Agasta, Ema (2018) Prediksi Jumlah Produksi Kelapa Sawit Menggunakan Metode Extreme Learning Machine Pada Studi Kasus PT Sandabi Indah Lestari Kota Bengkulu. Sarjana thesis, Universitas Brawijaya.
Abstract
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 tanam, 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
English 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.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/430/051807590 |
| Uncontrolled Keywords: | kelapa sawit, produksi, prediksi, Extreme Learning Machine. palm oil, production, prediction, Extreme Learning Machine |
| Subjects: | 000 Computer science, information and general works > 006 Special computer methods > 006.3 Artificial intelligence > 006.31 Machine learning |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 31 Jan 2019 07:15 |
| Last Modified: | 18 Oct 2021 06:32 |
| URI: | http://repository.ub.ac.id/id/eprint/14017 |
Preview |
Text
Ema Agasta.pdf Download (7MB) | Preview |
Actions (login required)
 |
View Item |