IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI MEREK KOSMETIK YANG PALING DIMINATI KONSUMEN MENGGUNAKAN METODE BACKPROPOGATION

(1)

288 IMPLEMENTASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI MEREK KOSMETIK YANG PALING

DIMINATI KONSUMEN MENGGUNAKAN METODE BACKPROPOGATION

Jenni Rismawati Sidauruk

Mahasiswa Teknik Informatika STMIK Budi Darma Jl.Sisingamangaraja No.338 Simpang Limun Medan

ABSTRAK

Jaringan syaraf tiruan merupakan cabang dari kecerdasan buatan yang meniru atau mencontoh cara kerja otak manusia. JST dapat diimplementasikan pada berbagai macam aplikasi untuk menyelesaikan banyak masalah khususnya dalam bidang peramalan. Salah satu algoritma yang sering digunakan adalah Bacpropagation. Backpropagation merupakan salah satu algoritma yang dapat digunakan untuk memprediksi indeks penjualan kosmetik. Ada dua tahapan yang digunakan pada metode backpropagation ini yaitu tahap pelatihan dan tahap pengujian. Pada tahap pelatihan pola berusaha untuk mengenali masukan dan pada tahap pengujian pola yang sudah dikenali diujikan sehingga diketahui pola jaringan yang dapat mengenali dan melakukan prediksi terhadap indeks harga penjualan kosmetik Kosmetik merupakan kebutuhan bagi seorang wanita yang tidak dapat dipisahkan dari aktivitas sehari-hari. Dalam penelitian ini metode jaringan syaraf tiruan yang diguanakan adalah metode backpropagtion untuk memprediksi penjuala kosmetik. Perangkat lunak yang diguanakan untuk pengujian adalah aplikasi Matlab versi 6.1

Kata Kunci: Kosmetik, Jaringan Syaraf Tiruan, Backpropagation

I. PENDAHULUAN

Sebelum era komputerisasi kebanyakan user menyelesaikan pekerjaannya secara manual. Tetapi saat ini user dapat menggunakan komputer dalam mengerjakan berbagai tugasnya dengan cepat dan tepat. Karena di dalam komputer terdapat bermacam- macam aplikasi yang bisa digunakan, sehingga user mendapatkan kemudahan dalam menyelesaikan pekerjaannya. Jaringan syaraf tiruan (JST) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. JST merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan sayaraf tiruan. Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linear.

JST dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output untuk menemukan pola-pola data.(Andi “Jaringan syaraf tiruan dan pemogramanya”. 2009) PT. Interkos Jaya Bhakti adalah sebuah perusahaan yang bergerak pada bidang pendistribusian dan penjualan produk kosmetik. Penentuan besaran stok masuk yang harus diputuskan sering kali tidak sesuai dengan kenyataan yang ada di pasaran. Hal ini di karenakan tidak adanya perhitungan pangsa pasar dan lebih kepada melihat ketersediaan stok saja, yang membuat penjualan dan pendistribusian produk kosmetik tidak sesuai dengan jumlah permintaan pasar. Sering di dapat ketidak sesuaian untuk penjualan dan pendistribusian produk kosmetik. Sehingga diterapkanlan algoritma backpropagation untuk masalah yang ada di dalam Pt.Interkos Jaya Bhakti. Implementasi Jaringan syaraf tiruan hal yang mendasari terbentuknya jaringan dengan memperhitungkan potensi yang ada seperti

sarana dan prasarana, fasilitas pendididkan, sumber daya manusia. Dalam proses yang di desain dengan meniru cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar mengajar melalui perubahan bobot sinopsisnya. Ada bnayak tehnik yang dapat digunakan untuk implementasi jaringan syaraf tiruan yaitu perceptron nackpropagation (Hara simbolon, Matias Julyus Fika Sirait).Prediksi dalam konteks komputasi merupakan salah satu kegiatan matematis. Prediksi ini telah dilakukan bertahun-tahun sebelum penguasaan komputer, yaitu dengan menggunakan alat hitung seperti kalkulator. Prediksi penjualan kosmetik dapat membantu PT. Interkos Jaya Bhakti untuk memperlancar dalam penjualan barang kosmetik dalam perusaahan tersebut. Hal ini di karenakan tidak adanya perhitungan pangsa pasar dan lebih kepada melihat ketersediaan stok saja, yang membuat penjualan dan pendistribusian produk kosmetik tidak sesuai dengan jumlah permintaan pasar. Sering di dapat ketidak sesuaian untuk penjualan dan pendistribusian produk kosmetik. Sehingga diterapkan algoritma backpropagation untuk masalah yang ada di dalam PT. Intercos Jaya Bhakti.

II. TEORITIS A. Backpropagation

Metode bacpropagation (propagasi balik)

merupakan metode pembelajaran lanjut yang dikembangkan dari aturan perceptron hal yang ditiru dari perceptrona adalah tahapan dalam algoritma jaringan.

Sebagian besar pelatihan untuk jaringan feedfoward.(umpan maju) menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot- bobot dalam rangka meminimumkan kinerja. Gradient ini ditentukan dengan menggunakan suatu teknik yang disebut

(2)

289

backpropagation. Pada dasarnya, algoritma pelatihan

standar backpropagation akan menggerakkan bobot dengan arah gradient negatif. Prinsip dasar dari algoritma backpropagation

Gambar 1. Arsitektur Backpropagation Sumber : siang, ( 2009:98)

B. Fungsi Aktivasi

Menurut Siang, (2009 : 99) dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid binner yang memiliki range (0,1).

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1). Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan sehingga polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.

Fungsi sigmoid biner dirumuskan sebagai :

 

_x

x e f

y

__

 

 1

1

Rumus normalisasi data sebagai berikut : X’ = 0. 8(x-a) + 0,1

b-a dengan :

  x f   x  f   x 

f '   1 

Gambar 2. Fungsi Aktivasi Sigmoid Biner Sumber : siang, (2009: 99) Prosedur Pelatihan

Langkah 0 :Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil), Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,

Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,

Perambatan Maju

Langkah 3 : Tiapunitmasukan(xi,

i=1,…,n)menerimasinyalxidanmenghan tarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),

Langkah 4 : Setiap unit tersembunyi (xi, i = 1,…,

p) jumlahkan bobot

sinyalmasukannya,

𝑧_𝑖𝑛𝑐𝑗= 𝑣𝑜𝑗+ ∑𝑛 𝑥𝑖𝑣𝑖𝑗 𝑖=1

(3) voj

=biaspadaunittersembunyijaplikasikan fungsiaktivasinyauntuk

menghitungsinyalkeluarannya, zj

=f(z_inj), dankirimkansinyalini keseluruh unit pada lapisan diatasnya (unit keluaran).

Langkah 5 : Tiap unit keluaran (yk,k = 1,…, m) jumlahkan bobot sinyal masukannya,

𝑦_𝑖𝑛𝑘_𝑘= 𝑤_𝑜𝑘+ ∑^𝑛_𝑗=1𝑧_𝑗𝑤_𝑗𝑘 (4)

wok

=biaspadaunitkeluarankdanaplikasikanf ungsiaktivasinyauntuk menghitung sinyal keluarannya, yk=f (y_ink).

Perambatan Mundur

Langkah 6 : Tiapunitkeluaran(yk

,k=1,…,m)menerimapolatargetyang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,

𝛿

_𝑘

= (𝑡

_𝑘

− 𝑦

_𝑘

)𝑓

¹

(𝑦_𝑖𝑛

_𝑘

) (5)

hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),

∆𝑤

_𝑗𝑘

= 𝛼𝛿

_𝑘

𝑧

_𝑗

(6)

hitungkoreksibiasnya(digun akanuntukmemperbaharuiwok nantinya), dan kirimkan δkke unit- unit pada lapisan dibawahnya, Langkah 7 :

Setiapunitlapisantersembun yi(zj,j=1,…,p)jumlahkanhasilperub ahanmasukannya(dari unit-unit lapisan diatasnya),

∆_𝑖𝑛

_𝑗

= ∑

^𝑚_𝑘=1

𝛿

_𝑘

𝑤

_𝑗𝑘

(7)

Kalikan dengan turunan fungsi

aktivasinyauntukenghitunginforma

(3)

290 sikesalahannya,

𝛿

_𝑗

= 𝛿

_𝑖𝑛𝑗

𝑓

¹

(𝑧

_𝑖𝑛𝑗

) (8)

hitung koreksi bobotnya (digunakan untuk memperbaharui voj),

Langkah 8 : Tiap unit keluaran (y

k

k = 1, …, m) update bias dan bobot (j=0,…,p) :

𝑤

_𝑗𝑘

(𝑏𝑎𝑟𝑢) = 𝑤

_𝑗𝑘

(𝑙𝑎𝑚𝑎) + ∆𝑤

_𝑗𝑘

(9)

Tiap unit lapisan tersembunyi (zj, j

= 1,…, p) update bias dan bobotnya(I = 0,…,n):

vij(baru) = vij(lama) +∆vij

(10)

Langkah 9 : Test kondisi berhenti

III. ANALISA DAN PEMBAHASAN

Analisis merupakan proses penguraian konsep ke dalam bagian-bagian yang lebih sederhana, sehingga struktur logisnya menjadi jelas. Metode untuk menguji, menilai dan memahami sistem pemikiran yang kompleks dengan memecahnya ke dalam unsure- unsur yang lebih sederhana sehingga hubungan antar unsure-unsur itu menjadi jelas.

A. Pembahasan Data Prediksi Dengan Metode Bacpropagation

Dalam Prediksi, didefenisikan sebuah fungsi yang menerangkan proses-prose runtun waktu (time series)diPT.interkos Jaya Bhakti. Fungsi tersebut menentukan rangkaian perubahan keadaan melalui waktu t. fungsi tadi diperoleh dengan mencocokkan data masa lalu. Nilai-nilai data masa lalu digambarkan seperti nilai-nilai fungsi. Jaringa syaraf membangun model fungsi yang menerangkan struktur dari masa lalu.

Pemisalan untuk produk : A =2 Eye Liner Black B = Eye Liner Brown C = Eye Shadow Nias D = Sa Eye Shadow Toba E = -Moistpome E.Shadow As F = Moistpome E.Shadow Dk G = Moistpome E.Shadow Dr H = -M.Pome E.Shadow I = Eyeshadow Kelimutu J = Eyeshadow Bena

K = Eye Shadow Karimunjawa L = Eye Shadow Lasem M = 13 Eye Make Up Kit 24/Set N = Sa Blush On Nias

O = Sa Blush On Toba.

P = Sa.pemulas bibir ronggeng Q = Sa.pemulas bibir ronggeng R = Sa.pemulas bibir ronggeng

S = Sa.pemulas bibir ronggeng T = Sa Lipstick Muara Kujn2 U = Sa Lipstick Intan V = Sa Lipstick Intan

W = Sa Liquid Lip Color Intan X = Sa Lipstick Reog

Y = Sa Lipstick Reog 02 24/4.5

Data yang digunakan dalam penelitian ini merupakan database jumlah penjualan pada tahun 2013dimulai dari bulan januari sampai desember tahun 2015. Data disusun dan dipilih variabel faktor- faktor dengan record data yang memiliki informasi paling lengkap. Data tersebut kemudian dibagi menjadi 2 bagian yaitu, data pelatihan (training), data pengujian (testing).

Dimana X’ = hasil normalilasi x= data awal

a= nilai minimal awal b= nilai maximal awal

Dari persamaan diatas maka dapat ditentukan :

1. Eye Liner Black 2013

X’= 0.8(x-a) + 0.1 b-a

X’ =0.8 (1752-1128)+ 0.1 1752-1128

X’ =0.80

2. Eye Liner Black 2014 X’ = 0.8 (1440-1128) + 0.1 624

X’= 0.40

3. Eye Liner Black 2015 X’= 0.8 (1128-1128) + 0.1 1752-1128

X’= 0.01

4. Eye Liner Brown 2013 X’ = 0.8 (1776-1440) + 0.1 1776-1440

X’= 0.80

5. Eye Liner Brown 2014 X’ =0.8 (1440-1440) + 0.1 336

X’=0.02

6. Eye Liner Brown 2015 X’= 0.8(x-a) + 0.1 b-a

X’ =0.8 (1566-1440) + 0.1 = 0.30 1776-1440

7. Eye Shadow Nias 2013 X’ =0.8 (648-648) + 0.1 1764-648

X’=0.08

8. Eye Shadow Nias 2014 X’ =0.8 (1764-648) + 0.1 1116

X’=0.80

9. Eye Shadow Nias 2015 X’ =0.8 (1142-648) + 0.1 1764-648

X’=0.35

10. Eye Shadow Toba 2013

(4)

291

X’ =0.8 (564-276) + 0.1

564-276 X’=0.80

11. Eye Shadow Toba 2014 X’ =0.8 (360-276) + 0.1 288

X’=0.23

12. Eye Shadow Toba 2015 X’ =0.8 (276-276) + 0.1 564-276

X’=0.03

13. Moistpome E.Shadow As2013 X’ = 0.8(552-354) + 0.1 552-354

X’ =0.80

14. Moistpome E.Shadow As2014 X’ = 0.8(354-354) + 0.1 198

X’ =0.05

15. Moistpome E.Shadow As2015 X’ = 0.8(359-354) + 0.1 552-354

X’ =0.02

16. Moistpome E.Shadow Dk2013 X’ =0,8 (372-180) + 0,1 405-180

X’= 0.68

17. Moistpome E.Shadow Dk2014 X’ =0,8 (180-180) + 0,1 225

X’= 0.04

18. Moistpome E.Shadow Dk2015 X’ =0,8 (405-180) + 0,1 405-180

X’= 0.80

19. Moistpome E.Shadow Dr2013 X’=0.8(828-648) + 0.1 900-648

X’= 0.57

20. Moistpome E.Shadow Dr2014 X’=0.8(648-648) + 0.1 252

X’= 0.03

21. Moistpome E.Shadow Dr2015 X’=0.8(900-648) + 0.1 900-648

X’= 0.80

22. M.Pome E.Shadow 2013 X’ = 0.8(792-360) +0,1 792-360

X’ =0.80

23. M.Pome E.Shadow 2014 X’ = 0.8(360-360) +0,1 792-360

X’ =0.01

24. M.Pome E.Shadow 2015 X’ = 0.8(540-360) +0,1 792-360

X’ =0.33

25. Eyeshadow Kelimutu 2013 X’ = 0.8(720-432) + 0.1 720-432

X’ =0.80

X’ =0.02

X’ =0.50

28. Eyeshadow Bena 2013 X’ = 0.8(648-432) +0,1 750-432

X’ =0.54

29. Eyeshadow Bena 2014 X’ = 0.8(432-432) +0,1 750-432

X’ =0.02

30. Eyeshadow Bena 2015 X’ = 0.8(750-432) +0,1 750-432

X’ =0.80

31. Eye Shadow Karimunjawa2013 X’ = 0.8(576-396) +0,1 576-396

X’ =0.80

X’ =0.04

34. Eye Shadow Lasem 2013 X’ = 0.8(468-252) +0,1 468-252

X’ =0.80

X’ =0.26

X’ =0.03

37. Eye Make Up Kit 2013 X’ = 0.8(216-216) + 0.1 360-216

X’ = 0.05

38. Eye Make Up Kit 2014

X’ = 0.8(360-216) + 0.1 = X’=0.80 360-216

39. Eye Make Up Kit 2015 X’ = 0.8(216-216) + 0.1 360-216

X’ = 0.05 40. Blush On Nias 2013

X’= 0.8(x-a) + 0.1 b-a

X’ = 0.8(216-108) +0,1 288-108

X’ =0.48 41. Blush On Nias 2014

X’= 0.8(x-a) + 0.1 b-a

X’ = 0.8(288-108) +0,1 288-108

X’ =0.80 42. Blush On Nias 2015

X’= 0.8(x-a) + 0.1 b-a

(5)

292

X’ = 0.8(108-108) +0,1

288-108 X’ =0.04 43. Blush On Toba 2013

X’ = 0.8(144-108) +0,1 144-108

X’ =0.80 44. Blush On Toba 2014

X’ = 0.8(134-108) +0,1 144-108

X’ =0.58 45. Blush On Toba 2015

X’ = 0.8(108-108) +0,1 144-108

X’ =0.02

46. pemulas bibir ronggeng no. 112013 X’=0.8(288-180) + 0.1

288-180 X’ =0.80

288-180 X’ =0.53

288-180 X’ =0.07

49. pemulas bibir ronggeng no. 122013 X’ =0.8(180-144) +0.1

252-144 X’= 0.26

50. pemulas bibir ronggeng no. 122014 X’ =0.8(252-144) +0.1

252-144 X’= 0.80

51. Pemulas bibir ronggeng no. 122015 X’ =0.8(144-144) +0.1

252-144 X’= 0.07

216-36 X’= 0.48

216-36 X’= 0.80

216-36 X’= 0.04

128-0 X’= 0.80

128-0 X’= 0.06

58. Lipstick Muara Kujn 2013 X’ =0.8(330-234) +0.1 96

X’= 0.80

X’= 0.08

X’= 0.73

61. Lipstick Intan 01 2013 X’ = 0.8(96-96) +0.1 27

X’=0.02

62. Lipstick Intan 01 2014 X’= 0.8(x-a) + 0.1 b-a

X’ = 0.8(123-96) +0.1 27

X’=0.80

63. Lipstick Intan 01 2015 X’= 0.8(x-a) + 0.1 b-a

X’ = 0.8(96-96) +0.1 27

X’=0.02

64. Lipstick Intan 02 2013 X’ = 0.8(372-348) +0.1 72

X’=0.26

65. Lipstick Intan 02 2014 X’ = 0.8(348-348) +0.1 72

X’=0.01

66. Lipstick Intan 02 2015 X’ = 0.8(420-348) +0.1 72

X’=0.80

67. Liquid Lip Color Intan 2013 X’= 0.8(360-360) + 0.1 1668

X’ =0.04

X’ =0.74

X’ =0.80

70. Sa Lipstick Reog 01 2013 X’= 0.8(368-368) + 0.1 484

X’ =0.01

X’ =0.80

X’ =0.08

X’ =0.26

74. Sa Lipstick Reog 02 2014

(6)

293

X’= 0.8(864-312) + 0.1

552 X’ =0.80

X’ =0.01

II. IMPLEMENTASI

Matlab (matrix laboratory) merupakan salah satu perangkat lunak yang dirancang khusus sebagai solusi untuk mengerjakan permasalahan yang berkaitan dengan matematika. Tampilan cammand window yang digunakan untuk membuat dan mengetik semua perintah pelatihan dan pengujian backpropagation adalah sebagai berikut :

Gambar 1 Command Window matlab

Windows ini merupakan tool yang disediakan oleh Matlab yang berfungsi sebagai editor script Matlab (listing perintah-perintah yang harus dilakukan oleh Matlab). Ada dua cara untuk membuka editor ini, yaitu:

a. Klik : File, lalu New dan kemudian M-File b. Ketik pada command windows : ”edit”

V. KESIMPULAN

Berdasarkan pembahasan dan evaluasi dari bab- bab sebelumnya, maka dapat diperoleh beberapa kesimpulan sebagai berikut :

1. Untuk mengetahui target penjualan kosmeti di PT. Interkos Jaya Bhakti Memprediksi dengan menentukan plan kosmetik decorative sesuai dari tahun 2013 samapi 2015 akan diguamakan untuk training. Kemudian dialakukan pemilihan aristektur yang tepat Pada PT. Interkos Jaya Bhakti dengan pola yang dilatih berdasarkan nilai input yang menjadi kriteria.

2. Proses implementasi jaringan syaraf tiruan menggunakan data penjualan kosmetik decorative

sebanyak 25 prodak, di mana data akan dibagi menjadi dua bagian, bagian pertama digunakan untuk data pengujian (testing) dan bagian kedua untuk data pelatihan (Training

3. Dari hasil perancangan aplikasi maltab 6.1 tingkat keakuratan dari penentuan penjualan kosmetik decorative baik, ininterbukti dengan tingkat kesesuaian antara actual output dengan target atau output yg diharapkan sebesar 80% untuk data yang dilatihkan dari 70 % lebih untuk baru dengan menggunakan pola 4-4-1 epochs sebesar 5000, learning rate sebesar 0,01. Tidak tercapainya tingkat kesesuaian sebesar 100 % disebabkan data yang dilatih haya sebantak 40 data

4. DAFTAR PUSTAKA

1.

Hara simbolon, Matias Julyus Fika Sirait, Implementasi Dan Algoritma, Memprediksi Penjualan

2.

Andi, 2009, Jaringan Syaraf Tiruan dan Pemogramannya.

3.

T. sutojo,2011, Dwi Ana, Ratna Wati,2010:115,Sistem Koneksi Synaptic menetukan sinyal keluaran.

4.

D.O.Hebb (1949), Minsky-Papert (1969), Widrow Dan Hoff (1960), Algoritma Pembelajaran Dengan Supervisi (Supervised)

5.

Gaspersz, (1998), Metode Peramamalan,

6.

Rumelhart, Hinton dan William(1986) Metode Backpropagation, Bungaran H. Tumanggor: (2013) Sumber Arsitektur Jaringan Backpropagation.

7.

Haidar Dzacko, 2007, Database Management System

8.

Lamran, Graig : (2004), Unified Modelling Language (UML)