PERAMALAN PERMINTAAN MINUMAN KESEHATAN I

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 Series

adalah 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 N

1.1Latar 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

layout

fasilitas,

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 series

digunakan sebagai pembanding

dalam penelitian ini. Data volume

penjualan

digunakan

sebagai

input

dalam

peramalan

menggunakan metode

time series

.

Hasil peramalan menggunakan

jaringan

syaraf

tiruan

berdasarkan

unsur

bauran

pemasaran

selanjutnya

akan

dibandingkan dengan peramalan

menggunakan metode

time series

berdasarkan

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 series

berdasarkan

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 model

yang

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 smoothing

dibagi 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

L

adalah

panjang

musiman (misal, jumlah kuartal

dalam suatu tahun),

b

adalah

komponen trend,

I

adalah factor

penyesuaian musiman, dan

Ft + m

adalah ramalan untuk

m

periode 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

input

dan 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 layer

ditentukan

dalam

pelatihan

(Kusumadewi, 2006).

Algoritma pembelajaran yang

digunakan dalam penelitian ini

adalah

backpropagation

.

Backpropagation

dipilih

karena

dikenal sangat efektif untuk

menyelesaikan masalah-masalah

yang membutuhkan pemetaan

pola, yaitu jika diberikan suatu

pola

input

maka akan dikeluarkan

pola

output

yang dikehendaki

(Kusumadewi, 2004).

7

Penjelasan

mengenai

tahap

algoritma

backpropagation

adalah

sebagai berikut :

a.

Data

training

Data

training

adalah 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

ko

perubahan

bobot pada unit tersembunyi o,

dan W

kj

perubahan 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

k

adalah 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

k

ke

semua

unit

tersembunyi

yang

terhubung

langsung dengan y

k

.

δk= f’(y_netk)= yk(1- yk)

δ

k

juga dipakai untuk mengubah

bobot garis yang berhubungan

langsung dengan unit keluaran.

Nilai

perubahan

bobot

unit

keluaran

W

kj

dengan

laju

percepatan α adalah:

ΔW

kj

= α .

δ

k .

z

j

k = 1,2,3,…,m;j = 1,2,3,…,p

Dengan

cara

yang

sama,

dihitung faktor δ

j

di 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

epoch

sama dengan batas toleransi

yang diberikan. Menurut Siang

(2005), algoritma

backpropagation

(BP) merupakan pengembangan

dari algoritma

least mean square

yang dapat digunakan untuk

melatih jaringan dengan beberapa

layer

.

BP

menggunakan

pendekatan

algoritma

steepest descent

dan 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

output

peramalan terbaik. Kriteria

pembelajaran dalam penelitian ini

adalah

jumlah

epoch

yang

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

)

input

dan 1 unit (

neuron

)

output

,

sehingga rancangan arsitektur

jaringan yang digunakan dalam

penelitian adalah 1 lapis

input

dengan 4

neuron input

dan 1 lapis

output

dengan 1

neuron output

,

sedangkan

neuron hidden layer

dicari jumlah optimalnya melalui

pelatihan

(

training

).

Metode

jaringan

syaraf

tiruan

yang

digunakan

adalah

Backpropagation

,

dilakukan

dengan

menggunkan

Software M atlab

7.10.

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 series

yang

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 Series

dan Jaringan Syaraf

Tiruan dapat dilihat pada Tabel 2.

Tabel 2.

Nilai MSE Sebelum dan Sesudah Peramalan

Pada Metode

Time Series

dan 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 Series

nilai MSE sebelum dan

sesudah peramalan tetap yaitu

119440.0512. Sedangkan, pada

metode JST terjadi perubahan

nilai MSE yang semula 4827.82

12

IV .PENUTUP

4.1Kesimpulan

Penerapan metode Jaringan

Syaraf

Tiruan

(JST)

untuk

peramalan permintaan minuman

kesehatan instan jahe DIA dengan

menggunakan model jaringan

Backpropagation

,

menghasilkan

arsitektur jaringan

single hidden layer

terbaik yaitu 4-7-1 (4

neuron input

, 7

neuron hidden layer

, dan 1

neuron output

), 4

neuron input

merupakan

faktor

bauran

pemasaran yang meliputi harga

produk,

jumlah

tempat

pemasaran, biaya distribusi dan

biaya promosi, sedangkan untuk

1

neuron output

merupakan nilai

peramalan permintaan.

Metode

terbaik

untuk

peramalan dengan metode

time series

adalah metode

W inters’ Additive

. Metode

W inters’ Additive

merupakan 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 Series

sebesar

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 Series

adalah sebesar

10.06

%.

Sehingga

dapat

disimpulkan

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 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 series

agar 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.

Analisis

Sensitivitas Dari Persoalan Perbaikan M esin Dalam Sistem M anufaktur

.

Tesis

Pascasarjana Universitas

Sumatera Utara. Medan.

Rudiyanto B.I. dan Setiawan.

2004.

Backpropagation

Artificial Neural

Netw ork

.

A rtikel. Departemen Teknik Pertanian

. Fateta- IPB.

Bogor.

Siang, J. J. 2005.

Jaringan Syaraf

Tiruan dan

Pemrogramannya