Karya Ilmiah

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
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

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
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
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.
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
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
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.
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.
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.
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).
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.
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.
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.
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.
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
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:
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= −(0.74 )
=0.68
1+e
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
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)
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.
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.
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
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.
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 ( Sumber :
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.
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.
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.
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
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.
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.
Kerangka Pikir
BAB III METODE PENELITIAN
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.
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
Model yang Diusulkan
Gambar 3. 1 Gambar Model Yang Diusulkan

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.
Validasi
Validasi dilakukan untuk membagi data traning dan data testing. Teknik yang digunakan
pada tahap ini menggunakan Ms Excel.
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
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
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
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
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
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.
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.
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.
Implementasi
Penerapan instalasi dari program yang telah dibangun ini, nantinya akan diterapkan di
Toko Super Kitchen and Furniture Gorontalo.
BAB IV HASIL PENELITIAN
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 )
Hasil Pemodelan
Arsitektur Jaringan Algoritma Multi-layer Perceptron
Ket :
Input : x1 : Nama barang
x2 : Merek
x3 : Waktu
x4 : Stok gudang
x5 : Jumlah Terjual
Output : y : Pengadaan
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.
Hasil Pengembangan Sistem
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.
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
Page-Data Persediaan Barang
Data Barang
Input Data Barang
Savee Update Clear
Selesai
Aktivity Diagram Stok Barang
Aplikasi Prediksi
Stok Barang
Input Stok Barang
Savee Update Clear
Selesai
Aktivity Diagram Data Training
Aplikasi Prediksi
Data Trainig
Input Data Training
Savee Update Clear
Selesai
Aktivity Diagram Proses Prediksi
Aplikasi Prediksi
Page-Proses
Prediksi
Input Data Testing
Proses Prediksi
Hasil
Selesai
Aktivity Diagram About
Aplikasi Prediksi
About
Sequence Diagram
Proses Input Data Barang

Proses Input Stok Barang
Proses Input Data Training

Proses Prediksi
Class Diagram
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
Mekanisme User
USER KATEGORI AKSES INPUT AKSES OUTPUT

Operator Administrator All All
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
Relasi Tabel Database

Interface Design
Desain Input Data Barang
FORM BARANG
Kode Barang
Nama Barang
Merek
Type
SAVE UPDATE CLEAR
Desain Input Stok Barang
FORM STOK BARANG
Kode Barang
Stok Gudang
SAVE UPDATE CLEAR
Desain Input Data Training

FORM DATA TRAINING
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
SAVE UPDATE CLEAR
Desain Input Proses Prediksi
FORM PROSES PREDIKSI
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan
PROSES
Desain Output Data Barang

Desain Output Stok Barang
Desain Output Data Training
Desain Output Proses Prediksi

FORM PROSES PREDIKSI
Nama Barang
Merek
Waktu
Stok Gudang
Jumlah Terjual
Pengadaan Output
PROSES
Desain Tampilan Menu Utama
APLIKASI PREDIKSI PERSEDIAAN BARANG RUMAH TANGGA

DATA PERSEDIAAN BARANG PROSES ABOUT
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]
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;
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
data prediksi ditampilkan Sesuai
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
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
Flowchart Pengujian White Box

False
True
False
True
True
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
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
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 %
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.
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.
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.
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.
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.
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
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_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

Karya Ilmiah

Diunggah oleh

Informasi Dokumen

Judul 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

Diunggah oleh

Hak Cipta:

Format Tersedia

PENERAPAN ALGORITMA MULTILAYER PERCEPTRON

UNTUK MEMPREDIKSI PERSEDIAAN

(Studi Kasus : Super Kitchen and Furniture Gorontalo)

Untuk memenuhi salah satu syarat ujian

Untuk memenuhi salah satu syarat ujian

Gorontalo, 06 April 2019

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

PENERAPAN ALGORITMA MULTILAYER PERCEPTRON

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

Gorontalo, Oktober 2022

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 memperoleh data

Manfaat dari tujuan penelitian ini terbagi dua yaitu :

2. Persediaan Barang dalam Proses

Umumnya pada prediksi atau peramalan memilki dua pendekatan yaitu,

Adapun tahapan dalam data mining adalah sebagai berikut :

Algoritma Prediksi Data Mining

Metode Neural Network

Neural Network merupakan sebuah teknologi komputasi, tidak memberikan suatu

(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)

Proses Pembelajaran pada Neural Network

Jaringan Saraf Tiruan untuk Prediksi

Penerapan Metode Neural Network

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

Terlebih dahulu akan dilakukan normalisasi data input 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)

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

𝛿𝑘= (0.84 - 0.68) * 0.68 * (1 – 0.68) = 0.0356

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 :

Adapun prinsip pengembangan sistem yaitu :

Perencanaan sistem menyangkut estimasi dari kebutuhan-kebutuhan fisik, tenaga kerja

Desain sistem dapat didefinisikan sebagai penggambaran, perencanaan dan pembuatan

Hubungan dimana perubahan yang terjadi pada suatu

Hubungan dimana objek anak (descendent) berbagi

Include Menspesifikasikan bahwa use case sumber secara

Extend Menspesifikasikan bahwa use case target

Use Case Deskripsi dari urutan aksi – aksi yang ditampilkan

Collaboration Interaksi aturan – aturan dan elemen lain yang

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