49-56
ISSN: 2502-8928 (Online) 49
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.
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.
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 51
Pada penelitian sebelumnya oleh [7] algoritma backpropagation melibatkan tiga
telah dilakukan penelitian untuk Prediksi Nilai lapisan: input layer, dimana data akan
Tukar Petani Menggunakan Jaringan Syaraf dimasukkan ke jaringan; hidden layer, tempat
Tiruan Backpropagation. Data yang digunakan pemrosesan data; dan output layer, dimana
adalah data pada tahun 2008-2012 untuk hasil input yang diberikan dihasilkan [11][12].
proses pelatihan jaringan. Pengujian dilakukan
dengan membandingkan hasil pengujian 2.2 Algoritma Backpropagation
dengan data aktual tahun 2013 dan 2014. Backpropagation merupakan algoritma
Hasilnya menunjukkan bahwa persentase pembelajaran yang terawasi dan biasanya
error terkecil jika jumlah node lapisan digunakan oleh perceptron denganbanyak
tersembunyi 7 dan nilai laju pembelajaran 0,1 layar lapisan untuk mengubah bobot yang ada
dengan rata-rata error sebesar 0,61% atau pada lapisan tersembunyi. Backpropagation
tingkat akurasi mencapai 99.39%. Selanjutnya adalah pelatihan jenis terkontrol dimana
oleh [8] telah dilakukan penelitian untuk menggunakan pola penyesuaian bobot untuk
Memprediksi Nilai Ujian Sekolah. Hasilnya mencapai nilai kesalahan yang minimum
menunjukkan bahwa nilai Mean Square Error antara keluaran hasil prediksi dengan keluaran
(MSE) terkecil pada mata pelajaran yang nyata [13][14]. Backpropagation adalah
Matematika diperoleh sebesar 0,5100175 metode pembelajaran jaringan ANN yang
dengan kombinasi parameter pelatihan berupa paling umum digunakan. Metode ini bekerja
26.000 epoch dan learning rate-nya sebesar melalui proses secara iteratif dengan
0,5. Pada mata pelajaran IPA, nilai MSE menggunakan sekumpulan contoh data (data
terkecil diperoleh sebesar 0,1405143 lewat training), membandingkan nilai prediksi dari
kombinasi parameter pelatihan 1.000 epoch jaringan dengan setiap contoh [15][16].
dan nilai learning rate-nya 0,9. Tingkat
akurasi rata-rata keluaran jaringan diperoleh 2.3 Prediksi
sebesar 80,15 %. Sehingga dapat disimpulkan Prediksi atau peramalan merupakan
bahwa jaringan saraf tiruan backpropagation usaha memperkirakan sesuatu yang akan
yang dihasilkan dapat diandalkan untuk terjadi di waktu mendatang dengan
melakukan prediksi nilai ujian sekolah siswa memanfaatkan berbagai informasi yang
sekolah dasar. Oleh [9] telah dilakukan relevan pada waktu-waktu sebelumnya melalui
penelitian untuk memprediksi jumlah suatu metode ilmiah [17][18].
kemiskinan pada kabupaten/kota di Provinsi
Riau. Hasil penelitiannya memiliki 2. 4 Biofarmaka
kemampuan untuk mengingat dan membuat Biofarmaka menjadi salah satu penyebab
generalisasi dari apa yang sudah ada penggerak perkembangan pertanian dengan
sebelumnya. Terdapat 5 model arsitektur yang mutu bahan baku yang baik. Tanaman herbal
digunakan pada algoritma backpropagation sangat penting untuk kehidupan saat ini guna
ini, antara lain 4-2-5-1 yang nantinya akan memenuhi kebutuhan dasar kesehatan dan
menghasilkan prediksi dengan tingkat akurasi tanaman herbal tidak memiliki efek samping
8%, 4-5-6-1 = 25%, 4-10-12-1 = 92%, 4-10- kesehatan sebesar obat-obatan berbahan kimia
15-1 = 100% dan 4-15-18-1 = 33%. Arsitektur [19]. Pemberian pupuk organik dapat
terbaik dari ke 5 model ini adalah 4-10-12-1 meningkatkan kesuburan tanah dan
dengan tingkat keakurasian mencapai 100% memperbaiki struktur tanah untuk
dan tingkat error yang digunakan 0,001 -0,05. meningkatkan pertumbuhan dan
perkembangan tanaman obat [20]. Produksi
biofarmaka mengalami pertumbuhan yang
2. METODE PENELITIAN flktuatif, dimana terjadi penurunan 0,22%
berdasarkan produksinya sebesar 60,220 ton
2.1 Analisis jahe pada periode 2008-2011, tetapi kembali
Analisis merupakan pemecah atau meningkat 0,21% sebesar 19.794 ton pada
pemisah suatu komunikasi (peristiwa, tahun 2012. Produksi kunyit juga mengalami
pengertian) menjadi unsur-unsur penyusunnya, penurunan 0,23% pada periode 2008–2011
sehingga ide (pengertian, konsep) itu relatif sebanyak 26.455 ton, dan mengalami
menjadi lebih jelas hubungannya antar ide-ide peningkatan 0,14% di tahun 2012 sebesar
yang lebih eksplisit [10]. Analisis pada
Title of manuscript is short and clear, implies research results (First Author)
52 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
[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