Penerapan Artificial Neural Network Algoritma Backpropagation Pada Prediksi Produksi Jagung
Article Sidebar
Main Article Content
Abstract
Prediksi produksi jagung menjadi penting dilakukan untuk menunjang pembangunan nasional sektor pertanian pada suatu negara atau wilayah. Untuk efektifitas perencanaan
pembangunan sektor pertanian, akurasi dari prediksi produksi
jagung menjadi semakin krusial. Artificial Neural Network (ANN) termasuk metode yang terbaik dalam melakukan prediksi. Artificial Neural Network (ANN) atau Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi dengan suatu karakteristik menyerupai sistem saraf pada manusia yang dapat memecahkan masalah SVM dan KNN dengan melakukan training data yang besar dan ANN memiliki kemamuan untuk mentoleransi kesalahan sehingga dapat menghasilkan prediksi yang baik Masalah utamanya adalah bagaimana menentukan jumlah neuron dan hidden layer yang optimal sehingga akurasi prediksinya tinggi. Artikel ini bertujuan untuk merancang arsitektu ANN unutk melakukan prediksi terhadap produksi jagung menggunakan ANN dengan algortima backpropagation. Tahapan penelitian yang dilakukan adalah mengumpulkan data produksi jagung, melakukan pre-processing data, memproses prediksi, dan pengujian akurasi dan error serta implementasi. Dalam memproses prediksi dilakukan sesuai dengan rancangan model prediksi, yaitu parameter epoch, momentum, learning rate, hidden layer untuk menghasilkan keakuratan yang tinggi. Temuan yang diperolah berupa rancangan optimal untuk melakukan prediksi yaitu dengan menggunakan multilayer.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
References
Badan Pusat Statistik, “Luas Panen dan Produksi Padi di Indonesia 2019 Hasil Survey Kerangka Sampel Area (KSA),” 2020. [Online]. Available: https://www.bps.go.id/website/materi_ind/materiBrsInd
-20200204112508.pdf.
H. Putra, N. U. Walmi, and A. D. Kartika, “Data Mining Approach For Prediction Of Rice Production Using Backpropagation Artificial Neural Network Method,” in The International Conference on ASEAN 2019, 2019, pp. 321–326.
N. R. Dzakiyullah, B. Hussin, C. Saleh, and A. M. Handani, “Comparison neural network and support vector machine for production quantity prediction,” Adv. Sci. Lett., vol. 20, no. 10–12, pp. 2129–2133, 2014.
G. F. Fan, Y. H. Guo, J. M. Zheng, and W. C. Hong, “Application of the weighted k-nearest neighbor algorithm for short-term load forecasting,” Energies, vol. 12, no. 5, 2019.
S. M. Gorade and P. A. Deo, “A Study Some Data Mining Classification Techniques,” Int. J. Mod. Trends Eng. Res., vol. 4, no. 1, pp. 210–215, 2017.
L. Wang, Y. Zeng, and T. Chen, “Back propagation neural network with adaptive differential evolution algorithm for time series forecasting,” Expert Syst. Appl., vol. 42, no. 2, pp. 855–863, 2015.
N. A. Hamid, N. M. Nawi, R. Ghazali, and M. N. M. Salleh, “Accelerating learning performance of back propagation algorithm by using adaptive gain together with adaptive momentum and adaptive learning rate on classification problems,” Int. J. Softw. Eng. its Appl., vol. 5, no. 4, pp. 31–44, 2011.
G. Amaral et al., Modern Database Management, vol. 369, no. 1. 2013.
Laurene V. Fausett, Fundamentals Of Neural Networks: Architectures, Algorithms And Applications, no. 888. 2007.
O. M. Rezapour, L. T. Shui, and A. A. Dehghani, “Review of genetic algorithm model for suspended sediment estimation,” Aust. J. Basic Appl. Sci., vol. 4, no. 8, pp. 3354–3359, 2010.
P. C. Chang, Y. W. Wang, and C. H. Liu, “The development of a weighted evolving fuzzy neural network for PCB sales forecasting,” Expert Syst. Appl., vol. 32, no. 1, pp. 86–96, 2007.
P. K. Sethy, N. K. Barpanda, A. K. Rath, and S. K. Behera, “Nitrogen Deficiency Prediction of Rice Crop Based on Convolutional Neural Network,” J. Ambient Intell. Humaniz. Comput., no. 0123456789, 2020.
A. Wanto, A. P. Windarto, D. Hartama, and I. Parlina, “Use of Binary Sigmoid Function And Linear Identity In Artificial Neural Networks For Forecasting Population Density,” IJISTECH (International J. Inf. Syst. Technol., vol. 1, no. 1, p. 43, 2017.
I. N. da Silva, D. H. Spatti, R. A. Flauzino, L. H. B. Liboni, and S. F. dos Reis Alves, “Artificial neural networks: A practical course,” Artif. Neural Networks A Pract. Course, pp. 1–307, 2016.
G. Deshpande, P. Wang, D. Rangaprakash, and B. Wilamowski, “Fully connected cascade artificial neural network architecture for attention deficit hyperactivity disorder classification from functional magnetic resonance imaging data,” IEEE Trans. Cybern., vol. 45, no. 12, pp. 2668–2679, 2015.
R. B. Santos, M. Rupp, S. J. Bonzi, and A. M. F. Fileti, “Comparison between multilayer feedforward neural networks and a radial basis function network to detect and locate leaks in pipelines transporting gas,” Chem. Eng. Trans., vol. 32, pp. 1375–1380, 2013.
A. A. Heidari, H. Faris, I. Aljarah, and S. Mirjalili,
“An efficient hybrid multilayer perceptron neural network with grasshopper optimization,” Soft Comput., vol. 23, no. 17, pp. 7941–7958, 2019.
E. Lee, Y. D. Seo, and Y. G. Kim, “Self-adaptive
framework based on MAPE loop for internet of things,”
Sensors (Switzerland), vol. 19, no. 13, pp. 1–24, 2019.
Z. CÖMERT and A. KOCAMAZ, “A Study of Artificial
Neural Network Training Algorithms for Classification
of Cardiotocography Signals,” Bitlis Eren Univ. J. Sci.
Technol., vol. 7, no. 2, pp. 93–103, 2017
G. Ramadhona, B. D. Setiawan, and F. A. Bachtiar, “Prediksi Produktivitas Padi Menggunakan Jaringan Syaraf Tiruan Backpropagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 12, pp. 6048–6057, 2018.