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

(1)

BAB 3

METODE PENELITIAN

3.1 Merumuskan Masalah

Langkah awal pada penelitian ini adalah merumuskan masalah yang aka dipecahkan. Masalah yang dirumuskan berdasarkan pendahuluan yaitu bagaimana menggunakan jaringan syaraf tiruan model backpropagation untuk meramalkan jumlah sampah masyarakat Kota Medan pada tahun 2016 dan mengetahui tingkat akurasi dari peramalan tersebut. Serta mengetahui pengaruh manakah yang paling mempengaruhi jumlah sampah masyarakat di Kota Medan.

Adapun data yang akan dibutuhkan dalam proses penelitian ini adalah data jumlah sampah masyarakat dari tiap kecamatan yang terdapat di Kota Medan dari tahun 1992 sampai tahun 2015. Kemudian data jumlah penduduk Kota Medan dan jumlah pengeluaran masyarakat kota Medan terhadap makanan dan non makanan yang diasumsikan sebagai tingkat kosumsi masyarakat pada tahun 2005 sampai tahun 2015.

3.2 Studi Literatur

Dalam studi literatur ini digunakan sumber pustaka yang relevan yang digunakan untuk mengumpulkan informasi yang diperlukan dalam penelitian. Studi literatur dengan mengumpulkan sumber pustaka yang dapat berupa buku, teks, makalah, jurnal dan sebagainya. Setelah semua sumber pustaka terkumpul dilanjutkan dengan penelaahan dari sumber pustaka tersebut. Pada akhirnya sumber pustaka itu dijadikan landasan dalam menganalisis permasalahan yang akan dipecahkan.

(2)

33

membantu menyelesaikan permasalahan yang ada. Pada tahap ini, permasalahan akan diidentifikasi, dikaji dan dianalisis model penelitiannya agar mendapatkan hasil yang akurat dengan merujuk dari sumber yang ada.

3.3 Pemecahan Masalah

3.3.1 Pengamatan dan Pengolahan Data

Pada tahap ini dilakukan pengamatan dan pengumpulan data sekunder yang diperoleh dari Kantor Badan Pusat Statistik (BPS) Kota Medan yang meliputi data jumlah sampah masyarakat dari tiap kecamatan yang terdapat di Kota Medan dari tahun 1992 sampai tahun 2015. Kemudian data jumlah penduduk Kota Medan dan jumlah pengeluaran masyarakat kota Medan terhadap makanan dan non makanan yang diasumsikan sebagai tingkat kosumsi masyarakat yang berasal dari website resmi BPS Sumatera Utara yaitu sumut.bps.go.id.

Data jumlah sampah masyarakat Kota Medan dari tahun 1992 sampai tahun 2015 akan digunakan untuk peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016 menggunakan jaringan syaraf tiruan backpropagation. Sedangkan data jumlah penduduk Kota Medan dan data tingkat konsumsi masyarakat akan digunakan untuk mencari faktor mana yang paling mempengaruhi meningkatnya umlah sampah masyarakat Kota Medan.

3.3.2 Membuat Landasan Teori

Setelah mendapatkan data yang dibutuhkan dalam penelitian, selanjutnya dilakukan pembahasan secara toritis mengenai metode yang digunakan dalam penelitian berdasarkan hasil studi literatur. Hal ini dilakukan untuk mengetahui bagaimana metode yang digunakan dalam kajian teorinya sebelum digunakan dalam penelitian. Pembahasan ini terdapat dalam tinjauan pustaka.

3.3.3 Analisis Jaringan Syaraf Tiruan Model Backpropagation

(3)

Error) dan MAPE (Mean Absolute Percentage Error) dari hasil peramalan. Dalam menganalisis data dengan model backpropagation digunakan software MATLAB sebagai alat bantu perhitungan. Untuk melakukan peramalan digunakan algoritma backpropagation yang memerlukan beberapa langkah. Langkah-langkah dalam algoritma backpropagation kemudian dibagi kedalam beberapa tahap, yaitu:

1. Menentukan input

Identifikasi input didasarkan pada lag-lag signifikan pada plot fungsi auto correlation function (ACF) dan partial auto correlation function (PACF) untuk memastikan data yang akan diinput adalah data yang stationer.

2. Pembagian data

Data yang telah diinput dibagi menjadi 2 yaitu data untuk proses training dan data untuk proses testing. Komposisi yang digunakan adalah 75% data untuk proses training dan 25% data untuk proses testing.

3. Normalisasi data

Data yang telah diinput dan dibagi menjadi 2 kemudian dinormalisasi menggunakan perintah prestd dalam MATLAB. Fungsi aktivasi yang digunakan pada hidden layer adalah sigmoid biner (tansig), sedangkan pada output layer adalah fungsi aktivasi linier (purelin). Hal ini dilakukan dengan meletakkan data pada renge tertentu. Proses ini juga dapat dilakukan dengan bantuan mean dan standar deviasi.

4. Penentuan arsitektur jaringan yang optimum.

Dalam menentukan arsitektur jaringan yang optimum dilihat dari nilai MSE dan MAPE yang terkecil setelah melakukan proses pelatihan (training). Proses penentuan arsitektur jaringan yang optimum adalah:

a. Menentukan banyaknya neuron pada hidden layer b. Menentukan input yang optimal

c. Menentukan output yang optimal

(4)

35

Beberapa parameter lain: 1. Kinerja tujuan

2. Learning rate

3. Rasio untuk menaikkan leraning rate 4. Rasio untuk menurunkan learning rate 5. Maksimum kegagalan

6. Maksimum kinerja kerja 7. Gradien minimum 8. Momentum

9. Jumlah epoh yang akan ditunjukkan kemajuannya 10.Waktu maksimum untuk pelatihan

6. Uji kesesuaian model

7. Denormalisasi

Setelah proses selesai maka data akan didenormalisasi atau dikembalikan ke proses semula.

3.3.4 Analisis Korelasi Berganda

Pada tahap ini akan diketahui faktor manakah yang paling mempengaruhi meningkatnya jumlah sampah masyarakat. Antara jumlah penduduk yang terus meningkat dan tingkat konsumsi masyarakat yang terus meningkat. untuk mengetahuinya dilakukan analis korelasi berganda dengan perhitungan koefisien korelasi antara variabel Y dengan variabel X. Dengan jumlah sampah masyarakat (Y), tingkat konsumsi masyarakat (X1) dan jumlah penduduk

(X2). Dengan langkah sebagai berikut:

1. Menentukan persamaan regresi

(5)

2. Mengetahui hubungan antar variabel

Untuk mengetahui hubungan antar variabel maka dilakukan analisis korelasi antar variabel dengan rumus yang sudah dijelaskan pada tinjauan pustaka.

3.4 Mengambil Kesimpulan

(6)

BAB 4

HASIL DAN PEMBAHASAN

4.1 Peramalan menggunakan Jaringan Syaraf Tiruan model Backpropagation

4.1.1 Identifikasi Kestationeran Data

Langkah awal yang dilakukan sebelum menginput data untuk peramalan menggunakan jaringan syaraf tiruan adalah dengan melihat kestationeritasan data. Hal ini diperlukan karena untuk meramalkan data menggunakan jaringan syaraf tiruan model backpropagation dianjurkan menggunakan data yang stationer. Kestationeran data dapat dilihat berdasarkan plot auto correlation function (ACF) dan partial auto correlation function (PACF). Jika ada garis yang melewati selang kepercayaan berarti selang tersebut telah signifikan.

Berdasarkan data jumlah sampah masyarakat Kota Medan (Lampiran 1), dengan menggunakan software SPSS maka didapatkan plot ACF dan PACF sebagai berikut:

(7)

Gambar 4.2 Plot PACF jumlah sampah masyarakat Kota Medan tahun 1992-2015

Pada data jumlah sampah masyarakat Kota Medan tahun 1992 sampai tahun 2015 seperti yang terlihat pada Gambar 4.1, plot ACF yang signifikan adalah lag 1, dan lag 2. Sedangkan pada Gambar 4.2, plot PACF yang signifikan adalah lag 1. Ini berarti data yang ada tidak stationer.

4.1.2 Penerapan Jaringan Syaraf Tiruan Model Backpropagation Untuk Meramalkan Jumlah Sampah Masyarakat

Penerapan jaringan syaraf tiruan model backpropagation untuk meramalkan jumlah sampah masyarakat dengan variabel input yaitu jumlah sampah masyarakat Kota Medan. Data yang digunakan periode tahunan dari tahun 1992 sampai tahun 2015.

4.1.2.1 Penentuan Input Jaringan

Input jaringan dilakukan berdasarkan lag-lag yang signifikan pada plot ACF dan PACF yang sudah dibahas sebelumnya. Berdasarkan hasil plot ACF dan PACF sebelum dilakukan pembedaan, input yang akan digunakan pada penelitian ini didasarkan pada plot PACF yaitu pada lag 1. Maka input jaringan terdiri atas sebagai jumlah sampah masyarakat sehingga banyaknya data menjadi 22 data (Lampiran II).

(8)

39

Data untuk peramalan menggunakan algoritma backpropagation dibagi menjadi dua bagian, yaitu data training dan data testing. Pada peramalan jumlah sampah masyarakat ini, menggunakan 75% data untuk proses training dan 25% data untuk proses testing. Maka dari itu data untuk proses training pada peramalan ini sebanyak 17 data dan data untuk proses testing pada peramalan ini sebanyak 5 data (Lampiran III).

4.1.2.3 Normalisasi Data

Di dalam algoritma jaringan syaraf tiruan model backpropagation digunakan fungsi aktivasi sigmoid bipolar di mana fungsi ini bernilai antara 1 s.d -1. Namun fungsi tersebut tidak pernah mencapai angka 1 maupun -1. Oleh sebab itu, data yang akan digunakan untuk peramalan perlu dinormalisasi terlebih dahulu ke dalam range tertentu. Oleh karena itu, data yang akan digunakan pada proses training dan proses testing yang terdapat pada lampiran III akan dinormalisasikan terlebih dahulu. Untuk menormalisasi data tersebut menggunakan perintah prestd pada MATLAB sebagai berikut:

[Pn,meanp,stdp]=prestd(P); [Tn,meant,stdt]=prestd(T);

Hasil proses normalisasi yang telah dilakukan dapat dilihat pada Lampiran IV.

4.1.2.4 Menentukan Arsitektur Jaringan yang Optimal pada Proses Training

Arsitektur jaringan syaraf tiruan model backpropagation secara umum dapat dilihat pada Gambar 2.4 yang terdiri dari input layer, hidden layer dan output layer. Pada tahap ini akan ditentukan arsitektur jaringan yang optimal yang sesuai dengan data dan proses peramalan yang akan dilakukan. Untuk menentukan arsitektur jaringan yang optimal yang akan digunakan pada peramalan jumlah sampah masyarakat Kota Medan, maka perlu diketahui parameter-parameter yang mempengaruhi arsitektur jaringan tersebut.

(9)

1) Menentukan banyaknya node yang tersembunyi

Pada proses training algoritma backpropagation yang dilakukan akan ditentukan banyaknya node pada hidden layer. Untuk menentukan banyaknya node yang akan digunakan, maka akan dilakukan percobaan dengan menginput mulai dari satu node sampai 11 node menggunakan perintah pembelajaran traingdx pada MATLAB. Banyaknya node yang dipilih adalah banyaknya node yang terbaik berdasarkan nilai MAPE yang terkecil. Hasil yang diperoleh dapat dilihat dari tabel berikut:

Tabel 4.1 Nilai MSE dan MAPE hasil pembelajaran traingdx dengan algoritma Backpropagation

Keterangan: *banyaknya node yang terbaik pada hidden layer 2) Menentukan input yang optimal

Arsitektur jaringan yang akan dibangun haruslah berdasarkan input yang sederhana namun optimal, untuk itu perlu dilakukan pengecekan terhadap input jaringan. Karena penelitian ini mengambil input data berdasarkan plot PACF dan hanya ada satu lag yang signifikan, maka lag 1 ( ) sudah dianggap sebagai jaringan yang paling optimal untuk digunakan.

(10)

41

Pada proses peramalan ini, output yang dibutuhkan hanyalah 1 output yaitu hasil dari peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016

Arsitektur model jaringan syaraf tiruan dengan algoritma backpropagation yang dibangun dari 9 node pada hidden layer dengan input dan output untuk peramalan jumlah sampah masyarakat Kota Medan adalah sebagai berikut:

Gambar 4.3 Arsitektur model jaringan syaraf tiruan dengan Algoritma backpropagation pada peramalan jumlah sampah.

4.1.2.5 Proses Training Jaringan Syaraf Tiruan Model Backpropagation

Pada proses training ini akan digunakan metode pembelajaran traingdx pada software MATLAB. Ada beberapa parameter yang dimasukkan dalam metode pembelaran ini. Adapun parameternya adalah sebagai berikut:

1) Menentukan bobot model

Inisialisasi bobot dilakukan secara acak, dalam penelitian ini untuk menentukan bobot masukan menggunakan software MATLAB yaitu sebagi berikut:

Bobot awal input layer ke hidden layer pertama:

bias

�

bias

�

(11)

BobotAwal_Input=net.IW{1,1}

Bobot bias awal input layer ke hidden layer pertama:

BobotAwal_Bias_Input=net.b{1,1}

Bobot awal hidden layer pertama ke hidden layer kedua:

BobotAwal_Lapisan=net.LW{2,1}

Bobot bias awal hidden layer pertama ke hidden layer kedua:

BobotAwal_Bias_Lapisan=net.b{2,1}

2) Menentukan nilai maksimum epoch

untuk menentukan nilai dari maksimum epoch dari peramalan jumlah sampah maka dilakukan percobaan dari maksimum jumlah epoch 1.000 sampai maksimum jumlah epoch 5.000.000. Hasil dari percobaan tersebut adalah sebagai berikut:

Tabel 4.2 Maksimum Jumlah epoch Pada proses pembelajaran traingdx dengan algoritma Backpropagation

Keterangan: * maksimum jumlah epoch yang akan digunakan

(12)

43

Pada metode pembelajaran traingdx pada proses training dengan menginput maksimum epoch dan beberapa parameter lainnya di MATLAB dapat dituliskan sebagai berikut:

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.trainParam.show=25;

net=train(net,Pn,Tn);

Dari proses training yang dilakukan berdasarkan parameter-parameternya, sehingga didapatlah hasil proses training pada MATLAB seperti gambar berikut:

Gambar 4.4 Hasil proses training sampai 100.000 epoch(iterasi)

Pada Gambar 4.3 terlihat bahwa performance jaringan telah goal (berhenti saat nilai MSE (berhenti saat nilai MSE terkecil jaringan lebih kecil dari batas nilai goalnya) dimana 0,0499 < 0,05 dan berhenti pada epoch ke 362.

(13)

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}

Kemudian dilakukan evaluasi output jaringan data (data training) untuk mengetahui gradient garis terbaik dan koefisen korelasi pada peramalan dengan perintah postreg pada MATLAB yang ditulis sebagai berikut:

[ml,al,rl]=postreg(a,T)

Menghasilkan:

Gradient garis terbaik (ml):

ml = 0,9137

Konstanta:

al = 3,70E+004

koefisien korelasi:

rl = 0,9738

(14)

45

Gambar 4.5 Koefisien korelasi output dan target

4.1.2.6 Uji Kesesuaian Model

Model backpropagation yang telah terbentuk dari 9 node pada hidden layer dengan input diuji kesesuaian modelnya. Pengujiannya dilihat dari plot ACF dan PACF dari data training, dengan hasil plot seperti gambar berikut:

Gambar 4.6 Plot ACF arsitektur jaringan algoritma Backpropagation dengan 9 node pada hidden layer dan sebagai input

(15)

Dalam Gambar 4.5 dan Gambar 4.6 , ACF dan PACF terlihat bahwa semua lag berada dalam selang kepercayaan, berarti error bersifat acak/random. Sehingga model jaringannya dapat digunakan sebagai model peramalan jumlah sampah masyarakat Kota Medan.

4.1.3 Peramalan Jumlah Sampah Masyarakat

4.1.3.1 Hasil Peramalan Menggunakan Algoritma Backpropagation

Proses peramalan ini menggunakan arsitektur jaringan terbaik yang telah terbangun dari 9 node pada hidden layer dengan input . Nilai input untuk peramalan untuk jumlah sampah masyarakaat Kota Medan pada tahun 2016 adalah data jumlah sampah masyarakat Kota Medan dari tahun 1992 sampai tahun 2015. Pada tahun 2015 jumlah sampah masyarakat Kota Medan adalah 634.965 ton. Setelah dinormalisasi data input menjadi 4,2375. Output layer merupakan hasil peramalan algoritma backpropagation dengan rumus yang merujuk pada persamaan (14) yaitu sebagai berikut:

=

1−

Operasi output pada input layer ke-j ke hidden layer dengan rumus yang merujuk dari persamaan (11) yang digunakan sebagai berikut:

(16)

47

_ =

36,8105

64,4307

Dengan menggunakan fungsi aktivasi sigmoid bipolar menggunakan rumus yang merujuk pada persamaan (12), sehingga diperoleh:

=

_

=

1−

(17)

4.1.3.2 Denormalisasi Data

Hasil dari peramalan sebelumnya merupakan data yang dinormalisasi, maka hasil tersebut akan dikembalikan seperti semula yang disebut denormalisasi data. Data akan didenormalisasi dengan fungsi poststd pada MATLAB, dengan perintah sebagai berikut:

[P]=poststd(pn,meanp,stdp) [T]=poststd(tn,meant,stdt)

Hasil peramalan yang diperoleh adalah nilai = 1,4176 yang kemudian didenormalisasikan menggunakan perintah poststd pada MATLAB sehinggan menjadi 6,7906e+005 yaitu sekitar 679.060 ton. Hasil tersebut merupakan hasil peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016.

4.2 Analisis Korelasi antar Variabel

Pada analisis ini akan meentukan faktor manakah yang paling mempengaruhi jumlah sampah masyarakat Kota Medan yang terus meningkat. metode yang digunakan adalah analisis regresi dan korelasi.

4.2.1 Analisis Regresi Berganda

Untuk mengetahui pengaruh manakah yang paling mempengaruhi meningkatnya jumlah sampah masyarakat maka akan digunakan analisis korelasi. Sebelum menghituang analisis korelasi antar variabel, maka akan dilakukan terlebih dahulu analisis regresi berganda untuk melihat apakah kedua variabel yang dianggap paling berpengaruh terhadap meningkatnya jumlah sampah masyarakat berpengaruh positif.

Pada analis regresi berganda, data yang digunakan berasal dari buku SUSENAS yang

(18)

49

Dengan data yang akan digunakan untuk menghitung analisis regresi berganda dalam penelitian ini terlihat pada tabel berikut:

Tabel 4.3 Data untuk menghitung analisis regresi berganda Y

Y = Jumlah sampah masyarakat Kota Medan (ton) X1= Tingkat konsumsi masyarakat (Rp)

X2= Jumlah penduduk (jiwa)

Untuk mengetahui pengaruh mana yang paling mempengaruhi jumlah sampah masyarakat, maka harus dicari persamaan regresi terlebih dahulu. Untuk itu, maka data yang akan digunakan untuk analisis regresi berganda pada Tabel 4.3 perlu disusun kedalam Tabel penolong yang ada pada Lampiran VIII untuk membantu menyelesaikan persamaan regresi.

Bedasarkan Tabel penolong pada Lampiran VIII diperoleh:

= 5527478,1 ₂ = 1,19005E+14

1 = 107825484 1 2= 6,74792E+25

(19)

1 = 5,66172E+13 22 = 5,05059E+13

Selanjutnya data akan digunakan untuk mencari persamaan regresi berganda, yaitu:

Ŷ

= b

0

+ b

1

X

1

+ b

2

X

2 (30)

Untuk menghitung nilai dari b0, b1, dan b2 dapat menggunakan rumus berikut:

= 0 + 1 1 + 2 2

(31)

Jika rumus tersebut dimasukkan dalam persamaan tersebut, maka:

5527478,1 = 11 b0 + 107825484 b1 + 23539550 b2

5,66172E+13 = 107825484 b0 + 1,16389E+15 b1 + 6,74792E+25 b2

1,19005E+14 = 23539550 b0 + 6,74792E+25 b1 + 5,05059E+13 b2

Untuk menemkan hasilnya maka digunakan bantuan dari software SPSS agar ditemukan persamaan. Dengan hasilnya adalah sebagai berikut:

Tabel 4.4 Hasil Koefisien menggunakan SPSS

Coefficientsa

Model Unstandardized Coefficients Standardized

(20)

51

Berdasarkan hasil dari software SPSS maka didapatlah persamaan regresinya sebagai berikut:

Ŷ = 91,004 + 0,018X1 + 0,150X2 (32)

Persamaan ini menunjukkan bahwa tingkat konsumsi masyarakat (+0,018) dan jumlah penduduk (+0,150) memiliki pengaruh positif terhadap jumlah sampah masyarakat. Yaitu jika tingkat konsumsi masyarakat meningkat maka jumlah sampah juga akan meningkat. begitu pula dengan jumlah penduduk, jika jumlah penduduk meningkat maka jumlah sampah juga akan meningkat.

4.2.2 Korelasi Antar Variabel

Setelah mendapatkan hasil persamaan regresi berganda dan membuktikan bahwa jumlah penduduk dan tingkat konsumsi masyarakat Kota Medan memiliki pengaruh positif terhadap jumlah sampah masyarakat Kota Medan. Selanjutnya akan dilakukan perhitungan korelasi antar variabel Y dengan X1 dan X2 untuk mengetahui pengaruh manakah yang paling

mempengaruhi jumlah sampah masyarakat kota medan.

1) Korelasi antara variabel Y dengan X1

Untuk mengetahui hubungan antara jumlah sampah masyarakat Kota Medan dengan tingkat konsumsi masyarakat Kota Medan digunakan rumus yang merujuk pada persamaan (25), sehingga didapatlah hasil:

ryx1= 1 − 1

12− 1 2 2− 2

(33)

ryx1=

12 56617182571047,6 − (107825484,0)(5527478,1)

12 1163892957379060,0 − 107825484,0 2 12 2864866153375,5 − 5527478,1 2

ryx1=

83403189420671 94619469449975

(21)

Berdasarkan hasil korelasi yang bernilai positif menandakan hubungan yang searah antara jumlah sampah masyarakat dan tingkat konsumsi masyarakat dengan hasil korelasi sebesar 0,88146.

2) Korelasi antara variabel Y dengan X2

Untuk mengetahui hubungan antara jumlah sampah masyarakat Kota Medan dengan pertumbuhan jumlah penduduk Kota Medan digunakan rumus yang merujuk pada persamaan (25), sehingga didapatlah hasil:

ryx2=

2 − 2

22− 2 2 2− 2

(34)

ryx2=

12 11900488495295,6 − (23539550,0)(5527478,1)

12 50505941685848,0 − 23539550,0 2 12 2864866153375,5 − 5527478,1 2

ryx2=

12691514834692 14098585685092

ryx2=0,90019

(22)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan penelitian yang telah dilakukan dapat diambil beberapa kesimpulan yaitu

1. Hasil peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016 adalah

= 1,4176 yang kemudian didenormalisasikan menggunakan perintah poststd pada MATLAB sehinggan menjadi 6,7906e+005 yaitu sekitar 679.060 ton. Yang berarti meningkat dari tahun sebelumnya (2015) yaitu sebesar 634.965 ton.

2. MSE dan MAPE terbaik yang didapatkan pada proses training yaitu sebesar 2,28E+07 dan 0,7843, yang berarti tingkat akurasi peramalan semakin tinggi dengan 9 node pada hidden layer. Dengan iterasi maksimum pada proses training dan proses testing yaitu 100.000 iterasi.

(23)

5.2Saran

1. Dilakukan peramalan jumlah sampah masyarakat dengan mempertimbangkan parameter lain yang menjadi penyebab adanya perubahan pada jumlah sampah masyarakat. Sehingga hasil yang didapat akan lebih akurat.

2. Dengan adanya hasil peramalan jumlah sampah masyarakat dan membuktikan bahwa jumlah sampah masyarakat mengalami peningkatan diharapkan pada instanti yang bersangkutan untuk menyiapkan sistem pengolahan sampah, menyediakan tenaga kerja dan armada yang sesuai dengan jumlah sampah yang diperkirakan.