| dc.description.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 | id |
