE_SEMENT ARA

PASSWORD <pi > VA20 <M> ID_MAT ERIAL <pi > VA20 <M> Rel ationshi p_8 VOLUME VA20
USERNAME VA20 NAMA_MAT ERIAL VA30 HARGA MN8
HAK_AKSES VA5 SAT UAN VA5
PASSWORD <pi> ID_MAT ERIAL <pi>
Rel ationshi p_1
Rel ationshi p_3
T B_HARGA
Rel ationshi p_6
TB_VOLUME
ID_HARGA <pi > VA20 <M>
HARGA I ID_VOLUME <pi > VA30 <M>
T I VOLUME VA50
ID_HARGA <pi> ID_VOLUME <pi> TB_HASIL_TIPE
VOLUME VA20
HARGA MN8
Rel ationshi p_2 Rel ationshi p_4

Rel ationshi p_7

TB_TGL
T B_TIPE
ID_T GL <pi > VA20 <M>
ID_T IPE <pi> VA10 <M>
T GL VA20
NAMA_T IPE VA20
ID_T GL <pi >
ID_T IPE <pi>

Gambar 3. CDM

9|NERO
 Jurnal Ilmiah NERO Vol. 1, No.1 2014

TB_HASIL
ID_MATERIAL varchar(20) <fk>
HARGA numeric(8)

FK_TB_HASIL_RELATIONS_TB_MATER

TB_LOGIN TB_MATERIAL TB_HASIL_TIPE_SEMENT ARA

PASSWORD varchar(20) <pk> ID_MATERIAL varchar(20) <pk> ID_MATERIAL varchar(20) <fk>

USERNAME varchar(20) FK_T B_HASIL_RELAT IONS_TB_MATER
VOLUME varchar(20)
NAMA_MATERIAL varchar(30)
HAK_AKSES varchar(5) SATUAN varchar(5) HARGA numeric(8)
FK_TB_HARGA_RELATIONS_T B_MATER
FK_T B_VOLUM_RELATIONS_T B_MATER

TB_HARGA FK_TB_HASIL_RELATIONS_TB_MATER
TB_VOLUME
ID_HARGA varchar(20) <pk>
ID_TGL varchar(20) <fk2> ID_VOLUME varchar(30) <pk>
ID_MATERIAL varchar(20) <fk1> ID_MATERIAL varchar(20) <fk1>
HARGA integer ID_TIPE varchar(10) <fk2> TB_HASIL_TIPE
T integer VOLUME varchar(50)
ID_TIPE varchar(10) <fk2>
ID_MATERIAL varchar(20) <fk1>
VOLUME varchar(20)
FK_T B_HARGA_RELATIONS_TB_TGL FK_TB_VOLUM_RELATIONS_T B_TIPE HARGA numeric(8)

FK_TB_HASIL_RELAT IONS_TB_TIPE
TB_TGL
TB_TIPE
ID_TGL varchar(20) <pk>
ID_TIPE varchar(10) <pk>
TGL varchar(20)
NAMA_TIPE varchar(20)

Gambar 4. PDM

Implementasi dan uji coba program merupakan proses yang harus dilakukan untuk
mengetahui kinerja dari sistem yang telah dibuat. Form Input Tipe dan Material Rumah berisi
tentang data tipe rumah yang dibangun serta jenis-jenis material yang digunakan oleh
perusahaan. Berikut ini dijelaskan mengenai langkah-langkahnya:
1. Admin melakukan login terlebih dahulu dengan cara memasukkan nama dan password
kemudian tekan login.
2. Jika login benar maka admin dapat melakukan input data.
3. Untuk melakukan input data hanya admin yang mempunyai hak akses penuh.
4. Admin dapat melakukan insert, update, delete data tipe rumah yang akan dibuat,
kemudian admin juga dapat melakukan insert, update, delete pada data material.
5. Tekan ‘simpan’ untuk menyimpan data tersebut.
6. Jika telah selesai melakukan input data maka admin dapat logout/keluar.

Berikut form input data tipe dan material rumah:

Gambar 5. Form Input Tipe dan Material Rumah

Selanjutnya untuk proses pelatihan JST. Selain itu pada form ini juga terdapat grafik
yang digunakan untuk menampilkan nilai error yang dihasilkan sistem pada setiap iterasi yang
dilakukan.
10 | N E R O
 Jurnal Ilmiah NERO Vol. 1 No. 1 2014

Setelah proses selesai dilakukan selanjutnya tekan tombol “yes” untuk menyimpan
bobot akhir hasil pelatihan yang nantinya digunakan sebagai bobot awal proses uji coba.
Setelah itu akan tampil form seperti di bawah ini.

Gambar 6. Form Perhitungan Proses Normalisasi dan Pelatihan JST

Proses uji coba untuk data pelatihan dilakukan untuk mencoba keakuratan sistem dalam
melakukan proses prediksi harga material. Pada proses ujicoba data pelatihan, data yang
digunakan adalah data harga material yang sudah pernah dilatihkan sebelumnya oleh Jaringan
Syaraf Backpropagation misalkan: ( untuk id material MT1). Pada Pelaksanaan ujicoba
perangkat lunak ini didefinisikan parameter yang digunakan serta error yang dihasilkan sebagai
berikut

Tabel 1. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai learning rate
MAPE
Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE
(%)
4 1000 0,02 0,008 0,001 305241,53 552,48 0,15
4 1000 0,02 0,95 0,001 403193,76 634,97 0,01
4 1000 0,02 0,8 0,001 259823 509,72 0,16
4 1000 0,02 0,025 0,001 124979,69 353,52 0,33
4 1000 0,02 0,07 0,001 265772,38 515,53 0,01
15 10000 0,01 0,025 0,00001 3041,76 55,15 0,007
4 100 0,9 0,95 0,9 39966365,15 6321,89 5,85

Tabel 2. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai hidden layer
MAPE
Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE
(%)
8 1000 0,02 0,008 0,001 293236 541,51 0,35
12 1000 0,02 0,008 0,001 188982,38 434,72 0,23
15 1000 0,02 0,008 0,001 291202 539,63 0,96
2 1000 0,02 0,008 0,001 283226,69 532,19 0,60
20 1000 0,02 0,008 0,001 169229,30 411,37 0,36

Tabel 3. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai epoch
MAPE
Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE
(%)
4 100 0,02 0,008 0,001 890829,30 943,83 1,16
4 10000 0,02 0,008 0,001 142264,61 377,17 0,07
4 50 0,02 0,008 0,001 183681,76 428,58 0,24
4 75 0,02 0,008 0,001 320244 565,90 0,2
4 500 0,02 0,008 0,001 265528,30 515,29 0,22

11 | N E R O
 Jurnal Ilmiah NERO Vol. 1, No.1 2014

Tabel 4. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai momentum
MAPE
Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE
(%)
4 1000 0,75 0,008 0,001 237425,15 487,26 0,5
4 1000 0,05 0,008 0,001 178492,30 422,48 0,03
4 1000 0,1 0,008 0,001 88303,92 297,15 0,09
4 1000 0,9 0,008 0,001 167086,46 408,76 0,63
4 1000 0,45 0,008 0,001 176363,15 419,95 0,7

Tabel 5. Tabel Perubahan Nilai Uji Coba Data Pelatihan dengan perubahan nilai Error Toleransi
MAPE
Hidden Epoch (δ)/mom (a)/Lrate Error MSE RMSE
(%)
4 1000 0,02 0,008 0,0001 262622,38 512,46 0,25
4 1000 0,02 0,008 0,00001 231281,69 480,91 0,4
4 1000 0,02 0,008 0,01 1643915 1282,15 2,3
4 1000 0,02 0,008 0,075 7390882,23 2718,61 5,8
4 1000 0,02 0,008 0,9 16816481,23 4100,79 22,17

Form Perhitungan
Form ini digunakan untuk menghitung harga hasil prediksi dengan kebutuhan volume
setiap tipe rumah. Sehingga nantinya akan diperoleh prediksi harga jual perumahan periode
selanjutnya.
1. Tekan tombol perhitungan untuk menghitung harga material, sebelumnya isi terlebih
dahulu keuntungan yang ingin diperoleh.
2. Tekan tombol cetak untuk mencetak laporan harga jual perumahan.
3. Dari perhitungan diperoleh prediksi harga jual perumahan sebesar Rp 104.565.818
untuk tipe 30/72, Rp 115.956.729 untuk tipe 36/84 dan Rp 162.736.223 untuk tipe
45/120. harga tersebut setelah ditambah keuntungan 20 %.

Gambar 7. Form Perhitungan

5. Kesimpulan
Kesimpulan yang dapat diambil penulis dari pembuatan perangkat lunak ini adalah:
1. Konfigurasi parameter untuk sistem pendukung keputusan dengan menggunakan
jaringan syaraf tiruan terbaik dari hasil uji coba untuk material MT1 yang didapat dari
hasil percobaan menghasilkan konfigurasi Learning rate sebesar 0,025, momentum
0,01, toleransi error 0,00001, maksimal epoch 10000 dan jumlah hidden layer 15 serta
nilai persentase error 0,05%. Hal ini menunjukkan bahwa metode backpropagation
jaringan syaraf tiruan baik digunakan untuk prediksi harga jual perumahan.
12 | N E R O
 Jurnal Ilmiah NERO Vol. 1 No. 1 2014

2. Konfigurasi parameter untuk sistem pendukung keputusan dengan menggunakan

jaringan syaraf tiruan terburuk dari hasil uji coba untuk material MT1 yang didapat dari
hasil percobaan menghasilkan konfigurasi Learning rate sebesar 0,95. Momentum 0,9.
Toleransi error 0.,9. Maksimal epoch 100 dan hidden layer 4 serta nilai persentase error
4,55%.
3. Semakin kecil nilai learning rate maka akurasi sistem semakin baik atau semakin
akurat.
4. Dalam memprediksi harga material sistem tidak bisa memprediksi semua harga material
secara bersamaan.

6. Saran
Perangkat lunak yang dibuat pada penelitian ini masih dapat dikembangkan lebih lanjut dengan:
1. Penambahan beberapa kriteria yang berpengaruh terhadap harga jual perumahan.
2. Diharapkan ada penelitian dengan menggunakan metode lain yang lebih baik untuk
menyelesaikan masalah prediksi harga jual perumahan.

Daftar Pustaka
[1]. Daihani, Dadan Umar. 2001. Komputerisasi Pengambilan Keputusan. Jakarta: PT.Elex
Media Komputindo.
[2]. Kusumadewi, Sri. 2003. Artificial Intelegence (Teknik dan Aplikasiny). Yogyakarta:
Graha Ilmu.
[3]. Basyaid, Fahmi. 2005. Teori pembuat keputusan. Jakarta:PT.Gramedia Widiaksara
Indonesia.
[4]. Martian Inge. 2003. 36 Jam Belajar Komputer Microsoft SqlServer 2000. Jakarta: Elek
Media Komputindo.
[5]. Hakim Nasution, Arman dan Prasetyawan, Yudha. 2008. Perencanaan dan
Pengendalian Produksi. Yogyakarta: Graha Ilmu.

13 | N E R O