Fakultas Ilmu Komputer
Universitas Brawijaya 6362
Prediksi Harga Pasar Daging Sapi Di Kota Malang Dengan Menggunakan
Metode Extreme Learning Machine (ELM)
Cusen Mosabeth1, Muhammad Tanzil Furqon2, Randy Cahya Wihandika3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1cusenmosabeth@gmail.com, 2m.tanzil.furqon@ub.ac.id, 3rendicahya@ub.ac.id
Abstrak
Daging sapi merupakan salah satu kebutuhan pokok yang keberadaannya sangat meningkat di Indonesia. Kebutuhan mengkonsumsi daging sapi sangat tajam sebanding dengan peningkatan jumlah penduduk dan kesadaran masyarakat pentingnya mengkonsumsi makanan bergizi sangat tinggi. Pada dasarnya kebutuhan protein hewani tidak dapat digantikan dengan protein lainnya. Memperkirakan permintaan konsumen dimasa datang dengan membuat perancanaan produksi suatu tantangan bagi suatu industri. Hal ini membuat prediksi memiliki peranan penting. Perancangan yang efektif dan efesien harus didukung oleh sistem prediksi yang akurat. ELM Merupakan jaringan saraf tiruan yang terdiri feed-forward dengan satu atau hidden layer-forwad neural. Oleh karena itu, pada penelitian ini penulis menggunakan metode Extreme Learning Machine (ELM). Hasil uji coba dalam penelitian menujukkan bahwa metode ELM memiliki error yang baik diukur dengan tingkat kesalahan Mean Absolute Percentage Error (MAPE) sebesar 0,344% dengan menggunakan perbandingan jumlah data training 90% : 10%, rentang input weight antara -1 dan 1, jumlah neuron pada hidden layer 7, lalu menggunakan fungsi aktivasi sigmoid biner, dan menggunakan jumlah fitur 3. Hasil tersebut membuktikan dengan menggunakan metode Extreme Learning Machine dapat memprediksi harga daging sapi dengan akurat dan tepat serta mendapatkan harga daging sapi dimasa yang datang.
Kata kunci: daging sapi, prediksi, extreme learning machine, ELM.
Abstract
Beef is one of the basic needs whose existence is greatly increased in Indonesia. The need to consume beef is very sharp in proportion to the increase in population and the awareness of the importance of consuming very high nutritious foods. Basically the need for animal protein cannot be replaced with other proteins. Estimating future consumer demand by making production plans a challenge for an industry. This makes predictions play an important role. Effective and efficient design must be supported by an accurate prediction system. ELM Is an artificial neural network consisting of feed-forward with one or hidden layer-forwad neural. Therefore, in this study the author uses the Extreme Learning Machine (ELM) method. The experimental results showed that the ELM method had a good error measured by the Mean Absolute Percentage Error (MAPE) error rate of 0.344% using the ratio of the training data 90%: 10%, the input weight range between -1 and 1, the number of neurons in the hidden layer 7, then use the binary sigmoid activation function, and use the number of features 3. The results are proved by using the method of Extreme Learning Machine can predict the price of beef with accurate and precise and get the price of beef in the future.
Keywords: beef, prediction, extreme learning machine, ELM.
1. PENDAHULUAN
Di Indonesia, daging sapi merupakan salah satu yang banyak diminati untuk kebutuhan pokok sehari-hari oleh kalangan masyarakat. Populasi penduduk dan taraf hidup masyarakat di Kota Malang mengalami perubahan sangat meningkat setiap tahunnya. Hal ini dengan
kesadaran masyarakat bahwa konsumsi makanan rumah tangga sehat secara bertahap mengalami perubahan ke konsumsi makanan yang berprotein. Hal ini, produsen dituntut untuk membuat sebuah strategi penjualan yang dapat membantu konsumen dalam menentukan harga yang baik dan bersaing dengan produsen daging sapi lainnya.
Fakultas Ilmu Komputer, Universitas Brawijaya Selama periode tahun 1987-1996 dengan nilai percepatan konsumsi daging sebesar 7,36% dalam setiap tahunnya (Ditjen Peternakan, 1997). Untuk kontribusi daging sapi (21,27%) masuk dalam peringkat kedua setelah daging unggas. Permintaan setiap konsumen terhadap daging sapi selalu berubah dan tak dapat diprediksi setiap waktu. Harga daging sapi yang berubah-ubah setiap waktu dan dipengaruhi oleh banyak faktor yang menjadikan daging sapi dapat diperkirakan dalam setiap bulan bahwa harga mengalami turun atau naik pada harga daging sapi tersebut.
Banyak penelitian yang menggunakan metode untuk menadapatkan nilai prediksi yang akurat. Salah satu merupakan metode Extreme Learning Machine (ELM). ELM diperkenalkan pertama kali oleh Huang pada tahun 2004 (Huang, et al., 2004). ELM merupakan jaringan syaraf tiruan feed-forward dengan hidden layer atau lebih dikenal dengan single hidden layer feed-forward neural networks (SLFNs). Metode Extreme Learning Machine ini memiliki kelebihan dalam learning speed serta mempunyai akurasi yang baik dibandingkan dengan metode konvensional seperti Exponential Smooting dan Moving Averge. Maka, ELM mampu menghasilkan nilai prediksi yang lebih efektif dan akurat.
Terdapat beberapa dari penelitian sebelumnya yang diteliti oleh (Pangaribuan, 2016) Metode yang digunakan yaitu ELM. Pada ELM merupakan jaringan syaraf tiruan yang terdiri feed-forward dengan satu atau lebih pada hidden layer yang biasanya dengan sering digunakan dengan kata single hiden layer feed-forward neural telah membuktikan bahwa dengan metode ELM ini memberikan hasil akurasi prediksi yang baik dengan melihat tingkat kesalahan Mean Square Error (MSE) dengan hasil akurasi sebesar 0,4036 dan pada hasil yang menggunakan backpropagation sebesar 0,9425 dari hasil ELM dan backpropagation ini dapat disimpulkan hasil keselahan yang mendekati 0 ialah hasil yang disebut dengan hasil paling baik.
Penelitian ini bertujuan untuk memprediksi harga daging sapi menggunakan metode ELM. Dari penelitian yang sebelumnya dengan memprediksi menggunakan metode ELM menunjukkan tingkat kesalahan yang kecil sehingga sangat cocok untuk membantu penulis untuk menentukan harga daging sapi yang
dilakukan prediksi harga daging sapi lebih efektif, khususnya di Kota Malang.
2. LANDASAN KEPUSTAKAAN 2.1. Prediksi
Prediksi merupakan suatu nilai periode tertentu yang terjadi dimasa mendatang dengan menggunakan penjelasan secara matematik dan statistis berdasarkan sumber informasi periode sebelumnya dan saat ini yang bertujuan agar memperoleh untuk memperkeil suatu kesalahan (Medome, et al., 2016). Prediksi secara umum mendapatkan hasil yang berikatan dengan ketidakpastian, sehingga harus memperhitungkan faktor akurasi yang tidak selalu memperoleh hasil prediksi tidak selalu memperoleh hasil akurasi prediksi dengan akurasi 100%. Maka itu, perbedaan waktu maka forecasting mempunyai peranan yang penting dalam menentukan kapan terjadi suatu peristiwa sehingga dapat mempersiapkan segala tindakan yang dibutuhkan.
2.2. Daging Sapi
Daging sapi merupakan salah satu dari sekian banyak sumber makanan yang mengandung protein hewani. Semakin meningkatnya kesadaran masyarakat untuk mengkonsumsi makanan bergizi, maka mengakibatkan meningkatnya permintaan pangan berprotein hewani. Hal ini, sangat meningkat tajam sebanding dengan peningkatan jumlah penduduk, dalam kesadaran masyarakat pentingnya konsumsi makanan bergizi tinggi pada dasarnya kebutuhan protein hewani tidak dapat digantikan dengan protein lainnya. Data konsumsi daging sapi penduduk di Indonesia pada tahun 2016 sebesar Rp.460.639.00 kg/kapita/tahun dan mengalami peningkatan 48,86% bila dibandingkan dengan tahun 2015, rata-rata yang dihasilkan perkapita dalam sebulan penduduk Indonesia sebesar 11,68%.
2.3. Jaringan Syaraf Tiruan (JST)
Jaringan syaraf tiruan (JST) merupakan suatu metode pengelompokkan dan pemisah data yang bertujuan dalam bekerjanya sama dengan neural network pada manusia, seperti yang sudah diketahui bahwa otak manusia yang memiliki neuron. Neuron berikut menstransfer informasi-informasi yang diterima oleh satu neuron ke neuron yang lainnya. Pada informasi yang dibawa oleh neuron ini disimpan pada suatu nilai tertentu yang disebut dengan bobot. Struktur pada node atau neuron di jaringan
syaraf tiruan ini ditunjukkan pada Gambar 1.
Gambar 1 Struktur Jaringan Syaraf Tiruan
Sumber: (Humaini, 2015)
Dalam jaringan syaraf tiruan terdapat fungsi aktivasi yang dapat digunakan untuk menentukan output suatu neuron dengan berargumen net input. Net input yaitu dari kombinasi liner input beserta bobotnya (Siang, 2009). Fungsi aktivasi ini memiliki tujuan untuk melakukan memodifikasi output kedalam rentang nilai tertentu. Berikut ini beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan (Singh & Balasundaram, 2007)yaitu:
a) Fungsi Aktivasi Sigmoid Biner
Fungsi Aktivasi Biner untuk memproses suatu output jaringan, sehingga sesuai dengan nilai target. Dalam jaringan syaraf tiruan memiliki dua fungsi aktivasi yaitu fungsi sigmoid biner dan fungsi sigmoid bipolar. Untuk fungsi-fungsi aktivasi ini harus bersifat continue, direfensibel, dan tidak menurun secara monoton. Lalu, untuk fungsi aktivasi juga diharapkan mendekati nilai-nilai maksimum dan minimum dengan baik. Fungsi sigmoid biner dapat dirumuskan seperti Persamaan 1.
𝑯 = 1−exp(−𝑯𝑖𝑛𝑖𝑡)
1+exp(−𝑯𝑖𝑛𝑖𝑡) (1)
Dimana,
H= Fungsi aktivasi Sigmoid
𝐻𝑖𝑛𝑖𝑡 = nilai output jaringan pada data ke-j sebelum dilakukan proses aktivasi b) Fungsi Aktivasi Sigmoid Bipolar
Fungsi aktivasi sigmoid merupakan suatu nilai yang memiliki range keluaran -1 sampai -1. Fungsi sigmoid bipolar dapat dirumuskan seperti Persamaan 2.
𝐻 = 1
1+exp(−𝐻𝑖𝑛𝑖𝑡) (2)
c) Fungasi Aktivasi Sin
Fungsi ini ialah rentang nilai untuk aktivasi ini yaitu antara -1 sampai 1. Persamaan untuk aktivasi sin ditunjukkan pada Persamaan 3.
𝐻 = 𝑆𝑖𝑛 (𝐻𝑖𝑛𝑖𝑡) (3)
d) Fungsi Aktivasi Radial Basis
Fungsi ini merupakan suatu jaringan lapisan tunggal yang dimana untuk digunakan mengkonversi nilai masukkan bernilai kontinu menjadi suatu nilai keluaran biner (0 sampai 1). Berikut persamaan yang menggambarkan untuk fungsi akrtivasi Radial Basis. Fungsi radial basis dapat dirumuskan di Persamaan 4.
𝐻 = 𝑒𝑥𝑝( − ((𝐻𝑖𝑛𝑖𝑡)2) (4) 2.4. Metode Extreme Learning Machine (ELM)
Extreme Learning Machine (ELM)
dikenalkan oleh (Huang, et al., 2004). Metode Extreme Learning Machine ini suatu metode pengembangan dari jaringan syaraf tiruan feedforward sederhana dengan menggunakan satu hidden layer atau biasanya dikenal dengan Single Hidden Layer Feedforward Neural Networks (SLFNs).
Layer Feedforward parameter yang digunakan ditentukan secara manual seperti input weight dan bias. Nilai yang diapatkan input weight dan bias nilai secara acak dalam suatu rentang tertentu. Dengan ini nilai yang digunakan secara acak dapat menghindari hasil prediksi yang tidak stabil. Secara umum ditunjukkan struktur ELM pada Gambar 2.
Gambar 2 Struktur Metode Extreme Learning
Machine (ELM)
Sumber: (Abadi & Soeprijanto, 2014) Langkah-langkah perhitungan dengan metode ELM tebagi menjadi dua proses, untuk proses awal yaitu pelatihan (training) dan proses akhir pelatihan (testing) yaitu:
Fakultas Ilmu Komputer, Universitas Brawijaya a) Normalisasi Data
Normalisasi data merupakan suatu nilai yang range input tidak sama, yaitu bernilai puluhan hingga ribuan. Untuk input ini dilakukan suatu proses ke nilai input yang kecil sehingga data yang digunakan disesuaikan dengan cara dinormalisasikan datanya. Maka hal ini merupakan proses data dari metode Min-Max Normalization.
b) Proses Training
Proses training dilakukan guna memperoleh output weight optimal atau memiliki tingkat kesalahan yang rendah. Tujuan dari proses training yaitu untuk mengembangkan model ELM. Berikut ini langkah-langkah training yang diproses sebagai berikut:
1. Langkah pertama menginisialisasi input weight dan bias yang diinisialisasi secara acak dengan rentang antara -1 hingga 1. Lalu untuk nilai acak matriks bias dengan rentang [0,1] dalam ukuran 1 x (jumlah banyak hidden neuron).
2. Keluaran di hidden layer dihitung menggunakan fungsi aktivasi. Pada langkah pertama ini dihitung keluaran hidden layer (Hinit), lalu nilai Hinit didapatkan kemudian dihitung menggunakan fungsi aktivasi sigmoid
𝐻𝑖𝑛𝑖𝑡 𝑖𝑗 = (∑𝑛𝑘=1𝑊𝑗𝑘 . 𝑋𝑖𝑘) + 𝑏𝑗 (5)
Menghitung nilai matriks keluaran pada hidden layer dengan. Perhitungan b (ones(itrain,1),:) memperbanyak matriks
untuk bias sebanyak jumlah data latih. 𝐻 = 1 + 𝑒𝑥𝑝 (−(− 𝑥𝑡𝑟𝑎𝑖𝑛 𝑊𝑇+
𝑏(𝑜𝑛𝑒𝑠(𝑖𝑡𝑟𝑎𝑖𝑛, 1, : )) ) (6) Dimana,
𝐻 = Matriks keluaran hidden layer 𝑋𝑡𝑟𝑎𝑖𝑛= Matriks input pada data latih yang
telah di normalisasi
𝑊𝑇 = Matriks transpose dari bobot
𝑖𝑡𝑟𝑎𝑖𝑛= jumlah data latih
𝑏 = matriks bias
3. Menghitung pada output weight. Hal ini untuk mendapat output weight ini, hal yang pertama yang harus dilakukan ini mentranspose matriks hasil keluaran hidden layer dengan fungsi aktivasi. Lalu jika setelah di transpose, selanjutnya matriks tersebut dikalikan dengan matriks hasil keluaran hidden layer seperti fungsi aktivasi biasanya yang disebut matriks H.
setelah itu nilai invers dihitung dari matriks H tersebut. Jika sudah mendapatkan maka dapat menghitung matriks Moore-Penrose Generalized Invers dari hasil keluaran hidden layer dengan fungsi aktivasi. ̂ = 𝐻+𝑡 (7)
Dimana,
̂ = Matriks Ouput Weight.
𝐻+= Matriks Moore-Penrose Generalized Inverse dari Matriks H.
𝑡 = Matriks Target.
𝐻 = Matriks keluaran hidden layer. c) Proses Testing
Setelah melakukan proses training memperoleh output wright yang optimal dari JST dengan metode ELM. Setelah itu melakukan proses testing yang bertujuan untuk mengevaluasi potensi metode ELM ke dalam prediksi. Berikut ini langkah-langkah untuk proses testing adalah sebagai berikut:
1. Menginisialisasi input weight yang didapatkan dari proses training.
2. Semua keluaran dari hidden layer dihitung dengan fungsi aktivasi (𝑋(𝑥)) menggunakan
Persamaan (5).
3. Menghitung keluaran hasil prediksi yang dilakukan perhitungan dengan menggunakan Persamaan 7.
𝑌̂ = 𝐻 ̂ (8) Keterangan:
𝑌̂ = Matriks hasil predisi.
𝐻 = Matriks keluaran hidden layer. ̂ = Matriks Ouput Weight.
4. Menghitung nilai error pada output layer yang dapat dilihat pada Persamaan 9.
𝑀𝐴𝑃𝐸 = 1𝑛∑𝑛𝑖=1=
𝑦̂𝑖−𝑦𝑖
𝑦̂𝑖 𝑥 100 (9) Dimana,
𝑦̂𝑖 = Nilai hasil ramalan
𝑦𝑖 = Nilai aktual
𝑛 = Banyak data
3. PERANCANGAN & IMPLEMENTASI
Sebelum melakukan implementasi sistem, diperlukan perancangan agar memudahkan proses implementasi. Tujuan prediksi harga daging sapi menggunakan ELM yaitu mendapatkan hasil prediksi dengan nilai error terkecil. Data untuk dilakukan proses prediksi berupa masukan data setiap bulannya. Untuk lebih jelasnnya ditunjukkan perancangan yang dilakukan pada Gambar 3 merupakan diagram alir proses prediksi harga daging sapi menggunakan metode ELM.
Gambar 3 Diagram alir proses Extreme Learning Machine (ELM)
Tahapan – tahapan dari proses metode Extreme Learning Machine dari Gambar 3 dapat diketahui proses implementasi dilakukan berdasarkan perancangan arsitektur jaringan Extreme Learning Machine (ELM) untuk prediksi harga daging sapi ditunjukkan pada Gambar 4 dan Gambar 5. Pada Gambar 4 merupakan arsitektur jaringan ELM untuk proses training dan Gambar 5 merupakan arsitektur jaringan ELM untuk proses testing
Gambar 4 Arsitektur ELM untuk proses training
Gambar 5 Arsitektur ELM untuk proses training
Berdasarkan diagram alir pada Gambar 3, berikut langkah-langkah untuk menyelesaikan dengan model ELM yaitu sistem menerima masukkan berupa harga daging sapi,, masukkan weight, jumlah hidden neuron, presentasi jumlah data training dan testing. Proses selanjutnya adalah dilakukan normalisasi pada data harga yang dimasukkan, kemudian inisialisasi input weight yang dilakukan secara acak dengan rentang [-1,1] dan input bias yang dilakukan secara acak dengan rentang [0,1]. Dilanjutkan dengan proses training ELM, setelah mendapatkan bobot terbaik pada proses training maka melakukan proses testing ELM. Setelah mendapatkan proses tensting melakukan proses denormalisasi, menghitung nilai MAPE sehingga dihasilkan hasil prediksi harga pasar daging sapi.
4. PENGUJIAN DAN ANALISIS
Terdapat 4 pengujian yang dilakukan yaitu pengujian variasi fitur data, pengujian jumlah neuron, pengujian fungsi aktivasi, pengujian persentase data training dan testing.
4.1. Pengujian dan Analisis Hasil Variasi Fitur Data
Pengujian jumlah fitur dilakukan untuk mengetahui banyaknya jumlah fitur terbaikyang harus dibentuk. Jumlah fitur merepresentasikan banyaknya data historis harga daging sapi dalam kurun waktu beberapa bulan terakhir yang digunakan sebagai masukkan untuk melakukan proses prediksi dimasa yang datang.
Berdasarkan grafik Gambar 5, nilai MAPE yang paling kecil didapatkan pada jumlah fitur sebanyak 3 yaitu sebesar 0,3963%.. Nilai MAPE tinggi saat dilakukan pengujian dengan jumlah fitur 5 dikarenakan jumlah keseluruhan data dalam pengujian ini hanya 72 data sehingga pembagian yang digunakan menjadi lebih sedikit karena data awal yang digunakan untuk
Fakultas Ilmu Komputer, Universitas Brawijaya membentuk pola pembelajaran
Gambar 6 Grafik MAPE terhadap variasi fitur
. Pada Gambar 5, dapat dilihat Semakin banyak menggunakan variasi fitur data belum tentu menghasilkan prediksi yang baik, karena proses menggunakan ELM juga bergantung dengan objek dan fitur yang digunakan.
4.2. Pengujian dan Analisis Hasil Jumlah
Neuron
Neuron merupakan jaringan syaraf yang berfungsi untuk menstansformasikan informasi, hal ini menentukan banyaknya neuron yang harus diaktifkan untuk mendapatkan neuron hasil keluaran yang baik. Pengujian ini dilakukan untuk mengetahui jumlah neuron pada hidden layer terhadap nilai. Hasil dari pengujian ini bernilai cukup bervariasi ketika sistem dijalankan, dikarenakan pada weight dan bias yang dihasilkan random. Penelitian ini dilakukan 10 kali uji coba. Hasil evaluasi nilai MAPE kemudian di rata-ratakan.
Gambar 7 Grafik nilai MAPE jumlah hidden neuron
Berdasarkan grafik Gambar 6, nilai MAPE yang paling kecil didapatkan pada jumlah hidden neuron sebanyak 7 yaitu sebesar 0,3414%. Nilai MAPE tinggi saat dilakukan pengujian dengan jumlah 20 dan semakin banyak menggunakan hidden neuron data belum tentu menghasilkan prediksi yang baik.
4.3. Pengujian dan Analisis Variasi Fungsi
Aktivasi
Pengujian fungsi aktivasi dilakukan dengan membandingkan hasil MAPE dari 4 fungsi aktivasi yaitu fungsi aktivasi sigmoid biner, fungsi aktivasi sigmoid bipolar, fungsi aktivasi sin, dan fungsi aktivasi radial basis. Dalan pengujian kali ini persentase datayang digunakan adalah sebanyak 90% data training dan 10% data latih. Jumlah neuron pada hidden layer yang digunakan adalah sebanyak 7.
Gambar 8 Grafik Nilai MAPE Variasi Fungsi
Aktivasi
Berdasarkan grafik pada Gambar 7, ditunjukkan bahwa nilai MAPE yang terkecil terjadi saat menggunakan fungsi aktivasi sigmoid biner dari 4 pilihan fungsi yang lainnya yang didapatkan rata-rata nilai error 0,3215%. Hasil dari pengujian menujukkan rata-rata MAPE setiap fungsi aktivasi tidak terlalu berbeda dengan rata-rata MAPE setiap fungsi yang digunakan. Namun pada fungsi aktivasi sigmoid biner memiliki akurasi lebih baik, dapat disimpulkan bahwa dari pengujian yang didapat menyimpulkan bahwa fungsi sigmoid biner menghasilkan tingkatan error yang baik dibandingkan fungsi lainnya dan sangat berpengaruh pada pencapaian target prediksi
4.4. Pengujian dan Analisis Jumlah Data
Training dan Data Testing
Pada pengujian ini dilakukan agar mengetahui seberapa besar pengaruh jumlah data training terhadap data testing. hasil rata-rata nilai MAPE dikarenakan jumlah input weight dan bias bernilai random. Pengujian ini dilakukan sebanyak 10 kali uji coba dan didapatkan nilai rata-rata MAPE.
Pada saat melakukan pengujian, jumlah data training dan teting bervariasi yaitu 90%:10%, 80%:20%, 70%:30%, 60%:40%, 50%:50%, 40%:60%,100%:100%. Jumlah fitur yang digunakan adalah 3, neuron pada hidden layer yang digunakan adalah sebesar 7, kemudian fungsi aktivasi yang digunakan
sigmoid biner. Pada Gambar 9 ditunjukkan mengenai grafik pengujian.
Gambar 9 Grafik Nilai MAPE jumlah data training dan testing
Berdasarkan grafik pada Gambar 8, ditunjukkan bahwa jumlah data training dan testing mempengaruhi untuk mendapatkan nilai error yang baik. Hal ini, menujukkan bahwa nilai MAPE terkecil terjadi pada saat jumlah data training 90% terhadap data testing 10% dari dasaset dengan nilai error rata-rata yang didapatkan sebesar 0,344%. Hasil dari pengujian dapat disimpulkan bahwa dari pengujian data training terhadap data testing maka nilai error semakin tinggi dikarenakan adanya underfitting. Underfitting merupakan pengujian terjadi karena proses training tidak mampu melakukan pengenalan pola dengan baik karena jumlah data training lebih sedikit dibandingkan jumlah data testing. Hal ini mempengaruhi karena untuk metode ELM merupakan metode pelatihan, sehingga semakin banyak data training yang digunakan maka semakin baik prediksi yang dihasilkan yang sudah dibuktikan dari hasil nilai error.
5. KESIMPULAN
Berdasarkan hasil pengujian dan pembahasan dari prediksi harga daging sapi menggunakan Extreme Learning Machine (ELM), maka didapatkan kesimpulan sebagai berkut :
1. Metode Extreme Learning Machine dapat digunakan dalam prediksi harga daging sapi yang menghasilkan nilai error terkecil dengan melibatkan jumlah hidden layer dan random input weight. hidden layer pada ELM terdiri dari node-node yang berfungsi sebagai pemrosesan yang menghubungkan input layer dengan output layer. Banyaknya hidden node pada bagian hidden layer mempengaruhi hasil perhitungan dari suatu permasalahan
dimana hidden node mengolah semua masukan yang nantinya menjadi keluaran. Pada hidden layer terdapat parameter input weight yang terhubung dengan input layer dan output weight yang terhubung pada output layer.
2. Perbandingan jumlah data training dan data testing serta penambahan jumlah neuron pada hidden layer berpengaruh terhadap output prediksi yang dihasilkan. Tingkat kesalahan yang berdasarkan penguji yang dilakukan dengan nilai MAPE yaitu sebesar 0,344 menggunakan fungsi aktviasi sigmoid biner, menggunakan 3 fitur, perbandingan jumlah data training dan testing yaitu 90%:10% serta hidden neuron sebanyak 7.
6. DAFTAR PUSTAKA
Abadi, I., & Soeprijanto, A. (2014). Extreme learning machine approach to estimate hourly solar radiation on horizontal surface (PV) in Surabaya-East java. In Information Technology, Computer and Electrical Engineering (ICITACEE). Ditjen Peternakan. (1997). Statistik Peternakan. Giusti, A., Agus Wahyu Widodo, & Sigit
Adinugroho. (2018). Prediksi Penjualan Mi Menggunakan Metode Extreme Learning Machine (ELM) di Kober Mie Setan Cabang Soekarno Hatta. Malang, Jawa Timur, Indonesia.
Huang, G., Zhu, Q., & Siew, C. (2004). Extreme Learning Machine: a New Learning Scheme of FeedForward neural networks. 2, 985-990.
Huang, G., Zhu, Q., & Siew, C. (2006). Application of extreme learning machine method for time series analysis. 256-262.
Humaini, Q. (2015). Jaringan Syaraf Tiruan Extreme Learning Machine (ELM) Untuk Memprediksi Kondisi Di Wilayah Malang.
Pangaribuan, J. J. (2016). Mendiagnosis Penyakit Diabetes Melitus Dengan
Menggunakan Metode Extreme
Learning Machine. Medan, Indonesia. Singh, R., & Balasundaram, S. (2007).
Application of extreme learning machine method for time series analysis. 256-262.
Fakultas Ilmu Komputer, Universitas Brawijaya Furqon. (2016). Peramalan Produksi Gula Pasir Menggunakan Extreme Learning Machine (ELM) Pada Pg Candi Baru Sidoarjo. 8.
