PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI 101402072
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF) SKRIPSI RINI JANNATI 101402072 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF)
SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana
Teknologi Informasi RINI JANNATI
101402072 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN
2015
PERSETUJUAN
Judul : PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL
BASIS FUNCTION (RBF)
Kategori : SKRIPSI Nama : RINI JANNATI Nomor Induk Mahasiswa : 101402072 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Pembimbing 2 Pembimbing 1 Dani Gunawan, S.T., M.T. Dr. Erna Budhiarti Nababan, M.IT
- – NIP. 19820915201212 1 002 NIP. Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, S.T., MM.IT NIP. 19800110200801 1 010
PERNYATAAN
PREDIKSI PRODUKSI PANEN KELAPA SAWIT MENGGUNAKAN JARINGAN SARAF RADIAL BASIS FUNCTION (RBF)
SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 10 September 2015 Rini Jannati 101402072
UCAPAN TERIMA KASIH
Puji dan syukur penulis ucapkan kepada Allah SWT atas segala rahmat dan karuniaNya yang telah memberikan kesempatan kepada penulis untuk dapat menyelesaikan skripsi ini. Skripsi ini merupakan persyaratan untuk mendapatkan gelar Sarjana Teknologi Informasi, Program Studi (S1) Teknologi Informasi, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Skripsi ini penulis persembahkan kepada orangtua penulis, Bapak Ir. H. Eka Asmarahadi Putra dan Ibu Ir. Hj. Herlina yang selalu memberi doa, cinta, kasih sayang, semangat, perhatian, dan pengorbanan. Semoga Allah SWT selalu memberikan kebahagiaan kepada keduanya baik di dunia maupun di akhirat kelak. Terima kasih penulis ucapkan kepada kakak penulis, Erlyani Fachrosi, S.Psi yang selalu mendukung, menyemangati dan membantu penulis dalam pengerjaan skripsi ini.
Penulis menyadari bahwa penelitian ini tidak akan terwujud tanpa bantuan dari banyak pihak. Pada kesempatan ini penulis ingin mengucapkan terima kasih kepada
1. Ibu Dr. Erna Budhiarti Nababan, M.IT sebagai dosen pembimbing I dan Bapak Dani Gunawan, S.T., M.T. sebagai dosen pembimbing II yang selalu memberikan arahan dalam proses pengerjaan skripsi ini.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc sebagai dosen penguji I dan Ibu Sarah Purnamawati, S.T., M.Sc. sebagai dosen penguji II yang telah memberikan kritik dan saran yang membangun dalam penyempurnaan skripsi ini.
3. Bapak Muhammad Anggia Muchtar, S.T., MM.IT selaku Ketua Program Studi S1 Teknologi Informasi.
4. Bapak Mohammad Fadly Syahputra, B.Sc., M.Sc.IT selaku Sekretaris Program Studi S1 Teknologi Informasi.
5. Bapak Dedy Arisandi, S.T., M.Kom selaku dosen pembimbing akademik yang selalu memberi saran dalam proses akademik penulis.
6. Teman-teman penulis, Dian Puspitasari Sebayang, Sharfina Faza, Nurul Putri Ibrahim, Maslimona Harimita Ritonga, Tri Annisa, Amelia Febriani, Nadya, Ovy Rizki dan Wanda yang telah bersedia menjadi teman diskusi penulis dan memberikan semangat dalam menyelesaikan skripsi ini.
7. Teman-teman angkatan 2010 Teknologi Informasi dan UKM Fotografi USU khususnya angkatan V, semoga kita meraih kesuksesan.
8. Seluruh staf pengajar dan staf administrasi Program Studi S1 Teknologi Informasi dan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
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 komoditas utama dan unggulan di Indonesia. Pada industri kelapa sawit, hasil produksi kelapa sawit merupakan hal yang terpenting. Hasil produksi kelapa sawit dalam waktu dan jumlah yang tepat merupakan sesuatu yang diinginkan oleh perusahaan perkebunan. Oleh karena itu, dibutuhkan prediksi produksi untuk dijadikan acuan target produksi kelapa sawit. Penentuan target produksi dibutuhkan suatu metode yang mampu memprediksi hasil produksi kelapa sawit. Pada penelitian ini dipakai metode jaringan saraf Radial Basis Function. Radial Basis Function (RBF) merupakan sebuah kernel atau arsitektur jaringan saraf tiruan yang terdiri dari tiga layer yaitu input, hidden, dan output layer. Pada proses input
layer ke hidden layer digunakan algoritma K-Means dan hidden layer ke output layer
digunakan algoritma Least Means Square. Hasil prediksi dengan metode RBF memiliki MAPE sebesar 11.75% dengan kombinasi parameter input node = 5, hidden
node = 3, learning rate = 0.75.
Kata kunci : radial basis function, jaringan saraf tiruan, prediksi, kelapa sawit.
THE PREDICTION PRODUCTION PALM OIL USING RADIAL BASIS
FUNCTION NEURAL NETWORK
ABSTRACT
Palm oil is a mayor and superior commodity in Indonesia. In the palm oil industry, the outcome of palm oil production is the most important. The outcome of palm oil production in the right time and the right amount is something that is desired by the industry. According to this, industry needs to be target forecast production palm oil. Determining target production is required a method to predict the outcome of palm oil prediction. In this study used the method of Radial Basis Function Neural Network (RBFNN). RBFNN is a kernel or neural network architecture which consists of three layer, input, hidden, and output layer. On the input layer to hidden layer used K- Means Algorithm and hidden layer to output layer is used Least Means Square Algorithm. Prediction result using RBFNN method has MAPE of 11.75% with a combination of parameters input nodes is 5, hidden nodes is 3, learning rate is 0.75.
Keywords : radial basis function, neural network, prediction, palm oil
DAFTAR ISI
1.4 Batasan atau Ruang Lingkup Penelitian
8
2.2 Data Mining
7
2.1 Produksi Kelapa Sawit
7
5 BAB 2 LANDASAN TEORI
1.7 Sistematika Penulisan
4
1.6 Metodologi Penelitian
4
1.5 Manfaat Penelitian
4
Hal PERSETUJUAN ii
PERNYATAAN iii
1.3 Tujuan Penelitian
3
1.2 Rumusan Masalah
1
1.1 Latar Belakang
1
BAB 1 PENDAHULUAN
DAFTAR GAMBAR xiii
DAFTAR TABEL xi
DAFTAR ISI viii
ABSTRACT vii
ABSTRAK vi
UCAPAN TERIMA KASIH iv
3
2.2.1 Data Cleaning
9
2.2.2 Data Selecting
10
2.2.3 Transformasi Data
10
2.2.4 Peramalan
11
2.3 Jaringan Saraf Tiruan
15
2.3.1 Radial Basis Function
18
2.3.1.1 Tahap Data Pre-processing
20
2.3.1.2 Tahap I: Input Layer ke Hidden Layer
22
2.3.1.3 Tahap II: Hidden Layer ke Output Layer
24
2.3.2 Menghitung Nilai Error
25
2.4 Penelitian Terdahulu
25
2.4.1 Penelitian Kasus Prediksi Produksi Kelapa Sawit
25
2.4.2 Penelitian Kasus Prediksi dengan Menggunakan RBF
27 BAB 3 ANALISIS DAN PERANCANGAN SISTEM
29
3.1 Metode Penelitian
29
3.2 Dataset yang Digunakan
30
3.3 Cleaning Data
31
3.4 Transformasi Data
32
3.5 Pembagian Data
34
3.6 Prediksi Data
34
3.6.1 Data Pre-processing
35
3.6.2 Data Proses
37
3.7 Perancangan Antarmuka
44
3.7.1 Rancangan Tampilan Awal
44
3.7.2 Rancangan Tampilan Halaman Transformasi
45
3.7.3 Rancangan Tampilan Halaman Training
46
3.7.4 Rancangan Tampilan Halaman Testing
47 BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
49
4.1 Implementasi Sistem
49
4.1.1 Spesifikasi Hardware dan Software yang Digunakan
49
4.1.2 Implementasi Data
50
4.2 Pengujian Sistem
50 BAB 5 KESIMPULAN DAN SARAN
58
5.1 Kesimpulan
58
5.2 Saran
59 DAFTAR PUSTAKA
60
DAFTAR TABEL
37 TABEL 3.8. Nilai Awal Center
43 TABEL 4.1. Rangkuman Data Produksi Panen Kelapa Sawit per Hari
43 TABEL 3.15. Nilai Weight Akhir
42 TABEL 3.14. Nilai Center Akhir
41 TABEL 3.13. Nilai Weight yang Telah Di-update Pada n = 1
40 TABEL 3.12. Inisialisasi Nilai Awal Weigths
39 TABEL 3.11. Nilai Fungsi Gaussian pada n = 1
39 TABEL 3.10. Nilai Center Setelah Di-update
37 TABEL 3.9. Hasil Jarak Data pada Masing-Masing Hidden Node
36 TABEL 3.7. Nilai Input untuk n = 1
Hal
36 TABEL 3.6. Nilai-Nilai Parameter
33 TABEL 3.5. Model Data yang Digunakan jumlah Variabel = 1
32 TABEL 3.4. Sampel Data yang Telah ditransformasi
31 TABEL 3.3. Sampel Data yang Telah Dibersihkan
30 TABEL 3.2. Sampel Data Bernilai 0 pada Data Produksi
27 TABEL 3.1. Sampel Data Produksi Kelapa Sawit
21 TABEL 2.2. Penelitian Terdahulu
TABEL 2.1. Variabel Data yang digunakan50
TABEL 4.2. Hasil Pengujian55 TABEL 4.3. Ringkasan Hasil Prediksi Setelah Didenormalisasi
56
DAFTAR GAMBAR
21 GAMBAR 2.9. Flowchart Algoritma K-Means Clustering
44 GAMBAR 3.7. Rancangan Tampilan Halaman Transformation
43 GAMBAR 3.6. Rancangan Tampilan Awal program
36 GAMBAR 3.5. Proses Pengujian
35 GAMBAR 3.4. Langkah 1 untuk n = 1
34 GAMBAR 3.3. Data Time Series untuk Pre-processing Pelatihan
29 GAMBAR 3.2. Tahap Pelatihan
22 GAMBAR 3.1. Arsitektur Umum dari Proses Penelitian
20 GAMBAR 2.8. Langkah-langkah Proses Pelatihan untuk Input dan Target Vektor Matriks
Hal
19 GAMBAR 2.7. Data Time Series Prediksi Harga Emas Pada Tahap Pelatihan untuk Mempresentasikan Form Baris Waktu (Timeline)
16 GAMBAR 2.6. Arsitektur Jaringan Saraf Radial Basis Function
15 GAMBAR 2.5. Arsitektur Umum Jaringan Saraf Tiruan Multilayer
15 GAMBAR 2.4. Pola Data Trend
14 GAMBAR 2.3. Pola Data Siklis
14 GAMBAR 2.2. Pola Data Musiman
GAMBAR 2.1. Pola Data Horizontal45
GAMBAR 3.8. Rancangan Tampilan Halaman Training46 GAMBAR 3.9. Rancangan Tampilan Halaman Testing
48 GAMBAR 4.1. Memilih Training File dengan Menggunakan Tombol Browse
51 GAMBAR 4.2. Proses Pengisian Nilai Parameter yang digunakan
52 GAMBAR 4.3. Hasil Pengujian Kinerja Sistem Pada Menu Training
53 GAMBAR 4.4. Memilih Testing File dengan Menggunakan Tombol Browse
55 GAMBAR 4.5. Hasil Pengujian Kinerja Sistem Pada Menu Testing
55 GAMBAR 4.6. Grafik Hasil Prediksi Produksi Kelapa Sawit pada Proses Testing
57