INTISASI
Teknologi data mining sangat berguna dalam membantu penjualan dalam menemukan
informasi yang sangat penting dari gudang data mereka. Data mining mengeksplorasi basis data
untuk menemukan pola-pola yang tersembunyi, meramalkan tren dan sifat-sifat perilaku bisnis
yang sangat berguna untuk mendukung pengambilan keputusan, pencarian informasi dalam
memprediksi yang mungkin saja tidak dilihat atau dilupakan oleh pelaku bisnis karena di luar dari
ekspektasi mereka. Analisis yang diotomatisasi yang dilakukan oleh data mining menjawab
pertanyaan-pertanyaan bisnis yang dengan cara tradisional memerlukan cukup banyak waktu
dalam menjawabnya. Hasil dari analisis adalah menggali informasi dari data penjualan sehingga
dapat memprediksi seberapa besar stok yang harus disiapkan untuk nantinya ditaruh di toko
sehingga tidak ada penumpukan stok yang berlebih. Pada penelitian ini, akan dilakukan analisis
jaringan saraf tiruan untuk memprediksi stok yang akan disiapkan. Algoritma yang akan
digunakan adalah backpropagation untuk kemudian dapat menjadi keluaran angka yang dapat di
tentukan besaran stok yang akan disiapkan kepada penjual. Diharapkan analisis yang dibuat
dalam memprediksi stok dan penjualan menggunakan metode backpropagation dapat
memprediksi stok sesuai dengan data yang ada.
ABSTRACT
Data mining technology is very useful in helping sales find important information from their data
warehouses. Data mining explores databases to find hidden patterns, predict trends and traits of
business behavior that are very useful to support decision making, search for information in
predicting that may not be seen or forgotten by business people because it is outside of their
expectations. Automated analysis performed by data mining answers business questions that
traditionally require considerable time in answering. The result of the analysis is to dig
information from sales data so that it can predict how much stock should be prepared to later be
placed in the store so that there is no excess stock buildup. In this research, an analysis of
artificial neural networks will be conducted to predict the stock that will be prepared. The
algorithm that will be used is backpropagation to then be able to output numbers that can be
determined the amount of stock to be prepared for the seller. It is expected that the analysis made
in predicting stock and sales using the backpropagation method can predict stock in accordance
with existing data.
71
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
Disini penulis menjadikan salah satu toko yang berjudul peramalan penjualan mobil
yang berlokasi di daerah Tanah Abang untuk menggunakan jaringan saraf tiruan dan
dijadikan penelitian dimana yang nantinya certainty factor (Pakaja, Naba and Purwanto,
akan terbukti bahwa metode yang dipakai 2015). Maka dari itu untuk menentukan
berjalan dengan baik dalam memprediksi metode yang akan peneliti gunakan adalah
penjualan kaftan yang akan di jual. Nama toko jaringan saraf tiruan atau yang biasa di sebut
tersebut adalah Lala New Fashion, Lala New dengan neural network dengan algoritma
Fashion menjual kaftan untuk perempuan dan Backpropagation. Algoritma pelatihan
banyak model kaftan yang di jual oleh pemilik backpropagation merupakan algoritma yang
toko, Lala New Fashion memiliki lima toko umum digunakan untuk memprediksi dan
offline dan sudah terdaftar sebagai usaha algoritma pelatihan backpropagation
dagang, dalam hal ini Lala New Fashion merupakan sebuah algoritma yang dapat
mempunyai masalah dalam hal stok model memperkecil tingkat suatu error dengan
kaftan Akar pada tahun 2019 Toko Lala New menyesuaikan bobot yang berdasarkan target
Fashion kelebihan sisa stok sebesar 174, pada serta output yang diharapkan.
tahun 2018 Toko Lala New Fashion kelebihan Algoritma pelatihan backpropagation
stok sebesar 89, pada tahun 2017 Toko Lala memiliki beberapa langkah utama yaitu
New Fashion kelebihan 238 stok, dan pada diantaranya adalah pengambilan input,
tahun 2016 Toko Lala New Fashion kelebihan penulisan error, dan kemudian penyesuaian
stok sebesar 130 pada tahun yang menumpuk bobot (Lestari, 2017). Dalam metode pelatihan
dikarenakan beberapa pembeli tidak minat algoritma backpropagation yang dikerjakan
dengan model yang disediakan oleh pemilik adalah inisialisasi bobot, komputasi forward
toko, ini bisa saja turunnya pendapatan suatu dan backpropagation dan inisialisasi kondisi
toko, karena ada stok yang masih tersisa yang stopping berdasarkan nilai batas error atau
tidak terjual. Lala new fashion ingin jumlah batas epoch. Dalam hal ini algoritma
memprediksi penjualan kaftan yang sesuai pelatihan backpropagation sangat membantu
untuk dijual di bulan berikutnya agar tidak ada dalam memprediksi suatu penjualan. Peneliti
stok yang tersisa dan diharapkan barang akan menggunakan jaringan syaraf tiruan
terjual habis. Maka pemilik toko ingin untuk menyelesaikan masalah stok yang ada
menemukan cara untuk membantu dalam hal di Lala New Fashion dikarenakan peramalan
memprediksi stok kaftan yang akan di buat sesuai menggunakan jaringan syaraf tiruan
untuk bulan berikutnya. Maka peran penulis metode backpropagation.
disini adalah mencari cara untuk membantu Dalam penelitian ini juga dijabarkan
pemilik toko dengan cara memprediksi stok penelitian sebelumnya. Anjar Wanto dan Agus
barang yang akan dijual di bulan berikutnya. Perdana Windarto, dalam penelitiannya yang
Dalam hal ini untuk mempermudah berjudul “Analisis Prediksi Indeks Harga
menggali data atau informasi dalam sebuah Konsumen Berdasarkan Kelompok Kesehatan
data yaitu dengan menggunakan data mining, Dengan Menggunakan Metode
data mining merupakan proses analisis data Backpropagation” tujuan penelitian tersebut
untuk menemukan pola dari kumpulan adalah Tujuan dari penelitian ini adalah
beberapa data yang ada. Data mining juga melakukan proses pembelajaran prediksi data
mampu menganalisis data yang besar menjadi pada metode backpropagation, sehingga
informasi yang mempunyai arti untuk nantinya mampu memberikan informasi yang
menunjang sebuah keputusan (John and praktis untuk sistem prediksi data, khususnya
Hansun, 2017). Ada bebrapa penelitian yang dalam memprediksi Indeks Harga Konsumen
sudah dilakukan dalam peramalan penjualan kelompok Kesehatan. Hasil dari penelitian
yaitu penerapan jaringan syaraf tiruan untuk tersebut adalah dapat melakukan prediksi
peramalan penjualan dalam mendukung Indeks Harga Konsumen berdasarkan
pengembangan agroindustri coklat di kelompok kesehatan dengan Akurasi 92%
kabupaten Blitar. Masalah yang ada ialah saat (Wanto and Windarto, 2017).
stok produk berlebihan kampung coklat harus Julpan, Erna Budhiarti Nababan, dan
mengeluarkan biaya lebih untuk maintain Muhammad Zarlis, dalam penelitiannya yang
produk begitu pula saat kampung coklat berjudul “Analisis Fungsi Aktivasi Sigmoid
mengalami kekurangan stok yang tidak bisa Biner dan Sigmoid Bipolar dalam Algoritma
memenuhi kebutuhan konsumen maka Backpropagation pada Prediksi Kemampuan
konsumen akan mengalami kehilangan profit. Siswa” tujuan penelitian tersebut
Ada juga yang pernah diteliti oleh peneliti lain adalah memprediksi kemampuan siswa untuk
72
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
73
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
B. Pembersihan Data
Langkah awal dalam tahapan data
mining adalah tahap pembersihan data. Tahap
ini merupakan suatu proses untuk
membersihkan data yang kotor, maksud dari
data yang kotor adalah data yang tidak
memiliki nilai, tidak konsisten, tidak relevan
atau terdapat kesalahan penulisan saat
penginputan. Pembersihan data juga akan
mempengaruhi kemampuan dari teknik data
mining, karena data yang ditangani akan
berkurang jumlah dan kompleksitasnya. Data
Gambar 2. Model Arsitektur yang digunakan dalam penelitian ini sudah di
Backpropagation Stok dan Penjualan bersihkan yang sebelumnya data masih ada
Lala New Fashion yang tidak ada nilai nya pada kartu stok yang
Pada tahap ini permodelan di lakukan telah di berikan kepada peneliti dari pemilik
oleh peneliti setelah mendapatkan toko, yang semula data tidak ada isi menjadi
permasalahan yang di dapatkan, peneliti ada isi, isi data ini diambil dari hasil
memodelkan permasalahan ke dalam wawancara peneliti dengan pemilik toko
algoritma backpropagation. Data akan terkait tidak tercatat nya data. Data ini
dibagi menjadi dua bagian. Pembagian kemudian digunakan pada proses mining
data terdiri dari 90% data akan dalam penelitian ini, peneliti melakukan
digunakan sebagai data latih dan 10% pembersihan data pada proses stok penjualan
dalam pembagian data ini diharapkan pada toko offline dikarenakan ada data yang
metode backpropagation dapat learning tidak ada isi.
data yang lebih banyak yaitu sebesar 90%
yang akan dijadikan data latih dan C. Integrasi Data
setelah itu untuk 10% akan menjadi data Langkah berikutnya adalah data harus
pengujian sehingga angka yang melalui proses integrasi. Integrasi data
dikeluarkan akan sesuai yang diharapkan merupakan penggabungan data dari berbagai
74
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
75
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
G. Data Pengujian
Pada data pengujian diambil data
sebesar 10% dari data yang telah di
normalisasi pada table 3 pola yang digunakan
sebanyak 8 pola untuk pengujian yaitu pada
bulan ke-25 sampai dengan bulan ke-43.
76
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
77
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
Pada hal ini peneliti menetapkan bobot Gambar 10: Grafik Performance
acak, epoch limit sebanyak 10000, maksimal Backpropagation Kaftan Dewa
performance 0,001, dua belas input layer, satu Pada gambar 10 adalah penurunan
hidden layer sebanyak sembilan neuron dan yang dihasilkan mendekati hasil yaitu
satu bias, satu output layer dan learning rate 0,0009997pada epoch ke 266, berarti hasil
0,01. Hasil yang di dapatkan adalah sebagai yang dilakukan telah sesuai pada epoch
berikut: tersebut.
78
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
79
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
I. Prototipe
1. Layar Menu Login
Untuk melakukan login, user harus
mengisi username dan password, Layar menu
login ditunjukan pada gambar 16 berikut:
80
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
81
Vol. XVI Nomor 2 Juli 2021 – Jurnal Teknologi Informasi ISSN : 1907-2403
82