BAB 3 ANALISIS DAN PERANCANGAN
Analisis Dan Perancangan Prediksi Produksi Kelapa Sawit
Dalam merancang prediksi produksi kelapa sawit, penulis menerapkan algoritma Learning Vector Quantization. Bentuk perancangan prediksi produksi kelapa sawit ini
dapat dilihat pada gambar 3.1 yang menunjukkan arsitektur umum dari rangkaian yang dilakukan pada proses training.
Gambar 3.1 Arsitektur umum Training
Proses dimulai dari penginputan data. Data yang di input berupa tahun produksi, tahun tanam, jumlah pokok, luas, umur, bulan, jumlah pupuk, jumlah hari
panen dan jumlah produksi. Data-data tersebut akan disimpan ke database training. Setelah semua data diinput dan disimpan maka proses selanjutnya adalah proses
training. Proses training dimulai dari penginisialisasian data-data input. Dua input akan di inisialisasi menjadi bobot training ke-1 dan ke-2, yaitu jumlah produksi
kelapa sawit paling kecil dan jumlah produksi kelapa sawit yang paling besar. Sedangkan sisanya akan dijadikan input pembelajaran.
Setelah nilai epoch ditentukan, pada epoch ke-1 hitung jarak terpendek dengan bobot training ke-1 dan ke-2. Setelah jarak terpendek pada bobot ke-1 dan ke-2
Database Input data produksi kelapa
sawit Inisialisasi bobot
training Hitung learning rate
update jarak bobot Tentukan nilai
epoch Hitung jarak bobot
terkecil
Bobot akhir training
18
Prediksi Output
didapat, pilih jarak yang terkecil untuk proses perkalian dengan nilai learning rate. Hasil dari perhitungan tersebut akan digunakan sebagai nilai bobot yang baru. Proses
dilakukan hingga nilai input pembelajaran terakhir didapat pada epoch ke-1. Sebelum masuk ke epoch selanjutnya, nilai learning rate
α akan diupdate dengan cara dec alpha dikalikan learning rate yang lama. Setelah didapat nilai learning rate yang baru
akan dilakukan proses perhitungan yang sama seperti epoch ke-1 hingga sampai nilai epoch yang ditentukan dicapai. Setelah nilai epoch yang ditentukan dicapai maka akan
didapat bobot akhir training. Bobot akhir training akan digunakan pada proses selanjutnya yakni proses prediksi. Dapat dilihat pada gambar 3.2 gambar arsitektur
umum prediksi.
Gambar 3.2 Arsitektur umum Prediksi
Proses prediksi dimulai dari penginputan data yang akan diprediksi. Setelah data yang ingin diprediksi di input, proses selanjutnya adalah menghitung jarak
terkecil dengan menggunakan bobot akhir hasil training. Hasil dari perhitungan jarak terkecil akan digunakan sebagi pengkelasifikasian apakah hasil perhitungan masuk
kedalam kelas produksi rendah atau kelas produksi tinggi.
3.1. Pengambilan Data
Dalam perancangan prediksi produksi kelapa sawit, variabel yang akan digunakan sebagai parameter adalah tahun produksi, tahun tanam, bulan, umur tanaman, luas,
jumlah pokok, jumlah hari panen, jumlah pupuk, jumlah produksi sebelumnya dan sebagai outputnya yaitu prediksi produksi kelapa sawit rendah dan prediksi produksi
kelapa sawit tinggi. Data yang diambil untuk ditraining merupakan data produksi kelapa sawit
selama empat tahun yaitu tahun 2010, 2011, 2012 dan 2013 dengan tahun tanam sawit Hitung jarak data
dengan bobot akhir Input data prediksi
Mulai
Hasil Produksi Kelasifikasikan
produksi
19
tahun tanam 2003. Sedangkan untuk data prediksi, akan digunakan data tahun 2014 dengan tahun tanam sawit 2003. Dapat dilihat pada tabel 3.1 tabel data produksi
kelapa sawit tahun 2010 sebagai salah satu data produksi kelapa sawit yang akan digunakan untuk proses training.
Tabel 3.1 Data produksi kelapa sawit tahun 2010
Tahun Produksi
Tahun Tanam
Bulan Umur
Luas Ha
Jumlah Pokok
Jumlah hari
kerja panen
Pupuk Jumlah
Produksi Kg
2010 2003
Januari
7 57
7.766 113
44.410 Februari
68 44.654
36.970 Maret
54 34.947
26.930 April
52 25.160
Mei 62
23.110 Juni
88 49.270
Juli 87
54.590 Agustus
101 94.700
September 76
72.080 Oktober
89 88.430
November 96
31.064 96.170
Desember 99
75.210 Seluruh data yang terkumpul dibagi dalam dua kelompok, yaitu data yang berfungsi
sebagai input pembelajaran training dan bobot training.
3.2. Pendefinisian Input
Data parameter produksi kelapa sawit yang diambil, selanjutnya akan diolah oleh jaringan. Dapat dilihat pada g
ambar 3.3 arsitektur jaringan learning vector quantization dengan 9 unit neuron pada lapisan input, dan 2 unit neuron pada
lapisan output. Lapisan neuron-neuron input tersebut dihubungkan ke vektor W
1
dan W
2.
W
1
dan W
2
merupakan vektor bobot pertama dan kedua. W
1
merupakan vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron pertama pada
lapisan output, sedangkan W
2
merupakan vektor bobot yang menghubungkan setiap neuron pada lapisan input ke neuron yang kedua pada lapisan output. F
1
dan F
2
merupakan fungsi aktivasi pertama dan kedua.
Fungsi aktivasi F
1
akan memetakan y_in
1
ke y
1
= 1 apabila ||X – w
1
|| ||X – w
2
||, dan y
1
= 0 jika sebaliknya. Demikian