PENGEMBANGAN MODEL PERAMALAN PERMINTAAN KEBUTUHAN RESELLER MENGGUNAKAN EXTREME LEARNING MACHINE DALAM KONTEKS INTELLIGENT WAREHOUSE MANAGEMENT SYSTEM (IWMS)

Tri Bowo Atmojo, Reza Pulungan, Hermawan Syahputra

Abstract


Permintaan akan barang atau produk tertentu sering kali berubah secara cepat. Perubahan tersebut dapat berupa kenaikan atau penurunan permintaan. Banyak hal yang mendasari perubahan permintaan tersebut, antara lain pengaruh cuaca, masa promo produk, kemunculan produk baru, hari libur, dan sebagainya. Para pelaku industri sering kali menghabiskan banyak sumber daya (dapat berupa uang, waktu, tenaga, dan sebagainya) guna menghindari efek dari perubahan permintaan tersebut. Salah satu efek dari perubahan permintaan tersebut yaitu kehabisan barang persediaan atau bahkan melimpahnya barang persediaan. Salah satu cara tersebut yaitu dengan melakukan peramalan permintaan. Pelaku permintaan yang dimaksud adalah reseller. Beberapa dekade terakhir, banyak metode yang digunakan untuk memecahkan masalah perbubahan permintaan. Metode yang cukup terkenal dan sering digunakan untuk melakukan peramalan adalah jaringan syaraf tiruan. Jaringan syaraf tiruan banyak digunakan karena keflesibelan terhadap penyelesaian suatu masalah. Memperhatikan hal tersebut, dikembangkan sebuah model peramalan kebutuhan reseller menggunakan Extreme Learning Machine yang ditujukan untuk prototype Intelligent Warehouse Management System (IWMS) khususnya dalam sub-sistem Intelligent Forecasting System (IFS).


Full Text:

PDF (Indonesian)

References


Ghiani. G, Laporte. G, Musmanno. R, 2004, Introduction to Logistic System Planning and Control, John Wiley & Sons, London, England.

Hasin M. Ahsan, Ghosh. Shuvo, Shareef. Mahmud. A, 2011, An ANN Approach to Demand Forcasting in Retail trade in Bangladesh, International Journal of Trade Economics and Finanace Vol 2 No 2 April 2011, Page 154-160.

Singh Rampal and Balasundaram. S, 2007, Application of Extreme Learning Machine Methode for Time Series Analysis, International Journal of Electrical and Computer Engineering 2:8 2007, Page 549-555.

Halim Siana, Wibisono, Adrian Michael, 2000, Penerapan Jaringan Syaraf Tiruan Untuk Peramalan, Jurnal Teknik Industri Vol 2 No 2, Halaman 106-114.

Huang Guang-Bin, Ding Xiaojian, Zhou Hongming, 2010, Optimization Method Based Extreme Learning Machine for Classification, Neurocomputing 74 (2010), Page 155-163.

Zhang Yancai, Xu Hongfeng, and Zheng Yanmin, 2012, Chinese residents’ cold chain logistics demand forecasting based on GM(1,1) model, Arican Journal of Business Management Vol 6(14), Page 5136-5141.

Feng Guorui, Huang Guang-Bin, Lin Qingping, and Gay Robert, 2009, Error Minimized Extreme Learning Machine With Growth of Hidden Nodes and Incremental Learning, IEEE Tracsactions On Neural Networks Vol 20 No 8 August 2009, Page 1352-1357.

Zhu Qin-Yu, Qin. A. K, Suganthan. P. N, 2005, Evolutionary Extreme Learning Machine, Pattern Recognition 38 (2005), Elsevier, Page 1759-1763.

Huang Guang-Bin, Zhu Qin-Yu, Siew Chee-Kheong, 2006, Extreme learning machine: Theory and applications, Neurocomputing 70 (2006), Elsevier, Page 489-501.

Huang Guang-Bin, Wang Dian Hui, Lan Yuan, 2011, Extreme Learning Machine: a Survey, Int. J. Mach. Learn. & Cyber. (2011) 2, Springer, Page 107-122.

Pinnow Alexander, Osterburg, Stefan, Hanisch Lars, 2009, Forecasting Demand of Potential Factors in Data Centers, Informatica Aconomica vol 13, Page 9-15.

Liu Guoshan, Lu Yuanyuan, 2008, Improvement of Demand Forecasting Accuracy : A Methode Based on Region-Division, The 7th International Symposium on Operations Research and Its Applications (ISORA’08), ORSC & APORC, Lijiang, China, Page 440-446.

Zhang Jianyu, Pu Xuelei, Li Sheng, Yang Dan, 2004, Logistics Forecasting Using Improved Fuzzy Neural Networks System, The Fourth International Conference on Electronic Business (ICEB2004), Beijing, Page 1147-1150.

Sazli Murat. H, 2006, A brief of Feed-forward neural networks, Commun. Fac. Sci. Univ. ANk. Series A2-A3 V.50(1). Page 11-17.


Refbacks

  • There are currently no refbacks.