BAB 3

ANALISIS DAN PERANCANGAN SISTEM

Bab ini akan membahas mengenai analisis jaringan saraf Radial Basis Function (RBF)
untuk memprediksi produksi kelapa sawit dan tahap-tahap yang dilakukan dalam
perancangan sistem yang akan dibangun.

3.1.Metode Penelitian

Arsitektur umum dari penelitian dapat dilihat pada Gambar 3.1.

Cleaning Data
Transformasi Data

Data yang mengandung

Data nilai 0 atau tidak Nilai menjadi 0 sampai 1
mengandung nilai dihapus

Data dibagi menjadi

Data Pelatihan Data Pengujian

Tahap Pelatihan
Tahap Pengujian

Menentukan Jumlah Input Node, Hidden Node Menggunakan Arsitektur Jaringan RBF saat
dan Output Node pelatihan
Menentukan Arsitektur
Jaringan RBF

Menentukan Nilai Center

Menentukan Nilai Center
Algoritma K-Means
Algoritma K-Means
Menentukan Nilai Gaussian

Menentukan Nilai Gaussian

Nilai Output yang dihasilkan menggunakan nilai
weight dan bias hasil pelatihan

Menentukan Nilai Weight dan Bias

Denormalisasi Data
Algoritma Least Means Square

Hasil Prediksi dan Mape Error

Gambar 3.1 Arsitektur Umum dari Proses Penelitian

Universitas Sumatera Utara

 30

Metode yang diajukan untuk penelitian ini adalah penggunaan jaringan saraf
RBF. Langkah-langkah yang dilakukan adalah mengumpulkan data produksi harian
panen kelapa sawit yang akan digunakan sebagai data pelatihan dan data pengujian.
Dataset tersebut dikumpulkan dari 01 Januari 2010 31 Desember 2013. Setelah data
tersebut didapatkan, dilakukan cleaning data dan setelah itu data ditransformasikan
agar data-data tersebut dapat diproses dengan baik. Lalu data tersebut dibagi menjadi
data uji dan data latih.

Untuk tahap pelatihan ditentukan jaringan RBF yang akan digunakan pada
tahap pengujian yaitu: jumlah hidden node, nilai learning rate, jumlah maksimum
iterasi, dan nilai weight dan bias. Setelah nilai parameter tersebut didapat, lalu
dilakukan pengujian nilai-nilai tersebut pada tahap pengujian.

3.2.Dataset yang Digunakan

Dataset yang digunakan pada penelitian ini merupakan dokumen produksi kelapa
sawit yang telah dikumpulkan dari tahun 2010-2013. Data-data tersebut disimpan
dalam bentuk excel lalu tabel-tabel yang ada dilakukan normalisasi data hingga data
tersebut dapat dijadikan database atau data dalam bentuk excel berekstensi *.csv.
Keseluruhan data berjumlah 1461 dengan pembagian data untuk pelatihan berasal dari
tahun 2010-2012 dan data untuk pengujian berasal dari tahun 2013.

Data terdiri dari hasil panen yang tersimpan dan tross berdasarkan tahun tanam
atau yang telah ditotalkan keseluruhan. Bentuk data produksi yang akan digunakan
dapat dilihat pada Tabel 3.1.

Tabel 3.1 Sampel Data Produksi Kelapa Sawit

No Tanggal Hasil Tross

1 2010-01-01 0 0

2 2010-01-02 26070 1931

3 2010-01-03 0 0

Universitas Sumatera Utara

 31

Tabel 3.1 Sampel Data Produksi Kelapa Sawit (Lanjutan)

No Tanggal Hasil Tross

4 2010-01-04 25144 2296

. . . .

. . . .

. . . .

1459 2013-12-29 0 0

1460 2013-12-30 34783 2108

1461 2013-12-31 46812 1550

3.3. Cleaning Data

Pada tahap ini proses yang dilakukan adalah pembersihan data. Data yang dibuang
merupakan data-data yang tidak bernilai atau bernilai 0. Data yang bernilai 0 berasal
dari data pada hari tidak dilakukan panen. Oleh karena itu data-data tersebut dibuang
agar dapat dilakukan prediksi berdasarkan hari kerja. Contoh data yang bernilai 0
dapat dilihat pada Tabel 3.2.

Tabel 3.2 Sampel Data Bernilai 0 pada Data Produksi

No Tanggal Hasil Tross
1 2010-01-01 0 0
3 2010-01-03 0 0
10 2010-01-10 0 0
. . . .
. . . .
. . . .
1452 2013-12-22 0 0
1459 2013-12-29 0 0

Universitas Sumatera Utara

 32

Terdapat 252 data yang dibersihkan karena bernilai 0 pada data panen tahun
2000. Data yang tersisa setelah dibersihkan yang siap diproses ada 1195 data. Data
setelah dibersihkan dapat dilihat pada Tabel 3.3.

Tabel 3.3 Sampel Data yang Telah Dibersihkan

No Tanggal Hasil Tross

1/2/2010 26070 1931
1
1/4/2010 25144 2296
2
1/5/2010 31808 2272
3
1/6/2010 37198 2657
4

. . . .
. . . .
. . . .

1190 2013-12-30 34783 2108

1191 2013-12-31 46812 1550

3.4. Transformasi Data

Setelah data dibersihkan tahap selanjutnya adalah transformasi data. Data-data itu
dinormalisasikan agar nilai data dapat diproses dengan mudah. Data-data tersebut
diubah menjadi nilai dalam rentang 0.1 sampai dengan 0.9 dengan menggunakan
persamaan 2.3

Data yang tersimpan dengan ekstensi *.csv diproses pada program untuk
ditransformasikan. Contoh hitungan nilai data untuk proses normalisasi data dapat
dilihat seperti berikut ini.

a. Pada kolom hasil (tabel tahun 2000):

Nilai minimum data (dmin) = 11352

Nilai maksimum data (dmax) = 54792.

Universitas Sumatera Utara

 33

Nilai data(d) = 26070.

(2607011352)
Maka Nilai normalisasi(1) = = 0.338812.
5479211352

b. Pada kolom tross (tabel tahun 2000):

Nilai minimum data (dmin) = 514.

Nilai maksimum data (dmax) = 3466.
Nilai data(d) = 1931
(1931514)
Maka Nilai normalisasi(1) = = 0.480014.
3466514

Hasil keseluruhan normalisasi data dapat dilihat pada Tabel 3.6.

Tabel 3.4 Sampel Data yang Telah Ditransformasi

No Tanggal Hasil Tross

1 1/2/2010 0.33881 0.48001

2 1/4/2010 0.3175 0.60366

3 1/5/2010 0.4709 0.59553

4 1/6/2010 0.59498 0.72595

5 1/7/2010 0.51354 0.70325

6 1/8/2010 0.40967 0.53286

. . . .

. . . .

. . . .

1189 12/27/2013 0.25488 0.28625

1190 12/28/2013 0.20967 0.24594

1191 12/30/2013 0.53939 0.53997

Universitas Sumatera Utara

 34

3.5. Pembagian Data

Setelah data ditransformasikan dan dibagi menjadi data latih dan data uji, selanjutnya
dilakukan prediksi dengan menggunakan jaringan saraf RBF. Data yang berjumlah
1191 data dibagi menjadi 75% data latih dan 25% data uji.

3.6. Proses Pelatihan

Proses prediksi dilakukan adalah dengan membandingkan data aktual dengan data
output dari data uji hasil prediksi dengan jaringan RBF. Pada proses prediksi
dilakukan pelatihan data untuk mendapatkan weight dan parameter lain agar dapat
melakukan pengujian sistem. Langkah yang dilakukan pada proses pelatihan dapat
dijelaskan pada Gambar 3.2.

Mulai

Data Training, input

node, hidden Node,
output node, learning
rate, maximum epoch

Jarak Euclidean
norm minimum

Update nilai Cn

No

Nilai centerbaru
= nilai center
lama

yes

Hitung Fungsi
Aktivasi Gaussian

Hitung nilai output

Update nilai bobot

No

Bobot baru = bobot

lama

yes
bobot, bias dan
learning rate, epoch
center

Selesai

Gambar 3.2 Tahap Pelatihan

Universitas Sumatera Utara

 35

3.6.1 Data Pre-processing

Data proses yang akan digunakan pada jaringan saraf tiruan merupakan data yang
berbentuk vektor. Data-data yang digunakan untuk proses merupakan data kemarin,
data hari ini dan data hasilnya adalah data untuk hari selanjutnya.

Data(1) Data(2) Data(3) Data(4) Data(5) Data(6) Data(895) Data(896)

Skala data

Hari

1 2 3 4 5 6 895 896

Gambar 3.3 Data Time Series untuk Pre-processing Pelatihan

Penetapan pemilihan jumlah variabel dilakukan berdasarkan kemungkinan

pengaruh variabel tersebut dengan nilai yang akan dihasilkan. Variabel yang akan
digunakan ada dua yaitu sebagai berikut.
a. Hasil produksi
Hasil produksi merupakan berat keseluruhan jumlah produksi kelapa sawit.
b. Jumlah tross
Tross merupakan jumlah buah seluruh tandan kelapa sawit. Hampir sama
dengan berat tandan, hubungan jumlah tross dengan hasil produksi berpengaruh
pada berat keseluruhan hasil produksi.

Tahapan praproses pelatihan yang akan dilakukan pada proses prediksi ini
adalah

1. Langkah penggunaan data misalkan menggunakan 5 input data untuk

mendapatkan hasil prediksi hari selanjutnya dapat dilihat pada Tabel 3.5.
Tabel 3.5 Model Data yang Digunakan Jumlah Variabel = 1
Data Hari Ke Variabel yang digunakan
4 hari yang lalu Hasil (n) untuk n = 1,2,3,
3 hari yang lalu Hasil (n+1) untuk n = 1,2,3,
2 hari yang lalu Hasil (n+2) untuk n = 1,2,3,
1 hari yang lalu Hasil (n+3) untuk n = 1,2,3,
Hari ini Hasil (n+4) untuk n = 1,2,3,
Esok hari Hasil (n+5) untuk n = 1,2,3,

Universitas Sumatera Utara

 36

Penentuan jumlah input node yang ditentukan berdasarkan seberapa banyak

data masa lalu yang akan dipakai untuk memprediksi jumlah hasil produksi di hari
selanjutnya. Misalkan data yang digunakan sebanyak lima data, maka akan ada 5 input
dengan jumlah variabel yang dipakai sebanyak 1 variabel dalam satu jaringan.
Variabel n merupakan alur data yang akan digunakan untuk selanjutnya dan
menghasilkan output n selanjutnya. Sehingga arsitektur jaringan RBF yang digunakan
dapat dilihat pada Gambar 3.4.

2 1

3 2 1
4
3

Gambar 3.4 Arsitektur Jaringan RBF yang Digunakan (Haykin, 2009)

Input data yang digunakan adalah 5 dengan 1 variabel dan menghasilkan 1

output. Aturan penggunaan data tersebut seperti pada tabel digambarkan pada Gambar
3.5.

Data(1) Data(2) Data(3) Data(4) Data(5) Data(6) Data(895) Data(896)

Skala data

Hari

1 2 3 4 5 6 895 896

(5)
(4)
= (3) jumlah node input
(2)
[(1)] }

Jumlah variabel

Output = [(6)]

Gambar 3.5 Langkah 1 untuk n = 1

2. Menetapkan nilai hidden node, learning rate dan jumlah maksimum epoch
yang dibutuhkan. Sebagai pelatihan awal, nilai parameter dapat ditentukan
seperti yang tertulis pada Tabel 3.6.

Universitas Sumatera Utara

 37

Tabel 3.6 Nilai-Nilai Parameter

Parameter Nilai
Input Node 5
Hidden Node 3
Output Node 1
Learning Rate 0.1
Epoch 1
Maksimal Epoch 3000

3.6.2 Data Proses

Setelah menentukan nilai-nilai parameter yang akan digunakan untuk jaringan, maka
proses pelatihan yang akan dilakukan adalah sebagai berikut.

Proses iterasi 1, Jumlah Variabel yang digunakan = 1, pada n =1.

1. Proses dari input layer ke hidden layer siap dilakukan. Inisialisasi nilai awal
input dapat dilihat pada Tabel 3.7. Algoritma K-Means akan digunakan untuk
mendapatkan nilai center. Sebelumnya dilakukan inisialisasi nilai center awal
yang ditentukan sama dengan nilai input, dapat dilihat pada Tabel 3.8,
Tabel 3.7 Nilai Input untuk n = 1
Input ke Nilai
1 0.3355234239444766
2 0.31410063620589934
3 0.46827067669172934
4 0.592967032967033
5 0.5111162521688838

Tabel 3.8 Nilai Awal Center

Center hidden ke A
1 0.3355234239444766
2 0.31410063620589934
3 0.46827067669172934

Universitas Sumatera Utara

 38

Setelah menentukan nilai awal center, maka nilai tersebut akan digunakan
untuk mencari nilai center baru di setiap hidden node. Jika nilai center yang
baru tersebut sama dengan nilai center lama pada perulangan berikutnya maka
nilai center tersebut akan digunakan untuk proses pada hidden layer.

2. Hitung nilai euclidian distance pada hidden node dengan persamaan 2.8.
Contoh perhitungan nilai euclidean distance seperti yang terlihat berikut ini.

Hidden Node 1 Perulangan 1

Distance11 = ( 0.3355234 0.3355234)2 = 0.0
Distance21 = (0.3141006 0.3355234)2 = 0.0214227877



Distance51 = (0.5111162 0.3355234)2 = 0.1755928

Hidden Node 2 Perulangan 1

Distance12 = ( 0.3355234 0.3141006)2 = 0.0214227877

Distance22 = ( 0.3141006 0.3141006)2 = 0.0

Distance51 = (0.5111162 0.3141006)2 = 0.197015615

Hidden Node 3 Perulangan 1

Distance13 = ( 0.3355234 0.46827067)2 = 0.13274725

Distance23 = ( 0.3355234 0.46827067)2 = 0.15417004



Distance51 = ( 0.3355234 0.46827067)2 = 0.04284557

Universitas Sumatera Utara

 39

Lalu didapat hasil perhitungan jarak pada hidden node seperti pada tabel 3.9

Tabel 3.9 Hasil Jarak Data pada Masing-Masing Hidden Node

Data ke Node Hidden 1 Node Hidden 2 Node Hidden 3 dH1 dH2 dH3
1 0.0 0.0214227877 0.1327472527 Ok
2 0.0214227877 0.0 0.1541700404 Ok
3 0.1327472527 0.1541700404 0.0 Ok
4 0.257443609 0.2788663967 0.12469635627 Ok
5 0.17559282822 0.19701561596 0.04284557547 Ok

3. Ambil nilai indeks data pada hidden dengan nilai jarak euclidean yang paling
minimum. Lalu hitung nilai center baru dengan persamaan 2.9 dan didapat
nilai center baru.
1
Center1 = 1 (0.33552342) = [0.33552342]
1
Center2 = (0.31410062) = [0.31410062]
1
1
Center3 =3 (0.46827067 + 0.59296703 + 0.51111625 ) = 0.52411798

4. Setelah mendapat nilai center baru ulangi langkah 2 dan langkah 3 sampai
nilai center tersebut tidak berubah. Jika nilai center tidak berubah lagi maka
proses pencarian center dengan algoritma K-Means selesai. Nilai center akhir
seperti yang tertulis pada tabel 3.10.

Tabel 3.10 Nilai Center Setelah Di-update

Center hidden ke a
1 0.33552342
2 0.31410063
3 0.52411798

5. Setelah mendapatkan nilai center, maka dihitung nilai aktivasi pada hidden
layer dengan menggunakan fungsi gaussian.
Untuk menghitung nilai gaussian terlebih dahulu dihitung nilai standar deviasi
() dengan persamaan 2.5

Universitas Sumatera Utara

 40

0.1755928
1 = = 0.3031414
0.5792438
0.1970156
2 = = 0.3515331
0.5604468
0.1885945
3 = = 0.26050414
0.7239599

Setelah didapat nilai standar deviasi dihitung nilai gaussian () dengan

persamaan 2.4

( 0.3355234 0.3355234)2++(0.5111162 0.3355234)2

1
1 = 2 0.30314142 = 0.5343233

( 0.3355234 0.3141006)2 ++(0.5111162 0.3141006)2

1
2 = 2 0.314100622 = 0.5656791

( 0.3355234 0.46827067)2 ++( 0.3355234 0.46827067)2

1
3 = 2 0.314100622 = 0.5240411

Nilai hasil perhitungan fungsi aktivasi gaussian dapat dilihat pada Tabel 3.11

Tabel 3.11 Nilai Fungsi Gaussian pada n = 1

Hidden Node X1
1 0.534323352
2 0.565679106
3 0.5240411326

Karena pada jaringan terdapat nilai bias maka bentuk matrix fungsi gaussian
dapat dilihat seperti berikut ini.

= [0.534323352 0.565679106 0.5240411326 1.0]

6. Setelah mendapatkan nilai fungsi aktivasi pada hidden layer maka tahap
selanjutnya adalah proses hidden layer menuju ke output layer. Pada tahap ini
merupakan tahapan supervised learning dengan menggunakan algoritma Least
Means Square. Pertama inisialisasi nilai weight dan bias terlebih dahulu secara
acak seperti pada Tabel 3.12.

Universitas Sumatera Utara

 41

Tabel 3.12 Inisialisasi Nilai Awal Weight

Node Hidden Weight pada Output 1
1 0.0
2 0.0
3 0.0
Bias 0.0

7. Hitung nilai output dengan melakukan seperti yang tertulis pada persamaan
2.10. Uraian hitungan output dapat dilihat seperti yang berikut ini.

0.0
= [0.534323352 0.0
0.565679106 0.5240411326 1.0] [0.0]
0.0
= 0.0

8. Hitung selisih atau sinyal error antara nilai output dan target dengan
persamaan 2.11 Uraian hitungan dapat dilihat seperti berikut ini.

= [0.406732215] [0.0] = [0.406732215]

9. Update weight dan bias dengan persamaan berikut ini pada persamaan 2.12
dan 2.13. Uraian hitungan dapat dilihat seperti berikut ini.

0.534323352 0.21732652
= [0.406732215] [0.565679106] = [0.23007991]
0.524041132 0.21314441
1.0 0.40673221

0.0 0.21732652 0.021732652

0.0
= [ ] + 0.1 [ 0.23007991 ] = [0.023007991]
0.0 0.21314441 0.021314441
0.0 0.40673221 0.040673221

Nilai weight yang telah di update dapat dilihat pada Tabel 3.13

Universitas Sumatera Utara

 42

Tabel 3.13 Nilai Weight yang Telah Di-update pada n = 1

Node Hidden Weight
1 0.021732652
2 0.023007991
3 0.021314441
Bias 0.040673221

10. Lakukan hal yang sama untuk n = 2 sampai n = 891 dengan langkah 1 sampai
9 dengan menggunakan nilai awal center dan weight yang di dapat pada n-1.

11. Lakukan langkah 1-10 pada iterasi selanjutnya sampai nilai center dan nilai
weight tidak berubah lagi dan menghasilkan nilai error yang kecil.

Pada akhirnya didapat nilai akhir center dan nilai weight yang tidak berubah.
Nilai akhir center dapat dilihat pada Tabel 3.14 dan nilai akhir weight dapat
dilihat pada Tabel 3.15.

Tabel 3.14 Nilai Center Akhir

Hidden Node Nilai Center
1 0.3664545980335454
2 0.27865818392134184
3 0.4166917293233083

Tabel 3.15 Nilai Weight Akhir

Hidden Node Nilai Weight
1 0.035982847464890146
2 0.056416156514107585
3 -0.018242887407292956
Bias 0.33156795193391864

Universitas Sumatera Utara

 43

3.7 Proses Pelatihan

Setelah parameter-parameter didapat melalui proses pelatihan, selanjutnya

parameter-parameter tersebut digunakan untuk proses pengujian. Proses pengujian
hampir sama dengan proses pelatihan, namun ada proses yang tidak perlu dilakukan
lagi seperti menghitung nilai weight. Hal ini dikarenakan nilai weight yang dibutuhkan
didapat dari proses pelatihan. Pada pengujian tetap dicari nilai center karena proses
tersebut merupakan pembelajaran unsupervised. Proses pengujian dapat digambarkan
dengan flowchart pada Gambar 3.6

Mulai

Data testing, data acak

nilai center dari training,
nilai epoch hasil training,
learningrate training, nilai
hidden node dari training,
nilai bobot

Jarak Euclidean
norm minimum

Update nilai Cn

No

Nilai centerbaru
= nilai center
lama

yes

Hitung Fungsi
Aktivasi Gaussian

Hitung nilai output

Hasil prediksi
dan akurasi

Selesai

Gambar 3.6 Proses Pengujian

Universitas Sumatera Utara

 44

Pada tahapan pengujian, proses yang dilakukan adalah sebagai berikut.

1. Ambil nilai yang telah dihasilkan pada tahapan pelatihan seperti jumlah hidden
node, nilai acak center awal, nilai epoch yang telah dipelatihan, nilai learning rate
dan nilai weight dan bias hasil pelatihan.
2. Proses awal dilakukan hampir sama dengan tahapan pada proses pelatihan dari
langkah 3 sampai langkah 7.
3. Weight yang telah didapat pada proses pelatihan dipakai untuk mendapatkan nilai
output seperti yang dilakukan pada langkah 9 pada proses pelatihan.
4. Output yang telah didapat dilakukan denormalisasi data seperti pada persamaan
berikut ini.
= ( ) + (3.1)
5. Hitung besar kesalahan prediksi dengan menggunakan MAPE dengan
menggunakan persamaan 2.14

3.8 Perancangan Antarmuka

Gambaran umum dari perancangan setiap tampilan yang terdapat pada aplikasi yang
akan dibangun adalah sebagai berikut.

3.8.1 Rancangan Tampilan Awal

Image

Aplikasi Prediksi Produksi Panen Kelapa Sawit dengan Radial Basis Function
b
START

Gambar 3.7 Rancangan Tampilan Awal program

Universitas Sumatera Utara

 45

Pada Gambar 3.7 dapat dilihat gambar rancangan tampilan awal. Rancangan tampilan
awal program yang menampilkan logo program dibagian tengah dan nama sistem
dibawahnya. Lalu dibawahnya terdapat tombol Startuntuk memulai sistem.
Keterangan:

a. Image gambar yang akan menampilkan logo aplikasi.

b. Tombol Start yang memungkinkan pengguna untuk masuk ke halaman
utama aplikasi.

3.8.2 Rancangan Tampilan Halaman Transformation

Pada rancangan tampilan form transformation data, terdapat fasilitas untuk memilih
data yang akan diproses dan hasil dari data yang telah diproses. Rancangan tampilan
form transformasi data dapat dilihat pada Gambar 3.8.

Transformation Process
Transformation Form Transformation Result h
File Transformation a BROWSE e

Save as file c

Variabel Value d

TRANSFORMATION e RESET f

Transformation Data g

Gambar 3.8 Rancangan Tampilan Halaman Transformation

Keterangan:
a. Textfield File Transformation memungkinkan pengguna menginput nama
file yang akan diproses.
b. Tombol Browse memungkinkan pengguna memilih file berekstensi *.csv
pada tempat penyimpanan file. Setelah file yang dipilih, maka nama file akan
ditampilkan pada bagian data textfield.

Universitas Sumatera Utara

 46

c. Textfield Save as File memungkinkan pengguna menginput nama file yang

sudah diproses untuk disimpan dengan nama file tersebut.
d. Textfield Variable Value memungkinkan pengguna menginput jumlah
variabel yang akan digunakan untuk proses dengan syarat tertentu.
e. Tombol Transformation memungkinkan pengguna untuk memproses data
yang telah dipilih dan disimpan dalam nama filename yang telah di-input.
f. Tombol Reset memungkinkan pengguna untuk mengosongkan field yang
tersedia untuk memproses atau menginput data yang baru.
g. Tabel Transformation Data menampilkan data-data yang akan digunakan
untuk proses transformasi.
h. Tabel Transformation Result menghasilkan data-data yang telah diproses
pada proses transformasi.

3.8.3 Rancangan Tampilan Halaman Training

Pada rancangan tampilan form training data, terdapat fasilitas untuk memilih data
yang akan diproses dan hasil dari data yang telah diproses. Pengguna juga dapat
menginput parameter pendukung yang akan digunakan pada proses. Rancangan
tampilan form training data dapat dilihat pada Gambar 3.9.

Training Process
Training Form
l Training Data
File Training a BROWSE b

Transformation c Did Transformation

Variabel Value d

Input Node e

Learning Rate f

Max Epoch g

TRAINING h RESET i

Centers Value Weights Value m Training Result

j k

Gambar 3.9 Rancangan Tampilan Halaman Training

Universitas Sumatera Utara

 47

Keterangan:

a. Textfield File Training memungkinkan pengguna menginput nama file yang

akan diproses.
b. Tombol Browse memungkinkan pengguna memilih file berekstensi *.csv
pada tempat penyimpanan file. Setelah file yang dipilih, maka nama file akan
ditampilkan pada bagian data textfield.
c. Pengguna dapat memulih checkbutton Transformation atau Did
Transformation untuk melakukan proses pada data yang dipilih dengan syarat
tertentu.
d. Textfield Variable Value memungkinkan pengguna menginput jumlah
variabel yang akan digunakan untuk proses dengan syarat tertentu.
e. Textfield Input Node memungkinkan pengguna menginput nilai input node
yang dibutuhkan untuk proses pemrograman dengan syarat tertentu.
f. Textfield Learning Rate memungkinkan pengguna menginput nilai learning
rate yang dibutuhkan untuk proses pemrograman dengan syarat tertentu.
g. Textfield Iteration memungkinkan pengguna menginput nilai iterasi yang
dibutuhkan untuk proses pemrograman dengan syarat tertentu.
h. Tombol Training memungkinkan pengguna untuk mengeksekusi program.
i. Tombol Reset memungkinkan pengguna untuk mengosongkan field yang
tersedia untuk memproses atau menginput data yang baru.
j. Tabel Center memungkinkan user untuk melihat hasil nilai center dari
eksekusi program.
k. Tabel Weight memungkinkan user untuk melihat hasil weight yang
dihasilkan.
l. Tabel Training Data menampilkan data-data yang akan digunakan untuk
proses.
m. Tabel Training Result menghasilkan data-data yang telah diproses.

3.8.4 Tampilan Menu Testing

Pada rancangan tampilan form testing data, terdapat fasilitas untuk memilih data yang
akan diproses dan hasil dari data yang telah diproses. Rancangan tampilan form
testing data dapat dilihat pada Gambar 3.10.

Universitas Sumatera Utara

 48

Testing Process
Testing Form
g Chart of Result
File Testing a BROWSE b

Transformation c Did Transformation

TESTING d RESET e

Testing Data f

h Testing Result

Gambar 3.10 Rancangan Tampilan Halaman Testing

Keterangan:

a. Textfield File Testing memungkinkan pengguna menginput nama file yang

akan diproses.
b. Tombol Browse memungkinkan pengguna memilih file berekstensi *.csv
pada tempat penyimpanan file. Setelah file yang dipilih, maka nama file akan
ditampilkan pada bagian data textfield.
c. Pengguna dapat memulih checkbutton Transformation atau Did
Transformation untuk melakukan proses pada data yang dipilih dengan syarat
tertentu.
d. Tombol Testing memungkinkan pengguna untuk mengeksekusi program.
e. Tombol Reset memungkinkan pengguna untuk mengosongkan field yang
tersedia untuk memproses atau menginput data yang baru.
f. Tabel Testing Data menampilkan data-data yang akan digunakan untuk
proses.
g. Gambar Chart of Result menampilkan gambar grafik dari hasil yang telah di
proses.
h. Tabel Testing Result menghasilkan data-data yang telah diproses.

Universitas Sumatera Utara

 BAB 4

IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini membahas hasil yang didapat dari implementasi jaringan saraf Radial Basis
Function (RBF) untuk memprediksi produksi kelapa sawit dan pengujian sistem
sesuai dengan perancangan yang telah dibahas pada Bab 3.

4.1. Implementasi Sistem

Pada tahap implementasi sistem, diterapkan jaringan saraf RBF untuk memprediksi
produksi panen kelapa sawit yang diimplementasikan dalam bahasa Java sesuai
dengan pada tahap perancangan sistem.

4.1.1. Spesifikasi Hardware dan Software yang Digunakan

Spesifikasi perangkat keras (hardware) dan perangkat lunak (software) yang

digunakan untuk membangun sistem prediksi produksi kelapa sawit ini adalah

1. Sistem Operasi Windows 7 Ultimate 64-bit

2. Processor Intel Core i3 CPU M 350 @ 2.27GHz
3. RAM 4.00 GB (3.86 GB usable)
4. Kapasitas hardisk 500GB
5. Eclipse Java EE IDE for EE Developers Version: Juno Release
1.5.0.20120614-1633

Universitas Sumatera Utara

 50

4.1.2. Implementasi Data

Data yang digunakan adalah file informasi data panen produksi kelapa sawit dari
tahun 2010 - 2013 dalam bentuk file CSV. Rangkuman data produksi panen per hari
dapat dilihat pada tabel 4.1

Tabel 4.1 Rangkuman Data Produksi Panen Kelapa Sawit per Hari

No Tanggal Hasil Tross

1 2010-01-02 26070 1931

2 2010-01-04 25144 2296

3 2010-01-05 31808 2272

. . . .

. . . .

. . . .

1189 2013-12-28 20460 1240

1190 2013-12-30 34783 2108

1191 2013-12-31 46812 1550

4.2. Pengujian Sistem

Pada tahap pengujian aplikasi, dilakukan pemeriksaan aplikasi untuk mengetahui

kinerja antar komponen dan algoritma yang diimplementasikan kedalam aplikasi.
Pengujian bertujuan untuk memastikan komponen-komponen dan kinerja algoritma
pada aplikasi telah berfungsi sesuai dengan yang diharapkan.

Pengujian kinerja sistem dilakukan mengunakan data yang disimpan dalam file
data.csv. Pengujian ini dilakukan untuk mengetahui tingkat akurasi data yang
dihasilkan. Langkah- langkah pengujian kinerja sistem ini adalah sebagai berikut.

Universitas Sumatera Utara

 51

1. Pengguna atau user menjalankan aplikasi yang telah dirancang.

2. Pengguna dapat menggunakan menu Transformation untuk mengubah nilai

data dari rentang nilai 0-1 dan membagi data menjadi 75% data training dan
25 % data uji.

Proses pada menu Transformation:

a. Input nama file terlebih dahulu. Pengguna dapat menggunakan tombol
browse untuk memilih file yang telah tersedia.
b. Input nama file untuk menyimpan hasil transformasi.
c. Input jumlah variabel yang digunakan. Jumlah variabel memiliki syarat
nilai dari nilai 1 sampai dengan 3. Jika jumlah tidak sesuai dengan syarat
tersebut maka aplikasi akan menampilkan pesan error.

3. Dalam melakukan pengujian kinerja sistem, terlebih dahulu dilakukan proses

pada menu Training untuk melakukan pelatihan data lalu selanjutnya dapat
dilakukan proses pada menu Testing.

Proses pada menu Training:

a. Input nama file terlebih dahulu. Pengguna dapat menggunakan tombol
browse untuk memilih file yang telah tersedia. Proses dapat dilihat pada
Gambar 4.1.

Gambar 4.1 Memilih Training File dengan Menggunakan Tombol Browse

Universitas Sumatera Utara

 52

d. Input jumlah kolom yang ada pada data pada field jumlah variabel. Jumlah
variabel memiliki syarat nilai dari nilai 1 sampai dengan 3. Jika jumlah
tidak sesuai dengan syarat tersebut maka aplikasi akan menampilkan pesan
error.
e. Input jumlah data yang akan digunakan untuk menghasilkan data yang
diinginkan.
f. Input nilai parameter-parameter yang akan digunakan seperti nilai learning
rate dan nilai iteration. Nilai learning rate memiliki syarat nilai dari
rentang nilai 0 sampai dengan 1. Jika jumlah tidak sesuai dengan syarat
tersebut maka aplikasi akan menampilkan pesan error.

Proses point b sampai dengan c dapat dilihat pada Gambar 4.2.

Gambar 4.2 Proses Pengisian Nilai Parameter yang digunakan

g. Dilakukan proses pelatihan dengan mengklik tombol training.

h. Hasil kinerja sistem tersebut ditampilkan pada program dapat dilihat pada
Gambar 4.3.

Universitas Sumatera Utara

 53

Gambar 4.3 Hasil Pengujian Kinerja Sistem Pada Menu Training

4. Pada proses menu Testing akan didapat hasil kinerja sistem.

Proses pada menu Testing:
a. Input nama file terlebih dahulu. Pengguna dapat menggunakan tombol
browse untuk memilih file yang telah tersedia. Proses dapat dilihat pada
Gambar 4.4.

Gambar 4.4 Memilih Testing File dengan Menggunakan Tombol

Browse

Universitas Sumatera Utara

 54

b. Dilakukan proses pelatihan dengan mengklik tombol testing.

c. Hasil kinerja tersebut ditampilkan dalam bentuk tabel dan grafik pada
program yang dapat dilihat pada Gambar 4.5.

Gambar 4.5 Hasil Pengujian Kinerja Sistem Pada Menu Testing

Pengujian parameter dengan menggunakan file data yang terdapat pada tabel
4.1 dan menguji nilai-nilai parameter-parameter. Hasil ditunjukkan seperti yang ada
pada Tabel 4.2.

Tabel 4.2 Hasil Pengujian

Variabel
Input Learning Pemberhentian Error Mape
yang
data Rate epoch ke (%)
digunakan
1 3 0.05 63 22.96
1 3 0.1 37 12.61
1 3 0.15 29 12.52
1 3 0.2 21 12.64
1 3 0.25 18 12.82
1 3 0.3 maksimal epoch 12.98

Universitas Sumatera Utara

 55

Tabel 4.2 Hasil Pengujian (Lanjutan)

Variabel
Input Learning Pemberhentian Error Mape
yang
data Rate epoch ke (%)
digunakan
1 3 0.4 15 13.06
1 3 0.45 14 12.96
1 3 0.5 12 12.77
1 3 0.6 12 12.25
1 3 0.7 maksimal epoch 11.86
1 3 0.75 10 11.83
1 3 0.8 maksimal epoch 12.02
1 4 0.15 25 14.32
1 4 0.25 14 14.8
1 4 0.55 10 13.1
1 4 0.6 10 12.55
1 4 0.65 8 12.11
1 4 0.7 maksimal epoch 11.79
1 4 0.75 maksimal epoch 11.8
1 5 0.1 45 13.41
1 5 0.75 maksimal epoch 11.75
2 3 0.1 maksimal epoch 13.18
2 3 0.2 maksimal epoch 14.93
2 4 0.2 maksimal epoch 17.1
2 5 0.1 maksimal epoch 13.25

Maksimal epoch yang digunakan adalah 3000. Kombinasi parameter yang

digunakan cukup berpengaruh terhadap nilai error yang dihasilkan. Jumlah input node
yang digunakan berpengaruh pada pengelompokkan data untuk menghasilkan nilai
center yang digunakan untuk menghitung nilai Gaussian. Jumlah hidden node
berpengaruh pada jumlah kelompok yang digunakan oleh algoritma K-Means. Nilai
learning rate yang digunakan berpengaruh pada perhitungan weight dan kecepatan
program menghitung nilai weight. Semakin tinggi nilai learning rate semakin cepat

Universitas Sumatera Utara

 56

pula epoch berhenti. Jumlah variabel yang digunakan berpengaruh untuk menghitung
nilai output. Keterkaitan variabel berpengaruh untuk menghasilkan output variabel
yang diinginkan. Dilihat perbandingan variable yang digunakan keerkaitan tross
dengan hasil produksi tidak terlalu berpengaruh. Besar error yang dihasilkan juga
berpengaruh dari banyak data yang digunakan.

Pada hasil pengujian tabel 4.5. didapat hasil terbaik didapat dengan kombinasi
parameter: jumlah variabel = 1, jumlah input node = 5 dan nilai learning rate = 0.75
dengan hasil error MAPE = 11.75%. Hasil prediksi dapat dilihat pada Tabel 4.3.

Tabel 4.3 Ringkasan Hasil Prediksi Setelah Didenormalisasi

No Tanggal Target Prediksi Output Prediksi

1 2012-12-20 23298 27355

2 2012-12-21 25031 24452

3 2012-12-22 21764 24138

4 2012-12-23 22044 24585

5 2012-12-24 27552 23208

6 2012-12-25 23381 23526

. . . .
. . . .
. . . .
289 12/24/2013 19371 24672

290 12/25/2013 17738 24980

291 12/26/2013 22358 25117

292 12/27/2013 22424 24846

293 12/28/2013 20460 25014

Universitas Sumatera Utara

 57

Hasil prediksi dapat digambarkan dengan diagram garis. Gambar diagram

dapat ditunjukkan pada Gambar 4.6.

Hasil Produksi (kg)

40000
35000
30000
25000
20000
15000
10000
5000
Tanggal
0

Target Output

Gambar 4.6 Grafik Hasil Prediksi Produksi Kelapa Sawit pada Proses Testing

Universitas Sumatera Utara

 BAB 5

KESIMPULAN DAN SARAN

Bab ini membahas tentang kesimpulan dari penelitian yang menggunakan jaringan
saraf Radial Basis Function (RBF) untuk memprediksi produksi kelapa sawit. Selain
itu juga memberikan saran untuk pengembangan penelitian selanjutnya.

5.1 Kesimpulan

Kesimpulan dari aplikasi prediksi produksi kelapa sawit dengan menggunakan

jaringan saraf RBF adalah

1. Berdasarkan hasil penelitian diperoleh hasil terbaik untuk prediksi produksi

kelapa sawit melalui kombinasi parameter: jumlah variabel = 1, jumlah input
node = 5 , nilai learning rate = 0.75, dan nilai epoch maksimal = 3000 dengan
hasil error MAPE = 11.75%.
2. Aplikasi tidak dapat memperoleh hasil yang baik untuk memprediksi. Alasan
mengapa tidak dapat memperoleh hasil yang baik adalah nilai yang digunakan
perhari dinilai berdekatan sehingga jaringan saraf RBF tidak terlalu tepat untuk
diterapkan pada kasus ini.
3. Penggunaan algoritma Least Means Square pada RBF kurang tepat karena
nilai weight yang diinginkan tidak bisa mencapai hasil yang maksimal karena
nilai weight akan berhenti sampai nilai yang sama namun error yang didapat
tidak minimum.

Universitas Sumatera Utara

 59

5.2 Saran

Saran yang dapat diberikan untuk penelitian selanjutnya adalah

1. Mempertimbangkan variabel yang digunakan dapat mempengaruhi hasil nilai

prediksi.

2. Untuk penelitian kasus yang sama disarankan dapat menggunakan algoritma

lain yang menghasilkan hasil prediksi dengan error yang minimum.

3. Untuk penelitian dengan jaringan saraf RBF disarankan untuk mengunakan

algoritma pendukung seperti penggunaan algoritma untuk pengelompokkan
dan mendapatkan nilai weight yang tepat agar dapat menghasilkan prediksi
sesuai dengan kebutuhan.

Universitas Sumatera Utara