Optimasi Particle Swarm Optimization Pada Peningkatan Prediksi dengan Metode Backpropagation Menggunakan Software RapidMiner

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

**Optimasi Particle Swarm Optimization Pada Peningkatan Prediksi dengan Metode Backpropagation Menggunakan Software RapidMiner**

Khairunnissa Fanny Irnanda^*, Agus Perdana Windarto, Irfan Sudahri Damanik Sistem Informasi, STIKOM Tunas Bangsa, Pematangsiantar

Jalan Kartini, Proklamasi, Kota Pematang Siantar, Sumatera Utara, Indonesia Email: ¹[email protected], ²[email protected] Submitted 16-02-2022; Accepted 25-02-2022; Published 25-02-2022

Abstrak

Backpropagation merupakan salah satu metode Jaringan Saraf Tiruan yang cukup handal dalam memecahkan permasalahan prediksi(peramalan). Namun pada penerapannya algoritma ini masih memiliki kelemahan diantaranya melakukan optimasi bobot jaringan saraf tiruan untuk menghindari terjadinya lokal minimum, masalah waktu pelatihan yang lama untuk mencapai konvergen dan proses penentuan parameter (learning rate dan momentum) yang tepat dalam proses pelatihan. Tujuan dari penelitian ini adalah untuk mengatasi masalah tersebut dengan menggunakan Particle Swarm Optimization (PSO) yang merupakan algoritma optimasi yang sederhana dan handal untuk menyelesaikan permasalahan optimisasi. Sumber data diperoleh dari situs sumut.bps.go.id. Model arsitektur jaringan yang digunakan pada penelitian ini ada 5 arsitektur, antara lain 2-5-1, 2-7-1, 2-9-1, 2-11-1 dan 2-13-1. Hasil uji coba yang dilakukan dengan software Rapid Miner model arsitektur terbaik adalah model 2-9-1 dengan jumlah RMSE 0.056 +/- 0.000 dalam implementasi Backpropagation, sedangkan dalam implementasi Backpropagation + particle swarm optimization jumlah RMSE 0.055 +/- 0.000. Semakin kecil RMSE (Root Mean Squared Error) maka semakin baik model tersebut.

Kata Kunci: Backpropagation, Jaringan Saraf Tiruan, Particle Swarm Optimization RapidMiner, Root Mean Square Error (RMSE) Abstract

Backpropagation is a method of Artificial Neural Networks that is quite reliable in solving prediction problems (forecasting). However, in its application, this algorithm still has weaknesses such as optimizing the artificial neural network weights to avoid local minimums, the problem of long training times to achieve convergence and the process of determining the right parameters (learning rate and momentum) in the training process. The purpose of this research is to solve this problem by using Particle Swarm Optimization (PSO) which is a simple and reliable optimization algorithm to solve optimization problems. The data source is obtained from the site sumut.bps.go.id. There are 5 network architecture models used in this study, including 2-5-1, 2-7-1, 2-9-1, 2-11-1 and 2-13-1. The results of trials conducted with Rapid Miner software, the best architectural model is the 2-9-1 model with a total RMSE of 0.056 +/- 0.000 in the implementation of Backpropagation, while in the implementation of Backpropagation + particle swarm optimization the amount of RMSE is 0.055 +/- 0.000. The smaller the RMSE (Root Mean Squared Error), the better the model.

Keywords: Backpropagation, Artificial Neural Networks, Particle Swarm Optimization, RapidMiner, Root Mean Square Error (RMSE)

1. PENDAHULUAN

Analisis pada sebuah prediksi (peramalan) sangat penting dilakukan pada sebuah penelitian, agar penelitian menjadi lebih tepat dan terarah. Prediksi merupakan suatu proses dalam memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi pada masa yang akan datang berdasarkan data masa lalu dan sekarang, agar munculnya kesalahan atau selisih antara sesuatu yang mungkin terjadi dengan hasil yang perkiraan dapat diperkecil [1]. Prediksi bukanlah memberikan jawaban secara pasti dari kejadian yang akan terjadi, akan tetapi berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi. Salah satu bagian dari kecerdasan buatan yang dapat digunakan dalam sistem prediksi atau peramalan adalah jaringan Saraf tiruan (artificial neural network) [2].

Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia [3]. Metode jaringan Saraf tiruan yang sering digunakan untuk prediksi (peramalan) yaitu metode Backpropagation. Backpropagation merupakan salah satu metode Jaringan Saraf Tiruan (Artificial Neural Network), yang cukup handal dalam memecahkan masalah [4]. Ciri khas Backpropagation melibatkan 3 lapisan (layer) utama : lapisan input, dimana data diperkenalkan ke jaringan; hidden layer, dimana data diproses; dan lapisan output, di mana hasil dari masukan yang diberikan oleh lapisan input [5].

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Namun pada penerapannya algoritma ini masih memiliki kelemahan diantaranya melakukan optimasi bobot jaringan saraf tiruan untuk menghindari terjadinya lokal minimum atau seringkali terjebak pada kondisi lokal minimum [6], masalah waktu pelatihan yang lama untuk mencapai konvergen dan proses penentuan parameter (learning rate dan momentum) yang tepat dalam proses pelatihan. Untuk mengatasi masalah tersebut maka solusi yang diberikan adalah dengan menggunakan Particle Swarm Optimization (PSO) yang merupakan algoritma optimasi yang sederhana dan handal untuk menyelesaikan permasalahan optimisasi [7]. Particle Swarm Optimization (PSO) terdiri dari sekumpulan partikel yang mencari posisi terbaik, yang merupakan posisi terbaik untuk masalah optimasi dalam ruang fitur[8].

Kelebihan metode optimasi Particle Swarm Optimization (PSO) adalah mempunyai konsep sederhana, mudah diimplementasikan dan efisien dalam perhitungan jika dibandingkan dengan algoritma matematika dan teknik optimisasi heuristik lainnya. Adapun yang menjadi contoh kasus dalam masalah ini yaitu mengenai prediksi peningkatan Indeks Pembangunan Manusia (IPM). Indeks Pembangunan Manusia (IPM) merupakan indikator komposit tunggal yang walaupun tidak dapat mengukur semua dimensi dari pembangunan manusia, tetapi mengukur tiga dimensi pokok pembangunan manusia yang dinilai mampu mencerminkan kemampuan dasar (basic capabilities) penduduk [9].

2. METODOLOGI PENELITIAN

2.1 Kecerdasan Buatan (Artificial Intelligence)

Kecerdasan Buatan (Artificial Intelligence) adalah salah satu ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan sebaik yang dilakukan oleh manusia. Kecerdasan Buatan (Artificial Intelligence atau AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer [10].

Untuk membuat aplikasi kecerdasan buatan ada 2 bagian utama yang sangat dibutuhkan :

a. Basis Pengetahuan (Knowledge Base), bersifat fakta-fakta, teori pemikiran dan hubungan antara satu dengan yang lainnya.

b. Motor Inferensi (Inference Engine), kemampuan menarik kesimpulan berdasarkan pengetahuan dan pengalaman.

2.2 Jaringan Saraf Tiruan

Jaringan Saraf Tiruan (JST) adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan saraf ini diimplemintasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [11].

2.3 Backpropagation

Backpropagation adalah jenis JST yang digunakan dalam memecahkan masalah peramalan. Pada jaringan diberi sepasang pola yang terdiri dari pola input dan pola yang diinginkan. Secara umum, jaringan seperti ini terdiri dari sejumlah unit neuron sebagai lapisan masukan, satu atau lebih lapisan simpul-simpul neuron komputasi lapisan tersembunyi, dan sebuah lapisan simpul-simpul neuron komputasi keluaran. Sinyal masukan dipropagasikan ke arah depan (arah lapisan keluaran), lapisan demi lapisan.

2.3.1 Normalisasi Data

Normalisasi terhadap data dilakukan agar keluaran jaringan sesuai dengan fungsi aktivasi yang digunakan. Fungsi aktivasi yang penulis gunakan dalam penelitian adalah fungsi aktivasi sigmoid. Fungsi sigmoid adalah fungsi asimtotik (tidak pernah mencapai 0-1), maka transformasi data dilakukan pada interval yang lebih kecil yaitu [0.1 ; 0.9], ditunjukan dengan persamaan berikut :

𝑋^′= 0.8 (𝑥 − 𝑎)

𝑏 − 𝑎 + 0.1 (1)

Keterangan : 𝑥^′ : data yang telah ditransformasi 𝑎 : data minimun 𝑥 : data yang akan dinormalisasi 𝑏 : data maksimun 2.4 Particle Swarm Optimization (PSO)

Particle Swarm Optimization (PSO) adalah teknik berbasis populasi (sejumlah partikel) dengan mengatur posisi dan kecepatan yang mengacu pada partikel yang optimum untuk mencapai solusi [12]. PSO digunakan untuk memecahkan masalah optimasi. Particle Swarm Optimization (PSO) didasarkan pada perilaku sekawanan burung atau ikan yang meniru perilaku sosial organisme ini. Swarm Inteligence System melakukan penyebaran kecerdasan yang inovatif dalam menyelesaikan masalah optimasi dengan mengambil inspirasi dari contoh biologis, seperti fenomena kelompok (Swarm) pada hewan dimana setiap kelompok memiliki perilaku individu dalam melakukan tindakan bersama untuk mencapai tujuan yang sama.

(3)

2.5 Optimasi

Optimasi adalah proses pencarian satu atau lebih penyelesaian yang berhubungan dengan nilai-nilai dari satu atau lebih fungsi objektif pada suatu masalah sehingga diperoleh satu nilai optimal. Secara umum optimasi berarti pencarian nilai terbaik (minimum atau maksimum) dari beberapa fungsi yang diberikan pada suatu konteks. Optimasi juga dapat berarti upaya untuk meningkatkan kinerja sehingga mempunyai kualitas yang baik dan hasil kerja yang tinggi [13].

2.6 Prediksi

Prediksi merupakan suatu proses dalam memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi pada masa yang akan datang berdasarkan data masa lalu dan sekarang, agar munculnya kesalahan atau selisih antara sesuatu yang mungkin terjadi dengan hasil yang perkiraan dapat diperkecil [1].

2.7 Rapid Miner

RapidMiner merupakan software/perangkat lunak untuk pengolahan data. Dengan menggunakan prinsip dan algoritma data mining [14], RapidMiner mengekstrak pola-pola dari data set yang besar dengan mengkombinasikan metode statistika, kecerdasan buatan dan database. RapidMiner juga memudahkan penggunanya dalam melakukan perhitungan data yang sangat banyak dengan menggunakan operator-operator. Proses pengolahan data dilakukan dengan software RapidMiner 5.3.015 dapat dilihat pada gambar berikut :

Gambar 2. Software RapidMiner 5.3.015

3. HASIL DAN PEMBAHASAN

3.1 Pendahuluan

Hasil penelitian disajikan sesuai dengan penelitian yang telah penulis lakukan. Sumber data penelitian diperoleh dari Badan Pusat Statistik (BPS) Sumatera Utara. Data yang digunakan pada penelitian ini adalah jumlah persentase Indeks Pembangunan Manusia (IPM) yang didalamnya terdiri dari 33 Kota/Kabupaten yang ada di Sumatera Utara dari tahun 2017-2020.

Tabel 1. Indeks Pembangunan Manusia di Sumatera Utara

No Kabupaten/Kota 2017 2018 2019 2020

Kabupaten

1. Nias 60,21 60,82 61,65 61,93

2. Mandailing Natal 65,13 65,83 66,52 66,79

3. Tapanuli Selatan 68,69 69,10 69,75 70,12

4. Tapanuli Tengah 67,96 68,27 68,86 69,23

5. Tapanuli Utara 72,38 72,91 73,33 73,47

6. Toba 73,87 74,48 74,92 75,16

7. Labuhanbatu 71 71,39 71,94 72,01

8. Asahan 69,1 69,49 69,92 70,29

9. Simalungun 71,83 72,49 72,98 73,25

10. Dairi 70,36 70,89 71,42 71,57

11. Karo 73,53 73,91 74,25 74,43

12. Deli Serdang 73,94 74,92 75,43 75,44

13. Langkat 69,82 70,27 70,76 71,00

14. Nias Selatan 59,85 60,75 61,59 61,89

15. Humbang Hasundutan 67,3 67,96 68,83 68,87

(4)

No Kabupaten/Kota 2017 2018 2019 2020

17. Samosir 69,82 69,99 70,55 70,63

18. Serdang Bedagai 59,85 69,69 70,21 70,24

19. Batu Bara 67,3 67,67 68,35 68,36

20. Padang Lawas Utara 66,25 68,77 69,29 69,85

21. Padang Lawas 69,43 67,59 68,16 68,25

22. Labuhanbatu Selatan 69,16 70,98 71,39 71,40

23. Labuhanbatu Utara 67,2 71,08 71,43 71,61

24. Nias Utara 68,34 61,08 61,98 62,36

25. Nias Barat 66,82 60,42 61,14 61,51

Kota

26. Sibolga 72,28 72,65 73,41 73,63

27. Tanjungbalai 67,41 68,00 68,51 68,65

28. Pematangsiantar 77,54 77,88 78,57 78,75

29. Tebing Tinggi 73,9 74,50 75,08 75,17

30. Medan 79,98 80,65 80,97 80,98

31. Binjai 74,65 75,21 75,89 75,89

32. Padangsidimpuan 73,81 74,38 75,06 75,22

33. Gunungsitoli 67,68 68,33 69,30 69,31

(Sumber : Badan Pusat Statistik Sumatera Utara) 3.2 Pengeolahan Data

3.2.1 Normalisasi Dataset

Untuk melakukan normalisasi data maka harus dicari terlebih dahulu nilai minimum dan maksimum serta selisih nilai maksimum dengan nilai minimum dari data, sehingga di peroleh nilai sebagai berikut :

Nilai Minimum (a) = 59.56;

Nilai Maksimum (b) = 80.98;

Maksimum-Minimum (b-a) = 21.42.

Proses normalisasi data dilakukan dengan cara berikut:

Nias

x1 = ^{0.8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = 0,8 (60.21−59.56)

21.42 + 0,1 = 0,124 x2 = ^{0.8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = 0,8 (60.82−59.56)

21.42 + 0,1 = 0,147 x3 = ^{0.8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = 0,8 (61.65−59.56)

21.42 + 0,1 = 0,178 x4 = ^{0.8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = 0,8 (61.93−59.56)

21.42 + 0,1 = 0,189

Dari perhitungan normalisasi pada data tersebut, kemudian data dimasukkan kedalam tabel dan untuk perhitungan normalisasi data selanjutnya dilakukan dengan cara yang sama. Dalam kasus data ditransformasikan ke dalam range 0 – 1 karena jaringan menggunakan fungsi aktivasi sigmoid biner. Adapun dataset yang sudah di normalisasi dapat dilihat pada tabel 2 berikut :

Tabel 2. Normalisasi Data

No. Kabupaten/Kota 2017 2018 2019 2020 1. N i a s 0.124 0.147 0.178 0.189 2. Mandailing Natal 0.308 0.334 0.36 0.37 3. Tapanuli Selatan 0.441 0.456 0.481 0.494 4. Tapanuli Tengah 0.414 0.425 0.447 0.461 5. Tapanuli Utara 0.579 0.599 0.614 0.62

6. Toba 0.634 0.657 0.674 0.683

7. Labuhanbatu 0.527 0.542 0.562 0.565 8. A s a h a n 0.456 0.471 0.487 0.501 9. Simalungun 0.558 0.583 0.601 0.611 10. D a i r i 0.503 0.523 0.543 0.549 11. K a r o 0.622 0.636 0.649 0.655 12. Deli Serdang 0.637 0.674 0.693 0.693 13. L a n g k a t 0.483 0.5 0.518 0.527 14. Nias Selatan 0.111 0.144 0.176 0.187 15. Humbang Hasundutan 0.389 0.414 0.446 0.448 16. Pakpak Bharat 0.35 0.364 0.395 0.4

17. Samosir 0.469 0.49 0.51 0.513

18. Serdang Bedagai 0.459 0.478 0.498 0.499 19. Batu Bara 0.385 0.403 0.428 0.429

(5)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom No. Kabupaten/Kota 2017 2018 2019 2020

20. Padang Lawas Utara 0.428 0.444 0.463 0.484 21. Padang Lawas 0.371 0.4 0.421 0.425 22. Labuhanbatu Selatan 0.508 0.527 0.542 0.542 23. Labuhanbatu Utara 0.519 0.53 0.543 0.55 24. Nias Utara 0.138 0.157 0.19 0.205 25. Nias Barat 0.1 0.132 0.159 0.173 26. Sibolga 0.575 0.589 0.617 0.625 27. Tanjungbalai 0.393 0.415 0.434 0.439 28. Pematangsiantar 0.772 0.784 0.81 0.817 29. Tebing Tinggi 0.636 0.658 0.68 0.683

30. Medan 0.863 0.888 0.9 0.9

31. Binjai 0.664 0.685 0.71 0.71

32. Padangsidimpuan 0.632 0.654 0.679 0.685 33. Gunungsitoli 0.403 0.428 0.464 0.464

Data akan dibagi menjadi 2 bagian, yakni data pelatihan (training) dan data pengujian (testing). Dalam hal ini data pelatihan dan pengujian akan menggunakan sumber data yang sama. Data pelatihan menggunakan data dari tahun 2017 – 2018 dengan target tahun 2019. Sedangkan untuk data pengujian menggunakan data dari tahun 2018- 2019 dengan target tahun 2020.

3.2.2 Implementasi Backpropagation

Pengukuran dan perbandingan prediksi data akan didapat setelah melakukan tahapan-tahapan dibawah ini, berikut langkah-langkah implementasi Backpropagation dengan software Rapid Miner :

a) Pertama buka terlebih dahulu aplikasi Rapid Miner.

b) Pilih new process untuk memulai sebuah project baru.

c) Import data menggunakan operator read excel.

d) Melakukan preprocessing data. Perhatikan kebutuhan dataset yang digunakan.

e) Pembentukan proses learning dan testing pada model algoritma Backpropagation.

Gambar 3. Proses learning dan testing pada model algoritma Backpropagation

Jika operator x-validation di double klik maka akan menampilkan arsitektur Backpropagation seperti yang ditunjukkan pada gambar berikut :

Gambar 4. Arsitektur Backpropagation pada operator x-validation

Berdasarkan gambar 4, terdapat penggunaan operator Neural Network yaitu operator ini mempelajari model melalui jaringan saraf feed-forward (umpan maju) yang dilatih oleh algoritma Backpropagation. Jika Operator Neural Network di klik maka akan menampilkan parameter seperti yang ditunjukkan pada gambar berikut :

(6)

Gambar 5. Parameter Neural Network

Berdasarkan gambar 5 diatas merupakan beberapa parameter dari operator Neural Network yang sudah ditentukan nilainya oleh penulis yaitu, (a) Training cycles yaitu menentukan jumlah siklus pelatihan yang digunakan untuk pelatihan jaringan saraf. Training cycles yang digunakan penulis yaitu 1000. (b) Learning rate yaitu menentukan seberapa banyak kita mengubah bobot pada setiap langkah. Learning rate yang digunakan penulis yaitu 0.1. (c) Momentum yaitu momentum hanya menambahkan sebagian kecil dari pembaruan bobot sebelumnya ke yang sekarang. Momentum yang digunakan penulis yaitu 0.2. (d) Hidden Layers yaitu menjelaskan nama dan ukuran semua lapisan tersembunyi. Apabila Edit List di hidden layers di klik maka akan muncul dialog box seperti gambar berikut :

Gambar 6. Parameter Hidden Layers

Berdasarkan gambar 6 diatas, Parameter Hidden Layers digunakan untuk mengubah-ubah bentuk hidden arsitektur. Disini penulis hanya menggunakan 1 hidden layer dan menggunakan 5, 7, 9, 11 dan 13 neuron. Jika ingin menambahkan menjadi 2 layer maka tinggal klik add Entry.

Untuk parameter yang digunakan pada arsitektur Backpropagation adalah sebagai berikut :

Input : 2

Training clycles : 1000

Learning rate : 0.1

Momentum : 0.2

Number of validation : 10

Output : 1

Hidden : 1 layer

Hidden layer : 5, 7, 9, 11 dan 13 neuron f) Setelah menyesuaikan parameter yang ada kemudian klik Start.

g) Menunggu proses berlangsung hingga selesai.

3.2.3 Implementasi Backpropagation dengan Particle Swarm Optimization

Berikut langkah-langkah implementasi Backpropagation dengan particle swarm optimization dengan bantuan software Rapid Miner :

a) Pertama buka terlebih dahulu aplikasi Rapid Miner.

(7)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom b) Pilih new process untuk memulai sebuah project baru.

c) Import data menggunakan operator read excel.

d) Melakukan preprocessing data. Perhatikan kebutuhan dataset yang digunakan harus sesuai dengan formatnya.

e) Pembentukan proses learning dan testing pada model algoritma Backpropagation + Particle Swarm Optimization (PSO).

Gambar 7. Proses learning dan testing pada model algoritma Backpropagation + PSO (Sumber : data olahan)

Berdasarkan gambar 7 diatas, prosesnya hampir sama dengan proses sebelumnya hanya saja di proses ini menambahkan operator Optimize Weights (PSO) yaitu menggunakan metode pengoptimalan sekumpulan partikel untuk menghasilkan bobot fitur. Jika operator Optimize Weights (PSO) di double klik maka akan menampilkan operator x-validation didalam performance evaluation seperti yang ditunjukkan pada gambar berikut :

Gambar 8. Arsitektur Performance Evaluation pada Optimize Weights (PSO)

Berdasakan gambar 8 diatas apabila operator x-validation di klik dua kali maka akan menampilkan arsitektur seperti pada gambar 4. dengan parameter yang sama dan dengan arsitektur yang sama didalamnya.

f) Setelah menyesuaikan parameter yang ada kemudian klik Start.

g) Menunggu proses berlangsung hingga selesai.

3.3 Hasil Percobaan

3.3.1 Hasil Implementasi Backpropagation

Hasil percobaan ini dilakukan secara individu oleh peneliti. Model arsitektur jaringan yang digunakan pada penelitian ini ada 5 arsitektur, antara lain 2-5-1, 2-7-1, 2-9-1, 2-11-1 dan 2-13-1. Model arsitektur tersebut akan di training untuk memilih model arsitektur yang paling baik, dilihat dari Root Mean Square Error (RMSE). Berikut adalah tabel hasil Root Mean Square Error (RMSE) dari 5 model arsitektur Backpropagation yang telah diuji.

Tabel 3. Hasil Root Mean Square Error (RMSE) dengan Algoritma Backpropagation (Sumber : data olahan)

No. Model Arsitektur

Training Cycles

Learning

Rate Momentum RMSE

1. 2-5-1 1000 0.1 0.2 0.061 +/- 0.000

2. 2-7-1 1000 0.1 0.2 0.063+/- 0.000

3. 2-9-1 1000 0.1 0.2 0.056+/- 0.000

4. 2-11-1 1000 0.1 0.2 0.058+/- 0.000

5. 2-13-1 1000 0.1 0.2 0.064+/- 0.000

Dari pengujian diatas didapat hasil terbaik dengan pengujian sebanyak 5 arsitektur. Semakin kecil nilai Root Mean Square Error (RMSE) maka semakin baik model arsitektur tersebut. Root Mean Square Error (RMSE) yang terkecil yang didapat yaitu pada arsitektur 2-9-1 dengan nilai Root Mean Square Error (RMSE) 0.056+/- 0.000.

(8)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Sama seperti pembahasan sebelumnya model arsitektur jaringan yang akan diuji pada proses ini juga menggunakan 5 arsitektur, antara lain 2-5-1, 2-7-1,2-9-1, 2-11-1 dan 2-13-1. Pada pembahasan hasil implementasi Backpropagation telah ditetapkan dimana model arsitektur 2-9-1 adalah model arsitektur Backpropagation terbaik, Berikut adalah hasil implementasi Backpropagation + PSO dengan melihat hasil dari Root Mean Square Error (RMSE) menggunakan optimasi Particle Swarm Optimization (PSO) :

Tabel 4. Hasil Root Mean Square Error (RMSE) dengan Algoritma Backpropagation + PSO (Sumber : data olahan)

No. Model Arsitektur

Training Cycles

Learning

Rate Momentum RMSE

1. 2-5-1 1000 0.1 0.2 0.059 +/- 0.000

2. 2-7-1 1000 0.1 0.2 0.059+/- 0.000

3. 2-9-1 1000 0.1 0.2 0.055+/- 0.000

4. 2-11-1 1000 0.1 0.2 0.065+/- 0.000

5. 2-13-1 1000 0.1 0.2 0.062+/- 0.000

Berdasarkan tabel 4, dari pengujian diatas didapat hasil RMSE dengan menggunakan Particle Swarm Optimization (PSO). Semakin kecil nilai Root Mean Square Error (RMSE) maka semakin baik model arsitektur tersebut. Root Mean Square Error (RMSE) yang terkecil yang didapat yaitu pada arsitektur 2-9-1 dengan nilai Root Mean Square Error (RMSE) 0.055+/- 0.000.

Tabel 5. Hasil Perbandingan RMSE Backpropagation dan Backpropagation+PSO (Sumber : data olahan)

No. Model Arsitektur

Training Cycles

Learning

Rate Momentum Model RMSE Selisih

1. 2-5-1 1000 0.1 0.2 Backpropagation 0.061 +/- 0.000

0.002 1000 0.1 0.2 Backpropagation +PSO 0.059 +/- 0.000

2. 2-7-1 1000 0.1 0.2 Backpropagation 0.063+/- 0.000

0.004 1000 0.1 0.2 Backpropagation +PSO 0.059+/- 0.000

4. 2-11-1 1000 0.1 0.2 Backpropagation 0.058+/- 0.000 0.007

1000 0.1 0.2 Backpropagation +PSO 0.065+/- 0.000

Berikut hasil perbandingan hasil RMSE dengan menggunakan Backpropagation dan Backpropagation+PSO.

Berdasarkan hasil percobaan yang dilakukan, dapat dijelaskan hasil dari tabel diatas menyatakan bahwa optimasi Backpropagation + PSO lebih baik dibandingkan dengan Backpropagation. Dapat dijelaskan bahwa Root Mean Square Error (RMSE) menjadi lebih baik setelah dioptimasi dari 0.056+/- 0.000 menjadi 0.055+/- 0.000 (lebih baik 0.001).

Karena semakin kecil nilai Root Mean Square Error (RMSE) maka semakin baik model arsitektur tersebut.

4. KESIMPULAN

Dari hasil penelitian yang dilakukan dengan menggunakan data jumlah indeks pembangunan manusia dari tahun 2017- 2020, implementasi Backpropagation + particle swarm optimization lebih baik dibandingkan hanya menggunakan implementasi Backpropagation. Hasil uji coba yang dilakukan dengan software Rapid Miner model arsitektur terbaik adalah model 2-9-1 dengan jumlah RMSE 0.056 +/- 0.000 dalam implementasi Backpropagation, sedangkan dalam implementasi Backpropagation + particle swarm optimization jumlah RMSE 0.055 +/- 0.000 (lebih baik 0.001). Semakin kecil RMSE (Root Mean Squared Error) maka semakin baik model tersebut.

REFERENCES

[1] A. Veno, L. A. Safitri, and T. Prijanto, “Triangle 1,” vol. 1, no. 1, pp. 16–29, 2020.

[2] T. W. Khusniyah, “Prediksi Nilai Tukar Petani Menggunakan Jaringan Syaraf Tiruan Backpropagation,” vol. 3, no. 1, pp. 11–

18, 2016.

[3] A. P. Windarto, P. Studi, and S. Informasi, “IMPLEMENTASI JST DALAM MENENTUKAN,” no. 1, pp. 12–23, 2017.

[4] I. S. Purba and A. Wanto, “Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation,” vol. 17, no. 3, pp. 302–311, 2018.

[5] A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” vol. 2, pp. 37–44, 2019.

[6] B. D. Hakim and A. A. Supianto, “Peramalan Debit Bendungan Dengan Menggunakan Metode Backpropagation dan Algoritme Genetika,” vol. 3, no. 1, pp. 51–58, 2019.

[7] N. Setyawan, E. A. Hak, and Zulfatman, “Multitek Indonesia : Jurnal Ilmiah,” vol. 6223, no. 2, pp. 110–120, 2019.

[8] T. Arifin, “Implementasi Algoritma PSO Dan Teknik Bagging Untuk Klasifikasi Sel Pap Smear,” vol. 4, no. 2, pp. 155–162,

(9)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3836 Hal 122−130 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 2017.

[9] M. B. Setiawan and A. Hakim, “INDEKS PEMBANGUNAN MANUSIA INDONESIA Mohammad Bhakti Setiawan & Abdul Hakim,” pp. 18–26, 2008.

[10] B. S. Ginting and F. Ramadhan, “PERANCANGAN GAME BECOME A KING BERBASIS Budi Serasi Ginting , 2 Fajar Ramadhan,” vol. 2, no. 1, pp. 12–21, 2018.

[11] E. P. Cynthia and E. Ismanto, “Eka Pandu Cynthia, 2) Edi Ismanto,” vol. 2, no. 2, pp. 83–98, 2017.

[12] S. R. Asriningtias, “Optimasi Training Neural Network Menggunakan Hybrid Adaptive Mutation,” vol. 9, no. 1, pp. 79–84, 2017.

[13] D. R. Anjasmara, “Optimasi,” 2017.

[14] B. R. C. T. I et al., “Implemetasi k-means clustering pada rapidminer untuk analisis daerah rawan kecelakaan,” no. April, pp.

58–62, 2017.