Kelas E

LAPORAN PRAKTIKUM
Analisis Runtun Waktu
Modul 4 : ELM

Nomor Tanda Tangan

Nama Praktikan Tanggal Kumpul Praktikan
Mahasiswa
Nidzar Zulmi Dwi S 19611130 12/20/2021

Tanggal Tanda tangan

Nama Penilai Nilai
Koreksi Asisten Dosen
Syintya Febriyanti
Raden Nabila Alya Hartarie

Mujiati Dwi Kartikasari, S.Si.,

M.Sc.

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2021

i
Daftar Isi

Daftar Isi ................................................................................................................. ii

1 Pendahuluan .................................................................................................... 1
1.1 ELM ( Extreme Learning Machine ) .................................................... 1
1.1.1 Proses Training ................................................................................. 1
1.1.2 Proses Testing ................................................................................... 1
2 Deskripsi Kerja ............................................................................................... 3
2.1 Studi Kasus ............................................................................................... 3
2.2 Langkah Kerja .......................................................................................... 3
3 Pembahasan..................................................................................................... 7
3.1 Input Data dan Analisis Plot..................................................................... 7
3.2 Analisis ELM ............................................................................................ 8
3.2.1 Partisi Data Training dan Testing ..................................................... 8
3.2.2 Uji jumah Neuron berdasarkan Hidden Layer .................................. 9
3.2.3 Analisis ELM berdasarkan jumlah nilai eror terkecil ..................... 13
4 Penutup ......................................................................................................... 16
4.1 Kesimpulan............................................................................................. 16
5 Daftar Pustaka ............................................................................................... 17

ii
Daftar Gambar
Gambar 2.1 Rstudio ............................................................................................... 3
Gambar 2.2 Input Data Kereta Api........................................................................ 3
Gambar 2.3 Plot Data Kereta Api.......................................................................... 3
Gambar 2.4 Run Packges ...................................................................................... 4
Gambar 2.5 Proses training dan testing ................................................................ 4
Gambar 2.6 Model ELM ........................................................................................ 4
Gambar 2.7 Prediksi Model................................................................................... 4
Gambar 2.8 Ukuran eror model ............................................................................. 4
Gambar 2.9 Plot data ............................................................................................. 5
Gambar 2.10 Model ELM (2) ................................................................................ 5
Gambar 2.11 Prediksi data (2) ............................................................................... 5
Gambar 2.12 Ukuran eror model (2) ..................................................................... 5
Gambar 2.13 Plot data (2) ..................................................................................... 5
Gambar 2.14 Model ELM (3) ................................................................................ 6
Gambar 2.15 Prediksi Data (3) .............................................................................. 6
Gambar 2.16 Ukuran eror model (3) ..................................................................... 6
Gambar 2.17 Plot data (3) ..................................................................................... 6
Gambar 3.1 Data Penumpang KA Indonesia ........................................................ 7
Gambar 3.2 Time Series ........................................................................................ 7
Gambar 3.3 Plot Data Penumpang ........................................................................ 8
Gambar 3.4 Jumlah data ........................................................................................ 9
Gambar 3.5 Data training dan testing ................................................................... 9
Gambar 3.6 Plot Model 1 ...................................................................................... 9
Gambar 3.7 Model 1 ............................................................................................ 10
Gambar 3.8 Estimasi Model 1 ............................................................................. 10
Gambar 3.9 Plot Model 2 .................................................................................... 11
Gambar 3.10 Model 2 .......................................................................................... 11
Gambar 3.11 Estimasi Model 2 ........................................................................... 12
Gambar 3.12 Plot model 3 ................................................................................... 12
Gambar 3.13 Model 3 .......................................................................................... 13
Gambar 3.14 Estimasi Model 3 ........................................................................... 13
Gambar 3.15 Ukuran nilai eror model 1.............................................................. 13
Gambar 3.16 Ukuran nilai eror model 2.............................................................. 14
Gambar 3.17 Ukuran nilai eror model 3.............................................................. 14
Gambar 3.18 Plot model 3 ................................................................................... 15

iii
1 Pendahuluan

1.1 ELM ( Extreme Learning Machine )

ELM merupakan salah satu metode di dalam jaringan saraf tiruan feedforward
dengan satu hidden layer atau lebih dikenal dengan istilah Single Hidden Layer
Feedforward Neural Network (SLFNs). Metode ELM lebih unggul dalam proses
learning speed, serta mempunyai tingkat akurasi yang lebih baik dibandingkan
dengan metode konvensional seperti Moving Average dan Exponential Smoothing,
sehingga hasil prediksi yang dihasilkan lebih optimal dan akurat.
Pada metode ELM parameter-parameter seperti input weight dan hidden bias
dipilih secara random dari nilai tertentu, sehingga ELM memiliki learning speed
yang cepat dan mampu menghasilkan good generalization performance. Dengan
random pada range tertentu, bisa menghindari hasil prediksi yg tidak stabil (Huang
et al., 2005).

1.1.1 Proses Training

Sebelum digunakan untuk proses prediksi, ELM harus melalui proses training
terlebih dahulu. Tujuan dari proses ini adalah mendapatkan output weight dengan
tingkat kesalahan yang rendah. Langkah-langkah proses training metode ELM yaitu
sebagai berikut: 1. Inisialisasi input weight dan bias dengan bilangan acak yang
kecil. 2. Menghitung semua keluaran di hidden layer dengan menggunakan fungsi
aktivasi. Perhitungan keluaran hidden layer ditunjukkan pada Persamaan 1.
𝐻𝑖𝑗 = (∑𝑥𝑖𝑘 . 𝑤𝑗𝑘 𝑇 𝑛 𝑘=1 ) + 𝑏𝑗 (1)
Keterangan:
𝐻𝑖𝑗 = Matriks keluaran hidden layer.
yt = St + Tt + Et
𝐻 + = Matriks Moore-Penrose Generalized Inverse.
𝑇 = Matriks Target

1.1.2 Proses Testing

Proses testing dilakukan berdasarkan input weight, bias, dan output weight
yang sesuai dari perhitungan training. Proses training bertujuan untuk
mengembangkan model ELM, sedangkan proses testing bertujuan untuk

1
mengevaluasi kemampuan ELM sebagai metode untuk memprediksi. Langkah-
langkah proses testing yaitu sebagai berikut:
1. Inisialisasi input weight dan bias yang didapatkan pada perhitungan
training.
2. Menghitung semua keluaran di hidden layer dengan menggunakan
fungsi aktivasi menggunakan Persamaan 1 dan 2.
3. Menggunakan hasil output weight dari hidden layer ke output layer
dari proses training. Menghitung keluaran pada output layer yang
merupakan hasil prediksi yang ditunjukkan pada Persamaan 2.
𝑦 = 𝐻𝛽 (2)
Keterangan:
𝑦 = Output hasil prediksi.
𝐻 = Keluaran hidden layer dengan fungsi aktivasi.
𝛽 = Output weight

2
2 Deskripsi Kerja

2.1 Studi Kasus

1. Gunakan data penumpang kereta api di Indonesia.
2. Lakukan analisis ELM dengan ketentuan berikut
a. Pembagian training dan testing adalah 80%:20%.
b. Uji jumlah neuron pada hidden layer dengan menggunakan neuron 2-10.
c. Lanjutkan analisis ELM dengan jumlah neuron yang memberikan error
terkceil dari kriteria b.

2.2 Langkah Kerja

1. Pertama, Praktikan membuka aplikasi Rstudio seperti di bawah ini

Gambar 2.1 Rstudio

2. Setelah itu, Praktikan akan mengunduh data penumpang kereta api di Indonesia
dari tahun 2013 sampai dengan tahun 2015 . Lalu, praktikan akan memasukkan
data tersebut ke dalam R seperti gambar berikut.

Gambar 2.2 Input Data Kereta Api

3. Selanjutnya, praktikan akan menampilkan plot dari data kereta api dengan cara
membuat data tersebut menjadi runtun waktu terlebih dahulu yaitu
menggunakan sintaks ts. Berikut adalah sintaks yang digunakan

Gambar 2.3 Plot Data Kereta Api

3
4. Sebelum melakukan metode analisis ELM, praktikan jalankan packages
terlebih dahulu untuk mendukung dalam melakukan analisis yaitu ‘nnfor’ dan
‘forecast’

Gambar 2.4 Run Packges

5. Lalu, praktikan akan melakukan proses training dan testing dengan rasio
sebesar 80% menggunakan sintaks berikut

Gambar 2.5 Proses training dan testing

6. Kemudian, praktikan akan membentuk model ELM dengan sintaks berikut

Gambar 2.6 Model ELM

7. Selanjutnya, praktikan akan melakukan prediksi dari model tersebut

Gambar 2.7 Prediksi Model

8. Kemudian, praktikan akan menghitung ukuran-ukuran eror dari model

Gambar 2.8 Ukuran eror model

4
9. Lalu, praktikan membuat plot dari model berupa data aktual, fitted, dan
prediksi

Gambar 2.9 Plot data

10. Langkah selanjutnya, Praktikan membuat model kedua dari ELM

Gambar 2.10 Model ELM (2)

11. Lalu , praktikan melakukan prediksi data dari model

Gambar 2.11 Prediksi data (2)

12. Kemudian praktikan membuat ukuran eror model

Gambar 2.12 Ukuran eror model (2)

13. Setelah itu membuat plot dari model

Gambar 2.13 Plot data (2)

14. Lalu praktikan membuat model terakhir

5
 Gambar 2.14 Model ELM (3)
15. Masih dengan Langkah yang sama seperti sebelumnya

Gambar 2.15 Prediksi Data (3)

Gambar 2.16 Ukuran eror model (3)

Gambar 2.17 Plot data (3)

6
3 Pembahasan

3.1 Input Data dan Analisis Plot

Praktikan akan menjelaskan langkah kerja yang telah dilakukan berdasarkan
langkah-langkah kerja pada bab sebelumnya. Pertama, sebelum melakukan analisis
praktikan memasukkan data yang sudah disediakan pada soal. Data penumpamg
kereta api di Indonesia yang diambil yaitu dari tahun 2013 sampai dengan Oktober
2015. Hasilnya adalah seperti berikut

Gambar 3.1 Data Penumpang KA Indonesia

Selanjutnya, adalah membuat data penumpang tersebut menjadi runtun
waktu yaitu dengan cara menggunakan sintaks ts yang dimulai dari tahun 2013
dengan frekuensi sebanyak 12. Didapatkan hasil sebagai berikut

Gambar 3.2 Time Series

7
 Gambar 3.3 Plot Data Penumpang
Berdasarkan plot gambar diatas terdapat 2 variabel yaitu sumbu X (Time)
dan sumbu Y (data_KA.ts). Pergerakan pola pada grafik terdapat kecenderungan
berfluktuasi tanpa ada pola naik atau turun dan pola musiman tertentu. Maka bisa
dikatakan plot diatas merupakan data dengan pola horizontal dan bisa dilanjutkan
dengan analisis ELM (Extreme Learning Machine).

3.2 Analisis ELM

Setelah jenis pola data diketahui, maka Langkah selanjutnya adalah analisi
menggunakan metode ELM dengan ketentuan partisi data training dan testing
sebesar 80:20, jumlah neuron pada hidden layer sebanyak 2-10Diferensiasi
dilakukan dengan tujuan untuk membuat data menjadi stasioner dengan dilanjutkan
uji ADF atau Augmented Dickey-Fuller agar data menjadi stasioner dan selanjutnya
bisa dilakukan analisis SARIMA, dan nilai eror terkecil dari pemilihan neuron.

3.2.1 Partisi Data Training dan Testing

Partisi yang dilakukan pada data kasus ini adalah sebesar 80:20 untuk
masing-masing data training dan testing. Sehingga diketahui jumlah data yang
digunakan dalam pembentukan model adalah sebanyak 96 data dari total 120 data.

8
 Gambar 3.4 Jumlah data

Gambar 3.5 Data training dan testing

Pada gambar diatas merupakan hasil dari data training dan testing. Pada
data training dimulai dari tahun Januari 2006 hingga Desember 2013 dengan
jumlah data sebanyak 96 dan pada data testing data yang digunakan mulai dari
Januari 2014 hingga 2015 dengan total 20% dari total data yang ada.

3.2.2 Uji jumah Neuron berdasarkan Hidden Layer

Dalam pengujian jumlah neuron ini dilakukan menggunakan neuron
sebanyak 2-10 kali yang terdapat pada hidden layer yaitu dengan hasil sebagai
berikut

Gambar 3.6 Plot Model 1

9
 Plot diatas merupakan estimasi dari model pertama, pada plot terlihat garis
berwarna hitam dan biru yang menunjukkan data aktual pada warna garis hitam dan
data prediksi pada warna garis biru, dan berupa nilai tertinggi dan terendah pada
prediksi ditunjukkan pada warna garis abu-abu. Dari plot diatas dapat disimpulkan
bahwa data aktual mengikuti data prediksi

Gambar 3.7 Model 1

Gambar diatas merupakan hasil model pertama yang terbentuk dengan lag
sebanyak 12, 20 pengulangan, 10 hidden layer dan 1 output yang saling terhubung
dengan garis sinaps. Estimasi output weight yang dipakai adalah ‘lasso’ dengan
nilai MSE sebesar 971404.

Gambar 3.8 Estimasi Model 1

Berikut ini merupakan plot estimasi model kedua yang terbentuk pada plot
terlihat garis berwarna hitam dan biru yang menunjukkan data aktual pada warna
garis hitam dan data prediksi pada warna garis biru, dan berupa nilai tertinggi dan
terendah pada prediksi ditunjukkan pada warna garis abu-abu. Dari plot diatas dapat
disimpulkan bahwa data aktual mengikuti data prediksi.

10
 Gambar 3.9 Plot Model 2

Gambar 3.10 Model 2

Gambar diatas merupakan hasil model pertama yang terbentuk dengan lag
sebanyak 12, 20 pengulangan, 7 hidden layer dan 1 output yang saling terhubung
dengan garis sinaps. Estimasi output weight yang dipakai adalah ‘lasso’ dengan
nilai MSE sebesar 1219118.

11
 Gambar 3.11 Estimasi Model 2
Berikut ini merupakan plot estimasi model ketiga yang terbentuk pada plot
terlihat garis berwarna hitam dan biru yang menunjukkan data aktual pada warna
garis hitam dan data prediksi pada warna garis biru, dan berupa nilai tertinggi dan
terendah pada prediksi ditunjukkan pada warna garis abu-abu. Dari plot diatas dapat
disimpulkan bahwa data aktual mengikuti data prediksi.

Gambar 3.12 Plot model 3

12
 Gambar 3.13 Model 3
Gambar diatas merupakan hasil model pertama yang terbentuk dengan lag
sebanyak 12, 20 pengulangan, 5 hidden layer dan 1 output yang saling terhubung
dengan garis sinaps. Estimasi output weight yang dipakai adalah ‘lasso’ dengan
nilai MSE sebesar 1279044.

Gambar 3.14 Estimasi Model 3

3.2.3 Analisis ELM berdasarkan jumlah nilai eror terkecil
Berdasarkan model-model yang sudah dibuat maka berikut adalah hasil dari
ukuran-ukuran nilai eror model :

Gambar 3.15 Ukuran nilai eror model 1

13
 Gambar diatas merupakan hasil dari ukuran nilai eror model 1 dengan
prediksi sebanyak 4 periode, nilai RMSE sebesar 985.5983, dan nilai MAPE
sebesar 3.593357

Gambar 3.16 Ukuran nilai eror model 2

Gambar diatas merupakan hasil dari ukuran nilai eror model 2 dengan
prediksi sebanyak 4 periode, nilai RMSE sebesar 1103.137, dan nilai MAPE
sebesar 3.867454

Gambar 3.17 Ukuran nilai eror model 3

Gambar diatas merupakan hasil dari ukuran nilai eror model 3 dengan
prediksi sebanyak 4 periode, nilai RMSE sebesar 1104.023, dan nilai MAPE
sebesar 3.580243

14
 Gambar 3.18 Plot model 3
Plot diatas merupakan hasil dari ukuran nilai eror terkecil, pada plot tersebut
garis biru menunjukkan data aktual, garis merah nilai fitted value, dan garis hijau
menunjukkan data prediksi selama 4 periode kedepan. Dari plot yang dihasilkan
data diprediksikan akan terus meningkat secara perlahan menyesuaikan data aktual.

15
4 Penutup

4.1 Kesimpulan

Dari hasil perhitungan diatas mengenai penyelesaian ELM menggunakan

program RStudio yang telah dilakukan, dapat diperoleh kesimpulan yaitu:
1. Untuk penyelesaian penentuan model yang akan digunakan dalam proses
prediksi dapat dilakukan dengan melihat jenis plot data yang terbentuk, pada
data hunian hotel untuk periode Januari 2013 hingga Desember 2015 data
cenderung berfluktuasi tanpa ada pola naik atau turun dan pola musiman
tertentu. Maka bisa dikatakan plot diatas merupakan data dengan pola
horizontal dan bisa dilanjutkan dengan analisis ELM (Extreme Learning
Machine).
2. Dari 3 model yang dibentuk, model 3 ELM yang menghasilkan nilai eror
terkecil yaitu dengan hidden layer sebesar 5 dengan nilai training dan testing
sebesar 80:20.
3. Nilai MAPE terkecil terbentuk pada model 3 sebesar 3.580243 yang artinya
tingkat kesalahan prediksi sebesar 3.58 %.

16
5 Daftar Pustaka

Primandari, Arum. Moving Average. Yogyakarta: Program Studi Statistika

Universitas Islam Indonesia.
Saputra, Arsyil
Anggrayni, N. (2019). MODEL PERAMALAN SEASONAL
AUTOREGRESSIVE.
Primandari, A. H., Kartikasari, M. D. (2021). Modul Analisis Runtun
Waktu dengan R. Yogyakarta: Universitas Islam Indonesia.
Huang, G.B., Zhu, Q.Y., dan Siew, C.K. 2004. Extreme Learning Machine
: A New Learning Scheme of Feedforward neural Networks.
Proceedings of International Joint Conference on Neural Networks.
Budapest, Hungary, 25-29 Juli 2004. Singapura: Nanyang
Avenue.Makridakis, S., Wheelrigth, S. C., & McGee, V. E. (1999).
Metode dan Aplikasi Peramalan. Jakarta: Erlangga.

17