penggunaan jaringan syaraf tiruan backpropagation untuk seleksi ...
Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation
Transcript of 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].
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 2/10
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.
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 3/10
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.
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 4/10
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:
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 5/10
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
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 6/10
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
7/26/2019 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 7/10
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
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 8/10
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.
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 9/10
9
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 10/10
10