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

(1)

1 SISTEM INFORMASI PERAMALAN PENJUALAN DENGAN

METODE ARIMA BOX-JENKINS

(STUDI KASUS PADA PT. TERA DATA INDONUSA)

Masyatin Rais1)

1) S1/Jurusan Sistem Informasi, STIKOM Surabaya, email: masyatin.rais@yahoo.co.id

Abstract : PT. Tera Data Indonusa is a private company engaged in the distribution of laptop brands AXIOO.

Managers are required to be able to analyze the environment continues to change and predict various possibilities that will occur in the future due to the rapid development of today's laptop distributor, causing competition among distributors to attract as many customers in the form of providing the best services such as the availability of adequate supplies each month. One that can be done is to learn the value of existing sales in the past to predict sales in the future, so as to know the number of items that must be provided.

Keywords:Distribution, Sales Forecast, Periodic Revie System

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 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).

(2)

2

Landasan Teori

Penjualan

Penjualan adalah semua kegiatan

usaha yang diperlukan agar terjadi

perpindahan milik dari barang dan jasa. Dapat diketahui bahwa penjualan sangat penting bagi perusahaan karena berfungsi untuk menghubungkan antara barang dan jasa dari produsen sampai ke konsumen.

Persediaan

Persediaan dapat didefenisikan

sebagai bahan yang disimpan dalam gudang untuk kemudian digunakan atau di jual. Persediaan dapat berupa bahan baku untuk keperluan proses barang-barang yang masih dalam pengolahan, dan barang jadi yang disimpan untuk penjualan.

Peramalan

Dalam melakukan analisis ekonomi atau analisis kegiatan usaha perusahaan, haruslah diperkirakan apa yang akan terjadi dalam bidang ekonomi atau dalam usaha pada masa yang akan datang. Sebagaimana yang dikemukakan oleh Martiningtyas (2004) dalam

bukunya Statistika bahwa “Kegiatan untuk

mmemperkirakan apa yang terjadi pada masa yang akan datang disebut peramalan (forecasting)”

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]

Stasioner

Stasioner berarti keadaan data time series relative tidak terjadi kenaikan ataupun penurunan nilai secara tajam. Dengan kata lain fluktuasi data berada pada sekitar nilai rata-rata yang konstan.

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 :

(

∑

(

)

Model regresi sederhana yang digunakan adalah sebagai berikut :

(3)

3

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 :

dimana :

|

Model regresi sederhana yang digunakan adalah sebagai berikut :

Pengukuran Kesalahan Peramalan

n ei MSE n i



  1 2 Keterangan:

MSE = Mean Squared Error atau nilai kesalahan kuadrat

ANALISA SISTEM

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 penjualan jenis produk sebelum diterapkannya system ini hanya berdasarkan data penjualan satau periode sebelumnya. 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 dengan menggunakan metode peramalan yang tepat, membuat perusahaan mampu mengoptimalkan penjualan setiap bulannya.

MULAI DATA PENJUALAN BULANAN METODE KLASIFIKASI ABC DATA PENJUALAN KLASIFIKASI KELAS A

CEK DATA STASIONER DALAM VARIAN MENGGUNAKAN METODE SPEARMAN Apakah Stasioner dalam varian?

CEK DATA STASIONER DALAM MEAN MENGGUNAKAN DICKEY FULLER Apakah Stasioner dalam Mean? DATA PENJUALAN STASIONER PROSES AUTOKORELASI DAN PARSIAL AUTOKORELASI PENGESTIMASIAN PARAMETER MENGGUNAKAN METODE MOMENTUM

PERAMALAN DENGAN ARIMA

DATA PERAMALAN PENJUALAN

Metode PRS

DATA BARANG JADI YANG HARUS DIPRODUKSI Ya SELESAI Ya TRANSFORMASI DATA DIFFERENCING IDENTIFIKASI PENAKSIRAN DAN PENGUJIAN PENERAPAN

Gambar 1 Flowchart ARIMA Box-Jenkins

(4)

4

Metode Klasifikasi ABC

Metode ini digunakan untuk membagi prduk-produk menjadi tiga keelompok 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%).

Identifikasi

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).

Context Diagram

Data Laptop Data Penjualan 0 Sistem Peramalan Penjualan + User

Gambar 2 Context Diagram

Data Flow Diagram Level 0 Sistem Peramalan Penjualan

DFD level 0 merupakan penjabaran dari context diagram, dimana terdapat dua proses yaitu proses maintenance data dan proses seleksi dan peramalan produk. Pada proses maintenance data terdiri atas semua data yang berhubungan dengan kain dan penjualan. Setelah proses maintenance data selesai maka dilakukan proses kedua yaitu seleksi dan peramalan. Proses seleksi dan peramalan,

mengolah data untuk diseleksi dan

diramalakan. Data Penjualan Hasil Peramalan Data Peramalan Hasil Peramalan Data Laptop Data Laptop Data Penjualan Data Penjualan Data Laptop Data Penjualan User 1 Maintenance Data

+

2 Seleksi dan Peramalan Produk

+

1 Penjualan 2 Laptop 3 Peramalan Gambar 3

DFD Level 0

Data Flow Diagram Level 1 Maintenance Data

DFD level 1 Maintenance terdapat dua proses antara lain maintenance laptop dan

(5)

5

maintenance kain menyimpan data kain pada database kain. Sedangkan proses maintenance penjualan menyimpan data penjualan pada database penjualan. Data Laptop Data Laptop Data Penjualan Data Laptop Data Penjualan User 1 Penjualan 2 Laptop 1 Maintenance Laptop 2 Maintenance Penjualan

Gambar 4

DFD Level 1

Maintenance Data

Data Flow Diagram Level 1 Seleksi dan Peramalan Produk

DFD level 1 terdapat dua proses antara lain seleksi dan peramalan. Proses seleksi merupakan proses untuk penyelesaian produk, data hasil dari seleksi akan disimpan dalam database peramalan yang nantinya digunakan untuk proses peramalan.

Data Penjualan Hasil Peramalan Data Peramalan Hasil Peramalan Data Penjualan 1 Penjualan 3 Peramalan User 1 Seleksi 2 Peramalan

Gambar 5 DFD Level 1 Seleksi dan Peramalan Produk

Entity Relational Diagram (ERD)

Entity relationship diagram adalah suatu alat untuk mempresentasikan model data yang ada pada sistem dimana terdapat

entity dan relationship. Entity merupakan objek yang ada dan terdefinisikan di dalam suatu organisasi, dapat berupa abstrak/nyata, misal dapat berupa orang, objek/waktu kejadian.

Conceptual Data Model

Untuk menggambarkan konsep

database yang digunakan dalam aplikasi dapat

digambarkan pada conceptual data model

(CDM) seperti pada Gambar 6 di halaman 6,

sehingga dapat diketahui database apa saja

(6)

6

[Id _B ara ng ] = [I d_ B ar an g] [Id _Ju al] = [ Id _Ju al] [Id _P eg aw ai] = [I d_ P eg aw ai] [Id _B ara ng ] = [I d_ B ar an g] [d ata ] = [d at a] [N o] = [N o] [N o] = [N o] [ID _C ust om er ] = [I D _C ust om er] [Id _B ara ng ] = [I d_ B ar an g] [Id _Ju al] = [ Id _Ju al] [P e ra m al an ] [Id _R am al ] [v ar ch a r][ 10 ] [Id _B ar an g ] [v ar ch a r]( 10 ) [B ln _ P e ra m al an ] [d at et im e] [P e ra m al an ] [v ar ch a r]( 50 ) [S ta tio ne r] [Z xt] [fl oa t] [X t] [fl oa t] [D e lta X t] [fl oa t] [E ] [fl oa t] [R a nk E ] [fl oa t] [R a nk X t] [fl oa t] [d ] [fl oa t] [d 2] [fl oa t] [C u st om er ] [ID _C us to m er ] [v ar ch a r]( 10 ) [N a m a] [v ar ch a r]( 50 ) [A la m a t] [v ar ch a r]( 10 0 ) [N o _t el p] [v ar ch a r]( 20 ) [K o ta ] [v ar ch a r]( 50 ) [P e ga w ai ] [Id _P eg a w a i] [v arch a r]( 10 ) [N a m a_ P eg aw ai ] [v arch a r]( 50 ) [Ja b at an ] [v arch a r]( 50 ) [T e le po n ] [v arch a r]( 20 ) [A la m a t] [v arch a r]( 10 0 ) [K o ta ] [v arch a r]( 20 ) [P a ss w or d] [v arch a r]( 50 ) [D a ta M e nt ah ] [N o ] [v ar ch a r]( 10 ) [N ila iD a ta ] [fl oa t] [T a be lT ] [v ] [in t] [T 1 00 ] [fl oa t] [T 0 50 ] [fl oa t] [T 0 25 ] [fl oa t] [T 0 10 ] [fl oa t] [T 0 05 ] [fl oa t] [n ila i] [d at a] [in t] [B a ra ng ] [Id _B ar an g ] [v ar ch a r]( 10 ) [N a m a_ B ar an g] [v ar ch a r]( 50 ) [Je n is ] [v ar ch a r]( 20 ) [Ju m la h ] [in t] [S a fe tyS to ck ] [in t] [H a rg a] [in t] [H ist or y_ P eg aw ai ] [Id _P eg a w a i] [v ar ch a r]( 10 ) [T g lA kse s] [d at et im e] [v _d e til ] [Id _D et il] [v arch a r]( 10 ) [Id _Ju al ] [v arch a r][ 10 ] [Id _B ar an g ] [v arch a r][ 10 ] [Ju m la h ] [in t] [su b to ta l] [in t] [ta bl ea m a l] [d at a] [in t] [D a ta A s li] in te ge r [D a ta R a m al] nu m er [B u la n] da te tim e [D e til _Ju al] [Id _D et il_ J ua l] [v ar ch a r]( 10 ) [Id _Ju al ] [v ar ch a r]( 10 ) [Id _B ar an g ] [v ar ch a r]( 10 ) [Ju m la h ] [in t] [S u bt ot al ] [in t] [su b to ta l] ch ar (1 0) [P e nj ua la n ] [Id _Ju al ] [v ar ch a r]( 10 ) [Id _C ust om e r] [v ar ch a r]( 10 ) [T g l_ P e nj ua la n ] [d at et im e] [T o ta l_ P e nj ua la n ] [in t] [ID _C us to m er ] ch ar (1 0) [A C F] [N o ] [v ar ch a r]( 10 ) [N ila iA C F] [fl oa t] [te m p] [n ch ar ](1 0 ) [si gp lu s ] [fl oa t] [si gM in ] [fl oa t] [P A C F] [N o ] [v arch a r]( 10 ) [N ila iP A C F] [fl oa t] [S ig n ifi ka ns i] [n ch ar ](1 0 ) [si gP lu s] [fl oa t] [si gM in ] [fl oa t] [si gp lu s ] ch ar (1 0)

Gambar 6 CDM Sistem Informasi Peramalan Penjualan dengan Metode

ARIMA Box-Jenkins

Physical Data Model (PDM)

Physical Data Model (PDM)

merupakan hasil generate dari Conceptual

Data Model (CDM). PDM merupakan

representasi fisik dari database sebagaimana

terlihat pada Gambar 7.

Gambar 7 PDM Sistem Informasi Peramalan Penjualan dengan Metode

ARIMA Box-Jenkins

Memiliki Memiliki Memiliki History

Memiliki

Menghasilkan Data Ramal

Memiliki Nilai Memiliki Nilai Melakukan Transaksi Memiliki Memiliki [Peramalan] [Id_Ramal] [Bln_Peramalan] [Peramalan] [Stationer] [Zxt] [Xt] [DeltaXt] [E] [RankE] [RankXt] [d] [d2] [Customer] [ID_Customer] [Nama] [Alamat] [No_telp] [Kota] [Pegawai] [Id_Pegawai] [Nama_Pegawai] [Jabatan] [Telepon] [Alamat] [Kota] [Password] [DataMentah] [No] [NilaiData] [TabelT] [v] [T100] [T050] [T025] [T010] [T005] [nilai] [data] [Barang] [Id_Barang] [Nama_Barang] [Jenis] [Jumlah] [SafetyStock] [Harga] [History_Pegawai] [TglAkses] [v_detil] [Id_Detil] [Jumlah] [subtotal] [tableamal] [DataAsli] [DataRamal] [Bulan] [Detil_Jual] [Id_Detil_Jual] [Jumlah] [subtotal] [subtotal] [Penjualan] [Id_Jual] [ID_Customer] [Tgl_Penjualan] [Total_Penjualan] [ACF] [NilaiACF] [temp] [sigplus] [sigMin] [PACF] [NilaiPACF] [Signifikansi] [sigplus] [sigMin] [sigplus]

(7)

7

Form Klasifikasi ABC

Form Klasifikasi ABC pada gambar 9 ini bertujuan untuk melakukan klasifikasi terhadap produk yang akan diramalkan. Produk-produk yang akan diramalkan akan secara otomatis tampil pada grid dan grafik

dibawah setelah memilih awal bulan

klasifikasi dan akhir bulan klasifikasi, setelah itu tekan tombol “klasifikasi”.

Gambar 9 Form Klasifikasi ABC

Form Cek Stasioner

Form Cek Stasioner pada gambar 10 ini bertujuan untuk menguji dan melakukan

proses penstasioneran data secara mean dan

varian. Apabila nilai t pada proses stasioner

dalam varian ditemukan, maka dapat

dibandingkan dengan nilai t pada tabel. Jika t

< t tabel maka data stasioner dalam varian,

apabila sebaliknya maka perlu dilakukan

tranformasi data dengan rumus ln(xt).

Pengujian dilanjutkan dengan melakukan proses stasioner dalam mean apabila nilai

dickey fuller yang diperoleh lebih besar dari

tabelnya maka data stasioner dalam mean,

apabila sebaliknya maka dilakukan proses

differencing.

Setelah data stasioner, isi jumlah

peramalannya sebelum menekan tombol

“selanjutnya” untuk proses ACF dan PACF serta peramalannya.

Gambar 10 Form Cek Stasioner

Form Proses ACF dan PACF

Form Proses ACF dan PACF pada gambar 11 dan gambar 12 berisi proses ACF dan PACF dimana proses ini merupaka kelanjutan dari proses cek stasioner pada tahap sebelumnya, contoh di bawah ini menjelaskan bahwa nilai ACF melewati batas signifikan pada nilai pertama dan kedua, dan nila PACF memotong batas signifikan pada baris pertama. Nila perpotongan tersebut dijadikan sebagai nilai untuk mencari nilai MSE.

(8)

8

Form Peramalan

Form Peramalan pada gambar 13 berisi grafik peramalan yang menunjukkan nilai dan actual dan hasil peramalan menggunakan ARIMA.

Gambar 13 Form Peramalan

Form Laporan Peramalan

Form laporan pada gambar 14 berisi grafik peramalan dan perbandingan antara data actual dan peramalan dari periode awal sampai akhir. Laporan ini dapat digunakan untuk koreksi data actual dengan data peramalan. Dari gambar 4.12 ini ramalan untuk 1 bulan berikutnya adalah sebesar 662.

Gambar 14 Form Peramalan

Form PRS

Form PRS pada gambar 15 ini berfungsi untuk menghitung nilai kuantitas permintaan pada bulan yang diramalkan. Dari hasil peramalan diatas, yaitu sebesar 662 buah dimasukkan pada jumlah permintaan. Setelah itu waktu tunggu dan periode review dapat dimasukan nilainya, setelah selesai baru dapat diproses dan menghasilkan kesimpulan seperti gambar dibawah ini.

(9)

9

Kesimpulan

Setelah dilakukan analisis,

perancangan sistem dan pembuatan aplikasi Sistem Informasi Peramalan Penjualan pada PT. Tera Data Indonusa ini serta dilakukan evaluasi hasil penelitiannya, maka dapat diambil kesimpulan sebagai berikut:

1. Sistem dapat melakukan proses seleksi

dengan menerapkan metode klasifikasi ABC.

2. Data penjualan yang ada pada PT. Tera

Data Indonusa dapat diramalkan dengan

metode Time Series, khususnya dengan

metode ARIMA Box-Jenkins.

3. Sistem Informasi Peramalan Penjualan

untuk penjualan laptop pada PT. Tera Data Indonusa dengan menggunakan metode ARIMA Box-Jenkins dapat

memberikan solusi kepada pihak

manajemen untuk meramalkan jumlah penjualan laptop pada periode tertentu dan meramalkannya pada beberapa

periode kedepan dengan model

peramalan yang telah dihasilkan

didalam program peramalan. Hasil peramalan tersebut dapat digunakan sebagai acuan didalam pemenuhan

target permintaan barang kepada

supplier pada periode-periode mendatang.

4. Sistem dapat menentukan jumlah barang

yang harus disediakan pada masa yang akan datang dengan menggunakan metode PRS.

Saran

Adapun beberapa saran yang dapat disampaikan untuk mengembangkan aplikasi yang telah dibuat antara lain:

1. Metode estimasi parameter uang

digunakan pada program ini masih menggunakan metode momentum, yang proses pencarian nilai parameternya masih kurang sempurna dibandingkan dengan metode lain seperti metode

likelihood. Untuk itu aplikasi ini dapat

pula dikembangkan dengan

menggunakan metode yang lebih akurat.

2. Peneliti mengakui terdapat sejumlah

keterbatasan yang ada dalam penelitian ini. Untuk itu disarankan kepada penelitian yang akan datang dapat

mengurangi keterbatasa-keterbatasan

dari penelitian sebelumnya, diantaranya dapat menerapkan metode peramalan

Time Series ini untuk data-data diluar data yang ada pada PT. Tera Data Indonusa dan untuk mengetahui tingkat

keakuratan sebuah peramalan

hendaknya disertakan pembanding

untuk metode-metode peramalan yang akan digunakan.

(10)