Ikhsan, Fadhlillah (2020) Prediksi Penjualan Seblak Menggunakan Algoritme Extreme Learning Machine (ELM) di Seblak Malabar. Sarjana thesis, Universitas Brawijaya.
Abstract
Seblak Malabar merupakan salah satu bisnis di Kota Malang yang bergerak di bidang makanan. Keunikan cita rasa yang khas dan keanekaragaman variasi menu yang berbeda-beda membuat makanan tersebut diminati oleh banyak pelanggan. Namun, karena pengaruh dari beberapa faktor yang terjadi seperti perubahan cuaca dan persaingan pasar yang semakin ketat membuat penjualan Seblak Malabar mengalami fluktuasi. Hal tersebut menimbulkan beberapa permasalahan baru, yaitu permasalahan dalam memaksimalkan keuntungan, mengatur jumlah produksi bumbu seblak, menjaga stabilitas bahan baku, dan merancang strategi pemasaran yang tepat untuk meningkatkan jumlah penjualan. Dari beberapa permasalahan tersebut, prediksi penjualan yang akan datang merupakan solusi yang diusulkan peneliti karena memiliki peran yang sangat penting dalam mengambil suatu keputusan. Data yang digunakan untuk prediksi penjualan mengacu pada data penjualan sebelumnya. Data tersebut bersifat time series karena disusun berdasarkan waktu. Prediksi data time series merupakan permasalahan yang sangat kompleks sehingga dibutuhkan suatu metode yang mampu menghasilkan prediksi berdasarkan pergerakan pola data sebelumnya. Algoritme Extreme Learning Machine (ELM) pada Jaringan Saraf Tiruan (JST) feedforward network diusulkan peneliti karena memiliki kinerja yang sangat baik dalam memprediksi data yang bersifat time series. Dari hasil penelitian yang dilakukan, algoritme ELM mampu menghasilkan Mean Average Percentage Error (MAPE) sebesar 1,7548%. Hasil MAPE yang kurang dari 10% menunjukan bahwa algoritme ELM dapat digunakan untuk prediksi penjualan Seblak Malabar.
English Abstract
Seblak Malabar is a business in Malang running on food sector. The typical uniqueness of flavor and the diversity of menu which make the food attract many customers. However, because of the impact of some factors occurred, such as weather change and tighter market trend, makes Seblak sale run into the fluctuation. It makes some new problems, those are problem in maximizing the profit, organizing the number of seblak seasoning production, maintaining the stability of the logistics, and designing the proper marketing strategy to increase the number of sales. From those problems, the upcoming selling prediction is a solution offered by the researcher because it has an important role to make a decision. The data used for this prediction refers to the previous sale data. That data is time series because it is arranged based on the time. Time series data prediction is very complex problem so that it is needed a method which is able to produce a prediction based on previous data pattern movement. Extreme Learning Machine Algorithm in Artificial Neural Network (ANN) feedforward network is suggested by the researcher because it has very good performance in predicting time series data. From the research conducted, ELM algorithm is able to produce Mean Average Percentage Error (MAPE) up to 1.7548%. MAPE score less than 10% indicates that ELM algorithm can be used to predict the sale of Seblak Malabar.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2020/80/052003042 |
| Uncontrolled Keywords: | prediksi penjualan, time series, Jaringan Saraf Tiruan, Extreme Learning Machine, Mean Average Percentage Error, sale prediction, time series, Artificial Neural Network, Extreme Learning Machine, Mean Average Percentage Error |
| Subjects: | 000 Computer science, information and general works > 003 Systems > 003.2 Forecasting and forecasts |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 05 Aug 2020 08:15 |
| Last Modified: | 13 Apr 2023 06:04 |
| URI: | http://repository.ub.ac.id/id/eprint/180615 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Fadhlillah Ikhsan.pdf - Published Version Restricted to Registered users only until 31 December 2023. Download (6MB) |
Actions (login required)
 |
View Item |