Karya Ilmiah (1) Aplikom-1
Karya Ilmiah (1) Aplikom-1
PERCEPTRON
UNTUK MEMPREDIKSI PERSEDIAAN
BARANG RUMAH TANGGA
Oleh :
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2022
PERSETUJUAN SKRIPSI
Oleh
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
Pembimbing I Pembimbing II
Oleh
YUSRIANTO MALAGO
0909108901
1. Ketua Penguji
Yasin Aril Mustofa, M.Kom ……………………..
2. Anggota
Aprianto Alhamad, M.Kom ……………………..
3. Anggota
Yulianti Lasena, M.Kom ……………………..
4. Anggota
Irma Surya Kumala Idris, M.Kom ……………………..
5. Anggota
Kartika Chandra Pelangi, M.Kom ……………………..
PERNYATAAN SKRIPSI
Yusrianto Malago
ABSTRACT
Inventories are goods that are stored for use or sale in the future or period
and are one of the factors that determine the smooth production and sales.
Gorontalo Super Kitchen and Furniture is one of the shops engaged in trade that
sells goods and household supplies with good quality and affordable prices. The
problem that occurs in this company is that sometimes the amount of household
goods inventory is too little and consumer demand to be marketed cannot be
fulfilled, consumers will feel disappointed and there is a possibility that
consumers will not come back again. Conversely, if there is too much household
goods inventory, there will be accumulation of goods in the warehouse, so it must
provide a large area and provide additional costs for maintenance. In predicting
household goods inventory the author uses the Percceptron Multilayer algorithm.
It is proven by the results of tests carried out using the Root Mean Squared Error
(RMSE) resulting in an error rate of 19.66666667% and an accuracy rate of
80.33333333%.
Alhamdullilah, puji syukur kepada Tuhan yang Maha Esa, penulis dapat
menyelesaikan Skripsi ini dengan judul “ Penerapan Algoritma MultiLayer
Perceptron untuk Memprediksi Persediaan Barang Rumah Tangga ” sesuai
dengan yang direncanakan. Skripsi ini dibuat untuk memenuhi salah satu syarat
guna memperoleh gelar Sarjana Komputer. Penulis menyadari bahwa tanpa
bantuan dan bimbingan dari berbagai pihak, Skripsi ini tidak dapat penulis
selesaikan. Oleh karena itu penulis menyampaikan terima kasih kepada : Ibu Dr.
Hj. Juriko Abdussamad, M.Si selaku Ketua Yayasan Pengembangan Ilmu
Pengetahuan Dan Teknologi (YPIPT) Ichsan Gorontalo;
1. Bapak Dr. Abdul Gaffar La Tjokke, M.Si selaku Rektor Universitas Ichsan
Gorontalo;
2. Ibu Zohrahayaty, M.Kom selaku Dekan Fakultas Ilmu Komputer Universitas
Ichsan Gorontalo;
3. Bapak Sudirman Melangi, M.Kom selaku Wakil Dekan I Bidang Akademik
Fakultas Ilmu Komputer Universitas Ichsan Gorontalo.
4. Ibu Irma Surya Kumala Idris, M.Kom selaku Wakil Dekan II Bidang
Akademik Fakultas Ilmu Komputer Universitas Ichsan Gorontalo dan Selaku
Pembimbing Utama yang telah membimbing penulis selama mengerjakan
usulan penelitian ini;
5. Bapak Andi Bode, M.Kom selaku Wakil Dekan III Bidang Akademik
Fakultas Ilmu Komputer Universitas Ichsan Gorontalo;
6. Bapak Irvan Abraham Salihi, M.Kom selaku Ketua Jurusan Fakultas Ilmu
Komputer Universitas Ichsan Gorontalo;
7. Ibu Yusrianto Malago, M.Kom selaku Pembimbing Pendamping yang telah
membimbing penulis selama mengerjakan usulan penelitian ini;
8. Bapak dan Ibu Dosen Universitas Ichsan Gorontalo yang telah mendidik dan
mengajarkan berbagai disiplin ilmu kepada penulis;
9. Kepada kedua orang tua saya tercinta, atas segala kasih sayang, jerih payah
dan doa restunya dalam membesarkan dan mendidik penulis;
10. Kepada Ibu Linda Siyulan dan Bapak Budi Runudalie selaku Pimpinan Toko
Super Kitchen and Furniture Gorontalo yang telah memberi ijin dan
kesempatan kepada penulis untuk melakukan penelitian di toko tersebut;
P
en
ul
is
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
BAB I PENDAHULUAN
Stok Gudang
25000
22028
20000 20813
15000
11288
10000 9467
6618 5817 6204 6224 6581
5000
4058
3238 3244 3571 3853
2164
1301 2106 1667 2099 1386
0
Stok
Gudang
20000 16372
13278
7944
15000 8520
10000
2988
5300 3734 1728 4556
5000 5336 4504
1806 1515
2503 2466 2017
562
1370 1249
0
0 786
Jumlah
Terjual
Pengadaan
20000
18000 17448
16000 16578
14000
12000
10000
8000 8158
6000 6466
5178 4690
4000 3624 3825 4043
2599 3064
2000 1884 2386
1764 2203 1756
1060
774 738 738
0
Pengadaan
METOD
No PENELITI JUDUL TAHUN HASIL
E
1. Sneh Saini, Dr. R R Prediction of 2016 Artificial Dalam penelitian
Laxmi, Dr. N.P. Stock Prices Neural ini, harga saham
Singh Using Network diperkirakan
Artificial menggunakan 3
Neural lapisan tersembunyi
Network oleh aktivasi yang
berbeda fungsi.
Jelaslah sudah dari
hasil yang diperoleh
dari 3 lapisan
bipolar-sigmoid
bahwa aktivasi
fungsi jaringan
syaraf tiruan cukup
memberikan hasil
yang akurat. Dengan
demikian seperti
yang diamati bahwa
jaringan syaraf yang
efektif adalah alat
untuk memprediksi
stok dan dapat
digunakan untuk
memprediksi dari
setiap harga saham.
2. A. Victor Devadoss Stock 2013 Artificiak Dalam penelitian
and Prediction Neural sangat fleksibel
T. Antony Alphonnse Using Network pemodelan nonlinier
Ligori Artificial teknik ANN yang
Neural telah
Networks diimplementasikan
untuk meramalkan
harga saham dari
sektor yang dipilih
dan perusahaan
dibawah stok kurs
Bombay. Masukkan
digunakan dalam
penelitian yaitu
membuka harga,
tinggi, rendah,
penutup harga, dan
volume saham.
Hasil perkiraan
menunjukkan bahwa
Jaringan Syaraf
Tiruan telah mampu
mamprediksikan
stok barang dengan
nilai akurasi yang
lebih baik jika kita
meningkatkan
jumlah masukkan
data.
3. R. Hadapiningradja Prediksi Forex 2015 Neural Hasil penerapan
Kusumodestoni dan Menggunakan Network menggunakan
Suyatno Neural algoritma neural
Network network untuk
memprediksi bisnis
forex dengan
menggunakan data
nilai tukar mata
uang yang di dapat
dari PT. Interpan
Pasifik Future
Cabang Surabaya
dengan
menggunakan Rapid
Miner 5.1. maka
didapat hasil bahwa
algoritma neural
network mampu
memprediksi bisnis
forex dengan nilai
akurasi sebesar
0.431 +/- 0.096.
2.2 Tinjauan Pustaka
1.6. Persediaan
Persediaan dapat diartikan sebagai barang-barang yang disimpan untuk
digunakan atau dijual pada masa atau periode yang akan datang dan merupakan
salah satu faktor yang menentukan kelancaran produksi dan penjualan, maka
persediaan harus dikelolah secara tepat. Dalam hal ini toko harus dapat
menentukan jumlah persediaan optimal, sehingga di satu sisi kontinuitas produksi
dapat terjaga dan pada sisi lain toko dapat memperoleh keuntungan, karena toko
dapat memenuhi setiap permintaan yang datang. Persediaan yang kurang akan
sama tidak baiknya dengan persediaan yang berlebihan, sebab kondisi keduanya
memiliki beban dan akibat masing-masing. Bagi perusahaan persediaan
merupakan investasi yang paling penting dan merupakan salah satu harta lancar
yang memiliki nilai terbesar dalam neraca.
Semua jenis perusahaan memiliki persediaan, baik itu perusahaan jasa,
dagang maupun manufaktur. Bagi perusahaan manufaktur, persediaan menjadi
salah satu faktor penunjang dalam kelancaran produksi dan penjualan. Oleh
karena itu, persediaan harus dikelolah dengan baik karena pengolahan persediaan
sangat berpengaruh pada produksi dan penjualan.
Persediaan adalah suatu aktiva yang meliputi barang-barang milik
perusahaan dengan maksud untuk dijual dalam suatu periode usaha yang normal
atau barang-barang yang masih dalam proses produksi ataupun persediaan bahan
baku yang masih menunggu untuk digunakan dalam suatu proses produksi[7].
Persediaan merupakan bagian yang sangat penting bagi hampir semua
kegiatan bisnis dimana dapat diklasifikaskan menjadi beberapa, ada tiga bentuk
utama dari persedian perusahaan yaitu[7] :
1. Persediaan Bahan Mentah
Persediaan yang dibeli oleh perusahaan untuk diproses menjadi barang
setengah jadi dan akhirnya barang jadi atau produk akhir dari perusahaan.
2. Persediaan Barang dalam Proses
Persediaan yang terdiri dari keseluruhan barang-barang yang digunakan
dalam proses produksi tetapi membutuhkan proses lebih lanjut untuk menjadi
barang yang siap untuk dijual (barang jadi).
3. Persediaan Barang Jadi
Persediaan barang-barang yang telah selesai diproses oleh perusahaan, tetapi
masih belum terjual.
Pengelolaan persediaan sangat penting dalam kegiatan operasi perusahaan
dan pengelolaan yang baik diharapkan akan berdapak baik terhadap perusahaan.
Tujuan pengelolaan persediaan adalah sebagai beriukut[8] :
1. Untuk dapat memenuhi kebutuhan atau permintaan konsumen dengan cepat
(memuaskan konsumen).
2. Untuk menjaga kontinuitas produksi atau menjaga agar perusahaan tidak
mengalami kehabisan persediaan yang mengakibatkan terhentinya proses
produksi, hal ini dikrenakan alasan :
a. Kemungkinan barang (bahan baku dan penolong) menjadi langkah
sehingga sulit untuk diperoleh.
b. Kemungkinan supplier terlambat mengirimkan barang yang dipesan.
3. Untuk mempertahankan dan bila mungkin meningkatkan penjualan dan laba
perusahaan.
4. Menjaga agar pembelian secara kecil-kecilan dapat dihindari, karena dapat
mengakibatkan ongkos pesan menjadi besar.
5. Menjaga supaya penyimpanan dan emplacement tidak besar-besaran, karena
akan mengakibatkan biaya menjadi besar.
Besar kecilnya persediaan bahan baku dan bahan penolong dipengaruhi
oleh faktor[8] :
1. Volume atau jumlah yang dibutuhkan, yakni persediaan ditaksir berasarkan
ramalan kebutuhan proses produksi berdasarkan per periode (misalkan
berdasarkan anggaran penjualan) dengan tujuan menjaga kelangsungan
(kontinuitas) proses produksi.
2. Kontinuitas produksi tidak terhenti, diperlukan tingkat persediaan bahan baku
yang tinggi dan sebaliknya.
3. Sfat bahan baku/penolong, perlu dikeahui apakah cepat rusak (durable good)
atau tahan lama (undurable good). Apakah bahan atau persediaan termasuk
kedalam kategori barang cepat rusak maka persediaan yang dsimpan tidak
terlalu banyak. Sedangkan untuk bahan baku yang memiliki sifat tahan lama,
maka tidak ada salahnya perusahaan menyimpan dalam jumlah besar.
1.7. Prediksi
Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus
besar bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau
meramal atau memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun
subjektif belaka.
Prediksi diartikan sebagai penggunaan teknik-teknik statistik dalam bentuk
gambaran masa depan berdasarkan pengolahan angka-angka historis. Metode
peramalan merupakan cara memperkirakan apa yang akan terjadi pada masa
depan secara sistematis dan pragmatis atas dasar data yang relevan pada masa
yang lalu, sehingga dengan demikian metode peramalan diharapkan dapat
memberikan objektivitas yang lebih besar. Selain itu metode peramalan dapat
memberikan cara pengerjaan yang teratur dan terarah, dengan demikian dapat
dimungkinkannya penggunaan teknik penganalisaan yang lebih maju. Dengan
penggunaan teknik-teknik tersebut maka diharapkan dapat memberikan tingkat
kepercayaan dan keyakinan yang lebih besar karena dapat diuji penyimpangan
atau deviasi yang terjadi secara ilmiah.
Prediksi adalah seni dan ilmu untuk memperkirakan kejadian dimasa
depan. Hal ini dapat melibatkan pengambilan data masa lalu dan
menempatkannya kemasa yang akan datang dengan suatu bentuk model matemtis.
Dapat berupa prediksi intuisi yang bersifat subjektif, atau menggunakan model
matematis yang disesuaikan dengan pertimbangan yang baik dari seorang
manager.
Prediksi atau peramalan diklasifikasikan berdasarkan horizontal waktu
yang terbagi atas tiga kategori, yaitu :
1. Peramalan jangka pendek : digunakan untuk merencanakan pembelian,
penjadwalan kerja, jumlah tenaga kerja, penugasan kerja dan tingkat
produksi. Peramalan ini mencakup jangka waktu hingga 1 tahun tetapi pada
umumnya kurang dari 3 bulan.
2. Peramalan jangka menengah : digunakan untuk merencanakan penjualan,
perencanaan dan anggaran produksi, anggaran kas, dan menganalisis
bermacam-macam rencana operasi. Umumnya peramalan ini mencakup
hitungan bulanan hingga 3 tahun.
3. Peramalan jangka panjang digunakan untuk merencanakan produk baru,
pembelanjaan modal, lokasi atau pengembangan faslitas serta, penelitian dan
pengembangan. Umumnya peramalan ini mencakup perencanaan 3 tahun atau
lebih.
Organisasi pada umunya menggunakan tiga tipe peramalan yang utama
dalam merencanakan operasi dimasa depan :
1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan
memprediksikan tingkat inflasi, ketersediaan uang, dana yang dibutuhkan
untuk membangun perumahan dan indikator perencanaan lainnya.
2. Peramalan teknologi (technical forecast) memperhatikan tingkat kemajuan
teknologi yang dapat meluncurkan produk baru yang menarik, yang
membutuhkan pabrik dan peralatan baru.
3. Peramalan permintaan (demand forecast) proyeksi permintaan atau produk
atau layanan suatu perusahaan.
Arsitektur utama dari sistem data mining, pada umumnya terdiri dari
beberapa komponen sebagai berikut:
1. Database, data warehouse, atau media penyimpanan informasi, terdiri dari
satu atau beberapa database, data warehouse, atau data dalam bentuk lain.
Pembersihan data dan integrasi data dilakukan terhadap data tersebut.
2. Database, data warehose, bertanggung jawab terhadap pencarian data yang
relevan sesuai dengan yang diinginkan pengguna atau user.
3. Basis pengetahuan (Knowledge Base), merupakan basis pengetahuan yang
digunakan sebagai panduan dalam pencarian pola.
4. Data mining engine, merupakan bagaian penting dari sistem dan idealnya
terdiri dari kumpulan modul-modul fungsi yang digunakan dalam proses
karakteristik (characterization), klasifikasi (clasiffication), dan analisis
kluster (cluster analysis). Dan merupakan bagian dari software yang
menjalankan program berdasarkan algoritma yang ada.
5. Evaluasi pola (pattern evaluation), komponen ini pada umumnya berinteraksi
dengan modul-modul data mining. Dan bagian dari software yang berfungsi
untuk menemukan pattern atau pola-pola yang terdapat dalam database yang
diolah sehingga nantinya proses data mining dapat menemukan knowledge
yang sesuai.
6. Antar muka (Graphical user interface), merupakan modul komunikasi antara
pengguna atau user dengan sistem yang memungkinkan pengguna
berinteraksi dengan sistem untuk menentukan proses data mining itu sendiri.
Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan yaitu[15]:
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari
cara untuk menggambarkan pola dan kecendrungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpul suara mungkin tidak menemukan keterangan
atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecendrungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecendrungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik dari pada ke arah kategori. Model dibangun dengan record
lengkap menyediakan nilai dari variabel target sebagai nilai prediksi. Selanjutnya,
pada peninjauan berikutnya estimasi nilai dari variabel target dibuat berdasarkan
nilai variabel prediksi.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa
dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan
teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan (untuk
keadaan yang tepat) untuk prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh,
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah.
5. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam
pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiripan record dalam satu
kelompok akan bernilai maksimal, sedangkan kemiripan dengan record dalam
kelompok lain akan bernilai minimal.
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja (market basket analysis).
Neural network terdiri dari dua atau lebih lapisan, meskipun sebagian
besar jaringan terdiri dari tiga lapisan: lapisan input, lapisan tersembunyi, dan
lapisan output[15]. Pendekatan neural network dimotivasi oleh jaringan saraf
biologis. Secara kasar, neural network adalah satu set terhubung input/output unit,
di mana masing-masing sambungan memiliki berat yang terkait dengannya.
Neural network memiliki beberapa properti yang membuat mereka populer untuk
clustering. Pertama, neural network adalah arsitektur pengolahan inheren paralel
dan terdistribusi. Kedua, neural network belajar dengan menyesuaikan bobot
interkoneksi dengan data, Hal ini memungkinkan neural network untuk
"menormalkan" pola dan bertindak sebagai fitur (atribut) extractors untuk
kelompok yang berbeda. Ketiga, neural network memproses vektor numerik dan
membutuhkan pola objek untuk diwakili oleh fitur kuantitatif saja[24].
Neural network terdiri dari kumpulan node (neuron) dan relasi. Ada tiga
tipe node (neuron) yaitu, input, hidden dan output. Setiap relasi menghubungkan
dua buah node dengan bobot tertentu dan juga terdapat arah yang menujukkan
aliran data dalam proses[25]. Kemampuan otak manusia seperti mengingat,
menghitung, mengeneralisasi, adaptasi, diharapkan neural network dapat meniru
kemampuan otak manusia. Neural network berusaha meniru struktur/arsitektur
dan cara kerja otak manusia sehingga diharapkan bisa dan mampu menggantikan
beberapa pekerjaan manusia. Neural network berguna untuk memecahkan
persoalan yang berkaitan dengan pengenalan pola, klasifikasi, prediksi dan data
mining[23].
Input node terdapat pada layer pertama dalam neural network. Secara
umum setiap input node merepresentasikan sebuah input parameter seperti umur,
jenis kelamin, atau pendapatan. Hidden node merupakan node yang terdapat di
bagian tengah. Hidden node ini menerima masukan dari input node pada layer
pertama atau dari hidden node dari layer sebelumnya. Hidden node
mengombinasikan semua masukan berdasarkan bobot dari relasi yang terhubung,
mengkalkulasikan, dan memberikan keluaran untuk layer berikutnya. Output node
mempresentasikan atribut yang diprediksi[25]. Salah satu keuntungan
menggunakan neural network adalah bahwa neural network cukup kuat
sehubungan dengan data. Karena neural network berisi banyak node (neuron
buatan) dengan bobot ditugaskan untuk setiap koneksi[15].
Neural Network (NN) adalah suatu prosesor yang melakukan
pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk
menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain NN ini
memiliki kemampuan untuk dapat melakukan pembelajaran dan pendeteksian
terhadap sesuatu objek. Secara mendasar, sistem pembelajaran merupakan proses
penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada saat
digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam
mengenali suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu neural
network. Dibawah ini merupakan bentuk dasar dari suatu neuron :
Keterangan Gambar 2.4 & Gambar 2.5 di atas adalah sebagai berikut :
1. Input merupakan masukan yang digunakan baik saat pembelajaran maupun
dalam mengenali suatu objek.
2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai proses
pembelajaran.
3. Processing Unit merupakan tempat berlangsungnya proses pengenalan suatu
objek berdasarkan pembebanan yang diberikan.
4. Output, keluaran dari hasil pengenau objek.
……………………………………..………………………… (2.1)
Lalu menghitung sinyal output dari unit tersembunyi dengan menggunakan fungsi
aktivasi yang telah ditentukan :
…………………………………………………………….(2.2)
Sinyal output ini selanjutnya dikirim ke seluruh unit pada unit atas (unit output).
Langkah ke-5 : Tiap-tiap unit output (𝑌𝑘 , 𝑘 = 1, … , 𝑚), menjumlahkan bobot
sinyal input :
……………………………………………………………(2.3)
Lalu menghitung sinyal output dari unit output bersangkutan dengan
menggunakan fungsi aktivasi yang telah ditentukan
……………………………………………………………….(2.4)
Sinyal output ini selanjutnya dikirim ke seluruh unit pada output.
Berkut ini adalah contoh perhitungan Algoritma Neural Network secara
manual :
Keterangan :
x = x yang telah dinormalisasi
x = x sebelum di normalisasi
min = nilai minimum dari seluruh data
max = nilai maksimum dari seluruh data
Berdasarkan nilai input layer di atas, maka didapatkan hasil input normalisasi
dengan nilai minimum = 1650 dan nilai maksimum = 1732.
0.8(1654−1654)
x= +0.1=0.1 xt-5
1732−1654
xt-4
0.8(1670−1654)
x= + 0.1=0.26
1732−1654
0.8(1702−1654)
x= +0.1=0.59 xt-3
1732−1654
0.8(1722−1654)
x= +0.1=0.8 xt-2
1732−1654
0.8(1732−1654) xt-1
x= +0.1=0.9
1732−1654
0.8(1726−1654)
x= + 0.1=0.84 xt
1732−1654
Bobot ke
Z1 Bobot ke Z2
xt-5 0.4 0.17
xt-4 0.29 0.21
xt-3 -0.47 0.36
xt-2 -0.22 0.25
xt-1 0.05 0.1
b 0.2 0.04
Bobot ke
Y1
Z1 0.19
Z2 0.5
B 0.32
Langkah 1 = Hitung nilai keluaran dari masing-masing hidden layer dengan
rumus:
1
Z 1= −(−0.09)
=0.48
1+e
1
Z 2= =0.65
1+e−(0.62 )
Langkah 2= Hitung nilai keluaran dari output layer dengan rumus :
1
Yk= =0.68
1+e−(0.74 )
Langkah 3 = Menghitung kesalahan antara target dengan dengan output yang
dihasilkan oleh jaringan.
𝛿𝑘= (0.84 - 0.68) * 0.68 * (1 – 0.68) = 0.0356
Kemudian menghitung perubahan bobot dan bias dimana learning rate a = 0.1
serta momentum μ = 0. Karena μ = 0 maka rumus yang digunakan :
Bobot Bias
ΔW11 = 0.1*0.0356*0.48 ΔW01 = 0.1*0.0356
= 0.001698 = 0.00356
ΔW12 = 0.1*0.0356*0.65
= 0.00231
Langkah 4 = Hitung kesalahan di hidden layer kemudian hasilnya dikalikan
dengan turunan fungsi aktivasi yang digunakan jaringan dengan rumus :
𝛿net1= 0.0356*0.19
= 0.006764
𝛿net2 = 0.0356*0.5
= 0.0178
𝛿2 = 0.0176*0.65*(1 – 0.65)
= 0.004054
Kemudian menghitung koreksi bobot dan bias pada input layer ke hidden layer
dengan rumus :
Bobot
W11= 0.19 + 0.001698 = 0.191698
W21= 0.5 + 0.00231 = 0.50231
Bias
W01= 0.32 + 0.00356 = 0.3256
Bobot
V11= 0.4 + 0.00001687 = 0.40001687
V12= 0.17 + 0.00004054 = 0.17004054
V21= 0.29 + 0.00004456 = 0.29004456
V22= 0.21 + 0.00010708 = 0.21010708
V31= -0.47 + 0.00009995 = -0.46990005
V32= 0.36 + 0.00024014 = 0.36024014
V41= -0.22 + 0.00013456 = -0.21967669
V42= 0.25 + 0.00032331 =0.25032331
V51= 0.05 + 0.00015187 =0.05015187
V51= 0.1 + 0.00036489 =0.10036489
Bias
Ulangai iterasi hingga error jaringan lebih kecil atau sama dengan error target.
Sedangkan contoh proses perhitungan root mean square error (RMSE) adalah
sebagai berikut :
Misalkan diambil sampel data dengan 5 variabel independen dan 1 variabel
dependen yang terdiri atas 10 record data.
Xt xt-prediksi MSE
27654 27448 42530.303
28314 27164 1322445.304
27816 26914 813967.521
27445 26928 267364.399
27433 26750 466758.656
27154 26732 177953.294
26893 24886 4028579.870
24837 25355 268561.917
25230 24548 465438.741
24510 25218 501789.773
Total 835538.978
RMSE 914.078
1.10. Evaluasi Model
Pada penelitian ini penulis menggunakan Root Mean Squared Error
(RMSE) sebagai metode dalam perhitungan akurasi pada penerapan teknik data
mining untuk memprediksi persediaan barang rumah tangga menggunakan
algoritma Multilayer Perceptron. RMSE adalah metode alternatif untuk
mengevaluasi teknik peramalan yang digunakan untuk mengukur tingkat akurasi
hasil prakiraan suatu model. RMSE merupakan nilai rata-rata dari jumlah kuadrat
kesalahan, juga dapat menyatakan ukuran besarnya kesalahan yang dihasilkan
oleh suatu model prakiraan. Nilai RMSE rendah menunjukkan bahwa variasi nilai
yang dihasilkan oleh suatu model prakiraan mendekati variasi nilai
obeservasinya[27]. Salah satu ukuran kesalahan dalam peramalan adalah nilai
tengah akar kuadrat atau Root Mean Square Error (RMSE) dengan persamaan :
RMSE = √ mean(aᵢ− pᵢ)²
mean = nilai rata-rata
aᵢ = nilai aktual
pᵢ = nilai hasil prediksi
aᵢ− pᵢ = nilai kesalahan (error)
SIMBOL KETERANGAN
Actor
Menspesifikasikan himpunan peran yang pengguna
mainkan ketika berinteraksi dengan use case.
2. Class Diagram
Class diagram adalah adalah kumpulan object yang menggambarkan
struktur statis dari sistem dan fakta yang bisa digunakan dalam menghitung
ukuran dari perangkat lunak. Jadi kesimpulan dari pengertian class diagram
adalah kumpulan object yang menggambarkan struktur statis dari sebuah sistem
yang menunjukan object class dan hubunganya.
MULTIPLICIT
PENJELASAN
Y
1 Satu dan hanya satu
Boleh tidak ada atau 1 atau
0..*
lebih
1..* 1 atau lebih
Boleh tidak ada,
0..1
maksimal 1
Batasan antara. Contoh:
n..n 2..4 mempunyai arti
minimal 2 maksimal 4
( Sumber : https://www.coursehero.com )
3. Activity Diagram
Activity diagram merupakan diagram yang menunjukkan alur kerja atau
aktivitas user secara berurutan.
SIMBOL KETERANGAN
Status Awal Status awal aktivitas sistem, sebuah diagram
aktivitas memiliki status awal.
Status Akhir
Status akhir yang dilakukan sistem, sebuah
diagram aktivitas memiliki sebuah status akhir.
Swimlane
Memisahkan organisasi bisnis yang bertanggung
Nama Swimlane
jawab terhadap aktivitas yang terjadi.
( Sumber : https://www.coursehero.com )
4. Sequence Diagram
Sequence diagram merupakan sebuah Diagram yang menunjukkan
eksekusi operation disebuah objek yang melibatkan pemanggilan operations di
objek lain.
SIMBOL KETERANGAN
LifeLine
Objek entity, antarmuka yang saling berinteraksi.
( Sumber : https://www.coursehero.com )
N
NAME TYPE VALUE KETERANGAN
O
1. Nama Barang Varchar Kompor, M.Com, Setrika, dll Variabel Input
2. Merek Varchar Rinnai, Miyako, Philips, Sekai Variabel Input
3. Waktu Varchar Penjualan HR, Pascal, Normal Variabel Input
4. Stok Gudang Int 0 – 1000 Variabel Input
5. Jumlah Terjual Int 0 – 1000 Variabel Input
6. Pengadaan Int Hasil Proses Prediksi Variabel Output
1.17. 3.3 Pemodelan / Abstraksi
Data Prediksi
Laporan
Input Data Persediaan Barang
Prediksi Rumah Tangga
Pemrosesan Algoritma
Multilayer Perceptron
Hasil Prediksi N
Save Hasil
Prediksi
Nama Stok
Mere Jumlah Pengadaa
No Baran Type Waktu Gudan
k Terjual n
g g
Kipas
A01 Sekai HFN-1455 Normal 197 87 120
Angin
Kipas
A02 Sekai FAN-1665 Normal 169 56 160
Angin
Kipas
A03 Sekai HWN-2060 Normal 162 101 160
Angin
A04 Setrika Philips HD-1173 Normal 23 15 22
Blende
A05 Philips HR-2116 Normal 134 74 120
r
Blende
A06 Philips HR-2115 Normal 101 77 100
r
Magic
A07 Philips HD-3128 Normal 47 9 42
Com
Magic
A08 Philips HD-3127 Normal 58 25 40
Com
Kipas
A09 Sekai HSN-1638PO Normal 62 59 60
Angin
Kipas
A10 Sekai HSN-1438PO Normal 101 67 80
Angin
A18 Blende Penjualan
Philips HR-2115 247 215 168
2 r Hari Raya
A18 Blende Penjualan
Philips HR-2116 285 135 196
3 r Hari Raya
A18 Penjualan
Setrika Philips HD-1173 143 142 84
4 Hari Raya
A18 Magic Penjualan
Philips HD-3128 121 53 63
5 Com Hari Raya
( Sumber : Toko Super Kitchen and Furniture Gorontalo )
Nama Stok Jumlah
No Merek Type Waktu Pengadaan
Barang Gudang Terjual
Penjualan
A186 Setrika Philips GC-122 116 81 100
Hari Raya
Penjualan
A187 Blender Philips HR-2056 73 52 48
Hari Raya
Penjualan
A188 Blender Philips HR-2057 69 69 48
Hari Raya
Kipas Penjualan
A189 Miyako KAD-927B 185 111 120
Angin Hari Raya
Kipas Penjualan
A190 Miyako FAN-1618 138 34 120
Angin Hari Raya
Magic Penjualan
A191 Miyako MCM-509 135 127 120
Com Hari Raya
Magic MCM- Pascal
A206 Miyako 189 63 40
Com 606A Hari Raya
Pascal
A207 Kompor Miyako GC-100 159 132 100
Hari Raya
Pascal
A208 Dispenser Miyako WDP-300 72 69 50
Hari Raya
Pascal
A209 Dispenser Miyako WD-190 25 24 25
Hari Raya
Magic Pascal
A210 Miyako MJG-201 127 119 36
Com Hari Raya
Magic Pascal
A211 Miyako MCM-508 115 17 32
Com Hari Raya
Magic Pascal
A212 Miyako MCM-528 89 9 30
Com Hari Raya
Pascal
A213 Dispenser Miyako WD-185H Hari Raya 51 47 42
Pascal
A214 Kompor Miyako KG-302 Hari Raya 73 73 50
Pascal
A215 Kompor Rinnai RI-302S Hari Raya 195 159 100
( Sumber : Toko Super Kitchen and Furniture Gorontalo )
1.32. 4.2 Hasil Pemodelan
Ket :
Input : x1 : Nama barang
x2 : Merek
x3 : Waktu
x4 : Stok gudang
x5 : Jumlah Terjual
Output : y : Pengadaan
1.34. 4.2.2 Pseudoceudo Algoritma Multilayer Perceptron
Berikut ini adalah perhitungan manual Neural Network menggunaan
Multilayer Perceptron :
Paramete Trainin
r g
x1 4
x2 3
x3 2
x4 197
x5 87
Y 120
= 26.7525
dst… (n = Vj3(5)
6. Jika nilai target untuk layer output belum ditemukan, maka kembali ke
langkah 1 s.d 5 dengan memperbaharui kembali bobot dan bias untuk setiap
lapisan hidden layer sampai nilai target untuk layer output ditemukan.
1.35. 4.3 Hasil Pengembangan Sistem
Pada gambar 4.2 diatas menjelaskan bahwa operator yang akan menjadi
aktor dalam sistem dimana semua case dilakukan oleh operator sementara pemilik
hanya dapat melihat laporan hasil prediksi pengadaan barang.
1.37. 4.3.2. Aktivity Diagram
Setiap proses yang berjalan pada sistem digambarkan melalui rancangan
Aktivity Diagram. Berikut untuk memberikan penjelasan alur sistem.
Aplikasi Prediksi
Persediaan Barang RT
Data Barang
Selesai
4.3.2.2 Aktivity Diagram Stok Barang
Aplikasi Prediksi
Persediaan Barang RT
Stok Barang
Selesai
4.3.2.3 Aktivity Diagram Data Training
Aplikasi Prediksi
Persediaan Barang RT
Data Trainig
Selesai
4.3.2.4 Aktivity Diagram Proses Prediksi
Aplikasi Prediksi
Persediaan Barang RT
Page-Proses
Prediksi
Proses Prediksi
Hasil
Selesai
4.3.2.5 Aktivity Diagram About
Aplikasi Prediksi
Persediaan Barang RT
About
Nama : tbl_stok
Primery Key : kode_barang
Media : Hardisk
Fungsi : merupakan data stok barang
Struktur Data :
NO NAMA FIELD TYPE ZISE KET
1 kode_barang Varchar 25 Kode Barang
2 stok_gudang Int 25 Stok Barang
Nama : tbl_training
Media : Hardisk
Fungsi : merupakan data training
Struktur Data :
FORM BARANG
Kode Barang
Nama Barang
Merek
Type
Kode Barang
Stok Gudang
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
PROSES
1.49. 4.8.5 Desain Output Data Barang
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan Output
PROSES
self.dba = mydba.dbAction()……………………..…………………………….….1
result = self.dba.tampil("tbl_training")……………………..………………….…..1
from sklearn.neural_network import MLPRegressor………………………….…..1
from sklearn.preprocessing import LabelEncoder……………………….…….…..1
x = []……………………..……………………..……………………………….…2
y = []……………………..……………………..……………………………….…2
for item in result : ……………………..……………………..……………………….3
x.append([item[0], item[1], item[2], item[3], item[4]]) …………………......4
y.append(item[5]) ……………………..……………………..………………4
datatrain = []……………………..……………………..……………………….…….5
for i in x: ……………………..……………………..…………………………….......6
datatrain.append(LabelEncoder().fit_transform(i)) …………………………7
clf = MLPRegressor(activation='identity', hidden_layer_sizes=[150, 50, 5], ……….8
learning_rate='adaptive', learning_rate_init=0.0001, solver='sgd') …….…..8
clf.fit(datatrain, y) ……………………..……………………..……………………...9
datatest = [self.nama_barang.get(), self.merek.get(), self.waktu.get(),……………...10
self.stok_gudang.get(), self.jumlah_terjual.get()]…………………………..10
testing=[]……………………..……………………..……………………..………...11
testing.append(LabelEncoder().fit_transform(datatest)) ……………………………11
hasil = clf.predict(testing) ……………………..……………………..………….….12
print(hasil) ……………………..……………………..………………………….….13
self.nilai6.set(hasil[0]) ……………………..……………………..…………….…..14
1.59. 4.12.2 Flowchart Pengujian White Box
False
True
False
True
True
1.60. 4.12.3 Flowgraph Pengujian White Box
R1
R2
R3
Dari flowgraph diatas, maka didapatkan :
Region (R) = 3
Node (N) = 14
Edge (E) = 15
Predikat Node (P) = 2
V(G) = E-N+2
= 15-14+2
=3
V(G) = P+1
=2+1
=3
CC = R1, R2, R3
RMSE = √ 19.66666667 ²
= 19.66666667
BAB V PEMBAHASAN
RMSE 19.66666667 %
Accuracy 80.33333333 %
Gambar 5.5 dan gambar 5.6 merupakan tampilan window proses prediksi,
dimana memiliki label untuk inputan nama barang, merek, waktu, stok gudang,
jumlah terjual dan output pengadaan, serta memiliki button untuk proses prediksi.
1.69. 5.2.6 Hasil Tampilan About
[1] http://www.akuntansilengkap.com/ekonomi/pengertian-perbedaan-barang-
dan-jasa-menurut-para-ahli-ilmu-ekonomi/
[2] Toko Super Kitchen and Furniture Gorontalo
[3] Tam Dae Woong Jheon, Ristono, (2009), “Pengertian Persediaan Barang”,
[Online]. Available : http://kapanpunbisa.blogspot.com/2013/05/pengertian-
persediaan-barang.html
[4] I.H Witten and Eibe Frank, “Data Mining: Practical Machine Learning
Tools and Techniques”, 2005. [Online]. Available :
ftp://ftp.ingv.it/pub/manuela.sbarra/Data%20Mining%20Practical
%20Machine%20Learning%20Tools%20and%20Techniques%20-
%20WEKA.pdf .
[5] Bernadetta Raras, “Prediksi Data Menggunakan Neural Network dengan
Algorithma Backpropagation”, tgl publikasi, [Online]. Available :
https://www.academia.edu/7382142/Prediksi_Data_Menggunakan_Neural_
Network_dengan_Algorithma_Backpropagation .
[6] Effrida Manalu, Fricles dan memed (2017), “Penerapan algoritma naïve
bayes untuk memprediksi jumlah produk barang berdasarkan data
persediaan dan jumlah pemesanan”
[7] M. Syamsul Maarif & Hendri Tanjung, (2003-276), “Prediksi”, [Online].
Available:https://repository.widyatama.ac.id/xmlui/bitstream/handle/
123456789/3884/Bab%202.pdf?sequence=7
[8] Agus Ristono (2009:4), “Persediaan”, [Online]. Available :
https://repository.widyatama.ac.id/xmlui/bitstream/handle/123456789/3884/
Bab%202.pdf?sequence=7
[9] Agrawal, R., Mannila, H., Srikant, R., Toivonen, H., and Verkamo, I. 1996.
Fast Discovery of Association Rules, in AKDDM, AAAI/MIT Press, 307-
328.
[10] Kennedi Tampubolon, Hoga Saragih and Bobby Reza, “Implementasi Data
Mining Algoritma Apriori Pada Sistem Persediaan Alat-alat Kesehatan”,
IEEE : Informasi dan Teknologi Ilmiah (INTI), Vol : I, No : 1, ISSN : 2339-
210X, Oktober 2013.
[11] Bernadetta Raras, “Prediksi Data Menggunakan Neural Network dengan
Algorithma Backpropagation”, [Online]. Available :
https://www.academia.edu/7382142/Prediksi_Data_Menggunakan_Neural_
Network_dengan_Algorithma_Backpropagation
[12] (Yuliga Mahena, 2015).
[13] J. Han et. al. Data Mining : Concept and Techniques Second Edition,
Morgan Kaufmann Publishers. 2006, 351-376
[14] Purba, Yugi Trianto (2008), “Arsitektur Data Mining”, [Online].
Available : http://digilib.unila.ac.id/20322/3/BAB%20II.pdf
[15] Larose (2005), “Beberapa Kelompok Data Mining Berdasarkan Tugas”,
[Online]. Available : http://digilib.unila.ac.id/20322/3/BAB%20II.pdf
[16] Turban, dkk. (2005), “Pengertian Data Mining”, [Online]. Available :
http://digilib.unila.ac.id/20322/3/BAB%20II.pdf
[17] Resti Hutami & Erna Zuni Astuti (2016), “Implementasi K-Nearst
Neighboar untuk Prediksi Penjualan Funiture pada CV. Octo Agung
Japara”,[Online].Available:http://eprints.dinus.ac.id/18785/2/jurnal_17788.p
df
[18] Fahrul Nurzaman (2017), “Penerapan Algoritma Regresi Linier untuk
Prediksi Jumlah Klaim pada Asuransi Kesehatan”, [Online]. Available :
http://snti.untar.ac.id/images/prosiding/2017/A16_.pdf
[19] Syarli & Asrul Ashari Muin, “Metode Naive Bayes Untuk Prediksi
Kelulusan”, IEEE : Jurnal Ilmiah Ilmu Komputer, Vol. 2, No. 1, April 2016.
[20] Astuti, E. D. , 2009, Pengantar Jaringan Saraf Tiruan. Wonosobo: Star
Publishing.
[21] Mahmudy, Wayan Firdaus, 2013, Algoritma Evolusi, Program Teknologi
Informasi dan Ilmu Komputer Universitas Brawijaya : Malang
[22] Yani, 2005
[23] Shukla, Tiwari, & Kala, 2010
[24] Gorunescu, F. , 2011, Data Mining Concept Model Technique. India:
Springer.
[25] Kusrini & Luthfi, 2009
[26] Hertz A. Krogh and R. G. Palmer, 1991
[27] Makridakis, S., S. Wheelwright., dan V. E. McGee, Metode dan Aplikasi
Peramalan, Jilid 1 Edisi kedua. Binarupa Aksara. Jakarta.1999.
[28] Jogiyanto, HM., 2005, Analisis dan Desain Sistem Informasi : Pendekatan
Terstruktur Teori dan Praktek Aplikasi Bisnis. Yogyakarta : Andi Offset.
[29] “Rogers. Pressman, ‘Rekayasa Perangkat Lunak Pendekatan Praktisi’,
2001”.
LAMPIRAN