APLIKASI BERBASIS WEB UNTUK PREDIKSI HASIL PRODUKSI KELAPA SAWIT MENGGUNAKAN ALGORITMA
BACKPROPAGATION
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer pada
Program Studi Sistem Informasi
Oleh:
MUHAMMAD ZIKRI AL FAJRI 11850314545
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU
2023
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL
Tugas Akhir yang tidak diterbitkan ini terdaftar dan tersedia di Perpustakaan Universitas Islam Negeri Sultan Syarif Kasim Riau adalah terbuka untuk umum, de- ngan ketentuan bahwa hak cipta ada pada penulis. Referensi kepustakaan diperke- nankan dicatat, tetapi pengutipan atau ringkasan hanya dapat dilakukan atas izin penulis dan harus dilakukan mengikuti kaedah dan kebiasaan ilmiah serta menye- butkan sumbernya.
Penggandaan atau penerbitan sebagian atau seluruh Tugas Akhir ini harus memperoleh izin tertulis dari Dekan Fakultas Sains dan Teknologi, Universitas Is- lam Negeri Sultan Syarif Kasim Riau. Perpustakaan dapat meminjamkan Tugas Akhir ini untuk anggotanya dengan mengisi nama, tanda peminjaman dan tanggal pinjam pada form peminjaman.
LEMBAR PERNYATAAN
Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguru- an Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan di dalam daftar pustaka.
Pekanbaru, 09 Januari 2023 Yang membuat pernyataan,
MUHAMMAD ZIKRI AL FAJRI NIM. 11850314545
LEMBAR PERSEMBAHAN
Alhamdulillahi rabbil’alamin. Puji syukur kepada Allah Subhanahu Wa Ta’ala yang telah memberi nikmat keimanan, nikmat kesehatan, dan nikmat me- nuntut ilmu hingga pada titik ini. Tak lupa shalawat kepada Nabi Muhammad Sha- lallaahu Alaihi Wassalaamsebagai contoh tauladan dan pedoman hidup. Sungguh amat kufur nikmat jika apa yang telah Allah Subhanahu Wa Ta’ala berikan kepada diri ini tidak disyukuri dengan melakukan apa yang sedang dijalani sebaik mungkin.
Banyak hal yang diperjuangkan oleh kedua orang tua untuk diri ini. Per- juangan dan kasih sayang tiada henti untuk menghidupi anak-anaknya, entah apa yang dapat diri ini lakukan untuk berbalas budi akan hal tersebut. Hanya dengan berbakti sebaik mungkin dan berdoa kepada Allah Subhanahu Wa Ta’ala agar ke- baikan selalu menyertai mereka yang dapat hamba lakukan sebagai seorang anak yang telah mereka timang sedari kecil.
Maaf jika diri ini belum dapat menjadi teladan yang baik bagi adik-adik, dengan segala kelebihan dan kekurangan yang ada pada diri ini . Semoga kelak kalian dapat menjadi anak yang dapat mengangkat harkat martabat keluarga kita.
Doa terbaik dan kasih sayang yang amat tulus dari diri ini.
Bimbingan, arahan dan waktu yang telah bapak Inggih Permana, ST., M.Kom berikan kepada diri ini sungguh amat berharga. Terima kasih dan salam hormat dari diri ini kepada bapak. Seluruh teman baik dalam dunia perkuliahan maupun diluar ini yang telah bersedia membantu memberi dukungan kepada diri ini hingga sampai pada fase saat ini, terima kasih dari lubuk hati terdalam. Semoga Allah Subhanahu Wa Ta’ala membalas kebaikan dari orang-orang baik yang ada disekeliling diri ini. Aamiin Yaarabbal’alamin.
KATA PENGANTAR
Assalammu’alaikum Warahmatullahi Wabarakatuh.
Alhamdulillahi rabbil ‘alamin, puji syukur kehadirat Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan Tugas Akhir ini dengan judul ”Aplikasi Berbasis Web Untuk Prediksi Hasil Produksi Ke- lapa Sawit Mengggunakan Algoritma Backpropagation”. Penulisan Tugas Akhir ini dimaksudkan untuk memenuhi salah satu syarat dalam rangka menyelesaikan studi Strata 1 (S1) di Universitas Islam Negeri Sultan Syarif Kasim Riau. Shalawat selalu tercurahkan kepada baginda Nabi besar yakni Nabi Muhammad Shalallaahu Alaihi Wassalaamdengan melafalkan ”Allahummasholli’ala Muhammmad wa’ala
‘ali Muhammad” yang telah membimbing kehidupan umat manusia dari kegelapan hingga terang benderang seperti saat ini sehingga kita dapat merasakan perkem- bangan sains dan teknologi yang memudahkan aktivitas serta ibadah kita sehari- hari.
Selama proses menyelesaikan penelitian laporan Tugas Akhir ini, penulis mendapatkan banyak pengetahuan, pengalaman, bimbingan, dukungan dan juga arahan dari semua pihak yang telah membantu hingga penulisan Tugas Akhir ini dapat diselesaikan. Pada kesempatan ini, penulis ingin menyampaikan ucapan teri- makasih kepada:
1. Bapak Prof. Dr. Hairunas, M.Ag sebagai Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau.
2. Bapak Dr. Hartono, M.Pd sebagai Dekan Fakultas Sains dan Teknologi.
3. Bapak Eki Saputra, S.Kom., M.Kom sebagai Ketua Program Studi Sistem Informasi.
4. Bapak Inggih Permana, ST., M.Kom sebagai Pembimbing Tugas Akhir yang telah memberikan masukan dan motivasi, arahan dan bimbingan yang sa- ngat membantu dalam menyelesaikan Tugas Akhir ini.
5. Ibu Siti Monalisa, ST., M.Kom selaku Ketua, Bapak M. Afdal, ST., M.Kom selaku Penguji I dan Ibu Fitriani Muttakin, S.Kom., M.Cs selaku Penguji II yang telah memberi masukan, kritik dan saran sebagai ilmu yang sangat berharga.
6. Ibu Dr. Rice Novita, S.Kom., M.Kom selaku Penasihat Akademik yang telah menuntun dari awal perkuliahan sampai pada tahap ini.
7. Bapak Tengku Khairil Ahsyar, S.Kom., M.Kom yang telah memberikan ara- han dalam penulisan Tugas Akhir.
8. Segenap pegawai dan dosen Program Studi Sistem Informasi Fakultas Sains
dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau.
9. Keluarga terkasih bapak, mamak, adik-adik, dan keluarga besar baik di Jam- bi dan Pekanbaru.
10. Teman-teman yang telah banyak membantu dalam segi apapun, baik dalam dunia perkuliahan maupun dunia di luar perkuliahan.
Sekian yang dapat penulis ucapkan, terima kasih sekali lagi kepada selu- ruh orang yang telah berperan dalam membantu penulis sampai pada titik yang sekarang. Wassalamu’alaikum warahmatullahi wabarakatuh.
Pekanbaru, 20 Januari 2023 Penulis,
MUHAMMAD ZIKRI AL FAJRI NIM. 11850314545
APLIKASI BERBASIS WEB UNTUK PREDIKSI HASIL PRODUKSI KELAPA SAWIT MENGGUNAKAN ALGORITMA
BACKPROPAGATION
MUHAMMAD ZIKRI AL FAJRI NIM: 11850314545
Tanggal Sidang: 09 Januari 2023 Periode Wisuda:
Program Studi Sistem Informasi Fakultas Sains dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau Jl. Soebrantas, No. 155, Pekanbaru
ABSTRAK
Indonesia merupakan salah satu negara pertama di dunia sebagai penghasil kelapa sawit. Tandan Buah Segar (TBS) merupakan nama lain dari buah kelapa sawit. PT. Perkebunan Nusantara VI (PTPN VI) merupakan pelaku bisnis kelapa sawit yang terletak di Sumatera Barat dan Jambi.
Prediksi produksi TBS pada PTPN VI Unit Usaha Rimbo Dua adalah hal yang penting dan termasuk dalam perhitungan Rencana Kerja dan Anggaran Perusahaan (RKAP). Prediksi produksi TBS yang akurat dapat membantu perusahaan dalam proses penyusunan RKAP tahun selanjutnya yang lebih sesuai dan membantu dalam pengambilan keputusan perusahaan. Untuk merancang dan menentukan prediksi produksi TBS, pihak perusahaan melakukan rapat tahunan di Jambi. Tujuan Tugas Akhir ini adalah untuk membuat Aplikasi yang dapat memprediksi produksi TBS diperiode selanjutnya. Algoritma Backpropagation merupakan algoritma populer yang kerap digunakan untuk memprediksi. Untuk memprediksi produksi TBS/Kg dalam periode waktu tertentu, dibuatlah Aplikasi berbasis web menggunakan algoritma Backpropagation. Aplikasi menggunakan arsitektur 1-300-1 dengan 300 Node Hidden Layer, 100 Epoch, dan Learning Rate 0,1. Arsitektur dan parameter tersebut merupakan yang terbaik dengan nilai MSE sebesar 0,00013427.
Kata Kunci: Backpropagation, Kelapa Sawit, Prediksi, PTPN VI Unit Usaha Rimbo Dua, TBS.
WEB-BASED APPLICATION FOR PREDICTING OIL PALM PRODUCTION RESULTS USING THE BACKPROPAGATION
ALGORITHM
MUHAMMAD ZIKRI AL FAJRI NIM: 11850314545
Date of Final Exam: January 09th 2023 Graduation Period:
Department of Information System Faculty of Science and Technology
State Islamic University of Sultan Syarif Kasim Riau Soebrantas Street, No. 155, Pekanbaru
ABSTRACT
Indonesia is one of the first countries in the world to produce palm oil. Fresh Fruit Bunches (FFB) is another name for oil palm fruit. PT. Perkebunan Nusantara VI (PTPN VI) is a palm oil business player located in West Sumatra and Jambi. The prediction of FFB production at PTPN VI Rimbo Dua Business Unit is important and is included in the calculation of the Company’s Work Plan and Budget (RKAP). Accurate predictions of FFB production can assist the company in the process of preparing the next year’s RKAP which is more appropriate and assists in making company decisions. To design and determine predictions of FFB production, the company holds an annual meeting in Jambi. The purpose of this final project is to create an application that can predict FFB production in the next period. Backpropagation algorithm is a popular algorithm that is often used to predict. To predict FFB/Kg production in a certain period of time, a web-based application is made using the Backpropagation algorithm. The application uses the 1-300-1 architecture with a Learning Rate of 0.1 Epoch 100 and 300 Hidden Layer Nodes. The architecture and parameters are the best with an MSE value of 0.00013427.
Keywords: Backpropagation, Palm Oil, Predictions, PTPN VI Rimbo Dua Business Unit, TBS.
DAFTAR ISI
LEMBAR PERSETUJUAN ii
LEMBAR PENGESAHAN iii
LEMBAR HAK ATAS KEKAYAAN INTELEKTUAL iv
LEMBAR PERNYATAAN v
LEMBAR PERSEMBAHAN vi
KATA PENGANTAR vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR GAMBAR xv
DAFTAR TABEL xvii
DAFTAR SINGKATAN xix
1 PENDAHULUAN 1
1.1 Latar Belakang . . . 1
1.2 Perumusan Masalah . . . 3
1.3 Batasan Masalah . . . 3
1.4 Tujuan . . . 4
1.5 Manfaat . . . 4
1.6 Sistematika Penulisan . . . 5
2 LANDASAN TEORI 6 2.1 Profil Instansi . . . 6
2.1.1 PT. Perkebunan Nusantara VI Unit Usaha Rimbo Dua . . . 6
2.1.2 Visi . . . 6
2.1.3 Misi . . . 6
2.1.4 Struktur Organisasi . . . 7
2.2 Kelapa Sawit . . . 7
2.3 Produksi Kelapa Sawit . . . 8
2.4 Prediksi . . . 8
2.5 Algoritma Backpropagation . . . 9
2.6 Aplikasi . . . 13
2.7 Website . . . 14
2.8 Database . . . 14
2.9 MySql . . . 14
2.10 Xampp . . . 14
2.11 Hypertext Preprocessor (PHP) . . . 14
2.12 Model View Controller (MVC) . . . 15
2.13 Object Oriented Analysis and Design (OOAD) . . . 15
2.14 Unified Modelling Language (UML) . . . 16
2.15 System Development Life Cycle (SDLC) . . . 18
2.16 Waterfall . . . 20
2.17 Review Paper . . . 20
2.18 Penelitian Terdahulu . . . 31
3 METODOLOGI PENELITIAN 33 3.1 Tahap Perencanaan . . . 33
3.2 Tahap Pengumpulan Data . . . 34
3.3 Tahap Analisis . . . 34
3.4 Tahap Perancangan . . . 35
3.5 Tahap Implementasi . . . 35
3.6 Dokumentasi . . . 36
4 ANALISA DAN PERANCANGAN 37 4.1 Analisis Proses Bisnis . . . 37
4.2 Analisis Data Produksi . . . 37
4.2.1 Seleksi Data . . . 38
4.2.2 Fluktuatif Data Produksi . . . 39
4.3 Analisis Kebutuhan Data . . . 39
4.4 Analisis Kebutuhan Perangkat Lunak . . . 40
4.5 Analisis Kebutuhan Fungsional . . . 41
4.5.1 Use Case Diagram . . . 41
4.5.2 Activity Diagram . . . 66
4.5.3 Class Diagram . . . 73
4.6 Analisis Kebutuhan Non Fungsional . . . 74
4.6.1 Hardware . . . 74
4.6.2 Software . . . 74
4.6.3 Brainware . . . 75
4.6.4 Netware . . . 75
4.6.5 Dataware. . . 75
4.7 Perancangan . . . 75
4.7.1 Perancangan Penggunaan Backpropagation . . . 75
4.7.2 Perancangan Database . . . 78
4.7.3 Perancangan Interface . . . 81
5 IMPLEMENTASI DAN PENGUJIAN 92 5.1 Hasil Implementasi . . . 92
5.1.1 Ruang Lingkup Implementasi . . . 92
5.1.2 Batasan Implementasi . . . 92
5.2 Impelemtasi Interface . . . 92
5.2.1 InterfaceHalaman Login . . . 93
5.2.2 InterfaceHalaman Role . . . 93
5.2.3 InterfaceHalaman Data User . . . 94
5.2.4 InterfaceHalaman Profil . . . 94
5.2.5 InterfaceHalaman Edit Profil . . . 95
5.2.6 InterfaceHalaman Ganti Password . . . 95
5.2.7 InterfaceHalaman Menu Management . . . 96
5.2.8 InterfaceHalaman Sub Menu Management . . . 96
5.2.9 InterfaceHalaman Dataset Produksi . . . 97
5.2.10 Interface Halaman Normalisasi . . . 97
5.2.11 Interface Halaman Prediksi . . . 98
5.2.12 Interface Halaman Laporan . . . 98
5.3 Hasil Pengujian . . . 99
5.3.1 Pengujian Black Box . . . 99
5.3.2 Pengujian User Acceptance Testing . . . 111
5.3.3 Pengujian Akurasi . . . 112
6 PENUTUP 115 6.1 Kesimpulan . . . 115
6.2 Saran . . . 115 DAFTAR PUSTAKA
LAMPIRAN A HASIL WAWANCARA A - 1
LAMPIRAN B HASIL OBSERVASI B - 1
LAMPIRAN C DATA LM 76 PERBLOK 2020 RIMDU C - 1
LAMPIRAN D HASIL UAT DAN TAHAP BACKPROPAGATION D - 1
DAFTAR GAMBAR
2.1 Struktur Organisasi . . . 7
2.2 Arsitektur Backpropagation . . . 9
2.3 MVC . . . 15
2.4 SDLC . . . 19
2.5 Waterfall . . . 20
3.1 Metodologi Penelitian Tugas Akhir . . . 33
4.1 Arsitektur Backpropagation Prediksi Produksi TBS . . . 40
4.2 Use Case Diagram . . . 42
4.3 Activity Diagram Login . . . 67
4.4 Activity DiagramKelola Data User . . . 68
4.5 Activity DiagramKelola Role . . . 68
4.6 Activity DiagramKelola Menu . . . 69
4.7 Activity DiagramKelola Sub Menu . . . 70
4.8 Activity DiagramKelola Profil . . . 70
4.9 Activity DiagramGanti Password . . . 71
4.10 Activity Diagram Kelola Dataset Produksi . . . 71
4.11 Activity Diagram Kelola Normalisasi . . . 72
4.12 Activity Diagram Kelola Prediksi . . . 72
4.13 Activity Diagram Kelola Laporan . . . 73
4.14 Class Diagram . . . 73
4.15 Tahap Pelatihan Backpropagation . . . 77
4.16 Tahap Pengujian Backpropagation . . . 78
4.17 Interface Login . . . 81
4.18 Interface User . . . 82
4.19 Interface Tambah User . . . 82
4.20 Interface Ubah User . . . 83
4.21 Interface Role . . . 83
4.22 Interface Tambah Role . . . 84
4.23 Interface Ubah Role . . . 84
4.24 Interface Atur Akses Role . . . 85
4.25 Interface Menu Management . . . 85
4.26 Interface Tambah Menu Management . . . 86
4.27 Interface Ubah Menu Management . . . 86
4.28 Interface Sub Menu Management . . . 87
4.29 Interface Tambah Sub Menu Management . . . 87
4.30 Interface Ubah Sub Menu Management . . . 88
4.31 Interface Profil . . . 88
4.32 Interface Ubah Profil . . . 89
4.33 Interface Ganti Password . . . 89
4.34 Interface Dataset . . . 90
4.35 Interface Normalisasi Data . . . 90
4.36 Interface Prediksi . . . 91
4.37 Interface Laporan . . . 91
5.1 InterfaceHalaman Login . . . 93
5.2 InterfaceHalaman Role . . . 93
5.3 InterfaceHalaman User . . . 94
5.4 InterfaceHalaman Profil . . . 94
5.5 InterfaceHalaman Edit Profil . . . 95
5.6 InterfaceHalaman Ganti Password . . . 95
5.7 InterfaceHalaman Menu Management . . . 96
5.8 InterfaceHalaman Sub Menu Management . . . 96
5.9 InterfaceHalaman Dataset Produksi . . . 97
5.10 Interface Halaman Normalisasi . . . 97
5.11 Interface Halaman Prediksi . . . 98
5.12 Interface Halaman Laporan . . . 98
5.13 Kode Program . . . 113
5.14 Hidden Layer . . . 114
5.15 Epoch . . . 114
5.16 Learning Rate . . . 114
DAFTAR TABEL
2.1 Keterangan Simbol Class Diagram . . . 16
2.2 Keterangan Simbol Use Case Diagram . . . 17
2.3 Keterangan Simbol Activity Diagram . . . 18
2.4 Review Paper . . . 21
4.1 Data Produksi TBS . . . 38
4.2 Seleksi Data . . . 38
4.3 Fluktuasi Data Produksi . . . 39
4.4 Data Prediksi Backpropagation . . . 39
4.5 Aktor . . . 41
4.6 Deskripsi Use Case . . . 42
4.7 Skenario Use Case Login . . . 43
4.8 Skenario Use Case Tambah Data User . . . 44
4.9 Skenario Use Case Ubah Data User . . . 45
4.10 Skenario Use Case Hapus Data User . . . 46
4.11 Skenario Use Case Tambah Data Role . . . 47
4.12 Skenario Use Case Ubah Data Role . . . 48
4.13 Skenario Use Case Hapus Data Role . . . 49
4.14 Skenario Use Case Ubah Akses Role . . . 50
4.15 Skenario Use Case Tambah Data Menu . . . 51
4.16 Skenario Use Case Ubah Data Menu . . . 52
4.17 Skenario Use Case Hapus Data Menu . . . 53
4.18 Skenario Use Case Tambah Data Sub Menu . . . 54
4.19 Skenario Use Case Ubah Data Sub Menu . . . 55
4.20 Skenario Use Case Hapus Data Sub Menu . . . 56
4.21 Skenario Use Case Lihat Profil . . . 57
4.22 Skenario Use Case Ubah Profil . . . 58
4.23 Skenario Use Case Ganti Password . . . 59
4.24 Skenario Use Case Tambah Dataset . . . 60
4.25 Skenario Use Case Ubah Dataset . . . 61
4.26 Skenario Use Case Hapus Dataset . . . 63
4.27 Skenario Use Case Kelola Normalisasi . . . 63
4.28 Skenario Use Case Kelola Prediksi . . . 64
4.29 Skenario Use Case Kelola Laporan . . . 65
4.30 Rancangan Database Tabel User . . . 78
4.31 Rancangan Database Tabel Role . . . 79
4.32 Rancangan Database Tabel User Menu . . . 79
4.33 Rancangan Database Tabel User Sub Menu . . . 79
4.34 Rancangan Database Tabel User Access Menu . . . 80
4.35 Rancangan Database Tabel Produksi . . . 80
4.36 Rancangan Database Tabel Normalisasi . . . 80
4.37 Rancangan Database Tabel Hasil Prediksi . . . 81
5.1 Pengujian Black Box Login . . . 99
5.2 Pengujian Black Box Tambah Role . . . 99
5.3 Pengujian Black Box Ubah Role . . . 100
5.4 Pengujian Black Box Hapus Role . . . 101
5.5 Pengujian Black Box Akses Role . . . 101
5.6 Pengujian Black Box Tambah User . . . 102
5.7 Pengujian Black Box Ubah User . . . 102
5.8 Pengujian Black Box Hapus User . . . 103
5.9 Pengujian Black Box Edit Profil . . . 103
5.10 Pengujian Black Box Ganti Password . . . 104
5.11 Pengujian Black Box Tambah Menu . . . 104
5.12 Pengujian Black Box Ubah Menu . . . 105
5.13 Pengujian Black Box Hapus Menu . . . 105
5.14 Pengujian Black Box Tambah Sub Menu . . . 106
5.15 Pengujian Black Box Ubah Sub Menu . . . 107
5.16 Pengujian Black Box Hapus Sub Menu . . . 107
5.17 Pengujian Black Box Tambah Dataset . . . 108
5.18 Pengujian Black Box Ubah Dataset . . . 108
5.19 Pengujian Black Box Hapus Dataset . . . 109
5.20 Pengujian Black Box Proses Normalisasi . . . 109
5.21 Pengujian Black Box Proses Prediksi . . . 110
5.22 Pengujian Black Box Laporan . . . 110
5.23 Hasil Pengujian UAT Pimpinan . . . 111
5.24 Hasil Pengujian UAT Adminitrator . . . 111
DAFTAR SINGKATAN
PTPN VI : PT. Perkebunan Nusantara VI TBS : Tandan Buah Segar
PTPN : PT. Perkebunan Nusantara
RKAP : Rencana Kerja Dan Anggaran Perusahaan
BPDPKS : Badan Pengelola Dana Perkebunan Kelapa Sawit BPS : Badan Pusat Satistik
PHP : Hypertext Preprocessor
SDLC : System Development Life Cycle
WEB : Website
OOAD : Object Oriented Analysis And Design UML : Unified Modelling Language
DBMS : Database Management System SVR : Support Vector Regression
ANFIS : Adaptive Neuro-Fuzzy Inference System ANN : Artificial Neural Network
RF : Random Forest
MLR : Multiple Linear Regression MAD : Mean Absolute Deviation MSE : Mean Square Error RMSE : Root Mean Square Error WNN : Wavelet Neural Network ENN : Evolving Neural Network
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Kelapa sawit merupakan tanaman esensial di sektor perkebunan dan per- tanian yang berkembang sedemikian pesat dan menjadi komoditas unggulan di In- donesia (Haryanti, Norsamsi, Sholiha, dan Putri, 2014). Indonesia merupakan ne- gara agraris beriklim tropis yang menjadi salah satu negara pertama di dunia seba- gai penghasil kelapa sawit beserta minyaknya, hal ini dikarenakan salah satu sub sektor pertanian di Indonesia adalah perkebunan. Selain menjadi sub sektor yang penting bagi pembangunan dan perkembangan Indonesia, perkebunan juga berkait- an dengan kegiatan transaksi ekspor dan impor yang menjadi sumber pendapatan devisa negara, menciptakan lapangan pekerjaan dan meningkatkan kesejahteraan masyarakat dalam proses pengelolaan produksi (Hajar, Novany, Windarto, Wanto, dan Irawan, 2020). Food and Agriculture Organization of The United Nations men- catat bahwa kelapa sawit merupakan industri potensial yang menghasilkan produksi besar di pasar global (Wulansari, Yulianto, dan Pengestuti, 2016).
Indonesia dan Malaysia menguasai produksi kelapa sawit secara global. Pa- da tahun 2019 luas perkebunan kelapa sawit di Indonesia berdasarkan data dari Direktorat Jenderal Perkebunan Kementerian Pertanian mencapai 14,68 juta hektar, sementara luas perkebunan kelapa sawit di Indonesia jika merujuk dari data hasil rekonsiliasi mencapai 16,38 juta hektar (Rahayu dan Sugianto, 2020). Produksi kelapa sawit Indonesia pada tahun 2020 berada di atas rata-rata produksi tahunan meskipun banyak sektor industri yang terdampak pandemi Covid-19 pada tahun lalu, hal ini berdasarkan data Badan Pengelola Dana Perkebunan Kelapa Sawit (BPDPKS). Menurut Direktur Utama BPDPKS, produksi kelapa sawit Indonesia sepanjang tahun lalu mencapai 51,58 juta ton atau lebih tinggi dari rata-rata tahun- an sebesar 37,57 juta ton (Ramli, 2021). Tandan buah segar kelapa sawit berperan sangat penting dalam hal industri kelapa sawit yang kualitas dan kuantitasnya harus dipertahankan (Krisdiarto, Sutiarso, dan Widodo, 2017).
Tandan Buah Segar (TBS) merupakan nama lain dari buah kelapa sawit, dimana dodos atau pisau yang bertangkai panjang kerap digunakan sebagai alat pe- manen TBS dengan cara memotong buah dari batang pohonnya (Agri, 2019). TBS kelapa sawit biasanya dipanen dengan melihat parameter kematangan sekitar 10 sampai 15 buah mulai berjatuhan di sekitar pohon atau dalam artian lain saat buah mulai berguguran dari tandannya, dimana proses pemanenan TBS dengan menggu- nakan pisau panjang atau sering disebut dengan dodos untuk memotong buah dari
pohonnya (BPDP, 2018). TBS kemudian dikirim ke pabrik menggunakan truk pe- ngangkut untuk disterilkan menggunakan uap dengan tujuan agar buah kelapa sawit dapat lepas dari tandannya dan mengurangi risiko penurunan kualitas TBS dikare- nakan oleh enzim. Seluruh bagian dari TBS dapat dimanfaatkan termasuk serat panjang yang biasa digunakan sebagai bahan pembuatan kasur atau bantal, semen- tara tandan buah kosong akan dikembalikan ke kebun untuk dijadikan pupuk alami (Agri, 2019). Dalam dunia perkebunan kelapa sawit, Indonesia mempunyai pelaku bisnis baik swasta maupun negara, dimana pemain utamanya adalah PTPN (negara) yang saat ini berjumlah 10 antara lain PTPN I sampai PTPN VIII, PTPN XIII, dan PTPN XIV (Nayantakaningtyas dan Daryanto, 2012).
PT. Perkebunan Nusantara VI (PTPN VI) terletak di wilayah Sumatera Barat dan Jambi dengan kantor pusat perusahaan berlokasi di Jalan Lingkar Barat, Rt. 20 Paal X, Kenali Asam, Kota Baru, Jambi. 8 dari 14 total unit usaha PTPN VI adalah Pabrik Kelapa Sawit (PKS) dengan total kapasitas 305 ton TBS per jam (PTPN6, 2020a). PTPN VI Pabatu Proyek Rimbo Bujang memiliki luas areal 6.986,9 Ha dengan total luas wilayah 3.270,00 Ha meliputi Afdeling I (617,00 Ha), Afdeling II (634,00 Ha), Afdeling III (674,55 Ha), Afdeling IV (686,80 Ha), Afdeling V (657,65 Ha). Berdasarkan tahun tanam dengan rincian seluas 414,00 Ha pada tahun 1995, 1.085,00 Ha pada tahun 1996, 989,15 Ha pada tahun 1997, 772,55 Ha pada tahun 1998 dan 9,30 Ha pada tahun 1999 dengan total luas 3.270,00 Ha (PTPN6, 2020b). Produksi TBS kelapa sawit pada PTPN VI mengalami perubahan yang fluktuatif (Adhiva, Mustakim, Putri, dan Setyorini, n.d.).
Prediksi atau rencana produksi TBS kelapa sawit pada PTPN VI Unit Usa- ha Rimbo Dua adalah hal yang penting, dan termasuk dalam perhitungan Rencana Kerja dan Anggaran Perusahaan (RKAP). RKAP dibuat setahun sekali berpedo- man pada kebutuhan untuk pelaksanaan kegiatan dan anggaran perusahaan, harga bahan penopang bisnis perusahaan dan gaji tahun kedepannya, dimana penentu- an RKAP tersebut dirapatkan di kantor pusat yang terletak di Kota Jambi, seti- ap unit usaha mengirimkan wakilnya untuk mengikuti rapat tersebut, mulai dari bagian manajemen mulai dari bagian produksi, bagian perkebunan, bagian umum, bagian keuangan hingga bagian sumber daya manusia. Prediksi produksi TBS kelapa sawit yang ditentukan dari perhitungan RKAP ditahun sebelumnya tidak selalu tepat dengan realisasi ditahun berikutnya, bahkan terkadang realisasi yang dihasilkan ditahun berikutnya dibawah dari prediksi yang ditentukan ditahun se- belumnya. Prediksi produksi TBS yang akurat dapat membantu perusahaan dalam proses penyusunan RKAP tahun selanjutnya yang lebih sesuai dan membantu dalam pengambilan keputusan perusahaan (Lampiran A).
Prediksi merupakan upaya memanfaatkan berbagai kumpulan data atau in- formasi yang relevan di masa sebelumnya untuk memperkirakan atau mengasum- sikan sesuatu yang akan terjadi di masa yang akan datang melalui proses metode ilmiah yang sistematis (Fardhani, Simanjuntak, dan Wanto, 2018). Untuk mengatasi masalah tersebut maka Tugas Akhir ini menggunakan algoritma Backpropagation dalam memprediksi hasil produksi TBS kelapa sawit. Algoritma Backpropagation merupakan algoritma populer yang kerap digunakan untuk memprediksi (Fardhani dkk., 2018). Algoritma Backpropagation merupakan bagian dari metode Algoritma Artificial Neural Network (Putra dan Walmi, 2020). Kelebihan algoritma Back- propagation adalah penggunaan sistem pembobotan dalam proses pembelajaran, akan dilakukan pembelajaran lagi bila bobot tidak sesuai (YUDHISTIRA, 2017).
Kekurangan algoritma Backpropagation adalah dalam proses pembelajaran mem- butuhkan waktu yang cukup lama (Khairani, 2014).
Adapun alasan digunakannya algoritma Backpropagation pada Tugas Akhir ini karena algoritma Backpropagation dapat menyelesaikan kasus pada data yang tidak linear. Alasan lain berdasarkan review 30 paper nasional dan internasional terkait dengan perbandingan berbagai macam algoritma prediksi, Backpropagation merupakan algoritma terbaik dalam hal prediksi. Didapatkan bahwa 10 penelitian menyimpulkan algoritma terbaik adalah Backpropagation, diikuti support vector regressiondengan 5 penelitian, adaptive neuro fuzzy inference system dan random forest dengan 3 penelitian, serta diikuti algoritma lain seperti multiple linear re- gression, extra trees dan fuzzy series. Selain itu Backpropagation telah berhasil di- gunakan untuk memprediksi hasil produksi pertanian, seperti kelapa sawit (Admojo dkk., 2021, Aini dkk., 2019, Zulhamsyah dkk., 2019, Wanto dkk., 2021, Marpaung dkk., 2020, Sinaga dkk., 2019), padi (Putra dan Ulfa., 2020), ubi kayu (Purba dan Sitompul., 2018), jagung (Wanto., 2019) dan tanaman sayuran (Hutabarat., 2021).
Berdasarkan penjelasan yang dipaparkan sebelumnya, pada Tugas Akhir ini akan mengangkat topik Aplikasi Berbasis Web Untuk Prediksi Hasil Produksi Kelapa Sawit Menggunakan Algoritma Backpropagation.
1.2 Perumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, adapun rumusan masalah yang dapat diambil yaitu bagaimana membangun Aplikasi berbasis web untuk prediksi hasil produksi kelapa sawit menggunakan algoritma Backpropagation.
1.3 Batasan Masalah
Batasan masalah Tugas Akhir ini adalah:
1. Data yang digunakan merupakan data produksi kelapa sawit di PT. Perke-
bunan Nusantara VI Unit Usaha Rimbo Dua.
2. Data produksi kelapa sawit yang diambil mulai dari rentang waktu 2017- 2021 untuk setiap blok panen yang ada pada setiap afdeling di Unit Usaha Rimbo Dua dengan variabel Tahun Tanam (Umur), Blok Panen, Luas (Ha), Jumlah Pohon Produksi, Tandan dan TBS (Kg).
3. Data produksi kelapa sawit yang digunakan untuk prediksi yaitu Data LM 76 Per Blok 2020 Rimbo Dua rentang waktu Januari-Desember 2020.
4. Algoritma prediksi yang akan diimplementasikan adalah Backpropagation.
5. Aplikasi dibangun dengan bahasa pemrograman Hypertext Preprocessor (PHP).
6. Database Management System(DBMS) menggunakan MySQL.
7. Metode pengembangan perangkat lunak menggunakan metode Waterfall.
8. Perancangan sistem menggunakan Object Oriented Analisis Design (OOAD) dan menggunakan tools Unified Modelling Language (UML).
9. Framework yang digunakan dalam membantu mengembangkan aplikasi adalah Codeigniter dan Bootstrap.
10. Normalisasi dan denormalisasi data menggunakan metode Min-Max Nor- malization.
11. Library prediksi yang akan diimplementasikan adalah library Stephen O Shea.
12. Jumlah user yang menggunakan aplikasi pada kasus ini berjumlah 2 user.
13. Pengujian sistem menggunakan pengujian Black Box dan pengujian User Acceptance Testing(UAT).
1.4 Tujuan
Adapun tujuan penelitian Tugas Akhir ini adalah membangun aplikasi berbasis web untuk memprediksi hasil produksi kelapa sawit menggunakan algo- ritma Backpropagation.
1.5 Manfaat
Manfaat Tugas Akhir ini adalah:
1. Memberikan gambaran tentang produksi TBS kelapa sawit PTPN IV Unit Usaha Rimbo Dua dimasa yang akan datang.
2. Membantu pihak manajemen di PTPN IV Unit Usaha Rimbo Dua dalam merancang Rencana Kerja dan Anggaran Perusahaan (RKAP).
3. Membantu pihak manajemen di PTPN IV Unit Usaha Rimbo Dua dalam mengorganisir data prediksi hasil produksi menjadi lebih tertata.
1.6 Sistematika Penulisan
Sistematika penulisan laporan adalah sebagai berikut:
BAB 1. PENDAHULUAN
Bab ini berisi gambaran umum dari Tugas Akhir ini, yang meliputi latar be- lakang permasalahan, rumusan masalah, batasan masalah, tujuan dari pembahasan, manfaat yang didapatkan.
BAB 2. LANDASAN TEORI
Bab ini berisi teori-teori yang berasal dari jurnal, buku, serta studi kepus- takaan yang digunakan sebagai landasan teori dalam pembuatan laporan Tugas Akhir ini.
BAB 3. METODOLOGI PENELITIAN
Bab ini berisi tentang metodologi atau alur penelitian yang digunakan dalam penyusunan Tugas Akhir ini serta metodologi penggunaan algoritma Backpropaga- tion.
BAB 4. ANALISA DAN PERANCANGAN
Bab ini akan membahas tentang bagaimana menganalisis dan merancang aplikasi berbasis web untuk prediksi hasil produksi kelapa sawit menggunakan al- goritma Backpropagation di PTPN IV Unit Usaha Rimbo Dua.
BAB 5. IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang bagaimana pengimplementasian dan pengujian Apli- kasi yang telah dibangun sebelumnya.
BAB 6. PENUTUP
Bab ini berisikan kesimpulan dari Tugas Akhir yang dibuat dan saran untuk penelitian selanjutnya.
BAB 2
LANDASAN TEORI
2.1 Profil Instansi
2.1.1 PT. Perkebunan Nusantara VI Unit Usaha Rimbo Dua
PT. Perkebunan Nusantara VI (PTPN VI) disahkan melalui Akta Notaris Harun Kamil, S.H. No. 39 Tanggal 11 Maret 1996, hal ini merujuk atas dasar hukum Peraturan Pemerintah No. 11 Tanggal 14 Februari 1996 dan berkantor direk- si di Padang, pada akhirnya kembali diubah dan disahkan melalui Akta Notaris Sri Rahayu Hadi Prasetyo, S.H di Jakarta Nomor 19 Tahun 2020 Tanggal 30 Septem- ber 2020. PTPN VI terletak di wilayah Sumatera Barat dan Jambi dengan kantor pusat perusahaan berlokasi di Jalan Lingkar Barat, Rt. 20 Paal X, Kenali Asam, Kota Baru, Jambi. 8 dari 14 total unit usaha PTPN VI adalah Pabrik Kelapa Sawit dengan total kapasitas 305 ton TBS per jam, selain itu PTPN VI juga memiliki 2 pabrik teh yang berkapasitas pengolahan 125 ton daun basah per hari, 2 unit mesin teh celup berkapasitas 1 mesin teh celup 2,5 kotak per menit atau 150 kotak per jam dan 1 pabrik karet remah dengan kapasitas pengolahan 20 ton karet kering per hari (PTPN6, 2020a).
PT. Perkebunan VI Pabatu Proyek Rimbo Bujang bersertifikat Hak Guna Usaha N0. 1/1979 tanggal 14 Januari 1979 tahap pertama (I) seluar 7.550. Pada tahun 1995 komoditi di Unit Usaha Rimbo Dua dikonversi dari Nyiur dan Kakao menjadi komoditi kelapa sawit hingga akhirnya bergabung dengan PTPN VI Jam- bi–Sumatera Barat pada tanggal 11 Maret 1996. Hak Guna Uaha No. 10/2009 Tahap kedua (II) terbit pada tanggal 22 Juli 2009 dengan luas areal 6.986,9 Ha dengan total luas wilayah 3.270,00 Ha meliputi Afdeling I (617,00 Ha), Afdeling II (634,00 Ha), Afdeling III (674,55 Ha), Afdeling IV (686,80 Ha), Afdeling V (657,65 Ha). Sementara berdasarkan tahun tanam dengan rincian seluas 414,00 Ha pada tahun 1995, 1.085,00 Ha pada tahun 1996, 989,15 Ha pada tahun 1997, 772,55 Ha pada tahun 1998 dan 9,30 Ha pada tahun 1999 dengan total jumlah luas 3.270,00 Ha (PTPN6, 2020b).
2.1.2 Visi
Menjadi Perusahaan Perkebunan terdepan yang memberikan nilai manfaat tertinggi dan berkelanjutan kepada stakeholders.
2.1.3 Misi
1. Kami fokus mengelola Perkebunan kelapa sawit, karet, teh, kopi dan usaha lain yang terkait erat dengan usaha perkebunan secara berkelanjutan, serta
bekerja sama dengan petani dan mitra strategis lainnya.
2. Kami berkomitmen menciptakan produk-produk unik secara konsisten dan berkelanjutan melalui keunggulan operasional, standar kinerja tinggi dan ramah lingkungan.
3. Kami terus berupaya untuk memberikan imbal hasil finansial tinggi melalui cara pemasaran dan komunikasi pasar yang sangat baik.
4. Kami membangun lingkungan kerja yang kondusif dan nilai-nilai etika yang tinggi untuk mengangkat kompetensi sumber daya manusia perusahaan.
2.1.4 Struktur Organisasi
Berikut merupakan struktur organisasi PT. Perkebunan Nusantara VI Unit Usaha Rimbo Dua dapat dilihat pada Gambar 2.1. Untuk lebih lengkapnya bisa dilihat pada (Lampiran B).
Gambar 2.1. Struktur Organisasi 2.2 Kelapa Sawit
Kelapa sawit mempunyai andil besar dalam pembangunan ekonomi Indone- sia, hal tersebut karena kelapa sawit merupakan komoditas unggulan dan menye- diakan dan menampung banyak lapangan pekerjaan baik langsung maupun tidak langsung hingga 16 juta pekerja (Perekonomian, 2021). Kelapa sawit merupakan komoditas yang menempati posisi unggulan dalam dunia pertanian dan perkebunan.
Kelapa sawit merupakan tanaman penting di Indonesia, dan berkembang begitu pe- sat. Kebutuhan tanah yang maksimal untuk kelapa sawit berkaitan dengan tiga fak- tor yaitu lingkungan, sifat fisik tanah dan sifat kimia tanah atau kesuburan tanah.
Pada suhu sekitar 24-28 celcius kelapa sawit di perkebunan komersil dapat tumbuh secara optimal. Untuk mencapai hasil yang maksimal dalam penanaman kelapa sawit, harus diperhatikan sifat fisik dan kimia tanah, termasuk struktur tanah dan
drainase tanah yang baik (Haryanti dkk., 2014). Indonesia membangun industri kelapa sawit dengan memprioritaskan aspek sosial, ekonomi dan lingkungan agar terjadi keseimbangan antaranya (Perekonomian, 2021).
2.3 Produksi Kelapa Sawit
Produksi kelapa sawit meningkat setiap tahunnya, pada tahun 2015 produk- si kelapa sawit Indonesia mencapai 31,49 juta ton, hal ini meningkat dari tahun sebelumnya yang mencapai 31,07 juta ton. Peningkatan paling signifikan dari to- tal produksi yaitu dari 34,94 juta ton menjadi 42,88 juta ton atau naik 22,72%, lonjakan tersebut terjadi pada tahun 2017-2018. Produksi kelapa sawit mengalami peningkatan yang cukup signifikan dalam lima tahun terakhir, berdasarkan data dari Badan Pusat Statistik (BPS) produksi kelapa sawit menyentuh angka 48,42 juta ton tahun 2019 atau meningkat 12,92% dari tahun sebelumnya sebesar 42,88 juta ton (Annur, 2020).
Produksi kelapa sawit Indonesia pada tahun 2020 berada di atas rata-rata produksi tahunan meskipun banyak sektor industri yang terdampak pandemi Covid- 19 ditahun lalu, hal ini berdasarkan data Badan Pengelola Dana Perkebunan Kelapa Sawit (BPDPKS). Menurut Direktur Utama BPDPKS, produksi kelapa sawit In- donesia sepanjang tahun lalu mencapai 51,58 juta ton atau lebih tinggi dari rata-rata tahunan sebesar 37,57 juta ton (Ramli, 2021). Pemerintah terus melakukan pere- majaan kembali 180.000 hektar perkebunan kelapa sawit pada tahun 2021. Hal tersebut merupakan bagian dari tujuan untuk meningkatkan produktivitas indsutri kelapa sawit, terutama di tingkat petani kecil (Perekonomian, 2021).
2.4 Prediksi
Kamus Besar Bahasa Indonesia mengartikan bahwa prediksi merupakan ak- tivitas untuk memperkirakan hal yang akan terjadi. Prediksi dimaknakan menjadi penggunaan teknik-teknik statistik pada bentuk ilustrasi masa depan sesuai pen- golahan data-data historis. Prediksi berkaitan erat dengan pengambilan keputusan (Ayuningtias, Jumadi, dkk., 2017). Dalam prediksi dikatakan aktivitas untuk men- duga nilai sebuah variabel dependen berdasarkan variabel yang terkait atau vari- abel independen (Saputra dan Primadasa, 2018). Prediksi akan menyertakan dan memproyeksikan data historis untuk meramalkan masa depan menggunakan mo- del matematika (Alfarisi, 2017). Prediksi secara sistematis bertujuan untuk mem- peroleh pengetahuan berlandaskan bukti fisik. Prediksi diuji dengan melakukan eksperimen, dimana prediksi tersebut berasal dari hipotesis. Akan menjadi suatu teori ilmiah jika suatu hipotesis diuji berulang kali (Salmu dan Solichin, 2017).
Prediksi dapat dikatakan usaha untuk mencari sesuatu yang akan terjadi sedekat
mungkin dengan fakta, tidak serta merta memberikan jawaban pasti. Prediksi diba- gi menjadi dua cara (Kusumodestoni dan Sarwido, 2017).
1. Prediksi Kuantitatif
Prediksi kuantitatif berasal dari data kuantatif masa lampau, metode yang digunakan akan sangat berpengaruh dalam prediksi ini. Pemilihan metode yang baik dan sesuai akan sangat mempengaruhi hasil dari prediksi. Jika metode yang dipilih memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin terjadi, maka dapat dikatakan metode tersebut baik.
2. Prediksi Kualitatif
Prediksi kualitatif berasal dari data kualitatif masa lampau, jika variabel yang akan diprediksi tidak ada, hilang, tidak cukup atau tidak dipercaya maka dapat dilakukan prediksi kualitatif. Individu yang menyusun akan mempengaruhi hasil prediksi, hal tersebut karena hasil prediksi ditentukan oleh pemikiran, opini atau pengalaman dari penyusun.
2.5 Algoritma Backpropagation
Algoritma Backpropagation merupakan algoritma populer dan inklusif da- ri Artificial Neural Network (ANN) yang kerap digunakan untuk memprediksi (Fardhani dkk., 2018). Algoritma Backpropagation termasuk metode pembelajaran terbimbing atau supervised learning, Backpropagation menggunakan jaringan mul- ti layeryang memiliki satu atau lebih hidden layer dan melakukan propagasi balik dengan tujuan mengetahui nilai error yang dihasilkan jaringan keluaran (Putra dan Walmi, 2020). Backpropagation menggunakan data training dan bekerja secara berulang yang kemudian hasil prediksi dari jaringan dikomparasikan dengan data training. Bobot relasi diperbaiki pada setiap proses guna meminimalisir nilai Mean Square Error(MSE) pada hasil prediksi dengan hasil sesungguhnya. Perbaikan di- lakukan ketika arah mundur mulai dari output layer sampai layer pertama hidden layer, proses ini dinamakan Backpropagation (Julpan, Nababan, dan Zarlis, 2018).
Arsitektur jaringan Backpropagation dapat dilihat pada Gambar 2.2.
Gambar 2.2. Arsitektur Backpropagation
Prosedur pelatihan menggunakan algoritma Backpropagation terdiri dari tiga langkah, yaitu:
1. Fase I: Propagasi Maju (Feedforward)
Saat feedforward, setiap unit masukan (xi) akan menerima sinyal masukan dan akan membagikan sinyal tersebut pada tiap unit tersembunyi (zj). Ke- mudian setiap unit tersembunyi akan menghitung aktivasinya dan mengirim sinyal ke (zj) ke tiap unit keluaran lalu setiap unit keluaran (ykyk) juga akan menghitung aktivasinya (yk) untuk menghasilkan respon terhadap masukan yang diberikan jaringan.
2. Fase II: Propagasi Balik (Backpropagation)
Setiap unit keluaran (yk, y=1,2,3,...,m) akan menerima suatu target (kelu- aran yang diharapkan) yang kemudian dibandingkan dengan keluaran yang didapat. Faktor δkdiperlukan untuk menghitung koreksi error (4wjk) yang digunakan untuk memperbarui wjkdi layer keluaran ke semua layer tersem- bunyi yang terhubung langsung dengan layer keluaran ykDengan cara yang sama, dihitung faktor koreksi error 4vi j (δj) di setiap unit di layer tersem- bunyi sebagai dasar perubahan bobot.
3. Perubahan Bobot
Setiap unit keluaran (yk, k=1,2,3,...,m) akan memperbarui bias dan bobotnya dengan setiap unit tersembunyi. Begitu juga dengan setiap unit tersembunyi akan memperbarui bias dan bobotnya dengan setiap unit-unit masukan.
Ketiga fase tersebut diiterasi sampai kondisi penghentian dipenuhi. Bi- asanya kondisi penghentian yang acapkali digunakan ialah jumlah perulangan atau kesalahan. Perulangan akan berhenti jika jumlah perulangan telah melebihi jumlah maksimum yang ditetapkan atau bila kesalahan yang terjadi telah lebih kecil dari batas toleransi yang diijinkan (Sakinah, Cholissodin, dan Widodo, 2018). Berikut merupakan prosedur pelatihan menggunakan algoritma Backpropagation:
1. Langkah 0
Inisialisasi semua bobot dengan bilangan acak kecil Menetapkan maksimum epoch, target error dan learning rate Inisialisasi, epoch = 0 Selama epoch ¡ maksimum epoch dan MSE < target error, maka akan dikerjakan langkah- langkah berikut
2. Langkah 1
Jika kondisi henti masih belum terpenuhi, lakukan Langkah 2-9 3. Langkah 2
Untuk setiap pola input data latih, lakukan langkah 3-8.
Fase 1: Feedforward
4. Langkah 3
Setiap unit input menerima sinyal input dan meyebarkan sinyal tersebut pa- da seluruh unit pada hidden layer.
5. Langkah 4
Setiap hidden unit (zj, j=1,2,3,...,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot termasuk biasnya menggunakan rumus Persamaan 2.1.
znet j= vjo+
n i=1
∑
xivji (2.1)
Penggunaan fungsi aktivasi sigmoid yang telah ditetapkan untuk menghi- tung sinyal output dari hidden unit yang bersangkutan,
zj= f (znetj) = 2 : 1 + e−znet j− 11 (2.2) Kemudian mengirim sinyal output ke seluruh unit pada unit output
Keterangan:
(a) znetj = Sinyal input pada hidden layer ke - j (b) vjo= Bias ke hidden layer ke - j
(c) vji= Bobot antara unit input layer ke - I dan hidden layer ke - j (d) xi= Unit input layer ke - i
(e) zj = Unit input layer ke - j (f) i= Urutan unit input layer (g) j= Urutan unit hidden layer
(h) p= Jumlah maksimum unit pada hidden layer 6. Langkah 5
Setiap unit output (yk, k=1,2,3,. . . ,m) akan menjumlahkan sinyal-sinyal in- putyang sudah berbobot termasuk biasnya.
ynetk= wko+
p j=1
∑
zjwk j (2.3)
Penggunaan fungsi aktivasi yang telah ditetapkan untuk menghitung sinyal outputdari unit output yang bersangkutan:
yk= f (ynetk) = 2 : 1 + e−ynetk− 1 (2.4) Keterangan:
(a) ynetk = Sinyal masukan output ke – k
(b) wko= Bias ke hidden layer ke - k
(c) wk j = Bobot antara output ke – k dan hidden layer ke – j (d) zj = Aktivasi hidden layer ke – j
Fase II: Propagasi mundur 7. Langkah 6
Setiap unit output (yk, k=1,2,3,. . . ,m) menerima suatu target (output yang diharapkan) yang akan dibandingkan dengan output yang dihasilkan.
δk= (tk− yk) f·(ynetk) = (tk− yk)yk(1 − yk) (2.5) Faktor δk digunakan untuk menghitung koreksi error (wk j) yang dipakai untuk memperbarui wk j, dimana:
4wk j = alphaδkzj j (2.6) Faktor δkini kemudian dikirim ke layer depannya
Keterangan:
(a) δk = Faktor koreksi error bobot wk j (b) tk= Target output ke - k
(c) yk = Aktivasi output ke - k
(d) 4wk j = Nilai koreksi error bobot wk j (e) zj = Aktivasi hidden layer ke - j 8. Langkah 7
Setiap hidden unit (zj,1,2,3,. . . ,p) menjumlah input delta (yang dikirim pada layerpada Langkah 6) yang sudah berbobot.
δnet j=
m
∑
k=1
δkwk j (2.7)
Kemudian hasilnya akan dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi eror δj, dimana:
δj= δnet jf·(znetj) = δnet jzj(1 − zj) (2.8) Faktor δj digunakan untuk menghitung koreksi error (4vji) yang akan di- pakai untuk memperbarui vji, dimana:
4vji = alphaδkxi (2.9)
Keterangan:
(a) δnet j= Jumlah delta bobot hidden layer ke - j (b) δk = Faktor koreksi error bobot wk j
(c) wk j = Bobot antara output ke - k dan hidden layer ke - j (d) δj= Faktor koreksi bobot vi j
(e) zj = Aktivasi hidden layer ke - j (f) vji= Nilai koreksi error bobot vji (g) al pha= Laju percepatan (learning rate) (h) deltai= Faktor koreksi error bobot vji
(i) xi= Unit input ke - i Fase III: Perubahan Bobot 9. Langkah 8
Setiap unit output (yk, k=1,2,3,. . . ,m) akan memperbarui bias dan bobotnya dengan setiap hidden unit.
wk j(baru) = wk j(lama) + 4wk j (2.10) Begitu juga dengan setiap hidden unit akan memperbarui bias dan bobotnya denga setiap unit-unit input.
vji(baru) = vji(lama) + 4vji (2.11) Keterangan:
(a) wk j(baru) = Bobot baru dari unit hidden layer menuju unit output lay- er
(b) wk j(lama) = Bobot lama dari unit hidden layer menuju unit output layer
(c) vji(baru) = Bobot baru dari unit hidden layer menuju unit output layer (d) vji(lama) = Bobot lama dari unit hidden layer menuju unit output lay-
er 10. Langkah 9:
Memeriksa kondisi henti Jika kondisi henti telah terpenuhi, maka pelatihan jaringan dapat dihentikan.
2.6 Aplikasi
Aplikasi secara umum adalah alat yang bekerja secara khusus dan terinte- grasi sesuai dengan fungsinya. Aplikasi adalah perangkat komputasi siap pakai untuk pengguna. Aplikasi merupakan program yang bisa digunakan oleh pengguna
untuk menjalankan perintah yang disetujui dengan tujuan pembuatan aplikasi terse- but. Aplikasi biasanya bertujuan untuk memecahkan suatu masalah dengan meng- gunakan teknik pemrosesan data dengan komputasi yang disiapkan dengan harapan dapat memproses data yang diinginkan (Abdurahman dan Riswaya, 2014).
2.7 Website
Website merupakan keseluruhan laman-laman web yang ada pada sebuah domain yang mengandung informasi. Sebuah website umumnya dibangun atas banyak web yang saling berafiliasi. Web ialah sebuah sistem dengan informasi yang disajikan dalam bentuk teks, gambar, bunyi, serta lainnya yang tersimpan dalam se- buah server web internet yang tersaji dalam bentuk hypertext. Informasi web pada umumnya ditulis dengan format HTML. Hubungan web dibagi dalam tiga langkah yaitu permintaan, pemrosesan serta jawaban (Firmansyah, 2017).
2.8 Database
Database merupakan himpunan data yang dimuat menjadi satu kesatuan hingga menjadikannya informasi berkenaan dengan satu atau beberapa hal dan him- punan data tersebut tersimpan dalam bentuk tabel yang saling berhubungan atau berelasi (Anoraga, 2014).
2.9 MySql
MySqladalah turunan dari salah satu konsepsi dalam database, dimana SQL bertujuan untuk memilah atau menyeleksi dan penyetoran data agar mempermudah dalam mengerjakan pengoprasian data secara otomatis (Priyanti dan Iriani, 2013).
2.10 Xampp
Xampp dapat dijalankan pada sistem operasi yang berbeda seperti Linux, Windows dan Mac OS, sementara itu penamaan Xampp berasal dari akronim kata Apache, MySQL atau MariaDB, PHP dan Perl, dimana huruf “x” diambil dari is- tilah cross platform. Xampp berperan sebagai server lokal, dimana Xampp dapat digunakan secara offline untuk menampilkan konten yang ada pada website dalam kata lain xampp memiliki fungsi yang sama dengan web hosting namun bedanya Xamppdapat diakses secara offline (Setyawan dan Pratiwi, 2020).
2.11 Hypertext Preprocessor (PHP)
PHP merupakan bahasa pemrograman web yang bersifat dinamis dalam pemrosesan datanya. Selain itu PHP adalah sebuah server-side embedded script languageberarti sintaks dan perintah akan dijalankan oleh server namun disertakan pada halaman HTML biasa (Usada, Yuniarsyah, dan Rifani, 2012).
2.12 Model View Controller (MVC)
MVC merupakan sebuah konsep yang bertujuan untuk memisahkan antara proses, data dan tampilan. Konsep MVC biasanya diterapkan pada aplikasi yang cukup besar, selain itu MVC juga berfungsi untuk mengatur arsitektur pada sebuah aplikasi, dimana keuntungannya adalah kemudahaan untuk maintenance dan pe- ngembangan aplikasi tersebut (Wardana, 2010). Konsep MVC dapat dilihat pada Gambar 2.3.
Gambar 2.3. MVC 1. Model
Model merupakan komponen yang penitikberatan isinya berupa perintah SQL, dimana model bertugas untuk menangkap dan memasukan data dari dan ke database yang kemudian hasilnya diteruskan ke controller.
2. View
View merupakan komponen yang berfungsi agar user dapat melihat infor- masi yang akan ditampilkan pada website, dimana view mengorganisirkan data yang didapatkan dari controller. View meiliputi proses yang berkaitan dengan layout output.
3. Controller
Controller merupakan komponen yang menjadi penghubung antara model dan view, dimana komponen berfungsi untuk mengirim instruksi kepada model guna mendapatkan data, selain itu controller juga bertugas untuk mengirim data ke view dimana data tersebut dikelola dari input-an user dan dari model sesuai dengan aturan yang ada.
2.13 Object Oriented Analysis and Design (OOAD)
OOAD merupakan metode pengembangan sistem yang memiliki identitas diantaranya adalah object, inheritance dan object class. Dimana pada pendekatan ini, objek lebih diutamakan dibandingkan dengan data ataupun proses (Al Fatta dkk., 2007).
1. Object
Object merupakan benda nyata yang diabstraksi yang selanjutnya secara bersamaan data dan proses diletakkan guna memperoleh pola dari struktur dan perilaku objek di dunia nyata.
2. Object Class
Object classmerupkan pembagian struktur dan object yang sama dari ga- bungan object.
3. Inheritance
Inheritance merupakan pewarisan atribut dan metode kepada tipe entitas atau object class, dimana hal ini muncul ketika tipe entitas dan object class disusun secara hierarki.
2.14 Unified Modelling Language (UML)
UML merupakan bahasa yang berparadigma objek dalam pemodelan sistem atau perangkat lunak. Dalam menyederhanakan permasalahan-permasalahan yang kompleks maka dibutuhkan pemodelan agar lebih mudah dipahami dan dipelajari.
Selain itu sebagai sarana analisis, pemahaman, visualisasi dan komunikasi antar anggota pengembang serta sebagai sarana dokumentasi juga merupakan tujuan dari pemodelan (Yasin, 2012).
Guna mendapatkan pemahaman secara menyeluruh, seharusnya setiap sis- tem yang memiliki kompleksitas tinggi harus dilihat melalui berbagai sudut pan- dang yang berbeda. UML memiliki 9 diagram yang dikelompokan berdasarkan sifat statis atau dinamis untuk mengatasi hal tersebut (Sulistyorini, 2009). Dalam penelitian ini akan menggunakan 3 dari ke 9 diagram UML tersebut. Ke 3 diagram tersebut adalah sebagai berikut:
1. Class Diagram
Diagram yang bersifat statis ini bertujuan untuk melihat himpunan kelas, kolaborasi, antarmuka dan relasi. Keterangan simbol Class Diagram dapat dilihat seperti pada Tabel 2.1.
Tabel 2.1. Keterangan Simbol Class Diagram
Nama Keterangan
Generalization Hubungan dimana objek anak (descen- dent) berbagi prilaku dan struktur dari data objek yang ada diatasnya objek induk (an- cestor).
Nary Association Upaya untuk menghindari asosiasi dengan lebih dari 2 objek.
Class Himpunan dari objek objek yang berbagi atribut serta opersi yang sama.
Tabel 2.1 Keterangan Simbol Class Diagram (Tabel lanjutan...)
Nama Keterangan
Collaboration Deskripsi dari urutan aksi–aksi yang di- tampilkan sistem yang menghasilkan suatu hasil yang terukur bagi suatu aktor.
Realization Operasi yang benar–benar dilakukan oleh suatu objek.
2. Use Case Diagram
Diagramyang bersifat statis ini sangat penting agar suatu sistem dapat se- suai dengan yang dibutuhkan dan diharapkan pengguna. Dimana Use Case Diagram bertujuan untuk melihat himpunan Use Case dan aktornya serta mengorganisasi dan memodelkan sistem tersebut. Keterangan simbol Use Case Diagramdapat dilihat pada Tabel 2.2.
Tabel 2.2. Keterangan Simbol Use Case Diagram
Nama Keterangan
Actor Mengspesifikasikan himpuan peran yang pengguna mainkan ketika berinteraksi de- ngan use case.
Dependency Hubungan dimana perubahan terjadi pada suatu elemen yang mandiri (independent) akan mempengaruhi elemen yang bergan- tung padanya elemen yang tidak mandiri (independent).
Generalization Hubungan dimana objek anak (descen- dent) berbagi prilaku dan struktur dari data objek yang ada diatasnya objek induk (an- cestor).
Include Menspesifikasikan bahwa use case sumber secara eksplisit.
Extend Menspesifikasikan bahwa use case target memperluas perilaku dari use case sumber pada suatu titik yang diberikan.
Association Apa yang menghubungkan antara objek satu dengan objek lainnya.
System Menspesifikasikan paket yang
menampilkan sistem secara terbatas.
Use case Deskripsi dari urutan aksi yang ditampil- kan sistem yang menghasilkan suatu hasil yang terukur bagi suatu aktor.
Tabel 2.2 Keterangan Simbol Use Case Diagram (Tabel lanjutan...)
Nama Keterangan
Collaboration Interaksi aturan-aturan dan elemen lain yang bekerja sama untuk menyediakan pri- laku yang lebih besar dari jumlah dan elemen-elemennya (sinergi).
Note Elemen fisik yang eksis saat aplikasi di- jalankan dan mencerminkan suatu sumber daya komputasi.
3. Activity Diagram
Diagram yang bersifat dinamis ini penting untuk pemodelan fungsi yang terdapat dalam suatu sistem. Dimana Activity Diagram dalam sistem bertu- juan untuk memperlihatkan aliran aktifitas ke aktifitas lainnya. Keterangan simbol Activity Diagram dapat dilihat pada Tabel 2.3.
Tabel 2.3. Keterangan Simbol Activity Diagram
Nama Keterangan
Activity Memperlihatkan bagiman masing- masing kelas antar muka saling berinteraksi satu sama lain.
Action Statedari sistem yang mencerminkan ek- sekusi dari suatu aksi.
Initial Node Bagaimana objek di bentuk atau diawali.
Actifity Final Bagaimana objek dibentuk dan dihan- curkan.
Fork Node Satu aliran yang pada tahap tertentu berubah menjadi beberapa aliran.
2.15 System Development Life Cycle (SDLC)
Menurut Satzinger, Jackson, dan Burd (2015), SDLC memiliki fase yang berurutan dan setiap fase harus diselesaikan terlebih dahulu untuk berlanjut ke fase selanjutnya. SDLC memiliki beberapa fase meliputi project planning phase, anal- ysis phase, design phase, implementation phase dan support phase (Pamungkas, Dedih, dan Suprapto, 2017). Fase SDLC dapat dilihat pada Gambar 2.4.
Gambar 2.4. SDLC
Dalam pengembangan suatu sistem terdapat hal yang harus dikerjakan de- ngan setiap kegiatan mempunyai keterkaitan. Beberapa pendekatan pengembangan sistem dibagi menjadi beberapa fase dengan urutan yang telah ditentukan (Satzinger dkk., 2015). Berikut merupakan penjelasan dari fase SDLC:
1. Project Planning Phase
Fase project planning juga sering disebut sebagai inisiasi proyek, dimana pada fase ini akan dilakukan pengidentifikasian masalah dan persetujuan untuk pengembangan sistem baru. Pada fase ini juga meliputi kegiatan mu- lai dari perencanaan, pengorganisasian dan pengaturan jadwal proyek. Fase ini akan menggambarkan keseluruhan proyek pengembangan sistem.
2. Analysis Phase
Fase analysis merupakan fase yang meliputi kegiatan untuk mendalami per- masalahan yang ada dan melakukan analisis kebutuhan yang diperlukan dalam pengembangan sistem. Dibutuhkan ketepatan dalam mengidenti- fikasi kebutuhan agar sesuai dengan proses bisnis yang berjalan.
3. Design Phase
Fase design merupakan fase selanjutnya dimana pada fase ini akan di- lakuakan konfigurasi dan sistemisasi komponen sistem yang akan dikem- bangkan. Fase ini juga meliputi dari eskalasi struktur program dan algoritma sistem yang akan dikembangkan.
4. Implementation Phase
Fase Implementation merupakan fase dimana perwujudan secara nyata dari fase-fase sebelumnya. Dimana fase ini meliputi penerapan kode program dan pengujian dari sistem yang dibangun.
5. Support Phase
Fase support atau juga sering disebut fase pendukung, pada fase ini men- cakup kegiatan untuk meningkatkan dan memelihara sistem setelah diim- plementasikan. Fase pendukung merupakan fase pelengkap dalam SDLC walaupun biasanya tidak dianggap masuk dalam fase pengembangan.
2.16 Waterfall
Model Waterfall merupakan pendekatan SDLC yang paling adaptif, seper- ti namanya dalam model Waterfall menerapkan pendekatan satu per satu dari atas mengalir kebawah. Pendekatan ini mengasumsikan bahwa setiap tahap dapat disele- saikan secara berurutan (Satzinger dkk., 2015). Alur Waterfall dapat dilihat seperti pada Gambar 2.5.
Gambar 2.5. Waterfall
Waterfall meliputi tahap dari perencanaan yang terinci, penentuan per- syaratan secara keseluruhan, perancangan sistem, penerapan algoritma hingga pen- gujian, dan penginstalan program. Pada dasarnya model Waterfall merupakan pen- dekatan yang kurang fleksibel dan tidak dapat selalu bekerja dengan baik. Di- mana sebegai pengembang tidak sering mengalami kendala ataupun masalah dalam menyelesaikan setiap tahapan. Namun, model Waterfall adalah bentuk gambaran murni dan memberikan gambaran dasar yang mudah dipahami terkait proses pe- ngembangan (Satzinger dkk., 2015).
2.17 Review Paper
Review paperdilakukan untuk melihat algoritma terbaik dalam hal prediksi, dalam hal ini paper yang di-review merupakan paper-paper perbandingan meng- gunakan berbagai macam algoritma prediksi dalam memprediksi berbagai macam kasus. Adapun review paper dapat dilihat seperti pada Tabel 2.4.
Tabel 2.4. Review Paper
Judul dan Algoritma Ringkasan dan Terbaik
Performance Comparison Between Sup- port Vector Regression and Artificial Neu- ral Network for Prediction of Oil Palm Production. Jurnal Ilmu Komputer dan In- formasi, 9(1), 1-8. Mustakim, M., Buono, A., dan Hermadi, I. (2016). (Support Vec- tor Regression(SVR) dan Artificial Neural Network(ANN))
Produksi kelapa sawit di Riau mengalami pen- ingkatan setiap kurun waktunya. Penelitian ini un- tuk memprediksi produksi kelapa sawit kedepan- nya menggunakan SVR dan ANN. Dataset yang digunakan adalah dataset time series selama ku- run waktu 2005-2013. Hasil penelitian ini menun- jukan bahwa SVR lebih baik dibandingkan ANN dengan koefisien korelasi sebesar 95% dan MSE 6% pada kernel Radial Basis Function, sementara ANN menghasilkan R2 sebesar 74% dan MSE 9% pada percobaan ke-8 dengan Hidden Neuron 20 dan Learning Rate 0,1. (Support Vector Re- gression).
Perbandingan Regresi Linear, Backpropa- gationdan Fuzzy Mamdani Dalam Predik- si Harga Emas. Prosiding SENIATI, 291- B. Nafi’iyah, N. (2016). (Multiple Linear Regression (MLR), Backpropagation, dan Fuzzy Mamdani)
Emas merupakan salah satu alat investasi, ke- untungan akan didapatkan jika dapat memahami pergeseran harga emas. Penelitian ini memband- ingkan algoritma MLR, Backpropagation, dan Fuzzy Mamdani. Hasil penelitian didapatkan bah- wa algoritma Backpropagation merupakan yang terbaik dengan tingkat akurasi 95%, diikuti ML- R dengan tingkat akurasi 93%, sementara Fuzzy Mamdani tidak dapat memprediksi dengan baik karena tingkat akurasi yang didapat kurang dari 1%. Disimpulkan bahwa algoritma Backpropaga- tionterbaik dalam kasus ini. (Backpropagation).
Analisa Komparasi Neural Network Back- propagation dan Multiple Linear Re- gression untuk Peramalan Tingkat Inflasi.
Jurnal Teknik Komputer, 2(2), 1-6. Amrin, A. (2016). (Backpropagation dan Multiple Linear Regression(MLR)).
Tingkat inflasi merupakan sesuatu yang penting bagi perekonomian suatu negara. Peramalan tingkat inflasi akan menjadi dasar pemerintah dalam pengambilan kebijakan terkait ekonomi di masa mendatang. Penelitian ini menggunakan metode prediksi Backpropagation dan MLR un- tuk memprediksi nilai inflasi bulanan di Indone- sia. Hasil performa model MLR merupakan yang terbaik dengan nilai Mean Absolute Devi- ation (MAD) sebesar 0.0380, Mean Square Er- ror (MSE) sebesar 0.0023, dan nilai Root Mean Square Error(RMSE) sebesar 0.0481, sementara performa model Backpropagation menghasilkan tingkat akurasi dengan nilai MAD sebesar 0.0577, MSE 0.0069, dan nilai RMSE sebesar 0.0830.
(Multiple Linear Regression).
Tabel 2.4 Review Paper (Tabel lanjutan...)
Judul dan Algoritma Ringkasan dan Terbaik
A Comparison of Neural Network Model- s, Fuzzy Logic, and Multiple Linear Re- gression for Prediction of Hatchability.
Poultry science, 92(4), 1138-1142. Mehri, M. (2013). (Backpropagation Neural Net- work, Fuzzy Logic, dan Multiple Linear Regression(MLR)).
Daya tetas pada ayam petelur merupakan sesu- atu yang sangat penting, faktor yang mempen- garuhi diantaranya berat telur, ketebalan kulit telur, sphericity telur, dan rasio albumin. Predik- si membantu dalam pengambilan keputusan yang tepat dalam perunggasan. Penelitian ini meng- hasilkan bahwa Backpropagation Neural Network lebih baik dengan koefisien lebih tinggi (R2 = 0,99) daripada Fuzzy Logic (R2 = 0,87). Neu- ral Networkmengungguli Fuzzy Logic dan MLR untuk memprediksi daya tetas selama siklus aw- al produksi pada ayam petelur. (Backpropagation Neural Network).
Analisis Perbandingan Metode Logika Fuzzy Dengan Jaringan Syaraf Tiruan Backpropagation Fuzzy pada Peramalan Kebutuhan Energi Listrik Jangka Panjang di Indonesia Sampai Tahun 2022. Tran- sient: Jurnal Ilmiah Teknik Elektro, 3(2), 245-251. Nurkholiq, N., Sukmadi, T., dan Nugroho, A. (2014). (Fuzzy Logic, dan Backpropagation).
Indonesia memerlukan peramalan jangka panjang sampai tahun 2022 untuk optimalisasi penyedi- aan energi listrik negara. Peramalan didasarkan atas statistik dan analisis karakteristik konsumsi energi masa lampau. Metode pada penelitian i- ni adalah Fuzzy Logic dan Backpropagation de- ngan 2 hidden layer. Hasil peramalan kebutuhan energi listrik Indonesia tahun 2022 menunjukan metode Fuzzy Logic sebesar 215.203 GWh dan Backpropagationsebesar 242.120 GWh. Nilai er- ror Fuzzy Logicsebesar 8,2413% sementara nilai error Backpropagationsebesar 2,8027%. (Back- propagation).
Perbandingan Metode Regresi Linear dan Neural Network Backpropagation Dalam Prediksi Nilai Ujian Nasional Siswa Sm- p Menggunakan Software R. Joutica, 5(1), 331-336. Masruroh, M. (2020). (Regresi Linear, dan Backpropagation Neural Net- work).
Ujian Nasional merupakan salah satu cara untuk mengukur pencapaian kelulusan mata pelajaran tertentu di tingkat nasional. Metode yang digu- nakan pada penelitian ini adalah Regresi Linear dan Backpropagation. Data penelitian ini adalah data nilai Ujian Akhir Sekolah, nilai Ujian Seko- lah, dan nilai Ujian Nasional siswa angkatan 2015 yang lulus tahun 2018 SMPN 1 Lamongan dan SMPN 2 Lamongan. Hasil menunjukan bah- wa model Backpropagation Neural Network lebi- h baik dibandingkan dengan model Regresi Lin- ear dengan nilai RMSE sebesar 7,28 dan MAPE sebesar 0,55%, sementara model Regresi Linear hanya menghasilkan nilai RMSE sebesar 9,04 dan MAPE sebesar 3,94%. (Backpropagation Neural Network).
