Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al -Al aoui aoui Backpr Backpr opag opagation ation Nanik Ulfatun Nikmah1, Candra Dewi2, Imam Cholissodin3 Mahasiswa Program Studi Informatika / Ilmu Komputer Universitas Brawijaya 2,3Staff 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 1
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 adalah penggunaan air oleh pelanggan dan lonjakan pelanggan. Oleh karena itu PDAM memerlukan suatu prediksi untuk mengantisipasi kebutuhan air. Algoritma al-alaoui backpropagation 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 rate dan momentum dilakukan untuk menemukan MSE terendah. MSE terendah ditemukan pada learning rate rate 0.8 dan momentum momentum 0.7, nilai pasangan tersebut akan digunakan untuk pengujian selanjutnya. Pengujian berikutnya yaitu pengujian jumlah 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 : Al-Alaoui Backpropagation Backpropagation , Backpropagation,prediksi Backpropagation,prediksi
menggunakan metode backpropagation. backpropagation. Backpropagation memiliki tiga layer layer dalam proses pelatihannya, yaitu input layer, hidden layer dan layer dan output layer. layer. Backpropagation ini merupakan perkembangan dari single layer network. network. Dengan adanya hidden layer hidden layer pada backpropagation dapat backpropagation dapat menyebabkan tingkat error error pada backpropagation backpropagation lebih kecil dibanding tingkat error error pada single layer network. Karena hidden layer layer pada backpropagation backpropagation berfungsi sebagai tempat untuk menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output output yang diinginkan [KHO-11].
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.
Terdapat beberapa varian di dalam backpropagation , salah satunya adalah al-alaoui backpropagation. backpropagation. Algoritma al-alaoui backpropagation adalah implementasi dari algoritma tersebut dalam sebuah jaringan syaraf tiruan backpropagation. backpropagation. Algoritma ini dapat mengurangi kesalahan dalam klasifikasi dengan cara menduplikasikan data training yang masih salah dalam klasifikasi, lalu menambahkannya ke dalam training set training set yang memberi pembobotan lebih banyak dengan mendekatkan batas klasifikasi [ALA-07].
Salah satu metode yang digunakan adalah prediksi dengan bantuan kecerdasan buatan
1
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 [SAH12] 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%.
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 seharihari. 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].
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 alalaou backpropagation dalam memprediksi kebutuhan air PDAM berdasarkan jumlah pelanggan? 2 Berapa tingkat keakuratan metode al-alaoui backpropagation untuk dalam prediksi kebutuhan air PDAM berdasarkan jumlah pelanggan?
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 sama dangan 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.
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 april 2013. Sedangkan output sistem berupa nilai persediaan air bulan berikutnya.
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 dalam segala bidang, antara lain untuk pediksi harga saham, pengenalan emosi lewat suara, pendeteksi penyakit dan masih banyak lagi penerapan algoritma backpropagation ini. Berikut merupakan langkahlangkah algoritma backpropagation[SIA-05]:
1.4 Tujuan Berdasarkan rumusan masalah diatas, tujuan dalam penelitian ini adalah: 1.
2.
Mengimplementasikan metode al-alaoui backpropagation untuk dalam prediksi kebutuhan air PDAM berdasarkan jumlah pelanggan. 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.
Langkah 0 Menginisialisasi semua bilangan acak kecil.
bobot
menggunakan
Langkah 1 Bila kondisi pencapain yang diinginkan belum terpenuhi, maka akan dilakukan langkah 2-9. 2
Langkah 2
Untuk setiap pasang data latih yang digunakan, maka akan dilakukan langkah 3-8. Fase I
:
Kemudian menghitung suku perubahan bobot menggunakan momentum
Propagasi maju
( )
Langkah 3
( )
Untuk setiap unit masukan yang ada akan menerima sinyal dan meneruskan ke unit tersembunyi diatasanya.
Fase III : Perubahan Bobot Langkah 8
Langkah 4 Menghitung semua keluaran yang ada pada unit tersembunyi (j=1,2,...p).
Perubahan bobot garis yang akan menuju ke unit keluaran:
∑
Lalu menghitung fungsi sigmoid biner
Perubahan bobot garis yang akan menuju ke unit keluaran:
( )
Keluaran dari fungsi aktifasi tersebut dikirim ke semua unit lapisan tersembunyi.
Langkah 9 Menghitung nilai MSE
Langkah 5
Hitung semua keluaran yang ada di unit (k=1,2,..,m)
∑
Langkah 10
∑
Uji kondisi berhenti
Fase II :
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 namun karena single layer , 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 [ALA07]: 1. Menginisialisasi parameter dan menentukan nilai missclassification error rute. 2. Lakukan backpropagation untuk nilai iterasi yang telah ditentukan.
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 3
3.
4. 5. 6.
Jika jumlah maksimal iterasi telah tercapai, maka berhenti. Dan jika belum tercapai lanjut ke tahap berikut. Melakukan tes input yang asli sebelum duplikasi, lalu menentukan presentasi nilai error klasifikasi. Jika nilai error rate sesuai, maka berhenti. Jika belum lanjut ke langkah berikut. Duplikasikan data training yang salah dalam klasifikasika ke training set asli, lalu kembali ke array input. Kembali ke langkah 2.
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:
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 dari data 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.
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 alalaoui 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:
3.2 Data Penelitian Data yang digunakan dalam sistem peramalan curah hujan menggunakan algoritma Al-Alaoui Backpropagation dari BMKG Karangploso Kabupaten Malang. Data berupa data curah hujan harian sebanyak 304 data, mulai bulan Januari 2011 sampai januari 2012. 4
Mulai
Uji Learning Rate dan Momentum terhadap MSE
Normalisasi
0.049 0.047 0.045 0.043 E0.041 S0.039 0.037 M0.035 0.033 0.031 0.029 0.027 0.025
Pelatihan JST
Pengujian JST
Selesai
Momentum 0.5 Momentum 0.6 Momentum 0.7 Momentum 0.8 0.10.20.30.40.50.60.70.80.9
Gambar 3.2 Gambaran Sistem
Momentum 0.9
Learning Rate
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 @1.4GHz 2. Memori 4.00 Gb RAM 3. Harddisk 500 GB 4. Monitor 14” 5. Keyboard
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.
4.2 Lingkungan Perangkat Lunak
Tabel 5.1
Grafik 5.1 Uji Learning Rate dan Momentum terhadap MSE
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 6.7.1 3. Bahasa pemrograman java
Momentum 0.5
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
0.6
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.
0.7
5
Uji Learning terhadap MSE
Rate dan Momentum
Learning Rate
MSE
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
0.1
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
0.1
0.04674
0.2
0.03503
0.3
0.03065
0.4
0.02873
0.8
0.9
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.
0.5
0.02794
0.6
0.02769
0.7
0.02775
0.8
0.02639
0.9
0.02679
0.1
0.04557
0.2
0.0343
0.3
0.03019
0.4
0.02847
Data Latih
Akurasi
0.5
0.02782
30
80%
0.6
0.02769
40
75%
0.7
0.02569
50
85%
0.8
0.02651
60
70%
0.9
0.02689
70
90%
0.1
0.0445
80
70%
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
Tabel 5.2 Uji Jumlah Data Latih terhadap Tingkat Akurasi
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 dapat dilihat pada grafik 5.3
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
Uji Jumlah Data Uji terhadap Tingkat Akurasi 100% 96% 92% 88% 84% 80% 76% 72% 68% 64% 60%
i s a r u k A t a k g n i T
menunjukan nilai MSE .
Uji Jumlah Data Latih terhadap Tingkat Akurasi 100% i s 90% a r 80% u 70% k 60% A 50% t 40% a k g n i T
5
40
50
60
70
15
20
25
Bulan
Grafik 5.2 30
10
80
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.
Bulan
Grafik 5.1 Uji Jumlah Data Latih terhadap Tingkat Akurasi
6
30
Tabel 5.3
Data uji
Uji Jumlah Data Uji terhadap Akurasi
Tingkat
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.
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 yang semakin 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 cepat ditemukan. 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.
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 sebesar 92%. VII. Saran Beberapa saran yang dijadikan bahan pertimbangan bagi penelitian selanjutnya adalah sebagai berikut:
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 dikenali sehingga menyebabkan tingkat akurasi menjadi turun.
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 AlIEEE AlaouiBackpropagationAlgorithm.14Th International Conference on Electronics, Circuits and Systems ,Marrakech, [2] Al-Alaoui, A, M., Al-Kanji, L., Azar, J., dan Yaacoub, E. 2008. “Recognition using Artificial Neural Network and Hidden Markov 7
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.
8
9
10
