JIMP : Jurnal Informatika Merdeka Pasuruan Vol.7 No.3 Desember 2022, P-ISSN : 2502-5716, E-ISSN : 2503-1945 Terakreditasi Peringkat Sinta 4 berdasarkan Petikan dari Keputusan Menteri Riset dan Teknologi/ Kepala Badan Riset dan Inovasi Nasional Nomor 200/M/KPT/2020, masa berlaku mulai Vol.3 No.1 tahun 2018 s.d Vol.7 No.2 tahun 2022
109 DOI http://dx.doi.org/10.51213/jimp.v7i3.733
Prediksi Penjualan Obat Menggunakan Metode Adaptive Neuro- Fuzzy Inference System (ANFIS)
Siti Rahmah1, Wina Witanti2, Puspita Nurul Sabrina3
1,2,3 Informatika, Fakultas Sains dan Informatika, Universitas Jenderal Achmad Yani, Indonesia
Received: 26-10-2022; Accepted: 27-08-2023; Published: 12-09-2023
Abstrak— Penelitian yang akan dilakukan, menggunakan metode ANFIS dalam memprediksi data penjualan obat.
Dilakukan untuk mengetahui dan menemukan pola dari metode ANFIS ketika digunakan dalam teknik prediksi dan juga untuk mengetahui hasil akurasi prediksi yang didapatkan ketika menggunakan data penjualan obat, apakah lebih baik dari penelitian sebelumnya atau lebih buruk. Data yang digunakan adalah data penjualan obat yang berstudi kasus di Apotek Agsya. Metode ANFIS memiliki 5 layers atau biasa juga disebut sebagai hiden layers ANFIS, yang mana masing- masing lapisannya mempunyai perlakuan yang berbeda, dan setiap lapisannya mempunyai peran masing-masing dalam perhitungan algoritma ANFIS. Berdasarkan dari pengujian dengan menggunakan metode Adaptive Neuro Fuzzy Inference System (ANFIS), pada pengujian data penjualan obat amlodipin sebanyak 274 data dengan 20 epoch (error terkecil yang diharapkan 10-3), didapatkan hasil error terkecil nilai RMSE sebesar 0.127.
Kata kunci
—
Prediksi, Penjualan, Obat, Metode Adaptive Neuro-Fuzzy Inference System (ANFIS)Abstract— This research will use the ANFIS method in predicting drug sales data. Conducted to find out and find patterns from the ANFIS method when used in predictions and also to find out the prediction accuracy results obtained when using drug sales data, whether it is better than previous studies or worse. The data used is drug sales data with case studies at Agsya Pharmacy. The ANFIS method has 5 layers or commonly referred to as ANFIS hidden layers, where each layer has a different treatment, and each layer has its own role in the calculation of the ANFIS algorithm. Based on testing using the Adaptive Neuro Fuzzy Inference System (ANFIS) method, in testing the sales data for amlodipine as many as 274 data with 20 epochs (expected error 10-3), the error result is 0.127.
Keywords— Prediction, Sales, Drugs, Adaptive Neuro-Fuzzy Inference System (ANFIS) Method
I. PENDAHULUAN
Model Adaptive Neuro-Fuzzy Inference System merupakan metode yang dikembangkan atau berimplementasi dari Fuzzy Inference System dan NNW (Neural Network)[1]. Metode Adaptive Neuro-Fuzzy Inference System ini menggunakan teknik yang berbasis pada konsep logika fuzzy, yang mana dapat dinyatakan dengan wawasan berbentuk “if-then” yang dapat memberikan keunggulan dan keuntungan yaitu tidak perlu analisis matematik pada pemodelannya. Sistem fuzzy juga
dapat melakukan proses penalaran dan juga pengetahuan manusia yang berorientasi pada aspek kualitatif. Pada Sistem jaringan syaraf tiruan memiliki struktur dari suatu sistem yang pengolahan informasinya itu berisikan sebagian besar elemen dari pemrosesan yang saling terikat atau berhubungan, yang disebut sebagai neuron, neuron tersebut dapat bekerja secara serentak dalam menyelesaikan masalah-masalah tertentu, neuron juga memiliki kemampuan dalam hal mengenali suatu data/objek dengan berdasarkan dari sekumpulan fitur yang nantinya akan menjadi masukan sistem. Metode ANFIS adalah metode yang banyak digunakan dalam penelitian pada kasus prediksi, peramalan dan diagnosis, dengan akurasi yang didapatkan cukup baik[2].
Metode ANFIS memiliki 5 layers atau biasa juga disebut sebagai hiden layers ANFIS, yang mana masing- masing lapisannya mempunyai perlakuan yang berbeda, dan setiap lapisannya mempunyai peran masing-masing dalam perhitungan algoritma ANFIS. Beberapa penelitian sebelumnya yang melakukan pengujian dengan menggunakan metode ANFIS untuk mendapatkan hasil prediksi dan akurasi prediksi yang optimal sudah dikerjakan dan telah mendapatkan hasil. Pada penelitian yang dikerjakan oleh Allyna Virrayyani dan Sutikno dengan judul penelitian Prediksi Penjualan Barang Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS), yang mendapatkan hasil nilai MAPE pengujian seluruh produk kurang dari 20% yang dimana kurang dari batas toleransi MAPE pengujian, karena batas toleransi MAPE pengujian adalah 20%, sehingga hasil pelatihan dan pengujian seluruh produk diterima[3]. Pada penelitian yang dikerjakan oleh Muhammad Isradi Azhar dan Wayan Firdaus Mahmudy dengan judul Prediksi Curah Hujan Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS), yang mendapatkan hasil pengujian nilai RMSE sebesar 1,88[4]. Pada penelitian yang dikerjakan oleh Nerfita Nikentari, Martaleli Bettiza dan Helen Sasty Pratiwi dengan judul Prediksi Kecepatan Angin Menggunakan Adaptive Neuro Fuzzy (ANFIS) dan Radial Basis Function Neural Network (RBFNN), mendapatkan hasil pengujian metode ANFIS dengan nilai RMSE sebesar 1,1456[5]. Pada penelitian yang dikerjakan Zulfia Darma, Agus Perdana Windarto dan Dedi Suhendro dengan judul penelitian Penerapan Metode Adaptie Neuro Fuzzy Inference dalam
110 DOI http://dx.doi.org/10.51213/jimp.v7i3.733 Memprediksi Penjualan Buku, penelitian ini membahas
tentang bagaimana memprediksi penjualan buku dengan menerapkan metode ANFIS untuk memprediksi, dimana pada penelitian menggunakan data sebanyak 36 data penjualan buku dari tahun 2018-2020. Pengujian yang dilakukan menghasilkan nilai error terkecil yaitu sebesar 1,045[6]. Pada Penelitian yang dikerjakan Rizka Nurul Fajriani, Farida Asriani dan Hesti Susilawati dengan judul Penerapan Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk Pemantauan Status Gunung Merapi, penelitian ini membahas tentang bagaimana menerapkan metode ANFIS untuk meramal status gunung merapi, dimana pada penelitian data yang digunakan sebanyak 275 pola. Pengujian yang dilakukan menghasilkan nilai error terkecil RMSE yaitu sebesar 0,2139072204[7]. Pada penelitian yang dikerjakan oleh Stephani Eka Putri K dengan judul Analisis Peramalan Penjualan Obat-Obatan Pada Apotek Mutiara Hati Bandung Menggunakan Neuro Fuzzy, mendapatkan hasil pengujian nilai RMSE sebesar 8,05106[8]. Dari penelitian-penelitian tersebut dapat terlihat bahwa pengujian yang dilakukan dengan metode ANFIS dilakukan untuk mengetahui dan mendapatkan hasil prediksi serta akurasi prediksi yang akurat dan optimal, dengan melihat perbandingan error dari hasil prediksi nilai RMSE.
Pada penelitian yang akan dikerjakan ini menggunakan metode ANFIS dalam memprediksi data penjualan obat yang berstudi kasus di Apotek Agsya, untuk mengetahui dan menemukan pola dari metode ANFIS ketika digunakan dalam prediksi, dengan data yang digunakannya adalah data penjualan obat dan juga untuk mengetahui hasil akurasi prediksi yang didapatkan ketika menggunakan data penjualan obat, apakah lebih baik dari penelitian sebelumnya atau lebih buruk.
II. METODOLOGI PENELITIAN
Pada penelitian yang akan dikerjakan terdapat beberapa tahapan yang dimulai dengan tahap pengambilan data dengan cara wawancara dan study literatur, penyelesaian masalah penelitian dengan mengimplementasikan metode Adaptive Neuro-Fuzzy Inference System, berikut merupakan diagram dari metode penelitian:
Gambar. 1 Diagram Metode Penelitian
Metode Adaptive Neuro Fuzzy Inference System merupakan penggabungan dari dua konsep, yaitu konsep logika fuzzy dengan konsep jaringan saraf tiruan, sistem neuro-fuzzy biasanya mempunyai keuntungan yang memungkinkan kemudahan dalam penerjemahan sistem final kedalam seperangkat aturan if-then, dan sistem fuzzy juga dapat dilihat sebagai struktur jaringan syaraf dengan pengetahuan yang didistribusikan di seluruh kekuatan koneksi[9].
Perhitungan pada Metode ANFIS untuk melakukan teknik prediksi ini memiliki 5 layers atau biasa juga disebut dengan hiden layer dari ANFIS, masing-masing dari layer mempunyai peran masing-masing dalam perhitungan data menggunakan algoritma ANFIS ini[10], seperti berikut ini :
Gambar. 2 Basis Arsitektur ANFIS
A. Layer 1
Pada layer 1 ANFIS ini setiap simpul yang terdapat pada masukan i pada lapisan 1 merupakan simpul adaptif yang akan menghasilkan tingkat keanggotaan label linguistik. Ini merupakan lapisan samar atau tidak jelas, dimana πAi dan πBi adalah input dari sistem. O1, dimana i adalah outputnya dari simpul ke-i dari lapisan l. Setiap simpul adaptif adalah simpul persegi dengan fungsi kuadrat yang diwakili dengan menggunakan Persamaan (1):
O2,i = πAi (x)
O1,i = πBi (y) (1) B. Layer 2
Pada lapisan ini akan memeriksa bobot dari masing- masing fungsi keanggotaan, akan menerima nilai input x
111 DOI http://dx.doi.org/10.51213/jimp.v7i3.733 dari lapisan pertama dan akan bertindak sebagai fungsi
keanggotaan untuk mewakili himpunan fuzzy dari masing masing variabel masukan. Setiap simpul pada lapisan ini adalah simpul tetap yang diberi label П dan output akan dihitung melalui produk dari semua sinyal yang masuk.
Output pada lapisan ini dapat direpresentasikan menggunakan Persamaan (2):
O2,i = Wi = πAi(x). πBi(y) (2)
C. Layer 3
Setiap simpul yang ada pada lapisan ini tetap ditandai dengan lingkaran yang berlabel N, yang menunjukkan normalisasi kekuatan tembak dari lapisan yang sebelumnya. Pada lapisan ini melakukan pencocokan pra- kondisi dari aturan logika fuzzy, yaitu akan menghitung tingkat aktivasi setiap aturan, jumlah lapisannya sama dengan jumlah aturan fuzzy. Simpul pada lapisan ini menghitung rasio kekuatan aturan ke-i jumlah dari semua aturan kekuatan tembak. Output dari lapisan ini dapat dinyatakan dengan menggunakan Persamaan (3):
O3,i = = (3) D. Layer 4
Pada lapisan ini memberikan nilai keluaran, yang dihasilkan dari kesimpulan aturan. Output yang dihasilkan hanyalah produk dari kekuatan aturan penembakan yang dinormalisasi dan polinomial orde pertama. Keluaran berbobot dari aturan yang diwakili oleh fungsi simpul sebagai berikut:
O4,i = = (aix + biy + ci) (4) E. Layer 5
Pada lapisan ini disebut sebagai lapisan output yang akan merangkum semua input yang berasal dari lapisan 4 dan juga mengubah klasifikasi hasil fuzzy menjadi nilai yang tajam. Lapisan ini terdiri dari satu simpul tetap yang berlabel. Node ini akan menghitung penjumlahan semua sinyal yang masuk akan dihitung dengan menggunakan Persamaan (5):
O5,i = u = (5) III. HASIL DAN PEMBAHASAN
A. Pengumpulan Data
Data yang digunakan pada penelitian ini didapatkan dengan cara melakukan wawancara terhadap Apoteker di Apotek Agsya. Data yang didapatkan untuk penelitian ini merupakan data penjualan obat di Apotek Agsya selama kurang lebih 3 tahun, yang dimana data penjualan obat tidak semua digunakan dalam penelitian ini, hanya menggunakan obat dari jenis anti hipertensi. Data penjualan obat yang digunakan adalah seperti pada tabel I.
TABEL I Data Penjualan Obat
Anti Hipertensi
No Tgl/Bln/Thn Amlodipin
1 06 Juli 2019 6
2 07 Juli 2019 5
3 08 Juli 2019 11
4 09 Juli 2019 14
5 10 Juli 2019 3
6 11 Juli 2019 14
7 12 Juli 2019 7
8 13 Juli 2019 17
9 14 Juli 2019 12
10 15 Juli 2019 4
11 16 Juli 2019 8
12 17 Juli 2019 4
13 18 Juli 2019 11
14 19 Juli 2019 10
15 20 Juli 2019 11
... ... ...
1002 02 April 2022 5
B. Perhitungan Metode ANFIS
1) Penentuan Variabel Input dan Output
Merupakan proses awal untuk menentukan variabel input dan output yang akan digunakan pada data latih dan data uji untuk proses penelitian ini. Variabel masukan berupa x1 dan x2, sedangkan untuk variabel keluaran yaitu berupa y, yang dimana variabel y ini merupakan output (yang diharapkan) yang nantinya akan dilihat perbandingan/perbedaannya dengan nilai hasil prediksi dan dilihat persen error atau akurasi yang didapatkan antara output yang diharapkan dengan output yang didapatkan (sebenarnya). Cara untuk menentukan x1, x2 dan y tersebut yaitu dengan menggunakan metode analisis runtun waktu, yang dimana untuk x1 merupakan jumlah penjualan obat 2 hari sebelum waktu sekarang, dan untuk x2 merupakan jumlah penjualan obat 1 hari sebelum waktu sekarang, serta untuk y merupakan penjualan obat pada waktu sekarang. Inisialisasi pembentukan variabel input dan output seperti terlihat pada tabel 3.2 , tabel data latih untuk obat Amlodipin, data latih yang digunakan untuk perhitungan metode ANFIS secara manual menggunakan 6 data latih untuk ilustrasi perhitungan manual.
TABEL II Data Latih
2) Clustering Data Menggunakan Algoritma Fuzzy C- Means(FCM)
Sebelum melakukan perhitungan menggunakan metode ANFIS, terlebih dahulu akan melakukan perhitungan dengan menggunakan Algoritma Fuzzy C- Means (FCM) yang berfungsi untuk mendapat nilai mean dan standar deviasi yang nantinya akan dipergunakan
Amlodipin
x1 x2 y
6 5 11
5 11 14
11 14 3
14 3 14
3 14 7
14 7 17
112 DOI http://dx.doi.org/10.51213/jimp.v7i3.733 dalam perhitungan metode ANFIS lapisan 1. Pada
perhitungan FCM ini akan dilakukan beberapa langkah, antara lain yaitu dengan melakukan identifikasi parameter, inisialisasi matrix, hitung nilai centroid (hitung titik pusat cluster), menghitung fungsi objektif, menghitung perubahan matrix partisi, hingga cek kondisi berhenti.
Identifikasi parameter yang digunakan yaitu : Jumlah cluster (c) : 2 Pangkat untuk matrix partisi(w) : 2
Maximum iterasi : MaxIter : 100 Error terkecil yang diharapkan : : 10-3 Fungsi objektif awal : 0
Iterasi awal : 1
Setelah dilakukan perhitungan dengan menggunakan langkah-langkah yang telah disebutkan sebelumnya, didapatkan hasil clustering dengan menggunakan algoritma FCM yaitu pada iterasi ke 10 yang paling mendekati error terkecil yang diharapkan yaitu 10-3. Berikut merupakan derajat keanggotaan yang didapatkan dengan menggunakan algoritma FCM.
TABEL III Derajat Keanggotaan data
ke- x1 x2
Derajat Keanggotaan (μ) data cluster ke-
Kecenderungan masuk cluster
1 2 C1 C2
1 6 5 0,507192826 0,492807174 *
2 5 11 0,013963822 0,986036178 * 3 11 14 0,302837154 0,697162846 * 4 14 3 0,956609076 0,043390924 * 5 3 14 0,056834208 0,943165792 * 6 14 7 0,963019979 0,036980021 *
Setelah berhasil mendapatkan derajat keanggotan dan pengelompokan, yang didapatkan dari perhitungan dengan menggunakan algoritma FCM, maka selanjutnya akan dilakukan perhitungan mean dan standar deviasi, yang dimana mean dan standar deviasi ini juga nantinya akan dipergunakan dalam perhitungan metode ANFIS pada lapisan pertama. Berikut merupakan perhitungan untuk mendapatkan mean dan standar deviasi.
TABEL IV
Perhitungan Mean dan Standar Deviasi Data ke
-
C1 C2
x1 x2 x1 x2
1 6 14
2 14 15
3 15 12
4 12 17
5 17 9
6 9 14
mean 12,333333 12,666667 12 14,33333 standar
deviasi 5,6862407 3,2145503 3 2,516611
3) Perhitungan Menggunakan Metode ANFIS (Adaptive Neuro Fuzzy Inference System)
Setelah berhasil melakukan perhitungan derajat keanggotan dengan menggunakan FCM, juga mendapatkan nilai mean dan standar deviasi, maka selanjutnya akan melakukan perhitungan menggunakan metode ANFIS untuk mencari nilai inferensi. Metode ANFIS akan melakukan perhitungan pada 5 lapisan.
a. Lapisan 1
Pada perhitungan metode ANFIS lapisan pertama atau biasa disebut sebagai proses fuzifikasi, yang dimana pada proses ini akan dilakukan perhitungan untuk fungsi keanggotan fuzzy, yang akan digunakan untuk mentransformasikan inputan himpunan klasik.
Perhitungan pada lapisan pertama yaitu sebagai berikut : Dimana c = mean dan a = standar deviasi, dari perhitungan yang telah didapatkan seblumnya.
μA1 = μA2 = μB1 = μB2 =
Berikut merupakan hasil perhitungan dari ANFIS lapisan pertama.
TABEL V ANFIS Lapisan Pertama Data
ke - 1
Derajat Keanggotaan
μA1 μA2 μB1 μB2
1 0,446319 0,188641 0,155172 0,067776
2 0,375484 0,149518 0,9 0,363057
3 0,947883 0,788136 0,692308 0,982759
4 0,920886 0,853211 0,1 0,046991
5 0,270698 0,099572 0,692308 0,982759 6 0,920886 0,853211 0,264706 0,10536
b. Lapisan 2
Pada perhitungan ANFIS lapisan kedua ini melakukan perhitungan derajat keaktifan, yang dimana keluaran pada lapisan 2 ini dihasilkan dari perkalian semua sinyal input yang masuk (dari lapisan 1). Berikut merupakan perhitungan dari ANFIS lapisan kedua.
W1 = μA1(x). μB1 W2 = μA2(x). μB2
Berikut merupakan hasil dari ANFIS lapisan kedua.
113 DOI http://dx.doi.org/10.51213/jimp.v7i3.733 TABEL VI
ANFIS Lapisan Kedua
c. Lapisan 3
Pada perhitungan ANFIS lapisan ketiga ini melakukan perhitungan untuk kuat pengaktifan normalisasi, yang dimana setiap node pada lapisan ketiga ini merupakan node nonadiptif yang akan menampilkan fungsi dari derajat pengaktifan ternormalisasi, yang dimana akan dilakukan perhitungan yaitu membagi wi dengan jumlah total dari w (pada lapisan kedua). Berikut merupakan perhitungan untuk ANFIS lapisan ketiga.
Berikut merupakan hasil perhitungan untuk ANFIS lapisan ketiga.
TABEL VII ANFIS Lapisan Ketiga Data
ke-
output lapisan 3
1 0,84416 0,15584 2 0,861599 0,138401 3 0,458652 0,541348 4 0,696682 0,303318 5 0,656963 0,343037 6 0,730579 0,269421
d. Lapisan 4
Pada perhitungan ANFIS lapis keempat ini merupakan perhitungan untuk defuzzifikasi, yang dimana akan dikerjakan perhitungan untuk mengubah hasil dari fuzzy menjadi dalam bentuk himpunan klasik(crisp).
Dimana tahap pertama akan dilakukan proses perhitungan untuk mendapatkan parameter koefisien. Berikut merupakan hasil perhitungan parameter koefisien.
TABEL VIII Perhitungan Parameter Koefisien
x1 x2 x1 x2
p1 q2 r1 p2 q2 r2
5,064959 4,220799 0,84416 0,935041 0,779201 0,15584 4,307995 9,477589 0,861599 0,692005 1,522411 0,138401
5,045167 6,421122 0,458652 5,954833 7,578878 0,541348 9,753541 2,090045 0,696682 4,246459 0,909955 0,303318 1,97089 9,197488 0,656963 1,02911 4,802512 0,343037 10,2281 5,114052 0,730579 3,771896 1,885948 0,269421
Setelah berhasil melakukan proses inferensi dari model Adaptive Neuro Fuzzy-Inference System, maka tahapan selanjutnya akan dikerjakan pembelajaran hybrid. Setelah itu pada tahapan selanjutnya akan dilakukan perhitungan pembelajaran arah maju (forward pass) yang dimana akan menggunakan metode RLSE (Recursive Least Squares Estimator), untuk mendapatkan dan menghasilkan nilai dari p1, q1, r1, p2,q2,dan r2.
Tahapan pertama yaitu, dengan menentukan matriks A, yang diambil dari tabel perhitungan parameter koefisien.
Tahapan kedua yaitu, menentukan nilai/matriks y, yang didapatkan dari y output yang diharapkan pada data latih.
Maka akan didapatkan hasil untuk p1, q1, r1, p2,q2,dan r2 dari perhitungan ϴ = A-1 y
p1 1,656241
q1 0,900342
r1 0,072847
p2 -0,90569
q2 -0,89805
r2 1,900483
e. Lapisan 5
Pada perhitungan ANFIS lapisan kelima ini akan dilakukan perhitungan untuk mendapatkan hasil penjumlahan pada hasil lapisan 4, pada lapisan 5 ini hanya terdapat satu node, yang dimana node ini berfungsi untuk menjumlahkan semua masukan yang didapatkan pada lapisan ke 4.
Berikut merupakan hasil perhitungan untuk ANFIS lapisan 5.
TABEL X Perhitungan ANFIS Lapisan 5
lapisan 5 data ke - output target (y) y1 y2
1 11 12,25045 -1,25044983 11
2 14 15,730914 -1,73091405 14
3 3 14,17063 -11,17063 3
4 14 18,086724 -4,08672428 14
5 7 11,59301 -4,59301017 7
6 17 21,597825 -4,59782491 17
f. Perhitungan Kesalahan
Pada perhitungan atau pengukuran kesalahan ini menggunakan RMSE (Root Mean Squared Error), yang dimana RMSE ini merupakan suatu metode alternative untuk mengevaluasi teknik dari peramalan. Root Mean
Data ke-
output lapisan 2
w1 w2
1 0,069256 0,012785 2 0,337935 0,054283 3 0,656227 0,774547 4 0,092089 0,040093 5 0,187406 0,097855 6 0,243764 0,089895
114 DOI http://dx.doi.org/10.51213/jimp.v7i3.733 Square Error (RMSE) adalah seberapa besar suatu tingkat
kesalahan yang dihasilkan dari teknik prediksi (hasil prediksi), yang mana apabila setiap perhitungan yang didapatkan semakin kecil (mendekati 0 atau = 0) nilai RMSEnya maka hasil prediksi yang didapatkan akan semakin akurat.
RMSE =
Dimana :
y merupakan nilai output aktual wifi merupakan nilai output prediksi n merupakan jumlah data
Berikut merupakan hasil perhitungan kesalahan menggunakan RMSE :
RMSE = 2,354 C. Pengujian
Pada tahap ini merupakan perhitungan atau pengukuran kinerja dari metode ANFIS dengan menggunakan data penjualan obat amlodipin, yang dimana akan dilakukan perhitungan atau pengukuran pada sistem prediksi penjualan obat untuk mendapatkan dan mengetahui nilai RMSE yang didapatkan dari 274 data penjualan obat Amlodipin dengan epoch 20 (error terkecil yang diharapkan 10-3 dan berjumlah 20 iterasi), yaitu sebagai berikut.
Epoch yang didapat pada iterasi ke 20 yaitu 0.001 RMSE yang didapat yaitu 0.127
IV. KESIMPULAN
Kesimpulan yang dapat diambil pada penelitian ini, berdasarkan dari pengujian dengan menggunakan metode Adaptive Neuro Fuzzy Inference System, pada pengujian data penjualan obat amlodipin sebanyak 274 data dengan 20 epoch (error terkecil yang diharapkan 10-3), didapatkan hasil error terkecil nilai RMSE sebesar 0.127, dimana nilai RMSE yang didapat ini lebih kecil dibandingkan dengan nilai RMSE peneliti terdahulu yang menggunakan metode ANFIS dengan data yang serupa, yang disebutkan pada pendahuluan. Faktor yang mempengaruhi hasil RMSE ini
terlihat pada data yang digunakan dan jumlah data yang digunakan, yang dimana pada penelitian ini menggunakan jumlah data yang lebih banyak.
REFERENSI
[1] B. K. Bose, “Artificial Intelligence Applications in Renewable Energy Systems and Smart Grid – Some Novel Applications,”
Power Electron. Renew. Energy Syst. Smart Grid, pp. 625–675, 2019.
[2] C. Dewi, D. P. Kartikasari, and Y. T. Mursityo, “Prediksi Cuaca Pada Data Time Series Menggunakan Adaptive Neuro Fuzzy Inference System (Anfis),” J. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 1, pp. 18–24, 2014.
[3] A. Virrayyani and S. Sutikno, “Prediksi Penjualan Barang Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS),” Khazanah Inform. J. Ilmu Komput. dan Inform., vol.
2, no. 2, p. 57, 2016.
[4] S. Kinasih, F. Nhita, and A. Adiwijaya, “Prediksi Curah Hujan Menggunakan Adaptive Neuro Fuzzy Inference System (ANFIS),” eProceedings …, vol. 2, no. 11, 2015.
[5] A. Rahmadi, “Prediksi Kecepatan Angin Menggunakan Adaptive Neuro Fuzzy (ANFIS) dan Radial Basis Function Neural Network (RBFNN),” vol. 01262, 2015.
[6] Z. Darma, A. P. Windarto, and D. Suhendro, “Penerapan Metode Adaptie Neuro Fuzzy Inference dalam Memprediksi Penjualan Buku,” vol. 2, no. 1, pp. 1–11, 2022.
[7] R. N. Fajriani, F. Asriani, and ..., “Penerapan Adaptive Neuro- Fuzzy Inference System (ANFIS) untuk Pemantauan Status Gunung Merapi,” Semin. …, no. 84, 2018.
[8] S. E. P. K, “ANALISIS PERAMALAN PENJUALAN OBAT- OBATAN PADA APOTEK MUTIARA HATI BANDUNG MENGGUNAKAN NEURO FUZZY,” vol. 2008, p. 5106, 2011.
[9] V. P. Kolosov, N. S. Bezrukov, D. Y. Naumov, Y. M. Perelman, and A. G. Prikhodko, “Prediction of osmotic airway hyperresponsiveness in patients with bronchial asthma using adaptive neuro-fuzzy network,” Proc. - 2015 Int. Conf. Biomed.
Eng. Comput. Technol. Sib. 2015, pp. 130–133, 2015.
[10] O. Geman, I. Chiuchisan, and R. Toderean, “Application of Adaptive Neuro-Fuzzy Inference System for diabetes classification and prediction,” 2017 E-Health Bioeng. Conf.
EHB 2017, no. Dm, pp. 639–642, 2017.
This is an open access article under the CC–BY-SA license.
