PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN...

PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN

PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN

JARINGAN SYARAF TIRUAN PROPAGASI BALIK

MUHAMMAD HAMDANI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN

PENJUALAN MINYAK SAWIT KASAR MENGGUNAKAN

JARINGAN SYARAF TIRUAN PROPAGASI BALIK

MUHAMMAD HAMDANI

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2012

ABSTRACT

MUHAMMAD HAMDANI. A Backpropagation Neural Network Model for Crude Palm Oil Sales

and Stock of Palm Oil Fresh Fruit Bunch Forecasting. Supervised by AZIZ KUSTIYO and ALIM

SETIAWAN S.

Crude palm oil sales forecasting and palm oil fresh fruit bunch stock forecasting are common

problems for palm agro industry company. The low rate of sales due to wrong prediction may

influence company’s expansion plan. Moreover, crude palm oil stock is strongly dependent on

palm oil fresh fruit bunch stock in each fields. The objective of this study is to create a model for

sales forecasting of crude palm oil by using backpropagation Neural Network. This study uses

secondary data which contains historical data of crude palm oil sales dependent on TBS stocks

from 3 fields (inti, plasma, luar). The data is obtained from PT. Perkebunan Nusantara (PTPN)

XIII term of January 2005 to December 2007. Factors that influence backpropagation neural

network model are the number of neurons in the hidden layer and the learning rate. The

conclusion obtained based on the result test is that the level of accuracy of the Backpropagation

Neural Network in predicting the supply of Palm Fresh Fruit Bunch and Crude Palm Oil sales is

more competitive than the accuracy of ARIMA time series data model for Palm Fresh Fruit Bunch

and Crude Palm Oil sales with 750.45 for RMSE and 25.67 MAPE.

Keywords: forecasting, crude palm oil, backpropagation, artificial neural network

Judul Skripsi : Peramalan Pasokan Tandan Buah Segar dan Penjualan Minyak Sawit Kasar

Menggunakan Jaringan Syaraf Tiruan Propagasi Balik

Nama : Muhammad Hamdani

NRP : G64080015

Menyetujui

Komisi Pembimbing

Pembimbing I Pembimbing II

Aziz Kustiyo, S.Si, M.Kom Alim Setiawan S. STP, M.Si

NIP. 19700719 199802 1 001 NIP. 19820227 200912 1 001

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom

NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR

Puji syukur penulis panjatkan ke Hadirat ALLAH Subhanahu Wata’alla atas segala rahmat dan

hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Peramalan Tandan

Buah Segar dan Penjualan Minyak Sawit Kasar Menggunakan Jaringan Syaraf Tiruan Propagasi

Balik. Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah berperan dalam

penelitian ini, yaitu:

1 Bapak Aziz Kustiyo, S.Si, M.Kom dan Bapak Alim Setiawan S. STP, M.Si selaku dosen

pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya

penelitian ini.

2 Bapak Musthofa S.Kom, M.Sc yang telah bersedia menjadi moderator seminar dan penguji

pada sidang.

3 Bapak Doktor Rika Ampuh Hadiguna yang telah memberikan data dalam penelitian ini.

4 Ayahanda Hasan Bisri, Ibunda Iyung Rumaisah, serta Adik Riyan Maulana atas doa, kasih

sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini.

5 Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,

bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa

berjumpa kembali kelak sebagai orang-orang sukses.

6 Rekan-rekan satu bimbingan, Hariman Hidayat Siregar,Wangi Saraswati, Putri Previa Yanti,

Riva Aktivia dan Brenda Kristi, yang telah menemani dan mengingatkan selama penelitian.

7 Rekan-rekan satu kontrakan di Kosan DEWA, Wildan Dhea Gustiyana, Arief Saepudin, Ade

Priyadi dan Ahmad Soleman Nasution yang telah memberikan dukungan untuk segera

menyelesaikan studi.

8 Rekan-rekan IKABON 45 dan seluruh warga IKC-IPB yang telah memberikan dukungan

untuk segera menyelesaikan studi

Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi umat Islam di

Indonesia dan masyarakat pada umumnya.

Bogor, Juli 2012

Muhammad Hamdani

RIWAYAT HIDUP

Penulis lahir di kota Cirebon, Jawa Barat, 28 Juli 1990 sebagai anak pertama dari pasangan

Hasan Bisri dan Iyung Rumaisah. Penulis menghabiskan seluruh masa kecilnya serta mengenyam

pendidikan di kota kelahirannya. Penulis merupakan lulusan dari SMAN 1 Cirebon (2005-2008),

SMPN 1 Cirebon (2002-2005), dan SDN Kebon Baru IV (1996-2002).

Saat ini penulis sedang menempuh studi S1 di Departemen Ilmu Komputer, Fakultas

MIPA, Institut Pertanian Bogor, sejak tahun 2008. Selain sebagai seorang mahasiswa, penulis

sangat aktif memanfaatkan waktunya untuk berorganisasi, baik organisasi intra kampus maupun

organisasi ekstra kampus. Organisasi yang pernah diikuti antara lain Himpunan Mahasiswa Ilmu

Komputer dan Ikatan Kekeluargaan Cirebon. Tidak jarang penulis menjadi bagian dari

kepanitiaan-kepanitiaan dan ikut aktif dalam berbagai lomba nasional. Misalnya saja menjadi

juara pertama untuk kategori PKMM dalam Pekan Ilmiah Mahasiswa Nasional dan finalis 12 besar

dalam Pagelaran Mahasiswa Bidang Informasi dan Teknologi (Gemastik 2011).

v

DAFTAR ISI

Halaman

DAFTAR ISI .......................................................................................................................................... v

DAFTAR TABEL ................................................................................................................................. vi

DAFTAR GAMBAR ............................................................................................................................ vi

DAFTAR LAMPIRAN ......................................................................................................................... vi

PENDAHULUAN.................................................................................................................................. 1 Latar Belakang .................................................................................................................................. 1 Tujuan ............................................................................................................................................... 1 Ruang Lingkup ................................................................................................................................. 1

TINJAUAN PUSTAKA ......................................................................................................................... 1 Minyak Sawit Kasar (CPO) .............................................................................................................. 1 Tandan Buah Segar ........................................................................................................................... 1 Data Time series ............................................................................................................................... 2 Artificial Neural Network (ANN) ..................................................................................................... 2 Feedforward Neural Network ........................................................................................................... 2 Backpropagation Neural Network (BNN) ........................................................................................ 2 Fungsi Aktivasi ................................................................................................................................. 3 Ketepatan Pendugaan ....................................................................................................................... 4

METODE PENELITIAN ....................................................................................................................... 4 Kerangka Penelitian .......................................................................................................................... 4 Studi Literatur ................................................................................................................................... 4 Pengambilan Data ............................................................................................................................. 4 Proses pada BNN .............................................................................................................................. 5 Perbandingan Kinerja BNN dengan ARIMA ................................................................................... 5 Analisis dan Evaluasi........................................................................................................................ 6

HASIL DAN PEMBAHASAN .............................................................................................................. 6 BNN untuk kebun inti....................................................................................................................... 6 BNN untuk kebun plasma ................................................................................................................. 7 BNN untuk kebun luar ...................................................................................................................... 8 BNN untuk Penjualan CPO .............................................................................................................. 9

SIMPULAN DAN SARAN ................................................................................................................. 10 Simpulan ......................................................................................................................................... 10 Saran ............................................................................................................................................... 11

DAFTAR PUSTAKA .......................................................................................................................... 11

LAMPIRAN ......................................................................................................................................... 12

vi

DAFTAR TABEL

Halaman

1 Struktur BNN yang digunakan ............................................................................................................ 5 2 Pengaruh learning rate TBS kebun inti ............................................................................................. 6 3 Perbandingan BNN dengan ARIMA kebun inti .................................................................................. 6 4 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun inti ...................................... 7 5 Pengaruh learning rate TBS kebun plasma ....................................................................................... 7 6 Perbandingan BNN dengan ARIMA kebun plasma ............................................................................ 7 7 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun plasma ............................... 8 8 Pengaruh learning rate TBS kebun luar ............................................................................................ 8 9 Perbandingan BNN dengan ARIMA kebun luar ................................................................................. 8 10 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada kebun luar................................... 9 11 Pengaruh learning rate penjualan CPO ........................................................................................... 9 12 Perbandingan BNN dengan ARIMA penjualan CPO ...................................................................... 10 13 Perbandingan MAPE dan RMSE untuk BNN dan ARIMA pada penjualan CPO .......................... 10

DAFTAR GAMBAR Halaman

1 Jaringan Syaraf Tiruan Feedforward ................................................................................................. 2 2 Jaringan Syaraf Tiruan tipe Backpropagation ................................................................................... 3 3 Grafik fungsi sigmoid biner (kiri) dan sigmoid bipolar (kanan) ......................................................... 3 4 Grafik fungsi identitas ......................................................................................................................... 4 5 Diagram alur proses peramalan jumlah TBS dan penjualan CPO dengan BNN ................................. 4 6 Hasil prediksi BNN dengan ARIMA kebun inti. ................................................................................ 6 7 Hasil prediksi BNN dengan ARIMA kebun plasma. .......................................................................... 7 8 Hasil prediksi BNN dengan ARIMA kebun luar................................................................................ 9 9 Hasil prediksi BNN dengan ARIMA penjualan CPO ...................................................................... 10

DAFTAR LAMPIRAN

Halaman

1 Data Pasokan TBS dan Penjualan CPO............................................................................................. 13 2 Turunan fungsi aktivasi ..................................................................................................................... 15

1

PENDAHULUAN

Latar Belakang

Sub sektor perkebunan sebagai salah satu

bagian dari pertanian dalam arti luas

merupakan komponen utama yang penting

dalam perekonomian Indonesia. Hal ini dapat

terlihat dari peran produsen industri primer

minyak nabati yang menggunakan buah

kelapa sawit sebagai bahan baku utamanya.

Peningkatan produktivitas minyak sawit kasar

atau Crude Palm Oil (CPO) Indonesia dengan

persentase 165 persen dengan total produksi

22 juta ton pada tahun 2009/2010,

mengindikasikan penghasil devisa negara

terbesar berasal dari ekspor CPO ke negara-

negara Eropa barat seperti Inggris, Italia,

Belanda dan Jerman. Peningkatan

produktivitas industri CPO membutuhkan

input dari perkebunan kelapa sawit dalam

bentuk Tandan Buah Segar (TBS) dengan

total perkembangan luas areal 9.60-13.36

persen (1999-2005) yang berasal dari

perkebunan besar swasta, perkebunan negara

dan perkebunan rakyat (Haloho 2008). Salah

satu produsen industri CPO sebagai produk

sampingannya yang tetap eksis memenuhi

permintaan industri hilir kelapa sawit adalah

PT Perkebunan Nusantara XIII

Masalah yang dihadapi oleh perusahaan

agroindustri bidang kelapa sawit adalah

munculnya biaya yang tidak terduga seperti

biaya transportasi dan biaya penyimpanan

gudang untuk pasokan tandan buah segar.

Salah satu cara untuk mengantisipasi hal ini

adalah dengan meramalkan jumlah pasokan

TBS dari berbagai kebun dan jumlah CPO

yang terjual. Dengan melakukan peramalan

pada rantai pasokan perusahaan agroindustri

dapat mengetahui instrumen-instrumen dan

biaya yang diperlukan seperti jumlah armada

yang mengangkut TBS, jumlah box/gudang

yang diperlukan. Peramalan pada rantai

penjualan juga dirasa penting karena dengan

mengetahui jumlah yang akan dijual,

perusahaan agroidustri dapat mempersiapkan

armada untuk transportasi dan langkah

langkah strategis agar keuntunga yang dicapai

menjadi optimal.

Salah satu metode analisis statistik yang

telah diterapkan adalah peramalan pasokan

tandan buah segar dan penjualan minyak sawit

kasar menggunakan pemodelan ARIMA

(Hadiguna 2011). Pada peramalan time series

selain menggunakan pemodelan ARIMA,

menurut Widjanarko (2000) Backpropagation

Neural Network (BNN) adalah salah satu

model Neural Network (NN) yang optimal

untuk prediksi time series. Dengan demikian

dalam penelitian ini akan menggunakan

BNN untuk memprediksi jumlah tandan buah

segar dan penjualan minyak sawit kasar

(CPO) di masa mendatang. Hasil prediksi

tersebut diharapkan dapat digunakan tolak

ukur peningkatan produksi.

Tujuan

Tujuan yang hendak dicapai dari penelitian ini

adalah:

1. Memprediksi jumlah tandan buah segar

dan penjualan CPO menggunakan jaringan

syaraf tiruan propagasi balik.

2. Membandingkan hasil prediksi time series

menggunakan BNN dengan hasil prediksi

menggunakan metode ARIMA.

Ruang Lingkup

Ruang lingkup penelitian ini adalah :

1 Implementasi dalam mengolah data time

series menggunakan jaringan syaraf tiruan

propagasi balik.

2 Data jumlah tandan buah segar dan

penjualan CPO yang digunakan adalah

data tahun 2003-2007.

3 Faktor-faktor lain yang mempengaruhi

penjualan CPO dianggap Ceteris paribus.

TINJAUAN PUSTAKA

Minyak Sawit Kasar (CPO)

Minyak Sawit Kasar (CPO) adalah minyak

nabati yang berwarna jingga kemerah-

merahan yang diperoleh dari proses

pengempaan (ekstrasi) daging buah Elaeis

guinnensis (Badan Standardisasi Nasional

2006).

Tandan Buah Segar

Tandan Buah Segar adalah suatu bagian

dari produksi kelapa sawit yang merupakan

produk awal yang kelak akan diolah menjadi

minyak kasar CPO (crude palm oil) dan inti

sawit (karnel) sebagai produk utama

disamping produk lainya. Lamanya proses

pembentukan TBS, dari suatu saat ini

terjadinya penyerbukan sampai dengan

matangnya tergantung pada keadaan iklim dan

faktor faktor yang mempengaruhi

pertumbuhan. Lamanya proses pemasakan

buah di beberapa daerah berbeda-beda

(Hadiguna 2009).

2

Data Time series

Time series adalah suatu himpunan

pengamatan yang dibangun secara

berurutan dalam waktu. Waktu atau periode

yang dibutuhkan untuk melakukan suatu

peramalan itu biasanya disebut sebagai lead

time yang bervariasi pada tiap persoalan.

Berdasarkan himpunan pengamatan yang

tersedia maka time series dikatakan kontinu.

Jika himpunan pengamatan tersebut adalah

kontinu dan dikatakan diskrit bila himpunan

pengatamatan tersebut juga diskrit (Subanar

2009).

ARIMA

ARIMA (Auto Regressive Integrated

Moving Average) merupakan salah satu teknik

atau metode yang dapat digunakan untuk

meramalkan data time series. Notasi ARIMA

terlhiat dalam model ARIMA (p,d,q) dimana

p merupakan identifikasi langkah diffrencing

yang dilakukan. d merupakan notasi untuk

mengetahui orde Auto korelasi yang

digunakan. q merupakan notasi untuk derajat

Moving Average (MA) yang dilakukan

(Hyndman 2001).

Artificial Neural Network (ANN)

Artificial neural network atau biasa

disebut neural network adalah sistem

pemrosesan informasi yang memunyai

karakteristik mirip dengan jaringan saraf

biologi. Neural network telah dikembangkan

sebagai generalisasi model matematik dari

neuron biologis manusia, yang berbasis pada

asumsi sebagai berikut (Fausset 1994):

1. Pemrosesan informasi terjadi pada banyak

elemen sederhana yang disebut neuron.

2. Sinyal diberikan antara neuron melalui

penghubung-penghubung.

3. Penghubung antar neuron memiliki bobot

yang akan memperkuat atau memperlemah

sinyal.

4. Setiap neuron menerapkan fungsi aktivasi

terhadap jumlah sinyal masukan terbobot

untuk menentukan sinyal keluarannya.

Neural network dikarakteristikkan dengan

(Fausset 1994):

1. Pola hubungan antar neuron (arsitektur).

2. Metode untuk menentukan bobot untuk

penghubung (pembelajaran atau

algoritme).

3. Fungsi aktivasi.

Beberapa arsitektur jaringan yang sering

dipakai dalam jaringan saraf tiruan antara lain

(Fausset 1994):

1. Jaringan lapisan tunggal (single layer

network)

2. Jaringan lapisan jamak (multilayer

network)

3. Jaringan Recurrent

Feedforward Neural Network

Sebuah jaringan yang sederhana

mempunyai struktur feedforward dimana

signal bergerak dari input kemudian melewati

lapisan tersembunyi dan akhirnya mencapai

unit output (mempunyai struktur yang stabil)

seperti yang terlihat pada Gambar 1 (Fausset

1994).

Tipe jaringan feedforward mempunyai sel

syaraf yang tersusun dari beberapa lapisan.

Lapisan input bukan merupakan sel syaraf.

Lapisan ini hanya memberi pelayanan

dengan mengenalkan suatu nilai dari suatu

variabel. Lapisan tersembunyi dan lapisan

output sel syaraf terhubung satu sama lain

dengan lapisan sebelumnya. Kemungkinan

yang timbul adalah adanya hubungan

dengan beberapa unit dari lapisan sebelumnya

atau terhubung semuanya (Fausset 1994).

Gambar 1 Jaringan Syaraf Tiruan

Feedforward

Backpropagation Neural Network (BNN)

Jaringan Syaraf Tiruan Backpropagation

pertama kali diperkenalkan oleh Rumelhart,

Hinton dan William pada tahun 1986,

kemudian Rumelhart dan Mc Clelland

mengembangkannya pada tahun 1988 (Siang

2005).

Inti dari algoritma pembelajaran dengan

metode Backpropagation ini terletak pada

kemampuannya untuk mengubah nilai-nilai

bobotnya untuk menanggapi adanya

kesalahan. Untuk dapat menghitung

kesalahan, pada proses pembelajaran perlu

adanya pola-pola keluaran yang dijadikan

target oleh jaringan, sehingga setiap keluaran

yang dihasilkan oleh jaringan akan

dibandingkan dengan targetnya. Hasil dari

perbandingan ini berupa error atau kesalahan.

3

Oleh karena itu, Jaringan Saraf Tiruan

Backpropagation merupakan jaringan dengan

proses pembelajaran secara terbimbing

(Siang 2005)

Setelah kesalahan diperoleh, selanjutnya

jaringan melewatkan turunan-turunan dari

kesalahan ke lapisan tersembunyi

menggunakan sambungan terbobot yang

masih belum diubah nilainya. Setiap simpul

pada lapisan tersembunyi menghitung

jumlah terbobot dari kesalahan yang telah

dipropagasikan balik untuk menghitung

sumbangan tidak langsungnya kepada

kesalahan keluaran yang telah diketahui.

Setelah masing-masing simpul pada lapisan

tersembunyi dan lapisan keluaran

menemukan besarnya kesalahan, simpul-

simpul tersebut akan mengubah bobot-

bobotnya untuk mengurangi kesalahan

tersebut. Perubahan bobot ditujukan untuk

meminimalkan jumlah kesalahan kuadrat

jaringan. Oleh sebab inilah, algoritma

Backpropagation dikatakan sebagai suatu

prosedur untuk mendapatkan paket bobot

yang meminimalkan jumlah kuadrat

kesalahan. Jumlah kuadrat kesalahan akan

semakin mengecil dengan berjalannya waktu

dan iterasi yang dilakukan oleh jaringan

tersebut (Siang 2005).

Fungsi aktivasi merupakan fungsi

matematis yang berguna untuk membatasi dan

menentukan jangkauan output suatu neuron.

Fungsi aktivasi untuk Jaringan Saraf Tiruan

Backpropagation harus memiliki beberapa

karakteristik penting, yaitu kontinyu, dapat

dideferensialkan, dan monoton tanpa

penurun. Fungsi aktivasi biasanya digunakan

untuk mencari nilai asimtot maksimum dan

minimum. Fungsi aktivasi yang biasa

digunakan untuk jaringan Backpropagation

adalah fungsi sigmoid biner dan fungsi

sigmoid bipolar. Di mana fungsi sigmoid

biner memiliki jangkauan antara 0 dan 1,

sedangkan fungsi sigmoid bipolar memiliki

jangkauan antara -1 dan 1(Maulida 2011).

Metode pembelajaran Backpropagation

menggunakan indek performansi kesalahan

kuadrat rata-rata atau Mean Square Error

(Fausset, 1996). Kesalahan kuadrat rata-rata

dapat diperoleh dari (Fausett, 1994) :

a. Kesalahan kuadrat dibagi dengan

jumlah komponen keluaran.

b. Kesalahan kuadrat total dibagi

dengan jumlah data pelatihan.

X1

Z1

Zj

1

Zp

1

Y1

Yk

Ym

Xi

Xn

w01

wpm

wjm

wjk

wj1

w1k w

1mw11

w0m

w0k w

pkwp1

v01 v

0jv0p

v11

v1j

v1pv

i1vij

vip

vn1

vnj

vnp

. . .

. . . . . .

. . .

Gambar 2 Jaringan Syaraf Tiruan tipe

Backpropagation

Fungsi Aktivasi

Beberapa fungsi aktivasi yang sering dipakai

adalah:

a. Fungsi Sigmoid

Dalam backpropagation, fungsi aktivasi yang

dipakai harus memenuhi beberapa syarat

yaitu: kontinu, terdiferensial dengan mudah

dan merupakan fungsi yang tidak turun (Siang

2005). fungsi yang memenuhi ketiga syarat

tersebut adalah fungsi sigmoid. Terdapat dua

buah fungsi sigmoid yaitu sigmoid biner dan

sigmoid bipolar, namun yang digunakan

dalam penelitian ini adalah fungsi sigmoid

biner. Grafik fungsinya tampak pada Gambar

3.

Gambar 3 Grafik fungsi sigmoid biner (kiri)

dan sigmoid bipolar (kanan)

Sigmoid biner memiliki nilai interval (0,1)

dan memiliki bentuk fungsi:

( )

Turunan fungsi dapat dilihat pada Lampiran 2.

Sedangkan pada sigmoid bipolar yang bentuk

fungsinya mirip dengan fungsi sigmoid biner

tapi dengan interval (-1,1) dengan turunan

fungsi dapat dilihat pada Lampiran 2.

( )

b. Fungsi identitas

Fungsi identitas dipakai apabila kita

menginginkan keluaran jaringan berupa

sembarang bilangan real (bukan hanya pada

interval [0,1] atau [-1,1]). ( ) grafik

fungsi identitas tampak pada Gambar 4.

4

Gambar 4 Grafik fungsi identitas

Ketepatan Pendugaan

Ketepatan atau keakuratan suatu model

regresi dapat dilihat dari Root Mean Square

Error (RMSE) dan Mean Absolute

Percentage Error (MAPE). Dengan

persamaan menurut (Douglas et. al 2008)

sebagai berikut:

M

n∑

xt ft

xt

n

t

Semakin kecil nilai MAPE menunjukkan

bahwa data hasil prediksi mendekati nilai

aktual, sedangkan RMSE menunjukkan

seberapa besar simpangan nilai dugaan

terhadap nilai aktualnya. Kecocokan model

dikatakan semakin baik jika RMSE mendekati

0.

M √∑ xt ft

nt

n

dengan :

= nilai aktual pada waktu ke-t

= nilai dugaan pada waktu ke-t

n = jumlah data yang diprediksi

Untuk mengukur kekuatan hubungan antara

hasil ramalan dengan hasil sebenarnya

digunakan analisis korelasi dengan

menggunakan keofisien korelasi pearson

(Walpole 1993) sebagai berikut

r n ∑ xi

ni y - (∑ xi

ni ) (∑ y

ni )

√[n ∑ xi - (∑ xi

ni )

n

i ] - [n ∑ yi - (∑ yi

ni )

n

i ]

dengan :

r = koefisien korelasi

x= peubah 1

y= peubah 2

n= jumlah data

METODE PENELITIAN

Gambar 5 Diagram alur proses peramalan

jumlah TBS dan penjualan CPO dengan BNN

Kerangka Penelitian

Penelitian ini dikembangkan dengan

metode yang terdiri atas beberapa tahap yaitu

studi literature, pengambilan data, pra-proses

data yang dilanjutkan dengan pengoolahan

data menggunakan backpropagation neural

network dan perbandingan hasil dengan

menghitung ketepatan pendugaan

menggunakan ARIMA dan BNN. Diagram

alur metode penelitian ini disajikan pada

Gambar 5.

Studi Literatur

Studi literatur dilakukan dengan

mempelajari buku-buku baik yang tercetak

maupun digital, juga sumber-sumber dari

internet yang berkaitan dengan peramalan

suhu udara dalam prediksi pasokan TBS dan

penjualan CPO.

Mulai

Pengambilan Data

Praproses

Data

Dokumentasi

dan Pelaporan

Selesai

Perbandingan BNN

dengan ARIMA

Studi Literatur

ARIMA

(Hadiguna

2009)

Analisis dan

Evaluasi

Pengolahan Data Menggunakan

BNN

5

Pengambilan Data

Data yang digunakan adalah data sekunder

yang didapat dari PTPN XIII yang berupa

data historis penjualan CPO dan pasokan

tandan buah segar dari tiga kebun yaitu inti,

plasma dan luar dari tahun 2003 sampai

dengan tahun 2007.

Praproses Data

Sebelum data input dan target yang

diimplementasikan ke dalam jaringan syaraf

tiruan harus terlebih dahulu melalui

prapreprocessing data berupa penskalaan yaitu

normalisasi data. Tujuannya agar jaringan

syaraf dapat mengenali data yang akan

menjadi masukan bobot-bobotnya. Data akan

bernilai antara 0 sampai 1, hal ini sesuai

dengan fungsi aktivasi yang akan digunakan.

k

k

Keterangan :

N = Data yang sudah ternormalisasi,

D = Data yang akan dinormalisasi,

Dk = Data terkecil dari sekumpulan data,

Db = Data terbesar dari sekumpulan data.

Setelah dilakukan pengolahan data

menggunakan BNN, hasil yang diperoleh

akan didenormalisasi kembali untuk dapat

dihitung ketepatan pendugaannya.

Perhitungan denormalisasi ini menggunakan

rumus sebagai berikut

P = O x (Db − Dk) + Dk

Keterangan :

P = Data postprosessing atau data yang sudah

denormalisasi,

O = Data output jaringan,

Db = Data terbesar dari sekumpulan data,

Dk = Data terkecil dari sekumpulan data

Proses pada BNN

Proses Peramalan menggunakan BNN

dilakukan untuk beberapa data yaitu data

pasokan TBS dari 3 kebun yakni, inti, plasma

luar dan data penjualan CPO. Setiap

kelompok data dibagi menjadi data training

dan testing. Dari data yang telah dikumpulkan

pada tahun 2003 sampai 2007. Data pada

tahun 2003 sampai 2006 dimasukkan ke

dalam kelompok data training sedangkan

sisanya yaitu data pada tahun 2007

dimasukkan ke dalam kelompok data testing.

Data training dilatih terlebih dahulu untuk

mendapatkan arsitektur BNN yang terboboti

dan mensimulasikan data testing dengan

aritektur BNN yang terboboti tersebut untuk

mendapatkan nilai dugaannya. Setiap data

akan dimasukan menjadi 3 kelompok

percoban pertama yaitu L1, L2 dan L3.

Kelompok percobaan ini digunakan untuk

mengidetifikasi learning rate yang terbaik

dalam model jaringan syaraf tiruan.

Untuk pola data masukan terdiri dari 2

input masukan yang merupakan historis

persediaan TBS selama 2 bulan dan sebagai

hasil otputnya adalah prakiraan jumlah

tandan buah segar untuk satu bulan

mendatang.

Arsitektur yang dibuat yakni terdiri 2

neuron untuk input layer dan satu neuron

pada output layer. Parameter awal yang

digunakan dan diujikan pada saat penentuan

arsitektur BNN yaitu dengan menetapkan

hidden node sebanyak empat neuron dengan

laju pembelajaran atau learning rate 0.1, 0.2,

dan 0.3 untuk mengetahui kinerja jaringan

secara umum dengan menggunakan toleransi

galat sebesar 0.001. fungsi aktivasi yang

digunakan pada hidden layer adalah fungsi

sigmoid biner dan pada output layer adalah

fungsi identitas. Parameter-parameter yang

digunakan dapat dilihat pada tabel 1 (Maulida

2011).

Tabel 1 Struktur BNN yang digunakan

Karakteristik Spesifikasi

Arsitektur 1 hidden layer

Input Layer 2 neuron

Fungsi aktivasi

hidden layer Sigmoid biner

Fungsi aktivasi

output layer identitas

Toleransi galat 0.001

Maksimum epoch 500

Learning rate 0.1, 0.2, dan 0.3

Perbandingan Kinerja BNN dengan

ARIMA

Setelah proses pada BNN selesai sehingga

didapatkan hasil prediksinya, selanjutnya akan

dibandingkan tingkat keakuratan hasil kinerja

BNN dengan hasil kinerja ARIMA

6

0

2000

4000

6000

8000

10000

12000

1 2 3 4 5 6 7 8 9 10 11 12

Pas

oka

n (

Satu

an)

Bulan

Aktual

BNN

ARIMA

(Hadiguna 2009) menggunakan perbandingan

MAPE. Semakin kecil MAPE yang di dapat

berarti nilai hasil prediksi semakin mendekati

nilai aktualnya dan kinerjanya semakin bagus.

Analisis dan Evaluasi

Setelah proses BNN dilakukan dan

dibandingkan hasil kinerjanya dengan

ARIMA, selanjutnya adalah menganalisis dan

mengevaluasi kinerja BNN berdasarkan

parameter dan data yang digunakan.

HASIL DAN PEMBAHASAN

Penelitian ini menggunakan 4 jenis data

yaitu tiga data yang merupakan data pasokan

TBS dari tiga kebun yaitu kebun inti, plasma

dan luar sedangkan untuk jenis data lainnya

yaitu data historis penjualan CPO.

BNN untuk kebun inti

Pada kelompok percobaan L1, L2 dan L3,

data pasokan inti dibagi menjadi dua bagian,

training dan testing menggunakan data

masukan 2 tanpa ada lag dengan target. Pada

data untuk kebun inti dilakukan percobaan

pengaruh learning rate terhadap arsitektur

jaringan yaitu untuk learning rate 0.1 , 0.2

dan 0.3. Hasil percobaan mengindikasikan

bahwa learning rate 0.2 menghasilkan

MAPE dan RMSE yang lebih sedikit yaitu

21. 87 dan 672.44

Tabel 2 Pengaruh learning rate TBS kebun

inti

Learning

Rate

MAPE RMSE

0.1 34.67 961.19

0.2 21.87 672.44

0.3 31.31 790.84

Dari hasil Tabel 2 akan dipilih arsitektur

jaringan dengan menggunakan learning rate

0.2 untuk dibandingkan nilai dugaannya

dengan model ARIMA untuk TBS kebun inti

yang sudah dibuat yaitu ARIMA

(0,1,1)(1,1,1)12

seperti yang terlihat pada

Tabel 3 dan Gambar 6

Tabel 3 Perbandingan BNN dengan ARIMA

kebun inti

Bulan Aktual BNN

(0.2)

ARIMA

1 678.0 1376.3 1449.4

2 1212.9 1189.7 1941.3

3 1593.1 1947.6 2656.7

4 2373.5 2065.8 3754.8

5 2537.4 3147.7 3766.6

6 3792.7 3057.5 4661.7

7 3700.4 3834.4 3705.6

8 2861.8 3475.2 3864.7

9 3701.5 3212.5 6300.8

10 5374.3 3657.9 7874.1

11 6354.6 6174.0 6825.8

12 7399.8 6960.8 9720.4

Dari hasil Tabel 3 dan Gambar 6 dapat

diketahui pada hasil prediksi pasokan dari

kebun inti terdapat beberapa nilai nilai

ramalan yang hampir fit dengan nilai

aktualnya, seperti pada bulan 2 dan bulan 11.

Selain itu untuk galat terbesar dari BNN

didapat pada bulan 10 yaitu 1716.6. Untuk

nilai peramalan, BNN mengestimasi nilai

dugaan lebih baik dibandingkan ARIMA. Hal

ini terlihat pada selisih nilai di tabel 4 dan plot

nilai pada Gambar 6.

Gambar 6 hasil Prediksi BNN dengan ARIMA kebun inti

7

0

5000

10000

15000

1 2 3 4 5 6 7 8 9 10 11 12

Pa

sok

an

(S

atu

an

)

Bulan

Aktual

BNN

ARIMA

Hasil pendugaan untuk kebun inti yang

diperoleh baik dengan metode ARIMA

ataupun menggunakan BNN akan dihitung

ketepatan pendugannya dengan data aktual

menggunakan MAPE dan RMSE. Hasil

perhitungan mengindikasikan bahwa metode

BNN lebih baik daripada ARIMA karena

menghasilkan MAPE sebesar 21.87 dan

RMSE 672.44 (Tabel 4). Hal ini

mengindikasikan bahwa hasil peramalan

menggunakan BNN secara 12 bulan untuk

data uji mendapatkan nilai taksiran error

sekitar ± 672.44. Untuk mengetahui hubungan

masing-masing nilai ramalan dari metode

BNN dan ARIMA dengan nilai aktualnya

digunakan analisis korelasi, hasil yang

didapatkan untuk pasokan kebun inti dengan

meggunakan JST adalah 0.94 sedangkan

dengan menggunakan metode ARIMA

didapatkan nilai korelasi sebesar 0.95. Hal ini

mengindikasikan bahwa ARIMA lebih baik

dalam mengenali pola ramalan dengan nilai

aktual pada data kebun inti.

Tabel 4 Perbandingan MAPE dan RMSE

untuk BNN dan ARIMA pada kebun inti

BNN untuk kebun plasma

Pada kelompok percobaan L1, L2 dan L3

data pasokan kebun plasma dibagi menjadi

dua bagian, training dan testing menggunakan

data masukan 2 tanpa ada lag dengan target.

Pada data untuk kebun plasma dilakukan

percobaan pengaruh learning rate terhadap

arsitektur jaringan yaitu untuk learning rate

0.1, 0.2 dan 0.3. Hasil dari percobaan

mengindikasikan

bahwa learning rate 0.3 menghasilkan

MAPE dan RMSE yang lebih sedikit yaitu

24. 33 dan 1586.37.


plasma

Learning

rate

MAPE RMSE

0.1 25.62 1913.83

0.2 25.50 1719.83

0.3 24.33 1586.37




dengan model ARIMA untuk TBS kebun

plasma yang sudah dibuat yaitu ARIMA

(2,0,0)(1,1,2)12


Tabel 6 dan Gambar 7.


kebun plasma

Bulan Aktual BNN

(0.3)

ARIMA

1 2158.8 3299.7 1665.9

2 2495.2 2810.1 39.9

3 2763.9 3528.1 627.2

4 3371.4 3356.0 1577.5

5 3323.0 3389.4 949.6

6 3934.2 3094.8 1925.1

7 2654.9 3317.1 1440.8

8 2153.8 2879.0 2218.7

9 3439.0 3095.1 2899

10 4888.4 4010.3 7310.5

11 8360.9 3781.3 7360.2

12 9360.4 6202.4 11751.2

Gambar 7 Hasil prediksi BNN dengan ARIMA kebun plasma

BNN (0.2) ARIMA

MAPE 21.87 46.73

RMSE 672.44 1473.36

8

Dari hasil Tabel 6 dan Gambar 7 hasil

peramalan menggunakan BNN pada bulan 4

sampai 6 memiliki nilai galat yang lebih

sedikit jika dibandingkan dengan hasil

peramalan pada bulan yang lebih dari bulan 9.

Kemudian untuk peramalan menggunakan

ARIMA nilai yang taksir cukup jauh dengan

nilai aktualnya.

Hasil pendugaan untuk kebun plasma yang








RMSE 1586.37.

Hal ini mengindikasikan bahwa peramalan

dengan menggunakan BNN bahwa hasil

peramalan menggunakan BNN secara 12

bulan untuk data uji mendapatkan nilai

taksiran error sekitar ± 1586.37 (Tabel 7).

Untuk mengetahui hubungan masing-masing

nilai ramalan dari metode BNN dan ARIMA

dengan nilai aktualnya digunakan analisis

korelasi, hasil yang didapatkan untuk pasokan

kebun plasma dengan meggunakan JST

adalah 0.82 sedangkan dengan menggunakan

metode ARIMA didapatkan nilai korelasi

sebesar 0.91. Hal ini mengindikasikan bahwa

ARIMA lebih baik dalam mengenali pola

ramalan dengan nilai aktual pada data kebun

plasma.


untuk BNN dan ARIMA pada kebun plasma

BNN (0.3) ARIMA

MAPE 24.33 43.81

RMSE 1586.37 1781.35

BNN untuk kebun luar

Pada kelompok percobaan L1, L2 dan L3 data

pasokan kebun plasma dibagi menjadi dua

bagian, training dan testing menggunakan


Pada data untuk kebun inti dilakukan



0.1 , 0.2 dan 0.3. Hasil percobaan

mengindikasikan bahwa learning rate 0.2

menghasilkan MAPE dan RMSE yang lebih

sedikit yaitu 21.79 dan 1176.25.


luar

Learning

rate

MAPE RMSE

0.1 27.55 1507.49

0.2 21.79 1176.25

0.3 21.79 3108.87




dengan model ARIMA untuk TBS kebun luar

yang sudah dibuat yaitu ARIMA

(1,1,1)(1,1,1)12


Tabel 9 dan Gambar 8.


kebun luar

Bulan Aktual BNN

(0.2)

ARIMA

1 2889 5003.48 1347.64

2 4632 4457.59 849.59

3 5477 5007.68 1604.82

4 5523 5362.21 1905.31

5 3984 5730.78 1473.94

6 6352 4935.01 3109.14

7 4834 5510.96 419.94

8 3278 5284.58 -339.65

9 4719 4701.74 3034.37

10 5413 5030.04 6096.46

11 6794 5347.97 4909.82

12 9154 9425.17 5723.81

Dari hasil Tabel 9 dan Gambar 8, hasil

peramalan menggunakan BNN mendapatkan

nilai taksiran sekitar 4000 sampai 6000 untuk

bulan 1 sampai 8, sementara untuk bulan ke-9

dan seterusnya nilai taksiran BNN hammpir

mendekati nilai aktual. Semenara itu, hasil

peramalan menggunakan ARIMA memiliki

nilai taksiran yang cukup jauh sedangkan

untuk pola taksiran hampir mendekati pola

nilai aktual. Hal ini dapat dikarenakan dari

faktor moving average yang dimiliki oleh

ARIMA.

9

Gambar 8 Hasil prediksi BNN dengan ARIMA kebun luar.

Hasil pendugaan untuk kebun plasma yang








RMSE 1176.25 (Tabel 10).

Hal ini mengindikasikan bahwa peramalan

dengan menggunakan BNN bahwa hasil

peramalan menggunakan BNN secara 12


taksiran error sekitar ± 1176.25. Untuk

mengetahui hubungan masing-masing nilai

ramalan dari metode BNN dan ARIMA


korelasi, hasil yang didapatkan untuk pasokan

kebun luar dengan meggunakan JST adalah

0.69 sedangkan dengan menggunakan metode

ARIMA didapatkan nilai korelasi sebesar

0.72. Hal ini mengindikasikan bahwa ARIMA

lebih baik dalam mengenali pola ramalan

dengan nilai aktual pada data kebun luar.


untuk BNN dan ARIMA pada kebun luar

BNN (0.2) ARIMA

MAPE 21.79 56.65

RMSE 1176.25 3004.43

BNN untuk Penjualan CPO

Pada kelompok percobaan L1, L2 dan L3

data penjualan CPO dibagi menjadi dua

bagian, training dan testing menggunakan


Pada data untuk kebun inti dilakukan



0.1 , 0.2 dan 0.3. Hasil percobaan

mengindikasikan bahwa learning rate 0.2

menghasilkan MAPE dan RMSE yang lebih

sedikit yaitu 24.16 dan 740.96.

Tabel 11 Pengaruh learning rate penjualan

CPO

Learning

rate

MAPE RMSE

0.1 24.52 813.74

0.2 24.16 740.96

0.3 24.81 778.15




dengan model ARIMA untuk penjualan CPO

yang sudah dibuat yaitu ARIMA (0,0,2)

(1,1,0)12

seperti yang terlihat pada Tabel 12

dan Gambar 9.


penjualan CPO

Bulan Aktual BNN

(0.2)

ARIMA

1 1259.2 2347.82 613.90

2 1768.1 2170.02 1094.13

3 2042.7 2355.69 1130.35

4 2308.8 2318.18 1400.49

5 1910.5 2340.23 1436.73

6 2862.1 2292.40 1802.26

7 2340.2 2413.48 1347.07

8 1943.9 2437.57 1172.44

9 2398.9 2298.15 2329.32

10 3135.6 2350.79 4094.92

11 3823.1 2572.79 2641.67

12 5263.6 3568.31 4550.18

0

2000

4000

6000

8000

10000

1 2 3 4 5 6 7 8 9 10 11 12

Pas

oka

n (

Satu

an)

Bulan

Aktual

BNN

ARIMA

10

0

1000

2000

3000

4000

5000

6000

1 2 3 4 5 6 7 8 9 10 11 12

Pas

oka

n (

Satu

an)

Bulan

Aktual

BNN

ARIMA

Gambar 9 Hasil prediksi BNN dengan ARIMA penjualan CPO

Dari hasil Tabel 12 dan Gambar 9 hasil

peramalan menggunakan BNN hampir

mendapatkan nilai yang fit dengan nilai

aktualnya yaitu terjadi pada bulan 4 dan bulan

8. Sementara itu, hasil peramalan

menggunakan ARIMA memliki nilai terbaik

pada bulan 8 dan bulan 10.

Hasil pendugaan untuk penjualan CPO yang








RMSE 740.96.

Hal ini mengindikasikan bahwa

peramalan dengan menggunakan BNN bahwa

hasil peramalan menggunakan BNN secara 12


taksiran error sekitar ± 740.96 (Tabel 13).

Untuk mengetahui hubungan masing-masing

nilai ramalan dari metode BNN dan ARIMA


korelasi, hasil yang didapatkan untuk

penjualan CPO dengan meggunakan JST

adalah 0.83 sedangkan dengan menggunakan

metode ARIMA didapatkan nilai korelasi

sebesar 0.88. Hal ini mengindikasikan bahwa

ARIMA lebih baik dalam mengenali pola

ramalan dengan nilai aktual pada data

penjualan CPO.


untuk BNN dan ARIMA pada penjualan CPO

Perbandingan ARIMA dengan BNN

Secara keseluruhan, peramalan pasokan

TBS yang terjadi di kebun inti, plasma dan

luar dan peramalan pejualan CPO

menggunakan jaringan syaraf tiruan propagasi

balik lebih baik dalam hal galat (RMSE dan

MAPE) jika dibandingkan dengan ARIMA.

Hal ini terjadi karena jaringan syaraf tiruan

memiliki kemampuan komputasi yang paralel

dengan cara belajar sesuai pola pola yang

diajarkan. Selain itu jaringan syaraf tiruan

juga dapat mengevaluasi bobot berkali-kali

untuk mendapatkan hasil yang lebih baik.

Hasil dari ARIMA meiliki galat yang cukup

jauh karena ARIMA dipengaruhi faktor

regresi dan MA namun dalam kasus ini,

peramalan ARIMA mendapatkan hasil yang

seolah terjadi untuk masa satu bulan

kedepannya. Sementara itu, ARIMA juga

memiliki keunggulan tersendiri dalam pola

yang sesuai. Hal ini terjadi karena ARIMA

memilik faktor MA yang dapat mengikuti

trend data sebelumnya.

SIMPULAN DAN SARAN

Simpulan

. Dari hasil analisis data yang telah dilakukan

dapat diambil kesimpulan:

1. Backpropagation neural network mampu

meramalkan pasokan TBS dari 3 kebun

yaitu inti, plasma, dan luar dan mampu

meramalkan penjualan CPO di masa

yang akan datang

2. Secara keseluruhan BNN bagus untuk

memprediksi data pasokan TBS dan

penjualan CPO menggunakan parameter

hidden node 4 dan LR 0,2

3. Secara keseluruhan ARIMA sangat baik

digunakan untuk meghasilkan hasil

ramalan yang nilai korelasinya lebih baik

BNN (0.2) ARIMA

MAPE 24.16 32.94

RMSE 740.96 831.03

11

jika dibandingkan BNN, hal ini dapat

dilihat dari pola data dugaan ARIMA

hamper mengikuti pola data yang

sebenarnya.

4. Tingkat keakuratan BNN dalam

memprediksi pasokan TBS dan

penjualan CPO lebih bagus

dibandingkan dengan model ARIMA

untuk data time series TBS dan CPO.

Saran

Penelitian ini adalah penelitian

pendahuluan mengenai penggunaan BNN

untuk prediksi pasokan TBS dan penjualan

CPO. Untuk itu diperlukan penelitian lanjutan

sebagai berikut:

1. Penelitian lanjutan penerapan BNN

untuk memprediksi TBS dan CPO

dengan melihat pengaruh momentum

pada arsitektur.

2. Penelitian lanjutan penerapan BNN

untuk memprediksi TBS dan CPO

dengan menggunakan algoritma

pembelajaran yang lain seperti resilent

backpropagation dll.

3. Menggabungkan dua metode yaitu

ARIMA dan BNN untuk dijadikan

Hybrid BNN yaitu dengan mengoptimasi

nilai ramalan BNN menggunakan input

dari hasil ARIMA.

DAFTAR PUSTAKA

Badan Pusat Statistik. 2006. Perkembangan

Volume dan Nilai Ekspor CPO di

Indonesia. BPS. Jakarta.

Bujang Imbarine. 2011. Progress Accuracy

for CPO Prediction: Evidence from ARMA

Family and Artificial Neural Network

Approach . International Research Jurnal

of Finance and Economy.

Douglas CM, Cheryl LJ, Murat K. 2008.

Introduction to time series analysis and

forcasting. John Wiley & Sons.

Fausset L.1994. Fundamental of Neural

Network. John Wiley & Sons.

Hadiguna Rika Ampuh.2009. Perancangan

Sistem Penunjang Keputusan Minyak

Sawit Kasar [Disertasi].Departemen

Teknologi Industri Pertanian FATETA

.IPB

Haloho Ebrinedy.2008. Analisis Optimalisasi

Pengadaan Tandan Buah Segar (TBS)

Sebagai Bahan Baku Industri Pengolahan

CPO dan PK (Studi Kasus Kegiatan

Replanting PT Perkebunan Nusantara VIII

Kertajaya, Kabupaten Lebak, Banten)

[Tesis]. Departemen Agribisnis FEM .IPB

Hyndman R.J. (1998) Forecasting:methods

and applications, New York: JohnWiley &

Sons.

Maulida Ana .2008. Penggunaan Elman

Reccurent Neural Network dalam

Peramalan Suhu Udara sebagai Faktor

yang Mempengaruhi Kebakaran Hutan

[Skripsi]. Departemen Ilmu Komputer

FMIPA .IPB

Siang JJ. 2005. Jaringan Syaraf Tiruan &

Pemogramannya Menggunakan

MATLAB. Yogyakarta: ANDI.

Subanar, Sulandari W.2009. Neural Network

Model ARIMA untuk Prediksi Data

Finansial [Skripsi]. Fakultas MIPA

Universitas Gajah Mada.

Walpole R.E .1993. Pengantar Statistika.

Jakarta: PT Gramedia.

Widjanarko, Otok .2000. Penerapan Artificial

Neural Network dengan Proses

Pembelajaran Backropagation dalam

Peramalan Deret Waktu [Tesis].

Departemen Statistika FMIPA .IPB

12

LAMPIRAN

13

Lampiran 1 Data Pasokan TBS dan Penjualan CPO

Tahun Bulan Inti Plasma Luar Penjualan 2

00

3

Jan 1888.2 4814.9 3584 1932.5

Peb 2843.8 5524.2 4870 2825.5

Mar 2209.6 5041.1 4076 2667.3

Apr 2063.4 4587.2 3286 2252.7

Mei 2038.7 4465.4 2947 2157.1

Jun 1767.6 3568.3 3378 1854.5

Jul 994.9 2012.8 2016 884.7

Agt 877.9 1125.2 1846 568.3

Sep 1597.9 2340.5 3582 1426.4

Okt 2415.4 6789.0 6032 3213.4

Nop 4164.8 9371.4 7942 5042.7

Des 4692.4 13373.3 9264 6154.6

20

04

Jan 2015.0 6055.1 4533 3513.4

Peb 2988.2 6753.2 5073 3689.0

Mar 3053.5 5665.7 3976 3080.5

Apr 4166.4 6097.5 5249 3291.1

Mei 3994.4 5663.4 4672 3163.1

Jun 4174.4 6010.3 5381 3129.2

Jul 3456.7 5349.3 3547 2631.4

Agt 3223.3 5952.5 4050 2613.0

Sep 3455.2 6034.5 5890 2562.6

Okt 3322.0 7178.9 6847 2912.9

Nop 1944.3 5914.6 4652 2301.0

Des 1847.1 5863.9 4475 2945.7

20

05

Jan 484.8 2748.4 2388 1071.5

Peb 1005.4 2720.3 2260 1458.9

Mar 1622.1 2403.4 2694 1437.4

Apr 2474.1 3078.8 2844 1713.3

Mei 2607.0 3293.7 3560 1743.1

Jun 3615.3 3537.4 4685 2120.1

Jul 2820.1 2053.0 2471 1665.0

Agt 2628.5 2205.9 2315 1490.9

Sep 5295.2 4545.9 4160 2658.4

Okt 6689.8 7068.0 6895 4446.8

Nop 4593.3 6288.4 5840 2983.1

Des 7717.4 11755.1 8285 4906.5

20

06

Jan 2338.0 5229.8 4419 2300.3

Peb 3997.1 8251.5 5860 4345.2

Mar 3578.9 6185.8 3291 3120.4

Apr 4032.0 5764.0 3710 2876.4

Mei 4429.3 5927.9 4715 3487.5

Jun 4578.6 5115.1 3964 2829.6

Jul 4623.8 3469.4 3359 2366.8

Agt 4023.7 3081.6 4935 2145.2

Sep 4096.7 4354.3 3607 2354.8

Okt 3603.6 4375.9 3593 2087.5

Nop 2281.4 3598.8 2810 1565.9

14

Des 1868.4 4083.9 4614 2146.4

20

07

Jan 678.0 2158.8 2889 1259.2

Peb 1212.9 2495.2 4632 1768.1

Mar 1593.1 2763.9 5477 2042.7

Apr 2373.5 3371.4 5523 2308.8

Mei 2537.4 3323.0 3984 1910.5

Jun 3792.7 3934.2 6352 2862.1

Jul 3700.4 2654.9 4834 2340.2

Agt 2861.8 2153.8 3278 1943.9

Sep 3701.5 3439.0 4719 2398.9

Okt 5374.3 4888.4 5413 3135.6

Nop 6354.6 8360.9 6794 3823.1

Des 7399.8 9360.4 9154 5263.6

15

Lampiran 2 Turunan fungsi aktivasi

Fungsi Aktivasi Sigmoid Biner

( )

( )

( ) ( )

( )

( )

( ) ( (

)) (

)

( ) ( ( )) ( )

Fungsi Aktivasi Sigmoid bipolar

( )

( )

( ) ( )

( )

( )

( (

)) ( (

))

( ) ( (

))

(

)

( )

( ( ))( ( ))

PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN...

Documents

Transcript of PERAMALAN PASOKAN TANDAN BUAH SEGAR DAN...