Peramalan Pasar Penjualan Batik Menggunakan Metode Extreme Learning Machine (ELM)
6
BAB 2
LANDASAN TEORI
2.1. Batik
Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan
malam pada kain yang telah disediakan, kemudian pengolahannya diproses dengan cara
tertentu yang memiliki kekhasan. Secara etimologi, kata batik berasal dari gabungan
dua kata dalam bahasa Jawa, yaitu “amba” yang berarti menulis dan “tik” yang berarti
titik. Batik sendiri merupakan salah satu warisan budaya Indonesia yang memiliki nilai
seni tinggi dan sudah ditetapkan oleh UNESCO sebagai salah satu Warisan
Kemanusiaan Untuk Budaya Lisan dan Nonbendawi (Masterpieces of the Oral and
Intangible Heritage of Humanity) sejak 2 Oktober 2009.
Walaupun kata batik secara harafiah berasal dari bahasa Jawa, kehadiran batik
di pulau Jawa sendiri tidak tercatat. (Rouffaer, 1991) berpendapat bahwa teknik batik
kemungkinan pertama kali diperkenalkan di India dan Sri langka pada abad ke-6 atau
ke-7. Menurutnya, pola gringsing sudah dikenal sejak abad ke-12 di Kediri, Jawa Timur
dan pola tersebut hanya bisa dibuat menggunakan canting. Pola gringsing sendiri adalah
pola-pola yang dibuat pada kain yang pada zaman dulu dipercaya dapat menolak bala.
Detail ukiran kain yang menyerupai pola batik dikenakan oleh Prajnaparamita, arca
dewi kebijaksanaan Buddha dari Jawa Timur abad ke-13. Detail pakaian menampilkan
pola sulur tumbuhan dan kembang-kembang rumit yang mirip dengan pola batik
tradisional Jawa yang saat ini dapat ditemukan. Hal ini merupakan salah satu bukti
bahwa pembuatan pola batik yang sangat rumit hanya bisa dibuat dengan menggunakan
canting.
Berdasarkan teknik pembuatannya, batik dibedakan menjadi tiga jenis, yaitu
batik tulis, batik cap, dan batik printing.
Universitas Sumatera Utara
7
a) Batik Tulis
Batik tulis adalah batik yang pembuatannya menggunakan canting. Prosesnya
diawalinya dengan membuat pola, mengisi pola hingga pewarnaan kain. Ciri
utama batik tulis adalah memiliki wangi khas dari penggunaan malam (lilin) dan
pewarnaan, dan juga memiliki warna yang sama terang pada kedua sisi karena
pengerjaannya dilakukan pada kedua sisi kain. Untuk pengerjaannya sendiri
membutuhkan waktu 2-3 bulan.
b) Batik Cap
Batik cap dibuat dengan menggunakan bantuan motif batik yang dibentuk dalam
stempel atau cap tembaga. Pengerjaannya dilakukan dengan menempelkan cap
tembaga pada malam panas, kemudian menempelkan cap tembaga tersebut pada
kain batik polos yang telah disiapkan. Ciri utama batik cap adalah pola yang
terbentuk simetris dan teratur, serta memiliki warna yang hanya terang pada satu
sisi kain. Untuk pengerjaannya membutuhkan waktu 2-3 hari.
c) Batik Printing
Batik printing dibuat menggunakan motif pabrikan, yaitu motif batik yang telah
dicetak secara otomatis. Dalam pengerjaannya, batik printing tidak
membutuhkan metode dasar batik karena prosesnya sudah tidak menggunakan
pencegahan serap warna pada malam. Ciri utama batik printing adalah motifnya
yang teratur dan memiliki warna yang terang hanya pada satu sisi kain karena
proses pewarnaan dengan mesin hanya dilakukan pada satu sisi kain.
Pada saat sekarang ini, terdapat ribuan motif batik yang telah diproduksi di
pasaran. Tapi pada umumnya motif batik tersebut dikelompokkan pada empat jenis
utama motif batik sebagai berikut :
a) Motif Geometris
Motif geometris adalah motif batik berbentuk garis-garis. Biasanya motif ini
melambangkan birokrasi pada pemerintahan. Motif batik ini tidak selalu
berbentuk garis lurus, bisa jadi berupa persegi, belah ketupat, ataupun berbentuk
lingkaran.
Universitas Sumatera Utara
8
b) Motif Tumbuhan
Motif tumbuhan pada kain batik biasanya berupa hiasan yang diperoleh dari
objek yang distilir/digayakan. Motif tumbuhan pada batik misalnya berupa
tumbuhan menjalar dan tumbuhan air.
c) Motif Hewan
Motif hewan pada batik berupa bentuk hewan-hewan yang distilir atau
disederhanakan. Hewan-hewan yang digunakan sebagai motif adalah hewanhewan yang dianggap keramat seperti kerbau, burung, singa barong, kupu-kupu,
dan sebagainya.
d) Motif Manusia
Motif manusia dapat ditemukan pada kain tenun dan songket, yang biasanya
juga berbentuk motif yang distilir atau disederhanakan. Motif batik manusia
kebanyakan dianggap sebagai lambang roh nenek moyang ataupun sebagai
lambang kesaktian. Motif manusia pada batik contohnya seperti wayang.
Untuk pembuatan motif sendiri tergantung pada daerah masing-masing dan
biasanya disesuaikan dengan lambang daerah ataupun kebudayaan yang ada pada
daerah tersebut.
2.2. Peramalan (Forecasting)
Peramalan (Forecasting) merupakan salah satu aktifitas fungsi bisnis yang digunakan
untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004).
Peramalan dibuat dengan tujuan untuk meminimumkan ketidakpastian dalam proses
produksi. Dengan kata lain, peramalan adalah alat bantu yang sangat penting untuk
mencapai perencanaan produksi yang efektif dan efisien (Subagyo, 1986).
Berdasarkan sifatnya, peramalan dibedakan menjadi dua jenis, yaitu peramalan
kualitatif dan peramalan kuantitatif (Levine, 2002).
Universitas Sumatera Utara
9
1. Peramalan Kualitatif
Pada metode ini, proses peramalan dilakukan tanpa adanya data historis.
Artinya, peramalan dilakukan dengan mengandalkan intuisi, pendapat ataupun
pengetahuan dari si pembuat peramalan.
2. Peramalan Kuantitatif
Pada metode ini, proses peramalan dilakukan dengan menggunakan data historis
atau kumpulan data-data pada masa lalu. Hasil peramalan nantinya bergantung
pada metode yang digunakan pada peramalan tersebut. Untuk datanya sendiri,
pada jenis peramalan ini data historis yang digunakan dibagi ke dalam dua jenis
kelompok data, yaitu data kausal dan data runtun waktu (Winarno, 2007).
a) Data Kausal (Causal Data)
Pada data kausal, model peramalan yang dikembangkan menggunakan
hubungan sebab-akibat sebagai asumsi, yaitu apa yang terjadi pada masa
lalu, akan kembali terulang di masa mendatang.
b) Data Runtun Waktu (Time Series Data)
Data runtun waktu (time series data) adalah data yang menggambarkan
suatu objek dari waktu ke waktu atau periode secara historis dan terjadi
berurutan (Winarno, 2007). Data runtun waktu mencakup penelitian pola
data yang digunakan apakah stasioner atau tidak.
Dalam peramalan menggunakan data runtun waktu, satu hal yang harus
diperhatikan adalah bagaimana pola data yang terbentuk. Menurut Makridakis (1999),
pada data runtun waktu pola data yang terbentuk ada empat :
1. Pola Data Horizontal
Pola data horizontal terjadi jika data berfluktuasi di sekitar nilai rata-rata yang
konstan.
Universitas Sumatera Utara
10
Gambar 2.1. Data Runtun Waktu Dengan Pola Horizontal (Tanjung, 2012)
Gambar 2.1 menunjukkan grafik jumlah penjualan beras pada sebuah usaha
pengecer beras dalam kurun waktu satu tahun. Dapat dilihat pada gambar 2.1 bahwa
penjualan beras berfluktuasi secara konstan, yaitu sekitar 5 karung beras setiap
bulannya.
2. Pola Data Tren
Pola data tren terbentuk jika terjadi kenaikan atau penurunan sekuler jangka
panjang. Artinya pola data tersebut naik turun atau bahkan konstan dalam jangka
waktu yang panjang.
Gambar 2.2. Data Runtun Waktu Dengan Pola Tren (Tanjung, 2012)
Universitas Sumatera Utara
11
Gambar 2.2 menunjukkan grafik produk domestik bruto yaitu jumlah nilai
produk barang dan jasa yang dihasilkan oleh unit-unit produksi di dalam batas wilayah
suatu negara selama satu tahun. Pada gambar 2.2 terlihat pola kenaikan untuk jangka
waktu yang panjang, yaitu dari tahun pertama hingga tahun ke-11.
3. Pola Data Siklis
Pola data siklis terjadi apabila fluktuasi permintaan jangka panjang membentuk
pola siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.
Gambar 2.3. Data Runtun Waktu Dengan Pola Siklus (Tanjung, 2012)
Gambar 2.3 menunjukkan grafik penjualan mobil dari tahun 2000 sampai tahun
2008 pada sebuah perusahaan dealer mobil. Pada gambar 2.3 dapat ditunjukkan bahwa
penjualan mobil dipengaruhi oleh faktor ekonomi di Indonesia tiap tahunnya. Gambar
2.3 juga menunjukkan bahwa pada tahun 2002 dan 2008 adalah tahun dimana ekonomi
rakyat lebih baik dari tahun lainnya, sehingga penjualan mobil sebagai bahan kebutuhan
tersier meningkat.
4. Pola Data Musiman
Pola data musiman terjadi jika jika dalam data terlihat pengulangan otomatis
dalam interval tertentu.
Universitas Sumatera Utara
12
Gambar 2.4. Data Runtun Waktu Dengan Pola Musiman (Tanjung, 2012)
Gambar 2.4 menunjukkan grafik penjualan baju seragam sekolah dalam kurun
waktu satu tahun. Pada gambar 2.4 dapat dilihat bahwa terjadi kenaikan penjualan
seragam pada bulan pertama (Januari) dan bulan ke-7 (Juli). Hal ini disebabkan karena
pada bulan tersebut adalah bulan awal masuk tahun ajaran baru sehingga penjualan
seragam sekolah meningkat pada bulan tersebut.
Selain berdasarkan sifat, peramalan juga dibedakan berdasarkan jangka waktu
peramalan. Ada tiga jenis peramalan berdasarkan jangka waktu, yaitu peramalan jangka
pendek, peramalan jangka menengah, dan peramalan jangka panjang.
1. Peramalan Jangka Pendek
Peramalan jangka pendek dilakukan dalam kurun waktu kurang dari 3 bulan.
2. Peramalan Jangka Menengah
Peramalan jangka menengah dilakukan dalam kurun waktu 3 sampai 18 bulan.
Peramalan penjualan termasuk dalam peramalan jangka menengah.
3. Peramalan Jangka Panjang
Peramalan jangka panjang dilakukan dalam kurun waktu lebih dari 18 bulan.
Universitas Sumatera Utara
13
Peramalan kuantitatif banyak digunakan untuk jenis peramalan jangka pendek
dan menengah, sedangkan peramalan kualitatif banyak digunakan untuk peramalan
jangka panjang.
2.3. Ukuran Akurasi Peramalan
Suatu peramalan perlu diukur ketepatannya karena pada nantinya peralaman tersebut
akan digunakan dalam dunia bisnis. Hal ini dilakukan karena tidak mungkin suatu
peramalan benar-benar akurat dan sesuai dengan keadaan yang sebenarnya. Artinya
dalam setiap peramalan, pasti terdapat yang namanya tingkat kesalahan peramalan.
Ukuran ketepatan peramalan yang sering digunakan adalah Mean Absolute Deviation
(MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE)
(Makridakis, 1999).
1. Mean Absolute Deviation (MAD)
Mean Absolute Deviation (MAD) digunakan untuk mengukur ketepatan
ramalan dengan rata-rata kesalahan dugaan (nilai absolut masing-masing
kesalahan). MAD berguna ketika seseorang ingin mengukur kesalahan ramalan
dalam unit yang sama sebagai deret asli. MAD dirumuskan sebagai berikut :
� =
Dimana :
∑|
�=
�
− ̂� |
(2.1)
= Jumlah periode
�
̂�
= Nilai peramalan
= Nilai aktual
2. Mean Square Error (MSE)
Mean Square Error (MSE) merupakan metode lain untuk mengukur kesalahan
peramalan. Dalam metode ini, masing-masing kesalahan atau sisa dikuadratkan,
kemudian dijumlahkan atau dibagi dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan tersebut
dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat mungkin
Universitas Sumatera Utara
14
lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang
menghasilkan sesuatu yang sangat besar. MSE dirumuskan sebagai berikut :
=
∑(
�=
�
− ̂� )
(2.2)
3. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan
kesalahan aboslut pada setiap periode dan membaginya dengan nilai observasi
pada periode tersebut. Setelah itu persentasi absolutnya dirata-ratakan
(Nurmaida,2002). Metode ini sangat berguna apabila ukuran variabel
merupakan faktor penting dalam mengevaluasi akurasi peramalan. MAPE
dirumuskan sebagai berikut :
�� =
∑
�=
|
�
− ̂� |
(2.3)
�
2.4. Metode Extreme Learning Machine (ELM)
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari
jaringan syaraf tiruan. ELM termasuk pada feedforward neural network yang memiliki
satu single hidden layer (Sun et al, 2008). Metode ELM dipercaya dapat mengatasi
permasalah learning speed yang selama ini terjadi pada metode-metode lain pada feedforward neural networks (Huang et al, 2005). Menurut mereka terdapat dua alasan
kenapa feed-forrward neural networks memiliki learning speed yang rendah :
1. Feedforward neural networks menggunakan slow gradient based learning
algorithm dalam melakukan proses training.
2. Semua parameter pada jaringan ditentukan secara iterative dengan
menggunakan metode pembelajaran tersebut.
Parameter yang dimaksud disini adalah input weight dan hidden bias yang
berhubungan antar layer sehingga learning speed berjalan sangat lama dan kejadian
Universitas Sumatera Utara
15
terjebak dalam local minima sering terjadi (Huang et al, 2005). Sedangkan pada ELM,
input weight dan hidden bias dipilih secara acak sehingga menghasilkan learning speed
yang cepat dan mampu menghasilkan performa yang baik.
Berikut ini adalah gambaran umum struktur ELM :
Gambar 2.5. Struktur Umum ELM
ELM memanfaatkan teori invers matrik dalam proses pembelajarannya. Teori
yang digunakan adalah moore penrose pseudoinverse. Gambar 2.5 menunjukkan
sebuah model sederhana single-hidden layer feedforward networks (SLFNs) yang
merupakan struktur umum dari ELM. Diberikan sebanyak n input, m neuron pada
hidden layer dan fungsi aktivasi g(x). misalkan X = [ x1,x2,x3,… xn] dengan xi
merupakan nilai input pada jaringan tersebut. α merupakan matriks bobot penghubung
input layer dan hidden layer maka α matriks mempunyai ukuran nxm. Penentuan nilai
elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai tersebut
diolah pada hidden layer menggunakan fungsi aktivasi tertentu dan nilai tersebut
dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,hβ,hγ,… hn]). Moore
Universitas Sumatera Utara
16
penrose pseudoinverse digunakan untuk menentukan nilai bobot antara hiddent layer
dan output layer β.
Metode ELM memiliki model matematis yang berbeda dengan feed-forward
neural networks pada umumnya, dimana model matematis ELM berbentuk lebih
sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N
jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
�
=[
=[
�
+
+
�
,……
,……
]� ∈
(2.4)
]� ∈
�
(2.5)
Standar SLFNs dengan jumlah hidden nodes sebanyak N dan fungsi aktivasi
g(x) dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
= ∑�
∑�
=
=
Dimana : �
(
∙
+�)=
(2.6)
= 1,2,...., N
,
=
�
,…,
, merupakan vektor dari weight yang
menghubungkan i th hidden nodes dan input nodes.
�
�
=
� ,� ,…,�
�
,
merupakan
weight
vector
yang
menghubungkan i th hidden nodes dan input nodes.
= treshold dari i th hidden nodes.
= Inner product dari Wi dan Xj
SLFNs dengan N hidden nodes dan activation function g(x) diasumsikan dapat
memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al,
2010) :
∑‖
=
−� ‖=
(2.7)
sehingga oj = tj
Universitas Sumatera Utara
17
∑�
=
∙
+� = �
(2.8)
Persamaan 2.11 di atas dapat disempurnakan lagi menjadi sebagai berikut:
��=
Dimana : �
�
(2.9)
= Hidden layer dari output matriks.
= output weight.
= Matriks dari target atau output.
Pada ELM input weight dan hidden bias ditentukan secara random, maka
output weight yang berhubungan dengan hidden layer dirumuskan sebagai berikut :
� = �+
(2.10)
2.5. Penelitian Terdahulu
Penelitian mengenai peramalan sudah sering dilakukan. Dalam dunia industri,
peramalan biasanya dilakukan untuk meramalkan penjualan dan permintaan. Hal ini
dilakukan karena peramalan memang terbukti dapat meningkatkan kualitas produksi.
Begitu juga dengan batik. Bersinarnya batik di dunia industri pakaian diikuti oleh
penelitian-penelitian tentang batik itu sendiri.
Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan
untuk meramalkan penjualan batik tulis dengan menggunakan metode Trend Moment.
Metode ini dipilih karena dapat menghindarkan penghitungan peramalan dari unsur
subyektif. Melihat keadaan dimana permintaan terhadap batik sering kali dipengaruhi
oleh faktor musiman yang berkaitan dengan fluktuasi periodik dan relatif konstan, maka
ia mengkombinasikan perhitungan peramalan metode Trend Moment dengan indeks
musim.
Untuk data yang digunakan berasal dari 20 unit industri batik dengan jangka
waktu penjualan dua tahun terakhir. Jenis batik yang ia gunakan adalah batik tulis
buharto.
Universitas Sumatera Utara
18
Kardha (2012) juga melakukan penelitian tentang batik. Pada penelitiannya, ia
membuat sebuah sistem informasi yang diberi nama ProMix dimana sistem tersebut
berguna untuk melakukan peramalan volume produksi dan pendistribusian produk batik
ke masing-masing area penjualannya. Metode yang ia gunakan dalam penelitian ini
adalah metode Trend Moment.
Berikut ini adalah langkah-langkah penelitian yang ia lakukan :
1. Analisis Kebutuhan
Dalam proses ini data dikumpulkan melalui survei lapangan (pencatatan data
perusahaan dalam jangka waktu 3 tahun) serta wawancara dengan pihak
eksekutif perusahaan.
2. Rancangan Diagram Arus Data Sistem
Pada tahap ini data-data yang telah dikumpulkan dibuat rancangan diagram arus
penjualannya pada tiap-tiap daerah pemasaran. Pada diagram arus yang dibuat
akan terlihat alur proses bisnis sehingga memudahkan untuk implementasi
pembangunan sistem.
3. Pembangunan Sistem
Pada tahap ini sistem dibangun sesuai dengan kebutuhan perusahaan.
4. Uji Coba Sistem
Pada tahap ini sistem yang telah dibangun di uji coba apakah sudah layak atau
tidak untuk digunakan.
5. Dokumentasi Pembangunan Sistem
Hal ini dilakukan untuk mengevaluasi jalannya proses pembangunan sistem
sehingga diperoleh kesimpulan untuk pembangunan sistem selanjutnya.
Fungsi dari keseluruhan sistem yang ia bangun adalah sebagai berikut :
1. User maintenance.
2. Maintenance data volume penjualan, data cabang, dan data produk.
3. Proses peramalan.
4. Info laporan peramalan dan volume penjualan.
5. Info grafik penjualan.
Sanmorino (2012) membuat pengelompokan gambar batik menggunakan
algoritma Fuzzy C-Means (FCM) berdasarkan log-rata pencahayaan dari batik.
Universitas Sumatera Utara
19
Algoritma pengelompokan FCM adalah algoritma yang bekerja menggunakan model
fuzzy yang memungkinkan semua data dari semua anggota kelompok terbentuk dengan
derajat keanggotaan yang berbeda antara 0 dan 1. Data yang digunakan adalah 16 jenis
sampel dari jenis batik. Untuk mengambil log-rata pencahayaan dari gambar batik,
dilakukan penghitungan dengan mencari rata-rata geometris dari nilai pencahayaan dari
semua piksel yang disebut dengan Log-Average Luminance (LAL). Pada gambar
grayscale, nilai pencahayaan sama dengan nilai piksel, sedangkan pada gambar
berwarna nilai pencahayaan dicari dengan menjumlahkan semua nilai RGB pada
gambar. Pada proses evaluasinya, ia menggunakan algoritma K-Means Clustering
sebagai pembanding.
Rangkuman dari penelitian-penelitian terdahulu tentang batik dapat dilihat pada
Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu Tentang Batik
No.
1.
Peneliti
(Tahun)
Darmawan
(2012)
Keterangan
Metode
Trend Moment
-
Meramalkan penjualan batik
-
Dibuat dalam bentuk sistem
pendukung keputusan
2.
Kardha
(2012)
Trend Moment
Meramalkan produksi dan
distribusi produk batik
-
Dibuat dalam bentuk sistem
informasi bernama ProMix
3.
Sanmorino
(2012)
Fuzzy C-Means
dan K-Means
Clustering
Mengelompokkan gambar batik
menggunakan log rata
pencahayaan dari gambar batik
berdasarkan Log-Average
Luminance
Untuk penelitian menggunakan metode ELM, Agustina, Anggraeni, &
Mukhlason (2010) menggunakan metode ELM untuk melakukan prediksi permintaan
konsumen. Data yang mereka gunakan adalah data penjualan kaos dan pin dari sebuah
Universitas Sumatera Utara
20
toko di Surabaya. Prediksi kaos dan pin dilakukan secara terpisah karena kedua data
yang mereka kumpulkan adalah data yang tidak saling terkait.
Berikut ini adalah langkah-langkah penelitian yang mereka lakukan :
1. Pengumpulan Data
Pada tahap ini data penjualan kaos dan pin dikumpulkan. Data yang
dikumpulkan berupa data penjualan harian selama dua tahun yaitu tahun 20082009.
2. Peramalan dengan Metode ELM
Pada tahap ini data yang dikumpulkan dibagi ke dalam data training dan data
testing. Data training menggunakan 80% dari jumlah data, sedangkan data
testing sebanyak 20% dari jumlah data ( Zhang, 1997).
3. Analisis Hasil Peramalan
Dalam tahapan ini, hasil peramalan dianalisis tingkat kesalahan peramalannya
menggunakan metode Mean Square Error (MSE) dan Mean Absolute
Percentage Error (MAPE). Selain itu, peramalan dievaluasi dengan
dibandingkan dengan metode peramalan konvensional Moving Average (MA)
dan Exponential Smoothing (ES).
Jia & Hao (2013) dalam penelitiannya melakukan peramalan permintaan
konsumsi air menggunakan metode Adaptive Extreme Learning Machine (AD-ELM).
Metode lanjutan ELM ini dipilih karena AD-ELM dianggap dapat menyelesaikan
masalah perubahan amplitudo dan penentuan tren, dan juga mengurangi efek dari
overfitting networks. Kejadian overfitting networks biasanya membawa peramalan
menjadi tidak akurat dan jauh melebihi rentang data yang ada meskipun data tersebut
sudah bersih dari noise. Selain itu, pemilihan metode AD-ELM juga dikarenakan data
permintaan air yang digunakan sangat besar dan juga kompleks sehingga kemungkinan
terjadinya over-fitting sangat besar. AD-ELM sendiri bekerja dengan menggunakan
data-data yang ada untuk memodifikasi input dari ELM pada proses peramalan dan
menjadikan input tersebut menjadi learning data. Output dari jaringan hanya memiliki
satu buah nilai, yaitu nilai peramalan permintaan konsumsi air.
Fardani, Wuryanto, & Werdiningsih (2015) membuat sistem pendukung
keputusan peramalan jumlah kunjungan pasien menggunakan ELM pada poli gigi di
Universitas Sumatera Utara
21
sebuah rumah sakit. Berikut ini merupakan langkah-langkah penelitian yang mereka
lakukan :
1. Pengumpulan data
2. Pengolahan data menjadi data training dan data testing. Jumlah data
keseluruhan adalah sebanyak 579 data.
3. Peramalan jumlah kunjungan pasien dengan ELM.
4. Perancangan sistem menggunakan sysflow dan pembangunan sistem berbasis
desktop dan evaluasi sistem.
Pada proses peramalan ELM, fungsi aktivasi yang digunakan adalah sigmoid
biner dengan jumlah hidden layer sebanyak 7 unit dan epoch 500 diperoleh hasil optimal
MSE sebesar 0.027.
Rangkuman dari penelitian-penelitian terdahulu yang menggunakan metode
ELM dalam proses peramalan dapat dilihat pada Tabel 2.2.
Tabel 2.2. Penelitian Terdahulu Menggunakan Metode ELM
No.
1.
Peneliti
(Tahun)
Metode
Agustina,
Keterangan
Meramalkan penjualan harian
Anggraeni, &
Extreme Learning
Mukhlason
Machine
(2010)
2.
3
Jia & Hao
Adaptive Extreme
Meramalkan permintaan
(2013)
Learning Machine
konsumsi air
Fardani,
Meramalkan jumlah kunjungan
Wuryanto, &
Extreme Learning
Werdiningsih
Machine
pasien
(2015)
Berdasarkan penelitian-penelitian sebelumnya penulis akan melakukan
penelitian mengenai peramalan penjualan dengan objek penelitian adalah produk batik
dengan menggunakan metode Extreme Learning Machine (ELM). Peramalan penjualan
Universitas Sumatera Utara
22
yang dilakukan berdasarkan motif batik. Karena ELM adalah metode yang memiliki
kecepatan dalam hal learning speed, diharapkan proses peramalan dengan metode ini
berjalan dengan baik dan akurat.
Universitas Sumatera Utara
BAB 2
LANDASAN TEORI
2.1. Batik
Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan
malam pada kain yang telah disediakan, kemudian pengolahannya diproses dengan cara
tertentu yang memiliki kekhasan. Secara etimologi, kata batik berasal dari gabungan
dua kata dalam bahasa Jawa, yaitu “amba” yang berarti menulis dan “tik” yang berarti
titik. Batik sendiri merupakan salah satu warisan budaya Indonesia yang memiliki nilai
seni tinggi dan sudah ditetapkan oleh UNESCO sebagai salah satu Warisan
Kemanusiaan Untuk Budaya Lisan dan Nonbendawi (Masterpieces of the Oral and
Intangible Heritage of Humanity) sejak 2 Oktober 2009.
Walaupun kata batik secara harafiah berasal dari bahasa Jawa, kehadiran batik
di pulau Jawa sendiri tidak tercatat. (Rouffaer, 1991) berpendapat bahwa teknik batik
kemungkinan pertama kali diperkenalkan di India dan Sri langka pada abad ke-6 atau
ke-7. Menurutnya, pola gringsing sudah dikenal sejak abad ke-12 di Kediri, Jawa Timur
dan pola tersebut hanya bisa dibuat menggunakan canting. Pola gringsing sendiri adalah
pola-pola yang dibuat pada kain yang pada zaman dulu dipercaya dapat menolak bala.
Detail ukiran kain yang menyerupai pola batik dikenakan oleh Prajnaparamita, arca
dewi kebijaksanaan Buddha dari Jawa Timur abad ke-13. Detail pakaian menampilkan
pola sulur tumbuhan dan kembang-kembang rumit yang mirip dengan pola batik
tradisional Jawa yang saat ini dapat ditemukan. Hal ini merupakan salah satu bukti
bahwa pembuatan pola batik yang sangat rumit hanya bisa dibuat dengan menggunakan
canting.
Berdasarkan teknik pembuatannya, batik dibedakan menjadi tiga jenis, yaitu
batik tulis, batik cap, dan batik printing.
Universitas Sumatera Utara
7
a) Batik Tulis
Batik tulis adalah batik yang pembuatannya menggunakan canting. Prosesnya
diawalinya dengan membuat pola, mengisi pola hingga pewarnaan kain. Ciri
utama batik tulis adalah memiliki wangi khas dari penggunaan malam (lilin) dan
pewarnaan, dan juga memiliki warna yang sama terang pada kedua sisi karena
pengerjaannya dilakukan pada kedua sisi kain. Untuk pengerjaannya sendiri
membutuhkan waktu 2-3 bulan.
b) Batik Cap
Batik cap dibuat dengan menggunakan bantuan motif batik yang dibentuk dalam
stempel atau cap tembaga. Pengerjaannya dilakukan dengan menempelkan cap
tembaga pada malam panas, kemudian menempelkan cap tembaga tersebut pada
kain batik polos yang telah disiapkan. Ciri utama batik cap adalah pola yang
terbentuk simetris dan teratur, serta memiliki warna yang hanya terang pada satu
sisi kain. Untuk pengerjaannya membutuhkan waktu 2-3 hari.
c) Batik Printing
Batik printing dibuat menggunakan motif pabrikan, yaitu motif batik yang telah
dicetak secara otomatis. Dalam pengerjaannya, batik printing tidak
membutuhkan metode dasar batik karena prosesnya sudah tidak menggunakan
pencegahan serap warna pada malam. Ciri utama batik printing adalah motifnya
yang teratur dan memiliki warna yang terang hanya pada satu sisi kain karena
proses pewarnaan dengan mesin hanya dilakukan pada satu sisi kain.
Pada saat sekarang ini, terdapat ribuan motif batik yang telah diproduksi di
pasaran. Tapi pada umumnya motif batik tersebut dikelompokkan pada empat jenis
utama motif batik sebagai berikut :
a) Motif Geometris
Motif geometris adalah motif batik berbentuk garis-garis. Biasanya motif ini
melambangkan birokrasi pada pemerintahan. Motif batik ini tidak selalu
berbentuk garis lurus, bisa jadi berupa persegi, belah ketupat, ataupun berbentuk
lingkaran.
Universitas Sumatera Utara
8
b) Motif Tumbuhan
Motif tumbuhan pada kain batik biasanya berupa hiasan yang diperoleh dari
objek yang distilir/digayakan. Motif tumbuhan pada batik misalnya berupa
tumbuhan menjalar dan tumbuhan air.
c) Motif Hewan
Motif hewan pada batik berupa bentuk hewan-hewan yang distilir atau
disederhanakan. Hewan-hewan yang digunakan sebagai motif adalah hewanhewan yang dianggap keramat seperti kerbau, burung, singa barong, kupu-kupu,
dan sebagainya.
d) Motif Manusia
Motif manusia dapat ditemukan pada kain tenun dan songket, yang biasanya
juga berbentuk motif yang distilir atau disederhanakan. Motif batik manusia
kebanyakan dianggap sebagai lambang roh nenek moyang ataupun sebagai
lambang kesaktian. Motif manusia pada batik contohnya seperti wayang.
Untuk pembuatan motif sendiri tergantung pada daerah masing-masing dan
biasanya disesuaikan dengan lambang daerah ataupun kebudayaan yang ada pada
daerah tersebut.
2.2. Peramalan (Forecasting)
Peramalan (Forecasting) merupakan salah satu aktifitas fungsi bisnis yang digunakan
untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004).
Peramalan dibuat dengan tujuan untuk meminimumkan ketidakpastian dalam proses
produksi. Dengan kata lain, peramalan adalah alat bantu yang sangat penting untuk
mencapai perencanaan produksi yang efektif dan efisien (Subagyo, 1986).
Berdasarkan sifatnya, peramalan dibedakan menjadi dua jenis, yaitu peramalan
kualitatif dan peramalan kuantitatif (Levine, 2002).
Universitas Sumatera Utara
9
1. Peramalan Kualitatif
Pada metode ini, proses peramalan dilakukan tanpa adanya data historis.
Artinya, peramalan dilakukan dengan mengandalkan intuisi, pendapat ataupun
pengetahuan dari si pembuat peramalan.
2. Peramalan Kuantitatif
Pada metode ini, proses peramalan dilakukan dengan menggunakan data historis
atau kumpulan data-data pada masa lalu. Hasil peramalan nantinya bergantung
pada metode yang digunakan pada peramalan tersebut. Untuk datanya sendiri,
pada jenis peramalan ini data historis yang digunakan dibagi ke dalam dua jenis
kelompok data, yaitu data kausal dan data runtun waktu (Winarno, 2007).
a) Data Kausal (Causal Data)
Pada data kausal, model peramalan yang dikembangkan menggunakan
hubungan sebab-akibat sebagai asumsi, yaitu apa yang terjadi pada masa
lalu, akan kembali terulang di masa mendatang.
b) Data Runtun Waktu (Time Series Data)
Data runtun waktu (time series data) adalah data yang menggambarkan
suatu objek dari waktu ke waktu atau periode secara historis dan terjadi
berurutan (Winarno, 2007). Data runtun waktu mencakup penelitian pola
data yang digunakan apakah stasioner atau tidak.
Dalam peramalan menggunakan data runtun waktu, satu hal yang harus
diperhatikan adalah bagaimana pola data yang terbentuk. Menurut Makridakis (1999),
pada data runtun waktu pola data yang terbentuk ada empat :
1. Pola Data Horizontal
Pola data horizontal terjadi jika data berfluktuasi di sekitar nilai rata-rata yang
konstan.
Universitas Sumatera Utara
10
Gambar 2.1. Data Runtun Waktu Dengan Pola Horizontal (Tanjung, 2012)
Gambar 2.1 menunjukkan grafik jumlah penjualan beras pada sebuah usaha
pengecer beras dalam kurun waktu satu tahun. Dapat dilihat pada gambar 2.1 bahwa
penjualan beras berfluktuasi secara konstan, yaitu sekitar 5 karung beras setiap
bulannya.
2. Pola Data Tren
Pola data tren terbentuk jika terjadi kenaikan atau penurunan sekuler jangka
panjang. Artinya pola data tersebut naik turun atau bahkan konstan dalam jangka
waktu yang panjang.
Gambar 2.2. Data Runtun Waktu Dengan Pola Tren (Tanjung, 2012)
Universitas Sumatera Utara
11
Gambar 2.2 menunjukkan grafik produk domestik bruto yaitu jumlah nilai
produk barang dan jasa yang dihasilkan oleh unit-unit produksi di dalam batas wilayah
suatu negara selama satu tahun. Pada gambar 2.2 terlihat pola kenaikan untuk jangka
waktu yang panjang, yaitu dari tahun pertama hingga tahun ke-11.
3. Pola Data Siklis
Pola data siklis terjadi apabila fluktuasi permintaan jangka panjang membentuk
pola siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.
Gambar 2.3. Data Runtun Waktu Dengan Pola Siklus (Tanjung, 2012)
Gambar 2.3 menunjukkan grafik penjualan mobil dari tahun 2000 sampai tahun
2008 pada sebuah perusahaan dealer mobil. Pada gambar 2.3 dapat ditunjukkan bahwa
penjualan mobil dipengaruhi oleh faktor ekonomi di Indonesia tiap tahunnya. Gambar
2.3 juga menunjukkan bahwa pada tahun 2002 dan 2008 adalah tahun dimana ekonomi
rakyat lebih baik dari tahun lainnya, sehingga penjualan mobil sebagai bahan kebutuhan
tersier meningkat.
4. Pola Data Musiman
Pola data musiman terjadi jika jika dalam data terlihat pengulangan otomatis
dalam interval tertentu.
Universitas Sumatera Utara
12
Gambar 2.4. Data Runtun Waktu Dengan Pola Musiman (Tanjung, 2012)
Gambar 2.4 menunjukkan grafik penjualan baju seragam sekolah dalam kurun
waktu satu tahun. Pada gambar 2.4 dapat dilihat bahwa terjadi kenaikan penjualan
seragam pada bulan pertama (Januari) dan bulan ke-7 (Juli). Hal ini disebabkan karena
pada bulan tersebut adalah bulan awal masuk tahun ajaran baru sehingga penjualan
seragam sekolah meningkat pada bulan tersebut.
Selain berdasarkan sifat, peramalan juga dibedakan berdasarkan jangka waktu
peramalan. Ada tiga jenis peramalan berdasarkan jangka waktu, yaitu peramalan jangka
pendek, peramalan jangka menengah, dan peramalan jangka panjang.
1. Peramalan Jangka Pendek
Peramalan jangka pendek dilakukan dalam kurun waktu kurang dari 3 bulan.
2. Peramalan Jangka Menengah
Peramalan jangka menengah dilakukan dalam kurun waktu 3 sampai 18 bulan.
Peramalan penjualan termasuk dalam peramalan jangka menengah.
3. Peramalan Jangka Panjang
Peramalan jangka panjang dilakukan dalam kurun waktu lebih dari 18 bulan.
Universitas Sumatera Utara
13
Peramalan kuantitatif banyak digunakan untuk jenis peramalan jangka pendek
dan menengah, sedangkan peramalan kualitatif banyak digunakan untuk peramalan
jangka panjang.
2.3. Ukuran Akurasi Peramalan
Suatu peramalan perlu diukur ketepatannya karena pada nantinya peralaman tersebut
akan digunakan dalam dunia bisnis. Hal ini dilakukan karena tidak mungkin suatu
peramalan benar-benar akurat dan sesuai dengan keadaan yang sebenarnya. Artinya
dalam setiap peramalan, pasti terdapat yang namanya tingkat kesalahan peramalan.
Ukuran ketepatan peramalan yang sering digunakan adalah Mean Absolute Deviation
(MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE)
(Makridakis, 1999).
1. Mean Absolute Deviation (MAD)
Mean Absolute Deviation (MAD) digunakan untuk mengukur ketepatan
ramalan dengan rata-rata kesalahan dugaan (nilai absolut masing-masing
kesalahan). MAD berguna ketika seseorang ingin mengukur kesalahan ramalan
dalam unit yang sama sebagai deret asli. MAD dirumuskan sebagai berikut :
� =
Dimana :
∑|
�=
�
− ̂� |
(2.1)
= Jumlah periode
�
̂�
= Nilai peramalan
= Nilai aktual
2. Mean Square Error (MSE)
Mean Square Error (MSE) merupakan metode lain untuk mengukur kesalahan
peramalan. Dalam metode ini, masing-masing kesalahan atau sisa dikuadratkan,
kemudian dijumlahkan atau dibagi dengan jumlah observasi. Pendekatan ini
mengatur kesalahan peramalan yang besar karena kesalahan-kesalahan tersebut
dikuadratkan. Suatu teknik yang menghasilkan kesalahan moderat mungkin
Universitas Sumatera Utara
14
lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang
menghasilkan sesuatu yang sangat besar. MSE dirumuskan sebagai berikut :
=
∑(
�=
�
− ̂� )
(2.2)
3. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan
kesalahan aboslut pada setiap periode dan membaginya dengan nilai observasi
pada periode tersebut. Setelah itu persentasi absolutnya dirata-ratakan
(Nurmaida,2002). Metode ini sangat berguna apabila ukuran variabel
merupakan faktor penting dalam mengevaluasi akurasi peramalan. MAPE
dirumuskan sebagai berikut :
�� =
∑
�=
|
�
− ̂� |
(2.3)
�
2.4. Metode Extreme Learning Machine (ELM)
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari
jaringan syaraf tiruan. ELM termasuk pada feedforward neural network yang memiliki
satu single hidden layer (Sun et al, 2008). Metode ELM dipercaya dapat mengatasi
permasalah learning speed yang selama ini terjadi pada metode-metode lain pada feedforward neural networks (Huang et al, 2005). Menurut mereka terdapat dua alasan
kenapa feed-forrward neural networks memiliki learning speed yang rendah :
1. Feedforward neural networks menggunakan slow gradient based learning
algorithm dalam melakukan proses training.
2. Semua parameter pada jaringan ditentukan secara iterative dengan
menggunakan metode pembelajaran tersebut.
Parameter yang dimaksud disini adalah input weight dan hidden bias yang
berhubungan antar layer sehingga learning speed berjalan sangat lama dan kejadian
Universitas Sumatera Utara
15
terjebak dalam local minima sering terjadi (Huang et al, 2005). Sedangkan pada ELM,
input weight dan hidden bias dipilih secara acak sehingga menghasilkan learning speed
yang cepat dan mampu menghasilkan performa yang baik.
Berikut ini adalah gambaran umum struktur ELM :
Gambar 2.5. Struktur Umum ELM
ELM memanfaatkan teori invers matrik dalam proses pembelajarannya. Teori
yang digunakan adalah moore penrose pseudoinverse. Gambar 2.5 menunjukkan
sebuah model sederhana single-hidden layer feedforward networks (SLFNs) yang
merupakan struktur umum dari ELM. Diberikan sebanyak n input, m neuron pada
hidden layer dan fungsi aktivasi g(x). misalkan X = [ x1,x2,x3,… xn] dengan xi
merupakan nilai input pada jaringan tersebut. α merupakan matriks bobot penghubung
input layer dan hidden layer maka α matriks mempunyai ukuran nxm. Penentuan nilai
elemen-elemen matrik tersebut dilakukan secara acak. Kemudian setiap nilai tersebut
diolah pada hidden layer menggunakan fungsi aktivasi tertentu dan nilai tersebut
dihimpun dalam sebuah matrik H dengan ordo lxm (H = [h1,hβ,hγ,… hn]). Moore
Universitas Sumatera Utara
16
penrose pseudoinverse digunakan untuk menentukan nilai bobot antara hiddent layer
dan output layer β.
Metode ELM memiliki model matematis yang berbeda dengan feed-forward
neural networks pada umumnya, dimana model matematis ELM berbentuk lebih
sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N
jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
�
=[
=[
�
+
+
�
,……
,……
]� ∈
(2.4)
]� ∈
�
(2.5)
Standar SLFNs dengan jumlah hidden nodes sebanyak N dan fungsi aktivasi
g(x) dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
= ∑�
∑�
=
=
Dimana : �
(
∙
+�)=
(2.6)
= 1,2,...., N
,
=
�
,…,
, merupakan vektor dari weight yang
menghubungkan i th hidden nodes dan input nodes.
�
�
=
� ,� ,…,�
�
,
merupakan
weight
vector
yang
menghubungkan i th hidden nodes dan input nodes.
= treshold dari i th hidden nodes.
= Inner product dari Wi dan Xj
SLFNs dengan N hidden nodes dan activation function g(x) diasumsikan dapat
memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al,
2010) :
∑‖
=
−� ‖=
(2.7)
sehingga oj = tj
Universitas Sumatera Utara
17
∑�
=
∙
+� = �
(2.8)
Persamaan 2.11 di atas dapat disempurnakan lagi menjadi sebagai berikut:
��=
Dimana : �
�
(2.9)
= Hidden layer dari output matriks.
= output weight.
= Matriks dari target atau output.
Pada ELM input weight dan hidden bias ditentukan secara random, maka
output weight yang berhubungan dengan hidden layer dirumuskan sebagai berikut :
� = �+
(2.10)
2.5. Penelitian Terdahulu
Penelitian mengenai peramalan sudah sering dilakukan. Dalam dunia industri,
peramalan biasanya dilakukan untuk meramalkan penjualan dan permintaan. Hal ini
dilakukan karena peramalan memang terbukti dapat meningkatkan kualitas produksi.
Begitu juga dengan batik. Bersinarnya batik di dunia industri pakaian diikuti oleh
penelitian-penelitian tentang batik itu sendiri.
Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan
untuk meramalkan penjualan batik tulis dengan menggunakan metode Trend Moment.
Metode ini dipilih karena dapat menghindarkan penghitungan peramalan dari unsur
subyektif. Melihat keadaan dimana permintaan terhadap batik sering kali dipengaruhi
oleh faktor musiman yang berkaitan dengan fluktuasi periodik dan relatif konstan, maka
ia mengkombinasikan perhitungan peramalan metode Trend Moment dengan indeks
musim.
Untuk data yang digunakan berasal dari 20 unit industri batik dengan jangka
waktu penjualan dua tahun terakhir. Jenis batik yang ia gunakan adalah batik tulis
buharto.
Universitas Sumatera Utara
18
Kardha (2012) juga melakukan penelitian tentang batik. Pada penelitiannya, ia
membuat sebuah sistem informasi yang diberi nama ProMix dimana sistem tersebut
berguna untuk melakukan peramalan volume produksi dan pendistribusian produk batik
ke masing-masing area penjualannya. Metode yang ia gunakan dalam penelitian ini
adalah metode Trend Moment.
Berikut ini adalah langkah-langkah penelitian yang ia lakukan :
1. Analisis Kebutuhan
Dalam proses ini data dikumpulkan melalui survei lapangan (pencatatan data
perusahaan dalam jangka waktu 3 tahun) serta wawancara dengan pihak
eksekutif perusahaan.
2. Rancangan Diagram Arus Data Sistem
Pada tahap ini data-data yang telah dikumpulkan dibuat rancangan diagram arus
penjualannya pada tiap-tiap daerah pemasaran. Pada diagram arus yang dibuat
akan terlihat alur proses bisnis sehingga memudahkan untuk implementasi
pembangunan sistem.
3. Pembangunan Sistem
Pada tahap ini sistem dibangun sesuai dengan kebutuhan perusahaan.
4. Uji Coba Sistem
Pada tahap ini sistem yang telah dibangun di uji coba apakah sudah layak atau
tidak untuk digunakan.
5. Dokumentasi Pembangunan Sistem
Hal ini dilakukan untuk mengevaluasi jalannya proses pembangunan sistem
sehingga diperoleh kesimpulan untuk pembangunan sistem selanjutnya.
Fungsi dari keseluruhan sistem yang ia bangun adalah sebagai berikut :
1. User maintenance.
2. Maintenance data volume penjualan, data cabang, dan data produk.
3. Proses peramalan.
4. Info laporan peramalan dan volume penjualan.
5. Info grafik penjualan.
Sanmorino (2012) membuat pengelompokan gambar batik menggunakan
algoritma Fuzzy C-Means (FCM) berdasarkan log-rata pencahayaan dari batik.
Universitas Sumatera Utara
19
Algoritma pengelompokan FCM adalah algoritma yang bekerja menggunakan model
fuzzy yang memungkinkan semua data dari semua anggota kelompok terbentuk dengan
derajat keanggotaan yang berbeda antara 0 dan 1. Data yang digunakan adalah 16 jenis
sampel dari jenis batik. Untuk mengambil log-rata pencahayaan dari gambar batik,
dilakukan penghitungan dengan mencari rata-rata geometris dari nilai pencahayaan dari
semua piksel yang disebut dengan Log-Average Luminance (LAL). Pada gambar
grayscale, nilai pencahayaan sama dengan nilai piksel, sedangkan pada gambar
berwarna nilai pencahayaan dicari dengan menjumlahkan semua nilai RGB pada
gambar. Pada proses evaluasinya, ia menggunakan algoritma K-Means Clustering
sebagai pembanding.
Rangkuman dari penelitian-penelitian terdahulu tentang batik dapat dilihat pada
Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu Tentang Batik
No.
1.
Peneliti
(Tahun)
Darmawan
(2012)
Keterangan
Metode
Trend Moment
-
Meramalkan penjualan batik
-
Dibuat dalam bentuk sistem
pendukung keputusan
2.
Kardha
(2012)
Trend Moment
Meramalkan produksi dan
distribusi produk batik
-
Dibuat dalam bentuk sistem
informasi bernama ProMix
3.
Sanmorino
(2012)
Fuzzy C-Means
dan K-Means
Clustering
Mengelompokkan gambar batik
menggunakan log rata
pencahayaan dari gambar batik
berdasarkan Log-Average
Luminance
Untuk penelitian menggunakan metode ELM, Agustina, Anggraeni, &
Mukhlason (2010) menggunakan metode ELM untuk melakukan prediksi permintaan
konsumen. Data yang mereka gunakan adalah data penjualan kaos dan pin dari sebuah
Universitas Sumatera Utara
20
toko di Surabaya. Prediksi kaos dan pin dilakukan secara terpisah karena kedua data
yang mereka kumpulkan adalah data yang tidak saling terkait.
Berikut ini adalah langkah-langkah penelitian yang mereka lakukan :
1. Pengumpulan Data
Pada tahap ini data penjualan kaos dan pin dikumpulkan. Data yang
dikumpulkan berupa data penjualan harian selama dua tahun yaitu tahun 20082009.
2. Peramalan dengan Metode ELM
Pada tahap ini data yang dikumpulkan dibagi ke dalam data training dan data
testing. Data training menggunakan 80% dari jumlah data, sedangkan data
testing sebanyak 20% dari jumlah data ( Zhang, 1997).
3. Analisis Hasil Peramalan
Dalam tahapan ini, hasil peramalan dianalisis tingkat kesalahan peramalannya
menggunakan metode Mean Square Error (MSE) dan Mean Absolute
Percentage Error (MAPE). Selain itu, peramalan dievaluasi dengan
dibandingkan dengan metode peramalan konvensional Moving Average (MA)
dan Exponential Smoothing (ES).
Jia & Hao (2013) dalam penelitiannya melakukan peramalan permintaan
konsumsi air menggunakan metode Adaptive Extreme Learning Machine (AD-ELM).
Metode lanjutan ELM ini dipilih karena AD-ELM dianggap dapat menyelesaikan
masalah perubahan amplitudo dan penentuan tren, dan juga mengurangi efek dari
overfitting networks. Kejadian overfitting networks biasanya membawa peramalan
menjadi tidak akurat dan jauh melebihi rentang data yang ada meskipun data tersebut
sudah bersih dari noise. Selain itu, pemilihan metode AD-ELM juga dikarenakan data
permintaan air yang digunakan sangat besar dan juga kompleks sehingga kemungkinan
terjadinya over-fitting sangat besar. AD-ELM sendiri bekerja dengan menggunakan
data-data yang ada untuk memodifikasi input dari ELM pada proses peramalan dan
menjadikan input tersebut menjadi learning data. Output dari jaringan hanya memiliki
satu buah nilai, yaitu nilai peramalan permintaan konsumsi air.
Fardani, Wuryanto, & Werdiningsih (2015) membuat sistem pendukung
keputusan peramalan jumlah kunjungan pasien menggunakan ELM pada poli gigi di
Universitas Sumatera Utara
21
sebuah rumah sakit. Berikut ini merupakan langkah-langkah penelitian yang mereka
lakukan :
1. Pengumpulan data
2. Pengolahan data menjadi data training dan data testing. Jumlah data
keseluruhan adalah sebanyak 579 data.
3. Peramalan jumlah kunjungan pasien dengan ELM.
4. Perancangan sistem menggunakan sysflow dan pembangunan sistem berbasis
desktop dan evaluasi sistem.
Pada proses peramalan ELM, fungsi aktivasi yang digunakan adalah sigmoid
biner dengan jumlah hidden layer sebanyak 7 unit dan epoch 500 diperoleh hasil optimal
MSE sebesar 0.027.
Rangkuman dari penelitian-penelitian terdahulu yang menggunakan metode
ELM dalam proses peramalan dapat dilihat pada Tabel 2.2.
Tabel 2.2. Penelitian Terdahulu Menggunakan Metode ELM
No.
1.
Peneliti
(Tahun)
Metode
Agustina,
Keterangan
Meramalkan penjualan harian
Anggraeni, &
Extreme Learning
Mukhlason
Machine
(2010)
2.
3
Jia & Hao
Adaptive Extreme
Meramalkan permintaan
(2013)
Learning Machine
konsumsi air
Fardani,
Meramalkan jumlah kunjungan
Wuryanto, &
Extreme Learning
Werdiningsih
Machine
pasien
(2015)
Berdasarkan penelitian-penelitian sebelumnya penulis akan melakukan
penelitian mengenai peramalan penjualan dengan objek penelitian adalah produk batik
dengan menggunakan metode Extreme Learning Machine (ELM). Peramalan penjualan
Universitas Sumatera Utara
22
yang dilakukan berdasarkan motif batik. Karena ELM adalah metode yang memiliki
kecepatan dalam hal learning speed, diharapkan proses peramalan dengan metode ini
berjalan dengan baik dan akurat.
Universitas Sumatera Utara