Perbandingan Elman Recurrent Neural Networks, Backpropagation Neural Networks, dan Exponential Smoothing dalam Peramalan Produksi Palawija

• Main Authors: Winda Aprianti, Jaka Permadi, Herfia Rhomadhona
• Format: Article
• Language: English
• Published: UMSurabaya Publishing 2020-12-01
• Series: MUST: Journal of Mathematics Education, Science and Technology
• Subjects: bpnn; ernn; es; mape; peramalan
• Online Access: http://journal.um-surabaya.ac.id/index.php/matematika/article/view/6255/3467

Jumlah produksi tanaman palawija di Kabupaten Tanah Laut yang fluktuatif berdampak pada jumlah persediaan pangan. Jika terjadi penurunan jumlah produksi tanaman palawija dibanding tahun sebelumnya, maka pemerintah sebagai pemangku kepentingan harus mempunyai rencana untuk menghadapi keadaan ini. Hal ini dapat dilakukan apabila pemerintah mempunyai hasil prediksi produksi tanaman palawija. Hasil peramalan yang tepat dapat dihasilkan dengan memilih metode yang tepat pula. Penelitian ini menggunakan tiga metode untuk meramalkan produksi tanaman palawija, yakni Elman Recurrent Neural Network (ERNN), Backpropagation Neural Network (BPNN), dan Exponential Smoothing (ES). Mean Absolute Percentage Error (MAPE) digunakan untuk mengetahui performa terbaik dari ketiga metode peramalan tersebut. Visual Basic digunakan sebagai alat bantu untuk menjalankan program dan perhitungan MAPE. Penelitian ini menghasilkan bahwa MAPE untuk ERNN berada pada rentang 0.0151 sampai dengan 3.3610, BPNN pada rentang 0.0896 sampai dengan 3638.0264, ES pada rentang 0.4987 sampai dengan 44357.4931. ERNN menghasilkan MAPE terkecil untuk dataset jagung, kacang hijau, kacang tanah, kedelai, padi, dan ubi kayu. Sedangkan BPNN menghasilkan MAPE terkecil untuk dataset ubi jalar. Oleh karena itu, ERNN merupakan metode dengan performa terbaik karena MAPE yang dihasilkan terkecil untuk enam dari tujuh dataset.