Implementasi Jaringan Syaraf Tiruan Algoritma Backpropagation Pada Kasus Prediksi Permintaan Beras
Article Sidebar
Main Article Content
Abstract
Indonesia sebagai negara yang mayoritas penduduknya memilih beras sebagai sumber pangan utama, di tahun 2020 mengalami penurunan pola konsumsi yang mengakibatkan permintaan beras yang seharusnya stabil menjadi berkurang. Menurunnya daya beli masyarakat akan beras berdampak pada beberapa penyetok beras atau yang biasa disebut dengan agen beras untuk membeli beras pada perusahaan produksi beras. Untuk meminimalisir kerugian yang dialami oleh perusahaan produksi beras, terdapat salah satu cara yang dapat diterapkan, yaitu dengan melakukan peramalan data menggunakan metode jaringan syaraf tiruan backpropagation yang pada penelitian ini data yang digunakan merupakan data permintaan beras Perusahaan CV. PUSPA yang bersifat time series. Skenario pemodelan pada penelitian menerapkan 1-5 hidden layer dengan jumlah neuron hidden yang berbeda di setiap percobaannya. Hasil yang diperoleh memperlihatkan bahwa menggunakan jaringan syaraf tiruan backpropagation menunjukkan prediksi yang baik yang pada penelitian ini hasil terbaik terdapat pada arsitektur 7-50-200-300-250-300-1 dengan MSE = 0.001278, RMSE = 0,301950 di proses pelatihan dan hasil MSE = 0.002391, RMSE = 0.204972 di proses pengujian.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
A. K. Pakpahan, “Covid-19 Dan Implikasi Bagi Usaha Mikro, Kecil, Dan Menengah,” J. Ilm. Hub. Int., vol. 0, no. 0, pp. 59–64, 2020, doi: 10.26593/jihi.v0i0.3870.59-64.
D. A. D. Nasution, E. Erlina, and I. Muda, “Dampak Pandemi COVID-19 terhadap Perekonomian Indonesia,” J. Benefita, vol. 5, no. 2, p. 212, 2020, doi: 10.22216/jbe.v5i2.5313.
M. Hanif, M. Abdurohman, and A. G. Putrada, “Rice consumption prediction using linear regression method for smart rice box system,” J. Teknol. dan Sist. Komput., vol. 8, no. 4, pp. 284–288, 2020, doi: 10.14710/jtsiskom.2020.13353.
A. Wanto and A. P. Windarto, “Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation,” J. Penelit. Tek. Inform. Sink., vol. 2, no. 2, pp. 37–43, 2017.
Y. Andriani, H. Silitonga, and A. Wanto, “Analisis Jaringan Syaraf Tiruan untuk prediksi volume ekspor dan impor migas di Indonesia,” Regist. J. Ilm. Teknol. Sist. Inf., vol. 4, no. 1, p. 30, 2018, doi: 10.26594/register.v4i1.1157.
A. Sudarsono, “Jaringan Syaraf Tiruan Untuk Memprediksi Laju Pertumbuhan Penduduk Menggunakan Metode,” Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.
D. Monika, A. Ahmad, S. Wardani, and Solikhun, “Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi,” Teknika, vol. 8, no. 1, pp. 17–24, 2019, doi: 10.34148/teknika.v8i1.140.
M. Rahul, I. Gunawan, F. Anggraini, S. Sumarno, and I. O. Kirana, “Analisa JST Untuk Memprediksi Pembuatan SIM Menggunakan Metode Algoritma Backpropagation,” J. Media Inform. Budidarma, vol. 4, no. 1, p. 124, 2020, doi: 10.30865/mib.v4i1.1742.
M. Masruroh, “Perbandingan Metode Regresi Linear Dan Neural Network Backpropagation Dalam Prediksi Nilai Ujian Nasional Siswa Smp Menggunakan Software R,” Joutica, vol. 5, no. 1, p. 331, 2020, doi: 10.30736/jti.v5i1.347.
Y. D. Lestari, “Jaringan syaraf tiruan untuk prediksi penjualan jamur menggunakan algoritma backropagation,” J. ISD, vol. 2, no. 1, pp. 40–45, 2017.
D. E. Rufiyanti, “Implementasi Jaringan Syaraf Tiruan Backpropagation Dengan Input Model Arima Untuk Peramalan Harga Saham,” pp. 1–124, 2015.
F. D. Saputra, “Prediksi churn dan strategi retensi pada kasus perusahaan telekomunikasi,” Tesis, 2021.
R. P. Masini, M. C. Medeiros, and E. F. Mendes, “Machine learning advances for time series forecasting,” arXiv, pp. 1–44, 2020.