ANALISA DATA PENJUALAN MENGGUNAKAN METODE
REGRESI LINIER UNTUK PREDIKSI PERSEDIAAN BARANG
PADA TB.KAWANKITA
Maulina Fitria Saputri1,Slamet Sudaryanto21,2Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Jl.Nakula I No.5-11, Semarang, Jawa Tengah, 50131, Indonesia E-mail: sulistiyaniwahyu@gmail.com, slametalica301@gmail.com
Abstract
Sales data obtained each day experienced ups and downs , not the stability of sales data with inventory data can lead to the value of goods decreased . Processing of data mining function predicts a linear regression method implemented in the prediction system , is expected to help the owners TB.Kawankita in predicting inventory in the next quarter . In this system using PhP integrated with MySql database . Based on the data obtained , the system can generate graphs to predict subsequent inventory by performing calculations using linear regression method . It can be concluded that the system can help the owner of the shop in predicting inventory to reduce their value to the goods .
Keywords : sales data , inventory , forecasting, linear regression
I. PENDAHULUAN
Perkembangan ekonomi yang sedang berkembang cukup pesat membuat banyak perusahaan semakin banyak dan berkembang, sehingga persaingan antara perusahaan semakin bertambah. Perusahaan yang sedang berkembang salah satunya adalah perusahaan yang bergerak pada material bangunan. Material bangunan yang selalu menjadi bahan baku atau yang selalu dibeli oleh konsumen adalah semen[1].
Prediksi memiliki arti sama dengan ramalan atau perkiraan, prediksi bisa terjadi berdasarkan metode ilmiah atau subjektif belaka. Contoh dari prediksi berdasarkan metode adalah memprediksi cuaca berdasarkan data dan informasi terbaru berdasarkan pengamatan satelit. Prediksi berdasarkan metode juga dapat diterapkan pada persediaan barang, metode yang dapat digunakan adalah metode regresi linear[2].
Regresi linear menurut Herjanto adalah regresi linear ini meninjau hubungan antara data masa lalu (variabel tak bebas) dengan satu variabel bebas. Dari perhitungan regresi linear ini dapat diprakirakan pola trend kebutuhan untuk masa yang
akan datang. Regresi linier dibagi menjadi 2 yaitu regresi linier sederhana dan regresi linier berganda. Regresi linier sederhana hanya memerlukan 1 buah variabel sedangkan regresi linier berganda menggunakan variabel lebih dari 1. Prediksi yang dilakukan dengan menggunakan data penjualan dapat menggunakan regresi linier sederhana untuk memprediksi persediaan barang untuk triwulan selanjutnya [3].
Persediaan barang adalah permasalahan yang sering dihadapi oleh perusahaan. Persediaan barang dapat memberikan pengaruh positif dan negative, seperti jumlah persediaan yang tidak memenuhi keinginan konsumen, itu bisa membuat konsumen kecewa dan dapat berpindah ke pedagang lain. Namun jika persediaan terlalu banyak itu akan membuat penyusutan nilai guna barang. Untuk mengatur persediaan barang agar barang tidak menyusut nilai guna barang, dibutuhkan suatu perkiraan atau prediksi persedian barang dalam kurun waktu tertentu. Prediksi persediaan barang dapat diolah dengan data mining menggunakan metode regresi linear sederhana[4].
Kawankita adalah toko besi yang menjual material – material untuk pembuatan rumah secara partai (grosir) maupun pembelian material secara ecer (retail). Persediaan barang adalah salah satu permasalahan operasional yang sering dihadapi oleh pedagang retail.
II. DATA MINING
Data mining adalah analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya.
Data mining atau biasa disebut dengan knowledge discovvery in database (KDD), adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining bisa dipakai untuk memperbaiki pengambilan keputusan dimasa depan[8].
III. REGRESI LINIER SEDERHANA Metode regresi linier tersusun atas dasar pola hubungan data yang relevan dimasa lalu. Pada umunya variabel yang diprediksi seperti persediaan barang , dinyatakan sebagai variabel yang dicari variabel ini dipengaruhi besarnya oleh variabel bebas. Hubungan yang terjadi antara variabel bebas dengan variabel yang dicari merupakan fungsi. Ada dua macam analisa hubungan dalam penyusunan prediksi yaitu[5]:
Analisa deret waktu Analisa sebab akibat
Langkah yang terpenting dilakukan dalam memilih metode deret waktu adalah mempertimbangkan jenis pola yang terdapat pada data observasi, sehingga data dapat di lakukan test. Pola analisa regresi mengasumsikan bahwa hubungan antara 2 variabel dapat dinyatakan dengan garis lurus. Menurut Sofyan Assauri pola garis lurus dapat dinyatakan dengan rumus
Y=a+bX
Untuk mendapatkan nilai a dan b maka dapat di dapatkan dengan rumus :
a= b=
Y’ : Nilai yang diramalkan
a : Konstanta (Intercept) b : Koefisien regresi (Slope)
X : Variabel yang mempengaruhi(waktu : Tahun, Bulan, Hari)
n : Jumlah data
Syarat – Syarat Regresi Linier 1. Datanya interval atau rasio 2. Data berdistribusi normal
3. Untuk memprediksi diperlukan persamaan regresi linear, yang berarti bahwa terdapat korelasi atau hubungan garis lurus antara variabel X dan Y, sehingga dapat diketahui bentuk hubungan:
x naik Y naik / x turun Y turun x naik Y turun/ x turun Y naik
IV. METODE PENELITIAN
Metode system development life atau SDLC adalah proses yang digunakan oleh analis sitem utuk mengembangkan sistem informasi, termasuk persyaratan, validasi kepemilikan, pelatihan, dan pengguna. SDCL memiliki beberapa model atau metodologi seperti “air terjun”, “spiral”, “agile”, “prototype”, “incremental”.
Model waterfall adalah paradigma rekayasa perangkat lunak yang paling luas dipakai dan paling tua. Model waterfall disebut juga classic life cycle. Metode waterfall melakukan pendekatan secara sistematis dan urut mulai dari analisa kebutuhan, desain system, penulisan kode program, pengujian program, penerapan program dan pemeliharaan. Karena model ini adalah waterfall maka dilakukan dari tahap demi tahap, seperti tahap desain system dapat dikerjakan jika tahap analisa kebutuhan telah selesai dilakukan.
Gambar 1 : SDLC Waterfall V. HASIL DAN PEMBAHASAN
Hasil penelitian direpresentasikan dalam tahap-tahap sebagai berikut
1. Tahap Analisa
Data yang diperoleh adalah data penjualan 3 bulan terakhir yaitu pada bulan Juli 2015 sampai dengan bulan September 2015. Dari data penjualan terdapat variabel “No”, “No.Transaksi”, “Tanggal”, “Nama Barang”, “Harga”, “Satuan”, “Total”. Karena analisa ini hanya dilakukan untuk material semen maka yang di butuhkan hanya variabel “Id”, “No Transaksi”, “Tanggal”, “Id Jenis” ,”Nama Barang”, “Harga”, “Satuan”, “Total”, “Id Periode”, “Id Jenis”.
2. Tahap Desain a.Usecase Diagram
Gambar 2: Usecase Diagram
b. Activiti Diagram
Gambar 3: Activiti Diagram 3. Implementasi
a. Halaman Awal
Halaman ini adalah halaman awal sistem saat dioperasikan, terdapat tombol hitung,dat dan grafik.
Gambar 4: Halaman Awal
b. Halaman Hitung
Dalam menu awal terdapat tombol pilih kode barang, pada sistem ini hanya terdapat 1 kode barang yaitu smn, klik lanjut untuk melanjutkan proses prediksi
Gambar 5: Halaman Hitung c. Halaman Perhitungan
Halaman ini akan menunjukan data yang telah terpilih untuk diproses selanjutnya, klik konversi
untuk melakukan
perhitungan.
Gambar 6: Data Perhitungan d. Halaman Konvrensi
Dalam halaman ini akan memperlihatkan perhitungan mulai dari penjumlahan data dan implementasi kedalam rumus regresi linier sederhana.
Gambar 7: Halaman Konvrensi
Gambar 8: Halaman Konvrensi e. Halaman Grafik
Halaman ini akan memunculkan hasil prediksi berupa grafik
Gambar 9: Halaman Grafik
f. Halaman Data
Halaman ini akan menampilkan semua data sesuai data yang ada.
4. Pengujian
Metode pengujian yang di gunakan adalah pengujian blackbox. pengujian blackbox dimana pengujian ini dilakukan untuk memastikan tanggapan/respons atas suatu event atau masukan akan menjalankan proses yang tepat dan menghasilkan keluaran/output sesuai dengan rancangan yang telah dibuat. Uji ini dilakukan pada menu utama dengan hasil sebagai berikut:
Tabel 1: Pengujian Input /
Event
Output Hasil
Lanjut Menampilkan data yang telah terpilih
Sesuai / OK Konversi Menampilkan perhitungan
regrsi linier
Sesuai / OK Grafik Menampilkan hasil
perhitungan dengan grafik
Sesuai / OK Data Menampilkan data seluruh
database
Sesuai / OK VI. KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian dan pengujian dalam metode data mining prediksi menggunakan regresi linier sederhana, pada akhir laporan penulis dapat memberikan kesimpulan adalah system prediksi persediaan barang telah diberhasil dibuat berbasis website dengan Bahasa pemrograman PHP-MySQL dan metode regresi linier diimplementasikan untuk proses prediksi persediaan untuk triwulan selanjutnya menggunakan data penjualan. Hasil dari implementasi system dapat digunakan untuk membantu memprediksi persediaan barang untuk triwulan selanjutnya .
Berdasarkan kesimpulan dan analisis laporan , saran dari peneliti untuk penelitian lebih lanjut yaitu :
1. System ini dapat dikembangkan untuk seluruh lingkup nama barang tidak hanya semen.
2. System ini dapat dimodifikasi menggunakan android untuk lebih praktis dalam melakukan prediksi.
REFERENSI
[1] Inti Sariani Jianta DJie, “Analisa Peramalan Penjualan Dan Penggunaan Metode Linear Programming Dan Decision Tree Guna Mengoptimalkan Keuntungan Pada PT Primajaya Pantes Garment” Jurnal The Winners, Volume: 14 No: 2, September 2013.
[2] Ririanti (0911654), “Implementasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi Kasus PT.Pilar Deli Labumas)” Pelita Informatika Budi Darma, Volume Pelita Informatika Budi Darma, Volume : VI, Nomor:1, Maret 2014
[3] Iriansyah BM, Sangadji, “Komparasi Model Regresi Untuk Prakiraan Beban Listrik Jangka Pendek Menggunakan Koefisien Dan Pembangkit Data Random, ”Jurnal Petir, Volume: 5 Nomor: 1,Januari-Mei 2012.
[4] Siti Maskuroh, “Analisa Keranjang Belanja dengan Aturan Asosiasi menggunakan Algoritma Apriori untuk Stok Barang pada Listrikmart, ” Universitas Dian Nuswantoro, Semarang 2015
[5] Rival Zunaidhi, Wahyu S.J. Saputra dan Ni Ketut Sari,” Aplikasi Peramalan Penjualan Menggunakan Metode Regresi Linier,” UPN ”Veteran” Jawa Timur, Volume: VII, Nomor : 3
[6] Ni Luh Nym Mirah Wedasari, “Perancangan Prediksi Persediaan Barang Pada Andis Griya Kebaya” STMIK STIKOM Bali, Oktober 2015 [7] Tanti Octavia, Yulia, Lydia, “Peramalan
StokBarang Untuk Membantu Pengambilan Keputusan Pembelian Barang Pada Toko Bangunan XYZ Dengan Metode Arima,” UPN
“Veteran” Yogyakarta, Mei 2013
[8] Kusrini & Emha Taufiq Luthfi, “Algoritma Data