semanTIK, Vol.4, No.1, Jan-Jun 2018, pp.

49-56
ISSN: 2502-8928 (Online)  49

ANALISIS JARINGAN SARAF TIRUAN UNTUK

PREDIKSI LUAS PANEN BIOFARMAKA DI
INDONESIA
Eko Hartato*1, Daniel Sitorus2, Anjar Wanto3
*1,2,3
Program Studi Teknik Informatika, STIKOM Tunas Bangsa Pematangsiantar
e-mail:*1 ekohartato2611@gmail.com,
2
danielsitorus2396@gmail.com,3anjarwanto@amiktunasbangsa.ac.id

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 merupakan sumber bahan baku obat

tradisional maupun modern. Sekarang ini ada

B iofarmaka atau tanaman obat sangat

bermanfaat dalam memenuhi
kebutuhan hidup manusia. Dalam
dunia farmasi, tanaman obat (biofarmaka)
kecenderungan masyarakat untuk
mengkonsumsi obat tradisional, karena adanya
perubahan gaya hidup back to nature dan
mahalnya obat-obatan modern yang membuat

Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012
50 Analisis Jaringan Saraf Tiruan Untuk Prediksi Luas Panen Biofarmaka di Indonesia

permintaan tanaman obat semakin tinggi, tidak tersebut harus dimanfaatkan sebaik baiknya
hanya di Indonesia tetapi juga dunia.Indonesia agar kedepannya dapat memberikan manfaat
sendiri merupakan negara kedua terkaya bagi pengembangan kesehatan di Indonesia.
didunia dalam hal keanekaragaman hayati, Perlunyamelakukan upaya agar penggunaan
setelah Negara Brazil. Terdapat sekitar 30,000 tanaman obat dapat mendukung kebutuhan
jenis (spesies) yang telah di identifikasi dan akan obat-obatan yang semakin mendesak dan
950 spesies di antaranya diketahui memiliki untuk mendapatkan obat pengganti jika
fungsi biofarmaka, yaitu tumbuhan, hewan, resistensi obat terjadi secara meluas [4].
dan mikrob yang berpotensi sebagai obat, Pada Tabel 1 dapat dilihat adanya
makanan, kesehatan, nutraseutikal, yang baik ketimpangan luas panen biofarmaka yang
untuk manusia, hewan maupun tanaman. cukup signifikan dari tahun ke tahun,
Dengan keanekaragaman hayatinya, diantaranya tanaman jahe, temulawak,
seharusnya Indonesia mampu menjadi pusat kapulaga, mengkudu, mahkota dewa,
pengembangan agribisnis berbasiskan kejibeling hingga sambiloto. Sedangkan untuk
biofarmaka. Dengan kekayaan biota bahan tanaman laos/lengkuas, kencur, kunyit,
obat-obatan tradisonal, bahan kosmetika alami lempuyang, temuireng, temukunci, dlingo dan
dan bahan pemelihara kesehatan, seharusnya lidah buaya relatif stabil. Akan tetapi, kalau
pula, kekayaan alami (bioresources) tersebut hal ini semakin dibiarkan, maka akan
dapat dimanfaatkan sebagai penggerak berdampak terhadap tingkat luas panen
pertumbuhan ekonomi nasional [1]. biofarmaka dimasa yang akan datang.
Di Indonesia tanaman biofarmaka
Tabel 1 Luas Panen Biofarmaka di Indonesia
tumbuh berbagai jenis tanaman yang dapat
Tahun 2012-2016 (m2)
digunakan untuk obat atau yang bermafaat
bagi kesehatan tubuh yang sering dijumpai di Tanaman Tahun
kehidupan sehari – hari. Tanaman seperti No.
Biofarmaka 2012 ... 2015 2016
kunyit, jahe, dan jeruk purut dapat ditanam di
1 Jahe 59760917 ... 150372408 125528575
pekarangan rumah dan berguna sebagai
2 Laos/Lengkuas 22878537 ... 18938604 20525399
pengusir berbagai penyakit ringan sehari – hari
seperti batuk, masuk angin, panas dalam dan 3 Kencur 23412061 ... 20618372 22755139

meningkatkan sistem kekebalan tubuh. Tidak 4 Kunyit 49388850 ... 54848184 50203009
hanya itu, beberapa tumbuhan yang tumbuh di 5 Lempuyang 4286955 ... 5529122 4255690
Indonesia terbukti ampuh mengatasi berbagai 6 Temulawak 18606958 ... 14590881 10993748
penyakit yang lebih berat. Beberapa tanaman 7 Temuireng 3722527 ... 4415597 3457363
dipercaya dapat mengatasi penyakit
8 Temukunci 2633452 ... 3459254 2264374
mematikan seperti AIDS, kanker, tumor dan
9 Dlingo/Dringo 338647 ... 550029 249133
sebagainya. Tanaman obat juga dapat
dijadikan alternatif berobat yang aman, alami 10 Kapulaga 27705186 ... 16578268 11873923

dan ampuh, selain itu tanaman obat juga 11 Mengkudu/Pace*) 927834 ... 293956 221983
berguna untuk menjaga kecantikan dan 12 Mahkota Dewa*) 381444 ... 93595 69043
kesehatan kulit dan tubuh [2]. 13 Kejibeling 517446 ... 100680 83185
Produk biofarmaka berpotensi untuk 14 Sambiloto 903397 ... 1820525 744038
pengembangan Industri Obat Tradisional
15 Lidah Buaya 921458 ... 158461 145860
(IOT) dan kosmetika di Indonesia.
Penggunaan tumbuhan oleh IOT dimulai Metode yang digunakan untuk
dengan memanfaatkan tanaman yang Memprediksi Luas Panen Biofarmaka di
diperoleh dari hutan alam dan produk Indonesia ini adalah algoritma
budidaya [3]. Beragam dan mudahnya bahan backpropagation. Diharapkan dengan adanya
untuk tanaman obat yang sesuai untuk penggunaan metode ini maka akan didapatkan
penderita penyakit di Indonesia, rasio resiko- hasil seperti yang diinginkan, karena algoritma
kegunaan sangat menguntungkan penderita, backpropagation memungkinkan untuk
dan adanya kelemahan obat-obatan kimia menghindari kesulitan yang dijelaskan
sintetis menjadikan tumbuhan obat memiliki menggunakan aturan belajar yang hampir
prospek dan peluang yang tinggi untuk sama dengan plastisitas lonjakan waktu yang
dikembangkan. Potensi yang sangat besar tergantung pada sinapsis [5][6].
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Hartato, Sitorus dan WantoIJCCSISSN: 1978-1520
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%, 4-10-
15-1 = 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 relatif
menjadi lebih jelas hubungannya antar ide-ide
yang lebih eksplisit [10]. Analisis pada
Title of manuscript is short and clear, implies research results (First Author)
 51
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 denganbanyak
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
flktuatif, 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
52 Analisis Jaringan Saraf Tiruan Untuk Prediksi Luas Panen Biofarmaka di Indonesia
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.
Gambar 1 Kerangka Kerja Penelitian
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
Praproses 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.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
2.6 Data yang Digunakan
Dalam penelitian ini data yang di
gunakan 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 2012-
2014 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).
0. 8( x  a )
x'   0. 1 (1)
ba
Keterangan : ( ′ = Normalisasi data, =
Data yang akan dinormalisasi, = Data
terendah, = Data tertinggi).
Tabel 2 merupakan Hasil normalisasi
data training. Data ini telah dinormalisasi
menggunakan fungsi sigmoid (Persamaan (1))
berdasarkan pada Tabel 1, yakni tahun 2012-
2014 dengan target tahun 2015.
Tabel 2 Normalisasi Data Training (Tahun
2012-2014) / Target Tahun 2015
Tanaman Tahun
No.
Biofarmaka 2012 2013 2014 Target
1 Jahe 0,41764 0,48897 0,64658 0,90000
2 Laos/Lengkuas 0,22129 0,22350 0,21756 0,20032
3 Kencur 0,22413 0,22510 0,21344 0,20926
4 Kunyit 0,36242 0,38849 0,36790 0,39148
0,12232 0,12969 0,11897 0,12894
5 Lempuyang
6 Temulawak 0,19855 0,20102 0,16970 0,17718
7 Temuireng 0,11932 0,12651 0,11771 0,12301
8 Temukunci 0,11352 0,12694 0,11488 0,11792
9 Dlingo/Dringo 0,10130 0,10124 0,10111 0,10243
10 Kapulaga 0,24699 0,30420 0,32487 0,18776
11 Mengkudu/Pace*) 0,10444 0,10354 0,10345 0,10107
0,10153 0,10087 0,10234 0,10000
12 Mahkota Dewa*)
13 Kejibeling 0,10226 0,10247 0,10169 0,10004
14 Sambiloto 0,10431 0,10960 0,10456 0,10919
15 Lidah Buaya 0,10441 0,10620 0,10585 0,10035
Tabel 3 merupakan Hasil normalisasi
data testing. Data ini telah dinormalisasi
Hartato, Sitorus dan WantoIJCCSISSN: 1978-1520  53
menggunakan fungsi sigmoid (Persamaan (1)) Dari ke 5 arsitektur ini, arsitektur terbaiknya
berdasarkan pada Tabel 1, yakni tahun 2013- yaitu 3-4-1 dengan tingkat akurasi sebesar
2015 dengan target tahun 2016. 87%. Gambar 3 menunjukkan Hasil Data
Training Dengan Model Arsitektur 3-4-1.
Tabel 3. Normalisasi Data Testing (Tahun
2013-2015) / Target Tahun 2016
Tanaman Tahun
No.
Biofarmaka 2012 2013 2014 Target
1 Jahe 0,48904 0,64662 0,90000 0,76777

2 Laos/Lengkuas 0,22361 0,21767 0,20043 0,20888

3 Kencur 0,22521 0,21355 0,20938 0,22075

4 Kunyit 0,38857 0,36798 0,39157 0,36684

5 Lempuyang 0,12982 0,11909 0,12906 0,12228

6 Temulawak 0,20113 0,16982 0,17729 0,15815

7 Temuireng 0,12663 0,11783 0,12313 0,11803

8 Temukunci 0,12706 0,11501 0,11804 0,11168

9 Dlingo/Dringo 0,10137 0,10124 0,10256 0,10096

10 Kapulaga 0,30429 0,32496 0,18787 0,16283

11 Mengkudu/Pace*) 0,10367 0,10358 0,10120 0,10081

12 Mahkota Dewa*) 0,10100 0,10247 0,10013 0,10000

13 Kejibeling 0,10260 0,10182 0,10017 0,10008

Gambar 3 Hasil Data Training Dengan Model
Arsitektur 3-4-1
14 Sambiloto 0,10973 0,10469 0,10932 0,10359

15 Lidah Buaya 0,10633 0,10598 0,10048 0,10041

Tabel 4 merupakan hasil akurasi dan
tingkat MSE dari model arsitektur terbaik,
yakni 3-4-1. Tabel 4 ini dibuat dan dihitung
3. HASIL DAN PEMBAHASAN
dengan menggunakan Microsoft Excel.
3.1 Analisis Berdasarkan tabel 4, error = diperoleh dari
Sebelum Training dilakukan, terlebih Target-Output, SSE = diperoleh dari Error ^
dahulu ditentukan nilai parameter yang 2, Total = Jumlah SSE yang dihasilkan dari
diinginkan guna memperoleh hasil yang pola 1 ke pola15, Hasil = Jika nilai kesalahan
optimal. Parameter-parameter yang digunakan dalam pengujian data < = 0,05 maka hasilnya
secara umum pada aplikasi Matlab untuk benar (1). Jika tidak maka salah (0). Akurasi =
training dan testing dapat dilihat pada Gambar diperoleh dari jumlah hasil yang benar pada
2. ((pola/15) * 100), menghasilkan 87%, Margin
Error = diperoleh dari jumlah hasil yang
>>net = newff(minmax(P),[Hiden,Hidden,
Target],{'tansig','purelin',’tansig’},
salah pada ((pola/15) * 100) atau diperolehdari
'traingd'); jumlah akurasi maksimum (100%) dikurangi
>> net.IW{1,1}; akurasi yang dihasilkan,menghasilkan 13%.
>> net.b{1}; MSE = Diperoleh dari Total SSE/15 (jumlah
>> net.LW{2,1};
>> net.b{2};
pola).
>> net.LW{3,2};
>> net.trainparam.epochs = 100000; Tabel 4 Arsitektur Terbaik dengan Model 3-4-1
>> net.trainparam.LR = 0,01;
>> net.trainParam.goal = 0,001; Pola Target Output Error SSE Hasil
>> net.trainParam.show = 1000; Pola 1 0,76777 0,81310 -0,04533 0,00205508 1
>> net.b{3};
Pola 2 0,20888 0,19530 0,01358 0,00018443 0
>> net = train(net,P,T);
Pola 3 0,22075 0,19470 0,02605 0,00067851 0
Gambar 2. Parameter Training dan Testing Pola 4 0,36684 0,42190 -0,05506 0,00303144 1
Pola 5 0,12228 0,11940 0,00288 0,00000832 1
3.2 Hasil Pola 6 0,15815 0,17360 -0,01545 0,00023878 1
Penelitian ini menggunakan 5 arsitektur. Pola 7 0,11803 0,11690 0,00113 0,00000129 1
Antara lain 3-3-1, 3-4-1, 3-5-1,3-6-1, 3-8-1.
Title of manuscript is short and clear, implies research results (First Author)
54 Analisis Jaringan Saraf Tiruan Untuk Prediksi Luas Panen Biofarmaka di Indonesia

Pola 8 0,11168 0,11570 -0,00402 0,00001612 1 3 Kencur 16049451 10689715 7856467 3876130
Pola 9 0,10096 0,10590 -0,00494 0,00002442 1 4 Kunyit 41611831 28804771 13494061 3756877
Pola 10 0,16283 0,21840 -0,05557 0,00308777 1 5 Lempuyang 3033024 1691130 1505139 916879
Pola 11 0,10081 0,10630 -0,00549 0,00003010 1
6 Temulawak 13116834 4952626 5010566 1773737
Pola 12 0,10000 0,10560 -0,00560 0,00003136 1
7 Temuireng 2468457 1520851 1315412 868294
Pola 13 0,10008 0,10590 -0,00582 0,00003393 1
8 Temukunci 2342997 1311277 1188928 815293
Pola 14 0,10359 0,10870 -0,00511 0,00002608 1
9 Dlingo/Dringo 116090 839735 710094 691623
Pola 15 0,10041 0,10690 -0,00649 0,00004213 1
10 Kapulaga 12254300 10689715 5164155 2696847
Total 0,00948976
87% 11 Mengkudu/Pace*) 147455 839735 701059 691623
MSE 0,00063265
12 Mahkota Dewa*) 40734 800440 673955 682789
Keterangan:
13 Kejibeling 84725 800440 673955 682789
1 = Benar 0 = Salah
14 Sambiloto 868848 983817 872717 722540

Pada tabel 5 dapat dilihat perbandingan 15 Lidah Buaya 241550 839735 692025 691623

dari 5 model arsitektur jaringan yang

digunakan. Dari ke 5 model arsitektur ini,
tingkat Epoch dan waktu diperoleh dengan 4. KESIMPULAN
menggunakan aplikasi Matlab, sedangkan
MSE dan Akurasi dari masing-masing model Kesimpulan yang dapat diambil dari
arsitektur diperoleh dengan menggunakan penelitian ini antara lain :
perhitungan pada Microsoft Excel. 1. Dengan model arsitektur 3-4-1, dapat
Kesimpulan dari ke 5 model arsitektur ini melakukan prediksi Luas Panen Tanaman
diperoleh model arsitektur terbaik Biofarmaka di Indonesia dengan tingkat
menggunakan 3-4-1. akurasi sebesar 87%.
2. Model Arsitektur jaringan serta parameter
Tabel 5 Perbandingan Akurasi dengan yang digunakan sangat mempengaruhi
Algoritma Backpropagation tingkat training dan testing.
3. Hasil dari penelitian ini, diharapkan mampu
No Arsitektur Epoch Waktu MSE Akurasi memberikan acuan dan masukan kepada
1 3-3-1 869 0:00:08 0,135489062 80 % para petaniBiofarmaka maupun pemerintah
2 3-4-1 445 0:00:04 0,000632651 87 % untuk membuat kebijakan yang tepat agar
3 3-5-1 331 0:00:04 0,004806830 73 %
Luas panen tanaman biofarmaka setiap
tahunnya jangan sampai menurun.
4 3-6-1 1604 0:00:13 0,074781696 60 %
5 3-8-1 1000 0:01:14 0,001588954 73 %
5. SARAN
Pada Tabel 6 dapat dilihat hasil prediksi Luas
Panen Tanaman Biofarmaka di Indonesia Berdasarkan hasil penelitian, ada saran-
untuk 4 tahun kedepan, yakni tahun 2017- saran yang dapat penulis kemukakan demi
2020, Adapun hasil ini diperoleh dari pengembangan penelitian, antara lain:
perhitungan dengan model arsitektrur terbaik 1. Penggunaan model arsitektur jaringan
(3-4-1) menggunakan aplikasi Matlab dan hendaknya lebih dikembangkan lagi, selain
Microsoft Excel, sama seperti pembahasan dari yang sudah penulis lakukan. Misal nya
sebelumnya. dengan menggunakan 2 hidden layer.
2. Penggunaan learning ratedan tingkat erorr
Tabel 6. Hasil Prediksi Luas Panen yang lebih kecil serta parameter train yang
Biofarmaka 4 Tahun ke Depan dengan berbeda, agar menghasilkan tingkat akurasi
Backpropagation (Tahun 2017-2020) yang lebih baik.
3. Penelitian ini hendaknya dikembangkan
Tanaman Tahun
No. dengan menggunakan metode atau
Biofarmaka 2017 2018 2019 2020 algoritma yang lain.
1 Jahe 104827752 73077286 36008298 10867913

2 Laos/Lengkuas 14606666 9943107 6862660 3443285

IJCCS Vol. x, No. x, July 201x : first_page – end_page

Hartato, Sitorus dan WantoIJCCSISSN: 1978-1520
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 Program
Pengembangan 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.
 55
[8] Sandy, K. , 2014, Penerapan Metode
Jaringan Saraf Tiruan Backpropagation
Untuk Memprediksi Nilai Ujian
Sekolah, Jurnal Teknologi, vol. 7, no. 1,
pp. 20–28
[9] Wanto, A., 2018, Penerapan Jaringan
Saraf Tiruan Dalam Memprediksi
Jumlah Kemiskinan Pada
Kabupaten/Kota Di Provinsi Riau,
Kumpulan jurnaL Ilmu Komputer
(KLIK), vol. 5, no. 1, pp. 61–74.
[10] Geofana, J., Mallo, B. and Ismaimuza,
D., LUAS PERMUKAAN DAN
VOLUME PRISMA OLEH SISWA
KELAS IX.
[11] Wanto, A. et al. , 2018, Analysis Of
Standard Gradient Descent With GD
Momentum And Adaptive LR For SPR
Prediction, International Conference of
Computer, Environment, Agriculture,
Social Science, Health Science,
Engineering and Technology (3rd
ICEST), vol. 3, no. 1, pp. 1–9.

[4] D. I. Desa, M. Kecamatan, and I. [12] Wanto, A., Zarlis, M., Sawaluddin,
Selatan, 2017, “No Title,” vol. 14, no. Hartama, D., Tata Hardinata, J. and
1, pp. 45–52 Silaban, H. F., 2017, Analysis of
Artificial Neural Network
[5] Wanto, A. and Windarto, A. P., 2017, Backpropagation Using Conjugate
Analisis Prediksi Indeks Harga Gradient Fletcher Reeves In The
Konsumen Berdasarkan Kelompok Predicting Process, Journal of Physics:
Kesehatan Dengan Menggunakan Conference Series, vol. 930, no. 1, pp.
Metode Backpropagation, Sinkron 1–7.
Jurnal & Penelitian Teknik Informatika,
vol. 2, no. 2, pp. 37–44. [13] Sari, D. Teknik, I. Universitas, and I.
Kalimantan, 2015, Aplikasi Penerapan
[6] Putra Siregar, S. and Wanto, A., 2017, Metode Neural Network Bahan Bakar
Analysis Accuracy of Artificial Neural Industri, vol. 16, no. 1, pp. 47–60.
Network Using Backpropagation
Algorithm In Predicting Process [14] Fauzan, M. et al., 2018, Epoch
(Forecasting), International Journal Of Analysis and Accuracy 3 ANN
Information System & Technology, vol. Algorithm Using Consumer Price Index
1, no. 1, pp. 34–42. Data in Indonesia,” 3rd International
Conference of Computer, Environment,
[7] Jauhari, D., Himawan, A. and Dewi, C. Agriculture, Social Science, Health
, 2016, Prediksi Distribusi Air PDAM Science, Engineering and Technology,
Menggunakan Metode Jaringan Syaraf pp. 1–7.
Tiruan Backpropagation Di PDAM
Kota Malang, Jurnal Teknologi [15] Novita, A., Prediksi Pergerakan Harga
Informasi dan Ilmu Komputer, vol. 3, Saham Pada Bank Terbesar Di
no. 2, p. 83. Indonesia Dengan Metode

Title of manuscript is short and clear, implies research results (First Author)
56 Analisis Jaringan Saraf Tiruan Untuk Prediksi Luas Panen Biofarmaka di Indonesia

Backpropagation Neural Network.”

[16] Wanto, A. et al. , 2018, Levenberg-

Marquardt Algorithm Combined with
Bipolar Sigmoid Function to Measure
Open Unemployment Rate in Indonesia,
3rd International Conference of
Computer, Environment, Agriculture,
Social Science, Health Science,
Engineering and Technology, pp. 1–7.

[17] Wanto, A., 2018, Optimasi Prediksi

Dengan Algoritma Backpropagation
Dan Conjugate Gradient Beale-Powell
Restarts,” Jurnal Teknologi dan Sistem
Informasi, vol. 3, no. 3, pp. 370–380.

[18] Wanto, A., Windarto, A. P., Hartama,

D. and Parlina, I., 2017, Use of Binary
Sigmoid Function And Linear Identity
In Artificial Neural Networks For
Forecasting Population Density,
International Journal Of Information
System & Technology, vol. 1, no. 1, pp.
43–54.

[19] Rahma, A., Taufiqurrahman, I. and

Edyson, 2017, Perbedaan Total
Flavonoid antara Metode Maserasi
dengan Sokletasi pada Ekstrak Daun
Ramania (Bouea macrophylla Griff),”
Dentino jurnal kedokteran gigi, vol. 1,
no. 1, pp. 22–27.

[20] Yunus, A. and Pujiasmanto, B., 2018,

Budidaya Organik Kunyit pada Kluster
Biofarmaka Kabupaten Karanganyar,
vol. 2570, no. 1, pp. 34–41.

[21] Agra, I. and Firdaus, M., 2014, Daya

Saing Dan Permintaan Ekspor Produk
Biofarmaka Indonesia Di Negara
Tujuan Utama Periode 2003-2012, vol.
11, no. 3, pp. 183–198, 2014.

IJCCS Vol. x, No. x, July 201x : first_page – end_page