Pengembangan Model Prediksi Panen Berdasarkan Variabel Cuaca Di Perkebunan Kelapa Sawit

Abstract

Kelapa sawit (Elaeis guineensis Jacq.) merupakan salah satu tanaman yang paling berkembang pesat di negara-negara tropis terutama Indonesia. Sektor perkebunan kelapa sawit memberikan kontribusi yang besar terhadap ekonomi di daerah pedesaan dengan menciptakan lapangan kerja dan meningkatkan pendapatan petani dan masyarakat pedesaan. Prediksi panen kelapa sawit menjadi salah satu faktor penting untuk suatu perusahaan kelapa sawit dalam mengelola perencanaan keuangan serta membuat pengambilan keputusan yang tepat untuk menghindari biaya bulanan tinggi pada masa panen. Peubah cuaca adalah salah satu faktor penting yang mempengaruhi panen kelapa sawit terutama pada fase inisiasi pembungaan, fase diferensiasi jenis kelamin bunga, fase pengembangan bunga setelah diferensiasi, dan fase penyerbukan. Penelitian ini mencoba untuk mengeksplorasi model panen kelapa sawit berdasarkan peubah cuaca dengan menggunakan metode kecerdasan buatan yang diwakilkan oleh metode jaringan saraf tiruan (JST) dan metode statistika yang diwakilkan oleh regresi linier berganda (RLB). Peubah cuaca seperti curah hujan, suhu udara, kelembaban udara, lama penyinaran, kecepatan angin digunakan sebagai peubah masukan. Data yang digunakan adalah data sekunder dimana data untuk peubah masukan diambil dari fase inisiasi pembungaan kelapa sawit sampai tiga bulan sebelum panen. JST dan RLB dipakai untuk membandingkan model mana yang memiliki hasil paling baik untuk memprediksi panen kelapa sawit bulanan. Data yang dipakai untuk metode JST dibagi menjadi dua yaitu data latih dan data tes. Data latih yang dipakai adalah data peubah cuaca dari Mei 2007 sampai dengan Desember 2008, sedangkan untuk data tes yang dipakai adalah data peubah dari Januari 2009 sampai dengan Agustus 2009. Optimasi model JST terbaik diperoleh dengan memasukkan peubah cuaca dari fase diferensiasi jenis kelamin bunga yaitu 30 bulan sampai tiga bulan sebelum masa panen dengan menggunakan 140 neuron di lapisan masukan, dua belas lapisan tersembunyi dan satu neuron di lapisan keluaran. RMSE dari model JST terbaik adalah 0.116 dengan error 16%. Model RLB terbaik diperoleh dari kombinasi peubah curah hujan pada waktu empat bulan sebelum panen, suhu udara pada waktu 23 bulan sebelum panen, lama penyinaran pada waktu tujuh belas bulan sebelum panen, dan kecepatan angin pada waktu lima bulan sebelum panen. Nilai error model RLB adalah 23% dimana lebih rendah dibandingkan model JST. Akurasi rendah dari model kedua model dapat terjadi karena banyak faktor seperti perubahan iklim yang mempengaruhi jumlah curah hujan bulanan yang menyebabkan fluktuasi curah hujan di musim kemarau dan musim hujan. Penelitian selanjutnya masih diperlukan untuk meningkatkan akurasi model yaitu dengan memperoleh basis data panen dan cuaca lebih besar sehingga dapat diperoleh peubah masukan yang lebih baik untuk model JST dan RLB. v Model panen kelapa sawit bisa diimplementasikan ke dalam sebuah aplikasi berbasis web untuk memfasilitasi pengguna untuk membuat perencanaan dan keputusan yang tepat dalam menentukan kebutuhan jumlah tenaga kerja dan jumlah trip angkutan bulanan ketika masa panen kelapa sawit