3.3-91
Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2016
pemodelan dalam menyelesaikan masalah yang tidak Data, operasi pelaksanaan dan kesempatan dalam
terstruktur[1]. penggunaan teknik teknik lainnya.
e) Ketepatan metode peramalan
Tingkat ketepatan yang dibutuhkan sangat erat
Pengertian Sistem Pendukung Keputusan juga sebagai kaitannya dengan detailnya perincian yang
sekumpulan model model, yang didasari dari prosedur- dibutuhkan dalam suatu peramalan.
prosedur dalam memproses data dan penilaian guna f) Kemudahan dalam penerapan
membantu seorang manajer dalam pengambilan Metode-metode yang dapat dimengerti dan mudah
keputusan[1]. diaplikasikan sudah merupakan suatu prinsip umum
bagi pengambilan keputusan
Sistem Pendukung Keputusan dapat disimpulkan pula
sebagai sistem yang dapat diperluas untuk mampu Seorang pengambil keputusan terkadang dihadapkan
mendukung analisis data serta pemodelan keputusan, pada permasalahan forecasting (memproyeksikan,
berorientasi terhadap perencanaan masa depan, dan memperkirakan, meramalkan) suatu penjualan barang ,
digunakan pada interval yang tidak reguler dan tak di masa yang akan datang dengan didasari oleh data
terencana[2]. yang telah direcord sebelumnya. Peramalan berhubungan
dengan keputusan manajer, dalam menentukan jumlah
Sistem Pendukung Keputusan sebagai sistem berbasis produksi penjualan barang yang harus disediakan oleh
komputer yang terdiri dari beberapa komponen yang perusahaan. Planning production yang ditetapkan oleh
saling berinteraksi : sistem bahasa (mekanisme untuk manajer, akan mempengaruhi tingkat produksi dan
memberikan komunikasi antar pengguna dan komponen inventori guna mencapai tingkat efektifitas yang
sistem pendukung keputusan yang lain), sistem maksimal. Dalam melakukan perancangan perencanaan
pengetahuan (repositori pengetahuan domain masalah produksi penjualan barang, pihak pengambil keputusan
yang, sebagai data atau sebagai prosedur) dan sistem perusahaan dapat mengadopsi penerapan metode dalam
pemrosesan masalah (hubungan antara komponen memproyeksikan besarnya data penjualan barang
lainnya terdiri dari satu atau lebih kapabilitas diwaktu yang akan datang, disebut sebagai metode
manipulasi masalah umum yang diperlukan untuk peramalan.
pengambilan keputusan)[2].
Peramalan (Forecasting) adalah seni dan ilmu
Sistem Pendukung Keputusan dapat memakai model, memprediksi peristiwa – peristiwa masa depan, dengan
dibangun dalam proses yang interaktif, mendukung pengambilan data historis dan memproyeksikannya ke
seluruh tingkat pengambilan keputusan dan dapat berisi masa depan, dengan menggunakan beberapa bentuk
komponen pengetahuan (knowledge)[2] model matematis. Kemudian peramalan dapat
dikatakanan sebagai suatu kegiatan penerapan model
Proses pengambilan keputusan terdiri dari beberapa yang telah dikembangkan pada waktu yang akan
tahapan yaitu pengumpulan data, pengolahan data dan datang[4].
penyimpanan dari data yang telah diproses.
Pengambilan keputusan yang tepat akan memberikan Beberapa teknik teknik dalam model peramalan adalah
peningkatan efektifitas dan efisiensi kerja, sumber daya, sebagai berikut :
waktu dan keuntungan bagi perusahaan[2].
a) Teknik peramalan untuk data stationer
Ada beberapa faktor utama yang diidentifikasikan Data stationer merupakan data yang tidak berubah
sebagai teknik dan metode peramalan : dari waktu ke waktu dan bersifat stabil untuk nilai
a) Horizon waktu rata-ratanya. Seperti situasi yang berkembang ketika
Berhubungan dengan masing masing metode ada peningkatan pola data yang mempengaruhinya
peramalan. Pertama adalah cakupan dimasa yang maka teknik ini akan relatif stabil.
akan datang, kedua adalah jumlah periode untuk
peramalan yang diinginkan. Teknik permalan stasioner digunakan jika, data
b) Pola data stabil, dan lingkungan yang berpengaruh relative
Merupakan pola yang ditemukan dalam data itu tetap, contohnya angka kerusakan perbulan pada
sendiri yang diramalkan akan berkelanjutan. pemasangan bagian-bagian mesin elektronik ,
c) Jenis dari model memiliki rata-rata produksi yang sama, kumpulan
Merupakan suatu deret dimana waktu digambarkan penjualan produk atau layanan dalam perkembangan
sebagai unsur yang penting untuk menentukkan proses kehidupan dan jumlah hasil penjualan dari
perubahan perubahan dalam pola. tingkat usaha yang konstan.Kemudian peramalan
d) Biaya data stasioner membutuhkan model yang sangat
Terdapat beberapa unsur biaya yang menjadi sederhana, disebabkan adanya keterbatasan data
cakupan didalam penggunaan prosedur peramalan, untuk memudahkan dalam penjelasan dan
yaitu, biaya pengembangan, penyimpanan (storage) pelaksanaan., misalnya jasa bisnis dalam suatu
3.3-92
Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2016
perusahaan masih tergolong baru, dan memiliki data digunakan apabila suatu musim mempengaruhi
historis yang minim. variable terhadap suatu minat tertentu, misalnya
adanya kegiatan musim kemarau dan musim dingin
(panen, pakaian musim dingin musim panas)
b) Teknik peramalan untuk data trend memerlukan konsumsi listrik yang
Trend adalah suatu gerakan yang cenderung naik maksimal.Penjualan tiket pada musim libur hari
(growth)atau turun (decline) dalam jangka panjang, raya.
yang diperoleh dari rata-rata perubahan dari vwaktu
ke waktu dan nilainya cukup rata atau mulus d) Teknik peramalan untuk data siklis
(smooth). Dengan kata lain runtun waktu dikatakan Efek siklis didefinisikan sebelumnya sebagai
memiliki tren jika nilai rata-ratanya berubah fluktuasi bergelombang disekitar Tren. Pola siklis
sewaktu-waktu, sehingga diharapkan untuk sulit untuk dimodelkan karena pola mereka secara
menambah atau mengurangi, selama periode untuk tipikal tidak stabil/ tetap. Fluktuasi seperti
ramalan yang diinginkan. Kekuatan yang dapat gelombang yang naik–turun disekitar Trend jarang
mempengaruhi tren adalah perubahan populasi, terulang di interval waktu yang tetap dan besarnya
harga, teknologi dan produktivitas. fluktuasi cenderung bervariasi. Metode dekomposisi
Metode Trend Moment adalah salah satu metode dapat diperluas untuk menganalisis data siklis.
yang di gunakan dalam melakukan forecast Akan tetapi, karena sifat yang tidak teratur dari
penjualan, yang nantinya akan di jadikan dasar untuk siklus, penganalisaan komponen siklis dari
penjualan pada tahun berikutnya. Teknik peramalan rangkaian, sering memerlukan penemuan kejadian
data trend digunakan apabila daya produksi yang kebetulan atau kepemimpinan indikator
meningkat, misalnya pertambahan jumlah penduduk ekonomi.Teknik peramalan siklis digunakan apabila,
dalam suatu wilayah mendorong permintaan adanya pergantian mode atau suatu selera akan
kebutuhan barang dan jasa (barang elektronik produk tertentu (fashion, makanan, minuman,
(gadget), barang barang konsumsi, bahan bahan musik),perubahan dalam penduduk (kelaparan,
mentah), disisi transportasi terjadi penurunan bencana alam).
penggunaan tiket kapal laut yang mengalami
penurunan, disebabkan adanya sarana alternatif Hasil yang diharapkan dalam pembahasan ini, yaitu
lainnya yaitu pesawat terbang. Kemudian daya beli bagaimana mensinergikan penggunaan metode trend
dolar yang mempengaruhi perekonomian (inflasi), moment, dalam perancangan data visual sebagai salah
misalnya gaji, biaya produksi, dan harga. satu proses yang termasuk didalam pembangunan
aplikasi decision support system (DSS), secara ringkas,
Pada metode Trend Moment ini, terdapat gabungan sederhana, mudah dipahami. Khususnya tentang
dari analisis statistik berupa analisis trend dan bagaimana cara untuk memproyeksikan, memperkirakan,
metode moment [5]. Dalam penerapan metode Trend meramalkan penjualan yang terjadi saat ini, atau yang
Moment, dapat di lakukan dengan menggunakan akan terjadi pada fase bulan dan tahun berikutnya,
data historis dari satu variabel, adapun rumus yang terhadap suatu objek barang dengan contoh ilustrasi.
di gunakan dalam penyusunan dari metode Y = a + b
X (1) [6]
2. Pembahasan
Metode Trend Moment berbeda dengan metode Peramalan dengan model metode trend moment,
lainnya, untuk penentuan data historis X pada menggunakan cara-cara perhitungan statistika dan
penggunaannya, tidak harus berjumlah genap atau matematika tertentu, untuk mengetahui fungsi garis
ganjil, karena nilai parameter X selalu dimulai lurus sebagai pengganti garis putus-putus yang dibentuk
dengan nilai 0 sebagai urutan yang pertama[6]. oleh data historis perusahaan[7]. Dengan demikian
pengaruh unsur subyektif dapat dihindarkan. Persamaan
c) Teknik peramalan untuk data musiman trend dengan metode moment adalah sebagai berikut :
Rangkaian musiman didefinisikan sebelumnya
sebagai runtun waktu, dengan pola pergantian yang Y= a +bx (1)
berulang dari tahun ke tahun. Dimana:
Satu cara untuk mengembangkan peramalan Y : nilai tren
musiman, melibatkan pemilihan metode a : bilangan konstant
dekomposisi perkalian, atau pembagian, dan b : slope atau koefisien kecondongan garis trend
kemudian mengestimasi indeks musiman dari sejarah x : indeks waktu (x = 0,1,2,..n).
/ histori rangkaian. Indeks ini kemudian digunakan
untuk memasukkan musiman, pada ramalan atau Sedangkan untuk menghitung nilai a dan b :
menghilangkan efek dari nilai yang diobservasi. ∑Yi = n.a+b∑ Xi (2)
Proses terakhir diarahkan sebagai pengaturan data ∑XiYi =a ∑ Xi+b∑Xi² (3)
musiman. Teknik peramalan data musiman
3.3-93
Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2016
3.3-94
Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2016
Daftar Pustaka
[1] Turban E.,”Decision Support Systems and Expert Systems and
Intelligent System, 6th Edition, Prentice Hall International, Inc.,
New Jersey, 2001
[2] Fiati, R., Sistem Pendukung Keputusan Peramalan Penjualan
Barang, Tesis, Magister Ilmu Komputer Program Pascasarjana
Universitas Gadjah Mada Yogyakarta,2009
[3] Roy Sumaryono, “Penerapan Metode Trend Moment
Dalam Forecast Penjualan Beton Readymix di PT. X,
Mojokerto,” Media Mahardhika Vol. 13 No. 1 September 2014
[4] Silvanaaulidah, SP, MP, “Peramalan(Forecasting) Permintaan,”
Lab of Agribusiness Analysis and Management Universitas
Brawijaya, 2012
Gambar 2.Rancangan Data Flow Diagram level 1 [5] Arief Soma Darmawan, “Sistem Pendukung Keputusan Peramalan
Penjualan Batik di Pekalongan dengan Metode Trend Moment,”
Jurnal Ilmiah ICTech vol. X , no. 2, Mei 2012.
[6] Rival Zunaidhi, Wahyu S.J Saputra , Ni Ketut Sari, “Aplikasi
Peramalan Penjualan Menggunakan Regresi Linier, VOL. VII
Nomor 3, ISSN : 1978-0087
[7] Citra Paramita, Dul Muid, “Analisis Perbandingan Metode
Peramalan Penjualan Bahan bakar Minyak dengan Standar
Kesalahan Peramalan (SKP) Pada PT.Pertamina (Persero) Region
JaTeng dan DIY” Jurnal Universitas Diponegoro, Semarang, Jawa
Tengah
Biodata Penulis
Moyo Hady Poernomo, memperoleh gelar Sarjana
Komputer (S.Kom), Jurusan Teknik Informatika Sekolah
Tinggi Informatika dan Komputer (STIKI) Malang, lulus
Gambar 3.Tabel Rancangan database tahun 2006. Saat ini dalam tahap menempuh Program
Pasca Sarjana Magister Teknik Informatika STMIK
AMIKOM Yogyakarta.
3. Kesimpulan
Sistem Pendukung Keputusan dengan menggunakan
metode proyeksi peramalan penjualan suatu barang,,
salah satunya adalah Trend Moment, dapat menjadi suatu
alat bantu (tools), dalam pengambilan keputusan seorang
pengambil keputusan dengan menggunakan sistem
komputerisasi.
3.3-95
Seminar Nasional Teknologi Informasi dan Multimedia 2016 ISSN : 2302-3805
STMIK AMIKOM Yogyakarta, 6-8 Februari 2016
3.3-96