Rukiah, - and Dr. Retno Astuti,, STP. MT and Muhammad Arif Kamal,, STP, M.Si. (2023) Perbandingan Metode Peramalan Produksi Kelapa Sawit Berdasarkan Provinsi di Indonesia Menggunakan Machine Learning. Sarjana thesis, Universitas Brawijaya.
Abstract
Kelapa sawit (Elaeis guineensis) merupakan salah satu komoditas unggulan di Indonesia, karena produktivitasnya yang relatif tinggi serta memiliki banyak variasi produk olahan. Setiap tahunnya luas areal perkebunan kelapa sawit menunjukan peningkatan, diikuti jumlah produksi tandan buah segar kelapa sawit yang juga meningkat setiap tahunnya. Industri pengolahan kelapa sawit umumnya memproduksi minyak sawit mentah (Crude Palm Oil/ CPO) dan minyak inti sawit (Palm KernelOil/ PKO) sebagai produk utama. Suatu industri sebelum memproduksi suatu produk, perlu melakukan perencanaan produksi, dimana salah satu hal yang perlu direncanakan adalah ketersediaan bahan baku utamanya. Prediksi hasil produksi kelapa sawit perlu diketahui untuk memberikan informasi kepada pemerintah dan industri yang berkaitan dengan kelapa sawit. Informasi tersebut dapat menjadi acuan dalam menyusun rencana target produksi kelapa sawit di tahun selanjutnya serta dapat menjadi tolak ukur dalam mengambil keputusan yang berkaitan dengan ketersediaan/jumlah produksi kelapa sawit (seperti: perencanaan target produksi, perencanaan anggaran dana, dsb). Tujuan penelitian ini yaitu mengetahui faktor-faktor yang mempengaruhi produksi tandan buah segar kelapa sawit berdasarkan provinsi di Indonesia, untuk mengetahui dan menganalisis metode terbaik yang dapat meramalkan produksi kelapa sawit berdasarkan provinsi di Indonesia, serta untuk mengetahui dan menganalisis perbandingan hasil peramalan dan performansi dari masing-masing metode yang digunakan. Penelitian ini menggunakan metode Machine Learning (ML) dengan bantuan perangkat lunak Weka versi 3.8.6. Dari hasil pengujian dengan jumlah data latih 250 diketahui bahwa faktor yang paling mempengaruhi jumlah produksi TBS adalah Luas lahan. Hasil pengujian 24 algoritma menunjukkan bahwa SMOreg merupakan algoritma terbaik untuk membangun model. Hasil prediksi menghasilkan nilai akurasi 0,9973, nilai error MAE sebesar 0,002 dan RMSE sebesar 0,069. Terdapat 12 provinsi yang akan mengalami penurunan produksi, yaitu Sumatera Utara, Sumatera Barat, Riau, Sumatera Selatan, Kepulauan Bangka Belitung, Bengkulu, Jawa Barat, Banten, Kalimantan Tengah, Sulawesi Tengah, Sulawesi Selatan, dan Papua.
English Abstract
Oil palm (Elaeis guineensis) is one of the leading commodities in Indonesia, due to its relatively high productivity and the wide variety of processed products. Every year the area of oil palm plantations shows an increase, followed by the amount of oil palm fresh fruit bunches production which also increases every year. The palm oil processing industry generally produces Crude Palm Oil (CPO) and Palm Kernel Oil (PKO) as the main products. An industry before producing a product, needs to carry out production planning, where one of the things that needs to be planned is the availability of its main raw materials. It is necessary to know the prediction of palm oil production in order to provide information to the government and industry related to palm oil. This information can be used as a reference in preparing plans for palm oil production targets in the following year and can be used as a benchmark in making decisions related to the availability/amount of palm oil production (such as: production target planning, budget planning, etc.). The purpose of this study is to determine the factors that influence the production of oil palm fresh fruit bunches by province in Indonesia, to identify and analyze the best method that can predict palm oil production by province in Indonesia, and to identify and analyze the comparison of forecasting results and performance of each each method used. This study uses the Machine Learning (ML) method with the help of Weka software version 3.8.6. From the test results with a total of 250 training data it is known that the factor that most influences the amount of FFB production is land area. The test results of the 24 algorithms show that SMOreg is the best algorithm for building models. The prediction results produce an accuracy value of 0.9973, an MAE error value of 0.002 and an RMSE of 0.069. There are 12 provinces that will experience a decline in production, namely North Sumatra, West Sumatra, Riau, South Sumatra, the Bangka Belitung Islands, Bengkulu, West Java, Banten, Central Kalimantan, Central Sulawesi, South Sulawesi and Papua.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052310 |
| Uncontrolled Keywords: | Kelapa sawit, Peramalan, Machine learning, Weka Oil palm, Forecasting, Machine learning, WEKA |
| Divisions: | Fakultas Teknologi Pertanian > Teknologi Industri Pertanian |
| Depositing User: | Unnamed user with username verry |
| Date Deposited: | 18 Jan 2024 03:52 |
| Last Modified: | 18 Jan 2024 03:52 |
| URI: | http://repository.ub.ac.id/id/eprint/211918 |
![[thumbnail of Dalam Masa Embargo]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (Dalam Masa Embargo)
Rukiah.pdf Restricted to Registered users only until 31 December 2025. Download (6MB) |
Actions (login required)
 |
View Item |