BAB 1. PENDAHULUAN
sangrai yang telah mengalami proses lanjutan yaitu penghalusan sampai menjadi
bubuk.
Perusahaan Daerah Perkebunan (PDP) Kahyangan Jember merupakan
salah satu perusahaan pemerintah yang bergerak dibidang perkebunan dan telah
memproduksi beberapa jenis komoditi kebun seperti kopi, cengkeh dan karet.
Tahun 2014, Pemerintah Kabupaten Jember melakukan divestasi atas kebun.
Kebun Ketajik di Kecamatan Panti dan menyerahkan kepada masyarakat (PDP,
2016). Akibatnya luas area perkebunan PDP Kahyangan Jember menurun dari
4.278,2239 ha menjadi 3.800,6039 ha. Kebun yang tersisa dan masih dikelola oleh
PDP yaitu Sumberwadung dan Kalimrawan di Kecamatan Silo, Gunung Pasang di
Kecamatan Panti, Sumberpandan di Kecamatan Sumberbaru, dan
Sumbertenggulun di Kecamatan Tanggul.
PDP Kahyangan Jember memiliki bentuk usaha lain yang diberi nama
Unit Usaha Lain (UUL). UUL bertanggung jawab dalam memproduksi kopi
bubuk dan kopi sangrai. Kopi yang dihasilkan oleh PDP Kahyangan Jember
dijual kepada masyarakat dengan nama merk kopi “Kahyangan”. Jumlah
permintaan produk bersifat fluktuatif setiap bulan. Bulan Maret 2018 jumlah
produksi kopi bubuk dan sangrai hanya mencapai 2.963 kg, pada bulan April
produksi naik menjadi 4.094 kg dan pada bulan Mei produksi menurun menjadi
3.348 kg.
Jumlah produksi ditentukan berdasarkan jumlah permintaan pasar.
Permintaan pasar yang selalu berubah menyebabkan permasalahan bagi
perusahaan. Ketika permintaan naik dan perusahaan tidak dapat memenuhi
permintaan pasar akibat stok gudang kosong, maka akan berdampak pada
penambahan jumlah jam kerja (lembur) sehingga akan meningkatkan biaya
produksi perusahaan. Saat produksi menurun akan menambah biaya penyimpanan
karena produk yang tidak langsung dapat dipasarkan. Salah satu cara yang dapat
digunakan untuk mengetahui tingkat permintaan konsumen dengan melakukan
peramalan permintaan. Metode yang dapat digunakan untuk meramalkan
permintaan yaitu menggunakan Jaringan Saraf Tiruan (JST).
3
meliputi proses pengeringan tahap pertama hingga mencapai kandungan air 25%,
proses pengupasan kulit buah, dan pengeringan tahap dua hingga kandungan air
mencapai 12% dan proses penyortiran. Pengolahan kopi sekunder meliputi proses
penyangraian, pendinginan, penggilingan menjadi kopi bubuk dan pengemasan
serta pemasaran.
y = f(x) = ...............................................................................................(4)
begitu juga pada unit hidden layer dan output yang dihasilkan. Secara umum
lapisan dalam JST backpropagation sebagai berikut:
1. Lapisan input, terdiri dari 1 hingga n unit
2. Hidden layer, terdiri dari 1 hingga p unit hidden
3. Lapisan output, terdiri dari 1 hingga m unit output
Secara umum pelatihan dengan metode backpropagtion terdiri atas tiga
langkah, yaitu sebagai berikut :
1. Data dimasukkan ke input jaringan (feedforward)
2. Perhitungan dan propagasi balik dari error yang bersangkutan
3. Pembaharuan (adjustment) bobot dan bias.
Fungsi aktivasi algoritma yang biasa digunakan dalam JST
backpropagation dapat diuraikan sebagai berikut (Kusumadewi, 2003) :
1. Inisialisasi bobot (ambil bobot awal dengan nilai random kecil kisaran -0,5
sampai 0,5)
2. Selama kondisi belum terpenuhi kerjakan langkah-langkah berikut
a. Feedforward
- Setiap unit masukan ( X i , i = 1,......n) menerima sinyal masukan xi dan
mengirim sinyal ini ke seluruh unit pada lapisan berikutnya (hidden layer)
- Setiap unit-unit masukan ( Zj , j = 1,.....,p), dijumlahkan sinyal input terbobot
z_inj = voj + ∑ ..................................................................................(6)
gunakan fungsi aktifasi untuk menghitung sinyal keluarannnya
z j = f (z_inj).....................................................................................................(7)
dan kirimkan sinyal ini pada lapisan keluaran (output)
- Setiap unit keluaran ( Yk, k = 1,......,m) menyumlahkan sinyal-sinyal masukan
terbobot
y_ink = wok + ∑ ...............................................................................(8)
Dikirimkan sinyal pada unit lapisan diatasnya.
b. Backpropagation
- Setiap unit keluaran ( Yk, k = 1,......,m) menerima sebuah pola target yang
bersesuaian dengan pola input pembelajaran, menghitung error
δk = (tk-yk) f (y-ink).........................................................................................(9)
12
∑
MSE = .............................................................................................(18)
Keterangan :
Xt = Nilai sebenarnya
Ft = Nilai hasil prediksi
n = Jumlah periode
MAPE = ( )∑ .......................................................................(19)
Keterangan :
Xt = Data Aktual pada periode t
Ft = Nilai peramalan pada periode t
N = Jumlah data
metode JST adalah harga produk, jumlah tempat pemasaran, biaya promosi, dan
biaya distribusi. Penerapan metode JST menghasilkan jaringan arsitektur dengan 4
neuron pada lapisan input, 7 neuron lapisan tersembunyi dan 1 neuron lapisan
output dengan penggunan algoritma backpropagation. Rata-rata hasil persentase
kesalahan hasil simulasi peramalan menggunakan JST sebesar 5,72% dan untuk
metode time series menghasilkan nilai yang lebih besar yaitu sebesar 10,06%.
Mufaidah (2017) melakukan peramalan permintaan pada PT. XYZ
Banyuwangi yang memproduksi udang beku menggunakan algoritma
backpropagation. Data input yang digunakan pada penelitian adalah data volume
penjualan selama 5 tahun terakhir. Arsitektur terbaik yang didapatkan adalah 12
neuron pada lapisan input, 12 neuron lapisan tersembunyi dan satu nilai output
pada lapisan keluaran. Nilai MSE yang digunakan sebesar 0,01 dan didapatkan
MAPE hasil pengujian sebesar 3,35%.
15
Studi literasi
Hasil peramalan
Gambar 3.1 Kerangka pemikiran
16
Mulai
Formulasi permasalahan
Pengumpulan data
Training JST
Verifikasi dan
Tidak validasi model
Evaluasi Model
Ya
Peramalan
Peramalan Permintaan permintaan
Selesai
Mulai
Error minimalisasi
Gambar 3.4 Arsitektur JST
tercapai
Tidak
Ya
Koleksi bobot
Selesai
1 1
2 2 1 output
.............................................................................................(20)
Keterangan :
X’ = tranformasi linier menjadi interval (0,1 : 0,9)
x = data yang akan diramal
a = data minimum
b = data maksimum
Data hasil normalisasi kemudian dibentuk pola sesuai dengan arsitektur
jaringan yang telah dibuat yaitu dengan 12 input. Hasil normalisasi selama dua
belas bulan pertama (Juli 2014 – Juni 2015) digunakan untuk meramalkan hasil
pada bulan berikutnya Juli 2015, dan seterusnya sampai terbentuk 36 pola seperti
pada Lampiran 2. Jumlah yang biasa digunakan dalam pengolahan data 75%
untuk training dan 25% untuk testing. Data training merupakan data dalam
pembentukan model sedangkan data testing digunakan untuk menguji model yang
telah dihasilkan. Input data training dan testing dapat dilihat pada Lampiran 2.
3.3.6 Training JST
Proses training dilakukan untuk mengenali pola data input. Pembelajaran
selama proses training dilakukan melalui beberapa tahapan sehingga didapatkan
bobot dengan kesalahan mendekati 0. Tahapan proses training JST
backpropagation dapat dilihat pada Gambar 3.5
21
Mulai
Data training
Inisialisasi bobot
Setting input
Propagasi maju
Propagasi balik
Perubahan bobot
tidak tidak
Iterasi (epoch) Iterasi >
MSE<error
= iterasi + 1 maks iterasi
Simpan bobot
ya
Selesai
pada interval 0 sampai 1 seperti pada Gambar 2.1. Syntax yang digunakan untuk
fungsi aktivasi sigmoid biner adalah logsig. Sedangkan fungsi aktivasi linear
digunakan untuk menghasilkan bilangan riil pada nilai keluaran, dengan syntax
yang digunakan adalah purelin.
Hasil syntax yang digunakan terhadap parameter-parameter diatas adalah:
>> net=newff(minmax(p),[15 1],{'logsig','purelin'},'traingdm');
>> net.trainParam.show=1000;
>> net.trainParam.goal=0.01;
>> net.trainParam.epochs=100000;
Bobot awal pada lapisan input ke lapisan tersembunyi dan dari lapisan
tersembunyi ke lapisan output menggunakan metode nguyen widrow Metode
nguyen widrow secara sederhana dapat diimplementasikan dengan prosedur
sebagai berikut (Kusumadewi, 2004).
Jika n : jumlah node pada lapisan input
p : jumlah node pada lapisan tersembunyi
β : faktor penskalaan (= 0,7 (p) 1/n)
a Semua bobot (vji) ditentukan dengan bilangan acak pada kisaran
[-0,5 , 0,5].
b Hitung ║vj║= 2√ ( v2j1 + v2j2 + ...+ v2jn )........................................................(25)
c Bobot ditentukan ulang dengan: vij = βvij / ║vj║...........................................(26)
d Set bias : bij = bilangan acak antara -β sampai β............................................(27)
Nilai bobot awal yang dimasukkan dapat dilihat pada Lampiran 3.
Kemudian inisialisasi bobot dimasukkan dalam mathlab dengan intruksi
sebagai berikut:
>> net.IW{1,1}=WIH;
>> net.b{1}=Wb1;
>> net.LW{2,1}=WHO;
>> net.b{2}=Wb2;
Keterangan:
WIH = bobot awal input
Wb = bobot awal bias input
WHO = bobot awal bias lapisan
24
Bahan baku yang didapatkan oleh UUL merupakan kopi ose yang telah
diolah dan disortasi terlebih dahulu di kebun. Kopi ose yang didapatkan ditimbang
sesuai dengan kapasitas mesin sangrai yaitu sebanyak 60 kg. Kopi ose yang telah
ditimbang ditampung pada bak penampungan untuk selanjutnya dilakukan proses
penyangraian menggunakan mesin selama 20 menit. Kopi yang telah disangrai
kemudian didinginkan selama 5 menit. Kopi sangrai yang telah dingin kemudian
dibagi menjadi dua bagian yang akan dijual sebagai kopi sangrai dan kopi bubuk.
Jumlah pembagian sesuai dengan permintaan pasar.
Kopi yang akan dijual sebagai kopi sangrai kemudian dikemas sedangkan
bagian untuk kopi bubuk akan dibawa menuju mesin penggiling. Mesin yang
digunakan untuk menghaluskan memiliki ukuran partikel 60 mesh. Waktu yang
dibutuhkan untuk proses penggilingan yaitu sekitar 90 menit. Selanjutnya tahap
pengemasan, dengan menggunakan kemasan primer yaitu kemasan plastik. Kopi
sangrai dikemas dengan kemasan plastik dengan berat 500 kg dan juga dijual
curah tanpa kemasan. Kopi bubuk memiliki variasi ukuran kemasan yaitu 7 g, 100
g, 150 g dan juga dijual dalam bentuk curah yang ditampung pada timba dengan
tutup. Selanjutnya kopi yang telah dikemas akan dikumpulan berdasarkan ukuran
untuk selanjutnya dilakukan proses pengemasan sekunder menggunakan kardus.
harga pada masa yang akan datang, distribusi pendapatan, metode pemasaran,
ketersediaan kredit, kebijakan pajak dan subsidi. Perusahaan menggunakan data
data penjualan sama dengan data permintaan sehingga jumlah produk kopi yang
terjual sama dengan sama dengan jumlah permintaan konsumen. Data permintaan
dan produksi PDP Kahyangan Kabupaten Jember dapat dilihat pada Tabel 4.1.
Tabel 4.1 Data permintaan dan produksi bulan Juli 2017 – Juni 2018
Bulan Penjualan (kg) Produksi (kg) MAPE (%)
Jul-17 4601 5192 12,846
Agt-17 5098 5065 0,638
Sep-17 4048 4790 18,317
Okt-17 2824 3350 18,618
Nov-17 3862 3494 9,524
Des-17 3532 3025 14,356
Jan-18 4748 4533 4,528
Feb-18 4245 4209 0,848
Mar-18 1259 2963 135,346
Apr-18 4422 4094 7,417
Mei-18 3322 3348 0,783
Jun-18 2089 3064 46,673
Rata-rata 3672 22,45
6000
5000 Penjualan
4000
Produksi
3000
2000
1000
Nov…
0
Jan-18
Jul-17
Mei-18
Des-17
Apr-18
Jun-18
Mar-18
Agt-17
Sep-17
Okt-17
Feb-18
3. Fungsi aktivasi.
Untuk menghasilkan nilai pembelajaran yang baik atau sesuai dengan nilai
aslinya maka diperlukan model yang sesuai agar proses pembelajaran yang
berjalan menghasilkan nilai yang mendekati nilai asli. Pengujian data digunakan
untuk mengukur validasi apakah hasil ramalan dan model yang dibangun
memberikan hasil yang baik. Pengujian data digunakan dengan membandingkan
data aktual perusahaan dengan hasil ramalan menggunakan JST. Jika hasil
ramalan JST tidak berbeda jauh dengan data aktualnya maka rancangan JST dapat
dijadikan model untuk tahap selanjutnya. Pengujian data dilakukan menggunaka
MAPE untuk mengukur validasi jaringan.
Terdapat tiga model jaringan yang akan dilakukan uji validasi. Setiap
model jaringan memiliki beberapa perbedaan parameter yang digunakan.
Perbedaan parameter terdapat pada jumlah neuron pada lapisan tersembunyi, dan
fungsi aktivasi yang digunakan untuk mengaktifkan neuron pada lapisan input
menuju lapisan tersembunyi. Perbandingan hasil pada setiap model jaringan yang
digunakan dapat dilihat pada Tabel 4.2
Selama menjalani proses training pasangan data antara input, target dan
keluaran dipakai untuk proses training akan memperolah nilai bobot yang
diinginkan. Peramalan menggunakan inisialisasi bobot secara random. Proses
pelatihan yang baik dipengaruhi oleh bobot awal yang digunakan. Bobot akan
mempengaruhi hasil jaringan dan seberapa cepat konvergensinya. Proses
pembobotan diawal dilakukan dengan menggunakan data acak menggunakan
metode nguyen windrow dengan interval -0,5 sampai 0,5 dan didapatkan nilai
bobot seperti Lampiran 3. Iterasi akan berhenti apabila grafik hasil training sudah
konvergen atau nilai yang dihasilkan sudah tidak fluktuatif yaitu mencapai target
yang ditentukan sebesar 0,01 grafik maksimum iterasi dapat dilihat pada
Lampiran 7. Grafik perbandingan hasil peramalan permintaan pada setiap model
dapat dilihat pada Gambar 4.3
32
6000
5000
4000
Penjualan
3000
Model 1
2000
Model 2
1000 Model 3
0
Selama menjalani proses training pasangan data antara input dan target
keluaran yang digunakan untuk proses training akan memperolah nilai bobot yang
berubah sesuai dengan proses pembelajaran. Pembobotan awal penting untuk
digunakan karena akan menentukan tahapan pembelajaran selanjutnya. Bobot
awal pada proses pelatihan dapat dilihat pada Lampiran 3. Iterasi akan berhenti
apabila grafik hasil training sudah konvergen atau nilai yang dihasilkan sudah
tidak fluktuatif yaitu mencapai target yang ditentukan sebesar 0,01. Grafik
maksimum iterasi dapat dilihat pada Lampiran 7. Gambar 4.4 merupakan grafik
perbandingan jumlah produksi, jumlah penjualan dan hasil peramalan permintaan
menggunakan JST pada bulan Juli 2017 sampai Juni 2018.
6.000
5.000
4.000
3.000 Penjualan
2.000 Produksi
1.000 JST
-
Jan-18
Jul-17
Mei-18
Nov-17
Des-17
Apr-18
Jun-18
Agt-17
Sep-17
Okt-17
Feb-18
Mar-18
perusahaan sebesar 4.601 data produksi perusahaan mencapai 5.192 kg dan hasil
ramalan JST lebih mendekati data permintaan yaitu sebesar 4.621 kg. Bulan
Maret 2018 perusahaan mengalami penurunan permintaan secara signifikan yaitu
sebesar 1.259 kg. Hasil produksi perusahaan pada bulan Maret mencapai 2.963 kg
sedangkan hasil ramalan menggunakan JST memiliki nilai lebih kecil dan lebih
mendekati data permintaan sebesar 2.176 kg. Pada bulan Juli 2018 perusahaan
juga mengalami penurunan permintaan cukup signifikan yaitu sebesar 2.089 kg
hasil produksi perusahaan mencapai 3.064 kg dan hasil ramalan menggunakan
JST sebesar 2.384 kg.
Sebaiknya laju kecepatan produksi harus lebih tinggi dibandingkan
dengan permintaan. Jika laju produksi lebih rendah maka akan menimbulkan
stockout (Baroto 2002). pengendalian produksi dianggap penting karena
merupakan suatu kegiatan ataupun metode yang digunakan dalam manajemen
perusahaan untuk mengelola, mengatur, mengkoordinir, dan mengarahkan
berbagai kegiatan produksi (mulai dari bahan baku, peralatan, mesin, dan SDM-
nya).
Melihat pada grafik permintaan perusahaan belum pernah mengalami
jumlah permintaan pasar secara signifikan. Selain itu sampai sekarang perusahaan
masih belum memiliki gudang penyimpanan produk jadi. Selama ini perusahaan
masih menyimpan produk jadi pada lorong ruang produksi, hal tersebut tentu akan
mengganggu selama proses produksi berlangsung.
Penentuan jumlah dan jenis barang yang disimpan dalam persediaan harus
sesusai dengan kemampuan perusahaan sehingga tidak akan menggangu produksi
dan operasi perusahaan. Seminimal mungkin perusahaan juga perlu menjaga biaya
investasi yang timbul dari penyediaan barang (Indrajit, 2003). Peramalan
permintaan menggunakan metode JST menghasilkan ramalan yang lebih akurat.
Tabel 4.4 menunjukkan hasil peramalan permintaan satu tahun kedepan yaitu
bulan Juli 2018 sampai Juni 2019 menggunakan metode JST
37
Tabel 4.4 Hasil peramalan permintaan Juli 2018 - Juni 2019 menggunakan
metode JST
Bulan Hasil Ramalan
Jul-18 3449
Agt-18 2947
Sep-18 2947
Okt-18 3611
Nov-18 3004
Des-18 3235
Jan-19 3235
Feb-19 4141
Mar-19 3650
Apr-19 2757
Mei-19 3474
Jun-19 2802
Brown yaitu α dengan nilai antara 0 dan 1. Nilai α diperoleh dengan cara trial and
error. Rumus untuk DES Brown adalah sebagai berikut:
St = Xt + (1 - ) S’t-1 .....................................................................................(29)
St= St + (1 - ) St-1.......................................................................................(30)
at = 2 St - St-1....................................................................................................(31)
bt = (St - St)................................................................................................(32)
Ft+m = at + bt m.....................................................................................................(33)
Keterangan:
St = Nilai pemulusan exponential tunggal
St = Nilai pemulusan exponential ganda
at, bt = Konstanta pemulusan
= Parameter pertama perataan antara nol dan 1
Ft+m = Hasil peramalan ke- m
m = Jumlah periode ke depan yang akan diramalkan
Perbandingan hasil peramalan mengggunakan metode DES Brown dan JST
dapat dilihat pada Tabel 4.5
Tabel 4.5 Perbandingan hasil peramalan mengggunakan metode DES Brown dan
JST
Hasil Hasil
Permintaan Ramalan Ramalan
MAPE MAPE
Bulan Perusahaan Menggunakan Permintaan
(%) (%)
(kg) Metode DES dengan JST
Brown (kg) (kg)
Jul-17 4601 4221 8,256 4621 0,432
Agt-17 5098 4309 15,474 5333 4,612
Sep-17 4048 4283 5,787 4178 3,189
Okt-17 2824 4137 46,479 3505 24,110
Nov-17 3862 4109 6,410 3764 2,543
Des-17 3532 4052 14,710 3600 1,911
Jan-18 4748 4121 13,200 4752 0,081
Feb-18 4245 4134 2,621 4298 1,259
Mar-18 1259 3846 205,494 2176 72,872
Apr-18 4422 3904 11,717 4300 2,751
Mei-18 3322 3846 15,748 3386 1,924
Jun-18 2089 3730 38,732 2384 14,105
Rata-rata 32,052 10,816
39
Nilai MAPE tertinggi dari metode DES Brown terjadi pada bulan Maret
2018 yaitu sebesar 205, 45%. Hasil peramalan menggunakan JST pada Maret
2018 sebesar 72,87%. Nilai MAPE kedua hasil peramalan dikatakan jelek karena
berada diatas angka 20%. Nilai MAPE yang tinggi disebabkan karena pada bulan
Maret 2018 terjadi penurunan permintaan yang tajam yaitu sebesar 1.259 kg
dengan rata-rata permintaan sebesar 3.671 kg. Nilai akhir MAPE pada peramalan
menggunakan metode DES Brown sebesar 32,05 %, dengan menggunakan
metode JST nilai akhir MAPE yang didapatkan sebesar 10,82%. Nilai MAPE
dikatakan baik apabila berada diantara 10% - 20%. Hasil peramalan menggunakan
metode DES Brown berada pada angka diatas 20% dikatakan tidak baik.
Grafik perbandingan ramalan menggunakan JST dan DES Brown seperti
pada Gambar 4.5.
6000
5000 Permintaan
4000 Perusahaan
3000
Hasil Ramalan
2000 Menggunakan
Metode DES Brown
1000
Hasil Ramalan
0 Permintaan dengan
Jan-18
Jul-17
Mei-18
Nov-17
Des-17
Apr-18
Jun-18
Mar-18
Agt-17
Sep-17
Okt-17
Feb-18
JST
Gambar 4.5 Grafik perbandingan hasil ramalan menggunakan metode JST dan
DES brown
Berdasarkan grafik diketahui bahwa metode peramalan menggunakan
DES Brown tidak mengikuti pola permintaan perusahaaan dan lebih bersifat linear
dengan kecenderungan turun. Hal tersebut dikarenakan metode DES Brown lebih
baik digunakan untuk jenis data yang memiliki trend. Data Permintaan PDP
Kahyangan Jember bersifat acak dan tidak memiliki trend. Metode JST lebih baik
digunakan karena metode JST dapat melakukan pembelajaran sehingga akan
terbentuk pola data yang dapat menyerupai pola data aktualnya.
40
5.1 Kesimpulan
Berdasarkan hasil analisis MAPE dari tiga model nilai terbaik didapatkam
pada model 2 dengan nilai rata-rata MAPE sebesar 10,81%. Sedangkan pada
model 1 sebesar 18,43% dan model 3 sebesar 17,88%. Namun nilai kedua model
masih lebih baik dibandingkan dengan nilai MAPE data produksi perusahaan
sebesar 22,45%. Hasil peramalan permintaan menggunakan model JST dikatakan
baik karena berada diantara 10-20%.
Model 2 digunakan untuk melakukan peramalan permintaan selama satu
tahun kedepan yaitu pada bulan Juli 2018 sampai bulan Juni 2019. Hasil
peramalan permintaan Juli 2018 sampai Juni 2019 menggunakan metode JST dan
DES Brown dapat dilihat pada Tabel 5.1
Tabel 5.1 Hasil peramalan permintaan Juli 2018 sampai Juni 2019 menggunakan
metode JST dan DES Brown
Bulan JST DES Brown
Jul-18 3449 3304
Agt-18 2947 3261
Sep-18 2947 3218
Okt-18 3611 3176
Nov-18 3004 3133
Des-18 3235 3091
Jan-19 3235 3048
Feb-19 4141 3005
Mar-19 3650 2963
Apr-19 2757 2920
Mei-19 3474 2878
Jun-19 2802 2835
41
5.2 Saran
DAFTAR PUSTAKA
Aprijani, 2011. Aplikasi Jaringan Saraf Tiruan untuk Mengenali Tulisan Tangan
Huruf A, B, C, dan D pada Jawaban Soal Pilihan Ganda. Jurnal
Matematika, Sains dan Teknologi, 12 (1): 11-17
Badan Pusat Statistik Jawa Timur. 2018. Statistik Perkebunan Kopi Jawa Timur
2006-2016. http://www.bps.go.id/. (Diakses pada 25 Mei 2018).
Chopra. 2001. Logistic And Supply Chain Management. New York: Pitman
Publishing.
Dinar, L. 2012. Identifikasi Teknologi Mutu Fisik Buah Pala (Myristica Fragans
Houtt). Tesis. Yogyakarta:UGM.
Indra, D., Yuli, dan Sony. 2016. Strategi Pengembangan Agroindustri Kopi yang
Berkelanjutan. Prosiding Seminar Nasional APTA.
Kristanto, 2004. Jaringan Saraf Tiruan (Konsep Dasar, Algoritma dan Aplikasi).
Yogyakarta: Gava Media
Pakaja, F., Naba, A., Purwanto. 2012. Peramalan Penjualan Mobil Menggunakan
Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS.
Sihotang, J., S.R. Siahaan, dan J.L. Tobing. 2013. Pengantar Mikroekonomi. Edisi
Pertama. Medan: Universitas HKBP Nommensen.
LAMPIRAN
Normalisasi Data
Ket :
X’ = tranformasi linier menjadi interval (0,1 : 0,9)
x = data yang akan diramal
a = data minimum
b = data maksimum
a = min 1.258
b = max 6.240
Normalisasi Data
x' 0,9 0,8643 0,5564 0,69 0,708 0,5721
0,79803 0,702 0,4915 0,7913 0,8096 0,8277 0,5987 0,8037 0,6607 0,78 0,757 0,6291
0,68515 0,6435 0,1853 0,6435 0,6435 0,7512 0,4957 0,7853 0,7853 0,689 0,505 0,50466
0,47232 0,424 0,5564 0,5038 0,5855 0,4847
Input
46
Training
0,9 0,8643 0,556 0,69045 0,7084 0,5721 0,798 0,702 0,4915 0,7913 0,81 0,8277 0,5987 0,8037 0,6607 0,78 0,7566 0,6291
0,8643 0,5564 0,69 0,70843 0,5721 0,798 0,702 0,4915 0,7913 0,8096 0,828 0,5987 0,8037 0,6607 0,7797 0,757 0,6291 0,6851
0,5564 0,6904 0,708 0,5721 0,798 0,702 0,4915 0,7913 0,8096 0,8277 0,599 0,8037 0,6607 0,7797 0,7566 0,629 0,6851 0,6435
0,6904 0,7084 0,572 0,79803 0,702 0,4915 0,7913 0,8096 0,8277 0,5987 0,804 0,6607 0,7797 0,7566 0,6291 0,685 0,6435 0,1853
0,7084 0,5721 0,798 0,70201 0,4915 0,7913 0,8096 0,8277 0,5987 0,8037 0,661 0,7797 0,7566 0,6291 0,6851 0,644 0,1853 0,6435
0,5721 0,798 0,702 0,49149 0,7913 0,8096 0,8277 0,5987 0,8037 0,6607 0,78 0,7566 0,6291 0,6851 0,6435 0,185 0,6435 0,6435
0,798 0,702 0,491 0,79129 0,8096 0,8277 0,5987 0,8037 0,6607 0,7797 0,757 0,6291 0,6851 0,6435 0,1853 0,644 0,6435 0,7512
0,702 0,4915 0,791 0,80959 0,8277 0,5987 0,8037 0,6607 0,7797 0,7566 0,629 0,6851 0,6435 0,1853 0,6435 0,644 0,7512 0,4957
0,4915 0,7913 0,81 0,82774 0,5987 0,8037 0,6607 0,7797 0,7566 0,6291 0,685 0,6435 0,1853 0,6435 0,6435 0,751 0,4957 0,7853
0,7913 0,8096 0,828 0,59869 0,8037 0,6607 0,7797 0,7566 0,6291 0,6851 0,644 0,1853 0,6435 0,6435 0,7512 0,496 0,7853 0,7853
0,8096 0,8277 0,599 0,80365 0,6607 0,7797 0,7566 0,6291 0,6851 0,6435 0,185 0,6435 0,6435 0,7512 0,4957 0,785 0,7853 0,689
0,8277 0,5987 0,804 0,66074 0,7797 0,7566 0,6291 0,6851 0,6435 0,1853 0,644 0,6435 0,7512 0,4957 0,7853 0,785 0,689 0,5047
Testing
47
Target
0,5987 0,8037 0,6607 0,7797 0,757 0,6291 0,685 0,6435 0,185 0,644 0,6435 0,7512 0,4957 0,785 0,785 0,689 0,5047 0,505
( )
Denormalisasi Data :
Model 1
Z= 0,6502 0,708 0,5925 0,4646 0,5237 0,5027 0,5658 0,609 0,3658 0,595 0,4537 0,3919
x= 4621 4974 4268 3487 3847 3720 4754 4369 2883 4283 3420 3042
Model 2
Z= 0,4585 0,376 0,376 0,485 0,386 0,423 0,423 0,572 0,491 0,345 0,462 0,353
x= 4621 5333 4178 3505 3764 3600 4752 4298 2176 4300 3386 2384
Model 3
Z= 0,6521 0,714 0,55466 0,4398 0,5301 0,4729 0,6701 0,6725 0,3766 0,595 0,4469 0,4109
x= 4633 5010 4037 3335 3887 3537 4743 4129 2949 4285 3378 3158
48
Tahun Jan Feb Mar Apr Mei Jun Jul Agt Sep Okt Nov Des
2014 6.240 6.018 4.100 4.935 5.047 4.198
2015 5.605 5.007 3.696 5.563 5.677 5.790 4.364 5.640 4.750 5.491 5.347 4.553
2016 4.902 4.643 1.789 4.643 4.643 5.314 3.723 5.526 5.526 4.926 3.778 3.778
2017 3.577 3.276 4.100 3.773 4.281 3.653 4.601 5.098 4.048 2.824 3.862 3.532
2018 4.748 4.245 1.259 4.422 3.322 2.089
Normalisasi Data
x' 0,9 0,8643 0,55636 0,6904 0,7084 0,5721
0,798033 0,70201 0,49149 0,79129 0,80959 0,8277 0,5987 0,8037 0,66074 0,7797 0,7566 0,629105
0,685147 0,64352 0,18527 0,64352 0,64352 0,7512 0,4957 0,7853 0,78527 0,689 0,5047 0,504657
0,472324 0,42401 0,5564 0,50385 0,5855 0,4847 0,6368 0,7165 0,54808 0,3515 0,5181 0,465166
0,660418 0,57965 0,10016 0,60807 0,43143 0,2334
49
Input
Pola Masukan Target
1 0,9 0,864 0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599
2 0,864 0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804
3 0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661
4 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78
5 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757
6 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629
7 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685
8 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644
9 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185
10 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644
11 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644
12 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751
13 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496
14 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785
15 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785
16 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689
17 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505
18 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505
19 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472
20 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424
21 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556
22 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504
23 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586
24 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485
25 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637
26 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717
27 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548
28 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351
29 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518
30 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465
31 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66
32 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58
33 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1
34 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1 0,608
35 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1 0,608 0,431
36 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1 0,608 0,431 0,233
50
Training
0,9 0,864 0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,6291 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785
0,864 0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,6851 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689
0,556 0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,6435 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505
0,69 0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,1853 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505
0,708 0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,6435 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472
0,572 0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,6435 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424
0,798 0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,7512 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556
0,702 0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,4957 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504
0,491 0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,7853 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586
0,791 0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,7853 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485
0,81 0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637
0,828 0,599 0,804 0,661 0,78 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785 0,785 0,689 0,5047 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717
Testing
0,689 0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485
0,505 0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637
0,505 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717
0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548
0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351
0,556 0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518
0,504 0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465
0,586 0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66
0,485 0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58
0,637 0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1
0,717 0,548 0,351 0,518 0,465 0,66 0,58 0,1 0,608
0,548 0,351 0,518 0,465 0,66 0,58 0,1 0,608 0,431
Target
0,599 0,804 0,661 0,7797 0,757 0,629 0,685 0,644 0,185 0,644 0,644 0,751 0,496 0,785
0,785 0,689 0,505 0,5047 0,472 0,424 0,556 0,504 0,586 0,485 0,637 0,717 0,548
-0,04 0,008 0,322 0,3863 -0,33 -0,266 -0,37 0,314 0,37 -0,2495 -0,322 0,2254 -0,33 0,3702 -0,3702
Model 1
Normalisasi Denormalisasi MAPE
Target Z Terget Z (%)
0,495745 0,650235 4601 4621 0,438605
0,785267 0,707914 5098 4974 2,428888
0,785267 0,592495 4048 4268 5,429255
0,689 0,464628 2824 3487 23,45763
0,504657 0,523651 3862 3847 0,37162
0,504657 0,502748 3532 3720 5,311681
0,472324 0,565809 4748 4754 0,125182
0,42401 0,608982 4245 4369 2,921386
0,5564 0,365803 1259 2883 128,9631
0,503846 0,59496 4422 4283 3,136468
0,585505 0,453733 3322 3420 2,952955
0,484663 0,391876 2089 3042 45,62043
MAPE (%) 18,42977
Jumlah 44050 47668
% perbedaan jumlah target dengan z 7,59
54
Model 2
Normalisasi Denormalisasi MAPE
Target Z Terget Z (%)
0,495745 0,458465 4601 4621 0,432
0,785267 0,376343 5098 5333 4,612
0,785267 0,376343 4048 4178 3,189
0,689 0,484951 2824 3505 24,110
0,504657 0,385694 3862 3764 2,543
0,504657 0,423485 3532 3600 1,911
0,472324 0,423485 4748 4752 0,081
0,42401 0,571667 4245 4298 1,259
0,5564 0,491428 1259 2176 72,872
0,503846 0,34521 4422 4300 2,751
0,585505 0,462156 3322 3386 1,924
0,484663 0,352655 2089 2384 14,105
MAPE (%) 10,816
Jumlah 44050 46296
% perbedaan jumlah target dengan z 4,85
Model 3
Normalisasi Denormalisasi MAPE
Target Z Terget Z (%)
0,495745 0,65215 4601 4633 0,693
0,785267 0,713929 5098 5010 1,708
0,785267 0,554665 4048 4037 0,282
0,689 0,439831 2824 3335 18,091
0,504657 0,530115 3862 3887 0,651
0,504657 0,4729 3532 3537 0,147
0,472324 0,670126 4748 4743 0,111
0,42401 0,672474 4245 4129 2,729
0,5564 0,376621 1259 2949 134,215
0,503846 0,595176 4422 4285 3,107
0,585505 0,446906 3322 3378 1,697
0,484663 0,410881 2089 3158 51,181
MAPE 17,884
Jumlah 44050 47082
% perbedaan jumlah target dengan z 6,44
55
Model 2
>> net=newff(minmax(p),[15 1],{'logsig','purelin'},'traingdm')
>> net.trainParam.show=1000;
>> net.trainParam.lr=0.1;
>> net.trainParam.goal=0.01;
>> net.trainParam.epochs=100000;
>> net.IW{1,1}=WIH;
>> net.b{1}=Wb1;
>> net.LW{2,1}=WHO;
>> Z = sim (net , s)
Model 3
>> net=newff(minmax(p),[12 1],{'tansig','purelin'},'traingdm')
>> net.trainParam.show=1000;
>> net.trainParam.lr=0.1;
>> net.trainParam.goal=0.01;
>> net.trainParam.epochs=100000;
>> net.IW{1,1}=WIH;
>> net.b{1}=Wb1;
57
>> net.LW{2,1}=WHO;
>> Z = sim (net , s)
58
Model 2
59
Model 3
Peramalan Permintaan