Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Penerapan Metode Backpropagation Neural Network untuk Memprediksi Produksi Air

1,392 views

Published on

Penelitian ini bertujuan untuk menerapkan Jaringan Syaraf Tiruan Backpropagation untuk memprediksi jumlah produksi air. Data yang diperolah berasal dari laporan bulanan PDAM Tirta Bina Rantauprapat selama 5 tahun, mulai dari tahun 2010 sampai dengan tahun 2014. Variabel masukan yang digunakan adalah data jumlah pelanggan berdasarkan kelompok rumah tangga, volume kebocoran air di pengolahan, volume distribusi air, volume air terjual dan volume kehilangan air. Sedangkan yang menjadi variabel target adalah volume produksi air. Berdasarkan hasil penelitian, diperoleh sebuah model arsitektur prediksi dengan jumlah neuron lapisan masukan 5, jumlah neuron lapisan tersembunyi 3, jumlah neuron lapisan keluaran 1, dengan nilai MSE 0.000999, MAE 0.017096, dan rata-rata nilai akurasi sebesar 98,29 %.

Published in: Data & Analytics
  • Be the first to comment

Penerapan Metode Backpropagation Neural Network untuk Memprediksi Produksi Air

  1. 1. PENERAPAN METODE BACKPROPAGATION NEURAL NETWORK UNTUK MEMPREDIKSI PRODUKSI AIR (STUDI KASUS PDAM TIRTA BINA RANTAUPRAPAT) Muhammad Halmi Dar1 , Gunadi Widi Nurcahyo2 , Sarjon Defit3 1 Mahasiswa Pasca Sarjana Univ. Putra Indonesia “YPTK” Padang, Sumbar 2,3 Dosen Pasca Sarjana Univ. Putra Indonesia “YPTK” Padang, Sumbar email : mhd.halmidar@gmail.com1 , gunadiwidi@yahoo.co.id2 , sarjond@yahoo.co.uk3 ABSTRAK Penelitian ini bertujuan untuk menerapkan Jaringan Syaraf Tiruan Backpropagation untuk memprediksi jumlah produksi air. Data yang diperolah berasal dari laporan bulanan PDAM Tirta Bina Rantauprapat selama 5 tahun, mulai dari tahun 2010 sampai dengan tahun 2014. Variabel masukan yang digunakan adalah data jumlah pelanggan berdasarkan kelompok rumah tangga, volume kebocoran air di pengolahan, volume distribusi air, volume air terjual dan volume kehilangan air. Sedangkan yang menjadi variabel target adalah volume produksi air. Berdasarkan hasil penelitian, diperoleh sebuah model arsitektur prediksi dengan jumlah neuron lapisan masukan 5, jumlah neuron lapisan tersembunyi 3, jumlah neuron lapisan keluaran 1, dengan nilai MSE 0.000999, MAE 0.017096, dan rata-rata nilai akurasi sebesar 98,29 %. Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation, Prediksi Produksi Air 1. PENDAHULUAN Air adalah sumber utama kehidupan. Manusia, Flora dan Fauna membutuhkan air sebagai pra-syarat tumbuh dan hidup. Air juga merupakan sumber daya alam yang strategis, dimana keberadaannya mempengaruhi hajat hidup orang banyak dan seharusnya dipergunakan sebesar- besarnya untuk kemakmuran rakyat. Kota sebagai pusat pertumbuhan penduduk harus memiliki sarana air bersih yang memadai. Kota juga harus memiliki pasokan jumlah air yang cukup bagi kebutuhan penduduknya. Semakin meningkatnya pertumbuhan penduduk, semakin bertambah pula jumlah air yang dibutuhkan. Pasokan air yang cukup dan kebutuhan air di masa depan harus menjadi perhatian serius bagi penyedia kebutuhan air bersih, yang mana dalam hal ini adalah Perusahaan Daerah Air Minum (PDAM). Jaringan Syaraf Tiruan adalah salah satu dari banyak metode komputasi yang sering digunakan dalam penelitian yang terkait dengan prediksi atau peramalan. Cici Oktaviani dan Afdal (2013) menerapkan Jaringan Syaraf Tiruan dengan metode Backpropagation untuk memprediksi curah hujan bulanan Kota Padang dengan keberhasilan mengenali pola sebesar 99.0%. Peramalan terhadap jumlah produksi air PDAM Samarinda dengan metode backpropagation memberikan hasil yang baik dengan koefisien korelasi sebesar 0.949 (Septiarini dan Sya’baniah, 2012). Penelitian ini menerapkan Jaringan Syaraf Tiruan dengan algoritma Backpropagation untuk memprediksi jumlah produksi air di PDAM Tirta Bina Rantauprapat. Prediksi produksi air perlu dilakukan agar terjadi keseimbangan antara persediaan jumlah produksi di sisi perusahaan dengan permintaan air di sisi konsumen. Data yang digunakan dalam penelitian ini adalah data riwayat produksi air selama lima tahun dengan interval bulanan, yang terhitung mulai dari bulan Januari 2010 sampai dengan Desember 2014. Data tersebut dibagi ke dalam lima variabel yaitu: jumlah pelanggan berdasarkan kelompok rumah tangga, volume kebocoran air di pengolahan, volume distribusi air, volume air terjual, volume kehilangan air dan volume produksi air. 2. LANDASAN TEORI 2.1 Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologis manusia. JST merupakan representasi buatan dari otak manusia, istilah buatan tersebut digunakan karena dalam penerapannya JST menggunakan program komputer yang mampu menyelesaikan
  2. 2. 2 sejumlah proses perhitungan selama proses pembelajaran (Aprijani dan Supandi, 2011). Jaringan Syaraf Tiruan didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya (Marleni Anike, et.al, 2012). 2.2 Algoritma Backpropagation Algoritma Backpropagation merupakan metode pelatihan yang terawasi (supervised) dan dirancang untuk operasi pada jaringan dengan banyak lapisan. Backpropagation merupakan algortima pembelajaran yang biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma Backpropagation menggunakan tahap perambatan maju (feedforward) untuk mengetahui nilai error. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi yang dapat dideferensiasikan. Pada saat perambatan mundur (backward), Backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya. Setiap perubahan bobot yang terjadi dapat mengurangi error. Siklus setiap perubahan bobot (epoch) dilakukan pada setiap set pelatihan hingga kondisi berhenti dicapai, yaitu bila mencapai jumlah epoch yang diinginkan atau hingga sebuah nilai ambang yang ditetapkan terlampaui. Arsitektur jaringan Backpropagation ditunjukkan pada gambar 1. Gambar 1. Arsitektur Backpropagation Gambar 1 menunjukkan arsitektur Backpropagation dengan 3 buah unit masukan (X1, X2 dan X3) dan 1 lapisan tersembunyi dengan 2 neuron (Z1 dan Z2) serta 1 unit lapisan keluaran (Y). Bobot yang menghubungkan (X1, X2 dan X3) dengan neuron pertama pada lapisan tersembunyi adalah (V11, V21, dan V31). Sedangkan bobot yang menghubungkan X1, X2 dan X3 dengan neuron kedua pada lapisan tersembunyi adalah V12, V22, dan V32. Untuk b11 dan b12 adalah bobot bias yang menuju ke neuron pertama dan kedua pada lapisan tersembunyi. Bobot yang menghubungkan Z1 dan Z2 dengan neuron pada lapisan keluaran adalah W1 dan W2. Bobot bias b2 menghubungkan lapisan tersembunyi dengan lapisan keluaran. 3. METODOLOGI PENELITIAN Metode penelitian yang dilakukan disusun dalam suatu kerangka kerja penelitian (framework) yang meliputi tahapan-tahapan seperti yang ditunjukkan pada gambar 2. Gambar 2. Kerangka Kerja Penelitian 3.1 Pengumpulan Data Data yang didapat merupakan data sekunder dari PDAM Tirta Bina Kota Rantauprapat. Data tersebut merupakan data produksi air bulanan yang dimulai dari Tahun 2010 sampai 2014 yang terdiri dari: a. Data jumlah pelanggan aktif b. Data volume kebocoran air di pengolahan c. Data volume distribusi air d. Data volume air terjual e. Data volume produksi air 3.2 Analisa Data Penelitian ini menggunakan data laporan produksi air bulanan PDAM Tirta Bina Rantauprapat, dimulai dari Tahun 2010 sampai 2014. Data yang digunakan adalah data jumlah pelanggan berdasarkan kelompok rumah tangga, volume kebocoran air di pengolahan, volume distribusi air, volume air terjual, volume kehilangan air dan jumlah volume produksi air. Data tersebut dikelompokkan ke dalam enam variabel sebagai berikut: Analisa Data Pengumpulan Data Pelatihan dan Pengujian Jaringan Syaraf Tiruan Perancangan Jaringan Syaraf Tiruan Evaluasi
  3. 3. 3 a. X1 = Jumlah pelanggan aktif berdasarkan kelompok rumah tangga b. X2 = Volume air yang berkurang setelah dilakukan proses penyaringan dari sumber air. c. X3 = Hasil penyaringan berupa air bersih yang telah siap untuk didistribusikan kepada pelanggan. d. X4 = Jumlah air yang dipakai oleh pelanggan yang dihitung melalui meteran air. e. X5 = Kehilangan air terjadi akibat pipa penyaluran dari PDAM ke pelanggan bocor ataupun terjadinya pencurian air. f. Y = Jumlah air yang harus diproduksi setiap bulan sesuai dengan jumlah kebutuhan pelanggan. 3.3 Perancangan Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan dirancang dengan menggunakan struktur jaringan yang terdiri dari lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Adapun langkah-langkah yang dilakukan dalam membangun jaringan untuk melakukan prediksi diuraikan sebagai berikut: a. Pembagian data Data dibagi menjadi dua kelompok. Kelompok pertama adalah data Tahun 2010, 2011, 2012 dan 2013 menjadi data pelatihan, sedangkan data Tahun 2014 menjadi data pengujian. Kelompok kedua adalah data Tahun 2011, 2012 dan 2013 menjadi data pelatihan, sedangkan data pengujian adalah data Tahun 2014. Jumlah keseluruhan data adalah 60 set. Sesuai dengan pembagian tersebut maka jumlah data yang digunakan untuk kelompok pertama adalah 48 data latih dan 12 data uji. Sedangkan untuk kelompok kedua berjumlah 36 untuk data latih dan 12 data uji. Sampel data pelatihan diperlihatkan pada tabel 1. Tabel 1. Sampel Data Pelatihan No. Bulan Input Target X1 X2 X3 X4 X5 Y 1 Jan 10 5708 36820 208644 133803 74841 245464 2 Feb 10 5707 33271 188537 134047 54490 221808 3 Mar 10 5738 36882 208995 133800 75195 245877 4 Apr 10 5744 35618 201833 133535 68298 237450 5 Mei 10 5723 36766 208340 135462 72878 245106 6 Jun 10 5733 35576 201597 132022 69575 237173 7 Jul 10 5729 36769 208355 130891 77464 245124 8 Ags 10 5722 36882 208995 132090 76905 245877 9 Sep 10 5726 35692 202254 128097 74157 237946 10 Okt 10 5757 36882 208995 126061 82934 245877 11 Nov 10 5708 35655 202046 123913 78133 237701 12 Des 10 5708 36882 208995 122258 86737 245877 b. Normalisasi (preprocessing) Data yang akan dimasukkan ke dalam Jaringan Syaraf Tiruan harus dinormalisasi terlebih dahulu. Proses normalisasi dilakukan terhadap data input dan target. Normalisasi dilakukan menggunakan bantuan software Matlab dengan syntax: [pn,meanp,stdp,tn,meant,stdt] = prestd(p,t). Dengan p adalah matriks input pelatihan dan t adalah matriks target. Hasil dari proses normalisasi data pelatihan diperlihatkan pada tabel 2. . Tabel 2. Normalisasi Data Pelatihan No X1 X2 X3 X4 X5 Y 1 1.0353 -1.2102 -1.2102 0.7623 -1.2545 -1.2102 2 1.0313 -1.8155 -1.8155 0.7760 -1.7296 -1.8155 3 1.1554 -1.1996 -1.1996 0.7621 -1.2463 -1.1996 4 1.1794 -1.4152 -1.4152 0.7472 -1.4073 -1.4152 5 1.0953 -1.2193 -1.2193 0.8557 -1.3004 -1.2193 6 1.1354 -1.4223 -1.4223 0.6620 -1.3775 -1.4223 7 1.1194 -1.2189 -1.2189 0.5983 -1.1933 -1.2189 8 1.0913 -1.1996 -1.1996 0.6658 -1.2063 -1.1996 9 1.1073 -1.4025 -1.4025 0.4409 -1.2705 -1.4025 10 1.2315 -1.1996 -1.1996 0.3263 -1.0656 -1.1996 11 1.0353 -1.4088 -1.4088 0.2053 -1.1777 -1.4088 12 1.0353 -1.1996 -1.1996 0.1121 -0.9768 -1.1996 c. Perancangan Arsitektur Jaringan Syaraf Tiruan Arsitektur Jaringan Syaraf Tiruan yang dibangun terdiri dari 5 neuron pada lapisan masukan, lapisan tersembunyi dan 1 neuron pada lapisan keluaran keluaran. Jumlah lapisan masukan disesuaikan dengan banyaknya variabel input yang mempengaruhi produksi air. Jumlah lapisan tersembunyi ditentukan dengan cara trial and error Gambar 3. Arsitektur Jaringan Syaraf Tiruan Backpropagation untkuk Memprediksi Produki Air
  4. 4. 4 3.4 Pelatihan dan Pengujian Jaringan Syaraf Tiruan Pelatihan dan pengujian Jaringan Syaraf Tiruan backpropagation diimplementasikan dalam 10 model arsitektur. Selain itu, dibutuhkan pengaturan parameter jaringan yang meliputi: learning rate, momentum constant (mc), epoch maksimum dan nilai goal (toleransi error). Tabel 3. Model Arsitektur dan Parameter Pelatihan No. ARSITEKTUR PARAMETER Input layer Hidden layer 1 Hidden layer 2 Learning rate Mom entum Epoch Goal 1 5 3 - 0.1 0.5 100000 0.001 2 5 4 - 0.1 0.5 100000 0.001 3 5 5 - 0.1 0.5 100000 0.001 4 5 8 - 0.1 0.5 100000 0.001 5 5 9 - 0.1 0.5 100000 0.001 6 5 10 - 0.1 0.5 100000 0.001 7 5 3 3 0.1 0.5 100000 0.001 8 5 3 10 0.1 0.5 100000 0.001 9 5 10 3 0.1 0.5 100000 0.001 10 5 10 10 0.1 0.5 100000 0.001 Dengan menggunakan model arsitektur dan parameter pelatihan yang sudah terbentuk, kemudian dilakukan proses pengujian dengan menggunakan 12 set data yang telah ditentukan. Tabel 4. Data Pengujian No X1 X2 X3 X4 X5 1 6883 46182 261700 106259 155441 2 6955 36547 207100 99883 107217 3 6924 41259 233800 98591 135209 4 6924 41506 235200 114291 120909 5 6936 43924 248900 114379 134521 6 6946 42441 240500 120923 119577 7 6958 44347 251300 108828 142472 8 6963 43094 244200 108066 136134 9 7048 43306 245400 108862 136538 10 7048 43306 245400 110080 135320 11 7023 42759 242300 111161 131139 12 7053 42053 238300 109917 128383 Selanjutnya dilakukan normalisasi data pengujian dengan syntax: qn = trastd(q,meanp,stdp);. Tabel 5. Normalisasi Data Pengujian No X1 X2 X3 X4 X5 1 5.7406 0.3869 0.3869 -0.7890 0.6271 2 6.0289 -1.2567 -1.2567 -1.1481 -0.4987 3 5.9048 -0.4530 -0.4530 -1.2208 0.1548 4 5.9048 -0.4108 -0.4108 -0.3366 -0.1791 5 5.9528 0.0016 0.0016 -0.3317 0.1387 6 5.9929 -0.2513 -0.2513 0.0369 -0.2102 7 6.0409 0.0738 0.0738 -0.6443 0.3243 8 6.0610 -0.1399 -0.1399 -0.6872 0.1764 9 6.4014 -0.1038 -0.1038 -0.6424 0.1858 10 6.4014 -0.1038 -0.1038 -0.5738 0.1574 11 6.3012 -0.1971 -0.1971 -0.5129 0.0597 12 6.4214 -0.3175 -0.3175 -0.5830 -0.0046 3.5 Evaluasi Evaluasi dilakukan untuk mengetahui apakah data hasil pengujian mempunyai kesesuain pola dengan data target yang telah ditentukan. Bila nilai MSE, MAE dan MAPE sudah mencapai nilai yang optimal, maka proses pengujian selesai. Namun apabila belum mencapai nilai yang optimal, perlu dilakukan pengubahan model arsitektur dan konfigurasi jaringan serta komposisi pembagian data pada tahapan perancangan Jaringan Syaraf Tiruan. 4. HASIL DAN PEMBAHASAN 4.1 Hasil Pelatihan Setelah dilakukan pelatihan terhadap dua pola data dengan menerapkan 10 model arsitektur Jaringan Syaraf Tiruan Backpropagation. Maka dilakukan analisa dengan membandingkan keseluruhan hasil pelatihan. Dengan membandingkan hasil dari pelatihan tersebut, akan didapatkan pola data dan model arsitektur mana yang memiliki tingkat akurasi prediksi yang tinggi. Tabel 6. Hasil Pelatihan Pola Pertama No. Jumlah Neuron Kriteria Input Layer Hidden Layer 1 Hidden Layer 2 MSE MAE MAPE Akurasi 1 5 3 - 0.000999 0.003162 0.3162 % 99.6838 % 2 5 4 - 0.001000 0.003146 0.3146 % 99.6854 % 3 5 5 - 0.001000 0.003423 0.3423 % 99.6577 % 4 5 8 - 0.000999 0.003170 0.3170 % 99.6830 % 5 5 9 - 0.001000 0.003275 0.3275 % 99.6725 % 6 5 10 - 0.001000 0.003072 0.3072 % 99.6928 % 7 5 3 3 0.001000 0.003083 0.3083 % 99.6917 % 8 5 3 10 0.000999 0.003284 0.3284 % 99.6716 % 9 5 10 3 0.001000 0.003192 0.3192 % 99.6808 % 10 5 10 10 0.001000 0.003381 0.3381 % 99.6619 % Tabel 6 memperlihatkan perbandingan antara 10 model arsitektur pelatihan pola pertama. Dari hasil pelatihan tersebut ditemukan bahwa model arsitektur jaringan prediksi yang optimal menggunakan input layer sebanyak 5 neuron dan hidden layer sebanyak 10 neuron. Dari model tersebut didapatkan nilai MSE sebesar 0.001000, MAE sebesar 0.003072 dan MAPE sebesar 0.3072%. Sehingga tingkat akurasi yang dihasilkan sebesar 99.6928%. Tabel 7. Hasil Pelatihan Pola Kedua No. Jumlah Neuron Kriteria Input Layer Hidden Layer 1 Hidden Layer 2 MSE MAE MAPE Akurasi 1 5 3 - 0.000999 0.001421 0.1421 % 99.8579 % 2 5 4 - 0.001000 0.001793 0.1793 % 99.8207 % 3 5 5 - 0.001000 0.001954 0.1954 % 99.8046 % 4 5 8 - 0.000999 0.001643 0.1643 % 99.8366 % 5 5 9 - 0.001000 0.001704 0.1704 % 99.8296 % 6 5 10 - 0.001000 0.001649 0.1649 % 99.8351 % 7 5 3 3 0.001000 0.001691 0.1691 % 99.8309 % 8 5 3 10 0.000100 0.001470 0.1470 % 99.8530 % 9 5 10 3 0.001000 0.001604 0.1604 % 99.8396 % 10 5 10 10 0.001000 0.001578 0.1578 % 99.8422 %
  5. 5. 5 Tabel 7 memperlihatkan perbandingan antara 10 model arsitektur pelatihan pada pola kedua. Dari hasil pelatihan tersebut ditemukan bahwa model arsitektur jaringan prediksi yang optimal menggunakan input layer sebanyak 5 neuron dan hidden layer sebanyak 3 neuron. Dari model tersebut didapatkan nilai MSE sebesar 0.000999, MAE sebesar 0.001421 dan MAPE sebesar 0.1421%. Sehingga tingkat akurasi yang dihasilkan sebesar 99.8579%. Gambar 4. Perbandingan Jumlah Data Latih dan Model Arsitektur Terhadap Tingkat Akurasi Dari grafik di atas didapatkan bahwa jumlah data pelatihan dapat mempengaruhi tingkat akurasi prediksi. Jumlah data pelatihan pada pola kedua yang menggunakan 60% data keseluruhan memiliki tingkat akurasi prediksi yang tinggi dibandingkan dengan jumlah data pelatihan pola pertama yang menggunakan 80% data keseluruhan. Sedangkan jumlah hidden layer dan jumlah neuron pada hidden layer tidak mempengaruhi tingkat akurasi prediksi. 4.2 Hasil Pengujian Pengujian dilakukan terhadap dua pola data dengan menerapkan 10 model arsitektur Jaringan Syaraf Tiruan Backpropagation. Tabel 8. Hasil Pengujian Pola Pertama No. Jumlah Neuron Kriteria Input Layer Hidden Layer 1 Hidden Layer 2 MAE MAPE Akurasi 1 5 3 - 0.017096 1.7096% 98.29 % 2 5 4 - 0.055892 5.5892% 94.41 % 3 5 5 - 0.055087 5.5087% 94.49 % 4 5 8 - 0.070510 7.0510% 92.95% 5 5 9 - 0.101420 10.1420% 89.86% 6 5 10 - 0.030041 3.0041% 97.00% 7 5 3 3 0.061693 6.17% 93.83% 8 5 3 10 0.154246 15.42% 84.58% 9 5 10 3 0.049788 4.98% 95.02% 10 5 10 10 0.184908 18.49% 81.51% Tabel 8 memperlihatkan perbandingan antara 10 model arsitektur pengujian pada pola pertama. Dari hasil pengujian tersebut ditemukan bahwa model arsitektur jaringan prediksi yang optimal memiliki input layer sebanyak 5 neuron dan hidden layer sebanyak 3 neuron. Dari model tersebut didapatkan nilai MAE sebesar 0.017096 dan MAPE sebesar 1.7096%. Sehingga tingkat akurasi yang dihasilkan sebesar 98.29%. Tabel 9. Hasil Pengujian Pola Kedua No. Jumlah Neuron Kriteria Input Layer Hidden Layer 1 Hidden Layer 2 MAE MAPE Akurasi 1 5 3 - 0.074635 7.46% 92.54% 2 5 4 - 0.199261 19.93% 80.07% 3 5 5 - 0.026944 2.69% 97.31% 4 5 8 - 0.053664 5.37% 94.63% 5 5 9 - 0.130438 13.04% 86.96% 6 5 10 - 0.051329 5.13% 94.87% 7 5 3 3 0.058246 5.82% 94.18% 8 5 3 10 0.119204 11.92% 88.08% 9 5 10 3 0.025453 2.55% 97.45% 10 5 10 10 0.206074 20.61% 79.39% Tabel 9 memperlihatkan perbandingan antara 10 model arsitektur pengujian pada pola kedua. Dari hasil pengujian tersebut ditemukan bahwa model arsitektur jaringan prediksi yang optimal memiliki input layer sebanyak 5 neuron, hidden layer 1 sebanyak 10 neuron dan hidden layer 2 sebanyak 3 neuron. Dari model tersebut didapatkan nilai MAE sebesar 0.025453 dan MAPE sebesar 2.55%. Sehingga tingkat akurasi yang dihasilkan sebesar 97.45%. Gambar 5. Perbandingan Jumlah Data Uji dan Model Arsitektur Terhadap Tingkat Akurasi Prediksi Dari grafik pada gambar 5 didapatkan bahwa jumlah data pelatihan dapat mempengaruhi tingkat akurasi prediksi pada pengujian. Di mana jumlah data pelatihan pada pola pertama yang menggunakan 80% data keseluruhan yaitu, data Tahun 2010, 2011, 2012 dan 2013 memiliki tingkat
  6. 6. 6 akurasi prediksi yang tinggi pada pengujian dibandingkan dengan jumlah data pelatihan pola pertama yang menggunakan 60% data keseluruhan yaitu, Tahun 2011, 2012 dan 2013. Sedangkan jumlah hidden layer dan jumlah neuron pada hidden layer tidak mempengaruhi tingkat akurasi prediksi. Setelah model arsitektur jaringan yang optimal didapatkan. Maka output dari jaringan tersebut dibandingkan dengan data real volume produksi air PDAM Tirta Bina Rantauprapat tahun 2014 dengan interval bulanan. Tabel 10. Perbandingan Data Real dan Output Prediksi Volume Produksi Air PDAM Tirta Bina Rantauprapat Tahun 2014 Bulan Total Volume Produksi Air (M3 ) Akurasi Real Prediksi Error Jan-14 307882 315015 -7133 97.68% Feb-14 243647 236061 7586 96.89% Mar-14 275059 274437 622 99.77% Apr-14 276706 278670 -1964 99.29% May-14 292824 299161 -6337 97.84% Jun-14 282941 287483 -4542 98.39% Jul-14 295647 302352 -6705 97.73% Aug-14 287294 292149 -4855 98.31% Sep-14 288706 294171 -5465 98.11% Oct-14 288706 294249 -5543 98.08% Nov-14 285059 289589 -4530 98.41% Dec-14 280353 283210 -2857 98.98% Dari hasil penelitian yang diperlihatkan pada table 10 didapatkan bahwa tingkat akurasi prediksi yang optimal yang dihasilkan dari proses pengujian adalah sebesar 98.29%. Perbandingan hasil prediksi dengan data real secara grafik dapat ditunjukkan pada gambar 6. Gambar 6. Perbandingan Data Real dan Output Prediksi Volume Produksi Air PDAM Tirta Bina Rantauprapat Tahun 2014 5. PENUTUP 5.1 Kesimpulan Dari penelitian ini dapat diambil kesimpulan sebagai berikut: 1. Jaringan Syaraf Tiruan dengan algoritma Backpropagation dapat diterapkan untuk memprediksi produksi air melalui pelatihan dan pengujian data masa lalu dengan menggunakan software Matlab. 2. Melalui pelatihan yang dilakukan terhadap dua pola data yaitu, pola data pertama Tahun 2010, 2011, 2012 dan 2013 serta pola data kedua Tahun 2011, 2012 dan 2013 didapatkan hasil bahwa jumlah data pelatihan pada pola kedua yang menggunakan 60% dari data keseluruhan memiliki tingkat akurasi prediksi yang tinggi sebesar 99.8579%. dengan arsitektur jaringan 5-3-1. 3. Melalui pengujian yang dilakukan terhadap dua pola data tersebut didapatkan hasil bahwa jumlah data pelatihan pada pola pertama yang menggunakan 80% dari data keseluruhan memiliki tingkat akurasi prediksi yang tinggi pada pengujian yaitu sebesar 98.29%. dengan arsitektur jaringan 5-3-1. 4. Jumlah data pada pelatihan Jaringan Syaraf Tiruan Backpropagation dapat mempengaruhi tingkat akurasi prediksi pada pelatihan dan pengujian. 5. Jumlah hidden layer dan jumlah neuron pada hidden layer tidak memberi pengaruh yang signifikan terhadap tingkat akurasi prediksi. 6. Melalui pelatihan dan pengujian beberapa model arstitektur jaringan backpropagation, maka didapatkan model arsitektur jaringan yang optimal yaitu, arsitektur jaringan dengan jumlah input layer 5, hidden layer 3 dan output layer 1. 7. Pengujian dengan model arsitektur jaringan 5-3-1 memberikan hasil yang yang mendekati target dengan nilai Mean Absolute Error (MAE) sebesar 0.017096. Sehingga nilai akurasi yang dihasilkan sebesar 98.29 %. 8. Berdasarkan hasil prediksi didapatkan bahwa tingkat kebutuhan air bersih yang harus diproduksi PDAM Tirta Bina Rantauprapat untuk tahun 2014 menurun dibandingkan tahun 2013. Produksi air pada tahun 2013 sebesar 3.651.208 M3 , sedangkan di tahun 2014 sebesar 3.446.547
  7. 7. 7 M3 . Berdasarkan hasil tersebut terjadi penurun produksi air sebesar 204.661 M3 . 5.2 Saran Adapun saran-saran yang dapat disampaikan penulis adalah sebagai berikut : 1. Penelitian ini masih jauh dari sempurna, untuk itu perlu dilakukan penelitian lebih lanjut dengan memperbanyak jumlah variabel input. 2. Prediksi menggunakan Jaringan Syaraf Tiruan dengan algoritma Backpropagation sangat berpengaruh dengan banyaknya data yang digunakan untuk pelatihan dan pengujian. Untuk itu perlu dilakukan pengembangan lebih lanjut dengan menggunakan data produksi air dengan rentang waktu lebih dari 5 tahun. 3. Diharapkan dengan adanya penelitian ini, peneliti selanjutnya dapat mengembangkan Jaringan Syaraf Tiruan Backpropagation untuk memprediksi produksi air dengan menggunakan GUI (Graphical User Interface), sehingga lebih memudahkan peneliti dalam melakukan penerapan Jaringan Syaraf Tiruan. DAFTAR PUSTAKA Anindita Septiarini, N. S. B. 2012. Sistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal EKSPONENSIAL, 3. Cici Oktaviana, A. 2013. Prediksi Curah Hujan Bulanan Menggunakan Jaringan Syaraf Tiruan Dengan Beberapa Fungsi Pelatihan Backpropagation (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001- 2012). Jurnal Fisika Unand, 2. Dwi Astuti Aprijani, U. U. S. 2011. Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Tulisan Tangan Huruf A, B, C, dan D Pada Jawaban Soal Pilihan Ganda. Jurnal Matematika, Sains dan Teknologi, 12. Kusumadewi, S. 2010. Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB & Excel Link, Yogyakarta, GRAHA ILMU. Li, S. 2014. Forecast Model of Water Quantity Based on Back Propagation Artificial Neural Network. TELKOMNIKA Indonesian Journal of Electrical Engineering, 12. M.f. Andrijasa, M. 2010. Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation. Jurnal Informatika Mulawarman, 5. Mahmoud Nasr, a. T., Shinichi Ookawara, Masaaki Suzuki 2013. Prediction of Hydrogen Production Using Artificial Neural Network. Seventeenth International Water Technology Conference, IWTC17. Marleni Anike, S., Ernawati 2012. Pengembangan Sistem Jaringan Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga Menggunakan Backpropagation (Studi Kasus: Regional X Cabang Palu). Seminar Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012). Maru'ao, D. O. 2010. Neural Network Implementation in Foreign Exchange Kurs Prediction. Gunadarma University Journal, Jakarta. Sangadji, I. B. 2009. Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation. Jurnal Informatika, Universitas Kristen Maranatha, Bandung 5. Setiawan, W. 2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network Dengan Algoritma Backpropagation. Konferensi Nasional Sistem dan Informatika, Bali. Siang, J. J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB Yogyakarta, Penebit ANDI. .

×