Implementasi Algoritma Learning Vector Quantization Pada Prediksi Produksi Kelapa Sawit Di Pt. Perkebunan Nusantara I Pulau Tiga
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION PADA PREDIKSI PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA I PULAU TIGA SKRIPSI EDGAR AUDELA BATUBARA 101402111
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION PADA PREDIKSI PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA I PULAU TIGA SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana
Teknologi Informasi EDGAR AUDELA BATUBARA
101402111
PERSETUJUAN Judul : IMPLEMENTASI ALGORITMA LEARNING VECTOR PADA PREDIKSI PRODUKSI
QUANTIZATION KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA I PULAU TIGA Kategori : SKRIPSI Nama : EDGAR AUDELA BATUBARA Nomor Induk Mahasiswa : 101402111 Program Studi : S1 TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dedy Arisandi, ST.,M.Kom Prof. Dr. Opim Salim Sitompul, M.Sc NIP 19790831 200912 1 002 NIP 19610817 198701 1 001
PERNYATAAN
IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION PADA PREDIKSI PRODUKSI KELAPA SAWIT DI PT. PERKEBUNAN NUSANTARA I PULAU TIGA SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 23 Maret 2015 Edgar Audela Batubara 101402111
UCAPAN TERIMA KASIH
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa yang telah melimpahkan berkat, rahmat serta karuniaNya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi (S1) Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada semua pihak yang telah membantu penulis dalam menyelesaikan skripsi ini baik secara langsung maupun tidak langsung. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Kedua orang tua penulis, yaitu ayahanda Muda Bincara Batubara dan ibunda tercinta Sri Susilawati yang telah membesarkan penulis dengan sabar serta penuh kasih sayang. Kepada saudara/i kandung, Eggy Anggia Batubara, Alm. Elvan andrian Batubara, Chandra Amelia Batubara yang juga selalu memberikan dukungan dan doa sehingga dapat menyelesaikan skripsi ini.
2. Kepada Bapak Prof. Dr. Opim Salim Sitompul, M.Sc dan Bapak Dedy
Arisandi, ST., M.Kom. selaku dosen pembimbing penulis yang telah memberikan saran dan masukkan serta bersedia meluangkan waktu, tenaga dan
7. Sahabat - sahabat penulis, Ape, abi, Ibnu, Balsa, Rizki Khairunnisa, Imam, Tri Andika, Ricky feri, Udin yang terus menanyakan kapan wisuda, serta memberikan banyak pelajaran dalam hidup kepada penulis.
8. Sahabat – sahabat terdekat penulis yang tergabung dalam Foya members Akira, Muslim, Eka, Dian Pomta, Rozy, Galih, bunda Dian, Desi, Fezan , Baim, Desi, Heri, Joko, Chairul dan seluruh teman-teman angkatan 2010 Teknologi Informasi yang tidak dapat disebutkan satu persatu, yang telah membantu dan bersama-sama dengan penulis melewati seluruh proses perkuliahan di Universitas Sumatera Utara ini. Kalian semua luar biasa.
9. Seluruh staf TU (Tata Usaha) terutama bang faisal serta pegawai di Program Studi S1 Teknologi Informasi.
Penulis menyadari bahwa skripsi ini masih terdapat kekurangan. Oleh karena itu, penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Akhir kata penulis ucapkan terima kasih.
ABSTRAK
Kelapa sawit merupakan salah satu komoditas ekspor perkebunan terbesar di Indonesia. Indonesia mempunyai struktur tanah serta curah hujan yang cocok untuk perkebunan kelapa sawit. Kelapa sawit menjadi tanaman yang bernilai ekonomi, sejalan dengan meningkatnya kebutuhan kelapa sawit di pasar dunia. Pada lingkup perkebunan negara, tiap tahunnya akan diadakan Rencana Kerja dan Anggaran Perusahaan (RKAP). Ini dilakukan untuk merencanakan target produksi dan anggaran yang akan digunakan untuk tahun berikutnya. Pada PT. Perkebunan Nusantara I (PTPN I) pulau tiga, target produksi dilakukan secara manual dengan melihat hasil produksi tahun-tahun sebelumnya. Namun kendala terjadi karena hasil produksi rencana yang telah ditargetkan berbeda dengan hasil produksi realisasi. Atas dasar hal ini, prediksi kelapa sawit sangatlah penting. Algoritma yang diajukan pada penelitian ini adalah Learning vector quantization. Pada penelitian ini ditunjukkan bahwa algoritma learning vector quantization mampu memprediksi hasil produksi kelapa sawit sehingga hasil prediksi dapat digunakan untuk menjadi acuan target produksi perusahaan.
Kata kunci: Kelapa sawit, prediksi, Learning Vector Quantization, perkebunan
IMPLEMENTATION LEARNING VECTOR QUANTIZATION ALGORITHM
TO PRODUCTION PREDICTED PALM OIL IN
PT. PERKEBUNAN I PULAU TIGA
ABSTRACT
Palm oil is one of the largest export commodites in indonesia. Indonesia soil structure and rainfall are suitable for palm plantations. Palm oil plans for further economic value for the future, are in line with the increasing demand of oil in the world market. The scope of country estates, held each year workplan & budget of company (RKAP). This is done to plan production and budgets that are used to scan the next year. The PTPN I Pulau tiga, the production target manual is done by reviewing at the output of the previous year. However constraint occurs because the targeted production plans are different from actual production results. On the basis of this, it’s very important for future prediction of palm oil. Algorithm proposed in this study is learning vector
quantization. In this research it is indicated that the prediction results can be used for a
references targeting of production of PT. Perkebunan I Pulau Tiga.Keywords: palm oil, prediction, Learning Vector Quantization, perkebunan nusantara, pulau tiga.
DAFTAR ISI
Hal.1
1.6 Metodologi Penelitian
3
1.5 Manfaat Penelitian
2
1.4 Batasan Masalah
2
1.3 Tujuan Penelitian
2
1.2 Rumusan Masalah
1.1 Latar Belakang
1
BAB 1 Pendahuluan
3 BAB 3 Analisis dan Perancangan Sistem
17
3.1 Pengambilan Data
18
3.2 Pendefinisian Input
19
3.3 Penetapan Target Kelas
21
3.4 Flowchart Training
22
3.5 Flowchart Prediksi
24
3.6 Perhitungan Training
24
3.7 Perhitungan Prediksi
28 BAB 4 Implementasi dan Pengujian Sistem
30
4.1 Implementasi
30
4.2 Pengujian
33 BAB 5 Kesimpulan dan Saran
40
5.1 Kesimpulan
40
5.2 Saran
40 Daftar Pustaka
41
DAFTAR TABEL
Hal.Tabel 2.1. Perbedaan Saraf Biologi dengan Jaringan Saraf Tiruan(Medsker & Liebowitz, 1994)
8 Tabel 3.1. Tabel Data Produksi Kelapa Sawit tahun 2010
19 Tabel 3.2. Tabel Pertumbuhan Jumlah Produksi Kelapa Sawit
21 Tabel 3.3. Tabel Produksi Kelapa Sawit tahun 2010
25 Tabel 3.4. Tabel Pembelajaran Training
25 Tabel 3.5. Tabel Bobot Training
26 Tabel 3.6. Tabel Bobot baru pertama
27 Tabel 3.7. Tabel Bobot baru kedua
28 Tabel 3.8. Inisialisasi input Prediksi
29 Tabel 3.9. Hasil Prediksi
29
DAFTAR GAMBAR
Hal.Gambar 2.1. Neuron biologi manusia (Medsker & Liebowitz, 1994)6 Gambar 2.2. Single Layer Network (Fausett, 1994)
9 Gambar 2.3. Multi Layer Network (Fausett, 1994)
10 Gambar 2.4. Proses Supervised Learning (Bird et al, 2014)
12 Gambar 2.5. Arsitektur Jaringan Learning Vector Quantization (Fausett, 1994)
13 Gambar 3.1. Arsitektur umum training
17 Gambar 3.2. Arsitektur umum prediksi
18 Gambar 3.3. Arsitektur Jaringan Learning Vector Quantization
20 Gambar 3.4. Flowchart Training
22 Gambar 3.5. Flowchart Prediksi
24