MODEL PREDIKSI PRODUKSI NETTO PANGAN SEREALIA BERBASIS JARINGAN SYARAF TIRUAN TESIS NURFIA OKTAVIANI SYAMSIAH

(1)

MODEL PREDIKSI PRODUKSI NETTO PANGAN SEREALIA BERBASIS JARINGAN SYARAF TIRUAN

TESIS

NURFIA OKTAVIANI SYAMSIAH 14000201

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

NUSA MANDIRI JAKARTA

2011

(2)

MODEL PREDIKSI PRODUKSI NETTO PANGAN SEREALIA BERBASIS JARINGAN SYARAF TIRUAN

TESIS

Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer (M.Kom)

NURFIA OKTAVIANI SYAMSIAH 14000201

PROGRAM PASCASARJANA MAGISTER ILMU KOMPUTER SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

NUSA MANDIRI JAKARTA

2011

(3)

iii

Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

SURAT PERNYATAAN ORISINALITAS

Yang bertanda tangan dibawah ini :

Nama : Nurfia Oktaviani Syamsiah NIM : 14000201

Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua (S2)

Konsentrasi : e-Business

Dengan ini menyatakan bahwa tesis yang telah saya buat dengan judul: “Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan” adalah hasil karya sendiri, dan semua sumber baik yang dikutip maupun yang dirujuk telah saya nyatakan dengan benar dan tesis belum pernah diterbitkan atau dipublikasikan dimanapun dan dalam bentuk apapun.

Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya. Apabila di kemudian hari ternyata saya memberikan keterangan palsu dan atau ada pihak lain yang mengklaim bahwa tesis yang telah saya buat adalah hasil karya milik seseorang atau badan tertentu, saya bersedia diproses baik secara pidana maupun perdata dan kelulusan saya dari Program Pascasarjana Magister Ilmu Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri dicabut/dibatalkan.

Jakarta, 18 Nopember 2011 Yang menyatakan,

Materai Rp. 6.000,-

Nurfia Oktaviani Syamsiah

(4)

HALAMAN PENGESAHAN

Tesis ini diajukan oleh :

Judul Tesis : Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Magister Ilmu Komputer (M.Kom) pada Program Pascasarjana Magister Ilmu Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri).

Jakarta, 20 September 2011

Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

Direktur

H. Mochamad Wahyudi, MM, M.Kom

D E W A N P E N G U J I

Penguji I : Dr. Sularso Budi Laksono, M.Kom ...

Penguji II : Drs. Bambang Setiarso, MA ...

Penguji III / : Romi Satria Wahono, M.Eng ...

Pembimbing

(5)

v

Lembar Konsultasi Bimbingan Tesis

Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri

 N I M : 14000201

 Nama Lengkap : NURFIA OKTAVIANI SYAMSIAH

 Dosen Pembimbing : ROMI SATRIA WAHONO M.Eng

 Judul Tesis : MODEL PREDIKSI PRODUKSI NETTO PANGAN SEREALIA BERBASIS JARINGAN SYARAF TIRUAN

No Tanggal Bimbingan

Materi Bimbingan Paraf Dosen Pembimbing

1 17 Nov 2010 Pengajuan judul dan BAB 1 2 01 Des 2010 Revisi judul dan BAB 1

3 08 Juni 2011 Revisi Bab 1 dan pengajuan Bab II

4 13 Juli 2011 Revisi Bab II

5 27 Juli 2011 Revisi Bab II

6 03 Agust 2011 Pengajuan Bab III

7 11 Sept 2011 Revisi Bab III dan pengajuan Bab IV dan Bab V

8 11 Sept 2011 ACC Keseluruhan

 Bimbingan dimulai pada tanggal : 17 November 2010

 Bimbingan diakhiri pada tanggal : 11 September 2011

 Jumlah pertemuan : 8

Jakarta, 11 Sept 2011 Dosen Pembimbing

[Romi Satria Wahono, M.Eng]

Foto asli ukuran

2X3 cm

(Background warna biru)

(6)

KATA PENGANTAR

Alhamdulillahirabbil‟alamin. Puji syukur panjatkan ke hadirat Allah SWT karena hanya berkat rahmat, hidayah dan karunia-Nya berhasil menyelesaikan tesis dengan judul “Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan backpropagation”.

Meramal atau memprediksi merupakan dua kata yang mirip tapi cenderung memiliki konotasi yang berbeda. Jika berbicara tentang peramal, hal pertama yang terlintas di benak sebagian besar orang adalah dukun, paranormal, dan peramal tentunya. Tesis ini tidak melakukan hal tersebut. Prediksi menjadi bagian dari perencanaan dalam proses manajemen. Melakukan prediksi membuat kita mengerti, waspada dan dapat mengantisipasi terhadap berbagai macam kemungkinan yang mungkin terjadi di masa depan. Berbagai macam cara dilakukan untuk mendapatkan hasil prediksi yang paling optimal dan akurat, tetapi bagaimanapun juga hingga saat ini berbagai metode yang digunakan tidak ada (dan tidak akan pernah ada) yang mampu melakukan prediksi tanpa kesalahan sedikitpun.

Melakukan prediksi produksi netto pangan serealia dapat memberikan gambaran mengenai bagaimana kondisi persediaan dimasa depan. Mengetahui kondisi produksi netto pangan serealia yang terdiri dari produksi netto padi, jagung, ubi kayu dan ubi jalar dapat membantu untuk mengambil keputusan mengenai tindakan apa yang harus dilakukan saat ini untuk perubahan jumlah produksi yang baru terjadi atau mengantisipasi perubahan yang akan terjadi.

Jaringan Syaraf Tiruan sebagai salah satu metode prediksi dalam soft computing dipilih sebagai salah satu metode dalam melakukan prediksi. Data produksi padi, jagung, ubi jalar dan ubi kayu yang telah diolah, kemudian digunakan untuk melakukan prediksi berbasis Jaringan Syaraf Tiruan. Beberapa eksperimen dilakukan untuk mencari arsitektur jaringan yang optimal dan memiliki tingkat kesalahan yang paling rendah.

menyadari bahwa tanpa bimbingan dan dukungan dari semua pihak dalam penyusunan tesis ini, maka tidak dapat diselesaikan tepat pada waktunya. Untuk itu terima kasih diucapkan kepada :

(7)

vii

1. Bapak Romi Satria Wahono, M.Eng selaku pembimbing tesis yang telah menyediakan waktu, pikiran dan tenaga dalam membimbing penyelesaian tesis ini.

2. Suami dan orang tua yang telah memberikan dukungan material dan moral 3. Seluruh staf pengajar (dosen) Program Pascasarjana Magister Ilmu Komputer

Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang telah memberikan pelajaran yang berarti.

4. Seluruh staf dan karyawan Program Pascasarjana Magister Ilmu Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri yang telah memberikan pelayanan yang baik selama kuliah.

5. Rekan-rekan seperjuangan atas segala motivasi dan dukungannya.

Serta semua pihak yang terlalu banyak untuk disebutkan satu persatu sehingga terwujudnya tesis ini. Sungguh tesis ini masih jauh dari sempurna, untuk itu kritik dan saran yang bersifat membangun demi kesempurnaan penulisanan karya ilmiah di masa yang akan datang.

Akhir kata semoga tesis ini dapat bermanfaat bagi penulis khususnya dan bagi para pembaca yang berminat pada umumnya.

Jakarta, 12 September 2011

Nurfia Oktaviani Syamsiah

(8)

SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya : Nama : Nurfia Oktaviani Syamsiah

NIM : 14000201

Konsentrasi : e-Business Jenis Karya : Tesis

Demi pengembangan ilmu pengetahuan, dengan ini menyetujui untuk memberikan ijin kepada pihak Program Pascasarjana Magister Ilmu Komputer Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri) Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah kami yang berjudul : “Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan” beserta perangkat yang diperlukan apabila ada.

Dengan Hak Bebas Royalti Non-Eksklusif (Non-exclusive Royalti-Free Right) ini pihak STMIK Nusa Mandiri berhak menyimpan, mengalih-media atau bentuk-an, mengelolanya dalam pangkalan data (database), mendistribusikannya dan mernampilkannya atau mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari kami selama tetap mencantumkan nama kami sebagai /pencipta karya tersebut.

Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak STMIK Nusa Mandiri, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini.

Demikian pernyataan ini saya buat dengan sebenarnya.

Jakarta, 12 September 2011 Yang menyatakan,

Nurfia Oktaviani Syamsiah

(9)

ix

ABSTRAK

Judul Tesis : Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan

Prediksi netto pangan Serealia merupakan salah satu cara yang dapat digunakan untuk mengetahui kondisi persediaan pangan. Meskipun sudah ada penelitian tentang kondisi bahan pangan, tetapi objek penelitian tersebut hanya terbatas pada satu bahan pangan serta data yang digunakan adalah data produksi bruto saja. Penelitian ini diawali dengan mengolah data produksi netto masing- masing bahan pangan untuk mendapatkan nilai runtun waktu data produksi netto pangan serealia. Metode yang digunakan adalah jaringan syaraf tiruan dengan input data adalah data-data tahun sebelumnya. Beberapa percobaan dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan prediksi yang akurat.

Hasil penelitian menunjukkan arsitektur yang optimal adalah jaringan dengan satu lapisan masukan dengan 9 neuron, satu lapisan tersembunyi dengan 6 neuron dan satu lapisan keluaran (9-6-1). Fungsi aktivasi terbaik yang digunakan adalah tansig, fungsi training terbaik adalah trainrp dengan epochs 138 yang menunjukan RMSE 0,0100.

Kata Kunci: prediksi, pangan serealia, Jaringan Syaraf Tiruan, Backpropagation

(10)

ABSTRACT

Name : Nurfia Oktaviani Syamsiah

NIM : 14000201

Study of Program : Magister Ilmu Komputer Levels : Strata Dua (S2)

Concentration : e-Business

Titel : “Model prediksi produksi netto pangan serealia berbasis jaringan syaraf tiruan”

Predict netto serealia's food constitutes one of the ways applicable to know condition of food stockpiling. Even have available research about food material condition, but that research object just confines to one food and data material that is utilized is gross production data only. This research started by processing netto's production data their material food to get time series data of netto serealia's food. Method that is utilized is artificial neural network backpropagation with data input is previous year datas. Severally experimental being done to get optimal architecture and resulting predicts that accurate.

Result observationaling to point out optimal architecture is network with one input layer with 9 neuron, one hidden layer with 9 neuron and one output layer (9 - 6 - 1). Best activation function that is utilized is tansig, training's function best is trainrp with epochs 138 with RMSE's 0,0100.

Keywords: Prediction, Serealia, Neural Network, Backpropagation

(11)

xi

DAFTAR ISI

Halaman

HALAMAN SAMPUL ... i

HALAMAN JUDUL ... ii

HALAMAN PERNYATAAN ORISINALITAS ... iii

HALAMAN PENGESAHAN ... iv

LEMBAR KONSULTASI ... v

KATA PENGANTAR ... vi

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... viii

ABSTRAK ... ix

ABSTRACT ... x

DAFTAR ISI ... xi

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

BAB 1. PENDAHULUAN ... 1

1.1. Latar Belakang Penulisan ... 1

1.2. Rumusan Masalah ... 5

1.3. Tujuan dan Manfaat Penelitian ... 5

1.4. Ruang Lingkup Penelitian... 5

1.5. Sistematika Penulisan ... 6

BAB 2. LANDASAN/KERANGKA PEMIKIRAN ... 7

2.1. Tinjauan Studi ... 7

2.2. Tinjauan Pustaka ... 8

2.2.1. Produksi Netto Pangan Serealia ... 8

2.2.2. Jaringan Syaraf Tiruan ... 10

2.2.3. Time Series ... 20

2.2.4. Metode Evaluasi Performa Prediksi ... 20

2.2.5. Studi Kasus Prediksi dengan Jaringan Syaraf Tiruan ... 22

2.3. Kerangka Konsep Pemikiran ... 25

BAB 3. METODOLOGI PENELITIAN... 27

3.1. Jenis Penelitian... 27

3.2. Tahapan Penelitian ... 27

BAB 4. HASIL PENELITIAN DAN PEMBAHASAN ... 48

4.1. Pengukuran Penelitian ... 48

4.1.1. Validasi Hasil Eksperimen ... 48

4.1.2. Evaluasi Hasil Eksperimen ... 49

4.2. Implikasi Penelitian ... 53

BAB 5. PENUTUP ... 54

5.1. Kesimpulan ... 54

5.2. Saran ... 54

DAFTAR REFERENSI ... 55

LAMPIRAN ... 57

(12)

DAFTAR TABEL

Halaman

Tabel 1.1. Data Produksi Netto Pangan Serealia ... 3

Tabel 1.2. Nilai Error Penelitian Sebelumnya ... 3

Tabel 2.3. Data Training ... 22

Tabel 2.4. Data Terkonversi Binary Sigmoid ... 23

Tabel 2.5. Nilai epoch Struktur jaringan dengan fungsi logsig... 24

Tabel 3.6. Data Produksi Netto Pangan Serelia ... 28

Tabel 3.7. Data Prediksi Produksi netto pangan serealia ... 28

Tabel 3.8. Hasil normalisasi data dengan fungsi logsig ... 29

Tabel 3.9. Hasil normalisasi data dengan fungsi tansig ... 30

Tabel 4.10. Perbandingan Hasil Eksperimen ... 50

Tabel 4. 11. Perbandingan Target dengan Output Jaringan ... 52

(13)

xiii

DAFTAR GAMBAR

Halaman

Gambar 2.1. Neuron Y ... 11

Gambar 2. 2. Arsitektur Backpropagation ... 12

Gambar 2.3. Fungsi Binary Sigmoid ... 18

Gambar 2.4. Fungsi Bipolar Sigmoid ... 19

Gambar 2. 5. Kerangka Konsep Pemikiran ... 25

Gambar 3.6. Simulasi Eksperimen ke-1 ... 31

Gambar 3.7. Hasil Simulasi Eksperimen ke-1 ... 31

Gambar 3.29. Hasil Eksperimen ke-12 ... 42

Gambar 3.33. Hasil Eksperimen ke-14 ... 44

Gambar 4.38. Model Prediksi Jumlah Produksi Pangan Serealia ... 51

(14)

Gambar 4.39. Grafik Perbandingan Target dan Output Jaringan ... 53

(15)

1

BAB 1

PENDAHULUAN

1.1. Latar Belakang Penulisan

Berdasarkan data Indeks Pembangunan Manusia (Human Development Index) dari UNDP (United Nations Development Programme) pada tahun 2010 Indonesia menduduki peringkat 108 dari 194 negara (UNDP, 2010). Meskipun Indonesia mengalami pemulihan yang cukup berarti sejak krisis ekonomi tahun 1998, namun masalah kemiskinan, kerawanan pangan dan gizi masih cukup besar dan beragam antar propinsi dan kabupaten. Indonesia sebagai salah satu negara yang ikut menandatangani World Food Summit pada tahun 1996 dan Millenium Declaration pada tahun 2000, terus menerus memperkuat upayanya untuk mencapai tujuan pertama dari Milennium Development Goals (MDG), yaitu menurunkan jumlah penduduk yang tingkat pendapatannya di bawah US$1 per hari dan proporsi penduduk yang menderita kelaparan menjadi setengahnya (Kementrian Pertanian RI, 2009)

Sebagai salah satu kebutuhan dasar manusia, pemenuhan kebutuhan pangan menjadi salah satu hak asasi yang harus dipenuhi secara bersama-sama oleh negara dan masyarakatnya. Hak atas pangan telah diakui secara formal oleh banyak negara di dunia, termasuk Indonesia yang menjadikan pangan sebagai komponen strategis dalam pembangunan nasional. Komitmen ini terdapat dalam Undang-undang No. 7 Tahun 1996 tentang pangan, yang mengamanatkan agar pemerintah bersama masyarakat mewujudkan ketahanan pangan bagi seluruh rakyat Indonesia. Menurut undang-undang tersebut ketahanan pangan adalah kondisi terpenuhinya kebutuhan pangan bagi rumah tangga yang tercermin dari tersedianya pangan secara cukup, baik dalam jumlah maupun mutunya, aman, merata dan terjangkau (Suryana, 2004).

Pada tahun 2009, Kementrian Pertanian menerbitkan Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA). Hal ini dilakukan atas pertimbangan untuk memperjelas pengertian mengenai konsep ketahanan pangan berdasarkan empat dimensi ketahanan pangan, yakni

(16)

ketersediaan pangan, akses terhadap pangan, pemanfaatan pangan dan kerentanan terhadap kerawanan pangan transien, bukan hanya pada situasi kerawanan pangan saja (Kementrian Pertanian RI, 2009).

Makna dari pangan pada penelitian ini mengacu pada Peta Ketahanan Pangan dan Kerentanan Pangan Indonesia yakni karbohidrat yang bersumber dari produksi pangan pokok serealia, yaitu padi, jagung dan umbi-umbian (ubi kayu dan ubi jalar). Dengan alasan karena porsi utama dari kebutuhan kalori harian berasal dari sumber pangan karbohidrat, yaitu sekitar separuh dari kebutuhan energi per orang per hari (Kementrian Pertanian RI, 2009).

Laju pertumbuhan penduduk yang tinggi di Indonesia menjadi tantangan lain yang perlu dihadapi dalam pemenuhan kebutuhan pangan. Menurut prediksi BPS (Badan Pusat Statistik) pada tahun 2015 penduduk Indonesia diperkirakan akan mencapai 247, 6 juta jiwa. Apabila kebutuhan pangan untuk penduduk tidak dapat terpenuhi maka akan mengakibatkan Indonesia menjadi Negara pengimpor pangan yang pada akhirnya berarti ketahanan pangan nasional menjadi semakin rentan karena akan semakin tergantung pada kebijakan negara lain (Suryana, 2004).

Untuk menilai kondisi kerentanan dan ketahanan pangan, diperlukan suatu ukuran yang dapat digunakan sebagai indikator. Dalam hal ini DKP dan BKP sebagai instansi yang memiliki tanggung jawab akan hal tersebut telah menerbitkan Peta Kerentanan dan Ketahanan Pangan Nasional 2009. Pada peta ini, ketersediaan pangan menjadi salah satu indikator penentu ketahanan dan kerentanan pangan. Namun, dari peta yang telah diterbitkan tersebut, tidak dapat diketahui kondisi ketersedian pangan di periode berikutnya.

Padahal sebagai salah satu hak dasar manusia, yang pemenuhannya menjadi suatu keharusan, maka prediksi jumlah produksi netto pangan serealia yang merupakan komponen utama indikator ketersediaan pangan merupakan suatu keniscayaan. Agar ke depannya tidak akan terjadi kerentanan pangan, karena terjadinya kerentanan pangan akan berefek pula pada masalah sosial lainnya.

Dalam situasi seperti itu dibutuhkan suatu cara untuk memprediksi produksi netto pangan serealia pada waktu mendatang secara akurat. Saat ini berbagai macam metode telah dilakukan untuk melakukan prediksi, antara lain dengan

(17)

3

metode statistik dan beberapa metode komputasi seperti fuzzy time series, ANFIS, FNN dan Jaringan Syaraf Tiruan (JST). Penelitian tersebut dilakukan untuk mengatasi permasalahan yang kemungkinan akan terjadi di masa yang akan datang.

Sampai saat ini prediksi produksi netto pangan serealia di Indonesia belum pernah dilakukan. Prediksi-prediksi yang telah dilakukan sebelumnya hanya terbatas pada satu atau dua bahan pangan saja. Seperti penelitian tentang prediksi produksi padi jagung menggunakan estimasi M (Susanti & Pratiwi, 2007).

Ataupun penelitian tentang pemanfaatan Global Circulation Model (GCM) untuk prediksi produksi padi (Sipayung & Sutikno, 2009). Sedangkan penelitian- penelitian yang dilakukan di luar Indonesia pun, hampir sama dengan penelitian di dalam negeri, yakni hanya terbatas pada satu atau dua bahan pangan saja. Selain itu, dari penelitian-penelitian yang telah ada tersebut, hampir semua objek penelitian masih dalam bentuk data produksi bruto. Padahal sebenarnya, data produksi bruto saja tidak bisa menjamin ketersediaan pangan, karena jumlah produksi pangan serealia merupakan hasil pengurangan produksi bruto dengan data benih, data pakan dan data tercecer. Selain itu, prediksi-prediksi yang telah dilakukan tersebut masih kurang akurat.

Tabel 1.1. Data Produksi Netto Pangan Serealia

Tahun Produksi Netto Padi Produksi Netto Jagung

Produksi Netto umbi-umbian

Produksi Netto Pangan Serealia 1970 11.018.096,54 2.489.014,42 3986610,947 17.493.721,91 1980 17.476.927,69 3.516.017,26 4996251,094 25.989.196,05 1990 26.628.500,41 5.932.678,67 5636920,385 38.198.099,47 2000 30.589.349,45 8.525.348,0 5677636,011 44.792.333,48

Tabel 1.2. Nilai Error Penelitian Sebelumnya

No Judul Penelitian Error

1

Forecasting of the Rice Yields Time Series Forecasting using Artificial Neural Network and

Statistical Model(Shabri, Samsudin, & Ismail, 2009)

0,06

2 Wheat Grain Yield Forecasting Models for Food 1,44

(18)

Security in Morocco(Balaghi, 2006)

3

Rice Yield Prediction Using Apparent Electrical Conductivity of Paddy Soils (Ezrin, Amin, Anuar, & Aimrun, 2009; Ezrin, Amin, Anuar, &

Aimrun, 2009)

0,18

4

Box-Jenkins vs. Artificial Neural Networks in Predicting Commodity Prices Forecasting the Export Prices of Thai Rice(Boosarawoongse,

Henry, & Feng, 2007)

0,09

5

The Research on the BP Neural Network in the Food Security Risk Early Warning Applied Under Supply Chain Environment(Xiao, Ma, &

Zhang, 2009)

0,66

6

Forecasting Iran‟s Rice Imports Trend During 2009-2013(Pakravan, Kelasemi, & Alipour,

2010)

0,085

7

Studi Sistem Deteksi Dini Untuk Manajemen Krisis Pangan dengan Simulasi Model Dinamis

dan Komputasi Cerdas(Kudang, Marimin, AndarWulan, Belawati, Herdiyenny, &

Solahudin, 2009)

0,11

Berdasarkan penelitian yang dilakukan oleh Pakravan, Jaringan Syaraf Tiruan menghasilkan akurasi yang tinggi dalam peramalan. Selain itu, Jing Xiao, Zhongsu Ma, Dongjie Zhang menyatakan pula bahwa Jaringan Syaraf Tiruan dengan metode Backpropagation layak digunakan untuk prediksi (Xiao, Ma, &

Zhang, 2009).

Jaringan Syaraf Tiruan (JST) merupakan sistem komputasi yang diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia (Kusumadewi, 2003). JST adalah struktur pemetaan non-linear berdasarkan fungsi otak manusia yang handal, terutama pada data yang dasar hubungannya tidak diketahui. JST dapat mengidentifikasi dan mempelajari korelasi pola diantara data input dan menyesuaikan dengan nilai target. JST meniru kemampuan belajar otak manusia serta dapat memproses masalah yang melibatkan data yang non-linear dan kompleks (Jha, 2007)

(19)

5

Berdasarkan kenyataan-kenyataan yang telah dipaparkan di atas, dalam penelitian ini berusaha melakukan prediksi tidak hanya terbatas pada satu atau beberapa bahan pangan saja. Namun penelitian ini berupaya untuk menghasilkan suatu model prediksi yang akurat tentang produksi netto pangan serealia berbasis Jaringan Syaraf Tiruan.

1.2. Rumusan Masalah

Berdasarkan latar belakang masalah yang telah dipaparkan, maka permasalahan yang diangkat adalah belum adanya model prediksi produksi netto pangan serealia yang akurat di Indonesia. Selain itu penelitian ini berusaha menjawab pertanyaan bagaimana konsep Jaringan Syaraf Tiruan dapat menghasilkan suatu model prediksi yang akurat.

1.3. Tujuan dan Manfaat Penelitian

Tujuan penelitian ini adalah membangun model prediksi produksi netto pangan serealia yang akurat berbasis jaringan syaraf tiruan.

Manfaat dari penelitian ini adalah:

a. Manfaat praktis dari hasil penelitian ini diharapkan dapat digunakan oleh staff Badan Ketahanan Pangan untuk prediksi produksi netto pangan serealia.

b. Manfaat teoritis dari hasil penelitian ini diharapkan dapat memberikan sumbangan penelitian tentang prediksi dengan Jaringan Syaraf Tiruan.

c. Manfaat kebijakan dari hasil penelitian ini dapat dilakukan sebagai bahan pertimbangan bagi Badan Ketahanan untuk melakukan prediksi produksi netto pangan serealia guna mensukseskan ketahanan pangan nasional.

1.4. Ruang Lingkup Penelitian

Untuk mendapatkan hasil penelitian yang terarah maka perlu ada pembatasan masalah yang akan dibahas, karena sebelumnya belum pernah dilakukan penelitian prediksi produksi netto pangan serealia serta keterbatasan data dalam melakukan pelatihan Jaringan Syaraf Tiruan, maka pembatasan masalah dalam penelitian ini adalah:

(20)

a. Data jumlah produksi netto pangan serealia adalah data runtun waktu (time series) dari tahun 1970 hingga 2010 yang diperoleh dari Pusat Data dan Informasi Kementrian Pertanian Republik Indonesia.

b. Metode yang digunakan adalah Jaringan Syaraf Tiruan Backpropagation.

Penelitian ini hanya terbatas pada pengkajian konsep jaringan syaraf tiruan dan penggunaannya untuk kasus prediksi produksi netto pangan serealia di Indonesia.

1.5. Sistematika Penulisan Bab 1 : Pendahuluan.

Membahas latar belakang penulisan, masalah prediksi jumlah produksi netto pangan serealia, pemecahan masalah, tujuan penelitian, manfaat penelitian dan ruang lingkup penelitian.

Bab 2 : Landasan Teori

Membahas tentang teori yang melandasi penelitian, yaitu jaringan syaraf tiruan, backpropagation, time series dan pangan serealia.

Studi kasus disajikan sebagai contoh prediksi dengan jaringan syaraf tiruan.

Bab 3 : Metode Penelitian

Membahas jenis penelitian dan tahapan penelitian, yang di dalamnya juga dibahas tentang eksperimen-eksperimen untuk menghasilkan model prediksi yang optimal dan akurat.

Bab 4 : Hasil dan pembahasan

Menampilkan analisa hasil eksperimen dan pengujian keakuratan serta keoptimalan atas tiap model arsitektur yang terbentuk saat eksperimen.

Bab 5 : Penutup

Membahas kesimpulan dari penelitian dan saran untuk penelitian selanjutnya.

(21)

7

BAB 2

LANDASAN/KERANGKA PEMIKIRAN

2.1. Tinjauan Studi

Berikut ini adalah beberapa penelitian terdahulu yang terkait dengan prediksi produksi netto serealia dan Jaringan Syaraf Tiruan:

1. Penelitian yang dilakukan oleh Kudang, et.al, didapatkan hasil bahwa dinamisnya faktor penentu krisis pangan memerlukan suatu perumusan kebijakan penghindaran dan penanggulangan krisis. Penelitian ini menggunakan jaringan syaraf tiruan (JST) dengan 167 data pelatihan. Akurasi sistem dalam mendeteksi level krisis pangan adalah 96,9 % dengan tingkat error (MSE) sebesar 0,1 (Kudang, Marimin, AndarWulan, Belawati, Herdiyenny, & Solahudin, 2009).

2. Penelitian yang dilakukan oleh Pakravan, et.al, mengangkat masalah tentang nilai impor beras di Iran yang meningkat hampir 30 % pada tahun 2008, hal ini menjadikan Iran sebagai salah satu negara pengimpor beras terbesar.

Kebijakan yang tepat adalah meningkatkan produksi beras dalam negeri, untuk itu salah satu hal yang diperlukan adalah prediksi status impor pada tahun-tahun berikutnya. Metode yang digunakan adalah jaringan syaraf dan ARIMA, dengan hasil yang ditunjukan oleh jaringan syaraf tiruan lebih baik dibandingkan dengan ARIMA, yakni dengan error sebesar 0,0085. Peramalan pada tahun-tahun mendatang menunjukan tingkat impor beras yang semakin tinggi selama tahun 2009 hingga 2013 (Pakravan, Kelasemi, & Alipour, 2010).

3. Penelitian yang dilakukan oleh Xiao, et.al, mengangkat masalah perkembangan internasionalisasi industri makanan dan lemahnya kontrol terhadap kuantitas dan kualitas bahan pangan yang menjadikan pendeteksian dini kerentanan pangan menjadi tujuan global bagi setiap pelaku industri makanan. Untuk itu dilakukan penelitian menggunakan jaringan syaraf tiruan dengan minyak kedelai sebagai objek penelitian dengan tingkat error 0,66.

(22)

Hasilnya adalah sebuah sistem peringatan dini dalam proses oksidasi minyak kedelai, sehingga kualitas minyak kedelai yang buruk dapat dihindarkan (Xiao, Ma, & Zhang, 2009).

4. Penelitian yang dilakukan oleh Ezrin, et.al, membahas masalah hubungan antara hasil panen dengan sifat tanah seperti konduktivitas elektrik (ECA) sangat diperlukan dalam penentuan presisi lahan pertanian yang berdampak pada hasil panen. Tiga buah metode digunakan dalam prediksi hasil panen berdasarkan ECA, yakni Stepwise Linear Regression (SLR), Boundary Line Analysis (BLA) dan Jaringan Syaraf Tiruan (JST). Hasilnya prediksi dengan jaringan syaraf tiruan lebih baik daripada dua metode lainnya, yakni dengan error 0,18 (Ezrin, Amin, Anuar, & Aimrun, 2009).

5. Penelitian yang dilakukan oleh Saad, et al, membahas masalah beras sebagai tanaman pangan yang paling penting di dunia dan merupakan sumber utama makanan bagi lebih dari setengah populasi dunia. Hampir 90% beras yang diproduksi dan dikonsumsi di Asia, dan 96% di negara berkembang. Di Malaysia hampir 30 % pemenuhan kebutuhan beras berasal dari beras impor.

Padahal swasembada beras nasional sudah menjadi wacana strategis pemerintah. Untuk mensukseskan wacana tersebut, diperlukan suatu sistem prediksi hasil panen, dalam hal ini menggunakan jaringan syaraf tiruan dengan metode backpropagation dan radial basis network. Hasilnya performa dari radial basis network lebih baik dari backpropagation dalam hal waktu pelatihan, akurasi dan jumlah neuron lapisan tersembunyi (Saad, et al., 2004).

2.2. Tinjauan Pustaka

2.2.1. Produksi Netto Pangan Serealia

Pengertian Ketahanan Pangan berdasarkan Undang-undang no. 7 tahun 1996 dan PP No. 68 Tahun 2002 tentang Ketahanan Pangan adalah Kondisi terpenuhinya kebutuhan pangan rumah tangga yang tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman, merata dan terjangkau (Kementrian Pertanian RI, 2009).

Pangan meliputi produk serealia, kacang-kacangan, minyak nabati, sayur- sayuran, buah-buahan, rempah, gula dan produk hewani. Karena porsi utama dari

(23)

9

kebutuhan kalori harian berasal dari sumber pangan karbohidrat, yaitu sekitar separuh dari kebutuhan energi per orang per hari, maka yang digunakan dalam penelitian ini yaitu karbohidrat yang bersumber dari produksi pangan pokok serealia, yaitu padi, jagung dan umbi-umbian (ubi kayu dan ubi jalar) yang digunakan untuk memahami tingkat kecukupan pangan (Kementrian Pertanian RI, 2009).

Beberapa formula yang digunakan dalam menentukan jumlah produksi netto pangan serealia (Pfood), adalah:

1. Padi

Produksi netto padi (Rnet) adalah produksi bruto padi (P) dikurangi dengan data benih (s), pakan ternak (f) dan tercecer (w).

( ) (2.1)

( ) (2.2)

( ) (2.3)

( ( ) (2.4)

2. Jagung

Produksi netto jagung (Mnet) adalah produksi bruto jagung (M) dikurangi dengan data benih (s), pakan ternak (f) dan tercecer (w).

( ) (2.5)

( ) (2.6)

( ) (2.7)

( ) (2.8)

3. Umbi-umbian 1) Ubi Kayu

(24)

Produksi netto Ubi Kayu (Cnet) adalah produksi bruto Ubi Kayu (C) dikurangi dengan pakan ternak (f) dan tercecer (w).

( ) (2.9)

( ) (2.10)

( ) (2.11)

2) Ubi Jalar

Produksi netto Ubi Jalar (SPnet) adalah produksi bruto Ubi Jalar (SP) dikurangi dengan pakan ternak (f) dan tercecer (w).

( ) (2.12)

( ) (2.13)

( ) (2.14)

3) Produksi Bersih Rata-rata Ubi Jalar dan Ubi Kayu

Untuk produksi bersih rata-rata ubi kayu dan ubi jalar (Tnet) agar setara dengan beras, maka harus dikalikan dengan 1/3 (1 kg beras atau jagung ekivalen dengan 3 kg ubi kayu dan ubi jalar dalam hal nilai kalori.

( ) (2.15)

4. Produksi Netto Pangan Serealia

(2.16)

2.2.2. Jaringan Syaraf Tiruan

Jaringan syaraf tiruan adalah sebuah arsitektur paralel terdistribusi dengan banyak node dan connection. Tiap connection (hubungan) menghubungkan sebuah node ke node lainnya, dan tiap connection mempunyai nilai bobot (Fu, 1994).

(25)

11

Jaringan Syaraf Tiruan telah digeneralisasi sebagai model matematik dari kondisi manusia, dengan didasarkan pada asumsi-asumsi sebagai berikut (Fausett, 1994):

1. Pemrosesan informasi terjadi pada banyak elemen-elemen sederhana yang disebut dengan neurons.

2. Sinyal-sinyal dikirim antar neuron melalui connection-links

3. Setiap connection-links mempunyai bobot yang sesuai, tergantung tipe jaringan neural.

4. Setiap neuron memiliki activation function (biasanya non linier) yang merupakan jumlahan dari sinyal-sinyal input untuk menentukan sinyal output.

Jaringan syaraf tiruan dibedakan oleh:

1. Pola koneksi antar neuron (disebut dengan arsitektur)

2. Metode penentuan bobot pada koneksi-koneksi (disebut dengan training, learning atau algoritma)

3. Fungsi aktivasi

Y menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan masing-masing adalah w1, w2 dan w3. Ketiga impuls neuron yang ada dijumlahkan.

(2.17)

Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan (Siang, 2009).

X

Y

W 1 W

W

Gambar 2.1. Neuron Y

(26)

A. Backpropagation

Backpropagation merupakan sebuah metode sistematik untuk pelatihan multilayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif, selain itu algoritma ini memiliki bentuk persamaan dan nilai koefisien dengan cara meminimalisasi jumlah kuadrat galat error melalui training set (Fausett, 1994).

1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar

2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target

3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses

4. Propagasi balik kesalaahn-kesalaahn ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.

5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan elemen pemroses yang terhubung.

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi.

Gambar 2. 2. Arsitektur Backpropagation Keterangan:

X = Masukan (Input)

(27)

13

J = 1 s.d n (n=10)

V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran

n = Jumlah unit pengolah pada lapisan tersembunyi b = Bias pada lapisan tersembunyi dan lapisan keluaran k = Jumlah unit pengolah pada lapisan keluaran

Y = Keluaran hasil

Algoritma Backpropagation (BP) merupakan pengembangan dari algoritma least men square yang dapat digunakan untuk melatih jaringan dengan beberapa layer. BP menggunakan pendekatan algoritma steepest descent. Algoritma ini menggunakan performance index dalam bentuk mean square error (MSE). Untuk melatih jaringan diperlukan seperangkat data seperti berikut:

* + * + * + (2.18)

Dimana pn adalah input ke-n jaringan dan tn adalah target, yaitu nilai output yang seharusnya dihasilkan. Untuk setiap input yang masuk ke jaringan, output akan dibandingkan dengan target. Algoritma ini akan mengatur parameter jaringan untuk meminimalkan MSE, yaitu:

( ) ( ) ,( ) - (2.19)

Dimana x, e, t dan a merupakan vektor bobot dan bias, vektor error, vektor target dan vektor output. Jika jaringan mempunyai beberapa output maka persamaan di atas dapat dikembangkan menjadi:

( ) , - ,(( ) ( )- (2.20)

Mean Square Error didekati dengan:

( ) ( ) ( ) (2.21)

Fase pertama dari pelatihan backpropagation adalah fase perambatan maju yakni pola masukan dihitung maju mulai dari layar masukan hingga layar

(28)

keluaran menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase perambatan mundur, yakni dengan menghitung selisih antara keluaran jaringan dengan target yang diinginkan yang hasilnya disebut kesalahan (error). Kesalahan ini dipropagasi mundur, dimulai dari garis-garis yang berhubungan langsung dengan garis-garis yang berhubungan dengan unit-unit di layar keluaran. Fase terakhir adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi (Siang, 2009).

Selama perambatan maju, tiap unit masukan (xi) meneruskan sebuah sinyal input ke tiap-tiap lapisan tersembunyi z1, ...,zp. Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya untuk membentuk respon pada jaringan sebagai pola masukan.

Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan unit yang digunakan. Berdasarkan kesalahan ini, faktor δk(k = 1,..,m)dihitung. δkdigunakakan untuk menyebarkan kesalahan pada unit keluaran ykkembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke yk). Selain itu digunakan juga untuk memperbaharui bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,....,p) dihitung untuk tiap unit tersembunyi zj. Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi δj digunakan untuk memperbaharui bobot antara lapisan tersembunyi dan lapisan masukan.

Setelah seluruh faktor δk ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot wjk (dari unit tersembunyi z_j ke unit keluaran y_k) didasarkan pada faktor δk dan aktivasi z_h dari unit tersembunyi z_j. Didasarkan pada faktor δk dan aktivasi x_i unit masukan. Prosedur selengkapnya adalah:

Langkah 0 : inisialisasi bobot (sebaiknya diatur pada nilai acak yang kecil) Langkah 1 : jika kondisi tercapai, lakukan langkah 2-9

Langkah 2 : untuk setiap pasangan pelatihan, lakukan langkah 3-8 Fase I, Perambatan Maju:

(29)

15

Langkah 3 : Tiap unit masukan (xi, i = 1,…, n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi).

Langkah 4 : Setiap unit tersembunyi (xi, i = 1,..., p) jumlahkan bobot sinyal masukannya,

∑ (2.22)

v_oj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f(z_inj), dan kirimkan sinyal ini ke seluruh unit pada lapisan di atasnya (unit keluaran)

Langkah 5 : Tiap unit keluaran (y_k, k = 1,..., m) jumlahkan bobot sinyal masukannya

∑ (2.23)

wok= bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya,

yk = f(y_ink) (2.24)

Fase II, Perambatan Mundur:

Langkah 6 : Tiap unit keluaran (yk, k = 1, ..., m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,

( ) ( ) (2.25)

Hitung koreksi bobotnya (digunakan untuk memperbaharui wj_k),

(2.26)

Hitung koreksi biasnya (digunakan untuk memperbaharui w_ok) dan dikirimkan ke unit-unit pada lapisan bawahnya

(30)

Langkah 7 : setiap unit lapisan tersembunyi (zj, j = 1,..., p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan di atasnya)

∑ (2.27)

Kalikan dengan turunan fungsi aktivasinya untuk menghitung kesalahannya (error)

( ) (2.28)

Hitung koreksi bobotnya (digunakan untuk memperbaharui ) Langkah 8 : Tiap unit keluaran (yk, k = 1,..., m) update bias dan bobotnya

(j=0,..., p)

( ) ( ) (2.29) Langkah 9 : Test kondisi berhenti

Prosedur Pengujian:

Setelah pelatihan, jaringan syaraf backpropagation diaplikasikan dengan hanya mengguankan tahap perambatan maju dari algoritma pelatihan.

Langkah 0 : inisialisasi bobot (dari algoritma pelatihan)

Langkah 1 : untuk tiap vektor masukan, lakukan langkah 2 – 4 Langkah 2 : for i = 1, ..., n ; atur aktivasi masukan xi

Langkah 3 : for j = 1,..., p:

∑ (2.30)

( ) (2.31)

Langkah 4 : for k = 1,..., m :

∑ (2.32) ( )

(31)

17

Langkah 5 : jika y_k 0,5 maka yk= 1, elsey_k= 0

Secara ringkas penyelesaian kasus dengan Jaringan Syaraf Tiruan Backpropagation, memiliki langkah-langkah sebagai berikut:

1. Forward Propagation

Menyalurkan input ke dalam jaringan dan tiap layer akan mengeluarkan output. Output dari satu layer akan menjadi input untuk layer berikutnya.

2. Backward Propagation

Menghitung nilai sensitivitas untuk tiap layer. Dimana, sensitivitas untuk layer m dihitung dari sensitivitas pada layer m+1 sehingga perhitungan sensitivitas ini berjalan mundur.

3. Weight Update

Menyesuaikan nilai parameter bobot (W) dan bias (b) dengan menggunakan pendekatan stepest descent. Pada langkah ini digunakan variasi backpropagation, untuk menghilangkan bahaya osilasi yang dapat mengakibatkan nilai minimum global tidak tercapai. Variasi yang dimaksud, adalah:

a. Momentum

Metode ini berguna untuk menghaluskan osilasi yang terjadi. Filter momentum ini akan ditambahkan pada persamaan weight matrix dan bias.

b. Variable Learning Rate

Metode ini digunakan untuk menaikkan learning rate bila menjumpai permukaan yang datar dan kemudian menurunkan learning rate bila terjadi peningkatan slope.

B. Fungsi Aktivasi

Fungsi aktivasi adalah suatu fungsiyang digunakan dalam jaringan syaraf tiruan untuk mengkonversi bobot-bobot dari setiap neuron berdasarkan suatu input aktivasi tertentu. Beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan antara lain fungsi Threshold, fungsi Linear, fungsi Gaussian dan fungsi Sigmoid.

(32)

Fungsi aktivasi yang digunakan dalam jaringan backpropagation harus memiliki beberapa karakteristik penting seperti: fungsi harus bersifat kontinyu, terdefernsial dan tidak menurun secara monoton. Selain itu agar perhitungannya lebih efisien, turunan dari fungsi aktivasi ini harus mudah dihitung. Fungsi aktivasi yang memenuhi kriteria tersebut dan sering digunakan adalah fungsi binary sigmoid dan fungsi bipolar sigmoid.

Fungsi binary sigmoid atau biasa disebut dengan logsig mempunyai nilai jangkauan antara nol dan satu atau (0,1) serta dapat didefinisikan dengan rumus berikut:

( ) (2.34)

Dengan fungsi turunannya adalah:

( ) ( )( ( )) (2.35)

Gambar 2.3. Fungsi Binary Sigmoid

Fungsi aktivasi lainnya yang sering digunakan dalam jaringan backpropagation adalah fungsi bipolar sigmoidatau biasa disebut sebagai fungsi tansig, yang mempunyai jangkauan nilai antara -1 dan 1 atau (-1, 1). Rumus fungsi ini adalah:

( ) (2.36)

Dengan fungsi turunannya:

(33)

19

( ) , ( )-, ( )- (2.37)

Gambar 2.4. Fungsi Bipolar Sigmoid

C. Algoritma Pelatihan

Pada dasarnya, algoritma pelatihan backpropagation akan menggerakkan bobot dengan arah gradien negatif, yakni memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi kinerja menjadi turun dengan cepat (gradient descent) (Kusumadewi, 2004). Fungsi pembelajaran yang digunakan pada penelitian ini adalah: traingd, traingdm dan trainrp.

Traingd adalah fungsi pelatihan yang melakukan update terhadap bobot dan bias tergantung pada penurunan gradiennya. Sedangkan Traingdm merupakan fungsi pelatihan untuk bobot-bobot dengan menggunakan nilai momentum yakni konstanta yang mempengaruhi besarnya perubahan bobot.

Tarinrp (Resilient Backpropagation) dapat memperkecil efek turunan parsial pada jaringan syaraf tiruan backpropagation dengan cara menggunakan tanda turunan yang mempengaruhi bobot. Pada trainrp, besarnya perubahan setiap bobot ditentukan oleh suatu faktor yang disebut faktor naik (fn) atau faktor turun (ft).

Jika gradien error berubah tanda dari epochs satu ke epochs berikutnya, bobot diturunkan sejumlah ft. Sedangkan bila gradien error bertanda sama dengan epochs sebelumnya maka akan dinaikkan sejumlah fn. Bila gradien error bernilai nol, maka nilai bobot tetap dari epochs sebelumnya.

(34)

2.2.3. Time Series

Time series adalah himpunan nilai-nilai hasil pengamatan berdasarkan periode waktu dan disusun untuk melihat pengaruh perubahan dalam rentang waktu tertentu. Sedangkan data time series merupakan data yagn dikumpulkan, dicatat atau diobservasi secara berurutan. Periode observasi dapat berupa tahun, bulan, minggu dan untuk beberapa kasus ada pula periode dalam hari ataupun jam(Box & Jenkins, 1976).

Prediksi data time series adalah pendugaan data yang akan datang yang dilakukan berdasarkan nilai data masa lalu dari suatu variabel. Tujuannya adalah menemukan pola dalam deret data historis dan menggunakan pola tersebut untuk prediksi data yang akan datang. Prediksi data dapat diterapkan bila terdapat tiga kondisi berikut:

a. Tersedia informasi tentang masa lalu

b. Informasi dapat dikuantitatifkan dalam bentuk data numerik

c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa datang (Makridakis, Wheelwright, & Hyndmand, 1998)

2.2.4. Metode Evaluasi Performa Prediksi

Beberapa hal yang menjadi pertanyaan setelah didapatkannya hasil prediksi adalah apakah hasil prediksi ini akurat dan apakah model prediksi yang dihasilkan sudah optimal. Untuk menjawab pertanyaan tersebut, terdapat beberapa metode untuk mengukur performa dari hasil suatu prediksi dalam bentuk perhitungan kesalahan.

Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik sehingga jika dibandingkan dengan pola yang baru akan mudah dikenali. Kesalahan pada keluaran jaringan merupakan selisih antara keluaran sebenarnya dan target.

A. Sum Square Error (SSE) Perhitungannya adalah:

1. Hitung keluaran jaringan syaraf untuk masukan pertama

2. Hitung selisih antara nilai keluaran jaringan syaraf dan nilai target 3. Kuadratkan setiap keluaran kemudian hitung seluruhnya.

(35)

21

∑( ( )) (2.38)

B. Mean Square Error (MSE) Perhitungannya adalah:

1. Hitung SSE

2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran

(2.39)

C. Root Mean Square Error (RMSE) Perhitungannya adalah:

1. Hitung SSE

2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran, kemudian diakarkan.

√ (2.40)

N = Banyaknya data pada pelatihan K = Banyaknya Keluaran

Jaringan yang telah optimal akan digunakan untuk simulasi terhadap data yang telah disiapkan untuk pengujian. Kinerja dari suatu jaringan syaraf tiruan setelah dilakukan suatu pelatihan dapat diukur dengan melihat errorhasil pelatihan, validasi dan testing terhadap sekumpulan data input baru. Salah satu cara yang dapat digunakan untuk evaluasi ini adalah menggunakan analisis regresi terhadap respon jaringan dan target yang diharapkan. Matlab menyediakan fungsi postreg untuk melakukan evaluasi ini.

, - ( ) a= output jaringan

t = target

(36)

m : hasil dari fungsi ini adalah gradien garis hasil regresi linier. Apabila output jaringan tepat sama dengan targetnya, maka gradien ini akan bernilai 1.

b : titik perpotongan dengan sumbu y. Apabila output jaringan tepat sama dengan targetnya, maka perpotongan dengan sumbu y ini akan bernilai 0.

R : koefisien korelasi antara output jaringan dan target. Apabila output jaringan tepat sama dengan targetnya, maka koefisien korelasi ini akan bernilai 1.

2.2.5. Studi Kasus Prediksi dengan Jaringan Syaraf Tiruan

Prediksi dengan menggunakan jaringan syaraf tiruan telah dilakukan oleh begitu banyak peneliti, pada bagian ini akan memaparkan salah satu penelitian yang telah dilakukan oleh Suharjito, yakni prediksi harga CPO Belawan. Data yang digunakan adalah data harga CPO bulanan dari tahun 1999 sampai bulan Juni 2008. Langkah-langkah yang dilakukan adalah:

1. Menentukan jumlah input dan output sistem peramalan, dalam kasus ini inputyang digunakan sebanyak 12 variabel untuk memprediksi satu harga sebagai variabel output.

Tabel 2.3. Data Training

2. Menentukan fungsi aktivasi yang digunakan, dalam hal ini menggunakan fungsi aktivasi binary sigmoid (logsig) dan bipolar sigmoid (tansig)

3. Normalisasi data input dan data testing sesuai dengan fungsi aktivasi yang digunakan. Jika menggunakan fungsi binary sigmoid (logsig), maka data harus dikonversi sedemikian sehingga berada dalam range 0 sampai 1, fungsi konversinya adalah:

( )

( ) (2.41)

Dimana Min adalah nilai minimum data dan Max adalah nilai maksimum data.

Sedangkan jika fungsi aktivasi yang digunakan adalah fungsi bipolar sigmoid,

(37)

23

maka data harus dikonversi agar data berada dalam range -1 sampai 1, dengan fungsi konversi sebagai berikut:

(2.42)

Dimana Average adalah nilai rata-rata dari data dan x adalah data input sistem.

Tabel 2.4. Data Terkonversi Binary Sigmoid

4. Menentukan data training dan data testing, data yang diperoleh disusun menjadi data sistem dengan 12 variabel input dan satu variabel output. Dari penyusunan data tersebut diperoleh 66 pasang data input dan output, kemudian data tersebut dibagi menjadi dua bagian yaitu data nomor ganjil sebagai data training dan nomor genap sebagai data testing.

5. Merancang struktur jaringan yang efektif dengan mencari jumlah layer tersembunyi dan neuronnya. Untuk mencari jumlah layer tersembunyi dan neuronnya dilakukan dengan cara trial and error dari jumlah layer dengan neuron kecil kemudian melakukan training jaringan dengan nilai epoch 7000 dan MSE = 0,00001. Jika struktur tersebut belum mencapai nilai MSE yang diharapkan, maka jumlah neuron pada layer tersembunyi ditambah satu, kemudian dilakukan training lagi untuk menghitung nilai MSE sampai memberikan nilai yang dikehendaki. Setiap struktur tersebut dilakukan percobaan sebanyak 30 kali, kemudian dihitung nilai epoch dan MSE. Struktur yang terpilih adalah struktur dengan nilai rata-rata epoch minimum dan tingkat pencapaian nilai MSE terbanyak.

Untuk mencari struktur jaringan yang optimal digunakan software Matlab, dengan perintah:

for n = 1:30

net = newff(minmax(p),[2,1],{„logsig‟,‟logsig‟});

(38)

net.trainParam.show = 100;

net.trainParam.epochs = 70000;

net.trainParam.goal = 1e-5;

[net,tr]=train(net,p,t);

y = sim(net,p);

yTest = sim(net,test);

exp2(n) = sim(net,dat);

end

keterangan:

p = matrik input data training test = matrik data testing t = matrik output

Kemudian dilakukan modifikasi jumlah neuron tersembunyi, sehingga diperoleh hasil struktur jaringan berdasarkan nilai epoch dan output sebagai berikut:

Tabel 2.5. Nilai epoch Struktur jaringan dengan fungsi logsig

6. Struktur terpilih kemudian digunakan untuk menghitung atau memprediksi hara input data terakhir. Proses perhitungan ini dilakukan sebanyak 30 kali, karena setiap perhitungan akan menghasilkan data output yang berbeda akibat dari sifat random dalam penentuan bobot awal jaringan dalam Matlab. Oleh karena itu data hasil prediksi akhir adalah nilai rata-rata dari 30 hasil perhitungan prediksi dari struktur jaringan yang terpilih.

7. Hasil akhir dibandingkan berdasarkan jumlah neuron dan tingkat kesalahan prediksi untuk memilih struktur yang tepat.

(39)

25

struktur jaringan [12-8-1],. Sehingga struktur ini yang terpilih untuk prediksi harga CPO-Belawan. Nilai prediksi untuk struktur tersebut jika dikonversikan menjadi nilai sebenarnya adalah 1142 US$/ton.

2.3. Kerangka Konsep Pemikiran

Gambar 2. 5. Kerangka Konsep Pemikiran

A. Problems

Permasalahan dari penelitian ini adalah belum adanya model prediksi produksi netto pangan serealia yang akurat di Indonesia. Prediksi-prediksi yang telah dilakukan hanya terbatas pada satu jenis bangan pangan saja.

B. Approach

Metode yang digunakan adalah Jaringan syaraf tiruan dengan algoritma backpropagation.

C. Development

Dalam proses penelitian ini, menggunakan Matlab 7.0 .

(40)

D. Implementation

Diharapkan hasil penelitian ini dapat bermanfaat dan diterapkan pada data Ketahanan pangan di Badan Ketahanan Pangan, untuk memprediksi produksi netto pangan serealia sebagai salah satu aspek penentu ketersediaan pangan nasional

E. Measurement

Keakuratan dan optimal atau tidaknya hasil prediksi ini, ditentukan oleh nilai Root Mean Square Error (RMSE). Dimana, semakin kecil RMSE maka semakin akurat prediksi yang dihasilkan.

F. Result

Hasil yang diharapkan adalah sebuah model prediksi yang optimal yang akan menghasilkan nilai prediksi yang akurat.

(41)

27

BAB 3

METODOLOGI PENELITIAN

3.1. Jenis Penelitian

Penelitian ini merupakan penelitian eksperimen, yakni penelitian yang berfokus pada penyelidikan beberapa variabel dan cara variabel-variabel tersebut dapat terpengaruh oleh suatu kondisi tertentu. Biasanya penelitian eksperimen digunakan untuk memverifikasi hipotesis yang sudah dirumuskan sebelumnya (Berndtsson, 2008). Dalam penelitian ini dilakukan penerapan Jaringan Syaraf Tiruan untuk prediksi produksi netto pangan serealia.

Terdapat dua tipe data dalam suatu penelitian, yakni data primer dan data sekunder. Data primer adalah data yang diambil langsung dari obyek penelitian atau merupakan data yang diperoleh dari sumber asli. Pencarian data primer bisa dilakukan dengan cara wawancara langsung dengan responden melalui telepon, email dan sebagainya. Sedangkan data sekunder adalah data yang tidak diperoleh langsung dari objek penelitian, namun berasal dari data yang telah dikumpulkan sebelumnya oleh pihak lain (Hasibuan, 2007).

Data sekunder yang digunakan dalam penelitian ini yaitu data produksi bruto padi, jagung, ubi jalar dan ubi kayu sejak tahun 1970 hingga 2010 yang diolah dengan formula tertentu untuk menghasilkan data produksi netto pangan serealia. Data ini peroleh dari Pusat Data dan Informasi (PUSDATIN) Kementrian Pertanian. Sedangkan data primer yang gunakan adalah data hasil pengolahan dengan Matlab yang akan dibandingakan dengan data aktual.

3.2. Tahapan Penelitian

Penelitian ini dilakukan melalui lima tahap, yaitu pengumpulan data, pengolahan data, pemodelan, validasi dan evaluasi.

1. Pengumpulan Data

Tahap ini dilakukan untuk mendapatkan data serta formulasi yang sudah tersedia.