Peramalan Jumlah Sampah Masyarakat Kota Medan Pada Tahun 2016 Menggunakan Jaringan Syaraf Tiruan

(1)

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 sampah

masyarakat 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

(2)

(3)

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

(4)

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

(5)

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

(6)

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;

(7)

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)];

(8)

LAMPIRAN VI

Program dengan algoritma

Backpropagation untuk peramalan jumlah sampah

masyarakat menggunakan MATLAB (dengan fungsi aktivasi bipolar pada hidden layer,

fungsi linier padalapisan output dan menggunakan proses pembeljaran

traingdx dengan 10 node tersembunyi dan sebagai input

P=[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;

(9)

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

(10)

LAMPIRAN VII

(11)

(12)

-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 =

(13)

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

(14)