Update Artikelilmiah: 51673

EZRA PRASETYA PANCA WARDHANA

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

Peramalan atau forecasting merupakan sebuah proses dalam prediksi nilai di masa depan menggunakan data sebelumnya yang sudah diketahui. Peramalan memang membantu dalam proses perencanan dan proses pengambilan keputusan, namun hasil peramalan tidaklah selalu akurat. Untuk mengatasi hal tersebut penelitian ini diusulkan untuk mengembangkan sebuah model peramalan produk yang lebih baik dengan mengimplementasikan algoritma Backpropagation neural networks (BPNN), dengan fungsi tujuan utama untuk meminimalkan nilai error. Metodologi penelitian ini menggunakan data historis bulanan dari tahun 2022 hingga 2025, yang dibagi menjadi 39 data training dan 9 data testing. Model BPNN dirancang untuk memproses tiga variabel masukan, yaitu data sales historis, data forecast perusahaan, dan data period. Melalui serangkaian uji coba, didapatkan arsitektur jaringan terbaik yaitu 3-10-1 (3 input neuron, 10 hidden neuron, 1 output neuron). Setelah melalui proses pelatihan dengan parameter terpilih, yaitu 2000 epoch dan learning rate 0,5, model yang dikembangkan menunjukkan performa yang sangat tinggi. Hasil pengujian pada data testing membuktikan keakuratan model dengan pencapaian nilai Mean Squared Error (MSE) sebesar 0,0234 dan Mean Absolute Percentage Error (MAPE) sebesar 13,23%. Hasil ini menunjukkan bahwa model BPNN yang diusulkan mampu memberikan solusi peramalan yang jauh lebih akurat dan andal dibandingkan metode yang digunakan perusahaan saat ini, sehingga dapat menjadi dasar pengambilan keputusan untuk mengoptimalkan jadwal produksi dan mengurangi risiko kekurangan stok.

Abtrak (Bhs. Inggris)

Herbal medicine manufacturers face significant challenges in meeting customer demand, primarily due to uncertainty in raw material availability. Failure to meet demand can lead to lost sales, financial losses, and a decline in consumer trust. Therefore, high-accuracy demand forecasting is essential to mitigate these issues. This study proposes the application of the Backpropagation Neural Network (BPNN) method for forecasting herbal product sales. BPNN is a multilayer architecture that enhances accuracy by propagating error corrections backward. This model utilizes historical data from 2022 to 2025, comprising sales data, previous forecast data, and month data as input variables. Through a trial-and-error process, the optimal BPNN architecture was determined to be a 3-10-1 configuration (3 input neurons, 10 hidden neurons, and 1 output neuron). The model's performance evaluation demonstrated high accuracy, evidenced by a Mean Squared Error (MSE) of 0.0234 and a Mean Absolute Percentage Error (MAPE) of 13.23%. These results indicate that the proposed BPNN model provides an effective and optimal solution for sales forecasting in the herbal industry, particularly for large datasets requiring efficient computation time.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman