PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGATION SKRIPSI M HERRI MUSTAQIM HSB 101402089 PROGRAM STUDI S1 TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGATION SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Teknologi Informasi M HERRI MUSTAQIM HSB 101402089 PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA MEDAN 2015
ii PERSETUJUAN Judul : PREDIKSI PENJUALAN PADA PERUSAHAAN INDUSTRI MENGGUNAKAN BACK PROPAGSTION Kategori : SKRIPSI Nama : M HERRI MUSTAQIM HSB Nomor Induk Mahasiswa : 101402089 Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI Departemen : TEKNOLOGI INFORMASI Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI (FASILKOMTI) UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Diluluskan di Medan, Januari 2015 Pembimbing 2 Pembimbing 1 Dr. Syahril Efendi, S.Si, M.IT NIP Dr. Erna Budhiarti Nababan, MIT NIP Diketahui/Disetujui oleh Program Studi S1 Teknologi Informasi Ketua, Muhammad Anggia Muchtar, ST.MM.IT NIP 1980010 200801 1 010 PERNYATAAN PREDIKSI PENJUALAN PADA PERUSAHAN INDUSTRI
iii MENGGUNAKAN METODE BACKPROPAGATION SKRIPSI Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Juari 2015 M Herri Mustaqim HSB 101402089 PENGHARGAAN
Puji dan syuur penulis panjakat atas kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat utama memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi. Ucapan terima kasih penulis sampaikan kepada: 1. Dekan dan Pembantu Dekan Fakultas Ilmu Komputer Dan Teknologi Informasi 2. Ucapan terima kasih kepada ketua dan seketaris Program Studi Teknologi Informasi, Muhammad Anggia Muchtar, ST, M.IT dan M.Fadly Syahputra, B.Sc, M.Sc.IT. 3. Ucapan terima kasih kepada pembimbing satu ibu Dr.Erna Budhiarti Nababan, M.IT dan kepada bapak Bapak Syahril Efendi, S.Si, M.IT selaku pembimbing dua yang telah meluangkan waktu serta pikiranya untuk memotivasi dan memberikan kritik dan saran membangun kepada penulis. 4. Ucapan terima kasih kepada bapak Muhammad Anggia Muchtar,ST,M.IT selaku dosen pembanding satu dan bapak Romi Fadhillah Rahmat,B.Sc.M.Sc selaku pembanding dua yang telah bersedia sebagai dosen pembanding, semua dosen Teknologi Informasi,Serta seluruh pegawai di Program Studi Teknologi Informasi. 5. Ucapan terima kasih kepada kedua orang tua penulis dan seluruh keluarga penulis yang telah memberikan motivasi baik spiritual maupun materil, papa Ir.H.Syahrizal Novian Hasibuan dan mama Hj.Hertati Sri Ardiani yang selalu sabar dan tabah membesarkan penulis. Serta ucapa terima kasih kepada adik penulis Utari Nisrina Hasibuan selalu memberikan dorongan kepada penulis 6. Ucapan terima kasih kepada PT.Semen Andalas Indonesia Area yang telah membantu dan membimbing penulis dalam pemberian data penjualan kepada penulis dalam melakukan riset, bapak Ricki Syahputra Sitompul dan bapak Zulkarnain Is. 7. Ucapan Terima kasih kepada seluruh teman-teman angkatan 2010, teman-teman TA, serta seluruh teman-teman mahasiswa Teknologi Informasi yang tidak dapat disebutkan namanya satu persatu, semoga Allah SWT membalas kebaikan kalian semua dengan nikmat serta kesehatan. iv Akhir kata, penulis ucapkan terimakasih kepada semua pihak yang terlibat dalam menyelesaikan skripsi ini yang tidak bisa saya sebutkan satu persatu, semoga Allah SWT membalas kebaikan kalian semua serta nikmat kesehatan dan keberkahan kepada kita semua.
v ABSTRAK Prediksi dalam menghitung nilai penjualan dibutuhkan oleh managemen perusahaan industri dalam menentukan kebijakan tentang penjualan terkait penghitungan penjualan perbulan dan penjualan pertahun. Penelitian ini bertujuan untuk menentukan faktor penjualan perbulan, pertahun dari wilayah pemasaran produk yang berpengaruh terhadap penjualan di masa yang akan datang dan membangun model prediksi terbaik dengan teknik jaringan saraf tiruan. Kriteria pilihan model yang digunakan adalah backpropagation. Metode backpropagation menghitung seluruh data sampel yang berjumlah 1344 data, untuk mencari nilai rata-rata penjualan pada masa yang akan datang dari histori data sebelumnya yang dimulai tahun 2006 hingga 2013 dari lima wilayah pemasaran produk yaitu Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. Selain itu juga dihitung nilai rata-rata training dan testing, berdasarkan pembagian nilai rata-rata di dapatkan 1075 data pelatihan atau 80% data keseluruhan dan 269 data pengujian atau 20% data keseluruhan. Dari hasil pengujian yang dilakukan diperoleh tingkat ketepatan terhadap prediksi dalam menggunakan jaringan saraf tiruan backpropagation dengan hasil rata dari 50% hingga 99%. Kata kunci : Prediksi Penjualan, jaringan saraf tiruan, backpropagation.
vi SALES FORCAST ON INDUSTRIAL COMPANIES USING BACKPROPAGATION NEURAL NETWORK ABSTRACT Predictions for calculating the value of sales required by the management of industrial enterprises in determining the policies of the relevant sales tally monthly sales and sales per year. This study aims to determine the factors of sales per month, per year of marketing areas that affect the sales of products in the future and build the best predictive models with neural network techniques. Criteria for selection model used is backpropagation. Backpropagation method calculates the entire data sample of 1344 data, to look for the average value of sales in the future from previous data history that began in 2006 and 2013 from five regions, namely product marketing Lhokseumawe, Lhoknga, Belawan, Dumai, Batam. It also calculated the average value of training and testing, based on the division of the average value in getting the training data in 1075 or 80% overall data and test data 269 or 20% of the overall data. From the results of tests performed on the prediction accuracy rate obtained using backpropagation neural networks with an average yield of 50% to 99%. Keywords: Sales prediction, neural networks, backpropagation
vii DAFTAR ISI PERSETUJUAN PERNYATAAN UCAPAN TERIMA KASIH ABSTRAK ABSTRACT DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR Hal ii ii iv v vi vii ix x BAB 1 PENDAHULUAN 1 1.1 Latar Belakang 1 1.2 Rumusan Masalah 2 1.3 Batasan Masalah 2 1.4 Tujuan Penelitian 2 1.5 Manfaat Penelitian 2 1.6 Metodologi Penelitian 3 1.7 Sistematika Penulisan 3 BAB 2 LANDASAN TEORI 5 2.1 Defenisi Semen 5 2.2 Definisi Penjualan 6 2.3 Definisi Prediksi Penjualan 6 2.3.1 Jenis Jenis Prediksi Penjualan 7 2.4 Jaringan Saraf Tiruan 8 2.4.1 Konsep Dasar Jaringan Saraf Tiruan 8 2.5 Algoritma Backpropagation 9 2.5.1 Tahap Algoritma Pelatihan 10 2.5.1.1 Inisialisasi Bobot 11 2.5.2 Tahap Algortima Aplikasi 13 2.5.3 Activation Function 13 2.5.4 Penginisialisasi Nilai Bobot dan Bias 14 2.5.5 Momentum Terhadap Pengupdatean Nilai bobot 15 2.7 Penlitian terdahulu 16 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 18 3.1 Data yang Digunakan 18 3.2.Analasis Sistem 19 3.3 Use Case Diagram 25 3.3.1 Use Case Specification 25 3.3.2 Use case spesifikasi 28 3.4 Perancangan Aplikasi Antarmuka Pemakai 30 3.4.1 Form Login 31 3.4.2 Halaman Awal (Home) 31
3.4.3 Halaman Prediksi 32 viii 3.4.4 Halaman Data 33 3.4.5 Halaman Grafik 34 3.4.6 Halaman Logout 35 BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 36 4.1 Implementasi Sistem 36 4.2 Antarmuka Pengguna (Interface) 36 4.2.1 Tampilan Awal (Home) 37 4.2.2 Halaman Prediksi 37 4.2.3 Halaman Data 38 4.2.4 Halaman Grafik 40 4.3 Pengujian Sistem 41 4.3.1 Rancangan Sistem 41 4.4 Pengujian Sistem 43 4.4.1 Pengujian Sistem 43 4.4.2 Hasil Pengujian Jaringan Saraf Tiruan Backpropagation 46 4.4.3 Data Pengujian 50 BAB 5 KESIMPULAN DAN SARAN 52 5.1 Kesimpulan 52 5.2 Saran 52 DAFTAR PUSTAKA 53 LAMPIRAN KODE PROGRAM 55
ix DAFTAR TABEL Hal. Tabel 2.1 Penelitian Terdahulu 16 Tabel 3.1 Rangkuman Data Penjualan 18 Tabel 3.2 Use Case Specification untuk Use Case Home 26 Tabel 3.3 Use Case Specification untuk Use Case Prediksi 26 Tabel 3.4 Use Case Specification untuk Use Case Login 27 Tabel 3.5 Use Case Specification untuk Use Case Home 28 Tabel 3.6 Use Case Specification untuk Use Case Prediksi 28 Tabel 3.7 Use Case Specification untuk Use Case Login 29 Tabel 3.8 Use Case Specification Untuk Use Case Data 29 Tabel 4.1 Rencana Pengujian 41 Tabel 4.2 Hasil Pengujian 42 Tabel 4.3 Tabel Data OPC 44 Tabel 4.4 Tabel Data PCC 44 Tabel 4.5 Tabel Data OPC bulk 44 Tabel 4.6 Tabel Data OPC normalisasi 45 Tabel 4.7 Tabel Data PCC normalisasi 45 Tabel 4.8 Tabel Data OPC bulk normalisasi 45 Tabel 4.9 Hasil Pelatihan Jaringan Saraf Tiruan Backpropagation 46
x DAFTAR GAMBAR Gambar 2.1 Arsitektur dasar jaringan saraf tiruan (sutejo et al, 2011) 9 Gambar 2.2 Jaringan backpropagation dengan lapisan tersembunyi (Puspita, 2006) 10 Gambar 2.3 Alur kerja algoritma tahap pelatihan backpropagation (sutejo et al, 2011) 10 Gambar 3.1 Grafik pnjualan 18 Gambar 3.2 Flowchat Proses training 22 Gambar 3.3 Flowchat Proses testing 24 Gambar 3.4 Use Case Diagram Penjualan 25 Gambar 3.5 Halaman login 31 Gambar 3.6 Halaman awal (Home) 32 Gambar 3.7 Halaman Prediksi 33 Gambar 3.8 Halaman Data 34 Gambar 3.9 Halaman Grafik 34 Gambar 3.10 Halaman Logout 35 Gambar 4.1 Tampilan Halaman Awal (Home) 37 Gambar 4.2 Tampilan Prediksi 38 Gambar 4.3 Tampilan Data 39 Gambar 4.4 Tampilan Tambah Data 39 Gambar 4.5 Tampilan Grafik 40 Gambar 4.6 Tampilan Grafik Lanjutan 40 Gambar 4.7 Grafik Parameter Penelitian 50 Gambar 4.8 Grafik Prediksi Penjualan 50 Gambar 4.9 Grafik Pelatihan nilai error 67 Gambar 4.10 Grafik Hasil Prediksi 68 Hal.