Penerapan Data Mining untuk Memprediksi Jumlah Produksi Kelapa Sawit Menggunakan Metode Regresi Linear Berganda (Studi Kasus : Pt. Sgsr Mujur Sinar Gunung Sawit Raya)

Abstract

PT. SGSR Mujur Sinar Gunung Sawit Raya merupakan salah satu perusahaan kelapa sawit yang besar di Kabupaten Tapanuli Tengah Provinsi Sumatera Utara. Jumlah hasil produksi kelapa sawit setiap bulannya akan mengalami kenaikan ataupun penurunan yang tidak stabil sehingga sulit untuk memprediksi hasil produksi kelapa sawit di PT SGSR. Hal ini dilakukan untuk peningkatan akurasi dan menganalisis perkembangan hasil produksi kelapa sawit dilapangan sebagai bahan kebijakan bagi pemimpin dalam usaha mengatasi penurunan jumlah hasil produksi kelapa sawit. Metode regresi linear berganda merupakan metode yang digunakan dalam mengatasi permasalahan yang ada. Analisis regresi dapat digunakan dalam hal memprediksi dan juga memiliki kelebihan pada penguraian data yang terstruktur dan mudah untuk dipahami.Variabel yang akan digunakan yaitu X1 (luas lahan), X2 (banyak batang), X3 (tandan/pokok), X4 (berat janjang ratarata) dan Y (hasil produksi) dengan data yang diproses dari tahun 2019-2022. Dimana akan melakukan perhitungan dari X1, X2, X3, X4 dan Y, yang mana proses untuk mendapatkan hasil produksi (Y) dimulai dari memasukkan data, menghitung nilai koefisien regresi, dan perhitungan regresi linear berganda. PT. SGSR Mujur Sinar Gunung Sawit Raya is one of the largest palm oil companies in Central Tapanuli Regency, North Sumatra Province. The amount of palm oil production every month will experience an unstable increase or decrease, making it difficult to predict palm oil production results at PT SGSR. This is done to increase accuracy and analyze developments in palm oil production results in the field as policy material for leaders in efforts to overcome the decline in the amount of palm oil production. The multiple linear regression method is a method used to overcome existing problems. Regression analysis can be used in terms of prediction and also has the advantage of decomposing data that is structured and easy to understand. The variables that will be used are X1 (land area), X2 (number of stems), -average) and Y (production yield) with data processed from 2019-2022. Where you will carry out calculations of X1, X2, X3, X4 and Y, where the process to obtain production results (Y) starts from entering data, calculating regression coefficient values, and calculating multiple linear regression.