Implementasi jaringan syaraf tiruan backpropagation untuk menentukan prediksi jumlah permintaan produksi dodol apel

INDONESIA:

Peramalan berkaitan penting dalam pembuatan perencanaan sehingga akan mempengaruhi cara pembuatan keputusan (decision making). Salah satu metode peramalan adalah Jaringan Syaraf Tiruan dengan algoritma backpropagation. Penelitian ini bertujuan untuk mengukur akurasi dari arsitektur jaringan yang digunakan dalam menghitung prediksi penjualan bulanan dodol apel dari CV. Bagus Agriseta Mandiri di tahun yang akan datang. Data yang digunakan sebanyak 36 data penjualan bulanan yang tercatat pada pembukuan tahun 2017, 2018 dan 2019. Data tersebut kemudian dinormalisasi dan dibagi 66,66% menjadi data latih dan 33,33% menjadi data uji untuk kemudian dapat diproses pada jaringan. Arsitektur jaringan yang digunakan adalah 12 : 10 : 1, dimana 12 neuron layar masukan, 10 neuron di satu layar tersembunyi dan 1 neuron layar keluaran. Jaringan dengan kerangka tersebut menghasilkan MAPE sebesar 20.161% dengan akurasi 79.839%. Model tersebut memiliki kemampuan peramalan dengan kategori cukup atau layak. Selanjutnya, dilakukan perhitungan validasi jaringan keseluruhan menggunakan metode K-fold cross validation dengan K=3. Hasilnya, nilai keseluruhan MAPE rata-rata sebesar 47.079% dan nilai keseluruhan akurasi rata-rata sebesar 52.921%. Berdasarkan hal tersbut, nilai MAPE berada diantara 20% dan 50%, maka model peramalan yang digunakan berada pada kategori cukup atau layak. Sebagai perbandingan, telah dilakukan pengujian menggunakan fold yang sama namun dengan arsitektur jaringan yang berbeda yakni model 6 – 8 – 1. MAPE yang didapatkan bernilai 26.74% dan nilai akurasi sistemnya adalah 73.18% sehingga kedua model peramalan memiliki kemampuan peramalan di kategori yang sama yakni cukup atau layak.

ENGLISH:

Forecasting is important in accordance with the planning strategy, therefore it will affect the way of decision making. One of the forecasting methods is Artificial Neural Network with Backpropagation as the algorithm. This research aims to measure the accuracy of the network architecture which is being applied in order to calculate the prediction of the future’s apple paste product monthly demand which was obtained from CV. Bagus Agriseta Mandiri. The data used are 36 monthly data from the year of 2017, 2018 and 2019. Furthermore, the data obtained are normalized and divided into two, 66,66% as the data for training process and 33,33% as the data for testing process. Network architecture applied in this research is 12 : 10 : 1, where 12 are neurons for input layer, 10 are neurons for one hidden layer and 1 is neuron for output layer. The Network with that framework obtained a result 20.161% for MAPE and 79.839% for the accuracy. That model is categorized as good enough for its forecasting ability. Moreover, the network was entirely validated using k-fold cross validation method with k=3. The result obtained as follows: the average of MAPE is 47.079% and the average accuracy is 52.921%. According to it, the entire model can be categorized as good enough in order to run a forecast. As a comparison, another testing has been done with the same fold but different in the network architecture (model 6 – 8 – 1). The second model obtained results as follows: the average of MAPE is 26.74% and the average accuracy is 73.18%, so that the two prediction models’ ability are in the same category, it is good enough to run a forecast.

ARABIC:

التنبؤ هو في الأساس افتراض حول حدوث حدث في الوقت الحالي أو في المستقبل. يعد التنبؤ أمرًا مهمًا وفقًا لاستراتيجية التخطيط ، وبالتالي سيؤثر على طريقة اتخاذ القرار. إحدى طرق التنبؤ هي الشبكة العصبية الاصطناعية ذات الانتشار العكسي كخوارزمية. يهدف هذا البحث إلى قياس دقة بنية الشبكة التي يتم تطبيقها من أجل حساب التنبؤ بالطلب الشهري لمنتج معجون التفاح في المستقبل والذي تم الحصول عليه من السيرة الذاتية. باجوس أجريسيتا مانديري(CV. Bagus Agriseta Mandiri) . البيانات التي يتم استخدامها هي 36 بيانات شهرية من عام 2017 و 2018 و 2019. ثم يتم تطبيع البيانات وتقسيم 66.66٪ إلى بيانات تدريب و 33.33٪ إلى بيانات اختبار ليتم معالجتها بعد ذلك على الشبكة. بنية الشبكة المطبقة في هذا البحث هي 12: 10: 1 ، حيث 12 عبارة عن خلية عصبية لطبقة الإدخال ، و 10 خلايا عصبية لطبقة واحدة مخفية و 1 هو الخلايا العصبية لطبقة الإخراج. حصلت الشبكة مع هذا الإطار على نتيجة 20.161٪ ـ MAPE 79.839٪ للدقة. تم تصنيف هذا النموذج على أنه جيد بما يكفي لقدرته على التنبؤ. علاوة على ذلك ، تم التحقق من الشبكة تمامًا باستخدام طريقة التحقق من صحة k-fold مع k = 3. والنتيجة المتحصل عليها كالتالي: معدل MAPE 47،079٪ و متو سط دقة 52.921٪. وفقًا للنتيجة ، يمكن تصنيف النموذج بأكمله على أنه جيد بما يكفي لتشغيل التنبؤ. للمقارنة ، تم إجراء اختبار باستخدام نفس الطية ولكن مع بنية شبكة مختلفة ، أي نموذج 6 - 8-1. تبلغ قيمة MAPE التي تم الحصول عليها 26.74٪ وقيمة دقة النظام 73.18٪ بحيث يكون لكلا نموذجي التنبؤ قدرات التنبؤ في نفس الفئة ، وهي كافيةأو جديرة.