Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 5, No. 12, Desember 2021, hlm. 5591-5603 http://j-ptiik.ub.ac.id

Analisis Penggunaan Model Regresi untuk Prediksi Penjualan Spare Part

pada AHASS Nur Andhita Grogol
Hilmi Rezkian Aziz Dama1, Ahmad Afif Supianto2, Nanang Yudi Setiawan3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1hilmidama@student.ub.ac.id, 2afif.supianto@ub.ac.id, 3nanang@ub.ac.id

Abstrak
AHASS Nur Andhita Grogol adalah salah satu bengkel resmi milik honda yang berada di jalan Nur
Andhita Grogol Depok. Agar AHASS Nur Andhita Grogol tetap dapat menyediakan jasa service,
diperlukan stok spare part yang tersedia, Namun stok spare part sering tidak tersedia, sementara
pengiriman spare part dari cabang membutuhkan waktu hingga satu sampai dua hari. hal ini lah yang
menyebabkan penyediaan jasa service, motor pada AHASS Nur Andhita Grogol tidak maksimal. Maka
dari itu untuk memaksimalkan penyediaan jasa service, diperlukan prediksi penjualan spare part agar
pihak AHASS Nur Andhita Grogol dapat mengambil keputusan untuk penyediaan spare part untuk
penjualan ke depannya. prediksi dilakukan pada tiga spare part yang paling banyak terjual yaitu Oli
SPX2, Cairan injeksi, dan Scooter Gear Oil. model prediksi yang digunakan adalah model regresi
polinomial orde tiga menggunakan data penjualan dari bulan maret sampai november 2020. prediksi
pada Oli SPX2 menghasilkan nilai RMSE sebesar 20,81, pada Cairan injeksi sebesar 49,99, dan pada
Scooter Gear Oil sebesar 16.93. hasil prediksi kemudian divisualisasikan dalam bentuk dashboard pada
platform Google Data Studio dan dilakukan pengujian usability menggunakan system usability
scale(SUS) yang menghasilkan nilai sebesar 75.00 dimana nilai tersebut masuk kategori acceptable
dengan rating "good"
Kata kunci: Data Mining, Regresi , Root Mean Squared Error, Koefisien Determinasi, Regresi Polinomial Orde
Tiga
Abstract
AHASS Nur Andhita Grogol is one of officially honda's Workshop that located on Nur Andhita Grogol
street Depok. so that AHASS can still serve a good service, AHASS need an available spare part stock.
however spare part stok usually is not available. while spare part delivery from subsidiary take one to
two days. this condition causes provision of service, on AHASS Nur Andhita Grogol is not maximum.
therefore to maximalize the provision of service, AHASS need a prediction of spare part sales so that
AHASS can make a decision to provide spare part stock in the future. predictions are made on the three
most sold spare parts, those are SPX2 Oil, Fluid Injection, and Scooter gear Oil. prediction model were
used is polynomial regression third order using data of spare part that sold in maret 2020 until
november 2020. prediction on SPX2 Oil generate RMSE value 20.81, on Fluid injection 49,99, and on
Scooter gear oil 16.93. prediction results visualized at dashboard form using google data studio
platform and usability tested using system usability scale(SUS) which produces a value of 75.00 which
is included in the Acceptable category with a rating of "Good".
Keywords: Data Mining, Regression, Root Mean Squared Error, coefficient of determination, Regression of
polynomial third order

tujuannya. Seperti gojek salah satu startup di

1. PENDAHULUAN
Kendaraan sangat dibutuhkan oleh semua
orang dan semua bidang, contohnya pada bidang
transportasi kendaraan digunakan untuk
membantu mengantar orang atau objek ke
Indonesia yang memanfaatkan kendaraan untuk
alat transportasi dan jasa pengantaran barang.
Kendaraan paling sering ditemui di Indonesia
adalah mobil dan motor. Didapat dari data
otomotif kompas pada tahun 2019 lalu penjualan
sepeda motor di indonesia lebih besar enam kali

Fakultas Ilmu Komputer

Universitas Brawijaya 5591
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
lipat lebih banyak dari pada penjualan mobil,
dengan angka 6,3 juta untuk untuk penjualan
sepeda motor dan 1,1 juta unit untuk penjualan
mobil. Dari data tersebut dapat dilihat bahwa
pengguna motor lebih banyak dari pengguna
mobil. Banyak yang lebih memilih motor karena
selain fungsi nya yang juga bisa dapat dijadikan
sebagai alat transportasi, harganya yang
terjangkau yang memungkinkan banyak orang
untuk membelinya.
Agar motor tetap bekerja secara nyaman
maka dibutuhkan pencegahan agar motor
tersebut tidak rusak, motor harus tetap dirawat
dengan cara memperbarui sparepart yang
terpasang, karena tidak semua orang mengerti
cara memperbarui sparepart ada penyediaan jasa
service motor yang bernama AHASS. AHASS
adalah bengkel resmi milik honda yang ada di
Indonesia. Ada berbagai macam pelayanan yang
ditawarkan bengkel AHASS ini, contohnya
penyedia jasa service motor dan penjualan
aksesoris motor honda.
Dengan adanya berbagai macam service
yang ditawarkan, pihak AHASS harus
menyediakan sparepart agar AHASS bisa terus
menyediakan jasanya. Tapi sangat disayangkan
jika sparepart tidak tersedia maka pelayanan
tidak bisa dilakukan dan mengakibatkan
kerugian dikedua pihak, pihak konsumen rugi
karena motornya tidak dapat diservice
sedangkan pihak AHASS rugi karena penjualan
dan pelayanannya tidak maksimal. Sementara
jika AHASS ingin melakukan stok ulang
sparepart, AHASS memerlukan waktu yang
lama karena pengiriman sparepart bisa memakan
waktu 3 sampai 4 hari
Masalah ini lah yang ingin diselesaikan oleh
penulis menggunakan ilmu data mining. Data
mining sendiri adalah suatu ilmu yang mengolah
banyak data menjadi suatu pola atau suatu
informasi yang berguna. Informasi akan
ditampilkan pada sebuah dashboard, dashboard
tersebut akan menampilkan prediksi stok barang
untuk bulan berikutnya. Ada banyak metode
untuk melakukan prediksi, pada penelitian ini
metode akan dipilih berdasarkan koefisien
determinasi terbesar dari setiap calon metode
yang digunakan, calon metode tersebut adalah
regresi linear, regresi polinomial orde dua dan
regresi polinomial orde 3. Regression adalah
pencarian hubungan antara variable x dan
variable y, dimana dalam penelitian ini variable
x adalah satuan minggu, dua minggu dan bulan
Fakultas Ilmu Komputer, Universitas Brawijaya
5592
sedangkan variable y adalah banyaknya
sparepart yang terjual. Metode regresi dipilih
karna sangat cocok antara data yang tersedia dan
data yang diperlukan. AHASS mempunyai
catatan riwayat penjualan setiap bulannya.
Dengan adanya catatan itu maka metode tersebut
sangat cocok untuk digunakan dalam penelitian
ini. Data yang diperlukan untuk menerapkan
metode ini adalah riwayat sparepart yang terjual.
Riwayat penjualan tersebut nantinya dapat
disatukan berdasrkan jenis sparepartnya lalu
ditotalkan berdasarkan waktu perminggu, perdua
minggu, dan perbulan. Disini penulis
mengkhususkan pada stok sparepart paling
sering terjual agar tidak cepat habis.Dengan
adanya informasi ini, pihak AHASS tidak perlu
berlebihan membeli stok sparepart yang jarang
terjual dan memaksimalkan stok pada sparepart
yang paling banyak terjual
Terdapat penelitian serupa yang dilakukan
oleh Julyanti S, Hanny Komalig, dan Djoni
Hatidja(2013) dengan judul Pengembangan
Model Regresi Polinomial Berganda Pada Kasus
Data Pemasaran, mengulas tentang derata
polinomial yang tepat dengan mengukur nilai
koefisien determinasi terbesar. Penelitian lain
dilakukan oleh Koko Hermanto dan Fidy(2019)
dengan judul Metode Regresi yang Tepat Untuk
Meramalkan Permintaan Minyak Solar di
Kabupaten Sumbawa yang mengulas tentang
model regresi yang cocok untuk prediksi
permintaan minyak solar dengan cara
membandingkan dan memilih nilai koefisien
determinasi yang paling besar. Penelitan yang
dilakukan oleh Koko Hermanto, Silvia Utami,
dan Ryan Suarantalla (2020) dengan judul
Prediksi Produksi Air Bersih Oleh Perusahaan
Daerah Air Minum Batulanteh Kabupaten
Sumbawa Menggunakan Metode Regresi yang
mengulas tentang pemilihan model regresi yang
tepat dengan koefisien determinasi sebagai alat
ukurnya.
Berdasarkan latar belakang yang telah
dijabarkan, penulis tertarik melakukan analisis
model regresi yang cocok untuk memprediksi
penjualan sparepart pada AHASS Nur Andhita
Grogol. Model regresi dipilih menggunakan
koefisien determinasi sebagai alat ukurnya dan
Perhitungan Akurasi model menggunakan nilai
Root Mean Squared Error(RMSE). Hasil dari
pengolahan data kemudian akan divisualisasikan
dengan dashboard. Oleh karena itu penulis
mengangkat peneitian dengan judul “Analisis
Penggunaan Model Regresi Untuk Prediksi
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5593

Penjualan Spare part Pada Ahass Nur Andhita
Grogol”.
2. LANDASAN KEPUSTAKAAN
2.1 Prediksi
Prediksi adalah proses untuk
memperkirakan sesuatu yang mungkin akan
terjadi pada masa depan dengan memanfaatkan
informasi di masa lalu. (Herdianto, 2013).
Prediksi tidak selamanya seratus persen akurat,
tetapi akurasinya dapat ditingkatkan sehingga
hasilnya bisa mendekati informasi aslinya.
2.2 Outlier
Outlier adalah Outlier adalah kasus atau data
yang memiliki karakteristi unik yang terlihat
sangat berbeda jauh dari observasi-observasi
lainnya dan muncul dalam bentuk nilai ekstrim
baik untuk sebuah variabel tunggal atau
kombinasi (Ghozali, 2011 : 41). Untuk
menyatakan nilai outlier dapat dilihat pada
persamaan 1 menurut Setyo (2019).
𝑄3 + 1.5 ∗ 𝐼𝑄𝑅 < 𝑥 < 𝑄1 − 1.5 ∗ 𝐼𝑄𝑅 … (1)
Keterangan :
Q3 =kuartil tiga
Q1 = kuartil satu
𝑥 𝑚𝑎𝑥 = nilai maksmimal dari keseluruhan data
2.4 Denormalisasi
Denormalisasi adalah proses pengembalian
nilai yang telah ternormalisasi ke nilai asal
nya.(Triyono, 2011). Menurut Triyono tidak ada
metode khusus untuk mengembalikan nilai yang
sudah ternormalisasi. Untuk itu denormalisasi
bisa didapatkan dengan cara membalik rumus
normalisasinya. Contohnya jika pada penelitian
ini menggunakan normalisasi min-max, maka
rumus denormalisasinya dapat dinyatakan dalam
persamaan 3.
𝑥 = 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑒𝑑 𝑥 ∗ (𝑥 𝑚𝑎𝑥 − 𝑥 𝑚𝑖𝑛) + 𝑥 𝑚𝑖𝑛 … (3)
Keterengan:
𝑥 = nilai asli data
𝑥 𝑚𝑖𝑛 = nilai minimal dari keseluruhan data
𝑥 𝑚𝑎𝑥 = nilai maksmimal dari keseluruhan data
2.5 Regresi
Regresi adalah hubungan yang terbentuk
antara variable dependen dan independen yang
dinyatakan dalam bentuk
matematik.(Suwarsito,n.d.). variable
independen dan dependen dapat diartikan
sebagai berikut (Hatta dan Adrenanus, 2019):

IQR = Q3 – Q1 1. Variable Independen atau variable bebas

adalah variable yang mempengaruhi
2.3 Normalisasi perubahan pada variable dependen. Variable
independen biasa disebut dengan variable X
Normalisasi adalah pembentukan ulang data
sehingga data yang mempunyai nilai ambigulity 2. Variable Dependen atau variable terikat
bisa dihilangkan. (Soeherman, 2004). Ada adalah variable yang perubahannya
banyak jenis normalisasi yang biasa digunakan dipengaruhi oleh variable independen.
untuk membentuk ulang data. Pada penelitian ini Variable dependen biasa disebut dengan
jenis normalisasi yang digunakan adalah variable Y
Normalisasi Min-Max
2.5.1 Regresi Linear
2.3.1 Normalisasi Min-Max Regresi linear adalah salah satu metode
Metode normalisasi min-max digunakan statistik yang digunakan untuk memprediksi
untuk mengatur ulang nilai data dengan nilai nilai Y berdasarkan nilai X persamaan 4
antara 0 sampai 1. (Chamidah, . and Salamah, merupakan persamaan untuk mencari nilai Y
2016). Metode normalisasi min-max menurut Sumari.(2021).
dinyatakkan dalam persamaan 2:
𝑦 = 𝑎 + 𝑏𝑥 (4)
𝑥−𝑥 𝑚𝑖𝑛
𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑒𝑑 𝑥 = … (2)
𝑥 max − 𝑥 𝑚𝑖𝑛 Keterangan :
Keterengan: y = variable dependen
a = konstanta
𝑥 = nilai asli data
𝑥 𝑚𝑖𝑛 = nilai minimal dari keseluruhan data
b = slope

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5594

x = variable independen kecocokan antara variabel bebas dan

variabel terikat(Zulkifli dan Solot, 2018).
Nilai a dinyatakan dalam persamaan 5 dan nilai ini berkisar antara 0 sampai 1, dimana
nilai b dinyatakan dalam persamaan 6. semakin mendekati 1 semakin baik model
yang digunakan. Karena itu nilai koefisien
(∑ 𝑦)(∑ 𝑥 2 )− (∑ 𝑥)(∑ 𝑥𝑦) determinasi dapat dijadikan sebagai bahan
𝑎= … (5)
𝑛(∑ 𝑥 2 )− (∑ 𝑥)2 ukur apakah model regresi cocok digunakan
atau tidak(Sari, 2016)
𝑛(∑ 𝑥𝑦)− (∑ 𝑥)(∑ 𝑦) 2.7 K-Fold Cross Validation
𝑏= … (6)
𝑛(∑ 𝑥 2 )− (∑ 𝑥)2
K-Fold cross validation adalah salah satu
teknik dari cross validation yang digunakan
2.5.2 Regresi Polinomial untuk melakukan partisi secara acak pada data
training sebanyak nilai K dan melakukan
Regresi polinomial adalah salah satu model percobaan sebanyak nilai K tersebut(Han,
regresi yang terbentuk dari penjumlahan Kamber, & Pei, 2012).
masing masing variable independen yang
dipangkatkan(Malensang, 2012). Persamaan
7 merupakan persamaan umum model
regresi regresi polinomial menurut
Saridi(2015).
𝑦 = 𝑏0 + 𝑏1 𝑋 + 𝑏2 𝑋 2 + 𝑏𝑘 𝑋 𝑘 … (7)

Keterangan:
y = variable dependen
x = variable independen,
𝑏0 𝑏1, …, 𝑏𝑘 = koefisien-koefisien regresi
Gambar 1. K-Fold cross validation

Variable koefisien-koefisien regresi bisa Dari gambar 1 dapat dilihat bahwa pada gambar
didapat menggunakan metode persamaan tersebut nilai k adalah 5 yang berarti terjadi 5
terkecil seperti yang dinyatakan dalam kali iterasi. Lalu besarnya data akan dibagi
persamaan 8. menjadi menjadi 1/5 bagian data test dan 4/5
Σy = 𝑏0 𝑛 + 𝑏1 Σ𝑥 + 𝑏2 Σ𝑥 2 + 𝑏3 Σ𝑥 3 adalah data train. Pada iterasi pertama
Σ𝑥y = 𝑏0 Σ𝑥 + 𝑏1 Σ𝑥 2 + 𝑏2 Σ𝑥 3 𝑏3 Σ𝑥 4 … (8) 2.8 Root Mean Squared Error(RMSE)
Σ𝑥 2 y = 𝑏0 Σ𝑥 2 + 𝑏1 Σ𝑥 3 + 𝑏2 Σ𝑥 4 𝑏3 Σ𝑥 5
Root mean squared error merupakan
Σ𝑥 3 y = 𝑏0 Σ𝑥 3 + 𝑏1 Σ𝑥 4 + 𝑏2 Σ𝑥 5 + 𝑏3 Σ𝑥 6 metode alternatif untuk mengevaluasi
metode prediksi yang digunakan untuk
Persamaan tersebut dapat ditransformasi mengukur ketepatan estimasi model. Nilai
kedalam bentuk matriks yang dinyatakan yang dihasilkan oleh RMSE adalah rata-rata
dalam persamaan 9. kuadrat dari kesalahan model
prediksi(Sanjaya, 2020). RMSE dirumuskan
Σy 𝑛 Σ𝑥 Σ𝑥 2 Σ𝑥 3 𝑏0
dalam persamaan 10.
Σ𝑥y Σ𝑥 Σ𝑥 2 Σ𝑥 3 Σ𝑥 4 𝑏1
X … (9)
Σ𝑥 2 y = Σ𝑥 2 Σ𝑥 3 Σ𝑥 4 Σ𝑥 5 𝑏2 ∑𝑛 ̅𝑖 − 𝑦𝑖 )2
𝑖 (𝑦
Σ𝑥 2 y Σ𝑥 3 Σ𝑥 4 Σ𝑥 5 Σ𝑥 6 𝑏3 𝑅𝑀𝑆𝐸 = √ … (10)
𝑛

2.6 Koefisien Determinasi Keterangan:

𝑦̅𝑖 = nilai prediksi
Koefisien determinasi adalah nilai
𝑦𝑖 = nilai asli

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5595

𝑛 = banyak data

2.9 System Usability Scale

System usability scale adalah metode yang
diperkenalkan oleh Broke pada tahun 1986
untuk menguji tampilan antarmuka sistem.
System usability scale digunakan karena sangat
cocok untuk mengukur usability system menurut
sudut pandang subyektif pengguna (Brooke,
2013). System usability scale diujikan pada
pengguna dengan bentuk kuisioner yang berisi
10 instrumen dengan menggunakan skala likert
dari 0 sampai 4

3. METODE PENELITIAN
Langkah Langkah yang butuhkan untuk
melakukan penlitian pada AHASS adalah
sebagai berikut :

Gambar 2. Metodologi Penelitian

3.1 Koefisien Determinasi

Hal yang dilakukan pertama kali dalam
penelitian ini adalah wawancara pada objek
penelitian yaitu AHASS Nur Andhita Grogol,
wawancara langsung dilakukan dengan pak
Muhammad Rosyid selaku kepala bengkel
AHASS Nur Andhita Grogol. Wawancara
dengan bapak Rosyid bertujuan untuk
menemukan permasalahan yang ada pada
AHASS Nur Andhita Grogol.

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
3.2 Studi Literatur
Tahap selanjutnya pada penelitian ini
adalahmelakukan Studi Literatur. Dalam tahap
ini, penulis mencari referensi mengenai
penelitian yang serupa untuk memperkuat ilmu,
pengetahuan dan teori yang berhubungan dengan
penelitian yang akan dijalani. Studi literatur
perlu dilakukan sebagai dasar ilmu pengetahuan
bagi penulis dalam melakukan penelitian. Pada
penelitian ini studi literatur diambil dengan cara
mencari jurnal dengan penelitian yang juga
menganalisis model regresi yang cocok untuk
melakukan prediksi dengan cara menghitung
nilai koefisien determinasi
3.3 Pengumpulan Data
Pada tahap ini pengumupulan data
dilakukan melalui dua proses utama yaitu
tahap wawancara dan tahap akuisisi data.
Tahap wawancara dilakukan untuk menggali
lebih dalam terkait permasalah yang sedang
dihadapi oleh AHASS. Tahap selanjutnya
akan dilakukan akuisisi data penjualan spare
part dari AHASS Nur Andhita Grogol. Data
yang diambil adalah data penjualan sparepart
keseluruhan dari bulan Maret 2020 sampai
November 2020. Pengumpulan data
dilakukan dengan metode dokumentasi yaitu
mengambil data yang sudah tercatat oleh
AHASS Nur Andhita Grogol.
3.4 Perancangan Dataset
Pada tahap ini dilakukan perancangan
dataset yang sesuai dengan kebutuhan
penelitian. Perancangan dataset dilakukan
manual menggunakan bantuan microsoft excel.
Perancangan dataset dilakukan melalui dua
tahap yaitu seleksi data dan pengumpulan data.
Seleksi data pada penelitian ini adalah
pemilihan tiga spare part yang terjual terbanyak
serta menghilangkan atribut yang tidak
diperlukan pada penelitian ini. Selanjutnya
adalah tahap pengelompokan data, dimana tiga
spare part yang terjual terbanyak masing masing
dikelompokan menjadi penjualan per minggu,
perdua minggu, dan per bulan.
3.5 Preprocessing Data
Tahap preprocessing data dilakukan untuk
meningkatkan performa model regresi . Tahap
preprocessing dilakukan menggunakan bantuan
pemrograman python dengan library Pandas
Fakultas Ilmu Komputer, Universitas Brawijaya
5596
untuk membaca data csv dan Numpy untuk
manipulasi array. Pada penelitian ini
preprocessing data melalui dua tahap yaitu
penanganan outlier dan normalisasi min-max
Penanganan outlier adalah mengatasi nilai
yang terlalu tinggi atau terlalu rendah dengan
data lainnya setelah itu data dinormalisasi agar
mempunyai rentang nilai yang sama yaitu 0
sampai 1
3.6 Analisis Koefisien Determinasi
Perhitungan koefisien determinasi dibantu
menggunakan pemrograman python dengan
library Sklearn. Tiga jenis spare part dengan
penjualan terbanyak dengan pengumpupulan per
minggu, perdua minggu, dan per bulan
menggunakan model regresi linear, polinomial
orde dua, dan polinomial orde tiga. Masing
masing dihitung nilai koefisien determinasi nya.
Model regresi dengan nilai koefisiensi
determinasi terbesarlah yang dipilih untuk
penelitian ini
3.7 K-Fold Cross Validation
Pada tahap ini data dibagi menjadi train
data dan test data menggunakan bantuan
pemrograman python dengan library sklearn.
Pembagian dataset menjadi train data dan test
data menggunakan K-fold Cross Validation
dengan fold 8. Setelah itu dibentuklah variabel
b0,b1,b2, dan b3 dari masing masing train data
untuk implementasi model regresi . Variable
tersebut diimplementasikan kedalam test data.
Model regresi akan menghasil nilai prediksi,
nilai tersebut dibandingkan dengan nilai aslinya.
Selisih dari nilai prediksi dan nilai asli akan
dirata-ratakan untuk mencari presentase error
dari prediksi.
3.8 Visualisasi Dashboard
Hasil prediksi akan divisualisasikan dalam
bentuk dashboard menggunakan platform
google data studio. Tujuan visualisasi dashboard
adalah untuk mempermudah penyampain
informasi dan membantu pihak AHASS Nur
Andhita Grogol untuk pengambilan keputusan.
Data yang akan ditampilkan adalah rekap
penjualan selama delapan bulan terakhir dan
prediksi penjualan dua bulan berikutnya.
3.9 Pengujian Usability Dashboard
Pada tahap ini dashboard yang sudah
dirancang akan diujikan kelayakannya pada
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5597

pihak AHASS Nur Andhita Grogol. Dashboard
diuji menggunakan metode System Usability
Scale(SUS)
3.10 Saran dan Kesimpulan
Tahap terakhir pada penelitian ini adalah
penarikan kesimpulan dan pemberian saran
untuk penelitian selanjutnya. Kesimpulan ini
didapatkan dari penjabaran hasil dan
pembahasan penelitian yang diperoleh
berdasarkan tujuan dari penelitian ini. Tahapan
ini merupakan penegasan dari tahapan-tahapan
penelitian yang telah dilakukan. Tahapan ini
juga mencerminkan jawaban dari rumusan
masalah yang sebelumnya sudah dijabarkan.
Dapat dilihat dari tabel 1 nilai koefisien
determinasi terbesar terdapat pada dataset
penjualan per bulan menggunakan model regresi
polinomial orde tiga dengan nilai 0.71. Maka
model yang tepat adalah model regresi
polinomial orde tiga dengan dataset penjualan
per bulan.
b. Hasil Analisis Koefisien Determinasi Pada
Spare part Cairan Injeksi

4. HASIL DAN PEMBAHASAN

4.1 Hasil Analisis Koefisien Determinasi

Setelah melakukan perhitungan koefisien
determinasi tiap model, maka pada tahap ini nilai
dari koefisien determinasi akan dianalisis.
Gambar 4. Regresi polinomial orde 3 penjualan
Model dengan hasil koefisien tertinggilah yang
cairan injeksi per bulan
digunakan untuk penelitian ini.
a. Hasil Analisis Koefisien Determinasi Pada
Spare part Oli SPX2 Tabel 2. Hasil Analisis Koefisien Determinasi
Regresi Regresi Regresi
Linear polinomial polinomial
orde dua Orde tiga
Per minggu 0.003 0.004 0.15
Per dua 0.001 0.03 0.41
minggu
Per bulan 0.12 0.12 0.49

Dapat dilihat dari tabel 2 nilai koefisien

determinasi terbesar terdapat pada dataset
penjualan cairan injeksi per bulan menggunakan
model regresi polinomial orde tiga dengan nilai
Gambar 3. Regresi polinomial orde 3 penjualan 0.49. Maka model yang tepat adalah model
oli per bulan regresi polinomial orde tiga dengan dataset
penjualan per bulan.
c. Hasil Analisis Koefisien Determinasi Pada
Tabel 1. Hasil Analisis Koefisien Determinasi
Spare part Oli Gardan
Regresi Regresi Regresi
Linear polinomial polinomial
orde dua Orde tiga
Per minggu 0.001 0.007 0.12
Per dua 0.0009 0.01 0.09
minggu
Per bulan 0.32 0.33 0.71

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5598

B1 0.8023621
B2 -0.24128654
B3 0.01845223

Dari variable diatas didapat rumus regresi

polinomial orde tiga untuk prediksi penjualan oli
adalah
𝑌 = −0.006 + 0.802 ∗ x + −0.24 ∗ x2 + 0.01 ∗ x3 … (2)

Dengan mengasumsikan x pada bulan november

Gambar 5. Regresi polinomial orde 3 penjualan dan desember sebagai 9 dan 10, maka didapat
cairan injeksi per bulan prediksi sebagai berikut:

Tabel 5. Hasil Analisis Koefisien Determinasi

Tabel 3. Hasil Analisis Koefisien Determinasi Bulan Prediksi
Regresi Regresi Regresi
November 171
Linear polinomial polinomial
orde dua Orde tiga Desember 247
Per minggu 0.03 0.04 0.11
Per dua 0.08 0.08 0.09
minggu b. Hasil Penerapan Regresi Polinomial Orde
Per bulan 0.03 0.59 0.82 Tiga Pada Dataset Cairan Injeksi
Dengan mengimplementasikan sistem
Dapat dilihat dari tabel 3 nilai koefisien persamaan linear makadihasilkan nilai b0,b1, b2
determinasi terbesar terdapat pada dataset , dan b3
penjualan cairan injeksi per bulan menggunakan Tabel 6. Hasil Analisis Koefisien Determinasi
model regresi polinomial orde tiga dengan nilai
0.82. Maka model yang tepat adalah model Variable Nilai
regresi polinomial orde tiga dengan dataset B0 0.06140544
penjualan per bulan.
B1 0.23576963
4.2 Hasil Penerapan Regresi Polinomial B2 -0.03527279
Orde Tiga
B3 0.00087614
Karena hasil keseluruhan dari nilai koefisien
determinasi paling tinggi terdapat pada
regresi polinomial orde tiga dengan satuan Dari variable diatas didapat rumus regresi
data per bulan maka model prediksi yang polinomial orde tiga untuk prediksi penjualan oli
digunakan adalah regresi polinomial orde adalah
tiga. 𝑌 = 0.006 + 0.23 ∗ x + −0.03 ∗ x2 +
0.0008 ∗ x3 (2)
a. Hasil Penerapan Regresi Polinomial Orde
Tiga Pada Dataset Oli SPX2
Dengan mengasumsikan x pada bulan november
Dengan mengimplementasikan sistem dan desember sebagai 9 dan 10, maka didapat
persamaan linear makadihasilkan nilai b0,b1, b2 prediksi sebagai berikut:
, dan b3
Tabel 7. Hasil Analisis Koefisien Determinasi
Tabel 4. Hasil Analisis Koefisien Determinasi
Bulan Prediksi
Variable Nilai
November 240
B0 -0,00665083

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5599

Desember 221

c. Hasil Penerapan Regresi Polinomial Orde

Tiga Pada Dataset Oli Gardan
Dengan mengimplementasikan sistem
persamaan linear makadihasilkan nilai b0,b1, b2
, dan b3
Gambar 6. K-fold Cross Validation Oli SPX 2
Tabel 8. Hasil Analisis Koefisien Determinasi
Variable Nilai
Tabel 8. Hasil Analisis Koefisien Determinasi
B0 0.06573381
Jumlah Prediksi Selisih MAPE
B1 0.3281362 139 135 4 2.962963
Fold-1
B2 -0.11539374 Fold-2 130 161 31 19.25466
B3 0.01050597 Fold-3 163 124 39 31.45161
Fold-4 130 134 4 2.985075
Fold-5 125 114 11 9.649123
Dari variable diatas didapat rumus regresi Fold-6 100 113 13 11.50442
polinomial orde tiga untuk prediksi penjualan oli
adalah Fold-7 103 109 6 5.504587
𝑌 = 0.006 + 0.32 ∗ x + −0.11 ∗ x2 + 0.01 ∗ Fold-8 130 105 25 23.80952
x3 (2)
Jika semua nilai MAPE dirata-ratakan maka
Dengan mengasumsikan x pada bulan november didapat nilai sebesar 13.39%, nilai ini berarti
dan desember sebagai 9 dan 10, maka didapat hasil uji validitas pada OLI SPX2 menghasilkan
prediksi sebagai berikut: nilai error sebesar 13.39%. jika akurasi
maksimal adalah 100%, maka akurasi model
Tabel 9. Hasil Analisis Koefisien Determinasi regresi polinomial orde tiga pada dataset Oli
SPX2 menghasilkan tingkat akurasi sebesar
Bulan Prediksi
86.61%.
November 161
b. Hasil Uji K-Fold Cross Validation dan
Desember 195 MAPE Pada Dataset Scooter Gear Oil

4.3 Hasil Uji K-Fold Cross Validation dan

MAPE
Model regresi polinomial orde tiga diujikan
dengan k-fold cross validation untuk setiap
bulannya mulai dari bulan maret sampai dengan
bulan oktober. Banyak fold yang digunakan
adalah 8, yang berarti dilakukan 8 kali Gambar 7. K-fold Cross Validation Scooter
percobaan. Gear Oil
a. Hasil Uji K-Fold Cross Validation dan
MAPE Pada Dataset Oli SPX2

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5600

Tabel 9. Hasil Analisis Koefisien Determinasi didapat nilai sebesar 14.55%, nilai ini berarti
hasil uji validitas pada Cairan Injeksi
Jumlah Prediksi Selisih MAPE menghasilkan nilai error sebesar 14.55%. jika
Fold-1 149 115 34 29.5652 akurasi maksimal adalah 100%, maka akurasi
model regresi polinomial orde tiga pada dataset
Fold-2 121 129 8 6.20155
Cairan Injeksi menghasilkan tingkat akurasi
Fold-3 114 130 16 12.3077 sebesar 85.44%.
Fold-4 116 123 7 5.69106
4.4 Hasil Visualisasi Dashboard
Fold-5 117 120 3 2.5
Fold-6 134 111 23 20.7207
Fold-7 121 127 6 4.72441
Fold-8 136 150 14 9.33333
Jika semua nilai MAPE dirata-ratakan maka
didapat nilai sebesar 13.39%, nilai ini berarti
hasil uji validitas pada OLI SPX2 menghasilkan
nilai error sebesar 13.39%. jika akurasi
maksimal adalah 100%, maka akurasi model
regresi polinomial orde tiga pada dataset Scooter
Gear Oil menghasilkan tingkat akurasi sebesar
88.61%.
Gambar 9. Dashboard Halaman Utama
c. Hasil Uji K-Fold Cross Validation dan Gambar 9 adalah tampilan dashboard dari
MAPE Pada Dataset Cairan Injeksi halaman pertama yaitu keseluruhan penjualan
dari Oli SPX2, Scooter Gear Oil, dan Cairan
Injeksi. Didalam itu terdapat informasi tentang
banyaknya spare part keseluruhan yang terjual,
jumlah penjualan keseluruhan yang berbentuk
rupiah, piechart yang berisi presentase penjualan
dari ketiga spare part yang terjual, line chart
penjualan per bulan dari ketiga spare part,
masing masing barchart penjualan dari ketiga
spare part dengan total item terjual dan harga
Gambar 8. K-fold Cross Validation Cairan total dari item yang terjual, pada pojok kanan
Injeksi bagian atas terdapat filter yang berfungsi untuk
memfilter penjualan sesuai dengan bulan yang
diinginkan
Tabel 10. Hasil Analisis Koefisien Determinasi
Jumlah Prediksi Selisih MAPE
Fold-1 329 246 83 33.73984
Fold-2 271 285 14 4.912281
Fold-3 253 302 49 16.22517
Fold-4 285 291 6 2.061856
Fold-5 271 294 23 7.823129
Fold-6 336 247 89 36.03239
Fold-7 243 288 45 15.625
Fold-8 256 256 0 0

Jika semua nilai MAPE dirata-ratakan maka Gambar 10. Dashboard Halaman Utama

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5601

Tabel 11. Hasil Analisis Koefisien Determinasi

No Responden 1 Responden 2

1 4-1 4-1
2 5-3 5-2
3 4-1 5-1
4 5-3 5-1
5 4-1 4-1
6 5-2 5-1
7 4-1 3-1
Gambar 11. Dashboard Halaman Utama 8 5-2 5-2
9 4-1 4-1
10 5-2 5-2
Total Score 62.5 80

Dapat dilihat nilai rata-rata dari perhitungan

Gambar 12. Dashboard Halaman Utama
Gambar 10,11, dan 12 adalah tampilan
dashboard penjualan dari Oli SPX2, Scooter
Gear Oil, dan Cairan Injeksi. Didalam itu
terdapat informasi tentang banyaknya spare part
yang terjual, jumlah penjualan yang berbentuk
rupiah, pada pojok kiri bagian atas terdapat filter
yang berfungsi untuk memfilter penjualan sesuai
dengan bulan yang diinginkan. Pada bagian
tengah sebelah kiri terdapat bar chart berisi
penjualan per bulan, pada bagian tengah bagian
kanan terdapat informasi penjualan terbanyak,
penjualan terkecil dan rata rata penjualan per
bulan, pada bagian bawah dashboard terdapat
tabel yang berisi prediksi penjualan untuk bulan
November dan Desember beserta tingkat akurasi
prediksi.
4.5 Analisis Hasil Kuisioner SUS
Berdasarkan hasil yang didapat dari kuisioner
tersebut maka dengan mengikuti aturan system
usability scale perhitungan dapat dijabarkan
sebagai berikut
Fakultas Ilmu Komputer, Universitas Brawijaya
system usability scale pada tabel 11 adalah
71.25. sedangkan nilai rata-rata dari penilaian
system usability scale adalah 68. Dari penilaian
tersebut maka dashboard masuk kedalam grade
“B”, dengan kategori adjective rating Good, dan
penerimaan Acceptable. Maka dari itu dapat
dikatan bahwa dashboard prediksi penjualan
AHASS dapat diterima dengan baik oleh
penggunanya khususnya pihak AHASS Nur
Andhita Grogol
5. Kesimpulan
Setelah dilakukan analisis terhadap penelitian
prediksi oli pada AHASS maka dapat
disimpulkan bahwa :
1. Penggunaan model regresi yang paling cocok
untuk penelitian ini dari masing masing jenis
spare part adalah model regresi polinomial
orde tiga dengan pengumpulan data per
bulan. Nilai koefisiensi determinasi dari
spare part Oli SPX2, Cairan Injeksi, dan Oli
Gardan berturut-turut adalah 0.71, 0.49, dan
0.82.
2. Model regresi polinomial orde tiga dengan
pengumpulan data per bulan dapat digunakan
untuk melakukan prediksi penjualan spare
part Oli SPX2, Cairan Injeksi, dan Oli
Gardan. Pengujian menggunakan Mean
Absolute Percentage Error menghasilkan
nilai error pada spare part Oli SPX2 13.3%,
pada spare part Cairan Injeksi 14.56%, dan
spare part Oli Gardan 11.39%. dengan
pengurangan 100% dengan presentase nilai
error maka dapat disimpulkan akurasi model
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
regresi polinomial orde tiga pada Oli SPX2,
Cairan Injeksi, dan Oli Gardan berturut-turut
adalah 86,61%, 85,44%, dan 88.61%
3. Hasil usability testing terhadap dashboard
prediksi penjualan AHASS Nur Andhita
Grogol dari dua responden menggunakan
system usability scale menghasilkan nilai
71.25. dapat disimpulkan dari nilai tersebut
bahwa dashboard prediksi penjualan AHASS
Nur Andhita Grogol dengan kategori
Acceptable, masuk ke dalam grade B, dan
adjective rating Good. Dengan demikian
maka dapat dikatakan bahwa dashboard
prediksi penjualan AHASS dapat diterima
dengan baik oleh penggunanya khususnya
pihak AHASS Nur Andhita Grogol
6. Daftar Pustaka
Brooke, J., 2013. SUS: A Retrospective. Journal
Of Usability Studies 8, No. 2: 29-40.
Chamidah, N., ., W. and Salamah, U., 2016.
Pengaruh Normalisasi Data pada Jaringan
Syaraf Tiruan Backpropagasi Gradient
Descent Adaptive Gain (BPGDAG)
untukKlasifikasi. Jurnal Teknologi &
Informasi ITSmart, 1(1), p.28.
Few, S. (2004). Dashboard Confusion.
Perceptual Edge. Retrieved Februari
8,2021, from
https://www.perceptualedge.com/articles/
ie/visual_perception.pdf
Han, J., Kamber, M., & Pei, J. (2012). Data
Mining Concepts and
Techniques.Waltham: Morgan
Kaufmann.
Han, J., kamber, m. and pei, j., 2021. Data
Mining Concepts and Techniques. 3rd ed.
elseiver, p.370.
Hatta, H. and Adrenanus, R., 2019. Pengaruh
Influencer, Membership Program, dan
Instagram Ads Terhadap Minat Pembelian
Ulang Customer BrandCoach.
Entrepreneurship, Management, and
Industry (JEMI), Vol. 2, No. 2, pp.79-89.
Halin, H., Wijaya, H. and Yusilpi, R., 2017.
Pengaruh Harga Jual Kaca Patri Jenis
Silver Terhadap Nilai Penjualan Pada Cv.
Karunia Kaca Palembang Tahun 2004-
2015. Jurnal Ecoment Global, 2(2), p.49.
Heru Wahyu Herwanto, Triyanna
Widiyaningtyas, Poppy Indriana. 20199.
Fakultas Ilmu Komputer, Universitas Brawijaya
5602
Penerapan Algoritme Linear Regression
Untuk Prediksi Hasil Panen Tanaman
Padi: Jurnal Regresi Linear
Herdianto. 2013, Prediksi Kerusakan Motor
Induksi Menggunakan Metode Jaringan
Saraf Tiruan Backpropagation. Medan:
Universitas Sumatera Utara.
I Made Yuliara, 2016. Regresi Linear
Sederhana: Jurnal Regresi Linear
Iman Mustofa Kamal, Tachbir Hendro , Ridwan
Ilyas. 2017. Prediksi Penjualan Buku
Menggunakan Data Mining Di Pt.Niaga
Swadaya: Seminar Data Mining
Mardi, Y., 2018. Data Mining Rekam Medis
Untuk Menentukan Penyakit Terbanyak
Menggunakan Decision Tree C4.5. Jurnal
Sains dan Informatika, 4(1), pp.40-53.
Ni Luh Putu Wulandari, Ni Luh Ayu Kartika
Yuniastari Sarja, ST., MT, I Gusti Ayu
Desi Saryanti. (2014) Prediksi Jumlah
Pelanggan Dan Persediaan Barang
Menggunakan Metode Regresi Linier
Berganda Pada Bali Orchid: Jurnal
Eksplora Informatika
Rachmi, H. and Nurwahyuni, S., (2018).
Pengujian Usability Lokamedia Website
Menggunakan System UsabilityScale. Al-
Khidmah 2018, AL-KHIDMAH 1 (2018)
86-92.
Sanjaya, F. and Heksaputra, D., 2020. Prediksi
Rerata Harga Beras Tingkat Grosir
Indonesia dengan Long Short Term
Memory. JATISI (Jurnal Teknik
Informatika dan Sistem Informasi), 7(2),
pp.163-174.
Sari, A., 2016. Pengaruh Komunikasi Dan
Manajemen Hubungan Karyawan
Terhadap Kinerja Karyawan Pada Pt.
Bank Panin Dubai Syariah
CABANGMEDAN. Konsep Bisnis dan
f Manajemen.
Sumari, A., Febrianto, A. and Pramitarini, Y.,
2021. Sistem Prediksi Permintaan Darah
Menggunakan Metode Regresi Linier.
Jurnal Informatika Polinema, 7(2), pp.85-
90.
Suwarsito, D. and Zuni, E., n.d. Analisis Regresi
Dan Korelasi Antara Pengunjung Dan
Pembeli Terhadap Nominal Pembelian Di
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 5603

Indomaret Kedungmundu Semarang

Dengan Metode Kuadrat Terkecil.
Syafira, A., 2017. Sistem Deteksi Wajah Dengan
Modifikasi Metode ViolaJones. Emitor:
Jurnal Teknik Elektro, 17(1), pp.26-33.
Soeherman, B., 2004. Normalisasi Sebagai Salah
Satu Metode Untuk Membangun
Database Dalam Era Revolusi Teknologi
SistemInformasi. Journal of Management
and Business, 3(1)
Triyono, G., 2011. Pertimbangan Melakukan
Denormalisasi Pada Model Basis
DataRelasi. Telematika Mkom, Vol.3
No.2.
Zulkifli, Z. and Solot, M., 2019. Pengaruh
Customer Offline dan Customer Online
Terhadap Penjualan Pada Toko 3 Second
Plaza MuliaSamarinda. Jurnal
Ekonomika : Manajemen, Akuntansi, dan
Perbankan Syari'ah, 7(1), p.43.

Fakultas Ilmu Komputer, Universitas Brawijaya