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. NIP. 19820915201212 1 002 NIP. Dr. Erna Budhiarti Nababan, M.IT Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, S.T., MM.IT NIP. 19800110200801 1 010
iii 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
iv 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,. 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.
v 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.
vi 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.
vii 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
viii DAFTAR ISI Hal PERSETUJUAN PERNYATAAN UCAPAN TERIMA KASIH ABSTRAK ABSTRACT DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR ii iii iv vi vii viii xi xiii BAB 1 PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 3 1.3 Tujuan Penelitian 3 1.4 Batasan atau Ruang Lingkup Penelitian 4 1.5 Manfaat Penelitian 4 1.6 Metodologi Penelitian 4 1.7 Sistematika Penulisan 5 BAB 2 LANDASAN TEORI 7 2.1 Produksi Kelapa Sawit 7 2.2 Data Mining 8
ix 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
x 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
xi DAFTAR TABEL Hal TABEL 2.1. Variabel Data yang digunakan 21 TABEL 2.2. Penelitian Terdahulu 27 TABEL 3.1. Sampel Data Produksi Kelapa Sawit 30 TABEL 3.2. Sampel Data Bernilai 0 pada Data Produksi 31 TABEL 3.3. Sampel Data yang Telah Dibersihkan 32 TABEL 3.4. Sampel Data yang Telah ditransformasi 33 TABEL 3.5. Model Data yang Digunakan jumlah Variabel = 1 36 TABEL 3.6. Nilai-Nilai Parameter 36 TABEL 3.7. Nilai Input untuk n = 1 37 TABEL 3.8. Nilai Awal Center 37 TABEL 3.9. Hasil Jarak Data pada Masing-Masing Hidden Node 39 TABEL 3.10. Nilai Center Setelah Di-update 39 TABEL 3.11. Nilai Fungsi Gaussian pada n = 1 40 TABEL 3.12. Inisialisasi Nilai Awal Weigths 41 TABEL 3.13. Nilai Weight yang Telah Di-update Pada n = 1 42 TABEL 3.14. Nilai Center Akhir 43 TABEL 3.15. Nilai Weight Akhir 43 TABEL 4.1. Rangkuman Data Produksi Panen Kelapa Sawit per Hari 50
xii TABEL 4.2. Hasil Pengujian 55 TABEL 4.3. Ringkasan Hasil Prediksi Setelah Didenormalisasi 56
xiii DAFTAR GAMBAR Hal GAMBAR 2.1. Pola Data Horizontal 14 GAMBAR 2.2. Pola Data Musiman 14 GAMBAR 2.3. Pola Data Siklis 15 GAMBAR 2.4. Pola Data Trend 15 GAMBAR 2.5. Arsitektur Umum Jaringan Saraf Tiruan Multilayer 16 GAMBAR 2.6. Arsitektur Jaringan Saraf Radial Basis Function 19 GAMBAR 2.7. Data Time Series Prediksi Harga Emas Pada Tahap Pelatihan untuk Mempresentasikan Form Baris Waktu (Timeline) 20 GAMBAR 2.8. Langkah-langkah Proses Pelatihan untuk Input dan Target Vektor Matriks 21 GAMBAR 2.9. Flowchart Algoritma K-Means Clustering 22 GAMBAR 3.1. Arsitektur Umum dari Proses Penelitian 29 GAMBAR 3.2. Tahap Pelatihan 34 GAMBAR 3.3. Data Time Series untuk Pre-processing Pelatihan 35 GAMBAR 3.4. Langkah 1 untuk n = 1 36 GAMBAR 3.5. Proses Pengujian 43 GAMBAR 3.6. Rancangan Tampilan Awal program 44 GAMBAR 3.7. Rancangan Tampilan Halaman Transformation 45
xiv GAMBAR 3.8. Rancangan Tampilan Halaman Training 46 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