Professional Documents
Culture Documents
Abstrak
Paddy (oryza sativa) was a basic foodstuff that was vital for people of Indonesia. The
amount of rice production at a time can not be calculated exactly, so it was necessary to
predict rice production in order to provided rice to achieve endurance and food self-
sufficiency. This research aimed to make prediction system of rice production in january-april
period, may-august period, and september-december period using interval regression with
neuro fuzzy in Kubu Raya regency. The interval regression method was based on
backpropagation network which there are two separately trained backproagation networks,
one model to find out the lower bound and one model to find out the upper bound. Based on
the results of the training and testing phase, the best network result were obtained by 4 input
layer neurons, 3 hidden layer neurons and 1 output layer neuron using minimum error
parameter 0,00001 and maximum epoch 100000. The results showed that MSE BPN- for
period 1 training with lr 0.09 of 0,064722 and MSE BPN+ of 0,030644; Period 2 with Ir 0.09
results of MSE BPN- 0,141674 and MSE BPN+ of 0,179612, and period 3 with Ir 0.09 results
of MSE BPN- of 0,025324 and MSE BPN+ of 0,036961. The mean deviation of the interval
between the lower limit with the actual value on the test data was 4.369,2 (BPN-), while the
interval deviation between the upper limit with the actual value on the test data was 19.744,3
(BPN+).
108
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
untuk mendapatkan batas atas dan batas bawah diterimanya melalui sambungan keluarnya
interval ini berhasil dimodelkan dengan baik menuju ke neuron-neuron yang lain. Pada
oleh sistem. jaringan syaraf, hubungan ini dikenal
Dalam penelitian tentang produksi padi dengan nama bobot [5]. JST memiliki
guna meminimalisir masalah kerawanan kecenderungan untuk menyimpan
pangan di kabupaten Kubu raya maka
pengetahuan yang bersifat pengalaman dan
dibutuhkan suatu solusi dengan melakukan
prediksi produksi padi di Kabupaten Kubu membuatnya siap untuk digunakan. Ada
Raya. Sistem yang dibangun ini untuk tiga elemen penting dalam JST yaitu [6]:
melakukan prediksi produksi padi pada 1. Arsitektur jaringan beserta pola
periode januari – april, periode mei – agustus, hubungan antar neuron.
dan periode september – desember dengan 2. Algoritma pembelajaran yang
metode regresi interval dengan neural fuzzy. digunakan untuk menemukan bobot-
bobot jaringan.
2. LANDASAN TEORI 3. Fungsi aktivasi yang digunakan.
2.1 Logika Fuzzy
Fuzzy diartikan sebagai samar-samar 2.3 Neural Fuzzy System
atau kabur, dalam logika fuzzy memungkinkan Neural Fuzzy System (NFS) dirancang
nilai keanggotaan berada diantara 0 dan 1, untuk merealisasikan proses penalaran fuzzy,
artinya bisa saja suatu keadaan mempunyai dimana bobot - bobot yang terhubung pada
dua nilai “ Ya dan Tidak” secara bersamaan, jaringan tersebut berhubungan dengan
namun besar nilainya tergantung pada bobot parameter - parameter penalaran fuzzy. Dengan
keanggotaan yang dimilikinya. Logika fuzzy menggunakan algoritma pembelajaran
digunakan untuk menterjemahkan suatu backpropagation, NFS dapat mengidentifikasi
besaran yang diekpresikan menggunakan aturan-aturan fuzzy dan melatih fungsi
bahasa, misalnya besaran variabel temperatur keanggotaan dari penalaran fuzzy tersebut.
diekpresikan dengan sangat dingin, sejuk, Pada NFS, perancangan jaringan syaraf tiruan
panas dan sangat panas, disinilah logika fuzzy dipandu oleh formalisme logika fuzzy, dimana
menunjukan sejauh mana suatu nilai itu salah perancangan jaringan syaraf tiruan tersebut
dan benar. Logika fuzzy merupakan sistem digunakan untuk mengimplementasi logika
inferensi yang mampu menarik kesimpulan fuzzy, fuzzy decision making dan juga
dari sejumlah data yang memiliki digunakan untuk merepresentasikan fungsi
ketidakpastian, fuzzy yaitu data yang bersifat keanggotaan yang merepresentasikan
kabur atau tidak dapat dinyatakan secara pasti. himpunan fuzzy [7].
Data dinyatakan memiliki ketidakpastian fuzzy
jika data tersebut tidak dapat dinyatakan dalam 2.4 Model Regresi Interval Dengan
kondisi “ya” atau “tidak”, namun dapat berada Neural Fuzzy
dikondisi antara “ya” atau “tidak” [3]. Model regresi telah terbukti telah
memiliki kehandalan untuk menyelesaikan
2.2 Jaringan Syaraf Tiruan masalah interpolasi dan ekstrapolasi. Suatu
Jaringan syaraf tiruan (Artificial Neural nilai tegas y diperoleh sebagai fungsi dari x, y
Network) merupakan salah satu = f(x) dan nilai y bukan nilai eksak, dengan
representasi buatan otak manusia yang kata lain terdapat toleransi error antara nilai y
selalu mencoba untuk mensimulasikan sebagai fungsi dari x yang mana nilai aktual
proses pembelajaran pada otak manusia. yang diperoleh sesuai dengan yang
Istilah buatan disini digunakan karena diharapkan. Untuk mengakomodasi hal ini
dapat dibuat suatu interval “kebolehan“ yang
jaringan syaraf ini diimplementasikan
mana keberadaan data hasil regresi dalam
dengan menggunakan program komputer interval tersebut masih diperbolehkan
yang mampu menyelesaikan sejumlah (mendapat toleransi). Interval ini dapat
proses pembelajaran [4]. Jaringan syaraf direpresentasikan dengan memberikan nilai
terdiri dari beberapa neuron dan ada koefisien regresi sebagai bilangan fuzzy.
hubungan antara neuron-neuron tersebut. Misalkan diberikan pasangan input – output
Neuron-neuron tersebut akan (Xk, dk) , k = 1,2,...,p dengan Xk = (Xk1, Xk2,
mentranformasikan informasi yang
109
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
..., Xkn). Model regresi fuzzy pada pola ke-k Aturan pembelajaran backpropagation
direpresentasikan sebagai [8]: dengan 3 lapisan (1 lapisan input, 1 lapisan
Y(Xk) = A0 + A1Xk1 + ... + AnXkn tersembunyi, dan 1 lapisan output) dan fungsi
(1) aktivasi sigmoid, digunakan untuk
dengan Ai adalah bilangan fuzzy. Oleh karena mendapatkan bobot-bobot wj (bobot antara
itu, nilai estimasi output Y(xk) juga lapisan tersembunyi dengan lapisan output)
merupakan bilangan fuzzy. Analisis regresi dan wji (bobot antara lapisan input dengan
fuzzy dapat disederhanakan menjadi analisis lapisan tersembunyi) pada jaringan ,
regresi interval dimana model regresi interval perbaikan bobot dilakukan sebagai berikut.
nantinya akan dibentuk.
Konsep dasar dari analisis regresi
=η( )=η (6)
interval yang didasarkan pada jaringan
backpropagation, diperkenalkan oleh =η( )=η (7)
Ishibuchi dan Tanaka pada tahun 1992. Model
tersebut menggunakan 2 jaringan Dengan
backpropagation. Satu jaringan digunakan
untuk batas atas interval, sedangkan satu = ( - ) (1- ) (8)
jaringan lainnya digunakan untuk batas bawah
interval data. Kedua jaringan tersebut dilatih = (1- ) (9)
secara terpisah . Misalkan xk) dan (xk) = ) adalah output jaringan, dan
adalah keluran dari kedua jaringan adalah output neuron ke-j pada lapisan
backpropagation tersebut ( dan ) tersembunyi untuk input .
yang berhubungan dengan masukan vektor xk, Dengan cara yang sama, pembelajaran juga
dimana setiap jaringan memiliki n neuron pada dilakukan pada jaringan untuk
lapisan keluaran. Proses pembelajaran mendapatkan output jaringan ( ). Fungsi
dilakukan terhadap ke dua jaringan ( biaya yang digunakan untuk pembelajaran ini
dan ) untuk mendapatkan keluaran seperti terlihat pada persamaan 3, dengan αk
jaringan xk) dan (xk) yang berkaitan diberikan sebagai berikut:
dengan kondisi sebagai berikut:
={ (10)
(x) ≤ dk ≤ (x), k = 1, 2, ..., p
(2) dengan α adalah bilangan positif yang cukup
kecil pada interval (0, 1).
Pada proses pembelajaran fungsi Dengan menggunakan kedua algoritma
biaya yang digunakan adalah : pembelajaran tersebut, dapat menentukan 2
fungsi, (x) dan (x) dimana (x) ≤
E=∑ ∑ - dk ≤ (x), k = 1, 2, ..., p. Dari sini, dapat
diperoleh interval:
( (3)
G(X) = [ (x), (x) ] (11)
Dengan diberikan sebagai berikut:
Karena (x) dan (x) diperoleh dari
={ (4) pembelajaran yang terpisah, maka sangat
dimungkinkan (x) < (x). Sehingga, jika
hal tersebut terjadi, maka dapat dilakukan
dengan α adalah bilangan positif yang cukup
modifikasi pada interval tersebut sebagai
kecil pada interval (0, 1). Nilai α ini dapat
berikut:
diberikan dengan menggunakan fungsi
penurunan, sebagai:
(x)={ (12)
α(t)= (5)
( )
(x)={ (13)
dengan t adalah iterasi ke.
Dengan demikian, interval yang terjadi adalah:
110
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
merumuskan permasalahan-permasalahan
G(X) = [ (x), (x)] (14) yang akan dihadapi selama penelitian
kemudian melakukan studi literatur untuk
menunjang proses penelitian, dilanjutkan
2.5 Tanaman Padi dengan mengumpulkan data – data yang akan
Padi ladang adalah budidaya padi digunakan dalam penelitian yang diperoleh
dilahan kering, sumber air seluruhnya dari Dinas Pertanian Tanaman Pangan dan
tergantung pada curah hujan. Oleh karena itu, Hortikultura Provinsi Kalimantan Barat, Dinas
untuk pertumbuhan yang baik, tanaman padi Pertanian dan Perternakan Kabupaten Kubu
ladang membutuhkan curah hujan lebih dari Raya dan Badan Pusat Statistik Kalimantan
200mm perbulan selama tidak kurang lebih 3 Barat. Tahap selanjutnya menganalisa
bulan. Ciri khusus budidaya padi sawah adalah kebutuhan yang akan digunakan dalam
adanya penggenangan selama pertumbuhan penelitin. Setelah semua selesai dilaksanakan
tanaman. Budidaya padi sawah dilakukan pada tahap berikutnya perancangan sistem, sistem
tanah yang berstruktur lumpur. Oleh sebab itu, yang sudah dibuat kemudian
tanah yang ideal untuk sawah harus memiliki diimplementasikan dengan data yang sudah
kandungan liat minimal 20 persen. Melakukan diperoleh setelah mendapatkan hasil dari
proses panen padi dilakukan pada umur yang pelatihan lanjut ketahap pengujian.
tepat yaitu Umur padi antara 110 – 115 hari
setelah tanam, menggunakan alat yang 3.1 Metode Pegumpulan Data
memnuhi persyaratan, kesehatan, serta Tahapan pengumpulan data merupakan
menerapkan sistem panen yang tepat. tahapan yang paling penting dalam penelitian
Ketidaktepatan dalam pemanen padi dan dapat menunjang penelitian yang akan
mengakibatkan kehilangan hasil yang tinggi dilakukan. Sumber data yang dipergunakan
dan mutu hasil yang rendah. Pada tahap dalam penelitian ini berasal dari wawancara
tingkat kehilangan hasil bisa mencapai 9.52% dan telaah literatur. Langkah berikutnya adalah
apabila pemanenan padi dilakukan tidak tepat. menentukan ruang lingkup studi penelitian.
Pada prinsipnya secara panen dan pasaca Pada penelitian ini ruang lingkup studi
panen padi hibrida tidak beda dengan padi meliputi Kabupaten Kubu Raya.
biasa “inhibrida”, penentuan saat panen sangat Mengumpulkan data yang mempengaruhi
berpengaruh terhadap kualitas gabah. produksi padi diperoleh dari hasil wawancara
Tanaman padi yang dipanen muda juga secara non formal atau tanya jawab secara face
digiling akan menghasilkan banyak beras to face.
pecah. Untuk ciri-ciri tanaman padi yang siap
untuk dipanen ialah[9]: 3.2 Analisa Kebutuhan Data
Menganalisa data masukan, proses dan
1. 95% butir-butir padi dan daun bendera hasil penelitian. Pada penelitian ini data yang
sudah menguning. didapat dari Kantor Dinas Pertanian Tanaman
2. Tangkai menunduk karena serat Pangan dan Hortikultura Provinsi Kalimantan
menanggung butir-butir padi yang Barat, Dinas Pertanian dan Perternakan
bertambah berat. Kabupaten Kubu Raya dan Kantor Badan
3. Butir padi bila ditekan terasa keras dan Pusat Statistik Provinsi Kalimantan Barat
berisi. adalah data luas panen tiap 3 periode, data luas
4. Peralatan panen dapat digunakan sabit tanam tiap 3 periode, data produktivitas tiap 3
bergerigi atau reaper dan dilaksanakan periode dan data produksi padi tiap 3 periode
secara beregu. Hasil panen dimasukan dan curah hujan tiap 3 periode. Data yang
kedalam karunga kemudian dirontokkan dikumpulkan akan dianalisa yaitu data dari
denga pedal thresher atau power thresher. tahun 2009 sampai 2016, lalu dilatih serta diuji
5. Keterlambatan perontokan dan pengeringan dengan menggunakan metode Regresi Interval
akan mengakibatkan butir kuning. dengan Neural Fuzzy.
111
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
dari satu lapisan tersembunyi yang terletak tahun 2015 yaitu data luas panen, data luas
diantara lapisan masukan dan lapisan keluaran. tanam, data produktivitas dan sata cuah hujan
Sistem yang akan dibangun ini menggunakan dan data keluran yaitu data target produksi
satu lapisan tersembunyi yang diberi variabel padi yang merupakan data produksi padi dari
Z, pada lapisan tersembunyi ini memiliki 3 tahun 2010 sampai 2016. Data yang akan
neuron lapisan tersembunyi dengan fungsi digunakan dalam sistem ini merupakan data
aktivasi sigmoid biner. Arsitektur jaringan dari 3 periode:
backpropagation pada sistem ini terdiri atas 4 1. Periode januari – april
neuron pada lapisan masukan yaitu , , , 2. Periode mei – agustus
dan satu lapisan tersembunyi dengan 3 3. Periode september – desember
neuron yaitu , , serta 1 neuron pada
Pada penelitian prediksi produksi padi
lapisan keluaran yaitu Y dan adalah bobot
di Kabupaten Kubu Raya, metode yang
bias yang menuju ke lapisan pertama hingga
digunakan adalah Regresi Interval dengan
ke lapisan ketiga pada lapisan tersembunyi
Neural Fuzzy sebagai metode prediksi. Dalam
serta adalah bobot bias yang
perhitungan terdapat dua proses yaitu:
menghubungkan lapisan tersembunyi dengan
1. Proses regresi interval dengan neural
lapisan keluaran. Arsitektur jaringan
Fuzzy.
backpropagation yang digunakan dalam
2. Proses perhitungan ketepatan prediksi.
penelitian ini dapat dilihat pada gambar 1.
Secara umum seluruh langkah-langkah
dari proses prediksi produksi padi tiap 3
periode di Kabupaten Kubu Raya adalah
sebagai berikut:
112
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
113
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
Hal yang pertama dilakukan untuk pengujian. Data faktor – faktor yang
mencari batas atas interval adalah mempengaruhi produksi padi dimasukan
menginisialisasi bobot, menentukan sebagai data masukan dalam proses pengujian.
maksimum epoch, menentukan miminum Tahap pengujian ini hanya menggunakan fase
error dan laju pembelajaran. Masuk ketahap feedforward, fase feedforward yang dilakukan
alur maju atau feedforward untuk mulai tahap ada 2 tahap, yang pertama perhitungan
pelatihan kemudian dilanjutkan ke tahap prediksi produksi tiap 3 periode dengan
backpropagation, dan menghitung MSE yang feedforward + untuk mencari batas atas
didapat, jika nilai error yang diperoleh lebih interval dan yang kedua yaitu perhitungan
besar dari targer error yang diinginkan maka prediksi produksi padi tiap 3 periode dengan
proses pelatihan tersebut akan kembali pada feedforward – untuk mencari batas bawah
tahap mengubah nilai bobot menggunakan interval dan hasil yang didapat merupakan
algoritma backpropagation dan seterusnya hasil akhir prediksi produksi padi tiap 3
sampai diperoleh nilai error yang lebih kecil periode. Gambar 7 menunjukan diagram alir
dari target error yang diinginkankan. Proses tahap pengujian.
pelatihan ini akan berhenti jika maksimum
epoch telah tercapai dan nilai error yang
diperoleh lebih kecil dari target error yang
diinginkan dan setelah tercapai untuk mencari
batas atas interval akan dilajutkan untuk
mencari batas bawah interval. Langkah –
langkah tersebut sama dilakukan untuk
mencari batas bawah interval. Gambar 6
menunjukan diagram alir tahap pelatihan.
114
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
Gambar 8. Perancangan Form Pelatihan Gambar 10. Tampilan Aplikasi Untuk Proses
Pelatihan.
Form pelatihan merupakan form yang
dirancang untuk melakukan proses pelatihan 4.2 Hasil Pelatihan
data. Ada beberapa yang digunakan dapat Setelah dilakukan perubahan terhadap
diatur pada form ini seperti memilih periode laju pembelajaran dan percobaan dilakukan
yang akan dilakukan proses pelatihan, kolom sebanyak 10 kali untuk tiap 3 periode dimana
untuk menentukan minimum error dan kolom setelah melakukan proses pelatihan bobot hasil
laju pembelajaran. Untuk proses latih pilih pelatihan akan langsung digunakan untuk
kolom latih, untuk proses uji pilih kolom uji. proses pengujian. Proses ini dinamakan proses
Form pengujian adalah form yang trial error, guna untuk mencari bobot – bobot
dirancang untuk melakukan proses pengujian yang menghasilkan nilai terbaik atau
data uji yang mana bobot yang digunakan mendekati target pada proses pengujian. Hasil
adalah bobot hasil pelatihan terbaik. Gambar 9 pelatihan periode januari – april, periode mei –
menunjukan perancangan form pengujian. agustus dan periode september – desember
dengan menggunakan data latih dari tahun
2009 sampai dengan 2013. Hasil terbaik
pelatihan periode januari – april adalah dengan
arsitektur jaringannya yaitu 4 neuron pada
lapisan masukan,3 neuron pada lapisan
tersembunyi dan 1 neuron pada lapisan
keluaran, target error 0,00001, maksimum
epoch 100000 dan menggunakan laju
pembelajaran 0,09 yaitu dengan hasil MSE
BPN- sebesar 0,064722 berhenti pada epoch
ke 35278 dan BPN+ sebesar 0,030644 berhenti
pada epoch ke 27122. Tabel 1 merupakan
Hasil pelatihan pada periode januari – april.
Gambar 9. Perancangan Form Pengujian.
Tabel 1. Hasil Pelatihan Periode Januari –
4. HASIL PENELITIAN DAN April.
PEMBAHASAN
Hasil penelitian dan pembahasan MSE MSE Epoch Epoch
No LR
BPN- BPN+ BPN- BPN+
meliputi pelatihan sistem beserta hasil 1. 0,159175 0,34983 48320 63417
0,01
pelatihan dan pengujian sistem beserta hasil 2. 0,02 0,152371 0,341426 47587 62887
pengujian.
3. 0,03 0,143261 0,324784 46579 61816
4. 0,04 0,130063 0,287501 45040 59277
4.1 Proses Pelatihan Sistem
5. 0,05 0,111861 0,211642 42736 53336
Tampilan form pelatihan data
6. 0,06 0,094996 0,136158 40362 45781
ditunjukan pada gambar 10.
7. 0,07 0,086863 0,084003 39117 38694
8. 0,08 0,076637 0,050434 37437 32352
9. 0,09 0,064722 0,030644 35278 27122
115
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
1. 0,01 0,160575 0,223381 48468 54333 Dari hasil pelatihan tersebut dapat
2. 0,02 0,159149 0,221959 48312 54210 diambil kesimpulan bahwa jumlah data latih
3. 0,03 0,157498 0,220098 48137 54052 sangat berpengaruh terhadap hasil pelatihan,
4. 0,04 0,155627 0,21765 47938 53844 semakin banyak jumlah data latih maka
5. 0,05 0,1535 0,214353 47709 53561 semakin baik hasilnya. Semakin kecil nilai
6. 0,06 0,151076 0,209771 47446 53162 MSE maka nilai akurasi pelatihan semakin
7. 0,07 0,148314 0,203192 47143 52580 tinggi. Kecepatan epoch ditentukan pula oleh
8. 0,08 0,145184 0,193552 46795 51703 laju pembelajaran yang digunakan, semakin
9. 0,09 0,141674 0,179612 46399 50383
besar nilai laju pembelajaran maka semakin
sedikit epoch yang diperlukan, akan tetapi jika
Hasil terbaik pelatihan periode mei – laju pembelajaran terlalu besar maka akan
agustus adalah dengan arsitektur jaringannya merusak pola yang sudah benar.
yaitu 4 neuron pada lapisan masukan, 3 neuron
pada lapisan tersembunyi dan 1 neuron pada 4.3 Proses Pengujian
lapisan keluaran, target error 0,00001, Tampilan untuk melakukan proses
maksimum epoch 100000 dan menggunakan pengujian diyunjukan pada gambar 11.
laju pembelajaran 0,09 untuk BPN+ dengan
hasil MSE pengujian sebesar 0,179612
berhenti pada epoch ke 50383 dan untuk BPN-
dengan hasil MSE sebesar 0,141674 berhenti
pada epoch ke 46399.
116
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
117
Jurnal Coding, Sistem Komputer Untan
Volume 05, No. 2 (2017), hal 108-118 ISSN 2338-493x
100000. Hasil penelitian menunjukan [5] Kusumadewi, S., dan Hartati, S.,
bahwa MSE untuk pelatihan periode 2010. Neuro-Fuzzy Integrasi
januari – april dengan menggunakan Sistem Fuzzy dan Jaringan
laju pembelajaran 0,09 sebesar Syaraf.Yogyakarta: Graha Ilmu.
0,064722 (untuk BPN-) dan 0,030644 [6] Rojas,R.1996.Neural Networks A
(untuk BPN+), periode mei – agustus
Systematic Introduction.Berlin :
dengan laju pembelajaran 0,09 MSE
sebesar 0,141674 (untuk BPN-) dan Springer-Verlag.
0,179612 (untuk BPN+), dan periode [7] Pal, S. K; dan Ghosh, A. 1996. “ Neuro
september – desember dengan laju Fuzzy Computing For Image
pembelajaran 0,09 MSE sebesar Proccessing and Pattern Recognition
0,025324 (untuk BPN-) dan 0,036961 ”. International Journal of System
(untuk BPN+). Sedangkan mean Sciience vol 27 no 12.
selisih interval antara batas bawah
dengan nilai aktual pada data [8] Lin, Chin-Teng; dan Lee, George. 1996.
pengujian adalah sebesar 4.369,2 Neural Fuzzy Systems. London:
(BPN-) sedangkan mean selisih Prentice-Hall.
interval antara batas atas dengan nilai [9] Sam, h. (2016). Penjelasan Kriteria
aktual pada data pengujian sebesar Padi Siap Panen Secara Lengkap.
19.744,3 (BPN+). http://www.dosenpendidikan.com/
6. SARAN
penjelasan-kriteria-padi-siap-
Hal – hal yang dapat penulis sarankan panen-secara-lengkap/: (diakses
pada penelitian ini dan untuk pengembang tanggal 7 Desember 2016).
sistem prediksi produksi padi tiap 3 periode
dengan menggunakan metode regresi interval
dengan neural fuzzy agar menjadi lebih baik
kedepannya adalah untuk penelitian
selanjutnya menggunakan data latih yang lebih
banyak lagi agar jaringan syaraf tiruan dapat
lebih baik mengenali pola pelatihan untuk
menghasilkan nilai error batas bawah dan
batas atas lebih kecil lagi sehingga mendekati
target produksi yang diinginkan.
DAFTAR PUSTAKA
118