Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan Menggunakan Metode “PSO-NN”
Vol. 2, No. 12, Desember 2018, hlm. 6737-6745 http://j-ptiik.ub.ac.id
Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan
Menggunakan Metode “PSO-NN”
1 2 Nadya Sylviani , Arief Andy SoebrotoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Abstrak
Peningkatan jumlah penduduk dan pembangunan di bidang peternakan menjadi faktor naiknya konsumsi protein hewani. Salah satu sumber protein hewani yang menjadi pilihan banyak masyarakat adalah telur ayam ras karena harganya yang murah dan mudah didapatkan. Namun, permasalahan dari penjualan telur ayam ras adalah harganya yang sering mengalami fluktuasi di pasar. Untuk itu, peneliti membangun sebuah sistem peramalan dengan menggunakan metode Particle Swarm Optimization-
Neural Network (PSO-NN). Metode ini terbukti lebih baik dibandingkan metode pelatihan NN dengan
menggunakan Backpropagation. Pelatihan PSO akan dilakukan hingga maksimum iterasi dan hasil dari pelatihan tersebut yang berupa nilai bobot optimal akan digunakan sebagai bobot inisialisasi untuk pelatihan NN. Jenis NN yang digunakan yaitu Feedforward Neural Network (FFNN). Pelatihan NN dilakukan dengan menggunakan 4 lag time, 2 hidden unit, dan 1 output yang merepresentasikan hasil peramalan harga. Berdasarkan pengujian yang telah dilakukan, PSO terbukti dapat mempercepat NN dalam mencari solusi yang optimal. MAPE terkecil yang didapatkan dengan menggunakan PSO-NN dalam penelitian ini yaitu 1.01552%.
Kata kunci: peramalan, telur ayam ras, jaringan syaraf tiruan, particle swarm optimization.
Abstract
The increase in population and growth in the farming field was one of the reason of rising in
consumption of animal protein. One of the source of animal protein that has been the most preferable
for its affordable price and easy to get, is purebred chicken egg. However, the issue in purebred chicken
egg sales that has been faced by the market is its fluctuate price. Therefore, the researcher build a
forecasting system using Particle Swarm Optimization-Neural Network (PSO-NN). This method proved
to be better than the NN training using Backpropagation. PSO training will be carried out to the
maximum iteration and the results of the training in the form of optimal weight values will be used as
initialization weights for NN training. The type of NN used is Feedforward Neural Network (FFNN).
The NN training is done by using 4 lag time, 2 hidden units, and 1 output which represents the result of
price forecasting. Based on the result of this research, PSO proved to be able to speed up NN on finding
the optimal solution. The lowest MAPE found using PSO-NN in this research is 1.01552%.Keywords: forecasting, purebred chicken egg, neural network, particle swarm optimization.
menyediakan kebutuhan masyarakat (Febrianto 1. & Putritamara, 2017).
PENDAHULUAN
Peningkatan jumlah penduduk dan Sumber protein hewani yang banyak kesadaran masyarakat akan pentingnya dikonsumsi berbagai kalangan masyarakat mengkonsumsi makanan yang bergizi tinggi, karena harganya yang terjangkau dan mudah serta meningkatnya pembangunan di bidang didapatkan, yaitu telur ayam ras (Figoni, 2008). peternakan menjadi salah satu faktor yang
Namun penjualan komoditas telur ayam ras di mendasari meningkatnya kebutuhan akan Indonesia masih sering terjadi fluktuasi, seperti konsumsi protein hewani. Dalam hal ini, bidang di Padang (Yanti, et al., 2006), dan di Kendari peternakan memiliki peran penting dalam (Fausayana & Marzuki, 2016). Fluktuasi ini dapat terjadi ketika peternak melakukan
Fakultas Ilmu Komputer Universitas Brawijaya
6737 antisipasi yang keliru, dimana dalam suatu kasus akan mengakibatkan kelebihan produksi dan menyebabkan penawaran di pasar menurun (Abidin, 2003).
Menurut (Samuelson & Nordhaus, 1998), hukum permintaan diasumsikan dengan berbanding lurusnya penurunan harga komoditas dengan kenaikan jumlah permintaan akan komoditas tersebut. Demikian halnya dengan permintaan terhadap telur ayam ras di Malang. Berdasarkan penelitian (Febrianto & Putritamara, 2017), didapatkan hasil bahwa peningkatan harga telur ayam ras di Malang sebesar Rp 1,- akan menurunkan jumlah permintaan oleh konsumen sebesar 2.301%. Faktor-faktor tersebut mengakibatkan terjadinya fluktuasi harga yang dapat mengganggu stabilitas harga komoditas pasar lainnya. Untuk itu, perlu adanya suatu sistem yang dapat memantau kondisi harga komoditas pasar secara rutin. Hasil pantauan ini diharapkan dapat menjadi acuan untuk dapat memperbaiki manajemen produksi bagi peternak dan juga penjual, serta dapat menjadi sarana pengatur stabilitas harga komoditas di pasar oleh Dinas Perdagangan Pasar.
Logical Calculus of The Ideas Immanent in Nervous Activity
2.2 Particle Swarm Optimization (PSO) Particle Swarm Optimization (PSO)
4. Pembaharuan nilai bobot dan bias.
3. Hitung output jaringan.
2. Inisialisasi nilai unit input.
Inisialisasi bobot dan bias awal, serta nilai laju pembelajaran.
Neural Network (Fausett, 1994): 1.
” Invalid source specified.. Berikut adalah algoritma tahap-tahap pelatihan Perceptron
Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain
Pada tahun 1958, Frank Rosenblatt mengembangkan penelitian McCulloch dan Pitts dengan membangun sebuah jaringan perceptron yang dit ulis dalam papernya dengan judul “The
Invalid source specified..
”. Penemuan ini membawa kemajuan dalam pembelajaran tentang neuron dan koneksinya, serta menjadi pembuka topik baru pada penelitian-penelitian kedepannya
oleh Warren McCulloch dan Walter Pitts pada tahun 1943 dalam papernya yang berjudul “A
Sebuah sistem peramalan dapat dibangun dengan mengamati dan menganalisa pola dari data hasil pantauan tersebut untuk kemudian diolah agar dapat menghasilkan sebuah sistem peramalan yang akurat. Penelitian tentang sistem prediksi atau peramalan telah dilakukan sebelumnya dengan memanfaatkan metode Backpropagation Neural Network (BP-NN). Metode ini lebih baik bila dibandingkan dengan metode Discriminant Analysis (DA), feed-
2.1 Neural Network (NN) Neural Network pertama kali dikemukakan
2. METODOLOGI.
solusi dalam permasalahan tersebut dan memberi pandangan kepada petugas, langkah yang harus dilakukan untuk mencegah fluktuasi harga komoditas telur.
Network dengan optimasi Particle Swarm Optimization ) yang diharapkan dapat memberi
Berdasarkan permasalahan di atas, penulis mengangkat judul Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan Menggunakan Metode PSO-NN (Neural
dalam penelitan tersebut terbukti bahwa metode ini dapat melebihi performansi BP-NN (Junyou, 2007). Hal ini diperkuat juga dengan penelitian, (Xuan, et al., 2008), dan (Adhikari & Agrawal, 2011), yang dapat membuktikan bahwa PSO- NN lebih baik dibandingkan dengan BP-NN dalam membangun suatu sistem peramalan yang akurat dan cepat konvergensinya. Sebagai metode optimasi, PSO juga lebih baik dan cepat dari GA dan ARMA dalam melatih NN untuk sistem peramalan (Mishra & Patra, 2008), (Xuan, et al., 2008).
Optimization Neural Network (PSO-NN) yang
Pada tahun 2007, Junyou telah meneliti tentang peramalan harga stok dengan menggunakan metode Particle Swarm
Sharda, 1990), (Law, 2000), (Riad, et al., 2004).
Multiple Linear Regression (MLR), Naïve, Radial Basis Function NN (RBFNN) (Odom &
(FF), Holt’s, Moving Average (MA),
forward
merupakan salah satu algoritma optimasi yang banyak digunakan, selain Algoritma Genetika. Teknik optimasi ini berbasis populasi dan dikembangkan oleh Eberhart dan Kennedy pada 1995, dengan terinspirasi oleh perilaku kawanan burung atau ikan (Muzakkir, et al., 2014). Konsep dari PSO yaitu penempatan entitas- entitas atau partikel-partikel dalam area pencarian solusi permasalahan secara acak. Tiap partikel kemudian akan bergerak dalam area tersebut, dan menilai atau menghitung fitness dari posisinya untuk dijadikan referensi pergerakan partikel-partikel lainnya, dan partikel itu sendiri, pada iterasi selanjutnya atau setelah berpindah posisi. Seperti layaknya kawanan burung yang mencari makan, partikel ini akan bergerak ke arah dimana solusi berada atau posisi yang memiliki nilai fitness terbaik Invalid
source specified..
2012 2013 … 2017 1-Jan Rp14,600 Rp15,400
5. Metode prediksi harga. Sumber literatur diperoleh dari buku, jurnal, e-book, dan penelitian yang telah ada sebelumnya.
2.5 Pengumpulan Data
Pada penelitian ini, data yang digunakan yaitu data harian harga pasar telur ayam ras di Kota Malang dari Januari 2012 sampai Desember 2017. Data ini didapatkan dari Dinas Perdagangan Kota Malang melalui halaman web Sistem Informasi Ketersediaan dan Perkembangan Harga Pokok di Jawa Timur (SISKAPERBAPO) pada tautan
Terdapat lima pasar di Kota Malang yaitu Pasar Blimbing, Pasar Tawangmangu, Oro-Oro Dowo, Pasar Klojen, dan Pasar Madyopuro.
Data yang digunakan merupakan rata-rata data harga harian dari kelima pasar tersebut. Tabel 1 berikut adalah suntingan data harga telur ayam ras di Kota Malang yang digunakan dalam penelitian ini.
Tabel 1 Data harian harga pasar telur ayam ras di Kota Malang Tanggal Harga pada tahun (Rp)
… Rp20,800 2-Jan Rp14,600 Rp15,400 … Rp21,000 3-Jan Rp14,600 Rp15,600 … Rp21,000 4-Jan Rp14,600 Rp15,800 … Rp21,000 … … … … …
3. Metode Particle Swarm Optimization.
31-Des Rp15,400 Rp16,100 … Rp23,600
2.6 Perancangan Sistem
Tahapan selanjutnya yaitu perancangan sistem dimana pada tahap ini dilakukan analisis dan perancangan sistem dari segi model, ataupun arsitekturnya, juga hal-hal terkait kebutuhan sistem dalam proses pembuatannya.
Berdasarkan diagram alir yang ditunjukkan pada Gambar 1, tahapan proses PSO-NN dapat dijabarkan sebagai berikut.
A.
Normalisasi Data 1.
4. Teori Data Mining.
2. Teori optimasi Swarm Intelligence.
Pada 1995, Eberhart dan Kennedy menguji tiga model PSO yaitu model GBEST, model LBEST dengan 2 neighbor, dan 6 neighbor. Hasil dari pengujian tersebut menyatakan bahwa model GBEST lebih baik dibandingkan kedua model LBEST Invalid source specified.. Berikut adalah algoritma Particle Swarm Optimization dengan model GBEST Invalid source specified.: 1.
2.3 Normalisasi Data
Inisialisasi kecepatan dan posisi awal partikel.
2. Hitung nilai fitness tiap partikel.
3. Jika nilai PBEST saat ini lebih baik dari sebelumnya, maka perbaharui PBEST.
4. Jika nilai GBEST saat ini lebih baik dari sebelumnya, maka perbaharui nilai GBEST.
5. Perbaharui kecepatan partikel.
6. Perbaharui posisi partikel.
Normalisasi merupakan salah satu strategi transformasi data yang dilakukan dengan merubah data tersebut ke dalam range yang lebih kecil seperti [-1,1] atau [0,1]. Hal ini dilakukan dengan tujuan untuk memberi bobot yang seimbang untuk seluruh atribut. Untuk Neural
Metode Jaringan Syaraf Tiruan.
Network , normalisasi nilai input pada tiap atribut
dapat membantu mempercepat proses pelatihan serta meningkatkan akurasi dan efisiensi dari algoritma tersebut. Salah satu metode normalisasi data yaitu Min-Max Normalization
Invalid source specified. Invalid source specified..
Denormalisasi atau detransformasi data dilakukan untuk mengembalikan nilai yang ternormalisasi ke dalam bentuk aslinya. Pada peramalan, tahapan ini dilakukan setelah hasil peramalan didapatkan (Ogasawara, et al., 2010).
2.4 Studi Literatur
Tahapan pertama dalam metodologi penelitian ini yaitu studi literatur dimana dalam tahap ini dilakukan pembelajaran, pengenalan, serta pemahaman terhadap dasar-dasar teori dari bidang ilmu yang berelasi dengan perancangan sistem Peramalan Harga Pasar Telur Ayam Ras di Kota Malang dengan Menggunakan Metode PSO-NN. Bidang ilmu ini diantara lain: 1.
Menentukan nilai minimum
2.
3. Menentukan nilai maksimum Hitung nilai error
Menghitung normalisasi data dengan menggunakan Min-Max Normalization
Mulai 3.
Data time-series harga pasar telur ayam ras B.
Pelatihan PSO 1.
Inisialisasi awal PSO
Normalisasi data A
i.
Menghitung batasan kecepatan
Menentukan posisi awal iii. Menentukan kecepatan awal
Pelatihan PSO ii.
F Maksimum B iv.
Menghitung nilai fitness partikel
Iterasi? v.
Menentukan local best (pBest) awal
T vi.
Menentukan global best (gBest)
Bobot NN optimal F
awal 2. Memperbaharui partikel
Pelatihan NN T
i.
Memperbaharui kecepatan partikel
Memperbaharui posisi partikel
F ii.
Maksimum C Iterasi? 3.
Memperbaharui pBest dan gBest
Menghitung nilai fitness partikel baru
T i.
Bobot akhir untuk prediksi ii.
Memperbaharui local best (pBest)
Pengujian dengan NN iii.
Memperbaharui global best (gBest)
D C.
Pelatihan NN
Hasil prediksi dengan PSO-NN 1.
Hitung sinyal output
Selesai i.
Hitung jumlah sinyal ke hidden
layer Gambar 1. Diagram alir tahapan proses PSO-NN ii.
Aktivasi sinyal hidden layer
Hitung jumlah sinyal ke output
2.7 Implementasi Sistem iii.
layer
Tahapan implementasi sistem ini mengacu kepada tahapan perancangan sistem. Sistem iv.
Aktivasi sinyal output layer yang dibangun adalah sistem berbasis Graphic
2. Hitung pembaharuan bobot
User Interface (GUI), dengan bahasa
pemrograman Java. Tahapan implementasi i. Hitung bobot baru hidden layer sistem pada penelitian ini yaitu: ii.
Hitung bobot baru output layer 1. interface aplikasi
Implementasi D. Pengujian dengan NN menggunakan JFrame pada NetBeans.
1. Hitung sinyal output 2.
Implementasi algoritma dengan Metode i.
PSO dan Neural Network. Hitung jumlah sinyal ke hidden
layer
2.8 Pengujian dan Analisis ii.
Aktivasi sinyal hidden layer Pada tahapan ini, dilakukan pengujian dan iii. Hitung jumlah sinyal ke output analisis dari hasil pengujian sistem peramalan
layer
harga telur ayam ras menggunakan metode PSO- iv. NN tersebut. Terdapat 7 pengujian yang Aktivasi sinyal output layer dilakukan dalam penelitian ini yang meliputi
2. Denormalisasi data uji pengujian nilai laju pembelajaran NN, jumlah iterasi NN, batas , nilai inertia weight, jumlah populasi swarm, jumlah iterasi PSO, dan uji coba perbandingan PSO-NN dengan NN.
3. HASIL DAN PEMBAHASAN
Berdasarkan Gambar 3 dapat dilihat bahwa jumlah iterasi terbaik untuk metode NN pada penelitian ini yaitu 30. Rata-rata MAPE dari jumlah iterasi NN ini yaitu 1.02929%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian batas yang ditunjukkan pada Gambar 4.
Inertia weight (w) 0.729844
5 c1 1.496180 c2 1.496180
3 Maksimum iterasi
Populasi swarm
Tabel 2. Parameter PSO untuk uji batas
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 2.
Pengujian batas dilakukan dengan menguji beberapa nilai sebanyak masing- masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer
3.3 Uji Coba Batas
Tahapan ini adalah tahapan dimana hasil perancangan dan implementasi sistem akan diuji. Pengujian akan dilakukan untuk parameter NN dan PSO yang meliputi nilai laju pembelajaran NN, jumlah iterasi NN, batas
, nilai inertia weight, jumlah populasi
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5. Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian iterasi NN yang ditunjukkan pada Gambar 3.
Pengujian iterasi NN dilakukan dengan menguji beberapa jumlah iterasi sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer
3.2 Uji Coba Iterasi NN
Berdasarkan Gambar 2 dapat dilihat bahwa nilai laju pembelajaran terbaik untuk metode NN pada penelitian ini yaitu 0.5. Rata-rata MAPE dari nilai laju pembelajaran ini yaitu 1.03025%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
Gambar 2. Grafik hasil pengujian laju pembelajaran NN
Pengujian laju pembelajaran NN dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan jumlah input neuron 4, jumlah hidden layer 2, dan jumlah iterasi NN 50. Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian laju pembelajaran NN yang ditunjukkan pada Gambar 2.
3.1 Uji Coba Laju Pembelajaran NN
pengujian perbandingan PSO-NN dengan NN juga dilakukan untuk membandingkan kedua metode tersebut.
swarm , dan jumlah iterasi PSO. Selain itu,
Gambar 3. Grafik hasil pengujian iterasi NN Gambar 4. Grafik hasil pengujian batas
Berdasarkan Gambar 4 dapat dilihat bahwa batas terbaik untuk metode PSO-NN pada penelitian ini yaitu 0.3 dengan jumlah iterasi NN
run .
Gambar 6. Grafik hasil pengujian jumlah populasi swarm
Berdasarkan Gambar 6 dapat dilihat bahwa jumlah populasi swarm terbaik untuk metode PSO-NN pada penelitian ini yaitu 20 dengan jumlah iterasi NN 30. Rata-rata MAPE dari jumlah populasi swarm ini yaitu 1.02679%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run.
0.9 Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian nilai jumlah populasi swarm yang ditunjukkan pada Gambar 6.
0.3 Inertia weight (w)
5 c1 1.496180 c2 1.496180 Batas
Maksimum iterasi
Tabel 4 Parameter PSO untuk uji jumlah populasi swarm
Pengujian jumlah populasi swarm dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 4.
3.5 Uji Coba Jumlah Populasi Swarm
berdasarkan rata-rata nilai MAPE dari 10 kali
30. Rata-rata MAPE dari nilai batas ini yaitu 1.02761%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE dari 10 kali run .
weight ini yaitu 1.02527%. Nilai ini didapatkan
Berdasarkan Gambar 5 dapat dilihat bahwa nilai inertia weight terbaik untuk metode PSO- NN pada penelitian ini yaitu 0.9 dengan jumlah iterasi NN 30. Rata-rata MAPE dari nilai inertia
3.4 Uji Coba Nilai Inertia Weight
Gambar 5. Grafik hasil pengujian nilai inertia weight
weight yang ditunjukkan pada Gambar 5.
0.3 Berikut adalah grafik rata-rata nilai MAPE yang didapatkan dalam pengujian nilai inertia
5 c1 1.496180 c2 1.496180 Batas
3 Maksimum iterasi
Populasi swarm
Tabel 3. Parameter PSO untuk uji nilai inertia weight
Pengujian nilai inertia weight dilakukan dengan menguji beberapa nilai sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan PSO-NN dilakukan dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang digunakan pada pengujian ini yaitu 0.5, dengan jumlah iterasi 30 dan 50. Berikut adalah konfigurasi parameter PSO yang digunakan dalam penelitian ini yang ditunjukkan pada Tabel 3.
digunakan pada pengujian ini yaitu 0.5, dengan
3.6 Uji Coba Iterasi PSO
jumlah iterasi terbaik 30. Namun untuk melihat Pengujian iterasi PSO dilakukan dengan apakah PSO-NN mampu mempercepat NN menguji beberapa nilai jumlah iterasi sebanyak dalam menemukan solusi optimal, jumlah iterasi masing-masing 10 kali run. Pada pengujian ini,
NN 7 dan 10 juga digunakan sebagai pelatihan PSO-NN dilakukan dengan pembanding. Berikut adalah konfigurasi menggunakan jumlah input neuron 4, dan parameter PSO yang digunakan dalam penelitian jumlah hidden layer 2. Berdasarkan pengujian ini yang ditunjukkan pada Tabel 6. yang telah dilakukan sebelumnya, nilai laju
Tabel 6 Parameter PSO untuk uji perbandingan PSO-
pembelajaran yang digunakan pada pengujian ini
NN dengan NN yaitu 0.5, dengan jumlah iterasi 30 dan 50.
Jumlah populasi
20 Berikut adalah konfigurasi parameter PSO yang Maksimum iterasi 100 digunakan dalam penelitian ini yang ditunjukkan c1 1.496180 pada Tabel 5. c2 1.496180
Tabel 5. Parameter PSO untuk uji iterasi PSO
Batas
0.3 Jumlah populasi
20 Inertia weight (w)
0.9 c1 1.496180 c2 1.496180
Berikut adalah tabel hasil pengujian Batas 0.3 perbandingan PSO-NN dengan NN yang
Inertia weight (w) 0.9 ditunjukkan pada Tabel 7.
Tabel 7 Perbandingan PSO-NN dengan NN
Berikut adalah grafik rata-rata nilai MAPE
Rata-rata MAPE
yang didapatkan dalam pengujian iterasi PSO
Iterasi NN PSO-NN
yang ditunjukkan pada Gambar 7.
NN Latih Uji Latih Uji 7 1.4241 1.8090 1.2910 1.0155 10 1.3569 1.3976 1.2918 1.0218
30 1.3119 1.0287 1.2952 1.0398
Bentuk grafik dari hasil pengujian perbandingan PSO-NN dengan NN pada iterasi NN 7, 10, dan 30 dapat dilihat pada Gambar 8, Gambar 9, dan Gambar 10 berikut.
Gambar 7. Grafik hasil pengujian iterasi PSO
Berdasarkan Gambar 7 dapat dilihat bahwa jumlah iterasi PSO terbaik untuk metode PSO- NN pada penelitian ini yaitu 10 dengan jumlah iterasi NN 30. Rata-rata MAPE dari jumlah iterasi PSO ini yaitu 1.02912%. Nilai ini didapatkan berdasarkan rata-rata nilai MAPE Gambar 8. Grafik hasil pengujian perbandingan
PSO-NN dengan NN pada iterasi NN 7 dari 10 kali run.
3.7 Perbandingan PSO-NN dengan NN
Pengujian ini dilakukan dengan membandingkan MAPE dari pelatihan dan pengujian NN dengan dan tanpa menggunakan PSO sebagai metode untuk mencari nilai bobot awalnya. Percobaan ini dilakukan sebanyak masing-masing 10 kali run. Pada pengujian ini, pelatihan NN dilakukan dengan menggunakan
Gambar 9 Grafik hasil pengujian perbandingan PSO-
jumlah input neuron 4, dan jumlah hidden layer
NN dengan NN pada iterasi NN 10
2. Berdasarkan pengujian yang telah dilakukan sebelumnya, nilai laju pembelajaran yang
18 Maret 17200 17237 0.215486 2016
19 Maret 17200 17253 0.306068 2016 … … … …
31 Desember 23600 21942 7.027213 2017 Rata-rata 1.011520 Gambar 10
Grafik hasil pengujian perbandingan Berikut adalah grafik perbandingan data PSO-NN dengan NN pada iterasi NN 30
aktual dengan hasil peramalan PSO-NN yang ditunjukkan pada Gambar 11. Berdasarkan Tabel 7, dapat dilihat bahwa dengan PSO, NN mampu mendapatkan hasil yang optimal hanya dengan 7 iterasi NN. Dengan jumlah iterasi tersebut, dalam 10 kali
run PSO-NN mampu mendapatkan rata-rata
MAPE sebesar 1.01552%. Sedangkan untuk NN, nilai MAPE terkecil baru bisa didapatkan pada saat iterasi NN 30. Rata-rata MAPE uji terkecil yang didapatkan NN pada iterasi 30 juga lebih besar dibandingkan dengan rata-rata
Gambar 11 Grafik hasil pengujian perbandingan data
MAPE uji PSO-NN. Hal ini membuktikan
aktual dengan hasil peramalan PSO-NN
bahwa PSO tidak hanya mampu mempercepat pelatihan NN, tetapi juga memberi akurasi yang Berdasarkan hasil pengujian yang lebih baik dibandingkan model NN biasa tanpa ditampilkan pada Tabel 8, dapat dilihat bahwa optimasi. bahwa terdapat kecenderungan nilai MAPE kecil ketika selisih antara nilai aktual suatu hari
3.8 Uji Coba Perbandingan Data Aktual
dengan hari sebelumnya kecil. Sedangkan disaat
dengan Hasil Peramalan
selisih nilai besar, maka nilai MAPE cenderung Pengujian perbandingan data aktual dengan meningkat. Hasil rata-rata MAPE pada hasil peramalan PSO-NN dilakukan dengan percobaan terhadap data uji mulai dari tanggal melakukan pengujian terhadap data uji. Pada
26 Maret 2016 hingga 31 Desember 2017 yang pengujian ini, pelatihan PSO-NN dilakukan berjumlah 656 data ini yaitu 1.011520%. dengan menggunakan jumlah input neuron 4, dan jumlah hidden layer 2. Berdasarkan
4. KESIMPULAN
pengujian yang telah dilakukan sebelumnya, Kesimpulan yang dapat diambil dari hasil nilai laju pembelajaran yang digunakan pada dan pembahasan perancangan dan implementasi pengujian ini yaitu 0.5, dengan jumlah iterasi 7. metode PSO-NN dalam meramal harga pasar
Untuk konfigurasi parameter PSO yang telur ayam ras di Kota Malang yaitu sebagai digunakan dalam uji coba ini dapat dilihat pada berikut. Tabel 6.
1. Untuk membangun sebuah sistem peramalan yang baik, diperlukan skema yang tersusun Berikut adalah tabel hasil pengujian dan terencana dengan baik. Skema atau perbandingan data aktual dengan hasil peramalan PSO-NN yang dapat dilihat pada tahapan untuk membuat sebuah sistem peramalan tersebut terdiri dari definisi Tabel 8. masalah, pengumpulan data, analisis data,
Tabel 8 Hasil pengujian perbandingan data aktual dengan
seleksi model, validasi model, implementasi
hasil peramalan PSO-NN Harga model, dan evaluasi model peramalan. Tanggal Nilai Hasil MAPE 2.
PSO-NN dapat digunakan sebagai metode
Aktual Peramalan
peramalan harga telur ayam ras di Kota
16 Maret 17500 17738 1.359038 Malang. Evaluasi kinerja peramalan yang 2016
digunakan untuk mengukur baik buruknya
17 Maret 17200 17531 1.921746 2016
peramalan yang dilakukan di penelitian ini yaitu MAPE. Nilai MAPE ini juga digunakan untuk mencari nilai fitness dari partikel PSO.
3. Berdasarkan pengujian yang telah dilakukan, metode PSO terbukti mampu mempercepat pelatihan NN untuk mendapatkan bobot akhir terbaik yang menghasilkan nilai MAPE pengujian terkecil. Nilai MAPE uji terkecil yang dihasilkan oleh metode PSO-NN dalam penelitian ini yaitu 1.01552%.
E. et al., 2010. Adaptive Normalization: A Novel Data Normalization Approach for Non- Stationary Time Series. International
Conferece on Emerging Trends in Engineering and Technology (ICETET),
pp. 606-611. Muzakkir, I., Syukur, A. & Dewi, I. N., 2014.
Peningkatan Akurasi Algoritma Backpropagation dengan Seleksi Fitur Particle Swarm Optimization dalam Prediksi Pelanggan Telekomunikasi.
Jurnal Pseudocode, Februari, 1(1), pp. 1- 10.
Odom, M. D. & Sharda, R., 1990. A Neural Network Model for Bankruptcy Prediction. International Joint Conference on Neural Networks, pp. 163-168.
Ogasawara,
Joint Conference on Neural Networks (IJCNN), pp. 1-8 .
Tourism Management, pp. 331-340.
Riad, S., Mania, J., Bouchaou, L. & Najjar, Y., 2004. Rainfall-Runoff Model Using an Artificial Neural Network Approach.
Mathematical and Computer Modelling, pp. 839-846.
Samuelson, P. A. & Nordhaus, W. D., 1998.
Economics. Boston: Mass: Irwin/McGraw-Hill.
Xuan, W., Jiake, L. V., Chaofu, W. & Deti, X., 2008. A Hybrid Partcile Swarm Optimization Neural Network Approach for Short Term Load Forecasting. 4th
International Conference on Wireless Communications, Networking and Mobile Computing, pp. 1-5.
Mishra, S. & Patra, S. K., 2008. Short Term Load Forecasting using Neural Network trained with Genetic Algorithm & Particle Swarm Optimization. First International
pp. 2879-2885. Law, R., 2000. Back-propagation learning in improving the accuracy of neural network- based tourism demand forecasting.
DAFTAR PUSTAKA
Inc..
Jakarta: Agromedia Pustaka. Adhikari, R. & Agrawal, R. K., 2011.
Effectiveness of PSO Based Neural Network for Seasonal Time Series Forecasting. Proceedings of the Fifth
Indian International Conference on Artificial Intelligence, pp. 231-244.
Fausayana, I. & Marzuki, M. A., 2016. Analisis Faktor-Faktor yang Mempengaruhi Permintaan Telur Ayam Ras di Kota Kendari dan Hubunganya dengan Keberdayaan Peternak. Jurnal Sosio Agribisnis, 1(1), pp. 32-46.
Fausett, L., 1994. Fundamentals of Neural
Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice Hall,
Abidin, Z., 2003. Meningkatkan Produktivitas Ayam Ras Petelur.
Congress on EvolutionaryComputation (CEC 2007),
Febrianto, N. & Putritamara, J. A., 2017.
Proyeksi elastisitas permintaan telur ayam ras di Malang Raya. Jurnal Ilmu-Ilmu
Peternakan 27, pp. 81-87.
Figoni, P., 2008. How Baking Works (Second
Edition). New Jersey: John Wiley & Sons, Inc..
Junyou, B., 2007. Stock Price forecasting using PSO-trained neural networks. IEEE
F., A. & Yanti, A., 2006. Analisis Permintaan Telur Ayam Ras Di Kota Padang. Jurnal Peternakan Indonesia, pp. 112-122.