Implementasi Jaringan Syaraf Tiruan Memprediksi Hasil Panen Padi Pada Desa Pagar Jati Dengan Metode Backpropagation

(1)

Vol.3 No.3, September-Maret 2021, pp 167-175

Willy R.A Situmorang1_{, Miftahul Jannah}2_{[Implementasi Jaringan Syaraf Tiruan Memprediksi} Hasil Panen Padi Pada Desa Pagar Jati Dengan Metode Backpropagation]

167

Implementasi Jaringan Syaraf Tiruan Memprediksi Hasil

Panen Padi Pada Desa Pagar Jati Dengan Metode

Backpropagation

Willy R.A Situmorang

1

_{, Miftahul Jannah}

2

1,2_{STMIK Pelita Nusantara, Jl. Iskandar Muda No.1, Medan 20154, Indonesia} 1_{[email protected];}2_{[email protected]}

I. Pendahuluan

Di desa Pagar Jati 80 % masyarakatnya memiliki lahan kosong yang tidak dikelola dengan baik, dimana lahan tersebut adalah lahan persawahan yang di biarkan begitu saja. Masyarakatnya di desa Pagar Jati pada tahun 2012 mayoritas bekerja sebagai petani padi mereka dapat memanen padi 2 kali dalam setahun.Pemanenan padi pada desa Pagar Jati pada tahun 2012 cukup rendah mengakibatkan kerugian besar. Hal ini disebabkan oleh naiknya biaya bahan baku maupun biaya tenaga kerja yang menyebabkan banyak petani padi berhenti sebagai bertani. Pada tahun 2020 ini masyarakat desa Pagar Jati 30% bekerja sebagai petani padi dan 60 % berkeja sebagai buruh pabrik yang membuat mereka harus membeli beras dengan kualitas rendah karena sangatlah sulit dalam mendapatkan beras dengan kualitas baik, maka dalam hal ini yang mereka lahan ingin mengelolah lahan kosong mereka akan tetapi mereka takut akan terjadi lagi kegagalan seperti tahun 2012 [1][2].

Estemasi jumlah hasil panen sangatlah membantu untuk memperkirakan tingkat keuntungan pada masyarakat yang ingin memulai bertani padi sehingga mencegah kerugian maupun memanfaatkan peluang yang dapat terjadi [3]. Oleh karena itu, di butuhkan sebuah alat bantu yang dapat memprediksi jumlah hasil panen padi. sebuah alat bantu yang dapat memprediksi jumlah hasil panen padi berupa sistem yang dibangun menggunakan pendekatan Jaringan Saraf Tiruan dengan algoritma backpropagation[4]. Jaringan Saraf Tiuruan (JST) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia [5].

Algoritma backpropagation merupakan algoritma untuk melakukan proses terarah (supervised learning) pada JST untuk mencari beban (weight) pada setiap neuron yang menghasilkan nilai keasalahan seminimal mungkin melalui data pembelajaran (traning data) yang di berikan. Algoritma backpropagation memiliki kelebihan memformulasikan pengalaman dan pengetahuan peramalan yang dapat membantu memprediksi jumlah hasil panen padi pada Desa Pagar Jati [6]][7][8][10].

.

INFORMASI ARTIKEL A B S T R A K KataKunci:

Jaringan Saraf Tiruan, Backpropagation, Pemrograman Dekstop

Prediksi hasil panen padi sangatlah di perlukan untuk target produktivitas padi. Teknologi jaringan saraf tiruan dapat mengidentifikasi dengan baik pola pada data dari sistem yang dinamis. Penelitian ini dilakukan untuk memprediksi jumlah hasil panen padi pada desa Pagar Jati. Penelitian ini menggunakan metode backpropagation untuk mengetahui hasil panen padi untuk panen yang akan datang. Sistem ini berbasis desktop dengan Bahasa pemograman visual studio 2010.

Keywords:

Artificial Newral Network,

Backpropagation, Dekstop Programming

ABSTRACT

Rice yield prediction is needed for rice productivity targets. Neural network technology can well identify patterns in data from dynamic systems. This research was conducted to predict the amount of rice yields in Pagar Jati village. This study uses the backpropagation method to determine the yield of rice for future harvests. This system is desktop-based with Visual Studio 2010 programming language.

(2)

168

II. Landasan Teori

A. Jaringan Saraf Tiruan

Jaringan Saraf Tiruan merupakan bagian dari kecerdasan buatan untuk membantu beberapa pekerjaan manusia yang dibuat dengan bahasa mesin komputer. Jaringan saraf Tiruan salah satu repsentasi buatan buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia Komponen jaringan saraf tiruan adalah (a) Neuron, sel saraf yang akan mentransformasikan informasi yangditerima mealui sambungan keluarnya menuju neuron-neuron lain.(b) Bobot, pada Jaringan Saraf Tiruan, hubungan antar neuron-neuron dikenal dengan nama bobot menggantikan fungsi sinapsis. [1] [2][3].

B. Backpropogation

Salah satu Algoritma dari jaringan saraf tiruan adalah Backpropogation, metode ini dipakai untuk menyelesaikan masalah yang rumit dan kompleks, karena Algoritma ini menggunakan pelatihan pada metode pembelajarannya. Backpropagation memiliki proses pembelajaran maju dan perbaikan kesalah secara mundur. [4][5].

Tahap pelatihan dengan menggunakan metode backpropagation terdiri dari tiga fase, yaitu fase propagasi maju, fase propagasi mundur, dan fase perubahan bobot. Ketiga fase terus diulangi hingga kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan atau target error [6][10[11].

Adapun Langkah-Langkah dalam Algoritma Backpropogation adalah : Langkah 1: Definisikan pola masukan dan targetnya,

Langkah 2: Inisialisasi bobot awal

Langkah 3: Tentukan maksimum interasi, target error, dan learning rate yang diinginkan,

Langkah 4: Kerjakan langkah-langkah berikut selama (Epoch < Maksimum Epoch) dan (error target error). Tahap 1 : Fase Propogasi Maju

Langkah 5: Jumlahkan semua sinyal yang masuk ke lapisan unit ( xi , i =1,2,3....n; xj, j = 1,2,3....m)[7]

Hitung keluaran semua lapisan unit j pada lapisan tersembunyi berdasarkan fungsi aktivasi

Langkah 6: Jumlahkan semua sinyal yang masuk ke keluaran unit, k (yk, k =1,2,3...i)

Tahap 2 : Fase Propogasi Mundur

Langkah 7: Hitung faktor kesalahan pada keluaran layer (lapisan)(yk, k =1,2,3....i)

Hitung koreksi bobot dan bias

Langkah 8: Hitung penjumlahan kesalahannya ( zj, j=1,2,3....m)

Tahap 3 : Fase perubahan Bobot

Langkah 9: Tiap-tiap unit output memperbaiki bias dan bobotnya

Tiap-tiap unit pada suatu lapisan tersembunyi memperbaiki bias dan bobotnya

(3)

169

C. Peramalan

Peramalan adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model sistematis. Terdapat dua model peramalan yaitu:

1. Kualitatif, Peramalan kualitatif menggunakan pertimbangan pendapat- pendapat para pakar yang ahli atau expert di bidangnya.Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh.Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah.

2. Kuantitatif, Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kualitiatif, yaitu

a. Model-model Regresi b . Model Ekonometrik

c. Model Time Series Analysis (Deret Waktu) III. Metode

A. Kerangka Kerja Penelitian

Dalam melaksnakan penelitian, penulis membutuhkan kerangka kerja penelitan yang dapat membantu penulis untuk mendapatkan hasil akhir yang sesuai dan akurat. kerangka kerja penelitan mengambarkan hubungan antara visualisi satu variabel dengan variabel lainnya, berikut kerangka penelitian:

Gambar 1.Kerangka Kerja Penelitian

B. Perancangan Sistem

(4)

170

Adapun Use case diagram merupakan diagram yang menggambarkan hubunganantara aktor dengan sistem dimana aktor merupakan admin sistem yang melakukan aktivitas Login, input data dan menenntukan prediksi panen padi

Tabel 1. Penjelasan Use Case Diagram

Usecase Name Description

Login Melakukan aktivitas verifikasi username dan password

Input Data Memverifikasi inputan data yang dimasukkan oleh adminpada sistem database

Proses Prediksi Memverifikais dan Menghitung dari metode Backpropagation dan akan meluarkan

hasil dari prediksi

Hasil Prediksi Menampilkan hasil prediksi yang sudah di proses dari data set

Log out Meutup semua aplikasi prediksi

IV. Hasil dan Pembahasan

Dibawah ini adalah data jumlah hasil panen padi pada tahun 2017, 2018, 2019. Tabel 2. Data hasil panen padi

No Nama Luas

Lahan

Hasil (Ton)

2017 2018 2019

Panen 1 Panen 2 Panen 1 Panen 2 Panen 1 Panen 2

1 Maridin Gultom 50 14 13,2 14 14,2 14,2 13,7

2 Uti Manurung 22 6 5,5 6,1 6,5 6 6

3 Oldes Simatupang 15 4,2 4 4 4,2 4,1 4

4 Bangun Manullang 20 6 5,8 6 6 6 5,9

5 Tungsi Siagian 25 7 6,9 7,2 7 7 6,9

Analisis yang dirancang adalah memprediksi jumlah hasil panen padi pada Desa Pagar Jati menggunakan metode Backpropagation. Sistem akan menerima input ( data masukan) dan data uji dari data jumlah hasil panen padi, kemudian akan diproses dengan menerapkan Backpropagation dan menghasilkan output (keluaran).

Gambar 3.Proses Analisa Metode BackPropogation

Pada penelitian ini, dibuat sistem pengenalan pola dan prediksi indeks hasil jumlah panen. Proses ini memiliki 2 tahapan dimana tahapan pertama adalah melakukan pengenalan pola dengan cara menemukan arsitektur terbaik dari model Jaringan Saraf Tiruan yang dibuat. Proses pelatihan dan pengujian data untuk mendapatkan model terbaik didapat dari data Indeks jumlah hasil panen. Data yang digunakan dalam penelitian ini adalah data indeks jumlah hasil panen dari bulan Januari hingga bulan juni dan bulan juli hingga bulan Desembertahun 2017 sampai dengan bulan Januari sampai dengan bulan Desember tahun 2019. Yang

(5)

171

artinya data yang digunakan adalah data semester 1 dan semester 2 pada tahuan 2017 hingga tahun 2019. Perhitungan data indeks berdasarkan jumlah hasil panen diperoleh dari rata-rata sub hasil panen.

Tabel 3. Data hasil panen padi Pertahun

Keterangan:

1. Indeks jumlah hasil panen 1 pada setiap tahun di dapat dari pembagian total seluruh jumlah panen pada tahun tersebut dan di bagi dengan total jumlah hasil panen 1

2. Indeks jumlah hasil panen 1 pada Setiap tahun di dapat dari pembagian total seluruh jumlah panen pada tahun Tersebut di bagi dengan total jumlah hasil panen 1.

3. Bahwa data Indeks jumlah hasil panen di atas berdasarkan luas lahan tahun 2017- 2018 digunakan sebagai data pelatihan (training), sedangkan jumlah hasil panen diatas berdasarkan luas lahan tahun 2018-2019 digunakan sebagai data pengujian (testing).

Selanjutnya memasuki tahapan normalisasi

Tabel 4. Data Awal Pelatihan Tahun 2017-2018

Keterangan :

1. Data Pelatihan Tahun 2017-2018 dilakukan dengan menggunakan rotasi putar, setiap data memiliki hak yang sama untuk mencapai target.

2. Nilai data pada pola 1 diambil dari indeks panen 1 tahun 2017. Sedangkan nilai target diambil dari indeks panen 1 tahun 2018.

3. Nilai data pada pola 1 diambil dari indeks panen 2 tahun 2017. Sedangkan nilai target diambil dari indeks panen 2 tahun 2018. Begitu seterusnya untuk pola 2 dengan menggunakan fungsi yang sama.

4. Nilai maksimum atau nilai tertinggi (b) dari data adalah 2,05. Sedangkan nilai minimum atau nilai terendah (a) adalah 1,96.

Tabel 5. Hasil Normalisasi Data Pelatihan Tahun 2017-2018

Tabel 6. Data Awal Pelatihan Tahun 2018-2019 Nama

Kelompok

2017 2018 2019

Panen 1 Panen 2 Panen 1 Panen 2 Panen 1 Panen 2 Lahan 1,951613 2,050847 1,991552 1,960023 1,991552 3,270818

(6)

172

Tabel 7. Hasil Normalisasi Data Pelatihan Tahun 2017-2018

Keterangan :

1. Data Pelatihan Tahun 2018-2019 dilakukan dengan menggunakan rotasi putar,setiap data memiliki hak yang sama untuk mencapai target.

2. Nilai data pada pola 1 diambil dari indeks panen 1 tahun 2018. Sedangkan nilai target diambil dari indeks panen 1 tahun 2019.

3. Nilai data pada pola 1 diambil dari indeks panen 2 tahun 2018. Sedangkan nilaitarget diambil dari indeks panen 2 tahun 2019. Begitu seterusnya untuk pola 2 dengan menggunakan fungsi yang sama.

4. Nilai maksimum atau nilai tertinggi (b) dari data adalah 3,27 . Sedangkan nilaiminimum atau nilai terendah (a) adalah 1,96.

C. Implementasi Sistem

Berikut adalah desain dan tampilan dari sistem prediksi panen padi yang telah dibangun, 1. From Utama

Gambar 4.Halaman Utama

Setelah muncul halaman utama maka user dapat memilih menu input dimana dalam menu input ini terdapat sub menu from user untuk menginput data username dan password, sub menu from kelompok untuk menginput nama kelompok, dan submenu from data training dimana user dapat menginput data training untuk sistem.Di dalam from input data training terdapat 4 tombol button, dimana button buat file data training baru untuk membuat data file baru untuk di jadikan data pelatihan, button simpan perubahan data

(7)

173

untuk mengedit data pelatihan, button batal untuk membatalkan data pelatihan yang akan mau di input, button keluar untuk keluardari from input data training seperti gambar berikut :

Gambar 5. Sub Menu Data Training 2. Form Menu Proses

Gambar 6. Menu Proses

Dalam halaman menu proses ini akan menampilkan prosescbackpropagation dan proses memprediksi, dimana halaman proses ini terdapat datacpembelajaran neuron, uji hasil panen yang dapat di input sesuai data penelitian dan hasil data neuron, hasil uji perdiksi, data hasil prediksi tanaman padi dan terdapat button untuk menginput data training, button lakukan training untuk melekukan proses training, button reset untuk mengembalikan proses training kesemula, button keluar untuk keluar dari from proses ke halaman utama, button prediksi hasil panen padi untuk memproses hasil prediksi, button batal untuk membatalkan proses prediksi.

(8)

174

Gambar 7. Menu Proses V. Kesimpulan

Adapun Kesimpulan dari penelitian ini adalah

1. Bahwa penelitian implementas jaringan saraf tiruan memprediksi jumlah hasil panen padi pada desa Pagar Jati dengan metode backpropagation berhasil menjawab tujuan penelitian.

2. Jaringan saraf tiruan dengan menggunakan metode backpropagation cukup baik dalam memprediksi jumlah hasil panen padi pada desa Pagar Jati.

3. Hasil pengujian dari memperdiksi hasil panen padi di dapatlah bahwa perdiksi hasil panen padi per rante 0,17 ton.

4. Hasil prediksi yang diberikan oleh sistem berupa laporan yang dapat di cetak atau print sebagai backup. 5. Akurasi dan ketepatan dalam Jaringan Syaraf Tiruan tergantung pada data yang akan diuji dan pola arsitektur yang dipakai dalam pengujian. Semakin banyak data dan pola yang digunakan maka tingkat akurasi dan ketepatan prediksinya akan semakin baik.

Daftar Pustaka

[1] Tri, F.A, Intan Y.P. “Jaringan Saraf Tiruan Dan Modifikasinya Menggunakan Supervised Learning”. Indomedia Pustaka, 2019.

[2] Andrijasa, M. F., Mistianingsih. (2010).“Penerapan Jaringan Syaraf TiruanUntuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation”.Jurnal Informatika Mulawarman. Vol. 5. No. 1.

[3] Pandu, E, C, Edi, I. "Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau, RABIT, Vol 2 No 2, 2017

[4] Matondang, Zekson, A, . 2013. "Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Jurnal Pelita Informatika Budi Darma. STIMIK Budi Darma. Volume IV. Nomor 1. 2013.

[5] Septian, R.S, Candra D, Lailil M." Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak" Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol 1 No 7. 2017

[6] Trimulya, A, Syaifurrahman, Fatma A S, " Implementasi Jaringan Syaraf Tiruan Metode Backpropagation Untuk Memprediksi Harga Saham., Jurnal Coding, Sistem Komputer Untan, Vol 3 No 2. 2015.

[7] Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Yogyakarta: Graha Ilmu

[8] Nita, M.D.S, Wayan, S, Ni Ketut. T, " Peramalan Menggunakan Metode Backpropagation Neural Network, E-Jurnal Matematika Vol. 7(3), 2018

(9)

175

[9] Adi, K.N, Albertus, J.S, Thomas, S. "Algoritma Backpropagation Pada Jaringan Saraf Tiruan Untuk

Pengenalan Pola Wayang Kulit, SemnasIF, 2013

[10] Fetty, T.A, Intan, Y P.“Jaringan Saraf Tiruan Dan Modifikasinya Menggunakan Supervised Learning”. Indomedia Pustaka, 2019.

[11] Andrian, Y, Erlinda. “Prediksi Curah Hujan Di Kota Medan Menggunakan Metode Backpropagation”. Indomedia Pustaka Seminar Nasional, 2014.