Upload
vubao
View
235
Download
2
Embed Size (px)
Citation preview
i
PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE
EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM
PERAMALAN PENJUALAN MOBIL BARU
Studi Kasus : Nasmoco Mlati, Daerah Istimewa Yogyakarta
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika
Diajukan Oleh :
Andreas Indra Laksana 135314066
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ii
COMPARISON OF SINGLE MOVING AVERAGE AND SINGLE
EXPONENTIAL SMOOTHING METHODS IN THE DEVELOPMENT OF
NEW CAR SALES FORCASTING SYSTEM
Case Study at Nasmoco Mlati, Special Region of Yogyakarta
THESIS
Present as Partial Fulfillment of the Requirement to obtain
the Sarjana Komputer Degree in Informatic Engineering Study Program
By :
Andreas Indra Laksana 135314066
INFORMATIC ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATIC ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
HALAMAN PERSETUJUAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
HALAMAN PENGESAHAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN MOTTO
“ Always Listening, Always Understanding “
“ No Pain, No Gain “
“ Menantang Batas Kemampuan Diri “
Tugas Akhir ini saya persembahkan kepada :
Allah Bapa, Putra, Rohkudus
Bunda Maria
Orangtua Terkasih
Kakak dan Saudara – saudara Tersayang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PERNYATAAN KEASLIAN KARYA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
viii
ABSTRAK
Salah satu perusahaan mobil yang terdapat di Indonesia adalah PT Toyota
Astra Motor. Menurut gaikindo.or.id, Toyota menempati peringkat pertama
penjualan kendaraan komersial. Salah satu produk terlaris dari Toyota adalah
Avanza G 1,3 M/T. Menentukan jumlah unit mobil yang akan dipasarkan
merupakan suatu masalah yang dihadapi oleh manajer suatu dealer.
Pada penelitian ini dibuat sistem peramalan untuk memprediksi jumlah unit
mobil yang akan dipasarkan dengan menggunakan metode Single Moving Average
dan Single Exponential Smoothing. Dari kedua metode peramalan tersebut
kemudian dibandingkan metode mana yang terbaik. Indikator perbandingan dilihat
dari akurasi peramalan dengan mencari error atau kesalahan terkecil dari kedua
metode tersebut. Dengan menggunakan Root Mean Square Error (RMSE) dan
Mean Absolute Error (MAE) dapat diketahui metode terbaik dalam peramalan pada
studi kasus di Nasmoco Mlati, Yogyakarta.
Dari penelitian ini dapat diketahui metode Single Moving Average adalah
metode terbaik dikarenakan memiliki akurasi terbaik. Akurasi yang baik memiliki
nilai kesalahan atau error yang kecil. Nilai kesalahan pada metode Single Moving
Average 3 pergerakan adalah 16,44 dan 12,80, sedangkan pada metode Single
Exponential Smoothing alpha 0,5 adalah 16,74 dan 13,04. Dengan demikian , dalam
studi kasus ini metode Single Moving Average 3 pergerakan lebih baik daripada
metode Single Exponential Smoothing.
Kata kunci : Peramalan, Single Moving Average, Single Exponential Smoothing,
Outlier, Root Mean Square Error, Mean Absolute Error.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
ABSTRACT
One of the car company which is located in Indonesia is PT Toyota Astra
Motor. According to gaikindo.or.id, Toyota occupies the first rank of commercial
vehicle sales. One of the best selling product from Toyota is Avanza G 1,3 M/T.
Determining the number of units will be marketed is a problem faced by a
showroom's manager.
This research has made a forecasting system to predict the number of units
car to be marketed using single moving average adn exponential smoothing
methods. From both forecasting methods, then both of methods will be compared
to get the best result. The benchmark of indicators can be seen from the accuracy
of forecasting by searching the error or the smallest mistake from both methods. By
using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) can be
known the best method in forecasting from the case study at Nasmoco Mlati,
Yogyakarta.
By this research can be known single movng average is the best method
because has the best accuracy. The best Accuracy has smallest error value. Error
value on single moving average method 3 movement is 16,44 and 12,80, while on
the single exponential smoothing method alpha 0,5 is 16,74 dan 13,04. The best
method is obtained from Single Moving Average 3 movement which is 16,44 and
12,8 as the result of forecasting about 23 units. Thus, in this case study Single
Moving Average method 3 movements is better than Single Exponential Smoothing
method.
Keyword : Forecasting, Single Moving Average, Single Exponential Smoothing,
Outlier, Root Mean Square Error, Mean Absolute Error.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
KATA PENGANTAR
Puji dan syukur penulis haturkan kepada Tuhan Yang Maha Esa karena
berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan tugas akhir yang
berjudul “PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN
SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN
SISTEM PERAMALAN PENJUALAN MOBIL BARU”.
Dalam proses penyelesaian penyusunan tugas akhir ini penulis diberi
banyak dukungan, doa dan motivasi dari berbagai pihak. Oleh karena itu, penulis
ingin mengucapkan terimakasih kepada :
1. Tuhan Yesus Kristus dan Bunda Maria yang telah memberkati kekuatan,
bimbingan, keyakinan dan menyertai penulis.
2. Orang tua penulis, Bapak Yusef Djoko Saptono dan Ibu Yulia Tri Hartanti
yang begitu menyayangi penulis dan selalu memberikan dukungan, doa,
perhatian, nasihat dan motiasi.
3. Kakak penulis yaitu Agnes Yustika Wulan Arum yang selalu mendukung.
4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas
Sains dan Teknologi.
5. Ibu Dr.Anastasia Rita Widiarti selaku Ketua Program Studi Teknik
Informatika.
6. Bapak Drs. Haris Sriwindono, M.Kom., Ph.D. selaku dosen pembimbing
skripsi yang telah mencurahkan pikiran dan memberikan waktu serta
membimbing peulis.
7. Seluruh dosen yang telah mendidik, mengajarkan pengetahuan dan
pengalaman yang sangat berharga selama proses perkuliahan di Universitas
Sanata Dharma.
8. Paskalia Krisantari yang selalu mengingatkan untuk mengerjakan tugas
akhir dan selalu menemani disaat penulis terlena dengan akan gaya hidup
hedonisme.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
9. Teman – teman kontrakan yaitu Advent Prasetyo Nugroho, Yosep Kartika
Dewandaru, Baptista Yorangga yang selalu menghibur dan selalu
mengingatkan untuk jangan terlalu menikmati masa muda.
10. Teman – teman Teknik Informatika 2013 yang selalu memotivasi dan
memberi semangat dalam menyelesaikan tugas akhir.
11. Teman – teman TI’C yang selalu mengingatkan untuk selalu menjaga
kesehatan jasmani dan rohani dalam proses menyelesaikan tugas akhir.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
DAFTAR ISI
HALAMAN JUDUL ................................................................................................ i
HALAMAN PERSETUJUAN ............................................................................... iii
HALAMAN PENGESAHAN ................................................................................ iv
HALAMAN MOTTO ............................................................................................. v
PERNYATAAN KEASLIAN KARYA ................................................................ vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................ vii
ABSTRAK ........................................................................................................... viii
ABSTRACT ........................................................................................................... ix
KATA PENGANTAR ............................................................................................ x
DAFTAR ISI ......................................................................................................... xii
DAFTAR GAMBAR ........................................................................................... xiv
DAFTAR TABEL ................................................................................................ xvi
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 2
1.3 Tujuan Penelitian ...................................................................................... 2
1.4 Batasan Masalah ....................................................................................... 3
1.5 Sistematika Penulisan ............................................................................... 3
BAB II LANDASAN TEORI ................................................................................. 5
2.1 Dasar Teori ............................................................................................... 5
2.1.1 Peramalan (forecasting) .................................................................... 5
2.1.2 Tujuan Peramalan.............................................................................. 6
2.1.3 Tahap – tahap peramalan .................................................................. 6
2.1.4 Metode – metode Peramalan ............................................................. 7
2.1.5 Deteksi Outlier ................................................................................ 12
2.1.6 Pengukuran Akurasi Hasil Peramalan ............................................. 15
2.2 Teknologi yang Digunakan .................................................................... 17
2.2.1. Java .................................................................................................. 17
2.2.2. MySql .............................................................................................. 17
BAB III METODOLOGI PENELITIAN.............................................................. 19
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiii
3.1 Gambaran Umum Penelitian .................................................................. 19
3.2 Sumber Data ........................................................................................... 19
3.3 Spesifikasi Alat ....................................................................................... 19
3.4 Tahap – tahap Penelitian ........................................................................ 20
3.5 Desain Alat Uji ....................................................................................... 20
BAB IV ANALISIS DAN PERANCANGAN SISTEM ...................................... 22
4.1 Analisis Sistem ....................................................................................... 22
4.2 Analisis Kebutuhan ................................................................................ 23
4.2.1 Identifikasi Pelaku Sistem ............................................................... 23
4.2.2 Diagram Use-case ........................................................................... 23
4.3 Perancangan Sistem ................................................................................ 25
4.3.1 Diagram Aliran Data ....................................................................... 25
4.3.2 Perancangan Basis Data .................................................................. 30
4.3.3 Perancangan Sitstem ....................................................................... 31
BAB V IMPLEMENTASI, PENGUJIAN DAN ANALISIS HASIL .................. 36
5.1 Implementasi Antarmuka ....................................................................... 36
5.2 Implementasi Metode ............................................................................. 42
5.2.1 Implementasi Control Excel ............................................................ 42
5.2.2 Implementasi Single Moving Average ............................................ 43
5.2.3 Implementasi Single Exponential Smoothing ................................. 44
5.2.4 Implementasi RMSE dan MAE ........................................................ 44
5.3 Pengujian (testing) .................................................................................. 45
5.3.1 Pengujian Perhitungan Manual ....................................................... 45
5.3.2 Pengujian Menggunakan Sistem (data pemodelan) ........................ 60
5.4 Analisis Hasil ......................................................................................... 67
BAB VI PENUTUP .............................................................................................. 81
6.1 Kesimpulan ............................................................................................. 81
6.2 Saran ....................................................................................................... 82
DAFTAR PUSTAKA ........................................................................................... 83
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xiv
DAFTAR GAMBAR
Gambar 4. 1 Diagram Use case ........................................................................... 24
Gambar 4. 2 Diagram Konteks ............................................................................ 25
Gambar 4. 3 Diagram Berjenjang ........................................................................ 25
Gambar 4. 4 Overview DFD................................................................................ 26
Gambar 4. 5 DFD Level 1 Proses 1 Registrasi Akun .......................................... 27
Gambar 4. 6 DFD Level 1 Proses 2 Login .......................................................... 27
Gambar 4. 7 DFD Level 1 proses 3 Unggah Excel ............................................. 27
Gambar 4. 8 DFD Level 1 proses 4 Kelola Tabel ............................................... 28
Gambar 4. 9 DFD Level 1 proses 5 Proses Peramalan ........................................ 28
Gambar 4. 10 DFD Level 2 proses 4 Kelola Tabel ............................................. 29
Gambar 4. 11 Desain Halaman Registrasi dan Login ......................................... 31
Gambar 4. 12 Desain Halaman Akun Email Tervirifikasi Login ........................ 31
Gambar 4. 13 Desain Halaman Unggah File ....................................................... 32
Gambar 4. 14 Desain Halaman Pilih Excel ......................................................... 32
Gambar 4. 15 Desain Halaman Daftar Tabel ...................................................... 33
Gambar 4. 16 Desain Halaman Isi Tabel ............................................................. 33
Gambar 4. 17 Desain Halaman Tambah Baris Data ............................................ 34
Gambar 4. 18 Desain Halaman Proses Peramalan .............................................. 34
Gambar 4. 19 Desain Halaman Hasil Peramalan, RMSE dan MAE ................... 35
Gambar 5. 1 Halaman Registrasi dan Login ....................................................... 36
Gambar 5. 2 Halaman Akun Email Tervirifikasi Login ...................................... 37
Gambar 5. 3 Halaman Unggah File ..................................................................... 37
Gambar 5. 4 Halaman Pilih File Excel ................................................................ 38
Gambar 5. 5 Daftar Tabel .................................................................................... 38
Gambar 5. 6 Halaman Isi Tabel (bagian atas) ..................................................... 39
Gambar 5. 7 Halaman Isi Tabel (bagian bawah) ................................................. 39
Gambar 5. 8 Halaman Tambah Baris .................................................................. 40
Gambar 5. 9 Halaman Proses Peramalan ............................................................ 40
Gambar 5. 10 Halaman Hasil Peramalan............................................................. 41
Gambar 5. 11 Listing Program ControlExcel ...................................................... 42
Gambar 5. 12 Listing program metode Single Moving Average ........................ 43
Gambar 5. 13 Listing Program Single Exponential Smoothing .......................... 44
Gambar 5. 14 Listing program menghitung RMSE dan MAE ............................ 45
Gambar 5. 15 Grafik Peramalan SMA Data Pemodelan (tanpa Deteksi Outlier) 50
Gambar 5. 16 Grafik Peramalan SES Data Pemodelan (tanpa Deteksi Outlier) . 54
Gambar 5. 17 Peramalan SMA Data Pemodelan (tanpa deteksi Outlier) ........... 58
Gambar 5. 18 Peramalan SES Data Pemodelan (dengan deteksi Outlier) .......... 60
Gambar 5. 19 Halaman Login ............................................................................. 61
Gambar 5. 20 Tabel Penjualan Mobil (Pemodelan) ............................................ 61
Gambar 5. 21 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 1 ... 62
Gambar 5. 22 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 2 ... 62
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xv
Gambar 5. 23 Halaman Data Penjualan (Pemodelan dengan Deteksi Outlier) 1 63
Gambar 5. 24 Halaman Data Penjualan (Pemodelan dengan Deteksi Outlier) 2 63
Gambar 5. 25 Form Pergerakan dan Alpha ......................................................... 64
Gambar 5. 26 Halaman Hasil Peramalan (tanpa Deteksi Outlier) ....................... 65
Gambar 5. 27 Halaman Hasil Peramalan (dengan Deteksi Outlier) .................... 65
Gambar 5. 28 Tabel Penjualan Riil ..................................................................... 68
Gambar 5. 29 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (1) ............. 68
Gambar 5. 30 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (2) ............. 69
Gambar 5. 31 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (3) ............. 69
Gambar 5. 32 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (4) ............. 70
Gambar 5. 33 Halaman Data Penjualan Riil dengan Deteksi Outlier (1) ............ 70
Gambar 5. 34 Halaman Data Penjualan Riil dengan Deteksi Outlier (2) ............ 71
Gambar 5. 35 Halaman Data Penjualan Riil dengan Deteksi Outlier (3) ............ 71
Gambar 5. 36 Halaman Data Penjualan Riil dengan Deteksi Outlier (4) ............ 72
Gambar 5. 37 Halaman Data Penjualan Riil dengan Deteksi Outlier (5) ............ 72
Gambar 5. 38 Halaman Tambah Data ................................................................. 73
Gambar 5. 39 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha (tanpa deteksi
Outlier) .................................................................................................................. 73
Gambar 5. 40 Hasil Peramalan Data Riil 3 Pergerakan dan 0,3 Alpha (tanpa deteksi
Outlier) .................................................................................................................. 74
Gambar 5. 41 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha (tanpa deteksi
Outlier) .................................................................................................................. 74
Gambar 5. 42 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha (tanpa deteksi
Outlier) .................................................................................................................. 75
Gambar 5. 43 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha (tanpa deteksi
Outlier) .................................................................................................................. 75
Gambar 5. 44 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha (dengan
deteksi Outlier) ...................................................................................................... 76
Gambar 5. 45 Hasil Peramalan Data Riil 3 Pergerakan dan 0,5 Alpha (dengan
deteksi Outlier) ...................................................................................................... 76
Gambar 5. 46 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha (dengan
deteksi Outlier) ...................................................................................................... 77
Gambar 5. 47 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha (dengan
deteksi Outlier) ...................................................................................................... 77
Gambar 5. 48 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha (dengan
deteksi Outlier) ...................................................................................................... 78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xvi
DAFTAR TABEL
Tabel 4. 1 Tabel Identifikasi Pelaku Sistem ......................................................... 23
Tabel 4. 2 Tabel Pengguna ................................................................................... 30
Tabel 4. 3 Tabel Penjualan ................................................................................... 30
Tabel 5. 1 Data Pemodelan (tanpa deteksi outlier) .............................................. 46
Tabel 5. 2 Perhitungan Manual SMA Data Pemodelan (tanpa Deteksi Outlier) . 49
Tabel 5. 3 Perhitungan Manual SES Data Pemodelan (Tanpa Deteksi Outlier) .. 53
Tabel 5. 4 Tabel Data Pemodelan Sebelum Deteksi Outlier ................................ 56
Tabel 5. 5 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan
............................................................................................................................... 57
Tabel 5. 6 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan
SMA (deteksi Outlier) .......................................................................................... 57
Tabel 5. 7 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan
SES (dengan deteksi Outlier) ................................................................................ 59
Tabel 5. 8 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA (tanpa
Deteksi Outlier) ..................................................................................................... 66
Tabel 5. 9 Tabel Hasil Peramalan pada Data Pemodelan Metode SES (tanpa
Deteksi Outlier) ..................................................................................................... 66
Tabel 5. 10 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA (dengan
Deteksi Outlier) ..................................................................................................... 66
Tabel 5. 11 Tabel Hasil Peramalan pada Data Pemodelan Metode SES (dengan
Deteksi Outlier) ..................................................................................................... 67
Tabel 5. 12 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati, Yogyakarta
(Data Riil tanpa deteksi Outlier) ........................................................................... 79
Tabel 5. 13 Tabel Hasil Peramalan metode SES padaNasmoco Mlati, Yogyakarta
(Data Riil tanpa Deteksi Outlier) .......................................................................... 79
Tabel 5. 14 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati, Yogyakarta
(Data Riil dengan deteksi Outlier) ........................................................................ 80
Tabel 5. 15 Tabel Hasil Peramalan metode SES pada Nasmoco Mati, Yogyakarta
(Data Riil dengan deteksi Outlier) ........................................................................ 80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Di era yang menuntut untuk selalu cepat dalam segala hal, salah satunya
adalah mobilitas untuk berbagai hal kegiatan, diperlukan alat transportasi
untuk mempercepat perjalanan untuk sampai ke tujuan. Mobil adalah salah
satu alat transportasi yang populer. Di Indonesia terdapat banyak
perusahaan mobil yang menawarkan berbagai tipe mobil yang diminati
masyarakat Indonesia. Salah satu perusahaan mobil yang sangat populer di
Indonesia yaitu PT. Toyota Astra Motor. Menurut gaikindo.or.id, Toyota
menempati peringkat pertama penjualan kendaraan komersial. Toyota
memiliki varian produk mobil yang sangat diminati misalnya Avanza,
Alphard, Fortuner, Kijang, Corola, Agya dan lain sebagainya.
Menentukan jumlah unit mobil yang akan dipesan dealer kepada
perusahaan pusat dimasa mendatang adalah salah satu masalah yang
dihadapi oleh manajer. Terlalu banyak atau bahkan kurangnya pemesanan
mobil dapat berdampak buruk bagi perusahaan. Banyak sekali informasi
yang diperoleh namun kurangnya pengolahan informasi tersebut
menyebabkan manajer kurang yakin dalam menentukan jumlah mobil yang
akan dipasarkan di daerah tersebut. Informasi yang didapat kemudian diolah
oleh suatu sistem dan dapat berguna dengan baik. Sistem untuk mengolah
informasi salah satunya adalah sistem peramalan jumlah unit yang akan
dipesan dealer kepada perusahaan pusat.
Dalam menentukan jumlah unit mobil pada suatu tipe di masa
mendatang diperlukan peramalan untuk mengetahui berapa jumlah yang
akan dipasarkan. Sistem peramalan ini menggunakan 2 metode yaitu
metode single moving average dan metode single exponential smoothing.
Dalam metode ini peramalan dilakukan dengan melakukan perhitungan
dengan data yang sudah ada pada waktu sebelumnya sehingga aplikasi ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
mampu membantu dalam menentukan jumlah unit mobil yang akan dibeli
oleh konsumen.
Dengan latar belakang tersebut maka yang menjadi pembahasan utama
adalah bagaimana membangun sistem peramalan untuk meramalkan
penjualan mobil menggunakan metode single moving average dan single
exponential smoothing pada PT. New Ratna Motor (Nasmoco cabang Mlati,
Sleman, DIY) sehingga mampu membantu manajer dalam memerkirakan
jumlah unit yang akan dipesan kepada perusahaan pusat supaya dapat
memperkecil resiko kesalahan.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, maka masalah yang ingin diteliti
penulis adalah:
1. Bagaimana membangun sistem peramalan penjualan mobil baru
dengan menggunakan metode Single Moving Average dan Single
Exponential Smooting pada data penjualan mobil Nasmoco Mlati,
Yogyakarta ?
2. Berapa besar perbedaan tingkat akurasi antara metode Single
Moving Average dan metode Single Exponential Smoothing dalam
peramalan penjualan unit mobil di Nasmoco Mlati, Yogyakarta ?
1.3 Tujuan Penelitian
Tujuan yang ingin dicapai menurut rumusan masalah penelitian ini
adalah sebagai berikut :
1. Membuat sistem untuk meramalkan penjualan unit mobil dengan
metode Single Moving Average dan Single Exponential Smoothing
pada data penjualan mobil Nasmoco Mlati, Yogyakarta.
2. Mengetahui tingkat akurasi dari metode Single Moving Average dan
Single Exponential Smoothing untuk meramalkan jumlah unit yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
akan laku di periode mendatang pada data penjualan mobil
Nasmoco Mlati, Yogyakarta.
1.4 Batasan Masalah
Didalam penelitian perlu adanya pembatasan masalah yang digunakan
dalam pembangunan sistem yaitu seperti berikut :
1. Sistem akan menampilkan output atau hasil berupa ramalan jumlah unit
yang akan laku dipasaran pada periode berikutnya, menampilkan
RMSE (Root Mean Square Error) dan MAE (Mean Absolute Error)
dari kedua metode.
2. Sistem yang akan dibuat berbasis web.
3. Hanya dapat import format data Excel (.xls).
4. User harus registrasi terlebih dahulu.
1.5 Sistematika Penulisan
Penulisan skripsi terdiri dari 6 bab, yaitu :.
BAB I PENDAHULUAN
Bab ini berisi latar belakang, rumusan masalah, tujuan dan batasan
masalah dan sistematika penulisan.
BAB II LANDASAN TEORI
Bab ini berisi penjelasan singkat mengenai dasar teori yang mendukung
mengenai peramalan, outlier dan pengukuran akurasi peramalan.
BAB III METODOLOGI PENELITIAN
Berisi penjelasan mengenai langakah – langkah atau metode penelitian
pada tugas akhir ini, antara lain gambaran umum penelitian, sumber data,
spesifikasi alat dan desain alat uji.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
BAB IV ANALISA DAN PERANCANGAN SISTEM
Bab ini berisi penjelasan mengenai analisa dan perancangan perangkat
lunak atau sistem yang akan dibangun. Tahapan perancangan perangkat
lunak atau sistem terdiri dari perancangan umum, diagram use case, diagram
akrivitas, diagram kelas.
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
Bab ini berisi implementasi atau penerapan metode Single Moving
Average dan Single Exponential Smoothing pada sistem, percobaan sistem,
rancangan sistem.
BAB VI PENUTUP
Berisi kesimpulan penelitian dan saran untuk penelitian selanjutnya.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
BAB II
LANDASAN TEORI
2.1 Dasar Teori
2.1.1 Peramalan (forecasting)
Prakiraan pada dasarnya merupakan suatu dugaan atau prediksi
mengenai terjadinya suatu kejadian atau peristiwa di masa yang akan
datang. Prakiraan dapat disebut juga dengan peramalan yang ilmiah
(educated guess). Setiap pengambilan keputusan yang menyangkut
keadaan di masa yang akan datang, maka pasti ada prakiraan yang
melandasi pengambilan keputusan tersebut (S. Assauri, 1984).
Peramalan bukanlah suatu dugaan, karena dugaan hanya
mengestimasikan masa mendatang berdasarkan perkiraan saja sedangkan
peramalan menggunakan perhitungan matematis sebagai bahan
pertimbangan (Gross, 1982).
Dengan kata lain, peramalan adalah proses untuk menduga kejadian
atau kondisi di masa mendatang berdasarkan data historis dan pengalaman
untuk menemukan kecenderungan dari pola sistematis yang bertujuan
memperkecil resiko kesalahan.
Prakiraan adalah penggunaan data masa lalu dari sebuah variabel atau
kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang.
Prakiraan dibutuhkan karena semua industri beroperasi dalam lingkungan
yang tidak jelas tetapi keputusan yang dibuat hari ini akan mempengaruhi
masa depan institusi/industri. Prakiraan yang efektif sangat dibutuhkan
untuk mencapai tujuan strategis dan operasional dari semua
institusi/industri.
Perbandingan hasil peramalan, membandingkan hasil dari setiap
metode yang telah dilakukan sehingga dapat mengetahui tingkat akurasi
dari setiap metode.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
2.1.2 Tujuan Peramalan
Di dalam dunia usaha penting diperkirakan hal – hal yang terjadi di
masa depan sebagai dasar untuk pengambilan keputusan, terutama dunia
usaha itu merupakan bagian dari kehidupan sosial, di mana segala sesuatu
yang terjadi serba tidak pasti, sukar diprediksi dengan cepat. Oleh karena
itu perlu dilakukan sebuah peramalan / rencana. Peramalan yang dibuat
selalu diupayakan agar dapat :
1. Meminimalkan pengaruh ketidakpastian terhadap perusahaan.
2. Menurut (Gaspersz, 2005 : 75) tujuan peramalan adalah untuk
meramalkan permintaan dan item – item independent demand di
masa yang akan datang, sedangkan menurut (Subagyo, 2002 : 1)
tujuan peramalan adalah mendapatkan peramalan yang bisa
meminimalkan kesalahan meramal (Forecast Error) yang bisa
diukur dengan Mean Absolute Error (MAE) dan Mean Square
Error (MSE).
Dengan adanya peramalan penjualan ini berarti manajemen
perusahaan telah mendapatkan gambaran gambaran tentang penjualan
dimasa yang akan datang, sehingga manajemen perusahaan akan
memperoleh masukan secara objektif dalam menentukan kebijakan
perusahaan.
2.1.3 Tahap – tahap peramalan
Menurut (Gaspersz, 2005) ada sembilan langkah yang harus
diperhatikan yang digunakan untuk menjamin efektifitas dan efisiensi dari
sistem peramalan sebagai berikut :
1. Menentukan tujuan dari peramalan.
2. Memilih item yang akan diramalkan.
3. Menentukan horizon waktu peramalan.
4. Memilih model – model peramalan.
5. Memperoleh data yang dibutuhkan untuk melakukan peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
6. Validasi model peramalan.
7. Membuat peramalan.
8. Implementasikan hasil – hasil peramalan.
9. Memantau keandalan hasil peramalan.
(Murahartawaty, 2009) Dalam prakiraan atau peramalan, jangka waktu
peramalan dibagi menjadi 3, yaitu :
a. Prakiraan jangka pendek (short term forecasting), yaitu prakiraan
yang dilakukan untuk penyusunan hasil prakiraan yang jangka
waktunya harian hingga setiap jam.
b. Prakiraan jangka menengah (mid term forecasting), yaitu prakiraan
yang dilakukan untuk penyusunan hasil prakiraan yang jangka
waktunya mingguan hingga bulanan.
c. Prakiraan jangka panjang (long term forecasting), yaitu prakiraan
yang dilakukan untuk penyusunan hasil prakiraan yang jangka
waktunya 10 tahunan atau beberapa tahun kedepan.
2.1.4 Metode – metode Peramalan
Menurut (Render dan Heizer, 2001 : 48) ada dua jenis pendekatan
dalam peramalan :
2.1.5.1 Metode Kuantitatif
Metode ini menggunakan berbagai model matematis yang
menggunakan data historis dan atau variabel – variabel klausal
untuk meramalkan permintaan.
1. Metode Klausal
a. Proyeksi Trend
Metode peramalan dengan proyeksi trend ini
mencocokkan garis trend ke rangkaian titik data historis dan
kemudian memproyeksi garis itu kedalam ramalan jangka
menengah hingga jangka panjang. Jika mengembangkan
garis trend linier dengan metode statistik, metode yang tepat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
digunakan adalah metode kuadrat kecil (Least Square
Method). Pendekatan ini menghasilkan garis lurus yang
meminimalkan jumlah kuadrat perbedaan vertikal dari garis
pada setiap observasi aktual.
Menurut (Djarwanto, 2001 : 291) rumus untuk
proyeksi trend dengan metode kuadrat kecil adalah sebagai
berikut :
𝑌 = 𝑎 + 𝑏 𝑥 … … … … … … … … . (2.1)
Dimana :
𝑌 = Ramalan jumlah produksi.
𝑎 = Nilai rata – rata ramalan produksi.
𝑏 = koefisien kecondongan garis trend.
𝑥 = periode triwulan.
Mencari nilai 𝑎 dan 𝑏 untuk proyeksi trend dengan
metode kuadrat terkecil :
𝑎 =∑𝑌
𝑛 … … . … … … … … … (2.2)
b =∑xY
∑x2 … … … … … … … … . (2.3)
b. Analisis Regresi Linier
Metode ini selain menggunakan nilai historis untuk
variabel yang diramalkan banyak faktor – faktor yang bisa
dipertimbangkan, misalnya dalam membuat perencanaan
produksi garis mempertimbangkan kesiapan tenaga kerja,
kesiapan kondisi mesin yang baik. Menurut (Sumayang,
2003 : 43) rumus analisis regresi linier adalah :
𝑌" = 𝑎 + 𝑏𝑥 … … … … … … … … . . . (2.4)
Dimana :
𝑌" = perkiraan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
𝑎 = 𝑦 intercept atau perpotongan garis regresi dengan
sumbu 𝑦 , yaitu dengan besarnya perkiraan variabel
dependent 𝑦 pada saat tidak ada pengaruh 𝑥.
𝑏 = slope atau sudut kemiringan garis regresi, yang
menunjukkan besarnya pengaruh perubahan 𝑥
terhadap perubahan 𝑦.
𝑥 = variabel independent sesuatu yang secara hipotesis
mempengaruhi 𝑦.
Rumus mencari nilai 𝑎 dan 𝑏 untuk garis regresi :
b =Σxy − ΣxΣy
𝑛∑x2 − (∑x)2 … … … … … … … (2.5)
a =ΣyΣx2 − ΣxΣxy
𝑛∑x2 − (∑x)2 … … … … … … . . (2.6)
2. Metode Time Series
a. Metode Rata – rata Bergerak Tunggal (Single Moving
Averages)
Menurut (Spyros, 1999) Moving Averages (rata-rata
bergerak) adalah metode peramalan perataan nilai dengan
mengambil sekelompok nilai pengamatan yang kemudian
dicari rata- ratanya, lalu menggunakan rata-rata tersebut
sebagai ramalan untuk periode berikutnya. Istilah rata-rata
bergerak digunakan, karena setiap kali data observasi baru
tersedia, maka angka rata-rata yang baru dihitung dan
dipergunakan sebagi ramalan.
Rata-rata bergerak tunggal (Single Moving Average)
adalah suatu metode peramalan yang dilakukan dengan
mengambil sekelompok nilai pengamatan, mencari nilai
rata-rata tersebut sebagai ramalan untuk periode yang akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
datang. Metode Single Moving Average mempunyai
karakteristik khusus yaitu :
- untuk menentukan ramalan pada periode yang akan
datang memerlukan data historis selama jangka waktu
tertentu. Misalnya, dengan 3 bulan moving average,
maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4
selesai/berakhir. Jika bulan moving average bulan ke 7
baru bisa dibuat setelah bulan ke 6 berakhir.
- Semakin panjang jangka waktu moving average, efek
pelicinan semakin terlihat dalam ramalan atau
menghasilakan moving average yang semakin halus.
Persamaan matematis single moving average adalah
sebagai berikut :
𝐹𝑡+1 =𝑋1 + 𝑋2 + ⋯ + 𝑋𝑡
𝑛 … … … … … (2.7)
Dimana :
𝐹𝑡+1 = Ramalan untuk periode ke t+1
𝑋𝑡 = Nilai real pada periode ke t
𝑛 = Jumlah batas dalam moving average
(Pergerakan)
b. Metode Penghalusan Exponential (Exponential
Smoothing)
Dalam metode ini peramalan dilakukan dengan
mengulang perhitungan secara terus menerus dengan
menggunakan data terbaru. Setiap data diberi bobot. Dua
metode dalam exponential smoothing diantaranya single
exponential smoothing dan double exponential smoothing
(Supriana, Uci, 2010).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
Metode moving average memang mudah
menghitungnya akan tetapi metode ini memberikan bobot
yang sama pada setiap data. Untuk mengatasi hal ini maka
digunakan metode single exponential smoothing. Pada
metode single exponential smoothing bobot yang diberikan
pada data yang ada adalah sebesar α. Simbol α bisa
ditentukan secara bebas, yang mengurangi forecast error.
Besarnya α adalah antara 0 sampai 1. Secara matematis
besarnya Peramalan adalah sebagai berikut (Subagyo, 2002):
𝐹𝑡+1 = 𝛼. 𝑋𝑡 + (1 − 𝛼)𝐹𝑡 … … … … … … (2.8)
Dimana :
𝐹𝑡+1 : Ramalan untuk periode ke t+1
𝑋𝑡 : Nilai riil periode ke t
𝐹𝑡 : Nilai ramalan untuk periode ke t
Dengan demikian dapat dikatakan bahwa peramalan
pada periode yang akan datang adalah ramalan sebelumnya
ditambah α (alpha) dikalikan dengan kesalahan ramalan
periode sebelumnya. Dalam melakukan peramalan dengan
menggunakan metode single exponential smoothing (SES),
besarnya α (alpha) ditentukan secara trial dan error
sampai ditemukan α (alpha) yang menghasilkan forecast
error terkecil.
2.1.5.2 Metode Kualitatif atau Peramalan Subjektif
Peramalan kualitatif yaitu dengan memanfaatkan faktor –
faktor penting seperti intuisi, pengalaman pribadi dan sistem nilai
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
pengembalian keputusan. Ada lima teknik peramalan kualitatif,
yaitu :
1. Juri dari opini eksekutif, metode ini mengamabil opini
dari sekelompok kecil manajer tingkat tinggi, seringkali
dikombinasikan dengan model – model statistik dan
menghasilkan estimasi permintaan kelompok.
2. Gabungan armada penjualan. Dalam metode ini
mengombinasikan armada penjualan dari masing –
masing daerah kemudian meramalkan secara
menyeluruh.
3. Metode Delphi. Proses kelompok interaktif ini
mengijinkan para ahli yang memungkinkan tinggal di
berbagai tempat untuk membuat ramalan
4. Survey pasar konsumen yaitu dengan memasukkan dari
pelanggan atau calon pelanggan tanpa melihat rencana
pembelian masa depannya.
5. Pendekatan Naif. Cara sederhana untuk peramalan ini
mengasumsikan bahwa permintaan pada periode
berikutnya adalah sama dengan permintaan pada proses
sebelumnya. Pendekatan ini adalah model peramalan
yang efektif dan efisien biayanya.
2.1.5 Deteksi Outlier
Pemeriksaan terhadap data merupakan langkah yang perlu
dilakukan sebelum masuk tahap analisis lebih lanjut yang menyebabkan
hasil analisisnya bias atau kurang baik. Outlier adalah suatu data yang
menyimpang dari sekumpulan data yang lain (Ferguson, 1961). Outliers
memiliki karakteristik unik yang terlihat sangat jauh berbeda dari
observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk
sebuah variabel tunggal ataupun variabel kombinasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Banyak algoritma untuk meminimalisasikan atau bahkan
mengeliminasi Outlier. Namun Outlier bisa saja menghasilkan informasi
penting yang tersembunyi karena noise suatu data bisa menjadi sinyal bagi
data lain. Deteksi Outlier digunakan untuk mendeteksi kasus – kasus yang
menyimpang jauh dari pola mayoritas.
Menurut Tan et.al (2006) Outlier dapat disebabkan oleh sebagai
berikut :
1. Data dari kelas yang berbeda.
Satu objek mungkin saja berbeda dari objek lainnya karena objek
tersebut dari tipe atau kelas yang berbeda. Sebagai contoh,
seseorang yang melalukan penipuan kartu kredit memiliki kelas
yang berbeda dari pengguna kartu kredit yang menggunakan
kartu kredit yang sah.
2. Variasi alami
Sebagian besar suatu objek dekat dengan pusat objek (rata – rata
objek) dan miliki kemungkinan yang kecil suatu objek berbeda
secara signifikan. Sebagai contoh, orang yang sangat tinggi
bukan anomali jika dari kelas objek yang terpisah, namun
menjadi ekstrim jika dalam karakteristik tinggi badan rata – rata
orang pada umumnya.
3. Kesalan pengukuran data dan pengumpulan data
Kesalahan pengukuran data dan pengumpulan data adalah
sumber lain dari Outlier. Sebagai contoh, pengukuran dan
pengumpulan data dapat dicatat secara tidak benar karena human
error.
Deteksi Outlier adalah suatu teknik untuk mencari obyek yang
mempunyai perilaku yang berbeda dari obyek – obyek lain. Berikut
merupakan langkah – langkah perhitungan varian. Untuk bisa mengetahui
variasi suatu kelompok data yaitu dengan menguadratkan setiap
pengurangan nilai data serta rata – rata kelompok data tersebut yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
kemudian dilakukan penjumlahan. Nilai varian didapat dari pembagian
hasil penjumlahan kuadrat (sum of squares) dengan ukuran data (n) – 1
sehingga nilai varian sampel mendekati varian populasi. Dengan rumus
varian seperti berikut :
𝑠2 =∑ (𝑥𝑖 − �̅�)2𝑛
𝑖=1
𝑛 − 1 … … … … … … … . (2.9)
Dimana :
𝑥𝑖 = nilai riil pada periode ke-i.
�̅� = nilai rata – rata (mean).
𝑛 = banyak data.
Nilai varian yang diperoleh merupakan nilai berbentuk kuadrat.
Untuk memperoleh nilai satuannya maka varian dikuadratkan supaya
hasilnya standar deviasi (simpangan baku), seperti berikut :
𝑠 = √∑ (𝑥𝑖 − �̅�)2𝑛
𝑖=1
𝑛 − 1 … … … … … … . (2.10)
Dimana :
𝑠 = standar deviasi (simpangan baku).
𝑥𝑖 = nilai riil pada periode ke-i.
�̅� = nilai rata – rata (mean).
𝑛 = banyak data.
Langkah berikutnya adalah standarisasi data. Data dikatakan Outlier
(pencilan) apabila Z memiliki nilai yang rentangnya sangat jauh berbeda.
Z dihitung dengan rumus seperti berikut :
𝑍 =𝑥𝑖 − �̅�
𝑠 … … … … … … (2.11)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
Dimana :
𝑠 = standar deviasi nilai pengamatan.
𝑥𝑖 = nilai riil pada periode ke-i.
�̅� = nilai rata – rata (mean).
2.1.6 Pengukuran Akurasi Hasil Peramalan
Ukuran akurasi hasil peramalan merupakan ukuran tentang tingkat
perbedaan antara hasil penjualan riil dengan hasil peramalaan. Beberapa
metode telah digunakan untuk menunjukkan kesalahan yang disebabkan
oleh suatu teknik peramalan tertentu. Hampir semua ukuran tersebut
menggunakan pengrata-rataan beberapa fungsi dari perbedaan antara nilai
sebenarnya dengan nilai peramalannya. Perbedaan nilai sebenarnya dengan
nilai peramalan ini biasanya disebut sebagai residual (Arsyad, 1997 : 57).
Semakin tinggi tingkat perbedaan antara nilai penjualan riil dengan nilai
peramalan maka akurasi akan semakin buruk. Akurasi yang baik memiliki
tingkat perbedaan nilai penjualan riil dengan hasil peramalan yang rendah.
Persamaan menghitung nilai error atau dari setiap periode
peramalan adalah sebagai berikut (Subagyo, 2002) :
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … . … … (2.12)
Dimana :
𝑒𝑡 = Kesalahan peramalan pada periode t
𝑋𝑡 = Nilai riil pada periode t
𝐹𝑡 = Nilai peramalan pada periode t
a. Rata – rata kuadrat kesalahan (Mean Square Error)
Mean Square Error (MSE) dapat dihitung dengan menjumlahkan
semua kesalahan peramalan pada setiap periode kemudian dikuadratkan
dan membaginya dengan jumlah periode peramalan. Secara matematis,
MSE dirumuskan sebagai berikut (Nasution dan Prasetyawan, 2008) :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
𝑀𝑆𝐸 = ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛
𝑖=1
𝑛 … … … … … … … (2.13)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
b. Rata – rata Akar Kuadrat Kesalahan (Root Mean Square Error)
Mean Square Error (MSE) berbeda dengan Root Mean Square Error
(RMSE). Perbedaannya terletak pada cara perhitungan RMSE
menggunakan akar setelah mendapatkan nilai MSE. RMSE adalah
nilai alternatif untuk mengevaluasi teknik peramalan yang digunakan
untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSE
merupakan nilai rata – rata dari jumlah kuadrat kesalahan yang
dihasilkan oleh suatu model prakiraan. Nilai RMSE rendah
menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model
prakiraan mendekati variasi nilai observasinya. RMSE dirumuskan
sebagai berikut :
𝑅𝑀𝑆𝐸 = √ ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛
𝑖=1
𝑛 … … … … … … … … … … (2.14)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
c. Rata – rata Deviasi Mutlak (Mean Absolute Deviation) atau MAE
Mean Absolute Error (MAE) dan Mean Absolute Deviation (MAD)
adalah method yang sama untuk menghitung kesalahan pada
perhitungan peramalan. Mean Absolute Deviation (MAD) merupakan
rata – rata kesalahan mutlak selama periode tertentu tanpa
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
memperhatikan apakah hasil peramalan lebih besar atau lebih kecil
dibandingkan kenyataannya (mutlak). Secara metematis, MAD
dirumuskan sebagai berikut (Nasution dan Prasetyawan, 2008) :
𝑀𝐴𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)𝑛
𝑖=1
𝑛| … … … … … … … (2.15)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
2.2 Teknologi yang Digunakan
2.2.1. Java
Java adalah bahasa pemrograman yang dapat dijalankan di berbagai
komputer termasuk telepon genggam. Bahasa ini awalnya dibuat oleh
James Gosling saat masih bergabung dengan Microsystems atau saat ini
merupakan bagian dari Oracle dan dirilis pada tahun 1995. Bahasa ini
banyak mengadopsi sintaksis yang terdapat pada C dan C++ namun
dengan sintaksis model objek yang lebih sederhana. Java merupakan
bahasa pemrograman yang bersifat umum/non-spesifik (general purpose),
dan secara khusus didisain untuk memanfaatkan dependensi implementasi
seminimal mungkin. Karena fungsionalitasnya yang memungkinkan
aplikasi java mampu berjalan di beberapa platform sistem operasi yang
berbeda, java dikenal pula dengan slogannya, "Tulis sekali, jalankan di
mana pun". Saat ini java merupakan bahasa pemrograman yang paling
populer digunakan, dan secara luas dimanfaatkan dalam pengembangan
berbagai jenis perangkat lunak aplikasi ataupun aplikasi
2.2.2. MySql
MySQL adalah sebuah perangkat lunak sistem manajemen basis
data SQL (database management system) atau DBMS. MySQL tersedia
sebagai perangkat lunak gratis dibawah lisensi General Public
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
License (GPL), tetapi mereka juga menjual dibawah lisensi komersial
untuk kasus-kasus di mana penggunaannya tidak cocok dengan
penggunaan GPL. MySQL sebenarnya merupakan turunan salah satu
konsep utama dalam basisdata yang telah ada sebelumnya yaitu SQL. SQL
(Structured Query Language) adalah sebuah konsep pengoperasian
basisdata, terutama untuk pemilihan atau seleksi dan pemasukan data,
yang memungkinkan pengoperasian data dikerjakan dengan mudah secara
otomatis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
BAB III
METODOLOGI PENELITIAN
3.1 Gambaran Umum Penelitian
Penelitian ini dilakukan dengan merancang dan membangun sistem
pendukung pengambilan keputusan untuk meramalkan penjualan mobil
agar lebih objektif dengan menggunakan data dan melihat kondisi yang
lalu. Tujuan penelitian ini diharapkan dapat membantu manajer dalam
mengambil keputusan dalam pemasaran unit mobil sehingga risiko
kelebihan atau kekurangan unit mobil dapat dikurangi dan mampu
menurunkan kerugian biaya akibat kekurangan atau kelebihan unit mobil.
Selain itu juga peneliti melakukan perbandingan antara metode single
moving average dan single exponential smoothing. Perbandingan kedua
metode berindikasi pada tingkat akurasi yang dihasilkan.
3.2 Sumber Data
Sumber data didapat dari Showroom Nasmoco Mlati, Daerah Istimewa
Yogyakarta. Data yang diambil berupa data penjualan unit mobil Avanza G
1.3 M/T dari tahun 2011 sampai 2016.
Teknik pengambilan data dilakukan dengan survey di Showroom
Nasmoco Mlati dan melakukan wawancara dengan manajer perusahaan.
3.3 Spesifikasi Alat
Sistem dibuat dengan minimal spesifikasi software dan hardware
sebagai berikut :
1. Spesifikasi hardware :
- Processor Intel i3-3217U CPU @ 1.8GHz
- RAM 8 GB
- Hard Disk Drive 500GB
2. Spesifikasi software.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
- Windows 8.1 Pro 64bit Operating System
- Compiler IDE NetBeans 8.0
- MySQL Database
3.4 Tahap – tahap Penelitian
1. Studi Kasus
Kasus yang dipelajari adalah banyaknya penjualan mobil tiap bulan
pada Showroom Nasmoco Mlati tahun 2011 sampai 2016 untuk dapat
meramalkan penjualan mobil di waktu tertentu. Cara yang dilakukan
adalah mewawancarai manajer perusahaan dan melihat data historik
penjualan mobil.
2. Studi Pustaka
Studi pustaka yang dilakukan adalah mencari dan menghitung data –
data yang lalu dengan menggunakan materi statistika dan matematika
tertentu, yakni menggunakan metode peramalan Single Moving Average
dan Single Exponential Smoothing.
3.5 Desain Alat Uji
Pada tahap desain alat uji atau pengembangan perangkat lunak
menggunakan metode waterfall. Model waterfall merupakan metode yang
paling sering digunakan dalam tahap pengembangan perangkat lunak
(Utami & Asnawati, 2015). Model waterfall merupakan model klasik yang
sederhana dengan aliran sistem yang linier. Output dari sebuah tahap
merupakan input bagi tahap berikutnya (Kristanti, 2004). Menurut Utami &
Asnawati (2015) tahapan model waterfall meiputi :
1. Analisa Kebutuhan Perangkat Lunak
Merupakan tahap awal untuk menentukan gambaran perangkat
lunak. Perangkat lunak yang baik dan sesuai dengan kebutuhan
pengguna tergantung pada keberhasilan dalam melakukan analisa
kebutuhan. Hal yang dilakukan dalam tahap ini adalah menganalisa
permasalahan yang diuji, yaitu memperkirakan unit mobil yang akan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
dipesan kepada vendor dengan cara perhitungan matematis sehingga
keputusan akan lebih objektif.
2. Desain Perangkat Lunak
Proses desain perangkat lunak adalah proses mengubah hasil analisa
menjadi representasi kebutuhan perangkat lunak yang dapat diprediksi
bentuk dan fungsinya sebelum diubah ke dalam bahasa pemrograman.
Titik fokus pada proses ini terletak pada struktur data, arsitektur
perangkat lunak, tampilan user interface, dan algoritma.
3. Implementasi (Coding)
Coding merupakan proses penerjemahan dari desain ke dalam
bahasa pemrograman. Dalam tahap ini, programmer akan membangun
sistem yang dibutuhkan oleh pengguna.
4. Testing (Pengujian)
Testing merupakan tahap yang dilalui setelah pengkodean selesai.
Tujuan dari pengujian adalah menguji kemampuan dan performa dari
sistem yang telah dibangun. Selain itu, pengujian juga bermanfaat
untuk menemukan kesalahan maupun error yang kemungkinan masih
dapat ditemukan dan selanjutnya dilakukan perbaikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
BAB IV
ANALISIS DAN PERANCANGAN SISTEM
4.1 Analisis Sistem
Kendaraan bermotor adalah salah satu alat yang paling populer di Indonesia
sebagai alat transportasi pribadi. Alat transportasi mempunyai beragam macam,
diantaranya motor, mobil, pesawat terbang dan kapal. Salah satu jenis alat
transportasi yang paling populer adalah mobil. Masyarakat di Indonesia
memiliki minat yang tinggi untuk memiliki mobil sehingga berdampak pada
waktu pemesanan. Hal ini menimbulkan masalah pada manajer perusahaan
penjual mobil untuk memerkirakan jumlah mobil yang akan laku di periode
berikutnya, sehingga tidak membutuhkan waktu yang lama untuk konsumen
untuk mendapatkan barang yang dibeli.
Berdasarkan hasil penelitian PT New Ratna Motor (Nasmoco cabang Mlati,
Sleman) diketahui bahwa persediaan mobil terkadang mengalami kekurangan.
Permintaan yang banyak dari konsumen menyebabkan persediaan mobil di
dealer tersebut mengalami kekurangan. Hal ini mengakibatkan hilangnya
peluang untuk mendapatkan keuntungan karena bisa saja konsumen membeli di
dealer lain.
Terdapat cara agar manajer dapat memperkirakan penjualan unit mobil
yang akan dipasarkan secara objektif, yaitu menggunakan perhitungan
matematis dengan menggunakan metode tertentu. Untuk mempermudah dan
mempercepat peramalan, maka dibuatlah sistem peramalan berbasis web agar
pemrosesan peramalan dapat lebih cepat dan efisien.
Sistem ini dapat digunakan oleh umum yang berarti setiap orang dapat
menggunakan sistem ini untuk meramalkan data penjualan dimasa yang akan
datang. Aktor yang akan menggunakan sistem ini adalah manajer yang memiliki
data penjualan dimasa yang lalu untuk kemudian dijadikan sebagai bahan untuk
menghitung unit penjualan dimasa yang akan datang menggunakan perhitungan
matematis dengan menggunakan metode Single
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Moving Average dan Single Exponential Smoothing. Sistem ini juga akan
menampilkan rata – rata kesalahan pada setiap metode menggunakan RMSE
dan MAE.
4.2 Analisis Kebutuhan
4.2.1 Identifikasi Pelaku Sistem
Dibawah ini merupakan daftar istilah pelaku sistem dan wewenang yang
terlibat dalam Sistem Peramalan Penjualan Mobil Baru dengan
Membandingkan Metode Single Moving Average dan Single Exponential
Smoothing :
Tabel 4. 1 Tabel Identifikasi Pelaku Sistem
Aktor Wewenang
Manajer 1. Melakukan proses Registrasi
dan Login.
2. Unggah file Excel.
3. Melihat tabel hasil unggahan
sebelumnya.
4. Melihat daftar tabel.
5. Mengubah nama tabel.
6. Menghapus tabel.
7. Menghapus baris pada tabel.
8. Menambahkan baris pada tabel.
9. Memasukkan nilai Pergerakan
dan nilai Alpha pada proses
peramalan.
10. Melihat hasil peramalan.
4.2.2 Diagram Use case
Diagram Use-case digunakan untuk melihat bagaimana pelaku
sistem dapat menggunakan fasilitas yang ada pada Sistem Peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Penjualan Mobil Baru dengan membandingkan Metode Moving Average
dan Exponential Smoothing. Berikut merupakan deskripsi dari penggunaan
sistem :
Manajer dapat meregistrasi akun, mengunggah data dengan format
excel, menghapus baris pada tabel, menambah baris pada tabel dan
menghapus tabel.
Gambar 4. 1 Diagram Use case
Registrasi
Login
Unggah Excel
Lihat Tabel
Hapus Tabel
Ubah Nama Tabel
Tambah Baris
Hapus Baris
Proses Peramalan
Logout
Manajer
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
4.3 Perancangan Sistem
4.3.1 Diagram Aliran Data
4.3.1.1 Diagram Konteks
Pada diagram konteks terdapat 1 entitas, yaitu Manajer yang
dapat registrasi akun, login, unggah data, mengedit data, proses dan
logout akun.
4.3.1.2 Diagram Berjenjang
Gambar 4. 2 Diagram Konteks
Gambar 4. 3 Diagram Berjenjang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
4.3.1.3 Overview DFD
Gambar 4. 4 Overview DFD
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
4.3.1.4 DFD Level 1 Proses 1 Registrasi Akun
4.3.1.5 DFD Level 1 Proses 2 Login
4.3.1.6 DFD Level 1 proses 3 Unggah Excel
Gambar 4. 5 DFD Level 1 Proses 1 Registrasi Akun
Gambar 4. 6 DFD Level 1 Proses 2 Login
Gambar 4. 7 DFD Level 1 proses 3 Unggah Excel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
4.3.1.7 DFD Level 1 proses 4 Kelola Tabel
4.3.1.8 DFD Level 1 proses 5 Proses Peramalan
Gambar 4. 9 DFD Level 1 proses 5 Proses Peramalan
Gambar 4. 8 DFD Level 1 proses 4 Kelola Tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
4.3.1.9 DFD Level 2 proses 4 Kelola Tabel
Gambar 4. 10 DFD Level 2 proses 4 Kelola Tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
4.3.2 Perancangan Basis Data
4.3.2.1 Desain Fisikal
Terdapat 2 tabel dalam sistem ini yaitu Tabel Pengguna
dan Tabel Penjualan. Tabel Pengguna berfungsi untuk menyimpan
setiap akun manajer yang telah melakukan registrasi. Tabel
Penjualan berisi data penjualan yang telah diunggah. Tidak
digambar ER Diagram dikarenakan tidak ada relasi pada kedua
tabel tersebut.
Tabel 4. 2 Tabel Pengguna
Nama Field Type Length Index
id_pengguna varchar 20 PRIMARY
email varchar 30
password varchar 20
alamat Varchar 30
Tabel 4. 3 Tabel Penjualan
Nama Field Type Length Index
no varchar 4
bulan varchar 15
tahun int 10
jumlah int 10
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
4.3.3 Perancangan Sistem
4.3.3.1 Desain Halaman Registrasi dan Login
Halaman Registrasi
& Login
Form Login
Password
Login
Password
Form Registrasi
Konfirmasi Password
Alamat
Registrasi
Gambar 4. 11 Desain Halaman Registrasi dan Login
4.3.3.2 Desain Halaman Akun Email Terverifikasi Login
Forecasting
(Peramalan)
Home
Login
Unggah File
Help
Daftar
tabelLogout
Akun email yang terverifikasi login.
Gambar 4. 12 Desain Halaman Akun Email Tervirifikasi Login
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
4.3.3.3 Desain Halaman Unggah File
Forecasting
(Peramalan)
Home
Login
Unggah File
Help
Daftar
tabelLogout
Gambar 4. 13 Desain Halaman Unggah File
4.3.3.4 Desain Halaman Pilih File Excel
Choose File Judul file yang akan diupload Send File
Gambar 4. 14 Desain Halaman Pilih Excel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
4.3.3.5 Desain Halaman Daftar Tabel
Forecasting
(Peramalan)
Home
Login
Unggah File
Help
Daftar
tabelLogout
Daftar tabel
No Nomer Tabel Nama Tabel Lihat / hapus tabel
Gambar 4. 15 Desain Halaman Daftar Tabel
4.3.3.6 Desain Halaman Isi Tabel
Forecasting
(Peramalan)
Home
Login
Unggah File
Help
Daftar
tabelLogout
Judul Tabel
No Bulan Tahun Nama Tabel
Rename tabel
Proses Tambah baris Hapus baris
Gambar 4. 16 Desain Halaman Isi Tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
4.3.3.7 Desain Halaman Tambah Baris Data
Form Tambah Baris Data
Bulan
Tahun
Data Penjualan
Simpan Kembali
Gambar 4. 17 Desain Halaman Tambah Baris Data
4.3.3.8 Desain Halaman Proses Peramalan
Peramalan
Pergerakan (Single Moving
Average )
Alpha (Single Exponential
Smothing)
Mulai Kembali
Gambar 4. 18 Desain Halaman Proses Peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
4.3.3.9 Desain Halaman Hasil Peramalan, RMSE dan MAE
Hasil Peramalan dan MSE
Moving Average
Single Exponential
Smoothing
Hasil Moving Average
Hasil Single Exponental Smooting
Kembali
RMSE Hasil RMSE
MAE Hasil MAE
RMSE Hasil RMSE
MAE Hasil MAE
Gambar 4. 19 Desain Halaman Hasil Peramalan, RMSE dan MAE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
BAB V
IMPLEMENTASI, PENGUJIAN DAN ANALISIS HASIL
5.1 Implementasi Antarmuka
- Halaman Registrasi dan Login
Manajer harus melakukan registrasi akun jika belum memiliki akun.
Apabila sudah terdaftar Manajer harus login terlebih dahulu, jika telah
berhasil login maka akan muncul halaman akun email terverifikasi login,
sedangkan apabila gagal akan ada peringatan bahwa kombinasi email dan
sandi salah.
- Halaman Akun Email Terverifikasi Login
Apabila login berhasil maka akan muncul halaman akun email
terverifikasi login yang menampilkan email Manajer.
Gambar 5. 1 Halaman Registrasi dan Login
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
- Halaman Unggah File
Manajer dapat mengunggah file excel untuk memasukkan data
penjualan kedalam database. Untuk dapat melakukan peramalan,
Manajer harus sudah mengunggah file data penjualan.
Gambar 5. 2 Halaman Akun Email Tervirifikasi Login
Gambar 5. 3 Halaman Unggah File
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
- Halaman Pilih File Excel
Kemudian Manajer diarahkan untuk halaman unggah file dimana
Manajer akan memilih file yang akan di unggah.
- Halaman Daftar Tabel
Apabila telah sukses unggah file maka akan muncul halaman daftar
tabel. Daftar tabel menampilkan tabel – tabel yang telah tersimpan di
database. Manajer dapat melakukan hapus tabel pada halaman ini.
Gambar 5. 4 Halaman Pilih File Excel
Gambar 5. 5 Daftar Tabel
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
- Halaman Isi Tabel
Halaman isi tabel berisi tabel data penjualan. Manajer dapat tambah
baris, hapus baris, mengubah nama tabel dan proses peramalan pada
halaman ini.
Gambar 5. 6 Halaman Isi Tabel (bagian atas)
Gambar 5. 7 Halaman Isi Tabel (bagian bawah)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
- Halaman Tambah Baris
Halaman tambah baris digunakan untuk menambah baris untuk data
penjualan terbaru. Data ditambahkan pada baris terakhir. Manajer
diharuskan mengisi form seperti berikut.
- Halaman Proses Peramalan
Apabila Manajer ingin melakukan peramalan pada data penjualan,
maka dilakukan pada halaman Proses Peramalan.
Gambar 5. 8 Halaman Tambah Baris
Gambar 5. 9 Halaman Proses Peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
- Halaman Hasil Peramalan dan MSE
Hasill peramalan dan perhitungan MSE (Mean Square Error) akan
ditampilkan pada halaman ini.
Gambar 5. 10 Halaman Hasil Peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
5.2 Implementasi Metode
5.2.1 Implementasi Control Excel
Berikut ini merupakan implementasi Control Excel untuk membaca
file .xls dan disimpan kedalam database.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Gambar 5. 11 Listing Program ControlExcel
5.2.2 Implementasi Single Moving Average
Berikut ini merupakan implementasi metode Single Moving Average
dalam perhitungan peramalan.
Gambar 5. 12 Listing program metode Single Moving Average
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
5.2.3 Implementasi Single Exponential Smoothing
Berikut ini merupakan implementasi metode Single Exponential
Smoothing dalam perhitungan peramalan.
Gambar 5. 13 Listing Program Single Exponential Smoothing
5.2.4 Implementasi RMSE dan MAE
Berikut ini merupakan implementasi Root Mean Square Error dan
Mean Absolute Error untuk menghitung akurasi peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
Gambar 5. 14 Listing program menghitung RMSE dan MAE
5.3 Pengujian (testing)
5.3.1 Pengujian Perhitungan Manual
Pengujian sistem dilakukan dengan cara mencocokan hasil perhitungan
menggunakan sistem dengan perhitungan manual. Jika hasil sistem sama
dengan hasil perhitungan manual maka sistem telah benar dalam
pengimplementasian. Pengujian ini untuk mengetahui hasil peramalan
metode Single Moving Average dan Single Exponential Smoothing.
Perhitungan manual dilakukan menggunakan Microsoft Excel dengan data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
pemodelan yaitu data penjualan Avanza G 1,3 M/T pada bulan Januari 2013
hingga Januari 2014. Berikut merupakan data pemodelan untuk pengujian :
Tabel 5. 1 Data Pemodelan (tanpa deteksi outlier)
Bulan Tahun
Data
Penjualan
Bulan Tahun
Data
Penjualan
( x ) ( x )
Januari 2013 74 Agustus 2013 48
Februari 2013 72 September 2013 49
Maret 2013 58 Oktober 2013 66
April 2013 95 November 2013 65
Mei 2013 57 Desember 2013 141
Juni 2013 92 Januari 2014 25
Juli 2013 79
5.3.1.1 Metode Single Moving Average (tanpa deteksi Outlier)
Data yang digunakan adalah data pengujian. Untuk pemodelan
data yang digunakan adalah data penjualan Avanza G 1,3 M/T pada
bulan Januari 2013 hingga Januari 2014 dengan nilai 3 Pergerakan,
seperti berikut :
- Setelah menyiapkan data penjualan faktual, kemudian
menghitung data hasil peramalan 3 Pergerakan dengan
menggunakan rumus berikut :
𝐹𝑡+1 =𝑋1 + 𝑋2 + ⋯ + 𝑋𝑡
𝑛 … … … … … (5.1)
Dimana :
𝐹𝑡+1 = Ramalan untuk periode ke t+1
𝑋𝑡 = Nilai real pada periode ke t
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
𝑛 = Jumlah batas dalam moving average (Pergerakan)
𝐹3+1 =𝑋1 + 𝑋2 + 𝑋3
3
Menjadi :
𝐹4 =74 + 72 + 58
3
𝐹4 =204
3
𝐹4 = 68.00
- Pada baris ke pertama, kedua dan ketiga kosong dikarenakan
ketiga data tersebut digunakan untuk peramalan data ke-4.
- Setelah didapatkan hasil peramalan data ke-4, untuk data
selanjutnya lakukan cara yang sama seperti sebelumnya hingga
bulan oktober, sehingga didapat hasil peramalan pada bulan
Oktober adalah 58 unit.
- Langkah selanjutnya adalah menghitung error atau kesalahan
dari setiap data peramalan dengan rumus berikut :
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … … … . . (5.2)
Dimana :
𝑒𝑡 = Kesalahan peramalan pada periode t
𝑋𝑡 = Nilai riil pada periode t
𝐹𝑡 = Nilai peramalan pada periode t
Menjadi :
𝑒4 = 95 − 68
𝑒4 = 27
- Untuk menghitung rata – rata kuadrat kesalahan maka Manajer
perlu melakukan pengkuadratan pada setiap error atau
kesalahan.
𝑒4 = 27 2
𝑒4 = 729.00
- Kemudian menghitung rata – rata kuadrat kesalahan, dengan
rumus berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
𝑀𝑆𝐸 = ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛
𝑖=1
𝑛 … … … … … … … … . . . (5.3)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
Menjadi :
𝑀𝑆𝐸 = 13943.11
10
𝑀𝑆𝐸 = 1394.31
- Menghitung RMSE
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 … … … … … … … … (5.4)
𝑅𝑀𝑆𝐸 = √ 1394.31
𝑅𝑀𝑆𝐸 = 37.34
- Menghitung Mean Absolute Error (MAE) dengan cara
mengubah nilai error yang telah dihitng sebelumnya menjadi
nilai positif, dengan rumus seperti berikut :
𝑀𝐴𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)𝑛
𝑖=1
𝑛| … … … … … … … … (5.5)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
Menjadi :
𝑀𝐴𝐸 = |286
10|
𝑀𝐴𝐸 = 28.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Tabel 5. 2 Perhitungan Manual SMA Data Pemodelan (tanpa
Deteksi Outlier)
Bulan Tahun
Data
Penjualan
Peramalan 3
Pergerakan Xt – Ft (Xt – Ft)2 |Xt – Ft|
( X ) ( F )
Januari 2013 74 - - -
Februari 2013 72 - - -
Maret 2013 58 - - -
April 2013 95 68.00 27.00 729.00 27.00
Mei 2013 57 75.00 -18.00 324.00 18.00
Juni 2013 92 70.00 22.00 484.00 22.00
Juli 2013 79 81.33 -2.33 5.44 2.33
Agustus 2013 48 76.00 -28.00 784.00 28.00
September 2013 49 73.00 -24.00 576.00 24.00
Oktober 2013 66 58.67 7.33 306.25 7.33
November 2013 65 54.33 10.67 56.25 10.67
Desember 2013 141 60.00 81.00 5700.25 81.00
Januari 2014 25 90.67 -65.67 6084.00 65.67
Februari 2014 45 77.00
Total 13943.11 286
MSE (Mean Square Error) 1394.31
RMSE (Root Mean Square Error) 37.34
MAE (Mean Absolute Error) 28.60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Gambar 5. 15 Grafik Peramalan SMA Data Pemodelan (tanpa Deteksi
Outlier)
Dari hasil perhitungan manual Single Moving Average Data
Pemodelan pada Tabel 5.2 didapatkan grafik seperti pada Gambar 5.15.
Garis biru merupakan grafik data penjualan riil dan garis oranye merupakan
hasil peramalan.
5.3.1.2 Metode Single Exponential Smoothing (tanpa deteksi
Outlier)
Untuk pemodelan data yang digunakan adalah data penjualan
Avanza G 1,3 M/T pada bulan Januari 2013 hingga September 2013
dengan nilai Alpha 0,5 seperti berikut :
- 𝐹𝑡+1 = 𝛼. 𝑋𝑡 + (1 − 𝛼)𝐹𝑡 … … … … … … … … … (5.6)
Dimana :
𝐹𝑡+1 : Ramalan untuk periode ke t+1
𝑋𝑡 : Nilai riil periode ke t
𝐹𝑡 : Nilai ramalan untuk periode ke t
0
20
40
60
80
100
120
140
160
JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB
2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014
Perhitungan Data Pemodelan Metode Single Moving Average (tanpa
deteksi Outlier)
Riil Forecast
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Menjadi :
𝐹3 = 0,5 . 72 + (1 − 0,5)74
𝐹3 = 36 + 37
𝐹3 = 73
- Lakukan peramalan pada setiap data riil, kemudian menghitung
kesalahan dengan rumus berikut :
𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … … … (5.7)
Dimana :
𝑒𝑡 = Kesalahan peramalan pada periode t
𝑋𝑡 = Nilai riil pada periode t
𝐹𝑡 = Nilai peramalan pada periode t
Menjadi :
𝑒3 = 58 − 73
𝑒3 = −15.00
- Untuk menghitung rata – rata kuadrat kesalahan maka Manajer
perlu melakukan pengkuadratan pada setiap error atau
kesalahan.
𝑒4 = −15.00 2
𝑒4 = 225.00
- Kemudian menghitung rata – rata kuadrat kesalahan, dengan
rumus berikut :
𝑀𝑆𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)2𝑛
𝑖=1
𝑛| … … … … … … … . . (5.8)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Menjadi :
𝑀𝑆𝐸 = |15521.03
12| … … … … … … … … . (5.9)
𝑀𝑆𝐸 = 1293.42
- Menghitung RMSE
𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸
𝑅𝑀𝑆𝐸 = √ 1293.42
𝑅𝑀𝑆𝐸 = 35.96
- Menghitung Mean Absolute Error (MAE) dengan cara
mengubah nilai error yang telah dihitng sebelumnya menjadi
nilai positif, dengan rumus seperti berikut :
𝑀𝐴𝐸 = |∑ (𝑋𝑡−𝐹𝑡)𝑛
𝑖=1
𝑛| … … … … . . … … . . (5.10)
Dimana :
𝑋𝑡 = Nilai riil pada periode ke t
𝐹𝑡 = Nilai peramalan pada periode ke t
𝑛 = Jumlah periode peramalan
Menjadi :
𝑀𝐴𝐸 = |309.25
12|
- 𝑀𝐴𝐸 = 25.77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
Tabel 5. 3 Perhitungan Manual SES Data Pemodelan (Tanpa
Deteksi Outlier)
Bulan Tahun
Data
Penjuala
n
Peramalan
Alpha 0.5 Xt – Ft (Xt – Ft)2 |Xt – Ft|
( X ) ( F )
Januari 2013 74 - - - -
Februari 2013 72 74.00 -2.00 4.00 2.00
Maret 2013 58 73.00 -15.00 225.00 15.00
April 2013 95 65.50 29.50 870.25 29.50
Mei 2013 57 80.25 -23.25 540.56 23.25
Juni 2013 92 68.63 23.38 546.39 23.38
Juli 2013 79 80.31 -1.31 1.72 1.31
Agustus 2013 48 79.66 -31.66 1002.12 31.66
September 2013 49 63.83 -14.83 219.87 14.83
Oktober 2013 66 56.41 -9.59 91.89 9.59
November 2013 65 61.21 -3.79 14.39 3.79
Desember 2013 141 63.10 -77.90 6067.86 77.90
Januari 2014 25 102.05 77.05 5936.97 77.05
Februari 2014 45 63.53
Total 15521.03 309.25
MSE (Mean Square Error) 1293.42
RMSE (Root Mean Square Error) 35.96
MAE (Mean Absolute Error) 25.77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Gambar 5. 16 Grafik Peramalan SES Data Pemodelan (tanpa Deteksi
Outlier)
Dari hasil perhitungan manual Single Exponential Smoothing
Data Pemodelan pada Tabel 5.3 didapatkan grafik seperti pada Gambar
5.16. Garis biru merupakan grafik data penjualan riil dan garis oranye
merupakan hasil peramalan.
5.3.1.3 Metode Single Moving Average (dengan deteksi Outlier)
Berikut merupakan perhitungan peramalan menggunakan deteksi
Outlier untuk mengetahui data yang sangat berbeda dengan data lainnya :
- Mencari nilai rata – rata dari data riil penjualan
�̅� =∑𝑥
𝑛 … … … … … … … … . . (5.11)
�̅� =921
13
�̅� = 70.84
- Mencari nilai standar deviasi.
0
20
40
60
80
100
120
140
160
JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB
2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014
Perhitungan Data Pemodelan Metode Single Exponential Smoothing
(tanpa deteksi Outlier)
Riil Forecast
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
𝑠 = √∑ (𝑥𝑖 − �̅�)2𝑛
𝑖=1
𝑛 − 1 … … … … (5.12)
𝑠 = √9545.69
11
𝑠 = √1193.21
𝑠 = 34.54
- Dilakukan standarisasi pada setiap data.
𝑍 =𝑥𝑖 − �̅�
𝑠 … … … … … . (5.13)
𝑍 =3.15
34.54
𝑍 = 0.09
- Didapatkan data Outlier dengan nilai lebih dari 2.00 pada bulan
Desember 2013. Maka dilakukan penggantian data pada Desember
2013 menjadi rata – rata penjualan bulan sebelumnya ditambah
dengan penjualan bulan selanjutnya yang kemudian data yang ada
akan digunakan untuk peramalan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Tabel 5. 4 Tabel Data Pemodelan Sebelum Deteksi Outlier
Bulan Tahun
Data
Penjualan xi - x̅ (xi - x̅)2 |Standarisasi|
( x )
Januari 2013 74 3.15 9.94 0.09
Februari 2013 72 1.15 1.33 0.03
Maret 2013 58 -12.84 165.02 0.37
April 2013 95 24.15 583.40 0.70
Mei 2013 57 -13.84 191.71 0.40
Juni 2013 92 21.15 447.48 0.61
Juli 2013 79 8.15 66.48 0.24
Agustus 2013 48 -22.84 521.94 0.66
September 2013 49 -21.84 477.25 0.63
Oktober 2013 66 -4.84 23.48 0.14
November 2013 65 -5.84 34.17 0.17
Desember 2013 141 70.15 4921.56 2.03
Januari 2014 25 -45.84 2101.87 1.33
Mean (x̅) 69.333
∑ (𝑥𝑖 − �̅�)2𝑛
𝑖=1 9545.692
∑ (𝑥𝑖 − �̅�)2𝑛𝑖=1
𝑛 − 1 1193.21
Standar Deviasi 34.54
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Tabel 5. 5 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk
Proses Peramalan
Bulan Tahun
Data
Penjualan
Bulan Tahun
Data
Penjualan
( x ) ( x )
Januari 2013 74 Agustus 2013 48
Februari 2013 72 September 2013 49
Maret 2013 58 Oktober 2013 66
April 2013 95 November 2013 65
Mei 2013 57 Desember 2013 45
Juni 2013 92 Januari 2014 25
Juli 2013 79
Berikut merupakan tabel hasil perhitungan peramalan menggunakan
data yang telah melalui perhitungan Outlier :
Tabel 5. 6 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk
Proses Peramalan SMA (deteksi Outlier)
Bulan Tahun
Data
Penjualan
Peramalan 3
Pergerakan Xt – Ft (Xt – Ft)2 |Xt – Ft|
( X ) ( F )
Januari 2013 74 - - -
Februari 2013 72 - - -
Maret 2013 58 - - -
April 2013 95 68.00 27.00 729.00 27.00
Mei 2013 57 75.00 -18.00 324.00 18.00
Juni 2013 92 70.00 22.00 484.00 22.00
Juli 2013 79 81.33 -2.33 5.44 2.33
Agustus 2013 48 76.00 -28.00 784.00 28.00
September 2013 49 73.00 -24.00 576.00 24.00
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Oktober 2013 66 58.67 7.33 53.78 7.33
November 2013 65 54.33 10.67 113.78 10.67
Desember 2013 45 60.00 -15.00 225.00 15.00
Januari 2014 25 58.67 -33.67 1133.44 33.57
Februari 2014 45 52.00
Total 4428.44 188.00
MSE (Mean Square Error) 477.22
RMSE (Root Mean Square Error) 21.0439
MAE (Mean Absolute Error) 20.88
Gambar 5. 17 Peramalan SMA Data Pemodelan (tanpa deteksi
Outlier)
Dari hasil perhitungan manual Single Moving Average pada Tabel 5.6
didapatkan grafik seperti pada Gambar 5.17. Garis biru merupakan grafik
data penjualan riil dan garis oranye merupakan hasil peramalan.
0
10
20
30
40
50
60
70
80
90
100
JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB
2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014
Perhitungan Data Pemodelan Metode Single Moving Average
(tanpa deteksi Outlier)
Riil Forecast
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
5.3.1.4 Metode Single Exponential Smoothing (dengan deteksi Outlier)
Berikut merupakan tabel hasil perhitungan peramalan menggunakan
data yang telah melalui perhitungan Outlier :
Tabel 5. 7 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses
Peramalan SES (dengan deteksi Outlier)
Bulan Tahun
Data
Penjualan
Peramalan
Alpha 0.5 Xt – Ft (Xt – Ft)2 |Xt – Ft|
( X ) ( F )
Januari 2013 74 - - - -
Februari 2013 72 74.00 2.00 4.00 2.00
Maret 2013 58 73.00 15.00 225.00 15.00
April 2013 95 65.50 -29.50 870.25 29.50
Mei 2013 57 80.25 23.25 540.56 23.25
Juni 2013 92 68.63 -23.38 546.39 23.38
Juli 2013 79 80.31 1.31 1.72 1.31
Agustus 2013 48 79.66 31.66 1002.12 31.66
September 2013 49 63.83 14.83 219.87 14.83
Oktober 2013 66 56.41 -9.59 91.89 9.59
November 2013 65 61.21 -3.79 14.39 3.79
Desember 2013 45 63.10 18.10 327.74 18.10
Januari 2014 25 54.05 29.05 844.00 29.05
Februari 2014 45 39.53
Total 4687.94 201.46
MSE (Mean Square Error) 390.66
RMSE (Root Mean Square Error) 19.76
MAE (Mean Absolute Error) 16.79
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
Gambar 5. 18 Peramalan SES Data Pemodelan (dengan deteksi Outlier)
Dari hasil perhitungan manual Single Exponential Smoothing pada
Tabel 5.7 didapatkan grafik seperti pada Gambar 5.18. Garis biru
merupakan grafik data penjualan riil dan garis oranye merupakan hasil
peramalan.
5.3.2 Pengujian Menggunakan Sistem (data pemodelan)
Pada pengujian menggunakan sistem menggunakan sebagian data
pemodelan yaitu data penjualan mobil Avanza G 1,3 M/T pada bulan Januari
2014 hingga Januari 2014 untuk meramalkan penjualan pada bulan Februari
2014. Berikut merupakan proses peramalan menggunakan sistem :
Manajer diharuskan login terlebih dahulu untuk dapat melakukan
peramalan menggunakan Sistem Peramalan Penjualan Mobil Baru dengan
Membandingkan Metode Moving Average dan Exponential Smoothing. Sebagai
contoh, penulis menggunakan akun [email protected] yang telah
didaftarkan sebelumnya.
0
10
20
30
40
50
60
70
80
90
100
74 72 58 95 57 92 79 48 49 66 65 45 25 45
JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB
Perhitungan Data Pemodelan Metode Single Exponential Smoothing
(dengan deteksi Outlier)
Riil Forecast
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
Sebagai contoh, Manajer telah mengunggah file dan berikut
merupakan tabel hasil dari unggah file.
Gambar 5. 19 Halaman Login
Gambar 5. 20 Tabel Penjualan Mobil (Pemodelan)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Gambar 5. 21 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 1
Gambar 5. 22 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
Gambar 5. 23 Halaman Data Penjualan (Pemodelan dengan Deteksi
Outlier) 1
Gambar 5. 24 Halaman Data Penjualan (Pemodelan dengan Deteksi
Outlier) 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Untuk memroses perhitungan metode single moving average dan
single exponential smoothing, Manajer memilih opsi Proses. Kemudian
Manajer diharuskan memasukkan nilai Pergerakan dan nilai Alpha pada
form. Sebagai contoh perhitungan yang telah dilakukan pada perhitungan
manual sebelumnya nilai Pergerakan adalah 3, nilai Alpha 0,5.
Gambar 5. 25 Form Pergerakan dan Alpha
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Pada Halaman Hasil Peramalan akan menampilan perkiraan periode
selanjutnya, MSE, RMSE dan MAE dari kedua metode dengan
menggunakan Deteksi Outlier maupun tanpa Deteksi Outlier.
Gambar 5. 27 Halaman Hasil Peramalan (dengan Deteksi
Outlier)
Gambar 5. 26 Halaman Hasil Peramalan (tanpa Deteksi Outlier)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Berikut merupakan hasil perhitungan pada data pemodelan dengan
nilai Pergerakan 3 (SMA) dan nilai Alpha 0.5 (SES) :
Tabel 5. 8 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA
(tanpa Deteksi Outlier)
Pergerakan (SMA)
Single Moving Average
RMSE MAE Prediksi
penjualan
3 37,34 28,6 77
Tabel 5. 9 Tabel Hasil Peramalan pada Data Pemodelan Metode SES
(tanpa Deteksi Outlier)
Alpha (SES)
Single Exponential Smoothing
RMSE MAE Prediksi
Penjualan
0,5 35,96 25,77 63
Tabel 5. 10 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA
(dengan Deteksi Outlier)
Pergerakan (SMA)
Single Exponential Smoothing
RMSE MAE Prediksi
Penjualan
3 21,04 18,80 45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Tabel 5. 11 Tabel Hasil Peramalan pada Data Pemodelan Metode SES
(dengan Deteksi Outlier)
Alpha (SES)
Single Exponential Smoothing
RMSE MAE Prediksi
Penjualan
0,5 19,76 16,78 40
Dari pengujian menggunakan sistem dan perhitungan manual dapat
dilihat bahwa hasil pengujian sistem sama dengan pengujian manual. Maka
dapat disimpulkan bahwa sistem berjalan dengan benar. Selanjutnya
melihat hasil dari kedua metode untuk menentukan metode terbaik dalam
perhitungan terhadap data pemodelan.
Pada data pemodelan didapatkan error atau kesalahan terkecil pada
metode Single Exponential Smoothing (dengan deteksi Outlier) dengan
RMSE 19,76 dan MAE 176,78. Prediksi penjualan pada data pemodelan
periode selanjutnya (Februari 2014) adalah sebanyak 40 unit.
5.4 Analisis Hasil
Pada Analisis Hasil dilakukan peramalan menggunakan sistem
dengan Data Penjualan Rill Avanza 1,3G M/T periode Januari 2013 hingga
November 2016 untuk mengetahui hasil peramalan pada bulan Desember
2016. Metode terbaik dilihat pada nilai kesalahan terkecil dari metode
Single Moving Average dan Single Exponential Smoothing. Berikut
merupakan langkah – langkah penggunaan sistem :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Gambar 5. 29 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (1)
Gambar 5. 28 Tabel Penjualan Riil
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Gambar 5. 31 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (3)
Gambar 5. 30 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (2)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Gambar 5. 33 Halaman Data Penjualan Riil dengan Deteksi Outlier (1)
Gambar 5. 32 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (4)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Gambar 5. 34 Halaman Data Penjualan Riil dengan Deteksi Outlier (2)
Gambar 5. 35 Halaman Data Penjualan Riil dengan Deteksi Outlier (3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Gambar 5. 36 Halaman Data Penjualan Riil dengan Deteksi Outlier (4)
Gambar 5. 37 Halaman Data Penjualan Riil dengan Deteksi Outlier (5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
73
Manajer dapat menambah data penjualan terbaru dengan memilih
Tambah Baris kemudian mengisi form sesuai ketentuan. Data yang
dimasukkan akan ditambahkan pada baris terakhir yang pada tabel.
Memroses data penjualan untuk meramalkan penjualan pada bulan
Desember 2016. Berikut merupakan hasil peramalan menggunakan sistem
dengan nilai Pergerakan dan Alpha yang berbeda tanpa deteksi Outlier :
- Menggunakan 2 Pergerakan pada Single Moving Average dan Alpha
0,1 pada Single Exponential Smoothing tanpa deteksi Outlier
Gambar 5. 39 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha
(tanpa deteksi Outlier)
Gambar 5. 38 Halaman Tambah Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
- Menggunakan 3 Pergerakan pada Single Moving Average dan Alpha
0,3 pada Single Exponential Smoothing tanpa deteksi Outlier.
Gambar 5. 40 Hasil Peramalan Data Riil 3 Pergerakan dan 0,3 Alpha
(tanpa deteksi Outlier)
- Menggunakan 4 Pergerakan pada Single Moving Average dan Alpha
0,5 pada Single Exponential Smoothing tanpa deteksi Outlier.
Gambar 5. 41 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha
(tanpa deteksi Outlier)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
- Menggunakan 5 Pergerakan pada Single Moving Average dan Alpha
0,7 pada Single Exponential Smoothing tanpa deteksi Outlier.
Gambar 5. 42 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha
(tanpa deteksi Outlier)
- Menggunakan 6 Pergerakan pada Single Moving Average dan Alpha
0,9 pada Single Exponential Smoothing tanpa deteksi Outlier.
Gambar 5. 43 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha
(tanpa deteksi Outlier)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
Memroses data penjualan untuk meramalkan penjualan pada bulan
Desember 2016. Berikut merupakan hasil peramalan menggunakan sistem
dengan nilai Pergerakan dan Alpha yang berbeda dengan deteksi Outlier :
Gambar 5. 44 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha
(dengan deteksi Outlier)
- Menggunakan 3 Pergerakan pada Single Moving Average dan Alpha
0,3 pada Single Exponential Smoothing dengan deteksi Outlier.
Gambar 5. 45 Hasil Peramalan Data Riil 3 Pergerakan dan 0,5 Alpha
(dengan deteksi Outlier)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
- Menggunakan 4 Pergerakan pada Single Moving Average dan Alpha
0,7 pada Single Exponential Smoothing dengan deteksi Outlier.
Gambar 5. 46 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha
(dengan deteksi Outlier)
- Menggunakan 5 Pergerakan pada Single Moving Average dan Alpha
0,7 pada Single Exponential Smoothing dengan deteksi Outlier.
Gambar 5. 47 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha
(dengan deteksi Outlier)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
- Menggunakan 6 Pergerakan pada Single Moving Average dan Alpha
0,9 pada Single Exponential Smoothing dengan deteksi Outlier.
Gambar 5. 48 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha
(dengan deteksi Outlier)
Dengan metode yang sama cara perhitungan diatas diulangi dengan
menggunakan nilai Pergerakan 2, 3, 4, 5 dan 6 kemudian menggunakan nilai
Alpha 0,1, 0,3, 0,5 dan 0,9 sehingga dapat ditemukan nilai Pergerakan dan
Alpha optimal yang digunakan untuk peramalan periode selanjutnya
berdasarkan Root Mean Square Error dan Mean Absolute Error yang
didapatkan. Metode ini digunakan untuk pengujian peramalan pada dealer
Nasmoco Mlati, Yogyakarta bulan Januari 2013 hingga November 2016
untuk meramalkan periode selanjutnya yaitu bulan Desember 2016,
sehingga didapatkan tabel pengujian seperti berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
Tabel 5. 12 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati,
Yogyakarta (Data Riil tanpa deteksi Outlier)
Pergerakan (SMA)
Single Moving Average
RMSE MAE Prediksi
penjualan
2 26,57 18,40 25
3 26,57 18,43 23
4 26,63 19,40 21
5 26,13 18,71 21
6 24,47 17,85 24
Tabel 5. 13 Tabel Hasil Peramalan metode SES padaNasmoco Mlati,
Yogyakarta (Data Riil tanpa Deteksi Outlier)
Alpha (SES)
Single Exponential Smoothing
RMSE MAE Prediksi
Penjualan
0,1 35,85 20,46 28
0,3 24,67 17,96 24
0,5 25,85 18,07 25
0,7 27,62 18,67 26
0,9 30,12 19,97 28
Dengan membandingkan metode Single Moving Average (tanpa
deteksi outlier) dan Single Exponential Smoothing (tanpa deteksi outlier)
didapatkan metode terbaik dengan akurasi terbaik (tingkat kesalahan
terkecil) yaitu pada metode Single Moving Average 6 pergerakan dengan
RMSE 24,47 dan MAE 17,85.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
Tabel 5. 14 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati,
Yogyakarta (Data Riil dengan deteksi Outlier)
Pergerakan (SMA)
Single Moving Average
RMSE MAE Prediksi
penjualan
2 17,56 13,81 23
3 16,44 12,48 23
4 16,85 13,26 21
5 17,40 13,72 21
6 17,46 13,98 20
Tabel 5. 15 Tabel Hasil Peramalan metode SES pada Nasmoco Mati,
Yogyakarta (Data Riil dengan deteksi Outlier)
Pergerakan (SES)
Single Exponential Smoothing
RMSE MAE Prediksi
penjualan
0,1 19,49 16,25 22
0,3 16,75 13,38 22
0,5 16,74 13,04 21
0,7 17,55 13,47 20
0,9 18,93 14,35 18
Dengan membandingkan metode Single Moving Average (dengan
deteksi outlier) dan Single Exponential Smoothing (dengan deteksi outlier)
didapatkan metode terbaik dengan akurasi terbaik (tingkat kesalahan
terkecil) yaitu pada metode Single Moving Average 3 pergerakan dengan
RMSE 16,44 dan MAE 12,48.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
BAB VI
PENUTUP
6.1 Kesimpulan
Kesimpulan yang diperoleh dari pembuatan Sistem Peramalan Penjualan
Mobil Baru dengan Membandingkan Metode Single Moving Average dan
Single Exponential Smoothing pada dealer Nasmoco Mlati, Yogyakarta yaitu :
1. Metode Single Moving Average dan Single Exponential Smoothing
dapat digunakan untuk melakukan peramalan pada data penjualan
mobil di Nasmoco Mlati, Yogyakarta. Data yang digunakan yaitu pada
bulan Januari 2013 sampai tanggal November 2016.
2. Penentuan nilai pergerakan dan nilai alpha dapat memengaruhi
akurasi pada setiap metode :
a. Dengan menggunakan nilai pergerakan 3, 4, 5 dan 6 pada metode
Single Moving Average didapatkan niai pergerakan 3 yang
memiliki akurasi yang baik (tingkat kesalahan terkecil) yaitu
RMSE 16,44 dan MAE 12,48.
b. Dengan menggunakan nilai alpha 0,1, 0,3, 0,5, 0,7 dan 0,9 pada
metode Single Exponential Smoothing didapatkan nilai alpha 0,5
yang memiliki akurasi yang baik (tingkat kesalahan terkecil)
yaitu RMSE 16,74 dan MAE 17,04.
c. Dengan membandingkan akurasi (tingkat kesalahan terkecil) dari
kedua metode tersebut didapatkan metode Single Moving
Average dengan nilai pergerakan 3 sebagai metode terbaik untuk
meramalkan jumlah unit mobil yang akan laku pada periode
Desember 2016 pada dealer Nasmoco Mlati, Yogyakarta.
d. Didapatkan hasil peramalan unit mobil yang akan laku pada
periode Desember 2016 yaitu kurang lebih sebanyak 23 unit
mobil.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
6.2 Saran
Hasil penerapan algoritma Single Moving Average dan Single
Exponential Smoothing untuk meramalkan jumlah unit mobil Toyota
Avanza 1,3 G M/T pada Nasmoco Mati, Yogyakarta memiliki saran untuk
pengembangan penelitian di masa mendatang adalah sebagai berikut :
1. Input data penjualan berdasarkan periode bulan pada setiap tahun
seperti Desember 2013, Desember 2014, Desember 2015 dan
Desember 2016 yang kemudian untuk meramalkan Desember 2017.
2. Perangkat lunak tidak hanya dapat menerima masukan dari file
berekstensi .xls namun juga dapat menerima masukan dari file
berekstensi lainnya.
3. Menggabungkan metode peramalan kualitatif dan kuantitatif sehingga
dapat memperkuat hasil peramalan.
4. Menambahkan data penjualan mobil merk lain untuk dapat
mengetahui pergerakan penjualan pada setiap periode.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83
DAFTAR PUSTAKA
Arsyad, Lincolin., 1997. Ekonomi Pembangunan. STIE YKPN, Yogyakarta.
Assauri, S. (1984). Teknik dan Metode Peramalan Penerapannya dalam Ekonomi
dan Dunia Usaha. Jakarta: Fakultas Ekonomi Universitas Indonesia.
Barry Render and Jay Heizer. Prinsip-prinsip Manajemen Operasi. PT. Salemba
Emban Patria, Jakarta, 2001.
Djarwanto PS dan Subagyo Pangestu. 2000. Statistik Induktif, Edisi 4. BPFE –
UGM Yogyakarta.
Ferguson, S. T, 1961. Rules For Rejection of Outliers. University of California at
Los Angeles.
Gaspersz, V. (1998). Production Planning and Inventory Control. Gramedia
Pustaka Utama, Jakarta.
Lalu Sumayang. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Salemba
empat. Jakarta.
Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Jakarta : Erlangga
Murahartawaty. 2009. Peramalan. Sekolah Tinggi Teknologi Telkom.
Nasution, A. H., dan Prasetyawan, Y. 2008. Perencanaan & Pengendalian
Produksi. Edisi Pertama. Graha Ilmu, Yogyakarta.
Subagyo, Pangestu. 2002. Forecasting: Konsep dan Aplikasi. BPFE, Yogyakarta.
Supriana, Uci. 2010. Peramalan Produk Domestik Regional Bruto (PDRB)
Kabupaten Labuhanbatu Pada Sektor Pertanian Tahun 2011. Universitas
Sumatra Utara. Medan.
Turban, Efraim, J.E. Aronson and Ting Peng Liang. Decision Support Systems and
Intelligent Systems. Yogyakarta : Andi Offset. 2005.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI