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 Penelitian ini menerapkan Jaringan Syaraf

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
Syabaniah, 2012).
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

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,
2
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.
Pengumpulan Data
Analisa Data
Perancangan Jaringan Syaraf Tiruan
Pelatihan dan Pengujian Jaringan Syaraf Tiruan
Evaluasi
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:
 3

a. X1 = Jumlah pelanggan aktif berdasarkan b. Normalisasi (preprocessing)

kelompok rumah tangga Data yang akan dimasukkan ke dalam
b. X2 = Volume air yang berkurang setelah Jaringan Syaraf Tiruan harus dinormalisasi terlebih
dahulu. Proses normalisasi dilakukan terhadap data
dilakukan proses penyaringan dari sumber
input dan target. Normalisasi dilakukan
air. menggunakan bantuan software Matlab dengan
c. X3 = Hasil penyaringan berupa air bersih syntax: [pn,meanp,stdp,tn,meant,stdt] = prestd(p,t).
yang telah siap untuk didistribusikan kepada Dengan p adalah matriks input pelatihan dan t adalah
pelanggan. matriks target. Hasil dari proses normalisasi data
d. X4 = Jumlah air yang dipakai oleh pelanggan pelatihan diperlihatkan pada tabel 2.
yang dihitung melalui meteran air. .
Tabel 2. Normalisasi Data Pelatihan
e. X5 = Kehilangan air terjadi akibat pipa No X1 X2 X3 X4 X5 Y
penyaluran dari PDAM ke pelanggan bocor 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
ataupun terjadinya pencurian air. 3 1.1554 -1.1996 -1.1996 0.7621 -1.2463 -1.1996
f. Y = Jumlah air yang harus diproduksi setiap 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
bulan sesuai dengan jumlah kebutuhan
6 1.1354 -1.4223 -1.4223 0.6620 -1.3775 -1.4223
pelanggan. 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
3.3 Perancangan Jaringan Syaraf Tiruan 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

Jaringan Syaraf Tiruan dirancang dengan

menggunakan struktur jaringan yang terdiri dari
lapisan masukan, lapisan tersembunyi dan lapisan c. Perancangan Arsitektur Jaringan Syaraf
keluaran. Adapun langkah-langkah yang dilakukan Tiruan
dalam membangun jaringan untuk melakukan Arsitektur Jaringan Syaraf Tiruan yang
prediksi diuraikan sebagai berikut: dibangun terdiri dari 5 neuron pada lapisan masukan,
lapisan tersembunyi dan 1 neuron pada lapisan
a. Pembagian data keluaran keluaran. Jumlah lapisan masukan
Data dibagi menjadi dua kelompok. disesuaikan dengan banyaknya variabel input yang
Kelompok pertama adalah data Tahun 2010, 2011, mempengaruhi produksi air. Jumlah lapisan
2012 dan 2013 menjadi data pelatihan, sedangkan tersembunyi ditentukan dengan cara trial and error
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

Input Target
No. Bulan
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 Gambar 3. Arsitektur Jaringan Syaraf Tiruan
12 Des 10 5708 36882 208995 122258 86737 245877
Backpropagation untkuk Memprediksi Produki Air
 4

3.4 Pelatihan dan Pengujian Jaringan Syaraf 3.5 Evaluasi

Tiruan
Evaluasi dilakukan untuk mengetahui
Pelatihan dan pengujian Jaringan Syaraf apakah data hasil pengujian mempunyai kesesuain
Tiruan backpropagation diimplementasikan dalam 10 pola dengan data target yang telah ditentukan. Bila
model arsitektur. Selain itu, dibutuhkan pengaturan nilai MSE, MAE dan MAPE sudah mencapai nilai
parameter jaringan yang meliputi: learning rate, yang optimal, maka proses pengujian selesai. Namun
momentum constant (mc), epoch maksimum dan nilai apabila belum mencapai nilai yang optimal, perlu
goal (toleransi error). dilakukan pengubahan model arsitektur dan
konfigurasi jaringan serta komposisi pembagian data
Tabel 3. Model Arsitektur dan Parameter Pelatihan pada tahapan perancangan Jaringan Syaraf Tiruan.
ARSITEKTUR PARAMETER
No. Input Hidden Hidden Learning Mom
Epoch Goal
layer layer 1 layer 2 rate entum
1 5 3 - 0.1 0.5 100000 0.001
2 5 4 - 0.1 0.5 100000 0.001 4. HASIL DAN PEMBAHASAN
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 4.1 Hasil Pelatihan
6 5 10 - 0.1 0.5 100000 0.001
7 5 3 3 0.1 0.5 100000 0.001 Setelah dilakukan pelatihan terhadap dua
8 5 3 10 0.1 0.5 100000 0.001 pola data dengan menerapkan 10 model arsitektur
9 5 10 3 0.1 0.5 100000 0.001
10 5 10 10 0.1 0.5 100000 0.001 Jaringan Syaraf Tiruan Backpropagation. Maka
dilakukan analisa dengan membandingkan
Dengan menggunakan model arsitektur dan keseluruhan hasil pelatihan. Dengan membandingkan
parameter pelatihan yang sudah terbentuk, kemudian hasil dari pelatihan tersebut, akan didapatkan pola
dilakukan proses pengujian dengan menggunakan 12 data dan model arsitektur mana yang memiliki
set data yang telah ditentukan. tingkat akurasi prediksi yang tinggi.

Tabel 4. Data Pengujian Tabel 6. Hasil Pelatihan Pola Pertama

Jumlah Neuron Kriteria
No X1 X2 X3 X4 X5 Hidden Hidden
No. Input
1 6883 46182 261700 106259 155441 Layer
Layer
1
Layer
2
MSE MAE MAPE Akurasi

2 6955 36547 207100 99883 107217 1 5 3 - 0.000999 0.003162 0.3162 % 99.6838 %

2 5 4 - 0.001000 0.003146 0.3146 % 99.6854 %
3 6924 41259 233800 98591 135209 3 5 5 - 0.001000 0.003423 0.3423 % 99.6577 %
4 6924 41506 235200 114291 120909 4 5 8 - 0.000999 0.003170 0.3170 % 99.6830 %
5 5 9 - 0.001000 0.003275 0.3275 % 99.6725 %
5 6936 43924 248900 114379 134521 6 5 10 - 0.001000 0.003072 0.3072 % 99.6928 %
6 6946 42441 240500 120923 119577 7 5 3 3 0.001000 0.003083 0.3083 % 99.6917 %
8 5 3 10 0.000999 0.003284 0.3284 % 99.6716 %
7 6958 44347 251300 108828 142472 9 5 10 3 0.001000 0.003192 0.3192 % 99.6808 %
8 6963 43094 244200 108066 136134 10 5 10 10 0.001000 0.003381 0.3381 % 99.6619 %

9 7048 43306 245400 108862 136538

10 7048 43306 245400 110080 135320 Tabel 6 memperlihatkan perbandingan
11 7023 42759 242300 111161 131139 antara 10 model arsitektur pelatihan pola pertama.
12 7053 42053 238300 109917 128383
Dari hasil pelatihan tersebut ditemukan bahwa model
arsitektur jaringan prediksi yang optimal
Selanjutnya dilakukan normalisasi data menggunakan input layer sebanyak 5 neuron dan
pengujian dengan syntax: qn = trastd(q,meanp,stdp);. hidden layer sebanyak 10 neuron. Dari model
tersebut didapatkan nilai MSE sebesar 0.001000,
Tabel 5. Normalisasi Data Pengujian MAE sebesar 0.003072 dan MAPE sebesar 0.3072%.
No X1 X2 X3 X4 X5
Sehingga tingkat akurasi yang dihasilkan sebesar
1 5.7406 0.3869 0.3869 -0.7890 0.6271
2 6.0289 -1.2567 -1.2567 -1.1481 -0.4987 99.6928%.
3 5.9048 -0.4530 -0.4530 -1.2208 0.1548
4 5.9048 -0.4108 -0.4108 -0.3366 -0.1791 Tabel 7. Hasil Pelatihan Pola Kedua
Jumlah Neuron Kriteria
5 5.9528 0.0016 0.0016 -0.3317 0.1387 Hidden Hidden
No. Input
6 5.9929 -0.2513 -0.2513 0.0369 -0.2102 Layer
Layer Layer MSE MAE MAPE Akurasi
1 2
7 6.0409 0.0738 0.0738 -0.6443 0.3243 1 5 3 - 0.000999 0.001421 0.1421 % 99.8579 %
8 6.0610 -0.1399 -0.1399 -0.6872 0.1764 2 5 4 - 0.001000 0.001793 0.1793 % 99.8207 %
3 5 5 - 0.001000 0.001954 0.1954 % 99.8046 %
9 6.4014 -0.1038 -0.1038 -0.6424 0.1858 4 5 8 - 0.000999 0.001643 0.1643 % 99.8366 %
5 5 9 - 0.001000 0.001704 0.1704 % 99.8296 %
10 6.4014 -0.1038 -0.1038 -0.5738 0.1574
6 5 10 - 0.001000 0.001649 0.1649 % 99.8351 %
11 6.3012 -0.1971 -0.1971 -0.5129 0.0597 7 5 3 3 0.001000 0.001691 0.1691 % 99.8309 %
8 5 3 10 0.000100 0.001470 0.1470 % 99.8530 %
12 6.4214 -0.3175 -0.3175 -0.5830 -0.0046 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

Tabel 7 memperlihatkan perbandingan Tabel 8 memperlihatkan perbandingan

antara 10 model arsitektur pelatihan pada pola kedua. antara 10 model arsitektur pengujian pada pola
Dari hasil pelatihan tersebut ditemukan bahwa model pertama. Dari hasil pengujian tersebut ditemukan
arsitektur jaringan prediksi yang optimal bahwa model arsitektur jaringan prediksi yang
menggunakan input layer sebanyak 5 neuron dan optimal memiliki input layer sebanyak 5 neuron dan
hidden layer sebanyak 3 neuron. Dari model tersebut hidden layer sebanyak 3 neuron. Dari model tersebut
didapatkan nilai MSE sebesar 0.000999, MAE didapatkan nilai MAE sebesar 0.017096 dan MAPE
sebesar 0.001421 dan MAPE sebesar 0.1421%. sebesar 1.7096%. Sehingga tingkat akurasi yang
Sehingga tingkat akurasi yang dihasilkan sebesar dihasilkan sebesar 98.29%.
99.8579%.
Tabel 9. Hasil Pengujian Pola Kedua
Jumlah Neuron Kriteria
Hidden Hidden
No. Input
Layer Layer MAE MAPE Akurasi
Layer
1 2
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

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.
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%.

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

Jumlah Neuron Kriteria
Hidden Hidden
No. Input
Layer Layer MAE MAPE Akurasi
Layer
1 2
1 5 3 - 0.017096 1.7096% 98.29 % Gambar 5. Perbandingan Jumlah Data Uji dan
2 5 4 - 0.055892 5.5892% 94.41 % Model Arsitektur Terhadap Tingkat Akurasi Prediksi
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% Dari grafik pada gambar 5 didapatkan
6 5 10 - 0.030041 3.0041% 97.00% bahwa jumlah data pelatihan dapat mempengaruhi
7 5 3 3 0.061693 6.17% 93.83%
tingkat akurasi prediksi pada pengujian. Di mana
8 5 3 10 0.154246 15.42% 84.58%
9 5 10 3 0.049788 4.98% 95.02% jumlah data pelatihan pada pola pertama yang
10 5 10 10 0.184908 18.49% 81.51% menggunakan 80% data keseluruhan yaitu, data
Tahun 2010, 2011, 2012 dan 2013 memiliki tingkat
 6

akurasi prediksi yang tinggi pada pengujian 5. PENUTUP

dibandingkan dengan jumlah data pelatihan pola
pertama yang menggunakan 60% data keseluruhan 5.1 Kesimpulan
yaitu, Tahun 2011, 2012 dan 2013. Sedangkan
jumlah hidden layer dan jumlah neuron pada hidden Dari penelitian ini dapat diambil kesimpulan
layer tidak mempengaruhi tingkat akurasi prediksi. sebagai berikut:
Setelah model arsitektur jaringan yang 1. Jaringan Syaraf Tiruan dengan algoritma
optimal didapatkan. Maka output dari jaringan Backpropagation dapat diterapkan untuk
tersebut dibandingkan dengan data real volume memprediksi produksi air melalui pelatihan
produksi air PDAM Tirta Bina Rantauprapat tahun dan pengujian data masa lalu dengan
2014 dengan interval bulanan. menggunakan software Matlab.
2. Melalui pelatihan yang dilakukan terhadap
dua pola data yaitu, pola data pertama Tahun
Tabel 10. Perbandingan Data Real dan Output
2010, 2011, 2012 dan 2013 serta pola data
Prediksi Volume Produksi Air
kedua Tahun 2011, 2012 dan 2013
PDAM Tirta Bina Rantauprapat Tahun 2014
Total Volume Produksi Air (M3)
didapatkan hasil bahwa jumlah data
Bulan Akurasi pelatihan pada pola kedua yang
Real Prediksi Error
Jan-14 307882 315015 -7133 97.68% menggunakan 60% dari data keseluruhan
Feb-14 243647 236061 7586 96.89% memiliki tingkat akurasi prediksi yang
Mar-14 275059 274437 622 99.77% tinggi sebesar 99.8579%. dengan arsitektur
Apr-14 276706 278670 -1964 99.29% jaringan 5-3-1.
May-14 292824 299161 -6337 97.84% 3. Melalui pengujian yang dilakukan terhadap
Jun-14 282941 287483 -4542 98.39%
dua pola data tersebut didapatkan hasil
Jul-14 295647 302352 -6705 97.73%
Aug-14 287294 292149 -4855 98.31%
bahwa jumlah data pelatihan pada pola
Sep-14 288706 294171 -5465 98.11% pertama yang menggunakan 80% dari data
Oct-14 288706 294249 -5543 98.08% keseluruhan memiliki tingkat akurasi
Nov-14 285059 289589 -4530 98.41% prediksi yang tinggi pada pengujian yaitu
Dec-14 280353 283210 -2857 98.98% sebesar 98.29%. dengan arsitektur jaringan
5-3-1.
Dari hasil penelitian yang diperlihatkan pada 4. Jumlah data pada pelatihan Jaringan Syaraf
table 10 didapatkan bahwa tingkat akurasi prediksi Tiruan Backpropagation dapat
yang optimal yang dihasilkan dari proses pengujian mempengaruhi tingkat akurasi prediksi pada
adalah sebesar 98.29%. Perbandingan hasil prediksi pelatihan dan pengujian.
dengan data real secara grafik dapat ditunjukkan 5. Jumlah hidden layer dan jumlah neuron
pada gambar 6. 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
Gambar 6. Perbandingan Data Real dan Output
bahwa tingkat kebutuhan air bersih yang
Prediksi Volume Produksi Air
harus diproduksi PDAM Tirta Bina
PDAM Tirta Bina Rantauprapat Tahun 2014
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

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.
.
7
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.