Penerapan Radial Basis Function Neural Network (RBFNN) dalam Peramalan Jumlah Produksi Crude Palm Oil (CPO) di Indonesia

Pramita, Andini Mediana (2023) Penerapan Radial Basis Function Neural Network (RBFNN) dalam Peramalan Jumlah Produksi Crude Palm Oil (CPO) di Indonesia. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 10611910000035-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (2MB) | Request a copy

Abstract

Kelapa sawit menjadi komoditas perkebunan yang memiliki jumlah produksi paling tinggi di Indonesia dan kelapa sawit dapat diolah menjadi Crude Palm Oil (CPO). Produk turunan CPO salah satunya minyak goreng yang sudah menjadi kebutuhan pokok masyarakat Indonesia. Selain memenuhi pasar domestik, Indonesia juga melakukan ekspor CPO untuk memenuhi kebutuhan CPO Internasional. Produksi CPO cenderung bersifat probabilistik atau berfluktuasi. Oleh karena itu, produksi CPO pun harus dapat diramalkan agar memudahkan pengontrolan CPO di masa yang akan datang baik untuk memenuhi kebutuhan domestik maupun internasional agar tetap terkontrol. Pada proyek akhir ini akan dilakukan peramalan jumlah produksi Crude Palm Oil (CPO) di Indonesia tahun 2022 menggunakan Radial Basis Function Neural Network dengan fungsi aktivasi gaussian. Data peramalan menggunakan data bulanan dari periode sebelumnya sebagai acuan yakni dari Januari tahun 2011 hingga Desember tahun 2021 yang merupakan data sekunder dan diambil pada website resmi Badan Pusat Statistik Indonesia dan Databoks. Model RBFNN terbaik untuk meramalkan jumlah produksi CPO di Indonesia adalah jaringan dengan variable input layer Zt-1 dengan 4 node pada hidden layer dan satu neuron pada output layer dimana model tersebut memiliki nilai MAPE sebesar 8,36%, nilai MAD sebesar 373.386, dan nilai RMSE sebesar 470.301. Ramalan jumlah produksi CPO di Indonesia tahun 2022 didapati menurun secara eksponensial dari bulan Januari 2022 hingga Desember 2022.
================================================================================================================================
Palm oil is a plantation commodity that has the highest amount of production in Indonesia and palm oil can be processed into Crude Palm Oil (CPO). One of the CPO derivative products is cooking oil, which has become a basic need for the Indonesian people. In addition to fulfilling the domestic market, Indonesia also exports CPO to meet international CPO needs. CPO production tends to be probabilistic or fluctuating. Therefore, CPO production must also be predictable in order to facilitate control of CPO in the future both to meet domestic and international needs so that it remains under control. This final project will forecast the amount of Crude Palm Oil (CPO) production in Indonesia in 2022 using the Radial Basis Function Neural Network with an gaussian activation function. Forecasting data uses monthly data from the previous period as a reference, namely from January 2011 to December 2021 which is secondary data and is taken on the official website of the Indonesian Central Bureau of Statistics and Databoks. The best RBFNN model for predicting the amount of CPO production in Indonesia is a network with variable input layer Zt-1 with 4 nodes in the hidden layer and one neuron in the output layer where the model has a MAPE value of 8.36%, a MAD value of 373,386, and a value RMSE of 470,301. It is estimated that the amount of CPO production in Indonesia in 2022 is found to decrease exponentially from January 2022 to December 2022.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Crude Palm Oil (CPO), Gaussian, K-means Clustering, Radial Basis Function Neural Network, Peramalan, Forecasting
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) S Agriculture > S Agriculture (General)
Divisions:	Faculty of Vocational > 49501-Business Statistics
Depositing User:	Andini Mediana Pramita
Date Deposited:	07 Jul 2023 03:51
Last Modified:	07 Jul 2023 03:51
URI:	http://repository.its.ac.id/id/eprint/98368

Actions (login required)

View Item