berbeda seperti penjualan, penghasilan jasa fees, bunga, dividen, royalti dan sewa.”
Definisi tersebut memberikan pengertian yang berbeda dimana income memberikan pengertian pendapatan yang lebih luas, income meliputi pendapatan yang berasal dari
kegiatan operasi normal perusahaan maupun yang berasal dari luar operasi normalnya. Sedangkan
revenue
merupakan penghasil dari penjualan produk, barang dagangan, jasa dan perolehan dari setiap transaksi yang terjadi.
3.2. Data yang Digunakan
Data pendapatan perusahaan yang digunakan dalam penelitian ini adalah data perusahaan Breakdown Apparel dari tanggal 1 Januari 2011 s.d 31 Desember 2013.
Seluruh data yang digunakan dalam penelitian ini berjumlah 1551 yang dapat dilihat pada Tabel 3.1.
Table 3.1 Rangkuman Data Pendapatan Breakdown Apparel
No. Tanggal
Volume
1 Januari 2011
2545000
2 Februari 2011
3150500
3 Maret 2011
3245000
4 April 2011
2957500
5 Mei 2011
2376500
6 Juni 2011
2250500
7 Juli 2011
3490500
8 Agustus 2011
3325000
9 September 2011
2876500
10 Oktober 2011
3568000
11 November 2011
3583000
12 Desember 2011
3845500
13 Januari 2012
2765000
14 Februari 2012
2885000
15 Maret 2012
3650000
Universitas Sumatera Utara
16 April 2012
3189500
17 Mei 2012
2897000
18 Juni 2012
3250500
19 Juli 2012
3372500
20 Agustus 2012
4125500
21 September 2012
3276500
22 Oktober 2012
2854500
23 November 2012
3265000
24 Desember 2012
3896500
25 Januari 2013
2250500
26 Februari 2013
3012500
27 Maret 2013
3345000
28 April 2013
2250500
29 Mei 2013
2750500
30 Juni 2013
3185000
31 Juli 2013
3290500
32 Agustus 2013
3377500
33 September 2013
2845000
34 Oktober 2013
2213500
35 November 2013
3543500
36 Desember 2013
3567500
Universitas Sumatera Utara
Grafik Pendapatan Breakdown Apparel
3.3. Analisis Teknikal Prediksi Pendapatan Perusahaan Menggunakan ANFIS
Sistem prediksi pendapatan menggunakan metode
Adaftive Neuro Fuzzy Inference System
ANFIS dan data runtun waktu di masa lalu dapat digunakan untuk melakukan analisis teknikal pendapatan range bulan dengan menentukan nilai variabel
berdasarkan minat beli konsumen. Sistem menerima dua variabel
input
yakni range bulan serta volume pendapatan. Data-data sersebut akan dinormalisasi dan
diklasifikasi, dan kemudian akan diproses dengan mengunakan algoritma ANFIS hingga diproleh hasil prediksi. Adapun metode ANFIS dapat dilihat pada Gambar 3.3.
500000 1000000
1500000 2000000
2500000 3000000
3500000 4000000
4500000
Jan -1
1 A
p r-
1 1
Ju l-
1 1
O k
t- 1
1 Jan
-1 2
A p
r- 1
2 Ju
l- 1
2 O
k t-
1 2
Jan -1
3 A
p r-
1 3
Ju l-
1 3
O k
t- 1
3
Universitas Sumatera Utara
Mulai Input nilai n, m, Kelas, Toleransi Error,
Max Epoch, Laju Pembelajaran, Momentum dan data saham
Normalisasi data saham dengan range [ 0.1 , 0.9 ] Melakukan cluster data dengan FCM
Menentukan nilai Mean dan Standar Deviasi dari hasil cluster Inisialisasi nilai Epoch =1
Epoch Max Epoch dan
Error Toleransi Error Denormalisasi data hasil prediksi ANFIS
Ouput berupa hasil prediksi dalam bilangan tegas crisp
Mengitung kesalahan prediksi menggunakan MAPE
Output persentase kesalan prediksi
Selesai T
Mencari nilai parameter konsekuen dengan menggunakan lajur maju dan cari
hasil defuzzifikasi Menghitung Error lapisan ke-5, Error lapisan ke-4,
Error lapisan ke-3, Error lapisan ke-2, Error lapisan ke-1
Menghitung error parameter masukan terhadap layer pertama
Mengubah nilai parameter masukan menggunakan gradient descent
Menghitung kuadrat error SSE Epoch++
F
Gambar 3.2 Algoritma ANFIS pada Sistem
Adapun langkah-langkah sistem prediksi pendapatan perusahaan yang akan dibangun adalah sebagai berikut:
1. Memasukkan data pendapatan yang ingin diprediksi.
2. Memasukkan nilai laju pembelajaran,
momentum
, dan,
Max Epoch
. 3.
Melakukan normalisasi data yang telah dimasukkan, data ditransformasikan pada selang 0,1 s.d. 0,9. dengan menggunakan persamaan 2.1. Kemudian target dibuat
pada selang 1 s.d 9. 4.
Menentukan parameter FCM yaitu banyaknya
cluster
, nilai bobot pangkat
cluster
,
Max Epoch
, dan kriteria penghentian.
Universitas Sumatera Utara
5. Melakukan pengelompokkan terhadap data masukan dengan menggunakan FCM
dengan persamaan 2.8 dan persamaan 2.9. Pada sistem prediksi ini, setiap data
input
akan dibentuk dua buah
cluster
yaitu
cluster
1 dan
cluster
2 dimana
cluster
1 merupakan data kelompok data dengan tingkat fluktuasi rendah dan
cluster
2 merupakan kelompok data dengan tingkat fluktuasi tinggi.
6. Setelah didapatkan pengelompokkan data, maka selanjutnya mencari nilai
mean
dan standar deviasi. 7.
Dilakukan pelatihan terhadap data masukan dengan nilai
epoch
lebih kecil dari nilai
maximum
pengulangan dan nilai
error
lebih besar dari nilai batas kesalahan. a.
Tahap pertama yang dilakukan adalah lajur maju yang melakukan beberapa tahap untuk mencari nilai
consequent
dari aturan yang dibuat untuk melakukan penjumlahan terhadap semua masukan pada
layer
terakhir. i.
Pada setiap
node i
pada
layer
pertama menghitung derajat keanggotaan dengan menggunakan persamaan 2.15.
ii. Pada setiap
node i
pada
layer
kedua mencari nilai
firing strength
dengan menggunakan persamaan 2.16.
iii. Pada setiap
node i
pada
layer
ketiga mencari nilai
normalized firing strength
dengan menggunakan persamaan 2.17. iv.
Pada setiap
node i
pada
layer
keempat mencari nilai parameter
consequent
dengan menggunakan persamaan 2.18. v.
Menentukan nilai parameter
consequent
dengan menggunakan LSE dengan persamaan 2.19 sampai dengan persamaan 2.22.
vi. Sebuah
node
tunggal pada
layer
kelima melakukan penjumlahan untuk semua masukkan yang ada menggunakan persamaan 2.23.
vii. Menghitung nilai keluaran yang merupakan persamaan
linear
yang merupakan kombinasi dari parameter
consequent
dengan menggunakan persamaan 2.24.
b. Setelah tahap maju selesai, maka selanjutnya dilakukan tahap laju mundur
dengan menggunakan
Error Backpropagation
EBP untuk mengecek
error
pada setiap
layer
dan menggunakan
gradient descent
untuk mengubah nilai parameter masukkan pada
layer
pertama. i.
Menghitung
error
pada
layer
kelima dengan menggunakan persamaan 2.25.
Universitas Sumatera Utara
ii. Menghitung
error
pada
layer
keempat dengan menggunakan persamaan 2.26.
iii. Menghitung
error
pada
layer
ketiga dengan menggunakan persamaan 2.27.
iv. Menghitung
error
pada
layer
kedua dengan menggunakan persamaan 2.28.
v. Menghitung
error
pada
layer
pertama dengan menggunakan persamaan 2.29.
vi. Menghitung
error
antara
layer
pertama dengan parameter masukan menggunakan persaman 2.30 dan persamaan 2.31.
vii. Setelah dilakukan penghitungan terhadap
error
pada setiap
layer
, maka selanjutnya melakukan perubahan terhadap parameter masukkan pada
layer
pertama dengan menggunakan persamaan 2.32 sampai dengan persamaan 2.35.
c. Menghitung nilai kuadarat
error
menggunakan persamaan 2.36. d.
Melakukan penambah nilai
epoch
. e.
Jika nilai
epoch
lebih kecil dari nilai
max
pengulangan dan nilai
error
lebih besar dari nilai batasan kesalahan, maka menuju ke langkah 7.a.
8. Melakukan denormalisasi data hasil prediksi untuk mendapatkan nilai yang
sebenarnya dengan menggunakan persamaan 2.2. 9.
Menghitung kesalahan hasil prediksi dengan menggunakan
Mean Absolute Percentage
Error
MAPE dengan persamaan 2.37.
3.4 Perancangan Sistem
