implementasi jaringan saraf tiruan untuk memprediksi jumlah

Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
IMPLEMENTASI JARINGAN SARAF TIRUAN UNTUK
MEMPREDIKSI JUMLAH PENJUALAN SKINCARE
SARIAYU DENGAN MENGGUNAKAN METODE
BACKPROPAGATION (STUDI KASUS :
PT. SAI INDONESIA)
Yeshika Novryanti Br Mangunsong
Mahasiswa Jurusan Teknik Informatika STMIK BUDIDARMA Medan
JL. Sisingamangaraja No. 338 Simpang Limun Medan
ABSTRAK
Jaringan syaraf tiruan merupakan program computer yang dapat meniru proses pemikiran dan
pengetahuan untuk menyelesaikan suatu masalah yang spesifik. Implementasi jaringan syaraf tiruan banyak
dipandang sebagai cara penyimpanan pengetuhan pada bidang tertentu dalam program computer sehingga
keputusan dapat diberikan secara cerdas. Salah satu implementasi yang diterapkan jaringan syaraf tiruan untuk
melakukan prediksi jumlah penjualan skincare sariayu. Diharapkan dengan sistem ini, orang awam dapat
menyelesaikan masalah tertentu baik sedikit rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut.
Sedangkan bagi para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman. Aplikasi yang
dikembangkan ini bertujuan untuk memprediksi keterjumlah penjualan dengan hanya menganalisa data
tersebut. Dengan menggunakan metode Backpropagation, maka akan diketahui prediksi jumlah penjualan
skincare sariayu tersebut. Metode Backpropagation sangat bermanfaat untuk Jaringan syaraf tiruan
memprediksi jumlah penjualan skincare sariayu.
Kata Kunci : Jaringan Syaraf Tiruan, Prediksi, Backpropagation. Matlab 6.1
mempersingkat
waktu, lebih mudah dan
pekerjaanya lebih cepat. Berdasarkan penulisan
diatas maka penulis memilih judul “Implementasi
Jaringan Saraf Tiruan Untuk Memprediksi Jumlah
Penjualan Skincare Sariayu Dengan Menggunakan
Metode Backpropagation”(Studi Kasus: PT. SAI
Indonesia)”.
1.
Latar Belakang Masalah
Jaringan saraf tiruan merupakan sistem yang
memproses informasi yang mencoba meniru kinerja
otak manusia. Jaringan saraf tiruan mampu
melakukan pengenalan kegiatan berbasis data masa
lalu. Data masa lalu akan dipelajari oleh jaringan
saraf tiruan sehingga mempunyai kemampuan
untuk memberikan keputusan terhadap data yang
belum pernah dipelajari dan merupakan alat untuk
memecahkan masalah. Jaringan saraf tiruan yang
berupa susunan sel-sel saraf tiruan(neuron)
dibangun berdasarkan prinsip-prinsip organisasi
otak manusia. PT. SAI INDONESIA adalah salah
satu perusahaan terbesar di Indonesia, dimana
bergelut dibidang kosmetik. Dimana pada
perusahaan ini mengalami masalah dalam proses
pengorderan. Sehingga barang yang diorder tidak
sesuai dengan permintaan, yang mengakibatkan
pengosongan barang dan penjualan menurun akibat
kekosongan barang tersebut.
Dalam usaha peningkatan efisiensi dan
efektivitas dalam pengelolaan data-data dari suatu
proses transaksi atau penjualan maka diperlukan
sebuah sistem basis data yang mampu
mengintegrasikan data-data yang ada dalam sebuah
sistem yang akan memudahkan pengolahan datadata tersebut. Maka proses perolehan data dan
penjualan yang telah ada dapat digunakan dengan
menggunakan
matlab
6.1,
yang
dapat
1.2 Perumusan Masalah
Adapun masalah yang akan dibahas dalam
penelitian ini adalah sebagai berikut:
1. Bagaimana proses yang dilakukan untuk
menentukan jumlah penjualan dan perkiraan
penjualan di PT. SAI Indonesia?
2. Bagaimana
menerapkan
metode
backpropagation untuk memprediksi jumlah
penjualan skincare Sariayu?
3. Bagaimana memprediksi jumlah penjualan
skincare Sariayu dari januari 2013 sampai juni
2016 dengan menggunakan aplikasi matlab 6.1?
1.3 Batasan Masalah
Batasan masalah dalam penulisan skripsi ini
diperlukan agar penulisan skripsi ini lebih terarah
agar pembahasan tidak menyimpang dari tujuan
yang ingin dicapai maka diberi batasan sebagi
berikut :
1. Hanya mencakup item Kosmetik rangkaian
skincare sariayu.
120
121
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
2.
Data yang diambil mulai dari januari 2013
sampai juni 2016.
3. Tools
yang
digunakan
untuk
mengimplementasikan aplikasi adalah Matlab
6.1.
1.4 Tujuan dan Manfaat Penelitian
1.4.1 Tujuan Penelitian
Berdasarkan perumusan masalah diatas,
maka tujuan dari penelitian ini adalah:
1. Menganalisa proses prediksi penjualan barang
di PT. SAI Indonesia melalui riset dari januari
2013 sampai juni 2016.
2. Menerapkan metode Backpropagation dalam
penentuan jumlah penjualan skincare Sariayu.
3. Menganalisa hasil perolehan data dengan
menggunakan matlab 6.1 untuk penjualan
skincare sariayu di PT. SAI Indonesia.
Ada tiga tujuan kecerdasan buatan, yaitu:
membuat komputer lebih cerdes, mengerti tentang
kecerdasan, dan membuat mesin lebih berguna.
Yang dimaksud kecerdasan adalah kemampuan
untuk belajar atau mengerti dari pengalaman,
memahani pesan yang kontradiktif dan ambigu,
menggunakan penalaran dalam memecahkan
masalah serta menyelesaikan dengan efektif.
Kecerdasan buatan berbeda dengan program
konvensional.
Beberapa bidang penelitian dalam
keceerdasan buatan di antaranya :
1. Formal tasks (matematika, games)
2. Mundane task (perception, robotics, natural
language, common sense, reasoning)
3. Expert tasks (financial analysis, medical
diagnotict, engineering, scientific analysis).
2. Landasan Teori
2.1 Pengertian Implementasi
Implementasi adalah suatu aktivitas yang
dilakukan karena adanya kebijaksanaan yang telah
disusun sebelumnya, yang meliputi kebutuhan apa
saja yang diperlukan, siapa pelaksana implementasi
tersebut, kapan pelaksanaan implementasi tersebut,
serta kapan target selesainya implementasi tersebut,
semua sedah direncanakan di awal .
2.2.1 Konsep Kecerdasan Buatan
Ada beberapa konsep yang harus dipahami
dalam kecerdasan buatan, diantaranya :
1. Turing Test- Metode Pengujian Kecerdasan
Turing Test merupakan sebuah metode
pengujian kecerdasan yang dibuat oleh alan
turing. Proses uji ini melibatkan seorang
penanya (manusia) dan dua obyek yang
ditanyai. Yang satu adalah seorang manusia
dan satunya adalah seorang manusia dan
satunya adalah sebuah mesin yang akan diuji.
Penanya tidak dapat melihat langsung kepada
obyek yang ditanyai. Penanya diminta untuk
membedakan mana jawaban komputer dan
mana jawaban manusia maka turing
berpendapat bahwa mesin yang diuji tersebut
dapat diasumsikan CERDAS.
2. Pemrosesan Simbolik
Komputer semula didesain untuk memproses
bilangan atau angka-angka
(pemrosesan
numerik). Sementara manusia dalam berfikir
dan menyelesaikan masalah lebih bersifat
simbolik.
2.2 Pengertian Artificial Intelegence
Kecerdasan buatan atau Artificial Inteligen
merupakan salah satu bagian ilmu pengetahuan
yang membuat agar mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang
dilakukan manusia (Kusumadewi, 2003).
Kecerdasan buatan memiliki beberapa
kelebihan, antara lain:
1. Kecerdasan buatan lebih permanen, sedangkan
kecerdasan alami dapat mengalami perubahan,
ini dikarenakan faktor sifat manusia yang
mudah lupa.
2. Kecerdasan buatan lebih mudah untuk
diduplikasikan dan disebarkan.
3. Kecerdasan buatan lebih konsisten.
4. Kecerdasan buatan lebih murah daripada
kecerdasan alami.
2.2.2 Perbedaan Kecerdasan Buatan Dan
Kecerdasan Alami
Kelebihan kecerdasan buatan antara lain:
1. Lebih bersifat permanen. Kecerdasan alami
bisa berubah karena sifat manusia pelupa.
Kecerdasan buatan tidak berubah selama
sistem komputer dan program tidak
mengubahnya.
2. Lebih mudah diduplikasi dan disebarkan.
Mentransfer pengetahuan manusia dari 1
orang ke orang lain membutuhkan proses yang
sangat lama dan keahlian tidak akan pernah
dapat diduplikasi dengan lengkap. Jadi jika
pengetahuan terletak pada suatu sistem
komputer, pengetahuan tersebut dapat disalin
dari komputer tersebut dan dapat dipindahkan
dengan lebih mudah kekomputer lain.
1.4.2
Manfaat Penelitian
Penelitian ini dilakukan dengan harapan dapat
memberikan manfaat diantaranya:
1. Untuk memprediksi penjualan skincare sariayu
sehingga tidak terjadi penumpukan stock di
gudang.
2. Dapat menentukan jumlah penjualan skincare
sariayu sehingga tidak terjadi kekosongan
barang pada PT. SAI Indonesia
3. Mendapatkan ilmu pengetahuan terhadap
keunggulan product skincare sariayu pada PT.
SAI Indonesia.
122
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
3.
4.
5.
6.
1.
2.
3.
Lebih mudah menyediakan layanan komputer
akan lebih mudah dan murah dibandingkan
mendatangkan seseorang untuk mengerjakan
sejumlah pekerjaan dalam jangka waktu yang
sangat lama . bersifat konsisten nkarena
kecerdasan buatan adalah bagian dari
komputer.
Dapat didokumentasi keputusan yang dibuat
komputer dapat didokumentasi dengan mudah
dengan cara melacak setiap aktivitas dari
sistem tersebut.
Cara kerja Lebih cepat
Hasil lebih baik
Kelebihan kecerdasan alami yaitu:
Kreatif : manusia memiliki kemampuan untuk
menambah
pengetahuan
sedangkan
keceerdasan
buatan untuk
menambah
pengetahuan harus dilakukan melalui sistem
yang dibangun
Memungkinkan orang untuk menggunakan
pengalaman secara langsung, sedangkan pada
kecerdasan buatan harus bekerja dengan inputinput simbolik
Pemikiran manusia dapat digunakan secara
luas, sedangkan kecerdasan buatan sangat
terbatas, (Kecerdasan Buatan, Saintikom, Vol
v, Edisi 2, 2008).
2.2 Pengertian Jaringan Saraf Tiruan
Ada beberapa tipe jaringan syaraf tiruan,
namun demikian, hampir
semuanya memiliki
komponen-komponen yang sama. Seperti halnya
otak manusia, jaringan syaraf tiruan juga terdiri
dari beberapa neuron-neuron dan terdapat
hubungan antar neuron-neuron tersebut. Neuronneuron tersebut akan mentransformasikan informasi
yang diterima melalui sambungan keluarnya
menuju ke neuron-neuron yang lain.
Gambar 3.1 Susunan Neuron Jaringan Saraf Tiruan
Sumber : Kusumadewi, (2003)
Pada gambar 3.1 menunjukkan struktur
neuron pada jaringan syaraf pada jaringan syaraf,
neuron-neuron akan dikumpulkan dalam lapisanlapisan (layer) yang disebut dengan lapisan neuron
(neuronlayers).
2.2.1 Aplikasi Jaringan Syaraf Tiruan
Menurut
Diyahpuspitaningrum,
(2006),
lapisan penyusun jaringan syaraf tiruan dibedakan
menjadi tiga yaitu :
1. Lapisan input
Node - node didalam lapisan input disebut unit
– unit input. Unit – unit input menerima input
dari dunia luar. Input yang dimasukkan
merupakan gambaran dari suatu masalah.
2. Lapisan tersembunyiNode – node dalam lapisan
tersembunyi disebut unit – unit tersembunyi.
Output dari lapisan ini tidak secara langsung
dapat teramati.
3. lapisan output
Node – node pada lapisan output disebut unit –
unit output. Keluaran atau output dari lapisan ini
merupakan jaringan saraf tiruan terhadap suatu
permasalahan.
Pembangunan sistem AI yang didasarkan pada
pendekatan jaringan syaraf tiruan secara umum
meliputi langkah-langkah berikut:
1.
Memilih model jaringan syaraf tiruan yang
sesuai
didasarkan
pada
sifat
dasar
permasalahan.
2.
Membangun jaringan syaraf tiruan yang
sesuai
dengan
karakteristik
domain
aplikasinya
3.
Melatih jaringan syaraf tiruan sesuai dengan
prosedur pembelajaran dari model yang
dipilih.
4.
Menggunakan jaringan yang telah dilatih
sebagai pembuatan inferensi atau pemecahan
masalah. Jika hasilnya memuasakan maka
kembali kelangkah berikutnya.
3.3.2 Asitektur Jaringan
Skema Jaringan Syaraf Tiruan dengan
menggunakan algoritma galat mundur memiliki 3
lapisan yaitu sebagai berikut (Penerapan Jaringan
Syaraf Tiruan Untuk Mengukur Tingkat Korelasi
Antara NEM dengan IPK Kelulusan Mahasiswa,
Telkomnika 1693-6930, Vol vii, Edisi 3, 2009):
1. Satu lapisan masukan yang terdiri atas 3 unit
sel
2. Satu Lapisan tersembunyi dengan jumlah unit
sel yang ditentukan secara acak.
3. Satu lapisan keluaran berjumlah 1 unit sel
sebagai target.
3.3.3 Istilah –istilah Jaringan Saraf Tiruan
Berikut ini beberapa jaringan syaraf tiruan
yang sering ditemui Diyah Puspitaningrum, (2006).
1. Neuron atau Nod atau Unit
Sel saraf tiruan yang merupakan elemen
pengolahan jaringan saraf tiruan. Setiap
neuron menerima data input, memproses input
tersebut (melakukan sejumlah perkalian
dengan melibatkan summation function dan
fungsi aktivasi).
2. Jaringan
123
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
Kumpulan neuron yang saling terhubung dan
membentuk lapisan
3. Input atau Masukan
Berkorespon dengan sebuah atribut tunggal
dari sebuah pola atau data lain dari dunia luar.
Sinyal-sinyal input ini kemudian diteruskan ke
lapisan selanjutnya.
4. Output atau Keluaran
Solusi atau hasil pemahaman jaringan
terhadap data input. Tujuan pembangunan
jaringan saraf tiruan sendiri adalah untuk
mengetahui nilai output.
5. Lapisan Tersembunyi( Hidden layer)
Lapisan yang tidak secara langsung
berinteraksi dengan dunia luar. Lapisan ini
memperluas kemampuan jaringan saraf tiruan
dalam menghadapi masalah-masalah yang
komples.
6. Bobot
Bobor dalam jaringan saraf tiruan merupakan
nilai matematis dari koneksi yang mentransfer
data dari satu lapisan kelapisan lainnya. Bobot
ini digunakan untuk mengatur jaringan
sehingga
jaringan
saraf tiruan bisa
menghasilkan output
yang diinginkan
sekaligus bertujuan membuat jaringan tersebut
belajar.
7. Summation Function
Fungsi yang digunakan untuk mencari ratarata bobot dari semua elemen input. Yang
sederhana adalah dengan mengalihkan setiap
nilai input. Yang sederhana adalah dengan
mengalihkan setiap nilai input (Xj) dengan
bobotnya (Wij).
8. Fungsi Aktivasi atau Fungsi Transfer
Fungsi yang menggambarkan hubungan antara
tingkat aktivasi internal (summation function)
yang mungkin berbentuk aktivasi internal.
9. Paradigma Pembelajaran
Cara berlangsungnya atau pelatihan jaringan
saraf tiruan , apakah terawasi atau tidal
terawasi.
10. Aturan Pembelajaran
Aturan kerja umum dari teknik atau algoritma
jaringan saraf tiruan
3.3.4 Penelitian Dengan Bantuan Jaringan
Saraf Tiruan
Berikut ini dibahas penelitian yang
menggunakan jaringan saraf tiruan
Diyah
Puspitaningrum, (2006).
1. Hypernet : Penerapan Jaringan Saraf Tiruansistem pakar untuk pendiagnosisan dan
perawatan tekanan darah tinggi.
2. Pengenalan pola tulisan tangan: menggunakan
jaringan saraf tiruan dan logika samar
3. Mesin ketik suara (neural phonetic typewrite)
yang menerjemahkan suara kedalam bentuk
tulisan.
3.4
Pengertian Backpropagation
Metode bacpropagation (propagasi balik)
merupakan metode pembelajaran lanjut yang
dikembangkan dari aturan perceptron hal yang
ditiru dari perceptrona adalah tahapan dalam
algoritma jaringan. Metode backpropagation ini
digunakan untuk menginput data secara manual dan
yang akan diteruskan dengan menggunakan metode
matlab agar data dan penginputannya cepat dan
akurat dengan bantuan matlab.
Sebagian besar pelatihan untuk jaringan
feedfoward.(umpan maju) menggunakan gradient
dari fungsi aktivasi untuk menentukan bagaimana
mengatur
bobot-bobot
dalam
rangka
meminimumkan kinerja. Gradient ini ditentukan
dengan menggunakan suatu teknik yang disebut
backpropagation. Pada dasarnya, algoritma
pelatihan
standar
backpropagation
akan
menggerakkan bobot dengan arah gradient negatif.
Prinsip dasar dari algoritma backpropagation
Gambar 3.3 Arsitektur Backpropagation
Sumber : Siang, (2009)
3.4.1 Fungsi Aktivasi
Menurut
Siang,
(2009)
dalam
backpropagation, fungsi aktivasi yang dipakai
harus memenuhi beberapa syarat yaitu: kontinu,
terdiferensial dengan mudah dan merupakan fungsi
yang tidak turun.
Ada beberapa fungsi aktivasi yang sering
digunakan Fungsi Aktivasi yang digunakan pada
Backpropagation antara lain :
1. Fungsi sigmoid biner
2. Fungsi sigmoid bipolar
1. Fungsi sigmoid biner
Dalam backpropagation, fungsi aktivasi yang
dipakai harus memenuhi beberapa syarat yaitu :
kontinu, terdiferensial dengan mudah dan
merupakan fungsi yang tidak turun. fungsi ini
bisa juga digunakan oleh jaringan syaraf yang
nilai output nya 0 atau 1 .
Fungsi sigmoid biner dirumuskan sebagai :
y  f x  
1
1  ex
124
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
Znet 1 = V10 +
Rumus normalisasi data sebagai berikut :
X’ = 0. 8(x-a)
b-a
dengan :
+ 0,1
2.
Fase Propagasi Balik
𝑝
Ynetk = wk 0+ 𝑗 =1 Zjwkj
𝑝
Ynet k= wk 0+ 𝑗 =1 Zjwkj =Z1.W1 +
Z2.W2
3.
Fase Perubahan Bobot
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah iterasi atau kesalahan.
Langkah Algoritma pelatihan untuk jaringan
dengan satu layar tersembunyi sebagai berikut
:
1. Inisialisasi bobot dengan bilangan acak
kecil
2. Lanjut kepropagasi maju
3. Tiap unit masukan menerima sinyal dan
meneruskannya keunit tersembunyi di
atasnya
4. Hitung semua keluaran di unit
tersembunyi zj
Znetj = Vj0 + 𝑛𝑖=1 xivji
Zj = f (Znet j) =
1
1 + e– z_netj
f ' x   f x 1  f x 
Gambar 3.4. Fungsi Aktivasi Sigmoid Biner
Sumber : Siang, (2009)
2. Fungsi sigmoid bipolar
Fungsi sigmoid bipolar hampir sama
dengan fungsi sigmoid biner, hanya saja output
dari fungsi ini memiliki range antara 1 sampai
-1.
Fungsi sigmoid bipolar dirumuskan sebagai :
y  f x  
dengan:
f ' x  

2
1  e x
1  e x
1  f x 1  f x 
Gambar 3.5. Fungsi Aktivasi Sigmoid Bipolar
Sumber : Siang, (2009)
3.4.2 Pelatihan Standart Backpropagation
Pelatihan backpropagation meliputi 3 fase,
fase pertama adalah fase maju.
1. Fase propagasi Maju
Penghitungan untuk keluaran tersembunyi:
Znetj = Vj0 + 𝑛𝑖=1 xivji
Zj = f (Znet j) =
1
1 + e– z_netj
𝑛
𝑖=1 xivji
5.
Hitung semua keluaran jaringan di unit yk
𝑝
Ynetk = wk 0+ 𝑗 =1 Zjwkj
𝑝
Ynet k= wk 0+ 𝑗 =1 Zjwkj =Z1.W1 +
Z2.W2
6. Hitung faktor unit keluaran keluaran
berdasarkan kesalahan disetiap unit
keluaran yk
Besar nya α = 0.1
ϑ k= (tk –yk) f’ (y_netk) = (tk-yk) yk(1yk)
ϑ1 =(t1 –y1) f’ (y_net1) = (t1-y1) y1(1y1)
7. Hitung faktor
ϑ
unit tersembunyi
berdasarkan kesalahan disetiap unit
tersembunyi zj.(J=1,2,3……m)
ϑnetj = 𝑚
𝑘 =1 ϑ𝑘 wkj
ϑnet1 = ϑ1 * w11
8. Perubahan bobot garis yang menuju unit
keluaran.
Wkj(baru) =wkj(lama) ∆wkj
W11 (baru) =w11(lama) +∆w11
W12(baru_= w12(lama)+ ∆w12
3.4.3 Aplikasi
Backpropagation
Dalam
Peramalan
Salah satu bidang dimana backpropagation
dapat diaplikasikan dengan baik adalah bidang
peramalan (forecasting). Peramalan yang sering
kita dengar adalah peramalan besarnya penjualan,
nilai tukar valuta asing, prediksi besarnya aliran air
sungai, dll. Sebagai contoh , dalam penjualan
barang, diketahui record data penjualan suatu
produk pada beberapa bulan atau tahun terakhir.
Masalahnya
adalah
memperkirakan berapa
125
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
perkiraan produk yang terjual dalam bulan atau
tahun yang akan datang, Siang, (2009).
3.5
Pengertian Matlab
Menurut Agus Naba, (2009) MATLAB
adalah bahasa pemograman tingkat tinggi dimana
arti perintah dan fungsinya bisa dimengerti dengan
mudah, meskipun untuk seorang pemula. Matlab
menyediakan
fungsi-fungsi
khusus
untuk
menyelesaikan model jaringan saraf tiruan.
Pemakai tinggal memasukan vector masukan,
target, model dan parameter yang diinginkan
Siang, (2009)
Gambar 3.7 Tampilan Utama Matlab
Sumber : Mohammad Yazdi, (2015)
4. Analisa dan Pembahasan
4.1 Analisa Masalah
Permasalahan yang akan dibahas dalam
skripsi ini adalah membuat suatu sistem yang dapat
memprediksi jumlah penjualan skincare sariayu
berdasarkan data yang dilatihkan yaitu data yang
diambil dari PT. SAI Indonesia. Penerapan jaringan
saraf tiruan dalam permasalahan prediksi jumlah
penjualan skincare sariayu meliputi penentuan
komponen-komponen jaringan saraf tiruan yang
digunakan dan mengimplementasikan dalam
permasalahannya. Untuk memprediksi jumlah
penjualan skincare sariayu ini diterapkan algoritma
backpropagation.
4.1.1 Penentuan Jumlah Pemesanan Produk di
Pt. Sai Indonesia
Dalam
proses
pemesanan
produk
dilakukan pengorderan melalui sistem dengan
melihat data yang ada, apakah memang barangnya
sudah kosong atau masih ada. Jika sudah kosong
maka didalam sistem terlihat items yang sudah
kosong tersebut dan produk tersebut akan diorder.
Terkadang pengorderan sudah dilakukan tetapi
barang digudang kosong sehingga barang yang
diorder tersebut tidak bisa dicukupi, dan berangsurangsur barangnya mengalami kekosongan yang
lama.
4.2 Pembahasan Data Prediksi Dengan Metode
Bacpropagation
Pemisalan untuk product :
A. facial foam langsat P. Penyegar
kenangan 150ml
B. facial Foam acne
Q. Penyegar mawar
C. minyak zaitun
150ml
D. PL moisturizer
R. Penyegar jeruk
E. pelembab mawar
S.
Lotion jerawat
F. pelembab jeruk
T. Tolak jerawat
G. Pembersih kenanga
U. Lotion jerawat
150ml
new
H. Pembersih mawar
V. Masker beras
I. Pembersih jeruk
putih
150ml
W. Masker beras
J.
Penyegar
merah
kenangan 150ml
X. Masker kacang
K. Penyegar mawar
hijau
150ml
Y. Masker ketam
L. Penyegar jeruk
hitam
150ml
M. Pembersih
kenangan 100ml
N. Pembersi mawar
100ml
O. Penyegar jeruk
100ml
4.2.2 Normalisasi Data
Data yang digunakan dalam penelitian ini
merupakan database jumlah penjualan pada tahun
2013 dimulai dari bulan januari sampai juni tahun
2016. Data disusun dan dipilih variabel faktorfaktor dengan record data yang memiliki informasi
paling lengkap. Data tersebut kemudian dibagi
menjadi 2 bagian yaitu, data pelatihan (training),
data pengujian (testing).
X’ = 0. 8(x-a) + 0,1
b-a
Dimana X’ = hasil normalilasi
x= data awal
a= nilai minimal awal
b= nilai maximal awal
Tabel 4.5 Data Normalisasi
Ta
hu
n
20
13
A B
C
D
NAMA PRODUCT
E F G H I
J
K
L
M
0
.
8
0
.
5
0
.
6
0
.
6
0
.
8
0
.
2
0
.
8
0
.
5
0
.
7
0
.
2
0
.
8
0
.
3
0
.
8
0
.
2
0
.
7
0
.
5
0
.
8
0
.
4
0
.
5
0
.
4
0
.
8
0
.
6
0
.
7
0
.
5
0
.
8
0
.
6
0
.
4
0
.
8
0
.
3
0
.
8
0
.
4
0
.
0
0
.
0
3
0
.
0
0
.
0
0
.
0
0
.
0
0
.
0
0
.
1
0
.
0
0
.
8
0
.
4
3
0
.
4
6
0
.
0
0
.
0
0
.
1
20
15
0
.
2
0
.
8
0
.
0
6
0
.
7
20
16
0
.
1
0
.
6
20
14
126
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
2
3
1
3
1
1
2
2
1
.2*0.8+0.4*0.8+0.1*0.8+0.3*0.3+1.2*0.04+0.
4*0.01+0.2*0.4+0.4*0.2
=
Tabel 4.5 Data Normalisasi lanjutan
Ta
hu
n
20
13
N
O
P
NAMA PRODUCT
Q R S T U V
0
.
5
0
.
4
0
.
4
0
.
5
0
.
8
0
.
8
0
.
8
0
.
3
20
14
0
.
8
0
.
8
0
.
8
0
.
8
0
.
6
0
.
5
20
15
0
.
1
0
.
4
0
.
4
0
.
4
20
16
0
.
0
4
0
.
0
3
0
.
0
5
0
.
1
0
.
0
4
0
.
0
4
0
.
0
6
0
.
0
6
0
.
0
6
W
X
Y
0
.
0
1
0
.
8
0
.
4
0
.
2
0
.
8
0
.
0
4
0
.
7
0
.
8
0
.
8
0
.
7
0
.
3
0
.
8
0
.
2
0
.
4
0
.
0
3
0
.
0
1
0
.
0
4
0
.
0
8
0
.
1
0
.
0
1
0
.
6
=
0.96+0.32+0.06+0.08+0.08+0.07+0.24
+0.08+0.14+0.96-0.32+0.050.08+0.05+0.04+0.12+0.05+0.16+0.32+0.08+
0.09+0.048+0.0004+0.08+0.08
3.75
Z1 = f (Znet 1) =
Tabel 4.5 merupakan data jumlah product
selama
4
tahun
terakhir
yang
sudah
ditransformasikan. untuk itu akan dibuat pola
pelatihan untuk pencapaian target .
Znet 1
= X1. V11 + X2 . V12 + X3 . V13 + X4 .V14 +
X5. V15 + X6.V16+ X7. V17+ X8 .V18 + X9.
V19 + X10.V20+ X11. V21 + X12 . V22 +
X13 . V23 + X14 .V24 + X15. V25 +
X16.V26+ X17. V27+ X18 .V28 + X19. V29 +
X20.V30+ X21. V31 + X22 . V32 + X23 . V33
+ X24 .V34 + X25. V35
=
0.4*0.8+0.3*0.8+0.2*0.6+0.1*0.8+0.2*0.8+0.4
*0.7+0.1*0.8+1.4*0.8+0.3*0.7+0.4*0.8+0.3*0.
8+0.2*0.5+(0.1)*0.8+0.2*0.5+0.4*0.4+0.1*0.4+1.4*0.5+0.3
*0.8+0.3*0.8+0.1*0.8+0.4*0.3+(-0.1)*0.04+(0.1)*0.01+0.3*0.4+0.3*0.2
=0.32+0.24+0.12+0.08+0.16+0.28+0.08+1.12+0.21
+0.32+0.24+0.10.08+0.1+0.16+0.04+0.7+0.24+0.24+0.08+0.12
-0.004-0.001+0.12+0.06
= 4.99
Znet 2
= X1. V36 + X2 . V37+ X3 . V38 + X4 .V39 + X5.
V40 + X6.V41+ X7. V42+ X8 .V43+ X9. V44
+ X10.V45+ X11. V46 + X12 . V47 + X13 .
V48 + X14 .V49+ X15. V50 + X16.V51+
X17. V52+ X18 .V53+ X19. V54 + X20.V55+
X21. V56 + X22 . V57 + X23 . V58 + X24
.V59 + X25. V60
=
1.2*0.8+0.4*0.8+0.1*0.6+0.1*0.8+0.1*0.8+0.
1*0.7+0.3*0.8+0.1*0.8+0.2*0.7+1.2*0.8+(0.4)*0.8+0.1*0.5+(0.1)*0.8+0.1*0.5+0.1*0.4+0.3*0.4+0.1*0.5+0
1
1 + e– 4.99
= -0.006
Z2 f (Znet 2) =
1
1 + e -3.75
= -0.022
6. Langkah 5
Hitung semua jaringan di unit keluaran (yk).
Fase 2 Perambatan Balik :
𝑝
Ynetk = wk 0+ 𝑗 =1 Zjwkj
𝑝
Ynet k= wk 0+ 𝑗 =1 Zjwkj =Z1.W1 + Z2.W2
= 0.2 *(-0.006) + 1.3 * (-0.022)
=(-0.0012) + (-0.0286)
=(-0.049)
Y1=f(Y-netk) =
1
1+ e –ynetk
=
1
1 + e 0.049
= 0.487
7 . Langkah 6
Besar nya α = 0.1
ϑ k= (tk –yk) f’ (y_netk) = (tk-yk) yk(1-yk)
ϑ1 =(t1 –y1) f’ (y_net1) = (t1-y1) y1(1-y1)
=(0-0.451) * (0.451) * (1- 0.451)
= (- 0.654)
∆wkj = α ϑk zj
∆ w11 = α ϑk z1
0.1 (-0.645) *( -0.010) = 0.00064
∆ w12 = α ϑk z2
0.1 (-0.645) * (-0.0135) = 0.00087 (
ketentuan untuk ∆v12)
8. Langkah 7
Hitung faktor ϑ unit tersembunyi
berdasarkan kesalahan disetiap unit tersembunyi
zj.(J=1,2,3……m)
ϑnetj = 𝑚
𝑘 =1 ϑ𝑘 wkj
ϑnet1 = ϑ1 * w11
=- 0.654 * 0.2
= -1.241
ϑnet2 = ϑ1 * w12
=- 0.654* 1.3
= -0.980
Faktor kesalahan ϑ unit tersembunyi
ϑ j= ϑnetj f’ (z_netj) = ϑnet zj(1-zj)
ϑ1= ϑnet1 z1 (1-z1)
= -0.654 *(-0.010)*(1-(-0.010) = 0.0066
ϑ1= ϑnet2 z2 (1-z2)
= -0.654 *(-0.0135) * (1-(-0.0135))
127
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
= 0.0089
∆vij =α ϑ1 xi
∆v10 = α ϑ1 =0.1 *(0.0066) * 1
=0.00066 ( ini ketentuan ∆v11)
∆v20 = α ϑ1 =0.1 *(0.0089) * 1
= 0.00089
9. Langkah 8
Perubahan bobot garis yang menuju unit
keluaran.
Wkj(baru) =wkj(lama) ∆wkj
W11 (baru) =w11(lama) +∆w11 = 0.2 +0.0064 =
0.206
W12(baru_= w12(lama)+ ∆w12 =1.3 + 0.0087
=1.308
Tes nilai tertentu untuk berhenti belum
terpenuhi karena nilai error dari Output belum kecil
dari 0,01.
Keterangan :
Xi = jumlah tahun Penjualan kosmetik skincare
sariayu 2013-2016
Y = hasil output jaringan -0.049
Xmin = data dengan nilai minimum 0.0950
Xmax =data dengan nilai maximum 0.1343
Kesimpulan dari perhitungan diatas
penulis mengambil kesimpulan bahwa, ditahun
2013 sampai dengan tahun 2016 jumlah skincare
sariayu yang akan terjual lebih banyak adalah item
pelembab jeruk, pembersih jeruk 150ml penyegar
jeruk 150ml, dan masker beras putih dengan hasil
Output 0.1343 Untuk itu pemimpin perusahaan
PT.SAI Indonesia dapat memperbanyak produk
tersebut untuk penjualan ditahun 2017 diawal
tahun, dan jika ingin melakukan prediksi ditahun
berikutnya seperti tahun 2018 maka dapat
menginput data ditahun sebelumnya .
4.2 Algoritma
Algoritma merupakan suatu urutan langkah
sistematis dan logis, yang bertujuan untuk
memecahkan masalah.
4.2.2 Algoritma Prediksi Jumlah Penjualan
Skincare Sari Ayu
Adapun algoritma untuk memprediksi jumlah
penjualan Skincare dapat dilihat dibawah ini.
Input :
X0
Tahun
X1
Jumlah penjualan Facial
foam langsat
X2
Jumlah
Penjualan
Facial Acne
X3
Jumlah
Penjualan
Masker Ketan Hitam
X4
Jumlah Penjualan PL
Moisturizer
X5
Jumlah
Penjualan
Pelembab Mawar
X6
Jumlah
Penjualan
Pelembab Jeruk
X7
Jumlah Penjualan
Pembersih Kenangan 150 ML
X8
Pembersih Mawar
Jumlah Penjualan
X9
Pembersih Jeruk 150 ML
Jumlah Penjualan
X10
Jumlah Penjualan
Penyegar Kenangan 150ML
X11
Jumlah Penjualan
Pembersih penyegar mawar
X12
Jumlah Penjualan
Pembersih Penyegar Jeruk 150 ML
X13
Jumlah Penjualan
Pembersi Kenangan 100ML
X14
Pembersih mawar 100ML
Jumlah Penjualan
X15
Pembersih Jeruk 100ml
Jumlah Penjualan
X16
Jumlah Penjualan
Penyegar Kenangan 100ML
X17
Penyegar Mawar
Jumlah Penjualan
X18
Penyegar jeruk 100ML
Jumlah Penjualan
X19
Jerawat
Jumlah Penjualan Lotion
X20
Tolak Jerawat
Jumlah Penjualan
X21
Penjualan Lotion Jerawat new
Jumlah
X22
Penjualan Masker Beras Putih
Jumlah
X23
Penjualan Masker Beras Merah
Jumlah
X24
Penjualan Masker Kacang Hijau
Jumlah
X25
Penjualan Masker Ketan hitam
Jumlah
128
Majalah Ilmiah INTI Volume : XII, Nomor : 1, Januari 2017
ISSN: 2339-210X
Xi
Prediksi
Nilai Akhir
Znet
pengeluaran
Hitung Semua
Process :
Hasil akan ditambah dengan (+) 0.1
Vj0 +
𝑛
𝑖=1 xivji
If Kondisi penghentian terpenuhi then
Lakukan Langkah berikutnya
Hitung Prediksi , rumus xi=y (Xmax-Xmin) +Xmin
If Jumlah Penjualan Skincare Sariayu 3 tahun
Kedepan akan mengalami penurunan.
4.3 Pelatihan dan Pengujian Data Dengan
Matlab
Dalam melakukan pelatihan dan pengujian
hasil dari prediksi Penjualan Skincare Sariayu di
PT. SAI INDONESIA Medan, maka pengolahan
data tersebut juga akan diujikan ke dalam sistem
komputerisasi. Software yang akan digunakan
dalam pengujian prediksi jumlah Penjualan
Skincare
Sariayu
tersebut
yaitu
dengan
memanfaatkan software Matlab 6.1.
Dengan sampel data penjualan skincare
sariayu Adapun data perbandingan dari masingmasing model dapat di lihat sebagai berikut :
Tabel 5.18 Perbandingan MSE dari tiga
pola yang Diuji
MSE
25-3-1
25-2-1
0.0730838
0.0731354
Setiap tahun dalam kurun waktu 4 tahun
yang di ubah menjadi pola pelatihan sebanyak 37
testing dan 38 training, maka penulis
menyimpulkan bahwa model terbaik adalah model
25--1 dengan proses perulangan (epoch) pada saat
pelatihan dengan epoch= 5000 dan pencapaian
MSE pada saat pelatihan dengan jumlah penjualan
skincare sariayu = 0.0730838
5. Kesimpulan dan Saran
5.1 Kesimpulan
Kesimpulan yang dapat diambil setelah
melakukan penelitian terhadap prediksi jumlah
penjualan kosmetik skincare sariayu dengan
menggunakan algoritma backpropagation adalah :
1. Jaringan Syaraf Tiruan dengan Algoritma
Backpropagation mampu menentukan atau
memprediksi jumlah penjualan kosmetik
skincare sariayu.
2. Jaringan Syaraf Tiruan menggunakan algoritma
pelatihan backpropagation untuk memprediksi
jumlah penjualan kosmetik skincare sariayu.
3.
Proses implementasi jaringan syaraf tiruan
menggunakan metode aplikasi matlab dengan
75 data , di mana data akan dibagi menjadi dua
bagian, bagian pertama digunakan untuk data
pengujian (testing) dan bagian kedua untuk
data pelatihan (Training).
5.2 Saran
Dari hasil penelitian Implementasi Jaringan
Syaraf Tiruan Dengan Menggunakan Algoritma
Backpropagation untuk meprediksi
jumlah
penjualan kosmetik skincare sariayu disarankan
hal-hal berikut :
1. Untuk lebih memudahkan pengguna, maka
perlu dibuat suatu interface seperti Graphical
User Interface ( GUI ).
2. Diharapkan
dalam
meprediksi
jumlah
penjualan kosmetik skincare sariayu, bukan
hanya untuk PT. SAI INDONESIA tapi untuk
perusahaan umum lainnya.
3. Prediksi jumlah penjualan kosmetik skincare
sariayu untuk tahun berikutnya sebaiknya
dilakukan setelah mendapat laporan jumlah
penjualan kosmetik skincare sariayu di tahunTahun Sebelumnya.
Daftar Pustaka
1. Indonesia Jurnal on computer science speed,
FTI UNSA, Vol 9 No 3, Desember 2012)
2. Kecerdasan buatan (Kusrini, 2006:4).
3. Kecerdasan buatan (Kusrini, 2006:6).
4. Diyah Puspitaningrum (2006). Jaringan saraf
tiruan(1), Yogyakarta
5. Diyah Puspitaningrum (2006). Jaringan saraf
tiruan(3), Yogyakarta
6. Diyah Puspitaningrum (2006). Jaringan saraf
tiruan(9), Yogyakarta
7. Penerapan Jaringan Syaraf Tiruan Untuk
Mengukur Tingkat Korelasi Antara NEM
dengan IPK Kelulusan Mahasiswa, , Vol vii,
Edisi 3, 2009
8. Diyah Puspitaningrum (2006). Jaringan saraf
tiruan (13), Yogyakarta
9. mohammad yazdi pusadan S.kom, M.eng
(2015). Pemograman Matlab pada Sistem Pakar
Fuzzy
10. Jong Jek Siang (2009), Penggunaan Matriks
Matlab, Yogyakarta, Penerbit Andi.
11. Kusumadewi (2003), Kecerdasan Buatan.