perbandingan metode single moving average dan … · i perbandingan metode single moving average...

99
i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL BARU Studi Kasus : Nasmoco Mlati, Daerah Istimewa Yogyakarta SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Diajukan Oleh : Andreas Indra Laksana 135314066 PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Upload: vubao

Post on 11-Apr-2019

229 views

Category:

Documents


2 download

TRANSCRIPT

Page 1: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

i

PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE

EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM

PERAMALAN PENJUALAN MOBIL BARU

Studi Kasus : Nasmoco Mlati, Daerah Istimewa Yogyakarta

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Diajukan Oleh :

Andreas Indra Laksana 135314066

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 2: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

ii

COMPARISON OF SINGLE MOVING AVERAGE AND SINGLE

EXPONENTIAL SMOOTHING METHODS IN THE DEVELOPMENT OF

NEW CAR SALES FORCASTING SYSTEM

Case Study at Nasmoco Mlati, Special Region of Yogyakarta

THESIS

Present as Partial Fulfillment of the Requirement to obtain

the Sarjana Komputer Degree in Informatic Engineering Study Program

By :

Andreas Indra Laksana 135314066

INFORMATIC ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATIC ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2017

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 3: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

iii

HALAMAN PERSETUJUAN

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 4: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

iv

HALAMAN PENGESAHAN

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 5: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

v

HALAMAN MOTTO

“ Always Listening, Always Understanding “

“ No Pain, No Gain “

“ Menantang Batas Kemampuan Diri “

Tugas Akhir ini saya persembahkan kepada :

Allah Bapa, Putra, Rohkudus

Bunda Maria

Orangtua Terkasih

Kakak dan Saudara – saudara Tersayang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 6: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

vi

PERNYATAAN KEASLIAN KARYA

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 7: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

vii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 8: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

viii

ABSTRAK

Salah satu perusahaan mobil yang terdapat di Indonesia adalah PT Toyota

Astra Motor. Menurut gaikindo.or.id, Toyota menempati peringkat pertama

penjualan kendaraan komersial. Salah satu produk terlaris dari Toyota adalah

Avanza G 1,3 M/T. Menentukan jumlah unit mobil yang akan dipasarkan

merupakan suatu masalah yang dihadapi oleh manajer suatu dealer.

Pada penelitian ini dibuat sistem peramalan untuk memprediksi jumlah unit

mobil yang akan dipasarkan dengan menggunakan metode Single Moving Average

dan Single Exponential Smoothing. Dari kedua metode peramalan tersebut

kemudian dibandingkan metode mana yang terbaik. Indikator perbandingan dilihat

dari akurasi peramalan dengan mencari error atau kesalahan terkecil dari kedua

metode tersebut. Dengan menggunakan Root Mean Square Error (RMSE) dan

Mean Absolute Error (MAE) dapat diketahui metode terbaik dalam peramalan pada

studi kasus di Nasmoco Mlati, Yogyakarta.

Dari penelitian ini dapat diketahui metode Single Moving Average adalah

metode terbaik dikarenakan memiliki akurasi terbaik. Akurasi yang baik memiliki

nilai kesalahan atau error yang kecil. Nilai kesalahan pada metode Single Moving

Average 3 pergerakan adalah 16,44 dan 12,80, sedangkan pada metode Single

Exponential Smoothing alpha 0,5 adalah 16,74 dan 13,04. Dengan demikian , dalam

studi kasus ini metode Single Moving Average 3 pergerakan lebih baik daripada

metode Single Exponential Smoothing.

Kata kunci : Peramalan, Single Moving Average, Single Exponential Smoothing,

Outlier, Root Mean Square Error, Mean Absolute Error.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 9: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

ix

ABSTRACT

One of the car company which is located in Indonesia is PT Toyota Astra

Motor. According to gaikindo.or.id, Toyota occupies the first rank of commercial

vehicle sales. One of the best selling product from Toyota is Avanza G 1,3 M/T.

Determining the number of units will be marketed is a problem faced by a

showroom's manager.

This research has made a forecasting system to predict the number of units

car to be marketed using single moving average adn exponential smoothing

methods. From both forecasting methods, then both of methods will be compared

to get the best result. The benchmark of indicators can be seen from the accuracy

of forecasting by searching the error or the smallest mistake from both methods. By

using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) can be

known the best method in forecasting from the case study at Nasmoco Mlati,

Yogyakarta.

By this research can be known single movng average is the best method

because has the best accuracy. The best Accuracy has smallest error value. Error

value on single moving average method 3 movement is 16,44 and 12,80, while on

the single exponential smoothing method alpha 0,5 is 16,74 dan 13,04. The best

method is obtained from Single Moving Average 3 movement which is 16,44 and

12,8 as the result of forecasting about 23 units. Thus, in this case study Single

Moving Average method 3 movements is better than Single Exponential Smoothing

method.

Keyword : Forecasting, Single Moving Average, Single Exponential Smoothing,

Outlier, Root Mean Square Error, Mean Absolute Error.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 10: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

x

KATA PENGANTAR

Puji dan syukur penulis haturkan kepada Tuhan Yang Maha Esa karena

berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan tugas akhir yang

berjudul “PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN

SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN

SISTEM PERAMALAN PENJUALAN MOBIL BARU”.

Dalam proses penyelesaian penyusunan tugas akhir ini penulis diberi

banyak dukungan, doa dan motivasi dari berbagai pihak. Oleh karena itu, penulis

ingin mengucapkan terimakasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria yang telah memberkati kekuatan,

bimbingan, keyakinan dan menyertai penulis.

2. Orang tua penulis, Bapak Yusef Djoko Saptono dan Ibu Yulia Tri Hartanti

yang begitu menyayangi penulis dan selalu memberikan dukungan, doa,

perhatian, nasihat dan motiasi.

3. Kakak penulis yaitu Agnes Yustika Wulan Arum yang selalu mendukung.

4. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas

Sains dan Teknologi.

5. Ibu Dr.Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika.

6. Bapak Drs. Haris Sriwindono, M.Kom., Ph.D. selaku dosen pembimbing

skripsi yang telah mencurahkan pikiran dan memberikan waktu serta

membimbing peulis.

7. Seluruh dosen yang telah mendidik, mengajarkan pengetahuan dan

pengalaman yang sangat berharga selama proses perkuliahan di Universitas

Sanata Dharma.

8. Paskalia Krisantari yang selalu mengingatkan untuk mengerjakan tugas

akhir dan selalu menemani disaat penulis terlena dengan akan gaya hidup

hedonisme.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 11: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xi

9. Teman – teman kontrakan yaitu Advent Prasetyo Nugroho, Yosep Kartika

Dewandaru, Baptista Yorangga yang selalu menghibur dan selalu

mengingatkan untuk jangan terlalu menikmati masa muda.

10. Teman – teman Teknik Informatika 2013 yang selalu memotivasi dan

memberi semangat dalam menyelesaikan tugas akhir.

11. Teman – teman TI’C yang selalu mengingatkan untuk selalu menjaga

kesehatan jasmani dan rohani dalam proses menyelesaikan tugas akhir.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 12: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN MOTTO ............................................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI................................ vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR GAMBAR ........................................................................................... xiv

DAFTAR TABEL ................................................................................................ xvi

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Rumusan Masalah .................................................................................... 2

1.3 Tujuan Penelitian ...................................................................................... 2

1.4 Batasan Masalah ....................................................................................... 3

1.5 Sistematika Penulisan ............................................................................... 3

BAB II LANDASAN TEORI ................................................................................. 5

2.1 Dasar Teori ............................................................................................... 5

2.1.1 Peramalan (forecasting) .................................................................... 5

2.1.2 Tujuan Peramalan.............................................................................. 6

2.1.3 Tahap – tahap peramalan .................................................................. 6

2.1.4 Metode – metode Peramalan ............................................................. 7

2.1.5 Deteksi Outlier ................................................................................ 12

2.1.6 Pengukuran Akurasi Hasil Peramalan ............................................. 15

2.2 Teknologi yang Digunakan .................................................................... 17

2.2.1. Java .................................................................................................. 17

2.2.2. MySql .............................................................................................. 17

BAB III METODOLOGI PENELITIAN.............................................................. 19

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 13: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xiii

3.1 Gambaran Umum Penelitian .................................................................. 19

3.2 Sumber Data ........................................................................................... 19

3.3 Spesifikasi Alat ....................................................................................... 19

3.4 Tahap – tahap Penelitian ........................................................................ 20

3.5 Desain Alat Uji ....................................................................................... 20

BAB IV ANALISIS DAN PERANCANGAN SISTEM ...................................... 22

4.1 Analisis Sistem ....................................................................................... 22

4.2 Analisis Kebutuhan ................................................................................ 23

4.2.1 Identifikasi Pelaku Sistem ............................................................... 23

4.2.2 Diagram Use-case ........................................................................... 23

4.3 Perancangan Sistem ................................................................................ 25

4.3.1 Diagram Aliran Data ....................................................................... 25

4.3.2 Perancangan Basis Data .................................................................. 30

4.3.3 Perancangan Sitstem ....................................................................... 31

BAB V IMPLEMENTASI, PENGUJIAN DAN ANALISIS HASIL .................. 36

5.1 Implementasi Antarmuka ....................................................................... 36

5.2 Implementasi Metode ............................................................................. 42

5.2.1 Implementasi Control Excel ............................................................ 42

5.2.2 Implementasi Single Moving Average ............................................ 43

5.2.3 Implementasi Single Exponential Smoothing ................................. 44

5.2.4 Implementasi RMSE dan MAE ........................................................ 44

5.3 Pengujian (testing) .................................................................................. 45

5.3.1 Pengujian Perhitungan Manual ....................................................... 45

5.3.2 Pengujian Menggunakan Sistem (data pemodelan) ........................ 60

5.4 Analisis Hasil ......................................................................................... 67

BAB VI PENUTUP .............................................................................................. 81

6.1 Kesimpulan ............................................................................................. 81

6.2 Saran ....................................................................................................... 82

DAFTAR PUSTAKA ........................................................................................... 83

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 14: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xiv

DAFTAR GAMBAR

Gambar 4. 1 Diagram Use case ........................................................................... 24

Gambar 4. 2 Diagram Konteks ............................................................................ 25

Gambar 4. 3 Diagram Berjenjang ........................................................................ 25

Gambar 4. 4 Overview DFD................................................................................ 26

Gambar 4. 5 DFD Level 1 Proses 1 Registrasi Akun .......................................... 27

Gambar 4. 6 DFD Level 1 Proses 2 Login .......................................................... 27

Gambar 4. 7 DFD Level 1 proses 3 Unggah Excel ............................................. 27

Gambar 4. 8 DFD Level 1 proses 4 Kelola Tabel ............................................... 28

Gambar 4. 9 DFD Level 1 proses 5 Proses Peramalan ........................................ 28

Gambar 4. 10 DFD Level 2 proses 4 Kelola Tabel ............................................. 29

Gambar 4. 11 Desain Halaman Registrasi dan Login ......................................... 31

Gambar 4. 12 Desain Halaman Akun Email Tervirifikasi Login ........................ 31

Gambar 4. 13 Desain Halaman Unggah File ....................................................... 32

Gambar 4. 14 Desain Halaman Pilih Excel ......................................................... 32

Gambar 4. 15 Desain Halaman Daftar Tabel ...................................................... 33

Gambar 4. 16 Desain Halaman Isi Tabel ............................................................. 33

Gambar 4. 17 Desain Halaman Tambah Baris Data ............................................ 34

Gambar 4. 18 Desain Halaman Proses Peramalan .............................................. 34

Gambar 4. 19 Desain Halaman Hasil Peramalan, RMSE dan MAE ................... 35

Gambar 5. 1 Halaman Registrasi dan Login ....................................................... 36

Gambar 5. 2 Halaman Akun Email Tervirifikasi Login ...................................... 37

Gambar 5. 3 Halaman Unggah File ..................................................................... 37

Gambar 5. 4 Halaman Pilih File Excel ................................................................ 38

Gambar 5. 5 Daftar Tabel .................................................................................... 38

Gambar 5. 6 Halaman Isi Tabel (bagian atas) ..................................................... 39

Gambar 5. 7 Halaman Isi Tabel (bagian bawah) ................................................. 39

Gambar 5. 8 Halaman Tambah Baris .................................................................. 40

Gambar 5. 9 Halaman Proses Peramalan ............................................................ 40

Gambar 5. 10 Halaman Hasil Peramalan............................................................. 41

Gambar 5. 11 Listing Program ControlExcel ...................................................... 42

Gambar 5. 12 Listing program metode Single Moving Average ........................ 43

Gambar 5. 13 Listing Program Single Exponential Smoothing .......................... 44

Gambar 5. 14 Listing program menghitung RMSE dan MAE ............................ 45

Gambar 5. 15 Grafik Peramalan SMA Data Pemodelan (tanpa Deteksi Outlier) 50

Gambar 5. 16 Grafik Peramalan SES Data Pemodelan (tanpa Deteksi Outlier) . 54

Gambar 5. 17 Peramalan SMA Data Pemodelan (tanpa deteksi Outlier) ........... 58

Gambar 5. 18 Peramalan SES Data Pemodelan (dengan deteksi Outlier) .......... 60

Gambar 5. 19 Halaman Login ............................................................................. 61

Gambar 5. 20 Tabel Penjualan Mobil (Pemodelan) ............................................ 61

Gambar 5. 21 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 1 ... 62

Gambar 5. 22 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 2 ... 62

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 15: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xv

Gambar 5. 23 Halaman Data Penjualan (Pemodelan dengan Deteksi Outlier) 1 63

Gambar 5. 24 Halaman Data Penjualan (Pemodelan dengan Deteksi Outlier) 2 63

Gambar 5. 25 Form Pergerakan dan Alpha ......................................................... 64

Gambar 5. 26 Halaman Hasil Peramalan (tanpa Deteksi Outlier) ....................... 65

Gambar 5. 27 Halaman Hasil Peramalan (dengan Deteksi Outlier) .................... 65

Gambar 5. 28 Tabel Penjualan Riil ..................................................................... 68

Gambar 5. 29 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (1) ............. 68

Gambar 5. 30 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (2) ............. 69

Gambar 5. 31 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (3) ............. 69

Gambar 5. 32 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (4) ............. 70

Gambar 5. 33 Halaman Data Penjualan Riil dengan Deteksi Outlier (1) ............ 70

Gambar 5. 34 Halaman Data Penjualan Riil dengan Deteksi Outlier (2) ............ 71

Gambar 5. 35 Halaman Data Penjualan Riil dengan Deteksi Outlier (3) ............ 71

Gambar 5. 36 Halaman Data Penjualan Riil dengan Deteksi Outlier (4) ............ 72

Gambar 5. 37 Halaman Data Penjualan Riil dengan Deteksi Outlier (5) ............ 72

Gambar 5. 38 Halaman Tambah Data ................................................................. 73

Gambar 5. 39 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha (tanpa deteksi

Outlier) .................................................................................................................. 73

Gambar 5. 40 Hasil Peramalan Data Riil 3 Pergerakan dan 0,3 Alpha (tanpa deteksi

Outlier) .................................................................................................................. 74

Gambar 5. 41 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha (tanpa deteksi

Outlier) .................................................................................................................. 74

Gambar 5. 42 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha (tanpa deteksi

Outlier) .................................................................................................................. 75

Gambar 5. 43 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha (tanpa deteksi

Outlier) .................................................................................................................. 75

Gambar 5. 44 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha (dengan

deteksi Outlier) ...................................................................................................... 76

Gambar 5. 45 Hasil Peramalan Data Riil 3 Pergerakan dan 0,5 Alpha (dengan

deteksi Outlier) ...................................................................................................... 76

Gambar 5. 46 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha (dengan

deteksi Outlier) ...................................................................................................... 77

Gambar 5. 47 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha (dengan

deteksi Outlier) ...................................................................................................... 77

Gambar 5. 48 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha (dengan

deteksi Outlier) ...................................................................................................... 78

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 16: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

xvi

DAFTAR TABEL

Tabel 4. 1 Tabel Identifikasi Pelaku Sistem ......................................................... 23

Tabel 4. 2 Tabel Pengguna ................................................................................... 30

Tabel 4. 3 Tabel Penjualan ................................................................................... 30

Tabel 5. 1 Data Pemodelan (tanpa deteksi outlier) .............................................. 46

Tabel 5. 2 Perhitungan Manual SMA Data Pemodelan (tanpa Deteksi Outlier) . 49

Tabel 5. 3 Perhitungan Manual SES Data Pemodelan (Tanpa Deteksi Outlier) .. 53

Tabel 5. 4 Tabel Data Pemodelan Sebelum Deteksi Outlier ................................ 56

Tabel 5. 5 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan

............................................................................................................................... 57

Tabel 5. 6 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan

SMA (deteksi Outlier) .......................................................................................... 57

Tabel 5. 7 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses Peramalan

SES (dengan deteksi Outlier) ................................................................................ 59

Tabel 5. 8 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA (tanpa

Deteksi Outlier) ..................................................................................................... 66

Tabel 5. 9 Tabel Hasil Peramalan pada Data Pemodelan Metode SES (tanpa

Deteksi Outlier) ..................................................................................................... 66

Tabel 5. 10 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA (dengan

Deteksi Outlier) ..................................................................................................... 66

Tabel 5. 11 Tabel Hasil Peramalan pada Data Pemodelan Metode SES (dengan

Deteksi Outlier) ..................................................................................................... 67

Tabel 5. 12 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati, Yogyakarta

(Data Riil tanpa deteksi Outlier) ........................................................................... 79

Tabel 5. 13 Tabel Hasil Peramalan metode SES padaNasmoco Mlati, Yogyakarta

(Data Riil tanpa Deteksi Outlier) .......................................................................... 79

Tabel 5. 14 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati, Yogyakarta

(Data Riil dengan deteksi Outlier) ........................................................................ 80

Tabel 5. 15 Tabel Hasil Peramalan metode SES pada Nasmoco Mati, Yogyakarta

(Data Riil dengan deteksi Outlier) ........................................................................ 80

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 17: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Di era yang menuntut untuk selalu cepat dalam segala hal, salah satunya

adalah mobilitas untuk berbagai hal kegiatan, diperlukan alat transportasi

untuk mempercepat perjalanan untuk sampai ke tujuan. Mobil adalah salah

satu alat transportasi yang populer. Di Indonesia terdapat banyak

perusahaan mobil yang menawarkan berbagai tipe mobil yang diminati

masyarakat Indonesia. Salah satu perusahaan mobil yang sangat populer di

Indonesia yaitu PT. Toyota Astra Motor. Menurut gaikindo.or.id, Toyota

menempati peringkat pertama penjualan kendaraan komersial. Toyota

memiliki varian produk mobil yang sangat diminati misalnya Avanza,

Alphard, Fortuner, Kijang, Corola, Agya dan lain sebagainya.

Menentukan jumlah unit mobil yang akan dipesan dealer kepada

perusahaan pusat dimasa mendatang adalah salah satu masalah yang

dihadapi oleh manajer. Terlalu banyak atau bahkan kurangnya pemesanan

mobil dapat berdampak buruk bagi perusahaan. Banyak sekali informasi

yang diperoleh namun kurangnya pengolahan informasi tersebut

menyebabkan manajer kurang yakin dalam menentukan jumlah mobil yang

akan dipasarkan di daerah tersebut. Informasi yang didapat kemudian diolah

oleh suatu sistem dan dapat berguna dengan baik. Sistem untuk mengolah

informasi salah satunya adalah sistem peramalan jumlah unit yang akan

dipesan dealer kepada perusahaan pusat.

Dalam menentukan jumlah unit mobil pada suatu tipe di masa

mendatang diperlukan peramalan untuk mengetahui berapa jumlah yang

akan dipasarkan. Sistem peramalan ini menggunakan 2 metode yaitu

metode single moving average dan metode single exponential smoothing.

Dalam metode ini peramalan dilakukan dengan melakukan perhitungan

dengan data yang sudah ada pada waktu sebelumnya sehingga aplikasi ini

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 18: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

2

mampu membantu dalam menentukan jumlah unit mobil yang akan dibeli

oleh konsumen.

Dengan latar belakang tersebut maka yang menjadi pembahasan utama

adalah bagaimana membangun sistem peramalan untuk meramalkan

penjualan mobil menggunakan metode single moving average dan single

exponential smoothing pada PT. New Ratna Motor (Nasmoco cabang Mlati,

Sleman, DIY) sehingga mampu membantu manajer dalam memerkirakan

jumlah unit yang akan dipesan kepada perusahaan pusat supaya dapat

memperkecil resiko kesalahan.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka masalah yang ingin diteliti

penulis adalah:

1. Bagaimana membangun sistem peramalan penjualan mobil baru

dengan menggunakan metode Single Moving Average dan Single

Exponential Smooting pada data penjualan mobil Nasmoco Mlati,

Yogyakarta ?

2. Berapa besar perbedaan tingkat akurasi antara metode Single

Moving Average dan metode Single Exponential Smoothing dalam

peramalan penjualan unit mobil di Nasmoco Mlati, Yogyakarta ?

1.3 Tujuan Penelitian

Tujuan yang ingin dicapai menurut rumusan masalah penelitian ini

adalah sebagai berikut :

1. Membuat sistem untuk meramalkan penjualan unit mobil dengan

metode Single Moving Average dan Single Exponential Smoothing

pada data penjualan mobil Nasmoco Mlati, Yogyakarta.

2. Mengetahui tingkat akurasi dari metode Single Moving Average dan

Single Exponential Smoothing untuk meramalkan jumlah unit yang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 19: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

3

akan laku di periode mendatang pada data penjualan mobil

Nasmoco Mlati, Yogyakarta.

1.4 Batasan Masalah

Didalam penelitian perlu adanya pembatasan masalah yang digunakan

dalam pembangunan sistem yaitu seperti berikut :

1. Sistem akan menampilkan output atau hasil berupa ramalan jumlah unit

yang akan laku dipasaran pada periode berikutnya, menampilkan

RMSE (Root Mean Square Error) dan MAE (Mean Absolute Error)

dari kedua metode.

2. Sistem yang akan dibuat berbasis web.

3. Hanya dapat import format data Excel (.xls).

4. User harus registrasi terlebih dahulu.

1.5 Sistematika Penulisan

Penulisan skripsi terdiri dari 6 bab, yaitu :.

BAB I PENDAHULUAN

Bab ini berisi latar belakang, rumusan masalah, tujuan dan batasan

masalah dan sistematika penulisan.

BAB II LANDASAN TEORI

Bab ini berisi penjelasan singkat mengenai dasar teori yang mendukung

mengenai peramalan, outlier dan pengukuran akurasi peramalan.

BAB III METODOLOGI PENELITIAN

Berisi penjelasan mengenai langakah – langkah atau metode penelitian

pada tugas akhir ini, antara lain gambaran umum penelitian, sumber data,

spesifikasi alat dan desain alat uji.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 20: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

4

BAB IV ANALISA DAN PERANCANGAN SISTEM

Bab ini berisi penjelasan mengenai analisa dan perancangan perangkat

lunak atau sistem yang akan dibangun. Tahapan perancangan perangkat

lunak atau sistem terdiri dari perancangan umum, diagram use case, diagram

akrivitas, diagram kelas.

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM

Bab ini berisi implementasi atau penerapan metode Single Moving

Average dan Single Exponential Smoothing pada sistem, percobaan sistem,

rancangan sistem.

BAB VI PENUTUP

Berisi kesimpulan penelitian dan saran untuk penelitian selanjutnya.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 21: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

5

BAB II

LANDASAN TEORI

2.1 Dasar Teori

2.1.1 Peramalan (forecasting)

Prakiraan pada dasarnya merupakan suatu dugaan atau prediksi

mengenai terjadinya suatu kejadian atau peristiwa di masa yang akan

datang. Prakiraan dapat disebut juga dengan peramalan yang ilmiah

(educated guess). Setiap pengambilan keputusan yang menyangkut

keadaan di masa yang akan datang, maka pasti ada prakiraan yang

melandasi pengambilan keputusan tersebut (S. Assauri, 1984).

Peramalan bukanlah suatu dugaan, karena dugaan hanya

mengestimasikan masa mendatang berdasarkan perkiraan saja sedangkan

peramalan menggunakan perhitungan matematis sebagai bahan

pertimbangan (Gross, 1982).

Dengan kata lain, peramalan adalah proses untuk menduga kejadian

atau kondisi di masa mendatang berdasarkan data historis dan pengalaman

untuk menemukan kecenderungan dari pola sistematis yang bertujuan

memperkecil resiko kesalahan.

Prakiraan adalah penggunaan data masa lalu dari sebuah variabel atau

kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang.

Prakiraan dibutuhkan karena semua industri beroperasi dalam lingkungan

yang tidak jelas tetapi keputusan yang dibuat hari ini akan mempengaruhi

masa depan institusi/industri. Prakiraan yang efektif sangat dibutuhkan

untuk mencapai tujuan strategis dan operasional dari semua

institusi/industri.

Perbandingan hasil peramalan, membandingkan hasil dari setiap

metode yang telah dilakukan sehingga dapat mengetahui tingkat akurasi

dari setiap metode.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 22: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

6

2.1.2 Tujuan Peramalan

Di dalam dunia usaha penting diperkirakan hal – hal yang terjadi di

masa depan sebagai dasar untuk pengambilan keputusan, terutama dunia

usaha itu merupakan bagian dari kehidupan sosial, di mana segala sesuatu

yang terjadi serba tidak pasti, sukar diprediksi dengan cepat. Oleh karena

itu perlu dilakukan sebuah peramalan / rencana. Peramalan yang dibuat

selalu diupayakan agar dapat :

1. Meminimalkan pengaruh ketidakpastian terhadap perusahaan.

2. Menurut (Gaspersz, 2005 : 75) tujuan peramalan adalah untuk

meramalkan permintaan dan item – item independent demand di

masa yang akan datang, sedangkan menurut (Subagyo, 2002 : 1)

tujuan peramalan adalah mendapatkan peramalan yang bisa

meminimalkan kesalahan meramal (Forecast Error) yang bisa

diukur dengan Mean Absolute Error (MAE) dan Mean Square

Error (MSE).

Dengan adanya peramalan penjualan ini berarti manajemen

perusahaan telah mendapatkan gambaran gambaran tentang penjualan

dimasa yang akan datang, sehingga manajemen perusahaan akan

memperoleh masukan secara objektif dalam menentukan kebijakan

perusahaan.

2.1.3 Tahap – tahap peramalan

Menurut (Gaspersz, 2005) ada sembilan langkah yang harus

diperhatikan yang digunakan untuk menjamin efektifitas dan efisiensi dari

sistem peramalan sebagai berikut :

1. Menentukan tujuan dari peramalan.

2. Memilih item yang akan diramalkan.

3. Menentukan horizon waktu peramalan.

4. Memilih model – model peramalan.

5. Memperoleh data yang dibutuhkan untuk melakukan peramalan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 23: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

7

6. Validasi model peramalan.

7. Membuat peramalan.

8. Implementasikan hasil – hasil peramalan.

9. Memantau keandalan hasil peramalan.

(Murahartawaty, 2009) Dalam prakiraan atau peramalan, jangka waktu

peramalan dibagi menjadi 3, yaitu :

a. Prakiraan jangka pendek (short term forecasting), yaitu prakiraan

yang dilakukan untuk penyusunan hasil prakiraan yang jangka

waktunya harian hingga setiap jam.

b. Prakiraan jangka menengah (mid term forecasting), yaitu prakiraan

yang dilakukan untuk penyusunan hasil prakiraan yang jangka

waktunya mingguan hingga bulanan.

c. Prakiraan jangka panjang (long term forecasting), yaitu prakiraan

yang dilakukan untuk penyusunan hasil prakiraan yang jangka

waktunya 10 tahunan atau beberapa tahun kedepan.

2.1.4 Metode – metode Peramalan

Menurut (Render dan Heizer, 2001 : 48) ada dua jenis pendekatan

dalam peramalan :

2.1.5.1 Metode Kuantitatif

Metode ini menggunakan berbagai model matematis yang

menggunakan data historis dan atau variabel – variabel klausal

untuk meramalkan permintaan.

1. Metode Klausal

a. Proyeksi Trend

Metode peramalan dengan proyeksi trend ini

mencocokkan garis trend ke rangkaian titik data historis dan

kemudian memproyeksi garis itu kedalam ramalan jangka

menengah hingga jangka panjang. Jika mengembangkan

garis trend linier dengan metode statistik, metode yang tepat

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 24: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

8

digunakan adalah metode kuadrat kecil (Least Square

Method). Pendekatan ini menghasilkan garis lurus yang

meminimalkan jumlah kuadrat perbedaan vertikal dari garis

pada setiap observasi aktual.

Menurut (Djarwanto, 2001 : 291) rumus untuk

proyeksi trend dengan metode kuadrat kecil adalah sebagai

berikut :

𝑌 = 𝑎 + 𝑏 𝑥 … … … … … … … … . (2.1)

Dimana :

𝑌 = Ramalan jumlah produksi.

𝑎 = Nilai rata – rata ramalan produksi.

𝑏 = koefisien kecondongan garis trend.

𝑥 = periode triwulan.

Mencari nilai 𝑎 dan 𝑏 untuk proyeksi trend dengan

metode kuadrat terkecil :

𝑎 =∑𝑌

𝑛 … … . … … … … … … (2.2)

b =∑xY

∑x2 … … … … … … … … . (2.3)

b. Analisis Regresi Linier

Metode ini selain menggunakan nilai historis untuk

variabel yang diramalkan banyak faktor – faktor yang bisa

dipertimbangkan, misalnya dalam membuat perencanaan

produksi garis mempertimbangkan kesiapan tenaga kerja,

kesiapan kondisi mesin yang baik. Menurut (Sumayang,

2003 : 43) rumus analisis regresi linier adalah :

𝑌" = 𝑎 + 𝑏𝑥 … … … … … … … … . . . (2.4)

Dimana :

𝑌" = perkiraan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 25: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

9

𝑎 = 𝑦 intercept atau perpotongan garis regresi dengan

sumbu 𝑦 , yaitu dengan besarnya perkiraan variabel

dependent 𝑦 pada saat tidak ada pengaruh 𝑥.

𝑏 = slope atau sudut kemiringan garis regresi, yang

menunjukkan besarnya pengaruh perubahan 𝑥

terhadap perubahan 𝑦.

𝑥 = variabel independent sesuatu yang secara hipotesis

mempengaruhi 𝑦.

Rumus mencari nilai 𝑎 dan 𝑏 untuk garis regresi :

b =Σxy − ΣxΣy

𝑛∑x2 − (∑x)2 … … … … … … … (2.5)

a =ΣyΣx2 − ΣxΣxy

𝑛∑x2 − (∑x)2 … … … … … … . . (2.6)

2. Metode Time Series

a. Metode Rata – rata Bergerak Tunggal (Single Moving

Averages)

Menurut (Spyros, 1999) Moving Averages (rata-rata

bergerak) adalah metode peramalan perataan nilai dengan

mengambil sekelompok nilai pengamatan yang kemudian

dicari rata- ratanya, lalu menggunakan rata-rata tersebut

sebagai ramalan untuk periode berikutnya. Istilah rata-rata

bergerak digunakan, karena setiap kali data observasi baru

tersedia, maka angka rata-rata yang baru dihitung dan

dipergunakan sebagi ramalan.

Rata-rata bergerak tunggal (Single Moving Average)

adalah suatu metode peramalan yang dilakukan dengan

mengambil sekelompok nilai pengamatan, mencari nilai

rata-rata tersebut sebagai ramalan untuk periode yang akan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 26: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

10

datang. Metode Single Moving Average mempunyai

karakteristik khusus yaitu :

- untuk menentukan ramalan pada periode yang akan

datang memerlukan data historis selama jangka waktu

tertentu. Misalnya, dengan 3 bulan moving average,

maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4

selesai/berakhir. Jika bulan moving average bulan ke 7

baru bisa dibuat setelah bulan ke 6 berakhir.

- Semakin panjang jangka waktu moving average, efek

pelicinan semakin terlihat dalam ramalan atau

menghasilakan moving average yang semakin halus.

Persamaan matematis single moving average adalah

sebagai berikut :

𝐹𝑡+1 =𝑋1 + 𝑋2 + ⋯ + 𝑋𝑡

𝑛 … … … … … (2.7)

Dimana :

𝐹𝑡+1 = Ramalan untuk periode ke t+1

𝑋𝑡 = Nilai real pada periode ke t

𝑛 = Jumlah batas dalam moving average

(Pergerakan)

b. Metode Penghalusan Exponential (Exponential

Smoothing)

Dalam metode ini peramalan dilakukan dengan

mengulang perhitungan secara terus menerus dengan

menggunakan data terbaru. Setiap data diberi bobot. Dua

metode dalam exponential smoothing diantaranya single

exponential smoothing dan double exponential smoothing

(Supriana, Uci, 2010).

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 27: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

11

Metode moving average memang mudah

menghitungnya akan tetapi metode ini memberikan bobot

yang sama pada setiap data. Untuk mengatasi hal ini maka

digunakan metode single exponential smoothing. Pada

metode single exponential smoothing bobot yang diberikan

pada data yang ada adalah sebesar α. Simbol α bisa

ditentukan secara bebas, yang mengurangi forecast error.

Besarnya α adalah antara 0 sampai 1. Secara matematis

besarnya Peramalan adalah sebagai berikut (Subagyo, 2002):

𝐹𝑡+1 = 𝛼. 𝑋𝑡 + (1 − 𝛼)𝐹𝑡 … … … … … … (2.8)

Dimana :

𝐹𝑡+1 : Ramalan untuk periode ke t+1

𝑋𝑡 : Nilai riil periode ke t

𝐹𝑡 : Nilai ramalan untuk periode ke t

Dengan demikian dapat dikatakan bahwa peramalan

pada periode yang akan datang adalah ramalan sebelumnya

ditambah α (alpha) dikalikan dengan kesalahan ramalan

periode sebelumnya. Dalam melakukan peramalan dengan

menggunakan metode single exponential smoothing (SES),

besarnya α (alpha) ditentukan secara trial dan error

sampai ditemukan α (alpha) yang menghasilkan forecast

error terkecil.

2.1.5.2 Metode Kualitatif atau Peramalan Subjektif

Peramalan kualitatif yaitu dengan memanfaatkan faktor –

faktor penting seperti intuisi, pengalaman pribadi dan sistem nilai

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 28: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

12

pengembalian keputusan. Ada lima teknik peramalan kualitatif,

yaitu :

1. Juri dari opini eksekutif, metode ini mengamabil opini

dari sekelompok kecil manajer tingkat tinggi, seringkali

dikombinasikan dengan model – model statistik dan

menghasilkan estimasi permintaan kelompok.

2. Gabungan armada penjualan. Dalam metode ini

mengombinasikan armada penjualan dari masing –

masing daerah kemudian meramalkan secara

menyeluruh.

3. Metode Delphi. Proses kelompok interaktif ini

mengijinkan para ahli yang memungkinkan tinggal di

berbagai tempat untuk membuat ramalan

4. Survey pasar konsumen yaitu dengan memasukkan dari

pelanggan atau calon pelanggan tanpa melihat rencana

pembelian masa depannya.

5. Pendekatan Naif. Cara sederhana untuk peramalan ini

mengasumsikan bahwa permintaan pada periode

berikutnya adalah sama dengan permintaan pada proses

sebelumnya. Pendekatan ini adalah model peramalan

yang efektif dan efisien biayanya.

2.1.5 Deteksi Outlier

Pemeriksaan terhadap data merupakan langkah yang perlu

dilakukan sebelum masuk tahap analisis lebih lanjut yang menyebabkan

hasil analisisnya bias atau kurang baik. Outlier adalah suatu data yang

menyimpang dari sekumpulan data yang lain (Ferguson, 1961). Outliers

memiliki karakteristik unik yang terlihat sangat jauh berbeda dari

observasi lainnya dan muncul dalam bentuk nilai ekstrim baik untuk

sebuah variabel tunggal ataupun variabel kombinasi.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 29: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

13

Banyak algoritma untuk meminimalisasikan atau bahkan

mengeliminasi Outlier. Namun Outlier bisa saja menghasilkan informasi

penting yang tersembunyi karena noise suatu data bisa menjadi sinyal bagi

data lain. Deteksi Outlier digunakan untuk mendeteksi kasus – kasus yang

menyimpang jauh dari pola mayoritas.

Menurut Tan et.al (2006) Outlier dapat disebabkan oleh sebagai

berikut :

1. Data dari kelas yang berbeda.

Satu objek mungkin saja berbeda dari objek lainnya karena objek

tersebut dari tipe atau kelas yang berbeda. Sebagai contoh,

seseorang yang melalukan penipuan kartu kredit memiliki kelas

yang berbeda dari pengguna kartu kredit yang menggunakan

kartu kredit yang sah.

2. Variasi alami

Sebagian besar suatu objek dekat dengan pusat objek (rata – rata

objek) dan miliki kemungkinan yang kecil suatu objek berbeda

secara signifikan. Sebagai contoh, orang yang sangat tinggi

bukan anomali jika dari kelas objek yang terpisah, namun

menjadi ekstrim jika dalam karakteristik tinggi badan rata – rata

orang pada umumnya.

3. Kesalan pengukuran data dan pengumpulan data

Kesalahan pengukuran data dan pengumpulan data adalah

sumber lain dari Outlier. Sebagai contoh, pengukuran dan

pengumpulan data dapat dicatat secara tidak benar karena human

error.

Deteksi Outlier adalah suatu teknik untuk mencari obyek yang

mempunyai perilaku yang berbeda dari obyek – obyek lain. Berikut

merupakan langkah – langkah perhitungan varian. Untuk bisa mengetahui

variasi suatu kelompok data yaitu dengan menguadratkan setiap

pengurangan nilai data serta rata – rata kelompok data tersebut yang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 30: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

14

kemudian dilakukan penjumlahan. Nilai varian didapat dari pembagian

hasil penjumlahan kuadrat (sum of squares) dengan ukuran data (n) – 1

sehingga nilai varian sampel mendekati varian populasi. Dengan rumus

varian seperti berikut :

𝑠2 =∑ (𝑥𝑖 − �̅�)2𝑛

𝑖=1

𝑛 − 1 … … … … … … … . (2.9)

Dimana :

𝑥𝑖 = nilai riil pada periode ke-i.

�̅� = nilai rata – rata (mean).

𝑛 = banyak data.

Nilai varian yang diperoleh merupakan nilai berbentuk kuadrat.

Untuk memperoleh nilai satuannya maka varian dikuadratkan supaya

hasilnya standar deviasi (simpangan baku), seperti berikut :

𝑠 = √∑ (𝑥𝑖 − �̅�)2𝑛

𝑖=1

𝑛 − 1 … … … … … … . (2.10)

Dimana :

𝑠 = standar deviasi (simpangan baku).

𝑥𝑖 = nilai riil pada periode ke-i.

�̅� = nilai rata – rata (mean).

𝑛 = banyak data.

Langkah berikutnya adalah standarisasi data. Data dikatakan Outlier

(pencilan) apabila Z memiliki nilai yang rentangnya sangat jauh berbeda.

Z dihitung dengan rumus seperti berikut :

𝑍 =𝑥𝑖 − �̅�

𝑠 … … … … … … (2.11)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 31: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

15

Dimana :

𝑠 = standar deviasi nilai pengamatan.

𝑥𝑖 = nilai riil pada periode ke-i.

�̅� = nilai rata – rata (mean).

2.1.6 Pengukuran Akurasi Hasil Peramalan

Ukuran akurasi hasil peramalan merupakan ukuran tentang tingkat

perbedaan antara hasil penjualan riil dengan hasil peramalaan. Beberapa

metode telah digunakan untuk menunjukkan kesalahan yang disebabkan

oleh suatu teknik peramalan tertentu. Hampir semua ukuran tersebut

menggunakan pengrata-rataan beberapa fungsi dari perbedaan antara nilai

sebenarnya dengan nilai peramalannya. Perbedaan nilai sebenarnya dengan

nilai peramalan ini biasanya disebut sebagai residual (Arsyad, 1997 : 57).

Semakin tinggi tingkat perbedaan antara nilai penjualan riil dengan nilai

peramalan maka akurasi akan semakin buruk. Akurasi yang baik memiliki

tingkat perbedaan nilai penjualan riil dengan hasil peramalan yang rendah.

Persamaan menghitung nilai error atau dari setiap periode

peramalan adalah sebagai berikut (Subagyo, 2002) :

𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … . … … (2.12)

Dimana :

𝑒𝑡 = Kesalahan peramalan pada periode t

𝑋𝑡 = Nilai riil pada periode t

𝐹𝑡 = Nilai peramalan pada periode t

a. Rata – rata kuadrat kesalahan (Mean Square Error)

Mean Square Error (MSE) dapat dihitung dengan menjumlahkan

semua kesalahan peramalan pada setiap periode kemudian dikuadratkan

dan membaginya dengan jumlah periode peramalan. Secara matematis,

MSE dirumuskan sebagai berikut (Nasution dan Prasetyawan, 2008) :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 32: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

16

𝑀𝑆𝐸 = ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛

𝑖=1

𝑛 … … … … … … … (2.13)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

b. Rata – rata Akar Kuadrat Kesalahan (Root Mean Square Error)

Mean Square Error (MSE) berbeda dengan Root Mean Square Error

(RMSE). Perbedaannya terletak pada cara perhitungan RMSE

menggunakan akar setelah mendapatkan nilai MSE. RMSE adalah

nilai alternatif untuk mengevaluasi teknik peramalan yang digunakan

untuk mengukur tingkat akurasi hasil prakiraan suatu model. RMSE

merupakan nilai rata – rata dari jumlah kuadrat kesalahan yang

dihasilkan oleh suatu model prakiraan. Nilai RMSE rendah

menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu model

prakiraan mendekati variasi nilai observasinya. RMSE dirumuskan

sebagai berikut :

𝑅𝑀𝑆𝐸 = √ ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛

𝑖=1

𝑛 … … … … … … … … … … (2.14)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

c. Rata – rata Deviasi Mutlak (Mean Absolute Deviation) atau MAE

Mean Absolute Error (MAE) dan Mean Absolute Deviation (MAD)

adalah method yang sama untuk menghitung kesalahan pada

perhitungan peramalan. Mean Absolute Deviation (MAD) merupakan

rata – rata kesalahan mutlak selama periode tertentu tanpa

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 33: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

17

memperhatikan apakah hasil peramalan lebih besar atau lebih kecil

dibandingkan kenyataannya (mutlak). Secara metematis, MAD

dirumuskan sebagai berikut (Nasution dan Prasetyawan, 2008) :

𝑀𝐴𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)𝑛

𝑖=1

𝑛| … … … … … … … (2.15)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

2.2 Teknologi yang Digunakan

2.2.1. Java

Java adalah bahasa pemrograman yang dapat dijalankan di berbagai

komputer termasuk telepon genggam. Bahasa ini awalnya dibuat oleh

James Gosling saat masih bergabung dengan Microsystems atau saat ini

merupakan bagian dari Oracle dan dirilis pada tahun 1995. Bahasa ini

banyak mengadopsi sintaksis yang terdapat pada C dan C++ namun

dengan sintaksis model objek yang lebih sederhana. Java merupakan

bahasa pemrograman yang bersifat umum/non-spesifik (general purpose),

dan secara khusus didisain untuk memanfaatkan dependensi implementasi

seminimal mungkin. Karena fungsionalitasnya yang memungkinkan

aplikasi java mampu berjalan di beberapa platform sistem operasi yang

berbeda, java dikenal pula dengan slogannya, "Tulis sekali, jalankan di

mana pun". Saat ini java merupakan bahasa pemrograman yang paling

populer digunakan, dan secara luas dimanfaatkan dalam pengembangan

berbagai jenis perangkat lunak aplikasi ataupun aplikasi

2.2.2. MySql

MySQL adalah sebuah perangkat lunak sistem manajemen basis

data SQL (database management system) atau DBMS. MySQL tersedia

sebagai perangkat lunak gratis dibawah lisensi General Public

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 34: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

18

License (GPL), tetapi mereka juga menjual dibawah lisensi komersial

untuk kasus-kasus di mana penggunaannya tidak cocok dengan

penggunaan GPL. MySQL sebenarnya merupakan turunan salah satu

konsep utama dalam basisdata yang telah ada sebelumnya yaitu SQL. SQL

(Structured Query Language) adalah sebuah konsep pengoperasian

basisdata, terutama untuk pemilihan atau seleksi dan pemasukan data,

yang memungkinkan pengoperasian data dikerjakan dengan mudah secara

otomatis.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 35: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

19

BAB III

METODOLOGI PENELITIAN

3.1 Gambaran Umum Penelitian

Penelitian ini dilakukan dengan merancang dan membangun sistem

pendukung pengambilan keputusan untuk meramalkan penjualan mobil

agar lebih objektif dengan menggunakan data dan melihat kondisi yang

lalu. Tujuan penelitian ini diharapkan dapat membantu manajer dalam

mengambil keputusan dalam pemasaran unit mobil sehingga risiko

kelebihan atau kekurangan unit mobil dapat dikurangi dan mampu

menurunkan kerugian biaya akibat kekurangan atau kelebihan unit mobil.

Selain itu juga peneliti melakukan perbandingan antara metode single

moving average dan single exponential smoothing. Perbandingan kedua

metode berindikasi pada tingkat akurasi yang dihasilkan.

3.2 Sumber Data

Sumber data didapat dari Showroom Nasmoco Mlati, Daerah Istimewa

Yogyakarta. Data yang diambil berupa data penjualan unit mobil Avanza G

1.3 M/T dari tahun 2011 sampai 2016.

Teknik pengambilan data dilakukan dengan survey di Showroom

Nasmoco Mlati dan melakukan wawancara dengan manajer perusahaan.

3.3 Spesifikasi Alat

Sistem dibuat dengan minimal spesifikasi software dan hardware

sebagai berikut :

1. Spesifikasi hardware :

- Processor Intel i3-3217U CPU @ 1.8GHz

- RAM 8 GB

- Hard Disk Drive 500GB

2. Spesifikasi software.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 36: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

20

- Windows 8.1 Pro 64bit Operating System

- Compiler IDE NetBeans 8.0

- MySQL Database

3.4 Tahap – tahap Penelitian

1. Studi Kasus

Kasus yang dipelajari adalah banyaknya penjualan mobil tiap bulan

pada Showroom Nasmoco Mlati tahun 2011 sampai 2016 untuk dapat

meramalkan penjualan mobil di waktu tertentu. Cara yang dilakukan

adalah mewawancarai manajer perusahaan dan melihat data historik

penjualan mobil.

2. Studi Pustaka

Studi pustaka yang dilakukan adalah mencari dan menghitung data –

data yang lalu dengan menggunakan materi statistika dan matematika

tertentu, yakni menggunakan metode peramalan Single Moving Average

dan Single Exponential Smoothing.

3.5 Desain Alat Uji

Pada tahap desain alat uji atau pengembangan perangkat lunak

menggunakan metode waterfall. Model waterfall merupakan metode yang

paling sering digunakan dalam tahap pengembangan perangkat lunak

(Utami & Asnawati, 2015). Model waterfall merupakan model klasik yang

sederhana dengan aliran sistem yang linier. Output dari sebuah tahap

merupakan input bagi tahap berikutnya (Kristanti, 2004). Menurut Utami &

Asnawati (2015) tahapan model waterfall meiputi :

1. Analisa Kebutuhan Perangkat Lunak

Merupakan tahap awal untuk menentukan gambaran perangkat

lunak. Perangkat lunak yang baik dan sesuai dengan kebutuhan

pengguna tergantung pada keberhasilan dalam melakukan analisa

kebutuhan. Hal yang dilakukan dalam tahap ini adalah menganalisa

permasalahan yang diuji, yaitu memperkirakan unit mobil yang akan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 37: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

21

dipesan kepada vendor dengan cara perhitungan matematis sehingga

keputusan akan lebih objektif.

2. Desain Perangkat Lunak

Proses desain perangkat lunak adalah proses mengubah hasil analisa

menjadi representasi kebutuhan perangkat lunak yang dapat diprediksi

bentuk dan fungsinya sebelum diubah ke dalam bahasa pemrograman.

Titik fokus pada proses ini terletak pada struktur data, arsitektur

perangkat lunak, tampilan user interface, dan algoritma.

3. Implementasi (Coding)

Coding merupakan proses penerjemahan dari desain ke dalam

bahasa pemrograman. Dalam tahap ini, programmer akan membangun

sistem yang dibutuhkan oleh pengguna.

4. Testing (Pengujian)

Testing merupakan tahap yang dilalui setelah pengkodean selesai.

Tujuan dari pengujian adalah menguji kemampuan dan performa dari

sistem yang telah dibangun. Selain itu, pengujian juga bermanfaat

untuk menemukan kesalahan maupun error yang kemungkinan masih

dapat ditemukan dan selanjutnya dilakukan perbaikan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 38: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

22

BAB IV

ANALISIS DAN PERANCANGAN SISTEM

4.1 Analisis Sistem

Kendaraan bermotor adalah salah satu alat yang paling populer di Indonesia

sebagai alat transportasi pribadi. Alat transportasi mempunyai beragam macam,

diantaranya motor, mobil, pesawat terbang dan kapal. Salah satu jenis alat

transportasi yang paling populer adalah mobil. Masyarakat di Indonesia

memiliki minat yang tinggi untuk memiliki mobil sehingga berdampak pada

waktu pemesanan. Hal ini menimbulkan masalah pada manajer perusahaan

penjual mobil untuk memerkirakan jumlah mobil yang akan laku di periode

berikutnya, sehingga tidak membutuhkan waktu yang lama untuk konsumen

untuk mendapatkan barang yang dibeli.

Berdasarkan hasil penelitian PT New Ratna Motor (Nasmoco cabang Mlati,

Sleman) diketahui bahwa persediaan mobil terkadang mengalami kekurangan.

Permintaan yang banyak dari konsumen menyebabkan persediaan mobil di

dealer tersebut mengalami kekurangan. Hal ini mengakibatkan hilangnya

peluang untuk mendapatkan keuntungan karena bisa saja konsumen membeli di

dealer lain.

Terdapat cara agar manajer dapat memperkirakan penjualan unit mobil

yang akan dipasarkan secara objektif, yaitu menggunakan perhitungan

matematis dengan menggunakan metode tertentu. Untuk mempermudah dan

mempercepat peramalan, maka dibuatlah sistem peramalan berbasis web agar

pemrosesan peramalan dapat lebih cepat dan efisien.

Sistem ini dapat digunakan oleh umum yang berarti setiap orang dapat

menggunakan sistem ini untuk meramalkan data penjualan dimasa yang akan

datang. Aktor yang akan menggunakan sistem ini adalah manajer yang memiliki

data penjualan dimasa yang lalu untuk kemudian dijadikan sebagai bahan untuk

menghitung unit penjualan dimasa yang akan datang menggunakan perhitungan

matematis dengan menggunakan metode Single

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 39: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

23

Moving Average dan Single Exponential Smoothing. Sistem ini juga akan

menampilkan rata – rata kesalahan pada setiap metode menggunakan RMSE

dan MAE.

4.2 Analisis Kebutuhan

4.2.1 Identifikasi Pelaku Sistem

Dibawah ini merupakan daftar istilah pelaku sistem dan wewenang yang

terlibat dalam Sistem Peramalan Penjualan Mobil Baru dengan

Membandingkan Metode Single Moving Average dan Single Exponential

Smoothing :

Tabel 4. 1 Tabel Identifikasi Pelaku Sistem

Aktor Wewenang

Manajer 1. Melakukan proses Registrasi

dan Login.

2. Unggah file Excel.

3. Melihat tabel hasil unggahan

sebelumnya.

4. Melihat daftar tabel.

5. Mengubah nama tabel.

6. Menghapus tabel.

7. Menghapus baris pada tabel.

8. Menambahkan baris pada tabel.

9. Memasukkan nilai Pergerakan

dan nilai Alpha pada proses

peramalan.

10. Melihat hasil peramalan.

4.2.2 Diagram Use case

Diagram Use-case digunakan untuk melihat bagaimana pelaku

sistem dapat menggunakan fasilitas yang ada pada Sistem Peramalan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 40: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

24

Penjualan Mobil Baru dengan membandingkan Metode Moving Average

dan Exponential Smoothing. Berikut merupakan deskripsi dari penggunaan

sistem :

Manajer dapat meregistrasi akun, mengunggah data dengan format

excel, menghapus baris pada tabel, menambah baris pada tabel dan

menghapus tabel.

Gambar 4. 1 Diagram Use case

Registrasi

Login

Unggah Excel

Lihat Tabel

Hapus Tabel

Ubah Nama Tabel

Tambah Baris

Hapus Baris

Proses Peramalan

Logout

Manajer

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 41: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

25

4.3 Perancangan Sistem

4.3.1 Diagram Aliran Data

4.3.1.1 Diagram Konteks

Pada diagram konteks terdapat 1 entitas, yaitu Manajer yang

dapat registrasi akun, login, unggah data, mengedit data, proses dan

logout akun.

4.3.1.2 Diagram Berjenjang

Gambar 4. 2 Diagram Konteks

Gambar 4. 3 Diagram Berjenjang

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 42: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

26

4.3.1.3 Overview DFD

Gambar 4. 4 Overview DFD

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 43: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

27

4.3.1.4 DFD Level 1 Proses 1 Registrasi Akun

4.3.1.5 DFD Level 1 Proses 2 Login

4.3.1.6 DFD Level 1 proses 3 Unggah Excel

Gambar 4. 5 DFD Level 1 Proses 1 Registrasi Akun

Gambar 4. 6 DFD Level 1 Proses 2 Login

Gambar 4. 7 DFD Level 1 proses 3 Unggah Excel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 44: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

28

4.3.1.7 DFD Level 1 proses 4 Kelola Tabel

4.3.1.8 DFD Level 1 proses 5 Proses Peramalan

Gambar 4. 9 DFD Level 1 proses 5 Proses Peramalan

Gambar 4. 8 DFD Level 1 proses 4 Kelola Tabel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 45: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

29

4.3.1.9 DFD Level 2 proses 4 Kelola Tabel

Gambar 4. 10 DFD Level 2 proses 4 Kelola Tabel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 46: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

30

4.3.2 Perancangan Basis Data

4.3.2.1 Desain Fisikal

Terdapat 2 tabel dalam sistem ini yaitu Tabel Pengguna

dan Tabel Penjualan. Tabel Pengguna berfungsi untuk menyimpan

setiap akun manajer yang telah melakukan registrasi. Tabel

Penjualan berisi data penjualan yang telah diunggah. Tidak

digambar ER Diagram dikarenakan tidak ada relasi pada kedua

tabel tersebut.

Tabel 4. 2 Tabel Pengguna

Nama Field Type Length Index

id_pengguna varchar 20 PRIMARY

email varchar 30

password varchar 20

alamat Varchar 30

Tabel 4. 3 Tabel Penjualan

Nama Field Type Length Index

no varchar 4

bulan varchar 15

tahun int 10

jumlah int 10

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 47: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

31

4.3.3 Perancangan Sistem

4.3.3.1 Desain Halaman Registrasi dan Login

Halaman Registrasi

& Login

Form Login

Email

Password

Login

Password

Form Registrasi

Email

Konfirmasi Password

Alamat

Registrasi

Gambar 4. 11 Desain Halaman Registrasi dan Login

4.3.3.2 Desain Halaman Akun Email Terverifikasi Login

Forecasting

(Peramalan)

Home

Login

Unggah File

Help

Daftar

tabelLogout

Akun email yang terverifikasi login.

Gambar 4. 12 Desain Halaman Akun Email Tervirifikasi Login

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 48: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

32

4.3.3.3 Desain Halaman Unggah File

Forecasting

(Peramalan)

Home

Login

Unggah File

Help

Daftar

tabelLogout

Gambar 4. 13 Desain Halaman Unggah File

4.3.3.4 Desain Halaman Pilih File Excel

Choose File Judul file yang akan diupload Send File

Gambar 4. 14 Desain Halaman Pilih Excel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 49: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

33

4.3.3.5 Desain Halaman Daftar Tabel

Forecasting

(Peramalan)

Home

Login

Unggah File

Help

Daftar

tabelLogout

Daftar tabel

No Nomer Tabel Nama Tabel Lihat / hapus tabel

Gambar 4. 15 Desain Halaman Daftar Tabel

4.3.3.6 Desain Halaman Isi Tabel

Forecasting

(Peramalan)

Home

Login

Unggah File

Help

Daftar

tabelLogout

Judul Tabel

No Bulan Tahun Nama Tabel

Rename tabel

Proses Tambah baris Hapus baris

Gambar 4. 16 Desain Halaman Isi Tabel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 50: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

34

4.3.3.7 Desain Halaman Tambah Baris Data

Form Tambah Baris Data

Bulan

Tahun

Data Penjualan

Simpan Kembali

Gambar 4. 17 Desain Halaman Tambah Baris Data

4.3.3.8 Desain Halaman Proses Peramalan

Peramalan

Pergerakan (Single Moving

Average )

Alpha (Single Exponential

Smothing)

Mulai Kembali

Gambar 4. 18 Desain Halaman Proses Peramalan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 51: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

35

4.3.3.9 Desain Halaman Hasil Peramalan, RMSE dan MAE

Hasil Peramalan dan MSE

Moving Average

Single Exponential

Smoothing

Hasil Moving Average

Hasil Single Exponental Smooting

Kembali

RMSE Hasil RMSE

MAE Hasil MAE

RMSE Hasil RMSE

MAE Hasil MAE

Gambar 4. 19 Desain Halaman Hasil Peramalan, RMSE dan MAE

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 52: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

36

BAB V

IMPLEMENTASI, PENGUJIAN DAN ANALISIS HASIL

5.1 Implementasi Antarmuka

- Halaman Registrasi dan Login

Manajer harus melakukan registrasi akun jika belum memiliki akun.

Apabila sudah terdaftar Manajer harus login terlebih dahulu, jika telah

berhasil login maka akan muncul halaman akun email terverifikasi login,

sedangkan apabila gagal akan ada peringatan bahwa kombinasi email dan

sandi salah.

- Halaman Akun Email Terverifikasi Login

Apabila login berhasil maka akan muncul halaman akun email

terverifikasi login yang menampilkan email Manajer.

Gambar 5. 1 Halaman Registrasi dan Login

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 53: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

37

- Halaman Unggah File

Manajer dapat mengunggah file excel untuk memasukkan data

penjualan kedalam database. Untuk dapat melakukan peramalan,

Manajer harus sudah mengunggah file data penjualan.

Gambar 5. 2 Halaman Akun Email Tervirifikasi Login

Gambar 5. 3 Halaman Unggah File

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 54: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

38

- Halaman Pilih File Excel

Kemudian Manajer diarahkan untuk halaman unggah file dimana

Manajer akan memilih file yang akan di unggah.

- Halaman Daftar Tabel

Apabila telah sukses unggah file maka akan muncul halaman daftar

tabel. Daftar tabel menampilkan tabel – tabel yang telah tersimpan di

database. Manajer dapat melakukan hapus tabel pada halaman ini.

Gambar 5. 4 Halaman Pilih File Excel

Gambar 5. 5 Daftar Tabel

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 55: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

39

- Halaman Isi Tabel

Halaman isi tabel berisi tabel data penjualan. Manajer dapat tambah

baris, hapus baris, mengubah nama tabel dan proses peramalan pada

halaman ini.

Gambar 5. 6 Halaman Isi Tabel (bagian atas)

Gambar 5. 7 Halaman Isi Tabel (bagian bawah)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 56: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

40

- Halaman Tambah Baris

Halaman tambah baris digunakan untuk menambah baris untuk data

penjualan terbaru. Data ditambahkan pada baris terakhir. Manajer

diharuskan mengisi form seperti berikut.

- Halaman Proses Peramalan

Apabila Manajer ingin melakukan peramalan pada data penjualan,

maka dilakukan pada halaman Proses Peramalan.

Gambar 5. 8 Halaman Tambah Baris

Gambar 5. 9 Halaman Proses Peramalan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 57: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

41

- Halaman Hasil Peramalan dan MSE

Hasill peramalan dan perhitungan MSE (Mean Square Error) akan

ditampilkan pada halaman ini.

Gambar 5. 10 Halaman Hasil Peramalan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 58: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

42

5.2 Implementasi Metode

5.2.1 Implementasi Control Excel

Berikut ini merupakan implementasi Control Excel untuk membaca

file .xls dan disimpan kedalam database.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 59: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

43

Gambar 5. 11 Listing Program ControlExcel

5.2.2 Implementasi Single Moving Average

Berikut ini merupakan implementasi metode Single Moving Average

dalam perhitungan peramalan.

Gambar 5. 12 Listing program metode Single Moving Average

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 60: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

44

5.2.3 Implementasi Single Exponential Smoothing

Berikut ini merupakan implementasi metode Single Exponential

Smoothing dalam perhitungan peramalan.

Gambar 5. 13 Listing Program Single Exponential Smoothing

5.2.4 Implementasi RMSE dan MAE

Berikut ini merupakan implementasi Root Mean Square Error dan

Mean Absolute Error untuk menghitung akurasi peramalan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 61: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

45

Gambar 5. 14 Listing program menghitung RMSE dan MAE

5.3 Pengujian (testing)

5.3.1 Pengujian Perhitungan Manual

Pengujian sistem dilakukan dengan cara mencocokan hasil perhitungan

menggunakan sistem dengan perhitungan manual. Jika hasil sistem sama

dengan hasil perhitungan manual maka sistem telah benar dalam

pengimplementasian. Pengujian ini untuk mengetahui hasil peramalan

metode Single Moving Average dan Single Exponential Smoothing.

Perhitungan manual dilakukan menggunakan Microsoft Excel dengan data

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 62: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

46

pemodelan yaitu data penjualan Avanza G 1,3 M/T pada bulan Januari 2013

hingga Januari 2014. Berikut merupakan data pemodelan untuk pengujian :

Tabel 5. 1 Data Pemodelan (tanpa deteksi outlier)

Bulan Tahun

Data

Penjualan

Bulan Tahun

Data

Penjualan

( x ) ( x )

Januari 2013 74 Agustus 2013 48

Februari 2013 72 September 2013 49

Maret 2013 58 Oktober 2013 66

April 2013 95 November 2013 65

Mei 2013 57 Desember 2013 141

Juni 2013 92 Januari 2014 25

Juli 2013 79

5.3.1.1 Metode Single Moving Average (tanpa deteksi Outlier)

Data yang digunakan adalah data pengujian. Untuk pemodelan

data yang digunakan adalah data penjualan Avanza G 1,3 M/T pada

bulan Januari 2013 hingga Januari 2014 dengan nilai 3 Pergerakan,

seperti berikut :

- Setelah menyiapkan data penjualan faktual, kemudian

menghitung data hasil peramalan 3 Pergerakan dengan

menggunakan rumus berikut :

𝐹𝑡+1 =𝑋1 + 𝑋2 + ⋯ + 𝑋𝑡

𝑛 … … … … … (5.1)

Dimana :

𝐹𝑡+1 = Ramalan untuk periode ke t+1

𝑋𝑡 = Nilai real pada periode ke t

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 63: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

47

𝑛 = Jumlah batas dalam moving average (Pergerakan)

𝐹3+1 =𝑋1 + 𝑋2 + 𝑋3

3

Menjadi :

𝐹4 =74 + 72 + 58

3

𝐹4 =204

3

𝐹4 = 68.00

- Pada baris ke pertama, kedua dan ketiga kosong dikarenakan

ketiga data tersebut digunakan untuk peramalan data ke-4.

- Setelah didapatkan hasil peramalan data ke-4, untuk data

selanjutnya lakukan cara yang sama seperti sebelumnya hingga

bulan oktober, sehingga didapat hasil peramalan pada bulan

Oktober adalah 58 unit.

- Langkah selanjutnya adalah menghitung error atau kesalahan

dari setiap data peramalan dengan rumus berikut :

𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … … … . . (5.2)

Dimana :

𝑒𝑡 = Kesalahan peramalan pada periode t

𝑋𝑡 = Nilai riil pada periode t

𝐹𝑡 = Nilai peramalan pada periode t

Menjadi :

𝑒4 = 95 − 68

𝑒4 = 27

- Untuk menghitung rata – rata kuadrat kesalahan maka Manajer

perlu melakukan pengkuadratan pada setiap error atau

kesalahan.

𝑒4 = 27 2

𝑒4 = 729.00

- Kemudian menghitung rata – rata kuadrat kesalahan, dengan

rumus berikut :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 64: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

48

𝑀𝑆𝐸 = ∑ (𝑋𝑡 − 𝐹𝑡)2𝑛

𝑖=1

𝑛 … … … … … … … … . . . (5.3)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

Menjadi :

𝑀𝑆𝐸 = 13943.11

10

𝑀𝑆𝐸 = 1394.31

- Menghitung RMSE

𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 … … … … … … … … (5.4)

𝑅𝑀𝑆𝐸 = √ 1394.31

𝑅𝑀𝑆𝐸 = 37.34

- Menghitung Mean Absolute Error (MAE) dengan cara

mengubah nilai error yang telah dihitng sebelumnya menjadi

nilai positif, dengan rumus seperti berikut :

𝑀𝐴𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)𝑛

𝑖=1

𝑛| … … … … … … … … (5.5)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

Menjadi :

𝑀𝐴𝐸 = |286

10|

𝑀𝐴𝐸 = 28.6

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 65: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

49

Tabel 5. 2 Perhitungan Manual SMA Data Pemodelan (tanpa

Deteksi Outlier)

Bulan Tahun

Data

Penjualan

Peramalan 3

Pergerakan Xt – Ft (Xt – Ft)2 |Xt – Ft|

( X ) ( F )

Januari 2013 74 - - -

Februari 2013 72 - - -

Maret 2013 58 - - -

April 2013 95 68.00 27.00 729.00 27.00

Mei 2013 57 75.00 -18.00 324.00 18.00

Juni 2013 92 70.00 22.00 484.00 22.00

Juli 2013 79 81.33 -2.33 5.44 2.33

Agustus 2013 48 76.00 -28.00 784.00 28.00

September 2013 49 73.00 -24.00 576.00 24.00

Oktober 2013 66 58.67 7.33 306.25 7.33

November 2013 65 54.33 10.67 56.25 10.67

Desember 2013 141 60.00 81.00 5700.25 81.00

Januari 2014 25 90.67 -65.67 6084.00 65.67

Februari 2014 45 77.00

Total 13943.11 286

MSE (Mean Square Error) 1394.31

RMSE (Root Mean Square Error) 37.34

MAE (Mean Absolute Error) 28.60

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 66: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

50

Gambar 5. 15 Grafik Peramalan SMA Data Pemodelan (tanpa Deteksi

Outlier)

Dari hasil perhitungan manual Single Moving Average Data

Pemodelan pada Tabel 5.2 didapatkan grafik seperti pada Gambar 5.15.

Garis biru merupakan grafik data penjualan riil dan garis oranye merupakan

hasil peramalan.

5.3.1.2 Metode Single Exponential Smoothing (tanpa deteksi

Outlier)

Untuk pemodelan data yang digunakan adalah data penjualan

Avanza G 1,3 M/T pada bulan Januari 2013 hingga September 2013

dengan nilai Alpha 0,5 seperti berikut :

- 𝐹𝑡+1 = 𝛼. 𝑋𝑡 + (1 − 𝛼)𝐹𝑡 … … … … … … … … … (5.6)

Dimana :

𝐹𝑡+1 : Ramalan untuk periode ke t+1

𝑋𝑡 : Nilai riil periode ke t

𝐹𝑡 : Nilai ramalan untuk periode ke t

0

20

40

60

80

100

120

140

160

JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB

2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014

Perhitungan Data Pemodelan Metode Single Moving Average (tanpa

deteksi Outlier)

Riil Forecast

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 67: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

51

Menjadi :

𝐹3 = 0,5 . 72 + (1 − 0,5)74

𝐹3 = 36 + 37

𝐹3 = 73

- Lakukan peramalan pada setiap data riil, kemudian menghitung

kesalahan dengan rumus berikut :

𝑒𝑡 = 𝑋𝑡 − 𝐹𝑡 … … … … … … … … (5.7)

Dimana :

𝑒𝑡 = Kesalahan peramalan pada periode t

𝑋𝑡 = Nilai riil pada periode t

𝐹𝑡 = Nilai peramalan pada periode t

Menjadi :

𝑒3 = 58 − 73

𝑒3 = −15.00

- Untuk menghitung rata – rata kuadrat kesalahan maka Manajer

perlu melakukan pengkuadratan pada setiap error atau

kesalahan.

𝑒4 = −15.00 2

𝑒4 = 225.00

- Kemudian menghitung rata – rata kuadrat kesalahan, dengan

rumus berikut :

𝑀𝑆𝐸 = |∑ (𝑋𝑡 − 𝐹𝑡)2𝑛

𝑖=1

𝑛| … … … … … … … . . (5.8)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 68: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

52

Menjadi :

𝑀𝑆𝐸 = |15521.03

12| … … … … … … … … . (5.9)

𝑀𝑆𝐸 = 1293.42

- Menghitung RMSE

𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸

𝑅𝑀𝑆𝐸 = √ 1293.42

𝑅𝑀𝑆𝐸 = 35.96

- Menghitung Mean Absolute Error (MAE) dengan cara

mengubah nilai error yang telah dihitng sebelumnya menjadi

nilai positif, dengan rumus seperti berikut :

𝑀𝐴𝐸 = |∑ (𝑋𝑡−𝐹𝑡)𝑛

𝑖=1

𝑛| … … … … . . … … . . (5.10)

Dimana :

𝑋𝑡 = Nilai riil pada periode ke t

𝐹𝑡 = Nilai peramalan pada periode ke t

𝑛 = Jumlah periode peramalan

Menjadi :

𝑀𝐴𝐸 = |309.25

12|

- 𝑀𝐴𝐸 = 25.77

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 69: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

53

Tabel 5. 3 Perhitungan Manual SES Data Pemodelan (Tanpa

Deteksi Outlier)

Bulan Tahun

Data

Penjuala

n

Peramalan

Alpha 0.5 Xt – Ft (Xt – Ft)2 |Xt – Ft|

( X ) ( F )

Januari 2013 74 - - - -

Februari 2013 72 74.00 -2.00 4.00 2.00

Maret 2013 58 73.00 -15.00 225.00 15.00

April 2013 95 65.50 29.50 870.25 29.50

Mei 2013 57 80.25 -23.25 540.56 23.25

Juni 2013 92 68.63 23.38 546.39 23.38

Juli 2013 79 80.31 -1.31 1.72 1.31

Agustus 2013 48 79.66 -31.66 1002.12 31.66

September 2013 49 63.83 -14.83 219.87 14.83

Oktober 2013 66 56.41 -9.59 91.89 9.59

November 2013 65 61.21 -3.79 14.39 3.79

Desember 2013 141 63.10 -77.90 6067.86 77.90

Januari 2014 25 102.05 77.05 5936.97 77.05

Februari 2014 45 63.53

Total 15521.03 309.25

MSE (Mean Square Error) 1293.42

RMSE (Root Mean Square Error) 35.96

MAE (Mean Absolute Error) 25.77

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 70: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

54

Gambar 5. 16 Grafik Peramalan SES Data Pemodelan (tanpa Deteksi

Outlier)

Dari hasil perhitungan manual Single Exponential Smoothing

Data Pemodelan pada Tabel 5.3 didapatkan grafik seperti pada Gambar

5.16. Garis biru merupakan grafik data penjualan riil dan garis oranye

merupakan hasil peramalan.

5.3.1.3 Metode Single Moving Average (dengan deteksi Outlier)

Berikut merupakan perhitungan peramalan menggunakan deteksi

Outlier untuk mengetahui data yang sangat berbeda dengan data lainnya :

- Mencari nilai rata – rata dari data riil penjualan

�̅� =∑𝑥

𝑛 … … … … … … … … . . (5.11)

�̅� =921

13

�̅� = 70.84

- Mencari nilai standar deviasi.

0

20

40

60

80

100

120

140

160

JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB

2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014

Perhitungan Data Pemodelan Metode Single Exponential Smoothing

(tanpa deteksi Outlier)

Riil Forecast

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 71: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

55

𝑠 = √∑ (𝑥𝑖 − �̅�)2𝑛

𝑖=1

𝑛 − 1 … … … … (5.12)

𝑠 = √9545.69

11

𝑠 = √1193.21

𝑠 = 34.54

- Dilakukan standarisasi pada setiap data.

𝑍 =𝑥𝑖 − �̅�

𝑠 … … … … … . (5.13)

𝑍 =3.15

34.54

𝑍 = 0.09

- Didapatkan data Outlier dengan nilai lebih dari 2.00 pada bulan

Desember 2013. Maka dilakukan penggantian data pada Desember

2013 menjadi rata – rata penjualan bulan sebelumnya ditambah

dengan penjualan bulan selanjutnya yang kemudian data yang ada

akan digunakan untuk peramalan.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 72: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

56

Tabel 5. 4 Tabel Data Pemodelan Sebelum Deteksi Outlier

Bulan Tahun

Data

Penjualan xi - x̅ (xi - x̅)2 |Standarisasi|

( x )

Januari 2013 74 3.15 9.94 0.09

Februari 2013 72 1.15 1.33 0.03

Maret 2013 58 -12.84 165.02 0.37

April 2013 95 24.15 583.40 0.70

Mei 2013 57 -13.84 191.71 0.40

Juni 2013 92 21.15 447.48 0.61

Juli 2013 79 8.15 66.48 0.24

Agustus 2013 48 -22.84 521.94 0.66

September 2013 49 -21.84 477.25 0.63

Oktober 2013 66 -4.84 23.48 0.14

November 2013 65 -5.84 34.17 0.17

Desember 2013 141 70.15 4921.56 2.03

Januari 2014 25 -45.84 2101.87 1.33

Mean (x̅) 69.333

∑ (𝑥𝑖 − �̅�)2𝑛

𝑖=1 9545.692

∑ (𝑥𝑖 − �̅�)2𝑛𝑖=1

𝑛 − 1 1193.21

Standar Deviasi 34.54

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 73: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

57

Tabel 5. 5 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk

Proses Peramalan

Bulan Tahun

Data

Penjualan

Bulan Tahun

Data

Penjualan

( x ) ( x )

Januari 2013 74 Agustus 2013 48

Februari 2013 72 September 2013 49

Maret 2013 58 Oktober 2013 66

April 2013 95 November 2013 65

Mei 2013 57 Desember 2013 45

Juni 2013 92 Januari 2014 25

Juli 2013 79

Berikut merupakan tabel hasil perhitungan peramalan menggunakan

data yang telah melalui perhitungan Outlier :

Tabel 5. 6 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk

Proses Peramalan SMA (deteksi Outlier)

Bulan Tahun

Data

Penjualan

Peramalan 3

Pergerakan Xt – Ft (Xt – Ft)2 |Xt – Ft|

( X ) ( F )

Januari 2013 74 - - -

Februari 2013 72 - - -

Maret 2013 58 - - -

April 2013 95 68.00 27.00 729.00 27.00

Mei 2013 57 75.00 -18.00 324.00 18.00

Juni 2013 92 70.00 22.00 484.00 22.00

Juli 2013 79 81.33 -2.33 5.44 2.33

Agustus 2013 48 76.00 -28.00 784.00 28.00

September 2013 49 73.00 -24.00 576.00 24.00

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 74: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

58

Oktober 2013 66 58.67 7.33 53.78 7.33

November 2013 65 54.33 10.67 113.78 10.67

Desember 2013 45 60.00 -15.00 225.00 15.00

Januari 2014 25 58.67 -33.67 1133.44 33.57

Februari 2014 45 52.00

Total 4428.44 188.00

MSE (Mean Square Error) 477.22

RMSE (Root Mean Square Error) 21.0439

MAE (Mean Absolute Error) 20.88

Gambar 5. 17 Peramalan SMA Data Pemodelan (tanpa deteksi

Outlier)

Dari hasil perhitungan manual Single Moving Average pada Tabel 5.6

didapatkan grafik seperti pada Gambar 5.17. Garis biru merupakan grafik

data penjualan riil dan garis oranye merupakan hasil peramalan.

0

10

20

30

40

50

60

70

80

90

100

JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB

2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 2014 2014

Perhitungan Data Pemodelan Metode Single Moving Average

(tanpa deteksi Outlier)

Riil Forecast

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 75: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

59

5.3.1.4 Metode Single Exponential Smoothing (dengan deteksi Outlier)

Berikut merupakan tabel hasil perhitungan peramalan menggunakan

data yang telah melalui perhitungan Outlier :

Tabel 5. 7 Tabel Data Pemodelan Sesudah Deteksi Outlier untuk Proses

Peramalan SES (dengan deteksi Outlier)

Bulan Tahun

Data

Penjualan

Peramalan

Alpha 0.5 Xt – Ft (Xt – Ft)2 |Xt – Ft|

( X ) ( F )

Januari 2013 74 - - - -

Februari 2013 72 74.00 2.00 4.00 2.00

Maret 2013 58 73.00 15.00 225.00 15.00

April 2013 95 65.50 -29.50 870.25 29.50

Mei 2013 57 80.25 23.25 540.56 23.25

Juni 2013 92 68.63 -23.38 546.39 23.38

Juli 2013 79 80.31 1.31 1.72 1.31

Agustus 2013 48 79.66 31.66 1002.12 31.66

September 2013 49 63.83 14.83 219.87 14.83

Oktober 2013 66 56.41 -9.59 91.89 9.59

November 2013 65 61.21 -3.79 14.39 3.79

Desember 2013 45 63.10 18.10 327.74 18.10

Januari 2014 25 54.05 29.05 844.00 29.05

Februari 2014 45 39.53

Total 4687.94 201.46

MSE (Mean Square Error) 390.66

RMSE (Root Mean Square Error) 19.76

MAE (Mean Absolute Error) 16.79

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 76: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

60

Gambar 5. 18 Peramalan SES Data Pemodelan (dengan deteksi Outlier)

Dari hasil perhitungan manual Single Exponential Smoothing pada

Tabel 5.7 didapatkan grafik seperti pada Gambar 5.18. Garis biru

merupakan grafik data penjualan riil dan garis oranye merupakan hasil

peramalan.

5.3.2 Pengujian Menggunakan Sistem (data pemodelan)

Pada pengujian menggunakan sistem menggunakan sebagian data

pemodelan yaitu data penjualan mobil Avanza G 1,3 M/T pada bulan Januari

2014 hingga Januari 2014 untuk meramalkan penjualan pada bulan Februari

2014. Berikut merupakan proses peramalan menggunakan sistem :

Manajer diharuskan login terlebih dahulu untuk dapat melakukan

peramalan menggunakan Sistem Peramalan Penjualan Mobil Baru dengan

Membandingkan Metode Moving Average dan Exponential Smoothing. Sebagai

contoh, penulis menggunakan akun [email protected] yang telah

didaftarkan sebelumnya.

0

10

20

30

40

50

60

70

80

90

100

74 72 58 95 57 92 79 48 49 66 65 45 25 45

JAN FEB MAR APR MEI JUNI JULI AGU SEP OKT NOV DES JAN FEB

Perhitungan Data Pemodelan Metode Single Exponential Smoothing

(dengan deteksi Outlier)

Riil Forecast

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 77: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

61

Sebagai contoh, Manajer telah mengunggah file dan berikut

merupakan tabel hasil dari unggah file.

Gambar 5. 19 Halaman Login

Gambar 5. 20 Tabel Penjualan Mobil (Pemodelan)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 78: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

62

Gambar 5. 21 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 1

Gambar 5. 22 Halaman Data Penjualan (Pemodelan tanpa Deteksi Outlier) 2

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 79: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

63

Gambar 5. 23 Halaman Data Penjualan (Pemodelan dengan Deteksi

Outlier) 1

Gambar 5. 24 Halaman Data Penjualan (Pemodelan dengan Deteksi

Outlier) 2

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 80: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

64

Untuk memroses perhitungan metode single moving average dan

single exponential smoothing, Manajer memilih opsi Proses. Kemudian

Manajer diharuskan memasukkan nilai Pergerakan dan nilai Alpha pada

form. Sebagai contoh perhitungan yang telah dilakukan pada perhitungan

manual sebelumnya nilai Pergerakan adalah 3, nilai Alpha 0,5.

Gambar 5. 25 Form Pergerakan dan Alpha

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 81: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

65

Pada Halaman Hasil Peramalan akan menampilan perkiraan periode

selanjutnya, MSE, RMSE dan MAE dari kedua metode dengan

menggunakan Deteksi Outlier maupun tanpa Deteksi Outlier.

Gambar 5. 27 Halaman Hasil Peramalan (dengan Deteksi

Outlier)

Gambar 5. 26 Halaman Hasil Peramalan (tanpa Deteksi Outlier)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 82: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

66

Berikut merupakan hasil perhitungan pada data pemodelan dengan

nilai Pergerakan 3 (SMA) dan nilai Alpha 0.5 (SES) :

Tabel 5. 8 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA

(tanpa Deteksi Outlier)

Pergerakan (SMA)

Single Moving Average

RMSE MAE Prediksi

penjualan

3 37,34 28,6 77

Tabel 5. 9 Tabel Hasil Peramalan pada Data Pemodelan Metode SES

(tanpa Deteksi Outlier)

Alpha (SES)

Single Exponential Smoothing

RMSE MAE Prediksi

Penjualan

0,5 35,96 25,77 63

Tabel 5. 10 Tabel Hasil Peramalan pada Data Pemodelan Metode SMA

(dengan Deteksi Outlier)

Pergerakan (SMA)

Single Exponential Smoothing

RMSE MAE Prediksi

Penjualan

3 21,04 18,80 45

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 83: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

67

Tabel 5. 11 Tabel Hasil Peramalan pada Data Pemodelan Metode SES

(dengan Deteksi Outlier)

Alpha (SES)

Single Exponential Smoothing

RMSE MAE Prediksi

Penjualan

0,5 19,76 16,78 40

Dari pengujian menggunakan sistem dan perhitungan manual dapat

dilihat bahwa hasil pengujian sistem sama dengan pengujian manual. Maka

dapat disimpulkan bahwa sistem berjalan dengan benar. Selanjutnya

melihat hasil dari kedua metode untuk menentukan metode terbaik dalam

perhitungan terhadap data pemodelan.

Pada data pemodelan didapatkan error atau kesalahan terkecil pada

metode Single Exponential Smoothing (dengan deteksi Outlier) dengan

RMSE 19,76 dan MAE 176,78. Prediksi penjualan pada data pemodelan

periode selanjutnya (Februari 2014) adalah sebanyak 40 unit.

5.4 Analisis Hasil

Pada Analisis Hasil dilakukan peramalan menggunakan sistem

dengan Data Penjualan Rill Avanza 1,3G M/T periode Januari 2013 hingga

November 2016 untuk mengetahui hasil peramalan pada bulan Desember

2016. Metode terbaik dilihat pada nilai kesalahan terkecil dari metode

Single Moving Average dan Single Exponential Smoothing. Berikut

merupakan langkah – langkah penggunaan sistem :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 84: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

68

Gambar 5. 29 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (1)

Gambar 5. 28 Tabel Penjualan Riil

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 85: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

69

Gambar 5. 31 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (3)

Gambar 5. 30 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (2)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 86: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

70

Gambar 5. 33 Halaman Data Penjualan Riil dengan Deteksi Outlier (1)

Gambar 5. 32 Halaman Data Penjualan Riil Tanpa Deteksi Outlier (4)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 87: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

71

Gambar 5. 34 Halaman Data Penjualan Riil dengan Deteksi Outlier (2)

Gambar 5. 35 Halaman Data Penjualan Riil dengan Deteksi Outlier (3)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 88: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

72

Gambar 5. 36 Halaman Data Penjualan Riil dengan Deteksi Outlier (4)

Gambar 5. 37 Halaman Data Penjualan Riil dengan Deteksi Outlier (5)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 89: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

73

Manajer dapat menambah data penjualan terbaru dengan memilih

Tambah Baris kemudian mengisi form sesuai ketentuan. Data yang

dimasukkan akan ditambahkan pada baris terakhir yang pada tabel.

Memroses data penjualan untuk meramalkan penjualan pada bulan

Desember 2016. Berikut merupakan hasil peramalan menggunakan sistem

dengan nilai Pergerakan dan Alpha yang berbeda tanpa deteksi Outlier :

- Menggunakan 2 Pergerakan pada Single Moving Average dan Alpha

0,1 pada Single Exponential Smoothing tanpa deteksi Outlier

Gambar 5. 39 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha

(tanpa deteksi Outlier)

Gambar 5. 38 Halaman Tambah Data

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 90: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

74

- Menggunakan 3 Pergerakan pada Single Moving Average dan Alpha

0,3 pada Single Exponential Smoothing tanpa deteksi Outlier.

Gambar 5. 40 Hasil Peramalan Data Riil 3 Pergerakan dan 0,3 Alpha

(tanpa deteksi Outlier)

- Menggunakan 4 Pergerakan pada Single Moving Average dan Alpha

0,5 pada Single Exponential Smoothing tanpa deteksi Outlier.

Gambar 5. 41 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha

(tanpa deteksi Outlier)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 91: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

75

- Menggunakan 5 Pergerakan pada Single Moving Average dan Alpha

0,7 pada Single Exponential Smoothing tanpa deteksi Outlier.

Gambar 5. 42 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha

(tanpa deteksi Outlier)

- Menggunakan 6 Pergerakan pada Single Moving Average dan Alpha

0,9 pada Single Exponential Smoothing tanpa deteksi Outlier.

Gambar 5. 43 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha

(tanpa deteksi Outlier)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 92: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

76

Memroses data penjualan untuk meramalkan penjualan pada bulan

Desember 2016. Berikut merupakan hasil peramalan menggunakan sistem

dengan nilai Pergerakan dan Alpha yang berbeda dengan deteksi Outlier :

Gambar 5. 44 Hasil Peramalan Data Riil 2 Pergerakan dan 0,1 Alpha

(dengan deteksi Outlier)

- Menggunakan 3 Pergerakan pada Single Moving Average dan Alpha

0,3 pada Single Exponential Smoothing dengan deteksi Outlier.

Gambar 5. 45 Hasil Peramalan Data Riil 3 Pergerakan dan 0,5 Alpha

(dengan deteksi Outlier)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 93: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

77

- Menggunakan 4 Pergerakan pada Single Moving Average dan Alpha

0,7 pada Single Exponential Smoothing dengan deteksi Outlier.

Gambar 5. 46 Hasil Peramalan Data Riil 4 Pergerakan dan 0,5 Alpha

(dengan deteksi Outlier)

- Menggunakan 5 Pergerakan pada Single Moving Average dan Alpha

0,7 pada Single Exponential Smoothing dengan deteksi Outlier.

Gambar 5. 47 Hasil Peramalan Data Riil 5 Pergerakan dan 0,7 Alpha

(dengan deteksi Outlier)

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 94: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

78

- Menggunakan 6 Pergerakan pada Single Moving Average dan Alpha

0,9 pada Single Exponential Smoothing dengan deteksi Outlier.

Gambar 5. 48 Hasil Peramalan Data Riil 6 Pergerakan dan 0,9 Alpha

(dengan deteksi Outlier)

Dengan metode yang sama cara perhitungan diatas diulangi dengan

menggunakan nilai Pergerakan 2, 3, 4, 5 dan 6 kemudian menggunakan nilai

Alpha 0,1, 0,3, 0,5 dan 0,9 sehingga dapat ditemukan nilai Pergerakan dan

Alpha optimal yang digunakan untuk peramalan periode selanjutnya

berdasarkan Root Mean Square Error dan Mean Absolute Error yang

didapatkan. Metode ini digunakan untuk pengujian peramalan pada dealer

Nasmoco Mlati, Yogyakarta bulan Januari 2013 hingga November 2016

untuk meramalkan periode selanjutnya yaitu bulan Desember 2016,

sehingga didapatkan tabel pengujian seperti berikut :

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 95: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

79

Tabel 5. 12 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati,

Yogyakarta (Data Riil tanpa deteksi Outlier)

Pergerakan (SMA)

Single Moving Average

RMSE MAE Prediksi

penjualan

2 26,57 18,40 25

3 26,57 18,43 23

4 26,63 19,40 21

5 26,13 18,71 21

6 24,47 17,85 24

Tabel 5. 13 Tabel Hasil Peramalan metode SES padaNasmoco Mlati,

Yogyakarta (Data Riil tanpa Deteksi Outlier)

Alpha (SES)

Single Exponential Smoothing

RMSE MAE Prediksi

Penjualan

0,1 35,85 20,46 28

0,3 24,67 17,96 24

0,5 25,85 18,07 25

0,7 27,62 18,67 26

0,9 30,12 19,97 28

Dengan membandingkan metode Single Moving Average (tanpa

deteksi outlier) dan Single Exponential Smoothing (tanpa deteksi outlier)

didapatkan metode terbaik dengan akurasi terbaik (tingkat kesalahan

terkecil) yaitu pada metode Single Moving Average 6 pergerakan dengan

RMSE 24,47 dan MAE 17,85.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 96: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

80

Tabel 5. 14 Tabel Hasil Peramalan metode SMA pada Nasmoco Mati,

Yogyakarta (Data Riil dengan deteksi Outlier)

Pergerakan (SMA)

Single Moving Average

RMSE MAE Prediksi

penjualan

2 17,56 13,81 23

3 16,44 12,48 23

4 16,85 13,26 21

5 17,40 13,72 21

6 17,46 13,98 20

Tabel 5. 15 Tabel Hasil Peramalan metode SES pada Nasmoco Mati,

Yogyakarta (Data Riil dengan deteksi Outlier)

Pergerakan (SES)

Single Exponential Smoothing

RMSE MAE Prediksi

penjualan

0,1 19,49 16,25 22

0,3 16,75 13,38 22

0,5 16,74 13,04 21

0,7 17,55 13,47 20

0,9 18,93 14,35 18

Dengan membandingkan metode Single Moving Average (dengan

deteksi outlier) dan Single Exponential Smoothing (dengan deteksi outlier)

didapatkan metode terbaik dengan akurasi terbaik (tingkat kesalahan

terkecil) yaitu pada metode Single Moving Average 3 pergerakan dengan

RMSE 16,44 dan MAE 12,48.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 97: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

81

BAB VI

PENUTUP

6.1 Kesimpulan

Kesimpulan yang diperoleh dari pembuatan Sistem Peramalan Penjualan

Mobil Baru dengan Membandingkan Metode Single Moving Average dan

Single Exponential Smoothing pada dealer Nasmoco Mlati, Yogyakarta yaitu :

1. Metode Single Moving Average dan Single Exponential Smoothing

dapat digunakan untuk melakukan peramalan pada data penjualan

mobil di Nasmoco Mlati, Yogyakarta. Data yang digunakan yaitu pada

bulan Januari 2013 sampai tanggal November 2016.

2. Penentuan nilai pergerakan dan nilai alpha dapat memengaruhi

akurasi pada setiap metode :

a. Dengan menggunakan nilai pergerakan 3, 4, 5 dan 6 pada metode

Single Moving Average didapatkan niai pergerakan 3 yang

memiliki akurasi yang baik (tingkat kesalahan terkecil) yaitu

RMSE 16,44 dan MAE 12,48.

b. Dengan menggunakan nilai alpha 0,1, 0,3, 0,5, 0,7 dan 0,9 pada

metode Single Exponential Smoothing didapatkan nilai alpha 0,5

yang memiliki akurasi yang baik (tingkat kesalahan terkecil)

yaitu RMSE 16,74 dan MAE 17,04.

c. Dengan membandingkan akurasi (tingkat kesalahan terkecil) dari

kedua metode tersebut didapatkan metode Single Moving

Average dengan nilai pergerakan 3 sebagai metode terbaik untuk

meramalkan jumlah unit mobil yang akan laku pada periode

Desember 2016 pada dealer Nasmoco Mlati, Yogyakarta.

d. Didapatkan hasil peramalan unit mobil yang akan laku pada

periode Desember 2016 yaitu kurang lebih sebanyak 23 unit

mobil.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 98: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

82

6.2 Saran

Hasil penerapan algoritma Single Moving Average dan Single

Exponential Smoothing untuk meramalkan jumlah unit mobil Toyota

Avanza 1,3 G M/T pada Nasmoco Mati, Yogyakarta memiliki saran untuk

pengembangan penelitian di masa mendatang adalah sebagai berikut :

1. Input data penjualan berdasarkan periode bulan pada setiap tahun

seperti Desember 2013, Desember 2014, Desember 2015 dan

Desember 2016 yang kemudian untuk meramalkan Desember 2017.

2. Perangkat lunak tidak hanya dapat menerima masukan dari file

berekstensi .xls namun juga dapat menerima masukan dari file

berekstensi lainnya.

3. Menggabungkan metode peramalan kualitatif dan kuantitatif sehingga

dapat memperkuat hasil peramalan.

4. Menambahkan data penjualan mobil merk lain untuk dapat

mengetahui pergerakan penjualan pada setiap periode.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

Page 99: PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN … · i PERBANDINGAN METODE SINGLE MOVING AVERAGE DAN SINGLE EXPONENTIAL SMOOTHING DALAM PENGEMBANGAN SISTEM PERAMALAN PENJUALAN MOBIL

83

DAFTAR PUSTAKA

Arsyad, Lincolin., 1997. Ekonomi Pembangunan. STIE YKPN, Yogyakarta.

Assauri, S. (1984). Teknik dan Metode Peramalan Penerapannya dalam Ekonomi

dan Dunia Usaha. Jakarta: Fakultas Ekonomi Universitas Indonesia.

Barry Render and Jay Heizer. Prinsip-prinsip Manajemen Operasi. PT. Salemba

Emban Patria, Jakarta, 2001.

Djarwanto PS dan Subagyo Pangestu. 2000. Statistik Induktif, Edisi 4. BPFE –

UGM Yogyakarta.

Ferguson, S. T, 1961. Rules For Rejection of Outliers. University of California at

Los Angeles.

Gaspersz, V. (1998). Production Planning and Inventory Control. Gramedia

Pustaka Utama, Jakarta.

Lalu Sumayang. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Salemba

empat. Jakarta.

Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Jakarta : Erlangga

Murahartawaty. 2009. Peramalan. Sekolah Tinggi Teknologi Telkom.

Nasution, A. H., dan Prasetyawan, Y. 2008. Perencanaan & Pengendalian

Produksi. Edisi Pertama. Graha Ilmu, Yogyakarta.

Subagyo, Pangestu. 2002. Forecasting: Konsep dan Aplikasi. BPFE, Yogyakarta.

Supriana, Uci. 2010. Peramalan Produk Domestik Regional Bruto (PDRB)

Kabupaten Labuhanbatu Pada Sektor Pertanian Tahun 2011. Universitas

Sumatra Utara. Medan.

Turban, Efraim, J.E. Aronson and Ting Peng Liang. Decision Support Systems and

Intelligent Systems. Yogyakarta : Andi Offset. 2005.

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI