JARINGAN SYARAF TIRUAN PROPAGASI BALIK DALAM PREDIKSI PERSEDIAAN TERNAK SAPI POTONG ( STUDI KASUS DI WILAYAH SUMATERA BARAT )
Rima Liana Gema, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
e- mail: [email protected]
Abstrak – Ternak sapi potong merupakan salah satu sumber daya penghasil bahan makanan berupa daging yang memiliki nilai ekonomis tinggi dan penting di dalam kehidupan masyarakat. Kebutuhan daging sapi sebagai salah satu sumber protein hewani semakin meningkat sejalan dengan meningkatnya kesadaran masyarakat terhadap pentingnya gizi yang seimbang. Namun hal tersebut berbanding terbalik dengan ketersedian ternak sapi potong di wilayah Sumatra Barat yang saat ini masih di bawah target yang harapkan. Oleh karena itu dibutuhkan prediksi yang akurat untuk mengetahui jumlah sapi potong tiap tahun agar dapat dilakukan tindakan preventif untuk menyesuaikan antara kebutuhan masyarakat terhadap daging sapi. Dengan pemanfaatan jaringan syaraf tiruan menggunakan metode Backpropagation dapat memprediksi jumlah ternak sapi potong.
Sebagai data masukan digunakan jumlah ternak sapi potong beberapa tahun yang lalu. Data dilatih dan diuji dengan jaringan syaraf tiruan yang memiliki arsitektur jaringan yang berbeda sehingga mendapatkan output mendekati nilai target.
Kata Kunci : persedian ternak sapi potong, jaringan syaraf tiruan, backpropagation
1. PENDAHULUAN 1.1 Latar Belakang
Arsitektur Jaringan Syaraf Tiruan terbentuk dari neuron yang terdapat di dalam lapisan input, lapisan tersembunyi dan lapisan output yang saling berhubungan satu sama lainnya. Salah satu metode yang digunakan dalam Jaringan Syaraf Tiruan adalah algoritma backpropagation. Algoritma backpropagation merupakan metode yang banyak digunakan terutama dalam menangani masalah identifikasi, prediksi, pengenalan pola-pola kompleks karena metode ini mampu meramalkan apa yang akan terjadi di masa yang akan datang berdasarkan pola yang ada pada masa lalu. Pada latihan yang berulang–
ulang, algoritma ini akan menghasilkan unjuk kerja yang lebih baik. Hal ini dapat dilakukan karena algoritma backpropagation mampu mengingat dan membuat generalisasi dari apa yang ada sebelumnya.
Saat ini ternak sapi potong merupakan salah satu sumber daya penghasil bahan makanan berupa daging yang memiliki nilai ekonomis tinggi dan penting di dalam kehidupan masyarakat. Kebutuhan daging sapi sebagai salah satu sumber protein hewani semakin meningkat sejalan dengan meningkatnya kesadaran masyarakat terhadap pentingnya gizi yang seimbang, pertambahan penduduk dan meningkatnya daya beli masyarakat. Ketersedian ternak sapi potong di
wilayah Sumatra Barat saat ini masih di bawah target yang harapkan, hal ini disebabkan oleh produksi daging sapi yang masih rendah. Beberapa faktor yang menyebabkan hal tersebut antara lain populasi sapi dan produksi sapi yang rendah. Oleh karena itu, dibutuhkan prediksi yang akurat untuk mengetahui jumlah sapi potong tiap tahun agar dapat dilakukan tindakan preventif untuk menyesuaikan antara kebutuhan masyarakat terhadap daging sapi.
1.2 Tujuan Penelitian
Tujuan dari penelitian ini merancang serta membangun jaringan syaraf tiruan
dengan menggunakan metode
backpropagation dalam meramalkan persediaan ternak sapi potong di wilayah Sumatera Barat .
2. LANDASAN TEORI 2.1 Definisi Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah sistem pemrosesan informasi yang mempunyai karakteristik secara umum seperti jaringan syaraf biologi (otak manusia) (Fitri Adi Iskandarianto, 2010). Jaringan syaraf tiruan merupakan paradigma pengolahan informasi yang terinspirasi oleh sistem syaraf secara biologis, seperti proses informasi pada otak manusia. Elemen kunci dari paradigma ini adalah struktur dari sistem pengolahan informasi yang terdiri dari sejumlah besar elemen pemrosesan yang saling berhubungan
(neuron), bekerja serempak untuk menyelesaikan masalah tertentu (Sutojo dkk, 2011).
2.2 Arsitektur Jaringan
Baik tidaknya suatu model JST salah satunya ditentukan oleh hubungan antar neuron atau yang biasa disebut sebagai arsitektur jaringan. Neuron-neuron tersebut terkumpul dalam lapisan-lapisan yang disebut neuron layer (Sutojo dkk, 2011). Lapisan- lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga yaitu (Diyah Puspitaningrum, 2009) :
1. Lapisan Input
Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukan merupakan penggambaran dari suatu masalah.
2. Lapisan tersembunyi
Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi. Output dari lapisan ini tidak secara langsung dapat diamati.
3. Lapisan output
Node-node di dalam lapisan output disebut unit-unit output. Output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu masalah.
Ada beberapa arsitektur jaringan syaraf tiruan, antara lain (Sri Kusumadewi, 2003):
1. Jaringan Lapisan Tungal (Single Layer Net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. 2. Jaringan Lapisan Banyak (Multi Layer Net)
Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak di antara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi).
3. Jaringan Dengan Lapisan Kompetitif (Competitive Layer Net)
Jaringan ini memiliki bobot yang telah ditentukan dan tidak memiliki proses pelatihan.
2.3 Metode Backpropagation
Backpropagation adalah sebuah metode matematik untuk pelatihan multilayer jaringan syaraf tiruan. Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (Srikusumadewi, 2004).
melatih jaringan untuk mendapatkan
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respons yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan (Andra Riztyan dkk, 2009).
2.4 Arsitekur Metode Backpropagation Jaringan syaraf tiruan backpropagation terdiri dari banyak lapisan (multilayer neural networks) :
1. Lapisan input (satu buah). Lapisan input terdiri dari neuron-neuron atau unit-unit input, mulai dari unit input x1 sampai unit input xn.
2. Lapisan tersembunyi (minimal satu).
Lapisan tersembunyi terdiri dari unit-unit tersembunyi mulai dari unit tersembunyi z1 sampai unit tersembunyi zp.
3. Lapisan output (satu buah). Lapisan output terdiri dari unit-unit output mulai dari unit output y1 sampai unit output ym.
Gambar 1. JST Backpropagation Dengan Satu Lapisan Tersembunyi 2.5 Metode Penelitian
Pada penelitian ini, penulis melakukan beberapa tahapan penelitian. Tahapan pertama yaitu mengidentifikasikan masalah yaitu bagaimana penerapan Jaringan Syaraf Tiruan
yang menggunakan algoritma
backpropagation.dalam memprediksi persediaan ternak sapi potong di Wilayah Sumatera Barat, setelah itu dilakukan analisa masalah yang berhubungan dengan ketersediaan ternak sapi potong pada Wilayah Sumatera Barat, dan faktor-faktor yang mempengaruhi ketersediaanya. Tahap selanjutnya melakukan studi literatur lalu mengumpulkan data ternak sapi potong.
Setelah itu penulis merancang metode JST dengan cara mengolah data input, transformasi data, pembagian data penelitian menjadi data pelatihan dan pengujian, perancangan arsitektur jaringan yang optimum, memilih dan menggunakan arsitektur jaringan yang optimum dan selanjutnya pemilihan jaringan optimum dan penggunaannya untuk peramalan. Tahap berikutnya menguji data yang telah dibuat dengan menggunakan software Matlab 6.1 untuk menguji tingkat validasi dan hasil proses dalam sistem.
Terakhir tahapan implementasi metode JST.
Adapun gambaran metodologi penelitian ini dapat dilihat pada gambar 2 berikut :
Gambar 2. Metode Penelitian Prediksi Persediaan Sapi Potong 3. Hasil dan Pembahasan 3.1 Analisa Data
Analisa kebutuhan data dan proses merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian komponen-komponennya dengan maksud mengidentifikasi serta mengevaluasi permasalahan-permasalahan, hambatan- hambatan yang terjadi dan kebutuhan- kebutuhan akan data dan proses. Data yang akan digunakan dalam proses peramalan atau prediksi ini adalah data jumlah ternak sapi potong di Sumatera Barat selama dua puluh tahun tahun terakhir yaitu dari tahun 1993 sampai tahun 2012. Data ini akan digunakan untuk mengetahui kisaran yang akurat tentang jumlah jumlah ternak sapi potong.
Tabel 1. Data Populasi Ternak Sapi Potong
3.2 Tranformasi Data Real Menjadi Data Pelatihan
Langkah awal dalam melakukan transformasi adalah dengan menentukan variabel (x), kemudian menentukan nilai paling maksimum dan nilai paling minimum dari data jumlah sapi potong dari tahun 1993 sampai tahun 2012. Dengan transformasi ini maka data terkecil akan menjadi 0.1 dan data terbesar menjadi 0.9. Dari proses transformasi data ternak sapi potong, didapatkan hasilnya sebagai berikut :
Tabel 2. Hasil Transformasi Data Ternak Sapi Potong
Selanjutnya, hasil transformasi ini akan disusun membentuk 10 pola data. Data yang digunakan untuk pelatihan adalah populasi tahun 1993 sampai tahun 2002 dan target adalah populasi tahun 2003.
Tabel 3. Hasil Penyusunan Pola Data Tahun 2003 - 2012
3.3 Perancangan Arsitektur Jaringan Syaraf Tiruan
Pada penelitian ini arsitektur Jaringan Syaraf Tiruan yang digunakan adalah Jaringan Syaraf Tiruan dengan banyak lapisan (multilayer net) dengan algoritma Backpropagation dengan menggunakan fungsi aktivasi sigmoid, yang terdiri dari :
a.
Lapisan masukan (input) dengan 10 simpul (j1, j2,j3,j4,j5,jn).b.
Lapisan tersembunyi (hidden) dengan jumlah simpul ditentukan oleh pengguna (z1,z2,z3).c.
Lapisan keluaran (output) dengan 1 simpul (y).Gambar 2. Arsitektur Jaringan Syaraf Tiruan Prediksi Populasi Sapi Potong 3.4 Postprocessing / Denormalisasi
Setelah proses pelatihan selesai, nilai- nilai ternormalisasi output jaringan (hasil peramalan JST) harus dikembalikan (denormalisasi) ke nilai aslinya untuk mendapatkan nilai output pada range yang sebenarnya. Setelah diperoleh nilai output yang sebenarnya maka hasil peramalan tersebut dapat dibandingkan dengan data real sehingga dapat diperoleh kesimpulan apakah Jaringan Syaraf Tiruan telah benar dan akurat dalam meramalkan populasi ternak sapi potong.
3.5 Pelatihan Jaringan Syarat Tiruan Pelatihan yang akan digunakan sebanyak 7 pola dari 10 pola data. Data pelatihan tersebut terdiri dari pola 1 sampai pola 7, dan data pengujian terdiri dari pola 8 sampai pola 10.
Tabel 4. Pola Data Pelatihan Ternak Sapi Potong
Tabel 5. Pola Data Pengujian Ternak Sapi Potong
Langkah perancangan JST metode Backpropagation sebagai berikut :
1. Inisialisasi bobot dan bias, nilai bobot dan bias ditentukan secara acak dengan menggunakan fungsi matlab.
2. Menghitung keluaran dari hidden layer (z) dengan menggunakan persamaan
3. Menghitung keluaran unit yk dengan menggunakan persamaan :
4. Menghitung faktor δ di unit keluaran yk
dengan menggunakan persamaan : δk = (tk – yk) f` (y_netk) = (tk – yk) yk (1-yk) 5. Hitung penjumlahan kesalahan dari unit
tersembunyi dengan persamaan :
6. Hitung faktor kesalahan di unit tersembunyi dengan persamaan:
7. Hitung suku perubahan bobot ke unit tersembunyi dengan persamaan:
∆vji = α δj ji di mana α = 0.1
8. Hitung perubahan bobot garis yang menuju ke unit keluaran dengan persamaan :
Wkj (baru) = wkj (lama) +
9. Hitung koreksi nilai bias pada neuron hidden yang nantinya akan digunakan untuk memperbarui nilai dengan persamaan :
V
[oj]:10. Hitung nilai bias baru pada neuron hidden dengan persamaan :
11. Hitung perubahan bobot garis menuju ke unit tersembunyi dengan persamaan :
Vkj (baru) = vkj (lama) +
Setelah proses pelatihan maupun proses pengujian selesai, data keluaran yang dihasilkan jaringan masih dalam bentuk normalisasi, sehingga perlu dilakukan proses denormalisasi data dengan tujuan
x1
x2
x3
x4
x5
z1
z2
z3
y 1
1
x6
x7
x8
x9
x10
w10
w12
w13 w11 v10
v20
v30 V11
v12
v13 v21
v22
v23 v31
v32 v41 v33
v42 v43 v51
v52 v53 v61
v62 v63 v71 v72
v73
v81 v82
v83
v91 v92 v93 v101
v102
v103
mengkonversikan kembali hasil keluaran menjadi data real yang telah diprediksi. Untuk mendenormalisasikannya dapat dilakukan dengan :
3.6 Pengujian Sistem
Tahap setelah melakukan pelatihan terhadap data yang diolah adalah pengujian dari jaringan syaraf tiruan dengan algoritma backpropagation, dimulai dengan menjelaskan perangkat lunak pengujian yaitu Matlab, pemrograman jaringan syaraf tiruan, langkah pengolahan data dengan Matlab dan pelatihan jaringan syaraf tiruan.
3.6.1 Pengujian Sistem Model Arsitektur 10-14-1
Pengujian jaringan syaraf tiruan dengan arsitektur 10-14-1 dengan perintah seperti di bawah ini : Model Arsitektur 10 – 14 – 1, bearti terdiri dari satu lapisan input yang memiliki 10 unit neuron yang terhubung langsung dengan lapisan tersembunyi yang memiliki 14 unit neuron tersembunyi.
Kemudian, 5 unit neuron tersembunyi terhubung langsung dengan lapisan output yang memiliki 1 unit neuron. Untuk mengolah data pelatihan 10-14-1 dengan menggunakan matlab. Adapun bentuk grafik pelatihan model JST 10-14-1 dapat dilihat pada gambar 3 berikut :
Gambar 3 Antarmuka Grafik Pelatihan model JST 10-14-1
Hasil pelatihan mencapai goal pada epochs atau iterasi ke-48 dan error 0.00939632. Untuk hasil yang lebih rinci dan mengetahui output dan error dapat dilihat pada tabel 6. Dengan menggunakan perintah
pada matlab
>>[y,Pf,Af,e,Perf]=sim(net,pn,[],[],tn)
Tabel 6. Hasil dan Error Data Input Pelatihan dengan Pola 10-14-1
Dari model-model yang digunakan penulis dalam proses pengujian sistem Jaringan Syaraf Tiruan dengan algoritma backpropagation dengan menggunakan Matlab 6.1 dengan sampel populasi ternak sapi potong, maka penulis menyimpulkan bahwa model terbaik adalah model 10-14-1 dengan proses perulangan (epoch) pada saat pelatihan dengan nilai epoch = 48 dan pencapaian MSE pada saat pengujian dengan MSE = 0.00939632. Adapun data perbandingan dari masing-masing model dapat dilihat pada tabel 7.
Tabel 7. Perbandingan Epoch dan MSE Dari Tujuh Pola yang Diuji
3.6.2 Pengujian Data Dengan Backpropagation Model 10-14-1 Setelah dipilih metode backpropagation yang memiliki arsitektur jaringan 10-14-1 yang merupakan metode yang paling baik, maka langkah selanjutnya adalah melakukan pengujian terhadap data uji di mana data tersebut adalah pola 8 sampai pola 10 yang ada pada Tabel 5.
Tabel 8 Hasil Pengujian Dengan Aarsitektur Jarinagn Backpropagation
Model 10-14-1
3.7 Hasil Pengujian Akurasi Prediksi Persediaan Sapi Potong
Setelah proses pengujian selesai, data keluaran yang dihasilkan jaringan masih dalam bentuk normalisasi, sehingga perlu dilakukan proses denormalisasi data dengan tujuan mengkonversikan kembali hasil keluaran menjadi data real yang telah diprediksi. Proses denormalisasi nantinya akan dilakukan dengan menggunakan rumus denormalisasi yang telah dijelaskan pada bab 2. Hasil output dari jaringan adalah 0.4707, 0.1087 dan 0.0742 dengan a = 597294 dan b
= 336806 maka untuk
mendenormalisasikannya dapat dilakukan dengan :
a. x1 = ((0.4707 – 0.1000) * (597294- 336806)) / 0.8 + 336806= 457510 b. x2 = ((0.1087 – 0.1000) * (597294-
336806)) / 0.8 + 336806= 339639 c. x3 = ((0.0742 – 0.1000) * (597294-
336806)) / 0.8 +336806= 328405 Berdasarkan pengujian dengan pola arsitektur jaringan 10-14-1 pada pola 8 sampai pola 10 dapat dilihat bahwa persentasi keakuratan prediksi persediaan ternak sapi potong mencapai 93%. Nilai ini sudah mendekati dengan nilai yang diharapkan.
Sehingga dapat memberikan solusi bagi pihak pemerintah di Dinas Peternakan untuk dapat mengambil keputusan dalam meningkatkan populasi ternak sapi potong di Wilayah Sumatera Barat pada masa akan datang.
4. Kesimpulan
Kesimpulan yang dapat diambil dari pengujian jaringan syaraf tiruan untuk prediksi penjualan dengan menggunakan algoritma backpropagation adalah sebagai berikut : 1. Pengujian dilakukan dengan software
matlab 6.1 untuk prediksi populasi ternak sapi potong di Wilayah Sumatera Barat menggunakan algoritma backpropagation.
Keakurasian dan ketepatan dalam jaringan syaraf tiruan tergantung pada jumlah data yang akan diuji dan pola arsitektur yang dipakai dalam pengujian. Semakin banyak data dan pola yang diuji maka tingkat keakurasian dan ketepatannya akan semakin tinggi pula.
2. Pada saat melakukan pengujian, hasil yang didapat selalu dengan epoch yang berbeda untuk pola yang berbeda pula, seperti yang terlihat pada tabel 5.9. untuk pola 10-1-1 pelatihan mencapai goal pada epoch = 753, untuk pola 10-3-1 pelatihan mencapai goal pada epoch = 58, untuk pola 10-5-1 pelatihan mencapai goal pada epoch = 92, untuk pola 10-8-1 pelatihan mencapai goal pada epoch = 82, untuk pola 10-10-1 pelatihan mencapai goal pada epoch = 54, dan untuk pola 10-14-1 pelatihan mencapai goal pada epoch = 48.
3. Dalam menggunakan metode backpropagation pola arsitektur yang dipakai sangat mempengaruhi dalam proses penentuan hasil. Setiap hasil yang diperoleh oleh suatu pola arsitektur memungkinkan berbeda dengan hasil yang didapatkan dengan pola arsitektur yang lain. Dari semua pola yang digunakan penulis dapat menyimpulkan bahwa pola terbaik adalah model 10-14-1 dengan proses perulangan (epoch) pada saat pelatihan dengan nilai epoch = 48 dan pencapaian MSE pada saat pengujian adalah 0.00939632. Dengan MSE tersebut maka akurasinya sebesar 99.990604.
Daftar Pustaka
Ali M. Al Salihi, Alaa M. Al Lami dan Ali J.
Mohammed (2013). “Prediction of Monthly Rainfall for Selected Meteorogical Stations in Iraq Using Back Propagation Algorithms (Journal of Environmental Science and Technology).”
Iraq : Al Mustansiriyah University.
Badrul Anwar (2011). “Penerapan Jaringan Syaraf Tiruan Backpropagation Dalam Memprediksi Tingkat suku Bunga (Jurnal Saintikom).” Medan : STMIK Triguna Dharma.
Ch. Jyosthna Devi, dkk (2012). “ANN Approach for Weather Prediction Using Back Propagation (Journal of Engineering Trends and Technology).” India : Department of Computer Science and Engineering KLCE Vaddeswaram.
Inggit Prahesti (2013). “Implementasi Jaringan Syaraf Tiruan Algoritma Backpropagation Untuk Memprediksi Curah Hujan di Yogyakarta (Naskah Publikasi).” Yogyakarta : STMIK Amikom.
Jayanta Kumar, dkk (2010). “Use of Artificial Neural Network in Pattern Recognition (Journal of Software Engineering and Its Applications).” India : Computer Science and Engineering Department Heritage Institute of Technology.
Kusumadewi, Sri (2003). “Artificial Intelligence Teknik dan Aplikasinya.”
Yogyakarta : Graha Ilmu.
Kusumadewi, Sri (2004). “Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link.” Yogyakarta : Graha Ilmu.
Maharani Dessy Wuryandari (2012). “Jurnal Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah (Jurnal Komputer dan Informatika).” Bandung : Universitas Komputer Indonesia.
M.F. Andrijasa dan Mistianingsih (2010).
“Penerapan Jaringan Syaraf Tiruan Untuk Mempredikdsi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran Backpropagation (Jurnal Informatika Mulawarman).” Samarinda : Universitas Mulawarman.
Norhamreeza, dkk (2011). “Accelerating Learning Performance of Back Propagation Algorithm by Using Adaptive Gain Together with Adaptive Momentum and Adaptive Learning Rate on Classification Problems (Journal of Software Engineering and Its Applications).” Malaysia : University Tun Hussein Onn Malaysia.
Nurhayati dan Fitri Adi Iskandarianto (2010).
“Penerapan Metode Backpropagation Neural Network Pada Pendeteksian Kelainan Otak Ischemic Cerebral Infraction dengan Bahasa Pemrograman Delphi (Jurnal).” Surabaya : Institut Teknologi Sepuluh September.
Pandjaitan, Lanny W. (2007). “Dasar-dasar Komputasi Cerdas.” Yogyakarta: Andi Offset.
Puspitaningrum, Diyah (2006). “Pengantar Jaringan Syaraf Tiruan.” Yogyakarta:
Andi Offset.
Siang, Jong Jek (2009). “Jaringan Syaraf Tiruan & Pemrogramannya.” Yogyakarta:
Andi Offset.
Sutojo, T., Edy Mulyanto dan Vincent suhartono (2011). “Kecerdasan Buatan.”
Yogyakarta: Andi Offset.
T. Jayalaksmini dan A. Santhakumaran (2011). “Statistical Normalization and Back Propagation for Classification (Journal of Computer Theory and Engineering).”
