Penelitian yang dilakukan oleh Rachmat Hidayat dan Suprato menyebutkan penggunaan metode pembelajaran Extreme Learning Machine
ELM pada ANN memberikan tingkat akurasi dan kecepatan yang lebih baik dari pada metode pembelajaran lainya Hidayat and Suprapto, 2012.
Untuk mendapatkan hasil yang lebih optimal metode peramalan dapat digabungkan dengan beberapa algoritma optimasi misalnya Genetic Algorithm,
Particle Swarm Optimization, atau Ant Colony. Seperti penelitian yang dilakukan oleh Joko S. Dwi Raharjo pada tahun 2013, yaitu menggabungkan metode PSO
dan metode ANN Backpropagation untuk peramalan inflasi bulanan Indonesia dari bulan Januari 1979 sampai dengan bulan Mei 2011. Pada penelitian ini
didapatkan hasil penggabungan metode PSO dan ANN memberikan hasil yang lebih akurat dari pada metode ANN Raharjo, J.S.D., 2013.
Berdasarkan latar belakang dan beberapa penelitian sebelumnya maka penulis melalui penelitian ini mengusulkan metode ELM untuk peramalan jumlah
penjualan barang yang dioptimasi dengan metode Particle Swarm Optimization PSO.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, maka dapat dirumuskan masalah dari penelitian ini adalah sebagai berikut :
1 Bagaimana proses optimasi jumlah hidden nodes ELM menggunakan metode optimasi PSO.
2 Berapa besar akurasi peramalan menggunakan metode ELM yang dioptimasi menggunakan metode PSO, jika dibandingkan dengan tanpa menggunakan
metode optimasi particle swarm optimization. Kedua metode tersebut akan diuji menggunakan data uji yang sama.
1.3. Batasan Masalah
Batasan-batasan yang perlu diberlakukan pada penelitian ini adalah sebagai berikut :
1 Optimasi jumlah hidden nodes pada ELM menggunakan metode PSO dengan studi kasus peramalan penjualan barang di salah satu minimarket di Bali.
2 Pengujian hasil akan dibandingkan dengan hasil peramalan tanpa meng- gunakan metode optimasi PSO.
1.4. Tujuan Penelitian
Dengan menggabungkan metode ELM dan PSO, akan didapatkan jumlah hidden nodes yang optimal sehingga diharapkan menghasilkan hasil peramalan
yang lebih akurat dibanding metode ELM tanpa menggunakan metode optimasi.
1.5. Manfaat Penelitian 1.5.1. Manfaat Akademis
Memberikan pengetahuan bagi penulis dan peneliti lain mengenai proses serta akurasi peramalan menggunakan metode ELM yang dioptimasi
menggunakan metode PSO dan metode peramalan ELM tanpa dioptimasi sehingga dapat dijadikan acuan untuk melakukan penelitian selanjutnya.
1.5.2. Manfaat Praktis
Mendapatkan jumlah hidden nodes yang optimal, sehingga nantinya dapat menghasilkan hasil peramalan yang lebih akurat dan hasil peramalan
tersebut dapat dimanfaatkan oleh pengelola gudang untuk mengatur transfer barang ke minimarket maupun pemesanan barang ke gudang.
1.6. Kebaharuan Penelitian
Penelitian mengenai peramalan telah dilakukan menggunakan berbagai macam metode. Mulai dari metode klasik dan metode modern seperti soft
computing. Penelitian-penelitian tersebut dilakukan untuk mendapatkan nilai error yang rendah namun tidak mengesampingkan kecepatan dari metode tersebut.
Tabel 1.1 menunjukkan beberapa penelitian yang telah dilakukan mengenai peramalan dan Gambar 1.1 merupakan fishbone diagram dari penelitian yang
akan dilakukan.
6
Tabel 1.1. Penelitian Mengenai Peramalan
Metode Judul
Pengarang Tahun
OPTIMASI ANN
Fuzzy Time
Series Fuzzy
Type-2 PSO
GA BP
FF ELM
PSO-Based High Order Time Invariant Fuzzy Time Series Method : Application to Stock Exchange Data
Erol Egrioglu 2014
√ √
Demand Forcasting Using Neural Network For Supply Chain Managemnt
Ashvin Kochak, Suman Sharma
2015 √
A Study of Using Back Propagation Neural Network for the Sales Forecasting of the Thin Film Sputtering
Process Material Tian Syung Lan, dkk
2012 √
Pelatihan Feed Forward Neural Network Menggunakan Algoritma Genetika Dengan Metode
Seleksi Turnamen Untuk Data Time Series David Yuliandar, dkk
2012 √
√ Forecasting Tourism Demad By Fuzzy Time Series
Models Kun-Huang Huarng,
dkk 2012
√ Model Artificial Neural Network Berbasis Particle
Swarm Optimization untuk prediksi laju inflasi. Joko S. Dwi Raharjo
2013 √
√ Aplication Of Short Term Load Forecasting On
Special Days Using Interval Type-2 Fuzzy Inference systems : Study Case In Bali Indonesia
Agus Dharma, dkk. 2013
√ Minimalisasi Nilai Error Peramalan Dengan
Algoritma Extreme Learning Machine Rachmad Hidayat,
Suprapto 2012
√
7
Metode Judul
Pengarang Tahun
OPTIMASI ANN
Fuzzy Time
Series Fuzzy
Type-2 PSO
GA BP
FF ELM
Optimasi Jumlah Hidden Layer Extreme Learning Machine Menggunakan Metode Particle Swarm
Optimization Untuk Peramalan Jumlah Penjualan Barang
I Putu Susila Handika 2015
√ √
8
Peramalan Data
Bursa Saham
Penjualan Barang
Penggunaan Listrik
Genetic Algorithm
Particle Swarm Optimization
Mean Absolute Percentase Error
Mean Square
Error
Feedforward
Extreme Learning
Machine
Fuzzy Time Series
Artificial Neural Network
ARIMA
Gambar 1.1. Fishbone Diagram Peramalan
9
BAB II LANDASAN TEORI
2.1. State of The Art
Beberapa penelitian yang telah dilakukan sebelumnya terkait dengan judul yang diangkat adalah :
Tian Syung Lan, dkk. melakukan menggunakan metode Neural Network Back Propagation untuk meramal penjualan material untuk proses sputtering film.
Hasil dari penelitian yang dilakukan, didapat metode Neural Network Back Propagataion sangat akurat dalam meramalkan penjualan material. Dengan
menggunakan metode ini, persahaan dapat mencegah peningkatan biaya yang disebankan oleh import yang berlebihan dan juga mengurangi kehilangan order
yang disebabkan oleh kekurangan bahan Lan dkk., 2012. Dalam penelitian yang dilakukan oleh David Yuliandar, dkk dikatakan
bahwa penggunaan Artificial Neural Network ANN dalam peramalan time series dapat menjadi solusi yang baik, algoritma ANN memiliki kelemahan yaitu pada
saat pemilihan metode pelatihan yang tepat. Salah satu pilihan yang tepat adalah dengan menggunakan Algoritma Genetika AG. Data yang digunakan dalam
penelitian ini adalah nilai tukar mata uang Dolar Australia AUD terhadap rupiah periode 3 Januari 2011 sampai 29 Januari 2012. Hasil dari penelitian tersebut
adalah Algoritma Genetika dapat memberikan bobot yang optimum untuk melatih jaringan Feed Forward Neural Network Yuliandar dkk., 2012.
Kun-Huang Huarng, dkk. pada tahun 2012, melakukan penelitian penggunaan metode Neural Network based Fuzzy Time Series Model untuk
