Gambar 4.2 Plot PACF jumlah sampah masyarakat Kota Medan tahun 1992-2015 Pada data jumlah sampah masyarakat Kota Medan tahun 1992 sampai tahun 2015
seperti yang terlihat pada Gambar 4.1, plot ACF yang signifikan adalah lag 1, dan lag 2. Sedangkan pada Gambar 4.2, plot PACF yang signifikan adalah lag 1. Ini berarti data yang
ada tidak stationer.
4.1.2 Penerapan Jaringan Syaraf Tiruan Model Backpropagation Untuk Meramalkan Jumlah Sampah Masyarakat
Penerapan jaringan syaraf tiruan model backpropagation untuk meramalkan jumlah sampah masyarakat dengan variabel input yaitu jumlah sampah masyarakat Kota Medan. Data yang
digunakan periode tahunan dari tahun 1992 sampai tahun 2015.
4.1.2.1 Penentuan Input Jaringan
Input jaringan dilakukan berdasarkan lag-lag yang signifikan pada plot ACF dan PACF yang sudah dibahas sebelumnya. Berdasarkan hasil plot ACF dan PACF sebelum dilakukan
pembedaan, input yang akan digunakan pada penelitian ini didasarkan pada plot PACF yaitu pada lag 1. Maka input jaringan terdiri atas sebagai jumlah sampah masyarakat sehingga
banyaknya data menjadi 22 data Lampiran II.
4.1.2.2 Pembagian Data
Universitas Sumatera Utara
Data untuk peramalan menggunakan algoritma backpropagation dibagi menjadi dua bagian, yaitu data training dan data testing. Pada peramalan jumlah sampah masyarakat ini,
menggunakan 75 data untuk proses training dan 25 data untuk proses testing. Maka dari itu data untuk proses training pada peramalan ini sebanyak 17 data dan data untuk proses
testing pada peramalan ini sebanyak 5 data Lampiran III.
4.1.2.3 Normalisasi Data
Di dalam algoritma jaringan syaraf tiruan model backpropagation digunakan fungsi aktivasi sigmoid bipolar di mana fungsi ini bernilai antara 1 s.d -1. Namun fungsi tersebut tidak
pernah mencapai angka 1 maupun -1. Oleh sebab itu, data yang akan digunakan untuk peramalan perlu dinormalisasi terlebih dahulu ke dalam range tertentu. Oleh karena itu, data
yang akan digunakan pada proses training dan proses testing yang terdapat pada lampiran III akan dinormalisasikan terlebih dahulu. Untuk menormalisasi data tersebut menggunakan
perintah prestd pada MATLAB sebagai berikut:
[Pn,meanp,stdp]=prestdP; [Tn,meant,stdt]=prestdT;
Hasil proses normalisasi yang telah dilakukan dapat dilihat pada Lampiran IV.
4.1.2.4 Menentukan Arsitektur Jaringan yang Optimal pada Proses Training
Arsitektur jaringan syaraf tiruan model backpropagation secara umum dapat dilihat pada Gambar 2.4 yang terdiri dari input layer, hidden layer dan output layer. Pada tahap ini akan
ditentukan arsitektur jaringan yang optimal yang sesuai dengan data dan proses peramalan yang akan dilakukan. Untuk menentukan arsitektur jaringan yang optimal yang akan
digunakan pada peramalan jumlah sampah masyarakat Kota Medan, maka perlu diketahui parameter-parameter yang mempengaruhi arsitektur jaringan tersebut.
Adapun parameter-parameter yang mempengaruhi proses untuk menentukan arsitektur jaringan yang optimal dengan algoritma backpropagation untuk meramalkan
jumlah sampah masyarakat Kota Medan terdiri atas:
Universitas Sumatera Utara
1 Menentukan banyaknya node yang tersembunyi
Pada proses training algoritma backpropagation yang dilakukan akan ditentukan banyaknya node pada hidden layer. Untuk menentukan banyaknya node yang akan
digunakan, maka akan dilakukan percobaan dengan menginput mulai dari satu node sampai 11 node menggunakan perintah pembelajaran traingdx pada MATLAB.
Banyaknya node yang dipilih adalah banyaknya node yang terbaik berdasarkan nilai MAPE yang terkecil. Hasil yang diperoleh dapat dilihat dari tabel berikut:
Tabel 4.1 Nilai MSE dan MAPE hasil pembelajaran traingdx dengan algoritma Backpropagation
Node Tersembunyi
MSE Training
MAPE Training
MSE Testing
MAPE Testing
1 3,71E+08
3,2632 3,83E+01
11,0950 2
2,67E+08 2,4051
3,89E+01 8,1774
3 1,18E+08
1,6247 5,72E+01
5,5241 4
1,10E+08 1,3942
4,04E+01 4.7404
5 2,28E+07
0,9094 3,78E+01
3,0921 6
2,27E+07 0,8882
3,87E+01 3,0198
7 2,27E+07
0,9285 3,86E+01
3,1570 8
2,24E+07 0,8226
3,77E+01 2,7970
9 2,28E+07
0,7843 3,67E+01
2,6666 10
2,26E+07 0,8291
3,46E+01 2,8190
11 2,27E+07
0,8422 3,86E+01
2,8636 Keterangan:
banyaknya node yang terbaik pada hidden layer 2
Menentukan input yang optimal Arsitektur jaringan yang akan dibangun haruslah berdasarkan input yang sederhana
namun optimal, untuk itu perlu dilakukan pengecekan terhadap input jaringan. Karena penelitian ini mengambil input data berdasarkan plot PACF dan hanya ada satu lag
yang signifikan, maka lag 1 sudah dianggap sebagai jaringan yang paling optimal untuk digunakan.
3 Menentukan banyaknya output yang optimal
Universitas Sumatera Utara
Pada proses peramalan ini, output yang dibutuhkan hanyalah 1 output yaitu hasil
dari peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016
Arsitektur model jaringan syaraf tiruan dengan algoritma backpropagation yang dibangun dari 9 node pada hidden layer dengan input dan output
untuk peramalan jumlah sampah masyarakat Kota Medan adalah sebagai berikut:
Gambar 4.3 Arsitektur model jaringan syaraf tiruan dengan Algoritma backpropagation pada peramalan jumlah sampah.
4.1.2.5 Proses Training Jaringan Syaraf Tiruan Model Backpropagation
