Peramalan Jumlah Produksi Padi menggunakan Metode Backpropagation

(1)

Fakultas Ilmu Komputer

Universitas Brawijaya 1129

Peramalan Jumlah Produksi Padi menggunakan Metode Backpropagation

Dwi Yana Wijaya¹, Muhammad Tanzil Furqon², Marji³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Padi sebagai tanaman yang menghasilkan beras merupakan produk terpenting untuk masyarakat Indonesia. Beras dengan harga yang terjangkau bagi masyarakat merupakan salah satu faktor penting untuk menjaga ketahanan nasional dan stabilitas pemerintahan. Dalam hal ini melakukan peramalan produksi padi dapat dijadikan sebagai pertimbangan pemerintah untuk mengambil sebuah kebijakan, karena peramalan produksi padi dapat memberikan gambaran informasi berupa jumlah produksi yang dihasilkan di waktu yang akan datang. Penelitian ini menggunakan metode Backpropagation untuk melakukan peramalan jumlah produksi padi, dan untuk evaluasi nilai error menggunakan Mean Absolute Percentage Error (MAPE). Peramalan produksi padi dilakukan pada beberapa provinsi seperti DKI Jakarta, Jawa Barat, Sumatera Utara, Riau, dan Banten. Penelitian ini menghasilkan nilai MAPE terkecil dengan nilai 7,39%. Nilai tersebut dihasilkan dari data provinsi Jawa Barat dengan input neuron sebanyak 10 neuron, hidden neuron sebanyak 3 neuron, nilai range bobot dan bias awal dari -0,8 hingga 0,8, nilai learning rate sebesar 0,6, dan epoch sebanyak 50 kali.

Kata kunci: Peramalan, Padi, Backpropagation, MAPE Abstract

Paddy a crop that produces rice is a is the most important product for the people of Indonesia. Rice at an affordable price for the community is one of the important factors to maintain national resilience and government stability. In this case, forecasting rice production can be used as a consideration for the government to take a policy because forecasting rice production can provide an overview of information in the form of the number of products produced in the future. This study uses the Backpropagation method to forecast the amount of rice production and to evaluate the error value using the Mean Absolute Percentage Error (MAPE). Forecasting paddy production is carried out in several provinces such as DKI Jakarta, West Java, North Sumatra, Riau, and Banten. This study resulted in the smallest MAPE value with a value of 7.39%. This value is generated from data from the province of West Java with 10 neurons as input neurons, 3 hidden neurons, with initial weight and bias range value from -0.8 to 0.8, a learning rate value of 0.6, and an epoch of 50 times.

Keywords: Prediction, Paddy, Backpropagation, MAPE

1. PENDAHULUAN

Padi sebagai tanaman yang menghasilkan beras merupakan komoditas yang sangat penting bagi Indonesia. Faktor ketersediaan beras dengan harga terjangkau bagi masyarakat merupakan salah satu faktor penting untuk menjaga ketahanan nasional dan stabilitas pemerintahan.

Padi selain sebagai penghasil bahan pangan pokok, komoditas padi merupakan sumber penghasilan utama jutaan petani. Padi mengandung unsur karbohidrat yang meningkatkan energi dalam tubuh. Selain

mengandung energi yang tinggi padi juga memiliki kandungan serat yang rendah sehingga dapat mengobati dan mencegah gangguan pencernaan (Yana, 2015). Permasalahan dalam kenaikan permintaan atau kebutuhan pangan merupakan salah satu kendala yang akan terus dialami oleh masyarakan selama bertahun-tahun, atau lebih tepatnya hingga tahun 2036 (Ismail, 2019). Dengan melakukan peramalan produksi padi dapat dijadikan sebagai pertimbangan pemerintah untuk mengambil kebijakan dalam mengatasi permasalahan tersebut.

Peramalan atau forecasting adalah sebuah

(2)

Fakultas Ilmu Komputer, Universitas Brawijaya

konsep atau cara untuk meramal/prediksi suatu nilai pada masa depan dengan menggunakan data-data pada masa saat ini atau masa lampau (Makridakis, Wheelwright, & McGee, 1999).

Model Jaringan Saraf Tiruan (JST) merupakan model yang dapat digunakan untuk meramal sebuah nilai dengan hasil prediksi yang akurat dan banyak digunakan untuk meramal data jenis time series (Alfred & Haviluddin, 2015). Salah satu model JST yang dapat menerapkan proses peramalan atau forecasting adalah JST Back- propagation. Penerapan untuk meramal dengan model JST Backpropagation menggunakan feedback berdasarkan nilai error pada proses pelatihannya, kemudian nilai error tersebut dapat digunakan sebagai perbaikan untuk menghasilkan nilai peramalan yang lebih akurat terhadap nilai sebenarnya (Wythoff, 1993). Latar belakang tersebut yang memotivasi penulis untuk menggunakan metode Backpropagation untuk melakukan peramalan jumlah produksi padi di berbagai provinsi seperti DKI Jakarta, Jawa Barat, Sumatera Utara, Riau, dan Banten.

2. TINJAUAN PUSTAKA 2.1 Peramalan

Peramalan (forecasting) adalah sebuah alat atau cara untuk memperkirakan sebuah peristiwa/kejadian di masa yang akan dating, proses ini dilakukan menggunakan data-data masa lalu dengan variabel yang sifatnya bersangkutan untuk memperkirakan masa depan.

Data pada masa lalu yang bersangkutan tersebut dapat dimanfaatkan dengan menggunakan suatu metode tertentu untuk diolah yang hasilnya dapat dijadikan sebagai prediksi peristiwa atau kejadian pada masa yang akan datang (Makridakis, Wheelwright, & McGee, 1999).

2.2 Jaringan Saraf Tiruan

Jaringan saraf tiruan (JST) adalah bentuk model yang menyerupai saraf pada manusia.

Sehingga cara kerjanya sama seperti saraf pada manusia yang cara kerjanya adalah menstimulasikan informasi, sebagai bentuk proses pembelajaran pada otak manusia. Istilah JST buatan dibuat karena model jaringan saraf yang dibuat merupakan tiruan yang diimplementasikan dalam bentuk kode program komputer, sehingga dapat menstimulasikan proses pembelajaran selayaknya manusia (Fausett, 1994). Jaringan saraf sendiri memiliki sebuah neuron yang sifatnya saling

berhubungan. Neuron tersebut akan mengirim kemudian mentransformasi informasi yang diterima oleh neuron lain, informasi dapat berpindah ke neuron lain dikarenakan terdapat hubungan yang mengkoneksikan neuron-neuron yang lain. Pada jaringan saraf tiruan hubungan ini biasa dikenal dengan istilah bobot (Kusumadewi & Hartati, 2010).

Adapun tiga elemen penting dalam Jaringan Saraf Tiruan yaitu pola hubungan antar neuron yang dibentuk sebagai aristektur jaringan, algoritma untuk mencari bobot antar neuron, dan fungsi aktivasi yang digunakan untuk mentransformasi informasi (Rojas, 1996).

2.3 Backpropagation

Backpropagation adalah model Jaringan Saraf Tiruan. Backpropagation adalah metode yang menerapkan konsep supervised learning, yaitu konsep untuk menyelesaikan suatu masalah yang rumit dengan cara melatih model yang digunakan dengan metode pembalajaran tertentu (Matondang, 2013). Model JST dengan metode Backpropagation sering digunakan sebagai penyelesaian masalah yang berkaitan dengan prediksi atau peramalan (forecasting) (Dewi & M.Muslikh, 2013). Pada metode Backpropagation terdapat 3 fase pelatihan atau pembelajaran, yaitu propagasi maju (feed- forward), propagasi mundur (feedbackward), dan perubahan bobot (Fausett, 1994).

Pada metode JST Backpropagation, nilai bobot dan bias diinisialisasi dengan nilai acak berupa rentang nilai. Rentang nilai tersebut kemudian diubah bersamaan dengan proses pelatihan data sehingga inisialisasi bobot dan bias ini hanya dilakukan satu kali saja pada iterasi pertama. Pada iterasi selanjutnya nilai bobot dan bias diambil dari hasil perubahan pada proses Backpropagation.

Proses berikutnya adalah feedforward. Pada proses ini beberapa parameter harus ditentukan nilainya, seperti nilai epoch, learning rate, dan batas error. Nilai epoch adalah jumlah iterasi yang dilakukan dalam proses training. Nilai learning rate adalah ukuran seberapa besar nilai bobot dan bias akan berubah. Nilai batas error adalah nilai yang menentukan berhentinya proses training dalam satu kali epoch atau iterasi.

Perhitungan feedforward menggunakan nilai dari data input untuk dihitung dengan nilai

(3)

bobot dan bias. Perhitungan pertama dilakukan antara input layer dan hidden layer. Persamaan berikut diimplementasikan untuk menghasilkan nilai aktivasi antara input layer dan hidden layer.

𝑧_𝑖𝑛_𝑗= 𝑉_0𝑗+ ∑^𝑛_𝑖=1𝑋_𝑖 𝑉_𝑖𝑗 (1) 𝑧_𝑗= 𝑓(𝑧_𝑖𝑛_𝑗) (2)

𝑓(𝑧_𝑖𝑛_𝑗) = ¹

1+ 𝑒^{−𝑧_𝑖𝑛𝑗} (3)

Keterangan:

𝑧_𝑖𝑛_𝑗 = sinyal masukan pada hidden layer j 𝑉_0𝑗 = bias awal hidden layer ke-j

𝑉_𝑖𝑗 = bobot antara input layer ke-i dan hidden layer ke-j

𝑧𝑗 = unit input layer ke-j

Setelah nilai aktivasi diperoleh, proses dilanjutkan dengan melakukan perhitungan dari hidden layer menuju output layer. Berikut adalah persamaan yang menghasilkan nilai aktivasi dari hidden layer menuju output layer.

𝑦_𝑖𝑛_𝑘= 𝑊_0𝑘+ ∑^𝑛_𝑗=1𝑍_𝑗 𝑊_𝑗𝑘 (4) 𝑦_𝑘= 𝑓(𝑦_𝑖𝑛_𝑘) (5) 𝑓(𝑦_𝑖𝑛_𝑘) = ¹

1+ 𝑒^{−𝑦_𝑖𝑛𝑘} (6)

Keterangan:

𝑦_𝑖𝑛_𝑘 = sinyal masukan output ke-k 𝑊_0𝑘 = bias hidden layer ke-k

𝑊𝑗𝑘 = bobot antara hidden layer ke-j dan output ke-k

𝑦_𝑘 = aktivasi nilai output layer ke-k Proses berikutnya adalah melakukan perhitungan nilai error yang sudah didapat dari proses feedforward. Pada tahap ini disebut dengan proses Backpropagation.

Backpropagation adalah proses perhitungan balik dari output neuron yang berfungsi untuk melakukan koreksi pada nilai bobot dan bias sebelumnya. Perhitungan Backpropagation ini sangat membantu dalam mengurangi nilai error yang dihasilkan untuk proses feedforward selanjutnya.

Langkah pertama yang harus dilakukan yaitu menghitung nilai error (δ) pada output layer, kemudian hitung nilai perbaikan untuk bobot dan bias yang harus diubah. Berikut persamaan untuk perhitungan nilai error (δ) dan koreksi nilai bobot dan bias pada output layer.

𝛿_𝑘 = (𝑡_𝑘− 𝑦_𝑘)𝑓^′(𝑦_𝑖𝑛𝑘) (7) Δ𝑊_𝑗𝑘 = 𝛼𝛿_𝑘𝑧_𝑗 (8)

Δ𝑊_0𝑘 = 𝛼𝛿_𝑘 (9)

Keterangan:

𝛿_𝑘 = koreksi error bobot 𝑡_𝑘 = target output ke-k 𝛼 = learning rate

Δ𝑊_0𝑘 = perbaikan bias output layer ke-k Δ𝑊_𝑗𝑘 = perbaikan bobot antara hidden

layer ke-j dan output ke-k

Selanjutnya menghitung nilai error (δ) antara hidden layer dengan input layer. Nilai error tersebut digunakan untuk menghitung nilai perbaikan untuk nilai bobot dan bias yang perlu diubah. Berikut persamaan untuk perhitungan nilai error (δ) dan perbaikan nilai bobot dan bias pada input layer dengan hidden layer.

𝛿_𝑖𝑛_𝑗= ∑^𝑚_𝑘=1𝛿_𝑘𝑤_𝑗𝑘 (10)

𝛿_𝑗= 𝛿_𝑖𝑛_𝑗 𝑓^′(𝑧_𝑖𝑛_𝑗) (11) Δ𝑉_𝑖𝑗= 𝛼𝛿_𝑗𝑥_𝑖 (12) Δ𝑉_0𝑗= 𝛼𝛿_𝑗 (13)

Keterangan:

𝛿_𝑗 = koreksi error bobot 𝛼 = learning rate

Δ𝑉0𝑗 = perbaikan bias hidden layer ke-j Δ𝑉_𝑖𝑗 = perbaikan bias antara input

layer ke-i dan hidden layer ke-j Setelah memperoleh nilai bobot dan bias yang baru dari perhitungan Backpropagation, langkah selanjutnya adalah melakukan perubahan nilai dari nilai bobot dan bias tersebut.

1. Hitung perubahan bobot hidden layer dengan output layer.

𝑤_𝑗𝑘 (𝑛𝑒𝑤) = 𝑤_𝑗𝑘(𝑜𝑙𝑑) + ∆𝑤_𝑗𝑘 (14) 2. Hitung perubahan bobot input layer dengan

hidden layer.

𝑣_𝑖𝑗 (𝑛𝑒𝑤) = 𝑣_𝑖𝑗 (𝑜𝑙𝑑) + ∆𝑣_𝑖𝑗 (15) Keterangan:

𝑤_𝑗𝑘 = bobot antara hidden layer dan output layer

∆𝑤_𝑗𝑘 = perbaikan bobot antara hidden layer ke-j dan output ke-k 𝑣_𝑖𝑗 = bobot antara input layer dan hidden layer

∆𝑣_𝑖𝑗 = perbaikan bobot tantara input layer ke-i dan hidden layer ke-j 2.4 Normalisasi dan Denormaliasi Data

Normalisasi adalah sebuah teknik yang

(4)

berguna untuk membentuk sebuah range baru dengan batasan nilai tertentu dari suatu data.

Teknik ini digunakan untuk menyesuaikan semua data ketika ada banyak data yang berbeda pada setiap fitur. Selain menormalisasikan data, nilai akhir dari proses peramalan harus dikembalikan sesuai dengan data aslinya tanpa batasan range. Proses ini dikenal sebagai denormalisasi data.

𝑁𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = ^{𝑥−𝑚𝑖𝑛}

𝑚𝑎𝑥−𝑚𝑖𝑛 × (𝑑 − 𝑐) + 𝑐 (16) 𝐷𝑒𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 =^𝑥^′−𝑐 ×(𝑚𝑎𝑥−𝑚𝑖𝑛)

𝑑−𝑐 + 𝑚𝑖𝑛 (17) Keterangan:

x = nilai data

x' = nilai data dalam normalisasi min = data minimum

max = data maksimum c = batas minimum d = batas maksimum

2.5 Mean Squeared Error (MSE)

Mean Squared Error (MSE) merupakan proses perhitungan error yang sering digunakan sebagai indikator berhentinya proses pelatihan atau pembelajaran. Sehingga perhitungan MSE biasanya dilakukan ketika proses pembelajaran sudah selesai. MSE dapat dihitung dengan menambahkan kuadrat error dari pengurangan antara hasil prediksi dengan nilai aktual, lalu dibagi dengan jumlah data yang dilatih untuk mendapatkan nilai rata-rata. Berikut persamaan dari Mean Squared Error (MSE).

𝑀𝑆𝐸 = (^∑(𝑡^𝑘^{− 𝑦}^𝑘⁾²

𝑁 ) (18) Keterangan:

𝑁 = jumlah data latih

𝑡_𝑘 = nilai aktual pada indeks ke-k 𝑦_𝑘 = hasil prediksi pada indeks ke-k

2.6 Mean Absolute Percentage Error (MAPE) Setelah proses perhitungan pada metode selesai dilakukan, maka diperlukan sebuah proses evaluasi hasil dari hasil perhitungan.

Tujuan dilakukannya evaluasi adalah untuk melihat besar kecilnya suatu kesalahan yang dihasilkan dari penelitian yang telah dilakukan.

Evaluasi dengan MAPE nantinya dipakai ditahap pengujian untuk mengetahui seberapa besar nilai error dalam bentuk persentase berdasarkan perbandingan dari nilai aktual dengan nilai hasil peramalan (forecasting).

Berikut persamaan dari Mean Absolute Percentage Error (MAPE) yang diformulasikan sebagai berikut.

𝑀𝐴𝑃𝐸 = (¹

𝑁∑ |^𝑌^′^−𝑌

𝑌 |

𝑛𝑖=1 ) (19) Keterangan:

𝑁 = jumlah data

𝑛 = banyaknya dimensi data 𝑌′ = hasil prediksi pada indeks ke-i 𝑌 = nilai actual pada indeks ke-i

Berdasarkan uji coba teknik evaluasi yang telah dilakukan pada penelitian (Chang, Wang,

& Liu, 2007) dapat ditarik kesimpulan jika semakin kecil nilai MAPE berarti hasil peramalan tersebut semakin baik, jika nilai MAPE semakin besar maka hasil dari permalan tersebut dinilai buruk. Kriteria nilai MAPE dapat dilihat pada Tabel 1.

Tabel 1. Kriteria Nilai MAPE

Nilai MAPE Keterangan Kriteria

< 10% Sangat Baik

10% - 20% Baik

20% - 50% Sedang

> 50% Buruk

3. METODOLOGI PENELITIAN 3.1 Data Penelitian

Data yang dipakai pada penelitian ini adalah jumlah produksi padi per tahun pada Provinsi DKI Jakarta, Provinsi Jawa Barat, Provinsi Sumatera Utara, Provinsi Riau, dan Provinsi Banten yang didapat dari Badan Pusat Statistik (BPS). Data yang diambil merupakan data dari tahun 2001 hingga tahun 2019. Data ini merupakan data sekunder.

3.2 Perancangan

Perancangan yang diimplementasikan dalam penelitian ini adalah perancangan algoritma yang berupa diagram alir (flowchart) pada setiap tahapannya. Perancangan lain dari penelitian ini adalah membuat test case untuk menentukan jenis pengujian yang akan dilakukan pada Peramalan Jumlah Produksi Padi Menggunakan Metode Backpropagation.

3.3 Analisis Data

Teknik analisis data dalam penelitian

(5)

Peramalan Jumlah Produksi Padi Menggunakan Metode Backpropagation akan digunakan untuk menguji sistem untuk mendapatkan nilai error terbaik atau minimum. Evaluasi pengujian pada penelitian ini menggunakan Mean Absolute Percentage Error (MAPE)

3.4 Implementasi

Implementasi adalah penjelasan tentang cara bagaimana mengimplementasikan JST Backpropagation dari awal proses, dimulai dari input hingga output yang dihasilkan sistem.

Berikut adalah proses input dan output dari sistem ini.

1. Input dari sistem ini adalah data jumlah produksi padi pada tahun yang terdahulu.

2. Menggunakan data input sebagai variabel yang akan diolah dalam melakukan peramalan produksi padi dengan metode Backpropagation.

3. Output dari proses sistem ini merupakan hasil peramalan produksi padi pada tahun yang ditentukan.

4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Jumlah Input Neuron

Banyaknya jumlah input neuron yang berbeda akan diuji untuk mengetahui apakah mempengaruhi nilai MAPE yang dihasilkan.

Jumlah input neuron yang diambil adalah 3 hingga 10 neuron, dengan menggunakan hidden neuron sebanyak 3 neuron, parameter learning rate senilai 0,8, dan epoch sebanyak 3 kali. Nilai bobot acak diambil dalam range -0,1 hingga 0,1.

Hasil nilai MAPE untuk masing-masing provinsi dapat dilihat pada Gambar 2.

Dapat dilihat pada provinsi Jawa Barat, Sumatera Utara, dan Banten memiliki nilai MAPE yang stabil rendah. Berbeda dengan provinsi DKI Jakarta dan Riau, walaupun terdapat nilai MAPE yang rendah, tetapi ada juga nilai MAPE yang mencapai di atas 50%.

Hal ini dikarenakan perbedaan dataset yang digunakan, sehingga perlu penentuan jumlah input neuron yang terbaik untuk dataset di masing-masing provinsi. Nilai MAPE terbaik pun dihasilkan pada provinsi Banten ketika input neuron yang digunakan sebanyak 4 neuron, dengan nilai MAPE sebesar 1,08%.

Gambar 2. Grafik Pengujian Input Neuron 4.2 Pengujian Jumlah Hidden Neuron

Banyaknya jumlah hidden neuron yang berbeda akan diuji untuk mengetahui apakah mempengaruhi nilai MAPE yang dihasilkan.

Jumlah neuron pada hidden layer yang diuji adalah 1 hingga 20 neuron. Jumlah neuron pada input layer disesuaikan dengan nilai MAPE terbaik pada pengujian sebelumnya di masing- masing provinsi. Nilai learning rate yang digunakan sebesar 0,8, serta jumlah epoch dilakukan sebanyak 3 kali, kemudian nilai bobot acak diambil dari rentang -0,1 hingga 0,1. Hasil nilai MAPE untuk masing-masing provinsi dapat dilihat pada Gambar 3.

Gambar 3. Grafik Pengujian Hidden Neuron 0

10 20 30 40 50 60 70

3 4 5 6 7 8 9 10

Input Neuron

DKI Jakarta Jawa Barat Sumatera Utara Riau Banten

0 2 4 6 8 10

1 2 3 4 5 10 15 20

Hidden Neuron

(6)

Dapat dilihat pada provinsi Jawa Barat dan Banten memiliki nilai MAPE yang stabil rendah.

Berbeda dengan provinsi Sumatera Utara yang nilai MAPE-nya meningkat ketika hidden neuron diatas 10. Provinsi DKI Jakarta dan Riau pun menghasilkan nilai MAPE yang tidak stabil.

Walaupun ketidakstabilan nilai MAPE yang dihasilkan di beberapa provinsi, nilai MAPE yang dihasilkan pada masing-masing provinsi tetap memiliki kategori yang sangat baik. Nilai MAPE terbaik pun dihasilkan pada provinsi Jawa Barat ketika hidden neuron yang digunakan sebanyak 3 neuron, dengan nilai MAPE sebesar 0,50%.

4.3 Pengujian Range Bobot dan Bias

Perbedaan range bobot dan bias yang akan diuji bertujuan untuk mengetahui apakah mempengaruhi nilai MAPE yang dihasilkan.

Range bobot yang diuji pada penelitian ini akan menggunakan jumlah neuron pada input layer dan hidden layer disesuaikan dengan nilai MAPE terbaik pada pengujian sebelumnya di masing-masing provinsi. Parameter lain seperti learning rate menggunakan senilai 0,8, dengan jumlah epoch maksimal yaitu 3 kali. Terdapat 6 rentang nilai bobot awal dan bias awal yang diuji. Hasil nilai MAPE untuk masing-masing provinsi dapat dilihat pada Gambar 4.

Gambar 4. Grafik Pengujian Range Bobot dan Bias Dapat dilihat pada provinsi Jawa Barat, Sumatera Utara, dan Banten memiliki nilai MAPE yang stabil rendah. Berbeda dengan provinsi DKI Jakarta dan Riau yang menghasilkan nilai MAPE yang tidak stabil. Hal

ini dikarenakan perbedaan dataset yang digunakan, sehingga perlu penentuan range bobot dan bias yang terbaik untuk dataset dari masing-masing provinsi. Walaupun ketidakstabilan nilai MAPE yang dihasilkan di beberapa provinsi, nilai MAPE yang dihasilkan pada masing-masing provinsi tetap memiliki kategori yang sangat baik. Nilai MAPE terbaik pun dihasilkan pada provinsi Banten Ketika range bobot dan bias yang digunakan adalah -0,6 hingga 0,6, dengan nilai MAPE sebesar 0,29%.

4.4 Pengujian Learning Rate

Pengujian learning rate pada penelitian ini mengambil nilai dengan range 0,1 hingga 0,9.

Jumlah neuron pada input layer dan hidden layer serta range bobot & bias disesuaikan dengan nilai MAPE terbaik pada pengujian sebelumnya di masing-masing provinsi. Epoch yang digunakan yaitu 3 kali. Hasil nilai MAPE untuk masing-masing provinsi dapat dilihat pada Gambar 5.

Gambar 5. Grafik Pengujian Learning Rate Berdasarkan Gambar 5, pada provinsi Jawa Barat, Sumatera Utara, dan Banten memiliki nilai MAPE yang stabil rendah. Berbeda dengan provinsi DKI Jakarta dan Riau yang menghasilkan nilai MAPE yang tidak stabil.

Walaupun ketidakstabilan nilai MAPE yang dihasilkan di beberapa provinsi, nilai MAPE yang dihasilkan pada masing-masing provinsi tetap memiliki kategori yang sangat baik. Nilai MAPE terbaik pun dihasilkan pada provinsi Jawa Barat Ketika learning rate yang digunakan adalah 0,6, dengan nilai MAPE sebesar 0,30%.

0 1 2 3 4 5 6 7

-1 s/d 1 -0,9 s/d 0,9

-0,8 s/d 0,8

-0,7 s/d 0,7

-0,6 s/d 0,6

-0,5 s/d 0,5

Range Bobot dan Bias

0 2 4 6 8 10

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

Learning Rate

(7)

4.5 Pengujian Jumlah Epoch

Banyaknya jumlah epoch yang berbeda akan diuji untuk mengetahui apakah mempengaruhi nilai MAPE yang dihasilkan.

Jumlah epoch yang diuji diambil dari 50 sampai 500 epoch. Jumlah neuron pada input layer dan hidden layer, serta range bobot & bias, serta learning rate disesuaikan dengan nilai MAPE terbaik pada pengujian sebelumnya di masing- masing provinsi. Hasil nilai MAPE untuk masing-masing provinsi dapat dilihat pada Gambar 6.

Gambar 6. Grafik Pengujian Jumlah Epoch Dapat dilihat pada provinsi Jawa Barat, Sumatera Utara, dan Banten memiliki nilai MAPE yang stabil rendah. Berbeda dengan provinsi DKI Jakarta dan Riau yang menghasilkan nilai MAPE yang tidak stabil. Hal ini dikarenakan perbedaan dataset yang digunakan, sehingga perlu penentuan learning rate yang terbaik untuk dataset di masing- masing provinsi. Walaupun ketidakstabilan nilai MAPE yang dihasilkan di beberapa provinsi, nilai MAPE yang dihasilkan pada masing- masing provinsi tetap memiliki kategori yang sangat baik. Nilai MAPE terbaik pun dihasilkan pada provinsi Jawa Barat ketika epoch yang digunakan sebanyak 50 epoch, dengan nilai MAPE sebesar 0,31%.

4.6 Pengujian Jumlah Hidden Layer

Banyaknya hidden layer yang digunakan pada JST Backpropagation perlu diketahui apakah mempengaruhi performa prediksi produksi padi. Berdasarkan pengujian yang

sudah dilakukan, nilai parameter lainnya ditentukan terlebih dahulu seperti batas error = 0,001. Nilai dari jumlah neuron pada input layer, hidden layer, range bobot dan bias, nilai learning rate, dan jumlah epoch diberikan sesuai dengan hasil yang terbaik pada pengujian sebelumnya di masing-masing provinsi.

Gambar 7. Grafik Pengujian Jumlah Hidden Layer Dapat dilihat pada provinsi Jawa Barat, Sumatera Utara, dan Banten memiliki nilai MAPE yang stabil rendah. Berbeda dengan provinsi DKI Jakarta yang nilai MAPE-nya meningkat ketika hidden layer-nya di atas 8.

Pada provinsi Riau yang menghasilkan nilai MAPE yang tidak stabil, tetapi secara keseluruhan MAPE-nya menurun pada hidden layer terbanyak. Nilai MAPE yang dihasilkan pada masing-masing provinsi tetap memiliki kategori yang sangat baik.

4.7 Pengujian Nilai Aktual dan Peramalan Hasil pengujian dari berbagai parameter yang sudah dilakukan sebelumnya seperti input neuron, hidden neuron, range bobot & bias, epoch, dan learning rate akan diambil parameter tebaik dari masing-masing provinsi. Parameter tersebut digunakan untuk melakukan prediksi dengan JST Backpropagation menggunakan tahun 2013, 2014, 2015, 2016, 2017, 2018, dan 2019. Nilai MAPE untuk masing-masing provinsi akan ditunjukkan pada Tabel 2 hingga Tabel 6.

0 2 4 6 8 10

0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

Learning Rate

0 2 4 6 8 10 12

2 4 6 8 10

Jumlah Epoch

(8)

Fakultas Ilmu Komputer, Universitas Brawijaya Tabel 2. Hasil MAPE Pengujian Provinsi DKI

Jakarta

Bulan MAPE

2013 4,15%

2014 32,45%

2015 24,78%

2016 22,49%

2017 31,59%

2018 5,21%

2019 55,22%

Rata-rata 25,13%

Tabel 3. Hasil MAPE Pengujian Provinsi Jawa Barat

Bulan MAPE

2013 7,75%

2014 0,97%

2015 1,48%

2016 8,17%

2017 0,16%

2018 25,53%

2019 7,66%

Rata-rata 7,39%

Tabel 4. Hasil MAPE Pengujian Provinsi Sumatera Utara

Bulan MAPE

2013 4,94%

2014 0,20%

2015 11,73%

2016 15,30%

2017 10,27%

2018 81,34%

2019 25,45%

Rata-rata 21,32%

Tabel 5. Hasil MAPE Pengujian Provinsi Riau

Bulan MAPE

2013 11,32%

2014 6,88%

2015 0,26%

2016 7,33%

2017 3,82%

2018 32,58%

2019 19,54%

Rata-rata 11,68%

Tabel 6. Hasil MAPE Pengujian Provinsi Banten

Bulan MAPE

2013 9,94%

2014 1,53%

2015 7,40%

2016 8,06%

2017 3,03%

2018 41,25%

2019 17,01%

Rata-rata 12,60%

5. PENUTUP 5.1 Kesimpulan

1. Penerapan metode JST Backpropagation untuk meramalkan jumlah produksi padi dari masing-masing provinsi (DKI Jakarta, Jawa Barat, Sumatera Utara, Riau, dan Banten) diawali dengan pembentukan pola data dari masing-masing dataset. Pembentukan pola data dilakukan untuk menyesuaikan dengan arsitektur JST Backpropagation yang dibuat.

Pembentukan arsitektur JST Backpropagation harus memiliki beberapa parameter terlebih dahulu untuk menghasilkan arsitektur yang optimal.

Optimalisasi JST Backpropagation dari masing-masing provinsi memiliki nilai parameter yang berbeda. Proses optimalisasi JST Backpropagation dilakukan dengan tahap Feedforward dan Backpropagation, kemudian melakukan tahap perubahan nilai bobot dan bias. Proses tersebut dilakukan hingga nilai MSE yang dihasilkan sudah kurang dari batas error, atau sudah melebihi jumlah epoch yang dilakukan. JST Backpropagation yang optimal dikatakan ketika nilai bobot dan bias yang didapat sudah menghasilkan nilai MAPE yang sangat baik ketika diuji dengan data uji.

2. Nilai MAPE dari masing-masing provinsi (DKI Jakarta, Jawa Barat, Sumatera Utara, Riau, dan Banten) memiliki nilai yang beragam. Terdapat kategori MAPE yang sedang, baik, dan sangat baik. Kategori sedang dihasilkan pada provinsi DKI Jakarta dengan rata-rata MAPE 25,13% dan Sumatera Utara dengan rata-rata MAPE 21,32%. Kategori baik dihasilkan pada provinsi Riau dengan rata-rata MAPE 11,68% dan Banten dengan rata-rata MAPE 12,60%. Kategori sangat baik dihasilkan pada provinsi Jawa Barat dengan rata-rata MAPE 7,39%.

5.2 Saran

1. Data produksi padi yang dimiliki dipisah menjadi tiap bulan, sehingga akan memperbanyak dataset dan dapat meramalkan produksi padi lebih detil lagi.

Seperti peramalan produksi pada awal tahun,

(9)

akhir tahun, atau peramalan produksi musiman.

2. Menggunakan pengujian lainnya seperti batas error yang ditentukan, jenis aktivasi yang dilakukan, atau jumlah layer pada hidden layer untuk mengetahui JST Backpropagation yang lebih optimal.

6. DAFTAR PUSTAKA

Alfred, R., & Haviluddin. (2015). A Genetic- Based Backpropagation Neural Network for Forecasting in Time-Series Data.

International Conference on Science in Information Technology (ICSITech), 158- 163.

Chang, P.-C., Wang, Y.-W., & Liu, C.-H.

(2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting. Expert Systems with Application, 32, 86-96.

Dewi, C., & M.Muslikh. (2013). Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca. Journal of Scientific Modeling &

Computation, I.

Fausett, L. (1994). Fundamentals of Neural Networks (Architectures, Algorithms, and Applications). New Jersey: Prentice-Hall.

Ismail, E. (2019). REPUBLIKA.ID. Retrieved November 11, 2020, from https://republika.co.id/berita/pw976t453/

sektor-pertanian-pengungkit- pertumbuhan-ekonomi

Kusumadewi, S., & Hartati, S. (2010). Neuro- Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.

Makridakis, S., Wheelwright, S. C., & McGee, V. (1999). Forecasting 2nd Edition (Metode dan Aplikasi Peramalan).

Jakarta: Penerbit Erlangga.

Matondang, Z. A. (2013). Jaringan Syaraf

Tiruan Dengan Algoritma

Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Pelita Informatika Budi Darma, IV.

Rojas, R. (1996). Neural Networks A Systematic Introduction. Berlin: Springer-Verlag.

Wythoff, B. (1993). Backpropagation Neural Networks A Tutorial. Chemometrics and Intelligent Laboratory Systems, 18, 115-

155.

Yana, Y. (2015, Mei 27). Manfaat.co.id. Dipetik

Januari 31, 2020, dari

https://manfaat.co.id/manfaat-padi