MODEL PREDIKSI RENTET WAKTU PENJUALAN MINUMAN KESEHATAN BERBASIS NEURAL NETWORK

Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999

MODEL PREDIKSI RENTET WAKTU PENJUALAN MINUMAN KESEHATAN BERBASIS NEURAL NETWORK Daniel Hartono dan Romi Satrio Wahono Pascasarjana Teknik Informatika Universitas Dian Nuswantoro

ABSTRACT Mung Bean extract is one of the most popular health drinks of Indonesian society. This health drink products have a fairly high sales record, especially on slah a health drink company D'Bean Mung Bean Thailand. Nevertheless, the sale is affected by several factors including the condition and ability of sellers (production level), the type and characteristics of the goods offered, frequency of purchase. This drink without preservatives, so in 3-4 days with a new production of goods diretur. Therefore, the sale can not be accurately predicted, causing an increasing number of returns each year. In this study developed a predictive model based sales business rentet time neural networkwith back propagation as learning algorithm. Architecture with a backpropagation neural networkmodels were developed to determine the value of learning rate and momentum as a determinant of the speed of learning process and the number of hidden layer neurons as a unit that performs the learning that is equal to 1 hiden layer. In the learning process will result in weight as a comparison to the process of learning to the next neuron unit is repeated (forward back propagation). Validation RMSE value which is determined by the less error the more it will approach the accuracy of the sales of health drinks, the study found RMSE for 0152. Based on research that has been done showing a model with back propagation neural networkis able to predict the health beverage sales business accurately. PENDAHULUAN 1.1 Latar Belakang Masalah Penjualan merupakan sebuah proses dimana kebutuhan pembeli dan penjualan dipenuhi, melalui pertukaran informasi dan kepentingan. Jadi konsep penjualan adalah cara untuk mempengaruhi konsumen untuk membeli produk yang ditawarkan [1]. Menurut Swastha dan Irawan [2], di dalam penjualan dipengaruhi oleh beberapa faktor diantaranya kondisi dan kemampuan penjual (tingkat produksi), jenis dan karakteristik barang yang ditawarkan, frekuensi pembelian. Dalam kasus penjualan minuman kesehatan Sari Kacang Hijau Thailand D’Bean, produk ini mempunyai jenis dan karakteristik khusus. Minuman kesehatan ini tidak mengandung pengawet, maka dari itu minuman ini tahan sekitar 7-10 hari di lemari pendingin. Akan tetapi, untuk menjaga kualitas 3-4 hari setelahnya harus produk ini diretur atau ditukar dengan produksi yang baru. Masalah yang kedua, terkadang penjualan tidak dapat diprediksi dengan akurat dan terjadi penumpukan produksi dan retur yang cukup fluktuatif besar. Prediksi penjualan yang tidak akurat menyebabkan jumlah produksi yang tidak tepat. Gambar 1 menunjukkan data rentet waktu bisnis penjualan minuman kesehatan selama tahun 2009-2011 dimana presentase retur penjualan untuk tiap tahun meningkat.

12

http://research.pps.dinus.ac.id


Gambar 1. 1. Presentase Retur Penjualan Minuman Kesehatan 2009-2011 Dalam perkembangan penelitian, data rentet waktu merupakan objek penelitian dari data mining karena banyak berhubungan dengan banyak bidang seperti keuangan, kesehatan, kimia, biologi, astronomi, robotik, jaringan komputer, dan industri. Keunikan dari data rentet waktu sendiri karena jumlah data yang besar ada atau keragaman datanya berurut dan tidak terstruktur [3]. Pada Gambar 1 diproyeksikan retur penjualan bisnis minuman kesehatan data rentet waktu dari tahun 2009-2011 yang tidak terstruktur. Metode untuk melakukan prediksi ada beberapa macam, salah satu metode prediksi dengan menggunakan neural network. Salah satu penelitian dari C. Fernandez [4] meneliti dengan menggunakan metode neural network untuk prediksi susu kambing mingguan. Penelitian dari 35 kambing, 22 kambing menjadi model neural dan 13 kambing sebagai data testing. Setelah dijalankan dengan model neural network ditemukan bahwa input terpenting dari produksi susu kambing ditentukan dari pasterisasi, pengendalian produksi susu dan macam diet yang diterapkan. Hasil dengan model neural dengan tingkat akurasi RMSE (Root Mean Square Error) = 0.31 Kg/d dan low bias (kesalahannya, ME) = -0.05 kg/d. Chengguan [5] mendeskripsikan bahwa model yang didasarkan metodologi dalam prediksi penjualan obat. Algoritma neural network digunakan untuk prediksi produk obat terbaik dan musim terbaik untuk menjual. Penerapan model dilakukan pada kasus di Perusahaan Farmasi Guiyang Zhi Fu Tang terdiri dari 63.044 macam obat dan 17 bidang obat. Percobaan kasus menunjukkan bahwa prediksi penjualan ini dapat meningkatkan kinerja secara efektif dan dapat diterapkan di beberapa musim. Dari data diatas dapat kita lihat bahwa algoritma neural network merupakan algoritma yang dapat digunakan dalam prediksi dengan mengunakan data rentet waktu untuk data penjualan yang mempunyai karateristik data yang beragam. Akan tetapi, neural network dapat mengalami perubahan arsitektur karena perubahan jumlah parameter input. Perubahan input juga mempengaruhi arsitektur neural network seperti yang dilakukan Chengguan [5] untuk prediksi stok secara musiman. Pendekatan akan dilakukan dengan menggunakan arsitektur neural network dengan algoritma backpropagation. Pada penelitian ini menggunakan prediksi rentet waktu neural network. Beberapa pertimbangan yang digunakan metode ini, model baru dapat menerima input parameter dari numerik dan kategori yang berbeda, sehingga dapat digunakan sebagai prediksi secara akurat [6]. Penelitian kali ini menitikberatkan pada arstiektur terbaik dengan menggunakan neural network, dimana setting parameter neural network dengan menggunakan jumlah hidden layer tidak lebih dari jumlah input maupun output. Pada Gambar 1 menggambarkan kondisi retur penjualan yang meningkat tiap http://research.pps.dinus.ac.id

13

Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 tahunnya, kondisi ini menyebabkan perusahaan tidak bisa mamprediksi penjualantiap harinya secara akurat, sehingga menyebabkan kerugian karena kelebihan dari jumlah produksi. Pada penelitian ini metode prediksi rentet waktu neural networkdigunakan untuk memprediksi penjualan dari produksi dengan lebih akurat pada produksi minuman kesehatan, sesuai dengan waktu permintaan dan jumlah produksi. Neural network untuk prediksi datarentet waktudapat menunjukkan hasil prediksi yang cukup akurat dibanding metode yang lainnya[7]. 1.2 Rumusan Masalah Berdasarkanlatar belakang permasalahan yang telah disebutkan dalam uraian sebelumnya maka dapat dirumuskan permasalahan penelitian adalah tidak akuratnya prediksi penjualan pada bisnis minuman kesehatan sehingga menyebabkan jumlah retur yang tidak menentu dan cenderung meningkat. Sedangkan pertanyaan penelitian (research question) yang diangkat dalam penelitian ini adalah bagaimana model prediksi rentet waktu berbasis neural network yang akurat untuk memprediksi penjualan pada bisnis minuman kesehatan. 1.3 Ruang Lingkup Batasan dari penelitian ini adalah: 1. Menggunakan datarentet waktu dari hasil pencatatan penjualan dan retur pada bisnis minuman kesehatan. 2. Prediksi dilakukan dengan menggunakan neural network. 1.4 Tujuan Penelitian Berdasarkan latar belakang dan rumusan masalah diatas, maka penelitian ini bertujuan untuk mengembangkan model prediksi rentet waktu neural network untuk memprediksi penjualan pada bisnis minuman kesehatan dengan lebih akurat. 1.5 Manfaat Penelitian Manfaat dari penelitian ini antara lain: 1. Manfaat praktis dari penelitian ini diharapkan dapat digunakan untuk pengusaha menerapkan metode rentet waktu dengan algoritma neural network untuk memprediksi penjualan minuman kesehatan. 2. Manfaat teoritis hasil penelitian ini diharapkan dapat memberikan kontribusi, gambaran dan pemahaman dengan menggunakan prediksi rentet waktu pada model neural network, khususnya untuk prediksi penjualan minuman kesehatan. 3. Manfaat kebijakan penelitian ini diharapkan perusahaan dapat mengurangi tingkat kerugian perusahaan akibat prediksi penjualan yang kurang akurat. Sehingga perusahaan dapat mengendalikan jumlah produksi untuk menekan jumlah retur yang tidak menentu dan cenderung meningkat. 2 TINJAUAN PUSTAKA 2.1 Penelitian Terkait Penelitian yang terkait dengan model prediksi rentet waktu pada bisnis minuman kesehatan berbasis neural networkseperti beberapa penelitian di bawah ini. C. Fernandez [4] meneliti dengan menggunakan metode neural network untuk prediksi hasil produksi susu kambing dalam tiap minggu. Penelitian dari 35 ekor kambing, 22 ekor kambing menjadi model neural dan 13 ekor kambing sebagai data testing. Setelah dijalankan dengan metode neural network, ditemukan bahwa parameter yang mempengaruhi produksi susu kambing ditentukan dari pasterisasi, pengendalian produksi susu dan macam diet yang diterapkan. Hasil dengan model neural network dengan tingkat akurasi RMSE (Root Mean Square Error) = 0.31 Kg/d dan low bias (kesalahannya, ME) = -0.05 kg/d. DM Njubi [8] menerangkan bahwapenelitian ini menggunakan backpropagation Artificial Neural Networks (ANN) (teknik artificial intelligence) mencari pendekatan model dan memprediksi hasil pertama laktasi susu sapi perah di Kenya. Dari data pencatatan 6095 laktasi ekor sapi Kenyan Holstein-Friesian dari 76 susu yang tercatat dari sapi pejantan sebanyak 445 ekor, dikumpulkan 1956 dan 2267 ekor sapi betina dikumpulkan selama periode 1988 -2005 di mana digunakan untuk 14


Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 memprediksi kinerja laktasi pertama dari keturunan betina berdasarkan sifat 15ropert, maka disimpulkan induk mereka menggunakan Jaringan Saraf Tiruan (JST). Yanti [9] melakukan penerapan neural networkdengan algoritma backpropagation di apotek ABC adalah apotek yang menjual obat-obatan. Apotek ini menggunakan cara manual dalam mengumpulkan data stok obat kemudian disimpan dalam Microsoft Excel. Untuk mengetahui jumlah stok obat membutuhkan waktu yang lama karena tidak ada gambaran berapa jumlah stok obat yang tersisa. Tujuannya adalah untuk menghindari terjadinya kekosongan stok. Selama ini, untuk mengetahui jumlah stok hanya dengan menghitung sisa stok yang ada, kemudian membandingkan jumlah antara obat yang terjual dengan faktur pembelian. Permasalahan yang terjadi yaitu tidak validnya data stok obat yang ada dan sulitnya melakukan prediksi untuk pemesanan ditahun berikutnya. Pada paper ini mencoba menerapkan metode neural network dengan struktur backpropagation untuk melakukan prediksi pendataan stok obat di apotek dengan evaluation pattern menggunakan aplikasi Matlab 6.1. Penerapan metode ini bertujuan untuk mendapatkan hasil prediksi stok obat. Hasil diberikan dalam bentuk angka dan grafik untuk prediksi tahun berikutnya dengan jumlah node input 10, node hidden 3 dan node output 1. Nilai learning rate yang digunakan adalah 0,1, 0,5 dan 0,8. Hasil pengujian yang dilakukan menghasilkan RMSE pada learning rate 0.5. Diharapkan nantinya dengan metode ini dapat memberikan solusi kepada pihak apotek untuk melakukan prediksi stok obat satu tahun kedepan sehingga mempermudah pekerjaan pada bagian inventori dan penjualan di apotek ABC. Nicolae Morariu [10] menyajikan beberapa aspek mengenai penggunaan teknik pengenalan pola dan jaringan saraf untuk kegiatan diagnostik evolusi dan prediksi melalui seperangkat indikator. Mulai dari indikator yang didefinisikan oleh ukuran pada pola set, untuk mengukur nilai skalar yang mencirikan kegiatan yang dianalisis pada setiap saat waktu. Pola didefinisikan oleh nilai-nilai indikator yang ditetapkan pada waktu tertentu. Kelas - kelas yang ditentukan dengan teknik klasifikasi dan pengenalan didefinisikan oleh sebuah hubungan yang memungkinkan representasi evolusi dari evolusi negatif terhadap evolusi positif. Untuk diagnostik dan prediksi digunakan alat-alat berikut: pengenalan pola dan neural network multilayer perceptron. Chengguan [5] mendeskripsikan bahwa model yang didasarkan metodologi dalam prediksi penjualan obat. Algoritma neural network digunakan untuk prediksi produk obat terbaik dan musim terbaik untuk menjual.Penerapan model dilakukan padakasus di Perusahaan Farmasi Guiyang Zhi Fu Tang terdiri dari 63.044 macam obat dan 17 bidang obat. Percobaan kasus menunjukkan bahwa prediksi ini dapat meningkatkan kinerja secara efektif dan dapat diterapkan di beberapa musim. 2.2 Model Prediksi Rentet Waktu Penjualan Minuman Kesehatan Berbasis Neural Network Kerangka pemikiran dideskripsikan dari 4 bagian yaitu adjustment parameter, model, object dan measurement. Parameter yang digunakan meliputi learning rate, momentum dan neuron size. Model yang dipakai dalam eksperimen ini adalah neural network with backpropagation. Objek yang diteliti adalah prediksi rentet waktu bisnis penjualan minuman kesehatan. Sedangkan pengukuran menggunakan RMSE (Root Mean Square Error). Kerangka pemikiran dari penelitian ini dapat dilihat dari Gambar 2.2


15


Gambar 2.2 Kerangka Pemikiran 3 METODE PENELITIAN Metode penelitian yang dilakukan dengan tahapan-tahapan penelitian seperti berikut:

Gambar 3. Metode Penelitian 3.1 Metode Pengumpulan Data Penelitian ini menggunakan metode kuantitatif untuk mengumpulkan data, baik data penjualan, produksi dan retur. Data dikumpulkan mulai dari tahun 2009 dan berakhir pada bulan Juli 2011. Pencatatan dilakukan 1 (satu) minggu, 3 (tiga) kali pencatatan, karena dalam selang 2 (dua) hari ada produksi dan retur barang di outlet-outlet. Jumlah data yang berhasil terkumpul sekitar 408 data. Lebih jelasnya lihat Tabel 1 tentang pencatatan data. 3.2 Pengelompokan Data Proses pengelompokan data didapatkan dari data penjualan bisnis minuman kesehatan sari kacang hijau Thailand D'bean. Hasil data penjualan yang dikumpulkan mulai dari Januari 2009 hingga Agustus 2011. Data Split 16


Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 Data yang telah dimasukkan ke dalam excel, perlu dibagi (split) menjadi 2 bagian, 1 bagian untuk training dan bagian yang lain untuk testing. Ukuran proporsional dari data mining untuk training dan testing set berada dalam range 50% training/ 50% testing sampai dengan 90% training/ 10 % testing [18]. Penggunaan split 50:50 antara training dan test data dapat disimpulkan tidak ideal, lebih baik menggunakan lebih dari setengah data untuk training meskipun akan mengorbankan data untuk testing [19]. 3.3 Pemodelan Model yang ditemukan pada penelitian ini berdasarkan state of the art tentang prediksi penjualan adalah dengan menerapkan model neural network. Neural network telah menunjukkan hasil yang menjanjikan dalam prediksi untuk data rentet waktu dibandingkan dengan pendekatan lainnya [7]. Dalam penelitian ini digunakan algoritma backpropagation dan harus melewati proses pelatihan (training) dan pengujian (testing).Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid, dan jumlah hidden layer yaitu 1 hidden layer. [17]. Model yang ditemukan dengan menggunakan multi input yaitu: tanggal, produksi, penjualan dan retur. Kemudian hidden layer menggunakan 1 layer. Untuk parameter lainnya diatur dalam eksperimen untuk menghasilkan model yang terbaik.

Gambar 3.3 Arsitektur Neural Network Multi Input Single Output 3.4 Eksperimen dan Pengujian Model Dalam menentukanarsitekturneural networkyang tepat, agar menghasilkan root mean square error (RMSE) yang terkecil, diperlukan pengaturan (adjustment) untuk parameter-parameter neural network. Berikut ini adalah parameter-parameter yang membutuhkanpengaturan: 1. Training cycle Training cycle adalah jumlah perulangan training yang perlu dilakukan untuk mendapatkan error yang terkecil. Nilai training cycle bervariasi mulai dari 1 sampai dengan tak terhingga. Dalam eksperimen ini dimasukkan nilai trainning cycle dari nilai 100 hingga 1000. 2. Learning rate Learning rate adalah variabel yang digunakan oleh algoritma pembelajaran untuk menentukan bobot dari neuron [20]. Nilai yang besar menyebabkan pembelajaran lebih cepat tetapi ada osilasi bobot, sedangkan nilai yang kecil menyebabkan pembelajaran lebih lambat [21]. Nilai learning rate harus berupa angka positif kurang dari 1. Learning rate yang dimasukkan untuk eksperimen ini dimulai dari 0,1 sampai 0,9. 3. Momentum Momentumdigunakan untukmeningkatkan convergence, mempercepat waktu pembelajaran dan mengurangi osilasi [21]. Nilai momentum bervariasi dari 0 ke 1. Proses untuk mendapatkan momentum pada eksperimen ini dimulai dari nilai 100 hingga 900. 4. Hidden layer http://research.pps.dinus.ac.id

17

Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 Ada 2 ragam dalam pengaturan hidden layer, yaitu penentuan jumlah hidden layer dan penentuan size atau jumlah neuron dari hidden layer. Jumlah optimal dari hidden layer ditentukan dengan menghitung jumlah input dan output layer [20]. Jumlah hidden layer tidak lebih dari 1 (satu) untuk prediksi penjualan ini. Sedangkan untuk jumlah neuron untuk eksperimen ini dimulai dari 1 hingga 50, sampai nilai RMSE sekecil mungkin. 4 HASIL DAN PEMBAHASAN 4.1 Hasil Untuk 1 hidden layer, dilakukan percobaan size dengan range 1 sampai dengan 50. Untuk 1hidden layer, dilakukan sebanyak 50 percobaan arsitektur untuk mendapatkan rmse terkecil. Tabel 1 dipaparkan lima hasil terbaik dari percobaan yang telah dilakukan:

Tabel1.Percobaan Neuron Size dengan Satu Hidden Layer SIZE RMSE SIZE RMSE SIZE RMSE 1 11 21 9.891 0.369 0.639 2 12 22 2.216 0.721 1.07 3 13 23 0.152 1.689 0.36 4 14 24 0.536 0.273 0.261 5 15 25 0.419 0.632 0.254 6 16 26 0.715 0.206 0.392 7 17 27 0.961 0.406 0.616 8 18 28 0.387 0.758 3.918 9 19 29 0.934 0.48 0.37 10 20 30 0.593 0.355 0.55

SIZE 31 32 33 34 35 36 37 38 39 40

RMSE SIZE 41 0.734 42 2.508 43 0.467 44 1.597 45 1.004 46 4.998 47 0.39 48 1.39 49 5.436 50 0.465

RMSE 0.598 6.813 0.208 3.741 5.265 0.733 8.806 1.11 3.479 0.152

Hasil terbaik pada percobaan dengan satu hidden layer yaitu hidden layer dengan size31 dan RMSEyang dihasilkan sebesar 0.152. 4.2 Evaluasi dan Validasi Hasil Setelah dilakukan pelatihan dengan berbagai macam kombinasi Pelatihan (pembelajaran), nilai Error (The Last RMSE) tidak tergantung pada besarnya nilai LearningRate, tetapi jumlah trainning cyclesemakin kecil. Dan ternyata hasil yang paling baik adalah dengan menggunakan kombinasi pembelajaran 0.1 dengan target error 0.01, karena dengan kombinasi pembelajaran tersebut hasil target yang akan diinginkan dapat tercapai.Dari hasil pengujian sistem aplikasi model jaringan saraf tiruan yang telah dibuatdengan konstanta Learning Rate 0,3. Tabel 4 menunjukkan hasil pengujian dengan beberapa learning rate. Proses penerapan neural networkpada penjualan minuman kesehatan dapat diprediksi secara akurat, terlihat pada Gambar 12. Selisih sangat kecil antara jumlah penjualan dengan hasil prediksi. Plot pemjualan digambarkan dengan grafik warna biru dan grafik prediksi penjualan digambarkan dengan warna merah dengan tingkat penjualan yang cukup signifikan dalam periodik tertentu. Pada awal bulan Agustus 2011 terdapat nilai yang cukup jauh yaitu 220 dan 203, maka prediksi penjualan diperlukan untuk menekan jumlah retur. Table 2. Implementasi Arsitektur selama bulan April - Mei 2012 DATE PRODUCTION RETUR SALES SALES (PREDICTION) 2-Apr-12 306 6 300 305 5-Apr-12 326 8 318 321 7-Apr-12 330 -2 332 335 18

SELISIH -5 -3 -3


Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 10-Apr-12 12-Apr-12 15-Apr-12 17-Apr-12 20-Apr-12 22-Apr-12 23-Apr-12 25-Apr-12 27-Apr-12 30-Apr-12 1-May-12 3-May-12 6-May-12 8-May-12 11-May-12 13-May-12 15-May-12

321 315 329 321 329 318 325 320 328 321 325 329 320 331 335 339 353

3 -9 9 -1 8 -5 3 -1 4 -7 0 5 -6 3 8 10 -7

318 324 320 322 321 323 322 321 324 328 325 324 326 328 327 329 360

319 331 324 329 329 325 327 325 333 338 329 331 331 337 333 337 372

-1 -7 -4 -7 -8 -2 -5 -4 -9 -10 -4 -7 -5 -9 -6 -8 -12

Implementasi arsitektur selama bulan April menunjukkan selisih dari data prediksi dan data real sebesar 119 botol dari 6492, jadi error yang dihasilkan sebesar 119 / 6492 * 100% = 0.0189% error kesalahannya. 4.3 Pembahasan Berdasarkan eksperimen yang telah dilakukan pada Tabel 4,5,6mulai dari trainning cycles, learning rate, momentum, jumlah hidden layer dan size hidden layer, maka untuk mendapatkan hasil RMSE yang terbaik diatur parameter sebagai berikut: a) training cycles: 300 b) learning rate: 0.3 c) momentum: 0.7 d) jumlah hidden layer: 1 e) size hidden layer: 23 Penelitian ini mempunyai akurasi cukup akurat didasarkan dengan penelitian-penelitian (state of the art): 1) Dalam penelitian C. Fernandez [4], memprediksi susu kambing mingguanmenghasilkanRMSE 0.31 Kg/d. 2) Dalam penelitian Yanti [9], dalam memprediksi prediksi stok obat menghasilkan tingkat RMSE 0.013. 3) Penelitian ini, dalam memprediksi penjualan minuman kesehatan menghasilkan nilai RMSE 0.152. Dan error dari implementasi setelah dijalankan sebesar 0.0189%. 4) Perbedaaan parameter dan karakteristik dari penelitian ini adalah: 5) Karakteristik barang yang mempunyai siklus retur 3-4 hari dari ketahanan barang di suhu dingin / suhu panas. 6) Diperlukannya akurasi penjualan untuk menentukan jumlah produksi yang diperlukan dalam periodik mendatang. Kendala pada penelitian ini adalah kenaikan penjualan yang kadang signifikan, apalagi di bulan Desember. Di bulan Desember ada kenaikan omset karena permintaan acara-acara akhir tahun. Tetapi pada dasarnya nilai yang dihasilkan yaitu sebesar 0.152 dan akurasi sebesar 0.15%, tetapi hasil ini masih dinilai cukup memuaskan, mengingat bahwa belum pernah dilakukannya prediksi bisnis http://research.pps.dinus.ac.id

19

Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 penjualan pada minuman kesehatan di Indonesia. Jadi pada penelitian ini berhasil menemukan kondisi arsitektur terbaik sesuai dengan latar belakang dan tujuan penelitian. 5. PENUTUP 5.1 Kesimpulan Berdasarkan hasil eksperimen yang telah dilakukan, maka didapatkan model terbaik untuk prediksi dengan arsitekturtraining cycles: 300, learning rate: 0.3, momentum: 0.7, jumlah hidden layer: 1, dan size hidden layer: 23, tingkat RMSE yang rendah yaitu 0,152. Dan error yang dihasilkan dari implementasi sebesar 0.0189%. Ini menunjukkan neural network dengan algoritma pembelajaran backpropagation dapat menghasilkan model rentet waktu untuk prediksi secara akurat. 5.2 Saran 1. Pre processing data dapat menghasilkan prediksi lebih akurat, hendaknya menggunakan nilai input yang seragam sehingga menghasilkan output yang lebih detail dan akurat. 2. Untuk mendapatkan akurasi data yang optimal dibutuhkan adanya penelitian lain dengan optimasi, misalnya SVM, adaboost, dan lainnya 3. Data penjualan menggunakan data tahun 2009-2011 untuk mendapatkan pola terbaru, hendaknyamenggunakan data penjualan terakhir dari tahun 2009-2012. 4. Penelitian ini terbatas dalam ruang lingkup bisnis minuman kesehatan dengan karakteristik bisnis yang tidak sama dengan bisnis minuman pada umumnya, untuk menerapkan dalam bisnis yang serupa hendaknya menggunakan arsitektur yang berbeda. DAFTAR PUSTAKA [1]. Philip Kotler, Keller, and Kevin Lane, Marketing Management, 12th ed. New Jersey, United States of America: Pearson Education Inc, 2006. [2]. Swastha Irawan, Manajemen Pemasaran Modern. Yogyakarta, Indonesia: Liberty Yogyakarta, 1990. [3]. Krisztian Buza, "Time-Series Classification based on Individualised Error Prediction," IEEE International Conference on Computational Science and Engineering, no. 13, p. 7, 2010. [4]. C. Fernández et al., "Weekly Milk Prediction on Dairy Goats using Neural Networks," Neural Computing and Applications, vol. 16, no. 5, pp. 373-381, May 2007. [5]. Chengguan Xiang, Mei Chen, and Hanhu Wang, "An Ensemble Method for Medicine Best Selling Prediction," in 2009 Sixth International Conference on Fuzzy Systems and Knowledge Discovery, vol. I, Tianjin, 2009, pp. 100-103. [6]. R.J. Frank, N. Davey, and S.P. Hunt, "Time Series Prediction and Neural Networks," Intelligent and Robotic Systems, vol. 31, no. 1-3, pp. 91 - 103, May-July 2010. [7]. Min Qin and G. Peter Zhang, "Trend Time-Series Modeling and Forecasting with Neural Networks," in IEEE International Conference on Computational Intelligence for Financial Engineering, 2008, pp. 808-816. [8]. D. M. Njubi, J. Wakhungu, and M. S. Badamana, "Milk yield prediction in Kenyan HolsteinFriesian cattle using computer neural networks system," Livestock Research for Rural Development, vol. 21, 2009. [9]. Novi Yanti, "Penerapan Metode Neural networkDengan Struktur Backpropagation Untuk Prediksi Stok Obat Di Apotek ABC," in Seminar Nasional Aplikasi Teknologi Informasi 2011 (SNATI 2011), Yogyakarta, 2011, p. 1. [10].Morariu Nicolae, Iancu Eugenia, and Vlad Sorin, "A Neural networkModel For Time-Series Forecasting," Romanian Journal of Economic Forecasting, pp. 213-233, April 2009. [11].J.S.R. Jang, C.T. Sun, and E. Mizutani., Neuro-Fuzzy and Soft Computing. New Jersey: PrenticeHall, 1997. [12].Han, Jiawei, Kamber, and Micheline, Data Mining Concepts and Techniques, 2nd ed.: Morgan Kaufmann Publisher, 2006.

20


Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013, ISSN 1414-9999 [13].Hanias, M., et al., "Prediction with Neural Networks : The Athens Stock Exchange Price Indicator," European Journal of Economics, Finance and Administrative Sciences, no. 9, pp. 2127, 2007. [14].Egeli, Birgul, et al., "Stock Market Prediction Using Artificial Neural Networks," in Hawaii Int. Conf. on Business 2003, Hawaii, 2003. [15].Laurence Fausset, Fundamental of Neural network: Architecture, Algorithm, and Application. New Jersey: Prentice-Hall, 1994. [16].Agus Widarjono, Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan Bisnis. Yogyakarta: Ekonisia, 2005. [17].Sri Kusumadewi, Buku Ajar Kecerdasan Buatan. Yogyakarta: Teknik Informatika UII, 2002. [18].Daniel T Larose, Data Mining Methods and Models. Hoboken, New Jersey, United States of America: John Wiley & Sons, Inc., 2006. [19].Ian H Witten, Frank Eibe, and Mark A Hall, Data Mining Practical Machine Learning Tools and techniques, 3rd ed. Burlington, USA: Morgan Kaufmann Publishers, 2011. [20].Jeff Heaton, Introduction to Neural Networks with Java, Second Edition ed., Kerrin Smith, Ed. St. Louis, United States of America: Heaton Research, Inc, 2008. [21].Gnana Sheela K And S.N Deepa, "Analysis Of Computing Algorithm Using Momentum In Neural Networks," Journal Of Computing, Vol. 3, No. 6, Pp. 163-166, June 2011.


21

MODEL PREDIKSI RENTET WAKTU PENJUALAN MINUMAN KESEHATAN BERBASIS NEURAL NETWORK

Recommend Documents