Jelajahi eBook
Kategori
Jelajahi Buku audio
Kategori
Jelajahi Majalah
Kategori
Jelajahi Dokumen
Kategori
Permintaan
Irwin Dwi Agustina, Wiwik Anggraeni, S.Si, M.Kom, Ahmad Mukhlason, S.Kom, M.Sc
Jurusan Sistem Informasi, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
Abstrak
Permintaann konsumen yang selalu berubah-ubah menuntut pelaku industri untuk dapat melakukan perencanaan
produksi yang tepat. Kegiatan perencanaan produksi meliputi penentuan jumlah barang yang akan diproduksi, bahan baku
yang dibutuhkan, dan harga barang jadi. Dengan perencanaan produksi yang tepat, diharapkan perusahaan dapat memiliki
tingkat inventory rendah dan mampu merespon permintaann konsumen lebih cepat.
Perencanaan yang efektif dan efisien harus didukung oleh sistem peramalan yang akurat. Oleh karena itu, pada tugas
akhir ini penulis akan membuat sistem peramalan permintaann dengan menerapkan metode extreme learning machine
(ELM). Metode ini merupakan salah satu metode pembelajaran baru dari jaringan syaraf tiruan.
Hasil uji coba dalam tugas akhir ini menunjukkan bahwa metode ELM memiliki tingkat akurasi yang lebih baik
dibandingkan dengan metode konvensional seperti Moving Average dan Exponential Smoothing. Dengan implementasi
metode ELM untuk peramalan permintaan ini diharapkan mampu membantu para pelaku industri dalam menentukan
jumlah permintaann secara lebih akurat dan efektif .
Kata Kunci : Permintaan konsumen, Peramalan, Jaringan Syaraf Tiruan, Extreme Learning Machine
demand forecasting diharapkan mampu menghasilkan
ramalan yang lebih efektif.
1. PENDAHULUAN
ermintaan konsumen terhadap barang maupun jasa
selalu berubah dari waktu ke waktu. Perubahan ini
dipengaruhi oleh banyak faktor baik internal maupun
eksternal, sehingga memperkirakan
permintaan
konsumen di masa datang selalu menjadi tantangan bagi
pelaku usaha dan industri. Terutama untuk perusahaanperusahaan make to stock, peramalan memiliki peranan
penting.
Peramalan yang akurat dan efektif dapat membantu
pengambil keputusan dalam perusahaan menentukan
jumlah barang yang akan diproduksi, bahan baku yang
dibutuhkan serta menentukan harga terhadap barang jadi
sehingga perusahaan memiliki tingkat inventory rendah,
serta mampu merespon permintaan konsumen lebih
cepat. Peramalan permintaan yang akurat juga akan
membawa dampak positif bagi pihak-pihak lain dalam
satu rantai pasok.
Banyak metode telah dikemukakan untuk
mendapatkan hasil ramalan yang akurat. Salah satunya
adalah metode jaringan syaraf tiruan (JST) yang
mengadopsi sistem pembelajaran pada otak manusia. JST
banyak diaplikasikan secara intensif pada peramalan
khususnya sales forecasting, karena kelebihannya pada
kontrol area, prediksi dan pengenalan pola. Banyak
penelitian menyimpulkan bahwa metode JST lebih baik
daripada metode-metode peramalan konvensional (Sun et
al, 2008).
Pada tugas akhir ini akan diaplikasikan suatu
metode baru dari JST yaitu Extreme Learning Machine
(ELM). ELM merupakan jaringan syaraf tiruan
feedforward dengan satu hidden layer atau lebih dikenal
dengan istilah single hidden layer feedforward neural
network (SLFNs). Metode ELM mempunyai kelebihan
dalam learning speed, serta mempunyai tingkat akurasi
yang lebih baik dibandingkan dengan metode
konvensional seperti Moving Average dan Exponential
Smoothing sehingga dengan menerapkan ELM pada
g ( w 1 x 1 + b 1 )
g (w N x1+ b N )
M
g ( w 1 x N + b 1 )
M
K
M
g ( w N x N + b N ) (6)
1T
= M
NT
Xi = [ Xi 1 , Xi
2,
...., Xi
Xt = [ Xt 1 , Xt
2,
...., Xt n ] T R m
]T R
t 1T
T = M
t
(1)
(2)
igi ( xj ) =
i =1
i =1
ig (W i. X j+ b i ) = o
(3)
Dimana :
J = 1, 2 ,..., N
3. METODOLOGI
Pada bab ini dibahas mengenai penjelasan dari setiap
tahapan penyelesaian dari permasalahan yang diangkat
pada Tugas Akhir ini.
yang
i th
menghubungkan
hidden nodes dan input
nodes.
i = ( i 1, i 2 ,...,
im
1. Pengumpulan Data
yang menghubungkan i
th hidden dan output
nodes.
bi
threshold dari
wix
th hidden nodes.
wi
dan x
j =1
i =1
= o sehingga o j = t
ig (W i. X j+ b i ) = t
(8)
T
N
(7)
(3)
(4)
pada
training
ELM
4. Pelatihan ELM
Sebelum digunakan sebagai tool peramalan, ELM
harus melalui proses pelatihan terlebih dahulu. Tujuan
dari proses ini adalah untuk mendapatkan input weight ,
bias dan output weight dengan tingkat kesalahan yang
3
X = 2 (X
Dimana :
(1)
Dimana :
Xp
normalisasi.
9. Testing ELM
Berdasarkan input weight dan output weight yang
didapatkan dari proses training, maka tahap selanjutnya
adalah melakukan peramalan dengan ELM. Data yang
digunakan adalah data testing sebanyak 20% dari data.
Pada tahap ini data input dinormalisasi terlebih dahulu
dengan range dan rumus normalisasi yang sama dengan
data training. Secara otomatis output dari proses ini juga
harus didenormalisasi.
10. Analisa Hasil Peramalan
Setelah melalui berbagai tahap seperti yang telah
dijabarkan di atas, maka didapatkan nilai peramalan
penjualan y i . Hasil yang didapatkan tersebut kemudian
dianalisa apakah memiliki tingkat kesalahan (MSE dan
MAPE)
yang kecil. Jika tingkat kesalahan yang
dihasilkan masih relatif besar, maka dievaluasi kembali
langkah-langkah yang telah dilakukan. Mulai dari proses
training,testing maupun predicting hingga hasil yang
didapatkan optimal. Berikut rumus matematis dari Mean
Square Error (MSE) dan Mean Absolut Precentage Error
(MAPE).
= H T
N
, b i ,..., b
g ( w 1 x 1 + b 1 )
=
M
g ( w 1 x N + b 1 )
1T
= M
NT
mse =
K
M
K
, x i ,...., x
(3)
(5)
T
N
yi t i
yi
i =1
(100 )
(8)
N = jumlah data
y i = data ouput (predicted sales)
t i = data penjualan actual
8. Denormalisasi Output
Output yang dihasilkan dari proses pelatihan
didenormalisasi, sehingga didapatkan predicted sales dari
data training. Berikut rumus denormaliasi yang
digunakan
1
N
Dimana :
T
1
T = M
t
mape =
(7)
N = jumlah data
yi = data ouput (predicted sales)
ti =
g (w N x1+b N )
M
g (w N x N +b N )
t
(4)
1 N
( yi ti )2
N i =1
Dimana :
(2)
H = ( w i ,..., w
(6)
4
5. KESIMPULAN
[6]
[7]
[8]
[9]
[10]
6. DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
Machine
learning.