Dalam Gambar 4.5 dan Gambar 4.6 , ACF dan PACF terlihat bahwa semua lag berada dalam selang kepercayaan, berarti error bersifat acakrandom. Sehingga model jaringannya
dapat digunakan sebagai model peramalan jumlah sampah masyarakat Kota Medan.
4.1.3 Peramalan Jumlah Sampah Masyarakat
4.1.3.1 Hasil Peramalan Menggunakan Algoritma Backpropagation
Proses peramalan ini menggunakan arsitektur jaringan terbaik yang telah terbangun dari 9 node pada hidden layer dengan input . Nilai input untuk peramalan untuk jumlah sampah
masyarakaat Kota Medan pada tahun 2016 adalah data jumlah sampah masyarakat Kota Medan dari tahun 1992 sampai tahun 2015. Pada tahun 2015 jumlah sampah masyarakat Kota
Medan adalah 634.965 ton. Setelah dinormalisasi data input menjadi 4,2375. Output layer merupakan hasil peramalan algoritma backpropagation dengan rumus yang merujuk pada
persamaan 14 yaitu sebagai berikut:
=
1 −
− 0+ 1
=1
1+
− 0+ 1=1
9 =1
26
Operasi output pada input layer ke-j ke hidden layer dengan rumus yang merujuk dari persamaan 11 yang digunakan sebagai berikut:
_ =
+
1 =1
27
_ =
−12,5812 12,8108
+ 4,2375 11,6559
12,1817
1 =1
Universitas Sumatera Utara
_ =
36,8105 64,4307
Dengan menggunakan fungsi aktivasi sigmoid bipolar menggunakan rumus yang merujuk pada persamaan 12, sehingga diperoleh:
= _
=
1 −
− _
1+
− _
28
= −12,5812
12,8108 + 4,2375
11,6559 12,1817
1 =1
= 1
−
− −12,5812
12,8108 +
4,2375 11,6559
12,1817
1 =1
1 +
− −12,5812
12,8108 +
4,2375 11,6559
12,1817
1 =1
= 1,000
1,000
Operasi output pada hidden layer dengan node tambahan menuju output layer dengan rumus sebagai berikut:
= _ =
+ .
9 =1
29
= 0,8014 + 0,4252 − 1,0718
1,000 1,000
9 =1
= 1,4176
Universitas Sumatera Utara
4.1.3.2 Denormalisasi Data
Hasil dari peramalan sebelumnya merupakan data yang dinormalisasi, maka hasil tersebut akan dikembalikan seperti semula yang disebut denormalisasi data. Data akan
didenormalisasi dengan fungsi poststd pada MATLAB, dengan perintah sebagai berikut:
[P]=poststdpn,meanp,stdp [T]=poststdtn,meant,stdt
Hasil peramalan yang diperoleh adalah nilai = 1,4176 yang kemudian
didenormalisasikan menggunakan perintah poststd pada MATLAB sehinggan menjadi 6,7906e+005 yaitu sekitar 679.060 ton. Hasil tersebut merupakan hasil peramalan jumlah
sampah masyarakat Kota Medan pada tahun 2016.
4.2 Analisis Korelasi antar Variabel
Pada analisis ini akan meentukan faktor manakah yang paling mempengaruhi jumlah sampah masyarakat Kota Medan yang terus meningkat. metode yang digunakan adalah analisis
regresi dan korelasi.
4.2.1 Analisis Regresi Berganda
Untuk mengetahui pengaruh manakah yang paling mempengaruhi meningkatnya jumlah sampah masyarakat maka akan digunakan analisis korelasi. Sebelum menghituang analisis
korelasi antar variabel, maka akan dilakukan terlebih dahulu analisis regresi berganda untuk melihat apakah kedua variabel yang dianggap paling berpengaruh terhadap meningkatnya
jumlah sampah masyarakat berpengaruh positif.
Pada analis regresi berganda, data yang digunakan berasal dari buku SUSENAS yang berjudul ”Statistik Kesejahteraan Raktat” tahun 2005 sampai tahun 2016. Yang meliputi data
jumlah penduduk Kota Medan dan data pengeluaran masyarakat terhadap makanan dann non makanan per tahun yang dasumsikan sebagai tingkat konsumsi masyarakat. Adapun datanya
terdapat pada Lmpiran I.
Universitas Sumatera Utara
