Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi
Tanaman cabai adalah bumbu masakan yang saling melengkapi. Harga cabai selalu berfluktuasi. Tercatat dari 2012 hingga 2017, produksi tanaman cabai besar (ton) di setiap provinsi berfluktuasi. Pemerintah membutuhkan prediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia untuk meningkat...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Center for Research and Community Service, Institut Informatika Indonesia Surabaya
2019-06-01
|
| Series: | Teknika |
| Subjects: | |
| Online Access: | http://ejournal.ikado.ac.id/index.php/teknika/article/view/140 |
| _version_ | 1828929021266624512 |
|---|---|
| author | Devi Monika Abdullah Ahmad Sri Wardani Solikhun |
| author_facet | Devi Monika Abdullah Ahmad Sri Wardani Solikhun |
| author_sort | Devi Monika |
| collection | DOAJ |
| description | Tanaman cabai adalah bumbu masakan yang saling melengkapi. Harga cabai selalu berfluktuasi. Tercatat dari 2012 hingga 2017, produksi tanaman cabai besar (ton) di setiap provinsi berfluktuasi. Pemerintah membutuhkan prediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia untuk meningkatkan ketahanan pangan, terutama produksi cabai. Penelitian ini memberikan kontribusi kepada pemerintah untuk dapat memprediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia di masa depan. Data yang digunakan adalah data dari Badan Pusat Statistik melalui situs web www.bps.go.id. Data tersebut adalah data tentang ketersediaan tanaman cabai menurut provinsi di Indonesia dari 2012 hingga 2017. Algoritma yang digunakan dalam penelitian ini adalah Jaringan Syaraf Tiruan dengan metode Backpropogation. Variabel input yang digunakan adalah data 2012 (X1), data 2013 (X2), data 2014 (X3), dan data 2015 (X4) dengan 4 pelatihan arsitektur dan model pengujian, 4-2-1, 4-3-1, 4-4-1, dan 4-5-1. Data target diambil dari data 2016 (T). Output yang dihasilkan adalah pola terbaik dari arsitektur JST. Model arsitektur terbaik adalah 4-5-1 dengan zaman 670, MSE 0,010651, dan tingkat akurasi 99,97. |
| first_indexed | 2024-12-14T00:12:03Z |
| format | Article |
| id | doaj.art-bca1549ed90e4311a13b5bf6d75ad680 |
| institution | Directory Open Access Journal |
| issn | 2549-8037 2549-8045 |
| language | English |
| last_indexed | 2024-12-14T00:12:03Z |
| publishDate | 2019-06-01 |
| publisher | Center for Research and Community Service, Institut Informatika Indonesia Surabaya |
| record_format | Article |
| series | Teknika |
| spelling | doaj.art-bca1549ed90e4311a13b5bf6d75ad6802022-12-21T23:25:42ZengCenter for Research and Community Service, Institut Informatika Indonesia SurabayaTeknika2549-80372549-80452019-06-018110.34148/teknika.v8i1.140140Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan ProvinsiDevi Monika0Abdullah Ahmad1Sri Wardani2Solikhun3Program Studi Manajemen Informatika, AMIK Tunas BangsaProgram Studi Manajemen Informatika, AMIK Tunas BangsaProgram Studi Manajemen Informatika, AMIK Tunas BangsaProgram Studi Manajemen Informatika, AMIK Tunas BangsaTanaman cabai adalah bumbu masakan yang saling melengkapi. Harga cabai selalu berfluktuasi. Tercatat dari 2012 hingga 2017, produksi tanaman cabai besar (ton) di setiap provinsi berfluktuasi. Pemerintah membutuhkan prediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia untuk meningkatkan ketahanan pangan, terutama produksi cabai. Penelitian ini memberikan kontribusi kepada pemerintah untuk dapat memprediksi ketersediaan tanaman cabai berdasarkan provinsi di Indonesia di masa depan. Data yang digunakan adalah data dari Badan Pusat Statistik melalui situs web www.bps.go.id. Data tersebut adalah data tentang ketersediaan tanaman cabai menurut provinsi di Indonesia dari 2012 hingga 2017. Algoritma yang digunakan dalam penelitian ini adalah Jaringan Syaraf Tiruan dengan metode Backpropogation. Variabel input yang digunakan adalah data 2012 (X1), data 2013 (X2), data 2014 (X3), dan data 2015 (X4) dengan 4 pelatihan arsitektur dan model pengujian, 4-2-1, 4-3-1, 4-4-1, dan 4-5-1. Data target diambil dari data 2016 (T). Output yang dihasilkan adalah pola terbaik dari arsitektur JST. Model arsitektur terbaik adalah 4-5-1 dengan zaman 670, MSE 0,010651, dan tingkat akurasi 99,97.http://ejournal.ikado.ac.id/index.php/teknika/article/view/140BackpropogationJSTKetersediaan Tanaman CabaiPrediksi |
| spellingShingle | Devi Monika Abdullah Ahmad Sri Wardani Solikhun Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi Teknika Backpropogation JST Ketersediaan Tanaman Cabai Prediksi |
| title | Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi |
| title_full | Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi |
| title_fullStr | Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi |
| title_full_unstemmed | Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi |
| title_short | Model Jaringan Syaraf Tiruan Dalam Memprediksi Ketersediaan Cabai Berdasarkan Provinsi |
| title_sort | model jaringan syaraf tiruan dalam memprediksi ketersediaan cabai berdasarkan provinsi |
| topic | Backpropogation JST Ketersediaan Tanaman Cabai Prediksi |
| url | http://ejournal.ikado.ac.id/index.php/teknika/article/view/140 |
| work_keys_str_mv | AT devimonika modeljaringansyaraftiruandalammemprediksiketersediaancabaiberdasarkanprovinsi AT abdullahahmad modeljaringansyaraftiruandalammemprediksiketersediaancabaiberdasarkanprovinsi AT sriwardani modeljaringansyaraftiruandalammemprediksiketersediaancabaiberdasarkanprovinsi AT solikhun modeljaringansyaraftiruandalammemprediksiketersediaancabaiberdasarkanprovinsi |