PERSERO / PG PANGKA )
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana Program Strata Satu Jurusan Teknik Informatika
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia
EKA NURANTI
10106202
PROGRAM STUDI S1
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
i
UNTUK FORECASTING PRODUKSI GULA
( STUDI KASUS : PT. PERKEBUNAN NUSANTARA IX PERSERO / PG PANGKA )
oleh
Eka Nuranti 10106202
PT Perkebunan Nusantara IX (Persero) merupakan salah satu BUMN yang bekerja dibidang bahan pokok, khususnya produksi gula. Gula merupakan salah satu bahan kebutuhan pokok yang dibutuhkan di Indonesia, bahkan juga di dunia. Seiring dengan berkembangnya dunia industri yang sangat pesat mengakibatkan persaingan untuk merebut pangsa pasar gula juga semakin ketat. Usaha dan tindakan dilakukan perusahaan, diantaranya ingin mengetahui peramalan jumlah produksi agar dapat meningkatkan hasil produksi dalam jumlah tepat, dan menekan kerugian. Berdasarkan berbagai faktor yang ada, maka dilakukanlah suatu penelitian yaitu meramalkan jumlah produksi gula.
Penelitian ini menggunakan metode Jaringan Syaraf Tiruan (JST) dan membandingkan hasilnya dengan metode Multiple regression untuk peramalan jumlah produksi gula. Data yang digunakan dalam penelitian ini adalah data sekunder yang berasal dari PTPN IX , yaitu data produksi gula periode tahun 1980 sampai tahun 2009. Berdasarkan hasil pengujian, serta pemilihan model, maka didapatkan model terbaik yang digunakan untuk meramalkan jumlah produksi gula adalah jaringan saraf tiruan (JST).
ii
WITH BACKPROPAGATION METHOD FOR FORECASTING SUGAR PRODUCTION
(STUDY CASE : PT PERKEBUNAN NUSANTARA IX PERSERO / PG PANGKA)
by
Eka Nuranti 10106202
PT Perkebunan Nusantara IX (Persero) is one of Indonesian Government owned Company (BUMN) that runs the business in Primary product, especially in sugar production. Sugar is one of the primary products needed in Indonesia, even all over the world. As the time of rapid growth of the Industry, the competition to win the market of sugar is tighter. Many attempt and action is done by the company, for example knowing the production level forecasting in order to increase production result in the exact amount and push the loss. Based on many factors exists, a research is conducted to forecast the production amount of sugar.
This research uses artificial neural network method and compares the result to Multiple Regression method for forecasting the amount of sugar production. The data used in this research is secondary data from PTPN IX, which is the Sales Data of sugar in the period of 1980 until 2009. Based on the research, selection of the model, we get the best model used to forecast the production amount of sugar is artificial neural network method.
vi LEMBAR PENGESAHAN
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... vi
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xiii
DAFTAR SIMBOL ... xv
DAFTAR LAMPIRAN ... xvii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Rumusan Masalah ... 3
1.3 Maksud dan Tujuan ... 4
1.3.1 Maksud ... 4
1.3.2 Tujuan ... 4
1.4 Batasan Masalah ... 4
1.5 Metodologi Penelitian ... 5
1.5.1 Pengumpulan Data ... 5
1.5.2 Pembangunan Perangkat Lunak ... 6
1.6 Sistematika Penulisan ... 7
BAB II TINJAUAN PUSTAKA ... 9
vii
2.1.4 Deskripsi Tugas ... 12
2.2 Landasan Teori ... 14
2.2.1 Jaringan Saraf Tiruan ... 14
2.2.1.1 Arsitektur (model) JST ... 16
2.2.1.1.1 Jaringan dengan lapisan tunggal ... 17
2.2.1.1.2 Jaringan dengan banyak lapisan ... 17
2.2.1.1.3 Jaringan dengan lapisan kompeitif ... 18
2.2.1.2 Komponen Jaringan Saraf Tiruan ... 19
2.2.1.3 Fungsi Aktivasi ... 21
2.2.1.4 Sum Square Error dan Root Mean Square Error ... 24
2.2.1.5 JST Backpropagation ... 26
2.2.1.5.1 ArsitekturMetode Backpropagation ... 26
2.2.1.5.2 Algoritma pelatihan pada JST Backpropagation28 2.2.1.5.3 Backpropagation dalam peramalan ... 32
2.2.1.5.4 Perancangan Struktur Jaringan yang Optimum 34
2.2.2 Metode Multiple Regression ... 35
2.2.3 Forecasting (peramalan) ... 37
2.2.3.1 Hubungan Forecast Dengan Rencana ... 37
2.2.3.2 Definisi dan Tujuan Forecasting ... 37
2.2.3.3 Proses Peramalan ... 37
2.2.3.4 Metode-metode Peramalan ... 40
viii
3.1 Analisis Sistem ... 48
3.1.1 Analisis Masalah... 49
3.1.2 Analisis Prosedur Yang Sedang Berjalan ... 49
3.1.2.1 Flow Map Sistem Yang Sedang Berjalan ... 49
3.1.3 Analisis Kebutuhan Non Fungsional ... 52
3.1.3.1 Analisis Perangkat Keras ... 52
3.1.3.2 Analisis Perangkat Lunak ... 52
3.1.3.3 Analisis User (pengguna) sistem ... 53
3.2 Analisis Jaringan Saraf Tiruan ... 53
3.2.1 Jaringan Saraf Tiruansebagai Peramal ... 55
3.2.2 Jaringan Saraf Tiruan Backpropagation ... 55
3.2.3 Peramalan Jumlah Produksi Gula dengan JST menggunakan Algoritma Backpropagation ... 56
3.3 Variabel-variabel Masukan dan Keluaran ... 70
3.4 Metode Multiple Regression ... 70
3.5 Perancangan Arsitektur Jaringan Saraf Tiruan ... 75
3.5.1 Input Layer ... 78
3.5.2 Hidden Layer ... 78
3.5.3 Output Layer ... 78
3.6 Perancangan Sistem ... 78
3.6.1 Perancangan Masukan ... 79
ix
3.6.3.3 Perancangan Metode Multiple Regression ... 86
3.6.4 Analisis Kebutuhan Fungsional ... 88
3.6.4.1 Diagram Konteks ... 88
3.6.4.2 Data Flow Diagram (DFD) ... 89
3.6.4.2.1 DFD level 1 Sistem Forecasting Produksi Gula 89 3.6.4.2.2 DFD level 2 Proses JST & Multiple Regression 90 3.6.4.2.3 DFD level 3 Proses Peramalan ... 90
3.6.4.3 Spesifikasi Proses ... 91
3.6.4.4 Struktur Menu ... 92
3.6.4.5 Perancangan Arsitektur ... 93
3.6.4.5.1 Perancangan Antar Muka ... 93
3.6.4.5.2 Perancangan Pesan ... 96
3.6.4.5.3 Jaringan Semantik ... 98
BAB IV IMPLEMENTASI DAN PENGUJIAN ... 99
4.1 Implementasi Sistem ... 99
4.1.1 Tampilan Program ... 99
4.1.1.1 Tampilan Peramalan dengan JST ... 100
4.1.1.1.1 Tampilan Data ... 100
4.1.1.1.2 Tampilan Transformasi Data ... 100
4.1.1.1.3 Tampilan Pelatihan (Training) ... 101
4.1.1.1.4 Tampilan Peramalan ... 102
x
dengan maksimum Epoch 10 ... 105 4.3.1.2 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 20 ... 105 4.3.1.3 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 30 ... 106 4.3.1.4 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 40 ... 106 4.3.1.5 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 50 ... 107 4.3.1.6 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 60 ... 107 4.3.1.7 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 70 ... 108 4.3.1.8 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 80 ... 108 4.3.1.9 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 90 ... 109 4.3.1.10 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 100 ... 109 4.3.1.11 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 200 ... 110 4.3.1.12 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 300 ... 111 4.3.1.13 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 400 ... 112 4.3.1.14 Pengujian Untuk Memprediksi Jumlah Produksi Gula
xi
4.3.1.17 Pengujian Untuk Memprediksi Jumlah Produksi Gula
dengan maksimum Epoch 800 ... 114
4.3.1.18 Pengujian Untuk Memprediksi Jumlah Produksi Gula dengan maksimum Epoch 900 ... 115
4.3.1.19 Pengujian Untuk Memprediksi Jumlah Produksi Gula dengan maksimum Epoch 1000 ... 116
4.4 Analisis dan Hasil Pengujian Sistem ... 117
4.5 Pengujian Beta ... 118
4.5.1 Skenario Pengujian Beta ... 118
4.5.2 Kesimpulan Pengujian Beta ... 121
BABV KESIMPULAN DAN SARAN ... 122
5.1 Kesimpulan ... 122
5.2 Saran ... 122
1 1.1 Latar Belakang Masalah
Teknologi saat ini dapat dimanfaatkan untuk membantu dan menggantikan
kelemahan-kelemahan manusia, salah satu bentuk dari kecanggihan teknologi tersebut adalah komputer. Komputer dengan segala perangkat pendukungnya, baik software maupun hardware adalah suatu alat yang dapat melakukan
proses-proses tertentu antara lain menghitung, menyimpan data dan lain sebagainya. Perkembangan teknologi dalam hal ini telah menciptakan suatu metode
yang menyerupai otak manusia yang dikenal dengan jaringan syaraf tiruan. Jaringan syaraf tiruan atau disingkat JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di
dalam otak. Jaringan syaraf tiruan (JST) dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinier, klasifikasi data,
cluster dan regresi non parametik atau sebagai sebuah simulasi dari koleksi model syaraf biologi. JST memiliki beberapa kelebihan dibandingkan metode statistik yaitu kemampuannya menangkap pola-pola yang tidak linier, kemampuan untuk
belajar dengan memetakan input-output, menyesuaikan dengan kondisi yang berbeda-beda dan tidak menentu dengan algoritma pembelajarannya. Salah
satunya yang dapat diterapkan dalam JST adalah untuk forecasting.
Forecasting adalah proses analisis untuk memperkirakan masa depan dengan metode-metode tertentu dan mempertimbangkan segala variabel yang
hal-hal yang paling mungkin tejadi di masa mendatang berdasarkan eksplorasi dari masa lalu. Forecasting juga merupakan bagian dari future research.
Forecasting bersifat eksploratif dan berkaitan dengan apa yang mungkin terjadi di masa depan. Artinya setiap hal yang akan terjadi di masa depan tersebut tidak
dapat dipengaruhi oleh siapapun. Forecasting akan dilakukan dengan menggabungkan dan mempertimbangkan banyak sumber informasi dengan memanfaatkan teknologi yang ada, sehingga hasil yang diperoleh diharapkan
memiliki tingkat akurasi yang tinggi.
PTPN IX PERSERO / PG Pangka adalah Badan Usaha Milik Negara
(BUMN) yang bergerak pada bidang usaha agroindustri. Komoditas yang dikelola PTPN IX Persero / PG Pangka yaitu tanaman semusim, dalam hal ini adalah tanaman tebu yang digunakan untuk pembuatan gula untuk pemenuhan kebutuhan
gula di dalam negeri. Sekarang ini tingkat produksi gula PG Pangka sangat rendah, hal inilah yang menyebabkan pasokan gula hanya dapat dipenuhi
setengahnya saja. Rendahnya produksi ini bukan hanya disebabkan dari tuanya mesin produksi tetapi juga karena berkurangnya produksi tebu baik dari segi lahan yang tersedia maupun dari produktivitas (rendemen) atau budi daya.
Permasalahan yang lainnya adalah tentang sulitnya petani tebu mengakses pupuk di pasaran. Padahal kualitas kandungan gula (rendemen) sangat
dipengaruhi oleh pupuk. Kesulitan mengakses pupuk inilah yang seringkali membuat tingkat rendemen menjadi kurang baik sehingga gula nasional sulit bersaing dengan gula impor. Upaya petani beralih pada pupuk organik pun tidak
Komoditi gula memang memiliki permasalahan-permasalahan yang kompleks. Oleh karena itu prediksi jumlah produksi gula di masa depan akan
sangat membantu untuk menduga tingkat keuntungan usaha yang akan diperoleh dalam produksi gula sehingga tindakan pencegahan kerugian ataupun
pemanfaatan peluang yang akan terjadi dapat dilakukan.
Sistem forecasting secara konvensional ini merupakan konsep awal untuk memprediksi jumlah produksi gula dengan menggunakan alat bantu komputer
didukung dengan pendekatan jaringan syaraf tiruan dengan algoritma
backpropagation. Dengan JST, komputer difungsikan sebagai alat untuk
memprediksi jumlah produksi gula dengan mempertimbangkan faktor-faktor lain seperti luas lahan, jumlah pasokan tebu yang akan digiling, banyaknya air yang dibutuhkan, banyaknya permintaan gula dan kondisi iklim.
Prediksi jumlah produksi gula dalam penelitian ini adalah mencari keseimbangan produksi gula dalam beberapa tahun ke belakang dan jumlah
produksi gula dalam beberapa tahun ke depan. Dengan demikian diharapkan akan muncul suatu pola dimana dengan pola masukan jumlah produksi gula tertentu maka komputer akan dapat memberikan pola keluaran prediksi sesuai dengan data
yang dilatihkan.
1.2 Rumusan Masalah
1.3 Maksud dan Tujuan 1.3.1. Maksud
Maksud dari pembangunan aplikasi ini adalah untuk mengaplikasikan JST dalam memprediksi jumlah produksi gula dan membuat perangkat lunak
penunjang dalam mengimplementasikan algoritma backpropagation. 1.3.2. Tujuan
Adapun tujuan dari pembuatan aplikasi ini adalah :
1. Untuk mengetahui cara kerja jaringan syaraf tiruan untuk forecasting produksi gula.
2. Untuk mengetahui besarnya tingkat keakuratan forecast atau ramalan yang dihasilkan oleh JST Backpropagation dibandingkan dengan metode Single Exponential Smoothing.
3. Untuk mengukur performansi JST Backpropagation dan Multiple Regression
dalam proses forecasting.
4. Untuk membandingkan besarnya error yang dihasilkan antara JST
Backpropagation dengan metode Multiple Regression. 1.4 Batasan Masalah/ Ruang Lingkup kajian
Melihat paparan di atas, maka batasan masalah dalam skripsi ini adalah sebagai berikut:
1. Pada sistem simulasi JST ini dipakai konfigurasi JST dengan menggunakan algoritma backpropagation.
3. Jumlah variabel sebanyak 9 variabel yang meliputi luas areal perkebunan, jumlah Tebu yang dihasilkan tiap tahun, hasil taksasi tebu, jumlah penduduk,
jumlah kebutuhan gula selama satu tahun, jumlah penggunaan pupuk, jumlah jam giling, jam berhenti giling, rendemen.
4. Metode Multiple Regression digunakan sebagai pembanding terhadap sistem jaringan syaraf tiruan yang akan dibangun.
5. Output merupakan hasil prediksi jumlah produksi gula dari tahun yang ingin
diprediksi.
1.5 Metodologi Penelitian
Metodologi penelitian yang akan digunakan dalam menyusun tugas akhir ini adalah metode Analisis Deskriptif, yaitu suatu metode yang bertujuan untuk mendapatkan gambaran yang jelas tentang hal-hal yang diperlukan, melalui
tahapan sebagai berikut: 1.5.1 Pengumpulan Data
Adapun teknik pengumpulan data yang akan digunakan yaitu:
1. Studi literatur, dilakukan dengan mencari pustaka yang menunjang penelitian
yang akan dikerjakan. Pustaka tersebut dapat berupa buku, artikel, laporan akhir, dan sebagainya.
3. Wawancara (Interview), dilakukan dengan cara tanya jawab secara langsung dengan pegawai PTPN IX PERSERO / PG GULA yang berhubungan dengan
masalah yang diteliti.
1.5.2 Pembangunan Perangkat Lunak
Pembangunan aplikasi ini menggunakan metodologi Waterfall dengan gambar sebagai berikut :
Gambar 1. 1 Skema Waterfall ( Sumber : Sommerville, 2001 )
1) Analisis dan Definisi Kebutuhan : Mengumpulkan kebutuhan secara lengkap kemudian dianalisis dan didefinisikan kebutuhan yang harus dipenuhi oleh
aplikasi yang akan dibangun. Tahap ini harus dikerjakan secara lengkap untuk bisa menghasilkan desain yang lengkap.
2) Sistem dan Perancangan Software: perancangan dikerjakan setelah kebutuhan
3) Implementasi dan Pengujian Unit : perancangan sistem diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman yang sudah
ditentukan. Aplikasi yang dibangun langsung diuji baik secara unit.
4) Integrasi dan Pengujian Sistem: penyatuan unit-unit program kemudian diuji
secara keseluruhan.
5) Operasi dan Pemeliharaan : mengoperasikan aplikasi di lingkungannya dan melakukan pemeliharaan, seperti penyesuaian atau perubahan karena adaptasi
dengan situasi yang sebenarnya. 1.6 Sistematika Penulisan
Sistematika penulisan laporan ini dibagi dalam beberapa bab dengan pokok pembahasan secara umum sebagai berikut:
BAB I PENDAHULUAN
Bab ini merupakan bagian yang mengemukakan latar belakang, perumusan masalah, maksud dan tujuan, batasan masalah, metodologi penelitian, dan
sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini terbagi menjadi dua bagian. Bagian pertama yaitu tinjauan
perusahaan, berisi penjelasan tentang sejarah singkat perusahaan, visi, misi dan struktur organisasi perusahaan. Bagian kedua berupa landasan teori, berisi
BAB III ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi analisis kebutuhan untuk sistem yang akan dibangun sesuai
dengan metode pengembangan perangkat lunak yang digunakan. Selain itu, bab ini juga berisi perancangan antarmuka untuk aplikasi yang akan dibangun sesuai
dengan hasil analisis yang telah dibuat.
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi hasil implementasi analisis dan perancangan sistem yang
dilakukan, serta hasil pengujian sistem di PG Pangka sehingga diketahui apakah sistem yang dibangun sudah memenuhi syarat sebagai aplikasi yang user-friendly.
BAB V KESIMPULAN DAN SARAN
9
2.1 Tinjauan Perusahaan
2.1.1 Sejarah Singkat Perusahaan
PT. Perkebunan Nusantara IX ( PERSERO ) PG. Pangka didirikan pada jaman kolonial Belanda pada tahun 1832 oleh NV. MIJTOT EXPLOITATIE DERT SUIKER FABRIKEN, dikelola oleh NV KOSY dan SUCIER yang
bekedudukan di Surakarta. Pada waktu pendiriaanya ribuan tenaga kerja pribumi dikerahkan dengan sistem kerja paksa oleh pemerintah kolonial Belanda.
Berdasarkan UU Nomor 86 Tahun 1958, PG Pangka telah diambil oleh Pemerintah Republik Indonesia atau istilah popular pada saat itu “di Nasionalisasi”.
Nama Pangka diambil dari nama desa di mana pabrik ini didirikan yaitu desa Pangkah. Desa ini diberi nama Pangkah karena dahulu terdapat sebuah
pohon kelapa yang mempunyai cabang tujuh atau dalam bahasa jawa berpang tujuh jadi disebut Desa Pangkah.
Pada awalnya di Kabupaten Tegal terdapat tujuh pabrik gula, namun
karena kurangnya bahan baku akhirnya enam pabrik ditidurkan dan hanya Pabrik Gula Pangkah yang masih berdiri sampai sekarang. Adapun PP yang mengatur
berdirinya PG.Pangka adalah :
1. PP No. 24 tahun 1958 dan PP No.19 tahun 1959 tentang Nasionalis PG. Kemudian statusnya berubah menjadi Pusat Perkebunan Negara Baru
2. PP No. 22 tahun 1973 tentang PTP XV (PERSERO)
3. PP No. 11 tahun 1981 penggabungan PTP XV-XVI(PERSERO) kantor
direksi berada di Surakarta.
4. PP No.14 tahun 1996 tentang peleburan antara PTP XV-XVI dengan PTP
XVIII menjadi Nusantara IX (PERSERO).
2.1.2 Visi dan Misi Perusahaan
Visi dan misi merupakan sebuah curahan dari sebuah tujuan dalam sebuah
lembaga baik dalam lembaga pendidikan organisasi-organisasi kemasyarakatan bahkan dalam industri pun terdapat visi dan misi yang ada pada PG.Pangka.
Adapun visi dan misi PG.Pangka antara lain : 1) Visi
Menjadi perusahaan agro bisnis dan agro industry yang berdaya saing tinggi
dan tumbuh berkembang bersama mitra. 2) Misi
Adapun misi PG.Pangka yaitu:
a) Memproduksi dan memasarkan produk kretek, kopi, kakao, gula dan tetes ke pasar domestik dan Internasional secara professional untuk
menghasilkan pertumbuhan laba.
b) Meningkatkan kesejahteraan karyawan, menciptakan lingkungan kerja
yang sehat serta menyelenggarakan pelatihan guna menjaga motivasi karyawan dalam upaya meningkatkan produktifitas kerja.
c) Mengembangkan produk hilir agrowisata dan usaha lainnya untuk
d) Membangun sinergi dengan mitra usaha strategis dan masyarakat lingkungan usaha untuk mewujudkan kesejahteraan bersama.
e) Mendukung program pemerintah dalam pemenuhan kebutuhan gula nasional.
f) Memperdayakan seluruh sumber daya perusahaan dan potensi lingkungan guna mendukung pembangunan ekonomi AAS. Melalui penciptaan lapangan kerja.
2.1.3 Struktur Organisasi
Struktur Organisasi adalah suatu susunan dan hubungan antara tiap bagian
serta posisi yang ada pada suatu organisasi atau perusahaan dalam menjalankan kegiatan operasional untuk mencapai tujuan. Struktur Organisasi menggambarkan dengan jelas pemisahan kegiatan pekerjaan antara yang satu dengan yang lain dan
bagaimana hubungan aktivitas dan fungsi dibatasi. Dalam struktur organisasi yang baik harus menjelaskan hubungan wewenang siapa melapor kepada siapa.
Beberapa keuntungan yang dapat diperoleh dari penggunaan bagan organisasi adalah dapat memperlihatkan karakteristik utama dari suatu perusahaan tersebut, tentang gambaran pekerjaan dan hubungan-hubungan yang ada didalam
perusahaan serta digunakan untuk merumuskan rencana kerja yang ideal sebagai pedoman untuk dapat mengetahui siapa bawahan dan atasannya,. Struktur
...
Gambar 2.1 Struktur organisasi pada PG.Pangka
2.1.4 Deskripsi Tugas
Definisi tugas digunakan untuk mengetahui tugas, wewenang, tanggung jawab dari masing-masing bagian. Definisi tugas yang ada di PG.Pangka adalah
sebagai berikut : 1. Administratur
a. Menjalankan tugas manajerial secara keseluruhan di Pabrik Gula, bertanggung jawab secara langsung kepada Direktur Utama secara
administrasi dan teknis. Bertanggung jawab kepada Direksi dalam fungsinya masing-masing dan mempunyai wewenang yang sebanding dalam menjalankan tugas-tugas perusahaan.
b. Memimpin bagian-bagian yang ada di unit produksi antara lain : bagian tanaman, bagian pabrik, bagian pengolahan dan bagian Administrasi
Keuangan dan Umum.
TU Hasil TU Gudang Finansial
Masinis II Ajun
Masinis III Chemiker
2. Kepala Bagian Tanaman
a. Bertanggung jawab terhadap produktivitas tebu dan pencapaian areal yang
telah ditentukan oleh Direksi.
b. Membina hubungan baik dengan petani tebu pola kemitraan.
c. Bertanggung jawab terhadap persediaan bahan baku secara kuantitas dan kualitas yang sesuai SOP.
d. Bertanggung jawab pemasokkan tebu untuk memenuhi kapasitas giling di
dalam pabrik
e. Dalam pelaksanaannya kepala tanaman di bantu oleh para sinder kepala
dan staf administrasi tanaman.
f. Dalam musim giling kepala tanaman dalam penyediaan tebu dibantu oleh staf tebang dan angkut.
3. Kepala Bagian Instalasi
a. Bertanggung jawab dalam masalah-masalah yang berhubungan dengan
teknis, pengadaan dan pemeliharaan mesin-mesin perusahaan.
b. Memimpin dan mengkoordinasikan para pembantunya mulai dari karyawan pelaksana sampai dengan karyawan staff (pimpinan).
c. Bertanggung jawab atas kelancaran proses giling. 4. Kepala Bagian Pengolahan
a. Bertanggung jawab terhadap kelancaran proses pengolahan gula. b. Bertanggung jawab terhadap produktivitas gula.
d. Dalam pelaksanaan tugasnya dibantu oleh chemiker dan karyawan pelaksana.
5. Kepala Administrasi Keuangan dan Umum
a. Bertanggung jawab atas kelancaran pelayanan kepada semua bagian yang
ada di PG.Pangka
b. Bertanggung jawab terhadap kelancaran pengadaan barang dan penyediaan dana operasional.
c. Bertanggung jawab di bidang administrasi tenaga kerja, keuangan. d. Bertanggung jawab terhadap laporan keuangan kepada Direksi. 2.2 Landasan teori
2.2.1 Jaringan Saraf Tiruan
JST adalah sistem komputasi dimana arsitektur dan operasi diilhami dari
pengetahuan tentang sel saraf biologi di dalam otak. JST dapat digambarkan sebagai model matematis dan komputasi untuk fungsi aproksimasi nonlinear,
klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model saraf biologi.
Valluru B.Rao dan Hayagriva V.Rao (1993) mendefinisikan jaringan saraf
sebagai sebuah kelompok pengolahan elemen dalam suatu kelompok yang khusus membuat perhitungan sendiri dan memberikan hasilnya kepada kelompok kedua
atau beberapa pengolahan elemen tersebut menghasilkan keluaran (output) dari jaringan.
Metode jaringan saraf tiruan (JST) memiliki karakteristik yang menyerupai jaringan saraf biologi dalam memproses informasi (Marimin, 2005).
JST dapat menyimpan pengetahuan pola kejadian masa lampau melalui proses pelatihan yang kemudian pengetahuan tersebut digunakan untuk memperkirakan kejadian yang akan terjadi dimasa yang akan datang.
Tiga hal yang sangat menentukan keandalan sebuah JST adalah pola rangkaian neuron-neuron dalam jaringan yang disebut dengan arsitektur jaringan.
Algoritma untuk menentukan bobot penghubung yang disebut dengan algoritma pelatihan, dan persamaan fungsi untuk mengolah masukan yang akan diterima oleh neuron yang disebut dengan fungsi aktivasi (Fausett, 1994).
Jaringan saraf tiruan seperti manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data-data
sebelumya dan mengenal pola data yang selalu berubah. Selain itu, JST merupakan system yang tak terpogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti
proses pembelajaran / pelatihan.
Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai
keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud kemampuan memorisasi adalah kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah
pola-pola input yang serupa (namun tidak identik) dengan pola-pola-pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST itu
diinputkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang paling
mendekati (Puspitaningrum, Diyah 2006).
Jaringan saraf tiruan berkembang secara pesat pada beberapa tahun terakhir. Jaringan saraf tiruan telah dikembangkan sebelum adanya suatu
komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun.
JST menyerupai otak manusia dalam dua hal yaitu : a) Pengetahuan diperoleh jaringan melalui proses belajar.
b) Kekuatan hubungan antar sel saraf (neuron) yang dikenal sebagai bobot-bobot
sinaptik digunakan untuk menyimpan pengetahuan. Kelebihan JST antara lain :
1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian.
2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu. 3. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau
kemampuan belajar (self organizing).
4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja.
5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat. 2.2.1.1 Arsitektur ( model ) JST
2.2.1.1.1 Jaringan dengan lapisan tunggal (Single Layer Net)
Jaringan dengan lapisan unggal hanya memiliki satu lapisan dengan
bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.
Gambar 2.2 Jaringan saraf dengan lapisan tunggal
2.2.1.1.2 Jaringan dengan banyak lapisan (Multilayer Net)
Dalam model ini sebenarnya merupakan model JST satu lapisan yang jumlahnya banyak dan prinsip kerja dari model JST ini sama dengan JST satu
lapisan. Output dari tiap lapisan sebelumnya dalam model ini merupakan input dari lapisan sebelumnya.
Arsitektur jaringan yang lebih kompleks Menurut Rumelhart, et al. (1996)
masalah yang lebih kompleks dibandingkan jaringan layar tunggal, meskipun proses pelatihannya lebih komplek dan lebih lama (Haykin, 1999).
Gambar 2.3 Jaringan saraf dengan banyak lapisan
2.2.1.1.3 Jaringan dengan lapisan kompetitif (competitive layer net)
Merupakan jenis jaringan saraf yang memiliki bobot yang telah ditetapkan
dan tidak memiliki proses pelatihan. Digunakan untuk mengetahui neuron pemenang dari sejumlah neuron yang ada. Nilai bobot untuk diri sendiri tiap
Gambar 2.4 Jaringan saraf dengan lapisan kompetitif
2.2.1.2 Komponen Jaringan Saraf Tiruan
Dengan mengambil ide dari jaringan saraf manusia, komponen-komponen pada JST adalah :
a) Neuron Tiruan(artificial neuron)
JST disusun oleh unit dasar yang disebut neuron tiruan yang merupakan elemen pemrosesan dalam jaringan, dimana semua proses perhitungan
dilakukan disini. b) Lapisan (layer)
JST disusun oleh kumpulan neuron yg berhubungan dan dikelompokkan pd lapisan2 (layer). Terdapat tiga lapisan, yaitu : lapisan masukan(input layer), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output layer).
c) Masukan(input)
JST hanya dapat memproses data masukan berupa data numerik, sehingga
d) Keluaran (output)
Keluaran dari JST adalah pemecahan terhadap masalah. Data keluaran
merupakan data numerik. e) Bobot(weight)
Bobot pada JST menyatakan tingkat kepintaran sistem. Walaupun sebenarnya bobot tersebut hanya sebuah deretan angka-angka saja. Bobot sangat penting untuk JST, dimana bobot yang optimal akan memungkinkan sistem
menterjemahkan data masukan secara benar dan menghasilkan keluaran yang diinginkan.
Ada beberapa tipe jaringan saraf, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron
tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron neuron yang lain. Pada
jaringan saraf hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.
Neuron buatan sebenarnya mirip dengan sel neuron biologis. Neuron-neuron buatan tersebut bekerja dengan cara yang sama pula dengan Neuron-
neuron-neuron biologis. Informasi (disebut dengan: input) akan dikirim ke neuron-neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan
yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai
ambang tertentu, maka neuron tersebut akan diaktifkan, tapi jika tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka
neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan dengannya.
2.2.1.3 Fungsi Aktivasi
Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan, yaitu:
1. Fungsi undak biner (hard limit)
Jaringan dengan lapisan tunggal sering menggunakan fungsi undak untuk mengkonversikan input dari suatu variabel yang bernilai kontinu ke suatu
output biner ( 0 atau 1). Fungsi undak biner (hard limit) dirumuskan sebagai berikut :
2. Fungsi undak biner (Threshold)
Fungsi undak biner dengan menggunakan nilai ambang sering juga disebut
dengan nama fungsi nilai ambang (threshold) atau fungsi Heaviside. Fungsi undak biner (Threshold) dirumuskan sebagai berikut :
Gambar 2.7 Fungsi aktivasi : undak biner (Threshold)
3. Fungsi bipolar (symetric hard limit)
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1, 0 atau -1.
4. Fungsi bipolar dengan threshold
Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner dengan
threshold, hanya saja output yang dihasilkan berupa 1, 0 atau -1. 5. Fungsi linear (identitas)
Fungsi linear memiliki nilai output yang sama dengan nilai inputnya.
Fungsi linear dirumuskan sebagai y = x.
6. Fungsi saturating linear
Fungsi ini akan bernilai 0 jika inputnya kurang dari - 1/2 dan akan bernilai
1 jika inputnya lebih dari 1/2. Sedangkan jika nilai input terletak antara -1/2 dan 1/2, maka outputnya akan bernilai sama dengan nilai input ditambah ½. 7. Fungsi simetric saturating linear
Fungsi ini akan bernilai -1 jika inputnya kurang dari -1 dan akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak antara -1 dan 1
maka outputnya akan bernilai sama dengan nilai inputnya. 8. Fungsi sigmoid biner
Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk
jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1. Namun, fungsi ini bisa juga digunakan oleh jaringan saraf yang nilai
outputnya 0 atau 1.
y = f(x) = ………. (1)
dengan: f '(x)= σf(x)[1-f(x)] ………. (2) 9. Fungsi sigmoid bipolar
Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja
output dari fungsi ini memiliki range antara -1 sampai 1.
y = f(x) = ………...(3)
2.2.1.4 Sum Square Error dan Root Mean Square Error
Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat
belajar dengan baik sehingga jika dibandingkan dengan pola yang baru akan dengan mudah dikenali. Kesalahan pada keluaran jaringan merupakan selisih
antara keluaran sebenarnya (current output) dan keluaran yang diinginkan (desired output). Selisih yang dihasilkan antara keduanya biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan.
Sum Square Error (SSE) dihitung sebagai berikut : 1. Hitung keluaran jaringan saraf untuk masukan pertama.
2. Hitung selisih antara nilai keluaran jaringan saraf dan nilai target / yang diinginkan untuk seiap keluaran.
3. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan
kuadrat kesalahan untuk contoh latihan. Adapun rumusnya adalah :
SSE = ∑∑ (Tjp– Xjp)2 p j
Dengan :
Tjp : nilai keluaran jaringan saraf
Xjp : nilai target / yang ingin diinginkan untuk setiap keluaran
Root Mean Square Error (RMS Error) dihitung sebagai berikut :
1. Hitung SSE.
2. Hasilnya dibagi dengan perkalian antara banyaknya data pada pelatihan dan banyaknya keluaran, kemudian diakarkan.
RMS Error = ∑∑ (Tjp– Xjp)2 p j
np no
Dengan :
Tjp : nilai keluaran jaringan saraf
Xjp : nilai target / yang ingin diinginkan untuk setiap keluaran
np : jumlah seluruh pola
no : jumlah keluaran
2.2.1.5 JST Backpropagation
Perambatan galat mundur (backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk
persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set) (Brace,
1997).
a. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar.
b. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.
c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses.
d. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen
e. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung.
2.2.1.5.1 Arsitektur Jaringan Metode Backpropagation
Jaringan saraf terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri
atas variabel masukan unit sel saraf, lapisan tersembunyi, dan lapisan keluaran/output. (Brace, 1997).
Gambar 2.9 Arsitektur jaringan backpropagation
Keterangan :
X = Masukan (input) J = 1..n (n = 10)
V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran
n = Jumlah unit pengolah pada lapisan tersembunyi b = Bias pada lapisan tersembunyi dan lapisan keluaran k = Jumlah unit pengolah pada lapisan keluaran
Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana
jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara keluaran aktual (current output) dan keluaran target
(desired output). Langkah berikutnya adalah menghitung nilai SSE (Sum Square Error) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai
SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error)
tiap iterasi (Kusumadewi, 2002).
Sum Square Error (SSE) dihitung sebagai berikut:
a. Hitung lapisan prediksi atau keluaran model untuk masukan pertama.
b. Hitung selisih antara nilai luar prediksi dan nilai target atau sinyal latihan
untuk setiap keluaran.
c. Kuadratkan setiap keluaran kemudian hitung seluruhnya. Ini merupakan
kuadrat kesalahan untuk contoh lain.
Root Mean Square Error (RMS Error). Dihitung sebagai berikut: a. Hitung SSE.
b. Hasilnya dibagi dengan perkalian antara banyaknya data pada latihan dan
dimana
RMSE = Root Mean Square Error
SSE = Sum Square Error N = Banyak data pada latihan
K = Banyak luaran.
2.2.1.5.2 Algoritma pelatihan pada JST backpropagation
Pelatihan suatu jaringan dengan algoritma backpropagation meliputi dua
tahap : perambatan maju dan perambatan mundur.
Selama perambatan maju, tiap unit masukan (x
i) menerima sebuah
masukan sinyal ini ke tiap-tiap lapisan tersembunyi z
1,…..,zp. Tiap unit
tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (z
j) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya (yk)
untuk membentuk respon pada jaringan untuk memberikan pola masukan.
Selama pelatihan, tiap unit keluaran membandingkan perhitungan
aktivasinya y
k dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut
dengan unit itu. Berdasarkan kesalahan ini, faktor δk (k = 1,..,m) dihitung. δ k
digunakan untuk menyebarkan kesalahan pada unit keluaran y
k kembali ke semua
unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke y k).
Juga digunakan (nantinya) untuk mengupdate bobot-bobot antara keluaran dan
lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi z
lapisan masukan, tetapi δj digunakan untuk mengupdate bobot-bobot antara
lapisan tersembunyi dan lapisan masukan.
Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur
secara serentak. Pengaturan bobot w
jk (dari unit tersembunyi zj ke unit keluaran yk)
didasarkan pada faktor δ
k dan aktivasi zj dari unit tersembunyi zj. didasarkan pada
faktor δ
j dan dan aktivasi xi unit masukan. Untuk langkah selengkapnya adalah
(Fausset, 1994):
a) Prosedur pelatihan
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9, Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju
Langkah 3: Tiap unit masukan (x
i, i = 1,…, n) menerima sinyal xi dan
menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
Langkah 4 : Setiap unit tersembunyi (x
i, i = 1,…, p) jumlahkan bobot sinyal
masukannya,
v
oj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk
menghitung sinyal keluarannya, z
j = f (z_inj), dan kirimkan sinyal ini keseluruh
Langkah 5: Tiap unit keluaran (y Langkah 6: Tiap unit keluaran (y
k , k = 1,…, m) menerima pola target yang saling
berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya, δk = (t
k – yk) f 1
(y_in
k) ……….(7)
Hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),
Δwjk = α δk z
j ………...(8)
Hitung koreksi biasnya (digunakan untuk memperbaharui w
ok nantinya), dan
kirimkan δ
k ke unit-unit pada lapisan dibawahnya,
Langkah 7: Setiap unit lapisan tersembunyi (z
j, j = 1,…, p) jumlahkan hasil
perubahan masukannya (dari unit-unit lapisan diatasnya), Δδ_in
j = ∑δk wjk ………(9)
Kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi
kesalahannya, δj = δ_inj f1 (z_in
j) ………..(10)
Hitung koreksi bobotnya (digunakan untuk memperbaharui v
oj nanti),
Δv
Langkah 8: Tiap unit keluaran (y
k, k = 1.. m) update bias dan bobotnya (j = 0,…, p):
w
jk (baru) = wjk (lama) + Δ wjk……….…(12)
Tiap unit lapisan tersembunyi (z
j, j = 1,…, p) update bias dan bobotnya
(i = 0,…,n) :
v
ij (baru) = vij (lama) + Δ vij………(13)
Langkah 9: Test kondisi berhenti. b) Prosedure Pengujian
Setelah pelatihan, jaringan saraf backpropagation diaplikasikan dengan
hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya adalah sebagai berikut:
Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan).
Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4. Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi .
Langkah 3 : for j = 1,…, p :
………(14)
Zj = f(Z_inj)………(15)
Langkah 4 : for k = 1,…, m :
………(16)
2.2.1.5.3 Backpropagation dalam Peramalan
Salah satu bidang, backpropagation dapat diaplikasikan dengan baik
adalah bidang peramalan (forecasting). Peramalan yang sering diketahui adalah peramalan besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran
sungai dan lain-lain.
Secara umum, masalah peramalan dapat dinyatakan dengan sejumlah data runtun waktu (time series) x1, x2,..., xn. Masalahnya adalah memperkirakan berapa
harga xn+1 berdasarkan x1, x2,..., xn. Langkah-langkah membangun struktur
jaringan untuk peramalan sebagai berikut.
1. Transformasi Data
Langkah awal sebelum melakukan proses pelatihan pada jaringan yang akan digunakan untuk peramalan adalah transformasi data. Sebab-sebab utama
data ditransformasi adalah agar kestabilan taburan data dicapai. Selain itu berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan
dalam jaringan (Siang 2005:121). Ada beberapa transformasi yang digunakan, yaitu transformasi polinomial, transformasi normal dan transformasi linear.
Nilai hasil transformasi polinomial, normal dan linear dapat diperoleh
dengan persamaan sebagai berikut. a. Transformasi Polinomial
x'= ln x
dengan
x'= nilai data setelah transformasi polinomial.
b. Transformasi Normal
xn=
dengan
xn = nilai data normal.
x0 = nilai data aktual.
xmin = nilai minimum data aktual keseluruhan.
xmax = nilai maksimum data aktual keseluruhan.
c. Transformasi Linear pada selang [a , b]
x
'
=( Jong Jek Siang.2005:121 ) dengan
x'= nilai data setelah transformasi linear.
x = nilai data aktual.
xmin = nilai minimum data aktual keseluruhan.
xmax = nilai maksimum data aktual keseluruhan.
a = selang batas awal b = selang batas akhir
2. Pembagian Data
Langkah selanjutnya setelah transformasi data adalah pembagian data.
a. 80% untuk data pelatihan dan 20% untuk data pengujian dan validasi. b. 70% untuk data pelatihan dan 30% untuk data pengujian dan validasi.
c. 2/3 untuk data pelatihan dan 1/3 untuk data pengujian dan validasi. d. 50% untuk data pelatihan dan 50% untuk data pengujian dan validasi.
e. 60% untuk data pelatihan dan 40% untuk data pengujian dan validasi.
Aspek pembagian data harus ditekankan agar jaringan mendapat data pelatihan yang secukupnya dan data pengujian dapat menguji prestasi pelatihan
yang dilakukan berdasarkan nilai MAPE data pelatihan dan pengujian. Bilangan data yang kurang untuk proses pelatihan akan menyebabkan jaringan mungkin
tidak dapat mempelajari taburan data dengan baik. Sebaliknya, data yang terlalu banyak untuk proses pelatihan akan melambatkan poses pemusatan (konvergensi). Masalah overtraining (data pelatihan yang berlebihan) akan memyebabkan
jaringan cenderung untuk menghafal data yang dimasukan daripada mengeneralisasi.
2.2.1.5.4 Perancangan Struktur Jaringan Yang Optimum
Langkah selanjutnya setelah pembagian data adalah penentuan bilangan simpul masukan, bilangan lapisan tersembunyi, bilangan simpul lapisan
tersembunyi dan bilangan simpul keluaran yang akan digunakan dalam jaringan. Terdapat beberapa aturan yang dapat membantu perancangan jaringan yang
optimum, yaitu sebagai berikut.
c. Mulai dengan satu lapisan tersembunyi dan digunakan lebih dari satu lapisan tersembunyi jika diperlukan.
d. Jika menggunakan satu lapisan tersembunyi, bilangan simpul tersembunyi awal adalah 75% dari bilangan simpul masukan.
Penggunaan jaringan dengan dua atau lebih lapisan tersembunyi dalam masalah peramalan kebanyakan tidak akan memberikan pengaruh yang sangat besar terhadap prestasi jaringan untuk melakukan peramalan. Selain itu akan
melambatkan proses pelatihan yang disebabkan bertambahnya simpul.
Beberapa kaedah untuk memperkirakan bilangan simpul tersembunyi yaitu
sebagai berikut. a. h = n, 2n b. h = n/2
dengan
n = bilangan simpul masukan yang digunakan.
h = bilangan simpul tersembunyi.
Penentuan bilangan simpul tersembunyi yang terbaik diperoleh secara
trial and error dari simpul 1 sampai 2n.
2.2.2 Metode Multiple Regression
Multiple regression adalah regresi dengan dua atau lebih variabel X1, X2,
X3, …., Xn sebagai variabel bebas dan Y sebagai variabel tak bebas, sehingga
merupakan perluasan dari regresi linier sederhana. Model probabilistik regresi berganda yang melibatkan (k-1) variabel X adalah sebagai berikut (Dadan, 2004) :
Y : Variabel terikat
X1, X2, X3,….,Xk = variable bebas
a1, b1, b2,…. bk = koefisien variable
Pada persamaan linear lebih dari dua variable, variable Y dipengaruhi oleh
lebih dari dua variable, yaitu variable X1, X2, ….. Xk. Dalam hal demikian,
variable Y disebut variabel terikat (dependent variable) dan variable-variabel X1,
X2,…. Xk disebut variable bebas (independent variable), artinya nilai-nilai
variable Y dapat ditentukan berdasarkan nilai-nilai dari variable X1,X2,….Xk.
Syarat-syarat Regresi Linier Berganda, sebagai berikut :
a. Model regresi linier;
b. Eksistensi (X diasumsikan non stokastik);
c. Nilai rata-rata kesalahan adalah nol, atau Ė( μ/ Xi) = 0;
d. Homoskedastisitas, artinya varian kesalahan sama untuk setiap periode ( homo = sama, skedastisitas = sebaran) dinyatakan dalam bentuk matematis:
Var ( μ/ Xi) = 0;
e. Tidak ada autokorelasi antar kesalahan (antara i dan j tidak ada korelasinya). Dinyatakan dalam bahasa matematis : Covarians (μi , μ j) = 0;
f. Antara μ dan X saling bebas, sehingga covarians (μ i, X) = 0; g. Tidak ada multikolinieritas yang sempurna antar variabel bebas;
h. Jumlah observasi n harus lebih besar daripada jumlah parameter yang diestimasi (jumlah variabel bebas);
i. Adanya variabilitas dalam nilai X, artinya nilai X harus berbeda (tidak boleh
j. Model regresi telah dispesifikasikan secara benar. Dengan kata lain tidak ada bias (kesalahan) spesifikasi dalam model yang digunakan dalam analisis
empiris (Kuncoro, 2001:96 ). 2.2.3 Forecasting ( Peramalan )
2.2.3.1 Hubungan Forecast dengan Rencana
Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa yang akan dilakukan pada
waktu yang akan datang (Subagyo, 1986: 3). Dengan sendirinya terjadi perbedaan antara forecast dengan rencana. Forecast adalah peramalan apa yang akan terjadi,
tetapi belum tentu bisa dilaksanakan oleh perusahaan.
2.2.3.2 Definisi dan Tujuan Forecasting
Forecasting adalah suatu usaha untuk meramalkan keadaan di masa
mendatang melalui pengujian keadaan di masa lalu (Handoko, 1984:260). Dalam
kehidupan sosial segala sesuatu itu serba tidak pasti, sukar untuk diperkirakan
secara tepat. Dalam hal ini perlu diadakan forecast. Forecasting yang dibuat selalu diupayakan agar dapat meminimumkan pengaruh ketidakpastian ini terhadap perusahaan. Dengan kata lain forecasting bertujuan mendapatkan
forecast yang bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean squared error, mean absolute error, dan sebagainya
(Subagyo, 1986: 4).
2.2.3.3 Proses Peramalan
Menurut Handoko (1984: 260), proses peramalan biasanya terdiri dari
a. Penentuan Tujuan
Analisis membicarakan dengan para pembuat keputusan dalam perusahaan
untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan: 1) variabel-variabel apa yang akan diestimasi,
2) siapa yang akan menggunakan hasil peramalan,
3) untuk tujuan-tujuan apa hasil peramalan akan digunakan, 4) estimasi jangka panjang atau jangka pendek yang diinginkan,
5) derajat ketepatan estimasi yang diinginkan, 6) kapan estimasi dibutuhkan,
7) bagian-bagian peramalan yang diinginkan, seperti peramalan untuk kelompok pembeli, kelompok produk atau daerah geografis.
b. Pengembangan Model
Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan model, yang merupakan penyajian secara lebih sederhana sistem yang dipelajari.
Dalam peramalan, model adalah suatu kerangka analitik yang apabila dimasukkan data masukan menghasilkan estimasi penjualan di waktu mendatang (atau variabel apa saja yang diramal). Analisis hendaknya memilih suatu model yang
menggambarkan secara realistis perilaku variabel-variabel yang dipertimbangkan. Sebagai contoh, bila perusahaan ingin meramalkan jumlah produksi yang polanya
berbentuk linier, model yang dipilih mungkin Y = A + BX, dimana Y menunjukkan besarnya jumlah produksi ; X menunjukkan unit waktu, serta A dan B adalah parameter-parameter yang menggambarkan posisi dan kemiringan garis
c. Pengujian Model
Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat
akurasi, validitas, dan reliabilitas yang diharapkan. Ini sering mencakup penerapannya pada data historis, dan penyiapan estimasi untuk tahun-tahun
sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajat ketepatan hasil peramalan data aktual.
d. Penerapan Model
Setelah pengujian, analisis menerapkan model dalam tahap ini, data historis dimasukkan dalam model untuk menghasilkan suatu ramalan. Dalam
kasus model penjualan, Y = A + BX, analisis menerapkan teknik-teknik matematika agar diperoleh A dan B.
e. Revisi dan Evaluasi
Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan karena adanya
perubahan-perubahan dalam perusahaan atau lingkungannya, seperti tingkat harga produk perusahaan, karakteristikkarakteristik produk, pengeluaran-pengeluaran pengiklanan, tingkat pengeluaran pemerintah, kebijakan moneter dan kemajuan
teknologi.
Evaluasi, di pihak lain, merupakan perbandingan ramalan-ramalan dengan
2.2.3.4 Metode-metode Peramalan
Untuk mendapatkan suatu metode yang baik dalam sistem peramalan,
digunakan tingkat ketelitian sebagai ukuran, semakin tinggi tingkat ketelitian yang didapatkan maka semakin baik penggunaan dari metode yang dipakai.
Metode peramalan didasarkan pada :
1. Penggunaan analisa pola hubungan antara variabel yang akan dipekirakan. 2. Penggunaan analisa pola hubungan antara variabel yang akan memperkirakan
dengan variabel lain yang mempengaruhi.
Metode jaringan saraf tiruan algoritma backpropagation dilatih dalam
suatu cara yang disesuaikan melalui cara komputasi. Aplikasi ini pada peramalan didasarkan pada kemampuan jaringan saraf tiruan untuk mendekati keluaran yang diinginkan dengan kombinasi dari variabel parameter yang terlibat untuk
mendapatkan hasil yang sesuai dengan pola yang terbentuk. Di bawah ini adalah daftar beberapa istilah peramalan :
1. Accurancy (Ketepatan)
Kriteria yang paling banyak dipakai untuk mengevaluasi unjuk kerja model dan metode-metode peramalan alternative adalah ketepatan. Ia
menunjukkan tingkat kebenaran ramalan yang diukur. Ketepatan dapat diukur menggunakan dimensi seperti rata-rata kesalahan kuadrat (MSE), rata-rata
2. Algorithm (Algoritma)
Suatu rangkaian aturan sistematis untuk memecahkan suatu persoalan.
Satu set aturan yang digunakan dalam penerapan berbagai metode peramala kuantitatif adalah algoritma.
3. Applicability (Kemampuan untuk diterapkan)
Aplikabilitas merupakan suatu criteria yang penting di dalam metode peramalan. Aplikabilitas menunjukkan mudahnya suatu metode untuk diterapkan
dalam situasi tertentu dengan pemakai peramalan yang khusus. Semakin menigkatnya permintaan dan kecanggihan metode peramalan mengikuti seringkali
akan mengurangi tingkat aplikabilitas.
4. Back Forecasting (Peramalan mundur)
Dalam menerapkan teknik-teknik peramalan kuantitatif yang berdasarkan
nilai-nilai kesalahan lama (past error). Diperlukan suatu starting value (nilai awal) supaya perhitungan dapat dilaksanakan. Salah satu cara untuk mendapatkan
nilai ini adalah dengan menerapkan metode peramalan untuk data yang dimulai dari nilai akhir ke bagian awal data. Prosedur ini dinamakan peramalan mundur.
5. Cencus II (Sensus II )
Metode peramalan Sensus II menguraikan suatu deret berkala menjadi komponen musim (seasonal), trend, siklus dan random yang dapat dianalisa secara
terpisah kemudian digabung kembali untuk mendapatkan ramalan.
6. Estimasi (Penaksiran)
Penaksiran berisi penemuan nilai-nilai yang sesuai untuk parameter2
7. File (Berkas)
Sebuah file merupakan kumpulan data yang disusun untuk petunjuk di
masa yang akan datang. Jika disimpan dalam komputer, file-file dapat disajikan dengan program komputer actual untuk melakukan meode peramalan atau
menyederhanakan data historis yang digunakan dengan program-program komputer tersebut.
8. Heuristic (Heuristik)
Sebuah heuristic merupakan suatu susunan langkah atau prosedur yang menggunakan pendekatan trial dan error untuk mencapai beberapa sasaran yang
diinginkan.
9. Input-Output Analysis (Analisis input-output)
Pendekatan ini digunakan untuk merencanakan sebuah analisis yang
berkenaan dengan modeling sistem total dalam bentuk hubungan antar beberapa variabel.
10. Mean Absolute Percentage Error (MAPE) (Kesalahan Persentasi Absolut Rata-rata)
Rata-rata kesalahan persentasi absolute merupakan suatu nilai tengah atau
rata-rata jumlah seluruh persentasi kesalahan untuk sebuah susunan data yang diberikan. Ia merupakan salah satu ukuran ketepatan yang digunakan dalam
metode kuantitatif atau peramalan.
11. Mean Percentage Error(MPE) (Nilai Tengah Persentasi Kesalahan) Nilai tengah kesalahan persentasi merupakan rata-rata dari seluruh
kesalahan persentasi positif dan negative untuk saling menunda. Oleh karena itu, kadang-kadang digunakan sebagai suatu ukuran bias dalam aplikasi metode
peramalan.
12. Mean Squared Error (MSE) (Nilai Tengah Kesalahan Kuadrat)
Nilai tengah kesalahn kuadrat merupakn suatu ukuran ketepatan perhitungan dengan menguadratkan masing kesalahan untuk masing-masing item dalam sebuah susunan data dan kemudian memperoleh rata-rata atau
nilai tengah jumlah kuadrat tersebut. Nilai tengah kesalahn kuadrat memberikan bobot yang lebih besar terhadap kesalahan yang besar daripada kesalahan kecil
sebab kesalahn dikuadratkan sebelum dijumlahkan. 13. Observation (Pengamatan)
Pengamatan adalah nilai dari suatu peristiwa tertentu yang ditunjukkan
oleh suatu skala pengukuran nilai data tunggal. Dalam sebagian besar aplikasi peramalan sekelompok pengamatan dipakai untuk memberikan data dimana
model yang dipilih sesuai.
14. Probability (Probabilitas)
Probablitas dari suatu peristiwa ditunjukkan dengan angka dari 0 sampai
dengan 1. Peristiwa yang tidak mungkin terjadi mempunyai probabilitas 0. Suatu peristiwa yang pasti terjadi mempunyai probabilitas 1.
15. Statistic (Statistik)
2.2.4 Perancangan Sistem
Tahap perancangan disebut juga tahap pemecahan masalah, yaitu dengan
menyusun suatu algoritma, alur sistem, masukan, prosedur proses, keluaran, dan database. Proses perancangan diperlukan untuk menghasilkan suatu rancangan
sistem yang baik, karena dengan rancangan yang tepat akan menghasilkan sistem yang stabil dan mudah dikembangkan di masa mendatang. Berikut ini akan dijelaskan rangkaian atau ruang lingkup sistem yang akan dirancang dengan
memanfaatkan alat bantu seperti :
2.2.4.1 Diagram Konteks
Diagram konteks menggambarkan hubungan antara sistem dengan entitas luarnya. Diagram konteks berfungsi sebagai transformasi dari satu proses yang melakukan transformasi data input menjadi data output. Entitas yang dimaksud
adalah entitas yang mempunyai hubungan langsung dengan sistem.
Suatu diagram konteks selalu mengandung satu dan hanya satu proses
saja. Proses ini mewakili proses dari seluruh sistem. Diagram konteks ini menggambarkan hubungan input atau output antara sistem dengan dunia luarnya (kesatuan luar).
2.2.4.1Data Flow Diagram
Data Flow Diagram (DFD–DAD/Diagram Alir Data) memperlihatkan
hubungan fungsional dari nilai yang dihitung oleh sistem, termasuk nilai masukan, nilai keluaran, serta tempat penyimpanan internal. DAD adalah gambaran grafis yang memperlihatkan aliran data dari sumbernya dalam objek kemudian melewati
DAD sering digunakan untuk menggambarkan suatu sistem yang telah ada atau sistem baru yang akan dikembangkan secara logika tanpa mempertimbangan
lingkungan fisik dimana data tersebut mengalir.
DFD merupakan alat yang digunakan pada metodologi pengembangan
sistem yang terstruktur (structured analysis and design). DFD merupakan alat yang cukup populer sekarang ini, karena dapat menggambarkan arus data di dalam sistem dengan terstruktur jelas.
Tabel 2.1 Diagram Arus Data (Data Flow Diagram)
NO SIMBOL NAMA KETERANGAN
1 External Entity (kesatuan
luar)
Menggambarkan
kegiatan proses dari operasi program komputer
2 Process (proses) Menggambarkan
kegiatan atau kerja yang dilakukan oleh manusia
atau komputer
3 Data Flow (arus data) Menunjukan arus data
yang mengalir antara
proses, simpanan data dan kesatuan luar dari ke
4 Data Store (simpanan luar)
Menggambarkan suatu tempat penyimpanan data
Beberapa simbol yang digunakan dalam Data Flow Diagram (DFD) antara lain:
1. External Entity (kesatuan luar) atau boundary (batas sistem)
Setiap sistem pasti mempunyai batas sistem (boundary) yang memisahkan
suatu sistem dengan lingkungan luarnya. Sistem akan menerima input dan menghasilkan output kepada lingkungan luarnya. Kesatuan luar (external entity) merupakan kesatuan (entity) di lingkungan luar sistem yang dapat berupa orang,
organisasi atau sistem lainnya yang berada di lingkungan luarnya yang akan memberikan input atau menerima output dari sistem.
2. Process (proses)
Suatu proses adalah kegiatan atau kerja yang dilakukan oleh orang , mesin
atau komputer dari hasil suatu arus data yang masuk ke dalam proses untuk dihasilkan arus data yang akan keluar dari proses. Untuk physical data flow diagram (PDFD), proses dapat dilakukan oleh orang, mesin atau komputer,
sedangkan untuk logical data flow diagram (LDFD), suatu proses hanya menunjukkan proses dari komputer. Setiap proses harus diberi penjelasan yang
3. Data Flow (arus data)
Arus data (data flow) di DFD diberi simbol suatu panah. Arus data ini
mengalir diantara proses (process), simpanan data (data strore) dan kesatuan luar (external entity). Arus data ini menunjukkan arus dari data yang dapat berupa
masukan untuk sistem atau hasil dari proses sistem.
4. Data Store (simpanan luar)
Simpanan data (data store) merupakan simpanan dari data yang dapat
berupa, yaitu suatu file atau database di sistem komputer, suatu arsip atau catatan manual, suatu kotak tempat data di meja seseorang, suatu tabel acuan manual, dan
48
Pada Tugas Akhir ini akan dirancang sebuah Perangkat Lunak untuk
forecasting produksi gula berdasarkan hasil laporan tahunan PTPN IX
(PERSERO) / PG.Pangka dengan parameter – parameter yang telah ditentukan dengan metode Jaringan Saraf Tiruan ( JST ) untuk mendapatkan model JST yang
paling optimal dengan menggunakan algoritma Backpropagation. Bab ini akan membahas analisis dan perancangan perangkat lunak yang dibuat.
3.1 Analisis Sistem
Sebelum memulai pelatihan, terlebih dahulu ditentukan arsitektur dan parameter jaringan, serta menormalisasi input. Ada sembilan faktor yang diambil
dari data jumlah produksi gula. Maka jaringan memiliki sembilan neuron input. Sedangkan output yang diharapkan adalah prediksi jumlah produksi gula yang
dilambangkan dengan satu output ( jika output yang diinginkan sesuai dengan yang diharapkan berarti prediksi tersebut sudah benar ). Sedangkan untuk parameter jaringan, dalam pelatihan akan dicoba dilakukan beberapa perubahan
parameter untuk melihat parameter manakah yang dapat menghasilkan sistem jaringan yang terbaik. Parameter yang akan diubah adalah learning rate ( α ) dan
3.1.1 Analisis Masalah
Permasalahan yang akan dibahas dalam tugas akhir ini adalah membuat
suatu sistem yang dapat memprediksi jumlah produksi gula berdasarkan data yang dilatihkan yaitu data yang diambil dari PTPN IX (PERSERO) / PG.Pangka.
Penerapan jaringan saraf tiruan dalam permasalahan forecasting jumlah produksi gula meliputi penentuan komponen-komponen jaringan saraf tiruan yang digunakan dan mengaplikasikannya dalam permasalahannya. Untuk memprediksi
jumlah produksi gula ini diterapkan algoritma backpropagation.
3.1.2 Analisis prosedur yang sedang berjalan
Analisis prosedur atau proses sistem memberikan gambaran tentang sistem yang saat ini sedang berjalan. Analisis sistem bertujuan untuk mengetahui lebih jelas bagaimana cara kerja sistem tersebut, sehingga kelebihan dan kekurangan
sistem dapat diketahui, berikut akan terlihat lebih jelasnya dalam flow map
dibawah ini
3.1.2.1 Flow Map sistem yang sedang berjalan
Bagan alir dokumen atau bagan alir formulir merupakan bagan alir yang menunjukan arus dari dokumen. Terdapat beberapa prosedur yang sedang berjalan
di PTPN IX (PERSERO) / PG PANGKA. Prosedur tersebut merupakan aturan-aturan yang digunakan dalam pembuatan forecasting produksi gula.
Berikut merupakan prosedur pembuatan forecasting produksi gula di PTPN IX (PERSERO) / PG PANGKA.
1. Administrasi pengolahan menyerahkan laporan tahunan produksi gula kepada