PREDIKSI JUMLAH PERMINTAAN BARANG MUSIMAN
MENGGUNAKAN METODE
HOLT-WINTERS
SKRIPSI
LIA HARTATI SIMANJUNTAK
081402069
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
PREDIKSI JUMLAH PERMINTAAN BARANG MUSIMAN
MENGGUNAKAN METODE HOLT-WINTERS
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Sarjana Teknologi Informasi
LIA HARTATI SIMANJUNTAK
081402069
PROGRAM STUDI S1 TEKNOLOGI INFORMASI
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERSETUJUAN
Judul : PREDIKSI JUMLAH PERMINTAAN BARANG
MUSIMAN MENGGUNAKAN METODE HOLT-WINTERS
Kategori : SKRIPSI
Nama : LIA HARTATI SIMANJUNTAK
Nomor Induk Mahasiswa : 081402069
Program Studi : SARJANA (S1) TEKNOLOGI INFORMASI
Departemen : TEKNOLOGI INFORMASI
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI (FASILKOM-TI) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, 2014
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Romi Fadillah R, B.Comp.Sc.M.Sc. Sajadin Sembiring,S.Si,M.Comp.Sc NIP 19860303 201012 1 004 NIP
Diketahui/Disetujui oleh
Program Studi S1 Teknologi Informasi Ketua,
PERNYATAAN
PREDIKSI JUMLAH PERMINTAAN BARANG MUSIMAN
MENGGUNAKAN METODE HOLT-WINTERS
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya sendiri, kecuali beberapa kutipan
dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, ….. 2014
Lia Hartati Simanjuntak
UCAPAN TERIMA KASIH
Puji dan syukur penulis sampaikan kepada Tuhan Yang Maha Esa yang telah memberikan rahmat dan anugerah-NYA sehingga penulis dapat menyelesaikan skripsi ini sebagai syarat untuk memperoleh gelar Sarjana Teknologi Informasi, Program Studi S1 Teknologi Informasi Universitas Sumatera Utara.
Ucapan terima kasih penulis sampaikan kepada Bapak Sajadin Sembiring,S.Si,M.Comp.Sc selaku pembimbing satu dan Bapak Romi Fadillah R, B.Comp.Sc.M.Sc selaku pembimbing dua yang telah banyak membantu dan membimbing juga memberikan kritik dan saran kepada penulis. Ucapan terima kasih juga ditujukan kepada Bapak Dedy Arisandi, ST.M.Kom dan Bapak Dr. Mahyudin Nst, M.IT yang telah bersedia menjadi dosen pembanding. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Program Studi Teknologi Informasi, Prof. Dr. Opim Salim Sitompul, M.Sc. dan Drs. Sawaluddin, M.IT, Dekan dan Pembantu Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, semua dosen serta pegawai di Program Studi S1 Teknologi Informasi.
ABSTRAK
Melonjaknya jumlah permintaan barang musiman saat periode musimannya dimulai membuat pengusaha sering menghadapi kendala dalam memenuhi permintaan pasar, salah satunya adalah seragam sekolah dasar. Metode memprediksi jumlah permintaan untuk periode mendatang, merupakan hal penting bagi pengusaha konveksi seragam untuk mengoptimalkan keuntungan, agar tidak ada permintaan yang terpaksa ditolak karena kekurangan bahan baku atau tenaga kerja. Dalam penelitian ini digunakan metode Holt-Winters untuk memprediksi jumlah permintaan seragam sekolah dasar yang bersifat musiman. Holt-Winters merupakan metode exponential smoothing yang menggunakan tiga parameter untuk mendapatkan hasil prediksinya. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan untuk tahun 2013 menggunakan Holt-Wintersdengan konstanta parameter (α) = 0,γ5 , beta ( ) = 0,15 , dan gamma ( ) = 0,47, pada data penjualan seragam sekolah dasar periode Januari 2010 sampai dengan Desember 2012 menghasilkan tingkat akurasi prediksi sebesar 95,74% dengan nilai error rata-rata sebesar 4,26%.
HOLT-WINTERS METHOD FOR PREDICTING
SEASONAL GOODS DEMAND
ABSTRACT
The growing number of demand for seasonal goods when the seasonal period started making entrepreneurs often face obstacles in fulfilling the market demands, one of which is an elementary school uniforms. Predicting the number of demand for the coming period is essential for entrepreneurs in uniforms convection to increase profits, so there is no demand rejected due to lack of raw materials or labor. In this study, Holt-Winters method is used to predict the demand of school uniforms for elementary school that contains seasonal behavior. Holt-Winters is an exponential smoothing method that uses three parameters to obtain the prediction results. The accuracy of the prediction results is measured by the value of MAPE (Mean Absolute Percentage Error). The results of the predictions using Holt-Winters method made for the year 2013 with constant parameters (α) = 0.35, beta ( ) = 0.15, and gamma ( ) = 0.47, on the basis of school uniforms sales data period from January 2010 up to December 2012 resulted in prediction accuracy level up to 95,74% with an average error of 4.26%.
DAFTAR ISI
Bab 2 Tinjauan Pustaka 6
2.1Teknik Peramalan 6
2.2Prediksi Penjualan 11
2.3Definisi Barang-Barang Musiman 13
2.4Ukuran Akurasi Prediksi 13
2.5Metode Pemulusan Eksponensial (Exponential Smoothing) 14
2.6Metode Holt-Winters 16
2.6.1Metode Holt-Winters Additif 16
2.6.2Metode Holt-Winters Multiplikatif 17
2.7 Unified Modelling Language 16
2.7.1Use case diagram 21
2.7.2Use caseSpesification 21
2.7.3Activity Diagram 22
2.7Teknik Prediksi Terdahulu 23
BAB 3 Analisis dan Perancangan Sistem 28
3.1Identifikasi Masalah 28
3.2 Pemakaian Data 29
3.3Analisis Sistem 31
3.4Perancangan Sistem 34
3.4.1Use case diagram 34
3.4.2Use case spesifikasi 35
3.4.3Diagram Aktivitas 39
3.4.4Model entity-relationship 43
3.4.6Perancangan antarmuka 44
3.4.6.1Rancangan halaman Login 44
3.4.6.2Rancangan halaman Menu Utama 44
3.4.6.3Rancangan halaman Pengguna 45
3.4.6.4Rancangan halaman Data Penjualan 46 3.4.6.5 Rancangan halaman Penjualan 47 3.4.6.6 Rancangan halaman Prediksi 48 3.4.6.7 Rancangan halaman History 48
Bab 4 Implementasi dan Pengujian Sistem 51
4.1Implementasi Sistem 51
4.1.1Spesifikasi perangkat keras dan lunak yang digunakan 51 4.1.2Implementasi perancangan antarmuka 52
4.1.3Implementasi data 57
4.2Pengujian Sistem 58
4.2.1Rencana pengujian sistem 58
4.2.2Kasus dan hasil pengujian sistem 59
4.2.3Pengujian kinerja sistem 63
4.2.4Pengujian data 70
Bab 5 Kesimpulan dan Saran 72
5.1Kesimpulan 72
5.2Saran 73
Daftar Pustaka 74
DAFTAR TABEL
Hal. Tabel 2.1 Penelitian Terdahulu untuk Prediksi Musiman 25 Tabel 2.2 Penelitian Terdahulu dengan Holt-Winters 26 Table 3.1 Data Penjualan Seragam Sekolah Dasar dalam Tiap Ukuran 29 Tabel 3.2 Use case Specification untuk Use case Pengguna 36 Tabel 3.3 Use case Specification untuk Use case Data Penjualan 36 Tabel 3.4 Use case Specification untuk Use case Input Penjualan 37 Tabel 3.5 Use case Specification untuk Use case Prediksi 38 Tabel 3.6 Use case Specification untuk Use caseHistory 38 Tabel 4.1 Tabel Data Penjualan Seragam Sekolah Dasar 57
Tabel 4.2 Rencana Pengujian 59
Tabel 4.3 Hasil Pengujian 59
Tabel 4.4 Data Penjualan Seragam Tahun 2010-2012 63
Tabel 4.5 Tabel 12 Periode Musim Pertama 66
Tabel 4.6 Hasil Perhitungan Parameter dan Prediksi 67 Tabel 4.7 Hasil Prediksi Penjualan Tahun 2013 69
DAFTAR GAMBAR
Hal. Gambar 2.1 Data Time Series Dengan Pola Horizontal (Tanjung, 2012) 9 Gambar 2.2 Data Time Series Dengan Pola Trend (Tanjung, 2012) 9 Gambar 2.3 Data Time Series Dengan Pola Musiman (Tanjung, 2012) 10 Gambar 2.4 Data Time Series Dengan Pola Siklis (Tanjung, 2012) 11
Gambar 2.5 Simbol Diagram Aktivitas 23
Gambar 3.1 Pola Musiman Penjualan Seragam Sekolah Dasar 2010-2013 30 Gambar 3.2 Algoritma Holt-Winters Pada Sistem 32
Gambar 3.3 Use case Diagram Sistem 35
Gambar 3.4 Diagram Aktivitas untuk Pengaturan Data Pengguna 40 Gambar 3.5 Diagram Aktivitas Melihat Data Penjualan 40 Gambar 3.6 Diagram Aktivitas untuk Pengaturan Data Penjualan 41 Gambar 3.7 Diagram Aktivitas untuk Prediksi Penjualan 42
Gambar 3.8 Diagram Aktivitas untuk Hisory 42
Gambar 3.9 Model E-R 43
Gambar 3.10 Struktur Menu Sistem 43
Gambar 3.11 Rancangan Halaman Login 44
Gambar 3.12 Rancangan Halaman Menu Utama 45
Gambar 3.13 Rancangan Halaman Pengguna 46
Gambar 3.14 Rancangan Halaman Data Penjualan 47
Gambar 3.15 Rancangan Halaman Penjualan 48
Gambar 3.16 Rancangan Halaman Prediksi Penjualan 49
Gambar 3.17 Rancangan Halaman History 50
Gambar 4.1 Halaman Login 52
Gambar 4.2 Halaman Pengguna 53
Gambar 4.3 Halaman Data Penjualan 54
Gambar 4.4 Input Penjualan 54
Gambar 4.5 Halaman Prediksi 55
Gambar 4.6 Halaman History 56
Gambar 4.7 Data Penjualan Seragam Tahun 2010-2012 65
ABSTRAK
Melonjaknya jumlah permintaan barang musiman saat periode musimannya dimulai membuat pengusaha sering menghadapi kendala dalam memenuhi permintaan pasar, salah satunya adalah seragam sekolah dasar. Metode memprediksi jumlah permintaan untuk periode mendatang, merupakan hal penting bagi pengusaha konveksi seragam untuk mengoptimalkan keuntungan, agar tidak ada permintaan yang terpaksa ditolak karena kekurangan bahan baku atau tenaga kerja. Dalam penelitian ini digunakan metode Holt-Winters untuk memprediksi jumlah permintaan seragam sekolah dasar yang bersifat musiman. Holt-Winters merupakan metode exponential smoothing yang menggunakan tiga parameter untuk mendapatkan hasil prediksinya. Pengukuran tingkat akurasi hasil prediksi dilakukan dengan nilai MAPE (Mean Absolute Percentage Error). Hasil prediksi yang dilakukan untuk tahun 2013 menggunakan Holt-Wintersdengan konstanta parameter (α) = 0,γ5 , beta ( ) = 0,15 , dan gamma ( ) = 0,47, pada data penjualan seragam sekolah dasar periode Januari 2010 sampai dengan Desember 2012 menghasilkan tingkat akurasi prediksi sebesar 95,74% dengan nilai error rata-rata sebesar 4,26%.
HOLT-WINTERS METHOD FOR PREDICTING
SEASONAL GOODS DEMAND
ABSTRACT
The growing number of demand for seasonal goods when the seasonal period started making entrepreneurs often face obstacles in fulfilling the market demands, one of which is an elementary school uniforms. Predicting the number of demand for the coming period is essential for entrepreneurs in uniforms convection to increase profits, so there is no demand rejected due to lack of raw materials or labor. In this study, Holt-Winters method is used to predict the demand of school uniforms for elementary school that contains seasonal behavior. Holt-Winters is an exponential smoothing method that uses three parameters to obtain the prediction results. The accuracy of the prediction results is measured by the value of MAPE (Mean Absolute Percentage Error). The results of the predictions using Holt-Winters method made for the year 2013 with constant parameters (α) = 0.35, beta ( ) = 0.15, and gamma ( ) = 0.47, on the basis of school uniforms sales data period from January 2010 up to December 2012 resulted in prediction accuracy level up to 95,74% with an average error of 4.26%.
BAB 1
PENDAHULUAN
1.1Latar Belakang
Dalam dunia usaha, ada hal yang disebut dengan barang-barang musiman atau
seasonal, yaitu barang-barang yang jumlah permintaannya meningkat karena kebutuhan akan barang tersebut pada musim-musim tertentu meningkat jauh, seperti:
busana muslim pada musim lebaran, alat-alat tulis dan seragam sekolah pada musim
tahun ajaran baru dan lainnya (Susanty, 2012).
Melonjaknya permintaan akan barang-barang musiman tersebut tentu akan
memberikan keuntungan besar bagi para pelaku usaha. Namun dalam bisnis penjualan
ini terdapat masalah penting yaitu, pengendalian persediaan barang dan prediksi
penjualan yang akan datang (Sari, 2008). Para pelaku usaha barang musiman ini
sering menghadapi kendala dalam memenuhi permintaan barang saat periode
musimnya dimulai. Masalah yang paling sering terjadi adalah kekurangan stok barang.
Jika pada musim-musim tertentu dimana permintaan barang sedang sangat tinggi
namun pelaku usaha hanya memiliki stok yang sedikit, tentu permintaan tidak dapat
dipenuhi sehingga menyebabkan penurunan jumlah penjualan yang tentu berdampak
buruk bagi pelaku usaha. Untuk menghindari ketidakefesienan ini diperlukan sebuah
metode perencanaan dalam penyediaan jumlah barang demi mencapai jumlah
penjualan yang maksimal dan mencapai target.
Salah satu metode perencanaan yang umum digunakan adalah prediksi
permintaan yang akan datang. Metode prediksi dapat membantu meminimalisasi
kesalahan dalam penyediaan barang. Untuk menghasilkan hasil prediksi yang lebih
akurat terutama untuk barang yang bersifat musiman, dibutuhkan sistem cerdas yang
menggabungkan antara ilmu pengetahuan, teknik dan metode dari berbagai sumber.
yang mengandung pola musiman, diantaranya: Metode Dekomposisi (Ernawati,
2007), Metode Regresi Time Series (Rochmah, 2010); dan Metode Sarima (Hermanto,
2007).
Dalam penelitian ini sistem prediksi untuk barang musiman dikembangkan
dengan menggunakan Holt-Winters yakni metode prediksi runtun waktu (time series) yang dapat menangani perilaku musiman (seasonal) pada sebuah data berdasarkan pada data masa lalu. Metode ini dipilih karena menurut Makridakis (1999), metode ini
sangat baik meramalkan pola data yang bersifat tren dan musiman yang timbul secara
serempak. Teknik Holt-Winters sendiri telah banyak digunakan dalam memprediksi berbagai masalah dengan perilaku musiman seperti memprediksi pendapatan katering
(Harsaputra, 2007), prediksi penambahan mesin rajut (Legi, 2008), prediksi curah
hujan (Nurmaida, 2012), dan lain sebagainya.
1.2 Rumusan Masalah
Adanya kendala dalam memenuhi permintaan barang musiman yang melonjak tinggi
saat periode musimannya dimulai membuat pelaku usaha sering merasa kewalahan.
Hal ini dapat menyebabkan penurunan jumlah penjualan yang dapat berdampak buruk
bagi pelaku usaha. Salah satu cara untuk mengatasi masalah tersebut adalah dengan
menggunakan metode perencanaan yaitu memprediksi permintaan barang yang akan
datang. Oleh karena itu dibutuhkan sebuah pendekatan untuk memprediksi jumlah
permintaan barang sehingga para pelaku usaha dapat memenuhi permintaan konsumen
akan barang musiman saat periode musimannya dimulai.
1.3Batasan Masalah
Agar pembahasan dalam penulisan ini lebih terarah dan mencegah adanya perluasan
masalah dan pembahasan yang terlalu kompleks, maka penulis membuat batasan
masalah yang akan dijadikan pedoman dalam pelaksanaan tugas akhir yaitu:
1. Data yang digunakan merupakan data penjualan seragam sekolah dasar pada
2. Sistem yang dibangun akan menghasilkan prediksi jumlah permintaan seragam
sekolah SD untuk bulan-bulan berikutnya.
3. Penelitian ini tidak membahas tentang masalah harga jual barang.
4. Hasil penelitian ini tidak mempertimbangkan kejadian-kejadian yang
berhubungan dengan alam yang mungkin mempengaruhi hasil prediksi
tersebut, seperti : gempa bumi, banjir, kebakaran, dan lain sebagainya.
1.4Tujuan Penelitian
Tujuan penelitian ini adalah adalah membuat prediksi jumlah permintaan barang
musiman yang akan datang berdasarkan data penjualan di masa lalu dengan
menggunakan metode Holt-Winters.
1.5Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Mengetahui kemampuan metode Holt-Winters dalam memprediksi jumlah permintaan barang musiman.
2. Memberikan suatu teknik alternatif mengenai prediksi permintaan barang
musiman dengan menggunakan metode Holt-Winters serta sebagai referensi untuk penelitian lain yang berhubungan dengan metode Holt-Winters dan
prediksi permintaan barang musiman.
1.6Metode Penelitian
Tahapan yang dilakukan pada pelaksanaan penelitian skripsi ini adalah sebagai
1. Studi Literatur
Pada tahap ini dilakukan studi kepustakaan yaitu penulis mengumpulkan
seluruh informasi yang menyeluruh dari referensi-referensi yang mencakup
prediksi dan metode Holt-Winters.
2. Analisis
Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui dan
mendapatkan pemahaman mengenai Holt-Winters untuk menyelesaikan masalah prediksi.
3. Perancangan
Pada tahap perancangan sistem dilakukan perancangan arsitektur,
pengumpulan data, pelatihan, dan perancangan antarmuka. Proses perancangan
dilakukan berdasarkan hasil analisis studi literatur yang telah didapatkan.
4. Implementasi
Pada tahap ini dilakukan proses implementasi pengkodean program dalam
aplikasi komputer menggunakan bahasa pemrograman yang telah dipilih
sesuai dengan analisis dan perancangan yang sudah dilakukan.
5. Pengujian
Pada tahap ini dilakukan pengujian aplikasi yang telah dibuat guna
memastikan aplikasi telah berjalan sesuai dengan apa yang diharapkan.
6. Dokumentasi dan Penyusunan Laporan
Pada tahap ini akan dilakukan dokumentasi hasil analisis dari penelitian
metode Holt-Winters untuk menyelesaikan masalah prediksi permintaan barang yang bersifat musiman.
1.7Sistematika Penulisan
Bab 1: Pendahuluan
Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian,
manfaat penelitian, metodologi penelitian, dan sistematika penulisan.
Bab 2: Landasan Teori
Bab ini berisi teori-teori yang digunakan untuk memahami permasalahan yang dibahas
pada penelitian ini. Pada bab ini dijelaskan tentang penerapan Holt-Winters untuk memprediksi permintaan barang musiman dan data-data pendukungnya.
Bab 3: Analisis dan Perancangan
Bab ini berisi analisis dan penerapan metode Holt-Winters untuk memprediksi permintaan barang musiman pada periode yang akan datang, serta perancangan seperti
pemodelan dengan flowchart, use case dan activity diagram.
Bab 4: Implementasi dan Pengujian
Bab ini berisi pembahasan tentang implementasi dari analisis dan perancangan yang
disusun pada Bab 3 dan pengujian apakah hasil yang didapatkan sesuai dengan yang
diharapkan.
Bab 5: Kesimpulan Dan Saran
Bab ini berisi kesimpulan dari keseluruhan uraian bab-bab sebelumnya dan saran-
BAB 2
LANDASAN TEORI
Bab ini membahas teori penunjang dan penelitian sebelumnya yang berhubungan
dengan penerapan metode Holt-Winters untuk prediksi penjualan barang musiman.
2.1Teknik Peramalan
Peramalan atau forecast merupakan suatu fungsi bisnis yang digunakan untuk memperkirakan permintaan dan penggunaan produk sehingga produk-produk tersebut
dibuat dalam jumlah atau kuantitas yang tepat (Gaspersz, 2004). Tujuan dari
peramalan dalam kegiatan produksi adalah untuk mengurangi ketidakpastian,
sehingga diperoleh suatu perkiraan yang mendekati keadaan yang sebenarnya.
Kegunaan peramalan tersebut akan terlihat pada saat pengambilan keputusan.
Keputusan yang baik adalah keputusan yang didasarkan pertimbangan apa yang akan
terjadi pada waktu keputusan itu dilaksanakan.
Menurut Levine (2002) ada dua pendekatan umum untuk jenis metode
peramalan menurut sifatnya, yaitu teknik kualitatif dan teknik kuantitatif. Teknik
peramalan kualitatif digunakan saat data historis tidak tersedia, namun metode ini
bersifat sangat subjektif dan membutuhkan penilaian dari pakar. Sedangkan teknik
peramalan kuantitatif menggunakan data historis atau data masa lalu yang dibuat
dalam bentuk angka.
Dalam peramalan dikenal istilah prakiraan dan prediksi. Prakiraan
didefinisikan sebagai proses peramalan suatu kejadian dimasa datang dengan berdasar
pada data kejadian itu dimasa sebelumnya. Data masa lampau tersebut secara
sistematik diolah bersama dengan suatu metode tertentu untuk memperoleh prakiraan
kejadian yang akan datang. Sementara prediksi adalah proses peramalan suatu
data-data sebelumnya, meskipun lebih berdasarkan pada pertimbangan intuisi, namun
prediksi juga sering digunakan data kuantitatif sebagai pelengkap informasi dalam
melakukan peramalan. (Herjanto, 2006).
Berdasarkan horizon waktu, peramalan dapat dikelompokkan dalam tiga
bagian, yaitu peramalan jangka panjang, peramalan jangka menengah, dan peramalan
jangka pendek.
1. Peramalan jangka panjang, yaitu mencakup waktu lebih besar dari 18 bulan.
Misalnya, peramalan yang berkaitan 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 untuk jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan penjadwalan kerja atau
penugasan karyawan.
Peramalan jangka panjang banyak menggunakan pendekatan kualitatif
sedangkan peramalan jangka menengah dan pendek biasanya menggunakan
pendekatan kuantitatif.
Metode peramalan kuantitatif terbagi dalam dua kelompok utama, yaitu
metode data time series dan metode kausal. Data tersebut tentunya sangat diperlukan
dalam penelitian, maupun pengambilan keputusan. (Winarno, 2007).
a. Data Time Series (Runtun Waktu)
Data Runtun Waktu atau Data Time series adalah data yang menggambarkan suatu objek dari waktu ke waktu atau periode secara historis dan terjadi
berurutan. (Winarno, 2007). Interval waktu perekaman dapat amat singkat
(beberapa bagian dari satu detik saja) dan dapat cukup panjang (harian,
mingguan, bulanan, tahunan, dan bahkan puluhan tahun), tergantung dari
tahun 2000 hingga 2010, data pergerakan angin dari menit pertama hingga
menit ke-30, data jumlah siswa dari tahun 1997 hingga 2012, dan lain-lain.
Time Series ini mencakup penelitian pola data yang digunakan untuk
memeriksa apakah data tersebut stasioner atau tidak. Stasioner itu sendiri
berarti bahwa tidak terdapat pertumbuhan atau penurunan pada data. Data
secara kasar harus horizontal sepanjang waktu. Dengan kata lain fluktuasi data
tetap konstan.
b. Data Causal (Data Kausal)
Metode peramalan kausal mengembangkan model sebab-akibat antara
permintaan yang diramalkan dengan variabel-variabel lain yang
mempengaruhi. Contohnya adalah, jumlah permintaan baju baru bisa saja
berhubungan dengan jumlah populasi, rata-rata pendapatan masyarakat, jenis
kelamin, musiman atau bulan-bulan khusus (hari raya, natal, tahun baru). Data
dari variabel tersebut dikumpulkan dan dianalisa untuk menentukan
keakuratan dari model peramalan yang diusulkan. Metode ini biasa dipakai
untuk dengan kondisi dimana variabel penyebab terjadinya item yang akan
diramalkan sudah diketahui. Dengan adanya hubungan tersebut, output dapat
diketahui jika input diketahui.
Yang terpenting dalam suatu deret berkala (time series) adalah mempertimbangkan jenis pola data. Menurut Makridakis (1999) pola tersebut dapat
dibedakan menjadi empat :
1. Pola Data Horizontal
Pola Data Horizontal adalah pola data yang terjadi jika data berfluktuasi di
sekitar nilai rata-rata yang konstan. Tipe ini pada data runtun waktu disebut
stationary. Sebagai contoh penjualan tiap bulan suatu produk tidak meningkat atau menurun secara konsisten pada suatu waktu dapat dipertimbangkan untuk
Gambar 2.1 Data Time Series Dengan Pola Horizontal (Tanjung, 2012)
Gambar 2.1 menunjukkan grafik jumlah penjualan beras pada sebuah usaha
pengecer beras selama satu tahun. Dapat dilihat pada grafik bahwa jumlah penjualan
beras pada satu tahun tersebut berfluktuasi di sekitar nilai rata-rata yang konstan,
yakni sejumlah lima karung beras. Pola data seperti ini juga biasa dijumpai pada jenis
barang kebutuhan pokok lainnya, seperti gula, telur, dan lainnya.
2. Pola Data Trend
Pola Trend terjadi apabila data menunjukkan pola kecendrungan naik atau
turun atau bahkan konstan untuk jangka waktu yang panjang. Contoh pola data
Gambar 2.2 menunjukkan grafik produk domestik bruto (Gross Domestic Product) yakni jumlah nilai produk berupa barang dan jasa yang dihasilkan oleh unit-unit
produksi di dalam batas wilayah suatu negara (domestik) selama satu tahun. Pada
Gambar 2.2 tampak pola kenaikan untuk jangka waktu yang panjang yang dimulai
dari tahun pertama hingga tahun ke-11. Jumlah produk nampak meningkat dari
rata-rata lima ribu ditahun pertama dan meningkat hingga bernilai rata-rata-rata-rata tiga puluh ribu
di tahun ke-11.
3. Pola Data Musiman
Pola Musiman terjadi apabila dalam data terlihat pola perubahan yang
berulang secara otomatis dalam suatu interval tertentu. Hal ini terjadi karena
dipengaruhi oleh faktor musiman seperti faktor cuaca, musim libur panjang,
musim tahun ajaran baru, hari raya keagamaan yang akan berulang secara
periodik tiap tahunnya. Pola musiman berguna dalam meramalkan penjualan
dalam jangka pendek. Pola data ini terjadi bila nilai data sangat dipengaruhi
oleh musim, misalnya permintaan bahan baku jagung untuk makanan ternak
ayam pada pabrik pakan ternak selama satu tahun.
Gambar 2.3 Data Time Series Dengan Pola Horizontal (Tanjung, 2012)
Gambar 2.3 merupakan grafik penjualan seragam sekolah pada sebuah toko
penyedia seragam dari bulan pertama hingga bulan ke-12 di tahun 2011. Dapat dilihat
penjualan meningkat tajam di bulan Juli yakni bulan dimana semester baru di sekolah
dimulai.
4. Pola Data Siklis
Pola Siklis terjadi apabila fluktuasi permintaan jangka panjang membentuk
pola gelombang/siklus. Biasanya pola ini dipengaruhi oleh siklus bisnis.
Gambar 2.4 Data Time Series Dengan Pola Siklis (Tanjung, 2012)
Gambar 2.3 menunjukkan grafik penjualan mobil dari tahun 2000 hingga tahun
2008 pada sebuah perusahaan dealer mobil. Dapat dilihat bahwa penjualan mobil dipengaruhi oleh faktor ekonomi di Indonesia tiap tahunnya. Pada tahun 2002 dan
tahun 2008, dimana keadaan ekonomi rakyat Indonesia lebih baik membuat tingkat
penjualan mobil yang termasuk sebagai kebutuhan tersier juga ikut mengalami
peningkatan.
2.2Prediksi Penjualan
Aktivitas prediksi penjualan mengindikasikan penjualan yang diharapkan terhadap
pasar dari produk yang didefinisikan selama periode waktu tertentu. (Craven, 2003).
Prediksi penjualan diperlukan perusahaan karena setiap kegiatan pembuatan
masa depan. Dengan prediksi perusahaan dapat mengetahui hal-hal apa saja yang
perlu diperbaiki atau ditingkatkan dari kondisi penjualan perusahaan (Hanke, 2005).
Menurut Hanke, langkah-langkah dalam prediksi penjualan adalah :
a. Identifikasi masalah dan pengumpulan data
Dalam tahap ini, perusahaan perlu menemukan masalah-masalah yang terjadi
pada penjualan, dan mengumpulkan data yang lengkap agar masalah dapat
diidentifikasi dengan jelas.
b. Manipulasi dan pemilihan data
Data yang telah dikumpulkan diseleksi agar mendapatkan data yang
benar-benar relevan dengan masalah yang dihadapi. Data kemudian dimanipulasi
agar sesuai dengan kebutuhan perusahaan dalam membuat model prediksi
penjualan.
c. Pembangunan dan evaluasi model
Data yang telah dikumpulkan dan dimanipulasi, diaplikasikan ke dalam model
prediksi yang sesuai dengan kondisi perusahaan untuk meminimalkan
terjadinya kesalahan dalam prediksi.
d. Implementasi model
Model yang telah dipilih diimplementasikan langsung terhadap data penjualan,
sehingga didapatkan target prediksi penjualan yang benar-benar sesuai dengan
kebutuhan perusahaan.
e. Evaluasi prediksi penjualan
Dalam tahap ini, prediksi penjualan yang telah dibuat dibandingkan dengan
kondisi aktual penjualan perusahaan. Dalam proses ini, perusahaan dapat
mengetahui kesalahan-kesalahan yang terjadi pada saat implementasi,
sehingga dapat memperbaiki dan menemukan model prediksi penjualan yang
2.3 Definisi Barang-Barang Musiman
Yang disebut dengan barang-barang musiman adalah barang-barang yang jumlah
penjualannya meningkat dikarenakan kebutuhan akan barang tersebut pada
musim-musim tertentu meningkat jauh (Susanty, 2012). Dari hasil penjualan barang-barang
musiman ini pedagang mampu menarik keuntungan yang berlipat-lipat ganda
dibandingkan dengan penjualan di hari-hari biasa. Contoh dari barang-barang
musiman ini misalnya (Tanjung, 2012): busana muslim, kerudung, atau sarung pada
libur Lebaran atau Idul Fitri, buku, alat tulis, dan seragam sekolah pada musim tahun
ajaran baru, dan lain-lain.
2.4Ukuran Akurasi Prediksi
Tidak mungkin suatu ramalan akan benar-benar akurat. Ramalan akan selalu berbeda
dengan permintaan aktual. Perbedaan antara ramalan dengan data aktual disebut
kesalahan ramalan. Meskipun suatu jumlah kesalahan ramalan tidak dapat dielakkan
namun tujuan ramalan adalah agar kesalahan sekecil mungkin (Hermanto, 2007).
Ukuran ketepatan yang sering digunakan untuk mengetahui ketepatan suatu
model prediksi dalam memodelkan data deret waktu yaitu nilai, MAPE (Mean Absolute Percentage Error) danMAE (Mean AbsoluteError).
a. Mean Absolute Percentage Error (MAPE)
MAPE dihitung dengan menemukan kesalahan absolut pada setiap periode,
kemudian membaginya dengan nilai observasi pada periode tersebut dan
kemudian merata-ratakan persentase absolutnya (Nurmaida, 2012)..
Pendekatan ini akan sangat berguna apabila ukuran variabel merupakan faktor
penting dalam mengevaluasi akurasi prediksi. MAPE menunjukkan seberapa
besar kesalahan prediksi dibandingkan dengan nilai sebenarnya dari suatu
runtun waktu. MAPE juga dapat digunakan untuk membandingkan akurasi dari
teknik yang sama atau berbeda pada dua runtun waktu yang berbeda.
Dengan PEt adalah galat persentase yang didefinisikan sebagai berikut :
t PE =
t t t
X F
X
(2.2)
b. Mean Absolut Error (MAE)
MAE adalah rata-rata absolute dari kesalahan yaitu dengan menghiraukan
tanda positif ataupun negatif dari nilai kesalahan (Nurmaida, 2012).. MAE
dapat dihitung dengan menggunakan persamaan:
∑ | |
Pengukuran akurasi prediksi ini digunakan untuk (Hanke, 2005) :
1. Membandingkan keakuratan dari dua atau lebih teknik prediksi yang
berbeda.
2. Mengukur kegunaan atau reliabilitas teknik tertentu.
3. Membantu mencari teknik yang optimal.
2.5Metode Pemulusan Eksponensial (Exponential Smoothing)
Smoothing atau metode pemulusan adalah metode prediksi yang melakukan pemulusan terhadap suatu deret berkala dari sederetan data masa lalu, yaitu dengan
membuat rata-rata tertimbang dari nilai beberapa tahun untuk menaksir data pada
beberapa tahun kedepan. Dasar dari metode smoothing adalah pembobotan sederhana atau pemulusan pengamatan masa lalu dalam suatu deret berkala untuk memperoleh
ramalan masa mendatang (Makridakis, 1999).
Menurut Makridakis (1999) metode pemulusan eksponensial (exponential smoothing) adalah metode yang mengulang perhitungan secara terus-menerus dengan menggunakan data terbaru. Metode ini menggunakan bobot berbeda untuk setiap data
masa lalu dan karena bobotnya berciri menurun seperti eksponensial dari titik data
Dengan kata lain, setiap data diberikan sebuah nilai dimana data yang lebih baru
memiliki nilai yang lebih besar.
Metode exponential smoothing merupakan metode prediksi yang cukup baik untuk prediksi jangka panjang dan jangka menengah, terutama untuk operasional
suatu perusahaan. Kelebihan utama dari metode exponential smoothing dapat dilihat dari kemudahan dalam operasi, dengan kata lain mudah dalam penerapannya, dan
kecepatannya untuk diterima juga biaya yang rendah (Nurmaida, 2012).
Metode prediksi dengan pemulusan eksponensial lebih digunakan untuk pola
data yang tidak stabil atau perubahannya besar dan bergejolak. Apabila galat ramalan
(forecast error) adalah positif, atau nilai aktual permintaan lebih tinggi daripada nilai ramalan (A–F>0), maka model pemulusan eksponensial akan secara otomatis
meningkatkan nilai ramalannya. Sebaliknya, apabila galat ramalan (forecast error) adalah negatif, atau nilai aktual permintaan lebih rendah daripada nilai ramalan (A – F
< 0), maka metode pemulusan eksponensial akan secara otomatis menurunkan nilai
ramalan. Proses penyesuaian ini berlangsung secara terus-menerus, kecuali galat
ramalan telah mencapai nol. (Gaspersz, 2004).
Bentuk umum dari metode pemulusan (Exponential Smoothing) ini adalah (Makridakis, 1999):
(2.5)
Dengan :
= prediksi satu periode ke depan
= data aktual periode
= prediksi pada periode
= parameter pemulusan (0< >1)
Nilai yang digunakan adalah untuk data yang paling baru, untuk data sebelumnya, untuk data yang lebih lama lagi, dan seterusnya. Bila bentuk umum tersebut diperluas maka akan berubah menjadi :
Dari perluasan bentuk umum diatas dapat dikatakan bahwa dalam metode
Exponential Smoothing nilai observasi yang baru diberikan bobot yang relatif lebih
besar dibanding observasi yang lebih tua.
2.6Metode Holt-Winters
Seringkali data time series menunjukkan gejala musiman. Musiman mengacu pada kecenderungan data time series menunjukkan gejala berulang pada setiap periode waktu tertentu atau pada setiap periode T. Dengan kata lain istilah musiman
digunakan untuk mewakili periode waktu sebelum perilaku mulai terulang. Sebagai
contoh, harga daging sapi akan melonjak tinggi pada musim lebaran, atau harga cabai
akan membumbung tinggi setiap bulan Desember. Pola ini akan terus berulang setiap
tahunnya. Akan tetapi nilai kenaikan tersebut akan berubah secara relatif dari tahun ke
tahun, walaupun tetap dengan pola yang sama .
Metode Holt-Winters merupakan metode yang dapat menangani faktor
musiman dan trend yang muncul secara sekaligus pada sebuah data time series (Kalekar, 2004). Metode ini didasarkan atas tiga unsur yaitu untuk unsur stasioner,
trend dan musiman untuk setiap periode dan memberikan tiga pembobotan dalam
prediksinya, yaitu α, ,dan . Pembobotan α memberikan pembobotan pada nilai level,
memberikan pembobotan pada trend, dan memberikan pembobotan pada efek musiman. Besarnya koefisien α, , , memiliki jarak (range) diantara 0 dan 1 yang ditentukan secara subjektif atau dengan meminimalkan nilai kesalahan dari estimasi
tersebut (Makridakis, 1999).
Sebagai contoh kasus, misalkan selama bulan Desember penjualan daging sapi
mungkin meningkat hingga 1000 ton setiap tahun. Dengan demikian, kita bisa
menambahkan 1000 ton dalam perkiraan pada setiap bulan Desember untuk fluktuasi
musiman. Untuk kasus ini, musiman adalah additif. Sementara dalam kasus lain,
misalkan selama bulan Desember penjualan daging sapi meningkat sebesar 30%,
maka musiman dalam kasus ini adalah multiplikatif .
2.6.1Metode Holt-Winters Additif
(time series) yang dimana amplitudo (atau ketinggian) pola musimannya tidak tergantung pada rata-rata level atau ukuran data.
Tiga persamaan yang digunakan dalam metode Holt-Winters Additif adalah (Makridakis, 1999):
Level : St
(Xt ItL)(1
)(St1 Tt1)(2.7)
Trend : Tt
(St St1)(1
)Tt1(2.8)
Musim : It
(Xt St)(1
)ItL(2.9)
Forecast : Ftm
St Ttm
ItLm (2.10)Dimana :
t
S = nilai Level
= konstanta level (0<<1)t
T = estimasi trend
= konstanta perkiraan trend (0<<1)t
I = estimasi musim
= konstanta untuk perkiraan musim (0<<1)
L = jumlah periode dalam satu siklus musim
2.6.2Metode Holt-Winters Multiplikatif
Model musiman multiplikatif cocok untuk prediksi deret berkala (time series) yang dimana amplitudo (atau ketinggian) dari pola musimannya proporsional dengan
rata-rata level atau tingkatan dari deret data (Montgomery, 2008). Dengan kata lain, pola
musiman membesar seiring meningkatnya ukuran data. Pada kenyataan di lapangan,
model multiplikatif lebih banyak dan lebih efektif dipakai.
Seperti halnya pada metode Holt-Winters aditif, metode Holt-Winters multiplikatif juga memiliki tiga persamaan dengan sedikit perbedaan.
Level : (1 )( 1 1)
L = jumlah periode dalam satu siklus musim
Untuk memulai perhitungan, diperlukan penentuan nilai awal untukSt, Tt, dan
t
I . Proses penentuan nilai awal atau inisialisasi pada prediksi dengan metode
Holt-Winters ini diperlukan paling sedikit satu kelompok data musiman lengkap yaitu L
periode untuk menentukan estimasi awal dari indeks musiman ItL, dan perlu juga
untuk menaksir faktor trend dari satu periode ke periode selanjutnya.
Beberapa pendekatan yang dapat diterapkan untuk menentukan nilai awal
(proses inisialisasi) pada metode Holt-Winters berpengaruh terhadap prediksi berikutnya juga bergantung pada panjang deret waktu dan nilai dari ketiga
parameternya. Pendekatan tersebut tersebut antara lain sebagai berikut:
1. Nilai inisial S dapat disamakan dengan nilai aktualnya
(
X
L)
atau berupaL
2. Sedangkan untuk menginisialisasi faktor trend digunakan:
3. Inisialisasi untuk faktor musiman, pada satu siklus musim pertama dilakukan
dengan membagi setiap data nilai aktual
(
X
L)
dengan rata-rata pada siklus itu.L
Karena metode Holt-Winters memodelkan data yang memiliki pola musiman, maka data yang diperlukan akan lebih banyak daripada jumlah data untuk metode
dengan pola data stationer. Agar ukuran musiman memadai, data yang digunakan
paling sedikit memiliki dua musim dari data bulanan, sehingga metode ini dapat
diterapkan dan mendapat hasil optimum (Makridakis, 1999)..
2.7 Unified Modeling Language (UML)
Unified Modeling Language (UML) adalah suatu bahasa yang digunakan untuk menentukan, memvisualisasikan, membangun, dan mendokumentasikan suatu sistem
piranti lunak dan pengembangan sistem (Rama, 2008). Unified Modeling Language (UML) bukanlah merupakan bahasa pemprograman tetapi model-model yang tercipta berhubungan langsung dengan berbagai macam bahasa pemprograman. Dengan
menggunakan UML, pemodelan sistem prediksi menjadi lebih terstruktur sebelum
diimplementasikan ke bahasa pemrograman tertentu.
1. Memberikan bahasa pemodelan yang siap pakai dan ekspresif untuk
mengembangkan dan saling menukar model dengan mudah dan dimengerti
secara umum.
2. Menyediakan bahasa pemodelan yang bebas dari berbagai bahasa
pemrograman dan proses rekayasa.
3. Menyediakan basis formal untuk pemahaman bahasa pemodelan.
4. Mendukung konsep-konsep pengembangan level lebih tinggi seperti
komponen, kolaborasi, framework dan pattern.
UML terdiri dari bermacam-macam diagram yg digunakan untuk permodelan
pada saat pengembangan sistem mulai dari tahap analisi sampai implementasi. Pada
saat melakukan desain sistem, tidak harus semua diagram pada UML
diimplementasikan. Diagram dalam UML dikelompokan menjadi 2, yaitu :
1. Diagram Struktur /Statis diagram
Diagram struktur atau statis diagram memvisualisasi, menspesifikasikan,
membangun dan mendokumentasikan aspek statik dari sistem (Darwiyanti, 2003).
Diagram struktur di UML terdiri dari :
a. Diagram kelas (Class diagram)
b. Diagram objek (Object diagram)
c. Diagram komponen (Component diagram)
d. Diagram deployment (Deployment diagram)
Diagram perilaku sistem atau behavior diagram memvisualisasi, menspesifikasi,
membangun dan mendokumentasikan aspek dinamis dari sistem (Darwiyanti, 2003).
Diagram perilaku di UML terdiri dari :
a. Diagram use-case (Use case diagram)
b. Diagram sekuen (Sequence diagram)
c. Diagram kolaborasi (Collaboration diagram)
d. Diagram statechart (Statechart diagram)
e. Diagram aktivitas (Activity Diagram)
2.7.1 Diagram Use Case
Use case mendeskripsikan interaksi antara para pengguna sistem dengan sistem itu sendiri, dengan memberi sebuah narasi tentang bagaimana sistem tersebut digunakan.
(Fowler, 2005). Diagram use case menjelaskan manfaat sistem jika dilihat menurut pandangan orang yang berada diluar sistem (aktor) dan menunjukan fungsionalitas
suatu sistem atau kelas dan bagaimanan sistem berinteraksi dengan dunia luar.
2.7.2 Use Case Spesification
Use Case Spesification atau spesifikasi use case merupakan penjabaran alur kinerja atau langkah-langkah setiap use case melalui skenario. Spesifikasi use case dapat dibuat setelah use case diagram selesai dibuat dan sudah diketahui fungsionalitas masing-masing use case.
Dalam use case spesifikasi terdapat beberapa elemen, seperti (Darwiyanti, 2003):
1. Aktor : Aktor menyatakan jenis peran yang dimainkan oleh entitas yang
berinteraksi dengan subjek (misalnya bertukar sinyal dan data). Aktor dapat
mewakili peran yang dimainkan oleh pengguna manusia, perangkat keras
2. Brief Description : Merupakan deskripsi singkat dari use case. Menunjukkan tujuan dari use case tersebut.
3. Flow of Events : Menunjuk pada alur tentang jalannya sebuah use case. Flow of events haruslah menjelaskan tentang apa yang sistem lakukan.
4. Alternative Flow : Merupakan alur alternatif dari jalannya use case. Alternatif flow disebut sebagai alur lain yang dipakai untuk mencapai tujuan dari use case tersebut, selain dari alur biasa.
5. Special Requirement : Merupakan kondisi khusus agar use case dapat dijalankan.
6. Pre-Conditions : Menunjuk pada keadaan sebuah sistem dan komponennya yang dibutuhkan sebelum use case dapat dijalankan.
7. Post Conditions : Adalah kondisi dari sebuah sistem setelah sebuah use case berakhir.
8. Extension Points : Penambahan-penambahan yang mungkin diperlukan untuk sebuah use case.
2.7.3 Activity Diagram
Activity diagram atau diagram aktivitas adalah sebuah model alur kerja (work flow)
atau urutan aktivitas pada suatu proses. Diagram aktivitas memperlihatkan aliran dari
suatu aktifitas ke aktifitas lainnya dalam suatu sistem (Darwiyanti, 2003). Diagram ini
terutama penting dalam pemodelan fungsi-fungsi dalam suatu sistem dan memberi
tekanan pada aliran kendali antar objek.
Diagram aktivitas sangat berguna ketika ingin menggambarkan perilaku
paralel atau menjelaskan bagaimana perilaku dalam berbagai use case berinteraksi. Adapun symbol-simbol yang digunakan dalam sebuah diagram aktivitas terlihat pada
Gambar 2.5 Simbol Diagram Aktivitas
2.8Teknik Prediksi Terdahulu
Suatu data runtun waktu yang bersifat musiman, didefinisikan sebagai suatu data
runtun waktu yang memiliki pola perubahan berulang secara tahunan. Dalam teknik
prediksi musiman biasanya memperkirakan indeks musiman dari data tersebut. Indeks
musiman ini nantinya digunakan untuk menghilangkan pengaruh seperti itu dari
nilai-nilai yang di observasi. Ada beberapa teknik yang biasa digunakan untuk prediksi
musiman ini.
Ernawati (2007) menggunakan teknik Dekomposisi dalam memprediksi
penjualan minuman botol. Adapun langkah-langkah metode Dekomposisi yang
dilakukan oleh Ernawati adalah:
1. Menghitung faktor musiman awal dengan melakukan penyesuaian musiman
2. Menghitung penyesuaian musiman akhir dengan rata-rata bergerak dari
Spencer untuk menghilangkan setiap pengaruh musiman dan unsur acak yang
tidak terdeteksi sebelumnya.
3. Melakukan pengujian deret data untuk menentukan keberhasilan proses
dekomposisi yang telah dilakukan. Dalam hal ini dilakukan uji perubahan
persentasi dari komponen acak dan trend-siklus.
4. Menghitung Bulan Dominasi Siklus (MCD) yang digunakan untuk mengetahui
berapa lama komponen acak mendominasi komponen trend siklus atau sebaliknya.
5. Menghitung taksiran trend-siklus dengan menghitung rata-rata bergerak dari
data akhir yang telah disesuaikan menurut musim. Dalam hal ini digunakan
rata-rata bergerak tiga bulanan.
6. Membuat prediksi untuk jumlah penjualan minuman botol dua tahun kedepan.
Pada tahun 2007, Hermanto menggunakan metode Sarima dalam memprediksi
tingkat penjualan motor berdasarkan pola data seasonality. Metode Sarima atau Seasonal Autoregressive Integrated Moving Average yang dipakai Hermanto (2007) memiliki langkah-langkah sebagai berikut:
1. Tahap Identifikasi
Mengenali adanya fakor musiman dalam data yang digunakan.
2. Tahap estimasi
Setelah menetapkan model sementara, selanjutnya digunakan estimasi
maksimum likelihood atau metode kuadrat terkecil untuk mendapatkan parameter dari model.
3. Tahap pengecekan dignostik
Sebelum menggunakan model untuk prediksi, perlu adanya pengecekan
residual dari model yang dipilih tidak dapat dipergunakan untuk memperbaiki
nilai prediksi.
Prediksi dengan data musiman lainnya yang pernah diteliti adalah
menggunakan metode regresi time series dalam memprediksi penjualan produk
pakaian (Rochmah, 2010). Langkah-langkah dalam memprediksi barang musiman
dengan menggunakan metode regresi time series yang digunakan Rochmah adalah
sebagai berikut:
1. Data dibagi menjadi dua, yaitu data insample dan data outsample.
2. Identifikasi model untuk mengetahui apakah volume penjualan dipengaruhi
oleh pola tren atau musiman atau keduanya.
3. Melakukan pemodelan dengan metode regresi
4. Penaksiran model pengujian parameter.
5. Melakukan prediksi.
Dari beberapa penelitian terdahulu yang telah disebutkan di atas memiliki
kelemahan dan error dalam melakukan prediksi. Adapun kelemahan dan error pada teknik di atas dirangkum pada Tabel 2.1.
Tabel 2.1 Penelitian Terdahulu untuk Prediksi Musiman
No. Peneliti Teknik Yang
Digunakan
Kelemahan Error
1. Ernawati Dekomposisi Trend digambarkan sebagai
pencocokan data terhadap
suatu garis lurus.
Pencocokan data terhadap
garis lurus menyebabkan
terjadi bias saat pemulusan
mendekati akhir data deret
waktu.
Tabel 2.1 Penelitian Terdahulu untuk Prediksi Musiman (Lanjutan)
No. Peneliti Teknik Yang Digunakan
Kelemahan Error
2. Hermanto Sarima Adanya ketidakmampuan
dalam menghasilkan prediksi
jangka panjang yang handal
MSE = 84,726
3. Rochmah Regresi Time Series
Tidak mampu menunjukkan titik jenuh fungsi yang sedang diselidiki. Akibatnya selalu timbul kemungkinan kesalahan prediksi (ektraspolasi).
Untuk penelitian yang menggunakan metode Holt-Winters terdapat beberapa studi kasus untuk prediksi data musiman. Beberapa dari penelitian tersebut seperti
dalam Tabel 2.2.
Tabel 2.2 Penelitian Terdahulu dengan Holt-Winters
No
.
Penulis Tahun Judul Dipublikas
Tabel 2.2 Penelitian Terdahulu dengan Holt-Winters (Lanjutan)
No .
Penulis Tahun Judul Dipublikasi Kesimpulan
3. Nurmaida, Ai
2012 Penerapan Metode Exponential Smoothing Holt-Winters dalam Sistem
Peramalan Curah Hujan
Universitas Pendidikan Indonesia
Metode ini memiliki tingkat keakuratan yang cukup baik digunakan untuk peramalan curah hujan yang mengandung unsur-unsur data pemulusan, trend dan musiman.
Berdasarkan penelitian sebelumnya penulis akan melakukan penelitian
mengenai prediksi permintaan barang musiman dengan objek penelitian data musiman
yaitu seragam sekolah dasar (SD) dengan metode Holt-Winters, dimana Holt-Winters merupakan metode yang dapat menangani faktor musiman dan trend yang muncul
secara sekaligus dengan memberikan indeks bobot yang berbeda untuk setiap
parameternya (Kalekar, 2004). Dengan cara ini diharapkan perhitungan untuk setiap
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
Bab ini secara garis besar membahas analisis metode Holt-Winters pada sistem dan
tahap-tahap yang akan dilakukan dalam perancangan sistem yang akan dibangun.
3.1Identifikasi Masalah
Barang musiman atau seasonal adalah barang-barang yang jumlah permintaannya meningkat pada musim-musim tertentu, seperti: busana muslim pada musim lebaran,
alat-alat tulis dan seragam sekolah pada musim tahun ajaran baru dan lainnya
(Susanty, 2012).
Melonjaknya permintaan akan barang-barang musiman tersebut tentu akan
memberikan keuntungan besar bagi para pelaku usaha. Namun para pelaku usaha
barang musiman ini sering menghadapi kendala dalam memenuhi permintaan barang
saat periode musimnya dimulai. Masalah yang paling sering terjadi adalah kekurangan
stok barang. Jika pada musim-musim tertentu dimana permintaan barang sedang
sangat tinggi namun pelaku usaha hanya memiliki stok yang sedikit, tentu permintaan
tidak dapat dipenuhi sehingga menyebabkan penurunan jumlah penjualan. Untuk
menghindari ketidakefesienan ini, para pelaku usaha memerlukan sebuah metode
perencanaan dalam penyediaan jumlah barang demi mencapai jumlah penjualan yang
maksimal dan mencapai target. Salah satu metode perencanaan yang umum digunakan
adalah prediksi permintaan yang akan datang. Metode prediksi dapat membantu
3.2Pemakaian Data
Data penjualan seragam sekolah dasar yang digunakan dalam penelitian ini adalah
data penjualan seragam sekolah dasar pada sebuah perusahaan jasa konveksi dari
bulan Januari 2010 s.d Desember 2013. Data dikelompokkan per bulan agar dapat
lebih mudah melihat pola musimannya. Seluruh data yang digunakan dalam penelitian
ini berjumlah 48 yang terbagi dalam tiga ukuran seragam sekolah yaitu ukuran
S(Small), M(Medium) dan L(Large) dapat dilihat pada Tabel 3.1.
Table 3.1 Data Penjualan Seragam Sekolah Dasar dalam Tiap Ukuran
Tahun Bulan Periode Jumlah Penjualan Seragam Tiap Ukuran
Table 3.1 Data Penjualan Seragam Sekolah Dasar Tiap Ukuran (Lanjutan)
Tahun Bulan Periode Jumlah Penjualan Seragam Tiap Ukuran
S M L
Dalam bentuk chart, data penjualan seragam sekolah di atas dapat dilihat pada
Gambar 3.1.
Gambar 3.1 Pola Musiman Penjualan Seragam Sekolah Dasar 2010-2013
0
Gambar 3.1 menunjukkan pola data yang terjadi pada data penjualan seragam
sekolah dasar pada sebuah usaha konveksi seragam dari bulan Januari 2010 sampai
dengan bulan Desember 2013. Pada grafik, garis berwarna biru menunjukkan
penjualan seragam sekolah dasar ukuran S. Garis berwarna merah menunjuk kepada
penjualan seragam sekolah dasar ukuran M, dan garis berwarna hijau menunjukkan
penjualan seragam ukuran L. Dapat dilihat bahwa data dipengaruhi oleh perilaku
musiman dengan pola kenaikan dan penurunan yang berulang setiap tahunnya.
Lonjakan kenaikan paling tinggi terjadi pada bulan Juli setiap tahun, dimana bulan
Juli merupakan musim tahun ajaran baru dimulai, sehingga kebutuhan akan seragam
sekolah akan meningkat tajam. Dari hal tersebut dapat disimpulkan bahwa penjualan
seragam sekolah dasar dipengaruhi oleh faktor musiman.
3.3Analisis Sistem
Proses prediksi permintaan barang musiman menggunakan metode Holt-Winters ini
dapat dilakukan apabila terdapat sekumpulan data time series tertentu selama beberapa periode, konstanta-konstanta prediksi dan panjang musiman untuk menghasilkan suatu
nilai prediksi untuk periode berikutnya.
Sistem prediksi permintaan barang musiman menggunakan metode Holt-Winters ini merupakan suatu sistem yang akan memberikan hasil prediksi jumlah permintaan barang berdasarkan data runtun waktu di masa lalu. Sistem akan menerima
masukan berupa data penjualan barang musiman perbulan. Kemudian data tersebut
Mulai
Gambar 3.2 Algoritma Holt-Winters Pada Sistem
Adapun cara kerja sistem prediksi permintaan barang musiman yang akan
dibangun, dirancang untuk beroperasi sebagai berikut:
2. Sistem akan memastikan data yang akan diprediksi lebih besar atau sama
dengan 24 periode atau data untuk dua tahun penjualan. Jika data yang
dimasukkan tidak memenuhi syarat, maka sistem akan kembali ke langkah (1).
3. Dengan menggunakan data penjualan yang sudah dipilih, inisialisasi nilai
stationer (SL), trend (TL) dan musiman (IL) awal.
4. Nilai stationer awal (SL) dapat ditentukan dengan dua cara yaitu, dengan
menyamakan dengan nilai aktualnya atau dengan mencari rata-rata dari
beberapa nilai pada periode musim yang sama dengan menggunakan
persamaan (2.15)
5. Nilai trend awal TL dicari dengan menggunakan persamaan (2.16).
6. Untuk nilai inisial musim (IL), pada satu periode musim pertama dilakukan
dengan membagi setiap data pengamatan (X) dengan rata-rata pengamatan
pada periode musim tersebut menggunakan persamaan (2.17)
7. Menentukan nilai alpha (α), beta ( ), dan gamma ( ) dimana masing-masing
range berada antara 0 – 1.
8. Menghitung nilai stationer untuk t (periode) berikutnya dengan rumus pada persamaan (2.11).
9. Setelah mendapatkan nilai stationer (St), maka hitung nilai trend untuk t (periode) yang samadengan rumus pada persamaan (2.12).
10.Menghitung nilai musiman untuk masing I pada t (periode) yang samadengan rumus pada persamaan (2.13).
11.Setelah mendapatkan nilai dari ketiga persamaan tersebut, hitung nilai prediksi
12.Ulangi langkah (8), (9), (10), dan (11) hingga diperoleh nilai untuk stationer,
trend, musiman dan prediksi keseluruhan periode yaitu untuk hingga t (periode) terakhir.
13.Menghitung nilai kesalahan prediksi dengan MAPE, dan MAE menggunakan
persamaan (2.1) dan (2.3).
14.Sistem akan menyimpan nilai dari hasil kesalahan prediksi kemudian
mengulangi proses kembali ke langkah (7) untuk mencari nilai kombinasi
alpha (α), beta ( ), dan gamma ( ) lainnya, kemudian membandingkan nilai hasil kesalahan prediksinya hingga mendapatkan nilai kesalahan yang terkecil.
15.Setelah mendapatkan nilai kombinasi alpha (α), beta ( ), dan gamma ( ) yang
menghasilkan nilai kesalahan terkecil, tentukan panjang periode prediksi p. Dengan kembali menggunakan persamaan (2.11), set nilai m = 1, untuk mencari nilai prediksi 1 periode berikut atau 1 bulan berikutnya. Misalkan
untuk 1 tahun kedepan atau sama dengan 12 periode kedepan maka set nilai m dengan m = 1, m = 2 , dan m = 3 dan seterusnya hingga m = 12. Gunakan nilai stationer, trend dan musiman terakhir untuk melakukan prediksi ini.
16.Tampilkan nilai-nilai prediksi untuk periode yang dicari.
3.4Perancangan Sistem
Pada tahap perancangan sistem akan dilakukan perancangan bagaimana data
penjualan seragam sekolah diproses di dalam sistem dan dilakukan juga perancangan
tentang antarmuka sistem yang akan dibangun.
3.4.1 Use case diagram
dengan memberi sebuah narasi tentang bagaimana sistem tersebut digunakan. (Fowler,
2005).
Use case yang sederhana hanya melibatkan satu interaksi/hubungan dengan
seorang aktor, sementara use case yang lebih kompleks melibatkan lebih dari satu aktor. Untuk menjabarkan use case dalam sistem, sangat baik bila dimulai dengan memperhatikan aktor dan actions/aksi yang mereka lakukan dalam sistem. Gambar 3.3
menggambarkan use case diagram dari sistem yang akan dibuat.
Gambar 3.3 Use case Diagram Sistem
3.4.2Use case spesifikasi
Use case spesifikasi merupakan deskripsi yang mencatat mengenai detil pemrosesan dari suatu use case.
Use case spesifikasi untuk sistem yang akan dibangun dapat dilihat pada Tabel
3.2, Tabel 3.3, Tabel 3.4, Tabel 3.5 dan Tabel 3.6. Tabel use case spesifikasi untuk skenario Pengguna dari sistem prediksi permintaan barang musiman yang dibangun
Tabel 3.2 Use case Specification untuk Use case Pengguna
Tipe Use case Penjelasan
Nama use case Pengguna
Aktor User
Deskripsi Use case ini digunakan oleh user untuk mengatur data pengguna.
Pre condition User harus memiliki username dan password untuk masuk ke sistem.
Characteristic of activation Eksekusi dapat dilakukan oleh User. Basic flow 1. User mengklik menu data pengguna.
2. Sistem menampilkan data pengguna.
3. User dapat mencari, menambah, mengedit, dan menghapus data pengguna. [H-1: Pengguna tidak ada di database]
4. Jika pengguna ada di database, maka akan muncul tampilan data pengguna.
5. Use case ini berakhir ketika sistem telah selesai menampilkan semua data pengguna.
Alternative flow H-1: Data Pengguna tidak ada di database
Sistem akan memberikan pesan bahwa data pengguna tidak tersedia di database.
Post condition Pada use case ini user dapat melakukan pencarian, menambah, mengedit, dan menghapus data pengguna.
Limitations -
Scenariouse case Data Penjualan dapat dilihat pada Tabel 3.3.
Tabel 3.3 Use case Specification untuk Use case Data Penjualan
Tipe Use case Penjelasan
Nama use case Data Penjualan
Aktor User
Deskripsi Use case ini digunakan oleh user untuk melihat data penjualan seragam.
Pre condition User harus memiliki username dan password untuk masuk ke sistem.
Characteristic of activation Eksekusi dilakukan oleh User.
Basic flow 1. User mengklik menu data penjualan.
Tabel 3.3 Use case Specification untuk Use case Data Penjualan(Lanjutan)
3. User dapat memilih data penjualan untuk ditampilkan berdasarkan periode dan ukuran. 4. Sistem menampilkan data penjualan dan grafik
berdasarkan pilihan User.
Alternative flow H-1: Data penjualan tidak ada di database
Sistem akan memberikan pesan bahwa data penjualan tidak tersedia di database.
Post condition Pada use case ini user dapat melakukan pencarian, menambah, mengedit, dan menghapus data penjualan.
Limitations -
Scenariouse case Input Penjualan dapat dilihat pada Tabel 3.4.
Tabel 3.4 Use case Specification untuk Use case Input Penjualan
Tipe Use case Penjelasan
Nama use case Input Penjualan
Aktor User
Deskripsi Use case ini digunakan oleh user untuk menginput data penjualan.
Pre condition User harus memiliki username dan password untuk masuk ke sistem.
Characteristic of activation Eksekusi dapat dilakukan oleh User. Basic flow User mengklik menu Form Penjualan.
Sistem menampilkan Form penjualan.
User dapat menambah, mengedit, dan menghapus data penjualan dan melihat total data penjualan. Use case ini berakhir ketika sistem telah selesai menampilkan semua data penjualan.
Alternative flow -
Post condition Pada use case ini user dapat melihat semua data penjualan sesuai periode yang dimasukkan user.
Scenariouse case Prediksi dapat dilihat pada Tabel 3.5.
Tabel 3.5 Use case Specification untuk Use case Prediksi
Tipe Use case Penjelasan
Nama use case Prediksi
Aktor User
Deskripsi Use case ini digunakan oleh user untuk melihat prediksi penjualan barang musiman yaitu seragam sekolah.
Pre condition User harus memiliki username dan password untuk masuk ke sistem
Characteristic of activation Eksekusi dapat dilakukan oleh User
Basic flow
1. User mengklik menu prediksi.
2. Sistem menampilkan halaman prediksi penjualan.
3. User memilih ingin mengambil data dari database atau dari file dokumen lain.
4. Lalu user memilih ingin melihat prediksi pada periode keberapa juga ukurannya.
5. User memilih bulan dan tahun yang ingin diprediksi.
6. User memilih ingin melakukan prediksi dengan metode Holt-Winters multiplikatif atau additif. 7. Sistem menampilkan hasil prediksi penjualan
seragam sekolah dasar.
8. User dapat memilih untuk menyimpan hasil proses prediksi atau tidak.
9. Use case ini berakhir ketika sistem telah selesai menampilkan hasil prediksi penjualan seragam sekolah dasar juga grafik dan persentase kesalahan prediksi.
Alternative flow User dapat memilih melakukan prediksi dengan menggunakan data dari luar database.
Scenariouse caseHistory dapat dilihat pada Tabel 3.6.
Tabel 3.6 Use case Specification untuk Use caseHistory
Tipe Use case Penjelasan
Nama use case History
Aktor User
Deskripsi Use case ini digunakan oleh user untuk melihat data hasil dari proses prediksi yang sudah pernah dilakukan sebelumnya.
Pre condition User harus memiliki username dan password untuk masuk ke sistem
Characteristic of activation Eksekusi dapat dilakukan oleh User Basic flow 1. User mengklik menu history.
2. Sistem menampilkan seluruh data hasil proses prediksi yang sudah pernah dilakukan sebelumnya.
3. User memilih memilih salah satu dari data yang ditampilkan untuk melihat detailnya.
4. Sistem akan menampilkan seluruh detail dari data hasil prediksi yang dipilih beserta dengan grafik dan persentase kesalahannya.
5. Use case ini berakhir ketika sistem telah selesai menampilkan hasil proses prediksi yang sudah pernah dilakukan juga grafik dan persentase kesalahan prediksi.
Alternative flow -
Post condition Pada use case ini user dapat melihat seluruh hasil dari proses prediksi yang sudah pernah dilakukan sebelumnya.
3.4.3Diagram Aktivitas
Pilih Data Pengguna
Gambar 3.4 Diagram Aktivitas untuk Pengaturan Data Pengguna
Pada Gambar 3.4 user dapat melakukan pengaturan data pengguna, yang dilakukan dengan memilih menu data pengguna.Sistem akan menampilkan semua data
pengguna yang ada di database. User dapat menambah, mengubah, dan menghapus data. Kemudian sistem akan memproses aktivitas dipilih.
Pada Gambar 3.5 jika pengguna ingin melihat data penjualan, dapat dilakukan
dengan memilih menu data penjualan. Sistem akan menampilkan data penjualan yang
ada di database. Untuk mencari data tertentu, pengguna dapat melakukan pencarian dengan mengisikan form pencarian. Sistem akan mencari data penjualan sesuai
dengan yang diinginkan.
