PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR ELMAN DENGAN ALGORITMA GENETIKA

Transkripsi

1 PREDIKSI HARGA KOMODITAS PERTANIAN MENGGUNAKAN HYBRID ALGORITMA JARINGAN SYARAF TIRUAN ARSITEKTUR ELMAN DENGAN ALGORITMA GENETIKA AGRICULTURAL COMMODITIES PRICE PREDICTION USING HYBRID ELMAN NEURAL NETWORK WITH GENETIC ALGORITHM Dewa Made Rai Widyadarma, Deni Saepuddin 2, Fhira Nhita 3 Prodi S Ilmu Komputasi, Fakultas Informatika, Universitas Telkom 2 Prodi S Ilmu Komputasi, Fakultas Informatika, Universitas Telkom 3 Prodi S Ilmu Komputasi, Fakultas Informatika, Universitas Telkom madewidyadarma@gmail.com, 2 denis7579@gmail.com, 3 farid.alchair@gmail.com Abstrak Indonesia adalah negara kepulau deng berbagai komoditi utama pertinya. Komoditi perti yg byak salah satunya adalah cabai d bawg merah.berdasark data harga historis harga cabai d bawg merah mengalami fluktuasi yg dapat dilihat polya, walaupun setiap tahunnya mengalami trend kenaik harga. Tetapi hingga saat ini harga kedua komoditi ini ditentuk dari stok dipasar serta harga dari para tengkulak. Untuk itu diperluk duatu prediksi harga agar didapatk gambar bagaima harga komoditi ini ketika sudah dipen. Pada tugas akhir ini dig Algoritma Jaring Syaraf Tiru Arsitektur Elm untuk memprediksi harga cabe merah besar serta bawg merah untuk 0 minggu seljutnya atau pada saat dipen. Peneliti sebelumnya menyark untuk hasil yg lebih baik algoritma ini di-hybrid-k deng Algoritma Genetika untuk mendapatk bobot optimal Jaring Syaraf Tiru. Algoritma Genetika membgkitk individu deng representasi real sebagai solusi untuk bobot-bobot Jaring Syaraf Tiru. Individu tersebut kemudi diseleksi deng melihat nilai MAPE yg didapat melalui fitness untuk memilih kromosom terbaik. Lalu individu tersebut juga mengalami seleksi org tua, rekombinasi, d mutasi untuk kemudi menghasilk satu individu terbaik yg berupa bobot Jaring Syaraf Tiru yg optimal. Hybrid Jaring Syaraf Tiru Arsitektur Elm deng Algoritma Genetika menghasillk prediksi harga deng rata-rata MAPE training sebesar 25,7 d rata-rata MAPE testing 44,772 deng parameter algoritma genetika probabilitas cross-over (Pc) 0, d 0,, probabilitas mutasi (Pm) 0,, ukur populasi 50, d generasi maksimum 50 Kata kunci : prediksi harga, komoditas perti, Elm neural network, Hybrid, Genetic Algorithm Abstract Indonesia is a country with so my isld with tons of main agriculture comodities. The most agricultural comodities are chili d red onion. Based on historical price, chili d red onion price have so my fluctuation that we c see the pattern, eventhough the price every year got some upcoming price. Untill today the price of both comodities get a stdar from the supplier. So we need a price prediction to get a view about the price of these comodities when they harvested later. In this final task Elm Neural Network was used to predict price of chili d red onion for the next 0 weeks or when its time to harvest. But this algorithm has some weakness in search for searching best weight for connection to each neuron. Like what it said in [] for a better result we c hybrid the algorithm with Genetic Algorithm. Genetic algorithm generate individual with real reprensetation for solution to each weight on Neural Network. Those individual get a selection from MAPE that coming from fitness to get best chromosome. Then this individual get parent selection, recombination, d mutation to get one best individual that represent optimum weight of Neural Network. Hybrid Artificial Neural Network Elm Architecture with Genetic Algortihm giving the result of price prediction within average training MAPE 25,7 d average testing MAPE 44,772, d with genetic algorithm parameter cross-over probability 0, d 0,, mutation probability 0,, population 50, d maximum generation 50 Keywords: price prediction, agriculture commodities, Elm neural network, hybrid, Genetic Algorithm. Pendahulu Indonesia memiliki byak barg komoditi utama. Mulai dari biji kopi, kelapa sawit, cabe, ik, kentg, d komoditi perti lainnya yg membuat perekonomi Indonesia sgat fluktuatif. Jika harga dari salah satu komoditi perti meningkat maka bisa membuat harga komoditi lain juga ikut naik. Cabai adalah salah satunya, karena pedas adalah karaketer kebyak masak Indonesia, maka cabai merah besar tak ak sepi perminta. Terlihat ketika tahun 20 dima harga

2 cabai melonjak tajam yg kemudi mempengaruhi perekonomi Indonesia karena masyarakat terlalu mahal untuk membeli bah dasar sambal ini. Ketika harga komoditi ini meningkat para konsumen ak mengeluh namun ketika hargya rendah, peti yg kemudi resah. Karena itulah dibutuhk prediksi harga agar ntinya semua pihak mendapat bagi yg adil. Hasil prediksi inilah yg kemudi dijadik acu oleh konsumen d peti. Metode yg ak dig pada prediksi harga cabai d bawg merah adalah hybrid Elm neural network deng genetic algorithm atau dalam Bahasa Indonesia hybrid tara Jaring Syaraf Tiru (JST) arsitektur Elm deng Algoritma Genetika(AG). Elm Neural network adalah sebuah metode prediksi pada data mining deng mengg 3 layer utama yaitu input layer, hidden layer, d output layer. Input disini adalah data harga, kemudi yg terjadi dilayer hidden adalah proses melihat pola dari harga tersebut untuk kemudi menjadi hasil di layer output. Genetic algorithm adalah sebuah algoritma genetika yg memiliki bentuk melihat kembali ke generasi sebelumnya, genetic algoritma berfungsi untuk mengoptimalk neural network. Berdasark prosiding Vegetable Price Prediction Using Data Mining Classification Technique [] menyatak bahwa hasil dari prediksi mengg neural network sudah bagus, namun jika ingin meningkatk akurasi prediksi dapat dilakuk deng genetic algorithm deng dasar neural network sebelumnya. Pada tugas akhir ini algoritma Hybrid Neural Network deng Genetic Algorithm dig untuk prediksi harga komoditi perti yaitu cabai d bawg merah di wilayah Bdung. Hybrid Neural Network deng Genetic Algorithm kemudi ak membentuk prediksi harga 0 minggu ke dep. 2. Preprocessing Data Dari dataset yg dimiliki ada pun tahaptahap untuk persiap data agar dataset siap untuk diproses ke dalam jaring. Pada peneliti ini ak dilakuk normalisasi data d partisi data. Normalisasi data lgkah mengubah data aktual menjadi lebih kecil dari sebelumnya d memiliki batas, tapi tidak menghilgk karakteristik seluruhnya. Nilai rge interval yg dig ialah [0,]. Berikut rumus normalisasi data : Keterg : X i : Nilai data yg telah normalisasi : Nilai data aktual : Nilai minimum data : Nilai maksimum data Data kemudi dibagi menjadi 2 yaitu data training d data testing. Data training yg dig sebesar.7 % dari data keseluruh, sedgk untuk data uji adalah 33,33 % dari data keseluruh. 2.2 Set Parameter Awal Parameter yg dig Hybrid JST arsitektur Elm deng AG adalah byaknya populasi, maksimum generasi, probabilitas pindahsilg,d probabilitas mutasi. Kemudi nti hasilnya dilihat dari MAPE training yg dihasilk d dijalk sebyak 5 kali percoba. 2.3 Proses Learning Algoritma Hybrid JST Arsitektur Elm deng AG Berikut ini flowchart bagaima proses learning pada algoritma hybrid JST arsitektur Elm deng AG : 2. Metodologi Gambar umum dalam prediksi harga deng mengg algoritma Hybrid Jaring Syaraf Tiru Arsitektur Elm deng algoritma Genetika sebagai berikut : Gambar 2-2: Flowchart learning Hybrid JST arsitektur Elm deng AG Gambar 2-: Gambar Umum Sistem 2.3. Inisialisasi Populasi Pada tahap ini AG mengenerate bilg berukur kromosom yg telah di set parameternya

3 sebelumnya dalam bentuk real. Kromosom inilah yg ntinya ak menjadi kdidat solusi untuk JST arsitektur Elm Evaluasi Individu deng JST arsitektur Elm Setelah terbentuk populasi, setiap individu di dalam populasi kemudi dimasukk ke dalam sistem JST arsitektur Elm untuk memperoleh error bobot yg berupa MAPE. MAPE inilah yg ak dijadik nilai fitness pada individu untuk kemudi dimasukk ke dalam parameter AG seljutnya Seleksi Org Tua Seleksi org tua dig untuk memilih pasg org tua deng fitness terbaik untuk kemudi direkombinasik deng algoritma roulette wheel Rekombinasi Pasg org tua aj direkomendasi untuk menghasilk ak yg baru. Kromosom ak bisa jadi lebih bagus dari org tua namun tidak tertutup kemungkin pula lebih jelek dari kromosom org tuya. Rekombinasi memperhatik nilai probabilitas cross-over (Pc) yg ditentuk Mutasi Mutasi dilakuk deng mengubah gen secara acak deng berpedom pada probabilitas mutasi (Pm) yg ditentuk sebelumnya Seleksi Survivor Merupak proses mempertahk individu terbaik d dimasukk ke generasi berikutnya. 2.4 Penguji Hybrid JST arsitektur Elm deng AG Dalam penguji sistem Hybrid ini dig beberapa parameter AG yaitu probabilitas pindah silg 0, d 0,, probabilitas mutasi 0,, byaknya populasi 50 d byaknya generasi 50 Berikut adalah tabel skenario penguji : Data Bawg Merah Cabai Merah Besar Curah Huj Tidak Tidak Pop Max Gen Pc Pm 2.4. Hasil Skenario Setelah skenario di uji didapatklah hasil penguji. Didapatk MAPE training terbaik yaitu untuk bawg ada pada rata-rata MAPE training 7,5 d untuk cabai merah besar rata-rata MAPE trainingnya adalah 33,25. Kedua MAPE training terbaik ini berada pada data prediksi yg tidak mengg curah huj. 2.5 Perhitung MAPE Rumus MAPE yg dig untuk menghitung error data pada paper ini adalah Keterg : n = Byaknya Data Tt = Nilai Target Pt = Nilai Prediksi 3. Pembahas Hybrid JST arsitektur Elm deng AG Implementasi Hybrid JST arsitektur Elm deng AG pada peneliti ini dibagi menjadi 3 bagi yaitu : (a.) Mendapatk bobot JST yg optimal (b.) Prediksi harga komoditas perti deng mengg data harga komoditas perti. (c.) Prediksi harga komoditas perti deng mengg data harga komoditas perti ditambahk data curah huj. 3. Mendapatk Bobot JST Optimal Mendapatk bobot JST optimal mengg metode trial d error Namun setelah membdingk deng beberapa hasil peneliti sebelumnya maka diglah parameter yaitu populasi sebyak 50, maksimum generasi sebyak 500, probabilitas pindah-silg 0, d 0, serta probabilitas mutasi 0,. Hasil tara parameter 0, d 0, tidak jauh berbeda seperti terlihat pada hasil prediksi harga bawg berikut Gambar 3- Grafik Hasil Prediksi Bawg deng Pc 0,.

4 Cabai Mera h Besar Tida k DIg 33, 4,50 33,4 40,37 33,25 43,03 33,49 4,2 Gambar 3-2 Grafik Hasil Prediksi Bawg deng Pc 0, Tidak terlihat perbeda signifik pada grafik namun terjadi perbeda pada MAPE training yg dihasilk. 3.2 Prediksi harga komoditas perti deng mengg data harga komoditas perti. Pada skenario prediksi dibagi 2 yaitu deng mengg curah huj d tidak mengg curah huj. Hasil yg didapatk cukup berbeda tara yg mengg curah huj d yg tidak mengg curah huj. Terlihat MAPE training yg dihasilk oleh data yg mengg curah huj lebih besar dibdingka\n deng MAPE yg dihasilk data yg tidak digabungk deng curah huj. 3.3 Prediksi harga komoditas perti deng mengg data historis harga komoditas perti disertai data curah huj. Hasil yg didapatk skenario deng mengg curah huj memiliki MAPE training yg lebih besar. Ini terjadi karena perbeda pola pada curah huj deng pola pada data harga yg menyebabk sistem harus menemuk pola yg tepat untuk memprediksi harga seljutnya. Untuk melihat lebih ljut perbeda besar rata-rata MAPE lihat tabel berikut Data Bawa ng Mera h Tabel 3- Rata-rata Hasil MAPE skenario Rata Rata MAPE Po P CH Pc p m Tida k 50 M ax Ge n 50 0 Traini ng Testin g,4 5,95,04 52,70 7,5 43,40,23 43,32 Dari tabel 4-3 untuk bawg, rata-rata MAPE training didapatk yaitu,432 d,04 untuk sistem yg digabungk deng curah huj sedgk untuk rata-rata MAPE training yg tidak mengg curah huj yaitu 7,597 d,2304. Pada cabai merah besar jika dimasukk data curah huj maka MAPE training yg didapat adalah 33,2 d 33,472, untuk MAPE training tidak mengg curah huj diperoleh 33,2505 d 33,492. Masing-masing MAPE didapatk pada parameter cross-over 0, d 0, serta parameter mutasi 0,. Pada kedua data harga, rata-rata MAPE training terbaik berada di hasil running deng tidak mengg data curah huj yaitu 7,5 untuk bawg merah d 33,25 untuk cabai merah besar. Hal ini menunjukk bahwa pengguna curah huj dalam sistem prediksi mempengaruhi hasil yg didapat karena merubah pola yg dipelajari sebelumnya d tentunya merubah pola bobot optimal yg didapat. Berikut adalah tabel bobot untuk bawg Tabel 3-2 Tabel bobot terbaik yg diperoleh untuk bawg tpa curah huj. WI B B2 B3 B4 B5 A A A A A A A A A W2 B B B B B Kesimpul Setelah dilakuk beberapa penguji, adapun berikut hal-hal yg dapat disimpulk dari peneliti tugas akhir ini: a. Bobot optimal diperoleh dari Algoritma Genetika untuk jaring syaraf tiru didapatk melalui

5 inisialisasi populasi, evaluasi individu, rekombinasi berdasark Pc, mutasi berdasark Pm, d pergti populasi. b. Algoritma Jaring Syaraf Tiru Arsitektur Elm yg di optimasi deng Algoritma Genetika menghasilk rata-rata MAPE lebih kecil dibdingk deng Jaring Syaraf Tiru Arsitektur Elm yg tidak di Hybrid, karena pada sistem hybrid terdapat optimasi yaitu optimasi bobot pada Jaring Syaraf Tiru c. Hasil sistem hybrid Algoritma Jaring Syaraf Tiru Arsitektur Elm deng Algoritma Genetika memberik performsi rata-rata MAPE testing 44,772 atau jika dalam akurasi yaitu 5,33% untuk harga bawg d harga cabai. d. Penambah data curah huj ke dalam sistem prediksi memperburuk nilai MAPE. 5. Sar a. Data yg dig sebaiknya memiliki rentg yg lebih pjg agar dapat meningkatk akurasi training maupun testing. Juga memperpjg untuk rge data testing. b. Pada peneliti seljutnya prediksi harga dapat dilakuk deng metode lainnya agar hasil yg didapatk lebih baik d memiliki performsi yg lebih tinggi. c. Memperbyak skenario serta parameter penguji untuk mendapatk hasil yg lebih baik.. Motor Fault Detection, Institute of Intelligent Power Electronics, Helsinki University of Technology, [7] Kuswadi, Son. Kendali Cerdas, Penerbit:ANDI, [] Wiharto, Palgunadi, Y. S. Nugroho, Muh Aziz Analisis Pengguna Algoritma Genetika Untuk Perbaik Jaring Syaraf Tiru Radial Basis Function. Seminar Nasional Teknologi Informasi d Komunikasi (SENTIKA). [9] Suyto, 200. Soft Computing Membgun Mesin Ber-IQ Tinggi, Bdung: Informatika. [0] Anbazhag, S. Kumarapp, N Day-Ahead Deregulated Electricity Market Price Forecasting Using Recurrent Neural Network. [] D.P. Nasional, Kamus Besar Bahasa Indonesia Pusat Bahas, Jakarta: PT Gramedia Pustaka Umum, 200 [2] Setiadi, Bertam Cabai di Lah d Pot, Jakarta: Penebar Swadaya, 202. [3] Wibowo S, Budi Daya Bawg, Jakarta:Penebar Swadaya, [4] Ramadevi R., Sheela Ri B., Prakash V, 202, Role of Hidden Neurons in Elm Reccurent Neural Netowrk in Classification of Cavitation Signals, International Journal of Computer Applicatons. Daftar Pustaka: [] Nasira, G.M. & Hemageetha, N Vegetable Price Prediction Using DataMining Classification Technique, Proceedings of the International Conference on Pattern Recognition,. [2] Suyto, 200. Evolutionary Computation Komputasi Berbasis Evolusi d Genetika, Bdung: Informatika,. [3] Hermaw, Arief Jaring Syaraf Tiru Teori d Aplikasi, Yogyakarta:Penerbit ANDI,. [4] Perma, Agus A Jiwa. Prijodiprodjo, Widodo Sistem Evaluasi Kelayak Mahasiswa Magg Mengg Elm Recurrent Neural Network, IJCCS. [5] Ubeyli, Elif Derya. Ubelyi, Mustafa. Case Studies for Applications of Elm Recurrent Neural Network, INTECH, 200. [] Gao, X.Z. Ovaska, S.J. Genetic Algortihm Training of Elm Neural Network in