Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal JIKO (Jurnal Informatika dan Komputer) JISKa (Jurnal Informatika Sunan Kalijaga)
Arinda Mulawardani Kustiawan
Universitas Mulawarman
Computer Science & IT Electrical & Electronics Engineering Library & Information Science

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
PERAMALAN PELAYANAN SERVICE MOBIL (AFTER SALE) MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK (BPNN) Novianti Puspitasari; Haviluddin Haviluddin; Arinda Mulawardani Kustiawan; Hario Jati Setyadi; Gubtha Mahendra Putra
JURNAL INFORMATIKA DAN KOMPUTER Vol 5, No 2 (2021): Februari 2021
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat - Universitas Teknologi Digital Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (414.567 KB) | DOI: 10.26798/jiko.v5i2.419

Abstract

Mobil adalah salah satu alat transportasi darat yang penting, karena mobil dapat membantu manusia dalam beaktivitas khususnya untuk pergi dari satu tempat ke tempat lain. Hal ini membuat para produsen mobil berlomba-lomba untuk menciptakan mobil dengan kelebihan dan keunggulan, sehingga jumlah mobil dipasaran sangat banyak dan bervariasi. Seiring dengan meningkatkan jumlah mobil maka Agen Tunggal Pemegang Merk (ATPM) berlomba-lomba untuk memberikan pelayanan after-sale (service mobile). Namun, pihak perusahaan mengalami kesulitan dalam mengetahui laju pertumbuhan jumlah service mobile yang ditangani, sehingga memberikan kerugian yang berdampak pada sumber pendapatan. Oleh karena itu diperlukan sebuah metode baku dalam menentukan peramalan jumlah service mobil di tahun berikutnya. Penelitian ini mengimplementasikan metode Backpropagation Neural Network (BPNN) dalam peramalan  pelayanan service mobil (after-sale) dan Mean Square Error (MSE) untuk metode pengujian akurasi hasil peramalan yang terbentuk. Adapun data yang digunakan pada penelitian ini adalah data  pelayanan service mobil (after-sale) selama lima tahun terakhir. Hasil penelitian menunjukkan bahwa arsitektur terbaik untuk peramalan pelayanan after-sale menggunakan BPNN adalah model arsitektur 5-10-5-1 dengan learning rate sebesar 0,2 dan fungsi pembelajaran yaitu trainlm serta MSE sebesar 0,00045581. Hal ini membuktikan bahwa metode BPNN mampu memprediksi pelayanan service mobile (after-sale) dengan nilai akurasi peramalan yang baik.
Peramalan Pelayanan Service Mobil (After-Sale) Menggunakan Backpropagation Neural Network (BPNN) Novianti Puspitasari; Haviluddin; Arinda Mulawardani Kustiawan; Hario Jati Setyadi; Gubtha Mahendra Putra
JISKA (Jurnal Informatika Sunan Kalijaga) Vol. 6 No. 3 (2021): September 2021
Publisher : UIN Sunan Kalijaga Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (479.913 KB) | DOI: 10.14421/jiska.2021.6.3.149-160

Abstract

The automotive industry in Indonesia, primarily cars, is getting more and more varied. Along with increasing the number of vehicles, Brand Holder Sole Agents (ATPM) compete to provide after-sale services (mobile service). However, the company has difficulty knowing the rate of growth in the number of mobile services handled, thus causing losses that impact sources of income. Therefore, we need a standard method in determining the forecasting of the number of car services in the following year. This study implements the Backpropagation Neural Network (BPNN) method in forecasting car service services (after-sale) and Mean Square Error (MSE) for the process of testing the accuracy of the forecasting results formed. The data used in this study is car service data (after-sale) for the last five years. The results show that the best architecture for forecasting after-sales services using BPNN is the 5-10-5-1 architectural model with a learning rate of 0.2 and the learning function of trainlm and MSE of 0.00045581. This proves that the BPNN method can predict mobile service (after-sale) services with good forecasting accuracy values.
Co-Authors Gubtha Mahendra Putra Haviluddin Haviluddin Novianti Puspitasari Puspitasari, Novianti Setyadi, Hario Jati