Peramalan Pasar Penjualan Batik Menggunakan Metode Extreme Learning Machine (ELM)

Agustina, I.D., Anggraeni, W. & Mukhlason, A. 2010. Penerapan metode extreme learning machine untuk peramalan permintaan. Tugas Akhir. Institut Teknologi Sepuluh November.

Beheshti-Kashi, S., Karimi, H.R., Thoben, K., Lutjen, M. & Teucke, M. 2014. A survey on retail sales forecasting and prediction in fashion markets. Int. J. of Systems

Science & Control Engineering 3: 154-161.

Darmawan, A.S. 2012. Sistem pendukung keputusan peramalan penjualan batik dengan metode trend moment. Jurnal Ilmiah ICTech 10(2): 1-5

Dasar Pemahaman Neural Networks. 2012. http://socs.binus.ac.id, 26 Juli 2012(diakses pada 18 April 2015).

Empat motif khas batik. 2015. http://www.kriyalea.com, (diakses 10 Oktober 2015).

Fardani, D.P., Wuryanto, E. & Werdiningsih, I. 2015. Sistem pendukung keputusan peramalan jumlah kunjungan pasien menggunakan metode extreme learning machine (studi kasus : poli gigi rsu dr. wahidin sudiro husodo mojokerto).

Journal of Information Systems Engineering and Business Intelligence 1(1) :

33-408.

Fumi, A., Pepe, A., Scarabotti , L. & Schiraldi, M.M. 2013. Fourier analysis for demand forecasting in a fashion company. Int. J. of Engineering Business Management 5: 1-10.

Gasperz, V. 2004. Production planning and inventory control. PT. Gramedia Pustaka Utama: Jakarta.

Green, M. & Harrison, P.J. 1973. Fashion forecasting for a mail order company using a Bayesian approach. Operational Research Quarterly 24(2): 193-205.

Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K. 2006. Extreme learning machine : theory and applications. Int. J. of Neurocomputing 70(2006): 489-501.

Haykin, S.S. 1999. Neural networks : a comprohensive foundation. Prantice Hall: Michigan.

Heaton, J. 2008. Introduction to neural networks for java. Heaton Research, Inc: St. Louis.

Jia, J. & Hao, S. 2013. Water deman forecasting based on adaptive extreme learning machine. International Conference on Artificial Intelligence and Software

Engineering 2013: 42-45.

Kardha, F.R.D. 2012. Sistem informasi promix untuk peramalan produk (studi kasus pada pt. batik danar hadi solo). Skripsi. Universitas Atma Jaya Yogyakarta.

Levine, D. 2002. Statistics for managers using microsoft excel. Prentice Hall: New Jersey.

Liu, N., Ren, S., Choi, T.-M., Hui, C.-L. & Ng, S.-F. 2013. Sales forecasting for fashion retailing service industry : a review. Int. J. of Mathematical Problems in

Engineering 2013: 1-9.

Maftukhah, E. 2013. Mengenal Batik : Definisi, Periode Perkembangan, dan Jenis-Jenis Batik. http://garmenstudionline.blogspot.com/2013/01/mengenal-batik.html,

Nurmaida, A. 2012. Penerapan metode exponential smoothing holt-winter dalam sistem peramalan curah hujan. Tugas Akhir. Universitas Pendidikan Indonesia.

Poerwanto. & Sukirno, Z.L. 2012. Inovasi produk dan motif seni batik pesisiran sebagai basis pengembangan industri kreatif dan kampung wisata minat khusus. Jurnal Al-Azhar Indonesia Seni Pranata Sosial 1(4): 217-229.

Riyadi, S. 2015. Aplikasi peramalan penjualan obat menggunakan metode pemulusan (studi kasus: instalasi farmasi rsud dr murjani). Seminar Nasional Teknologi Informasi dan Multimedia 5.3-1 - 5.3-6.

Sanmorino, A. 2012. Clustering batik image using fuzzy C-Means algorithm based on log-average luminance. In. J. of Computer Engineering and Applications 1(1): 25-31.

Setiawan, N. 2012. Teori Analisis Time Series. http://statistikceria.blogspot.com, 11 Mei 2012 (diakses 18 April 2015).

Simanjuntak, L.H. 2014. Prediksi jumlah permintaan barang musiman menggunakan metode holt-winters. Skripsi. Universitas Sumatera Utara.

Sun, Z.-L., Choi, T.-M., Au, K.-F. & Yu, Y. 2008. Sales forecasting using extreme learning machine with applications in fashion retailing. Int. J. of Decision

Taylor, J.W. 2007. Forecasting daily supermarker sales using exponential weighted quantile regression. European Journal of Operational Research 178 : 154-167.

Tanjung, I. H. 2012. Peramalan jumlah penjualan distributor telur terhadap permintaan pasar menggunakan metode average-based fuzzy time series (Abfts). Skripsi. Universitas Sumatera Utara.

Winarno, W.W. 2007. Analisis ekonometrika dan statistika dengan eviews. UPP STIM YKPN: Yogyakarta.

ELM untuk mendapatkan peramalan penjualan batik. Pada tahap perancangan akan dibahas mengenai tahap-tahap yang dilakukan dalam merancang sistem peramalan penjualan.

3.1. Arsitektur Umum

Metode ELM yang diajukan pada penelitian ini bekerja melalui beberapa tahapan yaitu

input data, proses peramalan dengan ELM, dan output peramalan. Input dari penelitian

ini berupa data penjualan yang telah dikumpulkan terlebih dahulu dari beberapa tempat penjualan dan produsen batik. Data yang telah dikumpulkan akan masuk ke dalam proses peramalan yang dibagi ke dalam tiga tahapan, yaitu proses training dan testing, serta analisis hasil peramalan. Pada proses training, data yang masuk akan dinormalisasi terlebih dahulu untuk menyesuaikan dengan fungsi aktivasi yang digunakan. Proses selanjutnya adalah menentukan fungsi aktivasi dan menentukan jumlah hidden neuron yang digunakan. Kemudian selanjutnya adalah menghitung weight antara input dan

hidden layer, dan weight antara hidden dan output layer sebelum didapatkan output dari

proses testing. Output dari proses training ini nantinya akan didenormalisasi terlebih dahulu sebelum digunakan untuk keperluan testing. Tahapan selanjutnya adalah melakukan testing data untuk mendapatkan hasil peramalan. Hasil peramalan yang didapatkan dari proses testing akan dianalisis tingkat error peramalannya dengan menggunakan MAPE. Detail dari setiap proses akan dibahas pada bagian selanjutnya. Berikut ini adalah arsitektur umum dari sistem yang akan dibangun.

Gambar 3.1. Arsitektur Umum

3.2. Data yang digunakan

Data yang digunakan pada penelitian ini berupa data penjualan berdasarkan motif batik yang telah dikumpulkan dari beberapa tempat penjualan dan produsen batik. Data yang dikumpulkan adalah penjualan sebanyak dua terakhir, yaitu dari bulan Maret 2013 s/d bulan April 2015. Data yang ada dikelompokkan per bulan untuk memudahkan melihat pola data tren yang muncul . Data ini nantinya akan dibagi ke dalam dua bagian data yaitu data training dan data testing. Untuk data yang digunakan untuk proses training adalah sebanyak 80% dari total data dan 20% dari total data untuk data testing (Zhang, 1997). Untuk data penjualan yang digunakan adalah data penjualan penjualan kain dan produk batik berdasarkan nama motif batik. Contoh data penjualan yang digunakan dapat dilihat pada tabel 3.1.

Coletan Biru Katun Paris 14

Mandailing 12

Melayu Kombinasi 38

Gorga Simalungun Merah Dasar Hitam 16

Gorga Karo Kombinasi 15

Gorga Empat, Merah, Hitam, dan Putih 10 Gorga Simalungun Mahkota Merah

Orange

16

Itik Pulang Petang 14

Ulos Karo 12

Gorga Boraspati 14

Gorga Empat Hitam Putih 12

Ulos Orange Hitam 11

Gorga Empat Mirabella 11

SM Raja Hijau Hitam 38

Gorga Merah Kopi Gosong 27

Gorga Mahkota Abu Pink 9

Gorga Kuning Hijau 11

Batik Karo Etnis Miring Merah Kopi Gosong

12

Gorga Simeol-meol Merah Hitam 18 April 2 Gorga Empat Merah Putih Hitam 55 Bunga Kaca Piring dan Pucuk Rebung 46

Gorga Ulos Kuning Hitam 12

3.3. Arsitektur ELM

Tahapan peramalan dengan ELM dibagi ke dalam tiga tahapan yaitu proses training ELM, proses testing ELM, dan analisis hasil peramalan ELM. Sebelum masuk ke dalam tahapan training, testing dan analisis peramalan, terlebih dahulu ditentukan jumlah

input, jumlah hidden layer, serta jumlah output dari jaringan ELM.

3.3.1. Penentuan jumlah input

Jumlah input yang digunakan pada penelitian ini adalah sebanyak 35, sesuai dengan jumlah motif batik yang akan diramalkan yang telah disimpan di dalam database, termasuk satu diantaranya adalah input bias.

3.3.2. Penentuan jumlah hidden neuron

Output peramalan ELM yang stabil adalah output yang jumlah hidden neuron-nya ada

pada range 0-30 (Sun et al, 2008). Namun pada dasarnya hidden neuron dapat berjumlah tak terhingga (Haykin, 1999). Menurut Heaton (2008), terdapat beberapa aturan yang bisa digunakan untuk menentukan jumlah hidden neuron :

a. Jumlah hidden neuron harus berada diantara ukuran input layer dan output

layer.

b. Jumlah hidden neuron harus 2/3 dari ukuran input layer ditambah ukuran

output layer.

c. Jumlah hidden neuron harus kurang dari dua kali jumlah input layer.

Aturan-aturan tersebut dibuat hanya sebagai bahan pertimbangan, sedangkan proses sebenarnya bergantung pada proses trial and error sesuai dengan masalah yang ditangani oleh jaringan. Pada penelitian ini, peneliti menggunakan penentuan hidden

neuron dengan opsi b, yaitu jumlah hidden neuron harus 2/3 dari ukuran input layer

ditambah ukuran output layer, sehingga hidden neuron yang digunakan ada sebanyak 25 neuron, termasuk satu diantaranya adalah hidden bias, dengan rincian 2/3 dari jumlah input layer, yaitu 2/3 dari 34 ditambah satu jumlah output layer.

Gambar 3.2. Ilustrasi Jaringan ELM untuk Peramalan Penjualan Batik

3.3.4. Training ELM

Data training yang telah dibagi sebelumnya digunakan untuk proses training ELM. Tujuannya adalah untuk mengembangkan peramalan dengan ELM. Flowchart dari tahapan-tahapan pada training ELM dapat dilihat pada gambar 3.3.

Gambar 3.3. Flowchart Training ELM

Penjelasan dari gambar 3.3 adalah sebagai berikut : 1. Normalisasi Data Training

Normalisasi diperlukan untuk mendapatkan nilai dengan range tertentu yang disesuaikan dengan output dari fungsi aktivasi. Tujuan dari normalisasi data adalah untuk mengurangi kompleksitas data, menghilangkan data-data rangkap, dan memudahkan dalam memodifikasi data. Pada penelitian normalisasi dilakukan dengan rentang nilai 0 sampai dengan 1. Untuk mendapatkan nilai normalisasi digunakan persamaan berikut :

��

Proses normalisasi dapat diilustrasikan dengan mengambil beberapa data dari data yang telah ada. Dalam contoh kali ini penulis mengambil sampel data penjualan tiga motif batik. Untuk rincian data yang akan dinormalisasi ditampilkan pada tabel 3.2

Tabel 3.2. Contoh Data Untuk Proses Normalisasi

Bulan Periode

Bunga Kaca Piring dan Pucuk

Rebung Itik Pulang Petang Gorga Merah Hitam dan Putih

Mar-13 1 38 14 10

Apr-13 2 46 12 55

Mei-13 3 27 66 39

Jun-13 4 35 20 46

Jul-13 5 43 18 60

Agu-13 6 26 22 68

Sep-13 7 38 21 24

Okt-13 8 30 15 54

Nov-13 9 33 16 68

Des-13 10 29 14 11

Dengan menggunakan rumus normalisasi, data-data yang ada pada tabel 3.2 akan diubah nilainya sehingga menjadi range antara 0 sampai 1. Diketahui dari

database bahwa nilai minimal dari keseluruhan dataset adalah 5 dan nilai maksimum adalah 68. Berikut ini adalah contoh perhitungan untuk motif bunga kaca piring dan pucuk rebung :

= ₋ − = = ,

Untuk hasil normalisasi keseluruhan motif dapat dilihat pada tabel 3.3.

Tabel 3.3. Hasil Normalisasi Contoh Data

Bulan Periode

Bunga Kaca Piring dan Pucuk

Rebung

Itik Pulang Petang

Gorga Merah Hitam dan Putih

Mar-13 1 0,52 0,14 0,07

Apr-13 2 0,65 0,11 0,79

Mei-13 3 0,34 0,96 0,53

Jun-13 4 0,47 0,23 0,65

Jul-13 5 0,60 0,20 0,87

Agu-13 6 0,33 0,26 1

Sep-13 7 0,52 0,25 0,30

Okt-13 8 0,39 0,15 0,77

Nov-13 9 0,42 0,17 1

Des-13 10 0,38 0,14 0,09

2. Penentuan Fungsi Aktivasi

Fungsi aktiviasi adalah fungsi yang akan mentransformasikan input menjadi

output. Pada jaringan ELM, sama halnya dengan neural networks, fungsi

aktivasi pada ELM akan menjumlahkan input yang diterima dan membandingkannya dengan nilai ambang, dimana neuron akan menghasilkan suatu output jika nilai ambang dilewati. Pada proses training ELM, fungsi

−� _{pada persamaan fungsi aktivasi sigmoid biner diatas adalah fungsi eksponen}

dari minus x, Dimana x adalah penjumlahan keseluruhan perkalian antara input dan weight antara input layer dan hidden layer.

3. Hitung Net dan Output Weight

Setelah sebelumnya data dinormalisasi, penentuan fungsi aktivasi yang akan digunakan, dan penentuan jumlah neuron pada hidden layer, langkah selanjutnya adalah menghitung weight antara lapisan input dan hidden layer, dan weight antara hidden layer dan output layer. Setelah nilai weight antara

input layer dan hidden layer didapatkan, sesuai dengan ketentuan pada

algoritma ELM, nilai weight yang ada akan diinisialiasi secara random. Sedangkan untuk weight yang ada di antara hidden layer dan output layer akan dihitung menggunakan matriks moore-penrose pseudoinverse. Untuk persamaan yang digunakan untuk menghitung output adalah sebagai berikut :

� = �+ _(3.3)

� = , … , , � , … , � , , … ,

. + � . + � =

�� _�� � = =

Dimana : �+ = Matriks moore-penrose pseudoinverse � = weight antara hidden layer dan output layer T = Matriks dari target atau output

Matriks moore-penrose pseudoinverse didapatkan dengan melakukan perkalian matriks sebagai berikut :

�+ _{= �}�_{. �} − _{. �}� _(3.4)

��_{pada perkalian maktris tersebut adalah matriks transposisi. Sedangkan} pangkat -1 pada rumus tersebut adalah menandakan bahwa perkalian matriks didalam kurung tersebut akan diinverskan sebelum dikalikan dengan matriks transposisi. Secara keseluruhan proses perhitungan weight antara input layer dan

hidden layer serta weight antara hidden layer dan output layer dilakukan oleh

sistem yang akan dirancang.

Untuk ilustrasi perhitungannya, peneliti mengambil sampel motif batik bunga kaca piring dan pucuk rebung dengan input 0,52 dan 0,65 dengan sebuah bias bernilai 1. Untuk weight antara input layer dan hidden layer, termasuk bias

weight masing-masing adalah 0,2, 0.4, 0,6, 0,6, 0,8 dan 0,2. Maka perhitungan

net dan output weight dilakukan sebagai berikut :

Net Z1 = (X0W0) + (X1W1) + (X2W2)

= (1 . 0,2) + (0,52 . 0,4) + (0,6 . 0,65) = 0,2 + 0,208 + 0,39

= 0,798

f(Net Z1) =

+ �− , = 0,647

Net Z2 = (X0W0) + (X1W1) + (X2W2) = (1 . 0,6) + (0,52 . 0,8) + (0,6 . 0,2) = 0,6 + 0,416 + 0,12

= , , . β

Pertama-tama adalah mencari nilai β dengan persamaan berikut ini :

� = ��_{. (3.5)}

� = �+_.

�+ _{= �}�_{. �} − _{. �}�

�+ _{= , , . , ,} − _{. , ,}

�+ _{= ((0,418 + 0,489 0,489 + 0,573))}-1 _{. (0,647 0,757)} �+ _{= (0,907 1,062)}-1 _{. (0,647 0,757)}

�+ _{= (1,273 1,814)}

Net Z1 – Y = 1,273

f(Net Z1 – Y) = _{+ �− ,} = 0,279

Net Z2 – Y = 1,814

f(Net Z2 – Y) = _{+ �− ,} = 0,163

Maka output yang diperoleh adalah 0,442.

4. Denormalisasi

Setelah didapatkan hasil output dari jaringan ELM, selanjutnya adalah mengembalikan nilai tersebut kembali kedalam bentuk semula agar dihasilkan

nilai hasil peramalan. Berikut ini merupakan persamaan yang digunakan untuk proses denormalisasi :

= , ( �+ )(max{ �} − min{ �}) + min{ �} (3.5) Dimana : = Nilai data setelah denormalisasi

_� = Data output sebelum denormalisasi

max{ �} = Nilai minimum pada data set sebelum normalisasi min{ _�} = Nilai maksimum pada data set sebelum normalisasi

= , , + − +

= 0,942 (63) + 5 = 36,94

Untuk ilustrasi yang dilakukan, didapatkan hasil peramalan untuk motif batik bunga kaca piring dan pucuk rebung adalah sebanyak 37.

5. Output Data Training

Output yang dimaksudkan disini adalah hasil peramalan yang didapatkan dari

proses training, yang akan digunakan sebagai pembelajaran untuk jaringan ELM sehingga proses selanjutnya berjalan dengan baik.

3.3.5. Testing ELM

Pada tahapan testing ELM data yang digunakan adalah data testing. Untuk melakukan

testing ELM proses yang dilakukan tetap berdasarkan input weight dan output weight

yang didapatkan dari proses training. Pada tahap ini juga tetap dilakukan normalisasi

input dan denormalisasi output.

3.3.6. Analisis hasil peramalan

Setelah didapatkan nilai hasil peramalan, maka nilai tersebut akan dianalisis apakah memiliki tingkat kesalahan yang rendah sehingga bisa digunakan sebagai acuan. Untuk menilai hasil peramalan apakah memiliki tingkat kesalahan yang rendah digunakan MAPE.

menggambarkan requirement fungsional yang diharapkan dari sebuah sistem. Use case dibuat untuk memudahkan pengguna dalam mengerti alur kerja suatu sistem sehingga sistem dapat digunakan sebaik mungkin. Aktor yang berperan dalam sistem yang akan dibangun adalah user aplikasi yang akan menggunakan sistem untuk peramalan penjualan batik. Rancangan use case sistem dapat dilihat pada Gambar 3.4.

Gambar 3.4. Use Case Sistem Peramalan Penjualan Batik

Adapun penjelasan mengenai kegiatan-kegiatan di dalam diagram use case sistem peramalan penjualan batik pada gambar 3.4 dapat dilihat pada Tabel 3.4.

Tabel 3.4. Deskripsi Use Case Sistem Peramalan Penjualan Batik

No Use Case Deskripsi

1 Login Proses pada user untuk masuk ke dalam sistem. User harus memiliki username dan password.

2 Logout Proses untuk keluar dari sistem untuk user yang telah

login.

3 Lihat Kategori Menampilkan kategori motif batik yang ada pada

database.

4 Lihat Produk Menampilkan produk produk batik yang ada beserta kategorinya yang tersimpan pada database.

5 Lihat Data Penjualan

Menampilkan daftar penjualan motif-motif batik yang ada pada database perusahaan serta informasi-informasi mengenai barang tersebut.

6 Tambah, Edit, Hapus

Proses untuk menambah, mengedit, ataupun menghapus data penjualan dan informasi-informasi lainnya yang terkait data penjualan. Proses ini hanya dapat dilakukan apabila user telah menampilkan masing-masing data tersebut.

7 Ramal Penjualan Proses untuk meramalkan penjualan motif batik. Jika proses ini dilakukan maka user secara otomatis harus memilih data dan periode penjualan yang akan diramalkan.

3.4.2. Diagram aktifitas (activity diagram)

Diagram aktifitas (activity diagram) adalah kumpulan dari aktifitas dan transisi yang menghasilkan sebuah kegiatan. Activity diagram merupakan sebuah tipe dari diagram

workflow yang menggambarkan tentang aktivitas dari pengguna ketika melakukan

Gambar 3.5. Activity Diagram Melihat Kategori

Pada Gambar 3.5. dapat dilihat ketika user ingin melihat kategori produk, user bisa memilih menu kategori pada sistem. Sistem akan menampilkan keseluruhan kategori produk yang ada pada database.

Untuk activity diagram pengaturan yang dapat dilakukan oleh user pada kategori dapat dilihat pada Gambar 3.6.

Pada Gambar 3.6. dapat dilihat bahwa user dapat melakukan pengaturan pada menu kategori, baik itu melakukan penambahan data, mengedit data, ataupun menghapus data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua kategori produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.

Untuk activity diagram menu produk dapat dilihat pada Gambar 3.7.

Gambar 3.7. Activity Diagram Melihat Produk

Pada Gambar 3.7. dapat dilihat ketika user ingin melihat produk-produk batik yang tersedia, user bisa memilih menu produk pada sistem. Sistem akan menampilkan keseluruhan kategori produk yang ada pada database.

Untuk activity diagram pengaturan yang dapat dilakukan oleh user pada produk dapat dilihat pada Gambar 3.8.

Gambar 3.8. Activity Diagram Pengaturan Pada Produk

Pada Gambar 3.8. dapat dilihat bahwa user dapat melakukan pengaturan pada menu produk, baik itu melakukan penambahan data, mengedit data, ataupun menghapus data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua produk-produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.

Untuk activity diagram data penjualan produk dapat dilihat pada Gambar 3.9.

Pada Gambar 3.9 dapat dilihat ketika user ingin melihat data penjualan produk-produk batik, user bisa memilih menu penjualan pada sistem. Sistem akan menampilkan keseluruhan data penjualan batik yang ada pada database.

Untuk activity diagram pengaturan yang dapat dilakukan oleh user pada data penjualan dapat dilihat pada Gambar 3.10.

Gambar 3.10. Activity Diagram Pengaturan Pada Data Penjualan

Pada Gambar 3.10. dapat dilihat bahwa user dapat melakukan pengaturan pada menu penjualan, baik itu melakukan penambahan data, mengedit data, ataupun menghapus data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua produk-produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.

Untuk activity diagram peramalan penjualan yang dilakukan oleh user dapat dilihat pada Gambar 3.11.

Gambar 3.11. Activity Diagram Peramalan Penjualan

Pada Gambar 3.11 dapat dilihat bahwa user dapat melakukan peramalan penjualan. Sistem akan menampilkan parameter peramalan dan user akan mengisi form parameter. Selanjutnya sistem akan mengambil data dari database sesuai parameter yang dimasukkan oleh user. Sistem akan melakukan inisialisasi nilai stasioner, tren

ataupun musim dan mencari nilai α, , dan terbaik. Setelah didapatkan hasil

3.4.3. Perancangan database

Perancangan database pada sistem ini digunakan untuk menyimpan informasi yang berkaitan dengan proses peramalan penjualan batik. Penjelasan mengenai tabel-tabel pada database yang dirancang adalah sebagai berikut :

1. Tabel user, berfungsi untuk menyimpan data-data yang berhubungan dengan

user dalam proses login ke sistem.

2. Tabel cat, berfungsi untuk menyimpan kategori produk-produk batik.

3. Tabel penjualan, berfungsi untuk menyimpan data-data yang berhubungan dengan penjualan batik dan informasi yang terkait.

4. Tabel prediksi, berfungsi untuk menyimpan data-data yang berhubungan dengan proses peramalan penjualan dan informasi yang terkait.

5. Tabel produk, berfungsi untuk menyimpan data-data yang berhubungan dengan produk batik dan informasi terkait.

6. Tabel training, berfungsi untuk menyimpan data-data yang berhubungan proses

training dan informasi terkait.

Adapun database relationship dari database yang dirancang untuk sistem peramalan penjualan batik dapat dilihat pada Gambar 3.12.

Rancangan halaman login dapat dilihat pada Gambar 3.13.

Gambar 3.13. Rancangan Halaman Login

Rancangan Halaman Utama

Setelah user melakukan login, user akan masuk ke halaman utama. Pada halaman utama terdapat menu-menu yang bisa diakses oleh user dan melakukan pengaturan pada data-data yang tersedia, seperti menu kategori, produk, penjualan, peramalan dan juga tombol untuk logout. Pada halaman ini juga terdapat nama aplikasi dan logo batik. Rancangan halaman utama dapat dilihat pada Gambar 3.14.

Gambar 3.14. Rancangan Halaman Utama (Home)

Keterangan :

a. Menu ”Home” adalah menu untuk kembali ke halaman utama sistem.

b. Menu “Kategori” memungkinkan user untuk melihat kategori dari motif-motif

batik yang ada.

c. Menu “Produk” memungkinkan user untuk melihat produk-produk ataupun

motif-motif batik yang ada.

d. Menu “Penjualan” memungkinkan user untuk melihat penjualan dari

motif-motif batik yang ada pada database.

e. Menu “Peralaman” memungkinkan user untuk melakukan peramalan

penjualan.

Rancangan Halaman Kategori

Halaman kategori akan muncul apabila user memilih menu kategori pada halaman utama. Di halaman ini user dapat melihat, menambah, mengedit, serta menghapus data-data kategori produk-produk batik yang ada. Rancangan halaman kategori dapat dilihat pada Gambar 3.15.

Gambar 3.15. Rancangan Halaman Kategori

Keterangan:

a. Form nama kategori memungkinkan user untuk menambahkan kategori produk

batik.

b. Tombol “simpan” berfungsi untuk menyimpan kategori yang dimasukkan oleh user ke dalam database.

c. Tabel yang ada pada halaman kategori menampilkan keseluruhan data kategori yang tersimpan di dalam database. User dapat mengedit dan menghapus data yang ada dengan menekan tombol edit dan hapus yang ada pada bagian action.

Rancangan Halaman Produk

Halaman produk akan muncul apabila user memilih menu produk pada halaman utama. Pada halaman ini, user dapat menambahkan, mengedit, dan menghapus data produk batik. Rancangan halaman produk dapat dilihat pada Gambar 3.16.

Gambar 3.16. Rancangan Halaman Produk

Keterangan:

a. Form nama barang memungkinkan user untuk menambahkan barang ke dalam database, setelah memilih kategori dari barang yang akan ditambahkan.

b. Tombol “simpan” akan menyimpan barang yang akan ditambahkan ke dalam database.

c. Tabel yang ada pada halaman produk menampilkan semua produk-produk batik yang tersimpan di dalam database. User dapat mengedit dan menghapus data yang ada dengan menekan tombol edit dan hapus yang disediakan pada bagian

action.

Rancangan Halaman Penjualan

Halaman penjualan akan muncul apabila user memilih menu penjualan pada halaman utama. Di halaman ini user dapat melihat, menambah, mengedit, serta menghapus data-data penjualan produk-produk batik yang ada. Rancangan halaman penjualan dapat dilihat pada Gambar 3.17.

Gambar 3.17. Rancangan Halaman Penjualan

Keterangan:

a. Form nama barang memungkinkan user untuk menambahkan barang ke dalam database, dengan mengetikkan nama motif batik yang ingin ditambahkan.

b. Form tanggal digunakan untuk mengisi tanggal penjualan barang.

c. Form harga digunakan untuk mengisi harga dari barang yang ingin

ditambahkan.

d. Form jumlah barang digunakan untuk mengisi berapa jumlah barang yang

terjual.

e. Tombol simpan digunakan untuk menyimpan data penjualan yang akan ditambahkan.

f. Tabel yang ada pada halaman penjualan menampilkan semua penjualan-penjualan produk batik yang tersimpan di dalam database. User dapat mengedit dan menghapus data yang ada dengan menekan tombol edit dan hapus yang disediakan pada bagian action.

Rancangan Halaman Peramalan

Halaman peramalan akan muncul apabila user memilih menu peramalan pada halaman utama. Di halaman ini user dapat melakukan peramalan penjualan dengan mengisi periode waktu yang diinginkan. Rancangan halaman penjualan dapat dilihat pada Gambar 3.18.

Gambar 3.18. Rancangan Halaman Peramalan

. Keterangan:

a. Form treshold, weight, dan hidden bias adalah ketentuan untuk meramalkan

penjualan dengan menggunakan ELM.

b. Form tanggal digunakan untuk mengisi rentang waktu peramalan yang

diinginkan oleh user.

c. Tombol show digunakan untuk menampilkan hasil peramalan sesuai dengan rentang waktu yang dimasukkan.

Bab ini membahas hasil yang didapatkan dari implementasi metode Extreme Learning

Machine dalam melakukan peramalan pasar penjualan motif batik dan pengujian sistem

sesuai dengan analisis dan perancangan yang telah dibahas pada Bab 3.

4.1. Implementasi Sistem

Pada tahap implementasi sistem, metode ELM akan diimplementasikan ke dalam sistem menggunakan bahasa pemrograman PHP sesuai dengan perancangan yang telah dilakukan.

4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan pada pembangunan sistem adalah sebagai berikut.

1. Processor Intel Core i3-3217U CPU @ 1.80GHz.

2. Sistem Operasi Windows 8.1 Pro 64-bit (6.3, Build 9600). 3. Memory 4.00 GB RAM DDR3.

4. Kapasitas harddisk 500GB. 5. PHPMyadmin 4.2.11 6. XAMPP versi 3.2.1.

4.1.2. Implementasi perancangan antarmuka

Adapun implementasi perancangan antarmuka pada sistem yang telah dibangun adalah sebagai berikut.

Halaman Login

Halaman ini merupakan halaman awal saat sistem dijalankan. Pengguna harus melakukan proses login terlebih dahulu untuk menggunakan sistem dengan cara memasukkan username dan password. Halaman login dapat dilihat pada Gambar 4.1.

Gambar 4.1. Halaman Login

Halaman Utama

Halaman utama atau home merupakan halaman yang ditampilkan setelah pengguna melakukan proses login. Pada halaman ini ditampilkan judul dan logo sistem. Terdapat lima buah menu pada halaman ini yang dapat diakses user yaitu menu home, kategori, produk, penjualan, peramalan. Pada halaman ini juga terdapat tombol logout untuk keluar dari aplikasi dan kembali ke halaman login. Halaman utama dapat dilihat pada Gambar 4.2.

Gambar 4.2. Halaman Utama

Halaman Kategori

Halaman kategori merupakan halaman untuk melihat kategori-kategori produk produk yang ada pada database dan ditampilkan dalam bentuk tabel. Pada halaman ini, pengguna juga dapat melakukan proses tambah, edit, dan hapus data barang. Halaman kategori dapat dilihat pada Gambar 4.3.

Gambar 4.3. Halaman Kategori

Jika user menekan tombol edit, maka user akan dibawa pada halaman lainnya untuk mengedit kategori yang ada. Halaman edit kategori dapat dilihat pada gambar 4.4.

Gambar 4.4. Halaman Edit Kategori

Halaman Produk

Halaman produk merupakan halaman untuk menampilkan produk-produk apa saja yang tersimpan di dalam sistem dalam bentuk tabel. Pada halaman ini user juga dapat melakukan proses tambah, edit dan hapus data. Halaman optimalisasi dapat dilihat pada Gambar 4.5.

Gambar 4.5. Halaman Produk

Berikut ini merupakan halaman edit jika user ingin melakukan pengubahan pada data yang ada.

Gambar 4.6. Halaman Edit Produk

Halaman Penjualan

Halaman penjualan merupakan halaman untuk menampilkan data-data penjualan batik yang tersimpan di dalam database sistem. Pada halaman ini, user hanya diperbolehkan untuk menambah dan menghapus data. Halaman penjualan dapat dilihat pada Gambar 4.7.

Halaman Peramalan

Halaman peramalan merupakan halaman yang dapat digunakan oleh user untuk melakukan peramalan penjualan. User dapat menentukan berapa bulan penjualan yang ingin diramalkan dengan menginput jumlah bulan pada form yang sudah disesuaikan. Nilai treshold, input weight, dan hidden bias yang sudah disediakan merupakan parameter peramalan dan nilainya sudah merupakan ketentuan. Halaman peramalan dapat dilihat pada Gambar 4.8.

Gambar 4.8. Halaman Peramalan

Ketika user sudah memasukkan jumlah bulan yang ingin diramalkan, maka user akan dibawa pada halaman berikutnya yang menampilkan hasil peramalan dalam bentuk tabel yang berisi jumlah motif-motif batik yang diramalkan sesuai dengan jumlah bulan yang dimasukkan user. Tabel juga menampilkan nilai error peramalan yang dihitung dengan MAPE yang berguna untuk pertimbangan apakah nilai peramalan akurat sehingga bisa dijadikan sebagai acuan produksi. Selain itu, pada bagian bawah yang terpisah dari tabel, user dapat melihat data training yang digunakan serta bisa melihat grafik aktual dan grafik peramalan penjualan.

4.2. Pengujian Kinerja Sistem

Pengujian kinerja sistem dilakukan untuk mengetahui kinerja sistem dalam melakukan peramalan penjualan batik menggunakan metode ELM. Data yang digunakan untuk

Gambar 4.9. Contoh Peramalan untuk 3 Bulan

Pada gambar 4.9. dapat dilihat bahwa halaman peramalan juga mentampilkan parameter-parameter peralaman, yaitu threshold, input weight, dan hidden bias yang nilainya masing-masing sudah merupakan ketentuan peramalan. Pada sistem yang dibangun, threshold, input weight dan hidden bias masing-masing ditentukan bernilai 0,1, 0,01, dan 0,001. Setelah user memasukkan jumlah bulan, maka proses peramalan akan dilakukan dengan menekan tombol show. Tombol show akan membawa user pada halaman selanjutnya yang berisi nilai jumlah peramalan pada masing-masing motif batik yang ada sesuai dengan jumlah bulan yang dimasukkan. Hasil peramalan setelah tombol show ditekan dapat dilihat pada tabel 4.1.

Tabel 4.1 Hasil Peramalan Penjualan

NO Nama Produk Bulan ke

1

Bulan ke 2

Bulan ke 3

1 Mandailing 7 20 8

2 Bunga Kaca Piring dan Pucuk Rebung 13 30 17

3 Etnis Kecil 8 29 4

4 Coletan Biru dan Katun Primissima 8 4 11

5 Coletan Biru Katun Paris 4 2 4

6 Riasan Pengantin Melayu 7 4 4

7 Melayu Kombinasi 4 10 10

8 Gorga Karo Kombinasi 1 8 8

10 Itik Pulang Petang 14 4 7

11 Ulos Karo 2 2 11

12 Gorga Simeol-meol 13 14 8

13 Gorga Boraspati 4 6 4

14 Gorga Toba 7 8 5

15 Gorga Empat Hitam Putih 7 4 4

16 Ulos Orange Hitam 6 15 2

17 Ulos Merah Hitam 5 4 6

18 Batik Coletan 4 13 13

19 Gorga Simalungun Mahkota Merah Orange

3 10 12

20 Gorga Empat Mirabella 3 8 5

21 Gorga Empat Dobby Coletan 3 3 2

22 SM Raja Hijau Hitam 20 12 10

23 Gorga Kuning Hijau 2 2 3

24 Gorga Merah Kopi Gosong 9 8 10

25 Batik Karo Etnis Miring Merah Kopi Gosong

2 5 5

26 SM Raja Merah Dasar Hitam 13 8 20

27 Gorga Simalungun Merah Dasar Hitam 10 8 20 28 Gorga Mahkota Dairi Putih Dasar Ungu 5 2 4

29 SM Raja Pink Dasar Hitam 2 2 3

30 Gorga Empat Biru Muda 2 8 4

31 Gorga SM Raja Kuning Merah 4 6 4

32 Gorga Simalungun Orange Hitam 6 11 4

34 Gorga Mahkota Abu Pink 4 3 2

35 Gorga Ulos Kuning Hitam 4 2 4

MAPE 0,67 %

Pada tabel 4.1. dapat dilihat bahwa ELM melakukan peramalan pada motif batik yang tersimpan di dalam database untuk tiga bulan ke depan dengan nilai error peramalan yang dihitung dengan MAPE sebesar 0,67%. MAPE merupakan rata-rata persentase kesalahan kuadrat yang ketelitiannya diukur dengan cara persentase kesalahan absolut yaitu dengan melakukan pembagian nilai absolut dari setiap bulan

Pada halaman peramalan, ketika hasil peramalan sudah ditampilkan, user juga bisa melihat hasil peramalan dari dari data training, grafik aktual, grafik peramalan penjualan, serta grafik aktual-peramalan. Keempat menu ini dapat digunakan sebagai alat bantu untuk menunjukkan apakah peramalan yang dilakukan sudah sesuai serta bisa dijadikan acuan untuk memecahkan masalah yang ada. Untuk beberapa hasil peramalan dari data training dapat dilihat pada gambar 4.9.

Dari gambar 4.10 dapat dilihat bahwa proses training data untuk menghasilkan ramalan dari data training dilakukan dalam jangka waktu perbulan. Contohnya untuk motif gorga ulos kuning hitam dimana motif tersebut muncul dalam beberapa bulan penjualan dengan nilai peramalan yang berbeda-beda setiap bulan. Data ramalan dari proses training ini nantinya akan digunakan sebagai acuan dan sebagai bahan pembelajaran untuk melakukan proses testing untuk mendapatkan hasil ramalan yang sebenarnya.

Untuk keperluan analisis data bisa dilakukan dengan membandingkan fluktuasi data yang ada pada grafik aktual, grafik peramalan, dan grafik aktual-peramalan. Grafik penjualan diambil dari tabel penjualan yang ada pada database. Grafik aktual penjualan dapat dilihat pada gambar 4.10.

Gambar 4.11. Grafik Aktual Penjualan Batik

Gambar 4.12. Grafik Peramalan Penjualan Batik

Dari gambar 4.11 dan gambar 4.12 dapat dilihat bahwa fluktuasi data pada grafik aktual dan grafik peramalan adalah sama, yang artinya nilai peramalan dari motif batik terbukti mengikuti nilai penjualan yang ada walaupun terdapat perbedaan jumlah satuan yang diramalkan. Hal ini berarti bahwa peramalan yang dilakukan sudah sesuai dan akurat karena berada pada daerah ataupun rentang penjualan yang sebenarnya.

Untuk memudahkan proses pembacaan grafik karena banyaknya jumlah motif batik yang ada, sistem dilengkapi dengan satu buah grafik lagi yang berfungsi untuk menampilkan grafik aktual dan peramalan sekaligus dari motif-motif batik yang dominan, yaitu motif-motif batik yang paling tren di pasaran yang memiliki tingkat penjualan yang lebih tinggi dari yang lainnya. Untuk grafik aktual-peramalan sendiri dapat dilihat pada gambar 4.13.

Gambar 4.13. Grafik Aktual-Peramalan Penjualan Batik

Pada gambar 4.13 dapat dilihat terdapat tiga jenis motif batik yang penjualannya paling dominan dari motif lainnya, yaitu motif mandailing, bunga kaca piring dan pucuk rebung, serta motif etnis kecil. Jumlah bulan yang diramalkan adalah sebanyak tiga bulan. Sebagai contoh untuk motif mandailing memiliki penjualan aktual sebanyak 52

Bab ini membahas tentang kesimpulan dari penerapan metode yang diajukan untuk melakukan peramalan penjualan pada batik serta saran-saran pengembangan yang dapat digunakan untuk penelitian selanjutnya.

5.1. Kesimpulan

Adapun kesimpulan yang dapat diambil berdasarkan pengujian peramalan pasar penjualan batik menggunakan ELM adalah sebagai berikut:

1. Peramalan dengan ELM menghasilkan nilai error peramalan yang dihitung dengan MAPE sebesar 0,67%. Semakin rendah nilai MAPE menunjukkan bahwa peramalan memiliki tingkat akurasi peramalan yang lebih baik.

2. Proses peramalan dengan ELM yang dilakukan sudah memenuhi fungsi objektif permasalahan, yaitu untuk membantu produsen dalam melakukan strategi pemasaran dan produksi yang tepat.

5.2. Saran

Saran yang dapat penulis berikan untuk pengembangan penelitian selanjutnya adalah sebagai berikut:

1. Peramalan lebih lanjut disarankan menggunakan data penjualan yang lebih banyak agar peramalan yang dihasilkan lebih akurat dan presisi.

2. Penelitian selanjutnya diharapkan bisa meramalkan penjualan batik dengan motif yang lebih beragam dan berasal dari berbagai jenis batik karena sekarang ini kebanyakan produsen batik sudah memproduksi lebih banyak motif dan jenis batik dalam satu toko.

BAB 2

LANDASAN TEORI

2.1. Batik

Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan malam pada kain yang telah disediakan, kemudian pengolahannya diproses dengan cara tertentu yang memiliki kekhasan. Secara etimologi, kata batik berasal dari gabungan dua kata dalam bahasa Jawa, yaitu “amba” yang berarti menulis dan “tik” yang berarti titik. Batik sendiri merupakan salah satu warisan budaya Indonesia yang memiliki nilai seni tinggi dan sudah ditetapkan oleh UNESCO sebagai salah satu Warisan Kemanusiaan Untuk Budaya Lisan dan Nonbendawi (Masterpieces of the Oral and Intangible Heritage of Humanity) sejak 2 Oktober 2009.

Walaupun kata batik secara harafiah berasal dari bahasa Jawa, kehadiran batik di pulau Jawa sendiri tidak tercatat. (Rouffaer, 1991) berpendapat bahwa teknik batik kemungkinan pertama kali diperkenalkan di India dan Sri langka pada abad ke-6 atau ke-7. Menurutnya, pola gringsing sudah dikenal sejak abad ke-12 di Kediri, Jawa Timur dan pola tersebut hanya bisa dibuat menggunakan canting. Pola gringsing sendiri adalah pola-pola yang dibuat pada kain yang pada zaman dulu dipercaya dapat menolak bala. Detail ukiran kain yang menyerupai pola batik dikenakan oleh Prajnaparamita, arca dewi kebijaksanaan Buddha dari Jawa Timur abad ke-13. Detail pakaian menampilkan pola sulur tumbuhan dan kembang-kembang rumit yang mirip dengan pola batik tradisional Jawa yang saat ini dapat ditemukan. Hal ini merupakan salah satu bukti bahwa pembuatan pola batik yang sangat rumit hanya bisa dibuat dengan menggunakan canting.

Berdasarkan teknik pembuatannya, batik dibedakan menjadi tiga jenis, yaitu batik tulis, batik cap, dan batik printing.

b) Batik Cap

Batik cap dibuat dengan menggunakan bantuan motif batik yang dibentuk dalam stempel atau cap tembaga. Pengerjaannya dilakukan dengan menempelkan cap tembaga pada malam panas, kemudian menempelkan cap tembaga tersebut pada kain batik polos yang telah disiapkan. Ciri utama batik cap adalah pola yang terbentuk simetris dan teratur, serta memiliki warna yang hanya terang pada satu sisi kain. Untuk pengerjaannya membutuhkan waktu 2-3 hari.

c) Batik Printing

Batik printing dibuat menggunakan motif pabrikan, yaitu motif batik yang telah dicetak secara otomatis. Dalam pengerjaannya, batik printing tidak membutuhkan metode dasar batik karena prosesnya sudah tidak menggunakan pencegahan serap warna pada malam. Ciri utama batik printing adalah motifnya yang teratur dan memiliki warna yang terang hanya pada satu sisi kain karena proses pewarnaan dengan mesin hanya dilakukan pada satu sisi kain.

Pada saat sekarang ini, terdapat ribuan motif batik yang telah diproduksi di pasaran. Tapi pada umumnya motif batik tersebut dikelompokkan pada empat jenis utama motif batik sebagai berikut :

a) Motif Geometris

Motif geometris adalah motif batik berbentuk garis-garis. Biasanya motif ini melambangkan birokrasi pada pemerintahan. Motif batik ini tidak selalu berbentuk garis lurus, bisa jadi berupa persegi, belah ketupat, ataupun berbentuk lingkaran.

b) Motif Tumbuhan

Motif tumbuhan pada kain batik biasanya berupa hiasan yang diperoleh dari objek yang distilir/digayakan. Motif tumbuhan pada batik misalnya berupa tumbuhan menjalar dan tumbuhan air.

c) Motif Hewan

Motif hewan pada batik berupa bentuk hewan-hewan yang distilir atau disederhanakan. Hewan-hewan yang digunakan sebagai motif adalah hewan-hewan yang dianggap keramat seperti kerbau, burung, singa barong, kupu-kupu, dan sebagainya.

d) Motif Manusia

Motif manusia dapat ditemukan pada kain tenun dan songket, yang biasanya juga berbentuk motif yang distilir atau disederhanakan. Motif batik manusia kebanyakan dianggap sebagai lambang roh nenek moyang ataupun sebagai lambang kesaktian. Motif manusia pada batik contohnya seperti wayang.

Untuk pembuatan motif sendiri tergantung pada daerah masing-masing dan biasanya disesuaikan dengan lambang daerah ataupun kebudayaan yang ada pada daerah tersebut.

2.2. Peramalan (Forecasting)

Peramalan (Forecasting) merupakan salah satu aktifitas fungsi bisnis yang digunakan untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004). Peramalan dibuat dengan tujuan untuk meminimumkan ketidakpastian dalam proses produksi. Dengan kata lain, peramalan adalah alat bantu yang sangat penting untuk mencapai perencanaan produksi yang efektif dan efisien (Subagyo, 1986).

Berdasarkan sifatnya, peramalan dibedakan menjadi dua jenis, yaitu peramalan kualitatif dan peramalan kuantitatif (Levine, 2002).

atau kumpulan data-data pada masa lalu. Hasil peramalan nantinya bergantung pada metode yang digunakan pada peramalan tersebut. Untuk datanya sendiri, pada jenis peramalan ini data historis yang digunakan dibagi ke dalam dua jenis kelompok data, yaitu data kausal dan data runtun waktu (Winarno, 2007).

a) Data Kausal (Causal Data)

Pada data kausal, model peramalan yang dikembangkan menggunakan hubungan sebab-akibat sebagai asumsi, yaitu apa yang terjadi pada masa lalu, akan kembali terulang di masa mendatang.

b) Data Runtun Waktu (Time Series Data)

Data runtun waktu (time series data) adalah data yang menggambarkan suatu objek dari waktu ke waktu atau periode secara historis dan terjadi berurutan (Winarno, 2007). Data runtun waktu mencakup penelitian pola data yang digunakan apakah stasioner atau tidak.

Dalam peramalan menggunakan data runtun waktu, satu hal yang harus diperhatikan adalah bagaimana pola data yang terbentuk. Menurut Makridakis (1999), pada data runtun waktu pola data yang terbentuk ada empat :

1. Pola Data Horizontal

Pola data horizontal terjadi jika data berfluktuasi di sekitar nilai rata-rata yang konstan.

Gambar 2.1. Data Runtun Waktu Dengan Pola Horizontal (Tanjung, 2012)

Gambar 2.1 menunjukkan grafik jumlah penjualan beras pada sebuah usaha pengecer beras dalam kurun waktu satu tahun. Dapat dilihat pada gambar 2.1 bahwa penjualan beras berfluktuasi secara konstan, yaitu sekitar 5 karung beras setiap bulannya.

2. Pola Data Tren

Pola data tren terbentuk jika terjadi kenaikan atau penurunan sekuler jangka panjang. Artinya pola data tersebut naik turun atau bahkan konstan dalam jangka waktu yang panjang.

pola siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.

Gambar 2.3. Data Runtun Waktu Dengan Pola Siklus (Tanjung, 2012)

Gambar 2.3 menunjukkan grafik penjualan mobil dari tahun 2000 sampai tahun 2008 pada sebuah perusahaan dealer mobil. Pada gambar 2.3 dapat ditunjukkan bahwa penjualan mobil dipengaruhi oleh faktor ekonomi di Indonesia tiap tahunnya. Gambar 2.3 juga menunjukkan bahwa pada tahun 2002 dan 2008 adalah tahun dimana ekonomi rakyat lebih baik dari tahun lainnya, sehingga penjualan mobil sebagai bahan kebutuhan tersier meningkat.

4. Pola Data Musiman

Pola data musiman terjadi jika jika dalam data terlihat pengulangan otomatis dalam interval tertentu.

Gambar 2.4. Data Runtun Waktu Dengan Pola Musiman (Tanjung, 2012)

Gambar 2.4 menunjukkan grafik penjualan baju seragam sekolah dalam kurun waktu satu tahun. Pada gambar 2.4 dapat dilihat bahwa terjadi kenaikan penjualan seragam pada bulan pertama (Januari) dan bulan ke-7 (Juli). Hal ini disebabkan karena pada bulan tersebut adalah bulan awal masuk tahun ajaran baru sehingga penjualan seragam sekolah meningkat pada bulan tersebut.

Selain berdasarkan sifat, peramalan juga dibedakan berdasarkan jangka waktu peramalan. Ada tiga jenis peramalan berdasarkan jangka waktu, yaitu peramalan jangka pendek, peramalan jangka menengah, dan peramalan jangka panjang.

1. Peramalan Jangka Pendek

Peramalan jangka pendek dilakukan dalam kurun waktu kurang dari 3 bulan.

2. Peramalan Jangka Menengah

Peramalan jangka menengah dilakukan dalam kurun waktu 3 sampai 18 bulan. Peramalan penjualan termasuk dalam peramalan jangka menengah.

3. Peramalan Jangka Panjang

peramalan benar-benar akurat dan sesuai dengan keadaan yang sebenarnya. Artinya dalam setiap peramalan, pasti terdapat yang namanya tingkat kesalahan peramalan. Ukuran ketepatan peramalan yang sering digunakan adalah Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) (Makridakis, 1999).

1. Mean Absolute Deviation (MAD)

Mean Absolute Deviation (MAD) digunakan untuk mengukur ketepatan

ramalan dengan rata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika seseorang ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. MAD dirumuskan sebagai berikut :

� = ∑| �− ̂�|

�=

(2.1)

Dimana : = Jumlah periode _� = Nilai peramalan ̂_� = Nilai aktual 2. Mean Square Error (MSE)

Mean Square Error (MSE) merupakan metode lain untuk mengukur kesalahan

peramalan. Dalam metode ini, masing-masing kesalahan atau sisa dikuadratkan, kemudian dijumlahkan atau dibagi dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan tersebut dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat mungkin

lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar. MSE dirumuskan sebagai berikut :

= ∑( �− ̂�)

�=

(2.2)

3. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan

kesalahan aboslut pada setiap periode dan membaginya dengan nilai observasi pada periode tersebut. Setelah itu persentasi absolutnya dirata-ratakan (Nurmaida,2002). Metode ini sangat berguna apabila ukuran variabel merupakan faktor penting dalam mengevaluasi akurasi peramalan. MAPE dirumuskan sebagai berikut :

�� = ∑| �− ̂�|

� �=

(2.3)

2.4. Metode Extreme Learning Machine (ELM)

Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari

jaringan syaraf tiruan. ELM termasuk pada feedforward neural network yang memiliki satu single hidden layer (Sun et al, 2008). Metode ELM dipercaya dapat mengatasi permasalah learning speed yang selama ini terjadi pada metode-metode lain pada

feed-forward neural networks (Huang et al, 2005). Menurut mereka terdapat dua alasan

kenapa feed-forrward neural networks memiliki learning speed yang rendah :

1. Feedforward neural networks menggunakan slow gradient based learning algorithm dalam melakukan proses training.

2. Semua parameter pada jaringan ditentukan secara iterative dengan menggunakan metode pembelajaran tersebut.

Parameter yang dimaksud disini adalah input weight dan hidden bias yang berhubungan antar layer sehingga learning speed berjalan sangat lama dan kejadian

Gambar 2.5. Struktur Umum ELM

ELM memanfaatkan teori invers matrik dalam proses pembelajarannya. Teori yang digunakan adalah moore penrose pseudoinverse. Gambar 2.5 menunjukkan sebuah model sederhana single-hidden layer feedforward networks (SLFNs) yang merupakan struktur umum dari ELM. Diberikan sebanyak n input, m neuron pada

hidden layer dan fungsi aktivasi g(x). misalkan X = [ x1,x2,x3,… xn] dengan xi merupakan nilai input pada jaringan tersebut. α merupakan matriks bobot penghubung

input layer dan hidden layer maka α matriks mempunyai ukuran nxm. Penentuan nilai elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai tersebut diolah pada hidden layer menggunakan fungsi aktivasi tertentu dan nilai tersebut dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,h2,h3,… hn]). Moore

penrose pseudoinverse digunakan untuk menentukan nilai bobot antara hiddent layer

dan output layer β.

Metode ELM memiliki model matematis yang berbeda dengan feed-forward

neural networks pada umumnya, dimana model matematis ELM berbentuk lebih

sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).

= [ + , … … ]� _{∈ (2.4)}

�= [ � + � , … … � ]� ∈ (2.5)

Standar SLFNs dengan jumlah hidden nodes sebanyak N dan fungsi aktivasi

g(x) dapat dirumuskan sebagai berikut (Agustina et al, 2010) :

∑ � =

= ∑ � =

( ∙ + � ) = (2.6)

Dimana : � = 1,2,...., N

= , , … , �, merupakan vektor dari weight yang

menghubungkan i th hidden nodes dan input nodes.

� = � , � , … , � �, merupakan weight vector yang

menghubungkan i th hidden nodes dan input nodes.

� = treshold dari i th hidden nodes. = Inner product dari Wi dan Xj

SLFNs dengan N hidden nodes dan activation function g(x) diasumsikan dapat memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al, 2010) :

∑‖ − � ‖ =

=

sehingga oj = tj

Dimana : � = Hidden layer dari output matriks. � = output weight.

= Matriks dari target atau output.

Pada ELM input weight dan hidden bias ditentukan secara random, maka

output weight yang berhubungan dengan hidden layer dirumuskan sebagai berikut :

� = �+ _(2.10)

2.5. Penelitian Terdahulu

Penelitian mengenai peramalan sudah sering dilakukan. Dalam dunia industri, peramalan biasanya dilakukan untuk meramalkan penjualan dan permintaan. Hal ini dilakukan karena peramalan memang terbukti dapat meningkatkan kualitas produksi. Begitu juga dengan batik. Bersinarnya batik di dunia industri pakaian diikuti oleh penelitian-penelitian tentang batik itu sendiri.

Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan untuk meramalkan penjualan batik tulis dengan menggunakan metode Trend Moment. Metode ini dipilih karena dapat menghindarkan penghitungan peramalan dari unsur subyektif. Melihat keadaan dimana permintaan terhadap batik sering kali dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodik dan relatif konstan, maka ia mengkombinasikan perhitungan peramalan metode Trend Moment dengan indeks musim.

Untuk data yang digunakan berasal dari 20 unit industri batik dengan jangka waktu penjualan dua tahun terakhir. Jenis batik yang ia gunakan adalah batik tulis buharto.

Kardha (2012) juga melakukan penelitian tentang batik. Pada penelitiannya, ia membuat sebuah sistem informasi yang diberi nama ProMix dimana sistem tersebut berguna untuk melakukan peramalan volume produksi dan pendistribusian produk batik ke masing-masing area penjualannya. Metode yang ia gunakan dalam penelitian ini adalah metode Trend Moment.

Berikut ini adalah langkah-langkah penelitian yang ia lakukan : 1. Analisis Kebutuhan

Dalam proses ini data dikumpulkan melalui survei lapangan (pencatatan data perusahaan dalam jangka waktu 3 tahun) serta wawancara dengan pihak eksekutif perusahaan.

2. Rancangan Diagram Arus Data Sistem

Pada tahap ini data-data yang telah dikumpulkan dibuat rancangan diagram arus penjualannya pada tiap-tiap daerah pemasaran. Pada diagram arus yang dibuat akan terlihat alur proses bisnis sehingga memudahkan untuk implementasi pembangunan sistem.

3. Pembangunan Sistem

Pada tahap ini sistem dibangun sesuai dengan kebutuhan perusahaan. 4. Uji Coba Sistem

Pada tahap ini sistem yang telah dibangun di uji coba apakah sudah layak atau tidak untuk digunakan.

5. Dokumentasi Pembangunan Sistem

Hal ini dilakukan untuk mengevaluasi jalannya proses pembangunan sistem sehingga diperoleh kesimpulan untuk pembangunan sistem selanjutnya.

Fungsi dari keseluruhan sistem yang ia bangun adalah sebagai berikut : 1. User maintenance.

2. Maintenance data volume penjualan, data cabang, dan data produk.

3. Proses peramalan.

4. Info laporan peramalan dan volume penjualan. 5. Info grafik penjualan.

Sanmorino (2012) membuat pengelompokan gambar batik menggunakan algoritma Fuzzy C-Means (FCM) berdasarkan log-rata pencahayaan dari batik.

berwarna nilai pencahayaan dicari dengan menjumlahkan semua nilai RGB pada gambar. Pada proses evaluasinya, ia menggunakan algoritma K-Means Clustering sebagai pembanding.

Rangkuman dari penelitian-penelitian terdahulu tentang batik dapat dilihat pada Tabel 2.1.

Tabel 2.1. Penelitian Terdahulu Tentang Batik No. Peneliti

(Tahun) Metode Keterangan

1.

Darmawan

(2012) Trend Moment

- Meramalkan penjualan batik - Dibuat dalam bentuk sistem

pendukung keputusan 2.

Kardha

(2012) Trend Moment

- Meramalkan produksi dan distribusi produk batik - Dibuat dalam bentuk sistem

informasi bernama ProMix 3. Sanmorino (2012) Fuzzy C-Means dan K-Means Clustering

- Mengelompokkan gambar batik menggunakan log rata

pencahayaan dari gambar batik berdasarkan Log-Average

Luminance

Untuk penelitian menggunakan metode ELM, Agustina, Anggraeni, & Mukhlason (2010) menggunakan metode ELM untuk melakukan prediksi permintaan konsumen. Data yang mereka gunakan adalah data penjualan kaos dan pin dari sebuah

toko di Surabaya. Prediksi kaos dan pin dilakukan secara terpisah karena kedua data yang mereka kumpulkan adalah data yang tidak saling terkait.

Berikut ini adalah langkah-langkah penelitian yang mereka lakukan : 1. Pengumpulan Data

Pada tahap ini data penjualan kaos dan pin dikumpulkan. Data yang dikumpulkan berupa data penjualan harian selama dua tahun yaitu tahun 2008-2009.

2. Peramalan dengan Metode ELM

Pada tahap ini data yang dikumpulkan dibagi ke dalam data training dan data

testing. Data training menggunakan 80% dari jumlah data, sedangkan data testing sebanyak 20% dari jumlah data ( Zhang, 1997).

3. Analisis Hasil Peramalan

Dalam tahapan ini, hasil peramalan dianalisis tingkat kesalahan peramalannya menggunakan metode Mean Square Error (MSE) dan Mean Absolute

Percentage Error (MAPE). Selain itu, peramalan dievaluasi dengan

dibandingkan dengan metode peramalan konvensional Moving Average (MA) dan Exponential Smoothing (ES).

Jia & Hao (2013) dalam penelitiannya melakukan peramalan permintaan konsumsi air menggunakan metode Adaptive Extreme Learning Machine (AD-ELM). Metode lanjutan ELM ini dipilih karena AD-ELM dianggap dapat menyelesaikan masalah perubahan amplitudo dan penentuan tren, dan juga mengurangi efek dari

overfitting networks. Kejadian overfitting networks biasanya membawa peramalan

menjadi tidak akurat dan jauh melebihi rentang data yang ada meskipun data tersebut sudah bersih dari noise. Selain itu, pemilihan metode AD-ELM juga dikarenakan data permintaan air yang digunakan sangat besar dan juga kompleks sehingga kemungkinan terjadinya over-fitting sangat besar. AD-ELM sendiri bekerja dengan menggunakan data-data yang ada untuk memodifikasi input dari ELM pada proses peramalan dan menjadikan input tersebut menjadi learning data. Output dari jaringan hanya memiliki satu buah nilai, yaitu nilai peramalan permintaan konsumsi air.

Fardani, Wuryanto, & Werdiningsih (2015) membuat sistem pendukung keputusan peramalan jumlah kunjungan pasien menggunakan ELM pada poli gigi di

desktop dan evaluasi sistem.

Pada proses peramalan ELM, fungsi aktivasi yang digunakan adalah sigmoid biner dengan jumlah hidden layer sebanyak 7 unit dan epoch 500 diperoleh hasil optimal MSE sebesar 0.027.

Rangkuman dari penelitian-penelitian terdahulu yang menggunakan metode ELM dalam proses peramalan dapat dilihat pada Tabel 2.2.

Tabel 2.2. Penelitian Terdahulu Menggunakan Metode ELM No. Peneliti

(Tahun) Metode Keterangan

1. Agustina, Anggraeni, &

Mukhlason (2010)

Extreme Learning Machine

Meramalkan penjualan harian

2. Jia & Hao (2013)

Adaptive Extreme Learning Machine

Meramalkan permintaan konsumsi air

3 Fardani, Wuryanto, & Werdiningsih

(2015)

Extreme Learning Machine

Meramalkan jumlah kunjungan pasien

Berdasarkan penelitian-penelitian sebelumnya penulis akan melakukan penelitian mengenai peramalan penjualan dengan objek penelitian adalah produk batik dengan menggunakan metode Extreme Learning Machine (ELM). Peramalan penjualan

yang dilakukan berdasarkan motif batik. Karena ELM adalah metode yang memiliki kecepatan dalam hal learning speed, diharapkan proses peramalan dengan metode ini berjalan dengan baik dan akurat.

1.1. Latar Belakang

Peralaman merupakan salah satu aktifitas fungsi bisnis yang digunakan untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004). Dengan adanya peramalan, para produsen dan pelaku industri dapat melakukan perencanaan produksi yang tepat. Untuk mencapai hal tersebut, dalam proses peramalan dibutuhkan data penjualan serta analisis pola data produk di masa lampau. Salah satu produk yang sedang berkembang di Indonesia yang bahkan sudah diakui oleh dunia adalah batik. Batik merupakan salah satu produk di bidang tekstil yang saat ini banyak digunakan sebagai bahan baku produk pakaian. Banyaknya motif yang ditawarkan menjadikan batik memiliki banyak modifikasi di setiap produk-produk yang dipasarkan. Variasi motif ini juga menimbulkan keadaan dimana konsumen produk batik memiliki motif favoritnya masing-masing sehingga terdapat beberapa motif batik yang menjadi populer di kalangan konsumen karena lebih banyak diminati dan penjualannya lebih tinggi dari motif lain.

Kenyataannya saat ini banyak produsen dan penjual batik yang tidak memiliki strategi penjualan yang tepat. Kebanyakan produsen melakukan stok barang atas semua motif batik yang ada tanpa perhitungan yang akurat. Produsen menyadari ada motif batik yang sedang populer di pasaran sehingga mereka kebanyakan melakukan stok besar-besaran terhadap motif tersebut hanya berdasarkan penjualan masa lalu. Hal seperti ini juga menjadikan motif lainnya menjadi terabaikan karena produsen terlalu fokus pada motif yang sedang populer padahal motif lain tersebut jika dikelola dengan baik juga dapat memberikan keuntungan penjualan. Keadaan ini pada akhirnya berujung pada terjadinya penumpukan stok (overstocking) yang membuat para produsen merugi baik itu dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi, ataupun terjadinya kekurangan stok

(understocking) dimana kedua keadaan ini menjadikan penjualan produsen menjadi tidak efektif (Riyadi, 2015). Untuk menghindari terjadinya hal tersebut, oleh karena itu dibutuhkan sebuah metode untuk meramalkan penjualan yang tepat untuk mencapai penjualan yang efektif dan maksimal.

Peramalan bukanlah hal yang baru di dunia industri. Sudah banyak penelitian-penelitian terdahulu dilakukan karena peramalan memang dipandang dapat meningkatkan kualitas produksi. Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan untuk memprediksi penjualan batik tulis dengan menggunakan metode Trend Moment. Masih dalam bentuk sistem pendukung keputusan, Fardani, Wuryanto, & Werdiningsih (2015) meramalkan jumlah kunjungan pasien pada poli gigi di rumah sakit menggunakan metode Extreme Learning Machine (ELM). Penelitian selanjutnya dilakukan oleh Agustina et al. (2010). Mereka menggunakan metode Extreme Learning Machine (ELM) untuk melakukan prediksi permintaan konsumen dengan mengambil data penjualan kaos dan pin dari sebuah toko di Surabaya. Jia & Hao (2013) juga menggunakan metode Extreme Learning Machine (ELM) untuk meramalkan permintaan konsumsi air. Hanya saja dalam penelitiannya, mereka menggunakan ELM dengan adaptive metrics of inputs untuk meningkatkan akurasi peramalan. Sedangkan Taylor (2007) dalam penelitiannya melakukan peramalan penjualan harian di supermarket menggunakan metode Exponential

Weighted Quantile Regression (EWQR).

Pada penelitian ini, penulis mengangkat topik peramalan pasar penjualan batik menggunakan metode Extreme Learning Macine (ELM). Metode ELM dipilih karena ELM memiliki kelebihan dalam hal learning speed (Huang et al, 2005). Selain itu, ELM juga mempunyai tingkat ketelitian peramalan yang lebih akurat dibandingkan dengan metode lainnya. Bedanya dengan penelitian terdahulu adalah penulis lebih fokus pada peramalan motif-motif batik. Dengan metode ini diharapkan hasil peramalan yang didapat lebih akurat dan efektif sehingga bisa diandalkan dalam penggunaannya (Agustina et al, 2010). Dengan adanya peramalan ini, pihak produsen bisa terbantu dalam hal melakukan proses produksi yang tepat karena sudah memiliki acuan produksi sehingga penjualan maksimal produk dapat tercapai.

Berdasarkan latar belakang di atas, maka penulis mengajukan penelitian dengan judul “PERAMALAN PASAR PENJUALAN BATIK MENGGUNAKAN METODE

tersebut jika dikelola dengan baik juga dapat memberikan keuntungan penjualan. Keadaan ini pada akhirnya berujung pada terjadinya penumpukan stok (overstocking) yang membuat para produsen merugi baik itu dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi, ataupun terjadinya kekurangan stok (understocking) dimana kedua keadaan ini menjadikan penjualan produsen menjadi tidak efektif. Untuk menghindari terjadinya hal tersebut, oleh karena itu dibutuhkan sebuah metode untuk meramalkan penjualan yang tepat untuk mencapai penjualan yang efektif dan maksimal.

1.3. Batasan Masalah

Agar penelitian yang dilakukan penulis terarah dan fokus, maka penulis membatasi ruang masalah penelitian sebagai berikut :

1. Lingkup penjualan yang diteliti adalah pasar penjualan batik di kota Medan, dengan data yang dikumpulkan dari produsen batik.

2. Batik yang digunakan adalah batik dengan motif adat dari daerah Sumatera Utara.

3. Peramalan penjualan dilakukan berdasarkan penjualan motif batik. 4. Peramalan tidak meramalkan stok ukuran pakaian.

5. Kejadian-kejadian bencana alam yang mungkin mempengaruhi hasil peramalan seperti gempa bumi, banjir, kebakaran, dan lain sebagainya tidak dipertimbangkan dalam penelitian.

1.4. Tujuan Penelitian

Adapun tujuan dari penelitian ini adalah untuk meramalkan penjualan berdasarkan motif batik agar produsen bisa mencapai penjualan yang efektif dan maksimal.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini, yaitu :

1. Membantu pihak produsen dan pelaku industri batik untuk melakukan perencanaan produksi yang efektif.

2. Mengetahui kemampuan metode ELM dalam melakukan peramalan penjualan. 3. Menambah pengetahuan dan wawasan penulis dan pembaca.

4. Sebagai bahan pembelajaran dan referensi untuk peneliti selanjutnya.

1.6. Metodologi

Tahapan-tahapan yang akan dilakukan dalam pelaksanaan penelitian ini adalah sebagai berikut :

1. Studi Literatur

Pada tahap ini penulis mengumpulkan dan mempelajari materi-materi yang berhubungan dengan penelitian. Referensi yang diambil berasal dari buku, skripsi, jurnal, informasi dari internet, dan referensi lainnya yang memiliki hubungan dengan batik, metode peramalan, dan juga Extreme Learning Machine (ELM).

2. Analisis Permasalahan

Pada tahap ini penulis melakukan analisis terhadap studi literatur yang telah dikumpulkan sebelumnya untuk mendapatkan pemahaman mengenai metode ELM dalam rangka menyelesaikan masalah peramalan.

3. Perancangan

Pada tahap ini penulis melakukan perancangan sistem dalam rangka menyelesaikan permasalahan yang ada pada tahap analisis. Selanjutnya rancangan sistem akan diimplementasikan pada sistem yang akan dibuat.

4. Implementasi

Pada tahap ini dilakukan implementasi analisis yang telah peneliti lakukan dan membangun program yang sesuai dengan alur yang ada.

5. Pengujian

Pada tahap ini dilakukan pengujian terhadap aplikasi yang telah dibuat untuk menguji kemampuan metode ELM dalam melakukan peramalan penjualan serta

Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:

Bab 1: Pendahuluan

Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.

Bab 2: Landasan Teori

Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan tentang batik, peramalan, neural network, dan metode Extreme Learning Machine (ELM).

Bab 3: Analisis dan Perancangan Sistem

Bab ini berisi analisis dari metode yang digunakan yaitu metode Extreme Learning

Machine (ELM) dan penerapannya untuk meramalkan penjualan, serta perancangan

sistem yang dibuat seperti pemodelan dengan flowchart dan usecase diagram, dan

activity diagram.

Bab 4: Implementasi dan Pengujian Sistem

Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan sistem yang disusun pada Bab 3 dan hasil pengujian terhadap sistem yang dibangun.

Bab 5: Kesimpulan dan Saran

Bab ini berisi kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran-saran yang diajukan untuk pengembangan pada penelitian selanjutnya.

ABSTRAK

Batik merupakan salah salah satu produk tekstil yang sedang digandrungi oleh masyarakat luas. Pada kenyataannya, banyaknya permintaan terhadap produk ini di pasaran tidak diimbangi dengan strategi produksi yang tepat dan akurat dari para produsen. Ketidakseimbangan ini mengakibatkan terjadinya penumpukan stok (overstocking) ataupun kekurangan stok (understocking) yang membuat produsen mengalami kerugian baik dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi. Pada Penelitian ini, penulis akan membuat sistem peramalan penjualan untuk mengatasi masalah dari pihak produsen dalam menangani permintaan konsumen. Data yang digunakan adalah data penjualan motif batik yang telah dikumpulkan dari beberapa produsen batik. Untuk mendapatkan error peramalan yang rendah serta tingkat akurasi peramalan yang tinggi, penulis menggunakan metode extreme learning machines (ELM) yang merupakan metode baru dan tergolong ke dalam single hidden layer feedforward neural networks (SLFNs). Dari hasil penelitian, terbukti bahwa metode ini memiliki tingkat akurasi yang baik, dengan nilai error peramalan yang dihitung dengan mean absolute percentage error (MAPE) sebesar 0,67%. Semakin rendahnya nilai error peramalan menunjukkan peramalan memiliki tingkat akurasi yang lebih baik.

Kata kunci: Peramalan, Extreme Learning Machine, Single Hidden Layer Feedforward Neural Networks, MAPE.

right production. This imbalance led to overstocking and understocking which makes producers suffered losses, both in terms of material and energy for the the manufacture of batik relatively time-consuming and energy. In this study, the author will build a sales forecasting system to overcome the problems of the producers in addressing the consumer demand. The data used is the batik sales data that have been collected from some producers of batik. To obtain a low forecasting error and an accurate forecasting value, the author uses the extreme learning machine (ELM) method which is the new method and classified in single hidden layer feedforward neural networks (SLFNs). From the result of this study proved that this metode has high level accuracy, the error forecasting value is calculated by mean absolute percentage error (MAPE) by 0,67%. The low value of the forecasting error shows that the forecasting has better accuracy rate.

Keyword: Forecasting, Extreme Learning Machine, Single Hidden Layer Feedforward

PERAMALAN PASAR PENJUALAN BATIK MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM)

SKRIPSI

ABBAS MUNANDAR RAMBE 111402054

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

MEDAN 2016

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi

ABBAS MUNANDAR RAMBE 111402054

PROGRAM STUDI S1 TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA

PERSETUJUAN

Judul : PERAMALAN PASAR PENJUALAN BATIK

MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM)

Kategori : SKRIPSI

Nama : ABBAS MUNANDAR RAMBE

Nomor Induk Mahasiswa : 111402054

Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI

Fakultas : ILMU KOMPUTER DAN TEKNOLOGI

INFORMASI (FASILKOM-TI)

UNIVERSITAS SUMATERA UTARA

Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Dedy Arisandi, S.T., M.Kom. Sajadin Sembiring, S.Si., M.Comp.Sc. NIP : 197908312009121002 NIP : -

Diketahui/Disetujui oleh

Program Studi S1 Teknologi Informasi Ketua,

Muhammad Anggia Muchtar, S.T., MM.IT. NIP 19800110 200801 1 010

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, 13 Juni 2016

Abbas Munandar Rambe 111402054

UCAPAN TERIMA KASIH

Puji dan syukur penulis sampaikan ke hadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.

Ucapan terima kasih penulisan sampaikan kepada Bapak Sajadin Sembiring, S.Si., M.Comp.Sc selaku pembimbing pertama dan Bapak Dedy Arisandi, S.T., M.Kom selaku pembimbing kedua yang telah banyak meluangkan waktu untuk memberikan kritik dan saran dalam penelitian dan penulisan skripsi ini. Selanjutnya, terima kasih juga kepada Ibu Dr. Erna Budhiarti Nababan, M. IT sebagai dosen penguji pertama serta Bapak Dani Gunawan, S.T., M.T sebagai dosen penguji kedua. Penulis juga mengucapkan terima kasih kepada Bapak dan Ibu dosen S1 Teknologi Informasi yang telah mengajar dan memberikan masukan serta saran yang bermanfaat selama proses perkuliahan hingga dalam penulisan skripsi ini. Ucapan terima kasih juga ditujukan kepada semua pegawai dan staf tata usaha Teknologi Informasi dan Fasilkom-TI, yang telah membantu proses administrasi selama perkuliahan.

Penulis juga berterima kasih kepada kedua orang tua penulis, Bapak Marwanuddin Rambe dan Ibu Kartini Pasaribu yang telah membesarkan penulis dengan penuh cinta dan kasih dan selalu memberikan dukungan yang luar biasa sehingga penulis bisa menyelesaikan skripsi ini.

Terima kasih juga penulis ucapkan kepada seluruh teman-teman S1 Teknologi Informasi yang telah bersama-sama melewati perkuliahan dengan penulis, yang telah memberikan dukungan semangat dan doa serta teman-teman mahasiswa USU lainnya.

mengalami kerugian baik dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi. Pada Penelitian ini, penulis akan membuat sistem peramalan penjualan untuk mengatasi masalah dari pihak produsen dalam menangani permintaan konsumen. Data yang digunakan adalah data penjualan motif batik yang telah dikumpulkan dari beberapa produsen batik. Untuk mendapatkan error peramalan yang rendah serta tingkat akurasi peramalan yang tinggi, penulis menggunakan metode extreme learning machines (ELM) yang merupakan metode baru dan tergolong ke dalam single hidden layer feedforward neural networks (SLFNs). Dari hasil penelitian, terbukti bahwa metode ini memiliki tingkat akurasi yang baik, dengan nilai error peramalan yang dihitung dengan mean absolute percentage error (MAPE) sebesar 0,67%. Semakin rendahnya nilai error peramalan menunjukkan peramalan memiliki tingkat akurasi yang lebih baik.

Kata kunci: Peramalan, Extreme Learning Machine, Single Hidden Layer Feedforward Neural Networks, MAPE.

MARKET FORECASTING SALES OF BATIK USING EXTREME LEARNING MACHINE METHOD

ABSTRACT

Batik is one of the most favored textile by consumer these days. The fact, the high demand for these textile in the market are not balanced with the right strategy and the right production. This imbalance led to overstocking and understocking which makes producers suffered losses, both in terms of material and energy for the the manufacture of batik relatively time-consuming and energy. In this study, the author will build a sales forecasting system to overcome the problems of the producers in addressing the consumer demand. The data used is the batik sales data that have been collected from some producers of batik. To obtain a low forecasting error and an accurate forecasting value, the author uses the extreme learning machine (ELM) method which is the new method and classified in single hidden layer feedforward neural networks (SLFNs). From the result of this study proved that this metode has high level accuracy, the error forecasting value is calculated by mean absolute percentage error (MAPE) by 0,67%. The low value of the forecasting error shows that the forecasting has better accuracy rate.

Keyword: Forecasting, Extreme Learning Machine, Single Hidden Layer Feedforward

MARKET FORECASTING SALES OF BATIK USING EXTREME LEARNING MACHINE METHOD

ABSTRACT

Batik is one of the most favored textile by consumer these days. The fact, the high demand for these textile in the market are not balanced with the right strategy and the right production. This imbalance led to overstocking and understocking which makes producers suffered losses, both in terms of material and energy for the the manufacture of batik relatively time-consuming and energy. In this study, the author will build a sales forecasting system to overcome the problems of the producers in addressing the consumer demand. The data used is the batik sales data that have been collected from some producers of batik. To obtain a low forecasting error and an accurate forecasting value, the author uses the extreme learning machine (ELM) method which is the new method and classified in single hidden layer feedforward neural networks (SLFNs). From the result of this study proved that this metode has high level accuracy, the error forecasting value is calculated by mean absolute percentage error (MAPE) by 0,67%. The low value of the forecasting error shows that the forecasting has better accuracy rate.

Keyword: Forecasting, Extreme Learning Machine, Single Hidden Layer Feedforward Neural Networks, MAPE.

vi

DAFTAR ISI

Hal.

PERSETUJUAN i

PERNYATAAN ii

UCAPAN TERIMA KASIH iii

ABSTRAK iv

ABSTRACT v

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR ix

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 3

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 4

1.6 Metodologi 4

1.7 Sistematika Penulisan 5

BAB 2 LANDASAN TEORI 6

2.1 Batik 6

2.2 Peramalan (Forecasting) 8

2.3 Ukuran Akurasi Peramalan 13 2.4 Metode Extreme Learning Machine (ELM) 14

2.5 Penelitian Terdahulu 17

BAB 3 ANALISIS DAN PERANCANGAN 23

3.1 Arsitektur Umum 23

3.2 Data yang digunakan 24

3.3 Arsitektur ELM 26

3.3.1 Penentuan jumlah input 26 3.3.2 Penentuan jumlah hidden neuron 26 3.3.3 Penentuan output layer 27

3.3.4 Training ELM 27

3.3.5 Testing ELM 34

3.3.6 Analisis hasil peramalan 34

3.4 Perancangan Sistem 35

3.4.1 Use case diagram 35

3.4.2 Diagram aktifitas (activity diagram) 36 3.4.3 Perancangan database 42 3.4.4 Rancangan tampilan antarmuka 43

BAB 4 IMPLEMENTASI DAN PENGUJIAN 49

4.1 Implementasi Sistem 49

4.1.1 Spesifikasi perangkat keras dan perangkat lunak

yang digunakan 49

4.1.2 Implementasi perancangan antarmuka 49

4.2 Pengujian Kinerja Sistem 54

BAB 5 KESIMPULAN DAN SARAN 61

5.1 Kesimpulan 61

5.2 Saran 61

viii

DAFTAR TABEL

Hal. Tabel 2.1. Penelitian Terdahulu Tentang Batik 19 Tabel 2.2. Penelitian Terdahulu Menggunakan Metode ELM 21 Tabel 3.1. Data Penjualan Berdasarkan Motif Batik 25 Tabel 3.2. Contoh Data Untuk Proses Normalisasi 29

Tabel 3.3. Hasil Normalisasi Contoh Data 30

Tabel 3.4. Deskripsi Use Case Sistem Peramalan Penjualan Batik 36

DAFTAR GAMBAR

Hal. Gambar 2.1. Data Runtun Waktu Dengan Pola Horizontal (Tanjung, 2012) 10 Gambar 2.2. Data Runtun Waktu Dengan Pola Tren (Tanjung, 2012) 10 Gambar 2.3. Data Runtun Waktu Dengan Pola Siklus (Tanjung, 2012) 11 Gambar 2.4. Data Runtun Waktu Dengan Pola Musiman (Tanjung, 2012) 12 Gambar 2.5. Struktur Umum ELM (Agustina et al, 2010) 15

Gambar 3.1. Arsitektur Umum 24

Gambar 3.2. Ilustrasi Jaringan ELM untuk Peramalan Penjualan Batik 27

Gambar 3.3. Flowchart Training ELM 28

Gambar 3.4. Use Case Sistem Peramalan Penjualan Batik 35 Gambar 3.5. Activity Diagram Melihat Kategori 37 Gambar 3.6. Activity Diagram Pengaturan Kategori 37

Gambar 3.7. Activity Diagram Melihat Produk 38

Gambar 3.8. Activity Diagram Pengaturan Produk 39 Gambar 3.9. Activity Diagram Melihat Penjualan 39 Gambar 3.10. Activity Diagram Pengaturan Penjualan 40 Gambar 3.11. Activity Diagram Peramalan Penjualan 41

Gambar 3.12. Database Relationship 42

Gambar 3.13. Rancangan Halaman Login 43

Gambar 3.14. Rancangan Halaman Utama (Home) 44

Gambar 3.15. Rancangan Halaman Kategori 45

Gambar 3.16. Rancangan Halaman Produk 46

Gambar 3.17. Rancangan Halaman Penjualan 47

Gambar 3.18. Rancangan Halaman Peramalan 48

Gambar 4.1. Halaman Login 50

Gambar 4.2. Halaman Utama 51

Gambar 4.3. Halaman Kategori 51

x

Gambar 4.5. Halaman Produk 52

Gambar 4.6. Halaman Edit Produk 53

Gambar 4.7. Halaman Penjualan 53

Gambar 4.8. Halaman Peramalan 54

Gambar 4.9. Contoh Peramalan Untuk 3 Bulan 55

Gambar 4.10. Hasil Peramalan Data Training 57

Gambar 4.11. Grafik Aktual Penjualan Batik 58

Gambar 4.12. Grafik Peramalan Penjualan Batik 59 Gambar 4.13. Grafik Aktual - Peramalan Penjualan Batik 60