IMPLEMENTASI DATA MINING MENGGUNAKAN LEAST SQUARE METHOD UNTUK PREDIKSI PENJUALAN BERDASARKAN PERBANDINGAN TEKNIK PROMOSI
IMPLEMENTATION OF DATA MINING USING LEAST SQUARE METHOD FOR SALES PREDICTION BASED ON COMPARATIVE PROMOTIONAL TECHNIQUE
1Wendi Wirasta , 2Yeris Yendi Risdiawan
1Program Studi Teknik Informatika, STMIK LPKIA Bandung 2Program Studi Teknik Informatika, STMIK LPKIA Bandung Jl. Soekarno Hatta No. 456 Kota Bandung, Jawa Barat 40266
Telp. +6222-75642823, Fax. +6222-7564282 1 wendi@lpkia.ac.id 2 yeris.yendi@fellow.lpkia.ac.id
ABSTRAKSI
Dalam berwirausaha tidak lepas dari kegiatan jual – beli, yaitu jual / beli dalam bentuk produk ataupun jasa dengan arti lain penjualan merupakan salah satu siklus utama dalam berwirausaha. Berwirausaha tentunya diperankan oleh suatu perusahaan atau perseorangan yang bergerak dalam dunia bisnis yang mana setiap perusahaan pasti memiliki tujuan tertentu dan strategi-strategi khusus dalam memasarkan produk atau jasanya supaya menjadi bahan konsumsi bagi masyarakat, dengan diantaranya strategi-strategi yang dilakukan oleh perusahaan salah satunya yaitu berupa menyusun teknik-teknik promosi mana saja yang di prediksikan memiliki pengaruh besar pada pendapatan perusahaan dan kemudahan dalam memasarkan produk / jasa sehingga pemasaran produk dapat di lakukan secara efektif dan efisien. Suatu perusahaan yang telah lama berjalan ataupun baru berjalan dalam kurun waktu satu tahun di bidang bisnis tentunya pasti memilki data-data histori penjualan, yang sebetulnya apabila suatu perusahaan dapat melihat suatu kesempatan dengan memanfaatkan teknologi, perusahaan dapat memanfaatkan data-data histori tersebut sebagai penggali yang bermanfaat bagi perusahaan yaitu dengan menggunakan teknik data mining, yang dimaksud dari data mining ialah menggali informasi atau pengetahuan baru berdasarkan memanfaatkan data-data histori. Dalam kasus ini data-data yang dimanfaatkan berupa data historis penjualan dengan beberapa teknik promosi dengan tujuan untuk memprediksikan jumlah penjualan pada masa yang akan datang serta rekomendasi teknik promosi mana yang memiliki nilai paling besar. Dalam memanfaatkan teknik data mining tersebut tidak lepas dari penerapan suatu metode, dalam kasus ini metode yang di terapkan adalah metode least square dengan tahapan mencari nilai tabulasi kemudian mencari nilai a, b dan y tentunya dengan format rumus yang dimiliki metode least square.
Kata kunci : Prediksi Penjualan, Data Mining, Metode Least Square
ABSTRACTION
In entrepreneurship can not be separated from the activities of buying and selling, ie selling / buying in the form of products or services with other means of sales is one of the main cycles in entrepreneurship. Entrepreneurship is of course played by a company or individual who moves in the business world where every company must have certain goals and specific strategies in marketing their products or services in order to become a material consumption for the community, with among others the strategies undertaken by the company one of them is In the form of promotional techniques which are predicted to have a major influence on corporate earnings and ease in marketing products / services so that product marketing can be done effectively and efficiently. A company that has been running or running within a period of one year in the field of course must have sales history data, which if a company can see an opportunity by utilizing technology, the company can utilize the historical data as a digger Useful for companies that is by using data mining techniques, which is intended from data mining is to dig up information or new knowledge based on utilizing historical data. In this case the data used in the form of historical sales data with some promotional techniques with the aim to predict the amount of sales in the future as well as recommendation which promotion technique has the greatest value. In utilizing the data mining techniques can not be separated from the application of a method, in this case the applied method is the least square method with the stages to find the tabulated value then look for the value of a, b and y of course with the formula format owned by least square
I. Pendahuluan
Dalam mencari suatu informasi atau pengetahuan baru dengan menggunakan data mining ada beberapa hal yang perlu di perhatikan yaitu sumber data yang menjadi bahan utama dalam memining data untuk menemukan informasi baru sesuai pola yang di terapkan dengan menggunakan metode tertentu, kemudian proses penyesuaian kebutuhan data dengan data yang di dapat melalui proses Knowledge Discovery in Database (KDD) [1], serta penerapan metode yang digunakan dalam mencari pola prediksi penjualan menggunakan rumus pada metode least square [2].
Proses yang terjadi dalam menerapkan data mining untuk melakukan prediksi penjualan dengan membandingkan teknik promosi ialah diawali dengan pemilihan atribut data seperti seleksi data, membersihkan data, merubah data dll sesuai kebutuhan, kemudian pencarian perhitungan tabel tabulasi yang dimana disesuaikan dengan data yang digunakan, kemudian mencari nilai Y sebagai yang di prediksikan, setelah itu mencari nilai a dan b serta x (variable bebas sesuai bulan) sebagai parameter dalam mencari nilai Y yang di dapatkan dari hasil perhitunga tabel tabulasi. Pada tahap akhir menampilkan hasil perhitungan sesuai dengan teknik promosi yangi bandingkan yang ada dalam data [2] . Berdasarkan pemaparan dari penerapan data mining untuk memprediksi penjualan berdasarkan perbadingan teknik promosi dengan menggunakan metode least square dalam dunia bisnis ternyata di bisa mengetahui pengetahuan baru yang di dapat dari data-data histori, maka dari itu permasalahan pada perusahaan yg belum menerapkan data mining yakni data belum di manfaatkan sehingga belum bisa memberikan rekomendasi teknik promosi yang baik yang dapat di terapkan di masa yang akan datang dan seberapa akuratkah hasil prediksi tersebut apabila sudah terapkan. Tujuan dari penerapan ini perusahaan dapat memanfaatkan data histori sehingga dapat mengidentitikasi teknik promosi mana yang di rekomendasikan oleh sistem dan dapat mengetahui keakuratan nya. Serta lingkup dari penerapan ini adalah masih dalam wilayah regional bandung secara keselurhan.
II. Dasar Teori A. Data Mining
Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar [1] .
B. Peramalan Penjualan
Peramalan penjualan merupakan perkiraan perusahaan tentang penjualan perusahaan diwaktu yang akan datang [3].
C. Metode Least Square (Kuadrat Terkecil) Metode Least Square merupakan salah satu metode berupa data deret berkala atau time series, yang mana dibutuhkan data-data penjualan dimasa lampau untuk melakukan peramalan penjualan dimasa mendatang sehingga dapat ditentukan hasilnya. Least Square adalah metode peramalan yang digunakan untuk melihat trend dari data deret waktu. [2]
D. Teknik Penjualan / Promosi
Promosi adalah suatu unsur yang digunakan untuk memberitahukan dan membujuk pasar tentang produk atau jasa yang baru pada perusahaan melalui iklan, penjualan pribadi, promosi penjualan, maupun publikasi [4] .
E. Knowledge Discovery in Database (KDD) Knowledge Discovery In Database (KDD) merupakan metode untuk memperoleh pengetahuan dari database yang ada. [1]
F. UML
UML yang merupakan singkatan dari Unfiied Modelling Language adalah sekumpulan pemodelan konvensi yang digunakan untuk menentukan atau menggambarkan sebuah sistem perangkat lunak dalam kaitannnya dengan objek [5]. G. Object Oriented
Orientasi objek merupakan arsitektur perangkat lunak berorientasi objek (OO) hasil dari serangkaian subsistem berlapis yang membungkus (enskapsulasi) kelas-kelas yang berkolaborasi [6].
H. Extreme Prpgramming (XP)
Extreme Programming ( XP ) merupakan sebuah proses rekayasa perangkat lunak yang cenderung menggunakan pendekatan berorientasi objek dan sasaran dari metode ini adalah tim yang dibentuk dalam skala kecil sampai medium serta metode ini juga sesuai jika tim dihadapkan dengan requirement yang tidak jelas maupun terjadi perubahan – perubahan requirement yang sangat cepat. [7]
III. Analisis dan Perancangan A. Skema Model Generik
Untuk mendapatkann gambaran umum dari setiap tahapan prencanaan, perancangan, pembangunan aplikasi, pengujian hingga dapat menghasilkan prediksi yang di inginkan dapat di lihat pada gambar 2. Berawal dari proses utama yang pertama yaitu Identifikasi Perencaan terdapat 3 proses mulai dari wawancara dengan stakeholder, identifikasi permasalahan dana membuat solusi & tujuan dari permasalahan yang di dapat kemudian di buat Functional & Non Functional Requiremet sebagai bahan penggambaran Diagram.
Proses utama yang kedua yaitu Analisa data & metode terdapat 3 proses yaitu proses pemanfaatan data (sumber data), kemudian masuk ke proses penyesuaian data dan kebutuhan sistem dimana data dilakukan dengan menerapkan KDD, setelah itu masuk proses ke tiga menetapkan motode yang sesuai dengan kebutuhan data yang di dapat dari proses utama ini oalah terbentuknya data baru dan mengandung atribut-atribut yang di butuhkan
Proses utama yang ketiga yaitu perancangan sistem pada tahap ini terdapat 4 proses yang terdiri dari merancang dan menggambarkan FR & NFR, Menggambarkan mockup yang aka menjadi sebuah aplikasi/sistem, tahap terakhir terbentuklah hasil perancangan.
Proses utama yang ke empat ialah implementasi metode dan pengkodean, terdiri dari
penerapan rumus least square yang mencari nilai tabel tabulasi, Y, a,b dan x (sebagai variable bebas), kemudian masuk ke tahap pembangunan aplikasi.
Pada proses utama ini kita mendaptkan aplikasi yang telah di terapkan metode untuk melakukan prediksi.
Proses utama yang ke lima ialah proses pengujian sistem dimana melakukan implementasi aplikasi kemudian di cek kesuaian antara FR & NRF dengan aplikasi yang di bangun, lalu hasil prediksi di uji kalibrasi dan akurasi nya dan di simpulkan besaran error nya
Hasil dari semua tahap menampilkan tujuan dari pembangunan sistem yakni sistem memprediksi penjualan di masa akan datang dan dapat di uji akurasi nya sehingga menghasilkan hasil prediksi yang akurat. Dan terdapat beberapa notasi dalam diagram di atas yakni stakeholder berbentuk actor, proses berbentuk rectangle, proses utama reounded rectangle putus-putus , referensi berbentuk rounded rectangle tanpa putus-putus , aliran proses berbebtuk arrow, interaksi berbentuk double arrow, aliran referensi berbentuk arrow putus-putus, hasil/tujuan berbentuk oval
B. Aliran Proses
Aliran proses yang digunakan dalam penyusunan laporan ini meliputi diagram Use Case yang di dalamnya terdapat aktor-aktor dan use case-use yang saling terhubung serta Secenario Use case yang mendeskripsikan setiap Use Case yang ada.
Use Case Diagram di bawah ini menggambarkan interaksi antara aktor-aktor dengan use case-use case yang ada dalam sistem yang akan dirancang. 1. Kebutuhan Fungsional
Kebutuhan Bisnis : Data yang di inputkan pada sistem berupa data penjualan asli yang sudah di
cleaning, Data yang di hasilkan oleh sistem memberikan referensi sebagai acuan dalam strategi pemasaran berupa teknik penjualan mana yang memiliki potensi lebih banyak produk yang akan terjual.,Perhitungan menghasilkan hasil prediksi berupa angka dan grafik jumlah produk yang akan terjual secara akurat
Kebutuhan User : Staff Marketing mengimport data historis penjualan yang sudah di cleaning sebelumnya, Staff Marketing menginputkan tahun yang akan di prediksi, Staff Marketing mengetahui hasil proses perhitungan prediksi berupa angka, Staff Marketing mengetahui hasil proses perhitungan prediksi berupa grafik, Staff Marketing mengetahui hasil kesimpulan dari proses perhitungan prediksi
Kebutuhan Perangkat Lunak : Software menentukan nilai X secara otomatis jenis perhitungan mana yang digunakan (data ganjil atau data genap), Software menghitung nilai x*y, Software menghitung nilai x2, Software mengkalkulasi nilai x, Software mengkalkulasi nilai x*y, Software mengkalkulasi nilai x2, Software menghitung nilai-nilai berdasarkan hasil perhitungan nilai x dan y menggunakan rumus metode trend projection, Software menampilkan hasil perhitungan berupa angka, Software menampilkan hasil perhitungan berupa grafik, Software menampilkan hasil perhitungan berupa kalimat kesimpulan
2. Kebutuhan Non Fungsional
Sistem prediksi penjualan digunakan oleh team marketing sehingga sistem berjalan secara offline, Sistem prediksi penjualan dibangun menggunakan Bahasa pemrograman yii framework
Gambar 3 Use Case Diagram Prediksi Penjualan
Gambar 4 Class Diagram Prediksi Penjualan C. Proses Knowledge Discovery in Database (KDD)
Gambar 5 Proses KDD [1]
Proses KDD secara garis besar dapat dijelaskan sebagai berikut:
Data Selection : Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam Knowledge Discovery in Database(KDD) dimulai.
Pre-processing / Cleaning :Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus Knowledge Discovery in Database (KDD).
Transformation :Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining.
Data Mining : Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu.
Interpretation / Evaluation : Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan.
D. Metode Least Square (Kuadrat Terkecil) Dalam menentukan nilai x / t seringkali digunakan teknik alternatif dengan memberikan skor atau
kode. Dalam hal ini dilakukan pembagian data menjadi dua kelompok, yaitu:
a. Data genap, maka skor nilai t nya :
…,-5, -3, -1,1, 3, 5,…
b. Data ganjil, maka skor nilai t nya:
…,-3,-2, - 1, 0, 1, 2, 3,…
Gambar 6 Rumus Least Square mencari Y Kemudian untuk mengetahui koefisien a dan b dicari dengan persamaan
Gambar 7 Rumus Least Square mencari a & b n = Jumlah data
E. Pengukuran Akurasi Peramalan
Salah satu cara mengevaluasi teknik peramalan adalah menggunakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. [6]Ada empat ukuran yang biasa digunakan, yaitu:
1.
Rata-rata Deviasi Mutlak (Mean Absolute Deviation)MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Rumus MAD secara matematis : [3]
MAD = Keterangan :
At = Permintaan Aktual pada periode –t. Ft = Peramalan Permintaan (Forecast) pada periode-t.
n = Jumlah periode peramalan yang terlibat.
2.
Rata-rata Kuadrat Kesalahan (Mean SquareError).
Pendekatan ini penting karena teknik ini menghasilkan kesalahan yang moderat lebih disukai oleh suatu peramalan yang menghasilkan kesalahan yang sangat besar. Secara matematis, MSE dirumuskan sebagai berikut : [3]
MSE =
Keterangan :
At = Permintaan Aktual pada periode –t. Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
IV. Implementasi & Pengujian A. Evaluasi Kasus
Sesuai dengan judul yang di angkat, tentunya pengangkatan judul penelitian berdasarkan permasalahan-permasalahan yang terdapat pada perusahaan yang di teliti, yang mana maskud dan tujuan dari pembangunan sistem prediksi penjualan berdasarkan perbandingan teknik promosi di PT. Telekomunikasi Indonesia, Tbk ini untuk menyelesaikan permasalahan-permasalahan yang terjadi di perusahaan tersebut serta memabantu perusahaan dalam meningkatkan efektifitas dan efisiensi perencanaan dalam melakukan pemasaran di masa yang akan datang.
B. Hasil Implementasi
Tabel Data Penjualan (ex : 2016)
Tabel Tabulasi
Hasil Prediksi Y2
Tabel Backdate Data Penjualan (ex : 2015)
Tabel Kalibrasi & Akurasi Teknik Y1
Tabel Kalibrasi & Akurasi Teknik Y2 C. Diskusi & Validasi
Dari hasil perhitungan yang di terapkan melalui Microsoft excel terlihat bahwa rata-rata tidak semua akurat 100% , namun ada beberapa hasil implementasi yang hasil selisihnya 0% dan lebih banyak nilai yang telah mendekati kepada jumlah data sebenarnya jadi bisa dikatakan metode yang di gunakan mampu memprediksi secara akurat dan untuk menemukan teknik promosi yang di rekomendasikan di lihat dari nilai jumlah terbesar diantara teknik-teknik promosi lainnya yang di bandingkan dari hasil prediksi dan setiap bulannya
dapat berbeda rekomendasi , serta untuk menemukan akurasi dapat di lihat dari tabel akurasi dan pilih teknik promosi mana yang akan di lihat.
V Kesimpulan
Dengan menggunakan metode Least Square dapat diketahui bahwa penjualan menggunakan teknik Y1 akan mengalami kenaikan dengan nilai akurasi dari peramalan yang dilakukan sebesar MAD =
15.91667
dan MSE =359.4167
Sedangkan menggunakan teknik Y2 akan mengalami kenaikan dengan nilai akurasi dari peramalan yang di lakukan MAD = 14.33333 dan MSE = 418.3333dan metode Least Square dapat di gunakan untuk memprediksi penjualan di masa yang akan datang berdasarkan data penjualan waktu berkala (time series)DAFTAR PUSTAKA
[1] Kusrini and E. T. Luthfi, "Algoritma Data Mining," Andy Offset, 2009.
[2] F. R. Hariri, "METODE LEAST SQUARE UNTUK PREDIKSI PENJUALAN SARI KEDELAI ROSI," Jurnal SIMETRIS, vol. 7, no. 2, p. 733, 2016.
[3] S. Assauri, "Manajemen Produksi dan Operasi," p. 127, 2011.
[4] P. Kotler and G. Armstrong, Principles of marketing: global edition (14th ed.)., New Jersey, US: Pearson Education, Inc., 2012. [5] Whitten, "Unified Modeling Language," p.
340, 2004.
[6] R. S. Pressman, Rekayasa Perangkat Lunak, Yogyakarta: ANDI, 2012.
[7] K. Beck, "Extreme Programming Explained: Embrace Change," 1999.
[8] S. A. Prabowo, Sholiq and F. A. Muqtadiroh, "Rancang Bangun Aplikasi Web Informasi Eksekutif Pada Pemerintah Kabupaten XYZ," JURNAL TEKNIK POMITS, vol. 2, no. 3, p. 477, 2013.
