Jaringan Syaraf Tiruan Untuk Memprediksi Volume Pemakaian
Air Pt. Sarana Catur Tirta Kelola Serang Banten Dengan
Metode Backpropagation
Rina Agustina Purba
1, Eka Irawan
2,Rahmat W Sembiring
3Sistem Infomasi, STIKOM Tunas Bangsa Pematangsiantar
1
[email protected]
2, [email protected],
3
[email protected]
Abstrak
Tujuan dari penelitian ini adalah untuk mengoptimalkan pemakaian air pada
setiap industri dengan prediksi pemakaian air dibulan yang akan datang agar
lebih efektif dan efesien di kota Serang Banten kebeberapa industri mendapatkan
hasil prediksi yang tepat untuk volume pemakaian air di PT. SCTK Serang
Banten. Metode yang digunakan adalah Jaringan Saraf Tiruan BackProgation.
Variabel yang digunakan pada penelitian ini adalah Data volume air dan jumlah
pelanggan industri setiap bulan PT. SCTK Serang Banten. Pengambilan data
dalam penelitian ini dilakukan dengan observasi dengan bagian distribusi PT.
Sarana Catur Tirta Kelola (SCTK) Serang Banten. Penelitian ini menggunakan
data mulai dari tahun 2015 sampai dengan tahun 2019 untuk memprediksi
pemakaian air yang disalurkan kebeberapa Industri di kota Serang Banten.
Berdasarkan data yang diperoleh kebutuhan rata – rata setiap industri sebesar
m3 /bulan atau setara dengan m3 /tahun. Prediksi meliputi karakteristik industri
yang memanfaatkan air limbah yang dilihat dari jenisnya, jumlah industri, volume
kebutuhan, pompa yang dioperasikan, bahan kimia, kualitas air baku, kualitas air
produksi, ketersediaan air dan pemakaian air baku (m3). Mempredikisi
pemakaian air di bulan yang akan datang sehingga menjadi dasar pertimbangan
dan perencanaan yang efektif dan efesien bagi perusahaan misalnya dalam
penambahan volume air produksi dan penambahan sumber air baku sehingga
kebutuhan air bersih untuk industri dapat terpenuhi dengan optimal.
Kata kunci : Pemakaian air, Jaringan Saraf Tiruan BackProgation, PT. SCTK
Serang Banten
1. Pendahuluan
Backpropagation
adalah algoritma pembelajaran untuk memperkecil tingkat
error
dengan cara menyesuaikan bobotnya berdasarkan perbedaan
output
dan
target yang diinginkan.
Backpropagation
juga merupakan sebuah metode
sistematik untuk pelatihan
multilayer
Jaringan Syaraf Tiruan. Penelitian ini
memprediksi pengelolahan kawasan industri supaya meningkatkan disiplin
pencatatan dan pelaporan berbagai karakteristik pemanfaatan dan upaya
penyaluran air bersih sesuai dengan peraturan perundang – undangan yang telah
ada. Untuk mendapatkan solusi darin prmasalahan diatas yaitu dengan
menggunakan Jaringan Syaraf Tiruan dengan Metode
Backpropagation
. Jaringan
Syaraf Tiruan merupakan salah satu sistem pemrosesan informasi atau data yang
didisain dengan meniru cara kerja otak manusia dalam menyelesaikan suatu
masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya.
Jaringan Syaraf Tiruan yang berupa susunan sel - sel syaraf tiruan (
neuron
)
dibangun berdasarkan prinsip – prinsip dibangun berdasarkan prinsip – prinsip
organisasi yang digunakan dalam Jaringan Syaraf Tiruan, tujuan dari penelitian ini
dapat memberikan manfaat dan rekomendasi bagi PT. SCTK yang menangani
persoalan volume pemakaian air PT. SCTK Serang Banten dengan kualitas yang
baik.
2. Tinjauan Pustaka
2.1. Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan memiliki kemampuan yang sangat baik dalam teknik pengenalan pola (pattern recognition) (Setiawan dan Agung, 2016)Koneksi antar neuron yang berfungsi menyimpan pengetahuan itu. Jaringan Syaraf Tiruan adalah sistem pemroses informasi dengan karakteristik dan performa yang mendekati syaraf biologis. Aplikasi jaringan syaraf selama beberapa tahun ini umumnya berpusat pada tiga bidang utama, yaitu analisis data, pengenalan pola, dan fungsi kendali.. Koneksi antar neuron yang berfungsi menyimpan pengetahuan itu. Jaringan Syaraf Tiruan adalah sistem pemroses informasi dengan karakteristik dan performa yang mendekati syaraf biologis. Data masa lalu akan dipelajari oleh Jaringan Syaraf Tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari [2]. Selain memproses, Jaringan Syaraf Tiruan juga memiliki kemampuan menyimpan informasi seperti definisi oleh Haykin bahwa Jaringan Syaraf Tiruan merupakan pemroses sederhana yang berjumlah banyak dan bekerja secara paralel dan terdistribusi, yang memiliki kemampuan menyimpan pengetahuan dan memberikan saat dibutuhkan yang terdiri dari pengetahuan yang dimiliki sebagai hasil proses pembelajaran dan koneksi antar neuron yang berfungsi menyimpan pengetahuan (Amadea, 2016).
2.2. Backpropagation
Backpropagation merupakan salah satu bagian dari Neural Network. Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam artian mempunyai target yang akan dicari. Ciri dari backpropagation adalah meminimalkan error pada output yang dihasilkan oleh jaringan. Dalam metode backpropagation, biasanya digunakan jaringan multilayer. Algoritma momentum backpropagation memiliki kesamaan langkah dengan algoritma backpropagation standar tetapi berbeda pada saat umpan mundur (Backward Propagation). Berikut adalah algoritma backpropagation (Andrian dan Putra, 2014) :
a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil), Epoch = 1 dan MSE = 1.
b. Tentukan Maksimum Epoch, Learning Rate (α), dan Target Error.
c. Lakukan langkah ke-4 sampai 12 berikut selama (Epoch < maksimum epoch) dan (MSE > Target Error).
d. Epoch = Epoch + 1.
e. Umpan Maju (feedforward)
f. Tiap – tiap input (x1, i = 1, 2, 3, ...., n)
Menerima sinyal x1 dan meneruskan sinyal tersebut kesemua unit pada lapisan yang
diatasnya (lapisan tersembunyi).
g. Tiap – tiap untit tersembunyi (Z1, j=1,2,3,…,p) menjumlahkan bobot sinyal input.
Lalu gunakan fungsi aktivasi untuk menghitung sinyal outputnya, ditunjukkan dengan persamaan... 2
= )
Backpropagation adalah sebuah metode sistematika untuk pelatihan multilayer Jaringan Syaraf Tiruan. Jaringan backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit(Sudarsono, 2016).
2.3. MATLAB
MATLAB adalah software buatan The Mathwork Inc, yang sangat bermanfaat untuk menyelesaikan berbagai masalah numerik, perangkat lunak ini menawarkan kemudahan dan kesederhanaan dalam menyelesaikan masalah yang berhubungan dengan vektor dan matriks. Simulasi peramalan produksi air dengan Jaringan Syaraf Tiruan metode backpropagation dilakukan dengan menggunakan program MATLAB [6] Memperoleh inversi matriks dan menyelesaikan persamaan linier merupakan contoh permasalahan yang dapat dipecahkan dengan cara yang sangat singkat dan mudah sekali [5].
2.4. Rancangan Penelitian
Langkah – langkah tersebut dapat digambarkan melalui diagram alir pada penelitian ini dimulai dari pengumpulan data dari data mentah. Tahap berikutnya adalah menentukan desain arsiktektur jaringan dengan menentukan pola masukan dan keluaran untuk kebutuhan pelatihan dan pengujian pada Jaringan Syaraf Tiruan (JST) tahap ini kemudian diikuti dengan penentuan algoritma pelatihan dalam penelitian. Selanjutnya adalah tahap pelatihan data yang telah dinormalisisasi dan ditentukan arsitekturnya, pelatihan dilakukan pertama untuk algoritma backpropagation standar, setelah itu dilakukan kembali pelatihan dengan menambah update bobot. Tujuan pelatihan untuk membandingkan nilai epoch dan penentuan ini Mean Square Error (MSE). Setelah dilakukan tahap pelatihan kemudian tahap pengujian terhadap data pengujian, tujuannya untuk mengetahui tingkat validasi hasil.\
2.5. Teknik Pengolahan Data
Dalam kasus ini, untuk data set pertama penulis mengumpulkan data dari hasil monitoring bulanan PT. Sarana Catur Tirta Kelola (SCTK) Serang Banten yang telah di backup yaitu mulai tahun 2017 sampai 2019 yang terdiri dari jenis, jumlah industri, volume kebutuhan, pompa yang dioperasikan, bahan kimia,kualitas air baku, kualitas air hasil produksi, ketersediaan air dan pemakaian air baku.
Tabel 1. Contoh data set periode 2017
No. Konsumen Periode
Jan Feb Mar Apr Mei
1. PT.Primarindo Argatile 2249 1726 2139 2372 2657
2. PT.Parkland Word Indonesia 5498 3537 4691 5857 1971
3. PT.Parkland Word Indonesia II 2920 1801 678 1902 1971
4. PT. Eagle Nice 8468 7531 9636 8908 9995
5. PT. United Waru Biscuit Manufactory 1587 1258 1555 1370 1509
6. PT. Honoris Perdana 2481 1266 1723 1632 2309
7. PT. Charoen Pokphand ind 56267 50236 53155 54234 64858
3. Hasil dan Pembahasan
3.1. Proses Perhitungan
Dalam penelitian ini pemilihan Arsitektur terbaik Jaringan Syaraf Tiruan. Hasil software aplikasi MATLAB 6.1 yang dignakan untuk model arsitektur 2-1, arsitektur 3-4-1, arsitektur 3-5-1, arsitektur 3-6-1dan arsitektur 3-9-1. Memperoleh pola arsitektur terbaik. Langkah-langkah untuk menghitung target sebagai berikut inin:
1. Hasil keluaran target diperoleh, selanjutnya mencari hasil target prediksi sebagai hasil jumlah volume pemakaian air dengan menggunakan persamaan berikut :
Keterangan : 0,8 = nilai konversi data
Xn = nilai yang didapatkan (hasil kelaran)
a = data minimum
b = data maximum
2. Setelah hasil prediksi di dapat, kemudian menyusun hasil menjadi data baru seperti data awal
3. Kemudian melakukan normalisasi lagi unyuk melakukan proses selanjutnya sesuai aturan yang ditentukan.
3.3. Pelatihan dan Pengujian Arsitektur 3-2-1
Berikut ini adalah hasil pelatihan dan pengujian dengan 12 data untuk arsitektur 3-2-1. Adapun parameter yang digunakan adalah :
Koding pelatihan >> net=newff(minmax(P),[3,2,1],{‘logsig’,purlin’},’traingd’); >>net.IW{1,1}; >>net.b{1}; >>net.LW{2,1}; >>net.b{2}; >>net.trainParam.epochs=100000; >>net.trainParam.goal =0.01; >>net.trainParam.Lr = 0.01; >>net.trainnParam.show = 1000; >>net=train(net,P,T) [a,Pf,Af,e,Perf]=sim(net,P,[],[],T) Koding Pengujian >>PP >>TT >> [a,Pf,Af,e,Perf]=sim(net,PP,[],[],TT
Setelah dilakukan perulangan makan ditemukan error minimum pada epoch 429 seperti pada gambar berikut :
Dari pola ini akan digunakan untuk memprediksi jumlah volume pemakaian air PT.SCTK Serang Banten. Penilaian model arsitektur terbaik dilihat dari beberapa aspek seperti epoch, error minimum dan akurasi kebenaran. Untuk lebih jelas dapat dilihat pada tabel berikut ini :
Tabel 2. Rekapitulasi Model arsitektur
Arsitektur Training Testing
Epoch MSE Akurasi MSE Akurasi
3-2-1 0.0099825 0.009982483 91.7 0.204935880 100.0 3-4-1 0.0099937 0.009993651 66.7 0.139768487 100.0 3-5-1 0.009989 0.009988975 75.0 0.181922484 100.0 3-6-1 0.0095071 0.009507134 41.7 0.125074487 91.7 3-9-1 0.0099867 0.009986667 83.3 0.167690476 100.0
Tabel diatas adalah tabel rekapitulasi arsitektur Jaringan Syaraf Tiruan. Dari pola ini dapat digunakan untuk memprediksi jumlah volume pemakaoan air PT. SCTK Serang Banten. Adapun hasil prediksi jumlah volume pemakaian air untuk tahun 2020 dapat dilihat pada tabel 4.12. berikut :
Tabel 3. Hasil Prediksi 2020
2020
No. Data Real Target Target Prediksi Prediksi
1. 0,47371 0,76193 2017 0,47371 2. 0,42426 0,69261 0,47371 0,42426 3. 0,44806 0,68987 0,42426 0,44806 4. 0,45160 0,76122 0,44806 0,45160 5. 0,53313 0,71767 0,45160 0,53313 6. 0,40935 0,59842 0,53313 0,40935 7. 0,57941 0,90000 0,40935 0,57941 8. 0,10000 0,80788 0,57941 0,10000 9. 0,14773 0,77342 0,10000 0,14773 10. 0,64317 0,77342 0,14773 0,64317 11. 0,63464 0,82910 0,64317 0,63464 12. 0,10000 0,72634 0,63464 0,10000
4.
Kesimpulan dan Saran
4.1 Kesimpulan
Berdasarkan pembahasan sebelumnya dapat disimpulkan bahwa Penggunaan Metode Backpropagation dapat digunakan didalam memprediksi volume pemakaian air PT. SCTK Serang Banten. Hasil dari analisa metode Backpropagation menggunakan MATLAB dapat di hasilkan dengan data yang valid. Dan disimpulkan bahwa sebagai metode prediksi yang sangat mudah. Dari hasil pengujian data Laporan Reapitulitas PT.SCTK Serang Banten dapat kita lihat pada arsitektur 3-2-1 yang menunjukkan target dikurang dengan output JST bahwa SEE 2.45923 yang menunjukkan bahwa adanya peningkatan jumlah volume pemakaian air PT. SCTK Serang Banten sebagai target. Dari data yang didapat, bahwa perfomance perhitungan Jaringan Syaraf Tiruan dengan algoritma Backpropagation adalah 67%. Dapat dilihat dari perbandingan target yang diinginkan dengan target prediksi.
4.2 Saran
Penelitian ini juga dapat direkomendasikan kepada perusahaan yang akan memprediksi hasil inputan khususnya seperti peneitin penulis. Penelitian ini juga dapat digunakan sebagai referensi serta pertimbangan untuk penulisan artikel ilmiah.
Daftar Pustaka
[1] A. F. Setiawan dan A. K. Agung, “Klasifikasi Pola Sidik Jari Menggunakan Jaringan Syaraf Tiruan Backpropagation Untuk Analisa Karakteristik Seseorang,” Antivirus J. Ilm. Tek. Inform., vol. 10, no. 2, hal. 215–224, 2016.
[2] B. Anwar, “Penerapan Algoritma Jaringan Syaraf Tiruan Backpropagation dalam Memprediksi Tingkat Suku Bunga Bank,” J. SAINTIKOM, vol. 10, no. 2, hal. 1–7, 2011.
[3] M. Amadea, “Prediksi Produk Debit Air Minum Per Bulan dengan Jaringan Syaraf Tiruan Bacpropagation(Studi Kasus: PDAM Tirta Moedal Semarang),” J. JOINS Udinus, hal. 18–26, 2016. [4] Y. Andrian dan P. H. Putra, “Analisis Penambahan Momentum Pada Proses Prediksi Curah Hujan
Kota Medan Menggunakan Metode,” hal. 165–172, 2014.
[5] A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode,” Media Infotama, vol. 12, no. 1, hal. 61–69, 2016.
[6] A. Septiarini dan N. Sya’baniah, “Sistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation Anindita,” J. EKSPONENSIAL, vol. 3, hal. 43–48, 2012.
