IMPLEMENTASI ALGORITMA
LEARNING VECTOR QUANTIZATION
PADA
PREDIKSI PRODUKSI KELAPA SAWIT DI
PT. PERKEBUNAN NUSANTARA I
PULAU TIGA
SKRIPSI
EDGAR AUDELA BATUBARA
101402111
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION PADA PREDIKSI PRODUKSI KELAPA SAWIT DI
PT. PERKEBUNAN NUSANTARA I PULAU TIGA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
EDGAR AUDELA BATUBARA 101402111
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : IMPLEMENTASI ALGORITMA LEARNING VECTOR
QUANTIZATION PADA PREDIKSI PRODUKSI
KELAPA SAWIT DI
PT. PERKEBUNAN NUSANTARA I PULAU TIGA
Kategori : SKRIPSI
Nama : EDGAR AUDELA BATUBARA
Nomor Induk Mahasiswa : 101402111
Program Studi : S1 TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dedy Arisandi, ST.,M.Kom Prof. Dr. Opim Salim Sitompul, M.Sc NIP 19790831 200912 1 002 NIP 19610817 198701 1 001
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua
iii
PERNYATAAN
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION
PADA PREDIKSI PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA I
PULAU TIGA
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 23 Maret 2015
UCAPAN TERIMA KASIH
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan berkat, rahmat serta karuniaNya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi (S1) Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Kedua orang tua penulis, yaitu ayahanda Muda Bincara Batubara dan ibunda tercinta Sri Susilawati yang telah membesarkan penulis dengan sabar serta penuh kasih sayang. Kepada saudara/i kandung, Eggy Anggia Batubara, Alm. Elvan andrian Batubara, Chandra Amelia Batubara yang juga selalu memberikan dukungan dan doa sehingga dapat menyelesaikan skripsi ini. 2. Kepada Bapak Prof. Dr. Opim Salim Sitompul, M.Sc dan Bapak Dedy
Arisandi, ST., M.Kom. selaku dosen pembimbing penulis yang telah memberikan saran dan masukkan serta bersedia meluangkan waktu, tenaga dan pikiran untuk membantu penulis dalam menyelesaikan skripsi ini.
3. Bapak Romi Fadillah Rahmat, B.Comp.,Sc.,M.Sc. dan Ibu Dr. Erna budhiarti Nababan, M.Sc sebagai dosen penguji yang telah memberikan kritik dan saran dalam penyempurnaan skripsi ini.
4. Bapak Muhammad Anggia Muchtar, ST., MM.IT. selaku Ketua Program Studi S1 Teknologi Informasi dan Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT. selaku Sekretaris Program Studi S1 Teknologi Informasi.
5. Seluruh Dosen Program Studi S1 Teknologi Informasi yang telah memberikan ilmu yang bermanfaat bagi penulis dari awal perkuliahan.
v
7. Sahabat - sahabat penulis, Ape, abi, Ibnu, Balsa, Rizki Khairunnisa, Imam, Tri Andika, Ricky feri, Udin yang terus menanyakan kapan wisuda, serta memberikan banyak pelajaran dalam hidup kepada penulis.
8. Sahabat – sahabat terdekat penulis yang tergabung dalam Foya members Akira, Muslim, Eka, Dian Pomta, Rozy, Galih, bunda Dian, Desi, Fezan , Baim, Desi, Heri, Joko, Chairul dan seluruh teman-teman angkatan 2010 Teknologi Informasi yang tidak dapat disebutkan satu persatu, yang telah membantu dan bersama-sama dengan penulis melewati seluruh proses perkuliahan di Universitas Sumatera Utara ini. Kalian semua luar biasa.
9. Seluruh staf TU (Tata Usaha) terutama bang faisal serta pegawai di Program Studi S1 Teknologi Informasi.
ABSTRAK
Kelapa sawit merupakan salah satu komoditas ekspor perkebunan terbesar di Indonesia. Indonesia mempunyai struktur tanah serta curah hujan yang cocok untuk perkebunan kelapa sawit. Kelapa sawit menjadi tanaman yang bernilai ekonomi, sejalan dengan meningkatnya kebutuhan kelapa sawit di pasar dunia. Pada lingkup perkebunan negara, tiap tahunnya akan diadakan Rencana Kerja dan Anggaran Perusahaan (RKAP). Ini dilakukan untuk merencanakan target produksi dan anggaran yang akan digunakan untuk tahun berikutnya. Pada PT. Perkebunan Nusantara I (PTPN I) pulau tiga, target produksi dilakukan secara manual dengan melihat hasil produksi tahun-tahun sebelumnya. Namun kendala terjadi karena hasil produksi rencana yang telah ditargetkan berbeda dengan hasil produksi realisasi. Atas dasar hal ini, prediksi kelapa sawit sangatlah penting. Algoritma yang diajukan pada penelitian ini adalah Learning vector quantization. Pada penelitian ini ditunjukkan bahwa algoritma learning vector quantization mampu memprediksi hasil produksi kelapa sawit sehingga hasil prediksi dapat digunakan untuk menjadi acuan target produksi perusahaan.
vii
IMPLEMENTATION LEARNING VECTOR QUANTIZATION ALGORITHM TO PRODUCTION PREDICTED PALM OIL IN
PT. PERKEBUNAN I PULAU TIGA
ABSTRACT
Palm oil is one of the largest export commodites in indonesia. Indonesia soil structure and rainfall are suitable for palm plantations. Palm oil plans for further economic value for the future, are in line with the increasing demand of oil in the world market. The scope of country estates, held each year workplan & budget of company (RKAP). This is done to plan production and budgets that are used to scan the next year. The PTPN I Pulau tiga, the production target manual is done by reviewing at the output of the previous year. However constraint occurs because the targeted production plans
are different from actual production results. On the basis of this, it’s very important
for future prediction of palm oil. Algorithm proposed in this study is learning vector quantization. In this research it is indicated that the prediction results can be used for a references targeting of production of PT. Perkebunan I Pulau Tiga.
DAFTAR ISI
1.3 Tujuan Penelitian 2
1.4 Batasan Masalah 2
1.5 Manfaat Penelitian 3
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 4
BAB 2 Landasan Teori 6
2.1 Jaringan Saraf Biologi Manusia 6
2.2 Jaringan Saraf Tiruan 7
2.2.1. Latar Belakang 7
2.2.2.Pengertian Jaringan Saraf Tiruan 8
2.2.3.Arsitektur Jaringan 8
2.2.4.Manfaat Meggunakan Jaringan Saraf Tiruan 10
2.2.5.Paradigma Pembelajaran 11
2.3 Learning Vector Quantization 13
ix
BAB 3 Analisis dan Perancangan Sistem 17
3.1 Pengambilan Data 18
3.2 Pendefinisian Input 19
3.3 Penetapan Target Kelas 21
3.4 Flowchart Training 22
3.5 Flowchart Prediksi 24
3.6 Perhitungan Training 24
3.7 Perhitungan Prediksi 28
BAB 4 Implementasi dan Pengujian Sistem 30
4.1 Implementasi 30
4.2 Pengujian 33
BAB 5 Kesimpulan dan Saran 40
5.1 Kesimpulan 40
5.2 Saran 40
DAFTAR TABEL
Hal. Tabel 2.1. Perbedaan Saraf Biologi dengan Jaringan Saraf Tiruan
(Medsker & Liebowitz, 1994) 8
Tabel 3.1. Tabel Data Produksi Kelapa Sawit tahun 2010 19 Tabel 3.2. Tabel Pertumbuhan Jumlah Produksi Kelapa Sawit 21
Tabel 3.3. Tabel Produksi Kelapa Sawit tahun 2010 25
Tabel 3.4. Tabel Pembelajaran Training 25
Tabel 3.5. Tabel Bobot Training 26
Tabel 3.6. Tabel Bobot baru pertama 27
Tabel 3.7. Tabel Bobot baru kedua 28
Tabel 3.8. Inisialisasi input Prediksi 29
Tabel 3.9. Hasil Prediksi 29
Tabel 4.1. Hasil Produksi Kelapa Sawit tahun 2014 33
Tabel 4.2. Hasil Produksi Kelapa Sawit tahun 2014 menurut kelasnya 34
Tabel 4.3. Hasil Pengujian Epoch 5000 35
Tabel 4.4. Hasil Pengujian Epoch 5200 36
Tabel 4.5. Hasil Pengujian Epoch 5500 37
Tabel 4.6. Hasil Pengujian Learning rate 0.06 37
xi
DAFTAR GAMBAR
Hal. Gambar 2.1. Neuron biologi manusia (Medsker & Liebowitz, 1994) 6
Gambar 2.2. Single Layer Network (Fausett, 1994) 9
Gambar 2.3. Multi Layer Network (Fausett, 1994) 10 Gambar 2.4. Proses Supervised Learning (Bird et al, 2014) 12 Gambar 2.5. Arsitektur Jaringan Learning Vector Quantization (Fausett, 1994) 13
Gambar 3.1. Arsitektur umum training 17
Gambar 3.2. Arsitektur umum prediksi 18
Gambar 3.3. Arsitektur Jaringan Learning Vector Quantization 20
Gambar 3.4. Flowchart Training 22
Gambar 3.5. Flowchart Prediksi 24
Gambar 4.1. Tampilan Halaman Awal 30
Gambar 4.2. Tampilan Halaman Help 31
Gambar 4.3. Tampilan Halaman Input Data 31