Putri Kartika Sari1), Agus Maman Abadi 2)/ Prediksi Produksi Ikan

Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012
PREDIKSI PRODUKSI IKAN LELE DI KABUPATEN SLEMAN DENGAN
MODEL NEURO FUZZY
Putri Kartika Sari1), Agus Maman Abadi 2)
1) Mahasiswa Program Studi Matematika, FMIPA Universitas Negeri Yogyakarta
2) Jurusan Pendidikan Matematika, FMIPA Universitas Negeri Yogyakarta
Email: [email protected], [email protected]
Abstrak
Produksi perikanan merupakan salah satu sektor produksi yang berpengaruh
besar dalam memajukan perekonomian Indonesia. Dalam lingkup lokal, terdapat juga
kegiatan produksi perikanan di beberapa provinsi atau kabupaten di Indonesia.
Penulisan skripsi ini bertujuan untuk memprediksi produksi ikan lele di Kabupaten
Sleman dengan menggunakan model neuro fuzzy Sugeno dengan fuzzy modeling
networks (FMN) tipe II. Pada penelitian ini, prediksi produksi ikan lele hanya
didasarkan pada data produksi ikan lele sebelumnya.
Prosedur pemodelan neuro fuzzy Sugeno melalui pembelajaran jaringan syaraf
backpropagation fuzzy modelling networks (FMN) tipe II, yaitu; pemilihan variabel
input-output dan data pelatihan. Setelah variabel ditetapkan, variabel diseleksi dengan
cara mengeliminasi variabel-variabel yang tidak diperlukan dan mempertahankan
variabel-variabel yang memberikan korelasi yang cukup signifikan terhadap variabel
output. Selanjutnya, data training dan testing dikelompokkan (cluster) dengan metode
Fuzzy C-Means (FCM). Kemudian dilakukan pembelajaran jaringan syaraf yang
berhubungan dengan bagian anteseden (bagian IF) dan bagian konsekuen (bagian
THEN) pada aturan-aturan inferensi fuzzy. Bagian konsekuen (bagian THEN)
disederhanakan dengan menggunakan metode eliminasi backward dengan dihasilkan
f . Langkah terakhir, menentukan output akhir jaringan berupa nilai konstan. Setelah
itu, untuk mengetahui tingkat keakuratan pemodelan NFS dapat dilihat dari nilai MAPE
jaringan.
Model NFS diterapkan untuk data produksi ikan lele pada periode tahun 2004
sampai tahun 2011. Hasil penelitian diperoleh bahwa model terbaik untuk prediksi
produksi ikan lele di Kabupaten Sleman dengan model NFS menghasilkan nilai MAPE
sebesar 124,07% untuk data training dan 45,24% untuk data testing.
Kata kunci: produksi lele, neuro fuzzy, prediksi, neural fuzzy systems, fuzzy c-means
PENDAHULUAN
Di Indonesia, produksi perikanan merupakan salah satu sektor produksi yang berpengaruh
besar dalam memajukan perekonomian Indonesia. Dalam lingkup lokal, terdapat juga kegiatan
produksi perikanan di beberapa provinsi atau kabupaten di Indonesia. Salah satu kabupaten yang
menjadi sentra produksi ikan lele adalah Kabupaten Sleman. Salah satu produksi ikan yang
dominan dan berkembang pesat selama 5 tahun terkahir adalah ikan lele. Tetapi akhir-akhir ini,
produksi ikan lele di Sleman masih jauh di bawah kebutuhan pasar lele di DIY. Hal ini disebabkan
karena mahalnya harga pakan lele, sehingga biaya produksi pun meningkat tajam. Biaya produksi
yang harus dihabiskan untuk pakan lele besarnya mencapai 70 persen, sedangkan untuk pembelian
benih bisa mencapai 12 persen. Jika harga pakan akan selalu mahal, maka itu dapat mengakibatkan
produksi lele tidak akan berkembang.
Produksi lele yang tidak dikendalikan dengan baik akan berdampak pada merosotnya
M-1
Putri Kartika Sari1), Agus Maman Abadi 2)/ Prediksi Produksi Ikan
perekonomian Indonesia. Oleh karena itu, prediksi produksi lele pada masa yang akan datang
sangat diperlukan untuk menyusun kebijakan ekonomi di masa mendatang. Penelitian Sri Mulyana
(2007) untuk mengetahui prediksi jumlah produksi benih ikan dengan logika fuzzy yang
dipengaruhi oleh faktor ukuran (panjang dan bobot), fekunditas (tipe, produktifitas, makanan) dan
daya tetas (kadar oksigen, pH, suhu). Selanjutnya, penelitian Tajerin (2007) menyatakan bahwa
faktor-faktor yang mempengaruhi kuantitas produk yang dihasilkan adalah luas kolam, benih ikan,
pakan lele, dan tenaga kerja manusia. Kemudian dengan perkiraan koefisien elastisitas
menggunakan persamaan fungsi produksi Cobb-Douglas oleh Suharso, dkk (2006), menyatakan
bahwa pengembangan produksi ikan sangat ditentukan oleh sumberdaya perikanan laut dan
peluang pasar. Sedangkan penelitian Novie Fajar Ismanto (2009) menyatakan bahwa terdapat
faktor-faktor internal (potensi sumber daya alam) dan eksternal (permintaan pasar) yang sangat
kuat mempengaruhi perkembangan budidaya lele di Kabupaten Bogor yang disusun dalam bentuk
matriks TOWS yang kemudian di analisis menggunakan QSPM. Analisis faktor-faktor yang
mempengaruhi produksi lele di Kabupaten Bandung menggunakan metode Ordinary Least Square
(OLS) untuk menunjukkan variabel independen yang mempengaruhi jumlah produksi lele secara
signifikan adalah tenaga kerja, kebutuhan pakan dan penggunaan vitamin oleh Rega Yanuar
Caprisa (2009).
Salah satu cara untuk memodelkan produksi ikan lele di Kabupaten Sleman adalah dengan
model neuro fuzzy. Neuro fuzzy merupakan penggabungan dari jaringan syaraf tiruan (Artificial
Neural Network) dan logika fuzzy. Jaringan syaraf tiruan adalah suatu struktur yang meniru
keberadaan sel-sel syaraf (neuron) sebagaimana dalam otak manusia. Logika fuzzy adalah
pemakaian fungsi keanggotaan untuk menentukan seberapa besar suatu predikat memenuhi suatu
fungsi. Pada neuro fuzzy, jaringan dilatih menggunakan algoritma pembelajaran jaringan syaraf dan
kemudian struktur jaringan dinyatakan dalam beberapa aturan fuzzy. Model neuro fuzzy memiliki
kemampuan aproksimasi fungsi oleh logika fuzzy dan kemampuan proses belajar oleh jaringan
neural.
Pokok permasalahan dari penelitian ini adalah bagaimana memprediksi produksi ikan lele
di Kabupaten Sleman dengan model neuro fuzzy. Penelitian ini bertujuan untuk membuat model
neuro fuzzy yang dapat memprediksi produksi ikan lele di Kabupaten Sleman.
Bagi Dinas yang berwenang mengatur produksi lele di Kabupaten Sleman, penelitian ini
dapat menjadi bahan pertimbangan dalam menyusun dan menetapkan kebijakan dari hasil prediksi
produksi ikan lele. Bagi kalangan akademik, hasil penelitian ini diharapkan dapat menjadi bahan
yang bermanfaat, sehingga dapat menambah wawasan mengenai perkembangan produksi ikan lele
di Kabupaten Sleman dan dapat menjadi referensi untuk penelitian selanjutnya.
METODE PENELITIAN
Penelitian ini menggunakan pendekatan research and development pada model Neural
Fuzzy System (NFS). Tahapan-tahapan yang dilakukan dalam penelitian ini antara lain:
1)
Pengambilan data sekunder produksi ikan lele di Kabupaten Sleman periode tahun 2004
sampai tahun 2011. Data disajikan dalam bentuk produksi tiap triwulan.
2)
Studi pustaka mengenai sistem fuzzy dan jaringan syaraf tiruan yang digunakan untuk
merancang model Neural Fuzzy System (NFS).
3)
Studi pustaka mengenai system neuro fuzzy untuk memprediksi produksi ikan lele di
Kabupaten Sleman.
4)
Perancangan model neuro fuzzy, meliputi: penetapan variabel input yang signifikan,
penetapan target output, dan penetapan parameter yang digunakan untuk membangun
jaringan.
5)
Pembuatan program NFS dengan menggunakan bahasa pemrograman MATLAB 7.
M-2
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012
6)
7)
8)
9)
Membangun jaringan berdasarkan data training, kemudian jaringannya diujikan dengan data
testing.
Menghitung tingkat keakuratan dari masing-masing hasil output jaringan yang diperoleh.
Seleksi model terbaik dari prediksi produksi ikan lele berdasarkan besarnya galat dari
masing-masing model.
Membuat kesimpulan dan saran dari keseluruhan proses yang dilakukan.
PEMBAHASAN
Sistem Fuzzy
Fuzzy didefinisikan sebagai sesuatu yang kabur atau samar, tidak jelas, membingungkan
tetapi istilah sistem fuzzy tidak dimaksudkan untuk mengacu pada sebuah sistem yang tidak jelas
(kabur/samar – samar) definisi, cara kerjanya, atau deskripsinya. Sistem fuzzy didasarkan pada teori
logika fuzzy. Logika fuzzy digunakan untuk merepresentasikan suatu nilai ke dalam suatu bahasa
linguistik. Tiga hal yang diperlukan untuk memahami dasar-dasar logika fuzzy, yaitu: himpunan
fuzzy, fungsi keanggotaan, dan operasi logika.
Teori himpunan fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun 1965. Himpunan fuzzy
à pada semesta pembicaraan X dapat didefinisikan sebagai sebuah himpunan pasangan terurut,
à = {(x, 𝜇𝐴 (𝑥))| 𝑥 ∈ 𝑋}
(1)
dengan 𝜇𝐴 (𝑥) adalah derajat keanggotaan x di à yang memetakan 𝑋 ke ruang keanggotaan M
yang terletak pada rentang [0, 1].
Bila himpunan fuzzy 𝐴̂ dari himpunan universal X , maka derajat keanggotaan dari suatu
elemen x dapat dinyatakan oleh suatu fungsi keanggotaan. Fungsi keanggotaan adalah suatu kurva
yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang diperoleh
melalui pendekatan fungsi. Fungsi keanggotaan memetakan suatu elemen x ke derajat
keanggotaannya dalam interval tertutup antara nol sampai satu. Secara matematis pernyataan
tersebut dapat dituliskan (Klir dkk, 1997:75):
A : X  [0,1]
(2)
Beberapa fungsi keanggotaan yang sering digunakan adalah: representasi linear naik,
representasi linear turun, kurva segitiga, kurva trapesium, kurva bentuk bahu, kurva–S
pertumbuhan, kurva–S penyusutan, dan kurva bentuk lonceng (kurva PI, kurva beta, kurva Gauss).
Model operator fuzzy terdiri atas 2 operator, yaitu operator-operator dasar yang
dikemukakan oleh Zadeh (AND, OR, NOT) dan operator-operator alternatif yang dikembangkan
dengan menggunakan konsep transformasi tertentu (transformasi aritmetika dan transformasi
fungsi yang lebih kompleks). Operasi AND berhubungan dengan operasi interseksi pada himpunan
berikut:
𝜇𝐴∩𝐵 = min(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦))
(3)
Operasi OR berhubungan dengan operasi union pada himpunan berikut:
𝜇𝐴∪𝐵 = max(𝜇𝐴 (𝑥), 𝜇𝐵 (𝑦))
(4)
Operasi NOT berhubungan dengan operasi komplemen pada himpunan berikut:
𝜇𝐴′ = 1 − 𝜇𝐴 (𝑥)
(5)
Jaringan Syaraf Tiruan
Jaringan syaraf tiruan atau jaringan neural artificial merupakan salah satu representasi
buatan (tiruan) dari otak manusia yang mencoba untuk mensimulasikan proses pembelajaran pada
otak manusia tersebut (Sri Kusumadewi dan Sri Hartati, 2010:69). Seperti halnya otak manusia,
jaringan syaraf juga terdiri dari beberapa neuron. Informasi (input) akan dikirim ke neuron dengan
bobot kedatangan tertentu. Kemudian input akan diproses oleh suatu fungsi perambatan yang akan
menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini akan dibandingkan
dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi. Fungsi aktivasi yang sering
M-3
Putri Kartika Sari1), Agus Maman Abadi 2)/ Prediksi Produksi Ikan
digunakan dalam jaringan syaraf tiruan, antara lain; fungsi undak biner, bipolar, linear, saturating
linear, symetric saturating linear, sigmoid biner, dan sigmoid bipolar. Terdapat tiga macam
arsitektur jaringan syaraf, yaitu jaringan dengan lapisan tunggal, jaringan dengan banyak lapisan
dan jaringan dengan lapisan kompetitif Jaringan syaraf sederhana dengan fungsi aktivasi
ditunjukkan dalam Gambar 1 berikut ini.
𝒙𝟏
𝒘𝟏
𝒙𝟐
∑
𝒘𝟐
y_in
F
y
𝒘𝑵
𝒙𝑵
Gambar 1. Jaringan Syaraf Sederhana
Penelitian ini menggunakan jaringan syaraf dengan lapisan tunggal, dimana ciri-ciri dari
arsitektur ini adalah hanya terdiri dari satu lapisan input dan satu lapisan output, tanpa lapisan
tersembunyi. Proses belajar jaringan dengan lapisan tunggal menggunakan metode pembelajaran
terawasi (supervised learning), yaitu algoritma backpropagation yang didasari atas aturan koreksi
kesalahan.
Neural Fuzzy Systems (NFS)
Neural fuzzy system (NFS) dirancang untuk merealisasikan proses penalaran fuzzy,
dimana bobot-bobot yang terhubung pada jaringan syaraf berhubungan dengan parameterparameter penalaran fuzzy. Dengan menggunakan algoritma backpropagation, NFS dapat
mengidentifikasi aturan fuzzy dan melatih fungsi keanggotaan dari penalaran fuzzy (Sri
Kusumadewi dan Sri Hartati, 2010:297).
Sistem NFS menggunakan jaringan syaraf sebagai pengendali penalaan fuzzy. Konsep
dasar dari pemakaian jaringan syaraf sebagai pengendali penalaran fuzzy adalah menggunakan
jaringan syaraf untuk merealisasikan membangkitkan sistem inferensi fuzzy model Sugeno baik
pada bagian anteseden maupun bagian konsekuen (melakukan inferensi) (Lin,1996). Metode
pemodelan fuzzy yang digunakan dalam penelitian ini adalah Fuzzy Modelling Networks (FMN)
tipe II dimana konsekuen pada aturan fuzzy berupa suatu konstanta (f). Menurut Horikawa (1992),
FMN mengidentifikasikan aturan-aturan fuzzy dan fungsi keanggotaan secara otomatis dengan cara
memodifikasi bobot-bobot jaringan syaraf melalui algoritma pembelajaran backpropagation (Sri
Kusumadewi dan Sri Hartati, 2010:334). Format aturan untuk FMN Tipe II adalah (Lin, 1996):
𝑅 𝑖 : 𝐼𝐹𝑥1 𝑖𝑠 𝐴𝑖1 𝐴𝑁𝐷 𝑥2 𝑖𝑠 𝐴𝑖2 , 𝑇𝐻𝐸𝑁 𝑦 𝑖𝑠 𝑓𝑖 ,
(6)
𝑖 = 1,2, … , 𝑟;
y* =
∑𝑟𝑖=1 𝜇𝑖 𝑓𝑖
∑𝑟𝑖=1 𝜇𝑖
= ∑𝑟𝑖=1 𝜇̂ 𝑖 𝑓𝑖
(7)
Langkah-langkah pemodelan dengan NFS adalah sebagai berikut (Lin,1996):
a) Pemilihan variabel input - output
Langkah pertama pemodelan NFS adalah membagi data menjadi dua, yaitu data training dan
testing berdasarkan komposisi pembagian yang dipilih. Misalkan terdapat N pasangan data
input dan output, data tersebut dibagi menjadi N t data pelatihan dan Nc data pengujian
dengan Nt  Nc  N . Calon variabel input, x j , j  1, 2,..., n , akan ditetapkan variabelM-4
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012
variabel input yang relevan, x j , j  1, 2,..., m , yang berhubungan output yi , i  1, 2,..., N ,
b)
c)
dengan menggunakan jaringan backpropagation. Untuk menentukan variabel input yang
relevan, digunakan metode eleminasi backward dengan fungsi biaya Sum Square Error (SSE).
Pengelompokan (clustering) data pelatihan dan pengujian
Data training dan testing dibagi menjadi r kelas dengan menggunakan metode
pengelompokkan FCM. Fuzzy c-means (FCM) adalah suatu teknik pengelompokkan data yang
mana keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan (Sri
Kusumadewi dan Sri Hartati, 2010:300). Hasil pengelompokkan akan menghasilkan r buah
aturan R s , s  1, 2,..., r . Tujuan pengelompokkan data adalah mengelompokkan data
berdasarkan kemiripan sifat atau karakteristik.
Pembelajaran jaringan syaraf yang berhubungan dengan bagian anteseden (bagian IF) pada
aturan-aturan inferensi fuzzy
Pada bagian ini, untuk setiap data pelatihan dan pengujian ditentukan nilai 𝑚𝑖 =
(𝑚1𝑖 , 𝑚𝑖2 , … , 𝑚𝑖𝑟 ), i  1, 2,..., Nt untuk data pelatihan dan i  1, 2,..., Nc untuk data pengujian,
dengan ketentuan sebagai berikut (Sri Kusumadewi dan Sri Hartati, 2010:313):
1; 𝑘 = 𝑠
𝑚𝑖𝑘 = {
(8)
0; 𝑘 ≠ 𝑠
dengan 𝑚𝑖𝑘 adalah derajat keanggotaan data ke-i pada himpunan tegas kelas k .
Kemudian derajat keanggotaan setiap data pelatihan dan pengujian diperoleh sebagai output
jaringan yang telah dilatih sebagai berikut (Sri Kusumadewi dan Sri Hartati, 2010:313):
s
 As ( xi )  mˆ ; i  1, 2,..., N ; s  1, 2,..., r
i
d)
e)
f)
(9)
Pembelajaran jaringan syaraf yang berhubungan dengan bagian konsekuen (bagian THEN)
pada aturan-aturan inferensi fuzzy.
Pembelajaran jaringan syaraf dilakukan pada bagian THEN dari 𝑅 𝑠 dengan input 𝑥 =
𝑆
𝑆
𝑆
(𝑥𝑖1
, 𝑥𝑖2
, … , 𝑥𝑖𝑚
) dan target output 𝑦𝑖𝑆 , i  1, 2,..., N s . Selanjutnya, hasil pelatihan akan
𝑆
𝑆
𝑆
diujikan pada data pengujian dengan input 𝑥 = (𝑥𝑖1
, 𝑥𝑖2
, … , 𝑥𝑖𝑚
), i  1, 2,..., Nc untuk
mendapatkan nilai SSE sebagai berikut (Sri Kusumadewi dan Sri Hartati, 2010:313):
nc
𝑆
[𝑦𝑖 − 𝜇𝑆 (𝑥𝑖 )𝜇𝐴𝑆 (𝑥𝑖 )]2
𝐸𝑚
= ∑𝑖=1
(10)
Penyederhanaan bagian konsekuen (bagian THEN) menggunakan metode eliminasi backward
Penyederhanaan bagian konsekuen dilakukan dengan mengeleminasi variabel yang tidak
terlalu berpengaruh dan kemudian melatih jaringan kembali untuk mendapatkan nilai SSE
𝑆𝑃
(𝐸𝑚−1
) sebagai berikut (Sri Kusumadewi dan Sri Hartati, 2010:314):
Nc
𝑆𝑃
[𝑦𝑖 − 𝜇𝑆 (𝑥̂𝑖 )𝜇𝐴𝑆 (𝑥̂𝑖 )]2 ; 𝑝 = 1,2, … , 𝑚.
𝐸𝑚−1
= ∑𝑖=1
(11)
dengan 𝑥𝑖 = (𝑥𝑖,1 ; … ; 𝑥𝑖,𝑝−1 ; 𝑥𝑖,𝑝+1 ; … ; 𝑥𝑖𝑚 ).
Penentuan output akhir
Output akhir jaringan, 𝑦 ∗𝑖 dapat diperoleh sebagai berikut (Sri Kusumadewi dan Sri Hartati,
2010:314):
𝑦 ∗𝑖 =
∑𝑟𝑆=1 𝜇𝐴𝑆 (𝑥𝑖 )𝜇𝑆 (𝑥𝑖 )
;𝑖
∑𝑟𝑆=1 𝜇𝐴𝑆 (𝑥𝑖 )
= 1,2, … , 𝑁
(12)
Hasil Penelitian
Data yang digunakan dalam penelitian ini adalah data produksi ikan lele di Kabupaten
Sleman periode tahun 2004 sampai tahun 2011. Banyaknya data adalah 32 data yang akan dibagi
menjadi dua, yaitu data training dan data testing yang masing-masing memiliki komposisi
pembagian yakni 75% untuk data training dan 25% untuk data testing. Peneliti menggunakan dua
M-5
Putri Kartika Sari1), Agus Maman Abadi 2)/ Prediksi Produksi Ikan
model, yaitu model 1 menggunakan data produksi ikan lele satu triwulan sebelumnya ( x(t 1) ) dan
model 2 menggunakan data produksi empat triwulan sebelumnya ( x( t  4) ) sebagai input untuk
memprediksi produksi ikan lele ( y (t )) .
Proses pembelajaran pada penelitian ini menggunakan algoritma backpropagation
levenberg marquardt dengan parameter maksimum epoh 1000, laju pembelajaran 1 dan tolerasi
error 106 . Data training dan data testing dikelompokkan menjadi dua kelas. Keakuratan model
NFS untuk prediksi produksi ikan dapat dilihat dari nilai MAPE yang dihasilkan oleh output
jaringannya.
Tabel 1. MAPE untuk Data Training dan Data Testing Menggunakan
Model Neural Fuzzy Systems
MAPE (%)
Banyak
No
Model
Input
Data Training
Data Testing
1
1
1
137,14
93,94
2
2
1
124,07
45,24
Grafik antara nilai target dengan output jaringan untuk model 1 dan model 2 dapat dilihat
pada Gambar 2 dan Gambar 3.
2000
data real
output jaringan
1800
1600
1400
1200
1000
800
600
400
200
0
0
5
10
15
20
25
Gambar 2. Grafik Nilai Target dengan Output Jaringan Model 1
3000
data real
output jaringan
2500
2000
1500
1000
500
0
-500
0
5
10
15
20
25
Gambar 3. Grafik Nilai Target dengan Output Jaringan Model 2
M-6
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA,
Fakultas MIPA, Universitas Negeri Yogyakarta, 2 Juni 2012
KESIMPULAN
Kesimpulan
Berdasarkan pembahasan mengenai model neuro fuzzy, yaitu model NFS (neural uzzy
systems) yang diterapkan pada data produksi ikan lele periode tahun 2004 sampai tahun 2011, maka
dapat diambil kesimpulan bahwa model terbaik untuk data prediksi produksi ikan lele menurut
MAPE terkecil pada data training dan data testing adalah model kedua dengan input model
berdasarkan data produksi ikan lele empat bulan sebelumnya ( x( t  4) ) . Model kedua menghasilkan
nilai MAPE sebesar 124,07% untuk data training dan 45,24% untuk data testing.
Saran
Dalam penelitian ini, penulis melakukan prediksi data dengan menggunakan model NFS
FMN tipe II. Bagi pembaca yang berminat menggunakan neuro fuzzy untuk diterapkan pada data
time series disarankan untuk menggunakan model neuro fuzzy yang lain, seperti fuzzy neural
network (FNN) dan adaptive neuro fuzzy inference system (ANFIS) atau menggunakan NFS dengan
FMN tipe lain. Dalam penelitian ini, prediksi produksi ikan lele hanya dipengaruhi oleh produksi
sebelumnya, untuk penelitian selanjutnya dapat menambah faktor-faktor lain yang dapat
mempengaruhi hasil produksi ikan lele.
DAFTAR PUSTAKA
Kusumadewi, Sri.(2003). Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Kusumadewi, Sri dan Sri Hartati.(2010). NEURO – FUZZY Integrasi sistem Fuzzy & Jaringan
Syaraf (Edisi Kedua). Yogyakarta: Graha Ilmu.
J. Klir, George, Ute St. Clair dan Bo Yuan.(1997). FUZZY SET THEORY Foundations and
Application. Printice Hall
Suharso, dkk. (2006). “Elastisitas Produksi Perikanan Tangkap Kota Tegal.“Jurnal Pasir Laut
Volume 2, No 1 Juli 2006. Hal. 26-36.
Caprisa, Rega Yanuar. 2009. “Analisis Faktor-faktor yang Mempengaruhi Produksi Lele di
Kabupaten Bandung”. Skripsi.
Mulyana, Sri. (2007). “Prediksi Produksi Benih Ikan dengan Logika Fuzzy”. Seminar Nasional
Tahunan IV. Universitas Gadjah Mada Yogyakarta.
Fajar Ismanto, Novie. (2009). “Strategi Pengembangan Usaha Budidaya Lele di Daerah Parung
Kabupaten Bogor”. Institut Pertanian Bogor.
Setiadji. (2009). Himpunan Samar & Logika Samar serta Aplikasinya. Yogyakarta: Graha Ilmu.
Mulyana, Sri & Soeparno. (2007). “Sistem Pendukung Keputusan Untuk Memprediksi
Produksi Benih Lele Dumbo”. Universitas Gadjah Mada Yogyakarta.
M-7