VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY]

ISSN : 2339-1138

PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara Jaya Lubuklinggau email: [email protected]

INTISARI Sebuah sistem prediksi jumlah produksi air minum yang akurat dibutuhkan oleh Perusahaan Daerah Air Minum (PDAM) yang dapat membantu dalam menentukan keputusan. Jaringan syaraf Tiruan merupakan metode yang mampu melakukan proses matematis untuk prediksi jumlah produksi air minum. Dengan algoritma backpropagation dilakukan proses pengolahan data terdahulu yang dijadikan input untuk prediksi jumlah produksi air minum. Data yang diolah jumlah penduduk, jumlah pelanggan, jumlah air terdistribusi, tarif dasar air, jumlah kebocoran air dan sebagai target yang ingin dicapai adalah produksi air minum. Beberapa tahapan backpropagation yaitu dengan inisialisasi bobot, aktivasi, menghitung bobot input dan bias output, dan perubahan bobot dan bias. Tahapan tersebut akan diperoleh output yang ingin dicapai dengan pendekatan error terkecil sehingga di peroleh hasil prediksi produksi air minum. Proses pelatihan menggunakan alat bantu perangkat lunak MATLAB. Hasilnya adalah prediksi jumlah produksi air minum dengan proses pelatihan dan pengujian menghasilkan output aktual sebagai target yang dicapai. Kata kunci : Kecerdasan Buatan, Jaringan Syaraf Tiruan, Perambatan Balik

PENDAHULUAN Latar Belakang Alogritma Backpropagation merupakan salah satu kelompok metode jaringan syaraf tiruan yang sangat popular dalam menangani masalah pengenalan pola - pola kompleks (Puspitaningrum, 2006). Arsitektur dari jaringan saraf tiruan dengan algoritma backpropagation terdiri dari input layer yang mendistribusikan nilai-nilai untuk setiap neuron pada lapisan tersembunyi. Selain variabel prediksi, ada masukan konstan disebut bias yang diteruskan ke masing-masing lapisan tersembunyi, bias dikalikan bobot dan ditambahkan ke jumlah masuk ke neuron (Chowdury, 2011). Algoritma pelatihan backpropagation melakukan dua tahapan perhitungan yaitu perhitungan maju untuk menghitung galat antara keluaran aktual dan target; dan perhitungan mundur yang mempropagasi galat tersebut untuk memperbaiki bobot– bobot sinaptik pada semua neuron yang ada (Suyanto, 2011). Perceptrons Abstrak-Multilayer (MLPs) dengan Backpropagation (BP) algoritma pelatihan telah dikenal sangat berguna dalam memecahkan berbagai masalah dunia nyata seperti Klasifikasi Pola, Clustering, Fungsi Approximation, Peramalan, Optimasi, Pola Dasar dan Kontrol (Joy,U.C, 2011). Proyeksi kebutuhan air untuk Kota Lubuklinggau dari tahun ke tahun menunjukkan tingkat kenaikan yang cukup besar seiring dengan bertambahnya jumlah penduduk di kota Lubklinggau dan meningkatnya kebutuhan pelanggan dalam penggunaan air minum. Seiring dengan perubahan tersebut Akibatnya timbul beberapa faktor persoalan dalam menghadapi kebutuhan air yaitu apabila jumlah air yang diproduksi dan disalurkan lebih besar dari pada permintaan akan air,

maka akan timbul persoalan pemborosan volume air. Sedangkan apabila jumlah air yang di produksi dan disalurkan tidak memenuhi kebutuhan pelanggan, maka akan terjadi air tidak mengalir, yang akibatnya merugikan pihak pelanggan. Oleh karena itu diperlukan penyesuaian antara persediaan produksi air dengan permintaan akan kebutuhan air pada pelanggan. Timbul suatu permasalahan bagaimana mengetahui jumlah produksi air minum PDAM Tirta Bukit Sulap Kota Lubuklinggau di masa yang akan datang. Untuk mengetahui hasil prediksi jumlah produksi air minum maka dilakukan analisa kinerja sistem dalam proses penyaluran air minum. Untuk mengetahui jumlah produksi air minum di masa yang akan datang. maka penulis melakukan pengujian dengan perangkat lunak terhadap data produksi terdahulu untuk mengetahui jumlah produksi air minum.

Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan, maka dapat dirumuskan masalah yaitu 1. Bagaimana menentukan variabel –variabel yang dibutuhkan untuk memprediksi jumlah produksi air minum ? 2. Bagaimana menerapkan jaringan syaraf tiruan dengan algoritma backpropagation dalam memprediksi jumlah produksi air minum?

LANDASAN TEORI Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah prosessor tersebar pararel yang sangat besar yang memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan. Jaringan syaraf

Unit Penelitian Dan Pengabdian Masyarakat | STMIK BNJ Lubuklinggau

1

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] tiruan menyerupai otak manusia dalam dua hal, yaitu pengetahuan diperoleh jaringan melalui proses belajar, kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan (Suyanto, 2007). Menurut Banica Logica et.al (2012), dalam kamus bisnis konsep peramalan sebagai alat perencanaan yang membantu manajemen dalam upaya mengatasi ketidakpastian masa depan Komponen – Komponen JST Menurut Diyah (2006), lapisan – lapisan penyusun Jaringan Syaraf Tiruan dibagi menjadi atas tiga bagian yaitu : 1. Lapisan Input (input layer) 2. Lapisan tersembunyi (hidden layer) 3. Lapisan output (output layer) Fungsi Aktivasi Fungsi sigmoid biner Biasanya fungsi ini digunakan untuk jaringan syaraf tiruan yang dilatih dengan menggunakan metode backpropagation. Jaringan syaraf tiruan yang membutuhkan nilai output yang terletak pada interval 0 sampai 1 sering kali menggunakan fungsi sigmoid biner karna fungsi ini memiliki nilai pada range 0 sampai 1. Dapat dilihat pada gambar 2.11. secara matematis, fungsi sigmoid biner dituliskan sebagai berikut.

ISSN : 2339-1138 Biasanya fungsi aktivasi yang digunakan adalah fungsi sigmoid, kemudian mengirim sinyal tersebut kesemua unit output. Setiap unit output (Yk,k=1,2,3,…,m) menjumlahkan bobot sinyal input

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output nya :

Tahap Perambatan Balik (Backpropagation) Adapun tahapan algoritma pelatihan backpropagation terdiri dari tiga tahapan sebagai berikut. Setiap unit output (Yk, k=1,2,3,…,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung eror dengan persamaan berikut. ) adalah turunan dari fungsi aktivasi Kemudian hitung koreksi bobot dengan persamaan berikut Dan menghitung koreksi bias dengan persamaan berikut Sekaligus mengirim ke unit –unit yang ada di lapisan yang paling kanan. Setiap unit tersembunyi ( , j=1,2,3,…,p)menjumlahkan delta input nya (dari unit – unit yang berbeda pada lapisan dikanannya)

Untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya:

Gambar 1 Aktivasi Sigmoid Bipolar Menurut Sutojo, et.al(2011), Backpropagation adalah metode penurunan gradient untuk meminimalkan kuadrat eror keluaran. Ada tiga tahapan yang harus dilakukan dalam pelatihan jaringan, yaitu 1. Tahap perambatan maju (forward propagation) 2. Tahap perambatan balik (Backpropagation) 3. Tahap perubahan bobot dan bias. Tahap Perambatan Maju (forward propagation) Adapun tahapan perambatan maju (forward propagation) terdiri dari tiga tahapan sebagai berikut. Setiap unit input menerima sinyal dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi. Setiap unit tersembunyi menjumlahkan bobot sinyal dengan persamaan berikut,

Dan menerapkan fungsi aktivasi untuk menghitung sinyal output nya :

Kemudian hitung koreksi bobot dengan persamaan berikut : Setelah itu, hitung juga koreksi bias dengan persamaan berikut : Tahap perubahan Bobot dan Bias. Adapun tahapan perubahan bobot dan bias terdiri dari dua tahapan sebagai berikut : Setiap unit output ( , k=1,2,3,…,m) dilakukan perubahan bobot dan bias (j=0,1,2,…,p) dengan persamaan sebagai berikut. (baru) = (lama) + Setiap unit tersembunyi ( , j=1,2,3,…,p) dilakukan perubahan bobot dan bias (i=0,1,2,…,n) dengan persamaan berikut. (baru) = (lama) + Tes kondisi berhenti.


2


PEMBAHASAN Analisa Data Untuk melakukan prediksi pemakaian air minum tersebut, penulis mencoba untuk melakukan kajian beberapa data yang menurut penulis data tersebut dapat membantu penulis dalam melakukan prediksi kebutuhan air minum pada PDAM Tirta Bukit Sulap Kota Lubuklinggau. Data – data tersebut berkaitan dengan : 1. Jumlah Penduduk (X1) 2. Jumlah Pelanggan PDAM Tirta Bukit Sulap (X2) 3. Tarif dasar Air (X3) 4. Jumlah air yang disalurkan (X4) 5. Jumlah kebocoran (X5) 6. Jumlah air yang diproduksi(sebagai data untuk target)

ISSN : 2339-1138 7. Kategori 0 adalah prediksi kebutuhan air minum tidak terlalu tinggi (rendah) dibandingkan dengan kebutuhan air minum saat ini dengan angka taksiran 0,001 sampai 0,549 8. Kategori 1 adalah kebutuhan air minum tinggi dibandingkan dengan kebutuhan air minum saat ini dengan angka taksiran 0,550 sampai 1,000

Tabel 1 Data Pelatihan Jaringan Syaraf Tiruan (JST) Gambar 2. Arsitektur JST Prediksi Produksi Air Minum Langkah awal dalam melakukan normalisasi adalah dengan menentukan data (x), kemudian menentukan nilai paling maksimum dan nilai paling minimum dari data tersebut, dari tabel 4.8 didapatkan data tertinggi dan data terendah sebagai berikut : Nilai data tertinggi = 557601 Nilai data terendah = 1067 Tabel 2. Data hasil Transformasi Perancangan Sistem Jaringan Syaraf Tiruan Sedangkan data output dari pengolahan data kebutuhan air minum di Kota Lubuklinggau dengan jaringan syaraf tiruan adalah : 1. Melalui pelatihan terhadap data input diharapkan diperoleh bobot dan bias yang sesuai dengan sistem yang akan diterapkan. 2. Diperoleh error melalui pelatihan – pelatihan yang dapat mendekatkan sistem pada hasil terbaik dengan error minimum. 3. Dengan pelatihan menghasilkan pola masukan sehingga menghasilkan bobot dan bias baru yang diubah pada setiap epoch. 4. Pelatihan dilakukan untuk meminimumkan kuadrat kesalahan rata – rata (MSE = mean square error) siang, 2005). 5. Penambahan momentum; modifikasi metode penurunan tercepat dilakukan dengan menambahkan momentum. Dengan momentum perubahan bobot tidak hanya didasarkan atas error yang terjadi pada epoch waktu itu. Perubahan bobot saat ini dengan memperhitungkan perubahan bobot pada epoch sebelumnya. Besarnya efek perubahan bobot terdahulu (disebut factor momentum) bisa diatur dengan suatu bilangan antara 0 dan 1 6. Target dari proses pengolahan data adalah dapat memprediksikan tingkat kebutuhan air minum di Kota Lubuklinggau dengan kategori sebagai berikut :

Pengujian Sistem Jaringan Syaraf Tiruan Tabel 3 Arsitektur JST Model 5-5-1


3


ISSN : 2339-1138

2.

Gambar 3. Antarmuka Grafik model JST 5-5-1 A 3.

4.

Gambar 3. Antarmuka Grafik model JST 5-5-1 B

5.

Gambar 3. Antarmuka Grafik model JST 5-5-1 C Tabel 4. Data Hasil Pengujian Prediksi Produksi Air

KESIMPULAN DAN SARAN Kesimpulan 1. Algoritma backpropagation dapat melakukan proses prediksi, akan tetapi baik atau tidaknya nilai yang dihasilkan sangat dipengaruhi oleh penentuan

paramenter seperti besarnya learning rate dan jumlah neuron pada hidden layer. Berdasarkan hasil pelatihan dan pengujian jaringan syaraf tiruan yang menghasilkan konvergensi dengan epoch 38 memiliki parameter learning rate = 0,1 jumlah hidden layer = 5, dan goal/mse yang digunakan 0.01 dari hasil pengujian dengan menggunakan data periode bulan dalam satu (1) tahun dalam proses training jaringan mampu mengenali pola masukan yang diberikan sehingga seluruhnya sesuai dengan target. Terdapat faktor – faktor yang mempengaruhi tingkat kebenaran prediksi pada jaringan syaraf tiruan backpropagation yaitu learning rate, target error, jumlah data pembelajaran dan nilai bobot yang diberikan secara random yang pada tiap – tiap neuron. Dengan learning rate dan target error, data pembelajaran yang sama belum pasti menghasilkan tingkat prediksi yang sama, hal ini dikarenakan nilai bobot – bobot pada tiap neuron yang dihasilkan oleh setiap pembelajaran berbeda. Penyebab bobot dari tiap – tiap neuron yang dihasilkan oleh setiap pembelajaran pasti berbeda adalah dikarenakan pemberian nilai bobot awal dengan nilai random di mana nilai random setiap pembelajaran berbeda. Penurunan learning rate akan membuat proses pembelajaran semakin lambat.

Saran Adapun selama pelatihan dan pengujian data untuk prediksi jumlah produksi air minum PDAM Tirta Bukit Sulap Kota Lubuklinggau menggunakan metode jarigan syaraf tiruan dengan algoritma backpropagation , sehingga dibutuhkan saran yang dapat dikembangkan untuk kelanjutan penelitian ini. Saran yang penulis harapkan dari penelitian ini adalah : 1. Komposisi pembagian data yang lain perlu dicoba untuk memeperoleh hasil yang maksimal 2. Lapisan tersembunyi lebih dari satu dan parameter yang digunakan di set lebih tepat lagi agar jaringan dapat mengenali pola semua pola data input, dan dapat memprediksi dengan akurat. 3. Perlu dilakukan evaluasi dan perbaikan pada jumlah kebocoran air sehingga hasil prediksi jumlah produksi air minum PDAM Tirta Bukit Sulap Kota Lubuklinggau dengan algoritma backpropagation dapat dijadikan landasan dalam pengambilan keputusan level manajer dalam menentukan produksi air dalam periode 1 tahun yang akan datang 4. Perlu dikembangkan dalam bentuk aplikasi untuk menghitung prediksi produksi Air Minum PDAM Tirta Bukit Sulap Kota Lubuklinggau

DAFTAR PUSTAKA Banica Logica et.al.(2012). ”Financial Forecasting using Neural Networks.” International Journal of Advances in Management and Economics. Vol.1. 71


4


ISSN : 2339-1138

Chowdhury D.R.(2011).”An Artificial Neural Network Model for Neonatal Disease Diagnosis.” International Journal of Artificial Intelegence and Expert Systems.vol.2. 96-105 Che Z.G et.al(2011)”Feed Forward NeuralNetworks Training: A Comparison Between Genetic Algorithm and Backpropagation Learning Algorithm” International Journal of Innovative Computing, information and Control.vol.7.58395848 Joy U. C (2011).”Comparing the Performance of Backpropagation Algorithem and Genetic Algoritms in Pattern Recognition Problems”International Journal of Computer Information Systems.Vol.2.7-52 Puspitanirum,D(2006).“Pengantar Jaringan Syaraf Tiruan.” Ed.1.Yogyakarta: Andi. 9. Prasetyo, E(2012). ” Data Mining Konsep dan Aplikasi Menggunakan Matlab.” Ed.1. Yogyakarta: Andi. 71.. Sutojo, T et. al(2011). “ Kecerdasan Buatan.” Ed.1. Yogyakarta: Andi.361-363 Suyanto(2011).” Artificial Intelegence searching Reasoning Planning Learning.” Edisi revisi.Bandung:Informatika.165.


5

VOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :

Recommend Documents