Perbandingan Peramalan Permintaan Keripik Nanas Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series di UKM “So Kressh” Malang Comparisson Pineaple Chips Demand Forecasting with Artificial Neural Network and Time Series Method in “So Kressh” Malang Shinta Eka Lestari1), Retno Astuti2) ,Sakunda Anggarini2) 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 protected]
Abstrak Tujuan penelitian ini adalah meramalkan permintaan produk keripik nanas UKM “So Kressh” menggunakan metode Jaringan Syaraf Tiruan sehingga dapat memenuhi permintaan konsumen dan membandingkan hasil peramalan permintaan produk keripik nanas menggunakan Jaringan Syaraf Tiruan dengan hasil peramalan permintaan menggunakan metode time series. Analisa data dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 2010 dan metode Time Series menggunakan software SPSS 17.1. Hasil penelitian menunjukkan arsitektur jaringan single hidden layer terbaik yaitu 4-10-1 (4 neuron input, 10 neuron hidden layer dan 1 neuron output). Metode terbaik untuk peramalan dengan metode Time Series adalah metode Winter’s Additive. Nilai hasil mean square error (MSE) pada Jaringan Syaraf Tiruan (JST) sebesar 1262.28 sedangkan nilai MSE pada metode Time Series sebesar 33738.7098. Rata-rata persentase kesalahan hasil peramalan permintaan menggunakan JST pada periode Januari-April 2014 adalah 3.71% sedangkan untuk Time Series adalah 49.58%. Hasil peramalan menggunakan JST menunjukkan service level 4% lebih efektif dibandingkan dengan aktual. Kata kunci : Bauran pemasaran, Volume penjualan, MSE, service level Abstract The purpose of this research is to forecast the amount of So Kressh pineapple chips demand using Artificial Neural Network method, in order to meet consumer demand and to compare the results of product demand forecasting using Artificial Neural Network with the time series one. The data was by Artificial Neural Networks using Matlab 2010 software, however Time Series analysis used SPSS 17.1 software. The results showed that the best architecture of single hidden layer network is 4-10-1 (4 input neurons, 10 hidden layer neurons, and 1 output neuron). The best method for forecasting using time series was Winters' Additive. Mean Square Error (MSE) value of Artificial Neural Network (ANN) methode was 1262.28 while the MSE value of Time Series method was 33738.7098. The average percentage of error results demand forecasting using ANN in the period January-April 2014 was 3.71% for the Time Series was 49.58%. Forecasting result by ANN showed 4% effectivenes of actual service level compare to the time series result. Keywords: Marketing mix, sales volume, MSE, service level
keripik nangka, apel dan salak. UKM ini sudah bisa memproduksi keripik nangka, apel dan salak dengan jumlah yang tepat. Saat ini UKM mengalami permasalahan dalam menentukan jumlah produk keripik nanas yang diproduksi. Seringkali jumlah produksi keripik nanas tidak sesuai dengan permintaan konsumen. Hal ini akan mempengaruhi kinerja UKM dan meyebabkan hilangnya kesempatan untuk memperoleh pendapatan dari penjualan produk keripik nanas serta penumpukan produk keripik nanas. Selama ini metode yang digunakan UKM “So Kressh” hanya berdasar data penjualan di bulan yang sama di tahun sebelumnya. Hal ini belum mampu memperkirakan dengan tepat besarnya
PENDAHULUAN 1. Latar Belakang UKM “So Kressh” merupakan salah satu unit usaha yang memproduksi komoditas hasil pertanian yaitu sayur-sayuran dan buah-buahan. UKM ini merupakan UKM yang cukup dikenal oleh masyarakat kota Malang sebagai salah satu pelopor home industry yang menghasilkan keripik buah seperti nangka, apel, salak kelengkeng, rambutan, jambu merah, pepaya, belimbing, melon, wortel, labu, mangga, semangka, durian dan jamur. Komoditas hasil pertanian ini oleh UKM “So Kressh” diolah menjadi aneka keripik dan manisan. Keripik nanas merupakan salah satu produk unggulan yang diproduksi oleh UKM “So Kressh” setelah 1
permintaan keripik nanas oleh UKM. Data penjualan keripik nanas tahun 2011-2013 menunjukkan adanya perbedaan antara jumlah yang diproduksi dengan jumlah permintaan konsumen. Pada tahun 2011 hingga tahun 2013 UKM mengalami kelebihan ataupun kekurangan jumlah yang diproduksi. Tahun 2011 UKM mengalami kekurangan produk sebesar 107 kg yaitu 0,86% dari jumlah produksi. Tahun 2012 UKM mengalami kelebihan produk sebesar 685 kg yaitu 4,39% dari jumlah produksi. Tahun 2013 terjadi kekurangan produk sebesar 1678 kg yaitu 9,76% dari jumlah produksi. Jika terjadi kekurangan produk mengakibatkan tidak terpenuhinya permintaan konsumen dan menyebabkan kerugian yaitu menurunnya pendapatan dan keuntungan. Kelebihan produk mengakibatkan penumpukan persediaan keripik nanas sehingga terjadi peningkatan biaya penyimpanan dan biaya resiko kerusakan produk. Berdasarkan kondisi diatas dapat diketahui bahwa UKM ”So Kressh” membutuhkan sistem peramalan permintaan yang tepat agar dapat memenuhi permintaan pasar akan keripik nanas dengan biaya minimum. Salah satu metode yang dapat digunakan untuk peramalan produk adalah metode Jaringan Syaraf Tiruan (JST). JST dapat digunakan untuk meramalkan yang akan terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau serta faktor-faktor yang terkait (Siang, 2005). JST memiliki kemampuan untuk belajar dari data, mempunyai sifat non-linier, mampu mengidentifikasi struktur model-model serta efektif menghubungkan input-output simulasi. Metode time series merupakan metode statistik yang menggunakan data permintaan pada suatu periode waktu untuk proses peramalannya. Menurut Halim dan Chandra (2011), metode time series adalah suatu alat yang dapat digunakan untuk mengetahui kecenderungan suatu nilai dari waktu ke waktu. Volume penjualan dapat dipengaruhi oleh beberapa faktor, salah satunya adalah bauran pemasaran. Dalam penelitian ini peramalan dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input) pada metode Jaringan Syaraf Tiruan. Unsur bauran pemasaran yang digunakan adalah harga produk, biaya promosi, biaya distribusi dan jumlah outlet. Metode time series digunakan sebagai pembanding dalam penelitian ini. Input yang digunakan dalam metode ini adalah data penjualan di masa lalu. Hasil peramalan permintaan dengan metode Jaringan
Syaraf Tiruan selanjutnya dibandingkan dengan hasil peramalan permintaan dengan metode time series untuk mengetahui metode mana yang paling akurat untuk produk keripik nanas UKM “So Kressh”. BAHAN DAN METODE Penelitian ini dilaksanakan di UKM “So Kreesh” Kecamatan Blimbing Kota Malang pada bulan Desember 2013 sampai dengan April 2014. Batasan masalah dari penelitian ini adalah: 1. Penelitian dengan metode Jaringan Syaraf Tiruan ini dilakukan untuk meramalkan permintaan produk keripik nanas pada UKM So Kreesh untuk periode Januari 2014Desember 2014. 2. Faktor bauran pemasaran digunakan sebagai input karena merupakan faktor yang berpengaruh terhadap volume penjualan. 3. Data yang digunakan dalam penelitian ini adalah variabel price, place dan promotion pada bulan Januari 2010-Desember 2013. Asumsi yang digunakan pada penelitian ini adalah perbandingan hasil ramalan dengan permintaan aktual pada periode Januari-April 2014 diasumsikan sudah representatif. 1. Peramalan Permintaan menggunakan Metode Jaringan Syaraf Tiruan Arsitektur jaringan yang dipakai adalah jaringan syaraf dengan banyak lapisan (multi layer network). Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Jaringan syaraf dengan banyak lapisan (multi layer network) terdiri dari lapisan input, lapisan tersembunyi dan lapisan output. Jumlah hidden layer ditentukan dalam pelatihan (Kusumadewi, 2006). Algoritma pembelajaran yang digunakan dalam penelitian ini adalah backpropagation. Backpropagation dipilih karena dikenal sangat efektif untuk menyelesaikan masalah-masalah yang membutuhkan pemetaan pola, yaitu jika diberikan suatu pola input maka akan dikeluarkan pola output yang dikehendaki (Kusumadewi, 2004). Diagram alir algoritma Backpropagation disajikan pada Gambar 1.
2
c. Propagasi maju Tiap-tiap unit masukan (xi, i=1,2,3,...,n) menerima sinyal masukan xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). Tiap-tiap unit tersembunyi (zj, j=1,2,3,...,p) menjumlah sinyal-sinyal input terbobot menggunakan fungsi aktivasi untuk menghitung sinyal keluarannya. ∑ (1) Keterangan : xi : unit masukan vjo : bobot dari lapisan masukan ke lapisan tersembunyi Selanjutnya keluaran dari unit tersembunyi dipropagasikan maju lagi ke layar diatasnya menggunakan fungsi aktivasi yang ditentukan. ∑ Y_netk = (2)
Mulai
Data Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Penghitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
( Iterasi (epoch) = Iterasi + 1
Iterasi ≥ Maksimal Iterasi
Tidak
(3)
Keterangan : zj : keluaran dari unit masukan di setiap unit lapisan tersembunyi yk : keluaran jaringan wko : bobot bias di lapisan tersembunyi wkj : bobot dari lapisan tersembunyi d. Propagasi balik Berdasarkan kesalahan dihitung faktor (k=1,2,3,...,m) yang dipakai untuk mendistribusikan keslahan unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. ( ) ( ) ( ) ( ) (4) Keterangan: yk : nilai output pada jaringan tk : target yang harus dipakai juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Nilai perubahan bobot unit keluaran Vkj dengan laju percepatan α adalah: ; k = 1,2,3,...,m ; j=0,1,2,...,p (5)
MSE ≤ Error Tidak Ya
Ya
)
Simpan Bobot
Selesai
Gambar 1. Diagram Alir Algoritma Backpropagation Penjelasan mengenai tahap algoritma backpropagation sebagai berikut: a. Data training Data training merupakan pasangan data masukan 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 harga produk, biaya promosi, biaya distribusi dan jumlah tempat penjualan pada periode Januari 2010April 2013. Data pada periode Mei-Desember 2013 digunakan untuk testing. b. Inisialisasi bobot secara acak Inisialisasi bobot secara acak yaitu pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Pemilihan nilai bobot berpengaruh pada kecepatan suatu jaringan untuk mencapai konvergen (kondisi stabil). Nilai bobot yang terlalu kecil menyebabkan jaringan menjadi sangat lambat untuk belajar. Nilai bobot yang terlalu besar menyebabkan nilai turunan fungsi aktivasinya menjadi sangat kecil.
Keterangan: : nilai perubahan unit bobot keluaran : laju percepatan : faktor kesalahan Dengan cara yang sama dihitung faktor di setiap unit layer tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi dilayer dibawahnya. ∑ (6) Faktor
3
unit tersembunyi: ( )
(
)
(7)
Nilai perubahan bobot unit tersembunyi adalah: j=1,2,3,...,α ; i =1,2,3,...,n (8) Keterangan: : nilai perubahan bobot unit tersembunyi : laju percepatan : faktor kesalahan Ketiga fase diulang hingga kondisi penghentian dipenuhi. Kondisi tercapai jika MSE (Mean Square Error) telah mencapai harga minimum epoch atau epoch sama dengan batas toleransi yang diberikan. Nilai MSE (Mean Square Error) pada satu siklus pelatihan adalah nilai kesalahan rata-rata dari seluruh record yang dipresentasikan ke JST dan dirumuskan: ∑ (9) Keterangan: n : periode waktu e : kesalahan
Yt + (1-α) = Nilai aktual time series bt = trend pada periode ke - t α = parameter pertama perataan antara nol dan 1 γ = parameter kedua, untuk pemulusan trend Ft+m = hasil peramalan ke - m m = jumlah periode ke depan yang akan diramalkan c. Triple Exponential Smoothing Pemulusan trend: Bt =g (St – St-1) + (1 - g ) bt-1 (16) Pemulusan musiman: I=btX t S + (1-b) t -L +m
Ramalan: Ft + m = (St + bt m) It – L + m (19) Keterangan : L = panjang musiman b = komponen trend I = faktor penyesuaian musiman Ft+m = ramalan untuk m periode ke depan Metode dekomposisi adalah metode pemecahan data menjadi sub pola yang menunjukkan tiap-tiap komponen deret berkala secara terpisah: Data= trend + musiman + siklus + error (20) atau Ramalan= trend + musiman + siklus (21)
2. Peramalan Permintaan dengan Metode Time Series 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 permintaan. ∑ (10) ∑
(17) (18)
(11) :
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 Metode Exponential Smoothing (Makridakis, 2005) merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode. a. Single Exponential Smoothing Ft+1 = αXt + (1 – α) Ft (12)
HASIL DAN PEMBAHASAN 1. Profil Unit Usaha “So Kressh” UKM “So Kressh” merupakan sebuah unit usaha yang didirikan pada akhir tahun 2002 dengan ijin P-IRT No. 61435730223. Usaha ini berada di rumah pemilik yang beralamat di Jalan Polowijen II/ 359 Malang. Pemilik dan pengelola UKM ini yaitu Bapak Ir. Kristiawan. Usaha ini pertama kali dimulai dengan menggunakan modal awal yang berasal dari tabungan pribadi. Setelah berkembang kurang lebih 12 tahun dari awal berdirinya, UKM ini sudah memiliki 50 tenaga kerja. Produk yang diproduksi yaitu 15 macam keripik buah dan 4 macam keripik sayur yang diproduksi. Kapasitas produksi keripik UKM “So Kressh” yaitu 2500 kg per bulan dengan 50 tenaga kerja. Proses pembuatan keripik nanas yang pertama adalah pengupasan, proses ini dilakukan untuk menghilangkan kulit buah nanas. Buah nanas dipotong dalam ukuran seragam (0,5 cm). Ketebalan potongan nanas perlu diperhatikan karena berkaitan erat dengan waktu penggorengan. Proses selanjutnya adalah
Keterangan: Ft+1 : peramalan pada waktu t+1 Ft : peramalan untuk periode t Xt+(1- α): nilai aktual time series α : konstanta perataan antara 0 dan 1 b. Double Exponential Smoothing St = α * Yt + (1 – α) * (St - 1 + bt - 1) (13) bt = γ * (St – St - 1) + (1 – γ) * bt – 1 (14) Ft + m = St + bt m (15) Keterangan : St = peramalan untuk periode t 4
perendaman, perendaman buah nanas dilakukan dengan menggunakan larutan garam dan air kapur selama 3 jam. Larutan garam digunakan untuk menambah citarasa dan air kapur digunakan untuk menghilangkan getah pada buah nanas. Proses blanching dilakukan selama 5 menit. Proses selanjutnya adalah penggorengan, dilakukan dengan menggunakan vacuum fryer dengan suhu 80-85oC.
digunakan adalah 80% dan data testing sebesar 20%. Fungsi aktivasi yang digunakan adalah logsig dan purelin. Menurut Ganatr (2010), logsig merupakan fungsi yang memiliki nilai pada range 0 sampai 1. fungsi ini sering digunakan untuk jaringan syaraf yang membutuhkan nilai output yang terletak pada interval 0 sampai 1, namun fungsi ini juga dapat digunakan oleh jaringan syaraf yang nilai outputnya 0 atau 1. Parameter pembelajaran dalam penelitian meliputi max. Epoch 2000, dan learning rate antara 0.1. Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) untuk kriteria pemberhentian training jaringan adalah 0.02, nilai ini dipilih berdasarkan dengan trial and error sampai ditemukan performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai 0.85. Jaringan terbaik dihasilkan oleh pelatihan jaringan 4-10-1 (4 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu 1262.28. Gambar model Jaringan Syaraf Tiruan 4-10-1 dapat dilihat pada Gambar 2.
2. Hasil Peramalan Permintaan Menggunakan Jaringan Syaraf Tiruan Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan keripik nanas UKM “So Kressh” pada periode JanuariDesember 2014. Peramalan permintaan ini dilakukan berdasarkan data-data yang mempengaruhi penjualan produk keripik nanas yaitu harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. Data-data yang digunakan adalah pada periode Januari 2010 sampai Desember 2013. Menurut Kusnawan dan Wijoyo (2008), efektivitas volume penjualan dipengaruhi oleh strategi bauran pemasaran (Marketing Mix) yang terdiri dari produk, harga, promosi, dan saluran distribusi. Model peramalan yang dibuat terdiri dari 4 variabel independen dan 1 variabel dependen. Dalam jaringan syaraf tiruan, model ini terbaca sebagai 4 unit (neuron) input dan 1 unit (neuron) output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 4 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya melalui pelatihan (training). Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunkan Software Matlab 2010. Pengolahan data menggunakan JST dilakukan dengan membedakan data terlebih dahulu yaitu data training dan data testing. Data training digunakan untuk melatih jaringan dan data testing digunakan untuk menguji kerja jaringan serta peramalan. Pada penelitian ini data training yang digunakan adalah 40 pasang data terdiri dari data harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi periode Januari 2010-April 2013. Data testing yang digunakan sebanyak 8 pasang data yang terdiri dari data harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi periode Mei-Desember 2013. Menurut Triwulan dkk (2013), besarnya data training yang biasa
Gambar 2. Model Jaringan Syaraf Tiruan 4-10-1 3. Hasil Peramalan Permintaan Menggunakan Time Series Pendekatan peramalan kuantitatif dengan metode times series akan menentukan nilai data masukan dari sekumpulan data serial atau berkala dari transaksi pada suatu jangka waktu tertentu (Pakaja dkk, 2012). Peramalan permintaan dilakukan berdasarkan data volume penjualan produk keripik nanas periode Januari 2010-Desember 2013 dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk keripik nanas UKM “So Kressh” pada periode Januari-Desember 2014. Metode time series yang digunakan dalam penelitian ini meliputi metode moving averages, exponential smoothing dan dekomposisi. Penyelesaian peramalan permintaan 5
menggunakan time series ini dilakukan dengan menggunakan software SPSS 17.1. Metode yang digunakan adalah expert modeler dengan tipe all models. Metode ini akan menghasilkan metode yang terbaik dari keseluruhan metode time series yang digunakan. Hasil peramalan dapat dilihat pada Gambar 3.
sehingga metode terbaik yang diperoleh adalah metode Winters’ Additive. 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 183.681 sehingga nilai MSE adalah 33738.70. 4. Perbandingan Hasil Peramalan Jaringan Syaraf Tiruan dengan Time Series Peramalan permintaan terhadap suatu produk tentunya dilakukan dengan mengggunakan metode peramalan yang tepat dan sesuai dengan data yang ada. Metode peramalan permintaan yang digunakan pada penelitian ini ada dua yaitu jaringan syaraf tiruan dan time series. Dari dua metode ini dibandingkan mana yang terbaik dengan menggunakan data penjualan keripik nanas aktual. Hasil perbandingan metode jaringan syaraf tiruan, time series dan permintaan aktual disajikan pada Tabel 1.
Gambar 3. Hasil Peramalan Permintaan dengan Menggunakan Metode Winters’ Additive Pola data yang ditunjukkan oleh Gambar 3 merupakan pola data seasonal (musiman),
Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Permintaan Aktual Keripik Nanas Periode Januari-April 2014
Tahun
2014
Periode
Januari Februari Maret April Rata-rata Kesalahan
Simulasi Peramalan JST (kg)
Time Series (kg)
1174 723 1129 999
1779 1366 1736 1614
Dari Tabel 1 terlihat bahwa jaringan syaraf tiruan merupakan metode yang relatif lebih baik dari time series dalam meramalkan permintaan keripik nanas UKM “So Kressh” karena memiliki penyimpangan kesalahan lebih
Persentase Kesalahan Peramalan Terhadap Data Permintaan Aktual (%) Aktual Triple (kg) JST Exponential Smoothing 1240 5.32 43.47 780 7.31 43.04 1135 0.53 52.95 1016 1.67 58.85 3.71 49.58 kecil dibandingkan metode time series. Perbandingan nilai Mean Squared Error (MSE) sebelum dan sesudah peramalan untuk metode Time Series dan Jaringan Syaraf Tiruan dapat dilihat pada Tabel 2.
Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan pada Metode JST dan Time Series Nilai MSE Metode Sebelum Sesudah 1485.73 1262.28 JST 33738.7098 33738.7098 Time Series
6
Pada Tabel 2 dapat dilihat nilai error untuk masing-masing metode sebelum dan sesudah peramalan. Pada metode time series nilai MSE sebelum dan sesudah peramalan tetap yaitu sebesar 33738.7098. Pada metode JST nilai MSE sebelum dan sesudah peramalan mengalami perubahan. Nilai MSE sebelum peramalan yaitu 1485.73 dan sesudah peramalan yaitu 1262.28. Nilai MSE sesudah peramalan lebih kecil daripada sebelum peramalan, hal ini terjadi karena nilai mean data testing lebih kecil daripada mean data training. Peramalan dengan metode JST terbukti mendekati nilai aktual dibandingkan dengan metode lain. Menurut Khazem dan Mazouz (2013), model JST merupakan model terbaik yang dapat digunakan untuk membuat peramalan. Hasil peramalan dengan JST selanjutnya digunakan untuk menghitung nilai tingkat pelayanan (service level). Tingkat pelayanan (service level) merupakan probabilitas bahwa suatu permintaan tidak akan melebihi tingkat persediaan (Rangkuti, 2004). Hasil perhitungan service level aktual UKM adalah 101% dan service level dengan peramalan JST adalah 105%. Nilai service level aktual UKM dan nilai service level dengan peramalan JST melebihi 100% yang berarti UKM kelebihan persediaan produk keripik nanas. Hasil service level dengan peramalan JST lebih kecil daripada aktual. Hal ini menunjukkan bahwa dengan adanya peramalan permintaan dengan metode JST dapat menurunkan nilai service level mendekati nilai sempurna yaitu 100%. Penurunan nilai service level dari 109% menjadi 105% dapat menurunkan biaya penyimpanan dan biaya resiko kerusakan produk.
smoothing) yang digunakan untuk menangani musiman. Nilai MSE pada metode JST yaitu 1262.28 sedangkan nilai MSE pada metode time series yaitu sebesar 33738.7098. Rata-rata kesalahan hasil simulasi peramalan permintaan periode Januari-April 2014 untuk metode JST adalah 3.71% sedangkan untuk metode time series adalah 49.58%. Dapat disimpulkan bahwa metode JST merupakan metode yang relatif baik daripada metode time series dalam meramalkan produk keripik nanas UKM “So Kressh” karena memiliki rata-rata kesalahan yang lebih kecil. Daftar Pustaka
Ganatr, A. (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. Halim, S dan Chandra, A. (2011). Pemodelan Time Series Multivariat secara Automatis. Jurnal Teknik Industri. 13(1):19-26. Kazem, H. dan Mazous, A. (2013). Forecasting The Price Of Crude Oil Using Artificial Neural Networks. International Journal of Business, Marketing and Decision Sciences. 6(1):119-135. Kusnawan, G. dan Wijoyo, P. (2008). Pengaruh Strategi Bauran Pemasaran (Marketing Mix) Terhadap Efektivitas Volume Penjualan Sayuran Hidroponik. Jurnal AGRISE. 8(2):1412-1425. Kusumadewi, S. (2004). Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab dan Excel Link). Graha Ilmu. Yogyakarta.
KESIMPULAN
Kusumadewi, S dan Hartati, S. (2006). Integrasi Sistem Fuzzy dan Jaringan Syaraf. Graha Ilmu.Yogyakarta.
Penerapan metode Jaringan Syaraf Tiruan dengan model Backpropagation untuk meramalkan produk keripik nanas UKM “So Kressh” menghasilkan arsitektur jaringan single hidden layer optimal yaitu 4-10-1 (4 neuron input, 10 neuron hidden layer, 1 neuron output). 4 neuron input yaitu faktor-faktor yang mempengaruhi volume penjualan yang meliputi harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. 1 neuron output yaitu hasil peramalan permintaan. Metode terbaik yang diperoleh untuk peramalan dengan time series adalah metode Winters’ Additive. Metode ini merupakan slah satu model Holt-Winters (triple exponential
Makridakis, S. (2005). Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta. Pakaja, F., Naba, A. dan Purwanto. (2012). Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS. 6(1). Siang, J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Adi Offset. Yogyakarta. 7
Rangkuti, F. (2004). Creating Effective Marketing Plan : Teknik Membuat Marketing Plan Berdasarkan Customer Values & Analisis Kasus. PT Gramedia Pustaka Utama. Jakarta. Triwulan, Y., Hariyanto, N. dan Anwari, S. (2013). Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal Reka Elkomika. 1(4):11-23.
8
