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.
Tabel 5 Pengaruh learning rate TBS kebun
plasma
Learning
rate
MAPE RMSE
0.1 25.62 1913.83
0.2 25.50 1719.83
0.3 24.33 1586.37
Dari hasil Tabel 5 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.3 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk TBS kebun
plasma yang sudah dibuat yaitu ARIMA
(2,0,0)(1,1,2)12
seperti yang terlihat pada
Tabel 6 dan Gambar 7.
Tabel 6 Perbandingan BNN dengan ARIMA
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
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 24.33 dan
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.
Tabel 7 Perbandingan MAPE dan RMSE
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
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 21.79 dan 1176.25.
Tabel 8 Pengaruh learning rate TBS kebun
luar
Learning
rate
MAPE RMSE
0.1 27.55 1507.49
0.2 21.79 1176.25
0.3 21.79 3108.87
Dari hasil Tabel 8 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.2 untuk dibandingkan nilai dugaannya
dengan model ARIMA untuk TBS kebun luar
yang sudah dibuat yaitu ARIMA
(1,1,1)(1,1,1)12
seperti yang terlihat pada
Tabel 9 dan Gambar 8.
Tabel 9 Perbandingan BNN dengan ARIMA
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
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 21.79 dan
RMSE 1176.25 (Tabel 10).
Hal ini mengindikasikan bahwa peramalan
dengan menggunakan BNN bahwa hasil
peramalan menggunakan BNN secara 12
bulan untuk data uji mendapatkan nilai
taksiran error sekitar ± 1176.25. Untuk
mengetahui hubungan masing-masing nilai
ramalan dari metode BNN dan ARIMA
dengan nilai aktualnya digunakan analisis
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.
Tabel 10 Perbandingan MAPE dan RMSE
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
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 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
Dari hasil Tabel 11 akan dipilih arsitektur
jaringan dengan menggunakan learning rate
0.2 untuk dibandingkan nilai dugaannya
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.
Tabel 12 Perbandingan BNN dengan ARIMA
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
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 24.16 dan
RMSE 740.96.
Hal ini mengindikasikan bahwa
peramalan dengan menggunakan BNN bahwa
hasil peramalan menggunakan BNN secara 12
bulan untuk data uji mendapatkan nilai
taksiran error sekitar ± 740.96 (Tabel 13).
Untuk mengetahui hubungan masing-masing
nilai ramalan dari metode BNN dan ARIMA
dengan nilai aktualnya digunakan analisis
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.
Tabel 12 Perbandingan MAPE dan RMSE
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
( )
( )
( ) ( )
( )
( )
( (
)) ( (
))
( ) ( (
))
(
)
( )
( ( ))( ( ))
Top Related