Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 4, April 2018, hlm. 1683-1689
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo Adi Sukarno Rachman1, Imam Cholissodin2, M. Ali Fauzi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Gula adalah bahan pokok yang rutin digunakan oleh masyarakat Indonesia. Gula sering digunakan pada industri makanan dan minuman, industri pengolahan dan pengawetan makanan. Kebutuhan gula meningkat didukung oleh gaya hidup masyarakat Indonesia terutama dalam kehidupan sehari-hari. PG Candi Baru adalah pabrik gula yang dibangun pada tahun 1832 dan merupakan perusahaan penghasil gula SHS I (Superior Hooft Suiker) atau Gula Kristal Putih I (GKP). Semenjak tahun 2004 PG Candi Baru meningkatkan kinerja perusahaan dilakukan besar-besaran dan melakukan perubahan melalui terobosan teknologi di bidang on farm dan off farm. Penelitian ini menggunakan Jaringan Syaraf Tiruan Backpropagation dengan rancangan arsitektur jaringan berupa 4 neuron input layer, 3 hidden layer, dan 1 output layer. Berdasarkan pada pengujian jumlah iterasi maksimum didapatkan nilai MAPE terendah sebesar 17,85% dengan jumlah iterasi 800. Dan pada pengujian learning rate didapatkan nilai MAPE terendah sebesar 17,38% dengan nilai learning rate 0,4. Jika dengan nilai iterasi maksimum 800 dan nilai learning rate 0,4 maka akan menghasilkan nilai MAPE sebesar 16.98%. Kata kunci: Backpropagation, Produksi Gula, Peramalan, Jaringan Syaraf Tiruan.
Abstract Sugar is a staple that is routinely used by the people of Indonesia. Sugar is often used in the food and beverage industry, food processing and preservation industries. Sugar needs increased supported by the lifestyle of Indonesian people, especially in daily life. PG Candi Baru is a sugar faktory that was built in 1832 and is a sugar-producing company SHS I (Superior Hooft Suiker) or White Crystal I (GKP). Since 2004 PG Candi Baru has greatly improved the company's performance and made changes through technological breakthroughs in the field of on farm and off farm. This research uses Artificial Neural Network backpropagation with network architecture design in the form of 4 input layer neurons, 3 hidden layers, and 1 output layer. Based on testing the maximum number of iterations obtained the lowest MAPE value of 17.85% with the number of iteration 800. And in the test of learning rate obtained the lowest MAPE value of 17.38% with the value of learning rate 0.4. If the maximum iteration value of 800 and the value of learning rate 0.4 will result in MAPE value of 16.98%. Keywords: Backpropagation, Sugar Production, Forecasting Artificial Neural Network.
aktivitas rutin dari sebuah perusahaan. PG Candi Baru adalah pabrik gula yang dibangun pada tahun 1832 dan merupakan perusahaan penghasil gula SHS I (Superior Hooft Suiker) atau Gula Kristal Putih I (GKP). Lokasi PG Candi Baru di Sidoarjo. Semenjak tahun 2004 PG Candi Baru meningkatkan kinerja perusahaan dilakukan besar-besaran dan melakukan perubahan melalui terobosan teknologi di bidang on farm dan off farm. PG Candi Baru memiliki status kepemilikan oleh BUMN. Kapasitas yang terpasang adalah 2.561 TCD.
1. PENDAHULUAN Gula adalah bahan pokok yang rutin digunakan oleh masyarakat Indonesia. Gula sering digunakan pada industri makanan dan minuman, industri pengolahan dan pengawetan makanan. Kebutuhan gula meningkat didukung oleh gaya hidup masyarakat Indonesia terutama dalam kehidupan sehari-hari. Kebiasaan tersebut mempengaruhi pada pasar gula sebagai kebutuhan pokok dan ketersediaannya selalu dicari. Sehingga produsen gula menambah kuantitas produksinya. Produksi merupakan Fakultas Ilmu Komputer Universitas Brawijaya
1683
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Tujuan produksi adalah untuk memenuhi kebutuhan pasar. Untuk melakukan produksi maka diperlukan perencanaan produksi meliputi penentuan jumlah produksi yang dibutuhkan, kapan produk tersebut harus diselesaikan. Kementrian Pertanian (Kemtan) menargetkan produksi gula pada tahun 2019 mencapat 4 juta ton per tahun. Target produksi tersebut didasarkan pada komitmen 15 pabrik gula (PG) untuk memperluas areal kebun tebu sebanyak 200.000 ha. Selain itu, ada 19 PG baru yang akan mengembangkan lahan tebu seluas 500.000 ha dengan total investasi Rp 95 Triliun (Indonesia, A., 2015). Perencanaan produksi dilakukan dengan cara peramalan atau prediksi atau perkiraan apa yang terjadi di masa yang akan datang. Peramalan yang akurat dan efektif dapat mempermudah pengambilan keputusan perusahaan dalam menentukan jumlah barang yang akan diproduksi dan bahan baku yang diperlukan. PG Candi Baru Sidoarjo dalam melakukan aktivitas produksi gula tidak menggunakan sistem cerdas, sehingga penulis membantu PG Candi Baru Sidoarjo membuat sistem cerdas dalam meramalkan produksi gula PG Candi Baru Sidoarjo. Dalam peramalan produksi gula, perusahaan gula perlu menggunakan sistem cerdas yakni menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan algoritma pembelajaran Backpropagation. Terdapat beberapa penelitian yang membahas mengenai peramalan menggunakan metode Backpropagation. Wahyudi Setiawan(2008) melakukan penelitian dalam memprediksi harga saham menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network dengan algoritma Backpropagation. Dalam penelitiannya perbandingan minimum error keakuratan prediksi harga saham antara metode tradisional dan jaringan syaraf tiruan untuk tahun prediksi 1999 adalah 2,7% untuk metode Jaringan Syaraf Tiruan dengan algortima Backpropagation sedangkan untuk metode Konvensional SMA (9,45%), WMA (18,32%), EMA (12,03%), MACD (12,03%) dan StochRSI (9,04%). 2. DASAR TEORI 2.1 Gula Gula menjadi sumber energi dan komoditi perdagangan utama. Jenis gula yang paling Fakultas Ilmu Komputer, Universitas Brawijaya
1684
banyak dijual dalam bentuk Kristal Sukrosa padat. Gula sebagai sukrosa diperoleh dari nira tebu. Dalam proses produksi gula mencakup tahap ekstraksi diikuti dengan pemurnian melalui distilasi(penyulingan). Syarat mutu gula berdasarkan Standar Nasional Indonesia (SNI) yakni tercantum pada Tabel 1. Tabel 1 Syarat Mutu Gula No 1 2
Parameter Uji Satuan Persyaratan Warna Kristal CT 4,0-7,5 Warna Larutan IU 81-200 (ICUMSA) 3 Besar Jenis mm 0,8-1,2 Butir 4 Belerang mg/kg maks 30 Dioksida (SO2) 5 Susut % maks 0,1 Pengeringan (b/b) 6 Polarisasi (oZ, βZβ min 99,6 20oC) 7 Abu % maks 0,10 Konduktiviti (b/b) Catatan : Z = Zuiker = Sukrosa; IU = Icumsa Unit
Sumber: (Standar Nasional Indonesia (SNI), 2006)
2.2 Produksi Produksi adalah menciptakan, menghasilkan, dan membuat. Kegiatan produksi tidak akan dapat dilakukan jika tidak ada bahan yang memungkinkan dilakukannya proses produksi. Untuk dapat melakukan produksi memerlukan tenaga manusia, sumber-sumber alam, modal, serta kecakapan. Semua unsur tersebut merupakan faktor-faktor produksi (factors of production). Produksi bertujuan kebutuhan manusia kemakmuran.
untuk untuk
memenuhi mencapai
2.3 Peramalan(Forecasting) Peramalan didefinisikan sebagai proses peramalan suatu kejadian di masa yang akan datang dengan berdasarkan data variable yang bersangkutan pada masa sebelumnya Data masa lalu tersebut digabungkan dengan menggunaan suatu metode tertentu dan diolah untuk mendapatkan prakiraan keadaan masa yang akan datang. Kemajuan ilmu pengetahuan telah mampu memberikan penjelasan yang teoritis, sehingga peramalan tidak hanya dianggap
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1685
sebagai dugaan tanpa landasan yang kuat (Makridakis, 1999).
Error(MSE), nilai MSE kurang dari atau sama dengan minimum error.
Prediksi merupakan proses peramalan suatu kejadian di masa yang akan datang dengan lebih mendasarkan pada pertimbangan subjektif atau intuisi daripada data kejadian pada masa lalu. Meskipun lebih menekankan pada intuisi, prediksi juga terdapat data kuantitatif yang dipakai sebagai masukan dalam melakukan peramalan. Dalam prediksi, peramalan yang baik atau tepat sangat tergantung pada kemampuan, pengalaman dari orang yang melakukan prediksi tersebut.
Fase 1 : Feedforward 3. Masing-masing unit masukan π₯π menerima sinyal masukan dan dikirim ke seluruh hidden layer. 4. Masing-masing hidden unit akan diproses antara sinyal masukan dengan bobot dan biasnya berdasarkan persamaan 1 dibawah ini. π_πππ = πππ + βππ=π ππ πππ (1) Kemudian fungsi aktivasi yang telah ditentukan memperoleh sinyal output dari hidden unit seperti yang ditunjukkan pada persamaan 2 dibawah ini.
2.4 Backpropagation Backpropagation merupakan salah satu metode pelatihan dari Jaringan Syaraf Tiruan. Backpropagation menggunakan arsitektur multilayer dengan metode supervised training seperti pada Gambar 1.
ππ = π(π_πππ )=
π βπ (π+(πππ πππ ))
(2)
5. Nilai output π¦π akan menghitung seperti persamaan 3 dibawah ini. π π_πππ = πππ + βπ=π ππ πΎππ (3) Kemudian fungsi aktivasi menghitung nilai keluaran berdasarkan persamaan 4 dibawah ini.
ππ = π(π_πππ )=
Gambar 1 Arsitektur Backpropation
Tahap ini adalah proses pengenalan pola data yang telah dinormalisasi agar sistem dapat menentukan bobot yang dapat memetakan antara data input dengan data target output yang diinginkan. Input yang digunakan adalah data produksi gula dari tahun 2010 sampai dengan tahun 2015. Fase-fase pelatihan untuk jaringan backpropagation sebagai berikut: 1. Inisialisasi nilai bobot dan bias diatur dengan nilai acak antara -0,5 hingga 0,5. Inisialisasi nilai learning rate, nilai maksimal iterasi dan nilai minimum error ditentukan oleh pengguna sistem. 2. Lakukan proses pelatihan selama syarat berhenti masih belum terpenuhi.Nilai maksimal iterasi atau minimum error adalah penentu syarat berhenti. Pelatihan dihentikan apabila iterasi sudah melebihi maksimal iterasi atau jika menggunakan minimum error dengan metode Mean Squared
Fakultas Ilmu Komputer, Universitas Brawijaya
π (π+(πππβππππ ))
(4)
Fase 2 : Backpropagation 6. Dilakukan penghitungan faktor koreksi error (πΏπ ) menggunakan persamaan 5 dibawah ini. πΉπ = (ππ β ππ )ππ(1 - ππ ) (5) Hasil dari faktor koreksi error diteruskan ke proses perhitungan koreksi bobot. βπππ untuk memperbaharui πππ . Proses pembaharuan nilai πππ ditunjukkan seperti persamaan 6 dibawah ini βπΎππ = β πΉπππ (6) 7. Jika iterasi pertama, persamaan yang digunakan seperti pada persamaan 7 dibawah ini. πΉ_πππ = βπ π=π πΉπ πΎππ
(7)
Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi untuk mendapatkan faktor koreksi error πΏπ = πΏππ π π§π (1 β π§π ) (8) βπππ = β πΏπ π₯π (9) Pada iterasi kedua dan selanjutnya. πΉ_πππ = βπ (10) π=π πΉπ πΎππ Kemudian hasilnya dikalikan dengan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
turunan dari fungsi aktivasi untuk mendapatkan faktor koreksi error πΏπ = πΏππ π π§π (1 β π§π ) (11) βπππ = (m πΏπβ1 ) + (β πΏπ π₯π ) β (1 β π)
(12) Fase 3 : Perubahan bobot 8. Setiap unit output (ππ , k = 1,β¦,m) akan mempengaruhi bobotnya dari setiap hidden unit πΎππ (ππππ) = πΎππ (ππππ) + βπΎππ (13)
Demikian pula setiap hidden unit (ππ , j = 1,β¦,p) akan mempengaruhi bobotnya dari setiap unit input. πππ (ππππ’) = πππ (ππππ ) + βπππ (14) 9. Memeriksa stop condition, apabila nilai error sudah lebih kecil dari nilai minimum error atau iterasi sudah mencapai maksimum maka proses pelatihan dihentikan. Perhitungan nilai error pada pelatihan menggunakan Mean Square Error(MSE) seperti pada persamaan dibawah ini : 2 βπ π=1(ππ βπβ²π )
MSE = (15) π ππ = Nilai actual pada data ke-i πβ²π = Nilai hasil peramalan untuk data ke-i n = Banyaknya data 2.5 Algoritma Nguyen-Widrow Algoritma Nguyen-Widrow merupakan algoritma yang digunakan untuk menginisialisasi bobot awal pada JST untuk mengurangi waktu pelatihan. 1. Nilai bobot dalam range antara (-0.5) β 0.5 2. Menghitung bobot persamaan 16.
mutlak
||π½ππ || = βπ½ππ π + π½ππ π + β― . +π½ππ π
seperti
(16) 1
3. Hitung faktor skala (π½) = 0.7 (π) βπ = 0.7 πβπ (17) 4. Hitung nilai πππ =
π½πππ (ππππ) ||πππ ||
(18)
5. Bobot bias antara -π½ πππ π½ 2.6 Normalisasi dan Denormalisasi Pada metode Backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinyu, terdeferensial dengan Fakultas Ilmu Komputer, Universitas Brawijaya
1686
mudah, dan merupakan fungsi yang tidak turun. Pada penelitian ini akan digunakan fungsi aktivasi sigmoid biner, dimana range nilai berkisar antara 0 dan 1. Data yang digunakan perlu dinormalisasi terlebih dahulu sebelum diolah dan akan didenormalisasi kembali setelah sistem memberikan hasil untuk memperoleh nilai yang sebenarnya. Persamaan normalisasi dan denormalisasi yang digunakan didefinisikan berturut-turut pada persamaan (19) dan persamaan (20). π= πβ² =
πβπππ (0,8) + 0,1 πππβπππ β² π βπ,π (πππ β πππ) π,π
(19) + πππ
(20)
Keterangan: y = nilai hasil normalisasi x = nilai data sebelum dinormalisasi yβ = nilai hasil denormalisasi xβ = nilai data sebelum didenormalisasi min = nilai minimum pada data set max = nilai maksimum pada data set 3. METODOLOGI PENELITIAN Metodologi yang digunakan dalam penelitian peramalan produksi gula menggunakan metode jaringan syaraf tiruan backpropagation dilakukan dengan langkah penelitian seperti berikut: 3.1 Studi Literatur
Studi literatur merupakan langkah awal dalam penelitian ini, studi literature dilakukan untuk melengkapi pengetahuan dasar dan teori-teori dari penelitian sebelumnya, buku ataupun jurnal e-book yang membahas mengenai topik-topik terkait penerapan metode Backpropagation terhadap peramalan (forecasting). 3.2 Pengumpulan Data Data yang digunakan pada penelitian ini adalah data produksi gula periode tahun 20102015 pada PG Candi Baru Sidoarjo, meliputi jumlah bahan baku, kapasitas produksi (giling), biaya produksi, dan jumlah tenaga kerja. Pada penelitian ini data dibedakan menjadi dua, yaitu data latih (testing) dan data uji (training). Data yang didapatkan akan dinormalisasi menggunakan Backpropagation.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
3.3 Analisa Kebutuhan dan Perancangan Sistem yang akan dimodelkan adalah sistem peramalan produksi gula menggunakan Backpropagation. SIstem ini membutuhkan data masukan (input) berupa jumlah bahan baku, kapasitas produksi (giling), biaya produksi, dan jumlah tenaga kerja. Dengan menggunakan Backpropagation, diharapkan sistem yang dibangun mampu memberikan hasil peramalan produksi gula yang akurat. Sistem ini nantinya dapat diimplementasikan pada industri-industri penghasil gula. Sistem yang akan dibuat adalah sistem yang mengimplementasi Backpropagation melalui bentuk diagram alir (flowchart) yang menyatakan proses dari penyelesaian masalah. flowchart dinotasikan dengan simbol-simbol tertentu. Simbol-simbol tersebut menyatakan langkah-langkah penyelesaian dengan simbolsimbol yang berbeda satu sama lain.
1687
tersebut ditunjukkan pada Gambar 2. Mulai
A A
Data Produksi
Normalisasi
Pelatihan
Peramalan
3.4 Implementasi Sistem Sistem yang akan dibangun menggunakan Bahasa pemrograman Java berbasis desktop dibantu dengan Netbeans 8.0. Dalam penerapan sistem peramalan produksi gula pasir, penulis perlu mendesain User Interface Program dan implementasi metode Backpropagation dalam bahasa pemrograman Java berbasis desktop. 3.5 Pengujian dan Analisis Sistem Agar sistem sesuai dengan yang diharapkan maka diperlukan 2 pengujian sistem yakni pengujian iterasi maksimum dan pengujian learning rate.
Hasil Peramalan, Akurasi
Selesai Gambar 2 Diagram Alir Sistem
5. IMPLEMENTASI Antarmuka utama dari sistem ditunjukkan pada Gambar 5.1 dibawah ini
3.6 Penarikan Kesimpulan Penarikan kesimpulan dilakukan setelah analisa kebutuhan, perancangan sistem, implementasi sistem, dan pengujian sistem telah dilakukan. Kesimpulan dihasilkan karena proses pengujian sistem. Dari pengambilan kesimpulan akan ditambahkan saran agar program ini berkembang lebih baik lagi.
4. PERANCANGAN
Gambar 3 Tampilan Utama
4.1 Diagram Alir Sistem
6. PENGUJIAN DAN ANALISIS
Diagram alir sistem adalah gambar dari proses sistem yang bekerja secara bertahap. Diagram alir sistem dalam proses peramalan produksi gula pasir meliputi input data, normalisasi, pelatihan JST, peramalan JST, hasil peramalan dan akurasi peramalan. Diagram alir
Berikut ini adalah hasil dan analisa dari pengujian yang dilakukan.
Fakultas Ilmu Komputer, Universitas Brawijaya
6.1 Pengujian Iterasi Maksimum Pengujian iterasi maksimum dilakukan dengan cara ubah nilai iterasi mulai dari
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
100,200,300,400,500, 600, 700, 800, 900, 1000. Jumlah data latih yang digunakan berjumlah 45 data dan jumlah data uji berjumlah 45 data. Dengan nilai parameter learning rate yang digunakan adalah 0,2. Setiap iterasi melakukan uji coba sebanyak 5 kali dengan bobot acak awal yang berbeda. Hasil pengujian iterasi maksimum dapat dilihat pada Tabel 2. Tabel 2 Pengujian Iterasi Maksimum
1688
0,03, 0,04, 0,05, 0,1, 0,2, 0,3, 0,4, 0,5 dan menggunakan iterasi maksimum terbaik dari hasil pengujian iterasi maksimum. Data yang digunakan adalah data latih berjumlah 45 data dan data uji berjumlah 45 data. Setiap nilai learning rate melakukan ujicoba sebanyak 5 kali dengan nilai bobot acak awal yang berbeda. Hasil pengujian learning rate dapat dilihat pada Tabel 3. Tabel 3 Pengujian Learning Rate
No
Maksimum Iterasi
Nilai MAPE Pada Percobaan ke-i 1
2
3
4
5
RataRata
1
100
23.65
17.88
18.26
18.54
20.39
19.74
2
200
17.66
18.12
18.84
18.00
18.54
18.23
3
300
18.64
18.02
18.30
18.33
17.65
18.19
4
400
18.00
17.53
18.83
17.93
18.30
18.12
5
500
17.96
17.88
18.63
18.04
18.13
6
600
18.63
18.74
18.36
18.69
7
700
18.33
18.18
17.95
8
800
17.92
17.55
9
900
18.06
10
1000
18.08
No
Learning Rate
Nilai MAPE Pada Percobaan ke-i 1
2
3
4
5
RataRata
1
0.01
37.96
39.69
36.57
39.51
39.75
38.70
2
0.02
24.77
21.34
31.19
33.06
21.63
26.40
3
0.03
23.67
18.35
18.63
18.08
20.55
19.86
18.13
4
0.04
19.19
18.87
18.87
18.31
18.76
18.80
17.24
18.33
5
0.05
18.36
18.72
18.58
18.31
18.28
18.45
18.03
17.42
17.98
6
0.1
18.74
18.63
18.51
19.21
18.24
18.67
18.27
18.15
17.34
17.85
7
0.2
18.22
17.71
18.46
18.16
18.36
18.18
18.12
18.71
18.69
18.56
18.43
8
0.3
18.54
17.07
17.48
18.17
17.42
17.74
17.92
18.18
18.33
18.04
18.11 9
0.4
17.54
17.80
17.47
17.36
16.73
17.38
10
0.5
17.88
17.92
17.15
17.58
18.24
17.76
Berdasarkan Tabel 2, nilai MAPE dari hasil pengujian jumlah iterasi maksimum mulai dari 100 hingga 400 mengalami penurunan secara berturut-turut dimulai dari 19,74%, 18,23%, 18,19%, dan 18,12%. Setelah itu pada nilai iterasi 500 dan 600, nilai MAPE yang dihasilkan mengalami kenaikan dengan nilai masing sebesar 18,13% dan 18,33%. Kemudian, pada iterasi 700 dan 800 mengalami penurunan kembali dengan nilai MAPE sebesar 17,98% dan 17,85%. Pada 2 nilai iterasi terakhir yakni nilai iterasi 900 dan 1000 menghasilkan nilai MAPE secara berturut-turut sebesar 18,43% dan 18,11%. Dari hasil pengujian jumlah iterasi maksimum diatas membuktikan bahwa iterasi maksimum yang menghasilkan MAPE terbaik adalah 800 iterasi karena memberikan nilai ratarata MAPE sebesar 17,85%. Semakin banyak jumlah iterasi maka pelatihan backpropagation akan semakin baik. Grafik hasil pengujian menunjukkan fluktuatif disebabkan karena nilai bobot awal yang berbeda setiap pengujiannya. 6.2 Pengujian Learning Rate Pengujian learning rate dilakukan dengan cara ubah nilai learning rate mulai 0,01, 0,02, Fakultas Ilmu Komputer, Universitas Brawijaya
Berdasarkan Tabel 3 menunjukkan nilai learning rate mempengaruhi nilai MAPE. Nilai MAPE yang dihasilkan dengan nilai learning rate 0.01 hingga 0.05 secara berturut-turut mengalami penurunan dengan nilai MAPE sebesar 38.70% pada learning rate 0.01, 26.40% pada learning rate 0.02, 19.86% pada learning rate 0.03, 18.80% pada learning rate 0.04, dan 18.45% pada learning rate 0.05. Kemudian nilai learning rate 0.1 menghasilkan nilai MAPE 18.67%, nilai learning rate 0.2 menghasilkan nilai MAPE 18.18%, nilai learning rate 0.3 menghasilkan nilai MAPE 17.74%, nilai learning rate 0.4 menghasilkan nilai MAPE 17.38%, nilai learning rate 0.5 menghasilkan nilai MAPE 17.76%. Dari hasil pengujian learning rate diatas membuktikan bahwa learning rate yang menghasilkan MAPE terendah adalah 0,4 karena memberikan nilai rata-rata MAPE sebesar 17.38%. Dengan jumlah iterasi sama besar, nilai learning rate yang besar akan menghasilkan nilai MAPE yang lebih rendah. Namun jika nilai
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
learning rate terlalu besar, akan menyebabkan pelatihan jaringan tidak stabil. 7. KESIMPULAN 1. Penerapan dalam peramalan produksi gula PG Candi Baru Sidoarjo dengan jaringan syaraf tiruan Backpropagation berhasil dilakukan. Input yang digunakan adalah data parameter fundamental PG Candi Baru Sidoarjo. Kemudian dilatih dengan proses feedforward-backpropagation hingga mendapatkan nilai bobot terbaik untuk pengujian. Dalam tahap pengujian, proses yang digunakan hanya feedforward dan menghitung nilai MAPE. 2. Berdasarkan pada pengujian jumlah iterasi maksimum didapatkan nilai MAPE terendah sebesar 17,85% dengan jumlah iterasi 800. Dan pada pengujian learning rate didapatkan nilai MAPE terendah sebesar 17,38% dengan nilai learning rate 0,4. Jika dengan nilai iterasi maksimum 800 dan nilai learning rate 0,4 maka akan menghasilkan nilai MAPE sebesar 16.98%. DAFTAR PUSTAKA Febrina, M., 2013. Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan(JST) Backpropagation. Jurnal Teknik Industri, 1(2), pp. 174-179. Indonesia, A., 2015. Kemtan Targetkan Produksi Gula 4 juta ton di tahun 2019, [online] Tersedia di :
[Diakses tanggal 4 Mei 2016] Khoa, Nguyen Lu Dang, Sakakibara Kazutoshi, Nishikawa Ikuko. 2006. Stock Price Forecasting using Back Propagation Neural Networks with Time and Profit Based Adjusted Weight Faktors. SICEICASE International Join Conference 2006. Korea. Makridakis, S., Wheelwright, S. C. & McGee, V. E., 1999. Forecasting 2nd Edition (Metode dan Aplikasi Peramalan). Jakarta : Penerbit Erlangga. Profil Perusahaan Pabrik Gula Candi Baru. [online] Tersedia di : [Diakses tanggal 1 Februari 2016] Fakultas Ilmu Komputer, Universitas Brawijaya
1689
Ritonga, I., 2007. Peramalan Nilai Tukar Valuta Asing Menggunakan Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Through Time. Telkom University. Setiawan, W. 2008. Prediksi Harga Saham Menggunakan Jaringan Syaraf Tiruan Multilayer Feedforward Network Dengan Algoritma Backpropagation. Program Studi Manajemen Informatika Universitas Trunojoyo. Madura. Standar Nasional Indonesia, 2006. Gula Kristal β Bagian 2: Rafinasi (refined sugar). [pdf] Standar Nasional Indonesia. Tersedia di: http://bbia.go.id/sertifikasi/SNI%20013140.2-2006%20Gula%20Rafinasi.pdf [Diakses tanggal 1 Februari 2016]. Subagyo, Pangestu. 1986. Forecasting Konsep dan aplikasi . Yogyakarta: BPPE UGM.
