Peramalan Permintaan Sari Apel Dengan Metode Jaringan Syaraf Tiruan (JST) di KSU Brosem, Batu Demand Forecasting of Apple Cider using Artificial Neural Network (ANN) Method, at KSU Brosem, Batu Diannovi Sabati T. K1), Wike Agustin Prima Dania2) ,Shyntia Atica Putri2) 1)
2)
Alumni Jurusan Teknologi Industri Pertanian - Fakultas Teknologi Pertanian, Universitas Brawijaya Staf Pengajar Jurusan Teknologi Industri Pertanian - Fakultas Teknologi Pertanian, Universitas Brawijaya Jl. Veteran No. 1 Malang 65145 *email:
[email protected]
Abstrak Penelitian ini bertujuan untuk mengetahui tingkat permintaan dengan menggunakan metode Jaringan Syaraf Tiruan (JST) dan time series secara efektif serta untuk mendapatkan model peramalan terbaik dengan JST. Peramalan permintaan dilakukan dengan menggunakan metode time series dan JST untuk periode Januari 2014 hingga Desember 2014, dengan input data volume penjualan dari bulan Januari 2009 hingga Desember 2014. Tahapan utama dalam pengolahan data dengan JST yaitu input dipropagasi maju, lalu dipropagasi balik dan diberikan perubahan bobot. Hal ini dilakukan hingga mendapatkan nilai MSE terkecil, dimana iterasi awal yang digunakan dalam penelitian ini sebanyak 5000 iterasi. MSE yang didapatkan dari metode JST akan dibandingkan dengan MSE time series yang kemudian dapat diketahui metode yang memiliki tingkat akurasi terbaik. Penerapan metode JST untuk peramalan permintaan sari apel Brosem 120ml di KSU Brosem dengan algoritma backpropagation dan arsitektur Multi layer neural network menghasilkan model terbaik berupa arsitektur single hidden layer 1-9-1 (1 neuron input, 9 neuron hidden layer dan 1 neuron output). Metode JST menghasilkan peramalan yang lebih baik, dengan nilai MSE (0,0818) yang lebih kecil dari MSE dengan metode time series (2746, 913). Kata kunci : Backpropagation, MSE, Hidden layer, Multi layer neural network, Time series.
Abstract This study aims to determine the level of demand by using Artificial Neural Network (ANN) and time series effectively and to get the best forecasting model with ANN. Demand forecasting has been done by using time series method and ANN for January 2014 to December 2014, with data input of sales volume from January 2009 to December 2014. Main stages in data processing with neural network input are feedforward, and then backpropagation and weight changing . This is done to get the smallest value of the MSE, whereis the initial iteration used in this study is 5000 iterations. Moreover, MSE from the ANN method is compared with the MSE time series to determine which method that has the best accuracy rate. Application of ANN method for forecasting demand Brosem apple cider 120ml at KSU Brosem with backpropagation algorithm and a Multi layer neural network architecture produces the best model of a single hidden layer architecture 1-9-1 (1 input neurons, 9 hidden layer neurons and 1 output neuron). In addition, Artificial Neural Networks (ANN) method produces better forecasting, indicated by the value of MSE (0.0818) which is smaller than the MSE of time series method (2746, 913). Keywords: Backpropagation, MSE, Hidden layer, Multi layer neural network, Time series
segar. Minuman sari apel selain segar dan menyehatkan juga merupakan suatu solusi untuk daya simpan dari buah apel itu sendiri. KSU Brosem merupakan UKM binaan PT Telkom yang bergerak di bidang olahan buah menjadi minuman, kripik maupun produk lain. UKM yang berlokasi di jalan Bromo, Batu ini memiliki produk unggulan yaitu sari apel. Permasalahan yang timbul di UKM ini yaitu tidak mampu menyediakan stock sari apel di saat permintaan meningkat. Permintaan akan melambung tinggi saat menjelang hari raya dan
PENDAHULUAN 1. Latar Belakang Buah apel menjadi salah satu buah yang diminati dan sering dikonsumsi dalam bentuk olahan minuman. Produk minuman yang sudah sangat dikenal yaitu adalah sari apel. Sari apel adalah minuman yang diekstrak dari apel dan menjadi minuman siap konsumsi. Menurut Aprilia (2014), Sari apel adalah minuman sari buah yang diolah dari buah apel dengan penambahan gula dan asam sitrat. Umumnya sari apel diminum langsung menjadi minuman 1
saat hari libur panjang, namun di hari biasa terkadang mengalami kelebihan stock. Produksi sari apel brosem mencapai 600 karton per bulannya, namun pada saat hari raya tiba, permintaan mencapai 800 hingga 1000 karton per bulan. UKM belum mampu memprediksi seberapa banyak permintaan yang akan terjadi. Tingginya minat konsumen untuk membeli minuman sari apel dan ketidak tentuan jumlah produk yang tersedia untuk memenuhi kebutuhan konsumen menjadi masalah persediaan produk untuk konsumen. Hal ini dikarenakan kurangnya perhitungan yang terperinci mengenai perkiraan kuantitas produksi. Penelitian tentang peramalan permintaan penting dilakukan dan bertujuan untuk meminimalisir ketidakpastian produk dan kerugian dalam produksi (Luci dkk, 2013). Maka dari itu perusahaan seharusnya melakukan kegiatan peramalan permintaan agar persediaan di gudang tetap terpenuhi. Peramalan permintaan merupakan proyeksi permintaan untuk produk atau layanan suatu perusahaan yang mengendalikan produksi, kapasitas serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia. Peramalan ini meramalkan penjualan suatu perusahaan pada setiap periode horizon waktu. Metode kuantitatif dalam peramalan dikelompokkan menjadi metode time series dan eksplanotori. Metode time series digunakan untuk menganalisa serangkaian data yang merupakan fungsi dari waktu, dengan mengasumsikan serangkaian kombinasi pola yang berulang waktu dan berdasar data historis dari serial itu. Metode peramalan lain yang dapat diterapkan yaitu dengan menggunakan metode jaringan syaraf tiruan (JST) yaitu merupakan sistem pemroses informasi dengan karakteristik dan performa yang mendekati syaraf biologis. Hal ini dikarenakan pemrosesan informasi terletak pada suatu neuron yang memiliki sinyal. Pada tiap neuron masukan dan neuron keluaran memiliki lapis tersembunyi (hidden layer) (Kencana, 2012). Pola data yang selalu berubah-ubah akan menimbulkan suatu masalah karena tergantung pada berbagai aspek waktu, pola data, tipe model sistem yang diamati, tingkat keakuratan ramalan yang diinginkan dan sebagainya. Oleh karena itu, metode peramalan dengan time series saja tidak cukup, Jaringan Syaraf Tiruan (JST) mampu menjawab kendala tersebut.
BAHAN DAN METODE Penelitian dilakukan di KSU Brosem Jalan Bromo no. 7, Batu Malang. Penelitian ini dilakukan pada bulan Januari 2014 sampai Mei 2014. Tahapan penelitian diawali dari survei pendahuluan dan studi literatur, identifikasi masalah, studi literatur, pengumpulan data, analisa data dengan mengolah peramalan permintaan JST backpropagation dan time series, serta penyusunan kesimpulan dan saran. Batasan masalah dari penelitian ini antara lain peramalan dilakukan terhadap volume penjualan produk sari apel brosem 120 ml/cup, untuk ukuran 40 cup/karton dan iterasi yang diberikan dalam pelatihan Jaringan Syaraf Tiruan (JST) yaitu sebesar 500. Metode yang digunakan dalam penelitian dengan JST melalui berbagai tahapan.Tahapan awal yang dilakukan yaitu dengan menentukan arsitektur jaringan. Arsitektur jaringan yang digunakan yaitu adalah jaringan layar jamak atau Multi layer Network yang memiliki input, output dan hidden layer. Selanjutnya algoritma pembelajaran yang digunakan adalah algoritma pembelajaran backpropagation. Algoritma backpropagation diterapkan dengan menentukan input data training terlebih dahulu. Data training merupakan pasangan data masukan dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, data-data yang ada dibakukan terlebih dahulu. Data training yang digunakan adalah data pada periode Januari 2009-Desember 2012. Lalu jaringan diberi bobot dan bias awal dengan bilangan acak terkecil. Pemilihan nilai bobot berpengaruh atas kecepatan suatu jaringan untuk mencapai konvergen (kondisi stabil). Sinyal masukan dipropagasikan ke layar tersembunyi menggunakan fungsi aktivasi yang ditentukan, keluaran dari setiap unit layar tersembunyi kemudian dipropagasi maju lagi dan seterusnya hingga menghasilkan keluaran jaringan. Berikutnya, keluaran jaringan dibandingkan dengan target yang harus dicapai. Nilai selisih keduanya adalah kesalahan yang terjadi. Berdasarkan nilai kesalahan tersebut dihitung nilai faktor δk yang dipakai untuk mendistribusikan kesalahan di unit keluaran ke semua unit tersembunyi. Nilai faktor δk digunakan lagi untuk merubah bobot. Ketiga fase tersebut diulang hingga kondisi penghentian dipenuhi. Kondisi penghentian tercapai jika MSE (mean square error) telah mencapai harga minimum epoch 2
atau epoch sama dengan batas toleransi yang diberikan. Nilai MSE pada satu siklus pelatihan adalah nilai kesalahan (error = nilai keluaran nilai masukan) rata-rata dari seluruh record. Semakin kecil MSE, semakin kecil kesalahan JST dalam memprediksi pola dari record yang baru. Maka pelatihan JST ditujukan untuk memperkecil MSE dari satu siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan. Output peramalan terbaik akan tercapai hingga kondisi penghentian dipenuhi. Kondisi penghentian yang dipakai adalah jumlah iterasi (epoch) yang ditoleransi sebesar 5000 epoch. Iterasi sebesar 5000 dipilih berdasarkan asumsi peneliti. Nilai iterasi yang terlalu kecil akan menunjukkan hasil yang kurang akurat, sedangkan bila iterasi terlalu besar akan menyebabkan pelatihan jaringan yang terlalu lama. Metode pembanding yang diberikan yaitu time series dengan beberapa metode yaitu moving average, exponential smoothing dan dekomposisi. Secara garis besar tahapan time series dilakukan dengan membuat scatter diagram terlebih dahulu yang selanjutnya data dapat diolah dengan dicari nilai kesalahan dari peramalan dengan MSE. Ketiga metode dari time series akan terpilih metode mana yang memiliki nilai MSE terkecil dengan menggunakan SPSS.
perencanaan penjualan sari apel. Sari apel Brosem tidak diproduksi setiap hari, kurang lebih dalam satu bulan KSU Brosem memproduksi sari apel sebanyak 22 kali. Tiap sekali proses produksi, KSU Brosem menggunakan 60kg apel yang dapat menghasilkan sari apel kurang lebih sebanyak 240 liter. Dimana sari apel sebanyak 240 liter dapat dikemas menjadi 2000 cup atau sebanyak 50 karton. Grafik penjualan sari apel Brosem 120 ml/cup dari periode Januari 2009 hingga Desember 2013 dapat dilihat pada Gambar 1. Data time series penjualan sari apel Brosem dari tahun 2009 hingga 2013 menunjukkan pola musiman, dimana mengalami kenaikan pada tiap periodenya, seperti ditunjukkan pada Gambar 1.
HASIL DAN PEMBAHASAN 1. Gambaran Umum Perusahaan KSU Brosem merupakan usaha kecil mandiri yang memproduksi jenang apel dan sari apel dalam kemasan. Pemberian nama Brosem berasal dari singkatan Bromo Semeru dikarenakan letaknya yang berada di antara Jalan Bromo dan Jalan semeru, kota Batu. Adapun tepatnya berlokasi di Jalan Bromo RW 10, Kelurahan Sisir, Kecamatan Batu, Kota Batu. Usaha ini didirikan sejak tanggal 14 Januari 2004 oleh perkumpulan PKK yang terdiri dari ibu rumah tangga di sekitar lokasi Brosem. Mulai tahun 2005, Brosem resmi bergabung menjadi Mitra Binaan Telkom yang memperoleh bantuan pinjaman kredit dari PT Telkom dan mendapat bantuan dari Presiden. Brosem secara resmi menjadi KSU (Koperasi Serba Usaha) pada tahun 2007. 2. Sari Apel Brosem Perencanaan produksi untuk sari apel brosem dilakukan setiap bulan, sehingga setiap bulan KSU Brosem memperkirakan untuk
Gambar 1. Plotting Grafik Penjualan Sari Apel Brosem 120ml/ cup (ukuran 40 cup/ karton) Menurut Santosa dan Hamdani (2007), pola data yang bersifat musiman mampu menunjukkan pergerakan suatu keadaan yang berlangsung secara periodik dalam suatu jangka waktu dan disebut pula seasonal trend yang akan berulang tiap tahun. tahun 2009 hingga tahun 2013 permintaan tertinggi sering terjadi pada bulan Desember, yaitu pada tahun 2009, 2011 dan 2013. Selanjutnya untuk permintaan terendah sering terjadi pada bulan Januari, yaitu pada tahun 2009, 2010 dan 2012. Hal ini terjadi karena pada bulan Desember terdapat libur hari raya pada akhir tahun serta libur perayaan tahun baru, sedangkan yang terjadi pada bulan Januari adalah berakhirnya masa berlibur dan pada bulan ini tidak banyak terdapat hari libur.
3
Pembelajaran jaringan membutuhkan parameter-parameter yang digunakan untuk mengenali pola data. Parameter lain yang harus ditambahkan yaitu jumlah iterasi maksimum (epochs) yang sebesar 5000, ini berarti pelatihan akan dihentikan ketika sudah mencapai 5000 iterasi. Apabila nilai maksimum epoch tidak diterapkan, maka fungsi Matlab secara otomatis menentukan maksimum epoch sebanyak 100 epoch. Namun nilai 100 epoch dirasa belum sesuai dan belum dapat dilihat konvergensi jaringan secara keseluruhan. Banyaknya iterasi yang akan ditampilkan yaitu sebanyak 200 iterasi. Maksimum epoch digunakan sebagai kriteria pemberhentian pelatihan. Nilai goal yang diharapkan untuk kriteria pemberhentian training jaringan yaitu sebesar 0, 095, nilai ini dipilih setelah melalui tahapan trial and error untuk memperoleh nilai goal dan performance terkecil. Nilai untuk learning rate 0,1 (0,1 merupakan nilai default) dan momentum konstanta (mc) sebesar 0,85. Nilai mc 0,85 merupakan nilai default atau settingan otomatis dari Matlab. Nilai momentum konstanta maksimal bernilai 1, apabila nilainya terlalu besar maka performance goal tidak dapat ditemukan (Kusumadewi, 2004). Hasil syntax yang digunakan untuk menampilkan perintahperintah tersebut yaitu: Net = newff(minmax(pn),[9 1],{'logsig''purelin'},'trainlm' ); net.trainParam.Epochs = 5000; net.trainParam.goal =9.5e-2; net.trainParam.lr = 0.1; net.trainParam.show = 200; net.trainParam.mc = 0.85; d. Training dan Testing Pada tahap training, perintah kode yang digunakan yaitu antara lain train, sim, poststd dan trastd. Berikut merupakan perintah untuk melakukan training: [net,tr,an,E1]= train(net,pn,tn) Dimana: net = model jaringan syaraf yang terpilih tr = record dari proses training an = output jaringan syaraf tiruan E1 = error jaringan syaraf tiruan pn = matriks inputan jaringan syaraf tn = merupakan matriks target jaringan syaraf Pada tahapan ini dilakukan perubahan jumlah neuron hidden layer dengan menggunakan nilai learning rate sebesar 0,1.
3. Peramalan Permintaan Sari Apel Brosem 120 ml/cup (40cup/ karton) dengan Metode Jaringan Syaraf Tiruan a. Penyiapan Data Masukan Data yang menjadi inputan dalam pelatihan adalah seluruh data training (Januari 2009 sampai Desember 2012) yang kemudian dipasangkan dengan target yang merupakan data training pada satu bulan berikutnya (Desember 2012 sampai Desember 2013). Persentase yang biasa digunakan yaitu dibagi menjadi 80% untuk training dan 20% sisanya untuk testing. Data training digunakan untuk membentuk data model dan data testing digunakan untuk menguji ketepatan klasifikasi dari model yang telah dibentuk (Aprijani, 2011). b. Preprocessing Data input dan target ini kemudian dinormalisasi atau disebut dengan penskalaan data. Tujuan dari normalisasi data input dan target yaitu untuk mentransformasi data supaya kestabilan taburan data dapat dicapai. Menurut Siang (2009), normalisasi berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam jaringan, selain itu normalisasi dapat digunakan untuk meningkatkan keakurasian dari hasil output serta memfasilitasi proses learning dari jaringan syaraf. Pada Matlab 7.10, syntax yang dapat digunakan untuk menormalisasi data yaitu: pn,meanp,stdp,tn,meant,stdt] = prestd(P,T) Perintah prestd mampu menormalisasi input (P) dan target (T) sehingga keduanya memiliki mean= 0 dan standart deviasi= 1. c. Model Jaringan Syaraf Model jaringan syaraf tiruan yang diterapkan adalah Multi Layer Perceptron dengan satu lapis hidden layer. Multi layer perceptron merupakan jaringan yang memiliki banyak lapis. Fungsi aktivasi yang digunakan yaitu logsig dan purelin. Logsig merupakan fungsi aktivasi sigmoid biner dengan syntax Y= logsig (a). Fungsi ini digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1 (Ganatr dan Kosta 2010). Fungsi sigmoid biner digunakan untuk mengaktifkan neuron pada lapisan input untuk mengirimkan informasi melalui bobotbobotnya ke neuron pada lapisan tersembunyi. Sedangkan purelin merupakan fungsi aktivasi linear yang sering dipakai apabila kita menginginkan keluaran jaringan berupa sembarang bilangan riil (bukan hanya pada range 0-1 atau pada range -1 1 (Siang, 2009). 4
Tahapan awal diberikan satu neuron, dan selanjutnya 2, 3, 4 dan seterusnya hingga diperoleh konfigurasi terbaik. Selanjutnya akan diketahui neuron ke berapa yang menghasilkan performansi terbaik dengan nilai MSE terkecil, maka neuron jaringan yang terbaiklah yang akan digunakan pada saat training berlangsung. Fungsi kinerja jaringan yang sering digunakan adalah Mean square error (MSE). Hasil pelatihan jaringan pada Tabel 1 menunjukkan adanya perbedaan nilai MSE apabila dilakukan penambahan neuron hidden layer. Tabel 1 Hasil Pelatihan Jaringan Jumlah Hidden layer
1
Jumlah Neuron
MSE
1 2 3 4 5 6 7 8 9 10
0,0978 0,0950 0,0935 0,0878 0,0942 0,0947 0,0871 0,0833 0,0818 0,0848
e. Postprocessing Jaringan perlu diberikan proses simulasi terlebih dahulu. Simulasi menggunakan perintah sim yang akan mensimulasi jaringan syaraf dengan model jaringan (net) dan input matriks (pn) kemudian menghasilkan output jaringan (an). Syntax yang dimasukkan untuk proses simulasi adalah: an = sim(net,pn) dimana an = output jaringan syaraf net = model jaringan syaraf yang telah terpilih pn = matriks inputan jaringan syaraf Setelah menghasilkan output jaringan berupa an, jaringan perlu dibawa ke bentuk denormalisasi, proses ini disebut postprocessing. Postprocessing merupakan tahapan dimana output dikembalikan ke kondisi aslinya (denormalisasi) setelah input mengalami normalisasi pada saat proses preprocessing. Bila dalam preprocessing perintah dalam menormalisai yaitu prestd, maka dalam denormalisasi pada postprocessing perintahnya berupa poststd. Perintah poststd melakukan denormalisasi output jaringan (an) dengan rata-rata (meant) dan standart deviasi (stdt) dan menghasilkan nilai denormalisasi (a). Syntax yang diberikan untuk denormalisasi yaitu: a = poststd(an,meant,stdt) dimana: a = nilai dalam bentuk denormalisasi, dari data training an = output jaringan syaraf, dari data training meant = nilai mean dari proses normalisasi stdt = nilai standart deviasi dari proses normalisasi Langkah selanjutnya yang dapat dilakukan adalah penyiapan data testing (Q) yang kemudian dinormalisasi dengan perintah trastd. Normalisasi pada data testing ini menggunakan nilai mean dan standar deviasi dari proses sebelumnya. Perintah trastd melakukan preprocessing pada data training (P) dengan rata-rata dari data training (meanp) dan standar deviasi data training (stdp). Syntax yang diberikan untuk normalisasi data testing: Qn = trastd(Q,meanp,stdp) dimana Qn = hasil normalisasi data testing Q = data testing meanp = nilai mean dari proses normalisasi data training
Sumber: Data yang diolah (2014) Jaringan terbaik ada pada pelatihan jaringan 9-1 dengan nilai MSE terkecil, sebesar 0,0818. Pada jaringan 10-1 MSE telah mengalami kenaikan kembali. Menurut Siang (2009), kondisi ini menunjukkan adanya generalisasi data telah menurun sehingga pelatihan dapat segera dihentikan. Hasil pelatihan jaringan 9-1 dapat dilihat pada grafik Gambar 2.
Gambar 2 Pelatihan Jaringan 9-1
5
stdp = nilai standart deviasi dari proses normalisasi data training Setelah dinormalisasi maka output jaringan data testing disimulasi dengan perintah sim dan selanjutnya output jaringan data testing dikembalikan pada kondisinya aslinya atau denormalisasi. Tahapan denormalisasi untuk input baru yaitu dengan menggunakan syntax berikut: b = poststd(bn,meant,stdt) dimana • b = nilai dalam bentuk denormalisasi, dari data testing • bn = output jaringan syaraf, dari data testing • meant = nilai mean dari proses normalisasi • stdt = nilai standart deviasi dari proses normalisasi Kondisi p dan t adalah matriks yang telah didenormalisasi. Proses harus dilakukan ketika fungsi prestd sudah diterapkan sebelum pelatihan. Proses postprocessing ini sering dianggap proses koreksi. Menurut Kusumadewi (2004), fungsi poststd mampu membawa output jaringan sesuai dengan kondisi aslinya sehingga tidak berpengaruh pada hasil selanjutnya f. Pengujian Hasil Jaringan Syaraf Tiruan Error dari hasil pelatihan, validasi dan testing data mampu menunjukkan seberapa baik kinerja jaringan syaraf. Pengujian jaringan syaraf dapat dilakukan dengan analisis regresi terhadap respon jaringan dan target yang diharapkan. Perintah postreg digunakan untuk mengevaluasi output jaringan dari data testing dengan target. Syntax yang digunakan untuk mengevaluasi jaringan yaitu: [m,b,r] = postreg(b,TQ) dimana • m = gradient garis hasil regresi linear • b = titik perpotongan dengan sumbu y • r = koefisien korelasi antara output jaringan dan target Jaringan syaraf 9-1 yang terbentuk dari proses pelatihan diuji dengan menggunakan data testing yaitu pada bulan Desember 2012 hingga Desember 2013. Data testing ini tidak dikenali sebelumnya oleh jaringan karena tidak diikutkan dalam proses pelatihan. Data testing yang sudah ditentukan akan disimulasi dengan menggunakan bobot bias jaringan hasil penelitian. Hasil simulasi menunjukkan tingkat akurasi jaringan dalam pengenalan pola data testing yang ditunjukkan melalui besarnya koefisien korelasi. Koefisien korelasi merupakan koefisien yang menentukan hubungan dan besarnya hubungan antara dua
variabel, yaitu input dan output. Hasil simulasi jaringan 9-1 diperoleh koefisien korelasi (r) sebesar 0,8957. Selanjutnya juga diperoleh gradient garis hasil regresi linear (m) sebesar 1,2282 dan titik perpotongan dengan sumbu Y (b) sebesar -288,5634. Hasil pengujian data secara grafik dapat dilihat pada Gambar 3. Koefisien korelasi bernilai 0,8957, hal tersebut menunjukkan bahwa hasil mendekati 1 dan menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Menurut Kusumadewi (2004), bila output jaringan tepat sama dengan target, maka koefisien korelasi akan bernilai 1. Berdasarkan grafik hasil pengujian seperti pada gambar di atas dapat diketahui bahwa output jaringan (o) dan target (*) sebagian besar cukup berdekatan. Hasil terbaik terjadi apabila posisi output jaringan dengan target tepat berada pada posisi yang sama (Kusumadewi, 2004). Terdapat titik yang tepat bersinggungan yaitu pada data ke 2 dan ke 11, menunjukkan bahwa output yang dihasilkan sesuai dengan target.
Gambar 3 Hasil Pengujian Data Testing g. Hasil Peramalan dengan Jaringan Syaraf Tiruan Hasil peramalan sari apel Brosem pada periode bulan Januari 2014 hingga Desember 2014 dapat dilihat di Tabel 2. Pada Tabel 2, diketahui hasil permintaan terendah ada pada bulan Maret yaitu sebesar 1028 karton sari apel Brosem. Peningkatan permintaan pada bulan Januari 2014 hingga Juni 2014 masih tergolong rendah dibandingkan peningkatan permintaan yang mulai melonjak pada bulan Juli 2014, hal ini terlihat dari selisih kenaikan permintaan yang cenderung sedikit. Pada bulan Maret merupakan periode permintaan terendah, hal ini kemungkinan dikarenakan pada bulan tersebut tidak terdapat banyak hari libur maupun hari raya. Permintaan tertinggi ada pada periode 6
bulan Desember 2014 yaitu sebesar 1255 karton sari apel Brosem. Peningkatan permintaan yang cukup tinggi terjadi pada sekitaran bulan Juli 2014 hingga Desember 2014. Peningkatan permintaan terjadi antara bulan-bulan ini dikarenakan adanya hari raya maupun hari libur yang menyebabkan permintaan akan sari apel Brosem terus meningkat. Jumlah permintaan sari apel Brosem pada periode sepanjang tahun 2014 adalah sebesar 13580 karton. Rata-rata untuk hasil dari peramalan ini adalah sebesar 1131,667 karton.
pada bulan Desember 2014 dan ini sesuai dengan pola musiman dari beberapa tahun sebelumnya, yaitu pada tahun 2009, 2011 dan 2013. Permintaan terendah terjadi pada bulan Maret 2014. Secara keseluruhan, pola data hasil peramalan dengan JST pada Gambar 4 menunjukkan pola data yang memiliki pola sama seperti dengan pola data historisnya yaitu pola data musiman yang memiliki trend yang menaik. Menurut Gasperz (2005), apabila data dipengaruhi oleh faktor musiman seperti hari raya maupun peristiwa tertentu maka disebut pola seasonal yang ditandai dengan adanya pola perubahan yang berulang secara otomatis dari tahun ke tahun. 4. Peramalan Permintaan Sari Apel Brosem 120 ml/cup (40cup/ karton) Menggunakan Time series. Peramalan permintaan dilakukan berdasarkan data volume penjualan sari apel pada periode Januari 2009 sampai Desember 2013 dengan menggunakan analisa time series yang digunakan untuk meramalkan jumlah permintaan sari apel Brosem pada periode Januari 2014 sampai Desember 2014. Penghitungan peramalan permintaan sari apel Brosem 120 ml/cup (40cup/ karton) menggunakan software SPSS 17. Metode time series yang digunakan dalam penelitian ini yaitu moving average, exponential smoothing dan dekomposisi, sehingga pada software SPSS 17 dapat diterapkan metode expert modeler dengan tipe all model. Metode ini akan menampilkan hasil metode terbaik dari keseluruhan metode time series yang digunakan sehingga tidak perlu dibahas masing-masing metode yang ditentukan sebelumnya. Hasil peramalan permintaan sari apel Brosem pada periode Januari 2014 hingga Desember 2014 dapat dilihat pada Gambar 5 dan Tabel 3. Pada Gambar 5 terlihat bahwa garis berwarna biru adalah hasil peramalan dari sari apel Brosem. Dilihat dari pola data hasil peramalan telah cukup baik dikarenakan sesuai dengan pola data dari data historisnya. Nilai RMSE (Root Mean square error) dari peramalan permintaan sari apel Brosem dengan menggunakan time series yaitu sebesar 52, 411 atau sama dengan nilai MSE yang sebesar 2746, 913. Pola data yang ditunjukkan oleh Gambar 5 adalah pola data musiman, sehingga didapatkan metode Winter’s Additive. Metode Winter’s Additive merupakan salah satu dari model Holt-Winter’s atau triple exponential smoothing. Menurut Koeswara dan Hardiawan (2009), metode Winter’s Additive dapat
Tabel 2 Hasil Peramalan Permintaan Sari Apel Brosem Periode Januari 2014 – Desember 2014 dengan JST No.
Periode (Tahun 2014)
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Hasil Peramalan (karton) 1034 1033 1028 1032 1036 1063 1154 1218 1237 1250 1240 1255
Sumber: Data yang diolah (2014)
Gambar 4. Grafik Hasil Peramalan Permintaan Sari Apel Brosem 120 ml/cup (40 cup/ karton) dengan menggunakan Jaringan Syaraf Tiruan Pola data hasil peramalan dengan Jaringan Syaraf Tiruan dapat dilihat pada Gambar 4. Permintaan tertinggi yang terjadi 7
digunakan untuk meramalkan data musiman baik yang memiliki pola trend ataupun tidak. Metode ini dapat digunakan untuk data yang tidak memperlihatkan pola konstan maupun linear. Model ini dapat diterapkan ketika time series mengandung komponen musiman (seasonal). Metode ini mengasumsikan bahwa time series tersusun dari siklus trend dan musiman linier, yang tersusun dari tiga rangkaian proses statistik yang terkorelasi (pemulusan, trend, dan musiman) dan memproyeksikan trend serta komponen musiman ke depan (Hyndman dan Yeasmin, 2008).
permintaan terendah terjadi pada bulan Januari 2014 yaitu sebesar 1232. Permintaan sari apel terendah pada Tabel 3 memiliki pola yang sama dengan data historisnya, yaitu pada tahun 2009, 2010 dan 2012 yang jatuh pada bulan Januari. 5. Perbandingan Hasil Peramalan Permintaan Sari Apel 120ml/cup (40 cup/ karton) dengan Jaringan Syaraf Tiruan, Time series dan Aktual Peramalan permintaan untuk masa mendatang merupakan dasar dalam perumusan perencanaan optimasi produksi. Setiap organisasi perlu untuk mempertahankan posisi pangsa pasarnya serta harus melakukan perencanaan optimasi produksi yang baik, agar dapat melakukan efisiensi biaya. Usaha tersebut didukung oleh kegiatan peramalan yang tentunya didukung oleh metode yang tepat pula. Penelitian peramalan ini menggunakan metode jaringan syaraf tiruan (JST) dan metode time series. Hasil dari kedua metode ini akan dibandingkan dengan melihat ketepatan nilai kesalahannya. Nilai kesalahan terkecil menunjukkan hasil peramalan memiliki keakurasian yang baik. Hasil peramalan JST yang dibandingkan dengan time series dapat dilihat pada Tabel 4. Hasil peramalan dengan JST maupun time series memiliki pola yang hampir sama, dimana kenaikan permintaan terjadi pada sekitar bulan Juli hingga Desember. Hasil yang telah didapat dari kedua metode ini dapat dibandingkan dengan hasil penjualan yang telah berlangsung pada periode Januari hingga April di tahun 2014. Diketahui dari Tabel 5 bahwa selisih peramalan dengan JST terhadap hasil penjualan aktual tidak sebanyak selisih peramalan dengan menggunakan metode time series. Hal ini sesuai dengan yang diungkapkan Ganatr dan Kosta (2010), bahwa nilai keakurasian JST sangat baik sehingga dapat menghasilkan peramalan yang sebanding. Kegiatan membandingkan ini bertujuan untuk melihat sejauh mana tingkat kesalahan dari hasil peramalan dengan JST dan time series dibandingkan dengan jumlah aktual penjualan. Hasil peramalan yang dibandingkan dengan penjualan aktual menunjukkan bahwa permintaan sari apel Brosem 120 ml mengalami tingkat fluktuasi sedikit demi sedikit dari waktu ke waktu. Hasil perbandingan pada Tabel 4 dapat dijadikan pertimbangan oleh UKM dalam merencanakan keputusan produksi. Selisih hasil yang didapat menunjukkan hasil Jaringan
Gambar 5. Grafik Hasil Peramalan Permintaan Sari Apel Brosem dengan Time series Tabel 3. Hasil Peramalan Permintaan Sari Apel Brosem Periode Januari 2014 – Desember 2014 dengan Time series No.
Periode (Tahun 2014)
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Hasil Peramalan (karton) 1232 1250 1252 1280 1303 1308 1334 1416 1389 1409 1394 1396
Sumber: Data yang diolah (2014) Peramalan permintaan sari apel Brosem dengan menggunakan time series dengan metode Winter’s Additive menghasilkan nilai seperti yang ditampilkan pada Tabel 3. Permintaan tertinggi terjadi pada bulan Agustus 2014 yaitu sebesar 1416 karton, sedangkan 8
Syaraf Tiruan dengan penjualan aktual tidak terlalu banyak. Selisih dan persentase yang dihasilkan JST pun kecil dan hampir mendekati jumlah penjualan aktual dari sari apel Brosem. Hal ini dianggap bahwa Jaringan Syaraf Tiruan menghasilkan hasil ramalan yang lebih baik dan dapat digunakan sebagai acuan pada periode berikutnya. Menurut Kusumadewi (2004), hasil dikatakan sempurna apabila output (hasil peramalan) sama dengan targetnya. Peramalan dengan jaringan syaraf tiruan menghasilkan nilai kesalahan yang rendah, ini berarti bahwa jaringan syaraf tiruan sangat tepat bila diterapkan dalam kasus seperti di KSU Brosem. Metode jaringan syaraf tiruan mampu belajar dari data sehingga input yang berupa volume penjualan dapat langsung dipelajari. Jaringan syaraf tiruan backpropagation mampu melatih jaringan untuk mengenali pola yang digunakan selama pelatihan, serta mampu memberikan respon yang benar terhadap pola masukan serupa dengan pola yang dipakai selama pelatihan (Siang, 2009).
persentase tidak lebih dari 1% sehingga hal ini menunjukkan bahwa peramalan dengan jaringan syaraf tiruan tepat untuk dijadikan dasar keputusan perusahaan, metode JST sendiri khusunya cocok bila diterapkan dalam KSU Brosem. Berdasarkan hasil peramalan dengan JST, KSU Brosem perlu melakukan perencanaan yang lebih baik terkait dengan keputusan produksi. Penggunaan metode peramalan permintaan sari apel dengan JST untuk perencanaan produksi diharapkan mampu mendukung keputusan produksi sari apel dengan tepat. Semakin tinggi akurasi peramalan dalam perusahaan karena hasil dari suatu peramalan dapat memberikan arah bagi perencanaan perusahaan, perencanaan produk dan pasar, perencanaan penjualan, perencanaan produksi dan perencanaan keuangan (Padang dkk, 2013). Bila dilihat hasil peramalan dengan metode JST permintaan tertinggi terjadi pada bulan Desember 2014, yaitu sebanyak 1255 karton. Bila biasanya KSU Brosem melakukan kegiatan produksi kurang lebih sebanyak 22 kali maka perlu ditingkatkan lagi menjadi 25 hingga 26 kali produksi agar mampu mencukupi kebutuhan sari apel saat permintaan melonjak. Hal ini dikarenakan menurut perhitungan bila dalam sekali produksi mampu menghasilkan 50 karton sari apel, maka bila dalam 25 hingga 26 kali produksi sudah mampu menghasilkan 1250 hingga 1300 karton untuk mencukupi kebutuhan permintaan sari apel Brosem yang melonjak pada bulan Desember 2014.
Tabel 4. Perbandingan Hasil Peramalan Sari Apel 120ml Menggunakan JST, Time series dan Aktual Period e ke-
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. Jumlah
Periode (Tahun 2014) Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember
Hasil Peramal an dengan JST (karton) 1034 1033 1028 1032 1036 1063 1154 1218 1237 1250 1240 1255 13580
Hasil Peramala n dengan Time series (karton) 1232 1250 1252 1280 1303 1308 1334 1416 1389 1409 1394 1396 15963
Jumlah Penjuala n Aktual (karton) 1025 1025 1024 1027
Tabel 5 Perbandingan Selisih Hasil Peramalan Sari Apel 120ml Menggunakan JST, Time series dan Aktual Selisih Periode (Tahun 2014)
Jumlah Penjual an Aktual (karton)
Januari
JST den gan Akt ual
Time series denga n Aktua l
JST denga n Aktua l
Time series dengan Aktual
1025
9
207
0,88%
20,20%
Februari
1025
8
225
0,78%
21,95%
Maret
1024
4
228
0,39%
22,27%
April
1027
5
253
0,49%
24,63%
Sumber: Data yang diolah (2014) Hasil peramalan permintaan pada Tabel 2 mampu mewakili pengertian dari metode jaringan syaraf tiruan. Data yang diinput mampu disimulasi dengan baik sehingga menghasilkan jaringan terbaik dengan nilai kesalahan yang kecil pula. Pada Tabel 5 juga telah ditunjukkan persentase selisih hasil jaringan syaraf tiruan dengan aktual, dan
Persentase
Sumber: Data yang diolah (2014) 9
Hyndman, R. J dan Yeasmin Khandakar 2008. Automatic Time Series Forecasting: The Forecast Package for R. Journal of Statistical Software 27(3): 1-22
KESIMPULAN Setelah dilakukan analisa terhadap hasil peramalan, maka dapat ditarik kesimpulan berupa: 1. Penerapan metode Jaringan Syaraf Tiruan untuk peramalan permintaan sari apel Brosem 120ml di KSU Brosem dengan algoritma backpropagation dan arsitektur Multi layer neural network menghasilkan model terbaik berupa arsitektur single hidden layer 1-9-1 (1 neuron input, 9 neuron hidden layer dan 1 neuron output). 2. Metode Jaringan Syaraf Tiruan (JST) menghasilkan peramalan yang lebih baik, ditunjukkan dengan nilai MSE sebesar 0,0818 yang lebih kecil dari MSE dengan metode time series yaitu 2746, 913. Hasil peramalan sari apel Brosem 120 ml (40 cup/ karton) dengan menggunakan Jaringan Syaraf Tiruan untuk periode tahun 2014 yaitu 1034, 1033, 1028, 1032, 1036, 1063, 1154, 1218, 1237, 1250, 1240 dan 1255 karton, sedangkan hasil peramalan sari apel Brosem 120 ml (40 cup/ karton) dengan time series untuk periode tahun 2014 yaitu 1232, 1250, 1252, 1280, 1303, 1308, 1334, 1416, 1389, 1409, 1394 dan 1396 karton.
Kencana, I Putu. 2012. Evaluasi Kinerja Jaringan Syaraf Tiruan Pada Peramalan Konsumsi Listrik Kelompok Tarif Rumah Tangga. Matematika 2(1): 9-18. Koeswara, S dan Arfi H. 2009. Pendekatan Metode Peramalan Untuk Mengetahui Permintaan Kaca Bening (Indoflot) FL dan Kaca Warna (Panasap) DGFL dengan Ukuran 60x48 inchi Ketebalan 5mm di PT Asahimas Flat Glass Tbk. Jurnal Pasti 2(2): 1-8 Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan, Menggunakan Matlab dan Excel Link. Graha Ilmu. Yogyakarta. H 93-99. Luci L. G., A. B Tjandrarini dan Sulistiowati. 2013. Aplikasi Peramalan Permintaan Bahan Baku Pada Pt. Baba Rafi Indonesia Dengan Metode Pemulusan Eksponensial Winter (Studi Kasus Daerah Surabaya). JSIKA 2(2): 14-18
DAFTAR PUSTAKA
Padang, E., Gim Tarigan dan Ujian Sinulingga. 2013. Peramalan Jumlah Penumpang Kereta Api Medan-Rantau Prapat dengan Metode Pemulusan Eksponensial Holt-Winters. Saintia Matematika 1(2): 161-174.
Aprijani, D. 2011. Aplikasi Jaringan Syaraf Tiruan Untuk Mengenali Tulisan Tangan Huruf A, B, C dan D pada Jawaban Soal Pilihan Ganda. Jurnal Matematika, Sains dan Teknologi. 12 (1): 11-17
Santosa, P. B dan Muliawan H. 2007. Statistika Deskriptif dalam Bidang Ekonomi dan Niaga. Erlangga. Jakarta. H 80
Aprillia, D dan Wahono, H. S. 2014. Pembuatan Sari Apel (Malus sylvestris Mill) dengan Ekstraksi Metode Osmosis (Kajian Varietas Apel dan Lama Osmosis). Jurnal Pangan dan Agroindustri 2 (1): 86-96.
Siang, J. J. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta. H 98-111.
Ganatr, A dan Y.P Kosta. 2010. Spiking Back Propagation Multilayer Neural Network Design for Predicting Unpredictable Stock Market Prices with Time Series Analysis. International Journal of Computer Theory and Engineering. 2(6): 17938201 Gasperz,V. 2005. Production Planning and Inventory Control. PT Gramedia Pustaka Utama. Jakarta. H 86 dan 102 10
11
