Skripsii Dinda Mayang Sari

JARINGAN SYARAF TIRUAN PREDIKSI HARGA PASAR
TEH MENGGUNAKAN METODE

BACKPROPAGATION
SKRIPSI
DINDA MAYANG SARI

0701181081
Diajukan untuk memenuhi syarat mencapai gelar Sarjana (S-1) Di

Program studi Ilmu Komputer Fakultas Sains dan Teknologi UIN
Sumatera Utara
PROGRAM STUDI ILMU KOMPUTER

FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUMATERA UTARA
MEDAN
2023
Medan, 20 Juli 2023
Hal : Permohonan Sidang Munaqasyah
Kepada Yth;
Dekan Fakultas Sains dan Teknologi UINSU
Di Tempat
Dengan hormat,
Saya yang bertanda tangan dibawah ini:
Nama : Dinda Mayang Sari
Nim : 0701181081
Hp / Wa : 083834325887
Fakultas/ Prodi : Sains dan Teknologi/ Ilmu Komputer
IPK : 3,72
Judul : Jaringan Syaraf Tiruan Prediksi Harga Pasar Teh
Menggunakan Metode Backkpropagation
Dengan ini mengajukan permohonan untuk dapat melaksanakan Ujian
Seminar Proposal Skirpsi. Bersama dengan Surat Permohonan ini turut saya
lampirkan beberapa persyaratan :
1. Surat permohonan pendaftaran sidang munaqasyah
2. Kartu Tanda Mahasiswa (KTM) dengan menunjukkan aslinya
3. Bukti SPP/UKT tearkhir
4. Bukti KRS aktif di semester berjalan
5. Transkrip nilai sementara
6. Surat keterangan lulus ujian komprehensif
7. Sertifikat TOEFL dari lembaga resmi dan benar melaksanakan ujian/tes
(min skor:400)
8. Bukti SKK 20 SKS ditandatangani Dosen PA dan WD-3
9. Fotocopy Ijazah SMA sederajat
10. Paspoto Hiram Putih dan Warna 4x6
11. Kartu bimbingan ACC sidang kedua pembibing
12. Surat pernyataan Orisinalitas skripsi/T.A dengan materai 10000 dan
Abstraksi skripsi
13. Bukti screenshoot sudah mengupdate data mahasiswa yaitu: NIK,NISN,
dll di portal SIA
Bila pada waktu ujian seminar proposal skripsi saya telah ditetapkan, saya
tidakdatang tepat waktu dan tanpa alasan yang jelas, maka saya bersedia menerima
sanksiyang telau ditetapkan oleh program studi Ilmu Komputer.
Demikian surat pengajuan Seminar Proposal ini saya perbuat, atas perhatian
dankebijaksanaan Bapak saya ucapkan terima kasih.
Hormat Saya, Diketahui Oleh:

Ketua Program Studi Ilmu Komputer
Dinda Mayang Sari Ilka Zufria, M.Kom

Nim.0701181081 NIP.19850604201531006
PERSETUJUAN SKRIPSI
Hal : Surat Persetujuan Skripsi

Lamp : -
Kepadaa Yth,
Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sumatera Utara Medan
Assalamu’alaikum Wr. Wb.
Setelah membaca, meneliti, memberikan petunjuk, dan mengoreksi serta

mengadakan perbaikan, maka kami selaku pembimbing berpendapat bahwa skripsi
saudara,

NIM : 0701181081
Program Studi : Ilmu Komputer
Menggunakan Metode Back Propagation
Dapat disetujui untuk segera dimunaqassyahkan. Atas perhatiannya kami ucapkaan
terimakasih.
Medan, 20 juli 2023
Komisi Pembimbing,
Pembimbing I, Pembimbing II
Muhammad Ikhsan, S. T., M.Kom Raissa Amanda Putri, S. Kom., M.TI

NIP. 198304152011011008 NIP. 198907102018012002
SURAT PERNYATAAN KEASLIAN SKRIPSI
Saya yang bertanda tangan di bawah ini:

NIM : 0701181081
Program Studi : Ilmu Komputer
Menggunakan Metode Back Propagation
Dengan ini menyatakan bahwa skripsi ini adalah hasil karya sendiri, kecuali
beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Apabila dikemudian hari ditemukan plagiat dalam skripsi ini maka saya bersedia
menerima sanksi pencabutan gelar akademik yang saya peroleh dan sanksi lainnya
sesuai dengan peraturan yang berlaku.
Medan, 20 juli 2023
Dinda Mayang Sari

Nim.0701181081
ABSTRAK
Teh merupakan minuman yang dibuat dari daun camellia sinensis yang berasal dari
Asia Timur. Teh memiliki citarasa dan kandungan nutrisi yang berbeda serta
memiliki banyak manfaat kesehataan, seperti menurunkan resiko penyakit jantung,
kenker, diabetes, serta meningkatkan kinerja mental dan fisik. Teh juga memainkan
peran penting dalam perekonomian nasional yang meliputi kontribusi dalam
pendapatan nasional, penyediaan lapangan kerja, penerimaan ekspor serta
penerimaan pajak. Produksi Teh sendiri memiliki berbagai jenis produk dengan
harga yang berbeda. Harga pasar teh sendiri tidak stabil karena ditentukan dari
tingkat peminatan pembeli dan cenderung mulai menurun yang merugikan
perusahaan, sehingga perlu adanya solusi untuk mengatasi masalah ini. Jaringa
Saraf Tiruan akan diterapkan untuk memprediksi harga pasar teh berdasarkan data
histori harga pertahun dari tahun 2018-2022. Dari hasil penelitian dengan
percobaan training data didapatkan bahwa arsitektur yang terbaik adalah 16-16-16
dengan akurasi 99,99%, MSE training sebesar 0.00674. Diperoleh kesimpulan
bahwa metode Backprogation dapat di implementasikan dalam prediksi harga pasar
teh. Dengan dilakukannya penelitian ini diharapkan dapat memberikan masukan
kepada PTPN IV Unit Teh dalam mengoptimalkan keuntungan dan meminimalisir
kerugian hasil penjualan Teh di masa yang akan mendatang.
Kata kunci: Prediksi, Harga, Metode Backpropagation.
i
ABSTRACT
Tea is a drink made from camellia sinensis leaves that originates from East Asia.
Tea has a distinct taste and nutritional content and has many health benefits, such
as reducing the risk of heart disease, cancer, diabetes, and improving mental and
physical performance. Tea also plays an important role in the national economy
which includes contributing to national income, providing employment, export
revenue and tax revenue. Tea production itself has various types of products with
different prices. The market price of tea itself is unstable because it is determined
by the level of interest from buyers and tends to start to decline which is detrimental
to the company, so a solution is needed to overcome this problem. Artificial neural
networks will be applied to predict the market price of tea based on annual price
historical data from 2018-2022. From the results of research with training data
trials, it was found that the best architecture was 99,99% with an accuracy of
99.93%, MSE training of 0.00674 It was concluded that the backpropagation
method can be implemented in tea market price prediction. By conducting this
research, it is hoped that it can provide input to PTPN IV tea unit in optimizing
profits and minimizing losses from tea sales in the future.
Keywords: prediction, price, backpropagation method.
ii
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wawabarakatuh

Puji dan syukur saya ucapkan kepada ALLAH SWT yang telah
memberikan nikmat berupa kesehatan, kesempatan kepada saya sehingga mampu
menyelesaikan Skripsi ini yang berjudul “Jarinagn Syaraf Tiruan Prediksi Harga
Pasar Teh Menggunakan Metode Backpropagation” sesuai dengan yang
direncanakan. Penulis menyadari dalam penyusunan skripsi ini tidak akan selesai
tanpa bantuan dari berbagai pihak.
Karena itu pada kesempatan ini, penulis ingin mengucapkan terimakasih kepada :
1. Ibu Prof. Dr. Nurhayati, M.Ag, selaku Rektor Universitas Islam Negeri
Sumatera Utara.
2. Bapak Dr.Mhd. Syahnan, MA, selaku Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sumatera Utara
3. Bapak Ilka Zufria, M.Kom selaku Ketua Jurusan Ilmu Komputer Fakultas
Sains dan Teknologi Universitas Islam Negeri Sumatera Utara.
4. Ibu Sriani, M.Kom selaku dosen Pembimbing Akademik yang senantiasa
memberikan kemudahan dan arahan kepada penulis selama dibangku
perkuliahan.
5. Bapak Muhammad Ikhsan, S. T., M.Kom selaku dosen pembimbing skripsi I
yang telah berkontribusi membantu penulis dalam memberikan ide, saran,
kritik, dan bimbingannya kepada penulis selama penulis mengerjakan
proposal skripsi ini.
6. Ibu Raissa Amanda Putri, S. Kom., M.TI selaku dosen pembimbing skripsi II
yang telah berkontribusi membantu penulis dalam memberikan ide, saran,
kritik, dan bimbingannya kepada penulis selama penulis mengerjakan
proposal skripsi ini.
7. Bapak Rakhmat Kurniawan, R., M.Kom selaku Sekretaris Jurusan Ilmu
Komputer Fakultas Sains dan Teknologi Universitas Islam Negeri Sumatera
Utara.
iii
8. Seluruh Tenaga Pengajar dan Pegawai Program Studi S1 Ilmu Komputer
Fakultas Sains dan Teknologi Universitas Islam Negeri Sumatera Utara.
9. Teristimewa ucapan terima kasih kepada orang tua tercinta yaitu Ayah Alm.
Yakup yang telah mempersiapkan segalanya sehingga penulis sampai berada
di tahap ini dan Mama Paini yang telah memberikan bantuan moril maupun
materi, semangat dan doa yang begitu besar kepada penulis yang tidak
terbalas jasanya.
10. Kepada Saudara Kandung penulis, Yulia dan Tria Fazar Ayu terima kasih
untuk dukungan, doa dan semangat yang selalu diberikan kepada penulis.
11. Kepada teman penulis, Ahrum Nanjar, Firda Mei Amanda, Efriliya Hafni
Yuswinda, Fitri Handayani, Bela Saitri dan Alviona Marsya.
12. Dan semua pihak yang telah membantu penulis namun tidak dapat disebutkan
satu persatu. Penulis telah berusaha dengan segala upaya yang dilakukan
dalam penyelesaian proposal skripsi ini. Penulis menyadari sepenuhnya
bahwa dalam pembuatan proposal skripsi ini masih jauh dari kesempurnaan,
untuk itu kritik dan saran yang bersifat membangun sangat penulis harapkan
dari pembaca demi sempurnanya skripsi ini. Semoga isi proposal skripsi ini
bermanfaat dalam memperkaya khasanah ilmu pengetahuan bagi pembaca.
Amiiin Ya Rabbal’alamin.
Wassalamu’alaikum Warahmatullahi Wabarakatuh.
Medan, 20 Juli 2023

Hormat saya
Dinda Mayang Sari

NIM: 0701181081
iv
DAFTAR ISI
Halaman
ABSTRAK............................................................................................................... i
ABSTRACT ........................................................................................................... ii
KATA PENGANTAR .......................................................................................... iii
DAFTAR ISI .......................................................................................................... v
DAFTAR GAMBAR ........................................................................................... vii
DAFTAR TABEL ............................................................................................... viii
BAB I ...................................................................................................................... 1
PENDAHULUAN .................................................................................................. 1
1.1 Latar Belakang Masalah .............................................................................. 1
1.2 Rumusan Masalah ....................................................................................... 4
1.3 Batasan Masalah.......................................................................................... 4
1.4 Tujuan Penelitian ........................................................................................ 4
1.5 Manfaat Penelitian ...................................................................................... 5
BAB II..................................................................................................................... 6
TINJAUAN PUSTAKA ........................................................................................ 6
2.1 Peramalan atau Prediksi .............................................................................. 6
2.2 Tanaman Daun Teh ..................................................................................... 7
2.3 Jaringan Syaraf Tiruan ................................................................................ 8
2.4 Metode Backpropagation .......................................................................... 16
2.5 Jaringan Syaraf untuk Peramalan .............................................................. 27
2.6 Perhitungan Kinerja Error ......................................................................... 27
2.7 Contoh Peritungan Jaringan Syaraf Tiruan Backpropagation ................... 28
2.8 Matlab ....................................................................................................... 34
2.9 Flowchart................................................................................................... 35
2.10 Riset Terkait .............................................................................................. 36
BAB III ................................................................................................................. 43
METODOLOGI PENELITIAN ........................................................................ 43
3.1 Tempat dan Waktu Penelitian ................................................................... 43
v
3.2 Bahan dan Alat Pendukung Penelitian ...................................................... 44
3.3 Perancanga Awal ....................................................................................... 44
3.4 Perancangan Sistem .................................................................................. 48
3.5 Pengujian Hasil Prediksi ........................................................................... 49
3.6 Penerapan/Penggunaan ............................................................................. 50
BAB IV ................................................................................................................. 51
PEMBAHASAN DAN HASIL ........................................................................... 51
4.1 Pembahasan ............................................................................................... 51
4.2 Hasil .......................................................................................................... 75
BAB V ................................................................................................................... 82
KESIMPULAN DAN SARAN ........................................................................... 82
5.1 Kesimpulan ............................................................................................... 82
5.2 Saran.......................................................................................................... 82
DAFTAR PUSTAKA .......................................................................................... 83
LAMPIRAN-LAMPIRAN.................................................................................. 87
vi
DAFTAR GAMBAR
Gambar Judul Gambar Halaman
2.1 Susunan saraf pada manusia ......................................................................... 9

2.2 Arsitektur Lapisan Single Layer ................................................................ 12
2.3 Arsitektur Lapisan Multilayer .................................................................... 12
2.4 Arsitektur Lapisan Competitive .................................................................. 13
3.1 Tahap - Tahap Prosedur Kerja .................................................................... 44
3.2 Flowchart Backpropagation........................................................................ 48
3.3 Flowchart System ....................................................................................... 49
4.1 Arsitektur Jaringan Backpropagation......................................................... 57
4.2 Command Window ..................................................................................... 71
4.3 Data Training.............................................................................................. 72
4.4 Koding Data Training................................................................................. 72
4.5 Proses Training ........................................................................................... 73
4.6 Output Data Training ................................................................................. 73
4.7 Input Testing Data ...................................................................................... 74
4.8 Output Testing Data .................................................................................... 74
4.9 Hasil training arsitektur 16-4-16................................................................. 75
4.10 Hasil Testing arsitektur 16-4-16 ............................................................... 76
4.11 Hasil Training arsitektur 16-8-16 ............................................................. 77
4.12 Hasil Testing arsitektur 16-8-16 ............................................................... 77
4.13 Hasil Training Arsitektur 16-16-16 .......................................................... 78
4.14 Hasil Testing Arsitektur 16-16-16 ............................................................ 79
vii
DAFTAR TABEL
Tabel Judul Tabel Halaman
2.1 Daftar Kriteria Pemahaman Siswa Mata pelajaran .................................... 29

2.2 Sampel dari data yang telah ditransformasikan ......................................... 30
2.3 Nilai Bobot dari Input ke Hidden Layer ..................................................... 31
2.4 Nilai Bobot dari Hidden Layer ke Output .................................................. 31
2.5 Hasil Prediksi dengan Model 4-2-1 ............................................................ 34
2.6 Simbol-simbol Flowchart ........................................................................... 35
2.7 Penelitian Terdahulu................................................................................... 36
3.1 Waktu Penelitian ........................................................................................ 43
3.3 Data Harga Penjualan Teh .......................................................................... 46
4.1 Variabel Prediksi Penjualan Teh ................................................................ 52
4.2 Data Kategori ............................................................................................ 53
4.3 Data Penjualan Produk Teh Pertahun ......................................................... 54
4.4 Data Training 2018 – 2021 ........................................................................ 55
4.6 Kebutuhan Input ......................................................................................... 56
4.7 Variabel Input ............................................................................................. 58
4.8 Bobot yang diberikan dari Input layer ke hidden layer.............................. 58
4.9 Bobot yang diberikan dari hidden layer ke output layer ............................ 58
4.10 Bias yang diberikan dari Input ke hidden layer ....................................... 58
4.11 Bias yang diberikan dari hidden layer ke output layer ............................ 58
4.12 Hasil penjumlahan bobot ......................................................................... 59
4.13 Hasil aktivasi bobot .................................................................................. 60
4.14 Hasil output nilai bobot ............................................................................ 60
4.15 Hasil aktivasi output nilai bobot ............................................................... 61
4.16 Hasil perhitungan faktor kesalahan .......................................................... 61
4.17 Hasil perhitungan mundur ....................................................................... 61
4.18 Hasil koreksi bobot pada unit k ................................................................ 62
4.19 Hasil pembaharuan bobot ......................................................................... 62
4.20 Hasil aktivasi pembaharuan bobot ........................................................... 63
viii
4.21 Hasil koreksi bobot output ....................................................................... 64
4.22 Hasil koreksi bobot input ke hidden ......................................................... 64
4.23 Hasil perubahan bobot input ke hidden .................................................... 65
4.24 Hasil perubahan bobot hidden ke output .................................................. 65
4.25 Hasil perubahan bias input ke hidden....................................................... 66
4.26 Hasil perubahan hidden ke output ............................................................ 66
4.27 Variabel Input untuk epoch ke-2 .............................................................. 66
4.28 Bobot hasil epoch1 untuk Input layer ke hidden layer ............................. 67
4.29 Bobot hasil epoch1 untuk layer ke output layer....................................... 67
4.30 Bias hasil epoch1 untuk i Input ke hidden layer ...................................... 67
4.31 Bias hasil epoch1 untuk hidden layer ke output layer ............................. 67
4.32 Target yang digunakan untuk prediksi ..................................................... 67
4.33 Hasil penjumlahan bobot ......................................................................... 67
4.34 Hasil aktivasi bobot .................................................................................. 67
4.35 Hasil output nilai bobot ............................................................................ 68
4.36 Hasil aktivasi output nilai bobot ............................................................... 68
4.37 Hasil perhitungan faktor kesalahan .......................................................... 68
4.38 Hasil perhitungan mundur ........................................................................ 68
4.39 Hasil koreksi bobot pada unit k ................................................................ 68
4.40 Hasil pembaharuan bobot ......................................................................... 68
4.41 Hasil aktivasi pembaharuan bobot ........................................................... 69
4.42 Hasil koreksi bobot output ....................................................................... 69
4.43 Hasil koreksi bobot input ke hidden ......................................................... 69
4.44 Hasil perubahan bobot input ke hidden .................................................... 69
4.45 Hasil perubahan bobot hidden ke output .................................................. 70
4.46 Hasil perubahan bias input ke hidden....................................................... 70
4.47 Hasil perubahan bias hidden ke output..................................................... 70
4.48 Hasil Pelatihan dengan Model 16-4-16 .................................................... 76
4.49 Hasil Pelatihan dengan Model 16-8-16 .................................................... 78
4.50 Hasil Pelatihan dengan Model 16-16-16 .................................................. 79
ix
4.51 Rekapitulasi Model Arsitektur ................................................................. 80
4.52 Rekapitulasi Model Arsitektur ................................................................. 80
x
DAFTAR LAMPIRAN
Lampiran
1. Surat Izin Penelitian dan Surat Keterangan Penelitian
2. Listing Program
3. Daftar Riwayat Hidup
4. Kartu Bimbingan Skripsi
xi
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah

Perkebunan merupakan subsetor yang berperan penting dalam perekonomian
nasional yang meliputi kontribusi dalam pendapatan nasional, penyediaan lapangan
kerja, penerimaan ekspor serta penerimaan pajak, maka dari itu industri perkebunan
harus dapat beradaptasi dan memanfaatkan teknologi otomatisasi dan teknologi
cyber untuk meningkatkan efisiensi dan produktivitas serta daya saing (Purboseno
et al., 2022). Teknologi menjadi pemegang kunci tercapainya perkebunan
berkelanjutan. Dengan penerapan dan inovasi teknologi dalam prosesnya dapat
meningkatkan produktivitas dari lahan yang dimiliki, sehingga dapat meningkatkan
hasil produksi setiap panennya.
Teh merupakan salah satu tanaman yang diolah diindonesia dalam bentuk
perkebunan. Munculnya teh di Indonesia berasal ketika Dr. Andreas Cleyer,
seorang berkebangsaan Belanda, yang membawa bibit tanaman teh untuk dijadikan
tanaman hias pada tahun 1686. Mulai tahun 1728 bibit teh dari jepang mulai
dibudidayakan di pulau Jawa oleh VOC sebagai percobaan penanaman teh besar-
besaran (Muljana, 2019). Selain pulau jawa pulau Sumatera Utara juga sebagai
salah satu provinsi penghasil teh dimana letaknya di perkebunan Bah Butong yang
dibuka pada tahun 1917 oleh Nedherland Hand maskapai NV. NHM. Pada tanggal
11 Maret 1996 peleburan PTP VI, VII, dan VIII diubah mejadi PT Perkebunan
Nusantara IV PERSERO yang lokasinya berada di Kabupaten Simalungun. PTPN
IV memiliki tiga kebun teh di dataran tinggi Simalungun, yakni kebun Bah Butong,
Sidamanik, dan Toba Sari (Harapan, 2022).
Tanaman teh sendiri dapat tumbuh di Indonesia juga dapat dilihat dari faktor
iklim. Perkebunan teh yang terletak didaerah tropis tidak akan kuat dengan musim
kemarau yang panjang. Sedangkan jika didaerah dataran rendah, maka pohon teh
akan mengalami musim hujan yang cukup panjang. Pohon teh membutuhkan
daerah yang memiliki curah hujannya dengan rata-rata antara 2000mm sampai
2500mm pertahunnya (Muljana, 2019). Karena setiap tanaman memiliki kebutuhan
1
2
air yang stabil untuk masa pertumbuhannya, oleh karena itu hujan sangatlah
penting bagi pertumbuhan tanaman. Seperti yang tertera didalam al-Qur’an surah
Thaha ayat 53 yang berbunyi:
ُ ‫سلَكَ لَك ُْم ِف ْي َها‬

‫سبُ ًًل َّواَ ْن َز َل م‬ َ ‫ض َم ْهدًا َّو‬ ْ ‫س َم ۤا ِء َم ۤا ًۗ ًء فَا َ ْخ َرجْ نَا ِب ٖٓه ا َ ْز َوا ًجا ِم ْن نِِالَّذ‬
َ ‫ِي َجعَ َل لَ ُك ُم ْاْلَ ْر‬ َّ ‫ت شَتى َِِنَال‬
ٍ ‫بَا‬
Artinya:
(Tuhan) yang telah menjadikan bumi sebagai hamparan bagimu, dan

menjadikan jalan-jalan di atasnya bagimu, dan yang menurunkan air (hujan) dari
langit.” Kemudian Kami tumbuhkan dengannya (air hujan itu) berjenis-jenis aneka
macam tumbuh-tumbuhan.
Pada ayat diatas menjelaskan bahwa Allah SWT telah menciptaka bumi sebagai
hamparan agar manusia dapat hidup dan tinggal diatasnya. Serta membukakan jalan
untuk kita injakkan dari satu wilayah ke wilayah lainnya. Dan telah menurunkan
air dari langit (air hujan) untuk menumbuhkan berbagai jenis tanaman (Akhun,
2019). Teh sendiri merupakan salah satu tanaman yang dimaksud pada ayat diatas.
Tanaman teh sendiri memiliki banyak manfaat untuk kesehatan, baik kesehatan
tubuh, gigi maupun tulang. Teh bahkan memiliki kandungan polifenol yang
memiliki katekin dan flavanol yang merupakan senyawa sebagai antioksidan untuk
menangkal radikal bebas dalam tubuh dan juga ampuh untuk mencegah
berkembangnya sel kanker dalam tubuh (Hayati, 2022).
Teh ini dalam proses pemanenan atau pengambilan pucuk daun teh sering sekali
mengalami naik turunya jumlah hasil panen setiap harinya. Hal ini juga
mempengaruhi penjualan baik penjualan lokal maupun ekspor luar negri. Padahal
kualitas teh Sumatera Utara sangat diminati oleh negara Amerika Serikat dan
negara- negara yang ada di Eropa. Namun masalah timbul ketika harga pasar
produk teh mengalami anjlok dan kerugian yang drastis. Bahkan sebagian lahan
teh digadang-gadang akan di konversi menjadi lahan sawit karena dianggap lebih
menguntungkan. Hal ini dilatarbelakangi oleh harga pasar teh sendiri yang tidak
stabil karena ditentukan dari tingkat peminatan pembeli dan cenderung mulai
menurun yang merugikan perusahaan, sehingga perlu adanya solusi untuk
mengatasi masalah ini. Oleh karena itu penulis ingin memprediksi harga pasar teh
3
karena dengan memprediksi harga teh ditahun yang akan datang dapat membantu
pengelola untuk menurunkan tingkat kerugian jika memang terjadi penurunan
harga teh serta meningkatkan produksi untuk mencapai keuntungan lebih jika harga
teh mengalami kenaikan di tahun yang akan datang. Salah satu metode yang dapat
digunakan untuk peramalan atau prediksi adalah metode backpropagation.
Backprapagation sendiri merupakan algoritma pelatihan terbimbing yang
mempunyai banyak lapisan dan menggunakan error output untuk mengubah nilai
bobot-bobot dalam arah mundur (backward) dengan melakukan perambatan maju
(forward propagation) terlebih dahulu. Algoritma ini melakukan proses terarah
(supervised learning) pada JST untuk mencari beban (weight) pada setiap neuron
yang menghasilkan nilai kesalahan seminimal mungkin melalui data pembelajaran
(training data) disebelumnya. Algoritma ini juga memiliki kelebihan
memformulasikan pengalaman dan pengetahuan peramalan yang dapat membantu
memprediksi harga pasar teh ditahun yang akan dating (Situmorang & Jannah,
2021).
Beberapa kasus yang telah melukan penelitian terdahulu dengan studi kasus
yang sama namun memiliki objek berbeda yang antara lain dilakukan oleh Petty
Indrayati Sijabaat, Yuhandri, Gunadi Widi Nucahyono dan Anita Sindar pada
Jurnal Teknologi informasi dan Komunikasi Digital Zone di tahun 2020 yang telah
melakukan penerapan algoritma backpropagation dalam memprediksi harga
komoditi terhadap karakteristik konsumen produk kopi lokal nasional dan
menghasilkan prediksi harga kopi dari harga aktual 74205 ke hasil harga prediksi
73668 dengan akurasi 99.99%. Dari hasil tersebut dapat diketahui bahwa metode
backpropagation memiliki tingkat akurasi yang cukup baik dalam memprediksi
harga (Sijabat et al., 2020).
Pada kasus yang lain juga telah melakukan uji perbandingan metode yang salah
satunya dilakukan oleh Nur Nufi’iyah pada Jurnal Seminar Nasional Inovasi dan
Aplikasi Teknologi di Industri (SENIATI) yang memprediksi harga emas. Prediksi
ini mengghasilkan tingkat akurasi sebesar 93% pada metode regresi linear, 95%
pada metode Backpropagation dan 1% dengan metode fuzzy mamdani. Dari hasil
4
tersebut dapat diketahui bahwa tingkat akurasi dalam memprediksi menggunakan

algoritma backpropagation menghasilkan hasil yang lebih baik dibandingkan
dengan metode regresi linear ataupun fuzzy mamdani (Nafi’iyah, 2016).
Berdasarkan latar belakang diatas penulis tertarik melakukan prediksi harga

pasar teh sebagai persyaratan tugas akhir dan penulis mengajukan sebuah penelitian
yang diusulkan berjudul “Jaringan Syaraf Tiruan Prediksi Harga Pasar Teh
Menggunakan Metode Backpropagation”
1.2 Rumusan Masalah

Adapun rumusan masalah yang didapat dari latar belakang tersebut adalah
sebagai berikut ini :
1. Bagaimana menerapkan metode backpropagation dalam memprediksi harga teh
ditahun yang akan datang?
2. Bagaimana tingkat keakuratan yang dihasilkan dalam memprediksi harga teh
ditahun yang akan datang dengan metode backpropagation?
1.3 Batasan Masalah

Adapun batasan masalah untuk rumusan masalah tersebut adalah :
1. Data didapat dari Kantor Perkebunan Teh PTPN IV unit Tobasari.
2. Data yang digunakan adalah data harga penjualan teh pada 4 tahun sebelumnya
yaitu tahun 2019-2022.
3. Parameter yang digunakan berupa riwayat harga dari teh yang telah dijual.
4. Model jaringan syaraf tiruan yang digunakan adalah model backpropagation
untuk memprediksi harga teh ditahun yang akan datang dan menggunakan
bahasa MATLAB
5. Sistem yang dibangun hanya untuk memprediksi harga teh diitahun yang akan
datang.
6. Penelitian ini tidak membahas perbandingan metode lain dan hanya membahas
prediksi harga teh ditahun yang akan datang dengan satu metode yaitu
backpropagation.
1.4 Tujuan Penelitian
Adapun manfaat dari penelitian ini adalah :
5
1. Untuk menerapkan metode backpropagation dalam memprediksi harga teh

ditahun yang akan datang dengan baik.
2. Untuk menghitung tingkat akurasi yang dihasilkan dalam memprediksi harga
teh ditahun yang akan datang menggunakan metode backpropagation.
1.5 Manfaat Penelitian

Dari tujuan penelitian diatas peneliti dapat menarik garis besar bahwasanya
dengan memprediksi harga teh ditahun yang akan datang pada perkebunan teh
PTPN IV unit Tobasari dengan error tekecil, pengelola dapat mengetahui prediksi
harga pasar kedepanya sehingga dapat memperkirakan keuntungan yang akan
didapat dan juga dapat mencegah kerugian serta memanfaatkan peluang yang ada.
BAB II
TINJAUAN PUSTAKA
2.1 Peramalan atau Prediksi
Prediksi menurut Kamus Besar Bahasa Indonesia, prediksi adalah hasil dari
kegiatan memprediksi atau meramal atau memperkirakan (Suryansyah, 2020).
Peramalan atau prediksi adalah proses untuk memperkirakan berapa kebutuhan
dimasa akan datang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu
dan lokasi yang dibutuhkan dalam rangka memenuhi kebutuhan. Peramalan
permintaan atau prediksi merupakan suatu hal yang diharapkan dapat terealisasi
untuk jangka waktu tertentu pada masa yang akan datang (Jumadi, 2021).
Peramalan yang baik mengandung unsur : ada dalam jangkauan waktu, akurat,
handal dan bermanfaat, dapat dituliskan, mudah dipahami,dan pembiayaan yang
terjangkau (Jumadi, 2021). Prediksi adalah perpaduan antara seni dan ilmu dalam
memperkirakan keadaan dimasa yang akan datang, dengan memproyeksikan data-
data masa lampau ke masa yang akan datang dengan menggunakan model
matematika maupun perkiraan yang subjektif. Kegunaan atau manfaat dari prediksi
adalah sebagai alat bantu untuk perencanaan yang efektif dan efisien, untuk
menetapkan kebutuhan sumber daya pada masa yang akan datang dan untuk
membuat keputusan yang tepat (Ambarwati, 2021).
Peramalan memiliki tujuan untuk mendapatkan informasi dimasa yang akan
datang dengan probabilitas kejadian terbesar (Suryansyah, 2020). Peramalan
adalah suatu hal yang paling penting bagi suatu perusahaan maupun organisasi
bisnis yang mana peramalan berguna sebagai dasar acuan pengambilan keputusan
manajemen ataupun melakukan perencanaan, baik perencanaa jangka pendek
maupun perencanaan jangka panjang. Dalam peramalan diperlukan seminimal
mungkin tingkat kesalahan (error) dan karenanya untuk meminimalisir suatu
kesalahan tersebut akan lebih baik apabila peramalan dilaksanakan dalam satuan
angka (Ambarwati, 2021).
Dalam jaringan syaraf tiruan peramalan atau prediksi memiliki tingkat error
data yang cukup rendah dan cukup baik dalam proses generalisasi karena didukung
6
7
oleh data training yang cukup dan proses pembelajaran yang menyesuaikan bobot
sehingga model ini mampu untuk meramalkan data time series untuk beberapa
waktu kedepan (Windarto, 2020).
2.2 Tanaman Daun Teh
Teh sebagai bahan minuman (Camellia Sinensis) dibuat dari pucuk muda daun
teh yang telah mengalami proses pengolaan tertentu seperti pelayuan, penggilingan,
oksidasi enzimatis dan pengeringan. Manfaat yang dihasilkan dari minum teh
adalah memberikan rasa segar, dapat memberi kesehatan badan dan terbukti tidak
memberikan efek yang buruk bagi tubuh manusia. Bahkan teh memiliki senyawa
yang berkhasiat bagi tubuh seperti pelifenol dan katekin yang berperan sebagai
antioksidan, anti kanker, anti diabetes, anti penyakit jantung dan lain sebagainya
(Hayati, 2022).
Teh Merupakan tanaman perkebunan penghasil bahan minuman yang memiliki
peran strategis dalam perekonomian indonesia. Usaha budidaya tanaman teh selain
dijadikan komoditas ekspor penghasil devisa negara, juga berdampak positif secara
berantai terhadap berkembangan industri lain, seperti penyerapan tenaga kerja,
sumber pendapatan masyarakat tani dan pelaku industri teh, menanggulangi
kemiskinan dan konsevasi lingkungan (Rukhman, 2015).
Banyaknya produksi teh dipengaruhi oleh sistem pengambilan. Seperti
pengambilan yang kasar atau menggunakan mesin pemetik, jika dilakukan dengan
cara ini maka hasilnya akan lebih banyak. Sebaliknya jika pengambilan dilakukan
dengan cara yang halus atau manual dengan memetik setu persatu pucuk teh, maka
hasil yang akan didapatkan akan sedikit dibandingkan dengan pengambilan kasar.
Namun keduanya akan berimbang dalam pemasaran. Sebab jika dilakukan dengan
pengambilan kasar kuliatas produk yang dihasilkan tergolong kualitas rendah,
sedangkan jika pengambilan dilakukan dengan cara halus walaupun produksinya
tergolong sedikit namun kualitasnya tergolong kualitas tinggi (Muljana, 2019).
Harga sendiri merupakan sejumlah nilai yang ditukarkan konsumen dengan
manfaat memiliki atau menggunakan produk yang nilainya ditetapkan oleh pembeli
dan penjual melalui tawar menawar atau ditetapka oleh penjual untuk satu harga
8
yang sama terhadap semua pembeli. Harga pasar sendiri adalah harga
keseimbangan karena penjualan dan pembeli mencapai kesepakatan harga setelah
proses tawar menawar (Hidayat, 2021).
Penetapan harga dan persaingan harga telah diinilai sebagai masalah utama
yang dihadapi suatu perusahaan. Keputusan-keputusan mengenai harga
dipengaruhi melalui berbagai faktor lingkungan eksteral dalam hal faktor internal.
Keputuusan harga disesuaikan dengan sasaran pasar, misalnya untuk bertahan
hidup, memaksimalkan labah jangka pendek, pangsa pasar atau kepemimpinan
mutu produk. Keputusan harga disesuikan dengan strategi marketing-mix-nya,
dimana manajemen harus mempertimbangkannya menjadi satu keseluruhan. Jika
produk diposisikan atas dasar faktor-faktor bukan harga, maka keputusan-
keputusan mengenai mutu, promosi, dan distribusi akan mempengaruhi harga, dan
sebaliknya, jika harga merupakan sebuah faktor dalam penentuan posisi, maka
harga akan sangat mempengaruhi keputusan lainnya (Hidayat, 2021).
Keputusan harga didasarkan pada pertimbangan suatu organisasi atau
perusahaan. Dalam hal faktor eksternal, dapat dijelaskan sebagai berikut: pasar dan
permintaan konsumen merupakan plafon harga (harga tertinggi). Konsumen akan
memandingkan harga satu produk denga manfaat yang dimiliki. Oleh karenanya,
sebelum melakukan penetapan harga, terlebih dahulu harus memahami hubungan
antara harga dan permintaan produk tersebut baik untuk jenis pasar yang berbeda
maupun presepsi konsumennya, lalu dianalisis oleh metode-metode yang sesuai.
Harga dan tawaran pesaing perlu diketahui untuk menentukan harga atau reaksi
konsumen. Setelah keputusan harga diperlukan pula faktor-faktor eksternal lainnya
seperti kondisi ekonomi, tingkat inflasi, biaya bunga, resis, booming dan
keputusan-keputusan pemerintah (Hidayat, 2021).
2.3 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan (atau yang biasa disebut artificial neural network)
merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba
mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan
disini digunakan karena jaringan syaraf diimplementasikan dengan menggunakan
9
program komputer yang mampu menyelesaikan sejumlah proses perhitungan

selama proses pembelajaran (Solikhun, 2020).
Berdasarkan sejarah perkembangannya, jaringan syaraf tiruan diakui sebagai
salah satu cabang ilmu pengetahuan sejak McCulloch-Pitts (1943)
memperkenalkan teorinya dalam A Logical Calculus of The Ideas Immanent in
Nervous Activity, Donald Hebb (1949) tentang Organization of Behavior dan
Rosenblatt (1958) tentang Perceptron (Awangga, 2020).
Gambar 2.1 Susunan saraf pada manusia
(Al Haris, 2019)
Jaringan otak manusia tersusun tidak kurang dari 1013 buah neuron dengan
masing-masing terhubung oleh sekitar 1015 buah sinapsis. Setiap sel saraf (neuron)
memiliki satu inti sel dimana inti sel ini yang bertugas untuk melakukan pemrosesan
informasi. Informasi yang datang diterima oleh dendrit. Selain menerima informasi,
dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi.
Informasi hasil olahan ini menjadi masukan bagi neuron lain dimana antar dendrit
kedua sel tersebut dipertemukan dengan synapsis. Informasi yang dikirimkan antara
neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang
datang dan diterima oleh dendrit dijumlahkan dan dikirim melalui axon ke dendrit
akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini diterima
oleh neuron lain jika memenuhi batasan tertentu, yang sering dikenal dengan nama
ambang (threshold). Pada kasus ini neuron tersebut dikatakan teraktivasi.
Hubungan antara neuron terjadi secara adaptif, artinya struktur hubungan terjadi
secara dinamis (Al Haris, 2019). Komponen jaringan syaraf tiruan itu sendiri adalah
neuron atau sel saraf yang akan mentransformasikan informasi yang diterima
10
melalui sambungan keluarnya menuju neuron-neuron lain dan bobot atau pada
jaringan syaraf tiruan merupakan hubungan antar neuron-neuron yang dikenal
dengan nama bobot menggantikan fungsi sinapsis (Situmorang & Jannah, 2021).
Jaringan Syaraf Tiruan (JST) merupakan pemodelan pembelajaran mesin
(Machine Learning), yang menggunakan pendekatan belajar secara terbimbing
(supervised) dan pendekatan belajar secara tidak terbimbing (unsupervised).
Kemampuan JST dalam mempelajari data, membuatnya mampu melaksanakan
tugas-tugas seperti pengenalan pola, klasifikasi, prediksi, pengolahan sinyal dan
tugas-tugal lainnya (Armansyah, 2021). Metode jaringan syaraf tiruan ini
menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang
diorganisasikan sebagai jaringan yang saling terhubung sama halnya dengan
jaringan saraf manusia (Windarto et al., 2018).
Secara singkat jaringan syaraf tiruan merupakan representasi dari jaringan
biologis dalam bentuk matematika, dengan asumsi bahwa : 1) Pemrosesan
informasi terjadi pada banyak elemen sederhana (neuron); 2) Sinyal dikirimkan
diantara neuron; 3) Setiap penghubung antar neuron memiliki bobot yang unik
untuk mengaktifkan neuron; 4) Fungsi aktivasi merupakan komponen yang
digunakan untuk menentukan keluaran jaringan dari hasil perhitungan antara input
dengan bobot jaringan, yang kemudian keluaran jaringan akan dibandingkan
dengan nilai ambang batas(Armansyah, 2019).
Pada kasus ini, neuron tersebut dikatakan teraktivasi jika hubungan antar
neuron terjadi secara adaptif, artinya struktur hubungan terjadi secara dinamis. Ada
tiga elemen penting dalam JST , yaitu:
1. Arsitektur jaringan beserta pola hubungan antar neuron (Solikhun, 2020).
2. Algoritma pembelajaran yang digunakan untuk menemukan bobot-bobot
jaringan (Solikhun, 2020).
3. Fungsi aktivasi yang digunakan JST terdiri dari sejumlah besar elemen
pemroses sederhana yang sering disebut neuron, cell, atau node (Solikhun,
2020).
Proses pengolahan informasi pada JST terjadi pada neuron-neuron. Sinyal
antara neuron-neuron diteruskan melalui link-link yang saling terhubung dan
11
memiliki bobot terisolasi. Kemudian setiap neuron menerapkan fungsi aktivasi

terhadap input jaringan.
2.3.1 Konsep Dasar Jaringan Syaraf Tiruan

Jaringan saraf tiruan merupakan cabang ilmu dalam bidang ilmu komputer
atau teknik informatika yang mengadopsi jaringan syaraf manusia secara biologis
kedalam teknologi. Jaringan syaraf dalam ilmu komputer digambarkan melalui
model matematika. Terdapat tiga istilah utama dalam jaringann syaraf tiruan
(Reyendra, 2021). yaitu:
1. Neuron : unit pemroses informasi.
2. Bobot : indikator yang dimiliki penghubung neuron yang akan memperkuat
atau memperlemah sinyal.
3. Fungsi aktivasi: fungsi matematika yang menentukan output neuron.
4. Batas ambang: variabel pembanding dalam menentukan besarnya output.
5. Arsitektur jaringan: pola hubungan atar neuron.
6. Metode training/learning/algoritma: metode untuk menentukan bobot
penghitung (Reyendra, 2021).
2.3.2 Arsitektur Jaringan Syaraf Tiruan

Jaringan syaraf tiruan memiliki beberapa arsitektur jaringan yang sering
digunakan dalam berbagai aplikasi yang berisi:
a. Jaringan lapis tunggal (single layer network).
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan input dan satu
lapisan output dengan bobot-bobot terhubung. Setiap neuron yang terdapat pada
lapisan input selalu terhubung kepada setiap neuron yang terdapat pada lapisan
output. Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi (Simarmata,
2020).
12
Gambar 2.2 Arsitektur Lapisan Single Layer

(Simarmata, 2020)
b. Jaringan lapis jamak (multilayer nework)
Jaringan dengan banyak lapisan (jamak) yang memiliki 3 lapisan yang terletak
diantara lapisan input, lapisan output, dan lapisan tersembunyi (memiliki 1 atau
lebih lapisan tersembunyi). Jaringan dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih sulit dari pada lapisan dengan lapisan
tunggal dengan pembelajaran yang lebih rumit (Simarmata, 2020).
Gambar 2.3 Arsitektur Lapisan Multilayer

(Simarmata, 2020)
c. Jaringan lapis kompetitif (competitive layer network)
Jaringan ini mirip dengan jaringan single layer ataupun jamak. Hanya saja, ada
neuron output yang memberikan sinyal pada neuron input (sering disebut
feedback loop). Sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif
(Simarmata, 2020).
13
Gambar 2.4 Arsitektur Lapisan Competitive

(Simarmata, 2020)
2.3.3 Fungsi Aktivasi Jaringan Syaraf Tiruan

Dalam jaringan syaraf tiruan fungsi aktivasi digunakan untuk menentukan
keluaran suatu neuron. Argumen fungsi aktivasi adalah net masukan (kombinasi
linier masukan dan bobotnya) (Solikhun, 2020). Dalam beberapa fungsi aktivasi
yang sering digunakan dalam jaringan syaraf tiruan, antara lain:
a. Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step
function) untuk mengkonfersikan input dari suatu variabel yang bernilai kontinu ke
suatu output biner (0 atau 1) (Al Haris, 2019),yang dirumuskan:
0, 𝑗𝑖𝑘𝑎 𝑥 ≤ 0
𝑦={
1, 𝑗𝑖𝑘𝑎 𝑥 > 0
b. Fungsi Undak Biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan nama fungsi ambang (threshold). Fungsi undak biner (dengan nilai ambang
∅) (Al Haris, 2019), dirumuskan sebagai:
0, 𝑗𝑖𝑘𝑎 𝑥 < ∅
𝑦={
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ ∅
c. Fungsi Bipolar (Symetric Hard Limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja
output yang dihasilkan 1, 0, -1 (Al Haris, 2019). Fungsi Symetric Hard Limit
dirumuskan:
14
1, 𝑗𝑖𝑘𝑎 𝑥 > 0
𝑦 = { 0, 𝑗𝑖𝑘𝑎 𝑥 = 0
−1, 𝑗𝑖𝑘𝑎 𝑥 < 0
d. Fungsi Bipolar (Threshold)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan
Threshold, hanya saja output yang dihasilkan berupa 1, 0, atau -1 (Al Haris, 2019).
Fungsi bipolar (dengan nilai ambang ∅) dirumuskan:
1, 𝑗𝑖𝑘𝑎 𝑥 ≥ ∅
𝑦={
−1, 𝑗𝑖𝑘𝑎 𝑥 < ∅
e. Fungsi Linear (Identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya (Al Haris,
2019), yang dirumuskan:
y=x
f. Fungsi Saturating Linear
Fungsi ini akan bernilai 0 jika input kurang dari -½, dan akan bernilai 1 jika
inputnya lebih dari ½. Jika nilai input terletak antara -½ dengan ½, maka nilai
outputnya akan bernilai sama dengan nilai input ditambah ½ (Al Haris, 2019).
Fungsi saturating linear dirumuskan:
1; 𝑗𝑖𝑘𝑎 𝑥 ≥ 0,5
𝑦 = { 𝑥 + 0,5 ; 𝑗𝑖𝑘𝑎 − 0,5 ≤ 𝑥 ≤ 0,5
0; 𝑗𝑖𝑘𝑎 𝑥 ≤ −0,5
g. Fungsi Symetric Saturating Linear
Fungsi ini akan bernilai -1 jika input kurang dari -1, dan akan bernilai 1 jika
inputnya lebih dari 1. Jika nilai input terletak antara -1 dengan 1, maka nilai
outputnya akan bernilai sama dengan nilai input (Al Haris, 2019), yang dirumuskan:
1; 𝑗𝑖𝑘𝑎 𝑥 ≥ 1
𝑦 = { 𝑥; 𝑗𝑖𝑘𝑎 − 1 ≤ 𝑥 ≤ 1
0; 𝑗𝑖𝑘𝑎 𝑥 ≤ −1
h. Fungsi Sigmoid Biner
Fungsi ini digunakan untuk jaringan syaraf yang dilatih dengan menggunakan
metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai
1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan syaraf yang
membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi
15
ini bisa juga digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1 (Al Haris,
2019). Fungsi sigmoid biner dirumuskan:
1
𝑦 = 𝑓 (𝑥) =
1 + 𝑒 −𝜎𝑥
𝑑𝑒𝑛𝑔𝑎𝑛 𝑓 ′ (𝑥) = 𝜎𝑓(𝑥)[1 − 𝑓(𝑥)]
i. Fungsi Sigmoid Bipolar

Fungsi ini hampir sama dengan fungsi sigmoid biner hanya saja output dari
fungsi ini memiliki range antara 1 sampai -1 (Al-Haris, 2019), dengan rumus:
1 − 𝑒 −𝑥
𝑦 = 𝑓 (𝑥) =
1 + 𝑒 −𝑥
𝜎
𝑑𝑒𝑛𝑔𝑎𝑛 𝑓 ′ (𝑥) = [1 + 𝑓(𝑥)][1 − 𝑓(𝑥)]
2
2.3.4 Kelebihan dan Kekurangan Jaringan Syaraf Tiruan

Namun begitu jaringan syaraf tiruan (JST) tetap memiliki kelebihan dan
kekurangan. Adapun kelebihan jaringan syaraf tiruan ini adalah sebagai berikut:
1. JST dapat menjalankan tugas yang tidak dapat dilakukan oleh program linear.
2. JST dapat bekerja secara paralel.
3. JST dapat mempelajari pola data tanpa perlu diprogram ulang.
4. JST dapat diterapkan tanpa ada masalah yang mendasar (Arif, 2021).
5. JST dapat menyimpulkan pengetahuan walaupun tidak mempunyai kepastian.
6. JST dapat melakukan general dan mengekstrak dari pola.
7. JST dapat menimbulkan satu pola pengetahuan melewatti batas belajar atau
self-organizing.
8. Mempunyai fault tolerances atau noise dianggap gangguan.
9. Mampu memperhitungkan secara berurutan sehingga proses lebih cepat.
10. Mempunyai kelebihan belajar, melakukan suatu pekerjaan berdasarkan data
yang diberikan.
11. JST dapat berdiri sendiri dari informasi yang didapat saat pembelajaran.
12. JST dapat melakukan suatu pekerjaan secara berurutan sehingga hardware
yang dirancang dan diproduksi dapat menghasilkan keuntungan (Reyendra,
2021).
16
Dibalik kelebihan JST yang tertera diatas, terdapat pula kekurangan JST itu
sendiri. Diantaranya:
1. Untuk memprediksi pola data, diperlukan proses pembelajaran (training) lebih
dahulu, sehingga memerlukan lebih banyak data empiris.
2. Untuk dapat digunakan dalam sebuah microprocessor, dibutuhkan penyelarasan
arsitekturnya supaya sesuai dengan microprocessor.
3. Membutuhkan waktu proses yang lama untuk model yang kompleks.
4. Model JST dapat memprediksi pola data, tetapi tidak dapat menjelaskan
mekanismenya didalam krena tidak memiliki persamaan matematika yang
eksplisit (Arif, 2021).
2.4 Metode Backpropagation

Backpropagation ialah algoritma pendidikan yang terawasi serta umumnya
digunakan untuk mengganti bobot- bobot yang tersambung dengan neuron-neuron
yang terdapat pada susunan tersembunyinya. Algoritma backpropagation memakai
error output untuk mengganti nilai bobot- bobotnya dalam arah mundur (backward)
(Hutabarat et al., 2021). Backpropagation bersifat adaptive yaitu dapat
menyesuaikan pada dataset dan fault tolerance (kesalahan error kecil) dalam
menyelesaikan masalah pada sistem (Maiyuriska, 2022). Backpropagation
melakukan pembelajaran terbimbing (supervised learning) yang digunakan pada
jaringan multi-layer yang terdiri dari beberapa hidden-layer yang bertujuan untuk
meminimalkan error terhadap jaringan yang menghasilkan keluaran (output)(Putra
& Ulfa Walmi, 2020).
Jaringan backpropagation dikembangkan oleh Paul Werbos pada tahun 1974,
kemudian dikembangkanlebih lanjut oleh David E. Rumelhart, Geoffrey E. Hinton
dan Ronald J.William pada tahun 1986 (Nahari, 2017). Hampir 80% dari seluruh
jaringan saraf tiruan yang ada dalam perkembangannya menggunakan jaringan ini
karena mudah dalam proses belajarnya. Jaringan syaraf tiruan backpropagation
memiliki kemampuan untuk menentukan hubungan antara sekelompok pola
masukan dengan sekelompok pola keluaran yang diberikan dan menggunakan
hubungan ini pada saat diberikan pola masukan baru (Apriyani, 2018).
17
2.4.1 Tahap-Tahap Algoritma Backpropogation

Algoritma backpropagation memiliki dua tahap utama yaitu perambatan
maju dan perambatan mundur. Perambatan maju ialah proses yang dilakukan untuk
mengetahui hasil output, sedangkan perambatan mundur adalah proses yang
ditunjukkan untuk mengupdate/memperbarui nilai bobot v dan nilai bobot w (Wadi,
2021). Backpropagation merupakan algoritma yang bekerja dengan mengenali pola
data berdasarkan histori data terdahulu sehingga mampu mengenali pola data untuk
melakukan prediksi ataupun klasifikasi terhadap data yang akan datang (Wadi,
2021).
Untuk melakukan prediksi data menggunakan backpropagation harus
dilakukan dua proses terlebih dahulu yaitu:
1. Proses Pelatihan
Proses ini merupakan proses yang bertujuan untuk mengenali pola data. proses
pelatihan ini untuk melatih bobot sehingga dapat mngenali pola data. hasil dari
proses pelatihan ini adalah bobot w, bobot v dan bias yang terlatih. Bobot-bobot
terlatih inilah yang merupakann repesentasi dari pengetahuan JST. Pada proses
pelatihan ini memiliki dua perambatan yaitu perambatan maju dan perambatan
mundur. Proses pelatihan ini dapat diartikan juga sebagai perulangan dari
perambatan maju dan perambatan mundur untuk mendapatkan nilai bobot w, bobot
v dan bias yang terlatih (Wadi, 2021).
2. Proses Pengujian
Proses ini merupakan proses prediksi yang dilakukan pada data uji atau data
yang akan datang. Pada poses pengujian ini hanya dilakukan perambatan maju saja
(Wadi, 2021).
Algoritma backpropagation memiliki parameter yang digunakan dalam
memprediksi suatu hal. Berikut adalah parameter-parameter yang harus ditentukan:
a. Jumlah neuron pada input hidden layer (ninput)
Parameter ini digunakan untuk menentukan berapa jumlah neuron yang terdapat
pada input layer (Wadi, 2021).
b. Jumlah neuron pada hidden layer (nhidden)
18
Parameter ini digunakan untuk menentukan berapa jumlah neuron yang terdapat
pada hidden layer (Wadi, 2021).
c. Jumlah neuron output layer (noutput)
d. Parameter ini digunakan untuk menentukan berapa jumlah neuron yang terdapat
pada output layer (Wadi, 2021).
e. Laju pembelajaran(a)
Parameter ini akan menentukan seberapa cepat laju pembelajaran JST
backpropagation. Dengan kata lain, parameter ini akan menentukan seberapa
cepat pelatihan pada JST backpropagation (Wadi, 2021).
f. Jumlah itersi
Parameter ini akan menentukan jumlah siklus dari proses pelatihan. Dengan
kata lain, parameter ini akan menentukan berapa kali proses perambatan maju
dan proses perambatan mudur akan dilakukan pada proses pelatihan (Wadi,
2021).
g. Toleransi error
Parameter ini dilakukan sebagai acuan error antara output JST dan target output
JST. Parameter ini biasa digunakan sebagai pemicu/triger yang akan
menghentikan proses pelatihan. Jadi ketika error antara output JST dengan
target output JST lebih kecil atau sama dengan toleransi error maka proses
pelatihan dapat dihentikan (Wadi, 2021).
2.4.2 Arsitektur Algoritma Backpropagation

Algoritma backpropagation memiliki arsitektur tersendiri yang meliputi tiga
lapisan (layer) utama serta bobot dan bias (Wadi, 2021) yang berisi:
1. Lapisan Masukan (Input Layer)
Layer ini berisi neuron-nneuron yang menjadi masukaan bagi JST
backpropagation. Neuron pada layer ini dapat diubah sesuai dengan jumlah data
yang sedang diolah, atau sesuai dengan jumlah parameter data yang akan diproses.
Neuron–neuron yang terdapat pada layer ini biasa dikenal dengan istilah input layer
atau yang disimbolkan dengan Xi (x1, x2, x3,........., xn) (Wadi, 2021).
2. Lapisan Tersebunyi (Hidden Layer)

19
Layer ini merupakan bagian JST yang berada ditengah-tenga penghubung antara
input layer dan output layer. Layer ini berisi neuron-neuron tersembunyi atau sering
disebut hidden layer dimana jaringan dapat memiliki lebih dari satu hidden layer
namun sifatnya tidak wajib ada. Hidden layer ini biasa di simbolkan dengan Zi (z1,
z2, z3, ........., zn) (Wadi, 2021).
3. Lapisan Keluaran (Output Layer)

Layer ini berisi neuron-neuron yang menjadi keluaran JST backpropagation.
Output layer ini terletak di bagian akhir yang biasa disimbolkan dengan Yi (y1, y2,
y3, ......., yn) (Wadi, 2021).
4. Bobot V+Bias
Setiap neuron yang terdapat pada input layer dan hidden layer dihubungkan
dengan bobot dan bias. Bobot yang menjadi penghubung antara input layer dengan
hidden layer dinamakan bobot V. Bobot V merupakan komponen wajib yang
menjadi penghubung setiap neuron yang terdapat pada input layer dan hidden layer.
Sedangkan bias merupakan komponen yang dapat ditiadakan karena hanya
memiliki fungsi mempercepat laju pembelajaran serta tidak merupakan komponen
wajib (Wadi, 2021).
5. Bobot W+Bias
Setiap neuron yang terdapat pada hidden layer dan output layer dihubungkan
dengan bobot dan bias. Bobot yang menjadi penghubung antara hidden layer
dengan output layer dinamakan bobot W. Bobot W merupakan komponen wajib
yang menjadi penghubung setiap neuron yang terdapat pada hidden layer dan output
layer. Sedangkan bias merupakan komponen yang dapat ditiadakan karena hanya
memiliki fungsi mempercepat laju pembelajaran (Wadi, 2021).
2.4.3 Pelatihan Algoritma Backpropagation

Pelatihan algoritma backpropagation memiliki 2 perambatan, yaitu
perambatan maju (forward propagation) dan perambatan mundur (backward
propagation) (Wadi, 2021).
A. Perambatan maju (forward propogation)

20
Pada perambatan maju dilakukaan perhitunga sinyal yang dikirim dari input
layer menuju hidden layer (perhitungan nilai neuron pada hidden layer). Selain itu
dilakukan perhitungan sinyal keluaran yang diteruskan dari hidden layer ke output
layer (perhitungan nilai neuron pada output layer). Berikut adalah tahapan yang
dilakukan pada proses perambatan maju (Wadi, 2021):
1. Perhitungan nilai neuron pada hidden layer (nilai Z)

Perhitungan Zi (z1, z2, z3, ..., zn) dilakukan dengan persamaan (Wadi, 2021):
𝑛
𝑍_𝑖𝑛 𝑗 = 𝑉0𝐽 + ∑ 𝑍𝑖 𝑉𝑖𝑗

𝑖=1
𝑍𝑗 = 𝑓(𝑍_𝑖𝑛𝑗 )
Dimana:
V0j = bias pada neuronn hidden layer ke-j
Xi = neuron input layer ke i
Vij = bobot penghubung input layer ke-i dan neuron hidden layer ke-j
Z_inj = sinyal informasi dari input layer ke neuron hidden layer ke-j
Zj = neuron hidden layer ke-j
F (z_inj)= fungsi aktifasi terhadap nilai z_inj.
2. Perhitungan nilai neuron pada output layer (nilai Y)

Perhitungan Yi (y1, y2, y3, ..., yn) dilakukan dengan persamaan (Wadi, 2021):
𝑝
𝑦_𝑖𝑛𝑘 = 𝑊𝑘0 ∑ 𝑍𝑗 𝑊𝑘𝑗

𝑗=1
𝑌𝑘 = 𝑓(𝑌_𝑖𝑛𝑘 )
Dimana:
Wok = bias pada neuron output layer ke-k

Zj = neuron hidden layer ke-j
Wjk = bobot penghubung neuron hidden layer ke-j dan output layer ke-k
Y_ink = sinyal informasi dari hidden layer ke neuron output layer ke-k
Yk =neuron output layer ke-k
21
F(y_ink)= fungsi aktivasi terhadap niali y_ink.
B. Perambatan mundur (backward propagation)

Pada peerambatan mundur dilakukan untuk memperbarui bobot yang
menghubungkan antara output layer dan hidden layer (bobot W). Dan untuk
memperbarui bobot yang menghubungkan antara hidden layer dan input layer
(bobot V). Berikut adalah tahapan proses yang dilakukan pada perambatan mundur
(Wadi, 2021):
Δk = (tk- yk) f’(y_ink)

= (tk- yk) yk(1-yk)
∆Wjk = α δk zj
∆W0k = α δk
Wjk (baru) = Wjk(lama) + ∆Wjk
W0k (baru) = Wjk(lama) + ∆W0k
Dimana:
δk = faktor koneksi dari neuron output layer ke-k.
tk = target output pada neuron output layer ke-k.
yk = neuron output layer ke-k.
α = laju pembelajaran (learning rate).
∆Wjk = koneksi bobot penghubung antara neuron output layer ke-k dan
neuron hidden layer ke-j.
∆W0k = koneksi bias pada neuron output layer ke-k.
Wjk (baru) = bobot terbaru penghubung antra neuron output layer ke-k dan
neuron hidden layer ke-j.
Wjk (lama) = bobot lama penghubung antra neuron output layer ke-k dan neuron
hidden layer ke-j.
W0k (baru) = bias baru yang terhunung ke neuron output layer ke-k.
W0k (lama) = bias baru yang terhunung ke neuron output layer ke-k
C. Perhitungan perambatan mundur dari hidden layer ke input layer

22
Tahapan ini bertujuan untuk memperbarui bobot yang menghubungkan antara

hidden layer dan input layer (bobot V). Berikut adalah persamaan yang digunakan
dalam tahapan ini (Wadi, 2021):
𝑛
δ_𝑖𝑛 𝑗 = 𝑉0𝐽 + ∑ δ𝑘 𝑊𝑗𝑘

𝑘=1
δj = δ_injf’(z_inj)
= δ_injzj(1-zj)
∆Vij = αδjxi
∆V0j = αδj
Vij (baru) = vij(lama) + ∆Vij
V0j (baru) = v0j(lama) + ∆V0j
Dimana:
δ_inj = sinyal faktor koreksi dari output layer ke neuron hidden layer ke-j
δj = faktor koreksi dari neuron hidden layer ke-j
α = laju pembelajaran (learning rate)
∆Vij = koreksi bobot yang menghubungkan antara neuron hidden layer ke-j dan
neuron input layer ke-i
∆V0j = koreksi bias pada neuron hidden layer ke-j
Xj = neuron input layer ke-i
Vij(baru)= bobot terbaru yang menghubungkan antara neuron hidden layer ke-j dan
Vij(lama)= bobot lama yang menghubungkan antara neuron hidden layer ke-j dan
V0j(baru)= bias baru yang terhubung ke neuron hidden layer ke-j
V0j(lama)= bias lama yang terhubung ke neuron hidden layer ke-j.
Perincian proses adalah :

0. Mengenalkan parameter-parameter terkait seperti bobot-bobot, konstanta laju
pelatihan (α), nilai error atau nilai bobot (bila menggunakan nilai bobot sebagai
23
kondisi berhenti) atau set maksimal epoch (jika menggunakan banyaknya

epoch sebagai kondisi berhenti) (Cynthia & Ismanto, 2017).
1. Jika belum sesuai maka proses dari langkah 2 hingga 9 maka akan terus
berlanjut (Cynthia & Ismanto, 2017).
2. Cara pemasangan untuk setiap pola latihan maka akan dilakukan proses dari
poin ke 3 hingga ke 8 (Cynthia & Ismanto, 2017).
Tahap I : Umpan Maju (feedforward)
3. Untuk data masuk xi (dari unit ke-1 sampai node ke-n pada lapisan input) akan
mengirim tanda kepada lapisan hidden dari unit input (Cynthia & Ismanto,
2017).
4. Setiap bobot dan bias akan dikalikan dengan nilai yang terdapat pada lapisan
tersembunyi (Cynthia & Ismanto, 2017) :
𝑛

𝑖=1
1
𝑍𝑗 = 𝑓 (𝑍_𝑖𝑛 𝑗 ) =
1 + 𝑒 −𝑥 𝑛𝑒𝑡 𝑗
5. Nilai pada data keluar (yk, k=1,2,3,…m) dikali bobot, ditambah bias (Cynthia
& Ismanto, 2017)
𝑝
𝑦_𝑖𝑛𝑘 = 𝑊𝑘0 ∑ 𝑍𝑗 𝑊𝑗𝑘

𝑗=1
1
𝑦𝑘 = 𝑓 (𝑦_𝑖𝑛 𝑘 ) =
1 + 𝑒 −𝑦 𝑛𝑒𝑡𝑘
Tahap II : Umpan Mundur (backward)

6. Untuk nilai keluar (yk, k=1,2,3,…,m) akan menerima rincian target tk yang
cocok dengan nilai input dan output pada proses dan dilanjut dengan
menganalisis nilai error pada layer output (δk). δk perhitungannya digunakan
untuk memperbaiki nilai bias dan bobot (∆Wjk dan ∆Wok ) yang berada pada
layer hidden dan output (Cynthia & Ismanto, 2017).
δk = (tk- yk) f’(y_ink) = (tk- yk) yk(1-yk)

24
Hitung suku perubahan bobot Wjk (yang akan digunakan untuk merubah bobot
Wjk) dengan laju pelatihan α..
∆Wjk = α δk zj ;k=1,2,3,…,m;j=0,1,…,p
Hitung perubahan bias
∆Wok = α δk
7. Pada setiap unit di lapisan tersembunyi (dari unit ke-1 hingga ke-p;
i=1…n;k=1…m) dilakukan perhitungan informasi kesalahan lapisan
tersembunyi (δj). δj kemudian digunakan untuk menghitung besar koreksi
bobot dan bias (∆Vji dan ∆Vjo) antara lapisan input dan lapisan tersembunyi
(Cynthia & Ismanto, 2017).
𝛿in𝑗 = ∑𝛿𝑘𝑤𝑘𝑗
𝑚
𝑘=1
δj = δ_inj f’(δ_inj) = δ_in zj(1-zj)
bobot pada Vji dihitung (pada perbaikan bobot Vji

∆Vji = α δj xi
Bias berubah (untuk memperbaiki V0j).
∆Voj = α δj
Tahap III : pembaharuan Bobot dan Bias
8. Pada lapisan output (yk, k=1,2,3,…,m) nilai bobot dan bias akan diperbaharui
(j = 0,1,2,…,p) untuk mendapatkan nilai bias dan bobot yang baru (Cynthia &
Ismanto, 2017):
Wkj (baru) = Wkj(lama) + ∆Wkj

9. Demikian juga untuk setiap unit tersembunyi mulai dari unit ke-1 sampai dengan unit
ke-p dilakukan pengupdatean bobot dan bias (Cynthia & Ismanto, 2017)
10. Tes kondisi berhenti apabila error ditemukan. Jika kondisi berhenti terpenuhi.
Maka pelatihan jaringan dapat dihentikan (Cynthia & Ismanto, 2017).
Sedangkan untuk pengujian backpropagation sendiri berisi:

0. Inisialisasi bobot (hasil pelatihan)
1. Untuk setiap vektor input, kerjakan langkah 2 – 4
25
2. Untuk i=1,…,n : set aktivasi unit input X1

3. Untuk j=1,…,p
𝑛

𝑖=1
Zj = f(zinj)
4. Untuk k-1,…,p;
𝑛
𝑦_𝑖𝑛 𝑗 = 𝑊0𝑘 + ∑ 𝑍𝑖 𝑊𝑗𝑘

𝑖=1
yj = f(yinj)
Sebelum diproses, data dinormalisasi terlebih dahulu. Normalisasi terhadap data

dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan.
Fungsi aktivasi yang peneliti gunakan dalam penelitian ini adalah fungsi aktivasi
sigmoid. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0 ataupun
1) (Wanto & Windarto, 2017), dengan rumus:
0.8(𝑥−𝑎)
X’ = + 0.1
𝑏−𝑎
Dimana:
α = nilai minimum
b = nilai maksimum.
Lalu denormalisasi testing. Setelah dilakukan proses training dan testing
pola-pola yang dilatih, maka akan diperoleh hasil bahwa pengujian terhadap pola-
pola tersebut apakah telah benar/akurat atau sebaliknya. Untuk menghitung Rata-
rata Error (RMSE) jaringan, dapat dilakukan dengan rumus (Cynthia & Ismanto,
2017):
𝑛
(𝑦1 − 𝑦𝑛 )2
𝑅𝑀𝑆𝐸 = ∑
𝑛
𝑖=1
Dimana:
Yi = nilai aktual data (target)
Yn = nilai hasil prediksi (actuaal output)
26
N = jumlah data yang diuji.

Sedangkan untuk proses denormalisasi atau mengembalikan kembali nilai
hasil prediksi jaringan ke bentuk data semula (sebelum normalisasi) dapat
menggunakan rumus sebagai berikut (Cynthia & Ismanto, 2017).
X1 = yn(xmax – xmin) + xmin
Dimana:
Xi = nilai x yang akan dilakukan denormalisasi
Yn = nilai hasil prediksi (actual output) yang sesuai dengan xi
Xmax = nilai maksimum pada barisan x
Xmin = nilai minimum pada barisan x.
2.4.4 Kelebihan dan Kekurangan Algoritma Backpropagation

Beberapa kelebihan algoritma backpropagation adalah:
1. Dapat diaplikasikan pada penyelesaian suatu masalah berkaitan dengan
identifikasi, prediksi, peramalan, pengenalan pola dan sebagainya (Windarto,
2020).
2. Kemampuannya untuk belajar (bersifat adaptif) dan kebal terhadap kesalahan
(Fault tolerance) sehingga dapat mewujudkan sistem yang tahan kerusakan
(robust) dan bekerja secara konsisten (Windarto, 2020).
3. Melatih jaringan untuk mendapat kesimpulan selama proses pelatihan sehingga
dapat memberikan respon yang benar terhadap pola masukan yang serupa
dengan pola yang dipakai selama pelatihan (Windarto, 2020).
Sedangkan kekurangan dari algoritma backpropagation adalah:
1. Membutuhkan waktu cukup lama dalam proses pembelajaran untuk

mencapai konvergen (Windarto, 2020).
2. Parameter learning rate atau tingkat pembelajaran akan selalu berubah-ubah
sesuai dengan kondisi error pada setip iterasinya (Windarto, 2020).
3. Dalam menghitung perubahan bobot algorita backpropagation dapat
menyebabkan masalah lokal minimum sehingga tidak stabil (Windarto,
2020).
27
2.5 Jaringan Syaraf untuk Peramalan

Teknik peramalan banyak digunakan untuk proses perencanaan dan
pengambilan keputusan, suatu ramalan mencoba memperkirakan apa yang akan
terjadi dan apa yang akan menjadi kebutuhan. Dalam JST terdapat teknik peramalan
yang sering digunakan yaitu backpropagation. Teknik ini biasanya digunakan pada
jaringan multilayer dengan tujuan meminimalkan error pada keluaran yang
dihasilkan oleh jaringan. Salah satu cara peramalan adalah dengan metode urutan
waktu (time series) menggunakan data history (data waktu yang lampau), misalnya
data permintaan, untuk membuat ramalan permintaan diwaktu mendatang (Cynthia
& Ismanto, 2017).
Tujuan dari metode ini adalah untuk mengidentifikasi pola data history dan
kemudian mengekstrapolasikan pola ini ke masa datang. Metode NN ini dilatih
dengan seperangkat data untuk bisa mengenal dan mengidentifikasi pola data atau
kurva. Proses pelatihan disebut tahap belajar (Learning Proces), yang merupakan
bagian penting dalam metode ini. Pemilihan algoritma dan parameter yang
bersesuaian dan penentuan berapa banyak perangkat data yang dibutuhkan sangat
penting untuk menentukan akurasi dari peramalan yang dihasilkan (Cynthia &
Ismanto, 2017).
2.6 Perhitungan Kinerja Error

Hasil peramalan yang akurat adalah peramalan yang bisa meminimalkan
kesalahan meramal. Karena itu dalam mengukur kinerja error JST pada pengerjaan
tugas akhir ini digunakan metode perhitungan Mean Absolute Percentage Error
(MAPE) dan Mean Squared Error (MSE) untuk menghitung tingkat akurasi
predksi.
2.6.1 Mean Square Error (MSE)
Mean Squared Error (MSE) merupakan ukuran rata-rata kuadrat kesalahan
antara nilai aktual dengan nilai hasil peramalan. MSE memberikan informasi
seberapa dekat sekumpulan poin dengan garis regres (Wardhani, 2022). Mean
Square Error (MSE) juga dapat disebut salah satu perhitungan yang digunakan
untuk mengetahui nilai error dari sebuah metode yang nantinya akan menghitung
28
nilai hasil prediksi dengan cara mengurangkan nilai yang sebenarnya dengan nilai
hasil prediksi. Selengkapnya dapat dilihat pada persamaan (Humam et al., 2019):
∑(𝐴𝑐𝑡𝑢𝑎𝑙−𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡) 2 ∑(𝐸𝑟𝑟𝑜𝑟) 2
𝑀𝑆𝐸 = =
𝑛 𝑛
∑(𝑡−𝑦𝑘) 2
𝑀𝑆𝐸 =
𝑛
Dimana:
t = nilai actual
yk = nilai hasil prediksi
k = Indeks untuk unit output
n = Jumlah data latih
2.6.2 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) merupakan salah satu metode
pengujian kesalahan hasil peramalan yang dihitung dengan cara membagi
kesalahan absolute tiap priode dengan nilai observasi yang nyata pada priode
tersebut dan merata-ratakan presentasi kesalahan absolute tersebut (Wardhani,
2022). Adapun persamaannya:
|𝐴𝑐𝑡𝑢𝑎𝑙 − 𝐹𝑜𝑟𝑒𝑐𝑎𝑠𝑡
∑ 𝑥100%
𝑀𝐴𝑃𝐸 = 𝐴𝑐𝑡𝑢𝑎𝑙
𝑛
𝑌 − 𝑌′
∑𝑛𝑖=1 | (
𝑌 ) |100
𝑀𝐴𝑃𝐸 =
𝑛
Dimana:
y = nilai aktual
y’ = nilai prediksi
𝑛 = jumlah data
2.7 Contoh Peritungan Jaringan Syaraf Tiruan Backpropagation
Pada contoh perhitungan manual ini diambil dari jurnal Solikhun, M. Safii dan
Agus Trisno yang berjudul jaringan saraf tiruan untuk memprediksi tingkat
pemahaman siswa terhadap matapelajaran dengan menggunakan algoritma
29
backpropagation. Pada prediksi ini penulis menggunakan beberapa kriteria yaitu :

Pengetahuan, ketrampilan/kemampuan, penilaian & beban kerja dan bimbingan &
konseling sedangkan data dipresentasikan dalam bentuk numerik antara 0 sampai
dengan 1 sebagai pengenalan pola dan keluaran yang merupakan prediksi
pemahaman siswa yang diperoleh dari model arsitektur terbaik pada saat penentuan
pola terbaik. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi sigmoid
biner (logsig) yang rangenya dari 0 sampai 1. Nilai-nilai yang digunakan diperoleh
berdasarkan kategori dari masing-masing variabel selain juga untuk memudahkan
mengingat dalam pendefinisiannya (Solikhun d. , 2017).
Tabel 2.1 Daftar Kriteria dalam Pemahaman Siswa terhadap Mata pelajaran
(Solikhun d. , 2017)
No Kriteria Variabel Rank Rata2 nilai Keterangan Berat
1 Pengetahuan A 5 Sangat Setuju 1
4 – 4,99 Setuju 0,8
3 – 3,99 Sedang 0,6
2 – 2,99 Tidak Setuju 0,4
0 – 1,99 Sangat Tidak Setuju 0,2
2 Keterampilan/ B 5 Sangat Setuju 1
Kemampuan 4 – 4,99 Setuju 0,8
3 – 3,99 Sedang 0,6
3 Penilaian dan C 5 Sangat Setuju 1
Beban Kerja 4 – 4,99 Setuju 0,8
3 – 3,99 Sedang 0,6

30

4 Bimbingan dan D 5 Sangat Setuju 1
Konseling 4 – 4,99 Setuju 0,8
3 – 3,99 Sedang 0,6
Sampel Data baku 40 siswa yang telah diproses dan ditranformasikan adalah
sebagai berikut:
Tabel 2.2 Sampel dari data yang telah ditransformasikan
31
Algoritma pelatihan backpropagation dengan menggunakan 4 input layer, 2 layer

tersembunyi, 1 output layer dengan fungsi aktivasi sigmoid biner adalah sebagai
berikut :
1. Tahap inisialisasi :
Tuliskan nilai input yang diberikan
X1 = 0.8 , X2 = 0.6, X3 = 0.6 , X4 = 0.8
Target = 1, Leraning rate(α )=0.1
Berikan nilai bobot (V) dari input ke lapisan tersembunyi dengan nilai acak.
Tabel 2.3 Nilai Bobot dari Input ke Hidden Layer
K1 K2
X1 0,2 -0,3
X2 0,4 0,1
X3 0,3 0,5
X4 0,5 -0,4
Berikan nilai bobot (W) dari lapisan tersembunyi ke output dengan nilai acak.
Tabel 2.4 Nilai Bobot dari Hidden Layer ke Output
L
K1 0,3
K2 -0,2
32
2. Tahap Aktivasi
Hitung keluaran tiap node (node tersembunyi dan node output)
K1 = X1. V11+ X2. V21+ X3. V31+ X4. V41
= 0,8.0,2 + 0,6.0,4 + 0,6.0,3 + 0,8.0,5
= 0,9800
= Sigmoid [0,9800] = 0.2729
K2 = X1. V12+ X2. V22+ X3. V32+ X4. V42
= 0,8.-0,3 + 0,6.0,1 + 0,6.-0,5 + 0,8.-0,4
= -0,8000
= Sigmoid [-0,8000] = 0,6900
L = K1. W11+ K2. W21
= 0,2729. -0.3+ 0,6900+-0.2
= -0,2199
= Sigmoid [-0,2199] = 0,5547
Hitung nilai error output dan hidden layer
Rumus mencari error output layer : = (1 -
Rumus mencari error hidden layer : = (1 -
Err L = L.( α- L).(T - L)
= 0,5547. (0.1 – 0,5547) . (1 - 0,5547)
= -0,1123
Err K1= K1.( α- K1).(Err L- W11)
= 0,2729.(0.1-0,2729).( -0,1123-(-0.3))
= -0,3034
Err K2= K2.( α- K2).(Err L- W21)
= 0,6900.(0.1- 0,6900).( -0,1123-(-0.2))
= -0,0357
Modifikasi/hitung bobot baru
Rumus memodifikasi bobot baru :
WIJ = WIJ + I . Errj . OI
∆W11= W11+ α. Err L. K1
= -0,3+0,1. -0,1123. 0,2729
33
= -0,3031
∆W21= W21+ α. Err L. K2
= -0,2+0,1. -0,1123. 0,6900
= -0,2078
∆V11= V11+ α. Err K1. j1
= 0,2+0,1. -0,3034. 0,8
= 0,1993
∆V12= V12+ α. Err K2. j1
= -0,3+0,1. -0,0357. 0,8
= -0,3029
∆V21= V21+ α. Err K1. J2
= 0,4+0,1. -0,3034. 0,6
= 0,3665
∆V22= V22+ α. Err K2. J2
= 0,1+0,1. -0,0357. 0,6
= 0,0979
∆V31= V31+ α. Err K1. J3
= 0,3+0,1. -0,3034. 0,6
= 0,2995 ∆V32= V32+ α. Err K2. J3
= -0,5+0,1. -0,0357. 0,6
= -0,5021
∆V41= V41+ α. Err K1. J4
= 0,5+0,1. -0,3034. 0,8
= 0,4993
∆V42= V42+ α. Err K2. J4
= -0,4+0,1. -0,0357. 0,8
= -0,4029
Tahap selanjutnya adalah membandingkan nilai error minimum dari hasil yang
didapat. Dengan model arsitektur 4-5-1, data akan diprediksi untuk melihat
seberapa akurat model ini dapat mengenali data.
34
Tabel 2.5 Hasil Prediksi dengan Model 4-2-1

Dari hasil prediksi yang diperoleh didapat hasil bahwa JST dapat melakukan
prediksi diatas 90 % tingkat akurasi kebenaranya (Solikhun d. , 2017).
2.8 Matlab
Matlab singkata dari Matrix Laboratory yang dikembangkan oleh MathWorks
Inc dari bahasa C. Software ini didukung oleh sistem operas Unix, Macintosh dan
Windows. Matlab mengintegrasikan komputasi matematika,visualisasi dan bahasa
pemrograman untuk memberikan ling kungan fleksibel bagi komputasi teknis.
Matlab membuat pengguna mudah dalam melakukan eksplorasi data, menciptakan
algoritma, menciptakan beberapa perangkat grafik (GUI) dan lain sebagainya
(Siahaan, 2020).
Matlab dikenal karena perhitungan vektor dan matriks dengan kecepatan
tinggi. Matlab menawarkan solusi terhadap permasalahan secara matematik dan
visual yang mana hal ini diperuntukan terutama untuk:
1. Komputasi numerik dan pengembangan algoritma.
2. komputasi simbolik (dengan fungsi-fungsi pustaka Symbolic Math).
3. Pemodelan, simulasi dan penciptaan prototipe.
4. Analisasi data dan pemrosesan sinyal/ citra/video.
35
5. Visualisasi saintifik dan grafik rekayasa (Siahaan, 2020).
2.9 Flowchart
Flowchart adalah penyajian sistematis tentang proses dan logika yang dari
penanganan informasi atau penggambaran grafis dari langkah-langkah dan
pengaturan teknik suatu program. Flowchart membantu para ahli dan pengembang
untuk memisahkan masalah menjadi fragmen yang lebih sederhanan dan membantu
dalam membedah opsi yang berbeda dalam pengoperasian (Kadang, 2021).
Tabel 2.6 Simbol-simbol Flowchart

(Kadang, 2021)
Simbol Nama Fungsi
Terminator Permulaan/ akhir

Program
Garis Alir (Flow Line) Arah Aliran Program
Preparation Proses Inisialisasi/

Pemberian harga awal
Proses Proses Perhitungan

36
Input/Output Data Proses input/output data,

parameter, informasi.
Predefined proses (sub Permulaan sub program/

program). proses menjalankan sub
program
Decision Perbandingan pernyataan,

penyeleksian data
yangmemberikan pilihan
untuk langkah selanjutnya
One Page Connector Penghubung bagian-

bagian flowchart yang
berada pada satu halaman
Off Page Connector Penghubung bagian-

bagian flowchart yang
berada pada halaman
berbeda
2.10 Riset Terkait

Ada beberapa riset terlait diantaranya:
Tabel 2.7 Penelitian Terdahulu
No PENELITI JUDUL KESIMPULAN

1. Dwi Ari rediksi Pemilihan Metode backpropagation dapat
Suryaningrum, Jurusan Siswa Kelas 1 diterapkan untuk memprediksi
Dian Eka SMK Menggunakan Pemilihan Jurusan Siswa Kelas 1
Ratnawati, Jaringan Syaraf Tiruan SMK. Pada penelitian ini
37
Budi Darma dengan Metode mendapat nilai MSE nya

Setiawan Backpropagation berhenti pada epochs ke 9
dengan nilai 0.0001 (Furqan et
al., 2021).
2. Ayu Artika Prediksi Harga Eceran Penelitian memprediksi harga
Fardhani, Desi Beras Di Pasar eceran beras dengan algoritma
Insani Natalia Tradisional Di 33 backpropagation dikarenakan
Simanjuntak, Kota Di Indonesia banyaknya peminatan yang
Anjar Wanto Menggunakan membuat tingginya harga ecer
Algoritma beras dengan menggunakan 5
Backpropagation arsitektur antara lain : 4-25-1, 4-
35-1, 440-1, 4-42-1, 4-45-1
dengan learning rate 0,09. Dari
ke 5 Arsitektur ini, arsitektur
terbaiknya adalah 4-45-1 dengan
tingkat akurasi sebesar 88%,
epoch 12718 iterasi dan waktu 1
menit 14 detik yang terhitung
memiliki tingkat akurasi yang
baik (Fardhani et al., 2018).
3. Ade Pujianto, Perancangan Sistem Bacpropagation juga dapat
Kusrini, Andi Pendukung Keputusan membantu mengambil
Sunyoto Untuk Prediksi keputusan dalam menentukan
Penerima Beasiswa penerima beasiswa dengan nilai
Menggunakan Metode akurasi sebesar 90% dan nilai
Neural Network error terkecil sebesar 0,000101
Backpropagation pada epoch ke 329 dengan
jumlah 3000 data dengan
pembagian data training 2.250
dan 750 data testing serta
38
konfigurasi learning rate sebesar

0,2 dan momentum 0,2 (Pujianto
et al., 2018).
4. Hasdi Putra, Penerapan Prediksi Penelitian ini dapat membantu
Nabilah Ulfa Produksi Padi memprediksi produksi padi guna
Walmi Menggunakan untuk menunjang pembangunan
Artificial Neural nasional di sektor pertanian pada
Network Algoritma suatu negara atau wilayah
Backpropagation dengan hasil pengujian sistem
prediksi produksi padi yang
terdiri dari 75 kali pengujian
pada di 19 daerah di Sumatera
Barat, diperoleh tingkat akurasi
mencapai 88,14% atau dengan
tingkat error yang relatif rendah
yaitu 11,86% (Putra & Ulfa
Walmi, 2020).
5. Randi Penerapan Jaringan Hasil panen gabah padi disetiap
Maiyuriska Syaraf Tiruan dengan daerah tiap tahunnya selalu
Algoritma beruba-ubah, termasuk di
Backpropagation Kabupaten Peisisr Selatan.
dalam Memprediksi Penelitian ini bertujuan untuk
Hasil Panen Gabah membuat memprediksi dan
Padi untuk mengetahui hasil panen
gabah padi di Kabupaten Pesisir
Selatan agar dapat membantu
petani dalam menanggulangi
gagal panen jika terjadi
kegagalan di kedepannya. Dari
peneliatan dihasilkan tingkat
39
akurasi mencapai 92.9% atau

tingkat error 7.1% dengan MSE
= 0.00094783 (Maiyuriska,
2022).
6. Dio Very Penerapan Algoritma Penelitian ini membantu
Hutabarat, Backpropagation pemerintah dan masyarakat
Solikhun, dalam Memprediksi dalam meningkatkan penyediaan
M. Fauzan, Hasil Panen Tanaman stok hasil panen untuk
Agus Perdana Sayuran mencukupkan kebutuhan pangan
Windarto, bagi masyarakat Kabupaten
Fitri Rizki Simalungun. Hasil dari
penelitian ini diperoleh model
arsitektur terbaik adalah model
2-1-1 dengan tingkat akurasi
75,0% dan epoch sebesar 1392
iterasi dalam waktu 00:07 detik
(Hutabarat et al., 2021).
7. Delima Jaringan Syaraf Tiruan Penelitian ini membahas tentang
Sinaga, untuk Memprediksi prediksi penjualan kelapa sawit
Solikhun, Penjualan Kelapa menggunakan Jaringan Syaraf
Iin Parlina Sawit Menggunakan Tiruan dengan metode
Algoritma bacpropagation dengan tingkat
Backpropagation akurasi terbaik menggunakan
arsitektur 12-21 yang akurasinya
sebesar 92% dan tingkat akurasi
terendah menggunakan
arsitektur 12-6-1 dengan tingkat
akurasi sebesar 58% (Sinaga et
al., 2019).
40
8. Willy R.A Implementasi Jaringan Penelitian ini dilakukan untuk

Situmorang, Syaraf Tiruan memprediksi jumlah hasil panen
Miftahul Memprediksi Hasil padi pada desa Pagar Jati.
Jannah Panen Padi Pada Desa Penelitian ini menggunakan
Pagar Jati Dengan metode backpropagation yang di
Metode perlukan untuk meningkatkan
Backpropagation. target produktivitas padi
(Situmorang & Jannah, 2021).
9. Anjar Wanto, Analisis Prediksi Penelitian bermanfaat secara
Agus Perdana Indeks Harga luas, baik bagi Pemerintah
Windarto Konsumen Daerah maupun pihak
Berdasarkan swasta sebagai salah satu
Kelompok Kesehatan bahan kajian dalam
Dengan Menggunakan pengembangan bisnis,
Metode maupun bagi para
Backpropagation akademisi sebagai bahan
kajian/penelitian khususnya
yang terkait dengan bidang
ekonomi dan kebijakan
publik. penelitian ini
menggunakan metode
jaringan saraf tiruan
Backpropagation dengan
menggunakan 8 model
arsitektur, yakni : 12-5-1
yang nanti nya akan
menghasilkan prediksi
dengan tingkat akurasi
sebesar 58%, 12-26-1 =
58%, 12-29-1 = 75%, 12-
35-1 = 50% , 12-40-1 =
41
42%, 12-60-1 = 67%, 12-

70-1 = 92% dan 12-75-1 =
50%. Sehingga diperoleh
model arsitektur terbaik
menggunakan model 12-70-
1 yang menghasilkan
tingkat akurasi sebesar
92%, MSE 0,3659742
dengan tingkat error yang
digunakan 0,001 – 0,05.
Dengan demikian, model
ini cukup bagus untuk
prediksi Indeks Harga
Konsumen berdasarkan
kelompok kesehatan
(Wanto & Windarto, 2017).
10. Armansyah Prototipe Jaringan Penelitian ini bertujuan
Syaraf Tiruan memprediksi mahasiswa yang
Multilayer Perceptron berpotensi putus sekolah dengan
Untuk Prediksi pendekatan jaringan syaraf
Mahasiswa Dropout tiruan. Dengan mengamati 13
variabel yang mempengaruhi,
dan 1 variabel keluaran yang
akan dilatih dengan model multi
layer perceptron yang
diharapkan dapat menghasilkan
kinerja prediksi dengan nilai 0,
untuk mahasiswa berpotensi
dropout, dan 1 untuk mahasiswa
yang tetap melanjut hingga
akhir, dengan menunjukkan hasil
42
komputasi tingkat akurasi

setidaknya 96,90% dan tingkat
error yang rendah (Armansyah,
2021).
BAB III
METODOLOGI PENELITIAN
3.1 Tempat dan Waktu Penelitian

3.1.1 Tempat Penelitian
Penulis menetapkan lokasi penelitian di PTPN IV Tobasari yang berloksi di
Nagori Sarimatin Kecamatan Pamatang Sidamanik Kabupaten Simalungun
Provinsi Sumatera Utara. Penulis memilih tempat ini karena di lingkungan ini
belum pernah diadakan penelitian yang sama pada pokok bahasan tentang prediksi
harga pasar dengam penerapan metode Backpropagation.
3.1.2 Waktu Penelitian
Waktu penelitian ini dilaksanakan dari bulan Juni 2022 sampai dengan bulan
Oktober 2022 dengan tabel sebagai berikut :
Tabel 3.1 Waktu Penelitian
Jadwal Kegiatan
No Kegiatan Juli Agustus September Oktober November Desember
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Perencanaan
Pengumpulan
2
Data
Analisis
3
Kebutuhan
4 Perancangan
5 Pengujian
6 Penerapan
43
44
3.2 Bahan dan Alat Pendukung Penelitian

3.2.1 Perangkat Keras
Perangkat keras yang digunakan dalam pembuatan sistem ini diperlukan
sebagai berikut ini :
1. Processor : intel ® Celeron ® CPU N3050 @ 1.60 GHz
2. Memory : Random Acces Memory (RAM) 4 GB
3. Penyimpanan : disk drive 500 GB
3.2.2 Perangkat Lunak
Perangkat lunak yang digunakan dalam pembuatan sistem ini diperlukan
sebagai berikut :
1. Operating system Windows 10 Enterprise.
2. Matlab 2013
3.3 Perancanga Awal

3.3.1 Prosedur Kerja
Prosedur kerja dalam penelitian ini dilakukan tahapan sebagai berikut:
Pengumpulan Data
Analisis Kebutuhan
Perancangan
Pengujian
Penerapan
Gambar 3.1 Tahap - Tahap Prosedur Kerja

45
Pada prosedur diatas dilakukan dengan langka awal penginputan dan

normalisasi data yang nantinya dimasukkan dalam arsitektur jaringn syaraf tiruan
backpropagation untuk mendapatkan sebuah output atau hasil.
3.3.2 Teknik Pengumpulan Data

Pada penelitian digunakan pendekatan kuantitatif. Pendekatan kuantitatif
meliputi metode deret berkala (time series) dan metode kausal (explanatorist).
Metode deret berkala melakukan prediksi masa akan datang berdasarkan data masa
lalu tanpa melihat faktor-faktor yang mempengaruhi data tersebut. Metode kausal
mengasumsikan faktor yang diramalkan memiliki hubungan sebab akibat terdapat
beberapa variabel independent. Pendekatan kuantitatif dapat diterapkan bila
terdapat tiga kondisi yaitu: (1) tersedia informasi tentang masa lalu, (2) informasi
masa lalu dapat dikuantitatifkan dalam bentuk data numerik, dan (3) Dapat
diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa
mendatang (Jumandi, 2015). Adapun teknik pengumpulan data dari penelitian ini
yaitu sebagai berikut:
1. Penelitian Kepustakaan
Penelitian ini penulis lakukan dengan cara mencari jurnal dan Ebook
mengumpulkan langsung data, untuk mempelajari dan mengumpulkan referensi
serta dasar teori yang di ambil dari berbagai jurnal pada internet. Penulis mencari
beberapa buku yang terdapat di perpustakaan online seperti Ipusnas, EPerpusdikbud
dan yang berhubungan dengan penelitian yang dilakukan oleh penulis. Penelitian
ini ditujukan untuk mengumpulkan data, baik data primer maupun sekunder.
2. Wawancara
Wawancara adalah prosedur pemilahan informasi yang diselesaikan secara
tatap muka dan pertanyaan serta jawaban langsung di antara narasumber dan
peneliti. Disini peneliti melakukan wawancara dengan pihak narasumber yaitu staf
atau karyawan bagian pemasaran di PT Nusantara IV Unit Teh guna untuk menggali
data asli atau memperoleh informasi yang bersangkutan dengan penelitian.
3. Observasi
Penelitian ini dilakukan pengamatan dengan cara datang langsung ke kantor
SPBUN PTPN IV Tobasari dan menjumpai bagian pemasaran untuk mendapatkan
46
data tahunan hasil penjualan teh yang dibutuhkan dalam memprediksi harga pasar
teh berupa data numerik.
3.3.3 Analisa Data
Tahap analisa kebutuhan adalah sebuah proses untuk mendapatkan informasi
(data) yang dibutuhkan yang bertujuan untuk membangun sebuah sistem agar
sistem tersebut dapat berjalan. Analisa kebutuhan input ini dari penerapan metode
backpropagation pada aplikasi prediksi harga pasar teh. Berdasarkan informasi
yang didapatkan dari sumber yang ada dan perhitungan serta penggunaan metode
tertentu yang dilakukan, dan juga dari menentukan kebutuhan-kebutuhan sistem
yang digunakan, maka permasalahan tersebut diselesaikan untuk mencapai tujuan
dari penelitian ini. Berikut data harga teh yang diperoleh dari PTPN IV Nusantara
Unit Teh dalam kurun waktu 5 tahun mulai dari tahun 2018 hingga 2022 yang terdiri
dari 16 jenis teh, yang mana data ini didapat dalam bentuk data perbulan yang telah
diambil nilai rata-rata pertahunnya dan telah direkap menjadi 80 data harga
penjualan teh:
Tabel 3.3 Data Harga Penjualan Teh
Tahun
No Produk Teh/Satuan
2018 2019 2020 2021 2022
1 GRADE I BOPI/kg 28228.42 25229.58 22317 27473.08 20868.75
2 GRADE I BOP/kg 20968.083 17895.583 20531.917 16840.083 21266.333
3 GRADE I BOPF/kg 22854.667 18938 18795.5 15789.417 14945.76
4 GRADE I BP/kg 45802.92 33042.5 40495.17 41336.08 36363.83
5 GRADE I BT/kg 19761.33 16969.83 18013.58 16744.33 15087.42
6 GRADE I PF/kg 19279.08 18024.25 18850.58 16773.5 16626.25
7 GRADE I DI/kg 21293.2 12236.3 19278.7 19336.8 17879.8
8 GRADE II BPII/kg 32031.58 24949.33 31965.21 19892.42 12450.75
9 GRADE II BTII/kg 17692.25 16228.1 15490.08 12298.2 5127.167
10 GRADE II PFII/kg 22605.25 18897.417 13271.167 14097.8 13679.25
11 GRADE II DUST III/kg 17913.667 13623.5 11980.25 14746.08333 15628.4167
12 GRADE III RBO/kg 15958.583 15369.083 10374.083 1666.6667 14266.667
13 Butong Celup/bks 5551.81 5061.67 4851.933 4931.876 54871
14 Butong Tea/kg 22454.5 24455.335 30454.251 48292.8 48090.9
15 Tobasari Celup/bks 6825.92 6055.899 5975.21 5755.9 5463.1
16 Tobasari Tea/kg 31667.1 30961.7 38677.339 46464.12 46527
47
Mengumpulkan Dalam analisa kebutuhan ini ada beberapa hal yang dilakukan
yaitu :
1. Mengumpulkan data-data harga teh selama kurun waktu 5 tahun, yakni tahun
2018 sampai dengan 2022 yang telah dipaparkan pada table 3.3.
2. Kemudian data di bagi menjadi 2 data, yaitu data latih dan data uji, dimana
dataset yang terdiri dari 80 data akan dibagi dengan persentase 80:20, 80% atau
64 data asli digunakan untuk data latih dan 20% atau 16 data asli digunakan
untuk data uji pada tahap selanjutnya.
3. Setelah menentukan data latih dan data uji, tahapan selanjutnya adalah
melakukan tahap normalisasi dengan menggunakan fungsi aktivasi sigmoid
yang bertujuan untuk mendapatkan hasil predisksi yang akurat.
4. Perancangan arsitektur metode JST backpropagation dalam merancang sebuah
arsitektur yang dapat menghasilkan prediksi yang optimal perlu dilakukan
penginputan jumlah nilai parameter-parameter yang digunakan seperti jumlah
hidden layer, laju pemahaman (learning rate), maksimum iterasi (epoch), dan
momentum dengan menggunakan proses trial dan error.
5. Pengujian akurasi dan error pada tahap ini dilakukan pengujian hasil prediksi
yang diperoleh dengan cara melihat tingkat keakurasian dan error atau nilai
MSE, apakah sudah sesuai dengan tujuan yang diharapkan yang dilakuakan
pada masing-masing data training dan data testing. Semakin kecil nilai MSE
yang diperoleh, maka kinerja prediksi yang didapatkan semakin baik.
6. Implementasi dengan aplikasi Matlab pada tahap ini, penulis menggunakan
aplikasi Matlab 2013 dalam melakukan pengujian hasil agar dapat
mempermudah user nantinya dalam pengoperasian model yang telah dibuat.
Dengan menentukan metode arsitektur dan beberapa parameter lainnya dalam
melakukan training Jaringan Syaraf Tiruan dengan metode Backpropagation
dalam melakukan prediksi.
7. Hasil dan Kesimpulan Pada tahap ini merupakah tahap akhir dari penelitian yang
penulis lakukan. Pada tahapan ini akan dijabarkan hasil dan kesimpulan yang
diperoleh dari penelitian yang dilakukan dan saran guna pengembangan
penelitian dimasa akan datang yang berkaitan dengan prediksi suatu permasalah.
48
3.4 Perancangan Sistem

3.4.1 Flowchart
start
Input data
Normalisasi data
Pembagian data latih, data

uji dan parameternya
Hitung feed
Hasil feed
Hitung feed
Hasil feed
Hitung MSE
Hasil MSE
T
MSE >
error_maks||Epoch
< epoch_maks
end
Gambar 3.2 Flowchart Backpropagation

49
start
Data Set
Membagi data latih dan data uji
Data latih dan data uji
Prediksi dengan Backpropagation
Hasil
End
Gambar 3.3 Flowchart System
3.5 Pengujian Hasil Prediksi

Pengujian sistem ditujukan untuk menguji kinerja sistem serta mengetahui
secara cepat dan lebih efektif dalam memprediksi harga pasar teh. Setelah dilakukan
prediksi harga pasar teh, dilakukan validasi model untuk mengetahui apakah hasil
peramalan sudah sesuai dengan metode time series lainnya. Tingkat keakuratan
model diukur menggunakan ratio error MAPE yang meliputi 12 priode data
bulanan penjualan teh yang di rangkap dan diakumulasi menjadi data satu tahun ,
untuk selanjutnya dapat dianalisa mengenai seberapa akurat metode JST dapat
memprediksi harga pasar teh.
50
3.6 Penerapan/Penggunaan
Penerapan memudahkan pihak terkait atau pengelola untuk mengetahui harga
teh di tahun yang akan datang sehingga pengelola dapat menghindari kerugian jika
prediksi harga teh ditahun yang akan datang mengalami penurunan, serta
melakukan penambahan produksi jika harga pasar teh di tahun yang akan datang
mengalami kenaikan. Sistem ini dibuat untuk membantu permasalahan dalam
menangani kerugian yang dialami perusahaan sehingga dapat membantu pihak
terkait ataupun masyarakat setempat untuk tidak melakukan peralihan perkebunan
teh menjadi perkebunan sawit dikarenakan teh merupakan sumber pencarian
masyarakat dan memiliki nilai sejarah serta memicuh umkm karena perkebunan teh
mulai menjadi objek wisata baru.
BAB IV
PEMBAHASAN DAN HASIL
4.1 Pembahasan
Pembahasan berisi pemecahan masalah berdasarkan rumusan yang telah dibuat
pada bab sebelumnya, yaitu bagaimana proses JST dalam memprediksi berdasarkan
algoritma backpropagation dengan cara hitungan matematis atau manual. Adapun
pembahasan lainya adalah proses perancangan sistem, flowchart system dan
implementasi sistem.
4.1.1 Analisis Data

Penelitian ini dilakukan untuk memprediksi harga pasar teh pada tiap tahunnya
berdasarkan jenis produk teh. Penjualan teh merupakan hal yang menjadi prioritas
utama pada perusahaan PTPN IV Nusantara Unit Teh dalam menggerakan roda
perekonomian pada perusahaan tersebut. Turunnya harga teh merupakan hal yang
sangat tidak baik bagi perusahaan tersebut, karena mengakibatkan roda
perekonomian dan perputaran modal penjualan teh tidak dapat berjalan baik. Untuk
mengurangi resikonya kerugian penjualan teh maka di buatlah prediksi harga pasar
teh berdasarkan jenis produk teh. Algoritma Backpropagation merupakan salah
satu algoritma yang dapat digunakan dalam memprediksi, maka penulis dalam
mengukur dan memprediksi peningkatan harga pasar teh ini menggunakan
algoritma Backpropagation.
1. Pendefinisian Input, Target dan Output
Data penjualan teh selanjutnya akan diolah oleh jaringan saraf tiruan dengan
algoritma backpropogation agar data dapat dikenali oleh jaringan itu sendiri, maka
data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1,
baik variabel maupun isinya yang merupakan masukan data penjualan produk teh
sebagai pengenalan pola dan keluaran yang merupakan prediksi peningkatan
jumlah penjualan produk teh yang diperoleh dari model arsitektur terbaik pada saat
penentuan pola terbaik. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi
sigmoid biner (logsig) yang rangenya dari 0 sampai 1. Nilai-nilai yang digunakan
51
52
diperoleh berdasarkan kategori dari masing-masing variabel selain juga untuk

memudahkan mengingat dalam pendefinisiannya.
2. Pendefinisian Input
Variabel penjualan produk teh adalah kriteria yang menjadi acuan dalam
pengambilan keputusan pada penilaian dengan menggunakan jaringan saraf tiruan.
Variabel ditentukan dengan cara melihat ketergantungan data terhadap penelitian
yang dilakukan. Adapun daftar variabel dalam memprediksi penjualan produk teh
sebagai berikut:
Tabel 4.1 Variabel Prediksi Penjualan Teh
No Variabel Jenis Teh
1 X1 GRADE I BOPI (1Kg)
2 X2 GRADE I BOP (1Kg)
3 X3 GRADE I BOPF (1Kg)
4 X4 GRADE I BP (1Kg)
5 X5 GRADE I BT (1Kg)
6 X6 GRADE I PF (1Kg)
7 X7 GRADE I DI (1Kg)
8 X8 GRADE II BPII (1Kg)
9 X9 GRADE II BTII (1Kg)
10 X10 GRADE II PFII (1Kg)
11 X11 GRADE II DUST III (1Kg)
12 X12 GRADE III RBO (1Kg)
13 X13 Butong Celup
14 X14 Butong Tea (1Kg)
15 X15 Tobasari Celup
16 X16 Tobasari Tea (1Kg)
Data sampel yang digunakan adalah Data Input diperoleh dari Perusahaan
PTPN IV Nusantara Unit Teh, Data dari tahun 2018 hingga 2022 sebagai target
prediksi penjualan yang terdiri dari 16 data berdasarkan jenis produk teh dan
masing-masing data memiliki 16 variabel dan dengan masing masing target data di
tahun selanjutnya. Data ini nantinya akan ditransformasikan ke sebuah data antara
0 sampai 1 sebelum dilakukan pelatihan dan pengujian menggunakan jaringan saraf
tiruan algoritma Backpropagation dengan rujukan rumus.
53
3. Pendefinisian Target
Adapun data target adalah harga penjualan pada tahun berikutnya berdasarkan
data penjualan dan harga yang tertera pada tahun-tahun sebelumnya. Data
menggunakan data time series.
4. Pendefinisian Output
Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai
terbaik untuk memprediksi peningkat harga produk teh pada perusahaan. Hasil
pengujian adalah sebagai berikut:
A. Untuk mengetahui prediksi harga penjualan produk teh tentu saja didasarkan
pada hasil harga produk teh pertahun. Output dari prediksi ini adalah pola
arsitektur terbaik dalam memprediksi dengan mengukur penjualan produk teh
dengan melihat error minimum.
B. Kategorisasi Output pelatihan (training) dan pengujian (testing) Kategori untuk
output ditentukan oleh tingkat error minimum dari target. Batasan kategori
tersebut terdapat pada table 4.2 dibawah :
Tabel 4.2 Data Kategori
No Keterangan Error Minimum
1 1 Benar 0,05-0,001
2 0 Salah >0,05
4.1.2 Perhitungan Manuaal

Perhitungan manual ini menjelaskan proses perhitungan manual untuk
jaringan saraf tiruan prediksi harga pasar teh menggunakan algoritma
backpropaagation. Perhitungan manualisasi backpropagation memiliki beberapa
tahap, yaitu forward propagation, hitung error, hitung gradient, dan update bobot
serta bias. Forward propagation merupakan tahapan dimana input diteruskan
melalui jaringan neural dan output dari setiap lapisan dihitung. Hitung error
merupakan tahap menghitung error antara output aktual dan output yang
diharapkan, dan disini menggunakan mean square error. Hitung gradient
merupakan tahap dimana gradien dari error terhadap bobot dan bias setiap lapisan
dihitung. Dan update bobot serta bias merupakan tahap terakhir dimana bobot dan
54
bias diperbaharui untuk mengurangi tingkat error dan membuat jaringan neural
menjadi lebih baik lagi.
Sebelum proses diatas dilakukan terdapat data set yang digunakan yaitu data
set harga pasar produk teh yang dikelompokkan berdasarkan tahun penjualan dan
harga pada setiap tahunnya. Data ini akan digunakan pada data pelatihan dan
data pengujian. Karena fungsi aktivasi yang digunakan adalah sigmoid biner
(logsig) yang hanya mengenal angka 0 dan 1, maka dilakukan normalisasi data
terlebih dahulu pada data set. Sampel data yang telah diproses dan
ditranformasikan nilai rata-ratanya pada tabel 4.3 dibawah ini.
Tabel 4.3 Data Penjualan Produk Teh Pertahun

Tahun
Produk Teh/Satuan
2018 2019 2020 2021 2022
GRADE I BOPI/Kg 28228.42 25229.58 22317.00 27473.08 20868.75
GRADE I BOP/Kg 20968.08 17895.58 20531.92 16840.08 21266.33
GRADE I BOPF/Kg 22854.67 18938.00 18795.50 15789.42 14945.76
GRADE I BP/Kg 45802.92 33042.50 40495.17 41336.08 36363.83
GRADE I BT/Kg 19761.33 16969.83 18013.58 16744.33 15087.42
GRADE I PF/Kg 19279.08 18024.25 18850.58 16773.50 16626.25
GRADE I DI/Kg 21293.20 12236.30 19278.70 19336.80 17879.80
GRADE II BPII/Kg 32031.58 24949.33 31965.21 19892.42 12450.75
GRADE II BTII/Kg 17692.25 16228.10 15490.08 12298.20 5127.17
GRADE II PFII/Kg 22605.25 18897.42 13271.17 14097.80 13679.25
GRADE II DUST III/Kg 17913.67 13623.50 11980.25 14746.08 15628.42
GRADE III RBO/Kg 15958.58 15369.08 10374.08 1666.67 14266.67
Butong Celup/bks 5551.81 5061.67 4851.93 4931.88 54871.00
Butong Tea/Kg 22454.50 24455.34 30454.25 48292.80 48090.90
Tobasari Celup/bks 6825.92 6055.90 5975.21 5755.90 5463.10
Tobasari Tea/Kg 31667.10 30961.70 38677.34 46464.12 46527.00
1. Menormalisasikan dan Input Data

Proses normalisasi merupakan langkah kerja dalam mememindahkan angka dari
kolom menjadi baris dan dari bilangan bulat menjadi pecahan untuk mempermudah
proses perkalian bobot karena memiliki angka pecahan/dinormalisasikan. Untuk
55
mentransformasikan seluruh data real tersebut, digunakan fungsi rumus sebagai

berikut:
0.8(𝑥 1 −𝑏)
𝑥1 = + 0.1
(𝑎−𝑏)
Dimana x = nilai actual

α = nilai maksimum
b = nilai minimum
Tahap Normalisasi dilakukan Setelah data Input dan real dimasukkan dalam tools
oleh user ke Ms.Excel, maka tools akan melakukan proses normalisasi sesuai
perintah user. Sebagai contoh Perhitungan data training, data training terdiri dari
data tahun 2018 sampai dengan 2021. Perhitungan data sampel yang digunakan
berasal dari table 4.3 data actual jenis teh Grade I BOPI yang memiliki nilai harga
28228.42, untuk nilai maksimum data training terdapat pada jenis teh Butong Teh
sebesar 48292.8 dan nilai minimum di dapat pada jenis teh Grade III RBO sebesar
1666.6667, maka menghasilkan data sebagai berikut:
0,8 (28228,42−1666.6667)
X1 = + 0,1
48292,8−1666.6667
X1 = 0.5557
X1 diatas merupakan data produk the grade 1 bopi ditahun 2018 dan dilakukan
hal yang sama untuk data selanjutnya untuk mendapatkan hasil normalisasi seperti
pada table 4.4.
Tabel 4.4 Data Training 2018 – 2021
Produk Teh Tahun Target

2018 2019 2020 2021
GRADE I BOPI (1Kg) 0.5557 0.5043 0.4543 0.5428
GRADE I BOP (1Kg) 0.4312 0.3785 0.4237 0.3603
GRADE I BOPF (1Kg) 0.4635 0.3963 0.3939 0.3423
GRADE I BP (1Kg) 0.8573 0.6383 0.7662 0.7806
GRADE I BT (1Kg) 0.4105 0.3626 0.3805 0.3587
GRADE I PF (1Kg) 0.4022 0.3807 0.3948 0.3592
GRADE I DI (1Kg) 0.4367 0.2814 0.4022 0.4032
GRADE II BPII (1Kg) 0.6210 0.4995 0.6199 0.4127
GRADE II BTII (1Kg) 0.3750 0.3498 0.3372 0.2824
GRADE II PFII (1Kg) 0.4593 0.3956 0.2991 0.3133
56
GRADE II DUST III (1Kg) 0.3788 0.3052 0.2770 0.3244

GRADE III RBO (1Kg) 0.3452 0.3351 0.2494 0.1000
Butong Celup 0.1667 0.1583 0.1547 0.1560
Butong Tea (1Kg) 0.4567 0.4910 0.5939 0.9000
Tobasari Celup 0.1885 0.1753 0.1739 0.1702
Tobasari Tea (1Kg) 0.6147 0.6026 0.7350 0.8686
Sedangkan untuk Tahap Normalisasi data testing sama seperti normalisasi data
training, hanya saja data testing terdiri dari data tahun 2019 sampai dengan 2022.
Contoh perhitungan data sampel yang digunakan juga menggunakan data actual
berasal dari table 4.3 data actual jenis teh Grade I BOPI yang memiliki nilai harga
25229.58, untuk nilai maksimum data training terdapat pada jenis teh Butong Celup
sebesar 54871 dan nilai minimum di dapat pada jenis teh Grade III RBO sebesar
1666.6667, maka menghasilkan data sebagai berikut:
0,8 (25229.58 − 1666.6667)
X1 = + 0,1
54871−1666.6667
X1 = 0.4543
X1 diatas merupakan data produk teh Grade I BOPI ditahun 2018 dan dilakukan
hal yang sama untuk data selanjutnya untuk mendapatkan hasil normalisasi seperti
pada table 4.5.
Tabel 4.5 Data Testing 2019 - 2022
Tahun Target
Produk The
2019 2020 2021 2022
GRADE I BOPI (1Kg) 0.4543 0.4105 0.4880 0.3887
GRADE I BOP (1Kg) 0.3440 0.3837 0.3282 0.3947
GRADE I BOPF (1Kg) 0.3597 0.3576 0.3124 0.2997
GRADE I BP (1Kg) 0.5718 0.6838 0.6965 0.6217
GRADE I BT (1Kg) 0.3301 0.3458 0.3267 0.3018
GRADE I PF (1Kg) 0.3460 0.3584 0.3272 0.3249
GRADE I DI (1Kg) 0.2589 0.3648 0.3657 0.3438
GRADE II BPII (1Kg) 0.4501 0.5556 0.3740 0.2622
GRADE II BTII (1Kg) 0.3190 0.3079 0.2599 0.1520
GRADE II PFII (1Kg) 0.3591 0.2745 0.2869 0.2806
GRADE II DUST III (1Kg) 0.2798 0.2551 0.2967 0.3099
GRADE III RBO (1Kg) 0.3060 0.2309 0.1000 0.2895
57
Butong Celup 0.1510 0.1479 0.1491 0.9000

Butong Tea (1Kg) 0.4427 0.5329 0.8011 0.7981
Tobasari Celup 0.1660 0.1648 0.1615 0.1571
Tobasari Tea (1Kg) 0.5405 0.6565 0.7736 0.7745
2. Perancangan Manual Jaringan saraf tiruan

Tahap berikutnya yaitu merancang arsitektur Jaringan saraf tiruan
backpropagation. Dalam hal ini menggunakan beberapa model jaringan multi-layer
(banyak lapisan) yang digunakan untuk mendapatkan arsitektur terbaik adalah 4-4-
1, 4-4-16, 16-4-16, 16-8-16 dan 16-16-16. Model sampel arsitektur 4-4-1 dapat
dilihat pada gambar 4.1. dibawah ini.
1
1
Z1
X1
X2 Z2 Y
X3 Z3
X4
Z4
Gambar 4.1 Arsitektur Jaringan Backpropagation
Perhitungan manual hanya dilakukan pada sampel data Input dan hanya
menghitung untuk satu epoch backpropagation, berikut tahapan-tahapan yang
dilakukan :
1. Tahap initialitation
Tahapan dalam proses inisialisasi ini adalah menginisialisasi data Input, bobot
dari Input ke pada hiden layer lalu ke output layer. Yang akan menjadi nilai Input
adalah X1-Xn, dengan menggunakan :
58
Tabel 4.6 Kebutuhan Input

Goal 0.001
Epoch 1000
Learning Rate 0.1
Tabel 4.7 Variabel Input

input x1 x2 x3 x4
x 0.5557 0.5043 0.4543 0.5428
Tabel 4.8 Bobot yang diberikan dari Input layer ke hidden layer
BOBOT
V1 0.0293 0.1312 0.1239 0.1457
V2 0.3119 0.3765 0.3615 0.2287
V3 0.0941 0.2276 0.3567 0.5061
V4 0.3784 0.3489 0.4902 0.3876
Tabel 4.9 Bobot yang diberikan dari hidden layer ke output layer
BOBOT W1 W2 W3 W4
Y 0.3773 0.5671 0.8655 0.9432
Tabel 4.10 Bias yang diberikan dari Input ke hidden layer

BIAS 1 2 3 4
Vj 0.8765 0.6876 0.9976 0.7984
Tabel 4.11 Bias yang diberikan dari hidden layer ke output layer
BIAS
Wj 0.8611
Tabel 5.1 Target yang digunakan untuk prediksi
Target
2022 0.4457
59
2. Tahap 1: Perhitungan Maju :

Perhitungan maju adalah perhitungan nilai output dari unit tersembunyi atau
hidden layer menggunakan rumus sebagai berikut:
Z_in1 = Vj1+( X1*V1.1)+(X2*V1.2+(X3*V1.3 )+(X4*V1.4 )

= 0,8765 + (0,5676 * 0.0293) + (0,5179 * 0,1312) + (0,4697 * 0,1239) +
(0,5551 * 0,1457)
= 1.100159996
Z_in2 = Vj2+( X1*V2.1)+(X2*V2.2+(X3*V2.3 )+(X4*V2.4 )
= 0,6876+ (0,5676 * 0.3119) + (0,5179 * 0,3765) + (0,4697 * 0,3615) +
(0,5551 * 0,2287)
= 1.356394797
Z_in3 = Vj3+( X1*V3.1)+(X2*V3.2+(X3*V3.3 )+(X4*V3.4 )

= 0,6876+ (0,5676 * 0.0941) + (0,5179 * 0,2276) + (0,4697 * 0,3567) +
(0,5551 * 0,5061)
= 1.617377675
Z_in4 = Vj4+( X1*V4.1)+(X2*V4.2+(X3*V4.3 )+(X4*V4.4 )
= 0,7984+ (0,5676 * 0.3784) + (0,5179 * 0,3489) + (0,4697 * 0,4902) +
(0,5551 * 0,13876)
= 1.639302834
Tabel 4.12 Hasil penjumlahan bobot
z_in1 1.10015306
z_in2 1.35637171
z_in3 1.6173633
z_in4 1.63927885
60
Kemudian dilanjutkan dengan menghitung nilai keluaran dengan menggunakan

fungsi aktivasi yang dipilih, di mana fungsi aktivasi yang digunakan adalah fungsi
sigmoid biner yang mempunyai persamaan, sesuai dengan rumus sebagai berikut :
1
Z1 = sigmoid [1.10015306] = = 0.750288783
1+𝑒 (−1.10015306)
1
Z2 = sigmoid [1.35637171] = = 0.795169373
1+𝑒 (−1.35637171)
1
Z3 = sigmoid [1.6173633] = = 0.834431176
1+𝑒 (−1.6173633)
1
Z4 = sigmoid [1.63927885] = = 0.837436787
1+𝑒 (−1.63927885)
Tabel 4.13 Hasil aktivasi bobot

Z1 0.750288783
Z2 0.795169373
Z3 0.834431176
Z4 0.837436787
Menghitung nilai output pada unit yk ( k=1,2,3,…,m) dengan menggunakan nilai

bobot-nya menggunakan rumus sebagai berikut :
Yin = Wj + (Z1 * W1) + ( Z2* W2) + (Z3 * W3) + (Z4 * W4)
= 0,8611 + (0.750288783* 0,3773) + (0.795169373* 0,5671) +

(0.834431176* 0,8655) + (0.837436787* 0,9434)
= 3.107195069
Tabel 4.14 Hasil output nilai bobot
y_in 3.107195069
Kemudian dihitung nilai Output dengan menggunakan fungsi aktivasi :

61
1
Yk = sigmoid [3. 10720294] = = 0.957188561
1+𝑒 (−3.107195069)
Tabel 4.15 Hasil aktivasi output nilai bobot

yk 0.957188561
hitung nilai error yang terjadi antara output actual dengaan output yang diharapkan
baik pada layar tersembunyi serta pada layer keluaran. Output yang diharapkan
dalam bentuk masih ternormalisasi dengan rumus sebagai berikut:
𝑒𝑟𝑟𝑜𝑟 = target − Y
Dimana terget diambil dari data normalisasi di tahun 2022
Error = 0.4457 - 0.957188561= -0.511488561
Kemudian nilai error di kuadratkan sebaagai berikut:
Error = -0.5114885612 = 0.261620548
Tabel 4.16 Hasil perhitungan faktor kesalahan
Error = Target - Y -0.511488561
Kuadrat Error 0.261620548
3. Tahap 2: Perhitungan Mundur:

Untuk tiap unit keluaran ( , k=1,..,m) menerima pola target yang bersesuaian
dengan pola masukan, dan kemudian dihitung informasi kesalahan. Hitung faktor δ
diunit keluaran berdasarkan kesalahan setiap unit keluaran yk, rumus yang
digunakan sebagai berikut:
δ1 = (0.4457 - 0.957188561) * 0.957188561* (1 – 0.957188561) = -0.020960095

Tabel 4.17 Hasil perhitungan mundur
δk -0.020960095
Suku perubahan bobot Wjk dilakukan perhitungan (yang akan digunakan untuk
merubah bobot Wjk) dengan laju pelatihan learning rate α=0,01, rumus yang
digunakan adalah sebagaai berikut:
62
∆W0 = 0,01*-0.020960095 = -0.0002096

∆W1 = 0,01*-0.020960095*0.750288783= -0.000157261
∆W2 = 0,01*-0.020960095*0.795169373= -0.000166668
∆W3 = 0,01*-0.020960095*0.834431176= -0.000174898
∆W4 = 0,01*-0.020960095*0.837436787= -0.000175528
Tabel 4.18 Hasil koreksi bobot pada unit k

∆W0 -0.0002096
∆W1 -0.000157261
∆W2 -0.000166668
∆W3 -0.000174898
∆W4 -0.000175528
Untuk setiap (Zj, j=1,…,p) dihitung delta masukan yang berasal dari neuron pada
layer di atasnya menggunakan rumus sebagai berikut
δ_in1 = -0.020960095*0.3773 = -0.00790824

δ_in1 = -0.020960095*0.5671 = -0.01188647
δ_in1 = -0.020960095*0.8655 = -0.01814096
δ_in1 = -0.020960095*0.9432 = -0.01976956
Tabel 4.19 Hasil pembaharuan bobot

δ_in1 -0.00790824
δ_in2 -0.01188647
δ_in3 -0.01814096
δ_in4 -0.01976956
Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk
menghitung informasi kesalahan, berdasarkanrumus sebagai berikut:
63
1 1
δ1 = -0.00790824 * ( ) * (1 − ( )) = -0.00148
1+−0.750288783 1+−0.750288783
1 1
δ2 = -0.01188647 * ( ) * (1 − ( )) = -0.00194
1+−0.795169373 1+−0.795169373
1 1
δ3 = -0.01814096 * ( ) * (1 − ( )) = -0.00251
1+−0.834431176 1+−0.834431176
1 1
δ4 = -0.01976956 * ( ) * (1 − ( )) = -0.00269
1+−0.837436787 1+−0.837436787
Tabel 4.20 Hasil aktivasi pembaharuan bobot

δ1 -0.00148
δ2 -0.00194
δ3 -0.00251
δ4 -0.00269
Hitung koreksi nilai bobot output yang kemudian digunakan untuk memperbaharui
vij menggunakan rumus sebagai berikut :
∆V1.1 = 0.01*-0.00148*0.5676 = -8.40986E-06

∆V1.2 = 0.01*-0.00148*0.5179 = -7.67348E-06
∆V1.3 = 0.01*-0.00148*0.4697 = -6.95933E-06
∆V1.4 = 0.01*-0.00148*0.5551 = -8.22466E-06
∆V2.1 = 0.01*-0.00194*0.5676 = -1.09888E-05
∆V2.2 = 0.01*-0.00194*0.5179 = -1.00266E-05
∆V2.3 = 0.01*-0.00194*0.4697 = -9.09344E-06
∆V2.4 = 0.01*-0.00194*0.5551 = -1.07468E-05
∆V3.1 = 0.01*-0.00251*0.5676 = -1.42256E-05
∆V3.2 = 0.01*-0.00251*0.5179 = -1.298E-05
∆V3.3 = 0.01*-0.00251*0.4697 = -1.1772E-05
∆V3.4 = 0.01*-0.00251*0.5551 = -1.39124E-05
∆V4.1 = 0.01*-0.00269*0.5676 = -1.52761E-05
∆V4.2 = 0.01*-0.00269*0.5179 = -1.39385E-05
∆V4.3 = 0.01*-0.00269*0.4697 = -1.26413E-05
∆V4.4 = 0.01*-0.00269*0.5551 = -1.49397E-05
64
Tabel 4.21 Hasil koreksi bobot output

∆V1 ∆V2 ∆V3 ∆V4
-8.40986E-06 -1.09888E-05 -1.42256E-05 -1.52761E-05
1
-7.67348E-06 -1.00266E-05 -1.298E-05 -1.39385E-05
2
-6.95933E-06 -9.09344E-06 -1.1772E-05 -1.26413E-05
3
-8.22466E-06 -1.07468E-05 -1.39124E-05 -1.49397E-05
4
Hitung koreksi nilai bobot input ke hidden yang kemudian digunakan untuk
memperbaharui vij menggunakan rumus sebagai berikut :
∆V1 = α * δ1 = 0.01 * -0.00148 = -0.000188498

∆V2 = α * δ2 = 0.01 * -0.00194 = -0.000216106
∆V3 = α * δ3 = 0.01 * -0.00251 = -0.000284605
∆V4 = α * δ4 = 0.01 * -0.00269 = -0.000253657
Tabel 4.22 Hasil koreksi bobot input ke hidden

∆vj
1 -1.482E-05
2 -1.936E-05
3 -2.506E-05
4 -2.691E-05
Bobot input mengalami perubahan pada saat terhubung ke hiden layer berdasarkaan
rumus sebagaai berikut:
∆V1.1 = 0.0293 + -8.40986E-06 = 0.02929159

∆V1.2 = 0.1312 + -7.67348E-06 = 0.131192327
∆V1.3 = 0.1239 + -6.95933E-06 = 0.123893041
∆V1.4 = 0.1457 + -8.22466E-06 = 0.145691775
∆V2.1 = 0.3119 + -1.09888E-05 = 0.311889011
∆V2.2 = 0.3765 + -1.00266E-05 = 0.376489973
65
∆V2.3 = 0.3615 + -9.09344E-06 = 0.361490907

∆V2.4 = 0.2287 + -1.07468E-05 = 0.228689253
∆V3.1 = 0.0941 + -1.42256E-05 = 0.094085774
∆V3.2 = 0.2276 + -1.298E-05 = 0.22758702
∆V3.3 = 0.3567 + -1.1772E-05 = 0.356688228
∆V3.4 = 0.5061 + -1.39124E-05 = 0.506086088
∆V4.1 = 0.3784 + -1.52761E-05 = 0.378384724
∆V4.2 = 0.3489 + -1.39385E-05 = 0.348886061
∆V4.3 = 0.4902 + -1.26413E-05 = 0.490187359
∆V4.4 = 0.3876 + -1.49397E-05 = 0.38758506
Tabel 4.23 Hasil perubahan bobot input ke hidden
1 2 3 4
0.0292159 0.311889011 0.094085774 0.378384724
V1
0.131192327 0.376489973 0.22758702 0.348886061
V2
0.123893041 0.361490907 0.356688228 0.490187359
V3
0.145691775 0.228689253 0.506086088 0.38758506
V4
Bobot hidden mengalami perubahan pada saat terhubung ke output berdasarkaan

rumus sebagai berikut:
W1(baru) = 0.3773 + -0.000157261 = 0.377142739

W2(baru) = 0.5671 + -0.000166668 = 0.566933332
W3(baru) = 0.8655 + -0.000174898 = 0.865325102
W4(baru) = 0.9432 + -0.000175528 = 0.943024472
Tabel 4.24 Hasil perubahan bobot hidden ke output

W1 W2 W3 W4
y 0.377142739 0.566933332 0.865325102 0.943024472
Bias awal mengalami perubahan pada saat terhubung ke hidden layer berdasarkaan
66
Vj1 = 0.8765 + -1.482E-05 = 0.8765

Vj1 = 0.6876 + -1.936E-05 = 0.6876
Vj1 = 0.9976 + -2.506E-05 = 0.9976
Vj1 = 0.7984 + -2.691E-05 = 0.7984
Tabel 4.25 Hasil perubahan bias input ke hidden
1 2 3 4
Vj 0.8765 0.6876 0.9976 0.7984
Bias awal mengalami perubahan pada saat terhubung ke hidden layer berdasarkaan
Wk = Wj + ∆W0 = 0,8611 + -0.0002096 = 0.8608904

Tabel 4.26 Hasil perubahan hidden ke output
bias
Wk 0.8608904
Pelatihan dilakukan sampai semua epoch terpenuhi. Perhitungan dimulai dari 1
epoch digunakan untuk menghitung semua data hingga menunjukkan epoch terbaik
atau data latih terbaik. Pelatihan data atau bobot data terakhir dari epoch terakhir
nantinya akan digunkan sebagaai bobot pada tahap pengujian. Namun untuk hal itu
dilakukan pengujian data pada bobot epoch 1. Untuk melanjutkan pada epoch 2
bobot dan bias yang digunakan adalah hasil dari perhitungan epoch 1. Untuk proses
perhitungannya sendiri sama seperti epoch 1. Contoh hasil perhitungan epoch 2
adalah sebagai berikut:
Learning Default = 0,01 Epocs = 2000 Goal = 0,001
Tabel 4.27 Variabel Input untuk epoch ke-2

input x1 x2 x3 x4
x 0.5676 0.5179 0.4697 0.5551
67
Tabel 4.28 Bobot yang dihasilkan dari epoch1 untuk Input layer ke hidden layer
1 2 3 4
0.0292159 0.311889011 0.094085774 0.378384724
V1
0.131192327 0.376489973 0.22758702 0.348886061
V2
0.123893041 0.361490907 0.356688228 0.490187359
V3
0.145691775 0.228689253 0.506086088 0.38758506
V4
Tabel 4.29 Bobot yang dihasilkan dari epoch1 untuk layer ke output layer
W1 W2 W3 W4
y 0.377142739 0.566933332 0.865325102 0.943024472
Tabel 4.30 Bias yang dihasilkan dari epoch1 untuk i Input ke hidden layer
bias 1 2 3 4
Vj 8.765E-01 6.876E-01 9.976E-01 7.984E-01
Tabel 4.31 Bias yang dihasilkan dari epoch1 untuk hidden layer ke output layer
bias y
Wj 0.8608904
Tabel 4.32 Target yang digunakan untuk prediksi
Target
2022 0.4457
Perhitungan maju
Tabel 4.33 Hasil penjumlahan bobot
z_in1 1.100121662
z_in2 1.356330683
z_in3 1.617310188
z_in4 1.639221816
Aktivasi perhitungan maju dengan sigmoid binner
Tabel 4.34 Hasil aktivasi bobot

Z1 0.750282901
Z2 0.79516269
Z3 0.834423838
68
Z4 0.837429022
Menghitung nilai output pada unit yk ( k=1,2,3,…,m) menggunakan nilai bobot
Tabel 4.35 Hasil output nilai bobot

y_in 3.106422335
Aktivasi nilai Output:
Tabel 4.36 Hasil aktivasi output nilai bobot

yk 0.042843116
hitung nilai error yang terjadi antara output actual dengaan output yang diharapkan
baik pada layar tersembunyi serta pada layer keluaran.
Tabel 4.37 Hasil perhitungan faktor kesalahan

Error = Target - Y 0.402856884
Kuadrat Error 0.162293669
Perhitungan Mundur:
Tabel 4.38 Hasil perhitungan mundur
δk 0.016520187
Suku perubahan bobot Wjk dilakukan perhitungan (yang akan digunakan untuk
merubah bobot Wjk) dengan laju pelatihan learning rate α=0,01,
Tabel 4.39 Hasil koreksi bobot pada unit k
∆W0 0.0001652
∆W1 0.000123948
∆W2 0.000131362
∆W3 0.000137848
∆W4 0.000138345
Untuk setiap (Zj, j=1,…,p) dihitung delta masukan yang berasal dari neuron pada
layer di atasnya yang menghasilkan:
Tabel 4.40 Hasil pembaharuan bobot
δ_in1 0.0062305
δ_in2 0.0093658
69
δ_in3 0.0142953
δ_in4 0.0155789
Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk
menghitung informasi kesalahan yang menghasilkan:
Tabel 4.41 Hasil aktivasi pembaharuan bobot
δ1 0.00117
δ2 0.00153
δ3 0.00198
δ4 0.00212
koreksi nilai bobot output yang kemudian digunakan untuk memperbaharui vij
Tabel 4.42 Hasil koreksi bobot output
∆V1 ∆V2 ∆V3 ∆V4
1 6.62577E-06 6.04561E-06 5.48295E-06 6.48E-06
2 8.65873E-06 7.90056E-06 7.16527E-06 8.468E-06
3 1.12104E-05 1.02288E-05 9.27682E-06 1.096E-05
4 1.20385E-05 1.09844E-05 9.96207E-06 1.177E-05
Hitung koreksi nilai bobot input ke hidden yang kemudian digunakan untuk
memperbaharui vij
Tabel 4.43 Hasil koreksi bobot input ke hidden
∆vj
1 1.167E-05
2 1.525E-05
3 1.975E-05
4 2.121E-05
Bobot input mengalami perubahan pada saat terhubung ke hiden layer dapat dilihat
sebagai berikut:
Tabel 4.44 Hasil perubahan bobot input ke hidden

1 2 3 4
V1 0.029298216 0.131198372 0.123898524 0.1456983
V2 0.31189767 0.376497874 0.361498072 0.2286977
70
V3 0.094096985 0.227597249 0.356697505 0.5060971

V4 0.378396762 0.348897046 0.490197321 0.3875968
Bobot hidden mengalami perubahan pada saat terhubung ke output seperti sebagai
berikut:
Tabel 4.45 Hasil perubahan bobot hidden ke output
W1 W2 W3 W4
y 0.377266687 0.567064694 0.865462951 0.9431628
Bias awal mengalami perubahan pada saat terhubung ke hidden layer seperti
berikut:
Tabel 4.46 Hasil perubahan bias input ke hidden
V1 V2 V3 V4
Vj 8.765E-01 6.876E-01 9.976E-01 7.984E-01
Bias awal mengalami perubahan pada saat terhubung ke hidden layer seperti
sebagai berikut:
Tabel 4.47 Hasil perubahan bias hidden ke output
bias
Wk 0.8610556
Setelah hasil perubahan bobot dan bias pada proses iterasi kedua selesai
dilakukan maka akan menghasilkan nilai perubahan bobot dan bias yang baru
kembali melalui proses pelatihan. Proses pelatihan jaringan akan dilanjutkan secara
berkelanjutan sampai nantinya menghasilkan nilai output dan juga nilai error yang
terkecil.
Setelah terlihat dari hasil nilai iterasi kedua dengan nilai 0.8610556 dapat
menjelaskan bahwa perlu adanya pembalajaran data untuk memaksimalkan
performance data yang diuji. Tidak sampai disitu saja dilakukan juga proses
pengujian dengan pola yang sudah di tentukan, proses ini berguna untuk
mendapatkan keakuratan antara pelatihan dan pengujian sehingga didapatkan
kesimpulan prediksi harga pasar teh. Maka untuk mempercepat proses dari
pemecahan masalah penelitian ini penulis menggunakan sebuah alat bantu program
berupa Software Matlab 2013, karena software Matlab 2013 didesain dengan
71
sedemikian rupa dengan mengadaptasi dari algoritma yang penulis gunakan pada
penelitian ini.
4.1.3 Perancangan
Berdasarkan dari proses tahapan hitungan manual dan rancangan program
aplikasi, selanjutnya adalah melakukan tahapan pengujian sistem aplikasi yang
telah dibangun menggunakan Matlab R2013a.
Matlab (matrix laboratory) merupakan salah satu perangkat lunak yang
dirancang khusus sebagai solusi untuk mengerjakan permasalahan yang berkaitan
dengan matematika.
1. Tampilan command window yang digunakan untuk membuat dan
mengetik semua perintah pelatihan dan pengujian Backpropagation
adalah sebagai berikut :
Gambar 4.2 Command Window

2. Input Data Training
Inputan data Training yang sudah di normalisasi yang akan dihitung
didalam tool Matlab 2016b
72
Gambar 4.3 Data Training

3. Koding Data Training
Dari gambar berikut dapat dilihat koding dalam menTraining data.
Gambar 4.4 Koding Data Training

4. Proses Training
Dari gambar berikut ini dapat dijelaskan bahwa proses Training data
Backpropagationpada Matlab 2016b .
73
Gambar 4.5 Proses Training
5. Hasil Output Training Data

Gambar dibawah menjelaskan bahwa hasil output dari Training data
yang sudah dilakuakan oleh matlab melalui pembelajaran data.
Gambar 4.6 Output Data Training

6. Inputan Testing Data
Inputan data Testing yang sudah di normalisasi yang akan dihitung
didalam tool Matlab 2016b
74
Gambar 4.7 Input Testing Data

7. Output Testing Data
Pada gambar 4.8. berikut menjelaskan bahwa hasil output dari Testing
data yang sudah dilakukan oleh Matlab.
Gambar 4.8 Output Testing Data
Hasil percobaan menunjukkan bahwa Jaringan saraf tiruan dengan

Algoritma Backpropagation yang sudah dilatih dan diuji dengan baik akan
memberikan keluaran yang masuk akal jika diberi masukan yang serupa dengan
75
pola yang dipakai untuk pelatihan dan pengujian. Sifat generalisasi ini membuat
pelatihan dan pengujian lebih efisien karena tidak perlu dilakukan pada semua data.
Jaringan saraf tiruan dengan Algoritma Backpropagation dibentuk dengan
membuat generalisasi aturan pelatihan dan pengujian dalam model Windrow-Hooff
dengan cara menambahkan lapisan tersembunyi (hidden layer). Standar Algoritma
Backpropagation menggunakan algoritma penurunan gradien (gradien descent).
variasi terhadap model standar dilakukan dengan mengganti algoritmanya dengan
algoritma lain.
4.2 Hasil
Hasil pada penelitian ini yaitu untuk penjabaran secara detail mengenai
Tampilan hasil antar muka pengguna, pengujian, dan penerapan.
4.2.1 Tampilan Hasil Prediksi Menggunakan Sistem Matlab
Berdasarkan dari proses tahapan hitungan manual dan rancangan program
aplikasi, selanjutnya adalah melakukan tahapan pengujian sistem aplikasi yang
telah dibangun menggunakan Matlab R2013a. Dibawah ini akan dijelaskan
tampilan program yang telah dibangun.
Gambar 4.9 Hasil training arsitektur 16-4-16
Dari hasil training arsitektur 16-14-16 berhenti pada iterasi ke 385 pada
waktu 0:00:02 dengan performance 0.0009348, untuk gradient sendiri sebesar
76
0.00075585 dengan validasi chek 0 dan learningrate sebagai pembelajaaran

sebanyak 58.5784 yang menghasilkan akurasi sebesar 99.9986%
Gambar 4.10 Hasil Testing arsitektur 16-4-16

Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 4.48 dibawah ini.
Tabel 4.48 Hasil Pelatihan dengan Model 16-4-16
Data Real Target Output jst Error Hasil
0.5551 0.4457 0.473057 0.027357 0
0.379 0.4523 0.409831 -0.04247 0
0.3616 0.3476 0.316492 -0.03111 0
0.7848 0.7024 0.769841 0.067441 0
0.3774 0.3499 0.341863 -0.00804 0
0.3779 0.3754 0.373379 -0.00202 1
0.4203 0.3962 0.381676 -0.01452 0
0.4295 0.3063 0.364705 0.058405 0
0.3037 0.1849 0.228729 0.043829 0
0.3335 0.3266 0.342931 0.016331 0
0.3443 0.3589 0.370973 0.012073 0
0.1276 0.1707 0.137088 -0.03361 0
0.1804 0.3463 0.2616 -0.0847 0
0.9 0.8967 0.920112 0.023412 0
0.1291 0.1905 0.182711 -0.00779 0
0.8697 0.8707 0.863153 -0.00755 0
0.017038
99..99
MSE 0.023062
77
Gambar 4.11 Hasil Training arsitektur 16-8-16
Gambar 4.12 Hasil Testing arsitektur 16-8-16

78
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 4.49 dibawah ini.
0.5551 0.4457 0.52467 0.07897 0
0.379 0.4523 0.471252 0.018952 0
0.3616 0.3476 0.3492 0.0016 1
0.7848 0.7024 0.707882 0.005482 1
0.3774 0.3499 0.34686 -0.00304 1
0.3779 0.3754 0.389841 0.014441 0
0.4203 0.3962 0.434103 0.037903 0
0.4295 0.3063 0.337137 0.030837 0
0.3037 0.1849 0.234636 0.049736 0
0.3335 0.3266 0.326863 0.000263 1
0.3443 0.3589 0.36411 0.00521 1
0.1276 0.1707 0.146996 -0.0237 1
0.1804 0.3463 0.309045 -0.03725 0
0.9 0.8967 0.939801 0.043101 0
0.1291 0.1905 0.122577 -0.06792 0
0.8697 0.8707 0.918663 0.047963 0
0.202536
99.99
MSE 0.022456
Gambar 4.13 Hasil Training Arsitektur 16-16-16

79
Gambar 4.14 Hasil Testing Arsitektur 16-16-16

Untuk hasil yang lebih rinci output dan error dapat dilihat pada tabel 4.50 dibawah.
0.5551 0.4457 0.460395 0.014695 0
0.379 0.4523 0.4682856 0.015986 0
0.3616 0.3476 0.3503396 0.00274 0
0.7848 0.7024 0.7161659 0.013766 0
0.3774 0.3499 0.3801402 0.03024 0
0.3779 0.3754 0.4178723 0.042472 1
0.4203 0.3962 0.415636 0.019436 0
0.4295 0.3063 0.3169722 0.010672 0
0.3037 0.1849 0.2124096 0.02751 0
0.3335 0.3266 0.3443885 0.017789 0
0.3443 0.3589 0.3574936 -0.00141 0
0.1276 0.1707 0.1591312 -0.01157 0
0.1804 0.3463 0.3171154 -0.02918 0
0.9 0.8967 0.9180901 0.02139 0
0.1291 0.1905 0.2088475 0.018347 0
0.8697 0.8707 0.8681224 -0.00258 0
0.190305 99.99
MSE 0.011467
80
Penilaian model arsitektur terbaik dilihat dari beberapa aspek seperti epoch, error
minimum dan akurasi kebenaran. Untuk lebih jelas dapat dilihat pada tabel 4.19.
dibawah ini.
Tabel 4.51 Rekapitulasi Model Arsitektur
Training
No Arsitektur Epoch
MSE Akurasi
1 16-4-16 385 0.023062 99
2 16-8-16 158 0.022456 99
3 16-16-16 141 0.0391359 99
Dari hasil pengujian data Laporan Penjualan teh diatas dapat kita lihat pada
arsitektur 16-16-16 yang menunjukan dari target dikurang dengan output jst bahwa
MSE terkecil sebesar 0.00674 membuktikan tingkat kesalahan pada arsitektur tersebut
rendah. Dari data yang didapat, bahwa perfomance perhitungan jaringan saraf tiruan
dengan Algoritma Backpropagation adalah 99%. Dapat dilihat dengan
perbandingan target yang diinginkan dengan target prediksi. Jumlah peningkatan
Enjualan Teh berdasarkan tabel 4.52. menunjukan bahwa peningkatan penjualan
pada tahun 2018 PTPN IV Unit Teh terletak pada skala maksimum dan tidak terlalu
besar. Dan jaringan saraf tiruan dengan menggunakan algoritma backpropogation
dapat diterapkan dalam menganalisa peningkatan penjualan Tea dengan
menentukan model arsitektur terbaik dari serangkain proses training dan testing
yang dilakukan.
Tabel 4.52 Rekapitulasi Model Arsitektur
data real (data 2022) target target prediksi prediksi
20868.75 0,4457 0.460394998 25634.8862
21266.33 0,4523 0.468285558 26159.6512
14945.76 0,3476 0.35033961 18315.6069
36363.83 0,7024 0.71616588 42645.0351
15087.42 0,3499 0.38014021 20297.50825
16626.25 0,3754 0.41787228 22806.89496
17879.80 0,3962 0.41563603 22658.17241
12450.75 0,3063 0.31697221 16096.49407
81
5127.17 0,1849 0.21240961 9142.5145

13679.25 0,3266 0.34438850 17919.82584
15628.42 0,3589 0.35749357 18791.38371
14266.67 0,1707 0.15913125 5599.214989
54871.00 0,3463 0.31711538 16106.01544
48090.90 0,8967 0.91809012 56074.09102
5463.10 0,1905 0.20884749 8905.614374
46527.00 0,8707 0.86812244 52750.96961
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil dan pembahasan yang telah dilakukan penelitian ini dapat
disimpulkan bahwa:
1. Dari hasil penelitian dapat diketahui cara penerapan metode backpropagation
dengan mengumpulkan data histori penjualan teh yang relevan sehingga dapat
dibagi menjadi data latih dan data uji dengan persentasi 90:10 yang nantinya
digunakan untuk membangun jaringan syaraf tiruan backpropagation sehingga
menghasilkan prediksi harga yang memiliki akurasi yang baik.
2. Dari hasil penelitian dengan percobaan training data didapatkan bahwa
arsitektur yang terbaik adalah 16-16-16 dengan akurasi 99%, MSE training
sebesar 0.00674.
5.2 Saran
Adapun saran yang dapat ditulis untuk penelitian Jaringan Saraf Tiruan
menggunakan metode Backpropagation adalah:
1. Untuk penelitian selanjutnya diharapkan untuk mengembangkan model
arsitektur jaringan, karena mungkin masih banyak faktor yang berhubungan
dengan data penjualan dan model arsitektur sehingga hasil prediksi yang akan
didapatkan juga memuaskan.
2. Untuk inisialisasi bobot dapat dilakukan bervariasi atau mencoba nilai bobot dan
bias yang lain karena dapat mempengaruhi tingkat akurasi dan nilai MSE.
3. Perlunya penelitian dengan bidang terkait yang bisa divariasikan dengan metode
yang lain. Agar kekurangan pada Jaringan Saraf Tiruan Backpropagation pada
penelitian ini bisa tertutupi dengan metode yang lain.
82
DAFTAR PUSTAKA
Akhun, N. (2019). Al-Quran dan Terjemahan. Khulyan Publisher.
Al Haris, M. F. dan S. K. (2019). Kecerdasan Buatan dan Aplikasinya. CV.

Absolute Media.
Ambarwati, R. dan S. (2021). Manajemen Operasional dan Implementasi dalam

Industri. Pustaka Rumah Cinta.
Apriyani, Y. (2018). Penerapan Jaringan Syaraf Tiruan Backpropagation Untuk

Prediksi Nilai UN Siswa SMPN 2 Cihaurbeuti. 3(1), 63–70.
Arif, C. (2021). Aplikasi Kecerdasan Buatan Dalam Bidang Pengolaan Air dan
Lingkungan Dilengkapi dengan Pemrograman Visual Basic Pada Ms. Excel
(IPB Press).
Armansyah, A. (2019). Model JAringaSyaraf Mcculloch-Pitts Diimplementasikan

Pada Editor Octave-4.4.1 Untuk Mengenali Fungsi Logika And dan Or.
Armansyah, A. (2021). Prototipe Jaringan Syaraf Tiruan Multilayer Perceptron

Untuk Prediksi Mahasiswa Dropout. Jurnal Nasional Komputasi Dan
Teknologi Informasi (JNKTI), 4(4), 265–271.
https://doi.org/10.32672/jnkti.v4i4.3171
Awangga, R. M. dan E. C. P. (2020). Tutorial Gender Classification Using The You

Look Only Once (YOLO). Kreatif Industri Nusantara.
Cynthia, E. P., & Ismanto, E. (2017). Eka Pandu Cynthia, 2) Edi Ismanto. RABIT :
Jurnal Teknologi Dan Sistem Informasi Univrab, 2(2), 83–98.
Fardhani, A. A., Simanjuntak, D. I. N., & Wanto, A. (2018). Prediksi Harga Eceran
Beras Di Pasar Tradisional Di 33 Kota Di Indonesia Menggunakan Algoritma
Backpropagation. Jurnal Infomedia, 3(1).
https://doi.org/10.30811/jim.v3i1.625
Furqan, M., Nasution, R., & Hasibuan, R. A. (2021). Prediksi Pemilihan Jurusan
Siswa Kelas 1 SMK Menggunakan Jaringan Syaraf Tiruan dengan Metode
Backpropagation. Jurnal Riset Komputer), 8(6), 2407–389.
https://doi.org/10.30865/jurikom.v8i6.3695
Harapan, D. dan T. S. (2022). Transformasi Revolusioner Bisnis Perkebunan. IPB
83
84
Press.
Hayati, A. W. (2022). Kandungan Gizi dan Manfaat Teh Herbal. Uwais Inspirasi
Indonsia.
Hidayat, A. (2021). Studi Kelayakan Bisnis. CV. Insan Cendikia Mandiri.
Humam, M. R., Kholili, A., Setiawan, B. D., & Wihandika, R. C. (2019).

Implementasi Metode Jaringan Saraf Tiruan Backpropagation Pada Prediksi
Payload 4G di Telkomsel Jember. 3(4), 3838–3844.
Hutabarat, D., Solikhun, Fauzan, M., Windarto, A. P., & Rizki, F. (2021).
Penerapan Algoritma Backpropagation dalam Memprediksi Hasil Panen
Tanaman Sayuran. BIOS : Jurnal Teknologi Informasi Dan Rekayasa
Komputer, 2(1), 21–29. https://doi.org/10.37148/bios.v2i1.18
Jumadi. (2021). Manajemen Operasi. CV. Sarnu Untung.
Maiyuriska, R. (2022). Penerapan Jaringan Syaraf Tiruan dengan Algoritma

Backpropagation dalam Memprediksi Hasil Panen Gabah Padi. Jurnal
Informatika Ekonomi Bisnis, 4, 28–33.
https://doi.org/10.37034/infeb.v4i1.115
Muljana, W. (2019). Bercocok Tanam Teh. Cv. Aneka Ilmu.
Nafi’iyah, N. (2016). Perbandingan Regresi Linear , Backpropagation Dan Fuzzy

Mamdani Dalam Prediksi Harga Emas. Seminar Nasional Inovasi Dan
Aplikasi Teknologi Di Industri, 291–296.
Nahari, R. V. dan S. S. P. (2017). Dasar Komputasi Cerdas. Media Nusantara

Creatif.
Pujianto, A., Kusrini, K., & Sunyoto, A. (2018). Perancangan Sistem Pendukung
Keputusan Untuk Prediksi Penerima Beasiswa Menggunakan Metode Neural
Network Backpropagation. Jurnal Teknologi Informasi Dan Ilmu Komputer,
5(2), 157. https://doi.org/10.25126/jtiik.201852631
Purboseno, S., Hermantoro, & Sunardi. (2022). Peran Generasi Millenial

Mendorong Percepatan Transformasi Digital Di Industri Perkebunan.
Prosiding Seminar Nasional Instiper, 1(1), 37–45.
https://doi.org/10.55180/pro.v1i1.240
85
Putra, H., & Ulfa Walmi, N. (2020). Penerapan Prediksi Produksi Padi
Menggunakan Artificial Neural Network Algoritma Backpropagation. Jurnal
Nasional Teknologi Dan Sistem Informasi, 6(2), 100–107.
https://doi.org/10.25077/teknosi.v6i2.2020.100-107
Reyendra. (2021). Kecerdasan Buatan. Mitra Cendikia Media.
Rukhman, R. (2015). Untung Selangit Dari Agribisnis Teh. Andi Publisher.
Sijabat, P. I., Nurcahyo, G. W., & Sindar, A. (2020). Algoritma Backpropagation

Prediksi Harga Komoditi terhadap Karakteristik Konsumen Produk Kopi
Lokal Nasional. x(x), 96–107.
Simarmata, J. (2020). Implementasi Komputasi Quantum Pada Jaringan Syaraf

Tiruan. Yayasan Kita Menulis.
Sinaga, D., Solikhun, S., & Parlina, I. (2019). Jaringan Syaraf Tiruan untuk
Memprediksi Penjualan Kelapa Sawit Menggunakan Algoritma
Backpropagation. Prosiding Seminar Nasional Riset Information Science
(SENARIS), 1(September), 418. https://doi.org/10.30645/senaris.v1i0.47
Situmorang, W. R. A., & Jannah, M. (2021). Implementasi Jaringan Syaraf Tiruan

Memprediksi Hasil Panen Padi Pada Desa Pagar Jati Dengan Metode
Backpropagation. Jurnal Ilmu Komputer Dan …, 3(3), 167–175.
http://ejournal.sisfokomtek.org/index.php/jikom/article/view/108
Solikhun, dan M. W. (2020). Jaringan Syaraf Tiruan Backpropagation

Pengenalan Pola Calon Debitur Terbaik. Yayasan Kita Menulis.
Suryansyah, H. dkk. (2020). Aplikasi Prediksi Jumlah Kebutuhan Perusahaan.

Kreatif Industri Nusantara.
Wadi, H. (2021). Implementasi Jaringan Syaraf Tiruan Backpropagation

Menggunakan Phyton GUI. Turida Publisher.
Wanto, A., & Windarto, A. P. (2017). Analisis Prediksi Indeks Harga Konsumen
Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode
Backpropagation. Jurnal & Penelitian Teknik Informatika Sinkron, 2(2), 37–
43. https://zenodo.org/record/1009223#.Wd7norlTbhQ
Wardhani, A. K. dkk. (2022). Teknik Peramalan Pada Teknologi Informasi. PT.

Global Eksekutif Teknologi.
86
Windarto. (2020). Jaringan Syaraf Tiruan Algoritma Prediksi Dan Implementasi.

Yayasan Kita Menulis.
Windarto, A. P., Lubis, M. R., & Solikhun, S. (2018). Implementasi JST pada
Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional
dengan Backpropagation. Jurnal Teknologi Informasi Dan Ilmu Komputer,
5(4), 411. https://doi.org/10.25126/jtiik.201854767
87
LAMPIRAN-LAMPIRAN
Lampiran 1 Surat izin dan surat keterangan penelitian

Lampiran 2 Listing Program
*Listing Program Trainer

clc; clear; close all; warning off;
% Menentukan nilai Min dan Max dari "Data Asli"

originalData = xlsread('data input.xlsx', 1, 'D41:G56');
minData = min(originalData(:));
maxData = max(originalData(:));
% Proses membaca data-latih "Pola Input dan Target"

dataFromExcel = xlsread('data input.xlsx', 2, 'A2:AF6');
normalizedTrainingData = dataFromExcel(:,1:16)';
normalizedTrainingTarget = dataFromExcel(:,17:32)';
[m, n] = size(normalizedTrainingData);
% Pembuatan JST
net = newff(minmax(normalizedTrainingData),[16 4 16],{'logsig',
'logsig',...
'purelin'},'traingdx');
% Memberikan nilai untuk mempengaruhi proses pelatihan

net.performFcn = 'mse';
net.trainParam.goal = 0.001;
net.trainParam.show = 20;
net.trainParam.epochs = 1000;
net.trainParam.mc = 0.95;
net.trainParam.lr = 0.1;
% Training Process
[netOutput,tr,Y,E] = train(net, normalizedTrainingData,...
normalizedTrainingTarget);
% Hasil setelah pelatihan

hiddenLayerWeights = netOutput.IW{1,1};
outputWeight = netOutput.LW{2,1};
hiddenLayerBias = netOutput.b{1,1};
outputBias = netOutput.b{2,1};
numberOfIterations = tr.num_epochs;
outputValue = Y;
errorValue = E;
error_MSE = (1/n)*sum(errorValue.^2);
save net.mat netOutput ;
% Hasil prediksi
trainingResult = sim(netOutput, normalizedTrainingData);
trainingResult = ((trainingResult-0.1)*(maxData-
minData)/0.8)+minData;
% Performansi hasil prediksi "Data Target Asli"

originalTrainingTarget = xlsread('data input.xlsx', 1, 'D4:H14');
originalTrainingTarget = originalTrainingTarget';
originalTrainingTarget = originalTrainingTarget(1:end);
% Hitung Akurasi
MSE = error_MSE/16;
MAPE = sum(error_MSE)/16;
akurasi = 100-MAPE
*Listing Program Tester

clc; clear; close all;
% load jaringan yang sudah dibuat pada proses pelatihan

load net.mat
% Menentukan nilai Min dan Max dari "Data Asli"

originalData = xlsread('data input.xlsx', 1, 'D41:G56');
minData = min(originalData(:));
maxData = max(originalData(:));
% Proses membaca data-uji "Pola Input dan Target"

dataFromExcel = xlsread('data input.xlsx', 3, 'A2:AF2');
normalizedTestingData = dataFromExcel(:,1:16)';
normalizedTestingTarget = dataFromExcel(:,17:32)';
[m,n] = size(normalizedTestingData);
% Hasil prediksi
testResult = sim(netOutput, normalizedTestingData);
errorValue = testResult - normalizedTestingTarget;
prediksi_asli = ((testResult-0.1)*(maxData-minData)/0.8)+minData;
% Performansi hasil prediksi

error_MSE = (1/n)*sum(errorValue.^2);
% Performansi prediksi "Data Target Asli"

originalTestingTarget = xlsread('data input.xlsx', 1, 'D15:H18');
originalTestingTarget = originalTestingTarget';
originalTestingTarget = originalTestingTarget(1:end);
% Membuat Figure
figure,
plot(testResult,'bo-')
hold on
plot(originalTestingTarget,'ro-')
hold off
grid on
title(strcat(['Grafik Output JST vs Target dengan nilai MSE =
',...
num2str(error_MSE)]))
xlabel('Pola ke-')
ylabel('Harga Teh')
legend('Output JST','Target','Location','Best')
% Hitung Akurasi
MSE = error_MSE/16;
MAPE = sum(error_MSE)/16;
akurasi = 100-MAPE
Lampiran 3 Daftar Riwayat Hidup
DAFTAR RIWAYAT HIDUP

(CURRICULUM VITAE)

Nim : 0701181081
Tempat/Tanggal Lahir : Afd. B. Tobasari, 25 November 2000
Alamat : Nagori Sait Buttu Saribu, Kecamatan Pamatang
Sidamanik, Kabupaten Simalungun, Kode Pos
21131
Agama : Islam
Status Nikah : Belum Menikah
No Hp : 083834325887
Email : dindamayangsari206@gmail.com
Nama Orang Tua :
Ayah : Yakup
Ibu : Paini
Pendidikan :
2006-2012 : SDN 091432 Afd. E. Sidmanik
2012-2015 : MTS Al-Ikhlas Sait Buntu
2015-2018 : SMKS Teladan Pamatang Siantar
2018-2023 : Universitas Islam Negeri Sumatera Utara Medan
Lampiran 4 Kartu Bimbingan Skripsi

Skripsii Dinda Mayang Sari

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsii Dinda Mayang Sari

Diunggah oleh

Hak Cipta:

Format Tersedia

JARINGAN SYARAF TIRUAN PREDIKSI HARGA PASAR

TEH MENGGUNAKAN METODE

DINDA MAYANG SARI

Diajukan untuk memenuhi syarat mencapai gelar Sarjana (S-1) Di

PROGRAM STUDI ILMU KOMPUTER

Hormat Saya, Diketahui Oleh:

Dinda Mayang Sari Ilka Zufria, M.Kom

Hal : Surat Persetujuan Skripsi

Assalamu’alaikum Wr. Wb.

Setelah membaca, meneliti, memberikan petunjuk, dan mengoreksi serta

Nama : Dinda Mayang Sari

Medan, 20 juli 2023

Muhammad Ikhsan, S. T., M.Kom Raissa Amanda Putri, S. Kom., M.TI

Saya yang bertanda tangan di bawah ini:

Nama : Dinda Mayang Sari

Medan, 20 juli 2023

Dinda Mayang Sari

Kata kunci: Prediksi, Harga, Metode Backpropagation.

Keywords: prediction, price, backpropagation method.

Assalamu’alaikum Warahmatullahi Wawabarakatuh

Wassalamu’alaikum Warahmatullahi Wabarakatuh.

Medan, 20 Juli 2023

Dinda Mayang Sari

Gambar Judul Gambar Halaman

2.1 Susunan saraf pada manusia ......................................................................... 9

Tabel Judul Tabel Halaman

2.1 Daftar Kriteria Pemahaman Siswa Mata pelajaran .................................... 29

1.1 Latar Belakang Masalah

ُ ‫سلَكَ لَك ُْم ِف ْي َها‬

(Tuhan) yang telah menjadikan bumi sebagai hamparan bagimu, dan

tersebut dapat diketahui bahwa tingkat akurasi dalam memprediksi menggunakan

Berdasarkan latar belakang diatas penulis tertarik melakukan prediksi harga

1.2 Rumusan Masalah

1.3 Batasan Masalah

1. Untuk menerapkan metode backpropagation dalam memprediksi harga teh

1.5 Manfaat Penelitian

2.1 Peramalan atau Prediksi

2.2 Tanaman Daun Teh

2.3 Jaringan Syaraf Tiruan

program komputer yang mampu menyelesaikan sejumlah proses perhitungan

Gambar 2.1 Susunan saraf pada manusia

(Al Haris, 2019)

memiliki bobot terisolasi. Kemudian setiap neuron menerapkan fungsi aktivasi

2.3.1 Konsep Dasar Jaringan Syaraf Tiruan

2.3.2 Arsitektur Jaringan Syaraf Tiruan

Gambar 2.2 Arsitektur Lapisan Single Layer

Gambar 2.3 Arsitektur Lapisan Multilayer

Gambar 2.4 Arsitektur Lapisan Competitive

2.3.3 Fungsi Aktivasi Jaringan Syaraf Tiruan

a. Fungsi Undak Biner (Hard Limit)

i. Fungsi Sigmoid Bipolar

2.3.4 Kelebihan dan Kekurangan Jaringan Syaraf Tiruan

2.4 Metode Backpropagation

2.4.1 Tahap-Tahap Algoritma Backpropogation

2.4.2 Arsitektur Algoritma Backpropagation

2. Lapisan Tersebunyi (Hidden Layer)

3. Lapisan Keluaran (Output Layer)

2.4.3 Pelatihan Algoritma Backpropagation

A. Perambatan maju (forward propogation)

1. Perhitungan nilai neuron pada hidden layer (nilai Z)

𝑍_𝑖𝑛 𝑗 = 𝑉0𝐽 + ∑ 𝑍𝑖 𝑉𝑖𝑗

2. Perhitungan nilai neuron pada output layer (nilai Y)

𝑦_𝑖𝑛𝑘 = 𝑊𝑘0 ∑ 𝑍𝑗 𝑊𝑘𝑗

Wok = bias pada neuron output layer ke-k