SKRIPSI
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.
Kepadaa Yth,
Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sumatera Utara Medan
Komisi Pembimbing,
Pembimbing I, Pembimbing II
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.
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.
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.
ii
KATA PENGANTAR
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.
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
vii
DAFTAR TABEL
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
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:
Artinya:
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
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).
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).
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
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
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)]
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).
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).
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).
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).
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):
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.
𝑌𝑘 = 𝑓(𝑌_𝑖𝑛𝑘 )
Dimana:
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
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
neuron input layer ke-i
Vij(lama)= bobot lama yang menghubungkan antara neuron hidden layer ke-j dan
neuron input layer ke-i
1
𝑦𝑘 = 𝑓 (𝑦_𝑖𝑛 𝑘 ) =
1 + 𝑒 −𝑦 𝑛𝑒𝑡𝑘
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)
Zj = f(zinj)
4. Untuk k-1,…,p;
𝑛
yj = f(yinj)
𝑛
(𝑦1 − 𝑦𝑛 )2
𝑅𝑀𝑆𝐸 = ∑
𝑛
𝑖=1
Dimana:
Yi = nilai aktual data (target)
Yn = nilai hasil prediksi (actuaal output)
26
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
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
Berikan nilai bobot (W) dari lapisan tersembunyi ke output dengan nilai acak.
Tabel 2.4 Nilai Bobot dari Hidden Layer ke Output
(Solikhun d. , 2017)
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
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
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).
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
Pengumpulan Data
Analisis Kebutuhan
Perancangan
Pengujian
Penerapan
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
start
Input data
Normalisasi data
Hitung feed
Hasil feed
Hitung feed
Hasil feed
Hitung MSE
Hasil MSE
T
MSE >
error_maks||Epoch
< epoch_maks
end
start
Data Set
Hasil
End
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.
51
52
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
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.
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
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
Z1
X1
X2 Z2 Y
X3 Z3
X4
Z4
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 4.8 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 4.11 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
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)
1
Yk = sigmoid [3. 10720294] = = 0.957188561
1+𝑒 (−3.107195069)
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
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
Untuk setiap (Zj, j=1,…,p) dihitung delta masukan yang berasal dari neuron pada
layer di atasnya menggunakan rumus sebagai berikut
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
Hitung koreksi nilai bobot output yang kemudian digunakan untuk memperbaharui
vij menggunakan rumus sebagai berikut :
Hitung koreksi nilai bobot input ke hidden yang kemudian digunakan untuk
memperbaharui vij menggunakan rumus sebagai berikut :
Bobot input mengalami perubahan pada saat terhubung ke hiden layer berdasarkaan
rumus sebagaai berikut:
Bias awal mengalami perubahan pada saat terhubung ke hidden layer berdasarkaan
rumus sebagai berikut:
66
Bias awal mengalami perubahan pada saat terhubung ke hidden layer berdasarkaan
rumus sebagai berikut:
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
Z4 0.837429022
hitung nilai error yang terjadi antara output actual dengaan output yang diharapkan
baik pada layar tersembunyi serta pada layer keluaran.
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
∆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:
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 :
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.
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
Dari hasil training arsitektur 16-8-16 berhenti pada iterasi ke 158 pada
waktu 0:00:01 dengan performance 0.00097526, untuk gradient sendiri sebesar
0.0033175 dengan validasi chek 0 dan learningrate sebagai pembelajaaran
sebanyak 92.5767 yang menghasilkan akurasi sebesar 99.999%
Untuk hasil yang lebih rinci dan mengetatahui output dan error dapat dilihat pada
tabel 4.49 dibawah ini.
Tabel 4.49 Hasil Pelatihan dengan Model 16-8-16
Data Real Target Output jst Error Hasil
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
Dari hasil training arsitektur 16-16-16 berhenti pada iterasi ke 141 pada
waktu 0:00:02 dengan performance 0.00095854, untuk gradient sendiri sebesar
0.0024849 dengan validasi chek 0 dan learningrate sebagai pembelajaaran
sebanyak 64.8037 yang menghasilkan akurasi sebesar 99.996%
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
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
Arif, C. (2021). Aplikasi Kecerdasan Buatan Dalam Bidang Pengolaan Air dan
Lingkungan Dilengkapi dengan Pemrograman Visual Basic Pada Ms. Excel
(IPB Press).
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
83
84
Press.
Hayati, A. W. (2022). Kandungan Gizi dan Manfaat Teh Herbal. Uwais Inspirasi
Indonsia.
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
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
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
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
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
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
% Pembuatan JST
net = newff(minmax(normalizedTrainingData),[16 4 16],{'logsig',
'logsig',...
'purelin'},'traingdx');
% Training Process
[netOutput,tr,Y,E] = train(net, normalizedTrainingData,...
normalizedTrainingTarget);
% Hasil prediksi
trainingResult = sim(netOutput, normalizedTrainingData);
trainingResult = ((trainingResult-0.1)*(maxData-
minData)/0.8)+minData;
% Hitung Akurasi
MSE = error_MSE/16;
MAPE = sum(error_MSE)/16;
akurasi = 100-MAPE
% Hasil prediksi
testResult = sim(netOutput, normalizedTestingData);
errorValue = testResult - normalizedTestingTarget;
prediksi_asli = ((testResult-0.1)*(maxData-minData)/0.8)+minData;
% 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