Penerapan Algoritma Long Short-Term Memory untuk Prediksi Produksi Kelapa Sawit

Application of Long Short-Term Memory Algorithm for Palm Oil Production Prediction

Authors

  • Fahri Husaini Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Inggih Permana Universitas Islam Negeri Sultan Syarif Kasim Riau
  • M. Afdal Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Febi Nur Salisah Universitas Islam Negeri Sultan Syarif Kasim Riau

Keywords:

Long Short-Term Memory, Prediksi, Produksi, Kelapa Sawit, Target

Abstract

Kelapa sawit memberikan kontribusi yang besar bagi perkembangan perekonomian Indonesia. Salah satunya ekspor non migas negara dan yang terus mengalami pertumbuhan yang dilakukan perusahaan kelapa sawit. PT XYZ merupakan salah satu perusahaan kelapa sawit yang mengolah kelapa sawit menjadi minyak kelapa sawit. Dalam menghadapi permintaan minyak kelapa sawit dunia yang terus meningkat, PT. XYZ berkomitmen untuk meningkatkan produksinya. Untuk meningkatkan produksi, PT XYZ telah menetapkan target produksi dengan melakukan prediksi produksi kelapa sawit menggunakan metode Global Telling. Namun, metode ini kurang efektif karena tidak dilakukan secara berkala. Untuk itu, diperlukan suatu metode yang dapat mempelajari pola panen setiap bulannya untuk membuat target produksi. Penelitian ini menerapkan Algoritma Long Short-Term Memory dengan percobaan beberapa parameter untuk menemukan model terbaik yang dapat memprediksi produksi kelapa sawit secara akurat. Berdasarkan hasil percobaan, model dengan optimizer RMSprop, learning rate 0.001, dan batch size 8 merupakan model dengan parameter terbaik dengan nilai RMSE 0.1725, MAPE 0.5087, dan R2 0.0578. Model tersebut memprediksi bahwa produksi kelapa sawit akan mengalami penurunan

References

R. Utami, E. I. Kumala Putri, and M. Ekayani, “Economy and Environmental Impact of Oil Palm Palm Plantation Expansion (Case Study: Panyabungan Village, Merlung Sub-District, West Tanjung Jabung Barat District, Jambi),” Jurnal Ilmu Pertanian Indonesia, vol. 22, no. 2, pp. 115–126, Aug. 2017, doi: 10.18343/jipi.22.2.115.

S. N. Asih, R. Andreas, R. Yudhi, D. Fajar, and B. Alfian, “Ekspansi Perkebunan Kelapa Sawit Di Kawasan Hutan Indonesia Dan Potensi Konflik Hukum Pasca Penetapan Undang-undang Cipta Kerja.” [Online]. Available: http://e-journal.metrouniv.ac.id/index.php/istinbath/index

A. Hakim, “PENGARUH BIAYA PRODUKSI TERHADAP PENDAPATAN PETANI MANDIRI KELAPA SAWIT DI KECAMATAN SEGAH,” 2018.

B. Riati, “ANALISIS PENGARUH KARAKTERISTIK PETANI TERHADAP PRODUKSI KELAPA SAWIT SWADAYA DI KECAMATAN SINGINGI HILIR,” vol. 2, no. 1, 2021, [Online]. Available: https://www.pertanian.go.id

E. Ewaldo, “Analisis ekspor minyak kelapa sawit di Indonesia,” 2015.

Yusmardiansyah and G. Zhara, “(Print) HUBUNGAN KEBISINGAN DENGAN STRES KERJA PADA PERKERJA BAGIAN PRODUKSI DI PT MITRA BUMI,” 2019.

I. S. Sastrosayono, Budi daya kelapa sawit. AgroMedia, 2003.

R. E. , & A. W. S. P. Lubis, Buku Pintar Kelapa Sawit. AgroMedia, 2011.

B. Tanaman, “Prediksi produksi kelapa sawit di PT. Xyz,” Pekanbaru, 2023.

A. Wanto et al., “Epoch Analysis and Accuracy 3 ANN Algorithm using Consumer Price Index Data in Indonesia,” Scitepress, May 2021, pp. 35–41. doi: 10.5220/0010037400350041.

M. Kafil, “PENERAPAN METODE K-NEAREST NEIGHBORS UNTUK PREDIKSI PENJUALAN BERBASIS WEB PADA BOUTIQ DEALOVE BONDOWOSO,” 2019.

S. Agustian and H. Wibowo, “Perbandingan Metode Moving Average untuk Prediksi Hasil Produksi Kelapa Sawit,” Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI), no. November, pp. 156–162, 2019.

L. Deng and D. Yu, “Deep learning: Methods and applications,” Foundations and Trends in Signal Processing, vol. 7, no. 3–4. Now Publishers Inc, pp. 197–387, 2013. doi: 10.1561/2000000039.

F. Indra Sanjaya and D. Heksaputra, “Prediksi Rerata Harga Beras Tingkat Grosir Indonesia dengan Long Short Term Memory,” vol. 7, no. 2, pp. 163–174, 2020, [Online]. Available: http://jurnal.mdp.ac.id

M. Wildan Putra Aldi and A. Aditsania, “Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin.”

G. Budiprasetyo, M. Hani’ah, and D. Z. Aflah, “Prediksi Harga Saham Syariah Menggunakan Algoritma Long Short-Term Memory (LSTM),” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 8, no. 3, pp. 164–172, Jan. 2023, doi: 10.25077/teknosi.v8i3.2022.164-172.

A. Agusta, I. Ernawati, and A. Muliawati, “Prediksi Pergerakan Harga Saham Pada Sektor Farmasi Menggunakan Algoritma Long Short-Term Memory”.

L. Wiranda and M. Sadikin, “PENERAPAN LONG SHORT TERM MEMORY PADA DATA TIME SERIES UNTUK MEMPREDIKSI PENJUALAN PRODUK PT. METISKA FARMA.”

E. Supriyadi, “PREDIKSI PARAMETER CUACA MENGGUNAKAN DEEP LEARNING LONG-SHORT TERM MEMORY (LSTM) WEATHER PARAMETERS PREDICTION USING DEEP LEARNING LONG-SHORT TERM MEMORY (LSTM).” [Online]. Available: http://bmkgsoft.database.bmkg.go.id.

Sabar Sautomo and Hilman Ferdinandus Pardede, “Prediksi Belanja Pemerintah Indonesia Menggunakan Long Short-Term Memory (LSTM),” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, pp. 99–106, Feb. 2021, doi: 10.29207/resti.v5i1.2815.

A. Oktaviani and Hustinawati, “PREDIKSI RATA-RATA ZAT BERBAHAYA DI DKI JAKARTA BERDASARKAN INDEKS STANDAR PENCEMAR UDARA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY,” Jurnal Ilmiah Informatika Komputer, vol. 26, no. 1, pp. 41–55, 2021, doi: 10.35760/ik.2021.v26i1.3702.

I. G. Anjani, A. B. Saputri, A. N. P. Armeira, and D. Januarita, “Analisis Konsumsi Dan Produksi Minyak Kelapa Sawit Di Indonesia Dengan Menerapkan Metode Moving Average,” JURIKOM (Jurnal Riset Komputer), vol. 9, no. 4, p. 1014, Aug. 2022, doi: 10.30865/jurikom.v9i4.4506.

J. Han, M. Kamber, J. Pei, and M. Kaufmann, “[DATA MINING: CONCEPTS AND TECHNIQUES 3RD EDITION] 2 Data Mining: Concepts and Techniques Third Edition.”

I. Izonin, R. Tkachenko, N. Shakhovska, B. Ilchyshyn, and K. K. Singh, “A Two-Step Data Normalization Approach for Improving Classification Accuracy in the Medical Diagnosis Domain,” Mathematics, vol. 10, no. 11, Jun. 2022, doi: 10.3390/math10111942.

Y. Benyahmed, A. Abu Bakar, A. Razakhamdan, A. Ahmed, S. Mastura, and S. Abdullah, “ADAPTIVE SLIDING WINDOW ALGORITHM FOR WEATHER DATA SEGMENTATION,” J Theor Appl Inf Technol, vol. 80, no. 2, 2015, [Online]. Available: www.jatit.org

J. Zhang, Y. Zhu, X. Zhang, M. Ye, and J. Yang, “Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas,” J Hydrol (Amst), vol. 561, pp. 918–929, Jun. 2018, doi: 10.1016/j.jhydrol.2018.04.065.

A. Wisnugraha Sugiyarto and A. Maman Abadi, “Prediction of Indonesian Palm Oil Production Using Long Short-Term Memory Recurrent Neural Network (LSTM-RNN).”

H. Yasin, A. Prahutama, T. W. Utami, D. Jurusan, and S. Undip, “PREDIKSI HARGA SAHAM MENGGUNAKAN SUPPORT VECTOR REGRESSION DENGAN ALGORITMA GRID SEARCH.”

F. Febrianti, M. Hafiyusholeh, and A. H. Asyhar, “PERBANDINGAN PENGKLUSTERAN DATA IRIS MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS,” vol. 02, no. 01, 2016.

S. Riyadi, “Aplikasi Peramalan Penjualan Obat Menggunakan Metode Pemulusan (Studi Kasus: Instalasi Farmasi Rsud Dr Murjani),” Stmik Amikom, vol. 1, pp. 1–6, 2015.

D. Chicco, M. J. Warrens, and G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” PeerJ Comput Sci, vol. 7, pp. 1–24, 2021, doi: 10.7717/PEERJ-CS.623.

M. F. Rasyid, D. Imran, and A. A. Mahersatillah, “Prediksi penyebaran Sub Varian omicron di Indonesia menggunakan Machine Learning,” SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi, vol. 10, no. 1, 2022.

Downloads

Published

2024-02-05