Sistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation

Transkripsi

1 Sistem Peramalan Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Syaraf Tiruan Bacpropagation Anindita Septiarini 1 dan Nur Sya baniah 2 1 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman aninditaseptiarini@gmail.com 2 Program Studi Ilmu Komputer FMIPA, Universitas Mulaarman nieya_om@yahoo.co.id Abstract An accurate forecasting system of the amount of ater production is required by Regional Water Company (PDAM) to determine the policy (maing decision) in the field of ater production. The obect of the research designing and developing a forecasting system using artificial neural netors and bacpropagation algorithm. In this research, the data is selected consider the influence to the forecasting amount of ater production, in this case become input of ANN, i.e.: number of population, number customer by the type of them, the amount of ater processed, the amount ater that used in installations for the production, the amount ater delivered, leaage and the amount ater treatment plant. The output of the application is the prediction results of production. The used data is production data recorded on PDAM, started year 2000 to The algorithm hich used for forecasting the ater production is the bac propagation algorithm. Based on the results of research, obtained that the hidden layer is 80 units, galat is 0.1 and learning rate is 0.01 and traingdx learning techniques have gaven an optimal test result. Keyords: Forecasting the amount of Water Production, Artificial Neural Netors, Bac propagation. Pendahuluan Air merupaan salah satu sumber daya alam yang memilii fungsi sangat penting dan merupaan omponen lingungan hidup yang penting bagi elangsungan hidup manusia dan mahlu hidup lainnya. Seiring pertumbuhan pendudu di Samarinda, maa umlah air yang diprodusi secara terus menerus menunuan peningatan sealan dengan peningatan ebutuhan air bersih di masyaraat. Aibatnya timbul beberapa fator persoalan dalam menghadapi ebutuhan air, salah satunya apabila umlah air yang di produsi dan disaluran lebih besar daripada permintaan aan air, maa aan timbul persoalan pemborosan volume air pada perusahaan. Sedangan apabila umlah air yang diprodusi dan disaluran lebih sediit atau tida memenuhi ebutuhan onsumen maa aan teradi air tida mengalir, yang aibatnya merugian piha onsumen. Oleh arena itu diperluan penyusuaian antara persediaan produsi air dengan permintaan atau ebutuhan air pada onsumen. Syarat mutla yang pertama harus dilasanan untu mencapai tuuan itu adalah piha PDAM mengetahui permintaan air di masa depan sehingga umlah produsi air pun bisa dipredisi. Untu menghadapi resio serta menghindari emunginan pemborosan maa diperluan perhitungan yang dapat memberian gambaran seberapa besar produsi yang dihasilan untu memenuhi ebutuhan pelanggan pada masa aan datang. Pada penelitian ini predisi menggunaan teni ecerdasan buatan menggunaan Jaringan Syaraf Tiruan (JST). Konsep dari JST untu mempredisi umlah produsi air PDAM dengan cara pola data umlah produsi air PDAM periode masa lalu yang dimasuan edalam sistem dilauan proses pelatihan menggunaan JST dengan metode Bacpropagation. Setelah dilauan proses pelatihan, sistem aan menghasilan bobot-bobot yang aan digunaan untu mempredisi umlah produsi air PDAM pada periode tahun-tahun selanutnya. Pada penerapan tersebut dapat dilihat arti penting suatu peramalan terhadap ebutuhan manaemen produsi umlah air PDAM. Hasil peramalan aan sangat berguna bagi PDAM Samarinda untu masa yang aan datang, arena umlah produsi air merupaan fator utama dalam pelayanan penyaluran air. Oleh sebab itu pentingnya suatu peramalan untu produsi air agar dapat memenuhi ebutuhan air pada pelanggan sehingga tida adanya eurangan dalam produsi tersebut. Jaringan Syaraf Tiruan Bacpropagation Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memilii arateristi mirip dengan aringan syaraf biologi / manusia. Program Studi Statistia FMIPA Universitas Mulaarman 43

2 Arsitetur Bacpropagation Bacpropagation terdiri dari n buah masuan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit eluaran. V o dan W 0 masingmasing adalah bias untu unit tersembunyi e- dan untu output e-. Bias V o dan W 0 berperilau seperti bobot dimana output bias ini selalu sama dengan 1. V i adalah bobot onesi antara unit e-i lapisan input dengan unit e- lapisan tersembunyi, sedangan W adalah bobot onesi antara unit ei lapisan tersembunyi dengan unit e- lapisan output. Gambar 1 Arsitetur Bacpropagatio Algoritma Pelatihan Bacpropagation Algoritma bacpropagation dapat dibagi menadi 2 bagian yaitu: 1. Algoritma pelatihan. Terdiri dari 3 tahap: tahap umpan mau, tahap propagasi mudur, dan tahap perubahan bobot. Ketiga fase tersebut diulang-ulang terus hingga ondisi penghentian terpenuhi. Umumnya ondisi penghentian yang sering dipaai adalah umlah iterasi atau esalahan. Iterasi aan dihentian ia umlah iterasi yang dilauan sudah melebihi umlah masimum dari yang ditetapan, atau ia esalahan yang teradi lebih ecil dari batas toleransi yang diiinan. 2. Algoritma apliasi. Yang digunaan hanyalah tahap umpan mau saa. Algoritma Pelatihan 0. Inisialisasi bobot-bobot. Tentuan anga pembelaaran. Tentuan pula nilai toleransi error atau nilai ambang (bila menggunaan nilai ambang sebagai ondisi berhenti); atau set masimal epoch/silus setiap pola pelatihan (bila menggunaan epoch sebagai ondisi berhenti). 1. While ondisi berhenti tida terpenuhi do langah e-2 sampai langah e Untu setiap pasangan pola pelatihan, lauan langah e-3 sampai e-8. Tahap Umpan Mau 3. Setiap unit input x i (dari unit e-1 sampai unit e-n pada lapisan input) mengiriman sinyal input e semua unit yang berada di lapisan di atasnya (e lapisan tersembunyi). 4. Pada setiap unit dilapisan tersembunyi z (dari unit e-1 sampai unit e-p; i=1,,n; =1,,p) sinyal output lapisan tersembunyinya dihitung dengan menerapan fungsi ativasi sigmoid terhadap penumlahan sinyal-sinyal input berbobot x i, emudian diirim elapisan diatasnya. z v o n xi v i1 i (2.1) 5. Setiap unit di lapisan output y (dari unit e-1 sampai unit e-m; i=1,,n; =1,,m) dihitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyalsinyal input berbobot z bagi lapisan ini. y o p z 1 (2.2) Tahap Propagasi Mundur 6. Setiap unit output y (dari unit e-1 sampai unit e-m; =1,,p; =1,,m) menerima poola target t lalu informasiesalahan lapisan output dihitung. diirim e lapisan di baahnya dan digunaan untu menghitung besar oresi bobot dan bias ( dan 0 ) antara lapisan tersembunyi dengan lapisan output: t y f ' y t y y 1 y (2.3) merupasn unit esalahan yang aan dipaai dalam perubahan bobot layar dibaahnya (langah 7). Hitung suu perubahan bobot (yang aan dipaai nanti untu merubah bobot ) dengan lau percepatan α (2.4) z (2.5) 0 7. Pada setiap init dilapisan tersembunyi (dari unit e-1 sampai unit e-p; i=1,,n; =1,,p; =1,,m) dilauan perhitungan informasi esalahan lapisan tersembunyi. emudian digunaan untu menghitung besar oresi bobot dan bias ( v i dan v 0 ) antara lapisan input dengan lapisan tersembunyi: m n o i i f ' (2.6) v x v 1 i1 (2.7) v i v 0 zi (2.8) 44 Program Studi Statistia FMIPA Universitas Mulaarman

3 Tahap Perubahan Bobot 8. Pada setiap unit output y (dari unit e-1 sampai unit e-m) dilauan peng-update-an bias dan bobot (=0,,p; =1,,m;) sehingga bias dan bobot yang baru menadi: (baru) = (lama) + (2.9) Dari unit e-1 sampai unit e-p dilapisan tersembunyi uga dilauan peng-update-an pada bias dan bobotnya (i=0,,n; =1,,p): v i (baru) = v 0 (lama) + v i (2.10) 9. Tes ondisi berhenti Algoritma Apliasi 0. Inisialisasi bobot. Bobot ini diambil dari bobot-bobot trahir yang diperoleh dari algoritma pelatihan. 1. Untu setiap vector input, dilauan langah e-2 sampai e Setiap unit input x i (dari unit e-1 sampai unit e-n pada lapisan input; i=1,..,n) menerima sinyal input penguian x i dan menyiaran sinyal x i e semua unit pada lapisan diatasnya (unit-unit tersembunyi). 3. Setiap unit di lapisan tersembunyi z (dari unit e-1 sampai unit e-p; i=1,..,n; =1,,p) menghitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyal-sinyal input x i. Sinyal output dari lapisan tersembunyi emudian diirim e semua unit pada lapisan di atasnya: n z f v o xiv i (2.11) i1 4. Setiap unit output y (dari unit e-1 sampai unit e-m; =1,,p; =1,,m) menghitung sinyal outputnya dengan menerapan fungsi ativasi terhadap penumlahan sinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input z dari lapisan tersembunyi: y f p o 1 Hasil dan Pembahasan z (2.12) Data diambil dari data primer dan seunder dari PDAM Samarinda dan Badan Statistia Samarinda. Data primer diperoleh dari observasi lapangan sedangan data seunder adalah data berala (time series). Data yang dipergunaan untu pembelaaran adalah data sebenarnya (actual data), mulai tahun 2000 sampai dengan Sedangan tahun 2009 sebagai data penguian yang dilauan pada tahap predisi. Yang termasu sebagai masuan secara berurutan adalah 1. Jumlah pendudu, disimpan pada variabel X1 2. Jumlah pelanggan menurut enis pelanggan rumah tangga tinggal, disimpan pada variabel X2 3. Jumlah pelanggan menurut enis pelanggan hotel/obe isata, disimpan pada variabel X3 4. Jumlah pelanggan menurut enis pelanggan badan sosial, tempat ibadah, dan rumah sait, disimpan pada variabel X4 5. Jumlah pelanggan menurut enis pelanggan MCK/umum, disimpan pada variabel X5 6. Jumlah pelanggan menurut enis pelanggan niaga dan industri, disimpan pada variabel X6 7. Jumlah pelanggan menurut enis pelanggan instalasi pemerintahan, disimpan pada variabel X7 8. Jumlah pelanggan menurut enis pelanggan pelabuhan, disimpan pada variabel X8 9. Jumlah air diolah, disimpan pada variabel X9 10. Jumlah pemaaian air diinstalasi untu produsi, disimpan pada variabel X Jumlah air yang disaluran PDAM/terual, disimpan pada variabel X Kebocoran, disimpan pada variabel X Jumlah inte pengolahan air/ipa, disimpan pada variabel X13. Simulasi Peramalan Simulasi peramalan produsi air dengan JST metode bacpropagation dilauan dengan menggunaan program MATLAB7 melalui langah-langah sbb.: a. Menyusun Training Set Data (TSD). TSD disusun sebagaimana tersai dalam Tabel 1. b. Membuat Arsitetur Jaringan. (lihat Gambar 3). c. Melauan Pembelaaran Jaringan. d. Melauan simulasi peramalan umlah produsi menggunaan JST dengan masuan baru, dimana masuan baru tersebut merupaan data proyesi dari 13 fator penting yang berpengaruh dalam ramalan mulai tahun 2010 sampai dengan (lihat tabel 2) e. Diperolehnya hasil eluaran peramalan beban tenaga listri tahun Ketia proses pelatihan berlangsung, grafi pelatihan yang menunuan perbandingan antara error dan epoch aan ditampilan hingga aringan onvergen atau epoch (iterasi masimum), dan hasil evaluasi data pelatihan yang menunuan oefisiensi olerasi bernilai (mendeati 1), menunuan hasil yang bai untu ecocoan output aringan dengan target sebagaimana terlihat pada gambar 2 dan 3. Hasil-Hasil Simulasi Hasil simulasi dari penelitian ramalan umlah produsi air yang dilauan untu tahun dapat dilihat pada gambar 2, gambar 3, tabel 2 dan tabel 3. Program Studi Statistia FMIPA Universitas Mulaarman 45

4 Tabel 1. Data masuan dan data target untu pembelaaran Satuan A DATA MASUKKAN 1 Jumlah Pendudu Orang 516, , , , , , , , ,117 Jumlah Pelanggan menurut Jenis Pelanggan Sambungan 2 Rumah Tangga Tinggal Sambungan 47,923 52,601 54,359 55,493 55,960 63,585 71,172 76,639 82,983 3 Hotel/Obe Wisata Sambungan ,992 2,111 2,241 2,980 3, Badan Sosial, tempat Ibadah dan Rumah Sait Sambungan MCK/Umum Sambungan Niaga dan Industri Sambungan 2,910 3,382 1,807 1,848 1,968 2,138 2,247 6,382 6,559 7 Instalasi Pemerintahan Sambungan Pelabuhan Sambungan Jumlah Air diolah M3 25,838,609 27,393,908 29,231,338 31,144,838 35,326,099 42,232,268 44,168,658 41,404,532 49,188, Jumlah Pemaaian Air di Instalasi untu Produsi M3 681, , , ,870 2,151,839 2,985,055 2,881,007 1,525,850 2,802, Jumlah Air yang disaluran PDAM / Terual M3 15,046,891 17,013,394 18,954,364 20,826,031 22,623,162 24,733,957 26,423,282 28,110,828 32,219, Kebocoran M3 10,109,992 9,554,660 9,633,914 9,566,937 10,551,098 14,513,256 14,864,369 11,967,854 14,166, Jumlah Inte Pengolahan Air / IPA Unit B DATA TARGET 1 Produsi M3 25,156,883 26,568,054 28,588,278 30,392,968 33,174,260 39,247,213 41,287,651 40,078,682 46,386,066 Jumlah Pendudu Jumlah pelanggan rumah tangga tinggal Jumlah pelanggan hotel dan obe isata Jumlah pelanggan badan sosial,tempat ibadah & RS Jumlah pelanggan MCK/Umum Jumlah pelanggan niaga dan industri Jumlah pelanggan instalasi pemerintahan Jumlah pelanggan pelabuhan Jumlah air diolah Jumlah pemaaian air di instalasi untu produsi Jumlah air yang disaluran PDAM / terual Jumlah ebocoran Jumlah instalasi pengolahan air / IPA x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 Predisi Produsi Air Lapisan Masuan Lapisan tersembunyi Lapisan Keluaran Gambar 2 Arsitetur aringan untu mempredisi umlah produsi air Tabel 2 Data Hasil Proyesi Masuan untu Predisi Tahun Data Masuan X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 Target Program Studi Statistia FMIPA Universitas Mulaarman

5 Gambar 2 (a) Antarmua Grafi Pelatihan (b) Antarmua Hubungan antara Target dengan Output Jaringan untu Penguian Pada penelitian ini dilauan 2 bagian percobaan yaitu menggunaan variabel pelatihan yang berbeda-beda dan menggunaan umlah data (matri) yang berbeda untu membandingan selisih eluaran JST dengan data inputannya. Adapun hasil percobaan dapat dilihat pada table 3. Tabel 3 Hasil Percobaan Variabel Pelatihan Jumlah Jumlah Rata-rata Selisih Percobaan Lapisan Konstanta Tampilan Masimal Matri Matri antra eluaran JST Galat Tersembunyi Belaar Iterasi Iterasi Pelatihan Predisi dengan data inputan x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x 9 13 x x x x x x x x x x x Dari hasil percobaan penelitian ini, diperoleh baha variabel pelatihan dan umlah data (matri) yang digunaan mempengaruhi umlah rata-rata selisih antara eluaran JST dengan data inputan. Percobaan 1 sampai dengan 7 merupaan percobaan dimana variabel pelatihannya diubahubah dengan matri pelatihan beruuran 13 x 9 dan matri predisi beruuran 13 x 7. Percobaan 8 sampai dengan 12 merupaan percobaan dengan variabel pelatihan dengan matri pelatihan beruuran 13 x 12 dan matri predisi beruuran 13 x 4. Pada bagian percobaan 8 sampai dengan 9 menunuan rata-rata selisih yang lebih ecil antara eluaran JST dengan data inputan dibandingan dengan percobaan 1 sampai dengan 7 diarenaan lebih banyanya data pelatihan (matri pelatihan) yang dilatihan. Kesimpulan Jaringan syaraf tiruan metode bacpropagation yang diterapan pada sistem peramalan umlah produsi air memberian hasil yang bai. Hal ini ditunuan dengan ecocoan output aringan dengan target yang oefisiensi olerasi bernilai (mendeati 1). Penerapan aringan syaraf tiruan untu peramalan membutuhan atu yang cuup lama arena perlu melauan banya percobaan dalam menetapan umlah lapisan tersembunyi, penentuan besarnya onstanta belaar serta menerapan teni pembelaaran pada aringan yang direncanaan. Berdasaran hasil penelitian didapat baha umlah layar tersembunyi sebanya 80 unit, galat sebesar 0.1 dan onstanta belaar sebesar 0,01 dan teni pembelaaran traingdx telah memberian hasil penguian yang optimal. Program Studi Statistia FMIPA Universitas Mulaarman 47

6 Konstanta belaar merupaan nilai yang menunuan ecepatan belaar dari aringan. Nilai yang terlalu tinggi dapat menyebaban aringan menadi tida stabil sedangan nilai yang terlalu ecil dapat menadian atu belaar yang lama. Semain ecil galat, berpengaruh pada besarnya iterasi. Untu menghasilan proses pelatihan yang bai perlunya ombinasi dan pemilihan nilai lapisan tersembunyi, galat dan ontanta belaar seoptimal mungin. Jumlah data yang digunaan pada penelitian berbanding lurus dengan inera sistem ini, artinya semain banya data latih yang digunaan untu penelitian, hasil predisinya aan semain membai. Daftar Pustaa 1. Amin, Z Predisi Jumlah Kebutuhan Air Bersih PDAM Madiun 5 Tahun Mendatang (2013). Sripsi Teni Sipil, Universitas Sebelas Maret Suraarta. 2. Andriasa, M.F. dan Mistianingsih Penerapan Jaringan Syaraf Tiruan Untu Mempredisi Jumlah Pengangguran di Provinsi Kalimantan Timur dengan Menggunaan Algoritma Pembelaaran Bacpropagation. Informatia Mulaarman. Vol 5 No. 1, pp Hermaan, A. Jaringan Saraf Tiruan Teori dan Apliasi. Yogyaarta: Penerbit Andi. 4. Kuncoro, A.H. dan Dalimi, R Apliasi Jaringan Syaraf Tiruan Untu Peramalan Beban Tenagaa Listri Janga Panang Pada Sistem Kelistrian Di Indonesia. Edisi No. 3, pp ISSN Kusumadei, S Membangun Jaringan Syaraf Tiruan Menggunaan Matlab dan Excel Lin. Yogyaarta: Graha Ilmu. 6. Siang, J.J Jaringan Syaraf Tiruan dan Pemrogramannya Dengan Matlab. Yogyaarta: Penerbit Andi. 7. Sugiharto, A Pemograman GUI dengan Matlab. Yogyaarta: Penerbit Andi. 48 Program Studi Statistia FMIPA Universitas Mulaarman