SEMINAR PROPOSAL
ANALISIS PERAMALAN PENJUALAN BARANG MENGGUNAKAN METODE ARTIFICAL NEURAL NETWORK (ANN) PADA TOKO UD WIRA JAYA
NI KADEK ARI ADNYANI NIM. 20103103
Dosen Pembimbing I
Ir. I Komang Arya Ganda Wiguna, S.Kom., M.Cs.
Dosen Pembimbing II
I Kadek Adiana Putra, S.Pd., M.Si.
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI DAN INFORMATIKA INSTITUT BISNIS DAN TEKNOLOGI INDONESIA DENPASAR 2024
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena berkat rahmat-Nya Proposal dengan judul “Analisis Peramalan Penjualan Barang Menggunakan Metode Fuzzy Time Series Pada Toko UD Wira Jaya” dapat diselesaikan.
Penulis menyadari dalam menyelesaikan laporan Proposal ini tidak terlepas dari berbagai pihak yang telah membantu dalam membimbing dan membantu baik secara moral, materi, dan ilmu pengetahuan. Untuk itu penulis menyampaikan terimakasih kepada : 1. Bapak I Dewa Made Krishna Muku, M.T., sebagai Rektor Institut
Bisnis dan Teknologi Indonesia.
2. Bapak Dr. I Wayan Agus Surya Darma, S.Kom., M.T., sebagai Dekan Fakultas Teknologi dan Informatika.
3. Bapak Ir. Komang Kurniawan Widiartha, M.Cs. sebagai Koordinator Program Studi Teknik Informatika Institut Bisnis dan Teknologi Indonesia.
4. Bapak Ir. I Komang Arya Ganda Wiguna, S.Kom., M.Cs., sebagai Dosen Pembimbing I.
5. Bapak I Kadek Adiana Putra, S.Pd., M.Si., sebagai Dosen Pembimbing II.
6. Orang tua dan seluruh keluarga besar yang selalu memberi dukungan dan dororongan bagi penulis
7. Semua pihak yang telah membantu penulis dalam menyelesaikan laporan seminar ini yang tidak dapat disebutkan satu persatu.
Untuk itu kritik dan saran dari semua pihak untuk penyempurnaan sangat penulis hargai.
Denpasar, 24 Januari 2024
Penulis
DAFTAR ISI Judul i
Kata Pengantar...ii
Daftar Isi...iii
Daftar Tabel...v
Daftar Gambar...vi
Daftar Lampiran...vii
BAB I Pendahuluan...1
1.1 Latar Belakang...1
1.2 Rumusan Masalah...3
1.3 Batasan Masalah...3
1.4 Tujuan Penelitian...3
1.5 Manfaat Penelitian...4
1.6 Sistematika Penulisan...4
BAB II Tinjauan Pustaka...5
2.1 Penelitian Terdahulu...5
2.2 Peramalan...11
2.3 ARTIFICAL NEURAL NETWORK...13
2.4 Mean Absolute Percentage Error (MAPE)...16
BAB III ANalisis dan perancangan...23
3.1 Tempat dan Waktu Penelitian...23
3.2 Teknik Pengumpulan Data...23
3.3 Alur Penelitian...23
Daftar Pustaka...26
Lampiran...28
Biodata Penulis...34
DAFTAR TABEL
Tabel 2.1 Perbandingan Penelitian...8 Tabel 2.2 Kriteria dalam MAPE...16
DAFTAR GAMBAR
Gambar 3.1 Desain Sistem...20
DAFTAR LAMPIRAN
Lampiran 1. Daftar Wawancara...31 Lampiran 1. Bukti Dokumentasi...33
HALAMAN INI SENGAJA DIKOSONGKAN
BAB I PENDAHULUAN I.1 Latar Belakang
Kebutuhan akan informasi yang cepat, tepat dan akurat merupakan suatu hal yang sangat penting di dalam setiap aspek kegiatan suatu badan usaha. Penggunaan teknologi informasi diharapkan dapat memenuhi semua kebutuhan informasi baik untuk pihak luar maupun dalam suatu badan usaha, sehingga pada akhirnya penggunaan teknologi informasi akan mempermudah dalam mengolah, menganalisis dan mengomunikasikan informasi yang relevan guna mengefisiensikan pengelolaan sumber daya pada badan usaha tersebut (Ardiansah dkk., 2021).
Pada era globalisasi sekarang ini hampir seluruh sektor mengalami perkembangan yang sangat pesat. Perkembangan ini terjadi secara dinamis dan dapat memberikan dampak yang sangat signifikan. Perkembangan ini dapat menyebabkan meningkatnya persaingan diantara perusahaan-perusahaan. Hal tersebut mengharuskan perusahaan untuk memiliki manajemen yang baik agar usaha yang dijalankan dapat berjalan dan bertahan dengan baik. Terkendalanya bahan baku membuat perusahaan harus lebih berhati-hati dalam memanfaatkan sumber daya yang ada. Perusahaan harus benar-benar memperhitungkan jumlah bahan baku yang harus dipesan agar tidak terjadi kelebihan atau bahkan kekurangan bahan baku. Dalam memperhitungkan bahan baku perlu diadakannya peramalan atau prediksi agar dapat mengetahui kebutuhan material yang ada di perusahaan. Salah satu hal yang dapat diakukan oleh perusahaan untuk dapat mengendalikan produksi yaitu dengan melakukan peramalan penjualan produk (Putri dan Sukmono, 2022)
Peramalan merupakan salah satu hal yang sangat penting dilakuakan oleh perusahaan, peramalan atau prediksi merupakan suatu metode yang digunakan untuk memperkirakan sesuatu di masa yang akan datang. Peramalan ini juga dapat digunakan untuk meramalkann kualitas, kunatitas maupun waktu untuk menyelesaikan suatu hal (Putri dan Sukmono, 2022). Peramalan ini memiliki berbagai macam tujuan diantaranya yaitu digunakan untuk bidang penkajian suatu perusahaan di masa lalu, masa kini, dan masa yang akan datang, digunakan untuk merumuskan suatu kebijakan dan digunakan untuk meningkatkan rancangan
efektivitas rencana bisnis suatu perusahaan (Liza dan Sulistijanti, 2020).
Ada pun perusahaan yaitu toko-toko bangunan yang memiliki peran penting dalam mendukung industri konstruksi dan pemeliharaan bangunan. UD Wira Jaya, adalah salah satu toko bangunan yang telah menjadi pilihan salah satu toko bangunan yang telah menjadi pilihan utama bagi kontraktor, pengembang, dan pemilik rumah di daerah sekitarnya. Toko UD Wirajaya sudah berdiri pada tahun 2017, yang berlokasi di Jl.
Ciungwanara, Blahkiuh, Kec. Abiansemal, Kab. Badung. UD Wira Jaya menyediakan beragam produk seperti material bangunan, peralatan tukang, dan furniture, UD Wira Jaya terus berupaya meningkatkan layanan serta ketersediaan barang demi memenuhi kebutuhan pelanggan. UD Wirajaya menjual material bangunan seperti, semen, cat, kemarik, batu bata, tandon dan lain sebagainya. Adapun beberapa barang yang penjualannya sangat rendah seperti tandon dan ada pula barang yang penjualannya sangat tinggi seperti semen dan batu bata. Dimana pada penjualan barang-barang tertentu UD Wira Jaya memerlukan stock yang cukup untuk memenuhi kebutuhan konsumen.
Berdasarkan hasil wawancara peneliti dan penjelasan dari Bapak I Made Budiarta selaku pemilik Toko UD Wira Jaya yang diwawancarai oleh peneliti yang berada di toko. Menurut beliau masalah yang terjadi pada penjualan Toko UD Wira Jaya ini beberapa kali terjadi lonjakan permintaan material bangunan tertentu yang tidak terduga seperti semen, cat, atau kramik yang menyebabkan toko kekurangan stok. Sebaliknya, terdapat juga periode dimana beberapa barang mengalami penurunan permintaan yang cukup tajam. Maka dari itu, toko UD Wira Jaya pelu menyediakan stock barang yang cukup agar tidak terjadi kekurangan stock, sehingga sangat penting bagi UD Wira Jaya untuk dapat memprediksi penjualan barang pada bulan berikutnya.
Berbagai model peramalan mengalami kemajuan yang kemajuan yang cukup pesat, salah satunya adalah Artificial Neural Network yang memiliki kemampuan meneliti dan mengenali pola data historis, dapat digunakan untuk melakukan peramalan terhadap suatu masalah. Penerapan Artificial Neural Network di bidang peramalan berada di hampir semua studi ilmiah dibeberapa tahun terakhir karena memiliki akurasi yang lebih baik dari model statistika dan metamika. Selain itu
Artificial Neural Network memili keluwesan, baik dalam perancangan maupun penggunaannya (Dzulfikar dkk., 2021)
Berdasarkan permasalahan diatas peneliti melakukan penelitian peramalan penjualan barang pada toko UD Wira Jaya menggunakan metode Artificial Neural Network (ANN) ini memiliki beberapa beberapa keunggulan yaitu metode ini memiliki hasil yang lebih optimal dibandingkan dengan metode peramalan dengan menggunakan time series konvensional meskipun dalam periode atau waktu yang cukup panjang sekalipun hingga tinggat akurasi yang dimiliki. Jaringan saraf tiruan merupakan salah satu metode peramalan yang cukup baik dalam proses generalisasi dan memiliki tingkat error yang cukup rendah. Proses generalisasi ini didukung oleh oleh data training yang cukup dan proses pembelajaran juga menyesuaikan bobot sehingga metode ini dapat digunakan untuk meramalkan selama beberapa periode ke depan. Metode jaringan saraf tiruan juga bersifat dinamis serta waktu yang real (Putri dan Sukmono, 2022).
I.2 Rumusan Masalah
Berdasarkan hubungan antar variabel yang telah dijelaskan dalam latar belakang, rumusan masalah penelitian ini adalah “Bagaimana Peramalan Penjualan Barang Menggunakan Metode Artificial Neural Network (ANN) Pada Toko UD Wira Jaya?”
I.3 Batasan Masalah
Dalam penelitian ini, terdapat beberapa batasan yang perlu diperhatikan untuk memfokuskan ruang lingkup penelitian.
Batasan-batasan tersebut adalah sebagai berikut:
1. Penelitian ini akan difokuskan pada metode Artificial Neural Network sebagai alat untuk melakukan peramalan penjualan.
2. Data yang digunakan untuk analisis peramalan berasal dari toko UD Wira Jaya dan terbatas pada jenis bahan bangunan yang dijual di toko tersebut.
3. Waktu periode data yang digunakan dalam analisis terbatas pada tiga tahun terakhir yaitu tahun 2020 sampai 2022
I.4 Tujuan Penelitian
Berdasarkan rumusan masalah, maka tujuan penelitian ini adalah Untuk mengetahui peramalan penjualan dengan menggunakan metode Artificial Neural Network pada toko UD Wira Jaya
I.5 Manfaat Penelitian
Manfaat penelitian ini:
1. Bagi Peneliti
Mengembangkan dan menambah pengetahuan mengenai model Artificial Neural Network
2. Bagi Perusahaan
Hasil penelitian ini dapat digunakan sebagai salah satu alternatif pengambilan keputusan bagi perusahaan dalam meramalkan penjualan sehingga ketika penjualan diprediksi dengan akurat maka pemenuhan permintaan konsumen dapat diusahakan tepat waktu, kerjasama perusahaan dengan relasi tetap terjaga dengan baik, kepuasan konsumen terpenuhi, perusahaan dapat mengatasi hilangnya penjualan atau kehabisan stock.
I.6 Sistematika Penulisan
Penulisan laporan penelitian ini dibagi menjadi lima bab, yaitu:
BAB I PENDAHULUAN
Mengulas tentang latar belakang, masalah, batasan masalah, tujuan, manfaat, dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Pada bab ini mengulas tentang penelitian serupa yang pernah dilakukan serta teori-teori terkait usability dan perancangan website BAB III ANALISIS DAN PERANCANGAN
Pada bab ini mengulas mengenai metode yang dilakukan selama proses penelitian, mulai dari pengumpulan data, perancangan.
BAB II
TINJAUAN PUSTAKA II.1 Penelitian Terdahulu
Dalam penelitian ini penulis mengkaji lima hasil penelitian terdahulu. Dimana nantinya dapat dijadikan sebagai bahan pertimbangan dan perbandingan dalam membuat penelitian, agar dapat memperbanyak teori dalam penelitian.
Penelitian pertama dilakukan oleh Ardinansyah (2020). Dengan judul “Implementasi Metode Fuzzy Time Series Untuk Prediksi Kebutuhan Bahan Baku Pokok Produk Makanan Pada Kedai Dampizza”. Penelitian ini bertujuan untuk mengoptimalkan prediksi suatu kebutuhan bahan baku pokok yang dipergunakan pada Kedai Dampizza karena tingkay permingtaan konsumen terhadap suatu produk makanan yang berubah-ubah setiap bulannya. Pada penelitian tersebut menggunkan metode Fuzzy Time Series. Data historis yang digunakan adalah data kebutuhan bahan baku tepung terigu mulai dari bulan Januari sampai Oktober tahun 2017 untuk menentukan data kebutuhan bahan baku tepung terigu pada bulan November tahun 2017. Hasil penerapan metode Fuzzy Time Series pada program penelitian tersebut memiliki tingkat error atau tingkat kesalahan sebesar 3,83%.
Penelitian terdahulu yang kedua dilakukan oleh Sugumonrong et al. (2021). Dengan judul “Prediksi Harga Emas Menggunakan Metode Fuzzy Time Series”. Penelitian ini bertujuan untuk memprediksi harga emas dengan menggunakan metode Fuzzy Time Series. Data historis yang digunakan adalah data harga emas periode 1 Januari 2015 hingga 31 Desember 2017. Data tersebut diperoleh dari www.harga-emas.org dengan nilai kurs Rupiah. Hasil penelitian tersebut memiliki tingkat selisih rata-rata data aktual dengan data prediksi tidak lebih dari Rp. 2.850,00 dan dapat dikatakan metode Fuzzy Time Series cocok digunakan dalam memprediksi harga emas 1 hari kedepan dan dapat diajukan sebagai acuab untuk berinvestasi emas.
Penelitian terdahulu yang ketiga dilakukan oleh (Ardiansah dkk., 2021) yang berjudul “Penerapan Analisis Runtun Waktu pada Peramalan Penjualan Produk Organik Menggunakan Metode Moving Average dan Exponential Smoothing”. Penelitian ini bertujuan untuk meramal penjualan produk dengan analisis runtuk waktu menggunakan metode Moving Average dan Exponential Smoothing dan memberikan solusi bagi pelaku usaha dalam pengambilan keputusan penyediaan stok barang.
Penelitian terdahulu yang keempat dilakukan oleh Ramadhan (2020). Penelitian ini bertujuan untuk memprediksi jumlah penjualan rumah sehingga developer properti dapat menjadikannya sebagai acuan dalam menyusun perencanaan.
Metode yang digunakan dalam penelitian ini adalah metode Fuzzy Time Series dengan data historis berupa data penjualan rumah dari PT. Pal Dua Asri dari bulan Januari tahun 2016 hingga bulan Desember 2020. Penelitian ini menghasilkan nilai MAPE (Mean Absolute Percentage Error) sebesar 14,21%
dengan menggunakan margain sebesar 5% pada batas atas dan bawah himpunan semesta serta dengan jumlah interval sebanyak 14 interval.
Penelitian terdahulu yang kelima dilakukan oleh (Setiawan dan Nasution, 2022) yang berjudul “Peramalan Penjualan Parfum Menggunakan Metode Single Moving Average (SMA)” Penelitian ini bertujuan untuk memenuhi kebutuhan suatu sistem pada IM Parfum Pekanbaru untuk meramalkan penjualan parfum yang akan disediakan pada bulan berikutnya guna memenuhi permintaan pasar dan mendapatkan keuntungan yang maksimal. Dan juga tujuan metode penelitian ini untuk mendeskripsikan onjek yang ditelitu yaitu meramalkan
persediaan parfum pada bulan Desember 2021 berdasarkan hasil perhitungan metode Single Moving Average.
Pada penelitian yang akan dilakukan bertujuan untuk melakukan peramalan penjualan barang pada UD. Wira Jaya di Abiansemal. Metode peramalan menggunakan Fuzzy Time Series pada toko atau perusahaan tertentu seperti UD Wira Jaya dapat memberikan wawasan yang berharga terkait prediksi penjualan.
Metode ini berfokus pada analisis data historis dengan mengintegrasikan keunsikan fuzzy logic untuk memperhitungkan ketidakpastian dan variasi dalam data, memungkinkan pemodelan yang lebih adaptif terhadap perubahan tren atau pola yang kompleks dalam penjualan. Dengan demikian, penelitian semacam itu dapat memberikan pemahaman yang lebih baik tentang bagaimana menerapkan teknik peramalan yang canggih untuk mengoptimalkan prediksi penjualan pada toko UD Wira Jaya.
Dalam konteks penelitian yang mengkaji peramalan menggunakan metode Fuzzy Time Series pada berbagai bidang, lima penelitian sebelumnya memberikan pandangan yang beragam terhadap penerapan teknik ini dalam berbagai konteks prediksi. Ardinansyah (2020) fokus pada prediksi kebutuhan bahan baku pada Kedai Dampizza, dengan tingkat kesalahan sebesar 3,83%. Sugumonrong et al. (2021) mengeksplorasi prediksi harga emas, menunjukkan tingkat selisih rata-rata antara data aktual dan prediksi yang rendah, mendukung penggunaan Fuzzy Time Series untuk investasi emas. Ardiansah dkk. (2021) mempertimbangkan metode Moving Average dan Exponential Smoothing untuk meramalkan penjualan produk organik, memberikan alternatif bagi pengambilan keputusan stok barang.
Ramadhan (2020) memfokuskan pada prediksi penjualan rumah dengan tingkat kesalahan MAPE sebesar 14,21%, menggunakan Fuzzy Time Series dengan batas atas dan bawah pada himpunan semesta. Terakhir, Setiawan dan Nasution (2022) menerapkan metode Single Moving Average (SMA) untuk meramalkan penjualan parfum, dengan tujuan memberikan gambaran tentang persediaan parfum pada bulan tertentu, seperti Desember 2021.
Dengan demikian, koleksi penelitian ini memberikan pemahaman yang lebih luas tentang aplikasi metode Fuzzy Time Series dalam konteks peramalan, dengan variasi target prediksi yang mencakup kebutuhan bahan baku, harga komoditas, penjualan produk organik, properti, dan parfum. Perbandingan dengan penelitian terdahulu menunjukkan keragaman aplikasi metode
Fuzzy Time Series dalam berbagai konteks seperti prediksi kebutuhan bahan baku, harga komoditas, penjualan produk organik, properti, dan parfum. Namun, penelitian terbaru pada Toko UD Wira Jaya secara khusus memfokuskan pada peramalan penjualan barang di toko tersebut, yang dapat memberikan wawasan yang lebih mendalam tentang bagaimana penerapan metode ini secara spesifik dalam konteks penjualan retail pada satu entitas bisnis tertentu. Dengan demikian, penelitian terbaru ini memberikan kontribusi unik dalam memahami dan meningkatkan prediksi penjualan pada level toko dan dapat memberikan wawasan yang lebih relevan dan khusus bagi pengelola atau pemilik UD Wira Jaya.
Perbandingan penelitian yang akan dilakukan dengan penelitian terdahulu dapat dilihat pada tabel 2.1
Tabel 2.1 Perbandingan Penelitian
Indikator Penelitian
Penelitian I Penelitian II. Penelitian III Penulis Risfanda
Ardinansyah Robin Pabutungan, Juprianus Rusman, Aryo Michael
Syad Fauzi Adiarsa, Selly Harnesa, Totok Pujianto Judul Implementasi
Metode Fuzzy Time Series Untuk Prediksi Kebutuhan Bahan Baku Pokok Produk Makanan Pada Kedai
Dampizza
Prediksi Harga Emas
Menggunakan Metode Fuzzy Time Series
Penerapan Analisis Runtun Waktu pada Peramakan Penjualan Organik Menggunakan Metode Moving Average dan Exponential Smoothing Objek
Penelitian Kedai
Dampizza Harga Emas Warung Sehat 1000 Kebun
Metode Fuzzy Time Fuzzy Time Moving
Penelitian Series Series Average dan Exponential Smoothing Hasil Tingkat error
3,83% Selisih rata-rata
< Rp2.850,00 Hasil perhitungan peramalan menggunakan analisis runtun waktu pada penjualan packoy,
cocofresh dan telur ayam kampung menggunakan metode moving average dan metode
exponential smoothing menggunakan á
= 0.1,
menghasilkan nilairamalan untuk pekan berikutnya secara berurutan sebagai berikut:
pakcoy, cocofresh dan
telur ayam
kampung secara berurutan adalah
1583,33 dan 1772,89 gram;
10,67 dan 6,48 butir
(dibulatkan menjadi 11 dan
7 butir); serta 8,33
dan 8,47 butir (dibulatkan menjadi 9 dan 9 butir)
sehingga Warung Sehat 1000 Kebun dapat
mengambil keputusan untuk mempersiapkan stok barang berdasarkan hasil ramalan sehingga
stok yang
disediakan tidak mengalami penurunan kualitas akibat masa
penyimpanan yang terlalu lama
Indikator Penelitian
Penelitian IV Penelitian V Yang Akan Diteliti Penulis Ramadhan Ilfan Setiawan,
Nurliana Nasution
Ni Kadek Ari Adnyani Judul Prediksi
Penjualan Barang Dengan Fuzzy Time Series
Peramalan Penjualan Parfum Menggunakan Metode Single Moving Average (SMA)
Peramalan Penjualan Barang Menggunakan Metode Fuzzy Time Series Pada UD. Wira
Jaya Objek
Penelitian Penjualan Rumah PT. Pal Dua Asri dan Penjualan Barang di TB.
AA. Jaya, Bangunrejo
IM Parfum
Pekanbaru Toko UD. Wira Jaya
Metode Penelitian
Fuzzy Time Series
Single Moving Average
Fuzzy Time Series
Hasil MAPE 14,21%,
menggunakan margin 5% pada atas dan bawah himpunan semesta jumlah interval 14.
Hasil peneltiian menunjukkan bahwa peramalan persediaan parfum untuk bulan Desember 2021 adalah sebanyak 1542 botol dengan nilai MAD sebesar 242, nilai MSE sebesar 127073,4 dan nilai MAPE sebesar 17,3%.
II.2 Peramalan
Peramalan merupakan proses pembuatan estimasi tentang permintaan pelanggan yang berkaitan dengan jumlah produksi dan stok di masa depan selama periode yang ditentukan, dengan menggunakan data historis dan informasi lainnya. Peramalan yang tepat dapat memberikan informasu berharga tentang potensu bisnis di pasar saat ini dan pasar lainnua, sehingga perusahaan dapat membuat keputusan yang tepat tentang penetapan harga, strategi pertumbuhan bisnis, dan potensi pasar (Aman dkk., 2023)
Menurut (Azman Maricar, 2021) Seluruh kegiatan tentunya memiliki proses, termasuk untuk peramalan. Berikut merupakan aktivitas- aktivitas atau proses dalam peramalan:
a. Mendefinisikan suatu permasalahan b. Pengumpulan data
c. Analisis data
d. Pemilihan dan pencocokan model yang akan digunakan
e. Menguji validitas model tersebut f. Penggunaan model untuk peramalan
g. Monitoring kinerja dari model peramalan tersebut.
2.2.1 Jenis- jenis peramalan
Berdasarkan jangka waktumnya peramalan dibagi menjadi tiga jenis, yaitu:
1. Peramalan jangka panjang , yaitu yang mencakup waktu lebih dari 18 bulan. Misalnya, peramalan yang diperlukan dalam kaitannya dengan penanaman modal, perencanaan fasilitas dan perencanaan untuk kegiatan litbang.
2. Peramalan jangka menengah, yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanaan tenaga kerja tidak tetap.
3. Peramalan jangka pendek, yaitu yaitu mencakup waktu antara 3 sampai 18 bulan. Misalnya, peramalan untuk perencanaan penjualan, perencanaan produksi dan perencanmencakup jangka waktu kurang dari 3 bulan.
Misalnya, peramalan dalam hubungannya dengan perencanaan pembelian material, penjadwalan kerja dan penugasan karyawan.an tenaga kerja tidak tetap.
2.2.2 Tipe Peramalan
Berdasarkan fungsi dan perencanaan operasi di masa depan, peramalan dibagi menjadi tiga tipe yaitu:
1) Peramalan Ekonomi (Economic Forecast)
Tipe peramalan ini menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang, dana
yang dibutuhkan untuk membangun perumahan dan indikator perencanaan lainnya.
2) Peramalan Teknologi (Technological Forecast) Tipe peramalan ini memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru yang menarik, yang membutuhkan pabrik dan peralatan yang baru.
3) Peramalan Permintaan (Demand Forecast)
Tipe peramalan ini juga disebut peramalan penjualan yang mengendalikan produksi, kapasitas, serta sistem penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran, dan sumber daya manusia.
2.2.3 Metode Peramalan
Pada dasarnya, semua peramalan memiliki dasar pemikiran yang sama, yaitu menggunakan data dimasa lampau untuk memperkirakan data di masa yang akan mendatang.
Situasi peramalan sangat beragam dalam horison waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan.
Teknik tersebut dibagi dalam dua kategori utama, yaitu:
1) Metode Kuantatif
Metode kuantitatif dilakukan dengan menggunakan matematis yang beragam dengan data historis yang berkaitan dengan peramalan dan variabel sebab akibat.
Metode kuantitatif dapat dibagi menjadi deret berkala dan metode kausal.
2) Metode kualitatif
Metode kualitatif subjektif, karena di pengaruhi oleh beberapa faktor seperti intuisi, emosi dan pengalaman seseorang. Metode kualitatif dapat dibagi menjadi metode eksploratoris dan normatif.
2.3 ARTIFICAL NEURAL NETWORK
Artificial Neural Network merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya.
Artificial Neural Network mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh Artificial
Neural Network sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari (Yanto dkk., 2018).
2.3.1 Jariangan Syaraf Biologi
Menurut (Fachrudin Pakaja, 2021), jaringan syaraf biologi merupakan Kumpulan dari sel-sel syaraf (neuron). Neuron mempunyai tugas mengolah informasi. Komponen-komponen utama dari sebuah neuron dapat dikelompokan menjadi 3 bagian, yaitu:
1. Dendrit, bertugas untuk menerima informasi.
2. Badan sel (soma), berfungsi sebagai tempat pengolahan informasi.
3. Akson (neurit), mengirimkan impuls-impuls ke sel syaraf lainnya.
Gambar 2.1. Sel Syaraf Biologi
Perhatikan Gambar 2.1. Sebuah neuron menerima impul- impuls sinyal dari neuron yang lain melalui dendrit dan mengirimkan sinyal yang dibagikan oleh badan sel melalui akson. Akson dari sel syaraf biologi inu bercabang-cabang dan berhubungan dengan dendrit dari sel syaraf lainnya dengan cara implies melalui sinapsis. Sinapsis adalah neuron fungsional antara dua buah sel syaraf, katankalah A dan B, Dimana yang satu adalah serabut akson dari neuro A dan satunya lagi dendrit dari neuron B. Kekuatan sinapsis ini bisa menurunkan atau meningkatkan tergantung pada seberapa besar Tingkat propagasi sinyal yang diterima.
Adapun cara belajar neural network yaitu ke dalam neural network di-input- kan informasi yang sebelumnya telah diketahui hasil output-nya. Input informasi ini dilakukan lewat node-node atau neuron- neuron input. Bobot-bobot antar penghubung dalam suatu arsitektur
diberi nilai awal dan kemudian neural network dijalankan. Bobot-bobot ini bagi jaringan digunakan untuk belajar dan mengingat suatu informasi. Pengaturan bobot dilakukan secara terus-menerus dan dengan menggunakan kriteria tertentu sampai diperoleh output yang diharapkan. Tabwl 2.2 memperlihatkan keanalogan antara neural network dengan jaringan syaraf biologi.
Tabel 2.1. Keanalogan Neural Network Terhadap Jaringan Syaraf Biologi
Neural Network Jaringan Syaraf Biologi
Node atau neuron Badan sel (soma)
Input Dendrit
Output Akson
Bobot Sinapsis
Hal yang ingin dicapai dengan melatih atau mengajari neural network adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Kemampuan memorisasi adalah kemampuan neural network untuk memanggil kembali secara sempurna sebuah pola yang telah dipelajari, sedangkan kemampuan generalisasi adalah kemampuan neural network untuk menghasilkan respon yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat bila pada suatu saat ke dalam neural network itu di- input-kan informasi baru yang belum pernah dipelajari, maka neural network itu masih akan tetap dapat memberikan tanggapan yang baik, memberikan output yang paling mendekati.
2.3.1 Definisi Neural Network
Menurut (Ari Dwi Ningsih, 2018) Metode Neural Network Forecasting merupakan merupakan metode peramalan dengan
menggunakan jaringan saraf tiruan (neural netwok) dalam perhitungan ramalannya. Metode ini digunakan untuk model peramalan nonlinear,dimana dalam neural netwok terdapat layer masukan dan keluaran serta terdapat fungsi aktivasi.
Dengan rumus sebagai berikut:
𝑌� = �(𝑌�−1 , … . , 𝑌�−�)+ 𝑒�
Dimana :
𝑌� = nilai variabel Y pada waktu ke –t
𝑌�−1 = nilai variabel pada lag ke-1, dimana t lebih besar dari 1 𝑌�−� = nilai variabel Y pada lag ke-p, dimana t lebih besar dari p 𝑒� = error untuk periode waktu t
2.4 Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) berguna dalam mengevaluasi ketepatan ramalan. MAPE mengindikasi seberapa besar kesalahan dalam meramal yang dibandingkan dengan nilai nyata (Wulandari, 2020). MAPE digunakan dalam penelitian ini untuk mengetahui tingkat persentase error yang dihasilkan pada hasil peramalan periode yang diinginkan. MAPE dirumuskan sebagai berikut:
Di mana:
MAPE = Mean Absolute Percentage Error Xt = Data aktual pada periode t Ft = Data peramalan pada periode t N = Jumlah periode data keseluruhan
Berikut ini merupakan kriteria dalam Mean Absolute Percentage Error (MAPE) menurut (Chang wang, & Liu, 2017):
Tabel 2.2 Kriteria dalam MAPE
Kriteria Keterangan
≤10% Hasil peramalan sangat baik 10% - 20% Hasil peramalan baik 20% - 50% Hasil peramalan cukup baik
>50% Hasil peramalan buruk
2.5 Back – Propagation
Dasar pemikiran Back-propagation yaitu Neural network membutuhkan data training besar dan lengkap termasuk variabel target yang outputnya diproses melalui node-node yang ada pada jaringan.
Output akan dibandingkan dengan nilai actual, sehingga error yang terjadi dapat diprediksi dengan rumus :
𝑆𝑆� = ∑ ∑ (𝑎𝑐�𝑢𝑎� − 𝑜𝑢��𝑢�) 2 𝑟𝑒𝑐𝑜𝑟� 𝑜𝑢��𝑢� 𝑛𝑜�𝑒
Dimana error yang diperkirakan dijumlahkan dengan semua output dari node dan data training. Untuk itu diperlukan model pembobotan yang dapat meminimalkan error yang akan terjadi, karena model sigmoid pada neural network tidak dapat memperkirakan error jika data tersebut non-linear. Untuk prinsip kerja yang digunakan yaitu dengan metode Gradient Descent. Metode Gradient Descent digunakan untuk mencari nilai setiap bobot yang berupa vektor, dimana bobot tersebut akan menurunkan error atau SSE pada neural network. Metode yang digunakan yaitu dengan membuat bobot baru dari penjumlahan bobot sekarang dengan selisih dari bobot sekarang.
�
𝑛𝑒�= �
𝑐𝑢𝑟𝑟𝑒𝑛�+∆�
𝑐𝑢𝑟𝑟𝑒𝑛2.6 Data Mining
Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai database besar.
Data mining juga dikenal dengan nama Knowledge Discovery In Database (KDD). Selain itu Data mining juga didefinisikan sebagai suatu set teknik yang dipergunakan secara otomatis dalam mengeksplorasi keseluruhan dan membawa kepermukaan relasi-relasi yang kompleks pada set data yang sangat besar. Set data yang dimaksud disini adalah set data yang berbentuk tabulasi, seperti yang banyak diimplementasikan dalam teknologi manajemen basis data relasional.
Proses data mining atau yang biasa disebut dengan Knowledge Discovery Databases (KDD). KDD sering kali digunakan secara bergantian untuk menjabarkan proses penggalian suatu informasi tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut mempunyai konsep yang berbeda, akan tetapi berkaitan satu dengan yang lain (Ginting dkk., 2019).
Berikut ini adalah beberapa jenis data mining yang umum digunakan :
1) Clustering
Clustering adalah metode untuk mengelompokkan objek- objek data yang serupa ke dalam kelompok-kelompok
yang saling terkait. Tujuannya adalah untuk mengidentifikasi pola-pola atau kelompok- kelompok yang tidak diketahui sebelumnya dalam dataset. Contoh penggunaan clustering adalah dalam segmentasi pelanggan berdasarkan perilaku pembelian atau dalam pengelompokkan produk berdasarkan atribut tertentu.
2) Classification
Classification adalah proses membangun model atau aturan yang dapat digunakan untuk mengklasifikasikan objek-objek data ke dalam kategori-kategori atau kelas-kelas yang telah ditentukan sebelumnya.
Tujuannya adalah untuk membuat prediksi atau pengklasifikasian berdasarkan fitur-fitur atau atribut- atribut tertentu dari data. Contoh penggunaan classification adalah dalam klasifikasi email menjadi
"spam" atau "non-spam", atau dalam prediksi pelanggan yang kemungkinan besar melakukan churn (beralih ke pesaing).
3) Regression
Regression melibatkan pengembangan model matematika untuk memprediksi atau menentukan hubungan antara variabel dependen (hasil yang ingin diprediksi) dengan variabel independen (variabel- variabel yang mempengaruhi hasil tersebut).
Tujuannya adalah untuk memperkirakan atau menggambarkan hubungan kuantitatif antara variabel- variabel tersebut. Contoh penggunaan regression adalah dalam memprediksi harga rumah berdasarkan luas tanah, jumlah kamar, lokasi, dan faktor-faktor lainnya.
4) Association Rule Mining
Association rule mining (penambangan aturan asosiasi) melibatkan identifikasi pola asosiasi atau korelasi antara item- item dalam dataset. Tujuan dari analisis ini adalah untuk menemukan hubungan yang tersembunyi atau asosiasi yang sering terjadi antara item-item dalam transaksi. Contoh penggunaan association rule mining adalah dalam analisis keranjang belanja (market basket analysis) untuk mengidentifikasi item-item yang sering dibeli bersama-sama.
5) Text Mining
Text mining melibatkan penggalian informasi atau penemuan pola dari dokumen teks. Ini melibatkan ekstraksi dan analisis informasi yang tersembunyi dalam dokumen teks, seperti analisis sentimen, pengenalan entitas, kategorisasi topik, atau penambangan pengetahuan dari teks. Contoh penggunaan text mining adalah dalam analisis umpan balik pelanggan, analisis berita, atau analisis media sosial.
6) Time Series Analysis
Time series analysis melibatkan analisis data yang dikumpulkan secara berurutan dalam interval waktu tertentu. Tujuannya adalah untuk mengidentifikasi pola, tren, atau siklus dalam data waktu.
Contoh penggunaan time series analysis adalah dalam peramalan penjualan berdasarkan data penjualan historis.
7) Anomaly Detection
Anomaly detection (deteksi anomali) melibatkan identifikasi data yang tidak biasa, langka, atau tidak sesuai dengan pola atau perilaku normal dalam dataset.
Tujuannya adalah untuk mengidentifikasi.
2.7 CRISP-DM
Alur penelitian ini mengacu pada Cross-Industry Standard Process (CRISP-DM) untuk Data Mining.
CRISP-DM merupakan standart proses data mining untuk strategi pemecahan permasalahan secara universal dari bisnis ataupun unit riset.(Arifin dkk., 2022)
Gambar 2.2 Gambar Pengembangan CRISP-DM 1) Business Understanding
Pada tahap pertama yaitu dilakukan pemahaman bisnis serta penjelasan terhadap masalah data mining sehingga dapat mencapai tujuan. Pada tahap business understanding dilakukan proses penentuan tujuan bisnis, memahami situasi dan kondisi pada saat penelitian dan menetapkan sebuah tujuan dari penelitian yang dilakukan ke dalam permasalahan yang diselesaikan dengan data mining.
2) Data Understanding
Tahap data understanding merupakan tahap persiapan, dilakukan pengecekan terhadap data yang digunakan mengumpulkan data awal serta melakukan identifikasi pada kualitas data. Dalam data understanding, data yang digunakan akan melalui proses deskripsi dari setiap fiturnya.
3) Data Preparation
Pada data preparation dilakukan persiapan data dengan menyesuaikan dataset agar dapat sesuai dengan kebutuhan yang akan digunakan saat tahap
pemodelan.pada tahap data preparation pertama akan dilakukan data selectio untuk melakukan seleksi terhadap data yang dibutuhkan, data preprocessing untuk mempersiapkan data mentah sehingga siap untuk menjadi data yang dapat digunakan pada pemodelan, dan data traformation data untuk melakukan transformasi.
4) Modeling
Pada tahap ini, pemodelan menggunakan teknik clustering untuk mendapatkan suatu pola data mining.
Teknik pemodelan clustering yang digunakan adalah algoritma naïve bayes, sebelum melakukan pemodelan, langkah awal yaitu menentukan cluster. Untuk menentukan jumlah cluster terbaik, peneliti menggunakan metode naïve bayes.
5) Evaluation
Setelah melakukan tahap pemodelan, tahap selanjutnya adalah evaluasi untuk mengukur model yang palih baik digunakan.
6) Deployment
Setelah tahap evaluasi selesai dilakukan untuk menilai secara detail hasil dari sebuah model maka dilakukan implementasi /dari keseluruhan model yang telah dibangun.
2.8 Data Analytic
Data Analytics adalah proses mengumpulkan, membersihkan, menganalisis, dan menafsirkan data untuk menghasilkan wawasan dan wawasan yang bermanfaat. Analisis data digunakan untuk mengidentifikasi pola, tren, dan hubungan dalam data untuk mendukung pengambilan keputusan yang lebih baik (Studi dkk., 2023).
Berikut ini merupakan jenis-jenis data analytics yaitu : 1) Descriptive Analytics
Analitik Deskriptif adalah jenis analitik yang berfokus pada deskripsi dan ringkasan data yang ada. Tujuan dari analitik deskriptif adalah untuk memberikan gambaran yang jelas tentang apa yang terjadi dalam data. Proses analitik deskriptif melibatkan metode statistik dan teknik visualisasi data untuk mengidentifikasi pola, tren, dan hubungan dalam data tersebut.
2) Analytics Descriptive
Analitik Deskriptif adalah jenis analitik yang berfokus pada deskripsi dan ringkasan data yang ada. Tujuan dari analitik deskriptif adalah untuk memberikan gambaran yang jelas tentang apa yang terjadi dalam data. Proses analitik deskriptif melibatkan metode statistik dan teknik visualisasi data untuk mengidentifikasi pola, tren, dan hubungan dalam data tersebut.
3) Diagnosic Analytics
Diagnostic Analytics (Analitik Diagnostik) adalah jenis analitik yang berfokus pada pemahaman penyebab atau faktor yang mendasari suatu kejadian atau peristiwa dalam data.
Tujuannya adalah untuk menganalisis data dengan lebih mendalam dan mengidentifikasi faktor penyebab atau pola yang mempengaruhi hasil atau perubahan dalam data tersebut.
4) Predictive Analytics
Predictive Analytics (Analitik Prediktif) adalah jenis analitik yang menggunakan data historis untuk membuat
prediksi atau perkiraan tentang kejadian di masa depan. Tujuan dari analitik prediktif adalah untuk mengidentifikasi pola atau tren yang tersembunyi dalam data yang dapat digunakan untuk memprediksi hasil atau peristiwa yang akan datang.
5) Prescriptive Analytics
Prescriptive Analytics (Analitik Preskriptif) adalah jenis analitik yang berfokus pada memberikan saran atau rekomendasi tindakan yang harus diambil berdasarkan hasil analisis data. Tujuannya adalah untuk memberikan pemahaman yang mendalam tentang situasi yang ada dan memberikan panduan untuk pengambilan keputusan yang lebih baik.
BAB III
ANALISIS DAN PERANCANGAN III.1 Tempat dan Waktu Penelitian
Tempat dilakukannya penelitian ini yaitu di UD Wira Jaya yang beralamat di Jl. Ciungwanara, Blahkiuh, Kec.
Abiansemal, Kab. Badung. Adapun waktu yang dilakukan pada penelitian ini yaitu mulai dari bulan November 2023 sampai dengan selesai.
III.2 Teknik Pengumpulan Data
Tahapan pengumpulan data dilakukan dengan menggunakan beberapa prosedur yaitu sebagai berikut:
1.
ObservasiObservasi merupakan metode pengumpulan data yang bertujuan untuk mengetahui data-data yang dilakukan dengan cara pengamatan langsung pada UD Wira Jaya untuk mengetahui kondisi dan data penjualan yang dibutuhkan dalam penelitian ini.
2.
WawancaraWawancara merupakan metode pengumpulan data yang bertujuan untuk mendapatkan informasi mengenai permasalahan yang ada dan juga untuk mendapatkan data penjualan barang di UD Wira Jaya.
3.2.1 Sampel
Sampel merupakan sebagian dari jumlah kesuluruhan objek yang diteliti (Haryanto, 2012). Sampel dalam penelitian ini adalah data penjualan barang pada UD Wira Jaya dalam periode bulan Januari tahun 2020 hingga bulan Desember tahun 2022 yang dibagi menjadi 12 kategori barang, yaitu bahan bangunan berupa semen, cat tembok, tandon, besi, baja, granit, keramik, kusen, genteng, asbes, paralon, dan triplek. Data penjualan tersebut disajikan telah dilampirkan pada lampiran penelitian ini.
III.3 Alur Penelitian
Analisis sistem yang dilakukan dengan tujuan untuk mengetahui proses-proses yang berjalan pada sistem. Tujuan dari mengetahui proses- proses tersebut adalah untuk memahami jalannya sistem secara keseluruhan serta hambatan-hambatan yang mungkin ada pada saat pengembangan sistem.
Berikut ini merupakan alur perhitungan penelitian dari analisis peramalan pendapatan menggunakan metode ANN
Gambar 3.1 Alur Penelitian
DAFTAR PUSTAKA
Aman, S., Fitria, H., dkk. 2023. ANALISA PERAMALAN PENJUALAN TAS KERAJINAN EKSPOR DENGAN METODE MOVING AVERAGE DI CV. SINDOCRAFT.
Jurnal Teknologi dan Manajemen Industri.
Ardiansah, I., Fauzi Adiarsa, I., dkk. 2021. "Penerapan Analisis Runtun Waktu pada Peramalan Penjualan Produk Organik menggunakan Metode Moving Average dan Exponential Smoothing
Application of Time Series Analysis in Organic Product Sales Forecasting using Moving Average and Exponential Smoothing Methods". https://doi.org/10.23960/jtep-l.v10.i4.548-559.
Ari Dwi Ningsih 2018. "5212100032-paper".
Azman Maricar, M. 2019. "Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ".
Dzulfikar, A., Ramsari, N., dkk. 2021. IMPLEMENTASI PERAMALAN PENJUALAN PRODUK DI PT. PRIMA PER TRADEA UTAMA MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK. Jurnal FIKI, XI.
diambil dari http://jurnal.unnur.ac.id/index.php/jurnalfiki.
Fachrudin Pakaja, A. N. dan P. 2021. "162-Article Text-276-1-10- 20130327".
Liza, F., dan Sulistijanti, W. 2020. Prosiding Seminar Edusainstech PERAMALAN PRODUKSI DAN LUAS AREA TANAM TEMBAKAU DI INDONESIA DENGAN METODE ARTIFICIAL NEURAL NETWORK.
Putri, M. A., dan Sukmono, T. 2022. "Forecasting Analysis Sales of Shrimp Cracker Using Artificial Neural Network Method (ANN) [Analisa Peramalan Penjualan Kerupuk Udang Dengan
Menggunakan Metode Artificial Neural Network (ANN)]", 370, 514. https://doi.org/10.21070/ijccd.v4i1.843.
Setiawan, I., dan Nasution, N. 2022. PERAMALAN PENJUALAN PARFUM MENGGUNAKAN METODE SINGLE MOVING AVERAGE (SMA) (STUDI KASUS : IM PARFUM
30
PEKANBARU). Journal of Science and Social Research.
diambil dari http://jurnal.goretanpena.com/index.php/JSSR.
Yanto, M., Praja Wiyata Mandala, E., dkk. 2018. "Peramalan Penjualan Pada Toko Retail Menggunakan Algoritma Backpropagation Neural Network", 2(3).
31
LAMPIRAN Lampiran 1. Daftar Wawancara
32
33
Lampiran 1. Bukti Dokumentasi
1) Data Penjualan Item Terjual
2) Lokasi Toko UD Wira Jaya
34
1) Wawancara Narasumber
BIODATA PENULIS
Nama : Ni Kadek Ari Adnyani
Alamat : Br. Ambengan, Ayunan, Abiansemal, Badung, Bali
TTL : Ayunan Badung, 19 Juni 2002 Telepon : 0881037140500
Email : [email protected] Angkatan : 2020
Moto : Don’t Forget Beautiful Needs Sunset Cloudy Skies
Latar Belakang Pendidikan : 2008 – 2014 : SD No. 1 Ayunan
2014 – 2017 : SMP Negeri 1 Abiansemal 2017 – 2020 : SMA Negeri 1 Abiansemal
2020 – Sekarang : Institut Bisnis dan Teknologi Indonesia Pengalaman Organisasi :
2018 – 2020 : Anggota OSIS SMA Negeri 1 Abiansemal 2020 – 2021 : Anggota UKM Tari INSTIKI
2020 – 2021 : Tangan Kanan Sie Acara Artspirasi 6 2020 – 2021 : Anggota Sie Acara Tri Cipta I 2020 – 2021 : Anggota Sie Acara Gradien 2021 – 2022 : PJ Pagi PKKMB 2021
2021 – 2022 : Ketua Umum UKM Tari INSTIKI 2021 – 2022 : Koordinator Sie Acara Artspirasi 7 2021 – 2022 : Anggota Sie Acara Debat (Literasi)
2022 – 2023 : Anggota Sie Acara & Team Creative Dies Natalis XIV INSTIKI
2022 – 2023 : Penanggung Jawab KEBUS 2022 – 2023 : PJ Pagi PKKMB 2022 2021 – Sekarang : Sekretaris ST. Sancita Dharma Pengalaman Kerja :
2023 – sekarang : Produksi donat pada El.Co Donuts
