Page 1
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 1
MODEL HYBRID ARTIFICIAL INTELLIGENCE
UNTUK MEMPREDIKSI PENEMPATAN DAN
KEDATANGAN PEKERJA MIGRAN INDONESIA
1Mahmudi,
2Hendrardi, B.
1,2Teknik Informatika; STMIK Himsya; Semarang; Indonesia
ABSTRACT
In this study a hybrid artificial intelligence model is proposed, namely Clustering-Based Genetic
Fuzzy System (CGFS) to address the problem of predicting the placement and arrival of
Indonesian Migrant Workers (PMI) abroad from Central Java. The CGFS process consists of
three main stages, namely; first using neural networks Self-Organizing Maps (SOM) to classify
raw sub-population data and reduce the complexity of the entire data boundary so that it becomes
more homogeneous. In the second stage, data in different clusters (divided by SOM techniques)
will be included in an independent genetic fuzzy system. In the third stage, the PMI placement
forecasting process uses a genetic fuzzy system. The results of this CGFS method have a high level
of accuracy, so it can be used as a decision support system for BP3TKI management in making
policies related to preparation, planning, scheduling, placement, and protection of future PMI
candidates and can improve human resource performance at BP3TKI in providing the best service
to prospective Indonesian migrant workers, especially from Central Java.
Keyword: Forecasting; Fuzzy Logic; Clustering-Based Genetic Fuzzy System; Self-Organizing
Maps; TKI/PMI
I. PENDAHULUAN
1.1 Latar Belakang
Undang-Undang Republik Indonesia
Nomor 39 Tahun 2004 Tentang
Penempatan dan Perlindungan Tenaga
Kerja Indonesia di Luar Negeri, pada bab
I, pasal 1, ayat 1 dijelaskan bahwa Tenaga
Kerja Indonesia yang selanjutnya disebut
dengan TKI/PMI adalah setiap warga
negara Indonesia yang memenuhi syarat
untuk bekerja di luar negeri dalam
hubungan kerja untuk jangka waktu
tertentu dengan menerima upah.
Lembaga-lembaga yang berfungsi
sebagai pelaksana penempatan dan
perlindungan pekerja migran Indonesia di
luar negeri yaitu; lembaga dari pemerintah
dan swasta. Saat ini teknis pelayanan
penempatan dan perlindungan PMI tingkat
nasional dilakukan oleh Badan Nasional
Penempatan dan perlindungan Tenaga
Kerja Indonesia (BNP2TKI), sedangkan
lembaga yang menangani penempatan dan
perlindungan pekerja migran Indonesia di
wilayah provinsi Jawa Tengah adalah
Balai Pelayanan Penempatan dan
Perlindungan Tenaga Kerja Indonesia
(BP3TKI).
Berdasarkan informasi Kepala Pusat
Penelitian Pengembangan dan Informasi
(Puslitfo) BNP2TKI, Muhammad
Hidayat, yang mengatakan penempatan
PMI selama empat tahun terakhir (2011–
2014) terjadi naik-turun, yakni pada 2011
Page 2
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 2
sebanyak 586.802 orang, 2012 turun
dengan jumlah 494.609 orang, 2013 naik
sebanyak 512.168 orang, dan 2014 turun
lagi menjadi 429.872 orang. Begitu juga
PMI yang berasal dari Jawa Tengah tahun
2011-2013. Untuk tahun 2011 jumlah PMI
123.154 orang, tahun 2012 jumlah PMI
115.456, dan tahun 2013 jumlah PMI
105.971 orang.
Satu hal yang paling penting dalam
melakukan analisis perkembangan jumlah
penempatan dan kedatangan PMI adalah
mengukur dan meramalkan jumlah
penempatan dan kedatangan PMI. Analisis
jumlah penempatan dan kedatangan PMI
yang mengalami naik turun adalah
mengukur perkembangan jumlah
penempatan dan kedatangan PMI
sekarang dan meramalkan kondisi-kondisi
tersebut pada masa yang akan datang.
Mengukur perkembangan jumlah
penempatan dan kedatangan PMI
sekarang berarti menganalisa kondisi
sekarang, sedangkan sebelumnya sebagai
sumber informasi untuk memprediksi
keadaan yang akan datang dengan asumsi
keadaan masa lalu akan berulang lagi di
masa depan.
Berdasarkan analisis situasi tersebut,
maka diperlukan suatu metode peramalan
untuk memperkirakan jumlah PMI yang
akan ditempatkan di luar negeri dan
kedatangan PMI dari luar negeri dimasa
mendatang.
Secara umum sistem peramalan
penempatan PMI dapat digunakan sebagai
sistem pendukung keputusan untuk
manajemen BP3TKI dalam membuat
kebijakan yang berkaitan dengan
persiapan, perencanaan, penjadwalan,
penempatan, dan perlindungan terhadap
para calon PMI di masa mendatang,
sehingga dapat meningkatkan kinerja
sumberdaya manusia di BP3TKI dalam
memberikan pelayanan terbaik terhadap
para calon pekerja migran Indonesia yang
akan bekerja di luar negeri dan dalam
upaya meningkatkan kualitas penempatan
dan keamanan perlindungan PMI.
Berkaitan dengan peramalan,
beberapa peneliti telah menggunakan
berbagai metode untuk menangani
permasalahan di berbagai bidang seperti;
penggunaan metode fuzzy time series
dalam meramalkan indeks gabungan
Shanghai (Xihao dan Yimin, 2008).
Dalam penelitiannya diperkenalkan
algoritma average based length. Panjang
interval yang efektif akan mempengaruhi
hasil peramalan dalam fuzzy time series.
Metode fuzzy time series juga dapat
digunakan untuk meramalkan hasil dan
produksi gandum (Singh, 2007). Dalam
penelitiannya diusulkan sebuah metode
peramalan fuzzy time series berdasarkan
perbedaan parameter.
Penerapan metode fuzzy time series
dengan dua faktor, yaitu mengambil
indeks saham dan volume perdagangan
sebagai faktor peramalan untuk
memprediksi indeks saham (Chu dkk,
2009).
Sejalan dengan perkembangan metode
peramalan, metode yang populer saat ini
untuk menangani masalah peramalan
adalah menggunakan teknik kecerdasan
buatan seperti jaringan syaraf tiruan,
logika fuzzy, dan algoritma genetika,
karena teknik tersebut dapat menangani
masalah peramalan kompleks yang sulit
untuk dipecahkan dengan metode klasik
(Konar, 2005).
Berdasarkan latar belakang tersebut,
maka dalam penelitian ini diusulkan
model kecerdasan buatan hibrida yaitu
Clustering-Based Genetic Fuzzy System
(CGFS) untuk menangani masalah
Page 3
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 3
peramalan penempatan dan kedatangan
PMI.
Pada proses CGFS ini terdiri dari tiga
tahapan utama yaitu; pertama
menggunakan jaringan syaraf Self-
Organizing Maps (SOM) untuk
mengelompokkan data mentah kesub-
populasi dan mengurangi kompleksitas
seluruh batas data sehingga menjadi lebih
homogen. Pada tahap kedua, data dalam
cluster yang berbeda (dibagi dengan
teknik SOM) akan dimasukkan ke dalam
sistem fuzzy genetik independen. Pada
tahap ketiga, proses peramalan
penempatan dan kedatangan PMI
menggunakan sistem fuzzy genetik.
1.1 Perumusan Masalah
Dalam penelitian ini dirumuskan
suatu model Clustering-Based Genetic
Fuzzy System untuk memprediksi jumlah
penempatan dan kedatangan PMI. Model
peramalan tersebut dapat digunakan untuk
menentukan kebijakan strategis BP3TKI,
mempersiapkan, merencanakan,
menjadwalkan penempatan dan
perlindungan terhadap para calon PMI,
mengatur sumberdaya manusia dan
keuangan, serta untuk mendistribusikan
sumberdaya dengan tepat.
II. TINJAUAN PUSTAKA
Peramalan adalah proses pembuatan
proyeksi kinerja masa depan berdasarkan
data historis yang ada. BP3TKI yang
menangani pelayanan penempatan dan
perlindungan PMI merupakan bagian
penting untuk memperkirakan
perkembangan jumlah penempatan dan
kepulangan PMI yang diperlukan untuk
mengelola organisasi.
Beberapa peneliti telah berfokus pada
peramalan kunjungan rawat jalan dengan
akurasi yang tinggi. Peneliti mengusulkan
metode fuzzy time series baru yang
didasarkan pada matriks transisi
pembobotan (weighted transitional
matrix) dan mengusulkan dua metode
peramalan baru: metode harapan dan
metode seleksi kelas untuk meramalkan
kunjungan rawat jalan (Cheng dkk, 2008).
Metode temuan yang diusulkan
menunjukkan tingkat kesalahan yang
relatif lebih rendah dan stabil dalam
menghadapi tren masa depan yang selalu
berubah dibandingkan dengan metode
fuzzy time series yang diusulkan oleh Yu
(2005).
Penelitian populer saat ini untuk
menangani peramalan adalah dengan
menggunakan teknik kecerdasan buatan,
seperti jaringan syaraf tiruan, logika fuzzy,
dan algoritma genetika, karena teknik
tersebut dapat menangani masalah
peramalan kompleks yang sulit untuk
dipecahkan dengan metode klasik (Konar,
2005). Penelitian lain telah
membandingkan kemampuan teknik
kecerdasan buatan dengan teknik
konvensional dalam peramalan dan
mereka telah menemukan bahwa sistem
berbasis kecerdasan buatan memiliki hasil
yang lebih akurat dari pada menggunakan
pendekatan konvensional ARIMA dan
Regresi (Chang, 2008).
Saat ini pendekatan untuk
meningkatkan kinerjanya, teknik berbasis
kecerdasan buatan memperkaya model
dengan menganalisis masalah dalam dunia
nyata yaitu dengan membangun model
hybrid. Model hybrid adalah menggabungkan beberapa model untuk
meningkatkan akurasi peramalan yang
saat ini telah berkembang (Khashei,
2009). Salah satu pendekatan yang paling
populer adalah hibridisasi antara fuzzy logic dan genetic algorithm system yang
mengarah ke genetic fuzzy system
Page 4
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 4
(GFS). GFS pada dasarnya adalah sebuah
fuzzy system ditambah dengan proses
pembelajaran didasarkan pada
perhitungan evolusi yang mencakup
algoritma genetika dan algoritma evolusi
lain. Sejumlah studi telah membandingkan
kemampuan jaringan syaraf tiruan dan
sistem fuzzy dalam menangani peramalan.
Sistem fuzzy memiliki hasil yang lebih
akurat dibandingkan dengan jaringan
syaraf tiruan dan model time series klasik
dalam menangani masalah kompleks, non
linear dan jumlah data yang terbatas
(Hadavandi, 2011).
Dalam peramalan time series, input
data preprocessing dapat mempengaruhi
kinerja peramalan (George, 2009). Salah
satu tahapan preprocessing data yang
populer adalah pengelompokan data yang
digunakan dalam studi kasus yang berbeda
untuk membagi data ke dalam sub-
populasi dan mengurangi kompleksitas
seluruh batas data untuk sesuatu yang
lebih homogen dan mengurangi efek dari
data yang bising (Chang, 2009). Dalam
penelitiannya ia menyimpulkan bahwa
menggunakan algoritma klasterisasi data
dapat meningkatkan akurasi peramalan.
Dari semua penelitian dan model
yang digunakan, terbukti bahwa model
hybrid mampu menyelesaikan masalah
yang berkaitan dengan peramalan dan
dapat menghasilkan akurasi yang lebih
baik.
Perbandingan kinerja dengan studi
yang serupa ditemukan dalam literatur
terkait diindikasikan bahwa untuk
menghasilkan peramalan yang lebih
akurat menggunakan model gabungan
kecerdasan buatan yaitu Clustering-Based
Genetic Fuzzy System (CGFS).
Self-Organizing Maps
Algoritma Self-Organizing Maps
(SOM) atau yang sering disebut dengan
Jaringan Syaraf Tiruan Kohonen
merupakan suatu metode jaringan syaraf
tiruan yang diperkenalkan oleh Professor
Teuvo Kohonen pada tahun 1981 (Kumar
dan Satish, 2005).
Langkah-langkah training self-
organizing Maps adalah sebagai berikut:
1. Inisialisasi semua weight.
2. Tentukan parameter neighbourhood.
3. Tentukan parameter untuk learning
rate.
4. Selama stopping condition belum
terpenuhi, lakukan langkah 5 sampai 8.
5. Untuk setiap input vector x, lakukan
langkah 6 sampai 8. 6. Untuk setiap j, hitung distance
dengan perhitungan:
| ( ) ∑ ( )
(1)
7. Cari index J dimana D(J) bernilai
minimum.
8. Untuk setiap j dalam neighborhood
dari J dan untuk setiap i, lakukan
perhitungan:
( ) ( )
[ ( )] (2)
9. Update learning rate dari self-
organized Mapss.
10. Update radius neighborhood.
11. Cek apakah stopping condition
terpenuhi, bila true, lanjut ke langkah
12.
12. Simpan bobot akhir.
Untuk menggantikan langkah ke-6
dari algoritma di atas, digunakan
persamaan:
( ) ( ) ( ) ( )[ ( )] (3)
Page 5
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 5
( ) ( ‖ ‖
( )) (4)
dimana rb dan ri adalah posisi neuron b
(best-matching unit) dan i pada Self-
Organized Maps yang dibuat, dan
adalah radius dari neighborhood.
Untuk menghitung learning rate
digunakan persamaan berikut:
( ) (
) (5)
Untuk menghitung neighborhood radius
digunakan berikut:
( ) (
) (6)
( )
(7)
( ) (8)
dimana t adalah iterasi sekarang dan T
adalah jumlah maksimal iterasi yang telah
di setting sebelumnya.
Logika Fuzzy
Logika fuzzy adalah logika yang
digunakan untuk menjelaskan
keambiguan. Logika Fuzzy adalah
peningkatan dari logika boolean yang
mengenalkan konsep kebenaran sebagian.
Dimana logika klasik menyatakan bahwa
segala hal dapat diekspresikan dalam
istilah binary (0 atau 1, hitam atau putih,
ya atau tidak), logika fuzzy menggantikan
kebenaran boolean dengan tingkat
kebenaran. Logika fuzzy merupakan suatu
cara yang tepat untuk memetakan suatu
ruang masukan ke dalam suatu ruang hasil
(Kusumadewi, 2004).
Fungsi Keanggotaan Fuzzy Fungsi keanggotaan adalah suatu
kurva yang menunjukkan pemetaan titik-
titik input data ke dalam nilai
keanggotaannya (sering juga disebut
dengan derajat keanggotaan) yang
memiliki interval antara 0 sampai 1
(Zimmermann, 1991).
Salah satu cara yang dapat digunakan
untuk mendapatkan nilai keanggotaan
adalah dengan melalui pendekatan fungsi.
Beberapa jenis fungsi yang biasa
digunakan untuk mendapatkan nilai
keanggotaan, yaitu: Representasi Kurva
Linier, Representasi Kurva Segitiga,
Representasi Kurva Trapesium,
Representasi Kurva Bentuk Bahu,
Representatif Kurva Fungsi-S
Pertumbuhan, Representatif Kurva
Fungsi-S Penyusutan.
Dalam penelitian ini digunakan
fungsi keanggotaan Gauss, yang mana
pada kurva Gauss memiliki 2 parameter
dengan nilai (y) untuk menunjukkan nilai
domain pada pusat kurva, dan (k) yang
menunjukkan lebar kurva. Nilai kurva
untuk suatu nilai domain x diberikan
sebagai:
Gambar 2.1 Karakteristik Fungsional Kurva
Gauss
Fungsi keanggotaan pada kurva Gauss
adalah
( ) ( )
(9)
Page 6
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 6
Genetic Algorithm
Algoritma ini ditemukan di
Universitas Michigan, Amerika Serikat
oleh John Holland (1975) melalui sebuah
penelitian dan dipopulerkan oleh salah
satu muridnya, David Goldberg.
Algoritma genetika adalah algoritma yang
berusaha menerapkan pemahaman
mengenai evolusi alamiah pada tugas-
tugas pemecahan masalah (problem
solving).
Algoritma genetika (GA) berdasarkan
prinsip-prinsip evolusi alam. Karena
kemudahan penerapan, banyak aplikasi
algoritma genetika ditemukan di bidang
bisnis, pemandangan, teknik, dan masalah
peramalan.
Beberapa dasar-dasar algoritma
genetika.
a. Kromosom
Semua organisme hidup terdiri dari
sel-sel. Dalam setiap sel ada set
kromosom yang sama. Kromosom
adalah string DNA dan berfungsi
sebagai model untuk organisme secara
keseluruhan. Dalam terminologi
algoritma genetika ini adalah titik
dalam ruang pencarian yang
diwakili oleh serangkaian kode gen
(Timma, 2004). b. Populasi
Populasi koleksi kromosom. Suatu
populasi terdiri dari jumlah kromosom
yang diuji. Dua aspek penting dari
populasi yang digunakan dalam
algoritma genetika adalah:
1. Generasi populasi awal (The initial
population generation).
2. Ukuran populasi (The population
size) (Savanandam dan Deepa,
2008).
c. Fungsi Fitness
Fitness kromosom dalam algoritma
genetika adalah nilai fungsi objektif.
Fitness tidak hanya menunjukkan
seberapa baik solusi, tetapi juga sesuai
dengan seberapa dekat kromosom
optimal adalah satu. Ada beberapa
jenis fungsi fitness, tetapi dalam
peramalan time series mean square
error kesalahan mutlak, akar mean
square error dan lain-lain, adalah
kriteria konvergensi yang baik untuk
digunakan dalam proses peramalan
(Savanandam dan Deepa, 2008).
d. Operator Algoritma Genetika
Sebuah algoritma genetika terdiri dari
tiga operator:
1. Inisialisasi populasi (Initialize
Population).
2. Encoding
3. Reproduksi/Seleksi
(Reproduction/Selection).
4. Menyeberang (Cross over).
5. Mutasi (Mutation) (Savanandam
dan Deepa, 2008).
e. Kromosom Terbaik
Sebuah kromosom terbaik adalah satu
dengan fitness minimum (Savanandam
dan Deepa, 2008).
Pendekatan yang diambil algoritma
ini adalah dengan menggabungkan secara
acak berbagai pilihan solusi terbaik di
dalam suatu kumpulan untuk
mendapatkan generasi solusi terbaik
berikutnya yaitu pada suatu kondisi yang
memaksimalkan kecocokannya atau lazim
disebut fitness. Generasi ini akan
merepresentasikan perbaikan–perbaikan
pada populasi awalnya. Dengan
melakukan proses ini secara berulang,
algoritma ini diharapkan dapat
mensimulasikan proses evolusioner. Pada
akhirnya, akan didapatkan solusi-solusi
yang paling tepat bagi permasalahan yang
dihadapi.
Page 7
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 7
Genetic Fuzzy Systems
Genetic fuzzy system pada dasarnya
merupakan sebuah sistem fuzzy yang
diperkuat melalui proses pembelajaran
berdasarkan pada evaluasi komputasi,
yang mencakup algoritma genetik.
Algoritma genetik digunakan untuk
membangkitkan atau modifikasi basis data
dari sistem kendali fuzzy. Basis data
meliputi fungsi penskalaan dan fungsi
keanggotaan yang didefinisikan untuk
sistem kendali fuzzy. Pembangkitan atau
modifikasi basis data dilakukan melalui
proses tuning dan atau learning. Proses
tuning merupakan proses untuk mengatur
kembali parameter atau panjang interval
dari sistem kendali fuzzy, yaitu modifikasi
fungsi penskalaan dan fungsi
keanggotaan.Proses learning adalah
proses untuk memodifikasi basis aturan
dari sistem kendali fuzzy (Herrera dkk,
2012).
Tenaga Kerja Indonesia (TKI) atau
Pekerja Migran Indonesia (PMI)
Menurut Undang-Undang Dasar
Republik Indonesia Nomor 39 Tahun
2004 Tentang Penempatan dan
Perlindungan Tenaga Kerja Indonesia di
Luar Negeri Bab I Pasal 1, TKI adalah :
Tenaga Kerja Indonesia yang
selanjutnya disebut dengan TKI adalah
setiap warga negara Indonesia yang
memenuhi syarat untuk bekerja di luar
negeri dalam hubungan kerja untuk jangka
waktu tertentu dengan menerima upah. Calon Tenaga Kerja Indonesia yang
selanjutnya disebut calon TKI adalah
setiap WNI yang memenuhi syarat
sebagai pencari kerja yang akan
bekerja di luar negeri dan terdaftar di
instansi pemerintah kabupaten/kota
yang bertanggungjawab dibidang
ketenagakerjaan.
III. METODOLOGI
3.1 Bahan dan Alat Penelitian
Bahan penelitian yang digunakan
dalam penelitian ini adalah data historis
jumlah penempatan dan kedatangan PMI
asal Jawa Tengah yang diperoleh dari
website BP3TKI.
Alat penelitian untuk membuat
aplikasi peramalan jumlah penempatan
dan kedatangan PMI, dibutuhkan
perangkat keras dan perangkat lunak.
Spesifikasi perangkat keras: processor
Intel(R) Core(TM) i3-501DU CPU @
2.10GHz, RAM 6GB, HDD 500GB,
monitor LCD. Spesifikasi perangkat
lunak: sistem operasi Microsoft Windows
7 Professional 32bit, xampp,
phpmyadmin, apache.
3.2 Tahapan Penelitian
Dalam penelitian ini dijelaskan
beberapa tahapan yang dilakukan seperti
ditunjukkan pada Gambar 3.1.
Gambar 3.1 Tahapan Penelitian
a. Studi Literatur
Mengadakan studi penelaahan terhadap
buku-buku, literatur-literatur, catatan-
catatan, dan laporan-laporan yang ada
hubungannya dengan masalah yang
dipecahkan. Dalam studi literatur ini
untuk mendapatkan gambaran yang
menyeluruh tentang apa yang telah
diteliti orang lain dan bagaimana
mengerjakannya, kemudian seberapa
berbeda penelitian yang akan kita
lakukan, maka peneliti mempelajari
Page 8
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 8
dan membaca literatur-literatur yang
ada hubungannya dengan
permasalahan yang menjadi obyek
penelitian seperti; buku, jurnal, paper
bahkan artikel dari para akademisi.
b. Survei dan Pengumpulan data
Survei ke BP3TKI, untuk melakukan
diskusi dengan petugas yang
menangani masalah penempatan dan
kedatangan PMI ke luar negeri dan
kedatangan PMI dari luar negeri, serta
melakukan pengumpulan (data diambil
dari situs www.bnp2tki.go.id).
Tabel 3.1 Penempatan PMI Berdasarkan
Provinsi
Tabel 3.2 Kedatangan PMI Berdasarkan
Provinsi
c. Pengembangan Model CGFS
Pada tahapan ini dilakukan
pengembangan model kecerdasan
buatan hibrida Clustering-Based
Genetic Fuzzy System (CGFS) untuk
membangun sistem pakar guna
menangani masalah peramalan jumlah
penempatan dan kedatangan PMI.
Dalam model CGFS ini terdiri dari tiga
tahap utama yaitu; pertama,
menggunakan jaringan syaraf Self-
Organizing Maps (SOM) untuk
mengelompokkan data mentah menjadi
sub-populasi dan mengurangi
kompleksitas seluruh jarak data agar
lebih homogen. Kedua, data dalam
kelompok yang berbeda (dibagi dengan
menggunakan teknik SOM) akan
dimasukkan ke dalam genetic fuzzy
system (GFS) independent. Ketiga,
melakukan peramalan jumlah
penempatan dan kedatangan PMI
menggunakan GFS. Ditunjukkan pada
Gambar 3.2.
Data
Pelatihan
Pengelompokkan data menggunakan SOM
Pengkodingan berbasis pengetahuan sistem fuzzy
untuk kromosom
Menginisialisasi generasi awal dan menentukan
parameter input
Komputasi nilai fitness untuk setiap kromosom
Penyortiran kromosom dan menerapkan operator
genetik untuk menghasilkan keturunan yang baru
Mereproduksi populasi baru dengan mengganti
aturan baru yang dihasilkan
Menetapkan data ke kelompok yang
tepat dengan menggunakan SOM
terlatih
Kondisi berhenti ?
Berhenti
Pengujian
data
Menghasilkan nilai perkiraan dengan
menggunakan relasi sistem fuzzy
genetik
Tahap pengujian
Tidak
Ya
Pengembangan Sistem Fuzzy untuk setiap kelompok
Gambar 3.2 Model CGFS (Hadavandi, 2012)
d. Perancangan Sistem (System Design)
Pada tahapan ini peneliti melakukan
rancangan sistem konseptual yang
meliputi; rancangan sistem (System
Page 9
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 9
Design), rancangan database
(Database System Design), rancangan
antarmuka (Interface Design).
1) System Design
Rancangan Use Case Diagram
Gambar 3.3 Rancangan Use Case Diagram
2) Database System Design
Relation Table
Gambar 3.4 Rancangan Tabel Relasi
3) Interface Design a) Rancangan Form Login
Form ini merupakan tampilan awal
pada saat akan masuk ke sistem yang
bertujuan untuk memberikan
keamanan pada sistem aplikasi dari
orang yang tidak berkepentingan.
Form login ini bertujuan untuk
membatasi hak akses sistem, hanya
pengguna (user) yang telah memiliki
account login dan terekam dalam
sistem database yang dapat mengakses
sistem aplikasi ini, sehingga dapat
meminimalisir penggunaan sistem
aplikasi yang menyimpang,
ditunjukkan pada Gambar 3.5.
Gambar 3.5 Rancangan Form Login
b) Rancangan Form Data Penempatan
dan Kedatangan (Data Import)
Dalam rancangan form input ini
difungsikan untuk memasukkan data-
data penempatan dan kedatangan
pekerja migran Indonesia. Dalam form
ini proses pemasukkan data dapat
dilakukan melalui kotak inputan dan
tombol impor data dari file excel.
Ditunjukkan pada Gambar 3.6.
Gambar 3.6 Rancangan Form Penempatan
dan Kedatangan PMI (Data Import)
c) Form Proses Clustering SOM
Form ini merupakan untuk
menampilkan proses pengelompokkan
data penempatan dan kedatangan
dengan metode Self-Organizing Mapss.
Ditunjukkan pada Gambar 3.7.
Page 10
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 10
Gambar 3.7 Rancangan Form Proses
Clustering SOM
d) Form Proses Fuzzyfikasi
Form ini merupakan untuk
menampilkan proses fuzzyfikasi data
dari hasil pengelompokkan (clustering)
jaringan syaraf Self-Organizing Maps.
Ditunjukkan pada Gambar 3.8.
Gambar 3.8 Rancangan Form Proses
Fuzzyfikasi
e) Form Proses Prediksi
Pada rancangan form ini difungsikan
untuk proses prediksi data penempatan
dan kedatangan pekerja migran
Indonesia. Ditunjukkan pada Gambar
3.9.
Gambar 3.9 Rancangan Form Proses Prediksi
f) Form Rekapitulasi Hasil Proses
Prediksi
Rancangan form ini untuk
menampilkan tabel laporan atau
rekapitulasi data hasil proses prediksi.
Ditunjukkan pada Gambar 3.10.
Gambar 3.10 Rancangan Form
Rekapitulasi Hasil Proses Prediksi
IV. HASIL DAN PEMBAHASAN
Hasil dan luaran yang dicapai dari
serangkaian proses penelitian ini dapat
berkontribusi terhadap ilmu pengetahuan
yaitu pengayaan materi dalam perkuliahan
untuk menambah wawasan dan
pengetahuan terkait pengembangan
aplikasi sistem prediksi dan penerapan
model hybrid dengan menggabungkan
metode jaringan syaraf Self-Organizing
Maps dan Genetic Fuzzy System untuk
Page 11
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 11
memprediksi jumlah penempatan dan
kedatangan pekerja migran Indonesia
secara lebih akurat. Hasil dan luaran yang
dicapai adalah sebagai berikut:
Gambar 4.1 Interface Form Daftar Provinsi
Gambar 4.2 Interface Form Daftar Jenjang
Pendidikan
Gambar 4.3 Interface Form Input Penempatan
PMI Berdasarkan Provinsi
Gambar 4.4 Grafik Penempatan PMI
Berdasarkan Provinsi
Gambar 4.5 Interface Form Input Penempatan
PMI Berdasarkan Jenjang Pendidikan
Gambar 4.6 Grafik Penempatan PMI
Berdasarkan Jenjang Pendidikan
Gambar 4.7 Interface Form Kedatangan PMI
Semua
Gambar 4.8 Grafik Kedatangan PMI Semua
Page 12
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 12
I. KESIMPULAN
Dari serangkaian penelitian yang
telah dilakukan, maka dapat diambil
kesimpulan sebagai berikut :
1. Hasil prediksi jumlah penempatan dan
kedatangan pekerja migran Indonesia
dengan model hybrid artificial
intelligence yakni penggabungan
metode jaringan syaraf Self-Organizing
Maps (SOM) dan Genetic Fuzzy
System memiliki nilai keakuratan yang
sangat tinggi.
2. Sistem aplikasi prediksi yang
dikembangkan berbasis web sangat
simple dan mudah untuk dioperasikan
oleh pengguna (user friendly).
3. Hasil prediksi dari sistem aplikasi ini
dapat membantu dan menjadi
pertimbangan pimpinan BP3TKI
dalam menentukan kebijakan strategis
terkait penempatan dan kedatangan
PMI di masa mendatang.
4. Dengan demikian BP3TKI dapat
meningkatkan pelayanan kepada calon
PMI secara berkelanjutan.
J. UCAPAN TERIMA KASIH
Penelitian ini dibiayai oleh Direktorat
Riset dan Pengabdian Masyarakat
Direktorat Jenderal Penguatan Riset dan
Pengembangan Kementerian Riset,
Teknologi, dan Pendidikan Tinggi sesuai
dengan kontrak penelitian tahun anggaran
2018.
Pada kesempatan ini tidak lupa kami
mengucapkan terima kasih kepada :
1. Lembaga Pengembangan Penelitian
dan Pengabdian Masyarakat (LP3M)
STMIK Himsya Semarang;
2. Lembaga Layanan Pendidikan Tinggi
(LLDIKTI) Wilayah VI Jawa Tengah;
3. Direktorat Riset dan Pengabdian
Masyarakat Direktorat Jenderal
Penguatan Riset dan Pengembangan
Kementerian Riset, Teknologi, dan
Pendidikan Tinggi;
4. Balai Pelayanan Penempatan dan
Perlindungan Tenaga Kerja Indonesia
(BP3TKI) Jawa Tengah;
5. Teman-teman sejawat.
REFERENSI
Chang, P.-C., Liu, C.-H., 2008. A TSK type
fuzzy rule based system for stock
price prediction. Expert Syst Appl
34(1), 135–144.
Chang, P.-C., Liu, C.-H., Fan, C.-Y., 2009.
Data clustering and fuzzy neural
network for sales forecasting: a case
study in printed circuit board
industry. Knowl Based Syst 22(5),
344–355.
Cheng, C.-H., Wang, J.-W., Li, C.-H., 2008.
Forecasting the number of outpatient
visits using a new fuzzy time series
based on weighted-transitional
matrix. Expert Syst Appl 34(4),
2568–2575.
Chu, H.H., Chen, T.L., Cheng, C.H., Huang,
C.C., 2009. Fuzzy dual-factor time-
series for stock index forecasting.
Expert Systems with Applications 36,
165–171.
George, S., Atsalakis, Kimon, P., Valavanis,
2009. Surveying stock market
forecasting techniques. Part II. Soft
computing methods, Expert Syst Appl
36(3), 5932–5941.
Hadavandi, E., Ghanbari, A., Shahanaghi, K.,
Abbasian, S., 2011. Tourist arrival
forecasting by evolutionary fuzzy
systems. Tourism Manag. 32(5),
1196–1203.
Page 13
Himsya-Tech, Vol.14 No.2, Juni 2018 – ISSN 1907-2074 13
Hadavandi, E., Shavandi, H., Ghanbari, A.,
Abbasian, S., 2012. Developing a
hybrid artificial intelligence model
for outpatient visits forecasting in
hospitals. Applied Soft Computing
12, 700–711.
Herrera, F., Lozano, M., Verdegay, J.L., 2012
Tuning Fuzzy Logic Controllers by
Genetic Algorithms.
http://decsai.ugr.es/~herrera/Pub-
GFS.html#GFSD, 11 Maretl 2012.
Khashei, M., Bijaria, M., Raissi Ardali, G.A.,
2009. Improvement of auto-
regressive integrated moving average
models using fuzzy logic and
artificial neural networks (ANNs).
Neurocomputing 72 (4–6), 956–967.
Konar, A., 2005. Computational Intelligence:
Principles, Techniques, Springer,
Berlin.
Kumar, Satish, 2005 Neural network : A
Classroom Approach. McGraw-Hill
Education, Asia.
Kusumadewi, S., Purnomo, H., 2004. Aplikasi
Logika Fuzzy untuk Pendukung
Keputusan. Graha Ilmu, Yogyakarta.
Republik Indonesia, 2004 Undang-Undang
Tentang Penempatan dan
Perlindungan Tenaga Kerja Indonesia
di Luar Negeri, Jakarta: Sekretariat
Negara.
Savanandam S. and Deepa S., Introduction to
Genetic Algorithms, Springer, Berlin,
2008.
Singh, S.R., 2007. A simple method of
forecasting based on fuzzy time
series. Applied Mathematics and
Computation 186, 330–339.
Timma K., “Forecasting Using Neural
Networksand Genetic
Algorithms,”Kanwal Rekhi School
ofInformation Technology, Indian
Institute of Technology, Bombay,
2004.
Xihao, S., Yimin, L., 2008. Average-based
fuzzy time series models for
forecasting Shanghai compound
index. World Journal of Modelling
and Simulation 4, 104-111.
Yu, H.K., 2005. Weighted fuzzy time series
models for TAIEX forecasting.
Physica A 349(3–4), 609–624.
Zimmermann, H.-J., 1991. Fuzzy Set Theory
and Its Application. Kluwer
Academic Publisher, Dordrecht.
http://www.bnp2tki.go.id/read/8992/BP3TKI-
LP3TKI-dan-P4TKI-Nama-dan-
Alamat-Seluruh-Indonesia.html