PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI
MENGGUNAKAN BACK PROPAGATION
SKRIPSI
M HERRI MUSTAQIM HSB
101402089
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGATION
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi
M HERRI MUSTAQIM HSB 101402089
PROGRAM STUDI TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PREDIKSI PENJUALAN PADA PERUSAHAAN
INDUSTRI MENGGUNAKAN BACK PROPAGSTION
Kategori : SKRIPSI
Nama : M HERRI MUSTAQIM HSB
Nomor Induk Mahasiswa : 101402089
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
(FASILKOMTI) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, Januari 2015
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Dr. Syahril Efendi, S.Si, M.IT Dr. Erna Budhiarti Nababan, MIT
iii
MENGGUNAKAN METODE BACKPROPAGATION
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juari 2015
M Herri Mustaqim HSB 101402089
Puji dan syuur penulis panjakat atas kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat utama memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara. Ucapan terima kasih penulis sampaikan kepada:
1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer Dan Teknologi Informasi Universitas Sumatera Utara
2. Ucapan terima kasih kepada ketua dan seketaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar, ST, M.IT dan M.Fadly Syahputra, B.Sc, M.Sc.IT.
3. Ucapan terima kasih kepada pembimbing satu ibu Dr.Erna Budhiarti Nababan, M.IT dan kepada bapak Bapak Syahril Efendi, S.Si, M.IT selaku pembimbing dua yang telah meluangkan waktu serta pikiranya untuk memotivasi dan memberikan kritik dan saran membangun kepada penulis.
4. Ucapan terima kasih kepada bapak Muhammad Anggia Muchtar,ST,M.IT selaku dosen pembanding satu dan bapak Romi Fadhillah Rahmat,B.Sc.M.Sc selaku pembanding dua yang telah bersedia sebagai dosen pembanding, semua dosen Teknologi Informasi,Serta seluruh pegawai di Program Studi Teknologi Informasi. 5. Ucapan terima kasih kepada kedua orang tua penulis dan seluruh keluarga penulis
yang telah memberikan motivasi baik spiritual maupun materil, papa Ir.H.Syahrizal Novian Hasibuan dan mama Hj.Hertati Sri Ardiani yang selalu sabar dan tabah membesarkan penulis. Serta ucapa terima kasih kepada adik penulis Utari Nisrina Hasibuan selalu memberikan dorongan kepada penulis
6. Ucapan terima kasih kepada PT.Semen Andalas Indonesia Area yang telah membantu dan membimbing penulis dalam pemberian data penjualan kepada penulis dalam melakukan riset, bapak Ricki Syahputra Sitompul dan bapak Zulkarnain Is.
7. Ucapan Terima kasih kepada seluruh teman-teman angkatan 2010 , teman-teman TA, serta seluruh teman-teman mahasiswa Teknologi Informasi yang tidak dapat disebutkan namanya satu persatu, semoga Allah SWT membalas kebaikan kalian semua dengan nikmat serta kesehatan.
v
ABSTRAK
Prediksi dalam menghitung nilai penjualan dibutuhkan oleh managemen perusahaan industri dalam menentukan kebijakan tentang penjualan terkait penghitungan penjualan perbulan dan penjualan pertahun. Penelitian ini bertujuan untuk menentukan faktor penjualan perbulan, pertahun dari wilayah pemasaran produk yang berpengaruh terhadap penjualan di masa yang akan datang dan membangun model prediksi terbaik dengan teknik jaringan saraf tiruan. Kriteria pilihan model yang digunakan adalah backpropagation. Metode backpropagation menghitung seluruh data sampel yang berjumlah 1344 data, untuk mencari nilai rata-rata penjualan pada masa yang akan datang dari histori data sebelumnya yang dimulai tahun 2006 hingga 2013 dari lima wilayah pemasaran produk yaitu Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. Selain itu juga dihitung nilai rata-rata training dan testing, berdasarkan pembagian nilai rata-rata di dapatkan 1075 data pelatihan atau 80% data keseluruhan dan 269 data pengujian atau 20% data keseluruhan. Dari hasil pengujian yang dilakukan diperoleh tingkat ketepatan terhadap prediksi dalam menggunakan jaringan saraf tiruan backpropagation dengan hasil rata dari 50% hingga 99%.
SALES FORCAST ON INDUSTRIAL COMPANIES USING
BACKPROPAGATION NEURAL NETWORK
ABSTRACT
Predictions for calculating the value of sales required by the management of industrial enterprises in determining the policies of the relevant sales tally monthly sales and sales per year. This study aims to determine the factors of sales per month, per year of marketing areas that affect the sales of products in the future and build the best predictive models with neural network techniques. Criteria for selection model used is backpropagation. Backpropagation method calculates the entire data sample of 1344 data, to look for the average value of sales in the future from previous data history that began in 2006 and 2013 from five regions, namely product marketing Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. It also calculated the average value of training and testing, based on the division of the average value in getting the training data in 1075 or 80% overall data and test data 269 or 20% of the overall data. From the results of tests performed on the prediction accuracy rate obtained using backpropagation neural networks with an average yield of 50% to 99%.
vii 2.5.5 Momentum Terhadap Pengupdatean Nilai bobot 15
2.7 Penlitian terdahulu 16
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 18
3.1 Data yang Digunakan 18
3.2.Analasis Sistem 19
3.3 Use Case Diagram 25
3.3.1 Use Case Specification 25
3.3.2 Use case spesifikasi 28
3.4 Perancangan Aplikasi Antarmuka Pemakai 30
3.4.1 Form Login 31
3.4.3 Halaman Prediksi 32
3.4.4 Halaman Data 33
3.4.5 Halaman Grafik 34
3.4.6 Halaman Logout 35
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 36
ix
DAFTAR TABEL
Hal.
Tabel 2.1 Penelitian Terdahulu 16
Tabel 3.1 Rangkuman Data Penjualan 18
Tabel 3.2 Use Case Specification untuk Use Case Home 26 Tabel 3.3 Use Case Specification untuk Use Case Prediksi 26 Tabel 3.4 Use Case Specification untuk Use Case Login 27 Tabel 3.5 Use Case Specification untuk Use Case Home 28 Tabel 3.6 Use Case Specification untuk Use Case Prediksi 28 Tabel 3.7 Use Case Specification untuk Use Case Login 29 Tabel 3.8 Use Case Specification Untuk Use Case Data 29
Tabel 4.6 Tabel Data OPC normalisasi 45
Tabel 4.7 Tabel Data PCC normalisasi 45
Tabel 4.8 Tabel Data OPC bulk normalisasi 45
DAFTAR GAMBAR
Hal.
Gambar 2.1 Arsitektur dasar jaringan saraf tiruan (sutejo et al, 2011) 9 Gambar 2.2 Jaringan backpropagation dengan lapisan tersembunyi (Puspita, 2006) 10 Gambar 2.3 Alur kerja algoritma tahap pelatihan backpropagation
(sutejo et al, 2011) 10
Gambar 3.1 Grafik pnjualan 18
Gambar 3.2 Flowchat Proses training 22
Gambar 3.3 Flowchat Proses testing 24
Gambar 3.4 Use Case Diagram Penjualan 25
Gambar 3.5 Halaman login 31
Gambar 3.6 Halaman awal (Home) 32
Gambar 3.7 Halaman Prediksi 33
Gambar 3.8 Halaman Data 34
Gambar 3.9 Halaman Grafik 34
Gambar 3.10 Halaman Logout 35
Gambar 4.1 Tampilan Halaman Awal (Home) 37
Gambar 4.2 Tampilan Prediksi 38
Gambar 4.3 Tampilan Data 39
Gambar 4.4 Tampilan Tambah Data 39
Gambar 4.5 Tampilan Grafik 40
Gambar 4.6 Tampilan Grafik Lanjutan 40
Gambar 4.7 Grafik Parameter Penelitian 50
Gambar 4.8 Grafik Prediksi Penjualan 50
Gambar 4.9 Grafik Pelatihan nilai error 67
