MODEL HYBRID ARTIFICIAL INTELLIGENCE UNTUK …

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


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


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


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


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


(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)


( ) ( ‖ ‖

( )) (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)


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.


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


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


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


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.



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.


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.


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


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


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


(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.


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


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

MODEL HYBRID ARTIFICIAL INTELLIGENCE UNTUK …

Documents