Jurnal Multimedia dan Teknologi Informasi

(1)

Journal Homepage: www.journal.cattleyadf.org/index.php/jatilima

Penerapan Metode Autoregressive Integrated Moving Average (ARIMA)

Dalam Memprediksi Jumlah Penjualan Bingkai

Pristiwanto

STMIK Budi Darma Medan Email Adress :[email protected]

Received: 19 Maret 2020/ Accepted: 15 April 2020

Abstract

Ektaco Sumber Foto is a company engaged in photo printing and is one of the largest photo labs in , which serves and facilitates photography needs for photographers. Ektaco Sumber Foto serves every day and facilitates the needs of photographers such as photo printing, frames, exclusive albums and press albums. The world of photographers is experiencing very rapid development from the film era to the digital era, which makes consumers increasingly modernize photographer prints with certain designs and sizes and combine them with photo frames. Forecasting is forecasting something that hasn't happened yet. This research was conducted with quantitative forecasting methods. Box-Jenkins Periodic Series (ARIMA) method is a forecasting method that involves statistical analysis of past data. This ARIMA completely ignores the independent variables because this model uses the present values and past values of the independent variables to produce accurate short-term predictions or forecasts. Forecasting is important for every business organization and for every management decision making that is very significant. Forecasting is the basis for a company's long-term planning. The accuracy of the results of business forecasting will increase opportunities for achieving profitable investments in the company.

Keyword : Ektaco Photo Source, Prediction, Arima Method.

Abstrak

Ektaco Sumber Foto merupakan perusahaan yang bergerak dalam bidang percetakan foto dan merupakan salah satu lab foto terbesar di , yang melayani dan memfasilitasi kebutuhan fotografi untuk kalangan fotografer. Ektaco Sumber Foto setiap harinya melayani dan memfasilitasi kebutuhan fotografer seperti cetak foto, bingkai, album ekslusif, dan album press. Dunia fotografer mengalami perkembangan sangat pesat dari era film ke era digital, yang membuat konsumen semakin memoderenisasi hasil cetak fotografer dengan design dan ukuran tertentu dan mengkombinasinya dengan bingkai foto. Peramalan (Forecasting) adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi. Penelitian ini dilakukan dengan metode peramalan kuantitatif. Metode Deret Berkala (Time Series) Box-Jenkins (ARIMA) adalah metode peramalan yang melibatkan analisis statistik terhadap data-data masa lalu. ARIMA ini sama sekali mengabaikan variabel independen karena model ini menggunakan nilai sekarang dan nilai-nilai lampau dari variabel bebas untuk menghasilkan prediksi atau ramalan jangka pendek yang akurat.Peramalan (forecasting) merupakan hal yang penting bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signiﬁkan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Ketepatan hasil peramalan bisnis akan meningkatkan peluang tercapainya investasi yang menguntungkan perusahaan.

Kata Kunci: Ektaco Sumber Foto , Prediksi, Metode Arima.

1. Pendahuluan

Ektaco sumber foto merupakan perusahaan yang bergerak dalam bidang percetakan foto dan merupakan salah satu lab foto terbesar di , yang melayani dan memfasilitasi kebutuhan fotografi untuk kalangan fotografer. Ektaco Sumber Foto setiap harinya melayani dan

(2)

Published : 16 April.2020 Page 30

memfasilitasi kebutuhan fotografer seperti cetak foto, bingkai, album ekslusif, dan album

press. Fotografer mengalami perkembangan sangat pesat dari era film ke era digital, yang

membuat konsumen semakin memodernisasi hasil cetak fotografer dengan design dan ukuran tertentu dan mengkombinasikannya dengan bingkai foto. Bingkai adalah tepi dekoratif yang dibuat untuk memasang sebuah gambar, foto, atau lukisan [1] [2]. Bentuk bingkai biasanya persegi panjang atau oval, atau dengan bentuk-bentuk yang lain dengan berbagai motif dan warna. Bingkai foto biasanya digantung didinding atau dipajang diatas meja. Ektaco Sumber Foto menyediakan bingkai berbahan fiber, yang mempunyai banyak motif dan beberapa warna yang bisa di pesan sesuai ukuran yang diinginkan oleh fotografer. Banyaknya motif dan warna bingkai foto yang tersedia membuat Ektaco Sumber Foto masih mengalami kesulitan dalam penyediaan bingkai foto. Prediksi penjualan yang tidak baik mengakibatkan penumpukan persediaan barang yang berlebihan dan bahkan terjadi kekosongan barang dalam waktu yang lebih cepat dari waktu yang diperkirakan sebelumnya. Penumpukan dan kekosongan persediaan bingkai foto sangat berpengaruh dengan penjualan di Ektaco Sumber Foto, karena setiap fotografer selalu menyesuaikan bingkai foto dengan foto permintaan dari para fotografer. Prediksi atau peramalan sangat berguna untuk melihat gambaran- gambaran tentang masa depan sehingga Pimpinan Ektaco Sumber Foto dapat mengantisipasinya dengan kejadian mendatang, agar tidak terjadi penumpukan atau kekosongan dalam persediaan bingkai foto. Misalnya, Ektaco Sumber Foto dapat memperkirakan bingkai motif dan warna apa yang semakin laris di tahun 2016. Para fotografer dapat terus menyesuaikan foto yang dicetak dengan bingkai foto yang sesuai. Predikasi atau peramalan yang baik akan meningkatkan penjualan di Ektaco Sumber Foto, karena fotografer tidak akan kecewa karena persediaan bingkai yang diminati akan tetap terpenuhi dan motif bingkai foto akan terus di perbaharui sesuai dengan waktu yang diprediksikan [3] [4] dengan melihat jumlah penjualan pada tahun – tahun sebelumnya. Uraian permasalahan yang terlihat dan mengetahui manfaat yang dihasilkan untuk penjualan [5] [6] bingkai foto di Ektaco Sumber Foto, maka Ektaco Sumber Foto menggunakan peramalan (forecasting) dengan metode ARIMA untuk mengetahui penjualan bingkai foto pata tahun – tahun yang akan datang. Peramalan

(forecasting) adalah perkiraan mengenai sesuatu yang belum terjadi [7] [8] [9]. Penelitian ini

dilakukan dengan metode peramalan kuantitatif dengan menggunakan Metode Derret Berkala

(Time Series) Box – Jenkins (ARIMA) adalah metode peramalan yang melibatkan analisis

statistik terhadap data – data masa lalu [10] [11].

2. Metode Penelitian

Pada pembahasan ini suatu masalah diperlukan tahapan penelitian dan data yang lebih banyak yang akan digunakan sebagai dasar untuk memecahkan masalah yang dihadapi.

1. Pengumpulan data

Data – data dalam penelitian diperoleh langsung dari objek penelititan dan dari berbagai sumber. Langkah-langkah dalam pengumpulan data diuraikan sebagai berikut.

a. Pengamatan

Observasi dalam penelitian ini dilakukan oleh peneliti dan pengamat. Observasi dalam penelitian ini adalah observasi langsung yaitu melihat dan mengamati secara langsung, kemudian mencatat perilaku dan kejadian yang terjadi pada keadaan sebenarnya. b. Wawancara

Wawancara pada penelitian ini menggunakan interview tidak berstruktur karena peneliti memandang model ini adalah yang paling luwes, dimana subyek diberi

(3)

kebebasan untuk menguraikan jawabannya dan ungkapan – ungkapan pandangannya secara bebas dan sesuai harinya.

c. Studi Pustaka

Metode pengumpulan data dengan cara study literature, yaitu dengan memahami masalah dan melakukan pengumpulan data dari artikel-artikel, karya ilmiah, buku-buku, dokumen serta cetakan maupun file yang bersumber dari Internet agar penelitian ini dapat di percaya.

2. Analisis Data

Setelah semua data terkumpul, maka dilakukan analisis data melalui beberapa tahap. Mengumpulkan data-data penjualan bingkai foto beberapa tahun sebelumnya untuk dilakukan perhituungan terhadap penjualan yang akan datang. Kemudian mengklarifikasi data, dan mentabulasi data yang telah terkumpul. Selanjutnya dilakukan pengolahan data dengan bentuk komputerisasi.

a. Penerapan Metode

Pada saat data sudah dipersiapkan dengan jelas maka langkah berikutnya akan dilanjutkan terhadap penggunaan metode Arima sebagai bagian dari Sistem Pendukung Keputusan dan menghasilkan nilai secara manual.

b. Perancangan Aplikasi

Proses desain aplikasi disesuaikan dengan alur kerja sistem, tahap-tahap pengerjaan sistem serta tahap-tahap berjalannya sistem dengan baik. Pada tahap desain peneliti menjabarkan tentang kerangka pikir sistem melalui flowchart, rancangan proses melalui DFD (Data flow diagram), rancangan database, dan rancangan interface (antarmuka)

c. Pengujian Aplikasi

Tahapan ini merupakan pengujian terhadap sistem yang telah dibuat dengan menggunakan black box testing. Black box testing yang dilakukan berupa pengujian terhadap faktor correctness berupa kebutuhan-kebutuhan fungsional sistem dan pengujian terhadap alur dan hasil perhitungan sistem, untuk memastikan bahwa perhitungan yang dilakukan sistem telah sesuai dengan alur yang seharusnya [12].

3. Analisa dan Pembahasan

Ektaco Sumber Foto merupakan salah satu lab foto terbesar di kota , yang bergerak dalam bidang percetakan foto dan penyedia keperluan cuci cetak foto, album press, album eksklusif dan juga bingkai foto. Peningkatan jumlah penjualan per tahunnya selalu menjadi satu hal penting yang sangat diharapkan oleh Ektaco Sumber Foto, oleh karena itu perlu dilakukan prediksi atau peramalan terhadap gambaran masa depan tentang masalah penjualan bingkai di Ektaco Sumber Foto. Ektaco Sumber Foto sangat berharap adanya peningkatan penjualan bingkai foto setiap tahunnya, sehingga untuk membantu terjadinya peningkatan penjualan bingkai foto, Ektaco Sumber Foto menerapkan metode peramalan masa depan dengan melihat data-data penjualan tahun sebelumnya

Data Jumlah Bingkai Foto

Data yang akan dianalisa dalam penelitian ini adalah data jumlah penjualan bingkai foto yang ada di Ektaco Sumber Foto. Sebagaimana pada batasan masalah, data yang dianalisa adalah data jumlah penjualan bingkai foto dari tahun 2016 sampai dengan 2019, yang di peroleh dari Ektaco Sumber Foto seperti pada tabel dibawah ini:

(4)

Tabel 1. Data Penjualan Bingkai Foto pada Ektaco Sumber Foto

Kode Tahun Bingkai 2016 2017 2018 2019 E10048 200 120 300 369 E55060111W 185 148 126 216 E1022ABS 173 234 275 324 E808081C 240 164 141 206 E1867WS 184 213 250 163 E104070W 159 226 241 439 E8054010G 111 118 145 120 E5511011H 87 101 97 121 E6015056 110 176 195 294 E878A20 162 120 284 323 E878A1842 99 127 140 154 E3214 137 193 285 346 E41411S 138 136 140 209 E96007478 172 274 388 418 E9670083093 125 241 346 382 E324040S 120 141 190 203 E5505011 92 166 202 183 E821858 91 162 306 270 E8522105 151 216 264 349 E8006303 190 246 283 362 E243980I 180 245 327 390 E243980Y 148 323 351 403

Sebelum melakukan penganalisaan data, terlebih dahulu dilakukan uji kecukupan sampel. Hal ini perlu dilakukan untuk menentukan apakah banyaknya sampel data yang telah ada dapat diterima sebagai sampel atau tidak. Berikut pengujian sampel:

(5)

Published : 16 April.2020 Page 33 Data aktual

Y

_t= 240 + 323 + 388 + 439 Maka,



 





7,676



58,92 ' 989 592 . 7 ' 989 123 . 144 20 ' 989 121 . 978 244 . 122 . 1 20 ' 989 989 561 . 280 4 20 ' 20 ' 2 2 2 2 2 2 2 2 1 1 1 2 2                                     _                         



   N N N N N Y Y Y N N _N t t N t N t t t

Karena N’ < N maka data penjualan yang telah ada pada tabel dapat diterima sebagai sampel. Untuk menghitung nilai koefisien autokorelasi dapat dihitung dengan menggunakan persamaan berikut:



                    _         n t t k n t k t t k Y Y Y Y Y Y r 1 2 1 Dengan : n Y Y n t t



   1 100 . 932 . 1 194 . 505 390 . 1 4 2 1 1 2 1          



   N t t N t t N t t Y Y Y N

(6)

Published : 16 April.2020 Page 34 Maka :

25 ,

247

4

989

4

369

300

120

200 







  

Y

Untuk r1 maka diperoleh :

2 ... ... 5 2 2 2 1 5 4 1 2 2 1 1 1 1                                               _               _                    Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y r Maka





 



 



159 , 0 74 , 030 . 36 44 , 722 . 5 06 , 823 . 14 56 . 782 . 2 56 , 192 . 16 56 , 232 . 2 31 , 422 . 6 ) 43 , 712 . 6 ( 56 , 012 . 6 75 , 121 75 , 52 ) 25 , 127 ( ) 25 , 47 ( ) 75 , 121 75 , 52 ( 75 , 52 ) 25 , 127 ( ) 25 , 127 )( 25 , 47 ( ) 25 , 247 369 ( ) 25 , 247 300 ( ) 25 , 247 120 ( ) 25 , 247 200 ( ) 25 , 247 369 ( 25 , 247 300 25 , 247 300 25 , 247 120 25 , 247 120 25 , 247 200 2 2 2 2 2 2 2 2 1                                     x

r

Nilai-nilai koefisien autokorelasi dan autokorelasi parsial dari data jumlah bingkai foto dapat diperoleh data seperti dibawah ini:

Tabel 2. Nilai Koefisien Autokorelasi dan Autokorelasi Parsial Lag Autokorelasi Lag Autokorelasi Parsial

1 ,159 1 ,159

2 -,499 2 -,538

Plot nilai koefisien autokorelasi dan autokorelasi parsial data asli dapat dilihat pada gambar berikut ini:

(7)

Gambar 1. Plot Nilai Koefisien Autokorelasi Data Asli

Gambar 2. Plot Koefisien Autokorelasi Parsial

Identifikasi Model

Untuk menentukan ordo dari proses Autoregressive dapat dilihat dari banyaknya nilai koefisien autokorelasi parsial yang berbeda nyata dari nol. Dari nilai koefisien autokorelasi parsial data asli terlihat bahwa hanya ada 1 nilai koefisien autokorelasi parsial yang berbeda nyata dari nol, yaitu nilai koefisien korelasi lag ke-1 (0,159), sehingga ordo dari (AR)P =1.

(8)

Ordo proses Autoregressive dan ordo proses Moving Average diperoleh model ARIMA yang baru yaitu ARIMA(1,0,1). Sehingga dimiliki 3 (tiga) model ARIMA yakni:

1. ARIMA(1,0,0) 2. ARIMA(0,0,1) 3. ARIMA(1,0,1)

Estimasi Parameter Model

Tahap selanjutnya setelah model ARIMA diperoleh adalah estimasi yaitu mencari nilai estimasi terbaik atau paling efisien untuk parameter model. Dalam tahap ini akan diestimasi parameter-parameter yang tidak diketahui yakni ,.

1. Estimasi Parameter Model ARIMA (1,0,0)

Menentukan konstanta nilai AR(1), berikut nilai konstanta menggunakan program SPSS. Tabel 3. Parameter Model ARIMA (1,0,0)

(9)

Menentukan konstanta nilai MA(1), berikut nilai konstanta menggunakan program SPSS. Tabel 4. Parameter Model ARIMA (0,0,1)

(10)

Tabel 5. Parameter Model ARIMA (1,0,1)

Tahap Peramalan

Ketiga model yang diperoleh dihitung nilai ramalan untuk tahun 2016. Kemudian dihitung nilai rata-rata persentase kesalahan atau MSE. Adapun nilai masing-masing MSE dari ketiga model tersebut dapat dilihat pada tabel berikut ini:

Tabel 6. Nilai MSE Model ARIMA

Model ARIMA Nilai MSE Forecast/Prediksi

ARIMA (1,0,0) 17,070= 17,1% 371 (E96007478)

ARIMA (0,0,1) 15,778= 15,8 % 368 (E96007478)

ARIMA (1,0,1) 22,108= 22,1% 393 (243980I)

Nilai MSE yang terkecil adalah MSE dari model ARIMA (0,0,1), sehinggga model ARIMA (0,0,1) telah sesuai dengan data jumlah penjualan bingkai foto dengan model ARIMA (0,0,1)dan telah sesuai untuk tujuan prediksi penjualan bingkai foto pada tahun 2020. Prediksi penjualan bingkai fotountuk tahun 2020 dengan taraf kepercayaan 95%. Interval prediksi dapat dilihat pada tabel berikut ini :

(11)

Tabel 7. Data Jumlah Penjualan Bingkai Foto Tahun 2020

Berdasarkan hasil diatas maka di ambil kesimpulan bahwa prediksi penjualan bingkai foto paling banyak pada tahun 2016adalah bingkai foto dengan kode E96007478 dengan persentasi error 15,8%.

4. Kesimpulan

Berdasarkan hasil penelitian yang dilakukan maka diperoleh kesimpulan sesuai dengan hasil dari penelitian sebagai berikut:

1. Ektaco Sumber Foto menggunakan data penjualan mulai dari April 2016 sampai dengan September 2016 untuk mendapatkan prediksi penjualan bingkai foto pada tahun 2020 dengan menggunakan metode ARIMA.

2. Metode Autoregressive Integrated Moving Average (ARIMA) diterapkan dalam aplikasi SPSS. Hasil prediksi didapatkan setelah menginput data penjualan yang telah disimpan dalam excel, kemudian data tersebut diimport ke dalam SPSS.

3. Dari hasil penerapan model ARIMA dengan data jumlah penjualan bingkai foto di Ektaco Sumber Foto dari April 2016 sampai dengan September 2020 dapat disimpulkan bahwa prediksi penjualan bingkai untuk tahun 2020, dengan plot nilai koefisien autokorelasi untuk mengidentifikasi proses Moving Average (MA(q) = 1), plot nilai koefisien

autokorelasi parsial untuk mengidentifikasi proses Autoregressive (AR(p) = 1), sehingga

(12)

0, 1), dengan prediksi penjualan terbanyak adalah kode E96007478 sebanyak 368 bingkai foto menggunakan model ARIMA (0, 0, 1) dengan nilai MSE 15,778.

Referensi

[1] A. A. Susanto, “Fotografi adalah Seni: Sanggahan terhadap Analisis Roger Scruton mengenai Keabsahan Nilai Seni dari Sebuah Foto,” J. Urban Soc. Arts, 2017, doi: 10.24821/jousa.v4i1.1484.

[2] W. Wulandari, “Seni Dalam Fotografi Disorientasi,” J. Desain, 2015.

[3] I. Wahyuni, N. Nafi’iyah, and Masruroh, “Sistem Peramalan Penjualan Perumahan di Kabupaten Lamongan dengan Menggunakan Metode Regresi Linier Berganda,” Semin.

Nas. Sist. Inf. 2019, 2019.

[4] D. Pribadi, R. Ramadhan, R. A. Saputra, and J. M. Hudin, “WEB E-COMMERCE DENGAN SISTEM PREDIKSI TRANSAKSI PENJUALAN MENGGUNAKAN

METODE K-NEAREST NEIGHBOR,” Swabumi, 2018, doi:

10.31294/swabumi.v6i1.3321.

[5] M. Ferdika and H. Kuswara, “Sistem Informasi Penjualan Berbasis Web Pada PT Era Makmur Cahaya Damai Bekasi,” Inf. Syst. Educ. Prof. E-ISSN 2548-3587, 2017.

[6] T. Pradiani, “PENGARUH SISTEM PEMASARAN DIGITAL MARKETING

TERHADAP PENINGKATAN VOLUME PENJUALAN HASIL INDUSTRI RUMAHAN,” J. Ilm. Bisnis dan Ekon. Asia, 2018, doi: 10.32812/jibeka.v11i2.45. [7] R. Rahmadayanti, B. Susilo, and D. Puspitaningrum, “Perbandingan Keakuratan

Metode Autoregressive Integrated Moving Average (Arima) dan Exponential Smoothing pada Peramalan Penjualan Semen di PT Sinar Abadi,” J. Rekursif, 2015.

[8] F. S. Purnomo, “PENGGUNAAN METODE ARIMA (AUTOREGRESSIVE

INTEGRATED MOVING AVERAGE) UNTUK PRAKIRAAN BEBAN KONSUMSI LISTRIK JANGKA PENDEK (SHORT TERM FORECASTING),” 2015.

[9] A. Nofiyanto, R. A. Nugroho, and D. Kartini, “Peramalan Permintaan Paving Blok Dengan Metode ARIMA,” Proc. Konf. Nas. Sist. dan Inform., 2015.

[10] S. Pangestu, “Forecasting Konsep dan Aplikasi Edisi Tiga,” 2013.

[11] M. B. Pamungkas, “APLIKASI METODE ARIMA BOX-JENKINS UNTUK MERAMALKAN KASUS DBD DI PROVINSI JAWA TIMUR,” Indones. J. Public

Heal., 2019, doi: 10.20473/ijph.v13i2.2018.183-196.

[12] A. Nugroho, Rekayasa perangkat lunak berorientasi objek dengan metode USDP. Penerbit Andi, 2010.