Implementasi Metode Extreme Learning Machine(ELM) untuk Memprediksi Penjualan Roti (Studi Kasus Harum Bakery)
| Main Author: | Harum, Luqman Hakim |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/13476/1/Luqman%20Hakim%20Harum.pdf http://repository.ub.ac.id/13476/2/Luqman%20Hakim%20Harum.pdf http://repository.ub.ac.id/13476/ |
Daftar Isi:
- Harum Bakery merupakan sebuah toko roti yang terletak di daerah Kabupaten Malang. Jumlah penjualan roti pada perusahaan ini tidak menentu setiap harinya. Hal ini membuat perusahaan kesulitan untuk memprediksi penjualan roti perharinya. Agar tidak mengalami kerugian, perusahaan membutuhkan sistem untuk mempermudah prediksi penjualan. Dengan prediksi penjualan roti tersebut, harapannya perusahaan bisa menekan kerugian yang mungkin terjadi dan mengoptimalkan keuntungan. Penelitian ini menerapkan metode Extreme Learning Machine (ELM) yang merupakan metode dari Jaringan Syaraf Tiruan (JST) untuk memprediksi penjualan roti pada Harum Bakery. Proses dari prediksi menggunakan metode ELM ini adalah dimulai dari normalisasi data, kemudian proses training, proses testing, mencari perhitungan dari nilai error menggunakan metode Mean Square Error (MSE) untuk mencari nilai error terkecil dengan beberapa pengujian dan kemudian melakukan denormalisasi data. Metode ELM merupakan metode feedforward dengan single hidden layer yang kemudian disebut dengan Single Hidden Layer Feedforward Neural Network (SLFNs). Tujuan utama dari dibuatnya metode ini adalah ditujukan untuk memperbaiki kelemahan-kelemahan dari jaringan syaraf tiruan feedforward lainnya terutama dalam learning speed. Berdasarkan beberapa pengujian yang telah dilakukan, maka penelitian menghasilkan tingkat error terkecil sebesar 0,01616 untuk roti tawar dengan menggunakan 7 neuron pada hidden layer, 4 fitur, dan data penjualan selama 5 bulan, nilai MSE terbaik sebesar 0,02839 untuk roti manis dengan menggunakan 2 neuron pada hidden layer, 5 fitur, dan 4 bulan penjualan roti, dan 0,00812 untuk roti cake dengan menggunakan 7 neuron pada hidden layer, 4 fitur, dan 3 bulan penjualan roti.