3.2. Data yang Digunakan
Data yang digunakan pada penelitian inilah adalah data penjualan sepeda motor periode Januari 2010 s.d Juli 2014 seperti yang dirangkumkan dalam Tabel 3.1
dibawah ini:
Tabel 3.1 Rangkuman data penjualan sepeda motor
No BulanTahun
Nama motor
Harga motor
Harga modal
Promosi Keuntungan
1 Januari 2010
Mio 14.843.000
13.600.000 350.000
1.200.000 2
februari 2010 JupiterZ
15.800.000 14.434.000
300.000 1.150.000
3 Maret 2010
Vixion 24.000.000
23.000.000 600.000
1.200.000 4
April 2010 Scorpio
25.000.000 24.000.000
600.000 1.270.000
5 Mei 2010
Vega 12.000.000
10.200.000 400.000
1.250.000 6
Juni 2010 Mio
14.360.000 13.500.000
350.000 1.200.000
7 Juli 2010
JupiterZ 15.670.00
14.634.000 350.000
1.130.000 8
Agustus 2010 Vixion
24.000.000 23.230.000
590.000 1.350.000
9 September 2010 Scorpio
25.000.000 24.150.000
550.000 1.470.000
10 Oktober 2010
Vega 12.000.000
10.100.000 430.000
1.130.000 ...
... ...
... ...
... ...
269 Januari 2014
Mio 15.404.000
13.950.000 400.000
1.000.000 270
Februari 2014 JupiterZ
16.415.000 15.150.000
400.000 900.000
271 Maret 2014
Vixion 24.996.000
22.800.000 550.000
1.000.000 272
April 2014 Scorpio
25.561.000 24.300.000
475.000 1.090.000
273 Mei 2014
Vega 14.379.000
13.590.000 294.000
890.000 274
Juni 2014 Mio
15.104.000 13.950.000
410.000 1.270.000
275 Juli 2014
JupiterZ 16.015.000
15.450.000 395.000
1.050.000
3.3. Analisis Sistem
Sistem prediksi harga penjualan sepeda motor menggunakan weighted evolving fuzzy neural network WEFuNN merupakan suatu sistem yang memberikan hasil prediksi
suatu harga sepeda motor berdasarkan data runtun waktu di masa lalu. Sistem akan menerima masukan berupa data harga penjualan sepeda motor sebelumnya. Kemudian
data tersebut diproses dengan metode weighted evolving fuzzy neural network untuk mendapatkan hasil prediksi. Adapun Gambaran algoritma metode weighted evolving
fuzzy neural network dapat dilihat pada Gambar 3.1.
Universitas Sumatera Utara
Gambar 3.1. Algoritma weighted evolving fuzzy neural network pada sistem
Universitas Sumatera Utara
Adapun cara kerja sistem prediksi harga sepeda motor yang akan dibangun, dirancang untuk beroperasi sebagai berikut:
1. Input data penjualan sepeda motor jenis motor, nama motor, tahun, harga modal,
komisi marketing, dan keuntungan yang diinginkan sebelumnya ke dalam database.
2. Input nilai sensitive threshold, error threshold, learning rate 1, dan learning rate
2. 3.
Melakukan Normalis asi data yang akan digunakan dan diubah pada rentang 0 ≤ x
≤ 1. Berikut adalah formula yang digunakan untuk menormalisasi data:
Dimana : y : Nilai Normalisasi
x : Nilai data penjualan sepeda motor a : Nilai Minimum dari data penjualan sepeda motor
b : Nilai Maximum dari data penjualan sepeda motor
4. Menentukan nilai membership function dan target dari data yang sudah
dinormalisasi menggunakan triangular membership function sesuai dengan persamaan 2.3. Dari data penjualan sepeda motor dari periode Januari 2013 s.d.
Juli 2014 yang dimiliki, variabel data penjualan dibagi kedalam 3 interval yaitu:
a. Inp = 0, jika nilai normalisasi lebih kecil dari 0.
b. Inp = x - ab - a, jika nilai normalisasi lebih besar sama dengan 0 dan
lebih kecil dari 0,5. c.
Inp = c - x c - b, jika nilai normalisasi lebih besar sama dengan 0,5 dan lebih keci dari 1.
d. Inp = 0, jika nilai normalisasi lebih besar dari 1.
Universitas Sumatera Utara
1
0,5 1
Inp
data
Gambar 3.2. Himpunan fuzzy untuk Data Penjualan
5. Membuat rule node pertama r1 untuk merepresentasikan data yang pertama dan
mengisi nilai dari bobot satu dan bobot dua dengan persamaan 2.6.
6. Hitung nilai Fuzzy Distance Function dengan menggunakan persamaan 2.7
7. Menghitung nilai aktivasi A1
i
dari hasil penghitungan Fuzzy Distance Function dengan menggunakan persamaan 2.8.
8. Cari nilai aktivasi tertinggi dengan persamaan 2.9
9. Mencari nilai rule node r
i
yang memiliki nilai aktivasi tertinggi.
10. Mengecek apakah nilai dari A1
i
lebih besar dari sensitive threshold. Jika A1
i
lebih kecil dari sensitive threshold maka nilai bobot W1 dan W2 akan diubah dengan menggunakan persamaan 2.11, kemudian nilai rule node ditambah
dengan menggunakan persamaan 2.10, dan menuju ke langkah 6.
11. Melakukan propagasi terhadap aktivasi dari rule node r
i
dengan menggunakan persamaan 2.12.
12. Menghitung fuzzy ouput error dengan menggunakan persamaan 2.13.
13. Mencari action node k
dengan nilai aktivasi tertinggi dari A2.
Universitas Sumatera Utara
14. Mengecek Error lebih kecil dari error threshold mengubah nilai bobot W1 dan
W2 dengan menggunakan persamaan 2.15. jika tidak, maka menambah nilai rule node dengan menggunakan persamaan 2.14, dan menuju ke langkah 6.
15. Mengubah bobot W1 dan W2 dengan menggunakan persamaan 2.16, 2.17, dan
2.18.
16. Melakukan training terhadap data selanjutnya dan menuju ke langkah 6,
sebaliknya jika semua data sudah ditraining, maka selanjutnya menuju langkah 17.
17. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang
sebenarnya dengan menggunakan persamaan di bawah ini.
Dimana : y = nilai hasil prediksi
x = nilai hasil denormalisasi a = nilai minimum dari data
b = nilai maximum dari data
18. Menghitung kesalahan hasil prediksi dengan menggunakan MAPE mean absolute
percentage error, berikut adalah formula yang digunakan:
∑
| |
dimana a adalah data sebenarnya, b adalah data prediksi, dan n adalah banyak data.
Universitas Sumatera Utara
3.4. Perancangan sistem
Kategori