Prediksi Produk Airi PDAM Kota Pekalongan dengan metode Jaringan Syaraf Tiruan
DOI:
https://doi.org/10.47775/ictech.v15i1.86Abstrak
Predeksi kapasitas produksi air membantu PDAM sebagai perusahaan yang bergerak di bidang layanan penyedia air bersih. Sistem yang tepat untuk memprediksi jumlah produksi air guna mengambil kebijakan dalam bidang pengelolaan air bersih. Penelitian ini menghasilkan sebuah model prediksi untuk total produksi air PDAM kota Pekalongan. Data yang diolah yaitu jumlah penduduk, jumlah pelanggan berdasarkan jenis pelanggan, total volume produksi, kontribusi daerah sumber, volume distribusi, air terjual, dan kehilangan air. Data diperoleh dari laporan bulanan perusahaan. Pendekatan yang digunakan menggunakan metode Jaringan Syaraf Tiruan Backpropagation diperoleh sebuah model prediksi produk air PDAM Kota Pekalongan RMSE (Root Mean Square Error) yang terbaik 4.943 dengan rincian training cycles: 1000, learning rate: 0.2, momentum: 0.4, jumlah hidden layer: 1, dan size hidden layer: 7 dengan residual 0.87.
Referensi
Shah, A. “Water and Developmentâ€. Global Issues, June 2010.
Septiarini nindita dan Sya’baniah Nur, Sistem Peramalan Jumlah Produksi Air PDAM Samarinda Menggunakan Jaringan Syaraf Tiruan Backpropagation, Program Studi Ilmu Komputer FMIPA, Universitas Mulawarman, Jurnal EKSPONENSIAL Volume 3, Nomor 1, Mei 2012 ISSN 2085-7829
Sutanto Teguh dan Kartika Sari Dyan Novita, Implementasi Sistem Neuro Fuzzy Untuk Prediksi Produksi Air Minum di PDAM Surabaya, Sekolah Tinggi Manajemen Informatika dan Teknik Komputer Surabaya (STIKOM), ISSN 1978-0087
Jones, M. T. Artificial Intelligence: A System Approach. Hingham, MA, Infinity Science Press LLC.2008
PHK TIK K1, Handout Mata Kuliah Artificial Intelligence, Teknik Elektro Fakultas Teknik Universitas Widyagama Malang, 2008
Ruzica Skurla Babic, M.Sc, Ivan Grgurevic, B.Eng. Zvonimir Majic, B.Eng, Comparison Of Air Travel Demand Forecasting Methods, Croatia
Lipae Jamil L, Dr. P.Deligero Eveyth, On Forecasting Water Consumption in Davao City Using Autoregressive Integrated Moving Average (ARIMA) Models and the Multilayer Perceptron Neural Network (MLPNN) Processes, International Journal of Humanities and Applied Sciences (IJHAS) Vol. 1, No. 4, 2012 ISSN 2277 – 4386
Msiza Ishmael S, Nelwamondo Fulufhelo V, Marwala Tshilidzi, Water Demand Prediction using Artificial Neural Networks and Support Vector Regression, Journal of Computers, Vol. 3, no. 11, November 2008
