Fakultas Ilmu Komputer
6737
Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan
Menggunakan Metode “PSO
-
NN”
Nadya Sylviani1, Arief Andy Soebroto2
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1nadyaslv@gmail.ac.id, 2ariefas@ub.ac.id
Abstrak
Peningkatan jumlah penduduk dan pembangunan di bidang peternakan menjadi faktor naiknya konsumsi protein hewani. Salah satu sumber protein hewani yang menjadi pilihan banyak masyarakat adalah telur ayam ras karena harganya yang murah dan mudah didapatkan. Namun, permasalahan dari penjualan telur ayam ras adalah harganya yang sering mengalami fluktuasi di pasar. Untuk itu, peneliti membangun sebuah sistem peramalan dengan menggunakan metode Particle Swarm Optimization-Neural Network (PSO-NN). Metode ini terbukti lebih baik dibandingkan metode pelatihan NN dengan menggunakan Backpropagation.Pelatihan PSO akan dilakukan hingga maksimum iterasi dan hasil dari pelatihan tersebut yang berupa nilai bobot optimal akan digunakan sebagai bobot inisialisasi untuk pelatihan NN. Jenis NN yang digunakan yaitu Feedforward Neural Network (FFNN). Pelatihan NN dilakukan dengan menggunakan 4 lag time, 2 hidden unit, dan 1 output yang merepresentasikan hasil peramalan harga. Berdasarkan pengujian yang telah dilakukan, PSO terbukti dapat mempercepat NN dalam mencari solusi yang optimal. MAPE terkecil yang didapatkan dengan menggunakan PSO-NN dalam penelitian ini yaitu 1.01552%.
Kata kunci: peramalan, telur ayam ras, jaringan syaraf tiruan, particle swarm optimization.
Abstract
The increase in population and growth in the farming field was one of the reason of rising in consumption of animal protein. One of the source of animal protein that has been the most preferable for its affordable price and easy to get, is purebred chicken egg. However, the issue in purebred chicken egg sales that has been faced by the market is its fluctuate price. Therefore, the researcher build a forecasting system using Particle Swarm Optimization-Neural Network (PSO-NN). This method proved to be better than the NN training using Backpropagation. PSO training will be carried out to the maximum iteration and the results of the training in the form of optimal weight values will be used as initialization weights for NN training. The type of NN used is Feedforward Neural Network (FFNN). The NN training is done by using 4 lag time, 2 hidden units, and 1 output which represents the result of price forecasting. Based on the result of this research, PSO proved to be able to speed up NN on finding the optimal solution. The lowest MAPE found using PSO-NN in this research is 1.01552%.
Keywords: forecasting, purebred chicken egg, neural network, particle swarm optimization.
1. PENDAHULUAN
Peningkatan jumlah penduduk dan kesadaran masyarakat akan pentingnya mengkonsumsi makanan yang bergizi tinggi, serta meningkatnya pembangunan di bidang peternakan menjadi salah satu faktor yang mendasari meningkatnya kebutuhan akan konsumsi protein hewani. Dalam hal ini, bidang peternakan memiliki peran penting dalam
menyediakan kebutuhan masyarakat (Febrianto & Putritamara, 2017).
antisipasi yang keliru, dimana dalam suatu kasus akan mengakibatkan kelebihan produksi dan menyebabkan penawaran di pasar menurun (Abidin, 2003).
Menurut (Samuelson & Nordhaus, 1998), hukum permintaan diasumsikan dengan berbanding lurusnya penurunan harga komoditas dengan kenaikan jumlah permintaan akan komoditas tersebut. Demikian halnya dengan permintaan terhadap telur ayam ras di Malang. Berdasarkan penelitian (Febrianto & Putritamara, 2017), didapatkan hasil bahwa peningkatan harga telur ayam ras di Malang sebesar Rp 1,- akan menurunkan jumlah permintaan oleh konsumen sebesar 2.301%. Faktor-faktor tersebut mengakibatkan terjadinya fluktuasi harga yang dapat mengganggu stabilitas harga komoditas pasar lainnya. Untuk itu, perlu adanya suatu sistem yang dapat memantau kondisi harga komoditas pasar secara rutin. Hasil pantauan ini diharapkan dapat menjadi acuan untuk dapat memperbaiki manajemen produksi bagi peternak dan juga penjual, serta dapat menjadi sarana pengatur stabilitas harga komoditas di pasar oleh Dinas Perdagangan Pasar.
Sebuah sistem peramalan dapat dibangun dengan mengamati dan menganalisa pola dari data hasil pantauan tersebut untuk kemudian diolah agar dapat menghasilkan sebuah sistem peramalan yang akurat. Penelitian tentang sistem prediksi atau peramalan telah dilakukan sebelumnya dengan memanfaatkan metode
Backpropagation Neural Network (BP-NN). Metode ini lebih baik bila dibandingkan dengan metode Discriminant Analysis (DA), feed-forward (FF), Holt’s, Moving Average (MA),
Multiple Linear Regression (MLR), Naïve,
Radial Basis Function NN (RBFNN) (Odom & Sharda, 1990), (Law, 2000), (Riad, et al., 2004).
Pada tahun 2007, Junyou telah meneliti tentang peramalan harga stok dengan menggunakan metode Particle Swarm Optimization Neural Network (PSO-NN) yang dalam penelitan tersebut terbukti bahwa metode ini dapat melebihi performansi BP-NN (Junyou, 2007). Hal ini diperkuat juga dengan penelitian, (Xuan, et al., 2008), dan (Adhikari & Agrawal, 2011), yang dapat membuktikan bahwa PSO-NN lebih baik dibandingkan dengan BP-PSO-NN dalam membangun suatu sistem peramalan yang akurat dan cepat konvergensinya. Sebagai metode optimasi, PSO juga lebih baik dan cepat
dari GA dan ARMA dalam melatih NN untuk sistem peramalan (Mishra & Patra, 2008), (Xuan, et al., 2008).
Berdasarkan permasalahan di atas, penulis mengangkat judul Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan Menggunakan Metode PSO-NN (Neural Network dengan optimasi Particle Swarm Optimization) yang diharapkan dapat memberi solusi dalam permasalahan tersebut dan memberi pandangan kepada petugas, langkah yang harus dilakukan untuk mencegah fluktuasi harga komoditas telur.
2. METODOLOGI.
2.1 Neural Network (NN)
Neural Network pertama kali dikemukakan oleh Warren McCulloch dan Walter Pitts pada
tahun 1943 dalam papernya yang berjudul “A Logical Calculus of The Ideas Immanent in Nervous Activity”. Penemuan ini membawa
kemajuan dalam pembelajaran tentang neuron
dan koneksinya, serta menjadi pembuka topik baru pada penelitian-penelitian kedepannya
Invalid source specified..
Pada tahun 1958, Frank Rosenblatt mengembangkan penelitian McCulloch dan Pitts dengan membangun sebuah jaringan perceptron
yang ditulis dalam papernya dengan judul “The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain” Invalid source specified.. Berikut adalah algoritma tahap-tahap pelatihan Perceptron Neural Network (Fausett, 1994):
1. Inisialisasi bobot dan bias awal, serta nilai laju pembelajaran.
2. Inisialisasi nilai unitinput. 3. Hitung output jaringan.
4. Pembaharuan nilai bobot dan bias.
2.2 Particle Swarm Optimization (PSO)
tersebut, dan menilai atau menghitung fitness
dari posisinya untuk dijadikan referensi pergerakan partikel-partikel lainnya, dan partikel itu sendiri, pada iterasi selanjutnya atau setelah berpindah posisi. Seperti layaknya kawanan burung yang mencari makan, partikel ini akan bergerak ke arah dimana solusi berada atau posisi yang memiliki nilai fitness terbaik Invalid source specified..
Pada 1995, Eberhart dan Kennedy menguji tiga model PSO yaitu model GBEST, model LBEST dengan 2 neighbor, dan 6 neighbor. Hasil dari pengujian tersebut menyatakan bahwa model GBEST lebih baik dibandingkan kedua model LBEST Invalid source specified.. Berikut adalah algoritma Particle Swarm Optimization
dengan model GBEST Invalid source specified.: 1. Inisialisasi kecepatan dan posisi awal
partikel.
2. Hitung nilai fitness tiap partikel.
3. Jika nilai PBEST saat ini lebih baik dari sebelumnya, maka perbaharui PBEST. 4. Jika nilai GBEST saat ini lebih baik dari
sebelumnya, maka perbaharui nilai GBEST. 5. Perbaharui kecepatan partikel.
6. Perbaharui posisi partikel.
2.3 Normalisasi Data
Normalisasi merupakan salah satu strategi transformasi data yang dilakukan dengan merubah data tersebut ke dalam range yang lebih kecil seperti [-1,1] atau [0,1]. Hal ini dilakukan dengan tujuan untuk memberi bobot yang seimbang untuk seluruh atribut. Untuk Neural Network, normalisasi nilai input pada tiap atribut dapat membantu mempercepat proses pelatihan serta meningkatkan akurasi dan efisiensi dari algoritma tersebut. Salah satu metode normalisasi data yaitu Min-Max Normalization
Invalid source specified. Invalid source specified..
Denormalisasi atau detransformasi data dilakukan untuk mengembalikan nilai yang ternormalisasi ke dalam bentuk aslinya. Pada peramalan, tahapan ini dilakukan setelah hasil peramalan didapatkan (Ogasawara, et al., 2010).
2.4 Studi Literatur
Tahapan pertama dalam metodologi penelitian ini yaitu studi literatur dimana dalam tahap ini dilakukan pembelajaran, pengenalan, serta pemahaman terhadap dasar-dasar teori dari bidang ilmu yang berelasi dengan perancangan
sistem Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan Menggunakan Metode PSO-NN. Bidang ilmu ini diantara lain:
1. Metode Jaringan Syaraf Tiruan. 2. Teori optimasi Swarm Intelligence. 3. Metode Particle Swarm Optimization. 4. Teori Data Mining.
5. Metode prediksi harga.
Sumber literatur diperoleh dari buku, jurnal, e-book, dan penelitian yang telah ada Desember 2017. Data ini didapatkan dari Dinas Perdagangan Kota Malang melalui halaman web Sistem Informasi Ketersediaan dan Perkembangan Harga Pokok di Jawa Timur (SISKAPERBAPO) pada tautan http://siskaperbapo.com/harga/tabel.
Terdapat lima pasar di Kota Malang yaitu Pasar Blimbing, Pasar Tawangmangu, Oro-Oro Dowo, Pasar Klojen, dan Pasar Madyopuro. Data yang digunakan merupakan rata-rata data harga harian dari kelima pasar tersebut. Tabel 1 berikut adalah suntingan data harga telur ayam ras di Kota Malang yang digunakan dalam penelitian ini.
Tabel 1 Data harian harga pasar telur ayam ras di Kota Malang
Tanggal Harga pada tahun (Rp)
2012 2013 … 2017
Tahapan selanjutnya yaitu perancangan sistem dimana pada tahap ini dilakukan analisis dan perancangan sistem dari segi model, ataupun arsitekturnya, juga hal-hal terkait kebutuhan sistem dalam proses pembuatannya.
Berdasarkan diagram alir yang ditunjukkan pada Gambar 1, tahapan proses PSO-NN dapat dijabarkan sebagai berikut.
A. Normalisasi Data
2. Menentukan nilai maksimum
3. Menghitung normalisasi data dengan menggunakan Min-Max Normalization
B. Pelatihan PSO
1. Inisialisasi awal PSO
i. Menghitung batasan kecepatan
ii. Menentukan posisi awal
iii. Menentukan kecepatan awal
iv. Menghitung nilai fitness partikel
v. Menentukan local best (pBest) awal
vi. Menentukan global best (gBest) awal
2. Memperbaharui partikel
i. Memperbaharui kecepatan partikel
ii. Memperbaharui posisi partikel
3. Memperbaharui pBest dan gBest
i. Menghitung nilai fitness partikel baru
ii. Memperbaharui local best (pBest)
iii. Memperbaharui global best (gBest)
C. Pelatihan NN
1. Hitung sinyal output
i. Hitung jumlah sinyal ke hidden layer
ii. Aktivasi sinyal hidden layer
iii. Hitung jumlah sinyal ke output layer
iv. Aktivasi sinyal output layer
2. Hitung pembaharuan bobot
i. Hitung bobot baru hidden layer
ii. Hitung bobot baru output layer
D. Pengujian dengan NN
1. Hitung sinyal output
i. Hitung jumlah sinyal ke hidden layer
ii. Aktivasi sinyal hidden layer
iii. Hitung jumlah sinyal ke output layer
iv. Aktivasi sinyal output layer
2. Denormalisasi data uji
3. Hitung nilai error
Gambar 1. Diagram alir tahapan proses PSO-NN
2.7 Implementasi Sistem
Tahapan implementasi sistem ini mengacu kepada tahapan perancangan sistem. Sistem yang dibangun adalah sistem berbasis Graphic User Interface (GUI), dengan bahasa pemrograman Java. Tahapan implementasi sistem pada penelitian ini yaitu:
1. Implementasi interface aplikasi menggunakan JFrame pada NetBeans.
2. Implementasi algoritma dengan Metode PSO dan Neural Network.
2.8 Pengujian dan Analisis
Pada tahapan ini, dilakukan pengujian dan analisis dari hasil pengujian sistem peramalan harga telur ayam ras menggunakan metode PSO-NN tersebut. Terdapat 7 pengujian yang dilakukan dalam penelitian ini yang meliputi
Maksimum Iterasi?
T
F
F Bobot NN optimal
Data time-series harga pasar telur ayam ras
Normalisasi data A
B Pelatihan PSO
Mulai
T
Pelatihan NN
T
Maksimum
Iterasi? C
F
Bobot akhir untuk prediksi
Pengujian dengan NN
Hasil prediksi dengan PSO-NN
D
pengujian nilai laju pembelajaran NN, jumlah iterasi NN, batas 𝑉𝑚𝑎𝑥, nilai inertia weight, jumlah populasi swarm, jumlah iterasi PSO, dan uji coba perbandingan PSO-NN dengan NN.
3. HASIL DAN PEMBAHASAN
Tahapan ini adalah tahapan dimana hasil perancangan dan implementasi sistem akan diuji. Pengujian akan dilakukan untuk parameter NN dan PSO yang meliputi nilai laju pembelajaran NN, jumlah iterasi NN, batas
𝑉𝑚𝑎𝑥, nilai inertia weight, jumlah populasi
swarm, dan jumlah iterasi PSO. Selain itu, pengujian perbandingan PSO-NN dengan NN juga dilakukan untuk membandingkan kedua metode tersebut.
3.1 Uji Coba Laju Pembelajaran NN
Pengujian laju pembelajaran NN dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan jumlah input neuron 4, jumlah hidden layer 2, dan jumlah iterasi NN 50. Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian laju pembelajaran NN yang ditunjukkan pada Gambar 2.
Gambar 2. Grafik hasil pengujian laju pembelajaran NN
Berdasarkan Gambar 2 dapat dilihat bahwa nilai laju pembelajaran terbaik untuk metode NN pada penelitian ini yaitu 0.5. Rata-rata MAPE dari nilai laju pembelajaran ini yaitu 1.03025%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
3.2 Uji Coba Iterasi NN
Pengujian iterasi NN dilakukan dengan menguji beberapa jumlah iterasi sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang
digunakan pada pengujian ini yaitu 0.5. Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian iterasi NN yang ditunjukkan pada Gambar 3.
Gambar 3. Grafik hasil pengujian iterasi NN
Berdasarkan Gambar 3 dapat dilihat bahwa jumlah iterasi terbaik untuk metode NN pada penelitian ini yaitu 30. Rata-rata MAPE dari jumlah iterasi NN ini yaitu 1.02929%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
3.3 Uji Coba Batas 𝑽𝒎𝒂𝒙
Pengujian batas 𝑉𝑚𝑎𝑥 dilakukan dengan menguji beberapa nilai 𝑉𝑚𝑎𝑥 sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 2.
Tabel 2. Parameter PSO untuk uji batas 𝑽𝒎𝒂𝒙
Populasi swarm 3 Maksimum iterasi 5
c1 1.496180
c2 1.496180
Inertia weight (w) 0.729844
Gambar 4. Grafik hasil pengujian batas 𝑽𝒎𝒂𝒙
Berdasarkan Gambar 4 dapat dilihat bahwa batas 𝑉𝑚𝑎𝑥 terbaik untuk metode PSO-NN pada penelitian ini yaitu 0.3 dengan jumlah iterasi NN 30. Rata-rata MAPE dari nilai batas 𝑉𝑚𝑎𝑥 ini yaitu 1.02761%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali
run.
3.4 Uji Coba Nilai Inertia Weight
Pengujian nilai inertia weight dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 3.
Tabel 3. Parameter PSO untuk uji nilai inertia weight
Populasi swarm 3 Maksimum iterasi 5
c1 1.496180
c2 1.496180
Batas 𝑉𝑚𝑎𝑥 0.3
Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian nilai inertia weight yang ditunjukkan pada Gambar 5.
Gambar 5. Grafik hasil pengujian nilai inertia weight
Berdasarkan Gambar 5 dapat dilihat bahwa nilai inertia weight terbaik untuk metode PSO-NN pada penelitian ini yaitu 0.9 dengan jumlah iterasi NN 30. Rata-rata MAPE dari nilai inertia weight ini yaitu 1.02527%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali
run.
3.5 Uji Coba Jumlah Populasi Swarm
Pengujian jumlah populasi swarm
dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 4.
Tabel 4 Parameter PSO untuk uji jumlah populasi
swarm
Maksimum iterasi 5
c1 1.496180
c2 1.496180
Batas 𝑉𝑚𝑎𝑥 0.3
Inertia weight (w) 0.9
Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian nilai jumlah populasi swarm yang ditunjukkan pada Gambar 6.
Berdasarkan Gambar 6 dapat dilihat bahwa jumlah populasi swarm terbaik untuk metode PSO-NN pada penelitian ini yaitu 20 dengan jumlah iterasi NN 30. Rata-rata MAPE dari jumlah populasi swarm ini yaitu 1.02679%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
Gambar 6. Grafik hasil pengujian jumlah populasi
3.6 Uji Coba Iterasi PSO
Pengujian iterasi PSO dilakukan dengan menguji beberapa nilai jumlah iterasi sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 5.
Tabel 5. Parameter PSO untuk uji iterasi PSO
Jumlah populasi 20
c1 1.496180
c2 1.496180
Batas 𝑉𝑚𝑎𝑥 0.3
Inertia weight (w) 0.9
Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian iterasi PSO yang ditunjukkan pada Gambar 7.
Gambar 7. Grafik hasil pengujian iterasi PSO
Berdasarkan Gambar 7 dapat dilihat bahwa jumlah iterasi PSO terbaik untuk metode PSO-NN pada penelitian ini yaitu 10 dengan jumlah iterasi NN 30. Rata-rata MAPE dari jumlah iterasi PSO ini yaitu 1.02912%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
3.7 Perbandingan PSO-NN dengan NN
Pengujian ini dilakukan dengan membandingkan MAPE dari pelatihan dan pengujian NN dengan dan tanpa menggunakan PSO sebagai metode untuk mencari nilai bobot awalnya. Percobaan ini dilakukan sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang
digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi terbaik 30. Namun untuk melihat apakah PSO-NN mampu mempercepat NN dalam menemukan solusi optimal, jumlah iterasi NN 7 dan 10 juga digunakan sebagai pembanding. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 6.
Tabel 6 Parameter PSO untuk uji perbandingan PSO-NN dengan PSO-NN
Jumlah populasi 20 Maksimum iterasi 100
c1 1.496180
c2 1.496180
Batas 𝑉𝑚𝑎𝑥 0.3
Inertia weight (w) 0.9
Berikut adalah tabel hasil pengujian perbandingan PSO-NN dengan NN yang ditunjukkan pada Tabel 7.
Tabel 7 Perbandingan PSO-NN dengan NN
Iterasi NN
Rata-rata MAPE
NN PSO-NN
Latih Uji Latih Uji 7 1.4241 1.8090 1.2910 1.0155
10 1.3569 1.3976 1.2918 1.0218 30 1.3119 1.0287 1.2952 1.0398
Bentuk grafik dari hasil pengujian perbandingan PSO-NN dengan NN pada iterasi NN 7, 10, dan 30 dapat dilihat pada Gambar 8, Gambar 9, dan Gambar 10 berikut.
Gambar 8. Grafik hasil pengujian perbandingan PSO-NN dengan NN pada iterasi NN 7
Gambar 10 Grafik hasil pengujian perbandingan PSO-NN dengan NN pada iterasi NN 30
Berdasarkan Tabel 7, dapat dilihat bahwa dengan PSO, NN mampu mendapatkan hasil yang optimal hanya dengan 7 iterasi NN. Dengan jumlah iterasi tersebut, dalam 10 kali
run PSO-NN mampu mendapatkan rata-rata MAPE sebesar 1.01552%. Sedangkan untuk NN, nilai MAPE terkecil baru bisa didapatkan pada saat iterasi NN 30. Rata-rata MAPE uji terkecil yang didapatkan NN pada iterasi 30 juga lebih besar dibandingkan dengan rata-rata MAPE uji PSO-NN. Hal ini membuktikan bahwa PSO tidak hanya mampu mempercepat pelatihan NN, tetapi juga memberi akurasi yang lebih baik dibandingkan model NN biasa tanpa optimasi.
3.8 Uji Coba Perbandingan Data Aktual dengan Hasil Peramalan
Pengujian perbandingan data aktual dengan hasil peramalan PSO-NN dilakukan dengan melakukan pengujian terhadap data uji. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 7. Untuk konfigurasi parameter PSO yang digunakan dalam uji coba ini dapat dilihat pada Tabel 6.
Berikut adalah tabel hasil pengujian perbandingan data aktual dengan hasil peramalan PSO-NN yang dapat dilihat pada Tabel 8.
Tabel 8Hasil pengujian perbandingan data aktual dengan hasil peramalan PSO-NN
Tanggal
Harga
MAPE Nilai
Aktual
Hasil Peramalan 16 Maret
2016 17500 17738 1.359038
17 Maret
2016 17200 17531 1.921746
18 Maret
2016 17200 17237 0.215486
19 Maret
2016 17200 17253 0.306068
… … … …
31 Desember
2017
23600 21942 7.027213
Rata-rata 1.011520
Berikut adalah grafik perbandingan data aktual dengan hasil peramalan PSO-NN yang ditunjukkan pada Gambar 11.
Gambar 11 Grafik hasil pengujian perbandingan data aktual dengan hasil peramalan PSO-NN
Berdasarkan hasil pengujian yang ditampilkan pada Tabel 8, dapat dilihat bahwa bahwa terdapat kecenderungan nilai MAPE kecil ketika selisih antara nilai aktual suatu hari dengan hari sebelumnya kecil. Sedangkan disaat selisih nilai besar, maka nilai MAPE cenderung meningkat. Hasil rata-rata MAPE pada percobaan terhadap data uji mulai dari tanggal 26 Maret 2016 hingga 31 Desember 2017 yang berjumlah 656 data ini yaitu 1.011520%.
4. KESIMPULAN
Kesimpulan yang dapat diambil dari hasil dan pembahasan perancangan dan implementasi metode PSO-NN dalam meramal harga pasar telur ayam ras di Kota Malang yaitu sebagai berikut.
1. Untuk membangun sebuah sistem peramalan yang baik, diperlukan skema yang tersusun dan terencana dengan baik. Skema atau tahapan untuk membuat sebuah sistem peramalan tersebut terdiri dari definisi masalah, pengumpulan data, analisis data, seleksi model, validasi model, implementasi model, dan evaluasi model peramalan. 2. PSO-NN dapat digunakan sebagai metode
digunakan untuk mencari nilai fitness dari partikel PSO.
3. Berdasarkan pengujian yang telah dilakukan, metode PSO terbukti mampu mempercepat pelatihan NN untuk mendapatkan bobot akhir terbaik yang menghasilkan nilai MAPE pengujian terkecil. Nilai MAPE uji terkecil yang dihasilkan oleh metode PSO-NN dalam penelitian ini yaitu 1.01552%.
DAFTAR PUSTAKA
Abidin, Z., 2003. Meningkatkan Produktivitas Ayam Ras Petelur. Jakarta: Agromedia Pustaka.
Adhikari, R. & Agrawal, R. K., 2011. Effectiveness of PSO Based Neural Network for Seasonal Time Series Forecasting. Proceedings of the Fifth Indian International Conference on Artificial Intelligence, pp. 231-244. Fausayana, I. & Marzuki, M. A., 2016. Analisis
Faktor-Faktor yang Mempengaruhi Permintaan Telur Ayam Ras di Kota Kendari dan Hubunganya dengan Keberdayaan Peternak. Jurnal Sosio Agribisnis, 1(1), pp. 32-46.
Fausett, L., 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice Hall, Inc..
F., A. & Yanti, A., 2006. Analisis Permintaan Telur Ayam Ras Di Kota Padang. Jurnal Peternakan Indonesia, pp. 112-122. Febrianto, N. & Putritamara, J. A., 2017.
Proyeksi elastisitas permintaan telur ayam ras di Malang Raya. Jurnal Ilmu-Ilmu Peternakan 27, pp. 81-87.
Figoni, P., 2008. How Baking Works (Second Edition). New Jersey: John Wiley & Sons, Inc..
Junyou, B., 2007. Stock Price forecasting using PSO-trained neural networks. IEEE Congress on EvolutionaryComputation
(CEC 2007), pp. 2879-2885.
Law, R., 2000. Back-propagation learning in improving the accuracy of neural network-based tourism demand forecasting.
Tourism Management, pp. 331-340. Mishra, S. & Patra, S. K., 2008. Short Term Load
Forecasting using Neural Network trained with Genetic Algorithm & Particle Swarm Optimization. First International Conferece on Emerging Trends in Engineering and Technology (ICETET),
pp. 606-611.
Muzakkir, I., Syukur, A. & Dewi, I. N., 2014. Peningkatan Akurasi Algoritma Backpropagation dengan Seleksi Fitur Particle Swarm Optimization dalam Prediksi Pelanggan Telekomunikasi.
Jurnal Pseudocode, Februari, 1(1), pp. 1-10.
Odom, M. D. & Sharda, R., 1990. A Neural Network Model for Bankruptcy Prediction. International Joint Conference on Neural Networks, pp. 163-168.
Ogasawara, E. et al., 2010. Adaptive Normalization: A Novel Data Normalization Approach for Non-Stationary Time Series. International Joint Conference on Neural Networks (IJCNN), pp. 1-8 .
Riad, S., Mania, J., Bouchaou, L. & Najjar, Y., 2004. Rainfall-Runoff Model Using an Artificial Neural Network Approach.
Mathematical and Computer Modelling,
pp. 839-846.
Samuelson, P. A. & Nordhaus, W. D., 1998.
Economics. Boston: Mass:
Irwin/McGraw-Hill.
