RANCANG BANGUN APLIKASI PERAMALAN
PERMINTAAN MENGGUNAKAN METODE
IMPROVED ELMAN (STUDI KASUS UD DWI MULYA
PLASTIK SIDOARJO)
TUGAS AKHIR
Program Studi: S1 Sistem Informasi
Oleh:
CHRISYANTI SIMBOLON 09410100274
FAKULTAS TEKNOLOGI DAN INFORMATIKA
(STUDI KASUS UD DWI MULYA PLASTIK SIDOARJO)
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk menyelesaikan Program Sarjana Komputer
Oleh:
Nama : Chrisyanti Simbolon NIM : 09.41010.0274
Program : S1 (Strata Satu) Jurusan : Sistem Informasi
INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA
Halaman
ABSTRAK ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... ix
DAFTAR TABEL ... xii
DAFTAR GAMBAR ... xiii
DAFTAR LAMPIRAN ... xv
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang Masalah ... 1
1.2 Perumusan Masalah ... 3
1.3 Pembatasan Masalah ... 3
1.4 Tujuan ... 4
1.5 Manfaat ... 4
1.6 Sistematika Penulisan ... 4
BAB II LANDASAN TEORI ... 6
2.1 UD Dwi Mulya Plastik Sidoarjo ... 6
2.2 Aplikasi ... 6
2.3 Permintaan ... 7
2.4 Peramalan Permintaan ... 8
2.5 Peramalan ... 9
2.5.1. Pengertian Peramalan ... 9
2.5.2. Jenis Data pada Kegiatan Peramalan ... 10
2.5.4. Pengukur Kesalahan Peramalan ... 12
2.6 Jaringan Syaraf Tiruan ... 14
2.6.1. Pengertian Jaringan Syaraf Tiruan ... 14
2.6.2. Model Sel Syaraf ... 15
2.6.3. Pemodelan Sel Syaraf ... 16
2.6.4. Fungsi Aktifasi ... 17
2.6.5. Metode Error Back Propagation ... 19
2.7 Improved Elman ... 26
2.8 Unified Modelling Language (UML) ... 28
2.8.1. Diagram-diagram UML ... 29
2.8.2. Elemen-elemen Pemodelan Bisnis ... 31
2.9 Black Box Testing ... 33
BAB IIIANALISIS DAN PERANCANGAN APLIKASI ...35
3.1 Analisis ... 35
3.1.1. User Requirements... 36
3.1.2. Software Requirements ... 36
3.1.3. Data Requirements ... 38
3.2 Perancangan Sistem ... 39
3.2.1. Usecase Diagram... 39
3.2.2. Activity Diagram ... 40
3.2.3. Sequence Diagram ... 45
3.3 Perancangan Interface ... 48
3.4 Perancangan Pengukuran Kesalahan ... 50
BAB IV IMPLEMENTASI DAN EVALUASI ...51
4.1 Kebutuhan Aplikasi ... 51
4.1.1 Kebutuhan Perangkat Keras ... 51
4.1.2 Kebutuhan Perangkat Lunak... 51
4.2 Implementasi Aplikasi ... 52
4.2.1 Halaman Menu Utama ... 52
4.2.2 Halaman Peramalan ... 53
4.3 Evaluasi Sistem ... 55
4.3.1 Uji Coba Fungsional ... 56
4.3.2 Evaluasi Uji Coba Kemudahan Penggunaan Aplikasi... 57
4.3.3 Analisis Data ... 58
BAB VPENUTUP...62
5.1 Kesimpulan ... 62
5.2 Saran ... 62
DAFTAR PUSTAKA ... 63
LAMPIRAN ... 65
Tabel 2.1 Ciri Sebuah Kegiatan Peramalan ... 10
Tabel 3.1 User Requirements Peramalan ... 36
Tabel 3.2 Software Requirements Pelatihan ... 36
Tabel 3.3 Software Requirements Peramalan ... 37
Tabel 4.1 Hasil Uji Fungsional Peramalan ... 56
Tabel 4.2 Hasil Uji Fungsional Pelatihan ... 57
Tabel 4.3 Data Bobot W1 Peramalan dengan Improved Elman ... 59
Tabel 4.4 Data Bobot W2 Peramalan dengan Improved Elman ... 59
Tabel 4.5 Data Bobot W3 Peramalan dengan Improved Elman ... 60
Tabel 4.6 Data Bobot W4 Peramalan dengan Improved Elman ... 60
Gambar 1.1 Trend AnalysisPermintaan Timba Cor ... 2
Gambar 2.1Artificial Neural Network ... 15
Gambar 2.2Fisiologi Sel Syaraf ... 16
Gambar 2.3 Fungsi Aktifasi Binary Sigmoid ... 18
Gambar 2.4Fungsi Aktifasi Bipolar Sigmoid ... 18
Gambar 2.5Jaringan syaraf tiruan dengan lapisan banyak ... 20
Gambar 2.6Jaringan Syaraf Tiruan dengan arsitektur Elman ... 26
Gambar 2.7 Notasi Aktor Bisnis Dalam UML ... 31
Gambar 2.8Notasi Pekerja Bisnis Dalam UML ... 31
Gambar 2.9 Notasi Use Case Bisnis Dalam UML ... 32
Gambar 2.10Notasi Relasi Asosiasi Dalam UML ... 32
Gambar 2.11Notasi Relasi Generalisasi Dalam UML ... 32
Gambar 2.12Notasi Entitas Bisnis Dalam UML ... 33
Gambar 2.13Notasi Diagram Use Case Bisnis Dalam UML ... 33
Gambar 3.1UsecaseDiagram Peramalan Improved Elman ... 39
Gambar 3.2Activity Diagram Pelatihan Improved Elman ... 41
Gambar 3.3 Bagan Alur Pelatihan Improved Elman ... 42
Gambar 3.4 Activity Diagram Peramalan Improved Elman ... 44
Gambar 3.5Bagan Alur Peramalan Improved Elman ... 45
Gambar 3.6Sequance Diagram Peramalan Improved Elman ... 46
Gambar 3.7Sequance Diagram Pelatihan Improved Elman ... 47
Gambar 3.8Class Diagram Peramalan dengan Improved Elman ... 48
Gambar 3.10Rancangan FormNormalisasi Data ... 50
Gambar 4.1 Halaman Menu Utama ... 53
Gambar 4.2 Halaman Peramalan... 54
Gambar 4.3 Halaman Peramalan Setelah Pengambilan Data ... 54
Gambar 4.4 Halaman Hasil Peramalan ... 55
Gambar 4.5 Grafik Ujicoba Peramalan Permintaan ... 58
Lampiran 1. Biodata Penulis ... 65
Lampiran 2. Data Penjualan Timba cor ... 66
Lampiran 3. Kuesioner Kemudahan Aplikasi ... 68
Lampiran 4. Data Dummy ... 69
Lampiran 5. Simulasi Metode Improved Elman di Ms. Excel ... 70
1.1 Latar Belakang Masalah
Semakin berkembangnya ilmu pengetahuan dan teknologi disertai
dengan semakin ketatnya persaingan dalam dunia bisnis. Perusahaan-perusahaan
saling bersaing untuk memberikan pelayanan yang terbaik kepada konsumen.
Salah satu persoalan yang sering muncul dalam perusahaan yaitu mengenai
masalah peramalan.
UD Dwi Mulya Plastik merupakan suatu badan usaha yang bergerak
dibidang produksi barang-barang rumah tangga berbahan dasar bijih plastik.
Badan usaha ini berlokasi di jl. Kesatriaan no. 33 Sidokepung, RT 28 RW 07
Buduran, Sidoarjo. UD Dwi Mulya Plastik ini didirikan oleh Bapak H.M Sudarto
di Sidoarjo pada akhir tahun 2008. Produk-produk yang dihasilkan antara lain :
timba cor, pot bunga, wakul telur, serta waskom dengan ukuran 12 dan 13. Saat
ini, daerah pemasaran UD Dwi Mulya Plastik meliputi kota-kota di Jawa Timur,
dan Bali.
Semakin meluasnya area pemasaran dan ketidakpastian pesanan
permintaan timba cor membuat UD. Dwi Mulya Plastik Sidoarjo sering
menghadapi permasalahan dalam memenuhi permintaan pelanggannya. UD Dwi
Mulya Plastik Sidoarjo sering menghadapi permasalahan dalam hal ketersediaan
produk timba cor kepada pelanggannya. Produk timba cor sering tidak dapat
memenuhi permintaan dari pelanggan. Hal tersebut sering menimbulkan
kekecewaan pelanggan terhadap perusahaan. Apabila hal ini diabaikan, maka
perusahaan akan kehilangan pelanggannya. UD. Dwi Mulya Plastik hanya mampu
menyediakan 75% dari jumlah pesanan permintaan.
Untuk mengatasi permasalahan tersebut, maka dibutuhkan sebuah sistem
yang dapat meramalkan jumlah permintaan produk timba cor di masa yang akan
datang berdasarkan data permintaan yang telah direkam sebelumnya. Data
permintaan produk timba cor merupakan data penjualan timba cor ditambah
estimasi jumlah produk timba cor yang tertolak sebesar 25%. Data hasil ramalan
tersebut dapat digunakan untuk memperkirakan jumlah timba cor yang harus
disediakan (diproduksi) perusahaan agar dapat memenuhi permintaan pelanggan.
Untuk menyelesaikan masalah tersebut maka digunakan metode
Improved Elman. Improved elman sendiri merupakan salah satu model dari
Jaringan Syaraf Tiruan. Metode ini dipilih karena memiliki kemampuan belajar,
kemampuan menggeneralisasi data, kemampuan beradaptasi dan bekerja dengan
cepat dan dapat diaplikasikan secara real time (Wati, 2011:6). Selain itu, metode
ini mampu mengolah data time series yang sifatnya data trend dan data seasonal.
Berdasarkan uraian diatas, maka UD Dwi Mulya Plastik saat ini
membutuhkan suatu aplikasi sebagai alat bantu pemecahan masalah. Oleh karena
itu akan dibuat suatu Aplikasi Peramalan Permintaan menggunakan metode
Improved Elman yang diharapkan mampu memperkirakan permintaan produk
pada periode yang akan datang.
1.2 Perumusan Masalah
Berdasarkan latar belakang masalah yang ada, maka rumusan masalah
dalam penelitian ini yaitu bagaimana merancang dan membangun aplikasi
peramalan permintaan menggunakan metode improved elman pada UD Dwi
Mulya Plastik Sidoarjo yang mampu menurunkan persentase pesanan yang tidak
dapat dilayani.
1.3 Pembatasan Masalah
Adapun batasan-batasan masalah yang ada di dalam penelitian ini yaitu:
1. Data yang diramalkan maksimal 3 (tiga) bulan.
2. Data permintaan yang digunakan adalah data penjualan timba cor periode
januari 2009 s/d oktober 2013 ditambah estimasi jumlah produk timba cor
yang tertolak sebesar 25%. Produk ini dipilih karena merupakan produk yang
selalu terjual (continue) pada UD Dwi Mulya Plastik Sidoarjo.
3. Proses pembelajaran pada jaringan syaraf tiruan dianggap selesai dengan
kesalahan (error) sebesar 0,001. Error sebesar 0,001 dipilih agar jumlah
iterasi pada proses training tidak menghabiskan waktu yang cukup lama
(Permana, A.A.J. dan Prijodiprodjo, W. 2014: 45). Error sebesar 0,001
1.4 Tujuan
Berdasarkan rumusan masalah dan batasan masalah yang ada, maka
tujuan dari penelitian ini adalah menghasilkan rancang bangun aplikasi peramalan
permintaan menggunakan metode improved elman pada UD Dwi Mulya Plastik
Sidoarjo.
1.5 Manfaat
Manfaat yang diharapkan dari pembuatan aplikasi peramalan permintaan
bahan baku ini adalah:
Membantu pemilik badan usaha untuk menentukan jumlah produk timba cor yang
harus disediakan (diproduksi).
1.6 Sistematika Penulisan
Penulisan laporan penelitian ini disusun dalam bentuk bab. Setiap bab
akan dijelaskan dalam beberapa sub bab. Berikut ini adalah penjelasan dari setiap
bab yang ada dalam penulisan laporan.
BAB I Pendahuluan
Pada bab ini membahas mengenai hal-hal yang menjadi latar
belakang, perumusan masalah, batasan masalah dari sistem yang
dibuat sehingga tidak keluar dari ketentuan yang ditetapkan, tujuan
yang ingin dicapai, serta sistematika penulisan laporan tugas akhir ini.
BAB II Landasan Teori
Pada bab ini membahas mengenai teori-teori yang berkaitan dalam
penyelesaian laporan, yaitu penjelasan tentang Aplikasi, dan metode
Permintaan, Peramalan Penjualan, Teori Peramalan, dan Jaringan
Syaraf Tiruan.
BAB III Analisis dan Perancangan Aplikasi
Pada bab ini membahas mengenai cara menganalisis dan merancang
sistem. Analisis sistem dimulai dari perumusan masalah,
pengumpulan data, persiapan data, dan membangun model.
Perancangan sistem dimulai dari Usecase diagram, Class Diagram,
Activity Diagram, dan Perancangan Interface.
BAB IV Evaluasi dan Implementasi
Pada bab ini membahas mengenai kebutuhan perangkat lunak dan
perangkat keras yang dibutuhkan untuk mejalankan sistem serta
menjelaskan hasil dari implementasi sistem dan evaluasi sistem.
Evaluasi yang dilakukan adalah hasil uji coba sistem dan perhitungan
kesalahan peramalan.
BAB V PENUTUP
Pada bab ini berisi tentang kesimpulan dan saran. Kesimpulan
menjelaskan hasil dari evaluasi sistem, sedangkan saran menjelaskan
2.1 UD Dwi Mulya Plastik Sidoarjo
UD Dwi Mulya Plastik merupakan suatu badan usaha yang bergerak
dibidang produksi barang-barang rumah tangga berbahan dasar bijih plastik.
Badan usaha ini berlokasi di jl. Kesatriaan no. 33 Sidokepung, RT 28 RW 07
Buduran, Sidoarjo. UD Dwi Mulya Plastik ini didirikan oleh Bapak H.M Sudarto
di Sidoarjo pada akhir tahun 2008. Produk-produk yang dihasilkan antara lain :
timba cor, pot bunga, wakul telur, serta waskom dengan ukuran 12 dan 13. Saat
ini, daerah pemasaran UD Dwi Mulya Plastik meliputi kota-kota di Jawa Timur,
dan Bali.
2.2 Aplikasi
Aplikasi merupakan sekumpulan perintah program yang dibuat untuk
melakukan pekerjaaan-pekerjaan tertentu (khusus). Dalam pembuatan aplikasi file
text dibutuhkan beberapa komponen seperti label, textbox, dan beberapa
command, dimana aplikasi file text merupakan sebuah program yangg dapat
menyimpan text atau tulisan ke dalam extention .txt. Pada pembuatan aplikasi
tentu tersedia menu untuk melakukan print form, dimana print form sendiri
merupakan komponen untuk mencetak form ke file, previw atau printer.
Komponen tersebut terdapat pada ToolBox Printing (Hendrayudi, 2009: 143)
2.3 Permintaan
Menurut Gilarso (2007), dalam ilmu ekonomi istilah permintaan
(demand) mempunyai arti tertentu, yaitu selalu menunjuk pada suatu hubungan
tertentu antara jumlah suatu barang yang akan dibeli orang dan harga barang
tersebut. Permintaan adalah jumlah dari suatu barang yang mau dan mampu dibeli
pada berbagai kemungkinan harga, selama jangka waktu tertentu, dengan
anggapan hal-hal lain tetap sama (=ceteris paribus).
Menurut Danniel (2004), permintaan dipengaruhi oleh beberapa faktor, antara
lain:
1. Harga
Hubungan harga dengan permintaan adalah hubungan yang negatif. Artinya
bila yang satu naik maka yang lainnya akan turun dan begitu juga sebaliknya.
Semua ini berlaku dengan catatan faktor lain yang mempengaruhi jumlah
permintaan dianggap tetap.
2. Harga Barang Lain
Terjadinya perubahan harga pada suatu barang akan berpengaruh pada
permintaan barang lain. Harga barang lain dapat meliputi harga barang
substitusi, komplemen, dan independen. Salah satu contoh barang substitusi,
bila harga kopi naik, biasanya permintaan teh akan naik. Barang
komplementer contohnya roti dengan keju. Apabila keduanya dipakai secara
bersamaan sehingga dengan demikian bila salah satu dari harga barang
tersebut naik, pada ummumnya akan mempengaruhi banyaknya konsumsi
barang komplemennya. Barang independen adalah barang yang tidak
3. Selera
Selera merupakan variabel yang mempengaruhi besar kecilnya permintaan.
Selera dan pilihan konsumen terhadap suatu barang bukan saja dipengaruhi
oleh struktur umum konsumen, tetapi juga karena faktor adat dan kebiasaan
setempat, tingkat pendidikan, atau lainnya.
4. Jumlah Penduduk
Semakin banyaknya jumlah penduduk makin besar pula barang yang
dikonsumsi dan makin naik permintaan. Penambahan jumlah penduduk
mengartikan adanya perubahan struktur umur. Dengan demikian,
bertambahnya jumlah penduduk adalah tidak proporsional dengan
pertambahan jumlah barang yang dikonsumsi.
5. Tingkat Pendapatan
perubahan tingkat pendapatan akan mempengaruhi banyaknya barang yang
dikonsumsi. Secara teoretis, peningkatan pendapatan akan meningkatkan
konsumsi. Bertambahnya pendapatan, maka barang yang dikonsumsi tidak
hanya bertambah kuantitasnya, tetapi kualitasnya juga meningkat.
2.4 Peramalan Permintaan
Peramalan permintaan merupakan tingkat permintaan produk-produk
yang diharapkan akan terealisasi untuk jangka waktu tertentu, pada waktu tertentu
pada masa yang akan datang. Aktivitas peramalan permintaan ini biasanya
dilakukan oleh manajer yang nantinya akan menjadi masukan penting dalam
pengambilan keputusan dan perencanaan produksi. Aktivitas peramalan
permintaan bukan aktivitas yang bertujuan untuk mengukur permintaan produksi
mengurangi kemungkinan terjadinya hal yang berlawanan antara keadaan yang
sungguh-sungguh terjadi di kemudian hari dengan apa yang menjadi hasil
peramalan. Dengan kata lain, hasil dari aktivitas peramalan adalah melakukan
minimalisasi ketidakpastian yang mungkin terjadi di masa yang akan datang.
2.5 Peramalan
2.5.1 Pengertian Peramalan
Definisi peramalan sendiri sebenarnya beragam. Berikut beberapa
definisi tentang peramalan (Santoso, 2009: 7):
1. Perkiraan munculnya sebuah kejadian di masa depan berdasarkan data yang
ada di masa lampau.
2. Proses menganalisis data historis dan data saat ini untuk menentukan trend di
masa mendatang.
3. Proses estimasi dalam situasi yang tidak diketahui.
4. Pernyataan yang dibuat tentang masa depan.
5. Penggunaan ilmu dan teknologi untuk memperkirakan situasi di masa depan.
6. Upaya sistematis untuk mengantisipasi kejadian atau kondisi di masa depan.
Dari beberapa definisi diatas, dapat disimpulkan bahwa peramalan
berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis
pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis.
Walaupun demikian, kegiatan peramalan tidaklah semata-mata berdasarkan
prosedur ilmiah atau terorganisir karena ada kegiatan peramalan yang
Tabel 2.1 Ciri Sebuah Kegiatan Peramalan
Aspek Peramalan
Fokus Data di masa lalu
Tujuan Menguji perkembangan saat ini dan relevansinya
di masa mendatang
Metode Proyeksi berdasar ilmu statistik, diskusi, dan
review program
Orang yang terlibat Pembuat keputusan, petugas administrasi, praktisi, analisis
Frekuensi Regular (teratur)
Kriteria Keberhasilan Tidak sekedar akurasi, namun bersifat pembelajaran
Dari Tabel 2.1 dapat dilihat bahwa peramalan adalah kegiatan yang
bersifat teratur. Peramalan juga berupaya memprediksi masa depan dengan
menggunakan tidak hanya metode ilmiah, namun juga mempertimbangkan hal-hal
yang bersifat kualitatif, seperti perasaan, pengalaman seseorang dan lainnya.
2.5.2 Jenis Data Pada Kegiatan Peramalan
Data yang akan diprediksi secara umum dapat dibagai menjadi dua tipe,
yakni: data kualitatif dan data kuantitatif. Data kualitatif adalah data yang bukan
merupakan bilangan, tetapi berupa ciri-ciri, sifat-sifat, keadaan, atau gambaran
dari kualitas objek yang diteliti. Sedangkan data kuantitatif adalah data yang
berupa bilangan yang nilainya bisa berubah-ubah atau bersifat variatif.
Data kuantitatif dapat dibagi menjadi 2 bagian, antara lain: (Santoso, 2009: 13)
1. Data time series
Data times series adalah data yang ditampilkan berdasarkan waktu, seperti
bulanan, data harian, data mingguan atau jenis waktu yang lain. Ciri data time
series adalah adanya rentang waktu tertentu, dan bukannya data pada satu
2. Data cross-sectional
Data cross-sectional adalah data yang tidak berdasar waktu tertentu, namun
pada satu (titik) waktu tertentu.
2.5.3 Tahapan Peramalan
Menurut Santoso (Santoso, 2009: 10), untuk mendapatkan hasil
peramalan yang baik dan dapat menjawab masalah yang ada secara efektif,
kegiatan peramalan sebaiknya mengikuti tahapan baku berikut ini :
1. Perumusan masalah dan pengumpulan data
Tahap pertama yang sebenarnya penting dan menentukan keberhasilan
peramalan adalah menentukan masalah tentang apa yang diprediksi.
Formulasi masalah yang jelas akan menuntun pada ketetapan jenis dan
banyaknya data yang akan dikumpulkan. Dapat saja masalah telah ditetapkan,
namun data yang relevan tidak tersedia, hal ini akan memaksa diadakannya
perumusan ulang atau mengubah metode peramalan.
2. Persiapan data
Setelah masalah dirumuskan dan data telah terkumpul, tahap selanjutnya
adalah menyiapkan data hingga dapat diproses dengan benar. Hal ini
diperlukan, karena dalam praktek ada beberapa masalah berkaitan dengan
data yang telah terkumpul, antara lain :
a. Jumlah data terlalu banyak
b. Jumlah data justru sedikit
c. Data harus diproses terlebih dahulu
d. Data tersedia namun rentang waktu data tidak sesuai dengan masalah
e. Data tersedia namun cukup banyak data yang hilang (missing), yakni
dana yang tidak lengkap.
3. Membangun model
Setelah data dianggap memadai dan siap dilakukan kegiatan prediksi, proses
selanjutnya adalah memilih model/metode yang tepat untuk melakukan
peramalan pada data tersebut.
4. Implemetasi model
Setelah metode peramalan ditetapkan, maka model dapat diterapkan pada
data dan dapat dilakukan prediksi pada data untuk beberapa periode ke
depan.
5. Evaluasi peramalan
Hasil peramalan yang ada kemudian dibandingkan dengan data aktual.
Metode peramalan tidak dapat memprediksi data di masa depan secara tepat
yang ada adalah ketepatan prediksi. Untuk itu, pengukuran kesalahan
peramalan dilakukan untuk melihat apakah metode yang telah digunakan
sudah memadai untuk memprediksi data.
2.5.4 Pengukur Kesalahan Peramalan
Berdasarkan Lincolin Arsyad dalam Peramalan Bisnis (1994), notasi
dasar peramalan adalah sebagai berikut :
�� = Nilai data runtut waktu periode t
���= Nilai peramalan dari ��
�� = �� - ��� = Residual atau kesalahan peramalan
Salah satu cara untuk mengevaluasi teknik peramalan adalah
mengukur akurasi peramalan dengan merata-ratakan kesalahan peramalan (nilai
Mean Squared Error (MSE) merupakan metode alternatif dalam
mengevaluasi suatu teknik peramalan. Setiap kesalahan residual dikuadratkan,
kemudian dijumlahkan dan dibagi dengan jumlah observasi.
MSE =∑ (��−���)2 �
�=1
� 2
Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan
kesalahan absolut setiap periode, kemudian membaginya dengan nilai observasi
pada periode tersebut, dan akhirnya merata-ratakan persentase absolut ini.
MAPE =
�� (��−�����)
�=1
� 3
Mean Percentage Error (MPE) digunakan untuk menentukan apakah
suatu metode peramalan bias atau tidak. MPE dihitung dengan cara menemukan
kesalahan setiap periode, dan kemudian membaginya dengan nilai sebenarnya
pada periode tersebut, dan kemudian merata-ratakan persentase kesalahan
tersebut.
MPE =
�� (��−�����)
�=1
2.6 Jaringan Syaraf Tiruan
2.6.1 Pengertian Jaringan Syaraf Tiruan
Jaringan saraf tiruan adalah sistem pemroses informasi yang memiliki
karakteristik mirip dengan jaringan syaraf biologi (Siang, 2009: 2). Menurut
Irawan (2007: 136) Jaringan syaraf tiruan dibentuk dari generalisasi model
matematik jaringan syaraf biologis, berdasarkan asumsi bahwa :
1. Pemrosesan informasi terjadi pada suatu bentuk prosesor sederhana yang
disebut neuron.
2. Sinyal dilewatkan antar neuron melalui sebuah koneksi tertentu.
3. Masing-masing koneksi berasosiasi dengan bobot (weight) tertentu.
4. Masing-masing neuron menerapkan fungsi aktifasi tertentu pada
masing-masing jumlah sinyal input untuk menentukan sinyal keluaran .
Jaringan syaraf tiruan diditentukan oleh 3 (tiga) hal (Siang, 2009: 3) :
1. Pola hubungan antar neuron (disebut arsitektur jaringan)
2. Metode untuk menentukan bobot penghubung (disebut metode
training/learning/algoritma)
3. Fungsi aktivasi
Jaringan syaraf tiruan dapat dianggap sebagai semacam kotak hitam
(black box) yang memetakan masukan (input) ke suatu keluaran (output) tertentu.
Kita tidak pernah tahu isi dari kotak hitam tersebut. Sebagai suatu model adaptif
yang memiliki kemampuan belajar, jaringan syaraf tiruan mampu membuat
generalisasi dan menyimpan hasil belajar tersebut untuk menghasilkan keluaran
(output) sebagaimana kita harapkan atau tidak kita harapkan tetapi tetap sesuai
Gambar 2.1 Artificial Neural Network
Secara umum berdasarkan algoritma belajar, jaringan syaraf tiruan dapat
dibedakan atas :
1. Supervised learning, yaitu metode belajar JST dengan pengawasan, dalam
hal ini membandingkan suatu masukan dengan suatu output tertentu yang
sudah ditentukan.
2. Unsupervised learning, yaitu metode belajar JST tanpa pengawasan dalam
hal ini tidak diperlukan adanya suatu keluaran sebagai acuan.
2.6.2 Model Sel Syaraf
Sistem syaraf biologis merupakan sel-sel syaraf yang disebut neuron.
Tidak kurang dari 100 milyar neuron mendukung fungsi otak manusia dewasa.
Setiap neuron berhubungan dengan neuron lainnya melalui sambungan khusus
yang disebut dengan sinapsis. Sebuah neuron dapat berhubungan dengan beberapa
hingga 10000 neuron lain, sehingga masing-masing neuron dapat mengirimkan
impuls listrik kepada sel tujuan sampai sekitar 10000 sel (Irawan, 2007: 138)
?
(Blackbox)
Gambar 2.2 Fisiologi Sel Syaraf
Sinapsis adalah daerah sambungan khusus antar neuron. Diperkirakan
dalam otak manusia terdapat sekitar 1014 sinapsis, yang dipakai dalam
komunikasi antar sel. Dalam sistem syaraf, pola interkoneksi sel ke sel beserta
fenomena komunikasi antar unit pemroses tersebut menentukan kemampuan
komputasi neural (neurocomputing). (Dayhoff, 1990: 136)
2.6.3 Pemodelan Sel Syaraf
Variabel bobot, ��� , diambil untuk memodelkan pegaruh modelasi ion
��2+ dan enzim pada sinapsis. Variabel ��� disebut sebagai bobot koneksi yang
menghubungkan sel j ke sel i. dengan variabel tersebut, fungsi dari sinapsis, ��,
�� =�� ∶ ��� 1
Dimana �� adalah potensial aksi (masukan). Selanjutnya dalam dendrit, semua
potensial sinapsis yang dihasilkan akan dijumlahkan dan menghasilkan potensial
aktifasi untuk sel i:
neti = � �� .��� �
�=1 2
2.6.4 Fungsi Aktifasi
Fungsi aktifasi mentranformasikan semua sinyal masukan (hasil
penjumlahan dari dendrit) ke suatu nilai tertentu yang disebut sebagai potensial
aksi atau dengan kata lain fungsi aktifasi mentransformasikan nilai aktifasi yang
tak terbatas (infinite) menjadi terbatas (finite) dalam range tertentu. Dalam
jaringan syaraf tiruan terdapat bermacam-macam model fungsi aktifasi, antara
lain: binary dan bipolar threshold, linear threshold, binary dan bipolar sigmoidal,
dan gaussian. Fungsi sigmoid mirip dengan keadaan neuron yang sesungguhnya.
Karena itu fungsi sigmoid umum dipakai dalam model-model jaringan syaraf
tiruan.
1. Fungsi Aktifasi Binary Sigmoid
Fungsi aktifasi binary threshold dirumuskan dengan:
�
(
���
�) =
1Gambar 2.3 Fungsi Aktifasi Binary Sigmoid
2. Fungsi Aktifasi Bipolar Sigmoid
Fungsi aktifasi bipolar sigmoid dirumuskan dengan:
�(����) = 1− 2
1+������ 4
Dimana lamda adalah faktor penguatan.Fungsi aktifasi bipolar sigmoid
rentang nilai �(����) yang terletak antara -1 dan 1.
2.6.5 Metode Error Back Propagation
Kelemahan jaringan syaraf tiruan yang terdiri dari layar tunggal membuat
perkembangan jaringan syaraf tiruan menjadi terhenti pada sekitar tahun 1970-an.
Jaringan syaraf tiruan dengan layar tunggal memiliki keterbatasan dalam
pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan
satu/beberapa layar tersembunyi diantara layar masukan dan keluaran (Siang,
2009: 97)
Pembelajaran menggunakan algoritma Delta yang disebut error back
propagation training algorithm, argumen masukan diumpankan secara arah maju
sedangkan proses pembelajaran selain memanfaatkan perambatan arah maju juga
manfaatkan perambatan arah umpan balik.
Pembahasan jaringan syaraf tiruan berlapis banyak dengan algoritma
error backpropagation dibagi 2 bagian yaitu, membahas algoritma pembelajaran
arah maju terlebih dahulu kemudian menyusul pembelajaran arah mundur/balik
dengan algoritma error backpropagation itu sendiri (Muis, 2006: 166)
Algorima error back propagation memerlukan parameter lain untuk
mendukung pemrosesan, yaitu kelajuan pembelajaran c dan pemberian bobot
awal. Kelajuan pembelajaran c yang berpengaruh kepada kecepatan proses
pembelajaran, bila ditetapkan terlalu kecil akan menyebabkan panjangnya proses
pembelajaran sebaliknya penetapan c yang terlalu besar akan menyebabkan
keluaran berfluktuasi pada garis target (tidak konvergen) (Muis, 2006: 166)
Secara garis besar, prinsip kerja jaringan syaraf tiruan berlapisan banyak
dengan algoritma error back propagation adalah sebagai berikut: masukan dan
neuron masukan ke 1,2,………J atau neuron keluaran ke 1,2,………K,
Sedangkan ��� menunjukkan bobot koneksi antara neuron masukan j dengan
neuron keluaran k (Muis, 2006: 167)
Gambar 2.5 Jaringan syaraf tiruan dengan lapisan banyak
Pada Gambar 2.5, lapisan input memiliki 3 unit neuron, yaitu X1, X2, dan
X3 yang terhubung langsung dengan lapisan tersembunyi (hidden layer) yang
memiliki 2 unit neuron tersembunyi, yaitu Z1 dan Z2. Hubungan neuron-neuron
pada lapisan input dan lapisan output tersebut ditentukan oleh bobot V11, V12,
V21, V22, V31, dan V32. Kemudian, 2 unit neuron tersembunyi Z1 dan Z2
terhubung langsung dengan lapisan output yang memiliki 1 unit neuron Y yang
Back error propagation (propagasi balik kesalahan) memiliki 2 proses
utama yaitu:
1. Propagasi Maju
Pada lapis dalam (hidden layer). Masukan dari setiap node (neuron) pada lapis
dalam berasal dari penjumlahan node input sebagai berikut:
netjh =� WjihXi+ θjh ��
�=1 5
Sehingga keluaran dari fungsi aktifasi sigmoid pada hidden layer adalah:
�� =��ℎ�����ℎ� 6
Pada lapisan keluaran (output layer). Masukan dari setiap node (neuron) pada
lapisan keluaran berasal dari penjumlahan node pada lapis dalam sebagai
berikut:
netko= � WkjoHj+ θko ��
�=1 7
Sehingga keluaran dari fungsi aktifasi sigmoid pada hidden layer adalah:
�� =���(�����) 8
Sampai disini proses propagasi maju telah selesai. Selanjutnya hasil keluaran
pada output layer dibandingkan dengan target, apabila terdapat kesalahan
(selisih antara target dan keluaran aktual) maka nilai kesalahan tersebut
dipropagasikan balik dengan tujuan untuk meng-update seluruh bobot yang
2. Propagasi Mundur
Pada lapis keluaran, kesalahan pada sebuah node keluaran didefenisikan
sebagai:
��= ��− �� 9
Dimana �� adalah nilai target/acuan atau nilai keluaran yang diinginkan dan
�� adalah keluaran aktual dari multilayer perceptron. Maka error square pada
lapis kelauaran adalah :
� = 1
Proses updating dari nilai bobot dimulai dengan cara meminimalkan turunan
dari error tersebut diatas terhadap variabel bobot pada node keluaran:
��
Sisi kanan dari persamaan diatas dapat dijabarkan sebagai berikut:
Dengan demikian persamaan (proses updating) dapat ditulis kembali menjadi:
−����
��� = (��− ��)��
�′
(�����).�� 13
Dari persamaan 16 dapat diketahui bahwa syarat agar persamaan perubahan
bobot dapat dipecahkan, fungsi aktifasi sel harus bersifat dapat diturunkan
(diflerentiable). Persamaan diatas juga berarti bahwa parameter jaringan yaitu
bobot-bobot koneksi dari sel j ke sel i, ���, harus diubah sebanding dengan
negatif gradien fungsi kesalahan terhadap perubahan bobot:
∆���� = −h .����
��� 14
Dimana ∆���� adalah perubahan bobot node j ke node k, dan h adalah
konstanta kecepatan belajar (0 < h< 1). Dengan demikian persamaan diatas
dapat dimodifikasi menjadi:
∆���� = h(��− ��)���′(�����) .�� 15
Selanjutnya bobot yang baru pada lapis keluaran dapat diupdate dengan
persamaan:
����(���) = �
���(���) +∆���� 16
Untuk menyederhanakan persamaan, diambil konstata baru, ���, yaitu:
���= (��− ��)���′(�����) = �����′(�����) 17
����(���) = ����(���) + h��� .�� 18
Kesalahan (error) dipropagasi ke lapisan dalam untuk mengupdate nilai bobot
pada lapisan dalam. Persamaan penyesuaian bobot pada lapis dalam adalah:
���ℎ(���) = ���ℎ(���) + h��ℎ .�� 19
Dimana nilai dari ��ℎ pada persamaan 22adalah:
��ℎ = ��ℎ′�����ℎ� ∑��=1� ��� .���� 20
Secara ringkas, algoritma Back Error Propagation (BEP) yang
diimplementasikan pada multilayer perceptron dapat dirumuskan kedalam 5
tahapan berikut ini:
1. Inisialisasi bobot (weights) dengan bilangan acak.
2. Jika kondisi berhenti tidak terpenuhi, lakukan 2 – 9.
3. Untuk masing-masing pasangan pelatihan, lakukan langkah 3 – 8.
4. Masing-masing unit input menerima sinyal input �� dan menyebarkan ke semua unit pada lapis di depannya.
5. Pada masing-masing unit lapis dalam jumlahkan dengan
����ℎ = ∑��=1� ���ℎ�� + ��ℎ . 21
Hitung fungsi aktifasi pada setiap unit lapis dalam:
�� = ��ℎ (����ℎ) 22
�����= ∑��=1� ������ + ��� . 23
Hitung fungsi aktifasi pada setiap unit lapis keluaran:
�� = ��� (�����) 24
7. Hitung error pada masing-masing unit lapis output:
��� = (��− ��)���′ (�����) 25
Hitung kenaikan nilai bobot:
∆���� = h�������ℎ 26
Hitung kenaikan nilai bobot bias:
∆�0�� = h�
�� 27
Dimana ���′ = ���(�����)[1− ���(�����)] 28
8. Lakukan updating semua bobot antara lapis dalam dan lapis output:
����(���) = ����(���) + ∆���� 29
9. Lakukan updating semua bobot antara lapis input dan lapis dalam:
���ℎ(���) = �
��ℎ(���) + ∆���ℎ 30
10.Uji kondisi berhenti:
� = 12∑��=1� (��− ��)P
2
31
Proses pelatihan dihentikan apabila kondisi berhenti telah sesuai dengan
2.7 Improved Elman
Pada dasarnya proses pelatihan/pembelajaran/training pada jaringan
elman tidak berbeda dengan proses training yang menggunakan back error
propagation. Seluruh nilai dari bobot (weight) di-update dengan menggunakan
algoritma back error propagation. Jaringan elman memiliki umpan balik yang
menghubungkan keluaran dari hidden layer dengan context unit. Pada saat t,
context unit akan menerima input yang berasal dari keluaran hidden layer pada
saat t – 1, memproses dan mengirimkan kembali ke hidden layer untuk
dijumlahkan dengan keluaran dari input layer (Irawan, 2007: 170)
Gambar 2.6 Jaringan Syaraf Tiruan dengan arsitektur Elman
Para ahli telah membuktikan bahwa jaringan elman (klasik) hanya akan
mencapai hasil yang baik untuk sistem orde pertama saja, sedangkan untuk sistem
dengan orde yang lebih tinggi, jaringan elman klasik tidak memberikan hasil yang
memuaskan. Untuk memecahkan masalah ini, maka context unit harus
ditingkatkan untuk memperbaiki jaringan elman klasik tersebut. Pada metode
elman akan menghasilkan suatu performa yang meningkat dan efisiensi didalam
pembelajaran yang didapat dari iterasi juga meningkat (Yusanto, 2009: 28)
Algoritma dari metode Improved Elman adalah sebagai berikut:
1. Menghitung output dengan menggunakan persamaan :
�(�) = �(�1��(�) + �2�(� −1)) 1
�(�) =�(�3�(�)) 2
��(�) = �4��(� −1) + �(� −1) 3
2. Menghitung gradien ���(�)
����1 dengan menggunakan persamaan:
���(�)
3. Dari hasil perhitungan gradien diatas, maka dapat dihitung perubahan bobot
4. Melakukan adjustment bobot menggunakan persamaan:
�� = �� + ∆��,� = 1,2,3,4 10
Langkah 1 sampai dengan langkah 4 diulang sampai didapat error lebih
rendah atau sama dengan nilai error yang ditentukan.
2.8 Unified Modelling Language (UML)
Menurut Nugroho (2005:16), pemodelan visual adalah proses
penggambaran informasi-informasi secara grafis dengan notasi-notasi baku yang
telah disepakati sebelumnya. Notasi-notasi baku sangat penting demi suatu alasan
komunikasi. Dengan notasi-notasi pemodelan yang bersifat baku komunikasi yang
baik akan terjalin dengan mudah antar anggota tim pengembang sistem/perangkat
lunak dan antara anggota tim pengembang dengan para pengguna. Untuk
melakukan pemodelan sistem/perangkat lunak, dalam buku ini notasi-notasi
Unified Modeling Language (UML) yang akan digambarkan secara elektronik
(dengan bantuan komputer) lewat sarana perangkat lunak. Dengan pemodelan
menggunakan UML ini, pengembang dapat melakukan:
1. Tinjauan umum bagaimana arsitektur sistem secara keseluruhan.
2. Penelaahan bagaimana objek-objek dalam sistem saling mengirim pesan
(message) dan saling bekerjasama satu sama lain.
3. Menguji apakah sistem/perangkat lunak sudah berfungsi seperti yang
seharusnya.
4. Dokumentasi sistem/perangkat lunak untuk keperluan-keperluan tertentu di
2.8.1 Diagram-diagram Unified Modelling Language (UML)
Menurut Sholiq (2010: 19), UML menyediakan beberapa diagram visual
yang menunjukkan berbagai aspek dalam sistem. Banyaknya diagram tersebut
dimaksudkan untuk memberikan gamabaran yang lebih terintegrasi terhadap
sistem yang akan dibangun. Beberapa diagram yang disediakan dalam UML
antara lain:
1. Diagram Use Case Bisnis,
Diagram ini digunakan untuk mempresentasikan bisnis yang dilakukan
organisasi. Diagram ini menjawab pertanyaan: “apa yang bisnis lakukan?”
dan “mengapa kita membangun sistem untuk itu?”. Diagram ini digunakan
untuk memodelkan aktivitas bisnis organisasi sebagai landasan pembuatan
use case sistem.
2. Diagram Use Case,
Diagram ini menyajikan interaksi antara use case dan aktor dalam sistem
yang akan dikembangkan. Use case adalah fungsionalitas atau
persyaratan-persyaratan sistem yang harus dipenuhi oleh sistem yang akan dikembangkan
tersebut menurut pandangan pemakai sistem.
3. Diagram Aktivitas,
Diagram ini mendefenisikan dari mana workflow dimulai, dimana workflow
berakhir, aktivitas apa saja yang terjadi didalam workflow, dan apa saja yang
dilakukan saat sebuah aktivitas terjadi.
4. Diagram Sekuensial,
Diagram ini digunakan untuk menunjukkan alur (flows) fungsionalitas yang
5. Diagram Kolaborasi,
Diagram ini menunjukkan informasi yang sama persis dengan diagram
sekuensial, tetapi dalam bentuk dan tujuan yang berbeda. Pada diagram ini,
interaksi antar obyek atau aktor ditunjukkan dengan arah panah tanpa
keterangan waktu.
6. Diagram Kelas,
Diagram ini menunjukkan interaksi antar kelas-kelas dalam sistem. Kelas
juga dianggap sebagai cetak biru dari obyek-obyek didalam sistem. Sebuah
kelas mengandung informasi (attribute) dan tingkah laku (behavior) yang
berkaitan dengan informasi tersebut.
7. Diagram Statechart,
Diagram ini memungkinkan untuk memodelkan bermacam-macam state yang
mungkin dialami oleh obyek tunggal. Diagram ini digunakan untuk
menggambarkan perilaku dinamik sebuah obyek tunggal.
8. Diagram Komponen, dan
Diagram ini menunjukkan komponen apa saja yang dibutuhkan saat proses
kompilasi dan menampilkan komponen runtime apa saja yang dihasilkan
sebagai hasil proses kompilasi.
9. Diagram Deployment.
Diagram ini menampilkan rancangan fisik jaringan tempat berbagai
komponen akan diletakkan. Hanya ada satu diagram deployment satu untuk
2.8.2 Elemen-elemen Pemodelan Bisnis
Menurut Sholiq (2010: 55), Elemen-elemen yang digunakan untuk
membuat model bisnis adalah sebagai berikut:
1. Aktor Bisnis
Aktor bisnis adalah seseorang atau sesuatu yang ada diluar organisasi.
Orang-orang didalam organisasi, tetapi diluar bagian yang dimodelkan dapat disebut
aktor bisnis. Aktor bisnis dimodelkan dengan menggunakan ikon berikut:
Gambar 2.7 Notasi aktor bisnis dalam UML
2. Pekerja Bisnis
Pekerja bisnis adalah suatu peran didalam organisasi, bukan posisi atau
jabatan. Pekerja bisnis dimodelkan dengan menggunakan ikon berikut:
Gambar 2.8 Notasi pekerja bisnis dalam UML
3. Use Case Bisnis
Use case bisnis adalah model yang digunakan untuk menggambarkan sebuah
bisnis utama yang organisasi lakukan. Use case bisnis dimodelkan dengan
menggunakan ikon berikut:
Gambar 2.9 Notasi use case bisnis dalam UML
4. Relasi Asosiasi dan Generalisasi
Ada 2 relasi yang mungkin terjadi pada pemodelan bisnis dengan UML,
yaitu: asosiasi dan generalisasi. Relasi asosiasi adalah relasi antara aktor
bisnis atau pekerja bisnis dan use case bisnis. Sedangkan relasi generalisasi
digunakan ketika ada dua atau lebih aktor bisnis, pekerja bisnis, atau use case
bisnis yang sangat serupa. Relasi asosiasi dan generalisasi dimodelkan
dengan menggunakan ikon berikut:
Gambar 2.10 Notasi relasi asosiasi dalam UML
Gambar 2.11 Notasi relasi generalisasi dalam UML
5. Entitas Bisnis
Entitas bisnis adalah obyek yang digunakan atau yang dihasilkan oleh
organisasi saat melakukan aktivitas bisnis. Entitas bisnis dimodelkan dengan
Gambar 2.12 Notasi entitas bisnis dalam UML
6. Diagram Use Case Bisnis
Diagram use case bisnis menunjukkan interaksi antara aktor bisnis atau
pekerja bisnis dan use case bisnis dalam sebuah organisasi. Diagram use case
bisnis dimodelkan dengan menggunakan ikon berikut:
Gambar 2.13 Notasi diagram use case bisnis dalam UML
2.9 Black Box Testing
Menurut Rizky (2011), black box testing adalah tipe pengujian yang
memperlakukan perangkat lunak yang tidak diketahui kinerja internalnya. Para
penguji memandang perangkat lunak seperti layaknya sebuah “kotak hitam” yang
tidak penting dilihat isinya tapi cukup dikenai proses pengujian di bagian luar.
Jenis pengujian ini hanya memandang perangkat lunak dari sisi spesifikasi dan
Beberapa keuntungan yang diperoleh dari jenis pengujian ini antara lain:
1. Anggota tim penguji tidak harus dari seseorang yang memiliki kemampuan
teknis di bidang pemrograman.
2. Kesalahan dari perangkat lunak ataupun bug sering ditemukan oleh komponen
penguji yang berasal dari pengguna.
3. Hasil dari black box testing dapat memperjelas kontradiksi ataupun kerancuan
yang mungkin timbul dari eksekusi sebuah perangkat lunak.
3.1 Analisis
Dalam proses analisis, terdapat dua cara yang ditempuh, diantaranya :
a. Wawancara/Interview
Langkah ini dilakukan untuk mengetahui permasalahan-permasalahan yang
terjadi di UD. Dwi Mulya Plastik Sidoarjo, dimana permasalahan tersebut
berkaitan dengan peramalan penjualan produk timba cor di masa yang akan
datang. Selain itu, langkah ini digunakan untuk mengetahui
kebutuhan-kebutuhan aplikasi dan keinginan pihak UD. Dwi Mulya Plastik Sidoarjo
(pemilik badan usaha) yang nantinya akan menggunakan aplikasi ini.
Wawancara ini dilakukan dengan Bapak Hari M. Wiraatmaja, yang
merupakan putra kandung pemilik badan usaha, sekaligus sebagai salah satu
stakeholder dan owner pada badan usaha ini, Bapak H. M. Sudarto selaku
pemilik, dan Ibu Nana D. selaku pegawai pada bagian penjualan.
b. Analisis Dokumen
Analisis dokumen adalah langkah untuk mengumpulkan, mengamati, dan
menganalisis dokumen apa saja yang berkaitan dengan permintaan. Dokumen
permintaan sendiri didapat dari bagian penjualan pada badan usaha ini.
Dokumen yang diamati adalah dokumen penjualan produk timba cor selama
58 bulan terakhir. Dokumen tersebut dapat dilihat pada lampiran 2. Dokumen
penjualan akan dijadikan sebagai acuan dalam proses peramalan.
3.1.1 User Requirements
Berdasarkan hasil wawancara dengan bagian penjualan maka user
requirements yang dibutuhkan adalah sebagai berikut.
1. Peramalan
Tabel 3.1 User Requirements Peramalan
Deskripsi
Fungsi ini digunakan oleh pemilik (owner) untuk melakukan proses peramalan permintaan timba cor, dengan menggunakan data penjualan yang telah direkap oleh bagian penjualan di Ms. Excel
Aktor Pemilik (owner)
Input Data history permintaan timba cor
Proses
1. Mengambil data history permintaan produk timba cor.
2. Melakukan proses pelatihan (training) terhadap data history permintaan produk timba cor menggunakan metode improved elman.
3. Melakukan peramalan data history permintaan produk timba cor menggunakan metode improved elman.
Output Prediksi jumlah permintaan timba cor
Peraturan Data ramalan permintaan dianggap akurat, jika Mean Squared Error
(MSE) < 0,001
3.1.2 Software Requirements
Berdasarkan hasil analisis dari user requirements diatas, maka
dibutuhkan software requirements yang dapat menunjang fungsi peramalan.
Terdapat 2 software requirements yang dibutuhkan, diantaranya adalah :
1. Pelatihan (Training)
Tabel 3.2 Software Requirements Pelatihan
Deskripsi
Fungsi ini digunakan oleh sistem. Sistem akan menggunakan data
pelatihan.
Pemicu Awal Proses peramalan
Input Data history permintaan yang diambil dari Ms. Excel
Pre-conditions -
Alur
Komputerisasi
(computerized-system-flow)
1. Aplikasi akan mengecek ketersediaan data bobot. Apabila bobot telah tersedia maka aplikasi akan memanggil bobot, sedangkan jika bobot belum tersedia maka dilakukan proses pelatihan.
2. Aplikasi akan melakukan normalisasi terhadap data history
permintaan timba cor.
3. Aplikasi akan menghitung semua output pada setiap keluaran (context unit, hidden layer, dan output layer)
4. Aplikasi menghitung penurunan gradien 5. Aplikasi menghitung error pada semua jaringan
6. Aplikasi menghitung perubahan bobot pada setiap vektor (W1, W2, W3, dan W4)
7. Aplikasi menghitung adjustment bobot
8. Jika error > 0,001 maka proses perhitungan “3” dilakukan kembali.
9. Jika error < 0,001 maka aplikasi akan menghasilkan data bobot (W1, W2, W3, dan W4)
Akhir Data bobot (W1, W2, W3, dan W4)
Non Fungsional -
2. Peramalan
Tabel 3.3 Software Requirements Peramalan
Deskripsi Fungsi ini dilakukan oleh pemilik (owner). Fungsi ini dilakukan
untuk melakukan proses peramalan permintaan timba cor.
Pemicu Awal Pelatihan (Training)
Input Data history permintaan yang diambil dari Ms. Excel
Alur
Komputerisasi
(computerized-system-flow)
1. Halaman peramalan tampil
2. Pemilik (owner) menekan tombol “Start”
1.2 Aplikasi menjalankan fungsi pelatihan (training) dengan memberikan data history permintaan dari Ms. Excel, dan menampung data bobot hasil training (W1, W2, W3, dan W4).
1.3 Aplikasi menghitung semua output pada setiap keluaran (context unit, hidden layer, dan output layer) menggunakan data bobot (W1, W2, W3, dan W4) hasil training.
1.4 Aplikasi melakukan denormalisasi
1.5 Aplikasi menghasilkan prediksi jumlah permintaan timba cor pada periode yang akan datang
1.6 Aplikasi menyimpan data prediksi jumlah permintaan timba cor dalam bentuk file
1.7 Aplikasi menampilkan jumlah permintaan timba cor
Akhir Prediksi jumlah permintaan
Non Fungsional -
3.1.3 Data Requirements
Berdasarkan software requirements yang telah dijabarkan sebelumnya,
maka diperlukan beberapa data untuk mendukung software requirements tersebut,
data yang dibutuhkan diantaranya adalah :
1. Data History Permintaan
Data history permintaan ini akan disediakan oleh bagian penjualan UD. Dwi
Mulya Plastik Sidoarjo (external) . Dalam proses pengembangan aplikasi ini,
peneliti akan mendapat hak akses untuk membaca data penjualan dari
perusahaan.
2. Data Bobot
Data bobot yang meliputi bobot W1, W2, W3, dan W4 merupakan bobot
yang dihasilkan dari proses pelatihan/training menggunakan metode
3. Data Prediksi Jumlah Permintaan
Data prediksi jumlah permintaan merupakan data hasil ramalan permintaan
untuk periode berikutnya menggunakan metode improved elman.
3.2 Perancangan Sistem
Unified Modeling Language (UML) adalah keluarga notasi grafis yang
didukung oleh meta-model tunggal ang membantu pendeskripsian dan desain
sistem perangkat lunak khususnya sistem yang dibangun menggunakan
pemograman berorientasi objek (OO) (Fowler Martin, 2004).
3.2.1 Usecase Diagram
Usecase diagram digunakan untuk menggambarkan sistem dari sudut
pandang pengguna (user), sehingga pembuatan usecase diagram lebih
dititikberatkan pada fungsionalitas yang ada pada sistem, bukan berdasarkan alur
atau urutan kejadian. Usecase diagram dapat dilihat pada gambar 3.1 dibawah ini.
3.2.2 Activity Diagram
Activity diagram menggambarkan rangkaian aliran aktivitas, digunakan
untuk mendeskripsikan aktivitas yang dibentuk dalam suatu operasi sehingga
dapat juga digunakan untuk aktifitas lainnya. Activity diagram pada aplikasi
peramalan permintaan menggunakan improved elman ini terdiri dari 2 usecase,
antara lain : peramalan dan pelatihan. Usecase pelatihan merupakan include dari
peramalan.
A. Proses Pelatihan
Proses pembelajaran/training dimulai dengan pengecekan ketersediaan
data bobot. Apabila bobot telah tersedia maka aplikasi akan memanggil bobot,
sedangkan jika bobot belum tersedia maka dilakukan proses pelatihan. Aplikasi
akan melakukan normalisasi terhadap data history permintaan timba cor.
Kemudian aplikasi dilakukan proses perhitungan di setiap layer context unit,
hidden, dan output untuk menghasilkan nilai XC(k), X(k), dan Y(k). Proses
selanjutnya adalah menghitung penurunan gradien, menghitung error pada semua
jaringan, kemudian menghitung perubahan bobot pada setiap jaringan, yaitu bobot
W1, W2, W3, dan W4. Kemudian dilakukan adjustment bobot untuk
menggantikan bobot awal yang diberi nilai acak(random). Apabila error yang
dihasilkan melebihi 0,001 maka akan dilakukan perulangan proses (looping) dari
menghitung keluaran setiap jaringan. Sedangkan jika error yang dihasilkan kurang
dari 0,001 maka sistem akan langsung menghasilkan data bobot (W1, W2, W3,
�(�) = �(�1�
�(�) +�2�(� −1))
Menghitung semua keluaran di unit tersembunyi
Mulai
Error < 0,001 ?
Selesai
�(�) = �(�3�(�))
Menghitung keluaran di unit output
��(�) = �4��(� −1) + �(� −1)
Menghitung semua keluaran di context unit
�(�) = 1
2 (��(�)− �(�)) �(�
�(�)− �(�))
Menghitung error pada semua jaringan ���(�)
Menghitung perubahan bobot pada Vektor �1
∆���2 = h2��ℎ��(� −1)
Menghitung perubahan bobot pada Vektor �2
∆���3 = h3�����(�),�= 1,2, … ,�,�= 1,2, … ,�
Menghitung perubahan bobot pada Vektor �3
∆��4= h4��ℎ�(���1 �
�=1
) ��(� −2)
Menghitung perubahan bobot pada Vektor �4
Cek ketersediaan
B. Proses Peramalan
Proses peramalan dimulai dengan menekan tombol Start pada form
peramalan oleh pemilik (owner). Kemudian sistem akan mengambil data history
permintaan produk timba cor dari Ms. Excel. Setelah file excel dipilih dan muncul
pada form peramalan. Selanjutnya pemilik (owner) menekan tombol Proses.
Sistem akan membaca data history permintaan produk timba cor untuk kemudian
menjalankan fungsi pelatihan menggunakan metode improved elman. Setelah data
bobot (W1, W2, W3, dan W4) diperoleh dari fungsi pelatihan, selanjutnya
dilakukan perhitungan semua output pada setiap keluaran menggunakan improved
elman. Lalu dilakukan proses denormalisasi. Denormalisasi sendiri dimaksudkan
untuk mentransformasikan data ke bentuk bilangan bulat positif. Sehingga
menghasilkan data ramalan permintaan. Setelah itu, maka dihasilkan prediksi
jumlah permintaan produk timba cor. Data tersebut kemudian disimpan dan
��� = (��− 0,1)(max(�)−min(�)) + 0,8(���(�)) 0,8
Denormalisasi data
�(�) = �(�1��(�) +�2�(� −1))
Menghitung semua keluaran di unit tersembunyi
Mulai
�(�) = �(�3�(�))
Menghitung keluaran di unit output
Data history permintaan timba cor
��(�) = �4��(� −1) + �(� −1)
Menghitung semua keluaran di context unit
Fungsi Pelatihan
Data Bobot (W1, W2, W3, W4)
Selesai
Gambar 3.5 Bagan Alur Peramalan Improved Elman
3.2.3 Sequence Diagram
Sequence diagram biasa digunakan untuk menggambarkan skenario atau
rangkaian langkah-langkah yang dilakukan sebagai respon dari sebuah event
untuk menghasilkan output tertentu. Berikut ini merupakan sequence diagram dari
Gambar 3.7 Sequence Diagram Pelatihan Improved Elman
3.2.4 Class Diagram
Class diagram adalah diagram yang menunjukkan kelas-kelas yang ada
dari sebuah sistem dan hubungannya secara logika. Class diagram bersifat statis
yang digambarkan dengan kotak yang terbagi atas 3 bagian, yaitu: nama kelas,
attribut, dan operasi. Berikut ini merupakan class diagram dari aplikasi peramalan
Gambar 3.8 Class Diagram Peramalan dengan Improved Elman
3.3 Perancangan Interface
Perancangan interface digunakan untuk memberikan gambaran terhadap
desain form aplikasi yang akan dibangun. Berikut ini desain interface dari aplikasi
peramalan permintaan menggunakan metode improved elman pada UD. Dwi
Mulya Plastik Sidoarjo.
1. Form Menu Utama
Form ini merupakan tampilan awal dari aplikasi ketika aplikasi dijalankan.
Terdapat 2 button pada menu utama ini, yaitu: Peramalan dan Exit. Untuk
Rancang Bangun Aplikasi Peramalan Permintaan UD. Dwi Mulya Plastik
RANCANG BANGUN APLIKASI PERAMALAN PERMINTAAN MENGGUNAKAN METODE IMPROVED ELMAN
PADA UD. DWI MULYA PLASTIK
Peramalan Exit
Gambar 3.9. Rancangan Form Menu Utama
2. Form Peramalan
Pada form ini digunakan untuk me-inputkan data permintaan produk timba cor
dan menampilkan hasil peramalan. Tombol “Start” digunakan untuk
mengambil data history permintaan timba cor dari Ms. Excel. Tombol
“Proses” digunakan untuk melakukan proses perhitungan pelatihan dan
peramalan menggunakan metode improved elman. Untuk lebih jelasnya,
Form Peramalan
Proses Peramalan Produk Timba Cor
Proses Start
Gambar 3.10. Rancangan Form Normalisasi Data
3.4 Perancangan Pengukuran Kesalahan
Perhitungan kesalahan dalam peramalan yang ada pada landasan teori
adalah MAD, MSE, MAPE, dan MSE. MSE digunakan untuk mengetahui
rata-rata secara detail karena selisih data dikuadratkan. Selisih data akan semakin besar
sehingga akan kelihatan kesalahan peramalannya.
MSE adalah alat ukur kesalahan yang akan digunakan pada penelitian ini.
MSE dipilih karena menghasilkan kesalahan ramalan yang dilakukan. Kesalahan
ramalan tersebut dapat menghasilkan kesalahan kecil dan dapat menghasilkan
kesalahan yang sangat besar. Semakin kecil nilai kesalahan MSE maka peramalan
4.1 Kebutuhan Aplikasi
Implementasi bertujuan untuk menerapkan sistem yang dibangun untuk
mengatasi permasalahan yang diangkat pada penelitian ini.Tahap-tahap yang
dilakukan pada implementasi ini adalah mengidentifikasi kebutuhan system baik
perangkat keras maupun perangkat lunak serta menerapkan rancangan dan
mengevaluasi sistem yang dibangun.
4.1.1. KebutuhanPerangkat Keras
Untuk menjalankan sistem yang dibuat ini diperlukan perangkat keras
dengan spesifikasi minimum. Adapun kebutuhan perangkat keras untuk apilkasi
peramalan permintaan ini adalah sebagai berikut:
1. Memory 2Gb atau lebih.
2. Hard Disk 320Gb atau lebih.
3. Processor Core i3 dengan kecepatan 2 GHz atau lebih.
4. Mouse, keyboard, dan monitor dalam kondisi baik.
4.1.2. KebutuhanPerangkat Lunak
Aplikasi peramalan permintaan menggunakan metode improved elman
ini juga membutuhkan perangkat lunak minimum agar dapat berjalan dengan baik,
perangkat lunak tersebut, antara lain:
1. SistemOperasi Microsoft Windows 7 Professional Edition / Ultimate.
2. Microsoft Visual Studio .NET 2010.
3. CRRuntime 32 bit.
4. Microsoft SQL Server 2008 Express Editon.
5. .NET Framework 4.0 ataulebihtinggi.
4.2 Implementasi Aplikasi
Aplikasi peramalan permintaan menggunakan metode improved elman
ini digunakan oleh pemilik/owner UD. Dwi Mulya Plastik Sidoarjo. Pada sub-sub
ini akan dijelaskan halaman-halaman apa saja yang dapat digunakan oleh owner
badan usaha tersebut.
4.2.1. Halaman Menu Utama
Form ini merupakan tampilan utama aplikasi peramalan menggunakan
metode improved elman. Aplikasi ini tidak dilengkapi dengan proses login karena
pengguna utama merupakan pemilik badan usaha sendiri. Pemilik bisa langsung
melakukan proses peramalan. Terdapat 2 (dua) menu pada halaman utama ini,
yaitu: menu Peramalan dan menu Exit. Untuk lebih jelasnya, form menu utama
Gambar4.1Halaman Menu Utama
4.2.2. Halaman Peramalan
Form peramalan permintaan ini digunakan untuk melakukan perhitungan
peramalan permintaan produk timba cor menggunakan metode improved elman
berdasarkan data history permintaan timba cor pada masa lalu. Hasil peramalan
tersebut kemudian digunakan untuk menghitung jumlah produk timba cor yang
harus diproduksi (disediakan) oleh badan usaha. Hasil peramalan ditampilkan
pada message box dan disimpan dalam bentuk file seperti ditunjukkan pada
gambar 4.3 dan 4.4 dibawah ini.Untuk lebih jelasnya, form menu peramalan dapat
Gambar4.2 Halaman Peramalan
Gambar4.4 Halaman Hasil Peramalan
4.3 Evaluasi Sistem
Evaluasi sistem bertujuan untuk memastikan bahwa aplikasi telah dibuat
dengan benar sesuai dengan kebutuhan atau tujuan yang diharapkan. Kelemahan
dan kekurangan dari aplikasi pada tahap ini akan dievaluasi sebelum
diimplementasikan secara nyata. Evaluasi yang dilakukan harus melewati tahap
pelatihan dan pengujian peramalan. Proses pengujian aplikasi menggunakan Black
Box Testing untuk membuktikan bahwa aplikasi yang telah dibuat sudah sesuai
dengan tujuan. Data yang digunakan untuk proses peramalan adalah sebanyak 50
data terhitung dari januari 2009 membuktikan bahwa aplikasi sampai dengan
februari 2013, sedangkan data ujicoba sebanyak 8 data terhitung dari maret 2013
4.3.1 Uji Coba Fungsional
Uji coba akan dilakukan terhadap perangkat lunak apakah sudah sesuai
dengan kebutuhan fungsional dan non fungsional yang sudah dirancang
sebelumnya. Uji coba ini dilakukan untuk melihat progam yang dibuat sudah
sesuai dengan yang diharapkan. Kegiatan yang dilakukan dalam tahap uji coba
sistem adalah menguji semua masukan dan membandingkan hasil masukan
tersebut dengan hasil yang diharapkan. Uji coba fungsional, baik peramalan
maupun pelatihan dilakukan menggunakan data dummy beserta langkah-langkah
penyelesaiannya (Lampiran 4). Uji coba tersebut adalah sebagai berikut:
1. Uji Fungsional Peramalan
Mengenai uji fungsional peramalan, penjelasan lebih detil dapat dilihat pada
Tabel 4.1.
Tabel 4.1 Hasil Uji Fungsional Peramalan
Fungsional Peramalan
Stakeholder Pemilik
Alur Normal Melakukan pelatihan
Aksi Pengguna Respon Sistem Hasil
Pengguna memilih timba cor yang akan diramalkan
Data permintaan timba cor
Pengguna
melakukan proses peramalan
Sistem berhasil menampilkan hasil peramalan
Hasil prediksi peramalan timba cor
Alur Alternatif 1 Data permintaan produk tersimpan pada database
Aksi Penguna Respon Sistem Hasil
Pengguna produk timba cor sesuai dengan proses peramalan dengan alur normal.
Kondisi Akhir
Respon Sistem Hasil
Sistem berhasil menampilkan data prediksi hasil peramalan permintaan produk timba cor
Hasil prediksi peramalan timba cor
2. Uji Fungsional Pelatihan
Mengenai uji fungsional pelatihan, penjelasan lebih detil dapat dilihat pada
Tabel 4.2.
Tabel 4.2 Hasil Uji Fungsional Pelatihan
Fungsional Pelatihan
Stakeholder Pemilik
Alur Normal Melakukan peramalan
Aksi Pengguna Respon Sistem Hasil
Pengguna
melakukan proses peramalan
Fungsi peramalan memicu pemanggilan fungsi pelatihan
Data bobot (W1, W2, W3, dan W4)
Kondisi Akhir
Respon Sistem Hasil
Fungsi peramalan memicu pemanggilan fungsi pelatihan
Data bobot (W1, W2, W3, dan W4)
4.3.2 Uji Coba Kemudahan Penggunaan Aplikasi
Untuk dapat mengetahui bahwa aplikasi telah sesuai dengan kebutuhan
pengguna maka aplikasi akan diuji cobakan kepada satu user yaitu Pemilik badan
usaha (Lampiran 3. Kuesioner). Dari angket yang telah diisi oleh pengguna dapat
ditarik kesimpulan bahwa pengguna yaitu pemilik badan usahadengan sampel
sebanyak 1 orang memberikan penilaian untuk kemudahan penggunaan aplikasi
dengan nilai rata-rata 4.25. Hasil ini didapatkan dengan cara membagi total nilai
untuk semua pernyataan yaitu 34 dengan jumlah pernyataan yaitu 8. Dari skala 1
sampai 5 pada angket, nilai 4.25 telah menunjukkan bahwa semua menu pada
aplikasi ini sudah sesuai dengan keinginan pemilik dan mudah dipahami oleh
Dari penilaian pengguna aplikasi dapat ditarik kesimpulan secara umum
bahwa aplikasi ini sudah sesuai dan termasuk dalam kategori mudah untuk
digunakan. Adapun saran yang diberikan pengguna yaitu agar ke depannya sistem
ini dapat diintegrasikan dengan sistem lain.
4.3.3 Analisis Data
Analisis data dilakukan untuk melihat selisih data hasil prediksi
peramalan permintaan dengan data aktual penjualan timba cor. Dari 58 data
penjualan yang disediakan, 8 data merupakan data untuk uji coba. Berikut ini
merupakan gambar hasil peramalan dan data aktual penjualan beserta selisih dan
grafiknya.
.
Gambar 4.5Grafik Ujicoba Peramalan Permintaan
Pada gambar 4.5 ujicoba peramalan diatas menggunakan metode
nilai MAPE sebesar 10,83%. Pengukuran kesalahan menggunakan MAPE dipilih
karena model ini memiliki kinerja sangat baik jika nilai MAPE diantara 10%
sampai 20% (Zainun dan Majid, 2003). Selisih antara data peramalan dan data
aktual masing-masing adalah: 2631; 2293; 974; 183; 1019; 188; 4847; dan 6961
dan dalam bentuk persen masing-masing adalah: 10,13%; 8,54%; 4,38%; 0,84%;
4,24%; 0,74%; 22,75%; dan 34,97% dengan MSE sebesar 10773101,25. Dibawah
ini merupakan nilai bobot W1, W2, W3, dan W4 dengan parameter yang telah
disebutkan diatas.
Tabel 4.3 Data Bobot W1 Peramalan dengan Improved Elman
Data W1
Tabel 4.4 Data Bobot W2 Peramalan dengan Improved Elman