PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN MEMANFAATKAN LIBRARY ENCOG JAVA

(1)

PEMBUATAN PERANGKAT LUNAK PERAMALAN MENGGUNAKAN METODE ANN DENGAN

MEMANFAATKAN LIBRARY ENCOG JAVA

Nama : Resa Alfarisi

NRP : 5207100100

Jurusan : Sistem informasi FTIF – ITS Dosen Pembimbing 1 : Wiwik Anggraeni S.Si.,M.Si

(2)

Tujuan Tugas Akhir

• Tujuan dari tugas akhir ini adalah membuat aplikasi peramalan berbasis desktop yang

menggunakan library encog java dan metode

artificial neural network sebagai metode

(3)

Batasan Tugas Akhir

Batasan masalah dari tugas akhir ini adalah sebagai berikut : • aplikasi berbasis desktop

• metode peramalan hanya menggunakan artificial neural

network.

• data yang digunakan diantaranya :

– data permintaan kamar hotel beserta faktor-faktor yang

mempengaruhinya (Anggono, Anggraeni, & Mukhlason, 2011). – data permintaan mobil di Austria beserta faktor-faktor yang

mempengaruhinya (Linawati, Anggraeni, & Vinarti, 2011). – dan data jumlah pengunjung yang masuk ke Hongkong dari

(4)

Manfaat Tugas Akhir

• Manfaat dari tugas akhir ini adalah membantu memudahkan praktisi perusahaan yang ingin melakukan peramalan penjualan dengan

langkah yang mudah dan tanpa harus membeli lisensi perangkat lunak.

(5)

SEKILAS RANCANGAN PERANGKAT

LUNAK

(6)

Deskripsi Umum

• Perangkat lunak yang akan dibuat pada tugas akhir ini adalah aplikasi peramalan.

• Metode peramalan menggunakan metode jaringan saraf tiruan atau artificial neural

network (ANN).

• Aplikasi peramalan berbasis desktop dengan data masukan berupa file excel berekstensi .xls.

(7)

(8)

Load File Excel

Pada tahap ini, pengguna diharapkan sudah memiliki file masukan berupa file Excel berekstensi .xls dengan format

Sedangkan data training dan data testing dipisahkan oleh sheet. Sehingga sheet data training diberi nama Training dan sheet untuk data testing diberim nama Testing

(9)

(10)

Normalisasi

• Dapat diliha pada pers dibawah jika batas nilai_normalisasi adalah [Ba,Bb].

(11)

Training

• Inisialisasi layer dan neuron disesuaikan dengan keinginan pengguna pada tahap sebelumnya.

• Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid. • Model pembelajaran menggunakan backprogagation.

• Inisialisasi bobot pembelajaran antara 0 sampai dengan 1.

• Perhitungan output dilakukan dengan memasukan nilai input ke dalam jaringan yang telah dibuat sebelumnya.

• Perbandingan nilai output dan nilai pada kelas target sebenarnya adalah berupa error atau kesalahan.

• Jika error masih kurang dari error yang diinginkan, maka error akan diperkecil dengan mengganti bobot dan bias.

• Jika error yang dinginkan tidak dapat tercapai pada saat epoch yang telah ditentukan, maka proses training akan berhenti.

(12)

(13)

(14)

Testing

• Nilai prediksi, yaitu nilai yang mamang diinginkan pengguna sebagai nilai ramalan pada periode tertentu. Sehingga fokus dari nilai adalah nilai peramalan yang dihasilkan.

• Nilai pesimis, yaitu nilai interval terbesar yang diharapkan pada periode berikutnya.

• Nilai optimis, yaitu nilai interval terendah yang dapat diterima pada periode berikutnya.

• Nilai most likely, yaitu nilai rata-rata dari history nilai sebelumnya.

• Nilai testing pada umumnya, yaitu perbandingan antara nilai yang dihasilkan dengan nilai sebenarnya. Sehingga fokus nilai terdapat pada nilai perbandingan tersebut, dalam hal ini adalah MAPE.

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

Data Percobaan 1

• Data permintaan (demand) kamar hotel

beserta faktor-faktor yang mempengaruhinya, diantaranya jumlah pengunjung dan kurs mata uang di negara tersebut.

• Penelitian sebelumnya menggunakan metode

vector autoregressive (VAR). (Anggono,

(23)

Data Percobaan 2

• Data permintaan (demand) mobil di Austria beserta faktor-faktor yang mempengaruhinya, diantaranya net price, price, diskon, on

promotion. Penelitian sebelumnya

menggunakan metode regresi berganda. Data-data tersebut mempunyai deret waktu

sebanyak 171 buah. (Linawati, Anggraeni, & Vinarti, 2011).

(24)

Data Percobaan 3

• Data jumlah pengunjung yang datang ke

Hongkong dari Jepang beserta faktor-faktor yang mempengaruhi besarnya. Penelitian

sebelumnya juga menggunakan metode ANN, sehingga tujuan untuk melakukan percobaan ini adalah melakukan validasi hasil keluaran aplikasi. (Law & Au, 1999)

(25)

Uji Coba Peramalan Kamar Hotel

• Data yang digunakan dibagi dua yaitu 12 bulan terakhir digunakan sebagai data testing dan

sisanya adalah data training.

• atribut input layer diantaranya jumlah pengunjung dan kurs mata.

• atribut output layer adalah permintaan kamar hotel.

(26)

Hasil Uji Coba Peramalan Kamar Hotel

• Epoch optimal : 3000

• Learning Rate Optimal : 0.3 • Momentum Optimal : 0.5

• MAPE Rata-rata (10 kali training dan testing): 9.069%

(27)

Perbandingan ANN dengan Metode

VAR

• Uji coba menunjukkan perbandingan keluaran peramalan antara metode ANN dengan

metode VAR, dimana metode ANN lebih baik dalam hal kesalahan peramalan (MAPE)

karena lebih sedikit persentase kesalahan yang diperoleh dari pada metode VAR.

(28)

Uji Coba Peramalan Permintaan Mobil

• Data yang digunakan dibagi menjadi 2 yaitu 34 data terakhir adalah data testing dan sisanya

adalah data training.

• atribut input layer meliputi net price, price, on promotion.

• atribut output layer adalah atribut yang

(29)

Hasil Uji Coba Peramalan Permintaan

Mobil di Austria

(30)

Perbandingan ANN dengan Regresi

Berganda

• Uji coba menunjukkan perbandingan keluaran peramalan antara metode ANN dengan

metode Regresi Berganda, dimana metode ANN sama baik dalam hal kesalahan

peramalan (MAPE) walaupun nilainya lebih sedikit persentase kesalahan yang diperoleh dari pada metode Regresi Berganda.

(31)

Uji Coba Peramalan Jumlah

Pengunjung

• Attribut ouput layer adalah jumlah pengunjung yang datang ke Hong kong dari Jepang

• Beberapa variabel yang menjadi atribut pada input dan output layer pada peramalan permintaan mobil.

Atribut input layer meliputi :

– Service price in Hong Kong relative to Japan. – Harga rata-rata hotel di Hong Kong.

– Nilai tukar mata uang Jepang (¥) terhadap US$. – Total jumlah populasi orang di Jepang.

– Biaya promosi Hong Kong.

(32)

Hasil Uji Coba Peramalan Jumlah

Pengunung ke Hong Kong dari Jepang

(33)

Perbandingan dengan Referensi

• Tujuannya hanya membandingkan dan menarik kesimpulan bahwa hasil yang diperoleh aplikasi sudah sesuai dengan referensi.

• Uji cobamenunjukkan bahwa keluaran aplikasi sudah sesuai dengan hasil penelitian Law & Au, 1999.

(34)

(35)

Kesimpulan

• Perbedaan hasil ramalan setiap percobaa (training dan testing) tidak selalu sama, walaupun parameter yang digunakan sama. Hal ini terjadi karena bobot dan

biasnya bernilai tidak sama dan selalu diacak setiap percobaan.

• Setelah membandingkan dengan metode Vector

Autoregressive (VAR) pada peramalan permintaan

kamar hotel, ANN memberikan hasil lebih baik dengan selisih MAPE sebesar 2.8%. Hasil tersebut diperoleh

(36)

Kesimpulan (2)

• Pada peramalan permintaan mobil di negara Austria, metode ANN juga memberikan hasil yang lebih baik dari pada metode regresi berganda, walupun selisih yang diperoleh tidak teralalu signifikan yaitu dengan selisih sebesar 0.46%. Hasil tersebut diperoleh dengan nilai learning rate 0.1, epoch 3000, dan momentum sebesar 0.5.

• Sedangkan pada peramalan jumlah pengunjung ke Hong Kong yang berasal dari Jepang, aplikasi

peramalan tugas akhir ini memberikan hasil ramalan yang mendekati hasil dari penelitian yang dilakukan

oleh Law dan Au tahun1999 dengan metode yang sama yaitu ANN.

(37)

Kesimpulan (3)

• Dapat dilihat bahwa data yang bersifat

stationer memiliki rata-rata error (MAPE) yang cukup besar. Sehingga, dapat disimpulkan

bahwa metode ANN lemah jika digunakan untuk meramalkan pada data yang bersifat stationer

(38)

Saran

• Karena rentang data hanya bernilai positif, maka aplikasi ini menggunakan sigmoid sebagai fungsi aktivasinya. Akan

lebih baik, aplikasi dapat memungkinkan untuk digunakan fungsi aktivasi selain sigmoid. Sebagai contoh jika data yang digunakan memiliki rentang nilai tidak hanya positif, maka dimungkinkan penggunaan fungsi aktivasi selain sigmoid. • Perlu adanya penelitian yang lebih dalam mengenai interval

kepercayaan (nilai pesimis, optimis, dan mostlikely) yang disesuaikan dengan jenis data dan point of view pengguna. • Perlu adanya pengembangan lebih lanjut pada peramalan

dengan menggunakan metode ANN pada data tidak stationer.