Fakultas Ilmu Komputer
4613
Peramalan Produksi Kelapa Sawit Menggunakan Jaringan Syaraf Tiruan
Dengan Metode Backpropagation
(Studi Kasus PT.Sandabi Indah Lestari)
Retiana Fadma Pertiwi Sinaga1, Budi Darma Setiawan2, Marji3Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Salah satu Perkebunan Besar Swasta di Indonesia ialah PT. Sandabi Indah Lestari yang berada di Provinsi Bengkulu. PT.Sandabi Indah Lestari merancang anggaran setiap tahunnya untuk dihabiskan pada proses produksi yang dilakukan setiap seminggu sekali. Setiap proses produksi tentunya membutuhkan biaya tersendiri, jika hasil produksi tidak dapat memberikan keuntungan maka perusahaan akan mengalami kerugian. Oleh karena itu, diperlukan peramalan hasil produksi kelapa sawit untuk dijadikan acuan agar hasil produksi tetap stabil atau bahkan meningkat. Hasil peramalan nantinya dapat digunakan oleh pihak perusahaan untuk meningkatkan hasil produksi dan tidak mengalami kerugian dari target perencanaan anggaran yang telah dibuat. Penelitian ini menggunakan metode backpropagation dipadu dengan algoritme nguyen widrow. Dari hasil pengujian dengan jumlah 260 data latih, jumlah data uji 12 data uji, nilai learning rate 0.4, jumlah neuron hidden layer 5, batas error sebesar 0.001, dan iterasi maksimal sebesar 900 menghasilkan nilai MAPE (Mean Absolute Percentage Error) sebesar 10,0047%.
Kata kunci: kelapa sawit, produksi, peramalan, backpropagation.
Abstract
One of the Big Private Plantation companies in Indonesia is PT. Sandabi Indah Lestari located in Bengkulu Province. PT.Sandabi Indah Lestari designs a budget every year to spend on production process conducted once every week. Each production process of course requires a separate cost, if the production can not change production costs, the company will incur losses. Therefore, it is necessary to forecast the output of palm oil production to be a reference for the production results remain stable or even increased. Forecasting results can later be used by the company to improve production and do not lose from budget planning targets that have been made. This research uses backpropagation method combined with nguyen widrow algorithm. From the test results with the number of 260 data train, the amount of test data 12 test data, the value of learning rate 0.4, the number of hidden layer 5 neurons, the error limit of 0.001, and the maximum iteration of 900 yields MAPE (Mean Absolute Percentage Error) value of 10,0047 %.
Keywords: Oil palm, production, forecasting, backpropagation.
1. PENDAHULUAN
Perkebunan kelapa sawit di Indonesia merupakan perkebunan yang berpengaruh besar
dalam penyumbangan devisa Negara
(Kemenperin, 2010). Salah satu Perkebunan Besar Swasta yang menjadi studi kasus pada penelitian ini ialah PT. Sandabi Indah Lestari. Dari hasil wawancara dengan manager tanaman yaitu Ir. Salim Sinaga, PT. Sandabi Indah Lestari membangun pabrik kelapa sawitnya pada tahun
produksi tidak balik modal dan mengalami kerugian. Oleh karena itu penulis melakukan penelitian dengan judul “Peramalan Produksi Kelapa Sawit Menggunakan Jaringan Syaraf Tiruan dengan Metode Backpropagation(Studi Kasus PT. Sandabi Indah Lestari)”. Penelitian ini bertujuan memberikan gambaran untuk pihak perusahaan dalam merancang anggaran biaya produksi.
Penelitian yang dilakukan oleh Eka Irawan(2017) dengan judul “Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation” nilai MAPE(Mean Absolute Percentage Error) sebesar 14%. Kemudian penelitian yang dilakukan oleh Hamdani(2012) dengan judul “Peramalan Pasokan Tandan Buah Segar Dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi Balik” menghasilkan MAPE(Mean Absolute Percentage Error) sebesar 25.67% dengan jenis data yaitu data penjualan kelapa sawit dari tahun 2003 hingga 2007 di PTPN XIII. Berdasarkan dua penelitian tersebut yang menghasilkan nilai MAPE cukup baik, penulis memutuskan untuk menggunakan metode backpropagation. Kemudian metode backpropagation di bantu oleh algoritme nguyen widrow agar mendapatkan bobot awal yang optimal pada penelitian ini. Dari hasil wawancara, penulis mendapatkan data yang terkomputasi di perusahaan setiap tahunnya, data ini penulis gunakan sebagai parameter pada penelitian ini. Data tersebut merupakan data produksi tahun 2015 hingga 2017 yang meliputi hasil panen setiap bulannya, umur kelapa sawit, luas area lahan, dan jumlah pokok pada suatu area lahan.
2. LANDASAN PUSTAKA
2.1 Parameter Produksi Kelapa Sawit
Setiap produksi tanaman tentunya di pengaruhi banyak faktor. Faktor produksi kelapa sawit dapat berupa faktor lingkungan maupun faktor iklim(Risza, 1994). Pada penelitian ini, penulis menggunakan parameter yang bersifat fakor lingkungan. Parameter tersebut terdiri atas usia tanaman, luas area lahan, jumlah pokok kelapa sawit pada suatu area lahan dan hasil panen per bulan.
2.2 Arsitektur Dan Algoritme
Backpropagation
Gambar 1. Arsitektur Backpropagation Sumber: Fausett(1994)
Gambar 1 merupakan arsitektur dari metode backpropagation. Dari gambar 1 dapat kita lihat terdapat 3 layer yaitu input layer, hidden layer, dan output layer. Pada setiap layer terdapat neuron, contohnya pada gambar 1 pada input layer terdapat 4 neuron input, kemudian pada hidden layer terdapat 2 neuron hidden dan pada output layer terdapat 3 neuron output. Berikut notasi yang digunakan pada algoritme backpropagation:
: input t : target α : learning rate
: neuron input ke-i : neuron hidden ke-i : neuron output ke-k
: bobot neuron input ke neuron hidden : bobot bias neuron input ke-j
: bobot bias untuk neuron hidden ke-k : bobot neuron hidden ke neuron output
� : faktor koreksi bobot
� : faktor koreksi bobot
2.3 Metode Backpropagation
juga nilai learning rate (α), jumlah iterasi maksimum, serta batasan nilai error.
2.
Proses inisialisasi bobot terus dilakukan selama kondisi berhenti belum terpenuhi, biasanya kondisi berhenti ditentukan oleh jumlah itrasi maksimal, batas error maksimal atau ketika nilai y mengalami konvergensi.Fase Propogasi Maju
3.
Tiap sinyal yang masuk pada neuron input(x) di teruskan ke semua neuron di hidden layer(z).4.
Ketika sinyal memasuki hidden layer maka hitung sinyal input dan biasnya denganmasing-masing bobot menggunakan
persamaan (1):
= + ∑ = (1)
5.
Kemudian hitung sinyal output dari hidden layer dengan menggunakan fungsi aktivasi sigmoid . yang nantinya sinyal ini diteruskan ke output layer, gunakan persamaan (2):= � =
+ � −� � (2)
6.
Tahap selanjutnya ketika sinyal dari neuron hidden layer masuk ke neuron output, gunakan persamaan (3):= + ∑= (3)
7.
Kemudian lakukan aktivasi pada nilai menggunakan persamaan (4):= � (4)
Fase Propagasi Mundur
8.
hitung faktor koreksi error output, koreksi error output merupakan error yang dihasilkan atas kesalahan unit keluaran menggunakan persamaan (5):� = − − (5)
9.
hitung juga faktor koreksi error bobot dengan menggunakan persamaan (6):∆ == � (6)
10.
gunakan persamaan (7) untuk mengkoreksi nilai bias w:∆ = i � (7)
11.
Menggunakan persamaan (8) hitung koreksi error yang dihasilkan oleh delta bobot :� = ∑ = � (8)
12.
Tahap selanjutnya gunakan persamaan (9) untuk menghitung � yang merupakan koreksi error neuron hidden:� = � − (9)
13.
kemudian gunakan persamaan (10) untuk menghitung nilai koreksi error ∆ :∆ = � (10) tahap sebelumnya menggunakan persamaan (12):
� = + ∆ (12)
16.
perubahan bobot dilakukna dengan menambah koreksi error v menggunakan persamaan (13):� = + ∆ (13)
17.
hitung bobot bias yang baru dengan menggunakan persamaan (14):� = + ∆ (14)
18.
hitung bobot bias dengan menggunakan persamaan (15):� = + ∆ (15)
19.
setelah tahapan sebelumnya selesai dilakukan, hitung total error yang dihasilkan pada proses peramalan menggunakan persamaan (16):��� = ∑ �− 2 (16)
keterangan : y = nilai ramalan
t = nilai yang sebenarnya n = jumlah data
2.4 Algoritme Nguyen Widrow
Algoritme nguyen widrow mampu
menentukan batasan bobot awal yang terbaik pada tahap awal pelatihan backproagation, berikut perhitungan algoritme nguyen widrow (Syaban,2016):
2. Kemudian hitung vektor || || menggunakan persamaan (17):
|| || = √ + … . (17)
3. Kemudian hitung faktor skala yang akan digunakan sebagai nilai batasan penetuan bobot awal, menggunakan persamaan (18):
= .7 √� (18)
Keterangan :
n = jumlah unit input
p = jumlah unit hidden
4. nilai yang baru di hitung menggunakan persamaan (19):
= ��||� ||� � (19)
5. kemudian nilai bias v yang akan digunakan pada inisialisasi bobot awal adalah bilangan acak atau random yang batasan nilainya antara – sampai .
6. Tetapkan bobot bias dan antara -0.5 samapai 0.5.
3. METODOLOGI PENELITIAN
Diagram alir metode penelitian yang dilakukan pada penelitian dengan judul
“Peramalan Produksi Kelapa Sawit
Menggunakan Jaringan Syaraf Tiruan dengan Metode Backproagation(Studi Kasus PT. Sandabi Indah Lestari) dapat di lihat pada gambar 2.
Gambar 2. Metodologi Penelitian
4. PERANCANGAN ALGORITME
Penelitian ini berfokus pada peramalan produksi bulan selanjutnya berdasarkan 6
parameter. Parameter tersebut terdiri atas umur tanaman, luas lahan area perkebunan kelapa sawit, jumlah pokok kelapa sawit, hasil panen pada bulan pertama, hasil panen pada bulan kedua, dan hasil panen pada bulan ketiga. Output pada penelitian ini ialah hasil panen pada bulan selanjutnya. Data yang digunakan merupakan data produksi tahun 2015 hingga 2017 yang berjumlah 319 data, kemudian di bagi mejadi 260 data latih dan 59 data uji. Rancangan arsitektur backpropagation pada penelitian ini yaitu 6 neuron input, 5 neuron hidden, dan 1 neuron output. Arsitekturnya dapat dilihat pada gambar 3.
Gambar 3 Arsitektur backpropagation pada penelitian ini
4.1 Flowchart Pencarian struktur jaringan terbaik
Gambar 4. Pencarian Struktur Jaringan Terbaik
5. PENGUJIA N DAN ANALISIS HASIL
Pengujian yang dilakukan pada penelitian ini terdiri atas 5 pengujian, kemudian setelah 5 pengujian tersebut dilakukan, Analisis Hasil menggunakan parameter yang di dapat pada pengujian tersebut.
5.1 Pengujian Iterasi Maksimal
Pengujian yang pertama adalah pengujian jumlah iterasi. Jumlah iterasi yang diuji diantaranya 200 iterasi hingga 1000 iterasi dan yang terakhir 2000 iterasi. Sebelum pengujian iterasi dilakukan, penetuan nilai learning rate ialah 0.4, batas error 0.001, jumlah data latih 260, dan jumlah data uji 59.
Dari gambar 5 dapat dilihat bahwa nilai MAPE terendah yaitu 14,68% dengan jumlah iterasi maksimal sebesar 900 iterasi. Pada penelitian ini semakin besar jumlah iterasi maka akan menghasilkan nilai ramalan yang baik, namun waktu eksekusi akan semakin lama jika iterasi berjumlah besar, maka dari itu diperlukan nilai batasan iterasi maksimal dan batasan error.
Gambar 5. Pengujian Iterasi Maksimal
5.2 Pengujian jumlah Data Latih
Penelitian ini memiliki total data latih berjumlah 260 data. Jumlah data latih yang di uji terdiri atas 52 data, 104 data, 156 data, 208 data, dan 260 data, penentuan jumlah data latihnya berdasarkan kemiripan pola data latih dan pola data uji. Penguian jumlah data latih ini menggunakan nilai learning rate 0.4, iterasi maksimal 900, 5 neuron hidden, batas error sebesar 0.001, serta 59 data uji. Tujuan yang ingin dicapai pada pengujian ini ialah nilai MAPE yang serendah mungkin agar hasil ramalan mendekati nilai target. Pada gambar 6 dapat dilihat bawah dengan jumlah data latih total menghasilkannilai MAPE terendah yaitu 15,90308%.
Gambar 6. Pengujian Jumlah Data Latih
5.3 Pengujian Nilai Learning Rate
Nilai learning rate berpengaruh pada kecepatan pembelajaran backpropagation untuk mengenali pola-pola data yang dilatih, nilai learning rate yang rendah membuat kecepatan pembelajaran lambat, sedangkan nilai learning rate yang terlalu besar membuat kecepatan
Mulai
Normalisasi Data Data
Pengujian Data Pelatihan Data
pembelajaran terlalu cepat hingga akan memberikan hasil ramalan yang tidak optimal. Pada pengujian ini nilai learning rate(α) yang di uji terdiri atas 0.1 hingga 0.7.Jumlah data latih yang digunakan pengujian ini yaitu 260 data latih, 59 data uji, maksimal iterasi 900, 5 neuron hidden dan batas error 0,001. Dengan nilai learning rate 0,4 menghasilkan nilai MAPE terendah 14,74% dengan waktu eksekusi rata-rata 2,4 detik, sedangkan waktu tercepat yaitu 1,4 detik dengan nilai learning rate 0,3 namun MAPE cukup besar yaitu 17,86%. Hasil pengujian dapat dilihat pada gambar 7.
Gambar 7. Pengujian Nilai Learning Rate
5.4 Pengujian Jumlah Neuron HiddenLayer
Berdasarkan sumber penelitian sebelumnya jumlah neuron hidden yaitu 2/3 dari jumlah neuron input ditambah dengan neuron output. Penentuan arsitektur jumlah neuron hidden layer yang baik sangat dianjurkan agar hasil ramalan mendekati nilai target dan proses pelatihan juga tidak memakan waktu yang lama. Pada pengujian ini jumlah neuron hidden layer yang di uji mulai dari 1, 2, 3, 4 dan 5. Pengujian ini menggunakan 260 data latih, nilai learning rate 0.4, Jumlah iterasi maksimal sebesar 900, batas error 0.001 dan 59 data uji. Pada gambar 8 dapat dilihat nilai MAPE semakin baik mulai dari jumlah neuron sebesar 1 hingga 5, namun nilai MAPE terbaik yaitu dengan jumlah neuron sebesar 5 yang menghasilkan nilai MAPE 14,13%.
Gambar 8. Pengujian Jumlah Neuron Hidden Layer
5.5 Pengujian K-Fold Cross Validation
Pengujian ini bertujuan menguji pola data dan ketahan algortima backpropagation ketika data uji dan data latih di ubah secara acak. Pada pengujian ini nilai K-fold yang di uji adalah 5 dan 7. Selanjutnya nilai learning rate yang digunakan pada pengujian ini ialah 0.4, iterasi maksimal 900,5 neuron hidden dan batas error 0.001.
Pada gambar 9 dan 10 MAPE terbaik terjadi pada fold ke 6 dengan K-7 sebesar 12,96%. Dari grafik dapat kita lihat bahwa nilai MAPE tak menentu dikarena data latih dan data uji yang diubah-ubah, kombinasi data latih dan data uji yang menghasilkan MAPE kurang baik yaitu pada fold 2 dengan k-5 dan pada fold 3 dengan k-7.
Gambar 10. K-Fold Cross Validation K=7
5.6 Analisis Hasil Pengujian
Setelah melakukan Pengujian Nilai Learning Rate, Pengujian Iterasi Maksimal, Pengujian Jumlah Data Latih, Pengujian Jumlah Neuron Hidden Layer, Dan Pengujian K-Fold Cross Validation. Didapatkan nilai learning rate terbaik yaitu 0.4, jumlah iterasi maksimal terbia yaitu 900, jumlah data latih terbaih yaitu 260 dan jumlah neuron hidden layer terbaik sebesar 5 neuron. Dari hasil pengujian yang telah didapatkan, parameter terbaik digunakan untuk percobaan peramalan pada data uji sebesar 12 data yang merupakan data produksi kelapa sawit dari bulan januari hingga desember tahun 2016. Berdasarkan gambar 11 dapat disimpulkan hasil peramalan mendekati nilai target dan pola peramalan menyerupai pola target. Dari hasil analisis nila MAPE pada percobaan ini sebesar
10.0047%.
Gambar 11. Hasil Peramalan dengan metode Backpropagation
6. KESIMPULAN DAN SARAN
Dari hasil penelitian dapat disimpulkan bahwa nilai learning rate (α) yang menghasilkan MAPE terbaik pada penelitian ini adalah 0.4, kemudian arssitektur neuron hidden layer yang menghasilkan MAPE terbaik pada penelitian ini adalah 5. Setelah mendapatkan parameter terbaik dari 5 pengujian yang dilakukan, parameter tersebut digunakan untuk menguji 12 data uji yang meghasilkan MAPE sebesar 10,0047%. Saran untuk penelitian selanjutnya dapat menambahkan faktor-faktor yang mempengaruhi jumlah produksi kelapa sawit, kemudian algoritme backpropagation dapat di padu dengan metode lain agar mempercepat iterasi atau epoch, sehingga MAPE yang dihasilkan lebih baik dari penelitian ini.
7. DAFTAR PUSTAKA
Azid, I.A. 2003. Application Of Back Propagation Neural Network In Predicting Palm Oil Mill Emission. School of Mechanical Engineering Engineering Campus, Universiti Sains Malaysia.
Badrun, M. 2010. Tonggak Perubahan Melalui PIR Kelapa Sawit Membangun Negeri. S2.Direktorat Jendral Perkebunan, Kementrian Pertanian Republik Indonesia, Jakarta.
Brian, T. 2016. Analisis Learning Rates Pada Algoritme Backpropagation Untuk Klasifikasi Penyakit Diabetes. Universitas Trunojoyo Madura Bangkalan.
Fausett, Laurene V. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. PrenticeHall.
Hamdani, Muhammad. 2012. Peramalan Pasokan Tandan Buah Segar Dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi Balik. S1. Ilmu Komputer, Institut Pertanian Bogor, Bogor.
Hermantoro & Purnawan, W. R. 2009. Prediksi Produksi Kelapa Sawit Berdasarkan Kualitas Lahan Menggunakan Model Artificial Neural Network. Agroteknose, 4(2). pp. 1-6.
Irawan, Eka. 2017. Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas
Kelapa Sawit Menggunakan
Kemenperin, 2010. Prospek dan Permasalahan Industri Sawit. [online] Tersedia di:<http://kemenperin.go.id/artikel/494/P rospek-Dan-Permasalahan Industri-Sawit> [Diakses 1 Agustus 2017]
Nurhatika, S. 2012. Sistem Pakar Untuk Mendiagnosis Penyakit Tanaman Kelapa
Sawit. S1. STMIK Atma Luhur
Pangkalpina Kepulauan Babel.
Purnamasari, Ratnaningtyas W. 2013. Implementasi Jaringan Syaraf Tiruan Backpropagation Sebagai Sistem Deteksi Penyakit Tuberculosis (Tbc). S1. Universitas Negeri Semarang.
Puspita, A, and Unike. 2007. Penggunaan Jaringan Syaraf Tiruan Metode Backpropagation Untuk Memprediksi Bibir Sumbing. Seminar Nasional Teknologi.
Risza, S. 1994. Upaya Peningkatan Produktivitas Kelapa Sawit. Yogyakarta. Kanisius.
Salim Sinaga, interview by Retiana Fadma Pertiwi Sinaga. 2017. Produksi Kelapa Sawit Di PT. Sandabi Indah Lestari (Agustus 27).
Siang, J. J. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. 98-111.
Syaban, Kharis & Harjoko, A. 2016. Klasifikasi Varietas Cabai Berdasarkan Morfologi Daun Menggunakan Backpropagation Neural Network. S2. FMIPA, UGM, Yogyakarta.
