Digital - 20310393-S43050-Peramalan Penjualan PDF
Digital - 20310393-S43050-Peramalan Penjualan PDF
Digital - 20310393-S43050-Peramalan Penjualan PDF
SKRIPSI
LINDA STEPVHANIE
0806459085
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik
LINDA STEPVHANIE
0806459085
FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK INDUSTRI
DEPOK
JUNI 2012
ii
iii
DEWAN PENGUJI
Ditetapkan di : Depok
Tanggal : 22 Juni 2012
iv
Puji syukur penulis ucapkan kepada Tuhan Yang Maha Esa, karena berkah
dan perlindungan-Nya, penulis dapat menyelesaikan skripsi ini tepat waktu dan
tanpa kendala. Penulisan skripsi ini ditujukan untuk memenuhi salah satu syarat
emndapatkan gelar Sarjana Teknik Departemen Teknik Industri pada Fakultas
Teknik Universitas Indonesia. Penulis sangat menyadari bahwa tanpa adanya
bimbingan dan bantuan dari berbagai pihak, akan sangat sulit bagi penulis untuk
dapat menyelesaikan skripsi ini. Oleh karena itu, penulis mengucapkan terima
kasih kepada:
1. Ibu Ir. Isti Surjandari, Ph.D, selaku dosen pembimbing skripsi yang selalu
membimbing, mengarahkan, memotivasi, manyarankan, memperbaiki dan
membantu setiap langkah penyusunan skripsi ini
2. Bapak Patno Sigit Panjaitan yang telah memberikan izin untuk
mempergunakan data perusahaan kepada penulis.
3. Bapak Djoko Sihono Gabriel, selaku dosen pembimbing akademis, dan dosen-
dosen lainnya, yang telah memberikan masukan dan ilmu selama penulis
melakukan pembelajaran.
4. Rendra Satya Wirawan yang telah bersedia meluangkan waktu untuk
membantu dan memberikan masukan selama proses pengerjaan skripsi.
5. Mariana, Ella, Anissa dan Irfan atas dukungan dalam proses pengerjaan skripsi.
6. Teman-teman satu bimbingan Bu Isti: Nike, Echa, Upi, Novi, Farid dan Anda
atas dukungan dan kerjasamanya pada proses pengerjaan skripsi ini.
7. Stephanie Rengkung, Shelly Apsari, Ricky Muliadi, Stefan Darmansyah, Alex
Justian, Jimmy Fong, Anton Hartawan dan teman-teman TIUI angkatan 2008
atas persahabatan dan kerjasamanya yang luar biasa selama 4 tahun yang
sangat mengesankan ini.
8. Keluarga besar tercinta, Mama, Papa, Lisa, Ievan dan Indra atas dukungan dan
dorongan moril yang tak ternilai.
9. Terakhir, pihak lain yang tak bisa disebutkan namanya satu per satu disini.
Penulis
vi
Peramalan Penjualan Produk Susu Bayi dengan Metode Grey System Theory
dan Neural Network
beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti
Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalih
media/formatkan, mengelola dalam bentuk pangkalan data (database), merawat
dan mempublikasikan tugas akhir saya selama tetap mencantumkan nama saya
sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.
Dibuat di : Depok
Pada tanggal : 13 Juni 2012
Yang Menyatakan
(Linda Stepvhanie)
vii
Kata kunci:
Peramalan, penjualan, neural network, grey system theory, backpropagation
ABSTRACT
Now a days, a science and technology is growing rapidly make the competition
intensifies in the business world for providing services to consumers. Therefore
we need some way to produce goods with the correct amount. It was become the
rolle of a sales forecasting method. There are many methods in sales forecast.
However we don’t know which method can give the best result. In this research,
Neural Network, Grey System Theory GM(1,1) will be compared to the
traditional methods. Through sixteen kinds of data that is used, show that BPNN
provide results a smaller error than others.
Key words:
Forecasting, sales, neural network, grey system theory, back propagation
viii
Universitas Indonesia
BAB 1 PENDAHULUAN..................................................................................... 1
1.1 Latar Belakang ................................................................................................ 1
1.2 Diagram Keterkaitan Masalah......................................................................... 3
1.3 Rumusan Masalah ........................................................................................... 3
1.4 Tujuan Penelitian............................................................................................. 3
1.5 Ruang Lingkup Penelitian ............................................................................... 5
1.6 Metodologi Penelitian ..................................................................................... 5
1.7 Sistematika Penulisan .................................................................................... 8
x
Universitas Indonesia
xi
Universitas Indonesia
xii
Universitas Indonesia
xiii
Universitas Indonesia
1 Universitas Indonesia
dengan metode time series. Dalam metode time series sendiri terdapat beberapa
cara yang sering dipergunakan, seperti metode statistik yaitu moving average, dan
exponential smoothing. Namun sering kali metode ini memberikan hasil yang
kurang memuaskan terbukti dari tingkat akurasi yang masih rendah. Oleh karena
itu, dalam tugas akhir in akan dicoba utnuk melakukan peramalan time series
dalam penjualan dengan menggunakan metode baru yaitu Neural Network dan
Grey System Theory.
Neural Network merupakan suatu model matematis yang menyerupai cara
kerja otak biologis. Pada prinsipnya, Neural Networks banyak digunakan dalam
aplikasi bisnis yang membutuhkan pengenalan pola, prediksi, klasifikasi,
peramalan dan optimasi (Bennel, 2006). Sedangkan Grey Model Theory
merupakan suatu model yang dikembangkan oleh Julong Deng pada tahun 1982
yang digunakan untuk memecahkan masalah yang tidak pasti (uncertainty) seperti
pengambilan keputusan, prediksi, klasifikasi, pengenalan pola, optimasi dan
analisa sistem berdasarkan perhitungan matematis.
Dalam penelitian yang dilakukan oleh Kotsialos pada tahun 2005
dikatakan bahwa hasil prediksi yang dihasilkan dengan Neural Network memiliki
tingkat akurasi yang lebih tinggi dibandingkan dengna metode statistik klasik
terutama untuk peramalan jangka panjang. Selain itu, pada penelitian Khashei dan
Bijari (2010) yang berjudul An Artificial Neural Network (p,d,q) Model for
Timeseries Forecasting, dikatakan bahwa Neural Network memberikan hasil yang
lebih fleksibel sehingga dapat digunakan utnuk memecahkan masalah peramalan
dalam jangka waktu yang cukup panjang dengan tingkat akurasi yang tinggi.
Menurut Hill, O’Connor dan Remus (1996) Neural Network memberikan
hasil yang lebih baik dibandingkan dengan metode peramalan tradisional baik
dalam peramalan bulanan maupun dalam kuartal waktu tertentu.
Pada penelitian yang dilakukan oleh Thomassey (2010) dengan
membandingkan metode peramalan penjualan dengan menggunakan neural
network, fuzzy logic dan simulasi. Berdasarkan penelitian tersebut, disimpulkan
bahwa hasil yagn diperoleh dengan metode neural network, fuzzy logic dan
simulasi memiliki hasil dengan tingkat akurasi yang cukup tinggi, terbukti dari
Universitas Indonesia
Berdasarkan apa yang telah dituliskan pada latar belakang, maka berikut
ini adalah diagram keterkaitan masalah tersebut pada gambar 1.1.
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
3. Pengumpulan data
Tahap pengumpulan data merupakan tahap penentuan kebutuhan data
dengan melakukan identifikasi data-data yang diperlukan untuk
menyelesaikan masalah ini. Secara umum, data yang dibutuhkan adalah
data histori penjualan.
5. Pembuatan kesimpulan
Setelah seluruh tahap telah dilakukan dengan baik maka dilakukan
pembuatan kesimpulan berdasarkan analisa yang telah dibuat.
Gambar dari metodologi penelitian dapat dilihat pada Gambar 1.2.
Universitas Indonesia
Universitas Indonesia
9 Universitas Indonesia
kegiatan yang penting dalam sebuah bisnis industri. Hal ini disebabkan
peramalan permintaan dapat mempengaruhi proses kerja lainnya, seperti
pembelian bahan baku, dan perencanaan produksi. Oleh karena itu
diperlukan suatu cara peramalan yang memiliki tingkat akurasi yang
tinggi.
2. Proses pemesanan
Proses pemesanan dimulai dari ketika perusahaan menerima pesanan dari
konsumen. Untuk memenuhi pesanan konsumen tersebut dapat dilakukan
dengan mengambil ketersediaan barang yang ada atau melakukan proses
produksi untuk memenuhi permintaan tersebut. Oleh karena itu, sebuah
perusahaan harus mengetahui produk apa yang harus diproduksi, berapa
banyak, dan kapan produk tersebut harus diantarkan.
3. Jadwal pengantaran
Penjadwalan pengantaran merupakan suatu kegiatan pengiriman barang
yang harus dilakukan atas permintaan konsumen.
4. Konfirmasi antara perencanaan produksi dengan kondisi pasar.
Universitas Indonesia
2. Musiman (Seasonality)
Pola musiman biasanya terbentuk oleh penjualan dengan produk yang
tingkat penjualannya dipengaruhi oleh cuaca, musim liburan, maupun hari-
hari besar. Dasar periode untuk penjualan musiman biasanya dalam
rentang waktu tahunan, akan tetapi bulanan dan mingguan juga bias
membentuk suatu pola penjualan musiman.
3. Acak (Random)
Pola acak biasanya terjadi pada produk yang tingkat penjualannya
diperngaruhi oleh banyak faktor dalam suatu periode tertentu. Variasi yang
terjadi mungkin akan sangat kecil, namun membentuk pola acak yang
tidak menentu.
4. Siklis (Cycle)
Pola siklis hampir mirip dengan pola penjualan musiman. Namun, pola
penjualan siklis terbentuk dalam satu rentang periode yang lebih panjang,
misalnya pola siklis tersebut terbentuk dalam rentang waktu beberapa
tahun maupun dekade.
Jika digambarkan secara grafik, pola-pola penjualan tersebut akan
memberikan gambaran seperti berikut ini:
Selain itu penjulan juga dapat membentuk pola campuran seperti pada gambar 2.2.
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang
(Murahartawaty,2006). Peramalan memiliki peranan yang penting dalam sebuah
perusahaan, dikarenakan peramalan merupakan dasar dari sebuah perencanaan
produksi yang juga berkaitan dengan inventori. Oleh karena itu, pemilihan metode
Universitas Indonesia
peramalan yang tepat menjadi salah satu faktor yang penting dalam menentukan
peramalan.
Berikut ini merupakan tipe peramalan berdasarkan kegunaan (Alfatah,
1998):
Tabel 2.1 Tipe Peramalan Berdasarkan Kegunaan
tipe peramalan
tipe peramalan
berdasarkan jangkauan waktu peramalan
berdasarkan kegunaan
rincian hasil
output
waktu perencanaan fasilitas dan
maksimum yang
peramalan fasilitas waktu konstruksi ditambah
diharapkan
waktu pengembangan fasilitas
(volume dolar)
beberapa siklus pembuatan atau
volume produk
peramalan perencanaan paling sedikit satu siklus
sesuai dengan
produksi permintaan dengan penjualan
tipe yang dipilih
musiman
tenggang waktu (waktu tunggu)
satuan produk
peramalan produk ditambah paling sedikit satu
yang dijual
siklus pembuatan
1. Melakukan analisa pada data masa lampau. Langkah ini bertujuan untuk
mendapatkan gambaran pola dari data bersangkutan.
2. Memilih metode yang akan digunakan. Terdapat bermacam-macam
metode yang tersedia dengan keperluannya. Pemilihan metode dapat
mempengaruhi hasil ramalan. Hasil ramalan diukur dengan menghitung
error atau kesalahan terkecil. Oleh karena itu, tidak ada metode peramalan
yang pasti baik untuk semua jenis data.
Universitas Indonesia
3. Peramalan akan lebih akurat untuk kelompok atau grup. Perilaku dari
individual item dalam sebuah grup adalah acak bahkan ketika grup
tersebut berada dalam keadaan stabil. Sebagai contoh, meramalkan secara
akurat seorang murid dalam suatu kelas lebih sulit daripada meramalkan
untuk rata-rata keseluruhan kelas. Dengan kata lain, peramalan lebih
akurat untuk dilakukan pada kelompok atau grup daripada individual item.
4. Peramalan lebih akurat untuk jangka waktu yang lebih dekat. Peramalan
untuk jangka panjang biasanya akan memilki tingkat kesalahan yang lebih
tinggi, dikarenakan tidak diketahui kejadian-kejadian yang akan terjadi
dimasa mendatang. Oleh karena itu, lebih baik meramalkan untuk jangka
Universitas Indonesia
yang lebih pendek dengan melakukan pendekatan situasi yang terjadi pada
saat peramalan dilakukan.
Universitas Indonesia
Metode kausal
Metode peramalan kausal mengembangkan suatu model sebab-akibat
antara permintaan yang diramalkan dengan variabel-variabel lain yang
dianggap berpengaruh. Pada metode kausal ini dibagi menjadi tiga
bagian yaitu :
1. Metode korelasi regresi
Peramalan ini digunakan untuk :
Peramalan penjualan
Peramalan keuntungan
Peramalan permintaan
Peramalan keadaan ekonomi
Metode ini sangat cocok digunakan untuk peramalan jangka
pendek, data yang digunakan kumpulan dari data beberapa tahun.
2. Metode ekonometrik
Peramalan ini digunakan untuk :
Peramalan penjualan menurut kelas produksi
Peramalan keadaan ekonomi masyarakat yang meliputi
permintaan, harga, dan penawaran.
Metode ini sangat cocok untuk peramalan jangka pendek dan
panjang. Data yang digunakan merupakan kumpulan data
beberapa tahun.
3. Metode input output
Peramalan ini digunakan untuk :
Peramalan penjualan perusahaan
Peramalan produksi dari sektor dan sub sektor industri
Metode ini sangat cocok untuk peramalan jangka panjang. Data
yang digunakan merupakan kumpulan data 10-15 tahun.
Metode deret berkala (Time Series), yaitu metode kuantitatif yang
didasarkan atas penggunaan analisa pola hubungan antar variabel yang
akan diperkirakan dengan variabel waktu. Penjualan/permintaan
dimasa lalu pada analisa deret waktu akan dipengaruhi keempat
Universitas Indonesia
dimana:
Ft = Hasil peramalan untuk periode t
Universitas Indonesia
dimana:
Ft = Hasil peramalan untuk periode t
N = jumlah data penelitian
= data histori penjualan/permintaan
Universitas Indonesia
dengan syarat bahwa jumlah bobot yang digunakan harus sama dengan 1.
1 (2.3)
Universitas Indonesia
dimana,
Ft = peramalan berdasarkan level pada periode t
Tt = peramalan berdasarkan trend pada periode t
St = peramalan berdasarkan seasonal pada periode t
At = data aktual pada periode t
Yt = hasil peramalan berdasarkan level, trend, dan seasonal pada
periode t
p = periode musiman (seasonal)
α = bobot level
ß = bobot trend
ɣ = bobot seasonal
Berikut ini merupakan persamaan triple exponential smoothing dengan
additive seasonal model :
Ft = α (At - St-p) + (1- α).(Ft-1 + Tt-1) (2.12)
Tt = ß (Ft – Ft-1)+ (1-ß) Tt-1 (2.13)
St = ɣ (At - Ft) + (1-ɣ) St-p (2.14)
(2.15)
dimana,
Ft = peramalan berdasarkan level pada periode t
Tt = peramalan berdasarkan trend pada periode t
St = peramalan berdasarkan seasonal pada periode t
At = data aktual pada periode t
Yt = hasil peramalan berdasarkan level, trend, dan seasonal pada
periode t
p = periode musiman (seasonal)
α = bobot level
ß = bobot trend
Universitas Indonesia
ɣ = bobot seasonal
(2.17)
(2.18)
dimana,
xi= periode i
yi = data aktual pada periode i
n = banyaknya periode/data yang digunakan
dimana,
SFt+1 = peramalan berdasarkan musiman
Universitas Indonesia
Grey System Theory ditemukan oleh Julong Deng pada tahun 1982, yakni
merupakan suatu metodologi yang terpusat pada suatu masalah yang memiliki
sedikit sampel ataupun informasi yang sedikit. Grey System Theory merupakan
metode matematis yang digunakan untuk membantu memecahkan masalah yang
tidak pasti (uncertain problem) dengan sedikit data dan informasi yang sedikit.
Pada tabel 2.2 menunjukkan perbandingan antara grey system theory dengan fuzzy
math, dan statistik & probabilitas.
Tabel 2.2 Perbandingan antara grey system, statistik &probabilitas, dan fuzzy math
Statistik &
Grey System Probabilitas Fuzzy Math
Objek informasi yang ketidakpastian
penelitian sedikit stokastik kognitif
Landasan awal grey hazy sets cantor set fuzzy set
Metode cangkupan informasi pemetaan pemetaan
rangkaian sebaran
Prosedur penoperasian frekuensi cut set
Kebutuhan tujuan persebaran perluasan data
data persebaran apapun umum yang diketahui
Perhatian intensi intensi ekstensi
Tujuan data aktual data historis hasil yang kognitif
Karakteristik sedikit sampel banyak sampel pembelajaran
dimana,
x(0)(k) = data aktual pada periode k
x(1)(t) = 1-ago sequence (jumlah data aktual hingga periode t)
x’(1)(k+1) = hasil peramalan pada periode k
Universitas Indonesia
a = koefisien pengembangan
b = grey action quantity
Universitas Indonesia
Perhitungan yang diperlukan dalam menghitung nilai input dalam tiap unit
i pada jaringan pada waktu t dilakukan dengan persamaan :
dimana :
Fungsi aktivasi terdiri dari beberapa bentuk yang spesifik yang tergantung
pada beberapa faktor antara lain :
Jenis-jenis fungsi aktivasi φ.(.) yang bisa dipakai dalam neural networks
adalah seperti beriktu ini (Santosa, 2007) :
1. Fungsi Threshold
Universitas Indonesia
1 if 1
( )
0 if 1 (2.28)
Universitas Indonesia
1. Logistic Sigmoid
1
F(x) = (2.31)
1 e ax
2. Tangent Hyperbolic
f(x) = atanh(bx)
2. Gunakan vektor input x sebagai output dari input layer pada elemen
proses.
k
δopj = f1 (netkj) opk wkj
k 1
(2.34)
10. Ulangi langkah 2 sampai dengan 9 untuk semua pasangan vektor input
selama tahap pembelajaran, pengulangan ini disebut epoch.
11. Ulangi langkah 1 sampai dengan 10 sampai epoch mencapai tingkat error
yang diinginkan. Tingkat error menggunakan penjumlahan kuadrat
kesalahan yang ditunjukkan pada output layer untuk semua pembelajaran
p:
p k
E =
k 1
k 1
(δopk)2 (2.37)
Universitas Indonesia
(A t Ft ) 2
MSE k 0
n (2.39)
dimana:
At = permintaan aktual
Universitas Indonesia
n = jumlah data
2. Rata-rata presentase kesalahan mutlak (Mean Absolute Percent
Error/MAPE)
MAPE merupakan metode perhitungan kesalahan yang dihitung dengan
mencari presentase kesalahan dari setiap periode peramalan kemudian
membaginya dengan jumlah data/periode yang digunakan. Berikut ini
merupakan persamaan pada MAPE:
1 n F At
MAPE t
n i 1 At (2.40)
dimana:
n = jumlah data
At = permintaan aktual
Universitas Indonesia
PENGUMPULAN DATA
Pada bab ini akan dijelaskan data apa saja yang dikumpulkan beserta
dengan. Adapun data yang dikumpulkan merupakan data primer dari penjualan
empat merk susu bayi untuk usia 1, 2, 3 dan 4 tahun.
32 Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Data yang diambil selanjutnya adalah data penjualan produk C untuk usia
1 tahun (C1), usia 2 tahun (C2), usia 3 tahun (C3), dan usia 4 tahun (C4). Data
yang digunakan merupakan data histori penjualan selama 55 periode. Dimana 1
periode merupakan 1 minggu. Berikut ini adalah data penjualan yang digunakan:
Data terakhir yang digunakan adalah data penjualan produk D untuk usia 1
tahun (D1), usia 2 tahun (D2), usia 3 tahun (D3), dan usia 4 tahun (D4). Data yang
digunakan merupakan data histori penjualan selama 55 periode. Dimana 1 periode
merupakan 1 minggu. Berikut ini adalah data penjualan yang digunakan:
Universitas Indonesia
Pada bab ini dijelaskan mengenai cara pengolahan data yang dilakukan
dan analisis hasil pengolahan data yang didapatkan. Secara garis besar, masing-
masing data dari setiap jenis produk yang terdiri menjadi 55 periode dibagi
menjadi data untuk simulasi (44 periode) dan data untuk membandingkan data
aktual dengan peramalan (11 peride). Data tersebut akan diolah dengan metode
yang telah ditentukan beserta dengan perhitungan tingkat kesalahannya.
41 Universitas Indonesia
Dalam kasus deret waktu ini, data penjualan untuk setiap periode dibaca
secara horizontal.
Ketika memasukkan data, data yang akan diolah (44 periode) dibagi
menjadi 4 kelompok yaitu 2 kelompok digunakan dalam training dan 2
kelompok yang digunakan dalam testing. Masing-masing kelompok
terbagi menjadi input dan target.
Tahap selanjutnya yang dilakukan setelah memasukkan data yaitu
mengolah data dengan neural network toolbox yang telah tersedia pada
MATLAB. Data training merupakan data yang dipergunakan untuk
melakukan pengenalan pola yang nantinya dipakai untuk peramalan. Data
training memberikan bobot, bias, nilai slope, nilai intercept, dan nilai
koefisien korelasi. Data testing merupakan data uji yang akan dipakai
untuk menghitung hasil ramalan dan kesalahan ramalan. Dalam penelitian
ini pembagian data training, validation dan testing yang digunakan, yaitu
70%-15%-15%,. Tahap selanjutnya yang dilakukan yaitu menentukan
jumlah hidden layer yang akan digunakan dalam melatih data. Setelah data
di training, maka dilakukan evaluasi pada data melalui testing dengan
menggunakan data yang telah dipisahkan sebelumnya.
Universitas Indonesia
Universitas Indonesia
4.2.1.1 Produk A
Universitas Indonesia
Hasil yang ditampilkan merupakan hasil kesimpulan akhir parameter yang akan
dipergunakan dimana hasil didapatkan dari perhitungan MAPE dan MSE setiap
metode. Berikut ini adalah keempat jenis produk A hasil pengujian parameter dari
setiap metode tersebut:
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Berdasarkan hasil pengolahan data yang diperoleh maka dapat dilihat bahwa hasil
perhitungan dengan MAPE dan MSE masing-masing mengeluarkan hasil
peramalan terbaik yang berbeda. pada tiap jenis produk. pada peramalan produk
A. Namun apabila dilihat berdasarkan keseluruhan hasil MAPE dan MSE dari
keempat jenis produk dapat dilihat bahwa metode grey back propagation neural
network dengan data yang dikonversikan dengan weakening operator memberikan
metode peramalan dengan tingkat akurasi yang cukup tinggi dibandingkan dengna
yang lainnya.
4.2.1.2Produk B
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Berdasarkan hasil pengolahan data yang diperoleh maka dapat dilihat bahwa hasil
perhitungan dengan MAPE dan MSE masing-masing mengeluarkan hasil
peramalan terbaik yang berbeda. pada tiap jenis produk B. Apabila dilihat dari
secara keseluruhan perhitungan MAPE, maka dapat dilihat bahwa neural network
memiliki tingkat kesalahan yang lebih kecil dibandingkan dengan metode lainnya.
Namun apabila dilihat melalui perhitungan MSE, masing-masing jenis produk B
masing-masing menunjukkan metode yang berbeda yaitu trend, GBPNN, neural
network dan seasonal trend.
4.2.1.3 Produk C
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Berdasarkan hasil pengolahan data yang diperoleh maka dapat dilihat bahwa hasil
perhitungan dengan MAPE dan MSE masing-masing mengeluarkan hasil
peramalan terbaik yang berbeda. pada tiap jenis produk C. Apabila dilihat dari
secara keseluruhan perhitungan MAPE, maka dapat dilihat bahwa neural network
memiliki tingkat kesalahan yang lebih kecil dibandingkan dengan metode lainnya.
Namun apabila dilihat melalui perhitungan MSE, masing-masing jenis produk C
masing-masing menunjukkan metode yang berbeda yaitu GBPNN dengan
weakening operator, neural network, GM(1,1), dan moving average. Hal ini
disebabkan karena jumlah penjualan untuk produk C yang berbeda-beda (lihat
gambar 3.9 hingga gambar 3.12 pada bab 3) dimana produk C1 dan C2 memiliki
penjualan rata-rata yang relatif lebih sedikit dibandingkan dengan produk C3 dan
C4. Sehingga apabila dilihat secara keseluruhan melalui perhitungan MSE, maka
metode GM(1,1) dengan perubahan data power function memiliki tingkat akurasi
yang lebih tinggi untuk produk C1 dan C2. Sedangkan pada produk C3 dan C4
metode moving average memiliki hasil peramalan yang cukup baik dibandingkan
dengan metode lainnya.
4.2.1.4 Produk D
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Berdasarkan hasil pengolahan data yang diperoleh maka dapat dilihat bahwa hasil
perhitungan dengan MAPE dan MSE masing-masing mengeluarkan hasil
peramalan terbaik yang sama untuk produk D yaitu metode neural network.
Universitas Indonesia
Selain itu, hasil pengolahan data pada produk B dan C dapat dilihat bahwa
semakin besar range data pada setiap jenis produk, maka nilai MSE semakin
besar. Hal ini disebabkan karena pada prinsipnya sebagian besar metode seperti
grey system theory GM(1,1) dan metode tradisional menerapkan prinsip trend
serta simulasi berdasarkan data histori sebelumnya. Sehingga apabila
disimulasikan kembali menggunakan metode yang digunakan, simulasi yang
dihasilkan berasal dari pendekatan angka beberapa periode sebelumnya, sehingga
tidak dapat menutup kemungkinan bahwa hasil simulasi dan peramalan memiliki
perbedaan hasil yang cukup besar.
Berdasarkan hasil pengolahan data pada setiap jenis produk dapat dilihat
bahwa untuk data yang bersifat acak namun memiliki range data yang tidak
terlalu jauh antara angka terendah dan tertinggi sebaiknya menggunakan metode
grey back propagation neural network yang mengkonversi data menjadi
weakening operator. Sedangkan untuk data yang bersifat acak namun memiliki
range data yang cukup jauh sebaiknya menggunakan metode neural network.
Universitas Indonesia
5.1 Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan melalui enam belas
produk susu bayi dengan empat merk berbeda memiliki metode peramalan terbaik
yang berbeda-beda untuk setiap produknya. Hal ini disebabkan karena penjualan
susu bayi cenderung memiliki pola yang acak.
Berdasarkan hasil penelitian yang telah dilakukan, dapat dilihat bahwa
metode tradisional kurang baik untuk meramalkan penjualan susu bayi. Kemudian
data diolah dengan menggunakan grey system theory GM(1,1) yang menerapkan
prinsip persamaan linear namun dikembangkan dengan mengadakan simulasi
yang diterapkan dengan mengaplikasikan sistem integral, namun hasil peramalan
yang diperoleh juga masih belum baik.
Kemudian data histori penjualan susu bayi diolah dengan menggunakan
backpropagation neural network dan diperoleh hasil peramalan yang lebih baik
dibandingkan dengan sebelumnya. Hal ini disebabkan oleh prinsip neural network
yang sebelumnya melatih model perhitungan yang kemudian kembali di uji untuk
meningkatkan akurasi hasil peramalan.
Oleh karena itu, dilakukan pengembangan metode dengan
menggabungkan grey system theory GM(1,1) dengan backpropagation neural
network menjadi grey backpropagation neural network dan dihasilkan peramalan
penjualan dengan tingkat akurasi yang lebih tinggi dibandingkan dengan grey
system theory GM(1,1).
Melalui perbandingan hasil peramalan yang telah dilakukan, dapat dilihat
bahwa neural network dan grey backpropagation neural network dengan data
weakening operator memiliki hasil peramalan yang baik untuk data yang bersifat
acak. Namun yang membedakan yaitu neural network cocok utnuk meramalkan
data acak yang memiliki fluktuasi data yang tidak begitu stabil sedangkan grey
back propagation neural network cocok untuk meramalkan data acak yang
memiliki range data yang tidak terlalu jauh yang agak membuat pola trend.
60 Universitas Indonesia
Selain itu berdasarkan hasil perhitungan MSE dari setiap jenis produk,
dapat dilihat bahwa semakin besar perbedaan angka terendah dan terbesar pada
data yang acak menyebabkan hasil MSE semakin besar. Hal ini juga berlaku
untuk sebaliknya, apabila perbedaan angka terendah dan terkecil pada data acak
semakin kecil, maka hasil MSE menjadi semakin kecil.
5.2 Saran
Pada penelitian selanjutnya sebaiknya dilakukan peramalan dengan
menambahkan variabel-variabel yang dapat mempengaruhi penjualan seperti
menerapkan variabel-variabel yang berhubungan dengan 4P (Price, Place,
Promotion dan Product). Selain itu, hasil peramalan juga dapat dikembangkan
untuk membantu dalam penentuan inventory control.
Universitas Indonesia
62 Universitas Indonesia
Peramalan penjualan..., Linda Stepvhanie, FT UI, 2012
63
Universitas Indonesia
Universitas Indonesia
1 380
2 461
3 323
4 155
5 514
6 410
7 322
8 230
9 134
10 425
11 514
12 361 350.3788 10.62121 2.942% 112.810
13 173 351.9394 -178.939 103.433% 32019.307
14 222 322.4545 -100.455 45.250% 10091.116
15 269 305.5 -36.5 13.569% 1332.250
16 189 297.9091 -108.909 57.624% 11861.190
17 91 275.2576 -184.258 202.481% 33950.854
18 339 241.197 97.80303 28.850% 9565.433
19 593 253.303 339.697 57.284% 115394.031
20 339 307.4848 31.51515 9.297% 993.205
21 254 313.8333 -59.8333 23.556% 3580.028
22 169 302.9091 -133.909 79.236% 17931.645
23 633 280.4091 352.5909 55.702% 124320.349
24 449 340.4697 108.5303 24.172% 11778.827
25 622 365.7424 256.2576 41.199% 65667.945
26 297 415.6667 -118.667 39.955% 14081.778
27 344 405.3636 -61.3636 17.838% 3765.496
28 637 402.4697 234.5303 36.818% 55004.463
29 293 446.0606 -153.061 52.239% 23427.549
30 586 424.0455 161.9545 27.637% 26229.275
31 456 451.5606 4.439394 0.974% 19.708
32 261 457.5152 -196.515 75.293% 38618.205
33 597 429.197 167.803 28.108% 28157.857
34 493 456.7727 36.22727 7.348% 1312.415
35 525 460.5303 64.4697 12.280% 4156.342
36 190 471.7424 -281.742 148.285% 79378.794
37 351 425.9697 -74.9697 21.359% 5620.455
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
FITS RESI
PERIODE ACTUAL SMO LEV TREN MAPE MSE
(Simulated) (ERROR)
PERIODE ACTUAL SMO LEV TREN SEAS FITS RESI MAPE MSE
Universitas Indonesia
PERIODE ACTUAL SMO LEV TREN SEAS FITS RESI MAPE MSE
Universitas Indonesia
PERIODE ACTUAL SMO LEV TREN SEAS FITS RESI MAPE MSE
Universitas Indonesia
Pada pengolahan data dengan metode seasonal trend yang terbagi menjadi
multicative dan additive. Dimana terdapat perbedaan pada tahapan pengolahan
data.
Berikut ini merupakan tahapan pengolahan data pada metode seasonal
trend dengan menggunakanprinsip multicative.
- Membagi data yang ada menjadi empat cycle
- Mencari index dari setiap periode pada cycle.
Tabel A.12 Index pada setiap cycle
Periode Cycle1 Cycle2 Cycle3 Cycle4 Average index
1 380 361 633 493 466.75 1.29066
2 461 173 449 525 402 1.11161
3 323 222 622 190 339.25 0.9381
4 155 269 297 351 268 0.74108
5 514 189 344 392 359.75 0.99478
6 410 91 637 173 327.75 0.9063
7 322 339 293 190 286 0.79085
8 230 593 586 373 445.5 1.2319
9 134 339 456 436 341.25 0.94363
10 425 254 261 389 332.25 0.91874
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
Metode Grey System Theory GM(1,1) yang sebelumnya telah dibahas pada
bab 2 mengenai persamaan perhitungan yang digunakan. Berikut ini merupakan
contoh perhitungan GM(1,1) pada produk A1:
Tabel B.1 Perhitungan Simulasi GM(1,1)
Proximate
Original Compute Compute Compute
1-Ago of average
Periode data simulated residual relative
sequence generation
sequence values errors errors
of 1-AGO
1 380.00 380 380 0 0
2 461.00 841 610.5 328.04 132.96 0.29
3 323.00 1164 1002.5 329.52 -6.52 0.02
4 155.00 1319 1241.5 331.02 -176.02 1.14
5 514.00 1833 1576 332.52 181.48 0.35
6 410.00 2243 2038 334.02 75.98 0.19
7 322.00 2565 2404 335.53 -13.53 0.04
8 230.00 2795 2680 337.05 -107.05 0.47
9 134.00 2929 2862 338.58 -204.58 1.53
10 425.00 3354 3141.5 340.12 84.88 0.20
11 514.00 3868 3611 341.66 172.34 0.34
12 361.00 4229 4048.5 343.20 17.80 0.05
13 173.00 4402 4315.5 344.76 -171.76 0.99
14 222.00 4624 4513 346.32 -124.32 0.56
15 269.00 4893 4758.5 347.89 -78.89 0.29
16 189.00 5082 4987.5 349.46 -160.46 0.85
17 91.00 5173 5127.5 351.05 -260.05 2.86
18 339.00 5512 5342.5 352.64 -13.64 0.04
19 593.00 6105 5808.5 354.24 238.76 0.40
20 339.00 6444 6274.5 355.84 -16.84 0.05
21 254.00 6698 6571 357.45 -103.45 0.41
22 169.00 6867 6782.5 359.07 -190.07 1.12
23 633.00 7500 7183.5 360.70 272.30 0.43
24 449.00 7949 7724.5 362.33 86.67 0.19
25 622.00 8571 8260 363.97 258.03 0.41
26 297.00 8868 8719.5 365.62 -68.62 0.23
27 344.00 9212 9040 367.28 -23.28 0.07
28 637.00 9849 9530.5 368.94 268.06 0.42
29 293.00 10142 9995.5 370.61 -77.61 0.26
30 586.00 10728 10435 372.29 213.71 0.36
Universitas Indonesia
Universitas Indonesia
Universitas Indonesia
45 396 398.50 368.14 386.86 374.51 512.41 207.95 518.33 206.75 492.47
46 477 400.30 367.63 388.91 376.85 544.50 429.13 551.38 560.92 526.47
47 287 402.12 367.11 390.97 379.20 209.59 335.01 365.75 226.78 189.96
48 188 403.94 366.60 393.04 381.57 104.42 357.09 238.65 212.97 350.66
49 469 405.77 366.09 395.12 383.95 438.29 486.96 414.88 411.68 419.13
50 469 407.61 365.58 397.21 386.36 416.81 263.34 392.82 205.95 347.28
51 563 409.45 365.07 399.32 388.78 209.95 464.85 206.12 209.50 189.96
52 188 411.31 364.56 401.43 391.22 393.04 212.65 395.48 388.63 132.02
53 557 413.17 364.05 403.56 393.67 456.13 401.12 460.43 429.36 453.71
54 559 415.04 363.54 405.69 396.15 409.22 380.49 412.09 396.25 390.29
55 676 416.92 363.03 407.84 398.64 463.43 392.11 405.87 396.00 419.13
Universitas Indonesia