membantu menyelesaikan permasalahan yang ada. Pada tahap ini, permasalahan akan diidentifikasi, dikaji dan dianalisis model penelitiannya agar mendapatkan hasil yang akurat
dengan merujuk dari sumber yang ada.
3.3 Pemecahan Masalah
3.3.1 Pengamatan dan Pengolahan Data
Pada tahap ini dilakukan pengamatan dan pengumpulan data sekunder yang diperoleh dari Kantor Badan Pusat Statistik BPS Kota Medan yang meliputi data jumlah sampah
masyarakat dari tiap kecamatan yang terdapat di Kota Medan dari tahun 1992 sampai tahun 2015. Kemudian data jumlah penduduk Kota Medan dan jumlah pengeluaran masyarakat
kota Medan terhadap makanan dan non makanan yang diasumsikan sebagai tingkat kosumsi masyarakat yang berasal dari website resmi BPS Sumatera Utara yaitu sumut.bps.go.id.
Data jumlah sampah masyarakat Kota Medan dari tahun 1992 sampai tahun 2015 akan digunakan untuk peramalan jumlah sampah masyarakat Kota Medan pada tahun 2016
menggunakan jaringan syaraf tiruan backpropagation. Sedangkan data jumlah penduduk Kota Medan dan data tingkat konsumsi masyarakat akan digunakan untuk mencari faktor
mana yang paling mempengaruhi meningkatnya umlah sampah masyarakat Kota Medan.
3.3.2 Membuat Landasan Teori
Setelah mendapatkan data yang dibutuhkan dalam penelitian, selanjutnya dilakukan pembahasan secara toritis mengenai metode yang digunakan dalam penelitian berdasarkan
hasil studi literatur. Hal ini dilakukan untuk mengetahui bagaimana metode yang digunakan dalam kajian teorinya sebelum digunakan dalam penelitian. Pembahasan ini terdapat dalam
tinjauan pustaka.
3.3.3 Analisis Jaringan Syaraf Tiruan Model Backpropagation
Pada tahap ini dilakukan peramalan jumlah sampah masyarakat Koa Medan menggunakan jaringan syaraf tiruan model backpropagation kemudian menghitung MSE Mean Square
Universitas Sumatera Utara
Error dan MAPE Mean Absolute Percentage Error dari hasil peramalan. Dalam menganalisis data dengan model backpropagation digunakan software MATLAB sebagai alat
bantu perhitungan. Untuk melakukan peramalan digunakan algoritma backpropagation yang memerlukan beberapa langkah. Langkah-langkah dalam algoritma backpropagation
kemudian dibagi kedalam beberapa tahap, yaitu:
1. Menentukan input
Identifikasi input didasarkan pada lag-lag signifikan pada plot fungsi auto correlation function ACF dan partial auto correlation function PACF untuk memastikan data
yang akan diinput adalah data yang stationer.
2. Pembagian data
Data yang telah diinput dibagi menjadi 2 yaitu data untuk proses training dan data untuk proses testing. Komposisi yang digunakan adalah 75 data untuk proses
training dan 25 data untuk proses testing.
3. Normalisasi data
Data yang telah diinput dan dibagi menjadi 2 kemudian dinormalisasi menggunakan perintah prestd dalam MATLAB. Fungsi aktivasi yang digunakan pada hidden layer
adalah sigmoid biner tansig, sedangkan pada output layer adalah fungsi aktivasi linier purelin. Hal ini dilakukan dengan meletakkan data pada renge tertentu. Proses
ini juga dapat dilakukan dengan bantuan mean dan standar deviasi. 4.
Penentuan arsitektur jaringan yang optimum. Dalam menentukan arsitektur jaringan yang optimum dilihat dari nilai MSE dan
MAPE yang terkecil setelah melakukan proses pelatihan training. Proses penentuan arsitektur jaringan yang optimum adalah:
a. Menentukan banyaknya neuron pada hidden layer
b. Menentukan input yang optimal
c. Menentukan output yang optimal
5. Proses training JST model backpropagation
a. Menentukan bobot model
b. Menentukan maksimum jumlah epoch
Universitas Sumatera Utara
Beberapa parameter lain: 1.
Kinerja tujuan 2.
Learning rate 3.
Rasio untuk menaikkan leraning rate 4.
Rasio untuk menurunkan learning rate 5.
Maksimum kegagalan 6.
Maksimum kinerja kerja 7.
Gradien minimum 8.
Momentum 9.
Jumlah epoh yang akan ditunjukkan kemajuannya 10.
Waktu maksimum untuk pelatihan
6. Uji kesesuaian model
7. Denormalisasi
Setelah proses selesai maka data akan didenormalisasi atau dikembalikan ke proses semula.
3.3.4 Analisis Korelasi Berganda