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