PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN
PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN
JARINGAN SYARAF TIRUAN PROPAGASI BALIK
MUHAMMAD HAMDANI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN
PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN
JARINGAN SYARAF TIRUAN PROPAGASI BALIK
MUHAMMAD HAMDANI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ABSTRACT
MUHAMMAD HAMDANI. A Backpropagation Neural Network Model for Crude Palm Oil Sales and Stock of Palm Oil Fresh Fruit Bunch Forecasting. Supervised by AZIZ KUSTIYO and ALIM SETIAWAN S.
Crude palm oil sales forecasting and palm oil fresh fruit bunch stock forecasting are common problems for palm agro industry company. The low rate of sales due to wrong prediction may influence company’s expansion plan. Moreover, crude palm oil stock is strongly dependent on palm oil fresh fruit bunch stock in each fields. The objective of this study is to create a model for sales forecasting of crude palm oil by using backpropagation Neural Network. This study uses secondary data which contains historical data of crude palm oil sales dependent on TBS stocks from 3 fields (inti, plasma, luar). The data is obtained from PT. Perkebunan Nusantara (PTPN) XIII term of January 2005 to December 2007. Factors that influence backpropagation neural network model are the number of neurons in the hidden layer and the learning rate. The conclusion obtained based on the result test is that the level of accuracy of the Backpropagation Neural Network in predicting the supply of Palm Fresh Fruit Bunch and Crude Palm Oil sales is more competitive than the accuracy of ARIMA time series data model for Palm Fresh Fruit Bunch and Crude Palm Oil sales with 750.45 for RMSE and 25.67 MAPE.
Judul Skripsi : Peramalan Pasokan Tandan Buah Segar dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
Nama : Muhammad Hamdani
NRP : G64080015
Menyetujui Komisi Pembimbing
Pembimbing I Pembimbing II
Aziz Kustiyo, S.Si, M.Kom Alim Setiawan S. STP, M.Si
NIP. 19700719 199802 1 001 NIP. 19820227 200912 1 001
Mengetahui:
Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001
KATA PENGANTAR
Puji syukur penulis panjatkan ke Hadirat ALLAH Subhanahu Wata’alla atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Peramalan Tandan Buah Segar dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi Balik. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1 Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Alim Setiawan S. STP, M.Si selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.
2 Bapak Musthofa S.Kom, M.Sc yang telah bersedia menjadi moderator seminar dan penguji pada sidang.
3 Bapak Doktor Rika Ampuh Hadiguna yang telah memberikan data dalam penelitian ini. 4 Ayahanda Hasan Bisri, Ibunda Iyung Rumaisah, serta Adik Riyan Maulana atas doa, kasih
sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini.
5 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses.
6 Rekan-rekan satu bimbingan, Hariman Hidayat Siregar,Wangi Saraswati, Putri Previa Yanti, Riva Aktivia dan Brenda Kristi, yang telah menemani dan mengingatkan selama penelitian. 7 Rekan-rekan satu kontrakan di Kosan DEWA, Wildan Dhea Gustiyana, Arief Saepudin, Ade
Priyadi dan Ahmad Soleman Nasution yang telah memberikan dukungan untuk segera menyelesaikan studi.
8 Rekan-rekan IKABON 45 dan seluruh warga IKC-IPB yang telah memberikan dukungan untuk segera menyelesaikan studi
Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi umat Islam di Indonesia dan masyarakat pada umumnya.
Bogor, Juli 2012
RIWAYAT HIDUP
Penulis lahir di kota Cirebon, Jawa Barat, 28 Juli 1990 sebagai anak pertama dari pasangan Hasan Bisri dan Iyung Rumaisah. Penulis menghabiskan seluruh masa kecilnya serta mengenyam pendidikan di kota kelahirannya. Penulis merupakan lulusan dari SMAN 1 Cirebon (2005-2008), SMPN 1 Cirebon (2002-2005), dan SDN Kebon Baru IV (1996-2002).
v
DAFTAR ISI
Halaman
DAFTAR ISI ... v
DAFTAR TABEL ... vi
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN... 1
Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA ... 1
Minyak Sawit Kasar (CPO) ... 1
Tandan Buah Segar ... 1
Data Time series ... 2
Artificial Neural Network (ANN) ... 2
Feedforward Neural Network ... 2
Backpropagation Neural Network (BNN) ... 2
Fungsi Aktivasi ... 3
Ketepatan Pendugaan ... 4
METODE PENELITIAN ... 4
Kerangka Penelitian ... 4
Studi Literatur ... 4
Pengambilan Data ... 4
Proses pada BNN ... 5
Perbandingan Kinerja BNN dengan ARIMA ... 5
Analisis dan Evaluasi... 6
HASIL DAN PEMBAHASAN ... 6
BNN untuk kebun inti... 6
BNN untuk kebun plasma ... 7
BNN untuk kebun luar ... 8
BNN untuk Penjualan CPO ... 9
SIMPULAN DAN SARAN ... 10
Simpulan ... 10
Saran ... 11
DAFTAR PUSTAKA ... 11
LAMPIRAN ... 12
vi
DAFTAR TABEL
Halaman
1 Struktur BNN yang digunakan ... 5
2 Pengaruh learning rate TBS kebun inti ... 6
3 Perbandingan BNN dengan ARIMA kebun inti ... 6
4 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun inti ... 7
5 Pengaruh learning rate TBS kebun plasma ... 7
6 Perbandingan BNN dengan ARIMA kebun plasma ... 7
7 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun plasma ... 8
8 Pengaruh learning rate TBS kebun luar ... 8
9 Perbandingan BNN dengan ARIMA kebun luar ... 8
10 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun luar... 9
11 Pengaruh learning rate penjualan CPO ... 9
12 Perbandingan BNN dengan ARIMA penjualan CPO ... 10
13 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada penjualan CPO ... 10
DAFTAR GAMBAR
Halaman 1 Jaringan Syaraf Tiruan Feedforward ... 22 Jaringan Syaraf Tiruan tipe Backpropagation ... 3
3 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) ... 3
4 Grafik fungsi identitas ... 4
5 Diagram alur proses peramalan jumlah TBS dan penjualan CPO dengan BNN ... 4
6 Hasil prediksi BNN dengan ARIMA kebun inti. ... 6
7 Hasil prediksi BNN dengan ARIMA kebun plasma. ... 7
8 Hasil prediksi BNN dengan ARIMA kebun luar... 9
9 Hasil prediksi BNN dengan ARIMA penjualan CPO ... 10
DAFTAR LAMPIRAN
Halaman 1 Data Pasokan TBS dan Penjualan CPO... 131
PENDAHULUAN
Latar Belakang
Sub sektor perkebunan sebagai salah satu bagian dari pertanian dalam arti luas merupakan komponen utama yang penting dalam perekonomian Indonesia. Hal ini dapat terlihat dari peran produsen industri primer minyak nabati yang menggunakan buah kelapa sawit sebagai bahan baku utamanya. Peningkatan produktivitas minyak sawit kasar atau Crude Palm Oil (CPO) Indonesia dengan persentase 165 persen dengan total produksi 22 juta ton pada tahun 2009/2010, mengindikasikan penghasil devisa negara terbesar berasal dari ekspor CPO ke negara-negara Eropa barat seperti Inggris, Italia, Belanda dan Jerman. Peningkatan produktivitas industri CPO membutuhkan
input dari perkebunan kelapa sawit dalam bentuk Tandan Buah Segar (TBS) dengan total perkembangan luas areal 9.60-13.36 persen (1999-2005) yang berasal dari perkebunan besar swasta, perkebunan negara dan perkebunan rakyat (Haloho 2008). Salah satu produsen industri CPO sebagai produk sampingannya yang tetap eksis memenuhi permintaan industri hilir kelapa sawit adalah PT Perkebunan Nusantara XIII
Masalah yang dihadapi oleh perusahaan agroindustri bidang kelapa sawit adalah munculnya biaya yang tidak terduga seperti biaya transportasi dan biaya penyimpanan gudang untuk pasokan tandan buah segar. Salah satu cara untuk mengantisipasi hal ini adalah dengan meramalkan jumlah pasokan TBS dari berbagai kebun dan jumlah CPO yang terjual. Dengan melakukan peramalan pada rantai pasokan perusahaan agroindustri dapat mengetahui instrumen-instrumen dan biaya yang diperlukan seperti jumlah armada yang mengangkut TBS, jumlah box/gudang yang diperlukan. Peramalan pada rantai penjualan juga dirasa penting karena dengan mengetahui jumlah yang akan dijual, perusahaan agroidustri dapat mempersiapkan armada untuk transportasi dan langkah langkah strategis agar keuntunga yang dicapai menjadi optimal.
Salah satu metode analisis statistik yang telah diterapkan adalah peramalan pasokan tandan buah segar dan penjualan minyak sawit kasar menggunakan pemodelan ARIMA (Hadiguna 2011). Pada peramalan time series
selain menggunakan pemodelan ARIMA, menurut Widjanarko (2000) Backpropagation Neural Network (BNN) adalah salah satu
model Neural Network (NN) yang optimal untuk prediksi time series. Dengan demikian dalam penelitian ini akan menggunakan BNN untuk memprediksi jumlah tandan buah segar dan penjualan minyak sawit kasar (CPO) di masa mendatang. Hasil prediksi tersebut diharapkan dapat digunakan tolak ukur peningkatan produksi.
Tujuan
Tujuan yang hendak dicapai dari penelitian ini adalah:
1. Memprediksi jumlah tandan buah segar dan penjualan CPO menggunakan jaringan syaraf tiruan propagasi balik.
2. Membandingkan hasil prediksi time series
menggunakan BNN dengan hasil prediksi menggunakan metode ARIMA.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
1 Implementasi dalam mengolah data time series menggunakan jaringan syaraf tiruan propagasi balik.
2 Data jumlah tandan buah segar dan penjualan CPO yang digunakan adalah data tahun 2003-2007.
3 Faktor-faktor lain yang mempengaruhi penjualan CPO dianggap Ceteris paribus.
TINJAUAN PUSTAKA
Minyak Sawit Kasar (CPO)
2 peramalan itu biasanya disebut sebagai lead time yang bervariasi pada tiap persoalan. Berdasarkan himpunan pengamatan yang tersedia maka time series dikatakan kontinu. Jika himpunan pengamatan tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengatamatan tersebut juga diskrit (Subanar 2009).
ARIMA
ARIMA (Auto Regressive Integrated Moving Average) merupakan salah satu teknik atau metode yang dapat digunakan untuk meramalkan data time series. Notasi ARIMA terlhiat dalam model ARIMA (p,d,q) dimana p merupakan identifikasi langkah diffrencing
yang dilakukan. d merupakan notasi untuk mengetahui orde Auto korelasi yang digunakan. q merupakan notasi untuk derajat Moving Average (MA) yang dilakukan (Hyndman 2001).
Artificial Neural Network (ANN)
Artificial neural network atau biasa disebut neural network adalah sistem pemrosesan informasi yang memunyai karakteristik mirip dengan jaringan saraf biologi. Neural network telah dikembangkan sebagai generalisasi model matematik dari
neuron biologis manusia, yang berbasis pada asumsi sebagai berikut (Fausset 1994): 1. Pemrosesan informasi terjadi pada banyak
elemen sederhana yang disebut neuron.
2. Sinyal diberikan antara neuron melalui penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
4. Setiap neuron menerapkan fungsi aktivasi terhadap jumlah sinyal masukan terbobot untuk menentukan sinyal keluarannya.
Neural network dikarakteristikkan dengan (Fausset 1994):
1. Pola hubungan antar neuron (arsitektur). 2. Metode untuk menentukan bobot untuk
penghubung (pembelajaran atau algoritme).
3. Fungsi aktivasi.
Beberapa arsitektur jaringan yang sering dipakai dalam jaringan saraf tiruan antara lain (Fausset 1994):
1. Jaringan lapisan tunggal (single layer network)
2. Jaringan lapisan jamak (multilayer network)
3. Jaringan Recurrent
Feedforward Neural Network
Sebuah jaringan yang sederhana mempunyai struktur feedforward dimana signal bergerak dari input kemudian melewati lapisan tersembunyi dan akhirnya mencapai unit output (mempunyai struktur yang stabil) seperti yang terlihat pada Gambar 1 (Fausset 1994).
Tipe jaringan feedforward mempunyai sel syaraf yang tersusun dari beberapa lapisan. Lapisan input bukan merupakan sel syaraf. Lapisan ini hanya memberi pelayanan dengan mengenalkan suatu nilai dari suatu variabel. Lapisan tersembunyi dan lapisan output sel syaraf terhubung satu sama lain dengan lapisan sebelumnya. Kemungkinan yang timbul adalah adanya hubungan dengan beberapa unit dari lapisan sebelumnya atau terhubung semuanya (Fausset 1994).
Gambar 1 Jaringan Syaraf Tiruan
Feedforward
Backpropagation Neural Network (BNN)
Jaringan Syaraf Tiruan Backpropagation
pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Clelland mengembangkannya pada tahun 1988 (Siang 2005).
3
Oleh karena itu, Jaringan Saraf Tiruan
Backpropagation merupakan jaringan dengan proses pembelajaran secara terbimbing (Siang 2005)
Setelah kesalahan diperoleh, selanjutnya jaringan melewatkan turunan-turunan dari kesalahan ke lapisan tersembunyi menggunakan sambungan terbobot yang masih belum diubah nilainya. Setiap simpul pada lapisan tersembunyi menghitung jumlah terbobot dari kesalahan yang telah dipropagasikan balik untuk menghitung sumbangan tidak langsungnya kepada kesalahan keluaran yang telah diketahui. Setelah masing-masing simpul pada lapisan tersembunyi dan lapisan keluaran menemukan besarnya kesalahan, simpul-simpul tersebut akan mengubah bobot-bobotnya untuk mengurangi kesalahan tersebut. Perubahan bobot ditujukan untuk meminimalkan jumlah kesalahan kuadrat jaringan. Oleh sebab inilah, algoritma
Backpropagation dikatakan sebagai suatu prosedur untuk mendapatkan paket bobot yang meminimalkan jumlah kuadrat kesalahan. Jumlah kuadrat kesalahan akan semakin mengecil dengan berjalannya waktu dan iterasi yang dilakukan oleh jaringan tersebut (Siang 2005).
Fungsi aktivasi merupakan fungsi matematis yang berguna untuk membatasi dan menentukan jangkauan output suatu neuron. Fungsi aktivasi untuk Jaringan Saraf Tiruan
Backpropagation harus memiliki beberapa karakteristik penting, yaitu kontinyu, dapat dideferensialkan, dan monoton tanpa penurun. Fungsi aktivasi biasanya digunakan untuk mencari nilai asimtot maksimum dan minimum. Fungsi aktivasi yang biasa digunakan untuk jaringan Backpropagation
adalah fungsi sigmoid biner dan fungsi
sigmoid bipolar. Di mana fungsi sigmoid biner memiliki jangkauan antara 0 dan 1, sedangkan fungsi sigmoid bipolar memiliki jangkauan antara -1 dan 1(Maulida 2011).
Metode pembelajaran Backpropagation
menggunakan indek performansi kesalahan kuadrat rata-rata atau Mean Square Error
(Fausset, 1996). Kesalahan kuadrat rata-rata dapat diperoleh dari (Fausett, 1994) :
a. Kesalahan kuadrat dibagi dengan jumlah komponen keluaran.
b. Kesalahan kuadrat total dibagi dengan jumlah data pelatihan.
X1
Beberapa fungsi aktivasi yang sering dipakai adalah:
a. Fungsi Sigmoid
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun (Siang 2005). fungsi yang memenuhi ketiga syarat tersebut adalah fungsi sigmoid. Terdapat dua buah fungsi sigmoid yaitu sigmoid biner dan
sigmoid bipolar, namun yang digunakan dalam penelitian ini adalah fungsi sigmoid biner. Grafik fungsinya tampak pada Gambar 3.
Gambar 3 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan)
Sigmoid biner memiliki nilai interval (0,1) dan memiliki bentuk fungsi:
Turunan fungsi dapat dilihat pada Lampiran 2. Sedangkan pada sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner tapi dengan interval (-1,1) dengan turunan fungsi dapat dilihat pada Lampiran 2.
b. Fungsi identitas
4
Gambar 4 Grafik fungsi identitas
Ketepatan Pendugaan
Ketepatan atau keakuratan suatu model regresi dapat dilihat dari Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Dengan persamaan menurut (Douglas et. al 2008)
Semakin kecil nilai MAPE menunjukkan bahwa data hasil prediksi mendekati nilai aktual, sedangkan RMSE menunjukkan seberapa besar simpangan nilai dugaan terhadap nilai aktualnya. Kecocokan model dikatakan semakin baik jika RMSE mendekati 0.
M √∑nt xnt ft
dengan :
= nilai aktual pada waktu ke-t = nilai dugaan pada waktu ke-t
n = jumlah data yang diprediksi
Untuk mengukur kekuatan hubungan antara hasil ramalan dengan hasil sebenarnya digunakan analisis korelasi dengan menggunakan keofisien korelasi pearson (Walpole 1993) sebagai berikut
r n ∑ni xiy-(∑ni xi)(∑ni y) √[n ∑ni xi - (∑ni xi) ]-[n ∑ni yi - (∑ni yi) ]
dengan :
r = koefisien korelasi x= peubah 1
y= peubah 2 n= jumlah data
METODE PENELITIAN
Gambar 5 Diagram alur proses peramalan jumlah TBS dan penjualan CPO dengan BNN
Kerangka Penelitian
Penelitian ini dikembangkan dengan metode yang terdiri atas beberapa tahap yaitu studi literature, pengambilan data, pra-proses data yang dilanjutkan dengan pengoolahan data menggunakan backpropagation neural network dan perbandingan hasil dengan menghitung ketepatan pendugaan menggunakan ARIMA dan BNN. Diagram alur metode penelitian ini disajikan pada Gambar 5.
Studi Literatur
5
Pengambilan Data
Data yang digunakan adalah data sekunder yang didapat dari PTPN XIII yang berupa diimplementasikan ke dalam jaringan syaraf tiruan harus terlebih dahulu melalui prapreprocessing data berupa penskalaan yaitu normalisasi data. Tujuannya agar jaringan syaraf dapat mengenali data yang akan menjadi masukan bobot-bobotnya. Data akan bernilai antara 0 sampai 1, hal ini sesuai dengan fungsi aktivasi yang akan digunakan.
k k
Keterangan :
N = Data yang sudah ternormalisasi, D = Data yang akan dinormalisasi, Dk = Data terkecil dari sekumpulan data, Db = Data terbesar dari sekumpulan data. Setelah dilakukan pengolahan data menggunakan BNN, hasil yang diperoleh akan didenormalisasi kembali untuk dapat dihitung ketepatan pendugaannya. Perhitungan denormalisasi ini menggunakan rumus sebagai berikut
P = O x (Db − Dk) + Dk
Keterangan :
P = Data postprosessing atau data yang sudah denormalisasi,
O = Data output jaringan,
Db = Data terbesar dari sekumpulan data, Dk = Data terkecil dari sekumpulan data
Proses pada BNN
Proses Peramalan menggunakan BNN dilakukan untuk beberapa data yaitu data pasokan TBS dari 3 kebun yakni, inti, plasma luar dan data penjualan CPO. Setiap kelompok data dibagi menjadi data training
dan testing. Dari data yang telah dikumpulkan pada tahun 2003 sampai 2007. Data pada tahun 2003 sampai 2006 dimasukkan ke dalam kelompok data training sedangkan sisanya yaitu data pada tahun 2007
dimasukkan ke dalam kelompok data testing.
Data training dilatih terlebih dahulu untuk mendapatkan arsitektur BNN yang terboboti dan mensimulasikan data testing dengan aritektur BNN yang terboboti tersebut untuk mendapatkan nilai dugaannya. Setiap data akan dimasukan menjadi 3 kelompok percoban pertama yaitu L1, L2 dan L3.
Kelompok percobaan ini digunakan untuk mengidetifikasi learning rate yang terbaik dalam model jaringan syaraf tiruan.
Untuk pola data masukan terdiri dari 2
input masukan yang merupakan historis persediaan TBS selama 2 bulan dan sebagai laju pembelajaran atau learning rate 0.1, 0.2, dan 0.3 untuk mengetahui kinerja jaringan secara umum dengan menggunakan toleransi galat sebesar 0.001. fungsi aktivasi yang digunakan pada hidden layer adalah fungsi
sigmoid biner dan pada output layer adalah fungsi identitas. Parameter-parameter yang digunakan dapat dilihat pada tabel 1 (Maulida 2011).
Tabel 1 Struktur BNN yang digunakan
Karakteristik Spesifikasi
Arsitektur 1 hidden layer Input Layer 2 neuron
Fungsi aktivasi
hidden layer Sigmoid biner
Fungsi aktivasi
output layer identitas
Toleransi galat 0.001 Maksimum epoch 500
Learning rate 0.1, 0.2, dan 0.3
Perbandingan Kinerja BNN dengan ARIMA
6 (Hadiguna 2009) menggunakan perbandingan
MAPE. Semakin kecil MAPE yang di dapat berarti nilai hasil prediksi semakin mendekati nilai aktualnya dan kinerjanya semakin bagus.
Analisis dan Evaluasi
Setelah proses BNN dilakukan dan dibandingkan hasil kinerjanya dengan ARIMA, selanjutnya adalah menganalisis dan mengevaluasi kinerja BNN berdasarkan parameter dan data yang digunakan.
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 4 jenis data yaitu tiga data yang merupakan data pasokan TBS dari tiga kebun yaitu kebun inti, plasma dan luar sedangkan untuk jenis data lainnya yaitu data historis penjualan CPO.
BNN untuk kebun inti
Pada kelompok percobaan L1, L2 dan L3,
data pasokan inti dibagi menjadi dua bagian,
training dan testing menggunakan data masukan 2 tanpa ada lag dengan target. Pada data untuk kebun inti dilakukan percobaan pengaruh learning rate terhadap arsitektur jaringan yaitu untuk learning rate 0.1 , 0.2 jaringan dengan menggunakan learning rate 0.2 untuk dibandingkan nilai dugaannya dengan model ARIMA untuk TBS kebun inti yang sudah dibuat yaitu ARIMA diketahui pada hasil prediksi pasokan dari kebun inti terdapat beberapa nilai nilai ramalan yang hampir fit dengan nilai aktualnya, seperti pada bulan 2 dan bulan 11. Selain itu untuk galat terbesar dari BNN didapat pada bulan 10 yaitu 1716.6. Untuk nilai peramalan, BNN mengestimasi nilai dugaan lebih baik dibandingkan ARIMA. Hal ini terlihat pada selisih nilai di tabel 4 dan plot nilai pada Gambar 6.
7 diperoleh baik dengan metode ARIMA ataupun menggunakan BNN akan dihitung ketepatan pendugannya dengan data aktual menggunakan MAPE dan RMSE. Hasil perhitungan mengindikasikan bahwa metode BNN lebih baik daripada ARIMA karena menghasilkan MAPE sebesar 21.87 dan RMSE 672.44 (Tabel 4). Hal ini mengindikasikan bahwa hasil peramalan menggunakan BNN secara 12 bulan untuk data uji mendapatkan nilai taksiran error
sekitar ± 672.44. Untuk mengetahui hubungan masing-masing nilai ramalan dari metode BNN dan ARIMA dengan nilai aktualnya digunakan analisis korelasi, hasil yang didapatkan untuk pasokan kebun inti dengan meggunakan JST adalah 0.94 sedangkan dengan menggunakan metode ARIMA didapatkan nilai korelasi sebesar 0.95. Hal ini mengindikasikan bahwa ARIMA lebih baik dalam mengenali pola ramalan dengan nilai aktual pada data kebun inti.
Tabel 4 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun inti
BNN untuk kebun plasma
Pada kelompok percobaan L1, L2 dan L3
data pasokan kebun plasma dibagi menjadi dua bagian, training dan testing menggunakan data masukan 2 tanpa ada lag dengan target. Pada data untuk kebun plasma dilakukan percobaan pengaruh learning rate terhadap arsitektur jaringan yaitu untuk learning rate 0.1, 0.2 dan 0.3. Hasil dari percobaan jaringan dengan menggunakan learning rate 0.3 untuk dibandingkan nilai dugaannya dengan model ARIMA untuk TBS kebun
Gambar 7 Hasil prediksi BNN dengan ARIMA kebun plasma
BNN (0.2) ARIMA
MAPE 21.87 46.73
8
Dari hasil Tabel 6 dan Gambar 7 hasil peramalan menggunakan BNN pada bulan 4 sampai 6 memiliki nilai galat yang lebih sedikit jika dibandingkan dengan hasil peramalan pada bulan yang lebih dari bulan 9. Kemudian untuk peramalan menggunakan ARIMA nilai yang taksir cukup jauh dengan nilai aktualnya.
Hasil pendugaan untuk kebun plasma yang diperoleh baik dengan metode ARIMA ataupun menggunakan BNN akan dihitung ketepatan pendugannya dengan data aktual menggunakan MAPE dan RMSE. Hasil perhitungan mengindikasikan bahwa metode BNN lebih baik daripada ARIMA karena menghasilkan MAPE sebesar 24.33 dan RMSE 1586.37.
Hal ini mengindikasikan bahwa peramalan dengan menggunakan BNN bahwa hasil peramalan menggunakan BNN secara 12 bulan untuk data uji mendapatkan nilai taksiran error sekitar ± 1586.37 (Tabel 7). Untuk mengetahui hubungan masing-masing nilai ramalan dari metode BNN dan ARIMA dengan nilai aktualnya digunakan analisis korelasi, hasil yang didapatkan untuk pasokan kebun plasma dengan meggunakan JST adalah 0.82 sedangkan dengan menggunakan metode ARIMA didapatkan nilai korelasi sebesar 0.91. Hal ini mengindikasikan bahwa ARIMA lebih baik dalam mengenali pola ramalan dengan nilai aktual pada data kebun plasma.
Tabel 7 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun plasma
BNN (0.3) ARIMA
MAPE 24.33 43.81
RMSE 1586.37 1781.35
BNN untuk kebun luar
Pada kelompok percobaan L1, L2 dan L3 data
9
Gambar 8 Hasil prediksi BNN dengan ARIMA kebun luar. Hasil pendugaan untuk kebun plasma yang
diperoleh baik dengan metode ARIMA ataupun menggunakan BNN akan dihitung ketepatan pendugannya dengan data aktual menggunakan MAPE dan RMSE. Hasil perhitungan mengindikasikan bahwa metode BNN lebih baik daripada ARIMA karena menghasilkan MAPE sebesar 21.79 dan RMSE 1176.25 (Tabel 10).
Hal ini mengindikasikan bahwa peramalan dengan menggunakan BNN bahwa hasil peramalan menggunakan BNN secara 12 bulan untuk data uji mendapatkan nilai taksiran error sekitar ± 1176.25. Untuk mengetahui hubungan masing-masing nilai ramalan dari metode BNN dan ARIMA dengan nilai aktualnya digunakan analisis korelasi, hasil yang didapatkan untuk pasokan kebun luar dengan meggunakan JST adalah 0.69 sedangkan dengan menggunakan metode ARIMA didapatkan nilai korelasi sebesar 0.72. Hal ini mengindikasikan bahwa ARIMA lebih baik dalam mengenali pola ramalan dengan nilai aktual pada data kebun luar. Tabel 10 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun luar
BNN (0.2) ARIMA
MAPE 21.79 56.65
RMSE 1176.25 3004.43
BNN untuk Penjualan CPO
Pada kelompok percobaan L1, L2 dan L3
data penjualan CPO dibagi menjadi dua bagian, training dan testing menggunakan data masukan 2 tanpa ada lag dengan target. Pada data untuk kebun inti dilakukan percobaan pengaruh learning rate terhadap arsitektur jaringan yaitu untuk learning rate 0.1 , 0.2 dan 0.3. Hasil percobaan mengindikasikan bahwa learning rate 0.2
menghasilkan MAPE dan RMSE yang lebih sedikit yaitu 24.16 dan 740.96.
Tabel 11 Pengaruh learning rate penjualan jaringan dengan menggunakan learning rate 0.2 untuk dibandingkan nilai dugaannya dengan model ARIMA untuk penjualan CPO yang sudah dibuat yaitu ARIMA (0,0,2) (1,1,0)12 seperti yang terlihat pada Tabel 12 dan Gambar 9.
10
Gambar 9 Hasil prediksi BNN dengan ARIMA penjualan CPO Dari hasil Tabel 12 dan Gambar 9 hasil
peramalan menggunakan BNN hampir mendapatkan nilai yang fit dengan nilai aktualnya yaitu terjadi pada bulan 4 dan bulan 8. Sementara itu, hasil peramalan menggunakan ARIMA memliki nilai terbaik pada bulan 8 dan bulan 10.
Hasil pendugaan untuk penjualan CPO yang diperoleh baik dengan metode ARIMA ataupun menggunakan BNN akan dihitung ketepatan pendugannya dengan data aktual menggunakan MAPE dan RMSE. Hasil perhitungan mengindikasikan bahwa metode BNN lebih baik daripada ARIMA karena menghasilkan MAPE sebesar 24.16 dan RMSE 740.96.
Hal ini mengindikasikan bahwa peramalan dengan menggunakan BNN bahwa hasil peramalan menggunakan BNN secara 12 bulan untuk data uji mendapatkan nilai taksiran error sekitar ± 740.96 (Tabel 13). Untuk mengetahui hubungan masing-masing nilai ramalan dari metode BNN dan ARIMA dengan nilai aktualnya digunakan analisis korelasi, hasil yang didapatkan untuk penjualan CPO dengan meggunakan JST adalah 0.83 sedangkan dengan menggunakan metode ARIMA didapatkan nilai korelasi sebesar 0.88. Hal ini mengindikasikan bahwa ARIMA lebih baik dalam mengenali pola ramalan dengan nilai aktual pada data penjualan CPO.
Tabel 12 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada penjualan CPO
Perbandingan ARIMA dengan BNN
Secara keseluruhan, peramalan pasokan TBS yang terjadi di kebun inti, plasma dan luar dan peramalan pejualan CPO menggunakan jaringan syaraf tiruan propagasi balik lebih baik dalam hal galat (RMSE dan MAPE) jika dibandingkan dengan ARIMA. Hal ini terjadi karena jaringan syaraf tiruan memiliki kemampuan komputasi yang paralel dengan cara belajar sesuai pola pola yang diajarkan. Selain itu jaringan syaraf tiruan juga dapat mengevaluasi bobot berkali-kali untuk mendapatkan hasil yang lebih baik. Hasil dari ARIMA meiliki galat yang cukup jauh karena ARIMA dipengaruhi faktor regresi dan MA namun dalam kasus ini, peramalan ARIMA mendapatkan hasil yang seolah terjadi untuk masa satu bulan kedepannya. Sementara itu, ARIMA juga memiliki keunggulan tersendiri dalam pola yang sesuai. Hal ini terjadi karena ARIMA memilik faktor MA yang dapat mengikuti
trend data sebelumnya.
SIMPULAN DAN SARAN
Simpulan
. Dari hasil analisis data yang telah dilakukan dapat diambil kesimpulan:
1. Backpropagation neural network mampu meramalkan pasokan TBS dari 3 kebun yaitu inti, plasma, dan luar dan mampu meramalkan penjualan CPO di masa yang akan datang
2. Secara keseluruhan BNN bagus untuk memprediksi data pasokan TBS dan penjualan CPO menggunakan parameter
hidden node 4 dan LR 0,2
3. Secara keseluruhan ARIMA sangat baik digunakan untuk meghasilkan hasil ramalan yang nilai korelasinya lebih baik
BNN (0.2) ARIMA
MAPE 24.16 32.94
11 memprediksi pasokan TBS dan penjualan CPO lebih bagus dibandingkan dengan model ARIMA untuk data time series TBS dan CPO.
Saran
Penelitian ini adalah penelitian pendahuluan mengenai penggunaan BNN untuk prediksi pasokan TBS dan penjualan CPO. Untuk itu diperlukan penelitian lanjutan sebagai berikut:
1. Penelitian lanjutan penerapan BNN untuk memprediksi TBS dan CPO dengan melihat pengaruh momentum pada arsitektur.
2. Penelitian lanjutan penerapan BNN untuk memprediksi TBS dan CPO dengan menggunakan algoritma pembelajaran yang lain seperti resilent backpropagation dll.
3. Menggabungkan dua metode yaitu ARIMA dan BNN untuk dijadikan Hybrid BNN yaitu dengan mengoptimasi nilai ramalan BNN menggunakan input dari hasil ARIMA.
DAFTAR PUSTAKA
Badan Pusat Statistik. 2006. Perkembangan Volume dan Nilai Ekspor CPO di Indonesia. BPS. Jakarta.
Bujang Imbarine. 2011. Progress Accuracy for CPO Prediction: Evidence from ARMA Family and Artificial Neural Network Approach . International Research Jurnal of Finance and Economy.
Douglas CM, Cheryl LJ, Murat K. 2008.
Introduction to time series analysis and forcasting. John Wiley & Sons.
Fausset L.1994. Fundamental of Neural Network. John Wiley & Sons.
Hadiguna Rika Ampuh.2009. Perancangan Sistem Penunjang Keputusan Minyak Sawit Kasar [Disertasi].Departemen Teknologi Industri Pertanian FATETA .IPB
Haloho Ebrinedy.2008. Analisis Optimalisasi Pengadaan Tandan Buah Segar (TBS) Sebagai Bahan Baku Industri Pengolahan
CPO dan PK (Studi Kasus Kegiatan Replanting PT Perkebunan Nusantara VIII Kertajaya, Kabupaten Lebak, Banten) [Tesis]. Departemen Agribisnis FEM .IPB Hyndman R.J. (1998) Forecasting:methods
and applications, New York: JohnWiley & Sons.
Maulida Ana .2008. Penggunaan Elman Reccurent Neural Network dalam Peramalan Suhu Udara sebagai Faktor yang Mempengaruhi Kebakaran Hutan [Skripsi]. Departemen Ilmu Komputer FMIPA .IPB
Siang JJ. 2005. Jaringan Syaraf Tiruan &
Pemogramannya Menggunakan
MATLAB. Yogyakarta: ANDI.
Subanar, Sulandari W.2009. Neural Network
Model ARIMA untuk Prediksi Data Finansial [Skripsi]. Fakultas MIPA Universitas Gajah Mada.
Walpole R.E .1993. Pengantar Statistika. Jakarta: PT Gramedia.
12
13
Lampiran 1 Data Pasokan TBS dan Penjualan CPO
Tahun Bulan Inti Plasma Luar Penjualan
2003
Jan 1888.2 4814.9 3584 1932.5
Peb 2843.8 5524.2 4870 2825.5
Mar 2209.6 5041.1 4076 2667.3
Apr 2063.4 4587.2 3286 2252.7
Mei 2038.7 4465.4 2947 2157.1
Jun 1767.6 3568.3 3378 1854.5
Jul 994.9 2012.8 2016 884.7
Agt 877.9 1125.2 1846 568.3
Sep 1597.9 2340.5 3582 1426.4
Okt 2415.4 6789.0 6032 3213.4
Nop 4164.8 9371.4 7942 5042.7
Des 4692.4 13373.3 9264 6154.6
2004
Jan 2015.0 6055.1 4533 3513.4
Peb 2988.2 6753.2 5073 3689.0
Mar 3053.5 5665.7 3976 3080.5
Apr 4166.4 6097.5 5249 3291.1
Mei 3994.4 5663.4 4672 3163.1
Jun 4174.4 6010.3 5381 3129.2
Jul 3456.7 5349.3 3547 2631.4
Agt 3223.3 5952.5 4050 2613.0
Sep 3455.2 6034.5 5890 2562.6
Okt 3322.0 7178.9 6847 2912.9
Nop 1944.3 5914.6 4652 2301.0
Des 1847.1 5863.9 4475 2945.7
2005
Jan 484.8 2748.4 2388 1071.5
Peb 1005.4 2720.3 2260 1458.9
Mar 1622.1 2403.4 2694 1437.4
Apr 2474.1 3078.8 2844 1713.3
Mei 2607.0 3293.7 3560 1743.1
Jun 3615.3 3537.4 4685 2120.1
Jul 2820.1 2053.0 2471 1665.0
Agt 2628.5 2205.9 2315 1490.9
Sep 5295.2 4545.9 4160 2658.4
Okt 6689.8 7068.0 6895 4446.8
Nop 4593.3 6288.4 5840 2983.1
Des 7717.4 11755.1 8285 4906.5
2006
Jan 2338.0 5229.8 4419 2300.3
Peb 3997.1 8251.5 5860 4345.2
Mar 3578.9 6185.8 3291 3120.4
Apr 4032.0 5764.0 3710 2876.4
Mei 4429.3 5927.9 4715 3487.5
Jun 4578.6 5115.1 3964 2829.6
Jul 4623.8 3469.4 3359 2366.8
Agt 4023.7 3081.6 4935 2145.2
Sep 4096.7 4354.3 3607 2354.8
Okt 3603.6 4375.9 3593 2087.5
14
Des 1868.4 4083.9 4614 2146.4
2007
Jan 678.0 2158.8 2889 1259.2
Peb 1212.9 2495.2 4632 1768.1
Mar 1593.1 2763.9 5477 2042.7
Apr 2373.5 3371.4 5523 2308.8
Mei 2537.4 3323.0 3984 1910.5
Jun 3792.7 3934.2 6352 2862.1
Jul 3700.4 2654.9 4834 2340.2
Agt 2861.8 2153.8 3278 1943.9
Sep 3701.5 3439.0 4719 2398.9
Okt 5374.3 4888.4 5413 3135.6
Nop 6354.6 8360.9 6794 3823.1
15
Lampiran 2 Turunan fungsi aktivasi
Fungsi Aktivasi Sigmoid Biner
( ( )) ( )
( )
Fungsi Aktivasi Sigmoid bipolar
( ) ( )
( ) ( )
