PERAMALAN PERMINTAAN MINUMAN KESEHATAN I
PERAMALAN PERM INTAAN M INUM AN KESEHATAN INSTAN
JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN
dan METODE TIM E SERIES
(Studi Kasus di Agroindustri M inuman Kesehatan Instan “DIA”
M alang)
Kenyo Puspito Rini 1), Ir. Usman Effendi, MS.2),
Dhita Morita Ikasari, STP, MP.2)
1)
2)
Alumni Jurusan Teknologi Industri Pertanian,
Staff Pengajar Jurusan Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Universitas Brawijaya Malang
kenyopuspito@yahoo.com
ABSTRAK
Peramalan adalah suatu usaha untuk meramalkan keadaan di masa
mendatang melalui pengujian keadaan di masa lalu, sedangkan
peramalan permintaan merupakan tingkat permintaan produk-produk
yang diharapkan akan terealisir untuk jangka waktu tertentu pada
masa yang akan datang. Tujuan penelitian ini adalah meramalkan
permintaan produk minuman kesehatan instan jahe menggunakan
Jaringan Syaraf Tiruan dengan mempertimbangkan faktor-faktor
bauran pemasaran dan membandingkan hasil peramalan permintaan
produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf
Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil
peramalan permintaan menggunakan metode time series berdasarkan
data volume penjualan. Analisa data dilakukan dengan metode
Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan
metode Time Series menggunakan software SPSS 17.1. Hasil penelitian
menunjukkan arsitektur jaringan single hidden layer terbaik yaitu 4-71 (4 neuron input, 7 neuron hidden layer, dan 1 neuron output). Metode
terbaik untuk peramalan dengan metode time series adalah metode
W inters’ Additive. Nilai hasil mean square error (MSE) pelatihan pada
Jaringan Syaraf Tiruan (JST) sebesar 4827.82 sedangkan nilai MSE pada
metode Time Series sebesar 119440.05. Rata-rata persentase kesalahan
hasil simulasi peramalan permintaan menggunakan JST pada periode
1
bulan Agustus – Oktober 2012 adalah sebesar 8.58 %, sedangkan untuk
Time Series adalah sebesar 12.29 %.
Kata kunci : Jaringan Syaraf Tiruan, Matlab, Peramalan Permintaan,
SPSS, Time Series.
ABSTRACT
Forecasting is an attempt to predict the future state through state testing
in the past, while demand forecasting are level of products demand that are
expected to be realized for a certain period in the future. The purpose of this
study is product demand forecasting instant health drink ginger using
Artificial Neural Networks to consider the marketing mix factors and compare
the results of product demand forecasting instant health drink ginger using
Artificial Neural Networks based on the factors of the marketing mix with the
results of demand forecasting using time series Data based on sales volume.
The data analysis was done using Artificial Neural Networks using M atlab
software 7.10 and Time Series method using the software SPSS 17.1. The
results showed the best architecture of single hidden layer network is 4-7-1 (4
input neurons, 7 hidden layer neurons, and 1 output neuron). The best
method for time series forecasting method is W inters' Additive. The resulting
value is the mean square error (M SE) on the training of Artificial Neural
Network (ANN) at 4827.82 while the M SE on the Time Series method for
119440.0512. The average percentage of fault simulation results using ANN
forecasting demand in the period August to October 2012 is at 8.58% , while
for Time Series is at 12.29% .
Keywords : Artificial Neural Network, M atlab, Demand Forecasting, SPSS,
Time Series.
2
memiliki
volume
penjualan
paling
tinggi
dibandingkan
dengan
produk
minuman
kesehatan instan kunyit dan
temulawak. Hal ini juga dijadikan
pertimbangan dalam pemilihan
produk yang akan diramalkan
dalam penelitian ini.
Permasalahan yang dihadapi
oleh
Agroindustri
Minuman
Kesehatan Instan DIA adalah
masih
kesulitan
dalam
meramalkan
permintaan
konsumen terhadap permintaan
produk
minuman
kesehatan
instan karena peramalan yang
dilakukan berdasarkan perkiraan
dari periode lalu. Hal ini
mengakibatkan
Agroindustri
Minuman Kesehatan Instan DIA
belum memiliki perencanaan
produksi yang optimal.
Metode
peramalan
yang
digunakan adalah Jaringan Syaraf
Tiruan (JST) dan time series.
Jaringan syaraf tiruan merupakan
sistem pemroses informasi yang
memiliki
karakteristik
mirip
dengan jaringan syaraf biologi
(Siang, 2005). Jaringan syaraf
tiruan mempunyai kemampuan
untuk
belajar
dari
data,
mempunyai
sifat
non-linier,
mampu mengidentifikasi struktur
model
serta
efektif
menghubungkan
input-output
simulasi,
namun
memiliki
kekurangan yaitu membutuhkan
waktu
yang
lama
dalam
pembuatan model (Rudiyanto,
I. PENDAHULUAN
1.1 Latar Belakang
Peramalan adalah suatu usaha
untuk meramalkan keadaan di
masa
mendatang
melalui
pengujian keadaan di masa lalu,
sedangkan peramalan permintaan
merupakan tingkat permintaan
produk-produk yang diharapkan
akan terealisir untuk jangka
waktu tertentu pada masa yang
akan datang. Proses peramalan
nantinya akan mendapatkan hasil
peramalan yang digunakan oleh
manajemen produksi atau operasi
dalam pembuatan keputusankeputusan yang menyangkut
pemilihan proses, perencanaan
kapasitas, dan layout fasilitas,
serta untuk keputusan yang
bersifat terus–menerus berkenaan
dengan perencanaan, scheduling,
dan persediaan (Nasution, 2008).
Menurut
Rismawati
(2009),
peramalan
permintaan
dibutuhkan untuk mengetahui
informasi
pokok
mengenai
kecenderungan
dan
pola
konsumsi produk.
Agroindustri
Minuman
Kesehatan Instan DIA merupakan
salah satu unit usaha yang
mengolah tanaman obat keluarga
(TOGA)
menjadi
minuman
kesehatan
instan
berbentuk
serbuk. Produk yang dihasilkan
oleh perusahaan ini adalah
minuman kesehatan instan jahe,
kunyit,
dan
temulawak.
Minuman kesehatan instan jahe
3
2004). Sedangkan, metode time
series merupakan metode statistik
yang
menggunakan
data
permintaan historis pada suatu
periode waktu untuk proses
peramalannya.
Volume
penjualan
dapat
dipengaruhi oleh beberapa faktor,
salah satunya adalah bauran
pemasaran. Dalam penelitian ini
peramalan dilakukan dengan
mempertimbangkan
unsur
bauran
pemasaran
yang
digunakan
sebagai
masukan
(input) pada jaringan syaraf
tiruan. Unsur bauran pemasaran
yang digunakan adalah harga
produk,
jumlah
tempat
pemasaran, biaya distribusi, dan
biaya promosi. Metode time series
digunakan sebagai pembanding
dalam penelitian ini. Data volume
penjualan digunakan sebagai
input
dalam
peramalan
menggunakan metode time series.
Hasil peramalan menggunakan
jaringan
syaraf
tiruan
berdasarkan
unsur
bauran
pemasaran
selanjutnya
akan
dibandingkan dengan peramalan
menggunakan metode time series
berdasarkan
data
volume
penjualan untuk mengetahui
metode mana yang paling tepat
digunakan
di
Agroindustri
Minuman Kesehatan Instan DIA.
kesehatan
instan
jahe
menggunakan Jaringan Syaraf
Tiruan
dengan
mempertimbangkan
faktorfaktor yang mempengaruhi
volume penjualan?
2. Bagaimana perbandingan hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf Tiruan dengan metode
time series?
1.3 Tujuan
1. Meramalkan
permintaan
produk minuman kesehatan
instan jahe menggunakan
Jaringan Syaraf Tiruan dengan
mempertimbangkan
faktorfaktor bauran pemasaran.
2. Membandingkan
hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf Tiruan berdasarkan
faktor-faktor
bauran
pemasaran
dengan
hasil
peramalan
permintaan
menggunakan metode time
series
berdasarkan
data
volume penjualan.
II. M ETODE PENELITIAN
2.1 Tempat dan W aktu Penelitian
Penelitian
dilakukan
di
Agroindustri
Minuman
Kesehatan Instan DIA yang
terletak di Jalan Kembang Kertas
no.25, Malang. Penelitian ini
dilaksanakan pada bulan Juni
1.2 Rumusan M asalah
1. Bagaimana
meramalkan
permintaan produk minuman
4
2012 sampai Oktober 2012.
Pengolahan data dilakukan di
Laboratorium Komputasi dan
Analisis
Sistem,
Jurusan
Teknologi Industri Pertanian,
Fakultas Teknologi Pertanian,
Universitas Brawijaya Malang.
DIA. Namun, dalam penelitian
ini hanya digunakan sebagai
masukan data (input) untuk
produk jahe.
2.3 Analisa Data
2.3.1 Peramalan
Permintaan
M enggunakan M etode Time
Series
M oving
Average
termasuk
dalam time series model yang
2.2 Batasan Masalah
Penelitian ini dilakukan dengan
batasan masalah sebagai berikut:
1. Penelitian dengan metode
Jaringan Syaraf Tiruan ini
dilakukan untuk meramalkan
permintaan produk minuman
kesehatan
instan
pada
Agroindustri
Minuman
Kesehatan Instan DIA untuk
periode Agustus 2012 – Juli
2013.
2. Produk
yang
digunakan
dalam penelitian ini hanya
satu jenis yaitu minuman
kesehatan instan jahe.
3. Data yang digunakan dalam
penelitian ini fokus pada lima
variabel yaitu data volume
penjualan,
harga
produk,
biaya
promosi,
biaya
distribusi, dan jumlah tempat
pemasaran pada bulan Januari
2007 – Juli 2012.
4. Biaya-biaya yang digunakan
seperti biaya promosi, biaya
distribusi serta jumlah tempat
pemasaran adalah biaya yang
dikeluarkan untuk semua
produk minuman kesehatan
instan
pada Agroindustri
Minuman Kesehatan Instan
merupakan metode peramalan
kuantitatif dengan menggunakan
waktu sebagai dasar peramalan.
Untuk membuat suatu peramalan
diperlukan data historis (masa
lampau) permintaan.
dimana:
∧ft = ramalan permintaan periode
t
ft = permintaan aktual periode t
m
=jumlah
periode
yang
digunakan untuk peramalan.
Metode Exponential Smoothing
(Makridakis, 2005) merupakan
prosedur
perbaikan
terusmenerus
pada
peramalan
terhadap
objek
pengamatan
terbaru.
Metode
exponential
smoothing dibagi lagi berdasarkan
menjadi beberapa metode.
1.Single Exponential Smoothing
Ft+1 = α * Xt + (1 – α) * Ft
dimana:
Ft = peramalan untuk periode t.
Xt + (1- α) = Nilai aktual time series
5
Ft+1 = peramalan pada waktu t +
komponen deret berkala secara
terpisah (Amran, 2003) :
1
α = konstanta perataan antara 0
dan 1
Data= trend + musiman + siklus + error)
atau
St = α * Yt + (1 – α) * (St - 1 + bt - 1) Ramalan= trend + musiman + siklus
bt = γ * (St – St - 1) + (1 – γ) * bt – 1
2.3.2 Peramalan
Permintaan
Ft + m = St + bt m
M
enggunakan
M etode
dimana:
J
aringan
Syaraf
Tiruan
St = peramalan untuk periode t.
Arsitektur
jaringan
yang
Yt + (1- α) = Nilai aktual time series
dipakai
adalah
jaringan
syaraf
bt = trend pada periodeke - t
α = parameter pertama perataan dengan banyak lapisan (multi
layer network). Jaringan dengan
antara nol dan
1, = untuk pemulusan nilai banyak lapisan memiliki satu
atau lebih lapisan yang terletak
observasi
γ = parameter kedua, untuk diantara input dan lapisan output
(memiliki satu atau lebih lapisan
pemulusan trend
tersembunyi). Jaringan syaraf
Ft+m = hasil peramalan ke - m
m = jumlah periode ke muka yang dengan banyak lapisan (multi
layer network) terdiri dari lapisan
akan diramalkan
input, lapisan tersembunyi dan
3.Triple Exponential Smoothing
lapisan output. Jumlah hidden layer
Pemulusan trend:
ditentukan
dalam
pelatihan
Bt =g (St – St-1) + (1 - g ) bt-1
(Kusumadewi,
2006).
Pemulusan Musiman:
Algoritma pembelajaran yang
I= btX
digunakan dalam penelitian ini
t S + (1-b) t -L +m
adalah
backpropagation.
Ramalan:
Backpropagation
dipilih
karena
Ft + m = (St + bt m)It – L + m
dikenal
sangat
efektif
untuk
Dimana
L
adalah
panjang
menyelesaikan
masalah-masalah
musiman (misal, jumlah kuartal
dalam suatu tahun), b adalah yang membutuhkan pemetaan
komponen trend, I adalah factor pola, yaitu jika diberikan suatu
penyesuaian musiman, dan Ft + pola input maka akan dikeluarkan
m adalah ramalan untuk m pola output yang dikehendaki
(Kusumadewi, 2004).
periode ke muka.
Diagram
alir
algoritma
Dekomposisi adalah metode
Backpropagation
disajikan
pada
pemecahan data menjadi sub pola
Gambar
1.
yang
menunjukkan
tiap-tiap
2.Double Exponential Smoothing
6
b. Inisialisai bobot secara acak
Dalam inisialisai bobot secara
acak yaitu pemberian nilai bobot
dan bias awal dengan bilangan
acak terkecil. Pemilihan nilai
bobot ini berpengaruh atas
kecepatan suatu jaringan untuk
mencapai
konvergen
(kondisi
stabil).
c. Propagasi Maju (Fase 1)
Sinyal
masukan
(Xi)
dipropagasikan
ke
layar
tersembunyi
menggunakan
fungsi aktivasi yang ditentukan.
Kemudian keluaran dari setiap
unit layar tersembunyi (Z j ; j =
1,2,3,…., p) dihitung :
Mulai
Data
Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Perhitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
Iterasi
(epoch) =
iterasi + 1
Tidak
Iterasi ≥
Maks.
Iterasi
Tidak
Z j (j = 1,2,3,…,p)
M SE ≤
error
Ya
Ya
Simpan
Bobot
Selanjutnya keluaran dari unit
tersembunyi ini dipropagasikan
maju lagi ke layar tersembunyi
diatasnya menggunakan fungsi
aktivasi yang ditentukan. Tiap
unit keluaran (yk, k = 1,…, m)
jumlahkan
bobot
sinyal
masukannya (W ko perubahan
bobot pada unit tersembunyi o,
dan W kj perubahan bobot pada
unit tersembunyi j).
Selesai
Gambar 1. Diagram A lir Algoritma
Penjelasan mengenai tahap
algoritma backpropagation adalah
sebagai berikut :
a. Data training
Data training adalah pasangan
data masukan dan keluaran
actual (target) yang diberikan
pada jaringan untuk dilatih
polanya. Sebelum diproses, datadata yang ada dibakukan terlebih
dahulu.
Kemudian, keluaran jaringan
(Yk) dibandingkan dengan target
7
didasarkan atas faktor δ neuron
dilayar atasnya.
Ketiga fase diulang hingga
kondisi penghentian dipenuhi.
Kondisi penghentian tercapai jika
MSE (mean square error) telah
mencapai harga minimum atau
epoch sama dengan batas toleransi
yang diberikan. Menurut Siang
(2005), algoritma backpropagation
(BP) merupakan pengembangan
dari algoritma least mean square
yang dapat digunakan untuk
melatih jaringan dengan beberapa
layer.
BP
menggunakan
pendekatan algoritma steepest
descent dan untuk menentukan
performance
index -nya
adalah
dengan mean square error (MSE).
Nilai mean square error (MSE)
pada satu siklus pelatihan adalah
nilai kesalahan (error = nilai
keluaran – nilai masukan) ratarata dari seluruh rekord (tupple)
yang dipresentasikan ke JST dan
dirumuskan sebagai:
yang harus dicapai (tk). Selisih tk –
Yk adalah kesalahan yang terjadi.
d. Propagasi Balik (Fase 2)
Berdasarkan kesalahan tk – Yk,
dihitung faktor δk (k=1,2,3,….,m)
yang
dipakai
untuk
mendistribusikan kesalahan di
unit
yk
ke
semua
unit
tersembunyi yang terhubung
langsung dengan yk.
δk =
f’(y_netk)=
y k(1- y k)
δk juga dipakai untuk mengubah
bobot garis yang berhubungan
langsung dengan unit keluaran.
Nilai perubahan bobot unit
keluaran
W kj
dengan
laju
percepatan α adalah:
ΔWkj = α . δk . z j
k = 1,2,3,…,m;j = 1,2,3,…,p
Dengan cara yang sama,
dihitung faktor δj di setiap unit
layar tersembunyi sebagai dasar
perubahan bobot semua garis
yang
berasal
dari
unit
tersembunyi dilayar dibawahnya.
Semakin kecil MSE, semakin
kecil
kesalahan
JST dalam
memprediksi pola dari record
yang baru. Maka, pelatihan JST
ditujukan untuk memperkecil
MSE dari satu siklus ke siklus
berikutnya sampai selisih nilai
MSE pada siklus ini dengan
siklus sebelumnya lebih kecil atau
sama dengan batas minimal yang
diberikan.
Faktor δ unit tersembunyi:
δj = δ_netj f’(z_netj) =
e. Perubahan Bobot (Fase 3)
Setelah semua faktor δ
dihitung, bobot semua garis
dimodifikasi bersamaan.
Perubahan bobot suatu garis
8
menggunakan jaringan syaraf
tiruan.
Model peramalan yang dibuat
terdiri dari 4 variabel independen
dan 1 variabel dependen. Dalam
jaringan syaraf tiruan, model ini
terbaca sebagai 4 unit (neuron)
input dan 1 unit (neuron) output,
sehingga rancangan arsitektur
jaringan yang digunakan dalam
penelitian adalah 1 lapis input
dengan 4 neuron input dan 1 lapis
output dengan 1 neuron output,
sedangkan neuron hidden layer
dicari jumlah optimalnya melalui
pelatihan
(training).
Metode
jaringan syaraf tiruan yang
digunakan
adalah
Backpropagation,
dilakukan
dengan menggunkan Software
M atlab 7.10.
Parameter pembelajaran dalam
penelitian meliputi max. epoch
2000, dan learning rate antara 0.1 –
0.9. Maksimum epoch berfungsi
sebagai kriteria pemberhentian
pelatihan,
yaitu
pelatihan
dihentikan setelah mencapai 2000
iterasi. Nilai goal (MSE) untuk
kriteria pemberhentian training
jaringan adalah 0.02, nilai ini
dipilih berdasarkan dengan trial
and error sampai ditemukan
performance
dan goal yang
terkecil.
Pada
momentum
konstan (mc) dipilih nilai 0.85.
Jaringan terbaik dihasilkan oleh
pelatihan jaringan 4-7-1 (4 neuron
input, 7 neuron hidden layer, 1
neuron output) dengan nilai MSE
f. Kriteria
pemberhentian
pembelajaran
Kriteria
pemberhentian
pembelajaran merupakan syarat
pokok yang harus dipenuhi oleh
jaringan untuk mendapatkan
output peramalan terbaik. Kriteria
pembelajaran dalam penelitian ini
adalah
jumlah
epoch
yang
ditoleransi. Kesalahan dihitung
berdasarkan
bobot
yang
diperoleh yang dikenakan pada
data pengujian. Jika kesalahan
data uji masih turun, pelatihan
dilanjutkan.
Pembelajaran
dihentikan apabila kesalahannya
mulai naik (Siang, 2005).
III.Hasil dan Pembahasan
3.1 Hasil
Peramalan
M enggunakan
Jaringan
Syaraf Tiruan
Peramalan
permintaan
dilakukan untuk meramalkan
jumlah
permintaan
produk
minuman kesehatan instan jahe
pada periode perencanaan yang
akan datang, yaitu periode satu
tahun mendatang (Agustus 2012 –
Juli 2013). Peramalan permintaan
dilakukan
berdasarkan
data
faktor-faktor
yang
mempengaruhi volume penjualan
produk
minuman
kesehatan
instan jahe, antara lain harga
produk,
jumlah
tempat
pemasaran, biaya promosi, dan
biaya distribusi periode Januari
2007 – Juli 2012 dengan
9
terkecil yaitu 4827.82. Gambar
model Jaringan Syaraf Tiruan 4-71 dapat dilihat pada Gambar 2.
Hasil Peramalan
Permintaan
Menggunakan Metode
Wimters’ Additive
Pola data yang ditunjukkan
oleh gambar 3 merupakan pola
data seasonal (musiman), sehingga
metode terbaik yang diperoleh
adalah metode W inters’ Additive.
Melihat plot di atas terlihat
bahwa hasil peramalan mengikuti
bentuk pola datanya, sehingga
tingkat akurasi data tersebut
sebagai dasar untuk perencanaan
cukup baik. Nilai RMSE (Root
Mean Square Error) adalah
345.601 sehingga nilai MSE
adalah 119440.0512.
Gambar
Gambar 2. Model jaringan Syaraf
Tiruan 4-7-1
3.2 Hasil
Peramalan
M enggunakan
Analisa
Deret Waktu (Time Series)
Peramalan
permintaan
dilakukan
berdasarkan
data
penjualan produk periode Januari
2007 – Juli 2012 dengan
menggunakan
analisa
deret
waktu (time series). Peramalan
permintaan dilakukan untuk
meramalkan jumlah permintaan
produk
minuman
kesehatan
instan jahe DIA pada periode
perencanaan yang akan datang,
yaitu
periode
satu
tahun
mendatang pada Agustus 2012 –
Juli 2013. Metode time series yang
digunakan dalam penelitian ini
meliputi metode moving averages,
exponential
smoothing,
dan
dekomposisi.
Penyelesaian
peramalan
permintaan
menggunakan metode time series
dilakukan dengan software SPSS
17.1. Hasil peramalan dapat
dilihat pada Gambar 3.
10
3.
3.3 Perbandingan
Hasil
Peramalan Jaringan Syaraf
Tiruan dengan Time Series
Dalam penelitian ini, peramalan
permintaan
yang
digunakan
terdiri dari dua metode yaitu
metode jaringan syaraf tiruan dan
time series. Untuk itu, perlu
dibandingkan metode mana yang
lebih baik dalam penelitian ini.
Pembanding yang digunakan
berupa data penjualan aktual
minuman kesehatan instan jahe
DIA,
sehingga bisa dilihat
diantara kedua metode tersebut
mana yang paling baik dalam
meramalkan minuman kesehatan
instan
jahe
DIA.
Hasil
perbandingan metode jaringan
syaraf tiruan, time series, dan
data aktual dapat dilihat pada
Tabel 1.
Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time
Series, dan Data Aktual Periode Agustus – Desember 2012
Tahun
2012
Periode
Agustus
September
Oktober
November
Desember
Simulasi
Peramalan
JST
Time
Series
Data
A ktual
7245
7227
7253
7239
7120
8333
9827
8626
8187
7239
7405
8498
7936
7270
7299
Rata-rata Kesalahan
Dari tabel 1 terlihat bahwa
jaringan syaraf tiruan merupakan
metode yang relatif lebih baik
dari
time
series
dalam
meramalkan
permintaan
minuman kesehatan instan jahe
DIA
karena
memiliki
Persentase Kesalahan
Peramalan Terhadap
Permintaan A ktual
(% )
JST
Time Series
2.16
14.96
8.61
0.43
2.45
5.72
12.53
15.64
8.7
12.61
0.82
10.06
penyimpangan kesalahan lebih
kecil dibandingkan metode time
series. Perbandingan nilai M ean
Squared Error (MSE) sebelum dan
sesudah peramalan untuk metode
Time Series dan Jaringan Syaraf
Tiruan dapat dilihat pada Tabel 2.
Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan
Pada Metode Time Series dan JST
M etode
Nilai M SE
Sebelum
Sesudah
Time Series
119440.05
119440.05
JST
4827.82
6663.39
Pada Tabel 4.5 dapat dilihat nilai
error
untuk
masing-masing
metode sebelum dan sesudah
peramalan. Pada metode Time
Series nilai MSE sebelum dan
sesudah peramalan tetap yaitu
119440.0512. Sedangkan, pada
metode JST terjadi perubahan
nilai MSE yang semula 4827.82
11
menjadi
6663.39
yang
menunjukkan nilai MSE sesudah
peramalan
lebih
besar
dibandingkan nilai MSE sebelum
peramalan. Hal ini dikarenakan
nilai mean pada saat testing lebih
besar dibandingkan nilai mean
saat pemodelan.
IV.PENUTUP
4.1 Kesimpulan
Penerapan metode Jaringan
Syaraf
Tiruan
(JST)
untuk
peramalan permintaan minuman
kesehatan instan jahe DIA dengan
menggunakan model jaringan
Backpropagation,
menghasilkan
arsitektur jaringan single hidden
layer terbaik yaitu 4-7-1 (4 neuron
input, 7 neuron hidden layer, dan 1
neuron output), 4 neuron input
merupakan
faktor
bauran
pemasaran yang meliputi harga
produk,
jumlah
tempat
pemasaran, biaya distribusi dan
biaya promosi, sedangkan untuk
1 neuron output merupakan nilai
peramalan permintaan.
Metode
terbaik
untuk
peramalan dengan metode time
series adalah metode W inters’
Additive. Metode Winters’ Additive
merupakan salah satu dari model
Holt- W inters (triple exponential
smoothing) yang digunakan untuk
menangani musiman. Nilai hasil
mean square error (MSE) pelatihan
pada Jaringan Syaraf Tiruan (JST)
sebesar 4827.82 sedangkan nilai
MSE pada metode Time Series
sebesar
119440.05.
Rata-rata
persentase
kesalahan
hasil
simulasi peramalan permintaan
menggunakan JST pada periode
bulan Agustus – Desember 2012
adalah sebesar 5.72 %, sedangkan
untuk Time Series adalah sebesar
10.06
%.
Sehingga
dapat
disimpulkan bahwa Jaringan
12
Syaraf Tiruan merupakan metode
yang relatif lebih baik dari Time
Series
dalam
meramalkan
permintaan minuman kesehatan
instan jahe DIA karena memiliki
penyimpangan kesalahan yang
lebih kecil dibandingkan metode
time series.
4.2 Saran
Dari hasil penelitian dan
pembahasan
yang
telah
dilakukan, saran yang dapat
dikemukakan yaitu perlu adanya
penelitian lebih lanjut untuk
membandingkan
peramalan
permintaan menggunakan JST
dengan metode yang lain seperti
metode JST untuk peramalan time
series agar dapat menghasilkan
peramalan permintaan yang lebih
baik.
DAFTAR PUSTAKA
Amran. 2003. Prediksi Distribusi
Porositas dengan Metode
Dekomposisi Ring. ITB.
Bandung.
Kusumadewi,
S.
2004.
M embangun
Jaringan
Syaraf
Tiruan
M enggunakan
M atlab
dan Excel Link. Graha
Ilmu. Yogyakarta.
Kusumadewi, S dan Hartati, S.
2006. Integrasi Sistem
Fuzzy
Syaraf.
dan
Graha
Yogyakarta.
Jaringan
Ilmu.
Makridakis, S. dan Whellwright,
S. C. 2005. M etode dan
Aplikasi
Peramalan.
Binarupa Aksara. Jakarta.
Nasution,
A.
H.
2008.
Perencanaan
dan
Pengendalian Produksi.
Graha Ilmu. Yogyakarta.
Rismawati, L. 2009. Analisis
Sensitivitas
Dari
Persoalan
Perbaikan
M esin Dalam Sistem
M anufaktur.
Tesis
Pascasarjana Universitas
Sumatera Utara. Medan.
Rudiyanto B.I. dan Setiawan.
2004.
Backpropagation
Artificial
Neural
Network.
Artikel.
Departemen
Teknik
Pertanian. Fateta- IPB.
Bogor.
Siang, J. J. 2005. Jaringan Syaraf
Tiruan
dan
Pemrogramannya
M enggunakan Matlab.
ANDI. Yogyakarta.
13
JAHE MENGGUNAKAN JARINGAN SYARAF TIRUAN
dan METODE TIM E SERIES
(Studi Kasus di Agroindustri M inuman Kesehatan Instan “DIA”
M alang)
Kenyo Puspito Rini 1), Ir. Usman Effendi, MS.2),
Dhita Morita Ikasari, STP, MP.2)
1)
2)
Alumni Jurusan Teknologi Industri Pertanian,
Staff Pengajar Jurusan Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Universitas Brawijaya Malang
kenyopuspito@yahoo.com
ABSTRAK
Peramalan adalah suatu usaha untuk meramalkan keadaan di masa
mendatang melalui pengujian keadaan di masa lalu, sedangkan
peramalan permintaan merupakan tingkat permintaan produk-produk
yang diharapkan akan terealisir untuk jangka waktu tertentu pada
masa yang akan datang. Tujuan penelitian ini adalah meramalkan
permintaan produk minuman kesehatan instan jahe menggunakan
Jaringan Syaraf Tiruan dengan mempertimbangkan faktor-faktor
bauran pemasaran dan membandingkan hasil peramalan permintaan
produk minuman kesehatan instan jahe menggunakan Jaringan Syaraf
Tiruan berdasarkan faktor-faktor bauran pemasaran dengan hasil
peramalan permintaan menggunakan metode time series berdasarkan
data volume penjualan. Analisa data dilakukan dengan metode
Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan
metode Time Series menggunakan software SPSS 17.1. Hasil penelitian
menunjukkan arsitektur jaringan single hidden layer terbaik yaitu 4-71 (4 neuron input, 7 neuron hidden layer, dan 1 neuron output). Metode
terbaik untuk peramalan dengan metode time series adalah metode
W inters’ Additive. Nilai hasil mean square error (MSE) pelatihan pada
Jaringan Syaraf Tiruan (JST) sebesar 4827.82 sedangkan nilai MSE pada
metode Time Series sebesar 119440.05. Rata-rata persentase kesalahan
hasil simulasi peramalan permintaan menggunakan JST pada periode
1
bulan Agustus – Oktober 2012 adalah sebesar 8.58 %, sedangkan untuk
Time Series adalah sebesar 12.29 %.
Kata kunci : Jaringan Syaraf Tiruan, Matlab, Peramalan Permintaan,
SPSS, Time Series.
ABSTRACT
Forecasting is an attempt to predict the future state through state testing
in the past, while demand forecasting are level of products demand that are
expected to be realized for a certain period in the future. The purpose of this
study is product demand forecasting instant health drink ginger using
Artificial Neural Networks to consider the marketing mix factors and compare
the results of product demand forecasting instant health drink ginger using
Artificial Neural Networks based on the factors of the marketing mix with the
results of demand forecasting using time series Data based on sales volume.
The data analysis was done using Artificial Neural Networks using M atlab
software 7.10 and Time Series method using the software SPSS 17.1. The
results showed the best architecture of single hidden layer network is 4-7-1 (4
input neurons, 7 hidden layer neurons, and 1 output neuron). The best
method for time series forecasting method is W inters' Additive. The resulting
value is the mean square error (M SE) on the training of Artificial Neural
Network (ANN) at 4827.82 while the M SE on the Time Series method for
119440.0512. The average percentage of fault simulation results using ANN
forecasting demand in the period August to October 2012 is at 8.58% , while
for Time Series is at 12.29% .
Keywords : Artificial Neural Network, M atlab, Demand Forecasting, SPSS,
Time Series.
2
memiliki
volume
penjualan
paling
tinggi
dibandingkan
dengan
produk
minuman
kesehatan instan kunyit dan
temulawak. Hal ini juga dijadikan
pertimbangan dalam pemilihan
produk yang akan diramalkan
dalam penelitian ini.
Permasalahan yang dihadapi
oleh
Agroindustri
Minuman
Kesehatan Instan DIA adalah
masih
kesulitan
dalam
meramalkan
permintaan
konsumen terhadap permintaan
produk
minuman
kesehatan
instan karena peramalan yang
dilakukan berdasarkan perkiraan
dari periode lalu. Hal ini
mengakibatkan
Agroindustri
Minuman Kesehatan Instan DIA
belum memiliki perencanaan
produksi yang optimal.
Metode
peramalan
yang
digunakan adalah Jaringan Syaraf
Tiruan (JST) dan time series.
Jaringan syaraf tiruan merupakan
sistem pemroses informasi yang
memiliki
karakteristik
mirip
dengan jaringan syaraf biologi
(Siang, 2005). Jaringan syaraf
tiruan mempunyai kemampuan
untuk
belajar
dari
data,
mempunyai
sifat
non-linier,
mampu mengidentifikasi struktur
model
serta
efektif
menghubungkan
input-output
simulasi,
namun
memiliki
kekurangan yaitu membutuhkan
waktu
yang
lama
dalam
pembuatan model (Rudiyanto,
I. PENDAHULUAN
1.1 Latar Belakang
Peramalan adalah suatu usaha
untuk meramalkan keadaan di
masa
mendatang
melalui
pengujian keadaan di masa lalu,
sedangkan peramalan permintaan
merupakan tingkat permintaan
produk-produk yang diharapkan
akan terealisir untuk jangka
waktu tertentu pada masa yang
akan datang. Proses peramalan
nantinya akan mendapatkan hasil
peramalan yang digunakan oleh
manajemen produksi atau operasi
dalam pembuatan keputusankeputusan yang menyangkut
pemilihan proses, perencanaan
kapasitas, dan layout fasilitas,
serta untuk keputusan yang
bersifat terus–menerus berkenaan
dengan perencanaan, scheduling,
dan persediaan (Nasution, 2008).
Menurut
Rismawati
(2009),
peramalan
permintaan
dibutuhkan untuk mengetahui
informasi
pokok
mengenai
kecenderungan
dan
pola
konsumsi produk.
Agroindustri
Minuman
Kesehatan Instan DIA merupakan
salah satu unit usaha yang
mengolah tanaman obat keluarga
(TOGA)
menjadi
minuman
kesehatan
instan
berbentuk
serbuk. Produk yang dihasilkan
oleh perusahaan ini adalah
minuman kesehatan instan jahe,
kunyit,
dan
temulawak.
Minuman kesehatan instan jahe
3
2004). Sedangkan, metode time
series merupakan metode statistik
yang
menggunakan
data
permintaan historis pada suatu
periode waktu untuk proses
peramalannya.
Volume
penjualan
dapat
dipengaruhi oleh beberapa faktor,
salah satunya adalah bauran
pemasaran. Dalam penelitian ini
peramalan dilakukan dengan
mempertimbangkan
unsur
bauran
pemasaran
yang
digunakan
sebagai
masukan
(input) pada jaringan syaraf
tiruan. Unsur bauran pemasaran
yang digunakan adalah harga
produk,
jumlah
tempat
pemasaran, biaya distribusi, dan
biaya promosi. Metode time series
digunakan sebagai pembanding
dalam penelitian ini. Data volume
penjualan digunakan sebagai
input
dalam
peramalan
menggunakan metode time series.
Hasil peramalan menggunakan
jaringan
syaraf
tiruan
berdasarkan
unsur
bauran
pemasaran
selanjutnya
akan
dibandingkan dengan peramalan
menggunakan metode time series
berdasarkan
data
volume
penjualan untuk mengetahui
metode mana yang paling tepat
digunakan
di
Agroindustri
Minuman Kesehatan Instan DIA.
kesehatan
instan
jahe
menggunakan Jaringan Syaraf
Tiruan
dengan
mempertimbangkan
faktorfaktor yang mempengaruhi
volume penjualan?
2. Bagaimana perbandingan hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf Tiruan dengan metode
time series?
1.3 Tujuan
1. Meramalkan
permintaan
produk minuman kesehatan
instan jahe menggunakan
Jaringan Syaraf Tiruan dengan
mempertimbangkan
faktorfaktor bauran pemasaran.
2. Membandingkan
hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf Tiruan berdasarkan
faktor-faktor
bauran
pemasaran
dengan
hasil
peramalan
permintaan
menggunakan metode time
series
berdasarkan
data
volume penjualan.
II. M ETODE PENELITIAN
2.1 Tempat dan W aktu Penelitian
Penelitian
dilakukan
di
Agroindustri
Minuman
Kesehatan Instan DIA yang
terletak di Jalan Kembang Kertas
no.25, Malang. Penelitian ini
dilaksanakan pada bulan Juni
1.2 Rumusan M asalah
1. Bagaimana
meramalkan
permintaan produk minuman
4
2012 sampai Oktober 2012.
Pengolahan data dilakukan di
Laboratorium Komputasi dan
Analisis
Sistem,
Jurusan
Teknologi Industri Pertanian,
Fakultas Teknologi Pertanian,
Universitas Brawijaya Malang.
DIA. Namun, dalam penelitian
ini hanya digunakan sebagai
masukan data (input) untuk
produk jahe.
2.3 Analisa Data
2.3.1 Peramalan
Permintaan
M enggunakan M etode Time
Series
M oving
Average
termasuk
dalam time series model yang
2.2 Batasan Masalah
Penelitian ini dilakukan dengan
batasan masalah sebagai berikut:
1. Penelitian dengan metode
Jaringan Syaraf Tiruan ini
dilakukan untuk meramalkan
permintaan produk minuman
kesehatan
instan
pada
Agroindustri
Minuman
Kesehatan Instan DIA untuk
periode Agustus 2012 – Juli
2013.
2. Produk
yang
digunakan
dalam penelitian ini hanya
satu jenis yaitu minuman
kesehatan instan jahe.
3. Data yang digunakan dalam
penelitian ini fokus pada lima
variabel yaitu data volume
penjualan,
harga
produk,
biaya
promosi,
biaya
distribusi, dan jumlah tempat
pemasaran pada bulan Januari
2007 – Juli 2012.
4. Biaya-biaya yang digunakan
seperti biaya promosi, biaya
distribusi serta jumlah tempat
pemasaran adalah biaya yang
dikeluarkan untuk semua
produk minuman kesehatan
instan
pada Agroindustri
Minuman Kesehatan Instan
merupakan metode peramalan
kuantitatif dengan menggunakan
waktu sebagai dasar peramalan.
Untuk membuat suatu peramalan
diperlukan data historis (masa
lampau) permintaan.
dimana:
∧ft = ramalan permintaan periode
t
ft = permintaan aktual periode t
m
=jumlah
periode
yang
digunakan untuk peramalan.
Metode Exponential Smoothing
(Makridakis, 2005) merupakan
prosedur
perbaikan
terusmenerus
pada
peramalan
terhadap
objek
pengamatan
terbaru.
Metode
exponential
smoothing dibagi lagi berdasarkan
menjadi beberapa metode.
1.Single Exponential Smoothing
Ft+1 = α * Xt + (1 – α) * Ft
dimana:
Ft = peramalan untuk periode t.
Xt + (1- α) = Nilai aktual time series
5
Ft+1 = peramalan pada waktu t +
komponen deret berkala secara
terpisah (Amran, 2003) :
1
α = konstanta perataan antara 0
dan 1
Data= trend + musiman + siklus + error)
atau
St = α * Yt + (1 – α) * (St - 1 + bt - 1) Ramalan= trend + musiman + siklus
bt = γ * (St – St - 1) + (1 – γ) * bt – 1
2.3.2 Peramalan
Permintaan
Ft + m = St + bt m
M
enggunakan
M etode
dimana:
J
aringan
Syaraf
Tiruan
St = peramalan untuk periode t.
Arsitektur
jaringan
yang
Yt + (1- α) = Nilai aktual time series
dipakai
adalah
jaringan
syaraf
bt = trend pada periodeke - t
α = parameter pertama perataan dengan banyak lapisan (multi
layer network). Jaringan dengan
antara nol dan
1, = untuk pemulusan nilai banyak lapisan memiliki satu
atau lebih lapisan yang terletak
observasi
γ = parameter kedua, untuk diantara input dan lapisan output
(memiliki satu atau lebih lapisan
pemulusan trend
tersembunyi). Jaringan syaraf
Ft+m = hasil peramalan ke - m
m = jumlah periode ke muka yang dengan banyak lapisan (multi
layer network) terdiri dari lapisan
akan diramalkan
input, lapisan tersembunyi dan
3.Triple Exponential Smoothing
lapisan output. Jumlah hidden layer
Pemulusan trend:
ditentukan
dalam
pelatihan
Bt =g (St – St-1) + (1 - g ) bt-1
(Kusumadewi,
2006).
Pemulusan Musiman:
Algoritma pembelajaran yang
I= btX
digunakan dalam penelitian ini
t S + (1-b) t -L +m
adalah
backpropagation.
Ramalan:
Backpropagation
dipilih
karena
Ft + m = (St + bt m)It – L + m
dikenal
sangat
efektif
untuk
Dimana
L
adalah
panjang
menyelesaikan
masalah-masalah
musiman (misal, jumlah kuartal
dalam suatu tahun), b adalah yang membutuhkan pemetaan
komponen trend, I adalah factor pola, yaitu jika diberikan suatu
penyesuaian musiman, dan Ft + pola input maka akan dikeluarkan
m adalah ramalan untuk m pola output yang dikehendaki
(Kusumadewi, 2004).
periode ke muka.
Diagram
alir
algoritma
Dekomposisi adalah metode
Backpropagation
disajikan
pada
pemecahan data menjadi sub pola
Gambar
1.
yang
menunjukkan
tiap-tiap
2.Double Exponential Smoothing
6
b. Inisialisai bobot secara acak
Dalam inisialisai bobot secara
acak yaitu pemberian nilai bobot
dan bias awal dengan bilangan
acak terkecil. Pemilihan nilai
bobot ini berpengaruh atas
kecepatan suatu jaringan untuk
mencapai
konvergen
(kondisi
stabil).
c. Propagasi Maju (Fase 1)
Sinyal
masukan
(Xi)
dipropagasikan
ke
layar
tersembunyi
menggunakan
fungsi aktivasi yang ditentukan.
Kemudian keluaran dari setiap
unit layar tersembunyi (Z j ; j =
1,2,3,…., p) dihitung :
Mulai
Data
Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Perhitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
Iterasi
(epoch) =
iterasi + 1
Tidak
Iterasi ≥
Maks.
Iterasi
Tidak
Z j (j = 1,2,3,…,p)
M SE ≤
error
Ya
Ya
Simpan
Bobot
Selanjutnya keluaran dari unit
tersembunyi ini dipropagasikan
maju lagi ke layar tersembunyi
diatasnya menggunakan fungsi
aktivasi yang ditentukan. Tiap
unit keluaran (yk, k = 1,…, m)
jumlahkan
bobot
sinyal
masukannya (W ko perubahan
bobot pada unit tersembunyi o,
dan W kj perubahan bobot pada
unit tersembunyi j).
Selesai
Gambar 1. Diagram A lir Algoritma
Penjelasan mengenai tahap
algoritma backpropagation adalah
sebagai berikut :
a. Data training
Data training adalah pasangan
data masukan dan keluaran
actual (target) yang diberikan
pada jaringan untuk dilatih
polanya. Sebelum diproses, datadata yang ada dibakukan terlebih
dahulu.
Kemudian, keluaran jaringan
(Yk) dibandingkan dengan target
7
didasarkan atas faktor δ neuron
dilayar atasnya.
Ketiga fase diulang hingga
kondisi penghentian dipenuhi.
Kondisi penghentian tercapai jika
MSE (mean square error) telah
mencapai harga minimum atau
epoch sama dengan batas toleransi
yang diberikan. Menurut Siang
(2005), algoritma backpropagation
(BP) merupakan pengembangan
dari algoritma least mean square
yang dapat digunakan untuk
melatih jaringan dengan beberapa
layer.
BP
menggunakan
pendekatan algoritma steepest
descent dan untuk menentukan
performance
index -nya
adalah
dengan mean square error (MSE).
Nilai mean square error (MSE)
pada satu siklus pelatihan adalah
nilai kesalahan (error = nilai
keluaran – nilai masukan) ratarata dari seluruh rekord (tupple)
yang dipresentasikan ke JST dan
dirumuskan sebagai:
yang harus dicapai (tk). Selisih tk –
Yk adalah kesalahan yang terjadi.
d. Propagasi Balik (Fase 2)
Berdasarkan kesalahan tk – Yk,
dihitung faktor δk (k=1,2,3,….,m)
yang
dipakai
untuk
mendistribusikan kesalahan di
unit
yk
ke
semua
unit
tersembunyi yang terhubung
langsung dengan yk.
δk =
f’(y_netk)=
y k(1- y k)
δk juga dipakai untuk mengubah
bobot garis yang berhubungan
langsung dengan unit keluaran.
Nilai perubahan bobot unit
keluaran
W kj
dengan
laju
percepatan α adalah:
ΔWkj = α . δk . z j
k = 1,2,3,…,m;j = 1,2,3,…,p
Dengan cara yang sama,
dihitung faktor δj di setiap unit
layar tersembunyi sebagai dasar
perubahan bobot semua garis
yang
berasal
dari
unit
tersembunyi dilayar dibawahnya.
Semakin kecil MSE, semakin
kecil
kesalahan
JST dalam
memprediksi pola dari record
yang baru. Maka, pelatihan JST
ditujukan untuk memperkecil
MSE dari satu siklus ke siklus
berikutnya sampai selisih nilai
MSE pada siklus ini dengan
siklus sebelumnya lebih kecil atau
sama dengan batas minimal yang
diberikan.
Faktor δ unit tersembunyi:
δj = δ_netj f’(z_netj) =
e. Perubahan Bobot (Fase 3)
Setelah semua faktor δ
dihitung, bobot semua garis
dimodifikasi bersamaan.
Perubahan bobot suatu garis
8
menggunakan jaringan syaraf
tiruan.
Model peramalan yang dibuat
terdiri dari 4 variabel independen
dan 1 variabel dependen. Dalam
jaringan syaraf tiruan, model ini
terbaca sebagai 4 unit (neuron)
input dan 1 unit (neuron) output,
sehingga rancangan arsitektur
jaringan yang digunakan dalam
penelitian adalah 1 lapis input
dengan 4 neuron input dan 1 lapis
output dengan 1 neuron output,
sedangkan neuron hidden layer
dicari jumlah optimalnya melalui
pelatihan
(training).
Metode
jaringan syaraf tiruan yang
digunakan
adalah
Backpropagation,
dilakukan
dengan menggunkan Software
M atlab 7.10.
Parameter pembelajaran dalam
penelitian meliputi max. epoch
2000, dan learning rate antara 0.1 –
0.9. Maksimum epoch berfungsi
sebagai kriteria pemberhentian
pelatihan,
yaitu
pelatihan
dihentikan setelah mencapai 2000
iterasi. Nilai goal (MSE) untuk
kriteria pemberhentian training
jaringan adalah 0.02, nilai ini
dipilih berdasarkan dengan trial
and error sampai ditemukan
performance
dan goal yang
terkecil.
Pada
momentum
konstan (mc) dipilih nilai 0.85.
Jaringan terbaik dihasilkan oleh
pelatihan jaringan 4-7-1 (4 neuron
input, 7 neuron hidden layer, 1
neuron output) dengan nilai MSE
f. Kriteria
pemberhentian
pembelajaran
Kriteria
pemberhentian
pembelajaran merupakan syarat
pokok yang harus dipenuhi oleh
jaringan untuk mendapatkan
output peramalan terbaik. Kriteria
pembelajaran dalam penelitian ini
adalah
jumlah
epoch
yang
ditoleransi. Kesalahan dihitung
berdasarkan
bobot
yang
diperoleh yang dikenakan pada
data pengujian. Jika kesalahan
data uji masih turun, pelatihan
dilanjutkan.
Pembelajaran
dihentikan apabila kesalahannya
mulai naik (Siang, 2005).
III.Hasil dan Pembahasan
3.1 Hasil
Peramalan
M enggunakan
Jaringan
Syaraf Tiruan
Peramalan
permintaan
dilakukan untuk meramalkan
jumlah
permintaan
produk
minuman kesehatan instan jahe
pada periode perencanaan yang
akan datang, yaitu periode satu
tahun mendatang (Agustus 2012 –
Juli 2013). Peramalan permintaan
dilakukan
berdasarkan
data
faktor-faktor
yang
mempengaruhi volume penjualan
produk
minuman
kesehatan
instan jahe, antara lain harga
produk,
jumlah
tempat
pemasaran, biaya promosi, dan
biaya distribusi periode Januari
2007 – Juli 2012 dengan
9
terkecil yaitu 4827.82. Gambar
model Jaringan Syaraf Tiruan 4-71 dapat dilihat pada Gambar 2.
Hasil Peramalan
Permintaan
Menggunakan Metode
Wimters’ Additive
Pola data yang ditunjukkan
oleh gambar 3 merupakan pola
data seasonal (musiman), sehingga
metode terbaik yang diperoleh
adalah metode W inters’ Additive.
Melihat plot di atas terlihat
bahwa hasil peramalan mengikuti
bentuk pola datanya, sehingga
tingkat akurasi data tersebut
sebagai dasar untuk perencanaan
cukup baik. Nilai RMSE (Root
Mean Square Error) adalah
345.601 sehingga nilai MSE
adalah 119440.0512.
Gambar
Gambar 2. Model jaringan Syaraf
Tiruan 4-7-1
3.2 Hasil
Peramalan
M enggunakan
Analisa
Deret Waktu (Time Series)
Peramalan
permintaan
dilakukan
berdasarkan
data
penjualan produk periode Januari
2007 – Juli 2012 dengan
menggunakan
analisa
deret
waktu (time series). Peramalan
permintaan dilakukan untuk
meramalkan jumlah permintaan
produk
minuman
kesehatan
instan jahe DIA pada periode
perencanaan yang akan datang,
yaitu
periode
satu
tahun
mendatang pada Agustus 2012 –
Juli 2013. Metode time series yang
digunakan dalam penelitian ini
meliputi metode moving averages,
exponential
smoothing,
dan
dekomposisi.
Penyelesaian
peramalan
permintaan
menggunakan metode time series
dilakukan dengan software SPSS
17.1. Hasil peramalan dapat
dilihat pada Gambar 3.
10
3.
3.3 Perbandingan
Hasil
Peramalan Jaringan Syaraf
Tiruan dengan Time Series
Dalam penelitian ini, peramalan
permintaan
yang
digunakan
terdiri dari dua metode yaitu
metode jaringan syaraf tiruan dan
time series. Untuk itu, perlu
dibandingkan metode mana yang
lebih baik dalam penelitian ini.
Pembanding yang digunakan
berupa data penjualan aktual
minuman kesehatan instan jahe
DIA,
sehingga bisa dilihat
diantara kedua metode tersebut
mana yang paling baik dalam
meramalkan minuman kesehatan
instan
jahe
DIA.
Hasil
perbandingan metode jaringan
syaraf tiruan, time series, dan
data aktual dapat dilihat pada
Tabel 1.
Tabel 1. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time
Series, dan Data Aktual Periode Agustus – Desember 2012
Tahun
2012
Periode
Agustus
September
Oktober
November
Desember
Simulasi
Peramalan
JST
Time
Series
Data
A ktual
7245
7227
7253
7239
7120
8333
9827
8626
8187
7239
7405
8498
7936
7270
7299
Rata-rata Kesalahan
Dari tabel 1 terlihat bahwa
jaringan syaraf tiruan merupakan
metode yang relatif lebih baik
dari
time
series
dalam
meramalkan
permintaan
minuman kesehatan instan jahe
DIA
karena
memiliki
Persentase Kesalahan
Peramalan Terhadap
Permintaan A ktual
(% )
JST
Time Series
2.16
14.96
8.61
0.43
2.45
5.72
12.53
15.64
8.7
12.61
0.82
10.06
penyimpangan kesalahan lebih
kecil dibandingkan metode time
series. Perbandingan nilai M ean
Squared Error (MSE) sebelum dan
sesudah peramalan untuk metode
Time Series dan Jaringan Syaraf
Tiruan dapat dilihat pada Tabel 2.
Tabel 2. Nilai MSE Sebelum dan Sesudah Peramalan
Pada Metode Time Series dan JST
M etode
Nilai M SE
Sebelum
Sesudah
Time Series
119440.05
119440.05
JST
4827.82
6663.39
Pada Tabel 4.5 dapat dilihat nilai
error
untuk
masing-masing
metode sebelum dan sesudah
peramalan. Pada metode Time
Series nilai MSE sebelum dan
sesudah peramalan tetap yaitu
119440.0512. Sedangkan, pada
metode JST terjadi perubahan
nilai MSE yang semula 4827.82
11
menjadi
6663.39
yang
menunjukkan nilai MSE sesudah
peramalan
lebih
besar
dibandingkan nilai MSE sebelum
peramalan. Hal ini dikarenakan
nilai mean pada saat testing lebih
besar dibandingkan nilai mean
saat pemodelan.
IV.PENUTUP
4.1 Kesimpulan
Penerapan metode Jaringan
Syaraf
Tiruan
(JST)
untuk
peramalan permintaan minuman
kesehatan instan jahe DIA dengan
menggunakan model jaringan
Backpropagation,
menghasilkan
arsitektur jaringan single hidden
layer terbaik yaitu 4-7-1 (4 neuron
input, 7 neuron hidden layer, dan 1
neuron output), 4 neuron input
merupakan
faktor
bauran
pemasaran yang meliputi harga
produk,
jumlah
tempat
pemasaran, biaya distribusi dan
biaya promosi, sedangkan untuk
1 neuron output merupakan nilai
peramalan permintaan.
Metode
terbaik
untuk
peramalan dengan metode time
series adalah metode W inters’
Additive. Metode Winters’ Additive
merupakan salah satu dari model
Holt- W inters (triple exponential
smoothing) yang digunakan untuk
menangani musiman. Nilai hasil
mean square error (MSE) pelatihan
pada Jaringan Syaraf Tiruan (JST)
sebesar 4827.82 sedangkan nilai
MSE pada metode Time Series
sebesar
119440.05.
Rata-rata
persentase
kesalahan
hasil
simulasi peramalan permintaan
menggunakan JST pada periode
bulan Agustus – Desember 2012
adalah sebesar 5.72 %, sedangkan
untuk Time Series adalah sebesar
10.06
%.
Sehingga
dapat
disimpulkan bahwa Jaringan
12
Syaraf Tiruan merupakan metode
yang relatif lebih baik dari Time
Series
dalam
meramalkan
permintaan minuman kesehatan
instan jahe DIA karena memiliki
penyimpangan kesalahan yang
lebih kecil dibandingkan metode
time series.
4.2 Saran
Dari hasil penelitian dan
pembahasan
yang
telah
dilakukan, saran yang dapat
dikemukakan yaitu perlu adanya
penelitian lebih lanjut untuk
membandingkan
peramalan
permintaan menggunakan JST
dengan metode yang lain seperti
metode JST untuk peramalan time
series agar dapat menghasilkan
peramalan permintaan yang lebih
baik.
DAFTAR PUSTAKA
Amran. 2003. Prediksi Distribusi
Porositas dengan Metode
Dekomposisi Ring. ITB.
Bandung.
Kusumadewi,
S.
2004.
M embangun
Jaringan
Syaraf
Tiruan
M enggunakan
M atlab
dan Excel Link. Graha
Ilmu. Yogyakarta.
Kusumadewi, S dan Hartati, S.
2006. Integrasi Sistem
Fuzzy
Syaraf.
dan
Graha
Yogyakarta.
Jaringan
Ilmu.
Makridakis, S. dan Whellwright,
S. C. 2005. M etode dan
Aplikasi
Peramalan.
Binarupa Aksara. Jakarta.
Nasution,
A.
H.
2008.
Perencanaan
dan
Pengendalian Produksi.
Graha Ilmu. Yogyakarta.
Rismawati, L. 2009. Analisis
Sensitivitas
Dari
Persoalan
Perbaikan
M esin Dalam Sistem
M anufaktur.
Tesis
Pascasarjana Universitas
Sumatera Utara. Medan.
Rudiyanto B.I. dan Setiawan.
2004.
Backpropagation
Artificial
Neural
Network.
Artikel.
Departemen
Teknik
Pertanian. Fateta- IPB.
Bogor.
Siang, J. J. 2005. Jaringan Syaraf
Tiruan
dan
Pemrogramannya
M enggunakan Matlab.
ANDI. Yogyakarta.
13