1
PERA MA LA N PERM INTA AN M INUM AN KESEHATA N INSTA N JA HE MENGGUNAKAN JA RINGAN SYA RA F TIRUA N
dan METODE TIM E SERIES
(Studi Kasus di A groindustri M inuman Kesehatan Instan “DIA ” M alang)
Kenyo Puspito Rini
1), Ir. Usman Effendi, MS.
2),
Dhita Morita Ikasari, STP, MP.
2)1)
Alumni Jurusan Teknologi Industri Pertanian,
2)Staff Pengajar Jurusan Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Universitas Brawijaya Malang
kenyopuspito@yahoo.com
ABSTRAK
2
bulan Agustus – Oktober 2012 adalah sebesar 8.58 %, sedangkan untuk
Time Seriesadalah sebesar 12.29 %.
Kata kunci : Jaringan Syaraf Tiruan, Matlab, Peramalan Permintaan,
SPSS,
Time Series.ABSTRACT
Forecasting is an attempt to predict the future state through state testing in the past, while demand forecasting are level of products demand that are expected to be realized for a certain period in the future. The purpose of this study is product demand forecasting instant health drink ginger using Artificial Neural Networks to consider the marketing mix factors and compare the results of product demand forecasting instant health drink ginger using Artificial Neural Networks based on the factors of the marketing mix with the results of demand forecasting using time series Data based on sales volume. The data analysis was done using Artificial Neural Networks using M atlab software 7.10 and Time Series method using the software SPSS 17.1. The results showed the best architecture of single hidden layer network is 4-7-1 (4 input neurons, 7 hidden layer neurons, and 1 output neuron). The best method for time series forecasting method is W inters' Additive. The resulting value is the mean square error (M SE) on the training of Artificial Neural Network (ANN) at 4827.82 while the M SE on the Time Series method for 119440.0512. The average percentage of fault simulation results using ANN forecasting demand in the period August to October 2012 is at 8.58% , while for Time Series is at 12.29% .
3
I. PENDAHULUA N1.1Latar Belakang
Peramalan adalah suatu usaha
untuk meramalkan keadaan di
masa
mendatang
melalui
pengujian keadaan di masa lalu,
sedangkan peramalan permintaan
merupakan tingkat permintaan
produk-produk yang diharapkan
akan terealisir untuk jangka
waktu tertentu pada masa yang
akan datang. Proses peramalan
nantinya akan mendapatkan hasil
peramalan yang digunakan oleh
manajemen produksi atau operasi
dalam pembuatan
keputusan-keputusan
yang
menyangkut
pemilihan proses, perencanaan
kapasitas, dan
layoutfasilitas,
serta untuk keputusan yang
bersifat terus–menerus berkenaan
dengan perencanaan,
scheduling,
dan persediaan (Nasution, 2008).
Menurut
Rismawati
(2009),
peramalan
permintaan
dibutuhkan untuk mengetahui
informasi
pokok
mengenai
kecenderungan
dan
pola
konsumsi produk.
Agroindustri
Minuman
Kesehatan Instan DIA merupakan
salah satu unit usaha yang
mengolah tanaman obat keluarga
(TOGA)
menjadi
minuman
kesehatan
instan
berbentuk
serbuk. Produk yang dihasilkan
oleh
perusahaan
ini
adalah
minuman kesehatan instan jahe,
kunyit,
dan
temulawak.
Minuman kesehatan instan jahe
memiliki
volume
penjualan
paling
tinggi
dibandingkan
dengan
produk
minuman
kesehatan instan kunyit dan
temulawak. Hal ini juga dijadikan
pertimbangan dalam pemilihan
produk yang akan diramalkan
dalam penelitian ini.
Permasalahan yang dihadapi
oleh
Agroindustri
Minuman
Kesehatan Instan DIA adalah
masih
kesulitan
dalam
meramalkan
permintaan
konsumen terhadap permintaan
produk
minuman
kesehatan
instan karena peramalan yang
dilakukan berdasarkan perkiraan
dari
periode
lalu.
Hal
ini
mengakibatkan
Agroindustri
Minuman Kesehatan Instan DIA
belum
memiliki
perencanaan
produksi yang optimal.
4
2004). Sedangkan, metode time
series merupakan metode statistik
yang
menggunakan
data
permintaan historis pada suatu
periode waktu untuk proses
peramalannya.
Volume
penjualan
dapat
dipengaruhi oleh beberapa faktor,
salah satunya adalah bauran
pemasaran. Dalam penelitian ini
peramalan
dilakukan
dengan
mempertimbangkan
unsur
bauran
pemasaran
yang
digunakan
sebagai
masukan
(
input)
pada
jaringan
syaraf
tiruan. Unsur bauran pemasaran
yang digunakan adalah harga
produk,
jumlah
tempat
pemasaran, biaya distribusi, dan
biaya promosi. Metode
time seriesdigunakan sebagai pembanding
dalam penelitian ini. Data volume
penjualan
digunakan
sebagai
inputdalam
peramalan
menggunakan metode
time series.
Hasil peramalan menggunakan
jaringan
syaraf
tiruan
berdasarkan
unsur
bauran
pemasaran
selanjutnya
akan
dibandingkan dengan peramalan
menggunakan metode
time seriesberdasarkan
data
volume
penjualan
untuk
mengetahui
metode mana yang paling tepat
digunakan
di
Agroindustri
Minuman Kesehatan Instan DIA.
1.2 Rumusan M asalah
1.
Bagaimana
meramalkan
permintaan produk minuman
kesehatan
instan
jahe
menggunakan Jaringan Syaraf
Tiruan
dengan
mempertimbangkan
faktor-faktor yang mempengaruhi
volume penjualan?
2.
Bagaimana perbandingan hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf Tiruan dengan metode
time series?
1.3Tujuan
1.
Meramalkan
permintaan
produk minuman kesehatan
instan
jahe
menggunakan
Jaringan Syaraf Tiruan dengan
mempertimbangkan
faktor-faktor bauran pemasaran.
2.
Membandingkan
hasil
peramalan permintaan produk
minuman kesehatan instan
jahe menggunakan Jaringan
Syaraf
Tiruan
berdasarkan
faktor-faktor
bauran
pemasaran
dengan
hasil
peramalan
permintaan
menggunakan metode
time seriesberdasarkan
data
volume penjualan.
5
2012
sampai
Oktober
2012.
Pengolahan data dilakukan di
Laboratorium
Komputasi
dan
Analisis
Sistem,
Jurusan
Teknologi
Industri
Pertanian,
Fakultas
Teknologi
Pertanian,
Universitas Brawijaya Malang.
2.2 Batasan Masalah
Penelitian ini dilakukan dengan
batasan masalah sebagai berikut:
1.
Penelitian
dengan
metode
Jaringan Syaraf Tiruan ini
dilakukan untuk meramalkan
permintaan produk minuman
kesehatan
instan
pada
Agroindustri
Minuman
Kesehatan Instan DIA untuk
periode Agustus 2012 – Juli
2013.
2.
Produk
yang
digunakan
dalam penelitian ini hanya
satu jenis yaitu minuman
kesehatan instan jahe.
3.
Data yang digunakan dalam
penelitian ini fokus pada lima
variabel yaitu data volume
penjualan,
harga
produk,
biaya
promosi,
biaya
distribusi, dan jumlah tempat
pemasaran pada bulan Januari
2007 – Juli 2012.
4.
Biaya-biaya yang digunakan
seperti biaya promosi, biaya
distribusi serta jumlah tempat
pemasaran adalah biaya yang
dikeluarkan
untuk
semua
produk minuman kesehatan
instan
pada
Agroindustri
Minuman Kesehatan Instan
DIA. Namun, dalam penelitian
ini hanya digunakan sebagai
masukan data (input) untuk
produk jahe.
2.3 A nalisa Data
2.3.1Peramalan Permintaan M enggunakan M etode Time Series
M oving Average
termasuk
dalam
time series modelyang
merupakan metode peramalan
kuantitatif dengan menggunakan
waktu sebagai dasar peramalan.
Untuk membuat suatu peramalan
diperlukan data historis (masa
lampau) permintaan.
dimana:
∧
ft= ramalan permintaan periode
t
ft
= permintaan aktual periode t
m=jumlah
periode
yang
digunakan untuk peramalan.
Metode
Exponential Smoothing(Makridakis, 2005) merupakan
prosedur
perbaikan
terus-menerus
pada
peramalan
terhadap
objek
pengamatan
terbaru.
Metode
exponential smoothingdibagi lagi
berdasarkan
menjadi beberapa metode.
1.Single Exponential Smoothing
Ft+1 = α * Xt + (1 – α) * Ft
dimana:
6
Ft+1= peramalan pada waktu t +
1
α
= konstanta perataan antara 0
dan 1
2.Double Exponential Smoothing
St = α * Yt + (1 – α) * (St - 1 + bt - 1)
bt = γ * (St – St - 1) + (1 – γ) * bt – 1
Ft + m = St + bt m
dimana:
St
= peramalan untuk periode t.
Yt + (1-α)
= Nilai aktual
time series bt= trend pada periodeke - t
α
= parameter pertama perataan
antara nol dan
1, = untuk pemulusan nilai
observasi
γ
= parameter kedua, untuk
pemulusan trend
Ft+m
= hasil peramalan ke -
m m= jumlah periode ke muka yang
akan diramalkan
3.Triple Exponential Smoothing
Pemulusan trend:
Bt =g (St – St-1) + (1 - g ) bt-1
Pemulusan Musiman:
I = b t X
t S + (1-b) t -L +m
Ramalan:
Ft + m = (St + bt m)It – L + m
Dimana
Ladalah
panjang
musiman (misal, jumlah kuartal
dalam suatu tahun),
badalah
komponen trend,
Iadalah factor
penyesuaian musiman, dan
Ft + madalah ramalan untuk
mperiode ke muka.
Dekomposisi adalah metode
pemecahan data menjadi sub pola
yang
menunjukkan
tiap-tiap
komponen deret berkala secara
terpisah (Amran, 2003) :
Data= trend + musiman + siklus + error)
atau
Ramalan= trend + musiman + siklus
2.3.2Peramalan Permintaan M enggunakan M etode Jaringan Syaraf Tiruan
Arsitektur
jaringan
yang
dipakai adalah jaringan syaraf
dengan banyak lapisan (
multi layer network). Jaringan dengan
banyak lapisan memiliki satu
atau lebih lapisan yang terletak
diantara
inputdan lapisan
output(memiliki satu atau lebih lapisan
tersembunyi).
Jaringan
syaraf
dengan banyak lapisan (
multi layer network) terdiri dari lapisan
input, lapisan tersembunyi dan
lapisan
output. Jumlah
hidden layerditentukan
dalam
pelatihan
(Kusumadewi, 2006).
Algoritma pembelajaran yang
digunakan dalam penelitian ini
adalah
backpropagation.
Backpropagationdipilih
karena
dikenal sangat efektif untuk
menyelesaikan masalah-masalah
yang membutuhkan pemetaan
pola, yaitu jika diberikan suatu
pola
inputmaka akan dikeluarkan
pola
outputyang dikehendaki
(Kusumadewi, 2004).
7
Penjelasan
mengenai
tahap
algoritma
backpropagationadalah
sebagai berikut :
a.
Data
trainingData
trainingadalah pasangan
data
masukan dan
keluaran
actual (target) yang diberikan
pada
jaringan
untuk
dilatih
polanya. Sebelum diproses,
data-data yang ada dibakukan terlebih
dahulu.
b.
Inisialisai bobot secara acak
Dalam inisialisai bobot secara
acak yaitu pemberian nilai bobot
dan bias awal dengan bilangan
acak terkecil. Pemilihan nilai
bobot
ini
berpengaruh
atas
kecepatan suatu jaringan untuk
mencapai
konvergen(kondisi
stabil).
c.
Propagasi Maju (Fase 1)
Sinyal
masukan
(X
i)
dipropagasikan
ke
layar
tersembunyi
menggunakan
fungsi aktivasi yang ditentukan.
Kemudian keluaran dari setiap
unit layar tersembunyi (Z
j; j =
1,2,3,…., p) dihitung :
Z
j(j = 1,2,3,…,p)
Selanjutnya keluaran dari unit
tersembunyi ini dipropagasikan
maju lagi ke layar tersembunyi
diatasnya menggunakan fungsi
aktivasi yang ditentukan. Tiap
unit keluaran (
yk, k = 1,…, m)
jumlahkan
bobot
sinyal
masukannya
(W
koperubahan
bobot pada unit tersembunyi o,
dan W
kjperubahan bobot pada
unit tersembunyi j).
Kemudian, keluaran jaringan
(Y
k) dibandingkan dengan target
Tidak
Gambar 1. Diagram A lirAlgoritma Mulai
Data
Training
Inisialisasi Bobot
Setting Input
Propagasi Maju
Perhitungan Error Keluaran
Propagasi Balik
Perubahan Bobot
Simpan Bobot
Selesai
Iterasi (epoch) = iterasi + 1
Tidak
Ya Ya
M SE ≤ error
Iterasi ≥
8
yang harus dicapai (t
k). Selisih t
k–
Y
kadalah kesalahan yang terjadi.
d.
Propagasi Balik (Fase 2)
Berdasarkan kesalahan t
k– Y
k,
dihitung faktor
δk
(k=1,2,3,….,m)
yang
dipakai
untuk
mendistribusikan kesalahan di
unit
y
kke
semua
unit
tersembunyi
yang
terhubung
langsung dengan y
k.
δk= f’(y_netk)= yk(1- yk)
δ
kjuga dipakai untuk mengubah
bobot garis yang berhubungan
langsung dengan unit keluaran.
Nilai
perubahan
bobot
unit
keluaran
W
kjdengan
laju
percepatan α adalah:
ΔW
kj= α .
δ
k .z
jk = 1,2,3,…,m;j = 1,2,3,…,p
Dengan
cara
yang
sama,
dihitung faktor δ
jdi setiap unit
layar tersembunyi sebagai dasar
perubahan bobot semua garis
yang
berasal
dari
unit
tersembunyi dilayar dibawahnya.
Faktor δ unit tersembunyi:
δj = δ_netj f’ (z_netj) =
e.
Perubahan Bobot (Fase 3)
Setelah semua faktor δ
dihitung, bobot semua garis
dimodifikasi bersamaan.
Perubahan bobot suatu garis
didasarkan atas faktor δ neuron
dilayar atasnya.
Ketiga fase diulang hingga
kondisi penghentian dipenuhi.
Kondisi penghentian tercapai jika
MSE (
mean square error) telah
mencapai harga minimum atau
epochsama dengan batas toleransi
yang diberikan. Menurut Siang
(2005), algoritma
backpropagation(BP) merupakan pengembangan
dari algoritma
least mean squareyang dapat digunakan untuk
melatih jaringan dengan beberapa
layer.
BP
menggunakan
pendekatan
algoritma
steepest descentdan untuk menentukan
performance index-nya
adalah
dengan
mean square error(MSE).
Nilai
mean square error(MSE)
pada satu siklus pelatihan adalah
nilai kesalahan (
error= nilai
keluaran – nilai masukan)
rata-rata dari seluruh rekord (
tupple)
yang dipresentasikan ke JST dan
dirumuskan sebagai:
9
f.
Kriteria
pemberhentian
pembelajaran
Kriteria
pemberhentian
pembelajaran merupakan syarat
pokok yang harus dipenuhi oleh
jaringan
untuk
mendapatkan
outputperamalan terbaik. Kriteria
pembelajaran dalam penelitian ini
adalah
jumlah
epochyang
ditoleransi. Kesalahan dihitung
berdasarkan
bobot
yang
diperoleh yang dikenakan pada
data pengujian. Jika kesalahan
data uji masih turun, pelatihan
dilanjutkan.
Pembelajaran
dihentikan apabila kesalahannya
mulai naik (Siang, 2005).
III.Hasil dan Pembahasan 3.1 Hasil Peramalan
M enggunakan Jaringan Syaraf Tiruan
Peramalan
permintaan
dilakukan
untuk
meramalkan
jumlah
permintaan
produk
minuman kesehatan instan jahe
pada periode perencanaan yang
akan datang, yaitu periode satu
tahun mendatang (Agustus 2012 –
Juli 2013). Peramalan permintaan
dilakukan
berdasarkan
data
faktor-faktor
yang
mempengaruhi volume penjualan
produk
minuman
kesehatan
instan jahe, antara lain harga
produk,
jumlah
tempat
pemasaran, biaya promosi, dan
biaya distribusi periode Januari
2007
–
Juli
2012
dengan
menggunakan
jaringan
syaraf
tiruan.
Model peramalan yang dibuat
terdiri dari 4 variabel independen
dan 1 variabel dependen. Dalam
jaringan syaraf tiruan, model ini
terbaca sebagai 4 unit (
neuron)
inputdan 1 unit (
neuron)
output,
sehingga rancangan arsitektur
jaringan yang digunakan dalam
penelitian adalah 1 lapis
inputdengan 4
neuron inputdan 1 lapis
outputdengan 1
neuron output,
sedangkan
neuron hidden layerdicari jumlah optimalnya melalui
pelatihan
(
training).
Metode
jaringan
syaraf
tiruan
yang
digunakan
adalah
Backpropagation
,
dilakukan
dengan
menggunkan
Software M atlab7.10.
10
terkecil yaitu 4827.82. Gambar
model Jaringan Syaraf Tiruan
4-7-1 dapat dilihat pada Gambar 2.
Gambar 2
. Model jaringan Syaraf
Tiruan 4-7-1
3.2 Hasil Peramalan M enggunakan Analisa Deret Waktu (Time Series)
Peramalan
permintaan
dilakukan
berdasarkan
data
penjualan produk periode Januari
2007
–
Juli
2012
dengan
menggunakan
analisa
deret
waktu (
time series). Peramalan
permintaan
dilakukan
untuk
meramalkan jumlah permintaan
produk
minuman
kesehatan
instan jahe DIA pada periode
perencanaan yang akan datang,
yaitu
periode
satu
tahun
mendatang pada Agustus 2012 –
Juli 2013. Metode
time seriesyang
digunakan dalam penelitian ini
meliputi metode
moving averages,
exponential smoothing,
dan
dekomposisi.
Penyelesaian
peramalan
permintaan
menggunakan metode time series
dilakukan dengan software
SPSS 17.1.Hasil peramalan dapat
dilihat pada Gambar 3.
Gambar 3
.
Hasil
Peramalan
Permintaan
Menggunakan Metode
Wimters’ Additive
Pola data yang ditunjukkan
oleh gambar 3 merupakan pola
data
seasonal(musiman), sehingga
metode terbaik yang diperoleh
adalah metode
W inters’ Additive.
Melihat plot di atas terlihat
bahwa hasil peramalan mengikuti
bentuk pola datanya, sehingga
tingkat akurasi data tersebut
sebagai dasar untuk perencanaan
cukup baik. Nilai RMSE (Root
Mean
Square
Error)
adalah
345.601
sehingga
nilai
MSE
adalah 119440.0512.
3.3 Perbandingan Hasil Peramalan Jaringan Syaraf Tiruan dengan Time Series
11
DIA,
sehingga
bisa
dilihat
diantara kedua metode tersebut
mana yang paling baik dalam
meramalkan minuman kesehatan
instan
jahe
DIA.
Hasil
perbandingan metode jaringan
syaraf tiruan, time series, dan
data aktual dapat dilihat pada
Tabel 1.
Tabel 1.
Hasil Perbandingan Metode Jaringan Syaraf Tiruan,
Time Series,dan Data Aktual Periode Agustus – Desember 2012
Tahun Periode
Simulasi Peramalan
JST
Time Series
Data A ktual
Persentase Kesalahan Peramalan Terhadap Permintaan A ktual
( % )
JST Time Series
2012 A gustus 7245 8333 7405 2.16 12.53
September 7227 9827 8498 14.96 15.64
Oktober 7253 8626 7936 8.61 8.7
November 7239 8187 7270 0.43 12.61
Desember 7120 7239 7299 2.45 0.82
Rata-rata Kesalahan 5.72 10.06
Dari tabel 1 terlihat bahwa
jaringan syaraf tiruan merupakan
metode yang relatif lebih baik
dari
time
series
dalam
meramalkan
permintaan
minuman kesehatan instan jahe
DIA
karena
memiliki
penyimpangan kesalahan lebih
kecil dibandingkan metode time
series. Perbandingan nilai
M ean Squared Error(MSE) sebelum dan
sesudah peramalan untuk metode
Time Seriesdan Jaringan Syaraf
Tiruan dapat dilihat pada Tabel 2.
Tabel 2.
Nilai MSE Sebelum dan Sesudah Peramalan
Pada Metode
Time Seriesdan JST
M etode Nilai M SE
Sebelum Sesudah
Time Series
119440.05
119440.05
JST
4827.82
6663.39
Pada Tabel 4.5 dapat dilihat nilai
error
untuk
masing-masing
metode sebelum dan sesudah
peramalan. Pada metode
Time Seriesnilai MSE sebelum dan
sesudah peramalan tetap yaitu
119440.0512. Sedangkan, pada
metode JST terjadi perubahan
nilai MSE yang semula 4827.82
12
IV .PENUTUP4.1Kesimpulan
Penerapan metode Jaringan
Syaraf
Tiruan
(JST)
untuk
peramalan permintaan minuman
kesehatan instan jahe DIA dengan
menggunakan model jaringan
Backpropagation,
menghasilkan
arsitektur jaringan
single hidden layerterbaik yaitu 4-7-1 (4
neuron input, 7
neuron hidden layer, dan 1
neuron output), 4
neuron inputmerupakan
faktor
bauran
pemasaran yang meliputi harga
produk,
jumlah
tempat
pemasaran, biaya distribusi dan
biaya promosi, sedangkan untuk
1
neuron outputmerupakan nilai
peramalan permintaan.
Metode
terbaik
untuk
peramalan dengan metode
time seriesadalah metode
W inters’ Additive. Metode
W inters’ Additivemerupakan salah satu dari model
Holt- W inters(
triple exponential smoothing) yang digunakan untuk
menangani musiman. Nilai hasil
mean square error(MSE) pelatihan
pada Jaringan Syaraf Tiruan (JST)
sebesar 4827.82 sedangkan nilai
MSE pada metode
Time Seriessebesar
119440.05.
Rata-rata
persentase
kesalahan
hasil
simulasi peramalan permintaan
menggunakan JST pada periode
bulan Agustus – Desember 2012
adalah sebesar 5.72 %, sedangkan
untuk
Time Seriesadalah sebesar
10.06
%.
Sehingga
dapat
disimpulkan
bahwa
Jaringan
Syaraf Tiruan merupakan metode
yang relatif lebih baik dari
Time Seriesdalam
meramalkan
permintaan minuman kesehatan
instan jahe DIA karena memiliki
penyimpangan kesalahan yang
lebih kecil dibandingkan metode
time series.
4.2Saran
Dari
hasil
penelitian
dan
pembahasan
yang
telah
dilakukan, saran yang dapat
dikemukakan yaitu perlu adanya
penelitian lebih lanjut untuk
membandingkan
peramalan
permintaan menggunakan JST
dengan metode yang lain seperti
metode JST untuk peramalan
time seriesagar dapat menghasilkan
peramalan permintaan yang lebih
baik.
DA FTA R PUSTA KA
Amran. 2003.
Prediksi Distribusi Porositas dengan Metode Dekomposisi Ring. ITB.
Bandung.
Kusumadewi,
S.
2004.
M embangun Jaringan Syaraf Tiruan M enggunakan M atlab dan Excel Link. Graha
Ilmu. Yogyakarta.
13
Makridakis, S. dan Whellwright,
S. C. 2005.
M etode dan A plikasi Peramalan.
Binarupa Aksara. Jakarta.
Nasution,
A.
H.
2008.
Perencanaan dan Pengendalian Produksi
.
Graha Ilmu. Yogyakarta.
Rismawati, L. 2009.
AnalisisSensitivitas Dari Persoalan Perbaikan M esin Dalam Sistem M anufaktur
.
Tesis
Pascasarjana Universitas
Sumatera Utara. Medan.
Rudiyanto B.I. dan Setiawan.
2004.
BackpropagationArtificial Neural
Netw ork
.
A rtikel. Departemen Teknik Pertanian. Fateta- IPB.
Bogor.
Siang, J. J. 2005.
Jaringan SyarafTiruan dan
Pemrogramannya