Peramalan Dosis Pupuk Berdasarkan Karakteristik dan Lingkungan Tanaman Jeruk Siam Menggunakan Metode Backpropagation

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 1, No. 11, November 2017, hlm. 1214-1223

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Peramalan Dosis Pupuk Berdasarkan Karakteristik dan Lingkungan Tanaman Jeruk Siam Menggunakan Metode Backpropagation M. Najmi Ridhani1, Rekyan Regasari Mardi Putri2, Sutopo3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Jeruk siam merupakan salah satu tanaman hortikultura yang populer di Indonesia namun produksi jeruk siam dari tahun ke tahun mengalami fluktuasi. Penyebab utama fluktuasi produksi nasional jeruk siam adalah faktor iklim, lingkungan, dan penyakit. Salah satu cara mengatasi faktor iklim, penyakit dan lingkungan pada produksi jeruk siam adalah dengan memberikan pupuk dengan takaran yang pas dan proporsional sesuai dengan lingkungan dan karakteristiknya. Penelitian ini bertujuan untuk meramalkan dosis pupuk tanaman jeruk siam sesuai dengan karakteristik dan lingkungannya. Penelitian ini menggunakan Jaringan Saraf Tiruan (JST) backpropagation. Arsitektur jaringan terdiri dari 3 nueron input layer yang merepresentasikan lebar kanopi, tekstur tanah dan curah hujan, 1 hidden layer, dan 3 nueron output layer yang merepresentasikan komposisi pupuk yakni nitrogen, fosfor, dan kalium. Rancangan arsitektur jaringan terbaik untuk peramalan dosis pupuk jeruk siam adalah 3 neuron input, 5 nueron hidden layer dan 3 neuron output. Nilai learning rate yang digunakan 0.3 dengan iterasi maksimum 500, data latih 56 dan data uji 8. Nilai evaluasi Mean Absolute Percentage Error (MAPE) pengujian data komposisi dosis pupuk adalah 9.178% yang didapatkan dari rata-rata eror nilai dosis pupuk nitrogen, fosfor, dan kalium. Kata kunci: jeruk siam, pemupukan, peramalan, jaringan saraf tiruan, backpropagation. Abstract Citrus is one of the horticultural plants which are popular in Indonesia but the citrus production from year to year has fluctuated. There are some main causes that affected to the fluctuation of national production of citrus which are climate, environment, and diseases. One way to overcome the climate, environment, and diseases of citrus production is to provide fertilizer at the right dose and proportional to that matched with the environment and its characteristics. This study aims to forecast the dosage of citrus fertilizer according to the characteristics and environment. This study uses Artificial Neural Network (ANN) backpropagation. The architecture a network of 3 nueron input layer that represents the related parameters is width of the canopy, soil texture and rainfall, one hidden layer, and 3 nueron output layer that represents the composition of the fertilizer that is nitrogen, phosphorus, and potassium. The best network architecture design for forecasting doses of citrus fertilizer are 3 input neurons, 5 nueron hidden layer and 3 output neurons. The value of the learning rate used is 0.3 with the maximum iteration of 500 and the training data is 56 and the test data 8. The Mean Absolute Precentage Error (MAPE) evaluation value of the composition data of the fertilizer dose is 9.178% obtained from average error of dose of nitrogen, phosphorus, and potassium fertilizer. Keywords: Berdasarkan data produksi tanaman jeruk siam di Indonesia periode 2011-2015 Badan Pusat Statistik dan Direktorat Jenderal Hortikultura, produksi nasional jeruk siam sangat tinggi dengan rata-rata produksi mencapai 1.5 juta ton per tahun,namun dari tahun ke tahun produksi nasional jeruk siam mengalami fluktuasi (Badan, 2015).

1. PENDAHULUAN Indonesia adalah salah satu negara yang mengandalkan sektor pertanian dalam menjaga stabilitas pangan dan ekonomi. Dalam perkembangannya pertanian terbagi menjadi banyak subsektor, salah satunya adalah hortikultura. Salah satu tanaman hortikultura yang paling populer saat ini adalah jeruk siam. Fakultas Ilmu Komputer Universitas Brawijaya

1214

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Flukstuasi produksi tanaman jeruk siam terjadi karena beberapa faktor seperti hama penyakit, iklim, dan lingkungan akibatnya kualitas, produktivitas serta pendapatan petani tanaman jeruk siam menjadi turun (Kurniati, 2014). Salah satu cara mengatasi faktor penyebab turunnya produksi tanaman jeruk siam adalah dengan memberikan nutrisi atau pupuk yang pas dan proporsional sesuai dengan lingkungan yang direpresentasikan dengan tekstur tanah dan curah hujan pada tanaman jeruk serta karakteristik jeruk siam yang direpresentasikan dengan lebar kanopi. Pemberian pupuk dengan takaran yang pas sesuai dengan karakteristik tanaman jeruk siam dapat menjadikan tanaman jeruk tidak mudah terserang penyakit serta mampu meminimalkan efek iklim dan lingkungan tanam. Selain itu juga dapat meminimalkan biaya produksi petani. Pemupukan yang pas dan proporsional terhadap tanaman jeruk siam pada fase belum menghasilkan buah akan meningkatkan produktivitas dan kualitas jeruk siam ketika tanaman jeruk memasuki fase dewasa (Sutopo, 2016). Namun kurangnya pengetahuan petani mengakibatkan pemupukan yang mereka lakukan hanya berdasarkan naluri atau feeling saja. Selain itu berkonsultasi dengan pakar atau ahli terkait pupuk untuk tanaman jeruk mereka juga kurang maksimal dikarenakan jarak yang jauh dan waktu yang lama. Dan apabila dosis yang diberikan tidak pas baik itu kurang atau lebih akan berdampak pada petani, lingkungan dan jeruk itu sendiri. Berdasarkan permasalahan diatas, dibutuhkan suatu sistem yang mampu menaksir dosis pupuk yang pas sesuai dengan karakteristik dan lingkungan tanaman jeruk siam. Sistem ini mampu meramalkan dosis pupuk yang dibutuhkan tanaman jeruk siam berdasarkan karakteristik dan lingkungannya sehingga produksi tanaman jeruk siam serta pendapatan petani dapat meningkat. Terdapat dua penelitian sebelumnya yang berkaitan dengan peramalan. Penelitian pertama adalah penelitian yang dilakukan oleh Mira Febriana (2013). Penelitian ini menggunakan metode jaringan saraf tiruan backpropagation untuk meramalkan jumlah permintaan produksi berdasarkan data hasil penjualan dan stok Fakultas Ilmu Komputer, Universitas Brawijaya

1215

produk. Struktur jaringan tebaik pada penelitian ini adalah dengan 20 input layer, 1 hidden layer, dan 1 output layer dengan akurasi pada fase pengujian sebesar 5.7134. Penelitian kedua dilakukan oleh Felasufah Kusumadewi (2014). Dengan metode yang sama, penelitian ini dilakukan untuk meramalkan harga emas berdasarkan harga emas dunia dan harga minyak dunia. Struktur jaringan terbaik pada penelitian ini adalah dengan 3 input layer dan 9 hidden layer dengan akurasi pada fase pengujian adalah sebesar 5.68%. Berdasarkan permasalahan yang ada dan beberapa penelitian terkait, penulis mengusulkan penelitian peramalan dosis pupuk berdasarkan karakteristik dan lingkungan tanaman jeruk siam menggunakan metode jaringan saraf tiruan backpropagation. Peramalan dilakukan berdasarkan karakteristik dan lingkungan tanaman jeruk siam. Selain itu untuk mempercepat proses pelatihan digunakan metode Nguyen-Widrow. 2. Landasan Kepustakaan 2.1. Pemupukan Jeruk Siam Pemupukan adalah usaha yang dilakukan untuk memperbaiki kesuburan tanah dengan memenuhi unsur hara yang dibutuhkan oleh tanaman. Pemupukan sendiri mempunyai banyak manfaat salah satunya mencegah hilang dengan cepatnya unsur hara seperti nitrogen,fosfor, dan kalium yang disebabkan oleh penguapan (Ruidah, 2013). Pada pemupukan tanaman jeruk siam terdapat tiga unsur hara yang dibutuhkan dalam jumlah yang besar yakni nitrogen (N), fosfor (P), dan kalium (K) (Sutopo, 2016). 2.2. Parameter Pemupukan Jeruk Siam Pemupukan jeruk siam pada fase belum menghasilkan buah menggunakan pendekatan sederhana yakni karakteristik tanaman dan lingkungan. Meskipun sederhana, pada impelentasinya petani tetap mengalami kesulitan untuk menentukan dosis yang pas (Sutopo, 2016). Kendala yang sering terjadi adalah sulitnya menaksir dosis pupuk tanaman jeruk siam dengan umur atau karakteristik tertentu dengan kondisi lingkungan tertentu. Akibat yang ditimbukan adalah penggunaan pupuk berlebih yang mengancam tanaman jeruk


siam itu sendiri, lingkungan tanamnya serta biaya produksi yang dikeluarkan petani menjadi lebih besar karena pada implementasinya pemupukan jeruk siam pada fase juvenile dilakukan per dua bulan sekali. Pada pemupukan tanaman jeruk siam pada fase belum menghasilkan buah terdapat tiga parameter yang saling terkait yakni lebar kanopi yang merepresentasikan karakteristik jeruk siam, tesktur tanah dan jumlah bulan kering yang merepresentasikan lingkungan jeruk siam. 2.3. Jaringan Saraf Tiruan Backpropagation Jaringan Saraf Tiruan (JST) diibaratkan layaknya sebuah otak dengan kerangka berpikir yang sama dengan manusia. Istilah buatan tersebut digunakan karena dalam pengimplementasiannya menggunakan program komputer untuk menyelesaikan permasalahan perhitungan selama proses pembelajarannya (Kusuma, 2003). Salah satu metode JST adalah backpropagation. Backpropagation adalah salah satu model jaringan saraf tiruan supervised learning dimana algoritma ini digunakan untuk menyelesaikan masalah-masalah yang kompleks (Siang, 2009). Karakteristik algoritma ini adalah mendapatkan eror seminimal mungkin terhadap output yang dihasilkan dan juga terdiri dari input layer, hidden layer serta output layer (Puspita & Uenike, 2007). Dalam perkembangan nya ada 3 fase yang dilalui didalam proses pelatihan backpropagation yakni perambatan maju yang berhubungan dengan pemprosesan nilai input, perambatan mudur yang berhubungan dengan eror, dan perubahan bobot (Agustina, 2010). Fase pelatihan untuk jaringan backpropagation dengan satu layer tersembunyi adalah sebagai berikut : 1. Inisialisasi bobot dan bias yang di set berupa nilai acak antara -0.5 sampai 0.5, selain itu juga menentukan nilai learning rate, jumlah iterasi maksimun dan batas nilai eror. 2. Langkah tersebut terus berulang selama kondisi belum terpenuhi. Kondisi berhenti ditentukan dari iterasi maksimun dan batas eror. Apabila iterasi melebihi maksimum yang ditentukan proses pelatihan berhenti. Dan jika eror yang direpresentasikan dengan MSE (Mean Square Error) Fakultas Ilmu Komputer, Universitas Brawijaya

1216 dipelatihan sama atau lebih kecil dari batas eror yang ditentukan maka proses pelatihan berhenti. Fase 1 : Propagasi maju

3. Tiap neuron input (𝑥𝑖 ,i = 1,…,n) menerima sinyal input dan mengirimkannya ke semua neuron di hidden layer. 4. Sinyal masuk hidden, dimana tiap neuron di input layer yang menuju hidden layer (𝑧𝑗 , j = 1,…,p) akan dihitung sinyal input dan biasnya dengan masing-masing bobot yang nantinya akan dijumlahkan sesuai dengan persamaan berikut : 𝒛_𝒊𝒏𝒋 = 𝒗𝒐𝒋 + ∑𝒏𝒊=𝟏 𝒙𝒊 𝒗𝒊𝒋

(1)

Selanjutnya menggunakan fungsi aktivasi sigmoid biner untuk menghitung sinyal output dari neuron di hidden layer,nantinya sinyal output ini akan dikirim ke semua neuron di output layer sesuai dengan persamaan berikut: 𝟏

𝒛𝒋 = 𝒇(𝒛_𝒊𝒏𝒋 )= (𝟏+(𝒆𝒙𝒑−𝒛𝒊𝒏𝒋 )) 5.

(2)

Sinyal masuk output, dimana tiap neuron dihidden layer yang menuju output layer (𝑦𝑘 , 𝑘 = 1, … . , 𝑚) akan dihitung sinyal input dan biasnya yang berasal dari hidden layer sesuai dengan persamaan berikut : 𝒑 𝒚_𝒊𝒏𝒌 = 𝒘𝒐𝒌 + ∑𝒋=𝟏 𝒛𝒋 𝒘𝒋𝒌

(3)

Selanjutnya gunakan fungsi aktivasi untuk menghitung sinyal outputnya sesuai dengan persamaan berikut : 𝒚𝒌 = 𝒇(𝒚_𝒊𝒏𝒌 )=

𝟏

(𝟏+(𝒆𝒙𝒑−𝒚𝒊𝒏𝒌 ))

(4)

Fase 2 : Propagasi mundur 6. Koreksi eror output adalah menghitung eror pada faktor 𝛿𝑘 di layer output berdasarkan kesalahan unit keluaran 𝒚𝒌 sesuai dengan persamaan berikut : 𝜹𝒌 = (𝒕𝒌 − 𝒚𝒌 )𝒚𝒌 (𝟏 − 𝒚𝒌 )

(5)

Faktor koreksi eror 𝑤𝑗𝑘 adalah cara yang digunakan untuk menghitung koreksi eror (∆𝑤𝑗𝑘 ) untuk memperbaharui 𝑤𝑗𝑘 , sesuai dengan persamaan berikut: ∆𝒘𝒋𝒌 = ∝ 𝜹𝒌 𝒛𝒋

(6)


Dan untuk menghitung koreksi nilai bias menggunakan persamaan berikut: ∆𝒘𝟎 𝐤 = ∝ 𝜹𝒌

(7)

7. Koreksi delta bobot 𝑤𝑗𝑘 adalah menghitung bobot yang nantinya dikirim ke neuron di hidden layer sesuai dengan persamaan berikut : 𝜹_𝒊𝒏𝒋 = ∑𝒎 𝒌=𝟏 𝜹𝒌 𝒘𝒋𝒌

(8)

Selanjutnya nilai ini dihitung dengan mengkalikannya dengan turunan dari fungsi aktivasi yang menghasilkan faktor koreksi eror 𝛿𝑗 sesuai dengan persamaan berikut : 𝜹𝒋 = 𝜹𝒊𝒏 𝒋 𝒛𝒋 (𝟏 − 𝒛𝒋 )

(9)

Kemudian menghitung koreksi eror ∆𝑣𝑖𝑗 yang berfungsi untuk mengupdate ∆𝑣𝑖𝑗 dengan menggunakan faktor 𝛿𝑗 sesuai dengan persamaan berikut : ∆𝒗𝒊𝒋 = ∝ 𝜹𝒋 𝒙𝒊

(10)

Fase 3 : Perubahaan bobot 8. Hitung semua perubahan bobot. Tiap neuron dilayer output (𝑦𝑘 ,k = 1,…,m) akan mempengaruhi bobot dari neuron di hidden layer sesuai dengan persamaan berikut : 𝒘𝒋𝒌 (𝒃𝒂𝒓𝒖) = 𝒘𝒋𝒌 (𝒍𝒂𝒎𝒂) + ∆𝒘𝒋𝒌

𝒗𝒊𝒋 (𝒃𝒂𝒓𝒖) = 𝒗𝒊𝒋 (𝒍𝒂𝒎𝒂) + ∆𝒗𝒊𝒋 (12)

9. Memerikasa stopping condition, yakni apabila nilai eror sudah lebih kecil dari batas yang ditentukan atau iterasi sudah mencapai maksimum maka proses pelatihan dihentikan. Perhitungan nilai eror pada pelatihan menggunakan Mean Square Error (MSE) yang juga berfungsi untuk meningkatkan akurasi sesuai dengan persamaan berikut (Siang, 2005) : 𝟐 (𝒚𝒊−𝒚 ̂) 𝒊

𝒏

2.4. Algoritma Nguyen-Widrow Algoritma Nguyen-Widrow merupakan algoritma yang digunakan untuk menginisialisasi bobot awal pada JST untuk mengurangi waktu pelatihan (Yudhi, 2014). 1. Inisialisasi parameter awal 𝑣𝑖𝑗 , 𝑣0𝑗 , 𝑤0𝑘 dan 𝑤𝑗𝑘 . 2. Memberi nilai batasan awal pada vij dengan range antara (-0.5) – 0.5. selanjutnya adalah mencari nilai ||𝑣𝑖𝑗 || sesuai dengan persamaan berikut : ||𝒗𝒊𝒋 ||=√𝒗𝟐𝟏 𝒋 + 𝒗𝟐𝟐 𝒋 + ⋯ . +𝒗𝟐𝒏 𝒋 (14)

3. Hitung 𝛽 atau factor skala sesuai dengan persamaan berikut : 𝜷 = 0.7 (𝒑)

𝟏⁄ 𝒏

= 0.7 𝒏√𝒑

(15)

4. Dan menghitung nilai 𝑣𝑖𝑗 sesuai dengan persamaan berikut : 𝒗𝒊𝒋 =

𝜷𝑽𝒊𝒋 (𝒍𝒂𝒎𝒂) ||𝑽𝒊𝒋 ||

(16)

5. Nilai bias yang digunakan sebagai inisialisasi adalah 𝑣𝑜𝑗 = bilangan acak antara -𝛽 𝑑𝑎𝑛 𝛽. 6. Memberi nilai batasan 𝑤𝑗𝑘 dan 𝑤0𝑘 antara -0.5 dan 0.5. 2.5. Nilai Evaluasi

(𝟏𝟏)

Selanjutnya menghitung perubahan bobot neuron di hidden layer (𝑧𝑗 , j = 1,…,p) akan mempengaruhi bobot dan biasnya dari setiap unit input sesuai persamaan berikut :

𝑴𝑺𝑬 = ∑𝒏𝒊

1217

(13)

Fakultas Ilmu Komputer, Universitas Brawijaya

Nilai evaluasi adalah nilai yang mampu mengukur tingkat persentase keakuratan dalam meramalkan dosis pupuk tanaman jeruk siam atau disebut juga dengan Error rate. Nilai evaluasi yang digunakan adalah Mean Absolute Precentage Errror (MAPE). MAPE sendiri digunakan untuk mengukur kehandalan metode dalam peramalan dosis pupuk. MAPE digunakan pada fase pengujian dimana MAPE menggunakan nilai persentase dalam menyatakan nilai eror yang didapatkan dari perbandingan peramalan dengan data aktual. Penjabaran rumus MAPE dijelaskan pada persamaan berikut (Puspita & Uenike, 2007): 𝟏

𝒚𝒊− 𝒚 ̂𝒊

𝒏

𝒚𝒊

𝑴𝑨𝑷𝑬 = ∑𝒏𝒊=𝟏 |

𝐱𝟏𝟎𝟎|

(17)

Sedangkan menghitung akurasi menggunakan persamaan berikut :


Akurasi = 100% - MAPE

1218

(18)

2.6. K-fold Cross Validation K-fold Cross Validation adalah salah satu metode yang digunakan untuk mengukur ratarata keberhasilan dengan cara membagi data latih dan data uji secara berulang dengan acak (Banjarsari, dkk. 2015). Metode ini melakukan perulangan sebanyak k kali untuk membagi himpunan data secara acak menjadi k-subset yang saling bebas. Dan dipilih satu subset data yang berbeda untuk dan uji disetiap kali perulangan. Sebagai contoh jika nilai k bernilai 3, data akan dibagi menjadi 3 subset atau kelompok. Pada implementasinya subset pertama digunakan sebagai data uji, sedangkan data subset kedua dan ketiga sebagai data latih. Dan perulangan selanjutnya data subset kedua sebagai data uji, sedangkan data subset pertama dan ketiga menjadi data latih. Untuk mengetahui akurasi dari fold yang digunakan dijelaskan pada persamaan berikut:

Akurasi = (MAPE K1+….. MAPE Kn)/n (19)

3. Metodologi Penelitian Metodologi yang digunakan untuk diagnosa dosis pupuk berdasarkan karakteristik dan lingkungan tanaman jeruk siam menggunakan metode backpropagation dilakukan dengan langkah penelitian sesuai dengan Gambar 1 berikut:

Gambar 1. Diagram Metodologi Penelitian

3.1. Studi Literatur Studi literatur bertujuan untuk mempelajari teori yang akan digunakan untuk memecahkan permasalahan dalam penelitian. Salah satunya mempelajari teori mengenai metode yang akan diimplentasikan dalam penelitian ini yakni backpropagation serta teori tentang karakteristik tanaman jeruk,lingkungan dan pemupukan yang di peroleh dari penelitian sebelumnya, buku, wawancara dengan pakar dibidang yang berkaitan, serta jurnal yang membahas topik pemupukan tanaman secara luas ataupus khusus tanaman jeruk. 3.2. Analisis Kebutuhan Analisis kebutuhan merupakan proses yang dilakukan untuk menganalisis semua kebutuhan yang diperlukan agar aplikasi berjalan dengan baik. Analisis kebutuhan terdiri dari deskripsi umum sistem dan spesifikasi lingkungan implementasi sistem. 3.3. Pengumpulan Data Data yang digunakan dalam implementasi backpropagation adalah data yang dikumpulkan oleh peneliti dari berbagai sumber literatur terkait pemupukan tanaman jeruk siam dan kemudian dikonsultasikan kepada pakar. Data kemudian diolah agar dapat digunaan sesuai dengan kebutuhan sistem. Teknik pengumpulan data dilakukan dengan cara wawancara ke Balai Penelitian Tanaman Jeruk dan Buah Subtropika (BALITJESTRO), narasumber pakar tanaman



1219

jeruk dan pertanahan Ir. Sutopo,M.Si serta literatur buku atau jurnal yang terkait. Data yang diambil adalah data pemupukan jeruk dan aturan rekomendasi pemupukan berimbang. 3.4. Perancangan Perancangan desain sistem adalah rancangan arsitektur alur proses yang terjadi dalam sistem. Perancangan desain sistem menjelaskan alur sistem secara tersturktur mulai dari input hingga output yang dihasilkan. 3.5. Implementasi Implementasi sistem adalah proses pembangunan sistem sesuai dengan perancangan yang telah dibuat sebelumnya. Implementasi sistem dilakukan dengan menggunakan bahasa pemrograman Java dan tools pendukung lainnya. Input sistem berupa lebar kanopi jeruk siam, tekstur tanah dan jumlah bulan kering. Proses sistem adalah peramalan berdasarkan parameter tersebut dengan metode backpropagation dan output berupa dosis pupuk yang optimal dan berimbang.

Gambar 2. Flowchart Diagram Alir Sistem

4.2. Flowchart Diagram Alir sistem Berikut adalah flowchart pencarian struktur jarinngan terbaik yang ditunjukan pada gambar dibawah ini

3.6. Pengujian Proses pengujian sistem dilakukan untuk mengukur keberhasilan serta akurasi sistem yang telah diimplementasikan. Pengujian dilakukan terhadap kombinasi parameter yang digunakan dalam proses backpropagation berdasarkan skenario pengujian yang telah dibuat. Detail pengujian akan dijelaskan pada bab pengujian dan analisis sistem. 3.7. Penarikan Kesimpulan Penarikan kesimpulan dilakukan setelah tahapan perancangan, implementasi, dan pengujian telah selesai dilakukan. Kesimpulan akan mampu menjawab rumusan masalah dan mengacu pada hasil pengujian. Selain itu ditambahkan saran untuk memperbaiki kesalahan dan memberikan pertimbangan untuk pengembangan lanjut.

Gambar 3. Flowchart Pencarian Struktur Jaringan terbaik

4. Perancangan 4.1. Flowchart Diagram Alir sistem Flowchart adalah alur proses implementasi sistem yang akan berjalan. Berikut adalah flowchart sistem yang ditunjukan pada gambar dibawah ini Fakultas Ilmu Komputer, Universitas Brawijaya

5. Pengujian dan Analisis Berikut ini adalah hasil dan analisa dari pengujian yang dilakukan. 5.1. Pengujian K-Fold Cross Validation Tujuan dari pengujian ini adalah untuk


mengetahui performa dari model jaringan saraf tiruan. Dalam pengujian ini nilai k-fold yang diuji adalah 4 dan 8 dengan data yang acak dimana nantinya akan dibandingkan akurasi antara kedua fold tersebut. Nilai parameter lain dalam pengujian ini seperti iterasi maksimum, batas eror, jumlah neuron hidden layer dan learning rate adalah sebagai berikut : iterasi maksimum atau jumlah epoch 500, jumlah neuron hidden layer 5, learning rate 0.3 dan batas eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen-widrow dan jumlah percobaan yang dilakukan adalah sebanyak 5 kali. Hasil pengujian k-fold cross validation terhadap tingkat akurasi dalam hal ini adalah MAPE dapat dilihat pada Gambar 4.

rata-rata Eror

Perbandingan eror K-fold 4 dan k-fold 8 18 17 16 15 14

rata-rata eror

17,26415 15,258

Fold 4

Fold 8

17,26415

15,258

itu neuron hidden layer secara tidak langsung memberikan pengaruh pada bobot yang diacak secara random ditambah dengan algoritma nguyen widrow. Jumlah neuron hidden layer yang besar akan menjadikan nilai bobot juga semakin besar atau bahkan semakin kecil karena pada algoritma nguyen widrow dimana nilai β (beta) bergantung pada jumlah neuron hidden layer. 5.2. Pengujian Data Uji Konstan Tujuan dari pengujian ini adalah untuk mengetahui pengaruh dari data uji yang konstan dan jumlah data latih yang berbeda terhadap akurasi yang direpresentasikan dengan MAPE. Data latih yang diuji pada penelitian ini adalah 40, 48, dan 56 dengan data uji 8. Nilai parameter lain dalam pengujian ini seperti iterasi maksimum, batas eror, jumlah neuron hidden layer dan learning rate adalah sebagai berikut : iterasi maksimum atau jumlah epoch 500, jumlah neuron hidden layer 5, learning rate 0.3 dan batas eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen-widrow dan jumlah percobaan yang dilakukan adalah sebanyak 5 kali. Hasil pengujian berturut-turut dapat dilihat pada Gambar 5.

Gambar 4. Pengujian K-fold Cross Validation


Pengujian data uji yang konstan

Rata-rata MAPE

Berdasarkan Gambar 4 dapat disimpulkan fold 8 mempunyai akurasi yang lebih tinggi dibanding dengan fold 4. Salah satu faktor yang mempengaruhi tingginya akurasi pada fold 8 adalah jumlah data latih yang lebih banyak daripada fold 4 sehingga pola data dan pengetahuan yang terbentuk di fase pelatihan fold 8 jauh lebih baik dan bobot terakhir yang dihasilkan juga lebih baik dibandingkan dengan fold 4. Akan tetapi dilihat dari rata-rata eror setiap fold baik itu fold 4 dan fold 8 masih tidak stabil untuk mengatasi ketidakstabilan eror tersebut diperlukan pengujian data yang lain yang tidak terpaku kepada fold 4 dan fold 8 baik itu data latih atau data ujinya. Selain itu urutan data juga mempengaruhi akurasi dan kestabilan eror dimana data yang urut menjadikan proses pembobotan lebih baik dibandingkan data yang acak. Iterasi serta jumlah hidden layer juga mempengaruhi akurasi. Iterasi yang kecil mengakibatkan proses pelatihan tidak mampu mendekati batas eror yang dikehendaki. Selain

1220

20 15 10 5 0 Rata-rata error

40

48

56

16,185

10,102

9,178

Gambar 5. Pengujian Data Uji yang Konstan

Berdasarkan Gambar 5. diatas dapat disimpulkan terjadi peningkatan akurasi pada data latih yang besar hal ini dikarenakan pembentukan pola dan pengetahuan di fase pelatihan akan semakin baik dengan banyaknya data yang bervariasi. Selain itu banyaknya data latih serta banyaknya iterasi juga mampu mendekati batas eror yang ditentukan. Akurasi tertinggi pada pengujian ini adalah data latih 56 dengan rata-rata 9.178% dimana pada fase pelatihan nilai MSE yang didapatkan sudah mendekati batas eror yang ditentukan sehingga


5.3. Pengujian Jumlah Neuron Hidden Layer Pada pengujian ini, jumlah hidden layer yang diuji adalah 1 sampai 5. Pengujian parameter pada setiap percobaan menggunakan 56 data latih dan 8 data uji, parameter lain yang digunakan adalah iterasi maksimum 500 dan minimal eror 0.001. Tujuan dari pengujian ini adalah untuk mengetahui jumlah hidden layer terbaik untuk akurasi yang maksimal. Hasil pengujian berturut-turut dapat dilihat pada Gambar 6.

Rata-rata eror

Pengujian hidden layer 9,5 9 8,5 8 7,5 7

Nilai eror

latih 56 dan data uji 8. Nilai parameter lain dalam pengujian ini adalah sebagai berikut learning rate 0.3, jumlah hidden layer 5 dan minimal eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen Widrow. Hasil pengujian dapat dilihat pada Gambar 7. Pengujian Iterasi Maksimum

Rata-rata Eror

bobot pada akhir iterasi dianggap terbaik.

1221

20 15 10 5 0

100

200

300

400

500

Nilai Error 16,35 13,44912,801 10,71 9,67

Gambar 7. Pengujian Iterasi Maksimum 1 9,13

2

3

8,252 8,354

4

5

8,58

7,97

Gambar 6. Pengujian Neuron Hidden Layer

Berdasarkan Gambar 6 diatas nilai eror terkecil didapatkan pada jumlah neuron hidden 5 dengan rata-rata 7.97%. Banyaknya jumlah neuron hidden layer akan menghasilkan eror yang semakin kecil dan memangkas iterasi menjadi lebih singkat. Pada implementasinya jumlah neuron hidden layer yang di uji adalah sesuai dengan aturan Heaton. Jumlah neuron hidden layer mempengaruhi waktu komputasi karena pengkoreksian di output layer dan hidden membutuhkan waktu yang lama. Selain itu jumlah neuron hidden layer yang tinggi akan menghasilkan nilai MSE yang mendekati dengan toleransi eror sehingga bobot yang dihasilkan dianggap terbaik juga pengaruh terhadap bobot dimana semakin besar hidden layer nilai β pada nguyen widrow juga semakin besar.

Berdasarkan Gambar 7. diatas nilai eror yang dihasilkan dengan perbandingan iterasi maksimum secara signifikan terus. Umumnya semakin besar jumlah iterasi semakin bagus akurasi yang di dapatkan akan tetapi waktu pelatihan yang dibutuhkan menjadi lama hal ini terjadi karena semakin banyak perulangan semakin besar banyak proses perulangan serta semakin banyak proses perbaikan eror di iterasi sebelumnya. Iterasi yang kecil akan menghasilkan nilai MSE yang jauh dari batas eror sehingga untuk mencapai atau mendekati batas eror diperlukan iterasi yang banyak. Akan tetapi iterasi yang banyak akan menghasilkan overfitting atau hasil hanya bagus di fase pelatihan saja selain itu eror yang dihasilkan akan masuk kedalam titik minimum lokal atau bahkan global, untuk itu dibutuhkan iterasi yang efektif dimana eror yang didapat kecil dan waktu komputasi tidak begitu lama. Pada pengujian ini didapatkan nilai MSE yang mendekati batas eror berada pada iterasi 500 dengan nilai eror dipengujian yang konvergen. 5.5. Pengujian Learning rate

5.4. Pengujian Iterasi Maksimum Tujuan dari pengujian ini adalah untuk menguji dan mengetahui pengaruh dari jumlah iterasi maksimum yang digunakan dalam pelatihan terhadap akurasi yang direpresentasikan dengan MAPE. Dalam pengujian ini jumlah iterasi yang diuji adalah sebagai berikut : 100, 200, 300, 400, dan 500. Pengujian dilakukan dengan menggunakan data Fakultas Ilmu Komputer, Universitas Brawijaya

Tujuan dari pengujian ini adalah untuk menguji dan mengetahui pengaruh dari nilai learning rate yang digunakan dalam pelatihan terhadap akurasi yang direpresentasikan dengan MAPE. Dalam pengujian ini nilai learning rate yang digunakan adalah sebagai berikut : 0.1, 0.2, 0.3, 0.4, 0.5, dan 0.6. Pengujian dilakukan dengan menggunakan data latih 56 dan data uji 8. Nilai parameter lain dalam pengujian ini


seperti iterasi maksimum, batas eror dan adalah sebagai berikut : iterasi maksimum 500, jumlah neuron hidden layer 5 dan minimal eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen Widrow. Hasil pengujian nilai learning rate dapat dilihat pada Gambar 8.

Rata-rata eror

Pengujian learning rate 16 14 12 10 8 6 4 2 0

0,1

0,2

0,3

0,4

0,5

0,6

Rata-rata 14,31410,3979,85810,29110,4311,372 error

Gambar 8. Pengujian Iterasi Maksimum

Berdasarkan Gambar 8 diatas dapat diketahui bahwa nilai eror atau akurasi tertinggi berada pada nilai 0.3 dengan rata-rata 10.39%. Pada implementasinya nilai learning rate yang kecil akan menghasilkan akurasi yang rendah dan untuk mencapai akurasi yang tinggi diperlukan iterasi yang banyak. Sedangkan dengan jumlah iterasi yang sama dan nilai learning rate yang besar akan memberikan akurasi yang tinggi tetapi apabila nilai learning rate terlalu besar akan mengakibatkan overfitting atau hasil hanya bagus di fase pelatihan saja selain itu eror yang dihasilkan akan masuk kedalam titik minimum lokal atau bahkan global serta ketidakstabilan jaringan. Pada pengujian ini nilai learning rate yang rendah akan membutuhkan waktu yang lama untuk mencapai batas eror karena MSE yang dihasilkan sangat jauh dengan batas eror. Selain itu bobot yang random juga mempengaruhi hasil akurasi ditambah faktor lain seperti urutan data dan jumlah neuron hidden layer. Sehingga dalam penelitian ini dipilih nilai learning rate yang tidak terlalu rendah dan tidak terlalu tinggi yakni 0.3 karena mempunyai hasil yang optimal dan MAPE terendah. Pada backpropagation sendiri learning rate berhubungan erat dengan pengoreksian dan perubahan bobot.

1222

6. Kesimpulan dan Saran Beberapa poin kesimpulan dari hasil penelitianyang dilakukan adalah sebagai berikut: 1. Implementasi metode Backpropagation dalam peramalan dosis pupuk berdasarkan lingkungan dan karakteristik tanaman jeruk siam dengan menggunakan data pemupukan berupa parameter lebar kanopi, tekstur tanah dan curah hujan. Pada fase pelatihan menggunakan metode Nguyen widrow untuk mempercepat pelatihan dan menentukan bobot awal. Pada fase ini menghasilkan bobot terbaik di akhir iterasi yang digunakan di fase pengujian. Akurasi dipengujian di representasikan dengan MAPE yang membandingkan hasil data uji dan target yang sudah di denormalisasi. 2. Struktur jaringan terbaik yang terbentuk adalah dengan menggunakan 3 neuron input, 5 neuron hidden, dan 3 neuron output. Berdasarkan hasil pengujian sistem, akurasi tertinggi atau MAPE yang didapatkan adalah 9.178% yang didapatkan dari rata-rata eror dari nilai dosis pupuk nitrogen, fosfor dan kalium. 3. Proses pembentukan model backpropagation terdiri atas beberapa tahap, yaitu (1) melakukan pembagian data training dan data testing. (2) menormalisasi data, (4) membangun model dengan algoritma backpropagation yakni inisialisasi bobot awal dengan Nguyen-Widrow, menentukan banyaknya neuron di hidden layer, (5) denormalisasi dan (6) uji kesesuaian jaringan atau model terbaik yang digunakan untuk peramalan. 4. Sesuai dengan hasil pengujian, akurasi terbaik secara keseluruhan pengujian dengan menggunakan tiga parameter input yakni lebar kanopi, tekstur tanah dan curah hujan yang didapatkan dari rata-rata eror dari nilai dosis pupuk nitrogen, fosfor dan kalium, yakni 9.178% dengan jumlah data latih 56 dan data uji 8, learning rate 0.3 dan iterasi maksimum 500.

Saran yang dapat diberikan untuk pengembang selanjutnya adalah : Fakultas Ilmu Komputer, Universitas Brawijaya


1. Melakukan optimasi terhadap nilai learning rate atau menggunakan adaftive learning rate sehingga didapatkan nilai learning rate yang optimal. 2. Mampu mengembangkan kategori data parameter tekstur tanah dan curah hujan menjadi lebih spesifik sehingga akurasi bisa dibandingkan apakah lebih tinggi atau lebih rendah. 3. Membadingkan dengan metode sejenis di survised learning untuk mengetahui akurasi yang didapatkan. 4. Menambahkan data parameter baru yang berpengaruh terhadap pemupukan tanaman jeruk siam. 5. Melakukan pengambilan data latih dan data uji secara acak disetiap proses pelatihan dan pengujian untuk mengetahui akurasi yang didapatkan. Daftar Pustaka Agustina, I.D. 2010. Penerapan Metode Extreme Learning Machine Untuk Peramalan Permintaan. Surabaya: Institut Teknologi Sepuluh November. 2016. "Badan Pusat Statistik dan Direktorat Jenderal Hortikultura." Data Produksi Jeruk Siam Periode 2011-2015. Mei 4. Accessed Mei 4, 2016. Hortikultura.pertanian.go.id. Banjarsari, Mutiara Ayu, Irwan Budiawan, and Andi Farmadi. 2015. Penerapan KOptimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan IP Sampai Dengan Semester 4. Kumpulan Jurnal Ilmu Komputer Vol.2 No.2. Febriana, Mira. 2013. Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Saraf Tiruan Backropagation. Semarang: Jurnal Teknik Industri Untirta. Kurniati, Dwi. 2014. "Resiko Pendapatan Pada Usahatani Jeruk Siam di Kabupaten Sambas." Jurnal Social Economic of Agriculture Volume 3 Nomor 3. Kusumadewi, Felasufah. 2014. Peramalan Harga Emas Menggunakan Feedforward Neutral Network dengan Fakultas Ilmu Komputer, Universitas Brawijaya

1223 Algoritma Yogyakarta: Yogyakarta.

Backpropagation. Universitas Negeri

Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinta. Yogyakarta: Graha Ilmu. Puspita, A, and Unike. 2007. Penggunaan Jaringan Saraf Tiruan Motode Backpropagation Untuk Memprediksi Bibir Sumbing. Seminar Nasional Teknologi. Ruidah, I.S. 2013. Manfaat Pupuk Organik Untuk Kesuburan Tanah. Jurnal Universitas Tulungagung Bonoworo Vol. 1 No. 1. Siang, J.J. 2009. Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab. 98-111. Sutopo, interview by Najmi Ridhani. 2016. Jeruk Siam dan Pemupukannya (August 28). Yudhi, A., and M. Rhifky. 2014. Analisis Algoritma Inisialisasi Nguyen-Widrow Pada Proses Prediksi Curah Hujan Kota Medan Menggunakan Metode Backpropagation. Medan: STIMIK Potensi Utama.

Peramalan Dosis Pupuk Berdasarkan Karakteristik dan Lingkungan Tanaman Jeruk Siam Menggunakan Metode Backpropagation

Recommend Documents