Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017

ISSN 2339-210X

PENERAPAN METODE BACKPROPAGATION NEURAL NETWORK

UNTUK MEMPREDIKSI PRODUKSI AIR
Muhammad Halmi Dar

Dosen Teknik Informatika Universitas Al Washliyah Labuhanbatu, Sumatera Utara

Jl. Sempurna Linkar By Pass Rantauprapat, Sumatera Utara

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, Air

I. PENDAHULUAN sampai dengan Desember 2014. Data tersebut dibagi

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
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.
II. LANDASAN TEORI
A. 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).
B. 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),

203

Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
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.
III. ANALISIS DAN PERANCANGAN
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
204
ISSN 2339-210X
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
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:
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.
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.
 205
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

Pelatihan dan Pengujian Jaringan Syaraf Tiruan

Tabel 1. Sampel Data Pelatihan Pelatihan dan pengujian Jaringan Syaraf Tiruan
No. Bulan
Input Target backpropagation diimplementasikan dalam 10 model
X1 X2 X3 X4 X5 Y
1 Jan 10 5708 36820 208644 133803 74841 245464 arsitektur. Selain itu, dibutuhkan pengaturan
2 Feb 10 5707 33271 188537 134047 54490 221808 parameter jaringan yang meliputi: learning rate,
3 Mar 10 5738 36882 208995 133800 75195 245877
4 Apr 10 5744 35618 201833 133535 68298 237450 momentum constant (mc), epoch maksimum dan nilai
5 Mei 10 5723 36766 208340 135462 72878 245106 goal (toleransi error).
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 Tabel 3. Model Arsitektur dan Parameter Pelatihan
9 Sep 10 5726 35692 202254 128097 74157 237946 ARSITEKTUR PARAMETER
10 Okt 10 5757 36882 208995 126061 82934 245877 No. Input Hidden Hidden Learning Mom
11 Nov 10 5708 35655 202046 123913 78133 237701 Epoch Goal
layer layer 1 layer 2 rate entum
12 Des 10 5708 36882 208995 122258 86737 245877 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
b. Normalisasi (preprocessing) 4 5 8 - 0.1 0.5 100000 0.001
Data yang akan dimasukkan ke dalam 5 5 9 - 0.1 0.5 100000 0.001
6 5 10 - 0.1 0.5 100000 0.001
Jaringan Syaraf Tiruan harus dinormalisasi terlebih 7 5 3 3 0.1 0.5 100000 0.001
dahulu. Proses normalisasi dilakukan terhadap data 8 5 3 10 0.1 0.5 100000 0.001
9 5 10 3 0.1 0.5 100000 0.001
input dan target. Normalisasi dilakukan 10 5 10 10 0.1 0.5 100000 0.001
menggunakan bantuan software Matlab dengan
syntax: [pn,meanp,stdp,tn,meant,stdt] = prestd(p,t). Dengan menggunakan model arsitektur dan
Dengan p adalah matriks input pelatihan dan t adalah parameter pelatihan yang sudah terbentuk, kemudian
matriks target. Hasil dari proses normalisasi data dilakukan proses pengujian dengan menggunakan 12
pelatihan diperlihatkan pada tabel 2. set data yang telah ditentukan.
.
Tabel 2. Normalisasi Data Pelatihan Tabel 4. Data Pengujian
No X1 X2 X3 X4 X5 Y No X1 X2 X3 X4 X5
1 1.0353 -1.2102 -1.2102 0.7623 -1.2545 -1.2102
1 6883 46182 261700 106259 155441
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
2 6955 36547 207100 99883 107217
4 1.1794 -1.4152 -1.4152 0.7472 -1.4073 -1.4152 3 6924 41259 233800 98591 135209
5 1.0953 -1.2193 -1.2193 0.8557 -1.3004 -1.2193 4 6924 41506 235200 114291 120909
6 1.1354 -1.4223 -1.4223 0.6620 -1.3775 -1.4223 5 6936 43924 248900 114379 134521
7 1.1194 -1.2189 -1.2189 0.5983 -1.1933 -1.2189 6 6946 42441 240500 120923 119577
8 1.0913 -1.1996 -1.1996 0.6658 -1.2063 -1.1996 7 6958 44347 251300 108828 142472
9 1.1073 -1.4025 -1.4025 0.4409 -1.2705 -1.4025 8 6963 43094 244200 108066 136134
10 1.2315 -1.1996 -1.1996 0.3263 -1.0656 -1.1996
9 7048 43306 245400 108862 136538
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 10 7048 43306 245400 110080 135320
11 7023 42759 242300 111161 131139
12 7053 42053 238300 109917 128383
c. Perancangan Arsitektur Jaringan Syaraf
Tiruan
Selanjutnya dilakukan normalisasi data pengujian
Arsitektur Jaringan Syaraf Tiruan yang dibangun
dengan syntax: qn = trastd(q,meanp,stdp);.
terdiri dari 5 neuron pada lapisan masukan, lapisan
tersembunyi dan 1 neuron pada lapisan keluaran
Tabel 5. Normalisasi Data Pengujian
keluaran. Jumlah lapisan masukan disesuaikan
No X1 X2 X3 X4 X5
dengan banyaknya variabel input yang 1 5.7406 0.3869 0.3869 -0.7890 0.6271
mempengaruhi produksi air. Jumlah lapisan 2 6.0289 -1.2567 -1.2567 -1.1481 -0.4987
tersembunyi ditentukan dengan cara trial and error 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

Gambar 3. Arsitektur Jaringan Syaraf Tiruan
Backpropagation untkuk Memprediksi Produki Air
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
 206
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

mencapai nilai yang optimal, perlu dilakukan

99.9000%
pengubahan model arsitektur dan konfigurasi
jaringan serta komposisi pembagian data pada 99.8500%

Tingkat Akurasi
tahapan perancangan Jaringan Syaraf Tiruan. 99.8000%
Akurasi
99.7500% Pola
Hasil Pelatihan
99.7000% Pertama
Setelah dilakukan pelatihan terhadap dua pola data
dengan menerapkan 10 model arsitektur Jaringan 99.6500% Akurasi
Syaraf Tiruan Backpropagation. Maka dilakukan 99.6000% Pola Kedua
analisa dengan membandingkan keseluruhan hasil 99.5500%
pelatihan. Dengan membandingkan hasil dari
1 4 7 10
pelatihan tersebut, akan didapatkan pola data dan
model arsitektur mana yang memiliki tingkat akurasi Model Arsitektur
prediksi yang tinggi.

Tabel 6. Hasil Pelatihan Pola Pertama Gambar 4. Perbandingan Jumlah Data Latih dan
Jumlah Neuron Kriteria Model Arsitektur Terhadap Tingkat Akurasi
Hidden Hidden
No. Input
Layer Layer MSE MAE MAPE Akurasi
Layer
1 2
1 5 3 - 0.000999 0.003162 0.3162 % 99.6838 % Dari grafik di atas didapatkan bahwa jumlah data
2 5 4 - 0.001000 0.003146 0.3146 % 99.6854 %
3 5 5 - 0.001000 0.003423 0.3423 % 99.6577 %
pelatihan dapat mempengaruhi tingkat akurasi
4 5 8 - 0.000999 0.003170 0.3170 % 99.6830 % prediksi. Jumlah data pelatihan pada pola kedua yang
5 5 9 - 0.001000 0.003275 0.3275 % 99.6725 %
6 5 10 - 0.001000 0.003072 0.3072 % 99.6928 % menggunakan 60% data keseluruhan memiliki
7 5 3 3 0.001000 0.003083 0.3083 % 99.6917 %
8 5 3 10 0.000999 0.003284 0.3284 % 99.6716 %
tingkat akurasi prediksi yang tinggi dibandingkan
9
10
5
5
10
10
3
10
0.001000
0.001000
0.003192
0.003381
0.3192 %
0.3381 %
99.6808 %
99.6619 %
dengan jumlah data pelatihan pola pertama yang
menggunakan 80% data keseluruhan. Sedangkan
Tabel 6 memperlihatkan perbandingan antara 10 jumlah hidden layer dan jumlah neuron pada hidden
model arsitektur pelatihan pola pertama. Dari hasil layer tidak mempengaruhi tingkat akurasi prediksi.
pelatihan tersebut ditemukan bahwa model arsitektur
jaringan prediksi yang optimal menggunakan input IV. IMPLEMENTASI
layer sebanyak 5 neuron dan hidden layer sebanyak Pengujian dilakukan terhadap dua pola data dengan
10 neuron. Dari model tersebut didapatkan nilai MSE menerapkan 10 model arsitektur Jaringan Syaraf
sebesar 0.001000, MAE sebesar 0.003072 dan MAPE Tiruan Backpropagation.
sebesar 0.3072%. Sehingga tingkat akurasi yang
dihasilkan sebesar 99.6928%. Tabel 8. Hasil Pengujian Pola Pertama
Jumlah Neuron Kriteria
Hidden Hidden
No. Input
Tabel 7. Hasil Pelatihan Pola Kedua Layer
Layer Layer MAE MAPE Akurasi
Jumlah Neuron Kriteria
1 2
No. Hidden Hidden 1 5 3 - 0.017096 1.7096% 98.29 %
Input
Layer Layer MSE MAE MAPE Akurasi
Layer
1 2
2 5 4 - 0.055892 5.5892% 94.41 %
1 5 3 - 0.000999 0.001421 0.1421 % 99.8579 % 3 5 5 - 0.055087 5.5087% 94.49 %
2 5 4 - 0.001000 0.001793 0.1793 % 99.8207 % 4 5 8 - 0.070510 7.0510% 92.95%
3 5 5 - 0.001000 0.001954 0.1954 % 99.8046 %
5 5 9 - 0.101420 10.1420% 89.86%
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 - 0.030041 3.0041% 97.00%
6 5 10 - 0.001000 0.001649 0.1649 % 99.8351 % 7 5 3 3 0.061693 6.17% 93.83%
7 5 3 3 0.001000 0.001691 0.1691 % 99.8309 %
8 5 3 10 0.154246 15.42% 84.58%
8 5 3 10 0.000100 0.001470 0.1470 % 99.8530 %
9 5 10 3 0.001000 0.001604 0.1604 % 99.8396 % 9 5 10 3 0.049788 4.98% 95.02%
10 5 10 10 0.001000 0.001578 0.1578 % 99.8422 % 10 5 10 10 0.184908 18.49% 81.51%

Tabel 7 memperlihatkan perbandingan antara 10 Tabel 8 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%.
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%.
 207
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

Tabel 9. Hasil Pengujian Pola Kedua Tabel 10. Perbandingan Data Real dan Output
Jumlah Neuron Kriteria Prediksi Volume Produksi Air
Hidden Hidden
No. Input
Layer Layer MAE MAPE Akurasi PDAM Tirta Bina Rantauprapat Tahun 2014
Layer
1 2 Total Volume Produksi Air (M3)
Bulan Akurasi
1 5 3 - 0.074635 7.46% 92.54% Real Prediksi Error
2 5 4 - 0.199261 19.93% 80.07% Jan-14 307882 315015 -7133 97.68%
3 5 5 - 0.026944 2.69% 97.31%
Feb-14 243647 236061 7586 96.89%
4 5 8 - 0.053664 5.37% 94.63%
Mar-14 275059 274437 622 99.77%
5 5 9 - 0.130438 13.04% 86.96%
6 5 10 - 0.051329 5.13% 94.87% Apr-14 276706 278670 -1964 99.29%
7 5 3 3 0.058246 5.82% 94.18% May-14 292824 299161 -6337 97.84%
8 5 3 10 0.119204 11.92% 88.08% Jun-14 282941 287483 -4542 98.39%
9 5 10 3 0.025453 2.55% 97.45% Jul-14 295647 302352 -6705 97.73%
10 5 10 10 0.206074 20.61% 79.39% Aug-14 287294 292149 -4855 98.31%
Sep-14 288706 294171 -5465 98.11%
Tabel 9 memperlihatkan perbandingan antara 10 Oct-14 288706 294249 -5543 98.08%
Nov-14 285059 289589 -4530 98.41%
model arsitektur pengujian pada pola kedua. Dari
Dec-14 280353 283210 -2857 98.98%
hasil pengujian tersebut ditemukan bahwa model
arsitektur jaringan prediksi yang optimal memiliki
Dari hasil penelitian yang diperlihatkan pada
input layer sebanyak 5 neuron, hidden layer 1
table 10 didapatkan bahwa tingkat akurasi prediksi
sebanyak 10 neuron dan hidden layer 2 sebanyak 3
yang optimal yang dihasilkan dari proses pengujian
neuron. Dari model tersebut didapatkan nilai MAE
adalah sebesar 98.29%. Perbandingan hasil prediksi
sebesar 0.025453 dan MAPE sebesar 2.55%.
dengan data real secara grafik dapat ditunjukkan pada
Sehingga tingkat akurasi yang dihasilkan sebesar
gambar 6.
97.45%.

400000
150.00%
Volume Produksi Air
Tingkat Akurasi

300000
100.00% Akurasi 200000
Pola Real (M3)
(M3)

100000
50.00% Pertama
0
Akurasi Prediksi
Sep-14
Jan-14
May-14

0.00% Pola Kedua (M3)

1 3 5 7 9
Model Arsitektur Tahun 2014 Dalam Interval Bulanan

Gambar 5. Perbandingan Jumlah Data Uji dan Gambar 6. Perbandingan Data Real dan Output
Model Arsitektur Terhadap Tingkat Akurasi Prediksi Prediksi Volume Produksi Air
PDAM Tirta Bina Rantauprapat Tahun 2014
Dari grafik pada gambar 5 didapatkan
bahwa jumlah data pelatihan dapat mempengaruhi V. KESIMPULAN
tingkat akurasi prediksi pada pengujian. Di mana Dari penelitian ini dapat diambil kesimpulan sebagai
jumlah data pelatihan pada pola pertama yang berikut:
menggunakan 80% data keseluruhan yaitu, data 1. Jaringan Syaraf Tiruan dengan algoritma
Tahun 2010, 2011, 2012 dan 2013 memiliki tingkat Backpropagation dapat diterapkan untuk
akurasi prediksi yang tinggi pada pengujian memprediksi produksi air melalui pelatihan dan
dibandingkan dengan jumlah data pelatihan pola pengujian data masa lalu dengan menggunakan
pertama yang menggunakan 60% data keseluruhan software Matlab.
yaitu, Tahun 2011, 2012 dan 2013. Sedangkan 2. Melalui pelatihan yang dilakukan terhadap dua
jumlah hidden layer dan jumlah neuron pada hidden pola data yaitu, pola data pertama Tahun 2010,
layer tidak mempengaruhi tingkat akurasi prediksi. 2011, 2012 dan 2013 serta pola data kedua
Setelah model arsitektur jaringan yang Tahun 2011, 2012 dan 2013 didapatkan hasil
optimal didapatkan. Maka output dari jaringan bahwa jumlah data pelatihan pada pola kedua
tersebut dibandingkan dengan data real volume yang menggunakan 60% dari data keseluruhan
produksi air PDAM Tirta Bina Rantauprapat tahun memiliki tingkat akurasi prediksi yang tinggi
2014 dengan interval bulanan. sebesar 99.8579%. dengan arsitektur jaringan 5-
3-1.
3. Melalui pengujian yang dilakukan terhadap dua
pola data tersebut didapatkan hasil bahwa
 208
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

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 M3. Berdasarkan hasil tersebut
terjadi penurun produksi air sebesar 204.661 M3
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.

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