BAB V IMPLEMENTASI DAN PEMBAHASAN
5.2 Pengujian Sistem
5.2.2 Pengujian Mobil Jenis Rush
Data yang digunakan untuk pengujian yaitu data penjualan selama bulan Januari 2014 sampai Juni 2015. Tabel 5.2 menunjukkan pengujian peramalan mobil jenis Rush.
Tabel 5.2 Pengujian peramalan mobil jenis Rush Bulan Tahun Indeks
Waktu (xi)
Data Penjualan
(yi)
xi*yi xi2
Januari 2014 0 4 0 0
Februari 2014 1 6 6 1
Maret 2014 2 15 30 4
April 2014 3 15 45 9
Mei 2014 4 10 40 16
Juni 2014 5 10 50 25
Juli 2014 6 10 60 36
Agustus 2014 7 11 77 49
September 2014 8 12 96 64
Oktober 2014 9 11 99 81
November 2014 10 11 110 100
Desember 2014 11 11 121 121
Januari 2015 12 6 72 144
Lanjutan
Februari 2015 13 3 39 169
Maret 2015 14 13 182 196
April 2015 15 13 195 225
Mei 2015 16 8 128 256
Juni 2015 17 8 136 289
Jumlah 153 177 1486 1785
Rata-Rata 9.83
Gambar 5.11 merupakan tampilan pemilihan jenis mobil Rush yang akan diprediksi dengan memilih jenis/tipe serta periode yang akan diramalkan. Hasil peramalan dapat dilihat pada gambar 5.12.
Gambar 5.11 Form peramalan penjualan mobil Rush
Gambar 5.12 Hasil Peramalan penjualan mobil Rush
Berdasarkan hasil peramalan dari metode trend moment maka pada bulan Februari 2016 mobil dengan jenis Rush diramalkan terjual sebanyak 4 unit. Untuk mengetahui adanya selisih perbandingan peramalan penjualan mobil jenis Rush dengan data penjualan yang nyata, maka akan dihitung dengan menggunakan rumus APE yang dapat dilihat pada gambar 5.13.
Gambar 5.13 Hasil analisis APE mobil jenis Rush
5.2.3 Pengujian Mobil Jenis Yaris
Data yang digunakan untuk pengujian yaitu data penjualan selama bulan Januari 2014 sampai Juni 2015. Tabel 5.3 menunjukkan pengujian peramalan mobil jenis Yaris.
Tabel 5.3 Pengujian peramalan mobil jenis Yaris Bulan Tahun Indeks
Waktu (xi)
Data Penjualan
(yi)
xi*yi xi2
Januari 2014 0 6 0 0
Februari 2014 1 2 2 1
Maret 2014 2 6 12 4
April 2014 3 9 27 9
Mei 2014 4 8 32 16
Juni 2014 5 6 30 25
Juli 2014 6 6 36 36
Agustus 2014 7 6 42 49
September 2014 8 7 56 64
Oktober 2014 9 7 63 81
Lanjutan
November 2014 10 7 70 100
Desember 2014 11 7 77 121
Januari 2015 12 2 24 144
Februari 2015 13 4 52 169
Maret 2015 14 4 56 196
April 2015 15 7 105 225
Mei 2015 16 3 48 256
Juni 2015 17 3 51 289
Juli 2015 18 3 54 324
Jumlah 171 103 256 2109
Rata-Rata 5,4
Gambar 5.14 merupakan tampilan pemilihan jenis mobil Yaris yang akan diprediksi dengan memilih jenis/tipe serta periode yang akan diramalkan. Hasil peramalan dapat dilihat pada gambar 5.15.
Gambar 5.14 Form peramalan penjualan mobil Yaris
Gambar 5.15 Hasil Peramalan penjualan mobil Yaris
Berdasarkan hasil peramalan dari metode trend moment maka pada bulan Maret 2016 mobil dengan jenis Yaris diramalkan terjual sebanyak 2 unit. Untuk mengetahui adanya selisih perbandingan peramalan penjualan mobil jenis Yaris dengan data penjualan yang nyata, maka akan dihitung dengan menggunakan rumus APE yang dapat dilihat pada gambar 5.16.
Gambar 5.16 Hasil analisi APE mobil jenis Yaris
56 6.1 Kesimpulan
Berdasarkan uraian dan hasil analisa yang telah dilakukan selama pengembangan Aplikasi Sistem Pendukung Keputusan Peramalan Penjualan Mobil Menggunakan Metode Trend Moment Studi Kasus pada PT.HADJI KALLA Cabang Kendari ini, dapat diambil kesimpulan yaitu aplikasi ini dapat memprediksi penjualan mobil pada bulan dan tahun yang diinginkan oleh pengguna dengan minimal data dua tahun pada metode trend moment.
6.2 Saran
Dalam pembuatan Aplikasi Sistem Pendukung Keputusan Peramalan Penjualan Mobil Menggunakan Metode Trend Moment Studi Kasus PT.Hadji Kalla Cabang Kendari ini masih banyak terdapat kekurangan dan jauh dari kata sempurna. Untuk itu masih perlu dilakukan sebuah penyempurnaan. Berikut beberapa saran untuk pengembangan lebih lanjut dari aplikasi ini :
1. Menu dan fitur pada aplikasi ini masih bisa ditambahkan dengan menu tergantung dari kebutuhan sebuah perusahaan.
2. Aplikasi ini masih bisa dapat dikembangkan dengan menyajikan semua jenis produk mobil yang dikeluarkan dari Toyota.
3. Pada dasarnya sistem yang digunakan sangat baik karena dapat membantu kita untuk bisa meramalkan atau memprediksi penjualan kedepannya. Walaupun masih terdapat kesalahan keakuratan hasil ramalan. Namun itu masih perlu masukan-masukan untuk perbaikan kedepannya.
Ferrizal, Sulfikar S. dan Eka S., 2012. Analisa Peramalan Penjualan Handphone Menggunakan Metode Trend Moment.
Makridakis, S., Wright, S.C.W. dan Megee, V.E., 1992, Metode dan Aplikasi Peramalan, Jakarta.
Martiningtyas, Nining, 2004, Buku Materi Kuliah STIKOM Statistika, STIKOM Surabaya, Surabaya.
Nugroho, A., 2010, Rekayasa Perangkat Lunak Menggunakan UML dan JAVA, Yogyakarta.
Pristiawan, R., 2015. Implementasi Metode Trend Moment Untuk Peramalan Penjualan Cabai Universitas Nusantara Persatuan Guru Republik Indonesia Unp Kediri.
Rosa A. dan M. Shalahuddin. 2013. Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Penerbit Informatika.
Subagyo, P., 1986, Forecasting Konsep dan Aplikasi, BPFE Yogyakarta:
Yogyakarta.
Sugiarto, dan Dergibson, S. 2002. Metode Statistika Untuk Bisnis dan Ekonomi.
Jakarta : PT.Gramedia Pustaka Utama. Halaman 208-217.
Turban, E. dan Aronson, J.E., 2001, Decision support Systems and Intelligent Systems, Prentice Hall: New Jersey.
Listing Program
passwordField.getText().length() == 0) { // kolom yang ada di database
new String[]{usernameField.getText(),
Connection c = databaseConnection.keDatabase();
Object classSelected;
String[] data;
String action;
public adminDataSubForm(adminDataForm dataForm, String action, String[] data) {
super((Frame) null, true);
javax.swing.ImageIcon(getClass().getResource("/sellingp rediction/res/update_putih.png"))); // NOI18N
}
jLabel8.setText("
"+action.toUpperCase() + " " + jLabel8.getText());
if(data != null)
//menambahkan data mobil
"+action.toUpperCase() + " " + jLabel8.getText());
if (action.equals("Tambah")) {
jYear.setValue(Integer.parseInt(data[4]));
SimpleDateFormat sdf = new
public final class carSelledDataForm extends javax.swing.JFrame {
setLocationRelativeTo(null);
refreshTable(allData());
}
private ArrayList<ArrayList<String>> allData() {
public ArrayList<ArrayList<String>> someData(String jenisMobil) {
ArrayList<ArrayList<String>> value = query.goSelectWith(c, clauseAttribut);
"Tanggal Masuk", "Jenis",
"Warna",
"Tahun Pembuatan", "Harga", "Pembayaran", "Jumlah"},
listData);
tableCarSell.setModel(tableModel);
tableCarSell.removeAll();
String[] colNames = new String[] {"No", "Tanggal",
"Jenis", "Warna", "Tahun Pembuatan", "Harga (Rp)","Pembayaran", "Jumlah"};
elementCell cell = new elementCell(colNames, listData, "Laporan Penjualan Mobil", true,
"penjualan_mobil.pdf");
}
refreshTable(getDataWithAdvancedSearch(new String[] {param_1, param_2}));
} private ArrayList<ArrayList<String>>
getDataWithAdvancedSearch(String[] itemParameter) {
ArrayList<ArrayList<String>> value = query.goSelectWith(c, clauseAttribut);
return value;
}
//Peramalan penjualan mobil
seasonIndex + ".");
jLabel1.setText("Hasil peramalan yang didapat untuk penjualan jenis mobil " + jenisMobil + " pada " + convertParamToString(dateCasting)
private String convertParamToString(String param){
private float getSeasonIndex(){
private int findIndexFordateCasting(){
+String.valueOf(month) + "-" + String.valueOf(year);
if (month == 0){
month = 12;
year--;
temp = ((month < 10) ? "0" : "") +String.valueOf(month) + "-" + String.valueOf(year);
}
Integer.parseInt(arrayList.get(3));
private void get_A_and_B_value(){
B = ((float) ((sigmaY * sigmaX) - (sigmaXY *
tableSixMonthBefore.setModel(tableModel);
tableSixMonthBefore.removeAll();
}
private int dataRealSell() throws NumberFormatException {
int year =
Integer.parseInt(dateCasting.substring(3, 7));
if (temp.equals(arrayList.get(0))) {
forecastingResultAfterSeason;
Connection c = databaseConnection.keDatabase();
queryAttribut attribut = new
queryAttribut(true, null, "data_prediksi_2", dateForecasting, jenisMobil, warnaMobil, String.valueOf(resultPrediction));
sqlImplementationQuery query = new sqlImplementationQuery();
if (query.goInsert(c, attribut)) { dispose();
form.refreshTable(form.allData());
}
}