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.
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
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.
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.
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.
GAMBAR
Keterangan Gambar 4.
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
Epoch : 500
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
= 0,93508
= 1,09837
= 3,47927
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
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
= 3,76037
y(t) = g(net(t))
= 1/1+e⁻³‧⁷⁶⁰³⁷ = 0,97725
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
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
∆w₀ = α δ
δ_netⱼ₂ = ∑ δ w₂
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)
= -0,07795
δ₂ = δ_netⱼ₂ f’(net₂)
= -0,03861
Setelah dilakukan persamaan tersebut diperoleh nilai δ₁ sampai δ₁₃. Hasil
persamaan 2.11 dapat dilihat pada table 4.14 berikut.
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
∆V₁₁ = α δ₁ x₀
∆V₁₂ = α δ₂ x₀
∆V₁₃ = α δ₃ x₀
∆V₁₄ = α δ₄ x₀
Berikut adalah hasil persamaan 2.12 dapat dilihat pada tabel di bawah.
∆V01 = α δ₁
∆V02= α δ₂
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
W1 = w₁ + ∆w₁
W2 = w₂ + ∆w₂
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
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
1. Context Diagram
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.
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:
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
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.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
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:
Tabel 4.34 merupakan keterangan aliran data dari DFD Level 2 proses pelatihan:
No Nama Deskrips
i
1 bobot_v_baru bobot_v_baru
2 bobot_w_baru bobot_w_baru
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:
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.
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:
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
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
Tabel bobot w merupakan bobot awal dari hidden layer yang telah
dismpan menuju ke output layer. Tabel 4.38 merupakan perancangan tabel bobot
w:
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
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:
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
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
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