Prediksi Penjualan Mobil di Indonesia Menggunakan Jaringan Syaraf

Tiruan dengan Metode RBF (Radial Basis Function)

Disusun Oleh:

1. FARID ULFA FAAZA (L200110056)

2. ARIF YANUAR W (L200110058)

3. HASNA FATHINA (L200110097)

4. YUDHA ADI PERMANA (L200110147)

JURUSAN TEKNIK INFORMATIKA

FAKULTAS KOMUNIKASI DAN INFORMATIKA

UNIVERSITAS MUHAMMADIYAH SURAKARTA

2014

JARINGAN SYARAF TIRUAN

A. Deskripsi Masalah

Pertumbuhan penduduk Indonesia dari tahun ke tahun terus meningkat, dan

Indonesia masih tetap menduduki urutan ke empat terbanyak di dunia setelah Cina, India

dan Amerika Serikat. Sedangkan penyebaran penduduk Indonesia masih belum merata,

dimana sebanyak 107 juta dari 245 juta jiwa (sekitar 44% persen) masih berdomisili di

pulau Jawa. Adapun kepadatan penduduk di pulau didominasi di sekitar Jakarta, Bogor,

Tangerang, dan Bekasi (Jabodetabek).

Dengan tingginya angka jumlah penduduk ini menjadikan kebutuhan akan moda

transportasi khususnya transportasi darat cukup besar, hal ini tercermin dari data

penjualan kendaraan dalam kurun waktu lima tahun terakhir.

Berdasarkan data dari Gabungan Industri Kendaraan Indonesia (Gaikindo) pada

tahun 2009 untuk penjualan kendaraan kategori merek kendaraan masih dikuasai

oleh Toyota, selanjutnya Daihatsu di posisi ke dua, Mitsubitshi di posisi ke tiga,

Suzuki dan Honda masing-masing menduduki posisi ke empat dan ke lima.

Penjualan mobil nasional ini juga merupakan salah satu cermin makin cerahnya

pertumbuhan ekonomi Indonesia, yang saat ini semakin memperlihatkan gairahnya. Hal

ini ditandai dengan meningkatnya volume penjualan kendaraan pada triwulan pertama

tahun 2010 yang mencapai angka 173.969 unit kendaraan. dibandingkan dengan periode

yang sama pada tahun 2009 yaitu sebesar 96.552 unit maka terdapat peningkatan sebesar

80,18 persen.

Tekanan inflasi pada triwulan I 2010 cenderung rendah ditandai oleh deflasi pada

Maret 2010 sebesar 0,14% (mtm), sehingga secara tahunan inflasi mencapai 3,43%

(yoy). Terkendalinya inflasi pada tingkat yang relatif rendah sejalan dengan

kecenderungan penguatan nilai tukar rupiah dan kecukupan pasokan merespons kenaikan

permintaan. Selain itu, rendahnya inflasi di bulan Maret 2010 juga didukung oleh

meredanya tekanan inflasi yang bersumber dari volatile food (terutama beras) karena

mulainya musim panen di beberapa daerah.

Rendahnya tingkat inflasi dan suku bunga kredit menyebabkan naiknya daya beli

konsumen. Di samping itu, adanya program-program menarik yang ditawarkan

oleh masing-masing perusahaan otomotif, membuat penjualan juga terus meningkat.

B. Prediksi yang diselesaikan

el 1.1.1 Penjualan Otomotif Indonesia periode 2005 - 2009

Sumber : Statistik Data Gaikindo 2010

Mengacu pada data penjualan periode bulan Januari - Maret 2010, Toyota masih

berada di puncak dengan total penjualan sebesar 68.773 unit atau pencapaian

dengan porsi sebesar 39,5 persen dari total pasar nasional. Posisi kedua diduduki

oleh Mistubishi dengan menggeser Daihatsu yang berhasil menjual 24.169 unit

(13,9 persen). Daihatsu pada kurun waktu yang sama berhasil menjual sebanyak

23.904 unit (13,7 persen) dan menempati posisi ke tiga. Kemudian diikuti oleh

Suzuki 15.656 unit (9,0 persen) pada posisi ke empat, Honda menjual sebanyak

13.365 unit (7,7 persen) dan Nissan sebanyak 8.788 unit (5,1 persen) berada

diposisi ke lima dan ke enam.

No Merek Mobil 2005 2006 2007 2008 2009

1 Toyota 182,765 123,703 150,631 211,909 186,687

2 Daihatsu 48,762 33,021 51,957 78,041 77,513

3 Mitshubishi 89,158 47,023 61,547 87,524 61,735

4 Suzuki 87,274 44,760 58,095 73,067 44,689

5 Honda 53,750 30,000 40,000 52,500 39,570

6 Nissan 10,551 4,006 19,030 31,879 21,440

7 Isuzu 25,010 16,605 18,270 25,325 15,238

8 Hino 6,145 4,193 8,224 14,227 11,390

9 Ford 5,727 3,515 6,405 7,999 6,348

10 Mercedes Benz 2,443 914 2,022 2,872 3,450

11 BMW 1,257 600 1,000 720 901

C. RBF (Radial Basis Function)

Fungsi radial basis (RBF) merupakan salah satu bentuk multilayer

perceptron yang unsupervised. Arsitektur dari RBF adalah fungsi basis

ebagai fungsi aktivasi pada hidden layer dan linier pada output layer. Fungsi

radial basis biasanya membutuhkan neuron lebih banyak jika dibandingkan

dengan jaringan feedforward. Jaringan ini akan bekerja dengan baik apabila

data input yang diberikan cukup banyak. Tidak seperti pada jaringan syaraf

sebelumnya, pada jaringan basis radial ini, input yang akan diolah oleh fungsi

bukan merupakan hasil penjumlahan terbobot dari data input, namun

berupa vektor jarak antara vektor bobot dan vektor input yang dikalikan

dengan bobot bias.

Jaringan RBF terdiri atas 3 layer yaitu layer input, hidden layer /

kernel layer (unit tersembunyi) dan layer output. Masing masing unit

tersembunyi merepresentasikan fungsi aktivasi yang berupa fungsi basis

radial. Fungsi basis radial ini diasosiasikan oleh lebar dan posisi center dari

fungsi basis tersebut.

Setiap input dari jaringan ini akan mengaktifkan semua fungsi aktivasi

pada hidden layer. Setiap unit dari hidden layer merupakan fungsi aktivasi

tertentu yang disebut sebagai fungsi basis. Di dalam hidden layer terdapat

sejumlah fungsi basis yang sejenis sesuai dengan perancangan. Setiap fungsi

basis akan menghasilkan sebuah keluaran dengan bobot tertentu. Output

jaringan ini merupakan jumlah dari seluruh output fungsi basis dikalikan

dengan bobot masing masing.

Setiap masukan akan mengaktifkan setiap fungsi basis pada

jaringannnya sendiri. Misalkan pada operasi masukan [x1 x2]. Masukan x1

akan mengaktifkan setiap fungsi basis pada jaringan RBF pertama, sehingga

masukan x1 akan mengaktifkan fungsi basis 11, 12 sampai dengan

1nMasukan x2 akan mengaktifkan setiap fungsi basis pada jaringan RBF

kedua, sehingga masukan x2 akan mengaktifkan fungsi basis 21. 22 sampai

dengan 2n. Langkah selanjutnya adalah melakukan korelasi silang antara

setiap keluaran fungsi basis pada jaringan pertama dengan setiap keluaran

fungsi basis pada jaringan kedua. Masing masing hasil korelasi silang antar

fungsi basis ini kemudian diboboti dengan bobot tertentu.

Pada jaringan RBF fungsi basis ini identik dengan dengan fungsi

gaussian yang diformulasikan sebagai berikut :

Tahapan Penelitian penelitian tersebut dapat dijabarkan sebagai berikut :

1. Langkah 1 : Inisialisasi center data input matriks normalisasi dan centre

hasil perhitungan KMeans Clustering.

2. Langkah 2 : Melakukan inisialisasi nilai spread yang akan digunakan pada

perhitungan matriks Gaussian.

3. Langkah 3 : Menentukan sinyal input ke hidden layer dan menghitung

nilai fungsi aktivasinya pada tiap hidden layer menggunakan rumus berikut:

m = 1,2,3,... Sesuai dengan jumlah training pattern

j = 1,2,3 sesuai dengan jumlah hidden unit

X =vektor input

t =vektor data sebagai center

4. Langkah 4 : Menghitung bobot baru (W) dengan mengalikan pseudo

inverse dari matriks G dengan vector target (d) dari data training dengan

menggunakan rumus pada persamaan berikut:

5. Langkah 5 : Menghitung nilai output jaringan Y(n) menggunakan rumus

pada persamaan berikut:

6. Langkah 7 : Simpan nilai hasil training. Hasil training yang disimpan

adalah data center 1, center 2, nilai output dan nilai spread yang digunakan

dalam proses training jaringan syaraf.

Uji coba atau testing pada aplikasi digunakan untuk melakukan validasi apakah

telah memberikan output sesuai dengan yang diharapkan. Berikut langkah-

langkah dalam melakukan uji coba:

1. Langkah 1 : Inisialisasi center hasil perhitungan algoritma K-Means,

dengan memanggil centroid 1 dan centroid 2 iterasi terakhir.

2. Langkah 2 : Inisialisasi range output target hasil perhitungan RBF

(spread value, W1, W2 dan bias).

3. Langkah 3 : Menghitung nilai output jaringan Y(x).

4. Langkah 4 : Melakukan pengecekan terhadap nilai Y(x) apakah lebih kecil

dari batas atas Y normal.

D. Listing program

Dalam hal ini menggunakan matlab

Source Code :

clear all

clc

p = -2:.1:2;

a = radbas(p);

figure(01)

plot(p,a)

%Proses data sebelum di masuk hump function

x = 0: .1 : 3;

y=humps(x);

P=x;

T=y;

%goal menggunakan 0.011 dan spread 0.1

goal=0.011;

spread= 0.1;

net1 = newrb(P,T,goal,spread);

%Simulasi dan plot hasil

a= sim(net1,P);

figure(02)

plot(P,T-a,P,T,'*',P,a,'ro')

xlabel('Waktu (s)');

ylabel('Output dan error');

title('Prediksi pengunjung')

% Test with different data pairs

x2=0:.1:1.93; % persiapan rentan data baru

y2=humps(x2); % Menghitung fungsi bukit yang baru

P2=x2; % (input)

T2=y2; % (output)

a2=sim(net1,P2); % simulasi dengan data baru

figure(03)

plot(P2,T2-a2,P2,T2,'x',P2,a2,'ro') % Plot output,

target dan error

xlabel('Waktu (s)');

ylabel('Output dan error');

title('Prediksi Pengunjung ')

E. Hasil eksekusi program

Gambar 1 : NewRB

Gambar 2 : Figure 1

Gambar 3 : Figure 2

Gambar 4 : Figure 3

Gambar 5 : Epouch

F. Daftar Pustaka

Fachrudin Pakaja, Agus Naba dan Purwanto . Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor . From

http://jurnaleeccis.ub.ac.id/index.php/eeccis/article/download/162/140 2 Juni 2014

Suryono, Yohannes Tanjung (2012). Aplikasi Model Jaringan Syaraf Tiruan dengan RadialBasis Function Untuk Mendeteksi Kelainan Otak. From

http://library.binus.ac.id/eColls/eThesisdoc/Bab1/Bab%201__10-121.pdf 28 Juni

2014

Wahyudi, Hariyanto, Iwan Setiawan (2007) . APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROLVALVE UNTUK PENGENDALIAN TINGGI MUKA AIR .

from http://journal.uii.ac.id/index.php/Snati/article/viewFile/1673/1455, 23 Mei 2014