APLIKASI MODEL BACKPROPAGATION NEURAL NETWORK UNTUK PERKIRAAN PRODUKSI KELAPA SAWIT DI PTPN IV UNIT USAHA BALIMBINGAN.

Oleh : Venny TM Purba

NIM 4103230039 Program Studi Matematika

SKRIPSI

Diajukan Untuk Memenuhi Syarat Memperoleh Gelar Sarjana Sain

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MEDAN

MEDAN 2014

KATA PENGANTAR

Puji dan syukur penulis ucapkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini dengan baik. Adapun Skripsi ini berjudul “Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Kelapa Sawit di PTPN IV Unit Usaha Balimbingan”. Skripsi ini disusun untuk memenuhi salah satu syarat memperoleh gelar Sarjana Sains di Universitas Negeri Medan.

Dalam kesempatan ini, penulis menyampaikan ucapan terima kasih kepada berbagai pihak yang telah membantu menyelesaikan skripsi ini, mulai dari pengajuan proposal penelitian, sampai kepada penyusunan skripsi antara lain kepada Bapak Prof. Dr. Ibnu Hajar, M.Si., selaku Rektor Universitas Negeri Medan, Bapak Prof. Drs. Motlan, M.Sc, Ph.D., selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Bapak Drs. Syafari, M.Pd., selaku Ketua Jurusan Matematika, Bapak Drs. Yasifati Hia, M.Si., selaku Sekretaris Jurusan Matematika, Ibu Dra. Nerli Khairani, M.Si., selaku Ketua Program Studi Matematika, Drs. J. Ambarita, M.Pd selaku Pembimbing Skripsi yang telah banyak membimbing penulis dalam menyelesaikan skripsi ini. Penulis juga mengucapkan terima kasih kepada Ibu Dra. Nerly Khairani, M.Si., selaku pembimbing akedemik yang telah banyak membantu saya dalam perkuliahan. Bapak Mulyono, S.Si, M.Si, Bapak Abil Mansyur, S.Si, M.Si dan Ibu Dr. Ani Minarni, M.Si selaku dosen penguji yang telah banyak memberikan masukan dan saran dalam penyusunan skripsi ini. Saya ucapkan terima kasih kepada Bapak Adi Rahmat, SE selaku kepala bagian sumber daya manusia PTPN IV Medan, Bapak Ir.Moh.Syafi’I Batubara selaku manajer unit PTPN IV Unit Usaha Balimbingan serta staf-staf pegawai PTPN IV Unit Usaha Balimbingan yang telah memberikan izin untuk mengadakan penelitian dan membantu saya selama penelitian berlangsung, juga kepada seluruh staf pengajar Jurusan Matematika FMIPA yang telah memberikan bimbingan kepada penulis semenjak mengikuti perkuliahan.

Teristimewa dan terkhusus penulis mengucapkan terima kasih dan hormat kepada Ayahanda terkasih Manerep Purba dan Ibunda tercinta Nurmaya Simatupang untuk semua kasih sayang, doa, motivasi, dan jerih payah, sehingga penulis dapat menyelesaikan studi. Serta abangku Valentino Purba, Betesda Purba, dan adikku tersayang Ruth Purba, yang memberikan dukungan doa dan motivasi kepada penulis, teristimewa penulis mengucapkan terima kasih kepada Uda Irving yang membantu penulis dalam pengerjaan skripsi, kepada sahabat-sahabat terkasih Trirahmadhani, Nurlela, Friska, Sri Minarti yang tidak bosan-bosannya menasehati, mendukung serta memberi motivasi kepada penulis, terima kasih penulis sampaikan juga kepada teman seperjuangan Maria Situmorang, Diah

v

Chairisa, Fitri Manalu, salman, ade, wani dan teman-temanku seperjuangan Non-Dik’10 yang memberikan motivasi, serta selalu membantu penulis dalam menyelesaikan skripsi ini. Terimakasih penulis ucapkan kepada kak shinta, bang hendro, kak regina, bang oscar atas bantuan dan informasinya. Terimakasih banyak kepada semua pihak yang tidak dapat saya sebutkan satu persatu yang selama ini selalu memberikan dukungan, semangat, dan doa, serta semua pihak yang turut membantu penyelesaian skripsi ini yang tidak dapat disebutkan satu per satu.

Semoga skripsi ini bermanfaat dan menambah wawasan bagi kita semua. Akhir kata, penulis mengucapkan terima kasih.

Medan, Juli 2014 Penulis

Venny T M Purba NIM. 4103230039

APLIKASI MODEL BACKPROPAGATION NEURAL NETWORK UNTUK PERKIRAAN PRODUKSI KELAPA SAWIT DI PTPN IV UNIT

USAHA BALIMBINGAN Venny T M Purba(NIM 4103230039)

Abstrak

Penelitian ini bertujuan untuk menentukan model peramalan hasil produksi kelapa sawit di PT Perkebunan Nusantara IV dan meramalkan hasil produksi kelapa sawit untuk satu tahun ke depan menggunakan Model Backpropagation Neural

Network. Dimana data yang dipakai sebagai data masukan adalah data produksi

kelapa sawit tahun 2011 hingga 2013 dan dosis pemakaian pupuk. Perangkat lunak berbasis jaringan backpropagation neural network yang akan digunakan untuk melakukan prediksi adalah Program Matlab, dimana dengan program matlab akan dibentuk program baru yang akan digunakan dalam peramalan ini. Model

backpropagation sangat baik digunakan dalam penelitian, karena dapat menghasilkan error yang sangat kecil tergantung banyak neuron pada hidden layer, nilai maks error

dan banyak epoch yang dimasukkan . Data yang digunakan adalah data sekunder yang diperoleh dari PTPN IV Unit Usaha Balimbingan. Pada peramalan ini digunakan 3 unit input yaitu data produksi tahun 2011 (�1), data produksi tahun 2012(�2) dan data dosis pupuk (�3). Pada proses penyelesaian digunakan 6 neuron pada hidden layer, maksimum error 0.01, dan epochs 5000 diperoleh persamaan garis untuk kecocokan terbaik :

�= 0.9952 �+ (7.3)

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. Hasil penelitian ini menunjukkan kenaikan hasil produksi dari tahun 2013. Pada peramalan, diperoleh hasil produksi tertinggi pada bulan November sebesar 2337.3 ton dan terendah pada bulan Juni sebesar 1439.3 ton. Program peramalan dengan model backpropagation

vi

DAFTAR ISI

Halaman

Lembar Pengesahan i

Riwayat Hidup ii

Abstrak iii

Kata Pengantar iv

Daftar Isi vi

Daftar Gambar viii

Daftar Tabel ix

Daftar Lampiran x

BAB I PENDAHULUAN

1.1. Latar Belakang 1

1.2. Rumusan Masalah 4

1.3. Batasan masalah 4

1.4. Tujuan Penelitian 4

1.5. Manfaat Penelitian 5

BAB II TINJAUAN PUSTAKA

2.1. Produksi Kelapa Sawit 6

2.2. Faktor-faktor yang mempengaaruhi kelapa sawit 6

2.2.1. Iklim 7

2.2.2. Tanah 7

2.2.3. Umur Tanaman 8

2.2.4. Dosis Pupuk 9

2.3. Metode Neural Network 9

2.3.1. Pengertian Jaringan Syaraf Tiruan 9

2.3.2. Konsep Jaringan Syaraf Tiruan 13

2.3.3. Model Jaringan Syaraf Tiruan 14

2.3.4. Arsitektur Jaringan 16

2.3.5. Fungsi Aktivasi 18

2.3.6. Algoritma Pembelajaran 20

2.3.7. Standar Backpropagation 22

2.3.8. Pemilihan Bobot dan Bias Awal 25

2.4. Jaringan Syaraf Untuk Prediksi 31

BAB III METODE PENELITIAN

3.1. Watku dan tempat penelitian 35

3.2. Jenis Penelitian 35

3.3. Prosedur Penelitian 35 BAB IV PEMBAHASAN

4.1. Pengumpulan Data 39

4.2. Pengolahan Data 41

4.2.1. Penyelesaian dengan Menggunakan Program Matlab 44 4.2.2. Menentukan Linier Fit dan Nilai Prediksi 46 BAB V KESIMPULAN DAN SARAN

5.1 Kesimpulan 54

5.2 Saran 54

ix

DAFTAR TABEL

Halaman Tabel 4.1 Data Hasil Produksi Kelapa Sawit Tahun 2011-2013 39

Tabel 4.2 Dosis Pupuk 41

Tabel 4.3 Nilai Input dan Target Data 42 Tabel 4.4 Nilai MSE dan regresi terbaik 47

DAFTAR GAMBAR

Halaman Gambar 2.1 Susunan Saraf pada Manusia 14 Gambar 2.2 Arsitektur Jaringan Syaraf Tiruan 15 Gambar 2.3 Struktur Neuron Jaringan Syaraf Tiruan 15

Gambar 2.4 Jaringan Single Layer 17

Gambar 2.5 Jaringan Multilayer 17

Gambar 2.6 Grafik Sigmoid Biner 18

Gambar 2.7 Grafik Sigmoid Bipolar 19

Gambar 2.8 Grafik Identitas 20

Gambar 2.9 Simpul (Neuron) sebagai Elemen Pemroses 22 Gambar 2.10 Arsitektur Backpropagation 24

Gambar 3.1 Diagram Alir Logaritma 36

Gambar 4.1 Hasil Produksi Kelapa Sawit 40 Gambar 4.2 Arsitektur Jaringan Penelitian 43

Gambar 4.3 Command Window 44

Gambar 4.4 Program Backpropagation Neural Network 45 Gambar 4.5 Bahasa Program model backpropagation 45 Gambar 4.6 Perintah Program Backpropagation 46 Gambar 4.7 Hubungan nilai error dan epoch 47

Gambar 4.8 Hubungan target dan output 48

Gambar 4.9 Perintah Program Backpropagation 51 Gambar 4.10 Perbandingan antara target dengan output jaringan 51 Gambar 4.11 Perbandingan Hasil Produksi Kelapa Sawit 53

x

DAFTAR LAMPIRAN

Halaman

Lampiran 1 Bahasa Program 57

1

Perkebunan di Negara kita sangat berperan penting baik dibidang ekonomi maupun sosial karena dapat menghasilkan devisa yang cukup besar. Pembangunan ekonomi jangka panjang tidak selalu harus diarahkan pada sektor industri, tetapi dapat diarahkan pada sektor lain, seperti sektor pertanian dan sektor jasa meliputi perdagangan, transportasi, komunikasi, perbankan dan lain-lain. Pembangunan jangka panjang secara terpadu akan mengembangkan sumberdaya yang dapat diperbaharui melalui sektor pertanian, sektor agro industri, sektor perdagangan, dan sektor jasa pendukung dalam kerangka modal pembangunan Indonesia yang seluas-luasnya. Indonesia merupakan industri kelapa sawit terbesar di dunia setelah Malaysia (Ditjenbun,2012). Indonesia bisa menjadi produsen kelapa sawit terbesar di dunia. Perkebunan kelapa sawit pun bisa menghadirkan prestasi-prestasi yang membanggakan dan layak untuk ditiru, dan bergantung pada manajemen sistem pengelolaannya.

Kelapa sawit merupakan salah satu komoditi utama hasil perkebunan di Indonesia. Hal ini didukung oleh struktur tanah dan curah hujan yang cocok untuk pembudidayaan kelapa sawit. Pesatnya perkembangan industri kelapa sawit ini, menjadikan Indonesia sebagai salah satu negara produsen kelapa sawit utama di dunia. Hal ini dapat dibuktikan dari data yang diperoleh dari Direktorat Jenderal Perkebunan (Ditjenbun) pada tahun 2012 yang menunjukkan bahwa Indonesia mampu menghasilkan sebesar 19.844.901 ton buah sawit dari total luas lahan keseluruhan baik pemerintah maupun swasta sebesar 7.824.623 Ha. Dari fakta-fakta tersebut, industri kelapa sawit juga memberikan kontribusi untuk menambah devisa negara di sektor non migas. Untuk hasil dari produksi kelapa sawit sendiri, selain sebagai bahan baku minyak goreng, juga sebagai bahan baku oleokimia (Ditjenbun, 2012).

2

Perseroan Terbatas Perkebunan Nusantara IV merupakan Badan usaha Milik Negara bidang perkebunan yang berkedudukan di Medan, Provinsi Sumatera Utara. Pada awalnya keberadaan perkebunan ini merupakan milik maskapai Belanda yang dinasionalisasi pada tahun 1959, dan selanjutnya berdasarkan kebijakan pemerintah telah mengalami beberapa kali perubahan organisasi sebelum akhirnya menjadi PT. Perkebunan Nusantara IV (Persero). Pada tahun 1985 sesuai Undang-undang Nomor 86 Tahun 1958, perusahaan-perusahaan swasta asing (Belanda) seperti HVA dan RCMA dinasionalisasikan oleh Pemerintah R.I, dan kemudian dilebur menjadi perusahaan milik Pemerintah melalui peraturan pemerintah Nomor 19 Tahun 1959. Selanjutnya pada tahun 1967 Pemerintah melakukan pengelompokan menjadi perusahaan Terbatas Persero, dengan nama resmi PT. Perkebunan I s.d. IX (Persero).

Pada PT. Perkebunan Nusantara IV ini masalah yang paling mempengaruhi perusahaan adalah masalah hasil produksi dari kelapa sawit, dimana jika semakin besar produksi kelapa sawit maka semakin besar pula pendapatan perusahaan dan sebaliknya, semakin kecil produksi kelapa sawit maka semakin kecil pendapatan perusahaan. Oleh karena itu, dengan menggunakan model Backpropagation Neural Network yang merupakan metode peramalan berdasarkan data time series, dapat dilakukan peramalan atau perkiraan hasil produksi kelapa sawit untuk satu tahun ke depan. Dimana data yang dipakai adalah data hasil produksi kelapa sawit masa lalu dan dosis pupuk. Jika perkiraan hasil produksi menurun maka perusahaan dapat mengantisipasi dengan semakin memperhatikan kondisi tanaman kelapa sawit. Perusahaan dapat memperhatikan faktor-faktor yang mempengaruhi pertumbuhan kelapa sawit terutama pengunaan dosis pupuk.

Jaringan syaraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Model syaraf ditunjukkan dengan kemampuannya dalam emulsi, analisis, prediksi, dan asosiasi (Hermawan, 2006). Jaringan syaraf tiruan yang

digunakan pada penelitian dalam memperkirakan produksi kelapa sawit adalah model backpropagation neural network yang pemrogramannya menggunakan

toolbox matlab. Toolbox MATLAB adalah perangkat lunak yang cocok dipakai

karena banyak model jaringan syaraf tiruan yang menggunakan manipulasi matriks/vector dalam iterasinya. Kelebihan model ini mampu memformulasikan pengalaman dan pengetahuan peramal, serta sangat fleksibel dalam perubahan aturan perkiraan. Backpropagation merupakan model neural network dengan banyak lapisan yang digunakan pada perkiraan time series (Yunanti, 2010).

Jaringan saraf tiruan memiliki kelebihan dibandingkan metode perhitungan lainnya, yaitu:

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian.

2. Kemampuan merepresentasikan pengetahuan secara fleksibel.

3. Kemampuan untuk memberikan toleransi atau suatu distorsi (error/fault) 4. Kemampuan memproses pengetahuan secara efisien karena memakai system

paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat (Hermawan, 2006).

Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan . Metode ini memiliki dasar matematis yang kuat, obyektif dan metode ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan. Jaringan perambatan galat mundur (backpropagation) merupakan salah satu model yang sering digunakan dalam menyelesaikan masalah – masalah yang rumit. Pada pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan. Jaringan saraf ini terdiri dari 3 lapisan, yaitu lapisan masukan (input), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output). Atas dasar pemikiran tersebut di atas, maka dalam penyusunan skripsi

4

ini peneliti mengambil judul “Aplikasi Model Backpropagation Neural Network

untuk Perkiraan Produksi Kelapa Sawit di PTPN IV Unit Usaha Balimbingan”.

1.2Rumusan Masalah

Berdasarkan latar belakang tersebut, perumusan masalah dari penelitian ini adalah bagaimana model peramalan dan hasil peramalan yang diperoleh untuk hasil produksi kelapa sawit di PT Perkebunan Nusantara IV berdasarkan data dosis pupuk dan data hasil produksi kelapa sawit masa lalu dengan menggunakan Model Backpropagation Neural Network.

1.3 Batasan Masalah

Agar pembahasan dan pemecahan masalah menjadi terarah, tidak menyimpang dari pokok masalah yang ada dan menghindari pembahasan yang terlalu luas maka perlu adanya batasan pada permasalahan penelitian ini, yakni: 1. Ruang lingkup penelitian hanya dilakukan pada PT. Perkebunan Nusantara IV

Unit Usaha Balimbingan.

2. Analisa yang dilakukan dalam perkiraan hasil produksi adalah berdasarkan data hasil produksi kelapa sawit tahun 2011 sampai 2013

3. Penelitian dengan Model Backpropagation Neural Network dilakukan untuk meramalkan hasil produksi kelapa sawit untuk periode Januari 2014 – Desember 2014

4. Menggunakan program Matlab dalam penyelesaian masalah

1.4Tujuan Penelitian

Tujuan yang hendak dicapai dalam penelitian ini adalah menentukan model peramalan hasil produksi kelapa sawit di PT Perkebunan Nusantara IV untuk satu tahun ke depan dan meramalkan hasil produksi kelapa sawit menggunakan Model Backpropagation Neural Network .

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 peramalan/perkiraan, masyarakat yang memiliki kebun/ladang 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.

DAFTAR PUSTAKA

Agustian K, Riski. (2013). Aplikasi Peramalan Produksi Kelapa Sawit Dengan

Metode Regresi Ganda Dan Exponential Smoothing. Skripsi Mipa, Binus

University: Jakarta

David, Ivan. (2013). Perancangan Program Aplikasi Berbasis Web Menggunakan

Metode Backpropagation Untuk Memprediksi Harga Saham. Skripsi

Mipa, Binus University: Jakarta

Direktorat Jenderal Perkebunan, 2012. LAKIP Direktorat Jenderal Perkebunan. Jakarta

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan.(2010). Pedomn Penulisan Proposal dan Penulisan Skripsi

Mahasiswa Program Studi Sains. FMIPA Unimed: Medan.

Fauzi, Yan , dkk. 2002.Kelapa Sawit: Budi Daya, Pemanfaatan Hasil dan

Limbah, Analisis Usaha dan Pemasaran. Penebar Swadaya: Jakarta

Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Penerbit Andi, Yoyakarta

Kosko, Bart., 1992. Neural Networks and Fuzzy System, Prentice-Hall Inc, Engelwood Cliffs, New Jersey.

Kuncoro, dkk. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban

Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal

Teknologi,(03): 2011

Kusrini dan Emha T Luthfi. 2009. Algoritma Data Mining. Andi : Yogyakarta Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab dan Excel Link. Penerbit Graha Ilmu: Yogyakarta

Olson, David dan Yong Shi. 2008. Pengantar Ilmu Penggalian Data Bisnis. Salemba Empat: Jakarta

56

Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit Andi. Yogyakarta

Rao, V.B. dan Rao, H.V. 1993. Neural Network and Fuzzy Logic, Management Information Source. New York

Samsodin dkk. 2010. “Aplikasi Jaringan Syaraf Tiruan dalam Peramalan dan

Klasifikasi”. http://files.myopera.com/padangyulian/blog/kel-5.pdf.

Diakses tanggal 30 Januari 2014.

Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Andi: Yogyakarta

Widya K, Intan dan Agus M.A. 2011. “Aplikasi Model Backpropagation Neural

Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara

IX”. Jurnal Matematika dan Pendidikan Matematika (3 Desember 2011). Hlm. 101-107.

Yani, Ahmad. (2013). Pengaruh Produksi Tandan Buah Segar (TBS) Terhadap Pendapatan Pada PT. Perkebunan Nusatara IV Unit Balimbingan JL. Besar Pematang Siantar Kec.Tanah Karo Kab. Simalungun. Skripsi FE, Universitas Negeri Medan: Medan

Yunanti, Fitria. 2010. Aplikasi Jaringan Syaraf Tiruan Untuk Memprediksi Prestasi Siswa SMU Dengan Metode Backpropagation. Skripsi Jurusan Matematika Universitas Islam Negeri Sunan Kalijaga Yogyakarta

digunakan pada penelitian dalam memperkirakan produksi kelapa sawit adalah model backpropagation neural network yang pemrogramannya menggunakan toolbox matlab. Toolbox MATLAB adalah perangkat lunak yang cocok dipakai karena banyak model jaringan syaraf tiruan yang menggunakan manipulasi matriks/vector dalam iterasinya. Kelebihan model ini mampu memformulasikan pengalaman dan pengetahuan peramal, serta sangat fleksibel dalam perubahan aturan perkiraan. Backpropagation merupakan model neural network dengan banyak lapisan yang digunakan pada perkiraan time series (Yunanti, 2010).

Jaringan saraf tiruan memiliki kelebihan dibandingkan metode perhitungan lainnya, yaitu:

1. Kemampuan mengakuisisi pengetahuan walaupun dalam kondisi ada gangguan dan ketidakpastian.

2. Kemampuan merepresentasikan pengetahuan secara fleksibel.

3. Kemampuan untuk memberikan toleransi atau suatu distorsi (error/fault) 4. Kemampuan memproses pengetahuan secara efisien karena memakai system

paralel, sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat (Hermawan, 2006).

Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan . Metode ini memiliki dasar matematis yang kuat, obyektif dan metode ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan. Jaringan perambatan galat mundur (backpropagation) merupakan salah satu model yang sering digunakan dalam menyelesaikan masalah – masalah yang rumit. Pada pelatihan jaringan saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan. Jaringan saraf ini terdiri dari 3 lapisan, yaitu lapisan masukan (input), lapisan tersembunyi (hidden layer), dan lapisan keluaran (output). Atas dasar pemikiran tersebut di atas, maka dalam penyusunan skripsi

ini peneliti mengambil judul “Aplikasi Model Backpropagation Neural Network untuk Perkiraan Produksi Kelapa Sawit di PTPN IV Unit Usaha Balimbingan”. 1.2Rumusan Masalah

Berdasarkan latar belakang tersebut, perumusan masalah dari penelitian ini adalah bagaimana model peramalan dan hasil peramalan yang diperoleh untuk hasil produksi kelapa sawit di PT Perkebunan Nusantara IV berdasarkan data dosis pupuk dan data hasil produksi kelapa sawit masa lalu dengan menggunakan Model Backpropagation Neural Network.

1.3 Batasan Masalah

Agar pembahasan dan pemecahan masalah menjadi terarah, tidak menyimpang dari pokok masalah yang ada dan menghindari pembahasan yang terlalu luas maka perlu adanya batasan pada permasalahan penelitian ini, yakni: 1. Ruang lingkup penelitian hanya dilakukan pada PT. Perkebunan Nusantara IV

Unit Usaha Balimbingan.

2. Analisa yang dilakukan dalam perkiraan hasil produksi adalah berdasarkan data hasil produksi kelapa sawit tahun 2011 sampai 2013

3. Penelitian dengan Model Backpropagation Neural Network dilakukan untuk meramalkan hasil produksi kelapa sawit untuk periode Januari 2014 – Desember 2014

4. Menggunakan program Matlab dalam penyelesaian masalah

1.4Tujuan Penelitian

Tujuan yang hendak dicapai dalam penelitian ini adalah menentukan model peramalan hasil produksi kelapa sawit di PT Perkebunan Nusantara IV untuk satu tahun ke depan dan meramalkan hasil produksi kelapa sawit menggunakan Model Backpropagation Neural Network .

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 peramalan/perkiraan, masyarakat yang memiliki kebun/ladang 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.

DAFTAR PUSTAKA

Agustian K, Riski. (2013). Aplikasi Peramalan Produksi Kelapa Sawit Dengan Metode Regresi Ganda Dan Exponential Smoothing. Skripsi Mipa, Binus University: Jakarta

David, Ivan. (2013). Perancangan Program Aplikasi Berbasis Web Menggunakan Metode Backpropagation Untuk Memprediksi Harga Saham. Skripsi Mipa, Binus University: Jakarta

Direktorat Jenderal Perkebunan, 2012. LAKIP Direktorat Jenderal Perkebunan. Jakarta

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Medan.(2010). Pedomn Penulisan Proposal dan Penulisan Skripsi Mahasiswa Program Studi Sains. FMIPA Unimed: Medan.

Fauzi, Yan , dkk. 2002.Kelapa Sawit: Budi Daya, Pemanfaatan Hasil dan Limbah, Analisis Usaha dan Pemasaran. Penebar Swadaya: Jakarta

Hermawan, Arief. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Penerbit Andi, Yoyakarta

Kosko, Bart., 1992. Neural Networks and Fuzzy System, Prentice-Hall Inc, Engelwood Cliffs, New Jersey.

Kuncoro, dkk. 2005. Aplikasi Jaringan Syaraf Tiruan Untuk Peramalan Beban Listrik Jangka Panjang Pada Sistem Kelistrikan Di Indonesia. Jurnal Teknologi,(03): 2011

Kusrini dan Emha T Luthfi. 2009. Algoritma Data Mining. Andi : Yogyakarta

Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Penerbit Graha Ilmu: Yogyakarta

Olson, David dan Yong Shi. 2008. Pengantar Ilmu Penggalian Data Bisnis. Salemba Empat: Jakarta

Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Penerbit Andi. Yogyakarta

Rao, V.B. dan Rao, H.V. 1993. Neural Network and Fuzzy Logic, Management Information Source. New York

Samsodin dkk. 2010. “Aplikasi Jaringan Syaraf Tiruan dalam Peramalan dan Klasifikasi”. http://files.myopera.com/padangyulian/blog/kel-5.pdf. Diakses tanggal 30 Januari 2014.

Siang, Jong Jek. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Andi: Yogyakarta

Widya K, Intan dan Agus M.A. 2011. “Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX”. Jurnal Matematika dan Pendidikan Matematika (3 Desember 2011). Hlm. 101-107.

Yani, Ahmad. (2013). Pengaruh Produksi Tandan Buah Segar (TBS) Terhadap Pendapatan Pada PT. Perkebunan Nusatara IV Unit Balimbingan JL. Besar Pematang Siantar Kec.Tanah Karo Kab. Simalungun. Skripsi FE, Universitas Negeri Medan: Medan

Yunanti, Fitria. 2010. Aplikasi Jaringan Syaraf Tiruan Untuk Memprediksi Prestasi Siswa SMU Dengan Metode Backpropagation. Skripsi Jurusan Matematika Universitas Islam Negeri Sunan Kalijaga Yogyakarta