SISTEM PERAMALAN ANGKA PENJUALAN KENDARAAN BERMOTOR BERDASARKAN BIAYA PROMOSI DAN JUMLAH SALESMAN (STUDI KASUS: P.T. HASJRAT ABADI SENTANI)

Transkripsi

1 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 SISTEM PERAMALAN ANGKA PENJUALAN KENDARAAN BERMOTOR BERDASARKAN BIAYA PROMOSI DAN JUMLAH SALESMAN (STUDI KASUS: P.T. HASJRAT ABADI SENTANI) Tedy Rismawan, Yulius Palumpun Jurusan Sistem Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Tanjungpura Program Studi Sistem Informasi, Fakultas Ilmu Komputer dan Manajemen, Universitas Sains dan Teknologi Jayapura tedyrismawan@siskom.untan.ac.id, n.ardelia@gmail.com Abstrak Penjualan kendaraan roda dua masih mendominasi di wilayah Papua. Kendaraan roda dua bermacam-macam merk dan jenisnya, sehingga perlu dilakukan pengkajian agar kendaraan yang dikirim ke Papua adalah yang dibutuhkan oleh konsumen. Pada penelitian ini dihasilkan sistem yang dapat melakukan peramalan berapa jumlah angka penjualan yang terjadi pada waktu yang akan datang. Adapun metode yang digunakan untuk melakukan peramalan adalah backpropagation (propagasi balik) dengan variabel input berupa biaya promosi dan jumlah salesman serta variabel ouput adalah peramalan angka penjualan. Parameter pelatihan backpropagation yang digunakan yaitu maksimum epoh sebesar 5., laju pembelajaran,6, minimum error,, jumlah lapisan tersembunyi dan jumlah neuron pada lapisan tersembunyi adalah 4. Parameter pelatihan ini digunakan untuk semua jaringan backpropagation. Terdapat 5 jaringan yang digunakan karena jenis kendaraan yang dimasukkan ke dalam sistem juga 5 jenis, yaitu Mio, Jupiter, Vixion, Byson dan Vega. pengujian sistem menunjukkan nilai akurasi sistem dalam meramalkan data yang pernah dilatih sebelumnya adalah % dan 95% untuk data yang belum pernah dilatih sebelumnya. Kata kunci : peramalan, penjualan kendaraan, propagasi balik. Pendahuluan.. Latar Belakang Papua merupakan propinsi yang berada di pulau paling timur dari negara Indonesia. Karena letak geografis yang cukup jauh dan akses transportasi yang cukup terbatas, maka timbul beberapa kendala dalam distribusi barang menuju propinsi Papua. Salah satu barang yang saat ini banyak dibutuhkan adalah kendaraan bermotor, khususnya roda dua. Roda dua dibutuhkan karena harganya yang cukup terjangkau dan serta digunakan di jalan yang aksesnya tidak dapat dilalui kendaraan roda empat. Hal ini mengakibatkan penjualan kendaraan roda dua masih mendominasi di propinsi Papua. Kendaraan roda dua bermacam-macam merk dan jenisnya, sehingga perlu dilakukan pengkajian agar kendaraan yang dikirim ke Papua adalah yang dibutuhkan oleh konsumen. Hal ini dapat dilakukan dengan mengirim banyak kendaraan untuk semua merk dan tipe, namun tindakan tersebut dapat mengakibatkan barang tertentu menumpuk di gudang dan biaya pengiriman juga akan menjadi besar. Oleh karena itu, diperlukan suatu sistem yang dapat mengoptimalkan solusi permasalahan ini. Perencanaan permintaan secara umum lebih dikenal dengan peramalan, merupakan perhitungan objektif dan dengan menggunakan data-data masa lalu, untuk menentukan sesuatu di masa mendatang []. Pada penelitian ini akan dibangun suatu sistem untuk memprediksi (meramalkan) angka penjualan kendaraan roda dua. Angka hasil peramalan tersebut dapat digunakan oleh perusahaan sebagai acuan untuk melakukan pemesanan di periode berikutnya. Harapannya dengan angka peramalan tersebut, tidak ada kendaraan yang tidak terjual dan jumlah kendaraan yang dikirim merupakan jumlah yang dibutuhkan oleh masyarakat pada periode tertentu. Metode untuk memperoleh solusi permasalahan yang akan dikaji pada penelitian ini adalah propagasi balik (backpropagation). akan melatih data-data penjualan yang lama untuk menghasilkan bobot pelatihan. Kemudian data bobot hasil pelatihan tersebut digunakan untuk meramalkan

2 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 angka penjualan di periode yang akan datang. Pada penelitian ini, variabel pelatihan yang digunakan yaitu biaya promosi dan jumlah salesman yang bertugas melakukan promosi dan penjualan. pernah digunakan pada penelitian sebelumnya untuk memprediksi data harga saham IHSG (Indeks Harga Saham Gabungan) dimana pelatihan backpropagation memperoleh nilai (Mean Square Error) dan MAPE (Mean Absolute Percentage Error)[]... Tujuan Tujuan dari penelitian ini adalah membangun aplikasi untuk meramalkan angka penjualan kendaraan roda dua di P.T. Hasjrat Abadi Sentani) berdasarkan biaya promosi dan jumlah salesman yang bekerja. merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyi. Pada algoritma backpropagation, algoritmanya menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu []. Adapun algoritma pelatihan untuk jaringan propagasi balik adalah sebagai berikut [3]: Inisialisasi bobot Tetapkan: Maksimum Epoh, Target Error, dan Learning Rate Inisialisasi: Epoh=, = Kerjakan langkah-langkah berikut selama (Epoh<Maksimum Epoh) dan (>Target Error):. Epoh=Epoh+. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feedforward a. Tiap-tiap unit input (X i, i=,,3,,n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). b. Tiap-tiap unit pada suatu lapisan tersembunyi (Zj, j=,,3,,p) menjumlahkan sinyal-sinyal input terbobot: _ gunakan fungsi aktivasi untuk menghitung sinyal outputnya: z j = f(z_in j ) () dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap tiap unit output (Yk, k=,,3,..,m) menjumlahkan sinyal-sinyal input terbobot. _ 3 gunakan fungsi aktivasi untuk menghitung sinyal outputnya: y k = f(y_in k ) (4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output) Catatan: Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi. d. Tiap-tiap unit output (Y k, k=,,3,,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: k = (t k y k ) f (y_in k ) (5) φ jk = d k z j (6) β k = d k (7) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai w jk ): Δw jk = α φ jk (8) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b k ): Δb k = α β k (9) Langkah (d) ini juga dilakukan sebanyak jumlah lapisan tersembunyi, yaitu menghitung informasi error dari suatu lapisan tersembunyi ke lapisan tersembunyi sebelumnya. e. Tiap-tiap unit tersembunyi (Z j, j=,,3,,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): _ kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: δ j = δ_in j f (z_in j ) () φ ij = δ j x j () β j = δ j (3) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ): Δv ij = α φ ij (4) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b j ): Δb j = α φ j (5)

3 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 f. Tiap-tiap unit output (Y k, k=,,3,,m) memperbaiki bias dan bobotnya (j=,,,,p): w jk (baru) = w jk (lama) + Δw jk (6) b k (baru) = b k (lama) + Δb k (7) tiap-tiap unit tersembunyi (Z j,j=,,3,,p) memperbaiki bias dan bobotnya (i=,,,,n): v ij (baru) = v ij (lama) + Δv ij (8) b j (baru) = b j (lama) + Δb j (9) 3. Hitung 3. Usulan Model 3. Gambaran Umum Pada penelitian ini akan dilakukan peramalan terhadap data penjualan kendaraan bermotor, khususnya kendaraan roda dua. Agar data yang digunakan tidak menjadi kompleks, maka pada penelitian ini hanya dibatasi pada kendaraan roda dua dengan merk Yamaha jenis Mio, Jupiter, Vixion, Byson dan Vega. Proses pada penelitian ini dimulai dengan mengumpulkan data yang ada pada PT. Hasjrat Abadi Sentani. Selanjutnya data ini diolah untuk disesuaikan strukturnya sebelum dimasukkan ke dalam database. Setelah data tersimpan di dalam database, selanjutnya dilakukan pelatihan menggunakan jaringan backpropagation. ini akan dilakukan untuk semua jenis motor yang akan diramalkan angka penjualannya. Proses pelatihan akan menghasilkan keluaran berupa model (persamaan) yang dapat digunakan untuk proses peramalan data yang akan datang. Dari hasil pelatihan data tiap jenis motor, maka akan diperoleh 5 jenis model, yaitu model untuk jenis Mio, Jupiter, Vixion, Byson dan Vega. pelatihan tersebut nantinya akan digunakan pada proses pengujian atau proses peramalan. Apabila ingin melakukan peramalan penjualan motor dengan jenis Mio, maka data pengujian harus dioperasikan terhadap model dari pelatihan data kendaraan jenis Mio. Begitu juga apabila ingin dilakukan peramalan terhadap jenis motor yang lain. Gambar menunjukkan skema dari alur sistem secara umum. Data Mio Data Jupiter Data Vixion Database Data Byson Data Vega Gambar Alur sistem 3. Data dan Parameter Data yang digunakan pada proses pelatihan merupakan data penjualan kendaraan bermotor merk Yamaha jenis Mio, Jupiter, Vixion, Byson dan Vega pada P.T. Hasjrat Abadi Sentani periode Januari 4 sampai dengan April 6. Data yang digunakan memiliki variabel input dan variabel output. Adapun variabel input adalah biaya promosi dan salesman yang bertigas. Sedangkan variabel output adalah jumlah penjualan kendaraan bermotor. Tabel merupakan contoh dari data pelatihan pada kendaraan bermotor jenis Mio untuk periode penjualan Januari 4 sampai dengan April 6

4 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 No Tabel. Data Penjualan Jenis Mio Biaya promosi Jumlah (dalam ratusan penjualan ribu) Jumlah salesman Parameter pelatihan yang digunakan pada pelatihan sistem ini adalah sebagai berikut: Jumlah lapisan tersembunyi: Neuron pada lapisan tersembunyi: 4 Laju pembelajaran:,6 Max. Epoh: 5. Min. Error:, Parameter tersebut digunakan pada semua jaringan untuk masing-masing jenis kendaraan bermotor, sehingga ada 5 jaringan yang digunakan. 3.3 Dari hasil pelatihan yang telah dilakukan pada data pelatihan berdasarkan parameter pelatihan yang ada pada sub bab sebelumnya, diperoleh 5 jaringan propagasi balik pada penelitian ini tidak mencapai nilai minimum errornya. Karena tidak mencapai nilai minimum error, maka jaringan berhenti pada keadaan dimana epoh sudah mencapai nilai maksimum, yaitu 5.. Adapun hasil minimum error yang diperoleh dari masing-masing pelatihan dapat dilihat pada gambar (a), (b), (c), (d) dan (e). Gambar (a) Nilai untuk pelatihan jaringan jenis motor Mio.5.5 Nilai sampai dengan epoh ke 5 jenis motor Mio Nilai sampai epoh ke 5 jenis motor Jupiter Gambar (b) Nilai untuk pelatihan jaringan jenis motor Jupiter Gambar (c) Nilai untuk pelatihan jaringan jenis motor Vixion Nilai sampai epoh ke 5 jenis motor Vixion Nilai sampai epoh ke 5 jenis motor Byson Gambar (d) Nilai untuk pelatihan jaringan jenis motor Byson 3

5 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 Nilai sampai epoh ke 5 jenis motor Vega Gambar (e) Nilai untuk pelatihan jaringan jenis motor Vega Berikut ini merupakan nilai minimum error yang diperoleh dari pelatihan tiap jenis motor: a. Mio:,454 b. Jupiter:,3339 c. Vixion:,95 d. Byson:,3373 e. Vega:,37544 Dari hasil tersebut dapat dilihat bahwa pelatihan yang dilakukan pada semua jenis motor tidak ada yang mencapai nilai minimum error yang telah ditetapkan, sehingga pelatihan berhenti karena telah mencapai batas maksimum perulangan (epoh) 4. Pengujian dan Setelah diperoleh hasil pelatihan maka sistem dapat diujikan terhadap data yang ada sehingga dapat diperoleh hasil dari keakuratan sistem dalam melakukan peramalan. Pengujian dilakukan dalam jenis data, pertama pengujian dilakukan terhadap data yang telah dilatih sebelumnya dan kedua adalah pengujian terhadap data yang belum pernah dilatih sebelumnya. Untuk pengujian pertama, digunakan 4 data terakhir dari pelatihan yaitu data penjualan pada bulan Januari sampai dengan April 6. Sedangkan pengujian kedua, digunakan 4 data berikutnya yang belum pernah dilatih, yaitu data penjualan pada bulan Mei 6 sampai dengan Agustus 6. dari pengujian ini dapat dilihat pada Tabel dan 3. Tabel pengujian terhadap data yang pernah dilatih Mio 3 3 Benar 5 5 Benar Benar Benar Jupiter Benar Benar Benar 5 5 Benar Vixion 4 4 Benar Benar Benar 6 6 Benar Byson 3 3 Benar 6 6 Benar 8 8 Benar Benar Vega 4 4 Benar Benar 4 4 Benar 3 3 Benar Dari tabel dapat dilihat bahwa sistem mengeluarkan hasil yang sama dengan data yang pernah dilatih dengan tingkat keberhasilan %. Hal ini dapat terjadi karena sistem telah dilatih dengan menghasilkan tingkat kesalahan (error) yang cukup kecil. 4

6 Seminar Nasional APTIKOM (SEMNASTIKOM), FaveHotel Jayapura, 3 November 7 Tabel 3 pengujian terhadap data baru Mio 9 9 Benar Benar 3 3 Benar 4 4 Benar Jupiter Benar Benar Benar Benar Vixion 8 8 Benar 8 8 Benar 6 6 Benar 5 5 Benar Byson Benar 9 9 Benar 5 5 Benar 4 4 Benar Vega Benar 3 3 Benar 3 3 Benar 3 Salah Tabel menunjukkan pengujian data terhadap data baru yang belum pernah dilatih sebelumnya. Dari hasil pengujian sebanyak 4 data untuk masingmasing jenis motor, diperoleh kesalahan peramalan untuk data pada jenis motor Vega. Jika diakumulasikan secara keseluruhan maka tingkat akurasi untuk pengujian terhadap data baru adalah % 95% 5. Kesimpulan Adapun kesimpulan yang diperoleh dari penelitian ini adalah sebagai berikut: a. Diperoleh untuk pelatihan masing-masing data: Mio:,454 Jupiter:,3339 Vixion:,95 Byson:,3373 Vega:,37544 b. pengujian terhadap data yang pernah dilatih memperoleh nilai akurasi % c. pengujian terhadap data yang belum pernah dilatih memperoleh nilai akurasi 95% d. Melihat tingkat akurasi yang diperoleh, maka sistem ini dapat digunakan oleh pihak P.T. Hasjrat Abadi Sentani untuk mendukung keputusan dalam menentukan jumlah kendaraan bermotor yang dipesan berdasarkan jenisnya pada masa yang akan datang. Daftar Pustaka: [] Sumayang, Lalu, 5, Dasar-dasar Manajemen Produksi dan Operasi, Jakarta, Salemba Empat. [] Hansun, Seng, 3, Peramalan Data IHSG Menggunakan Metode, ULTIMATICS Vol. IV No. [3] Kusumadewi, Sri, 3, Artificial Intelligence (Teknik dan Aplikasinya), Yogyakarta, Graha Ilmu [4] Kusumadewi, Sri, 4, Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB & Excellink), Yogyakarta, Graha Ilmu 5