Penerapan Jaringan Saraf Tiruan Metode Backpropogation Dalam
Memprediksi Distribusi Air Pada PDAM Tirtauli Kota
Pematangsiantar
Lestari Sinaga
1, Eka Irawan
2, Widodo Saputra
3,
Irfan Sudahri Damanik
4, Ilham Syahputra Saragih
51
STIKOM Tunas Bangsa Pematangsiantar, Indonesia
1
Jl. Jendral Sudirman Blok A No. 1, 2, 3 Pematangsiantar, Indonesia
lestarisinaga445@gmail.com
Abstract
PDAM Tirtauli, Pematangsiantar City is one of the companies responsible for water supply requests. The problem arises is the amount of water produced is less or does not meet the needs of consumers to eat will cause water can not flow which will cause losses for customers and if the amount of water produced is greater than the demand for water then there will be a problem of waste. PDAM Tirtauli needs a long-term plan to supply clean water for the following year. The criteria used in this study are installed production capacity, real production capacity, production volume, production loss, unused capacity and distribution volume as targets from 2017-2019. This study aims to predict the results of water distribution in PDAM Tirtauli, Pematang Siantar City for 2020 by using Artificial Neural Networks with Backpropogation algorithm. Artificial Neural Network is a process to solve problems based on information received by predicting models that will occur in the future. In the artificial neural network there are several algorithms, one of which is Backpropogotion. This algorithm can minimize errors in the results obtained by finding the best architecture. The best architecture that is obtained is 4-2-5-1 with an accuracy rate of 100%, MSE 0.00654398. Thus, this model is good enough to predict the volume of water distribution for the following years.
Keywords: Water Distribution, Artificial Neural Networks, Backpropogation
1. Pendahuluan
Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi (JSB). Cara kerja dari JST ini seperti dengan sistem kerja jaringan mahkluk hidup yang memiliki neuron-neuron jaringan syaraf [1]. Biasanya diimplementasikan dengan menggunakan komponen elektronik atau disimulasikan pada aplikasi computer [2]. Jaringan Saraf Tiruan pada dasarnya merupakan fungsi model matematika yang mendefenisikan fungsi . Jaringan Saraf Tiruan termasuk sistem kecerdasan buatan yang merupakan dalam usahanya menirukan kecerdasan manusia, belum mengadakan pendekatan dalam bentuk nyatanya melainkan dari sisi yang berbeda. Kelebihan dari jaringan syaraf tiruan (JST) adalah kemampuannya untuk belajar dari lingkungan. Adopsi proses pada otak manusia meliputi proses belajar melalui pengamatan dan pengulangan, sampai kondisi yang diinginkan tercapai [3]. Ada beberapa teknik yang dapat digunakan untuk mengimplementasikan jaringan saraf tiruan. Salah satunya yaitu algoritma
Backpropogation yang akan digunakan dalam penelitian ini. Backpropagation merupakan
salah satu teknik pembelajaran/pelatihan supervised learning yang paling banyak digunakan. Metode ini merupakan salah satu metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks [4]. Metode ini juga berperan sebagai penurunan
gradient untuk meminimilkan kuadrat error keluaran. Ada tiga tahap yang harus
dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatan balik, dan tahap perubahan bobot dan bias [5]. Tipikal topologi dari
jaringan syaraf tiruan backpropagasi melibatkan tiga lapisan yaitu lapisan masukan (tempat data diperkenalkan kepada jaringan), lapisan tersembunyi (tempat data diproses), dan lapisan keluaran (tempat hasil dari masukan yang diberikan diproduksi). Algoritma backpropagasi biasa digunakan untuk pelatihan bahkan dengan data yang kompleks [6].
Air merupakan sumber utama yang sangat penting bagi kebutuhan
sehari-hari manusia, dan setiap manusia berhak dalam menggunakan air bersih. PDAM
Tirtauli merupakan salah satu unit usaha yang terdapat di Kota Pematangsiantar
yang berfungsi untuk mendistribusikan air bersih bagi masyarakat. Pelayanan air
bersih merupakan hal yang sangat penting, Perkembangan penduduk,
perkembangan bangunan-bangunan, dan meningkatnya standard kehidupan
menyebabkan kebutuhan air bersih terus meningkat. Hal ini menjadikan kualitas
layanan perusahaan PDAM Tirtauli Kota Pematangsiantar dan pengelola air bersih
sangat dibutuhkan oleh masyarakat. Perusahaan juga membutuhkan informasi agar
tidak salah dalam mendistribusikan air ke setiap pengguna air sesuai dengan yang
dibutuhkan. Berdasarkan penelitian sebelumnya yang berhubungan dengan
Jaringan Saraf Tiruan antara lain, Penelitian [7] yang berjudul “Prediksi Volume
penggunaan air PDAM Menggunakan Metode Jaringan Syaraf Tiruan
Backpropagation” dengan tingkat akurasi sebesar 99,99900000%. Penelitian
lainnya juga pernah dilakukan oleh Anjar Wanto pada tahun 2019 [8] dengan
judul penelitian “Prediksi Produktivitas Jagung Indonesia Tahun 2019-2020
Sebagai Upaya Antisipasi Impor Menggunakan Jaringan Saraf Tiruan
Backpropogation” dengan tingkat akurasi sebesar 88%.
Berdasarkan uraian latar belakang diatas, maka penulis ingin mengkaji lebih dalam permasalahan ini dengan studi penerapan tentang metode prediksi dan membahasnya dengan mengangkat judul “Penerapan Jaringan Saraf Tiruan Metode Backpropogation Dalam MemprediksiDistribusi Air Pada PDAM Tirtauli Kota Pematangsiantar”.
2. Metodologi Penelitian
2.1. Kecerdasan Buatan
Artificial Intelegent (AI) atau kecerdasan buatan merupakan cabang dari ilmu
komputer yang konsem dengan pengautomatisasi tingkah laku cerdas. Pernyataan tersebut juga dapat dijadikan defenisi dari AI. Defenisi ini menunjukkan bahwa AI adalah bagian dari komputer sehingga harus didasarkan pada sound theoretical (teori suara) dan prinsip-prinsip aplikasi dari bidangnya. Prinsip-prinsip-prinsip ini meliputi struktur data yang digunakan dalam representasi pengetahuan, algoritma yang diperlukan untuk mengaplikasikan pengetahuan tersebut, serta bahasa dan teknik pemrograman yang digunakan dalam mengimplementasikannya [9].
2.2. Jaringan Saraf Tiruan
Jaringan saraf tiruan bisa dibayangkan seperti otak buatan didalam cerita-cerita fiksi ilmiah. Otak buatan ini dapat berfikir seperti manusia, dan juga sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan informasi yang diterima. Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya. Komputer diusahakan agar bisa berpikir sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas-aktivitas yang terjadi di dalam sebuah jaringan saraf biologis [10].
2.3. Algoritma Backpropogation
Backpropagation adalah jenis JST yang digunakan dalam memecahkan masalah
peramalan. Ini dimungkinkan karena merupakan salah satu jenis metode pelatihan JST dengan pengawasan. Pada jaringan diberi sepasang pola yang terdiri dari pola input dan
pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, bobot dimodifikasi untuk meminimalkan perbedaan dalam pola keluaran dan pola yang diinginkan. Latihan ini dilakukan berulang-ulang sehingga seluruh pola jaringan yang dikeluarkan dapat memenuhi pola yang diinginkan[11].
Algoritma ini sering digunakan untuk
menyelesaikan suatu masalah yang rumit. Hal ini dikarenakan algoritma ini dilatih
menggunakan metode pembelajaran. Metode ini mempunyai tiga fase dalam
melakukan pelatihan backpropagation, yaitu feed forward, backpropagation, dan
fase untuk memodifikasi bobot. Ketiga fase ini akan selalu dijalankan sampai
kondisi penghentian terpenuhi [12].
2.4. Matlab
Matlab adalah bahasa pemograman tingkat tinggi, tertutup, dan case
sensitive dalam lingkungan komputensi numeric yang dikembangkan oleh
MathWorks. Salah satu kelebihan yang paling baik adalah membuat grafik. Matlab
ini dapat membantu memecahkan berbagai permasalahan matematika baik
perhitungan biasa, simulasi fungsi maupun permodelan matematika. Matlab
menyediakan fungsi khusus untuk menyelesaikan model jaringan saraf tiruan,
pemakaian hanya tinggal memasukkan vector masukan, target, model dan
parameter yang diinginkan.
3. Analisa dan Pembahasan
Pada bab ini untuk mendapatkan hasil dari penelitian untuk tahun 2020, berdasarkan percobaan yang akan dilakukan pada tahun-tahun sebelumnya. Pada tahun 2017 dilakukan mencari arsitektur terbaik untuk memprediksi tahun 2018. Pada tahun 2018 akan dilakukan pelatihan dan pengujian dengan mencari arsitektur terbaik untuk memprediksi tahun 2019. Dilanjut dengan data tahun 2019 untuk mendapatkan hasil tahun 2020 yang merupakan tujuan utama dari penelitian ini.
Tabel 1. Daftar Kriteria Kapasitas Air PDAM Tirtauli Pematangsiantar
No Variabel Nama Kriteria
1 X1 Kapasitas Produksi Terpasang (Sumur Bor, Pompa Air, Mata Air)
2 X2 Kapasitas Produksi Riil
3 X3 Volume Produksi
4 X4 Kehilangan Produksi
5 X5 Kapasitas Yang Terbuang
Target Volume Distribusi Air
Tabel 2. Data Kategori No Keterangan Error Minimum
1 1 Benar < 0,2 & > -0,2 2 0 Salah > 0,2 & <-0,2
Tabel 3. Kapasitas Air PDAM Tirtauli Pematangsiantar Periode 2019
Kriteria X1 X2 X3 X4 X5 T Januari 1,112,129.56 2,767,330.83 1,005,747.55 961,821.82 26,817.22 1,600,378.89 Februari 1,119,927.61 2,769,512.99 1,167,652.76 685,580.22 37,017.98 1,597,780.54 Maret 1,120,018.25 1,421,971.20 1,028,201.48 805,964.56 219.26 1,688,964.88 April 1,101,028.00 2,420,541.36 1,308,572.07 691,290.25 578.09 1,698,184.37 Mei 1,110,281.72 1,080,432.00 1,679,560.75 720,212.72 278.91 1,690,929.53 Juni 1,101,269.27 1,023,615.36 1,211,480.54 691,269.88 476.66 1,689,827.90 Juli 1,191,892.03 2,857,162.53 1,046,739.44 701,280.46 9,281.21 1,667,558.11 Agustus 1,140,739.53 2,857,718.80 1,276,589.00 872,732.77 11,821.67 1,716,318.12 September 1,125,592.96 2,871,529.46 1,089,245.43 627,281.55 9,521.66 1,669,880.48
Oktober 1,109,779.39 1,035,417.60 1,467,864.70 644,219.28 8,271.29 1,650,916.99 November 1,125,592.96 1,278,028.80 1,678,219.22 691,279.60 11,142.62 1,690,621.36 Desember 1,107,470.57 1,030,933.44 1,519,268.29 618,928.89 11,281.82 1,714,461.04
Data diolah menjadi data pelatihan dan data testing, lalu data diubah kedalam bentuk normalisasi dengan rumus sebagai berikut :
…..………(1) Keterangan :
: data yang telah ditransformasi : data minimun : data yang akan dinormalisasi : data maksimun
Tabel 4. Data Normalisasi Training
X1 X2 X3 X4 Target 0.40980 0.87097 0.38016 0.36792 0.54583 0.41197 0.87158 0.42527 0.29095 0.54511 0.41200 0.49613 0.38641 0.32450 0.57052 0.40671 0.77435 0.46453 0.29255 0.57308 0.40928 0.40097 0.56790 0.30060 0.57106 0.40677 0.38514 0.43748 0.29254 0.57076 0.43202 0.89600 0.39158 0.29533 0.56455 0.41777 0.89615 0.45562 0.34310 0.57814 0.41355 0.90000 0.40342 0.27471 0.56520 0.40914 0.38843 0.50891 0.27943 0.55991 0.41355 0.45602 0.56752 0.29254 0.57098 0.40850 0.38718 0.52324 0.27238 0.57762
Tabel 5. Data Normalisasi Testing
X2 X3 X4 X5 Target 0.87097 0.38016 0.36792 0.10741 0.54583 0.87158 0.42527 0.29095 0.11025 0.54511 0.49613 0.38641 0.32450 0.10000 0.57052 0.77435 0.46453 0.29255 0.10010 0.57308 0.40097 0.56790 0.30060 0.10002 0.57106 0.38514 0.43748 0.29254 0.10007 0.57076 0.89600 0.39158 0.29533 0.10252 0.56455 0.89615 0.45562 0.34310 0.10323 0.57814 0.90000 0.40342 0.27471 0.10259 0.56520 0.38843 0.50891 0.27943 0.10224 0.55991 0.45602 0.56752 0.29254 0.10304 0.57098 0.38718 0.52324 0.27238 0.10308 0.57762
Berdasarkan percobaan pelatihan dan pengujian dengan mencari arsitektur terbaik. Pada tahun 2019 dilakukan beberapa model arsitektur jaringan saraf tiruan, yaitu dengan model 4-5-1, 4-10-1, 4-2-5-1. Hasil arsitektur terbaik pelatihan dan pengujian dapat dilihat pada kode dibawah ini :
>> net=newff(minmax(P),[2,5,1],{'logsig','tansig','logsig'},'traingd'); >> net.IW{1,1};
>> net.b{1}; >> net.LW{2,1};
>> net.trainParam.goal = 0.001; >> net.trainParam.Lr = 0.01; >> net.trainParam.show = 1000; >> net=train(net,P,T)
4. Hasil
Berikut adalah hasil yang diperoleh dari perhitungan yang dilakukan pada aplikasi Matlab :
Gambar 1. Pelatihan Menggunakan Model Arsitektur 4-2-5-1
Gambar 2. Pelatihan Arsitektur 4-2-5-1 Mencapai Goal
Gambar 3.1. dapat dijelaskan bahwa pelatihan dan pengujian dengan
model arsitektur 4-2-5-1 menghasilkan epoch 13732 dalam waktu 3:18 detik.
Hasil akurasi dari pelatihan menggunakan model arsitektur 4-2-5-1 dapat dilihat
pada tabel dibawah ini :
Tabel 6. Hasil Akurasi Data Training Dengan Model Arsitektur 4-2-5-1
No Target Output Eror SSE
1 0.54583 0.554458 -0.00862 0.00007 2 0.54511 0.554738 -0.00963 0.00009 3 0.57052 0.559873 0.01064 0.00011 4 0.57308 0.570675 0.00241 0.00001 5 0.57106 0.533064 0.03800 0.00144 6 0.57076 0.648561 -0.07780 0.00605 7 0.56455 0.544639 0.01991 0.00040 8 0.57814 0.554186 0.02395 0.00057 9 0.56520 0.553473 0.01173 0.00014 10 0.55991 0.602349 -0.04243 0.00180 11 0.57098 0.579991 -0.00901 0.00008 12 0.57762 0.542595 0.03502 0.00123 Total 0.01200 MSE 0.00099999
nilai error diperoleh dari : error^2 (^ = pangkat), jumlah SSE adalah total keseluruhan nilai SSE. Nilai MSE diperoleh dari jumlah SSE/(12) bulan.
Tabel 7. Hasil Akurasi Data Testing Dengan Model Arsitektur 4-2-5-1
No Target Output Eror SSE Hasil
1 0.54583 0.64296 -0.09712 0.00943 1 2 0.54511 0.64296 -0.09785 0.00957 1 3 0.57052 0.64296 -0.07244 0.00525 1 4 0.57308 0.64296 -0.06987 0.00488 1 5 0.57106 0.44614 0.12492 0.01560 1 6 0.57076 0.64757 -0.07682 0.00590 1 7 0.56455 0.64296 -0.07841 0.00615 1 8 0.57814 0.64296 -0.06482 0.00420 1 9 0.56520 0.64296 -0.07776 0.00605 1 10 0.55991 0.62273 -0.06281 0.00395 1 11 0.57098 0.64178 -0.07080 0.00501 1 12 0.57762 0.62794 -0.05032 0.00253 1 Total 0.07853 100 MSE 0.00654398
Tabel 8. Rekapitulasi Model Arsitektur untuk tahun 2018
Arsitektur Tranning Testing
Epoch MSE MSE Akurasi
4-2-1 25327 0.00099991 0.01353818 92
4-8-1 12868 0.00099988 0.01522261 83
4-12-1 4793 0.00570655 0.11967275 33
Tabel 9. Hasil Prediksi 2018
No Data Real Target Target Prediksi Prediksi
1 1.659.086,52 0.54632 0.520344 1.562.540,65
2 1.145.566,47 0.40816 0.520365 1.562.615,81
3 1.040.613,93 0.37992 0.520377 1.562.660,64
5 1.501.046,40 0.50380 0.520345 1.562.541,53 6 1.572.413,57 0.52300 0.520351 1.562.565,89 7 1.080.230,10 0.39058 0.520406 1.562.770,57 8 1.357.151,00 0.46508 0.520345 1.562.542,53 9 1.607.868,61 0.53254 0.520376 1.562.656,98 10 1.650.120,72 0.54391 0.520340 1.562.524,34 11 1.601.125,37 0.53073 0.520338 1.562.517,12 12 1.650.250,12 0.54394 0.520339 1.562.521,38
Tabel 10. Rekapitulasi Model Arsitektur untuk tahun 2019
Arsitektur Tranning Testing
Epoch MSE MSE Akurasi
4-5-1 6465 0.10365972 0.12347024 50
4-8-1 2272 0.00099978 0.01848881 92
4-12-1 16513 0.00099996 0.12816054 8
Tabel 11. Hasil Prediksi 2019
No Data Real Target Target Prediksi Prediksi
1 1.551.477,28 0.54561 0.48856 1.452.397,73 2 1.439.068,58 0.58733 0.50640 1.519.079,55 3 1.567.910,42 0.54562 0.50682 1.520.641,83 4 1.569.639,21 0.54562 0.50587 1.517.088,41 5 1.616.460,66 0.54604 0.50681 1.520.608,36 6 1.605.547,46 0.54561 0.50618 1.518.243,16 7 1.614.647,77 0.57349 0.51168 1.538.821,38 8 1.675.733,57 0.54561 0.53220 1.615.478,90 9 1.529.077,36 0.54561 0.51276 1.542.858,35 10 1.626.944,26 0.54561 0.50637 1.518.979,64 11 1.657.249,65 0.54562 0.50772 1.524.004,02 12 1.708.085,13 0.54562 0.50953 1.530.771,71
Tabel 12. Rekapitulasi Model Arsitektur untuk tahun 2020
Arsitektur Tranning Testing
Epoch MSE MSE Akurasi
4-5-1 3283 0.00099926 0.03383263 67
4-10-1 13035 0.00100012 0.08408120 33
4-2-5-1 13732 0.00099999 0.00654398 100
Tabel 13. Hasil Prediksi 2020
No Data Real Target Target Prediksi Prediksi
1 1.600.378,89 0.54583 0.55964 1.649.916,53 2 1.597.780,54 0.54511 0.55374 1.628.767,68 3 1.688.964,88 0.57052 0.55624 1.637.731,93 4 1.698.184,37 0.57308 0.54481 1.596.686,29 5 1.690.929,53 0.57106 0.64294 1.948.912,81 6 1.689.827,90 0.57076 0.55362 1.628.339,60 7 1.667.558,11 0.56455 0.55531 1.634.404,24 8 1.716.318,12 0.57814 0.55242 1.624.010,71 9 1.669.880,48 0.56520 0.55409 1.630.008,59 10 1.650.916,99 0.55991 0.58680 1.747.426,61 11 1.690.621,36 0.57098 0.64294 1.948.914,95
12 1.714.461,04 0.57762 0.63231 1.910.759,65
5. Penutup
5.1. KesimpulanDari uraian pada bab sebelumnya, maka penulis mengambil beberapa kesimpulan, yaitu ;
1. Dari hasil penelitian dengan percobaan pada tahun sebelumnya yaitu 2017 arsitektur terbaik yaitu 4-2-1. Pada tahun 2018 arsitektur terbaik yaitu 4-8-1. Pada tahun 2019 arsitektur 4-2-5-1 untuk memprediksi tahun 2020 dengan menunjukkan hasil akurasi sebesar 100%, MSE training sebesar 0.038795.
2. Setiap tahun atau setiap data akan mendapatkan arsitektur yang berbeda pula. Data hasil prediksi 2020, bahwa terdapat selisih yang cukup signifikan, dengan kata lain tingkat volume distribusi air akan meningkat pada tahun 2020.
5.2. Saran
Saran yang dapat ditulis untuk penelitian Jaringan Syaraf Tiruan menggunakan metode Backpropagation ialah :
1. Untuk penelitian selanjutnya diharapkan untuk mengembangkan model arsitektur jaringan, karena mungkin masih banyak faktor yang berhubungan dengan data volume distribusi air dan model arsitektur sehingga hasil yang akan didapatkan juga memuaskan.
2. Dari model arsitektur yang didapat, perlu menjadi perhatian khusus bagi manajemen PDAM Tirrauli Kota Pematangsiantar agar dapat dijadikan bahan masukan.
3. Agar diadakan penelitian lebih lanjut mengenai volume distribusi air menggunakan metode lain.
Daftar Pustaka
[1] A. Ahmad, P. M. Putri, W. Alifah, and I. Gunawan, “Analisis jaringan syaraf tiruan metode backpropogation dalam memprediksi ketersediaan komoditas beras berdasarkan provinsi di indonesia,” vol. 2, no. 1, pp. 4–16, 2019.
[2] Solikhun, “Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Pemahaman Siswa Terhadap Mata Pelajaran Dengan Menggunakan Algoritma Backpropogation,” no. 1, pp. 24–36, 2017.
[3] D. Jauhari, “PREDIKSI DISTRIBUSI AIR PDAM MENGGUNAKAN METODE JARINGAN,” vol. 3, no. 2, 2016.
[4] A. P. Windarto et al., “MODEL ARSITEKTUR NEURAL NETWORK DENGAN
BACKPROPOGATION PADA PREDIKSI TOTAL LABA,” vol. 05, no. 02, pp. 147–158, 2018. [5] R. N. Putri and D. Setiawan, “PROTOTIPE PAKAN AYAMOTOMATIS MENGGUNAKAN
METODE,” vol. 2, no. 1, 2018.
[6] H. Pratiwi and K. et al Harianto, “Perbandingan Algoritma ELM Dan Backpropagation Terhadap Prestasi Akademik Mahasiswa,” vol. 3, no. September, pp. 282–294, 2019.
[7] B. Satria, “Prediksi Volume Penggunaan Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropogation,” vol. 2, no. 3, pp. 674–684, 2018.
[8] A. Wanto, “PREDIKSI PRODUKTIVITAS JAGUNG INDONESIA TAHUN 2019-2020 SEBAGAI UPAYA ANTISIPASI IMPOR MENGGUNAKAN JARINGAN SARAF,” vol. 1, no. 1, pp. 53–62, 2019.
[9] A. D. & M. Arhami, “Konsep Kecerdasar Buatan.” 2006.
[10] M. ko. T. Sutojo, S.Si., M.Kom, Edy Mulyanto, S.si., “Jaringan Saraf Tiruan.” 2011.
[11] W. Saputra, T. Tulus, M. Zarlis, R. W. Sembiring, and D. Hartama, “Analysis Resilient Algorithm on Artificial Neural Network Backpropagation,” J. Phys. Conf. Ser., vol. 930, no. 1, 2017.
[12] L. M. Rokky Septian Suharto, Candra Dewi, “Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak,” vol. 1, no. 7, pp. 555–562, 2017.
