PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA

PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA Nama NRP Jurusan Dosen Pembimbing 1 Dosen Pembimbing 2

: Resa Alfarisi : 5207100100 : Sistem informasi FTIF – ITS : Wiwik Anggraeni S.Si.,M.Si : Rully Agus Hendrawan S.Kom, M.Eng

TUGAS AKHIR - KS091336

Tujuan Tugas Akhir • Tujuan dari tugas akhir ini adalah membuat aplikasi peramalan berbasis desktop yang menggunakan library encog java dan metode artificial neural network sebagai metode peramalan.


Batasan Tugas Akhir Batasan masalah dari tugas akhir ini adalah sebagai berikut : • aplikasi berbasis desktop • metode peramalan hanya menggunakan artificial neural network. • data yang digunakan diantaranya : – data permintaan kamar hotel beserta faktor-faktor yang mempengaruhinya (Anggono, Anggraeni, & Mukhlason, 2011). – data permintaan mobil di Austria beserta faktor-faktor yang mempengaruhinya (Linawati, Anggraeni, & Vinarti, 2011). – dan data jumlah pengunjung yang masuk ke Hongkong dari Jepang (Law & Au, 1999).


Manfaat Tugas Akhir • Manfaat dari tugas akhir ini adalah membantu memudahkan praktisi perusahaan yang ingin melakukan peramalan penjualan dengan langkah yang mudah dan tanpa harus membeli lisensi perangkat lunak.


SEKILAS RANCANGAN PERANGKAT LUNAK TUGAS AKHIR - KS091336

Deskripsi Umum • Perangkat lunak yang akan dibuat pada tugas akhir ini adalah aplikasi peramalan. • Metode peramalan menggunakan metode jaringan saraf tiruan atau artificial neural network (ANN). • Aplikasi peramalan berbasis desktop dengan data masukan berupa file excel berekstensi .xls. TUGAS AKHIR - KS091336

Diagram Umum Aplikasi


Load File Excel Pada tahap ini, pengguna diharapkan sudah memiliki file masukan berupa file Excel berekstensi .xls dengan format

Sedangkan data training dan data testing dipisahkan oleh sheet. Sehingga sheet data training diberi nama Training dan sheet untuk data testing diberim nama Testing


Diagram Alir Load File Excel


Normalisasi • Dapat diliha pada pers dibawah jika batas nilai_normalisasi adalah [Ba,Bb].


Training • Inisialisasi layer dan neuron disesuaikan dengan keinginan pengguna pada tahap sebelumnya. • Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid. • Model pembelajaran menggunakan backprogagation. • Inisialisasi bobot pembelajaran antara 0 sampai dengan 1. • Perhitungan output dilakukan dengan memasukan nilai input ke dalam jaringan yang telah dibuat sebelumnya. • Perbandingan nilai output dan nilai pada kelas target sebenarnya adalah berupa error atau kesalahan. • Jika error masih kurang dari error yang diinginkan, maka error akan diperkecil dengan mengganti bobot dan bias. • Jika error yang dinginkan tidak dapat tercapai pada saat epoch yang telah ditentukan, maka proses training akan berhenti.


Digram Alir


Rancangan Antar Muka Training


Testing • Nilai prediksi, yaitu nilai yang mamang diinginkan pengguna sebagai nilai ramalan pada periode tertentu. Sehingga fokus dari nilai adalah nilai peramalan yang dihasilkan. • Nilai pesimis, yaitu nilai interval terbesar yang diharapkan pada periode berikutnya. • Nilai optimis, yaitu nilai interval terendah yang dapat diterima pada periode berikutnya. • Nilai most likely, yaitu nilai rata-rata dari history nilai sebelumnya. • Nilai testing pada umumnya, yaitu perbandingan antara nilai yang dihasilkan dengan nilai sebenarnya. Sehingga fokus nilai terdapat pada nilai perbandingan tersebut, dalam hal ini adalah MAPE. TUGAS AKHIR - KS091336

Rancangan Antar Muka Testing


IMPLEMENTASI PERANGKAT LUNAK


Load File Excel


Input Parameter dan Atribut


Training


Testing


UJI COBA PERANGKAT LUNAK


Data Percobaan 1 • Data permintaan (demand) kamar hotel beserta faktor-faktor yang mempengaruhinya, diantaranya jumlah pengunjung dan kurs mata uang di negara tersebut. • Penelitian sebelumnya menggunakan metode vector autoregressive (VAR). (Anggono, Anggraeni, & Mukhlason, 2011)


Data Percobaan 2 • Data permintaan (demand) mobil di Austria beserta faktor-faktor yang mempengaruhinya, diantaranya net price, price, diskon, on promotion. Penelitian sebelumnya menggunakan metode regresi berganda. Datadata tersebut mempunyai deret waktu sebanyak 171 buah. (Linawati, Anggraeni, & Vinarti, 2011). TUGAS AKHIR - KS091336

Data Percobaan 3 • Data jumlah pengunjung yang datang ke Hongkong dari Jepang beserta faktor-faktor yang mempengaruhi besarnya. Penelitian sebelumnya juga menggunakan metode ANN, sehingga tujuan untuk melakukan percobaan ini adalah melakukan validasi hasil keluaran aplikasi. (Law & Au, 1999)


Uji Coba Peramalan Kamar Hotel • Data yang digunakan dibagi dua yaitu 12 bulan terakhir digunakan sebagai data testing dan sisanya adalah data training. • atribut input layer diantaranya jumlah pengunjung dan kurs mata. • atribut output layer adalah permintaan kamar hotel.


Hasil Uji Coba Peramalan Kamar Hotel • • • •

Epoch optimal : 3000 Learning Rate Optimal : 0.3 Momentum Optimal : 0.5 MAPE Rata-rata (10 kali training dan testing): 9.069%


Perbandingan ANN dengan Metode VAR • Uji coba menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode VAR, dimana metode ANN lebih baik dalam hal kesalahan peramalan (MAPE) karena lebih sedikit persentase kesalahan yang diperoleh dari pada metode VAR.


Uji Coba Peramalan Permintaan Mobil • Data yang digunakan dibagi menjadi 2 yaitu 34 data terakhir adalah data testing dan sisanya adalah data training. • atribut input layer meliputi net price, price, on promotion. • atribut output layer adalah atribut yang diramalkan yaitu permintaan atau demand.


Hasil Uji Coba Peramalan Permintaan Mobil di Austria • • • •

Epoch optimal : 5000 Learning Rate Optimal : 0.1 Momentum Optimal : 0.5 MAPE (10 kali training dan testing): 2.366%


Perbandingan ANN dengan Regresi Berganda • Uji coba menunjukkan perbandingan keluaran peramalan antara metode ANN dengan metode Regresi Berganda, dimana metode ANN sama baik dalam hal kesalahan peramalan (MAPE) walaupun nilainya lebih sedikit persentase kesalahan yang diperoleh dari pada metode Regresi Berganda.


Uji Coba Peramalan Jumlah Pengunjung • Attribut ouput layer adalah jumlah pengunjung yang datang ke Hong kong dari Jepang • Beberapa variabel yang menjadi atribut pada input dan output layer pada peramalan permintaan mobil. Atribut input layer meliputi : – – – – – –

Service price in Hong Kong relative to Japan. Harga rata-rata hotel di Hong Kong. Nilai tukar mata uang Jepang (¥) terhadap US$. Total jumlah populasi orang di Jepang. Biaya promosi Hong Kong. Gross Domestic Expenditure per Capita in Japan.

• Jumlah hidden node adalah 10. TUGAS AKHIR - KS091336

Hasil Uji Coba Peramalan Jumlah Pengunung ke Hong Kong dari Jepang • • • •

Epoch optimal : 8000 Learning Rate Optimal : 0.5 Momentum Optimal : 0.8 MAPE (10 kali training dan testing): 12.43%


Perbandingan dengan Referensi • Tujuannya hanya membandingkan dan menarik kesimpulan bahwa hasil yang diperoleh aplikasi sudah sesuai dengan referensi. • Uji cobamenunjukkan bahwa keluaran aplikasi sudah sesuai dengan hasil penelitian Law & Au, 1999.


KESIMPULAN DAN SARAN


Kesimpulan • Perbedaan hasil ramalan setiap percobaa (training dan testing) tidak selalu sama, walaupun parameter yang digunakan sama. Hal ini terjadi karena bobot dan biasnya bernilai tidak sama dan selalu diacak setiap percobaan. • Setelah membandingkan dengan metode Vector Autoregressive (VAR) pada peramalan permintaan kamar hotel, ANN memberikan hasil lebih baik dengan selisih MAPE sebesar 2.8%. Hasil tersebut diperoleh dengan nilai learning rate sebesar 0.4, epoch 3000, dan momentum sebesar 0.5. TUGAS AKHIR - KS091336

Kesimpulan (2) • Pada peramalan permintaan mobil di negara Austria, metode ANN juga memberikan hasil yang lebih baik dari pada metode regresi berganda, walupun selisih yang diperoleh tidak teralalu signifikan yaitu dengan selisih sebesar 0.46%. Hasil tersebut diperoleh dengan nilai learning rate 0.1, epoch 3000, dan momentum sebesar 0.5. • Sedangkan pada peramalan jumlah pengunjung ke Hong Kong yang berasal dari Jepang, aplikasi peramalan tugas akhir ini memberikan hasil ramalan yang mendekati hasil dari penelitian yang dilakukan oleh Law dan Au tahun1999 dengan metode yang sama yaitu ANN. TUGAS AKHIR - KS091336

Kesimpulan (3) • Dapat dilihat bahwa data yang bersifat stationer memiliki rata-rata error (MAPE) yang cukup besar. Sehingga, dapat disimpulkan bahwa metode ANN lemah jika digunakan untuk meramalkan pada data yang bersifat stationer


Saran • Karena rentang data hanya bernilai positif, maka aplikasi ini menggunakan sigmoid sebagai fungsi aktivasinya. Akan lebih baik, aplikasi dapat memungkinkan untuk digunakan fungsi aktivasi selain sigmoid. Sebagai contoh jika data yang digunakan memiliki rentang nilai tidak hanya positif, maka dimungkinkan penggunaan fungsi aktivasi selain sigmoid. • Perlu adanya penelitian yang lebih dalam mengenai interval kepercayaan (nilai pesimis, optimis, dan mostlikely) yang disesuaikan dengan jenis data dan point of view pengguna. • Perlu adanya pengembangan lebih lanjut pada peramalan dengan menggunakan metode ANN pada data tidak stationer.


PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA

Recommend Documents