IMPLEMENTASI ARTIFICIAL NEURAL NETWORK PADA KASUS REGRESI LINEAR BERGANDA UNTUK MEMPREDIKSI JUMLAH PAKAN AYAM PETELUR

Ali Asgar Zainal Abidin; Kusrini; Ferry Wahyu Wibowo

doi:10.24252/instek.v9i2.50836

Ali Asgar Zainal Abidin Universitas Amikom Yogyakarta
(ID)
Kusrini
(ID)
Ferry Wahyu Wibowo
(ID)

DOI: https://doi.org/10.24252/instek.v9i2.50836

Keywords: Artifical Neural Network, Performance, Laying Chicken Feed

Abstract

Produksi telur ayam petelur adalah bagian penting dalam industri peternakan dan berperan besar dalam memenuhi kebutuhan masyarakat akan telur sebagai sumber makanan. Penelitian ini menggunakan algoritma Jaringan Saraf Tiruan (JST), yang sering digunakan untuk memprediksi data, untuk melakukan prediksi jumlah pakan yang dibutuhkan oleh ayam petelur. Penelitian ini bukan tentang hasil prediksi konkret, tetapi lebih tentang evaluasi kemampuan algoritma JST dalam melakukan prediksi berdasarkan dataset yang diperoleh dari sumber Kaggle.Dalam penelitian ini, berbagai model arsitektur jaringan neural telah dieksplorasi, termasuk model dengan struktur 5-30-1, 5-40-1, 5-50-1, dan 5-60-1. Setiap model telah dilatih dan diuji, dan hasilnya menunjukkan bahwa model arsitektur terbaik adalah yang memiliki struktur 5-40-1, dengan tingkat kinerja (MAPE) terendah sekitar 4.04 dan RMSE sebesar 6.71, yang merupakan tingkat kesalahan terendah dibandingkan dengan enam model lainnya. Ini mengindikasikan bahwa model tersebut dapat digunakan dengan baik untuk melakukan prediksi jumlah pakan yang dibutuhkan oleh ayam petelur.

Downloads

Download data is not yet available.

References

Adriono, E., Somantri, M., & Suryono, C. A. (2022). Model Prediksi Jumlah Pakan menggunakan Algoritma Evolusi Pikiran - Jaringan Syaraf Tiruan Rambatan Balik untuk Budidaya Udang. Jurnal Kelautan Tropis, 25(2), 266–278. https://doi.org/10.14710/jkt.v25i2.14256

ARTINI, W. (2017). Ragam Konsumsi Pangan Masyarakat Pedesaan Di Desa Margopatut Kecamatan Sawahan Kabupaten Nganjuk. Jurnal Agrinika : Jurnal Agroteknologi Dan Agribisnis, 1(1), 27–44. https://doi.org/10.30737/agrinika.v1i1.304

Budiarto, A. A., Fatkhurrozi, B., & Setyowati, I. (2020). Implementasi Operator Canny Identifikasi Fertilitas Telur Ayam Buras. Theta Omega: Journal of Electrical Engineering, Computer and Information Technology, 1(2), 1–7.

Frisca Siahaan, R. (2017). Mengawal Kesehatan Keluarga Melalui Pemilihan Dan Pengolahan Pangan Yang Tepat. Jurnal Keluarga Sehat Sejahtera, 15(2), 57–64. https://doi.org/10.24114/jkss.v15i2.8775

Gandhi Ramadhona, Budi Darma Setiawan, F. A. B. (2018). Prediksi Produktivitas Padi Menggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(12), 6048–6057.

Inggih Permana, F. N. S. (2022). The Effect of Data Normalization on the Performance of the Classification Results of the Backpropagation Algorithm. IJIRSE: Indonesian Journal of Informatic Research and Software Engineering, 2(1), 67–72.

Joseph, V. R. (2022). Optimal ratio for data splitting. Statistical Analysis and Data Mining, 15(4), 531–538. https://doi.org/10.1002/sam.11583

Kahloot, K. M., & Ekler, P. (2021). Algorithmic Splitting: A Method for Dataset Preparation. IEEE Access, 9, 125229–125237. https://doi.org/10.1109/ACCESS.2021.3110745

Komariah, E., Octariadi, B. C., & Siregar, A. C. (n.d.). Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Hasil Produksi Kelapa Sawit Menggunakan Backpropagation.

Muhamad, I. M., Wardana, S. A., Wanto, A., & Windarto, A. P. (2022). Algoritma Machine Learning untuk penentuan Model Prediksi Produksi Telur Ayam Petelur di Sumatera. Journal of Informatics …, 1(4), 126–134.

Muraina, I. O. (2022). Ideal Dataset Splitting Ratios in Machine Learning Algorithms: General Concerns for Data Scientists and Data Analysts. 7th International Mardin Artuklu Scientific Researches Conference, February, 496–504.

Pamungkas, J., Winanjaya, R., Robiansyah, W., & Artikel, G. (2022). Metode Jaringan Saraf Tiruan dalam Memprediksi Jumlah Produksi Daging Itik Manila Berdasarkan Provinsi Di Indonesia Artificial Neural Network Method in Predicting the Amount of Manila Duck Meat Production by Province in Indonesia. JOMLAI: Journal of Machine Learning and Artificial Intelligence, 1(3), 2828–9099. https://doi.org/10.55123/jomlai.v1i3.918

Sudarsono, A. (2016). 153217-ID-jaringan-syaraf-tiruan-untuk-memprediksi. Jurnal Media Infotama, 12(1), 61–69.

Uzair, M., & Jamil, N. (2020). Effects of Hidden Layers on the Efficiency of Neural networks. Proceedings - 2020 23rd IEEE International Multi-Topic Conference, INMIC 2020, 1–6. https://doi.org/10.1109/INMIC50486.2020.9318195

Whendasmoro, R. G., & Joseph, J. (2022). Analisis Penerapan Normalisasi Data Dengan Menggunakan Z-Score Pada Kinerja Algoritma K-NN. JURIKOM (Jurnal Riset Komputer), 9(4), 872. https://doi.org/10.30865/jurikom.v9i4.4526

Wibawa, M. S. (2017). Pengaruh Fungsi Aktivasi, Optimisasi dan Jumlah Epoch Terhadap Performa Jaringan Saraf Tiruan. Jurnal Sistem Dan Informatika (JSI), 11(January 2017), 167–174. https://doi.org/10.13140/RG.2.2.21139.94241