Penulis: Muhdan Syarovy, Andri Prima Nugroho, Lilik Sutiarso, Suwardi, Mukhes Sri Muna, Ardan Wiratmoko, Sukarman, Septa Primananda | Tahun: 2022 | DOI: http://dx.doi.org/10.2991/978-94-6463-086-2_67
Era big data telah tiba di industri perkebunan kelapa sawit. Setiap hari, ribuan titik data dihasilkan dari perkebunan: catatan produksi harian per blok, data curah hujan dari stasiun cuaca otomatis, hasil analisis tanah dan daun, catatan pemupukan dan perawatan, hingga laporan kondisi tanaman dari tim lapangan. Pertanyaannya bukan lagi apakah data ini ada, melainkan bagaimana mengekstrak nilai dari lautan data tersebut untuk pengambilan keputusan yang lebih baik.
Artificial Neural Network (ANN) adalah salah satu alat terkuat dalam kotak peralatan analitik big data. Model ANN mampu belajar dari data historis yang kompleks dan multidimensional, mengidentifikasi pola non-linear yang tidak dapat ditangkap oleh analisis statistik konvensional. Dalam penelitian ini, model ANN dibangun dan dilatih menggunakan dataset produksi TBS multi-tahun yang dikombinasikan dengan berbagai variabel agronomis dan iklim. Tujuannya: membangun model prediksi produksi yang akurat dengan horizon waktu yang praktis bagi manajemen operasional.
Eksperimen dengan berbagai arsitektur ANN, bervariasi dalam jumlah lapisan tersembunyi (hidden layers) dan jumlah neuron per lapisan, dilakukan untuk menemukan konfigurasi optimal. Model terbaik kemudian divalidasi pada data yang tidak pernah dilihat sebelumnya (holdout set) untuk memastikan kemampuan generalisasinya. Hasilnya menunjukkan bahwa ANN dengan arsitektur yang tepat mampu memprediksi produksi bulanan dengan tingkat kesalahan (RMSE) yang jauh lebih rendah dibandingkan model regresi sederhana.
Implikasi praktisnya sangat signifikan: prediksi produksi yang akurat memungkinkan manajemen untuk merencanakan kebutuhan tenaga kerja panen, kapasitas pabrik, dan pengadaan sarana produksi dengan lebih efisien, mengurangi biaya operasional sekaligus memaksimalkan throughput.
Leave a Reply