Peramalan Volume Sampah di Kota Samarinda Menggunakan Metode Feedforward Neural Network

Fredicus Van Becum; Meiliyani Siringoringo; Siti Mahmuda; Sri Wahyuningsih; Rito Goejantoro

doi:10.29303/ijasds.v3i1.10026

Authors

Fredicus Van Becum Program Studi Statistika, Universitas Mulawarman
Meiliyani Siringoringo Laboratorium Statistika Ekonomi dan Bisnis, Universitas Mulawarman
Siti Mahmuda Laboratorium Statistika Komputasi, Universitas Mulawarman
Sri Wahyuningsih Laboratorium Statistika Ekonomi dan Bisnis, Universitas Mulawarman
Rito Goejantoro Laboratorium Statistika Komputasi, Universitas Mulawarman

DOI:

https://doi.org/10.29303/ijasds.v3i1.10026

Keywords:

Backpropagation, Feedforward Neural Network, Forecasting, Waste Volume

Abstract

Pertumbuhan penduduk di berbagai kota besar di Indonesia memicu peningkatan volume sampah yang dihasilkan, salah satunya Samarinda sebagai Ibu Kota Provinsi Kalimantan Timur. Menurut data Badan Pusat Statistik (BPS) laju pertumbuhan penduduk di Kota Samarinda sebesar 0,41%. Kondisi ini menunjukkan bahwa pengelolaan sampah di Kota Samarinda masih menghadapi tantangan yang cukup serius, sehingga diperlukan upaya peramalan yang akurat untuk mendukung perencanaan pengelolaan sampah ke depan, Salah satu metode peramalan yang dapat digunakan yaitu metode Feed Forward Neural Network (FFNN). Metode FFNN merupakan jaringan yang saling terhubung antara satu titik dengan titik lainnya yang mengalir maju tanpa adanya umpan balik. Algoritma yang dapat digunakan dalam peramalan jaringan saraf tiruan adalah algoritma backpropagation, dimana algoritma ini bekerja dengan mengoptimalkan bobot dan bias untuk meminimumkan error. Penelitian ini bertujuan untuk meramalkan volume sampah Kota Samarinda menggunakan arsitektur FFNN terbaik. Hasil penelitian menunjukkan arsitektur FFNN terbaik yang digunakan adalah sebanyak 5 neuron pada lapisan tersembunyi dengan proporsi data training dan testing sebesar 80:20. Arsitektur tersebut menghasilkan MAPE pada data training sebesar 1,8506% dan RMSE sebesar 1.280,23, serta MAPE pada data testing sebesar 3,1823% dan RMSE sebesar 2.139,48. Hasil peramalan untuk periode Juli 2024 hingga Juni 2025 menunjukkan tren volume sampah yang cenderung meningkat, dengan puncak tertinggi pada April 2025 (56.141,13 m³) dan titik terendah pada Mei 2025 (54.432,84 m³). Tren kenaikan ini perlu menjadi perhatian serius bagi Pemerintah Kota Samarinda, khususnya dalam hal kecukupan armada pengangkutan, kapasitas tempat pembuangan akhir, dan program pengelolaan sampah berbasis masyarakat.

References

Adiwana, M. N., & Kartini, U. T. (2020). Desain Photovoltaic Dan Peramalan Jangka Pendek Radiasi Sinar Matahari Menggunakan Metode Feed-Forward Neural Network. Jurnal Teknik Elektro, 9(1), 757–764.

Aljaaf, A. J., Mohsin, T. M., Al-Jumeily, D., & Alloghani, M. (2021). A fusion of data science and feed-forward neural network-based modelling of COVID-19 outbreak forecasting in IRAQ. Journal of Biomedical Informatics, 118(August 2020), 103766. https://doi.org/10.1016/j.jbi.2021.103766

Aminy, L. N., & Walid. (2024). Perbandingan Model Feed Forward Neural Network Dan Arima Untuk Meramalkan Perkembangan Covid-19 Di Indonesia. Jurnal Ilmiah Matematika, 12(1), 1–10.

Badan Pusat Statistik. (2023). Kota Samarinda Dalam Angka 2023. Samarinda: Badan Pusat Statistik Kota Samarinda.

Chang, P. C., Wang, Y. W., & Liu, C. H. (2007). The development of a weighted evolving fuzzy neural network for PCB sales forecasting. Journal Expert Systems with Applications, 32(1), 86–96. https://doi.org/10.1016/j.eswa.2005.11.021

Fausset, L. (1994). Fundamental Of Neural Network (Architectures, Algorithms, and Applications). Upper Saddle River, New Jersey: Prentice-hall.

Fitriani, B. E., Ispriyanti, D., & Prahutama, A. (2015). Peramalan Beban Pemakaian Listrik Jawa Tengah Dan Daerah Istimewa Yogyakarta Dengan Menggunakan Hybrid Autoregresive Integrated Moving Average-Neural Network. Gaussian, 4(4), 745–754. https://doi.org/10.14710/j.gauss.4.4.745-754

Juliana, A., Hamidatun, & Muslima, R. (2019). Modern Forecasting: Garch, Artificial Neural Network, Neuro-Garch (Teori dan Aplikasi). Yogyakarta: Depublish.

Kristanto, A. (2004). Jaringan Saraf Tiruan (Konsep Dasar, Algoritma Dan Aplikasi). Yogyakarta: Penerbit Gava Media.

Makridakis, S., Wheelwright, S. C., & McGee, V. E. (1999). Metode dan Aplikasi Peramalan Jilid 1. Jakarta: Erlangga.

Montgomery, D. C., Jennings, C. L., & Kulahci, M. (2011). Introduction to Time Series Analysis and Forecasting. New York: John Wiley & Sons.

Pasini, A. (2015). Artificial neural networks for small dataset analysis. 7(5), 953–960. https://doi.org/10.3978/j.issn.2072-1439.2015.04.61

Rachman, A. S., Cholissodin, I., & Fauzi, M. A. (2018). Peramalan Produksi Gula Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(4), 1683–1689.

Saputri, P. D., & Oktaviana, P. P. (2023). Perbandingan Metode Feedforward Neural Network dan Metode Statistika Klasik: Aplikasi di Bidang Finansial. Jurnal Matematika, Statistika Dan Komputasi, 19(3), 537–548. https://doi.org/10.20956/j.v19i3.25379

Siang, J. J. (2009). Jaringan Saraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: CV Andi Offset.

Syaharuddin, Pramita, D., Nusantara, T., & Subanji. (2019). Peramalan Artificial Neural Network Berbasis GUI dan NNTool Matlab. Ponorogo: Wade Group.

Yuliandar, D., Warsito, B., & Hasbi, Y. (2012). Pelatihan Feedforward Neural Network Menggunakan Algoritma Genetika Dengan Metode Seleksi Turnamen Untuk Data Time Series. Jurnal Gaussian, 1(1), 65–72. https://doi.org/10.14710/j.gauss.1.1.65-72