Prediksi Penjualan Buku Menggunakan Metode Extreme Learning Machine (Studi Kasus: UB Press)

Muslimah, Fakhriyyatum and Dr. Ir. Dian Eka Ratnawati, S.Si., M.Kom and Putra Pandu Adikara, S.Kom., M.Kom. (2024) Prediksi Penjualan Buku Menggunakan Metode Extreme Learning Machine (Studi Kasus: UB Press). Sarjana thesis, Universitas Brawijaya.

Abstract

UB Press adalah toko internal milik Universitas Brawijaya yang semakin terpacu untuk mengenalkan brand-nya pada masyarakat luas karena minimnya minat membaca dalam dunia perkuliahan. Salah satu caranya dengan mengetahui kategori buku yang banyak digemari oleh masyarakat. Terdapat beberapa hal seperti overstocking dan stock out yang dapat menghambat UB Press untuk semakin mengenalkan brand-nya karena keduanya dapat merugikan UB Press. Salah satu tindakan pencegahan yang dapat dilakukan yaitu memprediksi penjualan di setiap kategori buku sehingga UB Press mendapatkan gambaran untuk penjualan buku di masa yang akan datang. Pada penelitian ini, metode yang digunakan yaitu Extreme Learning Machine (ELM) dengan 22 kategori buku. Pengujian yang dilakukan dalam penelitian ini yaitu pengujian jumlah fitur data, jumlah hidden neuron, jenis fungsi aktivasi, dan cross validation time series untuk memodelkan algoritma ELM yang optimal agar menghasilkan nilai MAE yang rendah. Dari hasil analisis pengujian diketahui bahwa algoritma ELM dapat diimplementasikan untuk memprediksi penjualan buku UB Press. Namun, masih ada beberapa kategori yang menghasilkan nilai MAE yang cukup tinggi karena jumlah penjualan buku yang mengalami kenaikan yang drastis dari bulan sebelumnya. Dari 22 kategori, kategori dengan nilai MAE terkecil yaitu kategori “Pedoman” sebesar 1,009 menggunakan 2 fitur data, 3 hidden neuron, dan fungsi aktivasi Sigmoid Biner. Kategori dengan nilai MAE terbesar yaitu kategori “Peternakan” sebesar 96,85 menggunakan 7 fitur data, 2 hidden neuron, dan fungsi aktivasi Tangen Hiperbolik

English Abstract

UB Press is the internal bookstore of Brawijaya University that is increasingly driven to introduce its brand to the wider community due to the lack of interest in reading within the academic world. One way is by identifying book categories that are widely favored by the public. However, there are several challenges such as overstocking and stock out that can hinder UB Press from further establishing its brand because both can be detrimental to UB Press. One preventive measure that can be taken is predicting sales in each book category so that UB Press gets an overview of book sales in the future. In this research, the method used is Extreme Learning Machine (ELM) with 22 book categories. The testing conducted in this research includes testing the number of data features, the number of hidden neurons, types of activation functions, and time series crossvalidation to model the optimal ELM algorithm to produce low MAE values. From the analysis of the testing, it is known that the ELM algorithm can be implemented to predict UB Press book sales. However, there are still several categories that produce quite high MAE values because the number of book sales has increased drastically from the previous month. Out of the 22 categories, the category with the smallest MAE value is the “guidelines” category at 1,009 using 2 data features, 3 hidden neurons, and binary sigmoid activation function. The category with the largest MAE value is the “livestock” category at 96,85 using 7 data features, 2 hidden neurons, and hyperbolic tangent activation function

Item Type:	Thesis (Sarjana)
Identification Number:	0524150276
Uncontrolled Keywords:	UB Press, prediksi penjualan buku, Extreme Learning Machine, MAE, overstocking, stock out.UB Press, book sales prediction, Extreme Learning Machine, MAE, overstocking, stock out.
Divisions:	Fakultas Ilmu Komputer > Teknik Informatika
Depositing User:	soegeng sugeng
Date Deposited:	30 May 2024 07:37
Last Modified:	30 May 2024 07:37
URI:	http://repository.ub.ac.id/id/eprint/219799

Text (DALAM MASA EMBARGO) Fakhriyyatum Muslimah.pdf Restricted to Registered users only Download (6MB)

Actions (login required)

View Item