Penerapan Jaringan Syaraf Tiruan Backpropagation Dalam Prediksi Produksi Bahan Pangan Pokok di Indonesia

Abstract — Foods prediction is one of the ways applicable to know condition of food stockpiling. Even have available research about food material condition, but that research object just confines to one food and data material that is utilized is gross production data only. This research started by processing netto's production data their material food to get time series data of food. Method that is utilized is artificial neural network backpropagation  with data input is previous year datas. Severally experimental being done to get optimal architecture and resulting predicts that accurate. Result observationaling to point out optimal architecture is network with one input layer with 9 neuron, one hidden layer with 9 neuron and one output layer (9 - 6 - 1). Best activation function that is utilized is tansig, training's function best is trainrp with epochs 138 with RMSE's 0,0100. Intisari — Prediksi bahan pangan pokok merupakan salah satu cara yang dapat digunakan untuk mengetahui kondisi persediaan pangan. Meskipun sudah ada penelitian tentang kondisi bahan pangan, tetapi objek penelitian tersebut hanya terbatas pada satu bahan pangan serta data yang digunakan adalah data produksi bruto saja. Penelitian ini diawali dengan mengolah data produksi netto masing-masing bahan pangan untuk mendapatkan nilai runtun waktu data produksi bahan pangan pokok. Metode yang digunakan adalah jaringan syaraf tiruan dengan input data adalah data-data tahun sebelumnya. Beberapa percobaan dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan prediksi yang akurat.Hasil penelitian menunjukkan arsitektur yang optimal adalah jaringan dengan satu lapisan masukan dengan 9 neuron, satu lapisan tersembunyi dengan 6 neuron dan satu lapisan keluaran (9-6-1). Fungsi aktivasi terbaik yang digunakan adalah tansig, fungsi training terbaik adalah trainrp dengan epochs 138 yang menunjukan RMSE 0,0100. Keyword: Backpropagation, Neural Network, Prediction, Foo