Sistem informasi prediksi harga kebutuhan bahan pokok menggunakan metode KNN

1. 1
SISTEM INFORMASI PREDIKSI HARGA KEBUTUHAN BAHAN
POKOK MENGGUNAKAN METODE K-NEAREST NEIGHBOUR
Abd. Charis Fauzan1
Sofi Dwi Purwanto2
Agus Wahyudi3
Fadzila Yudi Mardana4
Jurusan Teknik Informatika, Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim
Jalan Gajayana 50 Malang 65144, Indonesia
Email : fauzancharis@gmail.com1
, dwihayyana@gmail.com2
, you.dikz99@gmail.com3
,
fadzilayudi@gmail.com4
ABSTRAK
Kesulitan untuk mngakses informasi mengenai harga kebutuhan bahan pokok dibeberapa daerah di
Indonesia menyebabkan banyak oknum tengkulak nakal yang menipu para petani dengan membeli hasil panen
dengan harga jauh dibawah harga jual dipasaran. SIPUT BANKOK (Sistem Informasi Prediksi Kebutuhan
Bahan Pokok) dibangun agar dapat dimanfaatkan tidak hanya sekedar untuk memberikan informasi, namun
juga dapat memprediksi fluktuasi harga kebutuhan bahan pokok dimasa mendatang. Aplikasi dibangun dengan
mengimplementasikan metode k-nearest neighbor menggunakan 4 parameter input yang meliputi Gross
Domestic Product (GDP) atau Produk Domestik Bruto (PDB), inflasi, kurs valuta asing atau nilai tukar rupiah
terhadap dollar Amerika (USD) dan jumlah uang beredar dengan output harga ke-12 komoditas bahan pokok
yang meliputi bawang merah, beras medium, cabai merah biasa, cabai merah keriting, daging ayam broiler,
daging sapi, gula pasir, kedelai impor, kedelai lokal, minyak goreng curah, telur ayam ras dan tepung terigu.
Sumber data yang digunakan berasal dari open data mengenai harga kebutuhan bahan pokok nasional yang
diperoleh dari Kementerian Perdagangan (kemendag.go.id), harga kebutuhan bahan pokok yang digunakan
adalah data harga dari bulan Juni hingga September 2015. Waktu tiap bulannya disimbolkan dalam bentuk t.
Data dibagi menjadi 2 kelompok, yaitu data training dan data testing. Berdasarkan hasil pengujian yang telah
dilakukan, dapat diperoleh tingkat akurasi terbaik adalah sebesar 100% yaitu pada komoditas kedelai lokal dan
tepung terigu dengan rata-rata tingkat akurasi sebesar 97,9445% dan error sistem sebesar 2,0555%.
Kata kunci: Harga kebutuhan bahan pokok, SIPUT BANKOK, k-nearest neighbour.
1. PENDAHULUAN
Dalam era teknologi seperti ini masyarakat
bisa sangat mudah untuk memperoleh informasi yang
diinginkan. Banyak media yang dapat digunakan
untuk mengakses informasi yang teraktual seperti,
SMS, BBM, browsing, e-mail, sosial media dan
masih banyak media komunikasi lainnya.
Tetapi hal tersebut terkadang tidaklah sesuai
terhadap kenyataan yang terjadi pada beberapa
daerah di Indonesia. Banyuwangi Misalnya, selama
ini masyarakat sulit untuk mengakses informasi.
Terutama informasi tentang harga bahan pokok yang
ada di pasar. Masyarakat harus meluangkan waktu
tersendiri dengan datang langsung ke pasar hanya
untuk bisa memperoleh informasi tersebut. Padahal,
informasi yang mereka terima ketika sampai di pasar
juga masih simpang siur. Terlebih lagi, ketika
masyarakat pedesaan yang ingin menjual hasil
panennya tetapi tidak mengetahui harga jual
dipasaran sehingga banyak oknum tengkulak nakal
yang menipu para petani dengan membeli hasil panen
petani dengan harga yang jauh dibawah harga jual
dipasaran. Hal ini mengakibatkan kesejahteraan para
petani menjadi tidak bisa meningkat[1]
.
Berdasarkan deskripsi diatas, muncul gagasan
untuk membuat aplikasi yang kami namakan SIPUT
BANKOK (Sistem Informasi Prediksi Kebutuhan
Bahan Pokok, sebuah sistem yang dapat
dimanfaatkan tidak hanya untuk memberikan
informasi, namun juga dapat memprediksi fluktuasi
harga kebutuhan bahan pokok dimasa mendatang.
Dengan adanya aplikasi ini diharapkan petani
ataupun masyarakat lain yang membutuhkan dapat
mengakses harga jual maupun harga beli untuk hasil
panennya dipasaran, sehingga para petani tidak akan
ditipu oleh oknum tengkulak nakal yang suka
mempermainkan harga.
Disisi lain masyarakat juga dapat memperoleh
informasi mengenai sejumlah harga kebutuhan
barang-barang pokok. Perubahan harga bisa terjadi
sewaktu-waktu yang dapat menyebabkan harga
kebutuhan barang-barang pokok menjadi tidak stabil
terutama menjelang hari-hari besar seperti bulan
puasa hingga lebaran. Sebagaimana yang telah
diberitakan dalam beberapa media terkait persoalan
ini seperti di Pasar Induk Kramat Jati Jakarta[2]
dan di
Gorontalo[3]
.
Melalui aplikasi ini pula, ibu-ibu rumah tangga
tidak harus datang langsung ke pasar untuk sekedar

2. mencari informasi harga. Petani pun dapat mematok
harga beli untuk hasil panennya sehingga aplikasi ini
bisa menjadi strategi bisnis yang prospektif dimasa
yang akan datang guna menyongsong gelaran
Masyarakat Ekonomi ASEAN (MEA) yang mulai
diberlakukan pada tahun depan.
2. TINJAUAN PUSTAKA
Sistem Informasi
Sistem Informasi adalah Suatu sistem
terintegrasi yang mampu menyediakan informasi yang
bermanfaat bagi penggunanya. Atau; Sebuah sistem
terintegrasi atau sistem manusia-
menyediakan informasi untuk mendukung operasi,
manajemen dalam suatu organisasi. Sistem informasi
juga dapat diartikan sebagai alat untuk menyajikan
informasi sedemikian rupa sehingga bermanfaat bagi
penerimanya. Tujuannya adalah untuk memberikan
informasi dalam perencanaan, memulai,
pengorganisasian, operasional sebuah perusah
yang melayani sinergi organisasi dalam proses
mengendalikan pengambilan keputusan
Bahan Pokok (Pangan)
Pangan adalah segala sesuatu yang berasal dari
sumber daya hayati dan air, baik yang diolah maupun
tidak diolah yang diperuntukkan sebagai makana
atau minuman bagi konsumsi manusia. Termasuk di
dalam pengertian pangan adalah bahan tambahan
pangan, bahan baku pangan, dan bahan
yangdigunakan dalam proses penyiapan, pengolahan,
dan/atau pembuatan makanan dan minuman.
Pengertian pangan di atas merupakan definisi pangan
yang dikeluarkan oleh badan dunia untuk urusan
pangan, yaitu Food and Agricultural Organization
(FAO).
Algoritma K-Nearest Neighbour
Algoritma k-nearest neighbour
KNN) adalah sebuah metode untuk melakukan
klasifikasi terhadap objek berdasarkan data
pembelajaran yang jaraknya paling dekat dengan
objek tersebut. K-Nearest Neighbour
konsep ‘learning by analogy’. Data learning
dideskripsikan dengan atribut numerik n
Tiap data learning merepresentasikan sebuah titik,
yang ditandai dengan c, dalam ruang n
sebuah data query yang labelnya tidak diketahui
diinputkan, maka K-Nearest Neighbour
k buah data learning yang jaraknya paling dekat
dengan data query dalam ruang n-
antara data query dengan data learning dihitung
dengan cara mengukur jarak antara titik yang
merepresentasikan data query dengan semua titik
yang merepresentasikan data learning dengan r
Euclidean Distance.
mencari informasi harga. Petani pun dapat mematok
harga beli untuk hasil panennya sehingga aplikasi ini
bisa menjadi strategi bisnis yang prospektif dimasa
yang akan datang guna menyongsong gelaran
Masyarakat Ekonomi ASEAN (MEA) yang mulai
Sistem Informasi adalah Suatu sistem
terintegrasi yang mampu menyediakan informasi yang
bermanfaat bagi penggunanya. Atau; Sebuah sistem
-mesin, untuk
menyediakan informasi untuk mendukung operasi,
nisasi. Sistem informasi
alat untuk menyajikan
informasi sedemikian rupa sehingga bermanfaat bagi
penerimanya. Tujuannya adalah untuk memberikan
informasi dalam perencanaan, memulai,
pengorganisasian, operasional sebuah perusahaan
yang melayani sinergi organisasi dalam proses
mengendalikan pengambilan keputusan[4]
.
Pangan adalah segala sesuatu yang berasal dari
sumber daya hayati dan air, baik yang diolah maupun
tidak diolah yang diperuntukkan sebagai makanan
atau minuman bagi konsumsi manusia. Termasuk di
dalam pengertian pangan adalah bahan tambahan
pangan, bahan baku pangan, dan bahan-bahan lainnya
yangdigunakan dalam proses penyiapan, pengolahan,
dan/atau pembuatan makanan dan minuman.
di atas merupakan definisi pangan
yang dikeluarkan oleh badan dunia untuk urusan
pangan, yaitu Food and Agricultural Organization
neighbour (k-NN atau
KNN) adalah sebuah metode untuk melakukan
klasifikasi terhadap objek berdasarkan data
pembelajaran yang jaraknya paling dekat dengan
Neighbour berdasarkan
konsep ‘learning by analogy’. Data learning
an atribut numerik n-dimensi.
Tiap data learning merepresentasikan sebuah titik,
yang ditandai dengan c, dalam ruang n-dimensi. Jika
sebuah data query yang labelnya tidak diketahui
Neighbour akan mencari
jaraknya paling dekat
dimensi. Jarak
antara data query dengan data learning dihitung
dengan cara mengukur jarak antara titik yang
merepresentasikan data query dengan semua titik
yang merepresentasikan data learning dengan rumus
Pada fase training, algoritma ini hanya
melakukan penyimpanan vektor-vektor fitur dan
klasifikasi data training sample. Pada fase klasifikasi,
fitur – fitur yang sama dihitung untuk testing data
(klasifikasinya belum diketahui). Ja
yang baru ini terhadap seluruh vektor training sample
dihitung, dan sejumlah k buah yang paling dekat
diambil. Titik yang baru klasifikasinya diprediksikan
termasuk pada klasifikasi terbanyak dari titik
tersebut. Nilai k yang terbaik untuk algoritma ini
tergantung pada data; secara umumnya, nilai k yang
tinggi akan mengurangi efek noise pada klasifikasi,
tetapi membuat batasan antara setiap klasifikasi
menjadi lebih kabur. Nilai k yang bagus dapat dipilih
dengan optimasi parameter, misalnya dengan
menggunakan cross-validation. Kasus khusus di mana
klasifikasi diprediksikan berdasarkan data
pembelajaran yang paling dekat (dengan kata lain, k =
1) disebut algoritma nearest neighbor[5]
Gambar 1. Diagram Pemilihan K-Tetangga Terdekat
Pada Data Testing[5]
Model Perhitungan K-Nearest Neighbo
K-Nearest Neighbour adalah pende
mencari kasus dengan menghitung k
kasus baru dengan kasus lama, yai
pada pencocokan bobot dari sejum
ada. Sedangkan metode yang digunakan untuk
memprediksi harga bahan kebutuhan pokok adalah
dengan menggunakan metode K-Nearest Neighbour.
Metode K-Nearest Neighbour (k-NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data yang jaraknya paling
dekat dengan objek tersebut. Untuk menghitung jarak
dapat menggunakan beberapa metode seperti halnya
euclidea. Adapun rumus dari metode t
( , ) = ( − )
Keunggulan dari metode KNN ini adalah
relatif tidak terpengaruh dari error dari data dan juga
dapat digunakan dengan kumpulan data dengan
jumlah besar. Namun kekurangan metode ini adalah
proses pelaksanaannya lambat. Untuk meningkatkan
akurasi dari metode yang digunakan dalam aplikasi
Pada fase training, algoritma ini hanya
vektor fitur dan
klasifikasi data training sample. Pada fase klasifikasi,
fitur yang sama dihitung untuk testing data
(klasifikasinya belum diketahui). Jarak dari vektor
yang baru ini terhadap seluruh vektor training sample
dihitung, dan sejumlah k buah yang paling dekat
diambil. Titik yang baru klasifikasinya diprediksikan
termasuk pada klasifikasi terbanyak dari titik – titik
k untuk algoritma ini
tergantung pada data; secara umumnya, nilai k yang
tinggi akan mengurangi efek noise pada klasifikasi,
tetapi membuat batasan antara setiap klasifikasi
menjadi lebih kabur. Nilai k yang bagus dapat dipilih
isalnya dengan
validation. Kasus khusus di mana
klasifikasi diprediksikan berdasarkan data
pembelajaran yang paling dekat (dengan kata lain, k =
[5]
.
Tetangga Terdekat
Nearest Neighbour
pendekatan untuk
kedekatan antara
itu berdasarkan
mlah fitur yang
Sedangkan metode yang digunakan untuk
memprediksi harga bahan kebutuhan pokok adalah
Nearest Neighbour.
NN atau KNN)
adalah sebuah metode untuk melakukan klasifikasi
terhadap objek berdasarkan data yang jaraknya paling
dekat dengan objek tersebut. Untuk menghitung jarak
metode seperti halnya
. Adapun rumus dari metode tersebut yaitu[6]
:
… (1)
Keunggulan dari metode KNN ini adalah
relatif tidak terpengaruh dari error dari data dan juga
dapat digunakan dengan kumpulan data dengan
jumlah besar. Namun kekurangan metode ini adalah
proses pelaksanaannya lambat. Untuk meningkatkan
akurasi dari metode yang digunakan dalam aplikasi

3. 3
yang akan dibangun kita menggunakan metode
tambahan yang merupakan metode optimasi yang
meminimalkan fungsi kesalahan untuk menentukan
hasil akhir, Simple Unweighted voting. Adapun
langkah kerja untuk perhitungan dengan
menggunakan metode tersebut yaitu[7]
:
 Tentukan K (Jumlah tetangga terdekat).
 Hitung Jarak antara data yang diuji dengan
data training.
 Urutkan berdasarkan jarak terdekat dan
tentukan apakah termasuk dalam K (jumlah
tetangga terdekat).
 Hitung Rata-rata dari data yang termasuk
dalam K.
=
∑
… (2)
3. METODOLOGI DAN PERANCANGAN
Aplikasi yang dibangun merupakan aplikasi
untuk memprediksi harga kebutuhan bahan-bahan
pokok. Adapun diagram blok prosedur penelitian yang
akan dilakukan adalah seperti yang tampak pada
gambar 2, Sedangkan deskripsi masing-masing proses
pada diagram blok akan dijelaskan pada komponen
aplikasi.
Gambar 2. Prosedur Penelitian
Sumber Data
Sumber data yang digunakan dalam penelitian
ini berasal dari open data mengenai harga kebutuhan
bahan pokok nasional yang diperoleh dari
Kementerian Perdagangan (kemendag.go.id). Dalam
penelitian ini data harga kebutuhan bahan pokok yang
digunakan adalah data harga dari bulan Juni hingga
September 2015. Waktu tiap bulannya disimbolkan
dalam bentuk t. Data dibagi menjadi 2 kelompok,
yaitu data training dan data testing.
Analisis Parameter
Terdapat beberapa faktor yang digunakan
peneliti dalam memprediksi harga kebutuhan bahan
pokok. Faktor-faktor yang dimaksud diantaranya
adalah Gross Domestic Product (GDP) atau yang
biasa disebut Produk Domestik Bruto (PDB), jumlah
uang yang beredar, tingkat inflasi, dan nilai tukar
mata uang asing terhadap rupiah. Parameter yang
digunakan untuk menentukan prediksi harga bahan
kebutuhan pokok nasional selaku output (Y) berasal
dari indikator makroekonomi Indonesia, yang
meliputi[8]
:
a. Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), sebagai X1
b. Jumlah uang yang beredar, sebagai X2
c. Inflasi, sebagai X3
d. Nilai tukar mata uang asing terhadap rupiah,
sebagai X4
Keempat parameter tersebut berfungsi sebagai
indikator untuk menentukan harga kebutuhan bahan
pokok nasional.
Gambar 3. Indikator Makroekonomi[8]
Komponen Aplikasi
Pada tahap ini, desain sistem mulai dibentuk
untuk menentukan bagaimana suatu sistem akan
menyelesaikan masalah yang menjadi kajian pada
objek penelitian ini. Pada dasarnya tahap perancangan
sistem ini merupakan kombinasi dari komponen-
komponen perangkat lunak dan perangkat keras dari
suatu sistem. Perancangan sistem informasi prediksi
harga kebutuhan bahan pokok ini akan diterapkan
dengan menggunakkan tampilan yang akan dibuat
dengan GUI berbasis website.

4. Pelatihan
Data Historis
Indikator Ekonomi
Indonesia
Data
Pelatihan
Data
Pengujian
K Tetangga
Parameter
Pelatihan
Proses
Pelatihan
Hasil
Pelatihan
Input Data
Uji
Proses
Pengujian
Hasil
Pengujian
Pengujian
K Nearest Neighbour
Database
Gambar 4. Desain Sistem
Berdasarkan gambar diatas dapat kita lihat
bahwa system untuk memprediksi harga kebutuhan
bahan pokok menggunakan K-Nearest Neighbour
terdiri dari 3 komponen, yaitu skema aplikasi, skema
database, dan skema infrastruktur. Sistem terdiri dari
data-data yang telah diperoleh maupun dari data
yang merupakan hasil perhitungan yang kemudian
disimpan dalam database. Terdapat 3 database yang
nantinya akan digunakan didalam system. Pertama
adalah data pelatihan dan pengujian yang merupakan
hasil dari pemilahan referensi dari data historis
sejumlah indikator yang dapat mempengaruhi keadaan
ekonomi Indonesia. Kedua adalah data k tetangga
yang merupakan data dari hasil pelatihan yang
kemudian akan dipakai dalam pengujian si
Proses Mining K-Nearest Neighbour
Proses mining yang akan di implementasikan
pada metode K-Nearest Neighbour untuk
memprediksi harga kebutuhan bahan
harus melalui beberapa tahapan yang melibatkan
komponen-komponen penting didalamnya. Adapun
proses selengkapnya adalah seperti yang tampak pada
gambar 5.
Gambar 5. Proses Mining
Sedangkan proses prediksi dengan
menggunakan metode K-Nearest Neighbour adalah
seperti yang ditunjukkan pada gambar 6
Input Data
Pengujian
Pengujian
Hasil Prediksi
Harga Bahan
Pokok
Output
Desain Sistem
Berdasarkan gambar diatas dapat kita lihat
bahwa system untuk memprediksi harga kebutuhan
Nearest Neighbour
terdiri dari 3 komponen, yaitu skema aplikasi, skema
database, dan skema infrastruktur. Sistem terdiri dari
data yang telah diperoleh maupun dari data-data
yang merupakan hasil perhitungan yang kemudian
disimpan dalam database. Terdapat 3 database yang
nantinya akan digunakan didalam system. Pertama
adalah data pelatihan dan pengujian yang merupakan
ari pemilahan referensi dari data historis
sejumlah indikator yang dapat mempengaruhi keadaan
ekonomi Indonesia. Kedua adalah data k tetangga
yang merupakan data dari hasil pelatihan yang
akan dipakai dalam pengujian sistem.
Nearest Neighbour
Proses mining yang akan di implementasikan
Nearest Neighbour untuk
memprediksi harga kebutuhan bahan-bahan pokok
harus melalui beberapa tahapan yang melibatkan
komponen penting didalamnya. Adapun
selengkapnya adalah seperti yang tampak pada
Proses Mining
Sedangkan proses prediksi dengan
Nearest Neighbour adalah
6 berikut.
Mulai
Input Data Uji,
Jumlah K
tetangga terdekat
Normalisasi Data
Akumulasi Data
Input
Perhitungan Jarak
Dengan Euclidian
Distance
Sorting
Ambil Data
Sebanyak K
Simple
Unweighted Voting
Output Hasil
Prediksi
Selesai
Gambar 6. Proses KNN
Desain Aplikasi
Desain aplikasi untuk memprediksi harga
kebutuhan bahan pokok ini digambarkan dalam
bentuk activity diagram seperti yang tampak pada
gambar 7.
Gambar 7. Activity Diagram Aplikasi
Ketika pengguna membuka aplikasi, sistem
dapat mengambil data parameter secara otomatis dari
website acuan. Selain itu aplikasi juga dapat
memprediksi secara otomatis harga seluruh komoditas
kebutuhan bahan pokok pada hari yang sama. User
juga dapat memilih salah satu komoditas yang
terdapat didalam aplikasi. Selanjutnya user memilih
salah satu komoditas dari opsi yang ditampilkan oleh
aplikasi yang meliputi bawang merah, beras medium,
cabai merah biasa, cabai merah keriting, daging ayam
broiler, daging sapi, gula pasir, kedelai impor kedelai
lokal, minyak goring curah, telur ayam ras dan tepung
terigu. Setelah itu aplikasi akan memprediksi harga
kebutuhan bahan pokok yang telah dipilih oleh user
KNN
Desain aplikasi untuk memprediksi harga
kebutuhan bahan pokok ini digambarkan dalam
perti yang tampak pada
Aplikasi
Ketika pengguna membuka aplikasi, sistem
dapat mengambil data parameter secara otomatis dari
website acuan. Selain itu aplikasi juga dapat
memprediksi secara otomatis harga seluruh komoditas
kebutuhan bahan pokok pada hari yang sama. User
h salah satu komoditas yang
terdapat didalam aplikasi. Selanjutnya user memilih
salah satu komoditas dari opsi yang ditampilkan oleh
aplikasi yang meliputi bawang merah, beras medium,
cabai merah biasa, cabai merah keriting, daging ayam
i, gula pasir, kedelai impor kedelai
lokal, minyak goring curah, telur ayam ras dan tepung
terigu. Setelah itu aplikasi akan memprediksi harga
kebutuhan bahan pokok yang telah dipilih oleh user

5. dan display grafik fluktuasi harga kebutuhan bahan
bahan pokok pada periode tertentu. User dapat
memakai fitur prediksi untuk menghitung perkiraan
harga kebutuhan pokok kedepannya berdasarkan
komoditas yang telah dipilih sebelumnya. Untuk
detail desain aplikasi ini ditunjukkan pada gambar 8.
Buka aplikasi
User Aplikasi
Ambil data pelatihan komoditas
Data pelatihan
Simpan data pengujian
Data pengujian
Tampil parameter pengujian
Tampil prediksi semua komoditas
Tampil grafik semua komodotas
Pilih komoditas Ambil data pelatihan komoditas terpilih
Data pelatihan komoditas terpilih
Simpan data pengujian komoditas terpilih
Data pengujian komoditas terpilih
Tampil parameter pengujian
Tampil prediksi komoditas terpilih
Tampil grafik komoditas terpilih
Gambar 8. Sequence Diagram Aplikasi
Skenario Pengguna
Skenario Pengguna adalah serangkaian
kegiatan yang perlu dilakukan untuk dapat
menggunakan aplikasi yang akan dibangun. A
beberapa kegiatan yang perlu dilakukan oleh seorang
user untuk menggunakan system informasi prediksi
harga kebutuhan bahan pokok. Dimulai dari pemilihan
kategori kebutuhan komoditas bahan
berdasarkan standard menteri perdagangan Republik
Indonesia yang meliputi bawang merah, beras
medium, cabai merah biasa, cabai me
daging ayam broiler, daging sapi, gula pasir, kedelai
impor kedelai local, minyak goreng curah, telur ayam
ras dan tepung terigu. Selanjutnya barulah seorang
user dapat melihat prediksi harga kebutuhan harga
bahan pokok berdasarkan parameter.
juga dapat melihat data parameter serta hasil prediksi
seluruh komoditas harga kebutuhan bahan
pokok. Adapun alur program untuk memprediksi
harga kebutuhan bahan pokok adalah seperti yang
tampak pada gambar 9.
dan display grafik fluktuasi harga kebutuhan bahan-
pada periode tertentu. User dapat
memakai fitur prediksi untuk menghitung perkiraan
harga kebutuhan pokok kedepannya berdasarkan
komoditas yang telah dipilih sebelumnya. Untuk
ditunjukkan pada gambar 8.
Database
Ambil data pelatihan komoditas
Data pelatihan
Simpan data pengujian
Data pengujian
Ambil data pelatihan komoditas terpilih
Data pelatihan komoditas terpilih
Simpan data pengujian komoditas terpilih
Data pengujian komoditas terpilih
Sequence Diagram Aplikasi
Skenario Pengguna adalah serangkaian
kegiatan yang perlu dilakukan untuk dapat
menggunakan aplikasi yang akan dibangun. Ada
beberapa kegiatan yang perlu dilakukan oleh seorang
n system informasi prediksi
harga kebutuhan bahan pokok. Dimulai dari pemilihan
kategori kebutuhan komoditas bahan-bahan pokok
berdasarkan standard menteri perdagangan Republik
bawang merah, beras
medium, cabai merah biasa, cabai merah keriting,
daging ayam broiler, daging sapi, gula pasir, kedelai
impor kedelai local, minyak goreng curah, telur ayam
. Selanjutnya barulah seorang
user dapat melihat prediksi harga kebutuhan harga
Selain itu user
juga dapat melihat data parameter serta hasil prediksi
seluruh komoditas harga kebutuhan bahan-bahan
pokok. Adapun alur program untuk memprediksi
harga kebutuhan bahan pokok adalah seperti yang
Mulai
Mengambil nilai parameter
secara realtime
Normalisasi data
Implementasi
KNN
Data
pengujian
Prediksi harga
kebutuhan
bahan pokok
Selesai
Gambar 9. Alur Program
4. HASIL DAN PEMBAHASAN
Setelah sistem selesai dirancang, selanjutnya
harus diuji tingkat akurasi sistem dalam memprediksi
harga kebutuhan bahan pokok. Hal ini dilakukan
untuk mengetahui sejauh mana sistem da
dalam memprediksi harga kebutuhan bahan pokok.
Pengujian Sistem
Implementasi aplikasi menerapkan metode
metode yang telah disebutkan pada pembahasan
metodologi penelitian dan perancangan
utama aplikasi adalah menvisualisasikan hasil prediksi
dalam bentuk grafik yang dikelompokkan kedalam 2
kategori yaitu pertanian dan peternakan
menampilkan daftar harga prediksi semua komoditas
kebutuhan bahan pokok dalam bentuk tabel
interface aplikasi ditunjukkan pada gambar
Gambar 10. Daftar Harga Semua Komoditas Hasil
Prediksi
Data
pelatihan
Alur Program
Setelah sistem selesai dirancang, selanjutnya
harus diuji tingkat akurasi sistem dalam memprediksi
harga kebutuhan bahan pokok. Hal ini dilakukan
untuk mengetahui sejauh mana sistem dapat bekerja
dalam memprediksi harga kebutuhan bahan pokok.
menerapkan metode-
isebutkan pada pembahasan
penelitian dan perancangan sistem. Fitur
menvisualisasikan hasil prediksi
dikelompokkan kedalam 2
kategori yaitu pertanian dan peternakan dan
menampilkan daftar harga prediksi semua komoditas
kebutuhan bahan pokok dalam bentuk tabel. Adapun
unjukkan pada gambar 10 dan 11.
Daftar Harga Semua Komoditas Hasil

6. Gambar 11. Visualisasi Hasil Prediksi
Komoditas
Pengujian Sistem
Data yang diujikan dalam sistem merupakan
data yang telah disiapkan untuk meguji tingkat akurasi
sistem. Jumlah data yang digunakan dalam pengujian
sebanyak 1 set pada 12 komoditas bahan pokok yag
meliputi bawang merah, beras medium, cabai merah
biasa, cabai merah keriting, daging ayam broiler,
daging sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goring curah, telur ayam ras dan tepung
terigu. Artinya jumlah total keseluruhan data yang
diujikan adalah sebanyak 12 set. Proses pengujian
dimulai dengan meload data yang akan diujikan
kedalam sistem dari database yang telah dirancang.
Adapun hasil proses pengujian sistem adalah seperti
yang tampak pada gambar 10 berikut.
Gambar 12. Grafik Perbandingan Hasil Pengujian
Selanjutnya tingkat akurasi sistem
dihitung untuk mengetahui seberapa baik sistem yang
telah dibangun untuk memprediksi ke
harga kebutuhan bahan pokok. Adapun hasil
perhitungan tingkat akurasi system adalah seperti
yang ditunjukkan pada tabel 1.
Tabel 1 Data Hasil Pengujian
No. Komoditas
Data
Uji
Output
Sistem
1
Bawang
Merah
20.080 19.830
2
Cabai
Merah
30.030
32.916,
667
0
20000
40000
60000
80000
100000
120000
Harga Aktual Prediksi
Visualisasi Hasil Prediksi Semua
Data yang diujikan dalam sistem merupakan
data yang telah disiapkan untuk meguji tingkat akurasi
sistem. Jumlah data yang digunakan dalam pengujian
sebanyak 1 set pada 12 komoditas bahan pokok yag
bawang merah, beras medium, cabai merah
ai merah keriting, daging ayam broiler,
daging sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goring curah, telur ayam ras dan tepung
rtinya jumlah total keseluruhan data yang
diujikan adalah sebanyak 12 set. Proses pengujian
n meload data yang akan diujikan
kedalam sistem dari database yang telah dirancang.
Adapun hasil proses pengujian sistem adalah seperti
Grafik Perbandingan Hasil Pengujian
Selanjutnya tingkat akurasi sistem akan
dihitung untuk mengetahui seberapa baik sistem yang
telah dibangun untuk memprediksi ke-12 komoditas
harga kebutuhan bahan pokok. Adapun hasil
perhitungan tingkat akurasi system adalah seperti
Output
Sistem
Akurasi
(%)
19.830 98,755%
32.916,
91,23%
Biasa
3
Cabai
Merah
Keriting
32.600 35.720
4 Gula Pasir 12.660
12.653,
333
5
Beras
Medium
10.350
10.303,
33
6
Kedelai
Lokal
10.840 10.840
7
Kedelai
Impor
11.030 11.050
8
Tepung
Terigu
8.970 8.970
9
Telur
Ayam Ras
22.280 22.360
10
Daging
Ayam
Broiler
29.380
29.946,
667
11
Daging
Sapi
108.390
110.943
,333
12
Minyak
Goreng
Curah
10.780 10.706
Rata-Rata Akurasi
Error Sistem
Analisis Hasil Kerja Sistem
Data yang digunakan adalah berasal dari data
kementerian perdagangan Republik Indonesia
terhitung sejak tanggal 1 Juni 2015 hingga 30
September. Jumlah data yang digunakan untuk
masing-masing komoditas adalah sebesar 121 data,
dengan rincian 120 data digunakan sebagai data latih
dan 1 data digunakan sebagai data uji.
Akurasi dipengaruhi oleh jumlah k, kualitas
data, dan jumlah data set. Nilai k yang digunakan
dalam penelitian ini adalah 3. Pada dapat diketahui
bahwa tingkat akurasi terendah adalah pada
komoditas cabai merah biasa dengan prosentase
sebesar 91,23%, hal ini disebabkan karena pergerakan
harga komoditas tersebut cenderung stagnan sehingga
kompleksitas data yang diolah kedalam sistem
cenderung rendah jika dibandingkan dengan 11
komoditas lainnya.
Dari hasil pengujian yang telah dilakukan,
hasil prediksi terbaik ditunjukkan pada komoditas
kedelai lokal dan tepung terigu yang dapat mengenali
dan memprediksi harga secara sempurna tanpa
terdapat kesalahan sehingga akurasi sistem mencapai
100%. Selain itu hasil pada pengujian lainnya juga
menunjukkan hasil keluaran yang hampir memenuhi
target yang telah ditentukan seperti pada komoditas
gula pasir, target yang diberikan adalah
sedangkan hasil keluaran sistem menunjukkan
12.653,333 yang mendekati angka target dengan
besaran tingkat akurasi 99,947%, begitu juga
35.720 91,265%
12.653,
99,947%
10.303,
99,549%
10.840 100%
11.050 99,819%
8.970 100%
22.360 99,642%
29.946,
98,108%
110.943
97,699%
10.706 99,32%
97,945%
2,0555%
Data yang digunakan adalah berasal dari data
kementerian perdagangan Republik Indonesia
terhitung sejak tanggal 1 Juni 2015 hingga 30
September. Jumlah data yang digunakan untuk
masing komoditas adalah sebesar 121 data,
akan sebagai data latih
dan 1 data digunakan sebagai data uji.
Akurasi dipengaruhi oleh jumlah k, kualitas
data, dan jumlah data set. Nilai k yang digunakan
dalam penelitian ini adalah 3. Pada dapat diketahui
bahwa tingkat akurasi terendah adalah pada
komoditas cabai merah biasa dengan prosentase
ni disebabkan karena pergerakan
harga komoditas tersebut cenderung stagnan sehingga
kompleksitas data yang diolah kedalam sistem
cenderung rendah jika dibandingkan dengan 11
Dari hasil pengujian yang telah dilakukan,
ik ditunjukkan pada komoditas
kedelai lokal dan tepung terigu yang dapat mengenali
dan memprediksi harga secara sempurna tanpa
terdapat kesalahan sehingga akurasi sistem mencapai
100%. Selain itu hasil pada pengujian lainnya juga
yang hampir memenuhi
target yang telah ditentukan seperti pada komoditas
gula pasir, target yang diberikan adalah 12.660
sedangkan hasil keluaran sistem menunjukkan
yang mendekati angka target dengan
, begitu juga pada

7. 7
komoditas kedelai impor dengan target 11.030,
keluaran sistem menunjukkan 11.050 sehingga tingkat
akurasi sistem mendekati sempurna dengan prosentase
sebesar 99,819%. Rata-rata akurasi sistem diperoleh
dari hasil seluruh penjumlahan nilai akurasi masing-
masing dibagi dengan jumlah komoditas kebutuhan
bahan pokok. Dari hasil perhitungan yang telah
dilakukan hasil rata-rata tingkat akurasi adalah
sebesar 97,9445% dengan nilai error sistem sebesar
2,0555%.
Sedangkan model perhitungan jarak dengan
menggunakan euclidean distance juga cocok
diterapkan pada kasus ini karena jarak dihitung
berdasarkan kasus lama dan menghasilkan nilai jarak
yang lebih kompatibel untuk penyelesaian kasus ini,
sehingga hal tersebut mempengaruhi nilai perhitungan
untuk memprediksi harga kebutuhan bahan pokok
yang menggunakan metode simple unweighted voting
dalam menentukan solusi yang diambil.
5. PENUTUP
Kesimpulan
Setelah dilakukan penelitian, perancangan dan
implementasi sistem dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Aplikasi untuk memprediksi harga kebutuhan
bahan pokok dapat dilakukan dengan
mengimplementasikan metode k-nearest neighbor
menggunakan 4 parameter input yang meliputi
Gross Domestic Product (GDP) atau Produk
Domestik Bruto (PDB), inflasi, kurs valuta asing
atau nilai tukar rupiah terhadap dollar Amerika
(USD) dan jumlah uang beredar dengan output
harga ke-12 komoditas bahan pokok yang meliputi
bawang merah, beras medium, cabai merah biasa,
cabai merah keriting, daging ayam broiler, daging
sapi, gula pasir, kedelai impor, kedelai lokal,
minyak goreng curah, telur ayam ras dan tepung
terigu.
2. Setelah dilakukan pengujian terhadap sistem dapat
diperoleh tingkat akurasi terbaik adalah sebesar
100% yaitu pada komoditas kedelai lokal dan
tepung terigu dengan rata-rata tingkat akurasi
sebesar 97,9445% dan error sistem sebesar
2,0555%.
Saran
Saran yang dapat ditulis untuk penelitian ini
yaitu untuk penelitian selanjutnya diharapkan adanya
variabel input yang lebih rinci untuk digunakan
sebagai data uji dan data target karena mungkin masih
banyak faktor yang menyebabkan fluktuasi laju
perubahan harga kebutuhan bahan pokok.
Daftar Pustaka
[1] Hartono, Rudi. (2013). Sistem Informasi Harga Bahan Pokok
dengan Penerapan SMS Gateway Menggunakan Bahasa
Pemrograman C#. Teknik Informatika. Banyuwangi: Sekolah
Tinggi Ilmu Komputer PGRI
[2] Hutauruk, Chiquita Olivia. (2015). Harga Bahan Pokok di
Pasar Induk Kramat Jati Belum Stabil [online]. Tersedia:
http://www.beritasatu.com/ekonomi/292409-harga-bahan-
pokok-di-pasar-induk-kramat-jati-belum-stabil.html
[3] Putra, Yudha Manggala P. (2015). Harga Bahan Pokok di
Gorontalo tak Stabil Jelang Ramadhan [online]. Tersedia:
http://www.republika.co.id/berita/nasional/daerah/15/06/08/npl
st5-harga-bahan-pokok-di-gorontalo-tak-stabil-jelang-
ramadhan
[4] Anwar, Saiful. (2010). Makalah Konsep Sistem Informasi.
Jakarta: Universitas Gunadarma
[5] Wikipedia. (2013). KNN [online]. Tersedia: http://id.wikipedia.
org / wiki/KNN
[6] Yessivirna, Riska dkk. (2013). Klasifikasi Suara Berdasarkan
Gender (Jenis Kelamin) Dengan Metode K-Nearest Neighbor
(KNN). Jurusan Ilmu Komputer, Fakultas Program Teknologi
Informasi dan Ilmu Komputer, Universitas Brawijaya Malang
[7] Rizanti, Hanifa Vidya dkk. (2010). Pengenalan Citra Alphabet
Berdasarkan Parameter Momen Invarian Dengan Metode
Case-Based Reasoning. Jurusan Teknik Informatika, Fakultas
Program Teknologi Informasi dan Ilmu Komputer, Universitas
Brawijaya Malang
Biodata Penulis
Abd. Charis Fauzan, Mahasiswa
Jurusan Teknik Informatika
Universitas Islam Negeri Maulana
Malik Ibrahim Malang Asal
Mojokerto. Saat ini tengah menekuni
bidang robotika serta aktif sebagai
netizen melalui website pribadinya.
Sofi Dwi Purwanto, Mahasiswa
Jurusan Teknik Informatika
Universitas Islam Negeri Maulana
Malik Ibrahim Malang Asal Sumenep.
Saat ini tengah menekuni bidang
image processing serta aktif sebagai
netizen melalui website pribadinya.
Agus Wahyudi, Mahasiswa Jurusan
Teknik Informatika Universitas Islam
Negeri Maulana Malik Ibrahim
Malang Asal Pamekasan. Saat ini
tengah menekuni bidang artificial
intelligence.
Fadzila Yudi Mardana, Mahasiswa
Jurusan Teknik Informatika
Universitas Islam Negeri Maulana
Malik Ibrahim Malang Asal Madiun.
Saat ini tengah menekuni bidang
jaringan komputer.