IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PREDIKSI PENYEDIAAN ENERGI LISTRIK (STUDI KASUS PLN RAYON RUMBAI) REPOSITORY OLEH

IMPLEMENTASI JARINGAN SYARAF TIRUAN

BACKPROPAGATION UNTUK PREDIKSI PENYEDIAAN

ENERGI LISTRIK (STUDI KASUS PLN RAYON RUMBAI)

REPOSITORY

OLEH

AMELIA WAHYU RAHMAWATI

NIM. 1603122267

PROGRAM STUDI SISTEM INFORMASI

JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS RIAU

PEKANBARU

2020

IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK PREDIKSI PENYEDIAAN ENERGI LISTRIK

(STUDI KASUS PLN RAYON RUMBAI) Amelia Wahyu Rahmawati, Elfizar Mahasiswa Program Studi S1 Sistem Informasi

Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia

amelia.wahyu2267@student.unri.ac.id

ABSTRACT

This study applies the backpropagation algorithm to determine the supply of electrical energy with six variables, namely the amount of electricity for social users, the amount of electricity for household users, the amount of electricity for business users, the amount of electricity for industrial users, the amount of electricity for government users and the amount of electricity for special services. This study uses 12 data with the division of training data and test data that is 90%: 10%, 80%: 20% and 70%: 30% of 12 data. This study also uses several parameters namely learning rate (α) 0.1 to 0.9, maximum epoch 50 and six hidden neurons. The results of the test show the highest average prediction accuracy of 99,90% at 90%: 10% data sharing, six hidden neurons, learning rate (α) of 0.8 and the number of epoch 65 and testing of Mean Square Error (MSE) of 0.00009.

Keywords: Backpropagation, Electrical Energy, Artificial Neural Network, Mean Square Error, Prediction.

ABSTRAK

Penelitian ini menerapkan algoritma backpropagation untuk menentukan penyediaan energi listrik dengan enam variabel yaitu jumlah listrik pengguna sosial, jumlah listrik pengguna rumah tangga, jumlah listrik pengguna bisnis, jumlah listrik pengguna industri, jumlah listrik pengguna pemerintah dan jumlah listrik layanan khusus. Penelitian ini menggunakan 67 data dengan pembagian data latih dan data uji yakni 90%:10%, 80%:20% dan 70%:30% dari 67 data. Penelitian ini juga menggunakan beberapa parameter yakni learning rate (α) 0,1 hingga 0,9, maksimum epoch 500 dan

neuron hidden 6. Hasil dari pengujian menunjukkan rata-rata akurasi prediksi tertinggi

sebesar 99,90% pada pembagian data 90%:10%, 6 neuron hidden, learning rate (α) sebesar 0,8 dan jumlah epoch 65 serta pengujian Mean Square Error (MSE) sebesar 0,00009.

Kata kunci: Backpropagation, Energi Listrik, Jaringan Syaraf Tiruan, Mean Square

PENDAHULUAN

Suatu daerah setiap bulan memungkinkan adanya pelanggan yang meminta penambahan energi listrik untuk rumahnya ataupun pemasangan energi listrik baru, maka hal itu akan membuat penyediaan pada bulan selanjutnya akan melebihi penyediaan bulan sebelumnya agar penambahan ataupun pemasangan energi listrik baru dapat dilakukan oleh tingkat distribusi. Penentuan jumlah energi listrik yang akan disediakan tingkat distribusi untuk daerahnya sampai saat ini dilakukan secara manual dengan melihat data-data penyediaan pada bulan-bulan sebelumnya.

Metode prediksi tersebut adalah metode Backpropagation yang mana merupakan sebuah Artificial Neural Network (Jaringan Syaraf Tiruan), metode ini dirasa cocok untuk memprediksi penyediaan energi listrik karena metode tersebut dapat memprediksi penyediaan energi listrik dalam periode tertentu dan metode yang dapat mengurangi tingkat kesalahan pada hasil prediksi. Untuk itu, maka penggunaan metode prediksi

Artificial Neural Network Backpropagation dirasakan cocok untuk memprediksi

penyediaan energi listrik karena menggunakan data-data history yang sudah ada. Metode prediksi tersebut menggunakan jaringan multilayer yang mana memiliki hidden

layer yang memiliki kegunaan untuk memperkecil kesalahan pada hasil prediksi.

METODE PENELITIAN a. Teknik Pengumpulan Data

Data yang digunakan untuk penelitian ini merupakan data laporan bulanan PLN Rayon Rumbai. Data tersebut berupa data energi (KwH) tiap bulannya yaitu energi pengguna sosial, pengguna rumah tangga, pengguna bisnis, pengguna industri, pengguna pemerintah dan pengguna layanan khusus dimana untuk penelitian ini menggunakan data dari Januari 2015-Juli 2020.

b. Peralatan yang Digunakan

1. Perangkat Keras (Hardware)

a. Laptop Asus dengan processor intel Core i5 64-bit b. RAM berkapasitas 2GB

c. Printer Cannon IP2770 untuk mencetak laporan 2. Perangkat Lunak (software)

a. Sistem Operasi Windows 10 Pro 64-bit b. Microsoft Office Word 2010

c. Microsoft Office Excel 2010 d. AppServ versi 8.5.0

e. Sublime Text 3

f. Google Chrome untuk browser menjalankan kode program.

c. Metode Jaringan Syaraf Tiruan Backpropagation

Propagasi balik atau Backpropagation merupakan suatu teknik pembelajaran/ pelatihan supervised learning yang paling banyak digunakan. Di dalam jaringan

propagasi balik, setiap unit yang berada di input layer terhubung dengan setiap unit yang ada di hidden layer. Setiap unit yang ada di hidden layer terhubung dengan setiap unit yang ada di output layer. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan disebarkan mundur (backfordward) pada hidden layer kemudian dari hidden layer menuju output layer.

Feedfordward

Input Layer Hidden Layer Output Layer

Jumlah Pengguna Total Energi

Sosial Jumlah Pengguna Rumah Tangga Jumlah Pengguna Bisnis Jumlah Pengguna Industri Jumlah Pengguna Pemerintah Jumlah Pengguna Layanan Khusus Bias Bias Backfordward

Gambar 1. Pola Jaringan Syaraf Tiruan

d. Backpropagation

Propagasi balik atau Backpropagation merupakan suatu 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. Di dalam jaringan propagasi balik, setiap unit yang berada di input layer terhubung dengan setiap unit yang ada di hidden layer. Setiap unit yang ada di hidden

layer terhubung dengan setiap unit yang ada di output layer. Jaringan ini terdiri dari

banyak lapisan (multilayer network). Ketika jaringan diberikan pola masukan sebagai pola pelatihan, maka pola tersebut menuju unit-unit hidden layer untuk selanjutnya diteruskan pada unit-unit di output layer. Kemudian unit output layer akan memberikan respon sebagai keluaran Jaringan Syaraf Tiruan. Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan disebarkan mundur (backforward) pada hidden

layer kemudian dari hidden layer menuju output layer. (Oktaviandy, 2017).

X1 X2 X3 X4 X5 X6 1 Z1 Z2 Z3 Z4 Z5 Z6 1 Y

e. Fungsi Aktivasi

Metode backpropagation mempunyai dua fungsi aktivasi, yaitu (Cholidhazia, 2018):

1. Fungsi sigmoid biner

Sigmoid biner yang memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai outputnya 0 atau 1. Dihitung dengan menggunakan persamaan (1).

zj 1

1 e-z netj (1) Dimana :

Zj = keluaran pada lapisan unit j

Z_netj = Total sinyal pada lintasan j

e = Nilai eksponensial (2.71828183)

Dapat dilihat pada Gambar 2 yang merupakan kurva sigmoid biner.

Gambar 2. Kurva Sigmoid biner 2. Fungsi Aktivasi Linier

Fungsi aktivasi linear sering dipakai apabila keluaran jaringan yang diinginkan berupa sembarang bilangan riil (bukan hanya pada range [0,1] atau [-1,1]. Fungsi aktivasi linear umumnya digunakan pada neuron output. Dihitung dengan menggunakan persamaan (2) berikut :

Yk = Y_netk (2)

Dimana :

Yk = Keluaran pada unit k

Y_netk = Total sinyal pada lintasan k

f. Nguyen-Widrow

Nguyen dan Widrow (1990) mengembangkan perceptron dengan memperkenalkan aturan pelatihan jaringan, yang dikenal sebagai aturan delta (atau sering disebut kuadrat rata-rata kecil). Aturan ini akan mengubah bobot perceptron apabila keluaran yang dihasilkan tidak sesuai dengan target yang di inginkan. Pengembangan yang ramai dibicarakan sejak tahun 1990an adalah aplikasi model-model jaringan syaraf tiruan untuk menyelesaikan berbagi masalah

di dunia nyata. Nguyen dan Widrow kemudian mengusulkan cara membuat inisialisasi bobot dan bias ke unit tersembunyi sehingga menghasilkan akurasi dan iterasi yang

lebih cepat. Nguyen-Widrow adalah sebuah algoritma yang digunakan untuk inisialisasi bobot pada jaringan saraf tiruan biasa digunakan bobot random. Algoritma inisialisasi

nguyen-widrow adalah sebagai berikut :

1. ß interval [-0,5:0,5] 2. ß = faktor skala = 0,7 √pn (3) Dimana : n = jumlah input p = jumlah hidden 3. Hitung ||Vj||=√ (4) Dimana :

||Vj|| = Nilai mutlak bobot awal input ke hidden

Vxj = Bobot awal input ke hidden

4. Bobot yang dipakai sebagai inisialisasi = Vij =

(5)

5. Bias yang dipakai sebagai inisialisasi V0j bilangan acak antara –β dan β

g. Algoritma Pembelajaran

Pelatihan backpropagation terdiri dari 3 fase, yaitu: 1. Fase 1 yaitu feedforward (propogasi maju)

Dalam propagasi maju, setiap sinyal masukan dipropagasi (dihitung maju) ke layar tersembunyi hingga layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan.

2. Fase 2 yaitu backforward (propagasi mundur)

Kesalahan (selisih antara keluaran jaringan dengan target yang diinginkan) yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran.

3. Fase 3 yaitu perubahan bobot.

Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Kondisi terpenuhi jika nilai keluaran kecil sama dengan nilai target error atau jika epoch kecil sama dengan yang telah ditentukan.

Algoritma pelatihan untuk jaringan dengan satu layar tersembunyi menggunakan fungsi aktivasi sigmoid biner dan fungsi aktivasi linier.

Namun Sebelum data dapat dilatih, data harus dinormalisasikan terlebih dahulu melalui persamaan normalisasi (Cholidhazia, 2018). Pada jaringan syaraf tiruan

backpropagation menggunakan aktivasi sigmoid biner dimana aktivasi ini bernilai

antara 0 s.d 1 dimana aktivasi ini tidak pernah mencapai angka 0 maupun 1. Maka data perlu dinormalisasikan ke dalam range 0,1 s.d 0,9 menggunakan persamaan (6) :

Normalisasi = x - a_{b - a} (6)

Dimana :

x = Data asli

b = Data maksimum

Setelah mendapatkan nilai output maka akan didenormalisasikan yaitu pengubahan bentuk nilai menjadi bentuk asli menggunakan persamaan (7) :

Denormalisasi = (Y) (b - a) + a (7)

Dimana :

Y = Hasil keluaran

a = Data minimum

b = Data maksimum

Berikut langkah-langkah algoritma pembelajaran untuk metode backpropagation, sebagai berikut :

A. Prosedur pelatihan

1. Inisialisasi bobot awal diberi nilai acak kecil range -0.5 dan 0.5.

2. Selama kondisi berhenti tidak terpenuhi, lakukan langkah 3 sampai langkah 10. 3. Untuk setiap pasangan vektor pelatihan, lakukan langkah 4 sampai langkah 8. Fase I. Feedforward

4. Setiap neuron pada lapisan masukan (xi, i 1,2,3,…,n) menerima sinyal xi dan

meneruskan sinyal tersebut ke semua neuron pada lapisan selanjutnya lapisan tersembunyi).

5. Untuk Tiap-tiap neuron dalam lapisan tersembunyi (Zj, j = 1,2,3,...,p) jumlahkan bobotnya dengan sinyal masukannya masing-masing dengan menggunakan persamaan (8) :

z net_j vj0 ∑ni 1xivij (8)

Dimana :

z_netj = Total sinyal masukan pada lintasan j

vj0 = Nilai bobot bias pada unit j

xi = Nilai masukan pada unit i

vij = Bobot antara unit i dan unit j

Kemudian terapkan fungsi aktivasi sigmoid biner untuk mengitung nilai sinyal outputnya dengan menggunakan persamaan (2.2).

Kemudian kirimkan sinyal tersebut ke semua neuron pada lapisan atasnya berikutnya (lapisan outputnya).

6. Untuk Tiap-tiap neuron pada lapisan output (Yk, k 1,2,3,…,k), jumlahkan

bobotnya dengan sinyal masukan masing-masing dengan meggunakan persamaan (9) :

y net_j w_k0 ∑p_{i 1}z_iw_jk (9)

Dimana :

y_ netj = Total sinyal masukan pada keluaran unit j

wk0 = Nilai bobot bias pada unit k

zi = Nilai masukan pada lapisan unit i

wjk = Bobot antara lapisan unit j dan unit k

Kemudian terapkan fungsi aktivasi linier untuk mengitung sinyal outputnya dengan menggunakan persamaan (3).

7. Setiap neuron pada lapisan output (Yk, k 1,2,3,…,m) menerima sebuah pola

target yang berhubungan dengan pola masukan pelatihan, kemudian hitung kesalahannya dengan menggunakan persamaan (10) :

(tk - y_k) (10)

Dimana :

tk = Target

= Faktor kesalahan pada unit keluaran k Yk = Keluaran pada keluaran unit k

Kemudian hitung perubahan bobotnya (digunakan nanti untuk mengubah nilai Wjk ) dengan menggunakan persamaan (11).

w_jk α . _k . z_j (11)

Dimana :

wjk = Perubahan bobot antara unit j dengan unit k

= Learning rate

k = Faktor kesalahan pada unit keluaran k

zj = Nilai masukan pada lapisan unit j

Kemudian hitung perubahan biasnya (digunakan untuk memperbaiki nilai W0k)

dengan menggunakan persamaan (12).

w0k α . k (12)

Dimana :

wjk = Perubahan bobot antara unit j dengan unit k

= Learning rate

k = Faktor kesalahan pada unit keluaran k

8. Untuk Tiap neuron pada tersembunyi (Zj, j 1,2,3,…,p) menjumlahkan nilai delta inputnya (dari neuron pada dilapisan atasnya) dengan menggunakan persamaan (13) :

net_j ∑mj 1 kwjk (13)

Dimana :

netj = Jumlah kesalahan pada unit j

k = Faktor kesalahan pada unit keluaran k

Wjk = Bobot antara unit j dengan unit k

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error dengan persamaan (14) :

j netj(zj)(znetj) (14)

Dimana :

j = Faktor kesalahan pada unit keluaran j

netj = Jumlah kesalahan pada unit j

zj = Nilai masukan pada lapisan unit j

Znetj = Total sinyal masukan pada lintasan j

Kemudian hitung koreksi bobot (digunakan untuk mengubah nilai Vij) dengan persamaan berikut dengan menggunakan persamaan (15) :

vij α . j . xi (15)

vij = Perubahan bobot antara unit i dengan unit j

α = Learning rate

j = Kesalahan pada unit j

xi = Nilai masukan pada lapisan unit i

Kemudian hitung perubahan biasnya (digunakan untuk mengubah nilai V0j) dengan

persamaan berikut dengan menggunakan persamaan (16) :

v0j α . j (16)

Dimana :

v0j = Perubahan bobot bias pada unit j

α = Learning rate

j = Kesalahan pada unit j

Fase III. Perubahan Bobot dan Bias

1. Untuk setiap neuron pada lapisan keluaran (Yk, k=1,2,..., m)ganti nilai bobot biasnya (j =0,1,2...,p) dengan menggunakan persamaan (17).

w_jk baru w_jk lama w_jk (17)

Dimana :

wjk (baru) = Nilai bobot antara unit j dengan unit k yang baru

wjk (lama) = Nilai bobot antara unit j dengan unit k yang lama

wjk = Perubahan bobot antara unit j dengan unit k

Untuk setiap neuron pada lapisan tersembunyi (Zj, j=1,2,...,p) ganti nilai bobot dan biasnya (i=0,1,2,...,n) yang menuju keluaran lapisan. Jumlahkan bobot masukan(lama) dengan jumlah koreksi bobot pada unit j dan i dengan menggunakan persamaan (18).

vij baru vij lama vij (18)

Dimana :

Vij (baru) = Nilai bobot antara unit i dan unit j yang baru

Vij (lama) = Nilai bobot antara unit i dan unit j yang lama

vij = Perubahan bobot antara unit i dengan unit j

2. Pelatihan pola ini dilakukan secara berulang-ulang dengan menggunakan data pelatihan dan parameter yang telah ditentukan. Bobot-bobot baru ini digunakan sebagai bobot awal pada proses epoch berikutnya, proses ini dilakukan sampai target error tercapai atau sampai maksimum epoch.

B. Pengujian

Setelah proses pelatihan selesai, Lakukan pengujian pada backpropagation. Hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur pengerjaannya adalah sebagai berikut:

a. Fase Feedforward

1. Untuk tiap input neuron (xi, i = 1,2,3...n) menerima input dan menyebarkan sinyal tersebut keseluruh neuron kepada lapisan atasnya (lapisan tersembunyi). 2. Untuk hidden neuron (Zk, k = 1,2,3....p) dihitung nilai input dengan menggunakan nilai bobotnya menggunakan persamaan (8) :

Kemudian hitung nilai neuron hidden dengan menggunakan fungsi aktivasi sigmoid biner menggunakan persamaan (1).

3. Untuk tiap output neuron (Yk, k = 1,2,3....m) dihitung nilai input dengan nilai bobotnya menggunakan persamaan (9) :

Kemudian hitung nilai output menggunakan fungsi aktivasi linier dengan persamaan (3).

HASIL DAN PEMBAHASAN a. Backpropagation

Parameter-parameter dalam pembentukan jaringan pembelajaran

backpropagation adalah sebagai berikut:

1. Bobot dan Bias

Pada penelitian ini pemberian nilai bobot dan bias awal menggunakan

nguyen-widrow.

2. Jumlah Neuron Hidden Layer

Arsitektur jaringan yang digunakan dalam penelitian ini adalah arsitektur jaringan dengan satu hidden layer dengan jumlah neuron bernilai 6.

3. Learning rate

Nilai yang digunakan antara 0.1 sampai 0.9 (0 < < 1). 4. Fungsi Aktivasi

Fungsi aktivasi yang digunakan yaitu fungsi aktivasi sigmoid biner dari input ke

hidden dan menggunakan fungsi aktivasi linier dari hidden ke output.

5. Maksimum Epoch

Iterasi akan dihentikan apabila epoch melebihi maksimum epoch. Nilai maksimum epoch yang digunakan adalah 500.

6. Target Error

Iterasi akan berhenti bila nilai error lebih kecil dari batas yang ditentukan. Target error pada penelitian ini sebesar 0,0001.

Tabel 3. Data Penjualan PLN Rumbai

Data Bulan Pengguna Sosial (KwH) Pengguna RT (KwH) Pengguna Bisnis (KwH) Pengguna Industri (KwH) Pengguna Pemerintah (KwH) Pengguna Layanan Khusus (KwH) Total Energi (KwH) 1 Jan 15 271.430 6.560.111 1.662.294 1.550.018 951.675 8.689 11.004.217 2 Feb 15 257.889 6.210.418 1.594.359 1.334.714 961.877 4.733 10.363.990 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 66 Jun 20 364.071 8.809.065 2.031.758 908.184 454.664 15.036 12.582.778 67 Jul 20 401.957 8.763.906 2.055.775 898.200 460.770 20.186 12.600.794 b. Pelatihan Backpropagation Epoch 1, Data 1

Pelatihan dilakukan berulang-ulang pada semua data sampai mencapai target error dan maksimum epoch. Berikut adalah bobot dan bias awal yang akan digunakan dapat dilihat pada Tabel 4 dan Tabel 5.

Tabel 4. Bobot input ke hidden Awal X1 X2 X3 X4 X5 X6 Z1 0,2668 -0.4960 0.4815 0.4048 -0.4048 0.1157 Z2 0.5371 0.2308 -0.3368 -0.5099 0.4016 -0.1171 Z3 0.2786 0.4393 -0.1316 0.4733 0.4876 0.3747 Z4 0.3180 0.4014 0.2489 0.4553 -0.3105 0.5121 Z5 -0.3991 0.4343 -0.1497 0.4178 0.4313 -0.3991 Z6 -0.1458 0.6686 -0.1497 0.4178 0.4313 -0.3991

Tabel 5. Bias input ke hidden Awal

V01 V02 V03 V04 V05 V06

-0.4718 -0.3774 0.3145 -0.2696 0.9436 -0.6290

Pelatihan berhenti pada epoch 105 dengan error 0,00009 dan menghasilkan bobot dan bias baru yang akan digunakan untuk pengujian. Berikut bobot dan bias akhir dapat dilihat pada Tabel 6 dan Tabel 7.

Tabel 6. Bobot dan bias input ke neuron hidden

Z1 Z2 Z3 Z4 Z5 Z6 X1 0.5038 0.6521 0.4056 0.1987 -0.3700 -0.2762 X2 -0.2007 0.3936 0.6859 0.2958 0.5009 0.2895 X3 0.7748 -0.1707 0.1078 0.1439 -0.0787 -0.6680 X4 0.6147 -0.4081 0.5456 0.3422 0.4398 0.1768 X5 -0.1671 0.5249 0.6178 -0.4276 0.4676 -0.4610 X6 0.0752 -0.1628 -0.0915 0.3386 -0.4758 -0.3780 1 -0.8414 -0.0994 -0.6989 -0.5577 0.4602 -0.6356

Tabel 7. Bobot dan bias neuron hidden ke output

Z1 Z2 Z3 Z4 Z5 Z6 1

Y 0.5908 0.3652 1.1932 0.0620 0.2572 -0.6376 -0.7362

c. Pengujian Backpropagation

Pada pengujian akan menguji data bulan Juli 2020 dapat dilihat data ke 67 pada Tabel 3 dengan menggunakan bobot dan bias akhir yang dihasilkan pada pelatihan dapat dilihat pada tabel 6 dan tabel 7. Selanjutnya dilakukan denormalisasi yaitu pengembalian bentuk nilai menjadi bentuk asal lalu menghitung MSE dan akurasinya yang dapat dilihat pada Gambar 3.

d. Pembuatan Aplikasi

Aplikasi prediksi penyediaan energi listrik dibuat berbasis web. Aplikasi ini menggunakan bahasa pemrograman PHP versi 4.6.4 dan MySQL sebagai database. Terdapat dua proses utama dalam aplikasi ini, yaitu proses pelatihan dan pengujian. Terdapat 3 data yaitu data pelatihan, data pengujian dan data bobot. Data tersebut berekstensi .xls yang akan diinput ke dalam database. Setelah data diinput kemudian dilakukan proses pelatihan yaitu proses melatih data pelatihan dengan data bobot dapat dilihat pada Gambar 4 sehingga menghasilkan pola pembelajaran terbaik dapat dilhat pada Gambar 5.

Gambar 4. Proses Pelatihan

Gambar 5. Grafik Proses Pelatihan

Selanjutnya dilakukan proses pengujian yaitu menguji data pengujian menggunakan pembelajaran yang didapat dari proses pelatihan dapat dilihat pada Gambar 6. Setelah mendapatkan output sistem dari proses pengujian maka akan dilakukan denormalisasi yaitu pengubahan bentuk nilai menjadi bentuk asal sehingga didapat hasil prediksi dan akan dihitung error dan akurasi prediksi dapat dilihat pada Gambar 3.

e. Akurasi Data

Percobaan yang dilakukan selama beberapa kali dengan pembagian data latih dan data uji yang berbeda dan juga menggunakan learning rate yang berbeda-beda akan menentukan akurasi terbaik. Akurasi yang didapat dari pengujian dengan parameter yang berbeda dapat dilihat pada Tabel 8.

Tabel 8. Tingkat akurasi pengujian

Pembagian Data Learning Rate MSE Epoch Akurasi

90% : 10% 0,1 0,00009 295 99,66% 0,2 0,00009 162 99,61% 0,3 0,00009 127 99,57% 0,4 0,00009 114 99,52% 0,5 0.00009 105 99,52% 0,6 0.00009 94 99,58% 0,7 0,00009 82 99,70% 0,8 0,00009 65 99,90% 0,9 0,00009 51 99,84% 80% : 20% 0,1 0,00009 291 98,77% 0,2 0,00009 152 98,86% 0,3 0,00009 118 98,94% 0,4 0,00009 107 99,00% 0,5 0,00009 102 99,00% 0,6 0,00009 95 98,95% 0,7 0,00009 80 98,83% 0,8 0,00009 65 98,67% 0,9 0,00009 53 98,48% 70% : 30% 0,1 0,00009 367 47,85% 0,2 0,00009 190 50,70% 0,3 0,00009 126 53,60% 0,4 0,00009 117 57,76% 0,5 0,00009 95 50,96% 0,6 0,00009 106 45,09% 0,7 0,00009 210 44,87% 0,8 0,00018 500 51,58% 0,9 0,00024 500 46,74%

Berdasarkan Tabel 8, pengujian bulan Juli 2020 menghasilkan akurasi tertinggi dengan pembagian data 90%:10%, learning rate 0,8 dengan akurasi sebesar 99,90%.

KESIMPULAN

Berdasarkan dari hasil penelitian dapat disimpulkan beberapa hal sebagai berikut :

1. Sistem prediksi penyediaan energi listrik dengan algoritma inisialisasi bobot

nguyen-widrow dengan menggunakan Backpropagation Neural Network (BPNN) telah

berhasil dibangun.

2. Parameter yang digunakan pada proses pengujian yaitu dengan jumlah neuron

hidden 6 dan learning rate (0.1), (0.2), (0.3), (0.4), (0.5), (0.6), (0.7), (0.8) dan (0.9)

dengan maksimum epoch 500. Dengan perbandingan data latih dan data uji 90%:10%, 80%:20% dan 70%:30%.

3. Dengan menggunakan maksimum epoch 500 dan learning rate (a) 0.1-0.9, didapatkan tingkat akurasi tertinggi terdapat pada pengujian dengan jumlah hidden

layer sebanyak enam dengan data latih 90% dan data uji 10% dengan learning rate

0.8 mencapai epoch 65 yaitu akurasi sebesar 99,90%.

UCAPAN TERIMA KASIH

Penulis mengucapkan terima kasih kepada bapak Dr. Elfizar, S.Si., M.Kom yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.

DAFTAR PUSTAKA

Cholidhazia, P. (2018). "Implementasi Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Harga Crude Palm Oil (Cpo) (Studi Kasus: Dinas Perkebunan Provinsi Riau)". Skripsi. FST. Teknik Informatika. UIN SUSKA. Pekanbaru.

Oktaviandy, D. A. (2017). "Peramalan Jumlah Kebutuhan Tabung Gas Lpg 3kg Menggunakan Backpropagation Neural Network (BPNN) (Studi Kasus Pada PT Hasanuddin Bersaudara". Skripsi. FST. Teknik Informatika. UIN SUSKA. Pekanbaru.