KLASIFIKASI PEMINJAMAN BUKU MENGGUNAKAN NEURAL NETWORK BACKPROPAGATION

• Main Authors: Norhikmah Norhikmah, Rumini Rumini
• Format: Article
• Language: Indonesian
• Published: Islamic University of Indragiri 2020-01-01
• Series: Sistemasi: Jurnal Sistem Informasi
• Online Access: http://sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/562

Peminjaman buku merupakan salah satu wujud pelayanan yang diberikan oleh perpustakaan. Peminjaman sangat erat kaitannya dengan persediaan. Pada perpustakaan A dalam menentukan persediaan buku, pegawai perpustakaan kesulitan untuk menentukan jenis-jenis buku apa saja yang sangat dibutuhkan mahasiswa. Dimana penentuan jumlah dan jenis buku belum menggunakan  sistem perhitungan yang pasti, hanya berdasarkan perkiraan jumlah mahasiswa dan matakuliah setiap program studi. Maka dari itu dibutuhkan klasifikasi peminjaman jenis buku berdasarkan transaksi peminjaman buku mahasiswa, data yang digunakan dalam penelitian ini yang sebanyak 269.116 dari tahun 2014 sampai 2019 bulan ke 6. Data jenis buku yang diolah sebanyak 184 jenis buku dari 1700 jenis buku, tahapan pertama yang dilakukan melakukan teknik forecasting untuk meramalkan target persediaan setiap jenis buku pada tahun selanjutya, tahapan kedua data transaksi peminjaman buku diproses untuk mengetahui klasifikasi jenis buku dengan menggunakan neural network backpropagation. Didapatkan hasil tingkat error atau MSE sebesar 0,021, menggunakan layer hidden 9 dan fungsi aktivasi tansiq dengan epoch 2000, dengan rekomendasi jumlah jenis buku yang disarankan untuk restock sebanyak 86 jenis buku dengan jumlah prediksi disetiap jenis buku. Tahapan ketiga  melakukan pengujian  validasi data untuk mengetahui tingkat error klasifikasi dan prediksi, terakhir dilakukan uji regresi menunjukan hasil hubungan yang siqnifikan sebesar 0,006 dengan data variabel yang dujikan yaitu  data prediksi, klasifikasi dan target.. Hasil dari penelitian ini adalah dapat memberikan data rekomendasi jenis buku beserta jumlah prediksi di setiap jenis buku yang dibutuhkan ditahun yang akan datang dengan menggunakan metode neural network backpropagation  dengan tingkat akurasi sebesar 95,5%.