1. Home
  2. Vol 12, No 2
  3. Komariah

Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Hasil Produksi Kelapa Sawit Menggunakan Backpropagation

Eki Komariah(1*),Barry Ceasar Octariadi(2),Alda Cendekia Siregar(3)
(1) Universitas Muhammadiyah Pontianak
(2) Universitas Muhammadiyah Pontianak
(3) Universitas Muhammadiyah Pontianak
(*) Corresponding Author
DOI : 10.35889/jutisi.v12i2.1342

Abstract

The largest plantation in Indonesia is the palm oil plantation. One of the private palm oil plantations is PT. Kebun Ganda Prima, Kembayan Estate. This company has uncertain production yields, making it unable to determine future production results. Therefore, a prediction of palm oil fruit production is needed as a reference to understand future production yields. The prediction results can be used by the company to improve production outcomes and prevent losses from falling short of targets. This research utilizes the JST-backpropagation, which has the advantage of repeated learning, resulting in a robust and consistent system. The testing was conducted with several parameters, including 3 hidden layers, 2,000 epochs, a learning rate of 0.3, and an error goal of 0.001. The obtained prediction results indicate a Mean Squared Error (MSE) of 0.11249 with an accuracy of 88%.

Keywords: Artificial Neural Network; Backpropagation; Prediction; Palm Oil.

Abstrak

Perkebunan terbesar di Indonesia adalah perkebunan kelapa sawit. Salah satu perkebunan kelapa sawit Swasta ialah PT. Kebun Ganda Prima, Kembayan Estate. Perusahaan ini memiliki hasil produksi yang tak menentu sehingga tidak dapat menentukan hasil produksi dimasa mendatang. Oleh karena itu, diperlukan prediksi hasil produksi buah kelapa sawit untuk dijadikan acuan agar mengetahui hasil produksi di masa mendatang. Hasil prediksi nantinya dapat digunakan oleh pihak perusahaan untuk meningkatkan hasil produksi agar tidak mengalami kerugian dari target dan hasil yang telah dibuat. Penelitian ini menggunakan JST-backpropagation yang memiliki kelebihan karena pembelajarannya dilakukan berulang sehingga dapat mewujudkan sistem yang tahan akan kerusakan dan konsisten bekerja dengan baik. Pengujian ini dilakukan dengan beberapa parameter yaitu hidden layer 3, epoch 2.000, learning rate 0,3 dan untuk error goal 0.001. dari hasil prediksi yang di dapat yaitu hasil tingkat Error Mean Squared Error (MSE) yang didapatkan adalah 0,11249 dengan akurasi 88.%.

 

Keywords


Jaringan Syaraf Tiruan; Backpropagation; Prediksi; Kelapa Sawit

References


R. F. P. Sinaga, B. D. Setiawan, and Marji, “Peramalan Produksi Kelapa Sawit Menggunakan Jaringan Syaraf Tiruan Dengan Metode Backpropagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 4613–4620, 2018.

S. Andriyani and N. Sihombing, “Implementasi Metode Backpropagation Untuk Prediksi Harga Jual Kelapa Sawit Berdasarkan Kualitas Buah,” Jurteksi, vol. 4, no. 2, pp. 155–164, 2018, doi: 10.33330/jurteksi.v4i2.40.

D. Sinaga, S. Solikhun, and I. Parlina, “Jaringan Syaraf Tiruan untuk Memprediksi Penjualan Kelapa Sawit Menggunakan Algoritma Backpropagation,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 418, 2019, doi: 10.30645/senaris.v1i0.47.

S. Irwanda, J. T. Hardinata, and I. S. Damanik, “Jaringan Syaraf Tiruan Backpropogation dalam Memprediksi Jumlah Tilang di Kejaksaan Negeri Simalungun,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 697, 2019, doi: 10.30645/senaris.v1i0.76.

A. Sudarsono, “153217-ID-jaringan-syaraf-tiruan-untuk-memprediksi,” J. Media Infotama, vol. 12, no. 1, pp. 61–69, 2016.

E. Irawan, M. Zarlis, and E. B. Nababan, “Analisis Penambahan Nilai Momentum Pada Prediksi Produktivitas Kelapa Sawit Menggunakan Backpropagation,” InfoTekJar (Jurnal Nas. Inform. dan Teknol. Jaringan), vol. 1, no. 2, pp. 84–89, 2017, doi: 10.30743/infotekjar.v1i2.67.

M. N. Ridhani, “Peramalan Dosis Pupuk Berdasarkan Karakteristik Dan Lingkungan Tanaman Jeruk Siam Menggunakan Metode Backpropagation,” Repos. Univ. Brawijaya, vol. 1, no. 11, pp. 1–108, 2017.

D. Finaliamartha et al., “Untuk Prediksi Tingkat Kemiskinan Di Provinsi Jawa Tengah Implementation of Backpropagation Artificial Neural Network,” urnal Teknol. Inf. dan Ilmu Komput., vol. 9, no. 4, pp. 751–760, 2022, doi: 10.25126/jtiik.202294806.

M. Jufri, “Implementation of Artificial Neural Network in Predicting Birth Rate in Batam City Using Backpropagation Method,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 8, no. 1, pp. 85–94, 2021, doi: 10.33330/jurteksi.v8i1.1228.

S. P. Sinaga, A. Wanto, and S. Solikhun, “Implementasi Jaringan Syaraf Tiruan Resilient Backpropagation dalam Memprediksi Angka Harapan Hidup Masyarakat Sumatera Utara,” Infomedia, vol. 4, no. 2, pp. 81–88, 2019.

F. Rahmadani, A. M. H. Pardede, and Nurhayati, “Jaringan Syaraf Tiruan Prediksi Jumlah Pengiriman Barang Menggunakan Metode Backpropagation,” J. Tek. Inform. Kaputama, vol. 5, no. 1, pp. 100–106, 2021.

Aminulloh.Afrizal, “Implementasi Metode Backpropagation Untuk Peramalan Luas Area Terbakar Di Hutan Dengan Inisialisasi Bobot Nguyen-Widrow,” Photosynthetica, vol. 2, no. 1, pp. 1–13, 2018, [Online]. Available: http://link.springer.com/10.1007/978-3-319-76887-8%0Ahttp://link.springer.com/10.1007/978-3-319-93594-2%0Ahttp://dx.doi.org/10.1016/B978-0-12-409517-5.00007-3%0Ahttp://dx.doi.org/10.1016/j.jff.2015.06.018%0Ahttp://dx.doi.org/10.1038/s41559-019-0877-3%0Aht

B. C. Octariadi and A. C. Siregar, “Pengenalan Pola pada Citra Tanda Tangan Online dan Offline Menggunakan Jaringan Syaraf Tiruan Metode Backpropagation,” Cybernetics, vol. 5, no. 01, p. 49, 2021, doi: 10.29406/cbn.v5i01.2490.

A. Suryawinata, “analisis algoritma jaringan syaraf tiruan dengan metode backpropagation dalam mendeteksi keahlian mahasiswa program studi teknik informatika universitas,” vol. 5, no. 1, pp. 9–13, 2021.

K. Kiki and S. Kusumadewi, “Jaringan Saraf Tiruan dengan Metode Backpropagation untuk Mendeteksi Gangguan Psikologi,” Media Inform., vol. 2, no. 2, pp. 1–11, 2004, doi: 10.20885/informatika.vol2.iss2.art1.

A. Revi, S. Solikhun, and I. Parlina, “Jaringan Syaraf Tiruan Dalam Memprediksi Tingkat Pertumbuhan Industri Mikro Dan Kecil Berdasarkan Provinsi,” Teknika, vol. 7, no. 2, pp. 129–137, 2018, doi: 10.34148/teknika.v7i2.123.

T. M. Johan and I. Rifna, “Identifikasi Kematangan Buah Tomat Berdasarkan Warna Menggunakan Metode Jaringan Syaraf Tiruan (Jst) Backpropagation,” J. TIKA, vol. 7, no. 3, pp. 309–315, 2022, doi: 10.51179/tika.v7i3.1647.

H. Pratama, P. Poningsih, and J. Jalaluddin, “Jaringan Syaraf Tiruan dalam Memprediksi Penjualan Air Minum dalam Kemasan dengan Metode Backpropogation,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September, p. 512, 2019, doi: 10.30645/senaris.v1i0.57.

N. Safaat, D. Widiyanto, and N. Chamidah, “Implementasi Jaringan Syaraf Tiruan Backprogation Untuk Prediksi Rata-Rata Harga Beras Premium Dan Medium,” Senamika, pp. 721–732, 2020, [Online]. Available: https://conference.upnvj.ac.id/index.php/ senamika/article/view/618

S. R. Suhartanto, C. Dewi, and L. Muflikhah, “Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 7, pp. 555–562, 2017, [Online]. Available: http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/163


The PDF file you selected should load here if your Web browser has a PDF reader plug-in installed (for example, a recent version of Adobe Acrobat Reader).

If you would like more information about how to print, save, and work with PDFs, Highwire Press provides a helpful Frequently Asked Questions about PDFs.

Alternatively, you can download the PDF file directly to your computer, from where it can be opened using a PDF reader. To download the PDF, click the Download link above.

Fullscreen Fullscreen Off

Full Text: File PDF

How To Cite This :

Refbacks

  • There are currently no refbacks.