<![CDATA[Kopi bagian penting dari komoditi pasar nasional maupun internasional. Secara nasional jenis kopi lokal beragam sesuai nama daerah penghasil mengalami naik turun harga Perlu perencanaan teknologi untuk mengetahui harga kopi ke depan. Peramalan atau prediksi dalam ilmu komputer berkaitan dengan perkiraan berkala produksi, penawaran dan permintaan pada masa tertentu menggunakan alat ukur yang akurat dan teruji. Metode Backpropagation digunakan untuk prediksi harga. Proses algoritma backpropagation antara lain input data, melakukan tahap normalisasi /transformasi data, iterasi, pelatihan dan menentukan parameter jaringan, kalkulasi error, mendapatkan hasil prediksi. Perancangan arsitektur JST, dilakukan penentuan jumlah layer pada lapisan input, lapisan tersembunyi dan lapisan output. Penelitian ini menggunakan Matlab R2013a dengan metode Backpropagation. Pengambilan input, penelusuran error dan penyesuaian bobot berguna untuk menghasilkan nilai prediksi harga kopi. Hasil prediksi harga kopi dari harga aktual 74205 ke hasil harga prediksi 73668 dengan akurasi 99.9928, harga aktual 73892 ke harga prediksi 73175 dengan akurasi 99.9903, harga aktual 77981 ke hasil prediksi 77481 akurasi 99.9936. Kata Kunci: Syaraf Tiruan, Prediksi, Harga Kopi, Backpropagation Abstract Coffee is an important part of the national and international market commodity. Nationally, the types of local coffee vary according to the name of the producing region experiencing ups and downs in price. It needs technology planning to find out the price of coffee going forward. Forecasting or prediction in computer science is related to periodic estimates of production, supply and demand at certain times using accurate and tested measuring tools. Backpropagation method is used for price prediction. The backpropagation algorithm process includes inputting data, performing the normalization / transformation of data, iterating, training and determining network parameters, calculating errors, getting predictive results. The design of the ANN architecture determines the number of layers in the input layer, the hidden layer and the output layer. This research uses Matlab R2013a. Taking input, tracking errors and adjusting weights are useful for producing predictive value of coffee prices. Coffee prediction results from actual prices 74205 to the predicted price of 73668 with an accuracy of 99.9928, the actual price of 73892 to the predicted price of 73175 with an accuracy of 99.9903, the actual price of 77981 to the predicted result of 77481 with an accuracy of 99.9936. Keywords: Neural Networks, Predictions, Coffee Prices, Backpropagation]]>
