TA : Rancang Bangun Aplikasi Peramalan Permintaan Menggunakan Metode Improved Elman (Studi Kasus UD Dwi Mulya Plastik Sidoarjo).

RANCANG BANGUN APLIKASI PERAMALAN

PERMINTAAN MENGGUNAKAN METODE

IMPROVED ELMAN (STUDI KASUS UD DWI MULYA

PLASTIK SIDOARJO)

TUGAS AKHIR

Program Studi: S1 Sistem Informasi

Oleh:

CHRISYANTI SIMBOLON 09410100274

FAKULTAS TEKNOLOGI DAN INFORMATIKA

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA 2016

(STUDI KASUS UD DWI MULYA PLASTIK SIDOARJO)

TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk menyelesaikan Program Sarjana Komputer

Oleh:

Nama : Chrisyanti Simbolon NIM : 09.41010.0274

Program : S1 (Strata Satu) Jurusan : Sistem Informasi

INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA

Halaman

ABSTRAK ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... ix

DAFTAR TABEL ... xii

DAFTAR GAMBAR ... xiii

DAFTAR LAMPIRAN ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 3

1.3 Pembatasan Masalah ... 3

1.4 Tujuan ... 4

1.5 Manfaat ... 4

1.6 Sistematika Penulisan ... 4

BAB II LANDASAN TEORI ... 6

2.1 UD Dwi Mulya Plastik Sidoarjo ... 6

2.2 Aplikasi ... 6

2.3 Permintaan ... 7

2.4 Peramalan Permintaan ... 8

2.5 Peramalan ... 9

2.5.1. Pengertian Peramalan ... 9

2.5.2. Jenis Data pada Kegiatan Peramalan ... 10

2.5.4. Pengukur Kesalahan Peramalan ... 12

2.6 Jaringan Syaraf Tiruan ... 14

2.6.1. Pengertian Jaringan Syaraf Tiruan ... 14

2.6.2. Model Sel Syaraf ... 15

2.6.3. Pemodelan Sel Syaraf ... 16

2.6.4. Fungsi Aktifasi ... 17

2.6.5. Metode Error Back Propagation ... 19

2.7 Improved Elman ... 26

2.8 Unified Modelling Language (UML) ... 28

2.8.1. Diagram-diagram UML ... 29

2.8.2. Elemen-elemen Pemodelan Bisnis ... 31

2.9 Black Box Testing ... 33

BAB IIIANALISIS DAN PERANCANGAN APLIKASI ...35

3.1 Analisis ... 35

3.1.1. User Requirements... 36

3.1.2. Software Requirements ... 36

3.1.3. Data Requirements ... 38

3.2 Perancangan Sistem ... 39

3.2.1. Usecase Diagram... 39

3.2.2. Activity Diagram ... 40

3.2.3. Sequence Diagram ... 45

3.3 Perancangan Interface ... 48

3.4 Perancangan Pengukuran Kesalahan ... 50

BAB IV IMPLEMENTASI DAN EVALUASI ...51

4.1 Kebutuhan Aplikasi ... 51

4.1.1 Kebutuhan Perangkat Keras ... 51

4.1.2 Kebutuhan Perangkat Lunak... 51

4.2 Implementasi Aplikasi ... 52

4.2.1 Halaman Menu Utama ... 52

4.2.2 Halaman Peramalan ... 53

4.3 Evaluasi Sistem ... 55

4.3.1 Uji Coba Fungsional ... 56

4.3.2 Evaluasi Uji Coba Kemudahan Penggunaan Aplikasi... 57

4.3.3 Analisis Data ... 58

BAB VPENUTUP...62

5.1 Kesimpulan ... 62

5.2 Saran ... 62

DAFTAR PUSTAKA ... 63

LAMPIRAN ... 65

Tabel 2.1 Ciri Sebuah Kegiatan Peramalan ... 10

Tabel 3.1 User Requirements Peramalan ... 36

Tabel 3.2 Software Requirements Pelatihan ... 36

Tabel 3.3 Software Requirements Peramalan ... 37

Tabel 4.1 Hasil Uji Fungsional Peramalan ... 56

Tabel 4.2 Hasil Uji Fungsional Pelatihan ... 57

Tabel 4.3 Data Bobot W1 Peramalan dengan Improved Elman ... 59

Tabel 4.4 Data Bobot W2 Peramalan dengan Improved Elman ... 59

Tabel 4.5 Data Bobot W3 Peramalan dengan Improved Elman ... 60

Tabel 4.6 Data Bobot W4 Peramalan dengan Improved Elman ... 60

Gambar 1.1 Trend AnalysisPermintaan Timba Cor ... 2

Gambar 2.1Artificial Neural Network ... 15

Gambar 2.2Fisiologi Sel Syaraf ... 16

Gambar 2.3 Fungsi Aktifasi Binary Sigmoid ... 18

Gambar 2.4Fungsi Aktifasi Bipolar Sigmoid ... 18

Gambar 2.5Jaringan syaraf tiruan dengan lapisan banyak ... 20

Gambar 2.6Jaringan Syaraf Tiruan dengan arsitektur Elman ... 26

Gambar 2.7 Notasi Aktor Bisnis Dalam UML ... 31

Gambar 2.8Notasi Pekerja Bisnis Dalam UML ... 31

Gambar 2.9 Notasi Use Case Bisnis Dalam UML ... 32

Gambar 2.10Notasi Relasi Asosiasi Dalam UML ... 32

Gambar 2.11Notasi Relasi Generalisasi Dalam UML ... 32

Gambar 2.12Notasi Entitas Bisnis Dalam UML ... 33

Gambar 2.13Notasi Diagram Use Case Bisnis Dalam UML ... 33

Gambar 3.1UsecaseDiagram Peramalan Improved Elman ... 39

Gambar 3.2Activity Diagram Pelatihan Improved Elman ... 41

Gambar 3.3 Bagan Alur Pelatihan Improved Elman ... 42

Gambar 3.4 Activity Diagram Peramalan Improved Elman ... 44

Gambar 3.5Bagan Alur Peramalan Improved Elman ... 45

Gambar 3.6Sequance Diagram Peramalan Improved Elman ... 46

Gambar 3.7Sequance Diagram Pelatihan Improved Elman ... 47

Gambar 3.8Class Diagram Peramalan dengan Improved Elman ... 48

Gambar 3.10Rancangan FormNormalisasi Data ... 50

Gambar 4.1 Halaman Menu Utama ... 53

Gambar 4.2 Halaman Peramalan... 54

Gambar 4.3 Halaman Peramalan Setelah Pengambilan Data ... 54

Gambar 4.4 Halaman Hasil Peramalan ... 55

Gambar 4.5 Grafik Ujicoba Peramalan Permintaan ... 58

Lampiran 1. Biodata Penulis ... 65

Lampiran 2. Data Penjualan Timba cor ... 66

Lampiran 3. Kuesioner Kemudahan Aplikasi ... 68

Lampiran 4. Data Dummy ... 69

Lampiran 5. Simulasi Metode Improved Elman di Ms. Excel ... 70

1.1 Latar Belakang Masalah

Semakin berkembangnya ilmu pengetahuan dan teknologi disertai dengan semakin ketatnya persaingan dalam dunia bisnis. Perusahaan-perusahaan saling bersaing untuk memberikan pelayanan yang terbaik kepada konsumen. Salah satu persoalan yang sering muncul dalam perusahaan yaitu mengenai masalah peramalan.

UD Dwi Mulya Plastik merupakan suatu badan usaha yang bergerak dibidang produksi barang-barang rumah tangga berbahan dasar bijih plastik. Badan usaha ini berlokasi di jl. Kesatriaan no. 33 Sidokepung, RT 28 RW 07 Buduran, Sidoarjo. UD Dwi Mulya Plastik ini didirikan oleh Bapak H.M Sudarto di Sidoarjo pada akhir tahun 2008. Produk-produk yang dihasilkan antara lain : timba cor, pot bunga, wakul telur, serta waskom dengan ukuran 12 dan 13. Saat ini, daerah pemasaran UD Dwi Mulya Plastik meliputi kota-kota di Jawa Timur, dan Bali.

Semakin meluasnya area pemasaran dan ketidakpastian pesanan permintaan timba cor membuat UD. Dwi Mulya Plastik Sidoarjo sering menghadapi permasalahan dalam memenuhi permintaan pelanggannya. UD Dwi Mulya Plastik Sidoarjo sering menghadapi permasalahan dalam hal ketersediaan produk timba cor kepada pelanggannya. Produk timba cor sering tidak dapat memenuhi permintaan dari pelanggan. Hal tersebut sering menimbulkan kekecewaan pelanggan terhadap perusahaan. Apabila hal ini diabaikan, maka

perusahaan akan kehilangan pelanggannya. UD. Dwi Mulya Plastik hanya mampu menyediakan 75% dari jumlah pesanan permintaan.

Untuk mengatasi permasalahan tersebut, maka dibutuhkan sebuah sistem yang dapat meramalkan jumlah permintaan produk timba cor di masa yang akan datang berdasarkan data permintaan yang telah direkam sebelumnya. Data permintaan produk timba cor merupakan data penjualan timba cor ditambah estimasi jumlah produk timba cor yang tertolak sebesar 25%. Data hasil ramalan tersebut dapat digunakan untuk memperkirakan jumlah timba cor yang harus disediakan (diproduksi) perusahaan agar dapat memenuhi permintaan pelanggan.

Untuk menyelesaikan masalah tersebut maka digunakan metode

Improved Elman. Improved elman sendiri merupakan salah satu model dari Jaringan Syaraf Tiruan. Metode ini dipilih karena memiliki kemampuan belajar, kemampuan menggeneralisasi data, kemampuan beradaptasi dan bekerja dengan cepat dan dapat diaplikasikan secara real time (Wati, 2011:6). Selain itu, metode ini mampu mengolah data time series yang sifatnya data trend dan data seasonal.

Berdasarkan uraian diatas, maka UD Dwi Mulya Plastik saat ini membutuhkan suatu aplikasi sebagai alat bantu pemecahan masalah. Oleh karena itu akan dibuat suatu Aplikasi Peramalan Permintaan menggunakan metode

Improved Elman yang diharapkan mampu memperkirakan permintaan produk pada periode yang akan datang.

1.2 Perumusan Masalah

Berdasarkan latar belakang masalah yang ada, maka rumusan masalah dalam penelitian ini yaitu bagaimana merancang dan membangun aplikasi peramalan permintaan menggunakan metode improved elman pada UD Dwi Mulya Plastik Sidoarjo yang mampu menurunkan persentase pesanan yang tidak dapat dilayani.

1.3 Pembatasan Masalah

Adapun batasan-batasan masalah yang ada di dalam penelitian ini yaitu: 1. Data yang diramalkan maksimal 3 (tiga) bulan.

2. Data permintaan yang digunakan adalah data penjualan timba cor periode januari 2009 s/d oktober 2013 ditambah estimasi jumlah produk timba cor yang tertolak sebesar 25%. Produk ini dipilih karena merupakan produk yang selalu terjual (continue) pada UD Dwi Mulya Plastik Sidoarjo.

3. Proses pembelajaran pada jaringan syaraf tiruan dianggap selesai dengan kesalahan (error) sebesar 0,001. Error sebesar 0,001 dipilih agar jumlah iterasi pada proses training tidak menghabiskan waktu yang cukup lama (Permana, A.A.J. dan Prijodiprodjo, W. 2014: 45). Error sebesar 0,001 dianggap paling optimal untuk pemecahan masalah ini.

1.4 Tujuan

Berdasarkan rumusan masalah dan batasan masalah yang ada, maka tujuan dari penelitian ini adalah menghasilkan rancang bangun aplikasi peramalan permintaan menggunakan metode improved elman pada UD Dwi Mulya Plastik Sidoarjo.

1.5 Manfaat

Manfaat yang diharapkan dari pembuatan aplikasi peramalan permintaan bahan baku ini adalah:

Membantu pemilik badan usaha untuk menentukan jumlah produk timba cor yang harus disediakan (diproduksi).

1.6 Sistematika Penulisan

Penulisan laporan penelitian ini disusun dalam bentuk bab. Setiap bab akan dijelaskan dalam beberapa sub bab. Berikut ini adalah penjelasan dari setiap bab yang ada dalam penulisan laporan.

BAB I Pendahuluan

Pada bab ini membahas mengenai hal-hal yang menjadi latar belakang, perumusan masalah, batasan masalah dari sistem yang dibuat sehingga tidak keluar dari ketentuan yang ditetapkan, tujuan yang ingin dicapai, serta sistematika penulisan laporan tugas akhir ini.

BAB II Landasan Teori

Pada bab ini membahas mengenai teori-teori yang berkaitan dalam penyelesaian laporan, yaitu penjelasan tentang Aplikasi, dan metode Improved Elman. Selain itu, bab ini juga menjelaskan mengenai

Permintaan, Peramalan Penjualan, Teori Peramalan, dan Jaringan Syaraf Tiruan.

BAB III Analisis dan Perancangan Aplikasi

Pada bab ini membahas mengenai cara menganalisis dan merancang sistem. Analisis sistem dimulai dari perumusan masalah, pengumpulan data, persiapan data, dan membangun model. Perancangan sistem dimulai dari Usecase diagram, Class Diagram,

Activity Diagram, dan Perancangan Interface.

BAB IV Evaluasi dan Implementasi

Pada bab ini membahas mengenai kebutuhan perangkat lunak dan perangkat keras yang dibutuhkan untuk mejalankan sistem serta menjelaskan hasil dari implementasi sistem dan evaluasi sistem. Evaluasi yang dilakukan adalah hasil uji coba sistem dan perhitungan kesalahan peramalan.

BAB V PENUTUP

Pada bab ini berisi tentang kesimpulan dan saran. Kesimpulan menjelaskan hasil dari evaluasi sistem, sedangkan saran menjelaskan tentang masukan terhadap sistem untuk pengembangan lebih lanjut.

2.1 UD Dwi Mulya Plastik Sidoarjo

UD Dwi Mulya Plastik merupakan suatu badan usaha yang bergerak dibidang produksi barang-barang rumah tangga berbahan dasar bijih plastik. Badan usaha ini berlokasi di jl. Kesatriaan no. 33 Sidokepung, RT 28 RW 07 Buduran, Sidoarjo. UD Dwi Mulya Plastik ini didirikan oleh Bapak H.M Sudarto di Sidoarjo pada akhir tahun 2008. Produk-produk yang dihasilkan antara lain : timba cor, pot bunga, wakul telur, serta waskom dengan ukuran 12 dan 13. Saat ini, daerah pemasaran UD Dwi Mulya Plastik meliputi kota-kota di Jawa Timur, dan Bali.

2.2 Aplikasi

Aplikasi merupakan sekumpulan perintah program yang dibuat untuk melakukan pekerjaaan-pekerjaan tertentu (khusus). Dalam pembuatan aplikasi file text dibutuhkan beberapa komponen seperti label, textbox, dan beberapa

command, dimana aplikasi file text merupakan sebuah program yangg dapat menyimpan text atau tulisan ke dalam extention .txt. Pada pembuatan aplikasi tentu tersedia menu untuk melakukan print form, dimana print form sendiri merupakan komponen untuk mencetak form ke file, previw atau printer. Komponen tersebut terdapat pada ToolBox Printing (Hendrayudi, 2009: 143)

2.3 Permintaan

Menurut Gilarso (2007), dalam ilmu ekonomi istilah permintaan (demand) mempunyai arti tertentu, yaitu selalu menunjuk pada suatu hubungan tertentu antara jumlah suatu barang yang akan dibeli orang dan harga barang tersebut. Permintaan adalah jumlah dari suatu barang yang mau dan mampu dibeli pada berbagai kemungkinan harga, selama jangka waktu tertentu, dengan anggapan hal-hal lain tetap sama (=ceteris paribus).

Menurut Danniel (2004), permintaan dipengaruhi oleh beberapa faktor, antara lain:

1. Harga

Hubungan harga dengan permintaan adalah hubungan yang negatif. Artinya bila yang satu naik maka yang lainnya akan turun dan begitu juga sebaliknya. Semua ini berlaku dengan catatan faktor lain yang mempengaruhi jumlah permintaan dianggap tetap.

2. Harga Barang Lain

Terjadinya perubahan harga pada suatu barang akan berpengaruh pada permintaan barang lain. Harga barang lain dapat meliputi harga barang substitusi, komplemen, dan independen. Salah satu contoh barang substitusi, bila harga kopi naik, biasanya permintaan teh akan naik. Barang komplementer contohnya roti dengan keju. Apabila keduanya dipakai secara bersamaan sehingga dengan demikian bila salah satu dari harga barang tersebut naik, pada ummumnya akan mempengaruhi banyaknya konsumsi barang komplemennya. Barang independen adalah barang yang tidak dipengaruhi oleh harga barang yang lain.

3. Selera

Selera merupakan variabel yang mempengaruhi besar kecilnya permintaan. Selera dan pilihan konsumen terhadap suatu barang bukan saja dipengaruhi oleh struktur umum konsumen, tetapi juga karena faktor adat dan kebiasaan setempat, tingkat pendidikan, atau lainnya.

4. Jumlah Penduduk

Semakin banyaknya jumlah penduduk makin besar pula barang yang dikonsumsi dan makin naik permintaan. Penambahan jumlah penduduk mengartikan adanya perubahan struktur umur. Dengan demikian, bertambahnya jumlah penduduk adalah tidak proporsional dengan pertambahan jumlah barang yang dikonsumsi.

5. Tingkat Pendapatan

perubahan tingkat pendapatan akan mempengaruhi banyaknya barang yang dikonsumsi. Secara teoretis, peningkatan pendapatan akan meningkatkan konsumsi. Bertambahnya pendapatan, maka barang yang dikonsumsi tidak hanya bertambah kuantitasnya, tetapi kualitasnya juga meningkat.

2.4 Peramalan Permintaan

Peramalan permintaan merupakan tingkat permintaan produk-produk yang diharapkan akan terealisasi untuk jangka waktu tertentu, pada waktu tertentu pada masa yang akan datang. Aktivitas peramalan permintaan ini biasanya dilakukan oleh manajer yang nantinya akan menjadi masukan penting dalam pengambilan keputusan dan perencanaan produksi. Aktivitas peramalan permintaan bukan aktivitas yang bertujuan untuk mengukur permintaan produksi di masa yang akan datang secara pasti, melainkan sekedar usaha untuk

mengurangi kemungkinan terjadinya hal yang berlawanan antara keadaan yang sungguh-sungguh terjadi di kemudian hari dengan apa yang menjadi hasil peramalan. Dengan kata lain, hasil dari aktivitas peramalan adalah melakukan minimalisasi ketidakpastian yang mungkin terjadi di masa yang akan datang.

2.5 Peramalan

2.5.1 Pengertian Peramalan

Definisi peramalan sendiri sebenarnya beragam. Berikut beberapa definisi tentang peramalan (Santoso, 2009: 7):

1. Perkiraan munculnya sebuah kejadian di masa depan berdasarkan data yang ada di masa lampau.

2. Proses menganalisis data historis dan data saat ini untuk menentukan trend di masa mendatang.

3. Proses estimasi dalam situasi yang tidak diketahui. 4. Pernyataan yang dibuat tentang masa depan.

5. Penggunaan ilmu dan teknologi untuk memperkirakan situasi di masa depan. 6. Upaya sistematis untuk mengantisipasi kejadian atau kondisi di masa depan.

Dari beberapa definisi diatas, dapat disimpulkan bahwa peramalan berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis. Walaupun demikian, kegiatan peramalan tidaklah semata-mata berdasarkan prosedur ilmiah atau terorganisir karena ada kegiatan peramalan yang menggunakan intuisi (perasaan) atau lewat diskusi informal dalam sebuah grup.

Tabel 2.1 Ciri Sebuah Kegiatan Peramalan

Aspek Peramalan

Fokus Data di masa lalu

Tujuan Menguji perkembangan saat ini dan relevansinya

di masa mendatang

Metode Proyeksi berdasar ilmu statistik, diskusi, dan

review program

Orang yang terlibat Pembuat keputusan, petugas administrasi, praktisi, analisis

Frekuensi Regular (teratur)

Kriteria Keberhasilan Tidak sekedar akurasi, namun bersifat pembelajaran

Dari Tabel 2.1 dapat dilihat bahwa peramalan adalah kegiatan yang bersifat teratur. Peramalan juga berupaya memprediksi masa depan dengan menggunakan tidak hanya metode ilmiah, namun juga mempertimbangkan hal-hal yang bersifat kualitatif, seperti perasaan, pengalaman seseorang dan lainnya.

2.5.2 Jenis Data Pada Kegiatan Peramalan

Data yang akan diprediksi secara umum dapat dibagai menjadi dua tipe, yakni: data kualitatif dan data kuantitatif. Data kualitatif adalah data yang bukan merupakan bilangan, tetapi berupa ciri-ciri, sifat-sifat, keadaan, atau gambaran dari kualitas objek yang diteliti. Sedangkan data kuantitatif adalah data yang berupa bilangan yang nilainya bisa berubah-ubah atau bersifat variatif.

Data kuantitatif dapat dibagi menjadi 2 bagian, antara lain: (Santoso, 2009: 13) 1. Data time series

Data times series adalah data yang ditampilkan berdasarkan waktu, seperti bulanan, data harian, data mingguan atau jenis waktu yang lain. Ciri data time series adalah adanya rentang waktu tertentu, dan bukannya data pada satu waktu tertentu.

2. Data cross-sectional

Data cross-sectional adalah data yang tidak berdasar waktu tertentu, namun pada satu (titik) waktu tertentu.

2.5.3 Tahapan Peramalan

Menurut Santoso (Santoso, 2009: 10), untuk mendapatkan hasil peramalan yang baik dan dapat menjawab masalah yang ada secara efektif, kegiatan peramalan sebaiknya mengikuti tahapan baku berikut ini :

1. Perumusan masalah dan pengumpulan data

Tahap pertama yang sebenarnya penting dan menentukan keberhasilan peramalan adalah menentukan masalah tentang apa yang diprediksi. Formulasi masalah yang jelas akan menuntun pada ketetapan jenis dan banyaknya data yang akan dikumpulkan. Dapat saja masalah telah ditetapkan, namun data yang relevan tidak tersedia, hal ini akan memaksa diadakannya perumusan ulang atau mengubah metode peramalan.

2. Persiapan data

Setelah masalah dirumuskan dan data telah terkumpul, tahap selanjutnya adalah menyiapkan data hingga dapat diproses dengan benar. Hal ini diperlukan, karena dalam praktek ada beberapa masalah berkaitan dengan data yang telah terkumpul, antara lain :

a. Jumlah data terlalu banyak b. Jumlah data justru sedikit

c. Data harus diproses terlebih dahulu

d. Data tersedia namun rentang waktu data tidak sesuai dengan masalah yang ada

e. Data tersedia namun cukup banyak data yang hilang (missing), yakni dana yang tidak lengkap.

3. Membangun model

Setelah data dianggap memadai dan siap dilakukan kegiatan prediksi, proses selanjutnya adalah memilih model/metode yang tepat untuk melakukan peramalan pada data tersebut.

4. Implemetasi model

Setelah metode peramalan ditetapkan, maka model dapat diterapkan pada data dan dapat dilakukan prediksi pada data untuk beberapa periode ke depan.

5. Evaluasi peramalan

Hasil peramalan yang ada kemudian dibandingkan dengan data aktual. Metode peramalan tidak dapat memprediksi data di masa depan secara tepat yang ada adalah ketepatan prediksi. Untuk itu, pengukuran kesalahan peramalan dilakukan untuk melihat apakah metode yang telah digunakan sudah memadai untuk memprediksi data.

2.5.4 Pengukur Kesalahan Peramalan

Berdasarkan Lincolin Arsyad dalam Peramalan Bisnis (1994), notasi dasar peramalan adalah sebagai berikut :

�� = Nilai data runtut waktu periode t

���= Nilai peramalan dari ��

�� = �� - ��� = Residual atau kesalahan peramalan

Salah satu cara untuk mengevaluasi teknik peramalan adalah menggunakan penjumlahan kesalahan tersebut. Mean Absolute Deviation (MAD)

mengukur akurasi peramalan dengan merata-ratakan kesalahan peramalan (nilai absolutya).

MAD =∑ (��−���) �

�=1

� 1

Mean Squared Error (MSE) merupakan metode alternatif dalam mengevaluasi suatu teknik peramalan. Setiap kesalahan residual dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah observasi.

MSE =∑ (��−���)2 �

�=1

� 2

Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan kesalahan absolut setiap periode, kemudian membaginya dengan nilai observasi pada periode tersebut, dan akhirnya merata-ratakan persentase absolut ini.

MAPE =

�� (��−_�����)

�=1

� 3

Mean Percentage Error (MPE) digunakan untuk menentukan apakah suatu metode peramalan bias atau tidak. MPE dihitung dengan cara menemukan kesalahan setiap periode, dan kemudian membaginya dengan nilai sebenarnya pada periode tersebut, dan kemudian merata-ratakan persentase kesalahan tersebut.

MPE =

�� (��−_�����)

�=1

2.6 Jaringan Syaraf Tiruan

2.6.1 Pengertian Jaringan Syaraf Tiruan

Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi (Siang, 2009: 2). Menurut Irawan (2007: 136) Jaringan syaraf tiruan dibentuk dari generalisasi model matematik jaringan syaraf biologis, berdasarkan asumsi bahwa :

1. Pemrosesan informasi terjadi pada suatu bentuk prosesor sederhana yang disebut neuron.

2. Sinyal dilewatkan antar neuron melalui sebuah koneksi tertentu. 3. Masing-masing koneksi berasosiasi dengan bobot (weight) tertentu.

4. Masing-masing neuron menerapkan fungsi aktifasi tertentu pada masing-masing jumlah sinyal input untuk menentukan sinyal keluaran .

Jaringan syaraf tiruan diditentukan oleh 3 (tiga) hal (Siang, 2009: 3) : 1. Pola hubungan antar neuron (disebut arsitektur jaringan)

2. Metode untuk menentukan bobot penghubung (disebut metode

training/learning/algoritma) 3. Fungsi aktivasi

Jaringan syaraf tiruan dapat dianggap sebagai semacam kotak hitam (black box) yang memetakan masukan (input) ke suatu keluaran (output) tertentu. Kita tidak pernah tahu isi dari kotak hitam tersebut. Sebagai suatu model adaptif yang memiliki kemampuan belajar, jaringan syaraf tiruan mampu membuat generalisasi dan menyimpan hasil belajar tersebut untuk menghasilkan keluaran (output) sebagaimana kita harapkan atau tidak kita harapkan tetapi tetap sesuai dengan kaidah-kaidah jaringan syaraf tiruan (Irawan, 2007: 137)

Gambar 2.1 Artificial Neural Network

Secara umum berdasarkan algoritma belajar, jaringan syaraf tiruan dapat dibedakan atas :

1. Supervised learning, yaitu metode belajar JST dengan pengawasan, dalam hal ini membandingkan suatu masukan dengan suatu output tertentu yang sudah ditentukan.

2. Unsupervised learning, yaitu metode belajar JST tanpa pengawasan dalam hal ini tidak diperlukan adanya suatu keluaran sebagai acuan.

2.6.2 Model Sel Syaraf

Sistem syaraf biologis merupakan sel-sel syaraf yang disebut neuron. Tidak kurang dari 100 milyar neuron mendukung fungsi otak manusia dewasa. Setiap neuron berhubungan dengan neuron lainnya melalui sambungan khusus yang disebut dengan sinapsis. Sebuah neuron dapat berhubungan dengan beberapa hingga 10000 neuron lain, sehingga masing-masing neuron dapat mengirimkan impuls listrik kepada sel tujuan sampai sekitar 10000 sel (Irawan, 2007: 138)

?

(Blackbox)

Output Input

Gambar 2.2 Fisiologi Sel Syaraf

Sinapsis adalah daerah sambungan khusus antar neuron. Diperkirakan dalam otak manusia terdapat sekitar 1014 sinapsis, yang dipakai dalam komunikasi antar sel. Dalam sistem syaraf, pola interkoneksi sel ke sel beserta fenomena komunikasi antar unit pemroses tersebut menentukan kemampuan komputasi neural (neurocomputing). (Dayhoff, 1990: 136)

2.6.3 Pemodelan Sel Syaraf

Variabel bobot, �_�� , diambil untuk memodelkan pegaruh modelasi ion

��2+ dan enzim pada sinapsis. Variabel �_�� disebut sebagai bobot koneksi yang menghubungkan sel j ke sel i. dengan variabel tersebut, fungsi dari sinapsis, �_�, dapat dimodelkan sebagai fungsi linier seperti:

�� =�� ∶ ��� 1

Dimana �_� adalah potensial aksi (masukan). Selanjutnya dalam dendrit, semua potensial sinapsis yang dihasilkan akan dijumlahkan dan menghasilkan potensial aktifasi untuk sel i:

net_i = � �_� .�_�� �

�=1 2

2.6.4 Fungsi Aktifasi

Fungsi aktifasi mentranformasikan semua sinyal masukan (hasil penjumlahan dari dendrit) ke suatu nilai tertentu yang disebut sebagai potensial aksi atau dengan kata lain fungsi aktifasi mentransformasikan nilai aktifasi yang tak terbatas (infinite) menjadi terbatas (finite) dalam range tertentu. Dalam jaringan syaraf tiruan terdapat bermacam-macam model fungsi aktifasi, antara lain: binary dan bipolar threshold, linear threshold, binary dan bipolar sigmoidal, dan gaussian. Fungsi sigmoid mirip dengan keadaan neuron yang sesungguhnya. Karena itu fungsi sigmoid umum dipakai dalam model-model jaringan syaraf tiruan.

1. Fungsi Aktifasi Binary Sigmoid

Fungsi aktifasi binary threshold dirumuskan dengan:

�

(

���

_�

) =

1

Gambar 2.3 Fungsi Aktifasi Binary Sigmoid

2. Fungsi Aktifasi Bipolar Sigmoid

Fungsi aktifasi bipolar sigmoid dirumuskan dengan:

�(���_�) = 1− 2

1+������ 4

Dimana lamda adalah faktor penguatan.Fungsi aktifasi bipolar sigmoid

rentang nilai �(���_�) yang terletak antara -1 dan 1.

2.6.5 Metode Error Back Propagation

Kelemahan jaringan syaraf tiruan yang terdiri dari layar tunggal membuat perkembangan jaringan syaraf tiruan menjadi terhenti pada sekitar tahun 1970-an. Jaringan syaraf tiruan dengan layar tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan satu/beberapa layar tersembunyi diantara layar masukan dan keluaran (Siang, 2009: 97)

Pembelajaran menggunakan algoritma Delta yang disebut error back propagation training algorithm, argumen masukan diumpankan secara arah maju sedangkan proses pembelajaran selain memanfaatkan perambatan arah maju juga manfaatkan perambatan arah umpan balik.

Pembahasan jaringan syaraf tiruan berlapis banyak dengan algoritma

error backpropagation dibagi 2 bagian yaitu, membahas algoritma pembelajaran arah maju terlebih dahulu kemudian menyusul pembelajaran arah mundur/balik dengan algoritma error backpropagation itu sendiri (Muis, 2006: 166)

Algorima error back propagation memerlukan parameter lain untuk mendukung pemrosesan, yaitu kelajuan pembelajaran c dan pemberian bobot awal. Kelajuan pembelajaran c yang berpengaruh kepada kecepatan proses pembelajaran, bila ditetapkan terlalu kecil akan menyebabkan panjangnya proses pembelajaran sebaliknya penetapan c yang terlalu besar akan menyebabkan keluaran berfluktuasi pada garis target (tidak konvergen) (Muis, 2006: 166)

Secara garis besar, prinsip kerja jaringan syaraf tiruan berlapisan banyak dengan algoritma error back propagation adalah sebagai berikut: masukan dan keluaran didefenisikan sebagai �_�dan �_�, indeks j dan k menunjukkan neuron

neuron masukan ke 1,2,………J atau neuron keluaran ke 1,2,………K, Sedangkan �_�� menunjukkan bobot koneksi antara neuron masukan j dengan

neuron keluaran k (Muis, 2006: 167)

Gambar 2.5 Jaringan syaraf tiruan dengan lapisan banyak

Pada Gambar 2.5, lapisan input memiliki 3 unit neuron, yaitu X1, X2, dan

X3 yang terhubung langsung dengan lapisan tersembunyi (hidden layer) yang

memiliki 2 unit neuron tersembunyi, yaitu Z1 dan Z2. Hubungan neuron-neuron

pada lapisan input dan lapisan output tersebut ditentukan oleh bobot V11, V12,

V21, V22, V31, dan V32. Kemudian, 2 unit neuron tersembunyi Z1 dan Z2

terhubung langsung dengan lapisan output yang memiliki 1 unit neuron Y yang besarnya ditentukan oleh bobot W1 dan W2.

Back error propagation (propagasi balik kesalahan) memiliki 2 proses utama yaitu:

1. Propagasi Maju

Pada lapis dalam (hidden layer). Masukan dari setiap node (neuron) pada lapis dalam berasal dari penjumlahan node input sebagai berikut:

net_jh =� W_jihX_i+ θ_jh ��

�=1 5

Sehingga keluaran dari fungsi aktifasi sigmoid pada hidden layer adalah:

�� =��ℎ�����ℎ� 6

Pada lapisan keluaran (output layer). Masukan dari setiap node (neuron) pada lapisan keluaran berasal dari penjumlahan node pada lapis dalam sebagai berikut:

net_ko= � W_kjoH_j+ θ_ko ��

�=1 7

Sehingga keluaran dari fungsi aktifasi sigmoid pada hidden layer adalah:

�� =���(�����) 8

Sampai disini proses propagasi maju telah selesai. Selanjutnya hasil keluaran pada output layer dibandingkan dengan target, apabila terdapat kesalahan (selisih antara target dan keluaran aktual) maka nilai kesalahan tersebut dipropagasikan balik dengan tujuan untuk meng-update seluruh bobot yang ada pada multilayer perceptron.

2. Propagasi Mundur

Pada lapis keluaran, kesalahan pada sebuah node keluaran didefenisikan sebagai:

��= ��− �� 9

Dimana �_� adalah nilai target/acuan atau nilai keluaran yang diinginkan dan

�� adalah keluaran aktual dari multilayer perceptron. Maka error square pada

lapis kelauaran adalah :

� = 1 2� �2

2 ��

�=1

=1₂∑�_�=1� (�_�− �_�)P

2

10 Proses updating dari nilai bobot dimulai dengan cara meminimalkan turunan dari error tersebut diatas terhadap variabel bobot pada node keluaran:

��

��_��� = −(��− ��) ��_�� �(���_��) .

�(���_��)

��_��� 11

Sisi kanan dari persamaan diatas dapat dijabarkan sebagai berikut:

�(���_��) ��_��� = �_��� ��� � ��� �_� � + ��� �_� �=1 � ,

Dengan demikian persamaan (proses updating) dapat ditulis kembali menjadi:

−_����

��� = (��− ��)��

�′

(���_��).�_� 13

Dari persamaan 16 dapat diketahui bahwa syarat agar persamaan perubahan bobot dapat dipecahkan, fungsi aktifasi sel harus bersifat dapat diturunkan (diflerentiable). Persamaan diatas juga berarti bahwa parameter jaringan yaitu bobot-bobot koneksi dari sel j ke sel i, �_��, harus diubah sebanding dengan negatif gradien fungsi kesalahan terhadap perubahan bobot:

∆���� = −h ._����

��� 14

Dimana ∆�_��� adalah perubahan bobot node j ke node k, dan h adalah konstanta kecepatan belajar (0 < h< 1). Dengan demikian persamaan diatas dapat dimodifikasi menjadi:

∆���� = h(��− ��)���′(�����) .�� 15

Selanjutnya bobot yang baru pada lapis keluaran dapat diupdate dengan persamaan:

�_���_{(���) = �}

���(���) +∆���� 16

Untuk menyederhanakan persamaan, diambil konstata baru, �_��, yaitu:

���= (��− ��)���′(�����) = �����′(�����) 17

����(���) = ����(���) + h��� .�� 18

Kesalahan (error) dipropagasi ke lapisan dalam untuk mengupdate nilai bobot pada lapisan dalam. Persamaan penyesuaian bobot pada lapis dalam adalah:

���ℎ(���) = ���ℎ(���) + h��ℎ .�� 19

Dimana nilai dari �_�ℎ pada persamaan 22adalah:

��ℎ = ��ℎ′�����ℎ� ∑��=1� ��� .���� 20

Secara ringkas, algoritma Back Error Propagation (BEP) yang

diimplementasikan pada multilayer perceptron dapat dirumuskan kedalam 5 tahapan berikut ini:

1. Inisialisasi bobot (weights) dengan bilangan acak. 2. Jika kondisi berhenti tidak terpenuhi, lakukan 2 – 9.

3. Untuk masing-masing pasangan pelatihan, lakukan langkah 3 – 8.

4. Masing-masing unit input menerima sinyal input �_� dan menyebarkan ke semua unit pada lapis di depannya.

5. Pada masing-masing unit lapis dalam jumlahkan dengan

����ℎ = ∑��=1� ���ℎ�� + ��ℎ . 21

Hitung fungsi aktifasi pada setiap unit lapis dalam:

�� = ��ℎ (����ℎ) 22

�����= ∑�_�=1� ������ + ��� . 23

Hitung fungsi aktifasi pada setiap unit lapis keluaran:

�� = ��� (�����) 24

7. Hitung error pada masing-masing unit lapis output:

��� = (��− ��)���′ (�����) 25

Hitung kenaikan nilai bobot:

∆���� = h�������ℎ 26

Hitung kenaikan nilai bobot bias:

∆�_0�� _{= h�}

�� 27

Dimana �_��′ = �_��(���_��)[1− �_��(���_��)] 28 8. Lakukan updating semua bobot antara lapis dalam dan lapis output:

����(���) = ����(���) + ∆���� 29

9. Lakukan updating semua bobot antara lapis input dan lapis dalam:

�_��ℎ_{(���) = �}

��ℎ(���) + ∆���ℎ 30

10.Uji kondisi berhenti:

� = 1₂∑�_�=1� (�_�− �_�)P

2

31

Proses pelatihan dihentikan apabila kondisi berhenti telah sesuai dengan ketelitian yang kita harapkan.

2.7 Improved Elman

Pada dasarnya proses pelatihan/pembelajaran/training pada jaringan elman tidak berbeda dengan proses training yang menggunakan back error propagation. Seluruh nilai dari bobot (weight) di-update dengan menggunakan algoritma back error propagation. Jaringan elman memiliki umpan balik yang menghubungkan keluaran dari hidden layer dengan context unit. Pada saat t,

context unit akan menerima input yang berasal dari keluaran hidden layer pada saat t – 1, memproses dan mengirimkan kembali ke hidden layer untuk dijumlahkan dengan keluaran dari input layer (Irawan, 2007: 170)

Gambar 2.6 Jaringan Syaraf Tiruan dengan arsitektur Elman

Para ahli telah membuktikan bahwa jaringan elman (klasik) hanya akan mencapai hasil yang baik untuk sistem orde pertama saja, sedangkan untuk sistem dengan orde yang lebih tinggi, jaringan elman klasik tidak memberikan hasil yang memuaskan. Untuk memecahkan masalah ini, maka context unit harus ditingkatkan untuk memperbaiki jaringan elman klasik tersebut. Pada metode improved elman, faktor konstanta � diubah menjadi vektor w. Metode improved

elman akan menghasilkan suatu performa yang meningkat dan efisiensi didalam pembelajaran yang didapat dari iterasi juga meningkat (Yusanto, 2009: 28)

Algoritma dari metode Improved Elman adalah sebagai berikut: 1. Menghitung output dengan menggunakan persamaan :

�(�) = �(�1�_�(�) + �2�(� −1)) 1

�(�) =�(�3�(�)) 2

��(�) = �4��(� −1) + �(� −1) 3

2. Menghitung gradien ���(�)

��_��1 dengan menggunakan persamaan:

���(�)

��_��1 = ��(. )�1(� −1) + ��4 ��

�(�−1)

��_��1 4

Dimana k = 0, ���(�)

��_��1 = 0

3. Dari hasil perhitungan gradien diatas, maka dapat dihitung perubahan bobot dengan menggunakan persamaan:

�(�) = 1

2 (��(�)− �(�))�(��(�)− �(�)) 5

∆��4 = h4��ℎ∑��=1(���1) ��(� −2),� = 1,2, … ,�;�= 1,2, … ,� 6

∆���3 = h3�����(�),�= 1,2, … ,�,� = 1,2, … ,� 7

∆���2 = h2��ℎ��(� −1),� = 1,2, … ,�;�= 1,2, … ,� 8

���1 = h₁∑ �������3����

(�)

��_��1 �

4. Melakukan adjustment bobot menggunakan persamaan:

�� _{= �}� _{+ ∆�}�_{,� = 1,2,3,4 10}

Langkah 1 sampai dengan langkah 4 diulang sampai didapat error lebih rendah atau sama dengan nilai error yang ditentukan.

2.8 Unified Modelling Language (UML)

Menurut Nugroho (2005:16), pemodelan visual adalah proses penggambaran informasi-informasi secara grafis dengan notasi-notasi baku yang telah disepakati sebelumnya. Notasi-notasi baku sangat penting demi suatu alasan komunikasi. Dengan notasi-notasi pemodelan yang bersifat baku komunikasi yang baik akan terjalin dengan mudah antar anggota tim pengembang sistem/perangkat lunak dan antara anggota tim pengembang dengan para pengguna. Untuk melakukan pemodelan sistem/perangkat lunak, dalam buku ini notasi-notasi

Unified Modeling Language (UML) yang akan digambarkan secara elektronik (dengan bantuan komputer) lewat sarana perangkat lunak. Dengan pemodelan menggunakan UML ini, pengembang dapat melakukan:

1. Tinjauan umum bagaimana arsitektur sistem secara keseluruhan.

2. Penelaahan bagaimana objek-objek dalam sistem saling mengirim pesan (message) dan saling bekerjasama satu sama lain.

3. Menguji apakah sistem/perangkat lunak sudah berfungsi seperti yang seharusnya.

4. Dokumentasi sistem/perangkat lunak untuk keperluan-keperluan tertentu di masa yang akan datang.

2.8.1 Diagram-diagram Unified Modelling Language (UML)

Menurut Sholiq (2010: 19), UML menyediakan beberapa diagram visual yang menunjukkan berbagai aspek dalam sistem. Banyaknya diagram tersebut dimaksudkan untuk memberikan gamabaran yang lebih terintegrasi terhadap sistem yang akan dibangun. Beberapa diagram yang disediakan dalam UML antara lain:

1. Diagram Use Case Bisnis,

Diagram ini digunakan untuk mempresentasikan bisnis yang dilakukan organisasi. Diagram ini menjawab pertanyaan: “apa yang bisnis lakukan?” dan “mengapa kita membangun sistem untuk itu?”. Diagram ini digunakan untuk memodelkan aktivitas bisnis organisasi sebagai landasan pembuatan use case sistem.

2. Diagram Use Case,

Diagram ini menyajikan interaksi antara use case dan aktor dalam sistem yang akan dikembangkan. Use case adalah fungsionalitas atau persyaratan-persyaratan sistem yang harus dipenuhi oleh sistem yang akan dikembangkan tersebut menurut pandangan pemakai sistem.

3. Diagram Aktivitas,

Diagram ini mendefenisikan dari mana workflow dimulai, dimana workflow

berakhir, aktivitas apa saja yang terjadi didalam workflow, dan apa saja yang dilakukan saat sebuah aktivitas terjadi.

4. Diagram Sekuensial,

Diagram ini digunakan untuk menunjukkan alur (flows) fungsionalitas yang melalui sebuah use case yang disusun dalam urutan waktu.

5. Diagram Kolaborasi,

Diagram ini menunjukkan informasi yang sama persis dengan diagram sekuensial, tetapi dalam bentuk dan tujuan yang berbeda. Pada diagram ini, interaksi antar obyek atau aktor ditunjukkan dengan arah panah tanpa keterangan waktu.

6. Diagram Kelas,

Diagram ini menunjukkan interaksi antar kelas-kelas dalam sistem. Kelas juga dianggap sebagai cetak biru dari obyek-obyek didalam sistem. Sebuah kelas mengandung informasi (attribute) dan tingkah laku (behavior) yang berkaitan dengan informasi tersebut.

7. Diagram Statechart,

Diagram ini memungkinkan untuk memodelkan bermacam-macam state yang mungkin dialami oleh obyek tunggal. Diagram ini digunakan untuk menggambarkan perilaku dinamik sebuah obyek tunggal.

8. Diagram Komponen, dan

Diagram ini menunjukkan komponen apa saja yang dibutuhkan saat proses kompilasi dan menampilkan komponen runtime apa saja yang dihasilkan sebagai hasil proses kompilasi.

9. Diagram Deployment.

Diagram ini menampilkan rancangan fisik jaringan tempat berbagai komponen akan diletakkan. Hanya ada satu diagram deployment satu untuk sistem yang sedang dibangun.

2.8.2 Elemen-elemen Pemodelan Bisnis

Menurut Sholiq (2010: 55), Elemen-elemen yang digunakan untuk membuat model bisnis adalah sebagai berikut:

1. Aktor Bisnis

Aktor bisnis adalah seseorang atau sesuatu yang ada diluar organisasi. Orang-orang didalam organisasi, tetapi diluar bagian yang dimodelkan dapat disebut aktor bisnis. Aktor bisnis dimodelkan dengan menggunakan ikon berikut:

Gambar 2.7 Notasi aktor bisnis dalam UML

2. Pekerja Bisnis

Pekerja bisnis adalah suatu peran didalam organisasi, bukan posisi atau jabatan. Pekerja bisnis dimodelkan dengan menggunakan ikon berikut:

Gambar 2.8 Notasi pekerja bisnis dalam UML

3. Use Case Bisnis

Use case bisnis adalah model yang digunakan untuk menggambarkan sebuah proses bisnis organisasi. Use case bisnis menginformasikan tentang aktivitas

bisnis utama yang organisasi lakukan. Use case bisnis dimodelkan dengan menggunakan ikon berikut:

Gambar 2.9 Notasi use case bisnis dalam UML

4. Relasi Asosiasi dan Generalisasi

Ada 2 relasi yang mungkin terjadi pada pemodelan bisnis dengan UML, yaitu: asosiasi dan generalisasi. Relasi asosiasi adalah relasi antara aktor bisnis atau pekerja bisnis dan use case bisnis. Sedangkan relasi generalisasi digunakan ketika ada dua atau lebih aktor bisnis, pekerja bisnis, atau use case bisnis yang sangat serupa. Relasi asosiasi dan generalisasi dimodelkan dengan menggunakan ikon berikut:

Gambar 2.10 Notasi relasi asosiasi dalam UML

Gambar 2.11 Notasi relasi generalisasi dalam UML

5. Entitas Bisnis

Entitas bisnis adalah obyek yang digunakan atau yang dihasilkan oleh organisasi saat melakukan aktivitas bisnis. Entitas bisnis dimodelkan dengan menggunakan ikon berikut:

Gambar 2.12 Notasi entitas bisnis dalam UML

6. Diagram Use Case Bisnis

Diagram use case bisnis menunjukkan interaksi antara aktor bisnis atau pekerja bisnis dan use case bisnis dalam sebuah organisasi. Diagram use case

bisnis dimodelkan dengan menggunakan ikon berikut:

Gambar 2.13 Notasi diagram use case bisnis dalam UML

2.9 Black Box Testing

Menurut Rizky (2011), black box testing adalah tipe pengujian yang memperlakukan perangkat lunak yang tidak diketahui kinerja internalnya. Para penguji memandang perangkat lunak seperti layaknya sebuah “kotak hitam” yang tidak penting dilihat isinya tapi cukup dikenai proses pengujian di bagian luar. Jenis pengujian ini hanya memandang perangkat lunak dari sisi spesifikasi dan kebutuhan yang telah didefinisikan pada saat awal perancangan.

Beberapa keuntungan yang diperoleh dari jenis pengujian ini antara lain: 1. Anggota tim penguji tidak harus dari seseorang yang memiliki kemampuan

teknis di bidang pemrograman.

2. Kesalahan dari perangkat lunak ataupun bug sering ditemukan oleh komponen penguji yang berasal dari pengguna.

3. Hasil dari black box testing dapat memperjelas kontradiksi ataupun kerancuan yang mungkin timbul dari eksekusi sebuah perangkat lunak.

3.1 Analisis

Dalam proses analisis, terdapat dua cara yang ditempuh, diantaranya : a. Wawancara/Interview

Langkah ini dilakukan untuk mengetahui permasalahan-permasalahan yang terjadi di UD. Dwi Mulya Plastik Sidoarjo, dimana permasalahan tersebut berkaitan dengan peramalan penjualan produk timba cor di masa yang akan datang. Selain itu, langkah ini digunakan untuk mengetahui kebutuhan-kebutuhan aplikasi dan keinginan pihak UD. Dwi Mulya Plastik Sidoarjo (pemilik badan usaha) yang nantinya akan menggunakan aplikasi ini. Wawancara ini dilakukan dengan Bapak Hari M. Wiraatmaja, yang merupakan putra kandung pemilik badan usaha, sekaligus sebagai salah satu

stakeholder dan owner pada badan usaha ini, Bapak H. M. Sudarto selaku pemilik, dan Ibu Nana D. selaku pegawai pada bagian penjualan.

b. Analisis Dokumen

Analisis dokumen adalah langkah untuk mengumpulkan, mengamati, dan menganalisis dokumen apa saja yang berkaitan dengan permintaan. Dokumen permintaan sendiri didapat dari bagian penjualan pada badan usaha ini. Dokumen yang diamati adalah dokumen penjualan produk timba cor selama 58 bulan terakhir. Dokumen tersebut dapat dilihat pada lampiran 2. Dokumen penjualan akan dijadikan sebagai acuan dalam proses peramalan.

3.1.1 User Requirements

Berdasarkan hasil wawancara dengan bagian penjualan maka user

requirements yang dibutuhkan adalah sebagai berikut.

1. Peramalan

Tabel 3.1 User Requirements Peramalan

Deskripsi

Fungsi ini digunakan oleh pemilik (owner) untuk melakukan proses peramalan permintaan timba cor, dengan menggunakan data penjualan yang telah direkap oleh bagian penjualan di Ms. Excel

Aktor Pemilik (owner)

Input Data history permintaan timba cor

Proses

1. Mengambil data history permintaan produk timba cor.

2. Melakukan proses pelatihan (training) terhadap data history permintaan produk timba cor menggunakan metode improved elman.

3. Melakukan peramalan data history permintaan produk timba cor menggunakan metode improved elman.

Output Prediksi jumlah permintaan timba cor

Peraturan Data ramalan permintaan dianggap akurat, jika Mean Squared Error

(MSE) < 0,001

3.1.2 Software Requirements

Berdasarkan hasil analisis dari user requirements diatas, maka dibutuhkan software requirements yang dapat menunjang fungsi peramalan. Terdapat 2 software requirements yang dibutuhkan, diantaranya adalah :

1. Pelatihan (Training)

Tabel 3.2 Software Requirements Pelatihan

Deskripsi

Fungsi ini digunakan oleh sistem. Sistem akan menggunakan data

history permintaan timba cor bertdasarkan bulan dan parameter pelatihan (kecepatan belajar) untuk selanjutnya dilakukan proses

pelatihan.

Pemicu Awal Proses peramalan

Input Data history permintaan yang diambil dari Ms. Excel

Pre-conditions -

Alur

Komputerisasi (computerized-system-flow)

1. Aplikasi akan mengecek ketersediaan data bobot. Apabila bobot telah tersedia maka aplikasi akan memanggil bobot, sedangkan jika bobot belum tersedia maka dilakukan proses pelatihan.

2. Aplikasi akan melakukan normalisasi terhadap data history

permintaan timba cor.

3. Aplikasi akan menghitung semua output pada setiap keluaran (context unit, hidden layer, dan output layer)

4. Aplikasi menghitung penurunan gradien 5. Aplikasi menghitung error pada semua jaringan

6. Aplikasi menghitung perubahan bobot pada setiap vektor (W1, W2, W3, dan W4)

7. Aplikasi menghitung adjustment bobot

8. Jika error > 0,001 maka proses perhitungan “3” dilakukan kembali.

9. Jika error < 0,001 maka aplikasi akan menghasilkan data bobot (W1, W2, W3, dan W4)

Akhir Data bobot (W1, W2, W3, dan W4)

Non Fungsional -

2. Peramalan

Tabel 3.3 Software Requirements Peramalan

Deskripsi Fungsi ini dilakukan oleh pemilik (owner). Fungsi ini dilakukan

untuk melakukan proses peramalan permintaan timba cor.

Pemicu Awal Pelatihan (Training)

Input Data history permintaan yang diambil dari Ms. Excel

Alur

Komputerisasi (computerized-system-flow)

1. Halaman peramalan tampil

2. Pemilik (owner) menekan tombol “Start”

1.1 Aplikasi mengambil data history permintaan timba cor dari Ms. Excel

1.2 Aplikasi menjalankan fungsi pelatihan (training) dengan memberikan data history permintaan dari Ms. Excel, dan menampung data bobot hasil training (W1, W2, W3, dan W4).

1.3 Aplikasi menghitung semua output pada setiap keluaran (context unit, hidden layer, dan output layer) menggunakan data bobot (W1, W2, W3, dan W4) hasil training.

1.4 Aplikasi melakukan denormalisasi

1.5 Aplikasi menghasilkan prediksi jumlah permintaan timba cor pada periode yang akan datang

1.6 Aplikasi menyimpan data prediksi jumlah permintaan timba cor dalam bentuk file

1.7 Aplikasi menampilkan jumlah permintaan timba cor

Akhir Prediksi jumlah permintaan

Non Fungsional -

3.1.3 Data Requirements

Berdasarkan software requirements yang telah dijabarkan sebelumnya, maka diperlukan beberapa data untuk mendukung software requirements tersebut, data yang dibutuhkan diantaranya adalah :

1. Data History Permintaan

Data history permintaan ini akan disediakan oleh bagian penjualan UD. Dwi Mulya Plastik Sidoarjo (external) . Dalam proses pengembangan aplikasi ini, peneliti akan mendapat hak akses untuk membaca data penjualan dari perusahaan.

2. Data Bobot

Data bobot yang meliputi bobot W1, W2, W3, dan W4 merupakan bobot yang dihasilkan dari proses pelatihan/training menggunakan metode

3. Data Prediksi Jumlah Permintaan

Data prediksi jumlah permintaan merupakan data hasil ramalan permintaan untuk periode berikutnya menggunakan metode improved elman.

3.2 Perancangan Sistem

Unified Modeling Language (UML) adalah keluarga notasi grafis yang didukung oleh meta-model tunggal ang membantu pendeskripsian dan desain sistem perangkat lunak khususnya sistem yang dibangun menggunakan pemograman berorientasi objek (OO) (Fowler Martin, 2004).

3.2.1 Usecase Diagram

Usecase diagram digunakan untuk menggambarkan sistem dari sudut pandang pengguna (user), sehingga pembuatan usecase diagram lebih dititikberatkan pada fungsionalitas yang ada pada sistem, bukan berdasarkan alur atau urutan kejadian. Usecase diagram dapat dilihat pada gambar 3.1 dibawah ini.

Gambar 3.1 Usecase Diagram Peramalan Improved Elman

3.2.2 Activity Diagram

Activity diagram menggambarkan rangkaian aliran aktivitas, digunakan untuk mendeskripsikan aktivitas yang dibentuk dalam suatu operasi sehingga dapat juga digunakan untuk aktifitas lainnya. Activity diagram pada aplikasi peramalan permintaan menggunakan improved elman ini terdiri dari 2 usecase, antara lain : peramalan dan pelatihan. Usecase pelatihan merupakan include dari peramalan.

A. Proses Pelatihan

Proses pembelajaran/training dimulai dengan pengecekan ketersediaan data bobot. Apabila bobot telah tersedia maka aplikasi akan memanggil bobot, sedangkan jika bobot belum tersedia maka dilakukan proses pelatihan. Aplikasi akan melakukan normalisasi terhadap data history permintaan timba cor. Kemudian aplikasi dilakukan proses perhitungan di setiap layer context unit, hidden, dan output untuk menghasilkan nilai XC(k), X(k), dan Y(k). Proses selanjutnya adalah menghitung penurunan gradien, menghitung error pada semua jaringan, kemudian menghitung perubahan bobot pada setiap jaringan, yaitu bobot W1, W2, W3, dan W4. Kemudian dilakukan adjustment bobot untuk menggantikan bobot awal yang diberi nilai acak(random). Apabila error yang dihasilkan melebihi 0,001 maka akan dilakukan perulangan proses (looping) dari menghitung keluaran setiap jaringan. Sedangkan jika error yang dihasilkan kurang dari 0,001 maka sistem akan langsung menghasilkan data bobot (W1, W2, W3, dan W4).

�(�) = �(�1_�

�(�) +�2�(� −1))

Menghitung semua keluaran di unit tersembunyi

Mulai

Error < 0,001 ?

Selesai

�(_�) = �(�3_�(�))

Menghitung keluaran di unit output

��(�) = �4��(� −1) + �(� −1)

Menghitung semua keluaran di context unit

�(�) = 1

2 (��(�)− �(�)) �_(�

�(�)− �(�))

Menghitung error pada semua jaringan ���(�)

����1

= ��(. )�1(� −1) + ��4��� (� −1)

����1

Menghitung Penurunan Gradien

Bobot Akhir

��_{(���) = �}�_{(���) + ∆�}�_{,�= 1,2,3,4}

Menghitung adjustment bobot

∆���1= h1��������3����

(�) ����1 �

�=1

,

Menghitung perubahan bobot pada Vektor �1

∆���2 = h₂��ℎ��(� −1)

Menghitung perubahan bobot pada Vektor �2

∆���3 = h₃�_���_�(�),�= 1,2, … ,�,�= 1,2, … ,�

Menghitung perubahan bobot pada Vektor �3

∆��4= h4��ℎ�(�_��1 � �=1

) �_�(� −2)

Menghitung perubahan bobot pada Vektor �4

Cek ketersediaan data bobot

�(�)= 0.8 (�(�))− �����(�)� max��(�)� − min⁡(�(�))+ 0.1

bormalisasi data

Tidak

Ya Ya

Tidak

B. Proses Peramalan

Proses peramalan dimulai dengan menekan tombol Start pada form peramalan oleh pemilik (owner). Kemudian sistem akan mengambil data history permintaan produk timba cor dari Ms. Excel. Setelah file excel dipilih dan muncul pada form peramalan. Selanjutnya pemilik (owner) menekan tombol Proses. Sistem akan membaca data history permintaan produk timba cor untuk kemudian menjalankan fungsi pelatihan menggunakan metode improved elman. Setelah data bobot (W1, W2, W3, dan W4) diperoleh dari fungsi pelatihan, selanjutnya dilakukan perhitungan semua output pada setiap keluaran menggunakan improved elman. Lalu dilakukan proses denormalisasi. Denormalisasi sendiri dimaksudkan untuk mentransformasikan data ke bentuk bilangan bulat positif. Sehingga menghasilkan data ramalan permintaan. Setelah itu, maka dihasilkan prediksi jumlah permintaan produk timba cor. Data tersebut kemudian disimpan dan ditampilkan pada form peramalan.

��� = (��− 0,1)(max(�)−min(�)) + 0,8(���(�)) 0,8

Denormalisasi data

�(�) = �(�1_{��(�) +�}2_{�(� −1))}

Menghitung semua keluaran di unit tersembunyi

Mulai

�(�) = �(�3_�(�))

Menghitung keluaran di unit output

Data history permintaan timba cor

��(�) = �4_{��(� −1) + �(� −1)}

Menghitung semua keluaran di context unit

Fungsi Pelatihan

Data Bobot (W1, W2, W3, W4)

Selesai

Gambar 3.5 Bagan Alur Peramalan Improved Elman

3.2.3 Sequence Diagram

Sequence diagram biasa digunakan untuk menggambarkan skenario atau rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event

untuk menghasilkan output tertentu. Berikut ini merupakan sequence diagram dari aplikasi peramalan permintaan:

Gambar 3.7 Sequence Diagram Pelatihan Improved Elman

3.2.4 Class Diagram

Class diagram adalah diagram yang menunjukkan kelas-kelas yang ada dari sebuah sistem dan hubungannya secara logika. Class diagram bersifat statis yang digambarkan dengan kotak yang terbagi atas 3 bagian, yaitu: nama kelas, attribut, dan operasi. Berikut ini merupakan class diagram dari aplikasi peramalan permintaan:

Gambar 3.8 Class Diagram Peramalan dengan Improved Elman

3.3 Perancangan Interface

Perancangan interface digunakan untuk memberikan gambaran terhadap desain form aplikasi yang akan dibangun. Berikut ini desain interface dari aplikasi peramalan permintaan menggunakan metode improved elman pada UD. Dwi Mulya Plastik Sidoarjo.

1. Form Menu Utama

Form ini merupakan tampilan awal dari aplikasi ketika aplikasi dijalankan. Terdapat 2 button pada menu utama ini, yaitu: Peramalan dan Exit. Untuk lebih jelasnya, rancangan form menu utama dapat dilihat pada Gambar 3.9.

Rancang Bangun Aplikasi Peramalan Permintaan UD. Dwi Mulya Plastik

RANCANG BANGUN APLIKASI PERAMALAN PERMINTAAN MENGGUNAKAN METODE IMPROVED ELMAN

PADA UD. DWI MULYA PLASTIK

Peramalan Exit

Gambar 3.9. Rancangan Form Menu Utama

2. Form Peramalan

Pada form ini digunakan untuk me-inputkan data permintaan produk timba cor dan menampilkan hasil peramalan. Tombol “Start” digunakan untuk mengambil data history permintaan timba cor dari Ms. Excel. Tombol “Proses” digunakan untuk melakukan proses perhitungan pelatihan dan peramalan menggunakan metode improved elman. Untuk lebih jelasnya, rancangan form normalisasi dapat dilihat pada Gambar 3.10.

Form Peramalan

Proses Peramalan Produk Timba Cor

Proses Start

Gambar 3.10. Rancangan Form Normalisasi Data

3.4 Perancangan Pengukuran Kesalahan

Perhitungan kesalahan dalam peramalan yang ada pada landasan teori adalah MAD, MSE, MAPE, dan MSE. MSE digunakan untuk mengetahui rata-rata secara detail karena selisih data dikuadratkan. Selisih data akan semakin besar sehingga akan kelihatan kesalahan peramalannya.

MSE adalah alat ukur kesalahan yang akan digunakan pada penelitian ini. MSE dipilih karena menghasilkan kesalahan ramalan yang dilakukan. Kesalahan ramalan tersebut dapat menghasilkan kesalahan kecil dan dapat menghasilkan kesalahan yang sangat besar. Semakin kecil nilai kesalahan MSE maka peramalan dapat dikatakan baik.

4.1 Kebutuhan Aplikasi

Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk mengatasi permasalahan yang diangkat pada penelitian ini.Tahap-tahap yang dilakukan pada implementasi ini adalah mengidentifikasi kebutuhan system baik perangkat keras maupun perangkat lunak serta menerapkan rancangan dan mengevaluasi sistem yang dibangun.

4.1.1. KebutuhanPerangkat Keras

Untuk menjalankan sistem yang dibuat ini diperlukan perangkat keras dengan spesifikasi minimum. Adapun kebutuhan perangkat keras untuk apilkasi peramalan permintaan ini adalah sebagai berikut:

1. Memory 2Gb atau lebih. 2. Hard Disk 320Gb atau lebih.

3. Processor Core i3 dengan kecepatan 2 GHz atau lebih. 4. Mouse, keyboard, dan monitor dalam kondisi baik.

4.1.2. KebutuhanPerangkat Lunak

Aplikasi peramalan permintaan menggunakan metode improved elman ini juga membutuhkan perangkat lunak minimum agar dapat berjalan dengan baik, perangkat lunak tersebut, antara lain:

1. SistemOperasi Microsoft Windows 7 Professional Edition / Ultimate. 2. Microsoft Visual Studio .NET 2010.

3. CRRuntime 32 bit.

4. Microsoft SQL Server 2008 Express Editon. 5. .NET Framework 4.0 ataulebihtinggi.

4.2 Implementasi Aplikasi

Aplikasi peramalan permintaan menggunakan metode improved elman ini digunakan oleh pemilik/owner UD. Dwi Mulya Plastik Sidoarjo. Pada sub-sub ini akan dijelaskan halaman-halaman apa saja yang dapat digunakan oleh owner

badan usaha tersebut.

4.2.1. Halaman Menu Utama

Form ini merupakan tampilan utama aplikasi peramalan menggunakan metode improved elman. Aplikasi ini tidak dilengkapi dengan proses login karena pengguna utama merupakan pemilik badan usaha sendiri. Pemilik bisa langsung melakukan proses peramalan. Terdapat 2 (dua) menu pada halaman utama ini, yaitu: menu Peramalan dan menu Exit. Untuk lebih jelasnya, form menu utama dapat dilihat pada Gambar 4.1.

Gambar4.1Halaman Menu Utama

4.2.2. Halaman Peramalan

Form peramalan permintaan ini digunakan untuk melakukan perhitungan peramalan permintaan produk timba cor menggunakan metode improved elman berdasarkan data history permintaan timba cor pada masa lalu. Hasil peramalan tersebut kemudian digunakan untuk menghitung jumlah produk timba cor yang harus diproduksi (disediakan) oleh badan usaha. Hasil peramalan ditampilkan pada message box dan disimpan dalam bentuk file seperti ditunjukkan pada gambar 4.3 dan 4.4 dibawah ini.Untuk lebih jelasnya, form menu peramalan dapat dilihat pada Gambar 4.2.

Gambar4.2 Halaman Peramalan

Gambar4.4 Halaman Hasil Peramalan

4.3 Evaluasi Sistem

Evaluasi sistem bertujuan untuk memastikan bahwa aplikasi telah dibuat dengan benar sesuai dengan kebutuhan atau tujuan yang diharapkan. Kelemahan dan kekurangan dari aplikasi pada tahap ini akan dievaluasi sebelum diimplementasikan secara nyata. Evaluasi yang dilakukan harus melewati tahap pelatihan dan pengujian peramalan. Proses pengujian aplikasi menggunakan Black Box Testing untuk membuktikan bahwa aplikasi yang telah dibuat sudah sesuai dengan tujuan. Data yang digunakan untuk proses peramalan adalah sebanyak 50 data terhitung dari januari 2009 membuktikan bahwa aplikasi sampai dengan februari 2013, sedangkan data ujicoba sebanyak 8 data terhitung dari maret 2013 sampai dengan oktober 2013.

4.3.1 Uji Coba Fungsional

Uji coba akan dilakukan terhadap perangkat lunak apakah sudah sesuai dengan kebutuhan fungsional dan non fungsional yang sudah dirancang sebelumnya. Uji coba ini dilakukan untuk melihat progam yang dibuat sudah sesuai dengan yang diharapkan. Kegiatan yang dilakukan dalam tahap uji coba sistem adalah menguji semua masukan dan membandingkan hasil masukan tersebut dengan hasil yang diharapkan. Uji coba fungsional, baik peramalan maupun pelatihan dilakukan menggunakan data dummy beserta langkah-langkah penyelesaiannya (Lampiran 4). Uji coba tersebut adalah sebagai berikut:

1. Uji Fungsional Peramalan

Mengenai uji fungsional peramalan, penjelasan lebih detil dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil Uji Fungsional Peramalan

Fungsional Peramalan

Stakeholder Pemilik

Alur Normal Melakukan pelatihan

Aksi Pengguna Respon Sistem Hasil

Pengguna memilih file excel yang akan dijadikan objek peramalan

Sistem berhasil menampilkan jumlah permintaan produk timba cor yang akan diramalkan

 Data permintaan timba cor

Pengguna

melakukan proses peramalan

Sistem berhasil menampilkan hasil peramalan

 Hasil prediksi peramalan timba cor

Alur Alternatif 1 Data permintaan produk tersimpan pada database

Aksi Penguna Respon Sistem Hasil

Pengguna melakukan proses peramalan, hanya saja tidak melakukan proses pemilihan file excel permintaan produk. Sistem berhasil mengeluarkan hasil peramalan permintaan produk timba cor sesuai dengan proses peramalan dengan alur normal.

Kondisi Akhir

Respon Sistem Hasil

Sistem berhasil menampilkan data prediksi hasil peramalan permintaan produk timba cor

 Hasil prediksi peramalan timba cor

2. Uji Fungsional Pelatihan

Mengenai uji fungsional pelatihan, penjelasan lebih detil dapat dilihat pada Tabel 4.2.

Tabel 4.2 Hasil Uji Fungsional Pelatihan

Fungsional Pelatihan

Stakeholder Pemilik

Alur Normal Melakukan peramalan

Aksi Pengguna Respon Sistem Hasil

Pengguna

melakukan proses peramalan

Fungsi peramalan memicu pemanggilan fungsi pelatihan

 Data bobot (W1, W2, W3, dan W4)

Kondisi Akhir

Respon Sistem Hasil

Fungsi peramalan memicu pemanggilan fungsi pelatihan

 Data bobot (W1, W2, W3, dan W4)

4.3.2 Uji Coba Kemudahan Penggunaan Aplikasi

Untuk dapat mengetahui bahwa aplikasi telah sesuai dengan kebutuhan pengguna maka aplikasi akan diuji cobakan kepada satu user yaitu Pemilik badan usaha (Lampiran 3. Kuesioner). Dari angket yang telah diisi oleh pengguna dapat ditarik kesimpulan bahwa pengguna yaitu pemilik badan usahadengan sampel sebanyak 1 orang memberikan penilaian untuk kemudahan penggunaan aplikasi dengan nilai rata-rata 4.25. Hasil ini didapatkan dengan cara membagi total nilai untuk semua pernyataan yaitu 34 dengan jumlah pernyataan yaitu 8. Dari skala 1 sampai 5 pada angket, nilai 4.25 telah menunjukkan bahwa semua menu pada aplikasi ini sudah sesuai dengan keinginan pemilik dan mudah dipahami oleh pemilik badan usaha.

Dari penilaian pengguna aplikasi dapat ditarik kesimpulan secara umum bahwa aplikasi ini sudah sesuai dan termasuk dalam kategori mudah untuk digunakan. Adapun saran yang diberikan pengguna yaitu agar ke depannya sistem ini dapat diintegrasikan dengan sistem lain.

4.3.3 Analisis Data

Analisis data dilakukan untuk melihat selisih data hasil prediksi peramalan permintaan dengan data aktual penjualan timba cor. Dari 58 data penjualan yang disediakan, 8 data merupakan data untuk uji coba. Berikut ini merupakan gambar hasil peramalan dan data aktual penjualan beserta selisih dan grafiknya.

.

Gambar 4.5Grafik Ujicoba Peramalan Permintaan

Pada gambar 4.5 ujicoba peramalan diatas menggunakan metode improved elman dengan konstanta belajar 0,40 dan jumlah inputan 12, didapatkan

nilai MAPE sebesar 10,83%. Pengukuran kesalahan menggunakan MAPE dipilih karena model ini memiliki kinerja sangat baik jika nilai MAPE diantara 10% sampai 20% (Zainun dan Majid, 2003). Selisih antara data peramalan dan data aktual masing-masing adalah: 2631; 2293; 974; 183; 1019; 188; 4847; dan 6961 dan dalam bentuk persen masing-masing adalah: 10,13%; 8,54%; 4,38%; 0,84%; 4,24%; 0,74%; 22,75%; dan 34,97% dengan MSE sebesar 10773101,25. Dibawah ini merupakan nilai bobot W1, W2, W3, dan W4 dengan parameter yang telah disebutkan diatas.

Tabel 4.3 Data Bobot W1 Peramalan dengan Improved Elman

Data W1

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

(1) 0,74 1,33 1,11 1,24 1,26 1,29 0,74 0,99 1,51 0,78 0,74 1,20

(2) -0,63 -0,22 -0,85 -0,28 -0,55 0,10 -0,68 -0,01 -0,00 -0,14 -0,75 -0,07

(3) 3,72 3,37 3,97 3,44 3,34 3,10 4,43 3,49 3,20 3,27 3,66 3,97

(4) 4,50 3,34 4,06 4,47 3,82 4,36 4,47 3,52 4,58 3,29 4,90 4,28

(5) 4,81 4,89 4,78 4,72 5,03 4,50 5,17 4,90 5,30 4,58 5,15 4,61

(6) 0,53 0,29 0,26 0,90 0,58 0,62 0,79 0,51 0,51 0,40 1,06 0,26

(7) 0,76 0,59 0,24 0,70 -0,02 0,88 0,85 0,16 0,85 0,85 0,82 0,53

(8) -0,58 0,15 -0,08 -0,08 -0,20 -0,37 -0,76 0,21 0,19 0,31 -0,52 -0,44

(9) 4,75 3,94 4,78 4,41 4,14 3,90 4,51 4,41 3,80 3,92 4,45 4,06

(10) -0,68 -0,15 -0,19 -0,11 0,17 -0,81 -0,65 -0,36 -0,44 -0,15 -0,35 -0,25 (11) 0,34 0,57 0,29 0,39 -0,21 0,45 -0,34 0,44 0,08 0,68 0,32 -0,12 (12) 3,99 3,70 4,43 4,24 3,99 4,16 4,55 3,62 4,30 3,48 4,59 4,63

Tabel 4.4 Data Bobot W2 Peramalan dengan Improved Elman

Data W2

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

(1) 1,8 2,29 2,07 2,02 1,53 2,09 1,43 1,53 1,72 1,96 1,52 1,68

(2) 2,0 2,26 2,22 1,87 1,30 2,08 1,98 1,28 2,14 1,36 2,04 1,57

(3) 1,9 1,34 1,36 1,61 1,25 1,11 1,39 1,69 1,50 1,35 2,07 1,26

(4) 1,5 1,83 1,98 1,73 1,98 1,23 2,05 1,32 2,13 1,25 1,58 1,63

(5) 1,9 1,32 1,88 1,5 1,52 1,41 1,88 1,34 1,45 1,31 1,84 1,88

(6) 1,7 1,57 2,09 1,21 1,39 1,37 2,21 1,36 1,24 1,68 1,54 1,61

(7) 0,7 0,63 0,70 1,08 0,80 0,92 1,12 1,32 0,75 1,38 1,19 1,41

(8) 0,8 1,21 0,57 1,34 0,99 0,91 1,43 1,30 1,42 1,15 1,46 0,78

(9) 1,0 1,47 1,61 1,23 0,87 1,66 1,25 1,13 1,08 1,23 1,28 1,31

(10) 1,4 1,32 1,08 1,92 1,83 1,83 1,80 1,62 2,05 1,99 1,90 1,63

(11) 1,2 1,09 1,67 1,49 1,63 1,30 1,62 1,43 1,37 1,82 1,44 1,69

Tabel 4.5 Data Bobot W3 Peramalan dengan Improved Elman

Data

W3

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

2,80 2,96 2,59 2,63 2,66 2,61 2,62 2,89 3,08 3,05 2,83 2,67

Tabel 4.6 Data Bobot W4 Peramalan dengan Improved Elman

Data

W3

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12)

-0,05 -0,48 0,45 0,46 0,49 -0,23 -0,05 -0,29 0,38 -0,37 -0,41 0,45

Berdasarkan Gambar 4.5 diatas, diketahui bahwa jumlah total hasil peramalan dengan menggunakan aplikasi sebesar 194.310, sedangkan jumlah total data aktual permintaan sebesar 187.100 dengan nilai selisih MSE (Mean Squared Error) sebesar 10773101,25. Berdasarkan hasil uji coba selama 8 periode, terdapat 3 periode yaitu bulan maret 2013, april 2013, dan juli 2013 tidak mampu menyediakan produk timba cor kepada konsumen, dengan kata lain hasil prediksi peramalan bernilai lebih kecil dibandingkan data aktual permintaan. Kekurangan hasil prediksi permintaan timba cor dalam bentuk persentase masing-masing sebesar 10,13%; 8,54%; dan 4,24%. Sedangkan pada5 periode yang lain, badan usaha ini mampu menyediakan produk timba cor. Namun, terdapat kelebihan hasil prediksi permintaan masing-masing pada bulan mei 2013 sebesar 4,38%, pada bulan juni 2013 sebesar 0,84%, pada bulan agustus 2013 sebesar 0,74%, pada bulan september 2013 sebesar 22,75%, dan pada bulan oktober 2013 sebesar 34,97%.

Melihat hasil peramalan mulai bulan maret 2013 sampai bulan agustus 2013, selisih antara data aktual (target) dengan data peramalan relatif tidak terlalu jauh dan memiliki tren yang sama, sedangkan pada 2 bulan terakhir selisihnya jauh dan pola tren yang berbeda. Sehingga dapat dikatakan bahwa aplikasi dengan

menggunakan metode improved elman mampu meramalkan permintaan timba cor, dengan tingkat akurasi sebesar 10,13% untuk meramalkan 1 periode kedepan.

5.1 Kesimpulan

Berdasarkan implementasi dan hasil uji coba yang dilakukan terhadap aplikasi peramalan permintaan menggunakan Improved Elman dapat disimpulkan bahwa dengan menggunakan parameter uji: konstanta belajar 0,40; jumlah inputan 12 dan MAPE sebesar 10,83%, metode ini mampu meramalkan permintaan timba cor dengan tingkat akurasi 10,13% untuk 1 bulan kedepan.

5.2 Saran

Adapun saran yang dapat diberikan kepada peneliti berikutnya apabila ingin mengembangkan aplikasi peramalan permintaan menggunakan Improved Elman yang telah dibuat ini agar menjadi lebih baik adalah dengan mengembangkan metode ini yang termasuk kedalam kategori pembelajaran terawasi (Supervised Learning) menjadi kategori pembelajaran yang tidak terawasi (Unsupervised learning), dalam artian pelatihan data dilakukan secara terotomatisasi.

Yogyakarta.

Daniel, Moehar. 2004. Pengantar Ekonomi Pertanian. Jakarta: Bumi Aksara.

Fowler, Martin. 2003. UML Distilled: A Brief Guide to the Standard Object Modelling Language (3rd ed). United States of America: Addison-Wesley.

Gilarso, T. 2003. Pengantar Ilmu Ekonomi Mikro. Yogyakarta: Kanisius.

Hendrayudi, 2009. VB 2008 untuk Berbagai Keperluan Pemograman. Jakarta : PT. Elex Media Komputindo.

Irawan, Jusak. 2007.Buku Pegangan Kuliah Sistem Pakar. Surabaya : Sekolah Tinggi Manajemen Informatika dan Teknik Komputer Surabaya.

Muis, Saludin. 2006. Jaringan Syaraf Tiruan Sebagai Alat Bantu Peramalan Harga Saham. Jakarta : Graha Ilmu.

Nugroho, Adi. 2005. Analisis dan Perancangan Sistem Informasi Dengan Metodologi Berorientasi Objek. Bandung : Informatika

Permana, A.A.J. dan Prijodiprodjo, W. 2014, Sistem Evaluasi Kelayakan Mahasiswa Magang Menggunakan Elman Recurrent Neural Network. Indonesian Journal of Computing and Cybernetics Systems (IJCCS). Volume 8, No. 1. http://journal.ugm.ac.id/ijccs/article/viewFile/3494/3020

Rizky, Soetam. 2011. Konsep Dasar Rekayasa Perangkat Lunak. Jakarta: PT. Prestasi Pustakaraya.

Santoso, Singgih. 2009. Business Forecasting : Metode Peramalan Masa Kini dengan MINITAB dan SPSS. Jakarta : PT. Elex Media Komputindo.

Siang Jong Jek, Drs, M.Sc. 2009. Jaringan Syaraf dan Pemogramannya Menggunakan MATLAB.Yogyakarta : Andi.

Wati, Dwi Ana Ratna. 2011. Sistem Kendali Cerdas. Yogyakarta: Graha Ilmu

Yusanto, Erick. 2009. Aplikasi Proyeksi Penjualan Velg PT Panca Budi Idaman dengan Metode Improved Elman. Tidak Diterbitkan. Tugas Akhir STIKOM SURABAYA.

Zainun, N. Y. dan Majid, M. Z. (2003). “Low Cost House Demand Predictor”. Universitas Teknologi Malaysia.

59

nilai MAPE sebesar 10,83%. Pengukuran kesalahan menggunakan MAPE dipilih karena model ini memiliki kinerja sangat baik jika nilai MAPE diantara 10% sampai 20% (Zainun dan Majid, 2003). Selisih antara data peramalan dan data aktual masing-masing adalah: 2631; 2293; 974; 183; 1019; 188; 4847; dan 6961 dan dalam bentuk persen masing-masing adalah: 10,13%; 8,54%; 4,38%; 0,84%; 4,24%; 0,74%; 22,75%; dan 34,97% dengan MSE sebesar 10773101,25. Dibawah ini merupakan nilai bobot W1, W2, W3, dan W4 dengan parameter yang telah disebutkan diatas.

Tabel 4.3 Data Bobot W1 Peramalan dengan Improved Elman

Data W1

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (1) 0,74 1,33 1,11 1,24 1,26 1,29 0,74 0,99 1,51 0,78 0,74 1,20 (2) -0,63 -0,22 -0,85 -0,28 -0,55 0,10 -0,68 -0,01 -0,00 -0,14 -0,75 -0,07

(3) 3,72 3,37 3,97 3,44 3,34 3,10 4,43 3,49 3,20 3,27 3,66 3,97 (4) 4,50 3,34 4,06 4,47 3,82 4,36 4,47 3,52 4,58 3,29 4,90 4,28 (5) 4,81 4,89 4,78 4,72 5,03 4,50 5,17 4,90 5,30 4,58 5,15 4,61 (6) 0,53 0,29 0,26 0,90 0,58 0,62 0,79 0,51 0,51 0,40 1,06 0,26 (7) 0,76 0,59 0,24 0,70 -0,02 0,88 0,85 0,16 0,85 0,85 0,82 0,53 (8) -0,58 0,15 -0,08 -0,08 -0,20 -0,37 -0,76 0,21 0,19 0,31 -0,52 -0,44

(9) 4,75 3,94 4,78 4,41 4,14 3,90 4,51 4,41 3,80 3,92 4,45 4,06 (10) -0,68 -0,15 -0,19 -0,11 0,17 -0,81 -0,65 -0,36 -0,44 -0,15 -0,35 -0,25

(11) 0,34 0,57 0,29 0,39 -0,21 0,45 -0,34 0,44 0,08 0,68 0,32 -0,12

(12) 3,99 3,70 4,43 4,24 3,99 4,16 4,55 3,62 4,30 3,48 4,59 4,63

Tabel 4.4 Data Bobot W2 Peramalan dengan Improved Elman

Data W2

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) (1) 1,8 2,29 2,07 2,02 1,53 2,09 1,43 1,53 1,72 1,96 1,52 1,68 (2) 2,0 2,26 2,22 1,87 1,30 2,08 1,98 1,28 2,14 1,36 2,04 1,57 (3) 1,9 1,34 1,36 1,61 1,25 1,11 1,39 1,69 1,50 1,35 2,07 1,26 (4) 1,5 1,83 1,98 1,73 1,98 1,23 2,05 1,32 2,13 1,25 1,58 1,63 (5) 1,9 1,32 1,88 1,5 1,52 1,41 1,88 1,34 1,45 1,31 1,84 1,88 (6) 1,7 1,57 2,09 1,21 1,39 1,37 2,21 1,36 1,24 1,68 1,54 1,61 (7) 0,7 0,63 0,70 1,08 0,80 0,92 1,12 1,32 0,75 1,38 1,19 1,41 (8) 0,8 1,21 0,57 1,34 0,99 0,91 1,43 1,30 1,42 1,15 1,46 0,78 (9) 1,0 1,47 1,61 1,23 0,87 1,66 1,25 1,13 1,08 1,23 1,28 1,31 (10) 1,4 1,32 1,08 1,92 1,83 1,83 1,80 1,62 2,05 1,99 1,90 1,63 (11) 1,2 1,09 1,67 1,49 1,63 1,30 1,62 1,43 1,37 1,82 1,44 1,69 (12) 1,9 1,36 1,95 1,50 1,68 1,37 2,03 2,06 1,72 1,76 1,77 1,45

60

Tabel 4.5 Data Bobot W3 Peramalan dengan Improved Elman Data

W3

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) 2,80 2,96 2,59 2,63 2,66 2,61 2,62 2,89 3,08 3,05 2,83 2,67

Tabel 4.6 Data Bobot W4 Peramalan dengan Improved Elman Data

W3

(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11) (12) -0,05 -0,48 0,45 0,46 0,49 -0,23 -0,05 -0,29 0,38 -0,37 -0,41 0,45

Berdasarkan Gambar 4.5 diatas, diketahui bahwa jumlah total hasil peramalan dengan menggunakan aplikasi sebesar 194.310, sedangkan jumlah total data aktual permintaan sebesar 187.100 dengan nilai selisih MSE (Mean Squared Error) sebesar 10773101,25. Berdasarkan hasil uji coba selama 8 periode, terdapat 3 periode yaitu bulan maret 2013, april 2013, dan juli 2013 tidak mampu menyediakan produk timba cor kepada konsumen, dengan kata lain hasil prediksi peramalan bernilai lebih kecil dibandingkan data aktual permintaan. Kekurangan hasil prediksi permintaan timba cor dalam bentuk persentase masing-masing sebesar 10,13%; 8,54%; dan 4,24%. Sedangkan pada5 periode yang lain, badan usaha ini mampu menyediakan produk timba cor. Namun, terdapat kelebihan hasil prediksi permintaan masing-masing pada bulan mei 2013 sebesar 4,38%, pada bulan juni 2013 sebesar 0,84%, pada bulan agustus 2013 sebesar 0,74%, pada bulan september 2013 sebesar 22,75%, dan pada bulan oktober 2013 sebesar 34,97%.

Melihat hasil peramalan mulai bulan maret 2013 sampai bulan agustus 2013, selisih antara data aktual (target) dengan data peramalan relatif tidak terlalu jauh dan memiliki tren yang sama, sedangkan pada 2 bulan terakhir selisihnya jauh dan pola tren yang berbeda. Sehingga dapat dikatakan bahwa aplikasi dengan

61

menggunakan metode improved elman mampu meramalkan permintaan timba cor, dengan tingkat akurasi sebesar 10,13% untuk meramalkan 1 periode kedepan.

BAB V PENUTUP

5.1Kesimpulan

Berdasarkan implementasi dan hasil uji coba yang dilakukan terhadap aplikasi peramalan permintaan menggunakan Improved Elman dapat disimpulkan bahwa dengan menggunakan parameter uji: konstanta belajar 0,40; jumlah inputan 12 dan MAPE sebesar 10,83%, metode ini mampu meramalkan permintaan timba cor dengan tingkat akurasi 10,13% untuk 1 bulan kedepan.

5.2Saran

Adapun saran yang dapat diberikan kepada peneliti berikutnya apabila ingin mengembangkan aplikasi peramalan permintaan menggunakan Improved Elman yang telah dibuat ini agar menjadi lebih baik adalah dengan mengembangkan metode ini yang termasuk kedalam kategori pembelajaran terawasi (Supervised Learning) menjadi kategori pembelajaran yang tidak terawasi (Unsupervised learning), dalam artian pelatihan data dilakukan secara terotomatisasi.

DAFTAR PUSTAKA

Arsyad, Lincolin. 1994. Peramalan Bisnis Edisi Pertama. Yogyakarta: BPFE-Yogyakarta.

Daniel, Moehar. 2004. Pengantar Ekonomi Pertanian. Jakarta: Bumi Aksara.

Fowler, Martin. 2003. UML Distilled: A Brief Guide to the Standard Object Modelling Language (3rd ed). United States of America: Addison-Wesley.

Gilarso, T. 2003. Pengantar Ilmu Ekonomi Mikro. Yogyakarta: Kanisius.

Hendrayudi, 2009. VB 2008 untuk Berbagai Keperluan Pemograman. Jakarta : PT. Elex Media Komputindo.

Irawan, Jusak. 2007.Buku Pegangan Kuliah Sistem Pakar. Surabaya : Sekolah Tinggi Manajemen Informatika dan Teknik Komputer Surabaya.

Muis, Saludin. 2006. Jaringan Syaraf Tiruan Sebagai Alat Bantu Peramalan Harga Saham. Jakarta : Graha Ilmu.

Nugroho, Adi. 2005. Analisis dan Perancangan Sistem Informasi Dengan Metodologi Berorientasi Objek. Bandung : Informatika

Permana, A.A.J. dan Prijodiprodjo, W. 2014, Sistem Evaluasi Kelayakan Mahasiswa Magang Menggunakan Elman Recurrent Neural Network. Indonesian Journal of Computing and Cybernetics Systems (IJCCS). Volume 8, No. 1. http://journal.ugm.ac.id/ijccs/article/viewFile/3494/3020

Rizky, Soetam. 2011. Konsep Dasar Rekayasa Perangkat Lunak. Jakarta: PT. Prestasi Pustakaraya.

Santoso, Singgih. 2009. Business Forecasting : Metode Peramalan Masa Kini dengan MINITAB dan SPSS. Jakarta : PT. Elex Media Komputindo.

Sholiq. 2010. Analisis dan Perancangan Berorientasi Obyek. Bandung : CV. Muara Indah.

Siang Jong Jek, Drs, M.Sc. 2009. Jaringan Syaraf dan Pemogramannya Menggunakan MATLAB.Yogyakarta : Andi.

Wati, Dwi Ana Ratna. 2011. Sistem Kendali Cerdas. Yogyakarta: Graha Ilmu

Yusanto, Erick. 2009. Aplikasi Proyeksi Penjualan Velg PT Panca Budi Idaman dengan Metode Improved Elman. Tidak Diterbitkan. Tugas Akhir STIKOM SURABAYA.

Zainun, N. Y. dan Majid, M. Z. (2003). “Low Cost House Demand Predictor”. Universitas Teknologi Malaysia.