BAB I PENDAHULUAN. Kemunculan minimarket yang begitu banyak membuat manajemen

Transkripsi

1 BAB I PENDAHULUAN 1.1. Pendahuluan Kemunculan minimarket yang begitu banyak membuat manajemen perusahaan minimarket harus berfikir kreatif agar dapat bersaing dengan usaha sejenis dalam merebut pangsa pasar. Salah satu cara untuk merebut pangsa pasar adalah dengan menyediakan barang yang diperlukan oleh konsumen. Pengelolaan sebuah minimarket diperlukan untuk menjaga persediaan barang-barang tetap tersedia karena persediaan barang merupakan bagian yang sangat penting dalam perkembangan sebuah minimarket. Jumlah persediaan sangat erat kaitannya dengan berapa target penjualan pada setiap barang yang dijual. Dapat dibayangkan, apabila pemilik minimarket tidak mengetahui kapan ia harus memesan barang atau bahkan tidak tahu berapa barang yang harus dipesan agar dapat menjaga jumlah persediaan di minimarket. Pemilik minimarket bisa saja memesan banyak barang untuk disimpan pada minimarketnya, namun yang perlu diperhatikan adalah jika barang yang dipesan terlalu banyak dan penjualan yang terjadi sedikit, maka barang yang tersimpan pada minimarket dapat menyebabkan kerugian terhadap pemilik minimarket. Pengelola minimarket harus dapat mengetahui berapa jumlah minimal dan maksimal barang agar persediaan barang di minimarket menjadi optimal. Jumlah minimal dan jumlah maksimal barang ditentukan dengan mengetahui berapa jumlah penjualan periode selanjutnya. 1

2 2 Sebuah metode peramalan diperlukan agar dapat menentukan jumlah penjualan periode selanjutnya. Pengelolaan barang yang terdapat pada minimarket saat ini telah digunakan sistem yang dapat mengatur jumlah minimum dan maksimum barang untuk setiap minimarket. Metode peramalan yang digunakan dalam menentukan jumlah penjualan barang periode selanjutnya untuk setiap minimarket adalah moving average. Hasil peramalan yang didapat dari metode tersebut tidak dapat terjamin karena pola data yang terdapat pada bidang retail adalah pola data non stasioner (Kochak and Sharma, 2015). Suatu metode dibutuhkan untuk dapat meramalkan perilaku data non stasioner agar dapat mengurangi kesalahan yang terjadi. Beberapa penelitian mengenai peramalan telah dilakukan, contohnya pada tahun 2015 Ashvin Kochak melakukan penelitian menggunakan metode Artificial Neural Network (ANN) untuk meramalkan permintaan dan penjualan barang pada Supply Chain Management. Pada peneltian ini disebutkan beberapa metode peramalan misalnya Moving Average, Eksponential Smoothing, Box Jenkins, Regresi, dan Econometric. Kelemahan dari metode-metode tersebut adalah susah untuk mengidentifikasi pola data non stasioner. Metode ANN digunakan untuk mengataasi masalah yang terdapat pada beberapa algoritma diatas. Hasil dari penelitian ini dapat dikatakan bahwa metode ANN menghasilkan akurasi yang lebih baik dari beberapa algoritma yang disebutkan sebelumnya (Kochak and Sharma, 2015).

3 3 Penelitian yang dilakukan oleh Rachmat Hidayat dan Suprato menyebutkan penggunaan metode pembelajaran Extreme Learning Machine (ELM) pada ANN memberikan tingkat akurasi dan kecepatan yang lebih baik dari pada metode pembelajaran lainya (Hidayat and Suprapto, 2012). Untuk mendapatkan hasil yang lebih optimal metode peramalan dapat digabungkan dengan beberapa algoritma optimasi misalnya Genetic Algorithm, Particle Swarm Optimization, atau Ant Colony. Seperti penelitian yang dilakukan oleh Joko S. Dwi Raharjo pada tahun 2013, yaitu menggabungkan metode PSO dan metode ANN Backpropagation untuk peramalan inflasi bulanan Indonesia dari bulan Januari 1979 sampai dengan bulan Mei Pada penelitian ini didapatkan hasil penggabungan metode PSO dan ANN memberikan hasil yang lebih akurat dari pada metode ANN (Raharjo, J.S.D., 2013). Berdasarkan latar belakang dan beberapa penelitian sebelumnya maka penulis melalui penelitian ini mengusulkan metode ELM untuk peramalan jumlah penjualan barang yang dioptimasi dengan metode Particle Swarm Optimization (PSO) Rumusan Masalah Berdasarkan latar belakang di atas, maka dapat dirumuskan masalah dari penelitian ini adalah sebagai berikut : 1) Bagaimana proses optimasi jumlah hidden nodes ELM menggunakan metode optimasi PSO.

4 4 2) Berapa besar akurasi peramalan menggunakan metode ELM yang dioptimasi menggunakan metode PSO, jika dibandingkan dengan tanpa menggunakan metode optimasi particle swarm optimization. Kedua metode tersebut akan diuji menggunakan data uji yang sama Batasan Masalah Batasan-batasan yang perlu diberlakukan pada penelitian ini adalah sebagai berikut : 1) Optimasi jumlah hidden nodes pada ELM menggunakan metode PSO dengan studi kasus peramalan penjualan barang di salah satu minimarket di Bali. 2) Pengujian hasil akan dibandingkan dengan hasil peramalan tanpa menggunakan metode optimasi PSO Tujuan Penelitian Dengan menggabungkan metode ELM dan PSO, akan didapatkan jumlah hidden nodes yang optimal sehingga diharapkan menghasilkan hasil peramalan yang lebih akurat dibanding metode ELM tanpa menggunakan metode optimasi Manfaat Penelitian Manfaat Akademis Memberikan pengetahuan bagi penulis dan peneliti lain mengenai proses serta akurasi peramalan menggunakan metode ELM yang dioptimasi menggunakan metode PSO dan metode peramalan ELM tanpa dioptimasi sehingga dapat dijadikan acuan untuk melakukan penelitian selanjutnya.

5 Manfaat Praktis Mendapatkan jumlah hidden nodes yang optimal, sehingga nantinya dapat menghasilkan hasil peramalan yang lebih akurat dan hasil peramalan tersebut dapat dimanfaatkan oleh pengelola gudang untuk mengatur transfer barang ke minimarket maupun pemesanan barang ke gudang Kebaharuan Penelitian Penelitian mengenai peramalan telah dilakukan menggunakan berbagai macam metode. Mulai dari metode klasik dan metode modern seperti soft computing. Penelitian-penelitian tersebut dilakukan untuk mendapatkan nilai error yang rendah namun tidak mengesampingkan kecepatan dari metode tersebut. Tabel 1.1 menunjukkan beberapa penelitian yang telah dilakukan mengenai peramalan dan Gambar 1.1 merupakan fishbone diagram dari penelitian yang akan dilakukan.

6 Tabel 1.1. Penelitian Mengenai Peramalan Judul Pengarang Tahun PSO-Based High Order Time Invariant Fuzzy Time Series Method : Application to Stock Exchange Data Erol Egrioglu 2014 OPTIMASI ANN Metode PSO GA BP FF ELM Fuzzy Time Series Fuzzy Type-2 Demand Forcasting Using Neural Network For Supply Chain Managemnt Ashvin Kochak, Suman Sharma 2015 A Study of Using Back Propagation Neural Network for the Sales Forecasting of the Thin Film Sputtering Process Material Tian Syung Lan, dkk 2012 Pelatihan Feed Forward Neural Network Menggunakan Algoritma Genetika Dengan Metode Seleksi Turnamen Untuk Data Time Series David Yuliandar, dkk 2012 Forecasting Tourism Demad By Fuzzy Time Series Models Kun-Huang Huarng, dkk 2012 Model Artificial Neural Network Berbasis Particle Swarm Optimization untuk prediksi laju inflasi. Joko S. Dwi Raharjo 2013 Aplication Of Short Term Load Forecasting On Special Days Using Interval Type-2 Fuzzy Inference systems : Study Case In Bali Indonesia Agus Dharma, dkk Minimalisasi Nilai Error Peramalan Dengan Algoritma Extreme Learning Machine Rachmad Hidayat, Suprapto

7 Judul Pengarang Tahun Optimasi Jumlah Hidden Layer Extreme Learning Machine Menggunakan Metode Particle Swarm Optimization Untuk Peramalan Jumlah Penjualan Barang I Putu Susila Handika 2015 Metode OPTIMASI ANN PSO GA BP FF ELM Fuzzy Time Series Fuzzy Type-2 7

8 Data Bursa Saham Penjualan Barang Genetic Algorithm Penggunaan Listrik Particle Swarm Optimization Peramalan Artificial Neural Network ARIMA Extreme Learning Machine Mean Square Error Fuzzy Time Series Feedforward Mean Absolute Percentase Error Gambar 1.1. Fishbone Diagram Peramalan 8