AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA

Transkripsi

1 AKURASI MODEL PREDIKSI METODE BACKPROPAGATION MENGGUNAKAN KOMBINASI HIDDEN NEURON DENGAN ALPHA Aris Puji Widodo, Suhartono 2, Eo Adi Sarwoo 3, dan Zulfia Firdaus 4,2,3,4 Departemen Ilmu Komputer/Informatia, Faultas Sains dan Matematia Universitas Diponegoro arispw@gmail.com Abstra Permasalahan ang bana terjadi pada Perusahaan Daerah Air Minum (PDAM) adalah mengenai etersediaan produsi air bersih untu dapat memenuhi ebutuhan pelanggan secara bai. Permasalahan ini terjadi diantarana diaibatan dengan adana peningatan jumlah pelanggan ang mengaibatan permintaan aan air bersih juga meningat, dan fator ehilangan air, sehingga pendistribusian air tida berjalan dengan bai. Oleh arena itu diperluan sebuah ajian sebagai pertimbangan untu memberian solusi mengenai predisi produsi air bersih di PDAM. Studi asus ang digunaan pada penelitian adalah PDAM Purwa Tirta Dharma Kabupaten Grobogan. Penelitian ini menggunaan metode Jaringan Saraf Tiruan Bacpropagation. Data PDAM ang digunaan adalah meliputi data fator-fator ang mempengaruhi pada produsi air bersih, diantarana jumlah pelanggan, jumlah air terjual, jumlah ehilangan air dan jumlah debit sumber air. Penelitian ini menggunaan data laporan bulanan 5 tahun terahir (Januari 20 s/d Desember 205). Data ang digunaan dibagi menjadi 2, aitu 70% untu pelatihan dan 30% untu pengujian. Jaringan terbai diambil dari nilai Mean Square Error (MSE) pelatihan dan pengujian ang terecil. Esperimen ang dilauan pada penelitian ini menggunaan scenario dengan cara melauan ombinasi antara hidden neuron dengan alpha. Hasil esperimen ang telah dilauan, maa diperoleh nilai MSE pelatihan rata-rata sebesar 0,009538, MSE pengujian rata-rata sebesar 0,050373, dan nilai aurasina sebesar 95,93%. Kata unci: Jaringan Saraf Tiruan, Bacpropagation, Hidden Neuron, Alpha, dan PDAM.. Pendahuluan PDAM merupaan salah satu unit usaha mili daerah ang bergera dalam distribusi air bersih bagi masaraat umum. Masalah ang dihadapi dari piha PDAM Purwa Tirta Dharma juga beragam, ini terait dengan fator-fator ang mempengaruhi perusahaan dalam memprodusi air bersih, antara lain jumlah pelanggan ang selalu meningat setiap bulanna, hal ini tentu membuat piha PDAM harus berupaa untu memasimalan jumlah produsi air ang dihasilan. Fator NRW (Non Reserview Water) hal ini beraitan dengan hilangna air ang telah diprodusi PDAM, ehilangan air PDAM Purwa Tirta Dharma terait dengan air ang tida sampai e pelanggan, sampai saat ini PDAM Purwa Tirta Dharma telah menjual air sebana m 3. Kehilangan air sebesar 36,86% dari total produsi air ang telah dihasilan aitu ,20 m 3, nilai ini masih lebih tinggi dibandingan dengan standar ang telah ditentuan oleh pemerintah sebesar 20%. Hal-hal ang menebaban tinggina ehilangan air di PDAM Purwa Tirta Dharma antara lain, ebocoran pipa saluran, rusana water meter pada bendunganbendungan sumber air bau, serta SDM ang belum memadai. Piha PDAM telah berupaa menanggulangi masalah ini dengan memperbaii pipa saluran dan juga memperbaharui water meter, memberian pelatihan epada seluruh pegawaina, tetapi mesipun telah berupaa sebai mungin, masih ada masalah ang lain terait dengan hilangna air ang telah diprodusi PDAM, aitu ang baru-baru ini terjadi adalah asus pencurian air ang dilauan oleh onum-onum tida bertanggung jawab dengan cara memotong pipa diluar meteran emudian disaluran e dalam rumah pelanggan []. Hal ini tentu menjadi masalah besar bagi PDAM Purwa Tirta Dharma arena harus menderita erugian ang ta sediit. Ketia PDAM masih mengalami masalah ehilangan air ini, maa pendistribusian air e pelanggan aan terhambat. Sehingga ta hana piha PDAM saja ang merasa dirugian, tetapi dari piha pelanggan tentu juga aan merasa rugi. Dengan adana beberapa masalah ang dihadapi, salah satu bahan ajian sebagai masuan untu mengetahui produsi air PDAM pada bulan-bulan beriutna, maa PDAM Purwa Tirta Dharma sebagai perusahaan pemerintah penedia air bersih Kabupaten Grobogan memerluan predisi produsi air bersih masaraat Grobogan. Predisi tersebut dapat digunaan sebagai acuan dalam menentuan ebijaan dalam bidang produsi air. Predisi dapat dihitung menggunaan berbagai metode, salah satu metode predisi ang sering digunaan dan berembang saat ini adalah 79

2 Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) bacpropagation. Mesipun memilii beberapa elemahan seperti hasil pelatihan ang tida onstan dan tida dietahui secara detail bagaimana hasil predisi diperoleh, arena metode ini tida dapat memberian informasi mengenai bobot ang paling berpengaruh diantara pola inputanna, namun metode ini juga memilii elebihan. Kelebihan metode ini mampu memformulasian pengalaman dan pengetahuan peramal, serta sangat flesibel dalam perubahan aturan periraan [2]. Dalam penelitian sebelumna, terait dengan predisi produsi air bersih PDAM Samarinda menggunaan bacpropagation didapatan orelasi ang bai aitu sebesar 0,949. Namun dataset ang digunaan terbatas hana berupa laporan tahunan produsi air mulai tahun sehingga urang menunjuan trend ang realistis dan urang omprehensif arena hana melibatan satu parameter aitu jumlah produsi air sebagai input [3]. Penelitian lainna, ang dilauan oleh Apriliah, Waan Firdaus Mahmud, dan Agus Wahu Widodo mengenai periraan penjualan beban listri menggunaan jaringan saraf tiruan resilent bacpropagation (RPROP) menghasilan presentasi rata-rata error antara data predisi dengan data sebenarna adalah 0,297% untu unit Blimbing,,743% untu unit Dinoo, 0,597% untu unit ota dan 0,388% untu unit Kebon Agong [4] Berdasaran penelitian ang telah diberian diatas, dapat dietahui bahwa jaringan saraf tiruan menggunaan metode bacpropagation menghasilan tingat aurasi tinggi sehingga sangatlah tepat digunaan dalam melauan predisi. Oleh arena itu pada penelitian ini, aan dilauan pembuatan model predisi untu produsi air bersih PDAM dengan menggunaan scenario melauan ombinasi antara hidden neuron dengan alpha guna memperoleh nilai MSE pelatihan dan pengujian terecil, serta dilauan penguuran aurasina. 2. Landasan Teori Jaringan Saraf Tiruan Bacpropagation Jaringan saraf tiruan adalah sistem pemroses informasi ang memilii arateristi mirip dengan jaringan saraf biologi. Jaringan saraf tiruan ditentuan oleh 3 hal aitu arsitetur jaringan, metode untu menentuan bobot penghubung, serta fungsi ativasi [7]. Bacpropagation merupaan salah satu model jaringan saraf tiruan. Bacpropagation merupaan model neural networ dengan bana lapisan ang sering digunaan pada periraan time series. Algoritma pembelajaran bacpropagation mengatifan neuron-neuron pada penambatan maju menggunaan fungsi atifasi ang dapat dideferensialan untu mendapatan error output. Kemudian error output ini digunaan untu mengubah nilai bobot-bobotna earah mundur. Modifiasi perubahan bobot dilauan untu menurunan esalahan ang terjadi [8] Algoritma pelatihan bacpropagation adalah sebagai beriut [7]: a. Langah 0 : Inisialisasi semua bobot dengan bilangan aca ecil, epoch, tentuan laju pembelajaran (α), tentuan jumlah unit pada laar tersembuni ( p ) serta tentuan ondisi penghentian. Kondisi penghentian berupa masimum max epoch dan error target. b. Langah : Jia epoch max epoch dan error target < MSE, lauan langah 2 9. c. Langah 2 : Untu setiap pasang data pelatihan ( sampai dengan a dimana a adalah jumlah data pelatihan), lauan langah 3 8. d. Fase I : Propagasi maju Langah 3 : Tiap unit masuan menerima sinal dan menerusanna e unit tersembuni di atasna. Langah 4 : Hitung semua eluaran di unit tersembuni z j (j =, 2,..., p) z _ net j v j n 0 x i i v ji z j f ( z _ net j ) z _ net j e Langah 5 : Hitung semua eluaran jaringan di unit ( =, 2,..., m) p _ net w 0 z j j w j f ( _ net ) _ net e e. Fase II : Propagasi mundur Langah 6 : Hitung fator δ unit eluaran berdasaran esalahan di setiap unit eluaran ( =, 2,.., m) ( t ) f ' ( _ net ) ( t Hitung suu perubahan bobot percepatan α w j z j ; =, 2,..., m ; j = 0,,..., p ) ( w j dengan laju Langah 7 : Hitung fator δ unit tersembuni berdasaran esalahan di tiap unit tersembuni z j (j =, 2,.., p) _ net m j w j j _ net j f '( z _ net j ) _ net j z j ( z j ) Hitung suu perubahan bobot v ji dengan laju percepatan α ) 80

3 Jurnal Matematia Vol 20, No. 2, Agustus 207 : v ji j x i ; j =, 2,..., p ; i = 0,,..., n f. Fase III : Perubahan bobot Langah 8 : Hitung semua perubahan bobot Perubahan bobot garis ang menuju e unit eluaran w j ( baru ) w j ( searang ) w j ; =, 2,..., m ; j = 0,,..., p Perubahan bobot garis ang menuju e unit tersembuni : v j ( baru ) v j ( searang ) v ji ; j =, 2,..., p ; i = 0,,..., n g. Langah 9 Perbaharui nilai epoch epoch epoch dan hitung mean squared error (MSE) a 2 ( t ) MSE a Momentum Penambahan momentum dimasudan untu menghindari perubahan bobot ang mencolo aibat adana data ang sangat berbeda dengan ang lain. Apabila beberapa data terahir ang diberian e jaringan memilii pola serupa (berarti arah gradien sudah benar), maa perubahan bobot dilauan secara cepat. Namun apabila data terahir ang dimasuan memilii pola ang berbeda dengan pola sebelumna, maa perubahan dilauan secara lambat [7]. Rumus momentum sebagai beriut [7] : dan 3. Metode Arsitetur JST Bacpropagation ang digunaan pada sistem ini terdiri dari 3 laer aitu input laer, hidden laer, dan output laer. Pengumpulan Data Data ang digunaan pada Perangat Luna Predisi Produsi Air Bersih PDAM menggunaan Jaringan Saraf Tiruan Metode Bacpropagation merupaan data dari tahun 20 hingga tahun 205 sebana 60 data ang diperoleh dari laporan bulanan Kantor PDAM Purwa Tirta Dharma Kab. Grobogan. Preprocessing Data Langah aitu mapping data Pada tahap mapping data dilauan rancangan pola data sesuai arsitetur pada metode bacpropagation dengan 4 unit input (x i) dan unit target ( t). Rancangan data diperoleh dari laporan data PDAM Purwa Tirta Dharma, dengan jumlah pelanggan sebagai x, jumlah air terjual sebagai x 2, jumlah ehilangan air sebagai x 3, jumlah debit sumber air sebagai x 4 dan jumlah produsi air sebagai t. Langah 2 aitu normalisasi data ang telah dipetaan e dalam arsitetur jaringan dengan rumus beriut: 0,8( x x min ) = 0, xmax x min Langah 3, aitu identifiasi data latih dan data uji menggunaan perbandingan 70:30. 70% untu data latih dan 30% untu data uji. Gambar 3. Arsitetur JST Bacpropagation Pelatihan dan Pengujian Proses pelatihan dan proses pengujian dilauan berdasaran tahapan-tahapan ang telah disebutan sebelumna. Proses pelatihan ang telah dilauan menghasilan bobot-bobot ang nantina aan dipaai pada proses pengujian. Hasil dari proses pengujian berupa nilai Mean Average Precentage Error (MAPE) dengan rumus : n x t t MAPE= t= x t 00% n Nilai MAPE digunaan untu menghitung aurasi. 4. Hasil dan Pembahasan Esperimen ang dilauan pada penelitian ini menggunaan scenario dengan cara melauan ombinasi hidden neuron dengan alpha. Nilai hidden neuron ang digunaan aitu 6 2 sedangan nilai laju pembelajaran ang diuji aitu Epoch 0000 dan toleransi error 0.00 Hasil esperimen ombinasi hidden neuron dan aloha diberian pada Tabel 4.. Tabel 4., Hasil Kombinasi hidden neuron dan alpha. No Alpha Hidden MSE MSE Neuron Pelatihan Pengujian 0, 6 0, , ,2 6 0,0594 0, ,3 6 0, , ,4 6 0, , ,5 6 0, , ,6 6 0, , ,7 6 0, , ,8 6 0, , ,9 6 0, , , 7 0, , ,2 7 0, , ,3 7 0,0555 0, ,4 7 0, , ,5 7 0, , ,6 7 0, ,

4 MSE Pengujian MSE Pelatihan Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) No Alpha Hidden Neuron MSE Pelatihan MSE Pengujian 6 0,7 7 0, , ,8 7 0, , ,9 7 0, , , 8 0,064 0, ,2 8 0, , ,3 8 0, , ,4 8 0, , ,5 8 0, , ,6 8 0, , ,7 8 0, , ,8 8 0, , ,9 8 0, , , 9 0, , ,2 9 0, , ,3 9 0, , ,4 9 0, , ,5 9 0, , ,6 9 0, , ,7 9 0, , ,8 9 0, , ,9 9 0, , , 0 0, , ,2 0 0, , ,3 0 0, , ,4 0 0, , ,5 0 0, , ,6 0 0, , ,7 0 0, , ,8 0 0, , ,9 0 0, , , 0,0284 0, ,2 0, , ,3 0, , ,4 0, , ,5 0, , ,6 0, , ,7 0, , ,8 0, , ,9 0, , , 2 0, , ,2 2 0,0833 0, ,3 2 0, , ,4 2 0, , ,5 2 0, , ,6 2 0, , ,7 2 0, , ,8 2 0, , ,9 2 0, , Berdasaran hasil esperimen ombinasi alpha dan hidden neuron diatas, maa diperoleh nilai MSE terecil pada ombinasi variabel pelatihan alpha 0,7 dan hidden neuron 7, sehingga ombinasi ini digunaan sebagai ombinasi variabel untu proses selanjutna aitu proses predisi pengaruh dari alpha dan hidden neuron terhadap MSE pelatihan dan MSE pengujian digambaran pada grafi Gambar 4.. dan Gambar 4. Grafi Pengaruh Alpha dan Hidden Neuron terhadap MSE Pelatihan Berdasaran grafi diatas dapat diberian esimpulan bahwa nilai MSE pelatihan aan semain rendah seiring dengan enaian nilai alpha dan jumlah hidden neuron. Nilai alpha berpengaruh terhadap nilai MSE pelatihan, hal ini diarenaan fungsi dari nilai alpha untu mempercepat onvergensi. Konvergensi ini berpengaruh pada nilai output ang dihasilan, bila nilai onvergensi tercapai maa selisih nilai output dengan data atual aan beda tipis atau bahan nilaina bisa sama sehingga nilai MSE pelatihan ang dihasilan semain rendah. Sedangan jumlah hidden neuron berpengaruh pada error ang dihasilan, semain besar jumlah hidden neuron maa semain ecil error ang dihasilan [9] Alpha Hidden Neuron 6 Hidden Neuron 7 Hidden Neuron 8 Hidden Neuron 9 Hidden Neuron 0 Hidden Neuron Hidden Neuron Alpha Hidden Neuron 6 Hidden Neuron 7 Hidden Neuron 8 Hidden Neuron 9 Hidden Neuron 0 Hidden Neuron Hidden Neuron 2 Gambar 4.2. Grafi Pengaruh Alpha dan Hidden Neuron terhadap MSE Pengujian Berdasaran Gambar 4.. dan 4.2. mengenai pengaruh alpha dan hidden neuron terhadap nilai MSE pelatihan dan MSE pengujian dapat disimpulan bahwa tida terdapat orelasi ang onstan antara alpha dan jumlah hidden neuron dengan nilai MSE. Kombinasi variable pelatihan, jumlah data dan inisialisasi bobot awal jaringan aan mengaibatan nilai MSE terendah dapat diperoleh pada nilai alpha dan jumlah hidden neuron ang tida selalu sama. Esperimen Aurasi Sistem

5 Jul-4 Aug-4 Sep-4 Oct-4 Nov-4 Dec-4 Jan-5 Feb-5 Mar-5 Apr-5 Ma-5 Jun-5 Jul-5 Aug-5 Sep-5 Oct-5 Nov-5 Dec-5 Jurnal Matematia Vol 20, No. 2, Agustus 207 : Kombinasi variabel ang telah dihasilan dari esperimen sebelumna maa selanjutna aan dilauan esperimen aurasi sistem. Aurasi sistem didapatan dengan cara 00% diurangi dengan nilai MAPE. Nilai MAPE pada penelitian ini sebesar: MAPE = ( , , , , (Xn Yn) ) , ,0 Xn 8 = 4,07 % Produsi Air/m Sehingga didapatan aurasi sistem sebesar: Accurac = 00% 4, 07 % = 95, 93% Data Atual Bulan/ Tahun Data Predisi Hasil predisi dibandingan dengan data atual diberian pada Tabel 4.2. Tabel Perbandingan Hasil Predisi dengan Data Atual No Bulan Nilai Target Nilai Hasil Juli , ,32 2 Agustus , ,56 3 September , ,06 4 Otober ,2 4760,45 5 November , ,29 6 Desember , ,02 7 Januari , ,22 8 Februari , ,04 9 Maret , ,2 0 April , ,74 Mei , ,66 2 Juni , ,03 3 Juli , ,50 4 Agustus , ,44 5 September , ,56 6 Otober , ,68 7 November , ,08 8 Desember , ,03 Untu perbandingan data hasil predisi dari model dengan data atual dapat dilihat pada grafi Gambar 4.3 Gambar 4.3. Grafi Perbandingan Nilai Target Dengan Nilai Hasil Predisi Model 5. Kesimpulan Kesimpulan ang dapat diambil dari hasil penelitian adalah sebagai beriut: Pelatihan dengan nilai MSE terendah pada model predisi berada pada nilai variabel pelatihan alpha 0,7, dengan jumlah hidden neuron sebana 7, momentum sebesar 0,7, masimal epoch 0000 dengan toleransi error 0,00. Lamana watu pelatihan tersebut membutuhan durasi.505 deti. MSE pelatihan ang dihasilan sebesar 0, dan MSE pengujian sebesar 0, dengan aurasi model predisi ang dihasilan sebesar 95,93%. DAFTAR PUSTAKA [] D. Agus dan A. Hazami, Koran Grobogan, Kamis Mei 205. [Online]. Available: [2] I. M. Mataram, Peramalan Beban Hari Libur Menggunaan Artificial Neural Networ, Jurnal Teni Eletro, pp , [3] S. Nindita dan S. Nur, Sistem Peralaman Jumlah Produsi Air PDAM Samarinda Menggunaan Jaringan Saraf Tiruan Bacpropagation, Jurnal EKSPONENSIAL Volume 3, 202. [4] A. W. Mahmud dan A. Widodo, Periraan Penjualan Beban Listri Menggunaan Jaringan Saraf Tiruan Resilent Bacpropagation (RProp), Jurnal Informatia, pp. 4-47, [5] H. Kusnoputranto, Kesehatan Lingungan, Jaarta: Departemen P&K, UI,

6 Aris Puji Widodo, Suhartono, Eo Adi Sarwoo,Zulfia Firdaus (Aurasi Model Predisi Metode.) [6] J. S. Slamet, Kesehatan Lingungan, Yogaarta: Gadjah Mada Universit, [7] J. J. Siang, Jaringan Saraf Tiruan dan Pemrograman menggunaan MATLAB, Yogaarta: ANDI, [8] D. Kusumadewi, Artificial Intelegence Teni dan Apliasi, Yogaarta: Graha Ilmu, [9] N. U. Nimah, C. Dewi dan I. Cholissodin, Predisi Kebutuhan Air PDAM Berdasaran Jumlah Pelanggan Menggunaan Al-Alaoui Bacpropagation, pp. -8,