Fakultas Ilmu Komputer
Universitas Brawijaya
6519
Prediksi Hasil Panen Benih Tanaman Kenaf Menggunakan Metode
Support Vector Regression (SVR) Pada Balai Penelitian Tanaman Pemanis
dan Serat (Balittas)
Robih Dini1, Budi Darma Setiawan2, Candra Dewi3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1robihdini.28@gmail.com, 2s.budidarma@ub.ac.id, 3dewi_candra@ub.ac.id
Abstrak
Tanaman Kenaf (Hibiscus cannabinus L.) merupakan tanaman serat yang memiliki banyak manfaat. Tanaman kenaf sendiri diperbanyak melalui benih sehingga diperlukan untuk melakukan penanganan benih dengan tepat agar kualitas benih tidak berkurang sehingga dapat meningkatkan produktivitas tanaman kenaf. Balai Tanaman Pemanis dan Serat (Balittas) sebagai penghasil benih mengalami kendala untuk memprediksi hasil panen benih kenaf guna mempersiapkan penanganan benih hasil panen dengan tepat. Oleh karena itu pada penelitian ini diusulkan metode regresi dengan menggunakan Support Vector Regression (SVR) dengan menggunakan kernel Radial Basis Function (RBF). Dengan harapan penelitian ini dapat membantu pihak Balittas untuk mempersiapkan penanganan hasil panen benih kenaf dengan tepat. Penelitian menggunakan 100 data karakteristik tanaman kenaf yang diukur dari waktu awal tanam hingga menjelang panen. Dari hasil pengujian yang telah dilakukan, hasil prediksi menunjukkan nilai error menggunakan metode Mean Absolute Percentage Error (MAPE) sebesar 3,5371% dengan menggunakan nilai parameter SVR yang terbaik yaitu cLR = 0,01, σ = 0,25, ε = 1 x 10-7, C = 0,5, λ = 0,6, dan jumlah iterasi = 25000.
Kata kunci: tanaman kenaf, benih kenaf, prediksi, support vector regression, radial basis function Abstract
Kenaf (Hibiscus cannabinus L.) is a fiber plant that has many benefits. Kenaf is grown by seed so it is necessary to handle the seeds in order to ensure the quality of the seed is not decreased so as to increase the productivity of the kenaf. Balai PenelitianTanaman Pemanis dan Serat (Balittas) as the producer of the seeds has constraint to predict the yields of kenaf seed for the proper handling preparation of kenaf seeds. Therefore in this research proposed regression method using Support Vector Regression (SVR) by using Radial Basis Function (RBF). Hopefully this research can help Balittas to prepare the handling of the harvested of kenaf seeds properly. The research used 100 data about the characteristics of kenaf plants measured from the beginning of planting until the time of harvest. From the testing results that have been done, the result of prediction show the error value using Mean Absolute Percentage Error 3,5371% by using the best SVR parameters value which is cLR = 0,01, σ = 0,25, ε = 1 x 10-7, C = 0,5, λ = 0,6, and the number of iterations = 25000.
Keywords: kenaf, kenaf seed, prediction, support vector regression, radial basis function
1. PENDAHULUAN
Tanaman kenaf (Hibiscus cannabicus L.) merupakan tanaman serat yang hampir seluruh bagian tanaman dapat dimanfaatkan. Serat yang dihasilkan dari batang kenaf sekarang dapat dimanfaatkan sebagai bahan baku industri seperti geo-textile, fibre drain, fibre board, particle board, pulp, dan kertas dengan kualitas yang tinggi. Penggunaan serat kenaf dalam
industri memiliki keuntungan yaitu serat kenaf memiliki sifat ramah lingkungan dan dapat mengurangi biaya pembuatan (Hakin & A, 2014). Selain serat, daun dan biji dari tanaman kenaf juga memiliki manfaat. Daun kenaf dapat dimanfaatkan sebagai pakan ternak pada unggas dan dapat menjadi bahan pupuk organik karena mengandung protein kasar sebesar 24 – 30%. Sedangkan biji kenaf dapat dimanfaatkan sebagai bahan pembuatan minyak goreng dan
Fakultas Ilmu Komputer, Universitas Brawijaya
bahan farmasi karena mengandung asam lemak tak jenuh sebesar 20% (Sudjindro, 2009). Oleh karena itu, budidaya tanaman kenaf mulai dikembangkan.
Balai Penelitian Tanaman Pemanis dan Serat (Balittas) merupakan salah satu Unit Pelaksana Tunggal (UPT) dari Badan Penelitian dan Pengembangan Pertanian (Balitbangtan). Upaya yang dilakukan oleh pihak Balittas dalam mengembangkan tanaman kenaf adalah dengan menghasilkan benih kenaf yang selanjutnya akan dilakukan penelitian hingga dapat menemukan bibit tanaman kenaf yang unggul. Benih kenaf yang dihasilkan seharusnya merupakan benih dengan mutu yang tinggi.
Terdapat beberapa prosedur yang harus diperhatikan dalam menghasilkan benih kenaf dengan mutu yang tinggi, dimulai dari pemilihan bahan tanaman, pemeliharaan tanaman, waktu panen, dan penanganan benih setelah panen (Hasanah, 2002). Akan tetapi pihak Balittas mengalami kendala saat melakukan penanganan hasil panen benih kenaf. pihak Balittas tidak dapat memprediksi hasil benih kenaf yang akan dipanen sehingga tidak dapat mempersiapkan persiapan penanganan hasil panen benih kenaf dengan tepat. Sehingga meskipun saat panen menghasilkan benih dengan mutu yang tinggi, jika penanganan yang dilakukan kurang tepat maka akan menyebabkan penurunan mutu pada benih kenaf. Oleh karena itu, diperlukan suatu metode untuk dapat memprediksi hasil panen benih kenaf agar pihak Balittas dapat menyesuaikan persiapan penanganan benih dengan tepat sehingga dapat menghasilkan benih kenaf dengan mutu yang tinggi.
Terdapat beberapa metode prediksi yang dapat digunakan dalam memprediksi hasil panen, salah satunya adalah Support Vector Regression (SVR). Penelitian yang dilakukan oleh Jaikla (2008) adalah melakukan prediksi hasil panen padi menggunakan SVR yang bertujuan untuk menemukan lokasi yang cocok untuk dapat memaksimalkan hasil panen padi dan mengurangi risiko investasi dalam produksi padi. Hasil penelitian menunjukkan dengan nilai MAPE sebesar 2,94%. SVR mampu mengatasi masalah overfitting sehingga dapat menghasilkan performansi yang baik. Selain itu SVR juga dapat diaplikasikan pada data yang bersifat kontinu (Smola & Scholkopf, 2004).
Penelitian yang lain adalah penelitian perbandingan metode antara SVR dengan
Artificial Neural Network (ANN) pada prediksi hasil produksi minyak kelapa sawit. Hasil penelitian menunjukkan bahwa kinerja dari SVR lebih baik dengan menghasilkan nilai koefisien relasi sebesar 95% dan MSE sebesar 6% dibandingkan dengan ANN yang menghasilkan koefisien relasi sebesar 74% dan MSE sebesar 9%. Selain itu, SVR juga dapat menghasilkan prediksi untuk waktu 3 tahun ke depan dengan kenaikan 3% hingga 6% (Mustakim, et al., 2016).
Berdasarkan permasalahan dan referensi penelitian yang telah dilakukan sebelumnya, maka dalam penelitian ini akan dilakukan prediksi hasil panen benih kenaf dengan menggunakan algoritme SVR. Diharapkan metode ini dapat menyelesaikan kendala yang dihadapi oleh Balittas dalam melakukan persiapan penanganan hasil panen benih kenaf.
2. SUPPORT VECTOR REGRESSION
Algoritme Support Vector Regression (SVR) merupakan pengembangan dari algoritme Support Vector Machine (SVM) yang dapat mengatasi masalah regresi. Cara kerja dari SVR adalah membangun sebuah hyperplane dengan meminimalkan nilai kesalahan sehingga dapat mengatasi masalah overfitting (Scholkopf & Smola, 2002). Algoritme SVR merupakan algoritme sekuensial yang dapat mengatasi permasalahan regresi non linier dengan menggunakan fungsi kernel. Berikut langkah-langkah dari algoritme sekuensial SVR (Vijayakumar & Wu, 1999): 1. Inisialisasi parameter SVR yang digunakan
yaitu 𝜆, 𝜀, cLR, C, 𝛼𝑖 dan 𝛼𝑖∗= 0, dan jumlah iterasi maksimal.
2. Melakukan perhitungan matriks Hessian dengan Persamaan 1.
𝑅𝑖𝑗= 𝐾(𝑥𝑖, 𝑥𝑗) + 𝜆2 (1)
Keterangan:
𝑅𝑖𝑗 = Matriks Hessian 𝐾(𝑥𝑖, 𝑥𝑗) = Fungsi kernel 𝜆 = Nilai skalar konstan
Nilai maksimal dari matriks Hessian selanjutnya digunakan sebagai perhitungan nilai gamma (𝛾). Nilai gamma dapat dihitung dengan Persamaan 2.
𝛾 = 𝑐𝐿𝑅
Keterangan:
𝛾 = Nilai laju pembelajaran SVR 𝑐𝐿𝑅 = Constanta learning rate 3. Melakukan beberapa tahap perhitungan
untuk setiap data latih sebagai berikut: a. Menghitung nilai error dengan
Persamaan 3.
𝐸𝑖= 𝑦𝑖− ∑𝑙𝑗=1( 𝛼𝑖∗− 𝛼𝑗)𝑅𝑖𝑗 (3)
Keterangan:
𝐸𝑖 = Nilai error pada indeks ke-i 𝑦𝑖 = Nilai aktual data pada indeks ke-i
𝛼𝑖∗, 𝛼𝑖 = Nilai lagrange multiplier 𝑅𝑖𝑗 = Nilai matriks Hessian
b. Menghitung perubahan nilai Lagrange multiplier dengan Persamaan 4 dan 5.
𝛿𝛼𝑖∗ = min {max|[𝛾(𝐸𝑖− 𝜀), 𝛼𝑖∗], C − 𝛼𝑖∗} (4)
𝛿𝛼𝑖= min {max|[𝛾(−𝐸𝑖− 𝜀), 𝛼𝑖], C − 𝛼𝑖 (5) Keterangan:
𝛿𝛼𝑖∗, 𝛿𝛼
𝑖 = Perubahan nilai lagrange multiplier
𝜀 = Nilai batas error pada fungsi
C = Nilai kompleksitas
c. Menghitung nilai lagrange multiplier baru dengan Persamaan 6 dan 7.
𝛼𝑖∗(𝑏𝑎𝑟𝑢) = 𝛿
𝛼𝑖∗+ 𝛼𝑖∗(𝑙𝑎𝑚𝑎) (6)
𝛼𝑖(𝑏𝑎𝑟𝑢) = 𝛿𝛼𝑖+ 𝛼𝑖(𝑙𝑎𝑚𝑎) (7) 4. Melakukan perulangan pada Tahap ke-3 hingga mencapai iterasi maksimal atau data latih mencapai konvergensi dengan memenuhi syarat 𝑚𝑎𝑥(|𝛼𝑖∗|) < 𝜀 dan 𝑚𝑎𝑥(|𝛼𝑖|) < 𝜀.
5. Melakukan perhitungan nilai fungsi regresi dengan Persamaan 8.
𝑓(𝑥) = ∑ (𝛼𝑗∗− 𝛼
𝑗)(𝐾(𝑥𝑖, 𝑥𝑗) + 𝜆2) 𝑙
𝑖=1 (8)
3. KERNEL RADIAL BASIS FUNCTION
Penggunaan metode kernel pada algoritme SVR dapat membantu mengatasi permasalahan yang bersifat non linier yaitu dengan memetakan data pada ruang fitur dimensi yang
lebih tinggi. Metode kernel yang sering digunakan yaitu Radial Basis Function (RBF) (Cholissodin, et al., 2015). Perhitungan fungsi kernel RBF ditunjukkan pada Persamaan 9.
𝐾(𝑥, 𝑦) = 𝑒𝑥𝑝 (−‖𝑥−𝑦‖2
2𝜎2 ) (9) Keterangan:
𝐾(𝑥, 𝑦) = Fungsi kernel 𝑒𝑥𝑝 = Nilai eksponensial ‖𝑥 − 𝑦‖ = Jarak antar data
𝜎 = Nilai sigma
4. NORMALISASI DATA
Normalisasi data adalah metode preprocessing data dengan menyederhanakan nilai data pada skala tertentu. Normalisasi data dapat membantu mempercepat dalam proses pembelajaran SVR (Li & Liu, 2011). Pada penelitian ini metode yang digunakan adalah Min-Max Normalization yang perhitungannya ditunjukkan pada Persamaan 10.
𝑥′= 𝑁𝑒𝑤
𝑚𝑖𝑛+ (𝑁𝑒𝑤𝑚𝑎𝑥− 𝑁𝑒𝑤𝑚𝑖𝑛) ×
( 𝑥−𝑥𝑚𝑖𝑛
𝑥𝑚𝑎𝑥−𝑥𝑚𝑖𝑛) (10) Keterangan:
𝑥′ = Nilai normalisasi data
𝑥 = Nilai data
𝑥𝑚𝑎𝑥 = Nilai maksimal 𝑥𝑚𝑖𝑛 = Nilai Minimal 𝑁𝑒𝑤𝑚𝑎𝑥 = Nilai skala maksimal 𝑁𝑒𝑤𝑚𝑖𝑛 = Nilai skala minimal
Sedangkan proses pengembalian dari nilai normalisasi ke nilai data semula ditunjukkan pada Persamaan 11.
𝑥 = ( 𝑥′−𝑁𝑒𝑤𝑚𝑖𝑛
𝑁𝑒𝑤𝑚𝑎𝑥−𝑁𝑒𝑤𝑚𝑖𝑛) × (𝑥𝑚𝑎𝑥− 𝑥𝑚𝑖𝑛) +
𝑥𝑚𝑖𝑛
(11)
5. MEAN ABSOLUTE PERCENTAGE
ERROR
Mean Absolute Percentage Error (MAPE) merupakan salah satu metode evaluasi hasil prediksi dengan menghitung persentase selisih antara hasil prediksi dengan data aktual. MAPE Perhitungan nilai MAPE ditunjukkan pada persamaan 12 (Chang, et al., 2007).
𝑀𝐴𝑃𝐸 = 1 𝑛∑ |𝑦′𝑖−𝑦𝑖| 𝑦𝑖 × 100 𝑛 𝑖=1 (12)
Fakultas Ilmu Komputer, Universitas Brawijaya Keterangan: 𝑛 = Jumlah data 𝑦′𝑖 = Hasil prediksi 𝑦𝑖 = Nilai aktual 6. METODOLOGI PENELITIAN
Data yang digunakan dalam penelitian ini merupakan data hasil karakterisasi tanaman kenaf yang dilakukan oleh Balittas pada tahun 2013 sebanyak 100 data. Parameter yang akan digunakan untuk melakukan prediksi yaitu umur bunga ketika pertama kali berbunga, diameter batang bagian bawah, jumlah kapsul masak, dan berat benih dari 10 tanaman.
Pada proses prediksi hasil panen benih kenaf dengan menggunakan SVR terdapat beberapa tahapan.
Pertama, melakukan inisialisasi parameter algoritme SVR. Kemudian, data akan dilakukan proses normalisasi data, kemudian data akan dibagi menjadi data latih dan data uji.
Selanjutnya data latih akan dilakukan proses pelatihan dengan menggunakan algoritme SVR sesuai dengan persamaan 1 – 7. Setelah itu proses pengujian dilakukan dengan menggunakan data uji menggunakan persamaan 8.
Pada proses pengujian, hasil prediksi dari perhitungan fungsi regresi selanjutnya dilakukan perhitungan denormalisasi data sehingga mendapatkan nilai aktual hasil prediksi.
Evaluasi metode dilakukan dengan menghitung nilai error yang dihasilkan menggunakan MAPE. Diagram alir proses prediksi menggunakan SVR ditunjukkan pada Gambar 1.
7. PENGUJIAN DAN ANALISIS
Terdapat beberapa skenario pengujian yang dilakukan diantaranya yaitu pengujian jumlah data latih, pengujian masing-masing parameter SVR, dan pengujian jumlah iterasi SVR. Pada setiap pengujian terdapat beberapa variasi yang selanjutnya akan dilakukan perbandingan untuk mendapatkan nilai MAPE terkecil kemudian hasil pengujian yang terbaik akan digunakan sebagai parameter pada pengujian selanjutnya sehingga dapat menghasilkan hasil prediksi yang baik.
Gambar 1. Diagram Alir Proses Prediksi dengan SVR
7.1 Hasil dan Analisis Pengujian Jumlah Data Latih
Pengujian jumlah data latih dilakukan untuk memperoleh jumlah data latih yang dapat menghasilkan nilai error terkecil. Variasi jumlah data latih yang diujikan adalah sebagian data dari jumlah keseluruhan data yaitu 40%, 50%, 60%, 70%, dan 80% dengan jumlah data uji sebesar 10% dari jumlah data keseluruhan. Parameter SVR yang digunakan yaitu σ = 2,7, C = 5, λ = 4,6, ε = 0,0008, cLR = 0,00004, dan jumlah iterasi = 1250. Hasil pengujian jumlah data latih ditunjukkan pada Gambar 2.
Gambar 2 Grafik Hasil Pengujian Jumlah Data Latih
0 5 10 15 40% 50% 60% 70% 80% N ilai MAP E
Jumlah Data Latih Pengujian Jumlah Data Latih
Start Data, Parameter SVR (C, ε, σ, λ, cLR), max iterasi Normalisasi Data End Hasil Prediksi dan
Nilai MAPE Pelatihan SVR
Berdasarkan grafik pada Gambar 2 menunjukkan bahwa semakin banyak jumlah data latih yang digunakan untuk proses pelatihan, nilai MAPE yang dihasilkan semakin kecil. Jumlah data latih yang digunakan yang menghasilkan nilai MAPE terkecil yaitu pada jumlah data sebesar 80% dengan nilai MAPE sebesar 7,97984. Hal ini dikarenakan pada proses sequential learning pada pelatihan SVR akan membentuk sebuah model regresi dengan mempelajari pola-pola pada setiap data. Pada pengujian ini jumlah data latih yang akan digunakan sebagai parameter pengujian selanjutnya yaitu data dengan jumlah 80%.
7.2 Hasil dan Analisis Pengujian Nilai Parameter cLR
Pengujian nilai parameter constanta learning rate (cLR) dilakukan untuk mendapatkan nilai parameter cLR yang dapat menghasilkan nilai MAPE terkecil. Nilai parameter cLR yang diujikan mulai dari 0,000001 hingga 0,01. Parameter SVR yang
digunakan yaitu σ = 2,7, C = 5, λ = 4,6, ε = 0,0008, dan jumlah iterasi = 1250. Hasil
pengujian nilai parameter cLR ditunjukkan pada Gambar 3.
Gambar 3 Grafik Hasil Pengujian Nilai Parameter cLR
Berdasarkan grafik pada Gambar 3 menunjukkan bahwa semakin besar nilai cLR yang digunakan maka nilai MAPE yang dihasilkan semakin kecil. Nilai parameter cLR yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0.01 dengan nilai MAPE sebesar 7.331778. Hal ini dikarenakan nilai cLR berfungsi untuk menentukan nilai gamma (𝛾) yang digunakan untuk mengatur laju pembelajaran algoritme. Namun jika nilai cLR yang digunakan terlalu besar, pembelajaran akan berjalan lebih cepat sehingga dapat menyebabkan konvergensi dini. Nilai parameter
cLR yang akan digunakan sebagai parameter pengujian selanjutnya yaitu sebesar 0,01.
7.3 Hasil dan Analisis Pengujian Nilai Parameter Sigma (σ)
Pengujian nilai parameter sigma dilakukan untuk mendapatkan nilai parameter sigma yang dapat menghasilkan nilai MAPE yang terkecil. Pengujian nilai parameter sigma dilakukan dengan menggunakan beberapa nilai 0,001, 0,005, 0,01, 0,05, 0,1, 0,25, 0,5, 1, 5, dan 10. Parameter SVR yang digunakan yaitu C = 5, λ = 4,6, ε = 0,0008, cLR = 0,01, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter sigma ditunjukkan pada Gambar 4.
Gambar 4 Grafik Hasil Pengujian Nilai Parameter Sigma
Hasil pengujian menunjukkan bahwa nilai parameter sigma yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0,25 dengan nilai MAPE sebesar 2,00133. Berdasarkan grafik pada Gambar 4 menunjukkan bahwa semakin besar nilai parameter sigma yang digunakan maka hasil prediksi semakin baik. Nilai sigma digunakan untuk melakukan perhitungan pada kernel yang berpengaruh pada model pemetaan data. Jika nilai sigma terlalu kecil, maka dapat menghasilkan model yang overfit. Tetapi jika nilai sigma terlalu besar, maka akan mempengaruhi kecepatan waktu komputasi yang lebih lama. Nilai parameter sigma yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 0,5.
7.4 Hasil dan Analisis Pengujian Nilai Parameter Epsilon (ε)
Pengujian nilai parameter epsilon dilakukan untuk mendapatkan nilai parameter epsilon yang dapat menghasilkan nilai MAPE yang terkecil. Pengujian nilai parameter epsilon
0 10 20 30 40 50 N ilai MAP E Nilai Parameter cLR Pengujian Nilai Parameter cLR
0 2 4 6 8 10 0 ,0 0 1 0 ,0 0 5 0 ,0 1 0, 05 0,1 0 ,2 5 0 ,5 1 5 10 N ilai MAP E
Nilai Parameter Sigma Pengujian Nilai Parameter Sigma
Fakultas Ilmu Komputer, Universitas Brawijaya
dilakukan dengan menggunakan nilai mulai dari 0,0000001 hingga 1. Parameter SVR yang digunakan yaitu σ = 0,25, C = 5, λ = 4,6, cLR = 0,01, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter epsilon ditunjukkan pada Gambar 5.
Gambar 5 Grafik Hasil Pengujian Nilai Parameter Epsilon
Hasil pengujian menunjukkan bahwa nilai parameter epsilon yang menghasilkan nilai MAPE terkecil yaitu pada nilai 1 × 10-7 dengan
nilai MAPE sebesar 1,977451. Berdasarkan grafik pada Gambar 5 menunjukkan bahwa semakin besar nilai epsilon yang digunakan, maka nilai MAPE yang dihasilkan semakin besar. Pengujian pada nilai 1 × 10-7 hingga 1 ×
10-4 menghasilkan nilai MAPE yang stabil
tetapi saat pengujian pada nilai 1 × 10-3 hingga
1 nilai MAPE yang dihasilkan mulai lebih besar. Hal ini dikarenakan nilai epsilon digunakan sebagai batas nilai kesalahan. Semakin kecil nilai epsilon yang digunakan, maka proses pembelajaran akan semakin lebih lama untuk dapat menemukan model yang tepat. Nilai parameter epsilon yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 1 × 10-7.
7.5 Hasil dan Analisis Pengujian Nilai Parameter Complexity (C)
Pengujian nilai parameter complexity (𝐶) dilakukan untuk mendapatkan nilai parameter sigma yang dapat menghasilkan hasil prediksi yang terbaik. Pengujian nilai parameter 𝐶 dilakukan dengan menggunakan beberapa nilai 0,00001 hingga 100. Parameter SVR yang digunakan yaitu σ = 0,25, , λ = 4,6, ε = 1 × 10-7
, cLR = 0,001, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter C ditunjukkan pada Gambar 6.
Gambar 6 Grafik Hasil Pengujian Nilai Parameter C
Hasil pengujian menunjukkan bahwa nilai parameter C yang menghasilkan nilai MAPE yang dihasilkan mulai stabil pada nilai 0,5 dengan nilai MAPE sebesar 1,977724. Berdasarkan grafik pada Gambar 6 semakin besar nilai parameter C yang digunakan maka nilai MAPE yang dihasilkan semakin kecil. Nilai parameter 𝐶 digunakan sebagai nilai pinalti dari batas nilai toleransi terhadap kesalahan dalam proses pembelajaran. Nilai parameter C yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 0,5.
7.6 Hasil dan Analisis Pengujian Nilai Parameter Lambda (λ)
Pengujian nilai parameter lambda (λ) dilakukan untuk mendapatkan nilai parameter lambda yang dapat menghasilkan hasil prediksi yang terbaik. Pengujian nilai parameter lambda dilakukan dengan menggunakan beberapa nilai dimulai dari 0,1 hingga 10. Parameter SVR yang digunakan yaitu σ = 0,25, C = 0,5, ε = 1 × 10-7, cLR = 0,01, dan jumlah iterasi = 1250.
Hasil pengujian nilai parameter lambda ditunjukkan pada Gambar 7.
Gambar 7 Grafik Hasil Pengujian Nilai Parameter Lambda 0 10 20 30 40 50 N ilai MAP E
Nilai Parameter Epsilon Pengujian Nilai Parameter Epsilon
0 10 20 30 40 50 N ilai MAP E Nilai Parameter C Pengujian Nilai Parameter C
0 1 2 3 4 5 6 0,1 0,2 0,4 0,6 0,8 1 2 4 6 8 10 N ilai MAP E
Nilai Parameter Lambda Pengujian Nilai Parameter Lamda
Hasil pengujian menunjukkan bahwa nilai parameter lambda yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0,6 dengan nilai MAPE sebesar 1,335572. Berdasarkan grafik hasil pengujian nilai parameter lambda yang ditunjukkan pada Gambar 7, menunjukkan bahwa semakin besar nilai lambda yang digunakan, maka nilai MAPE yang dihasilkan akan semakin besar. Hal ini dikarenakan nilai lambda digunakan untuk melakukan perhitungan matriks Hessian. Sehingga jika nilai lambda yang digunakan semakin besar, maka akan mempengaruhi kecepatan komputasi dalam menyelesaikan perhitungan.
7.7 Hasil dan Analisis Pengujian Jumlah Iterasi
Pengujian jumlah iterasi dilakukan untuk mendapatkan jumlah iterasi yang dapat menghasilkan hasil prediksi yang terbaik. Pengujian jumlah iterasi dilakukan dengan menggunakan jumlah iterasi mulai dari 500 hingga 25000. Parameter SVR yang digunakan yaitu σ = 0,25, C = 0,5, λ = 0,6, ε = 1 × 10-7,
dan cLR = 0,01. Hasil pengujian jumlah data latih ditunjukkan pada Gambar 8.
Berdasarkan hasil pengujian iterasi yang telah dilakukan, nilai MAPE yang terendah yang dihasilkan sebesar 0,116297 dengan jumlah iterasi sebesar 25000 kali. Ini menunjukkan bahwa jumlah iterasi sangat berpengaruh dikarenakan semakin banyak iterasi yang dilakukan maka proses pembelajaran semakin baik sehingga dapat menghasilkan hasil prediksi yang lebih baik. Grafik pengaruh jumlah iterasi terhadap nilai MAPE yang dihasilkan dapat ditunjukkan pada Gambar 8. Pada pengujian ini, jumlah iterasi yang akan digunakan pada pengujian selanjutnya yaitu sebesar 25000.
Gambar 8 Grafik Hasil Pengujian Jumlah Iterasi
7.8 Hasil Pengujian dengan Menggunakan Parameter Terbaik
Setelah mendapatkan nilai-nilai parameter SVR yang optimal pada pengujian sebelumnya, selanjutnya dapat dilakukan pengujian dengan menggunakan parameter terbaik. Jumlah data latih yang akan digunakan untuk proses pembelajaran yaitu sebesar 80% dari jumlah seluruh data. Nilai parameter cLR sebesar 0,01, nilai parameter sigma sebesar 0,25, nilai parameter epsilon sebesar 1 × 10-7, nilai
parameter C sebesar 0,5, dan nilai parameter lambda sebesar 0,6. Jumlah iterasi yang akan digunakan yaitu sebesar 25000. Pengujian dilakukan dengan menggunakan data uji sebesar 10% dari jumlah seluruh data yang belum dikenali polanya. Hasil pengujian dengan menggunakan parameter terbaik ditunjukkan pada Tabel 1.
Tabel 1 Hasil Pengujian dengan Parameter Terbaik Nilai MAPE
3,537168
8. KESIMPULAN
Berdasarkan pengujian yang telah dilakukan, dalam melakukan prediksi hasil panen benih kenaf dengan SVR dengan hasil yang terbaik menggunakan jumlah data latih sebanyak 80% dari keseluruhan data, nilai parameter cLR sebesar 0,01, nilai parameter sigma sebesar 0,25, nilai parameter epsilon sebesar 0,0000001, nilai parameter C sebesar 0,5, nilai parameter lambda sebesar 0,6, dan jumlah iterasi sebesar 25000. Nilai dari masing-masing parameter kemudian dilakukan pengujian dengan data uji menghasilkan nilai MAPE sebesar 3,537168.
DAFTAR PUSTAKA
Chang, P. C., Wang, Y. W. & Chen, H. L., 2007. The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Expert Systems with Applications, pp. 86-96.
Cholissodin, I. et al., 2015. Prediksi Tinggi Muka Air (TMA) untuk Deteksi Dini Bencana Banjir Menggunakan SVR-TVIWPSO. Jurnal Teknologi Informasi dan Ilmu Komputer, Volume 2, pp. 79-86. Hakin, R. & A, E. L., 2014. Keragaman
Morfologi Kenaf (Hibiscus cannabinus L.)
KR 11 Mutan EMS (Ethyl
0 0,2 0,4 0,6 0,8 500 1000 1500 0002 2500 5000 7500 1 0 00 0 2 0 00 0 2 5 00 0 N ilai MAP E Jumlah Iterasi Pengujian Jumlah Iterasi
Fakultas Ilmu Komputer, Universitas Brawijaya
Methanesulfonate) berdasarkan Panduan Karakterisasi Kenaf. Jurnal Biotropika, Volume 2, pp. 8-13.
Hasanah, M., 2002. Peran Mutu Fisiologik Benih dan Pengembangan Industri Benih Tanaman Industri. Jurnal Litbang Pertanian, Volume 3, pp. 84-91.
Jaikla, R., Auephanwiriyakul, S. & Jintrawet, A., 2008. Rice Yield Prediction using a Support Vector Regression method. s.l., s.n.
Li, W. & Liu, Z., 2011. A method of SVM with Normalization in Intrusion Detection. Procedia Environmental Sciences, Volume 11, pp. 256-262.
Mustakim, Buono, A. & Hermadi, I., 2016. Performance Comparison between Support Vector Regression and Artificial Neural Network for Prediction of Oil Palm Production. Jurnal Komputer dan Informasi ( Journal of Computer Science and Information), Volume 9/1, pp. 1-8. Scholkopf, B. & Smola, A. J., 2002. Learning
with Kernels. London: The MIT Press. Smola, A. J. & Scholkopf, B., 2004. A Tutorial
on Support Vector Regression. Statistics and Computing, Volume 14, p. 199–222. Sudjindro, 2009. Produk-Produk Diversifikasi
Kenaf. Dalam: Monograf Balittas: Kenaf. Malang: Balai Penelitian Tanaman Tembakau dan Serat, pp. 107-113.
Vijayakumar, S. & Wu, S., 1999. Sequential Support Vector Classifiers and Regression. Saitama, RIKEN Brain Science Institute, The Institute for Physical and Chemical Research.
