19728 1 10 20180514 Unduh ##common.downloadPdf##

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Vol. 2, No. 11, November 2018, hlm. 4613-4620

e-ISSN: 2548-964X
http://j-ptiik.ub.ac.id

Peramalan Produksi Kelapa Sawit Menggunakan Jaringan Syaraf Tiruan
Dengan Metode Backpropagation
(Studi Kasus PT.Sandabi Indah Lestari)
Retiana Fadma Pertiwi Sinaga1, Budi Darma Setiawan2, Marji3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1retianasinaga22@gmail.com, 2s.budidarma@ub.ac.id, 3marji@ub.ac.id
Abstrak
Salah satu Perkebunan Besar Swasta di Indonesia ialah PT. Sandabi Indah Lestari yang berada di
Provinsi Bengkulu. PT.Sandabi Indah Lestari merancang anggaran setiap tahunnya untuk dihabiskan
pada proses produksi yang dilakukan setiap seminggu sekali. Setiap proses produksi tentunya
membutuhkan biaya tersendiri, jika hasil produksi tidak dapat memberikan keuntungan maka
perusahaan akan mengalami kerugian. Oleh karena itu, diperlukan peramalan hasil produksi kelapa
sawit untuk dijadikan acuan agar hasil produksi tetap stabil atau bahkan meningkat. Hasil peramalan
nantinya dapat digunakan oleh pihak perusahaan untuk meningkatkan hasil produksi dan tidak
mengalami kerugian dari target perencanaan anggaran yang telah dibuat. Penelitian ini menggunakan

metode backpropagation dipadu dengan algoritme nguyen widrow. Dari hasil pengujian dengan jumlah
260 data latih, jumlah data uji 12 data uji, nilai learning rate 0.4, jumlah neuron hidden layer 5, batas
error sebesar 0.001, dan iterasi maksimal sebesar 900 menghasilkan nilai MAPE (Mean Absolute
Percentage Error) sebesar 10,0047%.
Kata kunci: kelapa sawit, produksi, peramalan, backpropagation .

Abstract
One of the Big Private Plantation companies in Indonesia is PT. Sandabi Indah Lestari located in
Bengkulu Province. PT.Sandabi Indah Lestari designs a budget every year to spend on production
process conducted once every week. Each production process of course requires a separate cost, if the
production can not change production costs, the company will incur losses. Therefore, it is necessary
to forecast the output of palm oil production to be a reference for the production results remain stable
or even increased. Forecasting results can later be used by the company to improve production and do
not lose from budget planning targets that have been made. This research uses backpropagation method
combined with nguyen widrow algorithm. From the test results with the number of 260 data train, the
amount of test data 12 test data, the value of learning rate 0.4, the number of hidden layer 5 neurons,
the error limit of 0.001, and the maximum iteration of 900 yields MAPE (Mean Absolute Percentage
Error) value of 10,0047 %.
Keywords: Oil palm, production, forecasting, backpropagation.

2009, yang bertujuan untuk terjun sebagai
perusahaan penghasil kelapa sawit terbesar di
Indonesia. Hasil kelapa sawit yang diolah pada
pabrik difokuskan untuk memenuhi permintaan
yang ada. Perancangan biaya produksi di PT.
Sandabi Indah Lestari digunakan pada proses
produksi baik itu di pabrik maupun di lapangan.
Setiap produksi tentunya tidak terus-menerus
bertambah, pasti ada waktu dimana hasil
produksi tersebut menurun. Ketika hasil
produksi ini menurun, maka anggaran biaya

1. PENDAHULUAN
Perkebunan kelapa sawit di Indonesia
merupakan perkebunan yang berpengaruh besar
dalam
penyumbangan
devisa
Negara
(Kemenperin, 2010). Salah satu Perkebunan

Besar Swasta yang menjadi studi kasus pada
penelitian ini ialah PT. Sandabi Indah Lestari.
Dari hasil wawancara dengan manager tanaman
yaitu Ir. Salim Sinaga, PT. Sandabi Indah Lestari
membangun pabrik kelapa sawitnya pada tahun
Fakultas Ilmu Komputer
Universitas Brawijaya

4613

4614

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

produksi tidak balik modal dan mengalami
kerugian. Oleh karena itu penulis melakukan
penelitian dengan judul “Peramalan Produksi
Kelapa Sawit Menggunakan Jaringan Syaraf
Tiruan dengan Metode Backpropagation(Studi
Kasus PT. Sandabi Indah Lestari)”. Penelitian

ini bertujuan memberikan gambaran untuk pihak
perusahaan dalam merancang anggaran biaya
produksi.
Penelitian yang dilakukan oleh Eka
Irawan(2017)
dengan
judul
“Analisis
Penambahan Nilai Momentum Pada Prediksi
Produktivitas Kelapa Sawit Menggunakan
Backpropagation” nilai MAPE(Mean Absolute
Percentage Error) sebesar 14%. Kemudian
penelitian yang dilakukan oleh Hamdani(2012)
dengan judul “Peramalan Pasokan Tandan Buah
Segar Dan Penjualan Minyak Sawit Kasar
Menggunakan Jaringan Syaraf Tiruan Propagasi
Balik” menghasilkan MAPE(Mean Absolute
Percentage Error) sebesar 25.67% dengan jenis
data yaitu data penjualan kelapa sawit dari tahun
2003 hingga 2007 di PTPN XIII. Berdasarkan

dua penelitian tersebut yang menghasilkan nilai
MAPE cukup baik, penulis memutuskan untuk
menggunakan
metode
backpropagation.
Kemudian metode backpropagation di bantu
oleh
algoritme
nguyen
widrow
agar
mendapatkan bobot awal yang optimal pada
penelitian ini. Dari hasil wawancara, penulis
mendapatkan data yang terkomputasi di
perusahaan setiap tahunnya, data ini penulis
gunakan sebagai parameter pada penelitian ini.
Data tersebut merupakan data produksi tahun
2015 hingga 2017 yang meliputi hasil panen
setiap bulannya, umur kelapa sawit, luas area
lahan, dan jumlah pokok pada suatu area lahan.

2. LANDASAN PUSTAKA
2.1 Parameter Produksi Kelapa Sawit
Setiap produksi tanaman tentunya di
pengaruhi banyak faktor. Faktor produksi kelapa
sawit dapat berupa faktor lingkungan maupun
faktor iklim(Risza, 1994). Pada penelitian ini,
penulis menggunakan parameter yang bersifat
fakor lingkungan. Parameter tersebut terdiri atas
usia tanaman, luas area lahan, jumlah pokok
kelapa sawit pada suatu area lahan dan hasil
panen per bulan.

Fakultas Ilmu Komputer, Universitas Brawijaya

2.2 Arsitektur
Dan
Backpropagation

Algoritme

Y2

Y1
w21

w12

Y3
w13

w22

w11

w23

Z1

v11

X1

Z2

v42

v12
v21

v22

v31

X2

v32

v41

X3

Gambar 1. Arsitektur Backpropagation
Sumber: Fausett(1994)
Gambar 1 merupakan arsitektur dari metode
backpropagation. Dari gambar 1 dapat kita lihat
terdapat 3 layer yaitu input layer , hidden layer ,
dan output layer . Pada setiap layer terdapat
neuron, contohnya pada gambar 1 pada input
layer terdapat 4 neuron input, kemudian pada
hidden layer terdapat 2 neuron hidden dan pada
output layer terdapat 3 neuron output. Berikut
notasi yang digunakan pada algoritme
backpropagation:
: input
t
: target
α
: learning rate
: neuron input ke-i
: neuron hidden ke-i

: neuron output ke-k
: bobot neuron input ke neuron hidden
: bobot bias neuron input ke-j
: bobot bias untuk neuron hidden ke-k
: bobot neuron hidden ke neuron output
�
: faktor koreksi bobot
�
: faktor koreksi bobot

2.3 Metode Backpropagation

Algoritme backpropagation merupakan
algortitma banyak layer yang dapat di tentukan
layer nya sesuai dengan penelitian yang di
lakukan. Langkah perhitungan backpropagation
dimulai dari penentuan bobot awal secara acak,
kemudia pelatihan data, dan terakhit pengujian
data. Berikut langkah-langkah perhitungannya
(Fausett,1994):

1. inisialisasi bobot v dan w dengan nilai
random antara -0.5 sampai 0.5. inisialisasi

X4

4615

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

juga nilai learning rate (α), jumlah iterasi
maksimum, serta batasan nilai error.

2. Proses inisialisasi bobot terus dilakukan
selama kondisi berhenti belum terpenuhi,
biasanya kondisi berhenti ditentukan oleh
jumlah itrasi maksimal, batas error maksimal
atau ketika nilai y mengalami konvergensi.
Fase Propogasi Maju

3. Tiap sinyal yang masuk pada neuron input(x)
di teruskan ke semua neuron di hidden
layer (z).

4. Ketika sinyal memasuki hidden layer maka
hitung sinyal input dan biasnya dengan
masing-masing
bobot
menggunakan
persamaan (1):
=

+ ∑

(1)

=

5. Kemudian hitung sinyal output dari hidden
layer dengan menggunakan fungsi aktivasi
sigmoid . yang nantinya sinyal ini diteruskan
ke output layer , gunakan persamaan (2):
= �

=

+�

−� �

(2)

6. Tahap selanjutnya ketika sinyal dari neuron
hidden layer masuk ke neuron output,
gunakan persamaan (3):
=

+ ∑

=

(3)

7. Kemudian lakukan aktivasi pada nilai

12. Tahap selanjutnya gunakan persamaan (9)
untuk menghitung � yang merupakan koreksi
error neuron hidden:

� =�

−

13. kemudian gunakan persamaan (10) untuk
menghitung nilai koreksi error ∆

(4)

Fase Propagasi Mundur

8.

9.

hitung faktor koreksi error output, koreksi
error output merupakan error yang
dihasilkan atas kesalahan unit keluaran
menggunakan persamaan (5):
� =

−

−

(5)

hitung juga faktor koreksi error bobot
dengan menggunakan persamaan (6):
∆

== �

(6)

∆

=i �

(7)

10. gunakan persamaan (7) untuk mengkoreksi
nilai bias w:

11. Menggunakan

persamaan (8) hitung
koreksi error yang dihasilkan oleh delta
bobot
:

�

=∑

=

�

(8)

Fakultas Ilmu Komputer, Universitas Brawijaya

:

∆

=

�

(10)

∆

=

�

(11)

14. setelah itu hitung koreksi error ∆
menggunakan persamaan (11):

Fase Ubah Bobot

15. Perubahan bobot

dilakukan dengan
menambahkan koreksi error bobot w pada
tahap sebelumnya menggunakan persamaan
(12):
�

=

+ ∆

(12)

16. perubahan bobot

�

=

+∆

(13)

�

=

�

=

dilakukna dengan
menambah koreksi error v menggunakan
persamaan (13):

17. hitung bobot bias

yang baru dengan
menggunakan persamaan (14):

18. hitung bobot bias
persamaan (15):

menggunakan persamaan (4):
= �

(9)

19. setelah

+∆

(14)

+ ∆

(15)

dengan menggunakan

tahapan sebelumnya selesai
dilakukan, hitung total error yang
dihasilkan
pada
proses
peramalan
menggunakan persamaan (16):

��� = ∑

�−

2

(16)

keterangan :
y = nilai ramalan
t = nilai yang sebenarnya
n = jumlah data

2.4 Algoritme Nguyen Widrow
Algoritme nguyen widrow mampu
menentukan batasan bobot awal yang terbaik
pada tahap awal pelatihan backproagation,
berikut perhitungan algoritme nguyen widrow
(Syaban,2016):
1. Pertama inisialisasi nilai
,
,
Nilai random antara -0.5 sampai 0.5.

,

.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

2. Kemudian
hitung
vektor
menggunakan persamaan (17):
|| = √

||

+

||

….

||

(17)

3. Kemudian hitung faktor skala yang akan
digunakan sebagai nilai batasan penetuan
bobot awal, menggunakan persamaan (18):
=

.7 �√

(18)

Keterangan :
n = jumlah unit input
p = jumlah unit hidden

4616

parameter. Parameter tersebut terdiri atas umur
tanaman, luas lahan area perkebunan kelapa
sawit, jumlah pokok kelapa sawit, hasil panen
pada bulan pertama, hasil panen pada bulan
kedua, dan hasil panen pada bulan ketiga. Output
pada penelitian ini ialah hasil panen pada bulan
selanjutnya. Data yang digunakan merupakan
data produksi tahun 2015 hingga 2017 yang
berjumlah 319 data, kemudian di bagi mejadi
260 data latih dan 59 data uji. Rancangan
arsitektur backpropagation pada penelitian ini
yaitu 6 neuron input, 5 neuron hidden, dan 1
neuron output. Arsitekturnya dapat dilihat pada
gambar 3.

4. nilai
yang baru di hitung menggunakan
persamaan (19):
=

��

� �

(19)

||� ||

5. kemudian nilai bias v yang akan digunakan
pada inisialisasi bobot awal adalah
bilangan acak atau random yang batasan
nilainya antara – sampai .
6. Tetapkan bobot bias
samapai 0.5.

dan

antara -0.5

3. METODOLOGI PENELITIAN
Diagram alir metode penelitian yang
dilakukan pada penelitian dengan judul
“Peramalan
Produksi
Kelapa
Sawit
Menggunakan Jaringan Syaraf Tiruan dengan
Metode Backproagation(Studi Kasus PT.
Sandabi Indah Lestari) dapat di lihat pada
gambar 2.

Gambar 2. Metodologi Penelitian

4. PERANCANGAN ALGORITME
Penelitian ini berfokus pada peramalan
produksi bulan selanjutnya berdasarkan 6
Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 3 Arsitektur backpropagation pada
penelitian ini

4.1 Flowchart Pencarian struktur jaringan
terbaik
Tahapan pencarian jaringan dimulai dengan
mengambil data pada database, melakukan
normalisasi data, kemudian melakukan pelatihan
data, dan pengujian data. Keluaran nantinya
berupa penilaian hasil ramalan yang
dipresentasikan dengan MAPE. Flowchart untuk
tahapan yang telah dijelaskan dapat dilihat pada
gambar 4.

4617

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Mulai

Data

Normalisasi Data

Pelatihan Data

Pengujian Data
Gambar 5. Pengujian Iterasi Maksimal
MAPE

Selesai
Gambar 4. Pencarian Struktur Jaringan Terbaik

5. PENGUJIA N DAN ANALISIS HASIL
Pengujian yang dilakukan pada penelitian
ini terdiri atas 5 pengujian, kemudian setelah 5
pengujian tersebut dilakukan, Analisis Hasil
menggunakan parameter yang di dapat pada
pengujian tersebut.

5.2 Pengujian jumlah Data Latih
Penelitian ini memiliki total data latih
berjumlah 260 data. Jumlah data latih yang di uji
terdiri atas 52 data, 104 data, 156 data, 208 data,
dan 260 data, penentuan jumlah data latihnya
berdasarkan kemiripan pola data latih dan pola
data uji. Penguian jumlah data latih ini
menggunakan nilai learning rate 0.4, iterasi
maksimal 900, 5 neuron hidden, batas error
sebesar 0.001, serta 59 data uji. Tujuan yang
ingin dicapai pada pengujian ini ialah nilai
MAPE yang serendah mungkin agar hasil
ramalan mendekati nilai target. Pada gambar 6
dapat dilihat bawah dengan jumlah data latih
total menghasilkannilai MAPE terendah yaitu
15,90308%.

5.1 Pengujian Iterasi Maksimal
Pengujian yang pertama adalah pengujian
jumlah iterasi. Jumlah iterasi yang diuji
diantaranya 200 iterasi hingga 1000 iterasi dan
yang terakhir 2000 iterasi. Sebelum pengujian
iterasi dilakukan, penetuan nilai learning rate
ialah 0.4, batas error 0.001, jumlah data latih
260, dan jumlah data uji 59.
Dari gambar 5 dapat dilihat bahwa nilai
MAPE terendah yaitu 14,68% dengan jumlah
iterasi maksimal sebesar 900 iterasi. Pada
penelitian ini semakin besar jumlah iterasi maka
akan menghasilkan nilai ramalan yang baik,
namun waktu eksekusi akan semakin lama jika
iterasi berjumlah besar, maka dari itu diperlukan
nilai batasan iterasi maksimal dan batasan error.

Fakultas Ilmu Komputer, Universitas Brawijaya

Gambar 6. Pengujian Jumlah Data Latih

5.3 Pengujian Nilai Learning Rate
Nilai learning rate berpengaruh pada
kecepatan pembelajaran backpropagation untuk
mengenali pola-pola data yang dilatih, nilai
learning rate yang rendah membuat kecepatan
pembelajaran lambat, sedangkan nilai learning
rate yang terlalu besar membuat kecepatan

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

4618

pembelajaran terlalu cepat hingga akan
memberikan hasil ramalan yang tidak optimal.
Pada pengujian ini nilai learning rate(α) yang di
uji terdiri atas 0.1 hingga 0.7.Jumlah data latih
yang digunakan pengujian ini yaitu 260 data
latih, 59 data uji, maksimal iterasi 900, 5 neuron
hidden dan batas error 0,001. Dengan nilai
learning rate 0,4 menghasilkan nilai MAPE
terendah 14,74% dengan waktu eksekusi ratarata 2,4 detik, sedangkan waktu tercepat yaitu
1,4 detik dengan nilai learning rate 0,3 namun
MAPE cukup besar yaitu 17,86%. Hasil
pengujian dapat dilihat pada gambar 7.
Gambar 8. Pengujian Jumlah Neuron Hidden Layer

Gambar 7. Pengujian Nilai Learning Rate

5.4 Pengujian Jumlah Neuron Hidden Layer
Berdasarkan sumber penelitian sebelumnya
jumlah neuron hidden yaitu 2/3 dari jumlah
neuron input ditambah dengan neuron output.
Penentuan arsitektur jumlah neuron hidden layer
yang baik sangat dianjurkan agar hasil ramalan
mendekati nilai target dan proses pelatihan juga
tidak memakan waktu yang lama. Pada
pengujian ini jumlah neuron hidden layer yang
di uji mulai dari 1, 2, 3, 4 dan 5. Pengujian ini
menggunakan 260 data latih, nilai learning rate
0.4, Jumlah iterasi maksimal sebesar 900, batas
error 0.001 dan 59 data uji. Pada gambar 8 dapat
dilihat nilai MAPE semakin baik mulai dari
jumlah neuron sebesar 1 hingga 5, namun nilai
MAPE terbaik yaitu dengan jumlah neuron
sebesar 5 yang menghasilkan nilai MAPE
14,13%.

5.5 Pengujian K-Fold Cross Validation
Pengujian ini bertujuan menguji pola data
dan ketahan algortima backpropagation ketika
data uji dan data latih di ubah secara acak. Pada
pengujian ini nilai K-fold yang di uji adalah 5
dan 7. Selanjutnya nilai learning rate yang
digunakan pada pengujian ini ialah 0.4, iterasi
maksimal 900,5 neuron hidden dan batas error
0.001.
Pada gambar 9 dan 10 MAPE terbaik terjadi
pada fold ke 6 dengan K-7 sebesar 12,96%. Dari
grafik dapat kita lihat bahwa nilai MAPE tak
menentu dikarena data latih dan data uji yang
diubah-ubah, kombinasi data latih dan data uji
yang menghasilkan MAPE kurang baik yaitu
pada fold 2 dengan k-5 dan pada fold 3 dengan
k-7.

Gambar 9. K-Fold Cross Validation K=5

Fakultas Ilmu Komputer, Universitas Brawijaya

4619

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

6.

Gambar 10. K-Fold Cross Validation K=7

5.6 Analisis Hasil Pengujian
Setelah melakukan Pengujian Nilai
Learning Rate, Pengujian Iterasi Maksimal,
Pengujian Jumlah Data Latih, Pengujian Jumlah
Neuron Hidden Layer , Dan Pengujian K-Fold
Cross Validation. Didapatkan nilai learning rate
terbaik yaitu 0.4, jumlah iterasi maksimal terbia
yaitu 900, jumlah data latih terbaih yaitu 260 dan
jumlah neuron hidden layer terbaik sebesar 5
neuron. Dari hasil pengujian yang telah
didapatkan, parameter terbaik digunakan untuk
percobaan peramalan pada data uji sebesar 12
data yang merupakan data produksi kelapa sawit
dari bulan januari hingga desember tahun 2016.
Berdasarkan gambar 11 dapat disimpulkan hasil
peramalan mendekati nilai target dan pola
peramalan menyerupai pola target. Dari hasil
analisis nila MAPE pada percobaan ini sebesar

10.0047%.

Gambar 11. Hasil Peramalan dengan metode
Backpropagation

Fakultas Ilmu Komputer, Universitas Brawijaya

KESIMPULAN DAN SARAN

Dari hasil penelitian dapat disimpulkan
bahwa nilai learning rate (α) yang menghasilkan
MAPE terbaik pada penelitian ini adalah 0.4,
kemudian arssitektur neuron hidden layer yang
menghasilkan MAPE terbaik pada penelitian ini
adalah 5. Setelah mendapatkan parameter
terbaik dari 5 pengujian yang dilakukan,
parameter tersebut digunakan untuk menguji 12
data uji yang meghasilkan MAPE sebesar
10,0047%. Saran untuk penelitian selanjutnya
dapat menambahkan faktor-faktor yang
mempengaruhi jumlah produksi kelapa sawit,
kemudian algoritme backpropagation dapat di
padu dengan metode lain agar mempercepat
iterasi atau epoch, sehingga MAPE yang
dihasilkan lebih baik dari penelitian ini.
7. DAFTAR PUSTAKA
Azid,

I.A. 2003. Application Of Back
Propagation
Neural
Network
In
Predicting Palm Oil Mill Emission.
School of Mechanical Engineering
Engineering Campus, Universiti Sains
Malaysia.
Badrun, M. 2010. Tonggak Perubahan Melalui
PIR Kelapa Sawit Membangun Negeri.
S2.Direktorat
Jendral
Perkebunan,
Kementrian
Pertanian
Republik
Indonesia, Jakarta.
Brian, T. 2016. Analisis Learning Rates Pada
Algoritme
Backpropagation
Untuk
Klasifikasi Penyakit Diabetes. Universitas
Trunojoyo Madura Bangkalan.
Fausett, Laurene V. 1994. Fundamentals of
Neural
Networks:
Architectures,
Algorithms,
and
Applications.
PrenticeHall.
Hamdani, Muhammad. 2012. Peramalan
Pasokan Tandan Buah Segar Dan
Penjualan
Minyak
Sawit
Kasar
Menggunakan Jaringan Syaraf Tiruan
Propagasi Balik. S1. Ilmu Komputer,
Institut Pertanian Bogor, Bogor.
Hermantoro & Purnawan, W. R. 2009. Prediksi
Produksi Kelapa Sawit Berdasarkan
Kualitas Lahan Menggunakan Model
Artificial Neural Network. Agroteknose,
4(2). pp. 1-6.
Irawan, Eka. 2017. Analisis Penambahan Nilai
Momentum Pada Prediksi Produktivitas
Kelapa
Sawit
Menggunakan
Backpropagation. S2. Magister Teknik
Informatika, USU, Sumatera Utara.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Kemenperin, 2010. Prospek dan Permasalahan
Industri
Sawit.
[online] Tersedia
di: [Diakses 1 Agustus 2017]
Nurhatika, S. 2012. Sistem Pakar Untuk
Mendiagnosis Penyakit Tanaman Kelapa
Sawit. S1. STMIK Atma Luhur
Pangkalpina Kepulauan Babel.
Purnamasari,
Ratnaningtyas
W.
2013.
Implementasi Jaringan Syaraf Tiruan
Backpropagation Sebagai Sistem Deteksi
Penyakit
Tuberculosis (Tbc). S1.
Universitas Negeri Semarang.
Puspita, A, and Unike. 2007. Penggunaan
Jaringan
Syaraf
Tiruan
Metode
Backpropagation Untuk Memprediksi
Bibir Sumbing. Seminar Nasional
Teknologi.
Risza,
S.
1994.
Upaya
Peningkatan
Produktivitas Kelapa Sawit. Yogyakarta.
Kanisius.
Salim Sinaga, interview by Retiana Fadma
Pertiwi Sinaga. 2017. Produksi Kelapa
Sawit Di PT. Sandabi Indah Lestari
(Agustus 27).
Siang, J. J. 2009. Jaringan Syaraf Tiruan dan
Pemrogramannya Menggunakan Matlab.
98-111.
Syaban, Kharis & Harjoko, A. 2016. Klasifikasi
Varietas Cabai Berdasarkan Morfologi
Daun Menggunakan Backpropagation
Neural Network. S2. FMIPA, UGM,
Yogyakarta.
Wahyuni, Linda & Darma, S. 2014. Sistem
Pakar Mengidentifikasi Gejala Defisiensi
Unsur Hara Pada Tanaman Kelapa
Sawit.S1. STMIK Potensi Utama Medan.

Fakultas Ilmu Komputer, Universitas Brawijaya

4620