Prediksi Harga Lada Dengan Menggunakan Neural Network Berbasis Particle Swarm Optimization
Article Sidebar
Published
Dec 19, 2018
Main Article Content
Abstract
Lada merupakan salah satu jenis tanaman perkebunan yang berperan penting dalamperekonomian negara Indonesia. Selain sebagai penyedia lapangan pekerjaan, sumberpendapatan dan devisa negara, lada juga berperan dalam mendorong pengembanganwilayah dan pengembangan agro-industri. Produksi Lada Indonesia yang digunakanuntuk ekspor lebih besar dibandingkan yang digunakan untuk konsumsi dalam negeri.Beberapa penelitian telah dilakukan dalam memprediksi harga komoditi lada denganbeberapa metode yang telah dilakukan oleh peneliti sebelumnya. Dalam penelitian ini,metode yang digunakan adalah Neural Network dengan tingkat nilai error yangcukup rendah. Salah satu kelemahan dari metode Neural Network adalah harus menyimpandalam jumlah dan karakteristik yang sangat besar pada data training. Untuk menentukan model terbaik dari setiap periode sebelumnya di perlukan optimasi bobot dari setiap variabeldata training yang relevan. Dari hasil penelitian diperoleh model terbaik pada backpropagation neural network dengan parameter untuk training cycle 900, learning rate 0.2 dan momentum 0.2, serta neuron size 2 sedangkan pada particle swarm optimization nilai population size 15, nilai max.of generation 55, nilai inertia weight 1.0, nilai local best weight 1.0 dan nilai global best weight 1.0menghasilkan nilai RMSE yang lebih baik yaitu 0.084 dibandingkan dengan hanya menggunaka BPNN saja yaitu 0.096. Hal ini membuktikan bahwa dengan metode PSO mampu memberikan hasil yang lebih baik
Downloads
Download data is not yet available.
Article Details
Section
Articles
References
[1] BPS. 2002. Statistik Perdagangan Luar Negeri : Ekspor Volume I. Biro Pusat Statistik. Jakarta.
[2] International Pepper Community. 2005. Pepper Statistic Year Book 2002. IPC, Jakarta. p. 21−34.
[3] Dirjenbun. 2002. Statistik Perkebunan Indonesia 2000-2002 : Lada Pepper. Direktorat Jenderal Bina Produksi Perkebunan. Departemen PertanianJakarta. 32 hal
[4] I. Lael dan P. Melin, “Time Series Forecasting of Tomato Prices and Processing in Parallel in Mexico Using Modular Neural Networks,” Springer-Verlag Berlin Heidelberg, vol. 208, no. StudFuzz, pp. 385-402, 2007.
[5] M. H. Meinanda, M. Annisa, N. Muhandri dan K. Suryadi, “Prediksi Masa Studi Sarjana dengan Artficial Neural Network,” Internetworking Indonesia Journal, vol. 1, no. 2, pp. 31-35, 2009.
[6] DP. Budi Bambang, R. J. Widodo, Iftikar Z. Sutalaksana dan Moses L. Singgih, “Teknik Jaringan Saraf Tiruan Feedforward untuk Prediksi Harga Sahan pada Pasar Modal Indonesia,” Jurnal Informatika, vol. 1, no. 1, pp. 11-22, 1999.
[7] F. J. Simanungkalit, L. Sutiarso dan D. Purwadi, “Sistem Pendukung Keputusan Berbasis Jaringan Saraf Tiruan untuk Peramalan Harga Komoditas Tanaman Pangan,” Agritech, vol. 33, no. 1, p. 1, Februari 2013.
[8] Y. H. Zweiri, J. F. Whidborne dan L. D. Sceviratne, “A three-term backpropagation algorithm,” Neurocomputing, vol. 50, pp. 305-318, 2003.
[9] H. N. A. Hamed, “Particle Swarm Optimization For Neural Network Learning Enhancement,” Malaysia, 2006.
[10] J. S. Raharjo, “Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Laju Inflesi,” Jurnal Sistem Komputer, vol. 3, no. 1, pp. 10-21, 2013.
[11] T. S. Park, J. H. Lee dan B. Choi, “Optimization For Artificial Neural Network With Adaptive inertial weight of particle swarm optimization,” 2009 8th IEEE International Conference on Cognitive Informatics, pp. 481-485, Jun 2009.
[12] I. Arieshanti dan Y. Purwananto, “Model Prediksi Kebangkrutan Berbasis Neural Network dan Particle Swarm Optimization,” Juti, vol. 9, no. 1, pp. 29-34, 2011.
[13] F. Pakaja, A. Naba dan Purwanto. , “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor,” Jurnal EECCIS, vol. Vol.6, no. 1, pp. 23-28, 2012.
[14] K. Ramanda, “Peningkatan Kinerja Algoritma Neural Network Berbasis Particle Swarm Optimization untuk Memprediksi Kelahiran Prematur,” dalam Seminar Nasional Inovasi dan Tren (SNIT), Jakarta, 2015.
[15] Muis Nanja, Purwanto,“Metode K-Nearest Neighbor Berbasis Forward Selection untuk Prediksi Harga Komoditi Lada”,Jurnal Pseudocode, Volume 2 Nomor 1, Februari 2015, ISSN 2355 – 5920
[16] Purwanto, C. Eswaran and logeswaran, R-2011, Improved Adaptive Neuro Fuzzy Inference System for HIV/AIDS time series prediction, A. Abd. Manaf et.al. (Eds) : ICIEIS 2011, Part III, CCIS 253, PP. H3
[17] E.D. Astuti, “Pengantar Jaringan Saraf Tiruan,” Wonosobo, 2009.
[18] A. Shukla, R. Tiwari dan R. Kala, “Real Life Application of Soft Computing,” CRC Press, 2010.
[19] I. Muzakkir, A. Syukur dan I. N. Dewi, “Peningkatan Akurasi Algoritma Backpropagation dengan Seleksi Fitur Particle Swarm Optimization dalam Prediksi Pelanggan Telekomunikasi yang Hilang,” Jurnal Pseudocode, vol. 1, no. Nomor 1, pp. 2355-5920, 2014.
[20] T. S. Park, J. H. Lee dan B. Choi, “Optimization For Artificial Neural Network With Adaptive inertial weight of particle swarm optimization,” 2009 8th IEEE International Conference on Cognitive Informatics, pp. 481-485, Jun 2009.
[21] A. Salappa, M. Doumpos dan C. Zopoudinis, “Feature Selection Algorithms in Classification Problems,” An Experimental Evaluation. Systems Analysis, Optimization and Data Mining in Biomedicine, 2007.
[22] J. Kennedy dan R. Eberhart, “Swarm Intelligence,” CA: Morgan Kaufmann Publisher, Inc, San Francisco, 2001.
[23] R. Eberhart dan Y. Shi, “Particle Swarm Optimization : Development, Application and Resources,” USA : Purdue School of Enginering and Technology, Indiana Polis, 2001.
[24] J.S. Raharjo, “Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Laju Inflasi,” Jurnal Sistem Komputer, Vol. 3, no. 1, pp. 10-12, 2013
[2] International Pepper Community. 2005. Pepper Statistic Year Book 2002. IPC, Jakarta. p. 21−34.
[3] Dirjenbun. 2002. Statistik Perkebunan Indonesia 2000-2002 : Lada Pepper. Direktorat Jenderal Bina Produksi Perkebunan. Departemen PertanianJakarta. 32 hal
[4] I. Lael dan P. Melin, “Time Series Forecasting of Tomato Prices and Processing in Parallel in Mexico Using Modular Neural Networks,” Springer-Verlag Berlin Heidelberg, vol. 208, no. StudFuzz, pp. 385-402, 2007.
[5] M. H. Meinanda, M. Annisa, N. Muhandri dan K. Suryadi, “Prediksi Masa Studi Sarjana dengan Artficial Neural Network,” Internetworking Indonesia Journal, vol. 1, no. 2, pp. 31-35, 2009.
[6] DP. Budi Bambang, R. J. Widodo, Iftikar Z. Sutalaksana dan Moses L. Singgih, “Teknik Jaringan Saraf Tiruan Feedforward untuk Prediksi Harga Sahan pada Pasar Modal Indonesia,” Jurnal Informatika, vol. 1, no. 1, pp. 11-22, 1999.
[7] F. J. Simanungkalit, L. Sutiarso dan D. Purwadi, “Sistem Pendukung Keputusan Berbasis Jaringan Saraf Tiruan untuk Peramalan Harga Komoditas Tanaman Pangan,” Agritech, vol. 33, no. 1, p. 1, Februari 2013.
[8] Y. H. Zweiri, J. F. Whidborne dan L. D. Sceviratne, “A three-term backpropagation algorithm,” Neurocomputing, vol. 50, pp. 305-318, 2003.
[9] H. N. A. Hamed, “Particle Swarm Optimization For Neural Network Learning Enhancement,” Malaysia, 2006.
[10] J. S. Raharjo, “Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Laju Inflesi,” Jurnal Sistem Komputer, vol. 3, no. 1, pp. 10-21, 2013.
[11] T. S. Park, J. H. Lee dan B. Choi, “Optimization For Artificial Neural Network With Adaptive inertial weight of particle swarm optimization,” 2009 8th IEEE International Conference on Cognitive Informatics, pp. 481-485, Jun 2009.
[12] I. Arieshanti dan Y. Purwananto, “Model Prediksi Kebangkrutan Berbasis Neural Network dan Particle Swarm Optimization,” Juti, vol. 9, no. 1, pp. 29-34, 2011.
[13] F. Pakaja, A. Naba dan Purwanto. , “Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor,” Jurnal EECCIS, vol. Vol.6, no. 1, pp. 23-28, 2012.
[14] K. Ramanda, “Peningkatan Kinerja Algoritma Neural Network Berbasis Particle Swarm Optimization untuk Memprediksi Kelahiran Prematur,” dalam Seminar Nasional Inovasi dan Tren (SNIT), Jakarta, 2015.
[15] Muis Nanja, Purwanto,“Metode K-Nearest Neighbor Berbasis Forward Selection untuk Prediksi Harga Komoditi Lada”,Jurnal Pseudocode, Volume 2 Nomor 1, Februari 2015, ISSN 2355 – 5920
[16] Purwanto, C. Eswaran and logeswaran, R-2011, Improved Adaptive Neuro Fuzzy Inference System for HIV/AIDS time series prediction, A. Abd. Manaf et.al. (Eds) : ICIEIS 2011, Part III, CCIS 253, PP. H3
[17] E.D. Astuti, “Pengantar Jaringan Saraf Tiruan,” Wonosobo, 2009.
[18] A. Shukla, R. Tiwari dan R. Kala, “Real Life Application of Soft Computing,” CRC Press, 2010.
[19] I. Muzakkir, A. Syukur dan I. N. Dewi, “Peningkatan Akurasi Algoritma Backpropagation dengan Seleksi Fitur Particle Swarm Optimization dalam Prediksi Pelanggan Telekomunikasi yang Hilang,” Jurnal Pseudocode, vol. 1, no. Nomor 1, pp. 2355-5920, 2014.
[20] T. S. Park, J. H. Lee dan B. Choi, “Optimization For Artificial Neural Network With Adaptive inertial weight of particle swarm optimization,” 2009 8th IEEE International Conference on Cognitive Informatics, pp. 481-485, Jun 2009.
[21] A. Salappa, M. Doumpos dan C. Zopoudinis, “Feature Selection Algorithms in Classification Problems,” An Experimental Evaluation. Systems Analysis, Optimization and Data Mining in Biomedicine, 2007.
[22] J. Kennedy dan R. Eberhart, “Swarm Intelligence,” CA: Morgan Kaufmann Publisher, Inc, San Francisco, 2001.
[23] R. Eberhart dan Y. Shi, “Particle Swarm Optimization : Development, Application and Resources,” USA : Purdue School of Enginering and Technology, Indiana Polis, 2001.
[24] J.S. Raharjo, “Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk Prediksi Laju Inflasi,” Jurnal Sistem Komputer, Vol. 3, no. 1, pp. 10-12, 2013