Judul : Prediksi Kebutuhan Konsumsi BBM di Sumatera Barat Menggunakan Backpropagation Neural Network. Yenny Safitri: Prediksi Kebutuhan Konsumsi Bahan Bakar Minyak Di Sumatera Barat Menggunakan Backpropagation Neural Network. Penelitian ini bertujuan untuk meramalkan kebutuhan bahan bakar minyak di Sumatera Barat dari tahun 2010 sampai dengan tahun 2012.
Sedangkan untuk Sumbar sendiri, kebutuhan bahan bakar minyak juga berasal dari kebutuhan masing-masing Kabupaten/Kota yang ada. Untuk mengetahui berapa konsumsi bahan bakar yang dibutuhkan di masa mendatang, dapat digunakan metode peramalan dalam statistik. Berdasarkan uraian di atas, penulis tertarik untuk memprediksi konsumsi bahan bakar minyak di Sumatera Barat dengan menggunakan Metode Backpropagation Neural Network.
Untuk itu penelitian ini diberi judul “Peramalan Kebutuhan Konsumsi Minyak di Sumatera Barat Menggunakan Jaringan Syaraf Tiruan Back Propagation”.
Perumusan Masalah
Fungsi aktivasi yang digunakan untuk jaringan syaraf tiruan yang dilatih dengan metode backpropagation adalah fungsi sigmoid biner, yang memiliki nilai antara 0 dan 1.
Metode Pendekatan
Tujuan Penelitian
Manfaat Penelitian
Neural network adalah sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan saraf biologis. Pada prinsipnya, jaringan saraf tiruan dapat melakukan perhitungan pada semua fungsi yang dapat dihitung. Dalam prakteknya, jaringan syaraf tiruan sangat berguna untuk masalah klasifikasi dan toleran terhadap ketidaktepatan yang memiliki banyak data pelatihan tetapi memiliki aturan yang tidak dapat diterapkan dengan mudah.
Neural Network adalah teknik pengolahan data yang mempelajari hubungan antara data input dan data output. Neural Network bekerja berdasarkan pola masukan yang masuk akan sangat mempengaruhi keluaran.
Arsitektur Neural Network
Terdiri dari banyak neuron (109) Multiple neuron (Desiani Pada umumnya jaringan syaraf tiruan terdiri dari beberapa lapisan yaitu lapisan masukan, lapisan tersembunyi, lapisan keluaran) Lapisan ini merupakan lapisan yang terdiri dari beberapa neuron yang akan menerima sinyal dari luar dan kemudian mengirimkan ke neuron lain dalam jaringan. Lapisan ini didasarkan pada karakteristik dan fungsi neuron sensorik dalam jaringan saraf biologis.
Dengan kata lain, fitur arsitektur jaringan saraf satu lapis hanya terdiri dari satu lapisan masukan dan satu lapisan keluaran, tanpa lapisan tersembunyi. Neural network dengan banyak layer hanya memiliki satu atau lebih layer yang terletak diantara input layer dan output layer (memiliki satu hidden layer).
Pembelajaran
Proses pembelajaran bertujuan untuk melakukan penyesuaian terhadap bobot-bobot yang ada pada jaringan syaraf tiruan agar diperoleh bobot akhir yang benar sesuai dengan model data yang dilatih. Metode pembelajaran pada dasarnya ada dua (Nugraha: 2008), yaitu metode pembelajaran terawasi dan metode pembelajaran tidak terawasi. Dalam proses pembelajaran, sebuah pola masukan akan diberikan kepada sebuah neuron pada lapisan masukan, yang berarti data satu tahun untuk satu lapisan masukan.
Lapisan keluaran ini akan menghasilkan pola keluaran yang nantinya akan dicocokkan dengan pola keluaran target. Jika terdapat perbedaan antara model keluaran pembelajaran dan model target, maka akan ditampilkan error disini.
Fungsi Aktivasi
Dalam metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran berlangsung. Selama proses pembelajaran, nilai bobot disusun dalam rentang tertentu tergantung dari nilai input yang diberikan. Fungsi sigmoid bipolar adalah fungsi sigmoid biner yang diperluas hingga mencapai nilai negatif sepanjang sumbu x.
Dari berbagai fungsi aktivasi di atas, fungsi aktivasi yang diterapkan pada metode backpropagation harus memenuhi beberapa syarat yaitu kontinyu.
Metode Backpropagation
Pada metode backpropagation, fungsi aktivasi yang digunakan harus memenuhi beberapa syarat, yaitu fungsi kontinu, mudah terdiferensiasi, dan tidak menurun. Oleh karena itu, fungsi ini sering digunakan untuk jaringan saraf yang membutuhkan nilai keluaran antara 0 dan 1. Backpropagation adalah pembelajaran yang diawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot yang terhubung ke neuron di lapisan itu.
Selama propagasi maju, neuron diaktifkan menggunakan fungsi aktivasi diferensial seperti tangen sigmoid atau sigmoid. Langkah selanjutnya adalah perhitungan error, dimana data observasi yang akan digunakan yaitu data aktual tahun sebelumnya, ditransformasikan sesuai dengan fungsi aktivasi. Setelah kesalahan dihitung, bobot yang akan diterapkan pada unit tersembunyi diperbarui, dimana tahap ini disebut backpropagation.
Setiap unit output (Yk, k = 1,…,m) menerima pola target (output yang diinginkan) yang cocok dengan pola pelatihan input untuk menghitung kesalahan (error) antara target dan output yang dihasilkan oleh jaringan, δk = (tk -yk) f '(y_ink) Seperti input training data, output training data tk juga diskalakan oleh fungsi aktivasi yang digunakan. Faktor δk ini digunakan untuk menghitung error correction (ΔWjk) yang nantinya akan digunakan untuk mengupdate Wkj, dimana: ΔWkj = α δk Zj Selain itu juga dihitung bias koreksi ΔWk0 yang nantinya akan digunakan untuk mengupdate Wk0, dimana: ΔWk0 = α δk. Setiap unit tersembunyi (Zj, j = 1,…,p) menjumlahkan input delta berbobot (dikirim dari langkah sebelumnya).
Kemudian hasilnya dikalikan dengan turunan fungsi aktivasi yang digunakan oleh jaringan untuk menghasilkan faktor koreksi kesalahan δj, dimana: δj = δ_inj f'(z_inj). Faktor δj ini digunakan untuk menghitung error correction (ΔVji) yang nantinya akan digunakan untuk mengupdate Vji, dimana: ΔVji = α δj Xi. Selain itu juga dihitung koreksi bias ΔVj0 yang nantinya akan digunakan untuk mengupdate Vj0, dimana: ΔVj0 = α δj.
Pembaharuan (adjustment bobot dan bias)
Memeriksa Stopping Condition
Optimalitas Arsitektur Backpropagation 1. Pemilihan Bobot dan Bias Awal
Bobot awal akan mempengaruhi apakah jaringan mencapai minimum lokal atau global dan seberapa cepat konvergennya. Bobot yang menghasilkan nilai turunan aktivasi yang kecil sebisa mungkin dihindari karena menghasilkan perubahan bobot yang sangat kecil. Selain itu, nilai bobot awal tidak boleh terlalu besar, karena nilai turunan dari fungsi aktivasi juga akan sangat kecil.
Hasil teoritis yang diperoleh menunjukkan bahwa jaringan dengan layar tersembunyi cukup bagi Backpropagation untuk mengenali persahabatan apa pun antara input dan target dengan tingkat akurasi yang ditentukan. Jika jaringan memiliki lebih dari satu layar tersembunyi, algoritme pelatihan yang dijelaskan sebelumnya harus direvisi. Dengan penyebaran ke depan, output harus dihitung untuk setiap layar, mulai dari layar tersembunyi terendah (paling dekat dengan input).
Sebaliknya, dalam propagasi balik, faktor δ harus dihitung untuk setiap layar tersembunyi, dimulai dengan layar keluaran.
Aplikasi Backpropagation Dalam Peramalan
Teknik Transformasi Data dan Menentukan Target
Bahan Bakar Minyak
Minyak tanah atau kerosene adalah komponen minyak mentah dengan titik didih antara 150 0c dan 300 0c serta tidak berwarna. Ini biasa digunakan sebagai bahan bakar di semua jenis mesin diesel kecepatan tinggi (lebih dari 1.000 rpm atau putaran per menit). Solar dapat digunakan sebagai bahan bakar pembakaran langsung di dapur kecil yang menginginkan pembakaran yang bersih.
Ukuran Ketepatan Ramalan
Data dan Sumber Data
Teknik Analisis Data
Dalam hal ini, perangkat lunak MATLAB digunakan untuk menguji kecukupan tujuan yang diperoleh menggunakan algoritma dengan tujuan yang diperoleh dari perangkat lunak. Memprediksi kebutuhan konsumsi bahan bakar di masa mendatang merupakan nilai dari tujuan akhir yang dicapai.
Hasil Penelitian 1. Deskripsi Data
Data kebutuhan bahan bakar minyak Sumbar yang diperoleh dari dinas ESDM Sumbar dapat diolah langsung menggunakan metode Backpropagation Neural Network. Karena metode Backpropagation akan diterapkan dan fungsi aktivasi yang sesuai dengan metode ini adalah fungsi aktivasi sigmoid biner. Untuk fungsi aktivasi sigmoid biner, data harus ditransformasikan terlebih dahulu sesuai dengan intervalnya, yaitu 0 ke 1.
Sesuai dengan metode yang digunakan yaitu metode Backpropagation, fungsi aktivasi yang digunakan adalah fungsi aktivasi biner sigmoid (persamaan 1). Kemudian dilakukan transformasi data menggunakan persamaan (4) untuk masing-masing jenis bahan bakar pada interval [0,1] sesuai dengan fungsi aktivasi yang akan diterapkan yaitu sigmoid biner. Dimana a merupakan data terendah, dan b merupakan data tertinggi untuk setiap jenis bahan bakar yang akan digunakan pada saat melakukan transformasi.
Setelah dilakukan transformasi, terlihat bahwa data tertinggi juga memiliki nilai tertinggi setelah transformasi, dan hasil transformasi berada pada range (0,1) yang sesuai dengan range fungsi aktivasi sigmoid biner. Setelah mendapatkan nilai keluaran dari setiap unit tersembunyi ( ), lanjutkan ke langkah 5 algoritma untuk menghitung keluaran unit (yang akan menjadi hasil prediksi. Kemudian, sesuai dengan langkah 6 algoritma, faktor dihitung pada satuan keluaran berdasarkan error pada setiap satuan keluaran, yang nantinya akan digunakan untuk menghitung bobot perubahan suku Wkj dengan nilai α = 0,05.
Faktor kesalahan dari unit tersembunyi selanjutnya akan dihitung (langkah 7 dari algoritma) berdasarkan kesalahan pada setiap unit tersembunyi dengan perhitungan. Selisih bobot yang akan dihitung adalah selisih bobot garis yang menuju ke unit keluaran dan unit tersembunyi. Dari hasil yang dihasilkan akan diperoleh nilai MSE dan hasil prediksi, serta dapat dilihat grafik nilai MSE tersebut.
Setelah program Matlab dijalankan, maka diperoleh plot nilai MSE untuk setiap peramalan setiap jenis bahan bakar beserta tahun peramalannya, dimana nilai MSE merupakan nilai kinerja yang ditunjukkan dalam plot sebagai berikut. Berdasarkan semua plot nilai MSE di atas, terlihat bahwa iterasi dihentikan pada epoch ke-100 dengan batas toleransi 10 lebih besar dari batas toleransi yang ditentukan (10
Pembahasan
Kemudian untuk solar terjadi penurunan dari tahun 2004 ke tahun 2005 dan mulai naik lagi di tahun 2006, kemudian turun lagi di tahun 2007 dan meningkat hingga tahun 2009. Pola ini juga terjadi pada data forecast dimana forecast penurunan BBM premium dan solar di tahun 2010 mengalami peningkatan. dari tahun 2009, dan kembali meningkat untuk tahun 2011 dan 2012. Keadaan ini dipengaruhi oleh tingkat kebutuhan bahan bakar minyak tiap daerah yang berbeda-beda, dimana terdapat kecenderungan kebutuhan suatu daerah terus meningkat dari tahun ke tahun.
Berdasarkan data kebutuhan bahan bakar minyak kabupaten/kota pada lampiran diketahui metodenya. Berdasarkan fenomena di atas, trend tampaknya tidak mempengaruhi backpropagation sesuai dengan sifatnya yang tidak memerlukan tipe data. Dari perbandingan di atas terlihat bahwa metode jaringan syaraf tiruan propagasi balik lebih efektif bila digunakan dalam peramalan untuk data yang berfluktuasi seperti data bahan bakar premium dan solar.
Untuk data yang naik secara monoton atau turun secara monoton, seperti data bahan bakar jenis minyak bumi, metode ini kurang efisien. Hasil ramalan menggunakan Backpropagation Neural Network mengambil nilai yang mendekati batas atas atau bawah interval kepercayaan dari hasil ramalan menggunakan metode pemulusan eksponensial. Dari proses peramalan dengan menggunakan metode Backpropagation pada data bahan bakar minyak terlihat bahwa metode ini mendekati nilai minimum selang kepercayaan untuk jenis bahan bakar premium dan solar.
Dengan demikian dapat disimpulkan bahwa data yang diperoleh dari proses peramalan dengan menggunakan metode Backpropagation Neural Network, sebagai data kebutuhan bahan bakar minyak minimum yang harus disediakan oleh masing-masing pemerintah untuk tahun 2012.
Kesimpulan
Saran
Prediksi pergerakan pound Inggris (GBP) terhadap dolar AS (USD) dalam periode empat jam menggunakan jaringan saraf di Matlab.
