Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation

7/26/2019 Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation

http://slidepdf.com/reader/full/prediksi-kebutuhan-air-pdam-berdasarkan-jumlah-pelanggan-menggunakan-al-alaoui 1/10

1

Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan

Menggunakan Al -Alaoui Backpropagation

Nanik Ulfatun Nikmah1, Candra Dewi2, Imam Cholissodin3

1Mahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya2,3Staff Pengajar Program Studi Informatika / Ilmu Komputer Universitas Brawijaya

Program Studi Informatika / Ilmu Komuter

Program Teknologi Informasi dan Ilmu Komputer

Universitas Brawijaya

Jalan Veteran Malang 65145, Indonesia

e-mail: [email protected] , [email protected] 2 , [email protected] 3

ABSTRAK

Skripsi ini membahas tentang penerapan algoritma al-alaoui backpropagation dalam melakukan prediksi

kebutuhan air PDAM. PDAM merupakan BUMN yang diberi wewenang untuk mengembangkan dan mengelola

kebutuhan air bersih yang digunakan oleh masyarakat. Hal yang perlu diperhatikan dalam pengelolaan air adalahpenggunaan air oleh pelanggan dan lonjakan pelanggan. Oleh karena itu PDAM memerlukan suatu prediksi untuk

mengantisipasi kebutuhan air. Algoritma al-alaoui backpropagation adalah algoritma yang berfungsi untuk mengurangi

kesalahan dalam klasifikasi dengan cara menduplikasikan data yang masih salah lalu menambahkannya ke data asli.

Pengujian dilakukan dengan menggunakan bobot akhir dari pelatihan. Pengujian terhadap learning rate dan momentum

dilakukan untuk menemukan MSE terendah. MSE terendah ditemukan pada learning rate 0.8 dan momentum 0.7, nilai

pasangan tersebut akan digunakan untuk pengujian selanjutnya. Pengujian berikutnya yaitu pengujian jumlah data

latih untuk menemukan tingkat akurasi dengan menggunakan data latih 30, 40, 50, 60, 70 dan 80 bulan dengan data uji

20 bulan ditemukan tingkat akurasi tertinggi sebesar 90%. Untuk pengujian terakhir yaitu pengujian jumlah data uji

dengan data latih 70 bulan sedangkan data uji sebesar 5, 10, 15, 20, 25 dan 30 bulan ditemukan tingkat akurasi tertinggi

sebesar 92%.

Kata kunci : Al-Alaoui Backpropagation , Backpropagation,prediksi

I.

Pendahuluan

1.1

Latar Belakang

Air merupakan sumber kehidupan bagi manusia.

Kekurangan air pada tubuh manusia bisa

menyebabkan dehidrasi karena ketahanan tubuh

manusia sangat bergantung pada berbagai fungsi.

Tetapi tidak semua air baik untuk manusia. Salah satu

air yang baik digunakan untuk manusia adalah air

bersih yang berhubungan erat dengan kesehatan

manusia. Pemerintah memberi wewenang kepada

PDAM untuk mengembangkan dan mengelola air

bersih yang dikonsumsi masyarakat. Pada

pengelolaanya, besar pemakaian air bersih pada

rentang waktu tertentu tidak dapat diperhitungkan

secara pasti karena pemakaian air bersih setiap orang

tidak sama dan tidak menentu. Selain itu lonjakan

jumlah pelanggan juga bisa mempengaruhi kesiapan

PDAM dalam menyediakan air bersih kepada para

konsumen. Oleh karena itu, PDAM memerlukan suatu

metode pengorganisasian agar pendistribusian air

terpenuhi.

Salah satu metode yang digunakan adalah

prediksi dengan bantuan kecerdasan buatan

menggunakan metode backpropagation. Backpropagation

memiliki tiga layer dalam proses pelatihannya, yaitu

input layer, hidden layer dan output layer. Backpropagation

ini merupakan perkembangan dari single layer network.

Dengan adanya hidden layer pada backpropagation dapat

menyebabkan tingkat error pada backpropagation lebih

kecil dibanding tingkat error pada single layer network.

Karena hidden layer pada backpropagation berfungsi

sebagai tempat untuk menyesuaikan bobot, sehingga

didapatkan nilai bobot yang baru yang bisa diarahkan

mendekati dengan target output yang diinginkan

[KHO-11].

Terdapat beberapa varian di dalam

backpropagation , salah satunya adalah al-alaoui

backpropagation. Algoritma al-alaoui backpropagation

adalah implementasi dari algoritma tersebut dalam

sebuah jaringan syaraf tiruan backpropagation.

Algoritma ini dapat mengurangi kesalahan dalam

klasifikasi dengan cara menduplikasikan data training

yang masih salah dalam klasifikasi, lalu

menambahkannya ke dalam training set yang memberi

pembobotan lebih banyak dengan mendekatkan batas

klasifikasi [ALA-07].

mailto:[email protected]









mailto:%20%C2%[email protected]%203









2

Pada penelitian sebelumnya telah dilakukan uji

coba oleh [ALA-07] mengenai subsampling image

compression dengan tingkat akurasi sebesar 80%.

Sedangkan penilitian lain yang di uji coba oleh [SAH-

12] mengenai algoritma al-alaoui backpropagataion untuk

pengenalan emosi suara marah dan netral. Dari 149

data latih dan 57 data uji didapatkan tingkat akurasi

data sebesar 94,386%.

Berdasarkan latar belakang diatas maka judul

dari skripsi ini adalah “Prediksi Kebutuhan Air

PDAM Berdasarkan Jumlah Pelanggan Menggunakan

Al-Alaoui Backpropagation”

1.2 Rumusan Masalah

Berdasarkan latar belakang yang sudah dijelaskan

diatas maka akan didapatkan rumusan masalah

sebagai berikut:

1

Bagaimana mengimplementasikan arsitektur al-

alaou backpropagation dalam memprediksikebutuhan air PDAM berdasarkan jumlah

pelanggan?

2

Berapa tingkat keakuratan metode al-alaoui

backpropagation untuk dalam prediksi kebutuhan air

PDAM berdasarkan jumlah pelanggan?

1.3 Batasan Masalah

Berdasarkan permasalahan diatas akan diberikan

batasan masalah sebagai berikut :

1 Input merupakan data jumlah pelanggan dan data

jumlah pemakaian air perbulan di PDAM Kota

Batu mulai bulan januari 2005 sampai bulan april2013. Sedangkan output sistem berupa nilai

persediaan air bulan berikutnya.

1.4 Tujuan

Berdasarkan rumusan masalah diatas, tujuan

dalam penelitian ini adalah:

1. Mengimplementasikan metode al-alaoui

backpropagation untuk dalam prediksi kebutuhan

air PDAM berdasarkan jumlah pelanggan.

2.

Menghitung tingkat keakuratan metode al-alaoui

backpropagation untuk dalam prediksi kebutuhan

air PDAM berdasarkan jumlah pelanggan.

1.5 Manfaat

Manfaat yang akan dicapai dari penelitian ini

adalah untuk menghasilkan sebuah aplikasi yang

menggunakan metode al-alaoui backpropagation dalam

melakukkan prediksi kebutuhan air di waktu yang

akan datang berdasarkan jumlah pelanggan. Dengan

demikian PDAM bisa meyeimbangkan antara

persediaan air dengan jumlah pelanggan agar

pendistribusian air merata dan mampu untuk

memenuhi akan permintaan air di waktu yang akan

datang.

II. Tinjauan Pustaka

2.1 PDAM

Dalam UUD 1945 pada pasal 33 disebutkan

bahwa bumi, air dan kekayaan alam yang terkandung

didalamnya dikuasai oleh negara untuk digunakan

sebesar-besarnya bagi kemakmuran rakyat. Pasal

tersebut merupakan landasan dasar menentukan

pengelolaan dan pemakaian sumberdaya alam,

termasuk air yang digunakan dalam kehidupan sehari-

hari. Sebagai bentuk perwujudannya, penyedia air

bersih dikelola oleh PDAM (Perusahaan Daerah Air

Minum). PDAM diberi wewenang untuk mengelola

dan menyediakan air minum yang baik untuk

dikonsumsi oleh masyarakat [TIM-10].

2.2

Jaringan Syaraf Tiruan

Jaringan syaraf tiruan yang biasanya disebut

dengan artifical neural network merupakan sebuah

sistem yang digunakan untuk proses informasi yang

memiliki beberapa karakteristik yang hampir samadangan jaringan syaraf biologis. Kemiripannya terletak

pada saat pemrosesan informasi. Pemrosesan informasi

yang terjadi didalam otak manusia memiliki sifat

adaptif, yaitu hubungan yang terjadi antar neuron

dilakukan secara dinamis yang memiliki kemampuan

dalam mempelajari informasi-informasi yang belum

diketahui [YUL-12]. Berdasarkan kemampuan yang

dimiliki, jaringan syaraf tiruan memiliki kegunaan

untuk belajar dan menghasilkan suatu aturan atau

operasi yang akan dihasilkan suatu output yang

sempurna dari input yang dimasukkan.

2.3 Backpropagation

Algoritma backpropagation yang biasa disebut juga

dengan algoritma propagasi balik merupakan salah

satu model dari jaringan syaraf tiruan. Salah satu

fungsi dari backpropagation adalah untuk melatih

keseimbangan antara kemampuan jaringan untuk

mengenali pola-pola yang digunakan dalam pelatihan.

Selain itu fungsi lainnya adalah untuk melatih

kemampuan sebuah jaringan dalam pemberian sebuah

respon yang benar terhadap pola masukan dengan pola

yang dipakai selama pelatihan [SIA-05]. Algoritma

backpropagation telah banyak di aplikasikan dalamsegala bidang, antara lain untuk pediksi harga saham,

pengenalan emosi lewat suara, pendeteksi penyakit

dan masih banyak lagi penerapan algoritma

backpropagation ini. Berikut merupakan langkah-

langkah algoritma backpropagation[SIA-05]:

Langkah 0

Menginisialisasi semua bobot menggunakan

bilangan acak kecil.

Langkah 1

Bila kondisi pencapain yang diinginkan belum

terpenuhi, maka akan dilakukan langkah 2-9.



3

Langkah 2

Untuk setiap pasang data latih yang digunakan,

maka akan dilakukan langkah 3-8.

Fase I : Propagasi maju

Langkah 3

Untuk setiap unit masukan yang ada akan

menerima sinyal dan meneruskan ke unit

tersembunyi diatasanya.

Langkah 4

Menghitung semua keluaran yang ada pada unit

tersembunyi (j=1,2,...p).

∑

Lalu menghitung fungsi sigmoid biner

( )

Keluaran dari fungsi aktifasi tersebut dikirim ke

semua unit lapisan tersembunyi.

Langkah 5

Hitung semua keluaran yang ada di unit

(k=1,2,..,m)

∑

Fase II : Propagasi mundur

Langkah 6

Menghitung nilai faktor untuk unit keluran

berdasarkan nilai kesalahan di setiap unit keluaran

(k=1,2,..,m)

akan digunakan untuk mengubah bobot layer bawahnya (langkah 7)

Langkah 7

Menghitung faktor untuk unit tersembunyi

berdasarkan kesalahan pada setiap unit

tersembunyi (j=1,2,..,p)

∑

Faktor untuk unit tersembunyi :

Untuk menghitung suku perubahan bobot

Kemudian menghitung suku perubahan bobot

menggunakan momentum

( )

( )

Fase III : Perubahan Bobot

Langkah 8

Perubahan bobot garis yang akan menuju ke unit

keluaran:

Perubahan bobot garis yang akan menuju ke unitkeluaran:

Langkah 9

Menghitung nilai MSE

∑

Langkah 10

Uji kondisi berhenti

2.4

Algoritma Al-Alaoui

Algoritma Al-Alaoui yang digunakan untuk

mengklasifikasikan pola Algoritma ini merupakan

sebuah algoritma yang dibuat oleh Professor Mohamad

Adnan Al-Alaoui dari American University of Beirut,

Lebanon. Algoritma Al-Alaoui ini awalnya digunakan

untuk jaringan single layer , namun karena

perkembangannya akhirnya juga digunakan untuk

jaringan multi layer. Algoritma Al-Alaoui terdiri dari

sampel cloning yang salah saat klasifikasi lalu akan

ditambahkan ke data pelatihan untuk menghasilkan

data yang lebih baik. Untuk mengatasi permasalahan

dalam algortima Al-Alaoui maka digunakan

pendekatan MSE ( Mean Square Error) dari

permasalahan klasifikasi pola yang akan menggunakan

pendekatan mean square error minimum terhadap

Bayer’s discriminant [ALA-08]. Proses utama yang

terjadi dalam algoritma ini adalah pengenalan ulang

dan data latih yang salah akan terus diduplikasi.

Berikut merupakan diskripsi dari algoritma ini [ALA-

07]:

1. Menginisialisasi parameter dan menentukan nilai

missclassification error rute.

2.

Lakukan backpropagation untuk nilai iterasi yangtelah ditentukan.



4

3. Jika jumlah maksimal iterasi telah tercapai, maka

berhenti. Dan jika belum tercapai lanjut ke tahap

berikut.

4. Melakukan tes input yang asli sebelum duplikasi,

lalu menentukan presentasi nilai error klasifikasi.

5.

Jika nilai error rate sesuai, maka berhenti. Jika

belum lanjut ke langkah berikut.

6.

Duplikasikan data training yang salah dalam

klasifikasika ke training set asli, lalu kembali ke

array input. Kembali ke langkah 2.

Perbedaan Al-Alaoui Backpropagation dan

backpropagation terletak pada langkah ke 6. Data latih

yang masih mengalami kesalahan klasifikasi, maka

akan diduplikasi ke dalam data latih untuk digunakan

di iterasi selanjutnya. Sehingga jumlah data latih akan

selalu bertambah setiap iterasi, sedangkan

backpropagation selalu tetap karena tidak melakukan

duplikasi.

III.Metodologi

3.1 Langkah Penelitian

Dalam bab metodologi dan perancangan ini akan

dibahas metode perancangan yang digunakan dan

langkah-langkah yang dilakukan dalam penelitian

menggunakan metode al-alaoui backpropagation.

1 Penelitian dilakukan dengan langkah sebagai

berikut:

2

Pencarian informasi mengenai segala sesuatu

yang berhubungan dengan yang tertulis di skripsi

dengan membaca buku dan browsing.

3

Pada tahap ini, pengumpulan data diambil daridata laporan jumlah pelanggan perbulan yang

terdiri dari jumlah pelanggan, jumlah persediaan

dan beban pemakaian air PDAM Kota Batu

dalam ( ) perbulan, periode bulan januari 2005

sampai dengan April 2013

4 Pada tahap ini, dilakukan analisa dan

perancangan mengenai prediksi kebutuhan air

PDAM berdasarkan jumlah pelanggan

menggunakan al-alaoui backpropagation.

5 Pada tahap ini, hasil dari analisa dan perancangan

yang telah dilakukan diimplementasikan ke

dalam perangkat lunak.

6

Pada tahap ini, dilakukan pengujian terhadap

sistem dengan memasukkan data latih dan data

ujicoba.

7 Pada tahap ini, dilakukan evaluasi terhadap

sistem yang telah diuji. Hasil dari pengujian

tersebut di analisa dan dievaluasi sehingga

diharapkan nantinya sistem yang akan

dikembangkan hasilnya akan maksimal.

3.2 Data Penelitian

Data yang digunakan dalam sistem peramalan

curah hujan menggunakan algoritma Al-Alaoui

Backpropagation dari BMKG Karangploso KabupatenMalang. Data berupa data curah hujan harian sebanyak

304 data, mulai bulan Januari 2011 sampai januari 2012.

3.3 Deskripsi Sistem

Sistem tentang prediksi kebutuhan air PDAM yang

menggunakan metode jaringan syaraf tiruan al-alaoui

backpropagation merupakan suatu sistem yang dapat

memprediksi jumlah penggunaan air berdasarkan

jumlah pelanggan untuk menentukan jumlah

kebutuhan air yang harus dipersiapkan oleh PDAM.

Data yang akan digunakan adalah data jumlah

pelanggan dan data jumlah pemakaian air dalam satu

bulan yang akan dinormalisasi terlebih dahulu. Setelah

proses normalisasi selesai, maka akan dilakukan proses

pelatihan jaringan syaraf tiruan (JST). JST yang

digunakan dalam sistem ini adalah JST backpropagation

dengan algoritma al-alaoui yang akan diterapkan dalam

proses pembelanjaran arsitektur JST yang ditunjukan

pada gambar 3.1:

Gambar 3.1 Arsitektur JST

Arsitektur JST ini menggunakan fungsi aktivasi

sigmoid biner. Jumlah neuron input layer ada dua. Jumlah

output layer dalam sistem ini adalah nilai penggunaan

air bulan berikutnya. Setelah JST dapat dibentuk, lalu

akan dibuat populasi dengan memasangkan

parameter-parameter yang telah dinormalisasi sebagai

input dan nilai persediaan air bulan berikutnya sebagai

target. Setiap individu populasi datanya akan

dimasukkan dalam proses feedforward dalam JST.

Apabila kategori dari nilai output tidak sama dengan

kategori nilai asli, maka akan dilakukan proses

duplikasi terhadap kategori yang salah untuk proses al-

alaoui backpropagation.

Bila nilai MSE melebihi galat yang ditentukan,

maka akan dilakukan backpropagation yang berfungsi

untuk memperbaiki nilai bobot jaringan. Proses

pelatihan akan berhenti apabila semua individu

kategori sesuai dengan kategori asli dan jumlah iterasi maksimum telah dicapai. Pengujian ini diperlukan

demi menemukan struktur JST yang terbaik dan untuk

menghitung tingkat akurasi JST. Populasi data uji

dibuat dengan cara yang sama dengan populasi data

latih. Tingkat akurasi didapatkan dengan cara

membandingkan jumlah individu yang kategori

outputnya sesuai kategori asli dengan jumlah

keseluruhan individu data uji. Flowchart dari sistem ini

akan ditunjukan pada gambar 3.2:



5

Gambar 3.2 Gambaran Sistem

IV. Implementasi

4.1 Lingkungan Perangkat Keras

Perangkat keras yang digunakan untuk membuat

aplikasi yang menggunakan algoritma al-alaoui

backpropagation adalah:

1. Prosesor Intel(R) Core(TM) i3-2365M CPU

@1.4GHz2. Memori 4.00 Gb RAM

3.

Harddisk 500 GB

4.

Monitor 14”

5.

Keyboard

4.2 Lingkungan Perangkat Lunak

Perangkat keras yang digunakan untuk membuat

aplikasi yang menggunakan algoritma al-alaoui

backpropagation adalah:

1. Sistem Operasi Windows 7 Professional 64-bit

2.

Netbeans IDE 6.7.13. Bahasa pemrograman java

V. Hasil Penelitian

5.1 Pengujian

Terdapat 3 pengujian, yaitu: pengujian learning

rate dan momentum, pengujian jumlah data latih

terhadap tingkat akurasi dan pengujian jumlah data uji

terhadap tingkat akurasi.

5.1.1 Pengaruh Learning Rate dan Momentum

terhadap MSE

Sesuai dengan rancangan pengujian pada bab

metode penelitian dan perancangan, maka akan

dilakukan pengujian dengan menggunakan learning

rate dan momentum yang berbeda untuk menentukan

nilai MSE. Data yang digunakan dalam pangujian ini,

yaitu data latih sebesar 72 bulan dan data uji sebesar 28

bulan. Grafik 5.1 menunjukan nilai MSE.

Grafik 5.1 Uji Learning Rate dan Momentum

terhadap MSE

Grafik diatas menunjukan bahwa pada

learning rate 0.1 sampai 0.5 nilai MSE menurun

berapapun nilai momentumnya. Semakin besar nilai

learning rate dan nilai momentum , maka nilai MSE

semakin rendah. MSE terendah ditemukan pada

pasangan nilai learning rate 0.8 dan nilai momentum 0.7.

Hasil uji coba bisa dilihat pada tabel 5.1.

Tabel 5.1

Uji Learning Rate dan Momentum

terhadap MSE

Momentum Learning Rate MSE

0.5 0.1 0.04944

0.2 0.03676

0.3 0.0318

0.4 0.02944

0.5 0.02831

0.6 0.02782

0.7 0.02769

0.8 0.02776

0.9 0.02633

0.6 0.1 0.04802

0.2 0.03584

0.3 0.03118

0.4 0.02905

0.5 0.0281

0.6 0.02774

0.7 0.0277

0.8 0.0257

0.9 0.02651

0.7 0.1 0.04674

0.2 0.03503

0.3 0.030650.4 0.02873

Mulai

Normalisasi

Pelatihan JST

Pengujian JST

Selesai0.0250.0270.0290.0310.0330.0350.037

0.0390.0410.0430.0450.0470.049

0.10.20.30.40.50.60.70.80.9

M S E

Learning Rate

Uji Learning Rate dan Momentum

terhadap MSE

Momentum 0.5

Momentum 0.6Momentum 0.7

Momentum 0.8

Momentum 0.9



6

0.5 0.02794

0.6 0.02769

0.7 0.02775

0.8 0.02639

0.9 0.02679

0.8 0.1 0.04557

0.2 0.0343

0.3 0.03019

0.4 0.02847

0.5 0.02782

0.6 0.02769

0.7 0.02569

0.8 0.02651

0.9 0.02689

0.9 0.1 0.0445

0.2 0.03364

0.3 0.02979

0.4 0.02826

0.5 0.02775

0.6 0.02771

0.7 0.02611

0.8 0.02679

0.9 0.02702

5.1.2 Uji Jumlah Data Latih terhadap Tingkat Akurasi

Di pengujian ini juga menggunakan pasangan

learning rate dan momentum terbaik dari pengujian

sebelumnya. Pengujian ini berfungsi untuk

menghitung tingkat akurasi dari data latih yang

berbeda jumlahnya. Data latih yang digunakan sebesar

30, 40, 50, 60, 70 dan 80 bulan. Sedangkan jumlah data

uji yang digunakan sebesar 20 bulan. Grafik 5.2

menunjukan nilai MSE.

Grafik 5.1 Uji Jumlah Data Latih terhadap Tingkat

Akurasi

Grafik 5.2 menunjukan bahwa pada saat

jumlah data latih sebesar 70 bulan, maka didapatkan

nilai akurasi tertinggi sebesar 90%. Sedangkan untuk

data latih sejumlah 60 bulan dan 80 bulan memiliki

tingkat akurasi terendah, yaitu sebesar 70%. Hasil uji

jumlah data latih terhadap tingkat akurasi dapat dilihat

pada tabel 5.2.

Tabel 5.2

Uji Jumlah Data Latih terhadap Tingkat

Akurasi

Data Latih Akurasi

30 80%

40 75%

50 85%

60 70%

70 90%

80 70%

5.1.3

Uji Jumlah Data Uji terhadap Tingkat Akurasi

Nilai pasangan learning rate dan momentum yang

digunakan dalam pengujian jumlah data uji terhadap

tingkat akurasi, yaitu nilai pasangan terbaik yang telah

diuji diatas dan untuk jumlah data latih diambil dari

pengujian data latih yang memiliki tingkat akurasi

terbaik. Data yang digunakan dalam pengujian ini

yaitu, data latih sebesar 70 bulan. Data uji yang

digunakan sebesar 5, 10, 15, 20, 25 dan 30 bulan. Grafik

uji jumlah data uji terhadap tingkat akurasi dapatdilihat pada grafik 5.3

Grafik 5.2 Uji Jumlah Data Uji terhadap Tingkat

Akurasi

Dari grafik diatas dapat dilihat bahwa nilai

akurasi tertinggi terdapat pada jumlah data uji 25 bulan

dengan tingkat akurasi sebesar 92%. Sedangkan untuk

tingkat akurasi terendah pada jumlah data 30 bulan

dengan nilai akurasi sebesar 76%. Hasil uji coba dapat

dilihat pada tabel 5.3.

40%50%60%70%80%90%

100%

30 40 50 60 70 80

T i n g k a t A k u r a s i

Bulan

Uji Jumlah Data Latihterhadap Tingkat Akurasi

60%64%68%72%76%80%84%88%92%96%

100%

5 10 15 20 25 30

T i n g k a t A k u r a s i

Bulan

Uji Jumlah Data Uji terhadap

Tingkat Akurasi



7

Tabel 5.3 Uji Jumlah Data Uji terhadap Tingkat

Akurasi

Data uji Akurasi

5 80%

10 90%

15 86%

20 90%

25 92%

30 76%

5.2 Analisa Hasil

5.2.1 Analisa Uji Learning Rate dan Momentum

terhadap MSE

Pada pengujian uji MSE terhadap learning rate dan

momentum dapat dilihat bahwa perubahan MSE yangsemakin turun. Selain itu di setiap nilai learning rate 0.1

pasti memiliki MSE tertinggi. Dari pengujian tersebut

didapatkan nilai learning rate dan momentum yang

menghasilkan nilai MSE paling rendah yaitu pasangan

learning rate 0.8 dan momentum 0.7. Besar kecil nilai

learning rate dan momentum berpengaruh terhadap nilai

MSE. Semakin besar nilai learning rate dan nilai

momentum , maka semakin rendah pula nilai MSE yang

didapatkan. Hal ini dikarenakan nilai learning rate dan

momentum berfungsi untuk mempercepat konvergensi.

Dengan semakin besar nilai pasangan learning rate dan

momentum , maka nilai konvergensi semakin cepatditemukan. Konvergensi ini berpengaruh terhadap nilai

output yang keluar. Bila konvergensi tercapai, maka

selisih nilai output dengan nilai asli berbeda tipis atau

bahkan nilainya bisa sama sehingga nilai MSE yang

dihasilkan pasti semakin rendah.

5.2.2

Analisa Uji Jumlah Data Latih terhadap Tingkat

Akurasi

Pada pengujian ini digunakan jumlah data latih

sebesar 30, 40, 50, 60, 70 dan 80 bulan. Sedangkan

untuk data ujinya sebesar 20 bulan. Dapat dilihat bahwa ketika jumlah data latih sebesar 60 dan 80 bulan

ditemukan nilai akurasi 70% yang merupakan tingkat

akurasi terendah. Sedangkan untuk tingkat akurasi

tertinggi ketika data latih sebesar 70 bulan sebesar 90%.

Semakin banyak variasi data yang dilatih, maka

semakin banyak pula pola-pola yang akan dikenali

sehingga proses pelatihan akan menjadi baik. Pada saat

menggunakan data 80 bulan tersebut kategori rendah

disaat pelatihan mempunyai nilai interval sangat kecil

sedangkan saat pengujian memiliki nilai interval besar.

Hal ini menyebabkan sebagian besar nilai dengan

kategori rendah pada saat pengujian tidak bisa dikenalisehingga menyebabkan tingkat akurasi menjadi turun.

5.2.3 Analisa Uji Jumlah Data Uji terhadap Tingkat

Akurasi

Pada pengujian ini data yang digunakan adalah

data latih dengan jumlah 70 bulan karena merupakan

data latih terbaik pada pengujian sebelumnya. Untuk

data ujinya sebesar 5, 10, 15, 20, 25 dan 30 bulan. Bisa

dilihat bahwa ketika data uji sebesar 30bulan memiliki

nilai akurasi terendah yaitu 76%. Sedangkan ketika

jumlah data uji sebesar 25 bulan nilai akurasinya

tertinggi.Dapat disimpulkan bahwa tinggi atau rendah

nilai akurasi bergantung pada data latih yang

digunakan dan distribusi data saat pengujian. Sudah

dijelaskan pada analisis pengujian sebelumnya bahwa

semakin banyak variasi data, maka proses pelatihan

semakin baik. Semakin baiknya proses pelatihan, maka

akan menghasilkan bobot terbaik yang hampir cocok

untuk menguji berbagai data. Tetapi bila data yang

dilatih tidak terlalu sesuai dengan data yang diuji,

maka data tersebut tidak akan bisa dikenali.

VI.

Kesimpulan

1

Jaringan syaraf tiruan al-alaoui backpropagation

untuk prediksi kebutuhan air PDAM Kota Batu

menggunakan 2 neuron input , 2 hidden layer dan 1

output. Sedangkan learning rate 0.8 dan momentum

0.7.

2

Berdasarkan pengujian yang telah dilakukan untuk

prediksi kebutuhan air PDAM pada pengujian

jumlah data latih didapatkan akurasi tertinggi

sebesar 90%. Sedangkan untuk pengujian jumlah

data uji didapatkan nilai akurasi tertinggi sebesar92%.

VII.

Saran

Beberapa saran yang dijadikan bahan

pertimbangan bagi penelitian selanjutnya adalah

sebagai berikut:

1 Sebaiknya data yang digunakan untuk

prediksi dalam kurun waktu harian. Supaya

data yang digunakan semakin banyak. Karena

jumlah data dapat mempengaruhi tingkat

akurasi.

2 Proses pelatihan pada metode al-alaoui

backpropagation bisa menggunakan linklist atau

vector sebagai pengganti arraylist.

VIII. Daftar Pustaka

[1] Al-Alaoui, M.A., Ferzli, R. 2007. subsampling

Image Compression Using Al-

AlaouiBackpropagationAlgorithm.14Th IEEE

International Conference on Electronics,

Circuits and Systems ,Marrakech,

[2] Al-Alaoui, A, M., Al-Kanji, L., Azar, J., danYaacoub, E. 2008. “Recognition using Artificial

Neural Network and Hidden Markov



8

Models”. Lebanon: American University of

Beirut/ ECE Departement.

[3] Kholis, I. (2011, Juli 7). Pengertian

Backpropagation. Retrieved April 8, 2013, from

Feed Forward Dan Backpropagation:

http://ikkholis27.wordpress.com/2011/07/07/fe

ed-forward-dan-backpropagation/

[4] Sahidi, T. T. (2012). Pengenalan Emosi

Berdasarkan Suara Dengan Jaringan Syaraf Tiruan

Al-Alaoui Backpropagation. Malang: Universitas

Brawijaya.

[5] Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan

Pemogramannya Menggunakan Matlab.

Yogyakarta: Andi Offset.

[6] Tim Produksi dan Perencanaan PDAM Kota

Batu. 2010. “PDAM Kota Batu”, Batu.

[7] Yuliandar, D., Warsito, B., & Yasin, H. 2012.

“Pelatihan Feed Forward Neural Network

Menggunakan Algoritma Genetika dengan

Metode Seleksi Turnamen untuk Data Time

Series”, Universitas Diponegoro, Volume 1

nomor 1, 67, Semarang.

http://ikkholis27.wordpress.com/2011/07/07/feed-forward-dan-backpropagation/







9



10

Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation

Documents

Transcript of Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation