Prediksi Hasil Produksi Kelapa Sawit Menggunakan Model Regresi Linear Berganda Pada PT. Perkebunan Nusantara V

Jeni Adhiva, Mustakim Mustakim, Shinta Ayunda Putri, Sindhy Genjang Setyorini

Abstract


Perusahaan industri banyak berkembang dibidang hasil produksi kelapa sawit, salah satunya adalah PT Perkebunan Nusantara V (PTPN V). Di kebun Tandun, PTPN berusaha meningkatkan produksi minyak sawit. Data prediksi merupakan input penting untuk perencanaan kapasitas produksi dan fasilitas produksi. Salah satu metode prediksi yang digunakan adalah Regresi Linier Berganda, Variabel bebas yang digunakan dalam memprediksi adalah tahun penanaman, luas dalam hektar, jumlah pokok, dan jumlah tandan, dan variabel terikat adalah hasil produksi kelapa sawit. Berdasarkan hasil uji korelasi dengan regresi linier berganda menunjukkan angka korelasi signifikansi di bawah 0,05, pengujian hipotesis meliputi regresi linier berganda dan korelasi, menggunakan uji t dan f dengan taraf signifikan α = 0,05. Nilai analisis korelasi berganda (R) adalah 0,947 dan koefisien determinasi adalah 90%. Kinerja persamaan regresi linier berganda dibentuk dari data pelatihan dan validasi dalam data uji dengan tingkat akurasi prediksi dengan Mean Absolute Percentage Error (MAPE) sebesar 21%.


Full Text:

PDF

References


C. Irma and N. Satyahadewi, “Peramalan Produksi Kelapa Sawit Pada Pt.Perkebunan Nusantara Xiii (Persero) Dengan Metode Dekomposisi,” vol. 05, no. 02, pp. 119–126, 2016.

A. F. Boy, “Implementasi Data Mining Dalam Memprediksi Harga Crude Palm Oil (CPO) Pasar Domestik Menggunakan Algoritma Regresi Linier Berganda (Studi Kasus Dinas …,” J. Sci. Soc. …, vol. 4307, no. August, pp. 78–85, 2020, [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR/article/view/421.

A. Buono and I. Hermadi, “SUPPORT VECTOR REGRESSION UNTUK PREDIKSI,” vol. 12, no. 2, pp. 179–188, 2015.

N. Nofirza, “Peramalan Permintaan Inti Sawit (Kernel) di PT. Perkebunan Nusantara V Sei Pagar,” J. Tek. Ind. J. Has. Penelit. dan Karya Ilm. dalam Bid. Tek. Ind., vol. 4, no. 1, p. 43, 2018, doi: 10.24014/jti.v4i1.6036.

U. E. Terbarukan, “Energi terbarukan,” no. September, pp. 1–54, 2014.

“1 , 2 , 2,” vol. 1, pp. 1–8, 2016.

A. Amrin, “Data Mining Dengan Regresi Linier Berganda Untuk Peramalan Tingkat Inflasi,” J. Techno Nusa Mandiri, vol. XIII, no. 1, pp. 74–79, 2016, [Online]. Available: http://ejournal.nusamandiri.ac.id/ejurnal/index.php/techno/article/view/268.

S. Parlinsa Elvani, A. Rachma Utary, and R. Yudaruddin, “Peramalan Jumlah Produksi Tanaman Kelapa Sawit Dengan Menggunakan Metode Arima (Autoregressive Integrated Moving Average),” J. Manaj., vol. 8, no. 1, p. 2016, 2016, [Online]. Available: http://journal.feb.unmul.ac.id.

I. Priyadi, J. Santony, and J. Na’am, “Data Mining Predictive Modeling for Prediction of Gold Prices Based on Dollar Exchange Rates, Bi Rates and World Crude Oil Prices,” Indones. J. Artif. Intell. Data Min., vol. 2, no. 2, p. 93, 2019, doi: 10.24014/ijaidm.v2i2.6864.

P. S. Ramadhan and N. Safitri, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” Sains dan Komput., vol. 18, no. 1, pp. 55–61, 2019.

P. Katemba and R. K. Djoh, “MENGGUNAKAN REGRESI LINEAR,” pp. 42–51, 2015.

Y. T. Sulistiowati, J. Murti, M. Aji, and R. Hartadi, “ANALISIS NILAI TAMBAH DAN TINGKAT PRODUKTIVITAS KERJA SERTA STRATEGI PENGEMBANGAN HOME INDUSTRY GULA KELAPA DI DESA ANALYSIS OF ADDITIONAL VALUE AND LEVEL OF WORK PRODUCTIVITY AND HAND COCONUT HOME INDUSTRY DEVELOPMENT STRATEGY IN THE VILLAGE OF TEMBOKREJ,” vol. 01, no. 02, pp. 110–121, 2017.

Oktaviani.J, “済無No Title No Title,” Sereal Untuk, vol. 51, no. 1, p. 51, 2018.

E. P. Saputra, S. A. Putri, and I. Indriyanti, “Prediction of Successful Elearning Based on Activity Logs with Selection of Support Vector Machine based on Particle Swarm Optimization,” Indones. J. Artif. Intell. Data Min., vol. 2, no. 1, pp. 10–17, 2019, doi: 10.24014/ijaidm.v2i1.6500.

S. A. Ruslan, F. M. Muharam, Z. Zulkafli, D. Omar, and M. P. Zambri, “Using satellite-measured relative humidity for prediction of Metisa plana’s population in oil palm plantations: A comparative assessment of regression and artificial neural network models,” PLoS One, vol. 14, no. 10, pp. 1–15, 2019, doi: 10.1371/journal.pone.0223968.

D. A. N. Dobi, H. Rebusan, T. Buah, and S. Sawit, “Jurnal Teknologi dan Industri Pertanian Indonesia,” no. 02, 2017.


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id