Abstrak
Kober Mie Setan cabang Soekarno Hatta merupakan sebuah perusahaan yang bergerak pada bidang
makanan. Jumlah permintaan konsumen restoran Kober Mie Setan cabang Soekarno Hatta yang tak
menentu setiap waktu berpengaruh terhadap sisa bahan baku yang ada karena bahan baku yang terlalu
lama disimpan tidak baik untuk dikonsumsi. Ketika permintaan rendah dan bahan baku yang disediakan
tinggi, maka sisa bahan baku dari penjualan hari itu akan dibuang. Agar bahan baku tidak terbuang sia-
sia, maka prediksi penjualan diperlukan oleh Kober Mie Setan cabang Soekarno Hatta. Dengan prediksi
penjualan tersebut restoran dapat memprioritaskan pembelanjaan bahan baku menu tertentu yang
memiliki keminatan tinggi sehingga sisa bahan baku dapat berkurang. Penelitian ini diterapkan metode
dari Jaringan Syaraf Tiruan (JST) yaitu Extreme Learning Machine (ELM) untuk memprediksi
penjualan mi di restoran Kober Mie Setan cabang Soekarno Hatta. Proses prediksi penjualan mi di Kober
Mie Setan yaitu normalisasi data, proses training, proses testing, denormalisasi data, dan perhitungan
nilai error menggunakan Mean Square Error (MSE). Metode ELM memiliki kelebihan dalam learning
speed dan tingkat error yang kecil. Berdasarkan pengujian yang dilakukan untuk mengetahui perbedaan
penggunaan fitur data dalam penelitian ini menghasilkan tingkat error terkecil yaitu 0.0171 dengan
menggunakan fitur data historis dan fitur data sisa penjualan.
Kata kunci: prediksi penjualan, Extreme Learning Machine, Jaringan Syaraf Tiruan, MSE
Abstract
Kober Mie Satan Soekarno Hatta branch is a company engaged in the field of food. The number of
consumer demand of restaurant Kober Mie Setan Soekarno Hatta branch that is erratic every time affect
the remaining raw materials. Raw materials that are stored for too long are not good for consumption.
When demand is low and the raw materials provided are high, then the rest of the raw materials from
the day's sales will be discarded. In order for raw materials are not wasted, then the sales prediction
required by Kober Mie Setan Sukarno Hatta branch. With these sales predictions the restaurant can
prioritize the expenditure of certain menu ingredients that have a high interest so that the remaining
raw materials can be reduced. This research applies method of artificial neural network (JST) that is
Extreme Learning Machine (ELM) to predict the sales of noodles in Kober Mie Setan restaurant of
Soekarno Hatta branch. The prediction process of noodles sales in Kober Mie Setan is normalization of
data, training process, testing process, data denormalization, and error value calculation using Mean
Square Error (MSE). ELM method has advantages in learning speed and small error rate. Based on the
tests conducted to determine the differences in the use of data features in this study resulted in the
smallest error rate of 0.0171 using the features of historical data and features of residual sales data.
Keywords: sales prediction, Extreme Learning Machine, Artificial Neural Network, MSE
data kemudian data akan diproses pada langkah 3. Menghitung output weight. Untuk
proses training dan proses testing. mendapatkan output weight, langkah
pertama yang harus dilakukan adalah
1. Normalisasi Data
menstranspose matriks hasil keluaran
Normalisasi data dilakukan karena range hidden layer dengan fungsi aktivasi. Setelah
nilai input tidak sama, yaitu bernilai puluhan ditranspose, matriks transpose tersebut
hingga ribuan. Input akan diproses ke nilai dikalikan dengan matriks hasil keluaran
output yang kecil sehingga data yang digunakan hidden layer dengan fungsi aktivasi biasa
harus disesuaikan agar dapat diproses untuk disebut matriks H. Langkah selanjutnya
mendapatkan nilai normalisasi yang kecil. adalah menghitung nilai invers dari matriks
Dalam penelitian ini, data yang digunakan akan H tersebut. Setelah itu menghitung matriks
disesuaikan dengan cara menormalisasi data. Moore-Penrose Generalized Invers dari
Berikut adalah proses normalisasi data hasil keluaran hidden layer dengan fungsi
menggunakan metode Min-Max Normalization aktivasi. Berikut adalah persamaan untu
(Jain and Bhandare 2011): menghitung nilai output weight:
d−min
𝑑′ = (2.1) 𝛽 = 𝐻+ 𝑇 (2.3)
max−min
Keterangan: Keterangan:
𝑑′ = nilai dari hasil normalisasi data 𝛽 = Matriks Output weight.
𝑑 = nilai asli data 𝐻+ = Matriks Moore-Penrose
min = nilai minimum pada data set fitur X Generalized Invers dari matriks 𝐻.
max = nilai maksimal pada data set fitur X 𝑇 = Matriks Target.
Proses training harus dilalui sebelum Pada proses ini ini bertujuan untuk
melakukan proses prediksi. Tujuannya adalah mengevaluasi metode ELM dari hasil proses
untuk mendapatkan nilai output weight. training sebelumnya. Proses testing dilakukan
Langkah-langkah proses training yaitu sebagai menggunakan input weight, bias dan output
berikut (Huang, Zhu and Siew, 2006): weight yang didapatkan dari proses training.
1. Langkah pertama adalah menginisialisasi Berikut langkah-langkah proses testing adalah
input weight dan bias. Nilai ini diinisialisasi sebagai berikut:
secara acak dengan range antara -1 hingga 1. Langkah pertama adalah menginisialisasi
1. input weight dan bias yang telah didapatkan
2. Keluaran di hidden layer dihitung dari proses training.
menggunakan fungsi aktivasi. Langkah 2. Keluaran di hidden layer dihitung
pertama adalah menghitung keluaran menggunakan fungsi aktivasi. Pilih salah
hidden layer (𝐻𝑖𝑛𝑖𝑡 ), setelah nilai 𝐻𝑖𝑛𝑖𝑡 satu fungsi aktivasi yang digunakan yaitu
didapatkan kemudian dihitung fungsi aktivasi sigmoid, sin, hardlim.
menggunakan fungsi aktivasi sigmoid. 3. Nilai output weight yang telah didapatkan
Berikut adalah persamaan untuk pada proses training digunakan untuk
menghitung keluaran di hidden layer: menghitung keluaran output layer yang
merupakan hasil prediksi. Berikut adalah
𝐻𝑖𝑛𝑖𝑡 𝑖𝑗 = (∑𝑛𝑘=1 𝑤𝑗𝑘 . 𝑥𝑖𝑘 ) + 𝑏𝑗 (2.2) persamaan untuk menghitung nilai output
Keterangan: layer:
𝐻𝑖𝑛𝑖𝑡 = Matriks keluaran hidden 𝑦 = 𝐻𝛽 (2.4)
layer.
𝑖 = [1,2,….,N], dimana N adalah Keterangan:
keseluruhan jumlah data. 𝑦 = Output layer yang merupakan
𝑗 = [1,2,…., Ñ], dimana Ñ adalah hasil prediksi.
𝛽 = nilai output weight didapatkan
keseluruhan jumlah hidden neuron.
𝑛 = Jumlah input neuron. dari proses training.
𝐻 = Keluaran di hidden layer
𝑤 = Bobot input.
𝑥 = Input data yang digunakan. dihitung dengan fungsi aktivasi.
𝑏 = Nilai bias. 4. Langkah terakhir adalah menghitung nilai
error semua output layer. Nilai error ini
4.3 Pengujian Jumlah Fitur Data Historis dengan data sisa penjualan lebih rendah daripada
Penjualan pengujian tanpa menggunakan fitur data sisa
penjualan. Semakin banyak pola pembelajaran,
prediksi yang dihasilkan akan semakin baik.
5. PENUTUP
Berdasarkan hasil pengujian dan pembahasan
dari prediksi penjualan mi Kober Mie Setan
menggunakan metode Extreme Learning
Machine (ELM) maka diperoleh kesimpulan
sebagai berikut:
1. Berikut proses implementasi metode Extreme
Learning Machine untuk prediksi penjualan
Gambar 8 Grafik Hasil Pengujian Jumlah Fitur mi pada Kober Mie Setan:
Data Historis Penjualan a. Proses normalisasi data
b. Proses training
Berdasarkan grafik pada Gambar 8, nilai c. Proses testing
MSE paling kecil didapatkan pada jumlah fitur d. Proses perhitungan nilai Mean Square
sebanyak 7 sebesar 0.0171. Nilai MSE tinggi Error (MSE)
pada saat pengujian dengan jumlah fitur 42 e. Proses denormalisasi
dikarenakan jumlah keseluruhan data dalam 2. Tingkat kesalahan peramalan (forecast error)
pengujian ini hanya 89 data sehingga pembagian berdasarkan hasil pengujian dan pembahasan
yang digunakan menjadi lebih sedikit karena yang diukur dengan perhitungan MSE (Mean
data awal digunakan untuk membentuk pola Square Error) pada hasil prediksi penjualan
pembelajaran. Semakin banyak jumlah variasi mi pada Kober Mie Setan adalah:
fitur data belum tentu menghasilkan prediksi a. Berdasarkan pengujian dan pembahasan
yang baik, karena proses prediksi menggunakan yang telah dilakukan jumlah neuron
ELM juga bergantung dengan objek dan fitur berpengaruh terhadap hasil perhitungan.
yang digunakan. Hal tersebut terbukti dengan jumlah
neuron yang banyak menghasilkan nilai
4.4 Pengujian Fitur Data Yang Digunakan error yang kecil sebesar 0.0176 dengan
jumlah neuron sebanyak 7.
b. Jumlah data training berpengaruh
terhadap hasil keluaran prediksi yang
dihasilkan untuk jumlah data testing
sebesar 20%. Berdasarkan pengujian dan
pembahasan yang telah dilakukan, jumlah
data training sebesar 80% menghasilkan
nilai rata-rata error terkecil yaitu 0.0171.
c. Berdasarkan pengujian dan pembahasan
yang telah dilakukan nilai MSE paling
kecil didapatkan pada jumlah fitur
sebanyak 7 sebesar 0.0171.
Gambar 9 Grafik Hasil Pengujian Fitur Data Yang d. Rata-rata nilai MSE terkecil yang
Digunakan
didapatkan adalah dengan menggunakan
Berdasarkan Tabel 9, rata-rata nilai MSE fitur data sisa penjualan dengan rata-rata
terkecil yang didapatkan adalah dengan nilai MSE sebesar 0.0171. Dari hasil
menggunakan fitur data sisa penjualan dengan tersebut dapat disimpulkan bahwa dengan
rata-rata nilai MSE sebesar 0.0171. Dari hasil menggunakan fitur data sisa penjualan,
tersebut dapat disimpulkan bahwa dengan prediksi yang dihasilkan akan lebih baik.
menggunakan fitur data sisa penjualan, prediksi
yang dihasilkan akan lebih baik. Gambar 4.4 DAFTAR PUSTAKA
menunjukkan bahwa grafik hasil pengujian Anicic, O., Jović, S., Skrijelj, H. and Nedić, B.,
menggunakan fitur data historis penjualan 2017. Prediction of laser cutting heat
affected zone by extreme learning machine. Baru Sidoarjo. DORO: Repositori Jurnal
Optics and Lasers in Engineering, 88, pp.1- Mahasiswa PTIIK ( Vol. 8. 12 vols).
4. DORO.
Yu, Y., Choi, T.M. and Hui, C.L., 2011. An Makridakis, Spyros, and M. Hibon, 1995.
intelligent fast sales forecasting model for Evaluating Accuracy (Or Error) Measures.
fashion products. Expert Systems with Volume 9518 of Working papers / INSEAD.
Applications, 38(6), pp.7373-7379.
Perdana, J.A., Soeprijanto, A. and Wibowo,
R.S., 2012. Peramalan Beban Listrik Jangka
Pendek Menggunakan Optimally Pruned
Extreme Learning Machine (OPELM) pada
Sistem Kelistrikan Jawa Timur. Jurnal
Teknik ITS, 1(1), pp.B176-B181.
Singh, R. and Balasundaram, S., 2007.
Application of extreme learning machine
method for time series analysis.
International Journal of Intelligent
Technology, 2(4), pp.256-262.
Huang, G.B., Zhu, Q.Y. and Siew, C.K., 2006.
Extreme learning machine: theory and
applications. Neurocomputing, 70(1),
pp.489-501.
Huang, G.B., Zhu, Q.Y. and Siew, C.K., 2004,
July. Extreme learning machine: a new
learning scheme of feedforward neural
networks. In Neural Networks, 2004.
Proceedings. 2004 IEEE International
Joint Conference on (Vol. 2, pp. 985-990).
IEEE.
Sheela, K.G. and Deepa, S.N., 2013. Review on
methods to fix number of hidden neurons in
neural networks. Mathematical Problems in
Engineering, 2013.
Jain, Y.K. and Bhandare, S.K., 2011. Min max
normalization based data perturbation
method for privacy protection.
International Journal of Computer &
Communication Technology, 2(8), pp.45-
50.
Abadi, I. and Soeprijanto, A., 2014, November.
Extreme learning machine approach to
estimate hourly solar radiation on
horizontal surface (PV) in Surabaya-East
java. In Information Technology, Computer
and Electrical Engineering (ICITACEE),
2014 1st International Conference on (pp.
372-376). IEEE.
Siwi, Iga Permata, Imam Cholissodin, and M.
Tanzil Furqon, 2016. Peramalan Produksi
Gula Pasir Menggunakan Extreme
Learning Machine (Elm) Pada Pg Candi