PROPOSAL JUDUL TESIS Pemanfaatan Regression Tree Untuk Prediksi Hasil Panen Tebu Sebagai Penunjang Pengambilan Keputusan Pada PT. Perkebunan Nusantara XI (Persero)
NRP Nama Prodi/Jurusan Dosen Pembimbing
: : : :
208210110 Anung Adhi Nugraha S2-Teknik Informatika Ir Gunawan, M.Kom
PROGRAM PASCASARJANA MAGISTER TEKNOLOGI INFORMASI INSTITUT SAINS TERAPAN DAN TEKNOLOGI SURABAYA PEBRUARI 2011
Judul Tesis Pemanfaatan Regression Tree Untuk Prediksi Hasil Panen Tebu Sebagai Penunjang Pengambilan Keputusan Pada PT Perkebunan Nusantara XI (Persero) Nama NRP Program Studi Dosen Pembimbing Co-Dosen Pembimbing Jenis Tesis
: : : : : :
Anung Adhi Nugraha. 208210110 Magister Teknologi Informasi Ir Gunawan, M.Kom 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 1
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).
2
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 : Data Training
Proses Induksi
Holdout sample
Regression Tree
Proses pruning
Regression Tree yang telah dipruning
Tahap Learning
Data Prediction
Tahap Prediction
Proses prediksi
Prediction Result
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
3
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.
4
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
5
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 : axbxcxd 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
6
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.
7
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 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20.
Sbr Kedawung Jorongan Ketapang Triwung Kidul Ketapang Jrebeng Lor Lhr Kedungasem Kademangan Pakistaji Pilang Jrebeng Kulon Sumber Taman Pilang Ketapang Ketapang Ketapang Kedungrejo Kedungrejo Kedungrejo Tigasan
21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35.
Sumber Taman Sumbertaman Sumbertaman Ketapang Sumber Kdw Jrebeng Kln Pkt Sumbertaman Kedung Rejo Tigasan Wetan Sumber Bulu Triwung Umbut Ketapang Husen Triwung Waduk Kedung Asem Warujinggo
• 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.
8
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 : Input No 1 2 3 4 5 6 7 8
Nama Field Jenis Tebu M/T (Masa Tanam) Luas Area (Ha) Banyak juring tiap petak tebang Jumlah batang tebu tiap petak tebang Rata‐rata panjang batang (meter) Diameter Batang (meter) Berat rata ‐ rata tebu per batang
Target No Nama Field 1 Taksasi produksi tebu pandangan (jumlah)
Tipe Data Char Char Float Integer Integer Float Float Float
Tipe Data 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 :
9
Start
Input Data
Data Training
Proses Induksi
Regression Tree
Holdout sample
Proses pruning
Regression Tree yang telah dipruning
Tahap Learning
Data Prediction
Proses prediksi
Tahap Prediction
Prediction Result
Output
Stop 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
10
‐
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 1.
2.
3.
4.
Metode yang digunakan dalam mengerjakan penelitian ini adalah : 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. 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. 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. 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.
11
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
1
Studi Literatur
2
Analisa
3
Implementasi
4
Pengujian Sistem
5
Dokumentasi
Bulan Ke 1 2
12
3
4
5
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
13
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) 14
-
-
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 15
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 Status Catatan -
: : :
Ir. FX Ferdinandus, M.T.
Keputusan Sidang Status : Diperbaiki Syarat : 1) Pertanyaan bu Melita wajib dijawab di proposal. 2) Jelaskan Mengapa data tahun 2010 tidak dipakai.
16
Lampiran 1 Gambar peta sebaran unit usaha Pabrik Gula PT Perkebunan Nusantara XI (Persero)
17
Lampiran 2 Alur pelaporan Taksasi Maret Alur pelaporan taksasi lahan dari pabrik gula kepada manajemen:
Sinder Kebun Wilayah Dan Mandor
Unit Usaha Pabrik Gula
Kepala Tanaman
Administratur Pabrik Gula
Direktorat Tanaman Kantor Pusat
Direksi
Gambar Alur pelaporan taksasi lahan
18
Lampiran 3 Contoh Laporan Taksasi Maret TAKSASI MARET TG. 2009/2010 SKW/ Kebun
Mandor/ Kelompok
No. Petak Tebang
Kate gori
Jenis M/T Tebu
Luas Areal Ditanami Jumlah Batang Tebu Banyaknya Juringan Tiap Luas Tiap Areal Petak Tiap Petak Tiap Ha Ju Tebang ( Ha ) Tebang ( Ha ) ring
Rata-2 Diame Berat rata-rata Tebu (Kg) Panjang ter Per Batang Btg Per (Mtr) (Cm) Mtr Btg
Taksasi Produksi Tebu ( Kui ) Jarak Dihitung Pandangan Terkoreksi kutan ( K GPS Tebu/ Tebu/ Tebu/ Jumlah Jumlah Jumlah L T Ha Ha Ha
Afd II/ Ferry Sbr 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 Ruham
S1 02006 TSS I KS S1 02007 TSS I KS
BL BL
10B 10B
2,287 0,640 2,927
2.232 662 2.894
976 1.034 989
64 70 65
142.848 46.340 189.188
62.461 72.406 64.635
2,75 2,75 2,75
0,45 0,45 0,45
1,24 1,24 1,24
1.768 573 2.341
773 895 800
1.944 480 2.424
850 750 828
1.856 526 2.382
812 823 814
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 Didik Didik
S2 02002 TSS II KS PS 864 8A S2 02003 TSS II KS BL 9A S2 02004 TSS II KS PS 864 10B
0,858 1,031 0,841 2,730
765 949 920 2.634
892 920 1.094 965
73 70 69 71
55.845 66.430 63.480 185.755
65.087 64.433 75.482 68.042
2,50 2,50 2,50 2,50
0,45 0,45 0,45 0,45
1,13 1,13 1,13 1,13
629 747 714 2.090
733 725 849 766
686 825 715 2.226
800 800 850 815
658 786 714 2.158
767 763 850 790
Pakistaji
Ruham Ruham Ruham
S2 02005 TSS II KS S2 02006 TSS II KS S2 02007 TSS II KS
10A 10A 10A
2,696 1,909 0,904 5,509
2.704 1.819 820 5.343
1.003 953 907 970
73 73 75 73
197.392 132.787 61.500 391.679
73.217 69.558 68.031 71.098
2,50 2,50 2,50 2,50
0,43 0,43 0,43 0,43
1,08 1,08 1,08 1,08
2.122 1.428 661 4.211
787 748 731 764
2.292 1.623 723 4.638
850 850 800 842
2.207 1.525 692 4.424
819 799 766 803
Pilang
Suher Suher
S2 02008 TSS II KS PS 864 10A S2 02009 TSS II KS PS 862 10A
1,623 1,162 2,785
1.497 1.046 2.543
922 900 913
72 71 72
107.784 74.266 182.050
66.410 63.912 65.368
2,75 2,75 2,75
0,44 0,44 0,44
1,21 1,21 1,21
1.304 898 2.202
803 773 791
1.298 906 2.204
800 780 791
1.301 902 2.203
802 777 791
Jrebeng Kulon
Didik
S2 02010 TSS II KS
0,411
395
961
70
27.650
67.275
2,75
0,50
1,38
380
925
390
950
385
938
BL BL BL
BL
8B
19
TAKSASI MARET TG. 2009/2010 SKW/ Kebun
Mandor/ Kelompok
No. Petak Tebang
Kate gori
Jenis M/T Tebu
Luas Areal Ditanami Jumlah Batang Tebu Luas Tiap Banyaknya Juringan Tiap Areal Petak Tiap Petak Tiap Ha Ju ( Ha ) Tebang ( Ha ) ring Tebang
Rata-2 Diame Berat rata-rata Panjang ter Tebu (Kg) Batang Btg Per Per (Mtr) (Cm) Mtr Btg
Taksasi Produksi Tebu ( Kui ) Jarak Dihitung Pandangan Terkoreksi kutan ( K GPS Tebu/ Tebu/ Tebu/ Jumlah Jumlah Jumlah L T Ha Ha Ha
Afd II/ Ferry Sumber 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 Suhud Efendi
K4 02001 TRT II K K4 02002 TRT II K
BL BL
8B 8B
2,967 4,281 7,248
2.819 4.067 6.886
950 950 950
73 72 72
205.787 292.824 498.611
69.359 68.401 68.793
2,50 2,50 2,50
0,43 0,43 0,43
1,08 1,08 1,08
2.212 3.148 5.360
746 735 740
2.225 3.189 5.414
750 745 747
2.219 3.168 5.387
748 740 743
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
20
TAKSASI MARET TG. 2009/2010 SKW/ Kebun
Mandor/ Kelompok
No. Petak Tebang
Kate gori
Jenis M/T Tebu
Luas Areal Ditanami Jumlah Batang Tebu Banyaknya Juringan Tiap Luas Tiap Areal Petak Tiap Petak Tiap Ha Ju ( Ha ) Tebang ( Ha ) ring Tebang
Rata-2 Diame Berat rata-rata Tebu (Kg) Panjang ter Batang Btg Per Per (Mtr) (Cm) Mtr Btg
Taksasi Produksi Tebu ( Kui ) Jarak Dihitung Pandangan Terkoreksi kutan ( K GPS Tebu/ Tebu/ Tebu/ Jumlah Jumlah Jumlah L T Ha Ha Ha
Afd II/ Ferry Sumber 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
1,050
998
950
76
75.848
72.236
2,20
0,45
0,99
751
715
756
720
753
718
BL
10A
21
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
22
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 : 23
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
24
