Peramalan Produksi Tandan Buah Segar (TBS) Kelapa Sawit Dengan Regresi Linear Dan Algoritma Genetika (Studi Kasus: PT. Peputra Masterindo)

Fitri Insani (Scopus ID: 57190404820), Isma Harani

Abstract


Produksi merupakan salah satu hasil yang diharapkan dalam sebuah perkebunan  khususnya perkebunan PT. Peputra Masterindo yang bergerak dalam bidang pengolahan minyak kelapa sawit. Jumlah produksi tandan buah segar (TBS) sangat berpengaruh terhadap produksi kelapa sawit. Metode yang digunakan adalah metode regresi linier untuk memprediksi, sedangkan algoritma genetika digunakan untuk mengoptimasi variabel yang mempengaruhi hasil prediksi. Pengimplementasikan algoritma genetika ini, representasi kromosom yang digunakan real coded, proses crossover adalah extended intermediate, random mutation dan metode seleksi yang digunakan adalah replacement selection. Dari hasil pengujian yang dilakukan, menghasilkan prediksi terbaik pada ukuran populasi 60, generasi ke-100, probabilitas crossover 0,1 dan probabilitas mutasi 0,9 serta periode jumlah produksi tandan buah segar kelapa sawit pada 1 bulan, menghasilkan nilai fitness terbaik 0,0515, MSE 24179,1692. Dengan nilai MAPE 0,0919 dan rata-rata akurasi 90,81%.Hal ini membuktikan bahwa  koefisien kromosom terbaik hasil hitungan algoritma genetika tersebut dapat digunakan untuk memprediksi produksi TBS kelapa sawit dimasa mendatang.

Full Text:

PDF

References


Alatas, A. (2015). Trend Produksi dan Ekspor Minyak Sawit (CPO) Indonesia.Journal of Agrabusiness and Rural Development Research. 1(2): 114-124.

Bonde, G. K. (2010). Stock Price Prediction Using Genetic Algoritm and Evolution Strategies. International Journal of Engineering Research and Applications. 3(3).

Direktorat Jenderal Perkabunan. (2017). Perkembangan luas areal perkebunan kelapa sawit di Indonesia.

Eko Setyawan, R.S. (2016). Analisis Peramalan (Forecasting) Produksi Karet (Havea Brasiliensis) di PT. Perkebunan Nusantara IX Kebun Sukamangli Kabupaten Kendal. Jurnal MEDIAGRO. 12 (2) : 11-19.

Goldberg, D.E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning.

Haupt, R.L. & Haupt, S.E. (2004). Practical Genetic Algorithms Second Edi. New Jersey: John Wiley & Sons, Inc.

Kridianto, dkk. (2017). Optimasi Kualitas Tandan Buah Segar Kelapa Sawit dalam Proses Panen-Angkut Menggunakan Model Dinamis. Jurnal Agri TCEH. 34(3): 102.

Kusumadewi, S. (2003). Artificial Intelligence Teknik dan Aplikasinya. Yogyakarta: Graha Ilmu

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. 75-80.

Makridakis,S. Wheelwright, S.C, dan McGee V.E. (1999). Metode dan Aplikasi Peramalan, jilid 2. Jakarta: Binarupa Aksara

Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Computational Statistics & Data Analysis. 372–373.

Nasution, dkk. (2014). Pertumbuhan Bibit Kelapa Sawit (Elaeis guineensis Jacq) Pada Berbagai Perbandingan Media Tanaman Solid Decanter dan Tandan Kosong Kelapa Sawit Pada Sistem Single Stage. Journal of Sustainable Agricultur. 2(2): 621-692.

Permatasari, A.I. & Mahmudy, W.F., (2015). Pemodelan Regresi Linear dalam Konsumsi Kwh Listrik di Kota Batu Menggunakan Algoritma Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 5(14): 1–9.

Pohan, M. (2015). Dampak Penururnan Harga Sawit Terhadap Kesejahteraan Petani Sawit di Pantai Timur Sumatera Utara. Jurnal Ilmu Ekonomi dan Studi Pembangunan. 15(2).

Rahmi, dkk. (2015). Prediksi Harga Saham Berdasarkan Data Historis Menggunakan Model Regresi yang Dibangun dengan Algoritma Genetika. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 5(12): 1-9

Risza, S. (1994). Kelapa Sawit. Yogyakarta : Kanisus

Septiani. (2009).Faktor-Faktor yang Mempengaruhi Produksi Kelapa Sawit (Elaeis quinensis Jack) dan Kontribusinya Terhadap Pendapatan Keluarga di Desa Makartitama Kec. Peninjauan Kab. OKU. Jurnal Agroteknologi. 1(2): 78 – 85.

Rifki Setya Armanda, W. F. (2016). Penerapan Algoritma Genetika Untuk Penentuan Batasan Fungsi Keanggotaan Fuzzy Tsukamoto Pada Kasus Peramalan Permintaan. Jurnal Teknologi Informasi Ilmu Komputer (JTIIK). 3(3): 169-173.

SE Wati, S. D. (2013). Perbandingan Metode Fuzzy dengan Regresi Linier Berganda dalam Peramalan Jumlah Produksi Kelapa Sawit di PT. Perkebunan III PERSERO Medan. Jurnal Saintia Matematika. 273-284.

Sema Yuni Fraticasari, D. E. (2018). Optimasi Pemodelan Regresi Liniear Berganda Pada Prediksi Jumlah Kecelakaan Sepeda Motor dengan Algoritma Genetika.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2(5): 1932-1939.

Sendy Parlinsa Elvani, A. R. (2016). Peramalan Jumlah Produksi Tanaman Sawit dengan Metode ARIMA (Autoregressive Integrated Moving Average). Jurnal Manajemen. 8(1): 95-112.

Sularno, A. (2006). Prediksi Nilai Saham Menggunakan Pemrograman Genetik dan Pemrograman Ekspresi Gen. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 376-385.

Sulistyono, W. S. (2017). Peramalan Produksi dengan Metode Regresi Linier Berganda. Jurnal Productivity, Optimization and Manufacturing System Engineering (PROZIMA). 1(2): 82-89.

Sungkawa,I dan Megasari, RT. (2011). Penerapan Ukuran Ketetapan Nilai Ramalan Data Deret Waktu dalam Seleksi Model Peramalan Volume Penjualan PT. Satriamandiri Citramulia.ComTech. 2(2): 636 - 645

Sutajo,T dkk. (2011). Kecerdasan Buatan.Yogyakarta: Andi


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