JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
ISSN: 2828-9102 (Prin.
| 2828-9099 (Onlin.
DOI: 10.
55123/jomlai.
Jaringan Saraf Tiruan Memprediksi Tingkat Penjualan Sepeda Motor Menggunakan Metode Back-propagation Artificial Neural Network Predicts Motorcycle Sales Level Using Backpropagation Method Reza Pratama1.
Poningsih2.
Anjar Wanto3 STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia
Article Info
ABSTRAK
Genesis Artikel:
Sepeda Motor menjadi pilihan setiap orang sebagai alat transportasi karena dari harga yang terjangkau serta dapat digunakan dalam jangka waktu yang lama.
Tingginya tingkat penjualan sepeda motor membuat dealer CV Apollo Motor mengalami kesulitan dalam pengadaan varian sepeda motor yang akan dijual.
Banyaknya varian sepeda motor dalam satu pabrikan, membuat penjualan yang berbeda dari masing-masing varian sepeda motor tersebut, ada varian yang penjualannya tinggi dan ada yang penjualannya rendah.
Oleh karena itu prediksi tentang hal ini penting dilakukan sebagai bahan informasi bagi perusahaan.
Data Input diperoleh dari CV Apollo Siantar.
Data dari tahun 2018 hingga 2022 sebagai target prediksi penjualan yang terdiri dari 10 data berdasarkan sepeda motor honda dan masing-masing data memiliki 7 variabel dan 1 target.
Data ini nantinya akan ditransformasikan ke sebuah data antara 0 sampai 1 sebelum dilakukan pelatihan dan pengujian menggunakan Jaringan saraf tiruan algoritma Backpropagation.
Penelitian ini menggunakan algoritma back-propagation.
Berdasarkan hasil analisis, model arsitektur terbaik yaitu 7-3-5-1 karena memiliki tingkat akurasi tertinggi dibandingkan dengan model lain, yakni sebesar 100%.
MSE Testing sebesar 0,08501.
Diterima, 17 November 2022 Direvisi, 28 Desember 2022 Disetujui, 25 Januari 2023 Kata Kunci:
Back-propagation JST
Penjualan Prediksi
Sepeda Motor
ABSTRACT
Keywords:
Back-propagation ANN Sale Predictions Motorcycle Motorcycles are everyone's choice as a means of transportation because they are affordable and can be used for a long time.
The high level of motorcycle sales made CV Apollo Motor dealers experience difficulties in procuring motorcycle variants to be sold.
The large number of motorcycle variants in one manufacturer makes sales different for each of these variants.
there are variants with high and low sales.
Therefore predictions about this matter are essential as information material for the company.
Input data was obtained from CV Apollo Siantar from 2018 to 2022 as a sales prediction target consisting of 10 data based on Honda Each data has seven variables and one target.
This data will later be transformed into data between 0 to 1 before training and testing are carried out using the Backpropagation algorithm artificial neural network.
This study uses the back-propagation Based on the analysis results, the best architectural model is 7-3-5-1 because it has the highest level of accuracy compared to other models, which is 100%.
MSE Testing of This is an open access article under the CC BY-SAlicense.
Penulis Korespondensi:
Reza Pratama.
Program Studi Teknik Informatika.
STIKOM Tunas Bangsa.
Pematangsiantar.
Indonesia Email: rezap3433@gmail.
PENDAHULUAN
Perkembangan teknologi yang begitu pesat dengan kebutuhan masyarakat tentang kendaraan pribadi untuk mempermudah segala aktivitas sehari-hari.
Pertumbuhan penduduk indonesia yang meningkat juga mempengaruhi bertambahnya jumlah kendaraan bermotor yang ada di Indonesia .
Salah satu kendaraan bermotor yang paling diminati adalah kendaraan roda dua, salah satu alasannya karena bisa menghindari kemacetan jalan yang semakin parah .
Banyaknya Journal homepage: https://journal.
id/index.
php/jomlai/ ISSN : 2828-9099 persaingan dalam aspek pemasaran, membuat pihak marketing sulit dalam meningkatkan penjualan sepeda motor, oleh sebab itu dengan adanya kegiatan penjualan setiap hari, data semakin lama akan semakin bertambah banyak.
Data tersebut tidak hanya berfungsi sebagai arsip bagi perusahaan, data penjualan tersebut dapat dimanfaatkan dan diolah sebagai informasi yang berguna untuk meningkatkan penjualan sepeda motor di masa yang akan datang .
Prediksi penjualan adalah salah satu cara untuk dapat bersaing atau bahkan dapat meningkatkan laba perusahaan sehingga prediksi diperlukan untuk menyetarakan antara perbedaan waktu yang sekarang dan yang akan datang terhadap kebutuhan .
Salah satu teknik yang baik digunakan untuk prediksi adalah jaringan saraf tiruan back-propagation karena algoritma back-propagation memungkinkan untuk menghindari kesulitan yang dijelaskan menggunakan aturan belajar yang mirip dengan plastisitas lonjakan waktu yang tergantung pada sinapsis .
Jaringan Saraf Tiruan (JST) Back-propagation (BP) adalah alat matematika yang terkenal dan ekstensif yang digunakan untuk prediksi dan perkiraan waktu, yang juga menentukan hasil untuk fungsi non-linear .
Ae.
Algoritma back-propagation adalah algoritma iterative yang mudah dan sederhana yang biasanya berkinerja baik, bahkan dengan data yang kompleks.
Bahkan back-propagation memiliki sifat komputasi yang baik apalagi bila data yang tersaji berskala besar .
Algoritma back-propagation ini telah banyak digunakan dalam melakukan proses prediksi dan memberikan hasil yang akurat dengan error yang rendah .
Beberapa penelitian sebelumnya digunakan sebagai rujukan untuk penelitian ini, seperti penelitian yang membahas mengenai Model Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Penjualan Produk di PT Ramayana Pematangsiantar".
Dalam penelitian tersebut dapat diperoleh tingkat akurasi 92% .
Pada penelitian selanjutnya dengan menentukan model Jaringan Saraf Tiruan Dalam Memprediksi Jumlah Penjualan Gas 3KgAy.
Dalam penelitian tersebut dapat diperoleh tingkat akurasi 90% .
, dan beberapa penelitian-penelitian lain nya .
Ae.
Berdasarkan latar belakang tersebut, maka dilakukan penelitian ini dengan tujuan untuk melakukan peramalan jumlah penjualan sepeda motor pada waktu tertentu di CV.
Apollo Pematangsiantar berdasarkan model peramalan terbaik melalui serangkaian uji coba menggunakan metode Back-propagation.
Hasil dari penelitian ini dapat menjadi acuan untuk penelitian lain dengan topik yang sama.
METODE PENELITIAN
Bagan Alir Penelitian Bagan Alir yang dilakukan pada penelitian ini dapat dilihat pada gambar 1 berikut.
Gambar 1.
Bagan Alir Penelitian Berdasarkan gambar 1 dapat dijelaskan bahwa penelitian di mulai dari mengumpulkan data dari CV.
Apollo Motor Pematangsiantar, kemudian diolah ke dalam Microsoft Excel 2010 untuk proses normalisasi data.
Selanjutnya data yang telah JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
JOMLAI: Journal of Machine Learning and Artificial Intelligence di normalisasi diolah kedalam aplikasi Matlab R2011 dengan menghasilkan pola.
Pola yang merupakan output dalam proses menggunakan Matlab R2011, selanjutnya dimasukkan kembali ke dalam Microsoft Excel 2010 guna proses penentuan arsitektur terbaik dan penghitungan nilai prediksi.
Transformasi Sebelum dilakukan transformasi, data berdasarkan tabel 1 harus di bagi menjadi 2 .
bagian terlebih dahulu .
ata pelatihan dan data pengujia.
Langkah berikutnya melakukan transformasi dengan menggunakan persamaan .
Ae.
Dimana x' merupakan hasil dari proses transformasi, x merupakan data yang akan di transformasi, a merupakan data terkecil dari data penelitian, b merupakan data terbesar dari data penelitian, sedangkan 0.
8 dan 0.
1 merupakan nilai default untuk proses transformasi.
HASIL DAN ANALISIS
Pendefinisian Data Data penjualan sepeda motor akan diolah oleh Jaringan saraf tiruan dengan algoritma back-propagation.
Agar data dapat dikenali oleh Jaringan saraf tiruan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan data penjualan sepeda motor sebagai pengenalan pola dan keluaran yang merupakan prediksi peningkatan jumlah penjualan sepeda motor yang diperoleh dari model arsitektur terbaik pada saat penentuan pola terbaik.
Pendefinisian Input, dan Target Variable Variabel penjualan sepeda motor adalah kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan Jaringan saraf tiruan.
Variabel ditentukan dengan cara melihat ketergantungan data terhadap penelitian yang dilakukan.
Kriteria yang digunakan berdasarkan hasil analisa permasalahan dari Data penjualan sepeda motor.
Adapun daftar variabel dalam memprediksi penjualan sepeda motor tertera pada tabel 1.
Tabel 1.
Data Penjualan Sepeda Motor Beserta Harga Pertahun Merek Sepeda
Motor Honda
Beat Street
Beat
Vario 125
Vario 150
Scoopy PCX
Sonic
CBR 150
CRF
Supra X 125 Harga 2018 Jual Harga 2019 Jual 2019 Harga 2020 Jual 2020 Harga 2021 Jual 2021 Harga 2022 Jual Tabel 2.
Daftar Kriteria Variabel Nama Kriteria Harga Tahun 2018 Tahun 2018 Harga Tahun 2019 Tahun 2019 Harga Tahun 2020 Tahun 2020 Harga Tahun 2021 Data sampel yang digunakan adalah Data Input diperoleh dari CV.
APPOLO Siantar.
Data dari tahun 2018 hingga 2022 sebagai target prediksi penjualan yang terdiri dari 10 data berdasarkan sepeda motor honda dan masing masing data memiliki 7 variabel dan 1 target.
Data ini nantinya akan ditransformasikan ke sebuah data antara 0 sampai 1 sebelum dilakukan pelatihan dan pengujian menggunakan Jaringan saraf tiruan algoritma Back-propagation.
Pendefinisian Output Hasil Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai terbaik untuk memprediksi peningkat jumlah penjualan sepeda motor pada CV.
Apollo Siantar.
Hasil pengujian adalah sebagai berikut:
Artificial Neural Network Predicts Motorcycle Sales Level Using Back-propagation Method (Reza Pratam.
ISSN : 2828-9099 Untuk mengetahui prediksi jumlah peningkatan jumlah penjualan sepeda motor tentu saja didasarkan pada hasil jumlah penjualan sepeda motor pertahun.
Output dari prediksi ini adalah pola arsitektur terbaik dalam memprediksi dengan mengukur penjualan sepeda motor dengan melihat error minimum.
Kategorisasi Output pelatihan .
dan pengujian .
Kategori untuk output ditentukan oleh tingkat error minimum dari target.
Batasan kategori tersebut terdapat pada tabel berikut:
Tabel 3.
Daftar Kategori Keterangan Benar Salah Error Minimum
0,05-0,001
>0,05
Pengolahan Data Pengolahan data dilakukan dengan bantuan Matlab2016b.
Sampel Data adalah penjualan sepeda motor yang dikelompokkan berdasarkan tahun penjualan dan harga pada setiap tahunya.
Data ini akan digunakan pada data pelatihan dan data pengujian.
Sampel data yang telah diproses dan di transformasi kan adalah sebagai berikut.
Hasil seluruh data yang telah diproses dan ditransformasikan dapat dilihat pada tabel 4 dan 5 berikut :
Tabel 4.
Normalisasi Data Training 0,444513661 0,438899614 0,503086884 0,525917341 0,514314978 0,712116564 0,527975825 0,747110789 0,539765323 0,462665746 0,100002657 0,100004360 0,100003892 0,100004323 0,100005127 0,100002639 0,100002021 0,100001198 0,100000749 0,100002264 0,456303159 0,445262201 0,507203851 0,527601555 0,503086884 0,721473308 0,533215602 0,823461827 0,567835558 0,479320752
0,100002957
0,100004622
0,100003312
0,100004267
0,100005595
0,100002246
0,100001291
0,100000823
0,100000299
0,100001048
0,458361643
0,450876247
0,511507954
0,531344253
0,507203851
0,734572751
0,536958300
0,836748405
0,577192303
0,481379236
0,100001647
0,100003687
0,100001834
0,100003668
0,100004978
0,100002021
0,100000786
0,100000374
0,100000000
0,100000767
0,460420127
0,455928890
0,519741890
0,535274086
0,521800373
0,747110789
0,538829649
0,900000000
0,614619282
0,498034241
0,100002302
0,100002882
0,100002096
0,100002639
0,100003892
0,100000823
0,100000692
0,100000786
0,100000805
0,100001834
0,100002265
0,100002835
0,100002062
0,100002596
0,100003830
0,100000810
0,100000681
0,100000773
0,100000792
0,100001804
0,456086537
0,452404136
0,515004956
0,531759882
0,522369759
0,761357595
0,558825530
0,900000000
0,615534509
0,510033715
0,100002937
0,100005146
0,100004428
0,100005054
0,100005883
0,100003296
0,100002283
0,100001197
0,100000488
0,100001841
Tabel 5.
Normalisasi Data Testing 0,450562936 0,439699852 0,500643592 0,520712678 0,496592950 0,711461059 0,526236280 0,811806492 0,560298491 0,473209703 0,100002909 0,100004548 0,100003259 0,100004198 0,100005505 0,100002209 0,100001270 0,100000810 0,100000295 0,100001031 0,452588256 0,445223454 0,504878353 0,524395079 0,500643592 0,724349464 0,529918681 0,824879016 0,569504494 0,475235024
0,100001620
0,100003627
0,100001804
0,100003609
0,100004898
0,100001988
0,100000773
0,100000368
0,100000000
0,100000755
0,454613577
0,450194695
0,512979636
0,528261601
0,515004956
0,736685508
0,531759882
0,887111596
0,606328506
0,491621709
Perancangan Arsitektur Jaringan Saraf Tiruan Berdasarkan model arsitektur yang digunakan, yakni 7-2-1, 7-3-1, 7-5-1, 7-3-5-1, dan 7-5-3-1.
Arsitektur 7-3-5-1 adalah pola arsitektur terbaik dengan akurasi kebenaran 100%, jumlah epochs 14 dan MSE sebesar 0,00850.
Berikut ini adalah hasil pelatihan dan pengujian data menggunakan arsitektur 7-3-5-1:
Tabel 6.
Hasil Pelatihan Dan Pengujian Model 7-3-5-1
Target
0,1000023
0,1000029
0,1000021
0,1000026
0,1000039
0,1000008
0,1000007
0,1000008
0,1000008
0,1000018
Output JST
0,1433217
0,1285112
0,1921430
0,1566357
0,1120043
0,1345898
0,2458399
0,1435671
0,2796702
0,1916435
Error
0,0433194
0,0285083
0,0921409
0,0566331
0,0120004
0,0345890
0,1458392
0,0435663
0,1796694
0,0916417
Jumlah SSE
MSE
SSE
0,0018766
0,0008127
0,0084899
0,0032073
0,0001440
0,0011964
0,0212691
0,0018980
0,0322811
0,0083982
0,0795734
0,00795734
JOMLAI: Journal of Machine Learning and Artificial Intelligence Vol.
No.
Desember 2022, pp.
Target
0,1000029
0,1000051
0,1000044
0,1000051
0,1000059
0,1000033
0,1000023
0,1000012
0,1000005
0,1000018
Output JST
0,1579214
0,1428981
0,1896677
0,1623054
0,0960738
0,1251753
0,2586071
0,1487727
0,2837217
0,1772152
Error
-0,0579185
-0,0428930
-0,0896633
-0,0623003
0,0039321
-0,0251720
-0,1586048
-0,0487715
-0,1837212
-0,0772134
Jumlah SSE
MSE
SSE
0,0033546
0,0018398
0,0080395
0,0038813
0,0000155
0,0006336
0,0251555
0,0023787
0,0337535
0,0059619
0,0850138
0,00850138
Hasil JOMLAI: Journal of Machine Learning and Artificial Intelligence Gambar 2.
Model Arsitektur 7-3-5-1 Gambar 2 merupakan hasil pelatihan dengan menggunakan model arsitektur 7-3-5-1, yang menghasilkan Epoch sebesar Kinerja pelatihan terbaik sebesar 0,00795734 Pemilihan Arsitektur Terbaik Tabel 7.
Hasil Rekapitulasi Model
Arsitektur
Epoch
7-2-1
7-3-1
7-5-1
7-3-5-1
7-5-3-1
Training MSE
Akurasi
0,00985656
0,00942897
0,009554690
0,00795734
0,00910576
Testing MSE
Akurasi
0,00925319
0,00963427
0,00981787
0,00850138
0,00897011
Hasil pengujian data Laporan Penjualan CV.
Apollo Motor Siantar diatas dapat kita lihat pada arsitektur 7-3-5-1 yang menunjukan dari target di kurang dengan output JST bahwa SSE 0,08501 yang menunjukan bahwa adanya peningkatan jumlah penjualan sepeda motor sebagai target.
Data yang didapat, bahwa performance perhitungan jaringan saraf tiruan dengan Algoritma Back-propagation adalah 100%.
Dilihat dengan perbandingan target yang diinginkan dengan target prediksi.
Jumlah peningkatan CV.
Apollo Motor Siantar berdasarkan tabel 7, menunjukan bahwa peningkatan penjualan pada tahun 2018 CV.
Apollo Motor Siantar terletak pada skala maksimum dan tidak terlalu besar.
Jaringan saraf tiruan dengan menggunakan algoritma back-propagation dapat diterapkan dalam menganalisa peningkatan penjualan sepeda motor dengan menentukan model arsitektur terbaik dari serangkaian proses training dan testing yang dilakukan.
KESIMPULAN
Kesimpulan yang dapat diambil setelah melakukan pelatihan dan pengujian data pada jaringan saraf tiruan dengan menggunakan algoritma back-propagation adalah bahwa menganalisa data-data penjualan sepeda motor dapat diprediksi dengan metode back-propagation dan model arsitektur yang tepat adalah 7-3-5-1.
Karena model arsitektur tersebut menghasilkan akurasi hingga 100% lebih tinggi dibandingkan model arsitektur 7-2-1, 7-5-1 dan model arsitektur 7-5-3-1.
Sedangkan dengan model arsitektur 7-3-1 memiliki akurasi yang sama, tetapi model arsitektur 7-3-5-1 lebih kecil .
nilai MSE pelatihan dan MSE pengujiannya, yakni 0,00850138 berbanding 0,00963427 atau lebih rendah 0,00113289.
REFERENSI