Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Prediksi Harga Kelapa Sawit Menggunakan Metode Extreme Learning Machine Jul Hariansyah.
Elvia Budianita*.
Jasril.
Iis Afrianty Sains dan Teknologi.
Teknik Informatika.
UIN Sultan Syarif Kasim.
Pekanbaru.
Indonesia Email: 111950111701@students.
uin-suska.
id, 2,*elvia.
budianita@uin-suska.
id, 3jasril@uin-suska.
afrianty@uin-suska.
Email Penulis Korespondensi: elvia.
budianita@uin-suska.
Submitted: 21/01/2024.
Accepted: 19/02/2024.
Published: 20/02/2022 AbstrakOeKelapa sawit merupakan salah satu kunci perekonomian Indonesia dan komoditas utama untuk menarik investasi Industri minyak sawit dan inti sawit menghasilkan sebagian besar mata uang asing yang berasal dari minyak sawit.
Harga kelapa sawit yang sering naik turun setiap bulannya mengakibatkan ketidakstabilan pendapatan yang diterima oleh masyarakat yang memiliki kebun kelapa sawit.
tujuan prediksi harga kelapa sawit adalah untuk melakukan perencanaan atau langkah yang tepat bagi pelaku usaha kelapa sawit.
Salah satu cara untuk mengatasi permasalahan tersebut adalah dengan melakukan prediksi.
Salah satu metode yang dapat melakukan prediksi adalah Extreme Learning Machine (ELM).
ELM
merupakan metode dari jaringan syaraf tiruan yang digunakan untuk prediksi harga kelapa sawit.
Metode ELM merupakan metode feedforward dengan single hidden layer yang lebih dikenal dengan single hidden layer feedforwrward neural network (SLFN.
Pada penelitian ini implementasi terbaik berada pada 5 input dengan 20 neuron pada hidden layer dengan output berupa prediksi harga kelapa sawit.
Berdasarkan pengujian yang dilakukan, maka penelitian yang mengasilkan Tingkat error terkecil sebesar 0.
0027111424247658633 dengan menggunakan 20 neuron pada hidden layer sehingga hasil pengujian prediksi data terbaru untuk 5 rotasi harga pada bulan September rotasi 1 sebesar 1400.
September rotasi 2 798921.
September rotasi 3 sebesar 1505.
September rotasi 4 sebesar 2301.
September rotasi 5 082489 dalam prediksi harga kelapa sawit.
Kata Kunci: Kelapa Sawit.
ELM.
Machine Learning.
Prediksi AbstractOePalm oil is one of the keys to the Indonesian economy and the main commodity for attracting foreign investment.
The palm oil and palm kernel industry generates most of the foreign currency from palm oil.
The price of palm oil often goes up and down every month resulting in instability in the income received by people who own oil palm plantations.
The aim of predicting palm oil prices is to carry out appropriate planning or steps for palm oil business actors.
One way to overcome this problem is to make predictions.
One method that can make predictions is the Extreme Learning Machine (ELM).
ELM is an artificial neural network method used to predict palm oil prices.
The ELM method is a feedforward method with a single hidden layer which is better known as a single hidden layer feedforward neural network (SLFN.
In this research, the best implementation was 5 inputs with 20 neurons in the hidden layer with output in the form of palm oil price predictions.
Based on the tests carried out, the research produced the smallest error rate of 0.
0027111424247658633 using 20 neurons in the hidden layer so that the latest data prediction test results for 5 price rotations in September rotation 1 were 1400.
September rotation 2 were 1846.
September rotation 3 amounted to 1505.
September rotation 4 amounted to 853412.
September rotation 5 amounted to 2645.
082489 in palm oil price predictions.
Keywords: Palm Oil.
Price.
ELM.
Machine Learning.
Prediction PENDAHULUAN Pertanian merupakan aspek penting dalam menjaga kelangsungan hidup manusia karena membantu memenuhi kebutuhan .
Kelapa sawit merupakan produk pertanian yang membantu ibu rumah tangga dalam kegiatannya.
Perekonomian Indonesia bergantung pada minyak sawit yang merupakan komoditas dasar yang menghasilkan uang asing.
Industri di dalam kelapa sawit dapat dibagi menjadi industri minyak sawit dan inti sawit, kedua hal tersebut memberikan kontribusi signifikan terhadap pendapatan devisa negara dari minyak sawit.
Inti sawit berasal dari dari inti buah kelapa sawit sedangkan minyak kelapa sawit berasal dari serabut kelapa sawit .
Koperasi Unit Desa (KUD) Bangun Desa adalah salah satu dari sekian banyak unit usaha yang bergerak dalam pengolahan kelapa sawit.
Harga kelapa sawit yang sering naik turun setiap bulannya mengakibatkan ketidakstabilan pendapatan yang diterima petani kelapa sawit.
Permasalahan tersebut tentunya akan mengganggu kesejahteraan Masyarakat tersebut.
Berdasarkan permasalahan tersebut.
KUD Bangun desa perlu memprediksi harga kelapa sawit agar masalah harga kelapa sawit nantinya dapat di atasi dan stabilitas produksi dapat disesuaikan berdasarkan harga yang akan muncul nantinya.
Upaya yang dapat dilakukan untuk membantu masyarakat mengolah hasil minyak sawit berdasarkan prakiraan harga di masa depan, perlu diketahui dan dipahami bagaimana harga minyak sawit akan berkembang.
Terdapat beberapa penelitian yang mengambil topik tentang kelapa sawit.
Seperti penelitian tentang implementasi Algoritma Gated Recurrent unit dalam melakukan prediksi harga kelapa sawit dengan memanfaatkan model Recurrent Neural Network (RNN).
Hasil dari penelitian tersebut menhasilkan nilai error dengan menggunakan MAPE sebesar 4.
Penelitian berikutnya tentang implementasi data mining dalam memprediksi penjualan Crude Palm Oil berdaasarkan kapasitas tangki menggunakan Multiple linear Regression.
Penelitian tersebut menghasilkan perhitungan MLP menunjukkan nilai koefisien determinasi adalah 0.
46 % variabilitas pengiriman CPO dapat dijelaskan oleh variabel independent.
Penelitian Copyright A 2024 the auhor.
Page 276 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
berikutnya tentang prediksi produksi kelapa sawit menggunakan metode Bayesian Regulation dengan hasil tingkat akurasi yang cukup tinggi sebesar 90% .
argin error 10%) dan tingkat MSE yang kecil sebesar 00388775674.
Penelitian berikutnya tentang penerapan data mining untuk memprediksi harga Crude Palm Oil (CPO) pasar domestik menggunakan metode Fuzzy Time Series Markov Chain.
Tujuan dari penelitian tersebut untuk memprediksi harga CPO pada pasar domestik dan mengetahui tingkat akurasinya.
Penggunaan data di bulan Januari 2019 hingga Oktober 2022.
Berdasarkan hasil pengujian yang dilakukan dapat diketahui tingkat akurasi terbaik berada pada MAPE sebesar 0.
Hasil tersebut memberikan Kesimpulan bahwa metode Fuzzy Time Series Markov Chain dapat digunakan untuK memprediksi harga CPO.
Penelitian-penelitian sebelumnya menjelaskan bahwa topik tentang kelapa sawit bukan merupakan topik yang baru lagi sehingga peneliti menentukan untuk melakukan prediksi harga kelapa sawit.
Beberapa teknik pemodelan algoritmik dapat digunakan untuk menangani tantangan berbasis prediksi .
jaringan syaraf tiruan atau ANN, adalah salah satu teknologi yang muncul sebagai pilihan yang tepat untuk mengatasi masalah ini.
Karena fakta bahwa penelitian sebelumnya menunjukkan bahwa JST ini mempertahankan akurasi yang mengesankan bahkan ketika diterapkan pada tugas prediksi yang lebih jauh.
Jaringan saraf tiruan digunakan dalam berbagai metodologi peramalan, salah satu metode barunya adalah Extreme Learning Machine.
Salah satu alasan dipilihnya metode tersebut, dikarenakan metode tersebut mempunyai kemampuan generalisasi yang baik dalam melakukan klasifikasi dan prediksi, pada penelitian yang dilakukan Muhammad Ibnu SaAoad tentang perbandingan Metode Extreme Learning Machine dan Multilayer Perceptron dalam memprediksi Mahasiswa Dropout.
Hasil dari Penelitian tersebut adalah dengan menggunakan 110 data dan melakukan beberapa pengujian menghasilkan kesimpulan bahwa metode ELM memiliki kemampuan yang baik dalam melakukan prediksi dengan hasil akurasi sebesar 95% sedangkan metode Multilayer Perceptron sebesar 91%.
Penelitian terkait tentang jaringan syaraf tiruan yang telah dilakukan, seperti penelitian peramalan harga jual kelapa sawit, jaringan saraf tiruan yang mekanismenya melatih jaringan untuk mencapai keseimbangan antara kemampuan jaringan dalam menghasilkan dan mengenali pola yang digunakan dalam pelatihan Kemampuan untuk mengetahui atau mencatat suatu proses dan memberikan respon yang tepat terhadap Penelitian ini menghasilkan hasil peramalan penjualan kelapa sawit yang dapat menjadi acuan dimasa mendatang dalam mengambil sebuah kebijakan yang tepat .
Kemudian penelitian tentang peramalan beban listrik kota maros.
Tujuan dari penelitian tersebut adalah untuk mengetahui langkah-langkah dalam mengurangi resiko peyediaan listrik yang tidak stabil.
Pada penelitian tersebut keakuratan dari metode dapat dihitung dengan Mean Absolute Precentage Error (MAPE) Kemungkinan penyediaan listrik yang tidak stabil dapat dikurangi dengan menggunakan perkiraan .
Selanjutnya penelitian tentang jaringan syaraf tiruan dalam pemalan harga jual sawit menggunakan metode Backpropagation.
Hasil dari penelitian tersebut adalah dapat memprediksi harga kelapa sawit yang dapat membantu dikemudian hari.
Extreme Learning Machine (ELM) ini merupakan metode pembelajaran baru dari Jaringan Saraf Tiruan.
Metode Extreme Learning Machine diperkenalkan oleh (Huang, dkk.
dengan judul penelitian AuExtreme Learning Machine : Theory and ApplicationsAy.
Studi ini menyarankan Extreme Learning Machine (ELM), sebuah metode langsung untuk melatih Single Hidden Layer Feedforward Neural Networks (SLFN.
yang dapat mengungguli metode yang lebih konvensional, seperti backpropagation, hingga ribuan kali lipat.
Penelitian terkait tentang Extreme Learning Machine, penelitian sebelumnya memprediksi harga saham dengan studi kasus Bank Rakyat Indonesia.
Tujuan dari penelitian tersebut adalah untuk mengurangi kerugian bagi para trader di dalam pasar saham.
Hasil dari penelitian tersebut dengan melakukan 10 kali pengujian mendapatkan nilai terbaik pada perbandingan 90%:10% menghasilkan nilai MAPE sebesar 1.
Penelitian selanjutnya tentang implementasi ELM untuk memprediksi indeks Pembangunan manusia provinsi DKI Jakarta dengan hasil 8 skenario yang dilakukan, performa terbaik didapatkan melaui Root Mean Square Error (RMSE) dengan hasil 0.
025355 perlu diketahui bahwa semakin <1 maka semakin baik nilai evaluasinya.
Penelitian berikutnya tentang penerapan Extreme Learning Machine pada penelitian ini melakukan prediksi tanaman Biofarmaka di Indonesia.
Hasil dari penelitian tersebut adalah dengan melakukan pengujian parameter rasio data dengan holdout validation diperoleh parameter optimal dengan MAPE terkecil sebesar Penelitian lebih lanjut tentang penggunaan algoritma ELM untuk klasifikasi pengobatan HPV.
Berdasarkan temuan, ketika fungsi aktivasi Binary Sigmoid digunakan untuk mengkategorikan modalitas pengobatan HPV, sistem mencapai akurasi 70,8% .
Beberapa penelitian yang membahas tentang harga kelapa sawit, seperti penelitian tentang implementasi data mining dalam memprediksi harga Crude Palm oil (CPO) di dalam pasar negara, seperti yang dipelajari oleh Ahmad et al .
Penelitian sebelumnya telah menunjukkan bahwa penelitan tersebut dapat memperkirakan secara akurat.
Oleh karena itu, prediksi harga minyak sawit di masa depan dengan menggunakan metode ELM menjadi fokus penelitian ini.
Tujuan utama penelitian ini adalah meramalkan harga minyak sawit di KUD Desa Bangun dengan menggunakan metode ELM.
Copyright A 2024 the auhor.
Page 277 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
METODOLOGI PENELITIAN
Penelitian ini dilakukan secara bertahap dengan menggunakan teknik tertentu.
Memprediksi harga minyak sawit melibatkan langkah-langkah berikut: implementasi metode Extreme Learning Machine untuk prediksi melalui pembagian data, training dan testing, serta analisis hasil prediksi.
Pada tahap awal penelitian dilakukan dengan merumuskan masalah.
Studi literatur dilakukan untuk lebih memahami cara kerja metode Extreme Learning Machine serta mengetahui tahapan-tahapan berikutya dalam proses prediksi harga kelapa sawit.
Tahap kedua dari penelitian ini adalah melakukan pengumpulan data, setelah data terkumpul akan dilakukan pembagian data yang akan dibagi ke dalam data training dan testing.
Tahap berikutnya adalah implementasi metode Extreme Learning Machine.
Tahapan terakhir dari penelitian ini adalah melakukan analisis prediksi metode ELM.
Gambar 1.
Tahapan Penelitian 1 Perumusan Masalah Pada tahapan perumusan masalah bertujuan untuk mengetahui Bagaimana melakukan prediksi harga kelapa sawit menggunakan metode ELM.
harga kelapa sawit dengan menggunakan metode Extreme Learning Machine.
2 Pengumpulan Data Pada tahapan ini bertujuan mengumpulkan data harga kelapa sawit.
Menggunakan data primer yakni bersumber dari data Koperasi Unit Desa Bangun Desa untuk mengambil data harga kelapa sawit pada tahun-tahun sebelumnya, dimulai dari januari 2019 sampai dengan Agustus 2023.
Setiap bulannya terdapat 5 rotasi harga kelapa sawit.
Dapat dilihat dari tabel sampel dari data harga kelapa sawit tersebut.
Tabel 1.
Harga Kelapa Sawit 2019-2023
BULAN
JANUARI
FEBRUARI
MARET
APRIL
MEI
517,87
332,22
304,83
367,51
612,55
418,97
320,85
288,35
372,00
546,73
ROTASI
i 442,52 284,55 255,72 537,68 507,69 480,36 387,08 329,75 556,33 418,30 391,47 304,83 367,51 612,55 452,25 Copyright A 2024 the auhor.
Page 278 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
BULAN
356,60
168,41
094,20
JUNI
JULI
AGUSTUS
253,27
027,36
176,22
ROTASI
i 089,32 990,15 204,07 168,41 008,54 249,36 356,60 938,73 216,94 2 Analisa Kebutuhan Data Pola Data Time Series Microsoft Excel digunakan untuk memanipulasi data.
Data yang dikumpulkan secara sistematis sepanjang waktu dikenal sebagai data deret waktu.
Penelitian di bidang ini memanfaatkan pola seri data dengan mengkategorikan informasi menurut waktu rotasi.
Untuk pola data Time Series terdapat 5 inputan dari XI-X5 diambil dari rotasi harga 1-5 pada bulan januari dan 1 target(T) yakni rotasi harga 1 pada bulan berikutnya Data tersebut dikelompokkan dan di analisis berdasarkan rotasi harga, sehingga terdapat 275 data masukan.
Tabel di bawah menunjukkan data harga kelapa sawit.
KUD Bangun Desa.
Data tersebut telah diubah ke dalam bentuk time series.
Tabel 2.
Data Time Series Harga Kelapa Sawit Data 1 Data 2 Data 3 Data 4 AA.
Data 273 Data 274 Data 275 a a.
a a a.
Normalisasi Data Sebelum data dieksekusi, maka seluruh data tersebut wajib di ubah ke dalam normalisasi.
Normalisasi data sedemikian rupa sehingga semua angka berada pada tingkat kasar yang sama dengan keluaran fungsi Dengan menggunakan pendekatan normalisasi Min-Max, dengan rumus:
Penelitian ini berupaya mereduksi data ke kisaran yang lebih mudah dikelola dengan tetap mempertahankan konten aslinya.
Data dinormalisasi menggunakan pendekatan ini sehingga nilainya hanya dapat mengambil nilai antara 0 dan 1.
Salah satu interpretasi yang mungkin adalah dengan menggunakan 0 untuk minimum dan 1 untuk maksimum.
Hal membantu menjaga keseimbangan data.
Hasil standarisasi data ditunjukkan pada Tabel 3 di bawah ini:
Tabel 3.
Normalisasi Data Data 1 Data 2 Data 3 Data 4 AA.
Data 273 Data 274 Data 275 a a.
a a a.
Pada tabel 3 dapat diperhatikan bahwa data yang telah di normalisasi dengan rentang minimal 0 dan maximal 1.
3 Analisa Metode ELM Membuat prediksi dengan teknik ELM adalah langkah selanjutnya.
Data dibagi menjadi set pelatihan dan pengujian sebelum proses prediksi dimulai.
Data latih didistribusikan sebagai berikut: 70% dan 80%, sedangkan data uji didistribusikan 30% dan 20%.
Tabel 3 menunjukkan pemisahan antara data yang digunakan untuk pelatihan dan pengujian.
Tabel 4.
Pembagian Data
Pembagian Data
70%: 30%
Training Testing Copyright A 2024 the auhor.
Page 279 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Pembagian Data
80%: 20%
Training Testing Extreme Learning Machine ELM adalah klasifikasi berbasis jaringan saraf.
jaringan ini dikenal sebagai model feed-forward, dan hanya mencakup satu lapisan tersembunyi, yang juga disebut feedforward lapisan tersembunyi tunggal (Huang.
Zhu and Siew, 2.
Untuk mengatasi masalah pendekatan Jaringan Neural feed-forward saat ini, khususnya yang berkaitan dengan kecepatan proses pelatihan (Huang.
Zhu dan Siew, 2.
ELM dikembangkan .
ELM hanyalah salah satu metode yang digunakan oleh peneliti Machine Learning untuk membuat model guna membuat prediksi.
Extreme Learning Machine terdiri dari tahapan sebagai berikut:
Menentukan bobot dan nilai bias secara acak Menghitung output pada lapisan tersembunyi (Hidden Laye.
Menghitung bobot dari lapisan tersembunyi Gambar 2.
Arsitektur Model ELM Gambar 2 menunjukkan arsitektur metode ELM yang dilakukan dalam penelitian ini.
Terdapat 5 inputan yang akan diproses ke dalam neuron hidden layer akan menghasilkan output berupa hasil prediksi.
4 Menghitung Nilai Error dengan Mean Square Error (MSE) Mean Square Error (MSE) adalah jumlah selisih kuadrat antara estimasi prediksi dan estimasi aktual.
Praktik standar menyatakan bahwa ketika memperkirakan jumlah kesalahan dalam prediksi, seseorang harus menerapkan pendekatan Mean Square Error.
Apabila Mean Square Error kecil atau mendekati nol, berarti prakiraan tersebut sesuai dengan data sebenarnya dan dapat digunakan untuk periode peramalan selanjutnya.
Untuk menilai keefektifan teknik pengukuran dalam hubungannya dengan model regresi atau peramalan seperti Rata-Rata Pergerakan.
Rata-Rata Pergerakan Tertimbang, atau Analisis Garis Tren, uji statistik Mean Square Error sering digunakan .
Gambar 3.
Menghitung MSE Gambar 3 menunjukkan syntax pada Bahasa pemorgraman python yang digunakan untuk menghitung nilai MSE.
5 Denormalisasi Data Data yang akan dianalisis harus didenormalisasi terlebih dahulu, yang melibatkan pengembalian data yang dinormalisasi ke format aslinya.
Tujuan denormalisasi adalah membuat data lebih mudah diinterpretasikan dan bermakna dengan mengembalikan nilai ke skala aslinya .
Gambar 4.
Denormalisasi Data Copyright A 2024 the auhor.
Page 280 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Gambar 4 menunjukkan syntax pada Bahasa pemrograman python yang digunakan untuk denormalisasi data.
HASIL DAN PEMBAHASAN
1 Pengujian Pengaruh Jumlah Neuron Hasil pada penelitian, menerapkan dan mengimplementasikan ke dalam Bahasa pemrograman Python dan menggunakan tools Google Collab.
Tujuan dari tahap pengujian adalah untuk menentukan bagaimana neuron lapisan terkubur mempengaruhi MSE.
Lima iterasi dilakukan dengan jumlah neuron yang dipilih secara acak di Lapisan Tersembunyi: 5, 10, 20, 50, 100.
Tabel 4 menampilkan hasil dari perbandingan neuron-neuron tersebut.
Tabel 5.
Hasil Perhitungan Nilai MSE
Perbandingan data
80%: 20%
220 train 54 test
70%:30%
192 train 83 test Jumlah neuron Nilai MSE Dari hasil training dan testing menggunakan metode Extreme Learning Machine dapat diketahui bahwa.
Hidden layer tersembunyi terbaik dengan 20 neuron menghasilkan MSE sebesar 0.
dengan menggunakan rasio 70:30.
Keakuratan prediksi berbanding lurus dengan besarnya mean squared error (MSE), sesuai aturan yang dituangkan dalam studi literatur.
Hasil Perhitungan MSE
0,014
0,012
0,01
0,008
0,006
0,004
0,002
80:20
70:30
Gambar 5.
Hasil Perhitungan MSE Keterangan pada gambar 5, untuk sumbu X berupa nilai MSE dan sumbu Y berupa jumlah neuron pada hidden layer.
Berdasarkan temuan, nilai MSE kurang dari 1 sehingga metode Extreme Learning Machine dapat melanjutkan ke tahap denormalisasi data.
Hal ini akan mengembalikan data ke format semula, dengan tujuan memperoleh prediksi harga minyak sawit di KUD Bangun Desa pada bulan September 2023, pada rotasi 1 sampai dengan rotasi 5.
2 Hasil Peramalan Tabel 6 merinci perbandinan perkiraan hasil yang memiliki mean squared error (MSE) terendah dengan data Selama lima rotasi bulan September 2023, dengan pembagian 70%:30%.
Penjelasan lebih lengkap dapat dilihat pada tabel berikut.
Copyright A 2024 the auhor.
Page 281 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 276-283 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Tabel 6.
Perbandingan Hasil Prediksi dengan Data Aktual
Data Aktual
Agustus 1
Agustus 2
Agustus 3
Agustus 4
Agustus 5
094,20
176,22
204,07
249,36
216,94
Hasil Peramalan bulan September Minggu
70%:30% Neuron
Hasil Prediksi
September 1
400,314191
September 2
846,798921
September 3
505,430419
September 4
301,853412
September 5
645,082489
Gambar 6 menunjukkan perbandingan harga minyak sawit aktual dan prediksi, dengan pembagian data training dan testing 70%:30%.
menggunakan 20 neuron di lapisan tersembunyi untuk mendapatkan MSE sebesar 0,0027111424247658633.
Gambar 6.
Grafik harga kelapa sawit aktual dan prediksi Pada gambar 6 tersebut untuk sumbu X adalah harga kelapa sawit dan sumbu Y adalah bulan, dengan tiap bulannya terdapat 5 rotasi.
Hasil tersebut menunjukkan perbandingan harga kelapa sawit aktual dengan harga kelapa sawit prediksi.
KESIMPULAN
Berdasarkan implementasi yang dilakukan, pengujian dan analisis dengan menggunakan metode Extreme Learning Machine untuk prediksi harga kelapa sawit dapat disimpulkan bahwa.
Metode Extreme Learning Machine dapat diimplementasikan untuk melakukan prediksi harga kelapa sawit dan metode tersebut mempunyai kemampuan generalisasi yang baik untuk menyelesaikan proses pelatihan dan pengujian.
penelitian ini nilai nilai error terkecil sebesar 0,0027111424247658633 dengan menggunakan perbandingan data 70% : 30% dan penggunaan 20 neuron pada hidden layer.
Hasil pengujian pada bulan September mengalami kenaikan pada 3 rotasi berikutnya.
REFERENCES