KOMBINASI JARINGAN SARAF TIRUAN DAN PARTICLE SWARM OPTIMIZATION PREDIKSI JUMLAH PRODUKSI AIR PDAM

 By : Arif Agustyawa, Tri Ginanjar Laksana, Ummy Athiyah 

Seiring dengan meningkatnya laju pertumbuhan penduduk, kebutuhan air bersih juga meningkat sesuai kebutuhan. Di Indonesia, Perusahaan Daerah Air Minum (PDAM) merupakan lembaga yang mengatur dan mengelola pengadaan air bersih bagi masyarakat. Jadi jumlah air yang diproduksi dan disalurkan sebaiknya disesuaikan dengan permintaan air. Prediksi terhadap produksi air PDAM perlu dilakukan sebagai perencanaan maupun persiapan yang lebih baik, serta memudahkan dan membantu dalam pengambilan keputusan. Penelitian ini menggunakan algoritma Jaringan Saraf Tiruan (JST) backpropagation yang dikombinasikan dengan Particle Swarm Optimization (PSO) untuk memprediksi jumlah air yang harus diproduksi oleh PDAM. JST backpropagation memiliki kemampuan yang baik dalam melakukan prediksi terhadap data time series seperti jumlah produksi air PDAM dari bulan ke bulan. JST backpropagation memiliki kelemahan yaitu permasalahan lokal minimum yang dapat menyebabkan jaringan saraf tiruan terjebak pada minimum lokal, hal ini dipengaruhi oleh penentuan bobot yang tidak optimal dalam jaringan saraf tiruan. Pada penelitian ini, algoritma PSO memiliki peran dalam mengoptimalkan nilai minimum error pada jaringan untuk mendapatkan bobot yang optimal. Data yang digunakan dalam penelitian ini yaitu data neraca air di PDAM Tirta Satria Banyumas selama dua tahun yaitu 2018 dan 2019. Berdasarkan model arsitektur terbaik yang digunakan pada penelitian ini, yaitu (2 x 1 x 1) dengan learning rate 0,6, swarm size 75, termination criteria 100, dan acceleration constants C1 = C2 = 2 didapatkan nilai MSE pada proses pelatihan dan pengujian sebesar 0,00179 dan 0,00081. Sehingga dapat dikatakan bahwa kombinasi JST backpropagation dan PSO dapat meningkatkan akurasi prediksi dan mampu menghasilkan bobot optimum, dilihat dari nilai MSE yang dihasilkan metode kombinasi JST backpropagation dan PSO.

Kata kunci:Produksi Air PDAM, Backpropagation, Jaringan Saraf Tiruan, Particle Swarm Optimization, Prediksi.

Kesimpulan

Berdasarkan hasil dan analisis pada Bab IV, terdapat beberapa kesimpulan yang diperoleh dari penelitian tugas akhir ini, yaitu sebagai berikut:

1. Cara mengatasi kelemahan pada JST backpropagation (BP) untuk prediksi produksi air PDAM dapat dilakukan melalui penerapan algoritma Particle Swarm Optimization (PSO) pada penentuan bobot yang akan digunakan pada JST backpropagation. Hal ini dibuktikan dengan nilai error (kesalahan) yang lebih kecil yang diukur dengan MSE, dari proses pelatihan dan pengujian model kombinasi JST backpropagation dan (PSO) yaitu 0,00179 pada proses pelatihan dan 0,00081 pada proses pengujian. Sedangkan nilai MSE pada proses pelatihan dan pengujian metode JST backpropagation secara berturutturut sebesar 0,00269 dan 0,00268.

2. Nilai akurasi yang diukur dengan menggunakan MSE dari model kombinasi JST backpropagation dan Particle Swarm Optimization (PSO) 0,00179 pada proses pelatihan dan pada proses pengujian sebesar 0,00081 dengan menggunakan arsitektur model terbaik yang telah ditentukan dengan percobaan parameter JST backpropagation dan analisis sensitivitas pada parameter PSO.

Saran

Berdasarkan hasil penelitian dan kesimpulan yang telah dipaparkan di atas, saran yang dapat diajukan dalam penelitian tugas akhir ini antara lain:

1. Pada penelitian ini didapat koefisien determinasi dari uji variabel sebesar 96,5% sehingga saran percobaan yang dapat dilakukan pada penelitian selanjutnya yaitu dengan menambahkan atribut lain berupa kehilangan air yang terdiri dari kehilangan air secara fisik, kehilangan air non fisik, kehilangan air pada pipa transmisi, kehilangan air produksi, dan kehilangan air pada pipa distribusi untuk melihat pengaruh variabel dependen terhadap variabel independen.

2. Pada metode JST backpropagation sebaiknya menggunakan GPU Programming sehingga bisa melakukan training data secara bersamaan. Hal ini berpengaruh pada proses pendistribusian data oleh JST, yaitu distributed and parallel processing.

3. Saran pada penelitian selanjutnya, yaitu melakukan penelitian dengan mengimplementasikan kombinasi JST backpropagation dan PSO pada dataset lain.