Masyatin Rais1)
1) S1/Jurusan Sistem Informasi, STIKOM Surabaya, email: masyatin.rais@yahoo.co.id
Abstract : PT. Tera Data Indonusa is a private company engaged in the distribution of laptop brands AXIOO.
Managers are required to be able to analyze the environment continues to change and predict various
possibilities that will occur in the future due to the rapid development of today's laptop distributor, causing
competition among distributors to attract as many customers in the form of providing the best services such as
the availability of adequate supplies each month. One that can be done is to learn the value of existing sales in
the past to predict sales in the future, so as to know the number of items that must be provided.
PT. Tera Data Indonusa merupakan Metode yang digunakan dalam proses
perusahaan swasta yang bergerak di bidang peramalan ini adalah metode Arima Box-
distribusi laptop merk AXIOO untuk wilayah Jenkins. Kelebihan dari metode ini adalah
Indonesia Timur dan didirikan pada tahun dapat menerima semua jenis model data, tetapi
1990. Dalam pengambilan keputusan, seorang dalam prosesnya data harus distasionerkan
manajer pemasaran dituntut harus dapat terlebih dahulu. Langkah awal dalam proses
menganalisa lingkungan yang terus berubah- peramalan ini adalah pemilahan data penjualan
ubah dan memprediksi berbagai kemungkinan per periode bulanan dengan menggunakan
di masa yang akan datang. Proses pengambilan metode klasifikasi ABC. Data yang diseleksi
keputusan tersebut sering mengalami kesulitan adalah produk-produk manakah yang
terutama dalam meramalkan penjualan pada memberikan keuntungan terbesar bagi
masa yang akan datang, karena belum adanya perusahaan. Dari produk-produk terseleksi
sistem yang dapat menangani hal ini sehingga inilah akan dibuat peramalan penjualan dengan
memerlukan banyak waktu untuk mempelajari menggunakan metode ARIMA Box-Jenkins.
dokumen-dokumen yang ada secara manual. Setelah hasil peramalan tersebut diketahui,
Berdasarkan dari permasalahan di atas maka dapat ditentukan jumlah barang yang
maka sangat penting untuk merancang dan harus diproduksi dengan menggunakan metode
membangun suatu sistem peramalan penjualan. PRS (Periodic Review System).
Sistem ini dimaksudkan untuk mengendalikan
jumlah stok barang yang ada, dengan demikian
dapat dihindari kekurangan/kehabisan barang.
Dengan begitu permintaan konsumen dapat
terpenuhi sesuai dengan waktu yang telah
dijadwalkan.
1
Landasan Teori (forecasting) suatu nilai karakteristik tertentu
Penjualan pada period eke depan, dan melakukan
Penjualan adalah semua kegiatan pengendalian suatu proses atau untuk
usaha yang diperlukan agar terjadi mengenali pola perilaku system. [Hill et. Al,
perpindahan milik dari barang dan jasa. 1996]
Dapat diketahui bahwa penjualan sangat Model analitis telah menyediakan
penting bagi perusahaan karena berfungsi suatu metode peramalan yang sederhana yang
untuk menghubungkan antara barang dan mampu menggambarkan pola dan
jasa dari produsen sampai ke konsumen. kecenderungan data deret waktu. Namun
Persediaan model tersebut akan mempunyai tingkat
Persediaan dapat didefenisikan kesesuaian yang tinggi apabila perilaku data
sebagai bahan yang disimpan dalam gudang deret waktu tidak terlalu komplek dan kondisi
untuk kemudian digunakan atau di jual. awal (asumsi-asumsi) terpenuhi dengan baik.
Persediaan dapat berupa bahan baku untuk Untuk kondisi data deret waktu yang
keperluan proses barang-barang yang masih demikian, bias dilakukan pemodelan dengan
dalam pengolahan, dan barang jadi yang pemulusan eksponensial, trend dengan kuadrat
disimpan untuk penjualan. sisa terkecil, model ARIMA dan lain
Peramalan sebagainya. [Makridakis, 1998]
Dalam melakukan analisis ekonomi Stasioner
atau analisis kegiatan usaha perusahaan, Stasioner berarti keadaan data time
haruslah diperkirakan apa yang akan terjadi series relative tidak terjadi kenaikan ataupun
dalam bidang ekonomi atau dalam usaha pada penurunan nilai secara tajam. Dengan kata lain
masa yang akan datang. Sebagaimana yang fluktuasi data berada pada sekitar nilai rata-
dikemukakan oleh Martiningtyas (2004) dalam rata yang konstan.
bukunya Statistika bahwa “Kegiatan untuk Kestasioneran Varian
mmemperkirakan apa yang terjadi pada masa Syarat pertama yang harus dipenuhi
yang akan datang disebut peramalan untuk peramalan ARIMA adalah stasioner
(forecasting)” dalam varian. Untuk mendeteksi kestasioneran
Time Series data dalam varian dapat digunakan metode
Pemodelan data deret waktu korelasi Spearman. Formulasi yang digunakan
merupakan bagian yang cukup penting dalam adalah sebagai berikut :
berbagai bidang riset, diantaranya pada bidang ∑
( )
kesehatan, bisnis/ekonomi, komunikasi, ( )
metereologi, rekayasa mekanik, pengaturan,
Model regresi sederhana yang digunakan
dinamika fluida, biologi dan lain sebagainya.
adalah sebagai berikut :
Masalah pemodelan deret waktu seringkali
dikaitkan dengan proses peramalan
2
Kestasioneran Mean akan menyebabkan terjadinya penumpukan
Setelah syarat stasioner dalam varian barang di gudang. Selain itu proses pencatatan
dipenuhi maka syarat kedua adalah stasioner hasil penjualan masih dilakukan secara
dalam mean. Untuk menguji kestasioneran manual.
dalam mean dapat digunakan metode Dickey Untuk menyelesaikan masalah
Fuller. Regular Dickey Fuller menggunakan tersebut perlu adanya sebuah aplikasi yang
model regresi sebagai berikut : dapat meramalkan jumlah angka penjualan di
MSE i 1
n MULAI
DATA
Keterangan: PENJUALAN
BULANAN
METODE
DATA PENJUALAN
kesalahan kuadrat KLASIFIKASI KELAS A
IDENTIFIKASI
Ya
Apakah
Stasioner dalam
Mean?
DATA
PENAKSIRAN DAN
AUTOKORELASI
3
Metode Klasifikasi ABC Data Flow Diagram Level 0 Sistem
Metode ini digunakan untuk membagi Peramalan Penjualan
prduk-produk menjadi tiga keelompok besar DFD level 0 merupakan penjabaran dari
yaitu kelompok A, B, C. Kelompok A adalah context diagram, dimana terdapat dua proses
kelompok yang memiliki peranan yang besar yaitu proses maintenance data dan proses
dalam penjualan pada PT. Tera Data Indonusa seleksi dan peramalan produk. Pada proses
kemudian dilanjutkan dengan kelompok B dan maintenance data terdiri atas semua data yang
C. Kelompok Klasifikasi A adalah kelompok berhubungan dengan kain dan penjualan.
yang akan diramalkan dengan menggunakan Setelah proses maintenance data selesai maka
metode ARIMA Box-Jenkins. Jumlah produk dilakukan proses kedua yaitu seleksi dan
yang dijual oleh PT. Tera Data Indonusa peramalan. Proses seleksi dan peramalan,
adalah sebanyak 42 produk. Dari 42 produk mengolah data untuk diseleksi dan
ini, dapat dibagi menjadi 3 bagian, yaitu 8 diramalakan.
produk untuk kelas A (20%), 13 produk untk 1
Data Laptop
kelas B (30%), dan 21 produk untuk kelas C
Maintenance Data Laptop 2 Laptop
(50%). Data Data Laptop
+
Identifikasi
Data Penjualan
Dalam proses ini identifikasi meliputi
Data Penjualan
pengujian stasioner data. Apabila data belum User
stasioner maka dapat dilakukan transformasi
dan differencing. Untuk data yang telah
1 Penjualan
mengalami proses stasioner, perhitungan
berikutnya menggunakan data hasil konversi.
Langkah berikutnya penentuan model, jika Data Penjualan
data yang akan diproses tidak mengandung
musiman maka dapat digunakan model
ARIMA (p,d,q), AR(p), MA(q). 2
Data Penjualan
Seleksi dan 3 Peramalan
Context Diagram Peramalan Hasil Peramalan
Hasil Peramalan
Produk
+ Data Peramalan
Data Laptop
0
Gambar 3 DFD Level 0
Data Flow Diagram Level 1 Maintenance
Sistem
Peramalan Data
User Data Penjualan Penjualan
DFD level 1 Maintenance terdapat
+
dua proses antara lain maintenance laptop dan
4
maintenance kain menyimpan data kain pada 1
1 Penjualan
database kain. Sedangkan proses maintenance Seleksi
Data Penjualan
Data Penjualan
penjualan menyimpan data penjualan pada
database penjualan.
1
User
Maintenance 2 Laptop
Data Laptop Laptop Data Laptop
5
[Stationer]
[Zxt] [float]
[Xt] [float]
[DeltaXt] [float] [nilai]
[tableamal]
[E] [float]
[data] [int] [data] [int]
6
[RankE] [float]
[RankXt] [float] [DataAsli] integer [data] = [data]
[DataRamal] numer
ARIMA Box-Jenkins
[Id_Pegawai] = [Id_Pegawai] [No_telp] [varchar](20) [ID_Customer] = [ID_Customer] [T010] [float]
[Id_Pegawai] [varchar](10) [Kota] [varchar](50) [T005] [float]
[Nama_Pegawai] [varchar](50)
[Jabatan] [varchar](50)
[Telepon] [varchar](20)
[Alamat] [varchar](100)
[Kota] [varchar](20)
[ACF]
[Password] [varchar](50)
[No] [varchar](10)
[Penjualan]
[v_detil] [NilaiACF] [float]
[Id_Jual] [varchar](10)
[temp] [nchar](10)
[Id_Detil] [varchar](10) [Id_Customer] [varchar](10) [PACF]
[sigplus] [float]
[History_Pegawai] [Id_Jual] [varchar][10] [Tgl_Penjualan] [datetime]
[sigMin] [float] [No] [varchar](10)
[Id_Pegawai] [varchar](10) [Id_Barang] [varchar][10] [Id_Jual] = [Id_Jual] [Total_Penjualan] [int] [NilaiPACF] [float]
[TglAkses] [datetime] [Id_Barang] = [Id_Barang] [Jumlah] [int] [ID_Customer] char(10) [Signifikansi] [nchar](10)
[subtotal] [int] [sigPlus] [float]
[No] = [No]
[sigMin] [float]
[No] = [No] [sigplus] char(10)
[Peramalan] [Barang]
[Id_Ramal] [varchar][10] [Id_Barang] [varchar](10)
[Detil_Jual]
[Id_Barang] [varchar](10) [Nama_Barang] [varchar](50)
[Id_Barang] = [Id_Barang] [Id_Barang] = [Id_Barang] [Id_Detil_Jual] [varchar](10)
[Bln_Peramalan] [datetime] [Jenis] [varchar](20)
[Id_Jual] [varchar](10)[Id_Jual] = [Id_Jual]
[Peramalan] [varchar](50) [Jumlah] [int]
[Id_Barang] [varchar](10) [DataMentah]
[SafetyStock] [int]
[Jumlah] [int] [No] [varchar](10)
[Harga] [int]
[Subtotal] [int] [NilaiData] [float]
[subtotal] char(10)
Memiliki Nilai
(PDM)
merupakan hasil generate dari Conceptual
[DataMentah]
[T100]
[T050]
[T025]
[T010]
[T005]
[NilaiData]
[v]
[No]
Memiliki Nilai
[sigplus]
[sigMin]
[temp]
[Signifikansi]
[NilaiPACF]
[PACF]
Model
[sigplus]
[sigplus]
[sigMin]
ARIMA Box-Jenkins
[Total_Penjualan]
[Penjualan]
[Tgl_Penjualan]
[ID_Customer]
[tableamal]
[DataRamal]
PDM
Melakukan Transaksi
[DataAsli]
[Id_Jual]
[Bulan]
Memiliki
Data
Memiliki
[subtotal]
[subtotal]
[Jumlah]
(CDM).
[No_telp]
[Alamat]
[Nama]
[Kota]
Memiliki
[v_detil]
[Id_Detil]
[subtotal]
Physical
[Jumlah]
[Nama_Barang]
[Barang]
[SafetyStock]
[Id_Barang]
[Nama_Pegawai]
Model
Memiliki
[Pegawai]
[Jumlah]
[Harga]
[Id_Pegawai]
[Jenis]
[Password]
[Telepon]
[Jabatan]
[Alamat]
[Kota]
[Stationer]
[DeltaXt]
[RankXt]
[RankE]
[Bln_Peramalan]
[Peramalan]
[Zxt]
[d2]
[Xt]
[E]
[d]
[History_Pegawai]
[Peramalan]
Memiliki History
[Id_Ramal]
Data
[TglAkses]
Memiliki
Form Klasifikasi ABC Setelah data stasioner, isi jumlah
Form Klasifikasi ABC pada gambar 9 peramalannya sebelum menekan tombol
ini bertujuan untuk melakukan klasifikasi “selanjutnya” untuk proses ACF dan PACF
terhadap produk yang akan diramalkan. serta peramalannya.
Produk-produk yang akan diramalkan akan
secara otomatis tampil pada grid dan grafik
dibawah setelah memilih awal bulan
klasifikasi dan akhir bulan klasifikasi, setelah
itu tekan tombol “klasifikasi”.
dibandingkan dengan nilai t pada tabel. Jika t signifikan pada nilai pertama dan kedua, dan
< t tabel maka data stasioner dalam varian, nila PACF memotong batas signifikan pada
baris pertama. Nila perpotongan tersebut
apabila sebaliknya maka perlu dilakukan
dijadikan sebagai nilai untuk mencari nilai
tranformasi data dengan rumus ln(xt).
MSE.
Pengujian dilanjutkan dengan melakukan
proses stasioner dalam mean apabila nilai
dickey fuller yang diperoleh lebih besar dari
tabelnya maka data stasioner dalam mean,
apabila sebaliknya maka dilakukan proses
differencing.
7
Form Peramalan
Form Peramalan pada gambar 13 berisi
grafik peramalan yang menunjukkan nilai dan
actual dan hasil peramalan menggunakan
ARIMA.
Form PRS
Form PRS pada gambar 15 ini
berfungsi untuk menghitung nilai kuantitas
Gambar 13 Form Peramalan permintaan pada bulan yang diramalkan. Dari
hasil peramalan diatas, yaitu sebesar 662 buah
Form Laporan Peramalan
dimasukkan pada jumlah permintaan. Setelah
Form laporan pada gambar 14 berisi itu waktu tunggu dan periode review dapat
grafik peramalan dan perbandingan antara data dimasukan nilainya, setelah selesai baru dapat
actual dan peramalan dari periode awal sampai diproses dan menghasilkan kesimpulan seperti
akhir. Laporan ini dapat digunakan untuk gambar dibawah ini.
koreksi data actual dengan data peramalan.
Dari gambar 4.12 ini ramalan untuk 1 bulan
berikutnya adalah sebesar 662.
8
Kesimpulan Saran
Setelah dilakukan analisis, Adapun beberapa saran yang dapat
perancangan sistem dan pembuatan aplikasi disampaikan untuk mengembangkan aplikasi
Sistem Informasi Peramalan Penjualan pada yang telah dibuat antara lain:
PT. Tera Data Indonusa ini serta dilakukan 1. Metode estimasi parameter uang
evaluasi hasil penelitiannya, maka dapat digunakan pada program ini masih
diambil kesimpulan sebagai berikut: menggunakan metode momentum, yang
proses pencarian nilai parameternya
1. Sistem dapat melakukan proses seleksi
masih kurang sempurna dibandingkan
dengan menerapkan metode klasifikasi
dengan metode lain seperti metode
ABC.
likelihood. Untuk itu aplikasi ini dapat
2. Data penjualan yang ada pada PT. Tera
pula dikembangkan dengan
Data Indonusa dapat diramalkan dengan
menggunakan metode yang lebih akurat.
metode Time Series, khususnya dengan
2. Peneliti mengakui terdapat sejumlah
metode ARIMA Box-Jenkins.
keterbatasan yang ada dalam penelitian
3. Sistem Informasi Peramalan Penjualan
ini. Untuk itu disarankan kepada
untuk penjualan laptop pada PT. Tera
penelitian yang akan datang dapat
Data Indonusa dengan menggunakan
mengurangi keterbatasa-keterbatasan
metode ARIMA Box-Jenkins dapat
dari penelitian sebelumnya, diantaranya
memberikan solusi kepada pihak
dapat menerapkan metode peramalan
manajemen untuk meramalkan jumlah
Time Series ini untuk data-data diluar
penjualan laptop pada periode tertentu
data yang ada pada PT. Tera Data
dan meramalkannya pada beberapa
Indonusa dan untuk mengetahui tingkat
periode kedepan dengan model
keakuratan sebuah peramalan
peramalan yang telah dihasilkan
hendaknya disertakan pembanding
didalam program peramalan. Hasil
untuk metode-metode peramalan yang
peramalan tersebut dapat digunakan
akan digunakan.
sebagai acuan didalam pemenuhan
target permintaan barang kepada
supplier pada periode-periode
mendatang.
4. Sistem dapat menentukan jumlah barang
yang harus disediakan pada masa yang
akan datang dengan menggunakan
metode PRS.
9
DAFTAR PUSTAKA
10