Perkiraan Kebutuhan Air Bersih Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation
Abstract
Untuk memenuhi kebutuhan air bersih pihak PDAM melakukan pengolahan sebanyak mungkin, tanpa mengetahui akan jumlah kebutuhan air bersih untuk bulan atau tahun berikutnya. Akibatnya menimbulkan biaya produksi tinggi seperti pemakaian bahan kimia yang banyak dan beban pemakaian listrik yang berlebihan. Oleh karena itu dibutuhkan suatu perkiraan untuk memenuhi kebutuhan air bersih di PDAM Kota Padang. Maka peneliti melakukan penelitian ini dengan tujuan untuk memberikan informasi yang akurat mengenai prediksi kebutuhan air bersih menggunakan metode jaringan syaraf tiruan. Data yang diolah dalam penelitian ini adalah data 5 tahun terakhir dengan frekuensi dari bulan Januari sampai Desember. Tujuan utama dari penelitian ini adalah mengembangkan model jaringan syaraf tiruan yang dapat memperkirakan kebutuhan air bersih berdasarkan faktor-faktor yang relevan. Faktor-faktor tersebut antara lain jumlah penduduk, curah hujan, penggunaan air domestik, permintaan industri dan faktor-faktor lain yang dapat mempengaruhi permintaan air minum. Hasil penelitian dari data pelatihan dan pengujian menunjukkan bahwa ketiga wilayah tersebut tidak selalu memberikan hasil yang baik. Memang jumlah kebutuhan garam di setiap daerah selalu berbeda-beda.
Downloads
References
B. Satria, “Prediksi Volume Penggunaan Air PDAM Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 3, pp. 674–684, 2018, doi: 10.29207/resti.v2i3.575.
Bahar and S. A. Yahya, “Penerapan Algoritma Backpropagation Untuk Prediksi Kebutuhan Air Bersih pada PDAM Intan Banjar,” Progresif J. Ilm. Komput., vol. 15, no. 1, p. 51, 2019, doi: 10.35889/progresif.v15i1.326.
W. G. S. Parwita and N. P. P. Sukraeni, “Peramalan Jumlah Kunjungan Wisatawan Mancanegara Ke Bali dengan Jaringan Saraf Tiruan Backpropagation,” J. Sains Komput. Inform., vol. 6, no. 1, pp. 507–517, 2022, doi: 10.30645/j-sakti.v6i1.464.
A. E. Syaputra, “Akumulasi Metode Monte Carlo dalam Memperkirakan Tingkat Penjualan Keripik Sanjai,” J. Inform. Ekon. Bisnis, vol. 5, no. 1, pp. 209–216, 2023, doi: 10.37034/infeb.v5i1.222.
A. E. Syaputra and Y. S. Eirlangga, “Prediksi Tingkat Kunjungan Pasien dengan Menggunakan Metode Monte Carlo,” J. Inf. dan Teknol., vol. 4, no. 2, pp. 1–5, 2022, doi: 10.37034/jidt.v4i2.202.
M. Toriq, A. E. Syaputra, and Y. S. Eirlangga, “Model Simulasi untuk Memperkirakan Tingkat Penjualan Garam Menggunakan Metode Monte Carlo,” J. Inf. dan Teknol., vol. 4, no. 4, pp. 242–246, 2022, doi: 10.37034/jidt.v4i4.244.
T. Hardoyo and E. H. P. Eko, “Klasifikasi Usaha Mikro Kecil Menengah Menggunakan Jaringan Syaraf Tiruan Backpropagation,” KONSTELASI Konvergensi Teknol. dan Sist. Inf., vol. 2, no. 1, pp. 111–123, 2022, doi: 10.24002/konstelasi.v2i1.5625.
B. S. Laili, D. T. Utomo, and D. Wijanarko, “Implementasi Metode Backpropagation Neural Network Dalam Memprediksi Hasil Produksi Kedelai,” J. Teknol. Inf. dan Terap., vol. 10, no. 1, pp. 1–6, 2023, doi: 10.25047/jtit.v10i1.145.
Supriyanto, Sunardi, and I. Riadi, “PENGARUH NILAI HIDDEN LAYER DAN LEARNING RATE TERHADAP KECEPATAN PELATIHAN JARINGAN SYARAF TIRUAN BACKPROPAGATION,” JIKO (Jurnal Inform. dan Komputer), vol. 6, no. 1, p. 27, 2022, doi: 10.26798/jiko.v6i1.508.
I. I. Ridho, C. F. Ramadhani, and A. P. Windarto, “Penerapan Artificial Neural Network dengan Metode Backpropagation Dalam Memprediksi Harga Saham (Kasus: PT. Bank BCA, Tbk),” J. Ris. Sist. Inf. Dan Tek. Inform., vol. 8, no. 1, pp. 295–303, 2022, doi: 10.30645/jurasik.v8i1.612.
R. Setiana, R. A. Siregar, F. Husaini, and A. P. Windarto, “Analisis Metode Backpropagation Dalam Memprediksi Jumlah Produksi Daging Kambing di Indonesia,” J. Informatics, Electr. Electron. Eng., vol. 2, no. 4, pp. 113–123, 2023, doi: 10.47065/jieee.v2i4.1177.
N. Afrida, S. Ramadani, and I. Ambarita, “Prediksi Pemakaian Air Menggunakan Metode Backpropagation (Studi Kasus Pdam Tirta Wampu),” BIMASATI (Bulletin Multi-Disciplinary Sci. Appl. Technol., vol. 1, no. 3, pp. 105–110, 2022, [Online]. Available: http://ejurnal.seminar-id.com/index.php/bimasati/article/view/1571
K. F. Irnanda, A. P. Windarto, and I. S. Damanik, “Optimasi Particle Swarm Optimization Pada Peningkatan Prediksi dengan Metode Backpropagation Menggunakan Software RapidMiner,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 1, p. 122, 2022, doi: 10.30865/jurikom.v9i1.3836.
F. Rohman, M. S. Al Amin, and Emidiana, “Prediksi Beban Listrik Dengan Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation,” J. Surya Energy, vol. 5, no. 2, pp. 55–60, 2022, doi: 10.32502/jse.v5i2.3092.
A. M. Indrawan and A. Pandu Kusuma, “Analisis Algoritma Jaringan Syaraf Tiruan Dengan Metode Backpropagation Dalam Mendeteksi Keahlian Mahasiswa Program Studi Teknik Informatika Universitas Islam Balitar,” J. Mnemon., vol. 5, no. 1, pp. 9–13, 2021, doi: 10.36040/mnemonic.v5i1.4272.
D. Agustina, M. Hafiyusholeh, A. Fanani, and D. Prasetijo, “Prediksi Distribusi Air Perusahaan Daerah Air Minum (PDAM) Tirta Dharma Kota Pasuruan Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” Process. J. Imiah Sist. Informasi, Teknol. Inf. dan Sist. Komput., vol. 18, no. 1, pp. 8–16, 2023, doi: 10.33998/processor.2023.18.1.697.
W. Windihastuty, R. Wulandari, and Mulyati, “DETEKSI ANGKA METER AIR DENGAN MEMBANDINGKAN ALGORITMA BACKPROPAGATION DAN SINGLE PERCEPTION,” Sebatik, vol. 27, no. 1, pp. 103–111, 2023, doi: 10.46984/sebatik.v27i1.2294.
W. Santoso, Maimunah, and P. Sukmasetya, “Prediksi Volume Sampah di TPSA Banyuurip Menggunakan Metode Backpropagation Neural Network,” J. Media Inform. Budidarma, vol. 7, no. 1, pp. 464–472, 2023, doi: 10.30865/mib.v7i1.5499.
A. E. Syaputra and Y. S. Eirlangga, “Implentasi Metode Simple Additive Weighting dalam Memberikan Rekomendasi Smartphone Terbaik Kepada Pelanggan,” J. Sistim Inf. dan Teknol., vol. 5, no. 2, pp. 103–109, 2023, doi: 10.37034/jsisfotek.v5i1.215.
A. E. Syaputra, “Implementasi Metode SAW dalam Menunjang Pengambilan Keputusan Penerimaan Tenaga Kependidikan Baru,” J. Sist. Inf. DAN Teknol. Inf., vol. 12, no. 1, pp. 65–76, 2023, doi: 10.36774/jusiti.v12i1.1280.
K. H. Manurung, A. E. Syaputra, and Y. S. Eirlangga, “Design the Best Student Selection Decision Support System With Simple Addictive Weighting ( SAW ) Method,” Int. J. Dyn. Eng. Sci., vol. 7, no. 2, pp. 194–199, 2022, doi: doi. 10.22216/jod.v7i1.1089.
Copyright (c) 2023 Muhammad Thoriq, Aldo Eko Syaputra, Yofhanda Septi Eirlangga (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Copyright Notice
An author who publishes in the Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) agrees to the following terms:
- Author retains the copyright and grants the journal the right of first publication of the work simultaneously licensed under the Creative Commons Attribution-ShareAlike 4.0 License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal
- Author is able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book) with the acknowledgement of its initial publication in this journal.
- Author is permitted and encouraged to post his/her work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of the published work (See The Effect of Open Access).
Read more about the Creative Commons Attribution-ShareAlike 4.0 Licence here: https://creativecommons.org/licenses/by-sa/4.0/.
Abstract views: 107 , 
pdf downloads: 73
_(1).png)
