PERAMALAN PERMINTAAN SUSU PASTEURISASI MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
DAN TIME SERIES (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
SKRIPSI
Oleh: MAHMUD NASAPI
NIM 105100300111019
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA MALANG
2014
i
PERAMALAN PERMINTAAN SUSU PASTEURISASI MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN
DAN TIME SERIES (Studi Kasus di Koperasi Susu SAE Pujon, Malang)
Oleh: MAHMUD NASAPI
NIM 105100300111019
Sebagai salah satu syarat untuk memperoleh
gelar Sarjana Teknologi Pertanian
JURUSAN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS BRAWIJAYA MALANG
2014
ii
iii
iv
v
vi
vii
RIWAYAT HIDUP
Penulis dilahirkan di Probolinggo pada 20
Agustus 1991. Penulis merupakan anak ke
dua dari tiga bersaudara yang dilahirkan dari
seorang ayah yang bernama Mariyono dan ibu
Siti Aisyah. Penulis menyelesaikan pendidikan
Sekolah Dasar di SDN Kebonsari Kulon II
pada tahun 2004. Kemudian penulis
melanjutkan sekolah di SMPN 5 Probolinggo
dan menyelesaikan pendidikannya pada tahun
2007. Penulis kemudian melanjutkan sekolah
di SMAN 1 Probolinggo dan menyelesaikan
pendidikannya pada tahun 2010.
Tahun 2010, penulis melanjutkan pendidikannya di Universitas
Brawijaya pada jurusan Teknologi Industri Pertanian Fakultas
Teknologi Pertanian dan berhasil menyelesaikan pendidikannya pada
tahun 2014. Pada masa pendidikannya penulis aktif sebagai staf
bidang Kewirausahaan Agritech Research and Study Club (ARSC)
pada tahun 2010-2011, staf bidang Human Resource Development
tahun 2011-2012 dan staf bidang Public Relation tahun 2012-2013 di
English for Specific Purpose (ESP). Penulis juga pernah mengikuti
lomba karya ilmiah dan lolos pendanaan PKMM tahun 2012 serta
PKMP tahun 2013. Selain itu, penulis juga aktif sebagai Asisten
Kewirausahaan Agroindustri, Fisika Dasar, Manajemen Pemasaran,
Manajemen Mutu, Bioindustri serta Penanganan Bahan dan
Perencanaan Tata Letak Fasilitas.
viii
ix
Alhamdulillah…..terima kasih Ya Allah
Karya kecil ini aku persembahkan kepada
Kedua orang tuaku, saudaraku, juga sahabat-sahabatku tercinta
x
xi
PERNYATAAN KEASLIAN TUGAS AKHIR Yang bertanda tangan di bawah ini : Nama Mahasiswa : Mahmud Nasapi
NIM : 105100300111019
Jurusan : Teknologi Industri Pertanian
Fakultas : Teknologi Pertanian
Judul TA : Peramalan Permintaan Susu Pasteurisasi
Menggunakan Metode Jaringan Syaraf
Tiruan dan Time Series (Studi Kasus di
Koperasi Susu SAE Pujon, Malang)
Menyatakan bahwa,
TA dengan judul di atas merupakan karya asli penulis. Apabila di
kemudian hari terbukti pernyataan ini tidak benar saya bersedia
dituntut sesuai hukum yang berlaku.
Malang, 11 Agustus 2014 Pembuat Pernyataan, Mahmud Nasapi NIM 105100300111019
xii
xiii
MAHMUD NASAPI. 105100300111019. Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang). TA. Pembimbing : Dr. Ir. Imam Santoso, MP. dan Mas’ud Effendi, STP, MP.
RINGKASAN
Koperasi susu SAE Pujon merupakan salah satu bentuk koperasi yang bergerak dalam bidang industri pangan (susu). Permasalahan yang dihadapi oleh koperasi susu SAE Pujon adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk susu pasteurisasi. Tujuan penelitian ini untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Metode yang digunakan dalam penelitian ini adalah metode jaringan syaraf tiruan dan time series. Penelitian ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon periode April 2014 – Maret 2015. Data yang digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran. Algoritma pembelajaran yang digunakan dalam penelitian ini adalah Backpropagation. Arsitektur jaringan terbaik pada peramalan ini, yaitu 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu 0.000186. Metode terbaik pada peramalan time series adalah metode Simple Seasonal. Nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah peramalan sama sebesar 52364211.36, sedangkan nilai MSE metode JST pada saat pelatihan sebesar 21516.71 dan pada saat testing sebesar 489321.2676. Nilai MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah 1.1721% dan 14.793%. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode April – Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah sebesar 28.91%. Hasil analisis menunjukkan metode jaringan syaraf tiruan lebih cocok diterapkan di Koperasi susu SAE Pujon.
Kata Kunci: Bauran Pemasaran, Jaringan Syaraf Tiruan, Metode Time
Series, Rata-rata Persentase Kesalahan Peramalan
xiv
MAHMUD NASAPI. 105100300111019. Forecasting of Pasteurized Milk Demand By Using Artificial Neural Network and Time Series Methods (A Case Study of SAE Milk Cooperative of Pujon, Malang). Minor Thesis. Supervisors: Dr. Ir. Imam Santoso, MP and Mas’ud Effendi, STP, MP.
SUMMARY
SAE milk cooperative of Pujon is one of cooperative that run in food industry (milk). The facing problems by SAE milk cooperative is difficulty in marketing of its pasteurized products because of the done forecasting based on the estimation of the past period. The research aimed at comparing the forecasting result accuracy of pasteurized milk product of the SAE milk cooperative of Pujon by using Artificial Neural Network method (ANN) with time series method, so it can be known the most accurate method for SAE milk cooperative of Pujon. The Method for the research is artificial neural network and time series methods. The research was done to forecast the demand of pasteurized milk of SAE cooperative of Pujon from April 2014-March 2015. The used data in the research focused to the four variable that is the sales volume, product price, promotion cost and distribution cost, and marketing outlet. The used learning algorithm in the research was backpropagation. The best network architecture for the forecasting, that is 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) with the least MSE value of 0.000186. The best method at the time series was simple seasonal method. The mean square error (MSE) value at the time series before and after forecasting is 52364211.36, while the MSE of ANN method during the coach is 21516.71 and during testing is 489321.2676. MAPE values on artificial neural network method and the time series in a row 1.1721% and 14.793%. The average percentage error simulation results using ANN forecasting demand in the period April-June 2014 to 2.29%, while for the time series is equal to 28.91%. The analysis showed artificial neural network method is more suitable to be applied in the SAE milk cooperative of Pujon. Keywords: Artificial Neural Network, Average Percentage Error
Forecasting, Marketing Mix, Time Series Method.
xv
KATA PENGANTAR
Puji syukur penulis panjatkan atas kehadirat Allah SWT yang telah memberikan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul “Peramalan Permintaan Susu Pasteurisasi Menggunakan Metode Jaringan Syaraf Tiruan dan Time Series (Studi Kasus di Koperasi Susu SAE Pujon, Malang)”. Penulis sangat menyadari bahwa laporan ini tidak mungkin selesai tanpa adanya bantuan dari berbagai pihak baik secara langsung maupun tidak langsung, maka dalam kesempatan ini penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:
1. Kedua orang tua penulis, Bapak Mariyono dan Ibu Siti Aisyah, kakak dan adik serta seluruh keluarga yang selalu memberikan kasih sayang dan dukungan, baik dari segi materi, doa, maupun motivasi hingga terselesaikannya skripsi ini.
2. Dr. Ir. Imam Santoso, MP. selaku Dosen Pembimbing I yang selalu memberikan bimbingan dan motivasi untuk segera menyelesaikan skripsi.
3. Mas’ud Effendi, STP, MP. selaku Dosen Pembimbing II yang juga telah bersedia meluangkan waktu untuk memberikan bimbingan dan pengarahan.
4. Ir. Usman Effendi, MS. selaku Dosen Penguji I skripsi. Terima kasih atas waktunya untuk memberikan arahan dan masukan selama skripsi.
5. Dr. Ir. Nur Hidayat, MP dan Dr. Panji Deoranto, STP, MP selaku Ketua Jurusan dan Sekretaris Jurusan Teknologi Industri Pertanian Fakultas Teknologi Pertanian Universitas Brawijaya Malang karena kesediaan dan waktunya untuk menandatangani segala hal yang berkaitan dengan skripsi.
6. Pihak Koperasi “SAE” Pujon atas ijin serta arahannya untuk bisa melakukan penelitian di unit pengolahan susu pasteurisasi.
7. Didi, Shinta, Ella dan Komet selaku teman seperjuangan yang ikut membantu dan memberi motivasi dalam menyelesaikan skripsi tentang peramalan permintaan ini.
8. Sahabat, teman, dan keluarga TIP C 2010 yang telah memberikan dan mengajarkan petualangan, keceriaan, motivasi, kesederhanaan dan juga cerita yang indah dan tidak akan pernah terlupakan.
9. Teman-teman seperjuangan baik yang seperantauan maupun yang berasal dari bumi Arema TIP 2010 yang tidak dapat
xvi
penulis sebutkan satu persatu yang senantiasa memberikan cerita, keceriaan, motivasi dan kesederhanaan.
10. Semua pihak yang telah membantu penulis dalam menyelesaikan laporan skripsi ini dalam bentuk apapun yang tidak dapat penulis sebutkan satu persatu. Akhir kata penulis menyadari keterbatasan dan kekurangan dari
laporan yang penulis susun. Oleh karena itu dengan segala kerendahan hati penulis mengharapkan masukan, saran dan kritik untuk kesempurnaan laporan ini semoga laporan ini dapat bermanfaat untuk semua pihak.
Malang, 11 Agustus 2014
Penulis
xvii
DAFTAR ISI Halaman
HALAMAN JUDUL ................................................................................ i LEMBAR PERSETUJUAN................................................................... iii LEMBAR PENGESAHAN ................................................................... v RIWAYAT HIDUP ................................................................................ vii HALAMAN PERUNTUKAN ................................................................ ix PERNYATAAN KEASLIAN TUGAS AKHIR ...................................... xi RINGKASAN ...................................................................................... xiii SUMMARY ........................................................................................ xiv KATA PENGANTAR ......................................................................... xv DAFTAR ISI ....................................................................................... xvii DAFTAR TABEL ................................................................................ xx DAFTAR GAMBAR ............................................................................ xxi DAFTAR LAMPIRAN ........................................................................ xxii I. PENDAHULUAN ............................................................................... 1 1.1 Latar Belakang ................................................................................. 1 1.2 Rumusan Masalah ........................................................................... 3 1.3 Tujuan .............................................................................................. 3 1.4 Manfaat ............................................................................................ 3 II. TINJAUAN PUSTAKA ...................................................................... 5 2.1 Susu ................................................................................................. 5 2.2 Bauran Pemasaran (Marketing Mix) ................................................ 5
2.2.1 Produk (Product) .................................................................... 6 2.2.2 Harga (Price) .......................................................................... 6 2.2.3 Tempat / Sistem Penyampaian Jasa (Place) ......................... 7 2.2.4 Promosi (Promotion) ............................................................... 7
2.3 Peramalan ....................................................................................... 7 2.3.1 Pengertian Peramalan ............................................................ 7 2.3.2 Peramalan Permintaan ........................................................... 8
2.3.3 Macam-macam Metode Peramalan ....................................... 8 2.4 Time Series ...................................................................................... 9
2.4.1 Pengertian Time Series .......................................................... 9 2.4.2 Metode Peramalan Time Series ........................................... 10
2.5 Jaringan Syaraf Tiruan .................................................................. 12 2.5.1 Pengertian Jaringan Syaraf Tiruan (JST) ............................. 12 2.5.2 Karakteristik Jaringan Syaraf Tiruan .................................... 12 2.5.3 Fungsi Aktivasi ..................................................................... 13
2.5.4 Arsitektur Jaringan Syaraf Tiruan ......................................... 15 2.5.5 Pelatihan Jaringan Syaraf Tiruan ......................................... 18
xviii
2.5.6 Algoritma Backpropagation .................................................. 20 2.5.6.1 Kriteria Pemilihan Algoritma Terbaik untuk Peramalan ................................................................... 22
2.5.7 Kelebihan Menggunakan Jaringan Syaraf Tiruan ................ 23 2.5.8 Aplikasi Jaringan Syaraf Tiruan ............................................ 23 2.5.9 Penelitian Terdahulu ............................................................. 24 III. METODE PENELITIAN ................................................................. 27 3.1 Tempat dan Waktu Penelitian ....................................................... 27 3.2 Batasan Masalah ........................................................................... 27 3.3 Asumsi ........................................................................................... 27 3.4 Jenis Penelitian .............................................................................. 28 3.5 Tahapan Penelitian ........................................................................ 28
3.5.1 Survei Pendahuluan ............................................................. 28 3.5.2 Identifikasi Masalah .............................................................. 29 3.5.3 Studi Literatur ....................................................................... 30 3.5.4 Pengumpulan Data ............................................................... 30 3.5.5 Pengolahan Data Peramalan Permintaan ............................ 30
3.5.5.1 Peramalan Permintaan Menggunakan Jaringan Syaraf Tiruan .......................................................................... 31 3.5.5.2 Peramalan Permintaan Menggunakan Metode Time Series .......................................................................... 37
3.5.6 Validasi Hasil Penelitian ....................................................... 41 3.5.7 Kesimpulan ........................................................................... 41
IV. HASIL DAN PEMBAHASAN ........................................................ 43 4.1 Gambaran Umum Perusahaan ...................................................... 43
4.1.1 Sejarah Berdirinya Koperasi Susu SAE Pujon ..................... 43 4.1.2 Visi dan Misi Koperasi Susu SAE Pujon .............................. 44 4.1.3 Lokasi Perusahaan ............................................................... 44
4.2 Peramalan Permintaan Menggunakan Jaringan Syaraf Tiruan .... 45 4.2.1 Penyiapan Data Masukan dan Keluaran Jaringan Syaraf
Tiruan ................................................................................... 46 4.2.2 Preprocessing Model Jaringan Syaraf Tiruan ...................... 46 4.2.3 Model Jaringan Syaraf Tiruan .............................................. 47 4.2.4 Training, Testing dan Postprocessing .................................. 48 4.2.5 Analisis Hasil Pelatihan ........................................................ 50 4.2.6 Pengujian Jaringan Syaraf Tiruan ........................................ 55 4.2.7 Hasil Simulasi Peramalan Menggunakan Jaringan Syaraf
Tiruan ................................................................................... 56 4.3 Peramalan Permintaan Menggunakan Analisa Deret Waktu (Time Series) ................................................................................. 59
xix
4.4 Perbandingan Hasil Peramalan Metode Jaringan Syaraf Tiruan dengan Time Series ....................................................................... 61
V. KESIMPULAN DAN SARAN ......................................................... 67 5.1 Kesimpulan .................................................................................... 67 5.2 Saran ............................................................................................. 67 DAFTAR PUSTAKA ............................................................................ 69 LAMPIRAN .......................................................................................... 75
xx
DAFTAR TABEL
Nomor Teks Halaman 4.1 Hasil Pelatihan Jaringan Susu Pasteurisasi Kop
SAE Pujon ..................................................................
52
4.2 Hasil Simulasi Peramalan Permintaan Susu Pasteurisasi Kop SAE Pujon Periode April 2014 – Maret 2015 Menggunakan Jaringan Syaraf Tiruan ...
57
4.3 Hubungan Prediksi Faktor –faktor yang Mempengaruhi Volume Penjualan dengan Hasil Simulasi Peramalan Menggunakan Jaringan Syaraf Tiruan Periode April 2014 – Maret 2015 ....................
58
4.4 Perbandingan Hasil Peramalan Metode Jaringan Syaraf Tiruan dengan Time Series pada Periode April 2014 – Maret 2015 .............................................
62
4.5 Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series ......
63
4.6 Nilai MAPE Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series ........................... .......
63
4.7 Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Data Aktual Periode April – Juni 2014 ...........................................................................
65
xxi
DAFTAR GAMBAR
Nomor Teks Halaman 2.1 Single Layer Network .............................................. 16
2.2 Multi Layer Network ................................................ 17
2.3 Reccurent Network ................................................. 18
2.4 Arsitektur Backpropagation ..................................... 20
3.1 Diagram Alir Penelitian ........................................... 29
3.2 Diagram Alir Algoritma Backpropagation ................ 32
4.1 Model Jaringan Syaraf Tiruan 3-10-1 ..................... 52
4.2 Performance Pelatihan Jaringan 3-10-1 ................. 53
4.3 Hubungan antara Target dengan Output Jaringan untuk Data Pelatihan ...............................................
54
4.4 Hasil Pengujian Data Testing.................................. 55
4.5 Hasil Peramalan Permintaan dengan Menggunakan Metode Simple Seasonal ................
60
xxii
DAFTAR LAMPIRAN
Nomor Teks Halaman 1. Data Penjualan dan Faktor-Faktor yang
Mempengaruhi Volume Penjualan ............................... 75
2. Pasangan Data Training pada Jaringan Syaraf Tiruan .. 78
3. Pasangan Data Testing pada Jaringan Syaraf Tiruan .. 80
4. Data Prediksi Volume Penjualan dan Faktor-Faktor yang Mempengaruhi Volume Penjualan ........................
81
5. Algoritma Backpropagation Menggunakan Matlab ........ 82
6. Keluaran Jaringan Syaraf Tiruan pada Matlab ............... 93
7. Data Masukan (Input) pada Metode Time Series ......... 100
8. Hasil Peramalan Menggunakan Metode Time Series Periode April 2014 – Maret 2015 ....................................
102
9. Keluaran Time Series pada SPSS ................................. 103
1
BAB 1 PENDAHULUAN
1.1 Latar Belakang
Industri pengolahan susu akhir-akhir ini sedang mengalami peningkatan penjualan. Meningkatnya permintaan susu pengolahan ini seiring dengan meningkatnya kesejahteraan masyarakat Indonesia. Oleh karena itu, Asosiasi Industri Pengolahan Susu (AIPS) memperkirakan penjualan susu olahan meningkat 10%. Permintaan yang besar terhadap produk olahan susu, membuat penjualan industri susu olahan pada 2013 bisa mencapai Rp. 36,48 triliun, meningkat 10% dari realisasi penjualan tahun lalu (Anonim, 2013). Prospek industri susu yang semakin menjanjikan ini, mendorong produsen susu untuk terus menambah kapasitas produksi dan membangun pabrik baru di Indonesia. Hal tersebut memiliki arti positif karena dapat menambah investasi dan mendatangkan devisa bagi negara.
Salah satu perusahaan susu di Indonesia adalah koperasi susu SAE Pujon. Koperasi susu SAE Pujon terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Sebagai salah satu koperasi penghasil susu pasteurisasi, koperasi susu SAE Pujon tentunya memiliki banyak pesaing. Sangatlah penting bagi pihak koperasi untuk menjaga eksistensi produknya. Produk susu pasteurisasi yang berada di Pujon memiliki prospek yang baik untuk dikembangkan lebih lanjut mengingat letak Pujon sangat strategis yaitu dekat dengan Kota Malang dan Kota Batu yang memiliki populasi cukup besar, sehingga peluang pasar semakin terbuka. Faktor pendukung yang lainnya adalah banyaknya para peternak sapi perah sehingga memudahkan untuk pasokan bahan baku kepada pihak produsen. Permasalahan yang dihadapi oleh koperasi susu SAE Pujon adalah masih kesulitan dalam meramalkan permintaan konsumen terhadap permintaan produk susu pasteurisasi karena peramalan yang dilakukan berdasarkan perkiraan dari
2
periode lalu. Koperasi belum bisa meramalkan permintaan susu pasteurisasi periode mendatang yang akan mengetahui jumlah permintaan dari konsumen. Peramalan permintaan yang terlalu besar akan berdampak pada peningkatan biaya produksi dan biaya inventori jika terdapat produk yang tidak habis terjual. Sebaliknya, apabila peramalan permintaan terlalu kecil, maka akan terjadi peningkatan biaya stock out bahkan dapat kehilangan pelanggan. Hasil dari peramalan permintaan ini nantinya akan digunakan sebagai dasar untuk melaksanakan perencanaan selanjutnya seperti perencanaan produksi, pemasaran, anggaran biaya dan perencanaan lainnya.
Dalam suatu proses peramalan diperlukan metode yang tepat sesuai dengan kondisi perusahaan yang diamati, selain itu juga harus disesuaikan dengan tujuan peramalan itu sendiri. Metode peramalan yang tepat digunakan dalam perusahaan ini adalah jaringan syaraf tiruan dan time series. Jaringan syaraf tiruan adalah metode yang paling luas digunakan dalam penggalian data. Jaringan syaraf tiruan cenderung bekerja lebih baik untuk menangani data-data dengan hubungan yang kompleks, misalnya memiliki tingkat nonlinieritas yang tinggi (Olson dan Shi, 2008). Kelebihan dari jaringan syaraf tiruan adalah mampu mengakuisisi pengetahuan walau tidak ada kepastian dan memiliki kemampuan perhitungan secara paralel sehingga proses lebih singkat. Jaringan syaraf tiruan memiliki kelemahan ketika menangani jumlah variabel yang besar karena kerumitan perhitungan meningkat secara dramatis. Dalam penelitian ini peramalan dilakukan dengan mempertimbangkan unsur bauran pemasaran yang digunakan sebagai masukan (input) pada jaringan syaraf tiruan. Unsur bauran pemasaran yang digunakan adalah harga produk, jumlah tempat pemasaran, biaya distribusi dan biaya promosi. Metode yang digunakan sebagai pembanding dalam penelitian ini adalah metode time series. Menurut Herjanto (2003), metode serial waktu (deret berkala, time series) adalah metode yang digunakan untuk menganalisis serangkaian data yang merupakan fungsi dari waktu. Data volume penjualan digunakan sebagai input dalam peramalan menggunakan metode time series. Hasil peramalan menggunakan jaringan
3
syaraf tiruan berdasarkan unsur bauran pemasaran selanjutnya akan dibandingkan dengan peramalan menggunakan metode time series berdasarkan data volume penjualan untuk mengetahui metode mana yang paling tepat digunakan di koperasi susu SAE Pujon. 1.2 Rumusan Masalah
Berdasarkan uraian di atas, maka rumusan masalah dalam penelitian ini yaitu: 1. Bagaimana hasil peramalan permintaan produk susu
pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan dan time series dengan mempertimbangkan faktor-faktor yang mempengaruhi volume penjualan?
2. Bagaimana perbandingan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan dengan time series?
1.3 Tujuan
Tujuan yang ingin dicapai dari penelitian yang akan dilaksanakan adalah: 1. Mengetahui hasil peramalan permintaan produk susu
pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan dan time series dengan mempertimbangkan faktor-faktor bauran pemasaran.
2. Membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi susu SAE Pujon menggunakan metode jaringan syaraf tiruan dengan time series berdasarkan data volume penjualan.
1.4 Manfaat
Manfaat yang diharapkan dari penelitian ini adalah: 1. Bagi perusahaan yang menjadi obyek penelitian, diharapkan
penelitian ini dapat memberikan informasi dalam peramalan
4
permintaan produk susu pasteurisasi sehingga perencanaan produksi optimal.
2. Bagi pihak yang memerlukan, diharapkan hasil penelitian ini dapat dimanfaatkan untuk menambah pengetahuan dan pengalaman peneliti serta pengaplikasian ilmu yang diperoleh di bangku kuliah.
5
BAB 2 TINJAUAN PUSTAKA
2.1 Susu
Susu merupakan bahan pangan yang tersusun atas berbagai nilai gizi dengan proporsi yang imbang. Tingginya kandungan gizi pada susu justru merupakan media yang baik bagi pertumbuhan mikrobia, sehingga susu merupakan salah satu bahan pangan yang mudah rusak atau perishable. Faktor penyebab kerusakan susu dapat meliputi faktor kimia, fisik, dan mikrobiologi. Namun kerusakan susu akibat pengaruh faktor mikrobiologi menjadi penyebab utama terjadinya kerusakan susu. Hal ini diakibatkan karena susu sangat mudah tercemar oleh mikroba, baik pada waktu proses pemerahan maupun pengolahan, sehingga menjadikan masa simpan susu relatif singkat yaitu hanya sekitar 5 (lima) jam apabila disimpan dalam suhu ruang (Maitimu dkk., 2012).
Kondisi zat gizi yang baik pada susu tersebut juga memberi peluang yang baik pula bagi pertumbuhan mikroba seperti bakteri, kapang, dan khamir, karena dalam pertumbuhannya mikroba juga membutuhkan bahan makanan. Pertumbuhan berbagai mikroba tersebut akan mengubah mutu susu, ditandai dengan perubahan rasa, aroma, warna, dan penampakan, yang akhirnya menyebabkan susu tersebut rusak. Untuk itu, susu perlu mendapatkan penanganan yang cepat sebelum rusak, antara lain melalui pasteurisasi (Abubakar dan Usmiati, 2001).
2.2 Bauran Pemasaran (Marketing Mix)
Bauran pemasaran adalah strategi gabungan empat elemen kunci pemasaran: produk, harga, distribusi, dan promosi, yang digunakan untuk memasarkan produk (Soegoto, 2010). Keberhasilan perusahaan di bidang pemasaran didukung oleh keberhasilan dalam memilih produk yang tepat, harga yang layak, saluran distribusi yang baik, dan promosi
6
yang efektif. Empat kebijaksanaan pemasaran yang sering disebut konsep empat P atau bauran pemasaran (marketing mix) tersebut adalah Produk (Product), Harga (Price), Saluran Distribusi (Place) dan Promosi (Promotion). Untuk mencapai tujuan pemasaran, keempat unsur tersebut harus saling mendukung, sehingga keberhasilan di bidang pemasaran diharapkan diikuti oleh kepuasan konsumen (Fuad dkk, 2006).
2.2.1 Produk (Product)
Produk adalah unsur bauran pemasaran yang paling mendasar, yang meliputi pengemasan, merek dagang, desain, harga, citra, pelayanan, waktu pengiriman, berbagai fitur, gaya, jasa, mutu, jaminan keabsahan, dan bahkan situs web yang akan dilihat oleh sebagian besar pelanggan (Soegoto, 2010). Pembeli akan membeli produk kalau merasa cocok. Karena itu, produk harus disesuaikan dengan keinginan ataupun kebutuhan pembeli, agar pemasaran produk berhasil. Dalam hal ini tugas bagian pemasaran tidak mudah, harus menyesuaikan kemampuan perusahaan dengan keinginan pasar (konsumen) (Fuad dkk, 2006). 2.2.2 Harga (Price)
Harga adalah sejumlah kompensasi (uang maupun barang) yang dibutuhkan untuk mendapatkan sejumlah kombinasi barang atau jasa. Pada saat ini, bagi sebagian besar anggota masyarakat, harga masih menduduki tempat teratas sebagai penentu dalam keputusan untuk membeli suatu barang atau jasa (Fuad dkk, 2006). Kebijakan penentuan harga harus diputuskan jauh sebelum produk tersebut diluncurkan. Tujuannya adalah untuk mengetahui apakah perusahaan dapat memperoleh laba dan apakah konsumen bersedia untuk mengeluarkan uang untuk produk yang akan digunakan. Harga ini dirancang dengan sedikit memperhatikan struktur biaya perusahaan atau pesaing (Rangkuti, 2002).
7
2.2.3 Tempat / Sistem Penyampaian Jasa (Place)
Saluran distribusi adalah saluran yang digunakan oleh produsen untuk menyalurkan produk sampai ke konsumen atau berbagai aktivitas perusahaan yang mengupayakan agar produk sampai ke tangan konsumen. Para penyalur dapat menjadi alat bagi perusahaan untuk mendapatkan umpan balik dari konsumen di pasar. Penentuan jumlah penyalur juga merupakan masalah yang penting untuk dipertimbangkan. Bila jumlah penyalur terlalu sedikit menyebabkan penyebaran produk kurang luas, sedangkan jumlah penyalur yang terlalu banyak mengakibatkan pemborosan waktu, perhatian dan biaya (Fuad dkk, 2006). Banyak faktor yang mempengaruhi keputusan jumlah saluran distribusi. Diantaranya adalah karakterisitik pasar, jenis produk, kondisi perusahaan dan situasi lingkungan bisnis. Dari semua faktor ini, karakteristik pasar adalah yang paling dominan dalam mempengaruhi keputusan jumlah distribusi (Irawan, 2003).
2.2.4 Promosi (Promotion)
Promosi adalah bagian dari bauran pemasaran yang besar peranannya. Promosi merupakan kegiatan – kegiatan yang secara aktif dilakukan perusahaan untuk mendorong konsumen membeli produk yang ditawarkan. Karena itu, promosi dipandang sebagai arus informasi atau persuasi satu arah yang dibuat untuk mengarahkan seseorang atau organisasi agar melakukan pertukaran dalam pemasaran (Fuad dkk, 2006). Menurut Rangkuti (2002) kegiatan promosi harus ditentukan secara strategis sehingga upaya dan biaya yang dikeluarkan dapat sesuai dengan hasil yang akan diperoleh. 2.3 Peramalan 2.3.1 Pengertian Peramalan
Peramalan merupakan suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan dimasa lalu. Esensi peramalan adalah perkiraan peristiwa-
8
peristiwa diwaktu yang akan datang atas dasar pola-pola diwaktu yang lalu, dan penggunaaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola di waktu yang lalu (Prasetya dan Lukiastuti, 2009). Peramalan dapat dilakukan dengan secara kuantitatif maupun kualitatif. Pengukuran secara kuantitatif menggunakan metode statistik, sedangkan pengukuran secara kualitatif berdasarkan pendapat (judgment) dari yang melakukan peramalan. Berkaitan dengan itu, dalam peramalan dikenal istilah prakiraan dan prediksi (Herjanto, 2003). 2.3.2 Peramalan Permintaan
Peramalan permintaan adalah proyeksi permintaan untuk produk atau layanan suatu perusahaan yang mengendalikan produksi, kapasitas serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya manusia. Peramalan ini meramalkan penjualan suatu perusahaan pada setiap periode dalam horizon waktu (Prasetya dan Lukiastuti, 2009). Selain itu, peramalan permintaan produk akan mempengaruhi perusahaan pada tiga fungsi, yaitu: 1. Sumber daya manusia, yaitu pilihan untuk mempekerjakan,
melatih atau memberhentikan para pekerja tergantung pada permintaan produk yang diantisipasi (Rismawati, 2009).
2. Kapasitas, yaitu jumlah produksi terkait jumlah pelanggan ataupun pangsa pasar (Santoso, 2009).
3. Manajemen rantai supply, yaitu hubungan dengan pemasok yang baik dan keunggulan kerja yang terjamin untuk bahan baku dan suku cadang tergantung pada ramalan yang akurat (Nasution, 2008).
2.3.3 Macam-macam Metode Peramalan
Menurut Nasution (2008), secara umum peramalan diklasifikasikan menjadi dua macam yaitu : 1. Peramalan yang bersifat subyektif (kualitatif)
9
Metode ini digunakan dimana tidak ada model matematik, biasanya dikarenakan data yang ada tidak cukup representatif untuk meramalkan masa yang akan datang (long term forecasting). Peramalan kualitatif menggunakan pertimbangan pendapat-pendapat para pakar yang ahli atau experd di bidangnya. Adapun kelebihan dari metode ini adalah biaya yang dikeluarkan sangat murah (tanpa data) dan cepat diperoleh. Sementara kekurangannya yaitu bersifat subyektif sehingga seringkali dikatakan kurang ilmiah. Salah satu pendekatan peramalan dalam metode ini adalah Teknik Delphi. 2. Peramalan yang bersifat obyektif (kuantitatif)
Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kuantitatif, yaitu: a) Model-model Regresi
Perluasan dari metode Regresi Linier untuk meramalkan suatu variabel yang memiliki hubungan secara linier dengan variabel bebas yang diketahui atau diandalkan.
b) Model Ekonometrik Menggunakan serangkaian persamaan-persamaan regresi
dimana terdapat variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.
c) Model Time Series Analysis (Deret Waktu) Memasang suatu garis trend yang representatif dengan data-data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan datang.
2.4 Time Series 2.4.1 Pengertian Time Series
Deret waktu (time series) adalah serangkaian nilai pengamatan (observasi) yang diambil selama kurun waktu tertentu, pada umumnya dalam interval-interval yang sama panjang. Secara matematis, deret waktu didefinisikan oleh nilai-nilai Y1, Y2,.... dari suatu variabel Y untuk titik-titik waktu t1,t2....
10
Dengan demikian, Y merupakan sebuah fungsi dari t dan disimbolkan dengan Y = F(t) (Spiegel dan Stephens, 2007). Data time series yang biasa digunakan bersifat harian, mingguan, bulanan atau tiga bulanan. Semua ini sangat tergantung pada data yang dimiliki serta seberapa besar fluktuasi atau perubahan informasi yang diperoleh (Rangkuti, 2006). 2.4.2 Metode Peramalan Time Series
Analisa deret berkala (time series) adalah suatu alat yang dapat digunakan untuk mengetahui kecenderungan suatu nilai dari waktu ke waktu, serta alat analisis yang dapat diterapkan guna memprediksi nilai suatu variabel pada kurun waktu tertentu. Bagaimana data statistik yang disusun berdasarkan urutan waktu bisa tercipta, hal tersebut merupakan hasil interaksi beberapa faktor, misalnya kegiatan perekonomian, faktor budaya, dinamika sosial serta politik, dan pengaruh siklus alam (Santosa dan Hamdani, 2007). Metode ini berhubungan dengan satu faktor peramalan meliputi : a. Model rata-rata bergerak (Moving Averages Model)
Model rata-rata bergerak menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan di masa yang akan datang. Metode rata-rata bergerak akan efektif diterapkan apabila dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu (Gaspersz, 2005). Secara matematika, rumus prakiraan dengan metode rata-rata bergerak sederhana sebagai berikut (Herjanto, 2006) :
∑
.....................(1)
Dimana : Xt = data observasi periode t N = panjang serial waktu yang digunakan Ft+1 = nilai prakiraan periode t+1
b. Metode Rata-rata Bergerak Tertimbang Metode rata-rata bergerak sederhana dianggap mempunyai kelemahan, yaitu menggunakan bobot yang
11
sama pada setiap periode. Hal ini menunjukkan bentuk prakiraannya linear. Dalam banyak hal, periode yang diramalkan (periode t+1) banyak mengandung informasi yang sama dengan periode t dibandingkan periode yang lain, misalnya t-1 atau t-2. Oleh karena itu, periode terakhir seharusnya mendapat bobot yang lebih besar dibandingkan periode sebelumnya. Rumus metode rata-rata bergerak tertimbang sebagai berikut (Herjanto, 2006) :
.........................(2)
Dimana: Wt adalah bobot untuk periode t Apabila Wt + Wt-1 + .... + Wt-N+1 = 1, yaitu jika pembobotan dalam persen, rumus nilai prakiraan untuk periode t+1 dapat disederhanakan menjadi:
....(3)
c. Metode Exponential Smoothing Metode Exponential Smoothing (Makridakis, 2005) merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitikberatkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikarenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama.
d. Metode Dekomposisi Dalam melakukan forecasting cukup banyak metode
yang dapat digunakan, salah satu metode tersebut yaitu metode dekomposisi. Dekomposisi adalah metode pemecahan data menjadi sub pola yang menunjukkan tiap-tiap komponen deret berkala secara terpisah. Pemisahan tersebut seringkali membantu meningkatkan ketepatan peramalan dan membantu pemahaman perilaku deret data secara lebih baik (Amran, 2003).
12
2.5 Jaringan Syaraf Tiruan 2.5.1 Pengertian Jaringan Syaraf Tiruan (JST)
Metode Jaringan Syaraf Tiruan (JST), yaitu sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. JST dapat digunakan untuk meramalkan apa yang akan terjadi di masa yang akan datang berdasarkan pola kejadian yang ada di masa lampau (Siang, 2005). Menurut Sekarwati (2005), jaringan syaraf tiruan merupakan sistem komputasi yang didasarkan atas pemodelan sistem syaraf biologis (neurons) melalui pendekatan dari sifat-sifat komputasi biologis (biological computation). JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa (Pandjaitan, 2007): a. Pemrosesan informasi terjadi pada banyak elemen
sederhana (neuron) b. Sinyal dikirimkan diantara neuron-neuron melalui
penghubung-penghubung c. Penghubung antar neuron memiliki bobot yang akan
memperkuat atau memperlemah sinyal d. Untuk menentukan output, setiap neuron menggunakan
fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
2.5.2 Karakteristik Jaringan Syaraf Tiruan
Algoritma jaringan syaraf tiruan memiliki karakteristik-karakteristik sebagai berikut (Fu, 2001): 1. Masukan dapat berupa nilai diskrit atau real yang memiliki
banyak dimensi 2. Keluaran berupa vektor yang terdiri dari beberapa nilai diskrit
atau real 3. Dapat mempelajari permasalahan secara black box dengan
hanya mengetahui masukan serta keluarannya saja 4. Mampu menangani pembelajaran terhadap data yang
memiliki derau (noise)
13
5. Bentuk dari fungsi target pembelajaran tidak diketahui, karena hanya berupa bobot-bobot nilai masukan pada setiap neuron
6. Karena harus mengubah banyak nilai bobot pada proses pembelajaran, maka waktu pembelajaran menjadi lama, sehingga tidak cocok untuk masalah yang memerlukan waktu cepat dalam pembelajaran
7. Jaringan syarat tiruan hasil pembelajaran tiruan dapat dijalankan dengan cepat.
2.5.3 Fungsi Aktivasi
Dalam jaringan syaraf tiruan, fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron (Siang, 2005). Fungsi aktivasi yang digunakan untuk jaringan multilayer adalah fungsi aktivasi nonlinier, karena jika digunakan fungsi linier maka hasilnya tidak akan berbeda dengan hasil pada jaringan single layer (Setiawan dan Rudiyanto, 2004). Ada beberapa fungsi aktivasi untuk jaringan syaraf tiruan yang biasa digunakan. Fungsi aktivasi yang disediakan pada toolbox matlab, antara lain (Siang, 2005) : 1. Fungsi undak biner (hardlim)
Fungsi undak biner (step function) sering digunakan pada jaringan dengan lapisan tunggal untuk mengkonversi input dari suatu variabel yang bernilai kontinu ke suatu output biner (0 atau 1) dengan syntax: Y = hardlim(a) (Kusumadewi, 2004).
{
......................................................(4)
2. Fungsi bipolar (hardlims) Fungsi bipolar sebenarnya hampir sama dengan fungsi undak biner, hanya saja output yang dihasilkan berupa 1 atau -1. Pada matlab fungsi ini lebih dikenal dengan nama hardlims, dengan syntax: Y = hardlim (a) (Siang, 2005).
{
.................................................(5)
14
3. Fungsi linier (purelin) Fungsi linier memiliki nilai output yang sama dengan nilai inputnya. Pada matlab fungsi aktivasi linier (identitas) dikenal dengan nama purelin, dengan syntax : Y = purelin(a) (Hermawan, 2006).
y = x.......................................................................(6) 4. Fungsi saturating linier (satlin)
Fungsi ini akan bernilai 0 jika inputnya kurang dari - 1/2, dan akan bernilai 1 jika inputnya lebih dari 1/2. Sedangkan jika nilai input terletak antara - 1/2 dan 1/2, maka outputnya akan bernilai sama dengan nilai input ditambah 1/2. Pada matlab syntax yang digunakan adalah: Y = satlin(a) (Muis, 2006).
{
...........................(7)
5. Fungsi symetric saturating linier (satlins) Fungsi ini akan bernilai -1 jika inputnya kurang dari -1, dan
akan bernilai 1 jika inputnya lebih dari 1. Sedangkan jika nilai input terletak -1 dan 1, maka outputnya akan bernilai sama dengan nilai inputnya. Pada matlab syntax yang digunakan adalah : Y = satlins(a) (Siang, 2005).
{
...................................(8)
6. Fungsi sigmoid biner (logsig) Fungsi ini digunakan untuk jaringan syaraf yang dilatih
dengan menggunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai pada range 0 sampai 1. Oleh karena itu, 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. Syntax yang digunakan pada matlab adalah: Y = logsig (a) (Ganatr, 2010).
( )
( )...............................................(9)
15
7. Fungsi sigmoid bipolar (tansig) Fungsi sigmoid bipolar hampir sama dengan fungsi sigmoid biner, hanya saja output dari fungsi ini memiliki range antara 1 sampai -1. Syntax yang digunakan pada matlab adalah: Y = tansig(a) (Siang, 2005).
( )
( )......................................(10)
2.5.4 Arsitektur Jaringan Syaraf Tiruan
Arsitektur jaringan dan algoritma pelatihan sangat menentukan model-model jaringan syaraf tiruan. Arsitektur tersebut gunanya untuk menjelaskan arah perjalanan sinyal atau data di dalam jaringan, sedangkan algoritma belajar menjelaskan bagaimana bobot koneksi harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai. Dengan mengatur besarnya nilai bobot, diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat (Siang, 2005) : Berdasarkan arsitekturnya, model jaringan syaraf tiruan digolongkan menjadi: 1. Jaringan Layar Tunggal (Single Layer Network)
Tipe jaringan paling sederhana, dibangun oleh lapisan masukan yang berkoneksi dengan lapisan keluaran yang berjalan satu arah (feedforward) (Saputro, 2002). Tidak ada unit input yang dihubungkan dengan unit input lainnya, demikian pula dengan unit outputnya. Model yang masuk kategori ini antara lain: ADALINE, Hopfield, Perceptron, LVQ dan lain-lain (Siang, 2005).
16
Gambar 2.1 Single Layer Network (Siang, 2005)
2. Jaringan Layar Jamak (Multi Layer Network)
Jaringan ini sebenarnya merupakan jaringan satu lapisan yang jumlahnya banyak dan prinsip kerja jaringan banyak lapisan ini sama dengan jaringan satu lapisan (Kristanto, 2004). Dalam jaringan ini, selain unit masukan dan keluaran, ada unit-unit lain (sering disebut layar tersembunyi). Jaringan banyak lapisan dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan satu lapisan, meskipun kadangkala proses pelatihan kompleks dan lama. Model yang termasuk kategori ini antara lain : MADALINE, backpropagation (Siang, 2005).
17
Gambar 2.2 Multi Layer Network (Siang, 2005)
3. Jaringan dengan umpan balik (Reccurent Network)
Model jaringan reccurent mirip dengan jaringan satu lapisan atau banyak lapisan. Hanya saja, ada neuron output yang memberikan sinyal pada unit input (sering disebut feedback loop) (Siang, 2005). Jika suatu jaringan berulang (mempunyai koneksi kembali dari output ke input) akan menimbulkan ketidakstabilan dan akan menghasilkan dinamika yang sangat kompleks. Jaringan yang berulang sangat menarik untuk diteliti dalam jaringan syaraf tiruan, namun sejauh ini struktur feedforward sangat berguna untuk memecahkan masalah. Yang termasuk dalam stuktur recurrent (feedback) antara lain: competitive networks, self-organizing maps, hopfield networks dan adaptive-resonanse theory models (Kusumadewi, 2004).
18
Gambar 2.3 Reccurent Network (Kusumadewi, 2004)
2.5.5 Pelatihan Jaringan Syaraf Tiruan
Ide dasar jaringan syaraf tiruan adalah konsep belajar atau pelatihan. Jaringan-jaringan belajar melakukan generalisasi karakteristik tingkah laku objek. Algoritma pelatihan artinya membentuk pemetaan (fungsi) yang menggambarkan hubungan antara vektor masukan dan vektor keluaran. Biasanya diberikan contoh yang cukup penting dalam membangun pemetaan tersebut. Untuk dapat menyelesaikan suatu permasalahan, jaringan syaraf tiruan memerlukan algoritma belajar atau pelatihan. Dengan pelatihan ini, pengetahuan yang terdapat pada data dapat diserap dan dipresentasikan oleh harga-harga bobot koneksinya (Sekarwati, 2005). Metode jaringan syaraf tiruan dilatih dengan seperangkat data untuk bisa mengenali dan mengidentifikasi pola data atau kurva (Kusumadewi, 2004). Pelatihan atau learning process merupakan sarana pelatihan untuk mendapatkan nilai bobot yang sesuai pada setiap node yang membentuk jaringan syaraf tiruan (Darmawan dan Budiarto, 2004). Berdasarkan cara memodifikasi bobot pada jaringan syaraf tiruan, ada 2 macam pelatihan yang dikenal yaitu:
19
1. Pelatihan dengan Supervisi (Supervised Training) Metode pelatihan terbimbing (supervised learning) adalah metode pelatihan yang memasukan target keluaran dalam data untuk proses pelatihannya (Purnomo dan Kurniawan, 2006). Pada pelatihan supervised, terdapat sejumlah pasangan data (masukan-target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut (Siang, 2005).
2. Pelatihan tanpa Supervisi (Unsupervised Training) Pada pelatihan unsupervised jaringan syaraf tiruan hanya diberi data masukan tapi bagaimana outputnya tidak ditentukan (Kusumadewi, 2004). Jadi, secara mandiri jaringan syaraf tiruan akan mengatur keluarannya sesuai dengan aturan yang dimiliki (Kristanto, 2004). Pada pelatihan tanpa supervisi jaringan tidak mendapatkan target, sehingga JST mengatur bobot interkoneksi sendiri. Belajar tanpa pengawasan kadang-kadang diacu sebagai self-organizing learning, yakni belajar mengklasifikasikan tanpa dilatih (Muis, 2003).
Untuk membuat jaringan syaraf tiruan melakukan beberapa kerja khusus. Harus dipilih bagaimana unit-unit dihubungkan antara satu dengan yang lain dan harus mengatur bobot dari hubungan tersebut secara tepat. Hubungan tersebut menentukan apakah mungkin suatu unit mempengaruhi unit yang lain. Bobot menentukan kekuatan dari pengaruh tersebut. Dapat dilakukan pembelajaran terhadap 3 lapisan pada jaringan syaraf tiruan untuk melakukan kerja khusus dengan menggunakan prosedur dibawah ini (Yani,2005): 1. Memperkenalkan jaringan syaraf tiruan dengan contoh
pembelajaran yang terdiri dari sebuah pola dari aktifitas untuk unit-unit input bersama dengan pola yang diharapkan dari aktifitas untuk unit-unit output.
2. Menentukan seberapa dekat output sebenarnya dari jaringan syaraf tiruan sesuai dengan output yang diharapkan.
20
3. Mengubah bobot setiap hubungan agar jaringan syaraf tiruan menghasilkan suatu perkiraan yang lebih baik dari output yang diharapkan
2.5.6 Algoritma Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terlatih (supervised) dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (Kusumadewi, 2004). Sistem ini dapat fokus pada perubahan input yang menyerupai pola lain yang telah tampak sebelumnya. Backpropagation telah diaplikasikan pada pengenalan karakter, pengenalan target sensor, klasifikasi citra, pengkodean sinyal, proses pengetahuan dan peramalan (Saleh, 2003).
Gambar 2.4 Arsitektur Backpropagation (Saleh, 2003)
Pelatihan backpropagation meliputi 3 fase. Fase pertama adalah fase maju, fase kedua adalah fase mundur, sedangkan yang ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi (Siang, 2005). a. Fase I : Propagasi Maju Selama propagasi maju, sinyal masukan (xj) dipropagasikan ke layar tersembunyi menggunakan fungsi
21
aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (zj) tersebut selanjutnya dipropagasikan maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (yk). Berikutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus dicapai (tk). Selisih tk – yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi (Oktaviani, 2010). b. Fase II : Propagasi Mundur Berdasarkan kesalahan tk – yk , dihitung faktor ẟk (k = 1,2,3,...,m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. ẟk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Kemudian dihitung faktor ẟj di setiap unit tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor ẟ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung (Oktaviani, 2010). c. Fase III : Perubahan bobot Setelah semua faktor ẟ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis di dasarkan atas faktor ẟ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran di dasarkan atas ẟk yang ada di unit keluaran (Oktaviani, 2010). Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah kecil dari batas toleransi yang diijinkan (Oktaviani, 2010).
22
2.5.6.1 Kriteria Pemilihan Algoritma Terbaik untuk Peramalan
Teknik peramalan tidak selamanya selalu tepat karena
teknik peramalan yang digunakan belum tentu sesuai dengan sifat datanya atau disebabkan oleh kondisi di luar bisnis yang mengharuskan bisnis perlu menyesuaikan diri. Oleh karena itu, perlu diadakan pengawasan peramalan sehingga dapat diketahui sesuai atau tidaknya teknik peramalan yang digunakan sehingga dapat dipilih dan ditentukan teknik peramalan yang lebih sesuai dengan cara menentukan batas toleransi peramalan atas penyimpangan yang terjadi. Pada prinsipnya, pengawasan peramalan dilakukan dengan membandingkan hasil peramalan dengan kenyataan yang terjadi. Penggunaan teknik peramalan yang menghasilkan penyimpangan terkecil adalah peramalan yang paling sesuai untuk digunakan (Jumingan, 2009).
Makridakis dkk (1999) menggunakan metode MAPE (Mean Absolute Percentage Error) dan MSE (Mean Square Error) untuk mengetahui besarnya penyimpangan yang terjadi pada data hasil peramalan terhadap data aktual. Adapun perhitungan MAPE dan MSE dapat dilihat pada persamaan (11) dan (12) berikut:
MAPE =
∑
....................................(11)
MSE = ∑ ( )
.............................................(12)
dimana: yi = nilai target/output pada periode ke-i ŷi = nilai prediksi/keluaran pada periode ke-i n = jumlah pola dari data training/testing Selain itu, dapat juga dengan melihat kurva pendugaan yang dihasilkan. Jika kurva yang terbentuk menghasilkan nilai pendugaan yang mendekati nilai sebenarnya dari data, maka model tersebut adalah model terbaik (Mosteller et al, 1988).
23
2.5.7 Kelebihan Menggunakan Jaringan Syaraf Tiruan
Kemampuan dan proses komputasi pada JST memberikan keuntungan-keuntungan sebagai berikut (Fu, 2001): 1. JST bersifat adaptif terhadap perubahan parameter yang
mempengaruhi karakteristik sistem, sehingga pada proses belajar, JST mampu belajar secara adaptif dan melaksanakan tugas berbasis pada data yang diberikan saat pelatihan.
2. JST memiliki kekebalan atau toleran terhadap kesalahan. Artinya, JST tetap berfungsi walaupun ada ketidaklengkapan data yang dimasukkan. JST mempunyai kemampuan mengisi bagian masukkan yang kurang lengkap sedemikian rupa sehingga tetap diperoleh keluaran yang lengkap.
3. JST dapat dilatih memberikan keputusan dengan memberikan set pelatihan sebelumnya untuk mencapai target tertentu, sehingga JST mampu membangun dan memberikan jawaban sesuai dengan informasi yang diterima pada proses pelatihan.
4. JST mempunyai struktur paralel dan terdistribusi. 5. JST mampu mengklasifikasi pola masukan dan pola
keluaran. Melalui proses penyesuaian, pola keluaran dihubungkan dengan masukkan yang diberikan oleh JST.
2.5.8 Aplikasi Jaringan Syaraf Tiruan
Menurut Siang (2005), beberapa aplikasi jaringan syaraf tiruan umumnya berpusat pada tiga bidang utama, yaitu: pengenalan pola data (pattern regognition), signal processing dan peramalan (forecasting). Aplikasi yang sudah berhasil ditemukan antara lain, a) Klasifikasi, model yang bisa digunakan untuk aplikasi ini antara lain : ADALINE, LVQ, Backpropagation, dan lain-lain. b) Pengenalan pola, model yang biasa digunakan untuk aplikasi ini antara lain: ART (Adaptive Resonance Theory), LVQ, Backpropagation, Neocognitron, dan lain-lain. c) Peramalan, model yang biasa digunakan untuk aplikasi ini antara lain : ADALINE, MADALINE,
24
Backpropagation, dan lain-lain. d) Optimasi, model yang bisa digunakan untuk aplikasi ini antara lain: ADALINE, Hopfield, Boltzman, Backpropagation, dan lain-lain. Menurut Yani (2005), permasalahan yang dapat dipecahkan secara baik oleh jaringan syaraf tiruan antara lain: deteksi fenomena kedokteran, mendeteksi golongan darah manusia, prediksi pasar saham, perjanjian kredit, monitoring kondisi mesin dan pemeliharaan mesin. 2.5.9 Penelitian Terdahulu
Pakaja, dkk (2012) melakukan penelitian yang berjudul Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Peramalan penjualan mobil ini menggunakan metode jaringan syaraf tiruan dan time series yang selanjutnya akan dibandingkan dengan metode certainty factor. 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. Data dibagi menjadi data pelatihan, pengujian dan validasi. Proses peramalan menggunakan metode certainty factor (CFf) sebagai nilai pembanding pada bobot koreksi yang telah dilatih dalam jaringan backpropagation untuk prediksi yang optimal. Simulasi program peramalan penjualan mobil honda tahun 2015 dengan variabel input data penjualan daerah 30,000 unit, penjualalan dealer 25.000, penjualan tunai 25.000, CF = 0.5 dan kredit 19.000 menghasilkan ramalan penjualan sebanyak 29579 unit dengan target error 4,205 %. Triwulan, dkk (2013) melakukan penelitian yang berjudul Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Metode peramalan beban yang dibahas pada studi ini adalah metode Jaringan syaraf tiruan (JST) yang dijalankan dengan Backpropogation. Setelah simulasi dilakukan perbandingan antara hasil ramalan oleh Jaringan syaraf tiruan (JST) dan hasil koefisien beban menunjukkan rata-rata error dengan metode JST untuk satu minggu (Senin-Minggu) mencapai 0,12% dengan akurasi 99,88% dan rata-rata error dengan metode koefisien beban
25
untuk satu minggu mencapai 1,85% dengan akuasi 98,15%. Hasil tersebut menunjukkan bahwa peramalan dengan JST lebih baik dari metode koefisien beban. Kusnawan dan Wijoyo (2008) melakukan penelitian yang berjudul Pengaruh Strategi Bauran Pemasaran (Marketing Mix) Terhadap Efektivitas Volume Penjualan Sayuran Hidroponik. Hasil analisis dari penelitian ini menunjukan bahwa volume penjualan sayuran hidroponik mengalami kenaikan untuk tiap tahunnya. Berdasarkan analisis regresi berganda, efektivitas volume penjualan dipengaruhi oleh strategi bauran pemasaran (Marketing Mix) yang terdiri dari: Produk, Harga, Promosi, dan Distribusi (Place). Dari beberapa penelitian terdahulu mengenai penerapan metode jaringan syaraf tiruan maupun time series dapat disimpulkan bahwa sejauh ini penggunaan metode jaringan syaraf tiruan dan time series untuk meramalkan permintaan di masa mendatang memiliki hasil yang cukup baik. Sehingga, pada penelitian ini akan dibandingkan metode mana dari dua metode tersebut yang memiliki hasil peramalan paling baik untuk meramalkan permintaan susu pasteurisasi Kop SAE Pujon. Selain itu, penambahan variabel marketing mix pada metode jaringan syaraf tiruan dirasa cukup tepat karena berdasarkan penelitian Kusnawan dan Wijoyo (2008) menghasilkan pernyataan bahwa efektivitas volume penjualan dipengaruhi oleh strategi bauran pemasaran (Marketing Mix) yang terdiri dari: Produk, Harga, Promosi, dan Distribusi (Place).
26
27
BAB 3 METODE PENELITIAN
3.1 Tempat dan Waktu Penelitian
Penelitian dilakukan di Koperasi susu SAE Pujon yang terletak di Jl. Brigjend Abdul Manan Wijaya 16 Pujon, Malang. Penelitian ini dilaksanakan Maret sampai Mei 2014. Pengolahan data dilakukan di Laboratorium Manajemen Agroindustri, Jurusan Teknologi Industri Pertanian, Fakultas Teknologi Pertanian, Universitas Brawijaya Malang. 3.2 Batasan Masalah Penelitian ini dilakukan dengan batasan masalah sebagai berikut: 1. Penelitian dengan metode jaringan syaraf tiruan ini dilakukan
untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode April 2014 – Maret 2015.
2. Peramalan dilakukan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel.
3. Pada saat erupsi Gunung Kelud terjadi tidak mempengaruhi hasil peramalan periode April 2014 – Maret 2015 karena pada bulan Februari 2014 volume penjualan susu pasteurisasi masih stabil.
4. Data yang digunakan dalam penelitian ini fokus pada lima variabel yaitu data volume penjualan, harga produk, biaya promosi, biaya distribusi dan jumlah tempat pemasaran yang sudah tersedia pada bulan Januari 2009 – Maret 2014. Data tersebut hanya digunakan sebagai input (masukan data) pada peramalan susu pasteurisasi Kop SAE Pujon.
3.3 Asumsi Penelitian ini dilakukan dengan asumsi bahwa : a. Fasilitas produksi tidak mengalami perubahan selama
horizon peramalan.
28
b. Bahan baku produksi selalu tersedia. c. Jumlah tenaga kerja tidak mengalami perubahan selama
horison perencanaan. d. Peramalan permintaan produk susu pasteurisasi Kop SAE
Pujon kemasan cup berlabel secara keseluruhan. 3.4 Jenis Penelitian Penelitian yang dilakukan termasuk jenis penelitian deskriptif kuantitatif, yaitu penelitian yang berusaha menjelaskan pemecahan masalah secara sistematis dan aktual mengenai fakta dan sifat obyek penelitian, dimana data yang dipakai adalah data-data kuantitatif atau berbentuk angka-angka. Fakta atau fenomena yang diamati memiliki realitas obyektif yang bisa diukur. 3.5 Tahapan Penelitian Tahapan penelitian merupakan urutan dari langkah-langkah proses yang saling berkaitan antara satu dengan yang lain untuk memperoleh hasil yang diinginkan. Tahapan penelitian yang digunakan pada penelitian ini secara umum disajikan pada Gambar 3.1. 3.5.1 Survei Pendahuluan Survei pendahuluan yaitu dilakukan dengan mengunjungi Koperasi susu SAE Pujon secara langsung. Survei pendahuluan dilakukan untuk mendapatkan informasi tentang kondisi umum koperasi, baik dari segi manajemen, proses produksi dan kendala-kendala yang sering dialami. Metode yang dilakukan dengan observasi data dan wawancara dengan pihak yang bertanggung jawab terhadap produksi minuman susu pasteurisasi Kop SAE Pujon.
29
Survey
Pendahuluan
Identifikasi
Masalah
Studi Literatur
Pengumpulan
Data
Analisis Data
Jaringan Syaraf
Tiruan
Metode Time
Series
Verifikasi Hasil
Penelitian
Kesimpulan
Gambar 3.1 Diagram Alir Penelitian
3.5.2 Identifikasi Masalah
Berdasarkan survei pendahuluan yang dilakukan dapat diidentifikasi bahwa permasalahan yang dihadapi oleh Koperasi susu SAE Pujon adalah sulitnya meramalkan permintaan produk. Pada beberapa periode produksi, nilai peramalan permintaan produk tidak sesuai dengan permintaan aktual, sehingga permintaan konsumen tidak dapat dipenuhi. Selain
30
itu, terdapat kelebihan jumlah produksi dari permintaan yang mengakibatkan terjadinya penumpukan persediaan. 3.5.3 Studi Literatur
Studi literatur dilakukan dengan cara membaca dan mempelajari literatur-literatur yang berupa buku, laporan dan jurnal yang berkaitan dengan metode jaringan syaraf tiruan dan time series sebagai topik penelitian 3.5.4 Pengumpulan Data
Data yang digunakan pada penelitian ini meliputi: a. Data Primer
Data Primer merupakan data yang diperoleh secara langsung melalui beberapa sumber di perusahaan. Pada penelitian ini, data yang digunakan adalah data penjualan susu pasteurisasi kemasan cup, harga produk, biaya promosi, biaya distribusi dan jumlah tempat pemasaran yang dimiliki. Data primer diperoleh dengan cara melakukan dokumentasi dan wawancara dengan pihak yang bertanggung jawab pada koperasi susu SAE Pujon.
b. Data Sekunder Data sekunder adalah data yang diambil dari sumber-sumber lain yang dapat digunakan sebagai pendukung dan pelengkap data primer seperti jurnal dan buku literatur. Data sekunder dikumpulkan dari beberapa dokumen yang relevan dengan judul penelitian dan hasil studi kepustakaan.
3.5.5 Pengolahan Data Peramalan Permintaan
Pengolahan data yang dilakukan yaitu membandingkan hasil peramalan permintaan produk susu pasteurisasi Kop SAE Pujon menggunakan jaringan syaraf tiruan berdasarkan unsur bauran pemasaran dengan metode peramalan time series berdasarkan data penjualan.
31
3.5.5.1 Peramalan Permintaan Menggunakan Jaringan Syaraf Tiruan
a. Perancangan Arsitektur Jaringan Syaraf Tiruan Arsitektur jaringan yang dipakai adalah jaringan layar jamak (multi layer network). Dalam jaringan ini, selain unit input dan output dan unit-unit lain (sering disebut layar tersembunyi). Jaringan syaraf layar jamak dapat menyelesaikan masalah yang lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala proses pelatihan lebih kompleks dan lama (Siang, 2005). Perancangan arsitektur jaringan syaraf tiruan dilakukan dengan menentukan (Kusumadewi, 2006): 1. Jumlah neuron input layer 2. Jumlah neuron hidden layer 3. Jumlah neuron output layer
b. Penggunaan Algoritma Pembelajaran Backpropagation 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). Langkah-langkah pemrogramannya adalah memberikan masukan ke jejaringan, mempropagasi maju masukkan, menghitung nilai error keluaran, mempropagasi balik error, merubah bobot dan mengulang tahapan 2-5 hingga error diminimalkan. Adapun diagram alir algoritma Backpropagation seperti pada Gambar 3.2.
32
Mulai
Data
Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Penghitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
MSE ≤ ErrorIterasi ≥
Maksimal
Iterasi
Iterasi (epoch)
=
Iterasi + 1
Simpan
Bobot
Selesai
TidakTidak
Ya
Ya
Gambar 3.2 Diagram Alir Algoritma Backpropagation
33
Penjelasan mengenai tahap algoritma backpropagation adalah sebagai berikut: a. Data training Data training adalah pasangan data masukkan dan keluaran aktual (target) yang diberikan pada jaringan untuk dilatih polanya. Sebelum diproses, data-data yang ada dinormalisasi terlebih dahulu. Data untuk training adalah data pada periode Januari 2009 – Desember 2012, sedangkan data pada periode Januari 2013 – Maret 2014 digunakan untuk testing. Semakin besar jumlah data training, semakin akurat dan adaptif hasil peramalan. Data training dan testing yang digunakan adalah data input yang mempengaruhi volume penjualan seperti harga produk, biaya promosi dan distribusi serta jumlah tempat pemasaran (outlet). b. Inisialisasi bobot awal Inisialisasi bobot awal dilakukan dengan pemberian nilai bobot dan bias awal dengan bilangan acak terkecil. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5 atau -1 sampai 1. Hal ini dilakukan karena apabila nilai bobot awal terlalu besar, maka input ke setiap lapisan tersembunyi atau lapisan output akan jatuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil. Sebaliknya, apabila nilai bobot awal terlalu kecil akan menyebabkan proses pelatihan akan berjalan sangat lambat. c. Umpan maju (Feedforward) Selama Feedforward, sinyal masukan (=xi) dipropagasi maju ke lapisan tersembunyi menggunakan fungsi aktivasi yang ditentukan. Semua keluaran dari unit masukan di unit tersembunyi z_inj (j = 1, 2, 3,.....,p) dihitung dengan menjumlahkan bobot dari lapisan masukan ke lapisan tersembunyi (vjo) dengan jumlah dari unit masukan dikali bobot dari xi ke zj. Secara matematis ditulis dengan rumus:
∑
..............................................(13)
Kemudian dihitung sesuai dengan fungsi pengaktif yang digunakan. Pada penelitian ini fungsi yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:
34
( ∑ )
....................................(14)
Dimana fungsi sigmoid dirumuskan sebagai:
...................................(15)
Jadi:
.................................(16)
Keluaran dari unit masukan di setiap unit lapisan tersembunyi (=zj) tersebut selanjutnya dipropagasi maju lagi ke lapisan tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=yk). Semua keluaran jaringan di unit yk (k = 1, 2,3,....,m) dihitung dengan menjumlahkan bobot bias di lapisan tersembunyi ke unit keluaran yk (wk0) dengan jumlah dari unit lapisan tersembunyi (zj) dikali bobot dari unit lapisan tersembunyi zj ke unit keluaran yk (wkj). Secara matematis dapat ditulis dengan rumus:
∑
...........................(17)
Kemudian dihitung kembali dengan fungsi pengaktif sigmoid dengan rumus:
∑
..............................................(18) Dimana fungsi sigmoid dirumuskan sebagai:
...............................................(19)
Jadi:
......................................(20)
Selanjutnya, keluaran jaringan (yk) dibandingkan dengan target yang harus dicapai (=tk). Selisih antara tk-yk adalah kesalahan yang terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Tetapi apabila kesalahan lebih besar dari batas toleransi, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi.
35
d. Propagasi balik (Backpropagation) Berdasarkan kesalahan tk-yk, dihitung faktor ẟk (k = 1, 2, 3,..., m) yang dipakai untuk mendistribusikan kesalahan di unit yk ke semua unit tersembunyi yang terhubung langsung dengan yk. Faktor kesalahan dihitung dengan mengalikan selisih antara target (tk) dan unit keluaran (yk) dengan fungsi turunan dari unit keluaran sebelum dihitung dengan fungsi aktivasi. Secara matematis ditulis dengan rumus:
ẟk = (tk – yk) f’(y_ink).................................................(21) Dimana:
f’(y_ink) = yk(1-yk).....................................................(22) Jadi:
ẟk = (tk – yk) yk(1-yk).................................................(23) ẟk merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya dan juga dipakai untuk mengubah bobot garis yang terhubung langsung dengan unit keluaran. Nilai perubahan unit bobot keluaran (Δwkj) dihitung dengan mengalikan laju percepatan (α), faktor kesalahan (ẟk) pada persamaan (23) dan unit lapisan tersembunyi (zj) pada persamaan (16). Secara matematis dihitung dengan rumus:
Δwkj = α ẟk zj.............................................................(24)
k = 1, 2, 3,...., m ; j = 0, 1, 2,....., p Dengan cara yang sama, dihitung faktor ẟj di setiap unit lapisan tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di lapisan di bawahnya. Faktor kesalahan pada lapisan tersembunyi (ẟ_inj) dihitung dengan menjumlahkan perkalian antara faktor kesalahan (ẟk) pada persamaan (23) dan bobot dari lapisan tersembunyi (wkj). Secara matematis dihitung dengan rumus:
∑ ..................................................(25)
Faktor kesalahan pada unit tersembunyi (ẟj) dihitung dengan mengalikan faktor kesalahan di unit tersembunyi sebelum dihitung dengan fungsi aktivasi (ẟj) dengan turunan fungsi dari keluaran di unit tersembunyi sebelum dihitung dengan fungsi aktivasi (f’(z_inj)). Secara matematis dihitung dengan rumus:
36
∑
......................................(26)
Dimana: ..............................................(27)
Jadi: ................................(28)
Nilai perubahan bobot unit tersembunyi (Δvji) dihitung dengan mengalikan laju pembelajaran (α), faktor kesalahan (ẟj) pada persamaan (28) dan unit masukan (xi). Secara matematis dihitung dengan rumus:
Δvji = α ẟj xi...............................................................(29)
j = 1, 2, 3,..., p i = 0, 1, 2,....,n Demikian seterusnya hingga semua faktor ẟ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. e. Pemberhentian pembelajaran Ketiga fase tersebut diulang – ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Kriteria pemberhentian pembelajaran pada penelitian ini adalah jumlah iterasi yang ditoleransi sebanyak 2.000 iterasi. f. Penerapan Setelah dilakukan proses pembelajaran, maka diperoleh arsitektur jaringan syaraf tiruan dengan jumlah lapis, jumlah neuron tiap lapis, fungsi aktivasi serta learning rate yang optimal. Pemilihan arsitektur terbaik dilakukan menurut kriteria nilai MSE terkecil. Fungsi MSE merupakan fungsi statistika yang mudah untuk dipahami daripada fungsi lain dan bersifat non-negative. Pengukuran kesalahan haruslah merupakan formula yang dapat diturunkan (differentiable), cenderung mendekati nilai nol dan dapat berkurang selama proses pembelajaran. Formula kriteria pemilihan model terbaik yang digunakan dalam penelitian ini, yaitu:
37
∑
...........................................(30)
Semakin kecil MSE, semakin kecil kesalahan JST dalam memprediksi pola dari record yang baru. Maka, pelatihan JST ditujukan untuk memperkecil MSE dari satu siklus ke siklus berikutnya sampai selisih nilai MSE pada siklus ini dengan siklus sebelumnya lebih kecil atau sama dengan batas minimal yang diberikan. c. Pemrograman Algoritma Pembelajaran Pemrograman algoritma pembelajaran backpropagation dilakukan dengan menggunakan software Matlab. Matlab merupakan perangkat lunak yang cocok dipakai sebagai alat komputasi yang melibatkan penggunaan matriks dan vektor, hal ini sesuai bagi pemodelan jaringan syaraf tiruan yang banyak menggunakan manipulasi matriks dalam iterasinya. d. Pengujian Pada tahap pengujian, data training digunakan untuk membentuk jaringan, data ini untuk mengukur akurasi kerja jaringan, dan data testing (berupa data penjualan periode Januari 2013 – Maret 2014) digunakan untuk peramalan. 3.5.5.2 Peramalan Permintaan Menggunakan Metode Time
Series 1. Metode Moving Averages a. Membuat scatter diagram
Untuk membuat pola jumlah permintaan dari data time series yang ada, dilakukan dengan menggambarkan suatu diagram yang dinamakan “scatter diagram” dengan menggunakan program excel. Periode waktu (t) sebagai absis dan jumlah permintaan susu tiap bulan sebagai ordinat.
b. Menentukan persamaan garis Dengan menggunakan “scatter diagram” akan dicari suatu garis yang paling dekat menghampiri titik – titik di dalam diagram tersebut.
38
c. Memilih metode moving averages yang tepat berdasarkan pola yang didapat dari data time series yang ada 1) Jika data time series tidak diketahui polanya, artinya tidak
ada gejala trend naik maupun turun, musiman dan sebagainya, maka untuk meramalkan Ft dapat digunakan metode single moving average sebagai berikut:
∑
...........................(31)
∑
......................(32)
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
2) Jika data time series yang diamati, merupakan suatu deret yang secara tetap meningkat tanpa unsur kesalahan random yang menghasilkan trend linier meningkat, maka dapat digunakan metode double moving averages sebagai berikut:
(
) – (
) ....................(33)
dengan
......................(34)
..................(35)
N = jangka waktu moving averages m = jangka waktu forecast ke depan d. Menghitung kesalahan peramalan
Selanjutnya untuk mengukur error (kesalahan) forecast biasanya digunakan Mean Absolute Percentage Error atau Mean Squared Error 1) Mean Absolute Percentage Error (MAPE)
Mean absolute percentage error (MAPE) yaitu nilai tengah kesalahan persentase absolute dari suatu peramalan.
39
(
)∑|
| .............................(36)
2) Mean Squared Error (MSE) Mean squared error (MSE) yaitu rata-rata dari kesalahan forecast dikuadratkan.
∑
.....................................(37)
dengan Xt : data sebenarnya terjadi Ft : data ramalan dihitung dari model yang
digunakan pada waktu t n : banyak data hasil ramalan
2. Metode Exponential Smoothing a. Membuat scatter diagram
Untuk membuat pola jumlah permintaan susu dari data time series yang ada, dilakukan dengan menggambarkan suatu diagram yang dinamakan “scatter diagram” dengan menggunakan program excel. Periode waktu (t) sebagai absis dan jumlah permintaan susu Xt sebagai ordinat.
b. Menentukan persamaan garis Dengan menggunakan “scatter diagram” akan dicari suatu garis yang paling dekat menghampiri titik – titik di dalam diagram tersebut.
c. Memilih metode exponential smoothing yang tepat berdasarkan pola yang didapat dari data time series yang ada 1) Jika data time series memperlihatkan pola konstan atau
jika perubahannya kecil saja, maka untuk meramalkan Ft dapat digunakan metode single exponential smoothing sebagai berikut: Ft+1 = αXt + (1 – α) Ft.............................................(38)
Keterangan : Ft+1 : ramalan t waktu atau periode ke depan setelah
pengamatan terakhir Xt Ft : X1 α : Smoothing konstan
40
2) Jika data time series menunjukkan pola linier, maka dapat digunakan metode double exponential smoothing dengan rumus sebagai berikut:
(
) – (
) ........................(39)
dengan S’t = α Xt + (1 – α) S’ t-1......................................(40)
S”t = αS’t + (1 – α) S”t-1.......................................(41)
S”t = X.................................................................(42) dimana S’t adalah nilai pemulusan eksponensial tunggal dan S”t adalah nilai pemulusan eksponensial ganda
3) Jika data time series tidak memperlihatkan pola konstan ataupun linier yang digunakan adalah metode triple exponential smoothing dengan rumus sebagai berikut :
[ ]
....(43)
[ ]
...(44)
[ ]
.......(45)
dengan
S’t = α Xt + (1 – α) S’ t-1.........................................(46)
S”t = αS’t + (1 – α) S”t-1..........................................(47)
S’”t = αS”t + (1 – α) S”’t-1........................................(48)
S’”t = X1.................................................................(49) Dimana S’t adalah nilai pemulusan pertama, S”t adalah nilai pemulusan kedua dan S’”t adalah nilai pemulusan ketiga.
4) Menentukan nilai α α disebut pemulusan konstan. Dalam metode exponential
smoothing, nilai α bisa ditentukan secara bebas, artinya tidak ada suatu cara yang pasti untuk mendapatkan nilai α yang optimal. Maka pemilihan nilai α dilakukan dengan cara trial dan error. Besarnya α terletak antara 0 dan 1.
41
d. Menghitung kesalahan peramalan Selanjutnya untuk mengukur error (kesalahan) forecast biasanya digunakan Mean Absolute Percentage Error seperti pada persamaan (36) atau Mean Squared Error seperti pada persamaan (37).
3. Metode Dekomposisi a. Membuat scatter diagram
Untuk membuat pola jumlah permintaan susu dari data time series yang ada, dilakukan dengan menggambarkan suatu diagram yang dinamakan “scatter diagram” dengan menggunakan program excel. Waktu (t) sebagai absis dan jumlah permintaan susu tiap bulan Xt sebagai ordinat. Mengidentifikasi komponen pola dasar yang ada pada serial data, yaitu component trend, musiman, siklis dan random.
b. Menentukan persamaan trendnya c. Mencari indeks siklisnya d. Menghitung indeks musiman e. Menghitung error atau kesalahan f. Menghitung peramalan dengan metode dekomposisi 3.5.6 Validasi Hasil Penelitian
Validasi dilakukan dengan membandingkan hasil penelitian yang telah dilakukan, yaitu membandingkan hasil peramalan permintaan menggunakan metode jaringan syaraf tiruan dengan time series dan membandingkan permintaan aktual. Metode yang menghasilkan nilai MAPE dan MSE paling kecil merupakan metode yang paling tepat diterapkan di koperasi susu SAE Pujon. 3.5.7 Kesimpulan
Menyimpulkan hasil analisa data yang berkaitan dengan permasalahan yang ada di perusahaan yaitu membandingkan hasil peramalan permintaan produk susu pasteurisasi Kop SAE Pujon kemasan cup berlabel menggunakan metode jaringan syaraf tiruan dengan time series dan permintaan aktual.
42
43
BAB 4 HASIL DAN PEMBAHASAN
4.1 Gambaran Umum Perusahaan 4.1.1 Sejarah Berdirinya Koperasi Susu SAE Pujon
Koperasi “SAE” Pujon didirikan pada 30 Oktober 1962 yang diprakarsai oleh Drh. Memet Atma Adinata selaku Kepala Dinas Kehewanan Malang Selatan. Berdirinya Koperasi “SAE” Pujon bertujuan untuk memperbaiki keadaan ekonomi masyarakat Pujon. Nama “SAE” sendiri merupakan singkatan dalam bahasa Jawa yaitu Sinau Andandani Ekonomi atau dalam bahasa Indonesia memiliki arti belajar memperbaiki ekonomi. Koperasi “SAE” Pujon merupakan wadah para anggota peternak sapi perah di daerah Pujon.
Pada awal didirikannya Koperasi “SAE” Pujon memiliki anggota 22 orang dengan populasi sapi perah 35 ekor yang dapat menghasilkan susu 50 liter per hari. Pada 16 Agustus 1968 Koperasi “SAE” Pujon mendapatkan status badan hukum dengan No. 2789/BH/II/12-1967. Pada tahun 1968-1969 Koperasi “SAE” Pujon mengalami jatuh bangun seperti koperasi lainnya, produksi susu yang sebelumnya 2.000 liter per hari menjadi 200 liter per hari. Pada tahun 1974 kondisi tersebut dapat pulih dengan produksi susu kembali 2.000 liter per hari.
Usaha pemulihan ini membuahkan hasil yang baik sehingga pada tahun 1975 Koperasi “SAE” Pujon mulai menawarkan produksi susu segar ke PT. Nestle dan pengiriman mulai dilakukan pada 1 Januari 1975 dengan jumlah susu segar yang disetorkan sebesar 160 liter per hari. Pada tahun 1982 terjadi perubahan status koperasi yang ditandai dengan berubahnya status badan hukum yaitu 2789A/BH/II/12-1967 menjadi 2789C/BH/II/12-1967 pada tahun 1997 yang berlaku sampai saat ini. Koperasi “SAE” Pujon kini memiliki anggota sebanyak 8.807 dengan populasi sapi 18.038 dan produksi susu 90 ton. Pemasaran susu yang dulu hanya pada warung di daerah sekitar, kini telah meliputi Kecamatan Pujon, Kota Malang, Kota Batu, Kota Surabaya, Kota Jombang,
44
Kota Probolinggo dan Kota Jember dalam bentuk susu pasteurisasi.
4.1.2 Visi dan Misi Koperasi Susu SAE Pujon
Koperasi “SAE” Pujon memiliki visi yaitu mewujudkan
pelayanan yang optimal untuk meningkatkan pendapatan dan kesejahteraan anggota. Adapun misi pada Koperasi “SAE” Pujon yaitu: 1. Melakukan kerja sama usaha dengan pihak lain dan
membuka unit usaha baru yang saling menguntungkan dalam pengembangan usaha koperasi
2. Menerapkan teknologi peternakan sapi perah untuk meningkatkan produktivitas dan kualitas air susu segar
3. Mempertahankan serta menjunjung tinggi jati diri dan azas – azas koperasi.
Dari visi dan misi yang ada maka dalam Koperasi “SAE” Pujon ini memiliki beberapa unit usaha yang mencerminkan visi dan misi. Terdapat 9 unit usaha yang terbagi menjadi unit inti dan unit diwersifikasi. Unit inti (unit sapi perah) terdiri dari unit persusuan, unit pakan ternak (Spapronak), unit peternakan, unit teknis dan transportasi. Unit diwersifikasi terdiri dari unit rearing (pembesaran anak sapi), unit waserda (warung serba ada), unit simpan-pinjam, unit balai kesehatan dan rumah bersalin, dan unit cafe wisata susu.
4.1.3 Lokasi Perusahaan
Koperasi “SAE” Pujon terletak di Jalan Brigjen Abdul
Manan Wijaya 16 Pujon, Malang. Luas Kecamatan Pujon sebesar 13.738 Ha meliputi 904 Ha sawah, 2.467 Ha lahan kering, 6.517 Ha hutan dan 13 Ha fasilitas umum. Kecamatan Pujon terdiri 10 desa yang ditinggali 18.300 kepala keluarga dengan jumlah penduduk 68.106 jiwa. Wilayah Kecamatan Pujon dikelilingi oleh gunung sehingga Kecamatan Pujon ini memiliki ketinggian rata-rata 1.100 meter dari permukaan laut dengan curah hujan 2.310 mm per tahun dan temperatur berkisar antara 18-23º C. Wilayah dan iklim yang ada di Pujon
45
sangat cocok untuk pemeliharaan sapi perah serta perkebunan. Hal ini mejadikan Pujon sebagai sentra peternakan sapi perah dan usaha susu. Dibuktikan dengan presentase mata pencaharian penduduk di Pujon yaitu peternak 62%, petani 29%, pegawai/ swasta 4% dan pedagang 5%.
4.2 Peramalan Permintaan Menggunakan Jaringan Syaraf
Tiruan Penelitian dengan metode jaringan syaraf tiruan ini dilakukan untuk meramalkan permintaan produk susu pasteurisasi Kop SAE Pujon untuk periode satu tahun mendatang, yaitu April 2014 – Maret 2015. Data yang digunakan dalam penelitian ini berdasarkan faktor-faktor yang mempengaruhi volume penjualan produk susu pasteurisasi, antara lain harga produk, jumlah tempat pemasaran (outlet), biaya promosi dan biaya distribusi yang sudah tersedia pada bulan Januari 2009 – Maret 2014 (Lampiran 1). Namun, data biaya promosi dan distribusi dijadikan 1 variabel dikarenakan koperasi SAE Pujon tidak melakukan penghitungan kedua biaya tersebut secara terpisah. Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation, dilakukan dengan menggunakan Software Matlab 7.10. Model peramalan yang dibuat terdiri dari 3 variabel independen (harga, biaya promosi dan distribusi, outlet) dan 1 variabel dependen (volume penjualan). Dalam jaringan syaraf tiruan, model ini terbaca sebagai 3 unit (neuron) input dan 1 unit neuron output, sehingga rancangan arsitektur jaringan yang digunakan dalam penelitian adalah 1 lapis input dengan 3 neuron input dan 1 lapis output dengan 1 neuron output, sedangkan neuron hidden layer dicari jumlah optimalnya (nilai MSE terkecil) dari tiap jaringan melalui pelatihan (training). Pengembangan model peramalan menggunakan jaringan Backpropagation dilakukan melalui beberapa tahap, antara lain:
46
4.2.1 Penyiapan Data Masukan dan Keluaran Jaringan Syaraf Tiruan
Dalam jaringan syaraf tiruan, data dibedakan menjadi dua yaitu data training dan data testing. Data training digunakan untuk melatih jaringan, sedangkan data testing digunakan untuk menguji kerja jaringan sekaligus digunakan untuk peramalan. Pada pelatihan jaringan, data training yang digunakan sebanyak 48 data, yaitu periode Januari 2009 – Desember 2012 (Lampiran 2). Sedangkan data testing yang digunakan sebanyak 15 data, yaitu periode Januari 2013 – Maret 2014 (Lampiran 3). Data masukan merupakan seluruh data training dan testing, dipasangkan dengan target keluaran yang merupakan data penjualan bulan Januari 2009 – Maret 2014 (Lampiran 1). Metode jaringan syaraf tiruan yang digunakan adalah Backpropagation. Backpropagation merupakan algoritma pembelajaran yang terlatih (supervised) dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya (Kusumadewi, 2004). 4.2.2 Preprocessing Model Jaringan Syaraf Tiruan Tahap awal dalam preprocessing adalah pembentukan matriks data untuk input dan output jaringan syaraf. Data input dan target berupa data training dan testing dari susu pasteurisasi Kop SAE Pujon. Pada saat pelatihan, jaringan membutuhkan pasangan data input dan output aktual untuk dipelajari. Matriks data untuk input dan output jaringan syaraf adalah pasangan data masukan dan keluaran yang telah dipersiapkan. Data input dibutuhkan sebagai masukan dan data output dibutuhkan sebagai keluaran (target) jaringan. Langkah berikutnya setelah matriks data input dan output jaringan syaraf terbentuk adalah normalisasi data. Pada tahap preprocessing, data-data masukan dan target tersebut dinormalisasi sedemikian hingga data-data tersebut masuk dalam range tertentu. Data masukan dan target untuk jaringan
47
syaraf tiruan dinormalisasi dengan mean = 0 dan standart deviasi = 1. Perintah Matlab 7.10 yang dipergunakan normalisasi data sebagai berikut: % Preprocessing
[pn,meanp,stdp,tn,meant,stdt] = prestd(P,T)
Perintah prestd menormalisasi input P dan target T sehinggga keduanya memiliki mean 0 dan varian 1. Adapun tujuan dari normalisasi input P dan target T adalah untuk mentransformasi data supaya kestabilan taburan data dicapai. Selain itu berguna untuk menyesuaikan nilai data dengan range fungsi aktivasi yang digunakan dalam jaringan dan untuk meningkatkan keakurasian dari hasil output serta memfasilitasi proses learning dari jaringan syaraf (Siang, 2005). 4.2.3 Model Jaringan Syaraf Tiruan Model jaringan syaraf tiruan yang digunakan oleh algoritma backpropagation ini adalah jaringan feedforward dengan satu lapis hidden layer. Perintah yang dipakai untuk
membentuk jaringan adalah newff yang formatnya adalah
sebagai berikut: net = newff (PR, [S1 S2...SN],{TF1 TF2...TFN},
BTF,BLF, PF)
dengan
net = jaringan Backpropagation yang terdiri dari n layar
PR = matriks ordo Rx2 yang berisi nilai minimum dan
maksimum R buah elemen masukannya
Si (i=1,2,...,n) = jumlah unit pada layar ke-i (i =
1,2,...,n)
TFi (i=1,2,...,n) = Fungsi aktivasi yang dipakai pada
layar ke-i (i = 1,2,...,n). Default = transig (sigmoid
bipolar)
BTF = fungsi pelatihan jaringan. Defaultnya = traingdx
BLF = fungsi perubahan bobot/bias. Default = learngdm
PF = fungsi perhitungan error. Default = mse
Perintah newff membuat model jaringan syaraf net
dengan input PR, ukuran layer S, fungsi aktivasi TF, dan training
BTF. Fungsi aktivasi yang digunakan adalah logsig dan purelin.
Logsig merupakan fungsi sigmoid biner dengan syntax Y = logsig (a). Fungsi ini digunakan untuk jaringan syaraf yang
48
dilatih dengan menggunakan metode backpropagation. Fungsi sigmoid biner (logsig) memiliki nilai pada range 0 sampai 1. Oleh karena itu, 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 (Ganatr, 2010). Fungsi linier (purelin) memiliki nilai output yang sama dengan nilai inputnya. Pada matlab fungsi aktivasi linier (identitas) dikenal dengan nama purelin, dengan syntax : Y = purelin(a) (Hermawan, 2006). Parameter lain yang harus diset selain parameter di atas adalah jumlah iterasi maksimum (epochs) adalah 2000, nilai goal (MSE) untuk kriteria pemberhentian training jaringan adalah 0.0001, parameter learning rate 0.1, banyaknya jumlah iterasi yang ditampilkan 20, dan momentum konstan (mc) = 0.85. Berikut adalah kode untuk membangun model jaringan syaraf dengan parameter di atas. % create neural network model net = newff(minmax(pn),[10 1],{'logsig''purelin'},'trainlm');
net.trainParam.Epochs = 2000;
net.trainParam.goal = 0.0001;
net.trainParam.lr = 0.1;
net.trainParam.show = 20;
net.trainParam.mc = 0.85;
4.2.4 Training, Testing dan Postprocessing Training bertujuan agar model jaringan syaraf mencapai konvergensi dan testing berguna untuk verifikasi dan validasi. Setelah dilakukan training dan testing, maka selanjutnya data dinormalisasi kembali sehingga hasilnya dapat dianalisis. Perintah pertama untuk proses training adalah sebagai berikut:
[net, tr, an, El] = train (net, pn, tn) ; pause
dimana:
net merupakan model jaringan syaraf tiruan
pn merupakan matriks inputan jaringan syaraf
tn merupakan matriks target jaringan syaraf
tr merupakan record dari proses training (epoch dan
performasi)
49
an merupakan output jaringan syaraf
El merupakan error jaringan syaraf
Perintah train melakukan training jaringan syaraf dengan
model jaringan syaraf net, input matriks pn, dan target matriks
tn. Hasil dari proses ini dimasukan ke output jaringan an dan
nilai errornya dimasukkan ke El. Sedangkan nilai epoch dan
performasi setelah proses ini dimasukkan ke tr.
Langkah kedua yang harus dilakukan setelah mengeset parameter untuk proses training adalah pengujian terhadap data-data training dengan cara simulasi jaringan syaraf. Perintah untuk melakukan simulasi ini memiliki syntax sebagai berikut:
an = sim (net, pn)
dimana:
net merupakan model jaringan syaraf yang digunakan
pn merupakan matriks inputan jaringan syaraf
an merupakan output jaringan syaraf.
Perintah sim melakukan simulasi jaringan syaraf dengan model
jaringan net dan input matriks pn, dan hasil outputnya
dimasukan ke an. Setelah proses simulasi dilakukan, langkah
selanjutnya melakukan denormalisasi. Perintah untuk melakukan denormalisasi adalah:
a = poststd (an, meant, stdt)
dimana:
an merupakan output jaringan syaraf
meant merupakan nilai mean dari proses normalisasi
stdt merupakan nilai standar deviasi dari proses
normalisasi
a merupakan nilai hasil denormalisasi.
Perintah poststd melakukan denormalisasi output jaringan an
dengan rerata meant dan standar deviasi stdt dan hasilnya
dimasukan ke a. Setelah proses denormalisasi selesai,
kemudian dilakukan analisis output jaringan dan target dengan menggunakan regresi linier terhadap hasil training. Perintah untuk melakukan analisis ini memiliki syntax sebagai berikut:
[ml, al, rl] = postreg (a,T)
50
dimana:
a adalah output jaringan syaraf
T adalah target
Fungsi ini akan menghasilkan :
m1 adalah gradien garis hasil regresi linier. Apabila output
jaringan tepat sama dengan targetnya, maka gradient ini akan bernilai 1
a1 adalah titik potong dengan sumbu y. Apabila output
jaringan tepat sama dengan targetnya, maka perpotongan dengan sumbu y ini akan bernilai 0
r1 adalah koefisien korelasi antara output jaringan dan
target. Apabila output jaringan tepat sama dengan targetnya, maka determinasi ini akan bernilai 1.
Untuk proses testing, langkah yang harus dilakukan sama dengan proses training, hanya pada langkah awal saja yang berbeda. Langkah awal ini adalah preprocessing data input menggunakan nilai mean dan standar deviasi dari proses sebelumnya. Perintah yang digunakan untuk langkah tersebut memakai syntax berikut:
[Qn] = trastd (Q, meanp, stdp)
dimana:
Q merupakan matriks input jaringan syaraf untuk data
testing
meanp merupakan nilai mean dari proses normalisasi
stdp merupakan nilai standar deviasi dari proses
normalisasi
Qn adalah hasil normalisasi untuk data testing.
Perintah trastd melakukan preprocessing pada data Q
dengan rerata meanp dan standar deviasi stdp, output dari
proses ini dimasukkan ke Qn.
4.2.5 Analisis Hasil Pelatihan Pada proses pelatihan perlu menentukan konfigurasi jaringan yang terbaik untuk mendapatkan performa kerja jaringan yang optimal. Pelatihan jaringan dengan pengubahan beberapa parameter pembelajaran dilakukan untuk mencari
51
model terbaik dari struktur jaringan syaraf tiruan. Dalam penelitian ini, konfigurasi optimal jaringan yang dicari dalam pelatihan adalah jumlah neuron hidden layer, konstanta pembelajaran (learning rate) yang optimal, jumlah lapis hidden layer dan nilai MSE terkecil. Pembelajaran jaringan membutuhkan parameter-parameter yang digunakan untuk mengenali pola data. Parameter pembelajaran dalam penelitian meliputi max. epoch 2000, dan learning rate 0.1 Maksimum epoch berfungsi sebagai kriteria pemberhentian pelatihan, yaitu pelatihan dihentikan setelah mencapai 2000 iterasi. Nilai goal (MSE) adalah 0.0001, dipakai untuk menentukan batas nilai MSE agar iterasi dihentikan, nilai ini dipilih berdasarkan dengan trial dan error sampai ketemu performance dan goal yang terkecil. Pada momentum konstan (mc) dipilih nilai 0.85, nilai ini dipiih karena pada komputer nilai default momentum sebesar 0.85 sehingga untuk memperoleh performance yang bagus nilai momentum dipilih 0.85 dengan alasan bila momentum terlalu besar (maksimal 1) maka performace goal sangat cepat yang menyebabkan over training dan bila terlalu kecil maka performance goal tidak ketemu. Learning rate merupakan suatu angka yang menyatakan kecepatan pembelajaran. Jika learning rate diset terlalu besar, maka algoritma akan menjadi tidak stabil. Sebaliknya, jika learning rate diset terlalu kecil, maka algoritma akan konvergen dalam jangka waktu yang sangat lama (Kusumadewi, 2004). Hasil pelatihan jaringan produk susu pasteurisasi Kop SAE Pujon dalam jaringan syaraf tiruan dari masing-masing neuron dapat dilihat pada Tabel 4.1. Hasil pelatihan jaringan dalam jaringan syaraf tiruan pada Tabel 4.1 menunjukkan adanya signifikansi antara penambahan neuron hidden layer dengan penurunan nilai MSE. Pelatihan jaringan sudah stabil terlihat dari pola penurunan yang menunjukkan penambahan jumlah neuron dari neuron hidden layer ke-1 sampai 10 mengalami penurunan pada nilai MSE. Jaringan terbaik dihasilkan oleh pelatihan jaringan 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil adalah 0.000186.
52
Melalui proses pelatihan jaringan dengan konfigurasi jaringan terbaik yaitu jaringan 3-10-1 yang digunakan untuk peramalan dapat digambarkan model Jaringan Syaraf Tiruan seperti pada Gambar 4.1. Tabel 4.1 Hasil Pelatihan Jaringan Susu Pasteurisasi Kop SAE Pujon
Hidden Layer Jumlah Neuron MSE
1
1 0.00532 2 0.00413 3 0.00234 4 0.00206 5 0.00176 6 0.00107 7 0.000771 8 0.000619 9 0.000262
10 0.000186
Sumber : Data diolah (2014)
X1 Harga Produk
X2 Biaya Promosi dan
Biaya Distribusi
X3 Jumlah Outlet
Z1
Z3
Z2
Y1 Peramalan
Permintaan
E1
E2
3 neuron input
10 neuron hidden layer
1 neuron output
Z5
Z4
Z6
Z9
Z7
Z8
Z10
Gambar 4.1 Model Jaringan Syaraf Tiruan 3-10-1
53
Pada Gambar 4.1 dapat dilihat bahwa model jaringan terbaik adalah 3 neuron input layer (yang terdiri dari harga produk, biaya promosi dan distribusi, jumlah tempat pemasaran), 10 neuron hidden layer, dan 1 neuron output layer berupa peramalan permintaan. Grafik performance pelatihan jaringan 3-10-1 dapat dilihat pada Gambar 4.2.
Gambar 4.2 Performance Pelatihan Jaringan 3-10-1
Dari Gambar 4.2 dapat diketahui bahwa jaringan optimal diperoleh setelah mencapai iterasi maksimal yaitu 2000 epoch / iterasi. Nilai MSE yang didapatkan sebesar 0.000186 yang merupakan nilai goal terkecil dan optimal pada jaringan. Koefisien korelasi pada hasil pelatihan bernilai 0.9999 (mendekati 1). Hal ini menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Hubungan antara target dengan output jaringan untuk pelatihan dapat dilihat pada Gambar 4.3. Menurut (Hermawan, 2006) kondisi penghentian yang sering dipakai adalah jumlah maksimal iterasi (epoch) atau minimal kesalahan (error). Jika kesalahan lebih kecil dari batas toleransi, maka iterasi dihentikan. Akan tetapi jika kesalahan lebih besar, maka bobot setiap garis dalam jaringan
54
akan dimodifikasi untuk mengurangi kesalahan yang terjadi. Tes kondisi berhenti dapat dilakukan ketika error yang dihasilkan oleh jaringan berada pada nilai yang lebih kecil sama dengan (≤) error target yang diharapkan atau ketika telah mencapai iterasi (epoch) maksimal yang telah ditetapkan. Umumnya iterasi maksimal yang digunakan oleh peneliti dengan 2000 epoch.
Gambar 4.3 Hubungan antara Target dengan Output Jaringan untuk
Data Pelatihan
Pelatihan berhenti setelah mencapai iterasi maksimal yaitu 2000 epoch / iterasi, sebab training dan goal sudah konvergen. Hal ini berarti jaringan telah dilatih hingga memiliki tingkat kesalahan / MSE sesuai dengan goal yang dikehendaki. Dalam proses pembelajaran, selama kesalahannya menurun pelatihan terus dijalankan. Akan tetapi jika kesalahannya sudah meningkat, pelatihan tidak ada gunanya untuk diteruskan lagi. Jaringan sudah mulai kehilangan kemampuan untuk melakukan generalisasi (Siang, 2005).
55
4.2.6 Pengujian Jaringan Syaraf Tiruan Salah satu cara yang dapat digunakan untuk pengujian (testing) ini adalah dengan menggunakan analisis regresi terhadap respon jaringan dan target yang diharapkan. Jaringan syaraf yang terbentuk dari proses pelatihan, diuji dengan menggunakan 15 pasang data testing yaitu data harga, jumlah tempat pemasaran, biaya promosi dan distribusi serta data penjualan bulan Januari 2013 – Maret 2014 yang dapat dilihat pada Lampiran 3. Data testing disimulasi dengan menggunakan bobot dan bias jaringan hasil pelatihan. Dari hasil simulasi diketahui tingkat akurasi masing-masing jaringan dalam pengenalan pola data testing yang ditunjukkan melalui besarnya koefisien korelasi. Dari Tabel 4.1 dapat diketahui bahwa pengujian jaringan terbaik dalam jaringan syaraf tiruan adalah jaringan 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai MSE terkecil yaitu 0.000186. Hasilnya secara grafis dapat dilihat pada Gambar 4.4.
Gambar 4.4 Hasil Pengujian Data Testing
56
Kusumadewi (2004) menyatakan bahwa apabila output jaringan tepat sama dengan targetnya, maka koefisien korelasi ini akan bernilai 1. Koefisien korelasi jaringan 3-10-1 bernilai 0.9999 (mendekati 1), menunjukkan hasil yang baik untuk kecocokan output jaringan dengan target. Nilai koefisien korelasi menunjukkan bahwa tingkat akurasi jaringan dalam mengenali pola data testing. Dengan kata lain, keakuratan jaringan dalam meramalkan permintaan untuk periode yang akan datang adalah sebesar 99,99% untuk jaringan 3-10-1. Berdasarkan grafik hasil pengujian di atas dapat diketahui bahwa, target jaringan (o) dan output jaringan (*) sebagian besar sudah berdekatan (hampir mendekati posisi yang sama). Hasil terbaik terjadi apabila posisi output jaringan dan target jaringan betul-betul berada pada posisi yang sama. Terdapat 11 titik bersinggungan yaitu data ke-1, 2, 4, 5, 6, 7, 8, 9, 10, 13 dan 14 yang berarti output yang dihasilkan sesuai dengan targetnya. 4.2.7 Hasil Simulasi Peramalan Menggunakan Jaringan
Syaraf Tiruan Setelah diperoleh jaringan yang optimal melalui pengujian terhadap sejumlah data testing adalah melakukan simulasi peramalan permintaan susu pasteurisasi Kop SAE Pujon dengan menggunakan pola Jaringan Syaraf Tiruan yang sudah terbentuk melalui pelatihan dan pengujian dengan masukan yang baru. Masukan baru tersebut merupakan data prediksi dari 3 faktor yang dapat meningkatkan volume penjualan selama periode April 2014 sampai Maret 2015 (Lampiran 4). Data prediksi tersebut diperoleh berdasarkan hasil wawancara dengan pekerja di koperasi susu SAE Pujon. Hasil simulasi dari penelitian peramalan permintaan susu pasteurisasi Kop SAE Pujon dilakukan untuk periode April 2014 sampai Maret 2015 dapat dilihat pada Tabel 4.2.
57
Tabel 4.2. Hasil Simulasi Peramalan Permintaan Susu Pasteurisasi Kop SAE Pujon Periode April 2014 – Maret 2015 Menggunakan Jaringan Syaraf Tiruan
Tahun Periode Hasil Peramalan
2014 April 46.265 Mei 53.470 Juni 45.288 Juli 56.695 Agustus 55.006 September 52.017 Oktober 66.571 November 54.872 Desember 51.034
2015 Januari 69.353 Februari 49.903 Maret 45.625
Sumber : Data diolah (2014)
Berdasarkan perhitungan peramalan permintaan dengan menggunakan metode JST diperoleh hasil bahwa prakiraan permintaan susu pasteurisasi Kop SAE Pujon pada awal periode bulan April 2014 sampai bulan Maret 2015 akan mengalami kenaikan dan penurunan. Jumlah permintaan terendah yaitu pada bulan Juni 2014 yaitu sebesar 45.288, sedangkan jumlah permintaan tertinggi yaitu terjadi pada bulan Januari 2015 sebesar 69.353. Peramalan permintaan dilakukan dengan mempertimbangkan hubungan beberapa faktor-faktor bauran pemasaran yang mempengaruhi jumlah volume penjualan, seperti harga, biaya promosi dan distribusi serta jumlah tempat pemasaran. Dari hasil simulasi peramalan permintaan yang sudah didapatkan, kemudian dihubungkan dengan prediksi masing-masing faktor tersebut. Hubungan antara prediksi masing-masing faktor yang mempengaruhi volume penjualan yang berkaitan dengan beberapa unsur bauran pemasaran dengan hasil peramalan permintaan menggunakan JST dapat dilihat pada Tabel 4.3.
58
Tabel 4.3 Hubungan Prediksi Faktor –faktor yang Mempengaruhi Volume Penjualan dengan Hasil Simulasi Peramalan Menggunakan Jaringan Syaraf Tiruan Periode April 2014 – Maret 2015
Tahun Bulan Faktor yang Mempengaruhi Volume Penjualan
Hasil Peramalan Permintaan
Harga Biaya Promosi dan
Distribusi
Outlet Volume Penjualan
2014 April 2.000 2.580.000 15 46.265 Mei 2.000 3.200.000 15 53.470 Juni 2.000 2.300.000 16 45.288 Juli 2.000 3.500.000 17 56.695 Agustus 2.000 3.090.000 16 55.006 September 2.000 3.100.000 15 52.017 Oktober 2.000 3.250.000 17 66.571 November 2.000 3.300.000 15 54.872 Desember 2.000 2.800.000 16 51.034
2015 Januari 2.000 4.100.000 17 69.353 Februari 2.000 2.900.000 15 49.903 Maret 2.000 2.550.000 15 45.625
Sumber : Data diolah (2014)
Pada Tabel 4.3, dapat dilihat hubungan antara prediksi masing-masing faktor yang mempengaruhi volume penjualan dengan hasil peramalan permintaan menggunakan Jaringan Syaraf Tiruan. Kenaikan harga susu pasteurisasi didasarkan atas perkiraan naiknya bahan baku, terutama harga gula dan kenaikan tarif listrik. Namun, selama peramalan perode mendatang, diprediksi harga susu pasteurisasi kemasan cup tidak mengalami kenaikan, yaitu tetap sebesar Rp. 2.000,-. Biaya promosi dan distribusi di Koperasi susu SAE Pujon dihitung menjadi satu faktor. Biaya distribusi didasarkan atas biaya pengiriman ketika koperasi melakukan pengiriman susu pasteurisasi ke outlet yang melakukan pemesanan. Biaya promosi didasarkan atas perkiraan harga/biaya yang harus dikeluarkan perusahaan untuk promosi tiap bulannya. Di koperasi susu SAE Pujon belum ada promosi terpadu, seperti membuat banner, pengiklanan dan potongan harga. Hanya
59
melalui pameran ketika diundang oleh sebuah instansi lain dan itupun jarang sekali. Banyaknya jumlah tempat pemasaran didasarkan atas banyaknya agen kecil yang ingin membeli produk susu pasteurisasi Kop SAE Pujon lalu dijual kembali ke konsumen. Pada Tabel 4.3, faktor yang sangat mempengaruhi volume penjualan adalah besarnya biaya promosi dan distribusi. Biaya promosi dan distribusi berbanding lurus dengan volume penjualan. Ketika biaya promosi dan distribusi turun maka volume penjualan juga turun, bahkan sebaliknya. Seperti pada bulan April dan Mei tahun 2014 serta Juni dan Desember 2014 dengan harga dan jumlah outlet yang sama tetapi biaya promosi dan distribusi berbeda maka hasil peramalan volume penjualan juga berbeda. Algoritma Backpropagation menggunakan Matlab dapat dilihat Lampiran 5. Pada algoritma tersebut tampak tahapan – tahapan pengerjaan menggunakan Matlab serta pasangan input dengan target hingga menghasilkan simulasi peramalan permintaan menggunakan jaringan syaraf tiruan. Keluaran (output) jaringan syaraf tiruan pada Matlab dapat dilihat pula pada Lampiran 6. 4.3 Peramalan Permintaan Menggunakan Analisa Deret
Waktu (Time Series) Peramalan permintaan dilakukan berdasarkan data penjualan produk periode Januari 2009 – Maret 2014 (Lampiran 7) dengan menggunakan analisa deret waktu (time series). Peramalan permintaan dilakukan untuk meramalkan jumlah permintaan produk susu pasteurisasi Kop SAE Pujon pada periode perencanaan yang akan datang, yaitu periode satu tahun mendatang pada April 2014 – Maret 2015 (Lampiran 8). Metode time series yang digunakan dalam penelitian ini meliputi metode moving averages, exponential smoothing, dan dekomposisi. Metode yang digunakan adalah expert modeler dengan tipe all models. Metode ini akan menghasilkan metode terbaik dari keseluruhan metode time series yang digunakan. Sehingga
60
tidak perlu dibahas masing-masing metode time series yang ditentukan sebelumnya. Hasil peramalan menggunakan metode time series dengan software SPSS 17.0 dapat dilihat pada Gambar 4.5.
Pola data yang ditunjukkan oleh Gambar 4.5 merupakan pola data random (acak). Metode yang terbaik pada peramalan menggunakan SPSS ini yaitu Simple Seasonal (Lampiran 9). Metode Simple Seasonal merupakan metode pemulusan eksponensial musiman. Metode ini digunakan ketika data menunjukkan adanya trend dan perilaku musiman. Metode ini dijadikan cara untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut dengan baik. Meskipun demikian, metode ini dapat menangani faktor musiman secara langsung (Makridakis,2005).
Gambar 4.5 Hasil Peramalan Permintaan dengan Menggunakan Metode Simple Seasonal
Dari Gambar 4.5 terlihat bahwa hasil peramalan ditunjukkan oleh garis warna biru. Melihat plot di atas terlihat
Ju
mla
h V
olu
me
Pe
nju
ala
n
Periode Peramalan
Keterangan
61
bahwa hasil peramalan mengikuti bentuk pola datanya, sehingga tingkat akurasi data tersebut sebagai dasar untuk perencanaan cukup baik. Nilai RMSE (Root Mean Square Error) adalah 7236.312 sehingga nilai MSE adalah 52364211.36 (Lampiran 9).
4.4 Perbandingan Hasil Peramalan Metode Jaringan
Syaraf Tiruan dengan Time Series
Peramalan permintaan yang efektif dan efisien mampu memanajemen pengendalian persediaan barang. Peramalan permintaan yang terlalu besar akan berdampak pada peningkatan biaya produksi dan biaya inventori jika terdapat produk yang tidak habis terjual. Sebaliknya, apabila peramalan permintaan terlalu kecil, maka akan terjadi peningkatan biaya stock out bahkan dapat kehilangan pelanggan. Mengingat pentingnya hal tersebut maka kunci utama dalam melakukan peramalan adalah pemilihan metode yang tepat dan sesuai dengan data yang ada. Berikut perbandingan hasil peramalan metode Jaringan Syaraf Tiruan dengan Time Series pada periode April 2014 – Maret 2015 pada Tabel 4.4.
Hasil ramalan tidak selalu akurat atau sering berbeda dengan keadaan sesungguhnya (data aktual). Perbedaan antara ramalan dengan keadaan sesungguhnya disebut dengan kesalahan ramalan (forecast error). Tujuan peramalan untuk memperkecil perbedaan antara ramalan dengan keadaan sesungguhnya, atau memperkecil kesalahan ramalan. Apabila tingkat kesalahan kecil berarti teknik ramalan yang digunakan adalah sesuai. Ada beberapa metode yang digunakan untuk pengukuran akurasi peramalan, diantaranya MAD (Mean Absolute Deviation), MAPE (Mean Absolute Percentage Error) dan MSE (Mean Square Error). Akurasi peramalan akan semakin tinggi apabila nilai-nilai MAD, MAPE dan MSE semakin kecil.
62
Tabel 4.4 Perbandingan Hasil Peramalan Metode Jaringan Syaraf Tiruan dengan Time Series pada Periode April 2014 – Maret 2015
Tahun Periode Hasil Peramalan
JST Hasil Peramalan
Time Series
2014 April 46.265 36.391 Mei 53.470 37.075 Juni 45.288 29.211 Juli 56.695 46.320 Agustus 55.006 41.503 September 52.017 41.482 Oktober 66.571 43.371 November 54.872 42.651 Desember 51.034 36.423
2015 Januari 69.353 54.676 Februari 49.903 39.121 Maret 45.625 33.962
Sumber : Data diolah (2014)
Dalam penelitian ini, peramalan permintaan yang digunakan terdiri dari dua metode yaitu metode jaringan syaraf tiruan dan time series. Kedua metode tersebut nantinya akan dibandingkan untuk dipilih sebagai metode yang paling cocok diterapkan di Koperasi susu SAE Pujon. Pada peramalan metode yang digunakan cenderung Exponential Smoothing. Oleh karena itu, pemilihan metode tersebut berdasarkan perbandingan nilai Mean Squared Error (MSE) sebelum dan sesudah peramalan. Menurut (Yunarto dan Santika, 2005) dengan penggunaan beberapa analisa akurasi forecast, saran forecast terbaik untuk masing-masing analisa bisa saja berlainan. Misalnya dengan MAD dinyatakan yang terbaik adalah Moving Average, sedang dengan MSE yang dinyatakan terbaik adalah Exponential Smoothing. Adapun perbandingan nilai MSE dan MAPE untuk metode Jaringan Syaraf Tiruan dan Time Series dapat dilihat pada Tabel 4.5 dan Tabel 4.6
63
Tabel 4.5 Nilai MSE Sebelum dan Sesudah Peramalan Pada Metode Jaringan Syaraf Tiruan dan Time Series
Metode Nilai MSE
Sebelum Sesudah
Jaringan Syaraf Tiruan
21516.71 489321.2676
Time Series 52364211.36 52364211.36
Sumber : Data diolah (2014) Tabel 4.6 Nilai MAPE Peramalan Pada Metode Jaringan Syaraf
Tiruan dan Time Series
Metode Nilai MAPE
Jaringan Syaraf Tiruan 1.1721% Time Series 14.793%
Sumber : Data diolah (2014)
Pada Tabel 4.5 dan Tabel 4.6 dapat dilihat nilai MSE dan MAPE untuk masing-masing metode peramalan. Pada nilai MSE yang dihasilkan untuk kedua metode tersebut memang cukup besar tetapi dari nilai yang dihasilkan tidak terdapat aturan khusus mengenai nilai masing-masing indikator yang dapat dikatakan paling baik. Umumnya cara yang dilakukan para peneliti adalah membandingkan nilai MSE yang dihasilkan. Semakin kecil nilai MSE maka ramalan semakin akurat. Nilai MSE itu sendiri diperoleh dari jumlah seluruh nilai kesalahan setiap periode yang dikuadratkan lalu dibagi dengan jumlah periode. Menurut (Gofur dan Widianti, 2013) Mean Square Error (MSE) merupakan suatu parameter dalam peramalan untuk menguji keakuratan hasil peramalan yang telah dilakukan dengan mengukur kesalahan peramalan secara keseluruhan. Semakin kecil nilai Mean Square Error (MSE), maka semakin akurat hasil peramalan yang telah dilakukan. Pada metode Time Series nilai MSE sebelum dan sesudah peramalan tetap yaitu 52364211.36. Sedangkan, pada metode JST terjadi perubahan nilai MSE yang semula 21516.71 menjadi 489321.2676 yang menunjukkan nilai MSE sesudah peramalan lebih besar dibandingkan nilai MSE sebelum peramalan. Hal ini dikarenakan nilai mean pada saat
64
testing lebih besar dibandingkan nilai mean saat pemodelan. Pada Tabel 4.6 merupakan nilai tengah kesalahan persentase absolut dari suatu peramalan. Nilai MAPE memberikan informasi mengenai nilai persentase kesalahan peramalan. Pada peramalan dapat diketahui bahwa nilai persentase kesalahan peramalan menggunakan JST lebih kecil yaitu 1.1721% dibandingkan metode time series dengan persentase kesalahannya sebesar 14.793%.
Pada Tabel 4.5 dan Tabel 4.6 dapat dikatakan bahwa peramalan JST lebih efektif daripada peramalan lainnya. Hal ini sejalan dengan penelitian Rini (2013) yang berjudul Peramalan Permintaan Minuman Kesehatan Instan Jahe Menggunakan Jaringan Syaraf Tiruan dan Metode Time Series. Nilai hasil mean square error (MSE) pelatihan pada Jaringan Syaraf Tiruan (JST) sebesar 4827.82 sedangkan nilai MSE pada metode Time Series sebesar 119440.05. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode bulan Agustus – Desember 2012 adalah sebesar 5.72 %, sedangkan untuk Time Series adalah sebesar 10.06 %. Penelitian Triwulan, dkk (2013) yang berjudul Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Setelah simulasi dilakukan perbandingan antara hasil ramalan oleh Jaringan syaraf tiruan (JST) dan hasil koefisien beban menunjukkan rata-rata error dengan metode JST untuk satu minggu (Senin-Minggu) mencapai 0.12% dengan akurasi 99.88% dan rata-rata error dengan metode koefisien beban untuk satu minggu mencapai 1.85% dengan akurasi 98.15%. Hasil tersebut menunjukkan bahwa peramalan dengan JST lebih baik dari metode koefisien beban. Setelah melakukan perbandingan pada nilai MSE dan MAPE untuk kedua metode tersebut, selanjutnya melakukan validasi dengan cara membandingkan dengan data penjualan aktual. Pembanding yang digunakan berupa data penjualan aktual susu pasteurisasi Kop SAE Pujon selama 3 bulan ke depan, sehingga bisa dilihat diantara kedua metode tersebut mana yang paling baik dalam meramalkan susu pasteurisasi
65
Kop SAE Pujon. Hasil perbandingan metode jaringan syaraf tiruan, time series, dan data aktual dapat dilihat pada Tabel 4.7. Tabel 4.7 Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time
Series dan Data Aktual Periode April – Juni 2014
Tahun Periode Simulasi
Peramalan JST
Time Series
Data Aktual
Persentase Kesalahan Peramalan Terhadap
Permintaan Aktual (%)
JST Time
Series
2014 April 46.265 36.391 47.536 2.67 23.45 Mei 53.470 37.075 51.725 3.37 28.32 Juni 45.288 29.211 44.910 0.84 34.96
Rata-rata Kesalahan 2.29 28.91
Sumber : Data diolah (2014)
Berdasarkan nilai MSE, MAPE dan persentase kesalahan peramalan ketika dibandingkan pada kedua metode tersebut dapat disimpulkan bahwa metode jaringan syaraf tiruan lebih cocok diterapkan di Koperasi susu SAE Pujon dikarenakan memiliki nilai MSE, MAPE dan persentase kesalahan yang lebih kecil dibandingkan metode time series. Selain itu, pada metode JST ini peramalannya dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan seperti harga, biaya promosi dan distribusi serta jumlah tempat pemasaran dibandingkan metode time series yang tidak dikaitkan dengan unsur-unsur yang mempengaruhi volume penjualan dalam meramalkan jumlah volume penjualan periode mendatang. Pada penelitian ini, penggunaan metode jaringan syaraf tiruan dalam meramalkan susu pasteurisasi di Koperasi susu SAE Pujon sangat efektif karena cenderung bekerja lebih baik untuk menangani data-data dengan hubungan yang kompleks serta menghasilkan tingkat akurasi kesalahan peramalan yang lebih kecil. Data dengan hubungan kompleks yang dimaksud yaitu meramalkan volume penjualan susu pasteurisasi untuk periode mendatang dengan mempertimbangkan faktor-faktor
66
yang mempengaruhi penjualan. Menurut Sun (2008), jaringan syaraf tiruan banyak diaplikasikan secara intensif pada peramalan khususnya sales forecasting, karena kelebihannya pada kontrol area, prediksi dan pengenalan pola sehingga peneliti menyimpulkan bahwa metode jaringan syaraf tiruan lebih baik daripada metode peramalan konvensional.
67
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
1. Hasil peramalan permintaan dari susu pasteurisasi Kop SAE Pujon dengan menggunakan metode jaringan syaraf tiruan selama periode April 2014 – Maret 2015 berturut-turut, sebagai berikut: 46.265, 53.470, 45.288, 56.695, 55.006, 52.017, 66.571, 54.872, 51.034, 69.353, 49.903 dan 45.625. Sedangkan hasil peramalan metode time series selama periode April 2014 – Maret 2015 berturut-turut, sebagai berikut: 36.391, 37.075, 29.211, 46.320, 41.503, 41.482, 43.371, 42.651, 36.423, 54.676, 39.121 dan 33.962.
2. Pada peramalan metode time series, menghasilkan metode terbaik yaitu metode Simple Seasonal. Perbandingan nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah peramalan sama sebesar 52364211.36. Nilai MSE metode jaringan syaraf tiruan pada saat pelatihan (pemodelan) sebesar 21516.71 dan pada saat testing sebesar 489321.2676. Sedangkan nilai MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah 1.1721% dan 14.793%. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan JST pada periode April – Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah sebesar 28.91%.
5.2 Saran
Dari hasil penelitian dan pembahasan yang telah dilakukan, saran yang dapat dikemukakan yaitu perlu adanya penelitian lebih lanjut untuk membandingkan peramalan permintaan menggunakan JST dengan metode yang lain, perlu adanya penelitian lebih lanjut untuk peramalan permintaan dengan mempertimbangkan faktor-faktor bauran pemasaran yang lain serta diharapkan metode yang terpilih diterapkan oleh Koperasi susu SAE Pujon agar perencanaan produksi, pemasaran, anggaran biaya dan perencanaan lainnya optimal.
68
69
DAFTAR PUSTAKA
Abubakar dan Usmiati S. 2001. Pengaruh Suhu dan Waktu Pasteurisasi terhadap Mutu Susu Selama Penyimpanan. Jurnal Ilmu Ternak dan Veteriner 6(1): 45-50.
Amran. 2003. Prediksi Distribusi Porositas dengan Metode Dekomposisi Ring. Institut Teknologi Bandung. Bandung.
Anonim. 2013. Penjualan Susu Olahan Ditaksir Meningkat 10%. Dilihat 19 Januari 2014. <http://www.neraca.co.id/article/24464/Penjualan-Susu-Olahan-Ditaksir-Meningkat-10>.
Darmawan, R. A. dan Budiarto, H. 2004. Aplikasi Jaringan Syaraf Tiruan (Artificial Neural Network / ANN) sebagai Alternatif Sistem Peringatan Dini bagi Fenomena Harmful Algal Bloms (HABs) di Teluk Jakarta. Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi.
Fuad, M., Christine H., Nurlela, Sugiarto dan Paulus Y.E.F. 2006. Pengantar Bisnis. PT Gramedia Pustaka Utama. Jakarta.
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, Vol. 2.
Gaspersz, V. 2005. Production Planning and Inventory Control Berdasarkan Pendekatan Sistem Terintegrasi MRP II dan JIT Menuju Manufakturing 21. PT Gramedia Pustaka Utama. Jakarta.
70
Gofur A. A. dan Utami D. Widianti. 2013. Sistem Peramalan untuk Pengadaan Material Unit Injection di PT. XYZ. Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) Vol. 2, No. 2, Oktober 2013, ISSN : 2089-9033.
Herjanto, E. 2003. Manajemen Operasi Edisi Ketiga. PT Grasindo. Jakarta.
. 2006. Sains Manajemen : Analisis Kuantitatif untuk Pengambilan Keputusan. PT Grasindo. Jakarta.
Hermawan, A. 2006. Jaringan Syaraf Tiruan. Andi. Yogyakarta.
Irawan, H. 2003. Winning Strategy : Strategi Efektif Merebut dan Mempertahankan Pangsa Pasar. PT Gramedia Pustaka Utama. Jakarta.
Jumingan. 2009. Studi Kelayakan Bisnis – Teori dan Pembuatan Proposal Kelayakan. Bumi Aksara. Jakarta.
Kristanto, A. 2004. Jaringan Syaraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi). Gava Media. Yogyakarta.
Kusnawan G. dan Purwohadi W. 2008. Pengaruh Strategi Bauran Pemasaran (Marketing Mix) Terhadap Efektivitas Volume Penjualan Sayuran Hidroponik. Jurnal AGRISE Volume VIII No. 2 Bulan Mei 2008. ISSN: 1412-1425.
Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan (Menggunakan Matlab dan Excel Link). Graha Ilmu. Yogyakarta.
Li Min Fu. 2001. Neural Network in Computer Intelligence. McGraw-Hill, Inc. USA.
71
Maitimu, C. V., Legowo, A. M., dan Baarri, A. N. 2012. Parameter Keasaman Susu Pateurisasi dengan Penambahan Ekstrak Daun Aileru (Wrightia Caligria). Jurnal Aplikasi Teknologi Pangan 1 :7-11
Makridakis, S. 2005. Metode dan Aplikasi Peramalan. Binarupa Aksara. Jakarta.
Makridakis, S., S. C Wheelwright, dan V. E. McGEE . 1999. Metode dan Aplikasi Peramalan, Edisi Kedua. Jilid Satu. Alih Bahasa Ir. Hari Suminto. Binarupa Aksara. Jakarta.
Muis, S. 2006. Jaringan Syaraf Tiruan Sebagai Alat Bantu Peramalan Harga Saham. Graha Ilmu. Yogyakarta.
Nasution, A. H. 2008. Perencanaan dan Pengendalian Produksi. Graha Ilmu. Yogyakarta.
Oktaviani, D. M. 2010. Jurnal : Implementation of Backpropagation Artificial Neural Network In Predicting Foreign Currency. Dilihat 1 Februari 2014. http://papers.gunadarma.ac.id/index.php/industry/article/viewFile/578/531.
Olson, D dan Yong Shi. 2008. Pengantar Ilmu Penggalian Data Bisnis. Penerbit Salemba Empat. Jakarta.
Pakaja, F, Agus N. dan Purwanto. 2012. Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS Vol. 6, No. 1, Juni 2012.
Pandjaitan, L. W. 2007. Dasar – Dasar Komputasi Cerdas. Penerbit Andi. Yogyakarta.
Prasetya, H. dan Fitri L. 2009. Manajemen Operasi. MedPress. Yogyakarta.
72
Purnomo, M. H. dan Kurniawan, A. 2006. Supervised Neural Network dan Aplikasinya. Graha Ilmu. Yogyakarta.
Rangkuti, F. 2002. Creating Effective Marketing Plan : Teknik Membuat Marketing Plan Berdasarkan Customer Values & Analisis Kasus. PT Gramedia Pustaka Utama. Jakarta.
. 2006. Bussiness Plan : Teknik Membuat Perencanaan Bisnis dan Analisis Kasus. PT Gramedia Pustaka Utama. Jakarta.
Rini, K. P. 2013. Peramalan Permintaan Minuman Kesehatan Instan Jahe Menggunakan Jaringan Syaraf Tiruan dan Metode Time Series. Jurnal Industria Vol. 2 No. 3 tahun 2013.
Rismawati, L. 2009. Analisis Sensitivitas Dari Persoalan Perbaikan Mesin Dalam Sistem Manufaktur. Tesis Pascasarjana Universitas Sumatera Utara. Medan.
Saleh, A. 2003. Aplikasi Backpropagation Neural Network untuk Deteksi Gangguan Sistem Tenaga Listrik pada Rele Jarak. Jurnal Teknologi Industri, Vol. 6, No.1, Januari 2003. Hal 19-30.
Santosa, P. B. dan Muliawan H, 2007. Statistika Deskriptif dalam Bidang Ekonomi dan Niaga. Penerbit Erlangga. Jakarta.
Santoso, S. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. PT. Elex Media Komputindo. Jakarta.
Saputro, N. 2002. Perbandingan Arsitektur Multilayer Feedforward Network dengan Memakai Topologi Multiprosesor Ring Array dan Linear Array. Dilihat 1 Februari 2014. <http://home.unpar.ac.id/Volume207/No202>.
73
Sekarwati, Ade Kemal. 2005. Jaringan Syaraf Tiruan. Dilihat 31 Januari 2014. <http://digilib.umm.ac.id/go.php?node=2475>.
Setiawan, B. dan Rudiyanto. 2004. Aplikasi Neural Networks untuk Prediksi Aliran Sungai (Studi Kasus DAS Cidanau, Indonesia dan DAS Terauchi, Jepang). Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi.
Siang, J. J. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Andi Offset. Yogyakarta.
Soegoto, E. S. 2010. Entrepreneurship Menjadi Pebisnis Ulung. PT Elex Media Komputindo. Jakarta.
Spiegel, M.R. dan Larry J. S. 2007. Statistik, Edisi Ketiga. Penerbit Erlangga. Jakarta.
Triwulan, Y., Nasrun H. dan Sabat A. 2013. Peramalan Beban Puncak Listrik Jangka Pendek Menggunakan Metode Jaringan Syaraf Tiruan. Jurnal Reka Elkomika. 2337-439X Oktober 2013. Vol. 1 No.4.
Yani, E. 2005. Pengantar Jaringan Syaraf Tiruan. Dilihat 31 Januari 2014. <http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan. pdf>.
Yunarto H. I. dan Martinus G. S., 2005. Business Concepts Implementation Series in Inventory Management. PT Elex Media Komputindo. Jakarta.
74
75
Lampiran 1. Data Penjualan dan Faktor-Faktor yang Mempengaruhi Volume Penjualan
Tahun Bulan Volume
Penjualan Harga
Biaya Promosi
dan Biaya Distribusi
Outlet
2009 Januari 41.941 1.500 2.604.000 7 Februari 22.195 1.500 1.429.000 4 Maret 26.354 1.500 1.661.000 6 April 27.611 1.500 1.748.000 5 Mei 29.609 1.500 1.799.000 6 Juni 18.868 1.500 1.149.000 6 Juli 23.317 1.500 1.523.000 5 Agustus 28.816 1.500 1.898.000 4 September 28.119 1.500 1.760.000 4 Oktober 30.663 1.500 1.953.000 4 November 32.954 1.500 2.137.000 7 Desember 35.086 1.500 2.218.000 6
2010 Januari 38.329 1.500 2.356.000 5 Februari 34.874 1.500 2.119.000 5 Maret 30.435 1.500 1.985.000 4 April 30.898 1.500 1.986.000 5 Mei 30.038 1.500 1.884.000 5 Juni 23.546 1.500 1.535.000 5 Juli 49.213 1.500 3.038.000 7 Agustus 25.028 1.500 1.521.000 4 September 24.629 1.500 1.506.000 4 Oktober 32.164 1.500 1.995.000 6 November 34.621 1.500 2.217.000 4 Desember 29.428 1.500 1.813.000 4
2011 Januari 45.932 1.500 2.809.000 4 Februari 41.365 1.500 2.613.000 5 Maret 35.934 1.500 2.249.000 7 April 35.564 1.500 2.253.000 7 Mei 32.642 1.500 2.098.000 3 Juni 31.486 1.500 2.070.000 4
76
Lampiran 1. Data Penjualan dan Faktor-Faktor yang Mempengaruhi Volume Penjualan (Lanjutan)
Tahun Bulan Volume
Penjualan Harga
Biaya Promosi
dan Biaya Distribusi
Outlet
2011 Juli 53.870 1.500 3.291.000 5 Agustus 40.465 1.500 2.461.000 8 September 44.634 1.500 2.751.000 5 Oktober 46.693 1.500 2.890.000 5 November 43.117 1.500 2.721.000 4 Desember 36.338 1.500 2.310.000 6
2012 Januari 80.526 1.500 5.036.000 8 Februari 44.457 1.500 2.735.000 6 Maret 37.795 1.750 2.764.000 8 April 51.818 1.750 3.809.000 9 Mei 43.875 1.750 3.293.000 8 Juni 27.856 1.750 2.108.000 7 Juli 56.340 1.750 4.047.000 12 Agustus 49.686 1.750 3.562.000 8 September 61.137 1.750 4.317.000 8 Oktober 46.888 1.750 3.403.000 9 November 48.784 1.750 3.626.000 10 Desember 43.917 1.750 3.172.000 11
2013 Januari 54.878 1.750 4.149.000 13 Februari 47.462 1.750 3.372.000 11 Maret 26.562 1.750 1.876.000 11 April 27.499 1.750 2.112.000 11 Mei 40.646 1.750 2.996.000 12 Juni 35.732 1.750 2.702.000 12 Juli 40.296 1.750 3.160.000 13 Agustus 54.954 2.000 4.072.000 16 September 40.327 2.000 2.938.000 13 Oktober 51.884 2.000 3.786.000 23 November 45.215 2.000 3.320.000 11 Desember 28.780 2.000 2.273.000 17
77
Lampiran 1. Data Penjualan dan Faktor-Faktor yang Mempengaruhi Volume Penjualan (Lanjutan)
Tahun Bulan Volume
Penjualan Harga
Biaya Promosi
dan Biaya Distribusi
Outlet
2014 Januari 56.167 2.000 4.088.000 16 Februari 34.090 2.000 2.438.000 13 Maret 36.410 2.000 2.573.000 11
Sumber : Koperasi Susu SAE Pujon (2014)
78
Lampiran 2. Pasangan Data Training pada Jaringan Syaraf Tiruan
Tahun Bulan
Data Input Data Target
Harga
Biaya Promosi
dan Biaya Distribusi
Outlet Volume
Penjualan
2009 Januari 1.500 2.604.000 7 41.941 Februari 1.500 1.429.000 4 22.195 Maret 1.500 1.661.000 6 26.354 April 1.500 1.748.000 5 27.611 Mei 1.500 1.799.000 6 29.609 Juni 1.500 1.149.000 6 18.868 Juli 1.500 1.523.000 5 23.317 Agustus 1.500 1.898.000 4 28.816 September 1.500 1.760.000 4 28.119 Oktober 1.500 1.953.000 4 30.663 November 1.500 2.137.000 7 32.954 Desember 1.500 2.218.000 6 35.086
2010 Januari 1.500 2.356.000 5 38.329 Februari 1.500 2.119.000 5 34.874 Maret 1.500 1.985.000 4 30.435 April 1.500 1.986.000 5 30.898 Mei 1.500 1.884.000 5 30.038 Juni 1.500 1.535.000 5 23.546 Juli 1.500 3.038.000 7 49.213 Agustus 1.500 1.521.000 4 25.028 September 1.500 1.506.000 4 24.629 Oktober 1.500 1.995.000 6 32.164 November 1.500 2.217.000 4 34.621 Desember 1.500 1.813.000 4 29.428
2011 Januari 1.500 2.809.000 4 45.932 Februari 1.500 2.613.000 5 41.365 Maret 1.500 2.249.000 7 35.934 April 1.500 2.253.000 7 35.564 Mei 1.500 2.098.000 3 32.642 Juni 1.500 2.070.000 4 31.486 Juli 1.500 3.291.000 5 53.870
79
Lampiran 2. Pasangan Data Training pada Jaringan Syaraf Tiruan (Lanjutan)
Tahun Bulan
Data Input Data
Target
Harga
Biaya Promosi
dan Biaya Distribusi
Outlet Volume
Penjualan
2011 Agustus 1.500 2.461.000 8 40.465 September 1.500 2.751.000 5 44.634 Oktober 1.500 2.890.000 5 46.693 November 1.500 2.721.000 4 43.117 Desember 1.500 2.310.000 6 36.338
2012 Januari 1.500 5.036.000 8 80.526 Februari 1.500 2.735.000 6 44.457 Maret 1.750 2.764.000 8 37.795 April 1.750 3.809.000 9 51.818 Mei 1.750 3.293.000 8 43.875 Juni 1.750 2.108.000 7 27.856 Juli 1.750 4.047.000 12 56.340 Agustus 1.750 3.562.000 8 49.686 September 1.750 4.317.000 8 61.137 Oktober 1.750 3.403.000 9 46.888 November 1.750 3.626.000 10 48.784 Desember 1.750 3.172.000 11 43.917
Sumber : Koperasi Susu SAE Pujon (2014)
80
Lampiran 3. Pasangan Data Testing pada Jaringan Syaraf Tiruan
Tahun Bulan
Data Input Data Target
Harga
Biaya Promosi
dan Biaya Distribusi
Outlet Volume
Penjualan
2013 Januari 1.750 4.149.000 13 54.878 Februari 1.750 3.372.000 11 47.462 Maret 1.750 1.876.000 11 26.562 April 1.750 2.112.000 11 27.499 Mei 1.750 2.996.000 12 40.646 Juni 1.750 2.702.000 12 35.732 Juli 1.750 3.160.000 13 40.296 Agustus 2.000 4.072.000 16 54.954 September 2.000 2.938.000 13 40.327 Oktober 2.000 3.786.000 23 51.884 November 2.000 3.320.000 11 45.215 Desember 2.000 2.273.000 17 28.780
2014 Januari 2.000 4.088.000 16 56.167 Februari 2.000 2.438.000 13 34.090 Maret 2.000 2.573.000 11 36.410
Sumber : Koperasi Susu SAE Pujon (2014)
81
Lampiran 4. Data Prediksi Volume Penjualan dan Faktor-Faktor yang Mempengaruhi Volume Penjualan
Tahun Bulan
Faktor yang Mempengaruhi Volume Penjualan
Harga Biaya Promosi dan Distribusi
Outlet
2014 April 2.000 2.580.000 15
Mei 2.000 3.200.000 15
Juni 2.000 2.300.000 16
Juli 2.000 3.500.000 17
Agustus 2.000 3.090.000 16
September 2.000 3.100.000 15
Oktober 2.000 3.250.000 17
November 2.000 3.300.000 15
Desember 2.000 2.800.000 16
2015 Januari 2.000 4.100.000 17
Februari 2.000 2.900.000 15
Maret 2.000 2.550.000 15
Sumber : Koperasi Susu SAE Pujon (2014)
82
Lampiran 5. Algoritma Backpropagation Menggunakan Matlab Data Input & Target Susu Pasteurisasi Kop SAE Pujon P= [1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1500 1750 1750 1750 1750 1750 1750 1750 1750 1750 1750;
2604000 1429000 1661000 1748000 1799000 1149000 1523000 1898000 1760000 1953000 2137000 2218000 2356000 2119000 1985000 1986000 1884000 1535000 3038000 1521000 1506000 1995000 2217000 1813000 2809000 2613000 2249000 2253000 2098000 2070000 3291000 2461000 2751000 2890000 2721000 2310000 5036000 2735000 2764000 3809000 3293000 2108000 4047000 3562000 4317000 3403000 3626000 3172000;
7 4 6 5 6 6 5 4 4 4 7 6 5 5 4 5 5 5 7 4 4 6 4 4 4 5 7 7 3 4 5 8 5 5 4 6 8 6 8 9 8 7 12 8 8 9 10 11] Ukuran matriks P : 3 x 48 T= [41941 22195 26354 27611 29609 18868 23317 28816 28119 30663 32954 35086 38329 34874 30435 30898 30038 23546 49213 25028 24629 32164 34621 29428 45932 41365 35934 35564 32642 31486 53870 40465 44634 46693 43117 36338 80526 44457 37795 51818 43875 27856 56340 49686 61137 46888 48784 43917] Ukuran matriks T : 1 x 48
83
Q= [1750 1750 1750 1750 1750 1750 1750 2000 2000 2000 2000 2000 2000 2000 2000;
4149000.00 3372000.00 1876000.00 2112000.00 2996000.00 2702000.00 3160000.00 4072000.00 2938000.00 3786000.00 3320000.00 2273000.00 4088000.00 2438000.00 2573000.00
13 11 11 11 12 12 13 16 13 23 11 17 16 13 11]
Ukuran matriks Q : 3 x 15 TQ= [54878 47462 26562 27499 40646 35732 40296 54954 40327 51884 45215 28780 56167 34090 36410]
Ukuran matriks TQ : 1 x 15
Preprocessing [pn,meanp,stdp,tn,meant,stdt] = prestd(P,T) Membangun jaringan syaraf feedforward net = newff(minmax(pn),[10 1],{'logsig' 'purelin'},'trainlm'); Set bobot net.IW{1,1} net.b{1,1} net.LW{2,1} net.b{2,1} Melihat bobot-bobot awal input, lapisan dan bias BobotAwal_Input = net.IW{1,1} BobotAwal_Bias_Input = net.b{1,1} BobotAwal_Lapisan= net.LW{2,1} BobotAwal_Bias_Lapisan = net.b{2,1} Set max epoch, goal, learning rate, show step net.trainParam.Epochs = 2000; net.trainParam.goal =0.0001; net.trainParam.lr = 0.1; net.trainParam.show = 20; net.trainParam.mc = 0.85;
84
Melakukan Pembelajaran [net,tr,an,El] = train(net,pn,tn); pause Melihat bobot-bobot akhir input, lapisan dan bias BobotAkhir_Input = net.IW{1,1} BobotAkhir_Bias_Input = net.b{1,1} BobotAkhir_Lapisan = net.LW{2,1} BobotAkhir_Bias_Lapisan1 = net.b{2,1} Melakukan simulasi an = sim(net,pn); a = poststd(an,meant,stdt); H = [(1:size(P,2))' T' a' (T'-a')]; sprintf('%2d %9.2f %7.2f %5.2f\n',H') Evaluasi output jaringan dan target T [m1,a1,r1] = postreg(a,T) plot([1:size(P,2)]',T,'bo',[1:size(P,2)]',a','r*'); title('Hasil pengujian dengan data pelatihan: Target (o), Ouput (*)'); xlabel('Data ke-'); ylabel('Target/Output'); PR = [2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000 2000;
2580000 3200000 2300000 3500000 3090000 3100000 3250000 3300000 2800000 4100000 2900000 2550000;
15 15 16 17 16 15 17 15 16 17 15 15]
Normalisasi data PR (Prediksi) nPR = Columns 1 through 5 4.3655 4.3655 4.3655 4.3655 4.3655 0.1418 0.8930 -0.1974 1.2565 0.7597 4.4313 4.4313 4.9248 5.4183 4.9248
85
Columns 6 through 10 4.3655 4.3655 4.3655 4.3655 4.3655 0.7718 0.9536 1.0141 0.4084 1.9834 4.4313 5.4183 4.4313 4.9248 5.4183 Columns 11 through 12 4.3655 4.3655 0.5295 0.1055 4.4313 4.4313 cn = Columns 1 through 4 -1.0863 -0.4509 -1.1725 1.5971 Columns 5 through 8 -0.3155 -0.5791 0.7043 -0.3273 Columns 9 through 12 -0.6657 2.4487 -0.7655 -1.1428 >> c=poststd(ramalan,meanT,stdT) Evaluasi ouput jaringan (data testing dengan target) k = [1:size(Q,2)]'; plot(k,TQ,'bo',k,b','r*'); title('Hasil pengujian dengan data pelatihan: Target (o), Output (*)'); xlabel('Data ke-'); ylabel('Target/Output'); text(k+0.2*ones(length(k),1),TQ,int2str(k)) Data normalisasi data input (P) dan target (T) >> [pn,meanp,stdp,tn,meant,stdt] = prestd(P,T) Warning: PRESTD is an obsolete function. > In nntobsf at 18 In prestd at 8 Use MAPSTD instead. pn = Columns 1 through 6 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 0.1709 -1.2527 -0.9716 -0.8662 -0.8044 -1.5920 0.4832 -0.9973 -0.0103 -0.5038 -0.0103 -0.0103
86
Columns 7 through 12 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -1.1388 -0.6845 -0.8517 -0.6179 -0.3949 -0.2968 -0.5038 -0.9973 -0.9973 -0.9973 0.4832 -0.0103 Columns 13 through 18 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.1296 -0.4167 -0.5791 -0.5779 -0.7015 -1.1243 -0.5038 -0.5038 -0.9973 -0.5038 -0.5038 -0.5038 Columns 19 through 24 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 0.6967 -1.1413 -1.1594 -0.5670 -0.2980 -0.7875 0.4832 -0.9973 -0.9973 -0.0103 -0.9973 -0.9973 Columns 25 through 30 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 0.4193 0.1818 -0.2592 -0.2544 -0.4422 -0.4761 -0.9973 -0.5038 0.4832 0.4832 -1.4908 -0.9973 Columns 31 through 36 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 -0.5076 1.0032 -0.0024 0.3490 0.5174 0.3126 -0.1853 -0.5038 0.9767 -0.5038 -0.5038 -0.9973 -0.0103 Columns 37 through 42 -0.5076 -0.5076 1.9289 1.9289 1.9289 1.9289 3.1175 0.3296 0.3647 1.6308 1.0057 -0.4301 0.9767 -0.0103 0.9767 1.4702 0.9767 0.4832 Columns 43 through 48 1.9289 1.9289 1.9289 1.9289 1.9289 1.9289 1.9192 1.3316 2.2463 1.1389 1.4091 0.8591 2.9508 0.9767 0.9767 1.4702 1.9637 2.4573 meanp = 1.0e+006 * 0.0016
87
2.4630 0.0000 stdp = 1.0e+005 * 0.0010 8.2537 0.0000 tn =
Columns 1 through 6 0.3633 -1.3305 -0.9737 -0.8659 -0.6945 -1.6159 Columns 7 through 12 -1.2342 -0.7625 -0.8223 -0.6041 -0.4076 -0.2247 Columns 13 through 18 0.0535 -0.2429 -0.6237 -0.5839 -0.6577 -1.2146 Columns 19 through 24 0.9871 -1.0875 -1.1217 -0.4753 -0.2646 -0.7100 Columns 25 through 30 0.7057 0.3139 -0.1519 -0.1837 -0.4343 -0.5335 Columns 31 through 36 1.3866 0.2367 0.5944 0.7710 0.4642 -0.1173 Columns 37 through 42 3.6732 0.5792 0.0077 1.2106 0.5292 -0.8449 Columns 43 through 48 1.5985 1.0277 2.0100 0.7877 0.9503 0.5328 meant = 3.7705e+004 stdt = 1.1658e+004
Bobot awal input dan bias >> net.IW{1,1} net.b{1,1} net.LW{2,1} net.b{2,1} ans = 3.1775 -1.7885 0.8626 2.5904 1.5542 -1.6259 -2.6940 1.7083 1.3833
88
3.4141 -0.0625 1.9663 1.7539 2.0587 1.2993 -3.3369 -1.5362 1.1723 -3.2442 -0.5929 1.9535 0.5373 2.4652 -0.6776 4.0117 1.3257 0.7479 3.1460 1.6088 -1.2207 ans = -7.5561 -6.5314 2.9531 -5.8248 -4.4354 2.0171 -0.6791 1.5838 0.2838 3.4606 ans = Columns 1 through 7 0.4121 -0.9363 -0.4462 -0.9077 -0.8057 0.6469 0.3897 Columns 8 through 10 -0.3658 0.9004 -0.9311 ans = -0.1225 Bobot akhir input net.IW{1,1} net.b{1,1} net.LW{2,1} net.b{2,1} ans = -0.0280 -0.9248 -0.7458 37.1696 -81.2449 -28.4493 0.2323 23.5729 5.2981 17.3845 -10.2689 -2.7261 -0.2471 0.0315 -0.1086
89
-0.9400 -0.2972 -0.5228 -5.4410 18.2352 17.4056 -11.6608 54.3157 -16.2855 19.7419 -17.7747 -6.0695 -11.7395 32.9631 2.7088 ans = -2.2537 -82.1107 11.7383 -12.6014 -1.8574 1.0317 13.8302 35.2254 -0.0111 28.2497 ans = Columns 1 through 7 -7.1744 -59.1753 16.6437 -28.5198 83.2318 -9.8672 10.5097 Columns 8 through 10 9.4699 27.5995 -69.3552 ans = 29.1056 Fitting Model (Data Training) >> an = sim(net,pn); a = poststd(an,meant,stdt); H = [(1:size(P,2))' T' a' (T'-a')]; sprintf('%2d %9.2f %7.2f %5.2f\n',H') ans = 1 41941.00 42063.18 -122.18 2 22195.00 22196.13 -1.13 3 26354.00 26353.82 0.18 4 27611.00 27610.84 0.16 5 29609.00 29608.89 0.11 6 18868.00 18867.55 0.45 7 23317.00 23317.22 -0.22
90
8 28816.00 28888.21 -72.21 9 28119.00 28118.86 0.14 10 30663.00 30173.86 489.14 11 32954.00 32929.21 24.79 12 35086.00 35115.60 -29.60 13 38329.00 38315.98 13.02 14 34874.00 34875.16 -1.16 15 30435.00 30838.98 -403.98 16 30898.00 30892.24 5.76 17 30038.00 30046.68 -8.68 18 23546.00 23545.75 0.25 19 49213.00 49232.05 -19.05 20 25028.00 25028.66 -0.66 21 24629.00 24626.84 2.16 22 32164.00 32163.28 0.72 23 34621.00 34619.79 1.21 24 29428.00 29426.67 1.33 25 45932.00 45715.34 216.66 26 41365.00 41738.98 -373.98 27 35934.00 35716.19 217.81 28 35564.00 35791.51 -227.51 29 32642.00 32673.59 -31.59 30 31486.00 31464.83 21.17 31 53870.00 53901.02 -31.02 32 40465.00 40466.70 -1.70 33 44634.00 44410.27 223.73 34 46693.00 46992.00 -299.00 35 43117.00 43148.30 -31.30 36 36338.00 36321.96 16.04 37 80526.00 80523.84 2.16 38 44457.00 44034.03 422.97 39 37795.00 37794.25 0.75 40 51818.00 51817.77 0.23 41 43875.00 43876.59 -1.59 42 27856.00 27855.57 0.43 43 56340.00 56339.89 0.11 44 49686.00 49687.74 -1.74 45 61137.00 61136.81 0.19
91
46 46888.00 46882.38 5.62 47 48784.00 48783.85 0.15 48 43917.00 43918.79 -1.79 MSE: 21516.71 Hasil Testing Qn = trastd(Q,meanp,stdp); Qn = Columns 1 through 6 1.9289 1.9289 1.9289 1.9289 1.9289 1.9289 2.0428 1.1014 -0.7111 -0.4252 0.6458 0.2896 3.4443 2.4573 2.4573 2.4573 2.9508 2.9508 Columns 7 through 12 1.9289 4.3655 4.3655 4.3655 4.3655 4.3655 0.8445 1.9495 0.5756 1.6030 1.0384 -0.2302 3.4443 4.9248 3.4443 8.3793 2.4573 5.4183 Columns 13 through 15 4.3655 4.3655 4.3655 1.9689 -0.0302 0.1333 4.9248 3.4443 2.4573 bn = sim(net,Qn) b = poststd(bn,meant,stdt) L = [(1:size(Q,2))' TQ' b' (TQ'-b')]; sprintf('%2d %11.2f %9.2f %7.2f\n',L') ans = 1 54878.00 54922.93 -44.93 2 47462.00 47622.26 -160.26 3 26562.00 27362.13 -800.13 4 27499.00 27525.32 -26.32 5 40646.00 40301.93 344.07 6 35732.00 35515.56 216.44 7 40296.00 40330.56 -34.56 8 54954.00 55018.67 -64.67 9 40327.00 40321.90 5.10 10 51884.00 51881.26 2.74
92
11 45215.00 44230.25 984.75 12 28780.00 30178.49 -1398.49 13 56167.00 56088.06 78.94 14 34090.00 34095.02 -5.02 15 36410.00 34520.87 1889.13 MSE: 489321.2676 MAPE: 1.1721% Hasil Ramalan
No. Ramalan
1 46.265 2 53.470 3 45.288 4 56.695 5 55.006 6 52.017 7 66.571 8 54.872 9 51.034 10 69.353 11 49.903 12 45.625
93
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab 1. Neural Network Training Net1
Net2
94
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
Net3
Net4
95
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
Net5
Net6
96
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
Net7
Net8
97
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
Net9
Net10
98
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
2. Performance
3. Training State
99
Lampiran 6. Keluaran Jaringan Syaraf Tiruan pada Matlab (Lanjutan)
4. Plot Regression Data Training
5. Hasil Pengujian Data Testing
100
Lampiran 7. Data Masukan (Input) pada Metode Time Series
Tahun Bulan Volume Penjualan
2009 Januari 41.941 Februari 22.195 Maret 26.354 April 27.611 Mei 29.609 Juni 18.868 Juli 23.317 Agustus 28.816 September 28.119 Oktober 30.663
November 32.954 Desember 35.086
2010 Januari 38.329 Februari 34.874 Maret 30.435 April 30.898 Mei 30.038 Juni 23.546 Juli 49.213 Agustus 25.028 September 24.629 Oktober 32.164 November 34.621
Desember 29.428 2011 Januari 45.932
Februari 41.365 Maret 35.934 April 35.564 Mei 32.642 Juni 31.486 Juli 53.870 Agustus 40.465
101
Lampiran 7. Data Masukan (Input) pada Metode Time Series (Lanjutan)
Tahun Bulan Volume Penjualan
2011 September 44.634 Oktober 46.693 November 43.117 Desember 36.338
2012 Januari 80.526 Februari 44.457 Maret 37.795 April 51.818 Mei 43.875 Juni 27.856
Juli 56.340 Agustus 49.686
September 61.137 Oktober 46.888 November 48.784 Desember 43.917
2013 Januari 54.878 Februari 47.462 Maret 26.562 April 27.499 Mei 40.646 Juni 35.732 Juli 40.296
Agustus 54.954 September 40.327
Oktober 51.884 November 45.215 Desember 28.780
2014 Januari 56.167 Februari 34.090 Maret 36.410
Sumber : Koperasi Susu SAE Pujon (2014)
102
Lampiran 8. Hasil Peramalan Menggunakan Metode Time Series Periode April 2014 – Maret 2015
Tahun Bulan Hasil Peramalan
2014 April 36.391 Mei 37.075 Juni 29.211 Juli 46.320 Agustus 41.503 September 41.482 Oktober 43.371 November 42.651 Desember 36.423
2015 Januari 54.676 Februari 39.121 Maret 33.962
Sumber : Data diolah (2014)
103
1. Model Time Series Terpilih
Model Description
Model Type
Model ID Penjualan Model_1 Simple Seasonal
2. Model Statistik
Model Statistics
Model Number of Predictors
Model Fit statistics Ljung-Box Q(18) Number of
Outliers Stationary R-squared
R-squared
RMSE MAPE MAE MaxAPE MaxAE Normalized
BIC Statistics DF Sig.
Penjualan-Model_1
0 .756 .599 7236.312 14.793 5408.114 55.603 24836.986 17.905 14.105 16 .591 0
3. Hasil Peramalan Menggunakan Metode Time Series
Forecast
Model Apr
2014 May 2014
Jun 2014
Jul 2014
Aug 2014
Sep 2014
Oct 2014
Nov 2014
Dec 2014
Jan 2015
Feb 2015
Mar 2015
Penjualan-Model_1
Forecast 36391 37075 29211 46320 41503 41482 43371 42651 36423 54676 39121 33962
UCL 50861 52182 44928 62626 58376 58904 61325 61122 55396 74139 59062 54369
LCL 21921 21969 13494 30015 24630 24061 25418 24181 17449 35212 19180 13554
Lam
pira
n 9
. Ke
luara
n T
ime
Serie
s p
ad
a S
PS
S
103
Lam
pira
n 9
. Kelu
ara
n T
ime S
erie
s p
ada S
PS
S
104
Lampiran 9. Keluaran Time Series pada SPSS (Lanjutan)
4. Grafik Hasil Peramalan Menggunakan Metode Time Series
Lam
pira
n 9
. Ke
luara
n T
ime
Serie
s p
ad
a S
PS
S
Top Related