PERAMALAN PENJUALAN SEMEN MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK DAN RECURRENT NEURAL NETWORK

  • Aisyah Fany Achmalia Universitas Negeri Semarang
  • Walid Walid
  • Sugiman Sugiman
Keywords: Backpropagation Neural Network; Forecasting; Recurrent Neural Network; Sales

Abstract

Backpropagation Neural Netwrok (BPNN) adalah Neural Network (NN) yang tidak memiliki loop, sedangkan Recurrent Neural Network (RNN) adalah NN yang memiliki minimal satu feedback loop. Dalam penelitian ini dilakukan peramalan penjualan semen di PT Semen Indonesia (Persero) Tbk dengan menggunakan BPNN dan RNN tipe Elman. Tujuan penelitian ini adalah untuk memperoleh pemodelan BPNN dan RNN tipe Elman untuk peramalan penjualan semen, serta hasil peramalan menggunakan model terbaik. Hasil penelitian menunjukkan model BPNN terbaik adalah BPNN (9-5-1) dengan algoritma pelatihan Levenberg-Marquardt dengan inisialisasi Mu yang digunakan adalah 0,02 dan fungsi aktivasi yang digunakan adalah logsig, sedangkan model RNN tipe Elman terbaik adalah RNN tipe Elman (9-5-1) dengan algoritma pelatihan gradient descent dengan momentum dan adaptive learning rate dengan momentum yang digunakan adalah 0,2, learning rate yang digunakan adalah 0,2, dan fungsi aktivasi yang digunakan adalah logsig. Model terbaik untuk peramalan penjualan semen di PT Semen Indonesia (Persero) Tbk adalah BPNN (9-5-1).

References

Arsyad, L. 1994. Peramalan Bisnis. Edisi Pertama. Yogyakarta: BPFE.

Bahadir, E. 2016. Prediction of Prospective Mathematics Teachers’ Academic Success in Entering Graduate Education by Using Back-propagation Neural Network. Journal of Education and Training Studies. Vol. 4(5): 113-122.

Chakraborty, K., Mehrotra, K., Mohan, C. K., & Ranka, S. 1992. Forecasting the Behavior of Multivariate Time Series Using Neural Networks. Neural Networks.Vol. 5: 961—970.

Fausett, L. 1994. Fundamentals of Neural Networks: Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.

Hardianto, H. N. I., Suyanto, & Purnama, B. 2011. Analisis dan Implementasi Diferential Evolution dan Recurrent Neural Network untuk Prediksi Data Time Series Studi Kasus Kurs Jual Emas. Tugas Akhir. Universitas Telkom.

Hikmah, A. 2017. Peramalan Deret Waktu Menggunakan Autoregressive (AR), Jaringan Syaraf Tiruan Radial Basis Function (RBF), dan Hibrid AR-RBF pada Inflasi Indonesia. Unnes Journal of Mathematics. Vol. 7(2): 1—14.

Kaastra, I., & Boyd, M. 1996. Designing a Neural Network for Forecasting Financial and Economic Time Series. Neurocomputing. Vol. 10: 215—236.

Kohzadi, N., Boyd, M. S., Kermanshahi, B., & Kaastra, I. 1996. A Comparison of Artificial Neural Network and Time Series Models for Forecasting Commodity Prices. Neurocomputing. Vol. 10: 169—181.

Kontan. 2017. Permintaan Semen Nasional Tumbuh 7,8%. http://industri.kontan.co.id/news/permintaan-semen-nasional-tumbuh-78. (diakses tanggal 21 April 2018).

Kusumadewi, F. 2014. Peramalan Harga Emas Menggunakan Feedforward Neural Networks Dengan Algoritma Backpropagation. Skripsi. Universitas Negeri Yogyakarta.

Pakaja, F., Naba, A., & Purwanto. 2012. Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Jurnal EECCIS. Vol. 6(1): 23-28.

Portal BUMN. 2013. Semen Indonesia Waspadai Ketatnya Persaingan Bisnis Semen. http://bumn.go.id/semenindonesia/berita/703/Semen.Indonesia. (diakses tanggal 20 April 2018).

Portal BUMN. 2018. Semen Indonesia Optimis Kelebihan Pasokan Semen Tahun Ini Menyusut. http://bumn.go.id/semenindonesia/berita/1-Semen-Indonesia-optimis-kelebihan-pasokan-semen-tahun-ini-menyusut. (diakses tanggal 20 April 2018).

Puspitaningrum, D. 2006. Pengantar Jaringan Saraf Tiruan.Yogayakarta: ANDI.

Ren, C., An, N., Wang, J., Li, L., Hu, B., & Shang, D. 2014. Optimal Parameters Selection for BP Neural Network Based on Particle Swarm Optimization: A Case Study of Wind Speed Forecasting. Knowlede-Based Systems. Vol. 56: 226-239.

Rizal, A. A., & Hartati, S. 2017. Prediksi Kunjungan Wisatawan dengan Recurrent Neural Network Extended Kalman Filter. Jurnal Ilmiah Ilmu Komputer. Vol. 10(1): 7—18.

Salman, A. G., & Prasetio, Y. L. 2010. Implementasi Jaringan Syaraf Tiruan Recurrent Dengan Metode Pembelajaran Gradient Adaptive Learning Rate untuk Pendugaan Curah Hujan Berdasarkan Peubah ENSO. Jurnal ComTech. Vol. 1(2): 418-429.

Semen Indonesia. 2017. Permintaan Semen Bakal Terus Naik. http://www.semenindonesia.com/permintaan-semen-bakal-terus-naik/.

Siang, J. J. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi.

Suhada, B. 2009. Peramalan Produksi Gula Nasional Melalui Pendekatan Artificial Neural Network. Jurnal Derivatif. Vol. 3(1): 50—63.

Susanti, L. A. D., Arna, F., & Sethiawardana. 2013. Peramalan Harga Saham Menggunakan Recurrent Neural Network dengan Algoritma Backpropagation Through Time (BPTT). Makalah Proyek Akhir. Surabaya: Institut Teknologi Sepuluh Nopember.

Valipour, M., Banihabib, M. E., & Behbahani, S. M. R. 2013. Comparison of the ARMA, ARIMA, and the Autoregressive Artificial Neural Network Models in Forecasting the Monthly Inflow of Dez Dam Reservoir. Journal of Hydrology (online). Vol. 476: 433—441.

Udin, M., Kaloko, B. S., & Hardianto, T. 2017. Peramalan Kapasitas Baterai Lead Acid pada Mobil Listrik Berbasis Levenberg Marquardt Neural Network. Berkala Saintek. Vol. 5(2): 112—117.

Walid, Subanar, Rosadi, D., & Suhartono. 2015. Fractional Integrated Recurrent Neural Network (FIRNN) for Forecasting of Time Series Data in Electricity Load in Jawa-Bali. Contemporary Engineering Sciences. Vol. 8(32): 1535—1550.

Wang, L., Wang, Z. G., & Liu, S. 2018. Optimal Forecast Combination Based on Neural Networks for Time Series Forecasting. Apllied Soft Computing Journal. Vol. 66: 1—17.

Wikipedia. 2018. Semen Indonesia. http://id.wikipedia.org/wiki/Semen_Indonesia. (diakses tanggal 18 April 2018).

Yang, Y., Hu, J., Lv, Y., & Zhang, M. 2013. Predictions on the Development Dimensions of Provincial Tourism Discipline Based on the Artificial Neural Network BP Model. Higher Education Studies. Vol. 3(3): 13—20.

Zhang, G. P. 2004. Business Forecasting with Artificial Neural Networks: An Overview. Hershey, PA: Idea Group Publishing.

Zhang, G., & Hu, M. Y. 1998. Neural Network Forecasting of the British Pound/US Dollar Exchange Rate. Omega. Vol. 26(4): 495—506.

Published
2020-06-22
Section
Articles