ANALYSIS OF THE BACKPROPAGATION ALGORITHM IN PREDICTING WATER VOLUME OF PDAM TIRTAULI PEMATANG SIANTAR CITY

Saputra Ramadani, Anjar Wanto, M. Safii

Abstract


Abstract: Increasing living standards cause an increase in the need for drinking water. However, current water supply estimates are still not optimal, with water production sometimes being more or less than requirements. To estimate the amount of water, an appropriate method is needed. The method used in this research is the back propagation algorithm artificial neural network method. When developing forecasts, past data is necessary to produce accurate results. This research aims to develop a predictive model that can estimate the volume of water that will be used by PDAM Tirtauli in the future. It is hoped that this predictive model can help PDAMs in planning more efficient water supply management and can reduce the potential for water supply shortages in the future. This research uses water distribution data for the 2015-2022 period. Training data starts in 2015-2021, testing data starts in 2016-2022. In this research, results were obtained using the Matlab R2011a application. In this research, the 5 architectures used are architecture 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Based on these five architectures, the best architecture was obtained, namely architecture 6-87-1 with a root mean square error test value of 0.00010031 and an accuracy of 92%. The results achieved in 2023 are the total water volume of PDAM Tirtauli Pematangsiantar of 189,610,426.

                                                                                           
Keywords: backpropagation; distribution; PDAM; prediction; water 

 

Abstrak: Meningkatnya taraf hidup menyebabkan meningkatnya kebutuhan akan air minum. Namun, perkiraan pasokan air saat ini masih belum optimal, dengan produksi air kadang-kadang lebih atau kurang dari kebutuhan. Untuk memperkirakan jumlah air diperlukan suatu metode yang sesuai. Metode yang digunakan dalam penelitian ini adalah metode jaringan syaraf tiruan algoritma back propagation. Saat mengembangkan perkiraan, data masa lalu diperlukan untuk menghasilkan hasil yang akurat. Penelitian ini bertujuan untuk mengembangkan model prediktif yang dapat memperkirakan volume air yang akan digunakan oleh PDAM Tirtauli di masa mendatang. Model prediktif ini diharapkan dapat membantu PDAM dalam perencanaan pengelolaan pasokan air yang lebih efisien dan dapat mengurangi potensi kekurangan pasokan air pada masa yang akan datang. Penelitian ini menggunakan data sebaran air periode 2015-2022. Data pelatihan dimulai pada tahun 2015-2021, data pengujian dimulai pada tahun 2016-2022. Pada penelitian ini diperoleh hasil dengan menggunakan aplikasi Matlab R2011a. Pada penelitian ini 5 arsitektur yang digunakan adalah arsitektur 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Berdasarkan kelima arsitektur tersebut diperoleh arsitektur terbaik yaitu arsitektur 6-87-1 dengan nilai uji root mean square error sebesar 0,00010031 dan mendapatkan akurasi sebesar 92%. Hasil yang dicapai pada tahun 2023 adalah total volume air PDAM Tirtauli Pematangsiantar sebesar 189.610.426.

 

Kata Kunci: air; backpropagation; distribusi; PDAM; prediksi 


Full Text:

PDF

References


M. Adi and P. Hutabarat, “Penerapan Algoritma Backpro pagation Dalam Memprediksi Jumlah Penduduk di Kecamatan Pematang Bandar Berdasarkan Nagori / Kelurahan,” J. Inf. Syst. Res., vol. 1, no. 2, pp. 63–69, 2020.

N. Afrida, S. Ramadani, I. Ambarita, and H. D. A. N. Pembahasan, “Prediksi Pemakaian Air Menggunakan Metode Backpropagation,” J. BIMASATI, vol. 1, no. 3, pp. 105–110, 2022.

D. Agustina, M. Hafiyusholeh, A. Fanani, and D. Prasetijo, “Prediksi Distribusi Air Perusahaan Daerah Air Minum ( PDAM ) Tirta Dharma Kota Pasuruan Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” J. Ilm. Sist. Informasi, Teknol. Inf. dan Sist. Komput. P-ISSN, vol. 18, no. 1, pp. 8–16, 2023.

Ekojono, Y. Yunshasnawa, and D. Mardhika, “Implementasi Metode Backpropagation pada Prediksi Pemakaian Air Perbulan,” pp. 137–142, 2019.

B. Fachri, A. P. Windarto, and I. Parinduri, “Penerapan Backpropa gation dan Analisis Sensitivitas pada Prediksi Indikator Terpenting Perusahaan Listrik,” J. Edukasi dan Penelit. Inform., vol. 5, no. 2, p. 202, 2019, doi: 10.26418/jp .v5i2.31650.

Y. Franciska, H. Hayadi, And A. Setiawan, “Jaringan Syaraf Tiruan Untuk Memprediksi Penyakit Campak Menggunakan Algoritma Backpropagation,” J. Ict Apl. Syst., Vol. 1, Pp. 43–46, 2022.

M. P. Sianipar and H. S. Tambunan, “Implementasi Jaring an Syaraf Tiruan Backpropagation Untuk Memprediksi Jumlah Pemasangan Instalasi Air Pada PDAM Tirtauli Pematangsiantar,” J. Terap. Inform. Nusant., vol. 1, no. 9, pp. 489–498, 2021.

F. Rahmadani and A. M. H. Pardede, “Jaringan Syaraf Tiruan Prediksi Jumlah Pengirimanbarang Menggunakan Metode Backp ropagation ( Studi Kasus : Kantor Pos Binjai ),” Vol. 5, No. 1, 2021.

I. I. Ridho, A. Agung, G. Bagus, and A. P. Windarto, “Optimasi Fungsi Pembelajaran Jaringan Saraf Tiruan dalam Meningkatkan Akurasi pada Prediksi Ekspor Kopi Menurut Negara Tujuan Utama,” J. BITS, vol. 4, no. 4, 2023, doi: 10.47065/bits.v4i 4.3240.

A. Wanto, “Analisis Prediksi Indeks Harga Konsumen Berdas arkan Kelompok Kesehatan Deng an Menggunakan Metode Backpro pagation,” vol. 2, pp. 37–44, 2019.

R. S. Rosaamalia,Tiara.Santoso, “Penerapan algoritma backpropa gation dan optimasi conjugate gradient untuk klasifikasi hasil tes laboratorium,” J. GAUSSIAN, vol. 11, pp. 506–511, 2023, doi: 10.14710/j.gauss.11.4.506-511.

I. I. Ridho, C. F. Ramadhani, and A. P. Windarto, “Penerapan Artificial Neural Network dengan Metode Backpropagation Dalam Memprediksi Harga Saham ( Kasus : PT . Bank BCA , Tbk ),” J. Ris. Sist. Inf. Dan Tek. Inform., vol. 8, pp. 295–303, 2023.

A. Ikhwan, R. A. Putri, and M. Badri, “Implementasi Algoritma Backpropagation Neural Networks Untuk Memprediksi Hasil Kinerja Dosen,” vol. 4, no. 2, pp. 410–417, 2023, doi: 10.47065/josh.v4i2.2685.

P. I. Sijabat, G. W. Nurcahyo, and A. Sindar, “Algoritma Backpropagation Prediksi Harga Komoditi terhadap Karakteristik Konsumen Produk Kopi Lokal Nasional,” J. Teknol. Inf. dan Digit. Zo., vol. x, no. x, pp. 96–107, 2020.

M. A. Al Ghifari, A. Panji Sasmito, and D. Rudhistiar, “Aplikasi Pendeteksian Kematangan Tomat Menggunakan Thresholding,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 1, pp. 294–300, 2022, doi: 10.36040/jati.v6i1.4606.

I. Permana and S. Febi, “Pengaruh Normalisasi Data Terhadap Performa Hasil Klasifikasi Algoritma Backpropagation,” Indones. J. Inform. Res. Softw. Eng., vol. 2, no. 1, pp. 67–72, 2022.




DOI: https://doi.org/10.33330/jurteksi.v10i2.2893

Article Metrics

Abstract view : 56 times
PDF - 24 times

Refbacks

  • There are currently no refbacks.


Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK ROYAL 

Copyright © LPPM STMIK ROYAL

 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.