1.1. Latar Belakang - Prediksi Produksi Panen Kelapa Sawit Menggunakan Jaringan Saraf Radial Basis Function (RBF)

BAB 1 PENDAHULUAN Bab ini akan membahas mengenai latar belakang penelitian, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian dan sistematika penulisan.

1.1. Latar Belakang Kelapa sawit merupakan komoditas pertanian utama dan unggulan di Indonesia.

  Produksi kelapa sawit cenderung meningkat dari tahun ke tahun sehingga industri kelapa sawit akan memiliki prospek yang cukup cerah dan menjanjikan. Hasil dari produksi kelapa sawit selain berupa bahan baku minyak goreng juga berupa bahan baku oleochemical (Kacaribu, 2013). Industri kelapa sawit harus mempersiapkan bahan baku tersebut sesuai dengan permintaan pasar untuk memenuhi kebutuhan tersebut.

  Hasil produksi kelapa sawit merupakan hal yang terpenting dalam industri kelapa sawit. Hasil produksi kelapa sawit dalam waktu dan jumlah yang tepat merupakan sesuatu yang diinginkan oleh perusahaan perkebunan. Oleh karena itu, perusahaan perkebunan negara atau swasta membutuhkan prediksi produksi untuk melakukan perancangan biaya dan juga memenuhi permintaan pasar. Hasil prediksi produksi tersebut dijadikan acuan target produksi kelapa sawit. Pada perusahaan kelapa sawit terutama pada perusahaan perseorangan, prediksi produksi kelapa sawit biasanya mengalami kendala berupa hasil produksi yang tidak mencapai target terlalu besar. Sehingga diperlukan metode yang tepat untuk menghasilkan prediksi produksi yang tepat. yang tidak mencapai target terlalu besar, sehingga diperlukan prediksi produksi yang tepat.

  Prediksi merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu (Rambe, 2002). Upaya untuk melakukan prediksi produksi kelapa sawit dapat dilakukan dengan bantuan teknologi informasi. Teknologi basis data dalam perusahaan merupakan kebutuhan pokok. Data tersebut dapat diolah dengan menggunakan konsep data mining. Data mining merupakan proses kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan pola atau hubungan dalam set data berukuran besar (Santosa, 2007). Data mining memiliki sifat prediksi (prediction driven) untuk menjawab pertanyaan apa dan sesuatu yang bersifat tidak pasti yang digunakan untuk validasi hipotesis, querying dan pelaporan, analisis multidimensi (dimensional summary ) serta analisis statistik (Hermawati, 2013).

  Penelitian Bando (2012) melakukan penelitian mengenai prediksi produksi kelapa sawit dengan menggunakan metode ARIMA (Autoregressive Integrated

  

Moving Average ) untuk memprediksi curah hujan dan produksi kelapa sawit dalam

  jangka waktu yang pendek yang menghasilkan data mengenai hasil peramalan produksi dalam bentuk grafik dengan indikator curah hujan. Penelitian lain oleh Hermantoro dan Purnawan (2009) menggunakan metode Artificial Neural Network (ANN) berdasarkan tujuh data parameter dengan menggunakan kualitas lahan yaitu curah hujan, ketinggian dari permukaan laut, kelerengan, umur tanaman, batuan, solium, dan keasaman tanah. Hasil dari penelitian tersebut saat pengujian mendapat

  2

  nilai R =0.8901 dan nilai RMSE = 2.2196 dengan model 7-3-1. Kacaribu (2013) menggunakan metode regresi ganda dan Exponential Smoothing dengan variabel bebas berupa umur tanaman, jumlah pohon, curah hujan dan dosis pupuk. Penelitian menghasilkan perbandingan data hasil produksi dengan kedua metode dengan nilai MAPE regresi ganda = 22% dan keterhubungan variabel dengan hasil produksi.

  Jaringan saraf tiruan adalah salah satu cabang ilmu dari bidang ilmu kecerdasan buatan dan merupakan alat untuk memecahkan masalah terutama dibidang-bidang yang melibatkan pengelompokan dan pengenalan pola (pattern

  

recognition ) (Puspitaningrum, 2006). Jaringan saraf tiruan cocok digunakan untuk

  masalah prediksi. Salah satu jaringan saraf tiruan yang akan diterapkan pada penelitian ini adalah Radial Basis Function (RBF). RBF berbeda dari pendekatan

  

Multilayer Perceptron (MLP) yang lebih sering digunakan, jaringan RBF menggunakan kalkulasi yang lebih mudah sehingga metode ini dapat belajar lebih cepat dan memiliki error yang lebih kecil dibandingkan MLP (Jayawardena et al, 1997). Jaringan RBF memiliki algoritma pelatihan dengan pembelajaran supervised (terawasi) dan unsupervised (tidak terawasi) yang dipakai secara bersamaan. Pada umumnya untuk pembelajaran tidak terawasi menggunakan algoritma K-means, sedangkan untuk pembelajaran terawasi dapat menggunakan algoritma Least Means

  

Square (LMS). Algoritma K-means digunakan karena perhitungannya yang sederhana

  dan mampu mencari sendiri nilai center yang terbaik bagi data, sedangkan LMS digunakan untuk mencari nilai weight yang akan digunakan untuk proses pengujian. Penggunaan metode RBF ini sudah pernah diterapkan dalam beberapa kasus seperti prediksi harga saham (Tan et al, 2012), prediksi harga emas (Hussein et al, 2011), pengenalan pola tanda tangan (Jariah et al, 2011), dan klasifikasi genre musik (Gardhianta, 2013).

  Pada penelitian ini, penulis akan memprediksikan produksi panen kelapa sawit dengan menggunakan jaringan saraf RBF. Pemilihan input dilakukan berdasarkan atribut yang ada. Output yang akan dihasilkan merupakan prediksi hasil produksi panen yang dapat digunakan untuk target produksi panen. Dengan pemilihan algoritma, input dan output yang akan digunakan, diharapkan RBF akan memberikan hasil prediksi yang dibutuhkan oleh perusahaan.

  1.2. Rumusan Masalah

  Penentuan target produksi diperlukan untuk memenuhi rencana kerja dan penentuan biaya produksi pada suatu perusahaan perkebunan. Perusahaan memerlukan prediksi hasil produksi panen yang tepat untuk dijadikan acuan target produksi panen. Oleh karena itu, dibutuhkan sebuah aplikasi untuk memprediksi hasil produksi panen kelapa sawit agar perusahaan lebih mudah menentukan target produksi.

  1.3. Tujuan Penelitian

  Adapun tujuan dari penelitian ini adalah memprediksi produksi kelapa sawit dengan menggunakan jaringan saraf Radial Basis Function (RBF).

1.4. Batasan atau Ruang Lingkup Penelitian

  Batasan masalah dibuat untuk mencegah meluasnya pembahasan dan agar lebih terarah. Batasan-batasan tersebut adalah sebagai berikut.

  1. Data yang dianalisis adalah data-data hasil produksi harian kelapa sawit pada perusahaan perkebunan negara daerah Sumatera Utara pada periode 2010 - 2013.

  2. Hasil prediksi tidak mempertimbangkan pengaruh-pengaruh lain seperti faktor alam selain dari atribut input yang digunakan.

  3. Hasil prediksi tidak mempertimbangkan kejadian pencurian dan pertimbangan yang menyebabkan kehilangan produksi secara disengaja ataupun tidak.

  4. Hanya melakukan perbandingan hasil prediksi dan menguji performa metode yang dipakai.

1.5. Manfaat Penelitian Manfaat penelitian ini adalah sebagai berikut.

  1. Mengidentifikasi dan mengimplementasika data dengan jaringan saraf RBF.

  2. Mengetahui kemampuan jaringan saraf RBF dalam memprediksi produksi panen kelapa sawit.

  3. Menghasilkan prediksi hasil produksi panen kelapa sawit.

  4. Penelitian dapat dijadikan sebagai bahan rujukan untuk penelitian lain.

1.6. Metodologi Penelitian

  Tahapan-tahapan yang akan dilakukan pada pelaksanaan penelitian ini adalah sebagai berikut.

1. Studi literatur

  Studi literatur yang dilakukan dalam penelitian ini adalah mengumpulkan bahan bahan referensi tentang prediksi produksi kelapa sawit, faktor yang mempengaruhi dan jaringan saraf tiruan serta bahan pembelajaran pendukung dari banyak sumber berupa jurnal, buku dan dari referensi lainnya.

  2. Analisis permasalahan Pada tahap ini dilakukan analisis dari bahan referensi yang telah dikumpulkan, untuk memahami teknik prediksi data mining, faktor-faktor produksi dan jaringan saraf tiruan dalam penelitian ini.

  3. Pengumpulan data Pada tahap ini dilakukan pengumpulan serta pembagian data yang telah didapat.

  Pembagian data dikelompokkan menjadi data latih dan data uji.

  4. Pembangunan program Pada tahap ini dibangun program dengan mengimplementasikan jaringan saraf RBF untuk memprediksi hasil produksi panen kelapa sawit dari data yang telah dikumpulkan.

  5. Analisis dan evaluasi hasil Pada tahap ini dilakukan analisis dan evaluasi terhadap hasil yang didapat melalui implementasi jaringan saraf Radial Basis Function dengan menghitung hasil error antara nilai aktual dan nilai hasil prediksi.

  6. Dokumentasi dan pelaporan Pada tahap ini dilakukan dokumentasi dan penyusunan laporan hasil evaluasi dan analisis serta implementasi jaringan saraf Radial Basis Function pada aplikasi prediksi produksi kelapa sawit.

1.7. Sistematika Penulisan

  Sistematika penulisan dari skripsi ini terdiri atas lima bagian utama sebagai berikut:

  Bab I : Pendahuluan Bab ini berisi latar belakang dari penelitian, rumusan masalah, tujuan penelitian,

  batasan masalah, manfaat penelitian, metodologi penelitian serta sistematika penulisan.

  Bab II : Landasan Teori Bab ini berisi teori yang diperlukan untuk memahami permasalahan yang dibahas

  pada penelitian ini. Teori yang berhubungan dengan data mining, kelapa sawit, prediksi, jaringan saraf tiruan dan materi pendukung yang lainnya akan dibahas dalam bab ini.

Bab III : Analisis dan Perancangan Bab ini membahas analisis dan penerapan metode jaringan saraf Radial Basis Function untuk memprediksi produksi kelapa sawit. Pada bab ini juga akan dijabarkan arsitektur umum, proses yang akan dilakukan termasuk perancangan aplikasi prediksi. Bab IV : Implementasi dan Pengujian Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang disusun pada Bab III. Selain itu akan dijabarkan hasil implementasi yang didapatkan. Bab V : Kesimpulan dan Saran Bab ini berisi kesimpulan dari rancangan yang telah dibahas pada bab-bab

  sebelumnya terutama pada bab III dan bab IV. Bagian akhir dari bab ini akan berisi saran-saran yang diajukan untuk pengembangan penelitian selanjutnya.