Tugas Akhir - 2009

PREDIKSI RATING DAN SHARE PROGRAM TELEVISI MENGGUNAKAN

JARINGAN SARAF TIRUAN DENGAN ALGORITMA PROPAGASI BALIK
TELEVISION PROGRAM RATINGS AND SHARES FORECASTING USING
ARTIFICIAL NEURAL NETWORK WITH BACKPROPAGATION ALGORITHM

Della Sabrina Indah Putri¹, Tjokorda Agung Budi Wirayuda², Andrian Rakhmatsyah³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak
Nilai rating/share merupakan nilai dalam bentuk persentase yang digunakan sebagai ukuran
penilaian suatu program televisi (dan stasiun televisi secara garis besar). Nilai ini cukup
berpengaruh dalam menentukan kebijakan yang akan diambil terhadap suatu program acara yang
tengah berjalan, maupun program baru yang akan ditayangkan oleh stasiun televisi yang
bersangkutan. Oleh karena itu, apabila nilai rating/share dapat diprediksi sebelumnya, tentu akan
cukup membantu dalam penentuan kebijakan terhadap program acara pada stasiun televisi
tersebut.
Prediksi merupakan proses memperkirakan secara sistematik tentang apa yang paling mungkin
terjadi di masa yang akan datang berdasarkan informasi masa lalu dan informasi saat ini. Salah
satu metoda untuk melakukan prediksi adalah dengan menggunakan jaringan saraf tiruan (JST).
Pada tugas akhir ini telah diterapkan aplikasi prediksi nilai rating dan share program televisi per
hari menggunakan JST dengan algoritma propagasi balik. Nilai rating/share diprediksi
berdasarkan nilai-nilai rating/share beberapa hari sebelumnya.
Metode preprocessing yang digunakan dalam Tugas Akhir ini ada tiga, yaitu Normalisasi, Biner,
dan Selisih. Untuk memprediksi nilai rating, metode yang paling baik digunakan adalah Biner,
dengan tingkat akurasi prediksi rata-rata sebesar 81.21%. Sedangkan metode Selisih adalah
metode yang paling baik untuk memprediksi nilai share, dengan tingkat akurasi prediksi rata-
rata sebesar 89.02%.

Kata Kunci : jaringan saraf tiruan, propagasi balik, deret waktu, rating, televisi.

Abstract
Ratings/share is a percentages value which is used to measure the grade of a television program
(and its television station). This values are quite become a standard for an owner (or a director)
to apply some policies to their running programs or to applying new programs for their station.
This is that, if we can predict the values of the next ratings/share before, it would be a quite help
to considering the next policies?
Prediction is a process to systematically forecast the best possibility of something to happen in
the future, based on the information gathered in the past and the present. A method to make a
prediction is by using artificial neural network (ANN). This final project applies ANN to predict
the average ratings and shares of television program per day using backpropagation algorithm.
The predicted values are based on previous ratings and shares (time series data).
There are three preprocessing method that are used in this final project: Normalization, Binary,
and Difference. For ratings prediction, the best method to use is Binary, with 81,21% average
predict accuracy. While Difference method is the best method for share prediction, with 89.02%
average predict accuracy.

Keywords : artificial neural network, backpropagation, time series, ratings,television.

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

1 Pendahuluan

1.1 Latar belakang

Televisi adalah media komunikasi yang cukup populer di masyarakat; Disamping
media cetak, radio, dan internet. Hampir setiap rumah memiliki perangkat televisi,
sehingga semua bentuk informasi dan hiburan yang diperlukan masyarakat
tersedia di media ini. Hal ini menyebabkan banyak pihak tertarik untuk
berpartisipasi di dunia pertelevisian. Tidak seperti awal tahun 70-an yang hanya
ada stasiun televisi pemerintah saja, kini stasiun televisi swasta mulai menjamur
bahkan stasiun televisi daerah pun ikut berlomba untuk memuaskan kebutuhan
masyarakat akan televisi [10][11]. Hal ini menyebabkan persaingan diantara stasiun
televisi semakin ketat.
AGP Nielsen Media Research sebagai satu-satunya badan independen yang
mengeluarkan data berupa angka mengenai minat masyarakat terhadap suatu
program televisi[7], menggunakan metode TAM (Television Audience
Measurement)[8][9], menjadi tolak ukur sebuah acara di stasiun televisi. Rating
diibaratkan sebagai the impartial spectator, otoritas moral yang menentukan
program apa yang harus diproduksi atau direproduksi, serta program-program apa
yang bisa diabaikan oleh stasiun televisi.
Rating adalah estimasi penonton televisi dari seluruh pemilik televisi.
Perbandingan seluruh pemilik televisi dengan pemilik televisi yang menonton satu
stasiun tertentu [6].
Share adalah presentase televisi rumah tangga atau biasa disimbolkan dengan
HUT (Household Using Television), bisa juga digambarkan sebagai individu yang
menonton televisi pada satu stasiun dan program tertentu, pada waktu tertentu [6].
Besarnya rating dan share mempengaruhi nilai jual iklan dalam setiap time
slot-nya. Biaya produksi yang tinggi diharapkan dapat ditutupi dengan pemasukan
yang diperoleh dari iklan. Oleh karenanya penempatan jam tayang pada time slot
tertentu memiliki peran yang sangat significant bagi sebuah acara televisi dan
berbanding lurus terhadap daya jual acara televisi tersebut.
Prediksi merupakan proses memperkirakan secara sistematik tentang apa yang
paling mungkin terjadi di masa yang akan datang berdasarkan informasi masa lalu
dan informasi saat ini. Salah satu metode untuk memprakirakan nilai di masa
datang adalah metode jaringan syaraf tiruan (JST). Metode ini sudah banyak
digunakan di antaranya untuk memprakirakan kebangkrutan usaha[5],
memprakirakan keuntungan saham[5] dan memprakirakan nilai mata kuliah[18].
Metode jaringan syaraf tiruan memiliki karakteristik yang menyerupai jaringan
syaraf biologi dalam memproses informasi [1][17]. Melalui proses pelatihan, JST
dapat menyimpan pengetahuan dari pola kejadian di masa lampau yang kemudian
dapat digunakan untuk memprakirakan kejadian yang akan terjadi di masa akan
datang. Pada tugas akhir ini telah diterapkan aplikasi prediksi rating dan share
harian program televisi menggunakan JST dengan algoritma propagasi balik.
Melalui tugas akhir ini, diharapkan stasiun televisi di Indonesia dapat
melakukan prediksi nilai rating dan share secara lebih baik sehingga
memudahkan pihak-pihak pengambil keputusan (pemilik stasiun televisi/

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

 Tugas Akhir - 2009

produser) untuk menganalisa hasil prediksi yang akan dijadikan bahan

pengambilan kebijakan stasiun televisi selanjutnya.

1.2 Perumusan masalah

Permasalahan yang akan dibahas dalam Tugas Akhir ini adalah:
a. Bagaimana mengolah data yang ada sehingga menjadi input yang siap
diproses ke dalam jaringan saraf tiruan.
b. Bagaimana memprediksi rata-rata rating dan share suatu program televisi
setiap harinya berdasarkan rating dan share selama periode Januari 2006 –
Desember 2008.
c. Bagaimana performansi algoritma propagasi balik untuk memprediksi nilai
rata-rata rating dan share berdasarkan nilai akurasi yang dihasilkan dari
proses pelatihan, validasi, dan pengujian data.

Adapun batasan masalah pada tugas akhir ini adalah sebagai berikut:
a. Data-data rating dan share merupakan data-data yang didapat dari stasiun
televisi TransTV on behalf of AGP Nielsen Media Research selama 3 tahun
terakhir (2006, 2007, 2008). Data tersebut telah mencakup data-data rating
dan share dari 10 kota besar di Indonesia yang menjadi titik-titik sample AGP
Nielsen Media Research diambil[6].
b. Data rating dan share yang diteliti adalah data rata-rata harian rating dan
share stasiun televisi TransTV. Tidak semua stasiun televisi di teliti.

1.3 Tujuan
Tujuan pembuatan tugas akhir ini adalah menganalisis dan mengimplementasikan
poin-poin di bawah ini:
a. Merumuskan cara representasi rating dan share suatu program televisi
menjadi masukan jaringan saraf tiruan, sehingga dapat diolah dengan
menggunakan algoritma jaringan saraf tiruan.
b. Mencari bentuk dan topologi jaringan saraf tiruan yang sesuai dengan proses
prediksi rating dan share suatu program televisi.
c. Menerapkan algoritma propagasi balik pada jaringan saraf tiruan untuk
memprediksi rating dan share suatu program televisi.
d. Menguji parameter-parameter jaringan saraf tiruan sehingga dapat digunakan
untuk memprediksi rating dan share suatu program televisi secara lebih
akurat.

1.4 Metodologi penyelesaian masalah

1.4.1 Studi Literatur
Tahap ini bertujuan untuk memperkuat referensi teori dasar sebagai platform bagi
penelitian Tugas Akhir dengan cara mengumpulkan buku, jurnal dan artikel yang
akurat serta mengikuti perkembangan jaringan saraf tiruan secara aktif di forum-
forum diskusi.

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

 Tugas Akhir - 2009

1.4.2 Analisis dan Perancangan

a. Mengumpulkan data-data rating dan share yang pernah dikeluarkan.
b. Mengidentifikasi berbagai komponen yang menjadi tolak ukur perubahan nilai
rating dan share.
c. Memodelkan rating dan share ke dalam bentuk dan topologi jaringan saraf
tiruan yang sesuai.

1.4.3 Implementasi
a. Membangun parameter yang akan digunakan dalam proses prediksi rating dan
share program televisi ke dalam jaringan saraf tiruan.
b. Melakukan algoritma pembelajaran terhadap jaringan saraf tiruan
menggunakan data-data yang telah terkumpul.
c. Mengimplementasikan algoritma dan perancangan menggunakan bahasa
pemrograman Delphi.

1.4.4 Pengujian dan Analisis Hasil Implementasi

a. Menguji apakah sistem telah berjalan dengan baik. Target error diharapkan
mencapai tahap minimum.
b. Melakukan analisis perbandingan antara output sistem dan realita survey
rating suatu program televisi, untuk memastikan apakah perbedaan di antara
keduanya ada di dalam range yang ditargetkan.

1.4.5 Penyusunan Laporan Penelitian

Laporan penelitian ini terdiri dari kesimpulan, evaluasi dan rekomendasi terhadap
sistem yang sudah dikembangkan.

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

Kesimpulan dan Saran

5.1 Kesimpulan
Beberapa hal yang dapat disimpulkan dari penelitian yang telah dilakukan pada
Tugas Akhir ini adalah sebagai berikut,
1. Perumusan representasi rating dan share dilakukan menggunakan 3 metode
preprocessing, yaitu Normalisasi, Biner, dan Selisih. Berdasarkan hasil
pengujian, didapatkan bahwa metode yang paling baik untuk
merepresentasikan nilai rating adalah dengan metode Biner (menghasilkan
akurasi sebesar 81.21%), sedangkan untuk nilai share adalah dengan metode
Selisih (menghasilkan akurasi sebesar 89.02%).
2. Bentuk dan topologi JST yang sesuai adalah sebagai berikut:
a. untuk memprediksi nilai rating, diperlukan 14 hari nilai rating
sebelumnya. Sehingga jika menggunakan metode biner dibutuhkan
sebanyak 140 neuron input, 1 neuron bias, 1 hidden layer dengan 94
neuron hidden, dan 10 neuron output.
b. Untuk memprediksi nilai share, juga diperlukan 14 hari nilai share
sebelumnya. Sehingga jika menggunakan metode Selisih dibutuhkan
sebanyak 14 neuron input, 1 neuron bias, 2 hidden layer dengan 10
neuron hidden pada layer pertama dan 7 neuron hidden pada layer
kedua, serta 1 neuron output.
3. Berdasarkan hasil pengujian, jaringan saraf tiruan dengan algoritma propagasi
balik (JST-BP) digunakan untuk memprediksi rating dan share program
televisi cukup dapat dipastikan memberikan akurasi yang cukup baik, yaitu
sebesar 80.59%, untuk aplikasi prediksi rating dan share program televisi
dengan representasi masukan dan keluaran yang digunakan pada Tugas Akhir
ini.
4. Beberapa hal yang perlu diperhatikan dalam menerapkan JST-BP untuk kasus
prediksi nilai rating dan share antara lain adalah :
c. jumlah data (pola) yang digunakan untuk melatih JST-BP sehigga mampu
mengenali pola dengan tepat dengan tingkat akurasi prediksi yang
diinginkan,
d. jumlah data beberapa hari sebelumnya yang diperlukan untuk dapat
memprediksi nilai rating/share dengan tepat dengan tingkat akurasi
prediksi yang diinginkan.
e. nilai learning rate dan momentum, untuk mendapatkan proses belajar
yang stabil.

5.2 Saran
Beberapa saran pengembangan Tugas Akhir lebih lanjut antara lain sebagai
berikut.
1. Metode preprocessing nilai rating dan share pada masukan JST-BP perlu
dikaji ulang, sehingga didapatkan representasi yang lebih baik. Representasi
Biner yang dirumuskan dalam Tugas Akhir ini masih memiliki kelemahan,

62

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

 Tugas Akhir - 2009

yaitu alokasi yang berlebihan untuk 10 digit biner (Nilai maksimal 10 digit
biner adalah 1023, sementara yang digunakan hanya 1000 saja) dan juga
penggunaan resources yang cukup besar pada saat proses berjalan.
2. Penggunaan metode penelitian yang berbeda perlu dikaji ulang, sehingga
didapatkan sistem yang lebih baik untuk prediksi nilai rating dan share
program televisi.

63

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

Powered by TCPDF (www.tcpdf.org)
 Tugas Akhir - 2009

Referensi

[1] Fausett, Laurene. 1994. Fundamentals of Neural Networks: Architectures,

Algorithms, and Applications. New Jersey: Prentice Hall.
[2] Freeman, James A.; Skapura, David M. 1991. Neural Networks: Algorithms,
Applications, and Programming Techniques. Addison-Wesley Publishing
Company, Inc.
[3] Graupe, Daniel. 2007. Principles of Artificial Neural Networks (2nd Edition).
Singapore: World Scientific Publishing Co. Pte. Ltd.
[4] Gurney, Kevin. 1997. An Introduction to Neural Networks. London: CRC Press.
[5] Zhang, G. Peter, 2004. Neural Networks in Business Forecasting. Hershey: Idea
Group Inc.
[6] Frank W. Baker: What is a Rating/Share?,
http://www.frankwbaker.com/ratingshare.htm, diakses pada tanggal 1 Februari
2009
[7] AGB Nielsen Media Research, http://www.agbnielsen.co.id, diakses pada tanggal
5 Februari 2009
[8] Wikipedia: Audience Measurement,
http://en.wikipedia.org/wiki/Audience_measurement, diakses pada tanggal 5
Februari 2009
[9] Kamus Warung Fiksi: TV Audience Measurement,
http://kamus.warungfiksi.net/tv-audience-measurement/, diakses pada tanggal 5
Februari 2009
[10] Wikipedia: Daftar Stasiun Televisi Indonesia,
http://id.wikipedia.org/wiki/Daftar_stasiun_televisi_Indonesia, diakses pada
tanggal 7 Februari 2009
[11] Wikipedia: Daftar Stasiun Televisi Regional Indonesia,
http://id.wikipedia.org/wiki/Daftar_stasiun_televisi_regional_di_Indonesia,
diakses pada tanggal 7 Februari 2009
[12] Fu, Li Min. 1994. Neural Networks In Computer Intelegence. Singapore:
McGraw-Hill, Inc.
[13] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan (Menggunakan
MATLAB & EXCEL Link). Yogyakarta: Penerbit Graha Ilmu.
[14] Krose, Ben; Smagt, Patrick van der. 1996. An Introduction to Neural Networks.
8th Edition. Amsterdam: The University of Amsterdam.
[15] Kwong, Chung Kim. 2001. Financial Forecasting Using Neural Network or
Machine Learning Techniques. St Lucia: The University of Queensland.
[16] Stockley, Corrine. 2005. Kamus Biologi Bergambar. Erlangga. (Terjemahan dari:
2000. Illustrated Dictionary. Usborne Publishing Ltd.)
[17] Yani, Eli. 2005. Pengantar Jaringan Syaraf Tiruan. MateriKuliah.com.
http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.pdf,
diakses pada tanggal 15 Februari 2009
[18] Rakhmatsyah, Andrian. 2006. Prediksi Nilai Mata Kuliah Menggunakan
Jaringan Syaraf Tiruan. Bandung: ITB.

64

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

Powered by TCPDF (www.tcpdf.org)