Prediksi Distribusi Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Di PDAM Kota Malang
DOI:
https://doi.org/10.25126/jtiik.201632155Abstrak
Abstrak
Distribusi air PDAM merupakan nilai volume air yang disalurkan ke pelanggan PDAM. Faktor yang mempengaruhi distribusi air PDAM diantanya adalah jumlah kehilangan air dan jumlah air yang terjual. Paper ini mengimplementasikan jaringan syaraf tiruan backpropagation untuk memprediksi jumlah dari distribusi air perbulan berdasarkan jumlah kehilangan air dan jumlah air yang terjual. Pada tahap pelatihan dilakukan pengujian untuk mendapatkan iterasi, learning rate, data latih dan data uji, jumlah node pada lapisan tersembunyi, dan minimum error yang optimal. Hasil pelatihan didapatkan iterasi optimal sebanyak 2000, learning rate yang optimal 0.1, data latih dan data uji yang optimal sebanyak 80 untuk data latih dan 11 untuk data uji, jumlah node pada lapisan tersembunyi sebanyak 5, sedangkan minimum error adalah 0.00001. Dari hasil pengujian menggunakan parameter optimal tersebut didapatkan akurasi terbaik sebesar 97,99%.
Kata kunci: prediksi, distribusi air, PDAM, backpropagation, jumlah kehilangan air, jumlah air terjual
Abstract
PDAM water distribution is the value of the volume of water delivered to the customer taps. Factors affecting the distribution of water are amount of water loss and amount of water sold. This paper implements of the use of backpropagation neural network to predict the amount of water distribution per month based on mentioned factors above. The learning phase is done to get the optimum number of iterations, learning rate, training data and test data, hidden node, and minimum error. The testing result shows the optimum number of iteration is 2,000, the optimum value of learning rate is 0.1, the optimum training data and test data as much as 80 for training data and 11 for the test data, the number of hidden node is 5, whereas the minimum error obtained is 0.00001. The results of testing by using these optimum parameter give the best accuracy of 97.99%.
Keywords: prediction, water distribution, PDAM, backpropagation, water loss, water sold
Downloads
Referensi
DURAIRAJ, M., REVATHI, V. 2015. Prediction Of Heart Disease Using Back Propagation MLP Algorithm. International Journal Of Scientific & Technology Research, 4, 235-239.
IRAWAN, A. F. 2015. Implementasi Metode Jaringan Syaraf Tiruan Backpropagation pada Peramalan Kebutuhan Air PDAM Kota Malang. Skripsi, Universitas Brawijaya.
LECUN, Y. 1998. Efficient BackProp. Neural Networks: tricks of the trade. Springer.
NIKMAH, NANIK ULFATUN. 2014. Prediksi Kebutuhan Air PDAM Berdasarkan Jumlah Pelanggan Menggunakan Al-Alaoui Backpropagation. Skripsi, Universitas Brawijaya.
PRAMONOAJI, Y. T., SANTOSA, S., & PRAMUNENDAR, R. A. 2013. Prediksi Produksi Air PDAM dengan Jaringan Syaraf Tiruan. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2013, Semarang, 402-408.
RENE, E., R. 2006. Back-propagation neural network for performance prediction in trickling bed air biofilter. International Journal of Environment and Pollution, 28(3/4), 381-401.
SINGH, S., GILL, J. 2014. Temporal Weather Prediction using Back Propagation based Genetic Algorithm Technique. I.J. Intelligent Systems and Applications, 55-61.
SOARES, F., M., SOUZA, A., M., F. 2016. Neural Network Programming with Java. Packt Publishing Ltd, Mumbai.
VAMSIDHAR, E. 2010. Prediction of Rainfall Using Backpropagation Neural Network Model. International Journal on Computer Science and Engineering. 2(4), 1119-1121.
YOHANNES, E., MAHMUDY, W. F., & RAHMI, A. 2015. Penentuan Upah Minimum Kota Berdasarkan Tingkat Inflasi Menggunakan Backpropagation Neural Network (BPNN). Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), 2(1), 34-40.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Artikel ini berlisensi Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
Penulis yang menerbitkan di jurnal ini menyetujui ketentuan berikut:
- Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Common Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
- Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
- Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).