TEKNIK PERAMALAN TINGKAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN

Transkripsi

1 TENI PERAMALAN TINGAT PENJUALAN DENGAN JARINGAN SYARAF TIRUAN Sri Mulyana Program Studi Ilmu omputer F MIPA UGM Seip Unit III Yogyaarta Telp (0274) smulyana@ugm.ac.id Abstra Tingat penualan merupaan salah satu tolo uur eberhasilan dalam usaha perdagangan. Pada penelitian ini telah diembangan teni peramalan tingat penualan berbasis aringan syaraf tiruan (JST) dengan metode propagasi bali. Tingat penualan berbasis JST yang diembangan terdiri 6 neuron masuan yang merupaan nilai parameter yang berpengaruh pada tingat penualan dan 1 neuron eluaran yang merupaan tingat penualan hasil prairaan. Parameter-parameter tersebut meliputi : cuaca, tingat hari libur (dalam 1 minggu), ada dan tidanya event/egiatan yang diselenggaraan di ota tempat restoran tersebut berada, banyanya menu spesial yang ditawaran, biaya ilan yang dieluaran dan freuensi ilan di media. Adapun luaran sistem adalah tingat penualan yang dicapai restoran tersebut selama 1 minggu. Dalam penelitian ini digunaan 90 data penualan dengan 80 data digunaan untu pelatihan dan 10 data digunaan untu penguian. Dari hasil penguian terhadap 10 data penualan, JST dengan metode propagasi bali diperoleh tingat penyimpangan rata-rata sebesar 3.3 % eywords : Jaringan syarat tiruan (JST), propagasi bali, tingat penualan 1. PENDAHULUAN Penualan merupaan salah satu tolo uur eberhasilan dalam suatu usaha perdagangan. Banya fator yang mempengaruhi tinggi rendahnya tinggat penualan diantaranya produ itu sendiri, harga, distribusi, promosi dan layanan purna ual. Prairaan tingat penualan yang tepat dapat diadian ruuan guna menentuan eberlangsungan usaha dan tingat euntungan yang ingin dicapai. Jaringan Syaraf Tiruan (JST), telah banya digunaan untu menganalisa data yang omples dan untu mengenali pola. Hasilnya cuup menanian untu pengolahan data yang omples. Untu itu telah dilauan peneilitian tentang teni peramalan penualan dengan menggunaan Jaringan Syaraf Tiruan (JST). Terdapat beberapa metode peramalan antara lain : metode pemulusan (Smoothing), metode deomposisi, dan metode regresi [Maridais, 1998]. Penelitian ini bertuuan membuat apliasi aringan syaraf tiruan yang dalam hal ini adalah aringan syaraf tiruan feed-forward dengan algoritma pelatihan propagasi bali untu peramalan tingat penualan. Dengan sistem ini dapat dimanfaatan oleh para pengusaha untu membuat prairaan tingat penualannya berdasaran pencapain pada periode sebelumnya. 2. TINJAUAN PUSTAA Jaringan Syaraf Tiruan (JST) telah digunaan dalam banya implementasi yang melibatan banya data dan uga pada pengenalan pola. Beberapa riset telah dilauan diantaranya adalah Jaringan Syaraf Tiruan (JST) untu melauan peramalan tingat pertumbuhan PDB (Produ Domesti Bruto) [Taz, 1999]. Implementasi lain uga telah dilauan pada penelitian penggunaan Jaringan Syaraf Tiruan (JST) untu peramalan dan analisis data Pemasaran [Yau d, 1998]. Pada penelitian tersebut JST diapliasian pada data penualan TV berwarna di Singapura yang dihimpun selama satu setengah tahun. Beberapa hal yeng diindiasian sebagai parameter yang dapat mempengaruhi tingat penualan adalah harga, uuran layar, sistem strereo, fator musim dan layar datar. Sedangan implementasi JST dengan teni propagasi bali uga telah dilauan untu perencanaan penualan sistem omputer paralel [Thiesing,1999]. Pada penelitian ini telah dilauan pembuatan peramalan penualan dengan menggunaan Jaringan Syaraf Tiruan (JST). Jaringan Syaraf Tiruan (JST) adalah sistem pemroses informasi yang memilii arateristi unu era tertentu yang menyerupai aringan syaraf biologi (Fausett, 1994). JST propagasi bali merupaan JST dengan aringan feed-forward dengan banya lapis yang dilatih menggunaan algoritma pelatihan propagasi bali. JST ini telah banya dipaai dalam berbagai bidang seperti data mining, pembacaan tulisan tangan, simulasi emudi tru, serta untu pengenalan pola. Sebuah JST lapis banya dengan satu lapis unit tersembunyi (unit Z) ditunuan pada gambar-1 di bawah : 276

2 Y 1 Y Y m W 01 W 11 W 0 W 1 W 0 W p W W pm W 1m W m W p1 1 m Z 1 1 Z Z p W V 01 V 11 V 0 V 0p V 1 V 1p V i1 V i V n V np V ip V n1 1 X 1 X i X n Gambar 1 : JST Propagasi bali dengan satu lapisan tersembunyi Unit eluaran (unit Y) dan unit tersembunyi uga memilii bias. Bias pada unit eluaran Y ditunuan dengan w 0 dan bias pada unit tersembunyi Z adalah v 0. Bias berlau seperti bobot pada hubungan dan memilii nilai 1. Pelatihan Jaringan Syaraf Tiruan (JST) dengan propagasi bali meliputi tiga tahap: tahap f, yaitu melatih pola masuan (dari unit masuan e unit eluaran), feed-forward propagasi bali dan menghitung galat (dari unit eluaran e unit masuan) dan tahap penyesuaian bobot. [Fausett, Laurene, 1994] Selama tahap feed-forward (mau), setiap unit masuan ( X i ) menerima sinyal masuan dan mengirim sinyal ini e setiap unit tersembunyi Z1,, Z p. Setiap unit tersembunyi menghitung atifasinya dan mengirim sinyalnya ( z ) e setiap unit eluaran. Setiap unit eluaran ( Y ) menghitung atifasinya ( y ) untu menunuan respon aringan terhadap pola masuan yang diberian. Selama pelatihan, untu setiap unit eluaran dibandingan atifasi y dengan targetnya t untu menentuan galat antara pola masuan dengan unit eluaran tersebut. Setelah didapat galat, fator δ (=1,,m) dihitungδ yang digunaan untu mendistribusian galat pada unit eluaran Y embali e seluruh unit pada lapis sebelumnya (unit tersembunyi yang terhubung dengan Y ). emudian galat ini dipaai untu mengubah bobot antara eluaran dengan lapisan tersembunyi. Dengan cara yang sama, fator δ ( = 1,,p) dihitung untu setiap unit. Fator δ digunaan untu mengubah bobot antara lapisan tersembunyi Z dengan lapisan masuan. Setelah seluruh fator δ ditentuan, bobot untu seluruh lapisan langsung disesuaian. Penyesuaian bobot w (dari unit tersembunyi Z e unit eluaran Y ) didasaran pada fator δ dan atifasi dari unit Z fator,yaitu z. Penyesuaian bobot v (dari unit masuan X e unit tersembunyi Z ) adalah didasaran pada i δ dan atifasi unit masuan x i. Fungsi atifasi yang biasanya dipaai untu melatih JST propagasi bali adalah fungsi sigmoid, bai biner maupun bipolar. Beriut algoritma pelatihannya (Fausett, Laurene, 1994) : Langah 0. Inisialisasi bobot (menentuan suatu nilai random ecil) Langah 1. Selama ondisi berhenti bernilai salah, dilauan langah 2-9 : Langah 2. Untu setiap pasangan pelatihan, dilauan langah 3-8: (Feedforward) 277 i

3 Langah 3. Setiap unit masuan ( X, i = 1, n) menerima sinyal masuan x dan mengirim sinyal ini i e seluruh unit pada lapisan beriutnya (lapisan tersembunyi). Langah 4. Untu setiap unit tersembunyi (, = 1,,p), sinyal masuan terboboti Z n diumlahan z _ in = v0 + xivi dan diterapan fungsi atifasi untu menghitung i= 1 eluarannya z = f z _ in ) dan mengirim sinyal ini e seluruh unit pada lapisan beriutnya ( ) ( (lapisan eluaran). Langah 5. Untu setiap unit eluaran (, =1,,m) sinyal masuan terbobotinya diumlahan y _ in = w0 + z i= 1 Y w sinyal eluarannya ( y = f ( y _ in )) p i dan diterapan fungsi atifasi untu menghitung Propagasi bali dari galat : Langah 6. Untu setiap unit eluaran ( Y, =1,,m) menerima sebuah pola target yang bersesuaian dengan pola masuan, dihitung galatnya ( δ = ( t y ) f '( y _ in )) dan dihitung oresi bobotnya ( Δ w = αδ z ) dan dihitung uga oresi biasnya ( Δw 0 = αδ ) dan mengirimirim δ e unit pada lapisan sebelumnya. Langah 7. Untu setiap unit tersembunyi (, = 1,,p), masuan deltanya m diumlahan δ _ in = δ w = 1 untu menghitung galatnya ( ) ( Δ v x i = αδ ),dan oresi biasnya i ( Δv 0 = αδ ) Z emudian dialian dengan turunan fungsi atifasinya δ _ in f '( z _ in ) δ =, dihitung oresi bobotnya Ubah bobot dan bias : Langah 8. Untu setiap unit eluaran ( Y, =1,,m) bias dan bobotnya diubah ( = 1,,p) ( w ( new) = w ( old ) + Δw ). Untu setiap unit tersembunyi ( Z, = 1,,p) bobot dan biasnya diubah (i = 1, n): ( vi ( new) = vi ( old ) + Δv i ) Langah 9. Tes ondisi salah. 3. METODE PENELITIAN Prosedur pelasanaan penelitian ini meliputi pendalaman materi yang beraitan dengan Jaringan Syaraf Tiruan (JST) bai dari buu-buu, paper, maupun dari internet. Tahap selanutnya adalah merancang omponen Jaringan Syaraf Tiruan (JST) yang terdiri atas 3 layer, yaitu input, hidden layer dan output. Banyanya neuron pada tiap layer adalah sebagai beriut, layer input 6 neuron yang merupaan parameter penentu tingat penualan, layer output hanya terdiri atas 1 nouron yaitu nilai tingat penualan yang dihasilan, sedangan pada hidden layer aan dilauan ui coba sehingga diperoleh cacah neoron yang optimal. Dalam penelitian ini dipaai hidden layer sebanya 6 buah neuron. Tahap selanutnya adalah mengumpulan data penualan beserta parameter yang mempengaruhi tingat penualan sebagai data untu pelatihan/pembelaaran dalam Jaringan Syaraf Tiruan(JST). Pelatihan dilauan pada sebagian data yang terumpul, dan sisa data tingat penualan digunaan untu membandingan prairaan oleh sistem dengan hasil yang sebenarnya. Tahap beriutnya adalah merancang dan mengimplementasian program berbasis Jaringan Syaraf Tiruan (JST) untu peramalan tingat penualan. Rancangan tersebut meliputi rancangan interface dan rancangan proses. Implementasi program tersebut menggunaan bahasa Borland Delphi 6.0 yang dioperasian di bawah Windows XP. Dan yang terahir adalah analisis hasil. 278

4 4. HASIL DAN PEMBAHASAN Sistem yang dibuat adalah sistem peramalan tingat penualan berbasis Jaringan Syaraf Tiruan (JST). Sistem ini digunaan untu memperoleh prairaan tingat penualan mingguan pada suatu restoran berdasaran beberapa parameter. Data yang digunaan untu melatih sistem ini merupaan data seunder seumlah 90 data. Data tersebut berisi parameter-parameter yang mempengaruhi tingat penualan mingguan dan hasil penualan yang diperoleh pada setiap minggunya. Parameter-parameter tersebut adalah : cuaca, tingat hari libur (dalam 1 minggu), ada tidanya event/egiatan yang diselenggaraan di ota restoran tersebut berdomisili, banyanya spesial menu yang ditawaran, biaya ilan yang dieluaran dan banyanya ilan di media. eluaran sistem adalah tingat penualan yang dicapai restoran tersebut selama 1 minggu. Persiapan Data Data yang digunaan untu pelatihan sistem di atas perlu dinormalan agar pelatihannya bai dan memberian emudahan dalam pemrograman. Untu parameter-parameter yang bernilai ategorial seperti : cuaca, tingat hari libur (dalam 1 minggu), dan ada tidanya event/egiatan di ota tempat restoran tersebut, nilainya diubah e bilangan antara 0 dan 1. Parameter yang mempengaruhi tingat penualan dinyataan sebagain beriut : Parameter uaca : a. Nilai 1 untu ategori very high b. Nilai 0,66 untu ategori high c. Nilai 0,33 untu ategori medium d. Nilai 0 untu ategori low Parameter umlah hari libur : a. Nilai 1 untu ategori high b. Nilai 0,5 untu ategori medium c. Nilai 0 untu ategori low Parameter ada tidanya event/egiatan di ota restoran tersebut berdomisili : a. Nilai 1 untu ategori yes b. Nilai 0 untu ategori no Untu parameter-parameter yang bernilai numeri, seperti : biaya ilan dan tingat penualan, aan diubah e bilangan antara 0 dan 1, yaitu dengan membagi dengan suatu bilangan sala. Untu umlah spesial menu yang ditawaran, nilai pembaginya adalah 5, biaya ilan nilai pembaginya adalah 50000, umlah ilan di media, nilai pembaginya adalah 30, hasil penualan, nilai baginya adalah Pada saat penguian, nilai yang dihasilan oleh sistem, berupa periraan hasil penualan aan dialian dengan nilai pembbaginya, yaitu Pembahasan Sistem Implementasi sistem dilauan dengan data penualan mingguan sebuah restoran sebanya 90 data dan bisa ditambahan setiap saat. Dari data tersebut, 80 data digunaan untu pelatihan sedangan sisanya untu penguian yaitu dengan membandingan tingat penualan hasil peramalan dengan data tingat penualan sebenarnya yang dicapai. Sistem peramalan penualan ini menggunaan metode JST propagasi bali. Berdasaran ui coba yang dilauan, arsitetur JST yang dipilih 6-6-1, yaitu 6 neuron untu lapisan masuan, 6 neuron untu lapisan tersembunyi, dan 1 neuron untu lapisan eluaran. Dengan menggunaan parameter belaar =1. Fungsi atifasi yang biasanya dipaai untu melatih JST propagasi bali adalah fungsi sigmoid, bai yang biner maupun bipolar. Penelasan algoritma yang di sampaian di atas, dapat diabaran implementasinya sebagai beriut : Langah 0. Inisialisasi bobot(metentuan suatu nilai random ecil) Proses tersebut diimplementasian sebagai beriut : {Inisialisasi bobot v (lapisan masuan e lapisan tersembunyi)} 279

5 procedure bobot_awal_v; var i,: byte; for i:= 1 to 6 do for := 1 to 6 do v[i,]:= random-0.5; {Inisialisasi bobot w (lapisan tersembunyi e lapisan eluaran)} procedure bobot_awal_w; var i: byte; w[i]:= random-0.5; Langah 1. Selama ondisi berhenti adalah salah, dilauan langah 2-9 : yang diimplementasian sebagai beriut : {ondisi salah ia indes pengulangannya = 1000 (max epoch)} for l:=1 to 1000 do Langah 2. Untu setiap pasangan pelatihan, dilauan langah 3-8:(feed-forward) Langah 3. Setiap unit masuan (X i, i = 1,...,n) menerima sinyal masuan Xi dan mengirim sinyal ini e seluruh unit pada lapisan beriutnya (1apisan tersembunyi). Langah 4. Untu setiap unit tersembunyi (Z, = 1,...,p) sinyal masuan terboboti diumlahan, fungsi atifasi diterapan untu menghitung eluarannya, dan mengirim sinyal ini e semua unit yang terdapat pada lapisan beriutnya (lapisan eluaran). Proses dari langah-langah tersebut adalah : for :=1 to 6 do z_in[]:=0; z_in[]:= z_in[] + (v[i,]*input[i]); z_in[]:= z_in[] + bias_input[]; z[]:= atifasi(z_in[]); Langah 5. Untu setiap unit eluaran (Y, =1,,m), sinyal masuan terbobotinya diumlahan, dan fungsi ativasinya diterapan untu menghitung sinyal eluaran. Implementasi dari proses tersebut adalah : y_in:= y_in + (w[i] * z[i]); y_in:= y_in + bias_output; y:= atifasi(y_in); Langah 6. Untu setiap unit eluaran (Y, =1,,m) menerima sebuah pola target yang bersesuaian dengan pola masuan, dihitung galatnya, yang direpresentasian 280

6 delta_:= (target[]-y) * turunan(y_in); menghitung oresi bobotnyadanoresi biasnyadan δ diirim e unit pada lapisan sebelumnya, yang direpresentasian sebagai beriut : delta_w[i]:= alpha * delta_ * z[i]; { w[i]:= w[i] + delta_w[i];} delta_bias_output:= alpha * delta_; { bias_output:= bias_output + delta_bias_output;} Langah 7. Untu setiap unit tersembunyi (Z, =1,,p) masuan deltanya diumlahan, emudian dialian dengan turunan fungsi atifasinya untu menghitung galatnya. Representasi dari proses tersebut adalah : delta_in_[i]:= delta_ * w[i]; delta_[i]:= delta_in_[i] * turunan(z_in[i]); dihitung oresi bobotnya, dan dihitung oresi biasnya (digunaan untu mengubah v 0 ) (mengubah bobot dan biasa). Representasi dari proses tersebut adalah : for :=1 to 6 do delta_v[i,]:= alpha * delta_[] * input[i]; v[i,]:= v[i,] + delta_v[i,]; delta_bias_input[]:= alpha * delta_[]; bias_input[]:=bias_input[]+delta_bias_input[]; Langah 8. Untu setiap unit eluaran (Y, =1,,m) bias dan bobot ( = 1,,p) diubah dengan proses sebagai beriut : delta_w[i]:= alpha * delta_ * z[i]; w[i]:= w[i] + delta_w[i]; delta_bias_output:= alpha * delta_; bias_output:= bias_output + delta_bias_output; Untu setiap unit tersembunyi (Z, =1,,p) bobot dan biasnya (i=1,,n) diubah. Representasi dari proses tersebut adalah : for :=1 to 6 do delta_v[i,]:= alpha * delta_[] * input[i]; v[i,]:= v[i,] + delta_v[i,]; delta_bias_input[]:= alpha * delta_[]; bias_input[]:=bias_input[]+delta_bias_input[]; Langah 9. Melauan tes ondisi salah. 281

7 Penguian Sistem Penguian sistem dilauan menggunaan 10 data dari penualan pada minggu e 81 hingga 90. Penguian dilauan dengan cara melatih sistem dengan data sebelumnya hingga minggu terahir sebelum periode yang aan diperiraan tingat penualannya. Sebagai ilustrasi dapat dielasan sebagai beriut : misalan dilauan penguian untu periraan tingat penualan pada minggu e-84, maa telah dilauan pelatihan pada sistem dengan menggunaan data tingat penualan real mulai minggu e 81 hingga minggu e-83. Beriut ini contoh tampilan penguian sistem pada minggu e-90 : Yang pertama dipilih menu Tambah Data, seperti pada gambar 2, sebagai beriut : Gambar 2 : Form pilih menu Pengisian data untu penambahan data yang aan dilatih dengan data tingat penualan pada minggu e-89, seperti terlihat pada gambar 3 beriut : Gambar 3: Tampilan proses penambahan data Untu melihat data yang aan dilatih dengan memilih tombol generate dan selanutnya sistem dapat melauan pelatihan dengan memilih tombol ui, seperti pada gambar 4 beriut : 282

8 Gambar 4 : Tampilan data yang dilatih dan pelatihan Setelah dilauan proses pelatihan, penguian terhadap predisi tingat penualan pada minggu e-90 dapat dilauan dengan mengisi nilai parameter-parameter pada form penguian dan memilih tombol proses, seperti yang terlihat pada gambar 5 beriut : Gambar 5: Tampilan hasil penguian Data yang digunaan untu proses penguian adalah 10 buah yang merupaan capian tingat penualan pada minggu e-81 sampai dengan minggu e-90, yang selengapnya dapat dilihat pada tabel beriut : 283

9 Wee No. Tabel 3.1 : Data untu penguian Inputs No. of Special Offerings Target Season Strength Holiday Strength Event in the City Advertising Budget Number of Ads Weely Sales 81 High None No Very High None No Very High None Yes Very High None Yes Very High None No Very High None Yes High None No High None No High None No Medium None No Hasil penguian terhadap data di atas menggunaan sistem prairaan penualan dengan Jaringan Syaraf Tiruan (JST) yang diembangan, memberian hasil sebagai beriut : Minggu e Periraan tingat penualan Tabel 3.2 : Data hasil penguian Tingat penualan sebenarnya selisih Selisih dalam % , , , , , , , , , , Dari hasil tersebut dapat dietahui bahwa rata-rata selisih prairaan menggunaan Jaringan Syaraf Tiruan (JST) yang diembangan sebesar 3,3 % 5. ESIMPULAN Dari penelitian ini dapat disimpulan sebagai beriut Jaringan syaraf tiruan telah dapat digunaan sebagai apliasi peramalan tingat penualan. Tinglat Layer yang digunaan pada penelitian ini adalah yaitu terdiri dari 6 neuron masuan, 6 neuron sebagai hidden layer dan 1 neuron eluaran. Dari hasil ui coba sistem yang diembangan diperoleh tingat penyimpangan rata-rata sebesar 3,3 % 6. DAFTAR PUSTAA Fausett, L., 1994, Fundamental of Neural Networs, Prentice Hall, Inc., New Jersey Maridais, S., Wheelwright, S.C., McGee, V.E., 1998, Forecasting : Methods and Applications, Second edition, John Wiley & Sons, Inc. Thiesing, F.M., Middelberg U., Vornberger O.,1999, Parallel Bac-Propagation for Sales Prediction System Tacz, G., Sarah H., 1999, Forecasting GDP Growth Using Artificial Neural Networ, Woring Paper 99-3 Yau J., Teng N., Poh H.L., Tan C.L., 1998, Forecasting and Analysis of Mareting Data Using Neural Networs, Journal of Information Science and Engineering 14,