1. Home
  2. Teknologi

Tabel hasil pengujian learning rate sebesar 0.06

BAB 5 KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah merancang serta mengaplikasikan Algoritma Learning Vector Quantization pada Prediksi produksi kelapa sawit di Perkebunan Kelapa Sawit Pulau Tiga, maka diperoleh kesimpulan sebagai berikut: 1. Aplikasi dapat melakukan prediksi produksi kelapa sawit dengan inputan berupa tahun produksi, tahun tanam, jumlah pokok, luas, umur, bulan, jumlah pupuk, jumlah hari panen dan jumlah produksi. 2. Hasil prediksi terbaik diperoleh dari prediksi produksi kelapa sawit tahun 2014 dengan epoch 5000 dan learning rate 0.06 yakni pada bulan Januari, Maret, April, Mei, Juni, September, Oktober.

5.2 Saran

Adapun saran-saran penulis untuk pengembangan penelitian berikutnya sebagai berikut: 1. Menambah parameter inputan seperti curah hujan, PH tanah serta kemiringan pohon agar diperoleh hasil yang lebih akurat. 2. Menggunakan algoritma yang mempunyai tingkat akurasi yang lebih baik untuk mendapatkan hasil yang lebih baik pula. DAFTAR PUSTAKA Biehl, M., Ghosh, A., Hammer, B. 2006. Learning Vector Quantization : The Dynamics of Winner-Takes-All Algorithms. Online http:www.cs.rug.nl~biehlPreprintsncprep.pdf 07 Februari 2015. Bird, S., Klein, E., Loper, E. 2014. Natural Language Processing with Python. Online http:www.victoria.lviv.uahtmlfl5NaturalLanguageProcessingWithPython 29 Maret 2015. Dayan, P. 1999b .Unsupervised Learning. The MIT Encyclopedia of the Cognitive Sciences. Online http:www.gatsby.ucl.ac.uk~dayanpapersdun99b.pdf 07 Februari 2015. Estimasi Pendapatan. 2014. Online http:www.investasikelapasawit.comestimasi-pendapatan.3 Desember 2014. Fausett, L. 1994. Fundamental of Neural Network: Architectures, Algorithm, and Applications. Englewood Cliffs, New Jersey. Prentice Hall. Gray, R. M. 1984. Vector quantization, IEEE ASSP Mag. 1 : 4 –29. Gonzalez , I. A., Grana, M., D’Anjou, A. 1995. An analysis of the GLVQ Algorithm. IEEE Trans. of Neural Networks, Vol. 6, No. 4, pp. 1012-1016. Hermantoro Purnawan, W. R. 2009. Prediksi Produksi Kelapa Sawit Berdasarkan Kualitas Lahan Menggunakan Model Artificial Neural Network. Agroteknose, 42. pp. 1-6. Hermawan, A. 2006. Jaringan Saraf Tiruan Teori dan Aplikasi. Yogyakarta: ANDI. Hidayati, N. Warsito, B. 2010. Prediksi Terjangkitnya Penyakit Jantung Dengan Metode Learning Vector Quantization. Media Statistika, 3 1. pp. 21-30. ISSN 1979-3693. Kohonen, T. 1989. Self-organization and associative Memory. 3 rd Edition. Springer :Berlin

Dokumen yang terkait

Analisis Optimasi Penggunaan Input Produksi Pada Perkebunan Kelapa Sawit Tambunan

19 77 104

Gambaran Infeksi Kecacingan Pada Pekerja Perkebunan Kelapa Sawit Di PT. Asam Jawa Di Afdeling II Kabupaten Labuhan Batu Tahun 2004

0 36 61

Proyeksi Produksi Kelapa Sawit (Tbs) Periode 2009-2010, Pada PT. PP London Sumatra Indonesia Tbk Di Bah Bulian Estate Kabupaten Simalungun Dengan Menggunakan Metode Eksponensial

1 59 83

Analisis Modal Kerja Pada PT. Perkebunan Nusantara III Medan

6 74 58

Analisis Peranan Perkebunan Kelapa Sawit dalam Pembangunan Wilayah (Studi Kasus PTPN II Kebun Bandar Klippa)

36 179 90

Analisa Laporan Keuangan Pada PT Perkebunan Nusantara III Medan

0 48 37

Pelaksanaan Sistem Kearsipan pada PT. Perkebunan Nusantara III Medan

0 25 62

Pelaksanaan Sistem Kearsipan pada PT.Perkebunan Nusantara III Medan

0 16 66

BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia - Implementasi Algoritma Learning Vector Quantization Pada Prediksi Produksi Kelapa Sawit Di Pt. Perkebunan Nusantara I Pulau Tiga

0 0 11

Implementasi Algoritma Learning Vector Quantization Pada Prediksi Produksi Kelapa Sawit Di Pt. Perkebunan Nusantara I Pulau Tiga

0 0 14