Seminar Paper NCIE 2017

Sub Topik : Logistics and Supply Chain Management

PERBANDINGAN PERAMALAN PASOKAN BERAS MENGGUNAKAN METODE

WINTER DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Dedy Sugiarto1, Anung Ariwibowo1, Is Mardianto2, Dadang Surjasa3
1
Fakultas Teknologi Industri, Program Studi Sistem Informasi, Universitas Trisakti
2
Fakultas Teknologi Industri, Program Studi Informatika, Universitas Trisakti
3
Fakultas Teknologi Industri, Program Studi Magister Teknik Industri, Universitas Trisakti

Jl. Kyai Tapa No. 1, Jakarta 11550

Email : dedy@trisakti.ac.id

Abstrak
Makalah ini menyajikan perbandingan akurasi hasil peramalan jumlah pasokan beras ke Pasar Induk
Beras Cipinang (PIBC) yang berasal dari Karawang menggunakan metode Winter dan metode jaringan syaraf
tiruan (JST) feed-forward backpropagation sehingga dapat diketahui metode yang paling tepat untuk diterapkan
oleh pengelola PIBC. Data yang digunakan merupakan data pasokan bulanan mulai bulan Januari 2011 sampai
dengan bulan Desember 2015. Input data JST berupa data deret berkala per bulan dengan pola input yang berasal
dari 12 bulan sebelumnya. Output merupakan nilai pada satu bulan berikutnya. Hasil analisis menunjukkan
bahwa metode Winter dengan model aditif menghasilkan nilai mean square deviation (MSD) sebesar 9.217.071
yang berarti nilai kesalahannya masih lebih kecil dibandingkan model multiplikatif dengan nilai MSE sebesar
10.472.008. Pemeriksaan asumsi normalitas dari sisaan (galat) juga menunjukkan bahwa sisaan berdistribusi
normal yang berarti model tersebut layak untuk digunakan. Peramalan dengan menggunakan metode JST
menggunakan satu lapisan tersembunyi dengan 30 neuron. Model JST menghasilkan nilai MSE sebesar
7.785.578. Hasil pemeriksaan asumsi normalitas dari residual model JST juga menunjukkan nilai p-value sebesar
0,116 yang lebih besar dari taraf signifikan 0,05 dan berarti sisaan berdistribusi Normal sehingga model JST
layak untuk digunakan. Nilai MSE dari metode JST yang lebih kecil dibandingkan metode Winter menunjukkan
bahwa metode JST lebih akurat.

Kata kunci : pasokan beras, peramalan, metode Winter, jaringan syaraf tiruan

Abstract
This paper presents a comparison of the forecast accuracy in rice supply to Cipinang Rice Main Market from
Karawang using Winters method and feed-forward backpropagation artificial neural network (ANN) so it can
be known the most appropriate method to be applied by the market manager. The data used is monthly data
starting from January 2011 until December 2015. Input data for ANN are time series data with the input pattern
from 12 months earlier. Output is the value in the next month. The analysis showed that the Winters method
with additive models produce mean square deviation (MSD) of 9,217,071, which is smaller than multiplicative
models with MSE 10,472,008. Examination of the assumptions of normality of residual (error) also showed
normal distribution which means that the model is feasible to be used. ANN model use only one hidden layer
with 30 neurons. ANN model produces MSE of 7,785,578. The examination of residual normality assumption
also showed the p-value of 0.116 which is greater than the significance level of 0.05 so residual followed Normal
distribution. ANN model was feasible to be used. MSE value of the ANN is smaller than the Winters method so
ANN is more accurate.

Key words : rice supply, forecasting. Winters method, artificial neural network

1. PENDAHULUAN pasokan, distribusi dan harga beras. Oleh karena itu

Wilayah Karawang merupakan salah satu
sentra produksi padi yang menjadi pemasok utama
beras ke DKI Jakarta melalui Pasar Induk Beras
Cipinang (PIBC) Jakarta. Menurut Sugiarto et al
(2013), pada tahun 2011 pasokan beras terbesar ke
DKI Jakarta berturut-turut berasal dari Cirebon (33
%), Karawang (27 %) serta Bandung (11 %).
Karakteristik pasokan beras berikut
peramalannya dari berbagai wilayah tersebut
kiranya perlu dipahami oleh pengelola PIBC yang
bertugas antara lain melakukan pemantauan data
penelitian ini bertujuan untuk melihat perbandingan
akurasi hasil peramalan jumlah pasokan beras ke
Pasar Induk Beras Cipinang (PIBC) yang berasal
dari Karawang menggunakan metode Winter dan
metode jaringan syaraf tiruan (JST)
backpropagation sehingga dapat diketahui metode
yang paling tepat untuk diterapkan oleh pengelola
PIBC.
Model prakiraan pasokan dan harga beras
ke PIBC antara lain pernah dilakukan oleh Surjasa
(2011). Model yang dibangun dapat memberikan
pernyataan peringatan dini kepada pihak pengelola

1
 Seminar Paper NCIE 2017
Sub Topik : Logistics and Supply Chain Management
PIBC. Surjasa et al (2013) juga pernah melakukan (residual) berdistribusi Normal sehingga peramalan
penelitian tentang sistem pendukung keputusan pasokan dengan metode Winter layak untuk
yang diharapkan dapat meningkatkan kinerja rantai digunakan.
pasok beras ke DKI Jakarta.
Winters' Method Plot for Karawang
Additive Method
2. METODE PENELITIAN
Variable
Data yang digunakan berupa data sekunder 25000 Actual
Fits
deret waktu volume pasokan beras dari Karawang Smoothing Constants
Alpha (lev el) 0.2
ke PIBC dalam satuan ton per bulan mulai bulan 20000 Gamma (trend) 0.2
Delta (seasonal) 0.2

Karawang
Januari 2011 sampai dengan bulan Desember 2015. Accuracy Measures
15000 MAPE 16
Data tersebut diolah menggunakan dua metode MAD 2294
MSD 9217071
yaitu metode Holt-Winter serta metode feed- 10000
forward backpropagation. Metode Winter
menggunakan seasonal length sebesar 12 serta dua 5000

tipe metode yaitu multiplicative dan additive. 1 6 12 18 24 30 36 42 48 54 60

Index
Metode peramalan ini dipilih karena termasuk
metode yang sesuai untuk kasus peramalan dengan Gambar 1. Grafik nilai aktual dan prediksi volume
pola trend dan seasonal (Fogarty et al, 1991; pasokan menggunakan metode Winter
Minitab, 2000).
Metode JST menggunakan menggunakan
algoritma feed-forward backpropagation yang Residual Plots for Karawang
Normal Probability Plot Versus Fits
diolah dengan bantuan perangkat lunak Matlab 99.9 10000
99
2010 melalui menu nntool. Terdapat satu lapisan 90 5000

Residual
tersembunyi saja yang akan digunakan untuk Percent 50 0

membentuk jaringan. Jaringan model 10

1
-5000

-10000
backpropagation dengan single hidden layer adalah 0.1
-10000 -5000 0 5000 10000 5000 10000 15000 20000 25000
Residual Fitted Value
model yang paling banyak digunakan untuk Histogram Versus Order
prediksi time series (Riswanto et al, 2014). Input 20 10000

data JST berupa data deret berkala per bulan 15 5000

Frequency

Residual
10 0
dengan pola input yang berasal dari 12 bulan
5 -5000
sebelumnya (t, t-1,, t-11). Output merupakan 0 -10000
-8000 -4000 0 4000 8000 1 5 10 15 20 25 30 35 40 45 50 55 60
nilai pada satu bulan berikutnya (t+1). Dengan 60 Residual Observation Order

bulan data deret waktu yang tersedia berarti bisa Gambar 2. Plot sisaan peramalan dengan metode
didapatkan 48 pola data untuk proses pembelajaran Winter tipe aditif
dalam JST. Metode terbaik yang dipilih
berdasarkan nilai mean square error (MSE) atau Gambar 3 memperlihatkan model JST
mean square deviation (MSD) terkecil serta dengan pola JST 12-30-1. Jumlah neuron yang
memenuhi asumsi kesesuaian model yang cukup besar dirujuk dari pendapat bahwa jumlah
dipersyaratkan. neuron tersembunyi lebih besar dari 20 akan
memberikan fleksibilitas pada jaringan karena
3. HASIL DAN PEMBAHASAN jaringan memiliki lebih banyak parameter yang
dapat dioptimasi sehingga hasilnya dapat lebih
Pola volume pasokan dalam 60 bulan akurat (Matworks, 2011). Fungsi pelatihan dan
(Januari 2011 sd Desember 2015) dapat dilihat pada aktivasi yang digunakan adalah TRAINBFG dan
Gambar 1. Terlihat bahwa pada setiap awal tahun TANSIG. Parameter pelatihan lainnya
(sekitar Januari dan Februari) selalu terjadi menggunakan default dari menu nntool di matlab.
penurunan volume yang cukup tajam yang
menandakan adanya masa paceklik di periode
tersebut. Masa panen setiap tahunnya di Karawang
sebanyak dua kali yaitu sekitar bulan Maret-April
serta bulan September-Oktober. Diantara kedua
periode panen tersebut ada sedikit penurunan
pasokan walaupun tidak setajam pada awal tahun.
Hasil peramalan menggunakan metode
Winter menghasilkan nilai MSD sebesar 9.217.071
untuk model aditif serta sebesar 10.472.008 untuk
model multiplikatif. Nilai MSD untuk model aditif
yang lebih kecil menunjukkan bahwa model ini Gambar 3. Model jaringan JST 12-30-1
lebih baik dibandingkan model multiplikatif seperti
dapat dilihat pada Gambar 1. Gambar 4 tidak menunjukkan adanya
Hasil pemeriksaan asumsi dapat dilihat masalah serius selama proses pelatihan yang
pada Gambar 2 dimana terlihat pola sisaan ditandai oleh kurva validasi dan tes cukup mirip
2
 Seminar Paper NCIE 2017
Sub Topik : Logistics and Supply Chain Management
polanya dan berdekatan. Kurva pelatihan, validasi lebih besar dari taraf signifikan 0,05 dan berarti
dan tes juga memiliki pola kecenderungan sisaan berdistribusi Normal (Gambar 6).
menurun.

Gambar 6. Plot prediksi dan nilai target mulai

Januari 2012 sd Desember 2015.
Gambar 4. Grafik penurunan nilai MSE sepanjang
proses iterasi
Probability Plot of C51
Normal
Langkah berikutnya untuk memvalidasi
99
jaringan adalah dengan melihat plot regresi yang Mean
StDev
-130.8
2817
95 N 48
memperlihatkan hubungan antara output dari 90
AD 0.595
P-Value 0.116
jaringan dengan nilai targetnya seperti dapat dilihat 80
70
pada Gambar 5. Nilai R yang mendekati 1 berarti
Percent

60
50
terdapat hubungan linier yang kuat antara output 40
30
dengan target. Nilai R dari hasil proses pelatihan 20

menunjukkan nilai yang cukup mendekati 1 atau 10

5
sebesar 0,88 untuk data pelatihan. Data pelatihan
1
menunjukkan kesesuaian yang cukup baik. -8000 -6000 -4000 -2000 0 2000 4000 6000 8000
C51

Gambar 6. Plot sisaan peramalan dengan metode

JST

Gambar 5. Plot regresi hasil pelatihan JST
Gambar 6 memperlihatkan plot prediksi
antara nilai target (aktual) dengan nilai prediksi
hasil JST. Selisihnya menjadi input untuk
perhitungan MSE yang didapatkan nilainya sebesar
7.785.578 yang berarti sudah lebih kecil
dibandingkan dengan nilai MSE dari hasil
peramalan dengan metode Winter. Hasil
pemeriksaan asumsi Normalitas dari sisaan JST
juga menunjukkan nilai p-value sebesar 0,116 yang
4. KESIMPULAN
Pola volume pasokan beras dari Karawang
ke PIBC dari tahun 2011-2015 menunjukkan bahwa
pada setiap awal tahun (sekitar Januari dan
Februari) selalu terjadi penurunan volume yang
cukup tajam yang menandakan adanya masa
paceklik di periode tersebut. Masa panen setiap
tahunnya di Karawang sebanyak dua kali yaitu
masa panen pertama sekitar bulan Maret-April serta
masa panen kedua sekitar bulan September-
Oktober. Hasil analisis menunjukkan bahwa
metode Winter dengan model aditif menghasilkan
nilai mean square deviation (MSD) sebesar
9.217.071 dimana nilai ini lebih kecil dibandingkan
model multiplikatif Winter.
Peramalan dengan menggunakan metode
JST backprogation menggunakan satu lapisan
tersembunyi dengan 30 neuron. Model JST
menghasilkan nilai MSE sebesar 7.785.578. Hasil
pemeriksaan asumsi normalitas dari residual model
JST juga menunjukkan sisaan berdistribusi Normal
sehingga model JST layak untuk digunakan. Nilai
MSE dari metode JST yang lebih kecil
dibandingkan metode Winter menunjukkan bahwa
metode JST backpropagation lebih akurat.
3
 Seminar Paper NCIE 2017
Sub Topik : Logistics and Supply Chain Management
DAFTAR PUSTAKA

Mathworks. 2011. Analyze Neural Network

Performance After Training. Didapat dari :
https://www.mathworks.com/help/nnet/ug/ana
lyze-neural-network-performance-after-
training.html
Minitab. 2000. MINITAB Users Guide 2 : Data
Analysis and Quality Tools. Minitab Inc.
Fogarty D, J.H. Blackstone, T.R. Hoffmann. 1991.
Production and Inventory Management. (2nd
ed.). Cincinnati : South-Western Publishing
Co.
Riswanto, L.R., Sutikno, Indriyati. 2014. Aplikasi
Prediksi Jumlah Penderita Penyakit Demam
Berdarah Dengue di Kota Semarang
menggunakan Jaringan Syaraf Tiruan
Backpropagation. Jurnal Masyarakat
Informatika, Vol 5,No. 10, ISSN 2086-4930
Sugiarto, D., D. Surjasa, N. Rahmawati, B. Solihah.
2013. Analisis Statistika Rantai Pasok Beras
melalui Pasar Induk Beras Cipinang Jakarta.
Proceeding Indonesia Statistical Analysis
Conference
Surjasa, D. 2011. Rancang Bangun Model Sistem
Pendukung Keputusan Cerdas Untuk Sistem
Rantai Pasokan Beras di DKI Jakarta.
Disertasi Program Pascasarjana IPB.
Surjasa, D., D. Sugiarto, N. Ratnawati, B. Solihah.
2013. Perancangan Integrasi Sistem
Manajemen Pengetahuan dan Sistem
Pendukung Keputusan Berbasis Web Pada
Rantai Pasok Beras DKI Jakarta. Laporan
Akhir Penelitian Prioritas Nasional
Masterplan Percepatan dan Perluasan
Pembangunan Ekonomi Indonesia 2011
2025 (Penprinas MP3EI 2011 2025)