Prediksi Volume Sampah di TPSA Banyuurip Menggunakan Metode Backpropagation Neural Network
Wahyu Santoso, Maimunah*, Pristi Sukmasetya
Teknik, Teknik Informatika, Universitas Muhammadiyah Magelang, Magelang, Indonesia Email: 1[email protected], 2[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Permasalahan sampah yang terjadi saat ini menjadi isu penting diberbagai kota besar termasuk Kota Magelang. Laju pertumbuhan penduduk yang semakin meningkat dan semakin berkurangnya lahan TPSA Banyuurip juga cukup menyulitkan pemerintah dalam penanganan sampah sehingga menimbulkan dampak buruk bagi lingkungan sekitar TPSA. Oleh karena itu diperlukan adanya sebuah prediksi volume sampah yang masuk ke TPSA tiap hari menggunakan metode Backpropagation Neural Network sehingga dapat membantu pemerintah dalam menyusun anggaran, persiapan petugas kebersihan dan estimasi daya tampung TPSA dimasa mendatang . Data yang digunakan data deret waktu (time series) berupa volume sampah di TPSA banyuurip tahun 2019 sampai 2022. Dari hasil penelitian metode Backpropagation Neural Network dengan parameter 30-7-1 dan jumlah epoch 1000 menghasilkan nilai MSE terbaik sebesar 0,018870. Hasil pelatihan kemudian akan digunakan untuk prediksi volume sampah di hari berikutnya.
Kata Kunci: Prediksi; Volume Sampah ; TPSA; Backpropagation;Time Series
Abstract−The current waste problem is an important issue in many big cities, including Magelang City. The increasing rate of population growth and the decreasing land area for Banyuurip TPSA also makes it difficult for the government to handle waste, causing a negative impact on the environment around the TPSA. Therefore it is necessary to have a prediction of the volume of waste that enters TPSA every day using the Backpropagation Neural Network method so that it can assist the government in preparing budgets, preparing cleaners and estimating the capacity of TPSA in the future. The data used is time series data in the form of waste volume at Banyuurip TPSA from 2019 to 2022. From the results of the Backpropagation Neural Network method with parameters 30-7-1 and 1000 epochs, the best MSE value is 0.018870. The results of the training will then be used to predict the volume of waste the next day.
Keywords: Predict; Garbage Volumes; TPSA; Backpropagation; Time Series
1. PENDAHULUAN
Permasalahan sampah yang terjadi saat ini menjadi isu penting bagi hampir seluruh daerah perkotaan seiring pertambahan penduduk yang harus dihadapi setiap saat, termasuk Kota Magelang. Saat ini kondisi Kota Magelang dikatakan sebagai “darurat sampah” mengingat laju produksi sampah (volume sampah) yang terus bertambah setiap tahun berbanding terbalik dengan laju program pengurangan sampah dan kapasitas Tempat Pengelolaan Sampah Akhir (TPSA) yang semakin berkurang[1]. Karena lokasi pembuangan yang di daerah perkotaan yang terbatas, maka cukup menyulitkan pemerintah dalam pengelolaan sampah dan juga menimbulkan dampak negatif bagi lingkungan sekitar[2]. Jika tidak dikelola dengan baik sampah dapat menjadi penyebab rusaknya lingkungan dan kesehatan masyarakat sekitar[3].
TPSA merupakan salah satu bagian terpenting dalam sistem pengelolaan sampah. Pemerintah Kota Magelang memiliki TPSA Banyuurip sebagai tempat pembuangan sampah akhir yang terletak di Desa Banyuurip Kecamatan Tegalrejo dengan luas lahan 61.000m3. Dalam mengatasi persoalan sampah, Dinas Lingkungan Hidup (DLH) Kota Magelang melakukan pengambilan, penampungan di Tempat Pembuangan Sementara (TPS), dan membawanya ke TPSA Banyuurip. Hal ini dapat mengakibatkan kendala salah satunya tidak tercukupinya tempat penampungan sampah dan berbagai persoalan lainya yang dapat di alami seperti waktu pengangkutan jika volume sampah tinggi dan lokasi antara TPS dan TPSA yang berjauhan[4]. TPSA Banyuurip memiliki 58 ribu data pengangkutan sampah dari tahun 2019 sampai 2022 yang berasal dari seluruh Kota Magelang setiap harinya.
Volume sampah yang kian menumpuk di TPSA Banyuurip menimbulkan bau yang menyengat disaat tertentu seperti disaat hujan akan berdampak negatif bagi kesehatan masyarakat sekitar TPSA. Jika volume sampah terus bertambah maka masa umur pakai TPSA akan berakhir dalam kurun waktu beberapa tahun kedepan. Lokasi TPSA Banyuurip yang tidak sesuai dengan wilayah kota Magelang dan lokasi yang berdekatan dengan pemukiman warga menyebabkan lokasi TPSA tidak dapat diperluas lagi . Salah satu solusi untuk mengantisipasi dampak akibat volume sampah yaitu dengan cara membuat suatu prediksi terhadap volume sampah. Prediksi atau peramalan volume sampah merupakan suatu langkah awal yang penting dalam membuat strategi pengelolaan sampah[5].
Hasil peramalan yang akurat berdasarkan dari data historis volume sampah di TPSA Banyuurip dapat menciptakan strategi awal penanganan sampah yang terstruktur serta menciptakan sebuah infrastruktur pengelolaan sampah yang memadai dimasa mendatang. Data historis deret waktu(time series) harian dapat menjadi sebuah pengetahuan menggunakan teknik data mining untuk memprediksi volume sampah yang masuk tiap hari[6]. Jika langkah awal tidak dilakukan terhadap persiapan dalam menghadapi volume sampah dimasa mendatang maka dapat memperburuk permasalahan volume sampah yang sudah ada.
Terdapat beberapa metode dalam data mining dan kecerdasan buatan yang sering digunakan dalam prediksi time series diantaranya metode regresi linear yang digunakan dalam memprediksi volume dan ritasi sampah[4],
DOI: 10.30865/mib.v7i1.5499
Wahyu Santoso, Copyright © 2023, MIB, Page 465 metode K-Nearest Neighbor (KNN) dalam memprediksi pertumbuhan jumlah penduduk[7], metode Support Vector Machine (SVM) dalam prediksi harga saham [8], metode Model Autoregresif Integrated Moving Average (ARIMA) dalam memprediksi saham perusahaan ditengah pandemi covid[9], metode Long Short-Term Memory (LSTM) dalam memprediksi harga beras berdasarkan kualitas[10] dan metode backpropagation dalam memprediksi harga minyak mentah[11].
Prediksi mengenai volume sampah dilakukan oleh beberapa peneliti, antaranya dalam memprediksi volume sampah di TPAS Talangagung menggunakan pendekatan sistem dinamik. Hasil penelitian menunjukkan volume sampah naik dua kali lipat pada tahun 2025 dan tahun 2035 diperkirakan mancapai 341 ribu m3[12]. Penelitian lain terkait prediksi volume sampah yaitu dalam memprediksi volume sampah di TPA Winongo dengan data uji sebanyak 12 data dan mendapatkan nilai MAPE sebesar 6,19% dan termasuk hasil prediksi yang sangat baik[13].
Penelitian terdahulu tentang prediksi volume sampah juga dilakukan dalam memprediksi volume sampah yang ada di TPA Suwung . Penelitian ini mengkomparasikan metode neural network dengan SVM dalam memprediksi volume sampah di TPA Suwung. Hasil dari peramalan volume sampah menggunakan metode Backpropagation mencapai tingkat kesalahan terkecil RMSE 0.048 sedangkan peramalan volume sampah menggunakan Metode SVM mencapai tingkat kesalahan yaitu RMSE 0.108[5].
Penelitian lain tentang penggunaan metode backpropagation dalam memprediksi jumlah nilai impor Sumatera Utara menurut negara asal. Data yang digunakan pada penelitian ini berasal dari Badan Pusat Statistik (BPS) tahun 2009-2014. Dari hasil penelitian disimpulkan bahwa arsitektur 4-19-1 merupakan arsitektur terbaik dengan nilai MSE 0,00099930653[14]. Penelitian lain yang menggunakan metode backpropagation salah satunya dalam memprediksi inflasi. Penelitian ini melakukan perbandingan akurasi dengan teknik windowing dengan jumlah window size 6,1, dan 18. Hasil penelitian didapatkan nilai akurasi terbaik dengan RMSE 0,435 pada window size 6[15].
Dalam penelitian ini dilakukan prediksi volume sampah yang ada di TPSA Banyuurip. Tujuan penelitian ini adalah untuk mengetahui kinerja dari metode backpropagation Artificial Neural Network (ANN) untuk mengenali pola dalam memprediksi volume sampah yang masuk ke TPSA Banyuurip setiap harinya. Penelitian ini akan berfokus pada menganalisis kinerja terbaik metode ANN dengan mengkombinasikan nilai neuron dan epoch dalam memprediksi volume sampah dengan hasil berupa hasil prediksi volume sampah dimasa mendatang.
Metode ini dipilih karena metode ini dapat melakukan training data volume sampah yang besar dan memiliki kemampuan untuk mentoleransi kesalahan sehingga prediksi yang dihasilkan menjadi optimal[16]. Diharapkan dengan hasil penelitian ini dapat memberikan informasi bagi pihak Pemerintah Kota melalui Dinas Lingkungan Hidup (DLH) dalam rangka mengatasi permasalahan pengelolaan sampah seperti persiapan penyediaan lahan TPSA, penyediaan Tempat Pembuangan Sementara (TPS), kendaraan pengangkut, dan petugas pengangkutan sampah.
2. METODOLOGI PENELITIAN
Tahapan yang dilakukan dalam penelitian ini disajikan dalam bentuk alur metode penelitian seperti disajikan pada Gambar 1.
Pengumpulan Data Preprocessing Data Proses Prediksi Hasil Prediksi
Gambar 1. Alur Metode Penelitian
Pada gambar 1 terdapat 4 tahap dalam penelitian terhadap prediksi volume sampah di TPSA Banyuurip yang meliputi pengumpulan data, preprocessing data, proses rediksi dan hasil prediksi. Penjelasan mengenai tiap alur yang dilakukan adalah sebagai berikut.
2.1 Pengumpulan Data
Pada tahap ini pengumpulan data volume sampah yang diperoleh dari TPSA Banyuurip berupa data pengangkutan volume sampah yang dihasilkan di Kota Magelang. Data dalam penelitian ini merupakan data yang bersifat deret waktu (Time Series) yaitu data yang berisikan nilai-nilai variabel berdasarkan interval waktu harian dan bersifat numerik[17].
2.2 Pre-Processing Data
Pre-processing data dilakukan untuk menghasilkan data yang siap digunakan untuk tahap selanjutnya[17]. Ada beberapa tahapan dalam pre-processing yaitu sliding window, membagi data training dan testing dan normalisasi data. Normalisasi merupakan langkah mengubah data aktual menjadi nilai range dengan interval [0,1] dengan cara menentukan data yang akan dinormalkan, lalu mencari nilai minimum dan maksimum dari data[18]. Normalisasi
sangat penting dalam pre-processing data karena dapat meminimalisir error dan meningkatkan akurasi.
Perhitungan normalisasi menggunakan persamaan (1).
X′ = (x − Xmin)
(Xmax − Xmin) (1)
Keterangan :
X’ = Data hasil normalisasi x = Data aktual
Xmin = Minimum data x Xmax = Maksimum data x
Sliding window merupakan pembentukan struktur data time series untuk mengurangi error jarak aproksimasi[15]. Pada penelitian ini akan dilakukan dengan window size 30 dengan merepresentasikan pola data 1 adalah data input yang merupakan data volume sampah hari pertama sampai hari ke 30 dan dan variabel target merupakan volume sampah hari berikutnya. Kemudian pola data 2 adalah hari ke 2 sampai hari ke 31 dan seterusnya. Sliding window yang diuji seperti pada gambar 2.
Gambar 2 .Tahapan Sliding Window 2.3 Proses Prediksi
Setelah dilakukan pre-processing data yang menghasilkan data training dan data testing, selanjutnya dilakukan pelatihan dan pengujian menggunakan metode backpropagation. Alur pelatihan prediksi menggunakan metode backpropagation ANN seperti disajikan pada gambar 3.
Start
END
Input data training, testing,
parameter
Data Training
Data Testing Model
Backpropagation
Pengujian Backpropagation Hasil Prediksi,
MSE
Gambar 3 Alur prediksi volume sampah dengan Backpropagation ANN
Pada alur prediksi pada gambar 3 dilakukan perancangan arsitektur algoritma backpropagation ANN yang dimulai dengan menginputkan parameter, data latih dan data uji. Untuk merancang arsitektur metode Backpropagation ANN yang menghasilkan prediksi yang optimal, maka dilakukan penentuan atau penginputan jumlah nilai parameter-parameter yang digunakan, seperti jumlah hidden layer, laju pemahaman (learning rate) dan maksimum iterasi (epoch). Setelah menentukan jenis data dan parameter, lalu dilakukan pelatihan dengan metode Backpropagation (ANN) sehingga menghasilkan model pelatihan terbaik. Parameter yang digunakan dalam penelitian ini disajikan pada tabel 1.
Tabel 1. Parameter Yang Di uji Parameter
Input Layer 30
Hidden Layer 1
Hidden Neuron 7,10,14,30
DOI: 10.30865/mib.v7i1.5499
Wahyu Santoso, Copyright © 2023, MIB, Page 467 Parameter
Output Layer 1
Epoch 100, 300,500,1000 Learning Rate 0,01
Pada tabel 1 menunjukkan parameter yang diuji pada penelitian ini agar mendapatkan model pelatihan yang terbaik. Model pelatihan tersebut nantinya akan diuji menggunakan data testing sehingga mendapatkan hasil prediksi.
2.3.1 Backpropagation Artificial Neural Network
Backpropagation ANN adalah sebuah algoritma supervised learning yang dikembangkan dari aturan perceptron yang memiliki banyak lapisan untuk mengubah bobot-bobot terhubung dengan neuron yang ada pada hidden layer (lapisan tersembunyi) [19]. Pada umumnya backpropagation ANN memiliki banyak lapisan (multilayer) paling tidak memiliki input, output dan beberapa lapisan pada hidden layer. Algoritma backpropagation ANN sendiri terdiri atas 3 tahap, yakni feedforward, backpropagation dan perubahan nilai bobot[20]. Algoritma backpropagation ANN memiliki langkah-langkah dalam proses perhitungan sebagai berikut[21]:
a. Inisiasi semua bobot dengan nilai acak kecil
b. Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9 c. Untuk setiap data pelatihan, lakukan langkah 3-8
d. Tiap unit input menerima sinyal dan meneruskannya ke unit hidden diatasnya e. Hitung semua keluaran dari unit tersembunyi (Zj = =1,2,3,...,p)
z_netj = vjo + ∑ni=1xivji (2)
zj= f(znetj) = 2
1+e−znetj− 1 (3)
f. Semua unit output (yk ,k=1,2,3,…,m) menjumlahkan bobot sinyal input, lalu menghitung sinyal output
ynetk= wko+ ∑pj=1zjwkj (4)
yk= f(ynetk) = 1
1+e−y_netk (5)
g. 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) (6) Faktor 𝛿𝑘 digunakan untuk menghitung koreksi error (𝛥𝑤𝑘𝑗) yang dipakai untuk memperbarui 𝑤𝑘𝑗, dimana:
∆wkj= αδkzj (7)
h. Hitung faktor 𝛿𝑘 unit tersembunyi berdasarkan kesalahan disetiap unit tersembunyi (Zj = =1,2,3,...,p)
δ_netj= ∑mk=1δkwkj (8)
Faktor 𝛿 unit tersembunyi:
δj= δnetj f′(znetj) = δnetjzj(1 − zj) (9)
Faktor 𝛿𝑗 digunakan untuk menghitung koreksi eror (Δvji) yang akan dipakai untuk memperbarui vik, dimana :
∆Vji= αδjxi (10)
i. Perbarui semua bobot pada unit output.
wkj(baru) = wkj(lama) + ∆wkj (11)
Perbarui bobot pada setiap unit input
vji(baru) = vji(lama) + ∆vji (12)
2.4 Hasil Prediksi
Hasil prediksi berupa volume sampah pada hari berikutnya, kemudian dibandingkan dengan data sesungguhnya.
Pada tahap ini dapat dilihat error pada data prediksi dengan data aktual berupa nilai Mean Squared Error (MSE) yaitu rata-rata error yang dikuadratkan[21]. MSE digunakan untuk mengevaluasi hasil prediksi yang dilakukan oleh sistem. Semakin kecil nilai MSE maka semakin bagus hasil prediksi. Hasil prediksi dengan nilai MSE terkecil kemudian digunakan sebagai model prediksi volume sampah dihari berikutnya. Perhitungan MSE menggunakan persamaan 13.
MSE = ∑|kesalahan peramalan|2
n (13)
3. HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data
Sumber data yang digunakan dalam pembuatan variabel untuk membangun struktur jaringan backpropagation ANN adalah data pengolahan sampah untuk periode Januari tahun 2019 sampai Desember 2022 yang berasal dari TPSA Banyuurip dengan format excel. Data yang digunakan merupakan data volume sampah yang masuk ke TPSA setiap harinya. Contoh data volume sampah harian yang digunakan disajikan pada tabel 2.
Tabel 2 .Data Volume Sampah di TPSA Banyuurip No Tanggal Volume Sampah (ton)
1 3 Januari 2019 21.53
2 4 Januari 2019 52.41
3 5 Januari 2019 59.41
4 6 Januari 2019 52.08
5 7 Januari 2019 85.57
6 8 Januari 2019 114.94
7 9 Januari 2019 99.64
8 12 Januari 2019 86.47
...
1411 30 Desember 2022 75.55 1412 31 Desember 2022 70.51 3.2 Pre-processing Data
Setelah dilakukan pengumpulan data maka selanjutnya dilakukan pre-processing data yaitu dengan normalisasi data dan split data uji dan data latih. Normalisasi pada penelitian ini menggunakan min-max normalization karena data minimal dan maksimal memliki range yang cukup tinggi. Untuk melakukan perhitungan normalisasi terlebih dahulu mengetahui nilai maximum dan juga minimum dari data sehingga diperoleh perhitungan sebagai berikut:
Nilai Maksimum :117,274 Nilai Minimum : 1,22
Maka proses normalisasi data dilakukan sebagai berikut:
x1 = (x-xmin)/(xmax-xmin) = (21,53-1,22)/(117,274-1,22) = 0.175005 x2 = (x-xmin)/(xmax-xmin) = (52,414-1,22)/(117,274-1,22) = 0.441122 x3 = (x-xmin)/(xmax-xmin) = (59,41-1,22)/(117,274-1,22) = 0.501405
Selain itu untuk mendapatkan hasil yang optimal dilakukan beberapa variasi jumlah variabel input dengan sliding window dengan window size sebanyak 30. Data hasil normalisasi dapat dilihat pada tabel 3.
Tabel 3 . Data hasil Normalisasi
X1 X2 X3 X4 X5 X30 T
0.175005 0.441122 0.501405 0.438244 0.726834 ... 0.706464 0.573009 0.441122 0.501405 0.438244 0.726834 0.979906 ... 0.573009 0.510711 0.501405 0.438244 0.726834 0.979906 0.848071 ... 0.510711 0.853930 0.438244 0.726834 0.979906 0.848071 0.868234 ... 0.853930 0.563703 0.726834 0.979906 0.848071 0.868234 0.544057 ... 0.563703 0.896445 0.979906 0.848071 0.868234 0.544057 0.734572 ... 0.896445 0.769711 0.848071 0.868234 0.544057 0.734572 0.491668 ... 0.769711 0.618540 0.868234 0.544057 0.734572 0.491668 0.862305 ... 0.618540 0.741121 0.544057 0.734572 0.491668 0.862305 0.917952 ... 0.741121 0.268668 0.734572 0.491668 0.862305 0.917952 0.632033 ... 0.268668 0.768177
Setelah dilakukan normalisasi data selanjutnya akan dibagi menjadi data latih dan data uji. Persentase pembagian data yang akan digunakan pada penelitian ini yaitu 20% untuk data uji sejumlah 252 data dan 80%
untuk data latih sejumlah 1099 data. Pembagian data latih dan data uji pada penelitian ini sesuai urutan, karena akan digunakan untuk prediksi untuk hari kedepan.
3.3 Proses Prediksi
Setelah dilakukan normalisasi selanjutnya akan dilakukan proses prediksi dengan metode backpropagation ANN untuk mencari hasil prediksi yang terbaik. Nilai parameter yang ditentukan pada penelitian ini tidak ada aturan pasti, melainkan percobaan yang dilakukan oleh peneliti secara berulang dan merupakan parameter yang optimal
DOI: 10.30865/mib.v7i1.5499
Wahyu Santoso, Copyright © 2023, MIB, Page 469 pada penelitian ini. Parameter tersebut digunakan untuk mencari parameter yang paling optimal dalam setiap nilai epoch. Percobaan dilakukan dengan mencoba semua parameter yang ditentukan untuk mendapatkan nilai error yang kecil. Hasil eksperimen yang telah dilakukan dengan penentuan jumlah hidden neuron dan jumlah epoch terdapat pada tabel 4.
Tabel 4. Hasil Pengujian Dengan Parameter Yang Ditentukan Learning Rate Epoch Hidden Neuron MSE Train MSE Test
7 0.023056 0.019968 10 0.025255 0.021205
100 14 0.022056 0.018968
30 0.023988 0.020330
7 0.021834 0.018940 10 0.025497 0.021435
300 14 0.021841 0.019128
0.01 30 0.021875 0.019250
7 0.023548 0.019035 10 0.022007 0.019300
500 14 0.021930 0.019348
30 0.022578 0.018935
7 0.021787 0.018870 10 0.022314 0.019808
1000 14 0.022930 0.019848
30 0.021990 0.018958
Dari hasil percobaan dengan nilai epoch 100 pada tabel 4 dapat disimpulkan bahwa arsitektur dengan hidden layer sebanyak 1 dan hidden neuron sebesar 14 merupakan arsitektur terbaik dengan nilai MSE train sebesar 0.022056 dan nilai 0.018968 pada MSE test. Sedangkan pada epoch 300 arsitektur 30-7-1 merupakan arsitektur terbaik dengan nilai 0.021834 pada MSE train dan 0.018940 pada test. Arsitektur 30-7-1 merupakan arsitektur dengan nilai MSE terbaik dengan nilai 0.018870 dari semua hasil percobaan dengan nilai epoch sebesar 1000 dan arsitektur 30-30-1 menjadi arsitektur terbaik kedua dengan nilai epoch sebesar 500.
Gambar 4. Pengaruh Nilai Epoch Terhadap MSE
Berdasarkan hasil grafik percobaan yang ditunjukan pada gambar 4 diperoleh bahwa pengaruh nilai epoch terhadap nilai MSE pada arsitektur terbaik pada setiap epoch. Hal ini dapat dinyatakan bahwa semakin banyaknya nilai iterasi(epoch) maka semakin kecil nilai error yang dihasilkan. Nilai epoch mempengaruhi nilai MSE, hal ini dapat terjadi karena semakin banyak nilai epoch maka semakin banyak pula mesin melakukan pelatihan sehingga tingkat error yang dihasilkan dapat menjadi lebih kecil.
Dari hasil tabel eksperimen yang dilakukan dengan menggunakan beberapa parameter yang ditentukan memberikan nilai MSE yang paling kecil, yaitu 0.018870 dengan model arsitektur terbaik 30-7-1 dengan epoch sebesar 1000 . Arsitektur ini terdiri atas 30 input layer, 1 layer hidden dengan 7 neuron dan 1 output layer. Hasil dari perbandingan model terbaik ini nantinya akan digunakan untuk prediksi volume sampah. Hasil dari model masih bernilai 0,1 sampai 0,9 maka data tersebut perlu dilakukan denormalisasi. Proses ini disebut dengan post- processing, dimana nilai output yang bernilai rata-rata sama dengan nol, maka akan dikembalikan nilainya sesuai data yang asli[16]. Berikut ini contoh perhitungan denormalisasi.
X= x(Xmax-Xmin)+Xmin
X= 0,55631804(117,274-1,22)+1,22 X= 0,55631804 (116,054)+1,22
X= 0,55631804 (116,054)+1,22 = 65,78293
Contoh sampel data hasil denormalisasi dapat dilihat pada tabel 5.
Tabel 5. Proses Denormalisasi Data
Data Sebelum Denormalisasi Data Sesudah Denormalisasi
0.55631804 65.78293
0.51773775 61.30554
0.48895746 57.96547
0.36296973 43.34409
0.57975787 68.50322
Pada tabel 5 menunjukkan hasil dari denormalisasi data prediksi yang didapatkan dari model pelatihan terbaik. Berdasarkan hasil denormalisasi data maka didapatkan grafik perbandingan data aktual volume sampah di TPSA Banyuurip dengan data hasil prediksi harian yang dicapai pada bulan April 2022 sampai bulan Desember 2022 menggunakan metode backpropagation ANN dengan prediksi volume sampah seperti yang ditujukan gambar 5.
Gambar 5 . Plot Grafik perbandingan Hasil Aktual dan Prediksi
Gambar 5 menunjukkan hasil plotting dari hasil percobaan ke 13 yang dilakukan menggunakan metode backpropagation ANN. Melalui plot yang disajikan menunjukkan hasil percobaan ini merupakan yang paling baik.
Hal ini ditunjukan dengan nilai rata-rata error yang lebih sedikit dibandingkan percobaan yang lain.
Melalui gambar 5 juga diperoleh bahwa pada hari-hari tertentu volume sampah tidak dapat terprediksi dengan baik, hal ini disebabkan oleh tidak terangkutnya sampah secara rutin pada tiap supplier (sumber sampah) pada hari itu sehingga volume sampah yang masuk ke TPSA cukup kecil. Oleh karena itu volume sampah yang dihasilkan memiliki selisih yang cukup tinggi dibanding rata-rata sampah yang masuk atau biasa disebut dengan oulier atau pencilan.
3.4 Hasil Prediksi
Hasil prediksi merupakan hasil data aktual dan data prediksi dengan menggunakan metode backpropagation ANN dengan nilai MSE terendah 0.018870. Data test yang digunakan dalam hasil prediksi merupakan data volume sampah harian dari tanggal 20 April 2022 sampai 31 Desember 2022 . Data hasil prediksi dapat dilihat pada tabel 6.
Tabel 6. Perbandingan Hasil Aktual dengan Hasil Prediksi Tanggal Data Aktual(ton) Data Prediksi(ton) error
20-Apr-22 70.42 72.08 0.0230299
21-Apr-22 79.68 72.86 0.0855923
22-Apr-22 65.43 59.17 0.0956747
...
16 Agustus 2022 80.66 73.25 0.0918670
17 Agustus 2022 64.07 74.47 0.1396535
18 Agustus 2022 78.17 66.28 0.1521043
...
29 Desember 2022 59.89 67.21 0.1089123
30 Desember 2022 79.80 62.17 0.2208759
31 Desember 2022 64.19 71.56 0.1029904
Tabel 6 menunjukkan hasil data prediksi yang dihasilkan dari model prediksi yang sudah dibuat. Pada tabel ini juga dilakukan perbandingan data aktual dan data prediksi. Hasil menunjukkan error pada prediksi yang cukup
DOI: 10.30865/mib.v7i1.5499
Wahyu Santoso, Copyright © 2023, MIB, Page 471 rendah yang artinya model prediksi yang dihasilkan cukup baik. Pada model prediksi juga dilakukan prediksi volume sampah pada tiap harinya di bulan januari 2023 dengan menggunakan arsitektur dan model terbaik yang telah dilakukan pelatihan dan pengujian dengan menggunakan metode backpropagation ANN. Hasil prediksi volume sampah seperti pada gambar 6.
Gambar 6 . Hasil Prediksi Volume Sampah Harian di Bulan Januari 2023
Berdasarkan hasil prediksi volume sampah harian pada bulan januari 2023 di gambar 6 dapat diketahui bahwa terdapat kenaikan volume sampah pada tanggal 2 Januari yaitu sekitar 86 ton dalam sehari sedangkan di tanggal 1 Januari sampah justru mengalami penurunan volume dengan prediksi volume sampah sebesar 51 ton.
Rata-rata prediksi volume sampah yang diangkut ke TPSA perhari pada bulan januari 2023 mencapai 71 ton perhari.
4. KESIMPULAN
Berdasarkan hasil penelitian dapat disimpulkan hasil prediksi volume sampah di TPSA Banyuurip menggunakan backpropagation ANN didapatkan nilai MSE terbaik 0.018870 , dengan rincian parameter jumlah input layer 30, hidden layer berjumlah 1 dengan neuron hidden sejumlah 7 dan 1 output layer dengan epoch sebesar 1000.
Berdasarkan hasil pengujian dilakukan prediksi volume sampah harian pada bulan januari 2023. Hasil prediksi menunjukkan volume sampah pada tanggal 2 januari 2023 mengalami kenaikkan sampah tertinggi di bulan januari.
Berdasarkan hasil prediksi diharapkan dari penelitian selanjutnya dapat memaksimalkan hasil pre-processing dan memodifikasi parameter backpropagation ANN agar mendapatkan nilai MSE yang lebih kecil dan akurasi prediksi yang tinggi untuk memprediksi volume sampah kedepannya.
UCAPAN TERIMAKASIH
Ucapan terima kasih peneliti sampaikan kepada pihak DLH Kota Magelang dan TPSA Banyuurip yang telah memberikan perizinan, konsultasi dan diskusi serta dalam pengambilan data.
REFERENCES
[1] E. Boedi Orbawati et al., “Peningkatan Kesadaran Masyarakat Untuk Pengelola Sampah Mandiri Melalui Implementasi Teknologi Tepat Guna,” J. Jendela Inov. Drh., vol. 4, no. 2, pp. 66–78, 2021, doi: 10.56354/jendelainovasi.v4i2.107.
[2] L. Priatna, W. Hariadi, and E. K. Purwendah, “Pengelolaan sampah di tempat pembuangan akhir (tpa) Gunung Tugel, Desa Kedungrandu, Kecamatan Patrikaja, Kabupaten Banyumas,” Pros. Semin. Nas. dan Call Pap., vol. 6, no. November, pp. 494–501, 2019.
[3] N. Asiyah, “Kebijakan Pemerintah Kota Langsa Terhadap Pengelolaan Sampah Dalam Memenuhi Prinsip Good Environmental Governance,” J. Huk. Samudra Keadilan, vol. 14, no. 2, pp. 316–327, 2019, doi:
10.33059/jhsk.v14i2.1920.
[4] R. H. Laluma and A. Prasetya, “Prediksi Volume Dan Ritasi Pengelolaan Sampah Di Kota Bandung Dengan Metode Regresi Linear,” vol. D, no. 1, pp. 49–60, 2022.
[5] A. A. A. Purnamaswari, I. K. G. D. Putra, and I. M. S. Putra, “Komparasi Metode Neural Network Backpropagation dan Support Vector Machines dalam Prediksi Volume Sampah TPA Suwung,” JITTER J. Ilm. Teknol. dan Komput., vol. 3, no. 1, pp. 853–861, 2022, [Online]. Available: https://ojs.unud.ac.id/index.php/jitter/article/view/83024/43066.
[6] R. Sistem, D. Kartini, F. Abadi, and T. H. Saragih, “Prediksi Tinggi Permukaan Air Waduk Menggunakan Artificial Neural,” vol. 1, no. 10, pp. 39–44, 2021.
[7] D. S. Seruni, M. T. Furqon, and R. C. Wihandika, “Sistem Prediksi Pertumbuhan Jumlah Penduduk Kota Malang
menggunakan Metode K-Nearest Neighbor Regression,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 4, no. 4, pp.
1075–1082, 2020.
[8] Y. Ramdhani and A. Mubarok, “Analisis Time Series Prediksi Penutupan Harga Saham Antm.Jk Dengan Algoritma SVM Model Regresi,” vol. 1, no. 1, pp. 77–82, 2019.
[9] W. Y. Rusyida and V. Y. Pratama, “Prediksi Harga Saham Garuda Indonesia di Tengah Pandemi Covid-19 Menggunakan Metode ARIMA,” Sq. J. Math. Math. Educ., vol. 2, no. 1, p. 73, 2020, doi: 10.21580/square.2020.2.1.5626.
[10] N. Nafi and P. A. Wulandari, “Prediksi Harga Beras Berdasarkan Kualitas Beras dengan Metode Long Short Term Memory,” pp. 278–288, 2022.
[11] J. Veri, “Prediksi Harga Minyak Mentah Menggunakan Jaringan Syaraf Tiruan Crude Oil Price Prediction Using Artificial Neural Network,” vol. 21, no. 3, pp. 503–512, 2022, doi: 10.30812/matrik.v21i3.1382.
[12] P. F. E. Adipraja and M. Islamiyah, “Prediksi Volume Sampah TPAS Talangagung dengan Pendekatan Sistem Dinamik,”
smantika, vol. 07, no. 01, pp. 24–28, 2017.
[13] Iqbal Imani Khoirul Akbar, B. Rahmat, and F. Anggraeny, “Implementasi Algoritma Fuzzy Time Series Average-Based Untuk Memprediksi Intensitas Sampah Tempat Pemrosesan Akhir,” J. Inform. dan Sist. Inf., vol. 2, no. 2, pp. 403–412, 2021, doi: 10.33005/jifosi.v2i2.315.
[14] I. S. Purba and A. Wanto, “Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation,” vol. 17, no. 3, pp. 302–311, 2018.
[15] R. E. Wahyuni, “Optimasi Prediksi Inflasi Dengan Neural Network Pada Tahap Windowing: Adakah Pengaruh Perbedaan Window Size?,” vol. 12, no. 3, pp. 176–181, 2021.
[16] H. Putra and N. Ulfa, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” vol. 02, pp. 100–107, 2020.
[17] A. Fitriadini et al., “Penerapan Backpropagation Neural Network Dalam Prediksi Harga Saham,” 2020.
[18] Guntoro, L. Costaner, and Lisnawita, “Prediksi Jumlah Kendaraan di Provinsi Riau Menggunakan Metode Backpropagation,” vol. 14, no. 1, 2019.
[19] A. Santoso and S. Hansun, “Prediksi IHSG dengan Backpropagation Neural Network,” vol. 1, no. 10, pp. 2–5, 2021.
[20] F. Halawa, “Penerapan Algoritma Genetika Dan Backpropagation Neural Network Untuk Memprediksi Jumlah Penduduk Kota Medan,” Inf. dan Teknol. Ilm., vol. 7, no. 3, pp. 203–207, 2020, [Online]. Available: http://ejurnal.stmik- budidarma.ac.id/index.php/inti/article/view/2388.
[21] N. P. Sakinah, I. Cholissodin, and A. W. Widodo, “Prediksi Jumlah Permintaan Koran Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 7, pp. 2612–2618, 2018.
