Oleh :
Venny TM Purba NIM 4103230039 Program Studi Matematika
SKRIPSI
Diajukan Untuk Memenuhi Syarat Memperoleh Gelar Sarjana Sain
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN
KATA PENGANTAR
Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini dengan baik. Adapun Skripsi ini berjudul “Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Kelapa Sawit di PTPN IV Unit Usaha Balimbingan”. Skripsi ini disusun untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains di Universitas Negeri Medan.
Dalam kesempatan ini, penulis menyampaikan ucapan terima kasih kepada berbagai pihak yang telah membantu menyelesaikan skripsi ini, mulai dari pengajuan proposal penelitian, sampai kepada penyusunan skripsi antara lain kepada Bapak Prof. Dr. Ibnu Hajar, M.Si., selaku Rektor Universitas Negeri Medan, Bapak Prof. Drs. Motlan, M.Sc, Ph.D., selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Bapak Drs. Syafari, M.Pd., selaku Ketua Jurusan Matematika, Bapak Drs. Yasifati Hia, M.Si., selaku Sekretaris Jurusan Matematika, Ibu Dra. Nerli Khairani, M.Si., selaku Ketua Program Studi Matematika, Drs. J. Ambarita, M.Pd selaku Pembimbing Skripsi yang telah banyak membimbing penulis dalam menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Ibu Dra. Nerly Khairani, M.Si., selaku pembimbing akedemik yang telah banyak membantu saya dalam perkuliahan. Bapak Mulyono, S.Si, M.Si, Bapak Abil Mansyur, S.Si, M.Si dan Ibu Dr. Ani Minarni, M.Si selaku dosen penguji yang telah banyak memberikan masukan dan saran dalam penyusunan skripsi ini. Saya ucapkan terima kasih kepada Bapak Adi Rahmat, SE selaku kepala bagian sumber daya manusia PTPN IV Medan, Bapak Ir.Moh.Syafi’I Batubara selaku manajer unit PTPN IV Unit Usaha Balimbingan serta staf-staf pegawai PTPN IV Unit Usaha Balimbingan yang telah memberikan izin untuk mengadakan penelitian dan membantu saya selama penelitian berlangsung, juga kepada seluruh staf pengajar Jurusan Matematika FMIPA yang telah memberikan bimbingan kepada penulis semenjak mengikuti perkuliahan.
v
Chairisa, Fitri Manalu, salman, ade, wani dan teman-temanku seperjuangan Non-Dik’10 yang memberikan motivasi, serta selalu membantu penulis dalam menyelesaikan skripsi ini. Terimakasih penulis ucapkan kepada kak shinta, bang hendro, kak regina, bang oscar atas bantuan dan informasinya. Terimakasih banyak kepada semua pihak yang tidak dapat saya sebutkan satu persatu yang selama ini selalu memberikan dukungan, semangat, dan doa, serta semua pihak yang turut membantu penyelesaian skripsi ini yang tidak dapat disebutkan satu per satu.
Semoga skripsi ini bermanfaat dan menambah wawasan bagi kita semua. Akhir kata, penulis mengucapkan terima kasih.
Medan, Juli 2014 Penulis
APLIKASI MODEL BACKPROPAGATION NEURAL NETWORK UNTUK PERKIRAAN PRODUKSI KELAPA SAWIT DI PTPN IV UNIT
USAHA BALIMBINGAN Venny T M Purba(NIM 4103230039)
Abstrak
Penelitian ini bertujuan untuk menentukan model peramalan hasil produksi kelapa sawit di PT Perkebunan Nusantara IV dan meramalkan hasil produksi kelapa sawit untuk satu tahun ke depan menggunakan Model Backpropagation Neural
Network. Dimana data yang dipakai sebagai data masukan adalah data produksi
kelapa sawit tahun 2011 hingga 2013 dan dosis pemakaian pupuk. Perangkat lunak berbasis jaringan backpropagation neural network yang akan digunakan untuk melakukan prediksi adalah Program Matlab, dimana dengan program matlab akan dibentuk program baru yang akan digunakan dalam peramalan ini. Model
backpropagation sangat baik digunakan dalam penelitian, karena dapat menghasilkan error yang sangat kecil tergantung banyak neuron pada hidden layer, nilai maks error
dan banyak epoch yang dimasukkan . Data yang digunakan adalah data sekunder sebesar 0.003956(≤0.01) dan koefisien regresi sebesar 0.9997 yang menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Hasil penelitian ini menunjukkan kenaikan hasil produksi dari tahun 2013. Pada peramalan, diperoleh hasil produksi tertinggi pada bulan November sebesar 2337.3 ton dan terendah pada bulan Juni sebesar 1439.3 ton. Program peramalan dengan model backpropagation
vi
2.2. Faktor-faktor yang mempengaaruhi kelapa sawit 6
2.2.1. Iklim 7
2.2.2. Tanah 7
2.2.3. Umur Tanaman 8
2.2.4. Dosis Pupuk 9
2.3. Metode Neural Network 9
2.3.1. Pengertian Jaringan Syaraf Tiruan 9
2.3.2. Konsep Jaringan Syaraf Tiruan 13
2.3.3. Model Jaringan Syaraf Tiruan 14
2.3.4. Arsitektur Jaringan 16
2.3.5. Fungsi Aktivasi 18
2.3.6. Algoritma Pembelajaran 20
2.3.7. Standar Backpropagation 22
2.3.8. Pemilihan Bobot dan Bias Awal 25
2.4. Jaringan Syaraf Untuk Prediksi 31
BAB III METODE PENELITIAN
3.1. Watku dan tempat penelitian 35
3.2. Jenis Penelitian 35
3.3. Prosedur Penelitian 35
BAB IV PEMBAHASAN
4.1. Pengumpulan Data 39
4.2. Pengolahan Data 41
4.2.1. Penyelesaian dengan Menggunakan Program Matlab 44 4.2.2. Menentukan Linier Fit dan Nilai Prediksi 46
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan 54
5.2 Saran 54
ix
DAFTAR TABEL
Halaman Tabel 4.1 Data Hasil Produksi Kelapa Sawit Tahun 2011-2013 39
Tabel 4.2 Dosis Pupuk 41
Tabel 4.3 Nilai Input dan Target Data 42 Tabel 4.4 Nilai MSE dan regresi terbaik 47
DAFTAR GAMBAR
Halaman Gambar 2.1 Susunan Saraf pada Manusia 14 Gambar 2.2 Arsitektur Jaringan Syaraf Tiruan 15 Gambar 2.3 Struktur Neuron Jaringan Syaraf Tiruan 15
Gambar 2.4 Jaringan Single Layer 17
Gambar 2.5 Jaringan Multilayer 17
Gambar 2.6 Grafik Sigmoid Biner 18
Gambar 2.7 Grafik Sigmoid Bipolar 19
Gambar 2.8 Grafik Identitas 20
Gambar 2.9 Simpul (Neuron) sebagai Elemen Pemroses 22 Gambar 2.10 Arsitektur Backpropagation 24
Gambar 3.1 Diagram Alir Logaritma 36
Gambar 4.1 Hasil Produksi Kelapa Sawit 40 Gambar 4.2 Arsitektur Jaringan Penelitian 43
Gambar 4.3 Command Window 44
Gambar 4.4 Program Backpropagation Neural Network 45 Gambar 4.5 Bahasa Program model backpropagation 45 Gambar 4.6 Perintah Program Backpropagation 46 Gambar 4.7 Hubungan nilai error dan epoch 47
Gambar 4.8 Hubungan target dan output 48
x
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Bahasa Program 57
1
Perkebunan di Negara kita sangat berperan penting baik dibidang ekonomi
maupun sosial karena dapat menghasilkan devisa yang cukup besar.
Pembangunan ekonomi jangka panjang tidak selalu harus diarahkan pada sektor
industri, tetapi dapat diarahkan pada sektor lain, seperti sektor pertanian dan
sektor jasa meliputi perdagangan, transportasi, komunikasi, perbankan dan
lain-lain. Pembangunan jangka panjang secara terpadu akan mengembangkan
sumberdaya yang dapat diperbaharui melalui sektor pertanian, sektor agro
industri, sektor perdagangan, dan sektor jasa pendukung dalam kerangka modal
pembangunan Indonesia yang seluas-luasnya. Indonesia merupakan industri
kelapa sawit terbesar di dunia setelah Malaysia (Ditjenbun,2012). Indonesia bisa
menjadi produsen kelapa sawit terbesar di dunia. Perkebunan kelapa sawit pun
bisa menghadirkan prestasi-prestasi yang membanggakan dan layak untuk ditiru,
dan bergantung pada manajemen sistem pengelolaannya.
Kelapa sawit merupakan salah satu komoditi utama hasil perkebunan di
Indonesia. Hal ini didukung oleh struktur tanah dan curah hujan yang cocok untuk
pembudidayaan kelapa sawit. Pesatnya perkembangan industri kelapa sawit ini,
menjadikan Indonesia sebagai salah satu negara produsen kelapa sawit utama di
dunia. Hal ini dapat dibuktikan dari data yang diperoleh dari Direktorat Jenderal
Perkebunan (Ditjenbun) pada tahun 2012 yang menunjukkan bahwa Indonesia
mampu menghasilkan sebesar 19.844.901 ton buah sawit dari total luas lahan
keseluruhan baik pemerintah maupun swasta sebesar 7.824.623 Ha. Dari
fakta-fakta tersebut, industri kelapa sawit juga memberikan kontribusi untuk menambah
devisa negara di sektor non migas. Untuk hasil dari produksi kelapa sawit sendiri,
selain sebagai bahan baku minyak goreng, juga sebagai bahan baku oleokimia
2
Perseroan Terbatas Perkebunan Nusantara IV merupakan Badan usaha
Milik Negara bidang perkebunan yang berkedudukan di Medan, Provinsi
Sumatera Utara. Pada awalnya keberadaan perkebunan ini merupakan milik
maskapai Belanda yang dinasionalisasi pada tahun 1959, dan selanjutnya
berdasarkan kebijakan pemerintah telah mengalami beberapa kali perubahan
organisasi sebelum akhirnya menjadi PT. Perkebunan Nusantara IV (Persero).
Pada tahun 1985 sesuai Undang-undang Nomor 86 Tahun 1958,
perusahaan-perusahaan swasta asing (Belanda) seperti HVA dan RCMA dinasionalisasikan
oleh Pemerintah R.I, dan kemudian dilebur menjadi perusahaan milik Pemerintah
melalui peraturan pemerintah Nomor 19 Tahun 1959. Selanjutnya pada tahun
1967 Pemerintah melakukan pengelompokan menjadi perusahaan Terbatas
Persero, dengan nama resmi PT. Perkebunan I s.d. IX (Persero).
Pada PT. Perkebunan Nusantara IV ini masalah yang paling
mempengaruhi perusahaan adalah masalah hasil produksi dari kelapa sawit,
dimana jika semakin besar produksi kelapa sawit maka semakin besar pula
pendapatan perusahaan dan sebaliknya, semakin kecil produksi kelapa sawit maka
semakin kecil pendapatan perusahaan. Oleh karena itu, dengan menggunakan
model Backpropagation Neural Network yang merupakan metode peramalan
berdasarkan data time series, dapat dilakukan peramalan atau perkiraan hasil
produksi kelapa sawit untuk satu tahun ke depan. Dimana data yang dipakai
adalah data hasil produksi kelapa sawit masa lalu dan dosis pupuk. Jika perkiraan
hasil produksi menurun maka perusahaan dapat mengantisipasi dengan semakin
memperhatikan kondisi tanaman kelapa sawit. Perusahaan dapat memperhatikan
faktor-faktor yang mempengaruhi pertumbuhan kelapa sawit terutama pengunaan
dosis pupuk.
Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan informasi
yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan
suatu masalah dengan melakukan proses belajar melalui perubahan bobot
sinapsisnya. Model syaraf ditunjukkan dengan kemampuannya dalam emulsi,
digunakan pada penelitian dalam memperkirakan produksi kelapa sawit adalah
model backpropagation neural network yang pemrogramannya menggunakan
toolbox matlab. Toolbox MATLAB adalah perangkat lunak yang cocok dipakai
karena banyak model jaringan syaraf tiruan yang menggunakan manipulasi
matriks/vector dalam iterasinya. Kelebihan model ini mampu memformulasikan
pengalaman dan pengetahuan peramal, serta sangat fleksibel dalam perubahan
aturan perkiraan. Backpropagation merupakan model neural network dengan
banyak lapisan yang digunakan pada perkiraan time series (Yunanti, 2010).
Jaringan saraf tiruan memiliki kelebihan dibandingkan metode
perhitungan lainnya, yaitu:
1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada
gangguan dan ketidakpastian.
2. Kemampuan merepresentasikan pengetahuan secara fleksibel.
3. Kemampuan untuk memberikan toleransi atau suatu distorsi (error/fault)
4. Kemampuan memproses pengetahuan secara efisien karena memakai system
paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi
lebih singkat (Hermawan, 2006).
Perambatan galat mundur (Backpropagation) adalah sebuah metode
sistematik untuk pelatihan multiplayer jaringan saraf tiruan . Metode ini memiliki
dasar matematis yang kuat, obyektif dan metode ini mendapatkan bentuk
persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah
kuadrat galat error melalui model yang dikembangkan. Jaringan perambatan galat
mundur (backpropagation) merupakan salah satu model yang sering digunakan
dalam menyelesaikan masalah – masalah yang rumit. Pada pelatihan jaringan
saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju
dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini
dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan
mengalami pelatihan. Jaringan saraf ini terdiri dari 3 lapisan, yaitu lapisan
masukan (input), lapisan tersembunyi (hidden layer), dan lapisan keluaran
4
ini peneliti mengambil judul “Aplikasi Model Backpropagation Neural Network
untuk Perkiraan Produksi Kelapa Sawit di PTPN IV Unit Usaha Balimbingan”.
1.2Rumusan Masalah
Berdasarkan latar belakang tersebut, perumusan masalah dari penelitian ini
adalah bagaimana model peramalan dan hasil peramalan yang diperoleh untuk
hasil produksi kelapa sawit di PT Perkebunan Nusantara IV berdasarkan data
dosis pupuk dan data hasil produksi kelapa sawit masa lalu dengan menggunakan
Model Backpropagation Neural Network.
1.3 Batasan Masalah
Agar pembahasan dan pemecahan masalah menjadi terarah, tidak
menyimpang dari pokok masalah yang ada dan menghindari pembahasan yang
terlalu luas maka perlu adanya batasan pada permasalahan penelitian ini, yakni:
1. Ruang lingkup penelitian hanya dilakukan pada PT. Perkebunan Nusantara IV
Unit Usaha Balimbingan.
2. Analisa yang dilakukan dalam perkiraan hasil produksi adalah berdasarkan
data hasil produksi kelapa sawit tahun 2011 sampai 2013
3. Penelitian dengan Model Backpropagation Neural Network dilakukan untuk
meramalkan hasil produksi kelapa sawit untuk periode Januari 2014 –
Desember 2014
4. Menggunakan program Matlab dalam penyelesaian masalah
1.4Tujuan Penelitian
Tujuan yang hendak dicapai dalam penelitian ini adalah menentukan
model peramalan hasil produksi kelapa sawit di PT Perkebunan Nusantara IV
untuk satu tahun ke depan dan meramalkan hasil produksi kelapa sawit
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Bagi Peneliti : mengetahui bahwa Model Backpropagation Neural Network
dapat digunakan dalam memperkirakan hasil produksi kelapa sawit.
2. Bagi Instansi : dapat digunakan sebagai sarana dan informasi bagi lembaga
pendidikan serta sebagai kontribusi keilmuan bagi lembaga terkait.
3. Bagi perusahaan : digunakan sebagai informasi atau acuan dalam pengambilan
keputusan bagi pihak perusahaan.
4. Bagi masyarakat : dengan adanya program peramalan/perkiraan, masyarakat
yang memiliki kebun/ladang dan ingin memperkirakan produksi kelapa sawit,
54 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil yang telah diperoleh, maka kesimpulan yang dapat ditarik
dari pembahasan bahwa program peramalan dengan model backpropagation neural
network memberikan hasil baik dalam peramalan hasil produksi kelapa sawit. Dengan
menggunakan 6 neuron pada hidden layer, maksimum error 0.01, dan epochs 5000
diperoleh persamaan garis untuk kecocokan terbaik : � = �.��� �+ (�. )
Dimana nilai t= nilai target (data tahun 2013). Maka diperoleh nilai MSE
sebesar 0.003956(≤0.01) dan koefisien regresi sebesar 0.9997 yang menunjukkan
hasil yang baik untuk kecocokan output jaringan dengan target. Sehingga diperoleh
hasil produksi tertinggi pada bulan November sebesar 2365.924 ton dan terendah
pada bulan Juni sebesar 1432.426 ton. Dari hasil peramalan, dapat diambil
kesimpulan bahwa hasil produksi kelapa sawit di PTPN IV Unit Usaha Balimbingan
pada tahun 2014 mengalami kenaikan jika dibandingkan dengan tahun 2013.
5.2 Saran
Model Backpropagation merupakan metode peramalan yang cukup akurat.
Neural Network sebagai Artificial Intelligence dapat diterapkan di segala bidang
termasuk bidang peramalan hasil produksi dengan banyaknya keunggulan yang ada.
Kembali kepada dasar tolak ukur keberhasilan peramalan yaitu faktor kecepatan dan
keakuratan, Neural Network dapat dikembangkan lebih lanjut dengan mencoba
menambah data-data historis yang telah ada menjadi lebih lengkap lagi sehingga
meningkatkan keakuratan peramalan. Semakin banyak data historis yang ada
untuk di training maka semakin akurat peramalan dengan menggunakan jaringan
DAFTAR PUSTAKA
Agustian K, Riski. (2013). Aplikasi Peramalan Produksi Kelapa Sawit Dengan
Metode Regresi Ganda Dan Exponential Smoothing. Skripsi Mipa, Binus
University: Jakarta
David, Ivan. (2013). Perancangan Program Aplikasi Berbasis Web Menggunakan
Metode Backpropagation Untuk Memprediksi Harga Saham. Skripsi
Mipa, Binus University: Jakarta
Direktorat Jenderal Perkebunan, 2012. LAKIP Direktorat Jenderal Perkebunan. Jakarta
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan.(2010). Pedomn Penulisan Proposal dan Penulisan Skripsi
Mahasiswa Program Studi Sains. FMIPA Unimed: Medan.
Fauzi, Yan , dkk. 2002.Kelapa Sawit: Budi Daya, Pemanfaatan Hasil dan
Limbah, Analisis Usaha dan Pemasaran. Penebar Swadaya: Jakarta
Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Penerbit Andi, Yoyakarta
Kosko, Bart., 1992. Neural Networks and Fuzzy System, Prentice-Hall Inc,
Engelwood Cliffs, New Jersey.
Kuncoro, dkk. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban
Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal
Teknologi,(03): 2011
Kusrini dan Emha T Luthfi. 2009. Algoritma Data Mining. Andi : Yogyakarta
Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan
Matlab dan Excel Link. Penerbit Graha Ilmu: Yogyakarta
56
Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit Andi. Yogyakarta
Rao, V.B. dan Rao, H.V. 1993. Neural Network and Fuzzy Logic, Management Information Source. New York
Samsodin dkk. 2010. “Aplikasi Jaringan Syaraf Tiruan dalam Peramalan dan
Klasifikasi”. http://files.myopera.com/padangyulian/blog/kel-5.pdf.
Diakses tanggal 30 Januari 2014.
Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Andi: Yogyakarta
Widya K, Intan dan Agus M.A. 2011. “Aplikasi Model Backpropagation Neural
Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara
IX”. Jurnal Matematika dan Pendidikan Matematika (3 Desember 2011). Hlm. 101-107.
Yani, Ahmad. (2013). Pengaruh Produksi Tandan Buah Segar (TBS) Terhadap Pendapatan Pada PT. Perkebunan Nusatara IV Unit Balimbingan JL. Besar Pematang Siantar Kec.Tanah Karo Kab. Simalungun. Skripsi FE, Universitas Negeri Medan: Medan
