Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 4, April 2018, hlm. 1547-1552

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Implementasi Metode Backpropagation Untuk Klasifikasi Kenaikan Harga Minyak Kelapa Sawit Dwi Rahayu1, Randy Cahya Wihandika2, Rizal Setya Perdana3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: [email protected], [email protected], [email protected] Abstrak Minyak kelapa sawit merupakan produk perkebunan yang menjadi komoditas utama ekspor Indonesia. Meningkatnya jumlah bahan olahan yang dapat dibuat dengan menggunakan minyak kelapa sawit membuat naiknya kebutuhan kelapa sawit. Faktor utama penyebab kenaikan permintaan minyak kelapa sawit adalah harga yang relatif rendah dibandingkan dengan harga pesaingnya seperti minyak kedelai, minyak biji matahari, minyak kacang tanah, minyak kapas dan minyak lobak. Harga menjadi faktor penting untuk menentukan nilai jual dari produk yang dihasilkan. Harga juga berpengaruh terhadap keuntungan produsen. Klasifikasi kemungkinan naik atau turunnya harga minyak kelapa sawit menjadi pertimbangan utama seorang konsumen untuk membeli. Penulisan ini membahas klasifikasi harga minyak kelapa sawit dengan menggunakan metode Backpropagation. Metode Backpropagation akan memodelkan data harga minyak kelapa 5 bulan sebelumnya untuk menemukan hasil klasifikasi pada bulan ke-6. Hasil klasifikasi yang didapatkan memiliki tingkat akurasi sebesar 69,57% dengan jumlah neuron hidden sebanyak 50, nilai learning rate seesar 0,1 dan jumlah iterasi maksimal sebanyak 70.000. Kata kunci: backpropagation, klasifikasi, harga, minyak kelapa sawit Abstract Palm oil is a plantation product that is the main export commodity of Indonesia. The increasing amount of processed materials that can be made by using palm oil makes the rise of oil palm demand. The main factor causing an increase in demand for palm oil is a relatively low price compared to its competitor prices such as soybean oil, sunflower seed oil, peanut oil, cotton oil and rapeseed oil. Price becomes an important factor to determine the selling point of the product. Prices also affect the producer's profit. The classification of the possibility of rising or falling prices of palm oil becomes a major consideration of a consumer to buy. This writing discusses the classification of palm oil prices using Backpropagation method. The Backpropagation method will model the coconut oil price data 5 months earlier to find the classification results in the 6th month. Classification results obtained have an accuracy of 69.57% with the number of hidden neurons as much as 50, the value of learning rate as big as 0.1 and the number of maximum iterations of 70,000. Keywords: backpropagation, classification, price, palm oil permintaan dari tahun ke tahun mengalami peningkatan yang cukup besar. Faktor utama pendorong kenaikan permintaan minyak kelapa sawit adalah harga yang relatif rendah dibandingkan dengan harga kompetitornya seperti minyak kedelai, minyak biji matahari, minyak kacang tanah, dan minyak lobak. Sebagian besar negara pengimpor minyak kelapa sawit tidak hanya memanfaatkannya sebagai bahan pangan atau bahan baku industri, namun juga sebagai biodesel, sumber energi alternatif minyak bumi. Sehingga harga minyak

1. PENDAHULUAN Minyak kelapa sawit merupakan salah satu produk perkebunan yang menjadi komoditas utama ekspor Indonesia. Dalam lima tahun terakhir (2010 sampai dengan 2015) terjadi pergeseran pasar minyak nabati dunia (Setiawan, 2015). Meningkatnya jumlah bahan olahan yang dapat dibuat dengan menggunakan minyak kelapa sawit membuat naiknya kebutuhan kelapa sawit. Prospek pasar bagi minyak kelapa sawit cukup menjanjikan, karena Fakultas Ilmu Komputer Universitas Brawijaya

1547

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

kelapa sawit di pasaran sangat penting, terkait pembelian yang akan dilakukan oleh konsumennya. Harga menjadi faktor penting untuk menentukan nilai jual dari produk yang dihasilkan. Harga juga berpengaruh terhadap keuntungan produsen. Harga juga menjadi pertimbangan utama seorang konsumen untuk membeli, sehingga perlu pertimbangan khusus untuk menentukan harga tersebut. Hal ini juga berlaku bagi harga minyak kelapa sawit yang ditetapkan dalam kurs dolar AS. Backpropagation merupakan salah satu metode pembelajaran terawasi (Supervise learning method) dalam jaringan syaraf tiruan. Secara umum, backpropagation digunakan untuk mengklasifikasikan suatu pola tertentu. Backpropagation juga sering digunakan untuk menangani data time series. Dengan mendeteksi pola dan kecenderungan data time series, kemudian memformulasikannya ke dalam suatu model, maka dapat digunakan untuk mengklasifikasikan data yang akan datang. Model dengan akurasi yang cukup tinggi akan menyebabkan nilai klasifikasi cukup valid untuk digunakan sebagai pendukung dalam proses pengambilan keputusan. Penggunaan jaringan syaraf tiruan untuk mempelajari pola data time series pernah dilakukan sebelumnya oleh Badrul Anwar (2011) yang menerapkan metode Backpropagation untuk memprediksi tingkat suku bunga bank dengan akurasi 94%. Selain itu ada penelitian yang dilakukan oleh Finky Dona dan Vincent Suhartono (2013), menerapkan Backpropagation Neural Network untuk memprediksi Indeks Harga Saham Gabungan (IHSG). Berdasarkan beberapa asil percobaan, didapatkan hasil yang terbaik dengan akurasi 95,93%. Dengan menerapkan metode Backpropagation diharapkan dapat dibuat sebuah sistem yang dapat mengklasifikasikan harga minyak kelapa sawit apakah mengalami kenaikan atau penurunan.

1548

CPO (Crude Palm Oil) yang menjadi andalan komoditas ekspor Indonesia. Kelapa sawit sebagai salah satu komoditas pertanian andalan non migas mempunyai prospek yang baik sebagai sumber pendapatan devisa maupun pajak, dalam proses produksi maupun pengolahan, mampu menciptakan kesempatan kerja sekaligus meningkatkan kesejahteraan masyarakat. Kelapa sawit juga merupakan bahan baku utama minyak goreng. Kelebihan minyak kelapa sawit adalah harga yang murah, rendah kolesterol, dan memiliki kandungan karoten tinggi. Karena itulah maka di pasar dunia, minyak sawit bisa ditemukan sebagai bahan pada berbagai produk yang dipakai luas oleh konsumen global. Dalam bidang pangan, minyak kelapa sawit banyak digunakan sebagai minyak goreng, shortening, margarin, vanaspati, cocoa butter substitutes, dan berbagai bahan pangan lainnya. Aplikasi dalam bidang non-pangan juga terus berkembang, terutama sebagai oleokimia, biodesel, dan berbagai bahan untuk berbagai industri non-pangan, misalnya untuk industri farmasi. Sampai saat ini, sekitar 80% aplikasi utama minyak sawit masih dilakukan untuk bidang pangan (Risza, 2010). 2.2 Fungsi Aktivasi Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron. Fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu kontinu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun (Siang, 2005). Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan syaraf tiruan, antara lain: 1.

Fungsi Sigmoid Biner Fungsi yang digunakan untuk jaringan syaraf tiruan yang dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1..

2. DASAR TEORI

Fungsi sigmoid biner dirumuskan sebagai:

2.1 Minyak Kelapa Sawit

𝑦 = 𝑓(𝑥 ) = 1+𝑒 −𝑥

(1)

dengan 𝑓 ′ (𝑥 ) = 𝑓(𝑥 )[1 − 𝑓(𝑥)]

(2)

1

Minyak kelapa sawit merupakan minyak nabati yang berasal dari buah kelapa sawit yang banyak digunakan untuk konsumsi makanan maupun non-makanan. Kelapa sawit merupakan salah satu komoditas perkebunan yang menghasilkan minyak kelapa sawit mentah Fakultas Ilmu Komputer, Universitas Brawijaya

2.

Fungsi Sigmoid Bipolar Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai –1.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Fungsi sigmoid sebagai: 𝑦 = 𝑓 (𝑥 ) =

2 1+𝑒 −𝑥

Dengan 𝑓 ′ (𝑥 ) =

bipolar

dirumuskan

−1

Di mana w0=bias dan v=bobot

(3)

[1+𝑓(𝑥)][1−𝑓(𝑥)] 2

(4)

Backpropagation merupakan algoritme pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritme backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Irwansyah, 2015). Algoritme pelatihan jaringan backpropagation: :Inisialisasi dengan bilangan acak kecil

semua

bobot

2. Langkah 1 :Selama kondisi berhenti tidak terpenuhi (bernilai salah), kerjakan langkah-langkah berikut: a. Untuk tiap-tiap pasangan pelatihan, lakukan: Feedforward: 1) Tiap-tiap unit input (Xi, i = 1,2,3,…,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi). 2) Tiap-tiap unit tersembunyi (Zj, j = 1,2,3,..,p) menjumlahkan sinyal-sinyal input berbobot : 𝑍_𝑖𝑛𝑗 = 𝑣𝑜𝑗 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑖𝑗

(5)

Di mana v0=bias dan v=bobot Gunakan fungsi aktivasi menghitung sinyal outputnya : 𝑧𝑗 = 𝑓(𝑧_𝑖𝑛𝑗 )

untuk (6)

Dan kirimkan sinyal tersebut ke semua unit lapisan atasnya (unit-unit output) 3) Tiap-tiap unit output (Yk, k=1,2,3,…,m) menjumlahkan sinyalsinyal input berbobot: 𝑝

𝑦_𝑖𝑛𝑘 = 𝑤𝑜𝑘 + ∑𝑗=1 𝑧𝑗 𝑤𝑗𝑘

Gunakan fungsi aktivasi menghitung sinyal outputnya :

untuk

𝑦𝑘 = 𝑓(𝑦_𝑖𝑛𝑘 )

(8)

Dan kirimkan sinyal tersebut ke semua unit di lapisan sisanya (unit-unit output).

2.3 Backpropagation

1. Langkah 0

1549

(7)

Fakultas Ilmu Komputer, Universitas Brawijaya

b. Untuk tiap-tiap pasangan pelatihan, lakukan: Backpropagation: 1.

Tiap-tiap unit output (Yk,k = 1,2,3,…,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya 𝛿𝑘 = (𝑡𝑘 − 𝑌𝑘 )𝑓′(𝑦_𝑖𝑛𝑘)

(9)

dimana t = target output Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperoleh nilai wjk): ∆𝑤𝑗𝑘 = 𝛼𝛿𝑘 𝑧𝑗

(10)

dimana α = learning rate Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki nilai w0k): ∆𝑤0𝑘 = 𝛼𝛿𝑘

(11)

Kirimkan 𝛿𝑘 ke unit-unit yang ada di lapisan bawahnya 2. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): 𝛿_𝑖𝑛𝑗 = ∑𝑚 𝑘=1 𝛿𝑘 𝑤𝑗𝑘

(12)

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: 𝛿𝑗 = 𝛿_𝑖𝑛𝑗 𝑓′(𝑧_𝑖𝑛𝑗 )

(13)

∆𝑣𝑖𝑗 = 𝛼𝛿𝑗 𝑥𝑖

(14)

(2.7) Kemudian hitung koreksi bobot (yang nantinya digunakan untuk memperbaiki nilai vij):

Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki nilai v0j) ∆𝑣0𝑗 = 𝛼𝛿𝑗 c. Perbaharui bobot dan biasnya:

(15)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

1. Tiap-tiap unit output (Yk, k=1,2,3,…m) memperbaiki bias dan bobotnya (j = 0,1,2,…,p):

1550 X1

X1

,1 V0

X2

𝑣0𝑗 (𝑏𝑎𝑟𝑢) = 𝑣0𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑣0𝑗 (𝑏𝑖𝑎𝑠)

W 1,1

VV23,2,1 ,1

V4

V3,2

Z2

V5 ,1

X3

Setelah algoritme pelatihan jaringan backpropagation dilakukan dan diperoleh output yang paling mendekati target maka bobot dan bias akhir dari hasil pelatihan disimpan kemudian dilakukan proses pengujian dengan algoritme pengujian. Pada algoritme pengujian yang digunakan hanyalah tahap umpan maju (feedforward) saja. 3. PERANCANGAN Perancangan menjelaskan tahapan yang dilakukan untuk membuat klasifikasi harga minyak kelapa sawit dengan menggunakan metode Backpropagation. Arsitektur jaringan syaraf tiruan yang digunakan pada sistem ini memiliki 3 lapisan yaitu input layer, hidden layer, dan output layer. Pada lapisan input terdapat 5 neuron yang merupakan harga minyak kelapa sawit 5 bulan sebelum bulan yang menjadi target. Input neuron disimbolkan dengan X1, X2, X3, X4, dan X5. Lapisan hidden berupa masukan, yang dapat ditentukan sesuai keinginan pengguna. Lapisan hidden disimbolkan dengan Z. Lapisan output yaitu harga minyak kelapa sawit pada bulan ke 6 atau bulan yang diklasifikasikan. Output neuron disimbolkan dengan Y. Sebagai contoh, arsitektur yang digunakan yaitu input merupakan harga minyak kelapa sawit bulan ke-1 sampai dengan bulan ke-5, maka outputnya adalah harga minyak kelapa sawit bulan ke-6. Jika outputnya adalah harga minyak kelapa sawit bulan ke-2 sampai dengan bulan ke-6, maka outputnya adalah harga minyak kelapa sawit pada bulan ke-7. Pada perancangan sistem ini, sebagai contoh hidden layer yang digunakan sebanyak 3 neuron yang disimbolkan dengan Z1, Z2, dan Z3. Arsitektur jaringan syaraf tiruan yang digunakan ditunjukkan pada Gambar 3.1 . Fakultas Ilmu Komputer, Universitas Brawijaya

V4,3

Z3

,3 V5

(19)

d. Tes kondisi berhenti.

V5 ,2

X4

Y

2,3 W

VV34,2 ,3

(18)

W2,1

,3 V2

𝑣𝑖𝑗 (𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑣𝑖𝑗 (𝑏𝑜𝑏𝑜𝑡)

(Zj, dan

Z1

,3

unit tersembunyi j=1,2,3,…p) memperbaiki bias bobotnya (i= 0,1,2,…,n):

VV12,1 ,2

V1

2. Tiap-tiap

,1 W0

V1,1

(17)

V0,3

𝑤0𝑘 (𝑏𝑎𝑟𝑢) = 𝑤0𝑘 (𝑙𝑎𝑚𝑎) + ∆𝑤0𝑘 (𝑏𝑖𝑎𝑠)

X1

,2 V0

𝑤𝑗𝑘 (𝑏𝑎𝑟𝑢) = 𝑤𝑗𝑘 (𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘 (𝑏𝑜𝑏𝑜𝑡) (16)

X5

Gambar 3.1 Arsitektur Jaringan Syaraf Tiruan

Tahapan metode Backpropagation pada JST terdiri dari 2 tahap yaitu: Tahapan pelatihan Pada tahap ini dimulai dari menginisialisasi bobot, menentukan nilai iterasi maksimal, error maksimal, learning rate, dan masuk ke tahap alur maju atau feedforward. Setelah itu dilanjutkan pada tahap backpropagation dan membandingkan dengan nilai error yang telah ditentukan. Jika error yang didapat lebih besar dari error yang ditentukan, maka proses pelatihan tersebut kembali pada tahap inisialisasi bobot, dan seterusnya sampai didapat nilai error yang lebih kecil dari target error yang ditentukan. Atau sampai kondisi iterasi yang lebih besar dari iterasi maksimal. Sehingga jika nilai yang diinginkan telah didapat, bobot tersebut tersimpan untuk dimasukkan pada tahap selanjutnya yaitu pengujian. Selain itu, pada proses pelatihan backpropagation dimulai dengan membawa sinyal pada layer input sampai pada layer output yang dilanjutkan dengan membawa error dan koreksi bobot pada layer output hingga ke layer input. Bobot akan dilatihkan dan diperbaiki secara berurutan pada setiap data dan kondisi akan terus berulang sampai kondisi terpenuhi, yaitu nilai error dan jumlah iterasi maksimal yang telah ditentukan. - Tahapan pengujian Bobot yang didapat dari tahap pelatihan digunakan untuk pengujian. Dimana data harga minyak kelapa sawit yang digunakan untuk menguji sistem yang telah dibuat. Tahap pengujian ini hanya menggunakan fase feedforward, dimana hasil yang didapat merupakan keluaran berupa klasifikasi harga apakah naik atau turun.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

Tahapan-tahapan dalam pembuatan sistem digambarkan dalam bentuk diagram alir. Gambar 3.2 menunjukkan diagram alir pada pelatihan sistem. Start

Input harga

1551

antara lain Koleksi Data Latih, Pelatihan, dan Pengujian. Pengujian yang dilakukan pada penelitian ini menggunakan pengujian K-fold cross validation dan pengujian terhadap parameter yang mempengaruhi sistem klasifikasi harga minyak kelapa sawit dengan menggunakan metode Backpropagation. 4.1 Pengujian K-Fold Cross Validation

Inisialisasi bobot, Error Maximal dan iterasiMax

While error < errorMax atau iterasiMax > iterasi

For i=0 hingga banyak data latih

Perambatan Maju

Perambatan Mundur

i++

Iterasi++

Bobot

Pengujian K-fold cross validation dilakukan dengan membagi data menjadi bilangan bulat sejumlah k. Nilai k yang digunakan pada penelitian ini adalah 4. Sehingga dilakukan proses pelatihan dan pengujian sebanyak 4 kali. Dari 92 data yang digunakan pada penelitian ini, jika dibagi 4 bagian maka setiap bagiannya terdiri dari 23 data. Parameter backpropagation yang digunakan yaitu hidden layer berjumlah 25, nilai learning rate (α) 0,01, jumlah iterasi maksimal sebanyak 50.000, dan nilai error maksimalnya adalah 0,001. Sebagai contoh pembagian data yang pertama, kotak berwarna abu-abu menjadi data training dan kotak berarsir menjadi data testing. Data testing pada pengujian pertama yaitu data dengan urutan nomor 1 sampai dengan nomor 23, sedangkan data training pada pelatihan pertama yaitu data dengan urutan nomor 24 sampai dengan nomor 92. Nilai akurasi yang didapatkan yaitu sebesar 56,52%.

end

Gambar 3.2 Flowchart Pelatihan (Training)

Gambar 4.1 Data proses pertama

Pada pelatihan akan berulang jika error yang didapatkan lebih besar dibandingkan error yang telah ditentukan. Serta akan terus berulang sampai iterasi mencapai iterasi maksimal yang ditentukan. Hasil pelatihan adalah bobot yang digunakan untuk memklasifikasikan harga yang menjadi targetnya.

Pembagian data untuk dijadikan data training dan data testing terus dilakukan hingga empat kali. Jumlah akurasi yang didapatkan dari keempat proses yang telah dilakukan yaitu : (56,52 + 60,86 + 65,21 + 52,17)% = 234,76%

Rata-rata akurasi yang didapatkan yaitu : 234,76%

4. PENGUJIAN DAN ANALISIS Data yang digunakan pada penelitian ini diambil dari website www.kemendag.go.id. Total seluruh jumlah data yaitu 92 data dengan rincian 65 data latih dan 27 data uji. Implementasi pada penelitian ini menggunakan bahasa pemrograman Java berbasis desktop. Menu-menu yang tersedia Fakultas Ilmu Komputer, Universitas Brawijaya

4

= 58,69%

Sehingga rata-rata akurasi yang didapatkan dari k-fold cross validation dengan k=4 pada penelitian ini yaitu sebesar 58,69%. 4.2 Pengujian K-Fold Cross Validation Sedangkan pada pengujian parameter backpropagation, inisialisasi awal yang

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

digunakan yaitu hidden layer berjumlah 25, nilai learning rate (α) 0,01, jumlah iterasi maksimal sebanyak 50.000, dan nilai error maksimalnya adalah 0,001. Pengujian parameter backpropagation yang dilakukan pada penelitian ini secara berurutan meliputi pengujian jumlah hidden layer, nilai learning rate, dan iterasi maksimal. Hidden layer yang diujikan berkisar antara 10 sampai dengan 80 neutron. Learning rate yang diujikan berkisar antara 0,1 sampai dengan 0,8. Sedangkan iterasi maksimal yang diujikan berkisar antara 10.000 sampai dengan 80.000. Hasil akurasi terbaik yang didapatkan 69,57% dengan hasil parameter backpropagation antara lain hidden layer sejumlah 50 neutron, learning rate sebesar 0,1 dan iterasi maksimal sebanyak 70.000. 100

Akurasi (%)

80 60 40 20 0

Nilai Learning Rate (α) Gambar 4.2 Grafik Hasil Pengujian

5. KESIMPULAN Berdasarkan hasil penelitian yang telah dilakukan dengan mengimplementasikan metode Backpropagation untuk mengklasifikasikan harga minyak kelapa sawit, dapat disimpulkan bahwa : 1. Implementasi metode backpropagation pada skripi ini dibuat dengan lima neuron hidden yaitu harga lima bulan minyak kelapa sawit berturut-turut, satu neuron output yang menjadi target, dan untuk parameter yang lain seperti jumlah hidden layer, nilai learning rate (α), dan jumlah iterasi maksimal dapat dimasukkan dan dirubah nilai atau jumlahnya karena berupa masukan. 2.

Akurasi tertinggi yang didapat dari pengujian parameter backpropagation

Fakultas Ilmu Komputer, Universitas Brawijaya

1552 yaitu 69.57% dan akurasi rata-rata dari Kfold cross validation dengan k=4 yaitu sebesar 58,69%. Sehingga metode Backpropagation belum cukup baik dan akurat dalam melakukan prediksi harga minyak kelapa sawit apakah naik atau turun.

Penelitian selanjutnya dapat menggunakan algoritme yang sama namun dengan jumlah data yang lebih banyak dan beragam untuk mendapatkan akurasi yang lebih baik. 6. DAFTAR PUSTAKA Anwar,

Badrul. 2011. Penerapan AlgoritmeJaringan Saraf Tiruan Backpropagation dalam Memprediksi Tingkat Suku Bunga Bank. Jurnal SAINTKOM. Vol. 10/No.2/Mei 2011 Dona, Finki dan Suhartono, Vincent. 2013. Prediksi Indeks Harga Saham Gabungan (IHSG) Menggunakan Backpropagation Neural Network. Jurnal Teknologi Informasi. Vol 9 Nomor 1. ISSN 1414-9999 Irwansyah, Edy dan Faisal, Muhammad. 2015. Advanced Clustering: Teori dan Aplikasi. Yogyakarta : Deepublish Kementerian Perdagangan, 2017. Tabel Harga Internasional. Tersedia di: < http://www.kemendag.go.id/id/economi c-profile/prices/international-pricetable> [Diakses 24 Maret 2017] Risza, Suyatno. 2010. Masa Depan Perkebunan Kelapa Sawit Indonesia. Yogyakarta: Kanisius Media (Anggota IKAPI) Setiawan, Erick. 2015. Indonesian Sustainable of Palm Oil (ISPO). Tersedia di: < http://www.jtanzilco.com/blog/detail/19 5/slug/indonesian-sustainable-of-palmoil-ispo> [Diakses 1Juli 2017] Siang, Jong Jek. 2005. Jaringan Saraf Tiruan dan Pemorogramannya Menggunakan Matlab. Yogyakarta :ANDI