login

Link

Advertise
 
Advertise
 
Advertise
Detail TA PA
PERAMALAN PERMINTAAN DISTRIBUTOR UNTUK PASAR REPLACEMENT DENGAN METODE JARINGAN SYARAF TIRUAN (STUDI KASUS:GT3)
112030024
GESIT HANASTITI HUTAMI
Periode II
2007
Hit : 249
 


Abstrak


Permintaan memegang peranan penting dalam Supply Chain Management (SCM) dan faktor ketidakpastian adalah salah satu hal yang tidak dapat dipisahkan dari permintaan. Pasar replacement PT.Goodyear Indonesia,Tbk memiliki faktor ketidakpastian permintaan yang cukup tinggi dibandingkan pasar ekspor dan Original Equipment Manufacturer (OEM). Permintaan ini sering kali tidak dapat diramalkan secara tepat karena selama April 2001-April 2007 besarnya permintaan yang terpenuhi sebesar 1.979.242 buah dan permintaan yang tidak terpenuhi setiap bulannya sampai dengan 10%. Sedangkan permintaan dalam supply chain memegang peranan penting dalam rantai awal, karena permintaan akan menentukan kuantitas yang harus diproduksi dan didistribusikan untuk rantai selanjutnya hingga akhir. Salah satu metode yang dapat digunakan untuk peramalan yaitu Jaringan Syaraf Tiruan (JST). JST memiliki beberapa kelebihan dibandingkan metode statistik yaitu kemampuannya menangkap pola-pola yang tidak linier, kemampuan untuk belajar dengan memetakan input-output, menyesuaikan dengan kondisi yang berbeda-beda dan tidak menentu dengan algoritma pembelajarannya.
Permasalahan yang timbul dalam menghadapi faktor ketidakpastian permintaan adalah bagaimana meramalkan permintaan pasar replacement yang akan datang menggunakan JST sebagai salah satu metode peramalan untuk membantu perencanaan produksi departemen Supply Chain PT.Goodyear Indonesia, Tbk.
Algoritma pembelajaran JST yang digunakan adalah backpropagation dengan fungsi aktivasi sigmoid. Terdapat 3 variabel yang dibutuhkan untuk pelatihan yaitu: (1) matriks input dan target yang terdiri permintaan distributor dan telah dinormalisasi, (2) parameter pelatihan yang terdiri dari jumlah epoch sebanyak 100.000, learning rate sebesar 0.1, 0.3, 0.5, 0.7, dan 1, serta target error sebesar 10-7 (3) arsitektur jaringan yang terdiri dari jumlah neuron pada input layer, hidden layer, dan output layer. Setelah dilakukan pelatihan maka dihasilkan data hasil pelatihan, yaitu nilai MSE, bobot dan bias akhir. Data hasil pelatihan selanjutnya akan digunakan untuk mensimulasikan data uji tujuannya agar diketahui nilai learning rate dan arsitektur jaringan yang memiliki kemampuan generalisasi terbaik. Data uji yang telah disimulasikan kemudian akan didenormalisasi untuk menghitung nilai Mean Absolute Error (MAE).
Learning rate yang menghasilkan nilai MAE terkecil yaitu 0.5 sedangkan arsitektur jaringan yang menghasilkan nilai MAE terkecil yaitu dengan jumlah hidden layer 1 buah dan hidden neuron didalamnya sebanyak 30 buah. Nilai MAE yang dihasilkan dengan learning rate 0.5 dan jumlah hidden neuron pada arsitektur jaringan sebanyak 30 buah yaitu sebesar 308.7272, dengan nilai error rata-rata dari 11 data uji sebesar 10.64%. Tingkat error yang dihasilkan oleh JST pada penelitian ini sudah dapat menyamai tingkat error yang dihasilkan metode eksisting yaitu sampai dengan 10%. Tingkat error yang masih tinggi yang dihasilkan oleh JST disebabkan kemampuan generalisasi yang belum baik. Generalisasi yang belum baik ini lebih disebabkan karena data permintaan GT3 tipe 195/70 R14 GT3 91T TL yang digunakan untuk menggambarkan keadaan permintaan terhadap GT3 itu sendiri berfluktuatif sehingga data yang dimasukkan ke jaringan syaraf tiruan tidak dapat membuat suatu pola yang baik. Selain itu tingkat kesulitan yang ditangani cukup tinggi karena permintaan GT3 sendiri dipengaruhi faktor eksternal yang menyebabkan permintaan setiap bulan seringkali tidak menentu.

Kata Kunci : Peramalan, Jaringan Syaraf Tiruan, Backpropagation, Pasar Replacement,Goodyear
 


Abstract


Demand play an important part in supply chain managemet (SCM) and uncertainty factor is one of thing that can not separated from demand. Replacement market of PT. Goodyear Indonesia, Tbk has sufficient high level of uncertainty, as compared to export market and Original Equipment Manufacturer (OEM). It demand often can not forecast precisely, in period of April 2001-April 2007 fulfilled demand to the number of 1.979.242 and unfulfilled demand for each month is up to 10%. Whereas, demand in a part of supply chain play an important part in early chain, because demand will determine the quantity to produce and distribute for the next chain till the end. One of several method to forecast is Artificial Neural Network (ANN). ANN has more ability as compared to statistic method i.e. the ability to capture nonlinearity pattern, input-output mapping, adaptivity with it learning algorithm.
Issue that arise in facing uncertainty demand is how to forecast future demand of replacement market to assist production planning of Supply Chain department in PT. Goodyear Indonesia, Tbk using ANN.
ANN learning algorithm is using backpropagation with sigmoid as activation function. There are 3 variables for training i.e.: (1) Input and target matrix consist of normalization of distributor demand, (2) Training parameter consist amount of epoch to the number of 100.000, learning rate 0.1, 0.3, 0.5, 0.7, and 1, and 10-7 as an error target, (3) Network architecture consist number of neuron in input layer, hidden layer, and output layer. Data as a result of training are MSE, final weight and bias. Furthermore, data of training result is use to simulate test data in order to know learning rate and network architecture that has the best ability in generalization. After simulation, test data is going to denormalization as a mean to calculate Mean Absolute Error (MAE).
Learning rate which is result the smallest MAE is 0.5, whereas network architecture which produce the smallest MAE is with 1 hidden layer and the number of hidden neuron is 30. Learning rate 0.5 and number of hidden neuron is 30 produces MAE value 308.7272, with mean average percentage error 10.64% from 11 test data. Error level as a result of artificial neural network already equal as forecasting method at the present with error level up to 10%. Error level result by artificial neural network in this research is still high caused by the poor network ability to generalize. This poor ability more caused by data that use to describe demand for GT3 type 195/70 R14 GT3 91T TL doesn’t have a good pattern within one period in, so the data that put into ANN doesn’t have a good pattern. Else, difficulty level is sufficient high because of environment condition for demand of GT3 which influenced by external factor causing uncertain demand oftentimes for each month.

Keywords : Forecasting, Artificial Neural Network, Backpropagation, Replacement Market, Goodyear