BAB IV

ANALISA DAN PERANCANGAN

Analisa merupakan tahapan pengembangan informasi dari proses studi

pustaka dan sebagai penggambaran dari proses yang akan dijalani sistem. Analisa
yang akan dilakukan pada penelitian ini sebagai berikut:

4.1 Analisa Kebutuhan Data

Analisa kebutuhan data dilakukan dengan pembagian data dan
menentukan variable input yang akan digunakan berdasarkan kebutuhan
penelitian. Analisa kebutuhan data yang akan dilakukan seperti:

4.1.1 Data Masukan

Data masukan yang digunakan yaitu time series hasil produksi tandan
buah segar di PT. Peputra Masterindo pada bulan sebelumnya. Untuk hasil
produksi TBS pada satu bulan, maka data masukan yang digunakan adalah hasil
produksi TBS pada bulan-bulan sebelumnya. Pada penelitian ini menggunakan 12
variabel masukan yaitu 12 bulan sebelumnya, sehingga untuk meramalkan hasil
produksi TBS pada bulan b, maka dibutuhkan hasil produksi TBS yang
dimisalkan b-1, b-2, b-3, …, b-12 yang nantinya akan menjadi variabel yaitu x1,
x2, x3, …, x12.

Data yang digunakan pada penelitian ini adalah data hasil produksi tandan
buah segar kelapa sawit di PT. Peputra Masterindo dari bulan januari tahun 2007
hingga bulan desember tahun 2018 yang berjumlah 144 data. Data periode
bulanan akan diubah menjadi data time series 12 variabel data inputan dan 1
keluaran data keluaran.
 Tabel 4.1 Data Asli

No Data Indeks
1 Januari 2007 13525
2 Februari 2007 13507
3 Maret 2007 13620
4 April 2007 15643
5 Mei 2007 17003
6 Juni 2007 17605
…. …. ….
143 November 2018 19458
144 Desember 2018 16635

Data asli akan diubah menjadi pola data periodik per bulanan seperti pada
tabel 4.2 berikut. Nilai target didapatkan dari nilai bulan selanjutnya.

Tabel 4.2 Data Time Series

Data X1 X2 X3 …. X10 X11 X12 Target

1 13525 13507 14512 …. 19189 18289 16002 14297
2 13507 14512 13620 …. 18289 16002 14297 12192
3 14512 13620 15643 …. 16002 14297 12192 13001
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
131 20485 18616 18762 …. 24092 23670 22719 19458
132 18616 18762 16760 …. 23670 22719 19458 16635

4.1.2 Normalisasi Data

Normalisasi data untuk proses transformasi nilai menjadi kisaran 0 dan 1.
Tujuannya adalah untuk mendapatkan data dengan ukuran yang lebih kecil,
mewakili data aslinya tanpa kehilangan karakteristiknya. Normalisasi data
menggunakan persamaan 2.17. Lakukan perhitungan normalisasi untuk seluruh
variable dan data.

Data 1

0.8 ( 13525−11481 )
X1 = + 0.1=0.2149
25712−11481
 0.8 ( 13507−11481 )
X2 = + 0.1=0.2139
25712−11481

0.8 ( 14512−11481 )
X3 = +0.1=0.2704
25712−11481

0.8 ( 13620−11481 )
X4 = + 0.1=¿0,2202
25712−11481

0.8 ( 15643−11481 )
X5 = + 0.1=¿0,3340
25712−11481

0.8 ( 17003−11481 )
X6 = + 0.1=¿0,4104
25712−11481

0.8 ( 17605−11481 )
X7 = + 0.1=¿0,4443
25712−11481

0.8 ( 21036−11481 )
X8 = + 0.1=¿ 0,6371
25712−11481

0.8 ( 19226−11481 )
X9 = + 0.1=¿ 0,5354
25712−11481

0.8 ( 19189−11481 )
X10 = + 0.1=¿0,5333
25712−11481

0.8 ( 18289−11481 )
X11 = + 0.1=¿0,4827
25712−11481

0.8 ( 16002−11481 )
X12 = +0.1=¿0,3541
25712−11481

0.8 ( 14297−11481 )
Target = + 0.1=¿0,2583
25712−11481

Berikut hasil data setelah normalisasi pada Tabel 4.3

Tabel 4.3 Data Setelah Normalisasi

Data X1 X2 X3 …. X10 X11 X12 Target

1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
 …. …. …. …. …. …. …. …. ….
131 0,6062 0,5011 0,5093 …. 0,8089 0,7852 0,7317 0,5484
132 0,5011 0,5093 0,3968 …. 0,7852 0,7317 0,5484 0,3897

Untuk melihat seluruh data normalisasi tandan buah segar dapat dilihat dalam
lampiran C. Setelah data dinormalisasi, akan dilakukan proses pelatihan dan
pengujian. Pembagian data latih dan data uji dilakukan dengan membagi 144
menjadi 3 bagian yaitu 90% pelatihan 10% pengujian, 80% pelatihan 20%
pengjian, dan 70% pelatihan dan 30% pengujian.

1. Data Latih
Pelatihan dilakukan sebanyak tiga kali dengan banyak data latih dengan
perbandingan 90%:10%, 80%:20%, dan 70%:30% yaitu 119, 106, 93 data
latih. Pembagian data latih dapat dilihat pada Tabel 4.4, Tabel 4.5, dan
Tabel 4.6.

Tabel 4.4 Pembagian 90% Data Latih

Data X1 X2 X3 …. X10 X11 X12 Target
1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
118 ….
119 ….

Tabel 4.5 Pembagian 80% Data Latih

Data X1 X2 X3 …. X10 X11 X12 Target
1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
105 ….
106 ….

Tabel 4.6 Pembagian 70% Data Latih

Data X1 X2 X3 …. X10 X11 X12 Target
 1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
92 ….
93 ….

2. Data Uji
Pada Pengujian dilakukan tiga kali pengujian dengan banyak data uji yaitu
13, 26, dan 39 data uji. Pembagian data uji dapat dilihat pada table berikut.

Tabel 4.7 Pembagian 10% Data Uji

Data X1 X2 X3 …. X10 X11 X12 Target

1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
12 ….
13 ….

Tabel 4.8 Pembagian 20% Data Uji

Data X1 X2 X3 …. X10 X11 X12 Target
1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
25 ….
26 ….

Tabel 4.9 Pembagian 30% Data Uji

Data X1 X2 X3 …. X10 X11 X12 Target
1 0,2149 0,2139 0,2704 …. 0,5333 0,4827 0,3541 0,2583
2 0,2139 0,2704 0,2202 …. 0,4827 0,3541 0,2583 0,1400
3 0,2704 0,2202 0,3340 …. 0,2541 0,2583 0,1400 0,1853
…. …. …. …. …. …. …. …. ….
…. …. …. …. …. …. …. …. ….
38 ….
 39 ….

Pembagian data latih dan data uji digunakan untuk mengukur tingkat akurasi
yang tertinggi, maka dilakukan perhitungan berdasarkan data latih dan data uji
berbeda-beda. Data latih yang diperoleh akan dijadikan acuan untuk mengetahui
pola prediksi hasi produksi tandan buah segar, sedangkan data uji merupakan sisa
data yang sudah tidak dugunakan lagi pada data latih yang akan digunakan pada
proses pengujian.

4.1.3 Elman Reurrent Neural Network (ERNN)

Proses perhitungan metode Elman Recurrent Neural Network dilakukan
setelah terjadinya proses input data dan normalisasi. Penggunaan metode ini
bertujuan untuk menghitung berapa prediksi produksi tandan buah segar untuk
satu bulan kedepannya. Arsitektur Jaringan Syaraf Tiruan ERNN berdasarkan
masukan dan target yang ingin dicapai dapat dilihat pada Gambar 4.

GAMBAR

Keterangan Gambar 4.

1. Data masukan terdiri dari 12 unit inputan. Diinisialisasikan dalam bentuk

symbol. Data inputan tersebut merupakan data hasil produksi tandan buah
segar 1 bulan sebelumnya sampai 12 bulan sebelumnya dari data keluaran
yang diinisialisasikan menjadi X1 sampai X12. b1 merupakan inisialisasi
untuk nilai bias dari input ke hidden layer dan b2 merupakan inisialisasi
nilai bias dari hidden layer ke output.
2. Jumlah hidden layer input dan output didapat berdasarkan persamaan
(2.1). l = 12, 2l = 24, maka neuron pada hidden layer berada 12 sampai 24.
Pada penelitian ini dipilih 13 neuron.
3. Nilai input akan ditransfer dari input layer menuju hidden layer
menggunakan fungsi aktivasi sigmoid biner pada persamaan (2.4) .
4. Pada hidden layer terdapat 13 neuron yang setiap neuronnya akan
diteruskan menjadi context layer. Jumlah setiap neuron yang terdapat pada
hidden layer sama jumlahnya dengan context layer.
 5. Proses perhitungan dapat dilakukan setelah dilakukan pemberian nilai
terhadap parameter awal, diantaranya yaitu nilai bobot v, nilai bobot w dan
nilai bias.

Bobot keluaran hidden layer akan dicopy menuju context layer dan akan
dikembalikan ke hidden layer kemudian akan diteruskan menuju output
layer yang memiliki sebuah output. Neuron yang terdapat pada output
layer disimbolkan dengan Y.

4.1.4 Pelatihan
Sebelum dilakukan pengerjaan degan menggunakan metode Elman
Recurrent Neural Network (ERNN), data yang akan digunakan harus
dinormalisasi terlebih dahulu menggunakan Persamaan (2.17). Fungsi aktivasi
yang digunakan adalah Biner dan Purelin. Biner merupakan fungsi aktivasi yang
digunakan untuk input layer ke hidden layer, sedangkan purelin digunakan untuk
hidden layer ke output. Hasil dari nilai keluaran yang berupa produksi tandan
buah segar kelapa sawit selanjutnya akan dilakukan denormalisasi menggunkan
Persamaan (2.18). Berikut adalah diagram alir perhitungan pelatihan metode
ERNN dapat dilihat pada Gambar 4.3

GAMBAR

Pada penelititan ini dilakukan percobaan pengujian sebanyak tiga kali.

Percobaan pertama yaitu dengan pembagian data 90% data latih dan 10% data uji.
Pelatihan dilakukan berdasarkan Gambar 4.1, data normalisasi latih dan uji untuk
perbandingan 90:10 berdasarkan Tabel 4.4 dan Tabel 4.7. Setelah data normalisasi
didapat, dilanjutkan dengan melakukan pemberian parameter awal, yaitu jumlah
hidden layer = 13, epoch = 500, learning rate (α) = 0.1 hingga 0.9, bobot awal
dari input ke hidden layer dan bobot awal dari hidden menuju output layer.
Berikut merupakan contoh perhitungan manual data latih:

Epoch : 500

Learning Rate (α) = 0,3

Toleransi Error = 0.001

Bobot awal input ke hidden:

1. V 01 = 0.3, V 11= 0.2, V 21= 0.3, V 31= 0.1, V 41 = 0.1, V 51= 0.2, V 61= 0.4,
V 71= 0.1, V 81= 0.2, V 91 = 0.2, V 101= 0.1, V 111= 0.3, V 121= 0.2
2. V 02 = 0.5, V 12= 0.1, V 22= 0.3, V 32= 0.1, V 42 = 0.2, V 52= 0.3, V 62= 0.1,
V 72= 0.2, V 82= 0.2, V 92 = 0.3, V 102= 0.1, V 112= 0.4, V 122= 0.5
3. V 03 = 0.2, V 13 = 0.2, V 23= 0.1, V 33= 0.3, V 43 = 0.2, V 53 = 0.1, V 63= 0.3,
V 73= 0.1, V 83 = 0.1, V 93 = 0.5, V 103= 0.2, V 113= 0.3, V 123= 0.1
4. V 04 = 0.1, V 14 = 0.3, V 24 = 0.1, V 34 = 0.2, V 44 = 0.1, V 54 = 0.3, V 64 = 0.2,
V 74 = 0.4, V 84 = 0.1, V 94 = 0.2, V 104 = 0.4, V 114 = 0.1, V 124 = 0.2
5. V 05 = 0.4, V 15 = 0.1, V 25= 0.2, V 35= 0.3, V 45 = 0.1, V 55 = 0.6, V 65= 0.1,
V 75= 0.3, V 85 = 0.2, V 95 = 0.4, V 105= 0.2, V 115= 0.1, V 125= 0.4
6. V 06 = 0.3, V 16 = 0.3, V 26 = 0.2, V 36= 0.1, V 46 = 0.5, V 56 = 0.1, V 66 = 0.4,
V 76= 0.2, V 86 = 0.1, V 96 = 0.3, V 106 = 0.4, V 116= 0.2, V 126 = 0.2
7. V 07 = 0.7, V 17 = 0.2, V 27 = 0.1, V 37= 0.2, V 47 = 0.3, V 57 = 0.1, V 67 = 0.4,
V 77= 0.1, V 87 = 0.2, V 97 = 0.3, V 107 = 0.6, V 117= 0.1, V 127 = 0.2
8. V 08 = 0.3, V 18 = 0.1, V 28= 0.2, V 38= 0.3, V 48 = 0.4, V 58 = 0.1, V 68= 0.5,
V 78= 0.2, V 88 = 0.1, V 98 = 0.3, V 108 = 0.2, V 118= 0.4, V 128 = 0.2
9. V 09= 0.2, V 19 = 0.3, V 29= 0.5, V 39= 0.3, V 49 = 0.1, V 59 = 0.1, V 69= 0.4,
V 79 = 0.2, V 89= 0.4, V 99 = 0.3, V 109 = 0.1, V 119= 0.2, V 129= 0.1
10. V 010 = 0.5, V 110= 0.4, V 210= 0.5, V 310= 0.2, V 410 = 0.1, V 510= 0.2, V 610=
0.4, V 710= 0.2, V 810 = 0.2, V 910 = 0.3, V 1010 = 0.1, V 1110= 0.1, V 1210 = 0.1
11. V 011= 0.3, V 111= 0.2, V 211= 0.4, V 311= 0.2, V 411 = 0.3, V 511= 0.1, V 611=
0.4, V 711= 0.1, V 811= 0.6, V 911= 0.1, V 1011= 0.1, V 1111= 0.2, V 1211= 0.3
12. V 012= 0.2, V 112= 0.1, V 212= 0.5, V 312= 0.6, V 412 = 0.1, V 512= 0.2, V 612=
0.5, V 712= 0.3, V 812= 0.2, V 912= 0.3, V 1012= 0.1, V 1112= 0.2, V 1212= 0.1
13. V 013 = 0.4, V 113= 0.2, V 213 = 0.1, V 313= 0.3, V 413 = 0.3, V 513= 0.1, V 613=
0.2, V 71= 0.3, V 813= 0.2, V 913 = 0.3, V 1013 = 0.6, V 1113= 0.1, V 1213= 0.2

Bobot awal hidden ke output :

 W 01= 0.1, W 11 = 0.2, W 21 = 0.1, W 31= 0.3, W 41= 0.2, W 51= 0.5, W 61 = 0.6,
W 71 = 0.1, W 81= 0.3, W 91 = 0.1, W 101 = 0.3, W 111 = 0.1, W 121 = 0.4W 131 = 0.5

Menentukan nilai Hidden Layer

Pada tahap ini dilakukan dengan menggunakan Persamaan (2.2)

Dik : θⱼ=v ₀ ⱼ , θₖ=w ₀ ₖ , j = 1-13 dan K = 1-13

yh₁ = (∑(x₁ v₁₁)+( x₂ v₂₁)+( x₃ v₃₁)+( x₄ v₄₁)+( x₅ v₅₁)+( x₆ v₆₁)+( x₇ v₇₁)+

( x₈ v₈₁)+( x₉ v₉₁)+( x₁₀ v₁₀₁)+( x₁₁ v₁₁₁)+( x₁₂ v₁₂₁)+( x₁₃ v₁₃₁))

= (0,21490*0,2) + (0,21389*0,3) + (0,27039*0,1) + (0,22024*0,1) +

(0,33397*0,2) + (0,41042*0,4) + (0,44426*0,1) + (0,63714*0,2) + (0,53539*0,2)
+ (0,53331*0,1) + (0,48271*0,3) + (0,35415*0,2)

= 0,93508

yh₂ = (∑(x₁ v₁₂)+( x₂ v₂₂)+( x₃ v₃₂)+( x₄ v₄₂)+( x₅ v₅₂)+( x₆ v₆₂)+( x₇ v₇₂)+

( x₈ v₈₂)+( x₉ v₉₂)+( x₁₀ v₁₀₂)+( x₁₁ v₁₁₂)+( x₁₂ v₁₂₂)+( x₁₃ v₁₃₂))

= (0,21389*0,1) + (0,27039*0,3) + (0,22024*0,1) + (0,33397*0,2) +

(0,41042*0,3) + (0,44426*0,1) + (0,63714*0,2) + (0,53539*0,2) + (0,53331*0,3)
+ (0,48271*0,1) + (0,35415*0,4) + (0,25830*0,5)

= 1,09837

net₁ = ( yh₁+ ∑yh(t-1)uⱼₕ ) + v₀₁

= 0,93508 + (0,93508*0,2) + (0,93508*0,3) + (0,93508*0,1) + (0,93508*0,1) +

(0,93508*0,2) + (0,93508*0,4) + (0,93508*0,1) + (0,93508*0,2) + (0,93508*0,2)
+ (0,93508*0,1) + (0,93508*0,3) + (0,93508*0,2) + 0,3

= 3,47927

net₂ = ( yh₁+ ∑yh(t-1)uⱼₕ ) + v₀₂

= 1,09837 + (1,09837*0,1) + (1,09837*0,3) + (1,09837*0,1) + (1,09837*0,2) +

(1,09837*0,3) + (1,09837*0,1) + (1,09837*0,2) + (1,09837*0,2) + (1,09837*0,3)
+ (1,09837*0,1) + (1,09837*0,4) + (1,09837*0,5) + 0,5
= 4,67379

Setelah dilakukan perhitungan di atas maka diperoleh hasil dari net₁

hingga net₁₃ pada data 1 sampai data 132 dengan perhitungan yang sama seperti
perhitungan di atas. Berikut adalah hasil Persamaan (2.2) dapat dilihat pada Tabel
4.10:

Tabel 4.10 Hasil Perhitungan semua sinyal Input ke Hidden

Persamaan Hasil
net₁ 3,47927
net₂ 4,67379
net₃ 3,73074
net₄ 3,79057
net₅ 5,12115
net₆ 4,84342
net₇ 5,08384
net₈ 4,92340
net₉ 4,64696
net₁₀ 4,35276
net₁₁ 5,03048
net₁₂ 5,20350
net₁₃ 5,03105

Setelah nilai Input ke Hidden didapat, selanjutnya menghitung nilai keluaran

pada lapisan unit j dengan fungsi aktivasi sigmoid biner menggunakan Persamaan (2.4):

f(net₁) = 1/(1+e⁻³‧ ⁴⁷ ⁹ ² ⁷ ) = 0,97009

f(net₂) = 1/(1+e⁻⁴‧⁶⁷³⁷⁹) = 0,99075

Setelah dilakukan perhitungan tersebut maka diperoleh f(net ₁) sampai f(net₁₃)

pada data ke 1 sampai data ke 132 dengan menggunakan perhitungan yang sama seperti
perhitungan di atas. Dapat dilihat pada tabel 4.11:

Tabel 4.11 Hasil Perhitungan Keluaran Lapisan Unit j

Persamaan Hasil
f(net₁) 0,97009
f(net₂) 0,99075
f(net₃) 0,97659
f(net₄) 0,97792
f(net₅) 0,99407
 f(net₆) 0,99218
f(net₇) 0,99384
f(net₈) 0,99278
f(net₉) 0,99050
f(net₁₀) 0,98729
f(net₁₁) 0,99351
f(net₁₂) 0,99453
f(net₁₃) 0,99351

Setelah nilai fungsi aktivasi atau keluaran dari input ke hidden didapat,
kemudian hitung nilai net(t) dengan menggabungkan semua hasil nilai f(net ₁)
sampai f(net₁₃) dikalikan dengan bobot w dan ditambah dengan bias dengan
menggunakan Persamaan (2.5):

net(t) = (∑ y₁w₁ + y₂w₂ + y₃w₃ + y₄w₄ + y₅w₅ + y₆w₆ + y₇w₇ + y₈w₈ + y₉w₉
+ y₁₀w₁₀ + y₁₁w₁₁ + y₁₂w₁₂ + y₁₃w₁₃) + w₀

= (0,97009*0,2) + (0,99075*0,1) + (0,97659*0,3) + (0,97792*0,2) +

(0,99407*0,5) + (0,99218*0,6) + (0,99384*0,1) + (0,99278*0,3) + (0,99050*0,1)
+ (0,98729*0,3) + (0,99351*0,1) + (0,99453*0,4) + (0,99351*0,5) + 0,1

= 3,76037

Kemudian setelah selesai melakukan persamaan 2.5 maka lanjutkan

dengan persamaan 2.6 untuk mendapatkan keluaran dengan menggunakan fungsi
aktivasi sigmoid biner, maka net dihitung dalam fungsi pengaktif menjadi y.

y(t) = g(net(t))

= 1/1+e⁻³‧⁷⁶⁰³⁷ = 0,97725

Selanjutnya hitung unit kesalahan dengan menggunakan persamaan 2.7

dengan tiap unit output menerima pola target t sesuai dengan pola masukan saat
pelatihan dan dihitung error dan diperbaiki nilai bobotnya.

δ = g’ (net) (t - y)
= (3,76037-0,97725)*0,97725*(0,25830-0,97725)
= -1,95541
 Kemudian setelah mendapatkan nilai δ, selanjutnya dilakukan persamaan
2.8 untuk menghitung perbaikan bobot. Nilai α diperoleh dari nilai learning rate
yang telah ditentukan sebelumnya.

∆w₁ = α δ y₁

= 0,3*(-1,95541)*0,97009 = -0,56908

∆w₂ = α δ y₂

= 0,3*(-1,95541)*0,99075 = -0,58120

Setelah dilakukan perhitungan tersebut diperoleh hasil ∆wₖ₁ sampai ∆w₁₃.

Hasil persamaan 2.8 dapat dilihat pada tabel 4.12.

Tabel 4.12 Hasil Perhitungan Perbaikan Nilai Bobot

Persamaan Hasil
∆w₁ -0,56908
∆w₂ -0,58120
∆w₃ -0,57289
∆w₄ -0,57367
∆w₅ -0,58314
∆w₆ -0,58204
∆w₇ -0,58301
∆w₈ -0,58239
∆w₉ -0,58105
∆w₁₀ -0,57917
∆w₁₁ -0,58281
∆w₁₂ -0,58342
∆w₁₃ -0,58282

Setelah selesai melakukan perbaikan bobot kemudian dilakukan

persamaan 2.9 untuk menghitung perbaikan nilai bias.

∆w₀ = α δ

= ( 0,3 ) * ( -1,95541 ) = -0,58662

Setelah didapat perbaikan nilai bobot w, lalu hitung nilai penjumlahan

error dengan hasil error atau δ dikalikan dengan nilai bobot w awal menggunakan
persamaan 2.10.
 δ_netⱼ₁ = ∑ δ w₁

= ( 0,2 ) * ( -1,95541 ) = -0,39108

δ_netⱼ₂ = ∑ δ w₂

= ( 0,1 ) * ( -1,95541 ) = -0,19554

Selanjutnya dilakukan perhitungan tersebut untuk nilai δ_netⱼ₁ sampai

δ_netⱼ₁₃. Hasil persamaan 2.10 dapat dilihat pada tabel 4.13.

Tabel 4.13 Hasil Perhitungan Kesalahan Pada Lintasan j

Persamaan Hasil
δ_netj₁ -0,39108
δ_netj₂ -0,19554
δ_netj₃ -0,58662
δ_netj₄ -0,39108
δ_netj₅ -0,97771
δ_netj₆ -1,17325
δ_netj₇ -0,19554
δ_netj₈ -0,58662
δ_netj₉ -0,19554
δ_netj₁₀ -0,58662
δ_netj₁₁ -0,19554
δ_netj₁₂ -0,78217
δ_netj₁₃ -0,97771

Setelah didapat hasil penjumlahan error, lalu hitung nilai galat dengan
menggunakan persamaan 2.11. Nilai δ_netⱼ diperoleh dari tabel 4.13, dan nilai
f’(net₁) diperoleh dari table 4.11.

δ₁ = δ_netⱼ₁ f’(net₁)

= (-0,39108) * (1/1+e⁻⁰‧⁹⁷⁰⁰⁹) * (1-(1/1+e⁻⁰‧⁹⁷⁰⁰⁹))

= -0,07795

δ₂ = δ_netⱼ₂ f’(net₂)

= (-0,19554) * (1/1+e⁻⁰‧⁹⁹⁰⁷⁵) * (1-(1/1+e⁻⁰‧⁹⁹⁰⁷⁵))

= -0,03861
 Setelah dilakukan persamaan tersebut diperoleh nilai δ₁ sampai δ₁₃. Hasil
persamaan 2.11 dapat dilihat pada table 4.14 berikut.

Tabel 4.14 Hasil Perhitungan Galat

Persamaan Hasil
δ₁ -0,07795
δ₂ -0,03861
δ₃ -0,11658
δ₄ -0,07767
δ₅ -0,19276
δ₆ -0,23151
δ₇ -0,03856
δ₈ -0,11572
δ₉ -0,03861
δ₁₀ -0,11601
δ₁₁ -0,03856
δ₁₂ -0,15417
δ₁₃ -0,19280

Kemudian setelah diperoleh hasil galat pada perhitungan sebelumnya,

selanjutnya dilakukan perhitungan dengan menggunakan persamaan 2.12 untuk
menghitung koreksi bobot. Nilai α merupakan learning rate yang sudah
ditentukan sebelumnnya, nilai δⱼ diperoleh dari tabel 4.14 dan nilai xi diperoleh
dari tabel 4.3.

∆V₁₁ = α δ₁ x₀

= (0,3) * (-0,07795) * (0,2149) = -0,00503

∆V₁₂ = α δ₂ x₀

= (0,3) * (-0,03861) * (0,2149) = -0,00249

∆V₁₃ = α δ₃ x₀

= (0,3) * (-0,11658) * (0,2149) = -0,00752

∆V₁₄ = α δ₄ x₀

= (0,3) * (-0,07767) * (0,2149) = -0,00501

 ∆V₁₅ = α δ₅ x₀

= (0,3) * (-0,19276) * (0,2149) = -0,01243

Berikut adalah hasil persamaan 2.12 dapat dilihat pada tabel di bawah.

Tabel 4.15 Hasil Perhitungan Koreksi Bobot Pada Data Ke-1

Data V1 V2 V3 …. V10 V11 V12
1 -0,00503 -0,00500 -0,00632 …. -0,01247 -0,01129 -0,00828
2 -0,00249 -0,00248 -0,00313 …. -0,00618 -0,00559 -0,00410
3 -0,00752 -0,00748 -0,00946 …. -0,01865 -0,01688 -0,01239
4 -0,00501 -0,00498 -0,00630 …. -0,01243 -0,01125 -0,00825
5 -0,01243 -0,01237 -0,01564 …. -0,03084 -0,02791 -0,02048
6 -0,01493 -0,01486 -0,01878 …. -0,03704 -0,03353 -0,02460
7 -0,00249 -0,00247 -0,00313 …. -0,00617 -0,00558 -0,00410
8 -0,00746 -0,00743 -0,00939 …. -0,01851 -0,01676 -0,01229
9 -0,00249 -0,00248 -0,00313 …. -0,00618 -0,00559 -0,00410
10 -0,00748 -0,00744 -0,00941 …. -0,01856 -0,01680 -0,01233
11 -0,00249 -0,00247 -0,00313 …. -0,00617 -0,00558 -0,00410
12 -0,00994 -0,00989 -0,01251 …. -0,02467 -0,02233 -0,01638
13 -0,01243 -0,01237 -0,01564 …. -0,03085 -0,02792 -0,02048

Setelah memperoleh hasil koreksi bobot kemudian dilakukan persamaan

2.13 untuk menghitung perbaikan nilai bias.

∆V01 = α δ₁

= 0,3 * (-0,07795) = -0,02338

∆V02= α δ₂

= 0,3 * (-0,03861) = -0,01158

Setelah dilakukan perhitungan tersebut diperoleh nilai ∆V01 sampai

∆V013. Hasil persamaan 2.13 dapat dilihat pada tabel 4.16.

Tabel 4.16 Hasil Perbaikan Nilai Bias

Persamaan Hasil
∆V01 -0,02338
∆V02 -0,01158
∆V03 -0,03497
∆V04 -0,02330
 ∆V05 -0,05783
∆V06 -0,06945
∆V07 -0,01157
∆V08 -0,03472
∆V09 -0,01158
∆V010 -0,03480
∆V011 -0,01157
∆V012 -0,04625
∆V013 -0,05784

Kemudian lakukan persamaan 2.14 dengan tiap unit output diperbaiki

bobot dan biasnya dengan nilai wⱼ(lama) diperoleh dari nilai bobot awal ke
hidden output yang telah ditentukan sebelumnya, dan nilai ∆wⱼ diperoleh dari
tabel 4.12.

W1 = w₁ + ∆w₁

= 0,2 + ( -0,56908 ) = -0,36908

W2 = w₂ + ∆w₂

= 0,1 + ( -0,58120 ) = -0,48120

Setelah dilakukan perhitungan tersebut maka diperoleh nilai W0 sampai

W13 dengan menggunakan perhitungan yang sama. Berikut tabel 4.17 hasil
perbaikan nilai bobot output.

Tabel 4.17 Hasil Perhitungan Perbaikan Nilai Bobot Output Pada Data Ke-1

Persamaan Hasil
W0 baru -0,48662
W1 baru -0,36908
W2 baru -0,48120
W3 baru -0,37289
W4 baru -0,47367
W5 baru -0,38314
W6 baru -0,48204
W7 baru -0,38301
W8 baru -0,48239
W09 baru -0,38105
W10 baru -0,47917
W11 baru -0,38281
 W12 baru -0,48342

Kemudian dilakukan persamaan 2.15 dengan tiap unit hidden layer

diperbaiki bobot dan biasnya dengan nilai vⱼ(lama) diperoleh dari nilai awal bobot
ke hidden dan nilai ∆vⱼ diperoleh dari tabel 4.16

V₁₁ = v₁₁ + ∆v₁₁

= 0,2 + ( -0,00503 ) = 0,19497

V₁₂ = v₁₂ + ∆v₁₂

= 0,1 + ( -0,00249 ) = 0,09751

V₁₃ = v₁₃ + ∆v₁₃

= 0,2 + (-0,00752 ) = 0,19248

Setelah dilakukan perhitungan tersebut maka diperoleh nilai V baru. Hasil

persamaan 2.15 dapat dilihat pada tabel di bawah.

Data V0 Baru V1 Baru V2 Baru …. V10 Baru V11 Baru V12 Baru
1 0,27662 0,19497 0,29500 …. 0,08753 0,28871 0,19172
2 0,48842 0,09751 0,29752 …. 0,09382 0,39441 0,49590
3 0,16503 0,19248 0,09252 …. 0,18135 0,28312 0,08761
4 0,07670 0,29499 0,09502 …. 0,38757 0,08875 0,19175
5 0,34217 0,08757 0,18763 …. 0,16916 0,07209 0,37952
6 0,23055 0,28507 0,18514 …. 0,36296 0,16647 0,17540
7 0,68843 0,19751 0,09753 …. 0,59383 0,09442 0,19590
8 0,26528 0,09254 0,19257 …. 0,18149 0,38324 0,18771
9 0,18842 0,29751 0,49752 …. 0,09382 0,19441 0,09590
10 0,46520 0,39252 0,49256 …. 0,08144 0,08320 0,08767
11 0,28843 0,19751 0,39753 …. 0,09383 0,19442 0,29590
12 0,15375 0,09006 0,49011 …. 0,07533 0,17767 0,08362
13 0,34216 0,18757 0,08763 …. 0,56915 0,07208 0,17952

Kemudian hitung nilai error perdata dengan nilai normalisasi target

dikurang dengan hasil fungsi aktivasi net menggunakan persamaan 2.16.

Error = ( 0,2583 - 0,97725)² = 0,51689

 Setelah didapat nilai bobot v baru dan bobot w baru pada data ke 1, selanjutnya
perhitungan dilanjutkan ke data ke 2 sampai data ke 132.

4.2 Analisa Fungsional Sistem

Analisa fungsional sistem merupakan suatu gambaran dari alur sistem agar
dapat menjadi sebuah informasi. Analisa diperlukan untuk membuat rancangan
sistem dalam melakukan prediksi produksi tandan buah segar dengan
menggunakan metode Elman Recurrent Neural Network (ERNN). Analisa
pada tahap ini meliputi Data Flow Diagram (DFD), Entity Diagram Relationship
(ERD).

4.2.1 Data Flow Diagram (DFD)

Data Flow Diagram (DFD) merupakan penggambaran dari aliran data,
darimana data berasal dan tujuan dari data tersebut. Data tersebut menunjukan
stakeholder yang saling berinteraksi dengan sistem dan aliran-aliran data dari
prosesnya.

1. Context Diagram

Context diagram merupakan penggambaran dari proses kerja sistem secara

umum. Context diagram hanya memuat satu proses yang berisikan aliran data
untuk menunjukkan sistem secara keseluruhan. Context diagram dapat dilihat
pada

Gambar X
 Context Diagram memiliki dua entitas, yaitu Administrator dan Manager.
Administrator merupakan orang yang berhak melakukan akses terhadap sistem.
Proses yang dapat dilakukan oleh administrator yaitu input data tbs kelapa sawit,
input bobot v awal, input bobot w awal.

Administrator juga dapat melihat informasi keluaran dari sistem yaitu

berupa info data tbs kelapa sawit, info bobot v awal, info bobot w awal, info bobot
v baru, info bobot w baru dan info produksi tbs kelapa sawit. Sedangkan manager
hanya dapat melihat informasi keluaran berupa produksi tbs kelapa sawit. Tabel
4.X berikut merupakan tabel keterangan entitas context diagram:

Tabel XX Keterangan Entitas Context Diagram

No Proses Masukan Hasil

1 Administrator 1.data _tbs_kelapa_sawit 1. bobot_v_baru
2.bobot_v_awal 2. bobot_w_baru
3.bobot_w_awal 3. produksi_tbs_kelapa_sawit

2 Manager Informasi produksi tbs kelapa

sawit

2. DFD Level 1 Sistem Prediksi Produksi TBS Kelapa Sawit

DFD level 1 merupakan gambaran awal alur data yang akan masuk dan
yang akan keluar dari sistem yang akan dibangun. Berikut adalah DFD level 1
untuk sistem prediksi produksi tbs kelapa sawit PT. Peputrra Masterindo dapat
dilihat pada gambar XX.
Pada Gambar 4.XX terdapat lima proses, yaitu proses yang pertama adalah data
tandan buah segar kelapa sawit yang berisikan data produksi tbs kelapa sawit yang
diperlukan dalam membangun sistem. Proses kedua yaitu inisialisasi berisikan
proses menentukan data bobot v awal yang dilakukan secara random dan
menentukan data bobot w awal dengan nilai terkecil. Proses ketiga yaitu Pelatihan
merupakan proses perhitungan menggunakan algoritma Elman Recurrent Neural
Network (ERNN) berdasarkan data yang diperoleh yang akan memberikan hasil
keluaran berupa nilai bobot v baru dan nilai bobot w baru. Proses keempat yaitu
pengujian. Pengujian akan dilakukan berdasarkan nilai bobot baru yang diperoleh
pada saat proses pelatihan. Proses kelima yaitu prediksi. Prediksi merupakan
proses akhir untuk menentukan produksi tbs kelapa sawit. Tabel 4.XX merupakan
penjelasan dari DFD Level 1:

Tabel 4.XX Keterangan DFD Level 1

 No Proses Masukan Hasi Deskripsi
l
1 Data_tbs_kelapa_sawi Data Produksi tbs Proses input
t kelapa sawit produksi data tbs
kelapa sawit
2 Inisialisasi Nilai bobot v awal Proses
pembagian
Nilai bobot w awal data, proses
menetukan nilai
bobot v dan
proses
menentukan
nilai bobot w.

3 Pelatihan Data tbs kelapa Bobot v baru Proses

sawit sebagai data dan bobot w pelatihan
latih baru menggunakan
algoritma
ERNN. Data
bobot baru
yang
diperoleh
akan
digunakan
untuk proses
pengujian

4 Pengujian Data tbs kelapa Prediksi Hasil

sawit sebagai data produksi tbs prediksi
uji kelapa sawit produksi
tbs kelapa
sawit
berdasarka
n data uji
yang
digunakan
5 Prediksi X1, X2, X3, X4, Prediksi Hasil prediksi
X5, X6, X7, X8, produksi tbs produksi tbs
X9, X10, X11, kelapa sawit kelapa sawit
X12 berdasarkan data
masukan yang
digunakan

Tabel 4.30 Keterangan Aliran Data DFD Level 1

No Nama Deskrips
1 data_tbs_kelapa_sawit i
Data produksi tbs kelapa sawit
2 bobot_v_awal Data bobot awal ke hidden layer
3 bobot_w_awal Data bobot awal ke output
 4 bobot_v_baru Nilai bobot v baru
5 bobot_w_baru Nilai bobot w baru

3. DFD Level 2 Proses Pembagian Data

DFD Level 2 merupakan penjelasan dari proses pembagian data pada DFD
Level 1. Gambar 4.X berikut merupakan Gambar DFD Level 2 proses pembagian
data:

Pada Gambar 4.X terdapat dua proses, yaitu data bobot v awal dan data
bobot w awal. Proses pertama yaitu menentukan data bobot v awal dengan
dilakukan nilai secara random. Proses kedua yaitu menentukan data bobot w awal
dengan dilakukan nilai terkecil. Tabel 4.XX merupakan penjelasan dari DFD
Level 2 proses inisialisasi:

Tabel 4.31 Keterangan DFD Level 2 Proses Pembagian Data

No Proses Masukan Hasil Deskripsi

1 bobot_v_awal Bobot v awal Bobot v awal Nilai bobot v awal
2 bobot_w_awal Bobot w awal Bobot w awal Nilai bobot w awal

Tabel 4.XX merupakan keterangan aliran data dari DFD Level 2 proses
pembagian data:
Tabel 4.XX Keterangan Aliran Data DFD Level 2 Proses Pembagian Data

No Nama Deskrips
i
1 bobot_v_awal Nilai bobot v awal
 2 bobot_w_awal Nilai bobot w awal

4. DFD Level 2 Proses Pelatihan

DFD Level 2 merupakan penjelasan dari proses pelatihan pada DFD Level
1. Gambar 4.X berikut merupakan gambar DFD Level 2 proses pelatihan:

Pada Gambar 4.X terdapat dua proses, yaitu mengelola bobot_v_baru dan
bobot_w_baru. Proses pertama yaitu bobot_v_baru merupakan nilai bobot v baru
yang diperoleh setelah dilakukan proses perhitungan menggunakan data latih pada
saat pelatihan. Proses kedua yaitu bobot_w_baru yang berisikan nilai bobot w
yang diperoleh pada saat pelatihan. Hasil nilai bobot v baru dan bobot w baru
akan digunakan untuk proses pengujian. Tabel 4.XX merupakan penjelasan dari
DFD Level 2 proses pelatihan:

No Proses Masukan Hasil Deskripsi

1 bobot_v_baru - data_tbs_kelapa_sawit Nilai Proses input data
bobot_v_bar tbs kelapa sawit
- data_bobot_v_awal u berdasarkan
variable yang telah
ditentukan
 2 bobot_w_baru - data_tbs_kelapa_sawit Nilai Proses input
bobot_w_bar data tbs kelapa
- data_bobot_w_awal u sawit
berdasarkan
variable yang
telah ditetukan

Tabel 4.34 merupakan keterangan aliran data dari DFD Level 2 proses pelatihan:

Tabel 4.34 Keterangan Aliran Data DFD Level 2 Proses Pelatihan

No Nama Deskrips
i
1 bobot_v_baru bobot_v_baru
2 bobot_w_baru bobot_w_baru

3. Entity Relationship Diagram (ERD)

Entity Relationship Diagram (ERD) merupakan penggambaran relasi antar

entitas yang saling berkaitan. ERD dapat dilihat pada Gambar 4.X berikut:

Gambar 4.X merupakan gambar entitas yang saling memiliki keterkaitan. Jumlah
entitas pada ERD di atas yaitu lima yang terdiri dari data_tbs, bobot_v, bobot_w,
bobot_vbaru, dan bobot_wbaru. Tabel 4.X berikut merupakan penjelasan dari
ERD:

No Entitas Atribut Deskripsi Primary Key

1 data_tbs Id_tbs, x1, x2, x3, x4, Menyimpan data Id_tbs
x5, x6, x7, x8, x9, produksi tbs kelapa
x10,x11, x12 dan sawit
target
2 bobot_v Id_bobot_v, v0, v1, Menyimpan data Id_bobot_v
v2, v3, v4, v5, v6, v7, bobot v awal
v8, v9, v10, v11, v12

3 bobot_w Id_bobot_w, w0, w1, Menyimpan data Id_bobot_w

w2, w3, w4, w5, w6, bobot w awal
w7, w8, w9, w10,w11,
w12

4 bobot_v_baru id_hidden, v0, v1, v2, Menyimpan data id_hidden

v3, v4, v5, v6, v7, v8, bobot v baru
v9, v10, v11, v12

5 bobot_w_baru id_output, w0, w1, Menyimpan data id_output

w2, w3, w4, w5, w6, bobot w baru
w7, w8, w9, w10,w11,
w12

4.3 Perancangan
Perancangan merupakan gambaran dari sistem yang berupa Perancangan
Database, Struktur Menu dan Interface.

4.3.1 Database
Tabel yang terdapat pada database harus sesuai dengan kebutuhan data
pada sistem yang diinginkan.

1. Tabel Data Tandan Buah Segar Kelapa Sawit

Tabel data tbs kelapa sawit merupakan tabel yang menyimpan informasi
data tbs kelapa sawit yang akan digunakan sebagai data latih dan data uji pada
saat proses pelatihan dan pengujian. Tabel 4.36 merupakan perancangan tabel tbs
kelapa sawit:

Tabel 4.36 Data Tandan Buah Segar Kelapa Sawit

 Nama Field Type Data Length Deskripsi Keterangan

Id_tbs Int 5 id_tbs Primary Key

X1 Int 11 Variable 1

X2 Int 11 Variable 2

X3 Int 11 Variable 3

X4 Int 11 Variable 4

X5 Int 11 Variable 5

X6 Int 11 Variable 6

X7 Int 11 Variable 7

X8 Int 11 Variable 8

X9 Int 11 Variable 9

X10 Int 11 Variable 10

X11 Int 11 Variable 11

X12 Int 11 Variable 12

Target Double 11 Target Produksi tbs kelapa

sawit

2. Tabel Bobot V Awal

Tabel bobot v merupakan tabel yang menyimpan bobot awal menuju

hidden yang diberikan nilai random yang kemudian akan diteruskan ke context
layer dengan nilai yang sama. Tabel 4.XX merupakan perancangan tabel bobot v:

Tabel 4.37 Bobot V Awal

Nama Field Type Data Length Deskripsi Keterangan

id_bobot_v Int 5 Id bobot v awal Primary Key

V0 Double 11 Nilai v0

V1 Double 11 Nilai v1

V2 Double 11 Nilai v2

V3 Double 11 Nilai v3
 V4 Double 11 Nilai v4

V5 Double 11 Nilai v5

V6 Double 11 Nilai v6

V7 Double 11 Nilai v7

V8 Double 11 Nilai v8

V9 Double 11 Nilai v9

V10 Double 11 Nilai v10

V11 Double 11 Nilai v11

V12 Double 11 Nilai v12

3. Tabel Bobot W Awal

Tabel bobot w merupakan bobot awal dari hidden layer yang telah
dismpan menuju ke output layer. Tabel 4.38 merupakan perancangan tabel bobot
w:

Tabel 4.38 Bobot W Awal

Nama Field Type Data Length Deskripsi Keterangan

id_bobot_w Int 5 Id bobot w awal Primary Key

W0 Double 11 Nilai w0

W1 Double 11 Nilai w1

W2 Double 11 Nilai w2

W3 Double 11 Nilai w3

W4 Double 11 Nilai w4

W5 Double 11 Nilai w5

W6 Double 11 Nilai w6

W7 Double 11 Nilai w7

W8 Double 11 Nilai w8

W9 Double 11 Nilai w9

W10 Double 11 Nilai w10

 W11 Double 11 Nilai w11

W12 Double 11 Nilai w12

4. Tabel Bobot V Baru

Tabel bobot v baru merupakan tabel yang berisikan nilai bobot v baru
yang akan digunakan untuk proses penguian. Tabel 4.39 merupakan perancangan
tabel bobot v baru:

Tabel 4.39 Bobot V Baru

Nama Field Type Data Length Deskripsi Keterangan

id_hidden Int 5 Id bobot v baru Primary Key

V0 Double 11 Nilai v0

V1 Double 11 Nilai v1

V2 Double 11 Nilai v2

V3 Double 11 Nilai v3

V4 Double 11 Nilai v4

V5 Double 11 Nilai v5

V6 Double 11 Nilai v6

V7 Double 11 Nilai v7

V8 Double 11 Nilai v8

V9 Double 11 Nilai v9

V10 Double 11 Nilai v10

V11 Double 11 Nilai v11

V12 Double 11 Nilai v12

5. Tabel Bobot W Baru

Tabel bobot w baru merupakan tabel yang berisikan nilai bobot w baru
yang akan digunakan untuk proses pengujian. Tabel 4.40 merupakan perancangan
tabel bobot w baru:
Tabel 4.40 Bobot W Baru

Nama Field Type Data Length Deskripsi Keterangan

id_output Int 5 Id bobot w baru Primary Key

W0 Double 11 Nilai w0

W1 Double 11 Nilai w1

W2 Double 11 Nilai w2

W3 Double 11 Nilai w3

W4 Double 11 Nilai w4

W5 Double 11 Nilai w5

W6 Double 11 Nilai w6

W7 Double 11 Nilai w7

W8 Double 11 Nilai w8

W9 Double 11 Nilai w9

W10 Double 11 Nilai w10

W11 Double 11 Nilai w11

W12 Double 11 Nilai w12