ii
OPTIMASI JUMLAH HIDDEN NODES EXTREME
LEARNING MACHINE MENGGUNAKAN METODE
PARTICLE SWARM OPTIMIZATION UNTUK
PERAMALAN JUMLAH PENJUALAN BARANG
Tesis untuk Memperoleh Gelar Magister
pada Program Magister, Program Studi Teknik Elektro, Program Pascasarjana Universitas Udayana
I PUTU SUSILA HANDIKA NIM 1491761017
PROGRAM MAGISTER
PROGRA STUDI TEKNIK ELEKTRO
PROGRAM PASCASARJANA
UNIVERSITAS UDAYANA
DENPASAR
iii
Lembar Pengesahan
TESIS INI TELAH DISETUJUI PADA TANGGAL 7 JANUARI 2016
Pembimbing I,
Prof. Ir. Ida Ayu Giriantari, MEng.Sc.,Ph.D NIP 196512131991032001
Pembimbing II,
Dr. Ir. Agus Dharma, MT. NIP 196508011991031004
Mengetahui
Ketuan Program Magister Program Studi Teknik Elektro Program Pascasarjana
Universitas Udayana,
Prof. Ir. Ida Ayu Giriantari, MEng.Sc.,Ph.D NIP 196512131991032001
Direktur
Program Pascasarjana Universitas Udayana,
iv
Tesis Ini Telah Diuji pada Tanggal 7 Januari 2016
Panitia Penguji Tesis Berdasarkan SK Rektor Universitas Udayana, No : 0240/UN14.4/HK/2016
Ketua : Prof. Ir. A. Dwi Giriantari, MEngSc., PhD Anggota :
1. Dr. Ir. Agus Dharma, MT 2. Dr. Ir. Made Sudarma, M.A.Sc
v
SURAT KETERANGAN BEBAS PLAGIAT
Nama : I Putu Susila Handika
NIM : 1491761017
Program Studi : Magister Teknik Elektro
Judul : OPTIMASI JUMLAH HIDDEN NODES EXTREME
LEARNING MACHINE MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG
Dengan ini menyatakan bahwa karya tulis ilmiah Tesis ini bebas plagiat. Apabila dikemudian hari terbukti terdapat plagiat dalam karya ilmiah ini, maka saya bersedia menerima sangsi sesuai peraturan Mendiknas RI No. 17 Tahun 2010 dan Peraturan Perundang-undangan yang berlaku.
Denpasar, 7 Januari 2016 Yang membuat pernyataan,
vi UCAPAN TERIMA KASIH
Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa atas segala rahmat dan hidayah-Nya penulis dapat menyelesaikan tesis dengan judul Optimasi Jumlah Hidden Nodes Extreme Learning Machine Menggunakan Metode Particle Swarm Optimization Untuk Peramalan Penjualan Barang.
Dalam menyelesaikan tesis ini penulis mendapatkan banyak sekali bantuan, bimbingan dan dorongan dari berbagai pihak. Oleh karena itu penulis ingin mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tesis ini, antara lain :
1. Rektor Universitas Udayana Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana.
2. Direktur Program Pascasarjana Universitas Udayana yang dijabat oleh Prof. Dr. dr. A.A. Raka Sudewi, Sp.S(K). atas kesempatan yang diberikan kepada penulis untuk menjadi mahasiswa Program Magister pada Program Pascasarjana Universitas Udayana.
3. Prof. Ir. Ida Ayu Giriantari, Meng.Sc.,Ph.D selaku dosen pembimbing I, atas bimbingan, pengarahan, saran, dan dukungan selama penyusunan tesis ini.
4. Dr. Ir. Agus Dharma, MT. selaku dosen pembimbing II yang dengan penuh perhatian dan kesabaran telah memberikan bimbingan dan saran kepada penulis.
5. Prof.Dr.dr. Ketut Suastika, Sp.PD.KEMD selaku Rektor Universitas Udayana atas kesempatan dan fasilitas yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Magister di Universitas Udayana.
vii
7. Dr.Ir.Made Sudarma, M.A.Sc, Wayan Gede Ariastina, ST.,MengSc.,PhD, I Nyoman Satya Kumara, ST.,MSc.,PhD, yang telah memberikan masukan, saran, sanggahan, dan koreksi sehingga tesis ini dapat terwujud. 8. Orang tuaku tercinta Made Artini, S.pd., dan Drs. I Made Arka yang tiada
hentinya memberikan doa, semangat, dan pengorbanan yang sangat besar. 9. Saudaraku I Kadek Susila Satwika yang selalu menjadi motivasi selama
pengerjaan tesis.
10. Teman-teman seperjuanganku Agus Pradnyana Jaya, Prima Winangun, Agus Mahardiananta, Krisna Nasurya atas semangat dan dukungannya. 11. Semua pihak yang telah membantu dalam penyusunan laporan ini yang
tidak dapat kami sebutkan satu per satu.
viii ABSTRAK
OPTIMASI JUMLAH HIDDEN NODES EXTREME
LEARNING MACHINE MENGGUNAKAN
METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG
Extreme Learning Machine (ELM) merupakan salah satu metode pembelajaran dari Artificial Neural Network yang memberikan tingkat akurasi dan kecepatan yang lebih baik dari pada metode pembelajaran lainnya. Salah satu kelemahan dari metode ELM adalah jumlah hidden nodes ditentukan dengan cara try and error, sehingga tidak bisa diketahui berapa jumlah hidden nodes yang tepat untuk
mendapatkan hasil peramalan menggunakan metode ELM. Untuk mengatasi masalah tersebut digunakan metode optimasi Particle Swarm Optimization untuk mencari jumlah hidden nodes yang optimal. Data yang digunakan untuk keperluan analisis adalah data time series penjualan barang salah satu minimarket di Bali. Hasil peramalan akan diukur mengunggunakan Mean Square Error (MSE) dengan data uji yang sama. Hasil penelitian menunjukkan metode PSO dapat diterapkan pada metode ELM untuk mengoptimasi jumlah hidden nodes. MSE yang dihasilkan oleh metode PSO ELM lebih kecil dibanding metode ELM. Selain itu range error yang dihasilkan oleh metode PSO ELM juga lebih kecil dibanding metode ELM.
ix ABSTRACT
OPTIMASI JUMLAH HIDDEN NODES EXTREME
LEARNING MACHINE MENGGUNAKAN
METODE PARTICLE SWARM OPTIMIZATION UNTUK PERAMALAN JUMLAH PENJUALAN BARANG
Extreme learning machine ( ELM ) is one of the learning methods from an artificial neural network that gives the level of accuracy and speed the best of to the others. One of the weakness of the ELM is the number of hidden nodes determined by means of try and error, so it can’t be known how many hidden nodes to get the exact results of forecasting using ELM. To solve the problem, used Particle Swarm Optimization (PSO) method to find the optimal number of hidden nodes. The data that used for the analysis of time series are selling goods one of minimart in Bali. Forecasting results will be measured using Mean Square Error (MSE) with the same test data. The research results showing PSO method can applied to the ELM method to optimize the numbers of hidden nodes. MSE produced by the PSO ELM method is smaller than ELM method. Range error produce by the ELM PSO method is also smaller than ELM method.
x DAFTAR ISI
SAMPUL DALAM ... Error! Bookmark not defined. PRASYARAT GELAR ... Error! Bookmark not defined.
LEMBAR PERSETUJUAN... iii
PENETAPAN PANITIAN PENGUJI ... iv
PERSYARATAN KEASLIAN PENLEITLIAN ... v
UCAPAN TERIMA KASIH ... vi
ABSTRAK ... viii
ABSTRACT ... ix
DAFTAR ISI ... x
DAFTAR GAMBAR ... xiii
DAFTAR TABEL ... xiv
DAFTAR ISTILAH DAN SINGKATAN ... xv
BAB I ... 1
1.6. Kebaharuan Penelitian ... 5
BAB II ... 9
LANDASAN TEORI ... 9
2.1. State of The Art ... 9
2.2. Persediaan ... 11
2.1.1. Fungsi persediaan ... 12
2.2. Peramalan ... 12
2.2.1. Peranan dan Kegunaan Peramalan ... 13
2.2.2. Jenis Peramalan ... 14
2.3. Artificial Neural Network ... 14
xi
2.3.2. Fungsi Aktivasi ... 17
2.3.3. Arsitektur Jaringan ... 18
2.3.4. Proses Belajar ... 20
2.3.5. Extreme Learning Machine ... 21
2.4. Particle Swarm Optimization ... 23
2.5. Akurasi Peramalan ... 26
2.6. MATLAB (Matrix Laboratory) ... 26
2.6.1. Lingkungan Kerja MATLAB ... 27
2.6.2. Menu MATLAB ... 27
2.6.3. Aplikasi M-File ... 28
BAB III ... 29
METODE PENELITIAN ... 29
3.1. Rancangan Penetian ... 29
3.2. Objek Penelitian ... 30
3.3. Sumber Data ... 30
3.4. Instrumen Penelitian ... 30
3.5. Teknik Pengumpulan Data ... 31
3.6. Analisis Sistem ... 32
3.7. Penyajian Hasil Analisis ... 36
3.8. Jadwal Penelitian ... 37
BAB IV ... 38
HASIL DAN PEMBAHASAN ... 38
4.1. Aplikasi Peramalan ... 38
4.2. Pengujian Akurasi ... 42
4.2.1. Pengujian menggunakan 20 partikel ... 42
4.2.2. Pengujian menggunakan 21 partikel ... 44
4.2.3. Pengujian menggunakan 22 partikel ... 45
4.2.4. Pengujian menggunakan 23 partikel ... 46
4.2.5. Pengujian menggunakan 24 partikel ... 48
4.2.6. Pengujian menggunakan 25 partikel ... 49
4.2.7. Pengujian menggunakan 26 partikel ... 50
4.2.8. Pengujian menggunakan 27 partikel ... 52
4.2.9. Pengujian menggunakan 28 partikel ... 53
xii
4.2.11. Pengujian menggunakan 30 partikel ... 56
4.3. Perbandingan MSE Metode PSO-ELM dan ELM ... 57
4.4. Waktu Proses Metode PSO-ELM ... 58
BAB V ... 60
KESIMPULAN DAN SARAN ... 60
5.1. Kesimpulan ... 60
5.2. Saran ... 60
xiii
DAFTAR GAMBAR
Gambar 1.1. Fishbone Diagram Peramalan ... 8
Gambar 2.1. Model Neuron (Haykin, 1999) ... 17
Gambar 2.2. Feedfordward Network dengan satu lapisan neuron tunggal ... 19
Gambar 2.3. Multi layer feedforward networks ... 19
Gambar 2.4. Recurent Network ... 20
Gambar 2.5. Arsitektur ELM ... 22
Gambar 2.6. Form Utama MATLAB ... 27
Gambar 2. 7. Menu MATLAB ... 28
Gambar 2. 8. Contoh M-File. ... 28
Gambar 3.1. Proses Peramalan Menggunakan Metode PSO-ELM. ... 32
Gambar 3.2. Subproses PSO-ELM. ... 34
Gambar 3.3. Pengujian PSO-ELM. ... 36
Gambar 4.1. Input data dan parameter. ... 38
Gambar 4.2. Data peramalan pada matlab. ... 39
Gambar 4.3. Proses pencarian akurasi minimum PSO. ... 39
Gambar 4.4. Grafik hasil peramalan penjulan menggunakan metode PSO-ELM. 40 Gambar 4.5. Grafik hasil peramalan penjualan barang menggunakan metode ELM. ... 41
Gambar 4.6. Output Peramalan Penjualan Barang PSO-ELM dan ELM. ... 42
Gambar 4.7. Grafik MSE menggunakan jumlah partikel 20. ... 43
Gambar 4.8. Grafik MSE menggunakan jumlah partikel 21. ... 44
Gambar 4.9. Grafik MSE menggunakan jumlah partikel 22. ... 46
Gambar 4.10. Grafik MSE menggunakan jumlah partikel 23. ... 47
Gambar 4.11. Grafik MSE menggunakan jumlah partikel 24. ... 48
Gambar 4.12. Grafik MSE menggunakan jumlah partikel 25. ... 50
Gambar 4.13. Grafik MSE menggunakan jumlah partikel 26. ... 51
Gambar 4.14. Grafik MSE menggunakan jumlah partikel 27. ... 52
Gambar 4.15. Grafik MSE menggunakan jumlah partikel 28. ... 54
Gambar 4.16. Grafik MSE menggunakan jumlah partikel 29. ... 55
xiv
DAFTAR TABEL
Tabel 1.1. Penelitian Mengenai Peramalan ... 6
Tabel 3.2. Rancangan Jadwal Penelitian. ... 37
Tabel 4.1. Hasil MSE menggunakan jumlah partikel 20. ... 43
Tabel 4.2. Hasil MSE menggunakan jumlah partikel 21. ... 44
Tabel 4.3. Pengujian menggunakan jumlah partikel 22. ... 45
Tabel 4.4. Hasil MSE menggunakan jumlah partikel 23. ... 47
Tabel 4.5. Hasil MSE menggunakan jumlah partikel 24. ... 48
Tabel 4.6. Hasil MSE menggunakan jumlah partikel 25. ... 49
Tabel 4.7 Hasil MSE menggunakan jumlah partikel 26. ... 51
Tabel 4.8. Hasil MSE menggunakan jumlah partikel 27. ... 52
Tabel 4.9. Hasil MSE menggunakan jumlah partikel 28. ... 53
Tabel 4.10. Hasil MSE menggunakan jumlah partikel 29. ... 55
Tabel 4.11. Hasil MSE menggunakan jumlah partikel 30. ... 56
Tabel 4.12. Perbandingan Hasil Metode PSO-ELM dan ELM ... 57
Tabel 4. 13. Spesifikasi Perangkat Pengujian ... 58
xv
DAFTAR ISTILAH DAN SINGKATAN
AG : Algoritma Genetika ANN : Artificial Neural Network ELM : Extreme Learning Machine MATLAB : Matrix Laboratory
MSE : Mean Square Error
PSO : Particle Swarm Optimization
1 BAB I
PENDAHULUAN
1.1. Pendahuluan
Kemunculan minimarket yang begitu banyak membuat manajemen
perusahaan minimarket harus berfikir kreatif agar dapat bersaing dengan usaha
sejenis dalam merebut pangsa pasar. Salah satu cara untuk merebut pangsa pasar
adalah dengan menyediakan barang yang diperlukan oleh konsumen. Pengelolaan
sebuah minimarket diperlukan untuk menjaga persediaan barang-barang tetap
tersedia karena persediaan barang merupakan bagian yang sangat penting dalam
perkembangan sebuah minimarket. Jumlah persediaan sangat erat kaitannya
dengan berapa target penjualan pada setiap barang yang dijual. Dapat
dibayangkan, apabila pemilik minimarket tidak mengetahui kapan ia harus
memesan barang atau bahkan tidak tahu berapa barang yang harus dipesan agar
dapat menjaga jumlah persediaan di minimarket. Pemilik minimarket bisa saja
memesan banyak barang untuk disimpan pada minimarketnya, namun yang perlu
diperhatikan adalah jika barang yang dipesan terlalu banyak dan penjualan yang
terjadi sedikit, maka barang yang tersimpan pada minimarket dapat menyebabkan
kerugian terhadap pemilik minimarket. Pengelola minimarket harus dapat
mengetahui berapa jumlah minimal dan maksimal barang agar persediaan barang
di minimarket menjadi optimal. Jumlah minimal dan jumlah maksimal barang
2
Sebuah metode peramalan diperlukan agar dapat menentukan jumlah penjualan
periode selanjutnya.
Pengelolaan barang yang terdapat pada minimarket saat ini telah
digunakan sistem yang dapat mengatur jumlah minimum dan maksimum barang
untuk setiap minimarket. Metode peramalan yang digunakan dalam menentukan
jumlah penjualan barang periode selanjutnya untuk setiap minimarket adalah
moving average. Hasil peramalan yang didapat dari metode tersebut tidak dapat
terjamin karena pola data yang terdapat pada bidang retail adalah pola data non
stasioner (Kochak and Sharma, 2015). Suatu metode dibutuhkan untuk dapat
meramalkan perilaku data non stasioner agar dapat mengurangi kesalahan yang
terjadi.
Beberapa penelitian mengenai peramalan telah dilakukan, contohnya
pada tahun 2015 Ashvin Kochak melakukan penelitian menggunakan metode
Artificial Neural Network (ANN) untuk meramalkan permintaan dan penjualan
barang pada Supply Chain Management. Pada peneltian ini disebutkan beberapa
metode peramalan misalnya Moving Average, Eksponential Smoothing, Box
Jenkins, Regresi, dan Econometric. Kelemahan dari metode-metode tersebut
adalah susah untuk mengidentifikasi pola data non stasioner. Metode ANN
digunakan untuk mengataasi masalah yang terdapat pada beberapa algoritma
diatas. Hasil dari penelitian ini dapat dikatakan bahwa metode ANN
menghasilkan akurasi yang lebih baik dari beberapa algoritma yang disebutkan
3
Penelitian yang dilakukan oleh Rachmat Hidayat dan Suprato
menyebutkan penggunaan metode pembelajaran Extreme Learning Machine
(ELM)pada ANNmemberikan tingkat akurasi dan kecepatan yang lebih baik dari
pada metode pembelajaran lainya (Hidayat and Suprapto, 2012).
Untuk mendapatkan hasil yang lebih optimal metode peramalan dapat
digabungkan dengan beberapa algoritma optimasi misalnya Genetic Algorithm,
Particle Swarm Optimization, atau Ant Colony. Seperti penelitian yang dilakukan
oleh Joko S. Dwi Raharjo pada tahun 2013, yaitu menggabungkan metode PSO
dan metode ANN Backpropagation untuk peramalan inflasi bulanan Indonesia
dari bulan Januari 1979 sampai dengan bulan Mei 2011. Pada penelitian ini
didapatkan hasil penggabungan metode PSO dan ANN memberikan hasil yang
lebih akurat dari pada metode ANN (Raharjo, J.S.D., 2013).
Berdasarkan latar belakang dan beberapa penelitian sebelumnya maka
penulis melalui penelitian ini mengusulkan metode ELMuntuk peramalan jumlah
penjualan barang yang dioptimasi dengan metode Particle Swarm Optimization
(PSO).
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas, maka dapat dirumuskan masalah dari
penelitian ini adalah sebagai berikut :
1) Bagaimana proses optimasi jumlah hidden nodes ELM menggunakan metode
4
2) Berapa besar akurasi peramalan menggunakan metode ELM yang dioptimasi
menggunakan metode PSO, jika dibandingkan dengan tanpa menggunakan
metode optimasi particle swarm optimization. Kedua metode tersebut akan
diuji menggunakan data uji yang sama.
1.3. Batasan Masalah
Batasan-batasan yang perlu diberlakukan pada penelitian ini adalah
sebagai berikut :
1) Optimasi jumlah hidden nodes pada ELMmenggunakan metode PSO dengan
studi kasus peramalan penjualan barang di salah satu minimarket di Bali.
2) Pengujian hasil akan dibandingkan dengan hasil peramalan tanpa
meng-gunakan metode optimasi PSO.
1.4. Tujuan Penelitian
Dengan menggabungkan metode ELM dan PSO, akan didapatkan jumlah
hidden nodes yang optimal sehingga diharapkan menghasilkan hasil peramalan
yang lebih akurat dibanding metode ELM tanpa menggunakan metode optimasi.
1.5. Manfaat Penelitian
1.5.1. Manfaat Akademis
Memberikan pengetahuan bagi penulis dan peneliti lain mengenai proses
serta akurasi peramalan menggunakan metode ELM yang dioptimasi
menggunakan metode PSO dan metode peramalan ELM tanpa dioptimasi
5
1.5.2. Manfaat Praktis
Mendapatkan jumlah hidden nodes yang optimal, sehingga nantinya
dapat menghasilkan hasil peramalan yang lebih akurat dan hasil peramalan
tersebut dapat dimanfaatkan oleh pengelola gudang untuk mengatur transfer
barang ke minimarket maupun pemesanan barang ke gudang.
1.6. Kebaharuan Penelitian
Penelitian mengenai peramalan telah dilakukan menggunakan berbagai
macam metode. Mulai dari metode klasik dan metode modern seperti soft
computing. Penelitian-penelitian tersebut dilakukan untuk mendapatkan nilai error
yang rendah namun tidak mengesampingkan kecepatan dari metode tersebut.
Tabel 1.1 menunjukkan beberapa penelitian yang telah dilakukan mengenai
peramalan dan Gambar 1.1 merupakan fishbone diagram dari penelitian yang
6
Tabel 1.1. Penelitian Mengenai Peramalan
Metode
PSO-Based High Order Time Invariant Fuzzy Time
Series Method : Application to Stock Exchange Data Erol Egrioglu 2014 √ √ Demand Forcasting Using Neural Network For
Supply Chain Managemnt Ashvin Kochak, Suman Sharma 2015 √
A Study of Using Back Propagation Neural Network for the Sales Forecasting of the Thin Film Sputtering Process Material
Tian Syung Lan, dkk 2012
√
Pelatihan Feed Forward Neural Network
Menggunakan Algoritma Genetika Dengan Metode Seleksi Turnamen Untuk Data Time Series
David Yuliandar, dkk 2012
√ √
Forecasting Tourism Demad By Fuzzy Time Series
Models Kun-Huang Huarng, dkk 2012 √ Model Artificial Neural Network Berbasis Particle
Swarm Optimization untuk prediksi laju inflasi. Joko S. Dwi Raharjo 2013 √ √
Aplication Of Short Term Load Forecasting On Special Days Using Interval Type-2 Fuzzy Inference systems : Study Case In Bali Indonesia
Agus Dharma, dkk. 2013
√
Minimalisasi Nilai Error Peramalan Dengan
7
Metode
Judul Pengarang Tahun OPTIMASI ANN Fuzzy Time
Series
Fuzzy Type-2
PSO GA BP FF ELM
Optimasi Jumlah Hidden Layer Extreme Learning Machine Menggunakan Metode Particle Swarm Optimization Untuk Peramalan Jumlah Penjualan Barang
I Putu Susila Handika 2015
9 BAB II
LANDASAN TEORI
2.1. State of The Art
Beberapa penelitian yang telah dilakukan sebelumnya terkait dengan
judul yang diangkat adalah :
Tian Syung Lan, dkk. melakukan menggunakan metode Neural Network
Back Propagation untuk meramal penjualan material untuk proses sputtering film.
Hasil dari penelitian yang dilakukan, didapat metode Neural Network Back
Propagataion sangat akurat dalam meramalkan penjualan material. Dengan
menggunakan metode ini, persahaan dapat mencegah peningkatan biaya yang
disebankan oleh import yang berlebihan dan juga mengurangi kehilangan order
yang disebabkan oleh kekurangan bahan (Lan dkk., 2012).
Dalam penelitian yang dilakukan oleh David Yuliandar, dkk dikatakan
bahwa penggunaan Artificial Neural Network (ANN) dalam peramalan time series
dapat menjadi solusi yang baik, algoritma ANN memiliki kelemahan yaitu pada
saat pemilihan metode pelatihan yang tepat. Salah satu pilihan yang tepat adalah
dengan menggunakan Algoritma Genetika (AG). Data yang digunakan dalam
penelitian ini adalah nilai tukar mata uang Dolar Australia (AUD) terhadap rupiah
periode 3 Januari 2011 sampai 29 Januari 2012. Hasil dari penelitian tersebut
adalah Algoritma Genetika dapat memberikan bobot yang optimum untuk melatih
jaringan Feed Forward Neural Network (Yuliandar dkk., 2012).
Kun-Huang Huarng, dkk. pada tahun 2012, melakukan penelitian
10
meramal kedatangan turis di Taiwan. Hasil dari penelitian ini dibandingkan
dengan penelitian yang dilakukan oleh Chen pada tahun 1996 yang menggunakan
Algoritma Fuzzy Time Series dan Huarng pada tahun 2007 yang menggunakan
metode yang sama dengan penelitian ini yaitu Neural Network based Fuzzy Time
Series, namun hanya menggunakan derajat keanggotaan maksimal. Dalam
penelitian ini digunakan beberapa derajat keanggotaan dan menghasilkan hasil
peramalan yang lebih baik dari pada kedua penelitian tersebut (Kun-Huang
Huarng dkk., 2012).
Agus Dharma, dkk. dalam penelitiannya tentang peramalan penggunaan
listrik pada hari spesial di Bali menggunakan metode Fuzzy Type-2. Pada
penelitian tersebut didapatkan penggunaan metode fuzzy type-2 memberikan hasil
peramalan yang lebih akurat dari pada penggunaan metode fuzzy yang lain
(Dharma dkk., 2013).
Penelitian yang menggabungkan metode Particle Swarm Optimization
dan metode Neural Network pernah dilakukan oleh Joko S. Dwi Raharjo pada
tahun 2013 prediksi laju inflasi. Hasil yang didapat pada penelitian tersebut adalah
penerapan model PSO-ANN dalam prediksi laju inflasi memberikan hasil yang
lebih baik dari pada menggunakan metode ANN. Data yang yang digunakan pada
penelitian ini berjumlah 147 eksperimen yang terbagi dalam empat variasi jumlah
neuron pada satu hidden layer (Raharjo, 2013).
Penelitian yang dilakukan oleh Erol Egrioglu menggabungkan dua
algoritma yaitu algoritma Fuzzy Time Series dan Algoritma Particle Swarm
11
Series digunakan untuk mencari data periode selanjutnya, sedangkan PSO
digunakan untuk mengoptimasi proses pada tahap menentukan relasi fuzzy.
Dengan mengoptimasi Algoritma Fuzzy Time Series menggunakan Algoritma
PSO, didapat peningkatan performa peramalan. Penggabungan dua metode ini
dapat menghasilkan peramalan yang lebih baik dari pada metode yang lain yang
disebutkan dalam literatur yang terdapat pada penelitian ini. Metode tersebut
antara lain Fuzzy Logic Group Relation Tables, ANN, Fuzzy Relation Matrices,
PSO dan Genetic Algorithm (Egrioglu, 2014).
Ashvin Kochak, Suman Sharma tahun 2015 mempublikasikan
penelitianya yang membahas beberapa metode peramalan misalnya moving
average, exponential smoothing, box jenkins, regresi dan model econometric.
Metode tersebut memiliki akurasi yang baik namun, masih memiliki kelemahan
yaitu akurasi dapat terjamin jika data yang dimiliki sangat besar dan Susah
mengidentifikasi pola non-linier. Dengan menggunakan Algoritma ANN masalah
yang terdapat pada beberapa algoritma diatas dapat diatasi. Hasil dari penelitian
ini adalah algortima neural network menghasilkan akurasi yang lebih baik dari
beberapa algoritma yang disebutkan sebelumnya (Kochak and Sharma, 2015).
2.2. Persediaan
Persediaan adalah suatu aktiva yang meliputi barang-barang milik
perusahaan dengan maksud untuk dijual dalam satu periode usaha yang nomal,
termasuk barang yang dalam pengerjaan atau proses produksi menunggu masa
12
Sedangkan menurut Edi Herjanto (2008) bahan atau barang yang
disimpan dan akan digunakan untuk memenuhi tujuan tertentu, misalnya
digunakan dalam proses produksi atau perakitan, untuk dijual kembali, atau untuk
suku cadang dari suatu alat atau mesin (Herjanto, 2008).
2.1.1. Fungsi persediaan
Menurut Tamodia (Tamodia, 2013) persediaan memiliki beberapa fungsi
sebagai berikut.
1) Mengantisipasi permintaan yang terjadi.
2) Menyeimbangkan produksi dengan distribusi.
3) Memperoleh keuntungan dari potongan kuantitas.
4) Hadging dari inflasi dan perubahan harga.
5) Menghindari kekurangan persediaan yang dapat terjadi karena cuaca,
kekurangan pasokan, mutu, dan ketidak tepatan pengirman.
6) Menjaga kelangsungan operasi dengan cara persediaan dalam proses.
2.2. Peramalan
Menurut Makridakis (2008) peramalan (forecasting) yaitu prediksi
nilai-nilai sebuah peubah berdasarkan kepada nilai-nilai yang diketahui dari peubah tersebut
atau peubah yang berhubungan. Meramal juga dapat didasarkan pada keahlian
keputusan (jugement), yang pada gilirannya didasarkan pada data historis dan
pengalaman (Makridakis dkk., 2008).
Sedangkan pengertian menurut Eddy Herjanto (2008) mendefinisikan :
13
pada pertimbangan intuisi, dalam prediksi juga sering digunakan data kuantitatif
sebagai pelengkap informasi dalam melakukan peramalan”. Sedangkan prakiraan
didefinisikan sebagai proses peramalan (kejadian) di masa datang dengan
ber-dasarkan data variable di masa sebelumnya.
2.2.1. Peranan dan Kegunaan Peramalan
Beberapa organisasi menganggap peramalan sangat penting karena
hal-hal berikut ini (Makridakis dkk., 2008):
1) Penjadwalan
Penggunaan sumber daya yang efisien memerlukan penjadwalan produksi,
transportasi, kas, personalia dan sebagainya.
2) Penyediaan sumber daya tambahan
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima
pekerja baru, atau membeli mesin peralatan dapat berkisar antara beberapa
hari sampai beberapa tahun. Peramalan diperlukan untuk menentukan
kebutuhan sumber daya di masa mendatang.
3) Penentuan sumber daya yang diinginkan
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki
dalam jangka panjang. Keputusan semacam itu bergantung pada
kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal
14
penentuan memerlukan ramalan yang baik dan manajer dapat menafsirkan
perkiraan serta membuat keputusan yang tepat.
2.2.2. Jenis Peramalan
Menurut Edy Haryanto (2008) berdasarkan horizon waktu, peramalan
dapat dikelompokkan dalam tiga bagian, yaitu (Herjanto, 2008):
1) Peramalan jangka panjang, yaitu peramalan yang mencakup waktu yang
lebih dari 18 bulan. Misalnya peramalan yang diperlukan dalam kaitannya
dengan penanaman modal, perencanaan fasilitas, dan perencanaan untuk
kegiatan litbang.
2) Peramalan jangka menengah, mencakup waktu antara 3 sampai 18 bulan.
Misalnya, peramalan untuk penjualan, perencanaan produksi dan
perencanaan tenaga kerja tidak tetap.
3) Peramalan jangka pendek, yaitu jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian
material, penjadwalan kerja dan penugasan karyawan.
2.3. Artificial Neural Network
Artificial Neural Network (ANN) atau Jaringan Saraf Tiruan (JST)
merupakan sebuah metode yang diciptakan atas dasar cara kerja jaringan saraf
manusia untuk memecahkan masalah tertentu. ANN mempunyai struktur yang
besar dan dapat mengubah strukturnya untuk memecahkan masalah berdasarkan
informasi eksternal maupun internal yang mengalir melalui jaringan tersebut
15
Menurut S. Haykin (Haykin, 1999), “Sebuah neural network adalah
prosesor yang terdistribusi paralel, terbuat dari unit-unit yang sederhana, dan
memiliki kemampuan untuk menyimpan pengetahuan yang diperoleh secara
eksperimental dan siap pakai untuk berbagai tujuan”. Jaringan saraf merupakan
suatu mesin yang digunakan untuk memodelkan kerja otak dalam menyelesaikan
suatu permasalahan. Jaringan tersebut disusun dari sekumpulan unit pemroses
yang disebut neuron dan untuk meningkatkan kemampuannya, dilakukan proses
pembelajaran dengan menggunakan suatu algoritma tertentu (learning algortihm)
dimana tujuannya adalah memodifikasi kekuatan hubungan antar neuron (bobot)
dalam jaringan sesuai dengan goal yang telah ditentukan. Keuntungan dari
penggunaan ANN adalah kemampuannya dalam beradaptasi melalui proses
pem-belajaran dan kemampuan generalisasi, dalam artian jaringan saraf mampu
mem-berikan hasil dari input yang tidak diketahui sebelumnya. Beberapa kemampuan
yang dapat diberikan dengan menggunakan ANN menurut S. Haykin (Haykin,
1999) adalah sebagai berikut.
1) Non Linier: Jaringan saraf tiruan dapat menangani masalah baik linier
maupun non linier.
2) Pemetaan input output: Dalam paradigma pembelajaran dengan arahan
(supervised learning), modifikasi bobot disesuaikan dengan ouput yang
diinginkan sebelumnya.
3) Adaptif: Jaringan saraf tiruan memiliki kemampuan untuk mengadaptasai
bobot sinapsisnya sesuai dengan lingkungan. Jaringan saraf tiruan pada
16
dan dapat diajarkan kembali (re-train) untuk melakukan penyesuaian
terhadap lingkungannya.
4) Evidential Response: Dalam konsteks klasifikasi pola, jaringan saraf tiruan
dapat dirancang untuk memberikan informasi tidak hanya tentang pola
yang khusus, tetapi juga kepercayaan (confidence) tentang keputusan yang
dibuat.
5) Contextual Information: Pengetahuan dipresentasikan oleh struktur dan
aktivasi dari jaringan saraf. Setiap dalam jaringan berpotensi dipengaruhi
oleh aktivasi global semua neuron lain dalam jaringan. Akibatnya,
informasi konstektual ditangani secara alami oleh saraf.
6) VLSI Implementability: Jaringan saraf tiruan memiliki sifat dasar yaitu
parallel yang membuatnya berpotensi untuk menyelesaikan
masalah-masalah tertentu dengan cepat.
7) Neurobiological Analogy: Rancangan jaringan saraf tiruan yang
mengadopsi otak manusia merupakan bukti nyata bahwa toleransi terhadap
kesalahan pada pemrosesan paralel tidak hanya mungkin, tetapi juga cepat
dan kuat.
2.3.1. Model Sel Syaraf
Dalam operasi ANN, didasari oleh pemrosesan informasi yang sering
disebut dengan sel syaraf atau neuron. Terdapat tiga model elemen dasar pada
17
Gambar 2.1. Model Neuron (Haykin, 1999)
1) Sinapsis, koneksi antar neuron dimana direpresentasikan dengan suatu
bobot untuk menunjukkan kekuatan dari koneksi tersebut.
2) Penjumlahan, yang berfungsi untuk menjumlahkan sinyal masukan.
3) Setiap neuron menerapkan fungsi aktivasi terhadap jumlah dari perkalian
antara sinyal input dengan bobot neuron sebelumnya, untuk menentukan
nilai output. Fungsi aktivasi ini pada umumnya membatasi nilai output dari
neuron.
2.3.2. Fungsi Aktivasi
Fungsi aktivasi dipakai untuk menentukan keluaran suatu neuron,
yaitu merupakan fungsi yang mengGambarkan hubungan antara tingkat aktivasi
internal (summation function) yang mungkin berbentuk linier atau nonlinier. Ada
beberapa macam fungsi aktivasi yang biasanya digunakan dalam ANN,
18
1. Threshold function
(1)
2. Piecewise-linear function
(2)
3. Sigmoid function
(3)
2.3.3. Arsitektur Jaringan
Arsitektur jaringan merupakan pola yang mengGambarkan hubungan
antara neuron-neuron pada ANN yang digunakan untuk melakukan pelatihan.
Secara umum ada beberapa arsitektur pada ANN (Suyanto, 2014) :
1) Single Layer Feedforward Networks
Single Layer Feefforward Networks merupakan arsitektur jaringan yang
paling sederhana. Pada jaringan ini hanya terdapat input layer kemudian
langsung menuju output tanpa melewati lapisan tersembunyi. Gambar 2.2
19
Gambar 2.2. Feedfordward Network dengan satu lapisan neuron tunggal (Suyanto, 2014).
2) Multi Layer Feedforward Networks
Multi layer feedforward networks adalah jaringan dengan satu atau lebih
lapisan tersembunyi (hidden layer). Hidden layer ini terletak diantara input
layer dan output. Multi layer feedforward networks dapat memecahkan
masalah yang lebih kompleks dari pada berlapis tunggal, namun pada
pelatihannya akan lebih sulit (Haykin, 1999).
Gambar 2.3. Multi layer feedforward networks (Suyanto, 2014).
Gambar 2.3 menunjukkan contoh jaringan Multi layer feedforward
20
3) Recurrent Networks
Recurrent Networks merupakan jaringan yang memiliki minimal satu
feedback loop. Jaringan ini mirip dengan single layer maupun multi layer.
Hanya saja, pada jaringan ini terdapat simpul keluaran yang memberikan
sinyal pada input. Contoh recurrent network ditunjukkan pada Gambar
Gambar 2.4.
Gambar 2.4. Recurent Network(Sani, 2014).
2.3.4. Proses Belajar
Menurut Suyanto (2014), proses belajar pada ANN adalah suatu proses
dimana parameter-parameter bebas ANN diadaptasikan melalui suatu proses
perangsangan berkelanjutan oleh lingkungan dimana jaringan berada. Jenis belajar
ditentukan oleh pola dimana pengubahan parameter dilakukan. Terdapat dua jenis
pembelajaran pada ANN yang dikenal yaitu (Suyanto, 2014) :
1) Supervised Learning
Supervised Learning merupakan proses pembelajaran yang membutuhkan
21
yang memiliki pengetahuan. Misalnya pembelajaran menggunakan data
yang telah ada.
2) Unsupervised Learning
Berbeda dengan supervised learning, unsupervised learning tidak
memerlukan guru dalam pembelajaran. Dengan kata lain proses
pem-belajaran tidak menggunakan data yang telah ada.
2.3.5. Extreme Learning Machine
Extreme Learning Machine (ELM) adalah sebuah metode pembelajaran
yang baru dari ANN yang menggunakan arsitektur single hidden layer
feedforward. Pembuatan metode ini bertujuan untuk mengatasi permasalahan dari
metode ANN terutama dalam hal learning speed. Parameter-parameter pada
metode ELM seperti input weight dan hidden bias dipilih secara random, sehingga
ELM memiliki learning speed yang cepat dan mampu menghasilkan performa
generalisasi yang baik. Berbeda dari ANN Feedforward, matode ELM memiliki
model matematis yang lebih sederhana dan efektif.
(4)
(5)
Secara umum fungsi matermatis untuk Single Hidden Layer Feedforward
Neural Networks (SLFNs) dengan jumlah hidden nodes sebanyak N dan
activation function (x) ditunjukkan pada Persamaan 6 (Hidayat and Suprapto,
22
(6)
Keterangan
= vektor dari weight yang menghubungkan th
hidden nodes dan input nodes.
= weight vector yang menghubungkan th hidden
dan output nodes.
threshold dari th hidden nodes.
= inner produk dari dan .
Arsitektur sederhana metode ELM ditunjukkan pada Gambar Gambar
2.5.
Gambar 2.5. Arsitektur ELM (Hidayat and Suprapto, 2012).
Langkah-langkah yang dilakukan untuk menghitung menggunakan
metode ELM adalah sebagai berikut (Fardani dkk., 2015) :
1) Tentukan bobot dan nilai bias secara random.
23
(7)
3) Hitung bobot akhir dari hidden layer menggunakan fungsi
(8)
merupakan matriks Moore-Penrose Generalized Invers dari matriks H.
Sedangkan matriks H merupakan matriks yang tersusun dari ouput
masing-masing hidden layer. Sedangkan T merupakan matriks target.
4) Menghitung semua keluaran di unit output dengan menggunakan
persamaan
(9)
2.4. Particle Swarm Optimization
Particle Swarm Optimization atau disingkat PSO, merupakan sebuah
metode optimasi yang didasarkan pada perilaku sebuah kawanan serangga
misalnya semut, rayap, lebah atau burung. Suatu partikel dalam ruang memiliki
posisi dan setiap posisi dalam ruang pencarian merupakan alternatif solusi yang
dapat dievaluasi menggunakan fungsi objektif. Setiap partikel dapat
menyesuaikan posisi dan kecepatan masing-masing dengan cara setiap partikel
menyampaikan informasi terbaiknya kepada partikel yang lain (Wati and
Rochman, 2013). Sebagai contoh perilaku yang diadopsi oleh metode ini adalah
perilaku burung yang mempunyai keterbatasan dalam hal kecerdasan, namun
burung-burung tersebut akan mengikuti kebiasaan (rule) seperti berikut (Santosa
and Willy, 2011).
24
2) Burung tersebut akan mengarahkan terbangnya ke arah rata-rata
ke-seluruhan burung.
3) Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan
menjaga sehingga jarak antar burung dalam kawanan itu tidak terlalu jauh.
Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari
3 faktor simpel berikut :
1) Kohesi : terbang bersama
2) Separasi : Jangan terlalu dekat
3) Penyesuaian : mengikuti arah bersama.
Jadi PSO dikembangkan dengan berdasarkan pada model berikut :
1) Ketika seekor burung mendekati target atau makanan (atau bisa minimum
atau maximum suatu fungsi tujuan) secara cepat mengirim informasi
kepada burung-burung yang lain dalam kawanan tertentu
2) Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak
secara langsung
3) Ada komponen yang tergantung pada pikiran seekor burung, yaitu
memorinya tentang apa yang sudah dilewati pada waktu sebelumnya.
Secara matematika formulasi dari metode PSO yang mengGambarkan
posisi dan kecepatan partikel suatu ruang dimensi adalah sebagai berikut (Santosa
and Willy, 2011) :
(10)
25
Model matematika metode PSO yang menggabarkan status partikel
adalah sebagai berikut (Santosa and Willy, 2011):
(12)
(13)
Keterangan :
merepresentasikan local best dari partikel ke-i.
merepresentasikan global best dari seluruh kawanan.
= konstanta yang bernilai positif yang biasanya disebut sebagai learning
factor.
= suatu bilangan random yang bernilai antara 0 – 1.
Langkah-langkah yang dilakukan untuk menghitung menggunakan
metode PSO adalah sebagai berikut (Santosa and Willy, 2011):
1) Inisialisasi posisi awal partikel secara random.
2) Hitung nilai fitness dari setiap partikel.
3) Tentukan nilai fitness terbaik, dan tetapkan sebagai Gbest.
4) Hitung kecepatan setiap partikel menggunakan persamaan 12. Dan hitung
26
5) Evaluasi nilai fitness dari setiap partikel menggunakan posisi yang baru.
6) Jika kondisi belum terpenuhi, maka ulangi ke langkah 4.
2.5. Akurasi Peramalan
Untuk menghitung akurasi peramalan digunakan metode MSE (Mean
Square Error) yang merupakan ukuran ketepatan sebuah metode peramalan. MSE
merupakan rata-rata error kuadrat dari untuk setiap data. Rumus MSE dapat
dilihat pada persamaan 14 (Makridakis dkk., 2008).
(14)
Keterangan :
e = Error peramalan.
n = Jumlah data.
= Data nyata ke i.
= Data hasil peramalan ke i.
2.6. MATLAB (Matrix Laboratory)
Menurut Gunaidi (Abdia Away, 2014), Matlab merupakan bahasa
pemrograman level tinggi yang dikhususkan untuk komputasi teknis. Matlab
dikembangkan oleh MathWorks, yang pada awalnya dikembangkan untuk
memberikan kemudahan mengakses data matrik pada proyek LINPACK da
27
2.6.1. Lingkungan Kerja MATLAB
MATLAB mempunyai lingkungan kerja yang sangat mendukung dalam
membangun sebuah aplikasi. Lingkungan kerja MATLAB akan semakin lengkap
seiring dengan versi dari MATLAB tersebut. Form utama dari MATLAB
ditunjukkan pada Gambar Gambar 2.6 (Abdia Away, 2014).
Gambar 2.6. Form Utama MATLAB
2.6.2. Menu MATLAB
Menu MATLAB berfungsi sebagai shorcut bagi pengguna untuk
menggunakan perintah-perintah umum MATLAB. Seperti membuat kode
program atau file M baru, menjalankan dan menghitung waktu proses (Run and
Time), mengatur tata letak form (Layout), mengatur konfigurasi umum
(Preferences) dan mengatur pencarian direktori. Tampilan menu pada matlab
28
Gambar 2. 7. Menu MATLAB
2.6.3. Aplikasi M-File
M-file merupakan sebuah code yang dipeceah kedalam file yang lebih
sederhana. Semua code termasuk code callback dimasukkan ke dalam code
aplikasi M-File. Kelebihan dari M-file adalah kemudahan untuk mengevaluasi
perintah secara keseluruhan. Terutama untuk program yang membutuhkan waktu
lama serta code yang cukup panjang (Abdia Away, 2014). Contoh M-file
ditunjukkan pada Gambar Gambar 2. 8 (Abdia Away, 2014).