SISTEM PERAMALAN PRODUKSI TANDAN BUAH SEGAR

(TBS) KELAPA SAWIT DENGAN MENGGUNAKAN REGRESI

LINIER DAN ALGORITMA GENETIKA

TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat Kelulusan Pada Jurusan Teknik
Informatika

Oleh :

ISMA HARANI
11351205065

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIMRIAU

2018
 I-1

BAB I
PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan negara agraris yang perkembangannya didukung
oleh sektor pertanian. Salah satu subsektor pertanian tersebut adalah perkebunan.
Menurut Khaswarina yang dikutip oleh Nasution, dkk pada tahun 2014, tanaman
kelapa sawit merupakan salah satu jenis tanaman perkebunan yang menduduki
posisi penting dalam sektor pertanian dan sektor perkebunan. Hal ini disebabkan
karena dari sekian banyak tanaman yang menghasilkan minyak atau lemak, kelapa
sawit yang menghasilkan nilai ekonomi terbesar per hektarnya di dunia.
Berdasarkan penelitian Andi Alatas, 2015 dengan judul Trend Produksi dan
Ekspor Minyak Sawit (CPO) Indonesia, penelitian ini menghasilkan areal
perkebunan kelapa sawit di Indonesia dari tahun ke tahun mengalami peningkatan
perluasan, sehingga hal ini berdampak langsung terhadap produksi dan nilai
produksi kelapa sawit Indonesia yang dari tahun ke tahun juga mengalami
peningkatan.
Menurut Harahap yang dikutip oleh Nasution, dkk pada tahun 2014,
sejalan dengan perluasan daerah, produksi juga meningkat dengan laju 9,4% per
tahun. Pada awal 2001-2004 luas areal kelapa sawit dan produksi masing-masing
tumbuh dengan laju 3,97% dan 7,25% per tahun, sedangkan ekspor meningkat
13,05% per tahun. Tahun 2010 produksi crude palm oil (CPO) diperkirakan akan
meningkat antara 5-6% sedangkan untuk periode 2010-2020, pertumbuhan
produksi diperkirakan berkisar antara 2-4%.
Produktivitas minyak sawit (CPO) Indonesia yang berada di peringkat
kedua dunia diharapkan akan tetap dapat memasok kebutuhan minyak sawit dunia
secara berkesinambungan. Berdasarkan data, Gabungan Pengusaha Kelapa Sawit
Indonesia (Gapki) total produksi minyak sawit dalam negeri mengalami
penurunan tiga persen selama tahun 2016. Adapun total produksi selama 2016
sebesar 34,5 juta ton, turun dibandingkan total produksi 2015 sebanyak 35,5 juta
ton. Dari data Gapki menunjukan, total produksi minyak sawit Indonesia pada
 I-2

2016 sebanyak 34,5 juta ton yang terdiri dari crude palm oil (CPO) sebanyak 31,5
juta ton dan palm kernel oil (PKO) sebanyak tiga juta ton. Sementara pada 2015,
produksi CPO sebanyak 32,5 juta ton dan PKO sebanyak tiga juta ton, sehingga
total produksi minyak sawit sebanyak 35,5 juta ton.
Menurut Siregar yang dikutip oleh Benny, dkk pada tahun 2015, unsur-
unsur ilkim yang mempengaruhi pertumbuhan dan perkembangan kelapa sawit
meliputi curah hujan, radiasi matahari, temperatur dan kelembapan udara. Secara
umum, kekurangan air pada kelapa sawit dapat menyebabkan hal-hal berikut:
buah lambat masak, bobot tandan buah berkurang dan hasil ekstraksi CPO
menurun, jumlah tandan buah menurun hingga sembilan bulan kemudian, dan
jumlah bunga jantan meningkat sedangkan bunga betina menurun.
Berdasarkan penelitian, (Benny dkk, 2015) penelitian ini menghasilkan
curah hujan pada Kebun Aek Kuo menjadi faktor pembatas produktivitas tanaman
kelapa sawit sebesar 20%. Selanjutnya penelitian yang dilakukan oleh, (Willy
Monika dan Iskandar Lubis, 2014) analisis regresi linear berganda menunjukkan
bahwa umur tanaman, tenaga kerja panen, curah hujan, dan hari hujan
berpengaruh nyata terhadap produktivitas kelapa sawit dengan nilai koefisien
determinasi sebesar 79.8%. Selanjutnya penelitian yang dilakukan oleh
(Parlindungan dkk, 2012) faktor yang mempengaruhi produksi yaitu curah hujan
dan umur tanaman sawit, jika sawit berumur 10-20 tahun sehingga terjadi
penurunan produksi. Selanjutnya penelitian yang dilakukan oleh (Septianita,
2009) Faktor produksi luas lahan, bibit, berpengaruh sangat nyata terhadap
produksi kelapa sawit. Faktor produksi tenaga kerja, pupuk urea dan herbisida
berpengaruh tidak nyata terhadap produksi kelapa sawit, dan kontribusi
pendapatan petani pada usahatani kelapa sawit terhadap pendapatan keluarga
petani contoh adalah sebesar Rp. 7.718.341,66 ha/th atau 76,89 persen.
Seperti juga bahan hasil pertanian yang lain, waktu merupakan faktor yang
mempengaruhi penurunan kualitas TBS. Salah satu indikator kualitas TBS adalah
kadar ALB. Secara alamiah, kadar ALB setelah TBS dipanen akan meningkat 0,1
% setiap 24 jam (Lubis, 1992), di sisi lain kadar ini tidak boleh lebih dari 2-3 %
pada saat masuk proses di PMKS. (Mangoensoekarjo dan Tojib, 2008)
 I-3

Maka, untuk mengatasi produksi Tandan Buah Segar, perusahaan yang

menghasilkan kelapa sawit harus bisa mengatur hasil produksinya. Oleh karena itu
diperlukan suatu kemampuan untuk meramalkan jumlah produksi dengan efisien
dan efektif serta dapat menghemat biaya. Untuk itu dibutuhkan suatu sistem yang
dapat membantu perusahaan dalam menentukan jumlah produksinya.
Menurut Makridakis yang dikutip oleh Sarah dan Widya Peramalan atau
forecasting adalah suatu upaya untuk memperoleh gambaran mengenai apa yang
akan terjadi di masa yang akan datang. Untuk melakukan peramalan diperlukan
metode tertentu dan metode mana yang digunakan tergantung dari data dan
informasi yang akan diramal serta tujuan yang hendak dicapai. Dalam hal ini
gambaran yang didapat tersebut akan menjadi acuan untuk membuat suatu
keputusan. Pada kondisi yang tidak menentu sulit bagi kita untuk menentukan
suatu perencanaan yang efektif. Peramalan dapat membantu para pemimpin untuk
mengurangi ketidak pastian dalam melakukan perencanaan.
Berdasarkan penelitian (Eko dkk, 2016) produksi akan mengalami
peningkatan sampai ditahun 2017. Selanjutnya penelitian yang dilakukan oleh
(Sendy dkk, 2016) nilai estimasi peramalan untuk tahun 2016 adalah sebesar
25.905,506 Ton dan untuk tahun 2017 adalah sebesar 33.260,761 Ton.
Selanjutnya penelitian yang dilakukan oleh (Puspa dkk, 2014) bulan Juni 2013
sampai dengan Mei 2014 adalah sebesar 1.305.140,586 krat dengan rata-rata
penjualan setiap bulannya adalah sebesar 108.761,7155 krat.
Ada beberapa algoritma yang dapat digunakan untuk menentukan jumlah
produksi, salah satunya dengan algoritma genetika. Algoritma genetika adalah
metode adaptive yang biasa digunakan untuk pencarian nilai dalam suatu masalah
optimasi. Algoritma genetika salah satu evolusi yang paling popular algoritma
dimana populasi individu berkembang sesuai dengan set aturan seperti seleksi,
crossover, dan mutasi.
Berdasarkan penelitan sebelumnya (Adhi Kusnadi dan Jansen Pratama,
2017) peramalan ini memiliki arsitektur jaringan berupa 12 input, tiga jaringan
hidden layer dimana layer pertama terdiri dari 5 neuron, layer kedua memiliki tiga
neuron dan lapisan terakhir mempunyai tiga neuron, dan satu buah output dengan
laju pembelajaran yang digunakan adalah 0,2. Parameter yang digunakan
 I-4

algoritma genetika adalah sepuluh individu, 0,8 peluang crossover, 0,1 peluang
mutasi, dan 50 generasi. Dari uji coba yang dilakukan, aplikasi peramalan ini
memiliki tingkat akurasi peramalan mencapai 86%. Selanjutnya penelitian yang
dilakukan oleh (Rifki Setya Armanda dan Wayan Firdaus Mahmudy, 2016) solusi
pada ukuran populasi terbaik adalah 80 popsize, solusi pada jumlah generasi
terbaik adalah 120, untuk solusi kombinasi nilai crossover rate (cr) dan mutation
rate (mr) didapatkan 0.3 : 0.7. Selanjutnya Penelitian yang dilakukan oleh
(Maretta Dwi Tika Ramuna dan Wayan Firdaus Mahmudy, 2015) hasil coba
populasi, didapatkan populasi yang paling optimal adalah 140 dengan rata-rata
nilai fitness 0.006217. Ukuran kombinasi crossover rate dan mutation rate yang
terbaik pada penelitian ini adalah 0.5 dan 0.5 dengan rata-rata nilai fitness
0.007788 Sedangkan untuk ukuran banyaknya generasi didapatkan generasi yang
paling optimal pada generasi 150 dengan rata-rata nilai fitness 0.011070.
selanjutnya penelitian yang dilakukan oleh (Victor dkk, 2014) mengalami
fluktuasi dengan rata-rata jumlah kebutuhan premium sebesar 21722,85935
kiloliter. Selanjutnya penelitian yang dilakukan oleh (Asyofa Rahmi, Wayan
Firdaus Mahmudy, dan Budi Darma Setiawan 2015) bahwa parameter algoritma
genetika yang optimal dalam memprediksi harga saham adalah ukuran populasi
1200, crossover rate (cr) 0,5 mutation rate (mr) 0,5 dan ukuran generasi 1500
dengan MSE untuk menghitung tingkat error. Nilai MSE terkecil didapatkan oleh
harga prediksi hasil perhitungan Algoritma Genetika sebesar 47,5023. Hal ini
membuktikan bahwa koefisien (kromosom) terbaik hasil perhitungan Algoritma
Genetika pada proses evaluasi tersebut dapat digunakan untuk memprediksi harga
saham di masa mendatang dengan lebih baik dibandingkan dengan koefisien hasil
perhitungan manual regresi dengan aplikasi MiniTab
Berdasarkan penelitian yang ada, penulis akan melakukan penelitian
dengan judul Sistem Peramalan Produksi Tandan Buah Segar (TBS) di PT.
Peputra Masterindo. Perusahaan Peputra Masterindo adalah salah satu perusahaan
pengolahan kelapa sawit yang berada di Petapahan, Kab. Kampar, Riau. PT.
Masterindo. Dengan dibuatnya sistem menentukan jumlah produksi Tandan Buah
Segar, perusahaan memiliki proses produksi yang semakin baik dan terencana.
Dari hasil uraian tersebut, maka dibuatlah suatu aplikasi peramalan produksi
 I-5

kelapa sawit yang akan diimplementasikan ke PT. Peputra Masterindo

menggunakan Regresi Linier dan Algoritma Genetika.

1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini yaitu bagaimana membuat sistem
peramalan produksi Tandan Buah Segar (TBS) dengan menggunakan Algoritma
Genetika di PT. Masterindo

1.3 Batasan Masalah

Batasan masalah pada penelitian ini yaitu:
1. Sistem ini hanya digunakan untuk bagian produksi.
2. Data diambil dari PT.Peputra Masterindo KUD Sawit Jaya.
3. Menggunakan 3 variabel: data pemupukan, data curah hujan dan data
jumlah produksi.
4. Seleksi yang digunakan adalah metode steady state, menggunakan
crossover persamaan, dan metode mutasi dengan random (acak).
5. Peramalan dalam jangka waktu sebulan kedepan

1.4 Tujuan
Tujuan Penelitian ini yaitu:
1. Membuat sistem peramalan produksi Tanda Buah Segar (TBS) kelapa
sawit dengan menggunakanregresi linier dan algoritma genetika di PT.
Peputra Masterindo.
2. Mempermudah bagian produksi kelapa sawit untuk meramalkan hasil
produksi Tandan Buah Segar untuk bulan selanjutnya.

1.5 Sistematika Penulisan

Sistematika penulisan penelitian ini terdiri dari pokok-pokok
permasalahan yang dibahas pada masing-masing yang diuraikan menjadi beberapa
bagian:
BAB I PENDAHULUAN
Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah,
tujuan penelitian, dan sistematika penulisan laporan.
 I-6

BAB II LANDASAN TEORI

Bab ini berisikan kumpulan dari penjelasan mengenai definisi algoritma genetika,
peramalan, dan kelapa sawit.
BAB III METODOLOGI PENELITIAN
Bab ini berisikan tentang pengumpulan data dan metode yang digunakan dalam
penelitian.
BAB IV ANALISA DAN PERANCANGAN
Bab ini menjabarkan dan menjelaskan hasil analisa sistem, perancangan analisa
sistem baru, dan perancangan sistem. Analisa sistem ini nantinya akan menjadi
dasar untuk merancang sistem baru yang akan dibuat.
BAB V IMPLEMENTASI
Bab ini membahas implementasi, implementasi sistem, dan pengujian sistem dari
system peramalan produksi Tandan Buah Segar (TBS) kelapa sawit dengan
menggunakan algoritma genetika.
BAB VI KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dan saran yang dapat diambil dari penelitian ini.
 BAB II
LANDASAN TEORI

2.1 Produksi Sawit

Dikutip dari Adhi dan Jansen, produksi adalah usaha manusia untuk
mengubah serta mengolah sumber daya ekonomi menjadi bentuk serta kegunaan
baru. Dengan kata lain, kegiatan produksi adalah proses mengolah produk yang
dapat berupa barang dan jasa dengan menciptakan tambah nilai guna barang dan
jasadengan menggunaka faktor-faktor produksi.
Menurut Soekartawi yang dikutip oleh Septiani pada tahun 2009, Faktor
produksi adalah semua korbanan yang diberikan atau dikeluarkan dalam suatu
proses produksi untuk memperoleh hasil produksi. Faktor produksi memang
sangat menetukan besar kecilnya produksi yang diperoleh, berbagai pengalaman
menunjukkan faktor produksi lahan, tenaga kerja, modal (benih, pupuk dan
pestisida adalah faktor produksi yang penting). Faktor produksi yang penting
mempengaruhi produksi antara lain : lahan, tenaga kerja dan modal.

2.2 Metode Regresi Linier

Istilah regresi linier bertujuan untuk membuat perkiraan nilai satu variable
(terkait) terhadap variabel yang lain (bebas). Prinsip dasar yang harus dipenuhi
dalam membangun suatu persamaan regresi adalah bahwa antara suatu variabel
tidak bebas (dependent variable) dengan variabel-variabel bebas (independent
variable) lainnya memiliki sifat hubungan sebab akibat, baik didasarkan pada
teori, hasil penelitian sebelumnya, maupun yang didasarkan pada penjelasan logis
tertentu. (Makridakis, 1999)
Menurut Makridakis aplikasi peramalan mengungkapkan bahwa analisis
regresi linier terdiri dari dua bentuk, yaitu:
a. Regresi Liner Sederhana
Regresi linier sederhana adalah bentuk regresu dengan model yang
bertujuan untuk mempelajari hubungan antara dua variable, yakni variable
dependen (terikat) dan variable independen (bebas).
 b. Regresi Linier Berganda
Regresi linier berganda (multiple regression) merupakan bagian regresi
yang menjelaskan hubungan linier antara variable dependen (terikat)
dengan variabel-variabel independen (bebas) yang mempengaruhinya
(lebih dari satu predikator). Variabel bebas adalah variabel yang nilai-
nilainya tidak bergantung pada variabel lainnya, variabel bebas digunakan
untuk meramalkan atau menerangkan nilai variabel yang lain. Sedangkan
variabel terikat adalah variabel yang nilainya bergantung pada variabel
variabel lainnya, variabel terikat merupakan variabel yang diramalkan atau
diterangkan nilainya.
Secara sederhana regresi merupakan hubungan secara linier antara variabel
independen (bebas) (x1, x2, …. , xn) dengan variabel dependen (terikat). Bentuk
umum dari regresi berganda, yaitu:
Y’= a+(b1.X1)+ (b1.X1) + (b2.X2) + …. + (bn.Xn) (2.1)
Keterangan:
Y’= Prediksi produksi sawit dimasa mendatang (nilai prediksi)
X1= Hasil rata-rata produksi sawit dari awal dan akhir
Xn= Hasil rata keseluruhan produksi sawit dari awal dan akhir
a,b1,bn = Koefisien regresi (nilai peningkatan ataupun penurunan)

2.3 Peramalan
Menurut Makridakis yang dikutip oleh Sarah Azmiyati dan Widya
Nurcahayanti Tanjung, peramalan atau forecasting adalah suatu upaya untuk
memperoleh gambaran mengenai apa yang akan terjadi di masa yang akan datang.
Untuk melakukan peramalan diperlukan metode tertentu dan metode mana yang
digunakan tergantung dari data dan informasi yang akan diramal serta tujuan yang
hendak dicapai. Dalam hal ini gambaran yang didapat tersebut akan menjadi
acuan untuk membuat suatu keputusan. Pada kondisi yang tidak menentu sulit
bagi kita untuk menentukan suatu perencanaan yang efektif. Peramalan dapat
membantu para pemimpin untuk mengurangi ketidakpastian dalam melakukan
perencanaan
Peramalan adalah suatu proses untuk memperkirakan berapa kebutuhan di
masa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.
Dalam dunia bisnis, peramalan merupakan dasar bagi perencanaan kapasitas,
anggaran, perencanaan penjualan, perencanaan produksi dan inventori,
perencanaan sumberdaya, perencanaan pembelian atau pengadaan bahan baku,
dan sebagainya. Peramalan berfungsi untuk membuat ramalan kebutuhan
(demand) dari produk yang harus dibuat yang dinyatakan dalam kuantitas
(jumlah) produk sebagai fungsi dari waktu. Peramalan dilakukan dalam jangka
panjang (long term), jangka menengah (medium term), dan jangka pendek (short
term). Untuk itu bisa segera dilakukan tindakan koreksi terhadap kebutuhan yang
diramalkan.
Menurut Bowerman dan O’Connellyang dikutip oleh Sungkawa dan
Megasari pada tahun 2011, peramalan mengandung derajat ketidak pastian. Kita
mengenali fakta ini dengan memasukkan unsur kesalahan (error) dalam
perumusan sebuah peramalan deret waktu. Sumber penyimpangan dalam
peramalan bukan hanya disebabkan oleh unsur error , tetapi ketidak mampuan
suatu model peramalan mengenali unsur yang lain dalam deret data juga
mempengaruhi besarnya penyimpangan dalam peramalan. Jadi besarnya
penyimpangan hasil peramalan bisa disebabkan oleh besarnya faktor yang tidak
diduga (outliers) dimana tidak ada metode peramalan yang mampu menghasilkan
peramalan yang akurat, atau bisa juga disebabkan metode peramalan yang
digunakan tidak dapat memprediksi dengan tepat komponen trend, komponen
musiman, atau komponen siklus yang mungkin terdapat dalam deret data, yang
berarti metode yang digunakan tidak tepat.
Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan
(atau nilai kecocokan/fitted value) untuk periode yang sama, kesalahan
didefinisikan sebagai berikut:
ei = Xi-Fi
Menurut Makridakis yang dikutip oleh Sungkawa dan Megasari pada
tahun 2011, jika terdapat nilai pengamatan dan ramalan untuk n periode waktu,
akan terdapat n buah galat dan ukuran statistik standar berikut yang dapat
didefinisikan:
 Mean Squred Error (MSE) adalah rata-rata kesalahan meramal yang
dikuadratkan.

MSE=1/n √ n ∑ i=1(Yi`- Yi)2 (2.2)

Keterangan:
MSE = Nilai eror MSE
n = Jumlah Populasi
Y = Jumlah data latih
Y’ = Hasil Prediksi
i = Indeks jumlah data

2.4 Algoritma Genetika

Algoritma genetika sebenarnya terinspirasi dari prinsip genetika dan
seleksi alam (teori evolusi Darwin) yang ditemukan di Universitas Michigan,
Amerika Serikat, oleh John Holland (1975) melalui sebuah penelitian da
dipopulerkan oleh salah satu muridnya, David Golberg. Konsep dasar algoritma
genetika senenarnya dirancang untuk menyimulasikan proses-proses dalam
system alam yang diperlukan untuk evolusi, khususnya teori evolusi alam yang
dicetuskan oleh Charles Darwin, yaitu survival ot the fittest. Menurut teori ini, di
alam terjadi persaiangan antara individu-individu untuk memeperebutkan sumber
daya alam yang langka sehingga makhluk yang kuat mendominasi makhluk yang
lebih lemah. (Sutajo, 2011)
Algoritma genetika adalah teknik pencarian heuristik yang didasarkan
pada gagasan evolusi seleksi alam dan genetik. Algoritma ini memanfaatkan
proses seleksi alamiah yang dikenal dengan proses evolusi, individu secara terus-
menerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan
hidupnya. (Sutajo, 2011)

2.4.1 Permasalahan yang Membutuhkan Algoritma Genetika

Algoritma Genetika sangat berguna dan efisien untuk masalah dengan
karakteristik sebagai berikut : (Sutajo, 2011)
a. Ruang masalah sangat besar, kompleks, dan sulit dipahami.
b. Kurang atau bahkan tidak ada pengetahuan yang memadai untuk
merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit.
 c. Ketika metode-metode konvensional sudah tidak mampu menyelesaikan
masalah yang dihadapi.
d. Solusi yang diharapkan tidak harus paling optimal, tetapi cukup “bagus”
atau bisa diterima.
e. Terdapat batasan waktu, misalnya dalam real time system atau sistem
waktu nyata.
2.4.2 Aplikasi Algoritma Genetika
Algoritma Genetika telah banyak diaplikasikan untuk menyelsaikan
masalah dan pemodelan dalam bidang teknologi, bisnis, dan entertainment,
seperti: (Sutajo, 2011)
a. Optimasi
Algoritma Genetika digunakan untuk optimasi numerik dan optimasi
kombinatorial seperti Travelling Salesman Problem (TSP), perancangan
IC, Job Shop Sceduling, optimasi suara dan dan video.
b. Pemrograman Otomatis
Algoritma genetika digunakan untuk melakukan proses evolusi terhadap
program komputer untuk merancang struktur komputasional, seperti
cellular automata dan sorting networks
c. Machine Learning
Algoritma genetik berhasil diaplikasikan untuk memprediksi struktur
protein. Algoritma genetik juga berhasil dalam perancangan neural
networks (jaringan syaraf tiruan) dan untuk mengendalikan robot.
d. Model Ekonomi
Algoritma genetik digunkan untuk memodelkan sistem-sistem inovasi,
memprediksi produksi dan lab perusahaan.
2.4.3 Siklus Algoritma Genetika
David Goldberg adalah orang yang pertama kali memperkenalkan siklus
algoritma genetikayang digambarkan seperti gambar 3.1. Siklus dimulai dari
populasi awal secara acak,kemudian setiap individu dihitug nilai fitnessnya.
Proses berikutnya adalah menyeleksi individu terbaik, kemudian dilakukan
crossover dan dilanjutkan oleh proses mutasi sehingga terbentuk populasi baru.
Selanjutnya populasi baru ini mengalami siklus yang sama dengan populasi
sebelumnya. Proses ini berlangsung terus hingga generasi ke-n. (Sutajo, 2011)

Populasi Evaluasi
Seleksi Individu
Awal Fitness

Reproduksi :
Cross over
Populasi dan
Baru Mutasi

Gambar 2.1 Siklus Algoritma yang diperkenalkan oleh David Goldberg

(Sutajo, 2011)
2.4.4 Algoritma Genetika Komponen-komponen Utama
Ada beberapa komponen utama dalam algoritma genetika, yaitu : (Sutajo,
2011)
1. Teknik Penyandian
Teknik penyandian disini meliputi penyadian gen dari kromosom. Gen
merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu
variabel. Gen dapat dipresentasikan dalam bentuk: string bit, pohon, array
bilangan real, daftar aturan, elemen permutasi, elemen program, atau
representasi lainnya yang dapat diimplementasikan untuk operator
genetika.
2. Prosedur Inisialisasi
Ukuran populasi tergantung pada masalah yang akan dipecahkan dan jenis
operator genetika yang akan diimplementasikan. Setelah ukuran populasi
ditentukan, kemudian harus inisialisai terhadap kromosom yang terdapat
pada populasi tersebut. Inisialisasi kromosom dilakukan secara acak,
namun demikian harus tetap memperhatikan domain solusi dan kendala
permasalahan yang ada.

3. Nilai Fitness
 Nilai fitness merupakan suatu ukuran tingkat kebaikan sebuah solusi yang
dihasilkan oleh suatu individu. Nilai fitness yang tinggi yang dihasilkan
oleh sebuah individu memiliki kemungkinan menghasilkan solusi terbaik.
Untuk menghitung nilai fitness dalam pembentukan model regresi linier,
digunakan Persamaan :
Fitness = 1/MSE (2.3)
Keterangan:
MSE = nilai eror
4. Seleksi
Seleksi ini bertujuan untuk memberikan kesempatan reproduksi yang lebih
besar bagi anggota populasi yang paling fit. Operasi seleksi dilakukan
dengan memperhatika fitness dari tiap individu, manakah yang dapat
dipergunakan untuk generasi selanjutnya. Seleksi ini digunakan untuk
mendapatkan calon induk yang baik, semakin tinggi nilai fitnessnya maka
semakin besar juga kemungkinan individu tersebut terpilih. Salah satunya
seleksi Replacement selection. Seleksi ini menjamin individu terbaik
selalu lolos namun tidak menutup peluang individu dengan nilai Fitness
rendah untuk lolos ke generasi berikutnya. Metode seleksi Replacement
selection mempunyai dua aturan (Mahmudy, 2013) :
a. Offspring yang diproduksi melalui proses mutasi menggantikan
induknya jika mempunyai nilai Fitness yang lebih baik
b. Offspring yang diproduksi melalui proses corssover (menggunakan
dua induk) akan menggantikan induk yang terlemah jika mempunyai
nilai Fitness yang lebih baik daripada induk yang terlemah tersebut.
5. Crossover
Pada crossover akan dipilih secara acak dua individu dan tempat
pertukaran, dimana kromosom yang ditandai diantara kedua tempat
pertukaran akan bertukar tempat satu sama lain. Proses crossover akan
membangkitkan offspring baru dengan mengganti sebagian informasi dari
parents (orang tua atau induk). Crossover digunakan untuk menghasilkan
individu baru dengan gen – gen yang berbeda dari individu sebelumnya.
Pada penelitian ini crossover dilakukan dengan extended intermediate.
 Extended intermediate crossover menghasilkan offspring dari kombinasi
nilai dua induk. Banyaknya offspring yang dihasilkan dalam proses
crossover adalah cr x popSize. Misalkan P1 dan P2 adalah dua kromosom
adalah parent, maka offspring C1 dan C2 dapat dibangkitkan sebagai
berikut :
C1 = P1 + α (P2 – P1) (2.4)
C2 = P2 + α (P1 – P2) (2.5)
6. Mutasi
Mutasi menciptakan individu baru dengan melakukan modifikasi satu atau
lebih gen dalam individu yang sama. Mutasi berfungsi untuk
menggantikan gen yang hilang dari populasi selama proses seleksi serta
menyediakan gen yang tidak ada dalam populasi awal. Sehingga mutasi
akan meningkatkan variasi populasi. Mutasi yang digunakan yaitu random
mutation. Banyaknya offspring dari proses mutasi yang dihasilkan adalah
mr x popSize. Parent dipilih secara random, pada tiap kromosom yang
mengalami mutasi, setiap gen yang terpilih akan mengalami mutasi,
dengan persamaaan:
X`i = X`I + r (maxi - mini) (2.6)
Nilai r dibangkitkan secara acak pada interval yang telah ditentukan
sebelumnya, Nilai maxi merupakan batas atas range pada gen ke-i dan nilai mini
merupakan batas bawah range pada gen ke-i.
2.4.5 Parameter Genetika
Parameter-parameter genetika berguna dalam pengendalian operator-
operator genetik. Pemilihan penggunaan nilai-nilai parameter genetik sangat
berpengaruh terhadap kinerja algoritma genetika dalam menyelesaikan suatu
masalah. Parameter-parameter genetik yang digunakan antara lain :
1. Ukuran populasi
Ukuran popolasi mempengaruhi ukuran efektivitas dan kinerja algoritma
genetik. Tidak ada aturan yang pasti tentang berapa nilai ukuran populasi. Apabila
ukuran populasi kecil berarti hanya tersedia sedikit pilihan untuk crossover dan
sebagian kecil dari domain solusi saja yang dieksplorasi untuk setiap generasinya.
Sedangkan apabila terlalu besar, kinerja algoritma genetik akan menurun.
Penelitian menunjukan ukuran populasi besar tidak mempercepat pencarian
solusi. Disarankan ukuran populasi berkisar antara 20 – 30.
2. Jumlah generasi
Jumlah generasi berpengaruh terhadap banyaknya iterasi yang akan
dikerjakan dan domain solusi yang akan dieksplorasi untuk setiap generasinya.
Semakin besar jumlah generasi berarti semakin banyak iterasi yang dilakukan,
dan semakin besar solusi yang dieksplorasi. Sedangkan semakin kecil jumlah
generasinya, maka akan semakin kecil iterasi yang akan dilakukan, dan semakin
kecil pula solusi yang dieksplorasi untuk tiap generasinya.

3. Probabilitas crossover ( Pc )
Probabilitas crossover akan mengendalikan operator crossover dalam
setiap generasi dalam populasi yang mengalami crossover. Semakin besar nilai
probabilitas crossover, akan semakin cepat struktur individu baru terbentuk ke
dalam populasi. Sedangkan apabila nilai probabilitas crossover terlalu besar,
individu yang merupakan kandidat solusi terbaik mungkin akan dapat hilang lebih
cepat pada generasi selanjutnya. Disarankan nilai probabilitas crossover berkisar
antara 80 % - 95 %

4. Probabilitas mutasi ( Pm )
Probabilitas mutasi akan mengendalikan operator mutasi pada setiap
generasi. Peluang mutasi yang digunakan biasanya lebih kecil daripada peluang
crossover. Pada seleksi alam murni, mutasi jarang sekali muncul. Oleh karena itu,
operator mutasi pada algoritma genetik juga tidak selalu terjadi. Untuk itulah nilai
peluang mutasi dibuat lebih kecil untuk setiap generasi. Disarankan nilai
probabilitas mutasi kecil berkisar antara 0.5 % - 1 %.

2.5 Penelitian Terkait

Terdapat beberapa penelitian terkait dengan klasifikasi diantaranya:
 1. Produksi Sawit
No. Peneliti Jurnal Judul Kesimpulan
1. Andi Alatas Magister Trend Produksi Areal perkebunan kelapa sawit di
(2015) Manajemen dan Ekspor Indonesia dari tahun ke tahun
Agribisnis, Minyak Sawit mengalami peningkatan
Universitas (CPO) Indonesia perluasan, sehingga hal ini
Gadjah Mada berdampak langsung terhadap
Yogyakarta,V produksi dan nilai produksi
ol.1 No.2 Juli kelapa sawit Indonesia yang dari
2015, hal: tahun ke tahun juga mengalami
114-124 peningkatan, hal ini dapat dilihat
dari trend produksi yang
mengalami peningkatan setiap
tahunnya, dengan meningkatnya
produksi CPO, Indonesia
meningkatkan volume ekspor
CPO ke beberapa Negara. Ekspor
CPO Indonesia ke Negara India
dipengaruhi oleh harga
Internasional,nilai tukar rupiah,
pendapatan perkapita, jumlah
penduduk, dan harga substitusi.
Ekspor CPO ke Negara Cina
dipengaruhi oleh harga CPO
Internasional, pendapatan
perkapita, harga subtitusi, dan
jumlah penduduk. Sedangkan
ekspor CPO ke Negara Belanda
dipengaruhi oleh harga CPO
domestic, pendapatan Negara,
jumlah penduduk, trend, dan
harga substitusi. Minyak sawit
(CPO) Indonesia memiliki
keunggulan komperatif yang
lebih tinggi daripada Negara-
Negara penghasil CPO di Dunua.
Hal ini ditunjukan dengan
adanya nilai RCA (Revealed
Comparative Advantage) yang
dia atas 1, yang artinya pangsa
komoditas CPO Indonesia lebih
besar dari pangsa pasar ekspor
komoditas CPO dari seluruh
dunia.
2. Benny,W.P, Program Tanggapan Curah hujan pada Kebun Aek
Eka Tarwaca Studi Produktivitas Kuo menjadi faktor pembatas
Susila Putra, Agronomi Kelapa Sawit produktivitastanaman kelapa
Supriyanta dan (Elaeis sawit sebesar 20%. Produktivitas
(2015) Departemen guineensis Jacq.) tanaman yang menurun
Budidaya terhadap Variasi diakibatkan kondisi drainase
Pertanian, Iklim pada Kebun Aek Kuo yang
Fakultas kurang baik. Suhu dan
Pertanian, kelembaban udara tidak
Universitas berpengaruh nyata terhadap
Gadjah Mada, produktivitas tanaman kelapa
Vol. 4, No. 4, sawit. Kelembapan udara pada
2015, hal: 21- Kebun Rantau Baru menjadi
 34 faktor pembatas rendemen
minyak kelapa sawit sebesar
25%.
3. Willy Monika Departemen Analisis Hasil analisis regresi linear
Yohansyah Agronomi Produktivitas berganda menunjukkan bahwa
dan Iskandar dan Kelapa Sawit umur tanaman, tenaga kerja
Lubis Hortikultura, (Elaeis panen, curah hujan, dan hari
(2014) Fakultas guineensis Jacq.) hujan berpengaruh nyata
Pertanian, di PT. Perdana terhadap produktivitas kelapa
Institut Inti Sawit sawit dengan nilai koefisien
Pertanian Perkasa I, Riau determinasi sebesar 79.8%. Hal
Bogor, 2014, ini berarti bahwa 79.8%
Vol. 2 No. 1 produktivitas tanaman kelapa
hal: 125 – sawit di Kebun Sei Air Hitam
131 dapat diterangkan oleh variasi
variabel umur tanaman, tenaga
kerja panen, curah hujan, dan
hari hujan. Sisanya sebesar
20.2% dipengaruhi oleh faktor
lain yang tidak dimasukkan
dalam model. Nilai koefisien
determinasi terkoreksi (R2adj)
sebesar 78.6%.
4. Parlindungan, Jurnal Faktor – Faktor faktor yang mempengaruhi
Ikhsan Penelitian yang produksi yaitu curah hujan dan
Gunawan, Sungkai, Mempengaruhi umur tanaman sawit, jika sawit
Irma Juliani VOL. 1, Produksi Tandan berumur 10-20 tahun sehingga
(2012) NO.1, Buah Segar terjadi penurunan produksi
Oktober 2012 Kelapa Sawit
Pada
PT.Hutahean
Dalu-Dalu
Kabupaten
Rokan Hulu
5. Septianita Prodi Faktor-Faktor Berdasarkan pada hasil penelitian
(2009) Agribisnis FP yang yang dilakukan maka dapat
Universitas Mempengaruhi ditarik suatu kesimpulan sebagai
Baturaja, Vol. Produksi Kelapa berikut :
1, No. 2, Sawit (Elaeis 1. Faktor produksi luas lahan,
September quinensis Jack) bibit, berpengaruh sangat nyata
2009, hal; 78 dan terhadap produksi kelapa sawit.
– 85 Kontribusinya Faktor produksi tenaga kerja,
Terhadap pupuk urea dan herbisida
Pendapatan berpengaruh tidak nyata terhadap
Keluarga di Desa produksi kelapa sawit, dan;
Makartitama 2. Kontribusi pendapatan petani
Kec. Peninjauan pada usahatani kelapa sawit
Kab. OKU terhadap pendapatan keluarga
petani contoh adalah sebesar Rp.
7.718.341,66 ha/th atau 76,89
persen. Pendapatan keluarga
rata-rata sebesar Rp.
9.904.757,216 ini didapat dari
pendapatan lain seperti
berdagang, dan menanam
tanaman yang lain misalnya
sayuran. Usahatani kelapa sawit
memberikan hasil yang nyata
 terhadap pendapatan keluarga
dilihat dari hasil perhitungan
dengan R/C.
2. Produksi Peramalan

No. Peneliti Jurnal Judul Kesimpulan

1. Eko Program Studi Analisis produksi akan mengalami
Setyawan, Agribisnis Peramalan peningkatan sampai ditahun
Renan Fakultas (Forecasting) 2017
Subantoro, Pertanian Produksi Karet
Rossi Universitas (Hevea
Prabowo Wahid Hasyim Brasiliensis) di
(2016) Semarang,Vol. PT.Perkebunan
12. No.2. Nusantara IX
2016. hal: 11- Kebun
19 Sukamangli
Kabupaten
Kendal
2. Sendy Parlinsa Jurnal Peramalan nilai estimasi peramalan untuk
Elvani, Manajemen, Jumlah tahun 2016 adalah sebesar
Anis Rachma Volume 8, (1), Produksi 25.905,506 Ton dan untuk tahun
Utary, Rizky 2016 Tanaman Sawit 2017 adalah sebesar 33.260,761
Yudaruddin dengan Metode Ton
(2016) ARIMA
(Autoregressive
Integrated
Moving
Average)
3. Puspa Linda, Saintia Peramalan Diperoleh jumlah penjualan
Marihat Matematika, Penjualan produksi teh botol sosro hasil
Situmorang, 2014 Vol. 02, Produksi Teh peramalan dari bulan Juni 2013
Gim Tarigan No. 03, hal: Botol Sosro sampai dengan Mei 2014 adalah
(2014) 253–266. Pada PT. Sinar sebesar 1.305.140,586 krat
Sosro Sumatera dengan rata-rata penjualan setiap
Bagian Utara bulannya adalah sebesar
Tahun 2014 108.761,7155 krat.
denga Metode
ARIMA Box-
Jenkins
3. Peramalan dengan algoritma genetika
No. Peneliti Jurnal Judul Met Kesimpulan
ode
1. Adhi Kusnadi ULTIMATIC Implementasi AG- Menghasilkan peramalan ini
dan Jansen S, Vol. IX, Algoritma NN memiliki arsitektur jaringan
Pratama No. 1 | Juni Genetika dan berupa 12 input, tiga jaringan
(2017) 2017 Neural hidden layer dimana layer
Network Pada pertama terdiri dari 5 neuron,
AplikasiPeram layer kedua memiliki tiga
alan Produksi neuron dan lapisan terakhir
Mie Studi mempunyai tiga neuron, dan
Kasus : satu buah output dengan laju
Omega Mie pembelajaran yang
Jaya digunakan adalah 0,2.
Parameter yang digunakan
algoritma genetika adalah
sepuluh individu, 0,8 peluang
 crossover, 0,1 peluang
mutasi, dan 50 generasi. Dari
uji coba yang dilakukan,
aplikasi peramalan ini
memiliki tingkat akurasi
peramalan mencapai 86%
2. Rifki Setya Jurnal Penerapan AG- Metode Algoritma Genetika
Armanda dan Teknologi Algoritma Fuzzy dan Fuzzy Tsukamoto dapat
Wayan Informasi Genetika memberikan nilai error yang
Firdaus dan Ilmu untuk lebih rendah dalam studi
Mahmudy Komputer Penentuan kasus peramalan permintaan
(2016) (JTIIK) Vol. Batasan barang. Pada Implementasi
3, No. 3, Fungsi dalam peramalan permintaan
September Keanggotaan barang Semen menggunakan
2016, hlm. Fuzzy Algoritma Genetika dan
169-173 Tsukamoto Fuzzy Tsukamoto, solusi
Pada Kasus pada ukuran populasi terbaik
Peramalan adalah 80 popsize, solusi
Permintaan pada jumlah generasi terbaik
Barang adalah 120, untuk solusi
kombinasi nilai crossover
rate (cr) dan mutation rate
(mr) didapatkan 0.3 : 0.7.
3. Maretta Dwi Jurnal Optimasi AG 2. Berdasarkan dari
Tika Mahasiswa Persediaan pengujian parameter yang
Ramuna, PTIIK Barang Dalam telah dilakukan, dapat
Wayan Universitas Produksi disimpulkan bahwa nilai
Firdaus Brawijaya, Jilbab parameter algoritma genetika
Mahmudy vol. 5, no. 14 Menggunakan berpengaruh terhadap hasil
(2015) Algoritma optimasi yang dihasilkan.
Genetika Ukuran parameter yang kecil
menyebabkan area pencairan
algoritma genetika semakin
sempit. Tetapi, ukuran
parameter pada jumlah
populasi dan generasi yang
terlalu besar menyebabkan
waktu komputasi semakin
lama.
3. Dari hasil coba populasi,
didapatkan populasi yang
paling optimal adalah 140
dengan rata-rata nilai fitness
0.006217. Ukuran kombinasi
crossover rate dan mutation
rate yang terbaik pada
penelitian ini adalah 0.5 dan
0.5 dengan rata-rata nilai
fitness 0.007788 Sedangkan
untuk ukuran banyaknya
generasi didapatkan generasi
yang paling optimal pada
generasi 150 dengan rata-rata
nilai fitness 0.011070.

4. Asyofa Jurnal Prediksi Harga AG 1. Representasi kromosom

Rahmi, Mahasiswa Saham real coded yang digunakan
Wayan PTIIK Berdasarkan mampu menyelesaikan
 Firdaus Universitas Data Historis permasalahan dalam
Mahmudy, Brawijaya, Menggunakan memprediksi harga saham.
dan Budi vol 5, no.12 Model Regresi Algoritma genetika dalam
Darma yang kasus ini mampu menentukan
Setiawan Dibangun koefisien terbaik yang
dengan mampu menghasilkan harga
Algoritma prediksi yang mendekati
Genetika harga aslinya.
2. Dari hasil uji coba dapat
disimpulkan bahwa
parameter algoritma genetika
yang optimal dalam
memprediksi harga saham
adalah ukuran populasi 1200,
crossover rate (cr) 0,5
mutation rate (mr) 0,5 dan
ukuran generasi 1500.
3. Periode yang optimal
dalam memprediksi harga
saham pada saham BBCA
menggunakan Algoritma
Genetika adalah 5 hari
dengan nilai fitness sebesar
1,2869E-01.
4. Pada proses evaluasi,
digunakan nilai MSE untuk
menghitung tingkat error.
Nilai MSE terkecil
didapatkan oleh harga
prediksi hasil perhitungan
Algoritma Genetika sebesar
47,5023. Hal ini
membuktikan bahwa
koefisien (kromosom) terbaik
hasil perhitungan Algoritma
Genetika pada proses
evaluasi tersebut dapat
digunakan untuk
memprediksi harga saham di
masa mendatang dengan
lebih baik dibandingkan
dengan koefisien hasil
perhitungan manual
regresi dengan aplikasi
MiniTab.
5. Victor E-Jurnal Aplikasi AG Kinerja algoritma genetika
Mallang, Matematika Algortma dalam meramalkan jumlah
Ketut Vol. 3 (4), Genetika kebutuhan BBM jenis
Jayanegar, November Untuk premium di Kota Denpasar
Made Asih, I 2014, hal: Meramalkan cukup baik dengan nilai error
Putu Eka N. 160 -167 Konsumsi yang dihasilkan yaitu MAE
Kencana Premium Kota sebesar 553,2690 dan MAPE
(2014) Denpasar sebesar 3.0217%.
Penggunaan BBM jenis
premium di Kota Denpasar,
mengalami fluktuasi dengan
rata-rata jumlah kebutuhan
premium sebesar
21722,85935 kiloliter.
 BAB III
METODOLOGI PENELITIAN

Pada metodologi penelitian ini berisi gambaran dari langkah-langkah

terstruktur apa yang dilakukan untuk memecahkan permasalahan yang diangkat.
Adapun tahapan metodologi penelitian tugas akhir dengan judul “Sistem
Peramalan Produksi Tandan Buah Segar Kelapa Sawit dengan Algoritma
Genetika” seperti gambar berikut:

Mulai

Identifikasi Masalah
Pengumpulan Data :
1. Observasi
=> Pengamatan yang dilakukan secara langsung pada
Perumusan Masalah bagian produksi kelapa sawit PT.Peputra Masterindo
2. Studi Pustaka
=> Mencari materi dan jurnal yang berhubungan
dengan penelitian untuk sebagai acuan penelitian.

Metode Regresi Linier Berganda hubungan secara linier antara variabel

independen (bebas) dengan variabel dependen (terikat) yang telah
Perancangan: dioptimasi dengan Algoritma Genetika:
1. Perancangan Database 1. Inisialisasi : Pengkodean gen dari kromosom
Implementasi 2. Evaluasi: Konversi fungsi objektive kedalam fungsi fitness
2. Struktur Menu
3. Interface 3. Seleksi: untuk memberikan kesempatan reproduksi yang lebih besar
bagi anggota populasi yang paling fit.
4. Crossover: menghasilkan keturunan berupa individu-individu baru
untuk ditempatkan pada populasi selanjutnya.
Pengujian 5. Mutasi: untuk menggantikan gen yang hilang dari populasi selama
proses seleksi serta menyediakan gen yang tidak ada dalam populasi
awal

Kesimpulan dan Saran

Selesai

Gambar 3.1 Tahapan Penelitian

Data yang digunakan dalam penelitian ini adalah data sekunder dari
PT.Peputra Masterindo, data tersebut berupa data selama setahun. Variabel yang
digunakan dalam penelitian ini adalah: data pemupukan, data curah hujan, dan
data jumlah produksi.
3.1 Identifikasi Masalah
Identifikasi masalah adalah tahap pertama dari metodologi penelitian ini.
Pada tahap ini, identifikasi masalah dilakukan berdasarkan berbagai penelitian
terkait yang telah dilakukan sebelumnya. Setelah identifikasi selesai, masalah
yang ada diangkat menjadi topik penelitian. Yang kemudian akan dilanjutkan
dengan pencarian solusi yang tepat terhadap permasalahan yang ada.

3.2 Pengumpulan Data

Selanjutnya adalah tahap pengumpulan data yang diambil dari bagian
produksi kelapa sawit di PT. Peputra Masterindo. Pengumpulan data dilakukan
dengan tujuan untuk mengumpulkan semua data yang berhubungan dengan
penelitian ini.
1. Observasi
Pengamatan ini dilakukan secara langsung dihadapi pada bagian produksi
kelapa sawit di PT. Peputra Masterindo
2. Studi Pustaka
Studi pustaka dilakukan dengan membaca buku-buku dan jurnal-jurnal
yang terkait dengan materi penelitian yang telah dilakukan oleh peneliti
sebelumnya sebagai referensi.

3.3 Analisa Penelitian

Analisa memegang peranan yang penting dalam membuat rincian sistem
baru agar dipahami dalam menjelaskan analisanya dalam dunia nyata. Sehingga
mendapatkan gambaran tentang analisa dan mudah dimengerti. Analisa dari
penelitan peramalan produksi tandan buah segar kelapa sawit dengan algoritma
genetika akan mengacu kepada jurnal-jurnal terkait yang penulis ajukan sebagai
acuan dimana:
1. Inisialisasi direpresentasikan dengan bilangan real dengan menggunakan
persamaan 2.1
2. Evaluasi nilai fitness pada setiap individu dalam generasi menggunakan
persamaan 2.3
3. Seleksi orang tua menggunakan metode Replacement Selection. Memilih
beberapa kromosom dengan nilai fitnessnya yang terbaik sebagai induk,
 sedangkan kromosom-romosom yang memiliki nilai fitness terburuk akan
digantikan dengan offspring yang baru. Sehingga pada generasi
selanjutnya akan terdapat beberapa populasi yang bertahan.
4. Crossover menggunakan persamaan 2.4 dan 2.5
5. Mutasi menggunakan metode acak (random). Pemilihan pasangan
kromosom orang tua secara acak tanpa ada pengaruh dari nilai fitness.
Dengan menghasilkan nilai random untuk memilih index sebagai
kromosom orang tua, menggunakan persamaan 2.6 Nilai r dibangkitkan
secara acak pada intervalyang telah ditentukan.

3.4 Perancangan Sistem

1. Perancangan Database.
2. Perancangan Struktur Menu.
3. Perancangan Interface.

3.5 Pengujian
Tahap ini dilakukan dengan tujuan untuk mengetahui apakah tujuan yang
telah ditetapkan tercapai dan mengetahui hasil uji telah sesuai.
1. Pengujian sistem menggunakan pengujian white box.
2. Pengujian tingkat akurasi algoritma genetika menggunakan MSE (Mean
Squred Error)

3.6 Kesimpulan dan Saran

Kesimpulan merupakan tahap yang berisi tentang hasil yang didapatkan
dalam peramalan produksi tandan buah segar kelapa sawit dengan algoritma
genetika. Dan berisi saran untuk pengembangan penelitian selanjutnya yang dapat
dikembangkan oleh pembaca.
 DAFTAR PUSTAKA

Alatas, A.2015.Trend Produksi dan Ekspor Minyak Sawit (CPO) Indonesia.

Magister Manajemen Agribisnis, Universitas Gadjah Mada
Yogyakarta,Volume1 Nomor 2 Juli, 114-124
Armanda, RS dan Mahmudy, WF.2016.Penerapan Algoritma Genetika untuk
Penentuan Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Pada Kasus
Peramalan Permintaan.Jurnal Teknologi Informasi dan Ilmu Komputer
(JTIIK) Volume 3 Nomor 3, Edisi September, 169 - 173
Azmiyati,S dan Tanjung, WN.Implementasi Sistem Computer Assisted Test (CAT)
dalam Penerapan Sistem Penerimanaan Calon Pegawai Negeri Sipil Oleh
Badan Kepegawaian Daerah Pemerintah Provinsi Kalimantan Barat.
Jurnal PASTI Volume 8 Nomor 1, 36 – 48
Benny, dkk.2015.Tanggapan Produktivitas Kelapa Sawit (Elaeis guineensis
Jacq.) terhadap Variasi Iklim. Program Studi Agronomi dan Departemen
Budidaya Pertanian, Fakultas Pertanian, Universitas Gadjah Mada,
Volume 4, Nomor 4, 21 - 34
Elvani, dkk.2016.Peramalan Jumlah Produksi Tanaman Sawit dengan Metode
ARIMA (Autoregressive Integrated Moving Average).Jurnal Manajemen,
Volume 8 Nomor 1
Kridianto, dkk.2017.Optimasi Kualitas Tandan Buah Segar Kelapa Sawit dalam
Proses Panen-Angkut Menggunakan Model Dinamis.Fakultas Teknologi
Pertanian, Volume 37 Nomor 1 Edisi Februari , 102
Kusnadi, A dan Pratama, J.2017.Implementasi Algoritma Genetika dan Neural
Network Pada Aplikasi Peramalan Produksi Mie Studi Kasus : Omega
Mie Jaya.ULTIMATICS, Volume 9 Nomor 1, Edisi Juni
Linda, dkk.2014.Peramalan Penjualan Produksi Teh Botol Sosro Pada PT. Sinar
Sosro Sumatera Bagian Utara Tahun 2014 denga Metode ARIMA Box-
Jenkins.Saintia Matematika, Volume 2 Nomor 3, 253–266
Mahmudy, WF, Marian, RM & Luong, LHS.2013.Optimization of part type
selection and loading problem with alternative production plans in flexible
manufacturing system using hybrid genetic algorithm– Part 1 : Modelling and
representation, 5th International Conference on Knowledge and Smart
Technology (KST), Chonburi, Thailand, 31 Jan – 1 Feb, pp. 75-80

Makridakis,S. Wheelwright, S.C, dan McGee V.E.1999.Metode dan Aplikasi

Peramalan, jilid 2, Edisi Kedua.Jakarta: Binarupa Aksara

Mallang, dkk.2014. Aplikasi Algortma Genetika Untuk Meramalkan Konsumsi

Premium Kota Denpasar.E-Jurnal Matematika Volume 3 Nomor 4, Edisi
November, 160 -167
Mangoensoekarjo, S. dan Tojib, A.T. (2008). Manajemen Budidaya Kelapa Sawit.
Yogyakarta: Gadjah Mada University Press
Nasution, dkk.2014. Pertumbuhan Bibit Kelapa Sawit (Elaeis guineensis Jacq.)
Pada Berbagai Perbandingan Media Tanam Solid Decanter dan Tandan
Kosong Kelapa Sawit Pada Sistem Single Stage.Program Studi
Agroteknologi, Volume 2 Nomor 2 Edisi Maret , 691-692
Parlindungan, dkk.2012.Faktor – Faktor yang Mempengaruhi Produksi Tandan
Buah Segar Kelapa Sawit Pada PT.Hutahean Dalu-Dalu Kabupaten
Rokan Hulu. Jurnal Penelitian Sungkai, Volume 1 Nomor 1, Edisi Oktober
Rahmi, dkk.2015.Prediksi Harga Saham Berdasarkan Data Historis
Menggunakan Model Regresi yang Dibangun dengan Algoritma
Genetika. Jurnal Mahasiswa PTIIK Universitas Brawijaya,Volume 5
Nomor 12

Ramuna, MDT dan Mahmudy, WF.2015.Optimasi Persediaan Barang Dalam

Produksi Jilbab Menggunakan Algoritma Genetika.Jurnal Mahasiswa
PTIIK Universitas Brawijaya, Volume 5 Nomor 14
Septianita.2009.Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit
(Elaeis quinensis Jack) dan Kontribusinya Terhadap Pendapatan
Keluarga di Desa Makartitama Kec. Peninjauan Kab. OKU.Prodi
Agribisnis FP Universitas Baturaja, Volume 1 Nomor 2, Edisi September,
78 – 85
Setyawan, dkk.2016.Analisis Peramalan (Forecasting) Produksi Karet (Hevea
Brasiliensis) di PT.Perkebunan Nusantara IX Kebun Sukamangli
 Kabupaten Kendal.Program Studi Agribisnis Fakultas Pertanian
Universitas Wahid Hasyim Semarang,Volume 12 Nomor 2, 11 - 19
Sungkawa,I dan Megasari, RT.2011.Penerapan Ukuran Ketetapan Nilai Ramalan
Data Deret Waktu dalam Seleksi Model Peramalan Volume Penjualan PT.
Satriamandiri Citramulia.ComTech Volume 2 Nomor 2, EdisiDesember,
636 - 645
Sutajo,T dkk.2011.Kecerdasan Buatan.Yogyakarta: Andi

Yohansyah,WM dan Lubis,I.2014.Analisis Produktivitas Kelapa Sawit (Elaeis

guineensis Jacq.) di PT.Perdana Inti Sawit Perkasa I, Riau.Departemen
Agronomi dan Hortikultura,Fakultas Pertanian, Institut Pertanian Bogor,
Volume 2 Nomor 1, 125 – 131