JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI KARET LATEKS MENGGUNAKAN METODE BACKPROPAGATION STUDI KASUS PT

(1)

1 JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI

KARET LATEKS MENGGUNAKAN METODE BACKPROPAGATION STUDI KASUS PT. GERGAS UTAMA DESA GERGAS

KABUPATEN LANGKAT

Yogi Siswanto¹, Magdalena Simanjuntak², Nurhayati³

STMIK Kaputama Binjai

Program Studi TEKNIK INFORMATIKA Jl. Veteran No. 4A-9A, Binjai, Sumatera Utara

email : [email protected] ¹, [email protected] ², [email protected]³

ABSTRACT

Production of rubber trees in North Sumatra Province in 2019 reached 547,300.83 tons with a land area of around 585,749.21 ha. Based on data from the North Sumatra Plantation Service, the highest rubber production was produced by smallholder plantations as many as 311,076.66 tons with a land area of 393,189.02 ha. This achievement is around 56.83 of the total production of North Sumatra. Meanwhile, the production of PT. Perkebunan Nusantara (PTPN) totaling 36,961.93 tons with an area of 34,916.89 ha. Then the National Private Large Plantation (PBSN) produced as much as 124,235.34 tons of rubber from 103,499.93 ha of land and 75,127.40 tons of foreign private large plantations (PBSA) with an area of 54,143.37 ha. The large demand for the production of latex rubber plants for the community, it is hoped that latex rubber production will remain in a stable condition or increase. However, the planned production results are different from the actual production results. This difference is caused by several factors, including environmental factors, genetic factors and cultivation technique factors. The application of artificial neural networks to predict the amount of latex rubber production using Matlab software using the Backpropagation method can be applied in predicting the amount of latex rubber production. Based on the analysis process that has been carried out under the artificial neural network system using the Backpropagation method, it can recognize the input data data input layer, hidden layer, output layer, and produce predictions of the amount of latex rubber production with the planting year of 1988 with an average prediction of 105243 Kg, planting year 1989 with an average prediction of 4579 kg, planting year 2000 with an average prediction of 8489 kg and planting year 2004 with an average prediction of 7892 kg.

Keywords : Prediction, Latex Rubber, Artificial Neural Networks, Backpropagation

ABSTRAK

Produksi tanaman karet di Provinsi Sumatera Utara tahun 2019 mencapai 547.300,83 ton dengan luas lahan berkisar 585.749,21 ha. Berdasarkan data Dinas Perkebunan Sumut, produksi karet tertinggi dihasilkan oleh perkebunan rakyat sebanyak 311.076,66 ton dengan luas lahan 393.189,02 ha. Capaian tersebut sekitar 56,83 dari total produksi Sumut. Sementara itu, produksi PT. Perkebunan Nusantara (PTPN) sebanyak

(2)

2 36.961,93 ton dengan lahan seluas 34.916,89 ha. Kemudian Perkebunan Besar Swasta Nasional (PBSN) menghasilkan karet sebanyak 124.235,34 ton dari lahan seluas 103.499,93 ha dan Perkebunan Besar Swasta Asing (PBSA) sebanyak 75.127,40 ton dengan lahan seluas 54.143,37 ha . Besarnya kebutuhan hasil produksi tanaman karet lateks bagi masyarakat maka diharapkan produksi karet lateks tetap dalam keadan stabil ataupun meningkat. Namun hasil produksi yang telah direncanakan berbeda dengan hasil realisasi produksi. Perbedaan tersebut disebabkan oleh beberapa faktor antara lain faktor lingkungan, faktor genetik dan faktor teknik budidaya. Penerapan jaringan saraf tiruan untuk memprediksi jumlah produksi karet lateks dengan menggunakan software Matlab dengan menggunakan metode Backpropagation dapat diterapkan dalam memprediksi jumlah produksi karet lateks. Berdasarkan proses analisa yang telah dilakukan bawah sistem jaringan saraf tiruan dengan menggunakan metode Backpropagation dapat mengenali data inputan data input layer, hidden layer, output layer, dan mengjhsilkan prediksi jumlah produksi karet latek dengan tahun tanam 1988 rata-rata prediksi 105243 Kg, tahun tanam 1989 dengan rata-rata prediksi 4579 Kg, tahun tanam 2000 dengan rata- rata prediksi 8489 Kg dan tahun tanam 2004 dengan rata-rata prediksi 7892 Kg.

Kata kunci : Prediksi, Karet Lateks, Jaringan Saraf Tiruan, Backpropagation

1. PENDAHULUAN

1.1 Latar Belakang Masalah

Tanaman Karet (Hevea brasiliensis) termasuk dalam famili Euphorbiacea, desebut dengan nama lain rambung, getah, gota, kejai ataupun hapea. Di Indonesia tanaman karet merupakan salah satu komoditas perkebunan yang mempunyai peranan penting, baik ditinjau dari segi sosial maupun ekonomi. Agar tanaman karet dapat tumbuh dengan baik dan menghasilkan lateks yang banyak maka perlu diperhatikan syarat – syarat tumbuh dan lingkungan yang diinginkan tanaman ini. Lingkungan yang kurang baik juga sering mengakibatkan produksi lateks menjadi rendah. Sesuai habitat aslinya di Amerika Selatan, terutama Brazil yang beriklim tropis, maka karet juga cocok ditanam di Indonesia, yang sebagian besar ditanam di Sumatera Utara dan Kalimantan.

Produksi tanaman karet di Provinsi Sumatera Utara tahun 2019 mencapai 547.300,83 ton dengan luas lahan berkisar 585.749,21 ha. Berdasarkan data Dinas Perkebunan Sumut, produksi karet tertinggi dihasilkan oleh

perkebunan rakyat sebanyak 311.076,66 ton dengan luas lahan 393.189,02 ha.

Capaian tersebut sekitar 56,83 dari total produksi Sumut. Sementara itu, produksi PT. Perkebunan Nusantara (PTPN) sebanyak 36.961,93 ton dengan lahan seluas 34.916,89 ha. Kemudian Perkebunan Besar Swasta Nasional (PBSN) menghasilkan karet sebanyak 124.235,34 ton dari lahan seluas 103.499,93 ha dan Perkebunan Besar Swasta Asing (PBSA) sebanyak 75.127,40 ton dengan lahan seluas 54.143,37ha(http://disbun.sumutprov.go .id/).

Dengan besarnya kebutuhan hasil produksi tanaman karet lateks bagi masyarakat maka diharapkan produksi karet lateks tetap dalam keadan stabil ataupun meningkat. Namun hasil produksi yang telah direncanakan berbeda dengan hasil realisasi produksi.

Perbedaan tersebut disebabkan oleh beberapa faktor antara lain faktor lingkungan, faktor genetik dan faktor teknik budidaya.

Dengan adanya beberapa faktor yang dialami maka produksi karet lateks akan mengalami ketidak stabilan. Oleh

(3)

3 karena itu dibutuhkan suatu aplikasi

yang dapat memprediksi hasil produksi karet lateks yang dapat memeberikan informasi prediksi produksi karet lateks.

Sehingga perusahaan dapat merencanakan dan mengambil langkah- langkat yang tepat dalam memproduksi karet lateks agar tetap stabil sesuai dengan kebutuhan yang diharapkan.

2. LANDASAN TEORI

2.1 Jaringan Syaraf Tiruan (Neoural Network)

Jaringan Syaraf Tiruan merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.

Oleh karena sifatnya yang adaptif, JST juga sering disebut dengan jaringan adaptif.

Menurut (Drs. Jong Jek Siang, 2009) jaringan syaraf tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Jaringan syaraf tiruan merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem syaraf manusia, yang pemrosesan utamanya ada di otak”.

Bagian terkecil dari otak manusia adalah neuronada sekitar 10 miliar neuron dalam otak manusia dan sekitar 60 triliun koneksi (sinaps/synapse) anatar neuron dalam otak manusia (Stepherd dan Koch, 1990). Dengan menggunakan neuron- neuron) tersebut seacara simultan, otak manusia dapat memproses secara paralel dan cepat, bahkan lebih cepat dari komputer tercepat saat ini (Prasetyo, 2012).

2.2 Pengertian Backpropagation

Backpropagation merupakan sebuah metode sistematik pada jaringan syaraf tiruan dengan menggunakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada

lapisan tersembunyinya.

Backpropagation adalah pelatihan jenis terkontrol dimana menggunakan pola penyesuaian bobot untuk mencapai nilai kesalahan yang minimum antara keluaran hasil prediksi dengan keluaran yang nyata.

Menurut (Sutojo et al., 2011) Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat error keluaran. Ada 3 (tiga) tahap yang harus dilakukan dalam pelatihan jaringan, yaitu tahap perambatan maju (forward propagation), tahap perambatan-balik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri input layer, hidden laye, dan output layer. Metode propapagasi balik merupakan metode yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks.

Metode Backpropagation (propagasi balik) merupakan metode pembelajaran lamjut yang dikembangkan dari aturan perceptron.

Hal ini yang ditiru dari perceptron adalah tahapan dalam algoritma jaringan. Metode Backpropagation ini dikembangkan oleh Rumelhart, Hilton dan William sekitar tahun 1986 yang mengakibatkan peningkatan kembali minat terhadap jaringan syaraf tiruan.

Metode ini terdiri dari dua tahap, yaitu tahap feddforward yang diambil dari perceptron dan tahap backpropagation.

3. ANALISIS DAN PERANCANGAN 3.1 Analisi Sistem

(4)

4 Dalam memprediksi sebuah data

tentunya diperlukan data-data terdahulu yang akan menjadi pendukung untuk dilakukan analisis perhitungan sebuah metode sehingga nantinya dapat diperoleh sebuah alternatif terbaik berdasarkan data yang telah ditentukan.

Dalam sistem prediksi untuk memprediksi jumlah produksi karet lateks data-data yang digunakan yaitu data produksi karet tahun 1988, 1999, 2000 dan tahun 2004. Berdasarkan data tersebut maka data-data yang diperoleh dalam penelitian pada PT. Gergas Utama Desa Gergas Kabupaten Langkat yaitu seperti pada tabel dibawah ini.

Tabel 1. Data Produksi Karet Tahun Tanam 1988

Tabel 2. Data Produksi Tahun Tanam Karet 1989

2017 2018 2019

(Kg) (Kg) (Kg)

Januari 11.094,80 8.784,80 4.756,10 Februari 18.514,80 12.793,60 6.108,30 Maret 13.542,40 5.555,80 3.614,20 April 11.220,70 9.035,90 3.413,30 Mei 12.122,20 9.242,00 4.043,60 Juni 20.083,60 6.310,10 3.131,00 Juli 20.576,20 7.754,10 4.154,40 Agustus 21.494,50 8.848,10 4.195,50 September 21.905,60 8.509,60 4.709,50 Oktober 23.460,40 7.902,70 4.147,40 November 22.058,40 8.945,20 4.152,90 Desember 23.207,60 11.346,30 5.241,10

Bulan

Tahun

2017 2018 2019 (Kg) (Kg) (Kg) Januari 415,1 472,1 0 Februari 699,6 654,8 0 Maret 470,2 265,1 0 April 408,4 525,6 0

Mei 483,9 429,9 0

Juni 875,5 1.461,50 0

Juli 1.510,70 0 0

Agustus 1.353,80 0 0 September 1.424,90 0 0 Oktober 1.476,30 0 0 November 1.306,60 0 0 Desember 1.400,10 0 0

Bulan

Tahun

2017 2018 2019

(Kg) (Kg) (Kg)

Januari 1.134,70 1.124,90 1.159,40 Februari 1.719,30 1.742,20 1.796,50 Maret 1.086,90 724,2 1.077,50 April 987,3 888,6 1.086,00 Mei 1.028,00 1.246,10 2.259,30 Juni 1.496,40 412,9 2.351,20 Juli 1.280,10 1.911,00 2.872,80 Agustus 1.750,70 1.611,00 2.901,90 September 1.930,10 1.406,80 2.811,80 Oktober 1.942,50 1.601,40 2.502,70 November 2.070,70 1.606,50 2.610,20 Desember 2.563,90 2.514,10 3.155,40

Bulan

Tahun

(5)

5

3.2 Perancangan Sistem

Penerapan metode sangatlah dibutuhkan dalam memecahkan suatu permasalah yang sulit untuk ditentukan dalam proses penilain. Dalam memprediksi sebuah data tentu harus dilakukan analisis-analisis data yang akurat dalam memprediksi sebuah data.

Banyak metode yang digunakan dalam memprediksi sebuah data yang telah banyak dilakukan oleh para peneliti.

Pada penelitian dengan judul jaringan saraf tiruan untuk memprediksi produksu jumlah karet lateks dengan menggunakan metode backpropagarion.

Data – data yang digunakan dalam proses analisis Jaringan Syaraf Tiruan menggunakan metode perambatan balik (backpropagation) adalah data jumlah produksi karet lateks mulai dari bulan januari sampai dengan bulan desember.

Kemudian data tersebut dijadikan sebagai data latih, target latih dan data uji. Data jumlah produksi karet lateks akan dibagi menjadi dua, data pertama digunakan untuk melatih agar mencapai data yang konvergen. Data yang kedua digunakan sebagai data uji, yaitu data yang belum pernah pelatihan untuk

menghasilkan prediksi jumlah produksi karet lateks pada bulan/tahun yang akan datang berdasarkan tahun tanam. Setiap data pelatihan menggunakan 12 pola dan memliki 12 target data latih. Sedangkan data pengujian menggunakan 12 pola dan memiliki 12 target data uji.

Input

Layer Hidden

Layer Output Layer

Gambar 1. Gambar Arsitektur Jaringan Saraf Tiruan untuk Memprediksi Jumlah

Produksi Lateks dengan Menggunakan Metode Backpropagation

4. PEMBAHASAN DAN IMPLENTASI

4.1 Pembahasan

Dari pembahasan pada bab sebelumnya, data jumlah dilatih dengan pengaruh model algoritma jaringan saraf tiruan yang digunakan. Jumlah data input, jumlah lapisan tersebunyi dan output jumlah produksi karet lateks digunakan untuk menghasilkan iterasi tercepat dengan nilai-nilai lapisan tersembunyi yang berubah-ubah.

Hasil pelatihan dilakukan melalui dua tahap, yaitu pelatihan terhadap data yang dilatih dan pengujian data yang baru yang belum pernah dilatih yaitu jumlah produksi karet lateks dari bulan januari sampai dengan bulan desember 2017 dan 2019. Setelah itu, jaringan akan diuji dengan data baru

2017 2018 2019

(Kg) (Kg) (Kg)

Januari 461 295,1 317,7 Februari 531,7 490,9 410,6

Maret 394 175,4 310,5

April 253 180,2 210,6 Mei 289,1 241,2 309,3 Juni 489 2.988,80 201,3 Juli 327,2 497,2 322,8 Agustus 405,3 519,8 395,6 September 467,8 570,9 441,7 Oktober 428,7 449,1 416,6 November 402,9 580,3 449,3 Desember 572 782,8 584,9

Bulan

Tahun

X1

X2

Z1

Z5 Z2

Y1

1

Bias

Bias Z3

Z4 X3

X4

X5

X6

X7

X8

X9

X10

X11

X12

(6)

6 yaitu jumlah produksi karet lateks tahun

2018 dan 2019. Hal tersebut berfungsi untuk menguji seberapa besar jaringan saraf tiruan mengenali data yang baru.

4.2 Implementasi

Tahap-tahap yang akan dijelaskan mengenai hasil uji coba program jaringan saraf tiruan menggunakan matlab untuk mengetahui prediksi jumlah produksi karet lateks. Pengujian dilakukan untuk mengetahui sejauh mana kinerja sistem untuk mengolah data sehingga mampu menghasilkan informasi yang diinginkan.

Data-data yang akan dilatih terdiri dari data latih dan data target latih yaitu data tahun 2017 dan 2019. Data ini akan dilatih dengan menggunakan jaringan saraf tiruan untuk memprediksi jumlah produksi karet lateks. Fungsi aktivasi yang digunakan dalam sistem ini yaitu fungsi aktivasi logsig atau fungsi aktivasi sigmoid binner. Lakukan pelatihan sampai hasilnya konvergen atau hasil target error tercapai sesuai yang diinputkan.

Setelah data yang dilatih sudah konvergen, inputkan data uji kemudian proses pengujian. Setelah dilakukan pengujian maka hasil prediksi dapat diketahui. Adapaun implementasi program untuk memprediksi jumlah produksi karet lateks yaitu sebagiai berikut.

4.2.1 Prediksi Jumlah produksi Lateks Tahun Tanam 1988 Untuk mendapatkan hasil yang konvergen maka perlu dilakukan pelatihan data sampai mendapatkan hasil yang konvergen dengan menginputkan data latih, target latih, maksimum epoch, target error dan leraning rate kemudian proses lakukan pelatihan. Adapun hasil pelatihan yang dilakukan untuk mendapatkan hasil yang konvergen yaitu seperti pada dibawah ini.

Untuk melakukan proses prediksi jumlah produksi karet lateks maka dilakukan dengan cara input data latih, target latih dan data uji, kemudian pilih fungsi aktifasi, setelah itu inputkan masksimum epoch, target error dan learning rate kemudian klik tombol proses pelatihan. Adapaun prosesnya yaitu seperti pada gambar dibawah ini.

Gambar 2. Proses Pelatatihan Prediksi Tahun Tanam 1988

Data yang dilatih adalah jumlah produksi lateks produksi lateks tahun tanam 1988 dengan inputan maksimum epoch 10000, target error 0.5 dan learning rate 0.1, setelah semua data inputan terisi maka setelah diklik button proses pelatihan maka akan muncul Neural Network Training (nntraintool) seperti pada gambar dibawah ini.

Gambar 3.Neural Network Training

Gambar di atas menunjukan bahwa proses pelatihan berhenti pada epoch ke 595 iterasi dengan waktu pembelajaran 00.02 detik. Kemudian

(7)

7 data diuji untuk mendapatkan hasil

prediksi jumlah produksi lateks.

Setelah itu inputkan data uji kemudian uji data sampai proses berhasil seperti pada gambar dibawah ini.

Gambar 4. Proses Pengujian Tahun Tanam 1988

Untuk melihat hasil prediksi yang telah dilakukan proses pelatihan dan pengujian, dapat mengklik button hasil prediksi maka akan tampil tampilan hasil prediksi seperti pada gambar dibawah ini.

Gambar 5. Hasil Prediksi Jumlah Produksi Karet Lateks Tahun 1988

Berdasarkan analisis yang telah dilakukan di atas hasil prediksi jumlah produksi lateks tahun tanam 1988 dengan total rata-rata jumlah prediksi tahun 2020 yaitu 105243 Kg.

4.2.2 Prediksi Jumlah Produksi Lateks Tahun Tanam 1989 Untuk memprediksi jumlah produksi lateks tahun tanam 1989 dilakukan dengan cara yang sama halnya dengan memprediksi jumlah produksi lateks tahun tanam 1988. Adapun proses memprediksi jumlah produksi lateks tahun tanam 1989 yaitu sebagai berikut.

Gambar 6. Pelatatihan Prediksi Produksi Latek Tahun Tanam 1989

Data yang dilatih adalah jumlah produksi lateks tahun tanam 1989 dengan inputan maksimum epoch 10000, target error 0.5 dan learning rate 0.1, setelah semua data inputan terisi maka setelah diklik button proses pelatihan maka akan muncul Neural Network Training (nntraintool) seperti pada gambar dibawah ini.

Gambar 7. Neural Network Training

Gambar di atas menunjukan bahwa proses pelatihan berhenti pada epoch ke 2165 iterasi dengan waktu pembelajaran 00.05 detik. Kemudian data diuji untuk mendapatkan hasil prediksi jumlah produksi lateks tahun tanam 1989.

(8)

8

Gambar 8. Proses Pengujian Produksi Lateks Tahun Tanam 1989

Gambar 9. Hasil Prediksi Jumlah Produksi Lateks Tahun Tanam 1989

4.2.3 Prediksi Jumlah Produksi Latek Tahun Tanam 2000 Untuk memprediksi jumlah produksi lateks tahun tanam 2000 dilakukan dengan cara yang sama halnya dengan memprediksi jumlah produksi lateks tahun tanam 1988. Adapun proses memprediksi produksi lateks tahun tanam 2000 yaitu sebagai berikut.

Gambar 10. Pelatatihan Prediksi Produksi Lateks Tahun Tanam 2000

Data yang dilatih adalah jumlah snack dengan inputan maksimum epoch 10000, target error 0.6 dan learning rate 0.1, setelah semua data inputan terisi maka setelah diklik button proses pelatihan maka akan muncul Neural Network Training (nntraintool) seperti pada gambar dibawah ini.

Gambar di atas menunjukan bahwa proses pelatihan berhenti pada epoch ke 1207 iterasi dengan waktu pembelajaran 00.03 detik. Kemudian data diuji untuk mendapatkan hasil prediksi jumlah snack.

Gambar IV. 1 Proses Pengujian Produksi Lateks Tahun Tanam 2000

(9)

9

Gambar IV. 2 Hasil Prediksi Jumlah Produksi Lateks Tahun Tanam 2000

4.2.4 Prediksi Jumlah Produksi Latek Tahun Tanam 2004 Untuk memprediksi jumlah snack dilakukan dengan cara yang sama halnya dengan memprediksi jumlah produksi lateks tahun tanam 1988.

Adapun proses memprediksi jumlah produksi lateks tahun tanam 2004 yaitu sebagai berikut.

Gambar IV. 3 Pelatatihan Prediksi Produksi Lateks Tahun Tanam 2004

Data yang dilatih adalah jumlah produksi lateks tahun tanam 2004 dengan inputan maksimum epoch 10000, target error 0.5 dan learning rate 0.1, setelah semua data inputan terisi maka setelah diklik button proses pelatihan maka akan muncul Neural Network Training (nntraintool) seperti pada gambar dibawah ini.

Gambar di atas menunjukan bahwa proses pelatihan berhenti pada epoch ke 491 iterasi dengan waktu pembelajaran 00.01 detik. Kemudian data diuji untuk mendapatkan hasil prediksi jumlah produksi lateks tahun tanam 2004.

Gambar 13. Proses Pengujian Produksi Lateks Tahun Tanam 2004

(10)

10

Gambar 14. Hasil Prediksi Jumlah Produksi Latek Tahun Tanam 2004

5. KESIMPULAN DAN SARAN 5.1 Kesimpulan

Dari hasil penelitian yang dilakukan pada Dinas Pendapatan Daerah Kabupaten Langkat sangat menambah pengetahuan dan wawasan, dengan mengumpulkan data-data yang berkaitan dengan prediksi jumlah Pendapatan Asli Daerah (PAD) , maka dapat diambil kesimpulan sebagai berikut :

1. Penerapan jaringan saraf tiruan untuk memprediksi jumlah PAD dengan menggunakan metode Backpropagation dapat diterapkan dalam memprediksi jumlah PAD.

2. Dengan input data latih dan target latih, jaringan syaraf tiruan untuk memprediksi jumlah Kabupaten Langkat menggunakan metode

backpropagation dapat

memprediksi jumlah PAD Kabupaten Langkat.

3. Sistem jaringan saraf tiruan dapat mengenali data-data latih dan data target dengan iterasi 488 target error 0.5 dan leraning rate 0.1 sehingga menghasilkan prediksi jumlah PAD pada tahun 2020 yaitu sebesar Rp.

140.948.000.000.

5.2 Saran

Berdasarkan kesimpulan di atas maka dapat dikemukakan beberapa saran

yang diharapkan dapat menjadi masukan bagi kemajuan sistem yang akan datang pada Dinas Pendapatan Kabupaten Langkat. Beberpa saran dari penulis yaitu sebagai berikut.

1. Perlu dilakukan penelitian dengan menggunakan metode selain sistem jaringan saraf tiruan, misalnya algoritma genetic ataupun metode lainnya dengan algoritma yang berbeda tentunya dan kemudian dapat dibandingkan agar memperoleh hasil prediksi yang dapat dikembangkan dengan hasil yang lebih baik.

2. Penelitian lebih lanjut diharapkan mampu mengaplikasikan dengan metode yang berbeda dan dapat menghasilkan sistem prediksi yang lebih baik sebagai bahan perbandingan hasil yang tepat dan menggunakan aplikasi yang berbeda selain menggunakan pemograman matlab.

DAFTAR PUSTAKA

Drs. Jong Jek Siang. (2009). Jaringan

Syaraf Tiruan dan

Pemogramannya

Menggunakan Matlab. CV.

Andi Offset. Yogyakarta.

Prasetyo, E. (2012). Data Mining:

Konsep dan Aplikasi menggunakan MATLAB. CV.

Andi Offset. Yogyakarta.

Sutojo, Edy mulyanto, V. suhartono.

(2011). Kecerdasan Buatan.

CV. Andi Offset. Yogyakarta.