vii
DAFTAR ISI
Hal PERSETUJUAN
ii PERNYATAAN
ii UCAPAN TERIMA KASIH
iv ABSTRAK
v ABSTRACT
vi DAFTAR ISI
vii DAFTAR TABEL
ix DAFTAR GAMBAR
x BAB 1 PENDAHULUAN
1 1.1 Latar Belakang
1 1.2 Rumusan Masalah
2 1.3 Batasan Masalah
2 1.4 Tujuan Penelitian
2 1.5 Manfaat Penelitian
2 1.6 Metodologi Penelitian
3 1.7 Sistematika Penulisan
3 BAB 2 LANDASAN TEORI
5 2.1 Defenisi Semen
5
2.2 Definisi Penjualan 6
2.3 Definisi Prediksi Penjualan 6
2.3.1 Jenis – Jenis Prediksi Penjualan
7 2.4 Jaringan Saraf Tiruan
8 2.4.1 Konsep Dasar Jaringan Saraf Tiruan
8 2.5 Algoritma Backpropagation
9 2.5.1 Tahap Algoritma Pelatihan
10 2.5.1.1 Inisialisasi Bobot
11 2.5.2 Tahap Algortima Aplikasi
13 2.5.3 Activation Function
13 2.5.4 Penginisialisasi Nilai Bobot dan Bias
14 2.5.5 Momentum Terhadap Pengupdatean Nilai bobot
15 2.7 Penlitian terdahulu
16 BAB 3 ANALISIS DAN PERANCANGAN SISTEM
18 3.1 Data yang Digunakan
18 3.2.Analasis Sistem
19 3.3 Use Case Diagram
25 3.3.1 Use Case Specification
25 3.3.2 Use case spesifikasi
28 3.4 Perancangan Aplikasi Antarmuka Pemakai
30 3.4.1 Form Login
31 3.4.2 Halaman Awal Home
31
Universitas Sumatera Utara
viii 3.4.3 Halaman Prediksi
32 3.4.4 Halaman Data
33 3.4.5 Halaman Grafik
34 3.4.6 Halaman Logout
35 BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
36 4.1 Implementasi Sistem
36 4.2 Antarmuka Pengguna Interface 36
4.2.1 Tampilan Awal Home 37 4.2.2 Halaman Prediksi 37
4.2.3 Halaman Data 38
4.2.4 Halaman Grafik 40
4.3 Pengujian Sistem 41
4.3.1 Rancangan Sistem 41
4.4 Pengujian Sistem 43
4.4.1 Pengujian Sistem 43 4.4.2 Hasil Pengujian Jaringan Saraf Tiruan Backpropagation 46
4.4.3 Data Pengujian 50 BAB 5 KESIMPULAN DAN SARAN
52 5.1 Kesimpulan
52 5.2 Saran
52 DAFTAR PUSTAKA
53 LAMPIRAN KODE PROGRAM
55
Universitas Sumatera Utara
ix
DAFTAR TABEL
Hal. Tabel 2.1 Penelitian Terdahulu
16 Tabel 3.1 Rangkuman Data Penjualan
18 Tabel 3.2 Use Case Specification untuk Use Case Home
26 Tabel 3.3 Use Case Specification untuk Use Case Prediksi
26 Tabel 3.4 Use Case Specification untuk Use Case Login
27 Tabel 3.5 Use Case Specification untuk Use Case Home
28 Tabel 3.6 Use Case Specification untuk Use Case Prediksi
28 Tabel 3.7 Use Case Specification untuk Use Case Login
29 Tabel 3.8 Use Case Specification Untuk Use Case Data 29
Tabel 4.1 Rencana Pengujian 41
Tabel 4.2 Hasil Pengujian 42
Tabel 4.3 Tabel Data OPC 44
Tabel 4.4 Tabel Data PCC 44
Tabel 4.5 Tabel Data OPC bulk 44 Tabel 4.6 Tabel Data OPC normalisasi
45 Tabel 4.7 Tabel Data PCC normalisasi
45 Tabel 4.8 Tabel Data OPC bulk normalisasi
45 Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backpropagation
46
Universitas Sumatera Utara
x
DAFTAR GAMBAR
Hal. Gambar 2.1 Arsitektur dasar jaringan saraf tiruan sutejo et al, 2011
9 Gambar 2.2 Jaringan backpropagation dengan lapisan tersembunyi Puspita, 2006 10
Gambar 2.3 Alur kerja algoritma tahap pelatihan backpropagation sutejo et al, 2011
10 Gambar 3.1 Grafik pnjualan
18 Gambar 3.2 Flowchat Proses training
22 Gambar 3.3 Flowchat Proses testing
24 Gambar 3.4 Use Case Diagram Penjualan
25 Gambar 3.5 Halaman login
31 Gambar 3.6 Halaman awal Home
32 Gambar 3.7 Halaman Prediksi
33 Gambar 3.8 Halaman Data
34 Gambar 3.9 Halaman Grafik
34 Gambar 3.10 Halaman Logout
35 Gambar 4.1 Tampilan Halaman Awal Home
37 Gambar 4.2 Tampilan Prediksi
38 Gambar 4.3 Tampilan Data
39 Gambar 4.4 Tampilan Tambah Data
39 Gambar 4.5 Tampilan Grafik
40 Gambar 4.6 Tampilan Grafik Lanjutan
40 Gambar 4.7 Grafik Parameter Penelitian
50 Gambar 4.8 Grafik Prediksi Penjualan
50 Gambar 4.9 Grafik Pelatihan nilai error
67 Gambar 4.10 Grafik Hasil Prediksi
68
Universitas Sumatera Utara
v
ABSTRAK
Prediksi dalam menghitung nilai penjualan dibutuhkan oleh managemen perusahaan industri dalam menentukan kebijakan tentang penjualan terkait penghitungan
penjualan perbulan dan penjualan pertahun. Penelitian ini bertujuan untuk menentukan faktor penjualan perbulan, pertahun dari wilayah pemasaran produk yang berpengaruh
terhadap penjualan di masa yang akan datang dan membangun model prediksi terbaik dengan teknik jaringan saraf tiruan. Kriteria pilihan model yang digunakan adalah
backpropagation. Metode backpropagation menghitung seluruh data sampel yang berjumlah 1344 data, untuk mencari nilai rata-rata penjualan pada masa yang akan
datang dari histori data sebelumnya yang dimulai tahun 2006 hingga 2013 dari lima wilayah pemasaran produk yaitu Lhokseumawe, Lhoknga, Belawan, Dumai, Batam.
Selain itu juga dihitung nilai rata-rata training dan testing, berdasarkan pembagian nilai rata-rata di dapatkan 1075 data pelatihan atau 80 data keseluruhan dan 269 data
pengujian atau 20 data keseluruhan. Dari hasil pengujian yang dilakukan diperoleh tingkat ketepatan terhadap prediksi dalam menggunakan jaringan saraf tiruan
backpropagation dengan hasil rata dari 50 hingga 99.
Kata kunci : Prediksi Penjualan , jaringan saraf tiruan, backpropagation.
Universitas Sumatera Utara
vi
SALES FORCAST ON INDUSTRIAL COMPANIES USING BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Predictions for calculating the value of sales required by the management of industrial enterprises in determining the policies of the relevant sales tally monthly sales and
sales per year. This study aims to determine the factors of sales per month, per year of marketing areas that affect the sales of products in the future and build the best
predictive models with neural network techniques. Criteria for selection model used is backpropagation. Backpropagation method calculates the entire data sample of 1344
data, to look for the average value of sales in the future from previous data history that began in 2006 and 2013 from five regions, namely product marketing
Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. It also calculated the average value of training and testing, based on the division of the average value in getting the
training data in 1075 or 80 overall data and test data 269 or 20 of the overall data. From the results of tests performed on the prediction accuracy rate obtained using
backpropagation neural networks with an average yield of 50 to 99. Keywords: Sales prediction, neural networks, backpropagation
Universitas Sumatera Utara
BAB 1 PENDAHULUAN
1.1 Latar Belakang
