Penerapan Jaringan Syaraf Tiruan Menggun
Penerapan Jaringan Syaraf Tiruan Menggunakan Algoritma
Backpropagation untuk Memprediksi Jumlah Penjualan
Tunai dan Kredit Sepeda Motor
(Studi Kasus di Sentral Yamaha Lubuk Alung)
Febri Dristyan
e-mail: fdristyan@royal.ac.id
Abstrak
Banyak faktor yang mempengaruhi tinggi rendahnya tingkat penjualan di antaranya produk itu
sendiri, harga, distribusi, promosi dan layanan purna jual. Prakiraan tingkat penjualan yang tepat
dapat dijadikan rujukan guna menentukan keberlangsungan usaha dan tingkat keuntungan yang ingin
dicapai. Penelitian ini dilakukan untuk mempelajari prediksi penjualan tunai dan kredit sepeda motor
menggunakan Jaringan Syaraf Tiruan dengan Backpropagation yang diimplementasikan dengan
Matlab dan diharapkan dapat membantu memecahkan masalah penjualan tunai dan kredit sepeda
motor. Data yang telah diperoleh dikumpulkan kemudian diolah, dianalisis dan dipelajari. Jaringan
Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu
mensimulasikan proses pembelajaran pada otak manusia tersebut
Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation , Prediksi, Penjualan, software Matlab
1. PENDAHULUAN
Seiring
perkembangan
ilmu
pengetahuan dan teknologi yang sangat
pesat belakangan ini, di butuhkan
teknologi dalam segala bidang. Salah
satunya
adalah di bidang ekonomi
tentang penjualan , penjualan merupakan
salah satu tolak ukur keberhasilan dalam
suatu usaha perdagangan.
Banyak faktor yang mempengaruhi
tinggi rendahnya tingkat penjualan di
antaranya produk itu sendiri, harga,
distribusi, promosi dan layanan purna
jual. Prakiraan tingkat penjualan yang
tepat dapat dijadikan rujukan guna
menentukan keberlangsungan usaha dan
tingkat keuntungan yang ingin dicapai.
Untuk itu penelitian ini memanfaatkan
sistem kecerdasan buatan yang salah
satunya adalah Jaringan Syaraf Tiruan
yang di implementasikan ke dalam teknik
peramalan penjualan. Jaringan Syaraf
Tiruan merupakan salah satu representasi
buatan dari otak manusia yang selalu
mensimulasikan proses pembelajaran
pada otak manusia tersebut (Trimulya A.,
Syaifurrahman and Setyaningsih F.A.,
2015). Jaringan Syaraf Tiruan memiliki
beberapa
algoritma
untuk
proses
penghitungan, beberapa contoh algoritma
dari JST yaitu : ADALINE, Perceptron,
Backpropagation, MADALINE dan LVQ.
2. KAJIAN LITERATUR DAN
PEGEMBANGAN HIPOTESIS
2.1 Kecerdasan Buatan
Kecerdasan buatan adalah salah satu
bidang dalam ilmu komputer yang
membuat komputer agar dapat bertindak
dan sebaik seperti manusia (menirukan
kerja otak manusia) (Octavina Y and
Fadlil A, 2014). Pada kecerdasan buatan
ada 2 bagian utama yang sangat
dibutuhkan yaitu :
1. Basis
Pengetahuan
(Knowledge
Base),berisi
fakta-fakta,
teori
pemikiran dan hubungan antara satu
dengan yang lainnya.
2. Motor Inferensi (Inference Engine)
yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
Ada banyak jenis kecerdasan buatan
saat ini, beberapa diantaranya adalah
Jaringan Syaraf Tiruan, Logika Fuzzy,
Algoritma Genetik, Robotika dan Games.
2.2 Jaringan Syaraf Tiruan (JST)
Jaringan Saraf Tiruan (artificial neural
network) atau di singkat JST adalah
sistem komputasi dengan arsitektur dan
operasinya di ilhami dari pengetahuan
tentang sel saraf biologi di dalam otak.
JST dapat digambarkan sebagai model
matematis dan komputasi untuk fungsi
aproksimasi nonlinear , klasifikasi data,
cluster dan regresi non parametric atau
sebagai sebuah simulasi dari koleksi
model saraf biologi (Tanjung D.H., 2015).
2.2.1 Konsep Dasar JST
Setiap pola-pola informasi input dan
output yang diberikan ke dalam JST di
proses dalam neuron. Neuron-neuron
tersebut terkumpul di dalam lapisanlapisan yang disebut neuron layers.
Lapisan-lapisan penyusun JST tersebut
dapat dibagi menjadi 3 yaitu (Lesnussa
Y.A., Latuconsina S. and Persulessy E.R.,
2015) :
1. Lapisan Input, unit-unit di dalam
lapisan input disebut unit-unit input.
Unit-unit input tersebut menerima pola
inputan
data
dari
luar
yang
menggambarkan suatu permasalahan.
2. Lapisan Tersembunyi, unit-unit di
dalam lapisan tersembunyi disebut
unit-unit tersembunyi. Di mana
keluarannya tidak dapat secara
langsung diamati.
3. Lapisan Output, unit-unit di dalam
lapisan output disebut unit-unit output.
Output dari lapisan ini merupakan
solusi
JST
terhadap
suatu
permasalahan.
2.2.2 Arsitektur JST
Jaringan Syaraf Tiruan memiliki
beberapa arsitektur jaringan yang sering
digunakan dalam berbagai aplikasi
1. Jaringan Lapisan Tunggal (Single
Layer Network)
Jaringan dengan lapisan tunggal terdiri
dari 1 lapisan input dan 1 lapisan output.
Setiap neuron yang terdapat di dalam
lapisan input selalu terhubung dengan
setiap neuron yang terdapat pada lapisan
output. Jaringan ini hanya menerima input
kemudian
secara
langsung
akan
mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi. Contoh
algoritma Jaringan Syaraf Tiruan yang
menggunakan metode ini yaitu :
ADALINE,
Hofield,
Perceptron.
Arsitektur lapisan tunggal dapat dilihat
pada gambar 2.1.
Gambar 2.1 Arsitektur Lapisan
Tunggal
2. Jaringan Banyak Lapisan (Multilayer
Net)
Jaringan dengan lapisan jamak
memiliki ciri khas tertentu yaitu memiliki
3 jenis lapisan yakni lapisan input, lapisan
output dan lapisan tersembunyi. Jaringan
dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih
kompleks dibandingkan jaringan dengan
lapisan tunggal. Namun, proses pelatihan
sering membutuhkan
waktu yang
cenderung lama. Contoh algoritma
Jaringan
Syaraf
Tiruan
yang
menggunakan metode ini yaitu :
MADALINE,
Backpropagation,
Neocognitron. Arsitektur lapisan jamak
dapat dilihat pada gambar 2.2.
Gambar 2.2 Arsitektur Lapisan
Multilayer
3. Jaringan
Lapisan
Kompetitif
(Competitive Layer)
Pada jaringan ini sekumpulan neuron
bersaing untuk mendapatkan hak menjadi
aktif.
Contoh
algoritma
yang
menggunakan jaringan ini adalah LVQ.
Arsitektur lapisan kompetitif dapat dilihat
pada gambar 2.3.
Gambar 2.3 Arsitektur Lapisan
Kompetitif
2.2.3 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian
penting dalam tahapan perhitungan
keluaran dari suatu algoritma. Dalam
backpropagation, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat
yaitu kontinu, terdiferensial dengan
mudah dan merupakan fungsi yang tidak
turun. Salah satu fungsi yang memenuhi
ketiga syarat tersebut sehingga sering
dipakai adalah fungsi sigmoid biner yang
memiliki
range
(0,1).Diberikan
� � =
................................(2)
+ −�
dengan turunan
− � � .....................(3)
. �′ � = � �
Grafik fungsi aktivasi sigmoid biner
tampak pada gambar 2.4.
sigmoid
hanya
padalapisan
yang
bukanlapisan keluaran. Pada lapisan
keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
Gambar 2.4 Fungsi Aktivasi Sigmoid Biner
2.4 Peramalan / Prediksi
Peramalan adalah seni dan ilmu
memprediksi/memperkirakan peristiwaperistiwa yang akan terjadi dengan
menggunakan
data
historis
dan
memproyeksikannya ke masa depan
dengan beberapa bentuk model matematis
(Haryanto
S.A.F.,
Ernawati
and
Puspitaningrum
D.,
2015).
Peramalan/perkiraan atau pengukuran
dapat dilakukan secara kualitatif maupun
kuantitatif.
Dalam prakteknya terdapat berbagai
metode peramalan antara lain :
1. Time Series (Deret waktu)
2. Exponential Smoothing (Penghalusan
Eksponensial)
3. Moving Average (Rata-rata bergerak)
4. Mean Square Error
Ada 4 jenis pola data dalam peramalan
Time Series (Pakaja F.,et al, 2012) yaitu :
1. Trend : Pola data tren menunjukkan
pergerakan data cenderung meningkat
atau menurun dalam waktu yang lama
2. Seasonality (musiman) : Pola data
musiman terbentuk karena faktor
musiman, seperti cuaca dan liburan.
3. Cycles (siklus) : Pola data siklus
terjadi jika variasi data bergelombang
pada durasi lebihdari satu tahun
dipengaruhi oleh factor politik,
Fungsi lain yang sering dipakai adalah
fungsi sigmoid bipolar yang bentuk
fungsinya mirip dengan fungsi sigmoid
biner , tapi dengan range (-1,1). Diberikan
� � =
−
+ −�
dengan turunan
�′ � =
( +
...............................(4)
� ) −
�
.......................(5)
Grafik fungsi aktivasi sigmoid
bipolar tampak pada gambar 2.5
(Lesnussa Y.A. et al, 2015).
Gambar 2.5 Fungsi Aktivasi Sigmoid
Bipolar
Fungsi sigmoid memiliki nilai
maksimum = 1. Maka untuk pola yang
targetnya lebih dari 1, pola masukan dan
keluaran
harus
terlebih
dahulu
ditransformasi sehingga semua polanya
memiliki range yang sama seperti fungsi
sigmoid yang dipakai. Alternatif lain
adalah menggunakan fungsi aktivasi
2.3 Backpropagation
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan biasanya
digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot-bobot
yang berhubungan dengan neuron-neuron
yang ada pada lapisan tersembunyinya
(Tanjung D.H., 2015).
Tahap pelatihan dengan menggunakan
metode backpropagation terdiri dari tiga
fase, yaitu fase propagasi maju, fase
propagasi mundur dan fase perubahan
bobot. Ketiga fase tersebut diulang terus
menerus hingga kondisi penghentian
dipenuhi. Umumnya kondisi penghentian
yang sering dipakai adalah jumlah iterasi
atau kesalahan atau target error (Trimulya
A et al, 2015)
perubahan ekonomi (ekspansi atau
kontraksi) yang dikenal dengan siklus
usaha.
4. Horizontal/Stasionary/Random
variation : Pola ini terjadi jika data
berfluktuasi di sekitar nilai rata-rata
secara acak tanpa membentuk pola
yang jelas seperti pola musiman, trend
ataupun siklus.
3. METODE PENELITIAN
Pada bagian ini diuraikan kerangka
kerja dalam penelitian yang akan
memandu pekerjaan yang akan dilalukan
agar senantiasa fokus pada tujuan
penelitian
1.Mendeskripsikan
Masalah
6.Analisis Teknik
Jaringan Syaraf Tiruan
7.Pengujian
Algoritma
Backpropagation
2.Menganalisa
Permasalahan
3.Menentukan
Tujuan
5.Pengumpulan
Data
4.Menentukan
Literatur
8.Pengolahan Data
dengan Matlab
9.Melakukan
Pengujian Hasil
4. HASIL DAN PEMBAHASAN
Untuk mengaplikasikan Jaringan Syaraf
Tiruan untuk prediksi penjualan sepeda
motor secara kredit dan tunai terdapat
beberapa hal yang harus didefinisikan
yaitu :
1. Input atau masukan
Input atau masukan utama dari
prediksi penjualan sepeda motor secara
tunai dan kredit ada bebeapa input yang
akan digunakan yaitu penjualan bulanan
dari tahun 2014-2016.
Tabel 4.1 Data Penjualan Tunai Sepeda
Motor
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 16 14 14 18 15 11 23 27 10 26 17 18
2 2015 20 18 10 17 10 12 21 19 19 12 13 12
3 2016 14 6 11 4 5 5 15 8 8 8 2 10
Tabel 4.2 Data Penjualan Kredit Sepeda
Motor
No Tahun
1 2014
2 2015
3 2016
JAN
76
77
45
FEB
117
85
41
MAR
80
54
49
APR
82
45
42
MEI
109
107
41
JUN
110
80
65
JUL
133
114
74
AGU
132
121
56
SEP
97
90
53
OKT
81
66
41
Jadi agar variabel masukan dikenali oleh
jaringan dan sekaligus dapat diproses
menggunakan perangkat lunak, maka data
harus diubah kedalam bentuk sebagai
berikut x1 = Januari, x2 = Februari, x3 =
Maret, x4 = April, x5 = Mei, x6 = Juni, x7 =
Juli, x8 = Agustus, x9 = September, x10 =
Oktober, x11 = November, x12 = Desember.
2. Output atau Keluaran
Output atau keluaran yang dihasilkan
oleh sistem disini yaitu target penjualan
untuk bulan berikutnya dari hasil prediksi
penjualan sepeda motor secara tunai dan
kredit.
Dalam penelitian ini menggunakan
fungsi aktivasi sigmoid (biner), maka data
harus di transformasikan dulu karena
range keluaran fungsi aktivasi sigmoid
adalah [0,1]. Data bisa ditransformasikan
ke interval [0,1]. Tapi akan lebih baik
jika ditransformasikan ke interval lebih
kecil, misal pada interval [0.1, 0.9]. Ini
mengingat fungsi sigmoid merupakan
fungsi asimtomik yang nilainya tidak
pernah mencapai 0 ataupun 1.
Jika a adalah data minimum dan b
adalah data maksimum, transformasi
linier
yang
dipakai
untuk
mentransformasikan data ke interval [0.1,
0.9] adalah
.8∗ �−
x’n =
+ .
−
Keterangan :
0.8 = Ketetapan
x = Nilai data ke –n
a = Nilai data terendah (data
terendah dari setiap input)
b = Nilai data tertinggi (data
tertinggi dari setiap input)
sehingga
mehasilkan
data
hasil
transformasi sebagai berikut :
NOV
72
93
39
DES
104
73
45
Tabel 4.3 Data Penjualan Tunai Hasil
Transformasi
Tabel 4.5 Data Pelatihan dan Pengujian
Tunai
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 0,5480 0,4840 0,4840 0,6120 0,5160 0,3880 0,7720 0,9000 0,3560 0,8680 0,5800 0,6120
2 2015 0,6760 0,6120 0,3560 0,5800 0,3560 0,4200 0,7080 0,6440 0,6440 0,4200 0,4520 0,4200
3 2016 0,4840 0,2280 0,3880 0,1640 0,1960 0,1960 0,5160 0,2920 0,2920 0,2920 0,1000 0,3560
Tabel 4.4 Data Penjualan Kredit Hasil
Transformasi
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 0,4149 0,7638 0,4489 0,4660 0,6957 0,7043 0,9000 0,8915 0,5936 0,4574 0,3809 0,6532
2 2015 0,4234 0,4915 0,2277 0,1511 0,6787 0,4489 0,7383 0,7979 0,5340 0,3298 0,5596 0,3894
3 2016 0,1511 0,1170 0,1851 0,1255 0,1170 0,3213 0,3979 0,2447 0,2191 0,1170 0,1000 0,1511
Data pelatihan menggunakan data
penjualan tunai sepeda motor pada bulan
ke 1-24 (tahun 2014-2015) dengan
menggunakan target dipakai data bulan ke
13-24 (tahun 2015), sedangkan data
pengujian menggunakan data penjualan
tunai pada bulan ke13-36 (tahun 20152016) dengan menggunakan data target
dipakai data bukan ke 25-36 (tahun 2016).
Begitu pula untuk data kredit data
pelatihan menggunakan data penjualan
kredit sepeda motor pada bulan ke 1-24
(tahun 2014-2015) dengan menggunakan
target dipakai data bulan ke 13-24 (tahun
2015), sedangkan data uji menggunakan
data penjualan tunai pada bulan ke13-36
(tahun 2015-2016) dengan menggunakan
data target dipakai data bulan ke 25-36
(tahun 2016).
Data Latih Tunai
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,5480
0,4840
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
x2
0,4840
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
x3
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
x4
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
x5
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
x2
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
x3
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
x4
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
x5
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
x6
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
x7
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
x8
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
x9
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
x10
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
x11
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
x12
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
Target
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
x9
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
x10
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
x11
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
x12
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
0,1000
Target
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
0,1000
0,3560
Data Uji Tunai
x6
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
x7
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
x8
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
Tabel 4.6 Data Pelatihan dan Pengujian
Kredit
Data Latih Kredit
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,4149
0,7638
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
x2
0,7638
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
x3
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
x4
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
x5
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
x2
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
x3
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
x4
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
x5
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
x6
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
x7
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
x8
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
x9
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
x10
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
x11
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
x12
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
Target
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
x9
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
x10
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
x11
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
x12
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
0,1000
Target
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
0,1000
0,1511
Data Uji Kredit
x6
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
x7
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
x8
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
Untuk pelatihan dan pengujian data
penjualan tunai dan kredit dilakukan
dengan 5 pola arsitektur yaitu :
1. 12-2-1
2. 12-3-1
3. 12-4-1
4. 12-5-1
5. 12-6-1
Dengan menggunakan 5 pola arsitektur
tersebut didapatkan hasil terbaik sebagai
berikut untuk prediksi penjualan tunai:
Tabel 4.7 Hasil Pengolahan dengan
Matlab
Berdasarkan
Pembagian
Jumlah Data dan Arsitektur
Data
% Kebenaran
No. Pelatihan Pengujian Pola Arsitektur epochs Performance Pengujian Pelatihan Ket
1
12-02-01
5835
0,001 41,67% 58,33%
2
12-03-01
6098
0,000998 75% 75% Terbaik
3
12
12
12-04-01
2641
0,000997 83,33% 50%
4
12-05-01
1326
0,000999 41,67% 50%
5
12-06-01
1294
0,000999 66,67% 41,67%
Dari 5 kali percobaan yang telah
dilakukan dengan pola arsitektur yang
berbeda-beda. Untuk pelatihan nilai
persentase kebenaran yang paling tinggi
adalah 75% dan paling rendah 41,67%.
Sedangkan
pada
pengujian
nilai
persentase kebenaran tertinggi adalah
83,33% dan yang terendah adalah
41,67%. Terlihat bahwa pada proses
pelatihan dengan beberapa neuron pada
lapisan tersembunyi yang ketepatan
prediksinya mendekati adalah pola Jaringa
Syaraf Tiruan dengan arsitektur 12-3-1
yang memberikan hasil prediksi sebesar
75% dengan nilai performance (MSE)
0,000998 dengan epochs (iterasi) sebesar
6036
Dan untuk prediksi penjualan kredit
nya didapatkan hasil yang terbaik sebagai
berikut :
Tabel 4.8 Hasil Pengolahan dengan
Matlab
Berdasarkan
Pembagian
Jumlah Data dan Arsitektur.
No. Data
Pola Arsitektur epochs Performance % Kebenaran
Pengujian Pelatihan Ket
Pelatihan Pengujian
1
12-02-01
8412
9,97E-05 25% 25%
2
12-03-01
1011
9,83E-05 50% 33,33%
3
12
12
12-04-01
1228
9,95E-05 58,33% 50% Terbaik
4
12-05-01
1692
9,86E-05 41,67% 50%
5
12-06-01
5076
9,99E-05 66,67% 41,67%
Dari 5 kali percobaan yang telah
dilakukan dengan pola arsitektur yang
berbeda-beda. Untuk pelatihan nilai
persentase kebenaran yang paling tinggi
adalah 50% dan paling rendah 25%.
Sedangkan
pada
pengujian
nilai
persentase kebenaran tertinggi adalah
66,67% dan yang terendah adalah 25%.
Terlihat bahwa pada proses pelatihan
dengan beberapa neuron pada lapisan
tersembunyi yang ketepatan prediksinya
mendekati adalah pola JST dengan
arsitektur 12-4-1 yang memberikan hasil
prediksi sebesar 54,165% dengan nilai
performance (MSE) 9,95e-05 dengan
epochs (iterasi) sebesar 1228.
5. KESIMPULAN dan SARAN
5.1 Kesimpulan
Dari penelitian dan penjelasan pada
bab sebelumnya dapat ditarik beberapa
kesimpulan diantaranya :
1. Dari penelitian ini menunjukan
Jaringan Syaraf Tiruan dengan
munggunakan
Algoritma
Backpropagation cukup baik untuk
memprediksi jumlah penjualan tunai
dan kredit sepeda motor.
2. Aplikasi Matlab sangat membantu
untuk
melakukan
penghitungan
prediksi penjualan tunai dan kredit
sepeda motor. Akurasi dan ketepatan
dalam
Jaringan
Syaraf
Tiruan
tergantung pada data yang akan diuji
dan pola arsitektur yang dipakai dalam
pengujian. Semakin banyak data dan
pola yang digunakan maka tingkat
akurasi dan ketapatan prediksi nya
akan semakin tinggi pula.
5.2 Saran
Berdasaran hasil penelitian yang
dilakukan, maka penulis memberikan
saran-saran sebagai berikut :
1. Untuk penelitian lebih lanjut, jumlah
data yang digunakan dalam pelatihan
maupun dalam pengujian sebaiknya
ditambah karena semakin banyak data
yang diproses, maka kemungkinan
besar hasil yang diperoleh akan
semakin baik, sehingga hasil prediksi
juga
semakin
mendekati
data
sebenarnya.
2. Penelitian lebih lanjut dapat dilakukan
dengan
mencoba
menggunakan
metode atau algoritma yang lain dan
membandingkannya dengan algoritma
Backpropagation.
3. Aplikasi algortima Backpropagation
ini sangat membantu untuk pihak
Sentral Yamaha dalam memprediksi
jumlah penjualan tunai dan kredit
untuk bulan-bulan berikutnya.
6. REFERENSI
[1] Agus, Samuel H, F., Puspitaningrum,
D. & Ernawati, 2015 "Implementasi
Jaringan Syaraf Tiruan Backpropagation
Untuk Memprediksi Cuaca (Studi Kasus
: Kota Bengkulu )" . Jurnal Rekursif,
Vol. 3 No.2 November 2015, ISSN
2303-0755
[2] Chaudhuri, T. & Ghosh, I., 2015
"Forecasting Volatility in Indian Stock
Market using Artificial Neural Network
with Multiple Inputs and Outputs ".
International Journal of Computer
Applications (0975 – 8887) Volume 120
– No.8, June 2015.
[3] Febrina, M., Arina, F. & Ekawati, R.,
2013, "Peramalan Jumlah Permintaan
Produksi Menggunakan Metode
Jaringan Syaraf Tiruan (JST)
Backpropagation" . Jurnal Teknik
Industri, Vol.1, No.2, Juni 2013,
pp.174-179 ISSN 2302-495X.
[4] Grigoryan, H., 2015. "Stock Market
Prediction Using Artificial Neural
Networks Case Study of TAL1T, Nasdaq
OMX Baltic Stock" . Database Systems
Journal, Vol VI No2/2015.
[5] Jaya, J., Masayu, L.K. &
Cahyawijaya, S., 2015. "Model Prediksi
Harga Saham dengan Jaringan Syaraf
Tiruan" . Konferensi Nasional
Informatika (KNIF) 2015, pp.94–99.
[6] Lesnussa, Y.A., Latuconsina, S. &
Persulessy, E.R.., 2015. "Aplikasi
Jaringan Saraf Tiruan Backpropagation
untuk Memprediksi Prestasi Siswa SMA (
Studi kasus : Prediksi Prestasi Siswa
SMAN 4 Ambon )" . Jurnal Matematika
Integratif, Vol 11(No.2), Oktober 2015,
pp.149–160.
[7] Octavina, Y. & Fadlil, A., 2014.
"Sistem Pakar Untuk Mendiagnosa
Penyakit Pada Saluran Pernafasan dan
Paru Menggunakan Metode Certainly
Factor" . Jurnal Sarjana Teknik
Informatika, Vol 2 No.2 Juni 2014
pp.1–5.
[8] Pakaja, F., Naba, A. & Purwanto.,
2012. "Peramalan Penjualan Mobil
Menggunakan Jaringan Syaraf Tiruan
dan Certainty Factor" . Jurnal EECCIS,
Vol 6 No 1 Juni 2012.
[9] Sudarsono, A., 2016. "Jaringan Syaraf
Tiruan Untuk Memprediksi Laju
Pertumbuhan Penduduk Menggunakan
Metode Backpropagation (Studi Kasus di
Kota Bengkulu)". Jurnal Media
Infotama, Vol. 12 No. 1 Februari 2016,
pp.61–69.
[10] Tanjung, D.H., 2016. "Jaringan Saraf
Tiruan dengan Backpropagation untuk
Memprediksi Penyakit Asma" . Jurnal
Citec, Vol 2 No 1 November 2014,
pp.28–38.
[11] Trimulya, A., Syaifurrahman &
Setyaningsih, F.A., 2015. "Implementasi
Jaringan Syaraf Tiruan Metode
Backpropagation Untuk Memprediksi
Harga Saham" . Jurnal Coding, Vol 3
No 2 2015, pp.66–75.
Backpropagation untuk Memprediksi Jumlah Penjualan
Tunai dan Kredit Sepeda Motor
(Studi Kasus di Sentral Yamaha Lubuk Alung)
Febri Dristyan
e-mail: fdristyan@royal.ac.id
Abstrak
Banyak faktor yang mempengaruhi tinggi rendahnya tingkat penjualan di antaranya produk itu
sendiri, harga, distribusi, promosi dan layanan purna jual. Prakiraan tingkat penjualan yang tepat
dapat dijadikan rujukan guna menentukan keberlangsungan usaha dan tingkat keuntungan yang ingin
dicapai. Penelitian ini dilakukan untuk mempelajari prediksi penjualan tunai dan kredit sepeda motor
menggunakan Jaringan Syaraf Tiruan dengan Backpropagation yang diimplementasikan dengan
Matlab dan diharapkan dapat membantu memecahkan masalah penjualan tunai dan kredit sepeda
motor. Data yang telah diperoleh dikumpulkan kemudian diolah, dianalisis dan dipelajari. Jaringan
Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu
mensimulasikan proses pembelajaran pada otak manusia tersebut
Kata Kunci : Jaringan Syaraf Tiruan, Backpropagation , Prediksi, Penjualan, software Matlab
1. PENDAHULUAN
Seiring
perkembangan
ilmu
pengetahuan dan teknologi yang sangat
pesat belakangan ini, di butuhkan
teknologi dalam segala bidang. Salah
satunya
adalah di bidang ekonomi
tentang penjualan , penjualan merupakan
salah satu tolak ukur keberhasilan dalam
suatu usaha perdagangan.
Banyak faktor yang mempengaruhi
tinggi rendahnya tingkat penjualan di
antaranya produk itu sendiri, harga,
distribusi, promosi dan layanan purna
jual. Prakiraan tingkat penjualan yang
tepat dapat dijadikan rujukan guna
menentukan keberlangsungan usaha dan
tingkat keuntungan yang ingin dicapai.
Untuk itu penelitian ini memanfaatkan
sistem kecerdasan buatan yang salah
satunya adalah Jaringan Syaraf Tiruan
yang di implementasikan ke dalam teknik
peramalan penjualan. Jaringan Syaraf
Tiruan merupakan salah satu representasi
buatan dari otak manusia yang selalu
mensimulasikan proses pembelajaran
pada otak manusia tersebut (Trimulya A.,
Syaifurrahman and Setyaningsih F.A.,
2015). Jaringan Syaraf Tiruan memiliki
beberapa
algoritma
untuk
proses
penghitungan, beberapa contoh algoritma
dari JST yaitu : ADALINE, Perceptron,
Backpropagation, MADALINE dan LVQ.
2. KAJIAN LITERATUR DAN
PEGEMBANGAN HIPOTESIS
2.1 Kecerdasan Buatan
Kecerdasan buatan adalah salah satu
bidang dalam ilmu komputer yang
membuat komputer agar dapat bertindak
dan sebaik seperti manusia (menirukan
kerja otak manusia) (Octavina Y and
Fadlil A, 2014). Pada kecerdasan buatan
ada 2 bagian utama yang sangat
dibutuhkan yaitu :
1. Basis
Pengetahuan
(Knowledge
Base),berisi
fakta-fakta,
teori
pemikiran dan hubungan antara satu
dengan yang lainnya.
2. Motor Inferensi (Inference Engine)
yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
Ada banyak jenis kecerdasan buatan
saat ini, beberapa diantaranya adalah
Jaringan Syaraf Tiruan, Logika Fuzzy,
Algoritma Genetik, Robotika dan Games.
2.2 Jaringan Syaraf Tiruan (JST)
Jaringan Saraf Tiruan (artificial neural
network) atau di singkat JST adalah
sistem komputasi dengan arsitektur dan
operasinya di ilhami dari pengetahuan
tentang sel saraf biologi di dalam otak.
JST dapat digambarkan sebagai model
matematis dan komputasi untuk fungsi
aproksimasi nonlinear , klasifikasi data,
cluster dan regresi non parametric atau
sebagai sebuah simulasi dari koleksi
model saraf biologi (Tanjung D.H., 2015).
2.2.1 Konsep Dasar JST
Setiap pola-pola informasi input dan
output yang diberikan ke dalam JST di
proses dalam neuron. Neuron-neuron
tersebut terkumpul di dalam lapisanlapisan yang disebut neuron layers.
Lapisan-lapisan penyusun JST tersebut
dapat dibagi menjadi 3 yaitu (Lesnussa
Y.A., Latuconsina S. and Persulessy E.R.,
2015) :
1. Lapisan Input, unit-unit di dalam
lapisan input disebut unit-unit input.
Unit-unit input tersebut menerima pola
inputan
data
dari
luar
yang
menggambarkan suatu permasalahan.
2. Lapisan Tersembunyi, unit-unit di
dalam lapisan tersembunyi disebut
unit-unit tersembunyi. Di mana
keluarannya tidak dapat secara
langsung diamati.
3. Lapisan Output, unit-unit di dalam
lapisan output disebut unit-unit output.
Output dari lapisan ini merupakan
solusi
JST
terhadap
suatu
permasalahan.
2.2.2 Arsitektur JST
Jaringan Syaraf Tiruan memiliki
beberapa arsitektur jaringan yang sering
digunakan dalam berbagai aplikasi
1. Jaringan Lapisan Tunggal (Single
Layer Network)
Jaringan dengan lapisan tunggal terdiri
dari 1 lapisan input dan 1 lapisan output.
Setiap neuron yang terdapat di dalam
lapisan input selalu terhubung dengan
setiap neuron yang terdapat pada lapisan
output. Jaringan ini hanya menerima input
kemudian
secara
langsung
akan
mengolahnya menjadi output tanpa harus
melalui lapisan tersembunyi. Contoh
algoritma Jaringan Syaraf Tiruan yang
menggunakan metode ini yaitu :
ADALINE,
Hofield,
Perceptron.
Arsitektur lapisan tunggal dapat dilihat
pada gambar 2.1.
Gambar 2.1 Arsitektur Lapisan
Tunggal
2. Jaringan Banyak Lapisan (Multilayer
Net)
Jaringan dengan lapisan jamak
memiliki ciri khas tertentu yaitu memiliki
3 jenis lapisan yakni lapisan input, lapisan
output dan lapisan tersembunyi. Jaringan
dengan banyak lapisan ini dapat
menyelesaikan permasalahan yang lebih
kompleks dibandingkan jaringan dengan
lapisan tunggal. Namun, proses pelatihan
sering membutuhkan
waktu yang
cenderung lama. Contoh algoritma
Jaringan
Syaraf
Tiruan
yang
menggunakan metode ini yaitu :
MADALINE,
Backpropagation,
Neocognitron. Arsitektur lapisan jamak
dapat dilihat pada gambar 2.2.
Gambar 2.2 Arsitektur Lapisan
Multilayer
3. Jaringan
Lapisan
Kompetitif
(Competitive Layer)
Pada jaringan ini sekumpulan neuron
bersaing untuk mendapatkan hak menjadi
aktif.
Contoh
algoritma
yang
menggunakan jaringan ini adalah LVQ.
Arsitektur lapisan kompetitif dapat dilihat
pada gambar 2.3.
Gambar 2.3 Arsitektur Lapisan
Kompetitif
2.2.3 Fungsi Aktivasi
Fungsi aktivasi merupakan bagian
penting dalam tahapan perhitungan
keluaran dari suatu algoritma. Dalam
backpropagation, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat
yaitu kontinu, terdiferensial dengan
mudah dan merupakan fungsi yang tidak
turun. Salah satu fungsi yang memenuhi
ketiga syarat tersebut sehingga sering
dipakai adalah fungsi sigmoid biner yang
memiliki
range
(0,1).Diberikan
� � =
................................(2)
+ −�
dengan turunan
− � � .....................(3)
. �′ � = � �
Grafik fungsi aktivasi sigmoid biner
tampak pada gambar 2.4.
sigmoid
hanya
padalapisan
yang
bukanlapisan keluaran. Pada lapisan
keluaran, fungsi aktivasi yang dipakai
adalah fungsi identitas : f(x) = x.
Gambar 2.4 Fungsi Aktivasi Sigmoid Biner
2.4 Peramalan / Prediksi
Peramalan adalah seni dan ilmu
memprediksi/memperkirakan peristiwaperistiwa yang akan terjadi dengan
menggunakan
data
historis
dan
memproyeksikannya ke masa depan
dengan beberapa bentuk model matematis
(Haryanto
S.A.F.,
Ernawati
and
Puspitaningrum
D.,
2015).
Peramalan/perkiraan atau pengukuran
dapat dilakukan secara kualitatif maupun
kuantitatif.
Dalam prakteknya terdapat berbagai
metode peramalan antara lain :
1. Time Series (Deret waktu)
2. Exponential Smoothing (Penghalusan
Eksponensial)
3. Moving Average (Rata-rata bergerak)
4. Mean Square Error
Ada 4 jenis pola data dalam peramalan
Time Series (Pakaja F.,et al, 2012) yaitu :
1. Trend : Pola data tren menunjukkan
pergerakan data cenderung meningkat
atau menurun dalam waktu yang lama
2. Seasonality (musiman) : Pola data
musiman terbentuk karena faktor
musiman, seperti cuaca dan liburan.
3. Cycles (siklus) : Pola data siklus
terjadi jika variasi data bergelombang
pada durasi lebihdari satu tahun
dipengaruhi oleh factor politik,
Fungsi lain yang sering dipakai adalah
fungsi sigmoid bipolar yang bentuk
fungsinya mirip dengan fungsi sigmoid
biner , tapi dengan range (-1,1). Diberikan
� � =
−
+ −�
dengan turunan
�′ � =
( +
...............................(4)
� ) −
�
.......................(5)
Grafik fungsi aktivasi sigmoid
bipolar tampak pada gambar 2.5
(Lesnussa Y.A. et al, 2015).
Gambar 2.5 Fungsi Aktivasi Sigmoid
Bipolar
Fungsi sigmoid memiliki nilai
maksimum = 1. Maka untuk pola yang
targetnya lebih dari 1, pola masukan dan
keluaran
harus
terlebih
dahulu
ditransformasi sehingga semua polanya
memiliki range yang sama seperti fungsi
sigmoid yang dipakai. Alternatif lain
adalah menggunakan fungsi aktivasi
2.3 Backpropagation
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan biasanya
digunakan oleh perceptron dengan banyak
lapisan untuk mengubah bobot-bobot
yang berhubungan dengan neuron-neuron
yang ada pada lapisan tersembunyinya
(Tanjung D.H., 2015).
Tahap pelatihan dengan menggunakan
metode backpropagation terdiri dari tiga
fase, yaitu fase propagasi maju, fase
propagasi mundur dan fase perubahan
bobot. Ketiga fase tersebut diulang terus
menerus hingga kondisi penghentian
dipenuhi. Umumnya kondisi penghentian
yang sering dipakai adalah jumlah iterasi
atau kesalahan atau target error (Trimulya
A et al, 2015)
perubahan ekonomi (ekspansi atau
kontraksi) yang dikenal dengan siklus
usaha.
4. Horizontal/Stasionary/Random
variation : Pola ini terjadi jika data
berfluktuasi di sekitar nilai rata-rata
secara acak tanpa membentuk pola
yang jelas seperti pola musiman, trend
ataupun siklus.
3. METODE PENELITIAN
Pada bagian ini diuraikan kerangka
kerja dalam penelitian yang akan
memandu pekerjaan yang akan dilalukan
agar senantiasa fokus pada tujuan
penelitian
1.Mendeskripsikan
Masalah
6.Analisis Teknik
Jaringan Syaraf Tiruan
7.Pengujian
Algoritma
Backpropagation
2.Menganalisa
Permasalahan
3.Menentukan
Tujuan
5.Pengumpulan
Data
4.Menentukan
Literatur
8.Pengolahan Data
dengan Matlab
9.Melakukan
Pengujian Hasil
4. HASIL DAN PEMBAHASAN
Untuk mengaplikasikan Jaringan Syaraf
Tiruan untuk prediksi penjualan sepeda
motor secara kredit dan tunai terdapat
beberapa hal yang harus didefinisikan
yaitu :
1. Input atau masukan
Input atau masukan utama dari
prediksi penjualan sepeda motor secara
tunai dan kredit ada bebeapa input yang
akan digunakan yaitu penjualan bulanan
dari tahun 2014-2016.
Tabel 4.1 Data Penjualan Tunai Sepeda
Motor
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 16 14 14 18 15 11 23 27 10 26 17 18
2 2015 20 18 10 17 10 12 21 19 19 12 13 12
3 2016 14 6 11 4 5 5 15 8 8 8 2 10
Tabel 4.2 Data Penjualan Kredit Sepeda
Motor
No Tahun
1 2014
2 2015
3 2016
JAN
76
77
45
FEB
117
85
41
MAR
80
54
49
APR
82
45
42
MEI
109
107
41
JUN
110
80
65
JUL
133
114
74
AGU
132
121
56
SEP
97
90
53
OKT
81
66
41
Jadi agar variabel masukan dikenali oleh
jaringan dan sekaligus dapat diproses
menggunakan perangkat lunak, maka data
harus diubah kedalam bentuk sebagai
berikut x1 = Januari, x2 = Februari, x3 =
Maret, x4 = April, x5 = Mei, x6 = Juni, x7 =
Juli, x8 = Agustus, x9 = September, x10 =
Oktober, x11 = November, x12 = Desember.
2. Output atau Keluaran
Output atau keluaran yang dihasilkan
oleh sistem disini yaitu target penjualan
untuk bulan berikutnya dari hasil prediksi
penjualan sepeda motor secara tunai dan
kredit.
Dalam penelitian ini menggunakan
fungsi aktivasi sigmoid (biner), maka data
harus di transformasikan dulu karena
range keluaran fungsi aktivasi sigmoid
adalah [0,1]. Data bisa ditransformasikan
ke interval [0,1]. Tapi akan lebih baik
jika ditransformasikan ke interval lebih
kecil, misal pada interval [0.1, 0.9]. Ini
mengingat fungsi sigmoid merupakan
fungsi asimtomik yang nilainya tidak
pernah mencapai 0 ataupun 1.
Jika a adalah data minimum dan b
adalah data maksimum, transformasi
linier
yang
dipakai
untuk
mentransformasikan data ke interval [0.1,
0.9] adalah
.8∗ �−
x’n =
+ .
−
Keterangan :
0.8 = Ketetapan
x = Nilai data ke –n
a = Nilai data terendah (data
terendah dari setiap input)
b = Nilai data tertinggi (data
tertinggi dari setiap input)
sehingga
mehasilkan
data
hasil
transformasi sebagai berikut :
NOV
72
93
39
DES
104
73
45
Tabel 4.3 Data Penjualan Tunai Hasil
Transformasi
Tabel 4.5 Data Pelatihan dan Pengujian
Tunai
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 0,5480 0,4840 0,4840 0,6120 0,5160 0,3880 0,7720 0,9000 0,3560 0,8680 0,5800 0,6120
2 2015 0,6760 0,6120 0,3560 0,5800 0,3560 0,4200 0,7080 0,6440 0,6440 0,4200 0,4520 0,4200
3 2016 0,4840 0,2280 0,3880 0,1640 0,1960 0,1960 0,5160 0,2920 0,2920 0,2920 0,1000 0,3560
Tabel 4.4 Data Penjualan Kredit Hasil
Transformasi
No Tahun JAN FEB MAR APR MEI JUN JUL AGU SEP OKT NOV DES
1 2014 0,4149 0,7638 0,4489 0,4660 0,6957 0,7043 0,9000 0,8915 0,5936 0,4574 0,3809 0,6532
2 2015 0,4234 0,4915 0,2277 0,1511 0,6787 0,4489 0,7383 0,7979 0,5340 0,3298 0,5596 0,3894
3 2016 0,1511 0,1170 0,1851 0,1255 0,1170 0,3213 0,3979 0,2447 0,2191 0,1170 0,1000 0,1511
Data pelatihan menggunakan data
penjualan tunai sepeda motor pada bulan
ke 1-24 (tahun 2014-2015) dengan
menggunakan target dipakai data bulan ke
13-24 (tahun 2015), sedangkan data
pengujian menggunakan data penjualan
tunai pada bulan ke13-36 (tahun 20152016) dengan menggunakan data target
dipakai data bukan ke 25-36 (tahun 2016).
Begitu pula untuk data kredit data
pelatihan menggunakan data penjualan
kredit sepeda motor pada bulan ke 1-24
(tahun 2014-2015) dengan menggunakan
target dipakai data bulan ke 13-24 (tahun
2015), sedangkan data uji menggunakan
data penjualan tunai pada bulan ke13-36
(tahun 2015-2016) dengan menggunakan
data target dipakai data bulan ke 25-36
(tahun 2016).
Data Latih Tunai
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,5480
0,4840
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
x2
0,4840
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
x3
0,4840
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
x4
0,6120
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
x5
0,5160
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
x2
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
x3
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
x4
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
x5
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
x6
0,3880
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
x7
0,7720
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
x8
0,9000
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
x9
0,3560
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
x10
0,8680
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
x11
0,5800
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
x12
0,6120
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
Target
0,6760
0,6120
0,3560
0,5800
0,3560
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
x9
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
x10
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
x11
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
x12
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
0,1000
Target
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
0,2920
0,2920
0,2920
0,1000
0,3560
Data Uji Tunai
x6
0,4200
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
x7
0,7080
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
x8
0,6440
0,6440
0,4200
0,4520
0,4200
0,4840
0,2280
0,3880
0,1640
0,1960
0,1960
0,5160
Tabel 4.6 Data Pelatihan dan Pengujian
Kredit
Data Latih Kredit
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,4149
0,7638
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
x2
0,7638
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
x3
0,4489
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
x4
0,4660
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
x5
0,6957
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
Pola
1
2
3
4
5
6
7
8
9
10
11
12
x1
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
x2
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
x3
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
x4
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
x5
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
x6
0,7043
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
x7
0,9000
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
x8
0,8915
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
x9
0,5936
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
x10
0,4574
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
x11
0,3809
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
x12
0,6532
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
Target
0,4234
0,4915
0,2277
0,1511
0,6787
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
x9
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
x10
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
x11
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
x12
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
0,1000
Target
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
0,2447
0,2191
0,1170
0,1000
0,1511
Data Uji Kredit
x6
0,4489
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
x7
0,7383
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
x8
0,7979
0,5340
0,3298
0,5596
0,3894
0,1511
0,1170
0,1851
0,1255
0,1170
0,3213
0,3979
Untuk pelatihan dan pengujian data
penjualan tunai dan kredit dilakukan
dengan 5 pola arsitektur yaitu :
1. 12-2-1
2. 12-3-1
3. 12-4-1
4. 12-5-1
5. 12-6-1
Dengan menggunakan 5 pola arsitektur
tersebut didapatkan hasil terbaik sebagai
berikut untuk prediksi penjualan tunai:
Tabel 4.7 Hasil Pengolahan dengan
Matlab
Berdasarkan
Pembagian
Jumlah Data dan Arsitektur
Data
% Kebenaran
No. Pelatihan Pengujian Pola Arsitektur epochs Performance Pengujian Pelatihan Ket
1
12-02-01
5835
0,001 41,67% 58,33%
2
12-03-01
6098
0,000998 75% 75% Terbaik
3
12
12
12-04-01
2641
0,000997 83,33% 50%
4
12-05-01
1326
0,000999 41,67% 50%
5
12-06-01
1294
0,000999 66,67% 41,67%
Dari 5 kali percobaan yang telah
dilakukan dengan pola arsitektur yang
berbeda-beda. Untuk pelatihan nilai
persentase kebenaran yang paling tinggi
adalah 75% dan paling rendah 41,67%.
Sedangkan
pada
pengujian
nilai
persentase kebenaran tertinggi adalah
83,33% dan yang terendah adalah
41,67%. Terlihat bahwa pada proses
pelatihan dengan beberapa neuron pada
lapisan tersembunyi yang ketepatan
prediksinya mendekati adalah pola Jaringa
Syaraf Tiruan dengan arsitektur 12-3-1
yang memberikan hasil prediksi sebesar
75% dengan nilai performance (MSE)
0,000998 dengan epochs (iterasi) sebesar
6036
Dan untuk prediksi penjualan kredit
nya didapatkan hasil yang terbaik sebagai
berikut :
Tabel 4.8 Hasil Pengolahan dengan
Matlab
Berdasarkan
Pembagian
Jumlah Data dan Arsitektur.
No. Data
Pola Arsitektur epochs Performance % Kebenaran
Pengujian Pelatihan Ket
Pelatihan Pengujian
1
12-02-01
8412
9,97E-05 25% 25%
2
12-03-01
1011
9,83E-05 50% 33,33%
3
12
12
12-04-01
1228
9,95E-05 58,33% 50% Terbaik
4
12-05-01
1692
9,86E-05 41,67% 50%
5
12-06-01
5076
9,99E-05 66,67% 41,67%
Dari 5 kali percobaan yang telah
dilakukan dengan pola arsitektur yang
berbeda-beda. Untuk pelatihan nilai
persentase kebenaran yang paling tinggi
adalah 50% dan paling rendah 25%.
Sedangkan
pada
pengujian
nilai
persentase kebenaran tertinggi adalah
66,67% dan yang terendah adalah 25%.
Terlihat bahwa pada proses pelatihan
dengan beberapa neuron pada lapisan
tersembunyi yang ketepatan prediksinya
mendekati adalah pola JST dengan
arsitektur 12-4-1 yang memberikan hasil
prediksi sebesar 54,165% dengan nilai
performance (MSE) 9,95e-05 dengan
epochs (iterasi) sebesar 1228.
5. KESIMPULAN dan SARAN
5.1 Kesimpulan
Dari penelitian dan penjelasan pada
bab sebelumnya dapat ditarik beberapa
kesimpulan diantaranya :
1. Dari penelitian ini menunjukan
Jaringan Syaraf Tiruan dengan
munggunakan
Algoritma
Backpropagation cukup baik untuk
memprediksi jumlah penjualan tunai
dan kredit sepeda motor.
2. Aplikasi Matlab sangat membantu
untuk
melakukan
penghitungan
prediksi penjualan tunai dan kredit
sepeda motor. Akurasi dan ketepatan
dalam
Jaringan
Syaraf
Tiruan
tergantung pada data yang akan diuji
dan pola arsitektur yang dipakai dalam
pengujian. Semakin banyak data dan
pola yang digunakan maka tingkat
akurasi dan ketapatan prediksi nya
akan semakin tinggi pula.
5.2 Saran
Berdasaran hasil penelitian yang
dilakukan, maka penulis memberikan
saran-saran sebagai berikut :
1. Untuk penelitian lebih lanjut, jumlah
data yang digunakan dalam pelatihan
maupun dalam pengujian sebaiknya
ditambah karena semakin banyak data
yang diproses, maka kemungkinan
besar hasil yang diperoleh akan
semakin baik, sehingga hasil prediksi
juga
semakin
mendekati
data
sebenarnya.
2. Penelitian lebih lanjut dapat dilakukan
dengan
mencoba
menggunakan
metode atau algoritma yang lain dan
membandingkannya dengan algoritma
Backpropagation.
3. Aplikasi algortima Backpropagation
ini sangat membantu untuk pihak
Sentral Yamaha dalam memprediksi
jumlah penjualan tunai dan kredit
untuk bulan-bulan berikutnya.
6. REFERENSI
[1] Agus, Samuel H, F., Puspitaningrum,
D. & Ernawati, 2015 "Implementasi
Jaringan Syaraf Tiruan Backpropagation
Untuk Memprediksi Cuaca (Studi Kasus
: Kota Bengkulu )" . Jurnal Rekursif,
Vol. 3 No.2 November 2015, ISSN
2303-0755
[2] Chaudhuri, T. & Ghosh, I., 2015
"Forecasting Volatility in Indian Stock
Market using Artificial Neural Network
with Multiple Inputs and Outputs ".
International Journal of Computer
Applications (0975 – 8887) Volume 120
– No.8, June 2015.
[3] Febrina, M., Arina, F. & Ekawati, R.,
2013, "Peramalan Jumlah Permintaan
Produksi Menggunakan Metode
Jaringan Syaraf Tiruan (JST)
Backpropagation" . Jurnal Teknik
Industri, Vol.1, No.2, Juni 2013,
pp.174-179 ISSN 2302-495X.
[4] Grigoryan, H., 2015. "Stock Market
Prediction Using Artificial Neural
Networks Case Study of TAL1T, Nasdaq
OMX Baltic Stock" . Database Systems
Journal, Vol VI No2/2015.
[5] Jaya, J., Masayu, L.K. &
Cahyawijaya, S., 2015. "Model Prediksi
Harga Saham dengan Jaringan Syaraf
Tiruan" . Konferensi Nasional
Informatika (KNIF) 2015, pp.94–99.
[6] Lesnussa, Y.A., Latuconsina, S. &
Persulessy, E.R.., 2015. "Aplikasi
Jaringan Saraf Tiruan Backpropagation
untuk Memprediksi Prestasi Siswa SMA (
Studi kasus : Prediksi Prestasi Siswa
SMAN 4 Ambon )" . Jurnal Matematika
Integratif, Vol 11(No.2), Oktober 2015,
pp.149–160.
[7] Octavina, Y. & Fadlil, A., 2014.
"Sistem Pakar Untuk Mendiagnosa
Penyakit Pada Saluran Pernafasan dan
Paru Menggunakan Metode Certainly
Factor" . Jurnal Sarjana Teknik
Informatika, Vol 2 No.2 Juni 2014
pp.1–5.
[8] Pakaja, F., Naba, A. & Purwanto.,
2012. "Peramalan Penjualan Mobil
Menggunakan Jaringan Syaraf Tiruan
dan Certainty Factor" . Jurnal EECCIS,
Vol 6 No 1 Juni 2012.
[9] Sudarsono, A., 2016. "Jaringan Syaraf
Tiruan Untuk Memprediksi Laju
Pertumbuhan Penduduk Menggunakan
Metode Backpropagation (Studi Kasus di
Kota Bengkulu)". Jurnal Media
Infotama, Vol. 12 No. 1 Februari 2016,
pp.61–69.
[10] Tanjung, D.H., 2016. "Jaringan Saraf
Tiruan dengan Backpropagation untuk
Memprediksi Penyakit Asma" . Jurnal
Citec, Vol 2 No 1 November 2014,
pp.28–38.
[11] Trimulya, A., Syaifurrahman &
Setyaningsih, F.A., 2015. "Implementasi
Jaringan Syaraf Tiruan Metode
Backpropagation Untuk Memprediksi
Harga Saham" . Jurnal Coding, Vol 3
No 2 2015, pp.66–75.