Neural Network

Penerapan Model Prediksi Rentet Waktu Neural Network

Latar Belakang Inventori meliputi semua barang yang dimiliki perusahaan pada saat tertentu, dengan tujuan untuk dijual kembali atau dikonsumsikan dalam siklus operasi normal perusahaan sebagai barang yang dimiliki untuk dijual atau diasumsikan untuk dimasa yang akan datang, semua barang yang berwujud dapat disebut sebagai inventori, tergantung dari sifat dan jenis usaha perusahaan. Menurut Kocher,Eric L.A. inventori adalah “Bahan baku dan penolong, barang jadi dan barang dalam proses produksi dana barang-barang yang tersedia, yang dimiliki dalam perjalanan dalam tempat penyimpanan atau konsinyasikan kepada pihak lain pada akhir periode” [1]. Menurut Gunasekaran, keputusan penentuan jumlah produksi yang kurang tepat dapat menyebabkan kerugian baik bagi perusahaan manufaktur yang bersangkutan, pemasok maupun distributor [2]. Inventori barang jadi akan menemui masalah ketika barang itu tidak tahan lama, atau sekali konsumsi, mempunyai masa kadaluarsa yang singkat, hal ini ditemukan dalam minuman kesehatan. Karena tidak mengandung pengawet, minuman ini tahan sekitar 7-10 hari di lemari pendingin. Setelahnya harus diretur atau ditukar dengan yang baru. Masalah yang kedua, terkadang produksi tidak dapat dikontrol dan terjadi penumpukan inventori. Masalah yang ketiga, terjadi permintaan barang yang tidak menentu kapan dan berapa jumlahnya, karena tidak mempunyai history khusus dari outlet-outlet. Maka dari itu, prediksi inventori barang dapat menjadi solusi ketiga masalah itu. Berikut data rentet waktu bisnis minuman kesehatan selama bulan Januari 2011. Data rentet waktu merupakan salah satu penelitian dari data mining yang terus berkembang karena banyak berhubungan dengan banyak bidang seperti keuangan, kesehatan, kimia, biologi, astronomi, robotik, jaringan komputer, dan industri. Keunikan dari data deret waktu sendiri karena jumlah data yang besar ada atau keragaman datanya berurut dan tidak terstruktur [3]. Data deret waktu sangat mudah dijumpai di kehidupan sekitar sebagai contoh detak jantung per menit, laju kendaraan per menit, jumlah pendaftar sekolah setiap tahun, dan seluruh rentang pengukuran ilmiah dan industri yang tercatat dengan runtutan waktu [4]. Data deret waktu telah banyak digunakan untuk memprediksi kejadian di masa depan dengan menggunakan data di masa lampau, dan mengetahui kejadian yang akan datang merupakan kunci yang penting untuk mengambil keputusan terlebih dalam dunia bisnis dan industri [5]. Maka dari itu peramalan merupakan alat penting dalam melakukan hal atau sesuatu agar efektif dan efisien. Selama ini banyak peramalan dilakukan secara intuitif dengan menggunakan metode-metode statistik. Metode statistik tersebut, antara lain metode smoothing, Box-Jenkins, ekonometri, regresi dan sebagainya. Pemilihan metode tersebut tergantung pada berbagai aspek yang mempengaruhi yaitu aspek waktu, pola data, tipe model sistem yang diamati, tingkat keakuratan forecast atau ramalan yang diinginkan dan sebagainya. Berbagai teknik prediksi mengunakan data rentet waktu banyak dilakukan dengan berbagai metode, salah satunya adalah dengan metode decision tree. Seyed Behzad Lajevardi [6] menggunakan metode decision ntree yang dikombinasi dengan K-means clustering algorithm untuk peramalan cuaca untuk aerology event prediction. Data yang digunakan dalam penelitiannya merupakan data cuaca aerology organization for Tehran Mehrabad Station dari pengamatan tahun 1961 hingga 2005. Dataset yang digunakan dibagi menjadi 2, 90% data digunakan sebagai training dan 10% data digunakan untuk prediksi. Hasil prediksi yang diperoleh dari penelitian didapatkan penggunaan metode decision tree mendapatkan akurasi sebesar 74.14% benar dan metode decision tree dengan K-means clustering algorithm mendapatkan akurasi sebesar 85%. Metode prediksi yang lain adalah metode Bayesian. SungDuckLee [8] melakukan prediksi dengan mengunakan metode bayesian inferences dengan data rentet waktu untuk kasus penyebaran penyakit berdasarkan daerah di korea. Data yang digunakan merupakan pengamatan penyebaran penyakit yang terjadi pada tahun 2001 hingga 2009. Dan hasil yang diperoleh dari pengunaan metode tersebut sangat membantu menekan penyebaran penyakit karena dari ilustrasi yang diperoleh diketahui daerah mana yang akan mengalami peningkatan jumlah penyakit sehingga dapat diprioritaskan. Metode lain yang dapat digunakan dalam prediksi adalah Support Vector Machine (SVM). Dalam penelitiannya Yunyun Zhang [9] melakukan prediksi pada Shanghai Stock Exchange. Evaluasi yang dilakukan pada metode ini adalah mengukur tingkat akurasi dan stabilitas prediksi. Dan hasil yang didapatkan dari penelitiannya didapat SVM dibandingakan dengan SVM yang dikombinasi dengan bayesian mendapatkan hasil yang lebih signifikan. Penelitian tersebut dianggap sangat membantu dalam penggunaan metode prediksi pada Shanghai Stock Exchange. Vincent Baker [16] meneliti bahwa teknik jaringan saraf dapat digunakan memprediksi permintaan panas dari rumah tangga. Untuk hasil yang optimal disarankan menggunakan neural network dengan dua layer di mana sekitar 16-17. Mengingat input data yang terbatas, permintaan rata-rata hampir mendekati dengan permintaan yang asli. Penelitian-penelitian tersebut terbagi menjadi dua tujuan yaitu pengukuran akurasi serta tren yang akan berkembang serta dari tujuan bisnis strategi untuk membantu dalam pengambilan keputusan yang diterapkan dalam kehidupan nyata. Kesulitan terbesar dalam prediksi inventori ini adalah nonlinier dan data dalam jumlah besar, serta ketidakpastian dan keragaman jumlah sumber data yang ditujukan pada bisnis minuman kesehatan ini. Dengan karateristik data yang seperti itu berimplikasi bahwa metode stastika lama tidak cukup mampu untuk memprediksi jumlah produksi berdasar rentet waktu [10]. Penggunaan data rentet waktu dalam model prediksi merupakan kekuatan dalam prediksi [12], terutama dengan penggunaan Artificial neural network. Dari data diatas dapat kita lihat bahwa algoritma neural network merupakan algoritma yang dapat digunakan dalam prediksi dengan mengunakan data rentet waktu untuk data inventori barang yang mempunyai karateristik data yang beragam. Pada penelitian ini menggunakan prediksi rentet waktu neural network. Beberapa pertimbangan yang digunakan metode ini, model baru dapat menerima input parameter dari numerik dan kategori yang berbeda, sehingga dapat digunakan sebagai prediksi secara akurat [13]. Prediksi rentet waktu neural network dapat digunakan untuk prediksi dengan pola permintaan dan produksi tidak menentu. [14] Pada penelitian ini metode prediksi rentet waktu neural network digunakan untuk menentukan dan memberi prediksi inventori dari produksi secara akurat pada produksi minuman kesehatan, sesuai dengan waktu permintaan dan jumlah produksi.
Rumusan Masalah Berdasarkan latar belakang permasalahan yang telah disebutkan dalam uraian sebelumnya maka dapat dirumuskan permasalahan penelitian adalah tidak akuratnya prediksi inventori barang pada bisnis penjualan minuman. Sedangkan pertanyaan penelitian (research question) yang diangkat dalam penelitian ini adalah bagaimana model prediksi rentet waktu neural network akurat untuk memprediksi inventori barang pada bisnis penjualan minuman kesehatan.
Tujuan Penelitian Berdasarkan latar belakang dan rumusan masalah diatas, maka penelitian ini bertujuan untuk menerapkan model prediksi rentet waktu neural network untuk memprediksi inventori barang pada bisnis penjualan minuman kesehatan dengan lebih akurat.
Manfaat Penelitian Manfaat dari penelitian ini antara lain:
1) Manfaat praktis dari penelitian ini diharapkan dapat digunakan untuk membantu pengusaha minuman kesehatan untuk dapat menerapkan metode rentet waktu dengan algoritma Artificial neural network untuk memprediksi inventori barang pada bisnis penjualan minuman kesehatan.
2) Manfaat teoritis hasil penelitian ini diharapkan dapat memberikan gambaran dan pemahaman penerapan algoritma prediksi rentet waktu pada studi algoritma Artificial Neural Network, khususnya untuk prediksi inventori barang pada bisnis penjualan minuman kesehatan.
3) Manfaat kebijakan penelitian ini diharapkan dapat menjadi pertimbangan dalam mengurangi tingkat kerugian perusahaan akibat prediksi inventori barang yang tidak akurat.
Related Research Weekly Milk Prediction on Dairy Goats Using Neural Networks C. Fernandez [10] memaparkan dari 35 kambing, 22 kambing menjadi model neural dan 13 kambing sebagai dataset. Setelah dijalankan, ditemukan bahwa input terpenting dari produksi susu kambing ditentukan dari pasterisasi, pengendalian produksi susu dan macam diet yang diterapkan. Hasil dengan model neural dengan tingkat akurasi RMSE (Root Mean Square Error) = 0.31 Kg/d dan low bias (kesalahannya, ME) = -0.05 kg/d. Milk Yield Prediction in Kenyan Holstein-Friesian Cattle Using Computer Neural Networks System
DM Njubi [15] menerangkan bahwa penelitian ini menggunakan back-propagation Artificial Neural Networks (ANN) (teknik artificial intelligence) mencari pendekatan model dan memprediksi hasil pertama laktasi susu sapi perah di Kenya. Dari data pencatatan 6095 laktasi sapi Kenyan Holstein-Friesian dari 76 susu yang tercatat pejantan sebanyak 445 ekor, dikumpulkan 1956 dan 2267 betina dikumpulkan selama periode 1988 -2005 di mana digunakan untuk memprediksi kinerja laktasi pertama dari keturunan betina berdasarkan sifat genetik, maka disimpulkan induk mereka menggunakan Jaringan Neural Network (NN) . Domestic Heat Demand Prediction Using Neural Networks Vincent Baker [16] meneliti bahwa teknik jaringan saraf dapat digunakan memprediksi permintaan panas dari rumah tangga. Untuk hasil yang optimal disarankan menggunakan neural network dengan dua layer di mana sekitar 16-17. Mengingat input data yang terbatas, permintaan rata-rata hampir mendekati dengan permintaan yang asli.
Mengingat jumlah terbatas masukan, rata-rata prediksi permintaan panas yang real. Dengan menambahkan lebih banyak parameter, misalnya kecepatan angin, faktor pencahayaan dan program thermostat, prediksi yang dihasilkan jauh lebih akurat.
Implementation of Neural Networks for Prediction of Chemical Composition of Refining Slag Pavel [17] menerangkan bahwa aplikasi jaringan syaraf tiruan dapat diaplikasikan untuk prediksi komposisi kimia. Komposisi dari penyulingan terak bertujuan untuk mengoptimalkan proses produksi dan untuk meningkatkan produksi pembuatan sendok dengan memprediksi komposisi kimia terak murni menggunakan neural network. Metode ini memungkinkan untuk memprediksi komposisi akhir terak dengan kesalahan cukup kecil. Jaringan saraf dapat menerapkan properti dari bahan kimia yang dipakai.
A Neural Network Model for Time-Series Forecasting. Nicolae Morariu [15] menyajikan beberapa aspek mengenai penggunaan teknik pengenalan pola dan jaringan saraf untuk kegiatan diagnostik evolusi dan prediksi melalui seperangkat indikator. Mulai dari indikator yang didefinisikan oleh ukuran pada pola set, untuk mengukur nilai skalar yang mencirikan kegiatan yang dianalisis pada setiap saat waktu. Pola didefinisikan oleh nilai-nilai indikator yang ditetapkan pada waktu tertentu. Kelas – kelas yang ditentukan dengan teknik klasifikasi dan pengenalan didefinisikan oleh sebuah hubungan yang memungkinkan representasi evolusi dari evolusi negatif terhadap evolusi positif. Untuk diagnostik dan prediksi digunakan alat-alat berikut: pengenalan pola dan neural network multilayer perceptron.
Referensi

[1] Eric L.A. Kocher, , p. 101, 2009.
[2] Gunasekaran, , 1998.
[3] Krisztian Buza, “Time-Series Classification based on Individualised Error Prediction,” IEEE International Conference on Computational Science and Engineering, no. 13, p. 7, 2010.
[4] Stefan Zemke, “Data Mining for Prediction Financial Series Case,” The Royal Institute of Technology, 2003.
[5] James E Brown, “Using Neural Nets to Predict Several Sequential and Subsequent Future Values from Time Series Data,” CompEngServ Ltd, 2000.
[6] Seyed Behzad Lajevardi, “Combination of Time Series, Decision Tree and Clustering: A case study in Aerology Event Prediction,” Iran University of Science and Technology, 2008.
[7] C. Fernández et al., “Weekly Milk Prediction on Dairy Goats using Neural Networks,” 2007.
[8] Sung Duck Lee, “Bayesian Inferences And Forecasting in Spatial Time Series Models,” in Ninth International Conference on Machine Learning and Applications, 2010, p. 5.
[9] Yunyun Zhang, “Stock Yield Forecast based on LS-SVM in Bayesianinference,” ETP International Conference on Future Computer and Communication, p. 5, 2009.
[10] Susumu Saito, “Verification of Possibility of Forecasting Economical Time Series Using Neural Network and Digital Filter,” in Third International Conference on Natural Computation, Tokyo University of Science Shimokiyoku Kuki Saitama Japan, 2007, p. 5.
[12] Albert Y. Zomaya, “Nonconventional computing paradigms in the new millenium: A roundtable,” Computing in Science and Engg, vol. III, no. 6, pp. 82–99, 2001.
[13] Min Liu, , 2010.
[14] Thomas, , 2010.
[15] Morariu Nicolae, Iancu Eugenia, and Vlad Sorin, “A Neural Network Model For Time-Series Forecasting,” Romanian Journal of Economic Forecasting, pp. 213-233, April 2009.
[16] Suyanto, Artificial Intelligenc: Searching, Reasoning, Planning, and Learning. Bandung: Penerbit Informatika, 2007.
[17] Suyanto, Soft Computing: Membangun Mesin Ber-IQ Tinggi. Bandung, Jawa Barat, Indonesia: Informatika, 2008.