Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation

Penulis

DOI:

https://doi.org/10.25077/TEKNOSI.v6i2.2020.100-107

Kata Kunci:

prediksi produksi padi, neural network, backpropagation, akurasi

Abstrak

Prediksi produksi padi menjadi penting dilakukan untuk menunjang pembangunan nasional sektor pertanian pada suatu negara atau wilayah. Artificial Neural Network (ANN) termasuk metode yang terbaik dalam melakukan prediksi. 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 padi menggunakan ANN dengan algortima backpropagation. Tahapan penelitian yang dilakukan adalah mengumpulkan data produksi padi, 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. Hasil pengujian sistem prediksi produksi padi yang terdiri dari 75 kali pengujian pada di 19 daerah di Sumatera Barat, diperoleh tingkat akurasi mencapai 88,14% atau dengan tingkat error yang relatif rendah yaitu 11,86%.

Biografi Penulis

Hasdi Putra, Jurusan Sistem Informasi, Universitas Andalas

Scopus ID  : 57196020692

Referensi

[1] H. Sutanta, A. R. Gunawan, and Y. Wibisono, “Calculation of rice field embankment coefficient using high-resolution satellite imagery,†IOP Conf. Ser. Earth Environ. Sci., vol. 500, p. 012049, Jul. 2020. [2] 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. [3] M. Al-Amin, D. Z. Karim, and T. A. Bushra, “Prediction of rice disease from leaves using deep convolution neural network towards a digital agricultural system,†2019 22nd International Conference on Computer and Information Technology, ICCIT 2019. 2019. [4] D. Shah, H. Isah, and F. Zulkernine, “Stock market analysis: A review and taxonomy of prediction techniques,†Int. J. Financ. Stud., vol. 7, no. 2, 2019. [5] 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. [6] 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. [7] S. García, J. Derrac, J. R. Cano, and F. Herrera, “Prototype selection for nearest neighbor classification: Taxonomy and empirical study,†IEEE Trans. Pattern Anal. Mach. Intell., vol. 34, no. 3, pp. 417–435, 2012. [8] 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. [9] N. A. Almansour et al., “Neural network and support vector machine for the prediction of chronic kidney disease: A comparative study,†Comput. Biol. Med., vol. 109, no. October 2018, pp. 101–111, 2019. [10] 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. [11] J. Fei and C. Lu, Adaptive Sliding Mode Control of Dynamic Systems Using Double Loop Recurrent Neural Network Structure, vol. 29, no. 4. 2018. [12] B. Das, B. Nair, V. K. Reddy, and P. Venkatesh, “Evaluation of multiple linear, neural network and penalised regression models for prediction of rice yield based on weather parameters for west coast of India,†Int. J. Biometeorol., vol. 62, no. 10, pp. 1809–1822, 2018. [13] 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. [14] H. Elarabi, “Comparison of Different Methods of Application of Neural Network on Soil Profile of Khartoum State,†Int. J. Sci. Technol. Soc., vol. 2, no. 3, p. 59, 2014. [15] 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. [16] O. Krestinskaya, K. N. Salama, and A. P. James, “Learning in memristive neural network architectures using analog backpropagation circuits,†IEEE Trans. Circuits Syst. I Regul. Pap., vol. 66, no. 2, pp. 719–732, 2019. [17] G. Amaral et al., Modern Database Management, vol. 369, no. 1. 2013. [18] Laurene V. Fausett, Fundamentals Of Neural Networks: Architectures, Algorithms And Applications, no. 888. 2007. [19] 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. [20] 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. [21] 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. [22] 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. [23] 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. [24] 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. [25] 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. [26] 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. [27] F. S. Panchal and M. Panchal, “Review on Methods of Selecting Number of Hidden Nodes in Artificial Neural Network,†Int. J. Comput. Sci. Mob. Comput., vol. 311, no. 11, pp. 455–464, 2014. [28] V. T. Widyaningrum and A. S. Romadhon, “Pengaruh Pemberian Momentum Pada,†Semin. Nas. Sains dan Teknol. 2014, no. November, 2014. [29] V. Prema and K. Uma Rao, “Interactive Graphical User Interface (GUI) for Wind Speed Prediction Using Wavelet and Artificial Neural Network,†J. Inst. Eng. Ser. B, vol. 99, no. 5, pp. 467–477, 2018. [30] A. Rohani, M. H. Abbaspour-Fard, and S. Abdolahpour, “Prediction of tractor repair and maintenance costs using Artificial Neural Network,†Expert Syst. Appl., vol. 38, no. 7, pp. 8999–9007, 2011. [31] 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. [32] 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. [33] 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.

Unduhan

Telah diserahkan

15-07-2020

Diterima

02-09-2020

Diterbitkan

05-09-2020

Cara Mengutip

[1]
H. Putra dan N. Ulfa Walmi, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation”, TEKNOSI, vol. 6, no. 2, hlm. 100–107, Sep 2020.

Terbitan

Vol 6 No 2 (2020): Agustus 2020

Bagian

Articles

Lisensi

Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.

Kami menyatakan bahwa:

  1. Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
  2. Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
  3. Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.

 Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.

Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.

Hak / Syarat dan Ketentuan yang dipertahankan :

  1. Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
  2. Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya  ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
  3. Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.

Artikel Serupa

> >> 

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.