Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page i
PERAMALAN KETERSEDIAAN BARANG
DENGAN METODE SINGLE EXPONENTIAL
PADA PT. SEJAHTERA PANCA JAYA
Sunarti, ST, M. Kom1, Deny Jollyta, M. Kom2
SEKOLAH TINGGI ILMU KOMPUTER (STIKOM) PELITA INDONESIA Jl. Ahmad Yani No 88 Telp. 0761-24418 Fax 0761-35508
,
[email protected]
Abstrak
Perkembangan teknologi informasi saat ini merupakan pemicu perusahaan dalam menggali potensi yang dimiliki oleh perusahaan untuk dapat lebih meningkatkan kinerja perusahaan. Sebagaimana diketahui bahwa, teknologi komputer pada saat ini sebagai salah satu alat bantu yang digunakan oleh masyarakat luas. Kinerja sistem informasi penjualan saat sekarang masih rendah, ini disebabkan oleh kegiatan-kegiatan yang dilakukan secara manual. Oleh sebab itu sistem yang manual tidak dapat menganalisa data transaksi terutama dalam hal penyediaan stok barang yang hanya dilakukan secara pekiraan, sehingga sering terjadi kekurangan stok pada beberapa jenis barang saat terjadinya transaksi penjualan. Dengan meramalkan ketersediaan stok barang menggunakan metoda single exponential smoothing sehingga dapat membantu sistem dalam pengambilan keputusan seperti menentukan jumlah pekiraan stok yang harus disediakan. Hasil penelitian membuktikan bahwa dengan menggunakan peramalan single exponential smoothing dapat membantu dalam menjaga ketersediaan barang dan meningkatkan kinerja sistem. Serta dengan dibangunnya sistem informasi yang terkomputerisasi dan jaringan client server memudahkan dalam penyimpanan, pencarian data dan pertukaran data antar bagian.
Kata kunci : Peramalan, Stok Barang, Single Exponential Smoothing, Sistem Informasi
Penjualan, client server,
Abstract
Development of information technology is now a trigger for the company in exploring the potential of the company to further improve the performance of the company. As we know, computer technology at this time as one of the tools used by the public. Sales information system performance while still low, is caused by activities carried out manually. Therefore, the manual system can not analyze transaction data, especially in terms of providing goods stocks pekiraan just done, so often there is a shortage of stock on certain types of goods when the sale transaction. With inventory availability forecasting using single exponential smoothing method that can assist in decision-making systems such pekiraan determine the amount of stock that must be provided. The results proved that by using single exponential smoothing forecasting can help in maintaining the availability of goods and improve system performance. As well as with the construction of a computerized information system and client server network to facilitate the storage, retrieval and exchange of between section.
Keyword : Forecasting, Stock, Single Exponential Smoothing, Sales Information Systems, client server
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 2
1. Pendahuluan
Perkembangan teknologi informasi saat ini merupakan pemicu perusahaan dalam menggali potensi yang dimiliki oleh perusahaan untuk dapat lebih meningkatkan kinerja perusahaan. Sebagaimana diketahui bahwa, teknologi komputer pada saat ini sebagai salah satu alat bantu yang digunakan oleh masyarakat luas. Dalam pengembangan dan peningkatan hasil penjualan dan nama baik perusahaan selain kualitas produk yang bagus, pelayanan juga sangat penting terutama bagi perusahaan yang bergerak di bidang penjualan dan layanan jasa. Pemanfaatan komputer dan perangkat lunaknya yang dirancang sesuai kebutuhan sistem dengan menganalisa objek-objek yang ada dapat membantu pendistribusi informasi, komunikasi data dan menangani pada permasalahan sistem.
PT. Sejahtera Panca Jaya merupakan sebuah perusahaan swasta yang bergerak dalam bidang penjualan dan jasa vulkanisir ban mobil yang berdiri sejak tahun 1982. Aktifitas-aktifitas pada perusahaan PT. Sejahtera Panca Jaya mencakup penjualan dan layanan jasa vulkanisir yang dilakukan oleh front office, gudang, dan berbagai bagian yang saling kerja sama. Sistem informasi yang digunakan oleh PT. Sejahtera Panca Jaya masih secara manual walaupun sebagian telah menggunakan alat teknologi komputer.
PT. Sejahtera Panca Jaya memiliki beberapa bagian, yaitu front office, administrasi, gudang, dan sales and tagih. Tiap bagian memiliki tugas masing-masing namun masih saling menghubungkan satu dengan yang lain, namun karena banyaknya kegiatan yang dilakukan secara manual, maka kinerja sistem dalam menanggapi masalah tidak maksimal. Terutama pada penyediaan stok barang seringkali terdapat permasalahan seperti, untuk jenis barang yang merupakan item laris yang justru harus distok lebih banyak untuk menenuhi permintaan pasar, tetapi dalam penjualan seringkali terdapat kekurangan stok pada item laris tersebut. Kemudian pada gudang terdapat cukup banyak stok pada beberapa jenis barang yang jarang dibutuhkan dalam permintaan. Hal ini menyebabkan kinerja pada proses penjualan rendah dan manajemen ketersediaan barang tidak bagus yang dikarenakan sistem pada PT. Sejahtera Panca Jaya masih belum memanfaatkan sistem komputerisasi. Sistem yang manual tersebut tidak dapat untuk menganalisa data-data yang ada dalam jumlah yang banyak, sehingga tidak dapat menghasilkan informasi berupa pengetahuan untuk perbandingan terhadap jenis barang yang banyak diminati oleh konsumen, yang kurang diminati, dan jumlah perkiraan ketersediaan yang seharusnya.
Data-data yang masih manual tersebut rentan akan rusak atau kehilangan, dan proses pengarsipan pada tiap bagian juga tidak terstruktur sehingga pendistribusian data dan informasi pada sistem sangat tidak mendukung. Kemudian dalam pencarian informasi juga tidak efisien, mengingat banyaknya jumlah data menyebabkan sistem dalam membuat laporan mengalami kesulitan dan laporan-laporan tersebut tidak dapat diselesaikan pada tepat waktu. Untuk itu perlunya database untuk penyimpan data dan pencarian data. Serta jaringan client server yang dibangun untuk menghubungkan antar bagian pada perusahan tersebut sehingga dapat membantu pengaksesan dan pendistribusian data antar bagian menjadi lebih cepat dan efisien.
2. Metode Penelitian 2.1. Peramalan (Forecasting)
Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalan memberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagian pemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasi tenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksi dan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas, produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi, dan lain sebagainya dapat pula dilakukan dengan metode peramalan.
Menurut albert (2005) Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Albert (2005)
menyatakan Asumsi dasar dalam penerapan teknik-teknik peramalan adalah : “If we can predict
what the future will be like we can modify our behaviour now to be in a better position, than we otherwise would have been, when the future arrives. ” Artinya, jika kita dapat memprediksi apa
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 3
yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebih baik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masa lalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat.
2.2. Model Rata-Rata Bergerak (Moving Average)
Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari suatu deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai karakteristik musiman atau seasonal. Model rata-rata bergerak mengestimasi permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n periode terakhir. Terdapat tiga macam model rata-rata bergerak, yaitu:
2.2.1. Simple Moving Average
Simple moving average merupakan suatu metoda peramalan dengan menggunakan
data-data pada massa lalu kemudian di jumlahkan dan melakukan perhitungan rata-rata untuk mengetahui suatu informasi yang mungkin akan terjadi. Rumus simple moving average adalah sebagai berikut :
Simple Moving Average (SMAt)=
n
Y
Y
Y
Y
t
t1
t2
....
tn1 Keterangan :Y = penjualan nyata pada periode tertentu T = suatu periode atau waktu tertentu
2.2.2. Centered Moving Average
Perbedaan utama antara Simple Moving Average dan Centered Moving Average terletak pada pemilihan observasi yang digunakan. Simple Moving Average menggunakan data yang sedang diobservasi tambah data sebelum observasi. Misalnya, menggunakan 5 periode moving average, maka untuk single moving average menggunakan data periode ke-5 dan 4 data periode sebelumnya.
Sebaliknya untuk CMA, “Center” berarti rataan antara data sekarang dengan menggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode moving average, maka SMA menggunakan data periode 3 ditambah data sebelumnya dan data sesudahnya. Didefinisikan sebagai berikut:
L
Y
Y
Y
CMA
t t L t t L 2 / ) 1 (( ) 2 / 1 (( ...
...
Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasi
merupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Yt = Y5 maka
intervalnya dimulai dari Y3 sampai Y7.
2.2. 3. Weighted Moving Average
Merupakan peramalan jangka panjang, menggunakan jangka data yang panjang dan memprediksi sesuatu yang memiliki nilai perubahan yang panjang, seperti harga barang, return of trading volumes.
Formula untuk Weighted Moving Average (WMAt):
n t n t t t
w
A
w
A
w
A
F
1 1
2 2
...
dan
n i iw
11
2.3. Exponential SmoothingMenurut Makridakis (1999) Metode Exponential Smoothing merupakan prosedur
perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential smoothing
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 4
terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi.
Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. Metode exponential smoothing dibagi lagi berdasarkan menjadi beberapa metode. Yaitu :
2.3.1. Single Exponential Smoothing
single exponential smoothing digunakan pada peramalan jangka pendek, biasanya
hanya 1 bulan ke depan. Model mengasumsikan bahwa data berfluktuasi disekitar nilai mean
yang tetap, tanpa trend atau pola pertumbuhan konsisten (Makridakis, 2006).
Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk semua data obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya. Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai kelemahan model peramalan Moving
Average. Untuk itu, digunakanlah metode single Exponential Smoothing agar kelemahan
tersebut dapat diatasi didasarkan pada alasan sebagai berikut, Metode single exponential
smoothing mempertimbangkan bobot data-data sebelumnya dengan memberikan bobot pada
setiap data periode untuk membedakan prioritas atas suatu data. Rumus untuk single
exponential smoothing adalah sebagai berikut:
Ft+1 = α * Xt + (1 – α) * Ft
Keterangan :
Ft = peramalan untuk periode t α = konstanta perataan antara 0 dan 1 Xt + (1-α) = Nilai aktual timeseries Ft+1 = peramalan pada waktu t + 1
2.3. 2. Double Exponential Smoothing
Metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus di
update setiap periode – level dan trendnya. Level adalah estimasi yang dimuluskan dari nilai
data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari
pertumbuhan rata-rata pada akhir masing-masing periode (Makridakis, 2006).
Rumus double exponential smoothing adalah:
St = α * Yt + (1 – α) * (St - 1 + bt - 1) bt = γ * (St – St - 1) + (1 – γ) * bt – 1
Ft + m = St + bt m
Keterangan :
St = peramalan untuk periode t. Yt + (1-α) = Nilai aktual time series
bt = trend pada periodeke - t
α = parameter pertama perataan antara nol dan
1, = untuk pemulusan nilai observasi
Y = parameter kedua, untuk pemulusan trend
Ft+m = hasil peramalan ke - m
m = jumlah periode ke muka yang akan diramalkan. 2.3. 3. Triple Exponential Smoothing
Metode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman (Makridakis, 1999). Untuk menangani musiman, telah dikembangkan parameter persamaan ketiga yang disebut metode Holt-Winters sesuai dengan nama penemunya. Terdapat dua model Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal model dan
Additive seasonal model.
Metode exponentian smoothing yang telah dibahas sebelumnya dapat digunakan untuk hampir segala jenis data stasioner atau nonstasioner sepanjang data tersebut tidak mengandung faktor musiman. Tetapi bilamana terdapat musiman, metode ini dijadikan cara
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 5
untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidak dapat mengatasi masalah tersebut dengan baik.
Meskipun demikian, metode ini dapat menangani factor musiman secara langsung
(Makridakis, 1999). Rumus yang digunakan untuk triple exponential smoothing adalah: Pemulusan trend: Bt =g (St – St-1) + (1 - g ) bt-1 Pemulusan Musiman: I = b t X t S + (1-b) t -L +m Ramalan: Ft + m = (St + bt m)It – L + m
Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b adalah komponen trend, I adalah factor penyesuaian musiman, dan Ft + m adalah ramalan untuk m periode ke muka.
Usecase Diagram Baru Dari Program Aplikasi
System
Front Office
Gudang
Administrasi Set Data Konsumen
Set Data Supplier
Set Data Barang
Mengisi Pembelian Mengisi Penjualan Pelunasan Hutang Pelunasan Piutang Cetak Laporan Penjualan
Cetak Laporan Stok
Cetak Laporan Hutang Cetak Laporan Piutang Cetak Laporan Vulkanisir Melakukan forecasting SES Input Vulkanisir Update Vulkanisir - - << Include >> «extends» << Extends >> Mengambil Data Transaksi Penjualan
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 6
Use case diagram yang menggambarkan interaksi antara aktor utama dengan sistemPT. Sejahtera Panca Jaya yang digambarkan pada use case dalam bentuk simbol elips ( ) dimana simbol tersebut adalah kegiatan yang dilakukan oleh aktor. Terdapat tiga aktor yaitu administrasi, front office, dan gudang. Aktor administrasi dalam interaksi dengan sistem dapat melakukan sebelas use case yaitu, melakukan set data konsumen, mengisi pembelian, Dalam pengisian pembelian terdapat assosiasi extends yaitu dapat melakukan use case set data supplier dan use case set data barang sekaligus. Use case kelima adalah melakukan pelunasan hutang dan selanjutnya pelunasan hutang, cetak laporan hutang, cetak laporan piutang. Selanjutnya melakukan forecasting single exponential smoothing yang merupakan
include dari transaksi penjualan selama 1 tahun belakang untuk perhitungan 1 bulan kedepan.
Aktor front office dalam interaksi dengan sistem dapat melakukan empat use case, yaitu mengisi penjualan, cetak laporan penjualan, cetak laporan stok, dan cetak laporan vulkanisir. sedangkan aktor gudang dapat melakukan lima use case, yaitu input vulkanisir,
update vulkanisir, cetak laporan vulkanisir, cetak laporan stok, dan cetak laporan penjualan. Activity Diagram Baru Dari Program Aplikasi
Gambar 2.2 Activity Diagram
Gambar 2.2 merupakan gambar activity diagram. Terlihat sebagian aktifitas berada dalam fork ( ) dan join ( ) yang berarti aktifitas tersebut dapat dikerjakan bersamaan
forecasting single exponential smoothing. Aktivitas fork dengan empat aktivitas yang dapat
dilakukan secara bersamaan, yaitu menentukan target forecasting, menentukan nilai konstanta, menentukan tanggal yang akan di forecasting, dan menentukan periode sample data. Kemudian akan masuk ke aktivitas analisis forecasting dan menampilkan hasil.
3. Hasil dan Analisa 3.1 Analisa
Untuk mengetahui peramalan ketersedian stok barang pada PT. Sejahtera Panca Jaya yaitu dengan melihat data-data transaksi penjualan selama 1 tahun berjalan untuk meramalkan stok barang 1 bulan kedepan. Pada table 3.1. merupakan contoh data transaksi penjualan pernomor faktur.
Tabel 3.1. Tabel Transaksi Penjualan
Nomor NAMA BARANG JENIS ITEM PADA TRANSAKSI
1 BL 750-16 GT 14PR , FLD 16L GT
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 7
3 BL 900-20-88N GT 14PR 4 BD 750-16 BS , FLD 16L GT 5 BL 900-20-88N GT 14PR 6 BL 750-16 GT 14PR , BD 750-16 GT , FLD 16L GT 7 M.DINGIN 750-16 8 BL 1000-20 GT 16PR M 9 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N , BL 1000-20 GT 16PR M , BD 900-20 GT , FLD 20R GT 10 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N 11 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N , BL 1000-20 GT 16PR M , BD 900-20 GT , FLD 20R GT 12 BL 750-16 SWALLOW JP , BD 750-16 SWALLOW . . . . . .Berikut langkah-langkah peramalan berdasarkan history transaksi penjualan
Langkah 1 : memilih objek peramalan, jangka waktu periode data dan penentuan nilai
konstanta. Misalkan dengan berdasarkan referensi pengetahuan objek yang ditentukan adalah BD 825-20 GT, jangka waktu periode data adalah 12 bulan dan nilai konstanta adalah 0.4. Kemudian Tabulasi data penjualan actual sales BD 825-20 GT dalam unit untuk 12 bulan adalah sebagai berikut :
Tabel 3.2 History Penjualan Nyata
Bulan Actual Sale
November 2011 43 Desember 2011 27 January 2012 50 Pebruary 2012 41 March 2012 50 April 2012 35 Mei 2012 14 June 2012 38 July 2012 33 Agustus 2012 22 September 2012 31 October 2012 51 November 2012 38
Langkah 2 : Peramalan terhadap objek pada bulan December adalah sebagai berikut :
A (konstanta) = 0.4
Xt (actual sale) November 2012 = 38 Ft ( nilai peramalan pada November 2012 )
actual sale ( November 2011 + Desember 2011 + January 2012 + February 2012 + March 2012 + April 2012 + Mei 2012 + June 2012
+July 2012 + Agustus 2012 + September 2012 + October 2012) jangka waktu periode data
43+27+50+41+50+35+14+38+33+22+31+51 12 36.25 = = =
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 8
Ft+1 (nilai peramalan terhadap desember 2012) = α * Xt + (1 – α) * Ft
Peramalan terhadap penjualan bulan Desember 2012 untuk objek BD 825-20 GT adalah 37 buah. Dengan hasil peramalan ini dapat membantu pengguna sistem dalam pengambilan keputusan, terutama dalam menjaga ketersediaan barang.
3.2 Hasil
3.2.1. Menu Administrasi
Gambar 3. 1. Menu Administrasi
Form ini digunakan oleh bagian administrasi dan menu yang ditampilkan sesuai kebutuhan
sistem bagian administrasi
Gambar 3.2. Form Penjualan
Form ini digunakan oleh bagian front office dalam melakukan transaksi penjualan. Diisi
tanggal, kode konsumen, nomor faktur, kode barang, harga jual, jumlah yang akan dibeli.
= (0.4 * 38) + ( (1 - 0.4 ) * 36.25 ) )
= 15.2 + 21.75
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 9
Gambar 3.3. Laporan Penjualan
Gambar 3.4. Faktur Penjualan
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 10
Gambar 3.5. merupakan form yang digunakan oleh bagian administrasi. User kemudian menentukan objek peramalan, nilai konstanta, bulan yang akan diramal, dan periode sampel data kemudian tekan tombol “SMOOTHING” maka sistem akan memberikan hasil peramalan terhadap objek tersebut. Hasil tersebut dapat digunakan sebagai informasi dalam penyediaan stok barang ataupun target penjualan per masing-masing barang pada periode yang akan datang.
4. Kesimpulan
Berdasarkan penelitian yang telah dilakukan pada PT. Sejahtera Panca Jaya, sehingga dapat menarik beberapa kesimpulan sebagai berikut :
1. Sistem komputerisasi pada PT. Sejahtera Panca Jaya meningkatkan kinerja penjualan, serta kegiatan-kegiatan yang dilakukan oleh sistem seperti pencatatan data transaksi, keluar masuk stok, dan meyediakan laporan-laporan menjadi lebih cepat dan efektif.
2. Program peramalan dengan metoda single exponential smoothing pada PT. Sejahtera Panca Jaya dapat menghasilkan jumlah perkiraan penjualan terhadap jenis item barang, sehingga berdasarkan informasi yang dihasilkan dapat membantu sistem dalam pengambilan keputusan, seperti jumlah perkiraan penyediaan stok.
3. Database terpusat pada sistem PT. Sejahtera Panca Jaya telah membentuk sebuah pengarsipan yang terstruktur, sehingga mempercepat pencarian data dan data-data tersebut dapat tersimpan dengan baik.
4. Jaringan Local Area Network yang dirancang pada sistem PT. Sejahtera Panca Jaya dapat membantu setiap unit kerja dalam mendistribusikan dan pengaksesan data menjadi lebih cepat dan efisien.
5. Saran
Sistem informasi penjualan dapat dikembangkan sesuai kebutuhan yang terus bertambah, sehingga kegiatan-kegiatan pada tiap unit kerja dapat dilakukan dengan lebih baik dan maksimal.
Database pada sistem dapat dikembangkan dengan database sistem terdistribusi,
sehingga pengarsipan data dilakukan dengan terstruktur pada tiap unit kerja dan tidak hanya pada pusat. Metode Peramalan bisa dikembangkan dengan menggunakan metode yang lain.
Refesensi
Alam, Agus J. Mengolah Database dengan Borland Delphi 7. Elex Media Komputindo, Jakarta, 2004.
Febrian, J. Kamus Komputer dan Teknologi Informasi. Informatika, Bandung, 2007. Irwanto dan Djon, M.M. Perancangan Object Oriented Software dengan UML. Edisi I, Andi Offset, Yogyakarta, 2005.
Kurniawan dan Wiharsono. Jaringan Komputer. Edisi I, Andi Offset, Yogyakarta, 2007.
Kadir, A. Dasar Perancangan&implementasi Database Relasional, Andi, Yogyakarta,2008.
Sulianta, F dan D. Juju. Data Mining Meramalkan Bisnis Perusahaan. Elex Media Komputindo, Jakarta, 2010.
Yuswanto dan Subari. Mengolah Database dengan SQL Server 2000, Prestasi
Pustaka Publisher, Jakarta, 2005.
Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011
Page 11
http://id.shvoong.com/society-and-news/2012515-pengertian-teknologi-informasi/ http://forecastingknowlegde.com/exponential+smoothing
