Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 11, November 2018, hlm. 5751-5759 http://j-ptiik.ub.ac.id

Prediksi Jumlah Produksi Kelapa Sawit Dengan Menggunakan Metode

Extreme Learning Machine (ELM)
(Studi kasus: PT. Sandabi Indah Lestari Kota Bengkulu)
Ema Agasta1, Imam Cholissodin2, Dian Eka Ratnawati3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1ema.agasta@gmail.com, 2imamcs@ub.ac.id, 3dian_ilkom@ub.ac.id

Abstrak
Kelapa sawit merupakan tanaman perkebunan yang menjadi sektor nomor satu di Indonesia. Tanaman
ini memiliki biaya dan hasil produksi yang lebih baik dibandingkan tanaman perkebunan lain seperti
tebu dan karet. Dalam sebuah perusahaan, hasil produksi kelapa sawit menjadi roda penggerak ekonomi,
begitu juga yang terjadi pada PT. Sandabi Indah Lestari. Dalam setiap minggunya perusahaan
melakukan perencanaan untuk memprediksi hasil produksi. Perencanaan yang dilakukan terkadang
masih memberikan hasil yang kurang optimal. Hal ini disebabkan karena proses perhitungannya yang
masih menggunakan analisis manual. Pada penelitian ini akan menggunakan empat fitur prediksi yaitu
fitur umur tanan, jumlah pokok/jumlah pohon, luas lahan, dan hasil produksi. Teknik prediksi yang
digunakan adalah metode pembelajaran Extreme Learning Machine (ELM). Metode ini memiliki
kelebihan pada learning speed dan keakuratan pada hasil prediksi. Proses perhitungan dimulai dari
proses normalisasi data, pelatihan sejumlah data latih dan data uji, perhitungan nilai kesalahan prediksi
dan menghasilkan nilai akhir. Data yang digunakan adalah data produksi pada periode 2015 – 2017
dengan jumlah data sebanyak 297 data. Dari sejumlah data tersebut akan dibagi menjadi dua data dengan
persentase sebesar 80% data pelatihan dan 20% data pengujian. Hasil penelitian didapatkan nilai
parameter yang optimal yaitu 13 hidden neuron pada pengujian jumlah neuron dengan nilai Mean
Absolute Perscentage (MAPE) sebesar 21,25%, 20,42% pada pengujian fitur data dengan hasil 2 fitur
teknikal yang terbaik, dan 20,19% pada pengujian pola dengan hasil akhir berupa pola data 1.
Kata kunci: kelapa sawit, produksi, prediksi, extreme learning machine.

Abstract
Palm oil is a plantation that became the number one sector in Indonesia. This plant has a cost and a
better production than other plantation crops such as sugar cane and rubber. In a company, palm oil
production becomes the driving force of the economy, as well as what happened to PT. Sandabi Indah
Lestari. In every week the company plans to predict the production. Planning done sometimes still give
less than optimal results. This is because the calculation process is still using manual analysis. In this
research will use four prediction features that are plant age, number of trees, land, and production. The
prediction technique used is the learning method of Extreme Learning Machine (ELM). This method has
advantages in learning speed and accuracy in predicted results. The calculation process starts from the
process of data normalization, training a number of training data and test data, calculation of the
prediction error value and produce the final value. The data used is production data in the period 2015
- 2017 with a total of 297 data. From a number of data will be divided into two data with percentage of
80% training data and 20% test data. The result of the research was obtained the optimal parameter
value that is 13 hidden neuron in testing the number of neurons with Mean Absolute Perscentage
(MAPE) value of 21.25%, 20.42% on the data feature test with the best 2 technical features and 20,19%
on testing the pattern with the final result of the data pattern 1.
Keywords: palm oil, production, prediction, extreme learning machine

Fakultas Ilmu Komputer

Universitas Brawijaya 5751
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
1. PENDAHULUAN
Sektor tanaman perkebunan di
Indonesia banyak didominasi oleh tanaman
kelapa sawit, kakao, karet, tebu dan kopi. Dari
kelima tanaman ini kelapa sawit yang paling
menguntungkan. Menurut kepala BPS Suryamin
(2014) yang dipaparkan pada halaman
finance.detik.com (2014) menyebutkan bahwa
kelapa sawit lebih menguntungkan
dibandingkan tebu dan karet dalam hal biaya
produksi. Untuk perkebunan kelapa sawit pada
satu hektar lahan biaya produksi yang
dibutuhkan sebesar 9,7 juta/hektar/tahun dengan
nilai produksi mencapai Rp 17 juta/hektar/tahun.
Sedangkan untuk satu hektar karet per tahun
membutuhkan biaya produksi sebesar Rp. 9,2
juta dengan hasil produksi mencapai Rp 12,97
juta/hektar. Untuk tanaman tebu, dari awal
proses penanaman hingga panen membutuhkan
biaya produksi Rp 24,2 juta dengan nilai
produksi Rp 31 juta. Pada kategori biaya upah
pekerja, tanaman karet yang paling tinggi
biayanya dengan rincian 31% untuk sawit,
57,09% untuk karet dan 26,21% untuk tebu.
PT. Sandabi Indah Lestari merupakan
Perkebunan Besar Swasta (PBS) yang berada di
kota Bengkulu. Perusahaan ini melakukan
proses penanaman kelapa sawit pada tahun 1999
sampai tahun 2011 dan melakukan tahap
produksi ditahun 2004 hingga sekarang. Dalam
setiap bulannya perusaahan ini memiliki
permasalahan dalam memprediksi hasil produksi
kelapa sawit. Hasil produksi yang tidak tepat
menjadi penyebab kesalahan dalam
pengambilan kebijakan. Selama ini dalam
menargetkan hasil produksi, perusahaan
melakukan analisis statistik dengan nilai koreksi
5% - 12% pada hasil produksi setiap bulannya.
Namun metode ini masih kurang dalam
memberikan hasil prediksi yang tepat, karena
metode ini menggunakan perhitungan manual
dan mempertimbangkan perkiraan dari
pengalaman pribadi.
Penelitian yang membahas mengenai
produktivitas kelapa sawit dilakukan oleh
Yohansyah dan Lubis (2014). Pada penelitian ini
Peneliti menggunakan model analisis regresi
berganda dengan parameter ukur yang meliputi
faktor curah hujan, umur tanam, tenaga kerja
panen dan hari hujan. Hasil yang didapatkan
menunjukan bahwa parameter tersebut memiliki
pengaruh sebesar 79,8% terhadap produktivitas
kelapa sawit.
Fakultas Ilmu Komputer, Universitas Brawijaya
5752
Permasalahan prediksi secara matematis
dapat diselesaikan dengan berbagai metode
perhtiungan salah satunya adalah metode
pembelajaran baru pada bidang keilmuan
Jaringan Saraf Tiruan bernama Extreme
Learning Machine (ELM). Kelebihan dari
metode ELM adalah metode ini mampu
menyelesaikan permasalahan data linier dan non
linier (Huang, et al., 2012), memberikan waktu
komputasi rata – rata lebih baik dibandingkan
dengan metode LS-SVM, SVM dan ANN yaitu
0,17 s (Wang, et al., 2016), Hal ini dikarenakan
tidak ada perbaikan bobot dan inisialisasi nilai
bobot dan bias dilakukan secara random. Selain
itu pada persoalan prediksi model ELM
memberikan kesalahan error yang lebih kecil
dibandingkan dengan ANN dan GP yaitu sebesar
0,0046 (Anicic, et al., 2017).
Berdasarkan uraian tersebut maka
Peneliti berkeinginan untuk melakukan sebuah
penelitian terkait dengan model pembelajaran
ELM dan tanaman kelapa sawit. Data yang akan
digunakan adalah data produksi periode tahun
2015 – 2017 dengan parameter umur tanam, luas
lahan, jumlah pokok/jumlah pohon dan hasil
produksi. Sedangkan pemilihan metode ELM
dikarenakan waktu komputasi yang cepat
dengan hasil keakuratan prediksi yang baik.
2. METODE USULAN
Dalam proses perhitungan akan
menggunakan 9 parameter ukur yaitu umur
tanam, luas lahan, jumlah pokok, hasil produksi
bulan-1, bulan-2 sampai bulan-5 dan target.
Untuk nilai input manual ke sistem, diperlukan
masukan nilai seperti jumlah fitur, rasio
pembagian data, jenis fungsi aktivasi, dan
jumlah neuron pada hidden layer.
Pola data yang digunakan terdiri dari 2 pola.
Pola 1 adalah pola data dalam satu bulan terdapat
banyak umur tanam. Pola 2 adalah pola data
dengan satu umur tanam untuk beberapa bulan
dalam satu tahun. Adapun sampel data yang
akan digunakan seperti pada Tabel 1.
Tabel 1 Sampel Data Produksi Kelapa Sawit
Umur Luas Jumlah Bulan- Bulan- …
No Tanam Lahan pokok 1 2 Target
1 15
(Ha)
16 2592 29864 20801 ... 28936
2 14 295 34488 412984 354562 … 416652
Langkah–langkah perhitungan metode
Extreme Learning Machine adalah sistem
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
menerima data masukan berupa data produksi,
jumlah fitur, jumlah neuron pada hidden layer,
jumlah pembagian data dan jenis fungsi aktivasi.
Kemudian sistem melakukan proses normalisasi
dari data produksi dan melakukan pembagian
data untuk data pelatihan dan data uji.
Selanjutnya data dilakukan proses pelatihan
yang menghasilkan matriks output weight (𝛽̂ )
untuk digunakan pada proses pengujian. Dari
proses pengujian akan menghasilkan nilai output
layer (𝑦̂). Sistem selanjutnya melakukan
denormalisasi data dari nilai hasil pengujian dan
melakukan evaluasi hasil. Dengan
didapatkannya nilai evaluasi maka proses ELM
berhenti. Berikut diagram alir sistem seperti
yang ditunjukkan pada Gambar 1.
Gambar 1 Diagram Alir Sistem
2.1 Dataset Penelitian
Data penelitian yang digunakan adalah data
produksi PT. Sandabi Indah Lestari pada periode
2015 – 2017. Total data berjumlah 297 dengan
parameter utama yaitu umur tanam, luas lahan,
jumlah pokok dan hasil panen pada setiap bulan.
Data yang dikumpulkan akan dibagi menjadi
data latih dan data uji dengan rasio pembagian
80%:20%.
Fakultas Ilmu Komputer, Universitas Brawijaya
5753
2.2 Extreme Learning Machine (ELM)
Extreme Learning Machine merupakan
metode pengembangan Jaringan Saraf Tiruan
yang digunakan untuk menyelesaikani
permasalahan waktu pembelajaran pada jaringan
feedforward. Metode ini hanya menggunakan
satu hidden layer sehingga disebut sebagai
Single Hidden Layer Feedforward Neural
Network (SLFNs).
Permasalahan waktu pembelajaran yang
lama menurut Huang, Zhu, dan Siew (2006)
disebabkan oleh inisialisasi nilai parameter
jaringan (input weight dan bias) yang ditentukan
secara manual. Berbeda pada metode ELM nilai
parameter tersebut diinisialisasikan secara
random sehingga membuat waktu pembelajaran
jaringan ELM lebih cepat dibandingkan Support
Vector Machine (SVM) dan Backpropogation.
Gambar 2 Arsitektur ELM dengan Bias
Sumber: (Yaseen, et al., 2018)
Secara umum arsitektur jaringan ELM
digambarkan seperti pada Gambar 2. Dalam
metode ELM, proses komputasi dibagi menjadi
dua yaitu menggunakan bias atau tanpa bias.
Penggunaan bias berfungsi untuk menggeser
nilai output layer agar tepat dengan target.
Pada proses perhitungan nilai, terdapat
penggunaan fungsi aktivasi yang digunakan
untuk mengaktifkan atau menonaktifkan neuron,
selain itu juga untuk mengarahkan suatu input
menjadi sebuah output tertentu. Terdapat
beberapa fungsi aktivasi menurut Srimuang dan
Intarasothonchun (2015), salah satunya adalah
fungsi sigmoid biner. Berikut persamaan fungsi
aktivasi sigmoid biner:
1 (1)
𝐻 =
1 + exp(−𝐻𝑖𝑛𝑖𝑡 )
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5754

Pemilihan fungsi sigmoid biner karena 2) Menghitung output hidden layer (𝐻) dengan
pada penelitian ini digunakan data yang bersifat fungsi aktivasi sigmoid biner.
non linier. Menurut Julpan, Nababan, dan Zarlis
(2015) kelebihan fungsi aktivasi sigmoid biner (3)
adalah fungsi ini memiliki keakuratan hasil 1
𝐻=
prediksi yang lebih baik dibandingkan fungsi 1 + exp (−(𝑥𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 . 𝑤 𝑇 + 𝑜𝑛𝑒𝑠(𝑁𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 , 1) ∗ 𝑏))
aktivasi sigmoid bipolar. Selain itu menurut Keterangan:
Mahdiyah, Irawan, dan Imah (2015) fungsi 𝐻 = Matriks keluaran hidden layer.
aktivasi sigmoid biner termasuk kedalam fungsi
𝑁𝑡𝑟𝑎𝑖𝑛 = Banyaknya data latih.
aktivasi yang bersifat infinitely differential (tidak
𝑤𝑇 = Bobot input dengan tranpose.
terhingga). Hal ini dikarenakan untuk berapapun
𝑜𝑛𝑒𝑠(𝑁𝑡𝑟𝑎𝑖𝑛 , 1) = fungsi matriks dengan
nilai input weight dan bias yang digunakan
ukuran baris sejumlah data latih
matriks 𝐻 selalu menghasilkan nilai output
pada setiap kolom
(Prakoso, Wisesty & Jondri, 2016). Berikut ini
𝑥 = Input data latih.
akan dibahas mengenai langkah perhitungan
𝑏 = Bias
dengan metode ELM.
3) Menghitung matriks Moore-Penrose
Generalized Inverse.
2.2.1 Normalisasi
Tujuan dilakukan normalisasi adalah 𝐻 + = (𝐻 𝑇 . 𝐻)−1 . 𝐻 𝑇 (4)
agar data memiliki kesamaan rentang nilai
Keterangan:
dengan data yang lain, sehingga hasil yang
diharapkan bisa terarah. Metode normalisasi 𝐻 𝑇 = Matriks 𝐻 yang sudah di
yang digunakan adalah Min-Max Normalization. transpose.
Dengan menggunakan fungsi aktivasi sigmoid (𝐻 𝑇 . 𝐻)−1 = Invers dari perkalian
biner, nilai memiliki rentang 0 sampai 1, matriks 𝐻 𝑇 dan matriks 𝐻.
sehingga dalam proses normalisasi sebaiknya 4) Menghitung output weight dengan nilai 𝑇 =
nilai ditransformasikan ke dalam rentang [𝑡1 … , 𝑡𝑛 ]𝑇
[0,1, 0,9]. Hal ini dikarenakan fungsi sigmoid 𝛽̂ = 𝐻 + . 𝑇 (5)
biner bersifat asimtotik yaitu suatu kondisi yang
nilainya pada suatu kurva tertentu Keterangan:
tidak pernah mencapai 0 atau 1 (Sukarno, 𝛽̂ = Matriks output weight dari hidden
Wirawan, & Adhy, 2015). layer ke output layer.
+
𝐻 = Matriks Moon-Penrose
𝑥′ =
𝑥−𝑚𝑖𝑛
∗ (𝑛𝑚𝑎𝑥 − 𝑛𝑚𝑖𝑛 ) + 𝑛𝑚𝑖𝑛 (2)
max − 𝑚𝑖𝑛 Generalized Invers dari matriks
𝐻.
Keterangan: 𝑇 = Matriks Target
𝑥′ = Nilai hasil normalisasi 5) Menghitung output layer (𝑦̂ prediksi).
𝑥 = Nilai data aktual 𝑦̂ = 𝐻 + . 𝛽̂ (6)
𝑚𝑖𝑛 = Nilai minimum data set Keterangan:
𝑚𝑎𝑥 = Nilai maksimum data set 𝑦̂ = Output prediksi
𝑛𝑚𝑎𝑥 = Nilai maksimum baru.
𝑛𝑚𝑖𝑛 = Nilai minimum baru. 2.2.3 Proses Pengujian
Setelah proses pelatihan data, maka
2.2.2 Proses Pelatihan dilanjutkan proses pengujian dengan data uji.
Proses pelatihan ditujukan untuk Berikut langkah–langkah pengujian metode
mengembangkan model pembelajaran jaringan ELM dengan bias menurut (Cholissodin, et al.,
dari ELM. Berikut langkah–langkah pelatihan 2017), (Huang, Zhu, & Siew, 2005):
metode ELM dengan bias menurut (Cholissodin, 1) Mengambil input weight 𝑊𝑗𝑘 , bias 𝑏 dan nilai
et al., 2017), (Huang, Zhu, & Siew, 2005):
𝛽̂ yang didapatkan dari proses pelatihan.
1) Membuat nilai input weight 𝑤𝑗𝑘 dan nilai bias 2) Menghitung output hidden layer (𝐻) dengan
𝑏 secara random. Ukuran matriks 𝑏 adalah fungsi aktivasi sigmoid biner.
[1 𝑥 𝑗]

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5755

1 (7) (ukuran) yang sama dengan data aktual

𝐻=
1 +exp(−(𝑥𝑡𝑒𝑠𝑡𝑖𝑛𝑔 .𝑤 𝑇 +𝑜𝑛𝑒𝑠(𝑁𝑡𝑒𝑠𝑡𝑖𝑛𝑔,1)∗𝑏)) Dalam menilai kinerja dari suatu model
pembelajaran dengan menggunakan metode
Keterangan: MAPE, menurut Chang, Wang dan Liu (2007)
𝐻 = Matriks keluaran hidden layer. kinerja suatu model dibagi ke dalam 4 kategori
𝑁𝑡𝑒𝑠𝑡 = Banyaknya data uji. seperti yang ditunjukkan pada Tabel 2.
𝑤 𝑇 = input weight tranpose.
𝑜𝑛𝑒𝑠(𝑁𝑡𝑒𝑠𝑡 , 1) = fungsi matriks dengan Tabel 2 Kriteria Nilai MAPE
ukuran baris sejumlah data uji
pada setiap kolom Nilai MAPE Status
𝑥𝑡𝑒𝑠𝑡 = Input data uji < 10% Sangat bagus
𝑏 = bias 10 - 20% Bagus
3) Menghitung nilai output layer dengan 20 - 50% Cukup Bagus
mengkalikan matriks data uji dan output >50% Buruk
weight dari hasil pelatihan sesuai pada
Persamaan 6. Persamaan metode MAPE yang digunakan
4) Menghitung nilai evaluasi semua output seperti pada Persamaan 9 (Mohammadi, et al.,
layer yang sudah didenormalisasi 2015)
menggunakan MAPE. 𝑁
1 𝑃𝑖,𝑝𝑟𝑒𝑑 − 𝑃𝑖,𝑚𝑒𝑎𝑠
𝑀𝐴𝑃𝐸 = ∑ | | × 100 (9)
2.2.4 Denormalisasi 𝑁 𝑃𝑖.𝑚𝑒𝑎𝑠
𝑖 =1
Denormaliasai data adalah proses untuk
mengembalikan nilai prediksi menjadi nilai Perhitungan evaluasi dengan metode MAD
sebenarnya. Rumus denormalisasi seperti pada mengunakan Persamaan 10 (Heizer & Rander,
Persamaan 8. 2009)
𝑁
𝐴𝑘𝑡𝑢𝑎𝑙 − 𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛
𝑥 ′ − 𝑛𝑚𝑖𝑛 𝑀𝐴𝐷 = ∑ | | (10)
𝑥= ∗ (𝑚𝑎𝑥 − 𝑚𝑖𝑛) + 𝑚𝑖𝑛 (8) 𝑁
𝑛𝑚𝑎𝑥 − 𝑛𝑚𝑖𝑛 𝑖 =1

Keterangan: Keterangan:
𝑥′ = Nilai data normalisasi. 𝑁 = Jumlah data
𝑥 = Nilai data hasil denormalisasi. 𝑃𝑖,𝑝𝑟𝑒𝑑 = Nilai hasil prediksi
𝑚𝑖𝑛 = Nilai minimum pada data set. 𝑃𝑖,𝑚𝑒𝑎𝑠 = Nilai aktual
𝑚𝑎𝑥 = Nilai maksimum pada data set. 𝑖 = Indek data
𝑛𝑚𝑎𝑥 = Nilai maksimum baru.
𝑛𝑚𝑖𝑛 = Nilai minimum baru. 3. HASIL DAN PEMBAHASAN
2.2.5 Evaluasi 3.1 Pengujian Jumlah Neuron

Proses evaluasi hasil menggunakan Pengujian jumlah neuron dilakukan

metode Mean Absolute Precentage Error)
(MAPE) dan Mean Absolute Deviation (MAD).
Metode MAPE adalah model perhitungan nilai
error dengan cara menghitung selisih antara
nilai ramalan dengan nilai aktual yang
selanjutnya diabsolutkan dan kemudian dihitung
dalam bentuk presentase terhadap data asli
(Andini & Auristandi, 2016). Sedangkan proses
perhitungan metode MAD dilakukan dengan
mencari rata – rata kesalahan prediksi dengan
cara menghitung nilai selisih dari nilai prediksi
dengan nilai aktual pada sejumlah data. Hasil
dari nilai MAPE dalam bentuk presentase,
sedangkan hasil nilai MAD dalam bentuk
dengan dua tujuan yaitu untuk mengetahui
berapa jumlah neuron yang optimal untuk
mendapatkan nilai MAPE terkecil. Tujuan kedua
untuk mengetahui pengaruh jumlah neuron
terhadap waktu komputasi.
Jumlah neuron yang diujikan berjumlah
2 sampai jumlah neuron 15. Parameter ukur lain
yaitu menggunakan fungsi aktivasi sigmoid
biner, rentang input weight dan bias [−1, 1],
jumlah fitur 6 yang mana fitur ini terdiri dari 3
data fundamental dan 3 data teknikal. Pemilihan
3 data teknikal berdasarkan pola rotasi kelapa
sawit yang rata – rata terjadi selama 3 bulan.
Hasil pengujian jumlah neuron pada hidden

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
layer akan ditunjukkan pada Gambar 3 dan
Gambar 4.
Pengujian Jumlah Neuron Pada
Hidden Layer
Rata-Rata Nilai MAPE (%)
30,00
MAPE
28,00
26,00
24,00
22,00
20,00
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Jumlah Neuron
Gambar 3 Grafik Pengujian Neuron
Berdasarkan Gambar 3 yang merupakan
hasil pengujian jumlah neuron pada hidden layer
menunjukkan bahwa penggunaan jumlah neuron
yang terlalu besar atau terlalu kecil pada proses
pelatihan mengakibatkan hasil MAPE yang
tinggi pada hasil data pengujian. Pada Gambar 3
neuron berjumlah 2 dan 3 menghasilkan MAPE
yang tinggi. Nilai MAPE juga mulai mengalami
kenaikan kembali pada jumlah neuron 14 dan
15.
Berdasarkan hasil tersebut dapat
disimpulkan bahwa penggunaan neuron yang
banyak membuat penghubung (connector)
antara input layer ke output layer yang terbentuk
juga semakin banyak, hal ini memungkinkan
unit pemrosesan pada sistem pembobotan dalam
mengenali data semakin baik. Akan tetapi
penggunaan neuron yang terlalu banyak
mengakibatkan hasil data uji berbeda jauh dari
target. Selain itu hasil nilai MAPE tidak selalu
rendah jika menggunakan jumlah hidden neuron
yang semakin banyak.
Menurut Sari (2017) jumlah neuron
yang terlalu besar menyebabkan jaringan tidak
bisa menangkap keteraturan pola. Hal ini
dikarenakan unit pembobotan yang besar pada
input layer, sehingga hasil output layer sulit
mengarah pada pola target. Sedangkan
penggunaan jumlah neuron yang terlalu sedikit
juga mengakibatkan nilai MAPE besar, ini
disebabkan kurangnya proses pembelajaran pola
data.
Dalam segi waktu komputasi
berdasarkan Gambar 4 menunjukkan bahwa
waktu komputasi tercepat terjadi pada
penggunaan jumlah neuron 2 dan waktu
Fakultas Ilmu Komputer, Universitas Brawijaya
5756
komputasi tertinggi terjadi pada jumlah neuron
15. Pada jumlah neuron 3 sampai dengan jumlah
neuron 14 waktu komputasinya tidak mengalami
perubahan waktu yang terlalu signifikan atau
bisa diartikan bahwa untuk jumlah neuron yang
sedikit metode Extreme Learning Machine
memiliki kecepatan waktu komputasi yang
stabil.
Pengujian Jumlah Neuron Terhadap
Waktu Komputasi
2,20
Waktu Komputasi (detik)
WAKTU
1,95
1,70
1,45
1,20
2 3 4 5 6 7 8 9 10 11 12 13 14 15
Jumlah Neuron
Gambar 4 Grafik Waktu Komputasi Hasil
Pengujian Jumlah Neuron
3.2 Pengujian Jumlah Fitur
Pengujian jumlah fitur ditujukan untuk
mengetahui pengaruh dari data teknikal atau
pengaruh dari jumlah bulan panen yang
digunakan dalam proses pembentukan pola
jaringan. Pada pengujian ini menggunakan 5
fitur data teknikal yang terbagi menjadi data
teknikal 1, data teknikal 2, 3, 4 dan 5. Maksud
dari jumlah data teknikal 1, 2, 3, 4 dan 5 adalah
data hasil panen 1 bulan sebelumnya, 2 bulan
sebelumnya dan seterusnya. Pengujian
dilakukan dengan mengubah nilai data teknikal
yang digunakan. Misal menggunakan 3 data
fundamental dan 1 data teknikal, 3 data
fundamental dan 2 data teknikal dan seterusnya.
Penggunaan formasi fitur seperti ini dikarenakan
data fundamental kurang memberikan pengaruh
dan menyebabkan nilai MAPE tinggi sehingga
perlu dilakukan penambahan fitur data teknikal.
Parameter ukur lain yang digunakan
dalam pengujian ini adalah menggunakan
jumlah neuron pada hidden layer berjumlah 13,
fungsi aktivasi sigmoid biner. Hasil pengujian
seperti yang ditunjukkan pada Gambar 5.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pengujian Jumlah Fitur Data Teknikal
29,00
Rata-Rata Nilai MAPE (%)
MAPE
27,00
24,51
25,00
23,16 22,96
23,00
20,42
21,00
19,00
17,00
1 2 3 4
Jumlah Fitur
Gambar 5 Grafik Hasil Pengujian Jumlah Fitur
Berdasarkan Gambar 5 mengenai
pengujian jumlah fitur memperlihatkan bahwa
banyak sedikitnya jumlah fitur yang digunakan
memiliki pengaruh terhadap nilai MAPE.
Semakin banyak fitur belum tentu memberikan
nilai MAPE yang rendah. Terlihat bahwa dengan
jumlah fitur data teknikal 1, 3, 4 dan 5
menghasilkan nilai MAPE yang lebih besar
dibandingkan dengan fitur data teknikal
berjumlah 2. Rata–rata nilai MAPE terendah
terjadi pada fitur data teknikal 2 yaitu sebesar
20,42% dan MAPE tertinggi sebesar 24,51%
pada fitur 3.
Dari grafik pengujian pada Gambar 5
kesimpulan yang didapatkan adalah penggunaan
data teknikal sangatlah berpengaruh.
Penggunaan fitur data teknikal yang terlalu
banyak dapat membuat gangguan pada data, hal
ini dikarenakan terdapatnya banyak pola data
yang berbeda sehingga menyebabkan hasil
MAPE yang tinggi. Selain itu dipengaruhi juga
oleh fitur data fundamentalnya yang tidak
sepenuhnya memberikan pengaruh pada hasil
prediksi. Sedangkan fitur data teknikal yang
terlalu sedikit membuat hasil prediksi tidak
sesuai target karena terbatasnya pola data untuk
pembelajaran jaringan. Dari pengujian ini
didapatkan kesimpulan bahwa rata–rata nilai
MAPE terbaik adalah menggunakan analisis
data panen pada bulan kesatu dan kedua dari
bulan yang akan dijadikan target prediksi.
3.3 Pengujian Pola Data
Pengujian pola data ditujukan untuk
Fakultas Ilmu Komputer, Universitas Brawijaya
5757
mengetahui kemampuan dari metode ELM
dalam mengenali pola suatu data. Pada
penelitian ini menggunakan dua jenis pola data.
Pola data 1 adalah pola data dengan banyak
tahun tanam pada satu bulan sedangkan pola data
2 adalah pola data dengan banyak bulan pada
satu tahun tanam saja. Pada proses pengujian
23,84
menggunakan jumlah neuron 13, fitur data
teknikal 2 karena sesuai dengan hasil terbaik
pada pengujian fitur dan fungsi aktivasi sigmoid.
Hasil pengujian seperti pada Gambar 6.
Pengujian Pola 1 dan Pola 2
5
POLA 1 POLA 2
Rata-Rata Nilai MAPE (%)
31,00 28,16
26,00 23,81 23,53 23,26
19,90 19,19 19,77
21,00 18,97
17,88 17,48
16,00
1 2 3 4 5
Percobaan ke-i
Gambar 6 Grafik Hasil Pengujian Jenis Pola
Berdasarkan Gambar 6 mengenai hasil
pengujian pola data didapatkan hasil bahwa pola
2 memiliki hasil MAPE yang lebih besar
dibanding pola 1. Pada pola 1 nilai MAPE
terendah sebesar 19,19% dan pola 2 sebesar
17,48%. Sedangkan nilai MAPE tertinggi pola 1
sebesar 23,81% dan pola 2 sebesar 28,16%.
Dari hasil pengujian, pola 2 memiliki
nilai MAPE yang lebih besar dari pola 1 itu
dikarenakan pada pola 2 terdapat beberapa pola
data uji yang tidak dikenali pada data latihnya.
Selain itu juga adanya kondisi underfitting pada
beberapa data. Kondisi underfitting ini
disebabkan karena pada proses pembelajaran
(training) pola data, jaringan tidak bisa
menangkap hubungan antara sinyal input dengan
target hal ini disebabkan oleh kurangnya jumlah
neuron pada hidden layer (Sheela & Deepa,
2013) dan adanya kemungkinan kekuatan unit
pembobotan (input weight dan bias) yang terlalu
rendah sehingga pola yang ditangkap saat proses
pembelajaran terbatas dan menyebabkan hasil
yang lebih rendah pada data pelatihannya.
Sedangkan pada pola 1 baik pola data latih
maupun pola data ujinya memiliki pola yang
hampir sama, sehingga hal ini mengakibatkan
proses pembelajaran pola 1 lebih baik.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4. KESIMPULAN
Metode Extreme Learning Machine
dalam proses komputasinya mampu
menghasilkan fitur perhitungan yang optimal.
Berdasarkan pengujian yang telah dilakukan
didapatkan jumlah hidden neuron yang terbaik
berjumlah 13, 2 fitur data teknikal dan pola
pembelajaran data adalah pola data 1. Dengan
menggunakan fitur tersebut diperoleh rata–rata
nilai MAPE sebesar 20,19%.
Dari hasil ketiga pengujian, didapatkan
juga kesimpulan lain mengenai waktu
komputasi, yaitu waktu yang dibutuhkan untuk
melakukan pemrosesan. Dengan menggunakan
metode ELM waktu komputasi tercepat yang
didapat adalah pada penggunaan jumlah hidden
neuron 2, selain itu faktor yang memengaruhi
lama tidaknya waktu komputasi adalah jumlah
hidden neuron.
Berdasarkan hasil pengujian maka
model prediksi yang digunakan memiliki kinerja
yang cukup bagus, karena nilai MAPE berada
diantara rentang 20 - 50%.
5. DAFTAR PUSTAKA
Andini, T. D. & Auristandi, P., 2016. Peramalan
Jumlah Stok Alat Tulis Kantor Di UD
Achmad Jaya Menggunakan Metode
Double Exponential Smooting. Jurnal
Ilmiah Teknologi dan Informasi ASIA
(JITIKA), Volume Vol.10, No.1, pp.
ISSN:0852-730X.
Anicic, O., Jović, S., Skrijelj, H. & Nedi, B.,
2017. Prediction of laser cutting heat
affected zone by extreme learning
machine. Optics and Lasers in
Engineering, Volume 88, pp. 1-4.
Badan Pusat Statistik. 2014. Nilai Produksi dan
Biaya Produksi per Hektar Usaha
Perkebunan Kelapa Sawit dan Tebu.
[Online] Available at:
https://www.bps.go.id/statictabel/2015/
09/25/1853/nilai-produksi-dan-biaya-
produksi-per-hektar-usaha-perkebunan-
kelapa-sawit-dan-tebu-2014.html
[Accessed Sunday March 2018].
Chang, P.-C., Wang, Y.-W. & Liu, C.-H., 2007.
The Development of a Weighted
Evolving Fuzzy Neural Network for
PCB Sales Forecasting. Expert Systems
with Applications, Volume 32, pp. 88 -
89.
Cholissodin, I. et al., 2017. Optimasi Kandungan
Fakultas Ilmu Komputer, Universitas Brawijaya
5758
Gizi Susu Kambing Peranakan Etawa
(PE) Menggunakan ELM-PSO Di UPT
Pembibitan Ternak Dan Hijauan
Makanan Ternak Singosari - Malang.
Teknologi Informasi dan Ilmu komputer
(JTIIK), Volume 4, No. 1, pp. 31-36.
DetikfInance, 2014. Mana yang Lebih Untung
Berkebun Sawit, Tebu atau Karet?.
[Online] Available at:
https://finance.detik.com/berita-
ekonomi-bisnis/d-2785582/mana-yang-
lebih-untung-berkebun-sawit-tebu-atau-
karet [Accessed Sunday March 2018].
Heizer, J. & Rander, B., 2009. Manajemen
Operasi. 9 ed. Jakarta: Terj. Chriswan
Sungkono; Salemba Empat.
Huang, G. -B., Zhou, H., Ding, X. & Zhang,
R., 2012. Extreme Learning Machine for
Regression and Multiclass
Classification. IEEE Transactions on
Systems, Man, and Cybernetics - Part B:
Cybernetics , Volume 42.
Huang, G., Zhu, Q. & Siew, C., 2005.
Extreme Learning Machine. Theory and
applications. Elsevier science :
Neurocomputing, Volume 70, pp. 489-
501.
Huang, G. -B., Zhu, Q.-Y. & Siew, C. -K.,
2006. Extreme Learning Machine :
Theory and Applications.
Neurocomputing, Volume 60, pp. 489-
501.
Julpan, Nababan, E. B. & Zarlis, M., 2015.
Analisis Fungsi Aktivasi Sigmoid Biner
Dan Sigmoid Bipolar Dalam Algoritma
Backpropogation Pada Prediksi
Kemapuan Siswa. Jurnal Teknovasi,
Volume 02, pp. 103 - 116.
Mahdiyah, U., Irawan, M. I. & Imah, E. M.,
2015. Study Comparison
Backpropogation, Support Vector
Machine, And Extreme Learning
Machine For Bioinformatics Data.
Journal of Computer Science and
Information, Volume 8/1, pp. 53 - 59.
Mohammadi, K. et al., 2015. Predicting The
Wind Power Density Based Upon
Extreme Learning Machine. Energy,
Volume 86, pp. 232-239.
Prakoso, E. C., Wisesty, U. N. & Jondri, 2016.
Klasifikasi Keadaan Mata Berdasarkan
Sinyal EEG Menggunakan Extreme
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5759

Learning Machine. Journal On

Computing, 1(2), pp. 97-116
Sari, V., 2017. Aplikasi Extreme Learning
Machine Untuk Peramalan Data Tim
Series (STUDI KASUS: SAHAM
BANK BRI). THE 5TH URECOL
PROCEEDING, pp.1294-1299
Sheela, K. G. & Deepa, S. N., 2013. Review
on Methods to Fix Number of Hidden
Neurons in Neural Networks..
Mathematical Problems in Engineering,
Volume 2013, p. 11.
Srimuang, W. & Intarasothonchun, S., 2015.
Classification Model Of Network
Intrusion Using Weighted Extreme
Learning Machine. Internasional Joint
Conference on Computer Science and
Software Engineering (JCSSE), Volume
12.
Sukarno, N. M., Wirawan, P. W. & Adhy, S.,
2015. Perancangan dan Implementasi
Jaringan Saraf Tiruan Backpropogation
untuk Mendiagnosa Penyakit Kulit.
Masyarakat Informatika, Volume 5,
Nomor 10.
Wang, B. et al., 2016. Prediction of Fatigue
Stress Concentration Factor Using
Extreme Learning Machine.
Computational Materials Science,
Volume 125, pp. 136 - 145.
Yaseen, Z. M. et al., 2018. Predicting
Compressive Strength of Lightweight
Foamed Concrete Using Extreme
Learning Machine Model. Advances in
Engineering Software, Volume 115, pp.
112-125.
Yohansyah, W. M. & Lubis, I., 2014. Analisis
Produktivitas Kelapa Sawit (Elaeis
guineensis Jacq.) di PT. Perdana Inti
Sawit Perkasa I, Riau. Bul. Agrohorti,
Volume 2(1), pp. 125-131.

Fakultas Ilmu Komputer, Universitas Brawijaya