Peramalan Permintaan Susu Pasteurisasi Menggunakan

Metode Jaringan Syaraf Tiruan dan Time Series

(Studi Kasus di Koperasi Susu SAE Pujon, Malang)

Forecasting of Pasteurized Milk Demand By Using

Artificial Neural Network and Time Series Methods
(A Case Study of SAE Milk Cooperative of Pujon, Malang)

Mahmud Nasapi1*), Imam Santoso2), Mas’ud Effendi2)

1)Alumni Jurusan Teknologi Industri Pertanian

Fakultas Teknologi Pertanian, Universitas Brawijaya

2)Staf Pengajar Jurusan Teknologi Industri Pertanian

Fakultas Teknologi Pertanian, Universitas Brawijaya

Jl. Veteran No. 1 Malang 65145
*email: mahmud.nasapi46@yahoo.co.id

Abstrak
Peramalan permintaan adalah proyeksi permintaan untuk produk atau layanan suatu
perusahaan yang mengendalikan produksi, kapasitas serta sistem penjadwalan dan menjadi
input bagi perencanaan keuangan, pemasaran dan sumber daya manusia. Tujuan penelitian ini
untuk membandingkan akurasi hasil peramalan permintaan produk susu pasteurisasi koperasi
susu SAE Pujon menggunakan metode jaringan syaraf tiruan (JST) dengan time series sehingga
dapat diketahui metode yang paling tepat diterapkan di Koperasi susu SAE Pujon. Data yang
digunakan dalam penelitian ini fokus pada empat variabel yaitu data volume penjualan, harga
produk, biaya promosi dan biaya distribusi serta jumlah tempat pemasaran. Analisa data
dilakukan dengan metode Jaringan Syaraf Tiruan menggunakan software Matlab 7.10 dan
metode Time Series menggunakan software SPSS 17.0. Arsitektur jaringan terbaik pada
peramalan ini, yaitu 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron output) dengan nilai
MSE terkecil yaitu 0.000186. Metode terbaik pada peramalan time series adalah metode Simple
Seasonal. Nilai Mean Square Error (MSE) pada metode time series sebelum dan sesudah
peramalan sama sebesar 52364211.36, sedangkan nilai MSE metode jaringan syaraf tiruan pada
saat pelatihan (pemodelan) sebesar 21516.71 dan pada saat testing sebesar 489321.2676. Nilai
MAPE pada metode jaringan syaraf tiruan dan time series berturut-turut adalah 1.1721% dan
14.793%. Rata-rata persentase kesalahan hasil simulasi peramalan permintaan menggunakan
JST pada periode April – Juni 2014 adalah sebesar 2.29%, sedangkan untuk time series adalah
sebesar 28.91%.
Kata Kunci: Jaringan Syaraf Tiruan, MAPE, Metode Time Series, MSE, Rata-rata Persentase
Kesalahan Peramalan

Abstract
The demand forecasting is demand projection for product or services of companies that control the
production, capacity and scheduling system and become input for the financial planning, marketing, and
human resources. The research aimed at comparing the forecasting result accuracy of pasteurized milk
product of the SAE milk cooperative of Pujon by using Artificial Neural Network method (ANN) with
time series method, so it can be known the most accurate method for SAE milk cooperative of Pujon. The
used data in the research focused to the four variable that is the sales volume, product price, promotion
cost and distribution cost, and marketing outlet. The data analysis was done using Artificial Neural
Networks using Matlab software 7.10 and Time Series method using the software SPSS 17.0. The best
network architecture for the forecasting, that is 3-10-1 (3 neuron input, 10 neuron hidden layer, 1 neuron
output) with the least MSE value of 0.000186. The best method at the time series was simple seasonal
method. The mean square error (MSE) value at the time series before and after forecasting is

0
52364211.36, while the MSE of artificial neural network method during the coach (modeling) is 21516.71
and during testing is 489321.2676. MAPE values on artificial neural network method and the time series
in a row 1.1721% and 14.793%. The average percentage error simulation results using ANN forecasting
demand in the period April-June 2014 to 2.29%, while for the time series is equal to 28.91%.
Keywords: Artificial Neural Network, Average Percentage Error Forecasting, MAPE, MSE, Time
Series Method.
PENDAHULUAN
Industri pengolahan susu akhir-akhir ini
sedang mengalami peningkatan penjualan.
Meningkatnya permintaan susu pengolahan
ini seiring dengan meningkatnya
kesejahteraan masyarakat Indonesia. Oleh
karena itu, Asosiasi Industri Pengolahan Susu
(AIPS) memperkirakan penjualan susu
olahan meningkat 10%. Prospek industri susu
yang semakin menjanjikan ini, mendorong
produsen susu terus menambah kapasitas
produksi dan membangun pabrik baru di
Indonesia. Hal tersebut memiliki arti positif
karena dapat menambah investasi dan
mendatangkan devisa bagi negara.
Salah satu perusahaan susu di Indonesia
adalah koperasi susu SAE Pujon. Koperasi
susu SAE Pujon terletak di Jl. Brigjend Abdul
Manan Wijaya 16 Pujon, Malang. Sebagai
salah satu koperasi penghasil susu
pasteurisasi, koperasi susu SAE Pujon
tentunya memiliki banyak pesaing. Sangatlah
penting bagi pihak koperasi untuk menjaga
eksistensi produknya. Produk susu
pasteurisasi yang berada di Pujon memiliki
prospek yang baik untuk dikembangkan
lebih lanjut mengingat letak Pujon sangat
strategis yaitu dekat dengan Kota Malang
dan Kota Batu. Faktor pendukung lainnya
adalah banyaknya para peternak sapi perah
sehingga memudahkan untuk pasokan bahan
baku kepada pihak produsen.
Permasalahan yang dihadapi oleh
koperasi susu SAE Pujon adalah masih
kesulitan dalam meramalkan permintaan
konsumen terhadap permintaan produk susu
pasteurisasi karena peramalan yang
dilakukan berdasarkan perkiraan dari
periode lalu. Koperasi belum bisa
meramalkan permintaan susu pasteurisasi
periode mendatang. Peramalan permintaan
yang terlalu besar akan berdampak pada
peningkatan biaya produksi dan biaya
inventori jika terdapat produk yang tidak
habis terjual. Sebaliknya, apabila peramalan
permintaan terlalu kecil, maka akan terjadi
1
peningkatan biaya stock out bahkan dapat
kehilangan pelanggan.
Penelitian tentang peramalan
permintaan susu pasteurisasi ini bertujuan
untuk membandingkan akurasi hasil
peramalan permintaan produk susu
pasteurisasi koperasi susu SAE Pujon
menggunakan metode jaringan syaraf tiruan
(JST) dengan time series sehingga dapat
diketahui metode yang paling tepat
diterapkan di Koperasi susu SAE Pujon.
Beberapa metode yang dapat digunakan
untuk menyelesaikan permasalahan tersebut
diantaranya adalah metode jaringan syaraf
tiruan dan time series. Jaringan Syaraf Tiruan
(JST) adalah sistem pemroses informasi yang
memiliki karakteristik unjuk kerja tertentu
yang menyerupai jaringan syaraf biologi
(Mulyana, 2008). Metode yang digunakan
sebagai pembanding dalam penelitian ini
adalah metode time series. Menurut Herjanto
(2003), metode serial waktu (deret berkala,
time series) adalah metode yang digunakan
untuk menganalisis serangkaian data yang
merupakan fungsi dari waktu. Dalam
peramalan JST dilakukan dengan
mempertimbangkan unsur bauran pemasaran
yang digunakan sebagai masukan (input).
Unsur bauran pemasaran yang digunakan
adalah harga produk, jumlah tempat
pemasaran, biaya distribusi dan biaya
promosi. Sedangkan peramalan dengan
metode time series menggunakan data volume
penjualan sebagai input dalam peramalan.
BAHAN DAN METODE
Penelitian dilakukan di Koperasi susu
SAE Pujon yang terletak di Jl. Brigjend Abdul
Manan Wijaya 16 Pujon, Malang. Penelitian
ini dilaksanakan Maret sampai Mei 2014.
Pengolahan data dilakukan di Laboratorium
Manajemen Agroindustri, Jurusan Teknologi
Industri Pertanian, Fakultas Teknologi
Pertanian, Universitas Brawijaya Malang.
Batasan Masalah neuron output layer (Kusumadewi dan Hartati,
Penelitian ini dilakukan dengan batasan 2006).
masalah sebagai berikut: Algoritma pembelajaran yang
1. Penelitian dengan metode jaringan syaraf digunakan dalam penelitian ini adalah
tiruan ini dilakukan untuk meramalkan Backpropagation. Backpropagation merupakan
permintaan produk susu pasteurisasi Kop salah satu metode pelatihan dari Jaringan
SAE Pujon untuk periode April 2014 – Syaraf Tiruan. Backpropagation menggunakan
Maret 2015. arsitektur multilayer dengan metode pelatihan
2. Peramalan dilakukan produk susu supervised training (Pakaja dkk, 2012).
pasteurisasi Kop SAE Pujon kemasan cup Diagram alir algoritma Backpropagation seperti
berlabel. pada Gambar 1.
3. Pada saat erupsi Gunung Kelud terjadi Mulai
tidak mempengaruhi hasil peramalan
periode April 2014 – Maret 2015 karena
Data
pada bulan Februari 2014 volume Training
penjualan susu pasteurisasi masih stabil.
4. Data yang digunakan dalam penelitian ini
Inisialisasi Bobot
fokus pada empat variabel yaitu data
volume penjualan, harga produk, biaya
promosi dan biaya distribusi serta jumlah Setting Input

tempat pemasaran yang sudah tersedia

pada bulan Januari 2009 – Maret 2014. Propagasi Maju
Data tersebut hanya digunakan sebagai
input (masukan data) pada peramalan Penghitungan Error Keluaran
susu pasteurisasi Kop SAE Pujon.
Propagasi Balik
Asumsi
Penelitian ini dilakukan dengan asumsi Perubahan Bobot
bahwa :
a. Fasilitas produksi tidak mengalami
perubahan selama horizon peramalan. Iterasi (epoch) Iterasi ≥
b. Bahan baku produksi selalu tersedia. = Maksimal MSE ≤ Error
Iterasi + 1 Iterasi
c. Jumlah tenaga kerja tidak mengalami Tidak Tidak
perubahan selama horison perencanaan. Ya

d. Peramalan permintaan produk susu Ya

Simpan
pasteurisasi Kop SAE Pujon kemasan cup Bobot

berlabel secara keseluruhan.

Peramalan Permintaan Menggunakan
Metode Jaringan Syaraf Tiruan
Arsitektur jaringan yang dipakai adalah
jaringan layar jamak (multi layer network).
Dalam jaringan ini, selain unit input dan
output dan unit-unit lain (sering disebut layar
tersembunyi). Jaringan syaraf layar jamak
dapat menyelesaikan masalah yang lebih
kompleks dibandingkan dengan layar
tunggal, meskipun kadangkala proses
pelatihan lebih kompleks dan lama (Siang,
2005). Perancangan arsitektur jaringan syaraf
tiruan dilakukan dengan menentukan jumlah
neuron input layer, neuron hidden layer dan
Selesai
Gambar 1. Diagram Alir Algoritma
Backpropagation
Penjelasan mengenai tahap algoritma
backpropagation adalah sebagai berikut:
a. Data training
Data training adalah pasangan data
masukkan dan keluaran aktual (target) yang
diberikan pada jaringan untuk dilatih
polanya. Sebelum diproses, data-data yang
ada dinormalisasi terlebih dahulu. Data
untuk training adalah data pada periode
Januari 2009 – Desember 2012, sedangkan
data pada periode Januari 2013 – Maret 2014
digunakan untuk testing. Semakin besar

2
jumlah data training, semakin akurat dan
adaptif hasil peramalan.
b. Inisialisasi bobot awal
Proses inisialisasi adalah proses untuk
memberikan nilai – nilai awal pada bobot
yang bisa berupa nilai 0 atau 1 (Emanuel dan
Hartono, 2008). Inisialisasi bobot awal
dilakukan dengan pemberian nilai bobot dan
bias awal dengan bilangan acak terkecil.
Biasanya bobot awal diinisialisasi secara
random dengan nilai antara -0.5 sampai 0.5
atau -1 sampai 1. Hal ini dilakukan karena
apabila nilai bobot awal terlalu besar, maka
input ke setiap lapisan tersembunyi atau
lapisan output akan jatuh pada daerah
dimana turunan fungsi sigmoidnya akan
sangat kecil. Sebaliknya, apabila nilai bobot
awal terlalu kecil akan menyebabkan proses
pelatihan akan berjalan sangat lambat.
c. Umpan maju (Feedforward)
Selama Feedforward, sinyal masukan (=xi)
dipropagasi maju ke lapisan tersembunyi
menggunakan fungsi aktivasi yang
ditentukan. Semua keluaran dari unit
masukan di unit tersembunyi z_inj (j = 1, 2,
3,.....,p) dihitung dengan:
∑ .........(1)
Kemudian dihitung sesuai dengan fungsi
pengaktif yang digunakan. Pada penelitian
ini fungsi yang digunakan adalah fungsi
sigmoid maka bentuk fungsi tersebut adalah:
( ∑ ) dasar perubahan bobot semua garis yang
............(2)
Dimana fungsi sigmoid dirumuskan
sebagai:
..........................(3)
jadi:
...........................(4)
Keluaran dari unit masukan di setiap unit
lapisan tersembunyi (=zj) tersebut selanjutnya
dipropagasi maju lagi ke lapisan tersembunyi
di atasnya menggunakan fungsi aktivasi yang
ditentukan. Demikian seterusnya hingga
menghasilkan keluaran jaringan (=yk).
∑ .........(5)
Kemudian dihitung kembali dengan
fungsi pengaktif sigmoid dengan rumus:
∑ ẟ di unit tersembunyi yang berhubungan
..................(6)
3
dimana fungsi sigmoid dirumuskan
sebagai:
................................(7)
jadi:
....................(8)
Selanjutnya, keluaran jaringan (yk)
dibandingkan dengan target yang harus
dicapai (=tk). Selisih antara tk-yk adalah
kesalahan yang terjadi.
d. Propagasi balik (Backpropagation)
Berdasarkan kesalahan tk-yk, dihitung
faktor ẟk (k = 1, 2, 3,..., m) yang dipakai untuk
mendistribusikan kesalahan di unit yk ke
semua unit tersembunyi yang terhubung
langsung dengan yk. Faktor kesalahan
dihitung dengan:
ẟk = (tk – yk) f’(y_ink)...................(9)
dimana:
f’(y_ink) = yk(1-yk).....................(10)
jadi:
ẟk = (tk – yk) yk(1-yk)..................(11)
ẟk merupakan unit kesalahan yang akan
dipakai dalam perubahan bobot lapisan di
bawahnya dan juga dipakai untuk mengubah
bobot garis yang terhubung langsung dengan
unit keluaran. Nilai perubahan unit bobot
keluaran (Δwkj) dihitung dengan:
Δwkj = α ẟk zj...............................(12)
k = 1, 2, 3,...., m ; j = 0, 1, 2,....., p
Dengan cara yang sama, dihitung faktor
ẟj di setiap unit lapisan tersembunyi sebagai
berasal dari unit tersembunyi di lapisan di
bawahnya. Faktor kesalahan pada lapisan
tersembunyi ( dihitung dengan:
∑ ẟ ...................(13)
Faktor kesalahan pada unit tersembunyi
(ẟj) dihitung dengan:
∑ ẟ
...........(14)
dimana:
................(15)
jadi:
...............(16)
Nilai perubahan bobot unit tersembunyi
(Δvji) dihitung dengan:
Δvji = α ẟj xi................................(17)
j = 1, 2, 3,..., p i = 0, 1, 2,....,n
Demikian seterusnya hingga semua faktor
langsung dengan unit masukan dihitung.
e. Pemberhentian pembelajaran
Ketiga fase tersebut diulang – ulang terus
hingga kondisi penghentian dipenuhi.
Umumnya kondisi penghentian yang sering
dipakai adalah jumlah iterasi atau kesalahan.
Iterasi akan dihentikan jika jumlah iterasi
yang dilakukan sudah melebihi jumlah
maksimum iterasi yang ditetapkan, atau jika
kesalahan yang terjadi sudah lebih kecil dari
batas toleransi yang diijinkan. Kriteria
pemberhentian pembelajaran pada penelitian
ini adalah jumlah iterasi yang ditoleransi
sebanyak 2.000 iterasi.
f. Penerapan
Selanjutnya untuk mengukur error
(kesalahan) forecast biasanya digunakan Mean
Absolute Percentage Error atau Mean Squared
Error
1) Mean Absolute Percentage Error (MAPE)
MAPE adalah rata-rata persentase absolut
dari kesalahan peramalan dengan
menghitung error absolut tiap periode. Error
ini kemudian dibagi dengan n. Rumus dari
MAPE ini adalah sebagai berikut (Soedjianto
dkk, 2006):
( ) ∑| | ..............(18)
dimana :
Xt = permintaan aktual periode t
Ft = ramalan permintaan periode t
n = jumlah periode peramalan
2) Mean Squared Error (MSE)
Mean squared error (MSE) yaitu rata-rata
dari kesalahan forecast dikuadratkan. Rumus
dari MSE ini adalah sebagai berikut (Prabowo
dkk, 2012):
∑
...............................(19)
dengan
Xt : data sebenarnya terjadi
Ft : data ramalan dihitung dari model yang
digunakan pada waktu t
n : banyak data hasil ramalan
Peramalan Permintaan Menggunakan
Metode Time Series
1. Metode Moving Averages
Moving Average termasuk dalam time series
model yang merupakan metode peramalan
kuantitatif dengan menggunakan waktu
sebagai dasar peramalan. Untuk membuat
suatu peramalan diperlukan data historis
(masa lampau) permintaan. Data inilah yang
akan dianalisis dengan menggunakan
parameter waktu sebagai dasar analisis.
4
Metode Moving Average ini paling sesuai
apabila pola data masa lampau yang dimiliki
bertipe siklikal (Soedjianto dkk, 2006):
a) Jika data time series tidak diketahui
polanya, artinya tidak ada gejala trend
naik maupun turun, musiman dan
sebagainya, maka untuk meramalkan Ft
dapat digunakan metode single moving
average sebagai berikut:
∑ ...........(20)
∑ ......(21)
Keterangan
FT+1 : Peramalan untuk Periode T+1
XT : Data pada periode ke T
T : Jangka waktu perataan
FT+2 : Peramalan untuk periode T+2
b) Jika data time series yang diamati,
merupakan suatu deret yang secara tetap
meningkat tanpa unsur kesalahan random
yang menghasilkan trend linier
meningkat, maka dapat digunakan
metode double moving averages sebagai
berikut:
( ) –( ) ....(22)
dengan
.............(23)
.........(24)
N = jangka waktu moving averages
m = jangka waktu forecast ke depan
2. Metode Exponential Smoothing
Metode Exponential Smoothing merupakan
prosedur perbaikan terus-menerus pada
peramalan terhadap objek pengamatan
terbaru (Makridakis, 2005). Dalam pemulusan
eksponensial atau exponential smoothing
terdapat satu atau lebih parameter
pemulusan yang ditentukan secara eksplisit,
dan hasil ini menentukan bobot yang
dikenakan pada nilai observasi. Dengan kata
lain, observasi terbaru akan diberikan
prioritas lebih tinggi bagi peramalan
daripada observasi yang lebih lama (Raharja
dkk, 2010).
a) Jika data time series memperlihatkan pola
konstan atau jika perubahannya kecil saja,
maka untuk meramalkan Ft dapat
digunakan metode single exponential
smoothing sebagai berikut:
Ft+1 = αXt + (1 – α) Ft.......................(25)
Keterangan :
Ft+1 : ramalan t waktu atau periode ke depan
setelah pengamatan terakhir Xt
Ft : X1
α : Smoothing konstan
b) Jika data time series menunjukkan pola
linier, maka dapat digunakan metode
double exponential smoothing dengan rumus
sebagai berikut:
( ) –( ) ....(26)
dengan
S’t = α Xt + (1 – α) S’ t-1.....................(27)
S”t = αS’t + (1 – α) S”t-1.....................(28)
S”t = X...............................................(29)
dimana S’t adalah nilai pemulusan
eksponensial tunggal dan S”t adalah nilai
pemulusan eksponensial ganda
c) Jika data time series tidak memperlihatkan
pola konstan ataupun linier yang
digunakan adalah metode triple exponential
smoothing dengan rumus sebagai berikut :
[ ]
[ ]
[ ]
dengan
S’t = α Xt + (1 – α) S’ t-1.........................(33)
S”t = αS’t + (1 – α) S”t-1..........................(34)
S’”t = αS”t + (1 – α) S”’t-1.......................(35)
S’”t = X1..................................................(36)
dimana S’t adalah nilai pemulusan pertama,
S”t adalah nilai pemulusan kedua dan S’”t
adalah nilai pemulusan ketiga.
3. Metode Dekomposisi
Dekomposisi adalah
kecenderungan yang mempergunakan empat
komponen pendekatan yaitu kecenderungan
(merupakan tingkah laku jangka panjang),
cylical (bentuk siklis), seasional (bentuk
musiman) dan komponen random. Model
dekomposisi tersusun sebagai berikut
(Saefulloh, 2011):
Data= trend + musiman + siklus + error....(37)
atau
Ramalan= trend + musiman + siklus.......(38)
HASIL DAN PEMBAHASAN
Penelitian dengan metode jaringan
syaraf tiruan ini dilakukan untuk
meramalkan permintaan produk susu
pasteurisasi Kop SAE Pujon untuk periode
satu tahun mendatang, yaitu April 2014 –
Maret 2015. Metode jaringan syaraf tiruan
yang digunakan adalah Backpropagation,
dilakukan dengan menggunakan Software
Matlab 7.10. Model peramalan yang dibuat
terdiri dari 3 variabel independen (harga,
biaya promosi dan distribusi, outlet) dan 1
variabel dependen (volume penjualan).
Dalam jaringan syaraf tiruan, model ini
terbaca sebagai 3 unit (neuron) input dan 1
unit neuron output, sehingga rancangan
arsitektur jaringan yang digunakan dalam
penelitian adalah 1 lapis input dengan 3
neuron input dan 1 lapis output dengan 1
neuron output, sedangkan neuron hidden layer
dicari jumlah optimalnya (nilai MSE terkecil)
dari tiap jaringan melalui pelatihan (training).
Pembelajaran jaringan membutuhkan
parameter-parameter yang digunakan untuk
mengenali pola data. Parameter pembelajaran
dalam penelitian meliputi max. epoch 2000,
dan learning rate 0.1 Maksimum epoch
berfungsi sebagai kriteria pemberhentian
pelatihan, yaitu pelatihan dihentikan setelah
..(31) mencapai 2000 iterasi. Nilai goal (MSE)
adalah 0.0001, dipakai untuk menentukan
batas nilai MSE agar iterasi dihentikan, nilai
ini dipilih berdasarkan dengan trial dan error
sampai ketemu performance dan goal yang
terkecil. Pada momentum konstan (mc)
dipilih nilai 0.85, nilai ini dipiih karena pada
komputer nilai default momentum sebesar
0.85. Hasil pelatihan jaringan produk susu
pasteurisasi Kop SAE Pujon dalam jaringan
syaraf tiruan dari masing-masing neuron
model dapat dilihat pada Tabel 1.
Tabel 1. Hasil Pelatihan Jaringan Susu
Pasteurisasi Kop SAE Pujon
Hidden Jumlah
MSE
Layer Neuron
1 0.00532
2 0.00413
3 0.00234
4 0.00206
5 0.00176
1
6 0.00107
7 0.000771
8 0.000619
9 0.000262
10 0.000186
Sumber : Data diolah (2014)
Jaringan terbaik dihasilkan oleh
pelatihan jaringan 3-10-1 (3 neuron input, 10
neuron hidden layer, 1 neuron output) dengan
nilai MSE terkecil adalah 0.000186. Gambar
model Jaringan Syaraf Tiruan 3-10-1 dapat
dilihat pada Gambar 2.
5
 Z1

Z2

X1 Harga Produk Z3

Z4
X2 Biaya Promosi dan 1 neuron output
Biaya Distribusi
Z5
Y1 Peramalan
Permintaan
X3 Jumlah Outlet Z6

Z7
3 neuron input
Z8

Z9

E1 Z10
E2
10 neuron hidden layer

Gambar 2. Model Jaringan Syaraf Tiruan 3-10-1

Peramalan Permintaan Menggunakan yaitu periode satu tahun mendatang pada

Analisa Deret Waktu (Time Series) April 2014 – Maret 2015. Metode time series
Peramalan permintaan dilakukan yang digunakan dalam penelitian ini adalah
berdasarkan data penjualan produk periode expert modeler dengan tipe all models. Metode
Januari 2009 – Maret 2014 dengan ini akan menghasilkan metode terbaik dari
menggunakan analisa deret waktu (time keseluruhan metode time series yang
series). Peramalan permintaan dilakukan digunakan. Hasil peramalan dapat dilihat
untuk meramalkan jumlah permintaan pada Gambar 3.
produk susu pasteurisasi Kop SAE Pujon
pada periode perencanaan yang akan datang,

Keterangan
Jumlah Volume Penjualan

Periode Peramalan
Gambar 3. Hasil Peramalan Permintaan dengan Menggunakan Metode Simple Seasonal

6
 Dari Gambar 3 pola data yang
ditunjukkan merupakan pola data random
(acak). Metode yang terbaik pada peramalan
menggunakan SPSS ini yaitu Simple Seasonal.
Melihat plot di atas terlihat bahwa hasil
peramalan mengikuti bentuk pola datanya,
sehingga tingkat akurasi data tersebut
sebagai dasar untuk perencanaan cukup baik.
Nilai RMSE (Root Mean Square Error) adalah
7236.312 sehingga nilai MSE adalah
52364211.36.
Perbandingan Hasil Peramalan Metode
Jaringan Syaraf Tiruan dengan Time Series
Dalam penelitian ini, peramalan
permintaan yang digunakan terdiri dari dua
metode yaitu metode jaringan syaraf tiruan
dan time series. Kedua metode tersebut
nantinya akan dibandingkan untuk dipilih
sebagai metode yang paling cocok diterapkan
di Koperasi susu SAE Pujon. Pembanding
yang digunakan berupa perbandingan nilai
MSE, nilai MAPE dan data penjualan aktual
susu pasteurisasi Kop SAE Pujon, sehingga
bisa dilihat diantara kedua metode tersebut
mana yang paling baik dalam meramalkan
susu pasteurisasi. Adapun perbandingan
nilai MSE dan MAPE untuk metode Jaringan
Syaraf Tiruan dan Time Series dapat dilihat
pada Tabel 2 dan Tabel 3.
Tabel 2. Nilai MSE Sebelum dan Sesudah
Peramalan Pada Metode Jaringan
Syaraf Tiruan dan Time Series
Nilai MSE
Metode
Sebelum Sesudah
Jaringan
21516.71 489321.2676
Syaraf Tiruan
Time Series 52364211.36 52364211.36
Sumber : Data diolah (2014)
Tabel 3. Nilai MAPE Peramalan Pada Metode
Jaringan Syaraf Tiruan dan Time
Series
Metode Nilai MAPE
Jaringan Syaraf Tiruan 1.1721%
Time Series 14.793%
Sumber : Data diolah (2014)
Pada Tabel 2, nilai MSE sebelum dan
sesudah peramalan pada metode Time Series
tetap yaitu 52364211.36. Sedangkan, pada
metode JST terjadi perubahan nilai MSE yang
7
semula 21516.71 menjadi 489321.2676 yang
menunjukkan nilai MSE sesudah peramalan
lebih besar dibandingkan nilai MSE sebelum
peramalan. Hal ini dikarenakan nilai mean
pada saat testing lebih besar dibandingkan
nilai mean saat pemodelan. Pada Tabel 3
merupakan nilai tengah kesalahan persentase
absolut dari suatu peramalan. Nilai MAPE
memberikan informasi mengenai nilai
persentase kesalahan peramalan. Pada
peramalan dapat diketahui bahwa nilai
persentase kesalahan peramalan
menggunakan JST lebih kecil yaitu 1.1721%
dibandingkan metode time series dengan
persentase kesalahannya sebesar 14.793%.
Setelah melakukan perbandingan pada
nilai MSE dan MAPE untuk kedua metode
tersebut, selanjutnya melakukan validasi
dengan cara membandingkan dengan data
penjualan aktual. Pembanding yang
digunakan berupa data penjualan aktual susu
pasteurisasi Kop SAE Pujon selama 3 bulan
ke depan. Hasil perbandingan metode
jaringan syaraf tiruan, time series, dan data
aktual dapat dilihat pada Tabel 4.
Berdasarkan nilai MSE, MAPE dan
persentase kesalahan peramalan ketika
dibandingkan pada kedua metode tersebut
dapat dikatakan bahwa metode jaringan
syaraf tiruan lebih cocok diterapkan di
Koperasi susu SAE Pujon dikarenakan
memiliki nilai MSE, MAPE dan persentase
kesalahan yang lebih kecil dibandingkan
metode time series. Selain itu, pada metode
JST ini peramalannya dikaitkan dengan
unsur-unsur yang mempengaruhi volume
penjualan seperti harga, biaya promosi dan
distribusi serta jumlah tempat pemasaran
dibandingkan metode time series yang tidak
dikaitkan dengan unsur-unsur yang
mempengaruhi volume penjualan dalam
meramalkan jumlah volume penjualan
periode mendatang.
Tabel 4. Hasil Perbandingan Metode Jaringan Syaraf Tiruan, Time Series dan Data Aktual
Periode April – Juni 2014
Persentase Kesalahan
Simulasi Time Data Peramalan Terhadap
Tahun Periode
Peramalan JST Series Aktual Permintaan Aktual (%)
JST Time Series
2014 April 46.265 36.391 47.536 2.67 23.45
Mei 53.470 37.075 51.725 3.37 28.32
Juni 45.288 29.211 44.910 0.84 34.96
Rata-rata Kesalahan 2.29 28.91
Sumber : Data diolah (2014)
peramalan permintaan menggunakan JST
KESIMPULAN DAN SARAN dengan metode yang lain, perlu adanya
penelitian lebih lanjut untuk peramalan
Kesimpulan permintaan dengan mempertimbangkan
1. Penerapan metode Jaringan Syaraf Tiruan faktor-faktor bauran pemasaran yang lain
(JST) untuk peramalan permintaan susu serta diharapkan metode yang terpilih
pasteurisasi Kop SAE Pujon dengan diterapkan oleh Koperasi susu SAE Pujon
menggunakan model jaringan agar perencanaan produksi, pemasaran,
Backpropagation, menghasilkan arsitektur anggaran biaya dan perencanaan lainnya
jaringan single hidden layer terbaik yaitu 3- optimal.
10-1 (3 neuron input, 10 neuron hidden layer,
dan 1 neuron output), 3 neuron input DAFTAR PUSTAKA
merupakan faktor bauran pemasaran yang
meliputi harga produk, jumlah tempat Emanuel, A. W. R. dan Hartono, A. 2008.
pemasaran, biaya distribusi dan biaya Pengembangan Aplikasi Pengenalan
promosi, sedangkan untuk 1 neuron output Karakter Alfanumerik Dengan
merupakan nilai peramalan permintaan. Menggunakan Algoritma Neural
2. Pada peramalan metode time series, Network Three-Layer Backpropagation.
menghasilkan metode terbaik yaitu Jurnal Informatika, Vol.4, No.1, Juni
metode Simple Seasonal. Perbandingan 2008: 49 – 58.
akurasi hasil peramalan dari kedua
metode, sebagai berikut: nilai Mean Square Herjanto, E. 2003. Manajemen Operasi Edisi
Error (MSE) pada metode time series Ketiga. PT Grasindo. Jakarta.
sebelum dan sesudah peramalan sama
sebesar 52364211.36. Nilai MSE metode Kusumadewi, S dan Hartati, S. 2006.
jaringan syaraf tiruan pada saat pelatihan Integrasi Sistem Fuzzy dan Jaringan
(pemodelan) sebesar 21516.71 dan pada Syaraf. Graha Ilmu. Yogyakarta.
saat testing sebesar 489321.2676.
Sedangkan nilai MAPE pada metode Makridakis, S. 2005. Metode dan Aplikasi
jaringan syaraf tiruan dan time series Peramalan. Binarupa Aksara. Jakarta.
berturut-turut adalah 1.1721% dan
14.793%. Rata-rata persentase kesalahan Mulyana, S. 2008. Teknik Peramalan Tingkat
hasil simulasi peramalan permintaan Penjualan Dengan Jaringan Syaraf
menggunakan JST pada periode April – Tiruan. Seminar Nasional Informatika
Juni 2014 adalah sebesar 2.29%, sedangkan 2008 (semnasIF 2008). UPN “Veteran”
untuk time series adalah sebesar 28.91%. Yogyakarta, 24 Mei 2008. ISSN : 1979-
2328.
Saran
Dari hasil penelitian dan pembahasan Pakaja, F, Agus N. dan Purwanto. 2012.
yang telah dilakukan, saran yang dapat Peramalan Penjualan Mobil
Menggunakan Jaringan Syaraf Tiruan
dikemukakan yaitu perlu adanya penelitian
dan Certainty Factor. Jurnal EECCIS
lebih lanjut untuk membandingkan
Vol. 6, No. 1, Juni 2012.
8
Prabowo, Y., Achmad, H. dan Ajub, A. Z.
2012. Kompresi Citra Digital Aras-
Keabuan Menggunakan Metode
Hadamard. TRANSIENT, Vol.1, No.4,
Desember 2012, ISSN: 2302-9927.

Raharja, A. Wiwik, A. dan Retno, A. V. 2010.

Penerapan Metode Exponential
Smoothing untuk Peramalan
Penggunaan Waktu Telepon Di PT.
Telkomsel Divre3 Surabaya. SISFO-
Jurnal Sistem Informasi. 2337-439X
Oktober 2010. Vol. 1 No.4.

Saefulloh, D. 2011. Perencanaan

Pengembangan Gardu Induk Untuk 10
Tahun Ke Depan. Makalah Seminar
Tugas Akhir. Jurusan Teknik Elektro
Fakultas Teknik Universitas Diponegoro.

Siang, J. J. 2005. Jaringan Syaraf Tiruan dan

Pemrogramannya Menggunakan
Matlab. Andi Offset. Yogyakarta.

Soedjianto, F. Tanti, O. dan James, A. A. 2006.

Perancangan dan Pembuatan Sistem
Perencanaan Produksi (Studi Kasus
Pada PT. Vonita Garment). Seminar
Nasional Aplikasi Teknologi Informasi
2006 (SNATI 2006) Yogyakarta, 17 Juni
2006. ISSN: 1907-5022.