Zeta Ae Math Journal Volume 9 Nomor 2.
November 2024, pp.
E-ISSN: 2579-5864 P-ISSN: 2459-9948
D https://doi.
org/10.
31102/zeta.
Prediksi Produksi Kelapa di Kabupaten Banyuwangi Dengan Algoritma Neural Network Hendro Nurhadi1.
Teguh Herlambang2*.
Dini Ermavitalini3.
Miftahul Huda4.
Lucky Oktavianto5.
Triono Bagus Saputro3.
Romli Arief6 Departemen Teknik Mesin Industri.
Institut Teknologi Sepuluh Nopember (ITS) Prodi Sistem Informasi.
Fakultas Ekonomi Bisnis Teknologi Digital.
Universitas Nahdlatul Ulama Surabaya Departemen Biologi.
Fakultas Sains dan Analitika Data.
Institut Teknologi Sepuluh Nopember (ITS) PT Unggul Herbal Atsiri.
Banyuwangi BUMDES Desa Tampo.
Kecamatan Cluring.
Banyuwangi PT.
Unggul Teknologi Cerdas.
Surabaya *Penulis korespondensi.
Email: teguh@unusa.
ABSTRAK
Banyuwangi, yang terletak di ujung timur Pulau Jawa, merupakan salah satu daerah penghasil kelapa terbesar di Indonesia.
Dengan tanah yang subur, iklim yang mendukung, dan sumber daya manusia yang berpengalaman.
Banyuwangi sangat potensial untuk budidaya kelapa.
Perkebunan kelapa di daerah ini tidak hanya meningkatkan pendapatan petani, tetapi juga mendorong pertumbuhan industri pengolahan lokal dan agroindustri.
Penelitian ini bertujuan meramalkan produksi kelapa di Banyuwangi berdasarkan data BPS tahun 2020Ae2022 yang dianalisis menggunakan algoritma Neural Network.
Pengujian dilakukan dengan pembagian data pelatihan sebesar 70%, 80%, dan 90%, menghasilkan nilai RMSE berturut-turut sebesar 0,039, 0,036, dan 0,036.
Hasil prediksi ini memberikan informasi akurat mengenai produksi kelapa di masa depan, sehingga dapat membantu petani dan pemangku kebijakan dalam mengelola produksi, distribusi, dan pengembangan industri kelapa secara berkelanjutan, efisien, dan Kata Kunci: Banyuwangi.
Kelapa.
Prediksi.
Neural Network.
ABSTRACT
Banyuwangi, located at the eastern tip of Java Island, is one of Indonesia's largest coconut-producing regions.
The area's fertile soil, favorable climate, and skilled human resources make it highly suitable for coconut cultivation.
Coconut plantations in Banyuwangi not only boost farmers' income but also support the growth of local processing industries and agro-businesses.
This study focuses on forecasting coconut production in Banyuwangi using data from the BPS .
0Ae2.
, analyzed with a predictive machine learning approach based on the Neural Network algorithm.
The analysis tested training data proportions of 70%, 80%, and 90%, yielding RMSE values of 0.
039, 0.
036, and 0.
The predictive results provide accurate insights into future coconut production, helping farmers and policymakers optimize production management, distribution, and industrial development.
This approach promotes sustainability, efficiency, and profitability in Banyuwangi's coconut industry.
Keyword: Banyuwangi.
Coconut.
Prediction.
Neural Network Article info: Submitted: 21 October 2024 Accepted: 29 November 2024 How to cite this article:
Nurhadi.
Herlambang.
Ermavitalini.
Huda.
Oktavianto.
Saputro.
, & Arief.
Prediksi Produksi Kelapa di Kabupaten Banyuwangi Dengan Algoritma Neural Network.
Zeta - Math Journal, 9.
, 90-96.
https://doi.
org/10.
31102/zeta.
This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution-ShareAlike 4.
0 International License.
Zeta Ae Math Journal, vol.
9, no.
2, pp.
90 - 96.
November, 2024.
PENDAHULUAN
Indonesia merupakan negara dengan wilayah pertanian yang sangat luas.
Tanaman kelapa merupakan salah satu komoditas yang memiliki nilai ekonomis yang tinggi apabila dikelola dengan baik (Kurniansyach.
,dkk.
Salah satu hasil dari pohon kelapa yang dimanfaatkan oleh masyarakat adalah minyak kelapa yang dihasilkan dari buah pohon kelapa tersebut (Bode.
A, 2.
Berdasarkan data Direktorat Jenderal Perkebunan tahun 2016, pada tahun 2017 luas areal lahan tanaman kelapa di Indonesia, baik itu perkebunan rakyat, perkebunan negara, dan perkebunan swasta jika ditotal luasnya adalah 3,544 juta hektar.
Tingginya produksi dari kelapa tersebut, seharusnya bisa diimbangi dengan pemanfaatan dari kelapa itu sendiri (Hendrawan.
, &
Dewi.
,2.
Kabupaten Banyuwangi sebagai salah satu daerah penghasil kelapa terbesar di provinsi Jawa Timur memiliki potensi pengembangan yang besar.
Dari data Badan Pusat Statistik Jawa Timur pada tahun 2022.
Banyuwangi berhasil memproduksi 41.
436 ton kelapa.
Dengan potensi tersebut dan didukung oleh perkembangan teknologi informasi, maka sangat memungkinkan untuk dibuat suatu sistem prediksi produksi kelapa yang terkomputerisasi berbasis machine learning.
Keunggulan machine learning antara lain yaitu memberikan implementasi yang lebih mudah dengan biaya komputasi yang rendah, serta pelatihan, validasi, pengujian, dan evaluasi yang cepat dengan kinerja yang tinggi dibandingkan dengan model fisik, dan relatif lebih tidak rumit (Sari.
, dkk, 2.
Salah satu metode yang dapat dimanfaatkan dari teknologi machine learning adalah pembangunan model prediksi berbasis data dan terkomputerisasi.
Prediksi secara definisi adalah sebuah teknik yang menggunakan data historis untuk memperkirakan proyek yang akan datang (Rozi.
, & Junianto.
, 2.
Teknologi machine learning telah menyediakan sejumlah model prediksi yang telah disesuaikan dengan data yang penelitian yang digunakan.
Beberapa contoh model prediksi yang disediakan oleh teknologi machine learning antara lain model Regresi Linear.
Decision Tree.
Random Forest, dan lain sebagainya.
Pada penelitian ini, metode prediksi yang digunakan adalah model Neural Network.
Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu metode yang dipergunakan dalam memecahkan masalah atau kasus proses prediksi.
Jaringan Syaraf Tiruan berfungsi dalam menggantikan saraf dan otak manusia (Sihombing.
, & Setiafindari.
, 2.
, dimana metode ini juga sudah digunakan pada penelitian sebelumnya untuk memprediksi hasil produksi perkebunan tebu (Ridla.
, & Rahma.
, 2.
dan memprediksi hasil produksi padi (Putra.
, & Walmi.
, 2.
Berikut merupakan tabel dataset produksi kelapa kabupaten Banyuwangi pada penelitian ini yang diambil dari BPS Banyuwangi pada rentang tahun 2020 sampai 2022 Tabel 1.
Dataset Produksi Kelapa Kabupaten Banyuwangi TANGGAL 15/01/2022 31/01/2022 16/02/2022 28/02/2022 15/03/2022 31/03/2022 15/04/2022 30/04/2022 15/05/2022 30/05/2022 14/06/2022 29/06/2022 31/12/2022 KECAMATAN Kecamatan Pesanggaran Kecamatan Siliragung
Kecamatan Bangorejo
Kecamatan Purwoharjo
Kecamatan Tegaldlimo
Kecamatan Muncar
Kecamatan Cluring Kecamatan Gambiran Kecamatan Tegalsari Kecamatan Glenmore Kecamatan Kalibaru
Kecamatan Genteng
Kecamatan Wongsorejo
PRODUKSI 2020
PRODUKSI 2021
PRODUKSI 2022
Prediksi Produksi Kelapa di Kabupaten Banyuwangi Dengan Algoritma Neural Network Nurhadi.
Herlambang, dll.
METODE PENELITIAN
Secara umum, pada penelitian ini menggunakan metode kuantitatif dengan dataset yang didapatkan dari id yang kemudian diolah menggunakan bahasa pemrograman Python dengan metode Neural Network untuk memprediksi hasil produksi kelapa pada masa mendatang.
HASIL PENELITIAN
1 Metode Neural Network Menurut Putra.
, & Azhar.
Neural Network merupakan sebuah sistem komputasi komputer yang terinspirasi dari jaringan syaraf otak manusia.
Jutaan neuron akan melakukan komunikasi dengan sinapsis yang akan menciptakan jaringan syaraf yang nantinya manusia bisa beraktivitas seperti berbicara, membaca, bernafas, face detection, voice recognition, menyelesaikan sebuah masalah, bahkan menyimpan sebuah data.
Berikut merupakan langkah-langkah implementasi metode Neural Network:
Langkah 1 : Menentukan jumlah neuron pada lapisan tersembunyi.
Pada penelitian ini menggunakan kombinasi 1 input, 16 hidden layer pertama, 24 hidden layer kedua, 1 output.
Langkah 2 : Menentukan parameter-parameter seperti jumlah epoch dan learning rate.
Langkah 3 : Menginisialisasi bobot awal dengan angka antara 0-1 dan fungsi aktivasi dimana pada penelitian ini menggunakan fungsi ReLU Langkah Propagasi Maju:
Setiap unit input ycUycn , ycn = 1,2,3 A , ycu menerima sinyal input dan menyebarkannya ke seluruh hidden unit.
Setiap hidden unit akan menghitung akan menghitung sinyal bobot dan biasnya.
Fungsi matematika nya adalah sebagai berikut:
ycycnycuyc = ycycuyc Oc ycuycn ycycnyc ycn=1 Kemudian, dilakukan aktivasi menggunakan fungsi ReLU = max .
, yc.
Setiap unit output, akan menghitung sinyal-sinyal dari hidden unit dengan bobot dan biasnya dengan fungsi sebagai berikut ycy ycycnycuyco = ycycuyco Oc ycn=1 ycyc ycycyco Kemudian, hasil perhitungan diaktivasikan kembali dengan fungsi sigmoid sebagai berikut .
yc= 1 yce Oeycu Langkah Propagasi Balik:
Dihitung kesalahan antara target output dengan output yang dihasilkan.
Jika masih belum memenuhi syarat, dilakukan perhitungan faktor koreksi error.
yuyco = .
cyco Oe ycyco )yceA.
cycnycuyco ) .
Faktor koreksi error digunakan untuk menghitung koreksi error .
ycycyco ) untuk memperbarui nilai ycycyco .
iycycyco = yuyuyco ycyc Setiap hidden unit .
csyc , yc = 1,2.
A , yc.
akan menghitung bobot yang dikirimkan output unit.
yco yuycnycuyc = Oc yuyco ycycyco yco=1 .
Zeta Ae Math Journal, vol.
9, no.
2, pp.
90 - 96.
November, 2024.
Kemudian, hasilnya dikalikan dengan fungsi aktivasinya .
untuk menghitung galatnya, dihitung koreksi bobotnya,dan koreksi biasnya.
Untuk setiap unit keluaran .
cUyco , yco = 1,2.
A , yc.
bias dan bobotnya diubah .
c = 1,2.
A , yc.
= ycycyco .
Untuk setiap unit tersembunyi .
csyc , yc = 1,2.
A , yc.
bobot dan biasnya diubah .
cn = 1,2.
A , yc.
= ycycyco .
iycycnyc Respon yang dihasilkan pada lapisan output akan dibandingkan dengan nilai target dan dihitung MSE.
Proses akan berhenti jika sudah memenuhi epoch maksimal.
2 Implementasi Neural Network Berikut merupakan implementasi dari metode Neural Network pada data produksi kelapa di kabupaten Banyuwangi Gambar 2.
Implementasi Metode Neural Network Analisis dan prediksi dengan metode Neural Network di diawali dengan menentukan variabel-variabel independen dan dependen.
Sebelum dilakukan simulasi dan prediksi untuk menemukan nilai keakurasiannya.
Pada penelitian ini, simulasi diawali dengan membagi dataset dari fitur/kolom-kolom yang terpilih sebagai variabel independen dan dependen kedalam data training dan data testing berdasarkan proporsi Simulasi pertama membagi data training sebesar 70% dan data testing sebesar 30%.
Simulasi kedua membagi data training sebesar 80% dan data testing sebesar 20%.
Simulasi ketiga membagi data training sebesar 90% dan data testing sebesar 10%.
Setelah itu, proses dilanjutkan ke tahap pengujian simulasi menggunakan model Neural Network yang sudah Hasil simulasi dapat dilihat pada Gambar 3-5.
Gambar 3.
Hasil Simulasi Pertama Metode Neural Network Nurhadi.
Herlambang, dll.
Prediksi Produksi Kelapa di Kabupaten Banyuwangi Dengan Algoritma Neural Network Pada simulasi pertama menggunakan data training sebesar 70% dan data testing sebesar 30% dengan parameter yang digunakan pada algoritma Neural Network hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam menghasilkan nilai RMSE 0,039.
Hasil simulasi ini cukup baik dengan posisi grafik yang dihasilkan model Neural Network .
aris ung.
mendekati nilai aktual.
Gambar 4.
Hasil Simulasi Kedua Metode Neural Network Pada simulasi kedua menggunakan data training sebesar 80% dan data testing sebesar 20% dengan parameter yang digunakan pada algoritma Neural Network hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam menghasilkan penurunan nilai RMSE menjadi 0,036.
Hasil simulasi ini cukup baik dengan posisi grafik yang dihasilkan model Neural Network .
aris ung.
mendekati nilai aktual.
Gambar 5.
Hasil Simulasi Ketiga Metode Neural Network Pada simulasi kedua menggunakan data training sebesar 90% dan data testing sebesar 10% dengan parameter yang digunakan pada algoritma Neural Network hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam menghasilkan nilai RMSE yang sama dengan simulasi kedua yaitu 0,036.
Hasil simulasi ini cukup baik dengan posisi grafik yang dihasilkan model Neural Network .
aris ung.
mendekati nilai aktual.
Dari ketiga simulasi yang telah dilakukan, pada simulasi kedua dan ketiga merupakan simulasi dengan nilai RMSE paling baik yaitu 0,036 dengan posisi grafik yang mendekati nilai aktualnya.
Berikut merupakan tabel rekapitulasi hasil simulasi menggunakan Neural Network.
Zeta Ae Math Journal, vol.
9, no.
2, pp.
90 - 96.
November, 2024.
Tabel 2.
Rekapitulasi Hasil Simulasi
Pembagian Dataset
Parameter Neural Network
70% : 30%
hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam
80% : 20%
hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam
90% : 10%
hidden layer_1 = 16, hidden layer_2 = 24, activation = sigmoid, dan optimizer = adam
Nilai RMSE
0,039
0,036
0,036
Tabel 3.
Proyeksi Hasil Produksi Kelapa 5 Bulan Kedepan Bulan Nilai Prediksi Hasil Produksi Kelapa (To.
Jan-2023
5249,402
Feb-2023
5274,456
Mar-2023
4801,872
Apr-2023
6251,217
Mei-2023
44105,254
Pada Tabel.
2 diatas dapat dilihat bahwa nilai RMSE yang dihasilkan oleh model Neural Network terbaik ada pada simulasi kedua dan ketiga dengan perbandingan data training 80% dan data testing 20% dan perbandingan data training 90% dan data testing 10%.
Dari tabel diatas dapat diketahui bahwa nilai RMSE hasil simulasi yang dihasilkan oleh model Neural Network tidak sampai menyentuh angka 1% secara Kemudian, pada Tabel.
3, dapat dilihat juga bahwa model Neural Network dapat memprediksi nilai produksi kelapa pada 5 bulan berikutnya.
KESIMPULAN
Dari hasil simulasi diatas, dapat disimpulkan bahwa algoritma Neural Network memiliki kinerja yang sangat baik dalam melakukan prediksi dengan nilai kesalahan yang berada pada rentang 0,039 Ae 0,036.
Hasil simulasi yang terbaik terdapat pada simulasi kedua dan ketiga dengan nilai RMSE 0,036.
Hal itu menunjukan nilai kesalahan yang terjadi kurang dari 1%.
Kemudian, model Neural Network juga mampu memprediksi nilai produksi kelapa pada 5 bulan yang akan datang.
Dengan hasil simulasi yang akurat, dapat memberikan informasi yang relevan terutama pada petani kelapa dan pemerintah setempat.
DAFTAR PUSTAKA