Karya Ilmiah
Karya Ilmiah
Oleh :
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
PROGRAM SARJANA
TEKNIK INFORMATIKA
UNIVERSITAS ICHSAN GORONTALO
GORONTALO
2022
PERSETUJUAN SKRIPSI
PENERAPAN ALGORITMA MULTILAYER PERCEPTRON
UNTUK MEMPREDIKSI PERSEDIAAN
BARANG RUMAH TANGGA
Oleh
YUSRIANTO MALAGO
0909108901
KARYA ILMIAH
Pembimbing I Pembimbing II
Oleh
YUSRIANTO MALAGO
0909108901
1. Ketua Penguji
Yasin Aril Mustofa, M.Kom ……………………..
2. Anggota
Aprianto Alhamad, M.Kom ……………………..
3. Anggota
Yulianti Lasena, M.Kom ……………………..
4. Anggota
Irma Surya Kumala Idris, M.Kom ……………………..
5. Anggota
Kartika Chandra Pelangi, M.Kom ……………………..
PERNYATAAN SKRIPSI
Yusrianto Malago
ABSTRACT
Inventories are goods that are stored for use or sale in the future or period and are one of
the factors that determine the smooth production and sales. Gorontalo Super Kitchen and
Furniture is one of the shops engaged in trade that sells goods and household supplies with good
quality and affordable prices. The problem that occurs in this company is that sometimes the
amount of household goods inventory is too little and consumer demand to be marketed cannot
be fulfilled, consumers will feel disappointed and there is a possibility that consumers will not
come back again. Conversely, if there is too much household goods inventory, there will be
accumulation of goods in the warehouse, so it must provide a large area and provide additional
costs for maintenance. In predicting household goods inventory the author uses the Percceptron
Multilayer algorithm. It is proven by the results of tests carried out using the Root Mean
Squared Error (RMSE) resulting in an error rate of 19.66666667% and an accuracy rate of
80.33333333%.
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
Penulis
DAFTAR ISI
DAFTAR GAMBAR
DAFTAR TABEL
BAB I PENDAHULUAN
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
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
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.
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 ?
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.
Manfaat Penelitian
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.
Tinjauan Pustaka
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.
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.
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)
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).
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.
Neural network terdiri dari dua atau lebih lapisan, meskipun sebagian besar jaringan
terdiri dari tiga lapisan: lapisan input, lapisan tersembunyi, dan lapisan output[15]. Pendekatan
neural network dimotivasi oleh jaringan saraf biologis. Secara kasar, neural network adalah satu
set terhubung input/output unit, di mana masing-masing sambungan memiliki berat yang terkait
dengannya. Neural network memiliki beberapa properti yang membuat mereka populer untuk
clustering. Pertama, neural network adalah arsitektur pengolahan inheren paralel dan
terdistribusi. Kedua, neural network belajar dengan menyesuaikan bobot interkoneksi dengan
data, Hal ini memungkinkan neural network untuk "menormalkan" pola dan bertindak sebagai
fitur (atribut) extractors untuk kelompok yang berbeda. Ketiga, neural network memproses
vektor numerik dan membutuhkan pola objek untuk diwakili oleh fitur kuantitatif saja[24].
Neural network terdiri dari kumpulan node (neuron) dan relasi. Ada tiga tipe node
(neuron) yaitu, input, hidden dan output. Setiap relasi menghubungkan dua buah node dengan
bobot tertentu dan juga terdapat arah yang menujukkan aliran data dalam proses[25].
Kemampuan otak manusia seperti mengingat, menghitung, mengeneralisasi, adaptasi, diharapkan
neural network dapat meniru kemampuan otak manusia. Neural network berusaha meniru
struktur/arsitektur dan cara kerja otak manusia sehingga diharapkan bisa dan mampu
menggantikan beberapa pekerjaan manusia. Neural network berguna untuk memecahkan
persoalan yang berkaitan dengan pengenalan pola, klasifikasi, prediksi dan data mining[23].
Input node terdapat pada layer pertama dalam neural network. Secara umum setiap input
node merepresentasikan sebuah input parameter seperti umur, jenis kelamin, atau pendapatan.
Hidden node merupakan node yang terdapat di bagian tengah. Hidden node ini menerima
masukan dari input node pada layer pertama atau dari hidden node dari layer sebelumnya.
Hidden node mengombinasikan semua masukan berdasarkan bobot dari relasi yang terhubung,
mengkalkulasikan, dan memberikan keluaran untuk layer berikutnya. Output node
mempresentasikan atribut yang diprediksi[25]. Salah satu keuntungan menggunakan neural
network adalah bahwa neural network cukup kuat sehubungan dengan data. Karena neural
network berisi banyak node (neuron buatan) dengan bobot ditugaskan untuk setiap koneksi[15].
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara
besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang
pernah dialaminya, dengan kata lain NN ini memiliki kemampuan untuk dapat melakukan
pembelajaran dan pendeteksian terhadap sesuatu objek. Secara mendasar, sistem pembelajaran
merupakan proses penambahan pengetahuan pada NN yang sifatnya kontinuitas sehingga pada
saat digunakan pengetahuan tersebut akan dieksploitasikan secara maksimal dalam mengenali
suatu objek. Neuron adalah bagian dasar dari pemrosesan suatu neural network. Dibawah ini
merupakan bentuk dasar dari suatu neuron :
Keterangan Gambar 2.4 & Gambar 2.5 di atas adalah sebagai berikut :
1. Input merupakan masukan yang digunakan baik saat pembelajaran maupun dalam mengenali
suatu objek.
2. Weight, beban yang selalu berubah setiap kali diberikan input sebagai proses pembelajaran.
3. Processing Unit merupakan tempat berlangsungnya proses pengenalan suatu objek
berdasarkan pembebanan yang diberikan.
4. Output, keluaran dari hasil pengenau objek.
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.
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.
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 :
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
0.8(1670−1654)
x= + 0.1=0.26 xt-4
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
xt
0.8(1726−1654)
x= + 0.1=0.84
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 Bobot ke
Z1 Z2
xt-5 0.4 0.17
xt-4 0.29 0.21
xt-3 -0.47 0.36
xt-2 -0.22 0.25
xt-1 0.05 0.1
b 0.2 0.04
Bobot ke
Y1
Z1 0.19
Z2 0.5
B 0.32
Langkah 1 = Hitung nilai keluaran dari masing-masing hidden layer dengan rumus:
1
Yk= −(0.74 )
=0.68
1+e
Langkah 3 = Menghitung kesalahan antara target dengan dengan output yang dihasilkan oleh
jaringan.
Bobot Bias
ΔW11 = 0.1*0.0356*0.48 ΔW01 = 0.1*0.0356
= 0.001698 = 0.00356
ΔW12 = 0.1*0.0356*0.65
= 0.00231
Langkah 4 = Hitung kesalahan di hidden layer kemudian hasilnya dikalikan dengan turunan
fungsi aktivasi yang digunakan jaringan dengan rumus :
𝛿net1= 0.0356*0.19
= 0.006764
𝛿net2 = 0.0356*0.5
= 0.0178
𝛿2 = 0.0176*0.65*(1 – 0.65)
= 0.004054
Kemudian menghitung koreksi bobot dan bias pada input layer ke hidden layer dengan rumus :
Bobot
W11= 0.19 + 0.001698 = 0.191698
W21= 0.5 + 0.00231 = 0.50231
Bias
W01= 0.32 + 0.00356 = 0.3256
Bobot
V11= 0.4 + 0.00001687 = 0.40001687
V12= 0.17 + 0.00004054 = 0.17004054
V21= 0.29 + 0.00004456 = 0.29004456
V22= 0.21 + 0.00010708 = 0.21010708
V31= -0.47 + 0.00009995 = -0.46990005
V32= 0.36 + 0.00024014 = 0.36024014
V41= -0.22 + 0.00013456 = -0.21967669
V42= 0.25 + 0.00032331 =0.25032331
V51= 0.05 + 0.00015187 =0.05015187
V51= 0.1 + 0.00036489 =0.10036489
Bias
Ulangai iterasi hingga error jaringan lebih kecil atau sama dengan error target.
Sedangkan contoh proses perhitungan root mean square error (RMSE) adalah sebagai berikut :
Misalkan diambil sampel data dengan 5 variabel independen dan 1 variabel dependen yang
terdiri atas 10 record data.
xt-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
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)
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)
Perencanaan Sistem
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).
Desain Sistem
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.
2. Class Diagram
Class diagram adalah adalah kumpulan object yang menggambarkan struktur statis
dari sistem dan fakta yang bisa digunakan dalam menghitung ukuran dari perangkat lunak. Jadi
kesimpulan dari pengertian class diagram adalah kumpulan object yang menggambarkan
struktur statis dari sebuah sistem yang menunjukan object class dan hubunganya.
MULTIPLICIT
PENJELASAN
Y
1 Satu dan hanya satu
Boleh tidak ada atau 1 atau
0..*
lebih
1..* 1 atau lebih
Boleh tidak ada,
0..1
maksimal 1
Batasan antara. Contoh:
n..n 2..4 mempunyai arti
minimal 2 maksimal 4
( Sumber : https://www.coursehero.com )
3. Activity Diagram
Activity diagram merupakan diagram yang menunjukkan alur kerja atau aktivitas user
secara berurutan.
SIMBOL KETERANGAN ( Sumber :
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.
https://www.coursehero.com )
4. Sequence Diagram
Sequence diagram merupakan sebuah Diagram yang menunjukkan eksekusi operation
disebuah objek yang melibatkan pemanggilan operations di objek lain.
SIMBOL KETERANGAN
LifeLine
Objek entity, antarmuka yang saling berinteraksi.
( Sumber : https://www.coursehero.com )
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.
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].
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.
Kerangka Pikir
BAB III METODE 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.
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
Pemodelan / Abstraksi
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.
Validasi
Validasi dilakukan untuk membagi data traning dan data testing. Teknik yang digunakan
pada tahap ini menggunakan Ms Excel.
Pengembangan Model
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.
Pengembangan Sistem
Data Prediksi
Laporan
Input Data Persediaan Barang
Prediksi Rumah Tangga
Pemrosesan Algoritma
Multilayer Perceptron
Hasil Prediksi N
Save Hasil
Prediksi
Analisa Sistem
Desain Sistem
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.
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.
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.
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.
Implementasi
Penerapan instalasi dari program yang telah dibangun ini, nantinya akan diterapkan di
Toko Super Kitchen and Furniture Gorontalo.
BAB IV HASIL PENELITIAN
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 )
Hasil Pemodelan
Ket :
Input : x1 : Nama barang
x2 : Merek
x3 : Waktu
x4 : Stok gudang
x5 : Jumlah Terjual
Output : y : Pengadaan
Pseudoceudo Algoritma Multilayer Perceptron
Paramete Trainin
r g
x1 4
x2 3
x3 2
x4 197
x5 87
Y 120
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)
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
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.
Aktivity Diagram
Setiap proses yang berjalan pada sistem digambarkan melalui rancangan Aktivity
Diagram. Berikut untuk memberikan penjelasan alur sistem.
Aktivity Diagram Data Barang
Aplikasi Prediksi
Persediaan Barang RT
Data Barang
Selesai
Aktivity Diagram Stok Barang
Aplikasi Prediksi
Persediaan Barang RT
Stok Barang
Selesai
Aktivity Diagram Data Training
Aplikasi Prediksi
Persediaan Barang RT
Data Trainig
Selesai
Aktivity Diagram Proses Prediksi
Aplikasi Prediksi
Persediaan Barang RT
Page-Proses
Prediksi
Proses Prediksi
Hasil
Selesai
Aktivity Diagram About
Aplikasi Prediksi
Persediaan Barang RT
About
Sequence Diagram
Sistem prediksi persediaan barang rumah tangga menggunakan model jaringan stand
alone. Sedangkan spesifikasi hardware dan software yang direkomendasikan, yaitu :
Mekanisme User
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 :
Nama : tbl_stok
Primery Key : kode_barang
Media : Hardisk
Fungsi : merupakan data stok barang
Struktur Data :
NO NAMA FIELD TYPE ZISE KET
1 kode_barang Varchar 25 Kode Barang
2 stok_gudang Int 25 Stok Barang
Nama : tbl_training
Media : Hardisk
Fungsi : merupakan data training
Struktur Data :
FORM BARANG
Kode Barang
Nama Barang
Merek
Type
Kode Barang
Stok Gudang
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
PROSES
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan Output
PROSES
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;
Pengujian White B ox
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
True
False
True
True
R2
R3
V(G) = E-N+2
= 15-14+2
=3
V(G) = P+1
=2+1
=3
CC = R1, R2, R3
Perhitungan tingkat akurasi terhadap hasil prediksi dilakukan uji coba dengan
menggunakan perhitungan akurasi Root Mean Squared Error (RMSE) :
RMSE = √ 19.66666667 ²
= 19.66666667
BAB V PEMBAHASAN
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 :
RMSE 19.66666667 %
Accuracy 80.33333333 %
Pembahasan Sistem
Berikut adalah hasil tampilan sistem Prediksi Persediaan Barang Rumah Tangga
menggunakan Algoritma Multilayer Percceptron.
Hasil Tampilan Window Sistem
Gambar 5.1 merupakan tampilan window awal sistem yang pada menubarnya terdapat
Data Persediaan Barang, Proses dan About.
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.
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.
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
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 %.
Saran
[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_deng
an_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_deng
an_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.pdf
[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