Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
PREDIKSI PENJUALAN AIR MINUM DALAM KEMASAN MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILIENT PROPAGATION 1,2
Deogracias Gama Da Costa Lobo1 dan Stefanus Santosa2 Pascasarjana Teknik Informatika Universitas Dian Nuswantoro
Abstract Water is a natural resource that is most important and is the basic element of all life on earth. Along with the increasing number of people from year to year, of course, the drinking water needs will increase. From there make a big opportunity in the bottled water industry so many new companies that participated in the competition. Prediction is a source of information that can be used by companies to prepare themselves in determining future better strategies. Predicted sales is one way to be able to compete or even increase its profit so the prediction is needed to equalize the difference in time between the present and the future needs. In this study, will be used Resilient Propagation Neural Network method to predict the sales of bottled water. Resilient Back- Propagation algorithm ( RPROP ) algorithm is the best in terms of convergence speed, accuracy and robustness of the training parameters. Resilient Back- Propagation algorithm ( RPROP ) has shown promising results in the prediction of time-series data as compared to the traditional approach. Keywords : Sales Prediction, Resilient Propagation (RPROP); Neural Network (NN). 1.
PENDAHULUAN
1.1. Identifikasi Masalah Air merupakan salah satu sumber daya alam yang paling penting dan merupakan unsur dasar bagi semua kehidupan di bumi. Tanpa air berbagai proses kehidupan tidak dapat berlangsung. Ketergantungan manusia terhadap air semakin besar sejalan dengan pertumbuhan penduduk. Menurut ahli gizi dan makanan dari Institut Pertanian Bogor (IPB), Nuri Andarwulan komposisi tubuh manusia sebagian besar adalah air yaitu sekitar 60 hingga 70 persen [1]. Menurut Maslow dalam “Maslow model of Human Needs” air merupakan kebutuhan dasar yang harus dipenuhi oleh manusia terlebih dahulu (seperti juga makanan, udara dan tidur) sebelum kebutuhan lainnya terpenuhi. Seiring dengan semakin meningkatnya jumlah penduduk dari tahun ke tahun tentunya kebutuhan AMDK akan semakin meningkat. Dari situ menjadikan suatu peluang yang besar dalam industri air minum kemasan sehingga banyak perusahaan baru yang ikut dalam persaingan [1]. Pertambahan jumlah penduduk tidak disertai dengan supply air minum sehingga bisa terjadi kelangkaan. Dan dalam hal ini tentunya akan mendorong perusahaan-perusahaan untuk meningkatkan volume produksinya, guna memenuhi permintaan konsumen yang semakin hari semakin besar kebutuhan komsumsi yang dibutuhkan. Namun persaingan antar perusahaan pun tentunya semakin meningkat, sehingga mendorong industri untuk melakukan strategi untuk dapat bersaing dengan perusahaan lain [2]. Prediksi merupakan sumber informasi yang dapat digunakan oleh perusahaan untuk mempersiapkan diri dalam menentukan strategi ke depan yang lebih baik. Prediksi penjualan adalah salah satu cara untuk dapat bersaing atau bahkan dapat meningkatkan laba perusahaan sehingga prediksi diperlukan untuk menyetarakan antara perbedaan waktu yang sekarang dan yang akan datang terhadap kebutuhan [3] [4] [6]. Pada Penelitian ini, akan digunakan metode neural network Resilient Propagation untuk memprediksi penjualan air minum dalam kemasan. Algoritma Resilient Back-Propagation (RPROP) merupakan algoritma terbaik dalam hal kecepatan konvergensi, akurasi serta ketahanan terhadap parameter pelatihan. 186
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Algoritma Resilient Back-Propagation (RPROP) telah menunjukkan hasil yang menjanjikan dalam prediksi untuk data time-series dibandingkan dengan pendekatan tradisional [9]. Research gap teridentifikasi melalui beberapa penelitian berikut ini. Ada berbagai metode prediksi yang dilakukan oleh peneliti sebelumnya dengan menggunakan pendekatan komputasi cerdas antara lain : Pei-Chann Chang, melakukan penelitian prediksi data time series menggunakan metode fuzzy delphi and back-propagation namun parameter input menyebabkan perubahan besar, yang membuat proses pembelajaran jaringan tidak efektif; Truly Tri Wardhani, melakukan penelitian dengan menerapkan fuzzy logic untuk prediksi penjualan, nilai MAPE generate dan test pada fuzzy logic masih relatif tinggi, sehingga diperlukan metode yang lebih akurat lagi. Kanti Pirasti Utami, melakukan penelitian penggunaan air untuk memperhitungkan keuntungan perusahaan dengan menggunakan metode double moving average namun masih memerlukan data masa lalu dalam jumlah besar untuk ketepatan prediksi, semakin observasi baru lebih dekat dengan nilai masa depan maka keperluan pembobotanya akan meningkat pula. Ishmael S. Msiza hanya membandingkan efisiensi Teknik Kecerdasan Komputasional hasil akhir menunjukkan
ANN lebih unggul dari SVM diukur dari kemampuan generalisasi dari dua teknik dalam permintaan air ramalan. [3] [4] [5] [6] [7] [11]. 1.2. Analisis Masalah 1.2.1 Pendekatan yang Mungkin a. Support Vector Regression Prosedur regresi tradisional / statistik sering dinyatakan sebagai proses yang berasal fungsi f (x) yang memiliki deviasi sedikit antara respon yang diprediksi dan eksperimental yang diamati untuk semua contoh data pelatihan. Salah satu karakteristik utama dari Regresi Support Vector (SVR) adalah bahwa meminimalkan kesalahan pada data pelatihan, SVR mencoba untuk meminimalkan kesalahan umum yang terikat sehingga mencapai kinerja yang sesuai. Kesalahan adalah kombinasi dari kesalahan pelatihan dan regularization term yang mengontrol kompleksitas ruang hipotesis. Generalisasi dari prediksi SVR dan non-linear lebih baik dari pada regresi linier yang terjadi overfitting. b. Algoritma C45 Algoritma C45 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Gambar 1. Penggunaan Metode Decision Tree untuk Menentukan Jenis Buah http://research.pps.dinus.ac.id
,
187
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Walaupun banyak variasi model decision tree dengan tingkat kemampuan dan syarat yang berbeda, namun pada umumnya beberapa ciri kasus cocok untuk diterapkan decision tree contoh nya dalam hal prediksi. c. RBF-Neural Network RBF-NN (RBF-NN) adalah a feed forward three-layered network. Sangat cocok untuk digunakan dalam peramalan time series nonlinier karena memiliki topologi sederhana yang struktur dan kemampuan untuk mengungkapkan bagaimana hasil pembelajaran secara eksplisit. Secara sederhana alur dari algoritma yang berfungsi untuk memprediksi sebagai berikut.
Gambar 2. Proses Algoritma Prediksi
Dengan menggunakan parameter yang diperoleh, RBF-NN seharusnya mampu menghasilkan output yang hampir mirip dengan vektor sasaran matriks bila disertakan sebagai masukan vektor matriks. 1.2.2 Pendekatan yang Dipilih Dengan berkembangnya teknologi, nilai error yang tinggi berdampak pada nilai akurasi. Hasil yang kurang akurat menjadikan permasalahan bagi para pengusaha sehingga mendorong peneliti untuk melakukan penelitian dalam hal penjualan. Penelitian yang dilakukan menggunakan berbagai macam metode untuk menghasilkan nilai akurasi mendekati akurat. Diharapkan penelitian ini dapat membantu para pengusaha untuk memprediksi penjualan dengan menggunakan metode Resilient Propagation Neural Network (RPROP). Dari data yang telah dikumpulkan beberapa tahun sebelumnya akan menjadi sebuah dataset yang nantinya akan ditraining untuk mendapatkan hasil prediksi yang lebih baik. Pemilihan tersebut didasarkan pada teknik peramalan dengan neural network yang menawarkan berbagai kelebihan khususnya dalam hal komputasi. Neural network memang dikembangkan sebagai teknik kalkulasi matrik dan vektor yang terdistribusi secara paralel. Kelebihan ini membuat bagian kalkulasinya dapat dikerjakan dengan komputer dengan cara yang sangat efisien. Metode neural network dapat digunakan sebagai metode untuk melakukan prediksi dalam penelitian ini. Hal ini dikarenakan 188
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 neural network merupakan suatu metode yang ampuh dalam prediksi untuk data time-series bila dibandingkan dengan pendekatan tradisional. 1.3. Rumusan Masalah a. Munculnya banyak persaingan menyebabkan kesulitan pengambilan keputusan oleh pengusaha dalam memprediksi dan menentukan strategi penjualan. b. Penelitian tentang prediksi penjualan minuman saat ini masih memiliki kelemahan yakni nilai MAPE generate dan test pada fuzzy logic rata-rata mencapai 3,225% (prediksi penjualan minuman Pada PT. Sinar Sosro). Error sebesar itu sangat berpengaruh dalam menentukan ketepatan strategi yang dihasilkan dalam keputusan penjualan air minum dalam kemasan. 1.4. Tujuan Penelitian a. Tujuan dari penelitian ini adalah untuk membantu pengusaha yang ingin mengembangkan usahanya untuk dapat memprediksi hasil penjualan dan menentukan strategi penjualan yang lebih tepat b. Diperolehnya model prediksi penjualan air minum dalam kemasan dengan menerapkan algoritma resilient propagation neural network dengan nilai error yang lebih kecil dari model sebelumnya. 1.5.
Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut : a. Manfaat penelitian bagi perusahaan terutama distributor air minum diharapkan dapat menjadi masukan dalam memprediksi penjualan secara akurat untuk menentukan strategi penjualan ke depan sehingga mampu bersaing dengan perusahaan lain. Di samping mampu bersaing terhadap perusahan lain diharapkan mampu meningkatkan keuntungan secara finansial bagi perusahaan. b. Manfaat bagi Iptek dari hasil penelitian ini diharapkan dapat memberikan model dan pemahaman penerapan neural network untuk memprediksi penjualan air minum dalam kemasan dengan akurasi yang lebih baik. 2.
TINJAUAN PUSTAKA
2.1. Konstalasi Penelitian Penelitian yang terkait dengan prediksi penjualan antara lain penelitian yang dilakukan oleh Fabio Augusto pada tahun 2010 [3], penelitian ini membahas model jaringan saraf untuk meramalkan waktu produksi pada industri di Brazil. Menggunakan time delay neural network (TDNN) dengan multi-layer perceptron merupakan arsitektur terbaik untuk memperkirakan time series produksi. Model jaringan
syaraf kemudian diterapkan mengingat dua perbedaan strategi bervariasi sesuai dengan jumlah input dan lapisan tersembunyi. Penelitian yang dilakukan oleh Pei-Chann Chang pada tahun 2006 [4], penelitian ini menggabungkan fuzzy theory dan back-propagation ke system hybrid yang mana akan diterapkan pada industri PCB. Hasil experimen menunjukkan efektifitas FBPN lebih unggul daripada pendekatan tradisional, hasil yang diperoleh cukup signifikan yaitu error dengan menggunakan input fuzzy delphi adalah 12,88% dengan tingkat akurasi mencapai 88,02% hal ini tentu jelas melihat hasil dengan menggunakan FDM cukup efektif. Penelitian yang dilakukan oleh Truly Tri Wardhani pada tahun 2008 [5], penelitian ini melakukan pelatihan generate test fuzzy logic, test fuzzy logic, dan grafik prediksi penjualan. Implementasi pembentukan rule base dengan generate dan test dalam menentukan rule base dengan cepat dan tepat karena aturan-aturan atau rule base ini dapat ter-generate secara otomatis. Berdasrakan hasil output didapatkan nilai MAPE generate dan test pada fuzzy logic untuk 2 produk yang diujicobakan dengan 40 http://research.pps.dinus.ac.id
,
189
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 pelatihan pola data dengan hasil rata-rata 3,225% hal ini menunjukkan bahwa generate dan test pada fuzzy logic memiliki ketepatan pola-pola data yang akurat. Penelitian yang dilakukan oleh Andre Lemos pada tahun 2012 [6], Pada penelitian ini evolving fuzzy linear regression trees memiliki peran prediktor dapat menentukan waktu dan ruang hubungan antara volume penjualan minyak bumi dan sejumlah variabel independen mengenai harga jual, harga pesaing dan harga jual sebelumnya. Sebuah metode regresi kuadrat sudut telah dianggap untuk memilih variabel input yang paling penting untuk tugas dari pendekatan EFT telah diverifikasi menggunakan 25 dataset sebagai patokan. Penelitian yang dilakukan oleh Ishmael S. Msiza pada tahun 2008 [7], Pada penelitian ini melakukan uji coba terhadap dua teknik mesin pembelajaran yaitu jaringan saraf tiruan dan support vector machine. Pendekatan yang diadopsi adalah melakukan percobaan paralel satu untuk ANN satu untuk SVM percoba dilakukan dengan dua arsitektur, multi layer perceptron (MLP) dan radial basis function (RBF) kedua arsitektur digabungkan menjadi Artificial Neural Genius (ANG). Pada SVM percobaan terdiri pada banyak model dengan fungsi kernel yang berbeda kemudian model dibandingkan terhadap satu dengan lainnya untuk menentukan Support Vector Genius (SVG). Kedua Genius kemudian dibandingkan untuk menentukan Overall Genius (OG). Parameter kinerja yang digunakan untuk menentukan OG adalah kemampuan generalisasi dari setiap Genius kemudian didapatkan hasil ANG mengungguli SVG. Penelitian yang dilakukan oleh Kanti Pirasti Utami pada tahun 2009 [8], Pada penelitian ini Double Moving Average digunakan untuk meramalkan data yang mempunyai pola data trend linier. Dimana metode ini dilakukan dengan menghitung nilai rata-rata bergerak pada serangkaian data dasar.model Double Moving Average digunakan untuk peramalan penggunaan air pada masa yang akan datang dengan mengolah datajumlah meter kubik berdasarkan air oleh konsumen yang sudah ada di periode sebelumnya. Berdasarkan berbagai peneltian yang sudah ada sebelumnya ada peneliti yang sudah menggunakan metode neural network. Sedangkan penelitian yang dilakukan oleh Truly Tri Wardhani dengan menggunakan fuzzy logic berdasarkan rule base dengan generate test menghasilkan nilai output didapatkan nilai MAPE generate dan test pada fuzzy logic dengan hasil rata-rata 3,225%. Dalam penelitian ini akan menggunakan algoritma Resilient Propagation Neural Network untuk menentukan fitur terbaik pada bobot atribut yang sesuai dan optimal sehingga hasil prediksi lebih akurat. Untuk lebih jelasnya bisa dilihat pada tabel konstalasi penelitian berikut ini. Tabel 1. Konstalasi Penelitian
190
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
2.2. Landasan Teori Untuk melakukan pembuatan aplikasi prediksi penjualan diperlukan pemahaman terhadap teori dan konsep yang mendasarinya, antara lain teknik peramalan, generate dan test, khususnya dalam pembahasan neural network dalam memprediksi penjualan yang akan datang. 2.2.1 Teknik Peramalan Teknik Peramalan dapat diaplikasikan pada dunia bisnis yang berorientasu pada waktu yang akan datang, baik pada bidang keuangan, sumber daya manusia, produksi dan pemasaran. Situasi dan kondisi pada waktu yang akan datang tidaklah dapat diperkirakan secara pasti, sehingga kita perlu adanya usaha untuk meminimalkan ketidakpastian itu dengan cara menggunakan metode atau teknik peramalan tertentu. Data merupakan salah satu unsur utama yang tidak dapat dipisahkan dari kegiatan peramalan. Tipe pola suatu data dapat mempengaruhi hasil peramalan. Berdasarkan dimensi waktunya, data dibedakan menjadi data time series (runtut waktu) dan data cross sectional. Data time series (runtut waktu) merupakan data yang diperoleh dari waktu ke waktu berikutnya selama kurun waktu tertentu. Berdasakan metode yang diterapkan, permalan dapat dibagi menjadi dua kategori utama, yaitu : a. Metode kuantitatif Metode kualitatif merupakan metode yang lebihdidasarkan pada intuisi dan penilaian orang yang melakukan peramalan daripada pengolahan dan analisa data historis yang telah tersedia. b. Metode kuantitatif Metode kuantitatif didasarkan pada manipulasi atas data yang tersedia secara memadai tanpa adanya penilaian subyektif dari orang yang melakukan peramalan. Pola data dapat dibedakan menjadi empat jenis siklus dan trend yaitu : a. Pola Data Horizontal Pola data horizontal terjadi saat data observasi berfluktuasi di sekitaran suatu nilai konstan atau meanyang membentuk garis horizontal. Data ini disebut juga dengan data stasioner. Contoh plot data horizontal
http://research.pps.dinus.ac.id
,
191
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 adalah pada gambar 3 yaitu berupa plot data penjualan. Jumlah penjualan selalu meningkat atau menurun pada suatu nilai konstan secara konsisten dari waktu ke waktu.
Gambar 3. Contoh Pola Data Horizontal
b. Pola Data Trend Pola data trend terjadi bilamana data pengamatan mengalami kenaikan atau penurunan selama periode jangka panjang. Suatu data pengamatan yang mempunyai trend disebut data nonstasioner. Plot data trend dicontohkan pada gambar 4 yaitu berupa data harga suatu produk yang meningkat dari tahun ke tahun.
Gambar 4. Contoh Pola Data Trend Naik c. Pola Data Musiman Pola data musiman terjadi bilamana suatu deret dipengaruhi oleh faktor musiman. Pola data musiman dapat mempunyai pola musim yang berulang dari periode ke periode berikutnya. Misalnya pola yang berulang setiap bulantertentu, tahun tertentu atau pada minggu tertentu. Contoh dari data musiman ada 192
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 pada gambar yaitu plot suplai bahan makanan tiap bulan. Dari plot tersebut terlihat bahwa terjadi pola yang berulang setiap periode dua belas bulan, sehingga bisa disimpulkan bahwa data tersebut merupakan pola data musiman.
Gambar 5. Contoh Pola Data Musiman d. Pola Data Siklis Pola data siklis terjadi bilamana deret data dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Di bawah ini adalah contoh plot pola data siklis.
Gambar 6. Contoh Pola Data Siklis
2.2.2 Data Mining (Peramalan) Neural Network telah digunakan secara luas dalam data mining untuk berbagai macam masalah dalam bisnis, teknik, industri, kedokteran, dan ilmu pengetahuan. Secara umum, neural network yang baik
http://research.pps.dinus.ac.id
,
193
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 digunakan untuk memecahkan masalah data mining umum seperti klasifikasi, prediksi, asosiasi, dan clustering. Bagian ini memberikan gambaran singkat pada area aplikasi. Peramalan merupakan pusat perencanaan yang efektif pada operasi di semua bisnis organisasi serta instansi pemerintah. Kemampuan untuk secara akurat memprediksi masa depan merupakan dasar untuk banyak kegiatan pengambilan keputusan di bidang keuangan, pemasaran, produksi, personal, dan banyak bidang bisnis lainnya yang fungsional. Akurasi meningkatkan nilai peramalan bisa memfasilitasi penghematan jutaan dolar untuk sebuah perusahaan. Prediksi dapat dilakukan dengan dua pendekatan: analisis deret kausal dan waktu, yang keduanya cocok untuk propagasi maju. Akhirnya, neural netwok mampu memecahkan masalah yang memiliki pola yang tidak tepat atau data yang mengandung informasi yang tidak lengkap dan memiliki banyak noise dengan sejumlah besar variabel. Fitur toleransi kesalahan digunakan untuk masalah data mining karena dalam data biasanya tidak teratur dan tidak mengikuti struktur probabilitas yang dibutuhkan oleh model statistic [13].
2.2.3 Time Series Time series adalah himpunan nilai-nilai hasil pengamatan berdasarkan periode waktu dan disusun untuk melihat pengaruh perubahan dalam rentang waktu tertentu. Sedangkan data time series merupakan data yagn dikumpulkan, dicatat atau diobservasi secara berurutan. Periode observasi dapat berupa tahun, bulan, minggu dan untuk beberapa kasus ada pula periode dalam hari ataupun jam(Box & Jenkins, 1976). Prediksi data time series adalah pendugaan data yang akan datang yang dilakukan berdasarkan nilai data masa lalu dari suatu variabel. Tujuannya adalah menemukan pola dalam deret data historis dan menggunakan pola tersebut untuk prediksi data yang akan datang. Prediksi data dapat diterapkan bila terdapat tiga kondisi berikut: a. Tersedia informasi tentang masa lalu b. Informasi dapat dikuantitatifkan dalam bentuk data numerik c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa datang. 2.2.4 Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan sebuah arsitektur paralel terdistribusi dengan banyak node dan connection. Tiap connection (hubungan) menghubungkan sebuah node ke node lainnya, dan tiap connection mempunyai nilai bobot [8]. Jaringan Syaraf Tiruan telah digeneralisasi sebagai model matematik dari kondisi manusia, dengan didasarkan pada asumsi-asumsi sebagai berikut. a. Pemrosesan informasi terjadi pada banyak elemen-elemen sederhana yang disebut dengan neurons. b. Sinyal-sinyal dikirim antar neuron melalui connection-links c. Setiap connection-links mempunyai bobot yang sesuai, tergantung tipe jaringan neural. d. Setiap neuron memiliki activation function (biasanya non linier) yang merupakan jumlahan dari sinyal-sinyal input untuk menentukan sinyal output. Jaringan syaraf tiruan dibedakan oleh: a. Pola koneksi antar neuron (disebut dengan arsitektur) b. Metode penentuan bobot pada koneksi-koneksi (disebut dengan training, learning atau c. Fungsi aktivasi
194
algoritma)
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
Gambar 7. Model Neuron Y Pada gambar diatas menunjukkan Y menerima input dari neuron x1, x2, dan x3 dengan bobot hubungan masing-masing adalah w1, w2 dan w3. Ketiga impuls neuron yang ada dijumlahkan. Net = x1w1 = x2w2 = x3w3 Besarnya impuls yang diterima oleh Y mengikuti fungsi aktivasi y = f(net). Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. 2.2.5 Backpropagation Backpropagation merupakan sebuah metode sistematik untuk pelatihan multilayer jaringan syaraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif, selain itu algoritma ini memiliki bentuk persamaan dan nilai koefisien dengan cara meminimalisasi jumlah kuadrat galat error melalui training set [8]. a. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar b. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses d. Propagasi balik kesalaahn-kesalaahn ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi proses ini sampai masukan tercapai. e. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan elemen pemroses yang terhubung. Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi.
Gambar 8. Arsitektur Backpropagation
http://research.pps.dinus.ac.id
,
195
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Keterangan:
X = Masukan (Input) J = 1 s.d n (n=10) V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran n = Jumlah unit pengolah pada lapisan tersembunyi b = Bias pada lapisan tersembunyi dan lapisan keluaran k = Jumlah unit pengolah pada lapisan keluaran
Y = Keluaran hasil a. Back Propagation untuk Peramalan
Gambar 9. Konsep Back Propagation
Jaringan BP dengan satu layer tersembunyi (unit Z (Z1 …Zp)) tampak pada gambar di atas. Unit keluaran (unit Y (Y1 .....Ym)) dan unit tersembunyi memiliki bias. Bobot bias pada unit keluaran Yk dinyatakan dengan w0k, Bobot bias pada unit tersembunyi Zj dinyatakan dengan voj. vij merupakan bobot garis dari unit Xi ke unit layer tersembunyi Zj. wjk merupakan bobot garis dari Zj ke unit keluaran Yk. b. Fungsi Aktivasi Dalam BP, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, dapat didiferensiasi, dan secara monoton tidak menurun. Salah satu fungsi yang sesuai adalah fungsi Sigmoid biner dengan range (0,1). f(x) = 1/(1+ e-x) dengan turunannya f’(x) = f(x) (1 – f(x)).
Gambar 10. Fungsi Sigmoid Biner dengan Range (0,1)
196
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Fungsi lainnya adalah fungsi Sigmoid bipolar dengan range (-1,1).
Gambar 11. Fungsi Sigmoid Bipolar dengan Range (-1,1) f(x) = (2/(1+ e-x)) -1 dengan turunannya f’(x) = ½ (1+f(x))(1- f(x)). Fungsi Sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang memiliki target > 1, pola masukan dan keluaran harus ditransformasi terlebih dahulu sehingga semua polanya memiliki range yang sama seperti fungsi Sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi Sigmoid hanya pada layer yang bukan keluaran. Pada layer keluaran menggunakan fungsi identitas f(x)=x. c. Algoritma Pelatihan Algoritma pelatihan backpropagation atau ada yang menterjemahkan menjadi propagasi balik pertama kali dirumuskan oleh Paul Werbos pada tahun 1974 dan dipopulerkan oleh Rumelhart bersama McClelland untuk dipakai pada neural network. Meode backpropagation pada awalnya dirancang untuk neural network feedforward, tetapi pada perkembangannya, metode ini diadaptasi untuk pembelajaran pada model neural network lainnya. Salah satu metode pelatihan terawasi pada neural network adalah metode backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan oleh jaringan. Algoritma pelatihan bakpropagation terdiri dari dua tahapan yaitu feedforward dan bakpropagation dari galatnya. Langkah pembelajaran dalam algoritma bakpropagation adalah sebagai berikut. a. Langkah 1 : inisialisasi bobot jaringan secara acak (sebaiknya diatur pada nilai acak yang kecil) b. Langkah 2 : jika kondisi tercapai, lakukan langkah 3-10 c. Langkah 3 : untuk setiap pasangan pelatihan, lakukan langkah 4-9 Fase I, Perambatan Maju d. Langkah 4 : Tiap unit masukan (xi, i = 1,…, n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi). e. Langkah 5 : Setiap unit tersembunyi (xi, i = 1,..., p) jumlahkan bobot sinyal masukannya,
f.
voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f(z_inj), dan kirimkan sinyal ini ke seluruh unit pada lapisan di atasnya (unit keluaran). Langkah 6 : Tiap unit keluaran (yk, k = 1,..., m) jumlahkan bobot sinyal masukannya.
wok= bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya,
yk = f(y_ink) http://research.pps.dinus.ac.id
,
197
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Fase II, Perambatan Mundur g. Langkah 7 : Tiap unit keluaran (yk, k = 1, ..., m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
Hitung koreksi bobotnya (digunakan untuk memperbaharui wjk), Hitung koreksi biasnya (digunakan untuk memperbaharui wok) dan dikirimkan ke unit-unit lapisan bawahnya. h. Langkah 8 : setiap unit lapisan tersembunyi (zj, j = 1,..., p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan di atasnya). Kalikan dengan turunan fungsi aktivasinya untuk menghitung kesalahannya (error)
Hitung koreksi bobotnya. i.
Langkah 9 : Tiap unit keluaran (yk, k = 1,..., m) update bias dan bobotnya (j=0,..., p)
j.
Langkah 10
: Test kondisi berhenti.
Gambar 12. Proses dari Back Propagation Secara ringkas penyelesaian kasus dengan Jaringan Syaraf Tiruan Backpropagation, memiliki langkahlangkah sebagai berikut. a. Forward Propagation Menyalurkan input ke dalam jaringan dan tiap layer akan mengeluarkan output. Output dari satu layer akan menjadi input untuk layer berikutnya.
198
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 b. Backward Propagation Menghitung nilai sensitivitas untuk tiap layer. Dimana, sensitivitas untuk layer m dihitung dari sensitivitas pada layer m+1 sehingga perhitungan sensitivitas ini berjalan mundur. c. Weight Update Menyesuaikan nilai parameter bobot (W) dan bias (b) dengan menggunakan pendekatan stepest descent. Pada langkah ini digunakan variasi backpropagation, untuk menghilangkan bahaya osilasi yang dapat mengakibatkan nilai minimum global tidak tercapai. Variasi yang dimaksud, adalah: 1) Momentum Metode ini berguna untuk menghaluskan osilasi yang terjadi. Filter momentum ini akan ditambahkan pada persamaan weight matrix dan bias. 2) Variable Learning Rate Metode ini digunakan untuk menaikkan learning rate bila menjumpai permukaan yang datar dan kemudian menurunkan learning rate bila terjadi peningkatan slope. 2.2.6 Resilient Propagation RPROP adalah algoritma pembelajaran lokal adaptif, bila dibandingkan dengan algoritma back propagasi Rprop konvergensi nya lebih cepat dan kebutuhan akan pelatihan cenderung lebih sedikit. Dibandingkan dengan algoritma BPNN tradisional, algoritma Rprop dapat memberikan pelatihan lebih cepat dan tingkat konvergensi, dan memiliki kemampuan untuk melarikan diri dari lokal minima. Rprop ini dikenal sangat kuat sehubungan dengan parameter internal mereka dan karena itu dianggap sebagai salah satu yang metode pembelajaran terbaik diurutan pertama diantara algoritma JST [9]. Dibandingkan dengan back-propagasi, salah satu keuntungan dari algoritma Rprop adalah bahwa besarnya turunan parsial tidak mempengaruhi pembaruan bobot dan itu tergantung hanya pada tanda-tanda dari turunan parsial. Oleh karena itu sangat memungkinkan untuk konvergensi lebih cepat daripada back-propagasi dapat dilakukan. Rprop melakukan adaptasi langsung dari langkah pembobotan berdasarkan informasi gradien lokal. Sebuah perbedaan penting dengan teknik adaptasi sebelumnya dikembangkan adalah bahwa upaya adaptasi tidak akan kabur oleh perilaku gradien [9]. Adaptasi perubahan nilai berevolusi selama proses pembelajaran berbasis pada fungsi kesalahan, sesuai dengan aturan pembelajaran sebagai berikut.
Kita hanya bisa menggambarkan aturan adaptasi sebagai berikut: Setiap kali turunan parsial dari fungsi kesalahan ψ sehubungan dengan bobot yang sesuai wij mengubah tandanya, hal ini menunjukkan bahwa nilai update terakhir itu terlalu besar dan algoritma telah melompati minimum lokal. Setelah-nilai pembaruan untuk setiap bobot disesuaikan, bobot-update dirinya mengikuti aturan yang sangat sederhana: jika derivatif adalah positif (error meningkat), pembobotan menurun oleh nilai-updatenya, jika derivatif adalah negatif, update -nilai ditambahkan ke berat. http://research.pps.dinus.ac.id
,
199
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
Ada satu pengecualian untuk aturan di atas. Jika parsial derivatif perubahan tanda, yaitu, langkah sebelumnya terlalu besar dan minimum itu meleset, sebelumnya bobot-update dikembalikan.
Karena itu “Backtracking” langkah pembobotan, derivatif yang seharusnya untuk mengubah tanda pada langkah berikut. Untuk menghindari hukuman ganda dari nilai pembaruan, seharusnya tidak ada adaptasi dari nilai pembaruan pada langkah berikutnya. Dalam prakteknya ini dapat dilakukan dengan = 0 pada Δij update-aturan di atas. menetapkan 2.3.
Prediksi Data Time-Series Penjualan Air Minum dalam Kemasan Menggunakan Jaringan Syaraf Tiruan Resilient Propagation Penelitian ini dilakukan pada dasarnya guna membantu para pengusaha untuk dapat menentukan strategi kedepan bisa lebih baik. Terutama perusahaan air minum dalam kemasan khususnya, mengingat munculnya banyak persaingan sehingga perusahaan maupun industri menengah kebawah mengalami kesulitan untuk bisa bersaing dengan perusahaan-perusahaan besar. Sehingga banyak pula perusahaan mengalami kebangkrutan, dikarenakan berbagai faktor salah satunya proses produksi tidak sesuai dengan permintaan konsumen. Pada penelitian sebelumnya yang pernah dilakukan oleh Truly Tri Wardhani dengan menerapkan metode Fuzzy untuk memprediksi penjualan teh botol, namun error yang dihasilkan masih cukup tinggi yaitu 3,225%. Salah satu teknik soft computing yang dapat digunakan adalah metode Jaringan Saraf Tiruan Resilient Propagation. Data yang diperoleh merupakan data penjualan air minum dalam kemasan yang mana data tersebut kemudian akan diolah untuk kemudian dijadikan dataset. Secara ringkas, kerangka pikir ini dijabarkan pada skema berikut ini.
200
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
Masalah: nilai MAPE generate dan test pada fuzzy logic rata-rata = 3,225%
Hidden Layer Prediction Algorithm : Jaringan Saraf Tiruan Resilient Propagation
Neuron Size Activation Function
Data Time Series : Penjualan air minum dalam kemasan tahun 2011-2012
Model Akurasi
Model Akurasi
Mean Absolute Percentage (MAPE)
Time (second)
Tujuan
Menurunkan nilai error yang dihasilkan pada penelitian terkait sebelumnya sehingga hasil yang diperoleh bisa kurang dari 3,225% Gambar 13. Kerangka Pemikiran http://research.pps.dinus.ac.id
,
201
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 3.
METODE PENELITIAN
3.1. Pengumpulan Data Dalam pengumpulan data pada penelitian ini menggunakan metode observasi dan interview, dengan menggunakan data-data yang berhubungan dengan penjualan ditahun 2011 hingga 2012 dan bertanya secara langsung kepada pihak yang terlibat yaitu distributor secara langsung. Sedangkan dalam pengumpulan data sekunder menggunakan buku, jurnal, publikasi dan lain-lain. Data yang didapat dari distributor merupakan data penjualan air minum dalam kemasan dari tahun 2011 hingga 2012 dengan jumlah data sebanyak 48307 record, terdiri dari 11 variabel atau atribut. Data yang diperoleh merupakan data transaksi harian yaitu 700 hari. Dataset meliputi produksi dalam kemasan berupa Botol Gallon 19 L, Botol 600 ml, dan Gelas 240 ml. Berikut ini merupakan contoh data 1 hari : Tabel 2. Contoh Data Penjualan Harian JML
TotalJual KodeKota
Namakota
2,00
17.000,00
SM
SEMARANG
9.500,00 20,00
190.000,00
SM
SEMARANG
5,00
105.000,00
SM
SEMARANG
6,00
252.000,00
SM
SEMARANG
40.000,00
5,00
200.000,00
SM
SEMARANG
SL014 MS-02
42.000,00
1,00
42.000,00
SM
SEMARANG
K
SL014 MR-01
8.500,00
2,00
17.000,00
SM
SEMARANG
00004
K
-
MR-01
7.000,00
1,00
7.000,00
SM
SEMARANG
03/01/2011
00000303 01034
T
SL012 MS-01
10.600,00
6,00
63.600,00
SM
SEMARANG
03/01/2011
0404490
01221
T
SL006 MS-01
12.000,00
1,00
12.000,00
SM
SEMARANG
03/01/2011
0404866
00095
T
-
MS-01
10.600,00
6,00
63.600,00
SM
SEMARANG
03/01/2011
0404727
00536
T
SL007 MS-01
12.000,00
2,00
24.000,00
SM
SEMARANG
03/01/2011
0400356
00025
K
-
MS-01
9.500,00 199,00 1.890.500,00
KD
KUDUS
03/01/2011
0400357
00025
K
-
MR-01
7.000,00 20,00
140.000,00
KD
KUDUS
03/01/2011
0400358
00025
K
-
MS-03
20.000,00 20,00
400.000,00
KD
KUDUS
03/01/2011
0400359
00025
K
-
MS-02
38.000,00 10,00
380.000,00
KD
KUDUS
03/01/2011
0400360
00285
K
-
MS-01
10.600,00 23,00
243.800,00
BT
BATANG
03/01/2011
0400361
00691
K
-
MS-01
10.600,00 24,00
254.400,00
BT
BATANG
03/01/2011
0403468
00371
T
-
MR-01
8.500,00
3,00
25.500,00
YK
03/01/2011
0403469
00796
T
-
MR-01
8.500,00
2,00
17.000,00
YK
YOGYA YOGYA
03/01/2011
0403470
00347
T
-
MR-01
8.500,00
6,00
51.000,00
YK
YOGYA
03/01/2011
0403471
00355
T
-
MR-01
8.500,00
3,00
25.500,00
YK
YOGYA
03/01/2011
0403472
00356
T
-
MR-01
8.500,00
2,00
17.000,00
YK
YOGYA
03/01/2011
0403473
00364
T
-
MS-01
12.000,00
3,00
36.000,00
YK
YOGYA
03/01/2011
0403474
00368
T
-
MS-01
12.000,00
3,00
36.000,00
YK
YOGYA
03/01/2011
0403475
00360
T
-
MR-01
8.500,00
1,00
8.500,00
YK
YOGYA
03/01/2011
0403476
00362
T
-
MR-01
8.500,00
4,00
34.000,00
YK
YOGYA
TglFaktur
NoFaktur KodeCstJByr NoSales KodeBrg
03/01/2011
0404750
00203
T
-
03/01/2011
0404684
01252
T
SL013 MS-01
03/01/2011
0404690
00544
K
SL007 MS-03
21.000,00
03/01/2011
0404699
01611
T
SL006 MS-02
42.000,00
03/01/2011
0404691
00544
K
SL007 MS-02
03/01/2011
0404693
01434
K
03/01/2011
0404696
01633
03/01/2011
0404801
202
MR-01
Harga 8.500,00
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 3.2. Pengolahan Data Jumlah data awal yang diperoleh dari pengumpulan data yaitu sebanyak 48307 data, namun tidak semua data dapat digunakan dan tidak semua atribut digunakan karena harus melalui beberapa tahap pengolahan awal data (preparation data). Untuk mendapatkan data yang berkualitas, beberapa teknik yang dilakukan adalah sebagai berikut. a. Data integration and transformation, untuk meningkatkan akurasi dan efisiensi algoritma. Data yang digunakan dalam penulisan ini bernilai kategorikal. Data ditransformasikan kedalam software Matlab. Tabel kategorikal atribut terlihat pada table b. Data size reduction and discritization, untuk memperoleh data set dengan jumlah atribut dan record yang lebih sedikit tetapi bersifat informatif. Tabel 3 Atribut yang Digunakan
No
Atribut
Nilai
1
Kode barang
Jenis barang
2
Harga barang
Harga jenis barang
3
Total jual
Total pembelian
4
Kota
Lokasi penjualan
5
Jumlah
Jumlah pembelian
3.3. Tahap Pemodelan Dilakukan untuk menghasilkan arsitektur jaringan syaraf yang optimal. Tahap ini terdiri dari: a. Menentukan Parameter Pembelajaran, yaitu maksimum Epoch, Besar Galat,fungsi training dan Learning Rate Parameter-parameter ini akan berpengaruh terhadap kinerja sistem dalam proses pembelajaran terhadap proses prediksi. Untuk maksimum epoch dilakukan pengujian epoch sampai mendapatkan nilai epoch terbaik danuntuk galat digunakan nilai 0,0001 sebagai kriteria pemberhentian. Fungsitraining yang digunakan terdiri dari 3 jenis, yakni fungsi default Matlab(traingd), traingdm dan trainrp. Sedangkan learning rate diberikan nilaiawal 0,1. b. Menentukan Fungsi Bobot yang Akan Digunakan Berdasarkan Fungsi Aktivasi Penentuan nilai bobot minimum dan maksimum ditentukan atas dasar nilaijangkauan fungsi, yakni fungsi sigmoid biner dan fungsi sigmoid bipolar. Karena dalam penelitian ini menggunakan software Matlab, maka bobot akan ditentukan otomatis secara acak oleh Matlab. 3.4. Experimen dan Pengujian Untuk pemilihan model arsitektur neural network yang tepat, agar menghasilkan root mean square error (RMSE) yang terkecil, diperlukan pengaturan (adjustment) untuk parameter-parameter neural network. Berikut ini adalah parameter-parameter yang membutuhkan adjustment: a. Training cycle, learning rate, dan momentum Training cycle adalah jumlah perulangan training yang perlu dilakukan untuk mendapatkan error yang terkecil. Nilai training cycle bervariasi mulai dari 1 sampai dengan tak terhingga. Learning rate adalah variabel yang digunakan oleh algoritma pembelajaran untukmenentukan bobot dari neuron. Nilai yang besar menyebabkan pembelajaran lebih cepat tetapi ada osilasi bobot, sedangkan nilai yang kecil menyebabkan pembelajaran lebih lambat. Nilai learning rate harus berupa angka positifkurang dari 1. Momentum digunakan untuk meningkatkan convergence, mempercepat waktu pembelajaran dan mengurangi osilasi. Nilai momentum bervariasi dari 0 ke 1.
http://research.pps.dinus.ac.id
,
203
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 b. Hidden layer Ada 2 masalah dalam pengaturan hidden layer, yaitu penentuan jumlah hidden layer dan penentuan size atau jumlah neuron dari hidden layer. Saat ini tidak ada alasan teoritis untuk menggunakan neural network dengan lebih dari dua hidden layer. Bahkan, untuk banyak masalah praktis, tidak ada alasan untuk menggunakan lebihdari satu hidden layer. Penentuan jumlah neuron yang terlalu sedikit akan mengakibatkan underfitting, yaitujaringan kurang dapat men deteksi sinyal atau pola dalam set data. Jumlah neuron yang terlalu banyak akan mengakibatkan overfitting, yaitu jumlah informasi dalamtraining set yang terbatas, tidak cukup untuk melatih semua neuron dalam hidden layer. c. Tahap Validasi Pada tahap ini dilakukan pengujian akurasi atas model prediksi yang dianggap paling optimal. Tahap ini dijelaskan secara lebih rinci pada bab 4. d. Tahap Evaluasi Setelah melihat secara keseluruhan atas apa yang sudah dilakukan pada penelitian ini, selanjutnya membuat kesimpulan. Kesimpulan dibuat secara terukur dan didasari oleh hasil studi pustaka, perancangan, serta simulasi dan validasi hasil. Kesimpulan berdasarkan pada permasalahan dan tujuan yang ditetapkan. 4.
HASIL DAN PEMBAHASAN
4.1. Eksperimen dan Pengujian Model 4.1.1 Parameter Neural Network Untuk mendapatkan nilai training cycles dalam penelitian ini ditentukan dengan cara melakukan uji coba memasukkan nilai dengan range 100 sampai dengan 1000 untuk training cycles, serta nilai 0.3 untuk learning rate dan 0.2 untuk momentum. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai training cycles. Tabel 4. Percobaan Penentuan Nilai Training Cycles
TRAINING CYCLES
LEARNING RATE
MOMENTUM
RMSE
100
0,3
0,2
110.967
200
0,3
0,2
111.207
300
0,3
0,2
110.726
400
0,3
0,2
111.030
500
0,3
0,2
111.180
600
0,3
0,2
111.189
700
0,3
0,2
111.227
800
0,3
0,2
111.312
900
0,3
0,2
111.305
1000
0,3
0,2
111.323
204
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Nilai training cycles dipilih berdasarkan nilai root mean square error (rmse) terkecil yang dihasilkan. Berdasarkan hasil percobaan di atas, dipilih nilai training cycles sebesar 300. Nilai 300 ini selanjutnya dipakai untuk percobaan dalam menentukan nilai learning rate. Nilai learning rate ditentukan dengan cara melakukan dengan uji coba memasukkan nilai dengan range 0.1 sampai dengan 1. Nilai training cycles dipilih dari percobaan sebelumnya yaitu 300, sedangkan 0.2 digunakan untuk nilai momentum. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai learning rate.
Tabel 5. Percobaan Penentuan Nilai Learning Rate
TRAINING CYCLES
LEARNING RATE
MOMENTUM
RMSE
300
0,1
0,2
110.507
300
0,2
0,2
110.512
300
0,3
0,2
110.745
300
0,4
0,2
112.572
300
0,5
0,2
119.624
300
0,6
0,2
145.696
300
0,7
0,2
155.488
300
0,8
0,2
150.472
300
0,9
0,2
139.347
300
1
0,2
135. 849
Nilai learning rate dipilih berdasarkan nilai rmse terkecil yang dihasilkan. Berdasarkan hasil percobaan di atas, dipilih nilai learning rate sebesar 0.1. Nilai 0.1 ini selanjutnya dipakai untuk percobaan dalam menentukan nilai momentum. Nilai momentum ditentukan dengan cara melakukan dengan uji coba memasukkan nilai dengan range 0 sampai dengan 0.9. Nilai training cycles 300 dan learning rate 0.1 dipilih berdasarkan percobaan sebelumnya. Berikut ini adalah hasil dari percobaan yang telah dilakukan untuk penentuan nilai momentum.
http://research.pps.dinus.ac.id
,
205
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 Tabel 6. Percobaan Penentuan Nilai Momentum
TRAINING CYCLES
LEARNING RATE
MOMENTUM
RMSE
300
0,1
0,1
110.685
300
0,1
0,2
110.567
300
0,1
0,3
110.658
300
0,1
0,4
110.724
300
0,1
0,5
109.936
300
0,1
0,6
110.823
300
0,1
0,7
117.392
300
0,1
0,8
110.393
300
0,1
0,9
125.457
Berdasarkan hasil percobaan di atas, maka untuk parameter neural network dipilih nilai 200 untuk training cycles, 0.1 untuk learning rate dan 0.5 untuk momentum. 4.1.2 Penentuan Jumlah Size Hidden Layer Untuk 1 hidden layer, dilakukan percobaan size dengan range 1 sampai dengan 20. Berikut ini adalah hasil dari percobaan yang telah dilakukan. Tabel 7. Percobaan dengan Satu Hidden Layer
206
SIZE
RMSE
1
114.361
2
116.183
3
109.903
4
114.559
5
124.171
6
110.676
7
110.522
8
123.640
9
110.572
10
110.469
11
116.492
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999
12
109.460
13
110.754
14
113.687
15
110.764
16
110.595
17
114.002
18
108.780
19
127.569
20
116.686
Hasil terbaik pada percobaan dengan satu hidden layer yaitu hidden layer dengan size 18 dan rmse yang dihasilkan sebesar 108.780.Untuk 2 hidden layer, dilakukan sebanyak 270 percobaan arsitektur untuk mendapatkan rmse terkecil. Berikut ini adalah sepuluh hasil terbaik dari percobaan yang telah dilakukan. Tabel 8. Sepuluh Hasil Terbaik Percobaan dengan Dua Hidden Layer
SIZE LAYER 1
SIZE LAYER 2
RMSE
3
14
109.583
5
20
109.782
7
2
109.845
7
12
109.935
14
6
110.485
14
6
110.693
17
21
110.736
17
14
110.833
17
22
111.434
22
24
111.584
Percobaan untuk dua hidden layer tidak menghasilkan rmse yang lebih kecil dari hasil percobaan satu hidden layer dengan size sebesar 18.
http://research.pps.dinus.ac.id
,
207
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 4.2. Pembahasan Berdasarkan percobaan yang telah dilakukan, didapatkan hasil terbaik sebagai berikut: a. training cycles: 300 b. learning rate: 0.1 c. momentum: 0.5 d. jumlah hidden layer: 1 e. size hidden layer: 18 Periodogram penjualan penerapan neural network untuk arus lalu lintas jangka pendek dengan air minum dalam kemasan sebagai target prediksi, dapat dilihat pada gambar di bawah ini:
Gambar 14. Periodogram Penjualan Root mean square error (rmse) digunakan untuk mengukur kinerja dari neural network. Pada penelitian ini, rmse yang dihasilkan adalah 98.650. Total selisih yang dihasilkan adalah 3875, maka nilai akurasi yang dihasilkan adalah 1-(3875/22162) = 1-0.174 = 0.826 = 82.6%. 4.3. Implikasi Penelitian Berdasarkan penerapan neural network untuk prediksi penjualan air minum dalam kemasan dengan data time-series yang telah dilakukan di atas, menunjukkan bahwa penjualan air minum dalam kemasan menghasilkan nilai akurasi yang masih belum memenuhi target penjualan. Kendala pada penelitian ini adalah masih relatif besarnya nilai rmse yang dihasilkan yaitu sebesar 98.650 dan akurasi sebesar 82.6%. Masih besarnya nilai rmse dan kurang akuratnya prediksi yang dihasilkan, dapat disebabkan data yang diperoleh kurang valid, data yang diperoleh dari distributor air minum berbeda dengan penelitian sebelumnya. Sehingga untuk membandingkan nilai akurasi terhadap penelitian sebelumnya diperlukan data yang sama untuk menghasilkan target yang diharapkan yaitu menurunkan nilai error pada RMSE.
208
http://research.pps.dinus.ac.id
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 5.
KESIMPULAN DAN SARAN
5.1. Kesimpulan a. Dengan penerapan neural network untuk prediksi penjualan dengan data time-series berhasil dilakukan untuk tujuan mempermudah menentukan strategi kedepan agar bisa mengambil keputusan lebih baik lagi. b. Besarnya nilai RMSE dan kurang akuratnya prediksi yang dihasilkan dapat disebabkan karena data yang diperoleh kurang valid, faktor kesalahan manusia, dan kurangnya kontrol. 5.2. Saran a. Untuk menghasilkan prediksi yang lebih akurat dari penelitian ini, diperlukan pembersihan (data cleansing) dari masukan data yang tidak konsisten dan data yang rusak atau yang disebut dengan data sampah, pada tahap pengolahan awal data. b. Untuk menghasilkan prediksi yang lebih akurat dari penelitian ini, diperlukan penelitian tahap berikutnya, yaitu dengan mengoptimasi neural network dengan pendekatan komputasi cerdas lainnya. DAFTAR PUSTAKA [1 ] [2] [3] [4] [5]
[6] [7] [8] [9] [10] [11] [12]
Arif Affandi, Analisis Tingkat Kesukaan Konsumen Terhadap Air Minum Dalam Kemasan (AMDK), Institut Pertanian Bogor 2009. Michael Galbreth, Bottled Water Logistics and Forecasting, University of Arkansas and the University of South Carolina 2013. FÁBIO AUGUSTO MOLLIK ZOUCAS,.” A NEURAL NETWORK MODEL FOR FORECASTING PRODUCTION TIME SERIES IN BRAZILIAN INDUSTRIES”. FEI University Center 2010. Pei-Chann Chang, dan Yen-Wen Wang, FUZZY DELPHI AND BACK-PROPAGATION MODEL FOR SALES FORECASTING IN PCB INDUSTRY, Department of Industrial Engineering and Management 2006. Andre Lemos, Daniel Leite, Leandro Maciel, Rosangela Ballini, Walmir Caminhas, and Fernando Gomide, Evolving Fuzzy Linear Regression Tree Approach for Forecasting Sales Volume of Petroleum Products, WCCI 2012 IEEE World Congress on Computational Intelligence June, 10-15, 2012. Kanti Pirasti Utami, Sistem Informasi Peramalan Penggunaan Air Untuk Memperhitungkan Keuntungan Perusahaan Dengan Menggunakan Metode Double Moving Avarage, STIKOM Surabaya. Pei-Chann Chang, and Yen-Wen Wang, Fuzzy Delphi and back-propagation model for sales forecasting in PCB industry, Expert Systems with Applications Department of Industrial Engineering and Management. Prabowo Pudjo Widodo, Rahmadya Trias Handayanto Penerapan Soft Computing, Bandung: Penerbit Rekayasa Sains 2012. Chien-Sheng Chen, and Jium-Ming Lin, Applying Rprop Neural Network for the Prediction of the Mobile Station Location, www.mdpi.com/journal/sensors Communication 2011. Min Qi and G. Peter Zhang, Trend Time–Series Modeling and Forecasting With Neural Networks, IEEE Transactions On Neural Networks, VOL. 19, NO. 5, MAY 2008. Truly Tri Wardhani, Penerapan Fuzzy logic Untuk Prediksi Penjualan Pada PT. Sinar Sosro, STIKOM Surabaya. Monica Sanwlani, and Prof.M.Vijayalakshmi, Forecasting Sales Through Time Series Clustering, International Journal of Data Mining & Knowledge Management Process (IJDKP) Vol.3, No.1, January 2013.
http://research.pps.dinus.ac.id
,
209
Jurnal Teknologi Informasi, Volume 10 Nomor 2, Oktober 2014, ISSN 1414-9999 [13] [14]
Eko Prasetyo, Data Mining, Penerbit : Andi Yogyakarta 2012. G. Peter Zhang and Douglas M. Kline, Quarterly Time-Series Forecasting With Neural Networks, IEEE Transactions On Neural Networks, Vol. 18, no. 6, November 2007.
210
http://research.pps.dinus.ac.id