KESIMPULAN DAN SARAN - PENERAPAN DATA MINING UNTUK PREDIKSI JUMLAH PENJUALAN TIKET MENGGUNAKAN

Bab ini berisikan kesimpulan dan saran dari hasil implementasi, analisa dan pengujian dari metode yang digunakan dalam penelitian ini.

BAB II. LANDASAN TEORI

Pada bab ini akan berisikan tentang landasan teori dari penelitian yang akan dilakukan. Landasan teori ini mencakup pembahasan tentang Peramalan (Forecasting) dan Metode Dekomposisi.

2.1 Peramalan (Forecasting) 2.1.1 Definisi Forecasting

Peramalan (Forecasting) diartikan sebagai alat atau teknik untuk memprediksi atau memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data atau informasi masa lalu maupun data atau informasi saat ini (Djalal, 2004)

2.1.2 Fungsi dan Tujuan Forecasting

Fungsi Peramalan (forecasting) terlihat pada saat pengambilan keputusan.

Keputusan yang baik ialah keputusan yang didasarkan atas pertimbangan apa yang akan terjadi pada waktu keputusan itu dilaksanakan. Apabila kurang tepat ramalan yang disusun, maka masalah peramalan juga merupakan masalah yang selalu kita hadapi (Rosnani, 2007).

Menurut (Jay & Barry, 2009), Peramalan atau forecasting memiliki tujuan sebagai berikut :

1. Untuk mengkaji kebijakan perusahaan yang berlaku saat ini dan dimasa lalu serta melihat sejauh mana pengaruh dimasa datang.

2. Peramalan diperlukan karena adanya time lag atau delay antara saat suatu kebijakan perusahaan ditetapkan dengan saat implementasi.

3. Peramalan merupakan dasar penyusutan bisnis pada suatu perusahaan sehingga dapat meningkatkan efektivitas suatu rencana bisnis.

2.1.3 Jenis-Jenis Forecasting

Berdasarkan horizon waktu, Peramalan atau Forecasting dapat dibagi menjadi tiga jenis, yaitu (Eddy, 2008) :

1. Peramalan jangka panjang, yaitu yang mencakup waktu lebih besar dari 18 bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan litbang.

2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanaan tenaga kerja tidak tetap.

3. Peramalan jangka pendek, yaitu mencakup jangka waktu kurang dari 3 bulan. Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan penugasan karyawan.

Berdasarkan fungsi dan perencanaan operasi di masa depan, Peramalan atau Forecasting dibagi menjadi tiga jenis, yaitu (Jay & Barry, 2009) :

1. Peramalan ekonomi (economic forecast), peramalan ini menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.

2. Peramalan teknologi (technological forecast), peramalan ini memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan yang baru.

3. Peramalan permintaan (demand forecast), adalah proyeksi permintaan untuk produk atau layanan perusahaan. Proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini juga disebut peramalan penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.

Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi dua jenis, yaitu (Saputro & Asri, 2000) :

1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil ramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, pendapat, dan pengetahuan serta pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif ini didasarkan atas hasil penyelidikan, seperti pendapat salesman, pendapat sales manajer pendapat para ahli dan survey konsumen.

2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data penjualan pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Penggunaan metode yang berbeda akan diperoleh hasil yang berbeda pula.

Berdasarkan sifat penyusunnya, peramalan dibagi menjadi dua jenis, yaitu (Rosnani, 2007) :

1. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuisi dari orang yang menyusunnya.

2. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode-metode dalam penganalisaan data tersebut.

2.2 Metode Dekomposisi

2.2.1 Definisi Metode Dekomposisi

Metode Dekomposisi memiliki prinsip dasar bahwa data deret waktu perlu untuk dipecah (didekomposisi) menjadi beberapa pola dan diidentifikasi tiap komponen dari deret waktu tersebut secara terpisah. Pemisahan yang dilakukan bertujuan untuk membantu meningkatkan akurasi atau ketepatan peramalan dan membantu pemahaman atas perilaku deret data secara lebih baik (Makridakis dan McGee, 1992).

Selain itu, (Subagyo, Asri, & Handoko, 1986) menjelaskan bahwa perubahan sesuatu hal itu biasanya mempunyai pola yang agak kompleks, misalnya ada unsur kenaikan, penurunan, berfluktuasi dan tidak teratur,

sehingga untuk diramal dan dianalisis dengan sekaligus sangatlah sulit, sehingga biasanya diadakan pendekomposisian data ke dalam beberapa komponen. Masing-masing komponen akan dipelajari dan dicari satu per satu, setelah ditemukan nilai dari tiap komponen tersebut, maka akan digabung lagi untuk selanjutnya dijadikan nilai taksir atau ramalan.

2.2.2 Cara Kerja Metode Dekomposisi

Metode Dekomposisi didasarkan pada asumsi bahwa data yang ada adalah gabungan dari beberapa komponen :

Data = Pola + Kesalahan

= f(Trend, Siklus, Musiman) + Kesalahan ………..…...(2.1) Komponen Kesalahan diasumsikan sebagai nilai perbedaan dari kombinasi komponen tren, siklus, dan musiman dengan data yang sebenarnya (Assauri, 1984).

Dari asumsi di atas, dapat disimpulkan bahwa terdapat empat komponen yang mempengaruhi suatu deret waktu, antara lain tiga komponen yang dapat diidentifikasi karena memiliki pola tertentu, yaitu Trend, Siklus, dan Musiman, sedangkan komponen Kesalahan tidak dapat diprediksi karena tidak memiliki pola yang sistematis dan memiliki gerakan yang tidak beraturan (Napa, 1990).

Tren adalah kecenderungan gerak naik atau turun pada data yang terjadi dalam jangka panjang. Variasi musiman adalah gerak naik dan turun yang terjadi secara periodik (berulang dalam selang waktu yang sama). Komponen siklus adalah perubahan gelombang pasang surut yang berulang kembali dalam waktu yang cukup lama, misalnya : 10 tahun, kuartal ke-20 dan lain-lain.

Komponen kesalahan adalah gerakan yang tidak teratur dan terjadi secara tiba-tiba serta sulit untuk diramalkan. Gerakan ini dapat timbul sebagai akibat dari adanya peperangan, bencana alam, krisis moneter, dan lain-lain (Budiyuwono, 1993).

Menurut (Hildebrand. dkk 1991), komponen Trend, Siklus, Musiman, serta Kesalahan dari deret waktu dapat diasumsikan dalam dua model yang berbeda, yaitu model Aditif dan model Multiplikatif.

10 - Model Aditif dari metode Dekomposisi

Model ini mengidentifikasi ramalan masa depan dan menjumlahkan proyeksi hasil peramalan. Model diasumsikan bersifat Aditif (semua komponen dijumlahkan untuk mendapatkan hasil peramalan).

Persamaannya adalah sebagai berikut :

𝑋_𝑡 = 𝑇_𝑡+ 𝐶_𝑡+ 𝐼_𝑡+ 𝐸_𝑡 ………...(2.2) - Model Multiplikatif dari metode Dekomposisi

Model ini diasumsikan bersifat multiplikatif (semua komponen dikalikan satu sama lain untuk mendapatkan model peramalan).

Persamaannya adalah sebagai berikut :

𝑋_𝑡 = 𝑇_𝑡 × 𝐶_𝑡× 𝐼_𝑡× 𝐸_𝑡………...(2.3) Di mana :

𝑋_𝑡 = Data aktual pada periode ke-t 𝑇_𝑡 = Komponen Trend pada periode ke-t 𝐶_𝑡 = Komponen Siklus pada periode ke-t 𝐼_𝑡 = Komponen Musiman pada periode ke-t

𝐸_𝑡 = Komponen Kesalahan (Random) pada periode ke-t

Untuk memperoleh nilai tren dapat dilakukan dengan metode kuadrat terkecil (Least Square Method). Metode kuadrat terkecil adalah metode peramalan yang menggunakan persamaan linear untuk menemukan garis paling sesuai untuk kumpulan data lampau guna meramalkan data di masa depan.

Persamaan metode kuadrat terkecil adalah sebagai berikut :

𝑌 = 𝑎 + (𝑏 × 𝑡)………...(2.4)

Salah satu cara memperoleh nilai dari a dan b adalah dengan menggunakan metode titik tengah sebagai tahun dasar (∑X = 0) :

𝑎 = ^{∑ 𝑌}

Pemisahan komponen musiman dengan metode dekomposisi klasik. Mula-mula komponen tren dan siklus dipisahkan dari data dengan menerapkan rata-rata bergerak yang panjang unsurnya sama dengan panjang musiman pada data asli. Rata-rata bergerak dengan panjang yang sedemikian itu tidak mengandung pengaruh musiman dan tanpa atau sedikit sekali komponen randomnya (Makridakis dan McGee, 1992).

Rata-rata bergerak yang dihasilkan secara relatif telah membebaskan pengaruh musiman dan pengaruh random (kesalahan) pada data bulanan tersebut yang kemudian digunakan untuk mengestimasi komponen tren-siklus.

Pemisahan komponen siklus. Siklus merupakan suatu perubahan atau gelombang naik dan turun dalam suatu periode serta berulang pada periode lain.

Suatu siklus biasanya mempunyai periode tertentu untuk kembali ke titik asalnya, periode ini dikenal dengan lama siklus. Siklus juga mempunyai frekuensi, yaitu siklus yang dapat diselesaikan dalam satu periode waktu.

Indeks siklus diperoleh dari persamaan yang digunakan untuk perhitungan rata-rata bergerak dibagi dengan persamaan yang berfungsi untuk menghitung tren. Hal tersebut berlaku jika modelnya multiplikatif, tetapi jika modelnya aditif, maka indeks siklus diperoleh dari persamaan yang digunakan untuk perhitungan rata-rata bergerak yang dikurangi dengan persamaan yang berfungsi untuk menghitung tren.

2.3 Nilai MAPE

Untuk menguji akurasi prediksi dari metode Dekomposisi, digunakan nilai MAPE (Mean Absolute Percentage Error) untuk menilai kesalahan dari hasil prediksi.

Nilai MAPE dapat diperoleh lewat rumus :

𝑀𝐴𝑃𝐸 = ^∑ ^|

𝐴𝑡− 𝐹𝑡 𝐴𝑡 | 𝑛𝑡=1

𝑛 × 100 ……….……...(2.8)

Di mana :

𝑀𝐴𝑃𝐸 = Rata-rata absolut persentase kesalahan 𝐴_𝑡 = Data aktual pada periode ke-t

𝐹_𝑡 = Data prediksi pada periode ke-t 𝑛 = Jumlah periode waktu

𝑡 = Periode waktu ke-t

Sesuai dengan namanya, MAPE memiliki satuan persentase (pecahan). Kata

“mean” dari MAPE memiliki pengertian bahwa dilakukan perbandingan banyak data dengan data aslinya. Berdasarkan rumus di atas, besarnya MAPE diperoleh dari mencari jumlah dari nilai absolut dari data aktual dikurangi data hasil prediksi, kemudian dibagi dengan data aktual, lalu hasilnya dibagi dengan jumlah periode waktu, setelah diperoleh hasilnya, kalikan dengan 100 untuk mendapatkan nilai persentase error-nya.

Pengujian akurasi untuk mengetahui nilai error ini cocok menggunakan MAPE karena pada metode Dekomposisi ini terdapat banyak varian model (varian kecil maupun varian besar) yang menunjukkan bahwa data merupakan model yang tidak konsisten. Sehingga, dengan menggunakan MAPE dapat terjadi keseimbangan dalam penilaian persentase error untuk tiap datanya.

BAB III. METODOLOGI PENELITIAN

Pada bab ini akan dijelaskan mengenai proses penelitian yang akan dilakukan, yang akan memuat mengenai tahap-tahap metode yang akan digunakan oleh peneliti untuk memproses data yang dikumpulkan, sehingga peneliti dapat dengan jelas dan secara sistematis dapat mengimplementasikan metode yang digunakan pada penelitian ini.

3.1 Gambaran Penelitian

Penelitian ini bertujuan untuk memprediksikan jumlah penjualan tiket pada bulan-bulan di tahun mendatang dengan berpatokan pada data aktual pada masa lalu dan masa kini. Penelitian ini akan menggunakan metode Dekomposisi Aditif. Pada penelitian ini, hanya akan digunakan data penjualan tiket dari masa lalu.

Berikut ini merupakan diagram block dari sistem prediksi yang akan dibangun :

Gambar 3.1 Diagram Block Sistem

14 3.1.1 Data

Data yang diperlukan untuk mengerjakan prediksi menggunakan metode Dekomposisi adalah data penjualan selama minimal 4 tahun penuh atau 48 bulan. Nilai yang dibutuhkan dari data tersebut adalah jumlah tiket yang terjual tiap bulannya. Nilai tersebut akan dianggap sebagai Y (data aktual). Pada penelitian ini digunakan data penjualan tiket dari PT. Nusaniwe Indah Pratama Ambon.

3.1.2 Pre-Processing

Tahap awal yang perlu dilakukan adalah melakukan Pre-Processing, yaitu konversi wujud data yang awalnya berupa file teks agar menjadi matriks. Proses Pre-Processing ini dilakukan dengan menggunakan aplikasi Matlab. Ketika data sudah menjadi matriks, barulah dapat diolah dan masuk pada tahapan berikutnya.

3.1.3 Penetapan Koefisien Regresi

Untuk memperoleh nilai Koefisien Regresi dibutuhkan nilai periode (sebagai X) dan data aktual (sebagai Y). Selanjutnya, akan digunakan fungsi ANOVA Regression, agar diperoleh nilai koefisien a dan b. Dari hasil Regresi yang didapat, akan diambil nilai Intercept dan X Variabel 1 berturut-turut sebagai nilai koefisien a dan b. Kedua koefisien tersebut bersifat konstan nilainya dan akan digunakan untuk mencari nilai komponen Trend.

Cara menghitung nilai Koefisien Regresi untuk bilangan konstan a dan b adalah dengan menggunakan rumus sebagai berikut :

𝑎 = ^{∑ 𝑌}

3.1.4 Identifikasi Komponen Deret Waktu

Setelah memperoleh nilai Koefisien Regresi, langkah selanjutnya yang perlu dilakukan adalah mencari beberapa nilai komponen deret waktu dari metode Dekomposisi, karena sesuai dengan prinsip metode ini, dimana Data = Pola + Kesalahan (Error) = f(Trend, Siklus, Musiman) + Kesalahan (Error). Pertama, mencari nilai CMA(12) atau bisa disebut sebagai Rata-Rata Bergerak (Mt12), dengan 12 sebagai jumlah periodenya (12 bulan dalam 1 tahun). Nilai CMA(12) dapat diperoleh lewat rumus berikut :

𝑀_𝑡¹² = ^𝑋^𝑡^+𝑋^𝑡−1^{+ 𝑋}^𝑡−2^+⋯+𝑋^{𝑡−𝑁+1}

𝑁 ………...(3.3)

Di mana :

𝑀_𝑡¹² = Rata-rata bergerak 12 bulanan (atau disebut CMA(12)) 𝑁 = Jumlah total periode waktu

Nilai dari CMA(12) akan dimulai dari baris untuk periode ke-7 (mulai dari pertengahan periode dalam setahun) hingga baris untuk periode terakhir.

Kemudian, akan dicari nilai untuk Trend (Tt) yang dapat diperoleh dengan menggunakan rumus metode kuadrat terkecil (Least Square Method) :

𝑇_𝑡 = 𝑎 + (𝑏 × 𝑡) ………..………...(3.4)

Nilai dari a dan b diperoleh dari Penetapan Koefisien Regresi, pada tahap sebelumnya. Ketika sudah mendapat nilai CMA(12) dan Trend (Tt), maka dapat diperoleh hasil dari Siklus (Ct) dengan rumus sebagai berikut :

𝐶_𝑡= 𝐶𝑀𝐴(12) − 𝑇_𝑡 ………...(3.5) Di mana :

𝐶_𝑡 = Komponen Siklus pada periode ke-t 𝐶𝑀𝐴(12) = Rata-rata bergerak 12 bulanan 𝑇_𝑡 = Komponen Trend pada periode ke-t

Sama seperti proses mencari nilai dari CMA(12), nilai dari Siklus (Ct) akan dimulai dari baris untuk periode ke-7 (mulai dari pertengahan periode dalam setahun) hingga baris periode terakhir. Setelah ketiga nilai komponen (CMA(12), Tt, dan Ct) tersebut didapatkan, akan dicari nilai dari Musiman + Error (It+Et), dengan rumus :

𝐼_𝑡+ 𝐸_𝑡 = 𝑌 − 𝐶𝑀𝐴(12) ……….………...(3.6) Di mana :

𝐼_𝑡+ 𝐸_𝑡 = Komponen Musiman + Error pada periode ke-t

𝑌 = Data aktual

𝐶𝑀𝐴(12) = Rata-rata bergerak 12 bulanan

Nilai dari Musiman + Error (It+Et) juga akan dimulai dari baris pada periode ke-7 (pertengahan periode dalam setahun) hingga baris akhir periode.

3.1.5 Identifikasi Musiman

Nilai musiman diperoleh dari cara memisahkan nilai Musiman itu sendiri dari nilai Error. Sebelumnya telah diperoleh musiman + error (It + Et), maka untuk memisahkan musiman (It) dari Error (Et), digunakan algoritma :

 Melakukan transpose. Transpose dilakukan pada nilai It+Et menjadi matriks dengan jumlah baris sebanyak jumlah tahun (misal tahun yang digunakan adalah dari 2011-2014, maka ada 4 baris) dan kolom sebanyak 12 periode.

 Mencari nilai rata-rata medial. Rata-rata medial dari tiap periode (12 periode), yang didapatkan dari jumlah tiap baris pada periode ke-t dikurangi nilai maksimum dari baris pertama hingga baris akhir dikurangi nilai minimum dari baris pertama hingga baris akhir, kemudian hasilnya dibagi dengan N.

Nilai N diperoleh dari jumlah baris yang berisikan nilai dikurangi 2 (Nilai maksimum dan minimum).

 Mencari nilai adjustment. Nilai adjustment diperoleh dengan mencari nilai rata-rata dari rata-rata medial dan akan menjadi nilai konstan.

 Mencari nilai akhir musiman. Sebagai tahap terakhir, untuk mendapatkan nilai akhir musiman (It) adalah dengan mengurangkan nilai rata-rata medial tiap periode dengan dengan nilai konstan adjustment. Dengan demikian, akan dihasilkan nilai musiman (It) sebanyak 12 periode untuk bulan pertama hingga bulan ke-12. Nilai musiman (It) inilah yang akan digunakan untuk melakukan prediksi pada tahun yang akan datang, dengan menggunakan nilai musiman (It) per bulannya sebagai patokan.

3.1.6 Prediksi

Sesuai dengan namanya, metode dekomposisi merupakan metode yang melakukan pemecahan (dekomposisi) pada deret waktu agar menjadi beberapa pola dan diidentifikasi tiap komponen dari deret waktu tersebut secara terpisah.

Komponen yang dimaksudkan tersebut antara lain Trend, Siklus, serta Musiman. Komponen-komponen tersebut diperoleh dari data aktual yang ada, dimana jika seluruh komponen tersebut dijumlahkan akan bernilai kurang lebih sama dengan data aktual. Jadi, setelah diperoleh nilai dari Trend, Siklus, dan Musiman, sudah dapat dilakukan prediksi untuk bulan-bulan pada tahun yang akan datang. Khusus untuk nilai Siklus (Ct), di mana untuk memperoleh

nilainya diperlukan adanya nilai aktual, sehingga pada pengerjaan prediksi menggunakan metode Dekomposisi di mana :

Prediksi = Pola + Kesalahan (Error)

= f(Tren, Siklus, Musiman) + Kesalahan (Error) .…….………...(3.7) Dapat dibuat menjadi :

Prediksi = Pola + Kesalahan (Error)

= f(Tren, Musiman) + Kesalahan (Error) ) ……....…….………...(3.8) Yang mana Siklus (Ct) akan diabaikan karena nilai Siklus tidak ada (belum ada data aktual, karena merupakan prediksi). Tetapi, prinsip yang mengabaikan siklus tersebut hanya diberlakukan pada proses mencari nilai prediksi saja.

3.2 Desain Pengujian

Peneliti melakukan pengujian dengan menggunakan data penjualan tiket dari tahun 2017, tahun 2016 sampai 2017, tahun 2015 sampai 2017, dan tahun 2014 sampai 2017 sebagai data patokan untuk melakukan prediksi pada tahun 2018.

Dengan demikian, akan diperoleh 4 hasil berbeda untuk tiap pengujian yang dilakukan.

3.3 Spesifikasi Software dan Hardware

Spesifikasi Software dan Hardware yang digunakan dalam implementasi Sistem Prediksi Jumlah Penjualan Tiket ini adalah sebagai berikut :

3.3.1 Software

- Sistem Operasi yang digunakan adalah Microsoft Windows 10 Enterprise 64-bit

- Bahasa Pemrograman yang digunakan adalah MATLAB R2014b

19 3.3.2 Hardware

- Processor yang digunakan yaitu AMD 4Core A10-8700P CPU

@1.80GHz 3.2GHz - Memory 4.00 GB 3.4 Perancangan Antarmuka Sistem

Gambar 3.2 Antarmuka Sistem

Pada Gambar (3.4) merupakan antarmuka sistem, terdapat beberapa komponen di dalamnya antara lain :

1) Logo dan Judul

Merupakan Logo Universitas Sanata Dharma dan Judul mengenai penelitian yang dilakukan serta nama dan NIM peneliti.

2) Tombol Browse

Sebuah action button yang berfungsi untuk melakukan pengambilan sebuah file dengan ekstensi .xlsx pada penyimpanan komputer.

20 3) Tombol Olah

Sebuah action button yang berfungsi untuk mengolah data yang telah dimasukkan lewat Tombol Browse dan selanjutnya melakukan proses prediksi menggunakan metode dekomposisi.

4) Tabel Forecasting

Tabel yang di dalamnya berisikan kolom Tahun, Bulan, Periode (X), Trend (Tt), Musiman (It), serta hasil Prediksi yang dihasilkan.

5) Text Field MAPE

Sebuah Text Field yang akan berisi nilai MAPE (Mean Absolute Percentage Error) dengan tolak ukur data yang dimasukkan dengan data hasil prediksi.

6) Panel Data Aktual

Panel yang berfungsi untuk menggambarkan grafik dari data aktual.

7) Panel Hasil Forecasting Dekomposisi

Panel yang berfungsi untuk menggambarkan grafik dari hasil Forecasting menggunakan metode Dekomposisi. Panel ini dibuat guna melakukan perbandingan dengan grafik dari data aktual.

BAB IV. IMPLEMENTASI DAN ANALISA

Bab ini membahas tentang implementasi sistem berupa hasil penelitian dengan menggunakan metode Dekomposisi untuk memperoleh prediksi dan uraian mengenai analisa terkait perolehan akurasinya.

Data yang diperoleh seluruhnya adalah data penjualan tiket dari tahun 2014 hingga 2018 dalam bentuk teks. Selanjutnya, data yang diperoleh dalam bentuk teks tersebut dikonversi ke dalam bentuk matriks menggunakan aplikasi Matlab. Berikut merupakan kutipan data penjualan tiket dari tahun 2014 yang masih berbentuk teks dalam aplikasi Excel.

Gambar 4.1 Kutipan data penjualan tiket tahun 2014 dalam bentuk teks pada aplikasi Excel

Kemudian, pada penelitian ini, peneliti melakukan penelitian dengan menggunakan data penjualan tiket dari tahun 2017, tahun 2016 sampai 2017, tahun 2015 sampai 2017, dan tahun 2014 sampai 2017 sebagai data patokan untuk

melakukan prediksi pada tahun 2018. Sesuai dengan tahap pengerjaan metode Dekomposisi, maka data penjualan tiket dari tahun 2014 hingga 2017 setelah diolah dan dikelompokkan berdasarkan tahunnya menggunakan aplikasi Matlab, dapat ditulis sebagai berikut :

Tabel 4.1 Hasil Olah Data

Bulan Tahun

2014 2015 2016 2017

Januari 68 59 61 85

Februari 71 64 81 73

Maret 83 72 86 97

April 79 75 98 121

Mei 49 53 55 66

Juni 97 111 130 122

Juli 80 83 79 103

Agustus 33 39 42 51

September 53 48 59 50

Oktober 52 60 48 83

November 38 44 49 48

Desember 49 45 48 55

Berikut merupakan hasil olah data penjualan tiket dari tahun 2014 sampai 2017 menggunakan aplikasi matlab, dimana secara berurut dari kolom pertama hingga kolom keempat merupakan tahun 2014, 2015, 2016, dan 2017 :

Gambar 4.2 Hasil Olah Data dalam Matlab

Setelah data selesai diolah dan dikelompokkan berdasarkan tahunnya, langkah selanjutnya adalah mengidentifikasi komponen deret waktu, yaitu mencari nilai CMA(12), Trend (Tt), Siklus (Ct), serta Musiman + Error (It+Et). Terdapat 4 macam hasill identifikasi deret waktu yang diperoleh, antara lain untuk tahun 2017, tahun 2016 sampai 2017, tahun 2015 sampai 2017, dan tahun 2014 sampai 2017.

Tabel perolehan identifikasi deret waktu untuk tahun 2017 adalah sebagai berikut :

Tabel 4.2 Perolehan identifikasi deret waktu tahun 2017

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

10 77.666667 66.38111888 11.2855478 5.333333333

11 72.25 62.63286713 9.61713287 -24.25

12 73.142857 58.88461538 14.2582418 -18.14285714

Tabel perolehan identifikasi deret waktu untuk tahun 2016-2017 adalah sebagai berikut :

Tabel 4.3 Perolehan identifikasi deret waktu tahun 2016-2017

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

6 0 76.38637681 0 0

7 69.666667 76.10898551 -6.4423188 9.333333333 8 71.666667 75.8315942 -4.1649275 -29.66666667

9 71 75.5542029 -4.5542029 -12

10 71.916667 75.27681159 -3.3601449 -23.91666667 11 73.833333 74.99942029 -1.166087 -24.83333333

12 74.75 74.72202899 0.02797101 -26.75

13 74.083333 74.44463768 -0.3613043 10.91666667 14 76.083333 74.16724638 1.91608696 -3.083333333 15 76.833333 73.88985507 2.94347826 20.16666667 16 76.083333 73.61246377 2.47086957 44.91666667

17 79 73.33507246 5.66492754 -13

18 78.916667 73.05768116 5.85898551 43.08333333

19 79.5 72.78028986 6.71971014 23.5

20 79 72.50289855 6.49710145 -28

21 79.6 72.22550725 7.37449275 -29.6

22 77.666667 71.94811594 5.71855072 5.333333333

23 72.25 71.67072464 0.57927536 -24.25

24 73.142857 71.39333333 1.74952381 -18.14285714

Tabel perolehan identifikasi deret waktu untuk tahun 2015-2017 adalah sebagai berikut :

Tabel 4.4 Perolehan identifikasi deret waktu tahun 2015-2017

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

1 0 65.8033033 0 0

2 0 66.07962248 0 0

3 0 66.35594166 0 0

8 62.916667 67.73753754 -4.8208709 -23.91666667 9 64.333333 68.01385671 -3.6805234 -16.33333333

10 65.5 68.29017589 -2.7901759 -5.5

11 67.416667 68.56649507 -1.1498284 -23.41666667 12 67.583333 68.84281424 -1.2594809 -22.58333333 13 69.166667 69.11913342 0.04753325 -8.166666667 14 68.833333 69.3954526 -0.5621193 12.16666667 15 69.083333 69.67177177 -0.5884384 16.91666667

16 70 69.94809095 0.05190905 28

17 69 70.22441012 -1.2244101 -14

18 69.416667 70.5007293 -1.0840626 60.58333333 19 69.666667 70.77704848 -1.1103818 9.333333333 20 71.666667 71.05336765 0.61329901 -29.66666667

21 71 71.32968683 -0.3296868 -12

22 71.916667 71.60600601 0.31066066 -23.91666667 23 73.833333 71.88232518 1.95100815 -24.83333333

24 74.75 72.15864436 2.59135564 -26.75

25 74.083333 72.43496353 1.6483698 10.91666667 26 76.083333 72.71128271 3.37205062 -3.083333333 27 76.833333 72.98760189 3.84573145 20.16666667 28 76.083333 73.26392106 2.81941227 44.91666667

29 79 73.54024024 5.45975976 -13

30 78.916667 73.81655942 5.10010725 43.08333333

31 79.5 74.09287859 5.40712141 23.5

32 79 74.36919777 4.63080223 -28

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

33 79.6 74.64551695 4.95448305 -29.6

34 77.666667 74.92183612 2.74483054 5.333333333

35 72.25 75.1981553 -2.9481553 -24.25

36 73.142857 75.47447447 -2.3316173 -18.14285714

Tabel perolehan identifikasi deret waktu untuk tahun 2014-2017 adalah sebagai berikut :

Tabel 4.5 Perolehan identifikasi deret waktu tahun 2014-2017

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

37 74.08333 71.81629 2.267043 10.91667

38 76.08333 72.06993 4.013406 -3.08333

39 76.83333 72.32356 4.50977 20.16667

40 76.08333 72.5772 3.506133 44.91667

41 79 72.83084 6.169163 -13

42 78.91667 73.08447 5.832194 43.08333

43 79.5 73.33811 6.16189 23.5

44 79 73.59175 5.408254 -28

45 79.6 73.84538 5.754617 -29.6

46 77.66667 74.09902 3.567647 5.333333

47 72.25 74.35266 -2.10266 -24.25

Periode (X) CMA(12) Trend (Tt) Siklus (Ct) It+Et

48 73.14286 74.60629 -1.46344 -18.1429

Proses selanjutnya adalah mencari nilai akhir Musiman (It), yang diperoleh dari mengolah nilai It+Et sesuai dengan tahap metode Dekomposisi. Tujuan pencarian nilai akhir Musiman (It) adalah untuk memperoleh nilai musiman tiap periode, hingga periode ke-12. Jadi akan dihasilkan sebanyak 12 nilai Musiman (It).

Nilai akhir Musiman (It) yang dihasilkan untuk tahun 2017, 2016-2017, dan 2015-2017 memiliki hasil yang sama, yaitu bernilai 0 untuk setiap periodenya dan dapat ditulis sebagai berikut :

Tabel 4.6 Nilai akhir Musiman (It) untuk tahun 2017, 2016-2017, dan 2015-2017

Periode (X) Musiman (It)

1 ₀

2 ₀

3 ₀

4 ₀

5 ₀

6 ₀

7 ₀

8 ₀

9 ₀

10 ₀ 11 ₀ 12 ₀

Sedangkan, nilai akhir Musiman (It) yang diperoleh untuk tahun 2014-2017 memiliki hasil yang tidak bernilai 0 untuk tiap periodenya dan dapat ditulis sebagai berikut :

Tabel 4.7 Nilai akhir Musiman (It) untuk tahun 2014-2017 Periode (X) Musiman (It)

Saat sudah mendapat 12 nilai periode akhir musiman (It), maka sudah dapat dilakukan prediksi. Prediksi dilakukan dengan cara menjumlahkan nilai dari tren dengan musiman yang telah diperoleh. Pada penelitian ini, peneliti memprediksikan jumlah tiket yang akan terjual pada bulan pertama, kedua, dan ketiga tahun 2018.

Hasil dengan menggunakan data aktual tahun 2017, diperoleh prediksi jumlah penjualan tiket untuk 3 bulan awal pada tahun 2018, antara lain pada bulan Januari sebanyak 55 tiket, bulan Februari sebanyak 51 tiket, dan bulan Maret sebanyak 48 tiket.

Tabel 4.8 Hasil prediksi dengan data aktual tahun 2017

Tahun Bulan Periode (X) Trend (Tt) Musiman (It) Prediksi 2018 Januari 13 55.13636364 0 55.1364 2018 Februari 14 51.38811189 0 51.3881

2018 Maret 15 47.63986014 0 47.6399

Hasil dengan menggunakan data aktual tahun 2016-2017, diperoleh prediksi jumlah penjualan tiket, antara lain pada bulan Januari sebanyak 71 tiket, bulan Februari sebanyak 71 tiket, dan bulan Maret sebanyak 71 tiket.

Tabel 4.9 Hasil prediksi dengan data aktual tahun 2016-2017

Tahun Bulan Periode (X) Trend (Tt) Musiman (It) Prediksi 2018 Januari 25 71.11594203 0 71.1159 2018 Februari 26 70.83855072 0 70.8386

2018 Maret 27 70.56115942 0 70.5612

Hasil dengan menggunakan data aktual tahun 2015-2017, diperoleh prediksi jumlah penjualan tiket, antara lain pada bulan Januari sebanyak 76 tiket, bulan Februari sebanyak 76 tiket, dan bulan Maret sebanyak 76 tiket.

Tabel 4.10 Hasil prediksi dengan data aktual tahun 2015-2017

Tahun Bulan Periode (X) Trend (Tt) Musiman (It) Prediksi 2018 Januari 37 75.75079365 0 75.7508 2018 Februari 38 76.02711283 0 76.0271

2018 Maret 39 76.303432 0 76.3034

Hasil dengan menggunakan data aktual tahun 2014-2017, diperoleh prediksi jumlah penjualan tiket, antara lain pada bulan Januari sebanyak 67, bulan Februari sebanyak 72 tiket, dan bulan Maret sebanyak 97 tiket.

Tabel 4.11 Hasil prediksi dengan data aktual tahun 2014-2017

Tahun Bulan Periode (X) Trend (Tt) Musiman (It) Prediksi 2018 Januari 49 74.8599 _-7.63988 67.2200 2018 Februari 50 75.1136 _-2.88988 72.2237

Dalam dokumen PENERAPAN DATA MINING UNTUK PREDIKSI JUMLAH PENJUALAN TIKET MENGGUNAKAN METODE DEKOMPOSISI SKRIPSI (Halaman 20-55)