Professional Documents
Culture Documents
Peramalan Jumlah Penumpang Kereta API de
Peramalan Jumlah Penumpang Kereta API de
ABSTRACT
Train becomes one of the most popular mass transportation media in Indonesia, especially for medium and long
distance journey. When holiday comes, PT. KAI (persero) need to make much additional departures of train in order to
occupy the passanggers need. From this statement, risen the ideas to design a forecasting system to forecast the number
of trains passanger using artificial neural network and to analyze the neural network which gives the best performance
in this system.
This final project was designed a forecasting system to predict the number of trains passanger using Back
Propagation Neural Network. First step, all data need to be computerized and divided them into 2 groups, 60% for
training data and 40% for testing data. When training the neural network, training data is used as the input and it
process will stops when the values of required training parameters is reached. Testing the neural network can be done
using training data and testing data. This process is aimed for knowing networks performance by comparing
simulation results with real target. Neural network with best performance can be used for forecasting process.
Based on training data test results, the best performance neural network given by the network with 10 nodes of
hidden layer for variation increasing the number of node of hidden layer and the network with its learning rate was
0,01 for variation decreasing the value of learning rate. Based on testing data test results, the best performance neural
network given by the network with 5 nodes of hidden layer for variation increasing the number of node of hidden layer
and the network with its learning rate was 0,001 for variation decreasing the value of learning rate
Keywords : forecasting, trains passanger, back propagation.
I. PENDAHULUAN
1.1 Latar Belakang
Jaringan saraf tiruan didefinisikan sebagai
suatu sistem pemrosesan informasi yang
mempunyai karakteristik menyerupai jaringan saraf
manusia. Salah satu keunggulan jaringan saraf
tiruan adalah kemampuan komputasi yang paralel
dengan cara belajar dari pola - pola yang diajarkan,
sehingga aplikasi jaringan saraf tiruan dapat
digunakan untuk tujuan peramalan. Sebelumnya
telah terdapat beberapa penelitian tentang
peramalan menggunakan jaringan saraf tiruan,
seperti peramalan laju inflasi (Muqtashidah, 2009),
peramalan jumlah trafik data (Subrata, 2007), dan
peramalan beban listrik (Nurbaqin, 2003).
Peramalan dengan jaringan saraf tiruan dilakukan
berdasarkan pola kejadian yang ada di masa yang
lampau untuk meramalkan apa yang akan terjadi di
masa yang akan datang. Untuk itu, jaringan saraf
tiruan dapat dilatih untuk mempelajari dan
menganalisa pola data masa lalu dan berusaha
mencari suatu formula atau fungsi yang akan
menghubungkan pola data masa lalu dengan
keluaran yang diinginkan saat ini. Berdasarkan hal
tersebut, pada penelitian ini dibuat suatu aplikasi
jaringan saraf tiruan untuk peramalan dengan
menggunakan data berupa jumlah penumpang
kereta api.
Kereta api saat ini telah menjadi salah satu
media transportasi andalan masyarakat Indonesia
untuk melakukan perjalanan jarak menengah dan
1.2 Tujuan
Tujuan dari tugas akhir ini adalah merancang
jaringan saraf tiruan yang dapat memberikan tingkat
pengenalan terbaik dalam sistem prediksi jumlah
penumpang kereta api.
1.3 Batasan Masalah
Untuk menyederhanakan pembahasan pada
Tugas Akhir ini, masalah dibatasi sebagai berikut:
1. Data yang digunakan untuk proses
faktor
pendukung penyebab perubahan jumlah
penumpang kereta api. Analisis dilakukan
hanya
berdasarkan
data
jumlah
penumpang yang didapatkan saat proses
survei data.
10
233
121
126
276
113
96
123
134
132
121
126
276
113
96
123
134
132
297
126
276
113
96
123
134
132
297
77
276
113
96
123
134
132
297
77
130
113
96
123
134
132
297
77
130
191
96
123
134
132
297
77
130
191
94
123
134
132
297
77
130
191
94
341
134
132
297
77
130
191
94
341
131
132
297
77
130
191
94
341
131
141
297
77
130
191
94
341
131
141
137
Data
Data1
Data2
Data3
Data4
Data5
Data6
Data7
Data8
Data9
Target
77
130
191
94
341
131
141
137
242
KA
Argo
Muria
64.26
71.65
71.97
71.72
74.42
72.18
74.19
73.26
72.17
73.26
KA
Argo
Muria
71.98
72.47
72.47
70.39
70.28
70.23
69.61
70.50
70.60
72.44
KA
Argo
Sindoro
74.23
76.13
74.43
73.35
73.23
73.34
74.72
73.29
71.69
74.12
KA
Senja
Utama
78.26
76.13
79.09
77.97
76.61
77.80
77.34
78.21
77.80
77.34
KA
Senja
Utama
72.16
77.31
78.92
78.84
77.04
75.09
78.38
77.81
77.23
77.19
KA
Argo
Sindoro
KA
Fajar
Utama
KA
Harina
KA
Rajawali
KA
Senja
Utama
46.29
54.69
51.21
56.38
59.14
51.18
51.96
54.03
55.70
56.08
55.08
60.40
59.07
58.62
56.12
51.26
60.30
59.95
58.80
55.45
63.22
67.92
67.15
68.84
67.01
66.61
65.47
64.25
65.51
65.33
70.52
70.96
64.65
65.95
68.20
66.81
63.56
68.14
66.44
68.14
66.73
67.72
63.64
61.40
65.69
67.48
63.94
63.28
68.20
65.63
69.18
75.60
73.10
72.05
72.61
73.66
74.29
73.23
73.00
73.59
KA
Argo
Muria
56.55
59.16
50.85
54.82
52.59
55.77
54.23
57.93
56.40
57.28
KA
Argo
Sindoro
51.62
59.53
58.22
50.06
59.45
62.20
54.28
50.15
55.61
50.15
KA
Senja
Utama
73.39
71.65
74.35
72.63
72.74
72.48
72.57
70.68
71.40
72.86
V. PENUTUP
5.1 Kesimpulan
Kesimpulan yang dapat diambil dari hasil
pengujian dan pembahasan adalah sebagai berikut :
1. Tingkat akurasi peramalan tidak dipengaruhi
oleh banyaknya jumlah node lapisan
tersembunyi dan besarnya laju pembelajaran.
2. Tingkat akurasi peramalan pada data latih
3.
4.
5.
6.
7.
DAFTAR PUSTAKA
[1] Arhami, Muhammad dan Anita Desiani,
Pemrograman
MATLAB,
Andi,
Yogyakarta, 2005.
[2] Haykin, Simon, Neural Networks A
Comphrehensive Foundation, Macmillan
College Publishing Company, USA, 1994.
[3] Kristianto, Andri, Jaringan Syaraf Tiruan
(Konsep Dasar, Algoritma, dan Aplikasi),
Gaya Media, Yogyakarta, 2004.
[4] Muqtashidah, Ida, Jaringan Syaraf Tiruan
Backpropagation dan Analisis Runtun
Waktu Sebagai Metode Forecast Pada
Penghitungan Laju Inflasi, Skripsi S-1,
Universitas Negeri Semarang, Semarang,
2009.
[5] Nurbaqin, Sistem Peramalan Beban Satu Jam
ke Depan Menggunakan Jaringan Saraf
Tiruan,
Skripsi
S-1,
Universitas
Diponegoro, Semarang, 2003
[6] PSW, Anugerah, Perbandingan Jaringan
Syaraf Tiruan Backpropagation dan Metode
Deret Berkala Box-Jenkins (ARIMA)
Sebagai Metode Peramalan Curah Hujan,
Skripsi S-1, Universitas Negeri Semarang,
Semarang, 2007
[7] Siang, Jong Jek, Jaringan Syaraf Tiruan dan
Pemrogramannya Menggunakan MATLAB,
Andi,
Yogyakarta, 2004.
[8] Subrata, Imam, Peramalan Trafik Data
Menggunakan Jaringan Saraf Tiruan,
Skripsi S-1, Universitas Diponegoro,
Semarang, 2007
[9] Yudho D. N, Theodorus, Aplikasi Pencirian
Dengan Transformasi Wavelet Untuk
engenalan
Pengucap
Teks
Bebas
Menggunakan Jaringan Syaraf Tiruan,
Skripsi S-1, Universitas Diponegoro,
Semarang, 2010.
[10] ---, Sejarah Perkeretaapian Indonesia Jilid II,
Angkasa, Bandung, 1997.
[11] ---, http://www.kereta-api.co.id/?option=com_
content&view=article&id=19&Itemid=25,
Februari 2011
[12] ---, http://id.wikipedia.org/wiki/Kereta_api_
Fajar_Utama_Semarang, Februari 2011
[13] ---, panji.web.id/files/skripsi/bab-iii.doc, Juli
2011
[14] ---, http://lovelara.wordpress.com/2009/02/06/
sistem-peramalan/, Juli 2011
5.2 Saran
Adapun saran yang dapat diberikan
sehubungan dengan pelaksanaan penelitian ini
adalah :
1. Perlu dilakukan proses trial and error
dengan kombinasi parameter yang lebih
bervariasi untuk mendapatkan tingkat
pengenalan jaringan saraf yang paling
optimal.
2. Untuk pengembangan Tugas Akhir ini
nantinya
data
dapat
dikategorikan
berdasarkan waktu, misalnya data jumlah
penumpang saat hari kerja, data jumlah
penumpang saat akhir pekan, dan data
jumlah penumpang saat libur hari besar
BIOGRAFI PENULIS
Reza Luthfianto, lahir di
kota Bandung pada tanggal
22 April 1988. Penulis
pernah
menempuh
pendidikan di TK Yudha
Bekasi, SDN Mekar Indah
01 Bekasi, SLTP Negeri 9
Bekasi, dan SMA Negeri 2
Bekasi, dan saat ini sedang
menyelesaikan studi strata 1 di Teknik Elektro
Universitas Diponegoro mengambil Konsentrasi
Elektronika dan Telekomunikasi.
Menyetujui,
Dosen Pembimbing I,