PERAMALAN PERMINTAAN MINUMAN KESEHATAN INSTAN JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN dan METODE TIME SERIES (Studi Kasus di Agroindustri Minuman Kesehatan Instan “DIA” Malang) Kenyo Puspito Rini 1), Ir. Usman Effendi, MS.2), Dhita Morita Ikasari, STP, MP.2) 1) 2)
Alumni Jurusan Teknologi Industri Pertanian, Staff Pengajar Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian Universitas Brawijaya Malang
[email protected]
ABSTRAK Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu, sedangkan peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang akan datang. Tujuan penelitian ini adalah meramalkan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktor-faktor bauran pemasaran dan membandingkan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil peramalan permintaan menggunakan metode time series berdasarkan data volume penjualan. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan metode Time Series menggunakan software SPSS 17.1. Hasil penelitian menunjukkan arsitektur jaringan single hidden layer terbaik yaitu 4-71 (4 neuron input, 7 neuron hidden layer, dan 1 neuron output). Metode terbaik untuk peramalan dengan metode time series adalah metode Winters’ Additive. Nilai hasil mean square error (MSE) pelatihan pada Jaringan Syaraf Tiruan (JST) sebesar 4827.82 sedangkan nilai MSE pada metode Time Series sebesar 119440.05. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode 1
bulan Agustus – Oktober 2012 adalah sebesar 8.58 %, sedangkan untuk Time Series adalah sebesar 12.29 %. Kata kunci : Jaringan Syaraf Tiruan, Matlab, Peramalan Permintaan, SPSS, Time Series.
ABSTRACT Forecasting is an attempt to predict the future state through state testing in the past, while demand forecasting are level of products demand that are expected to be realized for a certain period in the future. The purpose of this study is product demand forecasting instant health drink ginger using Artificial Neural Networks to consider the marketing mix factors and compare the results of product demand forecasting instant health drink ginger using Artificial Neural Networks based on the factors of the marketing mix with the results of demand forecasting using time series Data based on sales volume. The data analysis was done using Artificial Neural Networks using Matlab software 7.10 and Time Series method using the software SPSS 17.1. The results showed the best architecture of single hidden layer network is 4-7-1 (4 input neurons, 7 hidden layer neurons, and 1 output neuron). The best method for time series forecasting method is Winters' Additive. The resulting value is the mean square error (MSE) on the training of Artificial Neural Network (ANN) at 4827.82 while the MSE on the Time Series method for 119440.0512. The average percentage of fault simulation results using ANN forecasting demand in the period August to October 2012 is at 8.58%, while for Time Series is at 12.29%. Keywords : Artificial Neural Network, Matlab, Demand Forecasting, SPSS, Time Series.
2
I. PENDAHULUAN 1.1 Latar Belakang Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu, sedangkan peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisir untuk jangka waktu tertentu pada masa yang akan datang. Proses peramalan nantinya akan mendapatkan hasil peramalan yang digunakan oleh manajemen produksi atau operasi dalam pembuatan keputusankeputusan yang menyangkut pemilihan proses, perencanaan kapasitas, dan layout fasilitas, serta untuk keputusan yang bersifat terus–menerus berkenaan dengan perencanaan, scheduling, dan persediaan (Nasution, 2008). Menurut Rismawati (2009), peramalan permintaan dibutuhkan untuk mengetahui informasi pokok mengenai kecenderungan dan pola konsumsi produk. Agroindustri Minuman Kesehatan Instan DIA merupakan salah satu unit usaha yang mengolah tanaman obat keluarga (TOGA) menjadi minuman kesehatan instan berbentuk serbuk. Produk yang dihasilkan oleh perusahaan ini adalah minuman kesehatan instan jahe, kunyit, dan temulawak. Minuman kesehatan instan jahe
memiliki volume penjualan paling tinggi dibandingkan dengan produk minuman kesehatan instan kunyit dan temulawak. Hal ini juga dijadikan pertimbangan dalam pemilihan produk yang akan diramalkan dalam penelitian ini. Permasalahan yang dihadapi oleh Agroindustri Minuman Kesehatan Instan DIA adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk minuman kesehatan instan karena peramalan yang dilakukan berdasarkan perkiraan dari periode lalu. Hal ini mengakibatkan Agroindustri Minuman Kesehatan Instan DIA belum memiliki perencanaan produksi yang optimal. Metode peramalan yang digunakan adalah Jaringan Syaraf Tiruan (JST) dan time series. Jaringan syaraf tiruan merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2005). Jaringan syaraf tiruan mempunyai kemampuan untuk belajar dari data, mempunyai sifat non-linier, mampu mengidentifikasi struktur model serta efektif menghubungkan input-output simulasi, namun memiliki kekurangan yaitu membutuhkan waktu yang lama dalam pembuatan model (Rudiyanto, 3
2004). Sedangkan, metode time series merupakan metode statistik yang menggunakan data permintaan historis pada suatu periode waktu untuk proses peramalannya. Volume penjualan dapat dipengaruhi oleh beberapa faktor, salah satunya adalah bauran pemasaran. Dalam penelitian ini peramalan dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input) pada jaringan syaraf tiruan. Unsur bauran pemasaran yang digunakan adalah harga produk, jumlah tempat pemasaran, biaya distribusi, dan biaya promosi. Metode time series digunakan sebagai pembanding dalam penelitian ini. Data volume penjualan digunakan sebagai input dalam peramalan menggunakan metode time series. Hasil peramalan menggunakan jaringan syaraf tiruan berdasarkan unsur bauran pemasaran selanjutnya akan dibandingkan dengan peramalan menggunakan metode time series berdasarkan data volume penjualan untuk mengetahui metode mana yang paling tepat digunakan di Agroindustri Minuman Kesehatan Instan DIA.
kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktorfaktor yang mempengaruhi volume penjualan? 2. Bagaimana perbandingan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan metode time series? 1.3 Tujuan 1. Meramalkan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan dengan mempertimbangkan faktorfaktor bauran pemasaran. 2. Membandingkan hasil peramalan permintaan produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil peramalan permintaan menggunakan metode time series berdasarkan data volume penjualan. II. METODE PENELITIAN 2.1 Tempat dan Waktu Penelitian Penelitian dilakukan di Agroindustri Minuman Kesehatan Instan DIA yang terletak di Jalan Kembang Kertas no.25, Malang. Penelitian ini dilaksanakan pada bulan Juni
1.2 Rumusan Masalah 1. Bagaimana meramalkan permintaan produk minuman 4
2012 sampai Oktober 2012. Pengolahan data dilakukan di Laboratorium Komputasi dan Analisis Sistem, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang.
DIA. Namun, dalam penelitian ini hanya digunakan sebagai masukan data (input) untuk produk jahe. 2.3 Analisa Data 2.3.1 Peramalan Permintaan Menggunakan Metode Time Series Moving Average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis (masa lampau) permintaan.
2.2 Batasan Masalah Penelitian ini dilakukan dengan batasan masalah sebagai berikut: 1. Penelitian dengan metode Jaringan Syaraf Tiruan ini dilakukan untuk meramalkan permintaan produk minuman kesehatan instan pada Agroindustri Minuman Kesehatan Instan DIA untuk periode Agustus 2012 – Juli 2013. 2. Produk yang digunakan dalam penelitian ini hanya satu jenis yaitu minuman kesehatan instan jahe. 3. Data yang digunakan dalam penelitian ini fokus pada lima variabel yaitu data volume penjualan, harga produk, biaya promosi, biaya distribusi, dan jumlah tempat pemasaran pada bulan Januari 2007 – Juli 2012. 4. Biaya-biaya yang digunakan seperti biaya promosi, biaya distribusi serta jumlah tempat pemasaran adalah biaya yang dikeluarkan untuk semua produk minuman kesehatan instan pada Agroindustri Minuman Kesehatan Instan
dimana: ∧ft = ramalan permintaan periode t ft = permintaan aktual periode t m =jumlah periode yang digunakan untuk peramalan. Metode Exponential Smoothing (Makridakis, 2005) merupakan prosedur perbaikan terusmenerus pada peramalan terhadap objek pengamatan terbaru. Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode. 1.Single Exponential Smoothing Ft+1 = α * Xt + (1 – α) * Ft dimana: Ft = peramalan untuk periode t. Xt + (1-α) = Nilai aktual time series 5
Ft+1 = peramalan pada waktu t + komponen deret berkala secara 1 terpisah (Amran, 2003) : α = konstanta perataan antara 0 Data= trend + musiman + siklus + error) dan 1 atau 2.Double Exponential Smoothing St = α * Yt + (1 – α) * (St - 1 + bt - 1) Ramalan= trend + musiman + siklus bt = γ * (St – St - 1) + (1 – γ) * bt – 1 2.3.2 Peramalan Permintaan Ft + m = St + bt m Menggunakan Metode dimana: Jaringan Syaraf Tiruan St = peramalan untuk periode t. Arsitektur jaringan yang Yt + (1-α) = Nilai aktual time series dipakai adalah jaringan syaraf bt = trend pada periodeke - t α = parameter pertama perataan dengan banyak lapisan (multi layer network). Jaringan dengan antara nol dan 1, = untuk pemulusan nilai banyak lapisan memiliki satu atau lebih lapisan yang terletak observasi γ = parameter kedua, untuk diantara input dan lapisan output (memiliki satu atau lebih lapisan pemulusan trend tersembunyi). Jaringan syaraf Ft+m = hasil peramalan ke - m m = jumlah periode ke muka yang dengan banyak lapisan (multi layer network) terdiri dari lapisan akan diramalkan input, lapisan tersembunyi dan 3.Triple Exponential Smoothing lapisan output. Jumlah hidden layer Pemulusan trend: ditentukan dalam pelatihan Bt =g (St – St-1) + (1 - g ) bt-1 (Kusumadewi, 2006). Pemulusan Musiman: Algoritma pembelajaran yang I=btX digunakan dalam penelitian ini t S + (1-b) t -L +m adalah backpropagation. Ramalan: Backpropagation dipilih karena Ft + m = (St + bt m)It – L + m dikenal sangat efektif untuk Dimana L adalah panjang menyelesaikan masalah-masalah musiman (misal, jumlah kuartal dalam suatu tahun), b adalah yang membutuhkan pemetaan komponen trend, I adalah factor pola, yaitu jika diberikan suatu penyesuaian musiman, dan Ft + pola input maka akan dikeluarkan m adalah ramalan untuk m pola output yang dikehendaki (Kusumadewi, 2004). periode ke muka. Diagram alir algoritma Dekomposisi adalah metode Backpropagation disajikan pada pemecahan data menjadi sub pola Gambar 1. yang menunjukkan tiap-tiap
6
b. Inisialisai bobot secara acak Dalam inisialisai bobot secara acak yaitu pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Pemilihan nilai bobot ini berpengaruh atas kecepatan suatu jaringan untuk mencapai konvergen (kondisi stabil). c. Propagasi Maju (Fase 1) Sinyal masukan (Xi) dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan. Kemudian keluaran dari setiap unit layar tersembunyi (Zj ; j = 1,2,3,…., p) dihitung :
Mulai
Data Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Perhitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
Iterasi (epoch) = iterasi + 1
Tidak
Tidak
Iterasi ≥ Maks. Iterasi
Zj (j = 1,2,3,…,p)
MSE ≤ error
Ya
Ya Simpan Bobot
Selanjutnya keluaran dari unit tersembunyi ini dipropagasikan maju lagi ke layar tersembunyi diatasnya menggunakan fungsi aktivasi yang ditentukan. Tiap unit keluaran (yk, k = 1,…, m) jumlahkan bobot sinyal masukannya (Wko perubahan bobot pada unit tersembunyi o, dan Wkj perubahan bobot pada unit tersembunyi j).
Selesai
Gambar 1. Diagram Alir Algoritma
Penjelasan mengenai tahap algoritma backpropagation adalah sebagai berikut : a. Data training Data training adalah pasangan data masukan dan keluaran actual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, datadata yang ada dibakukan terlebih dahulu.
Kemudian, keluaran jaringan (Yk) dibandingkan dengan target 7
yang harus dicapai (tk). Selisih tk – Yk adalah kesalahan yang terjadi. d. Propagasi Balik (Fase 2) Berdasarkan kesalahan tk – Yk, dihitung faktor δk (k=1,2,3,….,m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. δk =
f’(y_netk)=
didasarkan atas faktor δ neuron dilayar atasnya. Ketiga fase diulang hingga kondisi penghentian dipenuhi. Kondisi penghentian tercapai jika MSE (mean square error) telah mencapai harga minimum atau epoch sama dengan batas toleransi yang diberikan. Menurut Siang (2005), algoritma backpropagation (BP) merupakan pengembangan dari algoritma least mean square yang dapat digunakan untuk melatih jaringan dengan beberapa layer. BP menggunakan pendekatan algoritma steepest descent dan untuk menentukan performance index-nya adalah dengan mean square error (MSE). Nilai mean square error (MSE) pada satu siklus pelatihan adalah nilai kesalahan (error = nilai keluaran – nilai masukan) ratarata dari seluruh rekord (tupple) yang dipresentasikan ke JST dan dirumuskan sebagai:
yk(1- yk)
δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Nilai perubahan bobot unit keluaran Wkj dengan laju percepatan α adalah: ΔWkj = α . δk . zj k = 1,2,3,…,m;j = 1,2,3,…,p Dengan cara yang sama, dihitung faktor δj di setiap unit layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi dilayar dibawahnya.
Semakin kecil MSE, semakin kecil kesalahan JST dalam memprediksi pola dari record yang baru. Maka, pelatihan JST ditujukan untuk memperkecil MSE dari satu siklus ke siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan.
Faktor δ unit tersembunyi: δj = δ_netj f’(z_netj) =
e. Perubahan Bobot (Fase 3) Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis 8
f. Kriteria pemberhentian pembelajaran Kriteria pemberhentian pembelajaran merupakan syarat pokok yang harus dipenuhi oleh jaringan untuk mendapatkan output peramalan terbaik. Kriteria pembelajaran dalam penelitian ini adalah jumlah epoch yang ditoleransi. Kesalahan dihitung berdasarkan bobot yang diperoleh yang dikenakan pada data pengujian. Jika kesalahan data uji masih turun, pelatihan dilanjutkan. Pembelajaran dihentikan apabila kesalahannya mulai naik (Siang, 2005).
menggunakan jaringan syaraf tiruan. Model peramalan yang dibuat terdiri dari 4 variabel independen dan 1 variabel dependen. Dalam jaringan syaraf tiruan, model ini terbaca sebagai 4 unit (neuron) input dan 1 unit (neuron) output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 4 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya melalui pelatihan (training). Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunkan Software Matlab 7.10. Parameter pembelajaran dalam penelitian meliputi max. epoch 2000, dan learning rate antara 0.1 – 0.9. Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) untuk kriteria pemberhentian training jaringan adalah 0.02, nilai ini dipilih berdasarkan dengan trial and error sampai ditemukan performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai 0.85. Jaringan terbaik dihasilkan oleh pelatihan jaringan 4-7-1 (4 neuron input, 7 neuron hidden layer, 1 neuron output) dengan nilai MSE
III.Hasil dan Pembahasan 3.1 Hasil Peramalan Menggunakan Jaringan Syaraf Tiruan Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk minuman kesehatan instan jahe pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang (Agustus 2012 – Juli 2013). Peramalan permintaan dilakukan berdasarkan data faktor-faktor yang mempengaruhi volume penjualan produk minuman kesehatan instan jahe, antara lain harga produk, jumlah tempat pemasaran, biaya promosi, dan biaya distribusi periode Januari 2007 – Juli 2012 dengan
9
terkecil yaitu 4827.82. Gambar model Jaringan Syaraf Tiruan 4-71 dapat dilihat pada Gambar 2.
3. Hasil Peramalan Permintaan Menggunakan Metode Wimters’ Additive Pola data yang ditunjukkan oleh gambar 3 merupakan pola data seasonal (musiman), sehingga metode terbaik yang diperoleh adalah metode Winters’ Additive. Melihat plot di atas terlihat bahwa hasil peramalan mengikuti bentuk pola datanya, sehingga tingkat akurasi data tersebut sebagai dasar untuk perencanaan cukup baik. Nilai RMSE (Root Mean Square Error) adalah 345.601 sehingga nilai MSE adalah 119440.0512. Gambar
Gambar 2. Model jaringan Syaraf Tiruan 4-7-1 3.2 Hasil Peramalan Menggunakan Analisa Deret Waktu (Time Series) Peramalan permintaan dilakukan berdasarkan data penjualan produk periode Januari 2007 – Juli 2012 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk minuman kesehatan instan jahe DIA pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang pada Agustus 2012 – Juli 2013. Metode time series yang digunakan dalam penelitian ini meliputi metode moving averages, exponential smoothing, dan dekomposisi. Penyelesaian peramalan permintaan menggunakan metode time series dilakukan dengan software SPSS 17.1. Hasil peramalan dapat dilihat pada Gambar 3.
3.3 Perbandingan Hasil Peramalan Jaringan Syaraf Tiruan dengan Time Series Dalam penelitian ini, peramalan permintaan yang digunakan terdiri dari dua metode yaitu metode jaringan syaraf tiruan dan time series. Untuk itu, perlu dibandingkan metode mana yang lebih baik dalam penelitian ini. Pembanding yang digunakan berupa data penjualan aktual minuman kesehatan instan jahe 10
DIA, sehingga bisa dilihat diantara kedua metode tersebut mana yang paling baik dalam meramalkan minuman kesehatan instan jahe DIA. Hasil
perbandingan metode jaringan syaraf tiruan, time series, dan data aktual dapat dilihat pada Tabel 1.
Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series, dan Data Aktual Periode Agustus – Desember 2012 Tahun
2012
Periode
Simulasi Peramalan JST
Time Series
Agustus 7245 8333 September 7227 9827 Oktober 7253 8626 November 7239 8187 Desember 7120 7239 Rata-rata Kesalahan
Dari tabel 1 terlihat bahwa jaringan syaraf tiruan merupakan metode yang relatif lebih baik dari time series dalam meramalkan permintaan minuman kesehatan instan jahe DIA karena memiliki
Data Aktual 7405 8498 7936 7270 7299
Persentase Kesalahan Peramalan Terhadap Permintaan Aktual (%) JST Time Series 2.16 12.53 14.96 15.64 8.61 8.7 0.43 12.61 2.45 0.82 5.72 10.06
penyimpangan kesalahan lebih kecil dibandingkan metode time series. Perbandingan nilai Mean Squared Error (MSE) sebelum dan sesudah peramalan untuk metode Time Series dan Jaringan Syaraf Tiruan dapat dilihat pada Tabel 2.
Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Time Series dan JST Metode Nilai MSE Sebelum Sesudah Time Series 119440.05 119440.05 JST 4827.82 6663.39 Pada Tabel 4.5 dapat dilihat nilai menjadi 6663.39 yang error untuk masing-masing menunjukkan nilai MSE sesudah metode sebelum dan sesudah peramalan lebih besar peramalan. Pada metode Time dibandingkan nilai MSE sebelum Series nilai MSE sebelum dan peramalan. Hal ini dikarenakan sesudah peramalan tetap yaitu nilai mean pada saat testing lebih 119440.0512. Sedangkan, pada besar dibandingkan nilai mean metode JST terjadi perubahan saat pemodelan. nilai MSE yang semula 4827.82 11
IV.PENUTUP 4.1 Kesimpulan Penerapan metode Jaringan Syaraf Tiruan (JST) untuk peramalan permintaan minuman kesehatan instan jahe DIA dengan menggunakan model jaringan Backpropagation, menghasilkan arsitektur jaringan single hidden layer terbaik yaitu 4-7-1 (4 neuron input, 7 neuron hidden layer, dan 1 neuron output), 4 neuron input merupakan faktor bauran pemasaran yang meliputi harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi, sedangkan untuk 1 neuron output merupakan nilai peramalan permintaan. Metode terbaik untuk peramalan dengan metode time series adalah metode Winters’ Additive. Metode Winters’ Additive merupakan salah satu dari model Holt- Winters (triple exponential smoothing) yang digunakan untuk menangani musiman. Nilai hasil mean square error (MSE) pelatihan pada Jaringan Syaraf Tiruan (JST) sebesar 4827.82 sedangkan nilai MSE pada metode Time Series sebesar 119440.05. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode bulan Agustus – Desember 2012 adalah sebesar 5.72 %, sedangkan untuk Time Series adalah sebesar 10.06 %. Sehingga dapat disimpulkan bahwa Jaringan
Syaraf Tiruan merupakan metode yang relatif lebih baik dari Time Series dalam meramalkan permintaan minuman kesehatan instan jahe DIA karena memiliki penyimpangan kesalahan yang lebih kecil dibandingkan metode time series. 4.2 Saran Dari hasil penelitian dan pembahasan yang telah dilakukan, saran yang dapat dikemukakan yaitu perlu adanya penelitian lebih lanjut untuk membandingkan peramalan permintaan menggunakan JST dengan metode yang lain seperti metode JST untuk peramalan time series agar dapat menghasilkan peramalan permintaan yang lebih baik. DAFTAR PUSTAKA Amran. 2003. Prediksi Distribusi Porositas dengan Metode Dekomposisi Ring. ITB. Bandung. Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab dan Excel Link. Graha Ilmu. Yogyakarta. Kusumadewi, S dan Hartati, S. 2006. Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu. Yogyakarta.
12
Makridakis, S. dan Whellwright, S. C. 2005. Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Nasution, A. H. 2008. Perencanaan dan Pengendalian Produksi. Graha Ilmu. Yogyakarta. Rismawati, L. 2009. Analisis Sensitivitas Dari Persoalan Perbaikan Mesin Dalam Sistem Manufaktur. Tesis Pascasarjana Universitas Sumatera Utara. Medan. Rudiyanto B.I. dan Setiawan. 2004. Backpropagation Artificial Neural Network. Artikel. Departemen Teknik Pertanian. Fateta- IPB. Bogor. Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. ANDI. Yogyakarta.
13
