Penerapan Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Tanaman Cabai Berdasarkan Provinsi di Indonesia

Devi Monika, Mochammad Wahyudi, Muhammad Ridwan Lubis, Widodo Saputra, Solikhun Solikhun

Abstract


Tanaman cabai merupakan bumbu pelengkap masakan. Harga cabai selalu mengalami fluktuatif. Tercatat dari tahun 2012 hingga tahun 2017, produksi tanaman cabai besar(ton) pada setiap provinsinya mengalami fluktuatif. Pemerintah membutuhkan sebuah prediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia untuk meningkatkan ketahanan pangan di Indonesia khususnya produksi cabai. Penelitian ini memberikan kontribusi bagi pemerintah untuk dapat memprediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia kedepan. Data yang digunakan adalah data dari Badan Statistik Nasional melalui website www.bps.go.id. Data tersebut adalah data ketersediaan tanaman cabai berdasarkan provinsi di Indonesia tahun 2012 sampai dengan tahun 2017. Algoritma yang digunakan pada penelitian ini adalah Jaringan Saraf Tiruan dengan metode Backpropogation. Variabel masukan (input) yang digunakan adalah data tahun 2012 (X1), data tahun 2013 (X2), data tahun 2014 (X3), dan data tahun 2015 (X4) dengan model arsitektur pelatihan dan pengujian sebanyak 4 arsitektur yakni 4-2-1, 4-3-1, 4-4-1 dan 4-5-1. Data target diambil dari data tahun 2016 (T). Keluaran yang dihasilkan adalah pola terbaik dari arsitektur JST. Model arsitektur terbaik adalah 4-5-1 dengan epoch 670, MSE 0,010651  dan tingkat akurasi 99,97. Dari model ini maka dihasilkan prediksi pendapatan ketersediaan tanaman cabai berdasarkan provinsi di Indonesia. Dengan model arsitektur 4-5-1, dapat melakukan prediksi Ketersediaan Tanaman Cabai Berdasarkan Propinsi dengan menunjukkan performa 90.625%.

Kata Kunci: Pendapatan Ketersediaan Tanaman Cabai, JST, Backpropogation, Prediksi dan Teknologi


Full Text:

PDF

References


M. Solikhun, Agus Perdana Windarto, Handrizal and Fauzan, “Jaringan Saraf Tiruan Dalam Memprediksi Sukuk Negara Ritel Berdasarkan Kelompok Profesi Dengan Backpropagation Dalam Mendorong Laju Pertumbuhan Ekonomi,” pp. 14–31, 2017.

A. T. Solikhun, M. Safii, “Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Pemahaman Siswa Terhadap Matapelajaran Dengan Menggunakan Algoritma Backpropagation,” no. 1, pp. 24–36, 2017.

Z. A. Matondang, “Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi,” Pelita Inform. Budi Darma, vol. IV, no. 1, pp. 84–93, 2013.

A. Jumarwanto, “Aplikasi Jaringan Saraf Tiruan Backpropagation Untuk Memprediksi Penyakit THT Di Rumah Sakik Mardi Rahayu Kudus,” J. Tek. Elektro, vol. 1, no. 1, pp. 11–21, 2009.

D. O. (Faculty of I. E.-G. U. Maru’ao, “Neural Network Implementation in Foreign Exchange Kurs Prediction,” 2010.

A. P. Windarto, P. Studi, and S. Informasi, “Implementasi JST Dalam Menentukan Kelayakan Nasabah Pinjaman KUR Pada Bank Mandiri Mikro Serbelawan Dengan Metode Backpropagation,” no. 1, pp. 12–23, 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.