Peramalan Pasokan Tandan Buah Segar dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi Balik

PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN
PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN
JARINGAN SYARAF TIRUAN PROPAGASI BALIK

MUHAMMAD HAMDANI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN
PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN
JARINGAN SYARAF TIRUAN PROPAGASI BALIK

MUHAMMAD HAMDANI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

ABSTRACT
MUHAMMAD HAMDANI. A Backpropagation Neural Network Model for Crude Palm Oil Sales
and Stock of Palm Oil Fresh Fruit Bunch Forecasting. Supervised by AZIZ KUSTIYO and ALIM
SETIAWAN S.
Crude palm oil sales forecasting and palm oil fresh fruit bunch stock forecasting are common
problems for palm agro industry company. The low rate of sales due to wrong prediction may
influence company’s expansion plan. Moreover, crude palm oil stock is strongly dependent on
palm oil fresh fruit bunch stock in each fields. The objective of this study is to create a model for
sales forecasting of crude palm oil by using backpropagation Neural Network. This study uses
secondary data which contains historical data of crude palm oil sales dependent on TBS stocks
from 3 fields (inti, plasma, luar). The data is obtained from PT. Perkebunan Nusantara (PTPN)
XIII term of January 2005 to December 2007. Factors that influence backpropagation neural

network model are the number of neurons in the hidden layer and the learning rate. The
conclusion obtained based on the result test is that the level of accuracy of the Backpropagation
Neural Network in predicting the supply of Palm Fresh Fruit Bunch and Crude Palm Oil sales is
more competitive than the accuracy of ARIMA time series data model for Palm Fresh Fruit Bunch
and Crude Palm Oil sales with 750.45 for RMSE and 25.67 MAPE.
Keywords: forecasting, crude palm oil, backpropagation, artificial neural network

Judul Skripsi : Peramalan Pasokan Tandan Buah Segar dan Penjualan Minyak Sawit Kasar
Menggunakan Jaringan Syaraf Tiruan Propagasi Balik
Nama
: Muhammad Hamdani
NRP
: G64080015

Menyetujui
Komisi Pembimbing
Pembimbing I

Pembimbing II

Aziz Kustiyo, S.Si, M.Kom
NIP. 19700719 199802 1 001

Alim Setiawan S. STP, M.Si
NIP. 19820227 200912 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR
Puji syukur penulis panjatkan ke Hadirat ALLAH Subhanahu Wata’alla atas segala rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Peramalan Tandan
Buah Segar dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi
Balik. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam
penelitian ini, yaitu:

1 Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Alim Setiawan S. STP, M.Si selaku dosen
pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya
penelitian ini.
2 Bapak Musthofa S.Kom, M.Sc yang telah bersedia menjadi moderator seminar dan penguji
pada sidang.
3 Bapak Doktor Rika Ampuh Hadiguna yang telah memberikan data dalam penelitian ini.
4 Ayahanda Hasan Bisri, Ibunda Iyung Rumaisah, serta Adik Riyan Maulana atas doa, kasih
sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini.
5 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,
bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa
berjumpa kembali kelak sebagai orang-orang sukses.
6 Rekan-rekan satu bimbingan, Hariman Hidayat Siregar,Wangi Saraswati, Putri Previa Yanti,
Riva Aktivia dan Brenda Kristi, yang telah menemani dan mengingatkan selama penelitian.
7 Rekan-rekan satu kontrakan di Kosan DEWA, Wildan Dhea Gustiyana, Arief Saepudin, Ade
Priyadi dan Ahmad Soleman Nasution yang telah memberikan dukungan untuk segera
menyelesaikan studi.
8 Rekan-rekan IKABON 45 dan seluruh warga IKC-IPB yang telah memberikan dukungan
untuk segera menyelesaikan studi
Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi umat Islam di
Indonesia dan masyarakat pada umumnya.

Bogor, Juli 2012

Muhammad Hamdani

RIWAYAT HIDUP
Penulis lahir di kota Cirebon, Jawa Barat, 28 Juli 1990 sebagai anak pertama dari pasangan
Hasan Bisri dan Iyung Rumaisah. Penulis menghabiskan seluruh masa kecilnya serta mengenyam
pendidikan di kota kelahirannya. Penulis merupakan lulusan dari SMAN 1 Cirebon (2005-2008),
SMPN 1 Cirebon (2002-2005), dan SDN Kebon Baru IV (1996-2002).
Saat ini penulis sedang menempuh studi S1 di Departemen Ilmu Komputer, Fakultas
MIPA, Institut Pertanian Bogor, sejak tahun 2008. Selain sebagai seorang mahasiswa, penulis
sangat aktif memanfaatkan waktunya untuk berorganisasi, baik organisasi intra kampus maupun
organisasi ekstra kampus. Organisasi yang pernah diikuti antara lain Himpunan Mahasiswa Ilmu
Komputer dan Ikatan Kekeluargaan Cirebon. Tidak jarang penulis menjadi bagian dari
kepanitiaan-kepanitiaan dan ikut aktif dalam berbagai lomba nasional. Misalnya saja menjadi
juara pertama untuk kategori PKMM dalam Pekan Ilmiah Mahasiswa Nasional dan finalis 12 besar
dalam Pagelaran Mahasiswa Bidang Informasi dan Teknologi (Gemastik 2011).

v

DAFTAR ISI
Halaman
DAFTAR ISI .......................................................................................................................................... v
DAFTAR TABEL ................................................................................................................................. vi
DAFTAR GAMBAR ............................................................................................................................ vi
DAFTAR LAMPIRAN ......................................................................................................................... vi
PENDAHULUAN.................................................................................................................................. 1
Latar Belakang.................................................................................................................................. 1
Tujuan ............................................................................................................................................... 1
Ruang Lingkup ................................................................................................................................. 1
TINJAUAN PUSTAKA ......................................................................................................................... 1
Minyak Sawit Kasar (CPO) .............................................................................................................. 1
Tandan Buah Segar ........................................................................................................................... 1
Data Time series ............................................................................................................................... 2
Artificial Neural Network (ANN) ..................................................................................................... 2
Feedforward Neural Network ........................................................................................................... 2
Backpropagation Neural Network (BNN) ........................................................................................ 2
Fungsi Aktivasi ................................................................................................................................. 3
Ketepatan Pendugaan ....................................................................................................................... 4

METODE PENELITIAN ....................................................................................................................... 4
Kerangka Penelitian .......................................................................................................................... 4
Studi Literatur ................................................................................................................................... 4
Pengambilan Data ............................................................................................................................. 4
Proses pada BNN .............................................................................................................................. 5
Perbandingan Kinerja BNN dengan ARIMA ................................................................................... 5
Analisis dan Evaluasi........................................................................................................................ 6
HASIL DAN PEMBAHASAN .............................................................................................................. 6
BNN untuk kebun inti....................................................................................................................... 6
BNN untuk kebun plasma ................................................................................................................. 7
BNN untuk kebun luar ...................................................................................................................... 8
BNN untuk Penjualan CPO .............................................................................................................. 9
SIMPULAN DAN SARAN ................................................................................................................. 10
Simpulan ......................................................................................................................................... 10
Saran ............................................................................................................................................... 11
DAFTAR PUSTAKA .......................................................................................................................... 11
LAMPIRAN ......................................................................................................................................... 12

vi

DAFTAR TABEL
Halaman
1 Struktur BNN yang digunakan ............................................................................................................ 5
2 Pengaruh learning rate TBS kebun inti ............................................................................................. 6
3 Perbandingan BNN dengan ARIMA kebun inti .................................................................................. 6
4 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun inti ...................................... 7
5 Pengaruh learning rate TBS kebun plasma ....................................................................................... 7
6 Perbandingan BNN dengan ARIMA kebun plasma ............................................................................ 7
7 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun plasma ............................... 8
8 Pengaruh learning rate TBS kebun luar ............................................................................................ 8
9 Perbandingan BNN dengan ARIMA kebun luar ................................................................................. 8
10 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun luar................................... 9
11 Pengaruh learning rate penjualan CPO ........................................................................................... 9
12 Perbandingan BNN dengan ARIMA penjualan CPO ...................................................................... 10
13 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada penjualan CPO .......................... 10

DAFTAR GAMBAR
Halaman
1 Jaringan Syaraf Tiruan Feedforward ................................................................................................. 2
2 Jaringan Syaraf Tiruan tipe Backpropagation ................................................................................... 3

3 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) ......................................................... 3
4 Grafik fungsi identitas ......................................................................................................................... 4
5 Diagram alur proses peramalan jumlah TBS dan penjualan CPO dengan BNN ................................. 4
6 Hasil prediksi BNN dengan ARIMA kebun inti. ................................................................................ 6
7 Hasil prediksi BNN dengan ARIMA kebun plasma. .......................................................................... 7
8 Hasil prediksi BNN dengan ARIMA kebun luar................................................................................ 9
9 Hasil prediksi BNN dengan ARIMA penjualan CPO ...................................................................... 10

DAFTAR LAMPIRAN
Halaman
1 Data Pasokan TBS dan Penjualan CPO............................................................................................. 13
2 Turunan fungsi aktivasi ..................................................................................................................... 15

1

PENDAHULUAN
Latar Belakang
Sub sektor perkebunan sebagai salah satu
bagian dari pertanian dalam arti luas
merupakan komponen utama yang penting

dalam perekonomian Indonesia. Hal ini dapat
terlihat dari peran produsen industri primer
minyak nabati yang menggunakan buah
kelapa sawit sebagai bahan baku utamanya.
Peningkatan produktivitas minyak sawit kasar
atau Crude Palm Oil (CPO) Indonesia dengan
persentase 165 persen dengan total produksi
22 juta ton pada tahun 2009/2010,
mengindikasikan penghasil devisa negara
terbesar berasal dari ekspor CPO ke negaranegara Eropa barat seperti Inggris, Italia,
Belanda
dan
Jerman.
Peningkatan
produktivitas industri CPO membutuhkan
input dari perkebunan kelapa sawit dalam
bentuk Tandan Buah Segar (TBS) dengan
total perkembangan luas areal 9.60-13.36
persen (1999-2005) yang berasal dari
perkebunan besar swasta, perkebunan negara

dan perkebunan rakyat (Haloho 2008). Salah
satu produsen industri CPO sebagai produk
sampingannya yang tetap eksis memenuhi
permintaan industri hilir kelapa sawit adalah
PT Perkebunan Nusantara XIII
Masalah yang dihadapi oleh perusahaan
agroindustri bidang kelapa sawit adalah
munculnya biaya yang tidak terduga seperti
biaya transportasi dan biaya penyimpanan
gudang untuk pasokan tandan buah segar.
Salah satu cara untuk mengantisipasi hal ini
adalah dengan meramalkan jumlah pasokan
TBS dari berbagai kebun dan jumlah CPO
yang terjual. Dengan melakukan peramalan
pada rantai pasokan perusahaan agroindustri
dapat mengetahui instrumen-instrumen dan
biaya yang diperlukan seperti jumlah armada
yang mengangkut TBS, jumlah box/gudang
yang diperlukan. Peramalan pada rantai
penjualan juga dirasa penting karena dengan
mengetahui jumlah yang akan dijual,
perusahaan agroidustri dapat mempersiapkan
armada untuk transportasi dan langkah
langkah strategis agar keuntunga yang dicapai
menjadi optimal.
Salah satu metode analisis statistik yang
telah diterapkan adalah peramalan pasokan
tandan buah segar dan penjualan minyak sawit
kasar menggunakan pemodelan ARIMA
(Hadiguna 2011). Pada peramalan time series
selain menggunakan pemodelan ARIMA,
menurut Widjanarko (2000) Backpropagation
Neural Network (BNN) adalah salah satu

model Neural Network (NN) yang optimal
untuk prediksi time series. Dengan demikian
dalam penelitian ini akan menggunakan
BNN untuk memprediksi jumlah tandan buah
segar dan penjualan minyak sawit kasar
(CPO) di masa mendatang. Hasil prediksi
tersebut diharapkan dapat digunakan tolak
ukur peningkatan produksi.
Tujuan
Tujuan yang hendak dicapai dari penelitian ini
adalah:
1. Memprediksi jumlah tandan buah segar
dan penjualan CPO menggunakan jaringan
syaraf tiruan propagasi balik.
2. Membandingkan hasil prediksi time series
menggunakan BNN dengan hasil prediksi
menggunakan metode ARIMA.
Ruang Lingkup
Ruang lingkup penelitian ini adalah :
1 Implementasi dalam mengolah data time
series menggunakan jaringan syaraf tiruan
propagasi balik.
2 Data jumlah tandan buah segar dan
penjualan CPO yang digunakan adalah
data tahun 2003-2007.
3 Faktor-faktor lain yang mempengaruhi
penjualan CPO dianggap Ceteris paribus.

TINJAUAN PUSTAKA
Minyak Sawit Kasar (CPO)
Minyak Sawit Kasar (CPO) adalah minyak
nabati yang berwarna
jingga kemerahmerahan yang diperoleh dari proses
pengempaan (ekstrasi) daging buah Elaeis
guinnensis (Badan Standardisasi Nasional
2006).
Tandan Buah Segar
Tandan Buah Segar adalah suatu bagian
dari produksi kelapa sawit yang merupakan
produk awal yang kelak akan diolah menjadi
minyak kasar CPO (crude palm oil) dan inti
sawit (karnel) sebagai produk utama
disamping produk lainya. Lamanya proses
pembentukan TBS, dari suatu saat ini
terjadinya penyerbukan sampai dengan
matangnya tergantung pada keadaan iklim dan
faktor
faktor
yang
mempengaruhi
pertumbuhan. Lamanya proses pemasakan
buah di beberapa daerah berbeda-beda
(Hadiguna 2009).

2

Data Time series
Time series adalah suatu himpunan
pengamatan
yang
dibangun
secara
berurutan dalam waktu. Waktu atau periode
yang dibutuhkan untuk melakukan suatu
peramalan itu biasanya disebut sebagai lead
time yang bervariasi pada tiap persoalan.
Berdasarkan himpunan pengamatan yang
tersedia maka time series dikatakan kontinu.
Jika himpunan pengamatan tersebut adalah
kontinu dan dikatakan diskrit bila himpunan
pengatamatan tersebut juga diskrit (Subanar
2009).
ARIMA
ARIMA (Auto Regressive Integrated
Moving Average) merupakan salah satu teknik
atau metode yang dapat digunakan untuk
meramalkan data time series. Notasi ARIMA
terlhiat dalam model ARIMA (p,d,q) dimana
p merupakan identifikasi langkah diffrencing
yang dilakukan. d merupakan notasi untuk
mengetahui orde Auto korelasi yang
digunakan. q merupakan notasi untuk derajat
Moving Average (MA) yang dilakukan
(Hyndman 2001).

1. Jaringan lapisan tunggal (single layer
network)
2. Jaringan lapisan jamak (multilayer
network)
3. Jaringan Recurrent
Feedforward Neural Network
Sebuah
jaringan
yang
sederhana
mempunyai struktur feedforward dimana
signal bergerak dari input kemudian melewati
lapisan tersembunyi dan akhirnya mencapai
unit output (mempunyai struktur yang stabil)
seperti yang terlihat pada Gambar 1 (Fausset
1994).
Tipe jaringan feedforward mempunyai sel
syaraf yang tersusun dari beberapa lapisan.
Lapisan input bukan merupakan sel syaraf.
Lapisan ini hanya memberi pelayanan
dengan mengenalkan suatu nilai dari suatu
variabel. Lapisan tersembunyi dan lapisan
output sel syaraf terhubung satu sama lain
dengan lapisan sebelumnya. Kemungkinan
yang timbul adalah adanya hubungan
dengan beberapa unit dari lapisan sebelumnya
atau terhubung semuanya (Fausset 1994).

Artificial Neural Network (ANN)
Artificial neural network
atau biasa
disebut neural network adalah sistem
pemrosesan informasi yang memunyai
karakteristik mirip dengan jaringan saraf
biologi. Neural network telah dikembangkan
sebagai generalisasi model matematik dari
neuron biologis manusia, yang berbasis pada
asumsi sebagai berikut (Fausset 1994):
1. Pemrosesan informasi terjadi pada banyak
elemen sederhana yang disebut neuron.
2. Sinyal diberikan antara neuron melalui
penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot
yang akan memperkuat atau memperlemah
sinyal.
4. Setiap neuron menerapkan fungsi aktivasi
terhadap jumlah sinyal masukan terbobot
untuk menentukan sinyal keluarannya.
Neural network dikarakteristikkan dengan
(Fausset 1994):
1. Pola hubungan antar neuron (arsitektur).
2. Metode untuk menentukan bobot untuk
penghubung
(pembelajaran
atau
algoritme).
3. Fungsi aktivasi.
Beberapa arsitektur jaringan yang sering
dipakai dalam jaringan saraf tiruan antara lain
(Fausset 1994):

Gambar 1
Feedforward

Jaringan

Syaraf

Tiruan

Backpropagation Neural Network (BNN)
Jaringan Syaraf Tiruan Backpropagation
pertama kali diperkenalkan oleh Rumelhart,
Hinton
dan William pada tahun 1986,
kemudian Rumelhart dan Mc Clelland
mengembangkannya pada tahun 1988 (Siang
2005).
Inti dari algoritma pembelajaran dengan
metode Backpropagation ini terletak pada
kemampuannya untuk mengubah nilai-nilai
bobotnya untuk
menanggapi adanya
kesalahan. Untuk dapat
menghitung
kesalahan, pada proses pembelajaran perlu
adanya pola-pola keluaran yang dijadikan
target oleh jaringan, sehingga setiap keluaran
yang dihasilkan oleh jaringan akan
dibandingkan dengan targetnya. Hasil dari
perbandingan ini berupa error atau kesalahan.

3

Oleh karena itu, Jaringan Saraf Tiruan
Backpropagation merupakan jaringan dengan
proses pembelajaran
secara terbimbing
(Siang 2005)
Setelah kesalahan diperoleh, selanjutnya
jaringan melewatkan turunan-turunan dari
kesalahan
ke
lapisan
tersembunyi
menggunakan sambungan terbobot yang
masih belum diubah nilainya. Setiap simpul
pada lapisan tersembunyi
menghitung
jumlah terbobot dari kesalahan yang telah
dipropagasikan balik untuk menghitung
sumbangan tidak langsungnya
kepada
kesalahan keluaran yang telah diketahui.
Setelah masing-masing simpul pada lapisan
tersembunyi
dan
lapisan keluaran
menemukan besarnya kesalahan, simpulsimpul tersebut akan mengubah bobotbobotnya
untuk mengurangi
kesalahan
tersebut. Perubahan bobot ditujukan untuk
meminimalkan jumlah kesalahan kuadrat
jaringan. Oleh sebab inilah, algoritma
Backpropagation dikatakan sebagai suatu
prosedur untuk mendapatkan paket bobot
yang
meminimalkan
jumlah
kuadrat
kesalahan. Jumlah kuadrat kesalahan akan
semakin mengecil dengan berjalannya waktu
dan iterasi yang dilakukan oleh jaringan
tersebut (Siang 2005).
Fungsi
aktivasi
merupakan
fungsi
matematis yang berguna untuk membatasi dan
menentukan jangkauan output suatu neuron.
Fungsi aktivasi untuk Jaringan Saraf Tiruan
Backpropagation harus memiliki beberapa
karakteristik penting, yaitu kontinyu, dapat
dideferensialkan, dan
monoton
tanpa
penurun. Fungsi aktivasi biasanya digunakan
untuk mencari nilai asimtot maksimum dan
minimum. Fungsi aktivasi yang biasa
digunakan untuk jaringan Backpropagation
adalah fungsi sigmoid biner dan fungsi
sigmoid bipolar. Di mana fungsi sigmoid
biner memiliki jangkauan antara 0 dan 1,
sedangkan fungsi sigmoid bipolar memiliki
jangkauan antara -1 dan 1(Maulida 2011).
Metode pembelajaran Backpropagation
menggunakan indek performansi kesalahan
kuadrat rata-rata atau Mean Square Error
(Fausset, 1996). Kesalahan kuadrat rata-rata
dapat diperoleh dari (Fausett, 1994) :
a.

Kesalahan kuadrat dibagi dengan
jumlah komponen keluaran.

b.

Kesalahan kuadrat total dibagi
dengan jumlah data pelatihan.

Y1

w11 w0k

w01

1

v01

wj1 w0m

wjk

Z1

v11

1

w1k

Yk

...

v0j

v0p

Ym

...

wp1 wjm

wpk

w1m

Zj

vi1

X1

v1j

...

vn1

vij

wpm

Zp

v1p

Xi

Gambar 2 Jaringan Syaraf
Backpropagation

vnj

...

vip

vnp

Xn

Tiruan

tipe

Fungsi Aktivasi
Beberapa fungsi aktivasi yang sering dipakai
adalah:
a. Fungsi Sigmoid
Dalam backpropagation, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat
yaitu: kontinu, terdiferensial dengan mudah
dan merupakan fungsi yang tidak turun (Siang
2005). fungsi yang memenuhi ketiga syarat
tersebut adalah fungsi sigmoid. Terdapat dua
buah fungsi sigmoid yaitu sigmoid biner dan
sigmoid bipolar, namun yang digunakan
dalam penelitian ini adalah fungsi sigmoid
biner. Grafik fungsinya tampak pada Gambar
3.

Gambar 3 Grafik fungsi sigmoid biner (kiri)
dan sigmoid bipolar (kanan)
Sigmoid biner memiliki nilai interval (0,1)
dan memiliki bentuk fungsi:

Turunan fungsi dapat dilihat pada Lampiran 2.
Sedangkan pada sigmoid bipolar yang bentuk
fungsinya mirip dengan fungsi sigmoid biner
tapi dengan interval (-1,1) dengan turunan
fungsi dapat dilihat pada Lampiran 2.

b. Fungsi identitas
Fungsi identitas dipakai apabila kita
menginginkan keluaran jaringan berupa
sembarang bilangan real (bukan hanya pada
interval [0,1] atau [-1,1]).
grafik
fungsi identitas tampak pada Gambar 4.

4

METODE PENELITIAN
Mulai

Gambar 4 Grafik fungsi identitas

Studi
Literatur

Pengambilan
Data

Ketepatan Pendugaan
Ketepatan atau keakuratan suatu model
regresi dapat dilihat dari Root Mean Square
Error (RMSE) dan Mean Absolute
Percentage
Error
(MAPE).
Dengan
persamaan menurut (Douglas et. al 2008)
sebagai berikut:
n

M

n

∑
t

M
dengan :

ARIMA
(Hadiguna
2009)

Pengolahan Data
Menggunakan
BNN

xt ft
xt

Semakin kecil nilai MAPE menunjukkan
bahwa data hasil prediksi mendekati nilai
aktual, sedangkan RMSE menunjukkan
seberapa besar simpangan nilai dugaan
terhadap nilai aktualnya. Kecocokan model
dikatakan semakin baik jika RMSE mendekati
0.
∑n
√ t

Praproses
Data

xt ft
n

Perbandingan BNN
dengan ARIMA

Analisis dan
Evaluasi

Dokumentasi
dan Pelaporan

Selesai

= nilai aktual pada waktu ke-t
= nilai dugaan pada waktu ke-t
n = jumlah data yang diprediksi
Untuk mengukur kekuatan hubungan antara
hasil ramalan dengan hasil sebenarnya
digunakan
analisis
korelasi
dengan
menggunakan keofisien korelasi pearson
(Walpole 1993) sebagai berikut
r

n ∑ni xi y - (∑ni xi ) (∑ni y )

√[n ∑ni xi - (∑ni xi ) ] - [n ∑ni yi - (∑ni yi ) ]

dengan :

r = koefisien korelasi
x= peubah 1
y= peubah 2
n= jumlah data

Gambar 5 Diagram alur proses peramalan
jumlah TBS dan penjualan CPO dengan BNN
Kerangka Penelitian
Penelitian ini dikembangkan dengan
metode yang terdiri atas beberapa tahap yaitu
studi literature, pengambilan data, pra-proses
data yang dilanjutkan dengan pengoolahan
data menggunakan backpropagation neural
network dan perbandingan hasil dengan
menghitung
ketepatan
pendugaan
menggunakan ARIMA dan BNN. Diagram
alur metode penelitian ini disajikan pada
Gambar 5.
Studi Literatur
Studi
literatur
dilakukan
dengan
mempelajari buku-buku baik yang tercetak
maupun digital, juga sumber-sumber dari
internet yang berkaitan dengan peramalan
suhu udara dalam prediksi pasokan TBS dan
penjualan CPO.

5

Pengambilan Data
Data yang digunakan adalah data sekunder
yang didapat dari PTPN XIII yang berupa
data historis penjualan CPO dan pasokan
tandan buah segar dari tiga kebun yaitu inti,
plasma dan luar dari tahun 2003 sampai
dengan tahun 2007.
Praproses Data
Sebelum data input dan target yang
diimplementasikan ke dalam jaringan syaraf
tiruan harus terlebih dahulu melalui
prapreprocessing data berupa penskalaan yaitu
normalisasi data. Tujuannya agar jaringan
syaraf dapat mengenali data yang akan
menjadi masukan bobot-bobotnya. Data akan
bernilai antara 0 sampai 1, hal ini sesuai
dengan fungsi aktivasi yang akan digunakan.
k
k

Keterangan :
N = Data yang sudah ternormalisasi,
D = Data yang akan dinormalisasi,
Dk = Data terkecil dari sekumpulan data,
Db = Data terbesar dari sekumpulan data.
Setelah
dilakukan
pengolahan
data
menggunakan BNN, hasil yang diperoleh
akan didenormalisasi kembali untuk dapat
dihitung
ketepatan
pendugaannya.
Perhitungan denormalisasi ini menggunakan
rumus sebagai berikut

dimasukkan ke dalam kelompok data testing.
Data training dilatih terlebih dahulu untuk
mendapatkan arsitektur BNN yang terboboti
dan mensimulasikan data testing dengan
aritektur BNN yang terboboti tersebut untuk
mendapatkan nilai dugaannya. Setiap data
akan dimasukan menjadi 3 kelompok
percoban pertama yaitu L1, L2 dan L3.
Kelompok percobaan ini digunakan untuk
mengidetifikasi learning rate yang terbaik
dalam model jaringan syaraf tiruan.
Untuk pola data masukan terdiri dari 2
input masukan yang merupakan historis
persediaan TBS selama 2 bulan dan sebagai
hasil otputnya adalah prakiraan jumlah
tandan
buah
segar untuk satu bulan
mendatang.
Arsitektur yang dibuat yakni terdiri 2
neuron untuk input layer dan satu neuron
pada output layer. Parameter awal yang
digunakan dan diujikan pada saat penentuan
arsitektur BNN yaitu dengan menetapkan
hidden node sebanyak empat neuron dengan
laju pembelajaran atau learning rate 0.1, 0.2,
dan 0.3 untuk mengetahui kinerja jaringan
secara umum dengan menggunakan toleransi
galat sebesar 0.001. fungsi aktivasi yang
digunakan pada hidden layer adalah fungsi
sigmoid biner dan pada output layer adalah
fungsi identitas. Parameter-parameter yang
digunakan dapat dilihat pada tabel 1 (Maulida
2011).
Tabel 1 Struktur BNN yang digunakan
Karakteristik

Spesifikasi

Arsitektur

1 hidden layer

Input Layer

2 neuron

Fungsi
aktivasi
hidden layer

Sigmoid biner

Db = Data terbesar dari sekumpulan data,

Fungsi
aktivasi
output layer

identitas

Dk = Data terkecil dari sekumpulan data

Toleransi galat

0.001

Proses pada BNN

Maksimum epoch

500

Proses Peramalan menggunakan BNN
dilakukan untuk beberapa data yaitu data
pasokan TBS dari 3 kebun yakni, inti, plasma
luar dan data penjualan CPO. Setiap
kelompok data dibagi menjadi data training
dan testing. Dari data yang telah dikumpulkan
pada tahun 2003 sampai 2007. Data pada
tahun 2003 sampai 2006 dimasukkan ke
dalam kelompok data training sedangkan
sisanya yaitu data pada tahun 2007

Learning rate

0.1, 0.2, dan 0.3

P = O x (Db − Dk) + Dk
Keterangan :
P = Data postprosessing atau data yang sudah
denormalisasi,
O = Data output jaringan,

Perbandingan
ARIMA

Kinerja

BNN

dengan

Setelah proses pada BNN selesai sehingga
didapatkan hasil prediksinya, selanjutnya akan
dibandingkan tingkat keakuratan hasil kinerja
BNN dengan hasil
kinerja ARIMA

6

(Hadiguna 2009) menggunakan perbandingan
MAPE. Semakin kecil MAPE yang di dapat
berarti nilai hasil prediksi semakin mendekati
nilai aktualnya dan kinerjanya semakin bagus.

Dari hasil Tabel 2 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.2 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk TBS kebun inti
yang
sudah
dibuat
yaitu
ARIMA
(0,1,1)(1,1,1)12 seperti yang terlihat pada
Tabel 3 dan Gambar 6

Analisis dan Evaluasi
Setelah proses BNN dilakukan dan
dibandingkan hasil kinerjanya dengan
ARIMA, selanjutnya adalah menganalisis dan
mengevaluasi kinerja BNN berdasarkan
parameter dan data yang digunakan.

Tabel 3 Perbandingan BNN dengan ARIMA
kebun inti
Bulan

Aktual

BNN
(0.2)

ARIMA

1

678.0

1376.3

1449.4

2

1212.9

1189.7

1941.3

3

1593.1

1947.6

2656.7

4

2373.5

2065.8

3754.8

5

2537.4

3147.7

3766.6

6

3792.7

3057.5

4661.7

7

3700.4

3834.4

3705.6

8

2861.8

3475.2

3864.7

9

3701.5

3212.5

6300.8

10

5374.3

3657.9

7874.1

11

6354.6

6174.0

6825.8

12

7399.8

6960.8

9720.4

HASIL DAN PEMBAHASAN
Penelitian ini menggunakan 4 jenis data
yaitu tiga data yang merupakan data pasokan
TBS dari tiga kebun yaitu kebun inti, plasma
dan luar sedangkan untuk jenis data lainnya
yaitu data historis penjualan CPO.
BNN untuk kebun inti
Pada kelompok percobaan L1, L2 dan L3,
data pasokan inti dibagi menjadi dua bagian,
training dan testing menggunakan data
masukan 2 tanpa ada lag dengan target. Pada
data untuk kebun inti dilakukan percobaan
pengaruh learning rate terhadap arsitektur
jaringan yaitu untuk learning rate 0.1 , 0.2
dan 0.3. Hasil percobaan mengindikasikan
bahwa learning rate 0.2
menghasilkan
MAPE dan RMSE yang lebih sedikit yaitu
21. 87 dan 672.44
Tabel 2 Pengaruh learning rate TBS kebun
inti
Learning
Rate

MAPE

RMSE

0.1

34.67

961.19

0.2

21.87

672.44

0.3

31.31

790.84

Dari hasil Tabel 3 dan Gambar 6 dapat
diketahui pada hasil prediksi pasokan dari
kebun inti terdapat beberapa nilai nilai
ramalan yang hampir fit dengan nilai
aktualnya, seperti pada bulan 2 dan bulan 11.
Selain itu untuk galat terbesar dari BNN
didapat pada bulan 10 yaitu 1716.6. Untuk
nilai peramalan, BNN mengestimasi nilai
dugaan lebih baik dibandingkan ARIMA. Hal
ini terlihat pada selisih nilai di tabel 4 dan plot
nilai pada Gambar 6.

Pasokan (Satuan)

12000
10000
8000
6000

Aktual

4000

BNN

2000

ARIMA

0
1

2

3

4

5

6

7

8

9

10

11

12

Bulan
Gambar 6 hasil Prediksi BNN dengan ARIMA kebun inti

7

bahwa learning rate 0.3 menghasilkan
MAPE dan RMSE yang lebih sedikit yaitu
24. 33 dan 1586.37.
Tabel 5 Pengaruh learning rate TBS kebun
plasma

Hasil pendugaan untuk kebun inti yang
diperoleh baik dengan metode ARIMA
ataupun menggunakan BNN akan dihitung
ketepatan pendugannya dengan data aktual
menggunakan MAPE dan RMSE. Hasil
perhitungan mengindikasikan bahwa metode
BNN lebih baik daripada ARIMA karena
menghasilkan MAPE sebesar 21.87 dan
RMSE 672.44 (Tabel 4). Hal ini
mengindikasikan bahwa hasil peramalan
menggunakan BNN secara 12 bulan untuk
data uji mendapatkan nilai taksiran error
sekitar ± 672.44. Untuk mengetahui hubungan
masing-masing nilai ramalan dari metode
BNN dan ARIMA dengan nilai aktualnya
digunakan analisis korelasi, hasil yang
didapatkan untuk pasokan kebun inti dengan
meggunakan JST adalah 0.94 sedangkan
dengan menggunakan metode ARIMA
didapatkan nilai korelasi sebesar 0.95. Hal ini
mengindikasikan bahwa ARIMA lebih baik
dalam mengenali pola ramalan dengan nilai
aktual pada data kebun inti.

Learning
rate

MAPE

RMSE

0.1

25.62

1913.83

0.2

25.50

1719.83

0.3

24.33

1586.37

Dari hasil Tabel 5 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.3 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk TBS kebun
plasma yang sudah dibuat yaitu ARIMA
(2,0,0)(1,1,2)12 seperti yang terlihat pada
Tabel 6 dan Gambar 7.
Tabel 6 Perbandingan BNN dengan ARIMA
kebun plasma

Tabel 4 Perbandingan MAPE dan RMSE
untuk BNN dan ARIMA pada kebun inti

Bulan

Aktual

ARIMA

2158.8

BNN
(0.3)
3299.7

1

1665.9

BNN (0.2)

ARIMA

2

2495.2

2810.1

39.9

MAPE

21.87

46.73

3

2763.9

3528.1

627.2

RMSE

672.44

1473.36

4

3371.4

3356.0

1577.5

5

3323.0

3389.4

949.6

6

3934.2

3094.8

1925.1

7

2654.9

3317.1

1440.8

8

2153.8

2879.0

2218.7

9

3439.0

3095.1

2899

10

4888.4

4010.3

7310.5

11

8360.9

3781.3

7360.2

12

9360.4

6202.4

11751.2

BNN untuk kebun plasma

Pasokan (Satuan)

Pada kelompok percobaan L1, L2 dan L3
data pasokan kebun plasma dibagi menjadi
dua bagian, training dan testing menggunakan
data masukan 2 tanpa ada lag dengan target.
Pada data untuk kebun plasma dilakukan
percobaan pengaruh learning rate terhadap
arsitektur jaringan yaitu untuk learning rate
0.1, 0.2 dan 0.3. Hasil dari percobaan
mengindikasikan
15000
10000

Aktual
5000

BNN
ARIMA

0
1

2

3

4

5

6

7

8

9

10

11

Bulan
Gambar 7 Hasil prediksi BNN dengan ARIMA kebun plasma

12

8

Dari hasil Tabel 6 dan Gambar 7 hasil
peramalan menggunakan BNN pada bulan 4
sampai 6 memiliki nilai galat yang lebih
sedikit jika dibandingkan dengan hasil
peramalan pada bulan yang lebih dari bulan 9.
Kemudian untuk peramalan menggunakan
ARIMA nilai yang taksir cukup jauh dengan
nilai aktualnya.
Hasil pendugaan untuk kebun plasma yang
diperoleh baik dengan metode ARIMA
ataupun menggunakan BNN akan dihitung
ketepatan pendugannya dengan data aktual
menggunakan MAPE dan RMSE. Hasil
perhitungan mengindikasikan bahwa metode
BNN lebih baik daripada ARIMA karena
menghasilkan MAPE sebesar 24.33 dan
RMSE 1586.37.
Hal ini mengindikasikan bahwa peramalan
dengan menggunakan BNN bahwa hasil
peramalan menggunakan BNN secara 12
bulan untuk data uji mendapatkan nilai
taksiran error sekitar ± 1586.37 (Tabel 7).
Untuk mengetahui hubungan masing-masing
nilai ramalan dari metode BNN dan ARIMA
dengan nilai aktualnya digunakan analisis
korelasi, hasil yang didapatkan untuk pasokan
kebun plasma dengan meggunakan JST
adalah 0.82 sedangkan dengan menggunakan
metode ARIMA didapatkan nilai korelasi
sebesar 0.91. Hal ini mengindikasikan bahwa
ARIMA lebih baik dalam mengenali pola
ramalan dengan nilai aktual pada data kebun
plasma.
Tabel 7 Perbandingan MAPE dan RMSE
untuk BNN dan ARIMA pada kebun plasma

Tabel 8 Pengaruh learning rate TBS kebun
luar
Learning
rate

MAPE

RMSE

0.1

27.55

1507.49

0.2

21.79

1176.25

0.3

21.79

3108.87

Dari hasil Tabel 8 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.2 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk TBS kebun luar
yang
sudah
dibuat
yaitu
ARIMA
(1,1,1)(1,1,1)12 seperti yang terlihat pada
Tabel 9 dan Gambar 8.
Tabel 9 Perbandingan BNN dengan ARIMA
kebun luar
Bulan

Aktual

ARIMA

2889

BNN
(0.2)
5003.48

1
2

4632

4457.59

849.59

3

5477

5007.68

1604.82

4

5523

5362.21

1905.31

5

3984

5730.78

1473.94

6

6352

4935.01

3109.14

7

4834

5510.96

419.94

8

3278

5284.58

-339.65

1347.64

BNN (0.3)

ARIMA

9

4719

4701.74

3034.37

MAPE

24.33

43.81

10

5413

5030.04

6096.46

RMSE

1586.37

1781.35

11

6794

5347.97

4909.82

12

9154

9425.17

5723.81

BNN untuk kebun luar
Pada kelompok percobaan L1, L2 dan L3 data
pasokan kebun plasma dibagi menjadi dua
bagian, training dan testing menggunakan
data masukan 2 tanpa ada lag dengan target.
Pada data untuk kebun inti dilakukan
percobaan pengaruh learning rate terhadap
arsitektur jaringan yaitu untuk learning rate
0.1 , 0.2 dan 0.3. Hasil
percobaan
mengindikasikan bahwa learning rate 0.2
menghasilkan MAPE dan RMSE yang lebih
sedikit yaitu 21.79
dan 1176.25.

Dari hasil Tabel 9 dan Gambar 8, hasil
peramalan menggunakan BNN mendapatkan
nilai taksiran sekitar 4000 sampai 6000 untuk
bulan 1 sampai 8, sementara untuk bulan ke-9
dan seterusnya nilai taksiran BNN hammpir
mendekati nilai aktual. Semenara itu, hasil
peramalan menggunakan ARIMA memiliki
nilai taksiran yang cukup jauh sedangkan
untuk pola taksiran hampir mendekati pola
nilai aktual. Hal ini dapat dikarenakan dari
faktor moving average yang dimiliki oleh
ARIMA.

9

Pasokan (Satuan)

10000
8000
6000
Aktual
4000
BNN
2000
ARIMA
0
1

2

3

4

5

6

7

8

9

10

11

12

Bulan
Gambar 8 Hasil prediksi BNN dengan ARIMA kebun luar.
Hasil pendugaan untuk kebun plasma yang
diperoleh baik dengan metode ARIMA
ataupun menggunakan BNN akan dihitung
ketepatan pendugannya dengan data aktual
menggunakan MAPE dan RMSE. Hasil
perhitungan mengindikasikan bahwa metode
BNN lebih baik daripada ARIMA karena
menghasilkan MAPE sebesar 21.79 dan
RMSE 1176.25 (Tabel 10).
Hal ini mengindikasikan bahwa peramalan
dengan menggunakan BNN bahwa hasil
peramalan menggunakan BNN secara 12
bulan untuk data uji mendapatkan nilai
taksiran error sekitar ± 1176.25. Untuk
mengetahui hubungan masing-masing nilai
ramalan dari metode BNN dan ARIMA
dengan nilai aktualnya digunakan analisis
korelasi, hasil yang didapatkan untuk pasokan
kebun luar dengan meggunakan JST adalah
0.69 sedangkan dengan menggunakan metode
ARIMA didapatkan nilai korelasi sebesar
0.72. Hal ini mengindikasikan bahwa ARIMA
lebih baik dalam mengenali pola ramalan
dengan nilai aktual pada data kebun luar.
Tabel 10 Perbandingan MAPE dan RMSE
untuk BNN dan ARIMA pada kebun luar

menghasilkan MAPE dan RMSE yang lebih
sedikit yaitu 24.16 dan 740.96.
Tabel 11 Pengaruh learning rate penjualan
CPO
Learning
rate

MAPE

RMSE

0.1

24.52

813.74

0.2

24.16

740.96

0.3

24.81

778.15

Dari hasil Tabel 11 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.2 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk penjualan CPO
yang sudah dibuat yaitu ARIMA (0,0,2)
(1,1,0)12 seperti yang terlihat pada Tabel 12
dan Gambar 9.
Tabel 12 Perbandingan BNN dengan ARIMA
penjualan CPO
Bulan

Aktual

ARIMA

1259.2

BNN
(0.2)
2347.82

1
2

1768.1

2170.02

1094.13

613.90

BNN (0.2)

ARIMA

3

2042.7

2355.69

1130.35

MAPE

21.79

56.65

4

2308.8

2318.18

1400.49

RMSE

1176.25

3004.43

5

1910.5

2340.23

1436.73

6

2862.1

2292.40

1802.26

7

2340.2

2413.48

1347.07

8

1943.9

2437.57

1172.44

9

2398.9

2298.15

2329.32

10

3135.6

2350.79

4094.92

11

3823.1

2572.79

2641.67

12

5263.6

3568.31

4550.18

BNN untuk Penjualan CPO
Pada kelompok percobaan L1, L2 dan L3
data penjualan CPO
dibagi menjadi dua
bagian, training dan testing menggunakan
data masukan 2 tanpa ada lag dengan target.
Pada data untuk kebun inti dilakukan
percobaan pengaruh learning rate terhadap
arsitektur jaringan yaitu untuk learning rate
0.1 , 0.2 dan 0.3. Hasil
percobaan
mengindikasikan bahwa learning rate 0.2

10

Pasokan (Satuan)

6000
5000
4000
3000

Aktual

2000

BNN

1000

ARIMA

0
1

2

3

4

5

6

7

8

9

10

11

12

Bulan
Gambar 9 Hasil prediksi BNN dengan ARIMA penjualan CPO
Dari hasil Tabel 12 dan Gambar 9 hasil
peramalan menggunakan BNN hampir
mendapatkan nilai yang fit dengan nilai
aktualnya yaitu terjadi pada bulan 4 dan bulan
8.
Sementara
itu,
hasil
peramalan
menggunakan ARIMA memliki nilai terbaik
pada bulan 8 dan bulan 10.
Hasil pendugaan untuk penjualan CPO yang
diperoleh baik dengan metode
ARIMA
ataupun menggunakan BNN akan dihitung
ketepatan pendugannya dengan data aktual
menggunakan MAPE dan RMSE. Hasil
perhitungan mengindikasikan bahwa metode
BNN lebih baik daripada ARIMA karena
menghasilkan MAPE sebesar 24.16 dan
RMSE 740.96.
Hal
ini
mengindikasikan
bahwa
peramalan dengan menggunakan BNN bahwa
hasil peramalan menggunakan BNN secara 12
bulan untuk data uji mendapatkan nilai
taksiran error sekitar ± 740.96 (Tabel 13).
Untuk mengetahui hubungan masing-masing
nilai ramalan dari metode BNN dan ARIMA
dengan nilai aktualnya digunakan analisis
korelasi, hasil yang didapatkan untuk
penjualan CPO dengan meggunakan JST
adalah 0.83 sedangkan dengan menggunakan
metode ARIMA didapatkan nilai korelasi
sebesar 0.88. Hal ini mengindikasikan bahwa
ARIMA lebih baik dalam mengenali pola
ramalan dengan nilai aktual pada data
penjualan CPO.
Tabel 12 Perbandingan MAPE dan RMSE
untuk BNN dan ARIMA pada penjualan CPO
BNN (0.2)

ARIMA

MAPE

24.16

32.94

RMSE

740.96

831.03

Perbandingan ARIMA dengan BNN
Secara keseluruhan, peramalan pasokan
TBS yang terjadi di kebun inti, plasma dan
luar
dan
peramalan
pejualan
CPO
menggunakan jaringan syaraf tiruan propagasi
balik lebih baik dalam hal galat (RMSE dan
MAPE) jika dibandingkan dengan ARIMA.
Hal ini terjadi karena jaringan syaraf tiruan
memiliki kemampuan komputasi yang paralel
dengan cara belajar sesuai pola pola yang
diajarkan. Selain itu jaringan syaraf tiruan
juga dapat mengevaluasi bobot berkali-kali
untuk mendapatkan hasil yang lebih baik.
Hasil dari ARIMA meiliki galat yang cukup
jauh karena ARIMA dipengaruhi faktor
regresi dan MA namun dalam kasus ini,
peramalan ARIMA mendapatkan hasil yang
seolah terjadi untuk masa satu bulan
kedepannya. Sementara itu, ARIMA juga
memiliki keunggulan tersendiri dalam pola
yang sesuai. Hal ini terjadi karena ARIMA
memilik faktor MA yang dapat mengikuti
trend data sebelumnya.

SIMPULAN DAN SARAN
Simpulan
. Dari hasil analisis data yang telah dilakukan
dapat diambil kesimpulan:
1.

Backpropagation neural network mampu
meramalkan pasokan TBS dari 3 kebun
yaitu inti, plasma, dan luar dan mampu
meramalkan penjualan CPO di masa
yang akan datang

2.

Secara keseluruhan BNN bagus untuk
memprediksi data pasokan TBS dan
penjualan CPO menggunakan parameter
hidden node 4 dan LR 0,2

3.

Secara keseluruhan ARIMA sangat baik
digunakan untuk meghasilkan hasil
ramalan yang nilai korelasinya lebih baik

11

jika dibandingkan BNN, hal ini dapat
dilihat dari pola data dugaan ARIMA
hamper mengikuti pola data yang
sebenarnya.
4.

Tingkat keakuratan BNN
dalam
memprediksi
pasokan
TBS
dan
penjualan
CPO
lebih
bagus
dibandingkan dengan model ARIMA
untuk data time series TBS dan CPO.

Saran
Penelitian
ini
adalah
penelitian
pendahuluan mengenai penggunaan BNN
untuk prediksi pasokan TBS dan penjualan
CPO. Untuk itu diperlukan penelitian lanjutan
sebagai berikut:
1.

Penelitian lanjutan penerapan BNN
untuk memprediksi TBS dan CPO
dengan melihat pengaruh momentum
pada arsitektur.

2.

Penelitian lanjutan penerapan BNN
untuk memprediksi TBS dan CPO
dengan
menggunakan
algoritma
pembelajaran yang lain seperti resilent
backpropagation dll.

3.

Menggabungkan dua metode yaitu
ARIMA dan BNN untuk dijadikan
Hybrid BNN yaitu dengan mengoptimasi
nilai ramalan BNN menggunakan input
dari hasil ARIMA.

DAFTAR PUSTAKA
Badan Pusat Statistik. 2006. Perkembangan
Volume dan Nilai Ekspor CPO di
Indonesia. BPS. Jakarta.
Bujang Imbarine. 2011. Progress Accuracy
for CPO Prediction: Evidence from ARMA
Family and Artificial Neural Network
Approach . International Research Jurnal
of Finance and Economy.
Douglas CM, Cheryl LJ, Murat K. 2008.
Introduction to time series analysis and
forcasting. John Wiley & Sons.
Fausset L.1994. Fundamental of Neural
Network. John Wiley & Sons.
Hadiguna Rika Ampuh.2009. Perancangan
Sistem Penunjang Keputusan Minyak
Sawit
Kasar
[Disertasi].Departemen
Teknologi Industri Pertanian FATETA
.IPB
Haloho Ebrinedy.2008. Analisis Optimalisasi
Pengadaan Tandan Buah Segar (TBS)
Sebagai Bahan Baku Industri Pengolahan

CPO dan PK (Studi Kasus Kegiatan
Replanting PT Perkebunan Nusantara VIII
Kertajaya, Kabupaten Lebak, Banten)
[Tesis]. Departemen Agribisnis FEM .IPB
Hyndman R.J. (1998) Forecasting:methods
and applications, New York: JohnWiley &
Sons.
Maulida Ana .2008. Penggunaan Elman
Reccurent
Neural
Network
dalam
Peramalan Suhu Udara sebagai Faktor
yang Mempengaruhi Kebakaran Hutan
[Skripsi]. Departemen Ilmu Komputer
FMIPA .IPB
Siang JJ. 2005. Jaringan Syaraf Tiruan &
Pemogramannya
Menggunakan
MATLAB. Yogyakarta: ANDI.
Subanar, Sulandari W.2009. Neural Network
Model ARIMA untuk Prediksi Data
Finansial [Skripsi]. Fakultas MIPA
Universitas Gajah Mada.
Walpole R.E .1993. Pengantar Statistika.
Jakarta: PT Gramedia.
Widjanarko, Otok .2000. Penerapan Artificial
Neural
Network
dengan
Proses
Pembelajaran Backropagation dalam
Peramalan
Deret
Waktu
[Tesis].
Departemen Statistika FMIPA .IPB

12

LAMPIRAN

13

Lampiran 1 Data Pasokan TBS dan Penjualan CPO

2006

2005

2004

2003

Tahun

Bulan
Jan
Peb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nop
Des
Jan
Peb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nop
Des
Jan
Peb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nop
Des
Jan
Peb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nop

Inti
1888.2
2843.8
2209.6
2063.4
2038.7
1767.6
994.9
877.9
1597.9
2415.4
4164.8
4692.4
2015.0
2988.2
3053.5
4166.4
3994.4
4174.4
3456.7
3223.3
3455.2
3322.0
1944.3
1847.1
484.8
1005.4
1622.1
2474.1
2607.0
3615.3
2820.1
2628.5
5295.2
6689.8
4593.3
7717.4
2338.0
3997.1
3578.9
4032.0
4429.3
4578.6
4623.8
4023.7
4096.7
3603.6
2281.4

Plasma
4814.9
5524.2
5041.1
4587.2
4465.4
3568.3
2012.8
1125.2
2340.5
6789.0
9371.4
13373.3
6055.1
6753.2
5665.7
6097.5
5663.4
6010.3
5349.3
5952.5
6034.5
7178.9
5914.6
5863.9
2748.4
2720.3
2403.4
3078.8
3293.7
3537.4
2053.0
2205.9
4545.9
7068.0
6288.4
11755.1
5229.8
8251.5
6185.8
5764.0
5927.9
5115.1
3469.4
3081.6
4354.3
4375.9
3598.8

Luar
3584
4870
4076
3286
2947
3378
2016
1846
3582
6032
7942
9264
4533
5073
3976
5249
4672
5381
3547
4050
5890
6847
4652
4475
2388
2260
2694
2844
3560
4685
2471
2315
4160
6895
5840
8285
4419
5860
3291
3710
4715
3964
3359
4935
3607
3593
2810

Penjualan
1932.5
2825.5
2667.3
2252.7
2157.1
1854.5
884.7
568.3
1426.4
3213.4
5042.7
6154.6
3513.4
3689.0
3080.5
3291.1
3163.1
3129.2
2631.4
2613.0
2562.6
2912.9
2301.0
2945.7
1071.5
1458.9
1437.4
1713.3
1743.1
2120.1
1665.0
1490.9
2658.4
4446.8
2983.1
4906.5
2300.3
4345.2
3120.4
2876.4
3487.5
2829.6
2366.8
2145.2
2354.8
2087.5
1565.9

2007

14

Des
Jan
Peb
Mar
Apr
Mei
Jun
Jul
Agt
Sep
Okt
Nop
Des

1868.4
678.0
1212.9
1593.1
2373.5
2537.4
3792.7
3700.4
2861.8
3701.5
5374.3
6354.6
7399.8

4083.9
2158.8
2495.2
2763.9
3371.4
3323.0
3934.2
2654.9
2153.8
3439.0
4888.4
8360.9
9360.4

4614
2889
4632
5477
5523
3984
6352
4834
3278
4719
5413
6794
9154

2146.4
1259.2
1768.1
2042.7
2308.8
1910.5
2862.1
2340.2
1943.9
2398.9
3135.6
3823.1
5263.6

15

Lampiran 2 Turunan fungsi aktivasi
Fungsi Aktivasi Sigmoid Biner

(

(

)) (

(

)

)

Fungsi Aktivasi Sigmoid bipolar

(

)
(

(

)
(

)

(
)(

)
)