02 METODE
Solusi
Prekiraan
Penjualan
Penjualan
Retail • Prakiraan
penjualan retail
Persediaan • Mengurangi
• Aktifitas konsujmen penumpukan barang • LSTM metode
meningkat univariate
• Modal tertanam tidak denganh time
• Aset Penting • Perubahan cepat terlula besar series
menyebabkan pola
• Profitabibiltas persediaan tidak • Berpengaruh pada • Diujikan 3 basis
Perusahaan teratur kepuasanpelanggan data dengan
skenario yang
• Kepuasan • Sulitmemperkiraka • Berpenagaruh berbeda.
Pelanggan n persediaan yang Profitabilitas
tepat perusahaan
Mulai METODE
Formulasi
Masalah
Tahapan Penelitian
I N P UT
Rumusan Model
Pengumpulan
Inventory dengan
Data
LSTM
Pendugaan
Ektraksi
Parameter LSTM
Ekstrasi Ciri Ciri
untuk Inventory
Pra Proses
Diagram Model
& LSTM
Training Uji
Pembagian
Perbandingan Perbandingan
P R O S ES
Data
2/3 2/3
Make Prediction
LSTM
Prediction &
Robust
Measurement
OU T PU T
Analisa
Hasil Uji
Pembahasan
Selesai
METODE
LSTM
ht ht ht
Ct-1 Ct Ct
x + x + Ct x +
tanh tanh tanh
ft x x ft x x ft x x
it Ĉ t it Ĉt it Ĉt
σ σ tanh σ σ σ tanh σ σ σ tanh σ
ht-1 ht ht ht
xt xt
xt
Sumber:
• S. Hochreiter and J. Schmidhuber, 1997.
• Felix A. Gers, J¨urgen Schmidhuber, and Fred
Cummins. 1999
METODE
LSTM
Gambar 1 Persamaan (2) ht-1 dan xt akan melewati gerbang Sigmoid pada (1). Langkah
pertama LSTM memutuskan informasi apa yang akan dihapus dari cell state. Keputusan ini
dibuat oleh sigmoid layer yang bernama “forget gate layer”. Forget gate layer akan
memproses ht-1 dan xt sebagai input, dan menghasilkan output berupa angka 0 atau 1 pada
ht cell state Ct-1.
Ct-1 Ct
(𝑥) = 1/(1 + exp−𝑥 ) (1)
x +
tanh
Dimana forget gate, 𝜎 = fungsi sigmoid, Wf = nilai weight untuk forget gate, ht-1 = nilai
Gambar 1 (2) output sebelum orde ke t, xt = nilai input pada orde ke t, bf = nilai bias pada forget gate
Nilai weight diuraikan pada persaman (3)
σ σ tanh σ Dimana: it = input gate, 𝜎 = fungsi sigmoid , 𝑊𝑖 = nilai weight untuk input
ht-1 ht gate, ht-1 = nilai output sebelum orde ke t, xt = nilai input pada orde ke t, bi
= nilai bias pada input gate
xt tanh(𝑥) = 2𝜎(2𝑥) – 1 (5)
Dimana: Ĉt = nilai baru yang dapat ditambahkan ke cell state, 𝑡𝑎𝑛ℎ = fungsi
tanh, Wc = nilai weight untuk cell state, ht-1 = nilai output sebelum orde ke
t,,xt = nilai input pada orde ke t ,bc = nilai bias untuk cell state
METODE
LSTM
Ct = ft x Ct-1 + it x Ĉt (7)
Dimana:Ct = Cell state, ,ft = forget gate, Ct-1 = Cell state sebelum orde ke t, it = input gate, Ĉt
= nilai baru yang dapat ditambahkan ke cell state
Saatnya untuk memperbarui cell state lama (7), Ct-1, ke cell state baru Ct. Dengan
mengalikan keadaan state lama dengan ft, diputuskan untuk dilupakan pada forget gate
layer. Lalu tambahkan it * Ct. Ini adalah nilai baru, diskalakan dengan berapa banyak untuk
diputuskan perbaharuan setiap cell state.
Gambar 3 (7)
METODE
LSTM
Langkah terakhir dari LSTM (8), output harus sesuai dengan cell state terlebih dahulu.
Pertama menjalankan lapisan sigmoid yang menentukan bagian cell state mana yang
menjadi output (8). Kemudian, menempatkan cell state melalui tanh (untuk mendorong
nilai antara -1 dan 1) dan mengalikannya dengan output dari gerbang sigmoid,
sehingga hanya mengeluarkan bagian-bagian yang diputuskan (9).
ht = Ot x tanh(Ct ) (9)
Gambar 4 (8) & (9) Dimana: Ot = output gate, 𝜎 = fungsi sigmoid, Wo = nilai weight untuk output gate,
ht-1 = nilai output sebelum orde ke t, xt = nilai input pada orde ke t, bo = nilai bias
pada output gate, ht = nilai output orde t, Ot = output gate. 𝑡𝑎𝑛ℎ = fungsi tanh, Ct =
Cell state
METODE
Basis Data B 2010-2013 Consumer Setiap kuantiti per 36 bulan dibagi menjadi 2 1 dan 5
goods (seperti kategori per 12 bagian training 1 bagian
perlengkapan bulan kedepan testing berarti
rumah, buah
buahan,
pakaian,
kosmetik),
Basis Data C tahun 2011 Perlengkapan Setiap kuantiti per 45 minggu dibagi menjadi 2 1 dan 5
rumah (seperti produk dilakukan bagian training 1 bagian
lampu pojok, untuk per 15 testing berarti
tempat tissue, minggu ke depan
pot meja)
METODE
Perangkat Penelitian
PRAPROSES LSTM
RAW DATA
A
Proses raw data menjadi raw data time series
d = n/2
"Week","Density"
"1-01",0.41 no
"1-02",0.63 Sudah mencapai yang Week=1, Predicted=0.314433, Expected=0.540000
. terbaik Week=2, Predicted=0.450519, Expected=0.510000
. .
.
.
Data preparation (InputLSTM) Ye .
s Week=13, Predicted=0.448175, Expected=0.610000
"1-13",0.45 Week=14, Predicted=0.539142, Expected=0.650000
"1-14",0.64 Week=15, Predicted=0.596151, Expected=0.560000
"1-15",0.06 INPUT A END Test RMSE: 0.325
LSTM OUTPUT
Training Model
LSTMs untuk Univariat Time Series
Start
Persistence Model LSTM Data LSTM Model
Test Setup
Forecast Preparation Development
Develop a Robust
End LSTM Forecast
Result
Gambar Contoh raw data penjualan A16, B13, C14 dengan skala 1
Gambar Contoh raw data penjualan A16, B17, C14 dengan skala 5
Hasil dan Pembahasan
Augmented Dickey–Fuller test dan
Persistance Model Forecast per
produk
RMSE A: 0.426
B: 0.189
C: 0.380
Gambar Contoh Forecast Data penjualan A16, B13, C14 dengan skala 1
RMSE A: 2.120
B: 1.220
C: 1.293
Gambar Contoh Forecast Data penjualan A16, B17, C13 dengan skala 5
Hasil dan Pembahasan
Hasil Robust LSTM
Table Nilai RMSE dari 3 basis data dengan skala 1
Basis Data A Basis Data B Basis Data C
Produk RMSE Produk RMSE Produk RMSE
A11 0.44 B11 0.37 C11 0.39
A12 0.56 B12 0.28 C12 0.33
A13 0.49 B13 0.24 C13 0.39
A14 0.43 B14 0.39 C14 0.30
A15 0.43 B15 0.32 C15 0.38
A16 0.43 B16 0.27 C16 0.32
A17 0.51 B17 0.42 C17 0.35
A18 0.45 B18 0.35 C18 0.35
Hasil dan Pembahasan
Hasil Robust LSTM
Tabel 3 Nilai RMSE dari 3 basis data dengan skala 5
• 15 minggu ke depan
Basis Data A dan C Nilai RMSEcenderung relative lebih besar • 45 minggu observasi
• Qty per barang
• Sedikit data musiman
• 15 minggu ke depan
• 45 minggu observasi
Basis Data A RMSE cenderung relative lebih besar dari B & C
• Qty per barang
• Sedikit data musiman
• Data Jarang
Tanpa mempertimbangkan dampak musiman dan histori yang rendah setengah dari data, RMSE mecapai 70-80%
Nilai skala 1 dan nilai skala 5 cenderung serupa sehingga untuk nilai skala bisa digunakan berapun nilainya
KESIMPULAN DAN SARAN
Saran
THANK YOU