Ghoziazmii, Naufal Nediasa (2020) PERAMALAN PENJUALAN KEJU KRAFT KOTA SURABAYA MENGGUNAKAN METODE GATED RECURRENT UNIT (GRU) (STUDI KASUS: PT MONDELĒZ INDONESIA). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211640000108_Undergraduate_Thesis.pdf Download (2MB) | Preview |
Abstract
Keju merupakan makanan yang dapat dihasilkan dari proses koagulasi susu asli. Keju termasuk jenis makanan pelengkap yang sering digunakan dikarenakan rasanya yang asin dan manis. Penggunaan berbagai metode, enzim, dan jenis susu dapat mempengaruhi kematangan, rasa, pemeraman maupun kekerasan keju itu sendiri. Hampir setiap aneka makanan dapat ditambahkan keju sebagai bahan pelengkap yang disesuaikan dengan jenis kejunya. PT. Mondelez Internasional yang berasal dari Amerika Serikat merupakan perusahaan terbesar dalam bidang biskuit, coklat, permen, keju, dan minuman instan. Pada tahun 2013, PT. Mondelez Internasional memecah divisi penjualannya menjadi 2 divisi. Mondelez Internasional untuk penjualan divisi biskuit, coklat, permen, dan Mondelez Indonesia untuk penjualan divisi keju. Semakin tingginya harga bahan baku produksi keju dan ketidaksesuaian target penjualan tiap cabang distribusi menyebabkan perlunya tindakan perencanaan produksi. Oleh sebab itu, perlunya data peramalan penjualan sebagai dasar keputusan perusahaan bagian pabrik produksi dalam memproduksi produk keju Kraft, khususnya di Kota Surabaya.
Penelitian tugas akhir ini dilakukan untuk meramalkan jumlah penjualan produk Keju Kraft di Kota Surabaya dengan menggunakan metode Gated Recurrent Unit (GRU) dan data yang digunakan merupakan data penjualan pada periode 1 Januari 2019 – 31 Desember 2019. Metode GRU merupakan salah satu variasi sederhana dari metode Long Short-Term Memory (LSTM). Kedua metode tersebut dapat memprediksi data yang bersifat time series dan sebagai solusi yang diusulkan dalam menyelesaikan permasalahan vanishing gradient dan exploding gradient dari metode Recurrent Neural Network (RNN).
Hasil analisis menunjukkan bahwa model terbaik dikonfigurasi dengan parameter units 200, epoch 300, dropout 0.0002, dan menggunakan fungsi lost function = mean squared logarithmic error serta optimizer Adam. Untuk fungsi optimasi pengaturan terbaik didapatkan dengan konfigurasi learning rate 0.00005 dan decay 1e-6. Model ini dapat menghasilkan nilai MAPE terbaik sebesar 82%. Bedasarkan hasil yang didapatkan, dapat disimpulkan bahwa metode GRU tidak mampu melakukan peramalan dengan nilai error yang tinggi.
==========================================================
Cheese is a food that can be produced from the coagulation process from real milk. Cheese is also a type of complementary food that is often used because it tastes salty and sweet. The use of cheese in various methods, enzymes, and types of milk can be affected the maturity, flavor, ripening, and hardness of the cheese itself. Almost every food can be added with cheese as a supplementary ingredient that adjusted to the type of cheese. PT. Mondelez International from the United States is the largest company in the field of biscuits, chocolate, candy, cheese, and instant drinks. In 2013, PT. Mondelez International splits its sales division into 2 divisions. Mondelez International for the sale of the biscuits, chocolate, candy and Mondelez Indonesia divisions for the cheese division. The higher prices of raw materials for cheese production and the mismatch of sales targets for each distribution branch cause the need for production planning actions. Therefore, the need for sales forecasting data as the basis for the decision of the company in the production factory in producing Kraft cheese products, especially in the city of Surabaya.
This final project research is carried out to predict the number of sales of Kraft Cheese products in Surabaya using the Gated Recurrent Unit (GRU) method and the data used are sales data for January 1, 2019 – December 31, 2019. The GRU method is one of the simplest variations of the method Long Short-Term Memory (LSTM). Both methods can predict time series data and as a proposed solution in solving the problem of vanishing gradient and gradient exploding from the Recurrent Neural Network (RNN) method.
The analysis shows that the best model is configured with the parameters of units 200, epoch 300, dropout 0.0002, and uses the lost function = mean squared logarithmic error and Adam optimizer. The best setting optimization function is obtained with a learning rate configuration of 0.00005 and decay 1e-6. This model can produce the best MAPE value of 82%. Based on the results obtained, it can be concluded the GRU method is not capable of forecasting with high error values.
| Item Type: | Thesis (Other) |
|---|---|
| Uncontrolled Keywords: | Peramalan, RNN, LSTM, GRU, Keju Kraft, Kota Surabaya. Forecasting, RNN, LSTM, GRU, Kraft Cheese, Surabaya City |
| Subjects: | T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Information and Communication Technology > Information Systems > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Naufal Nediasa Ghoziazmii |
| Date Deposited: | 31 Aug 2020 03:22 |
| Last Modified: | 08 Jan 2024 00:33 |
| URI: | http://repository.its.ac.id/id/eprint/81382 |
Actions (login required)
 |
View Item |