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
menerima data masukan berupa data produksi, 2.2 Extreme Learning Machine (ELM)
jumlah fitur, jumlah neuron pada hidden layer,
jumlah pembagian data dan jenis fungsi aktivasi. Extreme Learning Machine merupakan
Kemudian sistem melakukan proses normalisasi metode pengembangan Jaringan Saraf Tiruan
dari data produksi dan melakukan pembagian yang digunakan untuk menyelesaikani
data untuk data pelatihan dan data uji. permasalahan waktu pembelajaran pada jaringan
Selanjutnya data dilakukan proses pelatihan feedforward. Metode ini hanya menggunakan
yang menghasilkan matriks output weight (𝛽̂ ) satu hidden layer sehingga disebut sebagai
untuk digunakan pada proses pengujian. Dari Single Hidden Layer Feedforward Neural
proses pengujian akan menghasilkan nilai output Network (SLFNs).
layer (𝑦̂). Sistem selanjutnya melakukan Permasalahan waktu pembelajaran yang
denormalisasi data dari nilai hasil pengujian dan lama menurut Huang, Zhu, dan Siew (2006)
melakukan evaluasi hasil. Dengan disebabkan oleh inisialisasi nilai parameter
didapatkannya nilai evaluasi maka proses ELM jaringan (input weight dan bias) yang ditentukan
berhenti. Berikut diagram alir sistem seperti secara manual. Berbeda pada metode ELM nilai
yang ditunjukkan pada Gambar 1. parameter tersebut diinisialisasikan secara
random sehingga membuat waktu pembelajaran
jaringan ELM lebih cepat dibandingkan Support
Vector Machine (SVM) dan Backpropogation.
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]
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
layer akan ditunjukkan pada Gambar 3 dan komputasi tertinggi terjadi pada jumlah neuron
Gambar 4. 15. Pada jumlah neuron 3 sampai dengan jumlah
neuron 14 waktu komputasinya tidak mengalami
Pengujian Jumlah Neuron Pada perubahan waktu yang terlalu signifikan atau
Hidden Layer bisa diartikan bahwa untuk jumlah neuron yang
sedikit metode Extreme Learning Machine
Rata-Rata Nilai MAPE (%)
30,00
MAPE memiliki kecepatan waktu komputasi yang
28,00
stabil.
26,00
24,00 Pengujian Jumlah Neuron Terhadap
Waktu Komputasi
22,00
20,00 2,20
1,70
Gambar 3 Grafik Pengujian Neuron