PERAMALAN PRODUKSI PADI DI INDONESIA MENGGUNAKAN JARINGAN SYARAF TIRUAN BILANGAN KOMPLEKS

  • Anifuddin Azis Departemen Ilmu Komputer dan Elektronika, Fakultas MIPA,Universitas Gadjah Mada
Keywords: prediksi, produksi padi, multi-layer perceptron, backpropagation, bilangan kompleks

Abstract

Ketahanan pangan nasional tetap membutuhkan beras dalam memenuhi kecukupan pangan, namun demikian tekanan terhadap peningkatan produksi padi terkendala oleh permasalahan konversi lahan pertanian, kerusakan jaringan irigasi, perubahan iklim, dan serangan hama penyakit. Kemampuan memprediksi masa yang akan datang akan membuat petani bisa mengambil keputusan yang tepat dalam mengantisipasi keadaan di masa depan. Jaringan Syaraf Tiruan (JST) telah banyak digunakan dalam prediksi, termasuk dalam bidang pertanian. JST bilangan kompleks (JSBK)  memiliki struktur pemrosesan bilangan kompleks sehingga memiliki kemampuan pelatihan yang lebih baik, kemampuan generalisasi yang lebih baik, konvergensi yang lebih cepat, kompleksitas yang lebih baik, dan data pelatihan yang lebih sedikit. Pada JST dengan arsitektur multi-layer perceptron (MLP) biasa yang bernilai real, nilai dari parameter yang ada, yaitu elemen dari matriks bobot dan vektor bias, dinyatakan dalam bilangan real, sedangkan pada JST bernilai kompleks, nilai dari parameter yang ada dinyatakan dalam bilangan kompleks. Jaringan Syaraf Tiruan (JST) bilangan kompleks dengan algoritma Backpropagation, umumnya digunakan dalam data citra atau suara, namun pada pada penelitian ini digunakan untuk memprediksi produksi padi tahun 2015 di 34 provinsi Indonesia. Data produksi padi diperoleh dari dari Badan Pusat Statistik (BPS), sedangkan data curah hujan, suhu, kelembaban, tekanan udara diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Atribut masukan pada pelatihan JST pada penelitian ini adalah data iklim dari 34 propinsi di Indonesia dari tahun 2011-2015, yaitu nilai dari : curah hujan, kelembaban, rata-rata suhu, dan rata-rata tekanan udara. Atribut keluaran JST adalah nilai produktifitas padi. Berdasarkan hasil pengujian, JST Backpropagation bilangan kompleks berhasil memprediksi produksi padi tahun 2015 dengan sangat baik pada 32 provinsi (jika tidak menyertakan data provinsi Kepulauan Riau dan DKI Jakarta) dengan rata-rata akurasi 98,9 %.

Downloads

Download data is not yet available.

References

Amilia, S., Sulistiyo, M. D., dan Dayawati, R. N. 2015.Face image-based gender recognition using complex-valued neural network. 3rd International Conference on Information and Communication Technology (ICoICT). Kuta.
Arjovsky, M., Shah, A., dan Bengio, Y. 2015. Unitary Evolution Recurrent Neural Networks, http://arxiv.org/abs/1511.06464, diakses 3 Mei 2019.
Azis, A. 2018. Peramalan Produksi Padi di Indonesia Menggunakan Jaringn Syaraf Tiruan. Laporan Penelitian FMIPA UGM.
El-Telbany, M., Refat, S., 2016, Complex-Valued Neural Networks Training : A Particel Swarm Optimazion Strategy, IJACSA (International Journal of Advance Computer Science and Applications) Vol 7 No 1
Guberman, N., 2016, On Complex Valued Convolutional Neural Networks, ht-tp://arxiv.org/abs/1602.09046, diakses 2 Mei 2019.
Jabjone, S., Wannasang, S., 2014, Decision Support System Using Neural Network to Predict Rice Production in Phimi District, Thailand, International Journal of Computer and Electrical Engineering, Vol 6, N0. 2, April 2014
Kementerian Pertanian. 2015 Rencana Strategis Kementerian Pertanian Tahun 2015-2019
Matsuda, K. dan Murase, K. 2016. Single-Layered Complex-Valued Neural Network with SMOTE for Imbalanced Data Classifification, 2016 Joint 8th International Conference on Soft Computing and Intelligent Systems (SCIS) and 17th International Symposium on Advanced Intelligent Systems (ISIS). Hokkaido
Popa, C. 2017. Complex-Valued Convolutional Neural Networks for Real-Valued Image Classifification. International Joint Conference on Neural Networks (IJCNN). Anchorage.
Trabelsi, C., Bilaniuk, O., Serdyuk, D., Subramanian, S., Santos, J. F., Mehri, S., Rostamzadeh, N., Bengio, Y., dan Pal, C. J., 2018, Deep Complex Networks, ht-tp://arxiv.org/abs/1705.09792, diakses 2 Mei 2019.
Virtue, P., Yu, S. X., dan Lustig, M. 2017. Better Than Real: Complex-Valued Neural Nets for MRI Fingerprinting. IEEE International Conference on Image Processing (ICIP). Beijing.
Published
2019-12-01
How to Cite
Azis, A. (2019) “PERAMALAN PRODUKSI PADI DI INDONESIA MENGGUNAKAN JARINGAN SYARAF TIRUAN BILANGAN KOMPLEKS”, Sebatik, 23(2), pp. 554-560. doi: https://doi.org/10.46984/sebatik.v23i2.811.