Penerapan Neural Network Backpropagation Dalam Peramalan Produksi Ubi Jalar Tahunan
DOI:
https://doi.org/10.36815/submit.v5i2.4197Keywords:
jaringan syaraf tiruan, backpropagation, ubi jalar, pertanian, machine learningAbstract
Produksi ubi jalar di Indonesia mengalami fluktuasi tahunan yang dipengaruhi oleh faktor eksternal seperti cuaca, benih, dan distribusi hasil panen. Penelitian ini bertujuan membangun model prediksi produksi ubi jalar tahunan menggunakan Jaringan Syaraf Tiruan (JST) dengan algoritma backpropagation. Data produksi tahun 2008–2014 digunakan sebagai input untuk memprediksi produksi tahun 2015. Model memiliki dua lapisan tersembunyi dengan 64 dan 32 neuron serta aktivasi ReLU. Proses pelatihan menggunakan optimizer Adam, fungsi loss MSE, dan Early Stopping untuk menghindari overfitting. Evaluasi dilakukan dengan MAE, MAPE, visualisasi scatter plot, dan analisis residual. Hasil menunjukkan MAE sebesar 35.563,17 ton dan MAPE sebesar 326,50%, dengan kecenderungan underestimation. Meskipun kurva pelatihan menunjukkan konvergensi yang baik, akurasi relatif masih rendah. Diperlukan eksplorasi lebih lanjut terhadap variabel tambahan dan pendekatan model lain untuk meningkatkan performa prediktif.
References
Adinda Dwi Putri, Dina Fitria, Nonong Amalita, & Zilrahmi. (2023). Implementation of Backpropagation Artificial Neural Network on Forecasting Export of Palm Oil in Indonesia. UNP Journal of Statistics and Data Science, 1(5), 473–479. https://doi.org/10.24036/ujsds/vol1-iss5/123
Aritonang, R. S. R., & Ramdan, D. (2023). Implementasi Jaringan Syaraf Tiruan untuk Memprediksi Tingkat Produksi Jagung Giling Menggunakan Metode Backpropagation (Studi Kasus: Mikra Makmur Bersama). Jurnal Sinar Fe7, 2(2), 45–52. https://journal.fortei7.org/index.php/sinarFe7/article/view/82
BPS Indonesia. (2019). BPS Indonesia. https://searchengine.web.bps.go.id/search?mfd=0000&q=UBI+JALAR&content=all&page=1&title=0&from=all&to=all&sort=relevansi
da Silva, I. F., de Oliveira, C., & Talamini, W. (2020). Time Series Prediction with Artificial Neural Networks: An Analysis Using Brazilian Soybean Production. Agriculture, 10(10), 475. https://doi.org/10.3390/agriculture10100475
Dafid, A., Fatih, M. Al, & Rahmawati. (2024). Sistem Peramalan Hasil Produksi Jagung di Kabupaten Sumenep dengan Pendekatan Jaringan Syaraf Tiruan Backpropagation. Jurnal Simantec, 12(1), 20–30. https://journal.trunojoyo.ac.id/simantec/article/view/26036
Lovisia, E., Wulandari, S., & Bengkulu, U. (2025). Desa Benua Raja Kecamatan Pajar Bulan Kabupaten Lahat dikenal dengan istilah. 6, 66–78.
Maulana, M. K. (2024). Penerapan Algoritma Neural Network dengan Backpropagation untuk Prediksi Produksi Padi. Jurnal SINTA Informatika, 5(1), 60–70. https://journal.pdmbengkulu.org/index.php/sinta/article/view/1197
Pannakkong, W., Huynh, V. N., & Sriboonchitta, S. (2019). A novel hybrid autoregressive integrated moving average and artificial neural network model for cassava export forecasting. International Journal of Computational Intelligence Systems, 12(2), 1047–1061. https://doi.org/10.2991/ijcis.d.190909.001
Ramadhan, A. J., Priya, S. R. K., Naranammal, N., Pavishya, S., Naveena, K., Ray, S., Mishra, P., Abotaleb, M., Alkattan, H., & Albadran, Z. (2024). Comparison Study Using Arima and Ann Models for Forecasting Sugarcane Yield. BIO Web of Conferences, 97, 78.
Saad, P., Nordin, N., & Zolkipli, M. F. (2022). Rice Yield Classification Using Backpropagation Network. Journal of Information and Communication Technology, 21(4), 625–640. https://www.e-journal.uum.edu.my/index.php/jict/article/view/8039
Suranto, Wahyuni, D., & Purwanto, E. (2019). Evidence of pollen features and peroxidase isozymes in their morphological complexity of ten local cultivars of sweet potato from Indonesia. Biodiversitas, 20(9), 2511–2518. https://doi.org/10.13057/biodiv/d200912
