Anda di halaman 1dari 6

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. ke dalam lima variabel yaitu: jumlah pelanggan
Manusia, Flora dan Fauna membutuhkan air sebagai berdasarkan kelompok rumah tangga, volume
pra-syarat tumbuh dan hidup. Air juga merupakan kebocoran air di pengolahan, volume distribusi air,
sumber daya alam yang strategis, dimana volume air terjual, volume kehilangan air dan volume
keberadaannya mempengaruhi hajat hidup orang produksi air.
banyak dan seharusnya dipergunakan sebesar-
besarnya untuk kemakmuran rakyat. Kota sebagai II. LANDASAN TEORI
pusat pertumbuhan penduduk harus memiliki sarana A. Jaringan Syaraf Tiruan
air bersih yang memadai. Kota juga harus memiliki Jaringan Syaraf Tiruan (JST) merupakan suatu
pasokan jumlah air yang cukup bagi kebutuhan sistem pemrosesan informasi yang mempunyai
penduduknya. Semakin meningkatnya pertumbuhan karakteristik menyerupai jaringan syaraf biologis
penduduk, semakin bertambah pula jumlah air yang manusia. JST merupakan representasi buatan dari
dibutuhkan. Pasokan air yang cukup dan kebutuhan otak manusia, istilah buatan tersebut digunakan
air di masa depan harus menjadi perhatian serius bagi karena dalam penerapannya JST menggunakan
penyedia kebutuhan air bersih, yang mana dalam hal program komputer yang mampu menyelesaikan
ini adalah Perusahaan Daerah Air Minum (PDAM). sejumlah proses perhitungan selama proses
Jaringan Syaraf Tiruan adalah salah satu dari pembelajaran (Aprijani dan Supandi, 2011).
banyak metode komputasi yang sering digunakan Jaringan Syaraf Tiruan didesain dengan
dalam penelitian yang terkait dengan prediksi atau menirukan cara kerja otak manusia dalam
peramalan. Cici Oktaviani dan Afdal (2013) menyelesaikan masalah dengan melakukan proses
menerapkan Jaringan Syaraf Tiruan dengan metode belajar melalui perubahan bobot sinapsisnya (Marleni
Backpropagation untuk memprediksi curah hujan Anike, et.al, 2012).
bulanan Kota Padang dengan keberhasilan mengenali
pola sebesar 99.0%. Peramalan terhadap jumlah B. Algoritma Backpropagation
produksi air PDAM Samarinda dengan metode Algoritma Backpropagation merupakan
backpropagation memberikan hasil yang baik dengan metode pelatihan yang terawasi (supervised) dan
koefisien korelasi sebesar 0.949 (Septiarini dan dirancang untuk operasi pada jaringan dengan banyak
Sya’baniah, 2012). lapisan. Backpropagation merupakan algortima
Penelitian ini menerapkan Jaringan Syaraf pembelajaran yang biasanya digunakan oleh
Tiruan dengan algoritma Backpropagation untuk perceptron dengan banyak lapisan untuk mengubah
memprediksi jumlah produksi air di PDAM Tirta bobot-bobot yang terhubung dengan neuron-neuron
Bina Rantauprapat. Prediksi produksi air perlu yang ada pada lapisan tersembunyinya.
dilakukan agar terjadi keseimbangan antara Algoritma Backpropagation menggunakan
persediaan jumlah produksi di sisi perusahaan dengan tahap perambatan maju (feedforward) untuk
permintaan air di sisi konsumen. Data yang mengetahui nilai error. Pada saat perambatan maju,
digunakan dalam penelitian ini adalah data riwayat neuron-neuron diaktifkan dengan menggunakan
produksi air selama lima tahun dengan interval fungsi aktivasi yang dapat dideferensiasikan. Pada
bulanan, yang terhitung mulai dari bulan Januari 2010 saat perambatan mundur (backward),

203
204
Majalah Ilmiah INTI, Volume 12, Nomor 2, Mei 2017
ISSN 2339-210X

Backpropagation menggunakan error output untuk Pengumpulan Data


mengubah nilai bobot-bobotnya. Setiap perubahan Data yang didapat merupakan data sekunder dari
bobot yang terjadi dapat mengurangi error. Siklus PDAM Tirta Bina Kota Rantauprapat. Data tersebut
setiap perubahan bobot (epoch) dilakukan pada setiap merupakan data produksi air bulanan yang dimulai
set pelatihan hingga kondisi berhenti dicapai, yaitu dari Tahun 2010 sampai 2014 yang terdiri dari:
bila mencapai jumlah epoch yang diinginkan atau a. Data jumlah pelanggan aktif
hingga sebuah nilai ambang yang ditetapkan b. Data volume kebocoran air di pengolahan
terlampaui. Arsitektur jaringan Backpropagation c. Data volume distribusi air
ditunjukkan pada gambar 1. 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
Gambar 1. Arsitektur Backpropagation kelompok rumah tangga
b. X2 = Volume air yang berkurang setelah dilakukan
Gambar 1 menunjukkan arsitektur
proses penyaringan dari sumber air.
Backpropagation dengan 3 buah unit masukan (X1, X2
dan X3) dan 1 lapisan tersembunyi dengan 2 neuron c. X3 = Hasil penyaringan berupa air bersih yang
(Z1 dan Z2) serta 1 unit lapisan keluaran (Y). Bobot telah siap untuk didistribusikan kepada
yang menghubungkan (X1, X2 dan X3) dengan neuron pelanggan.
pertama pada lapisan tersembunyi adalah (V11, V21, d. X4 = Jumlah air yang dipakai oleh pelanggan yang
dan V31). Sedangkan bobot yang menghubungkan X1, dihitung melalui meteran air.
X2 dan X3 dengan neuron kedua pada lapisan e. X5 = Kehilangan air terjadi akibat pipa penyaluran
tersembunyi adalah V12, V22, dan V32. Untuk b11 dan
dari PDAM ke pelanggan bocor ataupun
b12 adalah bobot bias yang menuju ke neuron
pertama dan kedua pada lapisan tersembunyi. Bobot terjadinya pencurian air.
yang menghubungkan Z1 dan Z2 dengan neuron pada f. Y = Jumlah air yang harus diproduksi setiap bulan
lapisan keluaran adalah W1 dan W2. Bobot bias b2 sesuai dengan jumlah kebutuhan pelanggan.
menghubungkan lapisan tersembunyi dengan lapisan
keluaran. Perancangan Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan dirancang dengan
III. ANALISIS DAN PERANCANGAN menggunakan struktur jaringan yang terdiri dari
Metode penelitian yang dilakukan disusun lapisan masukan, lapisan tersembunyi dan lapisan
dalam suatu kerangka kerja penelitian (framework) keluaran. Adapun langkah-langkah yang dilakukan
yang meliputi tahapan-tahapan seperti yang dalam membangun jaringan untuk melakukan
ditunjukkan pada gambar 2. prediksi diuraikan sebagai berikut:

Pengumpulan Data
a. Pembagian data
Data dibagi menjadi dua kelompok.
Kelompok pertama adalah data Tahun 2010, 2011,
Analisa Data
2012 dan 2013 menjadi data pelatihan, sedangkan
data Tahun 2014 menjadi data pengujian. Kelompok
Perancangan Jaringan Syaraf Tiruan kedua adalah data Tahun 2011, 2012 dan 2013
menjadi data pelatihan, sedangkan data pengujian
Pelatihan dan Pengujian Jaringan Syaraf Tiruan
adalah data Tahun 2014. Jumlah keseluruhan data
adalah 60 set. Sesuai dengan pembagian tersebut
maka jumlah data yang digunakan untuk kelompok
Evaluasi pertama adalah 48 data latih dan 12 data uji.
Sedangkan untuk kelompok kedua berjumlah 36
Gambar 2. Kerangka Kerja Penelitian 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

Evaluasi
Evaluasi dilakukan untuk mengetahui apakah data
hasil pengujian mempunyai kesesuain pola dengan
data target yang telah ditentukan. Bila nilai MSE,
Gambar 3. Arsitektur Jaringan Syaraf Tiruan MAE dan MAPE sudah mencapai nilai yang optimal,
Backpropagation untkuk Memprediksi Produki Air 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 model arsitektur pengujian pada pola pertama. Dari
hasil pelatihan tersebut ditemukan bahwa model hasil pengujian tersebut ditemukan bahwa model
arsitektur jaringan prediksi yang optimal arsitektur jaringan prediksi yang optimal memiliki
menggunakan input layer sebanyak 5 neuron dan input layer sebanyak 5 neuron dan hidden layer
hidden layer sebanyak 3 neuron. Dari model tersebut sebanyak 3 neuron. Dari model tersebut didapatkan
didapatkan nilai MSE sebesar 0.000999, MAE nilai MAE sebesar 0.017096 dan MAPE sebesar
sebesar 0.001421 dan MAPE sebesar 0.1421%. 1.7096%. Sehingga tingkat akurasi yang dihasilkan
Sehingga tingkat akurasi yang dihasilkan sebesar sebesar 98.29%.
99.8579%.
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 Meteorologi Tabing Padang, Tahun 2001-2012). Jurnal
Fisika Unand, 2.
menggunakan 80% dari data keseluruhan Dwi Astuti Aprijani, U. U. S. 2011. Aplikasi Jaringan Syaraf
memiliki tingkat akurasi prediksi yang tinggi Tiruan Untuk Mengenali Tulisan Tangan Huruf A, B, C, dan
pada pengujian yaitu sebesar 98.29%. dengan D Pada Jawaban Soal Pilihan Ganda. Jurnal Matematika,
arsitektur jaringan 5-3-1. Sains dan Teknologi, 12.
Kusumadewi, S. 2010. Membangun Jaringan Syaraf Tiruan
4. Jumlah data pada pelatihan Jaringan Syaraf Menggunakan MATLAB & Excel Link, Yogyakarta,
Tiruan Backpropagation dapat mempengaruhi GRAHA ILMU.
tingkat akurasi prediksi pada pelatihan dan Li, S. 2014. Forecast Model of Water Quantity Based on Back
pengujian. Propagation Artificial Neural Network. TELKOMNIKA
Indonesian Journal of Electrical Engineering, 12.
5. Jumlah hidden layer dan jumlah neuron pada M.f. Andrijasa, M. 2010. Penerapan Jaringan Syaraf Tiruan Untuk
hidden layer tidak memberi pengaruh yang Memprediksi Jumlah Pengangguran di Provinsi Kalimantan
signifikan terhadap tingkat akurasi prediksi. Timur Dengan Menggunakan Algoritma Pembelajaran
6. Melalui pelatihan dan pengujian beberapa Backpropagation. Jurnal Informatika Mulawarman, 5.
Mahmoud Nasr, a. T., Shinichi Ookawara, Masaaki Suzuki 2013.
model arstitektur jaringan backpropagation, Prediction of Hydrogen Production Using Artificial Neural
maka didapatkan model arsitektur jaringan yang Network. Seventeenth International Water Technology
optimal yaitu, arsitektur jaringan dengan jumlah Conference, IWTC17.
input layer 5, hidden layer 3 dan output layer 1. Marleni Anike, S., Ernawati 2012. Pengembangan Sistem Jaringan
Syaraf Tiruan Dalam Memprediksi Jumlah Dokter Keluarga
7. Pengujian dengan model arsitektur jaringan 5-3- Menggunakan Backpropagation (Studi Kasus: Regional X
1 memberikan hasil yang yang mendekati target Cabang Palu). Seminar Nasional Teknologi Informasi dan
dengan nilai Mean Absolute Error (MAE) Komunikasi 2012 (SENTIKA 2012).
sebesar 0.017096. Sehingga nilai akurasi yang Maru'ao, D. O. 2010. Neural Network Implementation in Foreign
Exchange Kurs Prediction. Gunadarma University Journal,
dihasilkan sebesar 98.29 %. Jakarta.
8. Berdasarkan hasil prediksi didapatkan bahwa Sangadji, I. B. 2009. Prediksi Perilaku Pola Pengunjung Terhadap
tingkat kebutuhan air bersih yang harus Transaksi Pada Toko Buku Gramedia Menggunakan
diproduksi PDAM Tirta Bina Rantauprapat Jaringan Syaraf Tiruan Metode Back Propagation. Jurnal
Informatika, Universitas Kristen Maranatha, Bandung 5.
untuk tahun 2014 menurun dibandingkan tahun Setiawan, W. 2008. Prediksi Harga Saham Menggunakan Jaringan
2013. Produksi air pada tahun 2013 sebesar Syaraf Tiruan Multilayer Feedforward Network Dengan
3.651.208 M3, sedangkan di tahun 2014 sebesar Algoritma Backpropagation. Konferensi Nasional Sistem
3.446.547 M3. Berdasarkan hasil tersebut dan Informatika, Bali.
Siang, J. J. 2009. Jaringan Syaraf Tiruan & Pemrogramannya
terjadi penurun produksi air sebesar 204.661 M3 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