PROPOSAL TESIS
PREDIKSI KEPADATAN KENDARAAN PADA HARI RAYA IDUL FITRI MENGGUNAKAN METODE ANFIS
Disusun oleh: Nama NIM Konsentrasi
: Rendy Bagus Pratama : 17.52.0936 : Business Intelligence
PROGRAM STUDI S2 TEKNIK INFORMATIKA PROGRAM PASCASARJANA UNIVERSITAS AMIKOM YOGYAKARTA YOGYAKARTA 2018
HALAMAN PERSETUJUAN
PREDIKSI KEPADATAN KENDARAAN PADA HARI RAYA IDUL FITRI MENGGUNAKAN METODE ANFIS PREDICTION OF VEHICLE DENSITY ON EID AL-FITR USING ANFIS METHOD
Dipersiapkan dan Disusun oleh Rendy Bagus Pratama 17.52.0936
Telah disetujui oleh Tim Dosen Pembimbing Tesis pada tanggal 1 Agustus 2018
Pembimbing Utama
Pembimbing Pendamping
Prof. Dr. Ema Utami, S.Si., M.Kom. NIK.190302037
Ferry Wahyu Wibowo, S.Si., M.Cs. NIK. 190302235
ii
1. LATAR BELAKANG MASALAH Peningkatan penggunaan kendaraan bermotor dari tahun ke tahunnya. Terutama kendaraan pribadi baik roda-4 maupun roda-2 yang tidak diimbangi dengan pembanguanan akses kendaraan seperti jalan raya yang butuh pelebaran dan juga perbaikan, lahan parkir yang tidak memadai hingga terjadinya parkir di bahu jalan, persimpangan tanpa lampu lalu lintas yang membuat jalan raya semakin padat bahkan tidak jarang terjadi kemcetan saat hari besar dan hari libur nasional. Seperti contohnya saat libur lebaran terjadi kepadatan arus lalu lintas saat arus mudik dari tahun ke tahun pun sama, dengan berkembangnya teknologi saat ini kepadatan arus lalu lintas yang terjadi dapat diprediksi sehingga akan mempermudah untuk antisipasi di masa yang akan datang. Dengan adanya sistem informasi yang mampu memprediksi tentunya akan membuat dinas tekait lebih mudah mengantisipasi kemacetan sehingga dapat dibuatkan pengalihan arus lalu lintas lebih awal ataupun rekayasa lalu lintas untuk mengatasi kepadatan arus lalu lintas yang akan terjadi. Sistem prediksi ini dibuat dengan menggunakan penghitungan dari algoritma ANFIS (Adaptive Neuro-Fuzzy Inference System), adalah penggabungan mekanisme Fuzzy Inference System yang digambarkan dalam arsitektur jaringan syaraf. Sistem Inferensi Fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang(TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi (Anton Adi S, 2000).
1
Karena data yang berubah setiap tahunnya akan menjadi sebuah kendala dalam penelitian, maka dalam penelitian ini peneliti memilih metode ANFIS karena sifat dari ANFIS sendiri yang adaptive dimana jika ada perubahan nilai parameter maka dari sifat adaptive ANFIS akan terkoneksi dengan Neuron yang juga ada dalam metode ANFIS dalam menentukan hasil prediksi. Selain ANFIS ada metode lain yaitu metode Backpropagation namun dalam metode Backpropagation bersifat statis, tidak dapat adaptive dengan perubahan yang terjadi pada nilai parameter. Beberapa penelitian dengan analisis sistem yang terkait dengan prediksi menggunakan anfis dengan berbagai kasus berbeda. Seperti yang telah dilakukan oleh (Ma Jengqzang, dkk, 2018) penelitian mengevaluasi keselamatan berkendara dijalan raya menggunakan Metode ANFIS. Dalam penelitian tersebut penulis mengangkat tema tentang kecelakaan lalu lintas di jalan raya yang setiap tahunnya meningkat, dalam jurnal ini penelitian dilakukan dengan menambahkan parameter kecepatan rata-rata pengguna jalan, muatan setiap kendaraan di jalan, perilaku pengguna jalan, dan kepadatan jalan. Tujuan dibuatnya penelitian ini bukan untuk memprediksi kepadatanatau faktor yang mengurangi tingkat kecelakaan kedepannya, namun hanya menghasilkan faktor rata-rata penyebab tingginya kecelakaan lalu lintas di jalan raya. Berikutnya penelitian yang dilaukan oleh (Majid Morshedizadeh, dkk 2018) tentang prediksi daya turbin angin menggunakan perpaduan jaringan MLP dan ANFIS. Penelitian inni algoritma disulkan untuk mengaitkan nilai-nilai yang hilang, dan keluar dari jalur. Hal ini menunjukkan bahwa kombinasi yang tepat dari pohon keputusan dan nilai rata-rata untuk imputasi dapat meningkatkan analisis
2
data dan kinerja prediksi dengan pembuatan kumpulan data. Pengumpulan data yang dilakukan dalam penelitian ini selama 20 bulan untuk 21 lapangan yang diatur turbin 2,3MW. Sistem yang akan dibuat memungkinkan deteksi kinerja kinerja yang buruk dan anomali diawal. Ini memungkinkan pengoptimalisasi operasi yang lebih proaktif dan strategis. Untuk pra-memproses data untuk pelatihan, nilai-nilai yang hilang dan pencilan diganti dengan nilai yang diperhitungkan. Selanjutnya ada penelitian dari (Evanita, dkk, 2016) berjudul prediksi volume lalu lintas angkutan lebaran pada wilayah jawa tengah dengan metode KMeans Clustering untuk ANFIS dan (Noor Azizah, dkk, 2013) tentang metode anfis untuk prediksi tingkat layanan jalan. Dalam kedua sistem informasi yang dibuat tersebut sama-sama mengangkat parameter dimana volume jalan raya yang tidak sebanding dengan jumlah kendaraan yang lalu lalang saat ini. Bahkan meski bukan hari lebaran kepadatan kendaraan bermotorpun juga terkena kepadatan lalu lintas. Ini
membuktikan
buruknya
pemerintahan
dalam
lambatnya
melakukan
pembangunan dalam hal akses moda transportasi. Tetapi pada kedua penelitian ini mempunyai output yang berbeda dimana pada jurnal Evanita adalah prediksi yang mungkin bisa menjadi laternatif solusi langkah apa yang akan dilakukan di tahun selanjutnya agara pelayanan lalu lintas lebih baik. Sedangkan pada penelitian Noor Azizah adalah prediksi tingkat layanan jalan dengan nilai yang didapat dapat membangun prediksi dikemudian hari.
3
2. RUMUSAN MASALAH Berdasarkan latar belakang kebutuhan dalam memprediksi kejadian yang akan datang maka rumusan masalah yang diajukan sebagai berikut: a. Bagaimana menentukan bobot yang optimal supaya dapat dipakai setiap tahunnya? b. Berapa tingkat akurasi yang akan dihasilkan dengan menggunakan algoritma ANFIS? c. Faktor-faktor apa yang akan mempengaruhi perbedaan dari hasil-hasil yang diperoleh dari penghitungan tersebut?
3. BATASAN MASALAH Batasan masalah dalam penelitian ini sebagai berikut: a. Data yang digunakan dalam penelitian hanya roda 2, roda 4, dan diatas roda 4 b. Data kepadatan kendaraan saat arus mudik lebaran pada tahun 2014-2018 di Kota Kediri c. Penelitian ini tidak menghasilkan langkah apa yang harus ditempuh oleh Dinas Perhubungan Kota Kediri
4
4. TUJUAN PENELITIAN Berdasar pada rumusan masalah, tujuan penelitian ini adalah sebagai berikut: a. Menyajikan nilai bobot maksimal dengan dilakukan uji pada data yang sudah ada pada tahun sebelumnya dimana pada nilai dari parameter tersebut dapat berubah dari tahun ke tahun. b. Mencari nilai bobot parameter yang akan menjadi nilai untuk sistem prediksi agar mendapat margin yang sesuai dengan masalah yang dihadapi. c. Memprediksi kepadatan kendaraan pada arus mudik lebaran ditahun 2019, 2020, dan seterusnya. d. Faktor yang mempengaruhi nilai-nilai setiap parameter diantaranya lebar jalan yang berubah, dan jumlah traffic light.
5. MANFAAT PENELITIAN Penelitian yang dilaukan berharap dapat manfaat: a. Tidak terjadi kepadatan atau kemacetan di lokasi yang sudah diprediksi terjadi kepadatan b. Tingkat margin error dari algoritma ANFIS apakah sudah memuaskan atau masih kurang c. Sistem informasi dapat digunakan di lokasi lain tentunya hanya dengan merubah nilai dari setiap parameter yang digunakan
5
6. TINJAUAN PUSTAKA Pada bagian ini peneliti memaparkan penelitian terdahulu yang terkait dan menjadi acuan penueliti dalam menulis: a. Penelitian yang dilakuakan oleh (Ma Jengqzang, dkk, 2018) penelitian mengevaluasi keselamatan berkendara dijalan raya menggunakan metode anfis. Dalam penelitian tersebut penulis mengangkat tema tentang kecelakaan lalu lintas di jalan raya yang setiap tahunnya meningkat, dalam jurnal ini penelitian dilakukan dengan menambahkan parameter kecepatan rata-rata pengguna jalan, muatan setiap kendaraan di jalan, perilaku pengguna jalan, dan kepadatan jalan. b. Penelitian yang dilakuakan oleh (Majid Morshedizadeh, dkk 2018) prediksi daya turbin angin menggunakan perpaduan jaringna MLP dan ANFIS. Penelitian inni algoritma disulkan untuk mengaitkan nilai-nilai yang hilang, dan keluar dari jalur. Hal ini menunjukkan bahwa kombinasi yang tepat dari pohon keputusan dan nilai rata-rata untuk imputasi dapat meningkatkan analisis data dan kinerja prediksi dengan pembuatan kumpulan data. Pengumpulan data yang dilakukan dalam penelitian ini selama 20 bulan untuk 21 lapangan yang diatur turbin 2,3MW. Sistem yang akan dibuat memungkinkan deteksi kinerja kinerja yang buruk dan anomali diawal. Ini memungkinkan pengoptimalisasi operasi yang lebih proaktif dan strategis. Untuk pra-memproses data untuk pelatihan, nilainilai yang hilang dan pencilan diganti dengan nilai yang diperhitungkan. c. Penelitian yang dilakuakan oleh (Evanita, dkk, 2016) berjudul prediksi volume lalu lintas angkutan lebaran pada wilayah jawa tengah dengan metode K-Means Clustering untuk ANFIS penelitian ini mengankat parameter buruknya dan
6
kurangnya akses dalam lalu lintas jalan raya, seperti jalan yang kecil, jalan rusak, rambu lalu lintas yang rusak, dan lampu rambu lalu lintas yang tidak berfungsi dengan normal. d. Penelitian yang dilakuakan oleh (Noor Azizah, dkk, 2013) tentang metode anfis untuk preiksi tingkat layanan jalan dimana dalam penelitian ini tentang nformasi lalyana jalan yang sangat kurang sehingga menyebabkan ketidaktahuan para pengguna jalan. Anfis disini berfungsi sebagai pemprediksi titik titik mana saja yang sesuai untuk dipasang rambu-rambu jalan.
7. LANDASAN TEORI 7.1. Kepadatan Lalu Lintas Kemacetan adalah kondisi dimana arus lalu lintas yang lewat pada ruas jalanyang ditinjau melebihi kapasitas rencana jalan tersebut yang mengakibatkan kecepatan bebas ruas jalan tersebut mendekati atau melebihi 0 km/jam sehingga menyebabkan terjadinya antrian. Pada saat terjadinya kemacetan, nilai derajat kejenuhan pada ruas jalan akan ditinjau dimana kemacetan akan terjadi bila nilai derajat kejenuhan mencapai lebih dari 0,5 (MKJI, 1997). Jika arus lalu lintas mendekati kapasitas, kemacetan mulai terjadi. Kemacetan semakin meningkat apabila arus begitu besarnya sehingga kendaraan sangat berdekatan satu sama lain. Kemacetan total terjadi apabila kendaraan harus berhenti atau bergerak sangat lambat ( Ofyar Z Tamin, 2000 ). Lalu-lintas tergantung kepada kapasitas jalan, banyaknya lalu-lintas yang ingin bergerak, tetapi kalau kapasitas jalan tidak dapat menampung, maka lalu-
7
lintas yang ada akan terhambat dan akan mengalir sesuai dengan kapasitas jaringan jalan maksimum (Budi D.Sinulingga, 1999). Kemacetan lalu lintas pada ruas jalan raya terjadi saat arus kendaraan lalu lintas meningkat seiring bertambahnya permintaan perjalanan pada suatu periode tertentu serta jumlah pemakai jalan melebihi dari kapasitas yang ada (Meyer et al ,1984). 7.2. ANFIS (Adaptive Neuro-Fuzzy Inference System) Merupakan penggabungan dari Logika Fuzzy dan Jaringan Syaraf Tiruan (JST). Logika fuzzy memilikikelebihan dalam memodelkan aspek kualitatif dari pengetahuan manusia dan proses pengambilan keputusan dengan menerapkan basis aturan (rules). JST memiliki kelebihan dalam mengenali pola, belajar dan berlatih dalam menyelesaikan suatu permasalahan
tanpa
memerlukan
pemodelan
matematik. Serta dapat bekerja berdasarkan data historis yang dimasukkan kepadanya dan dapat melakukan prediksi kejadian yang akan datang berdasarkan data-data tersebut. Sehingga ANFIS memiliki kemampuan keduanya (Jang ,dkk., 1997). Framework dari metode ANFIS mempunyai lima layer, yaitu layer Fuzzifikasi, layer rule, layer Normalisasi, layer Defuzzifikasi, dan hasil Neurotunggal (Ata and Kocyigit, 2010) 7.2.1. Level Of Service (LOS) Tingkat pelayanan jalan (Level Of Service) menunjukkan ukuran kualitas suatu jalan (mempertimbangkan faktor kenyamanan dan geometrik jalan), dan digunakan sebagai ukuran untuk membatasi volume lalu lintas suatu jalan (MKJI, 1997). Tingkat pelayanan jalan dapat dihitung dengan melakukan perbandingan
8
antara volume lalu lintas dan kapasitas jalan. Adapun rumus perhitungannya seperti pada persamaan (1) : 𝑉
LOS =𝐶 Keterangan : LOS
(1) : level of service
V
: volume lalu lintas (smp/jam)
C
: kapasitas Jalan (smp/jam)
Adapun tingkat pelayanan (Level Of Service) ada enam tingkat,seperti yang ditunjukkan pada Tabel 1 (MKJI, 1997) Tabel 1. Tingkat Pelayana LOS No
Kelas Tingkat Pelayana
𝑉
Nilai Ratio 𝐶
1
A (sangat baik)
< 0,6
2
B (baik)
0,6 – 0,7
C (sedang) D (buruk)
0,7 – 0,8
3 4 5
E (sangat buruk)
0,8 – 0,9 >0,9
Karakteristik Arus Lalu Lintas a. Arus lalu lintas bebas b. Volume lalu lintas rendah c. Kecepatan tinggi, pemakai dapat memilih kecepatan yang dikehendaki a. Arus lalu lintas stabil b. Kecepatan sedikit terbatas karena peningkatan volume lalu lintas a. Arus lalu lintas stabil b. Kecepatan dikontrol oleh volume lalu lintas a. Arus lalu lintas tidak stabil b. Kecepatan rendah a. arus lalu lintas tidak stabil b. kecepatan sangat rendah, banyak kendaraan berhenti c. volume lalu lintas diatas kapasitas
7.2.2. Uji Performa Statistik Pengukuran performa statistik berikutnya yaitu menggunakan MAPE, yaitu dengan melakukan perhitungan perbedaan antara data asli dengan data hasil peramalan. Perbedaan tersebut diabsolutkan kemudian dihitung kedalam bentuk persentase terhadap data asli. Pengukuran performa statistic dengan MAPE dapat dilihat pada persamaan (2),(Vanajakshi and Rilett, 2004) : 9
∑
MAPE =
|𝑦𝑖−𝑦𝑗| 𝑦𝑖
𝑛
x100
(2)
Keterangan : yi : nilai data aktual yj: nilai data prediksi n : jumlah data
7.2.3. Alur Proses Metode
Pembagian Data (Jumlah kendaraan, nilai parameter)
Pembentukan Matriks Awal (menggunakan Metode FCM)
Menghitung Pusat Cluster (matriks awal, kemudian hitung pusat cluster dengan menggunakan persamaan)
Perbaikan Derajat Keanggotaan (Setelah didapatkan pusat cluster, kemudian dilakukan perbaikan derajat keanggotaan berdasarkan persamaan)
Menghitung Fungsi Obyektif (matriks baru selanjutnya dilakukan pencarian nilai fungsi obyektif menggunakan persamaan)
Gambar 1. Alur Proses Metode
10
8. KEASLIAN PENELITIAN Tabel 2. Matriks literatur review dan posisi penelitian Prediksi Kepadatan Kendaraan pada Hari Raya Idul Fitri Menggunakan Metode ANFIS No
Judul
1
Road Safety Evaluation From Traffic Information Based On ANFIS
2
ANFIS Based Modeling And Prediction Car Following Behavior In Real Traffic Flow Based On Instantaneous Reaction Delay
Peneliti, Media Publikasi, dan Tahun
Tujuan Penelitian
Kesimpulan
Saran atau Kelemahan
Perbandingan
Ma jengqzang, Pan chunzi, dan Wang yongqjang,Proceedings of the 27 th Chinese Control Conference, 2018
Untuk meningkatkan tingkat keselamatan di jalan.
mengevaluasi tingkat keamanan di jalan bebas hambatan berdasarkan ANFIS. ANFIS diterapkan dalam makalah ini didasarkan pada model fuzzy Sugeno zero-order yang tertanam dalam kerangka jaringan adaptif
Tidak adanya parameter yang digunaan dalam metode ANFIS.
Penelitian yang akan dibuat adalah memprediksi ditahun mendatang kepadatan yang akan terjadi.
Alireza Khodayari, Ali Ghaffari, Reza Kazemi, and Negin Manavizadeh, Annual Conference on Intelligent Transportation Systems Madeira Island, Portugal, September 19-22, 2015
Memprediksi perilaku pengemudi dengan DVU(Driver Vehicle Unit) dan tanpa DVU(Driver Vehicle Unit)
Metode yang diusulkan dapat direkrut dalam perangkat asisten pengemudi, pengamat jarak jauh yang aman
Data yang digunakan adalah data instan Hasil simulasi lebih menonjol kearah pemodelan daripada prediksi untuk masa depan
Penelitian yang akan dilakukan melakukan penghitungan ANFIS secara berulang hinggan mendapat prediksi dengan tingat akurasi tinggi
11
Tabel 2. (Lanjutan) No
Judul
3
Power Production Prediction Of Wind Turbinesusing A Fusion Of MLP And ANFIS Networks
4
Prediksi Volume Lalu Lintas Angkutan Lebaran Pada Wilayahjawa Tengah Dengan Metode K-Means Clustering Untuk adaptive Neuro Fuzzy Inference System (ANFIS)
Peneliti, Media Publikasi, dan Tahun
Saran atau Kelemahan
Tujuan Penelitian
Kesimpulan
Perbandingan
Majid Morshedizadeh , Mojtaba Kordestani , Rupp Carriveau , David S.-K. Ting , Mehrdad Saif, The Institution of Enginering and Technology, 2018
Prediksi produksi daya turbin. Prediksi ini dibuat dalam skala interval satu jam.
Data baru diterapkan, menggabungkan dinamis multilayer perceptron (mlp) dan adaptif neuro-fuzzy inference system (anfis) jaringan untuk memprediksi kinerja masa depan turbin angin.
Tidak menggunakan parameter, hanya berdasarkan datadata yang diperoleh sebelumnya, karena memang tidak ada pengaruh perbedaan tiap data
Karena obyek yang diteliti dapat terjadi perubahan dengan interval pertahun yang menjadi pembeda aalah parameter dan nilai parameter yang berbedabeda
Evanita, Edi Noersasongko, Ricardus Anggi Pramunendar, Jurnal SIMETRIS, Vol 7 No 1 April 2016
Menjadi alternatif solusi langkah apa yangakan dilakukan di tahun selanjutnya agar pelayanan lalu lintas lebih baik lagi
Dengan input parameter ANFIS yang digunakan yaitu pengclusteran hingga 5 cluster, epoch 100, error goal 0 diperoleh performa terbaik ANFIS dengan K-Means clustering yang terbagi menjadi 3 cluster, epoch terbaik sebesar 20 dengan RMSE Training terbaik sebesar 0,1198, RMSE Testing terbaik sebesar 0,0282 dan waktu proses tersingkat sebesar 0,0695
Tidak disebutkan secara rinci pelayanan dalam bentuk apa saja yang perlu ditingkatkan.
Jika pada penelitian ini mengangkat tentang pelayanan lalu lintas, di penelitian yang akan dibuat adalah prediksi kepadatan yang akan terjadi di tahun berikutnya
12
Tabel 2. (Lanjutan) No
Judul
Peneliti, Media Publikasi, dan Tahun
5
Metode Adaptive Neuro Fuzzy Inference System (ANFIS) untuk Prediksi Tingkat Layanan Jalan
6
Implementasi Adaptive NeuroFuzzy Inference System (ANFIS) Untuk Peramalan Pemakaian Air Diperusahaan Daerah Air Minum Tirta Moedal Semarang
Tujuan Penelitian
Kesimpulan
Saran atau Kelemahan
Perbandingan
Noor Azizah , Kusworo Adi , Achmad Widodo, Jurnal Sistem Informasi Bisnis 03(2013)
Tingkat pelayanan pada suatu jalan berdampak pada ukuran kualitas suatu jalan dan digunakan sebagai ukuran untuk membatasi volume lalu lintas suatu jalan
Penelitian menunjukkan bahwa metode yang diusulkan dapat digunakan untuk membangun sebuah prediksi tingkat layanan jalan dengan nilai RMSE dan MAPE terbaik yang diperoleh masingmasing adalah 0,0106209 dan 0,93158%
Nilai yang digunakan dalam parameter hanya 1 nilai, dan data yang dibuat acuan hanya 1 model data saja sehingga kurang optimal dalam memprediksi tingkat kemacetan.
Parameter yang digunakan lebih banyak, serta nilai dari parameter akan ada bervariasi, karena digunakan untuk prediksi di masa yang akan datang
Ulfatun Hani’ah, Skripsi jurusan Matematika, Universitas Negeri Semarang, 2015
Untuk mengimplementasikan metode Adaptive Neuro-Fuzzy Inference System dalam peramalan pemakaian air.
Pengimplementasian metode Adaptive Neuro-Fuzzy Inference System dalam peramalan pemakaian air yang pertama adalah membuat rancanganflowchart, melakukan clustering data menggunakan fuzzy C-Mean, menentukan neuron
Dari hasil peramalan pemakaian air menggunakan metode ANFIS pada Tahun 2015 cenderung naik
Penghitungan dilakukan secara berulang namun data yang digunakan hanya satu, namun dengan banyak parameter dengan nilai yang bervariasi
13
Tabel 2. (Lanjutan) tiap-tiap lapisan, mencari nilai parameter dengan menggunakan LSE rekursif, lalu penentuan perhitungan error menggunakan sum square error (SSE)
14
9. METODE PENELITIAN 9.1. Jenis, Sifat dan Pendekatan Penelitian 9.1.1. Jenis Penelitian Jenis penelitian adalah penelitian kuantitatif, Burhan Bungin (2015) peneletian kuantitatif menjadi faktor penting dalam proses penelitian itu sendiri. Bahwa sebagian dari kegiatan penelitian adalah proses teori atau proses berteori. Pada proses penelitian ini melakukan proses analisis deduktif untuk mencobamenjawab permasalahan yang sedang dihadapi. Pada penelitian kuantitatif, teoriatau paradigma teori digunakan untuk mentukan peneliti menemukan masalah penelitian, menemukan hipotesis, menemukan konsep, menemukan metodologi dan menemukan alat analisis data. Penelitian ini merupakan penelitian yang dilakukan secara mandiri menggunakan metode deskripsif dan eksperimen. Dari data yang diperoleh kemudian dibandingkan dengan data yang diuji. Obyek yang diteliti yaitu prediksi kepadatan kendaraan saat lebaran. Hasil dari analisis kemudian dibandingkan antara tahun awal dengan tahun berikutnya. Penghitungan dilakukan secara berulang dengan menggunakan parameter arameter yang berbeda agar mendapat hasil yang optimal. 9.1.2 . Sifat Penelitian Dilihat
dari
segi
sifatnya
penelitian
ini
adalah
penelitian
bersifatkuantitatif.Ade Djohar Maturidi (2012) penelitian yang dilakukan harus bisadiukur berdasarkan argumentasi ilmiah sehingga kesimpulan yang dibuat secara rasional didasarkan pada bukti-bukti yang tersedia. Penelitian
15
tersebut juga harus didukung oleh pengembangan konsep dan teori agar hasilnya dapat dipertangungjawabkan secara ilmiah.
16
9.2. Metode Pengumpulan Data Dalam penelitian ini, pengumpulan data yang akan digunakan menggunakan beberapa langkah yang berkaitan dengan metode penelitian tersebut yaitu dengan meotode observasi, dan studi literatur atau kepustakaan a. Observasi Jonathan (2006) observasi adalah metode pengumpulan data melalui pengamatan yang cermat dan teliti secara langsung terhadap gejala-gejala yang diselidiki. Observasi yang digunakan adalah observasi langsung, yaitu untuk memperoleh data dari subjek penelitian dengan pengamatan aktifitas langsung di lokasi. Yaitu penelitian dengan melakukan pengamatan secara mendalam dan menyeluruh mengenai hal-hal yang berkaitan dengan objek penelitian dengan berinteraksi social antara peneliti dan obyek penelitian selama pengumpulan data. Selanjutnya dapat dilakukan observasi yang bertujuan untuk mendapatkan informasi lebih lanjut dan membuat sistem prediksi kepadatan kendaraan saaat lebaran tahun depan sehingga didapatkan data yang akurat. b. Studi literatur atau kepustakaan Burhan Bungin (2005) pada peneltian kuantitatif adalah suatu tahap yang harus dilakukan karena tahap ini bagian penting untuk. Menentukan "state of the art" sebuah langkah mutakhir dari penelitian yang akan dilakukan ini, dimana penelitian yang akan dilakukan dapat dibedakan dengan penelelitian yang lainnya. Jadi tinjauan pustaka ini dilakukan juga untuk melihat dimana posisi teoritis yang akan dikembangkan.
17
Peneliti melakukan pencarian literatur dan pengumpulan materi yang berkaitan dari buku, jurnal dan referensi lainnya yang yang terkait dengan sistem inventory manajemen gudang. Sehingga diperoleh literatur yang sesui dengan obyek peneltian. 9.3. Metode Analisis Data Hasibuan (2007) menjelaskan bahwa analisis data adalah proses mengatur urutan data, mengorganisasikannya ke suatu pola, katagori dan kesatuan uraian dasar. Hasib yang membedakan dengan penafsiran, yaitu memberikan arti yang signifikan terhadap data, menjelaskan pola uraian dan mencari hubungan di antaradimensi-dimensi uraian. Pada tahapan penelitian ini akan dilakukan proses analisis data dari data yang telah diperoleh sebagai bahan penelitian. Analisis data merupakan proses penyederhanaan data dalam bentuk yang lebih mudah dibaca dan diimplementasikan. Analisa data diperlukan untuk mengetahui seberapa besartingkat akurasi data yang diperoleh dari subyek penelitian. Dalam perencanaan penghitungan prediksi kepadatan kendaraan pada saat lebaran akan ada data dari tahun 2014-2018. Dari tahun ke tahun ada perubahan data, ini akan mebuat perhitungan menjadi tidak sama, maka dari itu peneliti menambahkan parameter dengan nilai yang berbeda-beda setiap tahunnya hingga didapat nilai yang hampir sama dengan tahun yang berbeda
18
9.4 . Alur Penelitian
Gambar 2. Alur Penelitian 19
10. SISTEMATIKA PENULISAN Secara garis besar, penulisan penelelitian ini tersusun atas beberapa bab sepertiberikut ini: BAB I PENDAHULUAN Bab ini berisi uraian latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, dan manfaat penelitian, BAB II TINJAUAN PUSTAKA Bab ini berisi tinjauan pustaka, keaslian penelitian, dan landasan teori. Tinjauan pustaka merupakan uraian hasil-hasil penelitian sebelumnya yang melatar belakangi penelitian yang akan dilakukan, sedangkan landasan teori pada penelitian untuk memprediksi kepadatan kendaraan pada tahun-tahun berikutnya. BAB III METODE PENELITIAN Bab ini berisi jenis, sifat, dan pendekatan penelitian, metode pengumpulan data yang digunakan adalah wawancara dan observasi, metode analisis data menggunakan metode ANFIS unutk sistem prediksi, dan alur penelitian. BAB IV HASIL PENELITIAN DAN PEMBAHASAN Bab ini menjelaskan hasil penelitian yang menghasilkan suatu prediksi di masa depan dan pembahasan dari penghitungan penelitian yang telah dilakukan. BAB V PENUTUP Bab ini berisi kesimpulan dan saran yang diharapkan bermanfaat untuk penelitian selanjutnya.
20
11. RENCANA JADWAL PENELITIAN Tabel 3. Rencana Jadwal Penelitian Bulan No
Tahapan
Target Output
Juli
Agustus
September
Oktober
November
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1
Analisis Masalah
Identifikasi Masalah Metode yang digunakan
akan
Perumusan Masalah 2
3
Studi Literatur
Pengumpulan Data
Pemahaman Penelitian
Lingkup
Mempelajari ANFIS
Metode
Data tahun 2014-2018 Data pada H-1 s.d H+3 pada arus mudik lebaran di Kota Kediri
4
Pengolahan Data
Data 2014 dihitung untuk mendapatkan prediksi 2015 dengan nilai parameter pertama 21
Tabel 3. Lanjutan Bulan No
Tahapan
Target Output
Juli
Agustus
September
Oktober
November
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Pencocokan data prediksi 2015 dengan data asli 2015 Didapat selisih dari setiap nilai parameter yang berbeda 5
Analisa Hasil
Hasil prediksi dari setiap nilai parameter disatukan dalam satu tabel Dipilih nilai parameter yang dengan tingkat margin erorr terendah Nilai parameter yang terpilih akan menjadi acuan untuk memprediksi kepadatan pada tahuin 2019, 2020, dan seterusnya.
22
Tabel 3. Lanjutan Bulan No
Tahapan
Target Output
Juli
Agustus
September
Oktober
November
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 6
Laporan Hasil
Hasil penelitian berupa tabel prediksi kepadatan jalan raya pada tahun 2019, 2020, dan seterusnya.
23
DAFTAR PUSTAKA
PUSTAKA BUKU Drs. H. Malayu, S.P. Hasibuan, 2007. Manajemen Sumber Daya Manusia. Jakarta : Cetakan 9. PT. Bumi Aksara Efraim Turban, dkk. 2005. Decision Support Systems and Intelligent Systems.Yogyakarta: ANDI Jonathan, Sarwono. 2006. Metode Penelitian Kuantitatif dan Kualitatif. Yogyakarta :Graha Ilmu Kusrini, luthfi taufiq Emha, (2009), Algoritma Data Mining, Penerbit Andi,Yogyakarta Kusumadewi, S., 2004, Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link. Graha Ilmu, Narbuko, Cholid, dan H.Abu Achmadi. 1997. Metodologi Penelitian. Jakarta: Bumi Aksara. Sinulingga, Budi, D., Ir., M.Si., 1999, Pembangunan Kota (tinjauan regional danlokal), Penerbit Pustaka Sinar Harapan, Medan. Yogyakarta.Kusrini, M.Kom 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan.Yogyakarta: ANDI
PUSTAKA MAJALAH, JURNAL ILMIAH ATAU PROSIDING Azizah, N., Adi, K., Widodo, A., 2013, Metode Adaptive Neuro Fuzzy Inference System untuk Prediksi Tingkat Layanan Jalan, Jurnal Sistem Informasi Bisnis UNDIP, Semarang Evanita, Noersasongko, E., Pramunendar, R.A., 2016, Prediksi Volume Lalu Lintas Angkutan Lebaran Pada Wilayahjawa Tengah Dengan Metode K-Means Clustering Untukadaptive Neuro Fuzzy Inference System (Anfis), Jurnal Simetris, Vol 7 No 1 April 2016 Khodayari, A., ett all, 2010, ANFIS Based Modeling and Prediction Car Following Behavior inReal Traffic Flow Based on Instantaneous Reaction Delay, Annual Conference on Intelligent Transportation Systems Madeira Island, Portugal, September 19-22, 2010
Morshedizadeh, M., ett all, 2018, Power production prediction of wind turbinesusing a fusion of MLP and ANFIS networks, IET Renewable Power Generation, Canada Zengqiang, M., Chunzhi, P., Yongqiang, W., 2018, Road Safety Evaluation from Traffic Information Basedon ANFIS, Proceedings of the 27 th Chinese Control Conference, China
PUSTAKA LAPORAN PENELITIAN Ade Djohar Maturidi. 2014. Metode Penelitian Teknik Informatika. Yogyakarta: Deepublish. Bungin, Burhan. (2015), Metodologi Penelitian Kualitatif: Depok, Rajagrafindo Pustaka. Direktorat Jenderal Bina Marga, 1997, Manual Kapasitas Jalan Indonesia (MKJI), Jakarta Meyer, M.D and Miller E.J, 1984, Urban Transportation ADecisionOriented Approach. McGraw-Hill, New York.
Planning:
Setiawan, A. (2009). Analisis Pengukuran Kepadatan Kendaraan PadaRekaman Video Digital. Teknik Elektro Universitas Udayana, Denpasar. Tamin, Ofyar, Z. 2000. Perencanaan Bandung,Indonesia: Penerbit ITB
dan
Permodelan
Transportasi.