TA : Aplikasi Sistem Peramalan Penjualan Dengan Metode ARIMA Box-Jenkins (Studi Kasus PT. Tera Data Indonusa).

(1)

(STUDI KASUS PT. TERA DATA INDONUSA)

Oleh:

Nama : Masyatin Rais NIM : 06.41010.0295 Program : S1 (Strata Satu) Jurusan : Sistem Informasi

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2012

STIKOM

(2)

APLIKASI SISTEM PERAMALAN PENJUALAN DENGAN METODE ARIMA BOX-JENKINS (STUDI KASUS PT. TERA DATA INDONUSA)

SKRIPSI

Diajukan sebagai salah satu syarat menyelesaikan Program Sarjana Komputer

Oleh:

Nama : Masyatin Rais NIM : 06.41010.0295 Program : S1 (Strata Satu) Jurusan : Sistem Informasi

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2012

STIKOM

(3)

ix

ABSTRAK ... vi

KATA PENGANTAR ... vii

DAFTAR ISI ... ix

DAFTAR TABEL... xii

DAFTAR GAMBAR ... xv

DAFTAR LAMPIRAN ... xviii

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 2

1.3 Pembatasan Masalah ... 2

1.4 Tujuan ... 3

1.5 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI ... 5

2.1 Sistem ... 5

2.2 Penjualan ... 6

2.3 Klasifikasi ABC... 6

2.4 Persediaan ... 7

2.5 Prediksi Penjualan ... 10

2.6 Teknik Peramalan ... 11

2.6.1 Jenis-Jenis Peramalan ... 12

2.7 Time Series ... 13

2.8 Stasioneritas dan Non-Stasioneritas ... 16

STIKOM

(4)

x

Halaman

2.8.1 Kestasioneran Varian ... 18

2.8.2 Kestasioneran Mean ... 19

2.9 Autocorrelation Function dan Partial Autocorrelation Function ... 21

2.10 Metode ARIMA Box-Jenkins... 23

2.11 Estimasi Parameter ... 24

2.12 Pengujian Residual ... 25

2.13 Ukuran Ketetapan Model Peramalan ... 25

BAB III ANALISIS DAN PERANCANGAN SISTEM ... 28

3.1 Analisis Sistem ... 28

3.1.1 Identifikasi Masalah ... 28

3.1.2 Analisis Kebutuhan Sistem ... 29

3.2 Perancangan Sistem ... 43

3.2.1 System Flow ... 45

3.2.2 Context Diagram ... 48

3.2.3 Diagram Jenjang Proses ... 49

3.2.4 Data Flow Diagram (DFD) ... 49

3.2.5 Entity Relationship Diagram (ERD) ... 52

3.2.6 Struktur Database ... 53

3.2.7 Desain Input Output ... 58

3.3 Desain Uji Coba Sistem ... 70

BAB IV IMPLEMENTASI DAN EVALUASI... 80

4.1 Implementasi ... 80

STIKOM

(5)

xi

4.1.2 Penjelasan Hasil Implementasi ... 81

BAB V PENUTUP ... 112

5.1 Kesimpulan ... 112

5.2 Saran ... 113

DAFTAR PUSTAKA ... 114

LAMPIRAN ... 115

STIKOM

(6)

vi

ABSTRAK

PT. Tera Data Indonusa merupakan perusahaan swasta yang bergerak di bidang distribusi laptop merk AXIOO. Manajer dituntut harus mampu menganalisa lingkungan yang terus berubah-ubah dan memprediksi berbagai kemungkinan yang akan terjadi di masa depan. Pesatnya perkembangan distributor laptop saat ini menimbulkan persaingan antar distributor, sehingga distributor berusaha untuk menarik sebanyak-banyaknya pelanggan, dengan cara memberikan pelayanan terbaik seperti tersedianya persediaan yang cukup dalam setiap bulannya. Salah satu yang bisa dilakukan adalah dengan mempelajari nilai penjualan yang ada pada masa lalu untuk meramalkan penjualan di masa yang akan datang, sehingga dapat diketahui jumlah barang yang harus disediakan.

Untuk membantu manajemen perusahaan, diperlukan suatu sistem terkomputerisasi dalam melakukan peramalan nilai penjualan untuk mengelola jumlah persediaan yang harus ada dengan lebih cepat dan tepat. Data yang digunakan untuk peramalan adalah nilai penjualan dari produk terseleksi. Proses peramalan menggunakan metode ARIMA Box-Jenkins. Setelah hasil peramalan tersebut diketahui maka dapat ditentukan jumlah produk yang harus disediakan dengan menggunakan teknik Periodic Review System.

Kata kunci: Persediaan, Peramalan Penjualan, ARIMA Box-Jenkins, Periodic Review System.

STIKOM

(7)

1

PENDAHULUAN

1.1 Latar Belakang Masalah

PT. Tera Data Indonusa merupakan perusahaan swasta yang bergerak di bidang distribusi laptop merk AXIOO untuk wilayah Indonesia Timur dan didirikan pada tahun 1990. Dalam pengambilan keputusan, seorang manajer pemasaran dituntut harus dapat menganalisa lingkungan yang terus berubah-ubah dan memprediksi berbagai kemungkinan di masa yang akan datang. Proses pengambilan keputusan tersebut sering mengalami kesulitan terutama dalam meramalkan penjualan pada masa yang akan datang, karena belum adanya sistem yang dapat menangani hal ini sehingga memerlukan banyak waktu untuk mempelajari dokumen-dokumen yang ada secara manual.

Berdasarkan dari permasalahan di atas maka sangat penting untuk merancang dan membangun suatu sistem peramalan penjualan. Sistem ini dimaksudkan untuk mengendalikan jumlah stok barang yang ada, dengan demikian dapat dihindari kekurangan/kehabisan barang. Dengan begitu permintaan konsumen dapat terpenuhi sesuai dengan waktu yang telah dijadwalkan.

Metode yang digunakan dalam proses peramalan ini adalah metode Arima Box-Jenkins. Kelebihan dari metode ini adalah dapat menerima semua jenis model data, tetapi dalam prosesnya data harus distasionerkan terlebih dahulu. Langkah awal dalam proses peramalan ini adalah pemilahan data penjualan per periode bulanan dengan menggunakan metode klasifikasi ABC. Data yang

STIKOM

(8)

2

diseleksi adalah produk-produk manakah yang memberikan keuntungan terbesar bagi perusahaan. Dari produk-produk terseleksi inilah akan dibuat peramalan penjualan dengan menggunakan metode ARIMA Box-Jenkins. Setelah hasil peramalan tersebut diketahui, maka dapat ditentukan jumlah barang yang harus diproduksi dengan menggunakan metode PRS (Periodic Review System).

1.2 Perumusan Masalah

Berdasarkan uraian latar belakang masalah tersebut, maka perumusan masalahnya adalah sebagai berikut:

1. Bagaimana merancang dan membangun suatu sistem peramalan penjualan pada PT. Tera Data Indonusa.

2. Bagaimana menerapkan metode Arima Box-Jenkins untuk melakukan proses peramalan penjualan.

3. Bagaimana menentukan jumlah produk yang harus disediakan dengan metode PRS.

1.3 Pembatasan Masalah

Dalam sistem ini, agar tidak menyimpang dari tujuan yang akan dicapai maka pembahasan masalah dibatasi pada hal-hal sebagai berikut:

1. Sistem peramalan ini hanya berlaku pada PT. Tera Data Indonusa.

2. Data aktual yang dipakai untuk meramalkan penjualan adalah mulai periode Januari 2006 sampai Desember 2008.

3. Aplikasi yang dibangun berbasis aplikasi desktop.

4. Data yang digunakan adalah data penjualan bulanan dan harga per produk. 5. Model peramalan yang digunakan adalah model ARIMA Box-Jenkins.

STIKOM

(9)

1.4 Tujuan

Sesuai dengan permasalahan yang ada maka tujuan dari dibuatnya sistem ini adalah:

1. Merancang dan membangun suatu sistem peramalan penjualan pada PT. Tera Data Indonusa agar diketahui jumlah produk yang harus disediakan. 2. Menerapkan metode ARIMA Box-Jenkins untuk melakukan proses

peramalan penjualan agar dapat memprediksi jumlah produk yang harus diproduksi pada periode berikutnya.

3. Menentukan jumlah produk yang harus disediakan dengan metode PRS.

1.5 Sistematika Penulisan

Sistematika penulisan yang digunakan dalam penyusunan laporan Tugas Akhir ini dibedakan dengan pembagian bab-bab dengan rincian sebagai berikut: BAB I : PENDAHULUAN

Dalam bab ini dijelaskan tentang latar belakang, rumusan masalah, pembatasan masalah, tujuan serta sistematika penulisan dari tugas akhir ini.

BAB II : LANDASAN TEORI

Dalam bab ini dijelaskan tentang teori-teori yang digunakan antara lain : sistem informasi geografis dan alur pelayanan pasang baru serta rubah daya pelanggan.

BAB III : ANALISIS DAN PERANCANGAN SISTEM

Dalam bab ini dijelaskan tentang tahap-tahap yang dikerjakan dalam penyelesaian sistem terdiri dari identifikasi masalah dan

STIKOM

(10)

4

tujuan, analisa sistem, pengumpulan data, desain ERD, struktur basis data, desain DFD dan desain antarmuka.

BAB IV : IMPLEMENTASI DAN EVALUASI SISTEM

Dalam bab ini dijelaskan tahapan implementasi dan evaluasi dari sistem yang dibuat.

BAB V : PENUTUP

Dalam bab ini dijelaskan tentang penutup yang berisi kesimpulan setelah program aplikasi selesai dibuat dan saran untuk proses pengembangan berikutnya.

STIKOM

(11)

5 2.1 Sistem

Definisi sistem dapat dibagi menjadi dua pendekatan, yaitu pendekatan secara prosedur dan pendekatan secara komponen. Berdasarkan pendekatan prosedur, sistem didefinisikan sebagai kumpulan dari beberapa prosedur yang mempunyai tujuan tertentu. Sedangkan berdasarlan pendekatan komponen. Sistem merupakan kumpulan dari komponen-komponen yang salling berkaitan untuk mencapai tujuan tertentu (Herlambang dan Tanuwijaya, 2005).

Dalam perkembangan sistem yang ada, sistem dibedakan menjadi dua jenis, yaitu sistem terbuka dan sistem tertutup. Sistem terbuka merupakan sistem yang dihubungkan dengan arus sumber daya luar dan tidak mempunyai elemen pengendali. Sistem tertutup tidak mempunyai elemen pengontrol dan dihubungkan pada lingkungan sekitarnya (Herlambang dan Tanuwijaya, 2005).

Terdapat dua kelompok pendekatan didalam mendefinikasn sistem yaitu yang meekankan pada prisedurnya dan yang menekankan pada komponen atau elemennya. Pendekatan sestem yang lebih menekankan pada prosedur mendefinisikan sistem sebagai seuatu jaringan kerja dari prosedur-prosedur yang saling nerhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan atau untuk menyelesaikan suatu sasaran yang tertentu. Sedangkan berdasarkan pendekatan sistem yang lebih menekankan pada elemen atau komponennya mendefinisikan sistem sebagai kumpulan dan elemen-elemen yang berinteraksi untuk mencapai suatu tujuan tertentu (Hartono, 2005).

STIKOM

(12)

6

2.2 Penjualan

Dalam suatu perusahaan yang operasinya bergerak dalam bidang bisnis, segi kegiatan penjualan merupakan suatu kegiatan yang akan membawa hasil bagi perusahaan tersebut. Penjualan akan mendapatkan hasil dengan mengatur kreatifitasnya untuk menghasilkan barang dan jasa. Sebagai langkah dan upaya untuk mencapai hasil tersebut, dilakukan dengan jalan memuaskan kebutuhan konsumen dan ikut merasa mempunyai tanggung jawab sosial.

Menurut Sigit (1980:5), penjualan adalah semua kegiatan-kegiatan usaha yang diperlukan untuk mengakibatkan terjadinya perpindahan milik daripada barang dan jasa. Dapat diketahui bahwa penjualan sangat penting bagi perusahaan, karena berfungsi untuk menghubungkan antara barang dan jasa dari produsen ke konsumen.

2.3 Klasifikasi ABC

Klasifikasi ABC umum dipergunakan dalam pengendalian inventory. Klasifikasi ABC mengikuti prinsip 80-20, atau hukum pareto, dimana sekitar 80% nilai inventory direpresentasikan (diwakili) oleh 20% material inventory (Gaspersz, 2004: 273).

Penggunaan klasifikasi ABC adalah untuk menetapkan:

1. Frekuensi perhitungan inventory, dimana material kelas A harus sering diuji dibandingkan dengan material kelas B dan kelas C.

2. Menentukan prioritas ketika mencari material-material tertentu.

3. Aktivitas pembelian harus difokuskan pada penggunaan material kelas A. 4. Keamanan: nilai biaya per unit merupaka indicator yang lebih baik

dibandingkan nilai penggunaan untuk kelas A.

STIKOM

(13)

5. Sistem pengisisan kembali, dimana klasifikasi ABC akan membantu mengidentifikasii metode pengendalian yang digunakan.

6. Keputusan investasi: material-material kelas A menggambarkan investasi lebih besar dalam inventory.

Gambar 2.1 menjelaskan bahwa metode klasifikasi ABC dibagi menjadi 3 kelompok yaitu: A, B, dan C. kelompok A adalah kelompok yang mendapatkan perhatian paling besar dari perusahaan, kemudian diikuti oleh kelompok B dan kelompok C. kelompok C merupakan kelompok yang kurang mendapatkan perhatian dari perusahaan (Gaspersz, 2004: 276).

Gambar 2.1 Diagram Klasifikasi ABC

2.4 Persediaan

Setiap perusahaan, apakah perusahaan itu perusahaan perdagangan ataupun perusahaan pabrik serta perusahaan jasa selalu mengadakan persediaan. Tanpa adanya persediaan, para pengusaha akan dihadapkan pada resiko bahwa perusahaannya pada suatu waktu tidak dapat memenuhi keinginan pelanggan yang memerlukan atau meminta barang/jasa. Persediaan diadakan apabila keuntungan

STIKOM

(14)

8

yang diharapkan dari persediaan tersebut hendaknya lebih besar daripada biaya-biaya yang ditimbulkannya.

Adapun menurut Sofjan Assauri (1993:169) persediaan adalah suatu aktiva yang meliputi barang-barang milik perusahaan dengan maksud untuk dijual dalam suatu periode usaha yang normal.

Jadi persediaan merupakan sejumlah barang yang disediakan untuk memenuhi permintaan dari pelanggan. Dalam perusahaan perdagangan pada dasarnya hanya ada satu golongan inventory (persediaan), yang mempunyai sifat

perputaran yang sama yaitu yang disebut “Merchandise Inventory” (persediaan

barang dagangan). Persediaan ini merupakan persediaan barang yang selalu dalam perputaran, yang selalu dibeli dan dijual, yang tidak mengalami proses lebih lanjut di dalam perusahaan tersebut yang mengakibatkan perubahan bentuk dari barang yang bersangkutan.

Tingkat persediaan merupakan keputusan distribusi fisik utama yang mempengaruhi kepuasan pelanggan. Biaya persediaan meningkat dengan laju yang semakin meningkat jika tingkat pelayanan pelanggan mendekati 100%. Manajemen perlu mengetahui berapa peningkatan penjualan dan laba, supaya dapat menyimpan persediaan yang lebih besar dan menjanjikan pemenuhan pemesanan yang lebih cepat.

Dalam keputusan ini perlu dikathui kapan barang dipesan dan berapa banyak barang yang dipesan. Semakin banyak barang yang dipesan, semakin jarang jarak pemesanan yang dilakukan. Sistem manajemen distribusi inventori dapat diklasifikasikan sebagai sistem tarik atau sistem dorong.

STIKOM

(15)

1. Sistem Tarik

Prinsip dasar dari sistem tarik dalam perencanaan dan pengendalian distribusi inventori adalah bahwa setiap pusat distribusi mengelola inventori yang dimilikinya dengan menggunakan metode pengendalian inventori konvensional. Dengan demikian, produk ditarik dari pabrik melalui jaringan distribusi, dan dipesan melalui pesanan pengisian kembali dari lokasi stok yang secara langsung memasok kebutuhan pelanggan.

2. Sistem Dorong

Sistem dorong mempertimbangkan kebutuhan total yang diproyeksikan dari semua warehouses, inventori yang tersedia pada regional warehouse dan central warehouse, inventori dalam pengangkutan, scheduled receipts dari sumber (pabrik atau pemasok). Dan menentukan kuantitas yang tersedia untuk setiap warehouse.

Pada kasus ini perusahaan mempergunakan sistem tarik, teknik yang digunakan adalah teknik Periodic Review System (PRS). PRS merupakan pemesanan kembali secara periodik dimana interval waktu diantara pesanan-pesanan adalah sama. Pada dasarnya Periodic Review System meninjau ulang (review) tingkat inventori secara periodik dan menempatkan pesanan dari semua item dalam stok pada waktu yang berbeda. Model ini sering diterapkan pada bisnis perdagangan, dimana semua barang dipesan pada sumber yang sama.

Persamaan yang digunakan untuk menentukan besarnya PRS adalah (Gasperz, 2004: 294):

Q = D ( R + LT ) + SS– I……….(2.1)

STIKOM

(16)

10

Keterangan:

Q = Quantity (jumlah pesanan) D = Demand (tingkat permintaan)

R = Review period time (lama periode review) LT = Lead Time (waktu tunggu)

SS = Safety Stock

I = quantity on hand + quantity on oerder

Sebagai contoh perusahaan secara normal menggunakan suatu item sebanyak 3 galon per hari yang dibeli dari pemasok lokal. Periode review ditetapkan 10 hari kerja, waktu tunggu pembelian adalah 3 hari, dan stok pengaman yang ditentukan adalah 4 galon, dan jumlah stok on-hand dan stok on-order adalah 22 galon. Maka kuantitas pesanannya adalah:

Q = 3(10 + 3) + 4–22 Q = 21 galon

Kebutuhan dari barang jadi dihitung setelah peramalan telah dilakukan (Gaspersz, 2004: 294).

2.5 Prediksi Penjualan

Preduksi penjualan adalah salah satu bahan informasi yang penting dan mempunyai hubungan yang erat dengan perencanaan produksi. Karena penjualan merupakan titik permulaan yang berguna untuk perencanaan suatu produksi (Rambe, 2002).

Dengan semakin ketatnya persaingan bisnis dan daya beli konsumen tidak menentu, perusahaan kesulitan dalam mempertahankan kelangsungan hidupnya maupun mencapai tujuannya. Kelangsungan hidup tersebut dapat didukung

STIKOM

(17)

dengan kemampuan perusahaan dalam menjalankan suatu kebijaksanaan. Salah satunya adalah dengan memprakirakan jumlah produksi dan pembelian bahan baku produksi berdasarkan data peramalan yang dihasilkan oleh data-data penjualan periode sebelumnya.

2.6 Teknik Peramalan

Makridakis et al. (1993:4) mendefinisikan peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga-duga faktor lingkungan, lalu memilih tindakan yang diharapkan akan menghasilkan pencapaian sasaran dan tujuan tersebut. Kebutuhan akan peramalan meningkat seiring dengan usaha manajemen untuk mengurangi ketergantungannya atas hal-hal yang belum pasti. Peramalan menjadi lebih ilmiah sifatnya dalam menghadapi lingkungan manajemen. Karena setiap bagian organisasi berkaitan satu sama lain, baik buruknya ramalan dapat mempengaruhi seluruh bagian organisasi.

Suatu sistem peramalan harus mempunyai kaitan diantara ramalan-ramalan yang dibuat pada bidang manajemen yang lain. Jika peramalan ingin berhasil, maka harus diperhatikan adanya saling ketergantungan yang tinggi diantara ramalan berbagai divisi atau departemen. Sebagai contoh, kesalahan dalam proyeksi penjualan dapat menimbulkan reaksi berantai yang mempengaruhi ramalan anggaran, pengeluaran, operasi, arus kas, tingkat persediaan, harga dan seterusnya.

Menurut Martiningtyas (2004:101), apabila dilihat dari sifat ramalan yang disusun, maka peramalan dapat dibedakan atas dua macam, yaitu:

STIKOM

(18)

12

1. Peramalan Kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa yang lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya karena hasil peramalan tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi, judgement, atau pendapat, dan pengetahuan seta pengalaman dari penyusunnya.

2. Peramalan Kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan dalam peramalan tersebut. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang paling kecil. Peramalan kuantitatif hanya dapat digunakan apabila terdapat kondisi sebagai berikut:

a. Tersedianya informasi tentang masa lalu.

b. Adanya informasi yang dapat dikuantifikasikan dalam bentuk data numerik.

c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

2.6.1 Jenis-jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari berbagai segi tergantung dari cara melihatnya. Martiningtyas (2004:101) mengatakan bahwa apabila dilihat dari jangka waktu ramalan yang disusun, maka peramalan dapat dibedakan atas dua macan, yaitu :

1. Peramalan jangka panjang, yaitu peramlan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari sastu tahun.

STIKOM

(19)

Contoh: penyusunan rencana pembangunan suatu Negara, corporate planning, rencana investasi.

2. Peramalan jangka pendek, yaitu peramlan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya kurang dari satu tahun. Contoh: penyusunan rencana produksi, penjualan, persediaan.

2.7. Time Series

Pemodelan data deret waktu merupakan bagian yang cukup penting dalam berbagai bidang riset, diantaranya pada bidang kesehatan, bisnis/ekonomi, komunikasi, metereologi, rekayasa mekanik, pengaturan, dinamika fluida, biologi dan lain sebagainya. Masalah pemodelan deret waktu seringkali dikaitkan dengan proses peramalan (forecasting) suatu nilai karakteristik tertentu pada period eke depan, dan melakukan pengendalian suatu proses atau untuk mengenali pola perilaku system. [Hill et. Al, 1996]

Model analitis telah menyediakan suatu metode peramalan yang sederhana yang mampu menggambarkan pola dan kecenderungan data deret waktu. Namun model tersebut akan mempunyai tingkat kesesuaian yang tinggi apabila perilaku data deret waktu tidak terlalu komplek dan kondisi awal (asumsi-asumsi) terpenuhi dengan baik. Untuk kondisi data deret waktu yang demikian, bias dilakukan pemodelan dengan pemulusan eksponensial, trend dengan kuadrat sisa terkecil, model ARIMA dan lain sebagainya. [Makridakis, 1998]

Analisis time series, khususnya Box-Jenkins, diperlukan konsep dasar yakni konsep dasar yakni konsep dasar tentang stasioner dan tak stasioner, konsep dan cara perhitungan, autokorelasi, autokorelasi parsial. Setelah itu, akan dijelaskan metode Box-Jenkins yang berisi tahapan atau langkah-langkah iteratif

STIKOM

(20)

14

dalam pembentukan model time series dari suatu data. Metode ini digunakan untuk mendapatkan model time series terbaik dari suatu data dengan mempertimbangkan prinsip parsimoni.

Pola data time series dapat dibedakan menjadi empat jenis yaitu : 1. Pola Horizontal (H)

Gambar 2.2 Grafik Pola Horizontal

Pola ini terjadi bila nilai data berfluktuasi disekitar nilai rata-rata konstan yang tidak berubah sepanjang waktu. Pola horizontal dapat disebut sebagai pola stasioner. Teknik peramalan yang tepat adalah model sederhana, metode rata-rata sederhana, rata-rata bergerak, pemulusan eksponensial sederhana, dan metode box-jenkins.

2. Pola Musiman (S)

Gambar 2.3 Grafik Pola Musiman

STIKOM

(21)

Pola ini terjadi bila suatu deret dipengaruhi oleh faktor musiman. Dimana data runtut waktu ini memiliki pola perubahan yang berulang pada periode tertentu (tahunan). Teknik peramalan yang sesuai adalah metode dekomposisi klasik. Cencus II, pemulusan eksponensial dari Winter, regresi berganda runtut waktu, dan metode box-jenkins.

3. Pola Siklus (C)

Gambar 2.4 Grafik Pola Siklus

Pola ini didefenisikan sebagai fluktuasi seperti gelombang disekitar garis trend, cenderung berulang dalam dua, tiga tahun atau lebih. Turun naiknya fluktuasi disekitar trend jarang sekali berulang pada interval waktu yang tetap, dan besarnya fluktuasi selalu berubah. Pola ini terjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Teknik peramalan yang sesuai adalah metode dekomposisi klasik, indicator-indikator ekonomi, model-model ekonometri, regresi berganda, dan metode box-jenkins.

STIKOM

(22)

16

4. Pola Tren (T)

Gambar 2.5 Grafik Pola Trend

Pola ini didefinisikan sebagai suatu series yang mengandung komponen jangka panjang yang menunjukkan kenaikan atau penurunan sekuler jangka panjang dalam data. Teknik peramalan yang sesuai adalah rata-rata bergerak linier, pemulusan eksponensial linier dari Brown, pemulusan eksponensial linier Holt, pemulusan eksponensial kuadrat dari Brown, regresi sederhana, model Gomperiz kurva pertumbuhan dan model-model eksponensial.

2.8. Stasioneritas dan Non Stasioneritas

Dalam analisis time series asumsi yang harus dipenuhi yaitu data harus stasioner baik dalam mean maupun varians. Data dikatakan stasioner jika rata-rata dan variansnya konstan.

1. Stasioneritas

Stasioneritas dalam time series adalah tidak adanya pertumbuhan atau penurunan data, dengan kata lain data tetap konstan sepanjang waktu pengamatan. Menurut Santoso (2009: 38), stasioneriatas adalah keadaan rata-ratanya tidak berubah seiring dengan berubahnya waktu, dengan kata lain, data berada di sekitar nilai rata-rata dan variansi yang konstan.

STIKOM

(23)

Makridakis (1999: 351) menyatakan bahwa bentuk visual dari plot time series sering meyakinkan peramlan bahwa data tersebut stasioner atau nonstasioner, demikian pula plot autokorelasi dapat dengan mudah memperlihatkan ketidakstasioner data. Kebanyakan data dalam time series tidak stasioner, oleh karena itu perlu dilakukan pengujian mengenai stasioneritas pada data time series. Pengujian ini dapat dilakukan dengan mengamati plot time series. Jika plot time series cenderung konstan tidak terdapat pertumbuhan atau penurunan disimpulkan bahwa data sudah stasioner. Selain itu, stasioneritas dapat dilihat dari nilai-nilai autokorelasi pada plot ACF. Nilai-nilai autokorelasi dari data stasioner akan turun sampai nol sesudah time lag kedua atau ketiga.

2. Non Stasioneritas

Nonstasioneritas suatu dalam time series dapat dilihat dari plot time series. Data yang tidak stationer plot time series cenderung memperlihatkan trend searah diagonal. Selain itu, ketidakstasioneran dapat dilihat dari plot ACF yang nilai-nilai autokorelasinya signifikan berbeda dari nol untuk beberapa periode waktu. Nonstasioneritas ada dua macam, yaitu nonstasioneritas dalam mean dan nonstasioneritas dalam varians. Jika suatu data terbukti tidak stasioner dalam mean, maka dilakukan proses differencing atau pembedaan, sedangkan jika data tidak stasioner dalam varians maka dilakukan proses transformasi.

STIKOM

(24)

18

2.8.1 Kestasioneran Varian

Syarat pertama yang harus dipenuhi untuk peramalan ARIMA adalah stasioner dalam varian. Untuk mendeteksi kestasioneran data dalam varian dapat digunakan metode korelasi Spearman. Formulasi yang digunakan adalah sebagai berikut :

(2.2)

Model regresi sederhana yang digunakan adalah sebagai berikut :

∆

=

+

(2.3)

Langkah-langkah yang harus dilakukan adalah sebagai berikut :

1. Melakukan regresi sederhana dan kemudian kita dapatkan residualnya.

2. Mencari nilai absolute residual dan kemudian dirangking dari nilai yang paling besar ataupun dirangking dari nilai yang paling kecil. Lakukan hal yang sama untuk variable independen . Setelah itu mencari nilai d yang merupakan perbedaan rank residual dengan rank independen . Setelah nilai d diketahui, dilanjutkan dengan mencari nilai r.

3. Diasumsikan bahwa koefesien korelasi dari rank populasi adalah nol dan n>8, signifikan dari sampel rank korelasi Spearman r, dapat diuji dengan menggunakan uji t. Nilai statistik hitung dapat dicari dengan menggunakan rumus sebagai berikut :

=

√ (2.4)

Dengan df sebesar n-2

= 1 − 6

∑

(

− 1)

STIKOM

(25)

4. Jika nilai t hitung lebih besar dari nilai kritis maka dapat disimpulkan bahwa regresi mengandung heteroskedastisitas (belum stasioner dalam varian).

Jika data diketahui tidak stasioner dalam varian maka dapat dilakukan transformasi data dengan menggunakan :

= ( ) (2.5)

Transformasi data dalam menstabilkan varian diperlukan dan dilakukan sebelum analisis yang lain seperti differencing.

Keterangan :

= Korelasi Spearman = Banyaknya data

= Perbedaan rank residual dengan rank independen ∆ = Difference Operator

= Data time series pada periode t = Rata-rata data

= Parameter ke-0 dari model regresi = Parameter

= Error

= Transformasi untuk penstasioneran data

2.8.2 Kestasioneran Mean

Setelah syarat stasioner dalam varian dipenuhi maka syarat kedua adalah stasioner dalam mean. Untuk menguji kestasioneran dalam mean dapat digunakan metode Dickey Fuller. Regular Dickey Fuller menggunakan model regresi sebagai berikut :

∆ = +

STIKOM

(26)

20

dimana :

|∆ = −

Data stasioner jika nilai mutlak t hitung > t table. Sebaliknya data dikatakan tidak stasioner jika nilai mutlak t hitung < t table.

Untuk mencari t hitung sebagai berikut :

ℎ

=

/ ∑ ( ) / (2.6)

Dimana untuk mencari koefesien sebagai berikut :

=

( ₍ ) ∑_{) ∑} ₍ ∆ ₎∑ _∑ ₍ ∑ ₎∆ (2.7)

Sedangkan untuk intercept dapat dicari dengan formula sebagai berikut :

=

∑ ∆ ₍ ∑₎ (2.8)

Untuk mencari kesalahan baku estimasi dapat digunakan formula berikut ini :

=

∑ ∆ ∑₍ ∆₎ ∑ ∆

/

(2.9)

Jika data diketahui tidak stasioner dalam mean maka dilakukan differencing dengan rumus sebagai berikut :

= − (2.10)

Proses differencing menggunakan data aktual, tapi jika data telah mengalami transformasi maka data yang digunakan untuk didifferencing adalah data hasil transformasi. Proses differencing dilakukan berulang-ulang maksimal 2 kali. Untuk differencing yang kedua kali, data yang digunakan adalah data hasil differencing pertama.

Keterangan :

STIKOM

(27)

∆ = Difference Operator

= Parameter ke-0 dari model regresi = Kesalahan baku estimasi

= Derajat bebas = Banyaknya data = Parameter

= Differencing untuk penstasionaran data

2.9. Autocorrelation Function dan Partial Autocorrelation Function

Untuk menghitung nilai ACE pada lag ke – k menggunakan persamaan berikut :

=

∑ ( )( )

∑ ( ) (2.11)

Dimana

= ∑=1 (2.12)

Nilai ACF dianggap signifikan jika nilainya diluar batas garis :

= 1/

1 + 2

+ ⋯ + 2

(2.13)

Untuk menghitung nilai PACF pada lagu ke-k menggunakan persamaan dari Levinston (1947) dan Durbint (1960) sebagai berikut :

+ 1, + 1 =

∑

∑ (2.14)

STIKOM

(28)

22

Dimana j = 1, 2 ………., k

+ 1, =

−

+ 1, + 1

, + 1 −

(2.15)

11 = 1

(2.16)

Nilai PACF dianggap signifikan bila nilainya diluar batas garis :

=

√ (2.17)

Keterangan :

= Nilai ACF pada lag ke-k = Nilai PACF pada lag ke-k = Banyaknya data

= Time lag

Identifikasi Model ARIMA dengan ACF dan PACF dapat dilihat pada tabel 2.3. Tabel 2.1 Identifikasi Model

ACF PACF

AR (p) Berpola monotonic decreasing Memecil (out off) setelah lag p

MA (q) Memecil (cut off) setelah lag q Mengikuti pola monotonic decreasing ARMA (p.q) Mengikuti pola monotonic decreasing Mengikuti pola monotonic decreasing AR (p) atau MA (q) Memecil (cut off) setelah lag q Memecil (cut off) setelah lag q

Contoh collegram untuk pola monotonic decreasing dapat dilihat pada gambar 2.6.

STIKOM

(29)

Gambar 2.6 Collegram Monotonic Decreasing

Contoh collegram untuk pola cut-off dapat dilihat pada gambar 2.7.

Gambar 2.7 Collegram cut-off Pada gambar 2.7 diatas cut-off terjadi setelah lag ke-1.

2.10. Metode ARIMA Box-Jenkins

ARIMA Box-Jenkins ini merupakan salah satu model ARIMA. Metode ini adalah gabungan dari metode penghalusan, metode regresi dan metode dekomposisi. Metode ini digunakan bila datanya tersedia dalam jumlah yang cukup besar sehingga membentuk kurun waktu yang cukup panjang.

Model-model ARIMA sebagai berikut :

1. Autoregressive Orde p (AR p) dengan persamaan :

= + + ⋯ + + (2.18)

2. Moving Average Orde q (MA q) dengan persamaan :

= − Ψ − Ψ − ⋯ − Ψ (2.19)

3. Autoregressive Moving Average (ARMA p,q) dengan persamaan :

STIKOM

(30)

24

= + ⋯ + + + − Ψ − ⋯ − Ψ (2.20)

4. Autoregressive Integrated Moving Average (ARIMA p.,d,q) dengan persamaan :

( )(1 − ) = Ψ ( ) (2.21)

Dimana

( ) = 1 − − ⋯ … … −

Ψ ( ) = 1 − Ψ − ⋯ … … − Ψ

( ) = degree off differencing, yang nilainya berkisar 0,1 atau 2. Nilai

komponen I harus disertakan jika data aslinya tidak stasioner dan harus diubah menjadi bentuk perbedaan (I).

Keterangan :

, … … … … = data time series p periode sebelumnya , … … … … = nilai kesalahan pada saat t

, , , … … … … = parameter autoregressive ke p Ψ , Ψ , … … … … Ψ = parameter moving average ke q

2.11. Estimasi Parameter

Terdapat dua cara yang mendasar dalam menduga parameter yaitu :

1. Dengan cara mencoba-coba (trial and error), menguji beberapa nilai yang berbeda dan memilih salah satu nilai tersebut (atau sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah nilai kuadrat sisa (sum of squared residuals).

STIKOM

(31)

2. Perbaikan secara iterative, memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara interatif/

2.12. Pengujian Residual

Pengujian residual digunakan untuk memilih model terbaik yang sesuai dengan data. Metode Ljung Box merupakan salah satu metode untuk uji residual yang dapat menghasilkan hasil yang lebih baik dan sesuai untuk ukuran sampel yang terbatas.

Berikut rumus metode Ljung Box :

= ( + 2) ∑ [ /( − )] (2.22)

Derajat bebasnya adalah m-p-q, p adalah jenjang AR dan q adalah jenjang MA.

Jika Q’ > berarti residual tidak white noise sehingga model tidak dapat

diterapkan pada data. Jika Q’ _ berarti residual telah memenuhi syarat white

noise sehingga model dapat diterapkan pada data. Keterangan :

Q’ = nilai chi-kuadrat

m = jumlah maksimum time lag yang diinginkan n = jumlah data

pk = nilai autokorelasi pada lag ke-k

2.13. Ukuran Ketepatan Metode Peramalan

Menilai ketepatan suatu metode peramalan dapat dilakukan dengan cara mencari selisih besaran (ukuran kesalahan peramalan) data peramalan terhadap data actual. Dengan membandingkan ukuran kesalahan terkecil, sehingga nilai

STIKOM

(32)

26

peramalan dapat digunakan sebagai acuan dalam menentukan kebutuhan-kebutuhan dimasa yang akan datang.

Pengukuran kesalahan dalam peramalan antara lain :

1. MAD (Mean Absolute Deviation) atau Nilai tengah penyimpangan absolute. Pengukuran ini dihitung dengan cara menjumlahkan masing-masing kesalah yang telah diabsolutkan kemudian dibagi dengan banyaknya data.

Persamaannya adalah sebagai berikut :

=

∑ | | (2.23)

2. MSE (Mean Squared Error) atau Nilai tengah kesalah kuadrat. Perhitungannya dengan cara menjumlahkan masing-masing kesalahan (selisih data actual terhadap data peramalan) yang telah dikuadratkan, kemudian dibagi dengan banyaknya data.

Persamaan model MSE adalah sebagai berikut :

=

∑ ( ) (2.24)

3. MAPE (Mean Absolute Percentage Error) atau Nilai tengah kesalahan persentase absolute. Merupakan persentase yang dihitung dari penjumlahan nilai absolute kesalahan dimasing-masing periode yang telah dibagi dengan nilai data actual periode tersebut, kemudian dibagi dengan banyaknya data. Persamaannya sebagai berikut :

=

∑

100%

(2.25)

4. MPE (Mean Percentage Error) atau Nilai tengah kesalahan persentase. Model ini merupakan persentase dari penjumlahan nilai kesalahan

masing-STIKOM

(33)

masing periode yang telah dibagi oleh nilai data actual periode tersebut, kemudian dibagi dengan banyaknya data. Persamaannya adalah sebagai berikut :

=

∑ ( )

100%

(2.26)

Keterangan :

= nilai aktual pada periode t = nilai peramalan pada periode t

− = nilai kesalahan peramalan = banyak data

STIKOM

(34)

28 BAB III

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

PT. Tera Data Indonusa merupakan bagian yang sangat penting dalam pendistribusian laptop AXIOO. Dari beraneka ragam produk-produk yang ada, tidak keseluruhan produk mempunyai tingkat penjualan yang tinggi. Selain itu, adanya persaingan antara perusahaan yang menjual laptop, sehingga menyebabkan penjualan pada PT. Tera Data Indonusa sering kali tidak dapat dipastikan dengan baik. Aspek lain yang menyebabkan penjualan tidak pasti adalah tingkat persediaan barang di gudang.

3.1.1 Identifikasi Masalah

Dengan sistem yang ada saat ini perusahaan masih belum bisa memastikan tingkat permintaan barang dari customer disebabkan tingkat penjualan yang belum pasti. Hal ini disebabkan tingkat persediaan yang belum bisa dipastikan. Persediaan yang tidak pasti ini dapat menyebabkan kerugian, sebagai contoh: jika customer meminta barang Axioo Neon CLW.3.522, tetapi barang tersebut tidak ada. Maka hal ini menyebabkan PT. Tera Data Indonusa akan mengalami kerugian, serta dapat mengurangi kepercayaan customer kepada perusahaan tersebut. Akan tetapi jika produk tersebut terlalu banyak stok, maka akan mengurangi jumlah stok produk lainnya. Karena gudang pada PT. Tera Data Indonusa terbatas.

STIKOM

(35)

Permasalahan yang terdapat pada PT. Tera Data Indonusa adalah bagaimana cara menentukan jumlah barang yang harus disediakan perusahaan setiap kali melakukan re-stocking agar tidak terjadi kekurangan atau kelebihan stok. Peramalan yang dilakukan oleh perusahaan selama ini hanya berdasarkan perhitungan manual dengan menggunakan data penjualan seadanya. Hal ini menyebabkan perusahaan seringkali mengalami kekurangan atau kelebihan stok, sehingga penjualan menjadi tidak optimal. Atau jika terjadi keadaan dimana jumlah angka persediaan barang di gudang jauh lebih besar dibandingkan dengan angka penjualan, maka akan menyebabkan terjadinya penumpukan barang di gudang. Selain itu proses pencatatan hasil penjualan masih dilakukan secara manual.

Untuk menyelesaikan masalah tersebut perlu adanya sebuah aplikasi yang dapat meramalkan jumlah angka penjualan di periode mendatang, yang diharapkan dapat digunakan sebagai salah satu aspek pertimbangan untuk menentukan jumlah angka persediaan barang agar menjadi lebih efektif. Adanya sistem peramalan penjualan laptop dengan menggunakan metode peramalan yang tepat, membuat perusahaan mampu mengoptimalkan penjualan laptop setiap bulannya.

3.1.2 Analisis Kebutuhan Sistem

Dari uraian permasalahan di atas, maka dapat disimpulkan bahwa pada PT. Tera Data Indonusa membutuhkan sebuah sistem informasi yang dapat membantu memprediksi jumlah jumlah barang yang harus disediakan pada periode berikutnya. Usaha untuk menentukan jumlah barang yang harus disediakan adalah sebuah kegiatan peramalan. Sesuai dengan definisi peramalan, usaha untuk menentukan

STIKOM

(36)

30

kejadian di masa depan berdasarkan data yang ada di masa lalu. Data penjualan yang ada dapat digunakan untuk meramalkan jumlah barang yang harus disediakan.

Salah satu metode peramalan yang sering digunakan dalam praktek adalah Arima Box-Jenkins. Metode tersebut sangat cocok digunakan untuk meramalkan jumlah penjualan barang karena digunakan untuk peramalan jangka pendek. Metode ini juga membutuhkan data penjualan yang relatif stabil dalam peramalan. Metode ini sangat cocok karena di PT. Tera Data Indonusa memiliki data unit produk yang berjumlah puluhan item serta data penjualan yang relatif stabil sehingga sangat dimungkinkan untuk digunakan sebagai peramalan.

Dalam melakukan peramalan pada bahasan ini ada beberapa langkah yang harus dilakukan, yaitu melakukan penyeleksian data yang akan diramal dengan metode klasifikasi ABC, identifikasi data, estimasi model, uji kelayakan model, melakukan peramalan, dan menghitung tingkat persediaan barang dengan metode Periodic Review System (PRS).

STIKOM

(37)

[image:37.612.53.563.81.685.2]

Gambar 3.1 Flowchart ARIMA Box-Jenkins

STIKOM

(38)

32

1. Klasifikasi ABC

Metode ini digunakan untuk membagi prduk-produk menjadi tiga kelompok besar yaitu kelompok A, B, C. Kelompok A adalah kelompok yang memiliki peranan yang besar dalam penjualan pada PT. Tera Data Indonusa kemudian dilanjutkan dengan kelompok B dan C. Kelompok Klasifikasi A adalah kelompok yang akan diramalkan dengan menggunakan metode ARIMA Box-Jenkins. Jumlah produk yang dijual oleh PT. Tera Data Indonusa adalah sebanyak 42 produk. Dari 42 produk ini, dapat dibagi menjadi 3 bagian, yaitu 8 produk untuk kelas A (20%), 13 produk untk kelas B (30%), dan 21 produk untuk kelas C (50%).

2. Identifikasi Data

Dalam proses ini identifikasi meliputi pengujian stasioner data. Apabila data belum stasioner maka dapat dilakukan transformasi dan differencing. Untuk data yang telah mengalami proses stasioner, perhitungan berikutnya menggunakan data hasil konversi. Langkah berikutnya penentuan model, jika data yang akan diproses tidak mengandung musiman maka dapat digunakan model ARIMA (p,d,q), AR(p), MA(q). langkah-langkah identifikasi dapat dilihat pada contoh berikut ini :

Tabel 3.1 Penjualan Laptop Jenis 21A

Periode Penjualan Periode Penjualan

01/12/2005 612 28/12/2005 996

02/12/2005 630 29/12/2005 998

03/12/2005 578 30/12/2005 1189

04/12/2005 611 31/12/2005 1170

05/12/2005 642 01/01/2006 1163

06/12/2005 599 02/01/2006 1182

07/12/2005 582 03/01/2006 996

STIKOM

(39)

Periode Penjualan Periode Penjualan

08/12/2005 578 04/01/2006 1148

09/12/2005 590 05/01/2006 1152

10/12/2005 605 06/01/2006 1147

11/12/2005 602 07/01/2006 1131

12/12/2005 859 08/01/2006 1121

13/12/2005 875 09/01/2006 998

14/12/2005 889 10/01/2006 973

15/12/2005 855 11/01/2006 894

16/12/2005 1040 12/01/2006 1102

17/12/2005 1642 13/01/2006 1000

18/12/2005 2520 14/01/2006 996

19/12/2005 1280 15/01/2006 962

20/12/2005 1240 16/01/2006 1250

21/12/2005 1306 17/01/2006 998

22/12/2005 1560 18/01/2006 999

23/12/2005 1256 19/01/2006 1020

24/12/2005 1230 20/01/2006 1010

25/12/2005 1336 21/01/2006 1000

26/12/2005 1280 22/01/2006 962

27/12/2005 1004

Uji stasioner varian dengan korelasi Spearman : Model Regresi yang digunakan :

∆

=

+

Tabel 3.2 Kestasioneran Data

∆Zt Zt ∆ E abs E rank E rank Zt d d2

0 612 135.33 0 0 0 44 -20 400

18 630 129.75 -117.33 117.33 24 43 -35 1225

-52 578 145.87 -181.75 181.75 8 51.5 -26.5 702.25

33 611 135.64 -112.87 112.87 25 45 -19 361

31 642 126.03 -104.64 104.64 26 42 -32 1024

-43 599 139.36 -169.03 169.03 10 48 -35 1225

-17 582 144.63 -156.36 156.36 13 50 -36 1296

-4 578 145.87 -148.63 148.63 14 51.5 -32.5 1056.25

12 590 142.15 -133.87 133.87 19 49 -29 841

STIKOM

(40)

34

15 605 137.5 -127.15 127.15 20 46 -29 841

-3 602 138.43 -140.5 140.5 17 47 -24 576

257 859 58.76 118.57 118.57 23 40 -6 36

16 875 53.8 -42.76 42.76 34 39 -3 9

14 889 49.46 -39.8 39.8 36 38 -8 64

-34 855 60 -83.46 83.46 30 41 -19 361

185 1040 2.65 125 125 22 22 -19 361

602 1642 -183.97 599.35 599.35 3 2 -1 1

878 2520 -456.15 1061.97 1061.97 1 1 1 1

-1240 1280 -71.75 -783.85 783.85 2 6.5 33.5 1122.25

-40 1240 -59.35 31.75 31.75 40 10 11 121

66 1306 -79.81 125.35 125.35 21 5 -1 1

254 1560 -158.55 333.81 333.81 4 3 12 144

-304 1256 -64.31 -145.45 145.45 15 8 29 841

-26 1230 -56.25 38.31 38.31 37 11 0 0

106 1336 -89.11 162.25 162.25 11 4 35 1225

-56 1280 -71.75 33.11 33.11 39 6.5 -0.5 0.25

-276 1004 13.81 -204.25 204.25 6 25 20 400

-8 996 16.29 -21.81 21.81 45 33 18 324

2 998 15.67 -14.29 14.29 51 30 -21 441

191 1189 -43.54 175.33 175.33 9 12 31 961

-19 1170 -37.65 24.54 24.54 43 14 27 729

-7 1163 -35.48 30.65 30.65 41 15 16 256

19 1182 -41.37 54.48 54.48 31 13 3 9

-186 996 16.29 -144.63 144.63 16 33 -15 225

152 1148 -30.83 135.71 135.71 18 17 21 441

4 1152 -32.07 34.83 34.83 38 16 26 676

-5 1147 -30.52 27.07 27.07 42 18 32 1024

-16 1131 -25.56 14.52 14.52 50 19 29 841

-10 1121 -22.46 15.56 15.56 48 20 8 64

-123 998 15.67 -100.54 100.54 28 30 5 25

-25 973 23.42 -40.67 40.67 35 35 -8 64

-79 894 47.91 -102.42 102.42 27 37 -25 625

208 1102 -16.57 160.09 160.09 12 21 8 64

-102 1000 15.05 -85.43 85.43 29 26.5 19.5 380.25

-4 996 16.29 -19.05 19.05 46 33 0 0

-34 962 26.83 -50.29 50.29 33 36 -31 961

288 1250 -62.45 261.17 261.17 5 9 -2 4

-252 998 15.67 -189.55 189.55 7 30 19 361

STIKOM

(41)

1 999 15.36 -14.67 14.67 49 28 24 576

21 1020 8.85 5.64 5.64 52 23 24 576

-10 1010 11.95 -18.85 18.85 47 24 20 400

-10 1000 15.05 -21.95 21.95 44 26.5 5.5 30.25

-38 962 26.83 -53.05 53.05 32

Nilai parameter b0dan b1dapat dihitung dengan cara dibawah ini :

=( − 1) ∑_{( − 1) ∑} ₍ ∆ − ∑_{) − ∑} ₍ ∑ ₎ ∆

= 52(612 ∗ 18) + ⋯ + 1000 ∗ (−38) − (612 + ⋯ + 1000)(18 + ⋯ (−38))

52(612 + ⋯ + 1000 ) − (612 + ⋯ + 1000)

= −0.31

=∑ ∆ − ∑

( − 1)

= 18 + ⋯ + (−38) − (−0.31)(612 + ⋯ + 1000)

52

= 325.05

= 1 − 6 ∑₍

− 1)

= 1 − 6 24292.5

53(2809 − 1) = 0.02062

= √ − 2

1 −

=0.02062 ∗ √53 − 2 √1 − 0.02062 = 0.1473

STIKOM

(42)

36

Uji Stasioner dengan Dickey Fuller : Model Regresi yang digunakan :

∆ = +

Nilai parameter b0dan b1dapat dihitung dengan cara dibawah ini :

=( − 1) ∑_{( − 1) ∑} ₍ ∆ − ∑_{) − ∑} ₍ ∑ ₎ ∆

= 52(612 ∗ 18) + ⋯ + 1000 ∗ (−38) − (612 + ⋯ + 1000)(18 + ⋯ (−38))

52(612 + ⋯ + 1000 ) − (612 + ⋯ + 1000)

= −0.31

=∑ ∆ _{( − 1)}− ∑

= 18 + ⋯ + (−38) − (−0.31)(612 + ⋯ + 1000)

52

= 325.05

Nilai kesalahan baku estimasi dapat dihitung sebagai berikut :

=

∑

∆

−

∑

∆

−

∑

∆

( − 1) −

/

= (324 + ⋯ + 1444) − 325,05 18 + ⋯ + (−38) − (−0,31)(18 ∗ (−52) + ⋯ + (−10) ∗ (−38)) (53 − 1) − 2

/

=247,2289

Nilai t dapat dihitung dengan cara dibawah ini :

ℎ =

/(∑ ( − ) ) /

STIKOM

(43)

ℎ = −0,31

247,2289/((612 − 1025,623) + ⋯ + (962 − 1025,623) ) /

ℎ = −2,98

Nilai kritis untuk DickeyFuller test pada α= 10% dengan sampel = 53 adalah-2,58. Data penjualan jenis laptop x merupakan data stasioner dalam mean, karena nilai mutlak T hitung sebesar -2,98 > nilai kritis sebesar -2,58.

ACF dan PACF : Perhitungan nilai ACF :

̅ = ∑

̅ = 612 + 630 + ⋯ + 1000 + 962 53

̅ = 1025,62

=∑ ( − ) ( − )

∑ ( − )

Nilai ACF lag ke-1 :

=(612 − 1025,62)(630 − 1025,62) + ⋯ + (1000 − 1025,62)(962 − 1025,62) (612 − 1025,62) + (630 − 1025,62) + ⋯ + (962 − 1025,62)

= 0,6883

=(612 − 1025,62)(1336 − 1025,62) + ⋯ + (998 − 1025,62)(962 − 1025,62) (612 − 1025,62) + (630 − 1025,62) + ⋯ + (962 − 1025,62)

= −0.1391

=(612 − 1025,62)(1336 − 1025,62) + ⋯ + (996 − 1025,62)(962 − 1025,62) (612 − 1025,62) + (630 − 1025,62) + ⋯ + (962 − 1025,62)

STIKOM

(44)

38

= −0.0631

Batas garis signifikasi untuk ACF :

= 1/ 1 + 2 + ⋯ + 2

= 1/53(1)

= 0,1374

= 1/ 1 + 2 + ⋯ + 2

= 1/53(1 + 2(0,6883) + ⋯ + 2(−0.1391) )

= 1,3095

Perhitungan nilai PACF :

, =

∑ 1 − ∑

, = − , ,

Nilai PACF lag ke-1 :

=

= 0,6883

= −

1 −

=0,475 − (0,6885 ∗ 0,6885) 1 − (0,6885 ∗ 0,6885)

STIKOM

(45)

= 0,0195

= −

= 0,6885 − (0,018 ∗ 0,6885)

= 0,6761

= − (( ) + ( ))

1 − (( ) + ( ))

=0,3974 − (0,6761 ∗ 0,34) + (0,018 ∗ 0,6885) 1 − (0,6761 ∗ 0,6885) + (0,018 ∗ 0,475)

= 0,1441

Batas garis signifikasi untuk PACF :

= _√

= 2

√53

= 0,2747

STIKOM

(46)

[image:46.612.50.570.105.620.2]

40

Grafik untuk 21A :

Gambar 3.2 ACF 21A

Gambar 3.3 PACF 21A

Dilihat dari collergram diatas, nilai ACF berpola monotonic decreasing dan PACF memecil (cut off) setelah lag ke-1. Maka data dapat diramalkan menggunakan AR(1).

STIKOM

(47)

Identifikasi Model : Model untuk AR(1) :

ARIMA (1,0,0)

= ∅ +

3. Estimasi

Dari tabel 3.3, model sementara yang telah ditetapkan adalah ARIMA (1,0,0), oleh sebab itu untuk data yang dibedakan (differenced data) kita perlu menaksir nilai

1. Autokorelasi empiris pertama untuk data yang dibedakan adalah r1=0,6883, maka dengan persamaan dibawah ini dapat diperoleh nilai taksiran pendahuluan untuk 1 sebagai berikut :

= ∅ , ∅ = .

∅ = 0,6883.

Nilai tengah kesalahan kuadrat (Mean Squared Error) =

= ∑

(3.2)

= ((612 − 0) + (630 − 422) … (962 − 690) )

53

= 163649,71

STIKOM

(48)

42

4. Evaluasi

Proses evaluasi dilakukan untuk menguji kelayakan model. Kelayakan model dapat diujikan pada data yang digunakan untuk estimasi parameter atau data riil yang tidak digunakan untuk estimasi. Kelayakan model dapat menggunakan uji Ljung Box.

= ( + 2) ∑

= 53(53 + 2) ∗ ((0,6883) /(53 − 1)) + ⋯ + ((−0,0631) /(53 − 25)))

= 2915 ∗ 0,0235

= 68,655

5. Peramalan

Proses peramalan menggunakan model yang telah diuji kelayakannya dengan uji Ljung Box. Maka hasil peramalan untuk period ke-53 adalah :

= ∅ +

= 0,69 ∗ 1000 +

= 690

6. Periodic Review System

Dengan melihat hasil dari peramalan tersebut diatas, maka dapat diperoleh jumlah barang yang seharusnya dipesan (Q) sebagai berikut:

Demand (D) = 690 buah

Review period time (R) = 1 bulan Lead Time (LT) = 1 hari

Safety Stock (SS) = 2 buah

STIKOM

(49)

quantity on hand + quantity on order (I) = 12 buah Q = D ( R + LT ) + SS–I

Q = 1370 buah.

3.2 Perancangan Sistem

Tugas akhir ini nantinya akan menghasilkan Aplikasi Sistem Peramalan Penjualan dengan Metode Arima Box-Jenkins berbasis Desktop. Gambaran mengenai sistem yang akan dibangun dapat dilihat pada gambar 3.4.

Gambar 3.4 Gambaran Umum Sistem Peramalan Penjualan Laptop

Gambar 3.4 adalah gambaran umum sistem peramalan penjualan laptop pada PT. Tera Data Indonusa yang menggambarkan alur proses, dokumen, dan device

STIKOM

(50)

44

yang terjadi dalam sistem tersebut. Pada sistem informasi tersebut diperlukan 2 buah PC , dan 1 buah printer untuk menjalankan proses dan menghasilkan dokumen yang diperlukan.

Dalam menangani masalah peramalan penjualan, sistem menggunakan metode peramalan Arima Box-Jenkins. Secara garis besar, proses yang akan dilakukan oleh sistem untuk menangani masalah tersebut dapat dilihat pada blok diagram seperti gambar 3.5.

Gambar 3.5 Blok Diagram Sistem Peramalan Penjualan Laptop

Sistem informasi peramalan penjualan dengan metode Arima Box-jenkins, membutuhkan inputan data barang yang akan diramal, data penjualan laptop, periode penjualan, dan periode peramalan penjualan. Karena untuk melakukan perhitungan peramalan, data yang ada pada periode sebelumnya digunakan sebagai input untuk proses perhitungan. Kemudian dengan input tersebut oleh sistem akan dilakukan proses perhitungan peramalan dengan menggunakan Arima Box-jenkins.

Proses analisis dengan metode Arima Box-Jenkins dilakukan dengan cara menentukan model peramalan apa yang cocok untuk dimasukkan nilai koefisiennya sehingga diperoleh hasil peramalan. Hasil dari perhitungan peramalan ini adalah berupa laporan jumlah penjualan jenis produk tertentuk pada periode mendatang.

STIKOM

(51)

Yang digunakan sebagian acuan dalam pengambilan keputusan menentukan jumlah produksi untuk periode mendatang dengan menggunakan metode Periodic Review System (PRS).

Setelah melakukan analisis permasalahan yang terjadi pada PT. Tera Data Indonusa maka selanjutnya dilakukan desain sistem. Dalam desain sistem ini akan dilakukan langkah-langkah dalam menyekesaikan masalah yang ada, yaitu:

1. System Flow 2. Context Diagram 3. Diagram Jenjang Proses 4. Data Flow Diagram (DFD)

5. Entiry Relationship Diagram (ERD) 6. Struktur Tabel

7. Desain Input Output

3.2.1 System Flow

System Flow adalah gambaran tentang sistem yang akan dibangun. System flow yang dibangun ini berawal dari manajemen yang ingin melihat hasil peramalan bahan baku yang dibeli pertama manajemen akan memasukkan data login yang akan dicocokkan dengan tabel user yang berasal dari sistem pembelian dan penjualan yang sudah ada. Jika benar maka sistem akan menampilkan menu peramalan. Setelah memasukkan data penjualan maka sistem akan melakukan proses klasifikasi ABC dan menampilkannya.

STIKOM

(52)

[image:52.612.76.558.81.673.2]

46

Gambar 3.6 System Flow Peramalan Penjualan

STIKOM

(53)

System Flow Peramalan Penjualan

Sistem Penjualan Sistem Informasi Peramalan

Manajemen Laporan Perencanaan Persediaan Barang Perhitungan PRS Lead Time Selesai Laporan hasil peramalan Periode Peramalan Peramalan Model Peramalan 2 Menampilkan Model Peramalan

Cetak Laporan Hasil Peramalan Menampilkan Hasil

Peramalan

Menampilkan Kode Barang yang Diramal, Safety Stock, dan Sisa

Stok Barang

Kode Barang yang Diramal, Safety Stock, dan Sisa Stok

Barang Menampilkan Hasil Perhitungan PRS Hasil Perhitungan PRS Cetak Laporan Perencanaan Persediaan Barang 1 Periode Peramalan Lead Time Data Ramal Hasil Peramalan Data Barang PRS

Gambar 3.6 System Flow Peramalan Penjualan (lanjutan)

STIKOM

(54)

48

Setelah user memilih data barang yang akan diramal maka secara berturut-turut sistem akan melakukan proses cek stasioner, proses ACF, proses PACF, dan pemodelan peramalan. Kemudian user menginputkan periode peramalan untuk melakukan proses peramalan. Setelah mendapatkan hasil peramalan sistem melakukan proses perhitungan PRS setelah data PRS diinputkan oleh user. Dari perhitungan PRS didapatkanlah Laporan Perencanaan Persediaan Barang untuk ditindaklanjuti oleh pihak manajemen. Untuk lebih jelasnya, System Flow peramalan bahan baku ini dapat dilihat pada gambar 3.6.

3.2.2 Context Diagram

Context Diagram adalah gambarang menyeluruh dari DFD. Context Diagram terdapat 2 (dua) External Entity, yaitu Manajemen dan Sistem Pembelian dan Penjualan. Untuk lebih jelasnya dapat melihat gambar 3.7.

Periode Data Penjualan Lead Time

Periode Peramalan Data barang yang akan diramal

Data Barang Data Penjualan

Data User

Laporan Perencanaan Persediaan Barang Laporan Hasil Peramalan

Data Login

0

Sistem Peramalan

Penjualan

+

Manajemen Sistem

Penjualan

Gambar 3.7 Context Diagram Peramalan Penjualan

STIKOM

(55)

3.2.3 Diagram Jenjang Proses

Gambar 3.8 Diagram Jenjang Proses Sistem Peramalan Penjualan Laptop

Diagram jenjang proses berguna sebagai alat desain dan teknik dokumentasi dalam siklus pengembangan sistem yang berbasis pada fungsi. Tujuannya agar diagram jenjang proses tersebut dapat memberikan informasi tentang fungsi-fungsi yang ada di dalam sistem tersebut. Berikut ini adalah diagram jenjang proses dari sistem peramalan penjualan laptop, seperti tampak pada gambar 3.8.

3.2.4 Data Flow Diagram (DFD)

DFD merupakan perangkat yang digunakan pada metodologi pengembangan sistem yang terstruktur. DFD dapat menggambarkan seluruh kegiatan yang terdapat pada sistem secara jelas. Selain itu DFD juga mampu menggambarkan komponen dan aliran data antar komponen yang terdapat pada sistem yang akan dikembangkan.

STIKOM

(56)

[image:56.612.62.552.149.647.2]

50

Gambar 3.9 menggambarkan sistem peramalan laptop penjualan yang dilakukan oleh bagian manajemen. Dalam sistem ini dibagi menjadi 4 (empat) sub sistem yaitu verifikasi user, mengelola data, meramalkan bahan baku, dan membuat laporan. Serta terdapat 10 (sepuluh) data store yaitu pegawai, penjualan, data penjualan yang sudah stasioner, barang, model peramalan, tabel T, ACF, PACF, data ramal, dan PRS.

Gambar 3.9 DFD Level 0 Sistem Peramalan Penjualan Laptop

Sub sistem dalam Data Flow Diagram ini adalah sub sistem meramalkan penjualan. Dalam sub sistem ini pertama-tama manajemen menginputkan periode data penjualan untuk melakukan proses klasifikasi ABC setelah login dan diverifikasi oleh sistem. Proses ini menghasilkan data penjualan sesuai klasifikasi ABC dan periode data penjualan. Data penjualan yang sesuai klasifikasi ABC dan periode

STIKOM

(57)

penjualan tersebut digunakan untuk melakukan proses cek stasioner. Apabila data belum stasioner akan dilakukan proses differencing (penstasioneran data) sehingga data-datanya stasioner. Data yang sudah stasioner tersebut digunakan untuk melakukan proses ACF dan PACF sehingga menghasilkan model peramalan. Data model peramalan ini digunakan untuk melakukan proses peramalan yang tersimpan dalam data store data ramal sebagai bahan untuk membuat laporan hasil peramalan untuk diserahkan ke bagian manajemen. Kemudian dilakukan proses perhitungan PRS dengan inputan lead time, stok barang, dan safety stock. Sebagai hasil dari perhitungan ini adalah laporan perencanaan persediaan barang yang diserahkan ke bagian manajemen.

Gambar 3.10 DFD Level 1 Subsistem Meramalkan Penjualan Barang

STIKOM

(58)

52

3.2.5 Entity Relationship Diagram (ERD)

ERD digunakan untuk melihat hubungan antar tabel yang ada pada sistem yang dibangun. ERD yang dibangun merupakan rangkuman dari tabel-tabel yang ada pada sistem penjualan dan pembelian pada PT. Tera Data Indonusa untuk membantu dalam peramalan. ERD terbagi menjadi 2 bagian, yaitu:

a. Conceptual Data Model (CDM)

CDM dari Sistem Peramalan Penjualan Laptop pada PT. Tera Data Indonusa terdapat 10 (sepuluh) tabel yaitu pergawai, penjualan, data penjualan yang sudah stasioner, barang, model peramalan, tabel T, ACF, PACF, data ramal, dan PRS. CDM dari Sistem Peramalan Penjualan Laptop dapat dilihat pada gambar 3.11.

Gambar 3.11 CDM Sistem Peramalan Penjualan Laptop

mempengaruhi menghasilkan menghasilkan menghasilkan menghasilkan memiliki memiliki memiliki t erjual mengakses Peg awai Id Pegawai Nama Peg awai Jabatan Telepon Alamat Kota Pass word Penjualan Id Jual Tgl Penjualan Total Penjualan Barang Id Barang Nama Barang Jenis Jumlah Safety Stock Harg a Tabel T V T100 T050 T025 T010 T005

Data Penjualan yang Sudah Stas ioner Id Jual Stas

(59)

b. Physical Data Model (PDM)

Berdasarkan CDM yang ada dapat dibuat PDM. PDM dari Sistem Peramalan Penjualan Laptop pada PT. Tera Data Indonusa terdapat 10 (sepuluh) tabel. PDM tersebut dapat dilihat pada gambar 3.12.

Gambar 3.12 PDM Sistem Peramalan Penjualan Laptop

3.2.6 Struktur Database

Dari PDM yang sudah terbentuk, dapat disusun struktur basis data yang nantinya akan digunakan untuk menyimpan data yang diperlukan yaitu:

1. Nama Tabel : Pegawai Primary Key : Id Pegawai Foreign Key :

-Fungsi : Untuk menyimpan data pegawai.

I D_JUAL_STAS = I D_JUAL_STAS I D_JUAL_STAS = I D_JUAL_STAS

I D_JUAL_STAS = I D_JUAL_STASI D_JUAL = I D_JUAL I D_BARANG = I D_BARANG

I D_PEGAWAI = I D_PEGAWAI

PEGAWAI ID_PEGAWAI varchar(10) NAMA_PEGAWAI varchar(50) JABATAN varchar(50) TELEPON varchar(20) ALAMAT varchar(100) KOTA varchar(20) PASSWORD varchar(50) PENJUALAN ID_JUAL varchar(10) ID_PEGAWAI varchar(10) ID_BARANG varchar(10) ID_JUAL_STAS varchar(10) TGL_PENJUALAN datetime TOTAL_PENJ UALAN int

BARANG ID_BARANG varchar(10) NAMA_BARANG varchar(50) JENIS varchar(50) JUMLAH int SAFETY_STOCK int HARGA int TABEL_T V int T100 float T050 float T025 float T010 float T005 float DATA_PENJUALAN_YANG_SUDAH_STAS ID_JUAL_STAS varchar(10) ID_JUAL varchar(10) TGL_PENJUALAN datetime

TOTAL_PENJ UALAN int

ACF ID_JUAL_STAS varchar(10)

LAG numeric (100)

NILAI_ACF float

PACF ID_JUAL_STAS varchar(10)

LAG numeric (100)

NILAI_PACF float

(60)

[image:60.612.77.560.95.694.2]

54

Tabel 3.3 Tabel Master Pegawai

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Id Pegawai _Varchar ₁₀ √

Nama Pegawai _Varchar ₅₀

Jabatan _Varchar ₅₀

Telepon _Varchar ₂₀

Alamat _Varchar ₁₀₀

Kota _Varchar ₂₀

Password Varchar 50

2. Nama Tabel : Penjualan Primary Key : Id Jual

Foreign Key : Id Pegawai, Id Barang

Fungsi : Untuk menyimpan data transaksi penjualan

Tabel 3.4 Tabel Master Penjualan

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Id Jual _Varchar ₁₀ √

Id Pegawai _Varchar ₁₀ √ _Pegawai

Id Barang _Varchar ₁₀ √ Barang

Tgl Penjualan _Datetime -Total Penjualan _Integer

-3. Nama Tabel : Barang Primary Key : Id Barang Foreign Key :

-Fungsi : Untuk menyimpan data barang

STIKOM

(61)

[image:61.612.70.560.101.653.2]

Tabel 3.5 Tabel Master Barang

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Id Barang _Varchar ₁₀ √

Nama Barang _Varchar ₅₀

Jenis _Varchar ₅₀

Jumlah _Integer

-Safety Stock _Integer

-Harga _Integer

-4. Nama Tabel : Tabel T Primary Key : -Foreign Key :

-Fungsi : Untuk menyimpan nilai T (nilai kritis)

Tabel 3.6 Tabel T

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

V _Integer

-T100 _Float

-T050 _Float

-T025 _Float

-T010 _Float

-T005 _Float

5. NamaTabel : Data Penjualan yang Sudah Stasioner Primary Key :

-Foreign Key : Id Jual

Fungsi : Untuk menyimpan data penjualan yang sudah stasioner

STIKOM

(62)

[image:62.612.72.558.83.703.2]

56

Tabel 3.7 Data Penjualan yang Sudah Stasioner

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Id Jual Stas _Varchar ₁₀ √

Id Jual _Varchar ₁₀ √ Penjualan

Tgl Penjualan _Datetime -Total Penjualan _Integer

-6. Nama Tabel : ACF Foreign Key : Id Jual Stas

Fungsi : Untuk menyimpan nilai ACF dari data yang akan diramal

Tabel 3.8 Tabel ACF

Lag _Number ₁₀₀ √

Nilai ACF _Float

-Id Jual Stas Varchar 10 √

Data Penjualan yang Sudah Stasioner

7. Nama Tabel : PACF Foreign Key : Id Jual Stas

Fungsi : Untuk menyimpan nilai PACF dari data yang akan diramal.

Tabel 3.9 Tabel PACF

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Lag _Number ₁₀₀ √

Nilai PACF _Float

-Id Jual Stas Varchar 10 √

Data Penjualan yang Sudah Stasioner

STIKOM

(63)

8. Nama Tabel : Model Peramalan Primary Key : No

Foreign Key :

-Fungsi : Untuk menyimpan model peramalan yang dihasilkan Tabel 3.10 Model Peramalan

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

No _Number ₁₀ √

Model _Varchar ₅₀

9. Nama Tabel : Data Ramal Primary Key :

-Foreign Key :

-Fungsi : Untuk menyimpan data hasil peramalan

Tabel 3.11 Data Ramal

Bulan _Date

-Data Ramal _Float

-10. Nama Tabel : PRS Primary Key : -Foreign Key :

-Fungsi : Untuk menyimpan hasil perhitungan PRS

STIKOM

(64)

[image:64.612.55.558.89.669.2]

58

Tabel 3.12 PRS

Nama Kolom Tipe Data Panjang Keterangan PK FK Tabel Asal

Nilai PRS _Float

-3.2.7 Desain Input Output

A. Desain Form Login

Sebelum memasuki sistem user harus melakukan proses login dengan menginputkan username dan password lalu tekan tombol enter, desain form login dapat dilihat pada gambar 3.13.

Gambar 3.13 Tampilan Form Login

Tabel 3.13 Fungsi Obyek Form Login Nama Obyek Tipe

Obyek Fungsi

Field

(username/Password) Textbox

Digunakan untuk mengisi data username dan password sesuai dengan

data yang ada dalam database.

Btn_Login Button

Digunakan sebagai autentikasi dan autorisasi agar dapat masuk dan menggunakan sistem.

Btn_Cancel Button Membersihkan field atau membatalkan proses login dan keluar dari form login.

STIKOM

(65)

B. Desain Form Utama

Setelah melakukan proses login maka user akan masuk pada form utama. Pada form utama terdapat beberapa menu yang bisa dipilih untuk melakukan proses maintenance master yang terdiri dari master data customer, master data pegawai, master data barang, data transaksi penjualan, dan menu peramalan. Selain itu terdapat juga menu laporan hasil dari peramalan yang telah dilakukan. Desain form utama seperti tampak pada Gambar 3.14.

. Gambar 3.14 Tampilan Form Utama

Tabel 3.14 Fungsi Obyek Form Utama

Nama Obyek Tipe Obyek Fungsi

Entry Data Customer ToolStripMenuItem Menampilkan Form Data Customer Entry Data Pegawai ToolStripMenuItem Menampilkan Form Data Pegawai Entry Data Barang ToolStripMenuItem Menampilkan Form Data Barang Entry Data Penjualan ToolStripMenuItem Menampilkan Form Data Penjualan Peramalan ToolStripMenuItem Menampilkan Form Peramalan