PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF)
SKRIPSI
RINI JANNATI 101402072
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
RINI JANNATI 101402072
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF)
Kategori : SKRIPSI Nama : RINI JANNATI Nomor Induk Mahasiswa : 101402072
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dani Gunawan, S.T., M.T. Dr. Erna Budhiarti Nababan, M.IT NIP. 19820915201212 1 002 NIP. –
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF)
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 10 September 2015
Rini Jannati
iv
UCAPAN TERIMA KASIH
Puji dan syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan karuniaNya yang telah memberikan kesempatan kepada penulis untuk dapat menyelesaikan skripsi ini. Skripsi ini merupakan persyaratan untuk mendapatkan gelar Sarjana Teknologi Informasi, Program Studi (S1) Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Skripsi ini penulis persembahkan kepada orangtua penulis, Bapak Ir. H. Eka Asmarahadi Putra dan Ibu Ir. Hj. Herlina yang selalu memberi doa, cinta, kasih sayang, semangat, perhatian, dan pengorbanan. Semoga Allah SWT selalu memberikan kebahagiaan kepada keduanya baik di dunia maupun di akhirat kelak. Terima kasih penulis ucapkan kepada kakak penulis, Erlyani Fachrosi, S.Psi yang selalu mendukung, menyemangati dan membantu penulis dalam pengerjaan skripsi ini.
Penulis menyadari bahwa penelitian ini tidak akan terwujud tanpa bantuan dari banyak pihak. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada
1. Ibu Dr. Erna Budhiarti Nababan, M.IT sebagai dosen pembimbing I dan Bapak Dani Gunawan, S.T., M.T. sebagai dosen pembimbing II yang selalu memberikan arahan dalam proses pengerjaan skripsi ini.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc sebagai dosen penguji I dan Ibu Sarah Purnamawati, S.T., M.Sc. sebagai dosen penguji II yang telah memberikan kritik dan saran yang membangun dalam penyempurnaan skripsi ini.
3. Bapak Muhammad Anggia Muchtar, S.T., MM.IT selaku Ketua Program Studi S1 Teknologi Informasi.
4. Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT selaku Sekretaris Program Studi S1 Teknologi Informasi.
6. Teman-teman penulis, Dian Puspitasari Sebayang, Sharfina Faza, Nurul Putri Ibrahim, Maslimona Harimita Ritonga, Tri Annisa, Amelia Febriani, Nadya, Ovy Rizki dan Wanda yang telah bersedia menjadi teman diskusi penulis dan memberikan semangat dalam menyelesaikan skripsi ini.
7. Teman-teman angkatan 2010 Teknologi Informasi dan UKM Fotografi USU khususnya angkatan V, semoga kita meraih kesuksesan.
8. Seluruh staf pengajar dan staf administrasi Program Studi S1 Teknologi Informasi dan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
vi
ABSTRAK
Kelapa sawit merupakan komoditas utama dan unggulan di Indonesia. Pada industri kelapa sawit, hasil produksi kelapa sawit merupakan hal yang terpenting. Hasil produksi kelapa sawit dalam waktu dan jumlah yang tepat merupakan sesuatu yang diinginkan oleh perusahaan perkebunan. Oleh karena itu, dibutuhkan prediksi produksi untuk dijadikan acuan target produksi kelapa sawit. Penentuan target produksi dibutuhkan suatu metode yang mampu memprediksi hasil produksi kelapa sawit. Pada penelitian ini dipakai metode jaringan saraf Radial Basis Function. Radial Basis Function (RBF) merupakan sebuah kernel atau arsitektur jaringan saraf tiruan yang terdiri dari tiga layer yaitu input, hidden, dan output layer. Pada proses input layer ke hidden layer digunakan algoritma K-Means dan hiddenlayer ke outputlayer digunakan algoritma Least Means Square. Hasil prediksi dengan metode RBF memiliki MAPE sebesar 11.75% dengan kombinasi parameter inputnode = 5, hidden node = 3, learning rate = 0.75.
THE PREDICTION PRODUCTION PALM OIL USING RADIAL BASIS
FUNCTION NEURAL NETWORK
ABSTRACT
Palm oil is a mayor and superior commodity in Indonesia. In the palm oil industry, the outcome of palm oil production is the most important. The outcome of palm oil production in the right time and the right amount is something that is desired by the industry. According to this, industry needs to be target forecast production palm oil. Determining target production is required a method to predict the outcome of palm oil prediction. In this study used the method of Radial Basis Function Neural Network (RBFNN). RBFNN is a kernel or neural network architecture which consists of three layer, input, hidden, and output layer. On the input layer to hidden layer used K-Means Algorithm and hidden layer to output layer is used Least K-Means Square Algorithm. Prediction result using RBFNN method has MAPE of 11.75% with a combination of parameters input nodes is 5, hidden nodes is 3, learning rate is 0.75.
viii
DAFTAR ISI
Hal
PERSETUJUAN ii
PERNYATAAN iii
UCAPAN TERIMA KASIH iv
ABSTRAK vi
1.3Tujuan Penelitian 3
1.4Batasan atau Ruang Lingkup Penelitian 4
1.5Manfaat Penelitian 4
1.6Metodologi Penelitian 4
1.7Sistematika Penulisan 5
BAB 2 LANDASAN TEORI 7
2.1 Produksi Kelapa Sawit 7
2.2.1 Data Cleaning 9
2.2.2 Data Selecting 10
2.2.3 Transformasi Data 10
2.2.4 Peramalan 11
2.3 Jaringan Saraf Tiruan 15
2.3.1 Radial Basis Function 18 2.3.1.1 Tahap Data Pre-processing 20 2.3.1.2 Tahap I: InputLayer ke HiddenLayer 22 2.3.1.3 Tahap II: HiddenLayer ke OutputLayer 24 2.3.2 Menghitung Nilai Error 25
2.4 Penelitian Terdahulu 25
2.4.1 Penelitian Kasus Prediksi Produksi Kelapa Sawit 25
2.4.2 Penelitian Kasus Prediksi dengan Menggunakan RBF 27
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 29
3.1 Metode Penelitian 29
3.2 Dataset yang Digunakan 30
3.3 Cleaning Data 31
3.4 Transformasi Data 32
3.5 Pembagian Data 34
3.6 Prediksi Data 34
3.6.1 Data Pre-processing 35
x
3.7 Perancangan Antarmuka 44
3.7.1 Rancangan Tampilan Awal 44
3.7.2 Rancangan Tampilan Halaman Transformasi 45
3.7.3 Rancangan Tampilan Halaman Training 46 3.7.4 Rancangan Tampilan Halaman Testing 47 BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 49
4.1 Implementasi Sistem 49
4.1.1 Spesifikasi Hardware dan Software yang Digunakan 49
4.1.2 Implementasi Data 50
4.2 Pengujian Sistem 50
BAB 5 KESIMPULAN DAN SARAN 58
5.1 Kesimpulan 58
5.2 Saran 59
DAFTAR TABEL
Hal
TABEL 2.1. Variabel Data yang digunakan 21
TABEL 2.2. Penelitian Terdahulu 27
TABEL 3.1. Sampel Data Produksi Kelapa Sawit 30
TABEL 3.2. Sampel Data Bernilai 0 pada Data Produksi 31
TABEL 3.3. Sampel Data yang Telah Dibersihkan 32
TABEL 3.4. Sampel Data yang Telah ditransformasi 33
TABEL 3.5. Model Data yang Digunakan jumlah Variabel = 1 36
TABEL 3.6. Nilai-Nilai Parameter 36
TABEL 3.7. Nilai Input untuk n = 1 37
TABEL 3.8. Nilai Awal Center 37
TABEL 3.9. Hasil Jarak Data pada Masing-Masing HiddenNode 39 TABEL 3.10. Nilai Center Setelah Di-update 39 TABEL 3.11. Nilai Fungsi Gaussian pada n = 1 40 TABEL 3.12. Inisialisasi Nilai Awal Weigths 41
xii
TABEL 4.2. Hasil Pengujian 55
DAFTAR GAMBAR
Hal
GAMBAR 2.1. Pola Data Horizontal 14
GAMBAR 2.2. Pola Data Musiman 14
GAMBAR 2.3. Pola Data Siklis 15
GAMBAR 2.4. Pola Data Trend 15
GAMBAR 2.5. Arsitektur Umum Jaringan Saraf Tiruan Multilayer 16 GAMBAR 2.6. Arsitektur Jaringan Saraf Radial Basis Function 19 GAMBAR 2.7. Data Time Series Prediksi Harga Emas Pada Tahap Pelatihan untuk
Mempresentasikan Form Baris Waktu (Timeline) 20 GAMBAR 2.8. Langkah-langkah Proses Pelatihan untuk Input dan Target Vektor
Matriks 21
GAMBAR 2.9. Flowchart Algoritma K-MeansClustering 22 GAMBAR 3.1. Arsitektur Umum dari Proses Penelitian 29
GAMBAR 3.2. Tahap Pelatihan 34
GAMBAR 3.3. Data Time Series untuk Pre-processing Pelatihan 35 GAMBAR 3.4. Langkah 1 untuk n = 1 36
GAMBAR 3.5. Proses Pengujian 43
GAMBAR 3.6. Rancangan Tampilan Awal program 44
xiv
GAMBAR 3.8. Rancangan Tampilan Halaman Training 46 GAMBAR 3.9. Rancangan Tampilan Halaman Testing 48 GAMBAR 4.1. Memilih Training File dengan Menggunakan Tombol Browse 51 GAMBAR 4.2. Proses Pengisian Nilai Parameter yang digunakan 52