Penerapan Algoritma Support Vector Regression dalam Memprediksi Produksi dan Produktivitas Kelapa Sawit
Adyah Widiarni*, Mustakim
Program Studi Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia
Email: 1,*11950324463@students.uin-suska.ac.id, 2 mustakim@uin-suska.ac.id Email Penulis Korespondensi: 11950324463@students.uin-suska.ac.id
Abstrak−Kelapa sawit adalah tanaman perkebunan yang memberikan nilai ekonomi tertinggi di Indonesia. Riau saat ini sebagai provinsi penghasil minyak kelapa sawit tertinggi di Indonesia dengan perusahaan kelapa sawit yang dikelola negara ialah PTPN V. Namun, produksi kelapa sawit tersebut tidak selalu stabil disetiap bulannya, yang mengalami naik dan turun dalam jumlah produksi dan produktivitas karena beberapa faktor antara lain curah hujan yang tidak teratur, iklim, kesuburan tanah dan yang paling penting tandan buah yang belum siap panen. Maka dilakukan proses pengolahan data mining dengan memprediksi jumlah produksi dan produktivitas kelapa sawit yang menerapkan Algoritma Support Vector Regression (SVR) dengan tiga kernel seperti kernel Linear, kernel RBF serta kernel Polynomial. Hasil percobaan pada produksi dan produktivitas kelapa sawit menunjukkan bahwa kernel terbaik ialah kernel RBF karena hasil prediksi mendekati nilai sebenarnya. Tingkat akurat pada produksi kelapa sawit sebesar 75,4% dan produktivitas kelapa sawit menghasilkan nilai akurasi sebesar 71%.
Dihasilkan juga nilai error pada produksi kelapa sawit sebesar 1,8%, untuk produktivitas sebesar 2,1%. Hasil penelitian dapat digunakan sebagai gambaran estimasi dalam pengambilan keputusan perusahaan tersebut kedepannya.
Kata Kunci: Algoritma Support Vector Regression; Kelapa Sawit; Prediksi; Produksi; Produktivitas
Abstract−Palm oil is a plantation crop that provides the highest economic value in Indonesia. Riau is currently the highest palm oil producing province in Indonesia with a state-run palm oil company, PTPN V. However, palm oil production is not always stable every month, whichexperiences ups and downs in the amount of production and productivity due to several factors including irregular rainfall, climate, soil fertility and most importantly fruit bunches that are not ready to harvest. So the data mining processing process is carried out by predicting the amount of production and productivity of oil palm applying the Support Vector Regression (SVR) algorithm with three kernels such as the Linear kernel, RBF kernel and Polynomial kernel. Experimental results on palm oil production and productivity show that the best kernel is the RBF kernel because the prediction results are close to the actual value. The accurate rate on palm oil production is 75.4% and palm oil productivity produces an accuracy value of 71%. It also produces an error value on palm oil production of 1.8%, for productivity of 2.1%.
The results of the study can be used as an estimated picture in the company's future decision making.
Keywords: Palm Oil; Prediction; Production; Productivity; Support Vector Regression Algorithm.
1. PENDAHULUAN
Indonesia adalah negara yang telah ditetapkan menjadi penghasil minyak kelapa sawit didunia. Menurut Badan Pusat Statistik (BPS) 2020, Indonesia tercatat mempunyai luas 14,59 juta hektar perkebunan kelapa sawit dengan luas perkebunan di Provinsi Riau sebesar 2,86 juta hektar [1]. Saat ini Riau dikenal sebagai penghasil minyak bumi tertinggi di Indonesia[2]. Hal ini dikarenakan, salah satu tanaman yang ditetapkan menjadi tanaman terpenting di Indonesia yang memberikan nilai ekonomi tertinggi yaitu kelapa sawit [3].
Kelapa sawit adalah hasil komoditas perkebunan yang menghasilkan minyak nabati yang diperlukan pada sektor industri[4]. Kelapa sawit merupakan jenis tanaman yang tumbuh di iklim tropis. Tanaman tersebut berasal dari negara Nigeria, Afrika Barat dan menjadi tanaman penghasil minyak bumi tertinggi per hektar [5]. Salah satu perusahaan yang melakukan pengelolaan tanaman kelapa sawit yaitu PT. Perkebunan Nusantara V atau disingkat PTPN V.
PTPN V adalah perseroan dibidang kelapa sawit dan karet. PTPN V adalah Badan Usaha Milik Negara (BUMN) berdiri tanggal 11 Maret 1996 dan Kantor Pusat berada di Jalan Rambutan Nomor 43, Pekanbaru, Riau [6] yang dapat melayani kepentingan umum serta modal usaha yang berasal dari pemerintahan[7]. Berbagai usaha dan upaya dilakukan PTPN V untuk meningkatkan kinerjanya dengan meningkatkan hasil produksi dan produktivitas kedepannya.
Produksi kelapa sawit merupakan hasil komoditas pada perkebunan kelapa sawit dengan satuan kilogram (kg) atau ton sesuai dengan luas lahan. Sedangkan produktivitas kelapa sawit adalah hasil yang ingin dicapai dalam budidaya kelapa sawit dengan satuan kg atau ton per hektar [8]. Hasil produksi dan produktivitas kelapa sawit tersebut tidaklah selalu stabil disetiap bulannya yang dipengaruhi oleh curah hujan, iklim, kesuburan tanah dan lain-lain. Penurunan produksi kelapa sawit tersebut juga disebabkan oleh tandan buah kelapa sawit yang belum siap panen, sehingga penurunan jumlah produksi dapat berdampak pada keuntungan yang diperoleh perusahaan.
Selain itu, produktivitas tanaman kelapa sawit bergantung pada komposisi umur tanaman, komposisi tersebut dapat berubah disetiap tahunnya yang mampu menghambat pencapaian produktivitas per hektarnya. Terdapat juga beberapa faktor yang menyebabkan produktivitas mengalami penurunan diantaranya faktor lingkungan, faktor genetik dan teknik budidaya tanaman. Maka dari itu dilakukanlah prediksi produktivitas untuk mengetahui masa produktif kelapa sawit yang dapat dilihat dari bagaimana kondisi kelapa sawit tersebut. Hal ini dikarenakan
tanaman kelapa sawit yang telah melebihi umur ekonomis (> 25 tahun) akan mengalami penurunan dalam kemampuan produktivitasnya, sehingga perlu diremajakan[9]. Oleh karena itu, dilakukanlah upaya meningkatkan produksi dan produktivitas kelapa sawit di PTPN V dengan melakukan pengolahan data, salah satunya yaitu menggunakan teknik data mining dengan memprediksi hasil produksi dan produktivitas kelapa sawit perbulan.
Prediksi hasil produksi dan produktivitas tersebut dilakukan perbulan karena pada setiap bulan dilakukan evaluasi hasil produksi di PTPN V sehingga prediksi tersebut digunakan sebagai gambaran estimasi dalam pengambilan keputusan dimasa depan. Dalam melakukan prediksi pada kasus regresi dengan menggunakan data time series salah satunya adalah Algoritma Support Vector Regression (SVR).
Algoritma SVR adalah algoritma turunan dari algoritma Support Vector Machine (SVM) pada kasus regresi dengan tujuan untuk menemukan fungsi yang digunakan sebagai suatu hyperplane (garis pemisah) dengan semua input data. Algoritma SVR sering digunakan untuk mendeteksi pola data time series dan mampu mengatasi overfitting untuk mencapai kinerja yang bagus dengan nilai error rendah [6]. Metode Multilayer Perceptron (MLP) lebih akurat dibandingkan dengan algoritma SVR dalam melakukan prediksi. Hal itu dikarenakan algoritma MLP dapat digunakan untuk prediksi data time series dalam jumlah data yang cukup besar [10]. Sehingga algoritma SVR lebih baik daripada algoritma Autoregressive Integrated Moving Average (ARIMA) dengan nilai Root Mean Square Error (RMSE) algoritma ARIMA dan algoritma SVR berturut-turut adalah 0.0672 dan 0.0533 [11].
Terdapat banyak penelitian yang telah menerapkan algoritma SVR dalam menyelesaikan kasus prediksi yang memiliki tingkat akurat yang baik. Algoritma SVR merupakan model yang lebih baik dibandingkan dengan algoritma Artificial Neural Network (ANN) saat memprediksi produksi dan produktvitas kelapa sawit. Algoritma SVR menghasilkan Mean Square Error (MSE) terkecil dan tingkat akurat tertinggi [12]. Dalam prediksi produktivitas kelapa sawit menggunakan algoritma SVR dihasilkan bahwa kernel terbaik yaitu Kernel Radial Basis Function (RBF) dengan tingkat akurat 95% dengan nilai error 6% [13]. Algoritma SVR memiliki tingkat akurat yang lebih tinggi dibandingkan dengan algoritma Multilayer Perceptron dan algoritma Regresi Linear[14].
Algoritma SVR juga dilakukan dengan menggunakan Kernel RBF diperiode pertama pada Fold ke-1 yang menghasilkan nilai error 4,8 % dan tingkat akurat 91%. Pada periode kedua diperoleh nilai MSE 0,14% dan R 96% pada Fold ke-2 [15]. Penelitian selanjutnya dilakukan oleh Widiarni dan Mustakim tahun 2021, memprediksi menggunakan kernel linear dengan teknik membagi data K-Fold Cross Validation yang menghasilkan tingkat akurat 85%, tingkat error (MSE) 19,6%. Sehingga diperoleh nilai prediksi yang mengalami penurunan kedepannya [6].
Berdasarkan penjelasan yang telah didukung beberapa penelitian sebelumnya, sehingga dilakukanlah prediksi produksi dan produktivitas kelapa sawit di PTPN V dengan menerapkan algoritma SVR seperti kernel Linear, kernel RBF dan kernel Polynomial. Hasil penelitian diharapkan mampu memberikan pengetahuan serta informasi kedepannya mengenai produksi dan produktivitas kelapa sawit di PTPN V dengan melakukan prediksi menggunakan algoritma SVR
.
2. METODOLOGI PENELITIAN
2.1 Data Mining
Data mining merupakan cara menganalisa data dalam skala besar dari berbagai database seperti data berorientasi objek, data relasional serta data transaksi untuk menemukan informasi baru pada database [16]. Data mining adalah mekanisme untuk memperoleh informasi pada suatu data sehingga didapatkan pola menarik yang berguna untuk membantu dalam pengambilan keputusan [17]. Data mining juga berarti cara mengumpulkan data, mengolah data serta menemukan pola pada kumpulan data untuk menyelesaikan masalah [18]. Berdasarkan dari beberapa pengertian dari data mining, maka data mining berarti cara untuk mencari serta menganalisa data untuk mendapatkan informasi dari data sehingga menemukan pola menarik yang sebelumnya belum diketahui. Terdapat beberapa teknik dalam data mining, diantaranya Asosiasi, Klasifikasi, Estimasi, Prediksi dan Pengklusteran [19]
.
2.2. Prediksi
Prediksi merupakan cara untuk meramalkan secara terstruktur dan bertahap apa yang akan terjadi di masa depan yang bersumber dari data masa lalu dan saat ini [20][21]. Dalam prediksi tidak perlu memberikan jawaban yang benar tetapi mencoba menemukan jawaban yang mungkin nanti akan terjadi [20]. Prediksi dapat dikatakan sebagai input untuk proses perencanaan serta pengambilan keputusan karena dapat menunjukan apa yang akan terjadi pada situasi tertentu [22].
2.3. Produksi dan Produktivitas
Produktivitas bukanlah produksi, hal ini dikarenakan memiliki perbedaan dalam segi istilah. Produksi selalu didasarkan pada keluaran (output) dengan unit satu dimensi seperti kg atau ton, sedangkan produktivitas didasarkan dengan unit dua dimensi seperti ton per hektar [8]. Produksi adalah hasil yang diperoleh dari budidaya kelapa sawit pada sektor perkebunan atau pertanian. Selain harga, produksi menjadi salah satu faktor yang menentukan jumlah pendapatan petani [23].
2.4. Kelapa Sawit
Kelapa sawit (Elaeis guineensisJacq) adalah tanaman yang berasal dari Nigeria dan tergolong tanaman multiguna.
Tetapi kelapa sawit juga dapat tumbuh subur diluar daerah asal yaitu Indonesia, Malaysia, Papua Nugini dan Thailand [24]. Kelapa sawit pertama kali datang ke Indonesia pada tahun 1848 di Pulau Jawa, bibitnya berasal dari daerah Hortus Botanicus, Amsterdam. Penanaman pertama kali kelapa sawit berlokasi di Kebun Botani Bogor [25]. Tanaman kelapa sawit mempunyai arti penting untuk kesejahteraan masyarakat seperti mampu menciptakan lapangan kerja dan bisa menjadi sumber devisa negara[24].
2.5. Min Max Normalization
Min-Max Normalization merupakan cara teratur untuk mengubah data agar lebih mudah dipahami. Tujuannya untuk menemukan nilai yang sama dari semua atribut data [26] serta menghasilkan nilai perbandingan dari data sebelum dan sesudah di proses [27]. Selain itu Min-Max Normalization merupakan proses pengolahan data secara linear menjadi nilai baru lainnya [28]
X′= X−Xmin
Xmax−Xmin (1)
2.6. Algoritma Support Vector Regression
Algoritma ini diperkenalkan oleh Vapnik, Boser dan Guyon tahun 1992 [29]. SVR adalah metode perkembangan regresi pada Support Vector Machine (SVM) pada regresi yang dapat mengatasi overfitting dengan temukan fungsi f(x) yang membawa hasil ke target aktual [26] dan sebagai suatu hyperplane (garis pemisah) dengan semua input data [29]. SVR dibangun pada sistem Machine Learning (ML) berbasis teori pembelajaran statistik dan telah secara luas digunakan untuk memecahkan masalah regresi berdimensi tinggi [30]. Algoritma SVR tergolong ke dalam algoritma cerdas non linier yang memiliki hyperparameter yaitu ε (epsilon), C (nilai penaliti), fungsi kernel dan parameter kernel [31]. Di dalam studi, SVR diterapkan untuk tipe data time series dengan tingkat akurat yang tinggi[32]. Terdapat bentuk persamaan pada fungsi regresi f(x) sebagai berikut.
f (x) = wT φ(x) + b (2)
Dengan φ(x) sebagai titik didalam feature space yang berdimensi lebih tinggi, hasil memetakan x di ruang masukan. Koefisien w sebagai vektor bobot yang berdimensi l dan koefisien b sebagai bias, yang diperkirakan dengan meminimalkan fungsi risiko, sehingga didefinisikan ke dalam bentuk persamaan [6] :
min 1
2 ||w|| 2 + C 1
γ ((∑ Lε ( yi l i = 1, f(xi)) (3)
Dengan batasan
yi − φ (x) − b ≤ ε (4)
wφ(xi) − y1+ b ≤ ε, i = 1,2, … , λ (5)
Dimana
Lε(yi, f (xi) = 0 (6)
{0 , untuk |yi – f(xi)| < ε|yi − f(xi)| − ε, untuk |yi − f(xi)| ≥ ε (7) Algoritma SVR terdiri dari tiga kernel yaitu Linear, RBF, Polynomial serta Sigmoid [13][33]. Penelitian ini menggunakan fungsi ketiga kernel yakni Linear, RBF dan Polynomial pada persamaan 6,7, dan 8.
Kernel Linear
k (x,y) = xTy + C (8)
Kernel RBF
k (x,y) = exp(- γ || x – y ||2 ) (9)
Kernel Polynomial
k (x,y) = ( α xTy + C )d (10)
2.7. K-Fold Cross Validation
K-Fold Cross Validation adalah suatu cara membagi data dengan memprediksi kesalahan dari sebuah algoritma pembelajaran. K-Fold Cross Validation digunakan secara acak dengan pembagian data menjadi k himpunan bagian yang diinginkan. Pembagian data terbagi menjadi dua yakni data pelatihan dan pengujian [15]. Tujuan K-Fold Cross Validation untuk memberikan validasi tingkat akurat yang maksimal pada perputaran data pengujian dan data pelatihan. K-Fold Cross Validation dapat memecahkan data menjadi k bagian dengan masing-masing bagian
memiliki jumlah data yang seimbang. Dataset k yang digunakan sebagai data pengujian diganti dengan bagian lain hingga semua data diperlakukan sebagai data pengujian [28]
.
2.8. Tahapan Penelitian
Data yang digunakan dari penelitian ini yaitu jumlah produksi kelapa sawit dan produktivitas kelapa sawit dari Januari 2020 hingga Desember 2022 diseluruh kebun pada PTPN V. Data time series jumlah produksi dan produktivitas kelapa sawit digunakan sebagai data untuk menentukan perkembangan produksi dibeberapa bulan kedepan. Terdapat beberapa tahapan dalam penerapan algoritma SVR dalam memprediksi seperti tahap pengumpulan data, tahap pra proses data, tahap membagi data dengan teknik K-Fold Cross Validation, tahap menerapkan algoritma SVR dengan tiga Kernel (Linear, RBF dan Polynomial) serta tahap hasil dan analisis dilihat pada Gambar 1.
Mulai
Pengumpulan Data
Pra Proses Data
Pembagian Data
Memasukkan Parameter
Data Produksi Data
Produktivitas
Studi Literatur
Penerapan Algoritma SVR
UpperBound (C dan ϒ )
Kernal Linear, Kernel RBF dan Kernel
Polynomial Optimasi (Grid Search )
Proses Percobaan
Perhitungan Algoritma SVR
Hasil dan Analisis
Selesai
Data Pelatihan Data Pengujian
Gambar 1. Metodologi Penelitian
3. HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data dan Pra Proses Data
Penelitian menggunakan 720 data produksi kelapa sawit dan 720 data produktivitas kelapa sawit yang masing- masing terdiri dari 20 kebun dari data tahun 2020 hingga 2022. Maka dilakukan pelabelan nama pada kebun di PTPN V untuk mempermudah dalam pemrosesan data. Kebun tersebut dilabelkan dengan A01 sampai dengan A20 dengan rincian A01 (Kebun Sei Rokan), A02 (Kebun Sei Tapung), A03 (Kebun Sei Intan), A04 (Kebun Sei Siasam), A05 (Kebun Sei Berlian), A06 (Kebun Terantam), A07 (Kebun Tandun), A08 (Kebun Sei Kencana), A09 (Kebun Sei Lindai), A10 ( Kebun Sei Batulangkah), A11 (Kebun Tamora), A12 (Kebun Sei Garo), A13 (Kebun Sei Galuh), A14 (Kebun Sei Pagar), A15 (Kebun Tanjung Medan), A16 (Kebun Tanah Putih), A17 (Kebun Air Molek-I), A18 (Kebun Air Molek-II), A19 (Kebun Lubuk Dalam), dan A20 (Kebun Sei Buatan). Selanjutnya, Tahap pra proses data dengan menerapkan Min-Max Normalization. Untuk data normalisasi dari rentang 0 hingga 1 dilihat pada Tabel 1 dan 2.
Tabel 1. Normalisasi Produksi Kelapa Sawit
Kebun 2020 2022
Jan (1) Feb (2) Mar (3) April (4) Mei (5) Juni (6) … Nov (35) Des (36) A01 1.000 1.000 1.000 1.000 1.000 1.000 … 1.000 1.000 A02 0.191 0.220 0.244 0.280 0.301 0.304 … 0.240 0.241 A03 0.211 0.225 0.239 0.246 0.239 0.234 … 0.212 0.213
A04 0.111 0.106 0.106 0.108 0.100 0.094 0.000 0.000
A05 0.207 0.210 0.216 0.228 0.240 0.250 0.284 0.283
… … … …
A19 0.304 0.331 0.347 0.351 0.347 0.341 … 0.375 0.369 A20 0.143 0.172 0.178 0.186 0.178 0.163 … 0.159 0.155
Tabel 2. Normalisasi Produktivitas Kelapa Sawit
Kebun 2020 2022
Jan (1) Feb (2) Mar (3) April (4) Mei (5) Juni (6) … Nov (35) Des (36) A01 0.750 0.661 0.607 0.569 0.607 0.632 … 0.740 0.741 A02 0.407 0.453 0.502 0.605 0.716 0.756 … 0.760 0.766 A03 1.000 1.000 1.000 0.985 0.989 1.000 … 0.716 0.722 A04 0.431 0.335 0.299 0.297 0.270 0.254 … 0.144 0.152 A05 0.331 0.270 0.263 0.284 0.348 0.400 … 0.457 0.457
… … … …
A19 0.414 0.415 0.420 0.404 0.423 0.427 … 0.560 0.549 A20 0.546 0.643 0.619 0.628 0.618 0.568 … 0.781 0.759 3.2 Proses Membagi Data
K-Fold Cross Validation merupakan cara membagi data untuk mempermudah dalam kelola data dengan proses membagi data menjadi dua bagian yakni data pelatihan dan data pengujian. Menurut penelitian Chistodoulus, dalam prediksi data minimum yang diperlukan sebanyak 16 sampai dengan 20 titik data [12], dimana dalam penelitian ini terdiri dari 36 titik data. Data tersebut dibagi menjadi 4 fold dimana setiap fold terbagi menjadi training set, output training, testing set dan output testing.
3.3 Penerapan Algoritma SVR 3.1.1 Uji Parameter Grid Search
Grid Search dapat digunakan untuk menghasilkan nilai yang optimal. Algoritma SVR pada Kernel Linear hanya membutuhkan satu parameter yang sesuai yaitu parameter C [34], sedangkan Kernel RBF dan Kernel Polynomial hanya membutuhkan dua parameter yaitu parameter C dan parameter Gamma [35][36]. Nilai parameter C pada Kernel Linear yakni C (0.125, 0.25, 0.5, 0.75, 1, 2, 4, 8, 16) dan (0.25, 0.5, 0.75, 1, 2, 4, 8, 16, 32). Pada Kernel RBF dan Kernel Polynomial menggunakan nilai parameter C (0.25, 0.5, 0.75, 1, 0.5, 0.75, 1, 2) dan nilai parameter Gamma (0.5, 0.25, 0.125, 0.0625, 1, 2, 4, 8). Hasil percobaan uji parameter tersebut dihasilkan nilai error atau MSE dan nilai akurasi atau nilai R pada produksi serta produktivitas kelapa sawit pada Tabel 3 dan 4.
Tabel 3. MSE dan R Produksi Kelapa Sawit
Kernel Nilai Fold ke 1 Fold ke 2 Fold ke 3 Fold ke 4
Linear MSE 0.091 0.122 0.130 0.140
R 0.974 0.904 0.986 0.990
RBF MSE 0.022 0.027 0.026 0.018
R 0.799 0.840 0.841 0.754
Polynomial MSE 0.132 0.468 0.239 0.076
R 0.815 0.630 0.697 0.692
Tabel 4. MSE dan R Produktivitas Kelapa Sawit
Kernel Nilai Fold ke 1 Fold ke 2 Fold ke 3 Fold ke 4
Linear MSE 0.239 0.127 0.156 0.313
R 0.727 0.795 0.692 0.948
RBF MSE 0.021 0.041 0.022 0.023
R 0.712 0.529 0.576 0.654
Kernel Nilai Fold ke 1 Fold ke 2 Fold ke 3 Fold ke 4 Polynomial MSE 0.036 0.211 0.095 0.316
R 0.657 0.363 0.333 0.534
Berdasarkan Tabel 3. diperoleh nilai MSE dan R masing-masing fold pada Kernel Linear, Kernel RBF dan Kernel Polynomial, sehingga dihasilkan nilai MSE dan R terbaik pada setiap kernel. Pada Kernel Linear didapatkan nilai MSE terbaik 0.091 atau 9,1% dan nilai R 0,974 atau 97,4%. Begitu juga dengan Kernel RBF dan Kernel Polynomial yang memiliki nilai MSE dan R terbaik secara berturut-turut (0.018 dan 0.754) dan (0.076 dan 0.692). Sedangkan Tabel 4. pada produktivitas kelapa sawit memiliki nilai MSE dan R yang terurut dari ketiga kernel yakni (0,127 dan 0.795), (0.021 dan 0,712), (0.036 dan 0.657). Grafik nilai MSE dan R terbaik terdapat pada Gambar 2.
Gambar 2. Perbandingan Nilai Akurasi dan MSE Produksi dan Produktivitas Kelapa Sawit
Gambar 2 merupakan grafik nilai akurasi (R) dan nilai error (MSE) pada produksi dan produktivitas kelapa sawit. Kernel RBF merupakan kernel terbaik pada percobaan tersebut dengan menghasilkan nilai MSE terendah pada data produksi dan produktivitas kelapa sawit. Dalam regresi untuk mengetahui keakuratan suatu algoritma diambil dari nilai error yang kecil, semakin rendah tingkat error yang dihasilkan maka semakin dekatnya nilai atau jarak antara nilai prediksi dan nilai aktual [37].
3.1.2 Hasil Prediksi Terbaik
Untuk hasil prediksi produksi kelapa sawit pada masing-masing kebun dipilih kernel terbaik yaitu Kernel RBF pada Fold ke 4 dengan MSE = 1,8% dengan R = 74,4%. Visualisasi hasil prediksi dan nilai aktual masing-masing kernel pada produksi kelapa sawit dilihat pada Gambar 3. Pada visualisasi tersebut terdapat nilai aktual yang merupakan perolehan nilai dari hasil rata-rata pada seluruh data produksi. Dan juga terdapat nilai prediksi yang didapat dari percobaan algoritma SVR dan selanjutnya dilakukan denormalisasi data untuk merubah data bentuk semula.
Gambar 3. Perbandingan Aktual dan Prediksi Produksi Kelapa Sawit
Dari visualisasi data produksi kelapa sawit dapat dilihat bahwa Kernel RBF lebih mendekati data aktual dibandingkan dengan Kernel Linear dan Kernel Polynomial yang menjauhi data aktual. Pada Gambar 3, terlihat kebun yang mengalami penurunan jumlah produksi berjumlah 9 kebun dan 11 kebun lainnya mengalami penurunan. Kebun yang mengalami penurunan diantaranya A01, A04, A08, A10, A12, A13, A14, A16 dan A17 sedangkan kebun lainnya mengalami kenaikan. Untuk visualisasi pada produktivitas kelapa sawit dilihat pada Gambar 4.
97,4%
75,4%
69,2%
79,5%
71,2% 65,7%
00%
20%
40%
60%
80%
100%
Kernel Linear Kernel RBF Kernel Polynomial
Akurasi Produksi dan Produktivitas Kelapa Sawit
Produksi Produktivitas
9,1%
1,8%
7,6%
12,7%
2,1% 3,6%
00%
03%
06%
09%
12%
15%
Kernel Linear Kernel RBF Kernel Polynomial
MSE Produksi dan Produktivitas Kelapa Sawit
Produksi Produktivitas
0 20.000.000 40.000.000 60.000.000 80.000.000 100.000.000 120.000.000 140.000.000
A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
Produksi Kelapa Sawit
Aktual Linier RBF Polynomial
Gambar 4. Perbandingan Aktual dan Prediksi Produktivitas Kelapa Sawit
Produktivitas kelapa sawit menghasilkan Kernel RBF yang terbaik dengan nilai R atau koefisien korelasi 71% dan 2,1% untuk nilai error . Untuk prediksi produktivitas kelapa sawit dihasilkan bahwa kebun yang mengalami kenaikan sebanyak 19 kebun dan 1 kebun yang mengalami penurunan. Dimana kebun yang mengalami penurunan yakni A17 (Kebun Air Molek-I). Dari visualisasi hasil prediksi terdapat selisih antara nilai aktual dan hasil prediksi yang telah didenormalisasi kedalam 3 kernel yang termuat pada Tabel 5.
Tabel 5. Selisih antara nilai Aktual dan Prediksi
Kebun Produksi Kelapa Sawit Produktivitas Kelapa Sawit Linear RBF Polynomial Linear RBF Polynomial A01 -96,610,183 -11,564,322 -99,864,083 2,005 8,020 3,476 A02 -31,120,423 40,479,515 -8,068,592 2,292 7,610 5,410 A03 -28,610,795 27,982,881 -1,409,807 -270 6,934 3,116 A04 -13,159,808 -6,205,065 21,709,252 -3,622 2,390 -1,968 A05 -32,027,110 24,898,742 -7,422,484 -1,863 8,502 -2,373
… … … …
A19 -36,490,175 47,933,516 -18,707,249 -2,643 10,162 -337 A20 -20,368,283 5,826,612 7,966,322 1,149 8,834 16,614
Kebun yang mengalami penurunan pada Tabel 5 disimbolkan dengan tanda negatif sedangkan yang disimbolkan dengan tanda positif berarti kebun mengalami kenaikan. Nilai selisih antara prediksi dan aktual pada ketiga kernel dapat dijadikan sebagai bahan evaluasi di PTPN V dan hasil prediksi juga dapat digunakan sebagai gambaran estimasi dalam pengambilan keputusan dimasa mendatang.
4. KESIMPULAN
Dari Algoritma SVR, Kernel RBF lebih baik daripada Kernel Linear dan Kernel Polynomial untuk kasus prediksi produksi dan produktivitas kelapa sawit di PTPN V. Kernel RBF mendapatkan nilai akurasi atau R sebesar 75,4%
dengan nilai error sebesar 1,8% untuk produksi kelapa sawit, sedangkan untuk produktivitas kelapa sawit dihasilkan bahwa nilai error 2,1% dengan nilai tingkat akurat sebesar 71%. Berdasarkan hasil visualisasi dihasilkan bahwa Kernel Linear dan Kernel Polynomial lebih jauh dari data sebenarnya daripada Kernel RBF.
Sehingga dihasilkan bahwa kernel terbaik ialah kernel RBF, nilai akurasi yang diperoleh dapat menjadi gambaran estimasi dalam mengambil keputusan pada PTPN V. Hasil prediksi diperoleh dari model terbaik yang pola datanya tidak terlalu jauh. Dari percobaan tersebut diperoleh 11 perkebunan yang produksinya menurun dan 9 perkebunan lainnya meningkat. Sedangkan dari sisi produktivitas kelapa sawit, terdapat 19 perkebunan mengalami peningkatan dan 1 perkebunan mengalami penurunan.
UCAPAN TERIMAKASIH
Ucapan terima kasih kepada PT. Perkebunan Nusantara V (PTPN V) yang memberikan kesempatan serta dukungan pada penelitian ini. Terima kasih juga diucapkan kepada Keluarga besar Sistem Informasi dan Puzzle Research Data Technology serta teman-teman yang mendukung penelitian ini.
REFERENCES
[1] Dindha Amelia, “Statistik Kelapa Sawit Indonesia 2020,” vol. 21, no. 1, pp. 1–9, 2020, [Online]. Available:
http://mpoc.org.my/malaysian-palm-oil-industry/
[2] S. Agustian and H. Wibowo, “Perbandingan Metode Moving Average untuk Prediksi Hasil Produksi Kelapa Sawit,”
0 5.000 10.000 15.000 20.000 25.000 30.000 35.000 40.000
A01 A02 A03 A04 A05 A06 A07 A08 A09 A10 A11 A12 A13 A14 A15 A16 A17 A18 A19 A20
Produktivitas Kelapa Sawit
Aktual Linier RBF Polynomial
Semin. Nas. Teknol. Informasi, Komun. dan Ind., no. November, pp. 156–162, 2019.
[3] D. Marpaung, S. Sumarno, and I. Gunawan, “Prediksi Produktivitas Kelapa Sawit di PTPN IV dengan Algoritma Backpropagation,” Kaji. Ilm. Inform. Komput., vol. 1, no. 2, pp. 35–41, 2020.
[4] A. Nurkholis and I. S. Sitanggang, “Optimization for prediction model of palm oil land suitability using spatial decision tree algorithm,” J. Teknol. dan Sist. Komput., vol. 8, no. 3, pp. 192–200, 2020, doi: 10.14710/jtsiskom.2020.13657.
[5] D. F. Pasaribu, I. S. Damanik, E. Irawan, Suhada, and H. S. Tambunan, “Memanfaatkan Algoritma K-Means Dalam Memetakan Potensi Hasil Produksi Kelapa Sawit PTPN IV Marihat,” BIOS J. Teknol. Inf. dan Rekayasa Komput., vol.
2, no. 1, pp. 11–20, 2021, doi: 10.37148/bios.v2i1.17.
[6] A. Widiarni and Mustakim, “Penerapan Algoritma Support Vector Regression untuk Prediksi Jumlah Pasien Covid-19 di Provinsi Riau,” Build. Informatics, Technol. Sci. J., vol. 3, no. 2, pp. 71–78, 2021, doi: 10.47065/bits.v3i2.1004.
[7] R. Rosmala, “Fungsi komunikasi korporat Humas PT. Perkebunan Nusantara V Pekanbaru,” PRofesi Humas J. Ilm. Ilmu Hub. Masy., vol. 5, no. 2, p. 143, 2021, doi: 10.24198/prh.v5i2.28329.
[8] I. Kusumanto, “Analisis Produktivitas PT. Perkebunan Nusantara V (PKS) Sei Galuh Dengan Menggunakan Metode American Productivity Center (APC),” J. Tek. Ind. J. Has. Penelit. dan Karya Ilm. dalam Bid. Tek. Ind., vol. 2, no. 2, p.
129, 2016, doi: 10.24014/jti.v2i2.5098.
[9] Nasamsir and E. Romadoni, “Produksi Kelapa Sawit (Elais guineensis Jacq.) Dengan Peremajaan Tumbang Total dan Sisipan,” J. Media Pertan., vol. 5, no. April, pp. 6–9, 2020, doi: 10.33087/jagro.v5i1.88.
[10] D. P. R. Ika Oktavianti, Ermatita, “Analisis Pola Prediksi Data Time Series menggunakan Support Vector Regression, Multilayer Perceptron, dan Regresi Linear Sederhana,” vol. 1, no. 10, pp. 282–287, 2019.
[11] Kurniawati, “Analisis Prediksi Harga Saham PT. Astra International Tbk Menggunakan Metode Autoregressive Integrated Moving Average (ARIMA) dan Support Vector Regression (SVR),” J. Ilm. KOMPUTASI, vol. 20, no.
September, pp. 417–423, 2021.
[12] I. H. Mustakim, Agus Buono, “PERFORMANCE COMPARISON BETWEEN SUPPORT VECTOR REGRESSION AND ARTIFICIAL NEURAL NETWORK FOR PREDICTION OF OIL PALM PRODUCTION,” J. Comput. Sci. Inf., vol. 9, no. 1, pp. 1–8, 2016.
[13] Mustakim, A. Buono, and I. Hermadi, “SUPPORT VECTOR REGRESSION UNTUK PREDIKSI PRODUKTIVITAS KELAPA SAWIT DI PROVINSI RIAU,” J. Sains, Teknol. dan Ind., vol. 12, no. 2, pp. 179–188, 2015.
[14] A. Solichin, U. B. Luhur, U. Hasanah, U. B. Luhur, U. P. Nasional, and V. Jakarta, “Development of Prediction System for Crude Palm Oil ( CPO ) Production with Time Series Data Mining Approach,” Int. Conf. Informatics, Multimedia, Cyber Inf. Syst., pp. 147–152, 2020.
[15] M. Mustakim, C. Bella, and Y. R. Pratama, “Prediksi Jumlah Tunggakan Pajak Kendaraan Jatuh Tempo Menggunakan Algoritma Support Vector Regression,” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 11, no. November 2017, pp.
1–11, 2019.
[16] Y. Andini et al., “PENERAPAN DATA MINING TERHADAP TATA LETAK BUKU,” J. Technol. Informatics Comput. Syst., vol. XI, no. 1, pp. 9–15, 2022.
[17] H. Budiarto, Eko and D. Susilawati, Susanto, “Penerapan Data Mining Untuk Rekomendasi Beasiswa Pada SD Maria Mediatrix Menggunakan Algoritma C4.5,” vol. 2, 2022.
[18] Sharyanto and D. Lestari, “Penerapan Data Mining Untuk Menentukan Segmentasi Pelanggan Dengan Menggunakan Algoritma K-Means dan Model RFM Pada E-Commerce,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 4, pp. 866–
871, 2022, doi: 10.30865/jurikom.v9i4.4525.
[19] P. B. N. Setio, D. R. S. Saputro, and Bowo Winarno, “Klasifikasi Dengan Pohon Keputusan Berbasis Algoritme C4.5,”
Prism. Pros. Semin. Nas. Mat., vol. 3, pp. 64–71, 2020.
[20] M. Yuwantoro, I. Mahmud, and T. U. Murdiansyah Danang Triantoro, “Prediksi Harga Beras Premium dengan Metode Algoritma K-Nearest Neighbor,” e-Proceeding Eng., vol. 7, no. 1, pp. 2714–2724, 2019.
[21] N. Feri Rahmadani, Akim M.H. Pardede, “JARINGAN SYARAF TIRUAN PREDIKSI JUMLAH PENGIRIMAN BARANG MENGGUNAKAN METODE BACKPROPAGATION ( STUDI KASUS: KANTOR POS BINJAI ),” Jtik (Jurnal Tek. Inform. Kaputama), vol. 5, no. 1, pp. 100–106, 2021, [Online]. Available:
https://jurnal.kaputama.ac.id/index.php/JTIK/article/view/444/375
[22] F. Ali Ma, A. Pratama, I. Sholihin, and A. Rizki Rinaldi, “Penerapan Model Prediksi Menggunakan Algoritma C.45 Untuk Prediksi Kelulusan Siswa SMK Wahidin,” J. Data Sci. Inform., vol. 1, no. 1, pp. 16–20, 2021.
[23] H. Heriyanto, A. Asrol, D. Karya, and V. Y. Ningsih, “Analisis Faktor Produksi Kalapa Sawit Rakyat Menurut Tipologi Lahan di Kabupaten Indragiri Hilir Provinsi Riau,” J. Lahan Suboptimal, vol. 7, no. 1, pp. 14–25, 2019, doi:
10.33230/jlso.7.1.2018.366.
[24] D. Sartika, N. Eliza, and A. Ilyas, “Pengaruh POC Urine Kambing Terhadap Pertumbuhan Bibit Kelapa Sawit (Elaeis guineensis Jacq.) Pada Fase Main Nursery Untuk Menekan Biaya Produksi,” Ekon. Dan Bisnis, vol. 24, no. 1, pp. 220–
234, 2017.
[25] Munawir, “POTENSI TANDAN KOSONG SAWIT UNTUK MEMPRODUKSI KOMPOS,” J. Manaj. Bisnis Equilib.
POINT, vol. 1, pp. 11–16, 2018.
[26] S. D. Agustina, Mustakim, Okfalisa, C. Bella, and M. A. Ramadhan, “Support Vector Regression Algorithm Modeling to Predict the Availability of Foodstuff in Indonesia to Face the Demographic Bonus,” J. Phys. Conf. Ser., vol. 1028, no.
1, 2018, doi: 10.1088/1742-6596/1028/1/012240.
[27] D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
[28] M. D. Purbolaksono, M. Irvan Tantowi, A. Imam Hidayat, and A. Adiwijaya, “Perbandingan Support Vector Machine dan Modified Balanced Random Forest dalam Deteksi Pasien Penyakit Diabetes,” J. RESTI (Rekayasa Sist. dan Teknol.
Informasi), vol. 5, no. 2, pp. 393–399, 2021, doi: 10.29207/resti.v5i2.3008.
[29] D. K. Sumba, “Sistem Cerdas Prediksi Hasil Tanaman Jagung Di Indonesia Menggunakan Support Vector Regression,”
J. Cosphi, vol. 2, no. 1, pp. 21–25, 2018, [Online]. Available:
https://www.cosphijournal.unisan.ac.id/index.php/cosphihome/article/view/74%0Ahttps://www.cosphijournal.unisan.ac
.id/index.php/cosphihome/article/download/74/54
[30] S. Ghimire, B. Bhandari, D. Casillas-Pérez, R. C. Deo, and S. Salcedo-Sanz, “Hybrid deep CNN-SVR algorithm for solar radiation prediction problems in Queensland, Australia,” Eng. Appl. Artif. Intell., vol. 112, no. April, p. 104860, 2022, doi: 10.1016/j.engappai.2022.104860.
[31] T. O. Owolabi and M. A. Abd Rahman, “Modeling the optical properties of a polyvinyl alcohol-based composite using a particle swarm optimized support vector regression algorithm,” Polymers (Basel)., vol. 13, no. 16, 2021, doi:
10.3390/polym13162697.
[32] D. Haryadi, A. R. Hakim, D. M. U. Atmaja, and S. N. Yutia, “Implementation of Support Vector Regression for Polkadot Cryptocurrency Price Prediction,” Int. J. Informatics Vis., vol. 6, no. 1–2, pp. 201–207, 2022, doi: 10.30630/joiv.6.1- 2.945.
[33] S. S. M. Evy Sulistianingsih, “Prediksi Nilai Tukar Dolar Amerika Serikat Terhadap Rupiah Dengan Metode Support Vector Regression (Svr),” Bimaster Bul. Ilm. Mat. Stat. dan Ter., vol. 8, no. 1, pp. 1–10, 2018, doi:
10.26418/bbimst.v8i1.30503.
[34] R. P. Saputri, W. S. Winahju, and K. Fithriasari, “Klasifikasi Sentimen Wisatawan Candi Borobudur pada Situs TripAdvisor Menggunakan Support Vector Machine dan K-Nearest Neighbor,” J. Sains dan Seni ITS, vol. 8, no. 2, 2020, doi: 10.12962/j23373520.v8i2.44391.
[35] N. Fitriyah, B. Warsito, and D. A. I. Maruddani, “Analisis Sentimen Gojek Pada Media Sosial Twitter Dengan Klasifikasi Support Vector Machine (Svm,” J. Gaussian, vol. 9, no. 3, pp. 376–390, 2020, doi: 10.14710/j.gauss.v9i3.28932.
[36] T. G. Adi Putranto and I. Candradewi, “Sistem Klasifikasi Tingkat Keparahan Retinopati Diabetik Menggunakan Support Vector Machine,” IJEIS (Indonesian J. Electron. Instrum. Syst., vol. 8, no. 1, p. 37, 2018, doi: 10.22146/ijeis.31206.
[37] M. F. Rasyid, D. Imran, and ..., “Prediksi penyebaran Sub Varian omicron di Indonesia menggunakan Machine Learning,” SISITI Semin. Ilm. …, vol. XI, no. 1, pp. 1–7, 2022, [Online]. Available:
http://ejurnal.dipanegara.ac.id/index.php/sisiti/article/view/936
