LAMPIRAN I
Data yang didapat dari kantor Badan Pusat Statistika (BPS) Kota Medan dan dari
website resmi BPS yaitu
www.sumut.bps.go.id. Datanya meliputi data jumlah sampahmasyarakat Kota Medan dari tahun 1992 sampai dengan tahun 2015 dan data jumlah
penduduk Kota Medan serta data pengeluaran masyarakat terhadap makan dan non makan
(tingkat konsumsi masyarakat) dari tahun 2005 sampai tahun 2015.
1)
Data Jumlah Sampah Masyarakat
Data jumlah sampah masyarakat berasal dari data rata-rata produksi sampah
masyarakat per hari Kota Medan setiap tahunnya dikalikan 365, yang diasumsikan
sebagai jumlah sampah masyarakat per tahun dari tahun 1992 sampai tahun 2015
LAMPIRAN II
Data yang akan digunakan sebagai input untuk proses peramalan menggunakan
Jaringa Syaraf Tiruan model Backpropagation. Dengan sebagai koefisen input yang didapat
berdasarkan plot PACF dengan 1 lag yang signifikan. Dengan inputnya
dan Target
sebagai berikut:
�
Target
405073,4 414088,9
414088,9 421513,0
421513,0 428517,3
428517,3 435437,7
435437,7 435574,6
435574,6 435711,5
435711,5 447490,0
447490,0 416830,0
416830,0 432890,0
432890,0 438000,0
438000,0 401500,0
401500,0 406245,0
406245,0 445949,7
445949,7 452304,4
452304,4 400496,3
400496,3 406774,3
406774,3 482727,1
482727,1 478266,8
478266,8 573300,0
573300,0 616824,5
616824,5 629625,0
LAMPIRAN III
Proses evaluasi data, dimana data akan dibagi 2 menjadi 75% data untuk proses training
dan 25% data untuk proses testing. Karena data yang digunakan sebagai input adalah 22 data
maka data untuk proses training sebanyak 17 dan data dan untuk proses testing sebanyak 5
data.
1)
Data untuk proses training
No
2)
Data untuk proses testing
LAMPIRAN IV
Data input dan target pada proses
training akan dinormalisasi menggunakan perintah prestd pada MATLAB, hasil normalisasinya adalah sebagai berikut:No
�
��
�1 -1,1604 -0,7236
2 -0,6345 -0,3758
3 -0,2014 -0,0476
4 0,2073 0,2767
5 0,6110 0,2831
6 0,6190 0,2895
7 0,6270 0,8415
8 1,31410 -0,5952
9 -0,4746 0,1573
10 0,4624 0,3968
11 0,7605 -1,3135
12 -1,3689 -1,0912
13 -1,0921 0,7693
14 1,2243 1,0670
15 1,5950 -1,3606
16 -1,4275 -1,0664
LAMPIRAN V
Program dengan algoritma Backpropagation menggunakan MATLAB (dengan fungsi
aktivasi bipolar pada hidden layer, fungsi linier padalapisan output dan menggunakan proses
pembeljaran traingdx
P=[405073.4 414088.9 421513.0 428517.3 435437.7 435574.6
435711.5 447490.0 416830.0 432890.0 438000.0 401500.0 406245.0
445949.7 452304.4 400496.3 406774.3 ];
T=[414088.9 421513.0 428517.3 435437.7 435574.6 435711.5
447490.0 416830.0 432890.0 438000.0 401500.0 406245.0 445949.7
452304.4 400496.3 406774.3 482727.1];
[m, n]=size(P);
[Pn,meanp,stdp]=prestd(P);
[Tn,meant,stdt]=prestd(T);
net=newff(minmax(Pn),[9 1],{
'tansig'
,
'purelin'
},
'traingdx'
);
BobotAwal_Input=net.IW{1,1}
BobotAwal_Bias_Input=net.b{1,1}
BobotAwal_Lapisan=net.LW{2,1}
BobotAwal_Bias_Lapisan=net.b{2,1}
net.trainParam.epochs=100000;
net.trainParam.goal=0.05;
net.trainParam.max_fail=6;
net.trainParam.max_perf_inc=1.04;
net.trainParam.lr=0.01;
net.trainParam.lr_dec=0.7;
net.trainParam.mc=0.9;
net.trainParam.min_grad=1e-5;
net.trainParam.show=25;
net=train(net,Pn,Tn);
BobotAkhir_Input=net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1,1}
BobotAkhir_Lapisan=net.LW{2,1}
BobotAkhir_Bias_Lapisan=net.b{2,1}
ab=sim(net,Pn);
a=poststd(ab,meant,stdt);
[ml,al,rl]=postreg(a,T)
E=T-a;
MSE=mse(E)
mape=[abs(((T-a)./T).*100)];
MAPE=sum(mape)/17
Q=[482727.1 478266.8 573300.0 616824.5 629625.0];
TQ=[478266.8 573300.0 616824.5 629625.0 634965.0];
Qn=trastd(Q,meanp,stdp);
bn=sim(net,Qn);
b=poststd(bn,meant,stdt);
E1=TQ-b
MSE1=mse(E1)
mape1=[abs(((TQ-b)./TQ).*100)];
LAMPIRAN VI
Program dengan algoritma
Backpropagation untuk peramalan jumlah sampahmasyarakat menggunakan MATLAB (dengan fungsi aktivasi bipolar pada hidden layer,
fungsi linier padalapisan output dan menggunakan proses pembeljaran
traingdx dengan 10 node tersembunyi dan sebagai inputP=[405073.4 414088.9 421513.0 428517.3 435437.7];
T=[414088.9 421513.0 428517.3 435437.7 435574.6];
[m, n]=size(P);
[Pn,meanp,stdp]=prestd(P);
[Tn,meant,stdt]=prestd(T);
net=newff(minmax(Pn),[9 1],{
'tansig'
,
'purelin'
},
'traingdx'
);
BobotAwal_Input=net.IW{1,1}
BobotAwal_Bias_Input=net.b{1,1}
BobotAwal_Lapisan=net.LW{2,1}
BobotAwal_Bias_Lapisan=net.b{2,1}
net.trainParam.epochs=100000;
net.trainParam.goal=0.05;
net.trainParam.max_fail=6;
net.trainParam.max_perf_inc=1.04;
net.trainParam.lr=0.01;
net.trainParam.lr_inc=1.05;
net.trainParam.lr_dec=0.7;
net.trainParam.mc=0.9;
net.trainParam.min_grad=1e-5;
net=train(net,Pn,Tn);
BobotAkhir_Input=net.IW{1,1}
BobotAkhir_Bias_Input=net.b{1,1}
BobotAkhir_Lapisan=net.LW{2,1}
BobotAkhir_Bias_Lapisan=net.b{2,1}
vji=BobotAkhir_Input
vj0=BobotAkhir_Bias_Input
wkj=BobotAkhir_Lapisan
wk0=BobotAkhir_Bias_Lapisan
xi=4.2375
znet=(vj0)+(xi.*vji)
zj=(1-exp(-znet))./(1+exp(-znet))
ynet=wk0+(wkj*zj)
yk=ynet
LAMPIRAN VII
-6.6666 9.8257 12.8108
wkj =
0.4252 -0.3163 0.3534 1.2968 0.1591 0.4129 -0.9039 -0.0143 -1.0718
wk0 = 0.8014
xi = 4.2375
znet =
36.8105 41.2579 -44.9806 47.7311 51.2796 -54.4296 -57.5800 60.7006 64.4307
zj =
1.0000 1.0000 -1.0000
1.0000 1.0000 -1.0000 -1.0000 1.0000 1.0000
ynet = 1.4176
yk = 1.4176 y =
LAMPIRAN VIII
Tabel penolong ini merupakan hasil pengolahan dari data yang akan digunakan untuk mencari persamaan regres
berganda. Dengan jumlah sampah masyarakat Kota Medan (Y), tingkat konsumsi masyarakat (X
1) dan jumlah
penduduk Kota Medan (X
2).
Tabel Penolong
No
1 406245 5717652 2036185 2,32277E+12 8,2719E+11 1,92137E+24 3,26915E+13 4,14605E+12
2 445949,7 7087740 2067288 3,16078E+12 9,21906E+11 2,91394E+24 5,02361E+13 4,27368E+12
3 452304,4 5857416 2083156 2,64934E+12 9,42221E+11 2,49626E+24 3,43093E+13 4,33954E+12
4 400496,3 8457828 2102105 3,38733E+12 8,41885E+11 2,85174E+24 7,15349E+13 4,41885E+12
5 406774,3 9030144 2121053 3,67323E+12 8,6279E+11 3,16923E+24 8,15435E+13 4,49887E+12
6 482727,1 11058240 2097610 5,33811E+12 1,01257E+12 5,40523E+24 1,22285E+14 4,39997E+12
7 478266,8 9480012 2117224 4,53398E+12 1,0126E+12 4,59109E+24 8,98706E+13 4,48264E+12
8 573300 10332228 2122804 5,92347E+12 1,217E+12 7,20888E+24 1,06755E+14 4,5063E+12
9 616824,5 12112164 2135516 7,47108E+12 1,31724E+12 9,84119E+24 1,46705E+14 4,56043E+12