Implementasi Artificial Neural Network Dalam Memprediksi Nilai Air Bersih Yang Disalurkan Di Provinsi Indonesia

Afrina Wati

Abstract


Air merupakan sumber kehidupan di bumi, tanpa air makhluk hidup di bumi tidak akan mampu menopang diri. Semakin berkembangnya dunia teknologi dan bertambahnya populasi membuat kebutuhan akan air bersih semakin meningkat. Hal tersebut mendorong pemerintah dan Perusahaan Daerah Air Minum (PDAM) agar mampu memprediksi ketersediaan air bersih yang disalurkan kepada masyarakat. Penelitian ini bertujuan untuk membuat sebuah model arsitektur dan prediksi terbaik dengan mengimplementasikan kecerdasan buatan yakni Artificial Neural Network (JST) dengan algoritma Backpropagation. Data pada penelitian ini diunduh melalui situs resmi Badan Pusat Statistik Indonesia dengan url: http://www.bps.go.id. Data input yang digunakan adalah nilai air bersih yang disalurkan di provinsi Indonesia (2011-2017). Dari 4 model arsitektur pengujian yang digunakan yakni 4-2-1, 4-4-1, 4-2-5-1, dan 4-2-7-1 diperoleh hasil penelitian bahwa model 4-2-7-1 adalah model arsitektur terbaik dengan hasil parameter MSE pelatihan 0.0099464608, MSE pengujian 0.0212781397, Epoch 45 dan akurasi kebenaran 97%. Dari hasil penelitian diharapkan dapat membantu pemerintah dan PDAM dalam memprediksi kebutuhan dan ketersediaan air bersih yang disalurkan khususnya di daerah kepadatan penduduk tinggi.

Kata Kunci: Prediksi, Air Bersih, Kecerdasan Buatan, Jaringan Syaraf Tiruan, Backpropagation


Full Text:

PDF

References


A. Sudirman, “ANALISA PIPA JARINGAN DISTRIBUSI AIR BERSIH DI KABUPATEN MAROS DENGAN MENGGUNAKAN SOFTWARE EPANET 2 . 0,” J. Tugas Akhir, 2012.

S. A. Donya, E. Suhartanto, Dermawan, and Very, “STUDI PERENCANAAN SISTEM PENYEDIAAN AIR BERSIH DI DESA SERANG KECAMATAN PANGGUNGREJO KABUPATEN BLITAR.”

D. H. Tanjung, “Jaringan Saraf Tiruan dengan Backpropagation untuk Memprediksi Penyakit Asma,” Citec J., vol. 2, no. 1, pp. 28–38, 2015.

A. Wati et al., “Implementasi datamining pada kasus tenaga listrik yang dibangkitkan berdasarkan provinsi,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 719–727, 2019.

F. F. Harryanto and S. Hansun, “Penerapan Algoritma C4 . 5 untuk Memprediksi Penerimaan Calon Pegawai Baru di PT WISE,” Jatisi, vol. 3, no. 2, pp. 95–103, 2017.

H. Santosa, “Aplikasi Penentuan Tarif Listrik Menggunakan Metode Fuzzy Sugeno,” J. Sist. Inf. Bisnis, vol. 01, no. 14, pp. 28–39, 2014.

A. Widarma and H. Kumala, “Sistem Pendukung Keputusan Dalam Menentukan Pengguna Listrik Subsidi Dan Nonsubsidi Menggunakan Metode Fuzzy Mamdani ( Studi Kasus : PT . PLN Tanjung Balai ),” J. Teknol. Inf., vol. 2, no. 2, pp. 165–171, 2018.

M. Noor and H. Siregar, “MODEL ARSITEKTUR ARTIFICIAL NEURAL NETWORK PADA PELANGGAN LISTRIK NEGARA ( PLN ),” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 3, no. 1, pp. 1–5, 2018.

R. A. Dewi, Rusmansyah, S. Ramadan, S. R. Andani, and Solikhun, “MODEL JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI PRODUKSI SUSU SEGAR DI INDONESIA BERDASARKAN PROPINSI,” Teknovasi, vol. 06, no. 02, pp. 45–56, 2019.

A. Ahmad, P. M. Putri, W. Alifah, I. Gunawan, and Solikhun, “ANALISIS JARINGAN SYARAF TIRUAN METODE BACKPROPOGATION DALAM MEMPREDIKSI KETERSEDIAAN KOMODITAS BERAS BERDASARKAN PROVINSI DI INDONESIA,” RESISTOR, vol. 2, no. 1, pp. 48–60, 2019.

A. P. Windarto, “IMPLEMENTASI JST DALAM MENENTUKAN KELAYAKAN NASABAH PINJAMAN KUR PADA BANK MANDIRI MIKRO SERBELAWAN DENGAN METODE BACKPROPOGATION,” J. Sains Komput. Inform., vol. 1, no. 1, pp. 12–23, 2017.

A. Wanto, “PENERAPAN JARINGAN SARAF PENERAPAN JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI JUMLAH KEMISKINAN PADA KABUPATEN/KOTA DI PROVINSI RIAU,” Kumpul. J. Ilmu Komput., vol. 05, no. 01, pp. 61–74, 2018.

D. Monika, S. Wardani, A. Ahmad, and Solikhun, “Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi,” TEKNIKA, vol. 8, no. 1, pp. 17–24, 2019.

S. D. Purwanto, “IMPLEMENTASI JARINGAN SYARAF TIRUAN BACKPROPAGATION SEBAGAI ESTIMASI LAJU TINGKAT PENGANGGURAN TERBUKA PADA PROVINSI JAWA TIMUR,” Semin. Nas. Teknol. Inf. dan Multimed. 2016, pp. 1–6, 2016.

S. P. Siregar and A. Wanto, “Analysis of Artificial Neural Network Accuracy Using Backpropagation Algorithm In Predicting Process (Forecasting),” Int. J. Inf. Syst. Technol., vol. 1, no. 1, pp. 34–42, 2017.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Seminar Nasional Teknologi Komputer & Sains (SAINTEKS)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.