Lampiran 3 Contoh Laporan Taksasi Maret

PROPOSAL JUDUL TESIS

Pemanfaatan Regression Tree Untuk Prediksi Hasil Panen Tebu Sebagai Penunjang Pengambilan Keputusan

Pada PT. Perkebunan Nusantara XI (Persero)

NRP : 208210110 Nama : Anung Adhi Nugraha Prodi/Jurusan : S2-Teknik Informatika Dosen Pembimbing : Ir Gunawan, M.Kom

PROGRAM PASCASARJANA MAGISTER TEKNOLOGI INFORMASI

INSTITUT SAINS TERAPAN DAN TEKNOLOGI SURABAYA PEBRUARI 2011

1

Judul Tesis Pemanfaatan Regression Tree Untuk Prediksi Hasil Panen Tebu Sebagai Penunjang Pengambilan Keputusan Pada PT Perkebunan Nusantara XI (Persero) Nama : Anung Adhi Nugraha. NRP : 208210110 Program Studi : Magister Teknologi Informasi Dosen Pembimbing : Ir Gunawan, M.Kom Co-Dosen Pembimbing : - Jenis Tesis : Kontribusi Pemanfaatan Latar Belakang

Proses data mining dapat digunakan sebagai alat analisis dan prediksi hasil panen lahan tebu. Dengan mempertimbangkan besarnya jumlah data yang digunakan, analisis dan prediksi hasil panen tebu akan menghabiskan banyak waktu dalam pelaksanaannya. Ditarnbah dengan kebutuhan akan akurasi dan kecepatan pernrosesan data, serta kelancaran aliran informasi maka perlu dikembangkan suatu aplikasi perangkat lunak yang dapat melaksanakan fungsi fungsi sistem prediksi hasil panen lahan tebu dengan menggunakan metode regression tree.

Sebagai perusahaan yang berbasis perkebunan dengan produksi utama gula, sudah barang tentu lahan dan tebu adalah dua komponen utama penunjang produksi gula di PT Perkebunan Nusantara XI (Persero). Lahan sebagai media penanaman tebu dan tebu sebagai bahan baku utama produksi gula adalah dua hal yang menjadi awal dari bisnis proses pembuatan gula. Dari dua hal tersebut dihasilkan beberapa data yang terangkum dalam laporan taksasi (taksiran) hasil panen lahan tebu pada satu periode tanam. Data lahan dan tebu yang termuat dalam data taksasi antara lain nama kebun, kategori kebun, luasan kebun/lahan, jenis/ varietas tebu yang ditanam, jumlah batang tebu, panjang batang tebu dan lain – lain. Data-data tersebut nantinya akan dijadikan variabel untuk menentukan nilai perkiraan hasil panen dari tiap-tiap lahan, dari nilai perkiraan tersebut nantinya akan dijadikan dasar keputusan – keputusan pihak manajemen menyangkut produksi, seperti penentuan lama produksi dalam satu periode, maupun berapa alokasi dana yang dibutuhkan sebagai penunjang kegiatan proses produksi. Oleh karena itu sudah sepatutnya nilai perkiraan hasil panen lahan tebu yang dihasilkan harus seakurat mungkin.

Pohon regresi (regression tree) adalah salah satu metode yang digunakan untuk melakukan prediksi nilai suatu data dimasa yang akan datang. Berdasarkan proses yang terjadi, regression tree dapat dibagi menjadi dua yaitu proses learning dan proses prediksi. Input regression tree terdiri dari kumpulan instance/case/record dimana setiap instance/case/record terdiri dari satu atau lebih variabel prediktor/variabel bebas dan satu variabel target/variabel tidak bebas. Variabel prediktor dapat mempunyai discrete atau continuous value, sedangkan variabel target hanya mempunyai continuous value. Dalam tesis ini yang akan

2

diprediksi adalah angka hasil panen tebu. Keuntungan menggunakan metode regression tree adalah kemampuan menghasilkan output yang sederhana sehingga memudahkan untuk dipahami dan diinterpretasi, tidak memerlukan waktu yang banyak dalam proses komputasinya, dan kemampuan mengolah data proporsi atau data kontinyu.

Berdasarkan uraian tersebut serta mengingat bahwa perkiraan hasil panen lahan tebu merupakan aktivitas yang dilakukan berulang-ulang, maka PT Perkebunan Nusantara XI (Persero) membutuhkan suatu sistem prediksi hasil panen lahan tebu untuk menyediakan informasi yang dapat mendukung pengambilan keputusan – keputusan terkait proses produksi gula..

Tujuan Dan Manfaat Penelitian Tujuan utama dari pembuatan tesis yang akan dilaksanakan adalah memanfaatkan metode regression tree untuk memprediksi hasil panen lahan tebu tiap unit usaha pabrik gula PT Perkebunan Nusantara XI sebagai bentuk optimalisasi pelaporan data hasil panen lahan tebu oleh unit usaha pabrik gula kepada pihak manajemen PT Perkebunan Nusantara XI dimana laporan digunakan sebagai penunjang pengambilan keputusan terkait produksi.

Terminologi Berikut ini adalah istilah-istilah yang nantinya banyak digunakan dalam penulisan tesis ini :

1. Kebun : Adalah hamparan tanah dengan luasan bermacam – macam yang digunakan untuk menanam tananaman tebu. Satu kebun tebu terdiri dari satu atau lebih petak.

2. Petak : Pemecahan luasan kebun untuk memudahkan pengawasan. Satu petak terdiri dari banyak juring.

3. Juring : Adalah lubang tanam, pada sebuah petak terdiri dari banyak juring.

4. Direktorat Tanaman : Adalah bidang di kantor pusat PT Perkebunan Nusantara XI yang mengkoordinir bagian tanaman di seluruh unit usaha pabrik gula.

5. Administratur : Adalah pimpinan pabrik gula 6. Kepala Tanaman : Adalah pimpinan tertinggi pada bagaian tanaman di

unit usaha pabrik gula. 7. Taksasi : Menduga potensi produksi tebu (bobot tebu) yang bakal

diperoleh pada saat kebun tersebut ditebang padahal kebun tersebut baru ditebang beberapa bulan lagi dari saat ditaksasi

8. Sinder Kebun Wilayah (SKW) : Pengelola kebun dengan luas tertentu pada wilayah tertentu pula. Seorang sinder membawahi beberapa mandor.

9. Mandor : Pengawas pertumbuhan dan pemanenan tebu di kebun. Satu mandor mengawasi lebih dari satu kebun dan bertanggung jawab kepada seorang Sinder Kebun Wilayah (SKW).

3

Hipotesa Diyakini bahwa metode Regression Tree dapat memprediksi hasil panen

tebu di PT Perkebunan Nusantara XI (Persero) dalam sebuah musim tanam dengan akurasi Tidak Kurang dari 95 %.1 Tinjauan Pustaka 1. Regression Trees

Disebutkan dalam laporan tugas akhir strata 1 berjudul Studi Analisa Regression Tree Lokal Sebagai Alternatif Regression Tree Standar yang disusun oleh Budi Utomo.S 2, berdasarkan prosesnya, regression tree dapat dibagi menjadi 2 tahap yaitu tahap learning dan tahap prediction. Berdasarkan hasil prediksinya, regression tree dapat dibagi menjadi standar dan local regression tree. Standar regression tree terlibat dalam tahap learning sedangkan local regression tree terlibat dalam tahap prediksi. Dalam tahap learning input adalah data training. Dalam proses induksi dengan menggunakan algoritma GrowLSTree/GrowLADTree, dihasilkan regression tree. Regression tree yang terbentuk ini lalu dipruning dengan input data holdout sample sehingga menghasilkan regression tree yang telah dipruning. Algoritma GrowLSTree/GrowLADTree ini merupakan algoritma untuk menumbuhkan standar regression tree. Dibawah ini adalah gambar blok diagram dari proses Regression Tree :

1 Tercantum dalam Standard Operating Procedure Bagian Tanaman PT Perkebunan Nusantara XI bahwa untuk angka taksasi tebu dengan cara konvensional, penyimpangan maksimum dari realisasi adalah sebesar 5% atau angka akurasi minimalnya 95% maka diharapkan prediksi menggunakan Regression Tree angka akurasinya sama dengan SOP. 2 Budi Utomo S. Studi Analisa Regression Tree Lokal Sebagai Alternatif Regression Tree Standar (Tugas Akhir Strata 1 iSTTS, Surabaya, 2003) p. 34

Proses prediksi

Prediction Result

Data Prediction Tahap Learning

Tahap Prediction

Proses Induksi Data Training Regression Tree

Holdout sample Proses pruning

Regression Tree yang telah dipruning

4

Proses learning adalah proses dimana program diberikan sejumlah contoh data input dan data output.Tahap learning berusaha mencari apakah ada hubungan antara variabel input dengan output dan pada akhirnya menghasilkan sekumpulan rule klasifikasi yang diharapkan dapat berlaku untuk input data yang mungkin tidak disertakan dalam tahap learning.

Adapun bentuk umum dari tree yang digunakan pada proses learning dapat dilihat pada gambar dibawah ini :

Berdasarkan hirarkinya, model tree dapat terbagi menjadi 3 bagian yaitu

tree root, tree branch, dan tree leaves. Untuk root dan branch diwakili oleh bentuk lingkaran dan untuk leaves diwakili oleh bentuk persegi panjang. Tree ditelusuri mulai rootnya dan menurun menuju ke branch dan berakhir adalah tree leaf. Pada root dan branch selalu terjadi pengecekkan untuk sebuah atribut apakah betul atau salah. Jika atribut yang dites menghasilkan value true maka flow akan mengikuti ke arah left child dan sebaliknya. Contoh : Seandainya kita mempunyai data MeanNO3 = 3,5 dan MinO2 = 1,0 dengan melakukan penelusuran tree gambar diatas akan menghasilkan output Y = 0,60. Sedangkan proses prediksi adalah proses dimana program diberikan sekumpulan data yang belum pernah diberikan dalam tahap learning (dikenal dengan istilah data testing) untuk menguji tingkat akurasi dari rule klasifikasi yang telah dihasilkan dalam tahap learning. Semakin besar tingkat keakurasian dari kumpulan rule tersebut semakin baik pula hasil prediksinya. Local Regression Tree digunakan dalam proses prediksi. Proses prediksi menggunakan salah satu metode : Kernel Models, Local Linear Polynomial atau Partial Linear.

5

2. Taksasi / taksiran produksi lahan Disebutkan dalam bahan presentasi mengenai taksasi produksi yang

disusun oleh Tri Siswanto3, taksasi atau taksiran adalah salah satu kegiatan rutin yang dilakukan oleh bidang kerja terkait dengan lahan dan bahan baku adalah melakukan taksasi produksi lahan. Pengertian taksasi produksi diperkebunan tebu adalah menduga potensi produksi tebu (bobot tebu) yang bakal diperoleh pada saat kebun tersebut ditebang padahal kebun tersebut baru ditebang beberapa bulan lagi dari saat ditaksasi . Adapun pelaksanaan taksasi ada tiga periode, yaitu :

1. Taksasi September → dilakukan bagi keperluan pendanaan, sekarang sudah tidak dikerjakan lagi karena sebagian besar dana telah diperoleh dari paket kredit

2. Taksasi Desember → dilakukan untuk keperluan penyediaan karung gula.

3. Taksasi Maret → Dilakukan untuk keperluan penaksiran produksi sehingga dapat ditentukan harus impor atau tidak

Pelaksanaan taksasi dilakukan oleh mandor kebun dan SKW, hasil dari

taksasi diperiksa oleh kepala tanaman bersama Administratur selanjutnya akan dilaporkan kepada Direktorat tanaman kantor pusat yang akan diteruskan kepada Direksi. (lihat lampiran 2) Ada beberapa tujuan dari dibuatnya laporan taksasi lahan antara lain4:

1. Sebagai perkiraan kuanta bahan baku tebu yang akan digiling pabrik gula.

2. Laporan taksasi digunakan sebagai dasar penentuan lama produksi di masing-masing pabrik gula.

3. Laporan taksasi juga digunakan sebagai perkiraan biaya produksi (pembelian bahan pembantu produksi, perkiraan jumlah pemakaian karung)

4. Dari laporan taksasi dapat diperkirakan jumlah gula yang akan diproduksi.

Pada Standard Operating Procedure Bagian Tanaman PT Perkebunan

Nusantara XI 5menjelaskan tahapan-tahapan pelaksanaan dan standard teknis taksasi adalah sebagai berikut :

1. Menfungsikan jalan kebun : menyiapkan jalan menuju kebun untuk mempermudah pelaksanaan taksasi

2. Penetuan tempat juringan yang ditaksasi : tiap petak contoh diambil +/- 5% dari total juringan. Juringan yang dihitung adalah juring ke 15,10 dan 45

3 Tri Siswanto, Taksasi Produksi ( Presentasi calon karyawan bidang tanaman PT Perkebunan Nusantara XI ) Slide no 2 4 Hasil wawancara dengan kepala bidang tanaman kantor pusat PT Perkebunan Nusantara XI (persero) 5 Standard Operation Presedure (SOP) Bagian Tanaman PT Perkebunan Nusantara XI (persero) p. 41-42

6

3. Pengukuran tinggi batang : untuk pelaksanaan pengukuran dilakukan dengan memasang bambu ukur di kebun. 1 petak minimal dipasang 1 bambu ukur (3 – 5 Ha). Jika dalam satu petak sangat heterogen pertumbuhannya dapat dipasang lebih dari satu bambu ukur.

4. Perhitungan produksi : - Penghitungan jumlah batang

Dalam penghitungan jumlah batang, batang tebu yang dihitung mencapai jumlah +/- 5% per petak. Yang dihitung adalah batang hidup. Jika batang hidup tapi kecil, 2-3 batang dapat dianggap 1 batang.

‐ Penghitungan tinggi batang Penghitungan tinggi batang diukur dari atas tanah hingga pucuk daun teratas. Penghitungan ini dilakukan pada rumpun yang sama. Tiap petak diambil 10 sample, jika kondisinya heterogen maka sample harus semakin banyak. Panjang batang yang diukur harus menggambarkan kondisi lapangan.

- Penentuan berat batang tiap meter Yang dilakukan adalah mengukur diameter tebu, untuk menentukan hubungan diameter dengan berat tebu diambil dari data-data analisa pendahuluan. Diameter diukur menggunakan jangka sorong dan diukur dibagian tengah batang.

- Menghitung tebu per hektar (hitungan) Rumus penghitungan : a x b x c x d a = batang per juring b = tinggi batang c = berat per meter d = faktor juringan

- Menghitung tebu per hektar (pandangan) Dilakukan oleh seseorang yang sudah berpengalaman dengan mempertimbangkan beberapa faktor seperti iklim dan bulan tebang. Penghitungan ini didasarkan oleh pengamatan dan pengalaman.

- Menghitung taksasi tebu untuk dilaporkan Untuk taksasi tebu yang akan dilaporkan dihitungan dengan cara taksasi hitungan ditambah taksasi pandangan dibagi 2, hasil penghitungan ini penyimpangan maksimum dari realisasi adalah sebesar 5%

Laporan inilah yang nantinya akan dianalisa dan diprediksi angka hasil panen tebu nya diharapkan nantinya output hasil prediksi dapat seakurat mungkin sehingga pada pemanfaatannya oleh pihak manajemen dapat menghasilkan keputusan/kebijakan yang tepat. Untuk contoh laporan dan penjelasan tiap-tiap kolomnya dapat dilihat pada lampiran 3

7

Ruang Lingkup / Batasan Masalah

1. Batasan masalah Dalam tesis ini yang prediksi yang akan dilakukan adalah hanya prediksi

hasil panen tebu pada unit usaha pabrik gula di PT Perkebunan Nusantara XI (Persero).

2. Sumber data yang digunakan Data yang digunakan dalam pembuatan tesis ini adalah data laporan

taksasi lahan (lihat lampiran 3). Data taksasi yang digunakan diperoleh dari 16 unit usaha pabrik gula di PT Perkebunan Nusantara XI antara lain :

1. PG Soedhono berlokasi di Ngawi 2. PG Poerwodadie berlokasi di Ngawi 3. PG Redjosarie berlokasi di Ngawi 4. PG Pagottan berlokasi di Madiun 5. PG Kanigoro berlokasi di Madiun 6. PG Kedawoeng berlokasi di Pasuruan 7. PG Wonolangan berlokasi di Probolinggo 8. PG Gending berlokasi di Probolinggo 9. PG Padjarakan berlokasi di Probolinggo 10. PG Djatiroto berlokasi di Lumajang 11. PG Semboro berlokasi di Jember 12. PG Wringinanom berlokasi di Situbondo 13. PG Olean berlokasi di Situbondo 14. PG Pandjie berlokasi di Situbondo 15. PG Assembagoes berlokasi di Situbondo 16. PG Pradjekan berlokasi di Situbondo

Peta sebaran lokasi unit usaha pabrik gula pada PT Perkebunan Nusantara XI dapat dilihat pada lampiran 1. Laporan yang akan digunakan adalah laporan taksasi periode maret6, dimana laporan taksasi periode ini laporan taksasi terakhir sebelum memasuki periode produksi.

3. Contoh data Seperti dilihat pada lampiran 3 , lampiran ini adalah contoh laporan

taksasi dari PG Wonolangan Probolinggo. Dengan detail laporannya sebagai berikut : - Sumber : Laporan taksasi PG Wonolangan Probolinggo periode 2009/2010 - Jumlah SKW = 5 orang - Jumlah lembaran laporan tercetak masing – masing SKW :

a. SKW 1 = 10 lembar b. SKW 2 = 3 lembar c. SKW 3 = 7 lembar d. SKW 4 = 6 lembar

6 Data yang dipakai adalah data taksasi maret, dimana data taksasi ini adalah data yang paling terdekat dengan pelaksanaan panen, sudah barang tentu kondisi tanaman tebu yang ditaksasi adalah ketika kondisi terakhir menjelang dipanen dimana pengaruh faktor – faktor eksternal seperti cuaca, hama, pupuk dan lain – lain sudah ada pengaruhnya ke fisik tanaman misal pengaruh cuaca atau pupuk kepada panjang batang tebu, diameter maupun berat batang.

8

e. SKW 5 = 7 lembar Jumlah laporan tercetak = 33 lembar Jumlah record = 700 record Contoh data yang dilampirkan : Data Taksasi SKW 2 Penjelasan :

• Nama SKW = Ferry • Jumlah kebun yang dikelola : 35 kebun antara lain

• Jumlah no petak : 42 petak • Jumlah mandor : 4 mandor • Jenis kebun TS dan TR

4. Volume data • Jika diasumsikan tiap pabrik gula mempunyai lembar laporan tercetak

sama yaitu 33 lembar maka untuk satu periode jumlah laporan tercetak adalah 33 lembar x 16 PG = 528 lembar.

• Jika dari 33 lembar yang tercetak terdapat 700 record ( sample PG Wonolangan) dan diasumsikan semua pabrik gula sama jumlah recordnya maka minimal jumlah record dari 16 pabrik gula per periode adalah 700 x 16 PG = 11200 record. X 3 (periode) = 33600 record

• Laporan taksasi yang digunakan adalah laporan taksasi periode 3 tahun terakhir yaitu tahun 2007 sampai 20097

• Perbandingan data untuk trainning dan testing adalah 70 : 30 dengan rincian : 70% untuk training = 23520 record

7 Data tahun 2010 tidak dipakai dengan pertimbangan pada tahun tersebut terjadi perubahan iklim yang ektrim sehingga diasusmsikan data pada tahun tersebut menjadi tidak valid.

1. Sbr Kedawung 2. Jorongan 3. Ketapang 4. Triwung Kidul 5. Ketapang 6. Jrebeng Lor Lhr 7. Kedungasem 8. Kademangan 9. Pakistaji 10. Pilang 11. Jrebeng Kulon 12. Sumber Taman 13. Pilang 14. Ketapang 15. Ketapang 16. Ketapang 17. Kedungrejo 18. Kedungrejo 19. Kedungrejo 20. Tigasan

21. Sumber Taman 22. Sumbertaman 23. Sumbertaman 24. Ketapang 25. Sumber Kdw 26. Jrebeng Kln Pkt 27. Sumbertaman 28. Kedung Rejo 29. Tigasan Wetan 30. Sumber Bulu 31. Triwung Umbut 32. Ketapang Husen 33. Triwung Waduk 34. Kedung Asem 35. Warujinggo

9

30% untuk testing = 10080 record

5. Input dan Target Dalam sebuah record pada laporan taksasi yang nantinya akan digunakan dalam penelitian tesis ini terdapat field-field sebagai berikut : InputNo Nama Field Tipe Data1 Jenis Tebu Char2 M/T (Masa Tanam) Char3 Luas Area (Ha) Float4 Banyak juring tiap petak tebang Integer5 Jumlah batang tebu tiap petak tebang Integer6 Rata‐rata panjang batang (meter) Float7 Diameter Batang (meter) Float8 Berat rata ‐ rata tebu per batang Float

TargetNo Nama Field Tipe Data1 Taksasi produksi tebu pandangan (jumlah) Integer

Lihat lampiran 3, yang diberi blok warna kuning adalah input, sedangkan warna biru adalah target.

6. Diagram alur Adapun rancangan diagram dari sistem prediksi dengan menggunakan

regression tree yang akan dibuat dalam tesis ini ditunjukkan pada gambar dibawah ini :

10

Keterangan Gambar

Input : data taksasi Proses Regression Tree

Proses learning : program diberikan sejumlah contoh data input dan data output.Tahap learning berusaha mencari apakah ada hubungan antara variabel input dengan output dan pada akhirnya menghasilkan sekumpulan rule klasifikasi yang diharapkan dapat berlaku untuk input data yang mungkin tidak disertakan dalam tahap learning. Tahap Learning : ‐ Proses induksi : proses induksi menggunakan algoritma GrowLSTree /

GrowLADTree dan menghasilkan Regression tree

Start

Stop

Input Data

Output

Proses prediksi

Prediction Result

Data Prediction Tahap Learning

Tahap Prediction

Proses Induksi Data Training Regression Tree

Holdout sample Proses pruning

Regression Tree yang telah dipruning

11

‐ Holdout sample : adalah sebuah sample dari data yang tidak digunakan didalam fitting sebuah model, digunakan untuk menilai performa dari model tersebut.

‐ Proses Prunning : Regression tree yang terbentuk ini lalu dipruning dengan input data holdout sample sehingga menghasilkan regression tree yang telah dipruning. Proses pruning merupakan bagian dari proses pembentukan decision tree. dilakukan untuk menemukan tree yang akurat. Pruning diperlukan untuk mengatasi masalah overfitting terhadap data training. Overfitting terhadap data training terjadi karena adanya noise pada data ataupun jumlah data training terlalu sedikit sehingga tidak dapat mewakili data sesungguhnya.

Proses prediksi : program diberikan sekumpulan data yang belum pernah diberikan dalam tahap learning (dikenal dengan istilah data testing) untuk menguji tingkat akurasi dari rule klasifikasi yang telah dihasilkan dalam tahap learning. Semakin besar tingkat keakurasian dari kumpulan rule tersebut semakin baik pula hasil prediksinya.

Output : angka prediksi hasil panen tebu

Metode Penelitian

Metode yang digunakan dalam mengerjakan penelitian ini adalah : 1. Studi Literatur

Dengan mempelajari buku-buku referensi dan paper / jurnal yang berkaitan dengan permasalahan penelitian yang diangkat serta mencari solusi yang terbaik. Topik bahasan utama yang dibutuhkan diantaranya adalah teori tentang regression tree secara umum, teori tentang penerapan regression tree dalam proses prediksi dan teori tentang taksiran poduktifitas lahan tebu.

2. Analisa Melakukan uji coba secara teoritis terhadap masalah yang diangkat guna menganalisa apakah teknik yang digunakan dapat menghasilkan solusi yang diinginkan. Metode regression tree digunakan dalam proses prediksi.. Untuk itu sampel data citra akan diambil laporan taksasi yang sudah dikumpulkan. Hipotesa ditentukan dari nilai rata-rata best-case dan worst-case nya.

3. Implementasi Membuat program dari hasil perancangan yang telah dibuat untuk

mengimplementasikan serta membuktikan bahwa hasil analisa secara teoritis yang telah dilakukan benar-benar dapat berjalan sesuai yang diharapkan.

4. Pengujian Sistem Melakukan pengujian pada sistem yang telah dibuat. Teknik yang digunakan antara lain :

a. Teknik white-box testing Yaitu dengan melakukan pengujian terhadap source code serta algoritma dan logika yang dipakai, apakah telah sesuai dengan requirement.

12

b. Teknik black-box testing Yaitu menguji langsung program yang telah dibuat dengan memasukkan data-data dan kemudian melihat apakah hasil yang diperoleh sudah sesuai dengan yang diharapkan atau tidak.

Kedua langkah pengujian ini dilakukan berulang-ulang hingga dicapai suatu sistem sesuai dengan kebutuhan yang diharapkan.

5. Dokumentasi Merupakan langkah akhir, penyusunan laporan mulai dari latar belakang permasalahan sampai dengan pengambilan kesimpulan akan dijelaskan oleh penulis dalam tahap dokumentasi ini.

Jadwal Penelitian

No Keterangan Bulan Ke 1 2 3 4 5

1 Studi Literatur

2 Analisa

3 Implementasi

4 Pengujian Sistem

5 Dokumentasi

13

Daftar Pustaka Direktorat Tanaman PT Perkebunan Nusantara XI., 2008. Standard Operation

Prosedure (SOP) Bagian Tanamanan PT. Perkebunan Nusantara XI (Persero), Direktorat Tanaman PT Perkebunan Nusantara XI, Surabaya.

Kuntarto Heri., 2010. Laporan Magang Kerja Tahap III Di PG Djatiroto

Lumajang, PT Perkebunan Nusantara XI (Persero), Surabaya Budi Utomo S, 2003. Studi Analisa Regression Tree Lokal Sebagai Alternatif

Regression Tree Standar,.Tugas Akhir Strata 1 iSTTS, Surabaya. Khairina Indah Kuntum. Penggunaan Pohon Keputusan untuk Data Mining,

Makalah Program Studi Teknik Teknik Informatika, Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Bandung

Komalasari Wieta B,2007. Metode Pohon Regresi Untuk Eksploratori Data

Dengan Peubah Yang Banyak Dan Kompleks,. Informatika Pertanian Volume 16 No. 1, Jakarta

Siswanto Tri, 2007. Taksasi Produksi,. Bahan presentasi calon karyawan bidang

tanaman, Surabaya

14

Hasil Sidang I Proposal Tesis – Periode Maret 2011 NRP : 208210110 Nama Mahasiswa : Anung Adhi Nugraha Judul : Pemanfaatan Regression Tree Untuk Prediksi Hasil Panen

Tebu Sebagai Penunjang Pengambilan Keputusan Pada PT Perkebunan Nusantara XI (Persero)

Pembimbing : Ir. Gunawan, M.Kom Co. Pembimbing : - Reviewer 1 : Lukman Zaman, M.Kom Status : Disetujui Catatan : ‐ Data sudah lengkap ‐ Metode sudah jelas ‐ Hipotesis jelas

Tanggapan : - Penyusunan tesis akan dilanjutkan ke proses berikutnya.

Reviewer 2 : Ir. Arya Tandy Hermawan, M.T Status : Catatan : ‐ Penelitian yang dibuat tidak boleh hanya terapan metode Regression Tree.

Alternatif terdapat modifikasi dimana penyesuaian dilakukan berdasarkan pada karakteristik objek penelitian.

‐ Taksasi manual mencapai ketelitian 95%, kalau penelitian dengan program hanya pada ketelitian 90% kurang memadai.

‐ Perlu definisi variable yang terlibat dalam sistem agar jelas tingkat kompleksitas dalam penelitian ini. Seperti pengelola, wilayah apakah variabel?

‐ Tekanan penelitian bukan pada aplikasi program. Parameter umum yang dipakai prediksi terlihat terkonsentrasi pada parameter tebu (panjang, diameter, berat dll)

Tanggapan : - Jenis tesis yang dipilih dalam penyusunan tesis ini adalah jenis tesis

kontribusi pemanfaatan seperti yang tercantum pada Pedoman Penulisan Proposal Tesis 2011 Program Magister Teknologi Informasi halaman 6 dimana Kontribusi pemanfaatan = memanfaatkan teori atau algoritma untuk masalah atau kasus riil di dunia nyata. Jadi tesis ini memanfaatkan metode Regression Tree untuk kasus riil di PT Perkebunan Nusantara XI (Persero) dan belum terfikirkan tentang adanya modifikasi metode.

- Angka 95% adalah minimal ketelitian yang harus dicapai pada pelaksanaan taksasi bukanlah angka ketelitian taksasi manual yang sudah dilakukan selama ini ,angka ini diperoleh dari SOP (Standard Operation Precedure)

15

dimana angka penyimpangan maksimum data taksasi dari realisasi adalah sebesar 5% jadi angka minimal ketelitian taksasi adalah 100% – 5% = 95%. Berdasarkan hal tersebut maka hipotesa dikoreksi menjadi “Diyakini bahwa metode Regression Tree dapat memprediksi hasil panen tebu di PT Perkebunan Nusantara XI (Persero) dalam sebuah musim tanam dengan akurasi Tidak Kurang dari 95 % “.

- Variabel – variabel yang digunakan pada penyusunan tesis ini sudah dijelaskan pada proposal halaman 8 dimana variabel yang terlibat adalah jenis tebu,masa tanam, luas area, banyak juring,jumlah batang tebu, panjang batang tebu, diameter batang tebu dan berat rata – rata batang tebu.

- Penelitian tidak hanya terkonsentrasi pada parameter tebu, karena parameter terkait lahan seperti luasan area lahan dan jumlah juringan juga dipakai dalam penelitian ini.

Reviewer 3 : Ir. Endang Setyati, M.T Status : Disetujui Catatan : ‐ Untuk mendapatkan nilai prediksi seakurat mungkin, dibutuhkan data historis

yang panjang. Pastikan data yang diambil dari tahun berapa sampai tahun berapa. (Sebaiknya data historis minimal 7 -10 tahun sebelumnya, dengan frekuensi hasil panen lebih dari 2-4 x panen pertahun, mengingat data PTP Nusantara jelas – jelas tersedia).

Tanggapan : - Data yang sudah bisa dipastikan didapat dan akan digunakan dalam

penyusunan tesis ini adalah data 3 tahun terakhir (3 periode panen) yaitu tahun 2008 sampai 2010.

Keputusan Sidang Status : Diperbaiki Catatan : ‐ Tuliskan alasan adanya selisih akurasi dengan taksasi manual ‐ Diperjelas kaitan prediksi dengan parameter yang dipakai, mengapa

parameter eksternal seperti cuaca, hama, jenis pupuk dll tidak dipakai Tanggapan : - Setelah bertanya pada narasumber terkait dengan taksasi dan membaca

pustaka yang ada maka hipotesa dikoreksi menjadi “Diyakini bahwa metode Regression Tree dapat memprediksi hasil panen tebu di PT Perkebunan Nusantara XI (Persero) dalam sebuah musim tanam dengan akurasi Tidak Kurang dari 95 % “. Angka 95% didapatkan dariangka minimal ketelitian yang harus dicapai pada pelaksanaan taksasi, angka ini diperoleh dari SOP (Standard Operation Precedure) dimana angka penyimpangan maksimum data taksasi dari realisasi adalah sebesar 5% jadi angka minimal ketelitian taksasi adalah 100% – 5% = 95%.

- Alasan mengapa parameter eksternal seperti cuaca, hama, pupuk dll tidak

16

dipakai adalah terkait dengan data yang dipakai dalam penyusunan tesis ini. Data yang dipakai adalah data taksasi maret, dimana data taksasi ini adalah data yang paling terdekat dengan pelaksanaan panen, sudah barang tentu kondisi tanaman tebu yang ditaksasi adalah ketika kondisi terakhir menjelang dipanen dimana pengaruh faktor – faktor eksternal seperti cuaca, hama, pupuk dan lain – lain sudah ada pengaruhnya ke fisik tanaman misal pengaruh cuaca atau pupuk kepada panjang batang tebu, diameter maupun berat batang. Atas dasar hal inilah kenapa faktor eksternal tidak dipakai.

Hasil Sidang II Proposal Tesis - Periode Maret 2011 Reviewer 1 : Yosi Kristian, M.kom. Status : Disetujui Catatan : 1. Tuliskan jumlah record data yang akan digunakan sebagai data training dan jumlah data yang akan digunakan sebagai data testing. Reviewer 2 : Yuliana Melita Pranoto, M.Kom. Status : Disetujui Catatan : 1.Apakah input data taksasi bulan maret saja cukup untuk melakukan prediksi hasil panen dengan akurasi tidak kurang dari 95%? 2.Mengapa tidak digunakan data taksasi selama satu tahun (3x taksasi) ? Reviewer 3 : Ir. FX Ferdinandus, M.T. Status : Catatan : - Keputusan Sidang Status : Diperbaiki Syarat : 1) Pertanyaan bu Melita wajib dijawab di proposal. 2) Jelaskan Mengapa data tahun 2010 tidak dipakai.

17

Lampiran 1 Gambar peta sebaran unit usaha Pabrik Gula PT Perkebunan Nusantara XI (Persero)

18

Lampiran 2 Alur pelaporan Taksasi Maret

Alur pelaporan taksasi lahan dari pabrik gula kepada manajemen:

Gambar Alur pelaporan taksasi lahan

Kepala Tanaman

Sinder Kebun Wilayah Dan

Mandor

Administratur Pabrik Gula

Unit Usaha Pabrik Gula

Direktorat Tanaman

Direksi

Kantor Pusat

19

Lampiran 3 Contoh Laporan Taksasi Maret

No. Rata-2 DiameSKW/ Petak Kate Jenis Luas Tiap Tiap Panjang terKebun Tebang gori Tebu Areal Petak Tiap Ju Petak Tiap Ha Batang Btg Per Per Tebu/ Tebu/ Tebu/

( Ha ) Tebang ( Ha ) ring Tebang (Mtr) (Cm) Mtr Btg Ha Ha HaAfd II/ FerrySbr Kedawung Cung Sis S1 02001 TSS I KS PS 864 7B 3,558 3.321 933 65 215.865 60.670 3,00 0,50 1,50 3.237 910 3.558 1.000 3.398 955

Jorongan Cung Sis S1 02002 TSS I KS PS JT 6B 0,352 321 912 72 23.112 65.659 3,00 0,45 1,35 312 886 317 900 314 893

Ketapang Suher S1 02003 TSS I KS PS 864 8A 0,397 387 975 65 25.155 63.363 2,75 0,50 1,38 346 872 337 850 342 861

Triwung Kidul Suher S1 02004 TSS I KS PS 862 6B 0,614 575 936 69 39.675 64.617 2,50 0,50 1,25 496 808 522 850 509 829

Ketapang Suher S1 02005 TSS I KS PS 864 8A 0,400 361 903 72 25.992 64.980 2,75 0,44 1,21 315 788 340 850 328 819

Jrebeng Lor Lhr Ruham S1 02006 TSS I KS BL 10B 2,287 2.232 976 64 142.848 62.461 2,75 0,45 1,24 1.768 773 1.944 850 1.856 812 Ruham S1 02007 TSS I KS BL 10B 0,640 662 1.034 70 46.340 72.406 2,75 0,45 1,24 573 895 480 750 526 823

2,927 2.894 989 65 189.188 64.635 2,75 0,45 1,24 2.341 800 2.424 828 2.382 814

Kedungasem Ruham S2 02001 TSS II KS BL 9B 0,392 328 837 65 21.320 54.388 2,50 0,43 1,08 229 584 235 600 232 592

Kademangan Didik S2 02002 TSS II KS PS 864 8A 0,858 765 892 73 55.845 65.087 2,50 0,45 1,13 629 733 686 800 658 767 Didik S2 02003 TSS II KS BL 9A 1,031 949 920 70 66.430 64.433 2,50 0,45 1,13 747 725 825 800 786 763 Didik S2 02004 TSS II KS PS 864 10B 0,841 920 1.094 69 63.480 75.482 2,50 0,45 1,13 714 849 715 850 714 850

2,730 2.634 965 71 185.755 68.042 2,50 0,45 1,13 2.090 766 2.226 815 2.158 790

Pakistaji Ruham S2 02005 TSS II KS BL 10A 2,696 2.704 1.003 73 197.392 73.217 2,50 0,43 1,08 2.122 787 2.292 850 2.207 819 Ruham S2 02006 TSS II KS BL 10A 1,909 1.819 953 73 132.787 69.558 2,50 0,43 1,08 1.428 748 1.623 850 1.525 799 Ruham S2 02007 TSS II KS BL 10A 0,904 820 907 75 61.500 68.031 2,50 0,43 1,08 661 731 723 800 692 766

5,509 5.343 970 73 391.679 71.098 2,50 0,43 1,08 4.211 764 4.638 842 4.424 803

Pilang Suher S2 02008 TSS II KS PS 864 10A 1,623 1.497 922 72 107.784 66.410 2,75 0,44 1,21 1.304 803 1.298 800 1.301 802 Suher S2 02009 TSS II KS PS 862 10A 1,162 1.046 900 71 74.266 63.912 2,75 0,44 1,21 898 773 906 780 902 777

2,785 2.543 913 72 182.050 65.368 2,75 0,44 1,21 2.202 791 2.204 791 2.203 791

Jrebeng Kulon Didik S2 02010 TSS II KS BL 8B 0,411 395 961 70 27.650 67.275 2,75 0,50 1,38 380 925 390 950 385 938

TAKSASI MARET TG. 2009/2010

Luas Areal Ditanami Jumlah Batang Tebu Berat rata-rata Taksasi Produksi Tebu ( Kui ) Jarak

GPSMandor/ Kelompok

M/T Banyaknya Juringan Tebu (Kg) Dihitung Pandangan Terkoreksi kutan ( K

Jumlah Jumlah Jumlah L T

20


( Ha ) Tebang ( Ha ) ring Tebang (Mtr) (Cm) Mtr Btg Ha Ha HaAfd II/ FerrySumber Taman H. Mahmud K1 02001 TRS I K PS 862 9A 1,537 1.460 950 88 128.480 83.591 3,00 0,40 1,20 1.542 1.003 1.537 1.000 1.539 1.002

Pilang H. Suwignyo K1 02002 TRS I K PS 864 11A 0,818 777 950 78 60.606 74.090 2,50 0,44 1,10 667 815 736 900 701 858

Ketapang H. Suwignyo K1 02003 TRS I K PS 864 12A 1,275 1.211 950 84 101.724 79.784 2,00 0,43 0,86 875 686 1.020 800 947 743

Ketapang H. Suwignyo K1 02004 TRS I K PS 864 12A 0,332 315 949 70 22.050 66.416 2,50 0,43 1,08 237 714 249 750 243 732

Ketapang Hasyim K1 02005 TRS I K BL 12A 1,143 1.086 950 85 92.310 80.761 2,00 0,44 0,88 812 710 914 800 863 755

Kedungrejo Suhud Efendi K3 02001 TRT I K BL 9A 2,928 2.782 950 72 200.304 68.410 2,75 0,43 1,18 2.368 809 2.342 800 2.356 805

Kedungrejo Suhud Efendi K3 02002 TRT I K BL 11A 2,777 2.638 950 72 189.936 68.396 2,50 0,43 1,08 2.042 735 2.222 800 2.131 768

Kedungrejo Suhud Efendi K3 02003 TRT I K BL 10B 0,681 647 950 72 46.584 68.405 2,50 0,43 1,08 501 736 511 750 506 743

Tigasan H.Sofyan K3 02004 TRT I K BL 11B 0,469 446 950 73 32.558 69.420 2,50 0,43 1,08 350 746 352 750 351 748

Sumber Taman H.Mahmud K2 02001 TRS II K BL 8A 3,598 3.418 950 70 239.260 66.498 3,00 0,45 1,35 3.230 898 3.238 900 3.235 899

Sumbertaman H.Mahmud K2 02002 TRS II K BL 8A 0,359 341 950 71 24.211 67.440 3,00 0,45 1,35 327 911 323 900 325 906

Sumbertaman H. Mahmud K2 02003 TRS II K BL 8A 2,627 2.496 950 100 249.600 95.013 3,00 0,45 1,35 3.369 1.282 3.152 1.200 3.260 1.241

Ketapang Hasyim K2 02004 TRS II K PS 851 11A 0,378 359 950 74 26.566 70.280 2,50 0,42 1,05 279 738 284 750 281 744

Sumber Kdw Imam Hanafi K2 02005 TRS II K BL 9B 2,522 2.396 950 71 170.116 67.453 2,50 0,43 1,08 1.829 725 1.892 750 1.860 738

Jrebeng Kln Pkt H. Slamet K2 02006 TRS II K BL 11B 1,855 1.762 950 68 119.816 64.591 2,50 0,44 1,10 1.318 711 1.299 700 1.309 706

Sumbertaman H. Abd. RahmanK2 02007 TRS II K BL 10A 0,173 166 960 72 11.952 69.087 3,00 0,43 1,29 154 890 156 900 155 895

Kedung Rejo Suhud Efendi K4 02001 TRT II K BL 8B 2,967 2.819 950 73 205.787 69.359 2,50 0,43 1,08 2.212 746 2.225 750 2.219 748 Suhud Efendi K4 02002 TRT II K BL 8B 4,281 4.067 950 72 292.824 68.401 2,50 0,43 1,08 3.148 735 3.189 745 3.168 740

7,248 6.886 950 72 498.611 68.793 2,50 0,43 1,08 5.360 740 5.414 747 5.387 743

Tigasan Wetan Misnali K4 02003 TRT II K BL 11B 2,732 2.595 950 71 184.245 67.440 2,50 0,43 1,08 1.981 725 2.049 750 2.015 738



GPSMandor/ Kelompok

M/T Banyaknya Juringan Tebu (Kg) Dihitung Pandangan Terkoreksi kutan ( K


21


( Ha ) Tebang ( Ha ) ring Tebang (Mtr) (Cm) Mtr Btg Ha Ha HaAfd II/ FerrySumber Bulu Hadiprayitno M2 02001 TRS II M BL 9A 0,370 352 950 75 26.400 71.351 2,50 0,43 1,08 283 765 285 770 284 768

Triwung Umbut Hadiprayitno M2 02002 TRS II M BL 10A 1,047 995 950 80 79.600 76.027 3,00 0,50 1,50 1.194 1.140 1.204 1.150 1.199 1.145

Ketapang Husen P.Gogol M2 02003 TRS II M BL 10B 0,945 898 950 75 67.350 71.270 2,20 0,42 0,92 622 658 614 650 618 654

Triwung Waduk Nurhasim M2 02004 TRS II M PS.851 10A 0,955 907 950 80 72.560 75.979 2,20 0,45 0,99 719 753 726 760 722 757

Kedung Asem Pomo M2 02005 TRS II M PS.851 10A 0,150 143 950 75 10.725 71.500 2,00 0,45 0,90 96 640 98 650 97 645

Warujinggo Sulhan M2 02006 TRS II M BL 10A 1,050 998 950 76 75.848 72.236 2,20 0,45 0,99 751 715 756 720 753 718

kutan ( K


Tebu (Kg) Dihitung Pandangan Terkoreksi



GPSMandor/ Kelompok

M/T Banyaknya Juringan

22

Lampiran 3 ( Lanjutan ) Penjelasan kolom – kolom Laporan Taksasi Maret Penjelasan kolom – kolom dalam Taksasi Maret adalah sebagai berikut8 :

1. Kolom SKW / Kebun Penjelasan : Kolom ini berisi nama SKW ( Sinder Kebun Wilayah) yang bertanggung jawab atas nama – nama kebun yang masuk kedalam wilayah kerjanya, dalam kolom ini juga tercantum nama / lokasi kebun yang terdaftar dalam taksasi maret yang masuk dalam wilayah tanggung jawab SKW tersebut. Kebun yang tercantum adalah kebun TS maupun TR.

2. Mandor / Kelompok Penjelasan : Kolom ini berisi nama – nama mandor yang bertanggung jawab terhadap kebun, setiap mandor kebun bertanggung jawab terhadap 1 SKW dan bisa mengelola lebih dari satu kebun.

3. Nomor Petak Tebang Penjelasan : Kolom ini berisi nomor petak tebang, nomor petak tebang itu sendiri adalah identitas dari tiap – tiap petak yang ada pada tiap – tiap kebun, nomor petak dibuat berurutan berdasarkan kategori. Contoh : S1 01001 , penjelasannya adalah S1 mewakili kategori tebu (TS / TR), 01 ( dua digit awal ) mewakili Afdeling (wilayah), tiga digit terakhir adalah nomor urut.

4. Kategori Penjelasan : Kolom ini menunjukkan termasuk kategori apakah tebu pada kebun, apakah tebu sendiri (TS) atau tebu rakyat (TR)

5. Jenis Tebu Penjelasan : Kolom ini menunjukkan jenis varietas tebu apakah yang ditanam pada kebun itu. Jenis atau varietas tebu berpengaruh terhadap masa tanam, panjang batang dan diameter batang. Secara tidak langsung berpengaruh pula pada berapa banyak kuanta tebu yang dihasilkan kebun tersebut.

6. M/T Masa Tanam Penjelasan : Kolom ini menjelaskan masa tanam tebu tiap – tiap nomor petak. Contoh : 7A angka 7 mewakili bulan berapa tebu itu ditanam dan A / B menunjukkan ditanam awal bulan ( tgl 1- 15) atau akhir bulan (tgl 16 – akhir bulan)

7. Luas Areal Ditanam Penjelasan : Kolom ini dibagi dua bagian yaitu :

8 Standard Operation Presedure (SOP) Bagian Tanaman PT Perkebunan Nusantara XI (persero) p. 41-42

23

a. Luas Areal (ha) : kolom ini menunjukkan luasan areal per satu nomor petak.

b. Banyaknya juringan (lubang tanam) ‐ Per Petak tebang ‐ Per Hektar

8. Jumlah Batang Tebu Penjelasan : Kolom ini dibagi tiga bagian yaitu : 1. Jumlah batang tebu tiap juring :

Menunjukkan jumlah batang tebu tiap juringan (lubang tanam) 2. Jumlah batang tebu tiap petak tebang

Menunjukkan jumlah batang tebu dalam satu petak tebang per nomor petak.

3. Jumlah batang tebu tiap hektar Menunjukkan jumlah batang tebu dalam satu hektar luasan per nomor petak.

Mekanisme penghitungan jumlah batang tebu adalah sbb : ‐ Per pertak jumlah batang tebu yang dihitung kurang lebih 5% ‐ Yang dihitung batang hidup ‐ Batang hidup tapi kecil 2 – 3 batang dianggap 1 batang

9. Rata – rata panjang batang Penjelasan : Kolom ini berisi angka hasil pengukuran panjang batang tebu ( diambil sampel tiap petak). Mekanisme pengukurannya adalah :

Pengukuran tinggi tebu dilakukan dua kali dalam satu bulan dimulai sejak bulan November.

Tiap petak tebang (luas 2-3 Ha) dipasang satu patok ukuran pada rumpun tebu yang dianggap mewakili kebun tersebut dan dalam keadaan sehat (tidak terserang hama dan penyakit)

Titik 0 (nol) pada ukuran ditempatkan pada permukaan tanah waras. Diukur sampai daun teratas.

Sampel diambil dalam rumpun yang sama Tiap petak 10 sampel Semakin heterogen sampel semakin banyak.

10. Diameter batang Penjelasan : Kolom ini berisi hasil pengukuran diameter tebu, yang diukur adalah bagian tengah batang dengan jangka sorong.

11. Berat rata – rata tebu Penjelasan : Berat rata – rata tebu yang diukur adalah berat rata – rata per meter dan per batang. Angka berat batang per meter diambil dari angka-angka analisa pendahuluan 3 tahun terakhir dirata-rata

12. Taksasi Produksi Tebu Penjelasan : Ada tiga macam taksasi produksi yaitu :

24

a. Taksasi produksi Pandangan Cara ini dilakukan secara pandangan mata saja dan mempunyai beberapa kelemahan antara lain tidak dapat dihandalkan bagi penanaman tebu pemula. Seseorang harus mempunyai pengalaman menanam tebu yang sudah atau berkali-kali menanam tebu serta mengamatinya dengan cermat.

b. Taksasi produksi hitungan Cara ini dengan jalan perhitungan dari unsur-unsur yang mempengaruhi produksi/hasil tebu, antara lain jumlah batang, tinggi batang, diameter batang, jenis tebu dan lain sebagainya. Caranya : - Mengukur tinggi batang yang dianggap mewakili petak tersebut - Menghitung jumlah batang - Diameter batang Contoh Taksasi :

Hitungan jumlah batang per leng = 60 batang Tinggi batang rata-rata = 3,0 meter Berat batang rata-rata (lihat tabel) = 0,5 Kg/Mtr Jumlah leng tiap hektar = 1.120 Perk. Produksi/Ha = 60 x 3,0 x 0,5 x 1120= 1008 Kui

Catatan : Angka berat batang per meter diambil dari angka-angka analisa pendahuluan 3 tahun terakhir dirata-rata

c. Taksasi produksi koreksi ( untuk kepentingan pelaporan ) Toleransi angka taksasi produksi koreksi adalah 5% dari realisasi, cara penghitungannya adalah (Taksasi hitungan + taksasi pandangan ) dibagi 2

Documents

Lampiran 3 Contoh Laporan Taksasi Maret