Dilla Kurniati, - (2020) PENERAPAN PROBABILISTIC NEURAL NETWORK DAN BACKPROPAGATION NEURAL NETWORK UNTUK KLASIFIKASI PRODUKSI GARAM DI INDONESIA. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

	Text SKRIPSI FULL TANPA BAB4.pdf Download (2MB)
	Text (BAB IV) SKRIPSI BAB 4.pdf - Published Version Restricted to Repository staff only Download (651kB)

Abstract

Indonesia merupakan negara maritim dengan garis pantai terpanjang nomor dua di dunia. Indonesia memiliki luas wilayah laut 5,8 juta km2 dan luas wilayah daratan 1,9 juta km2. Menurut Kementrian Kelautan dan Perikanan (KKP) di Indonesia kebutuhan garam pertahunnya terus mengalami peningkatan. Pada tahun 2020 kebutuhan garam nasional jauh meningkat menjadi 4,2 juta ton dengan rincian 1,6 juta ton untuk konsumsi rumah tangga dan 2,6 juta ton untuk industri. Beberapa faktor yang mempengaruhi rendahnya produksi garam dalam negeri, yaitu perubahan iklim, lemahnya distribusi dan pemasaran garam, dan tidak memadainya jumlah petambak garam. Untuk meningkatkan produksi garam dalam negeri, maka perlu dilakukannya klasifikasi produksi garam untuk mengetahui daerah penghasil garam paling tinggi dan paling rendah. Klasifikasi dilakukan dengan menggunakan metode PNN dan BPNN. Data yang digunakan yaitu data produksi garam nasional tahun 2011-2013 dengan atribut id, kabupaten, param garam, luas lahan, dan produksi. Selanjutnya yaitu menentukan kriteria yang paling berprioritas pada atribut dengan menggunakan C4.5. Adapun kriteria prioritas yang diperoleh yaitu produksi dengan nilai gain 0,606. Untuk mendapatkan hasil akurasi terbaik dilakukan pembagian data training dan data testing menggunakan K-Means Clustering. Selanjutnya dilakukan klasifikasi menggunakan 2 metode, yaitu PNN dan BPNN dengan kelas target tinggi, sedang, dan rendah. PNN memperoleh akurasi sebesar 10,52% dan BPNN memperoleh akurasi sebesar 98,20%, dengan learning rate 0,598, dan momentum 0,58. Kata Kunci: BPNN, C4.5, K-Means Clustering, PNN, Produksi Garam.

Actions (login required)

View Item