Peramalan Dosis Pupuk Berdasarkan Karakteristik dan Lingkungan Tanaman Jeruk Siam Menggunakan Metode Backpropagation

  

Vol. 1, No. 11, November 2017, hlm. 1214-1223 http://j-ptiik.ub.ac.id

Peramalan Dosis Pupuk Berdasarkan Karakteristik dan Lingkungan

Tanaman Jeruk Siam Menggunakan Metode Backpropagation

1 2 3 M. Najmi Ridhani , Rekyan Regasari Mardi Putri , Sutopo

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: muhammadnajmiridhani@gmail.com, rekyan.rmp@ub.ac.id, opotus10@gmail.com

  

Abstrak

  Jeruk siam merupakan salah satu tanaman hortikultura yang populer di Indonesia namun produksi jeruk siam dari tahun ke tahun mengalami fluktuasi. Penyebab utama fluktuasi produksi nasional jeruk siam adalah faktor iklim, lingkungan, dan penyakit. Salah satu cara mengatasi faktor iklim, penyakit dan lingkungan pada produksi jeruk siam adalah dengan memberikan pupuk dengan takaran yang pas dan proporsional sesuai dengan lingkungan dan karakteristiknya. Penelitian ini bertujuan untuk meramalkan dosis pupuk tanaman jeruk siam sesuai dengan karakteristik dan lingkungannya. Penelitian ini menggunakan Jaringan Saraf Tiruan (JST) backpropagation. Arsitektur jaringan terdiri dari 3 nueron

  

input layer yang merepresentasikan lebar kanopi, tekstur tanah dan curah hujan, 1 hidden layer, dan 3

nueron output layer yang merepresentasikan komposisi pupuk yakni nitrogen, fosfor, dan kalium.

  Rancangan arsitektur jaringan terbaik untuk peramalan dosis pupuk jeruk siam adalah 3 neuron input, 5 nueron hidden layer dan 3 neuron output. Nilai learning rate yang digunakan 0.3 dengan iterasi maksimum 500, data latih 56 dan data uji 8. Nilai evaluasi Mean Absolute Percentage Error (MAPE) pengujian data komposisi dosis pupuk adalah 9.178% yang didapatkan dari rata-rata eror nilai dosis pupuk nitrogen, fosfor, dan kalium.

  Kata kunci: jeruk siam, pemupukan, peramalan, jaringan saraf tiruan, backpropagation .

  

Abstract

Citrus is one of the horticultural plants which are popular in Indonesia but the citrus production from

year to year has fluctuated. There are some main causes that affected to the fluctuation of national

production of citrus which are climate, environment, and diseases. One way to overcome the climate,

environment, and diseases of citrus production is to provide fertilizer at the right dose and proportional

to that matched with the environment and its characteristics. This study aims to forecast the dosage of

citrus fertilizer according to the characteristics and environment. This study uses Artificial Neural

Network (ANN) backpropagation. The architecture a network of 3 nueron input layer that represents

the related parameters is width of the canopy, soil texture and rainfall, one hidden layer, and 3 nueron

output layer that represents the composition of the fertilizer that is nitrogen, phosphorus, and potassium.

The best network architecture design for forecasting doses of citrus fertilizer are 3 input neurons, 5

nueron hidden layer and 3 output neurons. The value of the learning rate used is 0.3 with the maximum

iteration of 500 and the training data is 56 and the test data 8. The Mean Absolute Precentage Error

(MAPE) evaluation value of the composition data of the fertilizer dose is 9.178% obtained from average

error of dose of nitrogen, phosphorus, and potassium fertilizer.

  Keywords:

  Berdasarkan data produksi tanaman jeruk siam 1.

   PENDAHULUAN

  di Indonesia periode 2011-2015 Badan Pusat Indonesia adalah salah satu negara yang

  Statistik dan Direktorat Jenderal Hortikultura, mengandalkan sektor pertanian dalam menjaga produksi nasional jeruk siam sangat tinggi stabilitas pangan dan ekonomi. Dalam dengan rata-rata produksi mencapai 1.5 juta ton perkembangannya pertanian terbagi menjadi per tahun,namun dari tahun ke tahun produksi banyak subsektor, salah satunya adalah nasional jeruk siam mengalami fluktuasi (Badan, hortikultura. Salah satu tanaman hortikultura 2015). yang paling populer saat ini adalah jeruk siam.

  Fakultas Ilmu Komputer Universitas Brawijaya

1214

  Flukstuasi produksi tanaman jeruk siam terjadi karena beberapa faktor seperti hama penyakit, iklim, dan lingkungan akibatnya kualitas, produktivitas serta pendapatan petani tanaman jeruk siam menjadi turun (Kurniati, 2014).

  Salah satu cara mengatasi faktor penyebab turunnya produksi tanaman jeruk siam adalah dengan memberikan nutrisi atau pupuk yang pas dan proporsional sesuai dengan lingkungan yang direpresentasikan dengan tekstur tanah dan curah hujan pada tanaman jeruk serta karakteristik jeruk siam yang direpresentasikan dengan lebar kanopi. Pemberian pupuk dengan takaran yang pas sesuai dengan karakteristik tanaman jeruk siam dapat menjadikan tanaman jeruk tidak mudah terserang penyakit serta mampu meminimalkan efek iklim dan lingkungan tanam. Selain itu juga dapat meminimalkan biaya produksi petani. Pemupukan yang pas dan proporsional terhadap tanaman jeruk siam pada fase belum menghasilkan buah akan meningkatkan produktivitas dan kualitas jeruk siam ketika tanaman jeruk memasuki fase dewasa (Sutopo, 2016).

  Namun kurangnya pengetahuan petani mengakibatkan pemupukan yang mereka lakukan hanya berdasarkan naluri atau feeling saja. Selain itu berkonsultasi dengan pakar atau ahli terkait pupuk untuk tanaman jeruk mereka juga kurang maksimal dikarenakan jarak yang jauh dan waktu yang lama. Dan apabila dosis yang diberikan tidak pas baik itu kurang atau lebih akan berdampak pada petani, lingkungan dan jeruk itu sendiri.

  Berdasarkan permasalahan diatas, dibutuhkan suatu sistem yang mampu menaksir dosis pupuk yang pas sesuai dengan karakteristik dan lingkungan tanaman jeruk siam. Sistem ini mampu meramalkan dosis pupuk yang dibutuhkan tanaman jeruk siam berdasarkan karakteristik dan lingkungannya sehingga produksi tanaman jeruk siam serta pendapatan petani dapat meningkat.

  Terdapat dua penelitian sebelumnya yang berkaitan dengan peramalan. Penelitian pertama adalah penelitian yang dilakukan oleh Mira Febriana (2013). Penelitian ini menggunakan metode jaringan saraf tiruan backpropagation untuk meramalkan jumlah permintaan produksi berdasarkan data hasil penjualan dan stok produk. Struktur jaringan tebaik pada penelitian ini adalah dengan 20 input layer, 1 hidden layer, dan 1 output layer dengan akurasi pada fase pengujian sebesar 5.7134. Penelitian kedua dilakukan oleh Felasufah Kusumadewi (2014). Dengan metode yang sama, penelitian ini dilakukan untuk meramalkan harga emas berdasarkan harga emas dunia dan harga minyak dunia. Struktur jaringan terbaik pada penelitian ini adalah dengan 3 input layer dan 9 hidden

  layer dengan akurasi pada fase pengujian adalah sebesar 5.68%.

  Berdasarkan permasalahan yang ada dan beberapa penelitian terkait, penulis mengusulkan penelitian peramalan dosis pupuk berdasarkan karakteristik dan lingkungan tanaman jeruk siam menggunakan metode jaringan saraf tiruan

  backpropagation . Peramalan dilakukan

  berdasarkan karakteristik dan lingkungan tanaman jeruk siam. Selain itu untuk mempercepat proses pelatihan digunakan metode Nguyen-Widrow.

  2. Landasan Kepustakaan

  2.1. Pemupukan Jeruk Siam

  Pemupukan adalah usaha yang dilakukan untuk memperbaiki kesuburan tanah dengan memenuhi unsur hara yang dibutuhkan oleh tanaman. Pemupukan sendiri mempunyai banyak manfaat salah satunya mencegah hilang dengan cepatnya unsur hara seperti nitrogen,fosfor, dan kalium yang disebabkan oleh penguapan (Ruidah, 2013).

  Pada pemupukan tanaman jeruk siam terdapat tiga unsur hara yang dibutuhkan dalam jumlah yang besar yakni nitrogen (N), fosfor (P), dan kalium (K) (Sutopo, 2016).

  2.2. Parameter Pemupukan Jeruk Siam

  Pemupukan jeruk siam pada fase belum menghasilkan buah menggunakan pendekatan sederhana yakni karakteristik tanaman dan lingkungan. Meskipun sederhana, pada impelentasinya petani tetap mengalami kesulitan untuk menentukan dosis yang pas (Sutopo, 2016). Kendala yang sering terjadi adalah sulitnya menaksir dosis pupuk tanaman jeruk siam dengan umur atau karakteristik tertentu dengan kondisi lingkungan tertentu. Akibat yang ditimbukan adalah penggunaan pupuk berlebih yang mengancam tanaman jeruk siam itu sendiri, lingkungan tanamnya serta biaya produksi yang dikeluarkan petani menjadi lebih besar karena pada implementasinya pemupukan jeruk siam pada fase juvenile dilakukan per dua bulan sekali.

  Pada pemupukan tanaman jeruk siam pada fase belum menghasilkan buah terdapat tiga parameter yang saling terkait yakni lebar kanopi yang merepresentasikan karakteristik jeruk siam, tesktur tanah dan jumlah bulan kering yang merepresentasikan lingkungan jeruk siam.

  Fase 1 : Propagasi maju 3.

  dihitung sinyal input dan biasnya dengan masing-masing bobot yang nantinya akan dijumlahkan sesuai dengan persamaan berikut :

  hidden layer ( , j = 1,…,p) akan

  4. Sinyal masuk hidden, dimana tiap neuron di input layer yang menuju

  Tiap neuron input ( ,i = 1,…,n) menerima sinyal input dan mengirimkannya ke semua neuron di hidden layer .

2.3. Jaringan Saraf Tiruan Backpropagation

  output yang dihasilkan dan juga terdiri dari input layer , hidden layer serta output layer (Puspita &

  = ( _ )= ( +(

  5. Sinyal masuk output, dimana tiap

  neuron dihidden layer yang menuju

  output layer (

  , = 1, … . , ) akan dihitung sinyal input dan biasnya yang berasal dari hidden layer sesuai dengan persamaan berikut :

  _ = + ∑ =

  (3)

  Selanjutnya gunakan fungsi aktivasi untuk menghitung sinyal outputnya sesuai dengan persamaan berikut :

  − ))

  ( +( −

   (4) Fase 2 : Propagasi mundur 6.

  Koreksi eror output adalah menghitung eror pada faktor di layer output berdasarkan kesalahan unit keluaran sesuai dengan persamaan berikut :

  = ( − ) ( −

  ) (5)

  Faktor koreksi eror adalah cara yang digunakan untuk menghitung koreksi eror (

  ∆ ) untuk memperbaharui , sesuai dengan persamaan berikut:

  ∆ = ∝ (6)

  )) (2)

  layer sesuai dengan persamaan berikut: = ( _ )=

  Uenike, 2007). Dalam perkembangan nya ada 3 fase yang dilalui didalam proses pelatihan

  2. Langkah tersebut terus berulang selama kondisi belum terpenuhi. Kondisi berhenti ditentukan dari iterasi maksimun dan batas eror. Apabila iterasi melebihi maksimum yang ditentukan proses pelatihan berhenti. Dan jika eror yang direpresentasikan dengan MSE (Mean Square Error) dipelatihan sama atau lebih kecil dari batas eror yang ditentukan maka proses pelatihan berhenti.

  backpropagation yakni perambatan maju yang

  berhubungan dengan pemprosesan nilai input, perambatan mudur yang berhubungan dengan eror, dan perubahan bobot (Agustina, 2010).

  Fase pelatihan untuk jaringan

  backpropagation dengan satu layer tersembunyi

  adalah sebagai berikut : 1.

  Inisialisasi bobot dan bias yang di set berupa nilai acak antara -0.5 sampai 0.5, selain itu juga menentukan nilai

  learning rate , jumlah iterasi maksimun dan batas nilai eror.

  menyelesaikan masalah-masalah yang kompleks (Siang, 2009). Karakteristik algoritma ini adalah mendapatkan eror seminimal mungkin terhadap

  akan dikirim ke semua neuron di output

  learning dimana algoritma ini digunakan untuk

  satu model jaringan saraf tiruan supervised

  backpropagation . Backpropagation adalah salah

  Salah satu metode JST adalah

  _ = + ∑ =

  Jaringan Saraf Tiruan (JST) diibaratkan layaknya sebuah otak dengan kerangka berpikir yang sama dengan manusia. Istilah buatan tersebut digunakan karena dalam pengimplementasiannya menggunakan program komputer untuk menyelesaikan permasalahan perhitungan selama proses pembelajarannya (Kusuma, 2003).

  Selanjutnya menggunakan fungsi aktivasi sigmoid biner untuk menghitung sinyal output dari neuron di

  hidden layer ,nantinya sinyal output ini

   (1) Dan untuk menghitung koreksi nilai bias

  2.4. Algoritma Nguyen-Widrow

  menggunakan persamaan berikut: Algoritma Nguyen-Widrow merupakan algoritma yang digunakan untuk

   (7) ∆ = ∝

  menginisialisasi bobot awal pada JST untuk 7. adalah mengurangi waktu pelatihan (Yudhi, 2014).

  Koreksi delta bobot menghitung bobot yang nantinya 1. , ,

  Inisialisasi parameter awal dikirim ke neuron di hidden layer sesuai dan . dengan persamaan berikut : 2.

   (8) Memberi nilai batasan awal pada vij _ = ∑ =

  dengan range antara (-0.5) – 0.5. Selanjutnya nilai ini dihitung dengan selanjutnya adalah mencari nilai

  || || mengkalikannya dengan turunan dari sesuai dengan persamaan berikut : fungsi aktivasi yang menghasilkan faktor koreksi eror sesuai dengan

  | | ||=√ + ⋯ . + (14) +

  persamaan berikut : 3.

  Hitung atau factor skala sesuai dengan

   (9) = ( − )

  persamaan berikut :

  ⁄

  Kemudian menghitung koreksi eror ∆

   = 0.7 (15) = 0.7 ( ) √

  yang berfungsi untuk mengupdate ∆

  4. sesuai dengan dengan menggunakan faktor sesuai Dan menghitung nilai persamaan berikut : dengan persamaan berikut :

  ( ) (10) = (16)

  ∆ = ∝ || ||

  Fase 3 : Perubahaan bobot 5.

  Nilai bias yang digunakan sebagai inisialisasi adalah = bilangan acak

  8. Hitung semua perubahan bobot. Tiap antara - neuron dilayer output ( .

  ,k = 1,…,m)

  akan mempengaruhi bobot dari neuron 6. dan

  Memberi nilai batasan di hidden layer sesuai dengan antara -0.5 dan 0.5. persamaan berikut :

  2.5. Nilai Evaluasi ( ) = ( ) + ∆ ( )

  Nilai evaluasi adalah nilai yang mampu mengukur tingkat persentase keakuratan dalam Selanjutnya menghitung perubahan meramalkan dosis pupuk tanaman jeruk siam bobot neuron di hidden layer ( , j = atau disebut juga dengan Error rate. Nilai

  1,…,p) akan mempengaruhi bobot dan

  evaluasi yang digunakan adalah Mean Absolute biasnya dari setiap unit input sesuai

  Precentage Errror (MAPE). MAPE sendiri

  persamaan berikut : digunakan untuk mengukur kehandalan metode dalam peramalan dosis pupuk. MAPE digunakan

   (12) ( ) = ( ) + ∆

  pada fase pengujian dimana MAPE 9. menggunakan nilai persentase dalam

  Memerikasa stopping condition, yakni apabila nilai eror sudah lebih kecil dari menyatakan nilai eror yang didapatkan dari batas yang ditentukan atau iterasi sudah perbandingan peramalan dengan data aktual. mencapai maksimum maka proses

  Penjabaran rumus MAPE dijelaskan pada pelatihan dihentikan. Perhitungan nilai persamaan berikut (Puspita & Uenike, 2007): eror pada pelatihan menggunakan Mean

  Square Error (MSE) yang juga ̂ −

  (17) ∑ = = | |

  berfungsi untuk meningkatkan akurasi sesuai dengan persamaan berikut (Siang, Sedangkan menghitung akurasi menggunakan

  2005) : persamaan berikut :

  ( − ̂) (13)

  = ∑ Akurasi = 100% - MAPE (18)

2.6. K-fold Cross Validation

  tanaman jeruk,lingkungan dan pemupukan yang di peroleh dari penelitian sebelumnya, buku, wawancara dengan pakar dibidang yang berkaitan, serta jurnal yang membahas topik pemupukan tanaman secara luas ataupus khusus tanaman jeruk.

  Teknik pengumpulan data dilakukan dengan cara wawancara ke Balai Penelitian Tanaman Jeruk dan Buah Subtropika (BALITJESTRO), narasumber pakar tanaman

  oleh peneliti dari berbagai sumber literatur terkait pemupukan tanaman jeruk siam dan kemudian dikonsultasikan kepada pakar. Data kemudian diolah agar dapat digunaan sesuai dengan kebutuhan sistem.

  backpropagation adalah data yang dikumpulkan

  Data yang digunakan dalam implementasi

  3.3. Pengumpulan Data

  Analisis kebutuhan merupakan proses yang dilakukan untuk menganalisis semua kebutuhan yang diperlukan agar aplikasi berjalan dengan baik. Analisis kebutuhan terdiri dari deskripsi umum sistem dan spesifikasi lingkungan implementasi sistem.

  3.2. Analisis Kebutuhan

  K-fold Cross Validation adalah salah satu

  metode yang digunakan untuk mengukur rata- rata keberhasilan dengan cara membagi data latih dan data uji secara berulang dengan acak (Banjarsari, dkk. 2015). Metode ini melakukan perulangan sebanyak k kali untuk membagi himpunan data secara acak menjadi k-subset yang saling bebas. Dan dipilih satu subset data yang berbeda untuk dan uji disetiap kali perulangan.

  Studi literatur bertujuan untuk mempelajari teori yang akan digunakan untuk memecahkan permasalahan dalam penelitian. Salah satunya mempelajari teori mengenai metode yang akan diimplentasikan dalam penelitian ini yakni

  3.1. Studi Literatur

  Gambar 1. Diagram Metodologi Penelitian

  Metodologi yang digunakan untuk diagnosa dosis pupuk berdasarkan karakteristik dan lingkungan tanaman jeruk siam menggunakan metode backpropagation dilakukan dengan langkah penelitian sesuai dengan Gambar 1 berikut:

  A kurasi = (MAPE K1+….. MAPE Kn)/n (19) 3. Metodologi Penelitian

  Untuk mengetahui akurasi dari fold yang digunakan dijelaskan pada persamaan berikut:

  Sebagai contoh jika nilai k bernilai 3, data akan dibagi menjadi 3 subset atau kelompok. Pada implementasinya subset pertama digunakan sebagai data uji, sedangkan data subset kedua dan ketiga sebagai data latih. Dan perulangan selanjutnya data subset kedua sebagai data uji, sedangkan data subset pertama dan ketiga menjadi data latih.

  backpropagation serta teori tentang karakteristik jeruk dan pertanahan Ir. Sutopo,M.Si serta literatur buku atau jurnal yang terkait. Data yang diambil adalah data pemupukan jeruk dan aturan rekomendasi pemupukan berimbang.

  3.4. Perancangan

  Perancangan desain sistem adalah rancangan arsitektur alur proses yang terjadi dalam sistem. Perancangan desain sistem menjelaskan alur sistem secara tersturktur mulai dari input hingga output yang dihasilkan.

  3.5. Implementasi

  Implementasi sistem adalah proses pembangunan sistem sesuai dengan perancangan yang telah dibuat sebelumnya. Implementasi

  Gambar 2. Flowchart Diagram Alir Sistem

  sistem dilakukan dengan menggunakan bahasa pemrograman Java dan tools pendukung

  4.2. Flowchart Diagram Alir sistem

  lainnya. Input sistem berupa lebar kanopi jeruk siam, tekstur tanah dan jumlah bulan kering.

  Berikut adalah flowchart pencarian struktur Proses sistem adalah peramalan berdasarkan jarinngan terbaik yang ditunjukan pada gambar parameter tersebut dengan metode dibawah ini

  backpropagation dan output berupa dosis pupuk yang optimal dan berimbang.

  3.6. Pengujian

  Proses pengujian sistem dilakukan untuk mengukur keberhasilan serta akurasi sistem yang telah diimplementasikan. Pengujian dilakukan terhadap kombinasi parameter yang digunakan dalam proses backpropagation berdasarkan skenario pengujian yang telah dibuat. Detail pengujian akan dijelaskan pada bab pengujian dan analisis sistem.

  3.7. Penarikan Kesimpulan

  Penarikan kesimpulan dilakukan setelah tahapan perancangan, implementasi, dan pengujian telah selesai dilakukan. Kesimpulan akan mampu menjawab rumusan masalah dan mengacu pada hasil pengujian. Selain itu ditambahkan saran untuk memperbaiki kesalahan dan memberikan pertimbangan untuk pengembangan lanjut.

  Gambar 3. Flowchart Pencarian Struktur Jaringan terbaik

4. Perancangan 5. Pengujian dan Analisis

4.1. Flowchart Diagram Alir sistem

  Berikut ini adalah hasil dan analisa dari

  Flowchart adalah alur proses implementasi pengujian yang dilakukan.

  sistem yang akan berjalan. Berikut adalah

  flowchart sistem yang ditunjukan pada gambar

  5.1. Pengujian K-Fold Cross Validation

  dibawah ini Tujuan dari pengujian ini adalah untuk

  Pengujian data uji yang konstan

  17

  Gambar 5. Pengujian Data Uji yang Konstan

  Berdasarkan Gambar 5. diatas dapat disimpulkan terjadi peningkatan akurasi pada data latih yang besar hal ini dikarenakan pembentukan pola dan pengetahuan di fase pelatihan akan semakin baik dengan banyaknya data yang bervariasi. Selain itu banyaknya data latih serta banyaknya iterasi juga mampu mendekati batas eror yang ditentukan. Akurasi tertinggi pada pengujian ini adalah data latih 56 dengan rata-rata 9.178% dimana pada fase pelatihan nilai MSE yang didapatkan sudah mendekati batas eror yang ditentukan sehingga

  Fold 4 Fold 8 rata-rata eror 17,26415 15,258

  17,26415 15,258

  14

  15

  16

  18 ra ta

  Nguyen-widrow dan jumlah percobaan yang

  Perbandingan eror K-fold 4 dan k-fold 8

  40

  48

  56 Rata-rata error 16,185 10,102 9,178

  5

  10

  15

  20 R at a

  dilakukan adalah sebanyak 5 kali. Hasil pengujian berturut-turut dapat dilihat pada Gambar 5.

  iterasi maksimum atau jumlah epoch 500, jumlah neuron hidden layer 5, learning rate 0.3 dan batas eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode

  Nguyen-widrow dan jumlah percobaan yang dilakukan adalah sebanyak 5 kali.

  Tujuan dari pengujian ini adalah untuk mengetahui pengaruh dari data uji yang konstan dan jumlah data latih yang berbeda terhadap akurasi yang direpresentasikan dengan MAPE. Data latih yang diuji pada penelitian ini adalah 40, 48, dan 56 dengan data uji 8. Nilai parameter lain dalam pengujian ini seperti iterasi maksimum, batas eror, jumlah neuron hidden

  5.2. Pengujian Data Uji Konstan

  (beta) bergantung pada jumlah neuron hidden layer .

  widrow. Jumlah neuron hidden layer yang besar akan menjadikan nilai bobot juga semakin besar atau bahkan semakin kecil karena pada algoritma nguyen widrow dimana nilai β

  nguyen

  mengetahui performa dari model jaringan saraf tiruan. Dalam pengujian ini nilai k-fold yang diuji adalah 4 dan 8 dengan data yang acak dimana nantinya akan dibandingkan akurasi antara kedua fold tersebut. Nilai parameter lain dalam pengujian ini seperti iterasi maksimum, batas eror, jumlah neuron hidden layer dan

  learning rate adalah sebagai berikut : iterasi

  maksimum atau jumlah epoch 500, jumlah neuron hidden layer 5, learning rate 0.3 dan batas eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode

  layer dan learning rate adalah sebagai berikut :

  • r at a E ro r

  dibanding dengan fold 4. Salah satu faktor yang mempengaruhi tingginya akurasi pada fold 8 adalah jumlah data latih yang lebih banyak daripada fold 4 sehingga pola data dan pengetahuan yang terbentuk di fase pelatihan

  fold 8 mempunyai akurasi yang lebih tinggi

  Berdasarkan Gambar 4 dapat disimpulkan

  Gambar 4. Pengujian K-fold Cross Validation

  Hasil pengujian k-fold cross validation terhadap tingkat akurasi dalam hal ini adalah MAPE dapat dilihat pada Gambar 4.

  • r at a MAP E

  dihasilkan juga lebih baik dibandingkan dengan

  fold

  4. Akan tetapi dilihat dari rata-rata eror setiap fold baik itu fold 4 dan fold 8 masih tidak stabil untuk mengatasi ketidakstabilan eror tersebut diperlukan pengujian data yang lain yang tidak terpaku kepada fold 4 dan fold 8 baik itu data latih atau data ujinya. Selain itu urutan data juga mempengaruhi akurasi dan kestabilan eror dimana data yang urut menjadikan proses pembobotan lebih baik dibandingkan data yang acak. Iterasi serta jumlah hidden layer juga mempengaruhi akurasi. Iterasi yang kecil mengakibatkan proses pelatihan tidak mampu mendekati batas eror yang dikehendaki. Selain itu neuron hidden layer secara tidak langsung memberikan pengaruh pada bobot yang diacak secara random ditambah dengan algoritma

  fold 8 jauh lebih baik dan bobot terakhir yang

  • r at a E ro r
  • r at a er o r

  Tujuan dari pengujian ini adalah untuk menguji dan mengetahui pengaruh dari nilai

  20 Rat a

  15

  10

  5

  Pengujian hidden layer 100 200 300 400 500 Nilai Error 16,35 13,449 12,801 10,71 9,67

  Rat a

  5 Nilai eror 9,13 8,252 8,354 8,58 7,97 7 7,5 8 8,5 9 9,5

  4

  3

  2

  1

  8. Nilai parameter lain dalam pengujian ini

  terhadap akurasi yang direpresentasikan dengan MAPE. Dalam pengujian ini nilai learning rate yang digunakan adalah sebagai berikut : 0.1, 0.2, 0.3, 0.4, 0.5, dan 0.6. Pengujian dilakukan dengan menggunakan data latih 56 dan data uji

  learning rate yang digunakan dalam pelatihan

  5.5. Pengujian Learning rate

  bobot pada akhir iterasi dianggap terbaik.

  hidden layer mempengaruhi waktu komputasi

  5.3. Pengujian Jumlah Neuron Hidden Layer

  Pada pengujian ini, jumlah hidden layer yang diuji adalah 1 sampai 5. Pengujian parameter pada setiap percobaan menggunakan 56 data latih dan 8 data uji, parameter lain yang digunakan adalah iterasi maksimum 500 dan

  minimal eror 0.001. Tujuan dari pengujian ini

  adalah untuk mengetahui jumlah hidden layer terbaik untuk akurasi yang maksimal. Hasil pengujian berturut-turut dapat dilihat pada Gambar 6.

  Gambar 6. Pengujian Neuron Hidden Layer

  Berdasarkan Gambar 6 diatas nilai eror terkecil didapatkan pada jumlah neuron hidden 5 dengan rata-rata 7.97%. Banyaknya jumlah neuron hidden layer akan menghasilkan eror yang semakin kecil dan memangkas iterasi menjadi lebih singkat. Pada implementasinya jumlah neuron hidden layer yang di uji adalah sesuai dengan aturan Heaton. Jumlah neuron

  karena pengkoreksian di output layer dan hidden membutuhkan waktu yang lama. Selain itu jumlah neuron hidden layer yang tinggi akan menghasilkan nilai MSE yang mendekati dengan toleransi eror sehingga bobot yang dihasilkan dianggap terbaik juga pengaruh terhadap bobot dimana semakin besar hidden layer nilai β pada

  Berdasarkan Gambar 7. diatas nilai eror yang dihasilkan dengan perbandingan iterasi maksimum secara signifikan terus. Umumnya semakin besar jumlah iterasi semakin bagus akurasi yang di dapatkan akan tetapi waktu pelatihan yang dibutuhkan menjadi lama hal ini terjadi karena semakin banyak perulangan semakin besar banyak proses perulangan serta semakin banyak proses perbaikan eror di iterasi sebelumnya. Iterasi yang kecil akan menghasilkan nilai MSE yang jauh dari batas eror sehingga untuk mencapai atau mendekati batas eror diperlukan iterasi yang banyak. Akan tetapi iterasi yang banyak akan menghasilkan overfitting atau hasil hanya bagus di fase pelatihan saja selain itu eror yang dihasilkan akan masuk kedalam titik minimum lokal atau bahkan global, untuk itu dibutuhkan iterasi yang efektif dimana eror yang didapat kecil dan waktu komputasi tidak begitu lama. Pada pengujian ini didapatkan nilai MSE yang mendekati batas eror berada pada iterasi 500 dengan nilai eror dipengujian yang konvergen.

  nguyen widrow juga semakin besar.

  5.4. Pengujian Iterasi Maksimum

  Tujuan dari pengujian ini adalah untuk menguji dan mengetahui pengaruh dari jumlah iterasi maksimum yang digunakan dalam pelatihan terhadap akurasi yang direpresentasikan dengan MAPE. Dalam pengujian ini jumlah iterasi yang diuji adalah sebagai berikut : 100, 200, 300, 400, dan 500. Pengujian dilakukan dengan menggunakan data latih 56 dan data uji 8. Nilai parameter lain dalam pengujian ini adalah sebagai berikut learning

  rate 0.3, jumlah hidden layer 5 dan minimal eror

  0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen Widrow. Hasil pengujian dapat dilihat pada Gambar 7.

  Gambar 7. Pengujian Iterasi Maksimum

  Pengujian Iterasi Maksimum

  1. Implementasi metode Backpropagation dalam peramalan dosis pupuk berdasarkan lingkungan dan karakteristik tanaman jeruk siam dengan menggunakan data pemupukan berupa parameter lebar kanopi, tekstur tanah dan curah hujan. Pada fase pelatihan menggunakan metode Nguyen widrow untuk mempercepat pelatihan dan menentukan bobot awal. Pada fase ini menghasilkan bobot terbaik di akhir iterasi yang digunakan di fase pengujian. Akurasi dipengujian di representasikan dengan MAPE yang membandingkan hasil data uji dan target yang sudah di denormalisasi.

  Pengujian learning rate

16 Rat

  14

  12

  10

  8

  seperti iterasi maksimum, batas eror dan adalah sebagai berikut : iterasi maksimum 500, jumlah neuron hidden layer 5 dan minimal eror 0.001. Selain itu bobot yang digunakan dalam setiap percobaan adalah acak dan berbeda karena menggunakan metode Nguyen Widrow. Hasil pengujian nilai learning rate dapat dilihat pada Gambar 8.

  6. Kesimpulan dan Saran

  Beberapa poin kesimpulan dari hasil penelitianyang dilakukan adalah sebagai berikut:

  • r a ta e ro r

  2. Struktur jaringan terbaik yang terbentuk adalah dengan menggunakan 3 neuron input, 5 neuron hidden, dan 3 neuron

  2

  Gambar 8. Pengujian Iterasi Maksimum

  a

  Berdasarkan Gambar 8 diatas dapat diketahui bahwa nilai eror atau akurasi tertinggi berada pada nilai 0.3 dengan rata-rata 10.39%. Pada implementasinya nilai learning rate yang kecil akan menghasilkan akurasi yang rendah dan untuk mencapai akurasi yang tinggi diperlukan iterasi yang banyak. Sedangkan dengan jumlah iterasi yang sama dan nilai

  learning rate yang besar akan memberikan

  akurasi yang tinggi tetapi apabila nilai learning

  rate terlalu besar akan mengakibatkan

  6

  4

  Saran yang dapat diberikan untuk pengembang selanjutnya adalah : 0,1 0,2 0,3 0,4 0,5 0,6 Rata-rata error 14,31410,3979,85810,29110,4311,372

  output . Berdasarkan hasil pengujian

  4. Sesuai dengan hasil pengujian, akurasi terbaik secara keseluruhan pengujian dengan menggunakan tiga parameter input yakni lebar kanopi, tekstur tanah dan curah hujan yang didapatkan dari rata-rata eror dari nilai dosis pupuk nitrogen, fosfor dan kalium, yakni 9.178% dengan jumlah data latih 56 dan data uji 8, learning rate 0.3 dan iterasi maksimum 500.

  uji kesesuaian jaringan atau model terbaik yang digunakan untuk peramalan.

  hidden layer, (5) denormalisasi dan (6)

  bobot awal dengan Nguyen-Widrow, menentukan banyaknya neuron di

  backpropagation yakni inisialisasi

  overfitting atau hasil hanya bagus di fase pelatihan saja selain itu eror yang dihasilkan akan masuk kedalam titik minimum lokal atau bahkan global serta ketidakstabilan jaringan. Pada pengujian ini nilai learning rate yang rendah akan membutuhkan waktu yang lama untuk mencapai batas eror karena MSE yang dihasilkan sangat jauh dengan batas eror. Selain itu bobot yang random juga mempengaruhi hasil akurasi ditambah faktor lain seperti urutan data dan jumlah neuron hidden layer. Sehingga dalam penelitian ini dipilih nilai learning rate yang tidak terlalu rendah dan tidak terlalu tinggi yakni 0.3 karena mempunyai hasil yang optimal dan MAPE terendah. Pada backpropagation sendiri learning rate berhubungan erat dengan pengoreksian dan perubahan bobot.

  backpropagation terdiri atas beberapa

  3. Proses pembentukan model

  sistem, akurasi tertinggi atau MAPE yang didapatkan adalah 9.178% yang didapatkan dari rata-rata eror dari nilai dosis pupuk nitrogen, fosfor dan kalium.

  tahap, yaitu (1) melakukan pembagian data training dan data testing. (2) menormalisasi data, (4) membangun model dengan algoritma

1. Melakukan optimasi terhadap nilai

  Kusumadewi, Felasufah. 2014. Peramalan

  Potensi Utama.

  Algoritma Inisialisasi Nguyen-Widrow Pada Proses Prediksi Curah Hujan Kota Medan Menggunakan Metode Backpropagation. Medan: STIMIK

  Yudhi, A., and M. Rhifky. 2014. Analisis

  Jeruk Siam dan Pemupukannya (August 28).

  Sutopo, interview by Najmi Ridhani. 2016.

  Pemrogramannya Menggunakan Matlab . 98-111.

  Universitas Tulungagung Bonoworo Vol. 1 No. 1. Siang, J.J. 2009. Jaringan Saraf Tiruan dan

  Untuk Kesuburan Tanah . Jurnal

  Ruidah, I.S. 2013. Manfaat Pupuk Organik

  Jaringan Saraf Tiruan Motode Backpropagation Untuk Memprediksi Bibir Sumbing . Seminar Nasional Teknologi.

  Puspita, A, and Unike. 2007. Penggunaan

  (Teknik dan Aplikasinta. Yogyakarta: Graha Ilmu.

  Yogyakarta: Universitas Negeri Yogyakarta. Kusumadewi, Sri. 2003. Artificial Intelligence

  Harga Emas Menggunakan Feedforward Neutral Network dengan Algoritma Backpropagation.

  learning rate atau menggunakan

  adaftive learning rate sehingga didapatkan nilai learning rate yang optimal.

  Learning Machine Untuk Peramalan Permintaan. Surabaya: Institut

  2. Mampu mengembangkan kategori data parameter tekstur tanah dan curah hujan menjadi lebih spesifik sehingga akurasi bisa dibandingkan apakah lebih tinggi atau lebih rendah.

  3. Membadingkan dengan metode sejenis di survised learning untuk mengetahui akurasi yang didapatkan.

  4. Menambahkan data parameter baru yang berpengaruh terhadap pemupukan tanaman jeruk siam.

  5. Melakukan pengambilan data latih dan data uji secara acak disetiap proses pelatihan dan pengujian untuk mengetahui akurasi yang didapatkan.

  Daftar Pustaka

  Agustina, I.D. 2010. Penerapan Metode Extreme

  Teknologi Sepuluh November. 2016. "Badan Pusat Statistik dan Direktorat

  Kurniati, Dwi. 2014. "Resiko Pendapatan Pada

  Jenderal Hortikultura." Data Produksi Jeruk Siam Periode 2011-2015. Mei 4. Accessed Mei 4, 2016. Hortikultura.pertanian.go.id. Banjarsari, Mutiara Ayu, Irwan Budiawan, and

  Andi Farmadi. 2015. Penerapan K-

  Optimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan

  IP Sampai Dengan Semester 4. Kumpulan Jurnal Ilmu Komputer Vol.2 No.2.

  Febriana, Mira. 2013. Peramalan Jumlah

  Permintaan Produksi Menggunakan Metode Jaringan Saraf Tiruan Backropagation. Semarang: Jurnal Teknik Industri Untirta.

  Usahatani Jeruk Siam di Kabupaten Sambas ." Jurnal Social Economic of Agriculture Volume 3 Nomor 3.