ESTIMASI PENJUALAN MOTOR PADA PT. ADIRA FINANCE TEBING TINGGI DENGAN
WEIGHT MOVING AVERAGE Nurmayanti Sitinjak
STMIK Royal Kisaran E-mail : [email protected]
Abstract
PT Adira Finance merupakan perusahaan pembiayaan non-bank dalam bidang pembiayaan konsumen yang beralamat di Tebing Tinggi. Obyek pembiayaan Adira Finance yaitu kendaraan bermotor roda dua dan empat. PT. Adira Finance Tebing Tinggi tidak dapat memperkirakan penjualan sepeda motor yang diminati oleh konsumen ditahun yang akan datang sehingga tidak dapat menargetkan penjualan yang ingin dicapai karena belum menggunakan metode forecasting. Forecasting merupakan peramalan yang memerlukan pengambilan data historis untuk diproses supaya menghasilkan keputusan berapa prediksi stok sepeda motor yang diperlukan untuk periode selanjutnya. Tujuan dilakukan penelitian ini untuk membantu menargetkan penjualan sepeda motor yang ingin dicapai dengan melakukan forecasting dengan metode pendekatan Weighted Moving Average (WMA) melalui pengembangan sistem berbasis teknologi informasi. Adapun data digunakan dalam forecasting adalah data penjualan sepeda motor dengan merk Honda dan Yamaha enam bulan terakhir pada tahun 2022, kemudian diproses menggunakan persamaan forecasting. Forecasting pada penelitian ini diproses berdasarkan data tiga periode sebelumnya untuk menghasilkan kebutuhan stok sepeda motor yang diperlukan dalam penjualan. Metode yang digunakan dalam penelitian ini adalah metode kuantitatif.
Metode kuantitatif adalah sebuah metode penelitian yang di dalamnya menggunakan banyak angka, mulai dari proses pengumpulan data hingga penafsirannya. Penelitian ini menghasilkan sistem informasi forecasting dengan metode pendekatan Weighted Moving Average (WMA) yang dapat diproses menggunakan sistem berbasis teknologi informasi sehingga mempermudah dan mempercepat dalam pengambilan keputusan untuk meramalkan penjualan sepeda motor dan menargetkan penjualan sepeda motor yang ingin dicapai pada bulan januari 2023.
Kata Kunci: Penjualan, Sepeda Motor, Peramalan, Weighted Moving Average (WMA).
1. PENDAHULUAN
Dewasa ini kehidupan manusia semakin kompleks. Semakin banyaknya kebutuhan dalam hidup sehari-hari yang harus dipenuhi seperti kebutuhan akan sandang, pangan, tempat tinggal dan kebutuhan lifestyle seperti barang-barang elektronik (gadget) serta kendaraan bermotor. Melihat pertumbuhan pasar motor di Indonesia semakin meningkat dari tahun ke tahun. Hal ini menandakan bahwa sepeda motor masih diminati dan menjadi idola masyarakat dalam berkendara. Masyarakat menyukai kendaraan yang kualitasnya bagus, cepat, trendy, irit serta harganya terjangkau. Maka tak heran masyarakat memilih sepeda motor sebagai alat transportasi. Selain itu, sepeda motor dirasa sangat cocok sebagai alat transportasi di Indonesia yang kondisi jalannya yang rusak dan macet (khususnya di kota-kota besar). Dengan demikian, industri sepeda motor dituntut untuk dapat menyesuaikan produknya sesuai dengan kebutuhan dan keinginan konsumen.
PT Adira Finance merupakan perusahaan pembiayaan non-bank dalam bidang pembiayaan konsumen yang beralamat di Tebing Tinggi. Obyek pembiayaan Adira Finance yaitu kendaraan bermotor roda dua dan empat. Terdapat dua macam target pasar Adira Finance, yaitu nasabah individu dan perusahaan. Segmen target individu Adira Finance adalah masyarakat kelas menengah ke bawah yang membutuhkan pembiayaan kendaraan bermotor roda dua (sepeda motor), sedangkan untuk jasa pembiayaan mobil, Adira Finance menargetkan masyarakat kalangan menengah ke atas. Berikut data penjualan sepeda motor enam bulan terakhir di tahun 2022.
Tabel 1.1 Data Penjualan Sepeda Motor Enam Bulan Terakhir Tahun 2022 di PT. Adira Finance Tebing Tinggi
No Nama Sepeda Motor
Bulan Ju
l Agu Sep Okt Nov Des
1 ALL NEW NMAX 155 17 5 20 18 15 6
2 ALL NEW NMAX 155 ABS 1 0 5 1 4 1
3 ALL NEW NMAX 155 CON 3 4 11 7 5 1
4 ALN VARIO 160 ABS 9 0 4 3 3 1
5 ALN VARIO 160 CBS 7 2 14 13 12 15
6 BEAT ESP CBS ISS DLX 3 0 5 5 1 3
7 BEAT FI SPORTY CBS 2 0 6 6 8 11
8 BEAT FI SPORTY CW 4 1 4 2 1 3
9 BEAT FI SPORTY CBS ISS 1 0 2 2 1
10 CB 150 R STREETFIRE 11 5 14 15 6 11
11 CB 150 VERZA SPOKE 0 0 2 1 3 3
12 CB VERZA 150 2 2 6 2 3 4
13 CRF 150 L 2 4 9 3 6 1
14 NEW ADV 160 CBS 0 1 0 0 2 2
15 NEW BEAT FI CW PLUS 1 0 0 2 0 0
16 NEW BEAT STREET ESP 2 2 5 2 2 2
17 NEW PCX 160 ABS 2 0 0 0 2 0
18 NEW PCX 160 CBS 0 0 4 5 0 1
19 NEW REVO FI FIT 2 2 17 3 7 4
20 NEW SCOOPY FASHION 0 0 2 4 1 1
21 NEW SCOOPY PRESTIGE 2 1 2 4 4 1
22 NEW SCOOPY SPORTY 0 0 1 0 3 5
23 NEW SCOOPY STYLISH 1 0 5 9 3 1
24 NEWSUPRA X 125 FI CW 4 1 5 6 4 7
25 NEWSUPRA X 125 FI SW 4 0 15 5 3 5
26 NVARIO 125 ESP CBS 0 3 0 7 0 0
27 N-MAX 2 4 8 4 6 2
28 NMAX ABS 2 0 1 0 0 1
29 NVARIO 125 ESP CBS 10 0 5 0 10 8
30 SCOOPY ESP 3 1 9 6 1 4
31 SUPRA X 125 PGMFI CW 1 2 2 2 3 1
32 VARIO 125 CBS ISS 1 0 2 2 1 2
33 VARIO 125 ESP CBS 11 4 8 3 6 7
34 VARIO 125 ESP CBS ISS 28 9 26 17 22 10
35 VARIO 150 ESP EXCLSV 10 12 19 11 5 7
36 VERZA 150 CW 3 0 2 0 0 1
37 VERZA 150 SW 3 0 2 2 2 0
Sumber: PT Adira Finance Tebing Tinggi
Dari tabel 1.1 diatas dapat dilihat bahwa penjualan sepeda motor pada enam bulan terakhir di PT. Adira Finance Tebing Tinggi tidak stabil dan tidak sesuai target yang direncanakan. Hal ini terjadi karena dalam proses penjualan, PT. Adira Finance Tebing Tinggi belum dilengkapi dengan adanya suatu peramalan penjualan. Dengan tidak adanya peramalan penjualan untuk masa yang akan datang mengakibatkan sulitnya menentukan jumlah target penjualan sepeda motor setiap periode. Selain itu PT. Adira Finance Tebing Tinggi juga sulit untuk menentukan keputusan dalam hal penentuan sepeda motor apa saja yang laku dipasaran.
Dalam menjalankan operasional bisnis suatu perusahaan pasti memiliki tujuan untuk memperoleh keuntungan yang meningkat. Setiap perusahaan tentu saja menargetkan penjualan yang ingin dicapai setiap hari, bulan atau tahun. Oleh sebab itu PT Adira Finance memerlukan forecasting (peramalan) untuk memperkirakan penjualan sepeda motor yang diminati oleh konsumen ditahun yang akan datang. Dengan demikian, PT Adira Finance dapat membuat suatu tindakan, kebijakan atau keputusan yang dilakukan secara tepat untuk mencapai target yang direncanakan.
Di dalam pembuatan penelitian ini penulis menggunakan Metode Weight Moving Average (WMA) untuk meramalkan penjualan sepeda motor yang diminati oleh konsumen ditahun yang akan datang. Metode WMA atau metode rata-rata bergerak, nilai terbaru pada suatu deret nilai memiliki bobot terbesar dalam perhitungan. Penggunaan metode WMA mempunyai keunggulan adalah dalam memprediksi perubahan trend lebih responsive dibandingkan dengan metode lain. WMA merupakan metode yang dapat digunakan untuk menghitung forecasting untuk periode selanjutnya yang memerlukan pengambilan data histori untuk diproses supaya menghasilkan keputusan [1].
Penelitian yang telah dilakukan sebelumnya terkait dengan sistem peramalan dengan Metode Weighted Moving Average diantaranya yaitu penelitian yang dilakukan oleh Silvya, et all, pada tahun 2020 dengan judul Penerapan Metode Weighted Moving Average Untuk Peramalan Persediaan Produk Farmasi, menyimpulkan bahwa dengan menggunakan metode WMA (Weighted Moving Average) dapat menghasilkan sebuah sistem yang memudahkan dalam menentukan persediaan produk farmasi dan dapat membantu produsen untuk mengetahui kondisi permintaan di pasaran [2].
Penelitian yang dilakukan oleh Mardiansyah (2022), dengan judul Analisis Peramalan Persediaan Menggunakan Perangkat Lunak Berbasis Fuzzy Dengan Metode Weight Moving Average (WMA) Pada Berkah Laundry Pariaman, menyimpulkan bahwa Peramalan persediaan sabun deterjen untuk kebutuhan periode berikutnya adalah 21 kg. Nilai bias atau rata-rata error dengan nilai -0,43, yang artinya kesalahan minimal. Semakin mendekati 0 maka peramalan akan semakin baik [3].
Begitu juga penelitian yang dilakukan oleh Kusuma, et all (2021), dengan judul Implementasi Metode Weighted Moving Average Pada Sistem prediksi Stok Tembakau Lokal Berbasis Web (Studi Kasus Outlet Progressive Nicotiana), menyimpulkan bahwa setelah dilakukan perhitungan menggunakan Metode Weighted Moving Average dan mendapatkan nilai error terkecil dari pengujian menggunakan Mean Absolute Percentage Error, didapatkan nilai bobot terbaik adalah bobot 7 dengan nilai error 20,949% dengan kemampuan prediksi layak [4].
Berdasarkan permasalahan yang ada, maka peneliti akan membangun suatu sistem informasi yang bisa memberikan kemudahan dalam peramalan penjualan untuk penjualan periode berikutnya.
Maka peneliti mengangkat penelitian dengan judul “Estimasi Penjualan Motor Pada PT. Adira Finance Tebing Tinggi Dengan Weight Moving Average”.
.
2. TINJAUAN PUSTAKA 2.1. Pengertian Peramalan
Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian yang tidak pasti sehingga diperlukan waktu untuk menarik suatu kesimpulan dimasa yang akan datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa serta bisa meminimalisasikan kesalahan data untuk masa yang akan datang. Peramalan atau prediksi adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap produk atau beberapa produk pada periode yang akan datang yang akan datang [5].
.
2.2 Pengertian Penjualan
Penjualan merupakan kegiatan yang dilakukan oleh penjual dalam menjual barang atau jasa dengan harapan akan memperoleh laba dari adanya transaksi-transaksi tersebut dan penjualan diartikan sebagai pengalihan atau pemindahan hak kepemilikan atas barang atau jasa dari pihak penjual ke pembeli. Jadi prediksi penjualan adalah suatu tindakan untuk memprediksi atau memperkirakan bagaimana kondisi atau keadaan penjualan beberapa tahun ke depan dengan tujuan untuk mendapatkan laba atau keuntungan dan menjadikan data penjualan beberapa tahun yang lalu sebagai patokan untuk memprediksi penjualan beberapa tahun ke depan [6].
2.3 Metode Weighted Moving Average (WMA)
Moving Average atau dalam bahasa Indonesia disebut dengan rata-rata bergerak merupakan salah satu metode peramalan yang cukup sederhana dan sering digunakan untuk memperkirakan kondisi pada masa yang akan datang dengan menggunakan data-data masa lalu (data-data historis).
Periode waktu kumpulan data yang biasa digunakan dapat berupa Tahunan, Bulanan, Mingguan dan bahkan Harian. Salah satu varian Moving Average adalah Weighted Moving Average, Weighted Moving Average adalah metode peramalan yang menggunakan pembobotan dari setiap data, bobot yang lebih besar diberikan pada data terakhir dibandingkan dengan data sebelumnya. Rumus Weighted Moving Average yaitu [7]:
WMA=
∑
(Dt∗Bobot)∑
BobotKeterangan:
WMA : Weighted Moving Average Dt : Data aktual pada periode t
Bobot : Bobot yang diberikan untuk setiap periode.
2.3.1 Pengukuran Kesalahan Peramalan
Suatu peramalan disebut sempurna jika nilai variable yang diramalkan sama dengan nilai sebenarnya. Untuk dapat melakukan peramalan yang selalu tepat sangat sulit, bahkan dapat dikatakan tidak mungkin. Oleh karena itu, diharapkan peramalan dapat dilakukan dengan nilai kesalahan sekecil mungkin. Kesalahan peramalan tidak semata-mata disebabkan karena kesalahan dalam pemilihan metode, tetapi juga dapat disebabkan karena jumlah data yang diamati terlalu sedikit sehingga tidak dapat menggambarkan perilaku/pola yang sebenarnya dari variable yang bersangkutan. Kesalahan peramalan adalah perbedaan antara nilai variable yang sesungguhnya dengan nilai peramalan pada periode yang sama. Menurut Eddy Herjanto, berikut ini beberapa ukuran yang dipakai untuk menghitung kesalahan peramalan [8]:
1. Kesalahan rata-rata peramalan (Mean Forecast Error atau bias)
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode waktu tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol. MFE dihitung dengan menjumlahkan semua kesalahan peramalan selama periode peramalan dan membaginya dengan jumlah periode peramalan, secara sistematis, MFE dinyatakan sebagai berikut:
MFE=
∑
(Xt−nFt)Dimana:
Xt = Permintaan aktual pada periode-t
Ft = Peramalan permintaan (forecast) pada periode-t n = Jumlah periode peramalan yang terlibat
2. Rata-rata penyimpanan absolut (Mean Absolute Deviation atau MAD)
Rata-Rata Penyimpanan Absolut (Mean Absolute Deviation atau MAD) merupakan penjumlahan kesalahan peramalan tanpa menghiraukan tanda aljabarnya dibagi dengan banyaknya data yang diamati. Dalam MAD, kesalahan dengan arah positif atau negative akan diberlakukan sama, yang diukur hanya besar kesalahan secara absolut. Rumus MAD dapat dihitung sebagai berikut :
¿Xt−Ft∨¿ n MAD=
∑
¿Dimana:
Xt = Permintaan aktual pada periode-t
Ft = Peramalan permintaan (forecast) pada periode-t n = Jumlah periode peramalan yang terlibat
3. Rata-rata kesalahan kuadrat (Mean Squared Error atau MSE)
Rata-Rata Kesalahan Kuadrat (Mean Squared Error atau MSE) memperkuat pengaruh angka- angka kesalahan besar, tetapi memperkecil angka kesalahan peramalan yang kecil (kurang dari satu unit). Rumus MSE dapat dihitung sebagai berikut :
(Xt−Ft)2
¿¿
¿ MSE=
∑
¿Dimana :
Xt = Permintaan aktual pada periode-t
Ft = Peramalan permintaan (forecast) pada periode-t n = Jumlah periode peramalan yang terlibat
4. Persentase Kesalahan Rata-rata secara mutlak (Mean Absolut Pecentage Error atau MAPE)
Pengertian Mean Absolute Percentage Error adalah Pengukuran statistik tentang akurasi perkiraan (prediksi) pada metode peramalan. Pengukuran dengan menggunakan Mean Absolute Percentage Error (MAPE) dapat digunakan oleh masyarakat luas karena MAPE mudah difahami dan diterapkan dalam memprediksi akurasi peramalan. Metode Mean Abosolute Percentage Error (MAPE) memberikan informasi seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya dari series tersebut. Semakin kecil nilai presentasi kesalahan (percentage error) pada MAPE maka semakin akurat hasil peramalan tersebut. Rumus MAPE dapat dihitung sebagai berikut:
¿Xt−Ft∨ ¿
Xt100 % MAFE=
∑
¿Dimana:
Xt = Permintaan aktual pada periode-t
Ft = Peramalan permintaan (forecast) pada periode-t.
3. METODOLOGI
Untuk memberikan panduan dalam penyusunan penelitian ini maka perlu adanya metodologi penelitian dan kerangka kerja penelitian yang digunakan.
3.1 Kerangka Kerja Penelitian 1. Pengumpulan Data
Pada tahap ini dilakukan pengumpulan data melalui wawancara secara langsung kepada Karyawan PT. Adira Finance Tebing Tinggi. Wawancara ini dilakukan agar dapat mengumpulkan semua data-data yang diperlukan dalam penelitian. Data-data tersebut berupa data penjualan sepeda motor enam bulan terakhir tahun 2022.
2. Analisa Data
Setelah diperoleh pengumpulan data, data tersebut diolah di dalam sebuah sistem dengan menerapkan Metode Weight Moving Average sehingga sistem dapat penjualan sepeda motor pada PT. Adira Finance tahun 2023.
3. Identifikasi Masalah
Masalah yang diidentifikasi dalam penelitian ini yaitu:
a. PT. Adira Finance tidak dapat memperkirakan penjualan sepeda motor yang diminati oleh konsumen ditahun yang akan datang.
b. PT. Adira Finance tidak dapat menargetkan penjualan yang ingin dicapai.
3. Perancangan Sistem
Tahap selanjutnya membahas tentang perancangan dan cara mengelola sistem dari hasil analisa data sehingga dapat memenuhi kebutuhan dari pengguna termasuk diantaranya perancangan user interface, dan data aktivitas proses.
4. Pengujian Sistem
Tahap pengujian sistem dimulai dengan melakukan input data kedalam aplikasi. Setelah data diinputkan, data diproses oleh sistem dan didapatkan hasil penginputan data. Setelah penginputan data berhasil maka dilakukan pengujian terhadap data yang sebenarnya.
5. Implementasi Sistem
Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain sistem yang telah disetujui dengan melakukan pengujian terhadap sistem, menginstal, memulai, dan menggunakan sistem yang baru. Adapun sistem dengan menerapkan Metode Weight Moving Average yang telah dirancang dan diuji coba sebelumnya, maka akan dilakukan tahapan terakhir berupa penerapan sistem.
3.2 Metode Penelitian
Metode penelitian merupakan suatu cara untuk mendapatkan gambaran yang jelas mengenai permasalahan yang dihadapi serta langkah-langkah yang digunakan dalam pemecahan terhadap berbagai permasalahan.
Adapun metode yang digunakan dalam penelitian ini adalah metode kuantitatif. Metode kuantitatif adalah sebuah metode penelitian yang di dalamnya menggunakan banyak angka. Mulai dari proses pengumpulan data hingga penafsirannya. Penelitian dilakukan dengan cara mengamati secara langsung kenyataan di lapangan, melakukan wawancara dengan narasumber yang terkait dengan objek penelitian, dan penelaahan dokumen.
Penelitian ini bertujuan untuk merancang suatu sistem untuk meramalkan penjualan sepeda motor pada PT. Adira Finance tahun 2023. Penelitian ini diawali dengan mengkaji teori-teori dan pengetahuan yang sudah ada sehingga akan muncul sebab permasalahan. Permasalahan tersebut akan diuji untuk mengetahui penerimaan atau penolakan berdasarkan data yang didapat dari lapangan..
3.3 Teknik Pengumpulan Data
Adapun teknik pengumpulan data yang digunakan penelitian adalah sebagai berikut:
1. Pengamatan (Observation)
Pengamatan dilakukan dimulai dengan datang langsung ke lokasi yang akan diamati yaitu PT.
Adira Finance Tebing Tinggi. Kemudian mencari informasi mengenai data yang dibutuhkan dalam penelitian seperti data penjualan sepeda motor.
2. Wawancara (Interview)
Wawancara adalah teknik pengumpulan data yang dilakukan dengan cara mengajukan pertanyaan secara langsung kepada pihak-pihak PT. Adira Finance Tebing Tinggi sesuai dengan tujuan penelitian. Pertanyaan yang diajukan yaitu tentang penjualan sepeda motor. Wawancara ini dilakukan untuk memudahkan peneliti dalam menemukan solusi yang tepat untuk mengatasi permasalahan-permasalahan yang dihadapi dalam meramalkan penjualan sepeda motor pada PT.
Adira Finance tahun 2023.
3. Penelitian Kepustakaan (Library Research)
Penelitian kepustakaan adalah teknik pengumpulan data dan informasi dengan melakukan kegiatan kepustakaan melalui buku-buku, jurnal, dan penelitian terdahulu yang berkaitan dengan penelitian yang sedang dilakukan. Kegiatan mencari referensi dari buku maupun jurnal dilakukan di Perpustakaan STMIK Royal. Jurnal yang dimasukkan dalam penelitian ini dari tahun 2018 sampai tahun 2022.
3.4 Tempat Dan Waktu Penelitian 3.4.1 Tempat Penelitian
Penelitian ini dilakukan di Kantor Cabang PT. Adira Finance Tebing Tinggi tepatnya di Jalan Ahmad Yani No. 200A-C Tebing Tinggi.
3.4.2 Waktu penelitian
Penelitian dimulai dari pra riset yang dilakukan pada bulan November 2022 selama satu minggu di minggu ketiga. Kemudian pengajuan judul dimulai pada minggu keempat bulan November 2022.
Selanjutnya penulisan proposal serta melakukan bimbingan skripsi sampai sidang skripsi dimulai dari minggu keempat bulan Desember 2022 sampai dengan minggu keempat bulan Agustus 2023.
Tabel 3.1. Waktu Penelitian
N
o Kegiatan
Bulan
Nov-22 Des-22 Jan-23 Feb-23 Mar-
23 Apr-23 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Pra riset
2 Pengajuan Judul Skripsi 3 Bimbingan
Skripsi 4 Seminar
Proposal 5 Penyusunan
Skripsi (Lanjutan) 6 Seminar
Hasil 7 Sidang
Skripsi No Kegiatan
Bulan
Mei-23 Jun-23 Jul-23 Agu-23 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Pra riset
2 Pengajuan Judul Skripsi 3 Bimbinga
n Skripsi 4 Seminar Proposal 5 Penyusun
an Skripsi (Lanjutan) 6 Seminar
Hasil 7 Sidang
Skripsi
4. Analisis Dan Perancangan 4.1 Analisa Sistem
Analisis sistem merupakan penguraian dari suatu sistem informasi untuk mengidentifikasi dan mengevaluasi permasalahan dan hambatan yang terjadi dan kebutuhan yang diharapkan dapat diusulkan perbaikan sistem. Pelaksanaan analisis sistem yang sedang berjalan pada PT Adira Finance untuk mengetahui lebih jelas bagaimana cara kerja sistem dalam proses penjualan sepeda motor.
Pada penelitian yang dilakukan pada PT Adira Finance dapat dilihat bahwa penjualan sepeda motor pada enam bulan terakhir di PT. Adira Finance Tebing Tinggi tidak stabil dan tidak sesuai target yang direncanakan. Hal ini terjadi karena dalam proses penjualan, PT. Adira Finance Tebing Tinggi belum dilengkapi dengan adanya suatu peramalan penjualan. Dengan tidak adanya peramalan penjualan untuk masa yang akan datang mengakibatkan sulitnya menentukan jumlah target penjualan sepeda motor setiap periode. Selain itu PT. Adira Finance Tebing Tinggi juga sulit untuk menentukan keputusan dalam hal penentuan sepeda motor apa saja yang laku dipasaran.
Dalam hal ini, untuk menggambarkan aliran sistem informasi tersebut maka akan digambarkan didalam sebuah aliran sistem infromasi yang sedang berjalan dalam penelitian ini yaitu sebagai berikut :
1. Admin penjualan akan mendata penjualan sepeda motor terlebih dahulu.
2. Kemudian admin penjualan akan merekap data penjualan sepeda motor tersebut.
3. Selanjutnya admin akan menyerahkan laporan rekap data hasil penjualan sepeda motor kepada Kepala Cabang.
4. Setelah itu Kepala Cabang menerima laporan tersebut dan menandatangani serta mengarsip laporan tersebut.
Dari penjelasan diatas, akan tergambarkan pada aliran sistem informasi berikut ini :
Gambar 4.1 Aliran Sistem Informasi Yang Berjalan.
4.2 Analisis Proses
Berikut ini adalah algoritma weighted moving average pada peramalan permintaan sepeda motor menggunakan bobot 3. Bobot 3 dipilih karena diantara bobot yang lainnya, bobot 3 memiliki hasil error terkecil dibandingkan dengan bobot lainnya.
1. Sepeda motor Honda
a. Menghitung peramalan weighted moving average WMA=
∑
(data∗bobot)∑
bobotWMA(4)=(197∗3)+(50∗2)+ (129∗1)
3+2+1 =137,33
WMA(5)=(140∗3)+(197∗2)+ (52∗1)
3+2+1 =144,33
WMA(6)=(126∗3)+(140∗2)+(197∗1)
3+2+1 =142,50 WMA(7)=(122∗3)+ (126∗2)+ (140∗1)
3+2+1 =126,33 b. Menghitung MAD, MSE MAPE
Perhitungan MAD
MADOktober = 140 – 137,33 = 2,67 MADNovember = 126 – 144,33 = -18,33 MADDesember = 122 – 143,50 = -20,5
Keterangan: Untuk hasil MAD negatif diubah menjadi positif sebelum dilakukan penjumlahan.
∑MAD = 2,67 + 18,33 + 20,50= 41,50 Perhitungan MSE
MSEOktober = (2,67)2 = 7,11 MSENovember = (18,33)2 = 336,11 MSEDesember = (20,50)2 = 420,25
∑MSE = 7,11 + 336,11 + 420,25 = 763,47 Perhitungan MAPE
MAPEOktober = 2,67/140 = 0,019 MAPENovember = 18,67 / 126 = 0,146 MAPEDesember = 20,50 / 122 = 0,168
∑MAPE= 0,019 + 0,146 + 0,168 = 0,333
¿Yt−Ft∨¿
n=41,50
3 =13,83 MAD=
∑
t=1 n
¿
MSE=
∑
t=1
n
(
Yt−Ft)
2n =763,47
3 =254,49 MAPE=
(
1n) ∑t=1
n
|
Yt−Ft|
n (100)=0,333
3 (100)=11%
Tabel 4.3 Hasil Peramalan Sepeda Motor Honda
No Bulan Aktual Peramalan Error MAD MSE MAPE
1 Jul-22 129
2 Aug-22 52
3 Sep-22 197
4 Okt-22 140 137,33 2,67 2,67 7,11 0,019
5 Nov-22 126 144,33 -18,33 18,33 336,11 0,146
6 Des-22 122 142,50 -20,50 20,50 420,25 0,168
7 Jan-23 126,33
Total 41,50 763,47 0,333
Rata-Rata 13,83 254,49 0,11
Dari tabel 4.3 diatas didapat hasil sebagai berikut:
Mean absolute Deviation (MAD) = 13,83 Mean squared error (MSE) = 254,49
Mean absolute percentage error (MAPE) = 0,11 = 11%
Perkiraan penjualan sepeda motor Honda pada bulan januari tahun 2023 adalah 126 unit.
2. Sepeda motor Yamaha
a. Menghitung peramalan weighted moving average WMA=
∑
(data∗bobot)∑
bobotWMA(4)=(45∗3)+(13∗2)+(25∗1)
3+2+1 =31,00 WMA(5)=(30∗3)+(45∗2)+(13∗1)
3+2+1 =32,17 WMA(6)=(30∗3)+(30∗2)+(45∗1)
3+2+1 =32,50 WMA(7)=(11∗3)+(30∗2)+(30∗1)
3+2+1 =20,50
b. Menghitung MAD, MSE MAPE Perhitungan MAD
MADOktober = 30 – 31,00 = -1 MADNovember = 30 – 32,17 = -2,17 MADDesember = 11 – 32,50 = -21,50
Keterangan: Untuk hasil MAD negatif diubah menjadi positif sebelum dilakukan penjumlahan.
∑MAD = 1 + 2,17 + 21,50= 24,67 Perhitungan MSE
MSEOktober = (1)2 = 1 MSENovember = (2,17)2 = 4,69 MSEDesember = (21,50)2 = 462,25
∑MSE = 1 + 4,69 + 462,25 = 467,94 Perhitungan MAPE
MAPEOktober = 1/30 = 0,033 MAPENovember = 2,17 / 30 = 0,072 MAPEDesember = 21,50 / 11 = 1,955
∑MAPE= 0,033 + 0,072 + 1,955 = 2,060
¿Yt−Ft∨¿
n=24,67 3 =8,22 MAD=
∑
t=1 n
¿
MSE=
∑
t=1
n
(
Yt−Ft)
2n =467,94
3 =155,98 MAPE=
(
1n) ∑t=1n |
Yt−nFt|
(100)=0,2,06
3 (100)=69 % Tabel 4.4 Hasil Peramalan Sepeda Motor Yamaha
No Bulan Aktual Peramalan Error MAD MSE MAPE
1 Jul-22 25
2 Aug-22 13
3 Sep-22 45
4 Okt-22 30 31,00 -1,00 1,00 1,00 0,033
5 Nov-22 30 32,17 -2,17 2,17 4,69 0,072
6 Des-22 11 32,50 -21,50 21,50 462,25 1,955
7 Jan-23 20,50
Total 24,67 467,94 2,060
Rata-Rata 8,22 467,94 0,687
Dari tabel 4.4 diatas didapat hasil sebagai berikut:
Mean absolute Deviation (MAD) = 8,22 Mean squared error(MSE) = 467,94
Mean absolute percentage error(MAPE) = 0,687 = 69%
Perkiraan penjualan sepeda motor Yamaha pada bulan januari tahun 2023 adalah 21 unit.
Tabel 4.5 Hasil Peramalan Keseluruhan Sepeda Motor
No Nama Sepeda motor Peramalan MAPE
1 Sepeda motor Honda 126,33 = 126 11%
2 Sepeda motor Yamaha 20,50 = 21 69%
Dari tabel 4.5 dapat dijelaskan bahwa didapat hasil peramalan sepeda motor Honda pada bulan januari 2023 sebanyak 126 unit dengan mengukur rata-rata persentase kesalahan absolut antara nilai prediksi dan nilai aktual sebesar 11%. Dan hasil peramalan sepeda motor Yamaha pada bulan januari 2023 sebanyak 21 unit dengan mengukur rata-rata persentase kesalahan absolut antara nilai prediksi dan nilai aktual sebesar 69%.
4.4 Analisis Sistem Yang Diusulkan
Analisis sistem yang diusulkan dalam penelitian ini berdasarkan analisis kebutuhan sistem, adapun sistem yang diusulkan dalam penelitian adalah sebagai berikut :
Gambar 4.2 Aliran Sistem Informasi Yang di Usulkan
Adapun penjelasan aliran sistem informasi yang diusulkan adalah sebagai berikut :
1. Admin penjualan membuka web peramalan dan melakukan login ke database maka masuk ke dalam menu utama.
2. Setelah itu melakukan input data bobot dan data penjualan yang akan diperhitungkan.
3. Selanjutnya hitung hasil peramalan dan jadilah hasil peramalan tersebut.
4. Kemudian mencetak hasil tersebut, selanjutnya hasil peramalan sepeda motor diserahkan kepada Kepala Cabang.
5. Kepala Cabang menerima hasil peramalan penjualan sepeda motor tersebut dan membuat keputusan pemesanan sepeda motor bulan januari tahun 2023.
4.5 Perancangan Sistem Secara Umum
Perancangan sistem adalah gambaran umum dari sistem yang akan dibuat seperti perancangan UML, flowchart, struktur data dan antar muka yaitu sebagai berikut :
1. Use Case Diagram
Use case diagram menjelaskan mengenai gambaran alur aktor yang terlibat di dalam aplikasi.
Gambar 4.3 Use Case Diagram 2. Class Diagram
Class diagram merupakan diagram yang akan menjelaskan tabel-tabel dari database dan juga relasi antar tabel yang akan digunakan di dalam sistem ini.
Gambar 4.4 Class Diagram 3. Sequence Diagram
a. Sequence Diagram Login
Sequence diagram login adalah diagram yang menggambarkan proses login yang dilakukan admin kedalam sistem.
Gambar 4.5 Sequence Diagram Login b. Sequence Diagram Input Data Bobot
Sequence diagram input data bobot merupakan diagram yang menggambarkan proses penginputan data bobot.
Gambar 4.6 Sequence Diagram Input Data Bobot c. Sequence Diagram Edit Data Bobot
Sequence diagram edit data bobot merupakan diagram yang menggambarkan proses pengeditan data bobot.
Gambar 4.7 Sequence Diagram Edit Data Bobot d. Sequence Diagram Hapus Data Bobot
Sequence diagram hapus data bobot merupakan diagram yang menggambarkan proses penghapusan data bobot.
Gambar 4.8 Sequence Diagram Hapus Data Bobot e. Sequence Diagram Input Data Aktual
Sequence diagram input data aktual merupakan diagram yang menggambarkan proses penginputan data aktual.
Gambar 4.9 Sequence Diagram Input Data Aktual f. Sequence Diagram Edit Data Aktual
Sequence diagram edit data aktual merupakan diagram yang menggambarkan proses pengeditan data aktual.
Gambar 4.10 Sequence Diagram Edit Data Aktual g. Sequence Diagram Hapus Data Aktual
Sequence diagram hapus data aktual merupakan diagram yang menggambarkan proses penghapusan data aktual.
Gambar 4.11 Sequence Diagram Hapus Data Aktual h. Sequence Diagram Melakukan Perhitungan
Sequence diagram melakukan perhitungan merupakan diagram yang menggambarkan proses perhitungan dengan metode WMA.
Gambar 4.12 Sequence Diagram Melakukan Perhitungan i. Sequence Diagram Cetak Hasil
Sequence diagram cetak hasil merupakan diagram yang menggambarkan proses cetak hasil untuk memperoleh printout hasil perhitungan.
Gambar 4.13 Sequence Diagram Cetak Hasil
j. Sequence Diagram Logout
Sequence diagram logout merupakan diagram yang menggambarkan proses logout untuk keluar dari sistem.
Gambar 4.14 Sequence Diagram Logout
4. Activity diagram a. Activity Diagram Login
Activity diagram login menjelaskan proses login ke sistem oleh admin.
Gambar 4.15 Activity Diagram Login b. Activity Diagram Data Bobot
Activity diagram data bobot menjelaskan proses penginputan data bobot ke dalam sistem.
Gambar 4.16 Activity Diagram Data Bobot c. Activity Diagram Data Aktual
Activity diagram data aktual menjelaskan proses penginputan data aktual dalam sistem.
Gambar 4.17 Activity Diagram Data Aktual d. Activity Diagram Hitung Peramalan
Activity diagram hitung peramalan menjelaskan proses peramalan sistem dan mencetak hasil peramalan.
Gambar 4.18 Activity Diagram Hitung Peramalan.
5. Implementasi Dan Hasil
Berikut adalah hasil tampilan program Peramalan Penjualan Motor Pada PT. Adira Finance Tebing Tinggi.
1. Tampilan Login
Tampilan login merupakan halaman untuk klarisifikasi hak admin melakukan login untuk masuk kesistem. Setelah melakukan login admin akan dapat menggunakan sistem. Berikut tampilan halaman login.
Gambar 5.1 Tampilan Login
2. Tampilan Halaman Utama
Tampilan ini menjelaskan tampilan apa saja yang ada di Sistem Peramalan Penjualan Motor Pada PT. Adira Finance Tebing Tinggi . Pertama kali admin membuka sistem, maka admin akan masuk kehalaman utama sistem, admin dapat mengklik menu-menu yang ada di sistem. Berikut tampilan halaman utama Sistem Peramalan Penjualan Motor Pada PT. Adira Finance Tebing Tinggi .
Gambar 5.2 Tampilan Halaman Utama 3. Tampilan Halaman Bobot
Tampilan halaman bobot merupakan halaman untuk admin mengolah data bobot seperti menambah, mengubah dan menghapus. Berikut tampilan halaman bobot.
Gambar 5.3 Tampilan Halaman Bobot 4. Tampilan Input Data Bobot
Tampilan input data bobot merupakan halaman untuk admin menginput data bobot. Berikut tampilan halaman data input data bobot.
Gambar 5.4 Tampilan Input Data Bobot 5. Tampilan Edit Data Bobot
Tampilan edit data bobot merupakan halaman untuk admin mengedit data bobot. Berikut tampilan halaman data edit data bobot.
Gambar 5.5 Tampilan Edit Data Bobot 6. Tampilan Halaman Data Aktual
Tampilan halaman data aktual merupakan halaman untuk admin mengolah data aktual seperti menambah, mengubah dan menghapus. Berikut tampilan halaman data aktual.
Gambar 5.6 Tampilan Halaman Data Aktual 7. Tampilan Input Data Aktual
Tampilan input data aktual merupakan halaman untuk admin menginput data aktual. Berikut tampilan halaman data input data aktual.
Gambar 5.7 Tampilan Input Data Aktual 8. Tampilan Edit Data Aktual
Tampilan edit data aktual merupakan halaman untuk admin mengedit data aktual. Berikut tampilan halaman data edit data aktual.
Gambar 5.8 Tampilan Edit Data Aktual 9. Tampilan Halaman Hitung
Tampilan halaman hitung merupakan halaman untuk admin untuk melihat hasil perhitungan peramalan dengan metode MWA. Berikut tampilan halaman hitung.
Gambar 5.9 Tampilan Halaman Hitung 10. Tampilan Ubah Password
Tampilan ubah password adalah halaman untuk admin merubah password yang lama dengan password yang baru. Berikut tampilan halaman ubah password.
5.10 Tampilan Ubah Password 11. Tampilan Laporan Hasil
Tampilan laporan hasil adalah hasil output dari hasil perhitungan dengan metode WMA yang berisi hasil peramalan pada bulan Januari 2023. Berikut tampilan halaman laporan hasil.
5.11 Tampilan Laporan Hasil
6. Kesimpulan Dan Saran 6.1 Kesimpulan
Berdasarkan hasil dari implementasi dan pengujian yang telah dilakukan selama membuat Sistem Peramalan Penjualan Motor Pada PT. Adira Finance Tebing Tinggi ini, maka dapat diambil beberapa kesimpulan sebagai berikut:
1. Dengan menggunakan metode WMA, PT. Adira Finance dapat memberikan lebih banyak penekanan pada data penjualan motor yang lebih baru, mengembangkan strategi pemasaran, merencanakan stok, dan mengoptimalkan penjualan.
2. Melalui perhitungan WMA, PT. Adira Finance dapat memperoleh perkiraan penjualan motor di masa depan. Bobot yang diberikan pada setiap periode dapat disesuaikan berdasarkan pertimbangan bisnis dan pengetahuan pasar yang dimiliki oleh perusahaan.
3. Dengan menerapkan metode WMA, PT. Adira Finance diharapkan dapat mengidentifikasi tren penjualan, menyesuaikan strategi mereka, dan membuat keputusan yang lebih baik dalam mengelola persediaan dan aktivitas pemasaran.
6.2 Saran
Adapun saran yang dapat menjadi masukan dalam penelitian skripsi ini yaitu:
1. Penerapan metode peramalan lain selain WMA agar dapat melakukan perbandingan metode peramalan mana yang paling baik.
2. Penambahan grafik pada laporan, seperti grafik batang yang dapat membantu memperjelas hasil dari data dan penggunaan data real yang dapat dijadikan komparasi dengan hasil perhitungan sistem.
3. Dapat ditambahkan pesan validasi pesan eror dalam penginputan data dan dapat mengembangkan sistem dengan import data aktual dalam bentuk file exel.
DAFTAR PUSTAKA
[1] T. S. Gunarti, B. Tujni, and I. Solikin, “Desain E-Forecasting menggunakan Metode Weighted Moving Average (WMA) pada Jimmy Fish,” KRESNA J. Ris. dan Pengabdi.
Masy., vol. 2, no. 1, pp. 45–52, 2022.
[2] Z. Silvya, A. Zakir, and D. Irwan, “Penerapan Metode Weighted Moving Average Untuk Peramalan Persediaan Produk Farmasi,” JiTEKH, vol. 8, no. 2, pp. 59–64, 2020, doi:
10.35447/jitekh.v8i2.220.
[3] M. Mardiansyah, “Analisis Peramalan Persediaan Menggunakan Perangkat Lunak Berbasis Fuzzy Dengan Metode Weight Moving Average (Wma) Pada Berkah Laundry Pariaman,” J.
Tek. Inform. Kaputama, vol. 6, no. 1, pp. 126–132, 2022, [Online]. Available:
http://jurnal.kaputama.ac.id/index.php/JTIK/article/view/743%0Ahttps://jurnal.kaputama.ac.
id/index.php/JTIK/article/download/743/527.
[4] S. Kusuma, C. Suhery, and R. Hidayati, “Implementasi Metode Weighted Moving Average Pada Sistem Prediksi Stok Tembakau Lokal Berbasis Web (Studi Kasus Outlet …,” Coding J. Komput. dan Apl., vol. 09, no. 03, 2021, [Online]. Available:
https://jurnal.untan.ac.id/index.php/jcskommipa/article/view/50860%0Ahttps://jurnal.untan.
ac.id/index.php/jcskommipa/article/download/50860/75676592045.
[5] M. H. Lubis, A. A. Tanjung, D. Martina, T. Informasi, D. Pendidikan, and P. Sumatera,
“1* , 2 , 3 1,” vol. 2, no. 2, 2022.
[6] C. J. M. Sianturi, E. Ardini, and N. S. B. Sembiring, “Sales Forecasting Information System Using the Least Square Method in Windi Mebel,” J. Inov. Penelit., vol. 1, no. 2, pp. 75–82, 2020, doi: 10.47492/jip.v1i2.52.
[7] R. S. Pangaribuan, A. Situmorang, and Y. Rumapea, “Sistem Informasi Peramalan Jumlah Siswa Baru Pada YPUS Menggunakan Metode Weighted Moving Average,” vol. 1, no. 2, pp. 19–25, 2021.
[8] I. Setiawan, “Rancang Bangun Aplikasi Peramalan Persediaan Stok Barang Menggunakan Metode Weighted Moving Average (Wma) Pada Toko Barang Xyz,” J. Tek. Inform. Vol.
13, No. 3, Agustus 2021, vol. 13, no. 3, pp. 1–9, 2021.
[9] J. R. Lubis, “JURNAL SUSI ( Semua Untuk Sistem Informasi ),” J. SUSI, vol. 1, no. 01, pp.
7–14, 2020.
[10] Munawar, Analisis Perancangan Sistem Berorientasi Objek Dengan UML (Unified Modeling Language, 2nd ed. Bandung: Informatika Bandung, 2021.
[11] S. Simatupang, Julianto Sianturi, “Perancangan Sistem Informasi Pemesanan Tiket Bus Pada Po. Handoyo Berbasis Online,” Simatupang, Julianto Sianturi, Setiawan, vol. 3, no. 2, pp.
11–25, 2019, [Online]. Available:
https://journal.amikmahaputra.ac.id/index.php/JIT/article/view/56/48.
[12] M. S. Novendri, A. Saputra, and C. E. Firman, “Aplikasi Inventaris Barang Pada MTS Nurul Islam Dumai Menggunakan PHP Dan MySQL,” Lentera Dumai, vol. 10, no. 2, pp. 46–57, 2019.
[13] D. Umagapi and A. Ambarita, “Sistem Informasi Geografis Wisata Bahari pada Dinas Pariwisata Kota Ternate,” J. Ilm. Ilk. - Ilmu Komput. Inform., vol. 1, no. 2, pp. 59–69, 2018, doi: 10.47324/ilkominfo.v1i2.8.
[14] A. Apriani and susi wagiyati Putriningrum, “analisis dan perancangan sistem informasi pendataan training berbasis website pada PT toyota motor manufacturing,” J. IKRA-ITH, vol. 3, no. 1, pp. 70–78, 2019, [Online]. Available: http://journals.upi- yai.ac.id/index.php/ikraith-informatika/article/download/300/192.
[15] Aventinus, “Sistem Informasi Pengelolaan Dana Desa Pada Desa Hilizoliga Berbasis Web,”
J. Tek. Inform. Unika St. Thomas, vol. 05, no. 01, pp. 109–117, 2020.
[16] I. Kurnia and D. Afriansyah, “Konfigurasi Hosting Server Menggunakan Centos 7 Pada Dinas Komunikasi Dan Informatika,” JISN (Jurnal Inform. Softw. dan Network), vol. 1, no.
1, pp. 26–32, 2020.
[17] R. Yosli, “Meningkatkan Kapasitas Hosting, Mengelola Content Management System Untuk Kenyamanan Memakai Website Berbayar,” Jav. J. Vokasi Inform., vol. 1, no. 2, pp.
31–37, 2021, doi: 10.24036/javit.v1i2.6.
[18] I. Solikin and S. Hardini, “Aplikasi Forecasting Stok Barang Menggunakan Metode Weighted Moving Average (WMA) pada Metrojaya Komputer,” J. Inform. J. Pengemb. IT, vol. 4, no. 2, pp. 100–105, 2019, doi: 10.30591/jpit.v4i2.1373.
[19] D. Ratna Kania, S. Putri Lestari, B. Barlian, P. Studi Manajemen, F. Ekonomi dan Bisnis, and U. Perjuangan Tasikmalaya, “Penerapan Metode Peramalan Moving Average dan Exponential Smoothing untuk Menyusun Perencanaan Produksi (Survei pada UMKM Pembuatan Bordir dan Pakaian, Nining Collection di Ciamis),” J. Ilm. Multidisiplin, vol. 1, no. 10, pp. 3609–3622, 2022.
[20] S. M. Igirisa, “Prediksi Harga Cabai Di Kota Gorontalo Menggunakan Metode Weighted Moving Average,” vol. 1, no. 2, pp. 110–117, 2022.
[21] D. Pratiwi and R. Winanjaya, “Implementasi Metode Weighted Moving Average untuk Peramalan Produksi Daging Itik Manila di Indonesia Implementation of the Weighted Moving Average Method for Forecasting the Production of Manila Duck Meat in Indonesia,” vol. 1, no. 3, 2022, doi: 10.55123/jomlai.v1i3.916.
