Detail Karya Ilmiah

  • SISTEM PERAMALAN PENJUALAN JANGKA PENDEK SPARE PART SEPEDA MOTOR MENGGUNAKAN NEURAL NETWORK (Studi Kasus : Suzuki Kemayoran Bangkalan)
    Penulis : Ana Qaimah L.M.D.R
    Dosen Pembimbing I : Mula’ab, S.Si, M.Kom
    Dosen Pembimbing II :Fika Hastarita R.,ST, M.Eng
    Abstraksi

    Spare part merupakan salah satu bagian penting dalam pengoperasian mesin pada sepeda motor. Peningkatan jumlah penjualan spare part yang tidak terduga saat proses tune-up menyebabkan kesulitan dalam pelayanan yang terbaik kepada konsumen. Demikian juga sebaliknya, apabila terjadi penurunan jumlah penjualan spare part, maka akan menyebabkan penumpukan spare part di gudang. Oleh karena itu diperlukan sistem peramalan yang mampu meramalkan penjualan spare part pada periode berikutnya. Sistem peramalan ini menggunakan metode Jaringan Syaraf Tiruan algoritma Propagasi Balik dengan momentum untuk meramalkan jumlah penjualan spare part pada bulan berikutnya. Data yang telah tersimpan dihitung menggunakan epoh dan learning rate yang berbeda. Dari hasil uji coba system, maka dapat disimpulkan bahwa dengan menggunakan semua data sebagai data training dan menggunakan learning rate 3.5 dan dengan epoh 200 akan menghasilkan tingkat kesalahan 0.0622716.

    Abstraction

    Spare part is one of the vital component in machine operational for the motor cycle. Progress of selling spare part is unfathomable at tune-up process cause difficulty in best service for the consumer. Such is contrary, if marketing have the decrease product then make pile up momentum method’s. With use Neural Network algoritma backpropagation with momentum for prediction spare part total marketing to the next month. Data history from the last month the product in warehouse. So that, want forecasting system that capable to forecasting selling products in the next periodic. This forecasting system using Neural Network Backpropagation with momentum algorithm method to predict the amount of sales of spare parts in the next month. Data that has been saved is calculated using the epoch and the different learning rate. From the test system, it can be concluded that by using all the data as training data and using learning rate 3.5 and the epoch 200 will result in an error rate of 0.0622716.

Detail Jurnal