Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2, Februari 2018, hlm. 785-792
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Prediksi Tingkat Keuntungan Usaha Peternakan Itik Alabio Petelur menggunakan Jaringan Syaraf Tiruan Backpropagation (Kasus di Kabupaten Hulu Sungai Utara Kalimantan Selatan) M. Ihsan Diputra1, Candra Dewi2, Randy Cahya Wihandika3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Dalam berusaha telur itik, memprediksi keuntungan merupakan hal yang sulit dilakukan. Hal ini dikarenakan dalam sistem agribisnis itik alabio terdapat subsistem-subsistem yang saling mempengaruhi dimana jika nilai dari subsistem-subsistem tersebut tidak optimal dapat berpengaruh buruk pada hasil produksi. Untuk mengatasi hal tersebut pada penelitian ini digunakan jaringan syaraf tiruan backpropagation untuk melakukan prediksi tingkat keuntungan usaha telur itik alabio. Algoritma backpropagation digunakan karena algoritma ini sering diterapkan untuk melakukan proses peramalan. Subsistem-subsistem atau fitur inputan yang digunakan pada penelitian ini antara lain jumlah induk, penyusutan bibit, total harga pakan, penyusutan kandang, biaya tenaga kerja, dan biaya vaksin dan obat. Sedangkan untuk keluaran yang digunakan adalah prediksi jumlah untung bersih yang didapat dari usaha telur itik alabio. Pengujian dilakukan dalam melakukan penelitian agar didapatkan nilai parameter yang optimal. Nilai parameter tersebut yaitu learning rate sebesar 0,8, jumlah neuron pada hidden layer sebesar 17, batas MAPE latih sebesar 10%, dan jumlah data latih sebanyak 90% dari total data latih. Nilai MAPE peramalan terbaik yang didapat sebesar 25,7852%. Kata Kunci: backpropagation, jaringan syaraf tiruan, usaha telur itik.
Abstract Predicting profits in ducks farming business is very hard to do. Thatβs because in alabio duck agribusiness system have subsystems that can effect other subsystems. If the subsystems donβt have optimal value it can make a bad impact for profits in business. To overcome this problem, this study using backpropagation artificial neural network to predict profit in alabio duck eggs business. This study using backpropagation algorithm because this algorithm often used for forecasting. The subsystems or input features used in this study are number of adult ducks, shrinkage of duck seed price, total food price, shrinkage of cages price, labor costs, and the cost of vaccines and medicine. The system in this study use net profits of duck eggs business as output. In this study, testing used to get the optimal value for each parameter. The values of each parameters are learning rate 0.8, 17 hidden neuron, MAPE learn threshold 10%, and 90% total data training. The best MAPE for forecasting result is 25,7852%. Keywords: backpropagation, artificial neural network, duck eggs business
tersebut untuk menentukan hasil produksi yang maksimal dan efektif. Dalam penelitian kali ini usaha ternak difokuskan pada usaha ternak itik alabio. Data penelitian diambil dari data pengusaha itik yang ada di kabupaten Hulu Sungai Utara Provinsi Kalimantan Selatan dikarenakan tempat tersebut merupakan tempat pusat peternakan itik Alabio petelur terbesar dan merupakan ternak asli di Kalimantan Selatan. Selain itu di sana sebagian besar petani berternak itik sebagai sumber
1. PENDAHULUAN Setiap pengusaha ternak pasti menginginkan keuntungan yang maksimal dari hasil produksinya. Hanya saja untuk melakukan perhitungan hasil keuntungan yang maksimal dibutuhkan perhitungan yang sulit dan cukup memakan waktu sehingga tidak semua peternak melakukannya. Karenanya, untuk melakukan prediksi tersebut dibutuhkan sebuah program untuk memudahkan para pengusaha ternak Fakultas Ilmu Komputer Universitas Brawijaya
785
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pencaharian turun temurun. Dikutip dari Harian Umum Media Kalimantan yang ditulis oleh Yusuf (2014), Berdasarkan laporan tahunan dinas peternakan dan perikanan kabupaten Hulu Sungai Utara 2013, Hulu Sungai Utara memiliki luas 892,70 kilometer persegi yang terdiri dari 10 kecamatan, 219 desa dan 5 kelurahan Dari luasan itu, 89 persen merupakan lahan rawa yang digenangi air secara monoton maupun periodik. Potensi itik tahun 2013 tercatat populasinya mencapai 1.443.328 ekor, produksi daging 556.421 kg, telur 9.897.106 kg dan anak itik 2.379.397 ekor. Jumlah kelompok peternak itik di HSU sebanyak 103 kelompok dan pelaku usaha peternakan sebanyak 20.283. Untuk mendapatkan prediksi hasil keuntungan produksi yang maksimal sulit untuk dilakukan karena dalam sistem agribisnis itik alabio terdapat subsistem-subsistem yang saling mempengaruhi dimana jika nilai dari masingmasing subsistem tidak optimal dapat berpengaruh buruk pada hasil produksi. Sebagai contoh, Jumlah induk yang banyak tetapi tidak sesuai dengan ukuran kandang membuat itik menjadi kurang leluasa untuk bergerak sehingga menjadi stress, sebaliknya jumlah kandang yang terlalu besar terhadap jumlah itik membuat itik terlalu banyak bergerak sehingga mengeluarkan energi yang terlalu besar dan pada akhirnya membuat hasil produksi tidak maksimal. Contoh yang lain yaitu jika terlalu banyak pakan yang diberikan kepada itik dapat membuat itik menjadi kegemukan, sedangkan kekurangan pakan dapat membuat itik menjadi kekurangan gizi sehingga membuat produksi menjadi berkurang. Untuk memperoleh subsistem yang optimal, pengeluaran modal juga harus dikeluarkan secara hati-hati sehingga mendapatkan keuntungan yang besar. Oleh karena itu dibutuhkan suatu sistem yang memudahkan peternak untuk menentukan nilai modal yang akan digunakan pada setiap subsistem agar mendapatkan hasil produksi dan keuntungan yang maksimal. Salah satu cara untuk melakukan prediksi keuntungan usaha peternakan telur alabio dapat menggunakan jaringan syaraf tiruan (JST). JST merupakan salah satu representasi otak manusia yang mensimulasikan proses pembelajaran pada otak manusia tersebut. JST sudah sering digunakan dalam melakukan peramalan (forecasting) dengan akurasi yang baik dalam berbagai bidang, seperti prediksi suku bunga, harga saham, dan lain-lain. Oleh karena itu penulis bermaksud menerapkan metode ini Fakultas Ilmu Komputer, Universitas Brawijaya
786
untuk menyelesaikan masalah dalam memprediksi tingkat keuntungan pada usaha telur itik alabio. Dalam skripsi ini penulis menggunakan jaringan syaraf tiruan menggunakan algoritma backpropagation. Algoritma backpropogation sudah pernah diterapkan dalam masalah-masalah yang berhubungan dengan prediksi. Sebagai contoh algoritma backpropogation telah digunakan oleh Kusuma (2011) untuk memprediksi produksi tebu. Pada penelitiannya Intan menggunakan MSE (Mean Squared Error) untuk menentukan tingkat error pada pengujian penelitiannya dan mendapatkan nilai error sebesar 2,6547%. Selain itu backpropogation juga pernah digunakan oleh Febrina (2013) untuk memprediksi jumlah permintaan produksi. Pada hasil pengujiannya, nilai MAPE (Mean Absolute Persentage Error) yang dihasilkan sebesar 5,7134% dan termasuk cukup baik karena tingkat error yang didapat kurang dari 10%. Karena kemampuan algoritma backpropogation yang dapat memprediksi dengan tingkat error yang kecil inilah maka penulis memutuskan untuk mengimplentasi algoritma tersebut untuk menentukan tingkat keuntungan hasil produksi telur itik alabio. 2. AGRIBISNIS ITIK ALABIO Menurut Davis (1957), Agribisnis merupakan suatu sistem dan bila ingin dikembangkan harus terpadu dan selaras dengan semua subsistem yang ada di dalamnya. Selanjutnya, Soehardjo (1997) menggambarkan skema sistem agribisnis yang terdiri dari 1) Subsistem pengadaan dan penyaluran sarana produksi, 2) subsistem produksi primer, 3) subsistem pengolahan, 4) subsistem pemasaran. Keseluruhan subsistem tersebut mempunyai peran yang sama sehingga keberhasilannya akan menentukan keberhasilan agribisnis sebagai suatu sistem. Usaha ternak itik alabio petelur memerlukan sarana produksi berupa bibit, pakan, kandang dan peralatan serta vitamin dan obat-obatan. Demikian juga tenaga kerja dan pengetahuan peternak ikut menentukan kualitas suatu usaha peternakan (Rasjaf, 2002). Subsistem-subsistem yang dipilih pada penelitian ini menggunakan data yang diberikan oleh pakar dan dianggap berpengaruh terhadap hasil tingkat produksi telur itik alabio. Subsistem-subsistem tersebut antara lain: 1. Jumlah Induk (ekor)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2. 3. 4. 5. 6. 7.
Penyusutan bibit (Rp) Harga pakan (Rp) Penyusutan kandang (Rp) Biaya tenaga kerja (Rp) Biaya vaksin dan obat (Rp) Biaya pemasaran (Rp) Sedangkan data penelitian menggunakan data produksi telur itik alabio pada daerah Hulu Sungai Utara Kalimantan Selatan tahun 2013. 3. JARINGAN SYARAF TIRUAN Jaringan syaraf tiruan (JST) merupakan suatu model yang meniru jaringan syaraf otak manusia dan digunakan untuk menyelesaikan masalah-masalah yang kompleks dan sulit dipahami dengan mempelajari pola-pola dari sejumlah data (Laudon, 2007). Proses dalam syaraf tiruan dimulai dari input atau masukan (baik dari data yang dimasukkan maupun dari output pada sel syaraf). Setiap input datang melalui suatu koneksi atau hubungan yang mempunyai sebuah bobot (weight). Setiap sel syaraf mempunyai sebuah nilai ambang. Jumlah bobot dari input dan dikurangi dengan nilai ambang akan mendapatkan suatu aktivasi dari sel syaraf (post synaptic potential). Signal aktivasi kemudian menjadi fungsi aktivasi / fungsi transfer untuk menghasilkan output dari sel syaraf. 3.1 Backpropagation Jaringan Syaraf Tiruan backpropagation adalah salah satu metode dari jaringan syaraf tiruan yang dapat diaplikasikan dengan baik dalam bidang peramalan (forecasting). Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan mengenali pola yang digunakan selama training serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa namun tidak sama dengan pola yang dipakai selama pelatihan (Siang, 2005) Menurut Siang (2005) Ada 3 fase pelatihan backpropagation, yaitu: 1. Fase 1 (Propagasi maju) Di fase ini, setiap sinyal masukan dipropagasi (dihitung maju) ke layar tersembunyi hingga layar keluaran dengan menggunakan fungsi aktivasi yang ditentukan. 2. Fase 2 (Propagasi mundur) Fakultas Ilmu Komputer, Universitas Brawijaya
787
Kesalahan (selisih antara keluaran jaringan dengan target yang diinginkan) yang terjadi dipropagasi mundur mulai dari garis yang berhubungan langsung dengan unit-unit di layar keluar. 3. Fase 3 (perubahan bobot) Pada fase ini dilakukan modifikasi bobot untuk menurunkan kesalahan yang terjadi. Ketiga fase tersebut diulang-ulang secara terus menerus sampai kondisi penghentian dipenuhi. Fase tersebut dilakukan secara berulangulang sampai stop condition terpenuhi. Stop condition digunakan sebagai kondisi untuk menghentikan proses pelatihan jaringan. Terdapat dua stop condition yang dapat digunakan: 1. Dengan membatasi iterasi (epoch) yang ingin dilakukan. Satu iterasi (epoch) adalah perulangan langkah ke β 3 sampai dengan langkah ke β 8 untuk keseluruhan data pelatihan. 2. Kedua dengan cara membatasi tingkat error. Dalam penelitian ini, perhitungan error menggunakan Mean Absolute Persentage Error (MAPE). Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan pola. Dalam hal ini, hanya propogasi maju saja yang dipakai untuk menentukan keluaran jaringan. 4. METODE NGUYEN-WIDROW Metode Ngunyen dan Widrow(1990) digunakan untuk mempercepat iterasi dengan menginisialisasi bobot dan bias ke unit tersembunyi. Algoritma Nguyen-Widrow diinisialisasi sebagai berikut: a. Inisialisasi semua bobot awal (vij) dengan bilangan acak dalam interval [-0,5,0.5] b. Hitung pe akar dari kuadrat penjumlahan bobot garis dari unit masukan x1 ke unit layer tersembunyi zj. 2 2 2 + π£2π + β― + π£ππ ||π£π || = βπ£1π
c. Hitung Bobot inisialisasi 2 π£ππ =
π½ π£ππ (ππππ) ||π£π ||
yang
dipakai
(16) sebagai (17)
d. Bias yang dipakai sebagai inisialisasi = v0j = bilangan acak antara -Ξ² dan Ξ².
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
5. MEAN ABSOLUTE PERSENTAGE ERROR (MAPE) MAPE merupakan rata-rata dari jumlah error yang bersifat absolute. MAPE sering digunakan dalam berbagai proses untuk mengetahui tingkat error pada suatu peramalan, salah satunya pada peramalan menggunakan JST. Pada backpropagation sendiri MAPE digunakan sebagai batas kesalahan dalam melakukan pelatihan. Persamaan MAPE dapat dilihat pada persamaan (2.35). ππ΄ππΈ =
βπ π=1
|π¦β² βπ¦| π¦
788
dengan menggunakan metode Nguyen-Widrow, kemudian melakukan proses pelatihan untuk mendapatkan nilai bobot terbaik yang akan digunakan pada proses pengujian, dan terakhir melakukan proses pengujian untuk mendapatkan nilai MAPE peramalan. Proses tersebut dapat dilihat pada Gambar 2.
Mulai
100%
(18)
π
Load data
6. METODE Pada penelitian ini data penelitian menggunakan data produksi itik alabio pada daerah Hulu Sungai Utara Kalimantan Selatan tahun 2013. Sedangkan parameter masukannya berupa subsistem atau fitur yang berpengaruh pada tingkat produksi telur itik alabio yang berjumlah sebanyak 6 fitur, yaitu: jumlah induk, penyusutan bibit, harga pakan, penyusutan kandang, biaya tenaga kerja, dan biaya vaksin dan obat. Sedangkan keluaran aplikasi nantinya berjumlah 1, yaitu keuntungan usaha telur itik alabio. Jumlah neuron pada hidden layer
ditentukan dengan mencari nilai perulangan terbaik pada tahap pengujian. Arsitektur jaringan pada penelitian ini digambarkan pada Gambar 1. b1
b2 v01 v03 v02 v0j V11
X1
Z1
v31 vi1
v21
w0k
v12
X2
v22 v32
Z2
w1k
vi2 w2k
X3
v13 v23 v33 vi3
. . . v3j v2j
v1j
Z3
. . .
w3k
Yk
wjk
X6 vij
Zj
Gambar 1. Arsitektur jaringan prediksi keuntungan produksi telur itik alabio
Proses yang dilakukan untuk melakukan prediksi tingkat keuntungan usaha peternakan itik alabio petelur dibagi menjadi beberapa tahapan, yaitu proses mengambil data, selanjutnya melakukan perhitungan bobot awal Fakultas Ilmu Komputer, Universitas Brawijaya
Normalisasi
Metode Nguyen-Widrow
A
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
789
7.1 Pengujian laju pembelajaran (learning rate)
A
Pengujian laju pembelajaran (learning rate) terhadap jumlah perulangan dilakukan menggunakan nilai laju pembelajaran berturutturut sebesar 0,9 sampai 0,1. Masing-masing dari nilai laju pembelajaran tersebut kemudian diuji sebanyak 5 kali. Jumlah hidden neuron pada hidden layer yang digunakan sebanyak 17 neuron. Bobot awal pada pengujian ke-i menggunakan nilai bobot yang sama pada tiap laju pembelajaran dan kembali menggunakan bobot berbeda pada pengujian selanjutnya. Hasil pengujian merupakan jumlah perulangan saat sistem jaringan mencapai batas MAPE dalam proses pelatihan, yaitu sebesar 10%. Hasil pengujian dalam bentuk Grafik dapat dilihat pada Gambar 3.
maxEpoch target error learning rate
for epoch =0 sampai epoch < maxEpoch
feedforward
Hitung Error
MAPE < target error ya
Backpropagation
tidak
epoch
Simpan bobot
Pengujian
Selesai
Gambar 2. Flowchart proses peramalan menggunakan backpropagation
7.
HASIL DAN PEMBAHASAN
Pengujian dilakukan menggunakan data produksi itik alabio pada daerah Hulu Sungai Utara Kalimantan Selatan tahun 2013 dengan banyak data sebesar 90 data. Hasil pengujian pada penelitian ini dilakukan dengan 4 macam pengujian, yaitu pengujian nilai laju pembelajaran, pengujian jumlah hidden neuron, pengujian MAPE latih, pengujian jumlah data latih, dan pengujian cross validation. Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 3. Grafik pengujian laju pembelajaran
Berdasarkan Gambar 3 dapat dilihat rata-rata jumlah perulangan yang paling optimal dalam proses backpropagation pada penelitian skripsi ini berada saat laju pembelajaran bernilai 0,8 dengan rata-rata jumlah perulangan sebesar 936.286,6 kali. Sedangkan semakin kecil nilai laju pembelajaran maka jumlah perulangan semakin besar. Nilai laju pembelajaran yang tidak beraturan dikarenakan nilai learning rate yang masih terlalu besar dalam melakukan proses pengujian sehingga terjadi kondisi overshoot, yaitu kondisi dimana nilai keluaran melewati nilai solusi yang diharapkan sehingga dibutuhkan perulangan lebih banyak untuk mendapatkan nilai yang konvergen. 7.2 Pengujian jumlah hidden neuron Pengujian jumlah neuron pada hidden layer terhadap MAPE dilakukan sebanyak 5 kali. Jumlah neuron yang diujikan sebanyak 11 macam neuron, yaitu mulai hidden neuron berjumlah 10 sampai dengan 20. Laju
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
790
pembelajaran (learning rate) yang digunakan sebesar 0.8. Hasil pengujian berupa jumlah perulangan saat proses pelatihan mencapai kondisi yang sudah ditentukan yaitu saat MAPE bernilai kurang dari 10%. Hasil pengujian dapat dilihat dalam bentuk grafik pada Gambar 4.
Gambar 5. Grafik pengujian batas MAPE latih
Gambar 4. Grafik pengujian jumlah hidden neuron
Dari Gambar 4 dapat dilihat nilai jumlah perulangan yang terus menurun semakin besar jumlah hidden neuron yang digunakan. Hal ini dikarenakan jika jumlah hidden neuron terlalu kecil, performansi sisstem jaringan syaraf tiruan juga semakin buruk. Hanya saja dengan jumlah hidden neuron yang terlalu besar, walau performansi sistem semakin baik, hasil peramalan dapat menjadi buruk. Karena itu dibutuhkan jumlah hidden neuron yang optimal untuk mendapatkan hasil peramalan yang baik. Sedangkan pada skripsi kali ini jumlah neuron yang digunakan sebesar 17, dimana merupakan nilai hidden neuron dengan performansi paling baik. 7.3 Pengujian batas MAPE latih Pengujian batas MAPE latih dilakukan terhadap tingkat error peramalan dan dilakukan sebanyak 5 kali. MAPE pelatihan yang diujikan sebanyak 5 macam kondisi, yaitu batas pengujian dengan MAPE sebesar 10%, 9%, 8%, 7%, dan 6%. Data latih yang digunakan dalam pengujian ini sebanyak 60% dari data keseluruhan dan data uji sebanyak 40% dari data keseluruhan. Laju pembelajaran (learning rate) yang digunakan sebesar 0,8 dan jumlah hidden neuron sebesar 17. Hasil pengujian berupa MAPE proses peramalan untuk setiap kondisi pengujian yang diberikan. Hasil pengujian dapat dilihat pada Gambar 5 dalam bentuk grafik.
Fakultas Ilmu Komputer, Universitas Brawijaya
Gambar 5 menunjukkan dalam proses pengujian yang dilakukan nilai error peramalan mengalami peningkatan, bertolak belakang dengan nilai MAPE pelatihan yang menurun, dimana hal ini disebut dengan kondisi overfitting. Penyebab overfitting bisa dikarenakan nilai hidden neuron yang tidak optimal atau dikarenakan error pelatihan yang terlalu bagus tetapi didalamnya terdapat data noise yang seharusnya tidak diproses dalam proses pelatihan. Jumlah data yang terlalu sedikit dan memiliki data noise juga dapat menyebabkan terjadinya overfitting. Karena nilai MAPE peramalan terkecil bernilai 58,616% didapatkan ketika MAPE bernilai 10%, maka untuk penelitian skripsi ini batas MAPE yang digunakan dalam proses pelatihan adalah 10%. 7.4 Pengujian jumlah data Pengujian jumlah data dilakukan sebanyak 5 kali dengan kondisi jumlah data latih yang berbeda-beda, yaitu data latih dengan jumlah sebesar 90%, 80%, 70%, 60%, 50%, 40%, 30%, 20%, dan 10%. Laju pembelajaran (learning rate) yang digunakan sebesar 0,8 dan jumlah hidden neuron sebesar 17. Hasil pengujian berupa MAPE peramalan untuk setiap kondisi pengujian yang diberikan. Hasil pengujian dapat dilihat pada Gambar 6 dalam bentuk grafik.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
791
dikarenakan pelatihan menggunakan data dengan jumlah yang sedikit sehingga proses pelatihan tidak maksimal. 8. KESIMPULAN
Gambar 6. Grafik pengujian jumlah data
Dari Gambar 6 dapat dilihat MAPE yang terendah berada saat data latih berjumlah 90% dan data uji berjumlah 10% dengan nilai sebesar 25,7852%. Hanya saja walau pada jumlah data tersebut memiliki MAPE yang paling rendah nilai tersebut masih dianggap kurang maksimal karena sistem syaraf jaringan menggunakan metode backpropagation dikatakan mampu melakukan prediksi jika memiliki MAPE peramalan kurang dari 10%. Penyebab tingginya nilai MAPE dimungkinkan karena terjadinya overfitting pada proses pelatihan. 7.5 Pengujian cross validation Pengujian Cross Validation dilakukan sebanyak 5 kali dengan subset data yang berbeda-beda tiap kali percobaannya. Pengujian menggunakan 5 lipatan data dari total data sebanyak 90 sehingga masing-masing subset memiliki 18 data. Parameter yang digunakan pada pengujian ini adalah learning rate sebesar 0,8 , jumlah hidden neuron sebesar 17, dan batas MAPE sebesar 10%. Hasil pengujian berupa error peramalan untuk setiap kondisi pengujian. Hasil pengujian tersebut dapat dilihat pada Tabel 1. Tabel 1. Hasil pengujian cross validation Percobaan
MAPE(%)
1
67,73284663
2
59,26645594
3
46,30192435
4
73,84667074
5
92,64629991
Rata-rata
67,9588
Dari Tabel 1 didapatkan nilai rata-rata MAPE peramalan sebesar 67,9588%. Nilai MAPE ini masih lebih besar dari nilai MAPE yang didapat pada pengujian jumlah data. Hal ini Fakultas Ilmu Komputer, Universitas Brawijaya
Dari hasil pengujian didapatkan nilai MAPE terendah sebesar 25,7852%, dengan nilai-nilai parameter sebagai berikut: Laju pembelajaran sebesar 0,8, jumlah hidden neuron pada hidden layer sebesar 17, dan dengan batas maksimum MAPE latih sebesar 10%. Karena hasil keluaran prediksi yang didapatkan masih terbilang kurang maksimal, diharapkan pada penelitian selanjutnya sistem dapat melakukan prediksi dengan nilai yang lebih akurat, baik dengan menambah jumlah data maupun fitur lainnya ataupun menggunakan metode lain yang dapat digunakan untuk memprediksi tingkat keuntungan hasil produksi telur itik alabio. DAFTAR PUSTAKA Davis, Goldberg, 1957. A Concept of Agribisnis. Boston: Harvard University. Doll, JP., Orazem, F., 1984. Production Economics Theory With Application. Canada: John Wiley & Sons Inc. Canada. Downey, W.D., Steven, P., 1989. Manajemen Agribisnis. Jakarta: Erlangga. Kusuma, I. W., 2011. Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX. Yogyakarta : FMIPA Universitas Negeri Yogyakarta. Laudon, C. K., 2007. Sistem Informasi Manajemen Mengelola Perusahaan Digital Edisi 10. Jakarta: Salemba Empat. Febrina, M., 2013. Peramalan jumlah permintaan produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropogation. Banten : Jurusan Teknik Industri Universitas Sultan Ageng Tirtayasa. Rasjaf, 2002. Beternak Itik. Yogyakarta : Kanisius. Said, E. G., 2002 . Kondisi dan permasalahan Agri Bisnis Indonesia. Buletin Kawasan Nomor 1.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Siang, J.J., 2005. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta : Penerbit Andi. Soehardjo, A., 1997,. Sistem Agribisnis dan Agroindustri. Bogor: Makalah Seminar MMA β IPB Bogor.Cookson, J. dan Church, S. eds., 2007. Leisure and the tourist. [e-book] Wallingford: ABS Publishers. Tersedia di: Google Books
[Diakses 1 Oktober 2015] Yusuf, 2013. HSU Terus Kembangkan Itik Alabio. [Diakses 1 Oktober 2015]
Fakultas Ilmu Komputer, Universitas Brawijaya
792
