Pelita Teknologi: Jurnal Ilmiah Informatika, Arsitektur dan Lingkungan 14 (1) 2020-15

Pelita Teknologi: Jurnal Ilmiah Informatika,

Arsitektur dan Lingkungan
Journal homepage: jurnal.pelitabangsa.ac.id

PENERAPAN METODE REGRESI LINIER UNTUK MEMPREDIKSI

STOK BARANG PADA TOSERBA SAMAYRA

Desi Wulandari

Program Studi Teknik Informatika, Universitas Pelita Bangsa

Korespondensi email: pelitateknologi@gmail.com

Abstrak Informasi Artikel

Pengendalian persediaan (stock control) Diterima: 31 Oktober 2020
adalah usaha yang dilakukan oleh Direvisi: 2 Novemeber 2020
perusahaan dalam penyediaan barang- Dipublikasikan: 21 November 2020
barang yang dibutuhkan untuk proses
produksi agar terpenuhi secara optimal
Keywords
sehingga proses produksi berjalan dengan
lancar dan mengurangi adanya resiko
Data Mining, Regresi Linier, Prediksi
yang akan terjadi seperti kekurangan
barang serta perusahaan dapat
memperoleh biaya persediaan sekecil-
kecilnya yang akan menguntungkan
perusahaan. Pemanfaatan data stok pada
Toserba Samayra melalui pendekatan
metode prediksi dapat diterapkan dalam
menganalisis data guna melakukan
prediksi kebutuhan stok dimasa
mendatang berdasar dari tingkat penjualan
toko. Penerapan persamaan algoritma
Regresi Linear sederhana dapat
diimplementasikan dimana hasilnya juga
menunjukkan sebuah wawasan baru bagi
kebutuhan prediksi terhadap ketersediaan
stok dari produk yang dijual pada Toserba
Samayra. Evaluasi dan pengujian
performa menggunakan aplikasi Rapid
Miner juga dapat menghasilkan gambaran
yang relevan dengan skenario yang
dimodelkan. Model persamaan Regresi
Linear sederhana setelah dibandingkan
hasil perhitungan secara manual dan juga
dengan aplikasi Rapid Miner secara
umum menunjukkan data yang sama.
Nilai RMSE juga didapat saat melakukan
evaluasi performa model yang diterapkan,
dengan nilai RMSE sebesar 2,248 dengan
standar deviasi +- 0,0.

1
 Pelita Teknologi: Jurnal Ilmiah Informatika, Arsitektur dan Lingkungan 14 (1) 2020-15

Pelita Teknologi: Jurnal Ilmiah Informatika,

Arsitektur dan Lingkungan
Journal homepage: jurnal.pelitabangsa.ac.id

I.

2

I. PENDAHULUAN
Toserba Samayra sebuah toko
serba ada yang bergerak di bidang
penjualan makanan, minuman seperti
sembako dan kebutuhan rumah tangga
serta peralatan rumah tangga lainya
yang sedang mengalami peningkatan
baik dari segi konsumen maupun dari
jenis barang dagangannya.
Permasalahan yang sering terjadi pada
toko adalah sering mengalami
kelebihan atau kekurangan stok
barang, ketidakpahaman barang yang
terjual membuat arus kas menjadi
tidak optimal. Hal ini disebabkan
karena terjadi penumpukan stok
barang suatu produk dan kekurangan
stok barang di produk yang lain. Maka
dari itu dibutuhkan suatu analisis yang
dapat meramalkan kebutuhan barang
untuk periode mendatang. Suatu
peramalan bisa dilakukan dengan
menggunakan metode perhitungan
menggunakan regrensi liniear
merupakan sebuah metode yang
menggunakan cara-cara perhitungan
statistika dan matematika tertentu
untuk mengetahui fungsi data yang
dibentuk oleh data historis
perusahaan. Pemasaran produk
meliputi semua aktivitas yang
melibatkan penjualan barang secara
langsung ke konsumen akhir untuk
penggunaan pribadi ataupun
seseorang yang menjalankan bisnis ini
yang disebut pula sebagai pengecer.
Pada umumnya konsumen melakukan
pembelian barang ataupun produk dari
toko. Peningkatan penjualan perlu
adanya sebuah prediksi yang akurat
agar dapat membantu toko
meningkatkan penjualan dan data
ISSN: p.2301-475X e.2656-7059
stock barang. Oleh karena itu, untuk
meminimalisir kesalahan yang terjadi
pada data penjualan maka dalam
penelitian ini akan menerapkan data
mining dalam menentukan kebutuhan
stok barang. Data Mining adalah
langkah analisis terhadap proses
penemuan pengetahuan di dalam basis
data atau Knowledge Discovery in
Database (KDD). Data Mining
terdapat beberapa teknik salah satunya
adalah estimasi atau prediksi. Estimasi
digunakan untuk menganalisis
kebutuhan stok barang dan algoritma
yang akan diterapkan dari estimasi ini
adalah Regresi Linier.
II. Metodologi
Tahap Penelitian
Dalam melakukan penelitian
seorang peneliti memiliki pedoman
yang secara bertahap yang akan
dilakukan sebagai berikut:
1. Pengumpulan Data
Mengumpulkan data yang
dibutuhkan guna membangun untuk
mendukung keputusan penentuann
kebutuhan stok barang, serta
mengidentifikasi masalah kualitas
datanya untuk mendapatkan bagian
yang menarik dari data yang dapat
digunakan dalam penelitian untuk
mendapatkan informasi yang
tersembunyi. Teknik yang digunakan
dalam penelitian ini adalah :
a. Wawancara
Wawancara yang dilakukan
adalah tanya jawab antara peneliti
dan narasumber dengan maksud
untuk menggali data atau
memperoleh informasi yang
behubungan dengan penelitian.
3
 ISSN: p.2301-475X e.2656-7059

b. Observasi perusahaan dalam pengambilan

keputusan, Pada tahap ini pengujian
Penulis melakukan pengamatan
dilakukan dengan rapidminer. Dalam
dan mencatat hal-hal yang berkaitan
tahapan penelitian ini di gambarkan
dengan bahan penelitian.
dalam gambar dibawah ini :
Pengamatan dilakukan dengan
datang langsung dan melihat
bagaimana proses pengambilan data.

c. Studi Pustaka
Dalam penelitian ini penulis
mmerlukan sumber informasi yang
diambil dari buku referensi dan
jurnal ilmiah yang berkaitan dengan
penelitian ini terutama yaitu data
mining, estimasi, dan regresi linier.

2. Pengolahan Data
Tahap ini merupakan tahap
pengelolaan data berkaitan dengan
pencarian subjek penelitian, dengan
melakukan pemilihan tabel, record,
dan atribut-atribut data, termasuk juga
proses cleaning, selection dan
transformasi data yang kemudian akan
dijadikan masukan pada tahap data
mining. Pengolahan data ini penulis
menggunakan metode Association
Rule.
3. Pemodelan
Pemodelan pada penelitian ini
dilakukan dengan data mining teknik
estimasi menggunakan algoritma
regresi linier. Teknik ini dipilih
karena merupakan metode yang
umum dipakai pada penelitian data
mining untuk mencari seleksi aturan,
maupun sebuah prediksi.
4. Evaluasi Dan Hasil
Pada tahap ini merupakan evaluasi
dan hasil penelitian yang telah
dilakukan sehingga dapat membantu
Pengumpulan Data
Tahap pertama dalam
pelaksanaan penelitian ini adalah
melakukan pengumpulan data.
Adapun data yang dikumpulkan
merupakan data yang didapat dari data
stok barang pada Toserba Samayra
pada periode Juni – Agustus 2020,
yang didapatkan dalam bentuk file
spreadsheet berformat Excel.
Penggunaan Pengolahan Data
1. Data Cleaning
Data cleaning merupakan
proses pembersihan data dengan
memeriksa inkonsistensi data dan
memperbaiki kesalahan pada data
serta membuang missing value
maupun duplikasi data. Proses
pembersihan data dilakukan secara
manual seperti melakukan
pembersihan data terhadap data yang

4

memiliki value minus (-), nol (0) dan
juga membuang daftar produk yang
berada dalam kelompok kode
kategori “V” karena merupakan
produk digital yang tidak dapat
diukur ketersediaan stoknya secara
fisik.
2. Data Selection
Data Selection merupakan
proses pemilihan data dari
sekumpulan data operasional yang
ada sebelum masuk ke tahap mining
data maupun informasi. Pada tahap
ini akan dilakukan langkah –
langkah sebagai berikut :
1. Diambil sampel data secara
random dan acak sebanyak 120
record dataset dengan
parameter adalah Top 10 produk
dengan total stok tertinggi
selama periode Juni-Agustus
dari masing-masing kode
kategori produk, untuk
selanjutnya dijadikan data
training dan memastikan data
yang dipilih layak dipakai untuk
dilakukan proses pemodelan.
2. Dilakukan seleksi atribut yang
akan dipakai dan dianalisis,
karena pada data awal terdapat
beberapa atribut yang tidak
dibutuhkan. Atribut yang akan
dipakai seperti atribut total
penjualan sebagai kandidat
variabel X dan total stok
sebagai kandidat variabel Y,
serta atribut nama produk untuk
identitas data tersebut.
Penghapusan atribut dari data
utama dilakukan karena tidak
ada keterkaitan terhadap
penerapan algoritma Regresi
Linier yang akan digunakan.
ISSN: p.2301-475X e.2656-7059
3. Data Transformation
Tahap Data Transformation
merupakan proses mengubah format
data awal menjadi sebuah format data
untuk proses dengan algoritma pada
program maupun tool yang
digunakan. Berikut adalah hasil
pengolahan data awal setelah
melawati tahapan diatas untuk
dijadikan dataset training pada tahap
selanjutnya, ditunjukkan pada Tabel
3.10, yang selengkapnya dapat dilihat
pada lampiran.
Perhitungan Nilai XY, XX dan YY
Perhitungan terhadap Nilai XY, XX,
dan YY dilakukan pada data latih
(training) untuk mendapatkan model
persamaan regresi linier yang akan
diterapkan dalam memprediksi stok
barang terhadap data uji (testing).
Perhitungan dilakukan antara lain
dengan mendapatkan nilai XY yang
merupakan perkalian dari kedua
variabel tersebut kemudian nilai XX
yang merupakan nilai variabel X yang
dikuadratkan dan nilai YY dari nilai
variabel Y yang dikuadratkan.
Variabel X merupakan variabel yang
mewakili atribut Total Penjualan pada
dataset training yang digunakan
sementara variabel Y merupakan
atribut Total Stok.
Perhitungan Koefisien A dan B
Perhitungan koefisien A dan B yang
dilakukan menggunakan rumus
dibawah berikut :
Koefisien A : ¿ ¿
Koefisien B : n ¿ ¿
5
 ISSN: p.2301-475X e.2656-7059

Model Persamaan Regresi Linier dataset awal dan menentukan ulang

Sederhana nilai variabel X dengan acak sebagai
Metode Kuadrat Terkecil (Least prediksi nilai Y secara time series.
Square Method) merupakan metode Berikut adalah data uji (testing) yang
yang paling populer untuk akan dilakukan peramalan dapat
menetapkan persamaan regresi linier dilihat pada tabel dibawah ini.
sederhana. Model sesuai dengan
menghitung persamaan regresi linier
menggunakan rumus berikut : HASIL DAN PEMBAHASAN
Y = a + bX Hasil Perhitungan Nilai XY, XX,
dan YY
Dimana :
Perhitungan dilakukan pada 120
Y : variabel terikat
record dataset yang dijadikan data
a : koefisien regresi intersep latih (training) antara lain dengan
(konstanta) mendapatkan nilai XY yang
merupakan perkalian dari kedua
b : koefisien regresi slop (kemiringan) variabel tersebut kemudian nilai XX
X : variabel bebas yang merupakan nilai variabel X yang
dikuadratkan dan YY merupakan nilai
variabel Y yang dikuadratkan.Sebagai
Data Training atau Data Testing gambaran umum dibawah ini
merupakan contoh perhitungan
1. Data Training terhadap record dataset ke-1, ke-2 dan
ke-3 untuk mencari nilai XY, XX, dan
Data latih (training) berjumlah YY.
120 record dataset yang dipakai
dalam penerapan model Regresi 1. Objek data MY ROTI KRIM
Linier pada penelitian ini. Pada data SUSU 58G memiliki nilai X =
latih (training) akan dilakukan 15 dan Y= 25, maka
perhitungan nilai XY, XX dan YY perhitungannya adalah sebagai
terhadap variabel X dan Y. Selain itu berikut :
data training juga akan digunakan
untuk mencari nilai Koefisien A dan XY = 15 x 25 = 375
Koefisien B. XX = 15 x 15 = 225
2. Data Testing YY = 25 x 25 = 625
Data uji (testing) akan
digunakan dalam peramalan dan
prediksi dengan menerapkan model 2. Objek data MY ROTI
persamaan Regresi Linier yang PANDAN KELAPA AREN
58G memiliki nilai X = 23 dan
sudah didapatkan. Adapaun dalam
Y= 24, maka perhitungannya
penelitian ini, data uji (testing) adalah sebagai berikut :
ditentukan sebanyak 36 record data
yang diambil secara random dari XY = 23 x 24 = 552

6

XX = 23 x 23 = 529
YY = 24 x 24 = 576
3. Objek data MY ROTI SW
COKLAT 50G memiliki nilai X
= 19 dan Y= 39, maka
perhitungannya adalah sebagai
berikut :
XY = 19 x 39 = 741
XX = 19 x 19 = 361
YY = 39 x 39 = 1521
Hasil Perhitungan Koefisien A dan
Koefisien B
Dalam menerapkan rumus
dibawah ini maka didapatkan nilai
untuk Koefisien A dan Koefisien B
dari dataset training yang dipakai
dalam penelitian ini ialah seperti
berikut :
Koefisien A : ¿ ¿
a =
( 23678 )( 21307530 ) −(16650)(15381087) terhadap data uji (testing) yang terdiri
120 ( 21307530 ) −(16550)2
248424596790
a=
2279681100
a = 108,97
Jadi dapat diketahui untuk nilai a
adalah 108,97
Koefisien B : n ¿ ¿
120 ( 15381087 )−(16650)(23678)
b=
120 ( 21307530 )−(16550)2
1451491740
b=
2279681100
b = 0,64
ISSN: p.2301-475X e.2656-7059
Jadi dapat diketahui untuk nilai b
adalah 0,64.
Implementasi Persamaan Regresi
Linier
Dari hasil perhitungan pada
pencarian nilai koefisien A dan
koefisien B, maka dengan begitu
model persamaan regresi linier yang
dihasilkan adalah sebagai berikut :
Y = a + bx
Y = 108,97 + 0,64 (x)
Dimana keterangannya adalah berikut:
Y = variabel hasil prediksi
108,97 = koefisien regresi intersep
(konstanta)
X = variabel bebas
0,64 = koefisien regresi slop
(kemiringan)
Persamaan Regresi Linier
sederhana tersebut kemudian
digunakan untuk melakukan prediksi
dari 36 record dataset dengan
penentuan variabel X secara acak .
Berikut adalah contoh perhitungan
untuk persamaan Regresi Linier
sederhana pada data uji (testing)
record ke-1, ke-2 dan ke-3.
1. Data ke-1
MY ROTI ISI KRIM SUSU 58G
(X = 35)
Y = a + bx
Y = 108,97 + 0,64 x 35
Y = 131
2. Data ke-2
7
 ISSN: p.2301-475X e.2656-7059

MY ROTI PANDAN KELAPA pada folder ke layar tampilan

AREN 58G (X = 43) proses.
Y = a + bx 3. Berikutnya pada menu Modelling,
dalam submenu Predictive, pilih
Y = 108,97 + 0,64 x 43 operator fungsi Linear
Y = 136 Regression, untuk menerapkan
persamaan algoritma Regresi
3. Data ke-3 Linear sederhana terhadap proses
MY ROTI SW COKLAT 50G (X = prediksi objek yang akan
39) dilakukan.

Y = a + bx 4. Selanjutnya pada menu Scoring

pilih operator Apply Model dan
Y = 108,97 + 0,64 x 39 drag ke layar tampilan proses,
melalui fungsi ini dapat mengatur
Y = 134
penerapan model dari dataset
yang dipakai pada proses ini
terhadap prediksi label yang akan
Evaluasi Data Uji pada Rapid diterapkan.
Miner
5. Tambahkan operator
Tahapan evaluasi terhadap data Performance yang didapat dari
uji (testing) yang digunakan untuk menu Validation dan submenu
menilai model persamaan algoritma Performance untuk mengukur
Regresi Linier sederhana yang tingkat performa dari model yang
diterapkan dalam pembentukan diterapkan.
prediksi kebutuhan stok dari suatu
objek baru dengan keakurasian yang 6. Pada operator Performance
tepat . Dalam penelitian ini penulis tentukan paramater yang akan
memanfaatkan aplikasi Rapid Miner, digunakan yaitu Root Mean
hasil pengujian yang dilakukan Square Error (RMSE).
menggunakan aplikasi Rapid Miner
7. Koneksikan semua perintah
adalah dengan menerapkan langkah-
tersebut sehingga pada layar
langkah sebagai berikut :
tampilan proses terlihat alur
1. Melakukan import data yang tahapan seperti pada gambar
diperlukan untuk proses pada berikut.
tools Rapid Miner. Pada aplikasi
Rapid Miner pilih dan klik Import
Data, kemudian pilih data yang
akan dipakai serta kemudian
menentukan attribut dan label
yang akan digunakan.
2. Klik menu Design, pada tampilan
proses, tambahkan dataset latih
(training) dan dataset uji (testing)

8

8. Setelah dilakukan Running
Process pada tools Rapid Miner,
didapatkan hasil prediksi objek
testing dengan menggunakan
algoritma Regresi Linier.
Pengujian Performa Regresi Linier
Pengujian performa terhadap
model dan algoritma dilakukan
dengan maksud mengetahui hasil
perhitungan yang dianalisa dan
mengukur metode serta algoritma
yang digunakan apakah berfungsi
dengan baik atau tidak. Hasil nilai
RMSE berdasar pada aplikasi Rapid
Miner yang didapat dari pengujian
data testing adalah sebagai berikut.
Pembahasan
Pada 120 record dataset data
training setelah dilakukan perhitungan
untuk mencari nilai XY, XY, dan YY,
maka secara keseluruhan hasil dari
masing – masing yaitu untuk total
nilai variabel X sebesar 16650, total
nilai variabel Y 23678, kemudian total
nilai XY adalah 15381087, total nilai
XX yaitu 21307530 dan total nilai YY
adalah 22594532.
Sementara keseluruhan total
nilai diatas digunakan untuk
ISSN: p.2301-475X e.2656-7059
mengkonversi rumus dalam mencari
nilai koefisien A dan B, sehingga
didapat nilai a sebesar 108,97, dan
untuk nilai b yaitu 0,64. Kedua nilai
koefisien ini yang akan dipakai dalam
penerapan persamaan algoritma
regresi linear sederhana. Hal ini juga
selaras dengan perhitungan koefisien
pada aplikasi Rapid Miner yang juga
menunjukkan angka yang sama
seperti dapat dilihat pada tabel
berikut.
Dari nilai koefisien diatas maka
dengan menggunakan model
matematis sederhana maka kita dapat
menentukan persamaan algoritma
Regresi Linear dengan model Y =
108,97 + 0,64 (x), dimana variabel X
adalah variabel Terjual. Seperti pada
deskripsi hasil yang didapat dari
aplikasi Rapid Miner juga
menunjukkan hal yang sama pada
gambar berikut.
Secara umum penerapan
persamaan Regresi Linear tersebut
diaplikasikan untuk memprediksi 36
data uji (testing) yang sudah
ditentukan. Dari perhitungan yang
dilakukan secara manual dan juga
dibandingkan dengan proses pada
aplikasi Rapid Miner, hasil yang
ditunjukkan tidak memiliki perbedaan
9

yang signifikan, dengan kata lain baik
dari perhitungan manual maupun yang
diproses dalam aplikasi menunjukkan
kemiripan hasil.
Selanjutnya pada evaluasi
model ini adalah dengan mencari nilai
root mean squared error atau RMSE,
melalui aplikasi Rapid Miner
didapatkan nilai RMSE sebesar 2,248
dengan standar deviasi +- 0,0.
KESIMPULAN
Berdasarkan hasil yang
penelitian yang dilakukan oleh
penulis, kesimpulan yang didapat
yaitu sebagai berikut :
1. Pemanfaatan data stok pada
Toserba Samayra melalui
pendekatan metode prediksi dapat
diterapkan dalam menganalisis
data guna melakukan prediksi
kebutuhan stok dimasa mendatang
berdasar dari tingkat penjualan
toko.
2. Penerapan persamaan algoritma
Regresi Linear sederhana dapat
diimplementasikan dimana
hasilnya juga menunjukkan sebuah
wawasan baru bagi kebutuhan
prediksi terhadap ketersediaan stok
dari produk yang dijual pada
Toserba Samayra.
3. Evaluasi dan pengujian performa
menggunakan aplikasi Rapid
Miner juga dapat menghasilkan
gambaran yang relevan dengan
skenario yang dimodelkan. Model
persamaan Regresi Linear
sederhana setelah dibandingkan
hasil perhitungan secara manual
dan juga dengan aplikasi Rapid
Miner secara umum menunjukkan
ISSN: p.2301-475X e.2656-7059
data yang sama. Nilai RMSE juga
didapat saat melakukan evaluasi
performa model yang diterapkan,
dengan nilai RMSE sebesar 2,248
dengan standar deviasi +- 0,0.
SARAN
Beberapa saran dalam penelitian
ini untuk pengembangan lebih
lanjut antara lain yaitu :
1. Perbanyak data dalam rentang
waktu lebih panjang yang akan
digunakan dalam penelitian
selanjutnya agar dapat
meningkatkan nilai akurasi dari
model prediksi terhadap
kebutuhan stok produk dimasa
mendatang.
2. Perlunya adanya penelitian lebih
lanjut dengan melakukan
pengujian dengan algoritma lain
seperti C5.0, SVM, dan lain
sebagainya, agar memperoleh
perbandingan hasil RSME yang
lebih baik.
3. Pengembangan model dengan
menggabungkan beberapa
metode dan algoritma yang
dapat digunakan dalam
memprediksi sesuatu sehingga
diharapkan memberikan hasil
yang lebih variatif dan bisa
dimanfaatkan dalam
pengambilan kebijakan dan
strategi pengadaan stok barang.
DAFTAR PUSTAKA
[1] A. Kurniadi and Y. Novianto,
“Penerapan Metode Regresi
Linier untuk Memprediksi
Kebiasaan Pelanggan Studi
Kasus : PT . Mensa
10
 ISSN: p.2301-475X e.2656-7059

Binasukses,” J. Ilm. Mhs. Tek.

Inform., vol. 2, no. 2, p. 107,
2020.
[2] L. Belakang et al.,
“IMPLEMENTASI METODE
TREND MOMENT PADA
TOKO KEBUTUHAN STOK
BARANG Program Studi
Teknik Informatika , Fakultas
Teknik , Universitas
Muhammadiyah Jember .
( Suharyadi & Purwanto ( dalam
Win Kurniadi , 2018 : 78 )).,”
pp. 1–10, 2018.
[3] D. S. O. Panggabean, E.
Buulolo, and N. Silalahi,
“Penerapan Data Mining Untuk
Memprediksi Pemesanan Bibit
Pohon Dengan Regresi Linear
Berganda,” JURIKOM (Jurnal
Ris. Komputer), vol. 7, no. 1, p.
56, 2020, doi:
10.30865/jurikom.v7i1.1947.
[4] F. Rizky, Y. Syahra, and I.
Mariami, “Implementasi Data
Mining Untuk Memprediksi
Target Pemakaian Stok Barang
Menggunakan Metode Regresi
Linier Berganda,” Sains dan
Komput., vol. 18, no. 2, pp.
167–175, 2019.
[5] I. L. L. Gaol, S. Sinurat, and E.
R. Siagian, “Implementasi Data
Mining Dengan Metode Regresi
Linear Berganda Untuk
Memprediksi Data Persediaan
Buku Pada Pt. Yudhistira Ghalia
Indonesia Area Sumatera
Utara,” KOMIK (Konferensi
Nas. Teknol. Inf. dan
Komputer), vol. 3, no. 1, pp.
130–133, 2019, doi:
10.30865/komik.v3i1.1579.

11