Académique Documents
Professionnel Documents
Culture Documents
TUGAS AKHIR
Diajukan Sebagai Salah Satu Syarat Kelulusan Pada Jurusan Teknik
Informatika
Oleh :
ISMA HARANI
11351205065
2018
I-1
BAB I
PENDAHULUAN
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
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
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.
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.
Keterangan:
MSE = Nilai eror MSE
n = Jumlah Populasi
Y = Jumlah data latih
Y’ = Hasil Prediksi
i = Indeks jumlah data
Populasi Evaluasi
Seleksi Individu
Awal Fitness
Reproduksi :
Cross over
Populasi dan
Baru Mutasi
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 %.
Mulai
Pengumpulan Data :
1. Observasi
=> Pengamatan yang dilakukan secara langsung pada
Identifikasi Masalah Perumusan Masalah bagian produksi kelapa sawit PT.Peputra Masterindo
2. Studi Pustaka
=> Mencari materi dan jurnal yang berhubungan
dengan penelitian untuk sebagai acuan penelitian.
Selesai
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.
3.5 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)