1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah:
1. Bagi Peneliti : mengetahui bahwa Model Backpropagation Neural Network
dapat digunakan dalam memperkirakan hasil produksi kelapa sawit. 2.
Bagi Instansi : dapat digunakan sebagai sarana dan informasi bagi lembaga pendidikan serta sebagai kontribusi keilmuan bagi lembaga terkait.
3. Bagi perusahaan : digunakan sebagai informasi atau acuan dalam pengambilan
keputusan bagi pihak perusahaan. 4.
Bagi masyarakat : dengan adanya program peramalanperkiraan, masyarakat yang memiliki kebunladang dan ingin memperkirakan produksi kelapa sawit,
juga dapat meramalkan produksi dengan mudah dan cepat.
54
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil yang telah diperoleh, maka kesimpulan yang dapat ditarik dari pembahasan bahwa program peramalan dengan model backpropagation neural
network memberikan hasil baik dalam peramalan hasil produksi kelapa sawit. Dengan menggunakan 6 neuron pada hidden layer, maksimum error 0.01, dan epochs 5000
diperoleh persamaan garis untuk kecocokan terbaik :
� = �. ��� � + �.
Dimana nilai t= nilai target data tahun 2013. Maka diperoleh nilai MSE sebesar 0.003956
≤0.01 dan koefisien regresi sebesar 0.9997 yang menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Sehingga diperoleh
hasil produksi tertinggi pada bulan November sebesar 2365.924 ton dan terendah pada bulan Juni sebesar
1432.426 ton. Dari hasil peramalan, dapat diambil kesimpulan bahwa hasil produksi kelapa sawit di PTPN IV Unit Usaha Balimbingan
pada tahun 2014 mengalami kenaikan jika dibandingkan dengan tahun 2013.
5.2 Saran
Model Backpropagation merupakan metode peramalan yang cukup akurat. Neural Network sebagai Artificial Intelligence dapat diterapkan di segala bidang
termasuk bidang peramalan hasil produksi dengan banyaknya keunggulan yang ada. Kembali kepada dasar tolak ukur keberhasilan peramalan yaitu faktor kecepatan dan
keakuratan, Neural Network dapat dikembangkan lebih lanjut dengan mencoba menambah data-data historis yang telah ada menjadi lebih lengkap lagi sehingga
meningkatkan keakuratan peramalan. Semakin banyak data historis yang ada untuk di training maka semakin akurat peramalan dengan menggunakan jaringan
syaraf tiruan.