SISTEM PENDUKUNG KEPUTUSAN BERBASIS JARINGAN SARAF TIRUAN UNTUK PERAMALAN HARGA KOMODITAS TANAMAN PANGAN (Decision Support System Based on Artificial Neural Networks for Food Crop Commodities Price Forecasting)

• Main Authors: Ferlando Jubelito Simanungkalit, Lilik Sutiarso, Didik Purwadi
• Format: Article
• Language: English
• Published: Universitas Gadjah Mada 2013-06-01
• Series: Agritech
• Online Access: https://jurnal.ugm.ac.id/agritech/article/view/9569

Decision Support System Based on Artificial Neural Networks For Food Crop Commodities Price Forecasting was designed to provide a stimulus for decision makers concerning food price stabilization, future price trend and available planting schedule policies which enable to maximize the profit. The main purpose of this study is to make the design of Decision Support System (DSS) by firstly analyzing the architecture of Artificial Neural Networks (ANN) that appropriate to be used as forecasting method/model base of the DSS. The study was done by using the monthly prices of the food crop commodities in Sleman Regency, D.I. Yogyakarta province, from January 2000 to July 2011. The best architecture was selected based on the lowest value of Mean Square Error (MSE) and Mean Absolute Percentage Error (MAPE) from system training, testing and validation result. Then, the best architecture was designed to be the model base of the DSS as well as the database, user interface and elements of knowledge by using the decision support system developing phases and programmed with delphi programming. From the 324 trials unit of the ANN architecture analysis for each commodity, it has been obtained that there was a best ANN architecture for each commodity and valid to be used as the forecasting method with 15% tolerance of MAPE. From 6 varieties of food crop as the object of study, the very best ANN architecture derived from rice IR64 with the architecture [12 – 32 – 1], learning rate 1,75 and the transformation range of the data [0 and 1], with consecutive value of MSE and MAPE in training, testing and validation process was [0,00125 and 2,807%], [0,0219 and 3,289%], [0,0244 and 3,575%]. Based on the validation result, the limit of the forecasting period that still valid to be done by the system was in the next 12 months. The result show that the performance of ANN architecture decrease in terms of price fluctuating sharply, due to the lack of some factors that force price fluctuation. Therefore the development of the ANN architecture was needed as the model base of the DSS in order to improve the ability of the system to provide the better decision support. Keywords: Decision support system, artificial neural networks, price forecasting, food crop   Abstrak Sistem pendukung keputusan berbasis jaringan saraf tiruan untuk peramalan harga tanaman pangan dirancang untuk membantu memberikan stimulus bagi para pengambil keputusan perihal kebijakan stabilisasi harga pangan, tren harga masa depan dan jadwal tanam yang memungkinkan untuk memaksimalisasi keuntungan. Tujuan penelitian ini adalah rancang bangun Sistem Pendukung Keputusan (SPK) dengan terlebih dahulu menganalisis arsitektur Jaringan Saraf Tiruan (JST) yang paling tepat untuk digunakan sebagai metode peramalan/subsistem model SPK. Kajian dilakukan dengan menggunakan tingkat harga bulanan komoditas tanaman pangan di Kabupaten Sleman, D.I. Yogyakarta bulan Januari 2000 – Juli 2011. Arsitektur JST terbaik dipilih berdasarkan pada nilai Mean Square Error (MSE) dan Mean Absolute Percentage Error (MAPE) yang paling kecil dari hasil pelatihan, pengujian dan validasi sistem. Arsitektur terbaik kemudian dirancang menjadi subsistem model SPK bersamaan dengan basis data, tampilan antarmuka dan komponen pengetahuan dengan menggunakan fase-fase perancangan sistem pendukung keputusan dan diprogram dengan bahasa pemrograman delphi. Dari 324 percobaan analisis arsitektur JST untuk masing-masing komoditas, diperoleh satu arsitektur JST dengan performa terbaik untuk masing-masing komoditas dan valid untuk digunakan sebagai metode peramalan dengan toleransi MAPE 15%. Dari 6 jenis komoditas tanaman pangan yang menjadi objek kajian, arsitektur JST yang paling baik diperoleh dari komoditas beras IR64 dengan arsitekur [12 – 32 – 1], nilai laju pembelajaran 1,75 dan kisaran transformasi data terletak pada [0 dan 1], dengan nilai MSE dan MAPE pelatihan, pengujian dan validasi berturut-turut adalah [0,00125 dan 2,807%], [0,0219 dan 3,289%], [0,0244 dan 3,575%]. Berdasarkan hasil validasi, batas jangka waktu peramalan maksimal yang valid untuk dilakukan oleh sistem adalah selama 12 bulan ke depan. Dari hasil penelitian diketahui bahwa arsitektur JST yang digunakan mengalami penurunan performa pada bagian pola harga yang berfluktuasi dengan tajam, hal ini disebabkan karena arsitektur JST yang digunakan tidak memperhitungkan faktor-faktor yang menyebabkan terjadinya fluktuasi harga, untuk itu perlu pengembangan arsitektur JST sebagai subsistem model SPK guna meningkatkan kemampuan sistem memberikan dukungan keputusan yang lebih baik. Kata kunci: Sistem pendukung keputusan, jaringan saraf tiruan, peramalan harga, tanaman pangan