Prediksi Harga Pasar Daging Sapi Di Kota Malang Dengan Menggunakan Metode Extreme Learning Machine (ELM)

  

Vol. 2, No. 12, Desember 2018, hlm. 6362-6369 http://j-ptiik.ub.ac.id

Prediksi Harga Pasar Daging Sapi Di Kota Malang Dengan Menggunakan

Metode Extreme Learning Machine (ELM)

_{1 2 3} Cusen Mosabeth , Muhammad Tanzil Furqon , Randy Cahya Wihandika

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: cusenmosabeth@gmail.com, m.tanzil.furqon@ub.ac.id, rendicahya@ub.ac.id

  

Abstrak

Daging sapi merupakan salah satu kebutuhan pokok yang keberadaannya sangat meningkat di Indonesia.

  Kebutuhan mengkonsumsi daging sapi sangat tajam sebanding dengan peningkatan jumlah penduduk dan kesadaran masyarakat pentingnya mengkonsumsi makanan bergizi sangat tinggi. Pada dasarnya kebutuhan protein hewani tidak dapat digantikan dengan protein lainnya. Memperkirakan permintaan konsumen dimasa datang dengan membuat perancanaan produksi suatu tantangan bagi suatu industri. Hal ini membuat prediksi memiliki peranan penting. Perancangan yang efektif dan efesien harus didukung oleh sistem prediksi yang akurat. ELM Merupakan jaringan saraf tiruan yang terdiri feed-

  

forward dengan satu atau hidden layer-forwad neural. Oleh karena itu, pada penelitian ini penulis

  menggunakan metode Extreme Learning Machine (ELM). Hasil uji coba dalam penelitian menujukkan bahwa metode ELM memiliki error yang baik diukur dengan tingkat kesalahan Mean Absolute

  

Percentage Error (MAPE) sebesar 0,344% dengan menggunakan perbandingan jumlah data training

  90% : 10%, rentang input weight antara -1 dan 1, jumlah neuron pada hidden layer 7, lalu menggunakan fungsi aktivasi sigmoid biner, dan menggunakan jumlah fitur 3. Hasil tersebut membuktikan dengan menggunakan metode Extreme Learning Machine dapat memprediksi harga daging sapi dengan akurat dan tepat serta mendapatkan harga daging sapi dimasa yang datang.

  Kata kunci: daging sapi, prediksi, extreme learning machine, ELM.

  

Abstract

Beef is one of the basic needs whose existence is greatly increased in Indonesia. The need to consume

beef is very sharp in proportion to the increase in population and the awareness of the importance of

consuming very high nutritious foods. Basically the need for animal protein cannot be replaced with

other proteins. Estimating future consumer demand by making production plans a challenge for an

industry. This makes predictions play an important role. Effective and efficient design must be supported

by an accurate prediction system. ELM Is an artificial neural network consisting of feed-forward with

one or hidden layer-forwad neural. Therefore, in this study the author uses the Extreme Learning

Machine (ELM) method. The experimental results showed that the ELM method had a good error

measured by the Mean Absolute Percentage Error (MAPE) error rate of 0.344% using the ratio of the

training data 90%: 10%, the input weight range between -1 and 1, the number of neurons in the hidden

layer 7, then use the binary sigmoid activation function, and use the number of features 3. The results

are proved by using the method of Extreme Learning Machine can predict the price of beef with accurate

and precise and get the price of beef in the future.

  Keywords: beef, prediction, extreme learning machine, ELM.

  1.

  kesadaran masyarakat bahwa konsumsi

   PENDAHULUAN

  makanan rumah tangga sehat secara bertahap Di Indonesia, daging sapi merupakan salah mengalami perubahan ke konsumsi makanan satu yang banyak diminati untuk kebutuhan yang berprotein. Hal ini, produsen dituntut untuk pokok sehari-hari oleh kalangan masyarakat. membuat sebuah strategi penjualan yang dapat Populasi penduduk dan taraf hidup masyarakat membantu konsumen dalam menentukan harga di Kota Malang mengalami perubahan sangat yang baik dan bersaing dengan produsen daging meningkat setiap tahunnya. Hal ini dengan sapi lainnya.

  Fakultas Ilmu Komputer Universitas Brawijaya

  6362 Selama periode tahun 1987-1996 dengan nilai percepatan konsumsi daging sebesar 7,36% dalam setiap tahunnya (Ditjen Peternakan, 1997). Untuk kontribusi daging sapi (21,27%) masuk dalam peringkat kedua setelah daging unggas. Permintaan setiap konsumen terhadap daging sapi selalu berubah dan tak dapat diprediksi setiap waktu. Harga daging sapi yang berubah-ubah setiap waktu dan dipengaruhi oleh banyak faktor yang menjadikan daging sapi dapat diperkirakan dalam setiap bulan bahwa harga mengalami turun atau naik pada harga daging sapi tersebut.

  Banyak penelitian yang menggunakan metode untuk menadapatkan nilai prediksi yang akurat. Salah satu merupakan metode Extreme

  2.1. Prediksi

  neuron ke neuron yang lainnya. Pada informasi

  sudah diketahui bahwa otak manusia yang memiliki neuron. Neuron berikut menstransfer informasi-informasi yang diterima oleh satu

  neural network pada manusia, seperti yang

  Jaringan syaraf tiruan (JST) merupakan suatu metode pengelompokkan dan pemisah data yang bertujuan dalam bekerjanya sama dengan

  2.3. Jaringan Syaraf Tiruan (JST)

  Daging sapi merupakan salah satu dari sekian banyak sumber makanan yang mengandung protein hewani. Semakin meningkatnya kesadaran masyarakat untuk mengkonsumsi makanan bergizi, maka mengakibatkan meningkatnya permintaan pangan berprotein hewani. Hal ini, sangat meningkat tajam sebanding dengan peningkatan jumlah penduduk, dalam kesadaran masyarakat pentingnya konsumsi makanan bergizi tinggi pada dasarnya kebutuhan protein hewani tidak dapat digantikan dengan protein lainnya. Data konsumsi daging sapi penduduk di Indonesia pada tahun 2016 sebesar Rp.460.639.00 kg/kapita/tahun dan mengalami peningkatan 48,86% bila dibandingkan dengan tahun 2015, rata-rata yang dihasilkan perkapita dalam sebulan penduduk Indonesia sebesar 11,68%.

  2.2. Daging Sapi

  Prediksi merupakan suatu nilai periode tertentu yang terjadi dimasa mendatang dengan menggunakan penjelasan secara matematik dan statistis berdasarkan sumber informasi periode sebelumnya dan saat ini yang bertujuan agar memperoleh untuk memperkeil suatu kesalahan (Medome, et al., 2016). Prediksi secara umum mendapatkan hasil yang berikatan dengan ketidakpastian, sehingga harus memperhitungkan faktor akurasi yang tidak selalu memperoleh hasil prediksi tidak selalu memperoleh hasil akurasi prediksi dengan akurasi 100%. Maka itu, perbedaan waktu maka forecasting mempunyai peranan yang penting dalam menentukan kapan terjadi suatu peristiwa sehingga dapat mempersiapkan segala tindakan yang dibutuhkan.

  2. LANDASAN KEPUSTAKAAN

  Learning Machine (ELM). ELM diperkenalkan

  Penelitian ini bertujuan untuk memprediksi harga daging sapi menggunakan metode ELM. Dari penelitian yang sebelumnya dengan memprediksi menggunakan metode ELM menunjukkan tingkat kesalahan yang kecil sehingga sangat cocok untuk membantu penulis untuk menentukan harga daging sapi yang dilakukan prediksi harga daging sapi lebih efektif, khususnya di Kota Malang.

  dengan metode ELM ini memberikan hasil akurasi prediksi yang baik dengan melihat tingkat kesalahan Mean Square Error (MSE) dengan hasil akurasi sebesar 0,4036 dan pada hasil yang menggunakan backpropagation sebesar 0,9425 dari hasil ELM dan backpropagation ini dapat disimpulkan hasil keselahan yang mendekati 0 ialah hasil yang disebut dengan hasil paling baik.

  forward neural telah membuktikan bahwa

  digunakan dengan kata single hiden layer feed-

  hidden layer yang biasanya dengan sering

  Terdapat beberapa dari penelitian sebelumnya yang diteliti oleh (Pangaribuan, 2016) Metode yang digunakan yaitu ELM. Pada ELM merupakan jaringan syaraf tiruan yang terdiri feed-forward dengan satu atau lebih pada

  kelebihan dalam learning speed serta mempunyai akurasi yang baik dibandingkan dengan metode konvensional seperti Exponential Smooting dan Moving Averge. Maka, ELM mampu menghasilkan nilai prediksi yang lebih efektif dan akurat.

  feed-forward neural networks (SLFNs). Metode Extreme Learning Machine ini memiliki

  pertama kali oleh Huang pada tahun 2004 (Huang, et al., 2004). ELM merupakan jaringan syaraf tiruan feed-forward dengan hidden layer atau lebih dikenal dengan single hidden layer

  yang dibawa oleh neuron ini disimpan pada suatu nilai tertentu yang disebut dengan bobot. Struktur pada node atau neuron di jaringan syaraf tiruan ini ditunjukkan pada Gambar 1.

  Gambar 1 Struktur Jaringan Syaraf Tiruan

  d) Fungsi Aktivasi Radial Basis

  Machine (ELM) Sumber: (Abadi & Soeprijanto, 2014)

  Gambar 2 Struktur Metode Extreme Learning

  rentang tertentu. Dengan ini nilai yang digunakan secara acak dapat menghindari hasil prediksi yang tidak stabil. Secara umum ditunjukkan struktur ELM pada Gambar 2.

  input weight dan bias. Nilai yang diapatkan input weight dan bias nilai secara acak dalam suatu

  Layer Feedforward parameter yang digunakan ditentukan secara manual seperti

  Single Hidden Layer Feedforward Neural Networks (SLFNs).

  satu hidden layer atau biasanya dikenal dengan

  feedforward sederhana dengan menggunakan

  dikenalkan oleh (Huang, et al., 2004). Metode Extreme Learning Machine ini suatu metode pengembangan dari jaringan syaraf tiruan

  2.4. Metode Extreme Learning Machine (ELM) Extreme Learning Machine (ELM)

  ) (4)

  2

  = ( − (( )

  Fungsi ini merupakan suatu jaringan lapisan tunggal yang dimana untuk digunakan mengkonversi nilai masukkan bernilai kontinu menjadi suatu nilai keluaran biner (0 sampai 1). Berikut persamaan yang menggambarkan untuk fungsi akrtivasi Radial Basis. Fungsi radial basis dapat dirumuskan di Persamaan 4.

  (3)

  Sumber: (Humaini, 2015) Dalam jaringan syaraf tiruan terdapat fungsi aktivasi yang dapat digunakan untuk menentukan output suatu neuron dengan berargumen net input. Net input yaitu dari kombinasi liner input beserta bobotnya (Siang, 2009). Fungsi aktivasi ini memiliki tujuan untuk melakukan memodifikasi output kedalam rentang nilai tertentu. Berikut ini beberapa fungsi aktivasi yang digunakan dalam jaringan syaraf tiruan (Singh & Balasundaram, 2007)yaitu:

  (1) Dimana, H= Fungsi aktivasi Sigmoid

  a) Fungsi Aktivasi Sigmoid Biner

  Fungsi Aktivasi Biner untuk memproses suatu output jaringan, sehingga sesuai dengan nilai target. Dalam jaringan syaraf tiruan memiliki dua fungsi aktivasi yaitu fungsi sigmoid biner dan fungsi sigmoid bipolar. Untuk fungsi-fungsi aktivasi ini harus bersifat continue,

  direfensibel , dan tidak menurun secara monoton.

  Lalu, untuk fungsi aktivasi juga diharapkan mendekati nilai-nilai maksimum dan minimum dengan baik. Fungsi sigmoid biner dapat dirumuskan seperti Persamaan 1.

  =

  1−exp(− ) 1+exp(− )

  = nilai output jaringan pada data ke- j sebelum dilakukan proses aktivasi b)

  Fungsi ini ialah rentang nilai untuk aktivasi ini yaitu antara -1 sampai 1. Persamaan untuk aktivasi sin ditunjukkan pada Persamaan 3. = ( )

  Fungsi Aktivasi Sigmoid Bipolar Fungsi aktivasi sigmoid merupakan suatu nilai yang memiliki range keluaran -

  1 sampai 1. Fungsi sigmoid bipolar dapat dirumuskan seperti Persamaan 2.

  =

  1 1+exp(− )

  (2)

  c) Fungasi Aktivasi Sin

  Langkah-langkah perhitungan dengan metode ELM tebagi menjadi dua proses, untuk proses awal yaitu pelatihan (training) dan proses akhir pelatihan (testing) yaitu:

• (7)

  ̂ =

  Dimana, ̂ = Matriks Ouput Weight.

• = Matriks Moore-Penrose Generalized Inverse dari Matriks H. = Matriks Target. = Matriks keluaran hidden layer.

  c) Proses Testing

  Setelah melakukan proses training memperoleh output wright yang optimal dari JST dengan metode ELM. Setelah itu melakukan proses testing yang bertujuan untuk mengevaluasi potensi metode ELM ke dalam prediksi. Berikut ini langkah-langkah untuk proses testing adalah sebagai berikut: 1.

  Menginisialisasi input weight yang didapatkan dari proses training.

  2. Semua keluaran dari hidden layer dihitung dengan fungsi aktivasi (

  ( )

  ) menggunakan Persamaan (5).

  3. Menghitung keluaran hasil prediksi yang dilakukan perhitungan dengan menggunakan Persamaan 7. ̂ = ̂

  (8) Keterangan: ̂ = Matriks hasil predisi.

  = Matriks keluaran hidden layer. ̂ = Matriks Ouput Weight.

  4. Menghitung nilai error pada output layer yang dapat dilihat pada Persamaan 9.

  =

  1 ∑ =

  =1 ̂ − ̂

  100

  (9) Dimana, ̂ = Nilai hasil ramalan

  = Nilai aktual = Banyak data 3.

   PERANCANGAN & IMPLEMENTASI

  Generalized Invers dari hasil keluaran hidden layer dengan fungsi aktivasi.

  layer dengan fungsi aktivasi. Lalu jika

  setelah di transpose, selanjutnya matriks tersebut dikalikan dengan matriks hasil keluaran hidden layer seperti fungsi aktivasi biasanya yang disebut matriks H. setelah itu nilai invers dihitung dari matriks H tersebut. Jika sudah mendapatkan maka dapat menghitung matriks Moore-Penrose

  Lalu untuk nilai acak matriks bias dengan rentang [0,1] dalam ukuran 1 x (jumlah banyak hidden neuron).

  a) Normalisasi Data

  Normalisasi data merupakan suatu nilai yang

  range input tidak sama, yaitu bernilai puluhan

  hingga ribuan. Untuk input ini dilakukan suatu proses ke nilai input yang kecil sehingga data yang digunakan disesuaikan dengan cara dinormalisasikan datanya. Maka hal ini merupakan proses data dari metode Min-Max Normalization.

  b) Proses Training

  Proses training dilakukan guna memperoleh output weight optimal atau memiliki tingkat kesalahan yang rendah. Tujuan dari proses training yaitu untuk mengembangkan model ELM. Berikut ini langkah-langkah training yang diproses sebagai berikut: 1.

  Langkah pertama menginisialisasi input

  weight dan bias yang diinisialisasi secara acak dengan rentang antara -1 hingga 1.

  2. Keluaran di hidden layer dihitung menggunakan fungsi aktivasi. Pada langkah pertama ini dihitung keluaran hidden layer (H init ), lalu nilai H init didapatkan kemudian dihitung menggunakan fungsi aktivasi sigmoid = (∑ .

  Menghitung pada output weight. Hal ini untuk mendapat output weight ini, hal yang pertama yang harus dilakukan ini mentranspose matriks hasil keluaran hidden

  =1

  ) + (5)

  Menghitung nilai matriks keluaran pada

  hidden layer dengan. Perhitungan b (ones(i train, 1),:) memperbanyak matriks

  untuk bias sebanyak jumlah data latih.

  = 1 + (−(− + ( ( , 1, : )) ) (6)

  Dimana, = Matriks keluaran hidden layer

  = Matriks input pada data latih yang telah di normalisasi = Matriks transpose dari bobot

  = jumlah data latih = matriks bias 3.

  Sebelum melakukan implementasi sistem, diperlukan perancangan agar memudahkan proses implementasi. Tujuan prediksi harga daging sapi menggunakan ELM yaitu mendapatkan hasil prediksi dengan nilai error terkecil. Data untuk dilakukan proses prediksi berupa masukan data setiap bulannya. Untuk lebih jelasnnya ditunjukkan perancangan yang dilakukan pada Gambar 3 merupakan diagram alir proses prediksi harga daging sapi menggunakan metode ELM.

  Gambar 5 Arsitektur ELM untuk proses training

  Berdasarkan diagram alir pada Gambar 3, berikut langkah-langkah untuk menyelesaikan dengan model ELM yaitu sistem menerima masukkan berupa harga daging sapi,, masukkan

  weight , jumlah hidden neuron, presentasi jumlah

  data training dan testing. Proses selanjutnya adalah dilakukan normalisasi pada data harga yang dimasukkan, kemudian inisialisasi input

  weight yang dilakukan secara acak dengan

  rentang [-1,1] dan input bias yang dilakukan secara acak dengan rentang [0,1]. Dilanjutkan dengan proses training ELM, setelah mendapatkan bobot terbaik pada proses training maka melakukan proses testing ELM. Setelah mendapatkan proses tensting melakukan proses denormalisasi, menghitung nilai MAPE

  Gambar 3 Diagram alir proses Extreme

  sehingga dihasilkan hasil prediksi harga pasar (ELM)

  Learning Machine daging sapi.

  Tahapan

• – tahapan dari proses metode 4.

PENGUJIAN DAN ANALISIS

  Extreme Learning Machine dari Gambar 3 dapat

  Terdapat 4 pengujian yang dilakukan yaitu diketahui proses implementasi dilakukan pengujian variasi fitur data, pengujian jumlah berdasarkan perancangan arsitektur jaringan neuron, pengujian fungsi aktivasi, pengujian

  Extreme Learning Machine (ELM) untuk persentase data training dan testing.

  prediksi harga daging sapi ditunjukkan pada Gambar 4 dan Gambar 5. Pada Gambar 4

  4.1. Pengujian dan Analisis Hasil Variasi

  merupakan arsitektur jaringan ELM untuk

  Fitur Data

  proses training dan Gambar 5 merupakan Pengujian jumlah fitur dilakukan untuk arsitektur jaringan ELM untuk proses testing mengetahui banyaknya jumlah fitur terbaikyang harus dibentuk. Jumlah fitur merepresentasikan banyaknya data historis harga daging sapi dalam kurun waktu beberapa bulan terakhir yang digunakan sebagai masukkan untuk melakukan proses prediksi dimasa yang datang.

  Berdasarkan grafik Gambar 5, nilai MAPE yang paling kecil didapatkan pada jumlah fitur sebanyak 3 yaitu sebesar 0,3963%.. Nilai MAPE tinggi saat dilakukan pengujian dengan jumlah fitur 5 dikarenakan jumlah keseluruhan data dalam pengujian ini hanya 72 data sehingga

  Gambar 4 Arsitektur ELM untuk proses training

  pembagian yang digunakan menjadi lebih sedikit karena data awal yang digunakan untuk membentuk pola pembelajaran

  Gambar 6 Grafik MAPE terhadap variasi fitur

  . Pada Gambar 5, dapat dilihat Semakin banyak menggunakan variasi fitur data belum tentu menghasilkan prediksi yang baik, karena proses menggunakan ELM juga bergantung dengan objek dan fitur yang digunakan.

  4.2. Pengujian dan Analisis Hasil Jumlah

  Neuron Neuron merupakan jaringan syaraf yang berfungsi untuk menstansformasikan informasi, hal ini menentukan banyaknya neuron yang harus diaktifkan untuk mendapatkan neuron hasil keluaran yang baik. Pengujian ini dilakukan untuk mengetahui jumlah neuron pada hidden layer terhadap nilai. Hasil dari pengujian ini bernilai cukup bervariasi ketika sistem dijalankan, dikarenakan pada weight dan bias yang dihasilkan random. Penelitian ini dilakukan 10 kali uji coba. Hasil evaluasi nilai MAPE kemudian di rata-ratakan.

  Gambar 7 Grafik nilai MAPE jumlah hidden neuron

  Berdasarkan grafik Gambar 6, nilai MAPE yang paling kecil didapatkan pada jumlah hidden

  neuron sebanyak 7 yaitu sebesar 0,3414%. Nilai

  MAPE tinggi saat dilakukan pengujian dengan jumlah 20 dan semakin banyak menggunakan

  hidden neuron data belum tentu menghasilkan prediksi yang baik.

  4.3. Pengujian dan Analisis Variasi Fungsi

  Aktivasi Pengujian fungsi aktivasi dilakukan dengan membandingkan hasil MAPE dari 4 fungsi aktivasi yaitu fungsi aktivasi sigmoid biner, fungsi aktivasi sigmoid bipolar, fungsi aktivasi sin, dan fungsi aktivasi radial basis. Dalan pengujian kali ini persentase datayang digunakan adalah sebanyak 90% data training dan 10% data latih. Jumlah neuron pada hidden layer yang digunakan adalah sebanyak 7.

  Gambar 8 Grafik Nilai MAPE Variasi Fungsi

  Aktivasi Berdasarkan grafik pada Gambar 7, ditunjukkan bahwa nilai MAPE yang terkecil terjadi saat menggunakan fungsi aktivasi sigmoid biner dari 4 pilihan fungsi yang lainnya yang didapatkan rata-rata nilai error 0,3215%. Hasil dari pengujian menujukkan rata-rata MAPE setiap fungsi aktivasi tidak terlalu berbeda dengan rata-rata MAPE setiap fungsi yang digunakan. Namun pada fungsi aktivasi sigmoid biner memiliki akurasi lebih baik, dapat disimpulkan bahwa dari pengujian yang didapat menyimpulkan bahwa fungsi sigmoid biner menghasilkan tingkatan error yang baik dibandingkan fungsi lainnya dan sangat berpengaruh pada pencapaian target prediksi

  4.4. Pengujian dan Analisis Jumlah Data

  Training dan Data Testing Pada pengujian ini dilakukan agar mengetahui seberapa besar pengaruh jumlah data training terhadap data testing. hasil rata-rata nilai MAPE dikarenakan jumlah input weight dan bias bernilai random. Pengujian ini dilakukan sebanyak 10 kali uji coba dan didapatkan nilai rata-rata MAPE.

  Pada saat melakukan pengujian, jumlah data training dan teting bervariasi yaitu 90%:10%, 80%:20%, 70%:30%, 60%:40%, 50%:50%, 40%:60%,100%:100%. Jumlah fitur yang digunakan adalah 3, neuron pada hidden layer yang digunakan adalah sebesar 7, kemudian fungsi aktivasi yang digunakan sigmoid biner. Pada Gambar 9 ditunjukkan mengenai grafik pengujian.

  Gambar 9 Grafik Nilai MAPE jumlah data training dan testing

  Huang, G., Zhu, Q., & Siew, C. (2004). Extreme

  3 fitur, perbandingan jumlah data training dan

  testing yaitu 90%:10% serta hidden neuron sebanyak 7.

  6. DAFTAR PUSTAKA

  Abadi, I., & Soeprijanto, A. (2014). Extreme

  learning machine approach to estimate hourly solar radiation on horizontal surface (PV) in Surabaya-East java. In Information Technology, Computer and Electrical Engineering (ICITACEE).

  Ditjen Peternakan. (1997). Statistik Peternakan. Giusti, A., Agus Wahyu Widodo, & Sigit

  Adinugroho. (2018). Prediksi Penjualan

  Mi Menggunakan Metode Extreme Learning Machine (ELM) di Kober Mie Setan Cabang Soekarno Hatta. Malang, Jawa Timur, Indonesia.

  Learning Machine : a New Learning

  output

  Scheme of FeedForward neural networks. 2, 985-990. Huang, G., Zhu, Q., & Siew, C. (2006).

  Application of extreme learning machine method for time series analysis .

  256-262. Humaini, Q. (2015). Jaringan Syaraf Tiruan

  Extreme Learning Machine (ELM) Untuk Memprediksi Kondisi Di Wilayah Malang.

  Pangaribuan, J. J. (2016). Mendiagnosis

  Penyakit Diabetes Melitus Dengan Menggunakan Metode Extreme Learning Machine. Medan, Indonesia.

  Singh, R., & Balasundaram, S. (2007).

  Application of extreme learning machine method for time series analysis. 256-262. Siwi, I. P., Imam Cholissodin, & M. Tanzil

  prediksi yang dihasilkan. Tingkat kesalahan yang berdasarkan penguji yang dilakukan dengan nilai MAPE yaitu sebesar 0,344 menggunakan fungsi aktviasi sigmoid biner, menggunakan

  terhadap

  Berdasarkan grafik pada Gambar 8, ditunjukkan bahwa jumlah data training dan

  merupakan pengujian terjadi karena proses training tidak mampu melakukan pengenalan pola dengan baik karena jumlah data

  2. Perbandingan jumlah data training dan data testing serta penambahan jumlah

  pada output layer.

  input weight yang terhubung dengan input layer dan output weight yang terhubung

  Pada hidden layer terdapat parameter

  testing mempengaruhi untuk mendapatkan nilai error yang baik. Hal ini, menujukkan bahwa

  nilai MAPE terkecil terjadi pada saat jumlah data

  training

  90% terhadap data testing 10% dari dasaset dengan nilai error rata-rata yang didapatkan sebesar 0,344%. Hasil dari pengujian dapat disimpulkan bahwa dari pengujian data

  training terhadap data testing maka nilai error semakin tinggi dikarenakan adanya underfitting. Underfitting

  neuron pada hidden layer berpengaruh

  error.

  metode ELM merupakan metode pelatihan, sehingga semakin banyak data training yang digunakan maka semakin baik prediksi yang dihasilkan yang sudah dibuktikan dari hasil nilai

  training lebih sedikit dibandingkan jumlah data testing . Hal ini mempengaruhi karena untuk

5. KESIMPULAN

  1. Metode Extreme Learning Machine dapat digunakan dalam prediksi harga daging sapi yang menghasilkan nilai error terkecil dengan melibatkan jumlah hidden

  layer dan random input weight. hidden layer pada ELM terdiri dari node-node

  yang berfungsi sebagai pemrosesan yang menghubungkan input layer dengan

  output layer . Banyaknya hidden node

  pada bagian hidden layer mempengaruhi hasil perhitungan dari suatu permasalahan dimana hidden node mengolah semua masukan yang nantinya menjadi keluaran.

  Berdasarkan hasil pengujian dan pembahasan dari prediksi harga daging sapi menggunakan Extreme Learning Machine (ELM), maka didapatkan kesimpulan sebagai berkut :

  Furqon. (2016). Peramalan Produksi Gula Pasir Menggunakan Extreme Learning Machine (ELM) Pada Pg Candi Baru Sidoarjo. 8.