Prediksi Hasil Panen Benih Tanaman Kenaf Menggunakan Metode Support Vector Regression (SVR) Pada Balai Penelitian Tanaman Pemanis dan Serat (Balittas)

  

Vol. 2, No. 12, Desember 2018, hlm. 6519-6526 http://j-ptiik.ub.ac.id

Prediksi Hasil Panen Benih Tanaman Kenaf Menggunakan Metode

  

Support Vector Regression (SVR) Pada Balai Penelitian Tanaman Pemanis

₁

dan Serat (Balittas)

_{2 3} Robih Dini , Budi Darma Setiawan , Candra Dewi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: robihdini.28@gmail.com, s.budidarma@ub.ac.id, dewi_candra@ub.ac.id

  

Abstrak

Tanaman Kenaf (Hibiscus cannabinus L.) merupakan tanaman serat yang memiliki banyak manfaat.

  Tanaman kenaf sendiri diperbanyak melalui benih sehingga diperlukan untuk melakukan penanganan benih dengan tepat agar kualitas benih tidak berkurang sehingga dapat meningkatkan produktivitas tanaman kenaf. Balai Tanaman Pemanis dan Serat (Balittas) sebagai penghasil benih mengalami kendala untuk memprediksi hasil panen benih kenaf guna mempersiapkan penanganan benih hasil panen dengan tepat. Oleh karena itu pada penelitian ini diusulkan metode regresi dengan menggunakan Support Vector Regression (SVR) dengan menggunakan kernel Radial Basis Function (RBF). Dengan harapan penelitian ini dapat membantu pihak Balittas untuk mempersiapkan penanganan hasil panen benih kenaf dengan tepat. Penelitian menggunakan 100 data karakteristik tanaman kenaf yang diukur dari waktu awal tanam hingga menjelang panen. Dari hasil pengujian yang telah dilakukan, hasil prediksi menunjukkan nilai error menggunakan metode Mean Absolute

  

Percentage Error (MAPE) sebesar 3,5371% dengan menggunakan nilai parameter SVR yang terbaik

_-7

  yaitu cLR = 0, , C = 0, 01, σ = 0,25, ε = 1 x 10 5, λ = 0,6, dan jumlah iterasi = 25000.

  Kata kunci: tanaman kenaf, benih kenaf, prediksi, support vector regression, radial basis function

Abstract

Kenaf (Hibiscus cannabinus L.) is a fiber plant that has many benefits. Kenaf is grown by seed so it is

necessary to handle the seeds in order to ensure the quality of the seed is not decreased so as to

increase the productivity of the kenaf. Balai PenelitianTanaman Pemanis dan Serat (Balittas) as the

producer of the seeds has constraint to predict the yields of kenaf seed for the proper handling

preparation of kenaf seeds. Therefore in this research proposed regression method using Support

Vector Regression (SVR) by using Radial Basis Function (RBF). Hopefully this research can help

Balittas to prepare the handling of the harvested of kenaf seeds properly. The research used 100 data

about the characteristics of kenaf plants measured from the beginning of planting until the time of

harvest. From the testing results that have been done, the result of prediction show the error value

using Mean Absolute Percentage Error 3,5371% by using the best SVR parameters value which is cLR

• _-7 = 0, , C = 0, 01, σ = 0,25, ε = 1 x 10 5, λ = 0,6, and the number of iterations = 25000.

  Keywords: kenaf, kenaf seed, prediction, support vector regression, radial basis function

  industri memiliki keuntungan yaitu serat kenaf 1.

   PENDAHULUAN memiliki sifat ramah lingkungan dan dapat

  mengurangi biaya pembuatan (Hakin & A, Tanaman kenaf (Hibiscus cannabicus L.)

  2014). Selain serat, daun dan biji dari tanaman merupakan tanaman serat yang hampir seluruh kenaf juga memiliki manfaat. Daun kenaf dapat bagian tanaman dapat dimanfaatkan. Serat yang dimanfaatkan sebagai pakan ternak pada unggas dihasilkan dari batang kenaf sekarang dapat dan dapat menjadi bahan pupuk organik karena dimanfaatkan sebagai bahan baku industri mengandung protein kasar sebesar 24 – 30%. seperti geo-textile, fibre drain, fibre board,

  Sedangkan biji kenaf dapat dimanfaatkan

  particle board , pulp, dan kertas dengan kualitas

  sebagai bahan pembuatan minyak goreng dan yang tinggi. Penggunaan serat kenaf dalam

  Fakultas Ilmu Komputer Universitas Brawijaya

6519 bahan farmasi karena mengandung asam lemak tak jenuh sebesar 20% (Sudjindro, 2009). Oleh karena itu, budidaya tanaman kenaf mulai dikembangkan.

  Balai Penelitian Tanaman Pemanis dan Serat (Balittas) merupakan salah satu Unit Pelaksana Tunggal (UPT) dari Badan Penelitian dan Pengembangan Pertanian (Balitbangtan).

  sekuensial SVR (Vijayakumar & Wu, 1999): 1.

  = max ( )

  ). Nilai gamma dapat dihitung dengan Persamaan 2.

  = Nilai skalar konstan Nilai maksimal dari matriks Hessian selanjutnya digunakan sebagai perhitungan nilai gamma (

  = Matriks Hessian ( , ) = Fungsi kernel

  (1) Keterangan:

  2

  = ( , ) +

  2. Melakukan perhitungan matriks Hessian dengan Persamaan 1.

  = 0, dan jumlah iterasi maksimal.

  ∗

  Inisialisasi parameter SVR yang digunakan yaitu , , cLR, C, dan

  kernel . Berikut langkah-langkah dari algoritme

  Upaya yang dilakukan oleh pihak Balittas dalam mengembangkan tanaman kenaf adalah dengan menghasilkan benih kenaf yang selanjutnya akan dilakukan penelitian hingga dapat menemukan bibit tanaman kenaf yang unggul. Benih kenaf yang dihasilkan seharusnya merupakan benih dengan mutu yang tinggi.

  kesalahan sehingga dapat mengatasi masalah overfitting (Scholkopf & Smola, 2002). Algoritme SVR merupakan algoritme sekuensial yang dapat mengatasi permasalahan regresi non linier dengan menggunakan fungsi

  hyperplane dengan meminimalkan nilai

  Algoritme Support Vector Regression (SVR) merupakan pengembangan dari algoritme Support Vector Machine (SVM) yang dapat mengatasi masalah regresi. Cara kerja dari SVR adalah membangun sebuah

  2. SUPPORT VECTOR REGRESSION

  Berdasarkan permasalahan dan referensi penelitian yang telah dilakukan sebelumnya, maka dalam penelitian ini akan dilakukan prediksi hasil panen benih kenaf dengan menggunakan algoritme SVR. Diharapkan metode ini dapat menyelesaikan kendala yang dihadapi oleh Balittas dalam melakukan persiapan penanganan hasil panen benih kenaf.

  (ANN) pada prediksi hasil produksi minyak kelapa sawit. Hasil penelitian menunjukkan bahwa kinerja dari SVR lebih baik dengan menghasilkan nilai koefisien relasi sebesar 95% dan MSE sebesar 6% dibandingkan dengan ANN yang menghasilkan koefisien relasi sebesar 74% dan MSE sebesar 9%. Selain itu, SVR juga dapat menghasilkan prediksi untuk waktu 3 tahun ke depan dengan kenaikan 3% hingga 6% (Mustakim, et al., 2016).

  Artificial Neural Network

  Penelitian yang lain adalah penelitian perbandingan metode antara SVR dengan

  oleh Jaikla (2008) adalah melakukan prediksi hasil panen padi menggunakan SVR yang bertujuan untuk menemukan lokasi yang cocok untuk dapat memaksimalkan hasil panen padi dan mengurangi risiko investasi dalam produksi padi. Hasil penelitian menunjukkan dengan nilai MAPE sebesar 2,94%. SVR mampu mengatasi masalah overfitting sehingga dapat menghasilkan performansi yang baik. Selain itu SVR juga dapat diaplikasikan pada data yang bersifat kontinu (Smola & Scholkopf, 2004).

  Regression (SVR). Penelitian yang dilakukan

  Terdapat beberapa metode prediksi yang dapat digunakan dalam memprediksi hasil panen, salah satunya adalah Support Vector

  Terdapat beberapa prosedur yang harus diperhatikan dalam menghasilkan benih kenaf dengan mutu yang tinggi, dimulai dari pemilihan bahan tanaman, pemeliharaan tanaman, waktu panen, dan penanganan benih setelah panen (Hasanah, 2002). Akan tetapi pihak Balittas mengalami kendala saat melakukan penanganan hasil panen benih kenaf. pihak Balittas tidak dapat memprediksi hasil benih kenaf yang akan dipanen sehingga tidak dapat mempersiapkan persiapan penanganan hasil panen benih kenaf dengan tepat. Sehingga meskipun saat panen menghasilkan benih dengan mutu yang tinggi, jika penanganan yang dilakukan kurang tepat maka akan menyebabkan penurunan mutu pada benih kenaf. Oleh karena itu, diperlukan suatu metode untuk dapat memprediksi hasil panen benih kenaf agar pihak Balittas dapat menyesuaikan persiapan penanganan benih dengan tepat sehingga dapat menghasilkan benih kenaf dengan mutu yang tinggi.

  (2) Keterangan: lebih tinggi. Metode kernel yang sering digunakan yaitu Radial Basis Function (RBF) = Nilai laju pembelajaran SVR

  (Cholissodin, et al., 2015). Perhitungan fungsi = Constanta learning rate RBF ditunjukkan pada Persamaan 9.

  kernel

  2 −‖ − ‖ 3.

  Melakukan beberapa tahap perhitungan (9)

  ( , ) = ( 2 )

  2

  untuk setiap data latih sebagai berikut: Keterangan:

  a. nilai error dengan Menghitung Persamaan 3.

  = Fungsi kernel ( , )

  ∗

  (3) = Nilai eksponensial

  = − ∑ ( =1 − )

  Keterangan: = Jarak antar data

  ‖ − ‖ = Nilai sigma

  = Nilai error pada indeks ke-i = Nilai aktual data pada indeks 4.

NORMALISASI DATA

  ke-i Normalisasi data adalah metode

  ∗

  = Nilai lagrange multiplier ,

  preprocessing data dengan menyederhanakan

  nilai data pada skala tertentu. Normalisasi data = Nilai matriks Hessian dapat membantu mempercepat dalam proses b.

  Menghitung perubahan nilai Lagrange pembelajaran SVR (Li & Liu, 2011). Pada

  multiplier dengan Persamaan 4 dan 5.

  penelitian ini metode yang digunakan adalah

  ∗ ∗ Min-Max Normalization yang perhitungannya

  ∗

  (4)

  ], C − = min {max|[ ( − ), }

  ditunjukkan pada Persamaan 10.

  ( 5) = min {max|[ (− − ), ], C − ′

  ) × = + ( − −

  Keterangan: (10)

  ( ) −

  ∗

  = Perubahan nilai lagrange

  ,

  Keterangan: multiplier = Nilai normalisasi data

  ′ = Nilai batas error pada

  = Nilai data fungsi = Nilai maksimal

  = Nilai kompleksitas C

  = Nilai Minimal c. Menghitung nilai lagrange multiplier baru dengan Persamaan 6 dan 7.

  = Nilai skala maksimal

  ∗ ∗

  (6)

  ( ) = ( )

• ∗

  = Nilai skala minimal (7)

  ( ) = ( ) +

  Sedangkan proses pengembalian dari nilai normalisasi ke nilai data semula ditunjukkan

4. Melakukan perulangan pada Tahap ke-3 pada Persamaan 11.

  hingga mencapai iterasi maksimal atau data

  ′−

  latih mencapai konvergensi dengan

  ) + = ( ) × ( − −

  ∗

  memenuhi syarat (| |) < dan

  (11) (| |) < .

  5.

  5. Melakukan perhitungan nilai fungsi regresi MEAN ABSOLUTE PERCENTAGE

  dengan Persamaan 8. ERROR

  ∗

  2

  (8)

  Mean Absolute Percentage Error (MAPE) ( ) = ∑ ( − )( ( , ) + )

  =1

  merupakan salah satu metode evaluasi hasil 3. prediksi dengan menghitung persentase selisih

KERNEL RADIAL BASIS FUNCTION

  antara hasil prediksi dengan data aktual. MAPE Penggunaan metode kernel pada algoritme

  Perhitungan nilai MAPE ditunjukkan pada SVR dapat membantu mengatasi permasalahan persamaan 12 (Chang, et al., 2007). yang bersifat non linier yaitu dengan

  ′ | − |

  1

  memetakan data pada ruang fitur dimensi yang (12)

  = ∑ × 100 =1 Keterangan: Start

  = Jumlah data = Hasil prediksi

  ′ Data, Parameter

  = Nilai aktual SVR (C, ε, σ, λ,

  cLR ), max iterasi 6.

METODOLOGI PENELITIAN

  Data yang digunakan dalam penelitian ini Normalisasi Data merupakan data hasil karakterisasi tanaman kenaf yang dilakukan oleh Balittas pada tahun 2013 sebanyak 100 data. Parameter yang akan digunakan untuk melakukan prediksi yaitu

  Pelatihan SVR umur bunga ketika pertama kali berbunga, diameter batang bagian bawah, jumlah kapsul masak, dan berat benih dari 10 tanaman.

  Pada proses prediksi hasil panen benih Pengujian SVR kenaf dengan menggunakan SVR terdapat beberapa tahapan.

  Pertama, melakukan inisialisasi parameter Hasil Prediksi dan algoritme SVR. Kemudian, data akan dilakukan

  Nilai MAPE proses normalisasi data, kemudian data akan dibagi menjadi data latih dan data uji.

  Selanjutnya data latih akan dilakukan proses pelatihan dengan menggunakan End algoritme SVR sesuai dengan persamaan 1

• – 7. Setelah itu proses pengujian dilakukan dengan

  Gambar 1. Diagram Alir Proses Prediksi dengan

  menggunakan data uji menggunakan persamaan

  SVR 8.

  Pada proses pengujian, hasil prediksi dari

  7.1 Hasil dan Analisis Pengujian Jumlah

  perhitungan fungsi regresi selanjutnya

  Data Latih

  dilakukan perhitungan denormalisasi data Pengujian jumlah data latih dilakukan sehingga mendapatkan nilai aktual hasil untuk memperoleh jumlah data latih yang dapat prediksi. menghasilkan nilai error terkecil. Variasi

  Evaluasi metode dilakukan dengan jumlah data latih yang diujikan adalah sebagian menghitung nilai error yang dihasilkan data dari jumlah keseluruhan data yaitu 40%, menggunakan MAPE. Diagram alir proses

  50%, 60%, 70%, dan 80% dengan jumlah data prediksi menggunakan SVR ditunjukkan pada uji sebesar 10% dari jumlah data keseluruhan. Gambar 1.

  Parameter SVR yang digunakan yaitu σ = 2,7,

  C = 5,

  λ = 4,6, ε = 0,0008, cLR = 0,00004, dan 7.

PENGUJIAN DAN ANALISIS

  jumlah iterasi = 1250. Hasil pengujian jumlah Terdapat beberapa skenario pengujian data latih ditunjukkan pada Gambar 2. yang dilakukan diantaranya yaitu pengujian jumlah data latih, pengujian masing-masing

  Pengujian Jumlah Data Latih

  parameter SVR, dan pengujian jumlah iterasi

  15 SVR. Pada setiap pengujian terdapat beberapa E

  variasi yang selanjutnya akan dilakukan

  10

  perbandingan untuk mendapatkan nilai MAPE

  MAP ai

  5

  terkecil kemudian hasil pengujian yang terbaik il

  N

  akan digunakan sebagai parameter pada pengujian selanjutnya sehingga dapat

  40% 50% 60% 70% 80% menghasilkan hasil prediksi yang baik.

  Jumlah Data Latih Gambar 2 Grafik Hasil Pengujian Jumlah Data Latih Berdasarkan grafik pada Gambar 2 menunjukkan bahwa semakin banyak jumlah data latih yang digunakan untuk proses pelatihan, nilai MAPE yang dihasilkan semakin kecil. Jumlah data latih yang digunakan yang menghasilkan nilai MAPE terkecil yaitu pada jumlah data sebesar 80% dengan nilai MAPE sebesar 7,97984. Hal ini dikarenakan pada proses sequential learning pada pelatihan SVR akan membentuk sebuah model regresi dengan mempelajari pola-pola pada setiap data. Pada pengujian ini jumlah data latih yang akan digunakan sebagai parameter pengujian selanjutnya yaitu data dengan jumlah 80%.

7.2 Hasil dan Analisis Pengujian Nilai Parameter cLR

  Pengujian nilai parameter constanta

  1

  6

  learning rate (cLR) dilakukan untuk

  8

  10 ,0

  1 ,0 5 ,0

  1 0, 05 ,1

  ,2

  5 ,5

  Gambar 4 Grafik Hasil Pengujian Nilai Parameter Sigma

  5

  2

  sigma ditunjukkan pada Gambar 4.

  Pengujian nilai parameter sigma dilakukan untuk mendapatkan nilai parameter sigma yang dapat menghasilkan nilai MAPE yang terkecil. Pengujian nilai parameter sigma dilakukan dengan menggunakan beberapa nilai 0,001, 0,005, 0,01, 0,05, 0,1, 0,25, 0,5, 1, 5, dan 10. Parameter SVR yang digunakan yaitu C = 5, λ = 4,6, ε = 0,0008, cLR = 0,01, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter

  7.3 Hasil dan Analisis Pengujian Nilai Parameter Sigma (σ)

  yang akan digunakan sebagai parameter pengujian selanjutnya yaitu sebesar 0,01.

  cLR

  10 N il ai MAP E

  Nilai Parameter Sigma Pengujian Nilai Parameter Sigma

  mendapatkan nilai parameter cLR yang dapat menghasilkan nilai MAPE terkecil. Nilai parameter cLR yang diujikan mulai dari 0,000001 hingga 0,01. Parameter SVR yang digunakan yaitu σ = 2,7, C = 5, λ = 4,6, ε = 0,0008, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter cLR ditunjukkan pada Gambar 3.

  4

50 N

  il ai MAP E

  sigma yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 0,5.

  Gambar 3 Grafik Hasil Pengujian Nilai Parameter cLR

  Berdasarkan grafik pada Gambar 3 menunjukkan bahwa semakin besar nilai cLR yang digunakan maka nilai MAPE yang dihasilkan semakin kecil. Nilai parameter cLR yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0.01 dengan nilai MAPE sebesar 7.331778. Hal ini dikarenakan nilai cLR berfungsi untuk menentukan nilai gamma (

  ) yang digunakan untuk mengatur laju pembelajaran algoritme. Namun jika nilai cLR yang digunakan terlalu besar, pembelajaran akan berjalan lebih cepat sehingga dapat menyebabkan konvergensi dini. Nilai parameter

  Hasil pengujian menunjukkan bahwa nilai parameter sigma yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0,25 dengan nilai MAPE sebesar 2,00133. Berdasarkan grafik pada Gambar 4 menunjukkan bahwa semakin besar nilai parameter sigma yang digunakan maka hasil prediksi semakin baik. Nilai sigma digunakan untuk melakukan perhitungan pada kernel yang berpengaruh pada model pemetaan data. Jika nilai sigma terlalu kecil, maka dapat menghasilkan model yang

  overfit . Tetapi jika nilai sigma terlalu besar,

  maka akan mempengaruhi kecepatan waktu komputasi yang lebih lama. Nilai parameter

  7.4 Hasil dan Analisis Pengujian Nilai Parameter Epsilon (ε)

  Nilai Parameter cLR Pengujian Nilai Parameter cLR

  Pengujian nilai parameter epsilon dilakukan untuk mendapatkan nilai parameter

  epsilon yang dapat menghasilkan nilai MAPE

  yang terkecil. Pengujian nilai parameter epsilon

  20

  30

  40

  10 dilakukan dengan menggunakan nilai mulai dari 0,0000001 hingga 1. Parameter SVR yang d igunakan yaitu σ = 0,25, C = 5, λ = 4,6, cLR =

  0,01, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter epsilon ditunjukkan pada Gambar 5.

  10

  50 N il ai MAP E

  40

  30

  20

50 N

  7.6 Hasil dan Analisis Pengujian Nilai Parameter Lambda (λ)

  Pengujian nilai parameter lambda (λ) dilakukan untuk mendapatkan nilai parameter

  Nilai Parameter Lambda Pengujian Nilai Parameter Lamda

  4 6 8 10 N il ai MAP E

  2

  6 0,1 0,2 0,4 0,6 0,8 1

  5

  4

  3

  2

  1

  Nilai Parameter C Pengujian Nilai Parameter C

  Hasil pengujian menunjukkan bahwa nilai parameter epsilon yang menghasilkan nilai MAPE terkecil yaitu pada nilai 1 × 10 ^-7 dengan nilai MAPE sebesar 1,977451. Berdasarkan grafik pada Gambar 5 menunjukkan bahwa semakin besar nilai epsilon yang digunakan, maka nilai MAPE yang dihasilkan semakin besar. Pengujian pada nilai 1 × 10

• ^-7 hingga 1 ×

  10 ^-4 menghasilkan nilai MAPE yang stabil tetapi saat pengujian pada nilai 1 × 10

• ^-3 hingga 1 nilai MAPE yang dihasilkan mulai lebih besar. Hal ini dikarenakan nilai epsilon digunakan sebagai batas nilai kesalahan. Semakin kecil nilai epsilon yang digunakan, maka proses pembelajaran akan semakin lebih lama untuk dapat menemukan model yang tepat. Nilai parameter epsilon yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 1 × 10 ^-7 .

  Pengujian nilai parameter complexity ( ) dilakukan untuk mendapatkan nilai parameter sigma yang dapat menghasilkan hasil prediksi yang terbaik. Pengujian nilai parameter dilakukan dengan menggunakan beberapa nilai 0,00001 hingga 100. Parameter SVR yang digunakan yaitu σ = 0,25, , λ = 4,6, ε = 1 × 10

• ^-7 , cLR = 0,001, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter C ditunjukkan pada Gambar 6.

  Gambar 6 Grafik Hasil Pengujian Nilai Parameter C

  Hasil pengujian menunjukkan bahwa nilai parameter C yang menghasilkan nilai MAPE yang dihasilkan mulai stabil pada nilai 0,5 dengan nilai MAPE sebesar 1,977724. Berdasarkan grafik pada Gambar 6 semakin besar nilai parameter C yang digunakan maka nilai MAPE yang dihasilkan semakin kecil. Nilai parameter digunakan sebagai nilai pinalti dari batas nilai toleransi terhadap kesalahan dalam proses pembelajaran. Nilai parameter C yang akan digunakan untuk pengujian selanjutnya yaitu sebesar 0,5.

  Gambar 5 Grafik Hasil Pengujian Nilai Parameter Epsilon

  il ai MAP E

  40

  30

  20

  10

  Gambar 7 Grafik Hasil Pengujian Nilai Parameter Lambda

  yang terbaik. Pengujian nilai parameter lambda dilakukan dengan menggunakan beberapa nilai dimulai dari 0,1 hingga 10. Parameter SVR yang digunakan yaitu σ = 0,25, C = 0,5, ε = 1 × 10 ^-7 , cLR = 0,01, dan jumlah iterasi = 1250. Hasil pengujian nilai parameter lambda ditunjukkan pada Gambar 7.

  lambda yang dapat menghasilkan hasil prediksi

  Nilai Parameter Epsilon Pengujian Nilai Parameter Epsilon

7.5 Hasil dan Analisis Pengujian Nilai Parameter Complexity (C)

  Hasil pengujian menunjukkan bahwa nilai parameter lambda yang menghasilkan nilai MAPE terkecil yaitu pada nilai 0,6 dengan nilai MAPE sebesar 1,335572. Berdasarkan grafik hasil pengujian nilai parameter lambda yang ditunjukkan pada Gambar 7, menunjukkan bahwa semakin besar nilai lambda yang digunakan, maka nilai MAPE yang dihasilkan akan semakin besar. Hal ini dikarenakan nilai

  Chang, P. C., Wang, Y. W. & Chen, H. L., 2007. The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Expert Systems with Applications, pp. 86-96.

  7

  5

  5

  2

  2

  5

  1

  1

  500

  0,2 0,4 0,6 0,8

  lambda digunakan untuk melakukan

7.7 Hasil dan Analisis Pengujian Jumlah Iterasi

  Cholissodin, I. et al., 2015. Prediksi Tinggi Muka Air (TMA) untuk Deteksi Dini Bencana Banjir Menggunakan SVR- TVIWPSO. Jurnal Teknologi Informasi dan Ilmu Komputer, Volume 2, pp. 79-86.

  sebesar 0,0000001, nilai parameter C sebesar 0,5, nilai parameter lambda sebesar 0,6, dan jumlah iterasi sebesar 25000. Nilai dari masing- masing parameter kemudian dilakukan pengujian dengan data uji menghasilkan nilai MAPE sebesar 3,537168.

  il ai MAP E

  sigma sebesar 0,25, nilai parameter epsilon

  Berdasarkan pengujian yang telah dilakukan, dalam melakukan prediksi hasil panen benih kenaf dengan SVR dengan hasil yang terbaik menggunakan jumlah data latih sebanyak 80% dari keseluruhan data, nilai parameter cLR sebesar 0,01, nilai parameter

   KESIMPULAN

  3,537168 8.

  Tabel 1 Hasil Pengujian dengan Parameter Terbaik Nilai MAPE

  digunakan yaitu sebesar 25000. Pengujian dilakukan dengan menggunakan data uji sebesar 10% dari jumlah seluruh data yang belum dikenali polanya. Hasil pengujian dengan menggunakan parameter terbaik ditunjukkan pada Tabel 1.

  lambda sebesar 0,6. Jumlah iterasi yang akan

  Setelah mendapatkan nilai-nilai parameter SVR yang optimal pada pengujian sebelumnya, selanjutnya dapat dilakukan pengujian dengan menggunakan parameter terbaik. Jumlah data latih yang akan digunakan untuk proses pembelajaran yaitu sebesar 80% dari jumlah seluruh data. Nilai parameter cLR sebesar 0,01, nilai parameter sigma sebesar 0,25, nilai parameter epsilon sebesar 1 × 10

• ^-7 , nilai parameter C sebesar 0,5, dan nilai parameter

  7.8 Hasil Pengujian dengan Menggunakan Parameter Terbaik

  Berdasarkan hasil pengujian iterasi yang telah dilakukan, nilai MAPE yang terendah yang dihasilkan sebesar 0,116297 dengan jumlah iterasi sebesar 25000 kali. Ini menunjukkan bahwa jumlah iterasi sangat berpengaruh dikarenakan semakin banyak iterasi yang dilakukan maka proses pembelajaran semakin baik sehingga dapat menghasilkan hasil prediksi yang lebih baik. Grafik pengaruh jumlah iterasi terhadap nilai MAPE yang dihasilkan dapat ditunjukkan pada Gambar 8. Pada pengujian ini, jumlah iterasi yang akan digunakan pada pengujian selanjutnya yaitu sebesar 25000.

  , dan cLR = 0,01. Hasil pengujian jumlah data latih ditunjukkan pada Gambar 8.

  Pengujian jumlah iterasi dilakukan untuk mendapatkan jumlah iterasi yang dapat menghasilkan hasil prediksi yang terbaik. Pengujian jumlah iterasi dilakukan dengan menggunakan jumlah iterasi mulai dari 500 hingga 25000. Parameter SVR yang digunakan yaitu σ = 0,25, C = 0,5, λ = 0,6, ε = 1 × 10

• ^-7

  perhitungan matriks Hessian. Sehingga jika nilai lambda yang digunakan semakin besar, maka akan mempengaruhi kecepatan komputasi dalam menyelesaikan perhitungan.

DAFTAR PUSTAKA

  5

5 N

  2

  2

  1

  Jumlah Iterasi Pengujian Jumlah Iterasi

  Hakin, R. & A, E. L., 2014. Keragaman Morfologi Kenaf (Hibiscus cannabinus L.) KR

  Gambar 8 Grafik Hasil Pengujian Jumlah Iterasi

  11 Mutan EMS (Ethyl Methanesulfonate) berdasarkan Panduan Karakterisasi Kenaf. Jurnal Biotropika, Volume 2, pp. 8-13.

  Hasanah, M., 2002. Peran Mutu Fisiologik Benih dan Pengembangan Industri Benih Tanaman Industri. Jurnal Litbang Volume 3, pp. 84-91.

  Pertanian,

  Jaikla, R., Auephanwiriyakul, S. & Jintrawet,

  A., 2008. Rice Yield Prediction using a

  Support Vector Regression method. s.l., s.n.

  Li, W. & Liu, Z., 2011. A method of SVM with Normalization in Intrusion Detection.

  Procedia Environmental Sciences, Volume 11, pp. 256-262.

  Mustakim, Buono, A. & Hermadi, I., 2016.

  Performance Comparison between Support Vector Regression and Artificial Neural Network for Prediction of Oil Palm Production. Jurnal Komputer dan

  Informasi ( Journal of Computer Science and Information), Volume 9/1, pp. 1-8.

  Scholkopf, B. & Smola, A. J., 2002. Learning with Kernels. London: The MIT Press. Smola, A. J. & Scholkopf, B., 2004. A Tutorial on Support Vector Regression. Statistics

  and Computing, Volume 14, p. 199 –222.

  Sudjindro, 2009. Produk-Produk Diversifikasi Kenaf. Dalam: Monograf Balittas: Kenaf.

  Malang: Balai Penelitian Tanaman Tembakau dan Serat, pp. 107-113. Vijayakumar, S. & Wu, S., 1999. Sequential Support Vector Classifiers and Regression.

  Saitama, RIKEN Brain Science Institute, The Institute for Physical and Chemical Research.