PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI
MENGGUNAKAN BACK PROPAGATION
SKRIPSI
M HERRI MUSTAQIM HSB
101402089
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
M HERRI MUSTAQIM HSB 101402089
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Judul : PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGSTION
Kategori : SKRIPSI
Nama : M HERRI MUSTAQIM HSB
Nomor Induk Mahasiswa : 101402089
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Januari 2015 Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Syahril Efendi, S.Si, M.IT Dr. Erna Budhiarti Nababan, MIT
NIP NIP
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Muhammad Anggia Muchtar, ST.MM.IT NIP 1980010 200801 1 010
PERNYATAAN
iii MENGGUNAKAN METODE BACKPROPAGATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juari 2015
M Herri Mustaqim HSB 101402089
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat utama memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terima kasih penulis sampaikan kepada:
1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer Dan Teknologi Informasi Universitas Sumatera Utara
2. Ucapan terima kasih kepada ketua dan seketaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar, ST, M.IT dan M.Fadly Syahputra, B.Sc, M.Sc.IT.
3. Ucapan terima kasih kepada pembimbing satu ibu Dr.Erna Budhiarti Nababan, M.IT dan kepada bapak Bapak Syahril Efendi, S.Si, M.IT selaku pembimbing dua yang telah meluangkan waktu serta pikiranya untuk memotivasi dan memberikan kritik dan saran membangun kepada penulis.
4. Ucapan terima kasih kepada bapak Muhammad Anggia Muchtar,ST,M.IT selaku dosen pembanding satu dan bapak Romi Fadhillah Rahmat,B.Sc.M.Sc selaku pembanding dua yang telah bersedia sebagai dosen pembanding, semua dosen Teknologi Informasi,Serta seluruh pegawai di Program Studi Teknologi Informasi. 5. Ucapan terima kasih kepada kedua orang tua penulis dan seluruh keluarga penulis
yang telah memberikan motivasi baik spiritual maupun materil, papa Ir.H.Syahrizal Novian Hasibuan dan mama Hj.Hertati Sri Ardiani yang selalu sabar dan tabah membesarkan penulis. Serta ucapa terima kasih kepada adik penulis Utari Nisrina Hasibuan selalu memberikan dorongan kepada penulis
6. Ucapan terima kasih kepada PT.Semen Andalas Indonesia Area yang telah membantu dan membimbing penulis dalam pemberian data penjualan kepada penulis dalam melakukan riset, bapak Ricki Syahputra Sitompul dan bapak Zulkarnain Is.
7. Ucapan Terima kasih kepada seluruh teman-teman angkatan 2010 , teman-teman TA, serta seluruh teman-teman mahasiswa Teknologi Informasi yang tidak dapat disebutkan namanya satu persatu, semoga Allah SWT membalas kebaikan kalian semua dengan nikmat serta kesehatan.
v
ABSTRAK
Prediksi dalam menghitung nilai penjualan dibutuhkan oleh managemen perusahaan industri dalam menentukan kebijakan tentang penjualan terkait penghitungan penjualan perbulan dan penjualan pertahun. Penelitian ini bertujuan untuk menentukan faktor penjualan perbulan, pertahun dari wilayah pemasaran produk yang berpengaruh terhadap penjualan di masa yang akan datang dan membangun model prediksi terbaik dengan teknik jaringan saraf tiruan. Kriteria pilihan model yang digunakan adalah backpropagation. Metode backpropagation menghitung seluruh data sampel yang berjumlah 1344 data, untuk mencari nilai rata-rata penjualan pada masa yang akan datang dari histori data sebelumnya yang dimulai tahun 2006 hingga 2013 dari lima wilayah pemasaran produk yaitu Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. Selain itu juga dihitung nilai rata-rata training dan testing, berdasarkan pembagian nilai rata-rata di dapatkan 1075 data pelatihan atau 80% data keseluruhan dan 269 data pengujian atau 20% data keseluruhan. Dari hasil pengujian yang dilakukan diperoleh tingkat ketepatan terhadap prediksi dalam menggunakan jaringan saraf tiruan backpropagation dengan hasil rata dari 50% hingga 99%.
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
vii
DAFTAR ISI
Hal
PERSETUJUAN ii
PERNYATAAN ii
UCAPAN TERIMA KASIH iv
ABSTRAK v
1.4 Tujuan Penelitian 2
1.5 Manfaat Penelitian 2
1.6 Metodologi Penelitian 3
1.7 Sistematika Penulisan 3
BAB 2 LANDASAN TEORI 5
2.1 Defenisi Semen 5
2.2 Definisi Penjualan 6
2.3 Definisi Prediksi Penjualan 6
2.3.1 Jenis – Jenis Prediksi Penjualan 7
2.4 Jaringan Saraf Tiruan 8
2.4.1 Konsep Dasar Jaringan Saraf Tiruan 8
2.5 Algoritma Backpropagation 9
2.5.1 Tahap Algoritma Pelatihan 10
2.7 Penlitian terdahulu 16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 18
3.1 Data yang Digunakan 18
3.2.Analasis Sistem 19
3.3 Use Case Diagram 25
3.3.1 Use Case Specification 25
3.3.2 Use case spesifikasi 28
3.4 Perancangan Aplikasi Antarmuka Pemakai 30
3.4.1 Form Login 31
3.4.4 Halaman Data 33
3.4.5 Halaman Grafik 34
3.4.6 Halaman Logout 35
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 36
4.1 Implementasi Sistem 36
4.2 Antarmuka Pengguna (Interface) 36 4.2.1 Tampilan Awal (Home) 37 4.2.2 Halaman Prediksi 37
4.2.3 Halaman Data 38
4.2.4 Halaman Grafik 40
4.3 Pengujian Sistem 41
4.3.1 Rancangan Sistem 41
4.4 Pengujian Sistem 43
4.4.1 Pengujian Sistem 43 4.4.2 Hasil Pengujian Jaringan Saraf Tiruan Backpropagation 46 4.4.3 Data Pengujian 50
BAB 5 KESIMPULAN DAN SARAN 52
5.1 Kesimpulan 52
5.2 Saran 52
DAFTAR PUSTAKA 53
ix
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 16
Tabel 3.1 Rangkuman Data Penjualan 18
Tabel 3.2 Use Case Specification untuk Use Case Home 26 Tabel 3.3 Use CaseSpecification untuk Use Case Prediksi 26 Tabel 3.4 Use CaseSpecification untuk Use Case Login 27 Tabel 3.5 Use CaseSpecification untuk Use Case Home 28 Tabel 3.6 Use CaseSpecification untuk Use Case Prediksi 28 Tabel 3.7 Use CaseSpecification untuk Use Case Login 29 Tabel 3.8 Use Case Specification Untuk Use Case Data 29
Tabel 4.1 Rencana Pengujian 41
Tabel 4.2 Hasil Pengujian 42
Tabel 4.3 Tabel Data OPC 44
Tabel 4.4 Tabel Data PCC 44
Tabel 4.5 Tabel Data OPC bulk 44
Tabel 4.6 Tabel Data OPC normalisasi 45
Tabel 4.7 Tabel Data PCC normalisasi 45
Tabel 4.8 Tabel Data OPC bulk normalisasi 45
DAFTAR GAMBAR
Hal. Gambar 2.1 Arsitektur dasar jaringan saraf tiruan (sutejo et al, 2011) 9 Gambar 2.2 Jaringan backpropagation dengan lapisan tersembunyi (Puspita, 2006) 10 Gambar 2.3 Alur kerja algoritma tahap pelatihan backpropagation
(sutejo et al, 2011) 10
Gambar 3.1 Grafik pnjualan 18
Gambar 3.2 Flowchat Proses training 22
Gambar 3.3 Flowchat Proses testing 24
Gambar 3.4 Use Case Diagram Penjualan 25
Gambar 3.5 Halaman login 31
Gambar 3.6 Halaman awal (Home) 32
Gambar 3.7 Halaman Prediksi 33
Gambar 3.8 Halaman Data 34
Gambar 3.9 Halaman Grafik 34
Gambar 3.10 Halaman Logout 35
Gambar 4.1 Tampilan Halaman Awal (Home) 37
Gambar 4.2 Tampilan Prediksi 38
Gambar 4.3 Tampilan Data 39
Gambar 4.4 Tampilan Tambah Data 39
Gambar 4.5 Tampilan Grafik 40
Gambar 4.6 Tampilan Grafik Lanjutan 40
Gambar 4.7 Grafik Parameter Penelitian 50
Gambar 4.8 Grafik Prediksi Penjualan 50
Gambar 4.9 Grafik Pelatihan nilai error 67
v
ABSTRAK
Prediksi dalam menghitung nilai penjualan dibutuhkan oleh managemen perusahaan industri dalam menentukan kebijakan tentang penjualan terkait penghitungan penjualan perbulan dan penjualan pertahun. Penelitian ini bertujuan untuk menentukan faktor penjualan perbulan, pertahun dari wilayah pemasaran produk yang berpengaruh terhadap penjualan di masa yang akan datang dan membangun model prediksi terbaik dengan teknik jaringan saraf tiruan. Kriteria pilihan model yang digunakan adalah backpropagation. Metode backpropagation menghitung seluruh data sampel yang berjumlah 1344 data, untuk mencari nilai rata-rata penjualan pada masa yang akan datang dari histori data sebelumnya yang dimulai tahun 2006 hingga 2013 dari lima wilayah pemasaran produk yaitu Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. Selain itu juga dihitung nilai rata-rata training dan testing, berdasarkan pembagian nilai rata-rata di dapatkan 1075 data pelatihan atau 80% data keseluruhan dan 269 data pengujian atau 20% data keseluruhan. Dari hasil pengujian yang dilakukan diperoleh tingkat ketepatan terhadap prediksi dalam menggunakan jaringan saraf tiruan backpropagation dengan hasil rata dari 50% hingga 99%.
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
BAB 1 PENDAHULUAN
1.1Latar Belakang
Penjualan merupakan sebuah kegiatan yang bertujuan untuk mencari, mempengaruhi dan memberi petunjuk kepada pembeli agar dapat menyesuaikan kebutuhannya dengan produk yang ditawarkan serta mengadakan perjanjian mengenai harga yang menguntungkan bagi kedua belah pihak (Moekjiat, 2000). Dunia industri selalu ada persaingan antara satu perusahan dengan perusahan lainnya. Prediksi adalah perpaduan antara seni dan ilmu dalam memperkirakan keadaan di masa yang akan datang, dengan memproyeksikan data-data masa lampau ke masa yang akan datang dengan menggunakan model matematika maupun perkiraan yang subjektif (Montgomery, 1990).
Prediksi tingkat penjualan yang dapat dijadikan rujukan, guna meningkatkan keuntungan adalah data penjualan untuk aktivitas pemberitahuan data penjualan perbulan, pertahun, dan wilayah pemasaran produk. Salah satu metode yang dianjurkan dalam memprediksi penjualan adalah neural network. Salah satu algoritma neural network yang umum dipakai adalah metode backpropagation. Jaringan saraf tiruan atau neural network merupakan pradigma pengelolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti informasi pada otak manusia.
Elemen kunci dari paradigma ini adalah sebuah prosesor yang terdisibusi paralel dan mempunyai kecenderungan dan membuatnya tetap tersedia untuk digunakan, berkerja serentak untuk menyelesaikan masalah tertentu (Haykin, 1994).
Berdasarkan latar belakang di atas, penulis dalam penelitian ini dengan judul "PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACKPROPAGATION”.
1.2 Rumusan Masalah
Berdasarkan pemaparan latar belakang di atas, rumusan masalah yang akan dibahas yaitu bagaimana memprediksi penjualan yang di masa yang akan datang berdasarkan penjualan di masa lalu.
1.3 Batasan Masalah
Hendaknya pembahasan penelitian ini tidak menyalahi aturan dari apa yang telah dirumuskan, maka dibutuhkan batasan masalah dan ruang lingkup penelitian seperti berikut:
1. Data yang digunakan merupakan data tahun sebelumynya dari tahun 2006 hingga 2013 yang diperoleh dari PT. Lafarge Semen Andalas Indonesia.
2. Parameter yang digunakan adalah waktu, wilayah pemasaran dan jenis produk. 3. Data yang digunakan adalah data penjualan setiap bulan.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk memprediksi penjualan pada tahun yang akan datang menggunakan jaringan saraf tiruan serta metode backpropagation.
1.5Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian ini adalah:
1 Penelitian ini dapat membantu perusahaan untuk mengetahui prediksi penjualan dimasa yang akan datang.
2 Sebagai acuan alternative perusahan dalam membantu meningkatkan kinerja perusahaan.
3
1.6 Metode Penelitian
Tahapan yang akan dilakukan pada penelitian ini adalah sebagai berikut: a. Studi Literatur
Pada tahap awal pada penelitian penulis melakukan studi kepustakaan yaitu proses mengumpulkan bahan sebagai metode pembelajaran terhadap jaringan saraf tiruan, algoritma back propagation, prediksi penjualan pada perusahaan dari buku, jurnal, paper, makalah, dan sumber lainnya. Pada tahap ini melakukan studi tentang prediksi penjualan pada suatu perusahan.
b. Analisis Permasalahan
Pada tahap ini melakukan penganalisisan secara detail terhadap studi literatur untuk mendapatkan pemahaman mengenai metode backpropagation untuk menyelesaikan masalah tentang prediksi penjualan.
c. Perancangan Sistem
Pada tahap ini melakukan perancangan pada perangkat lunak yang dibangun secara kesuluruhan, seperti perancangan proses dan perancangan antarmuka. d. Implementasi
Pada tahap ini dilakukan pengkodean perangkat lunak menggunakan bahasa pemrograman yang sesuai dengan spesifikasi yang ditentukan.
e. Pengujian
Pada tahap ini dilakukan pengujian terhadap sistem perangkat lunak yang dibangun, dan bagaimana keakuratan dari sistem yang telah dibuat.
f. Penyusunan Laporan
Pada tahap ini dilakukan penyusunan laporan sebagai dokementasi dari keseluruahan perangkat lunak dan laporan mengenai perangkat lunak yang dikembangkan.
1.7 Sistematika Penulisan
Sistematika penulisan pada penulisan skripsi ini terbagi dalam lima bagian utama yang terdiri atas:
BAB 1 Pendahuluan
BAB 2 Studi Literatur
Bab ini membahas teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penilitian ini. Pada bab ini akan di jelaskan jaringan saraf tiruan secara umum, backpropagation, dan prediksi data penjualan pada perusahan.
BAB3 Analisis dan Perancangan
Pada bab ini berisikan membahas analis perancangan sistem dan program yang mencakup perencangan sistem yang dibangun.
BAB 4 : Implementasi dan Pengujian
Pada bab ini berisi pembahasan tentang implementasi dari analisis dan perencangan perangkat lunak dari sistem. Kemudian dilakukan cara kerja dari sistem dan menampilkan hasil pengujian sistem yang dibangun.
BAB 5 Kesimpulan dan Saran
BAB 2
LANDASAN TEORI
Dalam bab ini dibahas tentang konsep dasar teori yang digunakan sebagai landasan pengerjaan prediksi penjualan pada perusahaan semen menggunakan metode backpropagation. Pembahasan ini bermaksud untuk menguraikan teori dan algoritma yang digunakan pada sistem.
2.1 Defenisi Semen
Semen(cement) adalah hasil industri dari paduan bahan baku batu kapur atau gamping sebagai bahan utama dan lempung atau bahan pengganti lainnya dengan hasil akhir berupa padatan berbentuk bubuk, tanpa memandang proses pembuatannya, yang mengeras atau membatu pada pencampuran dengan air (Mubarok, 2010). Bila semen dicampurkan dengan air, maka terbentuklah beton.
Batu kapur/gamping adalah bahan alam yang mengandung senyawa kalsium soksida (CaO), sedangkan lempung/tanah liat adalah bahan alam yang mengandung senyawa: silika oksida (SiO2), aluminium oksida (Al2O3), besi oksida (Fe2O3) dan magnesium oksida (MgO) (Mubarok, 2010). Untuk menghasilkan semen, bahan baku tersebut dibakar sampai meleleh, sebagian untuk membentuk clinkernya, yang kemudian dihancurkan dan ditambah dengan gips (gypsum) dalam jumlah yang sesuai. Hasil akhir dari proses produksi dikemas dalam kantong atau zak dengan berat rata-rata 40 kg atau 50 kg. Jenis- jenis semen dibagi atas dua macam yaitu:
1. Semen OPC (Ordinary Portland Cement).
2. Semen PCC (Portland Pozzolan Cement).
Semen yang berat kantong 40kg yang dipakai untuk keperluan konstruksi umum yang tidak memerlukan persyaratan khusus terhadap panas hidrasi dan kekuatan tekan awal, dan dapat digunakan untuk bangunan rumah pemukiman, gedung-gedung bertingkat dan lain-lain.
2.2 Definisi Penjualan
Secara umum definisi penjualan dapat diartikan sebagai sebuah usaha atau langkah konkrit yang dilakukan untuk memindahkan suatu produk, baik itu berupa barang ataupun jasa, dari produsen kepada konsumen sebagai sasarannya.
Penjualan merupakan sebuah kegiatan yang bertujuan untuk mencari, mempengaruhi dan memberi petunjuk kepada pembeli agar dapat menyesuaikan kebutuhannya dengan produk yang ditawarkan serta mengadakan perjanjian mengenai harga yang menguntungkan bagi kedua belah pihak (Moekjiat, 2000).
Tujuan utama penjualan yaitu mendatangkan keuntungan atau laba dari produk ataupun barang yang dihasilkan produsennya dengan pengelolaan yang baik. Dalam pelaksanaannya, penjualan sendiri tak akan dapat dilakukan tanpa adanya pelaku yang bekerja didalamnya seperti agen, pedagang dan tenaga pemasaran.
2.3 Defenisi Prediksi Penjualan
Di dunia industri acakap kali selalu ada persaingan antara satu perusahan dengan perusahan lainnya. Perusahan harus merencankanan bagaimana seefektif mungkin agar dapat di terima pasar. Untuk membentuk satu perencanaan produksi yang baik melakukan prediksi terhadap waktu produksi, konsumen, pangsa pasar yang potensial oleh perusahaan. Pada hakekat prediksi ialah memperkirakan atau melakukan penaksiran terhadap berbagai kemungkinan yang akan terjadi pada suatu rencana yang lebih pasti dalam waktu yang akan datang. Ada beberapa pengertian tentang prediksi antara lain:
1. Prediksi merupakan nilai-nilai sebuah peubah berdasarkan kepada nilai yang diketahui yang didasarkan pada data historis dan pengalaman dari satu individu maupun kelompok (Makridakis, 1991).
7
3. Prediksi adalah perpaduan antara seni dan ilmu dalam memperkirakan keadaan di masa yang akan datang, dengan memproyeksikan data-data masa lampau ke masa yang akan datang dengan menggunakan model matematika maupun perkiraan yang subjektif (Montgomery, 1990).
Dari beberapa definisi dari pakar tentang prediksi yang telah disebutkan dapat disimpulkan bahwa prediksi merupkan keadaan yang memperkirakan data-data masa lampau ke masa akan datang dengan melakukan penaksiran terhadap berbagai kemungkinan yang akan terjadi pada suatu rencana yang lebih pasti dengan menggunakan model matematika maupun subjektif.
2.3.1 Jenis- Jenis Prediksi Penjualan
Menurut para ahli prediksi, pada umumnya prediksi dapat dibedakan dari beberapa segi tergantung dari cara melihatnya dilihat dari sifat penyusunan (Assauri, 1984). Prediksi dapat dibedakan atas dua macam yaitu:
1. Prediksi subjektif ialah prediksi yang di dasarkan atas perasaan atau intuisi dari orang yang menyusunnya.
2. Prediksi objektif ialah prediksi yang didasarkan atas data yang relevan pada masa lalu,dengan mengunkan metode matematik dan teknik penganalisaan data.
Pada umumnya prediksi subjektif dan prediksi objektif memiliki rentangan waktu untuk prediksi yang disusun. Ada tiga rentangan waktu di dalam melakukan prediksi yaitu:
1. Prediksi rentangan waktu pendek (Short Term)
Pada Prediksi rentangan waktu pendek memiliki rentagan waktu kurang dari 3 bulan, biasanya data bersifat harian atau mingguan.
2. Prediksi rentangan waktu menengah (Medium Term)
Pada prediksi rentangan waktu menengah memiliki rentangan waktu antara 3 bulan hinga 3 tahun, biasanya data bersifat bulanan dan kuartal.
3. Prediksi rentangan waktu panjang (Long Term)
2.4 Jaringan Saraf Tiruan
Jaringan syaraf tiruan (JST) adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi. JST dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa:
1. Pemrosesan informasi terjadi pada banyak elemen sederhana (neuron). 2. Sinyal dikirimkan diantara neuron-neuron melalui penghubung-penghubung.
3. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal.
4. Untuk menentukan output, setiap neuron menggunakan fungsi aktivasi (biasanya bukan fungsi linier) yang dikenakan pada jumlahan input yang diterima. Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
Hal yang ingin dicapai dengan melatih JST adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Yang dimaksud kemampuan memorisasi adalah kemampuan JST untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan JST untuk menghasilkan respon yang bisa diterima terhadap pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam JST itu di inputkan informasi baru yang belum pernah dipelajari, maka JST itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan keluaran yang mendekati (Puspaningrum, 2006). Jaringan syaraf tiruan menyerupai otak manusia dalam 3 hal, yaitu :
1. Pengetahuan diperoleh jaringan melalui proses belajar.
2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.
3. Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neuron.
2.4.1 Konsep Dasar Jaringan Saraf Tiruan
9
hubungan antara neuron. Kerangka di dalam neural network terkumpul dalam jumlah lapisan (layer) dan jumlah node setiap lapisan (Sutojo et al. 2011). Umumnya arsitektur di jaringan saraf tiruan memiliki lapisan-lapisan dibagi menjadi tiga, yaitu: 1. Lapisan input
Unit-unit dalam lapisan node input disebut unit-unit yang bertugas menerima pola input dari luar menggambarkan suatu masalah.
2. Lapisan tersembunyi
Unit-unit dalam lapisan node tersembunyi disebut unit-unit tersembunyi, yang mana nilai outputnya tidak dapat diamati secara langsung.
3. Jaringan Output
Unit-unit dalam lapisan node output disebut unit-unit output, yang merupakan solusi jaringan saraf tiruan terhadap suatu permasalahan
Gambar 2.1 Arsitektur dasar jaringan saraf tiruan (Sutejo et al, 2011)
2.5 Algoritma Backpropagation
Gambar 2.2 Jaringan backpropagation dengan lapisan tersembunyi (Puspitaningrum, 2006)
Backpropagation memiliki penurunan gradien untuk meminimalkan kuadrat terhadap error keluaran. Untuk mendukung meminimalkan kuadrat eror backpropagation dapat dibagi menjadi dua bagian algoritma (sutojo et al, 2011):
2.5.1 Algoritma tahap pelatihaan
Pada tahap ini algoritma backpropagation melakukan alur maju dengan tahap pelatihan input ,tahap propagation eror, tahap propagation nilai bobot dan bias. Berikut ini adalah keterangan alur kerja algoritma tahap pelatihan backpropagation pada gambar 2.3.
11
2.5.1.1 Inisialisasi Bobot.
Menentukan angka yang nilai ambang ( jika memakai nilai ambang dalam kondisi berhenti) ; atau mengatur nilai maksimal epoch ( jika memakai banyak nilai epoch dalam kondisi berhenti). Proses tahap algoritma pelatihan sebagai berikut:
1. Dalam kondisi berhenti bernilai salah maka nilai menjadi while atautidak terpenuhi do maka melanjutkan langkah ke-2 hingga langkah ke-9.
2. Pada langkah ke-3 hingga langkah ke-8 untuk menentukan pasangan pola pelatihan dengan tahapan umpan maju.
Fase umpan maju(foward propagation)
3. Pada tiap unit input Xi, i=1,2,3,...,n ( mengirimkan sinyal dari unit 1 hingga ke-n) mengirimkan sinyal ke semua unit yang ada di lapisan atasnya ke lapisan tersembunyi.
Xi (2.1) 4. Menghitung Nilai input Zj, j=1,2,3,...n. Pada tahap ini menghitung nilai input Zj=1
hingga Zj=n unit tersembunyi Zj ( dari unit ke-1 sampai ke-p; i=i,...,n; j=l,..,p) sinyal output lapisan tersembunyi dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbot Xi:
hingga Yj=n pada unit output yk (dari unit ke-1 sampai unit ke= n i=l,...n; k=l,...,m) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyalbobot Zj bagi lapisan sinyal dengan rumus sebagai berikut:
= � + ∑
�
=1
Fase Backpropagation Eror( Menentukan propagasi eror)
6. Didalam Pembangunan program di neural network khususnya Backpropagation. Backprogation memiliki satu layer tersembunyi (Hidden Layer) dan menggunakan fungsi aktivasi sigmoid biner. Back propagation menggunakan nilai kemelesatan atau eror, output untuk mengubah nilai bobot arah mundur. Untuk dapatkan nilai output eror, tahapan perambatan maju harus dikerjakan terlebih dahulu output Yk (dari unit ke-1 sampai unit ke-m; i=l,..,p; k=l,..,m) menerima target tk lalu
informasi kesalahan lapisan output (δk) dihitung. δk dikirim ke lapisan dibawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias (∆wjk dan ∆w0k)
antara lapisan tersembunyi dengan lapisan output :
� = � − �′ � + ∑ 7. Unit pada lapisan tersembunyi unit ke-1 hingga unit ke-p; i=1,...,n;j=l,..,p; k=l,...,m
melakukan penjumlahan seluruh informasi lapisan tersembunyi (δj) yang dapat terjadi kesalan informasi. δj melakukan perhitungan agar mengkoreksi nilai bobot dan bias ∆wjk dan ∆w0k terdapat pada input serta lapisan tersembunyi .
� = (∑ � � (Wk , K= 1,2,3... ,m) dilakukan perubahan bobot dan bias (j=0,1,2,3..., p).dengan persaman berikut.
wkj (baru)= wkj(lama) + Δwkj (2.6)
13
V
ji(baru)= v
ji(lama) + Δv
ji (2.7)9 . mencoba hasil akhir dalam kondisi berhenti.
2.5.2 Algoritma Tahap Aplikasi
Pada tahap ini algoritma backpropagation meneruskan proses dari algoritma pelatihan untuk melakukan tahap maju. Menginisialisasi bobot, yang melanjutkan nilai bobot bias yang terakhir dari tahap pelatihan sebagai berikut:
1. Unit di setiap input vektor melakukan langkah dari ke-2 hingga langkah ke-4. 2. Pada tiap lapisan unit Xi (lapisan unit ke-1 hingga unit ke-n terhadap lapisan input;
i=l,...,n) pengujian Xi dengan menerima input sinyal dan sinyal Xi melakukan penyiaran ke seluruh unit lapisan yang tersembunyi atau di atasnya.
3. Pada tiap lapisan tersembunyi Zj (lapisan unit ke-1 hingga lapisan unit ke-p; i=l,....,n;) menghitung seluruh sinyal output merepkan aktivasi pada penjumlahan fungsi sinyal input pada Xi. Output pada lapisan sinyal tersembunyi kemudian ditransfer ke seluruh unit pada lapisan atas atau lapisan tersembunyi:
i=l,....,m;) menghitung seluruh sinyal output merepkan aktivasi pada penjumlahan fungsi sinyal input pada Zj. Output pada lapisan sinyal tersembunyi kemudian ditransfer ke seluruh unit pada lapisan atas atau lapisan tersembunyi:
= � + ∑
�
=1
(2.9) 2.5.3 Activation Function
1.Fungsi Sigmoid Biner
Fungsi aktivasi sigmoid biner dengan rentangan (0,1) didefenisikan berikut ini:
�
1=
11+ �−� (2.10)
Contoh grafik pada sigmoid biner dapat dilihat pada gambar 2.4:
Gambar 2.4 Fungsi aktivasi Sigmoid (Kusumadewi, 2004)
2.5.4 Penginisialisasi Nilai Bobot dan Bias
Pada umumnya prosedur penginisialisasi nilai bobot dan bias dipengaruhi oleh cepat atau tidaknya nilai bobot terhadap neuron nilai bias. Salah satu cara didalam melakukan penginiisialisasi terhadap bobot dan bias pada backpropaagation
1. Inisialisasi Acak
Umumnya pada saat menginisialisasi bobot dan bias, dari unit ke unit hingga ke unit tersembunyi dan dari unit tersembunyi ke output secara random dengan interval tertentu (-ᾰ dan ᾰ) contoh nilai interval -0,2 hingga 0,2, -0,7 hingga 0,7, dan -1 hingga 1.( sutejo et al, 2011)
2. Inisialisasi Nguyen Windrow
Propagasi balik yang bobot dan bias yang diinilisasi dengan Nguyen-Windrow akan lebih cepat proses inisialisasi dari pada bilangan acak. Faktor skala Nguyen- windrow (β) dengan format perhitungan:
β = 0,7 (p) 1/
Penjelasan :
n= banyak unit input p = banyak unit tersembunyi β = faktor skala
Inisialisasi Nguyen-Windrow
Unit tersembunyi pada unit ke-1 hingga unit ke-p:
1. Menginisialisasi vektor bobot dari unit input ke unit tersembunyi ( j = l,..., p) dengan cara sebagai berikut:
15
Vij( lama) = bilangan acak antara - β dan β dimana i = l,..., n. b. Menghitung || Vij ||
c. Menginisialisasi kembali Vij:
Vij = β . Vij ( lama ) || Vij ||
2. Menentukan bias antara unit input ke unit tersembunyi (j = l,..., p) V0j dengan
bilangan acak yang terletak pada skala –β dan β 2.5.5 Momentum Terhadap Pengupdatean Nilai bobot
Penambahan terhadahap momentum dalam pengupdatean terhadap nilai bobot yang berguna sebagai laju proses pelatihan. Momentum memacu proses kerja nilai bobot yang terus bergerak yang tidak terjebak kedalam nilai minimum lokal. Proses pelatihan yang terjadi didalam pengupdatean pada jaringan biasa dengan rumus seperti berikut:
Δw
jk= α δ
k zj (2.11)Δv
ij= α δ
jxiPada nilai output tidak terjadi nilai eror , maka δk akan berubah menjadi 0 dan
maka dari ini disebabkan oleh koreksi bobot ∆Wjk = 0, maka bobot yang melakukan
pengupdetan nilai akan berlanjut ke dalam arah pada sebelumnya. Parameter terhadap momentum nilai pengupdatean bobot dalam kisaran 0 hingga 1, maka persamaanya akan melakukan modifikasi seperti berikut:
Δw
jk(t + 1) = α δ
k zj+ µ Δw
jk(t)Δv
ij(t + 1) = α δ
jx
i+ µ Δv
ij(t) (2.12)
2.6 Penelitian Terdahulu
Penelitian yang sebelumnyayang telah dilakukan tetang backpropagation untuk melakukan prediksi adalah penjualan beban listrik menggunakan algoritma resilent backpropagation (Apriliyah et al, 2008), curah hujan kota bengkulu menggunkan algoritma feed foward network (Sari, 2009), dan perilaku pengunjung terhadap pola transaksi di gramedia mengggunakan algoritma backpropagation (Sangadji, 2009).
Hasil penelitiannya menunujukan bahwa proses perkiraan pada penjualan beban listrik dengan menggunakan riselent backpropagation persentase error dalam penjualan beban listrik dari 0,388% hingga 1,748%. Dengan nilai mean square error pada penjualan listrik dari 0,00001836 hingga 0,00002832 nilai mean square error. Algoritma resilent backpropagation yang diterapkan nilai sudah cukup optimal untuk proses perhitungan error sudah cukup baik.
Sari (2009) melakukan penelitian untuk memprediksi curah hujan terhadap kota bengkulu menggunakan algoritma feed foward network memerlukan satu algoritma pendukung yaitu quasi newton BFGS dengan target minimum errornya mencapai rata- rata 0,5% hingga 0,7% dengan curah hujan rata-rata 60 mm/bln sampai dengan 100 mm/bln. Algoritma feed foward network yang diterapkan masih kurang optimal untuk prosess perhitungan karena harus didukung algoritma yang lain untuk menghitung error.
Sangadji (2009) melakukan penelitian untuk perilaku pola pengunjung terhadap transaksi pada toko buku gramedia menggunakan algoritma backpropagation, dengan nilai pengukuran terhadap kinerja pada sistem memiliki ketepatan data dari 60% sampai 80% dan nilai persentasi error pada data dari 20% hingga 40%. Algoritma backpropagation yang diterapkan nilai sudah cukup optimal untuk proses perhitungan error sudah cukup baik.Penelitian terdahulu dapat dilihat pada tabel 2.1
Tabel 2.1 Penelitian terdahulu
Peneliti Metode Penelitian
A Apriliyah at al (2008)
Perkiraan penjualan beban listrik menggunakan jaringan saraf tiruan resilent backpropagation.
Sari (2009) Prediksi curah hujan Kota Bengkulu dengan model Feed Foward Neural Network (FFNN).
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Pada bab ini secara garis besar membahas tentang analisis metode backpropagation dan jaringan neural network pada sistem dan tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1 Data Yang Digunakan
Penulis mengambil data dari PT. Lafarge Semen Andalas Indonesia area kerja Sumatera yang berjumlah 1344 data, merupakan data time series dari tahun 2006 hingga 2013. Perusahan menginput hasil penjualan setiap hari produksi dengan merekap seluruh data hasil penjualan ke data bulanan. Setelah terkumpul hasil penjualan perbulan akan disatukan menjadi data penjualan tahunan. Data penjualan di daerah aceh dengan produk PCC yang berjumlah 12 data, yang ada dapat dilihat seperti yang dirangkum pada tabel 3.1.
Tabel 3.1 Rangkuman Data Penjualan
No Periode Penjualan
11 November 2006
18.991 12 Desember 2006 16.728
... ... ...
... ... ...
1341 September 2013 36.200 1342 Oktober 2013 47.838 1343 November2013 50.427 1344 Desember2013 36.200
Untuk pemodelan data pada tabel 3.1 dalam bentuk grafik, dapat dilihat pada gambar 3.1.
Gambar 3.1 Grafik penjualan
3.2 Analisis Sistem
Analisis pada sistem untuk memproses pengidentifikasi terhadap sistem yang akan dikembangkan. Analisis pada sistem sangat dibutuhkan sebagai acuan utama perancangan pada sistem. Di peneitian ini terdapat tahap proses analis yaitu tahap training dan tahap testing.
0 10,000 20,000 30,000 40,000 50,000 60,000
penjualan
19
Tahapan proses training atau pelatihan sebagai berikut:
1. Memasukan nilai learning rate (nilai pembelajaran), masukan nilai tolerensi error atau nilai ambang (Monentum), dan memasukan data Perusahan sebagai nilai acuan inisialisasi bobot awal.
2. While kondisi berhenti tidak terpenuhi do langkah ke-2 sampai langkah ke-9. 3. Untuk setiap pasanggan pola pelatihan, melakukan langkah ke-3 sampai langkah
ke-8.
4. Setiap unit input Xi (dari unit ke-1 sampai unit ke-n pada lapisan input) mengirimkan sinyal input ke semua unit yang adadi lapisan atasnya (kelapisan tersembunyi)(2.1).
5. Melakukan tahap perhitungan feed foward seperti perhitungan tahap dari unit keluaran Zj (1) hingga unit keluaran P Tahap (2). Menghitung Nilai output Zj, j=1,2,3,...n. ( dari unit ke-1 sampai ke-p; i=i,...,n; j=l,..,p) sinyal output lapisan tersembunyi dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbot Xi Kemudian dikirim ke semua unit di lapisan atasnya (lapisan tersembunyi) dalam tahap (2.2).
6. Menghitung nilai input Yk, k=1,2,3,..,n. Pada tahap ini menghitung input Yk=1 hingga Yj=n pada unit output yk (dari unit ke-1 sampai unit ke= n i=l,...n; k=l,...,m) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal bobot Zj dalam tahap (2.3).
7. Setiapunit ouput Yk (dari unit ke-1 sampai unit ke-m; j=l,...,P; k=l,..,m) menerima
pola target tk lalu informasi kesalahan lapisan output(δk) dihitung. δk dikirim ke
lapisan di bawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias
(δWjk dan δWok) antara lapisan tersembunyi dengan lapisan o)utput dalam tahap (2.4).
8. Pada setiap lapisan tersembunyi(dari unit ke-1 sampai unit ke-m; i=l,...,P; k=l,..,m)
untuk menghitung besar koreksi bobot dan bias (δVij dan δVoj) antara lapisan input dan lapisan tersembunyi dalam tahap (2.5).
9 . Pada setiap unit output Yk (dari unit ke-1sampai unit ke-m) dilakukan pengupdate bias dan bobot (j=0,...,p; k=l,...,m) sehingga bias dan bobot yang baru menjadi pada tahap (2.6).
10. Dari unit ke-1 sampai unit ke-p lapisan tersembunyi juga dilakukan pengupdatean pada tahap unit tersembunyi mengupdate bobot (i=0,....,p) pada tahap (2.7).
21
Contoh gambar flowchart training pada gambar 3.2 sebagai berikut
Mulai
Learning rate (nilai pembelajarran), Momentum
(Nilai toleransi error)
Data Penjuaan Perusahan
Inialisasi Bobot Awal
Epoch = 1 Epoch= Epoch + 1
Unit Keluaran Z (Input layer ke hidden layer)
Unit Keluaran Y (Hidden layer ke output layer)
Menghitung Error
Error <= target Error
Backpropagation
Perubahan bobot
Bobot Pelatihan
Selesai Tahap Feed Foward
Tidak
Ya
Unit Input X
(mengirimkan sinyal input ke semua hidden layer)
Tahapan proses testing sebagai berikut:
1. Penginisialisasi bobot, bobot ini diambil dari bobot –bobot terakhir yang diperoleh dari algoritma pelatihan.
2. Untuk Setiap vektor input, lakukan langkah ke-2 sampai ke-4.
3. Setiap unit Xi (dari unit ke-1 sampai unit ke-n pada lapisan input; i=l,..,n) menerima sinyal input pengujian Xi dan menyiarkan sinyal Xi ke semua unit pada lapisan di atasnya ( unit-unit tersembunyi).
4. Setiap unit lapisan tersembunyi Zj (dari unit ke-1 sampai unit ke-p; i=l,...,n; j=l,...,p) Menghitung sinya outputnya dengan input Xi. Sinyal Output dari lapisan tersembunyi kemudian dikirim ke semua unit pada lapisan di atasnya ( ke lapisan tersembunyi) dalam tahap (2.8).
5. Setiap unit output Yk (dari unit ke-1 sampai unit ke-m; j=l,...,p; k=l,...,m) menghitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahansinyal-sinyal input bagi lapisan ini, yaitu sinyal-sinyal input Zj dari lapisan tersembunyi dalam tahap (2.9).
6. Mengambil bobot terbaik pada training (pengujian) untuk dihitung ke tahap alur maju.
7. Menghasilkan data lebih kecil dari jumlah data pengujian.
8. Menghitung nilai pengujian dengan MSE (Mean Squaere Eror) dengan rumus pada tahap 3.1.
(3.1)
23
Contoh gambar flowchart testing pada gambar 3.3: Mulai
Data Penjualan
Unit Keluaran Y (Hidden layer ke output layer)
Menghitung MSE
Selesai
Bobot Terakhir Pelatihan
Tahap Feed Foward
Unit Keluaran Z (Input layer ke hidden layer)
Data < Jlh Data Pengujian
ya
Hasil Prediksi Penjualan Tidak
Unit Input Xi
(Mengirimkan sinyal input ke hidden layer)
3.3 Use Case Diagram
Perancangan sistem digambarkan dengan menggunakan model use case diagram, dalam hal pengidentifikasian aktor berdasarkan pada tahap analisis pengguna, aktor yang berperan dalam aplikasi ini dua aktor yaitu user yang akan menggunakan sistem untuk melakukan prediksi dan administrator yang menggunakan sistem untuk melakukan prediksi penentuan biaya perkuliahan.
Use case yang terjadi adalah use case melakukan prediksi penentuan biaya perkuliahan. Diagram use case dapat memberikan gambaran interaksi yang terjadi antara aktor dengan use case di dalam sistem. Berdasarkan pengidentifikasian aktor dan use case, scenario use case yang terjadi dapat digambarkan dengan diagram contoh use case pada gambar 3.4 sebagai berikut:
User
Admin Home
Data Grafik Prediksi
Login
Logout Login <<Include>>
<<In clud
e>>
<<Include>>
25
3.3.1. Use case specification
Use case specification merupakan perkembangan dari use case diagram untuk setiap use case. Use case specification menjelaskan detail bagaimana sebuah
use case berkerja (Muchtar & Sani, 2011). Berikut ini adalah use case specification dari sistem yang akan dibangun berdasarkan use case diagram pada Tabel 3.2.
Tabel 3.2 Use Case Specification untuk Use Case Home
Tipe Use Case Penjelasan
Nama Use Case Home
Aktor User
Deskripsi
Use case ini digunakan oleh user Setelah melakukan proses login.
Pre-Condition Setiap pengunjung dapat mengkases modul ini.
Character Of Activation Eksekusi dapat dilakukan oleh siapapun Basic Flow 1. Pengunjung terlebih dahulu
melakukan proes login agar sistem mengetahui siapa yang mengakses sistem.
2. Kemudian sistem menampilkan tampilan home.
Alternative Flow -
Post-Condition Sistem akan menampilkan tampilan home yang berisikan pesan selamat dating
Limitaton -
Tabel 3.3 Use Case Specification untuk Use Case Prediksi
Tipe Use Case Penjelasan
Nama Use Case Prediksi
Aktor User
Deskripsi
Use case ini digunakan oleh user untuk melihat prediksi penjualan Pre-Condition Setiap pengunjung dapat mengkases
modul ini.
Basic Flow 1. Pengunjung mengklik tombol
4. Sistem akan melakukan proses untuk memprediksi penjualan.
5. Kemudian sistem akan menampilkan hasil prediksi penjualan
Alternative Flow -
Post-Condition Sistem akan menampilkan data penjualan
Limitaton -
Tabel 3.4 Use Case Specification untuk Use Case Login
Tipe Use Case Penjelasan
Nama Use Case Login
Aktor User
Deskripsi
Use case ini digunakan oleh user untuk melakukan proses login untuk masuk kedalam sistem.
Pre-Condition User harus memiliki username dan password untuk dapat login.
Character Of Activation Eksekusi dapat dilakukan oleh siapapun
Basic Flow 1. User memasukan username dan
password pada header aplikasi, kemudian klik tombol login. 2. Sistem akan megecek apakah
username dan passwordnya valid Alternative Flow Siestem akan memberikan pesan jika
gagal masuk di karenakan username dan password salah.
27
Limitaton -
Tabel 3.5 Use Case Specification untuk Use Case Home
Tipe Use Case Penjelasan
Nama Use Case Home
Pre-Condition Hanya admin dapat mengkases modul ini.
Character Of Activation Eksekusi dapat dilakukan admin saja Basic Flow 1. Pengunjung terlebih dahulu
melakukan proes login agar
Post-Condition Sistem akan menampilkan tampilan data dari penjualan.
Limitaton -
Tabel 3.6 Use Case Specification untuk Use Case Prediksi
Tipe Use Case Penjelasan
Nama Use Case Prediksi
Aktor Admin
Deskripsi
Use case ini digunakan oleh admin untuk melihat prediksi penjualan.
Pre-Condition Setiap pengunjung dapat mengkases modul ini.
Character Of Activation Eksekusi dapat dilakukan oleh siapapun
Basic Flow 1. Pengunjung mengklik tombol
2. Kemudian pengunjung memasukan parameter yang digunakan untuk proses prediksi.
3. Klik tombol proses.
4. Sistem akan melakukan proses untuk memprediksi penjualan.
5. Kemudian sistem akan menampilkan hasil prediksi penjualan.
Alternative Flow -
Post-Condition Sistem akan menampilkan data penjualan.
Limitaton -
Tabel 3.7 Use Case Specification untuk Use Case Login
Tipe Use Case Penjelasan
Nama Use Case Login
Aktor Admin
Deskripsi
Use case ini digunakan oleh admin untuk melakukan proses login untuk masuk kedalam sistem.
Pre-Condition User harus memiliki username dan password untuk dapat login. Character Of Activation Eksekusi dapat dilakukan oleh
siapapun.
Basic Flow 1. User memasukan username dan
password pada header aplikasi, kemudian klik tombol login. 2. Sistem akan megecek apakah
username dan passwordnya valid Alternative Flow Siestem akan memberikan pesan jika
gagal masuk di karenakan username dan password salah.
Post-Condition User dapat masuk dan keluar sistem
29
Tabel 3.8 Use Case Specification untuk Use Case Data
Tipe Use Case Penjelasan
Nama Use Case Data
Aktor Admin
Deskripsi
Use case ini digunakan oleh admin untuk melakukan proses data. Pre-Condition User harus memiliki username dan
password untuk dapat login.
Character Of Activation Eksekusi dapat dilakukan oleh admin.
Basic Flow 1. User memasukan username dan
password pada header aplikasi, kemudian klik tombol login. 2. Sistem akan megecek apakah
username dan passwordnya valid
4. Klik tombol data.pada menu data bisa melakukan tambah data, edit data dan hapus data.
5. Tambah data akan memuat sesuai dengan market, terminal, jenis barang, bulan, dari tahun, hingga tahun, dan nilai data produksi. 6. Jika seluruh data telah di isi maka
akan muncul data berhasil. 7. Jika data tidak bisa diinput maka
muncul pesan lengkapi data. 8. Edit data berguna untuk mengedit
jumlah total data yang salah dari perusahan.
9. jika edit data berhasil disimpan maka akan muncul pesan berhasil di simpan.
10. Hapus data berguna sebagai data yang tidak dipakai lagi.
Post-Condition User dapat masuk dan keluar sistem.
Limitaton -
3.4 Perancangan Aplikasi dan Antarmuka Pemakai
Antarmuka Sistem (User Interface) mekanisme komunikasi antara (user)dengan sistem. Antarmuka pemakai dapat menerima informasi dari pengguna untuk membantu mengarahkan alur penelusuran masalah hingga pemecahan solusi. Antarmuka pemakai sebagai media antara pengguna dan komputer agar salinh berinteraksi, sehingga pemakai sistem merasakan adanya keramahan sistem. Berikut gambar low fidelity dari sistem Managemen dan sistem perhitungan prediksi penjualan.
3.4.1 Form Login
Form Login, adalah hamalan tampilan pertama sekai saat sistem dijalankan, User yang ingin menjalankann aplikasi ini harus melakukan proses login terlebih dahulu, halaman login dapat dilihat pada gambar 3.5:
Gambar 3.5 Halaman Login Keterangan:
a. Username, form username diisi dengan nama admin atau user, untuk masuk kedalam sisstem.
b. Password, harus diisi dengan nama user atau admin, untuk bisa masuk kedalam sistem.
c. Button Login, Saat user name dan password diisi benar, kemudian klik button untuk bisa masuk kedalam sistem.
31
Halaman home, merupakan halaman awal saat aplikasi di jalankan, setelah user atau admin melakukan proses login, halaman home dapat dilihat di gambar 3.6.
Gambar 3.6 Halaman Awal (Home) Keterangan:
a. Menu Home , Adalah halaman utama setelah admin atau user berhasil login. b. Berisi pesan selamat datang bagi pengguna yang berhasil login.
c. Halaman prediksi, halaman yang berisikan hasil prediksi yang akan diketahui. d. Halaman pada data hanya ada pada tampilan admin saja, halaman data berguna
bagi admin untuk memasukan data penjualan terbaru.
e. Halaman Grafik, halaman grafik sangat berguna karena halaman grafik menampilkan grafik penjualan setiap tahunya.
f. Menu “Logout” memungkinkan bagi pengguna untuk keluar dan pergi kembali ke halaman home untuk login kembali.
3.4.3 Halaman Prediksi
Gambar 3.7 Halaman Prediksi Keterangan:
a. Di dalam halaman prediksi terdapat tampilan bulan, merupakan input data bulan berapa yang ingin di cari untuk melakukan prediksi oleh user atau admin yang berisikan bulan 1 sampai bulan 12.
b. Di dalam halam prediksi terdapat tampilan mulai tahun, merupakan input tahun berapa yang ingin di cari untuk melakukan prediksi oleh user atau admin yang berisikan tahun 2006 sampai tahun 2013.
c. Di dalam halam prediksi terdapat tampilan prediksi tahun, merupakan input tahun berapa yang ingin di cari untuk melakukan prediksi oleh user atau admin yang berisikan tahun 2006 sampai tahun 2013.
d. Di dalam halam prediksi terdapat tampilan learning rate, merupakan input learning rate berapa yang ingin di cari untuk melakukan prediksi oleh user atau admin yang berisikan -0,1 sampai 0.9 .
e. Di dalam halam prediksi terdapat tampilan momentum, merupakan input learning rate berapa yang ingin di cari untuk melakukan prediksi oleh user atau admin yang berisikan -0,1 sampai 0.9 .
3.4.4 Halaman Data
33
Gambar 3.8 Halaman Data Keterangan:
a. Merupakan menu untuk menambah data baru. b. Merupakan informasi data yang telah di tambah.
c. Merupakan informasi untuk menghapus data yang tidak dipakai lagi dan edit untuk mengedit data jika ada kesalahan saat penginputan data .
d. Merupakan halaman data yang berinformasikan data. e. Merupakan halaman yang menuju berikutnya.
f. merupakan halanan sebelumnya. 3.4.5 Halaman Grafik
Halaman data, merupakan halaman keempat. Halaman data berisikan grafik data yang di input oleh admin dan user, untuk melihat grafik hasil prediksi penjualan dengan memunculkan grafik penjualan dari wilayah penjualan.
Contoh tampilan data dapat dilihat di gambar 3.9.
Keterangan:
a. Market berisikan wilayah pemasaran produk. b. Terminal yang berisikan tempat produksi produk. c. TOC merupakan jenis-jenis produk yang di produksi.
d. Bulan yang berisikan data penjualan dari bulan 1 hingga bulan 12.
e. Mulai tahun, merupakan start awal prediksi penjualan dari tahun 2006 hingga 2013
F Sampai tahun, merupakan akhir dari data yang telah di prediksi dari tahun 2009 hingga 2014.
3.4.6 Halaman Logout
Halaman data, merupakan halaman terakhir. Halaman data berisikan proses logout yang di input oleh admin dan user, untuk keluar dari program sistem. Contoh tampilan data dapat dilihat di gambar 3.10:
. Gambar 3.10 Halaman Logout
Keterangan:
35
BAB 4
IMPLEMENTASI DAN PENGUJIAN SISTEM
Dalam bab ini akan diuraikan tahap hasil dari pengujian jaringan syaraf tiruan backpropagation dalam pengembangan sofware yaitu tahap implementasi dan pengujian sistem. Pembahasan bertujuan memproses pengimplementasi algoritma ke dalam sistem dan melakukan pengujian software yang dikembangkan.
4.1 Implementasi Sistem
Sesuai dengan hasil analisis dan perancangan yang telah dibuat, algoritma backpropagation yang akan diimplementasikan ke dalam sistem dengan menggunakan bahasa pemrograman PHP dan database MySQL. Spesifikasi perangkat Software yang digunakan adalah sebagai berikut:
1.Operating System Windows 7.
2. Processor Intel core i5-3210M 2.5 GHz with Turbo Boost Up to 3.1GHz. 3. Hard disk 750 GB.
4. Memory RAM digunakan 4.00 GB. 5. Mouse.
4.2. Antarmuka Pengguna (User Interface)
4.2.1 Tampilan Awal (home)
Halaman awal merupakan halaman yang pertama kali muncul ketika sistem dijalankan. Pada halaman ini akan ditampilkan menu login yang berisikanusername dan password . yang akan dijalankan oleh admin dan user. Tampilan halaman ini dapat dilihat pada gambar 4.1.
Gambar 4.1 Tampilan Halaman Awal (home)
4.2.2. Halaman Prediksi
37
Gambar 4.2 Tampilan Prediksi 4.2.3 Halaman Data
Gambar 4.3 Tampilan Data
Contoh gambar tambah data dapat dilihat pada gambar 4.4 sebagai berikut:
39
4.2.4 Halaman Grafik
Halaman grafik dapat digunakan user dan admin untuk melihat grafik prediksi penjualan. Untuk melakukan pencarian grafik penjualan, user dan admin dapat memasukkan data market pemesaran produk yang akan diprediksi, pabrik produksi produk, jenis produksi pada perusahaam, bulan pemasaran produk, rentangan tahun yang akan di prediksi mulai tahun hingga hingga tahun yamg akan diprediksi. Tampilan halaman ini dapat dilihat pada gambar 4.5 sebagai berikut:
Gambar 4.5 Tampilan Grafik
Hasil dari proses prediksi tahap berikutnya sistem akan menampilkan gambar sebagai berikut yang dapat dilihat dari gambar 4.6 sebagai berikut:
4.3. Pengujian Sistem
Pengujian sistem bertujuan untuk mengantisipasi kemungkinan terjadinya error yang terjadi pada komponen atau pun pada interface dari suatu program. Hal ini dilakukan dengan menguji apakah sistem tersebut telah memenuhi functional requirement
dan non-functional requirement (Sommerville, 2004).
Metode pengujian yang digunakan adalah metode pengujian
black box. Pengujian black box merupakan pengujian yang dilakukan pada
interface sistem yang digunakan untuk mendemonstrasikan fungsi sistem yang dioperasikan (Gea, 2011).
4.3.1. Rencana pengujian sistem
Adapun rancangan pengujian sistem yang akan diuji dengan teknik pengujian Black Box dapat dilihat pada Tabel 4.1
Tabel 4.1 Rencana Pengujian
No Komponen sistem yang diuji Butir uji
1 Menu Home Form login
Tombol “Login”
2 Menu Prediksi Form parameter
Tombol”Proses ”
3 Menu Data Tombol”Hapus”
Tombol”Edit”
Form Tambah
Tombol”Simpan”
4 Menu Grafik Form parameter
Tombol”Proses”
5 Menu Logout Tombol “Logout”
41
dikembangkan menggunakan metode Black Box yang di susun pada rencana pengujian yang dipaparkan pada Tabel 4.1. Maka Pengujian terhadap metode Black Box dapat dilihat pada tabel 4.2.
Tabel 4.2 Hasil Pengujian No Sistem
diuji
menambahkan data 4 Grafik Mengisi form parameter,
dan menekan tombol
5 Logout Tombol “logout” Keluar dari system Berhasil
4.4. Pengujian Sistem Secara Menyeluruh
Pengujian sistem data yang telah di input ke dalam sistem, berupa data contoh dari data penjualan dari wilayah produksi dan jenis produk biaya tak langsung untuk menghasilkan nilai prediksi.
4.4.1. Pengujian kinerja sistem
43
Dari tahun 2006 sampai 2013 seperti pada Tabel 4.3, pada Tabel 4.4 dan tabel 4.5.
Tabel 4.3 Tabel data OPC
Tabel 4.4 Tabel data PCC
Tabel 4.5 Tabel data OPC bulk No Tahun Nilai Penjualan 1 September 2006 1919
No Tahun Nilai Penjualan 1 September 2006 20085
Langkah-langkah perhitungan pada algrotima backpropagation untuk data pada tabel 4.9 adalah sebagai berikut:
1. Tentukan nilai parameter yang akan digunakan. Nilai parameter yang akan digunakan yaitu learning rate 1 = 0.2, momentum = 0.5,dan input data penjualan 1 tahun hingga 5 tahun sebelum data yang akan diramal.
2. Melakukan normalisasi data yang terdapat pada tabel 4.9 berdasarkan persamaan (3.1). Nilai hasil normalisasi dapat dilihat pada tabel 4.10.
Tabel 4.6 Tabel data OPC Normalisasi
Tabel 4.7 Tabel data PCC Normalisasi
Tabel 4.8 Tabel data OPC bulk Normalisasi No Tahun Nilai Penjualan Normalisasi
1 September 2006 1919 0,2472
No Tahun Nilai Penjualan Normalisasi
1 September 2006 20085 0.8277
No Tahun Nilai Penjualan Normalisasi
45
4.4.2 Hasil Pelatihan Jaringan Saraf Tiruan Backpropagation
Pelatihan jaringan saraf tiruan ini berfungsi untuk mengajarkan kepada jaringan pola terhadap prediksi data penjualan. Pada tahap ini akan ditampilkam beberapa kombinasi misalnya learning rate, momentum, first epoch, last epoch, interasi, prediksi dan akurasi . Hasil Pelatihan Jaringan saraf tiruan backpropagation dilihat pada tabel 4.9.
Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backptopagation
18 09/2007 2974 0,5 0,7 0,00233 0,00050 222 2712 99,08%
Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backptopagation (lanjutan) No Date Jumlah
data
Learning
Rate
Momentum Epoch MSE Interasi Prediksi
47
50 09/2007 1921 0,2 0,5 0,00156 0,00037 1006 1968 98,10%
51 09/2008 2094 0,6 0,9 0,00280 0,00063 474 1968 98,89%
52 09/2009 2524 0,1 0,5 0,00200 0,00056 306 1968 98,59%
53 09/2010 2320 0,4 0,8 0,00301 0,00066 222 25876 99,96%
Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backptopagation (lanjutan) No Date Jumlah
Epoch MSE Interasi Prediksi
2014
80 09/2013 1968 0,2 0,5 0.002242 0.00067 90 1968 92,65%
Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backptopagation (lanjutan)
49
Gambar 4.7 Grafik parameter hasil penelitian
Dapat dilihat pada Gambar 4.7, dilakukan kombinasi beberapa parameter yang digunakan untuk memprediksi dapat mempengaruhi besarnya epoch, semakin besar nilai learning rate serta momentum maka nilai epoch yang diperoleh semakin kecil last epochnya. Besarnya suatu nilai epoch dipengaruhi oleh banyaknya pergerakan jumlah learning rate dan momentum.
4.4.3 Data Pengujian
untuk hasil pelatihan yang dilakukan dengan parameter yang berbeda-beda yang didapat, kemudian dilakukan tahap pengujian pada data penjualan pada perusahaan dari januari 2006 sampai dengan januari 20132 sebesar 1344 data. Pada nilai parameter learning rate =-0,1 sampai 0,9, momentum= -0,1 sampai0,9 dan epoch (siklus pola pelatihan) yang ditentukan besaran dari learning rate dan momentum. threshold = 0,001 menghasilkan nilai minimum error terkecil pada proses pelatihan nilai maximum erorr= 2000. Memasukan nilai data untuk dilakukan prediksi bisa dilakukan 1 tahun sebelumnya bahkan 8 tahun sebelumnya maka didapat hasil prediksi pada januari 2014 produk PCC sebesar 210157ton di wilayah aceh
1 2 3 4 5 6 7
Akurasi 98.02% 98.87% 98.78% 97.63% 98.65% 93.56% 92.65%
sedangkan data sebenarnya dari PT Lafarge Semen Indonesia belum diketahui hasil penjualanya.. Grafik pola data hasil pengujian dapat dilihat pada Gambar 4.8.
Gambar 4.8 Grafik Hasil Prediksi Penjualan Produk
1 2 3 4 5 6
Tahun 2014 2240 28764 2725 19438 11129 6878
Tahun 2013 2540 26465 2633 17750 11625 7961
Tahun 2012 2320 28878 2458 25382 14750 9000
Tahun 2011 2524 24782 2745 18384 12719 7127 0
20000 40000 60000 80000 100000 120000
Nilai
P
en
jual
an
Hasil Prediksi Penjualan
Tahun 2014
Tahun 2013
Tahun 2012
51
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pengujian data yang telah dilakukan, maka ada beberapa hal yang dapat dijadikan kesimpulan pada penelitian ini antara lain:
1. Penggunaan metode jaringan saraf tiruan dengan algoritma backpropagation dengan nilai akurasi data dari 70% hingga 99%.
2. Nilai epoch di dalam melakukan percobaan dari yang terkecil 0,00507 dan nilai epoch terbesar 0,2560 dengan learning rate 0,1 hingga 0,9 dan nilai momentum dari 0,1 hingga 0,9.
3. Makin besar nilai learning rate dan momentum yang diberikan maka jumlah terhadap interasi (pengulangan) akan semakin rendah.
4. Algoritma Backpropagation dengan learning rate dan momentum mampu menyelesaikan masalah dalam prediksi penjualan.
5.2 Saran
DAFTAR PUSTAKA
Witten, I. H et al . 2011. Data Mining Practical Learning Tools and Techniques. United States of America: Morgan Kaufmann Publishers.
Dougles C. Montgomere, 1990, Introduction to Statistical Quality Control. Washington. United State of America: John Wiley & Sons Inc.
Date, C.J. 2000. An Introduction to Databases System, seventh Edition. California. United States of America: Addison Wesley Publishing Company.
Connolly, Thomas & Begg, Carolyn. 2002. Database Systems: A Practical Approach to Design, Implementation, and Management, third edition. United States of America.
Addison Wesley Publishing Company.
Muis, S. 2009. Identifikasi Pola Sinyal Dengan Menggunakan Teknik Neural Networks. Yogyakarta, Indonesia, Graha Ilmu.
Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta, Indonesia, Andi Offset.
Sutojo, T et al. 2011. Kecerdasan Buatan. Yogyakarta, Indonesia, Andi Offset.
Haykin. S. 2009. Nueral Networks and Learning Machines. United State of America: Pearson.
Saputro, N. 2002. Perbandingan Arsitektur Multilayer Feedfoward Network dengan Topologi Multiprosesor Ring Array dan Linear Array. S.Kom Skripsi. Yogyakarta, Indonesia: Universitas Gajah Mada.
Andrijasa, M. 2010. Penerapan Jaringan Saraf Tiruan Untuk Memprediksi Jumlah Pengangguran Di Provinsi Kalimantan Timur Dengan Algoritma Pembelajaran
Backpropagation. S.Kom Skripsi. Samarinda, Indonesia: Universitas Mulawarman. Sangadji, B. 2009. Prediksi Perilaku Pola Pengunjung Terhadap Transaksi Pada Toko Buku
Gramedia Menggunakan Jaringan Syaraf Tiruan Metode Back Propagation. S.TI Skripsi. Jakarta, Indonesia: STT PLN.
Mulyana, S. 2008. Teknik Peramalan Tingkat Penjualan Dengan Jaringan Saraf Tiruan. S.Kom Skripsi. Yogyakarta, Indonesia: Universitas Gajah Mada.
53
Sari, H. 2009. Prediksi Curah Hujan Kota Bengkulu Dengan Model FeedFoward Neural Network (FFNN). S.Kom Skripsi. Bengkulu, Indonesia: Universitas Dehasen.
Apriliyah. at al. 2008. Perkiraan Penjualan Beban Listrik Menggunakan Jaringan Saraf Tiruan Resilent Backpropagation. S.kom Skripsi. Malang, Indonesia: Universitas Brawijaya.
Arief Hermawan. 2006. Jaringan Syaraf Tiruan.Yogayakarta: Penerbit Andi.
Kusumadewi, S. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link. Penerbit Graha Ilmu.
Siang, Jong Jek. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta : Penerbit Andi.
Moekijat. 2000. Kamus Manajemen. Bandung: Penerbit Mandiri Maju. Markadis, S. 1991. Metode Aplikasi Peramalan. Jakarta: Penerbit Erlangga. Beigel, John E. 1992. Suatu Pendekatan Kuantitatif Pada Pengendalian Produksi. Jakarta : Akademi Presindo.
Hermawan, A. (2006). Jaringan Syaraf Tiruan Teori dan Aplikasi. Yogyakarta: Penerbit Andi.
Montgomery, Douglas. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Penerbit Gadjah Mada University Press.
Muchtar, M.A. & Sani, M.F. 2011. Modul Praktikum Desain Perangkat Lunak. Modul Praktikum. Universitas Sumatera Utara.
Gea, D. 2011. Analisis pengujian optimalisasi kinerja website.Seminar Nasional Aplikasi Teknologi Informasi, pp. 55-59.
