PERAMALAN SEWA KIT KAMERA MENGGUNAKAN METODE

DOUBLE EKSPONENTIAL SMOOTHING HOLT

TUGAS AKHIR

Tugas Akhir ini sebagai salah satu syarat untuk memperoleh gelar sarjana
Teknik Informatika Universitas Pembangunan Nasional “Veteran” Yogyakarta

Disusun Oleh:

Imam Sudiyat Nur Cahyo

123140043

PROGRAM STUDI INFORMATIKA

JURUSAN INFORMATIKA
FAKULTAS TEKNIK INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2021
ii
iii
iv
v
 ABSTRAK

Peramalan adalah memperkirakan keadaan dimasa yang akan datang melalui pengujian
keadaan dimasa lalu. Peramalan yang dibuat bertujuan mendapatkan peramalan yang bisa
meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean square
error, mean absoulute errror, (Makridakis, 1999)
Peramalan ini dilakukan dengan cara mengumpulkan data unit rental masa lalu untuk diolah
menjadi informasi prediksi jumlah frekuensi unit rental pada periode kedepan. Penelitian ini
menggunakan Metode Double Exponential Smoothing Holt untuk meramalkan jumlah frekuensi tiga
bulan kedepan. Metode Double Exponential Smoothing Holt tepat digunakan untuk data yang
memiliki kondisi dimana terdapat fluktuasi data yang cenderung naik turun (trend) dan data yang
dipengaruhi oleh faktor musiman.
Penelitian ini bertujuan untuk mencari kombinasi parameter alpha dan beta agar
memperoleh nilai MAPE yang optimal untuk mendapatkan nilai akurasi hasil peramalan terbaik dari
data yang berubah berdasarkan trend pada data training. Hasil penelitian ini mendapatkan kombinasi
parameter terbaik berada pada nilai alpha 0,7 dan beta 0,3. Peramalan jumlah frekuensi unit kamera
menunjukan nilai MAPE terkecil sebesar 49% pada Tripod Velbon dv7000 dan tingkat akurasi
sebesar 51% dengan parameter alpha 0,3 dan beta 0,3. Sementara itu, hasil peramalan yang
menunjukan nilai MAPE terbesar dengan nilai 165% pada Canon 600D + Kit dan tingkat akurasi
sebesar -65% dengan parameter alpha 0,9 dan beta 0,8.
Kata Kunci : Peramalan, Trend, Double Exponential Smooting Holt, MAPE

vi
 ABSTRACT
Forecasting is estimating future conditions through testing past conditions.
Forecasting made aims to obtain forecasts that can minimize forecast error (forecast error)
which is usually measured by mean square error, mean absolute error, (Makridakis, 1999)
. rental units in future periods. This study uses the Double Exponential Smoothing Holt
method to predict the number of frequencies in the next three months. The Double
Exponential Smoothing Holt method is appropriate for data that has conditions where there
are fluctuations in data that tend to go up and down (trend) and data that is influenced by
seasonal factors.
This study aims to find a combination of alpha and beta parameters in order to obtain
the optimal MAPE value to obtain the best forecasting accuracy value from data that
changes based on trends in training data. The results of this study get the best combination
of parameters is at an alpha value of 0.7 and beta 0.3. Forecasting the number of camera
unit frequencies shows the smallest MAPE value of 49% on the Tripod Velbon dv7000 and
an accuracy rate of 51% with parameters alpha 0.3 and beta 0.3. Meanwhile, the forecasting
results show the largest MAPE value with a value of 165% on the Canon 600D + Kit and an
accuracy rate of -65% with an alpha parameter of 0.9 and a beta of 0.8.
Keywords : Forecasting,Trend. Double Exponential Smoothing Holt, MAPE

vii
 PRAKATA
Puji syukur atas kehadirat Allah SWT yang telah melimpahkan rahmat, hidayah, dan
inayah-Nya, sehingga penulis dapat menyelesaikan Tugas Akhir yang berjudul “Peramalan
Sewa Kit Kamera Menggunakan Metode Double Exponential Smoothing Holt Di Kota
Yogyakarta (Studi Kasus: Jogjakamera)”. Tugas akhir ini merupakan syaratterakhir yang
harus ditempuh untuk menyelesaikan pendidikan pada jenjang Strata Satu (S1)Program Studi
Informatika Universitas Pembangunan Nasional “Veteran” Yogyakarta.
Didalam penyusunan tugas akhir ini, penulis menyadari bahwa penulisan ini tidak lepas dari
bimbingan, bantuan serta dukungan dari berbagai pihak. Oleh karena itu, penulis
mengucapkan terimakasih kapada:
1. Allah SWT yang senantiasa memberikan kemudahan, Kesehatan, dan petunjuk
selama pengerjaan tugas akhir.
2. Kedua Orang tua saya tercinta, Bapak Lamiri dan Ibu Sri supartini, atas kasih sayang
tak terhingga sepanjang masa, nasihat, doa serta dukungan baik secara moril maupun
3. Guru, Dosen dan Mentor saya yang telah melatih, mendidik dan mengarakan hingga
manjadi manusia yang berilmu dan berakhlak.
4. Keluarga Besar Teknik Informatika UPN Veteran Yogyakarta, terutama Angkatan
2014yang selalu menemani dalam proses perjuangan dari awal sampai ke titik ini.
Mungkindisini saya tidak bisa menyebutkan satu persatu nama kalian, yang jelasnya
setiap namakalian ada cerita yang sangat luar biasa. Terimakasih Teknik Informatika
2014.
Penulis menyadari bahwa laporan tugas akhir ini masih jauh dari sempurna baik dari segi
penyusunan, bahasa, maupun dari penulisan. Oleh karena itu, kami sangatmengharaokan
kritik dan saran yang membangun dari semua pembaca guna menjadi acuanagar penulis bisa
menjadi lebih baik lagi di masa mendatang

Yogyakarta, 28 September 2021

Penyusun
Imam Sudiyat Nurcahyo

viii
 DAFTAR ISI

HALAMAN JUDUL.........................................................................................................i
HALAMAN PENGESAHAN PEMBIMBING .......................................................... ii
HALAMAN PENGESAHAN PENGUJI ................................................................... iii
SURAT PERNYATAAN KARYA ASLI TUGAS AKHIR .................................... iv
PERNYATAAN BEBAS PLAGIASI ...........................................................................v
ABSTRAK .......................................................................................................................vi
ABSTACT ...................................................................................................................... vii
PRAKATA .................................................................................................................... viii
DAFTAR ISI................................................................................................................... ix
DAFTAR TABEL ......................................................................................................... xii
DAFTAR GAMBAR ................................................................................................... xiii
DAFTAR MODUL PROGRAM ............................................................................... xiv
BAB I PENDAHULUAN ................................................................................................1
Latar Belakang .......................................................................................................1
Rumusan Masalah ..................................................................................................3
Batasan Masalah .....................................................................................................3
Tujuan Penelitian ....................................................................................................3
Manfaat Penelitian .................................................................................................3
Tahapan Penelitian .................................................................................................4
Sistematika Penelitian ............................................................................................5
BAB II TINJAUAN LITERATUR ...............................................................................6
Peramalan Kuantitatif ............................................................................................6
Metode Double Exponential Smoothing Holt’s ...................................................6
Pola Data Deret Waktu ..........................................................................................8
Pengukuran Hasil Peramalan.................................................................................9
Metode Pengembangan Sistem ........................................................................... 10
Studi Pustaka ........................................................................................................ 11
BAB III METODOLOGI PENELITIAN ..................................................................13
Metodologi Penelitian .......................................................................................... 13
Studi Literatur....................................................................................................... 13
Pengumpulan Data ............................................................................................... 17
Analisis Masalah .................................................................................................. 17
Metode Pengembangan Sistem ........................................................................... 17
Analisis Kebutuhan .............................................................................................. 19
Perancangan Sistem ............................................................................................. 19
Arsitektur Sistem .................................................................................................. 19
Data Flow Diagram ............................................................................................. 20
Flowchart Metode Pemulusan Ganda Dua Parameter Holt .............................. 23
Entity Relationship Diagram ............................................................................... 26
Tabel database ........................................................................................................ 26
Relasi Antar Tabel ............................................................................................... 28
UserInterface ........................................................................................................ 28
Simulasai Perhitungan ......................................................................................... 45
Perhitungan Manual ............................................................................................. 45
Pehitungan Excell................................................................................................. 50
Pengujian Sistem .................................................................................................. 52

ix
BAB IV HASIL, PENGUJIAN DAN PEMBAHASAN
Hasil Penelitian .................................................................................................................. 53
Tampilan Halaman Login .................................................................................................. 53
Tampilan Halaman Dashboard ......................................................................................... 54
Tampilan Halaman Kategori ............................................................................................. 55
Tampilan Halaman Unit .................................................................................................... 58
Tampilan Halaman Rekap ................................................................................................. 60
Tampilan Halaman Peramalan .......................................................................................... 62
Tampilan Halaman Hasil Peramalan ................................................................................ 64
Tampilan Halaman Pengguna ........................................................................................... 67
Pengujian ....................................................................................................................... 68
Pengujian Peramalan Jumlah Frekuensi Rental ............................................................... 69
Hasil Pengujian .................................................................................................................. 71
Pembahasan ................................................................................................................... 74

BAB V KESIMPULAN DAN SARAN

Kesimpulan ......................................................................................................................... 76
Saran .............................................................................................................................. 76

DAFTAR PUSTAKA ................................................................................................... 79

x
 DAFTAR TABEL
Tabel 2. 1. Kriteria MAPE ....................................................................................................... 10
Tabel 2. 2. Penelitian-penelitian sebelumnya......................................................................... 11
Tabel 2. 3. Penelitian-penelitian sebelumnya (lanjutan) ....................................................... 11
Tabel 3. 1. Pembagian hak akses pengguna ........................................................................... 20
Tabel 3. 2. Perancangan tabel kategori ................................................................................... 26
Tabel 3. 3. Perancangan tabel merek ...................................................................................... 27
Tabel 3. 4. Perancangan tabel unit .......................................................................................... 27
Tabel 3. 5. Perancangan tabel rekap ....................................................................................... 27
Tabel 3. 6. Perancangan tabel user.......................................................................................... 28
Tabel 3. 7. Sampel data aktual ................................................................................................ 46
Tabel 3. 8. Hasil peramalan ..................................................................................................... 48
Tabel 3. 9. Perbandingan metode ............................................................................................ 50
Tabel 3.10.Pengujian Nilai Mape ........................................................................................... 52

xi
 DAFTAR GAMBAR
Gambar 2. 1. Pola data deret waktu ...........................................................................................8
Gambar 3. 1. Alur metode pengembangan sistem waterfall, pressmana (2010) .................. 18
Gambar 3. 2. Arsitektur sistem aplikasi peramalan sewa kit kamera .................................... 19
Gambar 3. 3. DFD level 0 sistem aplikasi peramalan sewa kit kamera ................................ 20
Gambar 3. 4. DFD level 1 proses-proses aplikasi peramalan sewa kit kamera .................... 21
Gambar 3. 5. DFD level 2 pada proses olah data.................................................................... 22
Gambar 3. 6 Flowchart metode pemulusan ganda dua parameter dari holt .......................... 24
Gambar 3. 7. Flowchart Perhitungan MAPE .......................................................................... 25
Gambar 3. 8. Perancangan ERD aplikasi peramalan sewa kit kamera .................................. 26
Gambar 3. 9. Perancangan RAT aplikasi peramalan sewa kit kamera .................................. 28
Gambar 3. 10. UI halaman dashboard level manajer ............................................................. 29
Gambar 3. 11. UI halaman tampilan data kategori dan merek .............................................. 29
Gambar 3. 12. UI halaman tambah data kategori ................................................................... 29
Gambar 3. 13. UI halaman update data kategori .................................................................... 30
Gambar 3. 14. UI halaman tambah data merek ...................................................................... 30
Gambar 3. 15. UI halaman update data merek........................................................................ 30
Gambar 3. 16. UI halaman tampilan data unit peralatan........................................................ 31
Gambar 3. 17. UI halaman tambah data unit peralatan .......................................................... 31
Gambar 3. 18. UI halaman update data unit peralatan ........................................................... 32
Gambar 3. 19. UI halaman tampilan tabel data rekap persewaan ......................................... 32
Gambar 3. 20. UI halaman detail data rekap persewaan ........................................................ 33
Gambar 3. 21. UI halaman tambah data rekap persewaan ..................................................... 33
Gambar 3. 22. UI halaman update data rekap persewaan ...................................................... 34
Gambar 3. 23. UI halaman awal peramalan ............................................................................ 34
Gambar 3. 24. UI halaman hasil peramalan ............................................................................ 35
Gambar 3. 25. UI halaman detail peramalan .......................................................................... 36
Gambar 3. 26. UI halaman tampil data user ........................................................................... 37
Gambar 3. 27. UI halaman tambah data akun ......................................................................... 37
Gambar 3. 28. UI halaman update data akun .......................................................................... 38
Gambar 3. 29. UI halaman dasboard level admin................................................................... 38
Gambar 3. 30. UI halaman tampil data kategori dan merek .................................................. 39
Gambar 3. 31. UI halaman tambah data kategori ................................................................... 39
Gambar 3. 32. UI halaman update data kategori .................................................................... 39
Gambar 3. 33. UI halaman tambah data merek ...................................................................... 40
Gambar 3. 34. UI halaman update data merek........................................................................ 40
Gambar 3. 35. UI halaman tampil data unit peralatan ............................................................ 40
Gambar 3. 36. UI halaman tambah data unit peralatan .......................................................... 41
Gambar 3. 37. UI halaman update data unit peralatan ........................................................... 41
Gambar 3. 38. UI halaman tampil data rekap persewaan....................................................... 42
Gambar 3. 39. UI halaman detail data rekap persewaan ........................................................ 42
Gambar 3. 40. UI halaman tambah data rekap persewaan ..................................................... 43
Gambar 3. 41. UI halaman update data rekap persewaan ...................................................... 43
Gambar 3. 42. UI halaman login .............................................................................................. 44
Gambar 3. 43. UI halaman gagal login .................................................................................... 44
Gambar 3. 44. Formula perhitungan dalam excell ................................................................. 50
Gambar 3. 45. Hasil dari formula perhitungan dalam excell ................................................. 50

xii
 DAFTAR MODUL PROGRAM

Modul Program 4.1. Source Code Tampilan Halaman Login ....................................................... 53

Modul Program 4.2. Lanjutan Source Code Tampilan Halaman Login ......................................... 54
Modul Program 4.3. Source Code Tampilan Halaman Dashboard ................................................ 54
Modul Program 4.4. Lanjutan Source Code Tampilan Halaman Dashboard.................................. 55
Modul Program 4.5. Source Code Tampilan Halaman Kategori ................................................... 56
Modul Program 4.6. Lanjutan Source Code Tampilan Halaman Kategori ..................................... 57
Modul Program 4.7. Source Code Tampilan Halaman Unit.......................................................... 58
Modul Program 4.8. Lanjutan Source Code Tampilan Halaman Unit ........................................... 59
Modul Program 4.9. Source Code Tampilan Halaman Rekap ....................................................... 60
Modul Program 4.10. Lanjutan Source Code Tampilan Halaman Rekap ...................................... 61
Modul Program 4.11. Source Code Tampilan Halaman Peramalan .............................................. 62
Modul Program 4.12. Lanjutan Source Code Halaman Peramalan................................................ 63
Modul Program 4.13. Source Code Tampilan Halaman Hasil Peramalan...................................... 65
Modul Program 4.14. Lanjutan Source Code Tampilan Halaman Hasil Peramalan ....................... 66
Modul Program 4.15. Source Code Tampilan Halaman Pengguna ................................................ 67
Modul Program 4.16. Lanjutan Source Code Tampilan Halaman Pengguna ................................. 68

xiii
 BAB I PENDAHULUAN

1.1. Latar Belakang

Dalam dunia bisnis khususnya dalam industri persewaan harus selalu memikirkan cara
untuk terus meningkatkan dan mengembangkan skala bisnis sesuai dengan kebutuhan
konsumen dan pasar. Agar bisa memenuhi kebutuhan-kebutuhan bisnis banyak cara yang
dapat ditempuh para pengelola perusahaan tersebut salah satunya adalah dengan melakukan
analisis data perusahaan yang bias digunakan untuk mengambil suatu keputusan untuk
memperoleh pengetahuan yang baru. Salah satu caranya dengan melakukan peramalan atau
perkiraan. Peramalan bertujuan untuk mendapatkan suatu predikisi dimasa depan.
Peramalan berasal dari kata ramalan yang artinya adalah suatu situasi atau kondisi
yang diperkirakan akan terjadi pada masa yang akan datang. Sedangkan peramalan
adalah bentuk kegiatannya. Ramalan tersebut dapat didasarkan atas bermacam - macam
cara yaitu metode single exponential smoothing, metode double exponential smoothing,
dan metode triple exponential smoothing.
Peramalan adalah memperkirakan keadaan dimasa yang akan datang melalui pengujian
keadaan dimasa lalu. Dalam kehidupan sosial segala sesuatu itu serba tidak pasti dan
sukar diperkirakan secara tepat, sehingga diperlukan peramalan. Peramalan yang dibuat
selalu diupayakan agar dapat meminimumkan pengaruh ketiadak pastian ini terhadap
sebuah masalah. Dengan kata lain peramalan bertujuan mendapatkan peramalan yang
bisa meminimumkan kesalahan meramal (forecast error) yang biasanya diukur dengan mean
square error, mean absoulute errror, dan sebagainya (Makridakis, 1999)
Jogjakamera merupakan suatu perusahaan yang menyediakan jasa penyewaan alat
multimedia dan sudah memiliki cukup banyak pelanggan. Dilihat dari data transaksi
penyewaan sebelumnya Jogjakamera mempunyai cukup banyak pelanggan baik agen
maupun perseorangan yang berada di dalam maupun di luar Yogyakarta. Data rekap
persewaan di Jogjakamera cukup lengkap baik data rekap bulanan atau tahunan. Namun
dalam perusahaan ini data penyewaan tersebut belum dimanfaatkan atau diolah dengan baik.
Pada Jogjakamera belum ada sistem untuk meramalkan penyewaan alat kamera tersebut.
Untuk membuat sebuah sistem prediksi atau peramalan penyewaan alat kamera tersebut
dibutuhkan sebuah metode peramalan yang baik dan perhitungan yang cukup tepat untuk
memprediksi peralatan kamera apa yang sering terjadi dalam transaksi. Salah satu caranya
dengan melakukan peramalan atau perkiraan. Salah satu metode peramalan yang sesusai
dalam studi kasus ini yaitu metode peramalan kuantitaif model exponential smoothing.
Peramalan dengan menggunakan data masa lalu yang menunjukkan adanya pola trend
dan non stasioner, akan tepat apabila menggunakan Metode Double Exponential
Smoothing. Double Exponential Smoothing terdiri dari dua metode yaitu metode Holt dan
Brown. Kedua metode ini dapat digunakan pada data yang berpola trend, perbedaannya pada
parameter pemulusan yang dipakai. Metode Holt menggunakan perhitungan persamaan
dengan dua parameter (pemulusan dan trend), sedangkan Brown menggunakan satu
parameter (pemulusan sekaligus trend). Penelitian oleh (Bidangan Purnamasari dan Hayati,
2016) tentang perbandingan Metode Double Exponential Smoothing Holt dan Brown

1
didapatkan hasil Metode Double Exponential Smoothing Holt memiliki presentase eror lebih
kecil daripada Metode Double Exponential Smoothing Brown.
Peramalan kuantitaif model exponential smoothing yang pernah dilakukan penelitian
sebelumnya yaitu oleh Dewi Ika Yanti Situmorang dengan judul “Analisa Prediksi
Penyewaan Alat Transportasi Menggunakan Metode Single Exponential Smoothing (Studi
Kasus: PT. Sedona Holidays Medan)” pada tahun 2015. Pada penelitian ini proses peramalan
menggunakan data transaksi periode sebelumnya untuk meramalkan periode depan,
kekurangan dalam penelitian ini yaitu pencarian nilai alpha terbaik masih menggunakan trial
error secara manual untuk mencari nilai Mean Absolute Percentage Error (MAPE) terendah.
Teknik peramalan Time Series merupakan peramalan yang didasarkan pada model
matematika statistik. Terdapat beberapa metode peramalan Time Series antara lain: Pertama,
Metode Moving Average digunakan untuk menentukan trend dari suatu deret waktu,
kekurangannya adalah tidak bisa mengolah data yang memiliki unsur trend atau faktor
musiman (Rismawanti dan Darsyah, 2020). Kedua, Metode Regresi Linier digunakan untuk
melakukan peramalan tentang karakteristik kualitas maupun kuantitas, kekurangannya
adalah data yang diukur harus linier untuk memperoleh hasil yang baik (Ayuni dan Fitrianah,
2019). Ketiga, Metode ARIMA digunakan untuk peramalan jangka pendek dan pada data
non stasioner, Kekurangan dari Metode ARIMA adalah jika menggunakan data peramalan
jangka panjang maka ketepatannya kurang baik karena hasilnya akan cenderung datar (flat)
(Buffa, 1996). Keempat, Metode Double Exponential Smoothing disebut juga metode
penghalusan atau pemulusan. Kelebihan dari metode ini adalah dapat memodelkan trend dan
tingkat dari suatu deret waktu yang lebih efisien, karena memerlukan data dan parameter
yang lebih sedikit sehingga menjadi lebih sederhana. Kekurangan dari metode ini
memerlukan optimasi dari dua parameter sehingga pencarian untuk menemukan kombinasi
nilai parameter yang terbaik menjadi sedikit lebih sulit (Ningtiyas, 2019).
Dalam metode ini akan memuluskan nilai trend dengan paramater yang berbeda dari
parameter yang digunakan pada deret data yang asli. Metode pemulusan eksponensial
berganda dua parameter dari Holt akan diimplemntasikan kedalam aplikasi berbasis web agar
lebih dinamis, dan pemilihan parameter alpha dan beta akan dibuat dinamis untuk mencari
nilai kombinasi alpha beta terbaik. Data yang digunakan berupa data rekap bulanan
mengenai jumlah frekuensi peminjaman dan total jam peminjaman. Data training yang
digunakan dalam penelitian ini yaitu data rekap pada bulan Januari 2019 sampai Desember
2020, serta data testing yang digunakan yaitu data aktual pada bulan Januari 2021. Hasil
yang diharapkan dalam penelitian ini yaitu pemilik bisnis dapat mengambil keputusan yang
strategis dalam periode berikutnya dan dapat mengelola unit alat yang disewakan.

1.2. Rumusan Masalah

Berdasarkan latar belakang permasalahan yang telah dikemukakan, maka dapat
dirumuskan permasalahanya yaitu perlu adanya suatu aplikasi memberikan informasi
perkiraan permintaan jumlah sewa untuk mengantisipasi lonjakan sewa kit kamera di
Jogjakamera dengan metode pemulusan eksponensial berganda dua parameter Holt.

2
1.3. Batasan Masalah
Agar masalah yang dibahas menjadi fokus dan lebih jelas dalam mencapai sasaran, maka
dibuat batasan dari perumusan masalah di atas, di antaranya adalah:
1. Data diambil di persewaan kit kamera Jogjakamera.
2. Data yang digunakan dalam penelitian ini yaitu data rekap bulanan selama Januari
2019 sampai Desember 2020.
3. Hasil peramalan berupa jumlah frekuensi peminjaman dan total jam peminjaman
dengan prediksi 3 periode bulan kedepan.
4. Akurasi peramalan menggunakan parameter Mean Absolute Percentage Error
(MAPE).

1.4. Tujuan Penelitian

Tujuan dari penelitian ini yaitu sebagai berikut:
1. Mengimplementasikan metode pemulusan eksponensial ganda dua parameter Holt
dalam aplikasi berbasis web.
2. Memudahkan Perusahaan dalam menyiapkan kamera kepada pelanggan di masa
mendatang untuk mengetahui jumlah alat yang akan dikeluarkan pada bulan
berikutnya.
3. Mengkaji dan menganlisa metode pemulusan eksponensial ganda dua parameter Holt
dengan mencari komposisi parameter alpha dan beta yang terbaik berdasarkan nilai
Mean Absolute Percentage Error (MAPE) terendah.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah:
1. Mengetahui jumlah alat yang dibutuhkan di masa yang akan datang.
2. Memberi masukkan kepada perusahaan sewa kamera dalam menentukan pemilihan
alat kamera dan peningkatan stok alat pada periode yang akan datang.
3. Mengetahui informasi pola penyewaan kit kamera pada setiap unit berdasarkan
frekuensi penyewaan dan total jam peminjaman.

1.6. Tahapan Penelitian

Pada penelitian ini menggunakan studi literatur sebagai metode pengumpulan data dan
informasi, sedangkan dalam pengembangan sistem menggunakan metode waterfall.

1.6.1 Studi Literatur

yaitu metode yang dilakukan dengan mempelajari suatu literatur atau karya tulis
ilmiah yang berhubungan dengan penelitian yang sedang dilakukan guna menghimpun
segala informasi yang dibutuhkan dalam penelitian.

1.6.2 Pengembangan sistem

menggunakan Metode Waterfall Dalam pengembangan aplikasi ini menggunakan
Metodologi Waterfall yang terdiri dari beberapa tahapan yaitu:(Pressman, 2010)

1. Analisis Kebutuhan
3
 Tahap ini pengembangan sistem diperlukan komunikasi yang bertujuan
untuk memahami perangkat lunak yang diharapkan oleh pengguna dan batasan
perangkat lunak tersebut. Informasi ini biasanya dapat diperoleh melalui wawancara,
diskusi atau survei langsung. Informasi dianalisis untuk mendapatkan data yang
dibutuhkan.
2. Perancangan Sistem
Spesifikasi kebutuhan dari tahap sebelumnya akan dipelajari dalam fase ini
dan desain sistem disiapkan. Desain sistem membantu dalam menentukan perangkat
keras (hardware) dan sistem persyaratan dan juga membantu dalam mendefiniskan
arsitektur sistem secara keseluruhan.
3. Implementasi
Pada tahap ini, sistem pertama kali dikembangkan di program kecil yang
disebut unit,yang terintregrasi dalam tahap selanjutnya. Setiap unit dikembangkan dan
diuji untuk fungsionalitas yang disebut unit testing.
4. Pengujian
Sistem Seluruh unit yang dikembangkan dalam tahap implementasi
diintegrasikan ke dalam sistem setelah pengujian yang dilakukan masing-masing
unit. Setelah itegrasi seluruh sistem diuji untuk mengecek setiap kegagalan maupun
kesalahan.
5. Pemeliharaan
Tahap akhir dalam model waterfall, perangkat lunak yang sudah jadi,
dijalankan serta dilakukan pemeliharaan. Pemeliharaan termasuk dalam memperbaiki
kesalahanyang tidak ditemukan pada langkah sebelumnya. Perbaikan implementasi
unit sistem dan peningkatan kesalahan sistem sebagai kebutuhan baru.

Tetapi dalam penelitian ini metode waterfall yang digunakan hanya sampai pada tahap
pengujian sistem.

1.7. Sistematika Penelitian

Penelitian ini terdiri dari 5 (lima) bab yang disusun secara sistematik, sistematika
penulisannya sebagai berikut:

BAB I: Pendahuluan
Bab ini membahas tentang latar belakang masalah, perumusan masalah, batasan masalah,
tujuan penelitian, manfaat penelitian, tahapan penelitian, dan sistematika penulisan.

BAB II: Tinjauan Literatur

Dalam bab ini dikemukakan teori-teori yang menjadi landasan penelitian yang dilakukan
dalam mendukung penelitian ini, yaitu konsep dasar metode pemulusan pemulusan
eksponensial ganda dua parameter Holt, Pengukuran hasil peramalan Mean Absolute
Percentage Error (MAPE), Pola data, Basis Data, Data Flow Diagram, Flowchart, PHP,
MySQL, Atom, metode pengembangan sistem Waterfall, dan Studi Pustaka.

BAB III: Metodologi Penelitian

Pada bab ini berisi mengenai metode penelitian, pengumpulan data dan analisis data.
Analisis data dibuat dengan mengkombinasikan pengumpulan data yang diperoleh. Serta
4
cara bagaimana aktifitas kerangka kerja dalam tiap tahapnya serta gambaran umum
perancangan sistem, meliputi perancangan mekanisme integrasi alat ke sistem.

BAB IV: Hasil, Pengujian, dan Pembahasan

Bab ini memuat implementasi program yang telah dirancang pada bab sebelumnya. Berisi
secara rinci penerapan dari analisis data dan pengolahan data yang dibuat menjadi aplikasi
peramalan berbasis web dengan menampilkan antarmuka program disertai cara kerja dan
penggunaan program.

BAB V: Penutup
Dalam bab ini berisi penutup dari penjelasan yang berisi tentang kesimpulan serta saran-saran
yang ada untuk membangun aplikasi ini selanjutnya.

5
 BAB II TINJAUAN LITERATUR

2.1. Peramalan Kuantitatif

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif pada
masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil peramalan
yang berbeda, adapun yang perlu diperhatikan dari penggunaan metode tersebut, adalah baik
tidaknya metode yang dipergunakan, sangat ditentukan oleh perbedaan atau penyimpangan
antara hasil ramalan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang
memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif
hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:
Tersedia informasi tentang masa lalu Informasi tersebut dapat dikuantitatifkan dalam bentuk
data numerik Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut
dimasa mendatang.
Metode kuantitatif terbagi atas dua jenis yaitu metode time series (deret waktu) dan
metode causal (sebab akibat). Metode time series adalah metode yang dipergunakan untuk
menganalisis serangkaian data yang merupakan fungsi dari waktu. Metode ini
mengasumsikan beberapa pola atau kombinasi pola selalu berulang sepanjang waktu, dan
pola dasarnya dapat diidentifikasi semata-mata atas dasar data historis dari serial itu. Dengan
analisis deret waktu dapat ditunjukkan bagaimana permintaan terhadap suatu produk tertentu
bervariasi terhadap waktu. Sifat dari perubahan permintaan dari tahun ke tahun dirumuskan
untuk meramalkan penjualan pada masa yang akan datang (Makridakkis et al., 1999).
Root Mean Squared Error (RMSE) merupakan salah satu cara untuk mengevaluasi
model regresi linear dengan mengukur tingkat akurasi hasil perkiraan suatu model. RMSE
dihitung dengan mengkuadratkan error (prediksi – observasi) dibagi dengan jumlah data (=
rata-rata), lalu diakarkan. RMSE tidak memiliki satuan.
RMSE merupakah salah satu cara mengevaluasi model selain Mean Absolute Percentage
Error (MAPE) dan Mean Absolute Deviation (MAD)

2.2. Metode Double Exponential Smoothing Holt’s

Metode pemulusan eksponensial linier dari Holt dalam prinsipnya serupa dengan Brown
kecuali bahwa Holt tidak menggunakan rumus pemulusan berganda secara langsung.
Sebagai gantinya Holt memuluskan nilai trend dengan parameter yang berbeda dari
parameter yang digunakan pada deret yang asli (Makridakkis et al., 1999). Ramalan dari
pemulusan eksponensial linier Holt didapat dengan menggunakan dua konstan pemulusan
(dengan nialai antara 0 sampai 1) dan tiga persamaan:
a. Rumus perhitungan pemulusan
Perhitungan pemulusan dari holt menggunakan perhitungan pemulusan tunggalkemudian di
tambahkan nilai pemulusan dan tren periode sebelumnya. Perhitungan nilai pemulusan
tunggal menggunakan parameter alpha, nilai parameter alpha mempunyai nilai dari 0.1, 0.2
sampai 0.9.
𝑆𝑡 = 𝑎 ⋅ 𝑋𝑡 + (1 − 𝑎) ⋅ (𝑆𝑡−1 + 𝑇𝑡−1) ………………. (2.1) Keterangan:
𝑆𝑡 = Nilai Single Exponential Smoothing pada periode t
𝑎 = nilai alpha (0 < 𝑎 < 1)

6
𝑋𝑡 = Data aktual pada periode t
𝑆𝑡−1 = Nilai Single Exponential Smoothing pada periode t-1 (periode sebelumnya)
𝑇𝑡−1 = Nilai Trend pada periode t-1 (periode sebelumnya)

a. Rumus perhitungan trend

Perhitungan nilai trend menggunakan parameter beta, nilai parameter beta
mempunyai nilai dari 0.1, 0.2 sampai 0.9.
𝑇𝑡 = 𝛽 ⋅ (𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽) ⋅ 𝑇𝑡−1 ………………. (2.2)
Keterangan:
𝑇𝑡 = Nilai Trend pada periode t
𝛽 = nilai beta (0 < 𝛽 < 1)
𝑆𝑡 = Nilai Single Exponential Smoothing pada periode t
𝑆𝑡−1 = Nilai Single Exponential Smoothing pada periode t-1 (periode sebelumnya)
𝑇𝑡−1 = Nilai Trend pada periode t-1 (periode sebelumnya)

b. Rumus perhitungan peramalan

Perhitungan peramalan periode (Ft) menggunakan nilai pemulusan periode
sebelumnya (St-1) dan ditambahkan dengan nilai trend periode sebelumnya (Tt1).
𝐹𝑡+1 = 𝑆𝑡 + 𝑇𝑡 …………………………………...(2.3)
Keterangan:
𝐹𝑡+1 = Nilai peramalan pada periode t+1 (periode selanjutnya)
𝑆𝑡 = Nilai Single Exponential Smoothing pada periode t
𝑇𝑡 = Nilai Trend pada periode t
Untuk hasil peramalan yang lebih dari 1 periode menggunakan persamaan 2.4.
Peramalan periode lebih dari 1 menggunakan nilai m yang disesuaikan dengan
jumlah periode kedepan, nilai pemulusan (St) dan nilai trend (Tt) pada periode
terakhir, dengan nilai m yang dinamis dikalikan dengan nilai periode trend
terkakhir.
𝐹𝑡𝑛+𝑚 = 𝑆𝑡𝑛 + 𝑇𝑡𝑛 ⋅ 𝑚 …………………………(2.4)
Keterangan:
𝐹(𝑡𝑛) = Nilai peramalan pada periode t ke n (n = data terakhir/jumlah periode)
𝑚 = Jumlah periode kedepan yang akan diramalkan (1, 2, 3 … N)

c. Inisiasi nilai awal

Inisiasi nilai awal diperlukan untuk memberi nilai pada pemulusan periode (S t1) dan nilai
trend periode (T t1), karena untuk perhitungan pemulusan (St2) memerlukan nilai pemulusan
pada periode (St1 ) yaitu periode sebelumnya. Hal ini berlaku juga pada perhitungan trend.
Inisiasi nilai pemulusan periode (St1) menggunakan persamaan 2.5
𝑆𝑡1 = 𝑋𝑡1 ………………………………………….. (2.5)
Inisiasi nilai trend periode (Tt1) menggunakan persamaan 2.6
𝑇𝑡1 = 𝑋𝑡2−𝑋𝑡1 …………………………………….. (2.6)
Keterangan:
𝑋𝑡1 = Nilai aktual pada periode t ke 1
7
𝑋𝑡2 = Nilai aktual pada periode t ke 2
𝑆𝑡1 = Nilai Single Exponential Smoothing pada periode t ke 1
𝑇𝑡1 = Nilai trend pada periode t ke 1

2.3. Pola Data Deret Waktu

Metode time series adalah metode peramalan dengan menggunakan analisa pola
hubungan antara variabel yang akan dipekirakan dengan variabel waktu.
Peramalan suatu data time series perlu memperhatikan tipe atau pola data. Secara
umum terdapat empat macam pola data time series, yaitu horizontal, trend,
musiman, dan siklis (Makridakkis et al., 1999).

Gambar 2.1. Pola data deret waktu

1. Pola data horizontal/konstan (H)

Pola horizontal terjadi bilamana nilai datanya berfluktuasi di sekitaran nilai rata-
rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau
menurun selama waktutertentu termasuk jenis ini.
2. Pola data Seasonal (S)
Pola Musiman terjadi bilamana suatu deret dipengaruhi oleh faktor musiman
(misalnyakuartal tahunan tertentu, bulanan, atau hari-hari pada minggu tertentu).
Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar
pemanas ruang. Semuanya menunjukkan jenis pola ini.
3. Pola data cycle (C)
Pola Siklis terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi jangka
panjangseperti yang berhubungan dengan siklus bisnis. Penjualan produk seperti
mobil, baja, dan peralatan utama lainnya menunjukan jenis data ini seperti ini.
4. Pola data trend (T)
8
 Pola Trend terjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam
data. Penjualan banyak perusahaan produk bruto nasional (GNP) dan berbagi indikator
bisnis atau ekonomi lainnya mengikuti suatu pola trend selama perubahannya sepanjang
waktu

2.4. Pengukuran Hasil Peramalan

Dalam proses peramalan tentu menginginkan hasil perkiraan ramalan yang tepat atau
paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana yang
dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian inilah yang menjadi
kriteria performance suatu metode peramalan. Ketepatan atau ketelitian tersebut dapat
dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil memberikan arti
ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil peramalan tinggi, begitu
pula sebaliknya. Besar kesalahan suatu peramalan dapat dihitung dengan beberapa cara,
antara lain adalah:(Heizer et al., 2015).

1. Mean Absolute Deviation (MAD)

Mean Absolute Deviation (MAD) merupakan rata-rata kesalahan mutlak (absolute) selama
periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar (positif) atau lebih
kecil (negatif) dibandingkan data aktualnya.
∑|𝑋 −𝐹 |
𝑀𝐴𝐷 = 𝑡 𝑡 …………………………… (2.7)
𝑁
Keterangan:
𝑋𝑡= Nilai aktual pada periode t
𝐹𝑡= Nilai peramalan pada periode t N = Jumlah data

2. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) menyatakan persentase kesalahan hasilperamalan
terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi
persentase kesalahan. MAPE dirumuskan seperti pada persamaan 2.8.
∑ ×100%
……………………
𝑋𝑡
(2.8)
𝑀𝐴𝑃𝐸 =
N

9
Keterangan:
𝑋𝑡= Nilai aktual pada periode t
𝐹𝑡= Nilai peramalan pada periode t N = Jumlah data

Penggunaan MAPE pada evaluasi hasil peramalan dapat menghindari pengukuranakurasi

terhadap besarnya nilai aktual dan nilai peramalan. Kriteria nilai MAPE ditunjukkanpada
Tabel 2.1. (Chang et al., 2007)
Tabel 2. 1. Kriteria MAPE.
No Nilai MAPE Kriteria
1 < 10% Sangat Baik
2 10 % - 20% Baik
3 20% - 50% Cukup
4 > 50% Buruk

3. Root Mean Squared Error (RMSE)

RMSE dapat berkisar dari 0 hingga ∞. RMSE dapat berorientasi negatif dimana nilai
yang lebih rendah menunjukkan nilai yang lebih baik. Jika nilai RMSE lebih kecil, hal ini
berarti bahwa nilai yang diprediski dekat dengan nilai yang diamati atau observasi, dan
sebaliknya.

Keterangan:

RMSE = nilai root mean square error

y = nilai hasil observasi
ŷ = nilai hasil prediksi
i = urutan data pada database
n = jumlah data

Nilai RMSE rendah menunjukkan bahwa variasi nilai yang dihasilkan oleh suatu
model prakiraan mendekati variasi nilai obeservasinya. RMSE menghitung seberapa
berbedanya seperangkat nilai. Semakin kecil nilai RMSE, semakin dekat nilai yang
diprediksi dan diamati.

2.5. Metode Pengembangan Sistem

Metode pengembangan sistem yang digunakan dalam pengembangan perangkat lunak ini
adalah waterfall. Metode ini merupakan model klasik yang bersifat sistematis, berurutan
dalam membangun sebuah software (Pressman, 2010). Lima tahap MetodeWaterfall yaitu:
1. Analisis Kebutuhan
Tahap ini pengembangan sistem diperlukan komunikasi yang bertujuan untuk memahami
perangkat lunak yang diharapkan oleh pengguna dan batasan perangkat lunak tersebut.
Informasi ini biasanya dapat diperoleh melalui wawancara, diskusi atau survei langsung.
Informasi dianalisis untuk mendapatkan data yang dibutuhkan.
2. Perancangan Sistem
Spesifikasi kebutuhan dari tahap sebelumnya akan dipelajari dalam fase ini dan desain
sistem disiapkan. Desain sistem membantu dalam menentukan perangkat keras (hardware)
dan sistem persyaratan dan juga membantu dalam mendefiniskan arsitektur sistem secara

10
 keseluruhan.
3. Implementasi
Pada tahap ini, sistem pertama kali dikembangkan di program kecil yang disebut unit, yang
terintregrasi dalam tahap selanjutnya. Setiap unit dikembangkan dan diuji untuk
fungsionalitas yang disebut unit testing.
4. Pengujian Sistem
Seluruh unit yang dikembangkan dalam tahap implementasi diintegrasikan ke dalam sistem
setelah pengujian yang dilakukan masing-masing unit. Setelah itegrasi seluruh sistemdiuji
untuk mengecek setiap kegagalan maupun kesalahan.
5. Pemeliharaan
Tahap akhir dalam model waterfall, perangkat lunak yang sudah jadi, dijalankan serta
dilakukan pemeliharaan. Pemeliharaan termasuk dalam memperbaiki kesalahan yang tidak
ditemukan pada langkah sebelumnya. Perbaikan implementasi unit sistem dan peningkatan
kesalahan sistem sebagai kebutuhan baru. Tetapi dalam penelitian ini hanya sampai pada
tahap pengujian.

2.6. Studi Pustaka

Studi pustaka merupakan kegiatan mengumpulkan informasi dari literatur-literatur yang
berkaitan dengan penelitian yang dilakukan. Adapun jurnal-jurnal yang dijadikan referensi
dalam penelitian ini.
Tabel 2. 2. Penelitian-penelitian sebelumnya
No Judul/Penelitian Isi Penelitian Research Gap
1 Analisa Prediksi Penyewaan Alat Penelitian ini bertujuan menganalisa hasil Penelitian berbasis
Transportasi Menggunakan Metode peramalan terhadap pola data time series, analisa.Metode
Single Exponential Smoothing (Studi mencari nilai terbaik dari tiap-tiap peramalan SES.
Kasus: Pt Sedona Holidays Medan). parameter yang digunakan. Akurasi peramalan
(Ika & Situmorang, 2015) MSE.
2 Sistem Peramalan Peminjaman Buku Tujuan penelitian ini meramalkan suatu Penelitian membuat
Per Bidang Di Perpustakaan Daerah data pada periode yang akan datang aplikasi. Metode
Jember Menggunakan Metode sehingga dapat dijadikan sebagai cara peramalan SES dan DES
Double Exponential Smoothing. dalam menentukan kemungkinan yang brown. Membandingkan
(Febriansyah et al., 2013) akan terjadi pada peningkatan jumlah metode peramalan.
peminjam buku di perpustakaan. objek dan konsep
penelitianberbeda.

Tabel 2. 3. Penelitian-penelitian sebelumnya (lanjutan)

3 Peramalan Penjualan Makanan
Ringan Dengan Metode Single
Exponential Smoothing.
(Qamal, 2016)
4 Perbandingan Double Moving
Average dan Double Exponential
Smoothing untuk Peramalan Jumlah
Kedatangan Wisatawan Mancanegara
di Bandara Ngurah Rai.
(Hudiyanti et al., 2019)
penelitian ini bertujuan meramalkan Penelitian membuat
penjualan makanan ringan, untuk aplikasi web.Metode
keperluan persiapan persediaan bahan peramalan SES.
baku produksi. Metode yang diganakan Akurasi peramalan
yaitu SES dengan pengukuran MSE dan menggunakanMSE dan
MAPE MAPE
penelitian ini bertujuan meramalkan Penelitian membuat
jumlah kedatangan wisatawan aplikasi web.Metode
mancanegara di bandara gusti ngurah rai, peramalan DMA dan DES
hasil penelitian ini memproyeksikan holt
jumlah pengunjung wisatawan untuk Akurasi peramalan MAPE.
keperluan pembesaran kapasitas bandara. Objek dan konsep
penelitianberbeda.

11
5 Implementasi Peramalan Double penelitian ini bertujuan mecari pola dari Penelitian membuat
Exponential Smoothing Pada Kasus kasus kekerasan tertentu yang akan aplikasidesktop.
Kekerasan Anak Di Pusat Pelayanan dijadikan sebagai bahan evaluasi untuk Metode peramalan
Terpadu Pemberdayaan Perempuan Dan sosialisasi kedepannya. Dengan cara DES holtAkurasi
Anak. membandingkan hasil peramalan SES dan peramalan MSE.
(Fajri & Johan, 2017) DES holt. Objek dan kasus
penelitian berbeda.
6 Penerapan Metode Double Penelitian ini bertujuan memanfatkan Penelitian membuat
Exponential Smoothing Pada hasil peramalan sebagai acuan dalam aplikasi web.Metode
Peramalan Produksi Tanaman menentukan kebijakan strategis pangan, peramalan DES holt
Pangan. untuk memaksimalkan kebijakan. Metode Akurasi peramalan PE dan
(Ariyanto et al., 2010) peramalan menggunakan DES Holt SSE Objek dan
dengan akurasi peramalan menggunakan kasuspenelitian berbeda.
PE dan SSE
7 Peramalan Menggunakan Metode Penelitian ini bertujuan membandingkan Penelitian bersifat analisa.
Double Exponential Smoothing Dan nilai peramalan DES brown dan DES holt Perbandingan metode
Verifikasi Hasil Peramalan untuk mencari nilai terbaik, pencarian peramalan.Metode
Menggunakan Grafik Pengendali nilai terbaik menggunakan verifikasi peramalan DES brown
Tracking Signal. grafik tracking signal. dan DES holt. Akurasi
(Habsari et al., 2020) peramalanMAPE.
Verikasi peramalan
Tracking Signal, Objek,
konsepdan kasus
penelitian berbeda.
8 Metode Exponential Smoothing Penelitian bertujuan untuk Penelitian bersifat
Dalam Memproyeksikan Jumlah memproyeksikan jumlah penduduk analisa.
Penduduk Miskin Di Nusa Tenggara miskin di NTB. Peramalan yang Perbandingan ES
Barat. digunakan yaitu seluruh metode Akurasi peramalan
(Rosa & Alan, 2019) exponential smoothing, dengan cara MAD, MSE,RMSE dan
membandingkan hasil-hasil metode. MAPE.
Objek, konsep
dan kasus
penelitian
berbeda.
9 Peramalan Permintaan Toza Juice Tujuan dari penelitian ini yaitu Penelitian bersifat analisa.
Strawberry Sebagai Dasar Penentuan membandingkan metode ARIMA dan ES Metode peramalan MA,
Kebutuhan Persediaan Bahan Baku. dengan menggunakan nilai MSE, MAD, ARIMA dan ES. Akurasi
(Mulyani et al., 2014) MAPE. Dengan harapan mendapatkan peramalan MSE,MAD,
metode yang sesuai untuk kasus ini. MAPE.
Objek, konsep
dan kasus
penelitian
berbeda.
10 Perancangan Sistem Informasi Tujuan penenlitian ini merancang dan Penelitian membuat
Aplikasi Rental Mobil Menggunakan membangun sistem informasi rental sisteminformasi
Java Netbeans dan MySQL Pada mobil berbasis aplikasi desktop rental mobil.
Perusahaan Dean’s Car Rent. menggunakan databse MySql. Berbasis web
(Ardian et al., 2018) menggunakanMySql
11 Analisis Metode Single Exponential Tujuan penelitiann ini menganalisis Penelitian bersifat
Smoothing Dengan Brown peramalan penjualan produk di apotek analisa. Metode
Exponential Smoothing Pada Studi menggunakan metode Single Exponential peramalan DES holt dan
Kasus Memprediksi Kuantiti Smoothing dan Brown Exponential DES brown.
Penjualan Produk Farmasi di Apotek. Smoothing. Berbasis data mining. Hasil Membandingkan
(Gustriansyah, 2017) peramalan dibandingkan menggunakan metode
MAPE dan MAD peramalan.
Objek, kasus dan
konseppenelitian
berbeda.

12
BAB III METODOLOGI PENELITIAN

3.1. Metodologi Penelitian

Metode penelitian yang digunakan dalam penelitian ini bersifat penelitian kuantitatif.
Penelitian kuantitatif yaitu suatu proses menemukan pengetahuan yang menggunakan data
berupa angka sebagai alat menganalisis keterangan mengenai apa yang ingin diketahui.
(Kasiram, 2008). Metode pengumpulan data yang digunakan dalam penelitian ini terdiri dari
dua tahap, yaitu tahap studi literatur dan pengambilan data primer. Studi literatur yang
dibutuhkan sesuai dengan permasalahan yang diperoleh. Kemudian dilanjutkan dengan
pengambilan data primer berupa data rekap persewaan kamera.

3.1.1. Studi Literatur

Studi literatur merupakan pengumpulan data dan informasi yang bersumber dari buku- buku,
jurnal maupun internet tentang teori yang berhubungan dengan peramalan persewaan alat
dan metode peramalan pemulusan ganda dua parameter dari holt. Adapun buku yang
dijadikan referensi yaitu buku dari Makridakis, & dkk, dengan judul Metode dan Aplikasi
Peramalan. Serta jurnal-jurnal yang berkaitan dengan judul yang dikerjakan untuk
menyelesaikan skripsi. Adapun jurnal yang terkait sebagai berikut:
Penelitian dengan judul “Analisa Prediksi Penyewaan Alat Transportasi Menggunakan
Metode Single Exponential Smoothing (Studi Kasus: Pt Sedona Holidays Medan)” (Ika &
Situmorang, 2015). Penelitian dilakukan di Perusahaan PT Sedona Holidays Medan
merupakan suatu agen biro perjalanan wisata yang menyediakan jasa penyewaan alat
transportasi yang sudah memiliki cukup banyak pelanggan. Namun data penyewaan tersebut
belum dimanfaatkan atau diolah dengan baik. sehingga peneliti membuat system untuk
meramalkan penyewaan alat transportasi tersebut. meramalkan penyewaan alat transportasi
jenis mobil apa yang akan dibenahi sesuai dengan inputan parameter yang akan dimasukkan
sehingga dapat memaksimalkan dalam pengambilan keputusan. Hasil dari proses peramalan
ini adalah prediksi dari penyewaan alat transportasi jenis mobil apa yang akan dibenahi
sesuai dengan inputan parameter yang akan dimasukkan. Hasil peramalan akan
menghasilkan ramalan yang akurat, tepat waktu, dan dapat dimengerti oleh pengguna
sehingga bisa digunakan dalam pengambilan suatu keputusan oleh manajemen mengenai
penyewaan alat transportasinya. penerapan metode Single Exponential Smoothing ini
perbandingan nilai peramalan yang akurat dengan yang tidak akurat.
Penelitian dengan judul “Perancangan Sistem Informasi Aplikasi Rental Mobil
Menggunakan Java Netbeans dan MySQL Pada Perusahaan Dean’s Car Rent”(Ardian et al.,
2018). Dean’s Car Rent adalah salah satu perusahaan penyewaan kendaraan mobil dengan
permintaan dari pelanggan yang cukup tinggi, sehingga berdampak pada proses pengolahan
data transaksi yang cenderung tidak akurat, juga lambat dalam proses pengolahannya.
membantu perusahaan untuk mengelola data penyewaan secara digital di dekstop dalam
bentuk pencatatan transaksi dan pembuatan laporan. Hal tersebut

13
dikarenakan pemesanan masih dilakukan secara manual. Perancangan sistem informasi
dengan bahasa pemrograman java dengan menggunakan software Netbeans dan
menggunakan database MySQL dapat memberikan manfaat dalam mengelola data transaksi
secara lebih efektif dan efisien.

1. Penelitian dengan judul “Sistem Peramalan Peminjaman Buku Per Bidang Di

Perpustakaan Daerah Jember Menggunakan Metode Double Exponential Smoothing”
(Febriansyah et al., 2013). Penelitian dilakukan di perpustakaan daerah Jember karena pada
perpustkaan tersebut memiliki frekuensi yang berbeda – beda untuk jumlah peminjam buku
setiap bulannya. Sehingga untuk kelancaran proses pinjam- meninjam buku di perlukan
penelitian untuk mengetahui jumlah peminjam buku di masa mendatang, sehingga stock
buku yang tersedia tidak mengalami kendala. Untuk meramalkan suatu data pada periode
yang akan datang sehingga dapat dijadikan sebagai cara dalam menentukan kemungkinan
yang akan terjadi pada peningkatan jumlah peminjam buku di perpustakaan. Hasil peramalan
peminjaman dengan metode double exponential smoothing menghasilkan nilai yang
optimal, dengan nilai MAPE dibawah 20%, nilai alpha 0.5, dan nilai rata-rata kesalahan
terkecil selama 1 tahun 6,88 %. sehingga Metode double exponential smoothing terbukti
mampu meramalkan data yang bersifat data trend.

2. Penelitian dengan judul “Peramalan Penjualan Makanan Ringan Dengan Metode

Single Exponential Smoothing ”(Qamal, 2016). PT. Alam Jaya Wirasentosa merupakan
sebuah usaha yang menjual berbagai macam makanan ringan. Ada beberapa kendala yang
terjadi pada perusaahan ini yaitu jumlah penjualan setiap bulan naik turun, dikarenakan
jumlah kebutuhan kosumen yang dipengaruhioleh ekonomi dan produk baru yang
menyebabkan kerugian karena stok barang kadaluarsa. sehingga perlu adanya peramalan
jumlah barang terjual bulan depan per produk atau per jenis barang. tujuan dari peramalan
untuk waktu jangka pendek-panjang yaitu Menentukan kuantitas dan waktu dari item
dijadikan produksi, Menentukan kuantitas dan waktu dari kapasitas produksi, Merencanakan
kuantitas dan waktu dari fasilitas produksi. Hasil peramalan dengan metode single
exponential smoothing di PT. Alam Jaya Wirasentosa mampu meningkatkan kinerja menjadi
lebih efisien dan efektif. Selain itu pengolahan data menjadi lebih cepat dan akurat. sehingga
mempermudah perusahaan dalam mempersiapkan jumlah stok barang.

3. Penelitian dengan judul “Perbandingan Double Moving Average dan Double

Exponential Smoothing untuk Peramalan Jumlah Kedatangan Wisatawan Mancanegara di
Bandara Ngurah Rai” (Hudiyanti et al., 2019). data didapatkan dari website resmi Badan
Pusat Statistik (BPS) yaitu data Jumlah Kunjungan Wisatawan Mancanegara per Bulan ke
Indonesia Menurut Pintu Masuk dari Januari 2008 – Desember 2017. tujuannya untuk
meramalakan jumlah kedatngan wisatawan mancanegra dengan memilih metode paling
baik. hasil peramalan menunjukan metode Double Exponential

14
Smoothing merupakan metode yang sangat baik untuk melakukan peramalan karena nilai
dari MAPE adalah dibawah 10.
4. Penelitian dengan judul “Implementasi Peramalan Double Exponential Smoothing
Pada Kasus Kekerasan Anak Di Pusat Pelayanan Terpadu Pemberdayaan Perempuan Dan
Anak” (Fajri & Johan, 2017). Tingginya kasus kekerasan pada anak dewasa ini semakin
meningkat. Diantara kasus kekerasan pada anak yaitu penyiksaan fisik, pelecehan seksual,
dan penelantaran. Setiap tahun kekerasan pada anak semakin meningkat denganpola perilaku
yang berbeda-beda. Untuk meramalkan meningkat atau menurunnya pola kekerasan pada
anak selama 5 tahun mendatang dibutuhkan sebuah peramalan berbasissystem inhalamanasi.
Hal ini dilakukan untuk mempersiapkan segala hal yang dibutuhkan untuk menangani kasus
kekerasan pada masa yang mendatang. diharapkan dapat mengantisipasi tindak kekerasan
yang terjadi pada anak dengan melihat data peramalan sebelumnya. hasil peramalan
menggunakan metode double exponential smoothing dapat meingkatkan kinerja lebih efektif
dan efisien, sehingga dapat memprediksikan jumlah kekerasan dan daerah yang sering
terjadi kekerasa. Laporan yang dihasilkan berupah laporan data kekerasan dari tiga jenis
kekerasan yaitu Fisik, KDRT/Traumatic, dan Pelecehan Seksual, Selanjutnya MSE dan
RMSE untuk menghitung nilai error terkecil.

5. Penelitian dengan judul “Penerapan Metode Double Exponential Smoothing Pada

Peramalan Produksi Tanaman Pangan” (Ariyanto et al., 2010). Kebutuhan pangan
bertambah seiring pertambahan jumlah penduduk. Jumlah produksi pangan yang tidak
menentu menjadi suatu masalah bagi Badan Ketahanan Pangan (BKP) Provinsi Jawa Timur
dalam menentukan kebijakan mendatang. Serta kesulitan dalam memprediksi konstribusi
produksi tanaman pangan Jawa Timur terhadap Nasional. Sehingga perlu dibangun suatu
sistem peramalan untuk mengetahui tingkat produksi tanaman pangan di masa mendatang
sesuai dengan hasil panen dan dapat menjadi acuan untuk mengetahui produksi tanaman
pangan mana yang harus ditingkatkan lagi agar jumlah tanaman pangan dapat meningkat
kedepannya. hasil peramalan dapat digunakan untuk mengetahui prediksi pada masa
mendatang, sehingga dapat membantu Badan Ketahanan Pangan Provinsi Jawa Timur untuk
menentukan pengambilan kebijakan kedepannya. Semakin panjang range waktu yang
digunakan untuk meramal, maka akanmengasilkan peramalan yang cenderung menghasilkan
nilai MAPE yang kecil.

6. Penelitian dengan judul “Peramalan Menggunakan Metode Double Exponential

Smoothing Dan Verifikasi Hasil Peramalan Menggunakan Grafik Pengendali Tracking
Signal” (Habsari et al.,2020). meramalkan Data IHK di Provinsi Kalimatan Timur yang
merupakan Indeks untuk menghitung rata-rata perubahan harga dari suatu paket barangdan
jasa yang dikonsumsi oleh rumah tangga dalam kurun waktu tertentu. IHK sebagai indikator
yang digunakan untuk mengukur tingkat inflasi, sehingga hasil nilai peramalan dari data
IHK menjadi penting untuk dasar pengambilan kebijakan ekonomi dari pemerintah terkait.
tujuan dari penelitian ini adalah memperoleh hasil peramalan menggunakan metode double
exponential smoothing terbaik. Hasil peramalan menunjukkan bahwa metode double

15
exponential smoothing dari Holt merupakan yang terbaik dengan nilai MAPE terkecil sebesar
0,361% dan hasil grafik pengendali trackingsignal dari model peramalan tersebut menunjukkan tidak
ada nilai tracking signal yangkeluar dari batas kontrol, sehingga hasil tersebut layak digunakan dalam
meramalkan data IHK Provinsi Kalimantan Timur. Hasil peramalan untuk IHK Provinsi Kalimantan
Timur dari Bulan Maret hingga Bulan Mei Tahun 2019 menggunakan metode double exponential
smoothing dari Holt dengan parameter a= 0, 9 dan y= 0,1 pada Bulan Maret Tahun 2019 sebesar
139,574, pada Bulan April Tahun 2019 sebesar 139,914, dan untuk Bulan Mei Tahun 2019 sebesar
140,254.
7. Penelitian dengan judul “Metode Exponential Smoothing Dalam Memproyeksikan
Jumlah Penduduk Miskin Di Nusa Tenggara Barat”(Rosa & Alan, 2019). Kemiskinan terus
menjadi masalah fenomenal sepanjang sejarah bangsa Indonesia. Kemiskinan pada negara
yang sedang berkembang pertumbuhan ekonominya merupakan masalah yang cukup rumit
meskipun negara telah berhasil melaksanakan pembangunan dalam hal produksi dan
pendapatan nasional. oleh karena itu dilakukan analisis peramalan mengenai angka
kemiskinan di Nusa Tenggara Barat di masa kedepan sebagai gambaran untuk pemerintah
dalam melaksanakan program. bertujuan untuk memproyeksi jumlah penduduk miskin di
NTB pada tahun 2019 dengan menggunakan metode terbaik. Hasil peramalan Penduduk
Miskin di NTB tahun 2019 menggunakan metode ES diperoleh hasil analisis tingkat forecast
error menggunakan indicator MAD, MSE, MRSE, dan MAPE. Metode yang paling cocok
adalah metode Double Exponential Smoothing Holtskarena pola fluktasi data Kemiskinan
Penduduk NTB dalam Grafik Scratter terlihat pola trend. Dengan demikian, Proyeksi
Kemiskinan Penduduk NTB untuk tahun 2019 adalah sebesar 695399.7633 Jiwa.

8. Penelitian dengan judul “Peramalan Permintaan Toza Juice Strawberry Sebagai

Dasar Penentuan Kebutuhan Persediaan Bahan Baku”(Mulyani et al., 2014). PT. Amanah
Prima Indonesia diketahui tidak memiliki divisi PPIC dalam manajemen perusahaannya.
Selain itu, penentuan kebutuhan persediaan bahan baku yang dilakukanoleh perusahaan tidak
berpacu dari hasil ramalan permintaan produk. PT. Amanah Prima Indonesia pernah
mengalami kekurangan persediaan bahan baku stroberi pada awal tahun 2017 yang
berlangsung selama beberapa bulan. sehingga perlu dilakukan penelitian terkait metode
peramalan permintaan TOZA Juice Strawberry yang tepat dan akurat di masa mendatang
sehingga dapat membantu mengambil keputusan untuk menentukan kebutuhan persediaan
bahan baku. Mengetahui metode peramalan permintaan produk yang dilakukan oleh PT.
Amanah Prima Factory, Tangerang. Metode peramalan terbaik untuk diterapkan di PT.
Amanah Prima Indonesia dalam meramalkan jumlah permintaan TOZA Juice Strawberry
Squash Pasteurisasi RTD periode Mei 2018-April 2019 secara tepat dan akurat adalah
menggunakan metode ARIMA dengan nilai MSE lebih kecil dibandingkan dengan metode
DES (Holt). Hasil ramalan permintaan TOZA Juice Strawberry Squash Pasteurisasi RTD
periode Mei 2018-April 2019 dapat dijadikan acuan dalam pengambilan keputusan di PT.
Amanah Prima Indonesia untuk menentukan kebutuhan persediaan puree stroberi secara
optimalmenggunakan metode min-max stock.

16
9. Penelitian dengan judul “Analisis Metode Single Exponential Smoothing Dengan
Brown Exponential Smoothing Pada Studi Kasus Memprediksi Kuantiti Penjualan Produk
Farmasi di Apotek”(Gustriansyah, 2017). Pada penelitian ini membahas analisisperamalan
penjualan produk di apotek menggunakan metode Single Exponential Smoothing dan Brown
Exponential Smoothing. Gap pada penelitian ini terletak pada objek penelitiannya dan
jumlah metode yang digunakan, serta konsep peramalannya berbasis data mining.

3.1.2. Pengumpulan Data

Data primer yang digunakan dalam penelitian ini bersumber langsung dari Jogjakamera.Data
yang diambil adalah data unit alat persewaan dan data rekap bulanan yang tersedia di
Jogjakamera. Data info unit alat persewaan adalah data tentang informasi alat-alat yang
disewakan. Sedangkan data rekap yang tersedia adalah file excell rekap bulanan peminjaman
alat kamera. Kemudian data rekap dinormalisasikan kedalam format csv. Data yang
digunakan dalam penelitian ini menggunakan data rekap dari bulan Januari 2020 sampai
Desember 2020.

3.2. Analisis Masalah

Jogjakamera merupakan toko yang bergerak dalam jasa persewaan peralatan kamera. Jika
dilihat dari data transaksi penyewaan sebelumnya Jogjakamera mempunyai cukup banyak
pelanggan yang berada di dalam maupun di luar Yogyakarta. Data rekap persewaan di
Jogjakamera cukup lengkap baik data rekap bulanan atau tahunan. Namun dalam perusahaan
ini data penyewaan tersebut belum dimanfaatkan atau diolah dengan baik. Pada Jogjakamera
belum ada sistem untuk meramalkan penyewaan alat kamera tersebut. Untuk membuat
sebuah sistem prediksi atau peramalan penyewaan alat kamera tersebut dibutuhkan sebuah
metode peramalan yang baik dan perhitungan yang cukup tepat untuk memprediksi peralatan
kamera apa yang sering terjadi dalam transaksi. Salah satu caranya dengan melakukan
peramalan atau perkiraan. Salah satu metode peramalan yang sesusai dalam studikasus ini
yaitu metode peramalan kuantitaif model exponential smoothing. Untuk merealisasikan
metode peramalan ini berjalan dengan baik maka akan dikembangakan dalam bentuk
aplikasi berbasis web.

3.3. Metode Pengembangan Sistem

Metode pengembangan sistem yang digunakan dalam penelitian ini menggunakanmetode
pengembangan sistem waterfall (siklus air terjun). Metode ini akan digunakan sebagai acuan
pengembangan sistem dalam penelitian tentang aplikasi peramalan jumlah persewaan kit
kamera menggunakan metode pemulusan ganda dua parameter dari holt. Metode waterfall
adalah metode yang menyarankan sebuah pendekatan yang sistematis dansekuensial melalui
tahapan - tahapan yang ada pada Software Development Life Cycle (SDLC) untuk
membangun sebuah perangkat lunak. Model ini melakukan pendekatan secarasistematis dan
urut mulai dari level kebutuhan sistem lalu menuju ke tahap analisis kebutuhan sistem,
desain sistem, implementasi dan pengujian unit, pengujian sistem dan

17
perawatan sistem (Pressman, 2010). Metode pengembangan sistem waterfall dapat
digambarkan seperti Gambar 3.1.

Gambar 3. 1. Alur metode pengembangan sistem waterfall, pressmana (2010).

Berikut ini adalah tahapan implementasi metode waterfall pada pembangunan sistem
aplikasi peramalan persewaan kit kamera untuk toko jogjakamera:
1. Tahapan metode waterfall yang pertama analisis kebutuhan, proses ini merupakan
tahapan analisis dan definisi persyaratan, pelayanan, batasan, dan tujuan sistem ditentukan
melalui konsultasi dengan sistem. Persyaratan ini kemudian didefiniksikan secera rinci dan
berfungsi sebagai spesifikasi sistem.
2. Kedua tahapan perancangan sistem dan perangkat lunak. Proses perancangan sistem
merupakan proses menterjemahkan tahap analisis yang dilakukan sebelumnya ke dalam
bentuk rancangan sebelum pembuatan program berupa perancangan antarmuka, serta
membagi persyaratan dalam sistem perengkat keras atau perangkat lunak, kegiatan ini
menentukan arsitektur sistem secara keseluruhan. Perancangan perangkat lunak melihat
identifikasi dan diskripsi abtraksi sistem perangkat lunak yang mendasar dan hubungan –
hubungannya.
3. Ketiga implementasi dan pengujian unit, pada proses ini perancangan perangkat
lunak direalisasikan sebagai serangkaian program atau unit program. Pengujian unit
melibatkanverifikasi bahwa setiap unit telah memenuhi spesifikasi.
4. Keempat yaitu tahap integrasi dan pengujian sistem, unit program atau program
individual di integrasikan dan diuji sebagai sistem yang lengkap. Pada tahap pengujian
program (coding) yang telah dibuat untuk diimplementasikan ke aplikasi yang telah
dirancang untuk menjamin bahwa persyaratan sistem telah terpenuhi.
5. Terakhir adalah tahapan operasi dan pemeliharan, biasanya ini merupakan fase siklus
hidup yang paling lama sistem diinstal dan dipakai, pemeliharaan mencakup koreksi dari
berbagai error yang tidak ditentukan pada tahap - tahap terdahulu, perbaikan atas
implementasi unit sistem dan pengembangan sistem, sementara persyaratan - persyaratan
baru ditambah.

18
3.4. Analisis Kebutuhan Sistem
Setelah tahap pengumpulan data dan analisis masalah, langkah selanjutnya adalah
menganalisa hal-hal yang berhubungan dengan sistem yang akan dibangun. Analisa
kebutuhan sistem berkaitan dengan mengindentifikasi kebutuhan dalam suatu penelitian.
Untuk menghasilkan aplikasi peramalan penjualan obat di apotek, melibatkan beberapa
perangkat keras (Hardware) dan perangkat lunak (Software).
A. Perangkat keras (Hardware) yang dibutuhkan dalam penelitian ini setidaknya
memiliki spesifikasi sebagai berikut:
1. Komputer dengan layar 21 inch
2. CPU dengan spesifikasi Proccesor Intel Core i5 2,4 GHz, Hard Disk dengan
kapasitas 1 TB, RAM dengan kapasitas 4 GB DDR4
B. Perangkat lunak (Software) yang dibutuhkan dalam penelitian ini antara lain:
1. Sublime Text aplikasi untuk menulis program (Coding)
2. Xampp aplikasi untuk web server
3. MySql aplikasi untuk manajemen basis data
4. Draw.Io aplikasi untuk merancang DFD, RAT, ERD dan Flowchart, Antar Muka
5. Microsoft Word dan Excel aplikasi untuk penyusunan laporan

3.5. Perancangan Sistem

Dalam perancangan sistem diperlukan langkah identifikasi kebutuhan sistem, dalam halini
penting dilakukan agar aplikasi yang dirancang sesuai kebutuhan. Dalam perancangan
sistem yang akan dibangun terdiri dari Perancangan Arsitektur Sistem, Data Flow Diagram
(DFD), Entity Relationship Diagram (ERD), Basis Data, Relasi Antar Tabel (RAT), dan
userinterface. Perancangan sistem ini bertujuan untuk memberikan gambaran umum tentang
aplikasi yang akan dibuat.

3.5.1. Arsitektur Sistem

Arsitektur aplikasi merupakan gambaran proses yang sedang berjalan. Berikut inimerupakan
arsitektur dari aplikasi peramalan kit kamera untuk mengantisipasi lonjakan permintaan
menggunakan pemulusan ganda dua parameter dari holt.

Gambar 3. 2. Arsitektur sistem aplikasi peramalan sewa kit kamera

19
Pada arsitektur sistem yang dibangun akan terdiri dari beberapa komponen yaitu pengguna,
komputer dan database. Pengguna dalam sistem ini adalah manajer dan admin. Pembagian
hak akses seperti pada tabel 3.1.

Tabel 3. 1. Pembagian hak akses pengguna

No Halaman Manajer Admin Keterangan
1 Halaman kategori dan merek CRUD CRUD
2 Halaman olah data unit CRUD CRUD
3 Halaman rekap data CRUD CRUD
4 Halaman peramalan R - Manajer memilih unit yang akan diramalkan
5 Halaman data user CRUD -

3.5.2. Data Flow Diagram

Pada perancangan Data Flow Diagram yang dilakukan dari DFD level 0, DFD level 1 dan
DFD level 2.
A. DFD Level 0
DFD level 0 merupakan gambaran garis besar dari proses sistem yang akan dibangun.
Pada DFD Level 0, terdapat 2 entitas eksternal yaitu entitas manajer dan admin, serta
terdapat satu buah proses yaitu sistem peramalan persewaan kit kamera. Terdapat 14 alur
data dari manajer ke sistem, 7 alur masuk berupa aksi input, update, deleted dan 7 alur keluar
dari sistem menuju manajer berupa informasi hasil dari setiap aksi. Serta terdapat 10alur data
dari admin ke sistem, 5 alur masuk berupa aksi input, update, deleted dan 5 alur keluar dari
sistem menuju admin berupa informasi hasil dari setiap aksi. DFD Level 0 dapatdilihat pada
Gambar 3.3.

Gambar 3. 3. DFD level 0 sistem aplikasi peramalan sewa kit kamera

20
B. DFD Level 1
DFD level 1 merupakan turunan dari proses DFD level 0. Pada proses DFD level 1 ini dibagi
menjadi lima proses yaitu proses login, olah data, rekap data, dan peramalan. DalamDFD
level 1 ini terdapat item database berupa tabel data untuk menampung data dari setiapproses.
Entitas manajer berhak mengakses semua proses. Sedangkan entitas admin hanya terdapat 4
akses yaitu proses login, olah data, dan rekap data. Prose login yaitu proses pengguna masuk
kedalam sistem. Proses olah data yaitu proses berlangsungnya aksi (create, update, delete)
pada suatu proses setiap tabel database. Proses rekap data merupakan prosesmerekap data
penyewaan pada setiap bulan. Proses peramalan merupakan proses inti dari sistem ini, proses
dimana manajer mendapatkan info hasil peramalan dengan cara memilih nama unit yang
akan diramalkan dan memilih set periode peramala. Pada DFD level 1 proses olah data
mempunyai turunan kedalam DFD level 2.

Gambar 3. 4. DFD level 1 proses-proses aplikasi peramalan sewa kit kamera

21
C. DFD Level 2
Pada DFD level 2 proses olah data merupakan turunan dari DFD level 1 pada proses olah
data. Pada DFD level 2 ini terdapat lima sub proses yaitu olah data user, olah data kategori,
olah data merek, dan olah data unit. Enititas manajer dapat mengakses semua proses, kecuali
admin tidak dapat mengakses proses olah data user. Dalam DFD level 2 ini terdapat 4 tabel
yang digunakan yaitu tabel user, tabel kategori, tabel merek, dan tabel unit.Proses olah data
user merupakan proses aksi (create, update, delete) untu database tabel user, proses bagian
ini hanya bisa diakses manajer. Proses olah data kategori merupakan proses aksi (create,
update, delete) untu database tabel kategori. Proses olah data merek merupakan proses aksi
(create, update, delete) untu database tabel merek. Proses olah data unit merupakan proses
aksi (create, update, delete) untu database tabel unit.

Gambar 3. 5. DFD level 2 pada proses olah data

22
3.5.3. Flowchart Metode Pemulusan Ganda Dua Parameter Holt
Tahapan flowchart metode pemulusan ganda dua parameter dari holt yang digunakandalam
penelitian ini sebagai berikut:
1. Pertama memilih objek yang akan diramalkan kemudian set panjang data peramalan
2. Menginisiasi nilai yang suda dipilih dan variabel yang akan digunakan
3. Mencari nilai pemulusan periode pertama dan trend periode pertama
4. Menginisiasi nilai alpha (a = 0.1 to 0.9)
5. Menginisiasi beta (b = 0.1 to 0.9)
6. Menginisiasi panjang data (t = 1 to N)
7. Mencari nilai pemulusan periode (a)(b)(t), misal periode (a=0.1),(b=0.1),(t=1),
periode(a=0.1),(b=0.1),(t=2) sampai (a=0.9),(b=0.9),(t=n)
8. Mencari nilai trend periode (a)(b)(t)
9. Mencari nilai asil peramalan periode (a)(b)(t)
10. Mencari nilai Error, Absolute Error, Percentage Error, MAPE, dan MAD. (sub
prosesMAPE)
11. Kembali ke langkah 6,7,8,9,10,11 melanjutkan ke periode berikutnya, jika t=n lanjut
kelangkah 12
12. Kembali ke langkah 5,6,7,8,9,10,11 melanjutkan nilai beta berikutnya, jika b=0.9
lanjutke langkah 13
13. Kembali ke langkah 4,5,6,7,8,9,10,11 melanjutkan nilai alpha berikutnya, jika
nilaialpha lebih dari a=0.9 lanjut ke langkah 14
14. Menampilkan hasil peramalan
15. Selesai.

Gambar flowchart metode pemulusan ganda dua parameter dari holt yang
digunakan dalam penelitian ini seperti pada Gambar 3.6.

23
Gambar 3. 6 Flowchart metode pemulusan ganda dua parameter dari holt

24
Flowchart sub proses (MAPE) perhitungan MAPE, MAD, Error, Absolute Error,
Percentage Error. Gambar flowchart sub proses perhitungan MAPE ada pada Gambar 3.7.
Perhitungan sub proses MAPE mempunyai beberapa langkah yaitu:
1. Menampung data aktual dan hasil peramalan setiap kombinasi alpha dan beta (Fabt)
= (F a=0.1, b=0.1, t=1), (F a=0.1, b=0.1, t=2), sampai t=n (F a=0.1, b=0.1, t=n),
kemudianlanjut nilai beta (F a=0.1, b=0.2, t=1) sampai (F a=0.1, b=0.9, t=n), lanjut
ke nilai alpha (F a=0.2, b=0.1, t=1), (F a=0.2, b=0.1, t=2) sampai (F a=0.9, b=0.9,
t=n)
2. Menginisiasi variabel yang dibutuhkan.
3. Mencari error (E=abt) pada periode kedua (karena periode pertama tidak ada
nilaiperamalan)
4. Mencari absolute error (AE=abt) dengan cara meng-absolute-kan nilai error (E)
5. Mencari nilai persentase error (PE=abt) dengan cara nilai absolute error
(AE=abt) dibagi dengan data aktual (Xt) pada periode yang sama
6. Mencari nilai MAD dan MAPE sesuai kombinasi alpha dan beta
7. Selesai, kembali ke proses utama peramalan pada Gambar 3.6.

Gambar 3. 7. Flowchart Perhitungan MAPE

25
3.5.4. Entity Relationship Diagram
Pada entitity relationship diagram sistem aplikasi peramal sewa kit kamera ini
mempunyai 5 entitas yaitu entitas kategori, merek, unit, rekap dan user. Terdapat 3 relasi
yaitu relasi antara entitas tabel merek dan entitas tabel unit dengan jenis relasinya 1 ke
banyak. Relasi antara entitas tabel kategori dan entitas tabel unit dengan jenis relasinya 1 ke
banyak. Relasi antara entitas tabel unit dan entitas tabel rekap dengan jenis relasi 1 ke
banyak. Perancangan ERD pada sistem aplikasi peramalan sewa kit kamera sesuai dengan
gambar 3.6.

Gambar 3. 8. Perancangan ERD aplikasi peramalan sewa kit kamera

3.5.5. Tabel database

1. Tabel kategori
Pada tabel kategori mempunyai dua field yaitu field id untuk mengisi primary key padatabel
kategori secara otomatis dan field nama_kategori untuk mengisi nama dari kategori yang
tersedia dalam persewaan kit kamera.
Tabel 3. 2. Perancangan tabel kategori
No. Field Tipe Data Constrain Keterangan
1 Id int (11) not null, primary key untuk mengisi id kategori (otomatis)
2 nama_kategori varchar (15) not null untuk mengisi nama kategori alat

26
2. Tabel merek
Pada tabel merek mempunyai dua field yaitu field id untuk mengisi primary key pada
tabel merek secara otomatis dan field nama_merek untuk mengisi nama dari merek yang
tersedia dalam persewaan kit kamera.
Tabel 3. 3. Perancangan tabel merek
No. Field Tipe Data Constrain Keterangan
1 id int (11) not null, primary key untuk mengisi id merek (otomatis)
3 nama_merek varchar (15) not null untuk mengisi nama merek alat

3. Tabel unit
Pada tabel unit mempunyai empat field yaitu field id untuk mengisi primary key pada
tabel unit secara otomatis, field kategori_id untuk mengisi foreign key dari tabel kategori
sebagai nama kategori dari alat tersebut, field merek_id untuk mengisi foreign key dari tabel
merek sebagai nama merek dari alat tersebut, dan nama_unit untuk mengisi nama dari nama
alat kit kamera tersebut.
Tabel 3. 4. Perancangan tabel unit
No. Field Tipe Data Constrain Keterangan
1 id int (11) not null, primary key untuk mengisi id unit (otomatis)
2 kategori_id int (11) not null, foreign key untuk mengisi foreign key dari tabel
kategori
3 merek_id int (11) not null, foreign key untuk mengisi foreign key dari tabel
merek
4 nama_unit varchar (50) not null untuk mengisi nama alat kamera

4. Tabel rekap
Pada tabel rekap mempunyai lima field yaitu field id untuk mengisi primary key pada
tabel rekap, field unit_id untuk mengisi foreign_key ke tabel unit, field tanggal untuk mengisi
keterangan tanggal pada saat input, field frekuensi untuk mengisi total frekuensi peminjaman
selama sebulan, dan field jam untuk mengisi total jam peminjaman selama sebulan.
Tabel 3. 5. Perancangan tabel rekap
No. Field Tipe Data Constrain Keterangan
1 id int (11) not null, primary key untuk mengisi id rekap (otomatis)
2 unit_id int (11) not null, foreign key untuk mengisi foreign key tabel unit
3 tanggal date not null untuk mengisi tanggal rekap
4 frekuensi int (3) not null untuk mengisi frekuensi peminjaman
5 Jam float not null untuk mengisi total peminjaman

5. Tabel user
Pada tabel user mempunyai 7 field yaitu field id untuk mengisi primary key pada
tabel user secara otomatis, field nama untuk mengisi nama dari pengguna, field username
untuk mengisi username dari pengguna, field password untuk mengisi kata sandi dari
pengguna, field level untuk memilih jenis level pengguna, field waktu_login untuk mengisi
keterangan waktu saat pengguna login ke sistem, dan field waktu_logout untuk mengisi
keterangan waktu saat pengguna logout dari sistem.

27
3. Halaman olah data unit
Pada halaman unit peralatan mempunyai tampilan berupa tabel data unit peralatan.
Tabel unit peralatan bersifat responsif dan mempunyai button tambah, edit dan hapus, dan
fungsi pencarian.

Gambar 3. 16. UI halaman tampilan data unit peralatan

Pada halaman input unit peralatan mempunyai form pop-up dengan button aksi submit
sebagai konfirmasi input data. Isi form berupa pemilihan kategori dengan dropdown,
pemilihan merek dengan dropdown dan label pengisian nama unit peralatan.

Gambar 3. 17. UI halaman tambah data unit peralatan

31
 Pada halaman update unit peralatan mempunyai form pop-up dengan button aksi
update sebagai konfirmasi update data. Isi form berisi nilai-nilai pada data sebelumnya,
kemudian pemilihan kategori dengan dropdown, pemilihan merek dengan dropdown dan
label pengisian nama unit peralatan.

Gambar 3. 18. UI halaman update data unit peralatan

4. Halaman rekap data

Pada halaman rekap data persewaan mempunyai tampilan berupa tabel daftar unit dan
tabel rekap data. Tabel daftar unit bersifat tabel responsif dan mempunyai button tambah dan
detail, dan fungsi pencarian, button detail mempunyai tampilan rancangan seperti gambar
3.18. Tabel rekap data bersifat tabel responsif dan mempunyai button edit dan hapus, dan
fungsi pencarian.

Gambar 3. 19. UI halaman tampilan tabel data rekap persewaan

32
 Pada halaman detail rekap data persewaan mempunyai tampilan berupa tabel detail
daftar rekap data sesuai dengan unit yang dipilih dan form tambah atau update rekap data.
Tabel detail daftar rekap unit bersifat tabel responsif dan mempunyai button update dan
hapus, dan fungsi pencarian.

Gambar 3. 20. UI halaman detail data rekap persewaan

Pada halaman input data rekap persewaan mempunyai form pop-up dengan button aksi
submit sebagai konfirmasi input data. Isi form berupa info unit yang dipilih dan mempunyai
pilihan bulan dan tahun berupa dropdown, label pengisian jumlah frekuensi peminjaman dan
total jam peminjaman dalam sebulan.

Gambar 3. 21. UI halaman tambah data rekap persewaan

33
 Pada halaman update data rekap persewaan mempunyai form pop-up dengan button
aksiupdate sebagai konfirmasi update data. Isi form berupa info unit yang dipilih dengan
membawa nilai-nilai sebelumnya.

Gambar 3. 22. UI halaman update data rekap persewaan

5. Halaman peramalan
Pada halaman awal peramalan mempunyai tampilan berupa tabel dengan isi nama unit
peralatan yang akan diramalkan. Tabel daftar unit bersifat responsif dengan disertai fungsi
pencarian dan button untuk aksi peramalan terhadapa unit yang dipilih.

Gambar 3. 23. UI halaman awal peramalan

34
 Pada halaman hasil peramalan berisikan panel-panel informasi berisikan info unit
yangdiramalkan, keterangan nilai alpha, beta, MAPE dan MAD, serta tersedia fungsi button
untuk aksi lihat detail peramalan. Serta panel untuk mengatur panjang data peramalan yang
digunakan. Pada bagian tabel berisikan 2 nilai peramalan berdasarkan frekuensi atau total
jam. Tabel bersifat descending dan berisikan kolom tanggal, data aktual (frekuensi/total
jam), hasil peramalan, nilai MAD, dan nilai MAPE. Pada bagian bawah terdapat grafik yang
membandingkan nilai aktual dan hasil peramalan.

Gambar 3. 24. UI halaman hasil peramalan

35
 Pada halaman detail peramalan berisikan panel-panel informasi berisikan info unit
yangdiramalkan, keterangan nilai alpha, beta, MAPE dan MAD, serta panel untuk mengatur
panjang data peramalan yang digunakan. Pada bagian tabel berisikan kolom tanggal, data
aktual (frekuensi/total jam), nalai level, nilai trend, hasil peramalan, nilai error, nilai MAD,
dan nilai MAPE. Pada bagian bawah terdapat grafik yang membandingkan nilai aktual dan
hasil peramalan.

Gambar 3. 25. UI halaman detail peramalan

36
6. Halaman olah data user
Pada halaman akun/user peralatan mempunyai tampilan berupa tabel daftar akun/user.
Tabel akun/user peralatan bersifat responsif dan mempunyai button tambah, edit dan hapus,
dan fungsi pencarian. Serta keterangan warna untuk mengetahui akun/user yang sedang aktif

Gambar 3. 26. UI halaman tampil data user

Pada halaman input akun mempunyai form pop-up dengan button aksi submit sebagai
konfirmasi input data.

Gambar 3. 27. UI halaman tambah data akun

37
 Tabel 3. 6. Perancangan tabel user
No. Field Tipe Data Constrain Keterangan
1 id int (11) not null, primary key untuk mengisi id user (otomatis)
2 nama char (20) not null untuk mengisi nama user
3 username varchar (60) not null untuk mengisi username pengguna
4 password varchar (100) not null untuk mengisi password pengguna
5 level enum (admin, not null untuk memilih level pengguna sebagai admin
superadmin) atau superadmin
6 waktu_login timestamp null untuk mengisi waktu login pengguna
(otomatis)
7 waktu_logou timestamp null untuk mengisi waktu logout pengguna
(otomatis)

3.5.6. Relasi Antar Tabel

Perancangan RAT bertujuan untuk mempermudah dan mengetahui tabel dan atribut
yang saling berelasi. Relasi antar tabel pada perancangan basis data dapat dilihat pada
gambar 3.7.

Gambar 3. 9. Perancangan RAT aplikasi peramalan sewa kit kamera

3.5.7. UserInterface
Perancangan antar muka merupakan bagian dimana terjadi komunikasi antara
pengguna dengan sistem. Faktor tampilan juga mempengaruhi kemudahan dalam
mengoperasikan sebuah sistem, sehingga bagiamana membuat suatu tampilan yang
interaktif agar dapat dipahami oleh pengguna.

A. Perancangan antarmuka manajer

1. Halaman dashboard
Pada halaman dashboard level manajer mempunyai tampilan berupa informasi jumlah data
kategori, data merek, data unit dan data akun. Kemudian mempunyai navigasi kategotimerek,
unit, rekap, peramalan dan akun. Perancangan UI terdapat pada gambar 3.10

28
 Gambar 3. 10. UI halaman dashboard level manajer

2. Halaman olah data kategori dan merek

Pada halaman kategori dan merek level manajer mempunyai tampilan berupa 2 tabel
kategori dan tabel merek. Masing-masing tabel mempunyai button tambah, edit dan hapus.

Gambar 3. 11. UI halaman tampilan data kategori dan merek

Pada halaman input kategori mempunyai form pop-up dengan button aksi submit
sebagai konfirmasi input data. Berisikan label untuk memasukan nama kategori.

Gambar 3. 12. UI halaman tambah data kategori

29
Pada halaman update kategori mempunyai form pop-up dengan button aksi update
sebagai konfirmasi input data. Dengan menampilkan nilai sebelumnya.

Gambar 3. 13. UI halaman update data kategori

Pada halaman input merek mempunyai form pop-up dengan button aksi submit sebagai
konfirmasi input data. Berisikan label untuk memasukan nama merek.

Gambar 3. 14. UI halaman tambah data merek

Pada halaman update merek mempunyai form pop-up dengan button aksi update sebagai
konfirmasi input data. Dengan menampilkan nilai sebelumnya.

Gambar 3. 15. UI halaman update data merek

30
 Pada halaman update akun mempunyai form pop-up dengan button aksi update
sebagaikonfirmasi update data. Isi form menampilkan nilai-nilai pada data yang akan di edit.

Gambar 3. 28. UI halaman update data akun

B. Perancangan antarmuka admin

1. Halaman dashboard
Pada halaman dashboard level manajer mempunyai tampilan berupa informasi jumlah
data kategori, data merek, data unit dan data user. Kemudian mempunyai navigasi kategori
merek, unit, rekap, peramalan dan user.

Gambar 3. 29. UI halaman dasboard level admin

38
2. Halaman olah data kategori dan merek
Pada halaman kategori dan merek level admin mempunyai tampilan berupa 2 tabel data
kategori dan tabel merek. Masing-masing tabel mempunyai button tambah, edit dan hapus.

Gambar 3. 30. UI halaman tampil data kategori dan merek

Pada halaman input kategori mempunyai form pop-up dengan button aksi submit
sebagai konfirmasi input data. Berisikan label untuk memasukan nama kategori.

Gambar 3. 31. UI halaman tambah data kategori

Pada halaman update kategori mempunyai form pop-up dengan button aksi update
sebagai konfirmasi input data. Dengan menampilkan nilai sebelumnya.

Gambar 3. 32. UI halaman update data kategori

39
Pada halaman input merek mempunyai form pop-up dengan button aksi submit sebagai
konfirmasi input data. Berisikan label untuk memasukan nama merek.

Gambar 3. 33. UI halaman tambah data merek

Pada halaman update merek mempunyai form pop-up dengan button aksi update sebagai
konfirmasi input data. Dengan menampilkan nilai sebelumnya.

Gambar 3. 34. UI halaman update data merek

3. Halaman olah data unit

Pada halaman unit peralatan mempunyai tampilan berupa tabel data unit peralatan.
Tabel unit peralatan bersifat responsif dan mempunyai button tambah, edit dan hapus, dan
fungsi pencarian.

Gambar 3. 35. UI halaman tampil data unit peralatan

40
 Pada halaman input unit peralatan mempunyai form pop-up dengan button aksi submit
sebagai konfirmasi input data. Isi form berupa pemilihan kategori dengan dropdown,
pemilihan merek dengan dropdown dan label pengisian nama unit peralatan.

Gambar 3. 36. UI halaman tambah data unit peralatan

Pada halaman update unit peralatan mempunyai form pop-up dengan button aksi
update sebagai konfirmasi update data. Isi form berisi nilai-nilai pada data sebelumnya,
kemudian pemilihan kategori dengan dropdown, pemilihan merek dengan dropdown dan
label pengisian nama unit peralatan.

Gambar 3. 37. UI halaman update data unit peralatan

41
4. Halaman rekap data
Pada halaman rekap data persewaan mempunyai tampilan berupa tabel daftar unit dan
tabel rekap data. Tabel daftar unit bersifat tabel responsif dan mempunyai button tambah dan
detail, dan fungsi pencarian. Tabel rekap data bersifat tabel responsif dan mempunyai button
edit dan hapus, dan fungsi pencarian.

Gambar 3. 38. UI halaman tampil data rekap persewaan

Pada halaman detail rekap data persewaan mempunyai tampilan berupa tabel detail
daftar rekap data sesuai dengan unit yang dipilih dan form tambah atau update rekap data.
Tabel detail daftar rekap unit bersifat tabel responsif dan mempunyai button update dan
hapus, dan fungsi pencarian.

Gambar 3. 39. UI halaman detail data rekap persewaan

42
 Pada halaman input data rekap persewaan mempunyai form pop-up dengan button aksi
submit sebagai konfirmasi input data. Isi form berupa info unit yang dipilih dan mempunyai
pilihan bulan dan tahun berupa dropdown, label pengisian jumlah frekuensi peminjaman dan
total jam peminjaman dalam sebulan.

Gambar 3. 40. UI halaman tambah data rekap persewaan

Pada halaman update data rekap persewaan mempunyai form pop-up dengan button
aksiupdate sebagai konfirmasi update data. Isi form berupa info unit yang dipilih dengan
membawa nilai-nilai sebelumnya.

Gambar 3. 41. UI halaman update data rekap persewaan

43
C. Halaman login
1. Halaman login
Pada halaman login mempunyai form berisikan label untuk memasukan username dan
password, serta ada button login untuk submit data login yang sudah dimasukan.

Gambar 3. 42. UI halaman login

2. Halaman gagal login

Pada halaman gagal login ditampilkan sebuah peringatan berisikan infomasi salah
input username atau password.

Gambar 3. 43. UI halaman gagal login

44
3.6. Simulasai Perhitungan
Pada penelitian ini membuat simulasi perhitungan secara manual dan secara formulasi di
aplikasi excel.

3.6.1. Perhitungan Manual

Dalam perhitungan metode pemulusan ganda dua parameter dari holt ada beberapa
tahap yang harus dilalukakan:
1. Mendifinisikan nilai parameter alpha dan beta
𝑎 = (0 < 𝑎 < 1) rentang nilai alpha yang digunakan adalah 0.1, 0.2, sampai 0.9
𝛽 = (0 < 𝛽 < 1) rentang nilai beta yang digunakan adalah 0.1, 0.2, sampai 0.9

2. Mencari nilai peramalan periode ke 2.

Dalam metode pemulusan ganda dua paramater dari holt tidak mempunyai nilai
peramalan periode pertama (Ft1) karena dalam perhitungannya peramalan periode (Ft)
memerlukan nilai penghalusan periode sebelumnya ditambahkan dengan nilai trend periode
sebelumnya.
(𝑆𝑡2 + 𝑇𝑡2) = 𝐹𝑡3 (𝑆𝑡1 + 𝑇𝑡1) = 𝐹𝑡2 (𝑆𝑡0 + 𝑇𝑡0) = 𝐹𝑡1

3. Mencari nilai penghalusan (S t)

Sebelum masuk kedalam perhitungan penghalusan, terbelih daluhu harus mencari
nilaipenghalusan periode pertama (St1), karena untuk mencari nilai penghalusan peiode ke 2
memerlukan nilai penghalusan periode pertama, sedangkan untuk mencari nilai penghalusan
periode pertama memerlukan nilai pernghalusan periode ke 0, berarti batasawal dimulai dari
mencari nilai penghalusan periode pertama (St1) dengan persamaan sebagai berikut:
𝑆𝑡1 = 𝑋𝑡1 …………………..……………..……. (3.1)
Perhitungan pemulusan berikutnya menggunakan persamaan
𝑆𝑡 = 𝑎 ⋅ 𝑋𝑡 + (1 − 𝑎) ⋅ (𝑆𝑡−1 + 𝑇𝑡−1)…………. (3.2)

4. Mencari nilai trend periode pertama (Tt1)

Mencari nilai trend konsepnya sama seperti mencari nilai penghalusan, yaitu harus
mencari nilai tren periode pertama (T t1) terlebih daluhu. Mencari nilai trend periode pertama
(Tt1) menggunakan persamaan
𝑇𝑡1 = 𝑋𝑡2−𝑋𝑡1 …………………..……………. (3.3)
Perhitungan trend berikutnya menggunakan persamaan
𝑇𝑡 = 𝛽 ⋅ (𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝛽) ⋅ 𝑇𝑡−1 …….… (3.4)

5. Mencari nilai peramalan (Ft)

𝐹𝑡+(𝑚) = 𝑆𝑡 + 𝑇𝑡

45
A. Sampel perhitungan menggunakan alpha=0.3 dan beta 0.7
Sampel perhitungan metode pemulusan ganda dua parameter holt, dalam perhitungan iniakan
menggunakan data aktual sesuai dengan tabel dengan menggunan parameter alpha =
0.3 dan parameter beta = 0.7
Tabel 3. 7. Sampel data aktual
Periode (t) Data aktual (Xt)
1 24
2 28
3 32
4 28
5 26
6 28
7 ??

1. Peramalan periode (Ft2) yaitu periode pertama.

a. Mencari nilai pemulusan periode 1 (St1 )
𝑆𝑡1 = 𝑋𝑡1
𝑆𝑡1 = 𝟐𝟒
b. Mencari nilai trend periode 1 (Tt1)
𝑇𝑡1 = 𝑋𝑡2−𝑋𝑡1
𝑇𝑡1 = 28 − 24
𝑇𝑡1 = 𝟒
c. Mencari nilai peramalan periode 1 (Ft2)
𝐹𝑡2 = 𝑆𝑡1 + 𝑇𝑡1
𝐹𝑡2 = 24 + 4
𝐹𝑡2 = 𝟐𝟖

2. Peramalan periode (Ft3)

a. Mencari nilai pemulusan periode 1 (St2)
𝑆𝑡2 = 𝑎 ⋅ 𝑋𝑡2 + (1 − 𝑎) ⋅ (𝑆𝑡1 + 𝑇𝑡1)
𝑆𝑡2 = 0.3 ⋅ 28 + (1 − 0.3) ⋅ (24 + 4)
𝑆𝑡2 = 0.3 ⋅ 28 + 0.7 ⋅ 28
𝑆𝑡2 = 8.40 + 19.60 = 𝟐𝟖

b. Mencari nilai trend periode 1 (Tt2)

𝑇𝑡2 = 𝛽 ⋅ (𝑆𝑡2 − 𝑆𝑡1 ) + (1 − 𝛽) ⋅ 𝑇𝑡1
𝑇𝑡2 = 0.5 ⋅ (28 − 24) + (1 − 0.5) ⋅ 4
𝑇𝑡2 = 0.5 ⋅ 4 + 0.5 ⋅ 4
𝑇𝑡2 = 2 + 2 = 𝟒
c. Mencari nilai peramalan periode 1 (Ft3)
𝐹𝑡3 = 𝑆𝑡2 + 𝑇𝑡2
𝐹𝑡3 = 28 + 4
𝐹𝑡3 = 𝟑𝟐

46
3. Peramalan periode (Ft4)
a. Mencari nilai pemulusan periode 1 (St3)
𝑆𝑡3 = 𝑎 ⋅ 𝑋𝑡3 + (1 − 𝑎) ⋅ (𝑆𝑡2 + 𝑇𝑡2)
𝑆𝑡3 = 0.3 ⋅ 32 + (1 − 0.3) ⋅ (28 + 4)
𝑆𝑡3 = 0.3 ⋅ 32 + 0.7 ⋅ 32
𝑆𝑡3 = 9.6 + 22.4 = 𝟑𝟐
b. Mencari nilai trend periode 1 (Tt3)
𝑇𝑡3 = 𝛽 ⋅ (𝑆𝑡3 − 𝑆𝑡2 ) + (1 − 𝛽) ⋅ 𝑇𝑡2
𝑇𝑡3 = 0.5 ⋅ (32 − 28) + (1 − 0.5) ⋅ 4
𝑇𝑡3 = 0.5 ⋅ 4 + 0.5 ⋅ 4
𝑇𝑡3 = 2 + 2 = 𝟒
c. Mencari nilai peramalan periode 1 (Ft4)
𝐹𝑡4 = 𝑆𝑡3 + 𝑇𝑡3
𝐹𝑡4 = 32 + 4
𝐹𝑡4 = 𝟑𝟔

4. Peramalan periode (Ft5)

a. Mencari nilai pemulusan periode 1 (St4)
𝑆𝑡4 = 𝑎 ⋅ 𝑋𝑡4 + (1 − 𝑎) ⋅ (𝑆𝑡3 + 𝑇𝑡3) = 0.3 ⋅ 28 + (1 − 0.3) ⋅ (32 + 4)
𝑆𝑡4 = 0.3 ⋅ 28 + 0.7 ⋅ 36 = 8.4 + 25.2 = 𝟑𝟑. 𝟔
b. Mencari nilai trend periode 1 (Tt4)
𝑇𝑡4 = 𝛽 ⋅ (𝑆𝑡4 − 𝑆𝑡3) + (1 − 𝛽) ⋅ 𝑇𝑡3 = 0.5 ⋅ (33.6 − 32) + (1 − 0.5) ⋅ 4
𝑇𝑡4 = 0.5 ⋅ 1.6 + 0.5 ⋅ 4 = 0.8 + 2 = 𝟐. 𝟖
c. Mencari nilai peramalan periode 1 (Ft5)
𝐹𝑡5 = 𝑆𝑡4 + 𝑇𝑡4
𝐹𝑡5 = 33.6 + 2.8 = 𝟑𝟔. 𝟒

5. Peramalan periode (Ft6)

a. Mencari nilai pemulusan periode 1 (St5)
𝑆𝑡5 = 𝑎 ⋅ 𝑋𝑡5 + (1 − 𝑎) ⋅ (𝑆𝑡4 + 𝑇𝑡4) = 0.3 ⋅ 26 + (1 − 0.3) ⋅ (33,6 + 2.8)
𝑆𝑡5 = 0.3 ⋅ 26 + 0.7 ⋅ 36.4 = 7.8 + 25.48 = 𝟑𝟑. 𝟐𝟖
b. Mencari nilai trend periode 1 (Tt5)
𝑇𝑡5 = 𝛽 ⋅ (𝑆𝑡5 − 𝑆𝑡4) + (1 − 𝛽) ⋅ 𝑇𝑡4 = 0.5 ⋅ (33.28 − 33.6) + (1 − 0.5) ⋅ 2.8
𝑇𝑡5 = 0.5 ⋅ (−0.32) + 0.5 ⋅ 2.8 = −0.16 + 1.4 = 𝟏. 𝟐𝟒
c. Mencari nilai peramalan periode 1 (Ft6)
𝐹𝑡6 = 𝑆𝑡5 + 𝑇𝑡5
𝐹𝑡6 = 33.28 + 1.24 = 𝟑𝟒. 𝟓𝟐

6. Peramalan periode (Ft7)

a. Mencari nilai pemulusan periode 1 (St6)
𝑆𝑡6 = 𝑎 ⋅ 𝑋𝑡6 + (1 − 𝑎) ⋅ (𝑆𝑡5 + 𝑇𝑡5) = 0.3 ⋅ 28 + (1 − 0.3) ⋅ (33.28 + 1.24)
𝑆𝑡6 = 0.3 ⋅ 28 + 0.7 ⋅ 34.52 = 8.4 + 24.16 = 𝟑𝟐. 𝟓𝟔

47
b. Mencari nilai trend periode 1 (Tt6)
𝑇𝑡6 = 𝛽 ⋅ (𝑆𝑡6 − 𝑆𝑡5) + (1 − 𝛽) ⋅ 𝑇𝑡5 = 0.5 ⋅ (32.56 − 33.28) + (1 − 0.5) ⋅ 1.24
𝑇𝑡6 = 0.5 ⋅ (−0.72) + 0.5 ⋅ 1.24 = −0.36 + 0.62 = 𝟎. 𝟐𝟔
c. Mencari nilai peramalan periode 1 (Ft7)
𝐹𝑡7 = 𝑆𝑡6 + 𝑇𝑡6
𝐹𝑡7 = 32.56 + 0.26 = 𝟑𝟐. 𝟖𝟐
Tabel 3. 8. Hasil peramalan
Periode (t) Data aktual (Xt) Smoothing (St) Trend (Tt) Peramalan (Ft)
1 24 24 4 -
2 28 28 4 28
3 32 32 4 32
4 28 33.6 2.8 36
5 26 33.28 1.24 36.4
6 28 32.56 0.26 34.52
7 ?? 27.44

B. Sampel perhitungan menggunakan alpha=0.8 dan beta 0.9

Sampel perhitungan metode pemulusan ganda dua parameter holt, dalam perhitungan iniakan
menggunakan data aktual sesuai dengan tabel dengan menggunan parameter alpha =
0.8 dan parameter beta = 0.9

1. Peramalan periode (Ft2)

a. Mencari nilai pemulusan periode 1 (St1 )
𝑆𝑡1 = 𝑋𝑡1
𝑆𝑡1 = 𝟐𝟒
b. Mencari nilai trend periode 1 (Tt1)
𝑇𝑡1 = 𝑋𝑡2−𝑋𝑡1
𝑇𝑡1 = 28 − 24
𝑇𝑡1 = 𝟒
c. Mencari nilai peramalan periode 1 (Ft2)
𝐹𝑡2 = 𝑆𝑡1 + 𝑇𝑡1
𝐹𝑡2 = 24 + 4
𝐹𝑡2 = 𝟐𝟖

2. Peramalan periode (Ft3)

a. Mencari nilai pemulusan periode 1 (St2)
𝑆𝑡2 = 𝑎 ⋅ 𝑋𝑡2 + (1 − 𝑎) ⋅ (𝑆𝑡1 + 𝑇𝑡1) = 0.8 ⋅ 28 + (1 − 0.8) ⋅ (24 + 4)
𝑆𝑡2 = 0.8 ⋅ 28 + 0.2 ⋅ 28 = 22.4 + 5.6 = 𝟐𝟖
b. Mencari nilai trend periode 1 (Tt2)
𝑇𝑡2 = 𝛽 ⋅ (𝑆𝑡2 − 𝑆𝑡1) + (1 − 𝛽) ⋅ 𝑇𝑡1 = 0.9 ⋅ (28 − 24) + (1 − 0.9) ⋅ 4
𝑇𝑡2 = 0.9 ⋅ 4 + 0.1 ⋅ 4 = 3.6 + 0.4 = 𝟒
c. Mencari nilai peramalan periode 1 (Ft3)
𝐹𝑡3 = 𝑆𝑡2 + 𝑇𝑡2
𝐹𝑡3 = 28 + 4 = 𝟑𝟐
48
 Peramalan periode (Ft4)
d. Mencari nilai pemulusan periode 1 (St3)
𝑆𝑡3 = 𝑎 ⋅ 𝑋𝑡3 + (1 − 𝑎) ⋅ (𝑆𝑡2 + 𝑇𝑡2) = 0.8 ⋅ 32 + (1 − 0.8) ⋅ (28 + 4)
𝑆𝑡3 = 0.8 ⋅ 32 + 0.2 ⋅ 32 = 25.6 + 6.4 = 𝟑𝟐
e. Mencari nilai trend periode 1 (Tt3)
𝑇𝑡3 = 𝛽 ⋅ (𝑆𝑡3 − 𝑆𝑡2) + (1 − 𝛽) ⋅ 𝑇𝑡2 = 0.9 ⋅ (32 − 28) + (1 − 0.9) ⋅ 4
𝑇𝑡3 = 0.9 ⋅ 4 + 0.1 ⋅ 4 = 3.6 + 0.4 = 𝟒
f. Mencari nilai peramalan periode 1 (Ft4)
𝐹𝑡4 = 𝑆𝑡3 + 𝑇𝑡3
𝐹𝑡4 = 32 + 4 = 𝟑𝟔
3. Peramalan periode (Ft5)
a. Mencari nilai pemulusan periode 1 (St4)
𝑆𝑡4 = 𝑎 ⋅ 𝑋𝑡4 + (1 − 𝑎) ⋅ (𝑆𝑡3 + 𝑇𝑡3) = 0.8 ⋅ 28 + (1 − 0.8) ⋅ (32 + 4)
𝑆𝑡4 = 0.8 ⋅ 28 + 0.2 ⋅ 36 = 22.4 + 7.2 = 𝟐𝟗. 𝟔
b. Mencari nilai trend periode 1 (Tt4)
𝑇𝑡4 = 𝛽 ⋅ (𝑆𝑡4 − 𝑆𝑡3) + (1 − 𝛽) ⋅ 𝑇𝑡3 = 0.9 ⋅ (29.6 − 32) + (1 − 0.9) ⋅ 4
𝑇𝑡4 = 0.9 ⋅ 2.4 + 0.1 ⋅ 4 = 2.16 + 0.4 = 𝟐. 𝟓𝟔
c. Mencari nilai peramalan periode 1 (Ft5)
𝐹𝑡5 = 𝑆𝑡4 + 𝑇𝑡4
𝐹𝑡5 = 29.6 + 2.56 = 𝟑𝟐. 𝟏𝟔
4. Peramalan periode (Ft6)
a. Mencari nilai pemulusan periode 1 (St5)
𝑆𝑡5 = 𝑎 ⋅ 𝑋𝑡5 + (1 − 𝑎) ⋅ (𝑆𝑡4 + 𝑇𝑡4) = 0.8 ⋅ 26 + (1 − 0.8) ⋅ (29.6 + 2.56)
𝑆𝑡5 = 0.8 ⋅ 26 + 0.2 ⋅ 32.16 = 20.8 + 6.43 = 𝟐𝟕. 𝟐𝟑
b. Mencari nilai trend periode 1 (Tt5)
𝑇𝑡5 = 𝛽 ⋅ (𝑆𝑡5 − 𝑆𝑡4) + (1 − 𝛽) ⋅ 𝑇𝑡4 = 0.9 ⋅ (27.23 − 29.6) + (1 − 0.9) ⋅ 2.56
𝑇𝑡5 = 0.9 ⋅ (−2.37) + 0.1 ⋅ 2.56 = −2.13 + 0.26 = −𝟏. 𝟖𝟕
c. Mencari nilai peramalan periode 1 (Ft6)
𝐹𝑡6 = 𝑆𝑡5 + 𝑇𝑡5
𝐹𝑡6 = 27.23 + (−1.87) = 𝟐𝟓. 𝟑𝟔
5. Peramalan periode (Ft7)
a. Mencari nilai pemulusan periode 1 (St6)
𝑆𝑡6 = 𝑎 ⋅ 𝑋𝑡6 + (1 − 𝑎) ⋅ (𝑆𝑡5 + 𝑇𝑡5) = 0.8 ⋅ 28 + (1 − 0.8) ⋅ (27.23 + (−1.87))
𝑆𝑡6 = 0.8 ⋅ 28 + 0.2 ⋅ 25.36 = 22.4 + 5.07 = 𝟐𝟕. 𝟒𝟕
b. Mencari nilai trend periode 1 (Tt6)
𝑇𝑡6 = 𝛽 ⋅ (𝑆𝑡6 − 𝑆𝑡5) + (1 − 𝛽) ⋅ 𝑇𝑡5 = 0.9 ⋅ (27.47 − 27.23) + (1 − 0.9) ⋅ (−1.87)
𝑇𝑡6 = 0.9 ⋅ 0.24 + 0.1 ⋅ (−1.87) = 0.22 + (−0.19) = 𝟎. 𝟎𝟑
c. Mencari nilai peramalan periode 1 (Ft7)
𝐹𝑡7 = 𝑆𝑡6 + 𝑇𝑡6
𝐹𝑡7 = 27.47 + 0.03 = 𝟐𝟕. 𝟒𝟒

49
 Hasil dari perhitungan diatas dibandingkan nilai-nilainya sebagai berikut.

Tabel 3. 9. Perbandingan metode

Data Alpha = 0.3, Beta = 0.7 Alpha = 0.8, Beta = 0.9
Periode
aktual Smoothing Trend Peramalan Smoothing Trend Peramalan
(t)
(Xt) (St) (Tt) (Ft) (St) (Tt) (Ft)
1 24 24 4 - 24 4 -
2 28 28 4 28 28 4 28
3 32 32 4 32 32 4 32
4 28 33.6 2.8 36 29.6 2.56 36
5 26 33.28 1.24 36.4 27.23 -1.87 32.16
6 28 32.56 0.26 34.52 27.47 0.03 25.36
7 ?? 32.58 27.44

3.6.2. Pehitungan Excell

Perhitungan rumus pemulusan ganda dua parameter dari holt dalam
bentuk formula excel seperti pada gambar berikut ini. Perhitungan pada
formula excel menggunakan nilai parameter alpha 0.7 dan parameter beta
0.6.

Gambar 3. 44. Formula perhitungan dalam excell

Hasil dari perhitungan rumus pemulusan ganda dua parameter dari

holt pada perhitungan menggunakan formula excel sebagai berikut sesuai
dengan gambar 3.4.

Gambar 3. 45. Hasil dari formula perhitungan dalam excell

50
3.6.3. Pehitungan Excell
Perhitungan rumus RMSE dalam bentuk formula excel seperti pada gambar
berikut ini. Perhitungan pada formula excel menggunakan nilai.
At = Nilai data Aktual
Ft = Nilai hasil peramalan
N = banyaknya data
∑ = Summation (Jumlahkan keseluruhan nilai)

Keterangan
=SUM(F4:F22) Hasil keselurahan
=SQRT(F27/D29) Hasil Penjumlahan keseluruhan dibagi Jumlah unit (RMSE)

Gambar 3. 46. Hasil error dari perhitungan rmse dalam excell

Gambar 3. 47. Hasil Square error dari perhitungan rmse dalam excell

51
3.7 Pengujian
Pengujian peramalan dilakukan pada sisi pengembang (developer). Pengujian peramalan
adalah pengujian yang dilakukan untuk membandingkan kesusuaian antara data peramalan
dan data aktual. Tujuan penelitian tentang metode Double Exponential Smoothing Holt ini
mencari kombinasi parameter yang optimal untuk mendapatkan nilai akurasi hasil peramalan
dari data yang berubah berdasarkan trend dengan data aktual yang dihitung menggunakan
rumus-rumus metode. Pada tabel 4.1. menampilkan nilai MAPE untuk evaluasi pada proses
prediksi eror tersebut.

Tabel 4.1. Nilai MAPE untuk Evaluasi Prediksi

No Nilai MAPE Akurasi Prediksi
1 MAPE < 10% Sangat Akurat
2 10% < MAPE < 20% Baik
3 20% < MAPE < 50% Wajar
4 MAPE > 50% Tidak Akurat

3.7.1 Root Mean Squared Error (RMSE)

RMSE dapat berkisar dari 0 hingga ∞. RMSE dapat berorientasi negatif dimana nilai
yang lebih rendah menunjukkan nilai yang lebih baik. Jika nilai RMSE lebih kecil, hal ini
berarti bahwa nilai yang diprediski dekat dengan nilai yang diamati atau observasi, dan
sebaliknya.

52
BAB IV HASIL, PENGUJIAN, DAN PEMBAHASAN
Hasil, pengujian, dan pembahasan merupakan tahap dimana sistem siap dioperasikan pada
keadaan sebenarnya. Pada pembahasan ini akan diketahui apakah sistem yang dibuat sudah
sesuai dengan analisis dan perancangan yang telah dilakuikan sebelumnya. Sehingga bisa
mengetahui apakah sistem yang sudah dibuat sudah benar-benar dapat mengasilkan tujuan
yang ada pada penelitian ini.

4.1. Hasil Penelitian

Hasil penelitian berisikan implementasi dan hasil perhitngan Metode Peramalan Double
Exponential Smoothing Holt dalam meramalkan jumlah peminjamn unit sony a6000 di
Rental kamra di jogjakamera. Pada bagian ini menyajikan tampilan aplikasi dan modul
program dari aplikasi peramalan tersebut. Adapun modul program dan tampilan aplikasi
sebagai berikut:

4.1.1. Tampilan halaman login

Halaman login pada peramalan Jumlah peminjaman unit kamera sony a6000 di rental
kamera jogjakamera dapat dilihat pada gambar 4.1. di bawah ini.

Gambar 4.1. Tampilan Halaman Login

Tampilan halaman login mempunyai penggalan source code dengan modul program
4.1.
<?php
include_once '../../functions/function.php';
if (!empty($_SESSION['level'])) {
header('location:../dashboard/');
}
$pesan = NULL;
if (isset($_POST['masuk'])) {
// echo '<pre>'; print_r($_POST); echo '</pre>'; die;
$username = $_POST['username'];
$password = $_POST['password'];

Modul Program 4.1. Source Code Tampilan Halaman Login

53
 $query = mysqli_query($link,"SELECT * FROM user WHERE username = '$username'");
if (mysqli_num_rows($query) === 1) {
$row = mysqli_fetch_assoc($query);
if ($row['password'] === "$password") {
$_SESSION['nama'] = $row['nama'];
$_SESSION['level'] = $row['level'];
$_SESSION['id'] = $row['id'];
$waktu = date('Y-m-d H:i:s');
waktu_login($_SESSION['id'],$waktu);
header('location:../dashboard/index.php');
}else{
$pesan = "Username Atau Password Salah!";
}
}else{
$pesan = "Username Atau Password Salah!";
}
}
$title = "Login | Peramalan Kamera";
include '../../tampleting/html_head.php';
?>
Modul Program 4.2. Lanjutan Source Code Tampilan Halaman Login

4.1.2. Tampilan halaman dashboard

Tampilan halaman dashboard merupakan halaman awal aplikasi setelah melewati proses
login. Dimana tampilan halaman ini bisa dilihat pada gambar 4.2. di bawah ini.

Gambar 4.2. Tampilan Halaman Dashboard

Tampilan halaman dashboard mempunyai penggalan source code seperti dengan modul
program 4.3.
<?php
include_once '../../functions/function.php';
// cek auth
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}

Modul Program 4.3. Source Code Tampilan Halaman Dashboard

54
 $jumlah_kategori = tampil("SELECT COUNT(id) as jumlah FROM
`kategori`")[0]['jumlah'];
$jumlah_merek = tampil("SELECT COUNT(id) as jumlah FROM `merek`")[0]['jumlah'];
$jumlah_unit = tampil("SELECT COUNT(id) as jumlah FROM `unit`")[0]['jumlah'];
$jumlah_user = tampil("SELECT COUNT(id) as jumlah FROM `user`")[0]['jumlah'];
$rekap = tampil("SELECT rekap.id, unit.id as id_unit, unit.nama_unit,
merek.nama_merek, kategori.nama_kategori, rekap.tanggal, rekap.frekuensi,
rekap.jam FROM `rekap`
LEFT JOIN unit ON rekap.unit_id = unit.id
LEFT JOIN merek ON unit.merek_id = merek.id
LEFT JOIN kategori ON unit.kategori_id = kategori.id
ORDER BY `rekap`.`id` DESC
LIMIT 0,5");
$title = "Dashboard | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_dashboard = true;
include '../../tampleting/navbar-sidebar.php';
?>
Modul Program 4.4. Lanjutan Source Code Tampilan Halaman Dashboard

4.1.3. Tampilan halaman kategori

Tampilan halaman kategori ini merupakan isi kategori dari unit kamera yang ada pada aplikasi
tersebut. Tampilan halaman kategori ini bisa dilihat pada gambar 4.3. di bawah ini.

Gambar 4.3. Tampilan Halaman Kategori

Tampilan halaman kategori mempunyai penggalan source code seperti dengan modul
program 4.5.

55
<?php
include '../../functions/function.php';
// cek auth
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
$kategori = tampil("SELECT * FROM `kategori` ORDER BY `kategori`.`id` DESC");
if (isset($_POST['tambah_kategori'])) {
if (kategori_tambah($_POST)) {
echo "<script>
alert('Data Berhasil Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['update_kategori'])) {
if (kategori_update($_POST)) {
echo "<script>
alert('Data Berhasil Di Update');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Update');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['hapus_kategori'])) {
if (kategori_hapus($_POST)) {
echo "<script>
alert('Data Berhasil Di Hapus');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Hapus');
document.location.href = 'index.php';
</script>
";
}
}
$marek = tampil("SELECT * FROM `merek` ORDER BY `merek`.`id` DESC");
// tambah merek
if (isset($_POST['tambah_merek'])) {
if (merek_tambah($_POST)) {
echo "<script>
alert('Data Berhasil Di Tambahkan');
document.location.href = 'index.php';
</script>
";
</script>
";

Modul Program 4.5. Source Code Tampilan Halaman Kategori

56
 }else{
echo "<script>
alert('Data Gagal Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['update_merek'])) {
if (merek_update($_POST)) {
echo "<script>
alert('Data Berhasil Di Update');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Update');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['hapus_merek'])) {
if (merek_hapus($_POST)) {
echo "<script>
alert('Data Berhasil Di Hapus');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Hapus');
document.location.href = 'index.php';
</script>
";
}
}
$title = "Kategori | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_katmek = true;
include '../../tampleting/navbar-sidebar.php';
?>

Modul Program 4.6. Lanjutan Source Code Tampilan Halaman Kategori

4.1.4. Tampilan halaman Unit

Tampilan halaman Unit ini merupakan nama-nama unit / Alat yang ada pada aplikasi
peramalan unit kamera di Jogjakamera. Tampilan halaman tersebut dapat dilihat pada gambar
4.4 di bawah ini.

57
 Gambar 4.4. Tampilan Halaman Unit

Tampilan halaman Unit mempunyai penggalan source code seperti dengan modul program
4.7.

<?php
include '../../functions/function.php';
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
$unit = tampil("SELECT unit.id,
kategori.id as id_kategori,
kategori.nama_kategori,
merek.id as id_merek, merek.nama_merek,
unit.nama_unit FROM `unit`
LEFT JOIN kategori ON unit.kategori_id =
kategori.id
LEFT JOIN merek ON unit.merek_id = merek.id
ORDER BY `unit`.`id` DESC");
$kategori = tampil("SELECT * FROM `kategori`
ORDER BY `kategori`.`nama_kategori` ASC");
$merek = tampil("SELECT * FROM `merek` ORDER
BY `merek`.`nama_merek` ASC");
'</pre>'; die;
if (isset($_POST['tambah_unit'])) {
if (unit_tambah($_POST)) {
echo "<script>
alert('Data Berhasil Di Tambahkan');
document.location.href = 'index.php';
</script>
";

Modul Program 4.7. Source Code Tampilan Halaman Unit

58
 }else{
echo "<script>
alert('Data Gagal Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['update_unit'])) {
if (unit_update($_POST)) {
echo "<script>
alert('Data Berhasil Di Update');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Update');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['hapus_unit'])) {
if (unit_hapus($_POST)) {
echo "<script>
alert('Data Berhasil Di Hapus');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Hapus');
document.location.href = 'index.php';
</script>
";
}
}
$title = "Unit | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_unit = true;
include '../../tampleting/navbar-sidebar.php';
?>
Modul Program 4.8. Lanjutan Source Code Tampilan Halaman Unit

4.1.5. Tampilan halaman rekap

Tampilan halaman rekap merupakan isi dari data rekap Data Unit berupa Bulan, tahun,
Jumlah Frekuensi dan Jam. Tampilan halaman tersebut dapat dilihat pada gambar
4.5 di bawah ini.

59
 Gambar 4.5. Tampilan Halaman Rekap

Tampilan halaman rekap mempunyai penggalan source code seperti dengan modul
program 4.
<?php
include '../../functions/function.php';
// cek auth
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
$pilih_unit = tampil("SELECT unit.id,
kategori.nama_kategori,
merek.nama_merek,
unit.nama_unit FROM `unit`
LEFT JOIN kategori ON unit.kategori_id = kategori.id
LEFT JOIN merek ON unit.merek_id = merek.id
ORDER BY `unit`.`nama_unit` ASC");
$rekap = tampil("SELECT rekap.id, unit.id as id_unit, unit.nama_unit,
merek.nama_merek, kategori.nama_kategori, rekap.tanggal, rekap.frekuensi,
rekap.jam FROM `rekap`
LEFT JOIN unit ON rekap.unit_id = unit.id
LEFT JOIN merek ON unit.merek_id = merek.id
LEFT JOIN kategori ON unit.kategori_id = kategori.id
ORDER BY `rekap`.`id` DESC
LIMIT 100");
if (isset($_POST['tambah_rekap'])) {
if (tambah_rekap($_POST)) {
echo "<script>
alert('Data Berhasil Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Tambahkan');
document.location.href = 'index.php';
</script>
";
}
}

Modul Program 4.9. Source Code Tampilan Halaman Rekap

60
 if (isset($_POST['update_rekap'])) {
if (rekap_update($_POST)) {
echo "<script>
alert('Data Berhasil Di Update');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Update');
document.location.href = 'index.php';
</script>
";
}
}
if (isset($_POST['hapus_rekap'])) {
if (rekap_hapus($_POST)) {
echo "<script>
alert('Data Berhasil Di Hapus');
document.location.href = 'index.php';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Hapus');
document.location.href = 'index.php';
</script>
";
}
}
$title = "Rekap | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_rekap = true;
include '../../tampleting/navbar-sidebar.php';
?>

Modul Program 4.10. Lanjutan Source Code Tampilan Halaman Rekap

4.1.6. Tampilan halaman peramalan

Tampilan halaman peramalan merupakan halaman untuk meramalakan jumlah peminjaman
unit kamera. Tampilan halaman tersebut dapat dilihat pada gambar 4.6. di bawah ini.

61
 Gambar 4.6. Tampilan Halaman Peramalan

Tampilan halaman peramalan mempunyai penggalan source code seperti dengan modul
program 4.11.

<?php
include '../../functions/function.php';

// cek auth
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
if ($_SESSION['level'] != 'superadmin') {
header('location:../dashboard/index.php');
}
$pilih_unit = tampil("SELECT unit.id,
kategori.nama_kategori,
merek.nama_merek,
unit.nama_unit FROM `unit`
LEFT JOIN kategori ON unit.kategori_id = kategori.id
LEFT JOIN merek ON unit.merek_id = merek.id
ORDER BY `unit`.`nama_unit` ASC");
$title = "Peramalan | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_peramalan = true;
include '../../tampleting/navbar-sidebar.php';
?>
Modul Program 4.11. Source Code Tampilan Halaman Peramalan

62
$a_peramalan = true;
include '../../tampleting/navbar-sidebar.php';
?>
<!-- Pilih Unit -->
<div class="col-md-12">
<!-- TABLE HOVER -->
<div class="panel">
<div class="panel-heading">
<h3 class="panel-title">Pilih Daftar Unit</h3>
</div>
<div class="panel-body">
<table id="rekap" class="table table-hover">
<thead>
<tr>
<th>#</th>
<th>Unit</th>
<th class="text-center">Aksi</th>
</tr>
</thead>
<tbody>
<?php
$no = 1;
foreach ($pilih_unit as $p) {?>
<tr>
<td><?= $no++ ?></td>
<td><?= $p['nama_unit']?> <span class="label label-primary"><?=
$p['nama_merek']?></span> <span class="label label-default"><?=
$p['nama_kategori']?></span> </td>
<td class="text-center">
<form action="detail.php" method="GET" style="display: inline">
<input type="hidden" name="id_unit" value="<?= $p['id']?>">
<button type="submit" class="btn btn-success btn-xs"><i class="fa fa-line-
chart"></i> Peramalan</button>
</form>
</td>
</tr>
<?php
}?>
</tbody>
</table>
</div>
</div>
<!-- END TABLE HOVER -->
</div>
<!-- end Pilih Unit -->
<?php
include '../../tampleting/footer.php';
?>
Modul Program 4.12. Lanjutan Source Code Tampilan Halaman Peramalan

63
4.1.7. Tampilan halaman hasil peramalan
Tampilan halaman hasil peramalan ini merupakan hasil peramalan pada aplikasi
tersebut. Tampilan halaman tersebut dapat dilihat pada gambar 4.7. di bawah ini.

Gambar 4.7. Tampilan Halaman Hasil Peramalan

Gambar 4.8. Tampilan Lanjutan Halaman Hasil Peramalan

64
Tampilan halaman hasil peramalan mempunyai penggalan source code seperti dengan modul
program 4.13.
<?php
include '../../functions/function.php';
include '../../functions/function_metode.php';
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
if ($_SESSION['level'] != 'superadmin') {
header('location:../dashboard/index.php');
}
$id_unit = $_GET['id_unit'];
$unit = tampil("SELECT unit.nama_unit, kategori.nama_kategori, merek.nama_merek
FROM `unit`
INNER JOIN kategori ON unit.kategori_id = kategori.id
INNER JOIN merek ON unit.merek_id = merek.id
WHERE unit.id = $id_unit")[0];
$tanggal = tampil("SELECT rekap.tanggal FROM `rekap`
WHERE unit_id = $id_unit
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");
$min = min($tanggal)['tanggal'];
$max = max($tanggal)['tanggal'];
$p_tgl = null;
$data_f = tampil("SELECT rekap.tanggal, SUM(rekap.frekuensi) AS total FROM `rekap`
WHERE unit_id = $id_unit
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");
$data_j = tampil("SELECT rekap.tanggal, SUM(rekap.jam) AS total FROM `rekap`
WHERE unit_id = $id_unit
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");
if ((!empty( $_GET['tgl_min'] && $_GET['tgl_max']))) {
$min = $_GET['tgl_min'];
$max = $_GET['tgl_max'];
if ($min > $max) {
$p_tgl = "Tanggal Min Max Tebalik";
false;
}
$data_f = tampil("SELECT rekap.tanggal, SUM(rekap.frekuensi) AS total FROM `rekap`
WHERE unit_id = $id_unit AND
rekap.tanggal between '$min' AND '$max'
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");
$data_j = tampil("SELECT rekap.tanggal, SUM(rekap.jam) AS total FROM `rekap`
WHERE unit_id = $id_unit AND
rekap.tanggal between '$min' AND '$max'
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");}

Modul Program 4.13. Source Code Tampilan Halaman Hasil Peramalan

65
 $data_j = tampil("SELECT rekap.tanggal, SUM(rekap.jam) AS total FROM `rekap`
WHERE unit_id = $id_unit AND
rekap.tanggal between '$min' AND '$max'
GROUP BY rekap.tanggal
ORDER BY `rekap`.`tanggal` ASC");
}
$p_frek = des_holt($data_f);
$p_jam = des_holt($data_j);
$jumlah_data = count($data_f);
$grafik = grafik($p_frek,$p_jam);
$alpha_f = $p_frek['alpha'];
$beta_f = $p_frek['beta'];
$param_f = $p_frek[count($p_frek)-3]['peramalan'];
$mad_f = $p_frek[count($p_frek)-3]['absError'];
$mape_f = $p_frek[count($p_frek)-3]['perError'];

$alpha_j = $p_jam['alpha'];
$beta_j = $p_jam['beta'];
$param_j = $p_jam[count($p_jam)-3]['peramalan'];
$mad_j = $p_jam[count($p_jam)-3]['absError'];
$mape_j = $p_jam[count($p_jam)-3]['perError'];
$title = "Peramalan | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_peramalan = true;
include '../../tampleting/navbar-sidebar.php';
?>

Modul Program 4.14. Lanjutan Source Code Tampilan Halaman Hasil Peramalan

4.1.8. Tampilan halaman pengguna

Tampilan halaman pengguna berisikan data akun user dan admin untuk menggunakan
aplikasi tersebut.
Tampilan halaman tersebut dapat dilihat pada gambar 4.8.di bawah ini.

66
 Gambar 4.8. Tampilan Halaman Pengguna

Tampilan halaman pengguna mempunyai penggalan source code seperti dengan modul
program 4.16.

<?php
include '../../functions/function.php';
if (empty($_SESSION['level'])) {
header('location:../auth/index.php');
}
$akun = tampil("SELECT * FROM `user` ORDER BY `user`.`id` DESC");
if (isset($_POST['tambah_akun'])) {
if (akun_tambah($_POST)) {
echo "<script>
alert('Data Berhasil Di Tambahkan');
document.location.href = '';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Tambahkan');
document.location.href = '';
</script>
";
}
}
if (isset($_POST['update_akun'])) {
if (akun_update($_POST)) {
echo "<script>
alert('Data Berhasil Di Update');
document.location.href = '';
</script>
";
}else{
echo "<script>
alert('Data Gagal Di Update');
document.location.href = '';
</script>
";
}
}
// end update akun
Modul Program 4.15. Source Code Tampilan Halaman Pengguna
// hapus akun
if (isset($_POST['hapus_akun'])) {
if (akun_hapus($_POST)) {
echo "<script> 67
alert('Data Berhasil Di Hapus');
document.location.href = '';
</script>
";
 if (isset($_POST['hapus_akun'])) {
if (akun_hapus($_POST)) {
echo "<script>
alert('Data Berhasil Di Hapus');
document.location.href = '';
</script>
";
}
else{
echo "<script>
alert('Data Gagal Di Hapus');
document.location.href = '';
</script>
";
}
}
$title = "Akun | Peramalan Kamera";
include '../../tampleting/html_head.php';
$a_akun = true;
include '../../tampleting/navbar-sidebar.php';
?>

Modul Program 4.16. Lanjutan Source Code Tampilan Halaman Pengguna

4.2. Pengujian
Pengujian peramalan dilakukan pada sisi pengembang (developer). Pengujian peramalan
adalah pengujian yang dilakukan untuk membandingkan kesusuaian antara data peramalan
dan data aktual. Tujuan penelitian tentang metode Double Exponential Smoothing Holt ini
mencari kombinasi parameter yang optimal untuk mendapatkan nilai akurasi hasil peramalan
dari data yang berubah berdasarkan trend dengan data aktual yang dihitung menggunakan
rumus-rumus metode. Pada tabel 4.1. menampilkan nilai MAPE untuk evaluasi pada proses
prediksi eror tersebut.

Tabel 4.1. Nilai MAPE untuk Evaluasi Prediksi

No Nilai MAPE Akurasi Prediksi
1 MAPE < 10% Sangat Akurat
2 10% < MAPE < 20% Baik
3 20% < MAPE < 50% Wajar
4 MAPE > 50% Tidak Akurat

68
 4.2.1. Pengujian peramalan Unit kamera Sony a6000
Pengujian peramalan unit kamera dan unit lainnya dilakukan untuk melakukan optimasi
dengan mencari nilai kombinasi parameter alpha dan beta terbaik berdasarkan MAPE
terkecil. Tahap peramalan dilakukan dengan mencari nilai MAPE terkecil, mencari hasil
peramalan berdasarkan parameter terbaik, dan melakukan perbandingan hasil peramalan
dengan data aktual.

1. Tabel sebaran nilai error MAPE DES HOLT

Tabel di bawah ini merupakan matrix sebaran nilai MAPE dari parameter alpha 0,1 sampai
0,9 dan beta 0,1 sampai 0,9.

Tabel 4.2. Sebaran Nilai MAPE DES HOLT

Beta 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

Alpha
0,1 143,75 126,61 109,85 93,47 77,46 62,09 63,08 64,17 65,35
0,2 62,03 73,16 84,55 96,49 116,53 136,02 154,97 173,37 192,26
0,3 103,89 120,51 142,90 168,49 192,85 215,98 237,85 258,48 277,85
0,4 139,94 161,09 190,52 217,80 242,91 265,85 286,63 305,24 321,71
0,5 168,87 193,11 220,11 246,07 268,76 288,21 304,52 323,26 340,38
0,6 189,74 215,31 239,80 262,83 284,05 303,15 319,87 333,98 345,26
0,7 201,90 226,88 249,72 269,91 287,04 300,75 310,73 316,76 318,65
0,8 205,05 227,45 246,38 261,27 271,66 277,18 277,56 272,62 294,36
0,9 199,12 217,01 229,93 237,28 238,61 269,69 307,13 346,99 388,57

Pada table 4.2. terdapat kolom bewarna kuning merupakan nilai MAPE terkecil pada
peramalan menggunakan Metode DES HOLT untuk unit sony a6000 yaitu berada pada
parameter nilai alpha 0,2 dan beta 0,1 dengan nilai MAPE sebesar 62,03%.

2. Tabel sebaran hasil peramalan unit kamera sony a6000

Tabel di bawah ini merupakan matrix sebaran hasil peramalan unit sony a6000 untuk periode
minggu pertama Januari 2019 berdasarkan parameter nilai alpha dan beta terbaik.
Tabel 4.3. Sebaran Hasil Peramalan Unit kamera
Beta 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

Alpha
0,1 -35,05 -20,03 -6,15 6,63 18,35 29,05 38,78 47,56 55,45
0,2 3,52 21,88 36,98 49,09 58,48 65,39 70,06 72,71 73,56
0,3 23,19 39,34 50,42 57,17 60,24 60,25 57,75 53,28 47,29
0,4 33,10 45,34 51,61 53,20 51,27 46,83 40,78 33,90 26,84
0,5 38,95 47,73 50,57 49,35 45,65 40,80 35,87 31,72 28,98
0,6 43,89 50,49 51,91 50,48 48,01 45,92 45,19 46,49 50,18

69
 Tabel 4.4. Lanjutan Sebaran Hasil Peramalan unit kamera mirrorlles
0,7 49,18 54,93 56,60 56,73 57,12 58,97 62,92 69,20 77,66
0,8 54,92 60,71 63,50 65,75 68,98 73,94 80,75 89,07 98,26
0,9 60,62 66,78 70,70 74,55 79,38 85,40 92,23 99,12 105,19

Pada Tabel 4.3. terdapat kolom berwarna kuning merupakan hasil peramalan unit kamera
untuk bulan Januari 2019 dengan hasil 3,52 berdasarkan nilai MAPE terkecil di tabel 4.2.

3. Tabel selisih hasil peramalan unit kamera sony a6000 dengan data aktual
Tabel di bawah ini merupakan matrix sebaran selisih hasil peramalan Unit kamera sony a6000
pada periode minggu pertama Januari 2019 dengan data aktual Unit kamera sony a6000 pada
bulan Januari 2019. Data aktual Sony A6000 pada periode minggu pertama bulan Januari
2021 sebesar 31.

Tabel 4.5. Selisih Hasil Peramalan unit kamera dengan Data Aktual
Beta 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9

Alpha
0,1 66,05 -95,61 37,15 24,37 12,65 1,95 -7,78 -16,56 -24,45
0,2 27,48 9,12 -5,98 -18,09 -27,48 -34,39 -39,06 -41,71 -42,56
0,3 7,81 -8,34 -19,42 -26,17 --29,24 -29,25 -26,75 -22,28 -16,29
0,4 -2,1 -14,34 -20,61 -22,2 -20,27 -15,83 -9,78 -2,9 4,16
0,5 -7,95 -16,73 -19,57 -18,35 -14,65 -9,8 -4,87 -0,72 2,02
0,6 -12,89 -19,49 -20,91 -19,48 -17,01 -14,92 -14,19 -15,49 -19,18
0,7 -18,18 -23,93 -25,6 56,73 -26,12 -27,97 -31,92 -38,2 -46,66
0,8 -23,92 -29,71 -32,5 -34,75 -37,98 -42,94 -49,75 -58,07 -67,26
0,9 -29,62 -35,78 -39,7 -43,55 -48,38 -54,4 -61,23 -68,12 -74,19

Pada tabel 4.5. terdapat selisih data hasil peramalan dengan data aktual berdasarkan nilai
MAPE terkecil pada tabel 4.2 sebesar 62,03 dengan parameter alpha 0,2 dan beta 0,1.
Sementara itu, selisih data terkecil berdasarkan selisih hasil peramalan dengan data aktual
terdapat pada parameter nilai alpha 0,2 dan beta 0,1 dengan nilai MAPE 27,48 selisih data
sebesar 2,02. Oleh karena itu, berdasarkan nilai MAPE terkecil pada peramalan unit kamera
Sony a6000 dengan data 2 tahun untuk meramalkan periode minggu pertama Januari 2019
mempunyai selisih data yang cukup besar dari kenyataan data aktual. Hal tersebut dibuktikan
dengan jarak nilai MAPE terkecil berada di nilai alpha 0,2 dan beta 0,1 sedangkan selisih data
terkecil berada pada nilai alpha 0,5 dan beta 0,1.

70
 4.2.2. Hasil Pengujian
Pengujian pada data training dilakukan dengan cara mengambil data Unit kamera dan rekap
jumlah sewa unit kamera dari Jogjakamera yang berbentuk excel. Kemudian Di input di
Aplikasi. Kemudian tahap pengujian pada data uji dilakukan dengan cara membandingkan
data aktual jumlah unit kamera yang disewa dengan hasil peramalan. Untuk mengetahui
seberapa baik hasil peramalan dapat dilihat dari presentasse nilai error dan tingkat akurasi.

1. Peramalan Jumlah persewaan unit kamera

Tabel di bawah ini merupakan hasil peramalan jumlah sewa kamera dengan total data 19
jenis unit alat menggunakan data training dari tahun 2019 hingga 2020. Hasil peramalan
jumah sewa alat dapat dilihat pada tabel 4.6. di bawah ini.

Tabel 4.6. Hasil Peramalan Jumlah Frekuensi

NO Kategori Nama Unit Parameter Hasil Nilai Nilai Keterangan
Unit Kamera Alpha Beta Peramalan(Rp.) MAPE (%) Akurasi(%)
1 Canon 50mm 1.8 0,2 0,7 27.53 75% 25% Tidak Akurat
2 Canon 50mm 1.8 STM 0,2 0,7 18.86 65% 35% Tidak Akurat
3 Lensa Canon 18-200 0,1 0,6 3.83 56% 44% Tidak Akurat
4 Canon EFS 18-135mm 0,1 0,5 5.75 72% 78% Tidak Akurat
STM
5 Zhiyun Crane M2 0,6 0,9 23.47 50% 50% Wajar
Stabilizer
6 Tripod Velbon 0,7 0,3 27.28 49% 51% Wajar
Tripod DV 7000 N
7 LP-E6 Baterai Canon - 0,9 0,4 13.59 79% 21% Tidak Akurat
Batree WASABI POWER
8 LP-E8 Baterai Canon - 0,5 0,8 27.49 114% -14% Tidak Akurat
WASABI POWER
9 Fujifilm X-A2 - Brown 0,4 0,4 2.68 155% -55% Tidak Akurat
Kamera
10 CANON EOS M3 0,2 0,5 16.66 70% 30% Tidak Akurat
mirrorlless
11 Canon EOS M10 0,2 0,7 20.32 83% 17% Tidak Akurat
12 Sony A6000 + KIT 0,2 0,1 3.52 62% 38% Tidak Akurat
13 Flash Yongnuo YN 560 III 0,2 0,8 10.19 88% 12% Tidak Akurat
Flash
14 Kamera Canon EOS 1200D + KIT 0,1 0,1 13.71 54% 46% Tidak Akurat
15 Canon Canon EOS 700D + KIT 0,1 0,7 11.68 71% 29% Tidak Akurat
16 Dslr Canon Eos 1100D + KIT 0,3 0,5 1.52 56% 44% Tidak Akurat
17 Canon Eos 550D + KIT 0,3 0,7 13.71 82% 18% Tidak Akurat
18 Canon Eos 600D + KIT 0,9 0,8 21.21 165% -65% Tidak Akurat
0,5 0,8 7.88 49% 51% Wajar
19 Kamera Sony HDR CX 190
recorder /
Vidio
RATA - RATA 78,68 23,94 Tidak Akurat

71
 Tabel 4.7. Hasil Peramalan Jumlah Jam
NO Kategori Nama Unit Parameter Hasil Nilai Nilai Keterangan
Unit Kamera Alpha Beta Peramalan(Rp.) MAPE (%) Akurasi(%)
1 Canon 50mm 1.8 0,3 0,6 682.28 104% -4% Tidak Akurat
2 Canon 50mm 1.8 STM 0,2 0,6 415.52 68% 32% Tidak Akurat
3 Lensa Canon 18-200 0,1 0,7 122.20 54% 46% Tidak Akurat
4 Canon EFS 18-135mm 0,1 0,5 218.69 72% 28% Tidak Akurat
STM
5 Zhiyun Crane M2 0,5 0,7 403.96 106% -6% Tidak Akurat
Stabilizer
6 Tripod Velbon 0,4 0,9 631.57 64% Tidak Akurat
Tripod DV 7000 N 36%

7 LP-E6 Baterai Canon - 0,9 0,9 341.67 185% -85% Tidak Akurat
WASABI POWER
8 Batree LP-E8 Baterai Canon - 0,9 0,4 770.51 380% -280% Tidak Akurat
WASABI POWER
9 Fujifilm X-A2 - Brown 0,3 0,6 192.07 135% -35% Tidak Akurat
Kamera
10 CANON EOS M3 0,2 0,6 560.49 64% 36% Tidak Akurat
mirrorlless
11 Canon EOS M10 0,2 0,7 690.66 77% 23% Tidak Akurat
12 Sony A6000 + KIT 0,1 0,8 1156.10 51% 49% Tidak Akurat
13 Flash Yongnuo YN 560 III 0,1 0,9 168.04 79% 21% Tidak Akurat
Flash
14 Canon EOS 1200D + KIT 0,1 0,9 654.09 61% 39% Tidak Akurat
15 Kamera Canon EOS 700D + KIT 0,2 0,4 131.69 72% 28% Tidak Akurat
16 Canon Canon Eos 1100D + KIT 0,2 0,8 194.46 71% 29% Tidak Akurat
17 Dslr Canon Eos 550D + KIT 0,4 0,5 183.54 106% -6% Tidak Akurat
18 Canon Eos 600D + KIT 0,2 0,6 301.85 73% 27% Tidak Akurat
Tidak Akurat
19 Kamera Sony HDR CX 190 0,8 0,7 188.07 216% -116%
recorder /
Vidio
Rata - Rata 107,26 -1,15 Tidak Akurat

Adapun skala penilaian MAPE yaitu:

0% - 10% = Sangat Akurat, 10% - 20% = Baik, 20% - 50% = Wajar, >50% = Tidak Akurat

Kesimpulan pada tabel 4.6. adalah hasil peramalan Jumlah Frekuensi unit yang di sewa
dengan data 19 jenis unit menggunakan data training dari tahun 2019 hingga 2020
menunjukan rata-rata skala nilai MAPE untuk frekuensi 78,68% dan tingkat akurasi sebesar
23,94% dengan kategori “Tidak Akurat” dan untuk rata rata nilai mape hasil jam sebesar
107,26% dengan tingkat akurasi sebesar -1,15%. Hasil peramalan jumlah alat yang
menunjukan nilai MAPE terkecil terdapat pada Tripod velbon Dv7000 dan Sony Hdr cx190
Masing masing mendapatkan nilai MAPE 49% dan tingkat akurasi sebesar 51% dengan
parameter alpha berada pada nilai 0,9 dan beta 0,1. Sementara itu, hasil peramalan unit yang
menunjukan nilai MAPE terbesar terdapat pada unit canon 600d + Kit dengan nilai MAPE 165%
dan tingkat akurasi -65% dengan parameter alpha berada pada nilai 0,9 dan beta 0,8..

72
 2. Pengujian hasil peramalan Jumlah unit rental dengan data aktual
Tabel di bawah ini merupakan pengujian perbandingan hasil peramalan jumlah unit pada
periode pertama bulan Januari 2019 dengan data aktual jumlah periode pertama bulan
Januari 2021 sebagai data uji. Pengujian data jumlah unit kamera dapat dilihat pada table 4.8.
di bawah ini.

Tabel 4.8. Pengujian Hasil Peramalan jumlah unit sewa dengan Data Aktual
NO Kategori Nama Unit Data Aktual Nilai
Unit Kamera Hasil Peramalan MAPE (%) Keterangan
1 Canon 50mm 1.8 13 27,53 111,76 % Tidak Akurat
2 Canon 50mm 1.8 STM 7 18,86 169,42 % Tidak Akurat
3 Lensa Canon 18-200mm 5 3,83 23,4 % Baik
4 Canon EFS 18-135mm 13 5,75 Tidak Akurat
STM 55,76 %
5 Zhiyun Crane M2 21 23,47 Baik
Stabilizer 11,76 %
6 Tripod Velbon 27,28 Tidak Akurat
Tripod DV 7000 N 17
60,47 %
7 LP-E6 Baterai Canon - 10 13,59 Tidak Akurat
WASABI POWER 35,9 %
8 Batree LP-E8 Baterai Canon - 13 27,49 Tidak Akurat
WASABI POWER 111,46 %
9 Fujifilm X-A2 - Brown 10 2,68 73,2 % Tidak Akurat
Kamera
10 CANON EOS M3 15 16,66 11,06 % Baik
mirrorlless
11 Canon EOS M10 11 20,32 84,72 % Tidak Akurat
12 Sony A6000 + KIT 31 3,52 88,64 % Tidak Akurat
13 Flash Yongnuo YN 560 III 7 10,19 Wajar
Flash 45,571 %
14 Canon EOS 1200D + KIT 19 13,71 27,84 % Baik
15 Kamera Canon EOS 700D + KIT 17 11,68 31,29 % Wajar
16 Canon Canon Eos 1100D + KIT 10 1,52 84,8 % Tidak Akurat
17 Dslr Canon Eos 550D + KIT 12 13,71 14,25 % Baik
18 Canon Eos 600D + KIT 13 21,21 63,15 % Tidak Akurat

19 Kamera Sony HDR CX 190 14 7,88 Wajar

recorder /
Vidio 43,71 %
RATA RATA 60,43% Tidak Akurat

Adapun skala penilaian MAPE yaitu:

0% - 10% = Sangat Akurat, 10% - 20% = Baik, 20% - 50% = Wajar, >50%=Tidak Akurat

3. Pengujian menggunakan Root mean squared error (RMSE)

Tabel dibawah ini

73
 PERIODE DATA HASIL ERROR SELISIH ERROR
AKTUAL PERAMALAN
t At Ft At – Ft ( At -Ft)^2
1 13 27,53 -14,53 211,12
2 7 18,86 -11,86 140,66
3 5 3,83 1,17 1,37
4 13 5,75 7,25 52,56
5 21 23,47 -2,47 6,10
6 17 27,28 -10,28 105,68
7 10 13,59 -3,59 12,89
8 13 27,49 -14,49 209,96
9 10 2,68 7,32 53,58
10 15 16,66 -1,66 2,76
11 11 20,32 -9,32 86,86
12 31 3,52 27,48 755,15
13 7 10,19 -3,19 10,18
14 19 13,71 5,29 27,98
15 17 11,68 5,32 28,30
16 10 1,52 8,48 71,91
17 12 13,71 -1,71 2,92
18 13 21,21 -8,21 67,40
19 14 7,88 6,12 37,45
TOTAL RATA RATA 1884,8
Root Meen Squared Error (RMSE) 9,96

RMSE = Jika nilai mendektai 0 maka hasil menjadi sangat baik

Hasil pengujian pada tabel 4.8. adalah perbandingan hasil peramalan Jumlah Frekuensi
Peminjaman kamera dengan data aktual pada periode pertama bulan Januari 2021 sebagai
data uji menunjukan rata-rata skala nilai MAPE 60,43% dengan kategori “Tidak Akurat”.
Selisih hasil peramalan jumlah Frekuensi peminjaman unit kamera dengan data aktual yang
menunjukan nilai MAPE terkecil terdapat pada Canon eos m3 mendapatkan nilai MAPE
11,06% dengan kategori skala penilaian MAPE “Baik”. Sementara itu, selisih hasil
peramalan unit kamera dengan data aktual yang menunjukan nilai MAPE terbesar terdapat
pada Canon 50mm 1.8 STM mendapatkan nilai MAPE 169,42% dengan kategori skala
penilaian MAPE “Tidak Akurat”.
RMSE dapat berkisar dari 0 hingga ∞. RMSE dapat berorientasi negatif dimana nilai
yang lebih rendah menunjukkan nilai yang lebih baik. Jika nilai RMSE lebih kecil, hal ini
berarti bahwa nilai yang diprediski dekat dengan nilai yang diamati atau observasi, dan
sebaliknya.

4.3. Pembahasan
Pengujian dilakukan dengan memilih Unit Rental berdasarkan kategori, setelah
dikelompokan berdasarkan kategori Unit Rental kemudian dilakukan perhitungan
menggunakan Metode Double Exponential Smoothing Holt dengan parameter alpha dan beta
yang telah ditentukan yaitu nilai alpha 0,1; 0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9 dan beta 0,1;

74
0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9 pada setiap bahan pokok. Proses perhitungan data yang
digunakan merupakan data Unit Rental dari tahun 2019 hingga 2020, dimana data tersebut
dikelompokan berdasarkan bulan sehingga terdapat 3 periode. Dari 8 periode data tersebut
digunakan sebagai data training dan data aktual Unit Rental pada tahun 2021 digunakan
sebagai data uji.
Setiap jenis data unit alat dilakukan beberapa kali proses perhitungan dengan menggunakan
berbagai nilai alpha dan beta, setelah dilakukan proses perhitungan untuk mengetahui
seberapa akurat hasil peramalan maka menggunakan nilai presentase error yaitu MAPE
terkecil yang akan digunakan sebagai peramalan Unit Rental untuk periode kedepan. Hasil
pengujian yang terdapat pada optimasi parameter 19 jenis Unit Rental pada kategori Lensa,
Kamera dslr, Kamera Mirrorlles, Tripod, Stabilizer, Kamera vidio, Flash dan Batree Jadi
untuk kesimpulan pada Pada pengujian hasil peramalan dengan data aktual Unit Rental
menghasilkan nilai MAPE terkecil terdapat pada Canon Eos m3 dengan hasil 11,06%.
Sementara itu, nilai MAPE terbesar terdapat pada Lensa Canon 50mm 1.8 STM dengan hasil
169,42%. Oleh karenanya, bisa disimpulkan pada pengujian data uji dari 19 jenis unit alat
berdasarkan hasil peramalan dengan data aktual didapatkan skala penilaian MAPE dengan
kategori “Tidak Akurat”.

75
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan
Hasil peramalan unit alat di Jogjakamera menggunakan Metode Double Exponential
Smoothing Holt bahwa kombinasi parameter terbaik berada pada nilai alpha 0,7 dan beta
0,3. Peramalan jumlah frekuensi unit kamera menunjukan nilai MAPE terkecil sebesar 49%
pada Tripod Velbon dv7000 dan tingkat akurasi sebesar 51% dengan parameter alpha 0,3
dan beta 0,3. Sementara itu, hasil peramalan yang menunjukan nilai MAPE terbesar dengan
nilai 165% pada Canon 600D + Kit dan tingkat akurasi sebesar -65% dengan parameter alpha
0,9 dan beta 0,8. Setelah dilakukan pengujian, peramalan unit dengan data aktual yang
menunjukan nilai MAPE terkecil terdapat pada Canon Eos m3 mendapatkan nilai MAPE
11,06%. Sementara itu, selisih hasil peramalan unit rental dengan data aktual yang
menunjukan nilai MAPE terbesar terdapat pada Lensa Canon 50mm 1.8STM mendapatkan
nilai MAPE 169,42%. Dengan demikian dapat disimpulkan bahwa hasil pengujian
peramalan unit rental dengan Metode Double Exponential Smoothing Holt menunjukan rata-
rata MAPE dan tingkat akurasi dengan kategori “Tidak Akurat”. Dikarenakan jumlah data
training yang sedikit, dan hasil selisih data yang kecil mengakibatkan hasil rata rata
perbandingan dengan data aktual tidak akurat

5.2. Saran
Dalam penelitian berikutnya, dapat dilakukan perbandingan dengan menggunakan metode
peramalan time series yang lain sehingga dapat diketahui metode peramalan mana yang lebih
baik pada peramalan jumlah unit rental di jogjakamera. Pengujian validasi data untuk
optimasi parameter alpha dan beta dapat dilakukan menggunakan aplikasi yang lain seperti
SPSS.

76
DAFTAR PUSTAKA

(Andini & Auristandi, 2016; Ardian et al., 2018; Fajri & Johan, 2017; Habsari et al., 2020;
Hudiyanti et al., 2019; Mulyani et al., 2014; Qamal, 2019; Rusy Ariyanto, 2017;
Situmorang, 2015)Andini, T. D., & Auristandi, P. (2016). Peramalan Jumlah Stok
Alat Tulis Kantor di UD Achmad Jaya Menggunakan Metode Double Exponential
Smoothing. Jurnal Ilmiah Teknologi Informasi Asia, 10(1), 1–10.

Ardian, D., Larasati, P. D., & Irawan, A. (2018). Perancangan Sistem Informasi Aplikasi
Rental Mobil Menggunakan Java Netbeans dan MySQL pada Perusahaan Dean’s Car
Rent. Applied Information System and Management (AISM), 1(1).
https://doi.org/10.15408/aism.v1i1.8670

Fajri, R., & Johan, T. M. (2017). Implementasi Peramalan Double Exponential Smoothing
Pada Kasus Kekerasan Anak Di Pusat Pelayanan Terpadu Pemberdayaan Perempuan
Dan Anak. Jurnal ECOTIPE, 4(2), 6–13. https://doi.org/10.33019/ecotipe.v4i2.6

Habsari, H. D. P., Purnamasari, I., & Yuniarti, D. (2020). PERAMALAN

MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN
VERIFIKASI HASIL PERAMALAN MENGGUNAKAN GRAFIK PENGENDALI
TRACKING SIGNAL ( Studi Kasus : Data IHK Provinsi Kalimantan Timur )
Forecasting Uses Double Exponential Smoothing Method and Forecastin. Jurnal Ilmu
Matematika Dan Terapan, 14(1), 13–22.

Hudiyanti, C. V., Bachtiar, F. A., & Setiawan, B. D. (2019). Perbandingan Double Moving
Average dan Double Exponential Smoothing untuk Peramalan Jumlah Kedatangan
Wisatawan Mancanegara di Bandara Ngurah Rai. Jurnal Pengembangan Teknologi
Informasi Dan Ilmu Komputer, 3(3), 2667–2672.

Mulyani, S., Fadilah, N., & Saleh, K. (2014). Peramalan Permintaan Toza Juice
Strawberry Sebagai Dasar Penentuan Kebutuhan Persediaan. 12, 217–237.

Qamal, M. (2019). Ringan Dengan Metode Single.

Rusy Ariyanto, D. P. (2017). Penerapan Metode Double Exponential Smoothing Pada.

Jurnal Informatika Polinema, 4(1), 57–62.

Situmorang, D. I. Y. (2015). Analisa Prediksi Penyewa Alat Transportasi Menggunakan

Metode Single Exponential Smoothing Studi (Kasus PT. Sedona Holidays Medan).
Jurnal Riset Komputer (JURIKOM), 2(6), 37–42.

Andini, T. D., & Auristandi, P. (2016). Peramalan Jumlah Stok Alat Tulis Kantor di UD
Achmad Jaya Menggunakan Metode Double Exponential Smoothing. Jurnal Ilmiah
Teknologi Informasi Asia, 10(1), 1–10.

Ardian, D., Larasati, P. D., & Irawan, A. (2018). Perancangan Sistem Informasi Aplikasi
Rental Mobil Menggunakan Java Netbeans dan MySQL pada Perusahaan Dean’s Car
Rent. Applied Information System and Management (AISM), 1(1).
https://doi.org/10.15408/aism.v1i1.8670
77
Fajri, R., & Johan, T. M. (2017). Implementasi Peramalan Double Exponential Smoothing
Pada Kasus Kekerasan Anak Di Pusat Pelayanan Terpadu Pemberdayaan Perempuan
Dan Anak. Jurnal ECOTIPE, 4(2), 6–13. https://doi.org/10.33019/ecotipe.v4i2.6

Habsari, H. D. P., Purnamasari, I., & Yuniarti, D. (2020). PERAMALAN

MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN
VERIFIKASI HASIL PERAMALAN MENGGUNAKAN GRAFIK PENGENDALI
TRACKING SIGNAL ( Studi Kasus : Data IHK Provinsi Kalimantan Timur )
Forecasting Uses Double Exponential Smoothing Method and Forecastin. Jurnal Ilmu
Matematika Dan Terapan, 14(1), 13–22.

Hudiyanti, C. V., Bachtiar, F. A., & Setiawan, B. D. (2019). Perbandingan Double Moving
Average dan Double Exponential Smoothing untuk Peramalan Jumlah Kedatangan
Wisatawan Mancanegara di Bandara Ngurah Rai. Jurnal Pengembangan Teknologi
Informasi Dan Ilmu Komputer, 3(3), 2667–2672.

Mulyani, S., Fadilah, N., & Saleh, K. (2014). Peramalan Permintaan Toza Juice
Strawberry Sebagai Dasar Penentuan Kebutuhan Persediaan. 12, 217–237.

Qamal, M. (2019). Ringan Dengan Metode Single.

Rusy Ariyanto, D. P. (2017). Penerapan Metode Double Exponential Smoothing Pada.

Jurnal Informatika Polinema, 4(1), 57–62.

Situmorang, D. I. Y. (2015). Analisa Prediksi Penyewa Alat Transportasi Menggunakan

Metode Single Exponential Smoothing Studi (Kasus PT. Sedona Holidays Medan).
Jurnal Riset Komputer (JURIKOM), 2(6), 37–42.

Bidangan, J., Purnamasari, I., & Hayati, M. N. (2016). Perbandingan Peramalan Metode
Double Exponential Smoothing Satu Parameter Brown Dan Metode Double
Exponential Smoothing Dua Parameter Holt. Statistika FMIPA Universitas
Mulawarman, 4(1), 15–19. Retrieved
from
https://jurnal.unimus.ac.id/index.php/statistik/article/view/2003

Buffa, Elwood S., 1996. Manajemen Operasi dan Produksi Modern, Edisi Kedelapan,
JilidSatu, Jakarta: Binarupa Aksara.

Fathansyah, 1999, Basis Data, Informatika Bandung, Bandung.

Gustriansyah, R. (2017). Analisis Metode Single Exponential Smoothing dengan

Brown Exponential Smoothing pada Studi Kasus. 7–12.

Heizer, Jay., & Render, Barry. (2009). Operation Management, Buku 1. Jakarta :
Salemba Empat.

Izat, A., Jatipaningrum, M. T., Sains, I., & Akprind, T. (2018). PERAMALAN INDEKS
HARGA KONSUMEN ( IHK ) DENGAN MENGGUNAKAN METODE DOUBLE

78
EXPONENTIAL SMOOTHING DAN FUZZY TIME SERIES Indeks Harga
Konsumen ( IHK ) secara luas telah diterima sebagai suatu indikator umum
dariAlfiah Izat , Maria Titah Jatipaningrum secara . 03(2), 63–73.

Krisma, A., & Azhari, M. (2019). Perbandingan Metode Double Exponential Smoothing
Dan Triple Exponential Smoothing Dalam Parameter Tingkat Error Mean Absolute
Percentage Error ( MAPE ) dan Means Absolute Deviation ( MAD ).

79