IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI TAHUNAN PROVINSI JAWA BARAT.

(1)

IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI TAHUNAN

PROVINSI JAWA BARAT

SKRIPSI

Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

Oleh: Hendri Lubis

0902256

DEPARTEMEN PENDIDIKAN ILMU KOMPUTER

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

(2)

IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI TAHUNAN

PROVINSI JAWA BARAT

Oleh:

Hendri Lubis 0902256

Diajukan untuk memenuhi sebagian syarat memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer

Departemen Pendidikan Ilmu Komputer

Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam

Oktober 2015

Hak Cipta dilindungi undang-undang.

(3)

IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI STUDI KASUS

Oleh: Hendri Lubis

0902256

Disetujui dan Disahkan oleh:

Pembimbing I

Rasim, MT

NIP 197407252006041002

Pembimbing II

Dr. H. Wawan Setiawan, M.T NIP 196601011991031005

Mengetahui,

Ketua Program Studi Ilmu Komputer

Eddy Prasetyo Nugroho, MT NIP 197505152008011014

Ketua Departemen Pendidikan Ilmu Komputer

(4)

Hendri Lubis, 2015

IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI TAHUNAN PROVINSI JAWA BARAT

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu

IMPLEMENTASI ALGORITMA PROPAGASI BALIK DALAM EVALUASI PRODUKSI PADI TAHUNAN

ABSTRAK

Evaluasi produksi padi merupakan salah satu pekerjaan yang cukup sulit diselesaikan karena terkait dengan model kausal, dimana variabel yang akan dievaluasi (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. Beberapa metode yang dapat digunakan untuk menyelesaikan masalah yang berhubungan dengan metode kausal ini adalah metode regresi dan metode jaringan saraf tiruan khususnya algoritma propagasi balik. Pada penelitian ini, metode jaringan saraf tiruan algoritma propagasi balik digunakan untuk mengevaluasi produksi padi di Jawa Barat, dalam metode tersebut diperlukan sebuah jaringan yang optimal untuk untuk memberikan hasil evaluasi dengan akurasi yang tinggi. Jaringan dikatakan optimal jika proses training dan testing menghasilkan nilai galat yang kecil dan nilai akurasi yang tinggi. Satuan galat yang digunakan pada penelitian ini adalah mean square error (MSE). Pada penelitian ini juga berhasil dibuat sebuah aplikasi untuk membuktikan hasil evaluasi dan keabsahan penelitian. Dari serangkaian pengujian pada kasus evaluasi produksi padi Provinsi Jawa Barat didapatkan beberapa hasil yang mencapai akurasi yang diharapkan. Adapun hasil rata-rata akurasi terbaik dari eksperimen yang dilakukan adalah sebesar 83.3 % dengan 6 lapisan masukan, 19 lapisan tersembunyi, 1 lapisan keluaran, dan nilai learning rate-nya 0.1.

(5)

Hendri Lubis, 2015

IMPLEMENTATION BACKPROPAGATION ALGORITHM IN EVALUATION OF YEARLY RICE PRODUCTION

IN WEST JAVA PROVINCE

ABSTRACT

Evaluation of rice production is one of a job that is quite difficult to solve because it is associated with the causal model, where the variable that will be evaluated (the dependent variable) associated with other variables (independent variables) in the model. Several methods can be used to solve the problems associated with causal method is a regression method and neural network method specifically backpropagation algorithm. In this research, the backpropagation algorithm is used to evaluate rice production in West Java, to provide the high accuracy result this menthod required an optimal network. The network is said to be optimal if training and testing process produces a small error value and high accuracy value. Unit error used in this research is the mean square error (MSE). In this research also successfully made an application to prove the validity of the results of the evaluation and research. From a series of tests in the case of evaluation of rice production in West Java province obtained some results achieve the expected accuracy. The average yield best accuracy from the eksperiment used are 83.3% with 6 input layer, 1 output layer, 19 hidden layer, and 0.1 learning rate.

(6)

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... iii

UCAPAN TERIMA KASIH ... iv

DAFTAR ISI ... vi

DAFTAR TABEL ... ix

DAFTAR GAMBAR ... x

BAB I PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 3

1.3 Batasan Masalah ... 4

1.4 Tujuan Penelitian ... 4

1.5 Manfaat Penelitian ... 4

1.6 Metode Penelitian ... 5

1.7 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI 2.1 Evaluasi Produksi Pertanian ... 7

2.1.1 Pendapat Ahli ... 7

2.1.2 Tahapan Evaluasi... 7

2.2 Produksi ... 8

2.3 Kecerdasan Buatan (Artificial Intelligence) ... 9

2.3.1 Definisi Kecerdasan Buatan ... 9

2.3.2 Konsep dan Definisi Dalam Kecerdasan Buatan... 9

2.3.3 Teknik Pemecahan Masalah dalam AI ... 10

2.4 Pembelajaran Mesin (Machine Learning) ... 12

2.4.1 Teknik-teknik Machine Learning ... 12

2.4.2 Kondisi-kondisi Dalam Machine Learning ... 13

2.5 Metode Jaringan Saraf Tiruan (Neural Network) ... 15

2.5.1 Jaringan Saraf Tiruan ... 15

BAB III METODE PENELITIAN 3.1 Desain Penelitian ... 21

3.2 Metode Penelitian ... 24

(7)

Hendri Lubis, 2015

3.3 Alat dan Bahan Penelitian ... 24

3.3.1 Alat Penelitian ... 24

3.3.2 Bahan Penelitian ... 25

3.4 Proses Implementasi Perangkat Lunak ... 25

3.5 Implementasi Penelitian ... 27

BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Tahapan Sistem Evaluasi Produksi Padi ... 28

4.2 Representasi Masalah ... 29

4.3 Tahapan Sistem Evaluasi Produksi Padi ... 30

4.3.1 Data Preprocessing ... 30

4.3.1.1 Data Cleansing (Pembersihan Data) ... 32

4.3.1.2 Normalisasi Data ... 34

4.3.1.3 Pembagian Data ... 34

4.3.2 Perancangan Struktur Jaringan ... 34

4.3.2.1 Perancangan Arsitektur Jaringan ... 35

4.3.2.2 Menentukan Fungsi Aktivasi ... 36

4.3.3 Menyusun Data Set Pelatihan dan Pengujian ... 36

4.3.4 Inisialisasi Data ... 38

4.3.4.1 Inisialisasi Bobot ... 38

4.3.4.2 Inisialisasi Batas Nilai Toleransi dan Jumlah MSEsamaMAX ... 38

4.3.4.3 Inisialisasi Variabel Learning Rate ... 39

4.3.5 Modifikasi Algoritma Pelatihan Backpropagation ... 39

4.3.6 Pengujian Jaringan... 50

4.3.7 Analisis Sensitifitas ... 51

4.3.8 Pemilihan Jaringan Optimum untuk Klasifikasi... 51

4.4 Algoritma Klasifikasi Produksi Padi ... 52

4.5 Analisis Kebutuhan Perangkat Lunak ... 55

4.5.1 Batasan Perangkat Lunak ... 55

4.5.2 Proses Kerja Sistem Evaluasi Produksi Padi ... 55

4.5.3 Pemodelan Kebutuhan ... 56

4.5.3.1 Model Hubungan Luar ... 56

4.5.4 Desain Perangkat Lunak ... 58

4.5.4.1 Desain Data ... 58

4.5.4.2 Desain Antarmuka ... 58

4.5.5 Implementasi ... 59

4.5.5.1 Implementasi Perangkat Lunak ... 59

4.5.5.2 Implementasi Antarmuka ... 61

4.6 Studi Kasus dan Hasil Penelitian ... 62

(8)

Hendri Lubis, 2015

4.6.2 Hasil Penelitian ... 63

4.6.3 Analisis Hasil Penelitian... 76

BAB V KESIMPULAN DAN SARAN ... 78

5.1 Kesimpulan ... 78

5.2 Saran ... 79

DAFTAR PUSTAKA ... xi

(9)

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR TABEL

Tabel 4. 1 Penyusunan Data Set ... 36

Tabel 4. 2 Random Data Set Pelatihan Skenario ke-1 ... 36

Tabel 4. 3 Random Data Set Pengujian Skenario ke-1. ... 38

Tabel 4. 4 Data Pelatihan. ... 41

Tabel 4. 5 Bobot Simpul Tersembunyi Pertama. ... 41

Tabel 4. 6 Perubahan Bobot Lapisan Tersembunyi. ... 45

Tabel 4. 7 Bobot Baru Lapisan Tersembunyi. ... 48

Tabel 4. 8 Daftar Modul Dalam Aplikasi SEPP. ... 59

Tabel 4. 9 Daftar Tabel dalm Aplikasi SEPP. ... 60

Tabel 4. 10 Studi Kasus untuk 3 Skenario. ... 63

Tabel 4. 11 Hasil Studi Kasus Skenario ke-1 (75%-25%). ... 64

Tabel 4. 12 Hasil Studi Kasus Skenario ke-2 (50%-50%). ... 65

(10)

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR GAMBAR

Gambar 2. 1 Kondisi Underfitting dalam kasus klasifikasi ... 13

Gambar 2. 2 Kondisi Overfitting dalam kasus klasifikasi ... 14

Gambar 2. 3 Kondisi Optimal dalam kasus klasifikasi ... 14

Gambar 2. 4 Neuron pada jaringan saraf manusia, model neuron sederhana pada JST ... 15

Gambar 2. 5 Jaringan Saraf Tiruan Backpropagation ... 16

Gambar 2. 6 Flowchart algoritma pelatihan backpropagation ... 16

Gambar 3. 1 Desain Penelitian...22

Gambar 3. 2 Model Rekayasa Perangkat Lunak Sekuensial Linier...25

Gambar 4. 1 Diagram Alur Sistem ...28

Gambar 4. 2 Flowchart Pengembangan Sistem. ... 31

Gambar 4. 3 Arsitektur Jaringan Backpropagation... 35

Gambar 4. 4 Flowchart Modifikasi Algoritma Pelatihan Backpropagation. ... 40

Gambar 4. 5 Proses Pengujian Jaringan. ... 51

Gambar 4. 6 Context Diagram Sistem Evaluasi Produksi Padi. ... 57

Gambar 4. 7 Desain Antarmuka Aplikasi SEPP ... 59

Gambar 4. 8 Implementasi Antarmuka halaman utama SEPP ... 61

Gambar 4. 9 Implementasi Antarmuka Menampilkan Hasil Evaluasi Bag.1 .... 61

Gambar 4. 10 Implementasi Antarmuka Menampilkan Hasil Evaluasi Bag.2 .... 62

Gambar 4. 11 Grafik Akurasi Skenario ke-1 ... 67

Gambar 4. 14 Grafik Rata-rata Akurasi dari 3 Skenario Pengujian ... 68

(11)

1

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB I

PENDAHULUAN

1.1 Latar Belakang

Algoritma propagasi balik (backpropagation) adalah salah satu algoritma yang terdapat pada metode jaringan saraf tiruan (JST) dimana algoritma ini memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan (Alexander & Morton, 1994). Algoritma propagasi balik dapat digunakan untuk menyelesaikan berbagai masalah, seperti klasifikasi, optimasi, estimasi, evaluasi, kompresi, peramalan, sistem kontrol, sistem pendeteksian kecurangan, dan sebagainya (Suyanto, 2011).

Beberapa penelitian yang menggunakan algoritma propagasi balik menyimpulkan bahwa algoritma ini mampu menyelesaikan dan menghasilkan nilai keluaran yang baik. Seperti pada penelitian yang dilakukan oleh Liza Yulianti (2013) yang berjudul “Implementasi Jaringan Syaraf Tiruan Dalam Sistem Pendukung Keputusan (SPK) Untuk Memilih Perguruan Tinggi” menyimpulkan bahwa algoritma propagasi balik dapat mengambil keputusan bagi calon mahasiswa baru. Dan penelitian yang dilakukan oleh Yani Maulita M.Kom

(2014) yang berjudul “Perancangan Sistem Pengambilan Keputusan Diagnosa Penyakit Dalam Menggunakan metode Back Propagation” menyimpulkan bahwa

algoritma propagasi balik mampu untuk memprediksi pasien tidak terkena penyakit dalam. Dari kedua contoh penelitian tersebut dapat ditarik kesimpulan bahwa algoritma propagasi balik dapat digunakan untuk memecahkan permasalah yang memiliki model kausal dimana model ini mengasumsikan bahwa variabel target (variabel dependen) terkait atau dipengaruhi oleh variabel lain (variabel independen) dalam model.

(12)

2

Hendri Lubis, 2015

dimensi yang luas karena terkait dengan kepentingan orang banyak dengan latar belakang sosial dan budaya yang berbeda (Afrianto, 2010).

Di Indonesia sendiri beras merupakan kebutuhan pangan pokok, dimana hampir seluruh masyarakatnya menjadikan beras menjadi bahan makanan pokok mereka, dan itulah yang membuat beras mendapat prioritas utama dalam penanamannya. Untuk memenuhi kebutuhan beras ini pemerintah telah banyak mengadakan program untuk meningkatkan produksi pangan khususnya padi, baik berupa pembinaan atau pencetakan sawah atau lahan pertanian baru.

Jawa Barat adalah salah satu pemasok produksi padi nasional dimana menurut Badan Pusat Statistik Jawa Barat pada tahun 2013 Jawa Barat mampu memproduksi 12.083.162 ton padi dengan luas panen 2.029.891 hektar dan produktivitasnya 59.53 kuintal/hektar. Mengalami peningkatan produksi dari tahun sebelumnya yang menjadikan Jawa Barat menjadi Provinsi dengan produksi padi tertinggi di Indonesia, namun dengan adanya fakta tersebut tidak mengubah fakta bahwa pertumbuhan penduduk di Jawa Barat juga sangatlah pesat.

Menurut Badan Pusat Statistik Jawa Barat laju pertumbuhan penduduk di Jawa Barat mengalami peningkatan yang signifikan dimana pada Tahun 2000 Jawa Barat memiliki penduduk lebih dari 35 juta jiwa dan di Tahun 2013 terdapat lebih dari 45 juta jiwa yang dimana laju pertumbuhan penduduk (LPP) pertahunnya adalah sekitar 1.9% Tahun 2000-2010 dan 1.6% Tahun 2010-2013, dilihat dari data tersebut meskipun persentase LPP semakin menurun tapi jumlah penduduk Jawa Barat juga semakin bertambah.

(13)

3

Hendri Lubis, 2015

pemerintah Jawa Barat ingin meningkatkan produktivitas pertanian dalam rencana pembangunan jangka panjang daerah Provinsi Jawa Barat 2005-2025.

Dilihat dari fakta dan permasalahan yang ada diatas pemerintah dan pihak yang berkepentingan perlu melakukan evaluasi terhadap produksi padi di Jawa Barat. Dimana evaluasi terhadap produksi padi ini akan memberikan informasi apakah alih fungsi dari lahan pertanian khususnya padi sawah ke lahan pemukiman sudah melampaui batas, apakah diperlukan penambahan lahan pertanian baru, atau apakah diperlukan sebuah kegiatan masyarakat yang berhubungan untuk meningkatkan produksi padi di Jawa Barat. Selain itu evaluasi ini juga dapat mengukur apakah program yang dilakukan pemerintah dalam mengantisipasi permasalahan yang berhubungan dengan produksi padi ini berhasil atau tidak.

Dalam melakukan evaluasi produksi padi sebelumnya perlu dilakukan analisis terhadap variabel-variabel atau faktor-faktor yang mempengaruhi tingkat produksi padi. Dari beberapa penelitian yang telah dilakukan oleh para peneliti terkait faktor-faktor yang mempengaruhi produksi padi menyimpulkan bahwa produksi padi dipengaruhi oleh beberapa faktor seperti produktivitas, luas lahan, luas panen, cuaca, dan jumlah penduduk. Setelah ditemukan faktor-faktor yang mempengaruhi tingkat produksi padi selanjutnya dibutuhkan sebuah aplikasi yang dapat melakukan evaluasi produksi padi.

Berdasarkan hipotesa yang telah diuraikan diatas penulis berkesimpulan bahwa algoritma propagasi balik dapat diimplementasikan pada permasalah evaluasi produksi padi ini. Dengan merancang sebuah skripsi berjudul Implementasi Algoritma Propagasi Balik Dalam Evaluasi Produksi Padi Tahunan Provinsi Jawa Barat.

1.2 Rumusan Masalah

(14)

4

1. Bagaimana merancang algoritma propagasi balik untuk masalah evaluasi produksi padi?

2. Bagaimana hasil evaluasi produksi padi menggunakan algoritma propagasi balik?

3. Apakah implementasi algoritma propagasi balik dapat memberikan hasil evaluasi dengan nilai akurasi yang baik?

1.3 Batasan Masalah

Pada penelitian ini, permasalahan dibatasi hal-hal berikut ini.

1. Evaluasi hanya pada data penduduk, curah hujan, temperatur dan pertanian Provinsi Jawa Barat yang diambil dari Badan Pusat Statistik periode tahun 1990 – 2014.

2. Evaluasi hanya untuk data yang memiliki tipe data kuantitatif.

3. Menentukan akurasi hasil perhitungan dengan nilai aktual pada metode propagasi balik dengan menggunakan Mean Square Error (MSE) sebagai satuan galat.

1.4 Tujuan Penelitian

Berdasarkan rumusan masalah diatas, maka tujuan penelitian dalam tugas akhir ini dirumuskan sebagai berikut.

1. Mendapatkan perancangan algoritma propagasi balik dalam menyelesaikan masalah evaluasi produksi padi di Jawa Barat.

2. Mengukur hasil dari evaluasi produksi padi dengan menggunakan algoritma propagasi balik.

3. Mengukur seberapa akurat hasil evaluasi dengan menggunakan metode propagasi balik.

1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah:

(15)

5

2. Dapat memberikan informasi kepada pemerintah apakah upaya pemerintah dalam mengontrol alih fungsi lahan pertanian menjadi lahan pemukiman efektif atau tidak.

3. Dapat memberikan informasi kepada pemerintah seberapa efektif upaya pemerintah dalam meningkatkan produksi padi sawah di Jawa Barat. 4. Dapat sebagai bahan pertimbangan dan masukan bagi pemerintah dan

pihak yang berkepentingan, serta dapat menjadi acuan dalam membuat sistem evaluasi yang lebih akurat lagi.

5. Dapat menjadi salah satu alternatif dalam menyelesaikan permasalahan yang terkait dengan evaluasi produksi padi.

1.6 Metode Penelitian

Pada penelitian ini, penulis berusaha untuk mengumpulkan data dan informasi yang akurat agar dapat menunjang proses penelitian. Berikut ini merupakan metode pengumpulan data yaitu:

1. Eksplorasi dan Studi Literatur

Eksplorasi dan studi literatur dilakukan dengan cara mempelajari konsep-konsep yang berkaitan dengan penelitian ini, seperti peramalan, sensus penduduk, lahan pertanian, produksi padi, metode regresi, metode propagasi balik (backpropagation), algoritma jaringan saraf tiruan melalui textbook, jurnal, artikel, situs, internet, dan sumber ilmiah lainnya.

2. Analisis dan Perancangan Perangkat Lunak

Analisis dan perancangan perangkat lunak dilakukan untuk menentukan bahasa pemrograman yang akan digunakan, struktur data, input/output serta algoritma yang akan digunakan.

3. Implementasi dan Pengujian Perangkat Lunak

(16)

6

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 1.7 Sistematika Penulisan

(17)

7

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB I PENDAHULUAN

Bab ini menjelaskan masalah secara umum meliputi latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi landasan teori yang akan digunakan dalam analisis, perancangan, dan implementasi perangkat lunak.

BAB III METODOLOGI PENELETIAN

Berisi tentang teknis pelaksanaan penelitian berupa alat dan bahan penelitian, desain penelitian dan proses penelitian.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Berisi hasil penelitian serta analisis yang dilakukan selama penelitian.

BAB V KESIMPULAN DAN SARAN

Berisi kesimpulan yang didapat selama penelitian dan saran-saran dalam meningkatkan kualitas dan kuantitas hasil penelitian.

LAMPIRAN

(18)

21

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB III

METODE PENELITIAN

3.1 Desain Penelitian

Pada bab ini akan dipaparkan skema umum penelitian yang dilakukan untuk mempermudah dalam melakukan penelitian. Dalam penelitian ini terdapat dua tahapan utama yang dilakukan, pertama penelitian yang berkaitan dengan teori atau konsep ilmu yang akan diteliti, sedangkan tahapan kedua adalah penerapan teori atau konsep tersebut dengan cara perhitungan manual maupun secara komputasi. Gambaran umum kedua bagian itu dapat dilihat pada Gambar 3.1.

Berikut langkah-langkah penelitian yang dilakukan: 1. Need Assesment

a. Mempersiapkan bahan penelitian, bahan penelitian adalah data-data yang dikumpulkan,

b. Mempersiapkan alat penelitian, alat penelitian adalah perangkat keras (hardware) dan perangkat lunak (software),

2. Menganalisis dan mendisain aplikasi,

3. Mengimplementasi aplikasi dengan metode propagasi balik,

(19)

22

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu Gambar 3. 1 Desain Penelitian Tahapan Rekayasa Perangkat Lunak

Rumusan Masalah

1. Membutuhkan data evaluasi produksi padi Provinsi Jawa Barat

yang akurat.

Studi Literatur

1. Mempelajari metode-metode klasifikasi dan evaluasi

2. Produksi, khususnya produksi padi

3. Jaringan Saraf Tiruan (Backpropagation)

Metode

1. Metode Propagasi Balik dari Algoritma

Jaringan Saraf Tiruan

Data

1. Data jumlah penduduk, cuaca, dan

pertanian di Jawa Barat sebanyak 25 tahun

Analisis untuk proses evaluasi

1. Mengumpulkan data jumlah penduduk, cuaca, dan pertanian sebanyak

25 tahun.

2. Normalisasi data jumlah penduduk, cuaca dan pertanian yang telah dikumpulkan.

3. Melakukan proses trial error pada setiap variabel untuk tahun ke-n menggunakan metode propagasi balik dengan nilai Max MSE = 10-5 dan dihitung nilai galatnya (MSE).

4. Melakukan proses evaluasi hasil produksi padi tahun ke-n.

Sistem evaluasi produksi padi di Provinsi Jawa Barat..

Pemeliharaan

Perbaikan konten perangkat lunak Requierement

 Data penduduk di Jawa Barat selama 25 tahun

 Data cuaca di Jawa Barat selama 25 tahun

 Data pertanian di Jawa Barat selama 25 tahun

Desain

Merancang sistem model evaluasi produksi padi menggunakan metode propagasi balik studi kasus Provinsi Jawa Barat.

Koding

Menerjemahkan desain perangkat lunak ke dalam bahasa pemrograman.

Testing

(20)

23

Hendri Lubis, 2015

Penelitian dimulai dengan menentukan rumusan masalah sebagai tahap awal yang didasari atas latar belakang masalah. Rumusan masalah pada penelitian ini adalah mendapatkan nilai evaluasi produksi padi Provinsi Jawa Barat dengan hasil yang akurat. Untuk dapat menentukan metode yang cocok, maka dilakukan studi literatur yang berhubungan dengan akurasi evaluasi dan sifat data penduduk, curah hujan, temperatur, dan pertanian Provinsi Jawa Barat.

Metode evaluasi yang cocok untuk data pertanian Provinsi Jawa Barat adalah Propagasi Balik dari algoritma Jaringan Saraf Tiruan (JST). Metode ini cocok dengan data yang memiliki model kausal, dimana variabel yang dicari (variabel dependen) terkait dengan variabel lain (variabel independen) dalam model. Selain itu metode ini juga memiliki tingkat akurasi yang lebih tinggi dibandingkan metode regresi karena hasil pelatihan data dari metode porpagasi balik memilik MSE yang lebih rendah dari pada metode regresi. Langkah selanjutnya adalah melakukan analisis untuk proses evaluasi dengan cara mengumpulkan data jumlah penduduk, curah hujan, temperatur, luas lahan pertanian, luas panen, produktivitas, dan produksi padi Provinsi Jawa Barat sebanyak dua puluh lima tahun.

(21)

24

Hendri Lubis, 2015

Tanda panah menunjukkan alur maju dari satu tahap ke tahap lain, sedangkan tahapan-tahapan yang dibatasi dengan garis putus-putus merupakan satu kesatuan beberapa tahap yang ada didalamnya.

3.2 Metode Penelitian

3.2.1 Proses Pengumpulan Data

Dalam penelitian ini, data dan informasi yang tersedia dapat menunjang proses penelitian. Metode-metode yang digunakan untuk pengumpulan data sebagai berikut:

a. Studi Literatur

Dengan mempelajari metode-metode mengenai evaluasi, dan mempelajari cara mengolah parameter pada evaluasi dengan model data kausal melalui studi literatur seperti textbook, jurnal, dan sumber-sumber di internet yang berkorelasi dengan topik evaluasi, klasifikas, ekspektasi dan pertanian.

b. Observasi

Observasi dilakukan dengan cara melakukan pelatihan pada setiap variabel menggunakan metode propagasi balik dengan nilai maksimal MSE = 10-5 dan dihitung nilai galatnya (MSE).

3.3 Alat dan Bahan Penelitian 3.3.1 Alat Penelitian

Dalam penelitian ini penulis menggunakan perangkat keras dan perangkat lunak sebgai berikut:

1. Komputer dengan spesifikasi

a.Prosesor Intel Core i3-2310M CPU 2.10GHz b.RAM 6,00 GB

(22)

25

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 2. Perangkat Lunak :

a.Sistem Operasi : Windows 7 Professional 64-bit b.Power Designer versi 15.0b dan Dia versi 0.97.1 c.Matlab rilis 2011

3.3.2 Bahan Penelitian

Data jumlah penduduk, curah hujan, temperatur, luas lahan pertanian, luas panen, produktivitas dan produksi padi Provinsi Jawa Barat pada penelitian ini berasal dari Badan Pusan Statistik (BPS) Kota Bandung. Semua data yang tersedia adalah sebanyak 25 tahun (1990 – 2013). Bahan penelitian lain berupa paper, textbook, dan dokumentasi lainnya didapat dari hasil studi literatur dan observasi.

3.4 Proses Implementasi Perangkat Lunak

Model implementasi perangkat lunak dalam penelitian ini adalah proses sekuensial linear. Model sekuensial linear (Air Terjun) merupakan rekayasa perangkat lunak yang paling tua, dengan mengusulkan sebuah pendekatan perkembangan perangkat lunak yang sistematis dan sekuensial yang dimulai pada tingkat dan kemajuan sistem pada seluruh analisis, desain, kode, pengujian, dan pemeliharaan. Model ini meliputi aktivitas sebagai berikut.

Gambar 3. 2 Model Rekayasa Perangkat Lunak Sekuensial Linear (Prayogo, 2013)

Berikut merupakan tahapan sekuensial linear.

1. Rekayasa dan Pemodelan Sistem Informasi

Perangkat lunak merupakan bagian dari sistem yang lebih besar, bekerja mulai dengan membangun syarat dari semua elemen sistem dan mengalokasikan

Pemodelan sistem informasi

(23)

26

Hendri Lubis, 2015

beberapa subset dari kebutuhan ke perangkat lunak tersebut untuk membuat sistem peramalan.

2. Analisis Kebutuhan Perangkat Lunak

Proses analisis kebutuhan perangkat lunak ini merupakan tahap untuk menganalisis kebutuhan fungsional dan non fungsional dalam membangun sistem model evaluasi produksi padi menggunakan metode propagasi balik studi kasus Provinsi Jawa Barat. Untuk memahami sifat program yang akan dibangun harus dipahami tipe-tipe data yang dibutuhkan pada pembuatan perangkat lunak seperti tipe data luas lahan sawah (ha), tipe data luas panen (ha), tipe data produksi padi (ton), tipe data produktivitas padi (kuintal/ha), tipe data jumlah penduduk, tipe data curah hujan (mm) dan tipe data temperatur (oC). Karena data yang dibutuhkan tidak homogen maka diperlukan normalisasi data agar data menjadi data yang homogen.

3. Desain

Merupakan tahap menerjemahkan kebutuhan yang sudah dianalisa ke sebuah perancang perangkat lunak. Tahap dari desain meliputi perancangan struktur data diantaranya merancang Entity Relationship Diagram (ERD), merancang struktur perangkat lunak seperti Context Diagram, Data Flow Diagram (DFD), dan Process Specification, perancangan prosedur algoritma,

perancangan interface, perancangan sistem model evaluasi produksi padi menggunakan metode propagasi balik studi kasus Provinsi Jawa Barat.

4. Pengkodean

Proses pengkodean (coding) merupakan proses menerjemahkan analisis dan desain yang telah dibuat ke dalam bahasa pemrograman yang dapat diproses oleh komputer. Penulis menggunakan matlab sebagai tools dalam membantu pengkodean.

(24)

27

Hendri Lubis, 2015

Proses ini dilakukan untuk menguji dan memastikan perangkat lunak yang telah dibuat dapat bekerja sesuai dengan yang direncanakan sebelumnya. Selain itu proses tes ini untuk memastikan sistem akan memberikan hasil yang akurat, proses pengujian dilakukan dengan model validasi bootstrapping dengan menggunakan tiga skenario rasio 75%-25%, 50%-50%, dan 25%-75% serta menemukan kesalahan-kesalahan (bug) pada program yang dibuat, sehingga dapat diperbaharui.

3.5 Implementasi Penelitian

(25)

78

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Adapun kesimpulan akhir dari penelitian Evaluasi Produksi Padi Menggunakan Metode Jaringan Saraf Tiruan Algoritma Propagasi Balik Studi Kasus Provinsi Jawa Barat:

1. Dalam mencari jaringan yang paling optimum untuk permasalahan evaluasi produksi padi ini, perlu dilakukan beberapa eksperimen yang penulis disini menggunakan eksperimen dengan jumlah hidden layer yang diuji adalah 5,10,15,20,25, 30 dan learning rate-nya 0.05 , 0.1 , 0.2 , 0.3 yang setelah didapatkan antara hidden layer terbaik pertama dan kedua akan dilakukan eksperimen lanjutan. Pada kasus ini penulis menemukan antara 15 – 20 hidden layer, yang setelahnya didapatkan nilai jaringan optimal sebagai

berikut: jumlah hidden layer 19, learning rate 0.1, input layer 6 dan output layer 1.

2. Nilai akurasi yang dihasilkan dalam penelitian ini adalah 83.3 % dengan jumlah hidden layer 19, learning rate 0.1, input layer 6 dan output layer 1. 3. Dalam penelitian ini penulis menyimpulkan bahwa algoritma propagasi balik

dapat memberikan akurasi yang baik terhadap kasus evaluasi produksi padi tahunan di Jawa Barat.

(26)

79

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu 5.2 Saran

Untuk pengembangan lebih lanjut, saran-saran yang diberikan pada penelitian ini adalah sebagai berikut:

1. Perlu penelitian lebih lanjut dengan menggunakan pola masukan yang lebih kompleks dan jumlah data yang lebih banyak atau sebaiknya data yang digunakan adalah data perpanen bukan tahunan, agar dapat diketahui nilai jaringan yang paling optimal.

2. Perlu adanya percobaan terhadap nilai normalisasi lain yang lebih kecil atau sempit nilai kesalahannya seperti menggunakan range 0-1.

(27)

xi

Hendri Lubis, 2015

Universitas Pendidikan Indonesia | \.upi.edu perpustakaan.upi.edu DAFTAR PUSTAKA

Afrianto, D. (2010). Analisis Pengaruh Stok Beras, Luas Panen, Rata-Rata Produksi, Harga Beras dan Jumlah Konsumsi Beras Terhadap Ketahanan Pangan di Jawa Tengah. 29.

Alexander, & Morton. (1994). Neural Networks: A Comprehensive Foundation.

Badan Pusat Statistik. (1991-2014). Jabar Dalam Angka . Bandung: BPS.

Ganatra, A., Kosta, Y. P., Panchal, G., & Gajjar, C. (2011). Initial Classification Through Back Propagation In a Neural Network Following Optimization Through GA to Evaluate the Fitness of an Algorithm. International Journal of Computer Science & Information Technology (IJCSIT).

Halim, S., & Wibisono, A. M. (2000). Penerapan Jaringan Saraf Tiruan untuk Peramalan. Jurnal Teknik Industri, 2.

Hamid, N. A., Nawi, N. M., Ghazali, R., & Salleh, M. N. (2011). Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems. International Journal of Software Engineering and Its Applications.

Hansun, S. (2013). Peramalan Data IHSG Menggunakan Metode Backpropagation. 26-30.

Indrawaty, Y., Hermana, A. N., & Ramadhan, A. (2012). Implementasi Model Backpropagation dalam Mengenali Pola Gambar untuk Mendiagnosa Penyakit Kulit. Jurnal Informatika, 3.

(28)

xii

Hendri Lubis, 2015

Jayalakshmi, T., & Santhakumaran, A. (2011). Statistical Normalization and Back Propagation for Classification. International Journal of Computer Theory and Engineering.

Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

Mahananto, Sutrisno, S., & Ananda, C. F. (2009). Faktor-faktor yang Mempengaruhi Produksi Padi. WACANA, 189.

Maulita, Y. (2014). Perancangan Sistem Pengambil Keputusan Diagnosa Penyakit Dalam Menggunakan Metode Back Propagation. Informasi dan Teknologi Ilmiah (INTI), 74.

Nilson, N. J. (1998). Introduction to Machine Learning. In Introduction to Machine Learning (p. 80). Standford: Stanford University.

Prayogo, M. N. (2013). Optimasi Parameter Alpha Menggunakan Algoritma Non Linear untuk Peramalan Klimatologi Kota Bandung dalam Metode Pemulusan Eksponensial Ganda Satu Parameter dari Brown.

Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: ANDI.

Ruswandi, A., Susanto, B., & Yayat. (2009). Potensi Peningkatan Produksi Padi Melalui Pengembangan Padi Gogo di Jawa Barat Selatan : Studi Kasus di Lokasi Prima Tani Kabupaten Garut. Jurnal Pengkajian dan Pengembangan Teknologi Pertanian.

Sari, D. K., Ismullah, I. H., Sulasdi, W. N., & Harto, A. B. (2010). Estimasi Produktivita Padi Sawah Berbasis Kalender Tanam Heterogen Menggunakan Teknologi Pengindraan Jauh. Jurnal Rekayasa LPPM Itenas.

(29)

xiii

Hendri Lubis, 2015

Journal of Advanced Research in Computer Science and Software

Engineering.

Silvira, Hasyim, H., & Fauzia, L. (2014). ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI PADI SAWAH.

Soesilo, B. (2011). Pemanfaatan Jaringan Saraf Tiruan untuk Mendeteksi Gangguan Paru-paru Menggunakan Metode Backpropagation.

Sunani, N. (2009). Analisis Faktor-faktor yang Mempengaruhi Produksi dan Konsumsi Beras di Kabupaten Siak, Riau. 93.

Suyanto, S. M. (2011). Artificial Intelligence (Edisi Revisi). Bandung: Informatika Bandung.

Swarinoto, Y. S., & Widiastuty, M. (2007). Kondisi Curah Hujan, Lahan Sawah, dan Produksi Padi di Kabupaten Karawang Jawa Barat. Jurnal Meteorologi dan Geofisika.

Triyanto, J. (2006). Analisis Produksi Padi di Jawa Tengah. Analisis Produksi Padi di Jawa Tengah, 26.

Umar, H. (2002). Evaluasi Kinerja Perusahaan. Jakarta: Gramedia Pustaka Utama.

Yudarwati, R. (2010). Analisis faktor-faktor fisik yang mempengaruhi produktivitas padi sawah dengan aplikasi sistem informasi geografis.

Yulianti, L. (2013). Implementasi Jaringan Syaraf Tiruan Dalam Sistem Pendukung Keputusan (SPK) Untuk Memilih Perguruan Tinggi. Jurnal Media Infotama, 63.