Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang) Forecasting of Pasteurized Milk Demand By Using Artificial Neural Network and Time Series Methods (A Case Study of SAE Milk Cooperative of Pujon, Malang) Mahmud Nasapi1*), Imam Santoso2), Mas’ud Effendi2) 1)Alumni Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian, Universitas Brawijaya 2)Staf Pengajar Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian, Universitas Brawijaya Jl. Veteran No. 1 Malang 65145 *email:
[email protected]
Abstrak Peramalan permintaan adalah 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. Tujuan penelitian ini untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Data yang digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan metode Time Series menggunakan software SPSS 17.0. Arsitektur jaringan terbaik pada peramalan ini, yaitu 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu 0.000186. Metode terbaik pada peramalan time series adalah metode Simple Seasonal. Nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah peramalan sama sebesar 52364211.36, sedangkan nilai MSE metode jaringan syaraf tiruan pada saat pelatihan (pemodelan) sebesar 21516.71 dan pada saat testing sebesar 489321.2676. Nilai MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah 1.1721% dan 14.793%. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode April – Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah sebesar 28.91%. Kata Kunci: Jaringan Syaraf Tiruan, MAPE, Metode Time Series, MSE, Rata-rata Persentase Kesalahan Peramalan
Abstract The demand forecasting is demand projection for product or services of companies that control the production, capacity and scheduling system and become input for the financial planning, marketing, and human resources. The research aimed at comparing the forecasting result accuracy of pasteurized milk product of the SAE milk cooperative of Pujon by using Artificial Neural Network method (ANN) with time series method, so it can be known the most accurate method for SAE milk cooperative of Pujon. The used data in the research focused to the four variable that is the sales volume, product price, promotion cost and distribution cost, and marketing outlet. The data analysis was done using Artificial Neural Networks using Matlab software 7.10 and Time Series method using the software SPSS 17.0. The best network architecture for the forecasting, that is 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) with the least MSE value of 0.000186. The best method at the time series was simple seasonal method. The mean square error (MSE) value at the time series before and after forecasting is
0
52364211.36, while the MSE of artificial neural network method during the coach (modeling) is 21516.71 and during testing is 489321.2676. MAPE values on artificial neural network method and the time series in a row 1.1721% and 14.793%. The average percentage error simulation results using ANN forecasting demand in the period April-June 2014 to 2.29%, while for the time series is equal to 28.91%. Keywords: Artificial Neural Network, Average Percentage Error Forecasting, MAPE, MSE, Time Series Method.
PENDAHULUAN
peningkatan biaya stock out bahkan dapat kehilangan pelanggan. Penelitian tentang peramalan permintaan susu pasteurisasi ini bertujuan untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Beberapa metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut diantaranya adalah metode jaringan syaraf tiruan dan time series. Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik unjuk kerja tertentu yang menyerupai jaringan syaraf biologi (Mulyana, 2008). Metode yang digunakan sebagai pembanding dalam penelitian ini adalah metode time series. Menurut Herjanto (2003), metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Dalam peramalan JST dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input). Unsur bauran pemasaran yang digunakan adalah harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. Sedangkan peramalan dengan metode time series menggunakan data volume penjualan sebagai input dalam peramalan.
Industri pengolahan susu akhir-akhir ini sedang mengalami peningkatan penjualan. Meningkatnya permintaan susu pengolahan ini seiring dengan meningkatnya kesejahteraan masyarakat Indonesia. Oleh karena itu, Asosiasi Industri Pengolahan Susu (AIPS) memperkirakan penjualan susu olahan meningkat 10%. Prospek industri susu yang semakin menjanjikan ini, mendorong produsen susu terus menambah kapasitas produksi dan membangun pabrik baru di Indonesia. Hal tersebut memiliki arti positif karena dapat menambah investasi dan mendatangkan devisa bagi negara. Salah satu perusahaan susu di Indonesia adalah koperasi susu SAE Pujon. Koperasi susu SAE Pujon terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Sebagai salah satu koperasi penghasil susu pasteurisasi, koperasi susu SAE Pujon tentunya memiliki banyak pesaing. Sangatlah penting bagi pihak koperasi untuk menjaga eksistensi produknya. Produk susu pasteurisasi yang berada di Pujon memiliki prospek yang baik untuk dikembangkan lebih lanjut mengingat letak Pujon sangat strategis yaitu dekat dengan Kota Malang dan Kota Batu. Faktor pendukung lainnya adalah banyaknya para peternak sapi perah sehingga memudahkan untuk pasokan bahan baku kepada pihak produsen. Permasalahan yang dihadapi oleh koperasi susu SAE Pujon adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk susu pasteurisasi karena peramalan yang dilakukan berdasarkan perkiraan dari periode lalu. Koperasi belum bisa meramalkan permintaan susu pasteurisasi periode mendatang. Peramalan permintaan yang terlalu besar akan berdampak pada peningkatan biaya produksi dan biaya inventori jika terdapat produk yang tidak habis terjual. Sebaliknya, apabila peramalan permintaan terlalu kecil, maka akan terjadi
BAHAN DAN METODE Penelitian dilakukan di Koperasi susu SAE Pujon yang terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Penelitian ini dilaksanakan Maret sampai Mei 2014. Pengolahan data dilakukan di Laboratorium Manajemen Agroindustri, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang.
1
Batasan Masalah Penelitian ini dilakukan dengan batasan masalah sebagai berikut: 1. Penelitian dengan metode jaringan syaraf tiruan ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode April 2014 – Maret 2015. 2. Peramalan dilakukan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel. 3. Pada saat erupsi Gunung Kelud terjadi tidak mempengaruhi hasil peramalan periode April 2014 – Maret 2015 karena pada bulan Februari 2014 volume penjualan susu pasteurisasi masih stabil. 4. Data yang digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran yang sudah tersedia pada bulan Januari 2009 – Maret 2014. Data tersebut hanya digunakan sebagai input (masukan data) pada peramalan susu pasteurisasi Kop SAE Pujon.
neuron output layer (Kusumadewi dan Hartati, 2006). Algoritma pembelajaran yang digunakan dalam penelitian ini adalah Backpropagation. Backpropagation merupakan salah satu metode pelatihan dari Jaringan Syaraf Tiruan. Backpropagation menggunakan arsitektur multilayer dengan metode pelatihan supervised training (Pakaja dkk, 2012). Diagram alir algoritma Backpropagation seperti pada Gambar 1. Mulai
Data Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Penghitungan Error Keluaran
Propagasi Balik
Asumsi Penelitian ini dilakukan dengan asumsi bahwa : a. Fasilitas produksi tidak mengalami perubahan selama horizon peramalan. b. Bahan baku produksi selalu tersedia. c. Jumlah tenaga kerja tidak mengalami perubahan selama horison perencanaan. d. Peramalan permintaan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel secara keseluruhan.
Perubahan Bobot
Iterasi (epoch) = Iterasi + 1
Iterasi ≥ Maksimal Iterasi
Tidak
MSE ≤ Error Tidak Ya
Ya
Simpan Bobot
Selesai
Peramalan Permintaan Menggunakan Metode Jaringan Syaraf Tiruan Arsitektur jaringan yang dipakai adalah jaringan layar jamak (multi layer network). Dalam jaringan ini, selain unit input dan output dan unit-unit lain (sering disebut layar tersembunyi). Jaringan syaraf layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama (Siang, 2005). Perancangan arsitektur jaringan syaraf tiruan dilakukan dengan menentukan jumlah neuron input layer, neuron hidden layer dan
Gambar 1. Diagram Alir Algoritma Backpropagation Penjelasan mengenai tahap algoritma backpropagation adalah sebagai berikut: a. Data training Data training adalah pasangan data masukkan dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, data-data yang ada dinormalisasi terlebih dahulu. Data untuk training adalah data pada periode Januari 2009 – Desember 2012, sedangkan data pada periode Januari 2013 – Maret 2014 digunakan untuk testing. Semakin besar
2
jumlah data training, semakin akurat dan adaptif hasil peramalan. b. Inisialisasi bobot awal Proses inisialisasi adalah proses untuk memberikan nilai – nilai awal pada bobot yang bisa berupa nilai 0 atau 1 (Emanuel dan Hartono, 2008). Inisialisasi bobot awal dilakukan dengan pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5 atau -1 sampai 1. Hal ini dilakukan karena apabila nilai bobot awal terlalu besar, maka input ke setiap lapisan tersembunyi atau lapisan output akan jatuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Sebaliknya, apabila nilai bobot awal terlalu kecil akan menyebabkan proses pelatihan akan berjalan sangat lambat. c. Umpan maju (Feedforward) Selama Feedforward, sinyal masukan (=xi) dipropagasi maju ke lapisan tersembunyi menggunakan fungsi aktivasi yang ditentukan. Semua keluaran dari unit masukan di unit tersembunyi z_inj (j = 1, 2, 3,.....,p) dihitung dengan: ∑
dimana sebagai:
sigmoid
dirumuskan
................................(7) jadi: ....................(8) Selanjutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus dicapai (=tk). Selisih antara tk-yk adalah kesalahan yang terjadi. d. Propagasi balik (Backpropagation) Berdasarkan kesalahan tk-yk, dihitung faktor ẟk (k = 1, 2, 3,..., m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. Faktor kesalahan dihitung dengan: ẟk = (tk – yk) f’(y_ink)...................(9) dimana: f’(y_ink) = yk(1-yk).....................(10) jadi: ẟk = (tk – yk) yk(1-yk)..................(11) ẟk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya dan juga dipakai untuk mengubah bobot garis yang terhubung langsung dengan unit keluaran. Nilai perubahan unit bobot keluaran (Δwkj) dihitung dengan: Δwkj = α ẟk zj...............................(12) k = 1, 2, 3,...., m ; j = 0, 1, 2,....., p Dengan cara yang sama, dihitung faktor ẟj di setiap unit lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapisan di bawahnya. Faktor kesalahan pada lapisan tersembunyi ( dihitung dengan: ∑ ẟ ...................(13) Faktor kesalahan pada unit tersembunyi (ẟj) dihitung dengan: ∑ ẟ ...........(14) dimana: ................(15) jadi: ...............(16) Nilai perubahan bobot unit tersembunyi (Δvji) dihitung dengan: Δvji = α ẟj xi................................(17) j = 1, 2, 3,..., p i = 0, 1, 2,....,n Demikian seterusnya hingga semua faktor ẟ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung.
.........(1)
Kemudian dihitung sesuai dengan fungsi pengaktif yang digunakan. Pada penelitian ini fungsi yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah: ∑ ( ) ............(2) Dimana fungsi sigmoid dirumuskan sebagai: ..........................(3) jadi: ...........................(4) Keluaran dari unit masukan di setiap unit lapisan tersembunyi (=zj) tersebut selanjutnya dipropagasi maju lagi ke lapisan tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=yk). ∑
fungsi
.........(5)
Kemudian dihitung kembali dengan fungsi pengaktif sigmoid dengan rumus: ∑ ..................(6)
3
e. Pemberhentian pembelajaran Ketiga fase tersebut diulang – ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Kriteria pemberhentian pembelajaran pada penelitian ini adalah jumlah iterasi yang ditoleransi sebanyak 2.000 iterasi. f. Penerapan Selanjutnya untuk mengukur error (kesalahan) forecast biasanya digunakan Mean Absolute Percentage Error atau Mean Squared Error 1) Mean Absolute Percentage Error (MAPE) MAPE adalah rata-rata persentase absolut dari kesalahan peramalan dengan menghitung error absolut tiap periode. Error ini kemudian dibagi dengan n. Rumus dari MAPE ini adalah sebagai berikut (Soedjianto dkk, 2006): (
) ∑|
Metode Moving Average ini paling sesuai apabila pola data masa lampau yang dimiliki bertipe siklikal (Soedjianto dkk, 2006): a) Jika data time series tidak diketahui polanya, artinya tidak ada gejala trend naik maupun turun, musiman dan sebagainya, maka untuk meramalkan Ft dapat digunakan metode single moving average sebagai berikut: ∑ ...........(20) ∑
Keterangan FT+1 : Peramalan untuk Periode T+1 XT : Data pada periode ke T T : Jangka waktu perataan FT+2 : Peramalan untuk periode T+2 b) Jika data time series yang diamati, merupakan suatu deret yang secara tetap meningkat tanpa unsur kesalahan random yang menghasilkan trend linier meningkat, maka dapat digunakan metode double moving averages sebagai berikut: (
)
–(
)
....(22)
dengan
| ..............(18)
.............(23)
dimana : Xt = permintaan aktual periode t Ft = ramalan permintaan periode t n = jumlah periode peramalan 2) Mean Squared Error (MSE) Mean squared error (MSE) yaitu rata-rata dari kesalahan forecast dikuadratkan. Rumus dari MSE ini adalah sebagai berikut (Prabowo dkk, 2012): ∑
......(21)
.........(24) N = jangka waktu moving averages m = jangka waktu forecast ke depan 2. Metode Exponential Smoothing Metode Exponential Smoothing merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru (Makridakis, 2005). Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama (Raharja dkk, 2010). a) Jika data time series memperlihatkan pola konstan atau jika perubahannya kecil saja, maka untuk meramalkan Ft dapat digunakan metode single exponential smoothing sebagai berikut: Ft+1 = αXt + (1 – α) Ft.......................(25) Keterangan : Ft+1 : ramalan t waktu atau periode ke depan setelah pengamatan terakhir Xt
...............................(19)
dengan Xt : data sebenarnya terjadi Ft : data ramalan dihitung dari model yang digunakan pada waktu t n : banyak data hasil ramalan Peramalan Permintaan Menggunakan Metode Time Series 1. Metode Moving Averages Moving Average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis (masa lampau) permintaan. Data inilah yang akan dianalisis dengan menggunakan parameter waktu sebagai dasar analisis.
4
Ft : X1 α : Smoothing konstan b) Jika data time series menunjukkan pola linier, maka dapat digunakan metode double exponential smoothing dengan rumus sebagai berikut: (
)
–(
)
Matlab 7.10. Model peramalan yang dibuat terdiri dari 3 variabel independen (harga, biaya promosi dan distribusi, outlet) dan 1 variabel dependen (volume penjualan). Dalam jaringan syaraf tiruan, model ini terbaca sebagai 3 unit (neuron) input dan 1 unit neuron output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 3 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya (nilai MSE terkecil) dari tiap jaringan melalui pelatihan (training). Pembelajaran jaringan membutuhkan parameter-parameter yang digunakan untuk mengenali pola data. Parameter pembelajaran dalam penelitian meliputi max. epoch 2000, dan learning rate 0.1 Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) adalah 0.0001, dipakai untuk menentukan batas nilai MSE agar iterasi dihentikan, nilai ini dipilih berdasarkan dengan trial dan error sampai ketemu performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai 0.85, nilai ini dipiih karena pada komputer nilai default momentum sebesar 0.85. Hasil pelatihan jaringan produk susu pasteurisasi Kop SAE Pujon dalam jaringan syaraf tiruan dari masing-masing neuron dapat dilihat pada Tabel 1. Tabel 1. Hasil Pelatihan Jaringan Susu Pasteurisasi Kop SAE Pujon Hidden Jumlah MSE Layer Neuron 1 0.00532 2 0.00413 3 0.00234 4 0.00206 5 0.00176 1 6 0.00107 7 0.000771 8 0.000619 9 0.000262 10 0.000186 Sumber : Data diolah (2014) Jaringan terbaik dihasilkan oleh pelatihan jaringan 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil adalah 0.000186. Gambar model Jaringan Syaraf Tiruan 3-10-1 dapat dilihat pada Gambar 2.
....(26)
dengan S’t = α Xt + (1 – α) S’ t-1.....................(27) S”t = αS’t + (1 – α) S”t-1.....................(28) S”t = X...............................................(29) dimana S’t adalah nilai pemulusan eksponensial tunggal dan S”t adalah nilai pemulusan eksponensial ganda c) Jika data time series tidak memperlihatkan pola konstan ataupun linier yang digunakan adalah metode triple exponential smoothing dengan rumus sebagai berikut : [
]
[ [
]
..(31)
]
dengan S’t = α Xt + (1 – α) S’ t-1.........................(33) S”t = αS’t + (1 – α) S”t-1..........................(34) S’”t = αS”t + (1 – α) S”’t-1.......................(35) S’”t = X1..................................................(36) dimana S’t adalah nilai pemulusan pertama, S”t adalah nilai pemulusan kedua dan S’”t adalah nilai pemulusan ketiga. 3. Metode Dekomposisi Dekomposisi adalah model kecenderungan yang mempergunakan empat komponen pendekatan yaitu kecenderungan (merupakan tingkah laku jangka panjang), cylical (bentuk siklis), seasional (bentuk musiman) dan komponen random. Model dekomposisi tersusun sebagai berikut (Saefulloh, 2011): Data= trend + musiman + siklus + error....(37) atau Ramalan= trend + musiman + siklus.......(38)
HASIL DAN PEMBAHASAN Penelitian dengan metode jaringan syaraf tiruan ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode satu tahun mendatang, yaitu April 2014 – Maret 2015. Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunakan Software
5
Z1 Z2 Z3
X1 Harga Produk
Z4
X2 Biaya Promosi dan Biaya Distribusi
1 neuron output
Z5
X3 Jumlah Outlet
Y1 Peramalan Permintaan
Z6 Z7
3 neuron input
Z8 Z9 E1
Z10 E2 10 neuron hidden layer
Gambar 2. Model Jaringan Syaraf Tiruan 3-10-1 Peramalan Permintaan Menggunakan Analisa Deret Waktu (Time Series) Peramalan permintaan dilakukan berdasarkan data penjualan produk periode Januari 2009 – Maret 2014 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk susu pasteurisasi Kop SAE Pujon pada periode perencanaan yang akan datang,
yaitu periode satu tahun mendatang pada April 2014 – Maret 2015. Metode time series yang digunakan dalam penelitian ini adalah expert modeler dengan tipe all models. Metode ini akan menghasilkan metode terbaik dari keseluruhan metode time series yang digunakan. Hasil peramalan dapat dilihat pada Gambar 3.
Jumlah Volume Penjualan
Keterangan
Periode Peramalan Gambar 3. Hasil Peramalan Permintaan dengan Menggunakan Metode Simple Seasonal
6
Dari Gambar 3 pola data yang ditunjukkan merupakan pola data random (acak). Metode yang terbaik pada peramalan menggunakan SPSS ini yaitu Simple Seasonal. Melihat plot di atas terlihat bahwa hasil peramalan mengikuti bentuk pola datanya, sehingga tingkat akurasi data tersebut sebagai dasar untuk perencanaan cukup baik. Nilai RMSE (Root Mean Square Error) adalah 7236.312 sehingga nilai MSE adalah 52364211.36.
semula 21516.71 menjadi 489321.2676 yang menunjukkan nilai MSE sesudah peramalan lebih besar dibandingkan nilai MSE sebelum peramalan. Hal ini dikarenakan nilai mean pada saat testing lebih besar dibandingkan nilai mean saat pemodelan. Pada Tabel 3 merupakan nilai tengah kesalahan persentase absolut dari suatu peramalan. Nilai MAPE memberikan informasi mengenai nilai persentase kesalahan peramalan. Pada peramalan dapat diketahui bahwa nilai persentase kesalahan peramalan menggunakan JST lebih kecil yaitu 1.1721% dibandingkan metode time series dengan persentase kesalahannya sebesar 14.793%. Setelah melakukan perbandingan pada nilai MSE dan MAPE untuk kedua metode tersebut, selanjutnya melakukan validasi dengan cara membandingkan dengan data penjualan aktual. Pembanding yang digunakan berupa data penjualan aktual susu pasteurisasi Kop SAE Pujon selama 3 bulan ke depan. Hasil perbandingan metode jaringan syaraf tiruan, time series, dan data aktual dapat dilihat pada Tabel 4. Berdasarkan nilai MSE, MAPE dan persentase kesalahan peramalan ketika dibandingkan pada kedua metode tersebut dapat dikatakan bahwa metode jaringan syaraf tiruan lebih cocok diterapkan di Koperasi susu SAE Pujon dikarenakan memiliki nilai MSE, MAPE dan persentase kesalahan yang lebih kecil dibandingkan metode time series. Selain itu, pada metode JST ini peramalannya dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan seperti harga, biaya promosi dan distribusi serta jumlah tempat pemasaran dibandingkan metode time series yang tidak dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan dalam meramalkan jumlah volume penjualan periode mendatang.
Perbandingan Hasil Peramalan Metode Jaringan Syaraf Tiruan dengan Time Series Dalam penelitian ini, peramalan permintaan yang digunakan terdiri dari dua metode yaitu metode jaringan syaraf tiruan dan time series. Kedua metode tersebut nantinya akan dibandingkan untuk dipilih sebagai metode yang paling cocok diterapkan di Koperasi susu SAE Pujon. Pembanding yang digunakan berupa perbandingan nilai MSE, nilai MAPE dan data penjualan aktual susu pasteurisasi Kop SAE Pujon, sehingga bisa dilihat diantara kedua metode tersebut mana yang paling baik dalam meramalkan susu pasteurisasi. Adapun perbandingan nilai MSE dan MAPE untuk metode Jaringan Syaraf Tiruan dan Time Series dapat dilihat pada Tabel 2 dan Tabel 3. Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series Nilai MSE Metode Sebelum Sesudah Jaringan 21516.71 489321.2676 Syaraf Tiruan Time Series 52364211.36 52364211.36 Sumber : Data diolah (2014) Tabel 3. Nilai MAPE Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series Metode
Nilai MAPE
Jaringan Syaraf Tiruan 1.1721% Time Series 14.793% Sumber : Data diolah (2014) Pada Tabel 2, nilai MSE sebelum dan sesudah peramalan pada metode Time Series tetap yaitu 52364211.36. Sedangkan, pada metode JST terjadi perubahan nilai MSE yang
7
Tabel 4. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Data Aktual Periode April – Juni 2014 Persentase Kesalahan Peramalan Terhadap Time Simulasi Data Tahun Periode Permintaan Aktual (%) Series Peramalan JST Aktual Time Series JST 2014 April 46.265 36.391 47.536 2.67 23.45 Mei 53.470 37.075 51.725 3.37 28.32 Juni 45.288 29.211 44.910 0.84 34.96 Rata-rata Kesalahan 2.29 28.91 Sumber : Data diolah (2014) peramalan permintaan menggunakan JST dengan metode yang lain, perlu adanya KESIMPULAN DAN SARAN penelitian lebih lanjut untuk peramalan permintaan dengan mempertimbangkan Kesimpulan 1. Penerapan metode Jaringan Syaraf Tiruan faktor-faktor bauran pemasaran yang lain (JST) untuk peramalan permintaan susu serta diharapkan metode yang terpilih pasteurisasi Kop SAE Pujon dengan diterapkan oleh Koperasi susu SAE Pujon menggunakan model jaringan agar perencanaan produksi, pemasaran, Backpropagation, menghasilkan arsitektur anggaran biaya dan perencanaan lainnya optimal. jaringan single hidden layer terbaik yaitu 310-1 (3 neuron input, 10 neuron hidden layer, DAFTAR PUSTAKA dan 1 neuron output), 3 neuron input merupakan faktor bauran pemasaran yang Emanuel, A. W. R. dan Hartono, A. 2008. meliputi harga produk, jumlah tempat Pengembangan Aplikasi Pengenalan pemasaran, biaya distribusi dan biaya Karakter Alfanumerik Dengan promosi, sedangkan untuk 1 neuron output Menggunakan Algoritma Neural merupakan nilai peramalan permintaan. Network Three-Layer Backpropagation. 2. Pada peramalan metode time series, Jurnal Informatika, Vol.4, No.1, Juni menghasilkan metode terbaik yaitu 2008: 49 – 58. metode Simple Seasonal. Perbandingan akurasi hasil peramalan dari kedua Herjanto, E. 2003. Manajemen Operasi Edisi metode, sebagai berikut: nilai Mean Square Ketiga. PT Grasindo. Jakarta. Error (MSE) pada metode time series sebelum dan sesudah peramalan sama Kusumadewi, S dan Hartati, S. 2006. sebesar 52364211.36. Nilai MSE metode Integrasi Sistem Fuzzy dan Jaringan jaringan syaraf tiruan pada saat pelatihan Syaraf. Graha Ilmu. Yogyakarta. (pemodelan) sebesar 21516.71 dan pada saat testing sebesar 489321.2676. Makridakis, S. 2005. Metode dan Aplikasi Sedangkan nilai MAPE pada metode Peramalan. Binarupa Aksara. Jakarta. jaringan syaraf tiruan dan time series berturut-turut adalah 1.1721% dan Mulyana, S. 2008. Teknik Peramalan Tingkat 14.793%. Rata-rata persentase kesalahan Penjualan Dengan Jaringan Syaraf hasil simulasi peramalan permintaan Tiruan. Seminar Nasional Informatika menggunakan JST pada periode April – 2008 (semnasIF 2008). UPN “Veteran” Juni 2014 adalah sebesar 2.29%, sedangkan Yogyakarta, 24 Mei 2008. ISSN : 1979untuk time series adalah sebesar 28.91%. 2328. Saran Dari hasil penelitian dan pembahasan yang telah dilakukan, saran yang dapat dikemukakan yaitu perlu adanya penelitian lebih lanjut untuk membandingkan
Pakaja, F, Agus N. dan Purwanto. 2012. Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS Vol. 6, No. 1, Juni 2012.
8
Prabowo, Y., Achmad, H. dan Ajub, A. Z. 2012. Kompresi Citra Digital ArasKeabuan Menggunakan Metode Hadamard. TRANSIENT, Vol.1, No.4, Desember 2012, ISSN: 2302-9927. Raharja, A. Wiwik, A. dan Retno, A. V. 2010. Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon Di PT. Telkomsel Divre3 Surabaya. SISFOJurnal Sistem Informasi. 2337-439X Oktober 2010. Vol. 1 No.4. Saefulloh, D. 2011. Perencanaan Pengembangan Gardu Induk Untuk 10 Tahun Ke Depan. Makalah Seminar Tugas Akhir. Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro. Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta. Soedjianto, F. Tanti, O. dan James, A. A. 2006. Perancangan dan Pembuatan Sistem Perencanaan Produksi (Studi Kasus Pada PT. Vonita Garment). Seminar Nasional Aplikasi Teknologi Informasi 2006 (SNATI 2006) Yogyakarta, 17 Juni 2006. ISSN: 1907-5022.
9
