Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
RISK-BASED FORECASTING UNTUK KEBUTUHAN BAHAN BAKU DENGAN MEMPERTIMBANGKAN TINGKAT COMMONALITY Reina Angkiriwang1, Budi Santosa2 dan I Nyoman Pujawan3 Program Pascasarjana, Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember, Surabaya 60111 1
[email protected];
[email protected];
[email protected]
ABSTRAK Pada penelitian ini akan dilakukan risk-based forecasting untuk kebutuhan bahan baku dengan mempertimbangkan tingkat commonality, dimana faktor ini belum dipertimbangkan dalam penelitian sebelumnya. Peramalan kebutuhan bahan baku bisa didasarkan atas rencana produksi kedepan yang datang dari bagian marketing atau didasarkan pada data pemakaian bahan baku tersebut pada periode yang lalu. Tingkat commonality digunakan untuk mengetahui data mana yang sebaiknya digunakan dalam peramalan kebutuhan bahan baku. Disamping itu, ada kecenderungan bahwa bahan baku yang jarang digunakan (yang commonality-nya rendah) harus menunggu rencana produksi ke depan untuk perencanaan pengadaannya. Data yang digunakan dalam penelitian ini memiliki tingkat commonality yang berbeda. Neural network dibandingkan dengan support vector machines yang merupakan sebuah tool baru dalam bidang data mining digunakan untuk meramalkan kebutuhan bahan baku. Selain itu peneliti juga membuat suatu Graphic User Interface untuk masing-masing metode yang digunakan. Dari penelitian ini ditemukan bahwa neural network memberikan performa yang lebih baik dibandingkan support vector machines pada kedua jenis data yang ada dilihat dari tingkat risiko. Disamping itu, bahan baku dengan tingkat commonality tinggi lebih cocok untuk diramalkan menggunakan data aktual pemakaian bahan baku dan bahan baku dengan tingkat commonality rendah lebih cocok untuk diramalkan menggunakan data permintaan dari bagian marketing. Kata Kunci: Risk-based Forecasting, Level of Commonality, Neural Network, Support Vector Machines, Graphic User Interface
PENDAHULUAN Meramalkan kebutuhan bahan baku secara tepat dalam supply chain merupakan suatu tantangan bagi setiap perusahaan. Hasil dari peramalan akan menjadi input bagi perencanaan kebutuhan logistik, pemasaran, produksi, dan keuangan (Siagian, 2005). Fenomena ini menunjukkan pentingnya dilakukan suatu peramalan yang tepat. Metode peramalan yang sering digunakan adalah metode peramalan tradisional, dimana tidak dilakukan kolaborasi antar pihak dalam supply chain. Hal ini menyebabkan permintaan yang sebenarnya stabil pada bagian hilir (end-customer) menjadi tidak stabil pada bagian hulu supply chain (pabrik). Fenomena ini yang dikenal dengan “bullwhip effect” (Carbonneau et al, 2007). Bullwhip effect dapat diatasi dengan memperpendek lead time dan melakukan kolaborasi antar perusahaan. Kolaborasi yang dilakukan dikenal dengan istilah Collaborative Forecasting and Replenisment (CFAR). Dalam CFAR terjadi pertukaran informasi dan integrasi antar perusahaan yang dapat
ISBN : 978-979-99735-7-3 A-7-1
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
meminimalisasi error dari peramalan. Namun, kolaborasi dalam supply chain juga tidak menjamin bahwa tidak akan terjadi kesalahan dalam melakukan peramalan. Pada beberapa penelitian terdahulu terkait masalah peramalan, telah banyak metode peramalan yang digunakan seperti Genetic Algorithm (GA) (Liang et al, 2005; Zarandi et al, 2008), Fuzzy (Balan et al, 2007; Zarandi et al, 2008), Neuro-Fuzzy (Balan et al, 2007; Efendigil et al, 2008), dan Neural Network (Carbonneau et al, 2007; Efendigil et al, 2008; Zarandi et al, 2008). Metode-metode tersebut termasuk dalam Artificial Intelligent (AI), yaitu suatu sistem intelejensi buatan yang terinspirasi dari kondisi yang ada di alam (Iqbal and Montes de Oca, 2006). Dari beberapa penelitian terdahulu (Chandra et al, 2004; Liang et al, 2005; Hong et al, 2007; Carbonneau et al, 2007), telah dibuktikan bahwa metode peramalan yang berbasis pada artificial intelligent memberikan hasil yang lebih baik dibandingkan dengan metode peramalan tradisional. Salah satu metode artificial intelligent yang masih baru dan jarang digunakan dalam peramalan adalah Support Vector Machine (SVM). Salah satu penelitian terkait SVM dalam bidang peramalan dilakukan oleh Carbonneau et al., dimana dilakukan peramalan dengan metode NN dan SVM kemudian dilakukan perbandingan output dari kedua metode tersebut mengunakan Mean Square Error (MSE). Dari penelitian tersebut, terbukti bahwa SVM memberikan hasil peramalan yang lebih baik dibandingkan dengan NN. Namun, pada penelitian tersebut belum mempertimbangkan tingkat commonality dan risiko dari peramalan. Oleh karena itu, pada penelitian kali ini akan dilakukan perbandingan antara kedua metode tersebut dengan mempertimbangkan tingkat commonality dari bahan baku yang diramalkan dan risiko dari peramalan. Untuk membandingkan kedua metode tersebut digunakan data bahan baku dengan tingkat commonality yang berbeda. Tingkat commonality mempengaruhi hasil forecast yang dilakukan. Tingkat commonality yang dimaksud adalah tingkat commonality tinggi dan tingkat commonality rendah. Bahan baku dengan tingkat commonality tinggi adalah bahan baku yang dapat digunakan untuk banyak jenis produk akhir sedangkan bahan baku dengan tingkat commonality rendah adalah bahan baku yang hanya digunakan pada sedikit jenis produk akhir (Dong, 2001; Pujawan, 2005). Pada penelitian ini, data yang digunakan dalam peramalan adalah data aktual pemakaian bahan baku dan data permintaan dari bagian marketing yang diturunkan langsung dari MRP. Terdapat hipotesa bahwa semakin tinggi tingkat commonality dari bahan baku yang diramalkan maka forecast error semakin rendah bila melakukan peramalan dengan menggunakan data aktual pemakaian bahan baku. Disisi lain, semakin rendah tingkat commonality dari bahan baku yang diramalkan maka forecast error semakin rendah bila melakukan peramalan dengan menggunakan data permintaan yang diterima dari bagian marketing. Dalam penelitian ini akan dilakukan uji coba metode peramalan Neural Network dan Support Vector Machine terhadap sejumlah produk akhir dan beberapa jenis bahan baku yang memiliki tingkat commonality yang berbeda pada suatu perusahaan untuk menguji hipotesa tersebut. METODA Dalam penelitian ini akan dibandingkan dua metode peramalan, yaitu NN dan SVM berdasarkan Mean Suare Error (MSE). Metode yang memberikan nilai MSE terkecil merupakan metode peramalan yang terbaik untuk kasus ini. Dalam menghitung
ISBN : 978-979-99735-7-3 A-7-2
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
MSE juga dimasukkan unsur risiko dari peralaman. Terdapat dua macam skenario yang digunakan dalam menghitung MSE. 1. error positif dikenakan penalti 10 dan error negatif dikenakan penalti 100. 2. error positif dikenakan penalti 50 dan error negatif dikenakan penalti 100. Dalam melakukan perbandingan metode tersebut, data yang digunakan sebagai data testing dan data training adalah data yang sama untuk setiap metode. Data yang digunakan sebagai data training adalah 80% dari data yang ada dan sisanya sebagai data testing. Dari hasil perbandingan yang ada, kemudian akan dilakukan pengelompokkan bahan baku dipengarui oleh jenis data, tingkat commonality dan metode peramalan manakah yang paling cocok untuk digunakan dalam meramalkan bahan baku tersebut. Neural Network (NN) Neural Network (NN) termasuk dalam sistem intelejensi buatan (artificial intelligent) yang digunakan untuk mengenali pola inputan berdasarkan data-data pada proses sebelumnya dan kemudian pola output menjadi data yang baru. Dalam NN, jaringan saraf mahkluk hidup ditiru susunannya (Santosa, 2007a). Elemen-elemen dasar dalam model neuron adalah set synapsis/link penghubung, penambah, dan fungsi aktivasi (activation function). Dalam model neuron, bias mempunyai fungsi untuk menaikkan atau menurunkan net input untuk fungsi aktivasi. Penggunaan dari bias memberi pengaruh terhadap output dari neuron. Fungsi aktivasi yang sering digunakan dalam Neural Network adalah Fungsi Sigmoid (Santosa, 2007a). Pada penelitian ini digunakan metode back propagation. Secara umum proses pelatihan untuk metode back-propagation terbagi dalam 3 tahap yaitu, (1) Feedforward input training pattern; (2) Backpropagation associated error; (3) Adjustment weight. Metode gradient descent yang menjadi dasar algoritma back propagation digunakan untuk mentraining Neural Network dengan banyak neuron. Dalam pengolahan data, digunakan software Matlab. Fungsi yang digunakan dalam melakukan forecasting dengan Neural Network adalah fungsi-fungsi yang sudah ada dalam Matlab, dimana akan menggunakan Matlab Neural Networks toolbox. Dalam mendesain Neural Network, perlu dipertimbangkan beberapa hal (Santosa, 2007a): Tipe network: back-propagation Jumlah layer: 3 Banyak simpul/node pada hidden layer: 3, 5, 7 dan 10. Fungsi transfer/activation function: fungsi sigmoid dan pada output layer adalah linear function. Proses pembelajarannya untuk menemukan bobot w dan bias b akan menggunakan gradient descent. Bobot nilai bias awal yang digunakan merupakan bilangan random. Learning rate () yang digunakan yaitu 0.1, 0.3, 0.5, 0.7 dan 1. Untuk menghasilkan nilai error yang minimum dengan lebih cepat, digunakan gradient descent with momentum dengan nilai momentum sebesar 0.5, 0.6, dan 0.7. Jumlah epoch/iterasi yang digunakan untuk mentraining: 50, 150, dan 300. Iterasi yang terlalu banyak mungkin akan menyebabkan terjadinya overfitting. Support Vector Machine (SVM) Banyak teknik dalam data mining yang dikembangkan dengan manambahkan asumsi kelinearan. Sehingga kebanyakan kasus yang ada hanya dibatasi pada
ISBN : 978-979-99735-7-3 A-7-3
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
permasalahan yang linear. Metode kernel merupakan salah satu metode yang digunakan untuk mengatasi kasus yang tidak linear yang sering ditemui dalam dunia nyata. Dalam metode ini, data dari input space perlu dipetakan ke ruang baru yang disebut kernel space. Fungsi kernel yang biasanya dipakai dalam adalah (1) Linear, (2) Polynomial, (3) Radial Basis Function (RBF)/Gaussian, dan (4) Tangent hyperbolic (sigmoid) (Santosa, 2007a). Fungsi kernel yang digunakan sangat bergantung pada data. Pemilihan fungsi kernel yang tepat merupakan hal yang sangat penting karena akan menentukan feature space. Dalam penelitian yang dilakukan, digunakan fungsi kernel Radial Basis Function (RBF)/Gaussian. Parameter kernel yang digunakan sebagai input dalam penelitian ini adalah 1, 3, 5, dan 7. SVM pertama kali dikembangkan untuk persoalan klasisfikasi dua kelas. Penerapan SVM untuk kasus regresi disebut Support Vector Regresi (SVR). Dalam klasifikasi, output berupa bilangan bulat/diskrit, sedangkan dalam regresi output berupa bilangan riil/kontinu. Dalam penerapannya, SVR telah memperlihatkan bahwa metode ini dapat mengatasi permasalahan overfitting yang mungkin terjadi pada kasus Neural Network (Santosa, 2007a). Dalam SVR, ingin ditemukan suatu fungsi f(x) yang mempunyai deviasi paling besar dari target aktual untuk semua data training. Bila bernilai 0, maka didapatkan suatu regresi yang sempurna, dengan fungsi garis regresi f(x) = wT(x) + b. (x) merupakan suatu titik dalam feature space F hasil pemetaan input x dalam input space. Koefisien w dan b diestimasi dengan cara meminimalkan fungsi risiko (risk function). Dalam SVR, terdapat beberapa faktor yang perlu dipertimbangkan. Faktor w 2 dinamakan regularisasi. Meminimalkan w 2 akan membuat suatu fungsi setipis (flat) mungkin, sehingga dapat mangontrol kapasitas fungsi (function capacity). Konstanta regularisasi yang digunakan yaitu 1, 10, 50, 100, dan 200. Faktor kedua dalam fungsi tujuan adalah kesalahan empiric (empirical error) yang diukur dengan -insensitive loss function. Dalam kasus ini, diasumsikan bahwa semua titik berada dalam rentang f + (feasible). Loss Function adalah fungsi yang menunjukkan hubungan antara error dengan bagaimana error ini dikenai penalti. Dalam Mika (2001) terdapat 4 macam loss function, namun pada penelitian ini hanya 2 jenis loss fuction yang digunakan, yaitu -insensitive dan quadratic. HASIL DAN ANALISA Dalam penelitian ini akan digunakan 9 (sembilan) tipe produk dan 9 (sembilan) jenis bahan baku. Setiap tipe produk dan jenis bahan baku memiliki jumlah data yang berbeda, sehingga jumlah data training dan data testing untuk setiap tipe produk dan jenis bahan baku berbeda. Tabel 1. Informasi Data Produk yang digunakan dalam Penelitian No 1 2 3 4 5 6 7 8 9
Tipe Produk Kerupuk Udang 2 cm/2.5 cm Bst Kerupuk Udang 2 cm Si Kerupuk Udang Bsf/Lcl/Cwb Kerupuk Udang 2,5 cm Kerupuk Udang 3 cm Kerupuk Udang 3 cm Nus Kerupuk Bawang Kerupuk Sayur Kerupuk Sayur E98
Tabel 2. Informasi Data Bahan Baku yang digunakan dalam Penelitian
Jumlah Data Data Data Training Testing 29 10 45 17 119 23 21 18 9
23 8 36 14 95 18 17 14 7
6 2 9 3 24 5 4 4 2
No
Bahan Baku
1 2 3 4 5 6 7 8 9
Tepung Tapioka Mutu 2 Udang Telur Tepung Tapioka Mutu 3 Bawang Putih Seledri Susu Kecap Ikan Cassava
ISBN : 978-979-99735-7-3 A-7-4
Jumlah data Data Training Data Testing 104 122 90 122 21 9 45 23 25
83 98 72 98 17 7 36 18 20
21 24 18 24 4 2 9 5 5
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
Neural Network (NN) Dari pengolahan dengan menggunakan parameter awal yang telah ditetapkan sebelumnya, diperoleh bahwa nilai momentum tidak terlalu berpengaruh secara signifikan terhadap hasil pengolahan data, sehingga momentum yang akan digunakan pada pengolahan data selanjutnya sebesar 0.5. Performa training menunjukkan bahwa tidak terdapat perbedaan yang signifikan pada penggunaan 150 iterasi dan 300 iterasi terhadap error yang dihasilkan, sehingga pada pengolahan data selanjutnya tidak digunakan 300 iterasi untuk mencegah terjadinya overfitting. Learning rate besar menghasilkan error yang besar karena banyak titik optima yang terlewati saat training, dimana learning rate 0.7 dan 1 memberikan nilai error paling besar. Maka dalam pengolahan data selanjutnya akan digunakan learning rate baru yang lebih kecil. Hasil plot post regression yang diperoleh dari proses training menunjukkan bahwa semakin banyak node pada hidden layer maka korelasi yang ada semakin tinggi, dimana korelasi yang baik bernilai 1. Sehingga juga dilakukan uji coba dengan memperbanyak jumlah node. Dari beberapa kali pengolahan yang dilakukan, maka diperoleh nilai parameter baru yang akan digunakan untuk proses pengolahan data dengan NN sebagai berikut: (1) Epoch/Iterasi: 50 dan 150; (2) Momentum: 0.5; (3) Learning rate: 0.15, 0.175, dan 0.2; dan (3) Node/neuron: 9. Support Vector Machines (SVM) Hasil peramalan menggunakan SVM dengan fungsi kernel gaussian/rbf menghasilkan error yang cukup besar secara keseluruhan, sehingga dilakukan uji coba untuk menentukan tipe kernel yang cocok untuk pengolahan data selanjutnya. Pengolahan yang ada menunjukkan bahwa jenis loss function quadratic memberikan hasil yang lebih baik dibandingkan dengan e-insensitive untuk semua tipe kernel. Maka jenis loss function yang digunakan pada pengolahan data selanjutnya adalah loss function ‘quadratic.’ Tipe kernel yang memberikan hasil terbaik untuk loss function quadratic adalah tipe sigmoid dan polynomial. Namun sigmoid memberikan nilai prediksi yang konstan/linear pada semua periode untuk semua jenis data, maka parameter kernel yang akan digunakan pada penelitian ini adalah polynomial. Dalam menentukan nilai parameter kernel serta konstanta regularisasi terbaik untuk pengujian selanjutnya, dilakukan pengujian dengan nilai parameter kernel serta konstanta regularisasi yang berbeda. Dari pengolahan yang dilakukan, diperoleh nilai parameter baru yang akan digunakan untuk proses pengolahan data dengan SVM sebagai berikut: (1) tipe kernel (ker) = polynomial; (2) tipe loss function = quadratic; (3) parameter kernel = 1.45, 1.5, dan 1.55; dan (4) konstanta regularisasi = 1, 10, dan 50. Analisa Output dan Pengelompokkan Bahan Baku Hasil pengolahan data menunjukkan bahwa NN memiliki performa yang lebih baik dibandingkan SVM secara keseluruhan untuk kedua jenis data yang ada dilihat dari nilai MSE yang dihasilkan. Dalam melakukan analisa perbandingan untuk jenis data yang berbeda terkait tingkat commonality dari bahan baku, maka hasil prediksi terbaik untuk masing-masing tipe produk untuk data bagian marketing akan diturunkan secara langsung kedalam kebutuhan bahan baku dari MRP. Perbandingan antara hasil peramalan data permintaan bagian marketing dengan data pemakaian bahan baku, menunjukkan bahwa bahan baku tepung tapioka mutu 2, tepung tapioka mutu 3, bawang
ISBN : 978-979-99735-7-3 A-7-5
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
putih, seledri, susu, dan kecap ikan memiliki rata-rata persentase error yang lebih rendah bila diturunkan dari hasil peramalan data permintaan bagian marketing. Sedangkan data udang, telur, dan cassava memiliki rata-rata persentase error yang lebih rendah bila dilakukan prediksi menggunakan data pemakaian aktual bahan baku secara langsung. Pada tabel 4, akan dilakukan klasifikasi terhadap bahan baku berdasarkan metode peramalan dan jenis data yang digunakan serta mempertimbangkan kebijakan perusahaan dimana tidak diijinkaan terjadinya kekurangan bahan baku. Tabel 3. Perbandingan Hasil Prediksi 2 Jenis Data terhadap Kebutuhan Bahan Baku
Bahan Baku Tepung Tapioka Mutu 2 Udang Telur Tepung Tapioka Mutu 3 Bawang Putih Seledri Susu Kecap Ikan Cassava
Data Permintaan Bagian Marketing NN SVM Aktual Prediksi % error Prediksi % error 4.043 3.8811 -4.00448 3.9492 -2.32002 0.54173 0.48092 -11.2254 0.51883 -4.2275 0.24704 0.22481 -8.997 0.24066 -2.58134 8.20103 7.85217 -4.25394 7.91779 -3.45379 0.237 0.26395 11.37 0.17091 -27.885 0.045 0.045 -0.00111 0.04423 -1.70222 13.2444 10.2936 -22.28 11.4215 -13.7638 0.301 0.30497 1.31877 0.31384 4.26441 5.25 6.51625 24.119 6.03318 14.9178
Data Pemakaian Aktual Bahan Baku NN SVM Aktual Prediksi % error Prediksi % error 6.16929 5.80476 -5.90869 5.74026 -6.95427 1.17971 1.18143 0.14552 1.16505 -1.24289 0.41461 0.41323 -0.33365 0.36151 -12.8085 10.7004 11.2311 4.95981 9.92234 -7.27145 0.237 0.16255 -31.4135 0.16813 -29.0612 0.045 0.04495 -0.11111 0.0444 -1.33333 13.2444 10.2335 -22.7339 10.9779 -17.1133 0.301 0.30844 2.47176 0.31454 4.49834 5.4 5.94212 10.0393 3.49054 -35.3604
Tabel 4. Klasifikasi Bahan Baku berdasarkan metode peramalan dan jenis data Neural Network - Bawang Putih Permintaan Bagian - Seledri Marketing - Kecap Ikan - Udang Pemakaian Aktual - Telur Bahan Baku - Tepung Tapioka Mutu 3 - Cassava
Support Vector Machines - Tepung Tapioka Mutu 2 - Susu
Dalam melakukan analisa hasil prediksi terkait dengan pengaruh tingkat commonality terhadap jenis data yang digunakan, maka sebelumnya perlu mengetahui tingkat commonality dari masing-masing bahan baku. Urutan tingkat commonality untuk bahan baku mulai dari yang tertinggi sampai terendah adalah tepung tapioka mutu 2, udang, telur, tepung tapioka mutu 3, cassava, bawang putih/seledri/susu/kecap ikan. Tepung tapioka mutu 2 memiliki tingkat commonality paling tinggi, sedangkan bawang putih, seledri, susu, dan kecap ikan memiliki tingkat commonality paling rendah. Bahan baku dengan tingkat commonality rendah seperti bawang putih, seledri, kecap ikan, dan susu lebih cocok diramalkan menggunakan data permintaan bagian marketing. Sedangkan untuk bahan baku dengan tingkat commonality yang lebih tinggi, seperti udang, telur, tepung tapioka mutu 3 dan cassava lebih cocok diramalkan menggunakan data aktual pemakaian bahan baku. Namun berbeda dengan bahan baku dengan tingkat commonality tinggi lainnya, tepung tapioka mutu 2 memiliki rata-rata persentase error yang lebih rendah bila dilakukan peramalan menggunakan data permintaan bagian marketing karena data tepung tapioka mutu 2 sangat berfluktiatif. Sehingga dapat dikatakan bahwa selain dipengaruhi oleh tingkat commonality, error peramalan juga dapat dipengaruhi pola dari data, dimana data dengan tingkat commonality yang tinggi dan sangat berfluktuatif lebih cocok diramalkan menggunakan untuk data dari bagian
ISBN : 978-979-99735-7-3 A-7-6
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
marketing. Secara keseluruhan, hasil yang ada menunjukkan bahwa hipotesa yang telah dikemukakan pada awal penelitian terbukti benar. Graphic User Interface (GUI) Pada tahap ini akan dilakukan perancangan GUI, mulai dari penentuan parameter, pembuatan layout, penyusunan syntax sampai dengan verifikasi dan validasi aplikasi GUI. Aplikasi GUI untuk tools NN dan SVM dibuat secara terpisah. GUI NN/NN fitting tool maupun GUI SVM/SVM tool, didahului dengan sedikit pendahuluan mengenai tools yang digunakan dalam aplikasi yang ada. Pada form GUI, terdapat langkah-langkah untuk memudahkan user dalam menggunakan GUI. Langkah-langkah penggunaan aplikasi GUI untuk NN adalah sebagai berikut: 1. Pada step 1, user harus meng-upload data untuk peramalan kedalam aplikasi melalui tombol [...] dan menentukan berapa persen dari data yang akan digunakan sebagai data training pada panel select percentages. 2. Pada step 2, user dapat mengisi parameter terkait dengan neuron, epoch, learning rate dan momentum pada bagian yang telah disediakan. 3. Pada step 3, user akan melakukan training terhadap data dengan menekan tombol [Training]. Dari training yang dilakukan, akan diperoleh plot berupa performa dari iterasi yang dilakukan dan post regression yang menunjukkan korelasi dari data. 4. Pada step 4, user akan melakukan testing terhadap data dengan menekan tombol [Testing]. Pada saat tombol [Testing] ditekan maka nilai dari target aktual, hasil prediksi, serta nilai MSE akan keluar secara otomatis. Bila user ingin melihat plot perbedaan antara data aktual hasil prediksi, maka user dapat menekan tombol [Ploting] yang akan memunculkan plot perbedaan antara data aktual dan prediksi pada panel plot. 5. Untuk akhiri aplikasi GUI untuk NN, user dapat memilih tombol [Finish]. Langkah-langkah penggunaan aplikasi GUI untuk SVM adalah sebagai berikut: 1. Step 1 untuk GUI SVM sama seperti step 1 pada GUI NN. 2. Pada step 2, user dapat mengisi parameter terkait dengan parameter kernel dan konstanta regularisasi dan memilih tipe kernel serta loss function yang digunakan. 3. Pada step 3, user akan melakukan training terhadap data dengan menekan tombol [Training]. 4. Step 4, pada SVM juga sama seperti step 4 pada NN. 5. Untuk akhiri aplikasi GUI untuk SVM, user dapat memilih tombol [Finish].
Gambar 1. GUI NN Fitting Tool Form
Gambar 2. GUI SVM Tool Form
ISBN : 978-979-99735-7-3 A-7-7
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
GUI NN dan SVM yang dibuat dapat berjalan tanpa mengalami debug. Ini berarti model yang dibuat telah diverifikasi Namun apakah hasil dari aplikasi yang dibuat telah valid atau belum, masih tidak diketahui. Sehingga akan dilakukan pengujian untuk membandingkan output yang dihasilkan dari pengolahan menggunakan GUI dan pengolahan secara manual. Dari pengolahan tersebut diperoleh bahwa untuk metode SVM diperoleh hasil yang sama persis untuk kedua cara pengolahan, sedangkan untuk NN terdapat sedikit perbedaan karena NN menghasilkan output yang ‘local optima’. Namun error yang diperoleh dari pengolahan NN menggunakan GUI dan melalui pengolahan secara manual hampir sama. Selain itu pola dari plot yang dihasilkan oleh pengolahan secara manual dan GUI sama untuk NN. Sehingga dapat dikatakan bahwa GUI yang dibuat telah valid baik untuk NN maupun SVM. Table 5. Perbandingan Output GUI dan Output Pengolahan Data Manual Aktual 3 3 3.7 7.5 4.5 4.5 MSE 0 MSE 1 MSE 2
Hasil peramalan NN Hasil peramalan SVM GUI Manual GUI Manual 4.45427 5.104 5.44735 5.4473 4.90231 5.137 5.19604 5.196 5.15147 5.0767 4.93062 4.9306 6.01187 6.0681 4.6516 4.6516 4.50886 4.2971 4.3594 4.3594 4.8676 4.8316 4.05446 4.0545 1.69836 2.1818 3.44303 3.443 50.2018 53.1905 159.405 159.4053 103.373 126.517 241.582 241.5821
KESIMPULAN Dari penelitian yang dilakukan, dapat ditarik suatu kesimpulan bahwa metode NN memberikan performa yang lebih baik dibandingkan dengan metode SVM untuk kedua jenis data yang ada dilihat dari tingkat risiko. Selain itu, bahan baku dengan tingkat commonality rendah lebih cocok diramalkan menggunakan data permintaan bagian marketing dan bahan baku dengan tingkat commonality yang lebih tinggi lebih cocok diramalkan menggunakan data aktual pemakaian bahan baku. Bahan baku dengan tingkat commonality tinggi dan sangat berfluktiatif lebih cocok diramalkan menggunakan data permintaan bagian marketing. Pada penelitian ini hanya menggunakan data bahan baku dengan beberapa tingkat commonality yang berbeda. Maka, pada penelitian yang akan datang dapat dilakukan penerapan metode NN dan SVM untuk peramalan kebutuhan bahan baku dengan mempertimbangkan risiko pada bahan baku dengan tingkat commonality yang lebih bervariasi dengan bantuan GUI yang ada untuk mempercepat serta mempermudah dalam proses pengolahan data. DAFTAR PUSTAKA Balan, S., Vrat, P., Kumar, P., 2007. Information Distortion in a Supply Chain and Its Mitigation using Soft Computing Approach. Omega 37, 282-299. Carbonneau, R., Laframboise, K., and Vahidov, R., 2007. Application of Machine learning Techniques for Supply Chain Demand Forecasting. European Journal of Operational Research 184, 1140–1154.
ISBN : 978-979-99735-7-3 A-7-8
Prosiding Seminar Nasional Manajemen Teknologi IX Program Studi MMT-ITS, Surabaya 14 Pebruari 2009
Chandra, C., Grabis, J., 2004. Application of Multi-Steps Forecasting for Restraining the Bullwhip Effect and Improving Inventory Performance Under Autoregressive Demand. European Journal of Operational Research 166, 337– 350. Dong, Ming. Process Modeling, Performance Analysis and Configuration Simulation in Integrated Supply Chain Network Design. Dissertation in Industrial and Systems Engineering. Virginia, 2001. Iqbal, M. and Montes de Oca, M. A., 2006. An Estimation of Distribution Particle Swarm Optimization Algorithm. Proceeding of ANTS, Brussels, Belgium, 4-7 September, 2006 Mika, S., Ratsh, G., and Muller, K.-R., 2001. A Mathematical Programming Approach to the Kernel Fisher Algorithm. In Leen, T., Dietterich, T., and Tresp, V., editors, Advances in Neural Information Processing Systems. MIT Press, 13, 591-597. Neural
Network Toolbox. Back Propagation Algorithm. http://www.caspur.it/risorse/softappl/doc/matlab_help/toolbox/nnet/backpr54.ht ml. November 13th, 2008.
Sugiharto, Aris. Pemrograman GUI dengan MATLAB. Yogyakarta: Andi, 2006. Pujawan, I Nyoman. Supply Chain Management. Surabaya: Guna Widya, 2005. Santosa, Budi. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu, 2007a. Santosa, Budi. Data Mining Terapan dengan Matlab. Yogyakarta: Graha Ilmu, 2007b. Siagian, Yolanda M. Aplikasi Supply Chain Dalam Dunia Bisnis. Jakarta: Grasindo, 2005. The
MathWorks. 2008. Neural Network Toolbox. http://www.mathworks.fr/products/neuralnet/functionlist.html. November 13th, 2008.
ISBN : 978-979-99735-7-3 A-7-9