[1]
Muhammad Rijian Junanda, [2]Dwi Marisa Midyanti
[1],[2]
Jurusan Rekayasa Sistem Komputer, Fakultas MIPA Universitas Tanjungpura
Jalan Prof Dr. H. Hadari Nawawi Pontianak
Telp./Fax.: (0561) 577963
e-mail: [1]mrjunanda@siskom.untan.ac.id, [2]dwi.marisa@siskom.untan.ac.id
Abstrak
Ketersediaan pangan tergantung pada berbagai faktor seperti iklim, jenis tanah, curah hujan,
irigasi, komponen produksi pertanian yang digunakan, dan bahkan insentif bagi para petani
untuk menghasilkan tanaman pangan. Terjadi penurunan jumlah produksi tanaman padi, ubi
kayu, dan ubi jalar pada tahun 2015 dikarenakan besarnya permintaan konsumsi sedangkan
produksi ketersediaan pangan tidak mampu mengimbangi besarnya permintaan tersebut,
sehingga dikhawatirkan jumlah ketersediaan pangan untuk jenis tanaman tersebut mengalami
penurunan yang signifikan untuk beberapa tahun kedepan. Pertumbuhan jumlah penduduk dan
jumlah lahan pertanian yang semakin sempit dapat mengakibatkan terjadinya krisis kekurangan
pangan, oleh karena itu dibutuhkan sistem prediksi untuk memperkirakan jumlah ketersediaan
pangan untuk satu tahun kedepan. Penelitian ini bertujuan untuk membuat aplikasi prediksi
ketersediaan pangan dan mencari kinerja mean square error (MSE) terbaik berdasarkan
parameter resilient-backpropagation (RPROP) yang digunakan. MSE digunakan untuk
mengukur kinerja keluaran yang dihasilkan oleh parameter resilient-backpropagation (RPROP).
Data yang digunakan adalah data luas tanam, data luas panen, data produktivitas, dan data
produksi untuk masing-masing jenis sereal. Berdasarkan hasil penelitian diperoleh MSE
pelatihan sebesar 0.00371664 untuk padi, 0.00935488 untuk jagung, 0.012203 untuk ubi kayu
dan 0.0240659 untuk ubi jalar. MSE pengujian sebesar 0,001663 untuk padi, 0,001064 untuk
jagung, 0,00091 untuk ubi kayu dan 0,012694 untuk ubi jalar.
150
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
151
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
152
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
𝜕E 4. PERANCANGAN
a. Jika 𝜕W (t) > 0 maka:
4.1. Perancangan Sistem
Perancangan model jaringan syaraf
w (t + 1) = w(t) − ∆ij(t) (16)
tiruan prediksi ketersediaan pangan di
𝜕E Kabupaten Ketapang menggunakan metode
b. Jika 𝜕W (t) < 0 maka: RPROP sebagai sistem prediksi. Data-data
yang telah dikumpulkan akan dibagi menjadi
w (t + 1) = w(t) + ∆ij(t) (17) data pelatihan dan data pengujian, setiap
masing-masing data memiliki nilai masukan
c. Selesai dan nilai keluaran.
a. Penetapan Masukan
Pada sistem prediksi ketersediaan
3. METODE PENELITIAN pangan di Kabupaten Ketapang
Metode penelitian dimulai dengan menggunakan metode RPROP, data yang
tahap studi pustaka yang bertujuan untuk digunakan sebagai masukan sistem adalah
mencari literatur baik dari buku, jurnal, atau data luas tanam sereal, data luas panen sereal,
melalui situs yang berhubungan dengan data produktivitas sereal dan data produksi
penelitian terkait. Pada penelitian Prediksi pangan sereal di Kabupaten Ketapang dari
Ketersediaan Pangan Di Kabupaten tahun 2010 sampai tahun 2016. Data diambil
Ketapang, referensi yang dibutuhkan antara dari Dinas Ketahanan Pangan dan Perikanan
lain tentang pengertian jaringan syaraf tiruan, Kabupaten Ketapang.
pengertian Resilient-Backpropagation b. Penetapan Keluaran
(RPROP), pengertian ketersediaan pangan, Metode jaringan syaraf tiruan dengan
pengertian Mean Square Error (MSE), pembelajaran terawasi membutuhkan target
pengertian diagram alir (flowchart) dan data keluaran sebagai pembanding untuk
flow diagram (DFD) dan pengertian bahasa menentukan keberhasilan pembelajaran.
pemrograman PHP dan SQL. Selanjutnya Data keluaran dibutuhkan pada proses
dilakukan tahap observasi dan Pengumpulan pembelajaran agar sistem prediksi yang
data yang dilakukan dengan mengunjungi diharapkan memberikan hasil yang optimal.
kantor Dinas Ketahanan Pangan dan
153
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
154
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
a. Halaman Awal
Halaman awal merupakan halaman
pertama yang diakses saat aplikasi dibuka.
Gambar 4.4 DFD Level 1 Gambar 5.1 menunjukkan tampilan halaman
awal aplikasi.
1. Pada proses login, admin memasukkan
data login yaitu username dan password
untuk diproses. Data login yang telah
dimasukkan akan dicocokkan dengan
data login pada tb_admin, dan sistem
akan memvalidasi proses login tersebut.
2. Pada proses kelola data, admin
memasukkan data pangan yang akan
dikelola. Data yang dikelola akan
dikirim menuju tbl_pangan dan sistem
mengirim validasi data yang telah
dikelola menuju admin.
3. Pada proses latih data, admin melatih
data latih. Parameter pelatihan yang Gambar 5.1 Halaman Awal Aplikasi
digunakan pada pelatihan disimpan ke
dalam tbl_bobot. b. Halaman Manajemen Data
4. Pada proses uji data, admin melakukan Halaman manajemen data digunakan
pengujian data uji. Bobot-bobot admin untuk mengelola data-data prediksi
parameter terbaik yang telah disimpan ketersediaan pangan yaitu data luas tanam,
digunakan untuk menguji data. data luas panen, data produktivitas, data
5. Proses prediksi digunakan oleh user produksi dan data ketersediaan pangan untuk
dengan memasukkan data prediksi. masing-masing kecamatan di Kabupaten
Sistem akan melakukan prediksi Ketapang. Tampilan awal halaman
menggunakan bobot-bobot parameter manajemen data ditunjukkan pada gambar
terbaik dan mengirim hasil prediksi 5.2.
kembali menuju user.
155
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
156
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
𝑡𝑚𝑎𝑥 = 15996 𝛿𝐸
= Gradien kesalahan pada bobot lapisan
𝛿𝑤
𝑡𝑚𝑖𝑛 = 76
masukan menuju lapisan tersembunyi
Sehingga proses normalisasi untuk masukan 𝛿𝐸
𝑥1 adalah sebagai berikut: = Gradien kesalahan pada bias lapisan
𝛿𝑏1
(𝑥1 −𝑥1𝑚𝑖𝑛 )
𝑥1′ = masukan menuju lapisan tersembunyi
(𝑥1𝑚𝑎𝑥− 𝑥1𝑚𝑖𝑛 ) 𝛿𝐸
(3740 − 116) = Gradien kesalahan pada bobot lapisan
𝛿𝑣
𝑥1′ = tersembunyi menuju lapisan keluaran
(5322 − 116)
𝛿𝐸
= 0,6961 = Gradien kesalahan pada bias lapisan
𝛿𝑏2
Lakukan normalisasi terhadap data-data yang
tersembunyi menuju lapisan keluaran.
lain, sehingga hasil normalisasinya sebagai
Selanjutnya menentukan delta perubahan
berikut:
bobot dan bias pada masing-masing jaringan.
𝑥1 = 0,6961 0,01 0,01 0,01
𝑥2 = 0,7659
𝑥3 = 0,4634
0,01 0,01 0,01
∆𝑤(𝑡 − 1) = [ ]
𝑥4 = 0,8321 0,01 0,01 0,01
𝑡 = 0,7349 0,01 0,01 0,01
Inisialisasi bobot-bobot dan bias awal ∆𝑏1 (𝑡 − 1) = [0,01 0,01 0,01]
pelatihan untuk masing-masing lapisan: 0,01
0,8696 0,6685 0,4387 ∆𝑣(𝑡 − 1) = [0,01]
0,7257 0,5052 0,5534 0,01
𝑤= [ ] ∆𝑏2 (𝑡 − 1) = 0,01
0,8247 0,4739 0,2698
0,2362 0,6884 0,6251 Dimana:
∆𝑤 = Delta perubahan bobot lapisan
𝑏1 = [0,5144 0,6071 0,2501] masukan menuju lapisan tersembunyi.
0,7451 ∆𝑏1 = Delta perubahan bias lapisan masukan
𝑣 = [0,2639] menuju lapisan tersembunyi
0,7277 ∆𝑣 = Delta perubahan bobot lapisan
𝑏2 = 0,2402 tersembunyi menuju lapisan keluaran
Dimana : ∆𝑏2 = Delta perubahan bias lapisan
𝑤 = Bobot pada lapisan masukan menuju tersembunyi menuju lapisan keluaran.
lapisan tersembunyi
𝑏1 = Bias dari lapisan masukan menuju Fase Feed Forward:
lapisan tersembunyi Hitung output pada lapisan tersembunyi
𝑣 = Bobot pada lapisan tersembunyi menuju menggunakan persamaan 2.
lapisan keluaran 𝑧𝑛𝑒𝑡 1 = 𝑏11 + (𝑥1 ∗ 𝑣11 ) + (𝑥2 ∗ 𝑣12 )
𝑏2 = Bias dari lapisan tersembunyi menuju + (𝑥3 ∗ 𝑣13 ) + (𝑥4 ∗ 𝑣14 )
lapisan keluaran 𝑧𝑛𝑒𝑡 1 = 0,5144 + (0,6961 ∗ 0,8696) +
Tentukan parameter resilient pelatihan, (0,7659 ∗ 0,7257) + (0,8321 ∗
yaitu: 0,8247) + (0,7349 ∗ 0,2362)
𝛼 + = 1,2 𝛼 − = 0,5 𝑧𝑛𝑒𝑡 1 = 2,2544
∆𝑚𝑎𝑥 = 50 ∆𝑚𝑖𝑛 = 10−6 𝑧𝑛𝑒𝑡 2 = 𝑏12 + (𝑥1 ∗ 𝑣21 ) + (𝑥2 ∗ 𝑣22 )
Tentukan gradien awal kesalahan pada + (𝑥3 ∗ 𝑤23 ) + (𝑥4 ∗ 𝑣24 )
masing-masing bobot dan bias jaringan. 𝑧𝑛𝑒𝑡 2 = 0,6071 + (0,6961 ∗ 0,6685) +
0 0 0 (0,7659 ∗ 0,5052) + (0,8321 ∗
𝛿𝐸 0 0 0
(𝑡 − 1) = [ ] 0,4739) + (0,7349 ∗ 0,6884)
𝛿𝑤 0 0 0
0 0 0
𝑧𝑛𝑒𝑡 2 = 2,2519
− − − − −= [0 0 0] 𝑧𝑛𝑒𝑡 3 = 𝑏13 + (𝑥1 ∗ 𝑣31 ) + (𝑥2 ∗ 𝑣32 )
0 + (𝑥3 ∗ 𝑣33 ) + (𝑥4 ∗ 𝑣34 )
− − − − −= [0]
𝑧𝑛𝑒𝑡 3 = 0,2501 + (0,6961 ∗ 0,4387) +
0
− − − − −= 0 (0,7659 ∗ 0,5534) + (0,8321 ∗
0,2698) + (0,7349 ∗ 0,6251)
Dimana: 𝑧𝑛𝑒𝑡 3 = 1,6245
157
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
Aktivasi output pada lapisan tersembunyi Hitung gradien kesalahan pada bias lapisan
menggunakan fungsi aktivasi sigmoid biner tersembunyi menuju lapisan keluaran.
seperti pada persamaan 1. 𝛿𝐸
1 (𝑡) = 𝛿𝑘 ∗ 1
𝛿𝑏2
𝑧1 = 𝛿𝐸
(1 + 𝑒 −𝑧𝑛𝑒𝑡 1 )
(𝑡) = 0,0148 ∗ 1
1 𝛿𝑏2
𝑧1 = 𝛿𝐸
(1 + 𝑒 −2,2544 ) (𝑡) = 0,0148
𝑧1 = 0,9050 𝛿𝑏2
1 Hitung kesalahan pada lapisan tersembunyi
𝑧2 = menggunakan persamaan 6 dan 7.
(1 + 𝑒 −𝑧𝑛𝑒𝑡 2 )
1 𝑑1 = 𝛿𝑘 ∗ 𝑤11 ∗ 𝑧1 ∗ (1 − 𝑧1 )
𝑧2 = 𝑑1 = 0,0148 ∗ 0,7451 ∗ 0,9050 ∗ (1 − 0,9050)
(1 + 𝑒 −2,2519 ) 𝑑1 = 0,0009
𝑧2 = 0,9048 𝑑2 = 𝛿𝑘 ∗ 𝑤12 ∗ 𝑧2 ∗ (1 − 𝑧2 )
1 𝑑2 = 0,0148 ∗ 0,2639 ∗ 0,9048 ∗ (1 − 0,9048)
𝑧3 =
(1 + 𝑒 −𝑧𝑛𝑒𝑡 3 ) 𝑑2 = 0,0003
1 𝑑3 = 𝛿𝑘 ∗ 𝑤13 ∗ 𝑧3 ∗ (1 − 𝑧3 )
𝑧3 = 𝑑3 = 0,0148 ∗ 0,7277 ∗ 0,8354 ∗ (1 − 0,8354)
(1 + 𝑒 −1,6245 )
𝑧3 = 0,8354 𝑑3 = 0,0014
Hitung gradien kesalahan pada bobot lapisan
Hitung nilai output pada lapisan keluaran
masukan yang menuju lapisan tersembunyi
menggunakan persamaan 3.
𝑦𝑛𝑒𝑡 = 𝑏2 + (𝑧1 ∗ 𝑤11 ) + (𝑧2 ∗ 𝑤12 ) + (𝑧3 ∗ 𝑤13 )
pertama (Wj1), kedua (Wj2) dan ketiga (Wj3)
menggunakan persamaan 8, sehingga matriks
𝑦𝑛𝑒𝑡 = 0,2402 + (0,9050 ∗ 0,7451) + (0,9048 ∗ 0,2639)
kesalahan bobot pada lapisan masukan yang
+ (0,8354 ∗ 0,7277)
menuju lapisan tersembunyi menjadi.
𝑦𝑛𝑒𝑡 = 1,7613
158
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
0 0 0
𝛿𝐸 𝛿𝐸 0 0 0
(𝑡 − 1) ∗ (𝑡) = [ ]
𝛿𝑤 𝛿𝑤 0 0 0 𝑣𝑏𝑎𝑟𝑢 = 𝑣𝑙𝑎𝑚𝑎 − ∆𝑣(𝑡 − 1)
0 0 0
0,7451 0,01
Berdasarkan hasil perkalian tidak terjadi 𝑣𝑏𝑎𝑟𝑢 = [0,2639] − [0,01]
perubahan gradien (naik atau turun), maka 0,7277 0,01
nilai delta perubahan bobot yang digunakan 0,7351
adalah nilai delta pada iterasi sebelumnya 𝑣𝑏𝑎𝑟𝑢 = [0,2539]
(∆𝑤(𝑡 − 1)). Nilai bobot lapisan masukan 0,7177
menuju lapisan tersembunyi terbaru didapat
Terakhir mencari faktor naik atau turun pada
dengan nilai bobot sebelumnya dikurangi
bias lapisan tersembunyi yang menuju
dengan delta perubahan.
𝑤𝑏𝑎𝑟𝑢 = 𝑤𝑙𝑎𝑚𝑎 − ∆𝑤(𝑡 − 1) lapisan keluaran.
0,8696 0,6685 0,4387 0,01 0,01 0,01 𝛿𝐸 𝛿𝐸
𝑤𝑏𝑎𝑟𝑢 = [
0,7257 0,5052 0,5534
]− [
0,01 0,01 0,01
]
(𝑡 − 1 ) ∗ (𝑡) = 0 ∗ 0,0148
0,8247 0,4739 0,2698 0,01 0,01 0,01 𝛿𝑏2 𝛿𝑏2
0,2362 0,6884 0,6251 0,01 0,01 0,01 𝛿𝐸 𝛿𝐸
0,8596 0,6585 0,4287 (𝑡 − 1 ) ∗ (𝑡 ) = 0
0,7157 0,4952 0,5434 𝛿𝑏2 𝛿𝑏2
𝑤𝑏𝑎𝑟𝑢 = [ ]
0,8147 0,4639 0,2598 Berdasarkan hasil perkalian tidak terjadi
0,2262 0,6784 0,6151
perubahan gradien (naik atau turun), maka
Selanjutnya mencari bias baru lapisan
nilai delta perubahan bias yang digunakan
masukan menuju lapisan tersembunyi dengan
adalah nilai delta pada iterasi sebelumnya
mengalikan antar elemen pada matriks
(∆𝑏2(𝑡 − 1)). Nilai bias lapisan tersembunyi
gradien kesalahan iterasi sebelumnya dengan
menuju lapisan keluaran terbaru didapat
iterasi saat ini (bukan perkalian matriks
dengan nilai bias sebelumnya dikurangi
standar).
𝛿𝐸 𝛿𝐸 dengan delta perubahan.
(𝑡 − 1) ∗ (𝑡) = [0 0 0] ∗ [0,0009 0,0003 0,0014]
𝛿𝑏1 𝛿𝑏1 𝑏2𝑏𝑎𝑟𝑢 = 𝑏2𝑙𝑎𝑚𝑎 − ∆𝑏2(𝑡 − 1)
𝛿𝐸 𝛿𝐸
𝛿𝑏1
(𝑡 − 1) ∗
𝛿𝑏1
(𝑡) = [0 0 0] 𝑏2𝑏𝑎𝑟𝑢 = 0,2402 − 0,01
Berdasarkan hasil perkalian tidak terjadi 𝑏2𝑏𝑎𝑟𝑢 = 0,2302
perubahan gradien (naik atau turun), maka
nilai delta perubahan bias yang digunakan Hasil Pelatihan
adalah nilai delta pada iterasi sebelumnya Hasil pelatihan terbaik ditunjukkan pada
(∆𝑏1(𝑡 − 1)). Nilai bias lapisan masukan tabel 5.1
menuju lapisan tersembunyi terbaru didapat
dengan nilai bias sebelumnya dikurangi Tabel 5.5 Hasil terbaik dari perubahan
dengan delta perubahan. Parameter RPROP
𝑏1𝑏𝑎𝑟𝑢 = 𝑏1𝑙𝑎𝑚𝑎 − ∆𝑏1(𝑡 − 1)
𝑏1𝑏𝑎𝑟𝑢 = [0,5144 0,6071 0,2501] − [0,01 0,01 0,01]
𝑏1𝑏𝑎𝑟𝑢 = [0,5044 0,5971 0,2401]
Selanjutnya mencari bobot baru lapisan
tersembunyi menuju lapisan keluaran dengan
mengalikan antar elemen pada matriks
gradien kesalahan iterasi sebelumnya dengan
iterasi saat ini (bukan perkalian matriks
standar).
𝛿𝐸 𝛿𝐸 0 0,0134
(𝑡 − 1) ∗ (𝑡) = [0] ∗ [0,0133]
𝛿𝑣 𝛿𝑣 0,0124
0
𝛿𝐸 𝛿𝐸 0
(𝑡 − 1) ∗ (𝑡) = [0]
𝛿𝑣 𝛿𝑣
0
Berdasarkan hasil perkalian tidak terjadi
perubahan gradien (naik atau turun), maka
nilai delta perubahan bobot yang digunakan
adalah nilai delta pada iterasi sebelumnya Hasil terbaik untuk sereal Padi hasil
(∆𝑣(𝑡 − 1)). Nilai bobot lapisan masukan terbaik didapatkan dengan menggunakan
menuju lapisan tersembunyi terbaru didapat parameter η+ 1.2, η- 0.8, ∆𝑚𝑎𝑥 50 dan
dengan nilai bobot sebelumnya dikurangi ∆𝑚𝑖𝑛 10-6 dengan MSE sebesar 0.00371664.
dengan delta perubahan.
159
Jurnal Coding, Sistem Komputer Untan ISSN 2338-493X
Volume 06, No. 03 (2018), hal 150-160
7. SARAN
Adapun hal yang menjadi saran untuk
pengembangan sistem prediksi jumlah
ketersediaan pangan di Kabupaten Ketapang
agar menjadi lebih baik kedepannya adalah
dengan menggunakan data perbulan agar
hasil prediksi bisa didapatkan dengan lebih
akurat.
160