BAB 1

PENDAHULUAN

Bab ini akan membahas mengenai latar belakang penelitian, rumusan masalah, tujuan
penelitian, batasan masalah, manfaat penelitian dan sistematika penulisan.

1.1. Latar Belakang

Kelapa sawit merupakan komoditas pertanian utama dan unggulan di Indonesia.

Produksi kelapa sawit cenderung meningkat dari tahun ke tahun sehingga industri
kelapa sawit akan memiliki prospek yang cukup cerah dan menjanjikan. Hasil dari
produksi kelapa sawit selain berupa bahan baku minyak goreng juga berupa bahan
baku oleochemical (Kacaribu, 2013). Industri kelapa sawit harus mempersiapkan
bahan baku tersebut sesuai dengan permintaan pasar untuk memenuhi kebutuhan
tersebut.

Hasil produksi kelapa sawit merupakan hal yang terpenting dalam industri
kelapa sawit. Hasil produksi kelapa sawit dalam waktu dan jumlah yang tepat
merupakan sesuatu yang diinginkan oleh perusahaan perkebunan. Oleh karena itu,
perusahaan perkebunan negara atau swasta membutuhkan prediksi produksi untuk
melakukan perancangan biaya dan juga memenuhi permintaan pasar. Hasil prediksi
produksi tersebut dijadikan acuan target produksi kelapa sawit. Pada perusahaan
kelapa sawit terutama pada perusahaan perseorangan, prediksi produksi kelapa sawit
biasanya mengalami kendala berupa hasil produksi yang tidak mencapai target terlalu
besar. Sehingga diperlukan metode yang tepat untuk menghasilkan prediksi produksi
yang tepat. yang tidak mencapai target terlalu besar, sehingga diperlukan prediksi
produksi yang tepat.

Universitas Sumatera Utara

 2

Prediksi merupakan suatu usaha untuk meramalkan keadaan di masa

mendatang melalui pengujian keadaan di masa lalu (Rambe, 2002). Upaya untuk
melakukan prediksi produksi kelapa sawit dapat dilakukan dengan bantuan teknologi
informasi. Teknologi basis data dalam perusahaan merupakan kebutuhan pokok. Data
tersebut dapat diolah dengan menggunakan konsep data mining. Data mining
merupakan proses kegiatan yang meliputi pengumpulan, pemakaian data historis
untuk menemukan keteraturan pola atau hubungan dalam set data berukuran besar
(Santosa, 2007). Data mining memiliki sifat prediksi (prediction driven) untuk
menjawab pertanyaan apa dan sesuatu yang bersifat tidak pasti yang digunakan untuk
validasi hipotesis, querying dan pelaporan, analisis multidimensi (dimensional
summary) serta analisis statistik (Hermawati, 2013).

Penelitian Bando (2012) melakukan penelitian mengenai prediksi produksi

kelapa sawit dengan menggunakan metode ARIMA (Autoregressive Integrated
Moving Average) untuk memprediksi curah hujan dan produksi kelapa sawit dalam
jangka waktu yang pendek yang menghasilkan data mengenai hasil peramalan
produksi dalam bentuk grafik dengan indikator curah hujan. Penelitian lain oleh
Hermantoro dan Purnawan (2009) menggunakan metode Artificial Neural Network
(ANN) berdasarkan tujuh data parameter dengan menggunakan kualitas lahan yaitu
curah hujan, ketinggian dari permukaan laut, kelerengan, umur tanaman, batuan,
solium, dan keasaman tanah. Hasil dari penelitian tersebut saat pengujian mendapat
nilai R2=0.8901 dan nilai RMSE = 2.2196 dengan model 7-3-1. Kacaribu (2013)
menggunakan metode regresi ganda dan Exponential Smoothing dengan variabel
bebas berupa umur tanaman, jumlah pohon, curah hujan dan dosis pupuk. Penelitian
menghasilkan perbandingan data hasil produksi dengan kedua metode dengan nilai
MAPE regresi ganda = 22% dan keterhubungan variabel dengan hasil produksi.

Jaringan saraf tiruan adalah salah satu cabang ilmu dari bidang ilmu
kecerdasan buatan dan merupakan alat untuk memecahkan masalah terutama
dibidang-bidang yang melibatkan pengelompokan dan pengenalan pola (pattern
recognition) (Puspitaningrum, 2006). Jaringan saraf tiruan cocok digunakan untuk
masalah prediksi. Salah satu jaringan saraf tiruan yang akan diterapkan pada
penelitian ini adalah Radial Basis Function (RBF). RBF berbeda dari pendekatan
Multilayer Perceptron (MLP) yang lebih sering digunakan, jaringan RBF

Universitas Sumatera Utara

 3

menggunakan kalkulasi yang lebih mudah sehingga metode ini dapat belajar lebih
cepat dan memiliki error yang lebih kecil dibandingkan MLP (Jayawardena et al,
1997). Jaringan RBF memiliki algoritma pelatihan dengan pembelajaran supervised
(terawasi) dan unsupervised (tidak terawasi) yang dipakai secara bersamaan. Pada
umumnya untuk pembelajaran tidak terawasi menggunakan algoritma K-means,
sedangkan untuk pembelajaran terawasi dapat menggunakan algoritma Least Means
Square (LMS). Algoritma K-means digunakan karena perhitungannya yang sederhana
dan mampu mencari sendiri nilai center yang terbaik bagi data, sedangkan LMS
digunakan untuk mencari nilai weight yang akan digunakan untuk proses pengujian.
Penggunaan metode RBF ini sudah pernah diterapkan dalam beberapa kasus seperti
prediksi harga saham (Tan et al, 2012), prediksi harga emas (Hussein et al, 2011),
pengenalan pola tanda tangan (Jariah et al, 2011), dan klasifikasi genre musik
(Gardhianta, 2013).

Pada penelitian ini, penulis akan memprediksikan produksi panen kelapa

sawit dengan menggunakan jaringan saraf RBF. Pemilihan input dilakukan
berdasarkan atribut yang ada. Output yang akan dihasilkan merupakan prediksi hasil
produksi panen yang dapat digunakan untuk target produksi panen. Dengan pemilihan
algoritma, input dan output yang akan digunakan, diharapkan RBF akan memberikan
hasil prediksi yang dibutuhkan oleh perusahaan.

1.2. Rumusan Masalah

Penentuan target produksi diperlukan untuk memenuhi rencana kerja dan penentuan
biaya produksi pada suatu perusahaan perkebunan. Perusahaan memerlukan prediksi
hasil produksi panen yang tepat untuk dijadikan acuan target produksi panen. Oleh
karena itu, dibutuhkan sebuah aplikasi untuk memprediksi hasil produksi panen
kelapa sawit agar perusahaan lebih mudah menentukan target produksi.

1.3. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah memprediksi produksi kelapa sawit dengan
menggunakan jaringan saraf Radial Basis Function (RBF).

Universitas Sumatera Utara

 4

1.4. Batasan atau Ruang Lingkup Penelitian

Batasan masalah dibuat untuk mencegah meluasnya pembahasan dan agar lebih
terarah. Batasan-batasan tersebut adalah sebagai berikut.

1. Data yang dianalisis adalah data-data hasil produksi harian kelapa sawit pada
perusahaan perkebunan negara daerah Sumatera Utara pada periode 2010 -
2013.
2. Hasil prediksi tidak mempertimbangkan pengaruh-pengaruh lain seperti
faktor alam selain dari atribut input yang digunakan.
3. Hasil prediksi tidak mempertimbangkan kejadian pencurian dan pertimbangan
yang menyebabkan kehilangan produksi secara disengaja ataupun tidak.
4. Hanya melakukan perbandingan hasil prediksi dan menguji performa metode
yang dipakai.

1.5. Manfaat Penelitian

Manfaat penelitian ini adalah sebagai berikut.

1. Mengidentifikasi dan mengimplementasika data dengan jaringan saraf RBF.

2. Mengetahui kemampuan jaringan saraf RBF dalam memprediksi produksi
panen kelapa sawit.
3. Menghasilkan prediksi hasil produksi panen kelapa sawit.
4. Penelitian dapat dijadikan sebagai bahan rujukan untuk penelitian lain.

1.6. Metodologi Penelitian

Tahapan-tahapan yang akan dilakukan pada pelaksanaan penelitian ini adalah sebagai
berikut.

1. Studi literatur
Studi literatur yang dilakukan dalam penelitian ini adalah mengumpulkan bahan
bahan referensi tentang prediksi produksi kelapa sawit, faktor yang mempengaruhi
dan jaringan saraf tiruan serta bahan pembelajaran pendukung dari banyak sumber
berupa jurnal, buku dan dari referensi lainnya.

Universitas Sumatera Utara

 5

2. Analisis permasalahan
Pada tahap ini dilakukan analisis dari bahan referensi yang telah dikumpulkan,
untuk memahami teknik prediksi data mining, faktor-faktor produksi dan jaringan
saraf tiruan dalam penelitian ini.
3. Pengumpulan data
Pada tahap ini dilakukan pengumpulan serta pembagian data yang telah didapat.
Pembagian data dikelompokkan menjadi data latih dan data uji.
4. Pembangunan program
Pada tahap ini dibangun program dengan mengimplementasikan jaringan saraf
RBF untuk memprediksi hasil produksi panen kelapa sawit dari data yang telah
dikumpulkan.
5. Analisis dan evaluasi hasil
Pada tahap ini dilakukan analisis dan evaluasi terhadap hasil yang didapat melalui
implementasi jaringan saraf Radial Basis Function dengan menghitung hasil error
antara nilai aktual dan nilai hasil prediksi.
6. Dokumentasi dan pelaporan
Pada tahap ini dilakukan dokumentasi dan penyusunan laporan hasil evaluasi dan
analisis serta implementasi jaringan saraf Radial Basis Function pada aplikasi
prediksi produksi kelapa sawit.

1.7. Sistematika Penulisan

Sistematika penulisan dari skripsi ini terdiri atas lima bagian utama sebagai berikut:

Bab I : Pendahuluan

Bab ini berisi latar belakang dari penelitian, rumusan masalah, tujuan penelitian,
batasan masalah, manfaat penelitian, metodologi penelitian serta sistematika
penulisan.

Bab II : Landasan Teori

Bab ini berisi teori yang diperlukan untuk memahami permasalahan yang dibahas
pada penelitian ini. Teori yang berhubungan dengan data mining, kelapa sawit,

Universitas Sumatera Utara

 6

prediksi, jaringan saraf tiruan dan materi pendukung yang lainnya akan dibahas dalam
bab ini.

Bab III : Analisis dan Perancangan

Bab ini membahas analisis dan penerapan metode jaringan saraf Radial Basis
Function untuk memprediksi produksi kelapa sawit. Pada bab ini juga akan dijabarkan
arsitektur umum, proses yang akan dilakukan termasuk perancangan aplikasi prediksi.

Bab IV : Implementasi dan Pengujian

Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang
disusun pada Bab III. Selain itu akan dijabarkan hasil implementasi yang didapatkan.

Bab V : Kesimpulan dan Saran

Bab ini berisi kesimpulan dari rancangan yang telah dibahas pada bab-bab
sebelumnya terutama pada bab III dan bab IV. Bagian akhir dari bab ini akan berisi
saran-saran yang diajukan untuk pengembangan penelitian selanjutnya.

Universitas Sumatera Utara