Komparasi Metode Neural Network Backpropagation dan Support Vector Machines dalam Prediksi Volume Sampah TPA Suwung

Anak Agung Arimas Purnamaswaria1, I Ketut Gede Darma Putraa2, I Made Suwija Putraa3 aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Bali e-mail: 1[email protected], 2[email protected], 3[email protected]

Abstrak

Provinsi Bali memiliki salah satu TPA sampah yang terletak di Kelurahan Pedungan, Denpasar Selatan bernama TPA Regional Sarbagita Suwung atau TPA Suwung. Tumpukan sampah di TPA mengalami kepadatan hingga menimbulkan dampak negatif bagi masyarakat sekitar TPA. Peramalan volume sampah merupakan langkah awal dan langkah penting dalam merencanakan suatu pengelolaan sampah. Hasil peramalan yang akurat berdasarkan dari data historis volume sampah di TPA Suwung dapat menciptakan strategi penanganan sampah yang baik serta menciptakan suatu infrastruktur pembuangan sampah yang mencukupi. Penelitian ini membandingkan kinerja Metode Backpropagation dan Support Vector Machine dalam meramalkan volume sampah berdasarkan dengan data jumlah volume sampah bulanan yang tertampung di TPA Suwung dari Tahun 2015 hingga 2020. Uji optimalisasi parameter peramalan sesuai dengan masing – masing metode dilakukan untuk mendapatkan hasil yang terbaik. Hasil dari peramalan volume sampah menggunakan Metode Backpropagation mencapai tingkat kesalahan terkecil yaitu 0.048 sedangkan peramalan volume sampah menggunakan Metode SVM mencapai tingkat kesalahan yaitu 0.108.

Kata kunci: Sampah, TPA, Peramalan, Backpropagation, SVM

Abstract

Bali has one landfill located in Pedungan Village, South Denpasar named TPA Regional Sarbagita Suwung or TPA Suwung. Waste generation in the landfill are overcrowded and have a negative impact on the people around the landfill. Forecasting the volume of waste is the first and important step in planning a waste management. Accurate forecasting results based on historical data on the volume of waste in Suwung Landfill can create a better waste management strategy and create an adequate waste disposal infrastructure. This study compares the performance of the Backpropagation and Support Vector Machine methods in forcasting the volume of waste based on data on the volume of monthly waste that is accommodated in the Suwung Landfill from 2015 to 2020. Optimizing the forecasting parameters according to each method is carried out to get the best results. The results of forecasting the volume of waste using the Backpropagation Method reach the smallest error rate of 0.048 while the forecasting of the volume of waste using the SVM method has an error rate of 0.108.

Keywords: Waste, Landfill, Forecasting, Backpropagation, SVM

  • 1.    Introduction

Permasalahan sampah di Provinsi Bali masih menjadi salah satu masalah lingkungan yang menjadi pokok perhatian oleh pemerintah Provinsi Bali. Provinsi Bali menetapkan salah satu daerah di Kelurahan Pedungan, Denpasar Selatan sebagai Tempat Pemrosesan Akhir (TPA) sampah yang dikenal dengan nama TPA Regional Sarbagita Suwung atau sering disebut TPA Suwung. TPA Suwung menampung sampah ± 1.150 ton per hari [1]. Dampak yang terjadi disebabkan volume sampah yang menumpuk cukup berbahaya, seperti penurunan kualitas tanah, udara dan air, kepadatan lahan di TPA hingga berdampak negatif untuk kesehatan

masyarakat sekitar TPA. Jika kepadatan di TPA terus terjadi maka umur penggunaan lokasi TPA ini akan segera berakhir yang dihitung dalam 5 tahun atau kurang. Denpasar juga memiliki batasan geografis sehingga akan sulit untuk mengamankan lokasi TPA baru [2]. Salah satu solusi untuk mengantisipasi dampak tersebut yaitu membuat suatu peramalan volume sampah. Peramalan volume sampah merupakan suatu langkah penting dan langkah awal dalam merencanakan suatu penanganan pengelolaan sampah. Hasil peramalan yang akurat berdasarkan dari data historis volume sampah di TPA Suwung dapat menciptakan strategi penanganan sampah yang baik serta dapat menciptakan suatu infrastruktur pembuangan sampah yang mencukupi.

Metode peramalan Neural Network Backpropagation dan Support Vector Machine (SVM) mampu dengan baik melakukan peramalan time series. Metode Neural Network Backpropagation pernah digunakan pada penelitian peramalan sampah di TPA Benowo Surabaya, data yang digunakan dari periode 2013-2015. Model peramalan yang dihasilkan adalah menggunakan parameter 9 input layer, learning rate 0,1 dan momentum 0.8. Tingkat kesalahan yang diperoleh sebesar 5.576% [3]. Kasus lainnya, Backpropagation digunakan untuk meramalkan jumlah produksi air di Kota Padang. Daya yang digunakan data prosuksi air PDAM dari tahun 2014-2018 bersifat bulanan. Arsitektur jaringan yang digunakan 5-6-1, menghasilkan persentase rata – rata kesalahan sebesar 0.23% [4]. Metode SVM pernah digunakan dalam penelitian peramalan persebaran demam berdarah di Kota Bandar Lampung. Hasil akurasi yang diperoleh dengan menggunakan Kernel Gaussian mendapat akurasi 75,52%, Kernel Polynomial mendapatkan akurasi 75,15% dan Kernel Linear mendapatkan akurasi 74,61% [5]. Imelda Alvionita Tarigan melakukan penelitian perbandingan metode SVM dan Backpropagation dalam peramalan jumlah wisatawan mancanegara. Metode SVM menggunakan Kernel Radial. Metode Backpropagation menggunakan arsitektur jaringan 9-102-1, learning rate 0.5 dan epoch 1000. Hasil MAPE terkecil Metode SVM 0.0276 sedangkan Backpropagation memperoleh MAPE 0.1539 [6]

Berdasarkan studi literatur yang telah dilakukan belum ada penelitian yang membahas mengenai perbandingan metode peramalan untuk meramalkan volume sampah di TPA Suwung. Tujuan dari penelitian ini adalah membandingankan Metode SVM dan Backpropagation untuk memperoleh metode peramalan dengan akurasi terbaik.

  • 2.    Metodologi Penelitian

Metodologi penelitian digambarkan dengan bagan yang menjelaskan mengenai tahapan perbandingan kinerja metode peramalan dari awal pengumpulan data hingga mendapatkan hasil penelitian. Gambaran umum penelitian dapat dilihat pada Gambar 1.

Gambar 1. Gambaran Umum Penelitian

Gambar 1 menampilkan tahapan perbandingan metode peramalan volume sampah terdiri dari lima tahap, yaitu pengumpulan data, pre-processing data, peramalan volume sampah, analisis tingkat kesalahan dan denormalisasi data.

  • 2.1.    Pengumpulan Data

Data diperoleh dari UPTD. Pengelolaan Sampah Provinsi Bali. Variabel data yang digunakan pada penelitian adalah data bulanan volume sampah yang ditampung di TPA Suwung dari tahun 2015 hingga 2020, sehingga jumlah total data yang digunakan adalah 72 data. Data aktual volume sampah dijadikan bahan dasar dalam proses peramalan.

  • 2.2.    Pre-processing Data

Data aktual volume sampah yang telah diperoleh kemudian dilakukan normalisasi. Normalisasi dilakukan untuk membuat data berada dalam skala 0-1 sehingga memudahkan dalam proses pengolahan data [7]. Fungsi normalisasi yang dilakukan yaitu fungsi Min-Max. Persamaan Min-Max dapat dilihat pada Persamaan 1.

jf-min

x’= (τlGX - min )*(a – b) + b

(1)


Parameter x menunjukkan data aktual, min menunjukan nilai data minimal pada data aktual, max menunjukkan nilai maksimal pada data aktual, a menunjukkan batas skala tertinggi dan b menunjukkan skala nilai terendah. Data hasil normalisasi kemudian memasuki tahapan windowing untuk merubah data yang bersifat univariant menjadi data multivariant. Pembagian data dilakukan dengan perbandingan 70% data latih dan 30% data uji. Data latih digunakan untuk melatih model peramalan menentukan parameter terbaik. Data uji digunakan untuk menerapkan model peramalan dengan parameter terbaik.

  • 2.3.    Peramalan Volume Sampah

Peramlaan volume sampah menggunakan aplikasi RapidMiner Studio versi 9.9. Peramalan dilakukan dengan 2 metode peramalan yaitu Backpropagation dan SVM. Uji variasi parameter dilakukan untuk menentukan parameter dari masing – masing metode peramalan yang optimal dalam meramalkan volume sampah. Inisialisasi parameter Backpropagation dilakukan pada node hidden layer, training cycles, learning rate dan momentum sedangkan untuk SVM dilakukan inisialisasi pada parameter kernel type, C, epsilon, kernel degree dan gamma.

  • 2.4.    Analisis Tingkat Kesalahan

Mengukur tingkat kesalahan dari pengujian data dilakukan pada kedua metode peramalan menggunakan Root Mean Square Error (RMSE). Niali RMSE dapat dilihat pada Persamaan 2.

l∑w)2

RMSE = 'J π                                     (2)

Nilai RMSE dihitung dari akar total jumlah selisih antara nilai aktual dan hasil peramalan pangkat dua dibagi dengan jumlah data. Jika nilai RMSE semakin mendekati 0, maka nilai akurasi peramalan semakin baik.

  • 2.5.    Denormalisasi Data

Hasil peramalan dari metode terbaik diolah dengan melakukan proses denormalisasi. Denormalisasi bertujuan untuk mengembalikan bentuk data hasil prediksi ke bentuk data aktual atau sebelum dilakukan normalisasi. Denormalisasi dilakukan dengan Persamaan 3.

Denormalisasi = (x’(max-min) + min)

(3)


Parameter x’ menunjukkan nilai keluaran, max menunjukkan nilai terbesar pada data aktual dan min menunjukkan data terkecil pada data aktual.

  • 2.6.    Hasil Peramalan Volume Sampah

Hasil peramalan menunjukkan kondisi jumlah volume sampah per bulan selama Tahun 2021. Penelitian berfokus pada komparasi Model Backpropagation dan SVM dalam meramalankan volume sampah TPA Suwung. Hasil peramalan dan perbandingan metode disajikan dalam bentuk tabel dan grafik.

Grafik yang disajikan merupakan gabungan dari data aktual volume sampah dan hasil peramalan volume sampah masing – masing metode untuk dapat memudahkan dalam memahami hasil peramalan.

  • 3.    Kajian Pustaka

Kajian pustaka yang digunakan pada penelitian ini merujuk kepada topik mengenai komparasi Metode Backpropagation dan SVM dalam peramalan jumlah sampah di TPA Suwung. Kajian pustaka yang digunakan antara lain sampah, TPA Regional Sarbagita Suwung, forecasting, Backpropagation dan SVM.

  • 3.1.    Sampah

Sampah merupakan suatu hasil sisa kegiatan manusia atau proses alami berbentuk padat yang sudak tidak dapat diolah kembali [8]. Sampah dapat digolongkan berdasarkan proses terjadinya menjadi sampah alami dan non-alami. Sampah digolongkan menjadi 4 berdasarkan sifat fisik dan kimianya yaitu sampah yang dapat diurai, sampah tidak dapa diurai, sampah berupa debu dan sampah berbahaya bagi kesehatan seperti limbah dari rumah sakit [9].

  • 3.2.    TPA Regional Sarbagita Suwung

TPA Regional Sarbagit Suwung atau yang lebih dikenal dengan nama TPA Suwung berlokasi di Desa Suwung, Kecamatan Denpasar Selatan. Data sampah TPA Suwung berada dalam pengawasan UPTD. Pengelolaan Sampah Provinsi Bali. Luas wilayah TPA Suwung mencapai kurang lebih 32,4 hektar.

TPA Suwung melayani penampungan sampah dari Regional Sarbagita (Denpasar, Badung, Gianyar dan Tabanan). Sampah yang ditampung di TPA Suwung telah melalui seleksi, TPA tidak menerima sampah berupa sampah pecah belah, bahan mudah terbakar, sampah medis, bangkai dan kotoran makhluk hidup.

  • 3.3.    Forecasting

Forecasting atau peramalan merupakan salah satu dari cabang pembelajaran Data Mining [10]. Forecasting melibatkan penggunaan data deret waktu dalam pengerjaannya. Forecasting menghasilkan suatu informasi yang dapat menjadi suatu bahan pertimbangan pengambilan keputusan yang mencakup banyak bidang seperti pemerintahan, keuangan, ilmu lingkungan, kedokteran, industri maupun bisnis.

Dua jenis teknik forecasting yaitu kuantitatif dan kualitatif. Penelitian ini menggunakan forecasting kuantitatif. Teknik kuantitatif menggunakan data historis dan model peramalan. Model merangkum pola data dan menghubungkan data masa lalu dan masa kini, kemudian data tersebut digunakan untuk meramalkan pola-pola data di periode kedepan.

  • 3.4.    Backpropagation

Backpropagation menerapkan supervised learning yaitu memiliki suatu input data dan output data yang dapat diolah menjadi suatu model hubungan matematis sehingga mampu melakukan prediksi berdasarkan data yang telah ada sebelumnya [11]. Jaringan Backpropagation terdiri dari input layer, hidden layer dan output layer. Setiap layer memiliki node untuk memperbaiki pembelajaran jaringan. Backpropagation memiliki tiga garis besar pengolahan data yaitu, propagasi maju, propagasi mundur dan perubahan bobot. Ketiga tahapan tersebut terus berulang hingga kondisi penghentian terpenuhi [12].

Beberapa parameter yang mempengaruhi performa pembelajaran jaringan Backpropagation antara lain training cycles yaitu banyaknya jumlah iterasi pada pelatihan, momentum untuk meningkatkan konvergen [13].

  • 3.5.    Support Vector Machine

Support Vector Machine atau disingkat SVM merupakan metode peramalan berbasis kecerdasan buatan. Tujuan utama dari SVM adalah untuk menemukan fungsi f(x) sebagai garis pemisah (hyperplane) [14]. f(x) berupa fungsi regresi yang sesuai dengan input data dan membuat epsilon menjadi setipis mungkin. SVM mampu bekerja pada data yang bersifat nonlinear dengan bantuan fungsi kernel. Penelitian ini menggunakan fungsi kernel radial dan polynomial. Kernel digunakan untuk pemetaan dari dimensi yang rendah ke dimensi yang lebih tinggi. Parameter pada kernel berpengaruh terhadap perhitungan yang dilakukan, parameter SVM antara lain kernel degree, Cost, epsilon dan gamma [15].

  • 4.    Hasil dan Pembahasan

Fokus dari penelitian ini pada komparasi metode peramalan Backpropagation dengan SVM dalam melakukan peramalan volume sampah di TPA Suwung. Pembahasan diawali dengan menentukan parameter yang optimal dalam meramalkan volume sampah, kemudian dilanjutkan dengan membandingkan kinerja dari kedua metode. Data volume sampah setelah dilakukan normalisasi perbulan dari tahun 2015 hingga 2020 dapat dilihat pada Tabel 1.

Tabel 1. Data Volume Sampah

Bulan

Volume (m3)

2015

2016

2017

2018

2019

2020

Januari

0.0692

0.1492

0.1232

0.3932

0.5609

0.4829

Februari

0.0220

0.2629

0.3510

0.3285

0.3694

0.4845

Maret

0.0804

0.4076

0.3144

0.1645

0.6507

0.5737

April

0.1586

0.4157

0.3974

0.1861

0.6993

0.8384

Mei

0.2490

0.3959

0.5795

0.1910

0.5838

0.7987

Juni

0.0243

0.3609

0.6720

0.2247

0.3182

0.8512

Juli

0.4310

0.2189

0.3664

0.2714

0.6175

0.9722

Agustus

0.3186

0.0000

0.6320

0.7752

0.3245

0.8537

September

0.4022

0.0427

0.1364

0.7770

0.2463

0.9043

Oktober

0.1366

0.1807

0.1286

0.7653

0.6993

0.9207

Nopember

0.2198

0.4557

0.4131

0.6265

0.2692

0.7657

Desember

0.2669

0.8067

0.1552

0.5847

0.6759

1.0000

  • 4.1.    Peramalan dengan Backpropagation

Penelitian ini menguji beberapa pengaruh parameter Backpropagation dalam mengoptimalkan hasil peramalan. Pengoptimalan model peramalan dilakukan dengan melakukan inisialisasi parameter menggunakan jangkauan node hidden layer 1-12, window size 1-20, learning rate 0.01 – 1, training cycles 1-100 dan momentum 0-1. Hasil terbaik dari pengujian parameter dapat dilihat pada Tabel 2.

Tabel 2. Hasil Optimalisasi Parameter Backpropagation

Node Hidden Layer

Window Size

Learning Rate

Training Cycles

Momentum

RMSE

1

15

0.670

1

0.833

0.0764

2

15

0.340

1

0.500

0.0870

3

20

1.000

1

0.000

0.0678

4

20

0.175

18

1.000

0.0862

5

20

0.670

1

0.667

0.0848

6

20

0.340

34

1.000

0.0787

7

15

0.010

84

1.000

0.0733

8

20

0.505

67

0.000

0.1035

9

20

0.670

18

0.167

0.0735

10

15

0.835

1

0.167

0.0936

11

15

0.670

1

0.500

0.0483

12

15

0.175

1

0.833

0.0554

Berdasarkan dari proses optimalisasi parameter pada Tabel 2. didapatkan bahwa peramalan dengan menggunakan parameter node hidden layer 11, window size 15, learning rate 0.670, training cycles 1 dan momentum 0.500 merupakan model peramalan dengan hasil peramalan terbaik dilihat dari perolehan tingkat kesalahan terkecil yaitu 0.048. Hasil akhir peramalan dengan Metode Backpropagation dengan parameter terpilih diperoleh setelah dilakukannya denormalisasi dapat dilihat pada Tabel 3.

Tabel 3.Hasil Peramalan Backpropagation

Periode

Data Aktual

Hasil Peramalan

Error

Apr-20

118.094

117.141

953

May-20

115.447

117.376

1.929

Jun-20

118.953

116.998

1.955

Jul-20

127.028

117.403

9.625

Aug-20

119.117

116.535

2.582

Sep-20

122.499

116.335

6.164

Oct-20

123.594

118.368

5.226

Nov-20

113.248

116.973

3.726

Dec-20

128.885

118.923

9.962

Jan-21

119.039

Feb-21

118.977

Mar-21

120.857

Apr-21

120.389

May-21

120.979

Jun-21

121.024

Jul-21

121.093

Aug-21

120.522

Sep-21

120.479

Oct-21

120.726

Nov-21

119.687

Dec-21

120.161

Tabel 3 merupakan perbandingan dari data aktual dan data hasil peramalan volume sampah menggunakan Backpropagation. Peramalan dilakukan dari Bulan April 2020 hingga Desember 2020 karena merupakan bagian dari data uji. Kolom Error menunjukkan selisih antara hasil peramalan Backpropagation dengan nilai aktual volume sampah. Bulan Januari 2015 hingga Juli 2020 tidak menghasilkan nilai prediksi karena merupakan bagian dari data latih. Peramalan dilakukan untuk 12 bulan di Tahun 2021.

  • 4.2.    Peramalan dengan SVM

Penelitian ini juga menguji beberapa pengaruh parameter SVM dalam mengoptimalkan hasil peramalan. Pengoptimalan model peramalan dilakukan dengan melakukan inisialisasi parameter menggunakan jangkauan window size 1-20, kernel type polynomial dan radial, gamma 0.01-10, C 0-10, epsilon 0.1-1 dan degree 1-5. Hasil uji coba parameter SVM dapat dilihat pada Tabel 4.

Tabel 4. Hasil Optimasi Parameter SVM

Window Size

C

Polynomial

Epsilon

Degree

RMSE

20

0

0.1

1

0.109

Window Size

C

Radial

Epsilon

Gamma

RMSE

15

3.34

0.1

0.01

0.118

Tabel 4 merupakan hasil terbaik dari setiap perulangan pengujian optimalisasi parameter SVM. Berdasarkan dari proses optimalisasi parameter, hasil peramalan dengan Kernel Polynomial yang optimal didapatkan dengan menggunakan parameter window size 20, C 0, epsilon 0.1, kernel degree 1. Hasil peramalan dengan Kernel Radial yang optimal didapatkan dengan menggunakan parameter window size 15, C 3.34 , epsilon 0.1, gamma 0.01.

Berdasarkan dari tingkat kesalahan dari masing – masing kernel yaitu Kernel Polynomial 0.109 dan Kernel Radial 0.118 maka parameter Kernel Polynomial merupakan kernel terbaik untuk dapat meramalkan volume sampah karena memiliki nilai RMSE terkecil. Hasil akhir peramalan dengan Metode Backpropagation dengan parameter terpilih diperoleh setelah dilakukannya denormalisasi dapat dilihat pada Tabel 5.

Tabel 5. Hasil Peramalan SVM

Periode

Data Aktual

Hasil Peramalan

Error

Jun-20

118.953

123.197

4.244

Jul-20

127.028

134.903

7.875

Aug-20

119.117

106.738

12.379

Sep-20

122.499

125.886

3.386

Oct-20

123.594

112.467

11.127

Nov-20

113.248

118.689

5.441

Dec-20

128.885

129.514

629

Jan-21

115.548

Feb-21

110.769

Mar-21

107.593

Apr-21

107.276

May-21

94.828

Jun-21

113.984

Jul-21

104.840

Aug-21

114.647

Sep-21

114.647

Oct-21

120.668

Nov-21

122.592

Dec-21

136.994

Tabel 3 merupakan perbandingan dari data aktual dan data hasil peramalan volume sampah menggunakan SVM. Peramalan dilakukan dari Bulan Juni 2020 hingga Desember 2020 karena merupakan bagian dari data uji. Bulan Januari 2015 hingga Mei 2020 tidak menghasilkan nilai prediksi karena merupakan bagian dari data latih. Kolom Error menunjukkan selisih antara hasil peramalan Backpropagation dengan nilai aktual volume sampah. Peramalan dilakukan untuk 12 bulan di Tahun 2021.

Grafik perbandingan dari data aktual, hasil peramalan volume sampah menggunakan Metode Backpropagation dan SVM untuk peramalan perbulan dari Bulan April 2020 hingga Desember 2021 ditunjukkan pada Gambar 1.

Gambar 1. Perbandingan Hasil Peramalan

Perbandingan antara data aktual volume sampah dengan hasil peramalan dari kedua metode peramalan terlihat pada Gambar 1. Data aktual digambarkan dengan garis biru, hasil peramalan Backpropagation digambarkan dengan garis orange dan hasil peramalan SVM digambarkan dengan garis hijau. Grafik hasil peramalan menunjukkan bahwa Backpropagation lebih menyerupai data aktual daripada SVM. Dilihat berdasarkan tingkat kesalahan masing – masing metode Metode Backpropagation memiliki nilai RMSE lebih kecil dibandingan Metode SVM.

  • 5.    Kesimpulan

Hasil peramalan volume sampah menunjukkan bahwa Metode Backpropagation dapat menjadi metode peramalan yang lebih baik dibandingkan dengan Metode SVM. Metode Backpropagation menghasilkan tingkat kesalahan terendah yaitu RMSE 0.048 dengan menggunakan parameter node hidden layer 11, window size 15, learning rate 0.670, training cycles 1 dan momentum 0.500 sedangkan untuk Metode SVM menghasilkan tingkat kesalahan RMSE 0.109 dengan menggunakan window size 20, C 0, epsilon 0.1, kernel degree 1.

References

  • [1]    E. P. S. I Wayan Sui Suadnyana, “Sampah ke TPA Sarbagita Suwung Mencapai 1,” Tribun Bali, 2020. https://bali.tribunnews.com/2020/11/21/sampah-ke-tpa-sarbagita-suwung-mencapai-1150-ton-per-hari-bali-rencanakan-bangun-psel.

  • [2]    JFE, “Feasibility Study of Joint Crediting Mechanism Project by City to City Collaboration Waste to Energy Power Plant Project for Bali Province in Indonesia Final Report JFE Engineering Corporation Clean Authority of TOKYO,” p. 167, 2017, [Online]. Available: https://www.env.go.jp/earth/coop/lowcarbon-asia/english/project/data/ EN_IDN_2016_01.pdf.

  • [3]    W. P. Aji Putra, “Peramalan Volume Sampah Di Tpa Benowo Kota Surabaya Metode Backpropagation Neural Network ( Bpnn ) Volume of Waste Forecasting At Tpa Benowo , Surabaya Using Neural Network Method Backpropagation Neural Network ( Bpnn ) Surabaya Metode,” 2016.

  • [4]    M. Yanto, S. R. Mulyani, and L. Mayola, “Peramalan Jumlah Produksi Air Dengan Algoritma Backpropagation,” Sebatik, vol. 23, no. 1, pp. 172–177, 2019, doi: 10.46984/sebatik.v23i1.465.

  • [5]    R. S. Sani, “PREDIKSI PERSEBARAN DEMAM BERDARAH DI KOTA BANDAR LAMPUNG DENGAN METODE SUPPORT VECTOR MACHINE,” J. Wind Eng. Ind. Aerodyn.,   vol. 26, no. 3, pp. 1–4,   2019, [Online].   Available:

https://doi.org/10.1007/s11273-020-09706-3%0Ahttp://dx.doi.org/10.1016/ j.jweia.2017.09.008%0Ahttps://doi.org/10.1016/j.energy.2020.117919%0Ahttps:// doi.org/10.1016/j.coldregions.2020.103116%0Ahttp://dx.doi.org/10.1016/ j.jweia.2010.12.004%0Ahttp://dx.doi.o.

  • [6]    I. A. Tarigan, I. P. A. Bayupati, and G. A. A. Putri, “Comparison of support vector machine and backpropagation models in forecasting the number of foreign tourists in Bali province,” J. Teknol. dan Sist. Komput., vol. 9, no. 2, pp. 90–95, 2021, doi: 10.14710/jtsiskom.2021.13847.

  • [7]    S. G. K. Patro and K. K. sahu, “Normalization: A Preprocessing Stage,” Iarjset, no. March, pp. 20–22, 2015, doi: 10.17148/iarjset.2015.2305.

  • [8]    E. Amasuomo and J. Baird, “The Concept of Waste and Waste Management,” J. Manag Sustain., vol. 6, no. 4, p. 88, 2016, doi: 10.5539/jms.v6n4p88.

  • [9]    M. Hasrul and I. Malik, “Waste Management in Makassar City Based on Regional Regulation Number 4 Year 2011,” vol. 2665, no. 4, pp. 103–109, 2021, doi: 10.36348/jaep.2021.v05i04.003.

  • [10]    A. S. Rachman, I. Cholissodin, and M. A. Fauzi, “Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation Pada PG Candi Baru Sidoarjo Adi,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1683–1689, 2018, [Online]. Available: https://www.researchgate.net/publication/322963136.

  • [11]    M. O. Fitri, “Jurnal instek volume 2 nomor 2 april 2017,” Instek, vol. 2, no. April, pp. 140– 149, 2017.

  • [12]    Jong Jek Siang, Jaringan Syaraf dan Pemrogramannya Menggunakan Matlab. 2005.

  • [13]    D. Sianturi, “UNIVERSITAS SUMATERA UTARA Poliklinik UNIVERSITAS SUMATERA UTARA,” J. Pembang. Wil. Kota, vol. 1, no. 3, pp. 82–91, 2021.

  • [14]    D. R. Tobergte and S. Curtis, (book)Learning with Kernels, vol. 53, no. 9. 2013.

  • [15]    U. Enri, “Optimasi Parameter Support Vector Machines Untuk Prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika Serikat,” J. Gerbang, vol. 8, no. 1, pp. 12–16, 2018.