Perpustakaan Universitas Gunadarma BARCODE
BUKTI UNGGAH DOKUMEN PENELITIAN PERPUSTAKAAN UNIVERSITAS GUNADARMA
Nomor Pengunggahan
SURAT KETERANGAN
Nomor: 121/PERPUS/UG/2020Surat ini menerangkan bahwa:
Nama Penulis : WINDA DISSA AZZUHRA
Nomor Penulis : 37415745
Email Penulis : Windadissa@student.gunadarma.ac.id
Alamat Penulis : Jl. Margonda Raya, gg. Pinang no. 7 dengan penulis lainnya sebagai berikut:
Penulis ke-2/Nomor/Email : INA SITI HASANAH / 950613 / inasiti@staff.gunadarma.ac.id
Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma, dengan rincian sebagai berikut :
Nomor Induk : FTI/ID/PENELITIAN/121/2020
Judul Penelitian : ANALISIS KELAYAKAN USAHA PEMBUATAN DESSERT BANOFFEE CUP Tanggal Penyerahan : 12 / 08 / 2020
Demikian surat ini dibuat untuk dipergunakan seperlunya dilingkungan Universitas Gunadarma dan Kopertis Wilayah III.
PENERAPAN JARINGAN SYARAF TIRUAN METODE
BACKPROPAGATION DALAM MERAMALKAN JUMLAH
PERMINTAAN SIOMAY IKAN
Winda Dissa Azzuhra *) Dr. Ina Siti Hasanah, ST., MT **)
Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas Gunadarma
windaazzur@yahoo.com, inash@staff.gunadarma.ac.id
*) Mahasiswa Teknik Industri Universitas Gunadarma **) Dosen Pembimbing Universitas Gunadarma
Abstrak
Perkembangan teknologi yang sangat pesat dan tidak dapat dihindari dapat memicu persaingan yang kompetitif. Perusahaan harus merencanakan beberapa strategi dalam pemenuhan permintaan konsumen agar tepat waktu dengan jumlah yang sesuai. Jumlah permintaan terhadap barang yang tidak menentu mengakibatkan jumlah stok barang kelebihan atau kekurangan. Hal tersebut mengharuskan perusahaan cermat dalam menentukan jumlah produksi suatu barang. Permasalahan yang dialami oleh perusahaan adalah belum adanya sistem atau metode yang pasti untuk menentukan jumlah produksi yang membuat perusahaan sering melakukan kesalahan dalam memperkirakan jumlah produk yang akan diproduksi sehingga perusahaan mengalami kekurangan maupun kelebihan produksi. Penerapan peramalan menggunakan jaringan syaraf tiruan backpropagation dapat dijadikan solusi dalam hal menganalisis permintaan konsumen untuk menghindari pola data dengan tingkat ketidakpastian yang tinggi dengan harapan dapat meminimumkan tingkat kesalahan perusahaan dalam menentukan jumlah produk yang akan diproduksi.
Tingkat permintaan konsumen terhadap produk Siomay Ikan dianalisis dengan peramalan menggunakan metode jaringan syaraf tiruan backpropagation dengan fungsi sigmoid biner dengan jumlah hidden layer sebanyak 12. Menghasilkan MSE sebesar 7,31 x 10-12 dan nilai koefisien regresi sebesar 0,99137. Jumlah permintaan konsumen
terhadap produk Siomay Ikan untuk bulan Januari 2019 sampai dengan bulan Desember 2019 adalah sebanyak 64458 pack pada bulan Januari 2019, Februari 2019 sebanyak 68810 pack, Maret 2019 sebanyak 64363 pack, April 2019 sebanyak 68100 pack, Mei 2019 sebanyak 64547 pack, Juni 2019 sebanyak 66640 pack, Juli 2019 sebanyak 64895 pack, Agustus 2019 66066 pack, September 2019 65487 pack, Oktober 2019 sebanyak 65434 pack, November 2019 sebanyak 66876 pack, dan Desember 2019 sebanyak 64482 pack.
Kata Kunci: Siomay Ikan, Peramalan Jumlah Permintaan, Jaringan Syaraf Tiruan Backpropagation
IMPLEMENTATION OF ARTIFICIAL NEURAL NETWORKS OF THE BACKPROPAGATION METHOD IN PREDICTING THE
DEMAND OF FISH DUMPLINGS Abstrack
The rapid and unavoidable development of technology can lead to competitive competition. The company must plan several strategies in fulfilling consumer demand to be on time with the appropriate amount. The number of requests for goods that are not certain results in the amount of stock of goods being excess or lacking. This requires companies to be careful in determining the amount of production of an item. The problem experienced by the company is the absence of a definite system or method to determine the amount of production which makes the company often make mistakes in estimating the number of products to be produced so that the company experiences both underproduction and overproduction. Application of forecasting using backpropagation neural networks can be used as a solution in terms of analyzing consumer demand to avoid data patterns with a high degree of uncertainty in the hope of minimizing the level of corporate error in determining the number of products to be produced.
The level of consumer demand for fish dumplings was analyzed by forecasting using the backpropagation neural network method with the binary sigmoid function with a number of hidden layers of 12. Producing an MSE of 7.31 x 10-12 and a regression coefficient value of 0.99137. The number of consumer requests for Fish Siomay products for January 2019 to December 2019 was 64458 packs in January 2019, February 2019 68810 packs, March 2019 64363 packs, April 2019 68100 packs, May 2019 64547 packs, June 2019 with 66640 packs, July 2019 with 64895 packs, August 2019 66066 packs, September 2019 65487 packs, October 2019 with 65434 packs, November 2019 with 66876 packs, and December 2019 with 64482 packs.
Keywords : Fish Dumplings, Number of Demand Forecasting, Backpropagation
Artificial Neural Network PENDAHULUAN
Perkembangan teknologi yang sangat pesat dan tidak dapat dihindari dapat memicu persaingan yang kompetitif. Perusahaan harus merencanakan beberapa strategi dalam pemenuhan permintaan konsumen agar tepat waktu dengan jumlah yang sesuai. Jumlah permintaan terhadap barang yang tidak menentu mengakibatkan jumlah stok barang kelebihan atau kekurangan. Hal tersebut mengharuskan perusahaan cermat dalam menentukan jumlah produksi suatu barang.
CV Sakana Indo Prima adalah perusahaan yang mengembangkan
pengolahan makanan siap saji frozen food berbahan dasar ikan dan udang salah satunya adalah Siomay Ikan. Perusahaan melakukan kegiatan produksi secara rutin untuk memenuhi permintaan konsumen. Proses produksi pada perusahaan dipengaruhi oleh beberapa hal salah satunya adalah jumlah permintaan.
Permasalahan yang dialami oleh perusahaan adalah belum adanya sistem atau metode yang pasti untuk menentukan jumlah produksi Siomay Ikan karena permintaan konsumen yang tidak menentu. Hal tersebut membuat perusahaan sering melakukan
kesalahan dalam memperkirakan jumlah produk yang akan diproduksi sehingga perusahaan mengalami kekurangan maupun kelebihan produksi. Pada bulan Juli 2018 permintaan meningkat sebesar 14820 pack sedangkan pada bulan Agustus 2018 permintaan menurun sebesar 13911 pack. Hal tersebut menyebabkan terjadinya kelebihan produk yang mengakibatkan adanya penyimpanan stok berlebih di gudang. Perusahaan juga tidak mampu menyediakan stok Siomay Ikan pada saat permintaan meningkat, biasanya terjadi menjelang hari raya dimana permintaan meningkat 8000 hingga 10000 pack. Hal ini dikarenakan kurangnya perhitungan yang terperinci mengenai perkiraan kuantitas produksi. Maka dari itu, perusahaan seharusnya melakukan kegiatan peramalan agar persediaan tetap terpenuhi.
Peramalan menggunakan jaringan syaraf tiruan backpropagation akan diterapkan pada CV Sakana Indo Prima karena metode tersebut digunakan untuk memperkecil tingkat error berdasarkan input dari data yang didapatkan. Kelebihan peramalan menggunakan JST Backpropagation yaitu dapat memprediksi output berdasarkan input yang telah dilatih sebelumnya sehingga menghasilkan tingkat akurasi yang tinggi dan baik dalam melakukan prediksi. Harapan penerapan peramalan permintaan dengan metode jaringan syaraf tiruan yaitu dapat meminimumkan tingkat kesalahan perusahaan dalam menentukan jumlah produk yang akan diproduksi.
METODE PENELITIAN
Tahapan awal dari penelitian ini adalah studi lapangan, dimana peneliti melakukan pengamatan di CV Sakana Indo Prima yang berlokasi di kota Depok dan mencari permasalahan yang terjadi pada perusahaan sehingga mendapat
gambaran umum untuk memulai suatu penelitian. Pada permasalahan penelitian ini, objek yang diamati yaitu Siomay Ikan dan peneliti melakukan wawancara kepada beberapa karyawan untuk mendapatkan gambaran tentang bagaimana perusahaan memperkirakan permintaan konsumen terhadap produk Siomay Ikan.
Setelah melakukan studi lapangan, maka masalah yang dihadapi oleh perusahaan dijadikan pokok permasalahan agar penelitian ini terarah tujuannya. Pokok permasalahan yang diteliti adalah perusahaan mengalami kesulitan dalam memperkirakan permintaan konsumen dikarenakan setiap periode permintaan mengalami fluktuasi.
Tujuan dalam melakukan penelitian ini adalah untuk mengetahui dan menganalisis perkiraan peramalan permintaan konsumen produk siomay ikan dengan menggunakan jaringan syaraf tiruan backpropagation dan mengetahui keandalan dari hasil penerapan peramalan jaringan syaraf tiruan backpropagation.
Produk Siomay Ikan dipilih sebagai objek penelitian karena dari 20 jenis produk yang diproduksi pada perusahaan, Siomay Ikan memiliki jumlah permintaan tertinggi. Dalam penelitian ini sumber data yang digunakan adalah data sekunder. Data yang dikumpulkan yaitu data permintaan produk Siomay Ikan selama periode Januari 2016 sampai Desember 2018, yaitu sebanyak 24 bulan serta pola data permintaan berdasarkan data tersebut.
Tahap selanjutnya adalah pengolahan data, data yang sudah dikumpulkan selanjutnya diolah menggunakan software MATLAB 7.8.0 dengan metode JST Backpropagation dan POM-QM dengan metode Regresi Linier. Pengolahan data menggunakan software POM-QM digunakan untuk
perhitungan menggunakan metode konvensional, serta perhitungan manual digunakan untuk menghitung keandalan hasil peramalan yang ada. Langkah pertama dalam melakukan peramalan dengan metode konvensional adalah
memilih metode peramalan
konvensional yang sesuai dengan pola data. Selanjutnya melakukan peramalan dengan metode konvensional yaitu melakukan peramalan berdasarkan metode yang telah dipilih sesuai dengan tata cara peramalan yang berlaku pada metode tersebut. Langkah selanjutnya yaitu menghitung kesalahan ramalan (forecast error) untuk mengetahui besar penyimpangan hasil peramalan sehingga dapat memudahkan saat melakukan perbandingan dengan metode berbasis artificial intelegence.
Tahap selanjutnya adalah melakukan peramalan dengan metode jaringan syaraf tiruan menggunakan software MATLAB 7.8.0. Langkah pertama adalah menentukan pola data sebagai masukan dan target, dimana pembuatan pola data dilakukan dengan cara mentransformasikan data yang telah dikumpulkan kedalam bentuk interval fungsi aktivasi yang digunakan yaitu sigmoid biner. Langkah selanjutnya adalah mengolah data pola data dan nilai target, lalu mentransformasikan balik hasil peramalan. Hasil peramalan yang telah dilakukan yang masih dalam bentuk sigmoid biner ditransformasikan ke dalam bentuk semula, yaitu bentuk yang sama dengan data awal. Langkah terakhir yaitu menghitung error hasil peramalan untuk mengetahui besar penyimpangan hasil peramalan yang telah dilakukan.
Analisis dilakukan terhadap hasil pengolahan data yang telah dilakukan sebelumnya. Analisis ini menjelaskan hasil yang diperoleh dari metode konvensional dan jaringan syaraf tiruan backpropagation yang kemudian
dibandingkan untuk mencari metode terbaik diantara 2 metode tersebut.
PEMBAHASAN Pengolahan Data
Pengolahan data menggunakan jaringan syaraf tiruan dilakukan karena metode tersebut mampu menyelesaikan masalah yang bersifat variatif melalui proses pembelajaran. Pengolahan data menggunakan software MATLAB dengan input berupa data permintaan produk Siomay Ikan mulai dari bulan Januari 2017 sampai dengan Desember 2018. Langkah pertama yaitu menentukan pola data sebagai masukan dan target dalam meramalkan permintaan pada periode yang diinginkan. Pembuatan pola data
dilakukan dengan cara
mentransformasikan data kedalam bentuk interval fungsi aktivasi. Fungsi aktivasi yang digunakan yaitu fungsi aktivasi sigmoid biner, yaitu data akan diubah menjadi interval 0,1 sampai dengan 0,9. Hasil transformasi data permintaan produk Siomay Ikan mulai dari bulan Januari 2017 sampai dengan Desember 2018 dapat dilihat pada Tabel 4.1.
Tabel 4.1 Hasil Transformasi Data Permintaan Bulan Jumlah (Pack) Data Transformasi Januari 2017 28040 0.1 Februari 2017 31100 0.151751475 Maret 2017 30201 0.136547365 April 2017 29948 0.132268566 Mei 2017 35883 0.23264275 Juni 2017 37891 0.266602541 Juli 2017 43763 0.365911253 Agustus 2017 40323 0.307733125 September 2017 41731 0.331545568 Oktober 2017 44720 0.382096273 November 2017 46495 0.412115511 Desember 2017 49314 0.459791134 Januari 2018 47826 0.434625711 Februari 2018 43102 0.354732258
Bulan Jumlah (Pack) Data Transformasi Maret 2018 55599 0.566084604 April 2018 52533 0.514231655 Mei 2018 62008 0.674475192 Juni 2018 60523 0.649360506 Juli 2018 75343 0.9 Agustus 2018 61432 0.664733738 September 2018 62360 0.680428303 Oktober 2018 61716 0.669536816 November 2018 66169 0.74484705 Desember 2018 68488 0.78406655
Berikut ini contoh perhitungan data hasil transformasi yang telah dilakukan menggunakan persamaan (2.8), contoh yang diambil adalah perhitungan pada bulan Februari 2017. x’ = 0,8 (x-a)
b-a + 0,1
= 0,8 (31100-28040)
75343-28040 + 0,1
= 0,151751475
Rumus pada contoh perhitungan bulan Februari 2017 merupakan rumus transformasi linier pada fungsi aktivasi sigmoid biner yang digunakan untuk menstransformasikan data ke interval [0.1, 0.9]. Nilai (x’) adalah nilai data transformasi yang akan dihitung pada setiap periode. Nilai (x) adalah nilai jumlah permintaan pada periode tertentu. Nilai (a) adalah nilai permintaan terendah dari data yang akan dihitung. Nilai (b) adalah nilai permintaan tertinggi dari data yang akan dihitung.
Menentukan Pola Data
Langkah selanjutnya yaitu menentukan pola data, pola data yang akan digunakan dalam perhitungan ini adalah pola data sebesar 12 periode, yang artinya setiap 1 periode hasil peramalan atau target menggunakan 12 periode sebelumnya. Perhitungan pola data dan target terdapat pada Tabel 4.2.
Tabel 4.2 Pola Data Hasil Transformasi
Mentranspose Data
Hasil dari data transformasi tersebut akan dimasukkan dalam kolom variabel sebagai Data dan Target. Software melakukan pembacaan data dari atas kebawah, oleh karena itu pola data tersebut harus dilakukan transpose agar tidak salah dalam perhitungan menggunakan software MATLAB. Hasil masukan data dan transpose pola data hasil transformasi terdapat pada Gambar 4.1.
Gambar 4.1 Input Data Transformasi Variabel Data
Selanjutnya, memasukkan data pada variabel target Sebelum data dimasukkan ke dalam variabel target, data harus ditranspose terlebih dahulu, yaitu mengubah data dari baris menjadi kolom agar tidak terjadi kesalahan pada pengolahan data. Gambar 4.2 merupakan data input variabeltarget.
Pola Data 1 2 3 4 5 6 7 8 9 10 11 12 1 0.1000 0.1518 0.1365 0.1323 0.2326 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 2 0.1518 0.1365 0.1323 0.2326 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 3 0.1365 0.1323 0.2326 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 4 0.1323 0.2326 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 5 0.2326 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 6 0.2666 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 7 0.3659 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 8 0.3077 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 0.6647 9 0.3315 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 0.6647 0.6804 10 0.3821 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 0.6647 0.6804 0.6695 11 0.4121 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 0.6647 0.6804 0.6695 0.7448 12 0.4598 0.4346 0.3547 0.5661 0.5142 0.6745 0.6494 0.9000 0.6647 0.6804 0.6695 0.7448 0.7841 Target Tingkat Permintaan (Input)
Gambar 4.2 Input Data transformasi Variabel Target
PENGOLAHAN DATA
Langkah selanjutnya setelah memasukkan data yaitu melakukan peramalan dengan mengolah data variabel input dan target menggunakan peramalan jaringan syaraf tiruan backpropagation. Peramalan yang dilakukan melalui proses trial and error agar mendapatkan jaringan dengan tingkat performance terbaik. Performance merupakan target nilai dalam proses pelatihan dengan acuan nilai MSE dan nilai yang ingin dicapai adalah nilai yang mendekati 0, semakin mendekati 0 maka error yang dihasilkan akan semakin kecil. Hasil trial and error dapat dilihat pada Tabel 4.3.
Tabel 4.3 Hasil Trial and Error Neuron (Hidden Layer) Performance 11 3,11 x 10-21 12 1,28 x 10-21 13 4,71 x 10-20 14 1,32 x 10-18 15 1,71 x 10-15 Performance dihasilkan dari pelatihan data trial and error dengan jumlah hidden layer yang ditentukan. Hidden layer berjumlah 12 menghasilkan performance terbaik dengan nilai yang paling kecil, hal tersebut menunjukkan bahwa jaringan
yang dibentuk oleh 12 neuron lebih akurat dibandingkan dengan jumlah neuron lainnya. Penggambaran arsitektur jaringan syaraf tiruan yang digunakan yaitu 12 neuron sebagai jaringan yang terpilih terdapat pada Gambar 4.3.
Gambar 4.3 Neural Network Training Data division yang digunakan adalah random atau secara acak. Training yang digunakan adalah fungsi trainlm yang merupakan fungsi pelatihan jaringan yang memperbarui nilai berat dan bias berdasarkan pengoptimalan Levenberg-Marwuardt. Nilai epoch adalah nilai yang menunjukkan iterasi yang dilakukan oleh jaringan yang dibuat dan berhenti pada iterasi ke-4. Iterasi tersebut terhenti karena proses pelatihan sudah mencapai batas yang diinginkan, yaitu gradient yang sudah mencapai nilai sebesar 7,31 x 10-12 dan validation checks bernilai 0 yang berarti tidak ada kegagalan dalam proses pelatihan. Parameter yang digunakan pada performance adalah MSE atau rata-rata kuadrat pada pelatihan yang dilakukan. Nilai goal pada performance adalah nilai yang mendekati 0, karena semakin
mendekati nilai 0 maka hasilnya akan semakin baik. Hal tersebut terjadi karena nilai penyimpangan antara hasil pelatihan dengan target yang diberikan semakin kecil. Pelatihan yang telah dilakukan terhenti pada iterasi ke-4 dan menghasilkan nilai performance sebesar 1,28 x 10-21, nilai tersebut merupakan nilai penyimpangan antara hasil pelatihan dengan target yang diberikan. Grafik performance yang dihasilkan dari pelatihan jaringan terdapat pada Gambar 4.4.
Gambar 4.4 Grafik Performance Gambar 4.4 merupakan gambar grafik performance, grafik tersebut, menunjukkan 3 garis berwarna merah, hijau, biru dan 1 garis putus-putus. Tiga garis berwarna tersebut menunjukkan proses dari empat iterasi (epoch) yang berwarna biru menunjukkan proses train, warna hijau menunjukkan proses validation, warna merah menunjukkan proses test dan garis putus-putus merupakan test yang menunjukkan hasil MSE. Nilai performance terbaik pada proses validitas adalah pada iterasi ke empat dengan nilai sebesar 0,00041418 yang terdapat pada Gambar 4.4. Hasil plot regresi dari pelatihan jaringan terdapat pada Gambar 4.5.
Gambar 4.5 Plot regression
Gambar 4.5 merupakan gambar plot regression yang menunjukkan bahwa terdapat beberapa plot data regresi, yaitu plot regresi Training, Validation, Test dan All. Nilai R merupakan nilai koefisien korelasi, nilai koefisien korelasi terbaik bernilai 1. Grafik plot regresi Training, Validation dan Test menunjukkan nilai koefisien korelasi sebesar 1, yang berarti ketiga grafik tersebut sudah sangat baik. Plot regresi All menunjukkan koefisien korelasi atau nilai ketepatan hasil peramalan terhadap target yang telah ditetapkan dengan nilai sebesar 0,99137, ini berarti koefisien korelasi sudah sangat baik karena mendekati nilai 1. Berdasarkan pelatihan yang telah dilakukan dengan software MATLAB, maka diperoleh hasil peramalan produk Siomay Ikan yang terdiri dari 12 periode terakhir peramalan yang terdapat pada Gambar 4.6.
Gambar 4.6 Output dari Hidden Layer 12 Gambar 4.6 merupakan output dari training dengan menggunakan 12 hidden
layer. Hasil tersebut masih dalam bentuk sigmoid biner sehingga data tersebut harus ditransformasikan kembali kedalam bentuk awalnya.
Analisis Tingkat Permintaan
Analisis tingkat permintaan merupakan analisis yang dilakukan terhadap tingkat permintaan yang didapatkan dari hasil peramalan yang telah dilakukan untuk periode selanjutnya. Tingkat perminaan untuk bulan Januari 2019 sampai dengan Desember 2019 terdapat pada Tabel 4.4.
Tabel 4.4 Peramalan Permintaan Bulan Januari 2019 – Desember 2019 Periode Bulan Jumlah Permintaan (Pack) 1 Januari 2019 64458 2 Februari 2019 68810 3 Maret 2019 64363 4 April 2019 68100 5 Mei 2019 64547 6 Juni 2019 66640 7 Juli 2019 64895 8 Agustus 2019 66066 9 September 2019 65487 10 Oktober 2019 65434 11 November 2019 66876 12 Desember 2019 64482
Tabel 4.4 berisi hasil peramalan untuk setiap bulan, mulai dari Januari 2019 sampai dengan Desember 2019. Peramalan tingkat permintaan tertinggi terdapat pada bulan Februari 2019 yaitu sebanyak 68810 pack , sedangkan tingkat permintaan terendah terdapat pada bulan Maret 2019 yaitu sebanyak 64363 pack.
KESIMPULAN DAN SARAN Kesimpulan
Tingkat permintaan konsumen terhadap produk Siomay Ikan dianalisis dengan peramalan menggunakan metode jaringan syaraf tiruan backpropagation dengan fungsi sigmoid biner dengan
jumlah hidden layer sebanyak 12. Menghasilkan MSE sebesar 7,31 x 10-12 dan nilai koefisien regresi sebesar 0,99137, hal ini menjelaskan bahwa hasil peramalan sudah sangat baik.
Jumlah permintaan konsumen terhadap produk Siomay Ikan untuk bulan Januari 2019 sampai dengan bulan Desember 2019 dapat dilihat pada Tabel 4.4.
Saran
Sebaiknya dalam melakukan peramalan menggunakan metode jaringan syaraf tiruan backpropagation ini dapat dilakukan dengan menggunakan data historis yang lebih banyak lagi. Penggunaan data historis yang semakin banyak akan membuat hasil penyimpangan semakin kecil lagi.
Perusahaan CV Sakana Indo Prima diharapkan dapat menerapkan metode peramalan jaringan syaraf tiruan backpropagation terhadap tingkat permintaan produk Siomay Ikan
DAFTAR PUSTAKA
Arsyad, L. 2001. Peramalan Bisnis. Yogyakarta: BPFE.
Febrina, Mira, dkk. 2013. Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation. Jurnal Teknik Industri. 1(2): 179. Gasperz, Vincent. 2005. Production
Planning and Inventory Control. Gramedia Pustaka Utama: Jakarta.
Heizer, J. dan B. Render. 2015. Manajemen Operasi Edisi Kesebelas Terjemahan.
Hermawan, A. 2006. Jaringan Syaraf Tiruan dan Aplikasi. Yogyakarta: Andi
Jakarta: Salemba Empat. Iriawan, Nur dan Astuti, Septin Puji.
2006. Mengolah Data Statistik dengan Mudah Menggunakan
MINITAB 14. Yogyakarta: Andi.
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasi). Yogyakarta: Graha Ilmu
Mufaidah, Iid, dkk. 2017. Peramalan Jumlah Permintaan Udang Beku PND menggunakan Metode Jaringan Syaraf Tiruan (JST) Backpropagation. Jurnal Agroteknologi. 11(01): 22. Nasution, A. H. dan Prasetyawan, Y.
2008. Perencanaan dan Pengendalian Produksi. Yogyakarta: Graha Ilmu. Puspitaningrum, Diyah. 2006.
Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi Rachman, A. S., dkk. 2018. Peramalan
Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan
Backpropagation Pada PG Candi Abru Sidoarjo. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 2(4): 1683.
Saputro, G. A dan Asri, M. 2000. Anggaran Perusahaan Edisi 3. Yogyakarta: BPFE
Siang, J. J. 2005. Jaringan Syaraf Tiruan danPemogramannya
Menggunakan MATLAB. Yogyakarta: Andi.
Sumayang, Lalu. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Jakarta: Salemba Empat.
Sutojo, T., Mulyanto, E., dan Suhartono, V. 2010. Kecerdasan Buatan. Yogyakarta: CV. Andi Offset. Suyanto. 2014. Artificial Intelligence.
