ANALISIS JARINGAN SARAF TIRUAN UNTUK

PREDIKSI LUAS PANEN BIOFARMAKA DI INDONESIA

Nama : Dandung Irwan Sputra

NIM : 41419120205
PRODI : TEKNIK ELEKTRO
Abstrak
Analisis pada prediksi sangat penting dilakukan pada sebuah penelitian, agar penelitian menjadi
lebih tepat dan terarah.Seperti halnya dalam Mengestimasi luas panen biofarmaka di Indonesia,
diperlukan adanya kajian-kajian dan penggunaan metode yang tepat untuk mendapatkan hasil
yang optimal.Penelitian ini diharapkan dapat bermanfaat secara luas, baik bagi Pemerintah
maupun para petani biofarmaka sebagai salah satu bahan kajian dalam pengembangan
produksi hasil panen biofarmaka, maupun bagi para akademisi sebagai bahan penelitian
khususnya yang terkait dengan bidang pertanian dan kesehatan. Data yang digunakan dalam
penelitian ini adalah data Luas Panen Biofarmaka di Indonesia yang berasal dari Badan Pusat
Statistik Nasional dari tahun 2012 sampai dengan tahun 2016. Penelitian ini menggunakan
metode jaringan saraf tiruan Backpropagation dengan menggunakan 5 model arsitektur, yakni :
3-3-1 yang nantinya akan menghasilkan prediksi dengan tingkat akurasi sebesar 80%, 3-4-1 =
87%, 3-5-1 = 73%, 3-6-1 = 60% dan 3-8-1 = 73%. Sehingga diperoleh model arsitektur
terbaik menggunakan model 3-4-1 yang menghasilkan tingkat akurasi sebesar 87%, MSE
0,00063265 dengan tingkat error yang digunakan 0,001 – 0,05. Dengan demikian, model ini
cukup bagus untuk luas panen biofarmaka di Indonesia.

Kata kunci—Analisis, Prediksi, JST, Backpropagation, Biofarmaka

Abstract
Analysis of a prediction is very important to do in a study, so that research becomes more
precise and directed. Just as in predicting the extent of biopharmaceutical harvests in
Indonesia, it is necessary to study and use appropriate methods to obtain optimal results. This
research is expected to be widely used for both local government and biopharmaca farmers as
one of the study materials in the development of biopharmaca harvest production, as well as for
academics as research material especially related to agriculture and health. The data used in
this research is the data of Harvested Area of Biopharmaceutical in Indonesia from National
Bureau of Statistics from 2012 until 2016. This research uses the method of artificial neural
network Backpropagation using 5 architectural models, namely: 3-3-1 later it will generate
predictions with an accuracy rate of 80%, 3-4-1 = 87%, 3-5-1 = 73%, 3-6-1 = 60%, and 3-8-1 =
73% ,. So obtained the best architectural model using 3-4-1 model that yields an accuracy of
87%, MSE 0.062235528 with error rate used 0.001 to 0.05. Thus, this model is good enough to
predict the area of biopharmaca harvest in Indonesia.

Keywords—Analysis, Prediction, ANN, Backpropagation, Biopharmaca

 1. PENDAHULUAN

Biofarmaka atau tanaman obat sangatbermanfaat dalam memenuhikebutuhan hidup

manusia. Dalam dunia farmasi, tanaman obat (biofarmaka) merupakan sumber bahan baku
obat tradisional maupun modern. Sekarang ini ada kecenderungan masyarakat untuk
mengkonsumsi obat tradisional, karena adanya perubahan gaya hidup back to nature dan
mahalnya obat-obatan modern yang membuat permintaan tanaman obat semakin tinggi, tidak
hanya di Indonesia tetapi juga dunia.Indonesia sendiri merupakan negara kedua terkaya
didunia dalam hal keanekaragaman hayati, setelah Negara Brazil. Terdapat sekitar 30,000 jenis
(spesies) yang telah di identifikasi dan 950 spesies di antaranya diketahui memiliki fungsi
biofarmaka, yaitu tumbuhan, hewan, dan mikrob yang berpotensi sebagai obat,
makanan, kesehatan, nutraseutikal, yang baik untuk manusia, hewan maupun tanaman.
Dengan keanekaragaman hayatinya, seharusnya Indonesia mampu menjadi pusat
pengembangan agribisnis berbasiskan biofarmaka. Dengan kekayaan biota bahan obat-obatan
tradisonal, bahan kosmetika alami dan bahan pemelihara kesehatan, seharusnya pula,
kekayaan alami (bioresources) tersebut dapat dimanfaatkan sebagai penggerak pertumbuhan
ekonomi nasional [1]. Di Indonesia tanaman biofarmaka tumbuh berbagai jenis tanaman yang
dapat digunakan untuk obat atau yang bermafaat bagi kesehatan tubuh yang sering dijumpai di
kehidupan sehari – hari. Tanaman seperti kunyit, jahe, dan jeruk purut dapat ditanam di
pekarangan rumah dan berguna sebagai
pengusir berbagai penyakit ringan sehari – hari seperti batuk, masuk angin, panas dalam dan
meningkatkan sistem kekebalan tubuh. Tidak hanya itu, beberapa tumbuhan yang tumbuh di
Indonesia terbukti ampuh mengatasi berbagai
penyakit yang lebih berat. Beberapa tanaman dipercaya dapat mengatasi penyakit mematikan
seperti AIDS, kanker, tumor dan sebagainya. Tanaman obat juga dapat dijadikan alternatif
berobat yang aman, alami dan ampuh, selain itu tanaman obat juga berguna untuk menjaga
kecantikan dan kesehatan kulit dan tubuh [2].
Produk biofarmaka berpotensi untuk pengembangan Industri Obat Tradisional (IOT) dan
kosmetika di Indonesia. Penggunaan tumbuhan oleh IOT dimulai dengan memanfaatkan
tanaman yang diperoleh dari hutan alam dan produk budidaya [3]. Beragam dan mudahnya
bahan untuk tanaman obat yang sesuai untuk penderita penyakit di Indonesia, rasio resiko-
kegunaan sangat menguntungkan penderita, dan adanya kelemahan obat-obatan kimia
sintetis menjadikan tumbuhan obat memiliki prospek dan peluang yang tinggi untuk
dikembangkan. Potensi yang sangat besar tersebut harus dimanfaatkan sebaik baiknyaagar
kedepannya dapat memberikan manfaatbagi pengembangan kesehatan di
Indonesia.Perlunyamelakukan upaya agar penggunaantanaman obat dapat mendukung
kebutuhanakan obat-obatan yang semakin mendesak danuntuk mendapatkan obat pengganti
jikaresistensi obat terjadi secara meluas [4].
Pada Tabel 1 dapat dilihat adanyaketimpangan luas panen biofarmaka yangcukup
signifikan dari tahun ke tahun,diantaranya tanaman jahe, temulawak, kapulaga, mengkudu,
mahkota dewa,kejibeling hingga sambiloto. Sedangkan untuktanaman laos/lengkuas, kencur,
kunyit,lempuyang, temuireng, temukunci, dlingo danlidah buaya relatif stabil. Akan tetapi,
kalauhal ini semakin dibiarkan, maka akanberdampak terhadap tingkat luas panenbiofarmaka
dimasa yang akan datang.
 Metode yang digunakan untuk Memprediksi Luas Panen Biofarmaka di Indonesia ini
adalah algoritma backpropagation. Diharapkan dengan adanya penggunaan metode ini maka
akan didapatkan hasil seperti yang diinginkan, karena algoritma backpropagation
memungkinkan untuk menghindari kesulitan yang dijelaskan menggunakan aturan belajar yang
hampir sama dengan plastisitas lonjakan waktu yang tergantung pada sinapsis [5][6]. Pada
penelitian sebelumnya oleh [7] telah dilakukan penelitian untuk Prediksi Nilai Tukar Petani
Menggunakan Jaringan Syaraf Tiruan Backpropagation. Data yang digunakan adalah data pada
tahun 2008-2012 untuk proses pelatihan jaringan. Pengujian dilakukan dengan membandingkan
hasil pengujian dengan data aktual tahun 2013 dan 2014.
Hasilnya menunjukkan bahwa persentase error terkecil jika jumlah node lapisan
tersembunyi 7 dan nilai laju pembelajaran 0,1 dengan rata-rata error sebesar 0,61% atau
tingkat akurasi mencapai 99.39%. Selanjutnya oleh [8] telah dilakukan penelitian untuk
Memprediksi Nilai Ujian Sekolah. Hasilnya menunjukkan bahwa nilai Mean Square Error (MSE)
terkecil pada mata pelajaran Matematika diperoleh sebesar 0,5100175 dengan kombinasi
parameter pelatihan berupa 26.000 epoch dan learning rate-nya sebesar 0,5. Pada mata
pelajaran IPA, nilai MSE terkecil diperoleh sebesar 0,1405143 lewat kombinasi parameter
pelatihan 1.000 epoch dan nilai learning rate-nya 0,9. Tingkat akurasi rata-rata keluaran
jaringan diperoleh sebesar 80,15 %. Sehingga dapat disimpulkan bahwa jaringan saraf tiruan
backpropagation yang dihasilkan dapat diandalkan untuk melakukan prediksi nilai ujian sekolah
siswa sekolah dasar. Oleh [9] telah dilakukan penelitian untuk memprediksi jumlah kemiskinan
pada kabupaten/kota di Provinsi Riau. Hasil penelitiannya memiliki kemampuan untuk
mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Terdapat 5 model
arsitektur yang digunakan pada algoritma backpropagation ini, antara lain 4-2-5-1 yang nantinya
akan menghasilkan prediksi dengan tingkat akurasi 8%, 4-5-6-1 = 25%, 4-10-12-1 = 92%, 4-
1015-1= 100% dan 4-15-18-1= 33%. Arsitektur terbaik dari ke 5 model ini adalah 4-10-12-1
dengan tingkat keakurasian mencapai 100% dan tingkat error yang digunakan 0,001 -0,05.
 2. METODE PENELITIAN

2.1 Analisis
Analisis merupakan pemecah atau pemisah suatu komunikasi (peristiwa,pengertian) menjadi
unsur-unsur penyusunnya, sehingga ide (pengertian, konsep) itu relatifcmenjadi lebih jelas
hubungannya antar ide-ide yang lebih eksplisit [10]. Analisis pada algoritma backpropagation
melibatkan tiga lapisan: input layer, dimana data akan dimasukkan ke jaringan; hidden layer,
tempat pemrosesan data; dan output layer, dimana hasil input yang diberikan dihasilkan [11]
[12].

2.2 Algoritma Backpropagation

Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan
oleh perceptron dengan banyak layar lapisan untuk mengubah bobot yang ada pada lapisan
tersembunyi. Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola
penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil
prediksi dengan keluaran yang nyata [13][14]. Backpropagation adalah metode pembelajaran
jaringan ANN yang paling umum digunakan. Metode ini bekerja melalui proses secara iteratif
dengan menggunakan sekumpulan contoh data (data training), membandingkan nilai prediksi
dari jaringan dengan setiap contoh [15][16].

2.3 Prediksi
Prediksi atau peramalan merupakan usaha memperkirakan sesuatu yang akan terjadi di waktu
mendatang dengan memanfaatkan berbagai informasi yang relevan pada waktu-waktu
sebelumnya melalui suatu metode ilmiah [17][18].

2. 4 Biofarmaka
Biofarmaka menjadi salah satu penyebab penggerak perkembangan pertanian dengan mutu
bahan baku yang baik. Tanaman herbal sangat penting untuk kehidupan saat ini guna
memenuhi kebutuhan dasar kesehatan dan tanaman herbal tidak memiliki efek samping
kesehatan sebesar obat-obatan berbahan kimia [19]. Pemberian pupuk organik dapat
meningkatkan kesuburan tanah dan memperbaiki struktur tanah untuk meningkatkan
pertumbuhan dan perkembangan tanaman obat [20]. Produksi biofarmaka mengalami
pertumbuhan yang fluktuatif, dimana terjadi penurunan 0,22% berdasarkan produksinya
sebesar 60,220 ton jahe pada periode 2008-2011, tetapi kembali meningkat 0,21% sebesar
19.794 ton pada tahun 2012. Produksi kunyit juga mengalami penurunan 0,23% pada periode
2008–2011 sebanyak 26.455 ton, dan mengalami peningkatan 0,14% di tahun 2012 sebesar
12.176 ton (Ditjend Hortikultura Departemen Pertanian, 2012) [21].
2.5 Kerangka Kerja Penelitian
Kerangka kerja penelitian digunakan untuk menyelesaikan masalah pada penelitian ini
ditunjukkan oleh Gambar 1.

Berdasrkan Gambar 1, dapat dijelaskan bahwa mengumpulkan data di dalam suatu

penelitian merupakan hal pertama yang harus dilakukan. Setelah itu dilakukan studi pustaka
untuk melengkapi pengetahuan dasar dan teori-teori yang digunakan dalam penelitian ini.
Setelah itu dilanjutkan tahap identifikasi masalah untuk memproses tahap konversi data yang
diperoleh sesuai dengan bobot yang telah ditentukan.Selanjutnya dilanjutkan tahapan
Pra proses dengan tujuan untuk mempermudah pemahaman terhadap isi record. Kemudian
dilanjutkan dengan menentukan pola maupun penentuan model arsitektur jaringan yang
disesuaikan dengan masalah penelitian yang dihadapi. Selanjutnya menguji hasil pengolahan
data dengan menggunakan aplikasi Matlab. Tahapan selanjutnya adalah memprediksi, yakni
untuk melihat perbandingan dari beberapa model arsitektur yang digunakan pada penelitian
sehingga diperoleh model arsitektur terbaik serta tingkat akurasi yang paling akurat. Kemudian
mengevaluasi akhir untuk mengetahui apakah hasil pengolahan data sudah sesuai seperti yang
diinginkan.

2.6 Data yang Digunakan

Dalam penelitian ini data yang digunakan adalah data luas panen tanaman biofarmaka
di Indonesia Tahun 2012-2016 (Tabel 1). Data ini nantinya akan dibagi menjadi 2 bagian antara
lain, data training yang akan digunakan adalah data tahun 20122014 dengan target tahun 2015.
Sedangkan data testing-nya yang akan digunakan adalah tahun 2013-2015 dengan target
tahun 2016.
2.7 Normalisasi Data
Sebelum diproses, terlebih dahulu data dinormalisasi dengan menggunakan fungsi sigmoid
(tidak mencapai 0 atau 1), maka transformasi data dilakukan pada interval yang lebih kecil
yaitu (0,1;0,9), ditunjukkan oleh Persamaan (1).

Tabel 2 merupakan Hasil normalisasi data training. Data ini telah dinormalisasi menggunakan
fungsi sigmoid (Persamaan (1)) berdasarkan pada Tabel 1, yakni tahun 20122014 dengan
target tahun 2015.

Tabel 2 Normalisasi Data Training (Tahun 2012-2014) / Target Tahun 2015

Tabel 3 merupakan Hasil normalisasi data testing. Data ini telah dinormalisasi menggunakan
fungsi sigmoid (Persamaan (1)) berdasarkan pada Tabel 1, yakni tahun 20132015 dengan
target tahun 2016.
Tabel 3. Normalisasi Data Testing (Tahun 2013-2015) / Target Tahun 2016
 3. HASIL DAN PEMBAHASAN

3.1 Analisis
Sebelum Training dilakukan, terlebih dahulu ditentukan nilai parameter yang diinginkan guna
memperoleh hasil yang optimal. Parameter-parameter yang digunakan secara umum pada
aplikasi Matlab untuk training dan testing dapat dilihat pada Gambar 2.

3.2 Hasil
Penelitian ini menggunakan 5 arsitektur. Antara lain 3-3-1, 3-4-1, 3-5-1,3-6-1, 3-8-1. Dari ke 5
arsitektur ini, arsitektur terbaiknya yaitu 3-4-1 dengan tingkat akurasi sebesar 87%. Gambar 3
menunjukkan Hasil Data Training Dengan Model Arsitektur 3-4-1.

Tabel 4 merupakan hasil akurasi dan tingkat MSE dari model arsitektur terbaik, yakni 3-
4-1. Tabel 4 ini dibuat dan dihitung dengan menggunakan Microsoft Excel. Berdasarkan tabel 4,
error = diperoleh dari Target-Output, SSE = diperoleh dari Error ^2, Total = Jumlah SSE
yang dihasilkan dari pola 1 ke pola15, Hasil = Jika nilai kesalahan dalam pengujian data < =
0,05 maka hasilnya benar (1). Jika tidak maka salah (0). Akurasi = diperoleh dari jumlah hasil
yang benar pada ((pola/15) * 100), menghasilkan 87%, Margin Error = diperoleh dari jumlah
hasil yang salah pada ((pola/15) * 100) atau diperolehdari jumlah akurasi maksimum (100%)
dikurangi akurasi yang dihasilkan,menghasilkan 13%. MSE = Diperoleh dari Total SSE/15
(jumlah pola).

Tabel 4 Arsitektur Terbaik dengan Model 3-4-=/-m-.1

Pada tabel 5 dapat dilihat perbandingan dari 5 model arsitektur jaringan yang
digunakan. Dari ke 5 model arsitektur ini, tingkat Epoch dan waktu diperoleh dengan
menggunakan aplikasi Matlab, sedangkan MSE dan Akurasi dari masing-masing model
arsitektur diperoleh dengan menggunakan perhitungan pada Microsoft Excel. Kesimpulan dari
ke 5 model arsitektur ini diperoleh model arsitektur terbaik menggunakan 3-4-1.

Tabel 5 Perbandingan Akurasi dengan Algoritma Backpropagation

Pada Tabel 6 dapat dilihat hasil prediksi Luas Panen Tanaman Biofarmaka di Indonesia
untuk 4 tahun kedepan, yakni tahun 20172020, Adapun hasil ini diperoleh dari perhitungan
dengan model arsitektrur terbaik (3-4-1) menggunakan aplikasi Matlab dan Microsoft Excel,
sama seperti pembahasan sebelumnya.
Tabel 6. Hasil Prediksi Luas Panen Biofarmaka 4 Tahun ke Depan dengan Backpropagation
(Tahun 2017-2020)
 4. KESIMPULAN

Kesimpulan yang dapat diambil dari penelitian ini antara lain :

1. Dengan model arsitektur 3-4-1, dapat melakukan prediksi Luas Panen Tanaman Biofarmaka
di Indonesia dengan tingkat akurasi sebesar 87%.
2. Model Arsitektur jaringan serta parameter yang digunakan sangat mempengaruhi tingkat
training dan testing.
3. Hasil dari penelitian ini, diharapkan mampu memberikan acuan dan masukan kepada para
petaniBiofarmaka maupun pemerintah untuk membuat kebijakan yang tepat agar Luas panen
tanaman biofarmaka setiap tahunnya jangan sampai menurun.

5. SARAN
Berdasarkan hasil penelitian, ada saran-saran yang dapat penulis kemukakan demi
pengembangan penelitian, antara lain:
1. Penggunaan model arsitektur jaringan hendaknya lebih dikembangkan lagi, selain dari yang
sudah penulis lakukan. Misal nya dengan menggunakan 2 hidden layer.
2. Penggunaan learning ratedan tingkat erorr yang lebih kecil serta parameter train yang
berbeda, agar menghasilkan tingkat akurasi yang lebih baik.
3. Penelitian ini hendaknya dikembangkan dengan menggunakan metode atau algoritma yang
lain.
 DAFTAR PUSTAKA
[1] Sundawati, L., Purnaningsih, N. and Purwakusumah, E. D., 2012, Pengembangan Model
Kemitraan dan
Pemasaran Terpadu Biofarmaka dalam Rangka Pemberdayaan Masyarakat Sekitar Hutan di
Kabupaten Sukabumi,
Provinsi Jawa Barat (Integrated), Jurnal Ilmu Pertanian Indonesia, vol. 17, no.3, pp. 153–158.

[2] Hani, D. A., Widayati, W. and Taufiq, A., 2015, Kajian Kerjasama Antar Pemangku
Kepentingan Dalam ProgramPengembangan Tanaman Obat (Biofarmaka) Di Kecamatan
Tengaran, Journal of Politic and Government
Studies, vol. 5, no. 4, pp. 1–15.

[3] Desa, G., Gajah, G. and Bayat, K. , 2008, Analisis Usaha Tani Biofarmaka (Studi Kasus
Kelompok Tani Sri
Gunung Desa Gunung Gajah Kecamatan Bayat Kabupaten Klaten),”vol. 3, no. Deptan, pp.
612–618.

[4] D. I. Desa, M. Kecamatan, and I. Selatan, 2017, “No Title,” vol. 14, no.1, pp. 45–52

[5] Wanto, A. and Windarto, A. P., 2017, Analisis Prediksi Indeks Harga Konsumen
Berdasarkan Kelompok
Kesehatan Dengan Menggunakan Metode Backpropagation, Sinkron Jurnal & Penelitian Teknik
Informatika,
vol. 2, no. 2, pp. 37–44.

[6] Website :
https://www.researchgate.net/publication/326295455_ANALISIS_JARINGAN_SARAF_TIRUAN
_UNTUK_PREDIKSI_LUAS_PANEN_BIOFARMAKA_DI_INDONESIA