Jaringan Sistem Informasi Robotik Vol. 2, No. 01, Maret 2018

Transkripsi

1 Peerapa Jariga Syaraf Tirua Utuk Memprediksi Volume Pemakaia Air Dega Metode Backpropagatio (Studi Kasus PT. PDAM Kota Padag) Khelvi Ovela Putra 1, Guadi Widi Nurcahyo 2, Julius Satoy Program Pascasarjaa Uiversitas Putra Idoesia YPTK, Padag khelviovlla@gmail.com 1, guadiwidi@yahoo.co.id 2, julius_satoy@upiyptk.ac.id 3 Abstrak Peelitia ii meerapka Jariga Syaraf Tirua megguaka algoritma Backpropagatio utuk memprediksi kebutuha kosumsi air. Tujua dari peelitia ii adalah melihat hasil prediksi da diharapka dapat memecahka masalah kebutuha kosumsi air. Perhituga megguaka aplikasi Matlab berdasarka ilai epoch da MSE(Mea Square Error). Data yag diguaka diperoleh dari PT. PDAM Kota Padag, data tersebut dibagi mejadi data pelatiha da data pegujia dega variabel-variabel yag telah ditetuka. Arsitektur jariga yag diguaka dalam melakuka prediksi adalah pola arsitektur Setelah proses data selesai, hasil perhituga dega algoritma Backpropagatio dilakuka perbadiga dega data aktualya. Hasilya adalah prediksi jumlah kebutuha kosumsi air mium dega proses pelatiha da pegujia meghasilka output aktual sebagai target yag dicapai. Kata Kuci: Jariga Syaraf Tirua, algoritma Backpropagatio, Software Matlab, Prediksi. Abstract This research applies Neural Networks Backpropagatio uses algorithms to predict the eeds of water cosumptio. The purpose of this study is to see the results predicted ad expected to solve the problem of water cosumptio eeds. Calculatios usig Matlab applicatio based o the epoch ad MSE (Mea Square Error). The data used were obtaied from PT. PDAM Padag, the data is divided ito traiig data ad test data with variables that have bee determied. Network architecture used i makig predictios is a architectural patter Oce the data is completed, the results of calculatios with Backpropagatio algorithm is compared with actual data. The result is a forecast the amout of water cosumptio eeds with traiig ad testig process to produce the actual output targets are achieved. Keywords: Neural Network, Backpropagatio Algorithm, Matlab, Predict 1. Pedahulua 1.1 Latar Belakag Air sebagai salah satu kebutuha utama utuk meujag kehidupa mausia da merupaka salah satu sumber daya alam yag memiliki fugsi sagat petig da merupaka kompoe ligkuga hidup yag petig bagi kelagsuga hidup mausia da mahluk hidup laiya. Seirig dega meigkatya laju pertumbuha peduduk, kebutuha aka air bersih pu meigkat, maka jumlah air yag diproduksi secara terus meerus meujukka peigkata sejala dega peigkata kebutuha air bersih di masyarakat. Akibatya timbul beberapa faktor persoala dalam meghadapi kebutuha air, salah satuya apabila jumlah air yag diproduksi da disalurka lebih besar daripada permitaa aka air, maka aka timbul persoala pemborosa volume air pada perusahaa. Sedagka apabila jumlah air yag diproduksi da disalurka lebih sedikit atau tidak memeuhi kebutuha kosume maka aka terjadi air tidak megalir, yag akibatya merugika pihak kosume. Oleh karea itu diperluka peyusuaia atara persediaa produksi air dega permitaa atau kebutuha air pada kosume. Pada peerapa tersebut dapat dilihat arti petig suatu peramala terhadap kebutuha maajeme produksi jumlah air PDAM. Hasil peramala aka sagat bergua bagi PDAM Kota Padag utuk masa yag aka datag, karea jumlah produksi air merupaka faktor utama dalam pelayaa peyalura air. Oleh sebab itu petigya suatu prediksi utuk produksi air agar dapat memeuhi kebutuha air pada pelagga sehigga tidak adaya kekuraga dalam produksi tersebut. 1.2 Perumusa Masalah Berdasarka latar belakag pemiliha judul dapat disimpulka masalah yag sedag dihadapi oleh peeliti adalah : 1. Bagaimaa peerapa Jariga Syaraf Tirua dalam melakuka proses prediksi produksi air? 2 Bagaimaa peerapa algoritma Backpropagatio pada Jariga Syaraf Tirua utuk meghasilka hasil prediksi akurasi yag Optimal? 86

2 3 Bagaimaa meerapka algoritma Backpropagatio dega megguaka aplikasi Matlab dalam memprediksi volume pemakaia air? 1.3 Batasa Masalah Agar peelitia ii lebih terarah da masalah yag dihadapi tidak terlalu luas serta tidak meyimpag dari tujua peelitia yag diigika, maka permasalaha yag ada perlu dibatasi yaitu : 1. Iput merupaka data jumlah pelagga da data jumlah pemakaia air pertahu di PDAM Kota Padag. 2. Megaalisa prediksi dalam proses produksi air dega jariga syaraf tirua megguaka algoritma backpropogatio. 3. Backpropagatio memiliki tiga layer dalam proses, yaitu iput layer, hidde layer da output layer. 1.4 Tujua Peelitia Dalam melakuka peelitia ii ada beberapa tujua yag igi dicapai oleh peulis yaitu : 1. Memahami teori Jariga Syaraf Tirua Backpropagatio 2. Meerapka pegguaa Jariga Syaraf Tirua algoritma Backpropagatio utuk memprediksi jumlah produksi air pada PDAM Kota Padag dega megguaka bahasa pemrograma Matlab. 3. Dega megumpulka data data yag dijadika suatu variabel dalam meerapka Backpropagatio diharapka dapat membatu dalam megatasi permasalaha yag ada pada PDAM Kota Padag terutama bagaimaa megatasi jumlah produksi air. 4. Meguji model Jariga Syaraf Tirua yag terbetuk utuk prediksi produksi air PDAM. 1.5 Mafaat Peelitia Mafaat yag diperoleh dari peelitia ii adalah: 1. Dapat membatu proses prediksi produksi air pada PDAM. 2. Dapat memprediksi kebutuha air di waktu yag aka datag berdasarka jumlah pelagga. Dega demikia PDAM bisa meyeimbagka atara persediaa air dega jumlah pelagga agar pedistribusia air merata da mampu utuk memeuhi aka permitaa air di waktu yag aka datag. 3. Dapat bermafaat bagi para pembaca utuk lebih megetahui da memahami tetag metode jariga syaraf tirua Backpropagatio dalam proses prediksi. 2. Tijaua Literatur 2.1 Kecerdasa Buata Kecerdasa buata berasal dari bahasa Iggris Artificial Itelligece atau disigkat AI, yaitu itelligece adalah kata sifat yag berarti cerdas, sedagka artificial artiya buata. Kecerdasa buata yag dimaksud di sii merujuk pada mesi yag mampu berpikir, meimbag tidaka yag aka diambil, da mampu megambil keputusa seperti yag dilakuka oleh mausia. Berikut beberapa defiisi kecerdasa buata yag telah didefiisika oleh beberapa ahli [16]. 2.2 Jariga Syaraf Tirua (JST) Jariga Syaraf Tirua dikembagka berdasarka struktur otak. Seperti otak, Jariga Syaraf Tirua dapat megeali pola, megelola data da belajar. Mereka dibuat oleh euro buata yag meerapka esesi dari euro biologis [9] Pegertia Jariga Syaraf (JST) Jariga Syaraf Tirua (Arficial Neural Network) atau disigkat JST adalah sistem komputasi dega arsitektur da operasiya diilhami dari pegetahua tetag sel syaraf biologi di dalam otak. JST dapat digambarka sebagai model matematis da komputasi utuk fugsi aproksimasi oliear, klasifikasi data, cluster da regresi o parametric atau sebagai sebuah simulasi dari koleksi model syaraf biologi [10] Kompoe-kompoe JST Seperti halya otak mausia, jariga syaraf juga terdiri dari beberapa euro, da terdapat hubuga atara euro-euro tersebut. Pada Gambar 2.2 meujukka struktur euro yag maa Neuro-euro aka metrasformasika iformasi yag diterima melalui sambuga keluarya meuju ke euroeuro yag lai. Pada jariga syaraf hubuga ii dikeal dega ama bobot. Iformasi tersebut disimpa pada suatu ilai tertetu pada bobot tersebut [4]. 87

3 y_ij = i=1 X i Wij ; j = 1,, m ( 2) Gambar 2.2 Struktur Neuro JST Iformasi yag disebut dega masukka dikirim ke euro dega bobot kedataga tertetu. Masukka ii diproses oleh suatu fugsi perambata yag aka mejumlahka ilai-ilai semua bobot yag aka datag. Hasil pejumlaha ii kemudia dibadigka dega suatu ilai ambag (threshold) tertetu melalui fugsi aktivasi setiap euro. Apabila masukka tersebut melewati suatu ilai ambag tertetu maka euro tersebut aka diaktifka. Apabila euro diaktifka, maka euro tersebut aka megirimka keluara melalui bobot-bobot keluara ke semua euro yag berhubuga degaya demikia selajutya. Pada jariga syaraf, euro-euro aka dikumpulka dalam lapisa-lapisa yag disebut dega lapisa euro. Biasaya euro pada satu lapisa aka dihubugka dega lapisa sebelum atau sesudahya terkecuali lapisa masukka da lapisa keluara. Iformasi yag diberika pada jariga syaraf aka dirambatka dari lapisa ke lapisa, mulai dari lapisa masukka sampai lapisa keluara melalui lapisa tersembuyi. Algoritma pembelajara meetuka iformasi aka dirambatka kearah maa [11], Gambar 2.3 meujukka euro jariga syaraf sederhaa dega fugsi aktivasi F. Pada Gambar 2.3 sebuah euro aka megolah N masukka (X1, X2, X3,, X) yag masig-masig memiliki bobot W1, W2, W3,, W, dega rumus: y_i = i=1 X i Wi (1) Gambar 2.3 Model Neuro Sederhaa Kemudia, fugsi aktivasi F aka megaktivasi y_i mejadi keluara jariga y. Utuk. Jariga syaraf dega jumlah euro pada lapisa keluara sebayak m buah maka proses pegolaha data pada euro adalah: Dega Wij adalah bobot yag meghubugka masukka ke-i meuju euro ke-j. Namu, terkadag Jariga Syaraf Tirua tidak mampu megakomodasi iformasi yag ada melalui data data masuka maupu bobotbobotya. Utuk itu biasaya ditambahka bias yag seatiasa berilai 1 ditujukka pada Gambar 2.4. Pegaruh bias terhadap euro ditujukka dega bobot bias (b). Apabila pada jariga syaraf dilegkapi dega bias, maka proses komputasi pada euro mejadi: y i = i=1 X i Wij + b ( 3) Jariga syaraf dega jumlah euro pada lapisa keluara sebayak m buah, maka proses pegolaha data pada euro ke-j adalah: y_i j = i=1 X i Wij ; b j = 1,, m (4) Wij adalah bobot yag meghubugka masukka ke-i meuju ke euro ke-j, da bj adalah bobot bias yag meuju ke euro ke-j. X X X W W F(Vk) W Gambar 2.4 Model Neuro Sederhaa Dega Bias Kosep Dasar Jariga Syaraf Tirua Setiap pola-pola iformasi iput da output yag diberika ke dalam JST diproses dalam euro. Neuro-euro tersebut terkumpul di dalam lapisa-lapisa yag disebut euro layers [18]. Lapisa-lapisa peyusu JST tersebut dapat dibagi mejadi 3, yaitu : 1. Lapisa Iput, uit-uit di dalam lapisa iput disebut uit-uit iput. Uit-uit iput tersebut meerima pola iputa data dari luar yag meggambarka suatu permasalaha. 2. Lapisa Tersembuyi, uit-uit di dalam lapisa tersembuyi disebut uit-uit tersembuyi. Di maa keluaraya tidak dapat secara lagsug diamati. 3. Lapisa Output, uit-uit di dalam lapisa output disebut uit-uit output. Output dari lapisa ii merupaka solusi JST terhadap suatu permasalaha. 88

4 2.2.3 Arsitektur Jariga Syaraf Tirua Arsitektur sebuah jariga aka meetuka keberhasila target yag aka dicapai karea tidak semua permasalah dapat diselesaika dega arsitektur yag sama [6]. Hubuga atar euro pada Jariga Syaraf Tirua megikuti pola tertetu, tergatug pada arsitektur jariga syarafya. Pada dasarya terdapattiga macam arsitektur yaitu [4]: a. Jariga Syaraf dega Lapisa Tuggal Jariga tipe ii haya memiliki satu lapisa dega bobot-bobot terhubug, meerima masuka kemudia secara lagsug megolah mejadi keluara tapa harus melalui lapisa tersembuyi. Ciri-ciri arsitektur ii haya terdiri atas satu lapisa masuka da satu lapisa keluara tapa adaya lapisa tersembuyi. Gambar 2.3 da Gambar 2. 4 merupaka salah satu cotoh model euro dega satu lapisa masuka. b. Jariga Syaraf dega Bayak Lapisa Arsitektur tipe ii memiliki satu atau lebih lapisa yag terletak di atara lapisa masuka da lapisa keluara, memiliki juga satu atau lebih lapisa tersembuyi. Umumya, ada lapisa bobot-bobot yag terletak atara dua lapisa yag bersebelaha. Jariga dega bayak lapisa ii dapat meyelesaika permasalaha yag lebih sulit daripada lapisa dega lapisa tuggal, tetu saja dega pembelajara yag lebih rumit juga. Gambar 2.5 merupaka salah satu cotoh model euro dega bayak lapisa da haya memiliki satu lapisa tersembuyi. Vij adalah bobot-bobot yag meghubugka atara euro-euro pada lapisa masukka dega lapisa tersembuyi. Sedagka Wjk adalah bobot-bobot yag meghubugka atara euro-euro pada lapisa tersembuyi dega lapisa keluara. z_ij adalah hasil pegolaha data pada lapisa tersembuyi dega fugsi aktivasi F1 utuk meghasilka zj (j=1,,k); z_i j = i=1 X i Wij (5) z j = F1(z_i j ) (6) Sedagka y_ik adalah hasil pegolaha data pada lapisa keluara dega fugsi aktivasi F2 utuk meghasilka keluara jariga. y k ; (k = 1,, L) (7) z_i k = i=1 z i Wik (8) z j = F2(z_i k ) (9) Gambar 2.5 Model Neuro dega Bayak Lapisa c. Jariga Syaraf dega Lapisa Kompetitif Arsitektur tipe ii tampak pada Gambar 2.6 di maa memiliki pegatura bobot yag telah ditetapka da tidak memiliki proses pelatiha. Diguaka utuk megetahui euro pemeag dari sejumlah euro yag ada. Nilai bobot utuk diri sediri dari setiap euro adalah 1, da euro lai adalah bobot acak egatife dega bobot -η Gambar 2.6 Model Neuro dega Lapisa Kompetitif Fugsi Aktivasi Ada beberapa fugsi aktivasi yag serig diguaka dalam Jariga Syaraf Tirua atara lai [4]: a. Fugsi Sigmoid Bier Fugsi ii diguaka utuk jariga syaraf yag dilatih dega megguaka metode backpropagatio. Fugsi sigmoid memiliki ilai pada rage 0 sampai 1. Oleh karea itu, fugsi ii serig diguaka utuk jariga syaraf yag membutuhka ilai output yag terletak pada iterval 0 sampai 1. Namu, fugsi ii bisa juga diguaka oleh jariga syaraf yag ilai keluaraya 0 atau 1 [6]. Fugsi sigmoid bier dirumuska sebagai berikut: 1 y = f(x) = (10) 1+exp ( σx) Fugsi step di rumuska sebagai: Dega: y = σf(x)[1 f(x)] (11) Gambar 2.7 Fugsi Aktivasi Sigmoid Bier b. Fugsi Sigmoid Bipolar Fugsi ii hampir sama dega fugsi sigmoid bier, haya saja keluara dari fugsi ii atara 1 sampai -1 terlihat pada Gambar 2.8. Sedagka fugsi sigmoid bipolar dirumuska seperti berikut ii [4] : y = f(x) = 1 e x 1+e σx (12) 89

5 y (x) = σ [1 + f(x)][1(x)] (13) 2 Gambar 2.8 Fugsi Aktivasi Sigmoid Bipolar c. Fugsi Liear (Idetitas) Fugsi liear memiliki ilai keluara yag sama dega ilai masukkaya terlihat pada Gambar 2.9. Fugsi liear dirumuska sebagai berikut: y = x Gambar 2.9 Fugsi Aktivasi Liear 2.3 Backpropagatio Backpropagatio adalah metode umum yag mempelajari Jariga Syaraf Tirua bagaimaa melakuka sebuah tugas yag diberika. Ii adalah sebuah metode belajar yag terawasi, da merupaka geeralisasi dari atura delta. Hal ii membutuhka seorag guru yag tahu, atau dapat meghitug, output yag diigika utuk setiap masuka pada traiig set. Hal ii palig bergua utuk jariga umpa-maju Istilah adalah sigkata utuk "propagasi mudur dari kesalaha" [7] Algoritma Backpropagatio Algoritma Backpropagatio memiliki beberapa uggula pada segi kekovergea da lokasi lokal miimumya yag sagat peka terhadap pemiliha iisialisasi awal serta perbaika pembobotya dapat terus dilakuka higga diperoleh ilai hasil yag hampir sama dega target di maa error yag dihasilka medekati ol. Metode ii dapat diguaka utuk data statioer da o statioer. Utuk data o statioer hal ii dapat meredam jump (perubaha medadak) yag mugki saja terjadi pada saat krisis moeter atau global [17]. Algoritma pelatiha jariga syaraf perambata galat mudur terdiri atas dua lagkah, yaitu perambata maju da perambata mudur. Lagkah perambata maju da peramabata mudur ii dilakuka pada jariga utuk setiap pola yag diberika selama jariga megalami pelatiha [3] Arsitektur Backpropagatio Backpropagatio memiliki beberapa uit yag ada dalam satu atau lebih lapis tersembuyi. arsitektur Backpropagatio dega buah masuka (X1, X2,X3,..., X) ditambah sebuah bias, sebuah lapis tersembuyi yag terdiri dari j uit ditambah sebuah bias, serta k buah uit keluara [18] Algoritma Pembelajara Backpropagatio Kuggula yag utama dari sistem JST adalah kemampua utuk belajar dari cotoh yag diberika. Backpropagatio merupaka algoritma pembelajara yag terawasi da biasaya diguaka oleh Perceptro dega bayak layar lapisa utuk megubah bobot - bobot yag ada pada lapisa tersembuyiya. Backpropagatio adalah pelatiha jeis terkotrol (supervised) di maa megguaka pola peyesuaia bobot utuk mecapai ilai kesalaha yag miimum atara keluara hasil prediksi dega keluara [2] Peulisa istilah: x : Vektor iput pembelajara. X = (x1, x2,...,xj,...,x). t : Vektor target output. T = (t1, t2,...,tk,...,tm). δk : Bagia koreksi error peyesuaia bobot wjk berpedoma pada error output euro yk.. δj : Bagia koreksi error peyesuaia bobot vij berpedoma pada error output euro Zj. α : Learig rate. θ : Tolerasi error. Xi : Iput euro. Voj : Bias pada Hidde euro ke- j. Zi : Hidde euro ke-j. Nilai iput Zi ditujukka dega z ii = v oj + i=1 z i Wij (14) z_i i : Nilai output dega megguaka fugsi aktivasi yag dipilih ditujukka dega zi: z i = f(z_i i ) (15) Wok : Bias pada output euro ke-k. Yk : Output euro ke-k. Nilai iput Yk ditujukka dega y_ik : ρ y_i k = W ok + i=1 z i Wjk (16) 90

6 Nilai output dega megguaka fugsi aktivasi yag dipilih ditujukka dega Yk: y = f(y_i k ) (17) 3. METODE PENELITIAN Metodologi peelitia ii dilakuka secara sistematik yag dapat diguaka sebagai pedoma utuk peeliti dalam melaksaaka ii agar hasil yag dicapai tidak meyimpag da tujua yag diigika dapat terlaksaa dega baik da sesuai dega tujua yag telah ditetapka sebetulya. Keragka kerja dalam melakuka peelitia ii adalah sebagai berikut : Gambar 3.1. Keragka Kerja Peelitia 4. ANALISA DAN PERANCANGAN 4.1 Aalisa Sistem Dalam logika eksak dikeal dua kodisi keputusa bear atau salah, baik atau buruk (true or flase), da tidak megeal logika setegah bear atau setegah salah atau setegah baik atau setegah buruk, amu pada keyataaya bayak kita lihat kodisi tersebut dalam memberika peilaia. Kita tidak bisa haya memberika peilaia butuh atau tidak butuhya masyarakat terhadap air, karea ada beberapa faktor yag mempegaruhi peilaia terhadap tigkat kebutuha masyarakat terhadap air. Data yag peulis peroleh dari PDAM Kota Padag diharapka dapat membatu utuk meguji apakah Jariga Syaraf Tirua dapat membatu memprediksi tigkat kebutuha air masyarakat di Kota Padag. 4.2 Aalisa Kebutuha Air Data yag berkaita dega kebutuha pemakaia air Kota Padag yag diperoleh selajutya aka diolah dega megguaka Jariga Syaraf Tirua yag atiya aka memberika suatu output perkiraa kebutuha air, data yag diperoleh diaalisa da dikelompokka sehigga mejadi beberapa rulerule. Kebutuha air bersih baik air mium serta kebutuha air rumah tagga merupaka kebutuha yag harus dipeuhi, serta harus terjami kesediaaya. Utuk dapat mejami ketersediaa air bersih tersebut perlu kiraya kita dapat melakuka prediksi pemakaia air utuk masa yag aka datag sehigga jika terjadi perkiraa keaika tigkat pemakaia air kita dapat melakuka tidaka atisipasi awal baikitu berupa peigkata kapasitas produksi atau harus mecari sumber air baru yag bisa dijadika sebagai sumber air bersih. Utuk melakuka prediksi pemakaia air bersih tersebut, peulis mecoba utuk melakukaya dega megkaji beberapa data yag meurut peulis data tersebut dapat membatu peulis dalam melakuka prediksi kebutuha air bersih, data tersebut berkaita dega : 1. Sosial 2. Rumah Tagga 3. Istasi Pemeritah 4. Idustri / Niaga 5. Pelabuha 6. Kosumsi Air (ditetapka sebagai target) 91

7 4.3 Variabel variabel Data Berdasarka masalah yag telah dijelaska pada sebelumya, maka data yag aka dibutuhka adalah data jumlah pelagga pada PDAM Kota Padag. Di maa data yag didapat oleh peulis yaitu data yag diambil pada tahu Berikut data yag didapatka yag bersumber dari jumlah pelagga PDAM Kota Padag: Tabel 4.1 Data Pegguaa Kosumsi Air Tahu 2014/2015 Bula Data Pegguaa Air PDAM Kota Padag No Rumah Istasi Idustri/ Kosumsi / 2014/2015 Sosial Tagga Pemeritah Niaga Pelabuha Terjual 1 Jauari ,8 2 Februari ,68 3 Maret ,62 4 April ,03 5 Mei ,55 6 Jui ,59 7 Juli ,79 8 Agustus ,47 9 September ,85 10 Oktober ,90 11 November ,50 12 Desember ,60 13 Jauari Februari Maret April Mei Jui Juli Agustus September Oktober November Desember Pembagia Data Pada Jariga Syaraf Tirua Pembagia data pada Jariga Syaraf Tirua bertujua utuk meetuka data yag aka diguaka sebagai data pelatiha da data pegujia dalam proses meetuka pola terbaik Data utuk Pola Pelatiha Dalam pelatiha ii dibagi mejadi tiga fase, yaitu propagasi maju, propagasi mudur, da perubaha bobot. Propagasi maju dilakuka utuk meetuka keluara lapisa tersembuyi da ilai keluara akhir. Jariga pelatiha jariga aka berheti jika telah medapatka error yag lebih kecil dari target error dalam peelitia ii diamaka MSE (Mea Squared Error). Jika error tidak terpeuhi maka error aka terheti pada maksimum iterasi yag dimasukka. Bayakya masuka utuk lapisa masuka juga berpegaruh utuk keakurata prediksi oleh Jariga Syaraf Tirua. Data masuka juga dipakai sebagai data peltiha utuk mecari 92

8 bobot yag optimal. Setiap arsitektur mempuyai bobot akhir yag dihasilka berdasarka bobot awal da data masuka. Pada pelatiha jariga aka memperhatika parameter pembelajara yag diguaka, seperti parameter learig rate (α). Semaki besar ilai α, semaki cepat pula proses pelatiha. Aka tetapi jika α terlalu besar, maka algoritma mejadi tidak stabil da mecapai titik miimum lokal Data utuk Pola Pegujia Setelah tahap pelatiha, yag dilakuka selajutya adalah tahap pegujia. Pegujia jariga dilakuka utuk medapatka arsitektur yg tepat utuk peramala produksi air PDAM. Data-data yag diguaka adalah data yag tidak ikut dilatih. Faktor-faktor yag berpegaruh utuk medapatka hasil yag terbaik adalah jumlah euro pada lapisa tersembuyi, learig rate, mometum, error da iterasi. Berdasarka hasil pegujia dapat diambil kesimpula pegaruh learig rate da mometum terhadap arsitektur jariga sehigga medapatka arsitektur yag terbaik. Pegguaa laju pembelajara terlalu besar da ilai mometu terlalu kecil aka meyebabka tigkat kovergesi lebih lambat. Laju pembelajara kecil da mometum besar aka mempercepat tigkat kovergesi da diharapka medapatka hasil yag yag terbaik. 4.5 Proses Trasformasi Data Tahap dalam Trasformasi merupaka awal tahapa dalam melakuka pelatiha Jariga Syaraf Tirua dega megguaka metode Backpropagatio. Trasformasi data dilakuka diguaka dega melakuka perubaha terhadap besar skala data iput da target sehigga atiya proses aka berjala dega efisie. Proses Trasformasi sagat petig dilakuka megigat Jariga Syaraf Tirua tidak dapat megolah lagsug data yag didapat. Setelah tahap pelatiha, yag dilakuka selajutya adalah tahap pegujia. Pegujia jariga dilakuka utuk medapatka arsitektur yag tepat utuk peramala kebutuha air PDAM. Data-data yag diguaka adalah data yag tidak ikut dilatih. Tujua dari pembagia data pelatiha agar dapat membadigka hasil pelatiha pada masig-masig bagia. Selai itu, utuk membadigka ilai keakurata proses pegujia berdasarka hasil pelatiha. Utuk variabel data yag diguaka dalam proses prediksi Jariga Syaraf Tirua ii adalah : X1 : Sosial X2 : Rumah Tagga X3 : Istasi Pemeritah X4 : Idustri / Niaga X5 : Pelabuha Fugsi aktivasi yag diguaka utuk megolah data di atas adalah fugsi sigmoid ( bier ), maka data harus ditrasformasika dulu karea rage keluara fugsi aktivasi sigmoid adalah [0,1]. Data ditrasformasika ke iterval yag lebih kecil, misalya pada iterval [0.1, 0.8] adalah: x = 0,8(x a ) + 0,1 b a di maa: 0.8 = Ketetapa x = Nilai data ke b = Nilai data tertiggi (data tertiggi dari setiap iput) a = Nilai data teredah (data teredah dari setiap iput 4.6 Peracaga Algoritma Backpropagatio Pada tahap peracaga ii hasil aalisa yag telah didapatka aka diimplemetasika pada lagkah-lagkah algoritma Backpropagatio megguka fugsi aktivasi sigmoid. Ada empat lagkah-lagkah dalam megguaka algoritma Backpropagatio dega megguaka fugsi aktivasi sigmoid. Lagkahlagkah tersebut adalah sebagai berikut: Fase-fase Algoritma Backpropagatio 1. Tahap Iitializatio Merupaka tahapa utuk medefeisika atau meset awal ilai utuk variabelvariabel yag diperluka, seperti : ilai iput, weight, output yag diharapka (target), learig rate (a) da bias/threshold. 2. Tahap Activatio Pada tahap activatio ii dilakuka 2 (dua) kegiata yaitu : meghitug aktual output pada hidde layer da meghitug aktual output pada output layer. 3. Tahap Weight Traiig Pada tahap weight traiig dilakuka 2 (dua) kegiata yaitu meghitug error gradiet pada output layer da meghitug error gradiet pada hidde layer. 4. Tahap Iteratio Tahapa terakhir ii adalah tahapa utuk pegujia di maa jika error yag diharapka belum ditemuka maka aka kembali lagi ke tahapa ke 2 (dua) yaitu tahap activatio. 4.7 Peracaga Maual Jariga Syaraf Tirua 93

9 Pola Arsitektur No MSE Uji Epoch Latih Uji Latih Data Jariga Sistem Iformasi Robotik Vol. 2, No. 01, Maret 2018 Berikut ii diberika cotoh perhituga pelatiha atau prediksi dega Jariga Syaraf Tirua utuk memprediksi pemakaia air PDAM, sebagai cotoh pelatiha megguaka 5 variabel iput vector x, yaitu: X1 : Sosial X2 : Rumah Tagga X3 : Istasi Pemeritah X4 : Idustri / Niaga X5 : Pelabuha Dari iput data prediksi pemakaia air adalah sebagai berikut: X1 X2 X3 X4 X5 0,6770 0,6645 0,5289 0,6501 0,2339 Arsitektur jariga yag aka dipilih dimisalka terdiri dari jumlah iput layer terdiri 5 euro yag variabelya adalah sosial, rumah tagga, istasi pemeritah, idustri/iaga, pelabuha, sebagai iput da kosumsi / terjual sebagai target (output). a. Berika ilai bobot (V) dari iput ke lapisa tersembuyi (hidde layer). Tabel 4.21 Bobot Awal da Bias Iput ke Hidde dari Matlab Bobot Z1 Z2 Z3 V1 4,4108 8,9295-4,9737 V2 5,4763 2,7532-5,0726 V3-5,7291 1, ,2585 V4 6,835-7,904 6,5827 V5 5,5501-0,2788 3,4684 Bias -10,8482-2,2213-8,4205 b. Berika ilai bobot dari lapisa tersembuyi ke output. Tabel 4.22 Bobot Yag Diberika dari Hidde Layer ke Output Layer Bobot Y W1-0,7162 W2-0,1565 W3 0,8315 Bias 0, IMPLEMENTASI DAN HASIL 5.1 Pelatiha da Pegujia dega MATLAB Dalam melakuka pelatiha da pegujia hasil dari prediksi pegguaa beba teaga listrik, maka pegeala pola tersebut juga aka diujika ke dalam sistem komputerisasi. Pelatiha yag dilakuka dalam Matlab dapat megguaka berbagai fugsi, tujuaya adalah mempercepat pelatiha. Hasil dari percobaa meujuka bahwa Jariga Syaraf Tirua dega algoritma Backpropagatio yag sudah dilatih da diuji dega baik aka memberika keluara yag masuk akal jika diberi masuka yag serupa dega pola yag dipakai utuk pelatiha da pegujia. Sifat geeralisasi ii membuat pelatiha da pegujia lebih efisie karea tidak perlu dilakuka pada semua data. Adapu data perbadiga dari masig-masig pola dapat dilihat pada tabel 5.1. Tabel 5.1 Perbadiga Epoch da MSE Dari Pola yag Diuji Jumlah Data Data , , , , , , , , , , , , , , , , , , Setelah dilakuka proses pelatiha data da 5 pegujia data aka dilakuka perbadiga data kebutuha kosumsi air dega hasil prediksi megguaka Jariga Syaraf Tirua algoritma backpropagatio. Berikut hasil dari perbadiga beba pucak data aktual da data prediksi dega Jariga Syaraf Tirua algoritma backpropagatio dega pola yag dapat dilihat pada tabel 5.2. Tabel 5.2 Perbadiga Hasil Prediksi Kebutuha Kosumsi Air No Bula Data Aktual Data JST Selisih 1 Jauary , February , March , April , May , Jue , July , August , September , October , Akurasi (100 MSE) 94

10 11 November , December , Jauary , February , March , April , May , Jue , July , August , September , October , November , December , Total Rata-Rata Tabel 5.2 merupaka hasil perbadiga data aktual dega hasil prediksi pada bula Jauary 2015 sampai bula Desember 2015 dega Jariga Syaraf Tirua dega algoritma Backpropagatio. 2,300,000 2,200,000 2,100,000 2,000,000 1,900,000 1,800,000 1,700,000 Grafik Perbadiga Data Aktual Data JST Gambar 5.1 Grafik Perbadiga Hasil Prediksi Pada tabel 5.2 da grafik 5.1 dapat dilihat perbadiga dari data prediksi yag dilakuka dega Jariga Syaraf Tirua algorima Backpropagatio meujuka hasil yag tidak jauh berbeda dari data actual dari PDAM Kota Padag. Hasil prediksi tersebut bisa saja lebih atau kurag dari data aktual yag diguaka dalam memprediksi kebutuha kosumsi air. 6 PENUTUP 6.1 Kesimpula Dari aalisa yag telah dilakuka, maka dapat diambil beberapa kesimpula da solusi terbaik dalam meyelesaika permasalaha serta sara-sara dalam memprediksi Jariga Syaraf Tirua. Sehubuga dega adaya aalisa yag telah dilakuka pada PDAM Kota Padag dega metode metode peelitia yag telah diuraika pada bab bab sebelumya, maka dapat diambil kesimpula sebagai berikut : 1. Peracaga Jariga Syaraf Tirua dalam melakuka prediksi kebutuha air pada PDAM Kota Padag dilakuka dega meetuka faktor-faktor yag mempegaruhi jumlah kebutuha air, faktor-faktor yag mempegaruhi jumlah kebutuha air tersebut diambil dari data pegguaa pemakaia air yaitu sosial, rumah tagga, istasi pemeritah, Idustri / iaga da pelabuha. Peracaga ii megguaka 5 iput, 2 hidde da 1 target (output). 2. Peerapa algoritma Backpropagatio pada Jariga Syaraf Tirua utuk meghasilka akurasi yag tiggi dilakuka dega cara melakuka pembagia data yag aka diguaka utuk pola pelatiha da pola pegujia. Tigkat akurasi pada peelitia dihitug berdasarka ilai rata error yag dihasilka dari data output dega hasil MSE(Mea Square Error) sebesar da ilai keakurata sebesar %. 3. Dega megguaka Jariga Syaraf Tirua dega algoritma Backpropagatio proses prediksi lebih cepat, akurat, memiimalisir kesalaha da bisa megguaka tekologi komputer. Serta mudah dalam pegembagaya. Semaki kecil tigkat ketelitia error yag diguaka maka aka semaki kecil peyimpaga hasil jariga saraf tirua dega target yag diigika. 6.2 Sara Berdasarka hasil peelitia yag telah peulis lakuka melalui tahap pelatiha da pegujia serta implemetasi dega algoritma Backpropagatio, sara yag dapat diberika adalah sebagai berikut: 1. Sebaikya data yag diguaka utuk prediksi dalam kuru waktu haria. Supaya data yag diguaka semaki bayak Karea jumlah data dapat mempegaruhi tigkat akurasi. 95

11 2. Megguaka hidde layer yag lebih bayak sehigga dapat diperoleh hasil yag akurat. 3. Algoritma Backpropagatio Jariga Syaraf Tirua selai dapat diaplikasika utuk prediksi kebutuha air PDAM Kota Padag, metode ii juga dapat diaplikasika utuk keperlua prediksi di bidag lai seperti prediksi curah huja, prediksi beba listrik, prediksi tigkat kelahira da bayak lagi yag laiya. Referesi [1] Allaf Omaima N. Ahmad et al, (2012). Artificial Neural Networks for Iris Recogitio System: Comparisos betwee Differet Models, Architectures ad Algorithms. Iteratioal Joural of Oformatio ad Commuicatio Techology Research, November [2] Adrijasa, M.F. da Mistiaigsih, (2010). Peerapa Jariga Syaraf Tirua Utuk Memperdikasi Jumlah Pegaggura di Provisi Kalimata Timur Dega Megguaka Algoritma Pembelajra Backpropagatio. Jural Iformatika Mulawarma, Samarida, 1 Februari [3] Awar, Badrul. (2011). Peerapa Algoritma Jariga Syaraf Tirua Backpropagatio Dalam Memprediksi Tigkat Suku Buga Bak. Jural SAINTIKOM, Mei [4] Aike Marlei et al, (2012). Pegembaga Sistem Jariga Syaraf Tirua Dalam Memprediksi Jumlah Dokter Keluarga Megguaka Backpropagatio. Semiar Nasioal Tekologi da Komuikasi (SENTIKA), Yogyakarta, 10 Maret [5] Che Zhe-Guo et al, (2011). Feed- Forward Neural Networks Traiig: A Compariso Betwee Geetic Algorithm ad Back-Propagatio Learig Algorithm. Iteratioal Joural of Iovative Computig, Iformatio ad Cotrol, Oktober [6] Dahriai Hakim Tajug, (2015). Jariga Syaraf Tirua dega Backpropagatio utuk Memprediksi Peyakit Asma. Citec Joural, November 2014 Jauari [7] Devi Ch.Jyostha et al, (2012). ANN Approach for Weather Predictio Usig Backpropagatio. Iteratioal Joural of Egieerig Tres ad Techology, [8] Fithri D.L, (2013). Deteksi Peyakit pada Dau Tembakau dega Meerapka Algoritma Artificial Neural Network. Jural SIMETRIS, 1 April [9] Gupta Arti ad Shreevastava, (2011). Medical Diagosis usig Backpropagatio Algorithm. IJETAE, November [10] Idah, Meilia Nur da Rismiyaa Ismiarti, (2010). Implemetasi Jariga Syaraf Tirua Dalam Aplikasi Idetifikasi Huruf Vokal Berdasarka Pola Gerak Bibir. Jural PETIR, 1 Jauari [11] Kusuma Ita Widya, (2011). Aplikasi Model Backpropagatio Neural Network utuk Perkiraa Produksi Tebu pada PT. Perkebua Nusatara IX. Prosedig, 3 Desember [12] Puspitaigrum, Diyah. (2006). Pegatar Jariga Syaraf Tirua. Yogyakarta: Adi Offset. [13] Sarbjeet Sigh ad Sukhvider Sigh, Artificial Itelligece. Iteratioal Joural of Computer Applicatios ( ), September [14] Salma Dilek et al, (2015). Applicatio of Artificial Itelligece Techiques to Combatig Cyber Crimes: A Review. Iteratioal joural of Artificial Itelligece (IJAIA), Vol. 6, No. 1, Jauari [15] Siag Jog Jek, (2009). Jariga Saraf Tirua & Pemogramaya Megguaka Matlab. Adi Offset. Yogyakarta. [16] Sutojo, T. et al., (2011). Kecerdasa Buata. Yogyakarta: Adi Offset. [17] Romi Poire Sihotag da Paska Marto Hasuhia, (2014). Implemetasi Jariga Syaraf Tirua (JST) utuk Prediksi Kebutuha Baha Miyak Megguaka Metode Backpropagatio. Iformasi da Tekologi Ilmiah (INTI), 3 Oktober [18] Zekso Arizoa Matodag, (2013). Jariga Syaraf Tirua dega Algoritma Backpropagatio utuk Peetua Kelulusa Sidag Skripsi. Pelita Iformatika Budi Darma, 1 Agustus