BAB I PENDAHULUAN 1
Pendahuluan
1.1.
Latar Belakang Indonesia merupakan negara agraris, dikarenakan sebagian besar
penduduknya bekerja di bidang pertanian. Datanya dapat diakses pada tabel statistik data pekerjaan masyarakat Indonesia situs resmi Badan Pusat Statistik (BPS).Dimana pada tabel tersebut dinyatakan bahwa, 44% orang Indonesia bekerja di bidang pertanian pada tahun 2004 dan meningkat menjadi 45% pada tahun 2006 Februari. Namun terjadi penurunan yang cukup signifikan di tahun 2009 dan masih menurun sampai sekarang, dimana data terakhir diambil per 2014Agustus pekerja dengan profesi ini yang tercatat hanya tinggal 33% saja (Badan Pusat Statistik, 2012). Penyusutan tenaga kerja di bidang pertanian sangat mungkin dipengaruhi oleh penghasilan yang didapatkan para pekerja. Untuk meningkatkan keuntungan yang didapatkan, dapat dilakukan dengan pemaksimalan penjualan hasil panen. Namun pada kenyataanya, banyak hasil panen yang terbuang sia-sia pada saat masa distribusi. Dimana stok produk yang dipasok ke suatu daerah berlebih dari konsumsi yang dibutuhkan, sehingga mempengaruhi kualitas kesegaran produk saat sampai ke konsumen (Gunders, 2012). Oleh karna itu, sangat dibutuhkanuntuk
melakukan prediksi
produksidan konsumsibahan panganperiode kedepan untuk dapat melakukan pemetaan distribusi bahan pangan.Agar dapat memprediksi produksi dan konsumsibahan pangan, dapat dilakukan dengan menggunakan metode penelitian
1
2
Artificial Neural Network (ANN)(Nazzal, El-Emary, & Najim, 2008). Untuk prediksi produksi padi telah diterapkan sebelumnya, namun masih menggunakan metode konvensional.Sedangkan untuk prediksi konsumsi, belum pernah dilakukan sebelumnya. Penelitian
mengenai
prediksipada
periode
terakhir
banyak
dilaksanakan dengan menggunakan metode Artificial Neural Network (ANN). Dimana ANN merupakan metode yang cukup baik dalam menganalisa data pada pola non-linear (Zhang G. P., 2003). Penelitian ANN sebelumnya juga sudah banyak dilakukan, diantaranya: Penelitian TSF menggunakan ANNoleh Hamzacebi dan kawan - kawan(Hamzacebi, Akay, & Kutay, 2009),ANN juga telah digunakan untuk menganalisa sifat Jordan pada minyak (Nazzal, El-Emary, & Najim, 2008), prediksi permintaan untuk mengefektifkan rantai pasokan yang dilakukan oleh Jaipuria dan Mahapatra(Jaipuria & Mahapatra, 2014), penelitian prediksi kasar pasokan produk domestik oleh Liliana dan Napitupulu (Liliana & Napitupulu, 2012), prediksi harga stok oleh Napitupulu dan Wijaya (Napitupulu & Wijaya, 2013), dan masih banyak penelitian lainnya. Penggunaan ANN sebagai metode prediksi sangatlah kuat dan kompetitif dibandingkan metode lainnya, namun dalam perancangan arsitekturnya sangat perlu diperhatikan. Pemilihan arsitektur jenis Multi-Layer Perceptron(MLP), sangat disarankan pada penelitian yang dilakukan oleh Corne, dan untuk pemilihan parameternya beberapa didasarkan pada pendekatan trial and error(Crone & Dhawan, 2007). Pada tahun 2013, Singh & Borah berhasil menggunakan algoritma Particle Swarm Optimization (PSO) untuk optimisasiprediksi indeks saham. Optimisasi
menggunakan
PSO,
dilakukan
pada
model
prediksi
untuk
3
meningkatkan kualitas akurasi prediksiatau memperkecil errorrate (Singh & Borah, 2014). Sedangkan Rahmani, Yusof, Seyedmahmoudian, dan Mekhilef (2013) berhasil menggabungkan algoritma Ant Colony Optimization (ACO) dan Particle Swarm Optimization (PSO) (Rahmani, Yusof, Seyedmahmoudian, & Mekhilef, 2013). Optimisasi menggunakan PSO sangat tergantung pada hasil acak posisi awal partikel, hasil acak awal yang buruk mempengaruhi hasil akhir. ACO berguna untuk mencari solusi yang baik, namun membatasi akurasi learning. Untuk itu Penggabungan keduanya akan dipadukan untuk mendapatkan hasil akurasi yang terbaik (Juang, 2010). Dan Yeh, Chang, Ke, dan Chung (2014) berhasil menggunakan MLP dengan penerapan swarm optimization untuk metode prediksi dan menghasilkan hasil dengan performa terbaik diantara 6 algoritma popular lainnya (Yeh, Yeh, Chang, Ke, & Chung, 2014). Untuk metode evaluasi yang akan digunakan adalah Mean Square Error (MSE), dimana penelitian sebelumnya juga menggunakan metode ini sebagai metode evaluasinya(Jaipuria & Mahapatra, 2014). Berdasarkan
hasil
penelitian-penelitian
tersebut,metode
dapat
diterapkan pada penelitian ini. Prioritas ketepatan hasil sangatlah penting dalam proses ini,maka pada penelitian kali ini akan dilaksanakan menggunakan metode ANN dengan rancangan MLP, dioptimisasi menggunakan PSO, ACO, dan gabungan keduanya, yang diharapkan dapat memprediksi produksi padi dan konsumsi berasdengan nilai MSE yang rendah.Pada saat ini, prediksi produksi padi Indonsia telah dilakukan secara tradisional. Sedangkan untuk data konsumsi beras belum pernah dilakukan prediksi. Pada akhir penelitian ini juga akan
4
dilakukan perbandingan hasil prediksi menggunakan metode konvensional dengan hasil prediksi dari metode yang diusulkan.
1.2.
Rumusan Permasalahan Kesesuaian hasil produksi dan konsumsi bahan pangan tiap daerah
sangat penting, sehingga bahan pangan berlebih tidak terbuang dan dapat dimanfaatkan sebaik-baiknya. Berdasarkan kasus yang ditemui dimana bahan pangan terbuang saat proses pemasaran dikarenakan melewati batas waktu pakai disaat bahan pangan belum habis terjual, sedangkan dibeberapa daerah justru kekurangan bahan pangan. Secara umum, pertanyaan yang dapat dijawab setelah penelitian ini selesai dilakukan adalah sebagai berikut: 1. Bagaimana rancangan arsitektur ANN tipe MLP-BP yang dioptimisasi menggunakan algoritma PSO, ACO, dan gabungan PSO-ACO yang berguna untuk mendapatkan prediksiproduksi dan konsumsi bahan pangan? 2. Bagaimana hasil perhitungan error untuk prediksimenggunakan Algoritma ANN tipe MLP-BP yang dioptimisasimenggunakan PSO, ACO, dan gabungan PSO-ACO? 3. Apakah model yang diusulkan untuk prediksi produksi padi dapat menghasilkan prediksi dengan MSE yang lebih rendah dari pada metode yang sudah diterapkan saat ini?
5
1.3.
Tujuan dan Manfaat Tujuan dari penelitian ini adalah: 1. Diperoleh
rancangan
prediksiproduksi
dan
arsitektur
model
konsumsi
ANN-MLP
bahan
pangan
untuk yang
dioptimisasimenggunakan algoritma PSO, ACO, dan gabungan PSO-ACO. 2. Membandingkan hasil perhitungan error untuk setiap model. Adapun manfaat yang didapat setelah tujuan dari penelitian ini tercapai adalah: 1. Membantu proses analisis persentase ekspor import bahan pangan yang dibutuhkan 2. Mengetahui model prediksi produksi padi dan konsumsi beras yang dapat menghasilkan prediksi dengan MSE yang paling rendah
1.4.
Ruang Lingkup Ruang lingkup dari penelitian ini meliputi: 1. Objek yang diteliti adalah data statistik produksi padi dan konsumsi beras di Indonesia 2. Peramalan yang dilakukan menggunakan data produksi padi dan konsumsi beras tingkat nasional 3. Penelitian ini menggunakan metode ANN tipe MLP-BP dengan menggunakan algoritma optimisasi PSO, ACO, dan gabungan keduanya
6
4. Pengukuran hasil yang dilakukan adalah dengan Mean Square Error (MSE) 5. Dalam tahap implementasinya akan dilakukan menggunakan softwareC#
