Tabel 1 Sampel Data Produksi Kelapa Sawit

  

Vol. 2, No. 11, November 2018, hlm. 5751-5759 http://j-ptiik.ub.ac.id

Prediksi Jumlah Produksi Kelapa Sawit Dengan Menggunakan Metode

  

Extreme Learning Machine (ELM)

(Studi kasus: PT. Sandabi Indah Lestari Kota Bengkulu)

_{1 2 3} Ema Agasta , Imam Cholissodin , Dian Eka Ratnawati

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya _{1 2 3} Email: ema.agasta@gmail.com, imamcs@ub.ac.id, dian_ilkom@ub.ac.id

  

Abstrak

  Kelapa sawit merupakan tanaman perkebunan yang menjadi sektor nomor satu di Indonesia. Tanaman ini memiliki biaya dan hasil produksi yang lebih baik dibandingkan tanaman perkebunan lain seperti tebu dan karet. Dalam sebuah perusahaan, hasil produksi kelapa sawit menjadi roda penggerak ekonomi, begitu juga yang terjadi pada PT. Sandabi Indah Lestari. Dalam setiap minggunya perusahaan melakukan perencanaan untuk memprediksi hasil produksi. Perencanaan yang dilakukan terkadang masih memberikan hasil yang kurang optimal. Hal ini disebabkan karena proses perhitungannya yang masih menggunakan analisis manual. Pada penelitian ini akan menggunakan empat fitur prediksi yaitu fitur umur tanan, jumlah pokok/jumlah pohon, luas lahan, dan hasil produksi. Teknik prediksi yang digunakan adalah metode pembelajaran Extreme Learning Machine (ELM). Metode ini memiliki kelebihan pada learning speed dan keakuratan pada hasil prediksi. Proses perhitungan dimulai dari proses normalisasi data, pelatihan sejumlah data latih dan data uji, perhitungan nilai kesalahan prediksi dan menghasilkan nilai akhir. Data yang digunakan adalah data produksi pada periode 2015

• – 2017 dengan jumlah data sebanyak 297 data. Dari sejumlah data tersebut akan dibagi menjadi dua data dengan persentase sebesar 80% data pelatihan dan 20% data pengujian. Hasil penelitian didapatkan nilai parameter yang optimal yaitu 13 hidden neuron pada pengujian jumlah neuron dengan nilai Mean

  

Absolute Perscentage (MAPE) sebesar 21,25%, 20,42% pada pengujian fitur data dengan hasil 2 fitur

teknikal yang terbaik, dan 20,19% pada pengujian pola dengan hasil akhir berupa pola data 1.

  Kata kunci: kelapa sawit, produksi, prediksi, extreme learning machine.

  

Abstract

Palm oil is a plantation that became the number one sector in Indonesia. This plant has a cost and a

better production than other plantation crops such as sugar cane and rubber. In a company, palm oil

production becomes the driving force of the economy, as well as what happened to PT. Sandabi Indah

Lestari. In every week the company plans to predict the production. Planning done sometimes still give

less than optimal results. This is because the calculation process is still using manual analysis. In this

research will use four prediction features that are plant age, number of trees, land, and production. The

prediction technique used is the learning method of Extreme Learning Machine (ELM). This method has

advantages in learning speed and accuracy in predicted results. The calculation process starts from the

process of data normalization, training a number of training data and test data, calculation of the

prediction error value and produce the final value. The data used is production data in the period 2015

• - 2017 with a total of 297 data. From a number of data will be divided into two data with percentage of

  80% training data and 20% test data. The result of the research was obtained the optimal parameter

  value that is 13 hidden neuron in testing the number of neurons with Mean Absolute Perscentage

  (MAPE) value of 21.25%, 20.42% on the data feature test with the best 2 technical features and 20,19%

  on testing the pattern with the final result of the data pattern 1.

  palm oil, production, prediction, extreme learning machine Keywords: Fakultas Ilmu Komputer Universitas Brawijaya

  

5751

  Sektor tanaman perkebunan di Indonesia banyak didominasi oleh tanaman kelapa sawit, kakao, karet, tebu dan kopi. Dari kelima tanaman ini kelapa sawit yang paling menguntungkan. Menurut kepala BPS Suryamin (2014) yang dipaparkan pada halaman finance.detik.com (2014) menyebutkan bahwa kelapa sawit lebih menguntungkan dibandingkan tebu dan karet dalam hal biaya produksi. Untuk perkebunan kelapa sawit pada satu hektar lahan biaya produksi yang dibutuhkan sebesar 9,7 juta/hektar/tahun dengan nilai produksi mencapai Rp 17 juta/hektar/tahun.

  Permasalahan prediksi secara matematis dapat diselesaikan dengan berbagai metode perhtiungan salah satunya adalah metode pembelajaran baru pada bidang keilmuan Jaringan Saraf Tiruan bernama Extreme

1. PENDAHULUAN

  metode ELM adalah metode ini mampu menyelesaikan permasalahan data linier dan non linier (Huang, et al., 2012), memberikan waktu komputasi rata

  Learning Machine (ELM) . Kelebihan dari

• – rata lebih baik dibandingkan dengan metode LS-SVM, SVM dan ANN yaitu 0,17 s (Wang, et al., 2016), Hal ini dikarenakan tidak ada perbaikan bobot dan inisialisasi nilai bobot dan bias dilakukan secara random. Selain itu pada persoalan prediksi model ELM memberikan kesalahan error yang lebih kecil dibandingkan dengan ANN dan GP yaitu sebesar 0,0046 (Anicic, et al., 2017).
• – 2017 dengan parameter umur tanam, luas lahan, jumlah pokok/jumlah pohon dan hasil produksi. Sedangkan pemilihan metode ELM dikarenakan waktu komputasi yang cepat dengan hasil keakuratan prediksi yang baik.

  Penelitian yang membahas mengenai produktivitas kelapa sawit dilakukan oleh Yohansyah dan Lubis (2014). Pada penelitian ini Peneliti menggunakan model analisis regresi berganda dengan parameter ukur yang meliputi faktor curah hujan, umur tanam, tenaga kerja panen dan hari hujan. Hasil yang didapatkan menunjukan bahwa parameter tersebut memiliki pengaruh sebesar 79,8% terhadap produktivitas kelapa sawit.

  PT. Sandabi Indah Lestari merupakan Perkebunan Besar Swasta (PBS) yang berada di kota Bengkulu. Perusahaan ini melakukan proses penanaman kelapa sawit pada tahun 1999 sampai tahun 2011 dan melakukan tahap produksi ditahun 2004 hingga sekarang. Dalam setiap bulannya perusaahan ini memiliki permasalahan dalam memprediksi hasil produksi kelapa sawit. Hasil produksi yang tidak tepat menjadi penyebab kesalahan dalam pengambilan kebijakan. Selama ini dalam menargetkan hasil produksi, perusahaan melakukan analisis statistik dengan nilai koreksi 5% - 12% pada hasil produksi setiap bulannya. Namun metode ini masih kurang dalam memberikan hasil prediksi yang tepat, karena metode ini menggunakan perhitungan manual dan mempertimbangkan perkiraan dari pengalaman pribadi.

  Sedangkan untuk satu hektar karet per tahun membutuhkan biaya produksi sebesar Rp. 9,2 juta dengan hasil produksi mencapai Rp 12,97 juta/hektar. Untuk tanaman tebu, dari awal proses penanaman hingga panen membutuhkan biaya produksi Rp 24,2 juta dengan nilai produksi Rp 31 juta. Pada kategori biaya upah pekerja, tanaman karet yang paling tinggi biayanya dengan rincian 31% untuk sawit, 57,09% untuk karet dan 26,21% untuk tebu.

  2. METODE USULAN

  Dalam proses perhitungan akan menggunakan 9 parameter ukur yaitu umur tanam, luas lahan, jumlah pokok, hasil produksi bulan-1, bulan-2 sampai bulan-5 dan target. Untuk nilai input manual ke sistem, diperlukan masukan nilai seperti jumlah fitur, rasio pembagian data, jenis fungsi aktivasi, dan jumlah neuron pada hidden layer.

  Pola data yang digunakan terdiri dari 2 pola. Pola 1 adalah pola data dalam satu bulan terdapat banyak umur tanam. Pola 2 adalah pola data dengan satu umur tanam untuk beberapa bulan dalam satu tahun. Adapun sampel data yang akan digunakan seperti pada Tabel 1.

  Tabel 1 Sampel Data Produksi Kelapa Sawit _{No Umur Tanam Luas Lahan (Ha) Jumlah pokok Bulan- 1 Bulan- 2} … _{Target 1 15 16 2592 29864 20801 ... 28936 2 14 295 34488 412984 354562}

  … ⁴¹⁶⁶⁵²

  Langkah

• –langkah perhitungan metode

satu hidden layer sehingga disebut sebagai

  Extreme Learning Machine adalah sistem

  Berdasarkan uraian tersebut maka Peneliti berkeinginan untuk melakukan sebuah penelitian terkait dengan model pembelajaran ELM dan tanaman kelapa sawit. Data yang akan digunakan adalah data produksi periode tahun 2015

  Single Hidden Layer Feedforward Neural Network (SLFNs).

  Sumber: (Yaseen, et al., 2018) Secara umum arsitektur jaringan ELM digambarkan seperti pada Gambar 2. Dalam metode ELM, proses komputasi dibagi menjadi dua yaitu menggunakan bias atau tanpa bias. Penggunaan bias berfungsi untuk menggeser nilai output layer agar tepat dengan target.

  ( ̂) untuk digunakan pada proses pengujian. Dari proses pengujian akan menghasilkan nilai output

  layer

  ( ̂). Sistem selanjutnya melakukan denormalisasi data dari nilai hasil pengujian dan melakukan evaluasi hasil. Dengan didapatkannya nilai evaluasi maka proses ELM berhenti. Berikut diagram alir sistem seperti yang ditunjukkan pada Gambar 1.

  Gambar 1 Diagram Alir Sistem

  Pada proses perhitungan nilai, terdapat penggunaan fungsi aktivasi yang digunakan untuk mengaktifkan atau menonaktifkan neuron, selain itu juga untuk mengarahkan suatu input menjadi sebuah output tertentu. Terdapat beberapa fungsi aktivasi menurut Srimuang dan Intarasothonchun (2015), salah satunya adalah fungsi sigmoid biner. Berikut persamaan fungsi aktivasi sigmoid biner:

  2.2 Extreme Learning Machine (ELM) Extreme Learning Machine merupakan

  metode pengembangan Jaringan Saraf Tiruan yang digunakan untuk menyelesaikani permasalahan waktu pembelajaran pada jaringan

  feedforward . Metode ini hanya menggunakan

  menerima data masukan berupa data produksi, jumlah fitur, jumlah neuron pada hidden layer, jumlah pembagian data dan jenis fungsi aktivasi. Kemudian sistem melakukan proses normalisasi dari data produksi dan melakukan pembagian data untuk data pelatihan dan data uji. Selanjutnya data dilakukan proses pelatihan yang menghasilkan matriks output weight

  Permasalahan waktu pembelajaran yang lama menurut Huang, Zhu, dan Siew (2006) disebabkan oleh inisialisasi nilai parameter jaringan (input weight dan bias) yang ditentukan secara manual. Berbeda pada metode ELM nilai parameter tersebut diinisialisasikan secara

  random sehingga membuat waktu pembelajaran

  jaringan ELM lebih cepat dibandingkan Support Vector Machine (SVM) dan Backpropogation.

  Gambar 2 Arsitektur ELM dengan Bias

2.1 Dataset Penelitian

  Data penelitian yang digunakan adalah data produksi PT. Sandabi Indah Lestari pada periode 2015

• – 2017. Total data berjumlah 297 dengan parameter utama yaitu umur tanam, luas lahan, jumlah pokok dan hasil panen pada setiap bulan. Data yang dikumpulkan akan dibagi menjadi data latih dan data uji dengan rasio pembagian 80%:20%.

  =

  1 1 + exp (− ) (1) Pemilihan fungsi sigmoid biner karena 2)

  Menghitung output hidden layer ( ) dengan pada penelitian ini digunakan data yang bersifat fungsi aktivasi sigmoid biner.

  non linier. Menurut Julpan, Nababan, dan Zarlis

  (3) (2015) kelebihan fungsi aktivasi sigmoid biner

  1

  adalah fungsi ini memiliki keakuratan hasil

  = 1 + exp (−( . + ( , 1) ∗ ))

  prediksi yang lebih baik dibandingkan fungsi aktivasi sigmoid bipolar. Selain itu menurut Keterangan:

  Mahdiyah, Irawan, dan Imah (2015) fungsi = Matriks keluaran hidden layer. aktivasi sigmoid biner termasuk kedalam fungsi = Banyaknya data latih. aktivasi yang bersifat infinitely differential (tidak = Bobot input dengan tranpose. terhingga). Hal ini dikarenakan untuk berapapun

  ( , 1) = fungsi matriks dengan nilai input weight dan bias yang digunakan ukuran baris sejumlah data latih matriks selalu menghasilkan nilai output pada setiap kolom

  (Prakoso, Wisesty & Jondri, 2016). Berikut ini = Input data latih. akan dibahas mengenai langkah perhitungan

  = Bias dengan metode ELM. 3) Menghitung matriks Moore-Penrose Generalized Inverse .

  2.2.1 Normalisasi −1 +

  Tujuan dilakukan normalisasi adalah (4) = ( . ) . agar data memiliki kesamaan rentang nilai

  Keterangan: dengan data yang lain, sehingga hasil yang = Matriks yang sudah di diharapkan bisa terarah. Metode normalisasi transpose. yang digunakan adalah Min-Max Normalization.

  −1

  ( . ) = Invers dari perkalian

  Dengan menggunakan fungsi aktivasi sigmoid matriks dan matriks . biner, nilai memiliki rentang 0 sampai 1,

  4) Menghitung output weight dengan nilai = sehingga dalam proses normalisasi sebaiknya

  [ … , ] nilai ditransformasikan ke dalam rentang

  1

• (5)

  [0,1, 0,9]. Hal ini dikarenakan fungsi sigmoid ̂ = . biner bersifat asimtotik yaitu suatu kondisi yang

  Keterangan: nilainya pada suatu kurva tertentu tidak pernah mencapai 0 atau 1 (Sukarno, ̂ = Matriks output weight dari hidden layer ke output layer. Wirawan, & Adhy, 2015).

• = Matriks Moon-Penrose

  − ′ (2) = ∗ ( − ) +

  Generalized Invers dari matriks max − .

  Keterangan: = Matriks Target

  5)

  = Nilai hasil normalisasi

  ′ Menghitung output layer ( ̂ prediksi).

• (6)

  = Nilai data aktual ̂ = . ̂

  = Nilai minimum data set Keterangan:

  = Nilai maksimum data set ̂ = Output prediksi = Nilai maksimum baru.

  2.2.3 Proses Pengujian = Nilai minimum baru.

  Setelah proses pelatihan data, maka

  2.2.2 Proses Pelatihan dilanjutkan proses pengujian dengan data uji.

  Berikut langkah

• –langkah pengujian metode Proses pelatihan ditujukan untuk

  ELM dengan bias menurut (Cholissodin, et al., mengembangkan model pembelajaran jaringan 2017), (Huang, Zhu, & Siew, 2005): dari ELM. Berikut langkah

• –langkah pelatihan metode ELM dengan bias menurut (Cholissodin,

  1) Mengambil input weight , bias dan nilai et al., 2017), (Huang, Zhu, & Siew, 2005):

  ̂ yang didapatkan dari proses pelatihan. 1) dan nilai bias 2)

  Membuat nilai input weight Menghitung output hidden layer ( ) dengan fungsi aktivasi sigmoid biner. secara random. Ukuran matriks adalah [1 ]

  (ukuran) yang sama dengan data aktual Dalam menilai kinerja dari suatu model pembelajaran dengan menggunakan metode

  >50% Buruk Persamaan metode MAPE yang digunakan seperti pada Persamaan 9 (Mohammadi, et al., 2015)

  (8)

  = Nilai aktual = Indek data 3.

  =

  MAPE, menurut Chang, Wang dan Liu (2007) kinerja suatu model dibagi ke dalam 4 kategori seperti yang ditunjukkan pada Tabel 2.

  Tabel 2 Kriteria Nilai MAPE Nilai MAPE Status

  < 10% Sangat bagus 10 - 20% Bagus 20 - 50% Cukup Bagus

  =

  (7)

  1 ∑ | , − , .

  | × 100 =1

  Perhitungan evaluasi dengan metode MAD mengunakan Persamaan 10 (Heizer & Rander, 2009)

  = ∑ | − |

  =1

  Keterangan: = Jumlah data

  ,

  (9) (10)

  = Nilai maksimum pada data set. = Nilai maksimum baru. = Nilai minimum baru.

  ,

  weight dari hasil pelatihan sesuai pada Persamaan 6.

  1 1 +exp(−( . + ( ,1)∗ ))

  Keterangan: = Matriks keluaran hidden layer.

  = Banyaknya data uji. = input weight tranpose. ( , 1)

  = fungsi matriks dengan

  ukuran baris sejumlah data uji pada setiap kolom = Input data uji = bias

  3) Menghitung nilai output layer dengan mengkalikan matriks data uji dan output

  4) Menghitung nilai evaluasi semua output

  = Nilai data hasil denormalisasi. = Nilai minimum pada data set.

  layer yang sudah didenormalisasi menggunakan MAPE.

  2.2.4 Denormalisasi

  Denormaliasai data adalah proses untuk mengembalikan nilai prediksi menjadi nilai sebenarnya. Rumus denormalisasi seperti pada Persamaan 8.

  = ′

  − − ∗ ( − ) +

  Keterangan:

  ′ = Nilai data normalisasi.

  = Nilai hasil prediksi

HASIL DAN PEMBAHASAN

  nilai ramalan dengan nilai aktual yang selanjutnya diabsolutkan dan kemudian dihitung dalam bentuk presentase terhadap data asli (Andini & Auristandi, 2016). Sedangkan proses perhitungan metode MAD dilakukan dengan mencari rata

  3.1 Pengujian Jumlah Neuron

  Pengujian jumlah neuron dilakukan dengan dua tujuan yaitu untuk mengetahui berapa jumlah neuron yang optimal untuk mendapatkan nilai MAPE terkecil. Tujuan kedua untuk mengetahui pengaruh jumlah neuron terhadap waktu komputasi.

  Jumlah neuron yang diujikan berjumlah 2 sampai jumlah neuron 15. Parameter ukur lain yaitu menggunakan fungsi aktivasi sigmoid biner, rentang input weight dan bias

  [−1, 1], jumlah fitur 6 yang mana fitur ini terdiri dari 3 data fundamental dan 3 data teknikal. Pemilihan 3 data teknikal berdasarkan pola rotasi kelapa sawit yang rata – rata terjadi selama 3 bulan. Hasil pengujian jumlah neuron pada hidden

  error dengan cara menghitung selisih antara

  Proses evaluasi hasil menggunakan metode Mean Absolute Precentage Error) (MAPE) dan Mean Absolute Deviation (MAD). Metode MAPE adalah model perhitungan nilai

  2.2.5 Evaluasi

• – rata kesalahan prediksi dengan cara menghitung nilai selisih dari nilai prediksi dengan nilai aktual pada sejumlah data. Hasil dari nilai MAPE dalam bentuk presentase, sedangkan hasil nilai MAD dalam bentuk
• R a ta Ni la i M AP E (% )

  layer

  Pengujian jumlah fitur ditujukan untuk mengetahui pengaruh dari data teknikal atau pengaruh dari jumlah bulan panen yang digunakan dalam proses pembentukan pola jaringan. Pada pengujian ini menggunakan 5 fitur data teknikal yang terbagi menjadi data teknikal 1, data teknikal 2, 3, 4 dan 5. Maksud dari jumlah data teknikal 1, 2, 3, 4 dan 5 adalah data hasil panen 1 bulan sebelumnya, 2 bulan sebelumnya dan seterusnya. Pengujian dilakukan dengan mengubah nilai data teknikal yang digunakan. Misal menggunakan 3 data fundamental dan 1 data teknikal, 3 data fundamental dan 2 data teknikal dan seterusnya. Penggunaan formasi fitur seperti ini dikarenakan data fundamental kurang memberikan pengaruh dan menyebabkan nilai MAPE tinggi sehingga perlu dilakukan penambahan fitur data teknikal.

  Jumlah Neuron Pengujian Jumlah Neuron Terhadap Waktu Komputasi

  7 8 9 10 11 12 13 14 15 Wa k tu K o mp u ta si ( d e ti k )

  6

  5

  4

  3

  2

  1,20 1,45 1,70 1,95 2,20

  Hidden Layer MAPE

  Jumlah Neuron Pengujian Jumlah Neuron Pada

  2 3 4 5 6 7 8 9 10 11 12 13 14 15 R a ta

  20,00 22,00 24,00 26,00 28,00 30,00

  Parameter ukur lain yang digunakan dalam pengujian ini adalah menggunakan jumlah neuron pada hidden layer berjumlah 13, fungsi aktivasi sigmoid biner. Hasil pengujian seperti yang ditunjukkan pada Gambar 5.

  3.2 Pengujian Jumlah Fitur

  akan ditunjukkan pada Gambar 3 dan Gambar 4.

  Pengujian Jumlah Neuron

  Gambar 4 Grafik Waktu Komputasi Hasil

  perubahan waktu yang terlalu signifikan atau bisa diartikan bahwa untuk jumlah neuron yang sedikit metode Extreme Learning Machine memiliki kecepatan waktu komputasi yang stabil.

  neuron 14 waktu komputasinya tidak mengalami

  15. Pada jumlah neuron 3 sampai dengan jumlah

  Dalam segi waktu komputasi berdasarkan Gambar 4 menunjukkan bahwa waktu komputasi tercepat terjadi pada penggunaan jumlah neuron 2 dan waktu komputasi tertinggi terjadi pada jumlah neuron

  mengarah pada pola target. Sedangkan penggunaan jumlah neuron yang terlalu sedikit juga mengakibatkan nilai MAPE besar, ini disebabkan kurangnya proses pembelajaran pola data.

  input layer , sehingga hasil output layer sulit

  Menurut Sari (2017) jumlah neuron yang terlalu besar menyebabkan jaringan tidak bisa menangkap keteraturan pola. Hal ini dikarenakan unit pembobotan yang besar pada

  15. Berdasarkan hasil tersebut dapat disimpulkan bahwa penggunaan neuron yang banyak membuat penghubung (connector) antara input layer ke output layer yang terbentuk juga semakin banyak, hal ini memungkinkan unit pemrosesan pada sistem pembobotan dalam mengenali data semakin baik. Akan tetapi penggunaan neuron yang terlalu banyak mengakibatkan hasil data uji berbeda jauh dari target. Selain itu hasil nilai MAPE tidak selalu rendah jika menggunakan jumlah hidden neuron yang semakin banyak.

  yang tinggi. Nilai MAPE juga mulai mengalami kenaikan kembali pada jumlah neuron 14 dan

  neuron berjumlah 2 dan 3 menghasilkan MAPE

  Berdasarkan Gambar 3 yang merupakan hasil pengujian jumlah neuron pada hidden layer menunjukkan bahwa penggunaan jumlah neuron yang terlalu besar atau terlalu kecil pada proses pelatihan mengakibatkan hasil MAPE yang tinggi pada hasil data pengujian. Pada Gambar 3

  Gambar 3 Grafik Pengujian Neuron

  WAKTU

  2

  23,16 20,42 24,51 22,96

• Ra ta N il a i MAP E (% )

  ta

  4

  3

  1

  Pola data 1 adalah pola data dengan banyak tahun tanam pada satu bulan sedangkan pola data 2 adalah pola data dengan banyak bulan pada satu tahun tanam saja. Pada proses pengujian menggunakan jumlah neuron 13, fitur data teknikal 2 karena sesuai dengan hasil terbaik pada pengujian fitur dan fungsi aktivasi sigmoid. Hasil pengujian seperti pada Gambar 6.

  23,84 17,00 19,00 21,00 23,00 25,00 27,00 29,00

5 Ra

  Dari hasil pengujian, pola 2 memiliki nilai MAPE yang lebih besar dari pola 1 itu dikarenakan pada pola 2 terdapat beberapa pola data uji yang tidak dikenali pada data latihnya. Selain itu juga adanya kondisi underfitting pada beberapa data. Kondisi underfitting ini disebabkan karena pada proses pembelajaran (training) pola data, jaringan tidak bisa menangkap hubungan antara sinyal input dengan target hal ini disebabkan oleh kurangnya jumlah

  19,77 28,16 17,48 18,97

  POLA 1 POLA 2

  Percobaan ke-i Pengujian Pola 1 dan Pola 2

  5 Rat a

  4

  3

  2

  1

  23,53 23,26 16,00 21,00 26,00 31,00

  17,88 19,90 23,81 19,19

  neuron pada hidden layer (Sheela & Deepa,

  Jumlah Fitur Pengujian Jumlah Fitur Data Teknikal MAPE

  Gambar 5 Grafik Hasil Pengujian Jumlah Fitur

  Berdasarkan Gambar 5 mengenai pengujian jumlah fitur memperlihatkan bahwa banyak sedikitnya jumlah fitur yang digunakan memiliki pengaruh terhadap nilai MAPE. Semakin banyak fitur belum tentu memberikan nilai MAPE yang rendah. Terlihat bahwa dengan jumlah fitur data teknikal 1, 3, 4 dan 5 menghasilkan nilai MAPE yang lebih besar dibandingkan dengan fitur data teknikal berjumlah 2. Rata

• Rat a N il ai M AP E (%)
• –rata nilai MAPE terendah terjadi pada fitur data teknikal 2 yaitu sebesar 20,42% dan MAPE tertinggi sebesar 24,51% pada fitur 3.

  Dari grafik pengujian pada Gambar 5 kesimpulan yang didapatkan adalah penggunaan data teknikal sangatlah berpengaruh. Penggunaan fitur data teknikal yang terlalu banyak dapat membuat gangguan pada data, hal ini dikarenakan terdapatnya banyak pola data yang berbeda sehingga menyebabkan hasil MAPE yang tinggi. Selain itu dipengaruhi juga oleh fitur data fundamentalnya yang tidak sepenuhnya memberikan pengaruh pada hasil prediksi. Sedangkan fitur data teknikal yang terlalu sedikit membuat hasil prediksi tidak sesuai target karena terbatasnya pola data untuk pembelajaran jaringan. Dari pengujian ini didapatkan kesimpulan bahwa rata

  Pengujian pola data ditujukan untuk mengetahui kemampuan dari metode ELM dalam mengenali pola suatu data. Pada penelitian ini menggunakan dua jenis pola data.

  Gambar 6 Grafik Hasil Pengujian Jenis Pola

  Berdasarkan Gambar 6 mengenai hasil pengujian pola data didapatkan hasil bahwa pola 2 memiliki hasil MAPE yang lebih besar dibanding pola 1. Pada pola 1 nilai MAPE terendah sebesar 19,19% dan pola 2 sebesar 17,48%. Sedangkan nilai MAPE tertinggi pola 1 sebesar 23,81% dan pola 2 sebesar 28,16%.

  2013) dan adanya kemungkinan kekuatan unit pembobotan (input weight dan bias) yang terlalu rendah sehingga pola yang ditangkap saat proses pembelajaran terbatas dan menyebabkan hasil yang lebih rendah pada data pelatihannya. Sedangkan pada pola 1 baik pola data latih maupun pola data ujinya memiliki pola yang hampir sama, sehingga hal ini mengakibatkan proses pembelajaran pola 1 lebih baik.

• –rata nilai MAPE terbaik adalah menggunakan analisis data panen pada bulan kesatu dan kedua dari bulan yang akan dijadikan target prediksi.

3.3 Pengujian Pola Data

  Klasifikasi Keadaan Mata Berdasarkan Sinyal EEG Menggunakan Extreme

  2006. Extreme Learning Machine : Theory and Applications.

  Huang, G. -B., Zhou, H., Ding, X. & Zhang, R., 2012. Extreme Learning Machine for Regression and Multiclass Classification. IEEE Transactions on

  Systems, Man, and Cybernetics - Part B: Cybernetics , Volume 42.

  Huang, G., Zhu, Q. & Siew, C., 2005.

  Extreme Learning Machine. Theory and

  applications. Elsevier science : Neurocomputing, Volume 70, pp. 489-

  501. Huang, G. -B., Zhu, Q.-Y. & Siew, C. -K.,

  Neurocomputing, Volume 60, pp. 489- 501.

  [Online] Available at: https://finance.detik.com/berita- ekonomi-bisnis/d-2785582/mana-yang- lebih-untung-berkebun-sawit-tebu-atau- karet [Accessed Sunday March 2018]. Heizer, J. & Rander, B., 2009. Manajemen

  Julpan, Nababan, E. B. & Zarlis, M., 2015.

  Analisis Fungsi Aktivasi Sigmoid Biner Dan Sigmoid Bipolar Dalam Algoritma Backpropogation Pada Prediksi Kemapuan Siswa. Jurnal Teknovasi, Volume 02, pp. 103 - 116.

  Mahdiyah, U., Irawan, M. I. & Imah, E. M., 2015. Study Comparison Backpropogation, Support Vector Machine, And Extreme Learning Machine For Bioinformatics Data.

  Journal of Computer Science and Information, Volume 8/1, pp. 53 - 59.

  Mohammadi, K. et al., 2015. Predicting The Wind Power Density Based Upon Extreme Learning Machine. Energy, Volume 86, pp. 232-239.

  Prakoso, E. C., Wisesty, U. N. & Jondri, 2016.

  Operasi. 9 ed. Jakarta: Terj. Chriswan Sungkono; Salemba Empat.

  DetikfInance, 2014. Mana yang Lebih Untung Berkebun Sawit, Tebu atau Karet?.

  4. KESIMPULAN

  Teknologi Informasi dan Ilmu komputer (JTIIK), Volume 4, No. 1, pp. 31-36.

  Metode Extreme Learning Machine dalam proses komputasinya mampu menghasilkan fitur perhitungan yang optimal. Berdasarkan pengujian yang telah dilakukan didapatkan jumlah hidden neuron yang terbaik berjumlah 13, 2 fitur data teknikal dan pola pembelajaran data adalah pola data 1. Dengan menggunakan fitur tersebut diperoleh rata

• –rata nilai MAPE sebesar 20,19%.

  The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Expert Systems

  [Online] Available at: https://www.bps.go.id/statictabel/2015/ 09/25/1853/nilai-produksi-dan-biaya- produksi-per-hektar-usaha-perkebunan- kelapa-sawit-dan-tebu-2014.html [Accessed Sunday March 2018]. Chang, P.-C., Wang, Y.-W. & Liu, C.-H., 2007.

  Biaya Produksi per Hektar Usaha Perkebunan Kelapa Sawit dan Tebu.

  2017. Prediction of laser cutting heat affected zone by extreme learning machine. Optics and Lasers in Engineering, Volume 88, pp. 1-4. Badan Pusat Statistik. 2014. Nilai Produksi dan

  ISSN:0852-730X. Anicic, O., Jović, S., Skrijelj, H. & Nedi, B.,

  with Applications, Volume 32, pp. 88 - 89.

  Andini, T. D. & Auristandi, P., 2016. Peramalan Jumlah Stok Alat Tulis Kantor Di UD Achmad Jaya Menggunakan Metode Double Exponential Smooting. Jurnal

  5. DAFTAR PUSTAKA

  Berdasarkan hasil pengujian maka model prediksi yang digunakan memiliki kinerja yang cukup bagus, karena nilai MAPE berada diantara rentang 20 - 50%.

  lama tidaknya waktu komputasi adalah jumlah hidden neuron .

  neuron 2, selain itu faktor yang memengaruhi

  Dari hasil ketiga pengujian, didapatkan juga kesimpulan lain mengenai waktu komputasi, yaitu waktu yang dibutuhkan untuk melakukan pemrosesan. Dengan menggunakan metode ELM waktu komputasi tercepat yang didapat adalah pada penggunaan jumlah hidden

  Cholissodin, I. et al., 2017. Optimasi Kandungan Gizi Susu Kambing Peranakan Etawa (PE) Menggunakan ELM-PSO Di UPT Pembibitan Ternak Dan Hijauan Makanan Ternak Singosari - Malang.

  Ilmiah Teknologi dan Informasi ASIA (JITIKA), Volume Vol.10, No.1, pp.

  Learning Machine.

  Journal On Computing, 1(2), pp. 97-116

  Sari, V., 2017. Aplikasi Extreme Learning Machine Untuk Peramalan Data Tim Series (STUDI KASUS: SAHAM BANK BRI). THE 5TH URECOL

  PROCEEDING, pp.1294-1299

  Sheela, K. G. & Deepa, S. N., 2013. Review on Methods to Fix Number of Hidden Neurons in Neural Networks..

  Mathematical Problems in Engineering, Volume 2013, p. 11.

  Srimuang, W. & Intarasothonchun, S., 2015.

  Classification Model Of Network Intrusion Using Weighted Extreme Learning Machine. Internasional Joint

  Conference on Computer Science and Software Engineering (JCSSE), Volume

  12. Sukarno, N. M., Wirawan, P. W. & Adhy, S., 2015. Perancangan dan Implementasi Jaringan Saraf Tiruan Backpropogation untuk Mendiagnosa Penyakit Kulit.

  Masyarakat Informatika, Volume 5, Nomor 10.

  Wang, B. et al., 2016. Prediction of Fatigue Stress Concentration Factor Using Extreme Learning Machine.

  Computational Materials Science, Volume 125, pp. 136 - 145.

  Yaseen, Z. M. et al., 2018. Predicting Compressive Strength of Lightweight Foamed Concrete Using Extreme Learning Machine Model. Advances in Engineering Software, Volume 115, pp.

  112-125. Yohansyah, W. M. & Lubis, I., 2014. Analisis

  Produktivitas Kelapa Sawit (Elaeis guineensis Jacq.) di PT. Perdana Inti Sawit Perkasa I, Riau. Bul. Agrohorti, Volume 2(1), pp. 125-131.