MVEGETABLE: SOLUSI ANALISIS PREDIKTIF DENGAN FITUR LOKASI UNTUK PENJUALAN SAYUR KELILING

Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) Yogyakarta, 18-19 Maret 2016

ISSN: 2089-9815

MVEGETABLE: SOLUSI ANALISIS PREDIKTIF DENGAN FITUR LOKASI UNTUK PENJUALAN SAYUR KELILING Paskalis Andrianus Nani Program Studi Magister Teknik Informatika, Program Pasca Sarjana,Universitas Atma Jaya Yogyakarta Jl. Babarsari 43 Yogyakarta 55281 Telp. (0274) 48758 E-mail: [email protected]

ABSTRAKS Analisis prediktif bertujuan menemukan pola perilaku masa lalu untuk memprediksi hasil dari kasus-kasus di masa depan. Analisis prediktif sangat berguna bagi sebuah organisasi dalam membantu proses pendukung keputusan manajemen organisasi tersebut. Penelitian ini mencoba memberikan solusi atas minimnya modal yang dimiliki para penjual sayur keliling di Kota Kupang serta pola permintaan sayur pelanggan yang selalu berubah, dengan mengembangkan sebuah aplikasi yang dapat melakukan analisis prediktif dengan fitur lokasi. Tujuannya adalah agar para penjual dapat membeli sayuran segar yang diprediksi kemungkinan besar merupakan sayuran yang akan dibeli oleh para pelanggan pada wilayah-wilayah tertentu. Sehingga permintaan yang selalu berubah serta modal yang minim ini dapat menghasilkan keuntungan yang besar bagi para penjual sayur keliling serta dapat lebih mempersingkat waktu berjualan. Algoritma yang digunakan untuk melakukan analisis prediktif dalam aplikasi yang dikembangkan adalah adalah Support Vector Machine (SVM). Algoritma ini dipilih karena kehandalannya dalam mengklasifikasi data. Hasil penelitian ini menunjukkan bahwa model prediktif yang dibangun dapat memprediksi penjualan sayur keliling berdasarkan lokasi dengan akurasi berkisar antara 76% sampai dengan 91%. Selain itu jumlah transaksi penjualan harian pun bertambah sekitar 7% sampai dengan 15% dari biasanya. Kata Kunci: analisis prediktif, support vector machine, location based analytics Pola permintaan sayur pelanggan yang berubah setiap harinya harus mampu dibaca secara presisi oleh para penjual, sehingga modal yang dimiliki dapat digunakan secara optimal untuk membeli sayuran segar yang kemungkinan besar akan laku terjual. Para penjual ini sering kali hanya menggunakan intuisi dalam membelanjakan modalnya, belum lagi permintaan sayur pada satu wilayah dan wilayah lainnya pasti berbeda. Hal ini yang pada akhirnya membuat para penjual sayur harus berkeliling lebih lama untuk menghabiskan sisa jualannya. Minimnya modal yang dimiliki para penjual sayur keliling serta pola permintaan sayur pelanggan yang selalu berubah ini dapat dioptimalkan dengan teknik analisis prediktif sehingga para penjual dapat membeli sayuran segar yang diprediksi kemungkinan besar merupakan sayuran yang akan dibeli oleh para pelanggan pada wilayah-wilayah tertentu. Sehingga permintaan yang selalu berubah serta modal yang minim ini dapat menghasilkan keuntungan yang besar bagi para penjual sayur keliling serta lebih mempersingkat waktu berjualan. Analisis prediktif adalah bidang ilmu dari data mining dengan pendekatan statistik (Maciejewski et al., 2011; Budgaga et al., 2015) maupun machine learning (Xindong Wu, Xingquan Zhu, Gong-Qing Wu and Wei Ding, 2014; Liu and Yu, 2005). Analisis prediktif bertujuan menemukan pola perilaku masa lalu untuk memprediksi hasil dari

1. PENDAHULUAN 1.1 Latar Belakang Masalah Penjual sayur keliling menggunakan sepeda motor di Kota Kupang adalah para wirausahawan yang umumnya memiliki modal sangat terbatas yang digunakan untuk membeli sayuran segar dari para petani lalu menjualnya kembali dengan cara berkeliling menggunakan sepeda motor yang sudah dimodifikasi dengan menambahkan keranjang sayur pada bagian belakang sepeda motor tersebut. Berdasarkan hasil survey, jumlah penjual sayur keliling yang menggunakan sepeda motor di Kota Kupang sekitar 67 orang, dengan rentang usia antara 21 sampai dengan 48 tahun. Kisaran modal harian para penjual sayur keliling ini adalah antara 400 ribu sampai dengan 1 juta rupiah. Para penjual ini akan berkeliling dari satu wilayah kelurahan ke wilayah kelurahan lainnya sampai sayuran habis terjual atau sampai dengan jam tertentu sesuai dengan keinginan penjual. Ada kendala yang dihadapi para penjual sayur keliling ini, yaitu sayuran segar yang telah dibeli dari para petani tersebut terkadang tidak habis terjual dalam sehari, akibatnya sayuran tersebut tidak dapat dijual lagi keesokan harinya karena sudah layu, ditambah lagi sayuran tersebut sudah lama terpapar sinar matahari selama di perjalanan. Terkadang pula, ada pelanggan yang ingin membeli sayuran tertentu namun sudah habis terjual atau bahkan tidak disediakan sama sekali.

666


kasus-kasus di masa depan. Analisis prediktif dapat memprediksi apa yang akan dibeli oleh pelanggan berikutnya berdasarkan apa yang mereka beli, kapan mereka membeli dan bahkan apa mereka katakan mengenai apa yang dibeli di media sosial. Pada intinya, analisis prediktif berusaha untuk mengungkap pola dan menangkap hubungan dalam data. Analisis prediktif telah banyak diimplementasikan dalam berbagai bidang, diantaranya pendidikan (Titova and Shutov, 2014), kesehatan (Shams, Ajorlou and Yang, 2014), terorisme (Yue, Raja and Ribarsky, 2010), bisnis retail (Ma, Fildes and Huang, 2015), penerbangan (Ayhan et al., 2013), energi (Selakov et al., 2014) dan manufaktur (Ren, Choi and Liu, 2015). Berbagai teknik analisis prediktif telah dibahas dalam berbagai penelitian, salah satunya adalah Support Vector Machine (SVM) (Elattar, Goulermas and Wu, 2010; Chen, Liang, Hong and Gu, 2015), begitu pula dengan analisis prediktif berbasis lokasi (Ghiasnezhad Omran and Filizadeh, 2014; Wang, Gopal, Shankar and Pancras, 2015). Implementasi analisis prediktif dengan fitur lokasi pada perangkat lunak penjualan sayur keliling ini dibangun dengan mengimplementasikan algoritma SVM untuk mengembangkan model prediktif yang dapat dijadikan pendukung keputusan bagi para penjual sayur keliling di wilayah Kota Kupang dalam membeli sayuran segar yang kemungkinan besar akan dibeli oleh pelanggan (sesuai jumlah permintaan yang diperkirakan) sehingga menghasilkan keuntungan yang besar dan meminimalkan resiko kerugian serta mempersingkat waktu berjualan.

ISSN: 2089-9815

bisnis yang teridentifikasi oleh prediksi yang dilakukan. Pada dasarnya, organisasi atau perusahaan membuat prediksi masa depan berdasarkan data mereka dan kemudian mengambil keuntungan dari peluang yang mereka pikir akan terjadi (Abbott, 2014). Analisis prediktif terdiri dari berbagai teknik yang memprediksi hasil di masa depan berdasarkan data historis saat ini. Dalam prakteknya, analisis prediktif dapat diterapkan untuk hampir semua disiplin ilmu, mulai dari memprediksi kegagalan mesin jet berdasarkan aliran data dari beberapa ribu sensor sampai dengan memprediksi apa yang akan dibeli oleh pelanggan berikutnya berdasarkan apa yang mereka beli, kapan mereka membeli dan bahkan apa mereka katakan mengenai apa yang dibeli di media sosial. Pada intinya, analisis prediktif berusaha untuk mengungkap pola dan menangkap hubungan dalam data (Siegel, 2013). Peramalan dan analisis prediktif berhubungan dengan dengan memprediksi sesuatu di masa depan, sesuatu yang belum terjadi. Namun, peramalan lebih mengarah hanya pada prediksi kejadian masa depan sedangkan analisis prediktif lebih kepada prediksi tren dan/atau perilaku di masa depan (Abbott, 2014). Jadi, dari perspektif bisnis, peramalan akan digunakan untuk menentukan berapa banyak barang yang akan dibeli dan disiapkan sebagai stok berdasarkan angka penjualan yang diproyeksikan. Analisis prediktif akan digunakan untuk menentukan perilaku pelanggan seperti apa dan kapan mereka cenderung untuk berbelanja, berapa banyak uang yang mereka habiskan ketika mereka berbelanja, dan produk apa lagi yang akan dibeli ketika berbelanja sebuah produk (atau dikenal juga dengan basket analysis) (Abbott, 2014). Analisis prediktif dapat digunakan untuk mengatur promosi penjualan untuk menargetkan pelanggan tertentu berdasarkan informasi yang kita tahu tentang perilaku pembelian mereka. Demikian juga, informasi yang diperoleh dari analisis prediktif dapat digunakan untuk mempengaruhi proyeksi penjualan dan model peramalan. Analisis prediktif dan peramalan sama-sama menggunakan data untuk mencapai tujuan. Tapi cara menggunakan data sangat berbeda antara satu dan lainnya. Dalam peramalan, data digunakan untuk melihat kinerja masa lalu untuk menentukan hasil masa depan. Misalnya, berapa banyak produk yang terjual bulan lalu atau berapa banyak produk yang terjual tahun lalu pada bulan yang sama seperti saat ini. Dalam analisis prediktif, yang dicari adalah trentren baru, hal-hal yang terjadi sekarang dan di masa depan yang akan mempengaruhi bisnis di masa depan. Analisis prediktif lebih melihat ke depan (Wessler, 2014). Masalah umum dalam bisnis saat ini adalah orang-orang menghabiskan lebih banyak waktu mempersiapkan dan mempresentasikan informasi daripada mencari tahu apa yang tersirat dalam data

1.2 Landasan Teori 1.2.1 Analisis Prediktif Analisis prediktif adalah teknologi yang mempelajari data untuk membuat prediksi tentang apa yang akan dilakukan oleh setiap individu. Dengan menerapkan ini pada setiap organisasi, maka akan terjadi peningkatan proses pemasaran, audit, penegakan hukum, penanganan medis, pendidikan dan bahkan saat melakukan kampanye pemilihan presiden (Siegel, 2013). Analisis prediktif dapat didefenisikan sebagai proses yang menggunakan satu set alat analitik canggih untuk mengembangkan model-model dan perkiraan-perkiraan yang akan terjadi di masa depan. Analisis prediktif membantu menghubungkan data ke tindakan efektif dengan menggambar kesimpulan yang dapat dipercaya tentang kondisi saat ini dan kejadian masa depan (Wessler, 2014). Sebuah organisasi atau perusahaan menggunakan analisis prediktif untuk menganalisis data mereka supaya memperoleh perkiraan yang realistis mengenai kondisi lingkungan di masa depan. Organisasi kemudian dapat membuat keputusan dan mengambil tindakan untuk memaksimalkan peluang

667


mengenai bisnis mereka. Hal ini terjadi karena mereka tidak memiliki sumber daya dan tools yang tepat (Hair, 2007). Analisis prediktif bukanlah sebuah pendekatan yang revolusioner. Teknik-teknik statistik yang mendasari analisis prediktif telah dikembangkan pada tahun 1920-an, sedangkan konsep “exploratory data analysis” diusulkan pertama kali oleh seorang ahli statistik yang bernama John Tukey dari Princeton University pada pertengahan 1970-an. (Hair, 2007). Data mining dan analisis prediktif semakin populer karena memiliki kontribusi besar dalam pengendalian biaya dan pertumbuhan pendapatan. Pemasaran adalah salah satu bidang yang paling sering menggunakan teknik analisis prediktif. Banyak organisasi menggunakan teknik ini untuk membantu mengelola semua fase siklus hidup pelanggan, termasuk mengakuisisi pelanggan baru, meningkatkan pendapatan dari pelanggan yang sudah ada, dan mempertahankan pelanggan yang baik. Dengan menentukan karakteristik pelanggan yang baik, perusahaan dapat menargetkan prospek dengan karakteristik serupa. Riwayat pelanggan yang telah membeli produk tertentu dapat menjadi acuan bagi model pelanggan serupa yang belum membeli produk atau jasa (cross-selling). Mengidentifikasi pelanggan yang tidak lagi menjadi pelanggan kita dapat memungkinkan perusahaan untuk memahami pelanggan yang memiliki resiko sejenis, karena biasanya jauh lebih murah biaya yang dibutuhkan untuk mempertahankan pelanggan daripada mengakuisisi yang baru (Abbott, 2014).

ISSN: 2089-9815

baru menjadi tren akhir-akhir ini. Hal ini tentu saja, berakar pada performa state-of-the-art, tapi mungkin juga karena fakta bahwa algoritma SVM yang memenangkan penghargaan telah diterapkan di libraries beberapa bahasa pemrograman yang popular dan juga memperoleh banyak support. SVM telah telah diadopsi oleh khalayak ramai. SVM dapat disesuaikan untuk digunakan dengan hampir semua jenis learning task, termasuk klasifikasi dan prediksi numerik. Kunci kesuksesan algoritma ini kebanyakan adalah dalam pengenalan pola (Cichosz, 2015). Sebagaimana telah disebutkan sebelumnya, SVM menggunakan batas yang disebut hyperplane untuk mengelompokkan data ke dalam kelompok yang memiliki kelas yang sama. Tugas algoritma SVM adalah mengidentifikasi garis yang memisahkan dua buah kelas. Gambar di bawah ini menggambarkan hyperplane yang memisahkan kelompok lingkaran dan kotak dalam dua dimensi. Karena lingkaran dan kotak dapat dipisahkan dengan sempurna oleh sebuah garis lurus, mereka dikatakan terpisah secara linear. SVM juga dapat diperluas untuk masalah di mana titik-titik yang tidak terpisah secara linear. Seperti yang ditunjukkan pada gambar berikut, ada lebih dari satu pilihan garis pemisah antara kelompok lingkaran dan kotak. Tiga kemungkinan tersebut diberi label a, b, dan c.

1.2.2 Support Vector Machine Support Vector Machine (SVM) dapat dibayangkan sebagai sebuah permukaan yang menciptakan batas antara titik data yang diplot secara multidimensi dan mewakili contoh dan nilainilai fitur masing-masing titik. Tujuan dari SVM adalah untuk menciptakan batas datar yang disebut hyperplane, yang membagi ruang untuk membuat partisi cukup homogen di kedua sisi. Dengan cara ini, pembelajaran SVM menggabungkan aspek dari dua buah algoritma, yaitu instance-based nearest neighbor learning dan linear regression modeling. Kombinasi ini sangat kuat, memungkinkan SVM dapat memodelkan hubungan yang lebih kompleks lagi (Lantz, 2015). Algoritma SVM ditemukan pada tahun 1990-an oleh seorang ilmuan Rusia yang bernama Vladimir N. Vapnik (Chen et al., 2015). SVM pada awalnya dirancang untuk klasifikasi biner. Saat ini ada dua jenis pendekatan untuk multiclass SVM, yaitu dengan membangun dan menggabungkan beberapa pengklasifikasi biner serta langsung mengingat semua data dalam satu formulasi optimasi (Hsu and Lin, 2002). Meskipun dasar matematis pengembangan SVM telah ada selama beberapa dekade, tetapi hal tersebut

Gambar 1. Hyperplane a,b dan c yang memisahkan lingkaran dan kotak Pencarian garis pemisah pada gambar di atas melibatkan pencarian untuk maksimum margin hyperplane (MMH) yang menciptakan jarak pemisah terbesar antara dua kelas. Meskipun salah satu dari tiga garis yang memisahkan lingkaran dan kotak akan benar mengklasifikasikan semua titik data, namun yang dicari adalah garis dengan jarak pemisah terbesar (margin maksimum) yang akan dicari. Margin maksimum akan meningkatkan kemungkinan bahwa, titik data berikutnya akan tetap di sisi kelas yang benar dari batas hyperplane. Support vector (ditunjukkan oleh anak panah pada gambar di bawah) adalah titik dari masingmasing kelas yang paling dekat dengan MMH; setiap kelas harus memiliki minimal satu support vector, dan mungkin juga lebih dari satu. Kita dapat menentukan MMH dengan menggunakan support vector ini. Ini adalah fitur kunci dari algoritma SVM, dimana support vector menyediakan cara untuk menyimpan model klasifikasi, bahkan jika jumlah fitur-fiturnya sangat besar (Lantz, 2015).

668


b. Komponen dan proses pada software - App server App server akan melakukan prediksi berdasarkan data transaksi yang telah tersimpan di database server. Prediksi dilakukan berdasarkan request dari mobile client. Prediksi dilakukan dengan menggunakan model yang telah dikembangkan sebelumnya dan tersimpan di server. - Mobile client Mobile client merupakan aplikasi yang berjalan pada perangkat mobile dengan sistem operasi android. Aplikasi ini bertugas mencatat seluruh transaksi yang dilakukan lalu mengirimkannya ke server untuk disimpan. Aplikasi dapat melakukan request prediksi ke server dan server akan mengolahnya lalu mengirimkan hasilnya kembali ke mobile client. 1.3.4 Perancangan proses analisis prediktif Proses analisis prediktif dalam penelitian ini menggunakan libsvm(Chang and Lin, 2011). Libsvm digunakan untuk melakukan training (menghasilkan model prediktif) dan predicting (prediksi berdasarkan model hasil training). Pada proses training data, akan menghasilkan model prediktif. Model prediktif dengan nilai akurasi tertinggi yang dihasilkan disimpan di server dengan nama file “sayur.model”. File ini akan dipanggil dan digunakan setiat kali client melakukan request prediksi. Gambaran keseluruhan proses mulai dari preprocessing sampai dengan predicting dapat dilihat pada gambar berikut:

Gambar 2. Hyperplane dengan margin terbesar (hyperplane b) 1.3

Metodologi Secara garis besar, penelitian ini dibagi dalam beberapa tahapan, yaitu: 1.3.1 Studi kepustakaan. Pada tahap ini dilakukan studi terhadap literatur yang mendukung penelitian ini. Literatur yang ditelaah adalah literatur-literatur yang berkaitan dengan analisis prediktif dengan fitur lokasi dan analisis prediktif yang menggunakan algoritma SVM. 1.3.2 Analisis sistem Sistem yang dibangun dalam penelitian ini merupakan aplikasi mobile yang mampu memprediksi jumlah penjualan sayur berikutnya berdasarkan riwayat transaksi pada hari-hari sebelumnya. Penelitian ini menggunakan pendekatan supervised learning. Metode yang digunakan untuk melakukan prediksi adalah metode support vector machine (SVM). Fitur yang digunakan dalam proses training data nantinya adalah lokasi transaksi, sehingga prediksi yang dihasilkan merupakan prediksi berdasarkan lokasi transaksi yang dapat memudahkan penjual dalam mengoptimalkan waktu berjualan. Karakteristik sistem yang akan dibangun adalah sebagai berikut: a. Sistem yang dibangun menggunakan arsitektur dengan basis client-server, dimana server menyediakan web service untuk berkomunikasi dengan client. b. Aplikasi mobile yang dibangun dapat merekam transaksi penjualan serta data koordinat transaksi. Data transaksi ini kemudian dikirim (disimpan) ke server. c. Proses prediksi akan dilakukan oleh server, lalu akan mengirimkan hasilnya ke client. 1.3.3 Perancangan sistem a. Arsitektur sistem Komponen utama dalam arsitektur sistem ini adalah app server dan mobile client. Gambaran umum arsitektur sistem dapat dilihat pada gambar berikut:

App server

ISSN: 2089-9815

Start

data riwayat transaksi

preprocessing

training

model

tidak “sayur.model”

hari, lokasi, jenis sayur

prediksi

ya

Model terbaik?

testing model

hasil prediksi

End

Gambar 4. Alur proses prediksi di server a. Preprocessing Pada tahap ini data riwayat transaksi diproses menjadi array yang sesuai dengan format data pada libsvm. Format data dibuat seperti berikut: 16 1:1 2:3 3:6 Dimana 16 adalah jumlah transaksi, 1 merupakan fitur hari, 2 merupakan fitur lokasi dan 3 merupakan fitur jenis sayur. Data kemudian dibagi menjadi 2 bagian, 80% untuk training dan 20% untuk testing. b. Training Training dilakukan terhadap 80% data yang telah dipisahkan. Proses ini akan menghasilkan model prediktif.

Mobile client

Gambar 3. Arsitektur sistem

669


c. Testing model Pada tahapan ini, model yang dihasilkan akan diuji terhadap 20% data yang telah disiapkan. Model dengan akurasi tertinggi akan dipilih menjadi model terbaik untuk proses prediksi nantinya. d. Prediksi Tahapan ini merupakan tahapan yang akan terus berlangsung. Prediksi akan dimulai dengan request yang dilakukan oleh client dengan parameter hari, lokasi dan jenis sayur. Server kemudian akan melakukan prediksi menggunakan model yang ada lalu mengirimkan kembali hasil prediksi kepada client melalui aplikasi yang dikembangkan. 1.3.5 Implementasi Pada penelitian ini, aplikasi mobile dikembangkan menggunakan android SDK. Pada server dibangun sistem menggunakan php dan mysql serta libsvm(Chang and Lin, 2011). Aplikasi android yang dikembangkan hanya akan menangani proses transaksi, sedangkan aplikasi di server yang akan melakukan proses komputasi yang berat saat melakukan training dan predicting.

ISSN: 2089-9815

Setelah melakukan login, pengguna akan dihadapkan pada tiga menu penting, yaitu: “Transaksi”, “Dicari” dan “Prediksi”.

Gambar 6. Tampilan halaman utama aplikasi Menu “Transaksi” akan menampilkan halaman transasksi. Menu “Dicari” akan menampilkan halaman untuk merekan data sayuran yang ditanyakan pelanggan namun tidak tersedia atau sudah habis. Menu prediksi untuk menampilkan prediksi penjualan pada tanggal yang dipilih.

2.

PEMBAHASAN Data penjualan sayur yang digunakan dalam penelitian ini merupakan data transaksi penjualan sayur keliling mulai dari medio Oktober 2015 sampai dengan awal Desember 2015, dimana diantara data-data tersebut terdapat minimum 4 hari tanpa transaksi dan maksimum 9 hari tanpa transaksi di beberapa lokasi yang telah dibagi. Terdapat 17 lokasi yang biasa dilalui oleh penjual sayur keliling yang menjadi rekanan dalam penelitian ini. Lokasi-lokasi tersebut sengaja dibagi berdasarkan kemudahan akses dan kebiasaan rekanan dalam mengambil rute berjualan.

Gambar 7. Tampilan form transasksi penjualan

2.1

Tampilan Aplikasi Berikut ini merupakan tampilan awal saat mengakses aplikasi. Pengguna harus login dahulu untuk dapat menggunakannya.

Gambar 8. Tampilan form untuk mengisi produk yang dicari namun tidak tersedia atau sudah habis Menu dicari dibuat khusus untuk mengakomodir permintaan pelanggan akan suatu jenis produk (sayuran) yang pada saat itu tidak tersedia karena telah habis atau memang tidak disiapkan. Selanjutnya, untuk melakukan prediksi, pengguna akan diberikan sebuah form untuk mengisi jenis sayuran dan hari yang akan diprediksi berikutnya.

Gambar 5. Tampilan awal aplikasi (login)

670


ISSN: 2089-9815

3.

Gambar 9. Tampilan form untuk request prediksi

KESIMPULAN Pada pembahasan sebelumnya dapat dilihat bahwa aplikasi yang dikembangkan sudah dapat memprediksi dengan baik penjualan sayur dengan akurasi berkisar antara 76% sampai dengan 91%. Hasil prediksi pun digunakan sebagai bahan pertimbangan pengadaan sayur untuk penjualan selanjutnya, dan terbukti jumlah transaksi meningkat sekitar 7% sampai dengan 15% diikuti dengan laba penjualan yang meningkat hingga 13%. Dengan demikian, aplikasi yang dikembangkan untuk sementara waktu sudah dapat menjadi solusi untuk mengoptimalkan modal yang dimiliki para penjual. Aplikasi ini juga berpengaruh pada lama waktu berjualan. Dengan adanya aplikasi, waktu berjualan semakin singkat. Mereka yang biasanya baru selesai berjualan pukul 10.00 atau pukul 11.00, sekarang sudah bisa selesai pada pukul 09.00 atau paling lambat pukul 09.30-an. Untuk meningkatkan akurasi prediksi, data untuk training perlu diperbanyak hingga genap satu atau dua tahun untuk melihat pola penjualan di tiap bulan atau hari-hari besar tertentu. Hal ini diperlukan untuk dapat menggali peluang cross-selling yang kemudian dapat berimbas pada meningkatnya pendapatan para penjual sayur keliling.

Gambar 10. Tampilan hasil prediksi

PUSTAKA Abbott, D., 2014. Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst. Hoboken, New Jersey: Wiley.

2.2

Pengujian model prediktif Hasil prediksi berdasarkan model yang telah dikembangkan perlu diuji keakuratannya. Pada tahap ini, hasil prediksi digunakan sebagai pendukung keputusan belanja modal sayuran selama satu minggu. Selama satu minggu transaksi berdasarkan hasil prediksi, maka diperoleh hasil sebagai berikut:

Ayhan, S.,, Pesce, J.,, Comitz, P.,, Sweet, D.,, Bliesner, S., and Gerberick, G., 2013. Predictive analytics with aviation big data. In: 2013 Integrated Communications, Navigation and Surveillance Conference (ICNS). [online] IEEE, pp.1–13. Available at: .

Tabel 1. Akurasi prediksi penjualan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

Wilayah/Lokasi Pasir Panjang 1 Pasir Panjang 2 Kelapa Lima 1 Kelapa Lima 2 Kayu Putih 1 Kayu Putih 2 Kayu Putih 3 Perumnas 1 Perumnas 2 Perumnas 3 Perumnas 4 Oebufu 1 Oebufu 2 Oebufu 3 Oebufu 4 Tofa 1 Tofa 2

Akurasi (%) 83 80 84 83 91 84 82 80 79 85 80 89 86 82 76 78 79

Hari tanpa transaksi 4 5 4 4 4 4 4 4 4 5 5 4 4 8 9 8 8

Budgaga, W.,, Malensek, M.,, Pallickara, S.,, Harvey, N.,, Breidt, F.J., and Pallickara, S., 2015. Predictive analytics using statistical, learning, and ensemble methods to support real-time exploration of discrete event simulations. Future Generation Computer Systems. [online] Available at: . Chang, C.-C., and Lin, C.-J., 2011. LIBSVM : A Library for Support Vector Machines. ACM Transactions on Intelligent Systems and Technology (TIST), 2, pp.1–39. Chen, R.,, Liang, C.-Y.,, Hong, W.-C., and Gu, D.-X., 2015. Forecasting holiday daily tourist flow based on seasonal support vector regression with adaptive genetic algorithm. Applied Soft Computing, [online] 26, pp.435–443. Available at:
Ket: Lokasi terbatas hanya pada wilayah penjualan mitra penelitian

671


ISSN: 2089-9815

and Cybernetics: Systems, [online] 45(3), pp.411– 421. Available at: .

568494614005328>. Cichosz, P., 2015. Data Mining Algorithm: Explained Using R. WIley. Elattar, E.E.,, Goulermas, J., and Wu, Q.H., 2010. Electric Load Forecasting Based on Locally Weighted Support Vector Regression. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), [online] 40(4), pp.438–447. Available at: .

Selakov, A.,, Cvijetinović, D.,, Milović, L.,, Mellon, S., and Bekut, D., 2014. Hybrid PSO-SVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank. Applied Soft Computing Journal, 16, pp.80–88. Shams, I.,, Ajorlou, S., and Yang, K., 2014. A predictive analytics approach to reducing 30-day avoidable readmissions among patients with heart failure, acute myocardial infarction, pneumonia, or COPD. Health Care Management Science, [online] 18, pp.19–34. Available at: [Accessed 2 Feb. 2015].

Ghiasnezhad Omran, N., and Filizadeh, S., 2014. Location-Based Forecasting of Vehicular Charging Load on the Distribution System. IEEE Transactions on Smart Grid, [online] 5(2), pp.632–641. Available at: .

Siegel, E., 2013. Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die. Hoboken, New Jersey: Wiley.

Hair, J.F., 2007. Knowledge creation in marketing: the role of predictive analytics. European Business Review, [online] 19(4), pp.303–315. Available at: .

Titova, N., and Shutov, A., 2014. Predictive Model of Strategic Development of a University. Procedia Computer Science, [online] 31, pp.459– 467. Available at: [Accessed 1 Feb. 2015].

Hsu, C., and Lin, C., 2002. A comparison of methods for multiclass support vector machines. Neural Networks, IEEE Transactions on, [online] 13(2), pp.415–425. Available at: .

Wang, L.,, Gopal, R.,, Shankar, R., and Pancras, J., 2015. On the brink : Predicting business failure with mobile location-based checkins. Decision Support Systems, [online] 76, pp.3–13. Available at: .

Lantz, B., 2015. Machine Learning With R. 2nd ed. Birmingham: Packt Publishing Ltd.

Wessler, M., 2014. Predictive Analytics For Dummies. Hoboken, New Jersey: Wiley.

Liu, H., and Yu, L., 2005. Toward integrating feature selection algorithms for classification and clustering. IEEE Transactions on Knowledge and Data Engineering, 17(4), pp.491–502.

Xindong Wu,, Xingquan Zhu,, Gong-Qing Wu, and Wei Ding, 2014. Data mining with big data. IEEE Transactions on Knowledge and Data Engineering, [online] 26(1), pp.97–107. Available at: [Accessed 23 Jul. 2014].

Ma, S.,, Fildes, R., and Huang, T., 2015. Demand forecasting with high dimensional data: the case of SKU retail sales forecasting with intra-and inter-category promotional information. European Journal of Operational Research. [online] Available at: .

Yue, J.,, Raja, A., and Ribarsky, W., 2010. Predictive analytics using a blackboard-based reasoning agent. In: Proceedings - 2010 IEEE/WIC/ACM International Conference on Intelligent Agent Technology, IAT 2010. [online] Ieee, pp.97–100. Available at: [Accessed 2 Feb. 2015].

Maciejewski, R.,, Hafen, R.,, Rudolph, S.,, Larew, S.G.,, Mitchell, M. a.,, Cleveland, W.S., and Ebert, D.S., 2011. Forecasting Hotspots - Predictive Analytics Approach. IEEE Transactions on Visualization and Computer Graphics, [online] 17(4), pp.440–453. Available at: . Ren, S.,, Choi, T.-M., and Liu, N., 2015. Fashion Sales Forecasting With a Panel Data-Based ParticleFilter Model. IEEE Transactions on Systems, Man,

672

MVEGETABLE: SOLUSI ANALISIS PREDIKTIF DENGAN FITUR LOKASI UNTUK PENJUALAN SAYUR KELILING

Recommend Documents