Peramalan Permintaan Komoditi Kopi Robusta Menggunakan Metode Jaringan Saraf Tiruan (Jst) (Studi Kasus Di Ptpn Xii Kebun Bangelan, Kab. Malang)
| Main Author: | Pratiwi, Yane |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/165887/ |
Daftar Isi:
- Kopi adalah salah satu komoditi andalan sektor perkebunan di Indonesia. Ekspor kopi merupakan salah satu sumber utama devisa dan pendapatan nasional bagi banyak negara berkembang, termasuk Indonesia. Jumlah ekspor kopi dari Indonesia berdasar data ICO (International Coffee Organitation) Januari 2016 sebesar 24,54 ton dan Januari 2017 sebesar 34,32 ton mengalami peningkatan yang cukup besar yaitu 40%. Indonesia tercatat sebagai produsen kopi terbesar ketiga di dunia setelah negara Brazil dan Vietnam. Komoditas kopi memiliki pertumbuhan produktivitas dan harga jual yang cenderung meningkat. Jumlah permintaan kopi tidak pasti, naik dan turun setiap tahunnya. Oleh karena itu perlu dilakukan peramalan permintaan berkaitan dengan kebutuhan manajemen produksi/operasi seperti seperti perencanaan, penjadwalan, dan persediaan. PT. Perkebunan Nusantara XII Kebun Bangelan (PTPN XII) merupakan salah satu perusahaan BUMN (Badan Usaha Milik Negara) yang bergerak di bidang industri biji kopi. Selain biji kopi, PTPN XII juga menghasilkan cengkeh, merica, dan pisang. Tujuan penelitian ini dilakukan untuk meramalkan permintaan komoditas kopi robusta di PTPN XII. Penelitian ini menggunakan metode Jaringan Saraf Tiruan (JST) dengan model backpropagation. Jaringan Saraf Tiruan (JST) merupakan salah satu metode peramalan yang dapat digunakan untuk meramalkan permintaan yang memiliki karakteristik menyerupai jaringan syaraf manusia sebagai sistem pemrosesan informasi. Jaringan saraf tiruan memiliki beberapa kelebihan yaitu, memiliki kemampuan dalam penyelesaian data yang kompleks atau yang tidak tepat. Jaringan saraf tiruan juga memiliki kemampuan untuk menemukan pola (pattern) dan trend yang terlalu kompleks agar ix dapat dikenali oleh manusia atau teknik komputasi lainnya.Backpropagation merupakan salah satu algoritma pembelajaran dalam jaringan saraf tiruan. Proses pembelajaran dalam backpropagation dilakukan dengan penyesuaian bobot-bobot jaringan saraf tiruan dengan arah mundur. Arsitektur terbaik yang didapatkan pada penelitian ini adalah persentase dataset 80% training dan 20% testing dengan arsitektur jaringan terbaik 4-8-2-1 (4 neuron input, 8 neuron hidden layer pertama, 2 neuron hidden layer kedua. Parameter terbaik menggunakan learning rate 0,01 dan momentum 0.05 menghasilkan nilai R testing 0.8001 dan nilai MSE testing 0.5034. Arsitektur ini tidak dapat digunakan untuk melakukan peramalan permintaan kopi pada tahun berikutnya karena nilai MSE yang dihasilkan belum mencapai nilai goal MSE (0.01) yang telah ditentukan.