Lidiana, Des iKartika (2015) Peramalan Permintaan Pada Produk Keripik Ceker Ayam Menggunakan Adaptive Neuro Fuzzy Inference System (Anfis) Dan Jaringan Syaraf Tiruan (Jst) (Studi Kasus Ud Matahari Surabaya). Sarjana thesis, Universitas Brawijaya.
Abstract
UD Matahari merupakan salah satu unit usaha di kota Surabaya yang memproduksi produk olahan keripik ceker ayam dengan ukuran 100 gr, 250 gr, dan 2,5 kg. Selain keripik ceker ayam, UD Matahari juga memproduksi keripik usus. UD Matahari pada saat ini mengalami permasalahan dalam menentukan jumlah produk keripik ceker ayam yang diproduksi. Sering kali jumlah produksi keripik ceker ayam tidak sesuai dengan permintaan konsumen. Hal ini akan menyebabkan UD Matahari kehilangan kesempatan untuk memperoleh pendapatan dari penjualan produk keripik ceker ayam jika kekurangan persedian atau terjadi penumpukan produk keripik ceker ayam jika lebih dari permintaan. Metode yang digunakan pada penelitian ini adalah metode ANFIS dan JST. Adaptive neuro fuzzy inference (ANFIS) atau system adaptive network-based fuzzy inference system atau neuro fuzzy merupakan hasil perpaduan dari jaringan syaraf tiruan dan logika fuzzy JST merupakan sistem pemrosesan informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi. Penelitian ini dilakukan untuk meralakan permintaan produk keripik ceker ayam pada periode Juni 2015 – Mei 2016. Varibel yang diguanakan dalam peramalan ini ada penjualan, harga produk, dan tempat pemasaran. Algoritma pembelajaran yang digunakan pada penelitian ini hybrid untuk metode ANFIS dan backpropagation untuk metode JST. Pada peramalan keripik ceker ayam ukuran 100 gram, 250 gram, dan 2,5 kg dengan metode ANFIS dapat diketahui masing – masing nilai error pada proses training adalah sebesar 19,86 gram; 16,36 gram; 21,75 gram. Untuk proses testing pada ketiga ukuran kemasan produk memiliki nilai error yang cukup besar pula yaitu sebesar 100 gram; 51,13 gram; 43,99 gram. Arsitektur jaringan terbaik pada metode JST untuk ini ukuran 100 gram adalah 2-40-40-1 (2 neuron input, 40 neuron pada hidden layer 1 serta 40 neuron pada hidden layer 2, dan 1 neuron output ). Pada ukuran 200 gram dan 2,5 kg arsitektur jaringan terbaik adalah 2-40-45-1 (2 neuron input, 40 neuron pada hidden layer 1 serta 45 neuron pada hidden layer 2, dan 1 neuron output) . Pada metode JST tingkat akurasi terbaik pada tahap training dan testing untuk keriga ukuran produk adalah ukuran 2,5 kg, yaitu sebesar 99,98% untuk training dan 91,55% untuk nilai testing. Hasil perbandingan kedua metode yang mendekati MSE terkecil untuk ketiga ukuran produk keripik ceker ayam adalah ANFIS dengan masing-masing nilai 777,33 gram; 4310,42 gram; 1002,50 gram. Sementara itu, hasil rata-rata kesalahan persentase untuk kedua metode yang memiliki tingkat kesalahan sedikit untuk ketiga ukururan produk keripik ceker ayam adalah ANFIS dengan masing-masing persentase 6,67 %, 25,99%, dan 4,06 %. Hasil analisis ini menunjukkan bahwa metode Adaptive neuro fuzzy inference system lebih cocok diterapkan di UD Matahari Surabaya.
English Abstract
UD Matahari is one of business unit in Surabaya city that produce chicken claw chips with size 100 grams, 250 grams, and 2,5 kilograms. Beside of chicken claw chips, UD Matahari also produce chicken intestine chips. Currently, UD Matahari has a problem on deciding the amount of chicken claw chips product that should be produced. Production quantities of chicken claw chips are often not the same as consumer demand. UD Matahari will lost the opportunity to earn more income from the sales of chicken claw chips product in case of lack of inventory, or there will be a huge cumulation of chicken claw product in the storage if the inventory is more than the demand. ANFIS and ANN Methods that used in this research. Adaptive Neuro Fuzzy Inference (ANFIS) or system adaptive network-based fuzzy inference system or neuro fuzzy is a combination of Artificial Neural Network and fuzzy logic. ANN is an information processing system that has characteristics similar to biological neural networks. The goal ware this research is to forecast the demand of chicken claw chips product during June 2015 – May 2015. Variables to compare thr result of forcasting using ANFIS and ANN. Variabels used in this research ware product sales, the price of the product, and marketing places. The learning algorithm used in this research were hybrid for ANFIS method and backpropagation for ANN method. Error value in the forecast of chicken claw chips size of 100 grams, 250 grams, and 2,5 kilograms using ANFIS method in training process were 19.86 grams; 16.36 grams; 21.75 grams. In the testing process there were a huge error value for the three size of product package, there are 100 grams; 51.13 grams; 43.99 grams. The best network architecture in ANN method for size 100 grams was 2-40-40-1 (2 input neurons, 40 neurons in hidden layer 1 and 40 neurons in hidden layer 2, and 1 output neuron). For size 200 grams and 2,5 kilograms, the best network architecture is 2-40-45-1 (2 input neurons, 40 neurons in hidden layer 1 and 45 neurons in hidden layer 2, and 1 output neuron). In ANN method, the best accuracy of forcasting in training and testing stages among the three size of product was size of 2,5 kilograms, i.e. 99.98% for training value and 91.55% for testing value. ANFIS was the method which gave the smallest MSE, i.e. 777.33 grams; 4310.42 gram; 1002.50 grams for each size. ANFIS also the method which gave the smallest was MAPE, i.e. 6.67%; 25.99%; 4.506%. That adaptive neuro fuzzy inference system was more suitable to be implemented in UD Matahari Surabaya.
Other obstract
-
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FTP/2015/602/ 051601026 |
Subjects: | 300 Social sciences > 338 Production > 338.1 Agriculture |
Divisions: | Fakultas Teknologi Pertanian > Teknologi Hasil Pertanian |
Depositing User: | Kustati |
Date Deposited: | 16 Feb 2016 14:57 |
Last Modified: | 13 Jun 2022 02:59 |
URI: | http://repository.ub.ac.id/id/eprint/150541 |
![]() |
Text
Untitled.pdf Download (5MB) |
Actions (login required)
![]() |
View Item |