Peramalan Permintaan Minyak Terpentin Menggunakan Metode Artificial Neural Network (ANN) Backpropagation (Studi Kasus di PGT Rejowinangun, Perusahaan Umum Perhutani Jawa Timur)

Nayli, Shofiyyati. and Wike Agustin Prima Dania,, STP, M.Eng, Ph.D and Arif Hidayat, , STP, M.AIT, Ph.D (2023) Peramalan Permintaan Minyak Terpentin Menggunakan Metode Artificial Neural Network (ANN) Backpropagation (Studi Kasus di PGT Rejowinangun, Perusahaan Umum Perhutani Jawa Timur). Sarjana thesis, Universitas Brawijaya.

Abstract

Indonesia memiliki potensi hasil hutan sangat melimpah dan beragam yang digolongkan menjadi produk kayu maupun bukan kayu dan dikelola oleh Perhutani. Produksi Hasil Hutan Bukan Kayu (HHBK) yang dikelola oleh Perum Perhutani mengalami kenaikan dari sebesar 380,61 ribu ton (2019) menjadi 665,02 ribu ton (2020). Salah satu produk HHBK yaitu getah pinus yang akan diproses melalui distilasi untuk menghasilkan produk berupa gondorukem dan terpentin. Industri pengolahan minyak terpentin dikelola oleh Perum Perhutani salah satunya Pabrik Gondorukem dan Terpentin (PGT) Rejowinangun. Dalam proses produksinya, perusahaan ini mengalami kendala dari segi bahan baku dimana jumlah pasokan getah pinus tidak konsisten tiap periode produksi sehingga menyebabkan keterlambatan proses produksi yang membuat hasil rendemen produksi aktual tidak bisa memenuhi target bulanan. Maka dari itu diperlukan perencanaan yang baik mulai dari penjadwalan penerimaan bahan baku dan produksi dengan mempertimbangkan jumlah kebutuhan bahan baku, data persediaan, serta jumlah dan harga penjualan sehingga terciptanya efisiensi produksi. Penelitian ini bertujuan untuk melakukan peramalan permintaan minyak terpentin guna memprediksi kebutuhan produksi di masa mendatang sehingga dapat dilakukan perencanaan berdasarkan hasil peramalan sesuai dengan permintaan konsumen di masa lampau. Penelitian dilaksanakan pada bulan Desember 2022 hingga Mei 2023 di PGT Rejowinagun, Trenggalek, Jawa Timur. Metode peramalan yang digunakan dalam penelitian yaitu Artificial Neural Network (ANN) Backpropagation dan time series untuk meramalkan permintaan minyak terpentin periode Januari – Desember 2023. Algoritma yang digunakan yaitu ANN Backpropagation dengan mempertimbangkan parameter yang meliputi harga, stok, dan hasil penjualan minyak terpentin sebagai input dan permintaan minyak terpentin sebagai target output. Proses peramalan permintaan dengan algoritma ANN Backpropagation terdiri dari penyiapan input dan target output, preprocessing, trial and error dataset, training testing data, dan implementasi model (postprocessing). Hasil penelitian peramalan permintaan minyak terpentin menunjukkan bahwa model arsitektur ANN Backpropagation terbaik diperoleh dari penggunaan dataset 70% training dan 30% testing dengan arsitektur jaringan 4-20-20-20-1 menggunakan parameter epoch 10000, error maksimal 0.002, learning rate 0.01, hidden neuron 20, jumlah hidden layer 3, dan fungsi optimasi sigmoid biner (logsig) yang menghasilkan nilai MSE training sebesar 0.001863 dan nilai MSE testing sebesar 0,11197. Hasil peramalan permintaan minyak terpentin menggunakan metode ANN Backpropagation menghasilkan nilai MAPE sebesar 34,35%. Hasil peramalan permintaan minyak terpentin menggunakan metode time series menghasilkan nilai MAPE sebesar 67,02%. Berdasarkan penelitian yang telah dilakukan, dapat diambil kesimpulan bahwa metode ANN Backpropagation cocok diterapkan dalam melakukan peramalan permintaan minyak terpentin di PGT Rejowinangun karena memberikan tingkat akurasi yang lebih baik dibandingkan dengan metode yang digunakan sebelumnya. Rekomendasi untuk penelitian selnjutnya sebaiknya peramalan permintaan dilakukan dengan lebih dari 2 metode sehingga dapat dijadikan pembanding terhadap tingkat akurasi peramalan. Selain itu, sebaiknya penelitian selanjutnya dapat menggunakan lebih banyak parameter yang diujikan untuk menghasilkan model arsitektur jaringan terbaik.

English Abstract

Indonesia has the potential of an abundance of forest products classified as both wood and non-wood products and managed by Perhutani. Non-wood production (HHBK) administered by the Perum Perhutani has an increase of 380,61 thousand tons (2019) to 665.02 thousand tons (2020). One of the HHBK products is pine resin that will be processed through the distillation to produce products made of gondorukem and turpentine. The oil processing industry of turpentine is staffed by the Perum Perhutani, one of these, Pabrik Gondorukem dan Terpentin (PGT) Rejowinangun. In the process of production, the company has a problem in the face of the raw materials where the supply of pine SAP is inconsistent in each production period, causing the production delay that makes the rendemen yield actual production could not meet monthly targets. Therefore, good planning from controlling raw materials and production revenues takes into account the need for raw materials, stock data, and sales amounts and prices to create production efficiency. The study aims to forecast the demand for turpentine oil to predict future production needs so that planning can be done on the basis of predictions made in accordance with consumer requests in the past. The research was carried out in December 2022 to May 2023 at PGT Rejowinagun, Trenggalek, East Java. Forecasting methods used in research are Artificial Neural Network ANN Backpropagation and time series to predict future demand for turpentine oil from January - December 2023. The algorithm used in this study is ANN backpropagation by considering parameters covering sales price, stock, and sales data of turpentine oil as input and demand for turpentine oil as a target output. The process of forecasting with ANN backpropagation consists of input preparation and output targets, preprocessing, trial and error dataset, testing data training, and implementation model (postprocessing). The results of the turpentine demand forecasting research show that the best ANN Backpropagation architectural model is obtained from the use of 70% training and 30% testing datasets with the 4-20-20-20-1 network architecture using parameters 10000 epoch, maximum error 0.002, learning rate 0.01, hidden neurons 20, the number of hidden layers 3, and the binary sigmoid optimization function (logsig) which results in an MSE training value of 0.001863 and an MSE testing value of 0.11197. Forecasting the demand for turpentine oil using the ANN Backpropagation method produces an MAPE value of 34,35%. Forecasting the demand for turpentine oil using the time series method produces an MAPE value of 67,02%. Based on the research that already done, it can be concluded that the ANN Backpropagation method is suitable to be applied in forecasting demand for turpentine oil in PGT Rejowinangun because it provides a better level of accuracy compared to the method used earlier. Recommendations for further research, demand forecasting should be done with more than 2 methods so that it can be used as a comparison of the level of forecasting accuracy. In addition, it would be wise for further research to use more parameters tested to produce the best network architecture model.

Item Type:	Thesis (Sarjana)
Identification Number:	052310
Uncontrolled Keywords:	Artificial Neural Network, Backpropagation, Terpentin, Time Series Artificial Neural Network, Backpropagation, Turpentine, Time Series
Divisions:	Fakultas Teknologi Pertanian > Teknologi Industri Pertanian
Depositing User:	Unnamed user with username verry
Date Deposited:	12 Jan 2024 07:59
Last Modified:	12 Jan 2024 07:59
URI:	http://repository.ub.ac.id/id/eprint/209437

Text (Dalam Masa Embargo) Nayli Shofiyyati.pdf Restricted to Registered users only until 31 December 2025. Download (2MB)

Actions (login required)

View Item