Karya Ilmiah (1) Aplikom-1

PENERAPAN ALGORITMA MULTILAYER
PERCEPTRON
UNTUK MEMPREDIKSI PERSEDIAAN
BARANG RUMAH TANGGA
(Studi Kasus : Super Kitchen and Furniture Gorontalo)
Oleh :
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
Untuk memenuhi salah satu syarat ujian

guna memperoleh Sarjana
PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2022
PERSETUJUAN SKRIPSI

PERCEPTRON
BARANG RUMAH TANGGA
Oleh
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
Untuk memenuhi salah satu syarat ujian

guna memperoleh gelar Sarjana
Program Studi Teknik Informaika,
ini telah disetujui oleh Tim Pembimbing
Gorontalo, 06 April 2019
Pembimbing I Pembimbing II
Irma Surya Kumala I, M.Kom Yusrianto Malago, M.Kom

NIDN: 0921128801 NIDN: 0909108901
PENGESAHAN SKRIPSI

PERCEPTRON
BARANG RUMAH TANGGA
Oleh
YUSRIANTO MALAGO
0909108901
Diperiksa oleh Panitia Ujian Strata Satu (S1)

Universitas Ichsan Gorontalo
Gorontalo, Oktober 2022
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
Dengan ini saya menyatakan bahwa :

1. Karya tulis (Skripsi) saya ini adalah asli dan belum pernah
diajukan untuk mendapatkan gelar akademik (Sarjana) baik di
Universitas Ichsan Gorontalo maupun diperguruan tinggi lainnya.
2. Karya tulis (Skripsi) saya ini adalah murni gagasan, rumusan, dan
penelitian saya sendiri, tanpa bantuan pihak lain, kecuali arahan
dari Tim Pembimbing.
3. Dalam karya tulis (Skripsi) saya ini tidak terdapat karya atau
pendapat yang telah dipublikasikan orang lain, kecuali secara
tertulis dicantumkan sebagai acuan/sitasi dalam naskah dan
dicantumkan pula daftar pustaka.
4. Pernyataan ini saya buat dengan sesungguhnya dan apabila
dikemudian hari terdapat penyimpangan dan ketidakbenaran
dalam pernyataan ini, maka saya bersedia menerima sanksi
akademik berupa pencabutan gelar yang telah diperoleh karena
karya tulis ini, serta sanksi lainnya sesuai dengan norma-norma
yang berlaku di Universitas Ichsan Gorotalo.
Gorontalo, 06 April 2019

Yang Membuat Pernyataan,
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%.
Keywords: Prediction, Household Supplies, Multilayer Perceptron Algorithm

ABSTRAK
Persediaan merupakan 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. Super Kitchen and
Furniture Gorontalo merupakan salah satu toko yang bergerak dibidang
perdagangan yang menjual barang-barang dan perlengkapan rumah tangga dengan
kualitas baik dan harganya terjangkau. Permasalahan yang terjadi pada
perusahaan ini yaitu terkadang jumlah persediaan barang rumah tangga terlalu
sedikit dan permintaan konsumen untuk dipasarkan tidak dapat dipenuhi maka
konsumen akan merasa kecewa dan ada kemungkinan konsumen tidak akan
kembali lagi. Sebaliknya jika persediaan barang rumah tangga terlalu banyak
maka akan terjadi penumpukkan barang di gudang, sehingga harus menyediakan
tempat yang luas serta menyediakan biaya tambahan untuk pemeliharaannya.
Dalam memprediksi persediaan barang rumah tangga penulis menggunakan
algoritma Multilayer Percceptron. Dibuktikan dengan hasil pengujian yang
dilakukan menggunakan Root Mean Squared Error (RMSE) menghasilkan tingkat
error sebesar 19.66666667 % dan tingkat akurasi sebesar 80.33333333%.
Kata Kunci : Prediksi, Persediaan Barang Rumah Tangga, Algoritma Multilayer

Perceptron
KATA PENGANTAR
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;
Semoga Tuhan melimpahkan balasan atas jasa-jasa mereka kepada penulis.

Penulis menyadari sepenuhnya bahwa apa yang telah dicapai ini masih jauh dari
kesempurnaan dan masih banyak terdapat banyak kekurangan. Oleh karena itu,
penulis sangat mengharapkan adanya kritik dan saran yang konstruktif. Akhirnya
penulis berharap semoga hasil yang dicapai ini dapat bermanfaat untuk kita
semua. Aamiin
Gorontalo, Oktober 2022
P
en
ul
is
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
BAB I PENDAHULUAN
1.1. Latar Belakang

Barang rumah tangga merupakan produk fisik secara terlihat atau
berwujud yang dibutuhkan untuk melengkapi keperluan peralatan rumah tangga,
dengan memiliki ciri-ciri seperti berwujud, bermanfaat dan bernilai sehingga
dapat digunakan untuk melengkapi kebutuhan hidup rumah tangga sehari-hari[1].
Di Gorontalo telah memiliki berbagai macam perusahaan yang bersaing dan
bergerak dalam bidang bisnis perdagangan salah satunya adalah toko Super
Kitchen and Furniture Gorontalo.
Super Kitchen and Furniture Gorontalo merupakan salah satu toko yang
bergerak dibidang perdagangan yang menjual barang-barang dan perlengkapan
rumah tangga dengan kualitas baik dan harganya terjangkau, menyediakan harga
khusus ecer dan grosiran, serta memiliki berbagai produk kebutuhan yang
berfungsi untuk melengkapi keperluan rumah tangga. Perusahaan ini dituntut
untuk memberikan pelayanan pada konsumen agar setiap barang yang dibutuhkan
selalu tersedia dan dapat dipenuhi[2].
Persediaan barang merupakan salah satu faktor yang menentukan
kelancaran produksi dan penjualan, maka persediaan harus dikelolah secara tepat.
Dalam hal ini perusahaan harus dapat menetukan jumlah persediaan optimal,
sehingga disatu sisi kontinuitas produksi dapat terjaga dan pada sisi lain
perusahaan dapat memperoleh keuntungan, karena perusahaan dapat memenuhi
setiap permintaan yang datang. Karena persediaan yang kurang akan sama tidak
baiknya dengan persediaan yang berlebihan, sebab kondisi keduanya memiliki
beban dan akibat masing-masing[3].
Dalam perkembangan usaha di Super Kitchen and Furniture Gorontalo ini
juga memiliki kesulitan dalam persediaan barang rumah tangga antara lain yaitu,
jika jumlah persediaan barang rumah tangga di perusahaan tersebut terlalu sedikit
dan permintaan konsumen untuk dipasarkan tidak dapat dipenuhi karena
kekurangan persediaan, maka akan mengakibatkan konsumen merasa kecewa dan
ada kemungkinan konsumen tidak akan kembali lagi. Begitu pula jika persediaan
barang rumah tangga di perusahaan tersebut terlalu banyak, maka akan terjadi
penumpukkan barang rumah tangga yang tidak laris di gudang, mengakibatkan
kerugian dan harus menyediakan tempat yang luas, serta harus menyediakan biaya
tambahan untuk pemeliharaannya. Hal ini disebabkan karena tidak ada gambaran
berapa stok barang rumah tangga yang masih tersedia di gudang inti dan gudang
toko. Pada saat ini solusi permasalahan oleh pihak perusahaan adalah dengan
melakukan pengawasan persediaan barang setiap bulan agar tidak terjadi
kekosongan atau kelebihan stok digudang tersebut.
Berikut ini adalah data persediaan barang rumah tangga di Super Kitchen
and Furniture Gorontalo dari Januari 2015 s/d Desember 2018, dengan jumlah
data adalah 1247 dan berdasarkan merek yaitu Rinnai, Miyako, Philips dan Sekai :
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
Penjualan HR Pascal HR Normal
(Sumber: Toko Super Kitchen and Furniture Gorontalo)

Jumlah Terjual
25000
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
Kemajuan teknologi menyebabkan kemudahan bagi setiap orang

memperoleh data persediaan barang dengan mudah bahkan cenderung berlebihan.
Data yang sedemikian besar tentunya memiliki informasi yang tersembunyi
didalamnya, namun kemampuan manusia terbatas dalam menganalisa data atau
menggali pengetahuan dari data tersebut, dimana pengetahuan tersebut tentunya
sangat berguna untuk mendukung pengambilan kebijakan atau keputusan. Untuk
itu diperlukan suatu metode komputasi untuk mengatasi masalah, kemampuan
komputasi yang semakin canggih dan terjangkau, serta persaingan bisnis yang
semakin kompetitif merupakan faktor-faktor lainnya mengapa data mining
semakin berperan dalam mendukung pengambilan keputusan.
Data mining merupakan proses menemukan pola dalam data. Proses itu
harus otomatis atau semi otomatis. Pola yang ditemukan harus berguna sehingga
dapat memberikan keuntungan[4]. Data Mining adalah ekstraksi pola yang
menarik dari data dalam jumlah besar. Suatu pola dikatakan menarik apabila pola
tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola
yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi
dengan derajat kepastian tertentu, berguna, dan baru[5].
Ada beberapa metode prediksi yang digunakan dalam data mining salah
satunya adalah Neural Network. Neural Network merupakan sebuah teknologi
komputasi, tidak memberikan suatu keajaiban tetapi jika digunakan secara tepat
akan menghasilkan suatu hasil yang luar biasa dengan kemampuan dalam
menyelesaikan masalah yang rumit telah dibuktikan dalam berbagai macam
penelitian, seperti analisa data, meteorologi, pengenalan pola, sistem kontrol,
deteksi penomena kedokteran, prediksi pasar saham, dan sebagainya [6].
Berdasarkan peneliti terkait yang dilakukan oleh Sneh Saini, Dr. R R
Laxmi, Dr. N.P. Singh (2016) yang berjudul “Prediction of Stock Prices Using
Artificial Neural Network” menjelaskan bahwa jaringan syaraf yang efektif adalah
alat untuk memprediksi stok dan dapat digunakan untuk memprediksi dari setiap
stok barang.
Dalam penelitian Napitupulu, Togar Alam; Wijaya, dan Yohanes
Budimana yang berjudul “Prediction of Stock Price Using Artificial Neural
Network : A Case of Indonesia” menjelaskan Artificial Neural Network telah
banyak digunakan dalam aplikasi karena kemampuannya untuk memecahkan
masalah non-parametic. ANN juga diakui sebagai yang baik dan banyak
digunakan dalam memprediksi stok.
Dengan demikian dalam penelitian ini peneliti bertujuan untuk
menerapkan algoritma Neural Network menggunan Multilayer Perceptron untuk
memprediksi persediaan barang rumah tangga, dengan alat bantu menggunakan
Bahasa Pemrograman Phyton dan database MySQL dan Black Box Testing untuk
menguji kinerja sistem dan pengukuran akurasi menggunakan Root Mean
Squared Error (RMSE). Dengan batasan masalahnya yaitu pendataan dilakukan
dengan menggunakan data masuk barang dari Januari 2015 s/d Desember 2018
yang didapat dari representasi sebagai data induk penjualan barang rumah tangga,
berdasarkan merek yaitu Rinnai, Miyako, Philips dan Sekai. Adapun variabel
yang digunakan pada penelitian ini terdiri dari nama barang, merek, waktu, stok
gudang, jumlah terjual dengan variabel output yaitu pengadaan.
Berdasarkan berbagai pemaparan diatas, maka peneliti tertarik untuk
melakukan penelitian dengan judul : “Penerapan Algoritma Multilayer
Perceptron untuk Memprediksi Persediaan Barang Rumah Tangga” studi
kasus di Super Kitchen and Furniture Gorontalo.
1.2. Identifikasi Masalah

Berdasarkan uraian dari latar belakang di atas, maka diidentifikasi
masalahnya adalah :
1. Jika jumlah persediaan barang rumah tangga terlalu sedikit dan permintaan
konsumen untuk dipasarkan tidak dapat dipenuhi maka konsumen akan
merasa kecewa dan ada kemungkinan konsumen tidak akan kembali lagi.
2. Jika persediaan barang rumah tangga terlalu banyak maka akan terjadi
penumpukkan barang di gudang, sehingga harus menyediakan tempat yang
luas serta menyediakan biaya tambahan untuk pemeliharaannya.
1.3. Rumusan Masalah
Berdasarkan identifikasi dari masalah di atas, maka rumusan masalah pada
penelitian ini adalah :
1. Bagaimana cara merekayasa sistem dalam prediksi persediaan barang rumah
tangga di Super Kitchen and Furniture Gorontalo ?
2. Bagaimana kinerja dan efektifitas sistem prediksi persediaan barang rumah
tangga menggunakan Multilayer Perceptron yang dapat diimplementasikan ?
1.4. Tujuan Penelitian

Berdasarkan rumusan masalah yang telah diuraikan sebelumnya, maka
penelitian ini bertujuan :
1. Untuk merekayasa sistem dalam prediksi persediaan barang rumah tangga di
Super Kitchen and Furniture Gorontalo.
2. Memperoleh sistem prediksi persediaan barang rumah tangga menggunakan
Multilayer Perceptron yang handal dan efektif sehingga dapat
diimplementasikan.
1.5. Manfaat Penelitian

Manfaat dari tujuan penelitian ini terbagi dua yaitu :
1. Manfaat Teoritis
Penelitian ini diharapkan dapat memberikan solusi bagi peneliti lain yang
akan melakukan penelitian lanjutan untuk menerapkan dalam sistem yang
lebih kompleks dan memberikan masukan bagi perkembangan ilmu
pengetahuan dan teknologi, khususnya pada bidang ilmu komputer.
2. Manfaat Praktis
Memberikan sumbangan pemikiran, karya, bahan pertimbagan, atau solusi
bagi software developer guna mendukung pengambilan keputusan dalam
rangka menghasilkan software yang berkualitas sehingga berdampak pada
peningkatan kualitas perusahaan.
BAB II LANDASAN TEORI
2.1 Tinjauan Studi

Berikut ini adalah penelitian terdahulu yang terkait dengan metode Neural
Network, yaitu :
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.
Umumnya pada prediksi atau peramalan memilki dua pendekatan yaitu,

1. Analisis kuantitatif (quantitative forecast)
Menggunakan model matematis yang beragam dengan data masa lalu dan
variable sebab akibat untuk meramalkan permintaan. Dengan tujuan dapat
memperkirakan berapa penjualan yang dapat dilakukan dalam suatu wilayah. Hal
ini dapat membantu menyiapkan peramalan dan memperbaiki desain produk dan
perencanaan produk baru.
2. Peramalan kualitatif (qualitative forecast)
Menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi dan
sistem pengambilan keputusan untuk meramal. Peramalan kualitatif memiliki
metode yang dibagi dalam dua kategori yaitu, model time series membuat prediksi
dengan asumsi bahwa masa depan merupakan fungsi masa lalu, yang dapat dilihat
dari apa yang terjadi selama kurung waktu tertentu, dan menggunakan data masa
lalu untuk melakukan peramalan, dan model asosiatif menggabungkan variabel
atau faktor yang mungkin mempengaruhi kuantitas yang sedang diramalkan.
Pada umumnya, prediksi menggunakan metode time series adalah suatu
langkah untuk mengetahui sebuah nilai dimasa yang akan datang, dimana
pengamatan pada metode time series dilakukan berdasarkan urutan waktu. Metode
time series dibangun berdasarkan proses determinasi yang memiliki kemampuan
prediksi yang tinggi, dimana nilai yang akan datang dapat diketahui dengan
melihat nilai dari masa lalu. Hasil prediksi dapat dilihat secara keseluruhan
berdasarkan signal yang kuat pada komponen determinan.
Time Series (runtun waktu) data yakni jenis data yang dikumpulkan
menurut urutan waktu dalam suatu rentang waktu tertentu. Jika waktu dipandang
bersifat diskrit (waktu dapat dimodelkan bersifat kontinue), frekuensi
pengumpulan selalu sama (equidistant). Dalam kasus diskrit, frekuensi dapat
berupa misalnya detik, menit, jam, hari, minggu, bulan atau tahun.
Klasifikasi dari model runtun waktu dapat dikelompokkan menjadi dua,
yaitu sebagai berikut:
a. Model univariat : hanya mengamati satu variabel/individu runtun waktu.
b. Model multivariate (multivariabel): lebih dari satu variabel/individu runtun
waktu.
1.8. Data Mining
Data mining diartikan sebagai penambang data atau upaya untuk menggali
informasi yang berharga dan berguna pada database yang sangat besar[9]. Hal
terpenting dalam teknik data mining adalah aturan untuk menemukan pola
frekuensi tinggi antara himpunan itemset yang disebut fungsi Association Rules
( Aturan Asosiasi ) [10].
Data mining adalah ekstraksi pola yang menarik dari data dalam jumlah
besar. Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit,
tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah
dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian
tertentu, berguna, dan baru[11].
Salah satu aplikasi yang diimplementasikan untuk mencari sebuah model
dan pola yang mampu melakukan prediksi pada suatu data berdasarkan data
sebelumnya dalam periode waktu tertentu yaitu dengan menggunakan data
mining. Data mining adalah untuk memprediksi, mengekstrak, atau menggali
pengetahuan dari jumlah data yang besar[12]. Data mining memiliki karakteristik
sebagai berikut :
1. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan
pola data tertentu yang tidak diketahui sebelumnya.
2. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang
besar digunakan untuk membuat hasil lebih dipercaya.
3. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam
strategi.
Secara umum fungsi data mining digunakan untuk menentukan jenis pola
apa yang terdapat dalam database. Fungsi data mining dapat dikelompokan
menjadi dua kategori yaitu:
1. Deksriptif berfungsi untuk merincikan sifat umum dari data yang terdapat
dalam database. Deskriftif lebih digunakan untuk menjelaskan atau
menggambarkan data yang terdapat pada database.
2. Prediktif berfungsi untuk memprediksi data yang terdapat dalam database.
Pada dasarnya aplikasi data mining digunakan untuk melakukan empat
macam fungsi, yaitu:
1. Klasifikasi (Classification)
Data mining dapat digunakan untuk mengelompokan data-data yang
jumlahnya besar menjadi data-data yang lebih kecil.
2. Segmentasi (Segmentation)
Data mining juga digunakan untuk melakukan segmentasi (pembagian)
terhadap data berdasarkan karakteristik tertentu.
3. Asosiasi (Association)
Pada fungsi asosiasi ini, data mining digunakan untuk mencari hubungan
antara karakteristik tertentu.
4. Pengurutan (Sequencing)
Pada fungsi ini, data mining digunakan untuk mengidentifikasikan perubahan
pola yang terjadi dalam jangka waktu tertentu.
Istilah data mining dan knowledge discovery in databases (KDD) sering
kali digunakan secara bergantian untuk menjelaskan proses penggalian informasi
tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut
memiliki konsep yang berbeda, tetapi berkaitan satu sama lainnya.
Berikut ini adalah tahapan-tahapan data mining yaitu[13] :
(Sumber : Han & Kamber, 2006)

Adapun tahapan dalam data mining adalah sebagai berikut :
1. Pembersihan data (data cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang
tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik
dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian
yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga
hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak
relevan dengan hipotesa data mining yang dimiliki. Data-data yang tidak relevan
itu lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi
dari teknik data mining karena data yang ditangani akan berkurang jumlah dan
kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan data dari berbagai database ke
dalam satu database baru. Tidak jarang data yang diperlukan untuk data mining
tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database
atau file teks. Integrasi data dilakukan pada atribut-aribut yang
mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk,
nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena
kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan
bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh bila integrasi
data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang
berbeda maka akan didapatkan korelasi antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh
karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database. Sebagai contoh, sebuah kasus yang meneliti faktor kecenderungan
orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama
pelanggan, cukup dengan id pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses
dalam data mining. Beberapa metode data mining membutuhkan format data yang
khusus sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar
seperti analisis asosiasi dan clustering hanya bisa menerima input data
kategorikal. Karenanya data berupa angka statistik yang berlanjut perlu dibagi-
bagi menjadi beberapa interval. Proses yang dilakukan disebut transformasi data.
5. Proses mining
Merupakan suatu proses utama saat diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola (pattern evaluation)
Untuk mengidentifikasi pola-pola menarik kedalam knowledge based yang
ditemukan. Dalam tahap ini hasil dari teknik data mining berupa pola-pola yang
khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada
memang tercapai. Bila ternyata hasil yang diperoleh tidak sesuai hipotesa ada
beberapa statistik yang dapat diambil seperti menjadikannya umpan balik untuk
memperbaiki proses data mining, mencoba metode data mining lain yang lebih
sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang
mungkin bermanfaat.
7. Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap
terakhir dari proses data mining adalah bagaimana memformulasikan keputusan
atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan
orang-orang yang tidak memahami data mining. Presentasi hasil data mining
dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan
yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga
bisa membantu mengkomunikasikan hasil data mining.
Dibawah ini merupakan arsitektur data mining yaitu[14] :
(Sumber : Purba, Yugi Trianto, 2008)
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).
1.9. Algoritma Prediksi Data Mining

Data mining adalah suatu istilah yang digunakan untuk menguraikan
penemuan pengetahuan di dalam database. Data mining adalah proses yang
menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine
learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat
dan pengetahuan yang terkait dari berbagai database besar[16]. Secara luas data
mining memiliki algoritma prediksi antara lain yaitu :
1. K-Nearest Neighbor
K-Nearest Neighborhood (k-NN) adalah suatu metode yang menggunakan
algoritma supervised dimana hasil dari query instance yang baru diklasifikasikan
berdasarkan mayoritas dari label class pada k-NN. Tujuan dari algoritma k-NN
adalah mengklasifikasikan objek baru berdasarkan atribut dan training data[17].
2. Regresi Linier
Dalam Regresi Linear, data dimodelkan dalam bentuk grafik berbentuk
garis continues dua dimensi. Oleh karena penggambaran data menggunakan dua
dimensi, maka dibutuhkan variabel X dan Y. Dalam regresi linear, variabel Y
disebut sebagai response variable sedangkan variabel X disebut sebagai predictor
variable. Kedua variabel diformulasikan secara statistik dengan rumus sebagai
berikut :
Y = α + βX …………………………………………(1)
Nilai Y pada rumusan di atas dianggap sebagai nilai konstan, sedangkan nilai α
dan β adalah nilai regression coefficient yang mempengaruhi penggambaran data
dalam bentuk grafik dua dimensi. Nilai α dan β dapat dicari menggunakan metode
least square yang berfungsi untuk meminimalkan nilai error antara data
sebenarnya dan data hasil prediksi[18].
3. Naive Bayes
Naive Bayes adalah salah satu algoritma pembelajaran induktif yang
paling efektif dan efisien untuk machine learning dan data mining. Performa
naive bayes yang kompetitif dalam proses klasifikasi walaupun menggunakan
asumsi keidependenan atribut (tidak ada kaitan antar atribut). Asumsi
keidependenan atribut ini pada data sebenarnya jarang terjadi, namun walaupun
asumsi keidependenan atribut tersebut dilanggar performa pengklasifikasian naive
bayes cukup tinggi, hal ini dibuktikan pada berbagai penelitian empiris. Naive
Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang
dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di
masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal
sebagai teorema Bayes. Teorema tersebut dikombinasikan dengan ”naive” dimana
diasumsikan kondisi antar atribut saling bebas[19].
4. Neural Network
Neural network adalah suatu sistem pemroses informasi yang memiliki
karakteristik menyerupai dengan jaringan saraf biologi pada manusia. Neural
network didefinisikan sebagai sistem komputasi di mana arsitektur dan operasi
diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang
merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba
menstimulasi proses pembelajaran pada otak manusia tersebut[20].
5. Algoritma Genetika
Konsep algoritma genetika diilhami oleh ilmu alam[21]. Dimana individu
yang lebih baik yang mampu bertahan, sehingga individu tersebut akan menjadi
solusi optimal dari sebuah masalah. Proses dalam algoritma genetika dimulai
dengan tahap inisialisasi, yaitu menciptakan individu – individu secara acak yang
memiliki susunan gen (kromosom) tertentu. Kromosom ini mewakili solusi dari
permasalahan. Tahap selanjutnya adalah reproduksi untuk menghasilkan offspring
dari individu yang ada dipopulasi. Setelah reproduksi akan lahir individu baru
sehingga jumlah individu bertambah. Setiap kromosom mempunyai fitness, makin
besar fitness makin baik kromosom tersebut untuk dijadikan solusi. Tahap
menghitung fitness ini disebut tahap evaluasi. Tahap akhir adalah seleksi yaitu
memilih individu dari himpunan populasi dan offspring. Individu hasil seleksi
dipertahankan hidup pada generasi berikutnya.
6. Algoritma C4.5
Secara umum, decision tree adalah suatu gambaran pemodelan dari suatu
persoalan yang terdiri dari serangkaian keputusan yang mengarah ke solusi. Tiap
simpul dalam menyatakan keputusan dan daun menyatakan solusi. Adapun
pemodelan pohon yang biasa dipakai dalam pohon keputusan adalah rooted tree
(pohon berakar). Pohon berakar adalah pohon yang satu buah simpulnya
diperlakukan sebagai akar dan sisi-sisinya diberi arah sehingga menjadi graf
berarah. Pada metode decision tree langkah awalnya ialah mencari node yang
akan digunakan sebagai akar pohon. Untuk memilih atribut sebagai akar,
didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada.
2.2.4.1 Metode Neural Network

Neural Network merupakan sebuah teknologi komputasi, tidak
memberikan suatu keajaiban tetapi jika digunakan secara tepat akan menghasilkan
suatu hasil yang luar biasa dengan kemampuan dalam menyelesaikan masalah
yang rumit telah dibuktikan dalam berbagai macam penelitian, seperti analisa
data, meteorologi, pengenalan pola, sistem kontrol, deteksi penomena kedokteran,
prediksi pasar saham, dan sebagainya[22].
Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit
pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini
merupakan sistem adaptif yang dapat merubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui
jaringan tersebut. Secara sederhana NN adalah sebuah alat pemodelan data
statistik non-linear. NN dapat digunakan untuk memodelkan hubungan yang
kompleks antara input dan output untuk menemukan pola-pola pada data.
Neural network adalah suatu sistem pemroses informasi yang memiliki
karakteristik menyerupai dengan jaringan saraf biologi pada manusia. Neural
network didefinisikan sebagai sistem komputasi di mana arsitektur dan operasi
diilhami dari pengetahuan tentang sel saraf biologis di dalam otak, yang
merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba
menstimulasi proses pembelajaran pada otak manusia tersebut[20].
Neural network dibuat berdasarkan model saraf manusia tetapi dengan
bagian-bagian yang lebih sederhana. Komponen terkecil dari neural network
adalah unit atau yang biasa disebut dengan neuron dimana neuron tersebut akan
mentransformasikan informasi yang diterima menuju neuron lainnya[24].
(Sumber : Shukla, Tiwari, & Kala, 2010)
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 :
(Sumber : Larose, 2005)
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.
Keuntungan penggunaan Neural Network :

1. Perangkat yang mampu untuk mengenali suatu objek secara non-linier.
2. Mempermudah pemetaan input menjadi suatu hasil tanpa mengetahui proses
sebenarnya.
3. Mampu melakukan pengadaptasian terhadap pengenalan suatu objek
4. Perangkat yang memiliki toleransi terhadap suatu kesalahan dalam
pengenalan suatu objek.
5. Neural Network mampu diimplementasikan pada suatu hardware atau
perangkat keras.
6. Perangkat yang mampu diimplementasikan secara paralel.
Secara umum, terdapat tiga jenis neural network yang sering digunakan
berdasarkan jenis network-nya, yaitu :
1. Single-Layer Neural Network

Neural network jenis ini memiliki koneksi pada inputnya secara langsung
ke jaringan output. Jenis neural network ini sangatlah terbatas, hanya digunakan
pada kasus-kasus yang sederhana.
2. Multilayer Perceptron Neural Network

Jenis neural network ini memiliki layer yang dinamakan “hidden”,
ditengah layer input dan output. Hidden ini bersifat variable, dapat digunakan
lebih dari satu hidden layer.
Multilayer Perceptron pada Neural Network memiliki bentuk sebagai berikut :

❑
y k ( x , w ) =σ ¿
dimana wkj, wji adalah parameter bobot; wk0, wj0 adalah parameter bias; h(.),
σ(.) adalah fungsi aktivasi. Secara sederhana NN adalah suatu fungsi nonlinear
dari suatu himpunan variabel input {xi} ke himpunan variabel output {yk} yang
dikontrol oleh parameter bobot dan bias (Hendri Murfi). Berikut ini adalah
representasi diagram : feed-forward Neural Network :

Tahap 1 :
D
(1) (1)
a j =∑ w x i +w
i =1 ji j0
- Tahap 2 :
z j =h(a j )
- Tahap 3 :
M
(2) (2)
a k =∑ w z j+ w
j=1 kj k0
- Tahap 4 :
y k =σ ( ak )
3. Recurrent Neural Networks

Neural Network jenis ini memiliki ciri, yaitu adanya koneksi umpan balik
dari output ke input. Kelemahan dari jenis ini adalah Time Delay akibat proses
umpan balik dari output ke titik input.
2.2.4.1.1 Proses Pembelajaran pada Neural Network

Proses pembelajaran merupakan suatu metoda untuk proses pengenalan
suatu objek yang sifatnya kontinuitas yang selalu direspon secara berbeda dari
setiap proses pembelajaran tersebut. Tujuan dari pembelajaran ini sebenarnya
untuk memperkecil tingkat suatu error dalam pengenalan suatu objek. Secara
mendasar, neural network memiliki sistem pembelajaran yang terdiri atas
beberapa jenis berikut :
1. Supervised Learning
Sistem pembelajaran pada metoda supervised learning adalah sistem
pembelajaran yang mana, setiap pengetahuan yang akan diberikan kepada sistem,
pada awalnya diberikan suatu acuan untuk memetakan suatu masukan menjadi
suatu keluaran yang diinginkan. Proses pembelajaran ini akan terus dilakukan
selama kondisi error atau kondisi yang diinginkan belum tercapai. Adapun setiap
perolehan error akan dikalkulasikan untuk setiap pemrosesan hingga data atau
nilai yang diinginkan telah tercapai.
2. Unsupervised Learning
Sistem pembelajaran pada neural network, yang mana sistem ini
memberikan sepenuhnya pada hasil komputasi dari setiap pemrosesan, sehingga
pada sistem ini tidak membutuhkan adanya acuan awal agar perolehan nilai dapat
dicapai. Meskipun secara mendasar, proses ini tetap mengkalkulasikan setiap
langkah pada setiap kesalahannya dengan mengkalkulasikan setiap nilai weight
yang didapat.
2.2.4.1.2 Jaringan Saraf Tiruan untuk Prediksi

Salah satu bidang dimana Jaringan Syaraf Tiruan dapat diaplikasikan
dengan baik adalah dalam bidang peramalan (forecasting). Peramalan yang sering
dilakukan adalah peramalan nilai tukar valuta asing, peramalan cuaca dan lain-
lain. Secara umum peramalan yang dapat dilakukan oleh Jaringan Syaraf Tiruan
adalah peramalan runtut waktu (time series) sebagai input dan target dari output
yang diinginkan pada proses pelatihan adalah data periode sebelum tahun yang
akan diramal, data tersebut digunakan untuk menentukan bobot yang optimal.
Setelah bobot optimal didapatkan dari proses pelatihan, bobot-bobot tersebut
digunakan untuk menentukan nilai peramalan jika sistem diuji oleh data yang
pernah masuk dalam sistem peramalan.
Salah satu peramalan adalah dengan metode urutan waktu (time series)
yang menggunkan data histori (data waktu lampau), misalnya data permintaan,
untuk membuat ramalan permintaan diwaktu yang akan mendatang. Tujuan dari
metode ini adalah untuk mengidentifikasi pola data histori dan kemudian
mengekstrapolasikan pola ini ke masa datang. Metode NN ini dilatih dengan
seperengkat data untuk bisa mengenal dan mengidentifikasi pola data atau kurva.
Proses pelatihan disebut tahap belajar (learning process) yang merupakan bagian
penting dalam metode ini. Pemilihan algoritma dan parameter yang bersesuaian
dan penentuan berapa banyak perangkat data yang dibutuhkan sangat penting
untuk menentukan akurasi dari peramlan yang dihasilkan.
2.2.4.1.3 Penerapan Metode Neural Network

Neural Network adalah suatu metode pembelajaran yang diinspirasi dari
jaringan sistem pembelajaran biologis yang terjadi dari jaringan syaraf (neuron)
yang terhubung satu dengan yang lainnya.
Langkah-langkah Algoritma Neural Network [26] :
Langkah ke-0 : Inisialisasi bobot;
Langkah ke-1 : Selama kondisi berhenti bernilai salah, kerjakan langkah 2-9;
Langkah ke-2 : Untuk setiap data training, lakukan langkah 3-8.
Feedforward
Langkah ke-3 : Setiap unit input (𝑋𝑖 , 𝑖 = 1, … , 𝑛) menerima sinyal input 𝑥𝑖 dan
menyebarkan sinyal tersebut ke seluruh unit tersembunyi.
Langkah ke-4 : Pada setiap unit tersembunyi (𝑍𝑗 , j = 1, … , 𝑝), menjumlahkan
sinyal-sinyal input yang sudah berbobot (termasuk biasnya)
……………………………………..………………………… (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 :
xt-5 xt-4 xt-3 xt-2 xt-1 xt

1654 1670 1702 1722 1732 1726
Terlebih dahulu akan dilakukan normalisasi data input dengan rumus :
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
Langkah 0= Inisialisasi bobot pada garis panah yang menghubungkan input

layer dengan hidden layer yaitu dengan memberi nilai secara acak pada range [-1,
1].
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:
Zin1 = 0.2 + (0.1*0.4) + (0.26*0.29) + (0.59*-0.47) + ( 0.8*-0.22) + (0.9*0.05)

= -0.09
Zin2 = 0.04 + (0.1*0.17) + (0.26*0.21) + (0.59*0.36) + (0.8*0.25) + (0.9*0.1)
= 0.62
Kemudian terapkan fungsi aktivasi untuk masing-masing neuron 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 :
Yin = 0.32 + (0.48*019) + (0.65*0.5)

= 0.74
Kemudian terapkan fungsi aktivasi untuk masing-masing neuron 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
𝛿1= 0.006764*0.48*(1 – 0.48)

= 0.001687
𝛿2 = 0.0176*0.65*(1 – 0.65)
= 0.004054
Kemudian menghitung koreksi bobot dan bias pada input layer ke hidden layer
dengan rumus :
ΔV11= 0.1*0.001687*0.1 = 0.00001687

ΔV12= 0.1*0.004054*0.1 = 0.00004054
ΔV21= 0.1*0.001687*0.26 = 0.00004456
ΔV22= 0.1*0.004054*0.26 = 0.00010708
ΔV31= 0.1*0.001687*0.59 = 0.00009995
ΔV32= 0.1*0.004054*0.59 = 0.00024014
ΔV41= 0.1*0.001687*0.8 = 0.00013456
ΔV42= 0.1*0.004054*0.8 = 0.00032331
ΔV51= 0.1*0.001687*0.9 = 0.00015187
ΔV52 = 0.1*0.004054*0.9 = 0.00036489
ΔV01 = 0.1*0.001687 = 0.0001687

ΔV02 = 0.1*0.004054 = 0.0004054
Langkah 5 = Memperbaiki bobot dan bias dari setiap unit hidden layer demikian
pula untuk unit input 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
V01= 0.2 + 0.0001687 = 0.2001687
V02= 0.04 + 0.0004054 = 0.0404054
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-5 xt-4 xt-3 xt-2 xt-1 xt

27154 27433 27445 27816 28314 27654
26893 27154 27433 27445 27816 28314
24837 26893 27154 27433 27445 27816
25230 24837 26893 27154 27433 27445
24510 25230 24837 26893 27154 27433
25226 24510 25230 24837 26893 27154
25709 25226 24510 25230 24837 26893
25441 25709 25226 24510 25230 24837
26042 25441 25709 25226 24510 25230
25919 26042 25441 25709 25226 24510
Hasil dari proses tersebut akan menghasil xt-prediksi yaitu :

xt-prediksi
27448
27164
26914
26928
26750
26732
24886
25355
24548
25218
Selanjutnya hasil xt-prediksi tersebut akan di olah untuk mendapatkan rmse
dengan rumus :
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)
1.11. Pengembangan Sistem

Pengembangan sistem dapat berarti menyusun suatu sistem yang baru
untuk menggantikan sistem yang lama secara keseluruhan atau memperbaiki
sistem yang telah ada.
Perlunya Pengembangan Sistem :
1. Adanya permasalahan (problem) yang timbul pada sistem yang lama.
Permasalahan yang timbul dapat berupa ketidakberesan dan pertumbuhan
organisasi.
2. Untuk meraih kesempatan (opportunities), teknologi informasi telah
berkembang dengan cepatnya.
3. Adanya instruksi-instruksi (directives)
Adapun prinsip pengembangan sistem yaitu :
1. Sistem yang dikembangkan adalah untuk manajemen
2. Sistem yang dikembangkan adalah investasi modal yang besar. Investasi
modal harus mempertimbangkan 2 hal yaitu semua alternatif yang ada harus
diinvestigasi dan investasi yang terbaik harus bernilai.
3. Sistem yang dikembangkan memerlukan orang yang terdidik tahapan kerja
dan tugas yang harus dilakukan dalam proses pengembangan sistem
4. Proses pengembangan sistem tidak harus urut
5. Jangan takut membatalkan proyek
6. Dokumentasi harus ada untuk pedoman dalam pengembangan system
Tahapan utama siklus hidup Pengembangan Sistem terdiri dari :
1. Perencanaan Sistem ( Systems Planning)
2. Analisis Sistem (System Analysis)
3. Perancangan Sistem (Systems Design) Secara Umum
4. Seleksi Sistem (System Selection)
5. Perancangan Sistem (Systems Design) Secara Umum
6. Implementasi dan Pemeliharaan Sistem (System Implementation &
Maintenance)
Berorientasi objek adalah mengorganisasi perangkat lunak sebagai
kumpulan dari objek tertentu yang memiliki struktur data dan perilakunya.
Alasan perlu adanya pengembangan sistem karena adanya permasalahan-
permasalahan yang timbul dari sistem yamg lama. Permasalahan yang timbul bisa
berupa : ketidakberesan sistem yang lama, pertumbuhan organisasi untuk meraih
kesempatan, adanya instruksi dari pemerintah atau adanya peraturan pemerintah.
1.12. Perencanaan Sistem

Perencanaan sistem menyangkut estimasi dari kebutuhan-kebutuhan fisik,
tenaga kerja dan dana yang dibutuhkan untuk mendukung pengembangan sistem
ini serta untuk mendukung operasinya setelah diterapkan.
Selama fase perencanaan sistem, hal yang perlu dipertimbangkan adalah :
1. Faktor-faktor kelayakan (Feasibility Factors) yang berkaitan dengan
kemungkinan berhasilnya sistem informasi yang dikembangkan dan
digunakan.
2. Faktor-faktor strategis (Strategic Factors) yang berkaitan dengan pendukung
sistem informasi dari sasaran bisnis dipertimbangkan untuk setiap proyek
yang diusulkan. Nilai-nilai yang dihasilkan dievaluasi untuk menentukan
proyek sistem mana yang akan menerima prioritas yang tertinggi.
Perencanaan sistem dapat terdiri :
1. Perencanaan jangka pendek meliputi periode 1 s.d. 2 tahun
2. Perencanaan jangka panjang meliputi periode sampai dengan 5 tahun
Perencanaan sistem biasanya ditanggani oleh staf perencanaan sistem bila tidak
ada dapat juga dilakukan oleh departemen sistem.
Proses Perencanaan Sistem dapat dikelompokkan dalam 3 proses utama
yaitu sebagai berikut :
1. Merencanakan proyek-proyek sistem yang dilakukan oleh staf perencana
sistem.
2. Menentukan proyek-proyek sistem yang akan dikembangkan dan dilakukan
oleh komite pengarah.
3. Mendefinisikan proyek-proyek sistem dikembangkan dan dilakukan oleh
analis sistem.
Adapun tahapan dari proses perencanaan sistem untuk ketiga bagian ini adalah :
1. Merencanakan proyek-proyek sistem
- Mengkaji tujuan,perencanaan strategi dan taktik perusahaan
- Mengidentifikasikan proyek-proyek sistem
- Menetapkan sasaran proyek-proyek sistem
- Menetapkan kendala proyak-proyek sistem
- Menentukan proyek-proyek sistem prioritas
- Membuat laporan perencanaan sistem
- Meminta persetujuan manajemen
2. Mempersiapkan proyek-proyek sistem yang akan dikembangkan
- Menunjuk team analis
- Mengumumkan proyek pengembangan sistem
3. Mendefinisikan proyek-proyek dikembangkan
- Melakukan studi kelayakan
- Menilai kelayakan proyek sistem
- Membuat usulan proyek system dan Meminta persetujuan manajemen.
1.13. Analisis Sistem

Analisa sistem (System Analisa ) dapat didefinisikan sebagai penguraian
dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya
dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan-
permasalahan, hambatan-hambatan yang terjadi dan kebutuhan-kebutuhan yang
diharapkan sehingga dapat diusulkan perbaikan-perbaikannya.
Analisa sistem adalah spesialis yang mempelanjari masalah dan kebutuhan
sebuah organisasi untuk menentukan bagaimana orang, data, proses dan teknologi
informasi dapat mencapai kemajuan terbaik untuk bisnis. Tujuan dari analisis
sistem adalah menentukan hal-hal secara detail yang akan dikerjakan oleh sistem
yang disusulkan.
Dalam menganalisa sistem pendukung keputusan akan dilakukan langkah-
langkah pembuatan model, yaitu :
1. Proses studi kelayakan yang terdiri dari penentuan sasaran, pencarian
prosedur, pengumpulan data, identifikasi masalah, identifkasi kepemilikan
masalah, hingga akhirnya terbentuk sebuah pernyataan masalah.
2. Proses perancangan model. Dalam tahapan ini akan diformulasikan model
yang akan digunakan serta kriteria-kriteria yang ditentukan. Setelah itu, dicari
alternatif model yang bisa menyelesaikan permasalahan tersebut. Langkah
selanjutnya adalah memprediksi keluaran yang mungkin. Berikutnya,
tentukan variabel-variabel model. Setelah beberapa alternatif model
diberikan, pada tahap ini akan ditentukan satu model yang akan digunakan
dalam sistem pendukung keputusan yang akan dibangun.
Di dalam tahap analisis sistem terdapat langkah-langkah dasar yang harus
dilakukan oleh analisis system, yaitu sebagai berikut:
a. Identify, mengidentifikasi (mengenal) masalah merupakan langkah pertama
yang dilakukan dalam tahap analisis sistem. Masalah dapat didefinisikan
sebagai suatu pertanyaan yang diinginkan untuk dipecahkan. Tahap
identifikasi masalah sangat penting karena akan menentukan keberhasilan
pada langkah-langkah selanjutnya.
b. Understand, adalah memahami kerja dari sistem yang ada. Langkah ini dapat
dilakukan dengan mempelajari secara terinci bagaimana sistem yang ada
beroperasi. Untuk mempelajari operasi dari sistem ini diperlukan data yang
dapat diperoleh dengan cara melakukan penelitian.
c. Analyze, menganalisis sistem tanpa report.
d. Report, yaitu membuat laporan hasil analisis. Tujuan utama dari pembuatan
laporan hasil analisis yaitu pelaporan bahwa analisis telah selesai dilakukan.
Sebagai tambahan keahlian analisis dan desain sistem formal, seorang
analis harus mengembangkan atau memilki keahlian lain, pengetahuan, dan
karakter untuk menyelesaikan pekerjaan. Hal ini termasuk:
1. Pengalaman dan keahlian pemrograman komputer.
2. Sulit untuk membayangkan bagaimana para analisis sistem dapat dengan
cukup mempersiapkan bisnis dan spesifikasi teknis untuk programer jika
mereka tidak memilki pengalaman programan. Kebanyakan analis system
harus menguasai satu atau lebih bahasa pemrograman tingkat tinggi.
3. Pengetahuan umum proses dan teknologi bisnis. Analisis sistem harus mampu
berkomunikasi dengan para ahli bisnis untuk memperoleh pemahaman
masalah dan kebutuhan mereka. Untuk analisis, paling tidak sebagian dari
pengetahuan ini datang hanya dari pengalaman. Pada saat yang sama analis
yang terinspirasi harus mengambil manfaat dari setiap kesempatan untuk
menyelesaikan mata kuliah teori bisnis dasar.
Tahap analisis merupakan tahap yang kritis dan sangat penting, karena
kesalahan didalam tahap ini akan meyebabkan juga kesalahan ditahap selanjutnya.
Tahap analisa sistem mencakup studi kelayakan analisis kebutuhan.
a. Studi Kelayakan
Studi kelayakan digunakan untuk menentukan kemungkinan keberhasilan
solusi yang diusulkan. Tahapan berguna untuk memastikan bahwa solusi yang
diusulkan tersebut benar-benar dapat dicapai dengan sumber daya dan dengan
memperhatikan kendala yang terdapat pada perusahan serta dampak terhadap
lingkungan sekeliling. Tugas-tugas yang tercakup dalam studi kelayakan meliputi:
1. Penentuan masalah dan peluang yang dituju sistem.
2. Pembentukan sasaran sistem baru secara keseluruhan.
3. Pengidentifikasian para pemakai sistem.
4. Pembentukan lingkup sistem.
Selain itu, selama dalam tahapan studi kelayakan sistem analisis juga
melakukan tugas-tugas sebagai berikut :
1. Pengusulan perangkat lunak dan perangkat keras untuk sistem baru.
2. Pembuatan analisis untuk membuat atau membeli aplikasi.
3. Pembuatan analisis biaya/manfaat.
4. Pengkajian terhadap resiko proyek.
Studi kelayakan diukur dengan memperhatikan aspek teknologi, ekonomi,
faktor organisasi dan kendala hukum, etika, dan yang lain [23].
b. Analisis kebutuhan
Analisis kebutuhan dilakukan untuk menghasilkan spesifikasi kebutuhan
(disebut juga spesifikasi fungsional). Spesifikasi kebutuhan adalah spesifikasi
yang rinci tengtang hal-hal yang akan dilakukan sistem ketika diimplementasikan.
Spesifikasi ini sekaligus dipakai untuk membuat kesepakatan antara pengembang
sistem, pemakai yang kelak akan menggunakan sistem, manajemen, dan mitra
kerja yang lain (misalnya auditor internal).
1.14. Desain Sistem
Desain sistem dapat didefinisikan sebagai penggambaran, perencanaan dan
pembuatan sketsa atau pengaturan dari beberapa elemen yang terpisah kedalam
satu kesatuan yang utuh dan berfungsi [28].
Desain sistem menentukkan bagaimana suatu sistem akan menyelesaikan
apa yang mesti diselesaikan: tahap ini menyangkut mengkonfigurasi dari
komponen-komponen perangkat lunak dan perangkat keras dari suatu sistem
sehingga setelah instalasi sistem akan benar-benar memuasakan rancang bangun
yang telah ditetapkan pada akhir tahap analisis sistem [28].
Dengan demikin desain sistem dapat diartikan sebagai berikut ini :
- Tahap setelah analisis dari siklus pengembangan sistem.
- Pendefinisian dari kebutuhan-kebutuhan sistem.
- Persiapan untuk rancang bangun implementasi.
- Menggambarkan bagaimana suatu sistem dibentuk.
- Dapat berupa penggambaran, perencanaan dan pembuatan sketsa atau
pengaturan dari beberapa elemen yang terpisah kedalam satu kesatuan yang
utuh dan berfungsi.
- Termasuk menyangkut mengkonfigurasi dari komponen-komponen perangkat
lunak dan perangkat keras dari suatu sistem.
Desain sistem mempunyai tujuan utama, yaitu untuk memenuhi kebutuhan
kepada pemakai sistem dan untuk memberikan gambaran yang jelas dan rancang
bangun yang lengkap kepada pemrogram komputer (Programmer) dan user yang
terlibat.
Desain sistem dibagi dalam dua bagian, yaitu desain sistem secara umum
(general system design) dan desain sistem terinci (detailed system design) [28].
1. Desain Sistem Secara Umum (General System Design)
Pada tahap desain secara umum, komponen-komponen sistem informasi
yang dirancang dengan tujuan dikomunikasikan kepada user bukan untuk
pemrograman. Komponen sistem informasi yang didesain adalah mode, output,
input, database, teknologi dan kontrol.
a. Desain Model Secara Umum
Analisis sistem dapat mendesain model dari sistem informasi yang
diusulkan dalam bentuk physical sistem dan logical model. Bagan alir sistem
merupakan alat yang tepat digunakan untuk menggambarkan physical system.
logical model dapat digambarkan dengan diagram arus data.
1.15. Konstruksi Sistem

Konstruksi sistem atau Perancangan Sistem adalah penentuan proses dan
data yang diperlukan oleh sistem baru. Tujuan dari perancangan sistem adalah
untuk memenuhi kebutuhan pemakai sistem serta untuk memberikan gambaran
yang jelas dan rancang bangun yang lengkap. Perancangan sistem mengandung
dua pengertian yaitu merancang sistem yang baru dan memperbaiki rancangan
sistem yang sudah ada.
Langkah-langkah yang dilakukan dalam tahap perancangan sistem yaitu :
1. Menyiapkan rancangan sistem yang terinci
2. Mengidentifikasi berbagai alternatif konfigurasi sistem
3. Mengevaluasi berbagai alternatif konfigurasi sistem
4. Memilih konfigurasi terbaik
5. Menyiapkan usulan penerapan - Menyetujui atau menolak penerapan sistem
Pada tahap konstruksi di penelitian ini, penulis menggunakan UML
(Unified Modeling Languange) sebagai alat bantu. Unified Modeling Languange
(UML) adalah sekumpulan set standar konstruksi model dan notasi yang
dikembangkan untuk pengembangan berorientasi obyek. Berbagai diagram khusus
dapat dipahami dan digambarkan oleh analis dan pengguna akhir yang digunakan
dalam proyek pengembangan sistem dengan menggunakan Unified Modeling
Language.
Berikut merupakan model-model komponen sistem yang menggunakan
Unified Modeling Language antara lain:
1. Use Case Diagram
Use case diagram adalah diagram yang digunakan untuk menunjukkan
berbagai peran pengguna dpan bagaimana peran mereka menggunakan sistem.
Tujuan dari use case diagram adalah untuk mengidentifikasi "kegunaan" atau
menggunakan kasus pada sistem baru. Dengan kata lain, untuk mengidentifikasi
bagaimana sistem akan digunakan.
SIMBOL KETERANGAN
Actor
Menspesifikasikan himpunan peran yang pengguna
mainkan ketika berinteraksi dengan use case.
Hubungan dimana perubahan yang terjadi pada suatu

Depedency elemen mandiri (independent) akan mempengaruhi
------------- elemen yang bergantung padanya elemen yang tidak
mandiri.
Hubungan dimana objek anak (descendent) berbagi

perilaku dan struktur data dari objek yang ada di
Generalization atasnya objek induk (ancestor).
Include Menspesifikasikan bahwa use case sumber secara

------------- eksplisit.
Extend Menspesifikasikan bahwa use case target

memperluas perilaku dari use case sumber pada
suatu titik yang diberikan.
Association Apa yang menghubungkan antara objek satu dengan
objek lainnya.
System Menspesifikasikan paket yang menampilkan sistem

secara terbatas.
Use Case Deskripsi dari urutan aksi – aksi yang ditampilkan

sistem yang menghasilkan suatu hasil yang terukur
bagi suatu actor.
Collaboration Interaksi aturan – aturan dan elemen lain yang

bekerja sama untuk menyediakan perilaku yang
lebih besar dari jumlah dan elemen – elemennya
(sinergi).
Note
Elemen fisik yang eksis saat aplikasi dijalankan dan
mencerminkan suatu sumber daya komputasi.
( Sumber : https://www.coursehero.com )
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
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.
Aktivitas Aktivitas yang dilakukan sistem, aktivitas

biasanya diawali dengan kata kerja.
Percabangan/Decision Asosiasi penggabungan dimana jika ada pilihan

aktivitas lebih dari satu.
Penggabungan/Join Asosiasi penggabungan dimana lebih dari satu

aktivitas digabungkan menjadi satu.
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.
Fork Digunakan untuk menunjukan kegiatan yang

dilakukan secara paralel.
Join Digunakan untuk menunjukkan kegiatan yang

digabungkan.
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.
Message Spesifikasi dari komunikasi antar objek yang memuat

informasi-informasi tentang aktifitas yang terjadi.
Message Spesifikasi dari komunikasi antar objek yang memuat

informasi-informasi tentang aktifitas yang terjadi.
Unified Process Development Disciplines memiliki enam tahap utama

yaitu:
1. Business Modeling
Tahap dimana model bisnis dibuat dengan tujuan untuk memahami dan
mengkomunikasikan lingkungan bisnis dimana sistem dapat dikembangkan.
Analisa masalah yang terjadi dan penyelesaian masalah tersebut dengan sistem
yang baru. Ada 3 kegiatan utama dalam bisnis modeling yaitu: memahami
lingkungan bisnis, membuat visi sistem, membuat bisnis model. Memahami
lingkungan bisnis sangat penting untuk mengetahui kebutuhan-kebutuhan yang
diperlukan dalam memahami masalah yang terjadi dan akan mempengaruhi
terhadap pembuatan sistem baru. Visi sistem adalah sistem yang akan jadi ke
depannya seperti apa dan cara penggunaannya apakah berguna dan dapat
menyelesaikan masalah yang terjadi atau tidak. Bisnis modeling merupakan suatu
gambar perencanaan dari kegiatan bisnis-bisnis baik dari lingkungannya dan
masalah-masalah yang terjadi digambarkan dan menjadi suatu perencanaan yang
baik untuk melihat kedepannya dengan sistem baru.
2. Requirements
Tahap dimana suatu objective yang bertujuan untuk memahami dan
mendokumentasikan kebutuhan yang diperlukan di dalam bisnis dan proses
pemenuhannya untuk sistem baru. Kegiatannya adalah : mendapatkan informasi
secara detail, mendefinisikan kebutuhan fungsional, mendefinisikank kebutuhan
nonfungsional, mengutamakan kebutuhan yang utama, mengembangkan dialog
user interface, mengevaluasi kebutuhan tersebut dengan user.
3. Design
Tahap dimana perancangan akan sistem tersebut dirancang dan
digambarkan sebagai suatu solusi dari masalah yang dihadapin berdasarkan
kebutuhan-kebutuhan yang didapat dari user. Enam kegiatan utama desain adalah:
desain layanan dukungan arsitektur dan pengembangan lingkungannya, desain
software arsitektur, desain hubungan antar case, desain database, desain sistem
dan user interface, desain sistem keamanan dan pengendalian.
4. Implementation
Tahap dimana komponen-komponen sistem tersebut dibuat, dibangun dan
diperoleh. Kegiatan utamanya adalah membangun komponen software,
memperoleh komponen software, mengintegrasi komponen software.
5. Testing
Tahap dimana pengakuan dan pengujian akan pengembangan sistem
tersebut. Apakah layak dan sesuai dengan yang diharapkan atau tidak. Kegiatan
utamanya adalah mendefinisikan dan melakukan unit testing, integrasi testing,
kegunaan testing, penerimaan pengguna testing.
6. Deployment
Tahap dimana pengembangan akan kegiatan yang diperlukan untuk
membuat sistem operasi. Kegiatan utamanya adalah memperoleh hardware dan
sistem software, package dan instal komponen, melatih pengguna, mengkonversi
dan menginisialisasi data.
Unified Process juga memiliki tiga tahap tambahan dukungan sebagai
perencanaan dan pengendalian project yaitu:
1. Configuration and Change Management
Tahap dimana kemajuan dari project tersebut telah dibuat dan banyak
perubahan yang terjadi di kebutuhan, desain, sumber code, dan executables.
Kegiatan utamanya adalah mengembangakn peubahan prosedur control dan
mengatur model dan komponen software.
2. Project Management
Tahap dimana enam tahap utama disiplin dihubungkan secara langsung ke
perkembangan proses. Kegiatan utamanya adalah : menyelesaikan sistem dan
lingkup project, mengembangkan project dan perulangan jadwal, mengidentifikasi
resiko project dan kemungkinan tentang penegasan project tersebut, mengawasi
dan mengendalikan rencana project, jadwal, internal dan eksternal komunikasi dan
resiko juga pemahaman masalah.
3. Environment
Tahap dimana melibatkan pengaturan lingkungan pengembangan yang
digunakan oleh project team. Kegiatan utamanya adalah memilih dan melakukan
konfigurasi tools pengembangan, menyesuaikan proses pengembangan UP, serta
memberikan dukungan layanan teknis.
1.16. Pengujian Sistem

Pengujian sistem adalah elemen kritis dari jaminan kualitas perangkat
lunak dan mempresentasikan kajian pokok dari spesifikasi, desain dan
pengkodean. Tujuan dari pengujian ini adalah diharapkan dengan minimal tenaga
dan waktu untuk menemukan berbagai potensi kesalahan dan cacat. Pengujian
yang dilakukan pada penelitian ini yaitu pengujian white box, pengujian black
box.
2.2.11.1 White Box Testing

White box testing adalah metode desain test case yang menggunakan
struktur kontrol desain procedural untuk mendapatkan test case. Dengan
menggunakan metode white box analisis sistem akan dapat memperoleh test case
yang meliputi :
a. Menjamin seluruh independent path di dalam modul yang di kerjakan
sekurang kurangnya sekali.
b. Mengerjakan seluruh keputusan logical.
c. Mengerjakan seluruh loop sesuai dengan batasannya.
d. Mengerjakan seruruh struktur data internal untuk menjamin validitas.
Untuk melakukan pengujian Test Case terlebih dahulu dilakukan
penerjemahan Flowchart kedalam notasi Flowgraph.
(Sumber : Mohanad R. Seyedi, 2018)
Bagan alir digunakan untuk menggambarkan struktur kontrol program dan

untuk menggambarkan grafik alir, harus memperhatikan representasi desain
prosedural pada bagan alir. Pada gambar dibawah ini, grafik alir memetakan
bagan alir tersebut ke dalam grafik alir yang sesuai (dengan mengasumsikan
bahwa tidak ada kondisi senyawa yang diisikan di dalam diamond keputusan dari
bagan alir tersebut). Masing-masing lingkaran, yang disebut simpul grafik alir,
merepresentasikan satu atau lebih statemen prosedural. Urutan kotak proses dan
permata keputusan dapat memetakan simpul tunggal. Anak panah tersebut yang
disebut edges atau links, merepresentasikan aliran kontrol dan analog dengan anak
panah bagan alir. Edge harus berhenti pada suatu simpul, meskipun bila simpul
tersebut tidak merepresentasikan statemen prosedural [29].
(Sumber : Mohanad R. Seyedi, 2018)
Kompleksitas siklomatis adalah metriks perangkat lunak yang

memberikan pengukuran kuantitatif terhadap kompleksitas logis suatu
program. Bila metriks ini digunakan dalam konteks metode pengujian basis path,
maka nilai yang terhitung untuk kompleksitas siklomatis menentukan jumlah
jalur independen. Jalur independen adalah jalur yang melalui program yang
mengintroduksi sedikitnya satu rangkaian statemen proses baru atau suatu
kondisi baru. Bila dinyatakan dengan terminologi grafik alir, jalur independen
harus bergerak sepanjang paling tidak satu edge yang tidak dilewatkan sebelum
jalur tersebut ditentukan. Sebagai contoh, serangkaian jalur independen untuk
grafik alir yang ditunjukkan pada gambar 2.11. adalah :
Jalur 1 : 1 – 11
Jalur 2 : 1 – 2 – 3 – 4 – 5 – 10 – 1 – 11
Jalur 3 : 1 – 2 – 3 – 6 – 8 – 9 – 10 – 1 – 11
Jalur 4 : 1 – 2 – 3 – 6 – 7 – 9 – 10 – 1 – 11
Jalur 1, 2, 3, dan 4 yang ditentukan di atas terdiri dari sebuah basis set untuk
grafik alir pada gambar 2.9. Bagaimana kita tahu banyaknya jalur yang dicari?
Komputasi kompleksitas siklomatis memberikan jawaban. Fondasi kompleksitas
siklomatis adalah teori grafik, dan memberi kita metriks perangkat lunak yang
sangat berguna. Kompleksitas dihitung dalam salah satu dari tiga cara berikut :
1. Jumlah region grafik alir sesuai dengan kompleksitas siklomatis.
2. Kompleksitas siklomatis, V(G), untuk grafik alir G ditentukan sebagai
V(G) = E – N + 2
Dimana :
E adalah jumlah edge grafik alir
N adalah jumlah simpul grafik alir.
3. Kompleksitas siklomatis, V(G), untuk grafik alir G juga ditentukan sebagai
4. V(G) = P + 1
Dimana :
P = jumlah simpul predikat yang diisikan dalam grafik alir G.
Pada gambar grafik alir di atas, kompleksitas siklomatis dapat dihitung dengan
menggunakan masing-masing dari algoritma yang ditulis di atas :
1. Grafik alir mempunyai 4 region.
2. V(G) = 11 edge – 9 simpul + 2 = 4.
3. V(G) = 3 simpul yang diperkirakan + 1 =4.
Dengan demikian, kompleksitas siklomatis dari grafik alir pada gambar 2.9.
adalah 4. Yang lebih penting, nilai untuk V(G) memberi kita batas atas untuk
jumlah jalur independen yang membentuk basis set, dan implikasinya.
2.2.11.2 Black Box Testing

Black box approach adalah suatu sistem dimana input dan output-nya
Dapat didefinisikan tetapi prosesnya tidak diketahui atau tidak terdefinisi. Metode
ini hanya dapat dimengerti oleh pihak dalam (yang menangani sedangkan pihak
luar hanya mengetahui masukan dan hasilnya). Sistem ini terdapat pada subsistem
tingkat terendah.
Metode uji coba black box memfokuskan pada keperluan fungsional dari
software. Karena itu uji coba black box memungkinkan pengembang software
untuk membuat himpunan kondisi input yang akan melatih seluruh syarat-syarat
fungsional suatu program. Uji coba black box bukan merupakan alternatif dari uji
coba white box, tetapi merupakan pendekatan yang melengkapi untuk menemukan
kesalahan lainnya, selain menggunakan metode white box.
Uji coba black box berusaha untuk menemukan kesalahan dalam beberapa
kategori, diantaranya :
1. Fungsi-fungsi yang salah atau hilang
2. Kesalahan interface
3. Kesalahan dalam struktur data atau akses database eksternal
4. Kesalahan performa
5. Kesalahan inisialisasi dan terminasi
Uji coba didesain untuk dapat menjawab pertanyaan-pertanyaan berikut :
1. Bagaimana validitas fungsionalnya diuji ?
2. Jenis input seperti apa yang akan menghasilkan kasus uji yang baik ?
3. Apakah sistem secara khusus sensitif terhadap nilai input tertentu ?
4. Bagaimana batasan-batasan kelas data diisolasi ?
5. Berapa rasio data dan jumlah data yang dapat ditoleransi oleh sistem ?
6. Apa akibat yang akan timbul dari kombinasi spesifik data pada operasi
sistem?
Dengan mengaplikasikan uji coba black box, diharapkan dapat
menghasilkan sekumpulan kasus uji yang memenuhi kriteria berikut :
1. Kasus uji yang berkurang, jika jumlahnya lebih dari 1, maka jumlah dari uji
kasus tambahan harus didesain untuk mencapai ujicoba yang cukup
beralasan.
2. Kasus uji yang memberitahukan sesuatu tentang keberadaan atau tidaknya
suatu jenis kesalahan, dari pada kesalahan yang terhubung hanya dengan
suatu ujicoba yang spesifik.
2.3 Kerangka Pikir
BAB III METODE PENELITIAN
3.1 Jenis, Metode, Subjek, Waktu dan Lokasi Penelitian

Dipandang dari tingkat penerapan maka, penelitian ini merupakan
penelitian terapan. Dipandang dari jenis informasi yang diolah maka, penelitian
ini merupakan penelitian kuantitatif.
Penelitian ini menggunakan metode penelitian studi kasus. Dengan
demikian jenis penelitian ini adalah penelitian deskriptif.
Berdasarkan latar belakang dan kerangka pemikiran seperti yang telah
diuraikan diatas maka yang menjadi objek penelitian adalah Penerapan Algoritma
Multilayer Perceptron untuk Memprediksi Persediaan Barang Rumah Tangga.
Penelitian ini dimulai dari 09 April 2018 s/d Maret 2019 yang berlokasi di Toko
Super Kitchen and Furniture Gorontalo.
3.2 Pengumpulan Data

Data primer pada penelitian ini adalah data masuk barang rumah tangga
dari Januari 2015 s/d Desember 2018 yang dikumpulkan menggunakan teknik
dokumentasi dan observasi sedangkan data sekunder dikumpulkan menggunakan
teknik dokumentasi. Adapun variabel atau atribut dengan tipe datanya masing-
masing pada tabel berikut:
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
1.18. 3.4 Model yang Diusulkan
Gambar 3. 1 Gambar Model Yang Diusulkan

1.19. 3.5 Pra Pengolahan Data
Sebelum data diolah terlebih dahulu dilakukan normalisasi dan pembagian
data berdasarkan nama barang, merek, tipe dan waktu karena data yang
didapatkan terlalu bertumpuk maka digunakan alat bantu adalah tools microsoft
excel dan langkah-langkah pokok dalam prediksi menggunakan algoritma
Multilayer Percepreon.
1.20. 3.6 Validasi

Validasi dilakukan untuk membagi data traning dan data testing. Teknik
yang digunakan pada tahap ini menggunakan Ms Excel.
1.21. 3.7 Pengembangan Model

Prosedur atau langkah-langkah pokok dalam prediksi menggunakan
algoritma Multilayer Perceptron untuk memprediksi persediaan barang rumah
tangga menggunakan alat bantu Phyton dan MySQL
1.22. 3.8 Evaluasi Model

Model yang telah dihasilkan kemudian dievaluasi dengan menggunakan
Root Mean Squared Error (RMSE) untuk mengukur tingkat akurasi dan untuk
menyatakan ukuran besarnya kesalahan yang dihasilkan oleh suatu model
prakiraan. Jika nilai RMSE semakin kecil maka estimasi model atau variabel
tersebut semakin valid.
1.23. 3.9 Pengembangan Sistem
Sistem yang diusulkan dapat digambarkan menggunakan flowchart berikut
ini :
OPERATOR PEMILIK
Data Prediksi
Laporan
Input Data Persediaan Barang
Prediksi Rumah Tangga
Pemrosesan Algoritma
Multilayer Perceptron
Hasil Prediksi N
Save Hasil
Prediksi
Gambar 3. 2 Gambar Sistem Yang Diusulan
1.24. 3.10 Analisa Sistem

Analisis sistem menggunakan pendekatan berorientasi objek yang
digambarkan dalam bentuk :
a). Function Modelling, menggunakan alat bantu UML, dalam bentuk :
- use case
- Actifity Diagram
b). Structural Modelling, menggunakan alat bantu UML, dalam bentuk :
- Class Diagram
c). Behavioral Modelling, menggunakakn alat bantu UML, dalam bentuk :
- Sequense Diagram
Pada tahap ini analisis sistem yang diusulkan dalam memprediksi
persediaan barang rumah tangga yakni terdiri dari :
1. Entry Data : - Nama Barang
- Merek
- Waktu
- Stok Gudang
- Jumlah Terjual
2. Proses Prediksi
3. Laporan : - Pengadaan
1.25. 3.11 Desain Sistem

Desain sistem menggunakan pendekatan berorientasi objek yang
digambarkan dalam bentuk :
a). Architecture Design, menggunakan alat bantu UML, dalam bentuk :
- model jaringan dari sistemadalah stand alone
- spesifikasi hardwere dan software yang direkomendasikan adalah:
1. Sistem Operasi : Windows 7
2. Prosesor Dengan Kecepatan Minimal 1,80GHz
3. Memori :1 GB
4. Harddisk free space 3GB
5. RAM : 2 GB
b). Interface design, menggunakan alat bantu UML, dalam bentuk :
- mekanisme user
- mekanisme navigasi
- mekanisme input(form)
- mekanisme output(report)
c). Data design, menggunakan alat bantu UML, dalam bentuk
- format data yang digunakan [file,SQL]
- struktur data
- database diagram
d). Progres design, menggunakan alat bantu UML, dalam bentuk
- Class
- Attribut
- Methods
- Event
1.26. 3.12 Konstruksi Sistem

Pada tahap ini menerjemahkan hasil pada tahap analisis dan desain
kedalam kode-kode program komputer kemudian membangun sistemnya. Alat
bantu yang digunakan pada tahap ini adalah Phyton dan MySQL.
1.27. 3.13 Pengujian Sistem

Setelah dilakukan tahap analisa, desain dan produksi sistem, maka kita
melakukan tahap pengujian, dimana seluruh perangkat lunak, program tambahan
dan semua program yang terlibat dalam pembangunan sistem diuji untuk
memastikan sistem dapat berjalan dengan semestinya. Testing difokuskan pada
logika internal, fungsi eksternal dan mencari segala kemungkinan kesalahan dari
sistem yang dibuat. Pada tahap ini dilakukan review dan evaluasi terhadap sistem
yang dikembangkan, apakah sudah sesuai dengan rancangan atau belum. Jika
terjadi hal-hal yang tidak sesuai dengan yang diharapkan, kemudian dilakukan
revisi atau perbaikan supaya produk tersebut dapat dioperasikan dengan baik dan
siap untuk diimplementasikan.
1.28. 3.13.1 Pengujian White Box

Software yang sudah direkayasa kemudian diuji dengan metode white box
testing pada kode program proses penerapan metodenya/modelnya. Kode program
tersebut dibuatkan flowchart programnya, kemudian dipetakan kedalam bentuk
flowgraph (bagan alir kontrol) yang tersusun dari beberapa node dan edge.
Berdasarkan flowgraph, ditentukan jumlah region dan Cyclomatic Complexity
(CC). Apabila Independent Path = V(G)=(CC) = Region, di mana setiap Path
hanya dieksekusi sekali dan sudah benar, maka sistem dinyatakan efisien dari
segi kelayakan logika pemrograman.
1.29. 3.12.1 Pengujian Black Box

Pengujian Black Box melalui program Phyton dan Database MySQL.
Selanjutnya software diuji pula dengan metode black box testing yang fokus pada
keperluan fungsional dari software dan berusaha untuk menemukan kesalahan
dalam beberapa kategori, diantaranya : (1) Fungsi-fungsi yang salah atau hilang;
(2) kesalahan interface; (3) kesalahan dala struktur data atau akses basis data
ekseternal; (4) kesalahan performa; (5) kesalahan inisialisasi dan terminasi. Jika
sudah tidak ada kesalahan-kesalahan tersebut, maka sistem dinyatakan efisien dari
segi kesalahan komponen-komponen sistem.
1.30. 3.14 Implementasi

Penerapan instalasi dari program yang telah dibangun ini, nantinya akan
diterapkan di Toko Super Kitchen and Furniture Gorontalo.
BAB IV HASIL PENELITIAN
1.31. 4.1 Hasil Pengumpulan Data

Berikut ini adalah hasil pengumpulan data yang berada di toko Super
Kitchen and Furniture Gorontalo yang dikumpulkan menggunakan teknik
dokumentasi dan observasi dari bulan Januari 2017 s/d Oktober 2018 :
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
1.33. 4.2.1 Arsitektur Jaringan Algoritma Multi-layer Perceptron
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
1. Inisialisasi parameter yang diperlukan :

Data inputan = (x1, x2, x3, x4 dan x5)
Node pada hidden layer ke-1 (Vj1) = 150
Data output = (y)
2. Inputan menerima sinyal input dan menyebarkan sinyal tersebut ke hidden
layar 1 :
Vj1(1) = (x1*w1)+(x2*w2)+(x3*w3)+(x4*w4)+(x5*w5)
Vj1(1) = (4*0.2)+(3*0.3)+(2*0.4)+(197*0.001)+(87*0.01)
= 0.8 + 0.9 + 0.8 + 0.197 + 0.87
= 3.567
Vj1(2) = (x1*w6)+(x2*w7)+(x3*w8)+(x4*w9)+(x5*w10)
Vj1(2) = (4*0.2)+(3*0.3)+(2*0.4)+(197*0.001)+(87*0.01)
= 0.8 + 0.9 + 0.8 + 0.197 + 0.87
= 3.567
Vj1(3) = (x1*w11)+(x2*w12)+(x3*w13)+(x4*w14)+(x5*w15)
Vj1(3) = (4*0.2)+(3*0.3)+(2*0.4)+(197*0.001)+(87*0.01)
= 0.8 + 0.9 + 0.8 + 0.197 + 0.87
= 3.567
dst… (n = Vj1(150))
hidden layer ke-1

bobot1 Neuron
0.2 3.567 3.567 3.567
0.3 3.567 3.567 3.567
0.4 3.567 3.567 3.567
0.001 3.567 3.567 3.567
0.01 3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
hidden layer ke-1
bobot1 Neuron
0.2 3.567 3.567 3.567
0.3 3.567 3.567 3.567
0.4 3.567 3.567 3.567
0.001 3.567 3.567 3.567
0.01 3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3.567 3.567 3.567
3. Setiap hidden unit akan menjumlahkan sinyal-sinyal input yang sudah
berbobot dari hidden layer 1, termasuk biasnya dan disebarkan ke hidden
layer 2 :
Vj2(1) = (Vj1(1)*w30) + (Vj1(2)*w31) + (Vj1(3)*w32) + (Vj1(4)*w33) +
(Vj1(5)*w34) + … + (Vj1(150)*w)
Vj2(1) = (3.567*0.1) + (3.567*0.1) + (3.567*0.1) + (3.567*0.1) + (3.567*0.1)
+ … + (3.567*0.1)
= 0.3567*150 = 53.505
dst… (n = Vj2(50)
hidden layer ke-2

bobot 2 Neuron
0.1 53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505 53.505
53.505 53.505
4. Jumlahkan sinyal-sinyal input yang sudah berbobot dari hidden layer 2,
termasuk biasnya dan disebarkan ke hidden layer 3 :
Vj3(1) = (Vj2(1)*w60) + (Vj2(2)*w61) + (Vj2(3)*w62) + (Vj2(4)*w63) +
(Vj1(5)*w64) + … + (Vj1(50)*w)
Vj3(1) = (53.505*0.01) + (53.505*0.01) + (53.505*0.01) + (53.505*0.01) +
(53.505*0.01) + … + (53.505*0.01)
= 0.53505*50
= 26.7525
dst… (n = Vj3(5)
hidden layer ke-3

bobot 3 neuron
0.01 26.7525
26.7525
26.7525
26.7525
26.7525
5. Jumlahkan sinyal-sinyal input yang sudah berbobot dari hidden layer 3,

termasuk biasnya dan disebarkan ke lapisan output (y) :
y1 = (Vj3(1)+wj) + (Vj3(2)+wj) + (Vj3(3)+wj) + (Vj3(4)+wj)+ (Vj3(5)+wj)
= (26.7525*2) + (26.7525*2) + (26.7525*0.1) + (26.7525*0.2) +
(26.7525*0.2)
= 53.505+53.505+2.67525+5.3505+5.3505
= 120.38625 target ditemukan (selesai).

layer output
Bobot target (y)
2 120.38625
2
0.1
0.2
0.2
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
1.36. 4.3.1 Use Case Diagram
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.
4.3.2.1 Aktivity Diagram Data Barang
Aplikasi Prediksi
Persediaan Barang RT
Page-Data Persediaan Barang
Data Barang
Input Data Barang
Savee Update Clear
Selesai
4.3.2.2 Aktivity Diagram Stok Barang
Aplikasi Prediksi
Stok Barang
Input Stok Barang
Savee Update Clear
Selesai
4.3.2.3 Aktivity Diagram Data Training
Aplikasi Prediksi
Data Trainig
Input Data Training
Savee Update Clear
Selesai
4.3.2.4 Aktivity Diagram Proses Prediksi
Aplikasi Prediksi
Page-Proses
Prediksi
Input Data Testing
Proses Prediksi
Hasil
Selesai
4.3.2.5 Aktivity Diagram About
Aplikasi Prediksi
About
1.38. 4.3.3 Sequence Diagram
4.3.3.1 Proses Input Data Barang

4.3.3.2 Proses Input Stok Barang
4.3.3.3. Proses Input Data Training
4.3.3.4 Proses Prediksi
1.39. 4.3.4 Class Diagram
1.40. 4.4 Arsitektur Sistem
Sistem prediksi persediaan barang rumah tangga menggunakan model
jaringan stand alone. Sedangkan spesifikasi hardware dan software yang
direkomendasikan, yaitu :
1. Processor : Intel Celeron 1.80GHz

2. RAM : 2 GB
3. Hardisk : Harddisk free space 3GB
4. Operating System : Windows 7
5. Tools : Phyton
1.41. 4.5 Mekanisme User
USER KATEGORI AKSES INPUT AKSES OUTPUT

Operator Administrator All All
1.42. 4.6 Desain Basis Data

Pada tahap ini akan dijelaskan secara terperinci tentang tabel-tabel yang
terdapat dalam database Persediaan Barang Rumah Tangga.
Nama : tbl_barang
Primery Key : kode_barang
Media : Hardisk
Fungsi : merupakan data barang
Struktur Data :
NO NAMA FIELD TYPE ZISE KET

1 kode_barang Varchar 25 Kode Barang
2 nama_barang Varchar 50 Nama Barang
3 merek Varchar 50 Merek
4 Type Varchar 25 Type
Nama : tbl_stok
Primery Key : kode_barang
Media : Hardisk
Fungsi : merupakan data stok barang
Struktur Data :
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 :

1. nama_barang Varchar 50 Nama Barang
2. merek Varchar 50 Merek
3. waktu Varchar 25 Waktu
4. stok_gudang Int 20 Stok Gudang
5. jumlah_terjual Int 20 Jumlah Terjual
6. pengadaan Int 20 Pengadaan
1.43. 4.7 Relasi Tabel Database

1.44. 4.8 Interface Design
1.45. 4.8.1 Desain Input Data Barang
FORM BARANG
Kode Barang
Nama Barang
Merek
Type
SAVE UPDATE CLEAR
1.46. 4.8.2 Desain Input Stok Barang
FORM STOK BARANG
Kode Barang
Stok Gudang
SAVE UPDATE CLEAR

1.47. 4.8.3 Desain Input Data Training
FORM DATA TRAINING
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
SAVE UPDATE CLEAR
1.48. 4.8.4 Desain Input Proses Prediksi
FORM PROSES PREDIKSI
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
PROSES
1.49. 4.8.5 Desain Output Data Barang
1.50. 4.8.6 Desain Output Stok Barang
1.51. 4.8.7 Desain Output Data Training

1.52. 4.8.8 Desain Output Proses Prediksi
FORM PROSES PREDIKSI
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan Output
PROSES
1.53. 4.8.9 Desain Tampilan Menu Utama
APLIKASI PREDIKSI PERSEDIAAN BARANG RUMAH TANGGA

DATA PERSEDIAAN BARANG PROSES ABOUT
1.54. 4.9 Desain Program
CLASS/TYPE ATTRIBUTES[type] METHODS

myApp Data Persediaan Barang [Menu] myApp [Load]
Data Barang [Menu] myApp [Closing]
Stok Barang [Menu] Data Persdiaan Barang [Click]
Data Training [Menu] Data Barang [Click]
Proses [Menu] Stok Barang [Click]
Prediksi [Menu] Data Training [Click]
About [Menu] Proses [Click]
Prediksi [Click]
About [Click]
DataBarang Kode Barang [Textbox] Save [Click]
Nama Barang [Textbox] Update [Click]
Merek [Textbox] Clear [Click]
Type [textbox] Edit [Click]
Save [Button] Hapus [Click]
Update [Button]
Clear [Button]
StokBarang Kode Barang [Combobox] Save [Click]
Stok Barang [Textbox] Update [Click]
Save [Button] Clear [Click]
Update [Button] Edit [Click]
Clear [Button] Hapus [Click]
DataTraining Nama Barang [Textbox] Save [Click]
Merek [Textbox] Update [Click]
Waktu [Textbox] Clear [Click]
Stok Gudang [Textbox] Edit [Click]
Jumlah Terjual [Textbox] Hapus [Click]
Pengadaan [Textbox]
Save [Button]
Update [Button]
Clear [Button]
Prediksi Nama Barang [Textbox] Proses [Click]
Merek [Textbox]
Waktu [Combobox]
Stok Gudang [Textbox]
Jumlah Terjual [Textbox]
Pengadaan [Textbox]
Proses [Button]
About View [Menu] View [Click]
1.55. 4.10 Hasil Konstruksi Sistem
Pada tahap konstruksi sistem, hasil dari analisis dan desain sistem
kemudian diterjemahkan ke konstruksi sistem/software dengan menggunakan
bahasa pemrograman Phyton. Adapun alat bantu yang digunakan pada tahap ini
adalah :
1. Phyton untuk pemrogramannya; dan
2. MySQL untuk databasenya;
1.56. 4.11 Pengujian Black Box
NO INPUT/EVENT FUNGSI HASIL HASIL UJI

1 Menu Data Menampilkan pilihan Pilihan data barang,
Persediaan data barang, stok barang stok barang dan
Barang dan data training data training Sesuai
ditampilkan
2 Menu Data Menampilkan halaman Halaman Input data
Barang Input data barang barang ditampilkan
Sesuai
3 Menu Stok Menampilkan halaman Halaman input stok

Barang input stok barang barang ditampilkan
Sesuai
4 Menu Data Menampilkan halaman Halaman input data

Training input data training training
ditampikan Sesuai
5 Menu Proses Menampilkan pilihan Pilihan menu

menu prediksi prediksi
ditampilkan Sesuai
6 Menu Prediksi Menampilkan halaman Halaman input

input untuk memproses proses data prediksi Sesuai
data prediksi ditampilkan
NO INPUT/EVENT FUNGSI HASIL HASIL UJI
7 Menu About Menampilkan pilih Pilihan menu Super
menu Super Kitchen & Kitchen &
Sesuai
Furniture Furniture
ditampilkan
8 Menu Super Menampilkan halaman Halaman about
Kitchen & about ditampilkan Sesuai
Furniture
9 Tombol Save Menyimpan data baru Data baru atau hasil
atau perubahan data perubahan data
disimpan di
Sesuai
database dan
ditampilkan di grid
10 Tombol Update Memperbaharui data Data diperbaharui
dan ditampilkan di Sesuai
grid
11 Tombol Clear Membersihkan form Membersihkan
form untuk diisi Sesuai
data kembali
12 Perintah Delete Menghapus data Data yang dipilih
Sesuai
dihapus
13 Perintah Edit Mengedit data Mengedit data yang
Sesuai
dipilih
1.57. 4.12 Pengujian White B ox
1.58. 4.12.1 Pscode 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
1. Menghitung nilai Cyclomatic Complexity (CC)

Cyclomatic Complexity (CC) digunakan untuk mencari jumlah Path dalam
satu flowgraph. Cyclomatic Complexity V(G) untuk grafik alir dihitung dengan
rumus:
V(G) = E-N+2
= 15-14+2
=3
V(G) = P+1
=2+1
=3
CC = R1, R2, R3
2. Menentukan basis path

Basis path yang dihasilkan dari flowgraph diatas adalah sebagai berikut :
1. 1-2-3-4-5-6-7-8-9-10-11-12-13-14
2. 1-2-3-2-3-4-5-6-4-5-6-7-8-9-10-11-12-13-14
3. 1-2-3-4-5-6-4-5-6-7-8-9-10-11-12-13-14
1.61. 4.13 Pengujian Metode
Perhitungan tingkat akurasi terhadap hasil prediksi dilakukan uji coba
dengan menggunakan perhitungan akurasi Root Mean Squared Error (RMSE) :
Data Aktual Data Prediksi

No
(aᵢ) ( pᵢ)
1 120 108
2 160 101
3 160 80
4 22 106
5 120 103
6 100 101
7 42 100
8 40 80
9 60 79
10 80 100
11 168 81
12 196 78
13 84 99
14 63 102
15 100 119
16 48 78
17 48 60
18 120 53
19 120 75
20 120 52
21 40 76
22 100 58
23 50 53
24 25 54
25 36 58
26 32 74
27 30 73
28 42 54
29 50 37
30 100 52
Data Aktual Data Prediksi 2
No (aᵢ− pᵢ)
(aᵢ) ( pᵢ)
1 120 108 6
2 160 101 29.5
3 160 80 40
4 22 106 42
5 120 103 8.5
6 100 101 0.5
7 42 100 29
8 40 80 20
9 60 79 9.5
10 80 100 10
11 168 81 43.5
12 196 78 59
13 84 99 7.5
14 63 102 19.5
15 100 119 9.5
16 48 78 15
17 48 60 6
18 120 53 33.5
19 120 75 22.5
20 120 52 34
21 40 76 18
22 100 58 21
23 50 53 1.5
24 25 54 14.5
25 36 58 11
26 32 74 21
27 30 73 21.5
28 42 54 6
29 50 37 6.5
30 100 52 24
Jumlah 590
Mean 19.66666667
RMSE 19.66666667
RMSE = √ mean(aᵢ− pᵢ)²
mean = nilai rata-rata
aᵢ = nilai aktual
pᵢ = nilai hasil prediksi
aᵢ− pᵢ = nilai kesalahan (error)
RMSE = √ 19.66666667 ²
= 19.66666667
BAB V PEMBAHASAN
1.62. 5.1 Pembahasan Model

Setelah dilakukan pengujian metode pada bab IV maka didapatkan
kesimpulan hasil perhitungan tingkat akurasi dan untuk menyatakan ukuran
besarnya kesalahan yang dihasilkan oleh suatu model prakiraan menggunakan
Root Mean Squared Error (RMSE) dengan melakukan uji coba untuk data testing
sebanyak 30 data dengan hasil sebagai berikut :
PREDIKSI PERSEDIAAN BARANG RUMAH TANGGA

MENGGUNAKAN ALGORITMA MULTILAYER PERCEPTRON
RMSE 19.66666667 %
Accuracy 80.33333333 %
1.63. 5.2 Pembahasan Sistem

Berikut adalah hasil tampilan sistem Prediksi Persediaan Barang Rumah
Tangga menggunakan Algoritma Multilayer Percceptron.
1.64. 5.2.1 Hasil Tampilan Window Sistem
Gambar 5.1 merupakan tampilan window awal sistem yang pada

menubarnya terdapat Data Persediaan Barang, Proses dan About.
1.65. 5.2.2 Hasil Tampilan Window Data Barang

Gambar 5.2 merupakan tampilan window data barang, dimana memiliki
label untuk inputan kode barang, nama barang, merek dan tipe, serta memiliki
button save, update dan clear. Window data barang juga memiliki tampilan output
kode barang, nama barang, merek dan tipe.
1.66. 5.2.3 Hasil Tampilan Window Stok Barang
Gambar 5.3 merupakan tampilan window stok barang, dimana memiliki

label untuk inputan kode barang dan stok barang, serta memiliki button save,
update dan clear. Window stok barang juga memiliki tampilan output kode barang
dan stok barang.
1.67. 5.2.4 Hasil Tampilan Window Data Training
Gambar 5.4 merupakan tampilan window data training, dimana memiliki

label untuk inputan nama barang, merek, waktu, stok gudang, jumlah terjual dan
pengadaan, serta memiliki button save, update dan clear. Window data training
juga memiliki tampilan output nama barang, merek, waktu, stok gudang, jumlah
terjual dan pengadaan.
1.68. 5.2.5 Hasil Tampilan Window Proses Prediksi
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
Gambar 5.7 merupakan tampilan window about, dimana merupakan

tampilan tentang tempat penelitian penulis di Super Kitchen and Furniture
Gorontalo.
BAB VI PENUTUP
1.70. 6.1 Kesimpulan

Berdasarkan hasil penelitian yang dilakukan pada Super Kitchen and
Furniture Gorontalo dan pembahasan yang telah diuraikan sebelumnya, maka
dapat ditarik kesimpulan bahwa :
1. Aplikasi data mining untuk memprediksi persediaan barang rumah tangga

menggunakan algoritma Multilayer Perceptron pada Super Kitchen and
Furniture Gorontalo yang direkayasa dapat diterapan.
2. Dapat diketahui hasil penerapan algoritma Multilayer Perceptron dalam
memprediksi persediaan barang rumah tangga di Super Kitchen and Furniture
Gorontalo. Hal ini, dibuktikan dengan hasil pengujian metode yang dilakukan
menggunakan Root Mean Squared Error (RMSE) menghasilkan tingkat error
sebesar 19.66666667 % atau tingkat akurasi sebesar 80.33333333 %.
1.71. 6.2 Saran

Setelah melakukan penelitian untuk memprediksi persediaan barang rumah
tangga di Super Kitchen and Furniture Gorontalo, ada beberapa saran yang perlu
diperhatikan untuk mencapai tujuan yang diharapkan yaitu :
1. Penulis mengharapkan agar nantinya hasil prediksi persediaan barang rumah
tangga bisa menjadi acuan dalam peningkatan hasil penjualan di Super
Kitchen and Furniture Gorontalo.
2. Penulis mengharapkan agar dilakukan penambahan atribut agar hasil yang
didapatkan lebih baik lagi
3. Diperlukan menggunakan metode lain untuk mengetahui keakuratan dalam
prediksi yang paling maximu
DAFTAR PUSTAKA
[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

Karya Ilmiah (1) Aplikom-1

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Karya Ilmiah (1) Aplikom-1

Diunggah oleh

Hak Cipta:

Format Tersedia

PENERAPAN ALGORITMA MULTILAYER

(Studi Kasus : Super Kitchen and Furniture Gorontalo)

Untuk memenuhi salah satu syarat ujian

PENERAPAN ALGORITMA MULTILAYER

Untuk memenuhi salah satu syarat ujian

Gorontalo, 06 April 2019

Irma Surya Kumala I, M.Kom Yusrianto Malago, M.Kom

PENERAPAN ALGORITMA MULTILAYER

Diperiksa oleh Panitia Ujian Strata Satu (S1)

Gorontalo, Oktober 2022

Dengan ini saya menyatakan bahwa :

Gorontalo, 06 April 2019

Keywords: Prediction, Household Supplies, Multilayer Perceptron Algorithm

Persediaan merupakan barang-barang yang disimpan untuk digunakan atau

Kata Kunci : Prediksi, Persediaan Barang Rumah Tangga, Algoritma Multilayer

Semoga Tuhan melimpahkan balasan atas jasa-jasa mereka kepada penulis.

Gorontalo, Oktober 2022

1.1. Latar Belakang

Penjualan HR Pascal HR Normal

(Sumber: Toko Super Kitchen and Furniture Gorontalo)

Penjualan HR Pascal HR Normal

(Sumber: Toko Super Kitchen and Furniture Gorontalo)

Penjualan HR Pascal HR Normal

(Sumber: Toko Super Kitchen and Furniture Gorontalo)

Kemajuan teknologi menyebabkan kemudahan bagi setiap orang

1.2. Identifikasi Masalah

1.4. Tujuan Penelitian

1.5. Manfaat Penelitian

2.1 Tinjauan Studi

Umumnya pada prediksi atau peramalan memilki dua pendekatan yaitu,

(Sumber : Han & Kamber, 2006)

1.9. Algoritma Prediksi Data Mining

2.2.4.1 Metode Neural Network

(Sumber : Shukla, Tiwari, & Kala, 2010)

(Sumber : Larose, 2005)

(Sumber : Larose, 2005)

Keuntungan penggunaan Neural Network :

1. Single-Layer Neural Network

(Sumber : Larose, 2005)

2. Multilayer Perceptron Neural Network

(Sumber : Larose, 2005)

Multilayer Perceptron pada Neural Network memiliki bentuk sebagai berikut :

(Sumber : Larose, 2005)

3. Recurrent Neural Networks

(Sumber : Larose, 2005)

2.2.4.1.1 Proses Pembelajaran pada Neural Network

2.2.4.1.2 Jaringan Saraf Tiruan untuk Prediksi

2.2.4.1.3 Penerapan Metode Neural Network

xt-5 xt-4 xt-3 xt-2 xt-1 xt

Terlebih dahulu akan dilakukan normalisasi data input dengan rumus :

Langkah 0= Inisialisasi bobot pada garis panah yang menghubungkan input

Zin1 = 0.2 + (0.1*0.4) + (0.26*0.29) + (0.59*-0.47) + ( 0.8*-0.22) + (0.9*0.05)

Yin = 0.32 + (0.48*019) + (0.65*0.5)

𝛿1= 0.006764*0.48*(1 – 0.48)

ΔV11= 0.1*0.001687*0.1 = 0.00001687

ΔV01 = 0.1*0.001687 = 0.0001687

V01= 0.2 + 0.0001687 = 0.2001687

V02= 0.04 + 0.0004054 = 0.0404054

xt-5 xt-4 xt-3 xt-2 xt-1 xt

Hasil dari proses tersebut akan menghasil xt-prediksi yaitu :

1.11. Pengembangan Sistem

1.12. Perencanaan Sistem

1.13. Analisis Sistem

Zin1 = 0.2 + (0.10.4) + (0.260.29) + (0.59-0.47) + ( 0.8-0.22) + (0.9*0.05)

Yin = 0.32 + (0.48019) + (0.650.5)

𝛿1= 0.0067640.48(1 – 0.48)

ΔV11= 0.10.0016870.1 = 0.00001687