Agustina, I.D., Anggraeni, W. & Mukhlason, A. 2010. Penerapan metode extreme
learning machine untuk peramalan permintaan. Tugas Akhir. Institut Teknologi Sepuluh November.
Beheshti-Kashi, S., Karimi, H.R., Thoben, K., Lutjen, M. & Teucke, M. 2014. A survey on retail sales forecasting and prediction in fashion markets. Int. J. of Systems
Science & Control Engineering 3: 154-161.
Darmawan, A.S. 2012. Sistem pendukung keputusan peramalan penjualan batik dengan metode trend moment. Jurnal Ilmiah ICTech 10(2): 1-5
Dasar Pemahaman Neural Networks. 2012. http://socs.binus.ac.id, 26 Juli 2012(diakses pada 18 April 2015).
Empat motif khas batik. 2015. http://www.kriyalea.com, (diakses 10 Oktober 2015).
Fardani, D.P., Wuryanto, E. & Werdiningsih, I. 2015. Sistem pendukung keputusan peramalan jumlah kunjungan pasien menggunakan metode extreme learning machine (studi kasus : poli gigi rsu dr. wahidin sudiro husodo mojokerto).
Journal of Information Systems Engineering and Business Intelligence 1(1) :
33-408.
Gasperz, V. 2004. Production planning and inventory control. PT. Gramedia Pustaka Utama: Jakarta.
Green, M. & Harrison, P.J. 1973. Fashion forecasting for a mail order company using a Bayesian approach. Operational Research Quarterly 24(2): 193-205.
Huang, G.-B., Zhu, Q.-Y. & Siew, C.-K. 2006. Extreme learning machine : theory and applications. Int. J. of Neurocomputing 70(2006): 489-501.
Haykin, S.S. 1999. Neural networks : a comprohensive foundation. Prantice Hall: Michigan.
Heaton, J. 2008. Introduction to neural networks for java. Heaton Research, Inc: St. Louis.
Jia, J. & Hao, S. 2013. Water deman forecasting based on adaptive extreme learning machine. International Conference on Artificial Intelligence and Software
Engineering 2013: 42-45.
Kardha, F.R.D. 2012. Sistem informasi promix untuk peramalan produk (studi kasus pada pt. batik danar hadi solo). Skripsi. Universitas Atma Jaya Yogyakarta.
Levine, D. 2002. Statistics for managers using microsoft excel. Prentice Hall: New Jersey.
Liu, N., Ren, S., Choi, T.-M., Hui, C.-L. & Ng, S.-F. 2013. Sales forecasting for fashion retailing service industry : a review. Int. J. of Mathematical Problems in
Engineering 2013: 1-9.
Maftukhah, E. 2013. Mengenal Batik : Definisi, Periode Perkembangan, dan Jenis-Jenis Batik. http://garmenstudionline.blogspot.com/2013/01/mengenal-batik.html,
Nurmaida, A. 2012. Penerapan metode exponential smoothing holt-winter dalam sistem peramalan curah hujan. Tugas Akhir. Universitas Pendidikan Indonesia.
Poerwanto. & Sukirno, Z.L. 2012. Inovasi produk dan motif seni batik pesisiran sebagai basis pengembangan industri kreatif dan kampung wisata minat khusus. Jurnal Al-Azhar Indonesia Seni Pranata Sosial 1(4): 217-229.
Riyadi, S. 2015. Aplikasi peramalan penjualan obat menggunakan metode pemulusan (studi kasus: instalasi farmasi rsud dr murjani). Seminar Nasional Teknologi Informasi dan Multimedia 5.3-1 - 5.3-6.
Sanmorino, A. 2012. Clustering batik image using fuzzy C-Means algorithm based on log-average luminance. In. J. of Computer Engineering and Applications 1(1): 25-31.
Setiawan, N. 2012. Teori Analisis Time Series. http://statistikceria.blogspot.com, 11
Mei 2012 (diakses 18 April 2015).
Simanjuntak, L.H. 2014. Prediksi jumlah permintaan barang musiman menggunakan metode holt-winters. Skripsi. Universitas Sumatera Utara.
Sun, Z.-L., Choi, T.-M., Au, K.-F. & Yu, Y. 2008. Sales forecasting using extreme learning machine with applications in fashion retailing. Int. J. of Decision
Taylor, J.W. 2007. Forecasting daily supermarker sales using exponential weighted quantile regression. European Journal of Operational Research 178 : 154-167.
Tanjung, I. H. 2012. Peramalan jumlah penjualan distributor telur terhadap permintaan pasar menggunakan metode average-based fuzzy time series (Abfts). Skripsi. Universitas Sumatera Utara.
ELM untuk mendapatkan peramalan penjualan batik. Pada tahap perancangan akan dibahas mengenai tahap-tahap yang dilakukan dalam merancang sistem peramalan
penjualan.
3.1. Arsitektur Umum
Metode ELM yang diajukan pada penelitian ini bekerja melalui beberapa tahapan yaitu
input data, proses peramalan dengan ELM, dan output peramalan. Input dari penelitian
ini berupa data penjualan yang telah dikumpulkan terlebih dahulu dari beberapa tempat penjualan dan produsen batik. Data yang telah dikumpulkan akan masuk ke dalam proses peramalan yang dibagi ke dalam tiga tahapan, yaitu proses training dan testing, serta analisis hasil peramalan. Pada proses training, data yang masuk akan dinormalisasi terlebih dahulu untuk menyesuaikan dengan fungsi aktivasi yang digunakan. Proses selanjutnya adalah menentukan fungsi aktivasi dan menentukan jumlah hidden neuron yang digunakan. Kemudian selanjutnya adalah menghitung weight antara input dan
hidden layer, dan weight antara hidden dan output layer sebelum didapatkan output dari
Gambar 3.1. Arsitektur Umum
3.2. Data yang digunakan
Data yang digunakan pada penelitian ini berupa data penjualan berdasarkan motif batik yang telah dikumpulkan dari beberapa tempat penjualan dan produsen batik. Data yang dikumpulkan adalah penjualan sebanyak dua terakhir, yaitu dari bulan Maret 2013 s/d bulan April 2015. Data yang ada dikelompokkan per bulan untuk memudahkan melihat
Coletan Biru Katun Paris 14
Mandailing 12
Melayu Kombinasi 38
Gorga Simalungun Merah Dasar Hitam 16
Gorga Karo Kombinasi 15
Gorga Empat, Merah, Hitam, dan Putih 10
Gorga Simalungun Mahkota Merah Orange
16
Itik Pulang Petang 14
Ulos Karo 12
Gorga Boraspati 14
Gorga Empat Hitam Putih 12
Ulos Orange Hitam 11
Gorga Empat Mirabella 11
SM Raja Hijau Hitam 38
Gorga Merah Kopi Gosong 27
Gorga Mahkota Abu Pink 9
Gorga Kuning Hijau 11
Batik Karo Etnis Miring Merah Kopi Gosong
12
Gorga Simeol-meol Merah Hitam 18
April 2 Gorga Empat Merah Putih Hitam 55 Bunga Kaca Piring dan Pucuk Rebung 46
Gorga Ulos Kuning Hitam 12
3.3. Arsitektur ELM
Tahapan peramalan dengan ELM dibagi ke dalam tiga tahapan yaitu proses training ELM, proses testing ELM, dan analisis hasil peramalan ELM. Sebelum masuk ke dalam tahapan training, testing dan analisis peramalan, terlebih dahulu ditentukan jumlah
input, jumlah hidden layer, serta jumlah output dari jaringan ELM.
3.3.1. Penentuan jumlah input
Jumlah input yang digunakan pada penelitian ini adalah sebanyak 35, sesuai dengan jumlah motif batik yang akan diramalkan yang telah disimpan di dalam database, termasuk satu diantaranya adalah input bias.
3.3.2. Penentuan jumlah hidden neuron
Output peramalan ELM yang stabil adalah output yang jumlah hidden neuron-nya ada
pada range 0-30 (Sun et al, 2008). Namun pada dasarnya hidden neuron dapat berjumlah tak terhingga (Haykin, 1999). Menurut Heaton (2008), terdapat beberapa aturan yang bisa digunakan untuk menentukan jumlah hidden neuron :
a. Jumlah hidden neuron harus berada diantara ukuran input layer dan output
layer.
b. Jumlah hidden neuron harus 2/3 dari ukuran input layer ditambah ukuran
output layer.
c. Jumlah hidden neuron harus kurang dari dua kali jumlah input layer.
Aturan-aturan tersebut dibuat hanya sebagai bahan pertimbangan, sedangkan proses sebenarnya bergantung pada proses trial and error sesuai dengan masalah yang ditangani oleh jaringan. Pada penelitian ini, peneliti menggunakan penentuan hidden
neuron dengan opsi b, yaitu jumlah hidden neuron harus 2/3 dari ukuran input layer
Gambar 3.2. Ilustrasi Jaringan ELM untuk Peramalan Penjualan Batik
3.3.4. Training ELM
Data training yang telah dibagi sebelumnya digunakan untuk proses training ELM.
Gambar 3.3. Flowchart Training ELM
Penjelasan dari gambar 3.3 adalah sebagai berikut : 1. Normalisasi Data Training
��
Proses normalisasi dapat diilustrasikan dengan mengambil beberapa data dari data yang telah ada. Dalam contoh kali ini penulis mengambil sampel data penjualan tiga motif batik. Untuk rincian data yang akan dinormalisasi ditampilkan pada tabel 3.2
Tabel 3.2. Contoh Data Untuk Proses Normalisasi
Bulan Periode
Bunga Kaca Piring dan Pucuk
Rebung Itik Pulang Petang Gorga Merah Hitam dan Putih
Mar-13 1 38 14 10
Apr-13 2 46 12 55
Mei-13 3 27 66 39
Jun-13 4 35 20 46
Jul-13 5 43 18 60
Agu-13 6 26 22 68
Sep-13 7 38 21 24
Okt-13 8 30 15 54
Nov-13 9 33 16 68
Des-13 10 29 14 11
database bahwa nilai minimal dari keseluruhan dataset adalah 5 dan nilai maksimum adalah 68. Berikut ini adalah contoh perhitungan untuk motif bunga kaca piring dan pucuk rebung :
= − −
=
= ,
Untuk hasil normalisasi keseluruhan motif dapat dilihat pada tabel 3.3.
Tabel 3.3. Hasil Normalisasi Contoh Data
Bulan Periode
Bunga Kaca Piring dan Pucuk
Rebung
Itik Pulang Petang
Gorga Merah Hitam dan Putih
Mar-13 1 0,52 0,14 0,07
Apr-13 2 0,65 0,11 0,79
Mei-13 3 0,34 0,96 0,53
Jun-13 4 0,47 0,23 0,65
Jul-13 5 0,60 0,20 0,87
Agu-13 6 0,33 0,26 1
Sep-13 7 0,52 0,25 0,30
Okt-13 8 0,39 0,15 0,77
Nov-13 9 0,42 0,17 1
Des-13 10 0,38 0,14 0,09
2. Penentuan Fungsi Aktivasi
Fungsi aktiviasi adalah fungsi yang akan mentransformasikan input menjadi
output. Pada jaringan ELM, sama halnya dengan neural networks, fungsi
−� pada persamaan fungsi aktivasi sigmoid biner diatas adalah fungsi eksponen
dari minus x, Dimana x adalah penjumlahan keseluruhan perkalian antara input dan weight antara input layer dan hidden layer.
3. Hitung Net dan Output Weight
Setelah sebelumnya data dinormalisasi, penentuan fungsi aktivasi yang akan digunakan, dan penentuan jumlah neuron pada hidden layer, langkah selanjutnya adalah menghitung weight antara lapisan input dan hidden layer, dan weight antara hidden layer dan output layer. Setelah nilai weight antara
input layer dan hidden layer didapatkan, sesuai dengan ketentuan pada
algoritma ELM, nilai weight yang ada akan diinisialiasi secara random. Sedangkan untuk weight yang ada di antara hidden layer dan output layer akan dihitung menggunakan matriks moore-penrose pseudoinverse. Untuk persamaan yang digunakan untuk menghitung output adalah sebagai berikut :
� = �+ (3.3)
� = , … , , � , … , � , , … ,
. + � . + � =
�� �� � = =
Dimana : �+ = Matriks moore-penrose pseudoinverse
� = weight antara hidden layer dan output layer T = Matriks dari target atau output
Matriks moore-penrose pseudoinverse didapatkan dengan melakukan perkalian matriks sebagai berikut :
�+ = ��. � − . �� (3.4)
��pada perkalian maktris tersebut adalah matriks transposisi. Sedangkan pangkat -1 pada rumus tersebut adalah menandakan bahwa perkalian matriks didalam kurung tersebut akan diinverskan sebelum dikalikan dengan matriks transposisi. Secara keseluruhan proses perhitungan weight antara input layer dan
hidden layer serta weight antara hidden layer dan output layer dilakukan oleh
sistem yang akan dirancang.
Untuk ilustrasi perhitungannya, peneliti mengambil sampel motif batik bunga kaca piring dan pucuk rebung dengan input 0,52 dan 0,65 dengan sebuah bias bernilai 1. Untuk weight antara input layer dan hidden layer, termasuk bias
weight masing-masing adalah 0,2, 0.4, 0,6, 0,6, 0,8 dan 0,2. Maka perhitungan
net dan output weight dilakukan sebagai berikut :
Net Z1 = (X0W0) + (X1W1) + (X2W2)
= (1 . 0,2) + (0,52 . 0,4) + (0,6 . 0,65) = 0,2 + 0,208 + 0,39
= 0,798
f(Net Z1) =
+ �− , = 0,647
Net Z2 = (X0W0) + (X1W1) + (X2W2) = (1 . 0,6) + (0,52 . 0,8) + (0,6 . 0,2)
= , , . β
Pertama-tama adalah mencari nilai β dengan persamaan berikut ini :
� = ��. (3.5)
� = �+.
�+ = ��. � − . ��
�+ = , , . , , − . , ,
�+ = ((0,418 + 0,489 0,489 + 0,573))-1 . (0,647 0,757) �+ = (0,907 1,062)-1 . (0,647 0,757)
�+ = (1,273 1,814)
Net Z1 – Y = 1,273
f(Net Z1 – Y) = + �− , = 0,279
Net Z2 – Y = 1,814
f(Net Z2 – Y) = + �− , = 0,163
Maka output yang diperoleh adalah 0,442.
4. Denormalisasi
nilai hasil peramalan. Berikut ini merupakan persamaan yang digunakan untuk proses denormalisasi :
= , ( �+ )(max{ �} − min{ �}) + min{ �} (3.5)
Dimana : = Nilai data setelah denormalisasi
� = Data output sebelum denormalisasi
max{ �} = Nilai minimum pada data set sebelum normalisasi
min{ �} = Nilai maksimum pada data set sebelum normalisasi
= , , + − +
= 0,942 (63) + 5 = 36,94
Untuk ilustrasi yang dilakukan, didapatkan hasil peramalan untuk motif batik
bunga kaca piring dan pucuk rebung adalah sebanyak 37.
5. Output Data Training
Output yang dimaksudkan disini adalah hasil peramalan yang didapatkan dari
proses training, yang akan digunakan sebagai pembelajaran untuk jaringan ELM sehingga proses selanjutnya berjalan dengan baik.
3.3.5. Testing ELM
Pada tahapan testing ELM data yang digunakan adalah data testing. Untuk melakukan
testing ELM proses yang dilakukan tetap berdasarkan input weight dan output weight
yang didapatkan dari proses training. Pada tahap ini juga tetap dilakukan normalisasi
input dan denormalisasi output.
3.3.6. Analisis hasil peramalan
menggambarkan requirement fungsional yang diharapkan dari sebuah sistem. Use case dibuat untuk memudahkan pengguna dalam mengerti alur kerja suatu sistem sehingga
sistem dapat digunakan sebaik mungkin. Aktor yang berperan dalam sistem yang akan dibangun adalah user aplikasi yang akan menggunakan sistem untuk peramalan penjualan batik. Rancangan use case sistem dapat dilihat pada Gambar 3.4.
Gambar 3.4. Use Case Sistem Peramalan Penjualan Batik
Tabel 3.4. Deskripsi Use Case Sistem Peramalan Penjualan Batik
No Use Case Deskripsi
1 Login Proses pada user untuk masuk ke dalam sistem. User harus memiliki username dan password.
2 Logout Proses untuk keluar dari sistem untuk user yang telah
login.
3 Lihat Kategori Menampilkan kategori motif batik yang ada pada
database.
4 Lihat Produk Menampilkan produk produk batik yang ada beserta kategorinya yang tersimpan pada database.
5 Lihat Data Penjualan
Menampilkan daftar penjualan motif-motif batik yang ada pada database perusahaan serta informasi-informasi mengenai barang tersebut.
6 Tambah, Edit, Hapus
Proses untuk menambah, mengedit, ataupun menghapus data penjualan dan informasi-informasi lainnya yang terkait data penjualan. Proses ini hanya dapat dilakukan apabila user telah menampilkan masing-masing data tersebut.
7 Ramal Penjualan Proses untuk meramalkan penjualan motif batik. Jika proses ini dilakukan maka user secara otomatis harus memilih data dan periode penjualan yang akan diramalkan.
3.4.2. Diagram aktifitas (activity diagram)
Diagram aktifitas (activity diagram) adalah kumpulan dari aktifitas dan transisi yang
menghasilkan sebuah kegiatan. Activity diagram merupakan sebuah tipe dari diagram
workflow yang menggambarkan tentang aktivitas dari pengguna ketika melakukan
Gambar 3.5. Activity Diagram Melihat Kategori
Pada Gambar 3.5. dapat dilihat ketika user ingin melihat kategori produk, user bisa memilih menu kategori pada sistem. Sistem akan menampilkan keseluruhan
kategori produk yang ada pada database.
Untuk activity diagram pengaturan yang dapat dilakukan oleh user pada kategori dapat dilihat pada Gambar 3.6.
Pada Gambar 3.6. dapat dilihat bahwa user dapat melakukan pengaturan pada menu kategori, baik itu melakukan penambahan data, mengedit data, ataupun menghapus data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua kategori produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.
Untuk activity diagram menu produk dapat dilihat pada Gambar 3.7.
Gambar 3.7. Activity Diagram Melihat Produk
Pada Gambar 3.7. dapat dilihat ketika user ingin melihat produk-produk batik yang tersedia, user bisa memilih menu produk pada sistem. Sistem akan menampilkan keseluruhan kategori produk yang ada pada database.
Gambar 3.8. Activity Diagram Pengaturan Pada Produk
Pada Gambar 3.8. dapat dilihat bahwa user dapat melakukan pengaturan pada menu produk, baik itu melakukan penambahan data, mengedit data, ataupun menghapus
data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua produk-produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.
Untuk activity diagram data penjualan produk dapat dilihat pada Gambar 3.9.
Pada Gambar 3.9 dapat dilihat ketika user ingin melihat data penjualan produk-produk batik, user bisa memilih menu penjualan pada sistem. Sistem akan menampilkan keseluruhan data penjualan batik yang ada pada database.
Untuk activity diagram pengaturan yang dapat dilakukan oleh user pada data penjualan dapat dilihat pada Gambar 3.10.
Gambar 3.10. Activity Diagram Pengaturan Pada Data Penjualan
Pada Gambar 3.10. dapat dilihat bahwa user dapat melakukan pengaturan pada menu penjualan, baik itu melakukan penambahan data, mengedit data, ataupun menghapus data. Sistem akan memproses aktifitas pengaturan yang dilakukan oleh user kemudian sistem akan menampilkan ulang semua produk-produk sesuai dengan aktifitas pengaturan yang dilakukan oleh user.
Gambar 3.11. Activity Diagram Peramalan Penjualan
Pada Gambar 3.11 dapat dilihat bahwa user dapat melakukan peramalan penjualan. Sistem akan menampilkan parameter peramalan dan user akan mengisi form parameter. Selanjutnya sistem akan mengambil data dari database sesuai parameter yang dimasukkan oleh user. Sistem akan melakukan inisialisasi nilai stasioner, tren
ataupun musim dan mencari nilai α, , dan terbaik. Setelah didapatkan hasil
3.4.3. Perancangan database
Perancangan database pada sistem ini digunakan untuk menyimpan informasi yang berkaitan dengan proses peramalan penjualan batik. Penjelasan mengenai tabel-tabel pada database yang dirancang adalah sebagai berikut :
1. Tabel user, berfungsi untuk menyimpan data-data yang berhubungan dengan
user dalam proses login ke sistem.
2. Tabel cat, berfungsi untuk menyimpan kategori produk-produk batik.
3. Tabel penjualan, berfungsi untuk menyimpan data-data yang berhubungan
dengan penjualan batik dan informasi yang terkait.
4. Tabel prediksi, berfungsi untuk menyimpan data-data yang berhubungan dengan proses peramalan penjualan dan informasi yang terkait.
5. Tabel produk, berfungsi untuk menyimpan data-data yang berhubungan dengan produk batik dan informasi terkait.
6. Tabel training, berfungsi untuk menyimpan data-data yang berhubungan proses
training dan informasi terkait.
Adapun database relationship dari database yang dirancang untuk sistem peramalan penjualan batik dapat dilihat pada Gambar 3.12.
Rancangan halaman login dapat dilihat pada Gambar 3.13.
Gambar 3.13. Rancangan Halaman Login
Rancangan Halaman Utama
Gambar 3.14. Rancangan Halaman Utama (Home)
Keterangan :
a. Menu ”Home” adalah menu untuk kembali ke halaman utama sistem.
b. Menu “Kategori” memungkinkan user untuk melihat kategori dari motif-motif
batik yang ada.
c. Menu “Produk” memungkinkan user untuk melihat produk-produk ataupun
motif-motif batik yang ada.
d. Menu “Penjualan” memungkinkan user untuk melihat penjualan dari
motif-motif batik yang ada pada database.
e. Menu “Peralaman” memungkinkan user untuk melakukan peramalan
penjualan.
Rancangan Halaman Kategori
Gambar 3.15. Rancangan Halaman Kategori
Keterangan:
a. Form nama kategori memungkinkan user untuk menambahkan kategori produk
batik.
b. Tombol “simpan” berfungsi untuk menyimpan kategori yang dimasukkan oleh user ke dalam database.
c. Tabel yang ada pada halaman kategori menampilkan keseluruhan data kategori yang tersimpan di dalam database. User dapat mengedit dan menghapus data
yang ada dengan menekan tombol edit dan hapus yang ada pada bagian action.
Rancangan Halaman Produk
Gambar 3.16. Rancangan Halaman Produk
Keterangan:
a. Form nama barang memungkinkan user untuk menambahkan barang ke dalam
database, setelah memilih kategori dari barang yang akan ditambahkan.
b. Tombol “simpan” akan menyimpan barang yang akan ditambahkan ke dalam
database.
c. Tabel yang ada pada halaman produk menampilkan semua produk-produk batik yang tersimpan di dalam database. User dapat mengedit dan menghapus data yang ada dengan menekan tombol edit dan hapus yang disediakan pada bagian
action.
Rancangan Halaman Penjualan
Gambar 3.17. Rancangan Halaman Penjualan
Keterangan:
a. Form nama barang memungkinkan user untuk menambahkan barang ke dalam
database, dengan mengetikkan nama motif batik yang ingin ditambahkan.
b. Form tanggal digunakan untuk mengisi tanggal penjualan barang.
c. Form harga digunakan untuk mengisi harga dari barang yang ingin
ditambahkan.
d. Form jumlah barang digunakan untuk mengisi berapa jumlah barang yang
terjual.
e. Tombol simpan digunakan untuk menyimpan data penjualan yang akan ditambahkan.
f. Tabel yang ada pada halaman penjualan menampilkan semua penjualan-penjualan produk batik yang tersimpan di dalam database. User dapat mengedit dan menghapus data yang ada dengan menekan tombol edit dan hapus yang
Rancangan Halaman Peramalan
[image:30.595.132.500.206.479.2]Halaman peramalan akan muncul apabila user memilih menu peramalan pada halaman utama. Di halaman ini user dapat melakukan peramalan penjualan dengan mengisi periode waktu yang diinginkan. Rancangan halaman penjualan dapat dilihat pada Gambar 3.18.
Gambar 3.18. Rancangan Halaman Peramalan
. Keterangan:
a. Form treshold, weight, dan hidden bias adalah ketentuan untuk meramalkan
penjualan dengan menggunakan ELM.
b. Form tanggal digunakan untuk mengisi rentang waktu peramalan yang
diinginkan oleh user.
c. Tombol show digunakan untuk menampilkan hasil peramalan sesuai dengan
Bab ini membahas hasil yang didapatkan dari implementasi metode Extreme Learning
Machine dalam melakukan peramalan pasar penjualan motif batik dan pengujian sistem
sesuai dengan analisis dan perancangan yang telah dibahas pada Bab 3.
4.1. Implementasi Sistem
Pada tahap implementasi sistem, metode ELM akan diimplementasikan ke dalam sistem menggunakan bahasa pemrograman PHP sesuai dengan perancangan yang telah dilakukan.
4.1.1. Spesifikasi perangkat keras dan perangkat lunak yang digunakan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan pada pembangunan sistem adalah sebagai berikut.
1. Processor Intel Core i3-3217U CPU @ 1.80GHz.
2. Sistem Operasi Windows 8.1 Pro 64-bit (6.3, Build 9600). 3. Memory 4.00 GB RAM DDR3.
4. Kapasitas harddisk 500GB. 5. PHPMyadmin 4.2.11 6. XAMPP versi 3.2.1.
4.1.2. Implementasi perancangan antarmuka
Halaman Login
[image:32.595.110.525.185.412.2]Halaman ini merupakan halaman awal saat sistem dijalankan. Pengguna harus melakukan proses login terlebih dahulu untuk menggunakan sistem dengan cara memasukkan username dan password. Halaman login dapat dilihat pada Gambar 4.1.
Gambar 4.1. Halaman Login
Halaman Utama
Halaman utama atau home merupakan halaman yang ditampilkan setelah pengguna melakukan proses login. Pada halaman ini ditampilkan judul dan logo sistem. Terdapat lima buah menu pada halaman ini yang dapat diakses user yaitu menu home, kategori, produk, penjualan, peramalan. Pada halaman ini juga terdapat tombol logout untuk
Gambar 4.2. Halaman Utama
Halaman Kategori
Halaman kategori merupakan halaman untuk melihat kategori-kategori produk produk yang ada pada database dan ditampilkan dalam bentuk tabel. Pada halaman ini, pengguna juga dapat melakukan proses tambah, edit, dan hapus data barang. Halaman kategori dapat dilihat pada Gambar 4.3.
Gambar 4.3. Halaman Kategori
[image:33.595.106.531.458.667.2]Gambar 4.4. Halaman Edit Kategori
Halaman Produk
[image:34.595.108.526.478.687.2]Halaman produk merupakan halaman untuk menampilkan produk-produk apa saja yang tersimpan di dalam sistem dalam bentuk tabel. Pada halaman ini user juga dapat melakukan proses tambah, edit dan hapus data. Halaman optimalisasi dapat dilihat pada Gambar 4.5.
Gambar 4.5. Halaman Produk
Gambar 4.6. Halaman Edit Produk
Halaman Penjualan
Halaman penjualan merupakan halaman untuk menampilkan data-data penjualan batik yang tersimpan di dalam database sistem. Pada halaman ini, user hanya diperbolehkan untuk menambah dan menghapus data. Halaman penjualan dapat dilihat pada Gambar 4.7.
[image:35.595.103.526.476.689.2]Halaman Peramalan
[image:36.595.107.523.248.465.2]Halaman peramalan merupakan halaman yang dapat digunakan oleh user untuk melakukan peramalan penjualan. User dapat menentukan berapa bulan penjualan yang ingin diramalkan dengan menginput jumlah bulan pada form yang sudah disesuaikan. Nilai treshold, input weight, dan hidden bias yang sudah disediakan merupakan parameter peramalan dan nilainya sudah merupakan ketentuan. Halaman peramalan dapat dilihat pada Gambar 4.8.
Gambar 4.8. Halaman Peramalan
Ketika user sudah memasukkan jumlah bulan yang ingin diramalkan, maka user akan dibawa pada halaman berikutnya yang menampilkan hasil peramalan dalam bentuk tabel yang berisi jumlah motif-motif batik yang diramalkan sesuai dengan jumlah bulan yang dimasukkan user. Tabel juga menampilkan nilai error peramalan yang dihitung dengan MAPE yang berguna untuk pertimbangan apakah nilai peramalan akurat sehingga bisa dijadikan sebagai acuan produksi. Selain itu, pada bagian bawah yang terpisah dari tabel, user dapat melihat data training yang digunakan serta bisa melihat grafik aktual dan grafik peramalan penjualan.
4.2. Pengujian Kinerja Sistem
Gambar 4.9. Contoh Peramalan untuk 3 Bulan
Tabel 4.1 Hasil Peramalan Penjualan
NO Nama Produk Bulan ke
1
Bulan ke 2
Bulan ke 3
1 Mandailing 7 20 8
2 Bunga Kaca Piring dan Pucuk Rebung 13 30 17
3 Etnis Kecil 8 29 4
4 Coletan Biru dan Katun Primissima 8 4 11
5 Coletan Biru Katun Paris 4 2 4
6 Riasan Pengantin Melayu 7 4 4
7 Melayu Kombinasi 4 10 10
8 Gorga Karo Kombinasi 1 8 8
10 Itik Pulang Petang 14 4 7
11 Ulos Karo 2 2 11
12 Gorga Simeol-meol 13 14 8
13 Gorga Boraspati 4 6 4
14 Gorga Toba 7 8 5
15 Gorga Empat Hitam Putih 7 4 4
16 Ulos Orange Hitam 6 15 2
17 Ulos Merah Hitam 5 4 6
18 Batik Coletan 4 13 13
19 Gorga Simalungun Mahkota Merah Orange
3 10 12
20 Gorga Empat Mirabella 3 8 5
21 Gorga Empat Dobby Coletan 3 3 2
22 SM Raja Hijau Hitam 20 12 10
23 Gorga Kuning Hijau 2 2 3
24 Gorga Merah Kopi Gosong 9 8 10
25 Batik Karo Etnis Miring Merah Kopi Gosong
2 5 5
26 SM Raja Merah Dasar Hitam 13 8 20
27 Gorga Simalungun Merah Dasar Hitam 10 8 20 28 Gorga Mahkota Dairi Putih Dasar Ungu 5 2 4
29 SM Raja Pink Dasar Hitam 2 2 3
30 Gorga Empat Biru Muda 2 8 4
31 Gorga SM Raja Kuning Merah 4 6 4
32 Gorga Simalungun Orange Hitam 6 11 4
34 Gorga Mahkota Abu Pink 4 3 2
35 Gorga Ulos Kuning Hitam 4 2 4
MAPE 0,67 %
Pada tabel 4.1. dapat dilihat bahwa ELM melakukan peramalan pada motif batik
yang tersimpan di dalam database untuk tiga bulan ke depan dengan nilai error peramalan yang dihitung dengan MAPE sebesar 0,67%. MAPE merupakan rata-rata
Pada halaman peramalan, ketika hasil peramalan sudah ditampilkan, user juga bisa melihat hasil peramalan dari dari data training, grafik aktual, grafik peramalan penjualan, serta grafik aktual-peramalan. Keempat menu ini dapat digunakan sebagai alat bantu untuk menunjukkan apakah peramalan yang dilakukan sudah sesuai serta bisa dijadikan acuan untuk memecahkan masalah yang ada. Untuk beberapa hasil peramalan dari data training dapat dilihat pada gambar 4.9.
Dari gambar 4.10 dapat dilihat bahwa proses training data untuk menghasilkan ramalan dari data training dilakukan dalam jangka waktu perbulan. Contohnya untuk motif gorga ulos kuning hitam dimana motif tersebut muncul dalam beberapa bulan penjualan dengan nilai peramalan yang berbeda-beda setiap bulan. Data ramalan dari proses training ini nantinya akan digunakan sebagai acuan dan sebagai bahan pembelajaran untuk melakukan proses testing untuk mendapatkan hasil ramalan yang sebenarnya.
[image:40.595.114.519.360.521.2]Untuk keperluan analisis data bisa dilakukan dengan membandingkan fluktuasi data yang ada pada grafik aktual, grafik peramalan, dan grafik aktual-peramalan. Grafik penjualan diambil dari tabel penjualan yang ada pada database. Grafik aktual penjualan dapat dilihat pada gambar 4.10.
Gambar 4.11. Grafik Aktual Penjualan Batik
Gambar 4.12. Grafik Peramalan Penjualan Batik
Dari gambar 4.11 dan gambar 4.12 dapat dilihat bahwa fluktuasi data pada grafik aktual dan grafik peramalan adalah sama, yang artinya nilai peramalan dari motif batik terbukti mengikuti nilai penjualan yang ada walaupun terdapat perbedaan jumlah satuan yang diramalkan. Hal ini berarti bahwa peramalan yang dilakukan sudah sesuai dan akurat karena berada pada daerah ataupun rentang penjualan yang sebenarnya.
Untuk memudahkan proses pembacaan grafik karena banyaknya jumlah motif
Gambar 4.13. Grafik Aktual-Peramalan Penjualan Batik
Pada gambar 4.13 dapat dilihat terdapat tiga jenis motif batik yang penjualannya paling dominan dari motif lainnya, yaitu motif mandailing, bunga kaca piring dan pucuk rebung, serta motif etnis kecil. Jumlah bulan yang diramalkan adalah sebanyak tiga bulan. Sebagai contoh untuk motif mandailing memiliki penjualan aktual sebanyak 52
Bab ini membahas tentang kesimpulan dari penerapan metode yang diajukan untuk melakukan peramalan penjualan pada batik serta saran-saran pengembangan yang dapat digunakan untuk penelitian selanjutnya.
5.1. Kesimpulan
Adapun kesimpulan yang dapat diambil berdasarkan pengujian peramalan pasar penjualan batik menggunakan ELM adalah sebagai berikut:
1. Peramalan dengan ELM menghasilkan nilai error peramalan yang dihitung dengan MAPE sebesar 0,67%. Semakin rendah nilai MAPE menunjukkan bahwa peramalan memiliki tingkat akurasi peramalan yang lebih baik.
2. Proses peramalan dengan ELM yang dilakukan sudah memenuhi fungsi objektif permasalahan, yaitu untuk membantu produsen dalam melakukan strategi pemasaran dan produksi yang tepat.
5.2. Saran
Saran yang dapat penulis berikan untuk pengembangan penelitian selanjutnya adalah sebagai berikut:
1. Peramalan lebih lanjut disarankan menggunakan data penjualan yang lebih
banyak agar peramalan yang dihasilkan lebih akurat dan presisi.
2. Penelitian selanjutnya diharapkan bisa meramalkan penjualan batik dengan
BAB 2
LANDASAN TEORI
2.1. Batik
Batik adalah kain bergambar yang pembuatannya secara khusus dengan menuliskan
malam pada kain yang telah disediakan, kemudian pengolahannya diproses dengan cara tertentu yang memiliki kekhasan. Secara etimologi, kata batik berasal dari gabungan
dua kata dalam bahasa Jawa, yaitu “amba” yang berarti menulis dan “tik” yang berarti
titik. Batik sendiri merupakan salah satu warisan budaya Indonesia yang memiliki nilai
seni tinggi dan sudah ditetapkan oleh UNESCO sebagai salah satu Warisan Kemanusiaan Untuk Budaya Lisan dan Nonbendawi (Masterpieces of the Oral and Intangible Heritage of Humanity) sejak 2 Oktober 2009.
Walaupun kata batik secara harafiah berasal dari bahasa Jawa, kehadiran batik di pulau Jawa sendiri tidak tercatat. (Rouffaer, 1991) berpendapat bahwa teknik batik kemungkinan pertama kali diperkenalkan di India dan Sri langka pada abad ke-6 atau ke-7. Menurutnya, pola gringsing sudah dikenal sejak abad ke-12 di Kediri, Jawa Timur dan pola tersebut hanya bisa dibuat menggunakan canting. Pola gringsing sendiri adalah pola-pola yang dibuat pada kain yang pada zaman dulu dipercaya dapat menolak bala. Detail ukiran kain yang menyerupai pola batik dikenakan oleh Prajnaparamita, arca dewi kebijaksanaan Buddha dari Jawa Timur abad ke-13. Detail pakaian menampilkan pola sulur tumbuhan dan kembang-kembang rumit yang mirip dengan pola batik tradisional Jawa yang saat ini dapat ditemukan. Hal ini merupakan salah satu bukti bahwa pembuatan pola batik yang sangat rumit hanya bisa dibuat dengan menggunakan
canting.
Berdasarkan teknik pembuatannya, batik dibedakan menjadi tiga jenis, yaitu
b) Batik Cap
Batik cap dibuat dengan menggunakan bantuan motif batik yang dibentuk dalam stempel atau cap tembaga. Pengerjaannya dilakukan dengan menempelkan cap tembaga pada malam panas, kemudian menempelkan cap tembaga tersebut pada kain batik polos yang telah disiapkan. Ciri utama batik cap adalah pola yang terbentuk simetris dan teratur, serta memiliki warna yang hanya terang pada satu sisi kain. Untuk pengerjaannya membutuhkan waktu 2-3 hari.
c) Batik Printing
Batik printing dibuat menggunakan motif pabrikan, yaitu motif batik yang telah dicetak secara otomatis. Dalam pengerjaannya, batik printing tidak membutuhkan metode dasar batik karena prosesnya sudah tidak menggunakan pencegahan serap warna pada malam. Ciri utama batik printing adalah motifnya yang teratur dan memiliki warna yang terang hanya pada satu sisi kain karena proses pewarnaan dengan mesin hanya dilakukan pada satu sisi kain.
Pada saat sekarang ini, terdapat ribuan motif batik yang telah diproduksi di pasaran. Tapi pada umumnya motif batik tersebut dikelompokkan pada empat jenis utama motif batik sebagai berikut :
a) Motif Geometris
b) Motif Tumbuhan
Motif tumbuhan pada kain batik biasanya berupa hiasan yang diperoleh dari objek yang distilir/digayakan. Motif tumbuhan pada batik misalnya berupa tumbuhan menjalar dan tumbuhan air.
c) Motif Hewan
Motif hewan pada batik berupa bentuk hewan-hewan yang distilir atau disederhanakan. Hewan-hewan yang digunakan sebagai motif adalah hewan-hewan yang dianggap keramat seperti kerbau, burung, singa barong, kupu-kupu, dan sebagainya.
d) Motif Manusia
Motif manusia dapat ditemukan pada kain tenun dan songket, yang biasanya juga berbentuk motif yang distilir atau disederhanakan. Motif batik manusia kebanyakan dianggap sebagai lambang roh nenek moyang ataupun sebagai
lambang kesaktian. Motif manusia pada batik contohnya seperti wayang.
Untuk pembuatan motif sendiri tergantung pada daerah masing-masing dan biasanya disesuaikan dengan lambang daerah ataupun kebudayaan yang ada pada daerah tersebut.
2.2. Peramalan (Forecasting)
Peramalan (Forecasting) merupakan salah satu aktifitas fungsi bisnis yang digunakan untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004). Peramalan dibuat dengan tujuan untuk meminimumkan ketidakpastian dalam proses produksi. Dengan kata lain, peramalan adalah alat bantu yang sangat penting untuk mencapai perencanaan produksi yang efektif dan efisien (Subagyo, 1986).
atau kumpulan data-data pada masa lalu. Hasil peramalan nantinya bergantung pada metode yang digunakan pada peramalan tersebut. Untuk datanya sendiri, pada jenis peramalan ini data historis yang digunakan dibagi ke dalam dua jenis kelompok data, yaitu data kausal dan data runtun waktu (Winarno, 2007).
a) Data Kausal (Causal Data)
Pada data kausal, model peramalan yang dikembangkan menggunakan hubungan sebab-akibat sebagai asumsi, yaitu apa yang terjadi pada masa lalu, akan kembali terulang di masa mendatang.
b) Data Runtun Waktu (Time Series Data)
Data runtun waktu (time series data) adalah data yang menggambarkan suatu objek dari waktu ke waktu atau periode secara historis dan terjadi berurutan (Winarno, 2007). Data runtun waktu mencakup penelitian pola data yang digunakan apakah stasioner atau tidak.
Dalam peramalan menggunakan data runtun waktu, satu hal yang harus diperhatikan adalah bagaimana pola data yang terbentuk. Menurut Makridakis (1999), pada data runtun waktu pola data yang terbentuk ada empat :
1. Pola Data Horizontal
Gambar 2.1. Data Runtun Waktu Dengan Pola Horizontal (Tanjung, 2012)
Gambar 2.1 menunjukkan grafik jumlah penjualan beras pada sebuah usaha pengecer beras dalam kurun waktu satu tahun. Dapat dilihat pada gambar 2.1 bahwa penjualan beras berfluktuasi secara konstan, yaitu sekitar 5 karung beras setiap bulannya.
2. Pola Data Tren
[image:48.595.136.496.536.730.2]Pola data tren terbentuk jika terjadi kenaikan atau penurunan sekuler jangka panjang. Artinya pola data tersebut naik turun atau bahkan konstan dalam jangka waktu yang panjang.
pola siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.
Gambar 2.3. Data Runtun Waktu Dengan Pola Siklus (Tanjung, 2012)
Gambar 2.3 menunjukkan grafik penjualan mobil dari tahun 2000 sampai tahun 2008 pada sebuah perusahaan dealer mobil. Pada gambar 2.3 dapat ditunjukkan bahwa penjualan mobil dipengaruhi oleh faktor ekonomi di Indonesia tiap tahunnya. Gambar 2.3 juga menunjukkan bahwa pada tahun 2002 dan 2008 adalah tahun dimana ekonomi rakyat lebih baik dari tahun lainnya, sehingga penjualan mobil sebagai bahan kebutuhan tersier meningkat.
4. Pola Data Musiman
Gambar 2.4. Data Runtun Waktu Dengan Pola Musiman (Tanjung, 2012)
Gambar 2.4 menunjukkan grafik penjualan baju seragam sekolah dalam kurun waktu satu tahun. Pada gambar 2.4 dapat dilihat bahwa terjadi kenaikan penjualan seragam pada bulan pertama (Januari) dan bulan ke-7 (Juli). Hal ini disebabkan karena pada bulan tersebut adalah bulan awal masuk tahun ajaran baru sehingga penjualan seragam sekolah meningkat pada bulan tersebut.
Selain berdasarkan sifat, peramalan juga dibedakan berdasarkan jangka waktu peramalan. Ada tiga jenis peramalan berdasarkan jangka waktu, yaitu peramalan jangka pendek, peramalan jangka menengah, dan peramalan jangka panjang.
1. Peramalan Jangka Pendek
Peramalan jangka pendek dilakukan dalam kurun waktu kurang dari 3 bulan.
2. Peramalan Jangka Menengah
Peramalan jangka menengah dilakukan dalam kurun waktu 3 sampai 18 bulan. Peramalan penjualan termasuk dalam peramalan jangka menengah.
3. Peramalan Jangka Panjang
peramalan benar-benar akurat dan sesuai dengan keadaan yang sebenarnya. Artinya dalam setiap peramalan, pasti terdapat yang namanya tingkat kesalahan peramalan.
Ukuran ketepatan peramalan yang sering digunakan adalah Mean Absolute Deviation (MAD), Mean Square Error (MSE), dan Mean Absolute Percentage Error (MAPE) (Makridakis, 1999).
1. Mean Absolute Deviation (MAD)
Mean Absolute Deviation (MAD) digunakan untuk mengukur ketepatan
ramalan dengan rata-rata kesalahan dugaan (nilai absolut masing-masing kesalahan). MAD berguna ketika seseorang ingin mengukur kesalahan ramalan dalam unit yang sama sebagai deret asli. MAD dirumuskan sebagai berikut :
� = ∑| �− ̂�|
�=
(2.1)
Dimana : = Jumlah periode � = Nilai peramalan
̂� = Nilai aktual
2. Mean Square Error (MSE)
Mean Square Error (MSE) merupakan metode lain untuk mengukur kesalahan
lebih baik untuk salah satu yang memiliki kesalahan kecil tapi kadang-kadang menghasilkan sesuatu yang sangat besar. MSE dirumuskan sebagai berikut :
= ∑( �− ̂�)
�=
(2.2)
3. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) dihitung dengan menemukan
kesalahan aboslut pada setiap periode dan membaginya dengan nilai observasi
pada periode tersebut. Setelah itu persentasi absolutnya dirata-ratakan (Nurmaida,2002). Metode ini sangat berguna apabila ukuran variabel
merupakan faktor penting dalam mengevaluasi akurasi peramalan. MAPE dirumuskan sebagai berikut :
�� = ∑| �− ̂�|
� �=
(2.3)
2.4. Metode Extreme Learning Machine (ELM)
Extreme Learning Machine (ELM) adalah metode baru yang merupakan bagian dari
jaringan syaraf tiruan. ELM termasuk pada feedforward neural network yang memiliki satu single hidden layer (Sun et al, 2008). Metode ELM dipercaya dapat mengatasi permasalah learning speed yang selama ini terjadi pada metode-metode lain pada
feed-forward neural networks (Huang et al, 2005). Menurut mereka terdapat dua alasan
kenapa feed-forrward neural networks memiliki learning speed yang rendah :
1. Feedforward neural networks menggunakan slow gradient based learning algorithm dalam melakukan proses training.
2. Semua parameter pada jaringan ditentukan secara iterative dengan
menggunakan metode pembelajaran tersebut.
Gambar 2.5. Struktur Umum ELM
ELM memanfaatkan teori invers matrik dalam proses pembelajarannya. Teori yang digunakan adalah moore penrose pseudoinverse. Gambar 2.5 menunjukkan sebuah model sederhana single-hidden layer feedforward networks (SLFNs) yang
merupakan struktur umum dari ELM. Diberikan sebanyak n input, m neuron pada
hidden layer dan fungsi aktivasi g(x). misalkan X = [ x1,x2,x3,… xn] dengan xi
merupakan nilai input pada jaringan tersebut. α merupakan matriks bobot penghubung
penrose pseudoinverse digunakan untuk menentukan nilai bobot antara hiddent layer
dan output layer β.
Metode ELM memiliki model matematis yang berbeda dengan feed-forward
neural networks pada umumnya, dimana model matematis ELM berbentuk lebih
sederhana dan lebih efektif. Berikut ini merupakan rumusan metode ELM untuk N jumlah sample yang berbeda (Xi, ti) (Agustina et al, 2010).
= [ + , … … ]� ∈ (2.4)
�= [ � + � , … … � ]� ∈ (2.5)
Standar SLFNs dengan jumlah hidden nodes sebanyak N dan fungsi aktivasi
g(x) dapat dirumuskan sebagai berikut (Agustina et al, 2010) :
∑ � =
= ∑ � =
( ∙ + � ) = (2.6)
Dimana : � = 1,2,...., N
= , , … , �, merupakan vektor dari weight yang
menghubungkan i th hidden nodes dan input nodes.
� = � , � , … , � �, merupakan weight vector yang
menghubungkan i th hidden nodes dan input nodes.
� = treshold dari i th hidden nodes.
= Inner product dari Wi dan Xj
SLFNs dengan N hidden nodes dan activation function g(x) diasumsikan dapat memperkirakan dengan tingkat error 0 dirumuskan sebagai berikut (Agustina et al, 2010) :
∑‖ − � ‖ =
=
sehingga oj = tj
Dimana : � = Hidden layer dari output matriks. � = output weight.
= Matriks dari target atau output.
Pada ELM input weight dan hidden bias ditentukan secara random, maka
output weight yang berhubungan dengan hidden layer dirumuskan sebagai berikut :
� = �+ (2.10)
2.5. Penelitian Terdahulu
Penelitian mengenai peramalan sudah sering dilakukan. Dalam dunia industri, peramalan biasanya dilakukan untuk meramalkan penjualan dan permintaan. Hal ini dilakukan karena peramalan memang terbukti dapat meningkatkan kualitas produksi. Begitu juga dengan batik. Bersinarnya batik di dunia industri pakaian diikuti oleh penelitian-penelitian tentang batik itu sendiri.
Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan untuk meramalkan penjualan batik tulis dengan menggunakan metode Trend Moment.
Metode ini dipilih karena dapat menghindarkan penghitungan peramalan dari unsur subyektif. Melihat keadaan dimana permintaan terhadap batik sering kali dipengaruhi oleh faktor musiman yang berkaitan dengan fluktuasi periodik dan relatif konstan, maka ia mengkombinasikan perhitungan peramalan metode Trend Moment dengan indeks musim.
Kardha (2012) juga melakukan penelitian tentang batik. Pada penelitiannya, ia membuat sebuah sistem informasi yang diberi nama ProMix dimana sistem tersebut berguna untuk melakukan peramalan volume produksi dan pendistribusian produk batik ke masing-masing area penjualannya. Metode yang ia gunakan dalam penelitian ini adalah metode Trend Moment.
Berikut ini adalah langkah-langkah penelitian yang ia lakukan : 1. Analisis Kebutuhan
Dalam proses ini data dikumpulkan melalui survei lapangan (pencatatan data perusahaan dalam jangka waktu 3 tahun) serta wawancara dengan pihak eksekutif perusahaan.
2. Rancangan Diagram Arus Data Sistem
Pada tahap ini data-data yang telah dikumpulkan dibuat rancangan diagram arus penjualannya pada tiap-tiap daerah pemasaran. Pada diagram arus yang dibuat akan terlihat alur proses bisnis sehingga memudahkan untuk implementasi pembangunan sistem.
3. Pembangunan Sistem
Pada tahap ini sistem dibangun sesuai dengan kebutuhan perusahaan. 4. Uji Coba Sistem
Pada tahap ini sistem yang telah dibangun di uji coba apakah sudah layak atau tidak untuk digunakan.
5. Dokumentasi Pembangunan Sistem
Hal ini dilakukan untuk mengevaluasi jalannya proses pembangunan sistem sehingga diperoleh kesimpulan untuk pembangunan sistem selanjutnya.
Fungsi dari keseluruhan sistem yang ia bangun adalah sebagai berikut : 1. User maintenance.
2. Maintenance data volume penjualan, data cabang, dan data produk.
3. Proses peramalan.
4. Info laporan peramalan dan volume penjualan.
5. Info grafik penjualan.
berwarna nilai pencahayaan dicari dengan menjumlahkan semua nilai RGB pada gambar. Pada proses evaluasinya, ia menggunakan algoritma K-Means Clustering sebagai pembanding.
[image:57.595.107.517.365.672.2]Rangkuman dari penelitian-penelitian terdahulu tentang batik dapat dilihat pada Tabel 2.1.
Tabel 2.1. Penelitian Terdahulu Tentang Batik No. Peneliti
(Tahun) Metode Keterangan
1.
Darmawan
(2012) Trend Moment
- Meramalkan penjualan batik - Dibuat dalam bentuk sistem
pendukung keputusan
2.
Kardha
(2012) Trend Moment
- Meramalkan produksi dan
distribusi produk batik - Dibuat dalam bentuk sistem
informasi bernama ProMix
3. Sanmorino (2012) Fuzzy C-Means dan K-Means Clustering
- Mengelompokkan gambar batik
menggunakan log rata
pencahayaan dari gambar batik berdasarkan Log-Average
Luminance
toko di Surabaya. Prediksi kaos dan pin dilakukan secara terpisah karena kedua data yang mereka kumpulkan adalah data yang tidak saling terkait.
Berikut ini adalah langkah-langkah penelitian yang mereka lakukan : 1. Pengumpulan Data
Pada tahap ini data penjualan kaos dan pin dikumpulkan. Data yang dikumpulkan berupa data penjualan harian selama dua tahun yaitu tahun 2008-2009.
2. Peramalan dengan Metode ELM
Pada tahap ini data yang dikumpulkan dibagi ke dalam data training dan data
testing. Data training menggunakan 80% dari jumlah data, sedangkan data
testing sebanyak 20% dari jumlah data ( Zhang, 1997).
3. Analisis Hasil Peramalan
Dalam tahapan ini, hasil peramalan dianalisis tingkat kesalahan peramalannya menggunakan metode Mean Square Error (MSE) dan Mean Absolute
Percentage Error (MAPE). Selain itu, peramalan dievaluasi dengan
dibandingkan dengan metode peramalan konvensional Moving Average (MA)
dan Exponential Smoothing (ES).
Jia & Hao (2013) dalam penelitiannya melakukan peramalan permintaan konsumsi air menggunakan metode Adaptive Extreme Learning Machine (AD-ELM). Metode lanjutan ELM ini dipilih karena AD-ELM dianggap dapat menyelesaikan masalah perubahan amplitudo dan penentuan tren, dan juga mengurangi efek dari
overfitting networks. Kejadian overfitting networks biasanya membawa peramalan
menjadi tidak akurat dan jauh melebihi rentang data yang ada meskipun data tersebut sudah bersih dari noise. Selain itu, pemilihan metode AD-ELM juga dikarenakan data permintaan air yang digunakan sangat besar dan juga kompleks sehingga kemungkinan terjadinya over-fitting sangat besar. AD-ELM sendiri bekerja dengan menggunakan data-data yang ada untuk memodifikasi input dari ELM pada proses peramalan dan menjadikan input tersebut menjadi learning data. Output dari jaringan hanya memiliki satu buah nilai, yaitu nilai peramalan permintaan konsumsi air.
desktop dan evaluasi sistem.
Pada proses peramalan ELM, fungsi aktivasi yang digunakan adalah sigmoid biner dengan jumlah hidden layer sebanyak 7 unit dan epoch 500 diperoleh hasil optimal MSE sebesar 0.027.
[image:59.595.105.516.409.671.2]Rangkuman dari penelitian-penelitian terdahulu yang menggunakan metode ELM dalam proses peramalan dapat dilihat pada Tabel 2.2.
Tabel 2.2. Penelitian Terdahulu Menggunakan Metode ELM No. Peneliti
(Tahun) Metode Keterangan
1. Agustina, Anggraeni, &
Mukhlason (2010)
Extreme Learning
Machine
Meramalkan penjualan harian
2. Jia & Hao (2013)
Adaptive Extreme
Learning Machine
Meramalkan permintaan konsumsi air
3 Fardani, Wuryanto, & Werdiningsih
(2015)
Extreme Learning
Machine
Meramalkan jumlah kunjungan pasien
1.1. Latar Belakang
Peralaman merupakan salah satu aktifitas fungsi bisnis yang digunakan untuk memperkirakan penjualan produk di masa mendatang (Gaspersz, 2004). Dengan adanya peramalan, para produsen dan pelaku industri dapat melakukan perencanaan produksi yang tepat. Untuk mencapai hal tersebut, dalam proses peramalan dibutuhkan data penjualan serta analisis pola data produk di masa lampau. Salah satu produk yang sedang berkembang di Indonesia yang bahkan sudah diakui oleh dunia adalah batik. Batik merupakan salah satu produk di bidang tekstil yang saat ini banyak digunakan sebagai bahan baku produk pakaian. Banyaknya motif yang ditawarkan menjadikan batik memiliki banyak modifikasi di setiap produk-produk yang dipasarkan. Variasi motif ini juga menimbulkan keadaan dimana konsumen produk batik memiliki motif favoritnya masing-masing sehingga terdapat beberapa motif batik yang menjadi populer di kalangan konsumen karena lebih banyak diminati dan penjualannya lebih tinggi dari motif lain.
Kenyataannya saat ini banyak produsen dan penjual batik yang tidak memiliki strategi penjualan yang tepat. Kebanyakan produsen melakukan stok barang atas semua motif batik yang ada tanpa perhitungan yang akurat. Produsen menyadari ada motif batik yang sedang populer di pasaran sehingga mereka kebanyakan melakukan stok besar-besaran terhadap motif tersebut hanya berdasarkan penjualan masa lalu. Hal seperti ini juga menjadikan motif lainnya menjadi terabaikan karena produsen terlalu
fokus pada motif yang sedang populer padahal motif lain tersebut jika dikelola dengan baik juga dapat memberikan keuntungan penjualan. Keadaan ini pada akhirnya
(understocking) dimana kedua keadaan ini menjadikan penjualan produsen menjadi tidak efektif (Riyadi, 2015). Untuk menghindari terjadinya hal tersebut, oleh karena itu dibutuhkan sebuah metode untuk meramalkan penjualan yang tepat untuk mencapai penjualan yang efektif dan maksimal.
Peramalan bukanlah hal yang baru di dunia industri. Sudah banyak penelitian-penelitian terdahulu dilakukan karena peramalan memang dipandang dapat meningkatkan kualitas produksi. Darmawan (2012) dalam penelitiannya membuat sistem pendukung keputusan untuk memprediksi penjualan batik tulis dengan menggunakan metode Trend Moment. Masih dalam bentuk sistem pendukung keputusan, Fardani, Wuryanto, & Werdiningsih (2015) meramalkan jumlah kunjungan pasien pada poli gigi di rumah sakit menggunakan metode Extreme Learning Machine (ELM). Penelitian selanjutnya dilakukan oleh Agustina et al. (2010). Mereka menggunakan metode Extreme Learning Machine (ELM) untuk melakukan prediksi permintaan konsumen dengan mengambil data penjualan kaos dan pin dari sebuah toko di Surabaya. Jia & Hao (2013) juga menggunakan metode Extreme Learning Machine (ELM) untuk meramalkan permintaan konsumsi air. Hanya saja dalam penelitiannya,
mereka menggunakan ELM dengan adaptive metrics of inputs untuk meningkatkan akurasi peramalan. Sedangkan Taylor (2007) dalam penelitiannya melakukan peramalan penjualan harian di supermarket menggunakan metode Exponential
Weighted Quantile Regression (EWQR).
Pada penelitian ini, penulis mengangkat topik peramalan pasar penjualan batik menggunakan metode Extreme Learning Macine (ELM). Metode ELM dipilih karena ELM memiliki kelebihan dalam hal learning speed (Huang et al, 2005). Selain itu, ELM juga mempunyai tingkat ketelitian peramalan yang lebih akurat dibandingkan dengan metode lainnya. Bedanya dengan penelitian terdahulu adalah penulis lebih fokus pada peramalan motif-motif batik. Dengan metode ini diharapkan hasil peramalan yang didapat lebih akurat dan efektif sehingga bisa diandalkan dalam penggunaannya (Agustina et al, 2010). Dengan adanya peramalan ini, pihak produsen bisa terbantu dalam hal melakukan proses produksi yang tepat karena sudah memiliki acuan produksi sehingga penjualan maksimal produk dapat tercapai.
Berdasarkan latar belakang di atas, maka penulis mengajukan penelitian dengan judul “PERAMALAN PASAR PENJUALAN BATIK MENGGUNAKAN METODE
tersebut jika dikelola dengan baik juga dapat memberikan keuntungan penjualan. Keadaan ini pada akhirnya berujung pada terjadinya penumpukan stok (overstocking)
yang membuat para produsen merugi baik itu dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi, ataupun terjadinya kekurangan stok (understocking) dimana kedua keadaan ini menjadikan penjualan produsen menjadi tidak efektif. Untuk menghindari terjadinya hal tersebut, oleh karena itu dibutuhkan sebuah metode untuk meramalkan penjualan yang tepat untuk mencapai penjualan yang efektif dan maksimal.
1.3. Batasan Masalah
Agar penelitian yang dilakukan penulis terarah dan fokus, maka penulis membatasi ruang masalah penelitian sebagai berikut :
1. Lingkup penjualan yang diteliti adalah pasar penjualan batik di kota Medan, dengan data yang dikumpulkan dari produsen batik.
2. Batik yang digunakan adalah batik dengan motif adat dari daerah Sumatera Utara.
3. Peramalan penjualan dilakukan berdasarkan penjualan motif batik. 4. Peramalan tidak meramalkan stok ukuran pakaian.
5. Kejadian-kejadian bencana alam yang mungkin mempengaruhi hasil peramalan
seperti gempa bumi, banjir, kebakaran, dan lain sebagainya tidak dipertimbangkan dalam penelitian.
1.4. Tujuan Penelitian
1.5. Manfaat Penelitian
Manfaat dari penelitian ini, yaitu :
1. Membantu pihak produsen dan pelaku industri batik untuk melakukan
perencanaan produksi yang efektif.
2. Mengetahui kemampuan metode ELM dalam melakukan peramalan penjualan. 3. Menambah pengetahuan dan wawasan penulis dan pembaca.
4. Sebagai bahan pembelajaran dan referensi untuk peneliti selanjutnya.
1.6. Metodologi
Tahapan-tahapan yang akan dilakukan dalam pelaksanaan penelitian ini adalah sebagai berikut :
1. Studi Literatur
Pada tahap ini penulis mengumpulkan dan mempelajari materi-materi yang berhubungan dengan penelitian. Referensi yang diambil berasal dari buku, skripsi, jurnal, informasi dari internet, dan referensi lainnya yang memiliki hubungan dengan batik, metode peramalan, dan juga Extreme Learning Machine (ELM).
2. Analisis Permasalahan
Pada tahap ini penulis melakukan analisis terhadap studi literatur yang telah dikumpulkan sebelumnya untuk mendapatkan pemahaman mengenai metode ELM dalam rangka menyelesaikan masalah peramalan.
3. Perancangan
Pada tahap ini penulis melakukan perancangan sistem dalam rangka menyelesaikan permasalahan yang ada pada tahap analisis. Selanjutnya rancangan sistem akan
diimplementasikan pada sistem yang akan dibuat. 4. Implementasi
Pada tahap ini dilakukan implementasi analisis yang telah peneliti lakukan dan membangun program yang sesuai dengan alur yang ada.
5. Pengujian
Sistematika penulisan dari skripsi ini terdiri dari lima bagian utama sebagai berikut:
Bab 1: Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas pada penelitian ini. Pada bab ini dijelaskan tentang batik, peramalan, neural network,
dan metode Extreme Learning Machine (ELM).
Bab 3: Analisis dan Perancangan Sistem
Bab ini berisi analisis dari metode yang digunakan yaitu metode Extreme Learning
Machine (ELM) dan penerapannya untuk meramalkan penjualan, serta perancangan
sistem yang dibuat seperti pemodelan dengan flowchart dan usecase diagram, dan
activity diagram.
Bab 4: Implementasi dan Pengujian Sistem
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan sistem yang disusun pada Bab 3 dan hasil pengujian terhadap sistem yang dibangun.
Bab 5: Kesimpulan dan Saran
ABSTRAK
Batik merupakan salah salah satu produk tekstil yang sedang digandrungi oleh masyarakat luas. Pada kenyataannya, banyaknya permintaan terhadap produk ini di
pasaran tidak diimbangi dengan strategi produksi yang tepat dan akurat dari para produsen. Ketidakseimbangan ini mengakibatkan terjadinya penumpukan stok (overstocking) ataupun kekurangan stok (understocking) yang membuat produsen mengalami kerugian baik dari sisi materil ataupun tenaga karena proses pembuatan batik tergolong memakan waktu dan energi. Pada Penelitian ini, penulis akan membuat sistem peramalan penjualan untuk mengatasi masalah dari pihak produsen dalam menangani permintaan konsumen. Data yang digunakan adalah data penjualan motif batik yang telah dikumpulkan dari beberapa produsen batik. Untuk mendapatkan error peramalan yang rendah serta tingkat akurasi peramalan yang tinggi, penulis menggunakan metode extreme learning machines (ELM) yang merupakan metode baru dan tergolong ke dalam single hidden layer feedforward neural networks (SLFNs). Dari hasil penelitian, terbukti bahwa metode ini memiliki tingkat akurasi yang baik, dengan nilai error peramalan yang dihitung dengan mean absolute percentage error (MAPE) sebesar 0,67%. Semakin rendahnya nilai error peramalan menunjukkan peramalan memiliki tingkat akurasi yang lebih baik.
Kata kunci: Peramalan, Extreme Learning Machine, Single Hidden Layer Feedforward
right production. This imbalance led to overstocking and understocking which makes producers suffered losses, both in terms of material and energy for the the manufacture of batik relatively time-consuming and energy. In this study, the author will build a sales forecasting system to overcome the problems of the producers in addressing the consumer demand. The data used is the batik sales data that have been collected from some producers of batik. To obtain a low forecasting error and an accurate forecasting value, the author uses the extreme learning machine (ELM) method which is the new method and classified in single hidden layer feedforward neural networks (SLFNs). From the result of this study proved that this metode has high level accuracy, the error forecasting value is calculated by mean absolute percentage error (MAPE) by 0,67%. The low value of the forecasting error shows that the forecasting has better accuracy rate.
Keyword: Forecasting, Extreme Learning Machine, Single Hidden Layer Feedforward
PERAMALAN PASAR PENJUALAN BATIK MENGGUNAKAN METODE EXTREME LEARNING MACHINE (ELM)
SKRIPSI
ABBAS MUNANDAR RAMBE 111402054
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Sarjana Teknologi Informasi
ABBAS MUNANDAR RAMBE 111402054
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PERAMALAN PASAR PENJUALAN BATIK
MENGGUNAKAN METODE EXTREME
LEARNING MACHINE (ELM)
Kategori : SKRIPSI
Nama : ABBAS MUNANDAR RAMBE
Nomor Induk Mahasiswa : 111402054
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOM-TI)
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dedy Arisandi, S.T., M.Kom. Sajadin Sembiring, S.Si., M.Comp.Sc. NIP : 197908312009121002 NIP : -
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, 13 Juni 2016
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan ke hadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini
sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulisan sampaikan kepada Bapak Sajadin Sembiring, S.Si., M.Comp.Sc selaku pembimbing pertama dan Bapak Dedy Arisandi, S.T., M.Kom selaku pembimbing kedua yang telah banyak meluangkan waktu untuk memberikan kritik dan saran dalam penelitian dan penulisan skripsi ini. Selanjutnya, terima kasih juga kepada Ibu Dr. Erna Budhiarti Nababan, M. IT sebagai dosen penguji pertama serta Bapak Dani Gunawan, S.T., M.T sebagai dosen penguji kedua. Penulis juga mengucapkan terima kasih kepada Bapak dan Ibu dosen S1 Teknologi Informasi yang telah mengajar dan memberikan masukan serta saran yang bermanfaat selama proses perkuliahan hingga dalam penulisan skripsi ini. Ucapan terima kasih juga ditujukan kepada semua pegawai dan staf tata usaha Teknologi Informasi dan Fasilkom-TI, yang telah membantu proses administrasi selama perkuliahan.
Penulis juga berterima kasih kepada kedua orang tua penulis, Bapak Marwanuddin Rambe dan Ibu Kartini Pasaribu yang telah membesarkan penulis dengan penuh cinta dan kasih dan selalu memberikan dukungan yang luar biasa sehingga penulis bisa menyelesaikan skripsi ini.
Terima kasih juga penulis ucapkan kepada seluruh teman-teman S1 Teknologi Informasi yang telah bersama-sama melewati perkuliahan dengan penulis, yang telah
