Penerapan Metode Group Method of Data Handling (GMDH) Network pada Peramalan Data Intermiten

Firda, Zuhriya (2018) Penerapan Metode Group Method of Data Handling (GMDH) Network pada Peramalan Data Intermiten. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img] Text
5214100138-Undergraduate_Theses.pdf - Published Version
Restricted to Repository staff only

Download (3MB) | Request a copy

Abstract

Dalam mengelola rantai pasok pada suatu organisasi atau perusahaan, permasalahan umum yang terjadi adalah ketidakpastian permintaan. Pola permintaan merupakan hal penting yang perlu diperhatikan untuk dapat melakukan perencanaan dan pengelolaan rantai pasok secara efektif. Untuk menangani permasalahan ketidakpastian permintaan tersebut adalah melakukan peramalan permintaan. Namun tidak semua metode peramalan dapat memberikan tingkat keakuratan yang lebih baik terutama untuk pola permintaan yang tidak teratur dan intermiten. Pola data intermiten adalah pola data permintaan yang pada beberapa periode tidak ada permintaan sehingga permintaan terjadi secara terputus-putus. Hal ini akan sulit diramalkan karena data yang dalam banyak periode mengalami permintaan nol tersebut tidak dapat diselesaikan dengan menggunakan metode deret waktu konvensional seperti moving average, exponential smoothing, regresi linier, dan lain sebagainya. Hasil yang diperoleh dengan menggunakan metode tersebut akan menghasilkan tingkat kesalahan yang tinggi. Metode yang digunakan pada tugas akhir ini untuk menangani masalah tersebut adalah menggunakan jaringan GMDH (Group Method of Data Handling) dimana metode ini dinilai pada penelitian-penelitian sebelumnya dapat menyelesaikan permasalahan permintaan yang intermiten dan memberikan nilai akurasi yang lebih baik jika dibandingkan dengan metode lainnya. GMDH merupakan metode dengan stuktur jaringan syaraf tiruan yang menggunakan fungsi transfer polinomial dan dapat membangun model secara mandiri dengan melakukan estimasi berdasarkan Root Mean Square Error (RMSE) dan melakukan penambahan lapisan pada hidden layer hingga didapatkan hasil keluaran yang terbaik. Hasil analisa menunjukkan bahwa model jaringan GMDH dengan jumlah neuron input sebanyak 6, jumlah maksimum neuron 15, jumlah hidden layer sebanyak 20, dan nilai selection pressure 0,2 adalah model stuktur jaringan yang terbaik untuk meramalkan data intermiten. Nilai RMSE yang diperoleh yaitu senilai 14861 selama proses pelatihan dan 21721 untuk data pengujian dimana angka tersebut lebih kecil jika dibandingkan model lainnya. Selain itu, analisa MDA menunjukkan bahwa peramalan yang dihasilkan dari model tersebut dapat mengikuti pola data aktual dengan baik. Hal ini dibuktikan dengan nilai MDA 0,7983 untuk pelatihan dan 0,7222 untuk pengujian. ============== The common problem in managing organization’s supply chain is uncertainty of demand. Demand pattern is an important thing to note in order to support planning and managing that can increase supply chain effectively. Forecasting demand is a way to solve demand uncertainty, but not all forecasting methods can provide better levels of accuracy especially for irregular and intermittent demand patterns. Intermittent data pattern has multiple periods of zero demand, so that demand events occur only sporadically. It could be difficult to forecast because data with multiple periods of zero demand can’t be solved using conventional time series methods such as moving average, exponential smoothing, holt winter, and linear regression. The results obtained by using these methods will result in a high error rate. The method used in this final project is a Group Method of Data Handling (GMDH) network in which this method was assessed in previous studies to solving intermittent demand problems and providing better accuracy values when compared to other methods. GMDH is an artificial neural network structure which using polynomial transfer function and can build the model independently by making estimation based on Root Mean Square Error (RMSE) and iterating to get the best output. The result shows that GMDH network model with the number of input neuron is 6, maximum number of neuron 15, number of hidden layer is 20, and value of selection pressure 0,2 is the best network structure model to forecast intermittent data. The RMSE value obtained is 14861 during training process and 21721 for the test data where the number is smaller than other models. In addition, MDA analysis shows that forecast generated from that model can follow the actual data pattern well. It is supported by value of MDA is obtain to 0.7983 for training and 0.7222 for testing

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Peramalan Data Intermiten; Permintaan Nol; Group Method of Data Handling (GMDH); Intermittent Data Forecasting; Intermittent Demand; Zero Demand; Group Method of Data Handling (GMDH)
Subjects: Q Science > Q Science (General) > Q325 GMDH algorithms.
T Technology > T Technology (General)
T Technology > T Technology (General) > T58.62 Decision support systems
Divisions: Faculty of Information Technology > Information System > (S1) Undergraduate Theses
Depositing User: Zuhriya Firda
Date Deposited: 20 Feb 2018 01:58
Last Modified: 20 Feb 2018 01:58
URI: http://repository.its.ac.id/id/eprint/49566

Actions (login required)

View Item View Item