Ini Hasil

INTI SARI
Andi Nurhalisa, E1E119047
IMPLEMENTASI DATA MINING UNTUK ESTIMASI PENJUALAN

ALAT KESEHATAN MENGGUNAKAN METODE AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE (ARIMA) (STUDI KASUS : PT.
HIKMAH MEDIKA INVESTAMA)
Proposal, Fakultas Teknik, 2023
Kata Kunci – Alat Kesehatan, Estimasi, ARIMA, Website, PT. Hikmah Medika
Investama
Alat kesehatan memiliki peranan yang sangat penting sebagai salah satu
penunjang pelayanan kesehatan. Maka dari itu penting untuk mengetahui
ketersediaan alat-alat tersebut. PT. Hikmah Medika Investama merupakan salah
satu distributor yang bergerak di bidang penjualan alat-alat kesehatan di Kota
Kendari. Dengan produk-produk yang dipasarkan beberapa di antaranya alat
kesehatan seperti : alat bantu dengar, alat cek gula, jarum suntik, alkohol, baju lab,
cairan dan lainnya. Permasalahan yang kerap terjadi pada suatu instansi yaitu
masalah estimasi untuk stok barang, tenaga kerja dan bahan baku. Permasalahan
tersebut juga terjadi pada PT. Hikmah Medika Investama yaitu belum adanya
sistem yang dapat memprediksi estimasi penjualan alat kesehatan di setiap
tahunnya.
Sistem ini menggunakan metode ARIMA dalam melakukan proses
pengestimasian untuk penjualan alat kesehatan. Metode ARIMA ini berasal dari
gabungan antara model autoregressive (AR) dan moving average (MA). Dalam
membangun model ARIMA yang perlu dilakukan adalah mengidentifikasi pola
data deret waktu yang akan dimodekan. Setelah model ARIMA didapatkan, model
dapat digunakan untuk peramalan nila-nilai di masa depan dengan menggunakan
data historis sebagai dasar.
Pengujian sistem akan dilakukan menggunakan pengujian black box.
Pengujian black box ini hanya fokus pada input dan output yang dihasilkan dari
sistem yang diuji. Selain itu, pada sistem ini juga akan dilakukan pengujian
algoritma dengan menggunakan MAPE dan RMSE. MAPE dan RMSE
digunakan untuk mencari nilai keakurasian hasil peramalan dengan data history
dan menggunakan rumus yang ditunjuskkan dengan nilai kesalahan.
i
ABSTRACT
Andi Nurhalisa, E1E119047
IMPLEMENTATION OF DATA MINING TO ESTIMATE SALES OF

MEDICAL DEVICES USING THE AUTOREGRESSIVE INTEGRATED
MOVING AVERAGE (ARIMA) METHOD (CASE STUDY: PT. HIKMAH
MEDIKA INVESTAMA)
Proposal, Faculty of Engineering, 2023
Keywords - Medical Devices, Estimation, ARIMA, Website, PT. Hikmah Medika
Investama
Medical devices have a very important role as one of the supports for
health services. Therefore it is important to know the availability of these tools.
PT. Hikmah Medika Investama is one of the distributors engaged in the sale of
medical devices in Kendari City. With products that are marketed some of which
are medical devices such as: hearing aids, sugar checkers, syringes, alcohol, lab
clothes, fluids and others. For problems that often occur in an agency, namely
estimation problems for stock items, labor and raw materials. The problem also
occurs at PT. Hikmah Medika Investama, namely the absence of a system that can
predict the estimated sales of medical devices each year.
This system uses the ARIMA method in the estimation process for medical
device sales. This ARIMA method comes from a combination of autoregressive
(AR) and moving average (MA) models. In building an ARIMA model, what needs
to be done is to identify the pattern of time series data to be modeled. After the
ARIMA model is obtained, the model can be used for forecasting future values
using historical data as a basis.
System testing will be done using black box testing. This black box testing
only focuses on the input and output generated from the system being tested. In
addition, this system will also test the algorithm using MAPE and RMSE. MAPE
and RMSE are used to find the accuracy of the forecasting results with historical
data and use a formula that is indicated by the error value.
ii
DAFTAR ISI
INTI SARI..........................................................................................................................i
ABSTRACT.......................................................................................................................ii
DAFTAR ISI.....................................................................................................................iii
DAFTAR GAMBAR.........................................................................................................v
DAFTAR TABEL............................................................................................................vii
BAB I PENDAHULUAN..................................................................................................1
1.1 Latar Belakang.......................................................................................1
1.2 Rumusan Masalah..................................................................................3
1.3 Batasan Masalah....................................................................................3
1.4 Tujuan Penelitian...................................................................................4
1.5 Manfaat Penelitian.................................................................................4
1.6 Sistematika Penulisan.............................................................................4
1.7 Tinjauan Pustaka....................................................................................5
BAB II LANDASAN TEORI.........................................................................................10
2.1 Data Mining.........................................................................................10
2.2 Alat Kesehatan.....................................................................................11
2.3 PT. Aesculapius Sahabat Sejati Medika...............................................12
2.4 Time Series...........................................................................................12
2.5 Stasioneritas dan Nonstasioneritas.......................................................14
2.6 Autoregressive Integrated Moving Average (ARIMA).........................14
2.6.1 Model Analisis Runtun Waktu (Time Series)........................15
2.6.1 Tahapan Prosedur Analisis Data...........................................16
2.7 Contoh Kasus.......................................................................................17
2.7.1 Identifikasi Model.................................................................17
2.7.2 Pengujian Signifikasi Parameter............................................20
2.7.3 Uji Asumsi Residual (diagnostic checking)..........................21
2.7.4 Pemilihan Model Terbaik......................................................33
2.7.5 Peramalan.............................................................................34
2.8 EViews.................................................................................................35
2.9 PHP......................................................................................................36
2.10 MYSQL...............................................................................................36
iii
2.11 XAMPP................................................................................................37
2.12 Website.................................................................................................37
2.13 HTML 5...............................................................................................38
2.14 CSS......................................................................................................38
2.15 Laravel.................................................................................................39
2.16 Unified Modeling Language (UML)....................................................39
2.16.1 Diagram UML.......................................................................40
2.17 Rational Unified Process (RUP)...........................................................46
2.18 Pengujian Black Box............................................................................47
2.19 Pengujian Algoritma............................................................................47
BAB III METODOLOGI PENELITIAN........................................................................49
3.1 Waktu dan Tempat Penelitian..............................................................49
3.1.1 Waktu Penelitian...................................................................49
3.1.2 Tempat Penelitian.................................................................49
3.2 Metode Penelitian.................................................................................49
3.3 Metode Pengembangan Sistem.............................................................50
3.3.1 Inception (Permulaan)...........................................................50
3.3.2 Elaboration (Perluasan/Perencanaan)...................................50
3.3.3 Construction (Konstruksi).....................................................50
3.3.4 Transition (Transisi).............................................................50
3.4 Analisis Kebutuhan Sistem..................................................................50
3.4.1 Kebutuhan Fungsional..........................................................51
3.4.2 Kebutuhan Non-Fungsional..................................................51
3.5 Analisis Perancangan Sistem................................................................52
3.5.1 Perancangan Flowchart.........................................................52
3.5.2 Unified Modeling Language (UML).....................................54
3.5.2 Perancangan Interface...........................................................76
3.6 Skenario Percobaan..............................................................................79
3.6.1 Skenario Pengujian Algoritma..............................................79
3.6.2 Skenario Pengujian Black Box..............................................80
iv
DAFTAR GAMBAR
Gambar 2. 1 Data Mining (Arhami dan Nasir, 2020)............................................10

Gambar 2. 2 Bentuk Pola Data Siklus (Dr. Jumadi, SE, 2021).............................13
Gambar 2. 3 Bentuk Pola Data Random (Dr. Jumadi, SE, 2021)..........................13
Gambar 2. 4 Bentuk Pola Data Trend (Dr. Jumadi, SE, 2021)..............................13
Gambar 2. 5 Bentuk Pola Data Musiman (Dr. Jumadi, SE, 2021)........................14
Gambar 2. 6 Plot Data Penjualan...........................................................................18
Gambar 2. 7 Penjualan Unit Root Pada Level.......................................................18
Gambar 2. 8 Penjualan Unit Root Pada 1 st Difference.........................................18
Gambar 2. 9 Plot ACF dan PACF..........................................................................19
Gambar 2. 10 Uji signifikasi parameter ARIMA (2,1,2).......................................20
Gambar 2. 11 Output Correlogram-Q-Statistic ARIMA (2,1,2)...........................22
Gambar 2. 12 Output Histogram-Normality test ARIMA (2,1,0).........................22
Gambar 2. 25 Output Histogram-Normality Test ARIMA (0,1,1)........................33
Gambar 2. 26 Peramalan Model ARIMA (1,1,2)..................................................34
Gambar 3. 2 Flowchart Sistem..............................................................................53
Gambar 3. 3 Flowchart Program...........................................................................54
Gambar 3. 4 Use Case Diagram............................................................................55
Gambar 3. 5 Acticity Diagram Login.....................................................................61
v
Gambar 3. 6 Activity Diagram Kelola Data Alat...................................................62
Gambar 3. 7 Activity Diagram Kelola Data Cairan...............................................63
Gambar 3. 8 Activity Diagram Kelola Data Buku.................................................64
Gambar 3. 9 Activity Diagram Transaksi...............................................................65
Gambar 3. 10 Activity Diagram Estimasi..............................................................66
Gambar 3. 11 Activity Diagram Laporan...............................................................66
Gambar 3. 12 Activity Diagram Logout.................................................................67
Gambar 3. 13 Sequence Diagram Login................................................................68
Gambar 3. 14 Sequence Diagram Kelola Data Cairan..........................................69
Gambar 3. 15 Sequence Diagram Kelola Data Cairan..........................................70
Gambar 3. 16 Sequence Diagram Kelola Data Buku............................................72
Gambar 3. 17 Sequence Diagram Transaksi..........................................................73
Gambar 3. 18 Sequence Diagram Estimasi...........................................................74
Gambar 3. 19 Sequence Diagram Laporan............................................................74
Gambar 3. 20 Sequence Diagram Logout..............................................................75
Gambar 3. 21 Class Diagram...............................................................................75
Gambar 3. 22 Halaman Login................................................................................76
Gambar 3. 23 Halaman Dashboard.......................................................................76
Gambar 3. 24 Halaman Kelola Data Alat..............................................................77
Gambar 3. 25 Halaman Kelola Data Cairan..........................................................77
Gambar 3. 26 Halaman Kelola Data Buku............................................................78
Gambar 3. 27 Halaman Transaksi..........................................................................78
Gambar 3. 28 Halaman Estimasi............................................................................79
vi
DAFTAR TABEL
Tabel 2. 2 Data Penjualan......................................................................................17

Tabel 2. 3 Hasil Pengujian Signifikansi Model ARIMA.......................................20
Tabel 2. 4 Pemilihan Model Terbaik.....................................................................33
Tabel 2. 5 Hasil Peramalan....................................................................................35
Tabel 2. 6 Simbol Use Case Diagram...................................................................40
Tabel 2. 7 Simbol Activity Diagram......................................................................42
Tabel 2. 8 Simbol Sequence Diagram...................................................................43
Tabel 2. 9 Simbol Class Diagram..........................................................................44
Tabel 3. 1 Gannt Chart Waktu Penelitian..............................................................49
Tabel 3. 2 Spesifikasi Perangkat Keras..................................................................51
Tabel 3. 3 Spesifikasi Perangkat Lunak.................................................................52
Tabel 3. 4 Deskripsi Use Case Diagram Login.....................................................55
Tabel 3. 5 Deskripsi Use Case Diagram Kelola Data Alat...................................56
Tabel 3. 6 Deskripsi Use Case Diagram Kelola Data Cairan...............................57
Tabel 3. 7 Deskripsi Use Case Diagram Kelola Data Buku.................................57
Tabel 3. 8 Deskripsi Use Case Diagram Transaksi...............................................58
Tabel 3. 9 Deskrisi Use Case Diagram Estimasi Penjualan Alat Kesehatan........59
Tabel 3. 10 Deskripsi Use Case Diagram Laporan...............................................60
Tabel 3. 11 Hasil Perhitungan Manual RMSE.......................................................79
Tabel 3. 12 Pengujian Black Box...........................................................................80
vii
BAB I
PENDAHULUAN
1.1 Latar Belakang

Alat kesehatan (UU RI no 36 Tahun 2009 tentang kesehatan) adalah
instrumen, aparatus, mesin, implant yang mengandung obat, yang digunakan
untuk mencegah, mendiagnosa, menyembuhkan dan meringankan penyakit,
merawat orang sakit serta memulihkan kesehatan pada manusia dan atau untuk
membentuk struktur dan memperbaiki fungsi tubuh. Selain itu alat kesehatan juga
digunakan untuk membantu dalam pengobatan, diagnosis, atau pencegahan suatu
kondisi medis. Alat kesehatan harus memenuhi standar untuk memastikan
keamanan dan efektivitasnya. Hal ini bertujuan untuk melindungi pengguna alat
kesehatan dan memastikan bahwa alat kesehatan yang digunakan memberikan
manfaat yang optimal bagi penggunanya (Pancaharjono dkk., 2020). Alat
kesehatan tentu mempunyai peran yang sangat penting sebagai salah satu
penunjang pelayanan kesehatan, maka dari itu sangat penting untuk distributor
atau tempat pelayanan kesehatan lainnya dalam menyediakan stok alat kesehatan.
PT. Hikmah Medika Investama merupakan salah satu distributor yang
bergerak di bidang penjualan alat-alat kesehatan di Kota Kendari. Dengan produk-
produk yang dipasarkan beberapa di antaranya alat kesehatan seperti : alat bantu
dengar, alat cek gula, jarum suntik, alkohol, baju lab, cairan dan lainnya. Untuk
pendataan ketersediaan alat-alat kesehatan yang dilakukan pada PT. Hikmah
Medika Investama membutuhkan waktu yang lama karena petugas atau staff harus
membuat rencana dan persiapan untuk penjualan alat kesehatan di tahun
selanjutnya. Hal ini berdampak pada proses pendistribusian karena ketidakpastian
dalam memesan alat kesehatan pada distributor, dan karena perencanaan yang
kurang matang menyebabkan penjualan menjadi tidak terkontrol. Maka dari itu
dibutuhkan sistem yang dapat memprediksi untuk penjualan yang akan terjadi ke
depannya.
Data mining sering juga disebut knowledge discovery in database (KDD)
adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk
menemukan keteraturan, pola atau hubungan dalam set data yang berukuran besar.
1
2
Keluaran dari data mining dapat dipakai dalam pengambilan keputusan di masa
depan dan dapat diimplementasikan di berbagai bidang di antaranya bidang bisnis,
kesehatan, telekomunikasi dan bidang Pendidikan (Ginting dan Fahmi, 2022).
Data mining dapat digunakan dalam berbagai aplikasi, termasuk dalam estimasi.
Contoh penggunaan data mining dalam estimasi adalah hasil dari implementasi
data mining dapat membantu bagi pebisnis dalam memprediksi penjualan.
Misalnya pentingnya sistem estimasi penjualan di suatu toko untuk
mengantisipasi terjadinya kekosongan stok barang yang dapat berpengaruh
terhadap pelayanan konsumen dan pendapatan toko.
Estimasi adalah keseluruhan proses yang memerlukan serta menggunakan
estimator untuk menghasilkan sebuah estimate dari suatu parameter (Nainel dkk.,
2020). Menurut Kamus Besar Bahasa Indonesia (KBBI) estimasi yaitu perkiraan,
penilaian atau pendapat. Estimasi biasanya dilakukan dengan menggunakan data
yang tersedia untuk membuat prediksi tentang nilai yang tidak diketahui atau
untuk mengukur tingkat ketidakpastian yang terkait dengan pengukuran atau
prediksi tersebut. Untuk permasalahan yang kerap terjadi pada suatu instansi yaitu
masalah estimasi untuk stok barang, tenaga kerja dan bahan baku. Permasalahan
tersebut juga terjadi pada PT. Hikmah Medika Investama yaitu belum adanya
sistem yang dapat memprediksi estimasi penjualan alat kesehatan di setiap
tahunnya.
Dalam melakukan pengestimasian metode time series adalah metode yang
cocok digunakan. Beberapa metode time series yang biasa digunakan adalah
moving average dan Autoregressive Integrated Moving Average (ARIMA).
Metode moving average merupakan suatu metode peramalan yang dilakukan
dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata tersebut
sebagai ramalan untuk periode yang akan datang. Moving average mempunyai ciri
khusus dalam melakukan peramalan, yaitu metode ini memerlukan data dalam
jangka waktu/periode tertentu, dimana semakin Panjang suatu moving average
maka akan semakin halus moving average yang dihasilkan. Namun, pada metode
ini lambat untuk merespon perubahan data yang terjadi di pasar dan juga kurang
akurat dalam merefleksikan trend data baru (Landia, 2020).
3
Metode ARIMA merupakan forecasting tools generasi baru yang dikenal

dengan metode Box-Jenkins. Metode ARIMA adalah metode yang terspesialisasi
untuk melakukan linear filtering dan mengabaian independent variable dalam
melakukan forecast (Sumando dkk., 2018). ARIMA adalah model gabungan
antara model Autoregressive (AR), Integrated, dan Moving Average (MA).
Persamaan representative untuk ARIMA diperoleh setelah menggabungkan
persamaan AR dan MA (Kumar dkk., 2020). ARIMA sangat baik ketepatannya
untuk peramalan jangka pendek dan untuk data time series nonstasioner pada saat
linear (Nofiyanto dkk., 2015). Metode ini memiliki kelebihan yaitu mampu
menganalisis situasi yang acak, tren, musim bahkan siklis dalam deret waktu
penjualan yang dianalisis (Octavia dkk., 2013).
Berdasarkan yang telah diuraikan diatas maka diambil topik dengan judul
“IMPLEMENTASI DATA MINING UNTUK ESTIMASI PENJUALAN
ALAT KESEHATAN MENGGUNAKAN METODE AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE (ARIMA) (STUDI KASUS : PT.
HIKMAH MEDIKA INVESTAMA)”.
1.2 Rumusan Masalah

Berdasarkan latar belakang, rumusan masalah dari penelitian ini adalah
sebagai berikut :
1. Bagaimana merancang dan membangun sistem untuk estemasi penjualan
alat-alat kesehatan?
2. Bagaimana mengimplementasikan metode ARIMA dalam menghitung
estimasi penjualan alat-alat kesehatan di PT. Hikmah Medika Investama?
1.3 Batasan Masalah

Hal-hal yang menjadi batasan masalah dalam penelitian ini adalah sebagai
berikut.
1. Data yang diolah dalam proses estimasi merupakan data penjualan alat
kesehatan di PT. Hikmah Medika Investama.
2. Data yang digunakan pada proses prediksi adalah data penjualan pada
tahun 2019-2021.
4
3. Data yang diprediksi adalah data jumlah penjualan dalam waktu satu
tahun.
4. Sistem hanya digunakan oleh admin.
1.4 Tujuan Penelitian

Tujuan penelitian yang diharapkan pada pembuatan sistem untuk estimasi
penjualan alat kesehatan dengan menggunakan metode ARIMA, yaitu :
1. Merancang sistem pengestimasian penjualan alat kesehatan dengan
metode.
2. Pengestimasian penjualan alat kesehatan menggunakan metode ARIMA.
1.5 Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut.
1. Dapat menghasilkan sebuah sistem yang mampu memprediksi penjualan
alat kesehatan di masa yang akan datang.
2. Dalam penerapan metode ARIMA, diharapkan sistem ini dapat
mempermudah proses perhitungan penjualan alat kesehatan.
1.6 Sistematika Penulisan

Sistematika penulisan tugas akhir ini digunakan untuk menjelaskan
penulisan perbab sebagai berikut.
BAB I PENDAHULUAN
Pada bab ini berisi pendahuluan yang terdiri dari latar belakang penelitian
yang akan dilakukan, rumusan masalah, tujuan penelitian, manfaat penelitian,
sistematika penulisan dan tinjauan pustaka.
BAB II LANDASAN TEORI
Bab ini membahas teori-teori yang menjadi acuan dalam penelitian mulai
dari data mining, metode Autoregressive Integrated Moving Average (ARIMA),
Hypertext Preprocessing (PHP), Hype Text Markup Language (HTML), XAMPP,
Cascading Style Sheets (CSS), Laravel, MySQL, Unified Modeling Language
(UML), Rational Unified Process (RUP), pengujian Black Box, dan pengujian
algoritma.
5
BAB III METODE PENELITIAN

Bab ini membahas tentang prosedur dan pengumpulan data, prosedur
pengembangan perangkat lunak dan estimasi waktu serta tempat penelitian.
BAB IV ANALISIS DAN PERANCANGAN
Bab ini berisi analisis masalah, gambaran umum dari sistem, pemodelan
sistem menggunakan flowchart dan Unified Modeling Language (UML) seperti,
use case diagram, activity diagram, sequence diagram, dan desain interface.
BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM
Bagian ini menyajikan secara lengkap setiap sistem yang dilakukan dalam
implementasi analisis dan desain ke dalam bahasa pemrograman PHP dan
pengujian pada sistem.
BAB VI PENUTUP
Bab ini menguraikan tentang kesimpulan dari keseluruhan bab serta
memberikan saran-saran yang mungkin berguna untk mengatasi masalah yang
dihadapi.
1.7 Tinjauan Pustaka

Hanum dan Haryatmi (2021) dalam penelitiannya terkait “Implementasi
Metode Moving Average Sebagai Prediksi Penjualan Perlengkapan Pertanian Pada
CV. Aneka Tani”, menjelaskan bahwa permasalahan yang ada pada CV. Aneka
Tani adalah proses pencatatan transaksi yang masih dilakukan secara manual
dengan buku penjualan dan tidak ada sistem prediksi penjualan untuk satu bulan
berikutnya. Hal ini mengakibatkan boros kertas, resiko kesalahan perhiutngan
transaksi yang, dan manajemen stok gudang yang kurang efektif. Penelitian ini
bertujuan untuk menerapkan algoritma moving average pada data CV. Aneka Tani
untuk menghasilkan model prediksi penjualan dan menganalisi model prediksi.
Hasil yang didapatkan dari pengujian yang dilakukan menggunakan 6 data produk
adalah produk Dafat merupakan produk yang paling stabil dengan nilai MAD 0,9
dan MSE 1,2 dan produk yang paling tidak stabil adalah Phonska dengan nilai
MAD 13,6 dan MSE 245,7. Dengan implementasi metode moving average pada
data penjualan CV. Aneka Tani dapat membantu pemilik dari CV. Aneka Tani
dalam memprediksi pajualan dan mempersiapkan persediaan stok.
6
Sismi dan Darsyah (2018) dalam penelitiannya terkait “Perbandingan

Prediksi Harga Saham PT. BRI, Tbk dengan Metode ARIMA dan Moving
Average”, menjelaskan bahwa tujuan dari penelitian ini adalah untuk membuat
ARIMA model dan memprediksi harga saham PT. BRI, Tbk Juli 2017. Data yang
digunakan dalam penelitian ini adalah data harga saham harian dari PT. BRI, Tbk.
Data yang digunakan adalah data sekunder yang diambil dari website perusahaan
PT. BRI, Tbk. 2 Januari 2017-22 Juni 2017 untuk memprediksi harga saham pada
Juli 2017. Dari metode ARIMA diperoleh model yang optimal untuk meramalkan
harga saham bulan Juli 2017 adalah dengan model terbaik AR(1,0,0). Untuk
peramalan 30 hari kedepan pada bulan Juli 2017 dengan menggunakan ARIMA
setiap mengalami kenaikan yang signifikan dalam peramalannya. Sedangkan
menggunakan metode Moving Average menghasilkan peramalan yang sama setiap
harinya yaitu dengan hasl 355,067. Dari hasil penelitian ini kemungkinan data
harga saham harian tidak tepat menggunakan metode Moving Average.
Kurniawan dkk (2021) dalam penelitiannya terkait “Prediksi Jumlah
Penjualan Rumah di Bojongsoang Ditengah Pandemic Covid-19 dengan Metode
ARIMA”, menjelaskan bahwa masalah yang terjadi dalam bisnis bidang
developer properti masih dalam keadaan krisis terlebih lagi pada saat masa
pandemi covid-19 jumlah penjualan rumah di setiap cluster perumahan jadi tidak
stabil. Jadi dalam menjalankan bisnis properti memerlukan sebuah perencanaan
yang akan direalisasikan, memperkirakan sesuatu untuk tujuan merealisasikan
perencanaan secara lebih luas sangatlah dibutuhkan, oleh karena itu dibutuhkan
sebuah prediksi yang dapat menghasilkan akurasi data yang tinggi sehingga dapat
menyesuaikan jumlah produksi sesuai dengan kebutuhan konsumen. Tujuan
penelitian ini adalah untuk mengetahui keakuratan metode ARIMA dengan
matriks carmer dalam melakukan peramalan atau prediksi jumlah penjualan
rumah di daerah Bojongsoang yang masih mengalami masa krisis. Data yang
digunakan dalam penelitian ini merupakan data sekunder berupa data time series
jumlah penjualan rumah. Dalam metode ARIMA langkah yang dilakukan yaitu
melakukan kestasioneran data, kemudian mencari nilai autoregressive (AR),
moving average (MA) dan ARMA (autoregressive dan moving average). Hasil
dari penerapan metode ARIMA memberikan hasil prediksi yang abik dengan
7
menggunakan data penjualan rumah di daerah Bojongsoang dari periode Januari

2020 hingga Mei 2021. Dan hasil dar peramalan yang dilakukan dengan
menggunakan metode ARIMA (1,1,1) yaitu menujukkan bahwa prediksi jumlah
penjualan rumah di daerah Bojongsoang pada periode juni-desember mengalami
kestabilan jumlah penjualan rumah.
Farosanti dkk (2022) dalam penelitiannya terkait “Analisa Peramalan
Penjualan Alat Kesehatan dan Laboratorium di PT. Tristania Global Indonesia
Menggunakan Metode ARIMA”, menjelaskan bahwa pada perusahaan ini sudah
mempunyai sistem untuk pencatatan transaksi operasional harian dalam bentuk
database, akan tetapi catatan tersebut sampai saat ini hanya menjadi data historis
saja dan belum dimanfaatkan secara baik. Seiring berjalannya waktu data yang
tersimpan akan semakin banyak dan memerlukan sumber daya pendukung lainnya
agar terkelola dengan baik. Di sisi lain perusahaan memerlukan sistem yang dapat
membantu dalam membuat keputusan terutama untuk proses pengadaan barang di
antaranya alat kesehatan dan laboratorium yang benar-benar diperlukan oleh
setiap klien. Sistem yagn diharapkan mampu memberikan solusi dalam
melakukan prediksi yang akurat untuk memenuhi kebutuhan masyarakat. Melalui
data transaksi tersebut akan dilakukan Analisa peramalan penjualan produk
menggunakan metode Auto Regressive Integrated Moving Average (ARIMA)
dengan parameter p, d, q sebesar 4, 2, 1. Uji coba parameter ini
diimplementasikan pada salah satu katergori barang dan nama kota yaitu
“Mikrobiologi” dan “Denpasar” pada total 1872 data. Evaluasi metode dengan
menggunakan rumus Root Mean Square Error (RMSE) menghasilkan nilai
sebesar 4,129 (0,04129). Hal ini menunjukkan bahwa Analisa peramalan
penjualan produk menggunakan metode ARIMA mempunyai nilai error yang
masih diterima yaitu kurang dari critical value atau alpha sebesar 0,05, sehingga
metode peramalan ARIMA cocok diimplementasikan pada kasus di PT. TGI.
Alsharif dkk (2019) dalam penelitiannya terkait “Time Series ARIMA
Model f Predivtion of Daily and Monthly Average Global Solar Radiation: The
Case Study of Seoul, South Korea”, menjelaskan bahwa variabilitas radiasi
matahari adalah salah satu tantangan terpenting yang membatasi penggunaan
energi matahari. Radiasi matahari sangat bervariasi dan hal tersebut sering
8
digambarkan sebagai sumber energi yang tidak dapat diandalkan. Selain itu,
peningkatan resiko dan ketidakpastian pembangkitan energi surya dapat berfungsi
sebagai faktor penghambat ketahanan energi. Dengan adanya peramalan yang
kompeten dan analisis radiasi matahari yang cermat dapat membantu mengurangi
resiko dan memungkinan aset dioperasikan dengan cara yang paling hemat biaya.
Dalam penelitian ini model ARIMA deret waktu dibangun untuk meramalkan
radiasi matahari harian dan bulanan di Seoul, Korea Selatan dengan
mempertimbangkan keakuratan, kesesuaian, kecukupan, dan ketepatan waktu data
yang dikumpulkan yang telah diperoleh dari KMS selama 37 tahun. Untuk
memeriksa validasi dan stabilitas hasil simulasi, kecocokan model dilakukan
dengan menggunakan RMSE, R2/koefisien determinasi, uji Philips-Perron, dan
uji Jarque-Bera, yang mana residu standar menunjukkan bahwa residu model
tidak berkorelasi dan terdistribusi normal. Model tersebut telah lulus uji, dan
hasilnya menunjukkan kemampuan ARIMA untuk meemberikan prediksi
matahari bulanan dan harian yang akurat. Dengan RMSE sebesar 33,18 dan R2
sebsar 79 untuk model radiasi matahari bulanan. Sedangkan RMSE sebesar
104,26 dan R2 sebesar 68 untuk model radiasi matahari harian. Nilai R2 yang
lebih tinggi dari 50 menujukkan kinerja yang sangat baik dari model prediksi.
Syahputri dkk (2022) dalam penelitiannya terkait “ARIMA Method
Implementation for Prediction of Oyster Mushroom Production”, menjelaskan
bahwa Ad-Dhuha Farm adalah usaha UMKM yang bergerak di bidang produksi
jamur tiram. Dalam memproduksi jamur tiram untuk dijual, perusahaan ini
biasanya memperkirakan berdasarkan logbook produksi. Sehingga terkadang hasil
prediksi yang dilakukan meleset dari perkiraan, hal ini dikarenakan tidak adanya
perhitungan yang tepat berdasarkan data yang digunakan sehingga terjadi
penumpukan persediaan jamur tiram. Hal ini mempengaruhi kemajuan UMKM
karena dilihat dari kenutuhan membayar tenaga kerja, tagihan kebutuhan
operasional dan lain sebagainya sehingga usaha UMKM mengalami kerugian.
Dengan metode ARIMA, Ad-Dhuha dapat memprediksi jumlah produksi agar
tidak terjadi penumpukan jamur tiram yang menjadi penyebab kerugian Ad-
Dhuha. Dengan menggunakan nilai produksi jamur tiram serta langkah dan
formula metode ARIMA maka metoka metode ARIMA dapat diimplementasikan
9
untuk memprediksi jumlah produksi jamur tiram di Ad-Dhuha Farm. Dengan

menggunakan pemrograman web dengan Bahasa HTML, PHP dan menggunakan
MySQL, penulis dapat membuat aplikasi penerapan metode ARIMA untuk
memprediksi jumlah prediksi jamur tiram.
Berdasarkan beberapa penelitian yang telah dipaparkan di atas, dapat
disimpulkan bahwa ARIMA efektif dalam melakukan peramalan, dilihat dari
perbandingan metode yang ada pada penelitian sebelumnya menunjukkan bahwa
metode ARIMA lebih efektif dibandingkan dengan metode Moving Average yang
menghasilkan peramalan yang sama pada setiap waktu. Maka dari itu penulis
melakukan penelitian ini menggunakan Metode ARIMA agar penelitian ini
memiliki tingkat keakuratan yang tinggi dalam peramalan.
BAB II
LANDASAN TEORI
2.1 Data Mining

Data mining adalah sebuah proses pencarian secara otomatis informasi
yang berguna dalam tempat penyimpanan data berukuran besar. Data mining
sering juga dikenal dengan sebutan Knowledge Discovery in Database yang
memungkinkan suatu organisasi untuk melakukan kalkulasi dalam pengambilan
keputusan melalui perakitan, akumulasi, analisa, dan pengaksesan data korporasi
(Buaton dkk., 2021). Teknik data mining digunakan untuk memeriksa basis data
berukuran besar sebagai cara untuk menemukan pola yang baru dan berguna.
Data mining dapat digunakan di berbagai bidang, seperti kesehatan, keuangan,
pemasaran, pengetahuan dan lain sebagainya.
Gambar 2. 1 Data Mining (Arhami dan Nasir, 2020)

Pada data mining terdapat data preprocessing dimana terjadi perubahan
data mentah kedalam format yang dapat dimengerti. Data mentah biasanya tidak
lengkap, tidak konsisten, banyak berisi error/kesalahan, dan terdapat nilai yang
sangat ekstrim. Sehingga sebelum dilakukan data mining, kondisi tersebut harus
dapat diselesaikan terlebih dahulu. Secara garis besar proses data preprocessing
terdiri dari empat langkah (Waspah dkk., 2022).
1. Data cleaning, yaitu proses pembersihan dari data yang tidak lengkap,
error, outlier dan tidak konsisten.
2. Data integration, yaitu penggabungan data dari berbagai sumber data
(database, file, dan lain-lain) menjadi satu data warehouse (lumbung
data).
10
11
3. Data transformation, yaitu perubahan data menjadi bentuk yang sesuai

untuk proses data mining selanjutnya. Proses ini mencakup normalisasi,
agregasi dan smoothing (penghalusan).
4. Data reduction, yaitu proses data mining dengan data yang besar akan
memakan waktu lama sehingga data harus di kurangi baik dari sisi dimensi
(jumlah variabel) maupun volume (jumlah kasus/objek). Pada proses ini
dapat dilakukan seleksi fitur (feature selection) atau pengompresan data
menjadi dimensi yang lebih sedikit dengan teknik Principal Component
Analysis.
2.2 Alat Kesehatan

Alat kesehatan (UU RI no 36 Tahun 2009 tentang kesehatan) adalah
instrumen, aparatus, mesin, implant yang mengandung obat, yang digunakan
untuk mencegah, mendiagnosa, menyembuhkan dan meringankan penyakit,
merawat orang sakit serta memulihkan kesehatan pada manusia dan atau untuk
membentuk struktur dan memperbaiki fungsi tubuh. Selain itu alat kesehatan juga
digunakan untuk membantu dalam pengobatan, diagnosis, atau pencegahan suatu
kondisi medis. Alat kesehatan harus memenuhi standar untuk memastikan
keamanan dan efektivitasnya. Hal ini bertujuan untuk melindungi pengguna alat
kesehatan dan memastikan bahwa alat kesehatan yang digunakan memberikan
manfaat yang optimal bagi penggunanya (Pancaharjono dkk., 2020).
Alat kesehatan memiliki banyak jenis, diantaranya 1/2 Kocher 14 Cm OM,
1/2 Kocher 16 Cm OM, APD Coverall PP45 (Pink) Hedona, APD Coverall PP45
(Putih) Hedona, Abortus Tang MS, Adaptor OMRON, Adson Forcep 11,5 cm
OM, Alat 3 in 1 (Gula, Kolesterol, Asam Urat) GEA, Alat 3 in 1 (Gula,
Kolesterol, Asam Urat) Nesco, Alat 3 in 1 (Gula, Kolesterol, Asam Urat) Easy
Touh, Alat 4 In 1 ACUPPRO (Gula, As Urat, Kol, HB) GLOBAL, Alat Asah
Kaki Pedicure (BEA14) PO, Alat Bantu Dengar HA20, Alat Bantu Dengar HA50,
Alat Bantu Dengar JH125, Alat Bantu Dengar JH238, Alat Cek Gula Gluco DR
AGM 2100 (Tanpa Strip) MB, Alat Cek Gula Gluco DR AGM 2200 (Tanpa Strip)
MB, dan Alat Cek Gula Gluco DR AGM 4000 (Tanpa Strip) MB.
12
2.3 PT. Hikmah Medika Investama

PT. Hikmah Medika Investama merupakan salah satu distributor yang
bergerak di bidang penjualan alat-alat kesehatan di Kota Kendari. PT. Hikmah
Medika Investama bertempat di Jl. Jend. AH. Nasution, Kambu, Kec. Kambu,
Kota Kendari, Sulawesi Tenggara 93561.
Dengan produk-produk yang dipasarkan beberapa di antaranya alat
kesehatan seperti : alat bantu dengar, alat cek gula, jarum suntik, alkohol, baju lab,
cairan dan lainnya. Perusahaan ini berkomitmen untuk memberikan pelayanan
yang terbaik bagi pelanggan dan juga memiliki harapan bahwa perusahaan ini
memiliki dampak positif bagi peningkatan layanan kesehatan di Kota Kendari.
2.4 Time Series

Pemodelan data deret waktu merupakan bagian yang cukup penting dalam
berbagai riset. Masalah pemodelan deret waktu seringkali dikaitkan dengan proses
suatu karakteristik tertentu pada periode ke depan dan utnuk mengendalikan suatu
proses atau mengenali pola perilaku sistem (Nofiyanto dkk., 2015).
Data time series yaitu sekumpulan data pada satu periode waktu tertentu.
Peramalan time series adalah peramalan berdasarkan perilaku data masa lampau
untuk diproyeksikan ke masa depan dengan memanfaatkan persamaan matematika
dan statistika. Tipe data time series terbagi atas beberapa jenis, antara lain
(Octavia dkk., 2013):
1. Siklus
Pola siklus adalah suatu seri perubahan naik atau turun, sehingga pola
siklus ini berubah dan bervariasi dari satu siklus ke siklus berikutnya. Pola siklus
dan pola tak beraturan didapatkan dengan menghilangkan pola kecenderungan dan
pola musiman jika data yang digunakan berbentuk mingguan, bulanan, atau
kuartalan. Jika data yang digunakan adalah data tahunan maka yang harus
dihilangkan adalah pola kecenderungan saja.
13
Gambar 2. 2 Bentuk Pola Data Siklus (Dr. Jumadi, SE, 2021)

2. Random
Pola yang acak yang tidak teratur, sehingga tidak dapat digambarkan. Pola
acak ini disebabkan oleh peristiwa yang tidak terduga seperti perang, bencana
alam, kerusahan, dan lain-lain. Karena bentuknya tak beraturan atau tidak selalu
terajdi dan tidak bias diramalkan maka pola variasi acak ini dalam analisanya
diwakili dengan indeks 100% atau sama dengan 1.
Gambar 2. 3 Bentuk Pola Data Random (Dr. Jumadi, SE, 2021)

3. Trend
Trend atau kencenderungan adalah komponen jangka panjang mempunyai
kecenderungan tertentu dalam pola data, baik yang arahnya meningkat ataupun
menurun dari waktu ke waktu, sehingga pola kecenderungan dalam jangka
panjang jarang sekali menunjukkan suatu pola yang konstan.
Gambar 2. 4 Bentuk Pola Data Trend (Dr. Jumadi, SE, 2021)

14
4. Musiman
Pola musiman menunjukkan suatu gerakan yang berulang dari satu periode
ke periode berikutnya secara teratur. Pola musiman ini dapat ditunjukkan oleh
data-data yang dikelompokkan secara mingguan, bulanan, atau kuartalan, tetapi
untuk data yang berbentuk data tahunan tidak terdapat pola musimannya.
Gambar 2. 5 Bentuk Pola Data Musiman (Dr. Jumadi, SE, 2021)
2.5 Stasioneritas dan Nonstasioneritas

Stasioneritas merupakan suatu keadaan jika proses pembangkitan pada
nilai tengah konstan dan nilai varians konstan. Dalam suatu data kemungkinan
data tersebut tidak stasioner karena mean tidak konstan atau variannya tidak
konstan sehingga untuk menghilangkan ketidakstasioneran terhadap mean, maka
data tersebut dapat dibuat lebih mendekati stasioner dengan cara melakukan
penggunaan metode pembedaan atau differencing. Perilaku data yang stasioner
antara lain tidak mempunyai variasi yang terlalu besar dan mempunyai
kecenderungan untuk mendekati nilai rata-ratanya, dan sebaliknya untuk data
yang tidak stasioner (Rizal dan Akbar, 2015).
2.6 Autoregressive Integrated Moving Average (ARIMA)

Autoregressive integrated moving average (ARIMA) adalah metode yang
diterapkan untuk analisis deret berkala, peramalan dan pengendalian (Tumanggor,
2021). Metode ini berasal dari gabungan antara model autoregressive (AR) dan
moving average (MA) yang dikembangkan oleh George Box dan Gwilym
Jenkins. Menurut Box-Jenkins metode ARIMA terdiri dari empat tahap yaitu
identifikasi metode time series, pendugaan parameter-parameter bagi metode
alternative, pengujian metode, dan prakiraan nilai (Ayu dkk., 2019).
15
Metode ARIMA merupakan suatu metode yang digunakan untuk dapat

menghasilkan ramalan-ramalan berdasarkan sintesis dari pola secara historis.
Metode ARIMA merupakan metode yang menggunakan model time series yang
digunakan berdasarkan asumsi bahwa data dalam deret waktu tertentu bersifat
stasioner dan suatu data bersifat konstan dalam time series yang sudah ditentukan
(Susilawati dan Sunendiari, 2022).
2.6.1 Model Analisis Runtun Waktu (Time Series)

1. Model Autoregressive (AR)
Model Autoregreressive (AR) menggambarkan hubungan antara data time
series saat ini dengan data pada periode sebelumnya. Model AR dengan orde p
atau AR ( p ) didefinisikan pada persamaan.
X t =μ Φ1 X t −1+Φ 2 X t−2 +…+Φ p X t −p + et (2.1)
Keterangan:
Xt = nilai series yang stasioner
μ
Φp
X t −1 , … , X t − p = variabel bebas (nilai masalalu deret waktu yang bersangkutan)
et = White Noise (galat)
2. Model Moving Average (MA)
Model Moving Average (MA) menggambarkan hubungan antara data time
series saat ini dengan residual sebelumnya. Model MA dengan orde q atau MA
(q) didefinisikan pada persamaan.
X t =μ+ et −θ1 e t−1−θ2 e t−2−…−θ q et −q (2.2)
Keterangan:
μ = nilai konstan
θq = parameter moving average ke-q
e t−1 , … , et −q = variabel bebas (nilai masalalu deret waktu yang bersangkutan)
16
3. Model Campuran ARMA

Metode ARMA (Autoregressive Moving Average) merupakan
penggabungan antara model Autoregressive (AR) dan Moving Average (MA)
untuk data time series yang sudah stasioner. Model ARMA ( p , q) didefinisikan
sebagai persamaan.
X t =μ+Φ 1 X t−1 +…+Φ p X t− p +e 1−θ1 e t−1−…−θ q et −q (2.3)
Keterangan:
μ = nilai konstan
X t −1 , … , X t − p = variabel bebas (nilai masalalu deret waktu yang bersangkutan)
Φp
θq = parameter moving average ke-q
2.6.1 Tahapan Prosedur Analisis Data

Terdapat beberapa langkah yang perlu dilakukan dalam menggunakan
metode ARIMA, yaitu (Ardesfira dkk., 2022):
1. Tahap pertama : pengujian stasioneritas data. Model ARIMA hanya dapat
digunakan untuk data yang stasioner. Apabila data tidak stasioner, maka
harus dilakukan differencing atau transformasi data sehingga menjadi
stasioner.
2. Tahap kedua : identifikasi model tentatif. Proses identifikasi tentatif
dilakukan dengan melihat lag cut-off pada plot Auto Correaltion Function
(ACF) dan Partial Auto Correlation Function (PACF). Plot ACF
digunakan untuk mengidentifikasi orde dari model MA (Moving Average),
sedangkan plot PACF digunakan untuk mengidentifikasi model AR
(Autoregressive).
3. Tahap ketiga : estimasi dari parameter model. Parameter dari model
tentatif yang diperoleh pada langkah kedua diestimasi dengan metode
Maximum Likelihood Estimators (MLE) melalui Teknik numerik Newton-
Raphson.
17
4. Tahap keempat : pengujian diagnostik dan pemilihan model. Uji

diagnostik terdiri dari 2 bagian yaitu uji indenpendensi antar data residual
yang dilakukan melalui Ljung-Box test dan uji normalitas data dengan
menggunakan Box-Pierce test.
5. Tahap kelima : Akurasi model peramalan terhadap data testing. Akurasi
dari data testing berupa RMSE (Root Mean Square Error), dan MAPE
(Mean Absolute Percent Error) digunakan sebagai indikator dalam
pemilihan model rahap kedua atau model final. Model dengan nilai
indikator RMSE dan MAPE terkecil dipilih sebagai model final untuk
peramalan.
2.7 EViews
EViews (Econometric Views) adalah aplikasi pengolahan data statistika
dan ekonometrika yang berjalan di atas sistem operasi Windows. EViews dapat
digunakan untuk melakukan analisis cross section dan panel data serta melakukan
estimasi dan peramalan data time series. EViews dikembangkan oleh Quantitative
Micro Software (QMS), yang mana program ini merupakan kelanjutan dari
program MicroTSP yang pertama kali dirilis pada tahun 1981 (Ismanto dan
Pebruary, 2021).
EViews dapat menggabungkan spreadsheet, teknologi basis data, dan
kemampuan analisis perangkat lunak statistik tradisional dan memberikan
keuntungan operasi visualisasi untuk perangkat lunak Windows modern. EViews
mendukung beberapa format file seperti Excel, SPSS, SAS, Stata, RATS, TSP dan
dapat terhubung ke database ODBC. EViews telah banyak digunakan di bidang
terapan dalam ekonometrika, peramalan ekonomi makro, peramalan penjualan,
analisis keuangan, analisis biaya, dan lainnya. EViews juga merupakan salah satu
perangkat lunak statistik ekonometrik yang paling banyak digunakan.
2.8 PHP
Hypertext preprocessor (PHP) dianggap sebagai salah satu bahasa
pemrograman yang paling banyak digunakan dalam pengembangan aplikasi web
karena memberikan fleksibilitas yang tinggi, mudah digunakan dan mudah
18
dipelajari (Zanin dan Wernke, 2019). PHP adalah bahasa pemrograman yang
bersifat open source yang digunakan dalam pengembangan aplikasi web dan
dapat disematkan ke dalam HTML. Bahasa pemrograman ini adalah tool untuk
pembutan halaman web dinamis. PHP juga menjadi salah satu bahasa
pemrograman yang paling banyak digunakan dan sering digunakan di beberapa
jenis server antara lain Apache, Nginx, dan LiteSpeed. Pada awalnya PHP
merupakan kependekan dari personal home page (situs personal). PHP pertama
kali dibuat oleh Rasmus Lerdorf pada tahun 1995. Pada saat itu PHP masih
bernama FI (Form Interpreted), yang wujudnya berupa sekumpulan script yang
digunakan untuk mengelolah data form dari web (Luthfi, 2017).
PHP memiliki beberapa framework yang membantu dalam
mempromosikan Rapid Application Development (RAD), menghemat waktu,
membantu membuat aplikasi lebih stabil, dan mengurangi jumlah pengkodean
berulang dalam pengembagan. Dalam framework PHP harus memiliki beberapa
faktor didalamnya, yaitu kemudahan dalam penggunaan, pengembangan/performa
yang cepat, popularitas di antara developer lain, fitur dan dukungan yang kuat
(Laaziri dkk., 2019).
2.9 MYSQL
MySQL adalah salah satu aplikasi DBMS (Database Management System)
yang sudah sangat banyak digunakan oleh para pemrogram aplikasi web. Dalam
sistem database tak relasional, semua informasi disimpan pada satu bidang luas,
yang kadangkala data di dalamnya sangat sulit dan melelahkan untuk diakses.
Tetapi MySQL merupakan sebuah sistem database relasional, sehingga dapat
mengelompokkan informasi ke dalam table-tabel atau grup-grup informasi yang
berkaitan. Setiap table memuat bidang-bidang yang terpisah, yang
mempresentasikan setiap bit informasi. MySQL menggunakan indeks untuk
mempercepat proses pencarian terhadap baris informasi tertentu. MySQL
memerlukan sedikitnya satu indeks pada setiap table. Biasanya akan
menggunakan suatu primary key atau pengenal unik untuk membantu penjejakan
data (Lutfi, 2017).
19
MySQL adalah database yang kuat, yang dapat bekerja pada sejumlah
sistem operasi termasuk Microsoft Windows dan UNIX. MySQL adalah sebuah
implementasi dari sistem manajemen basis data relasional (RDBMS) yang
didistribusikan secara gratis di bawah lisensi GPL (General Public License).
Setiap pengguna dapat secara bebas menggunakan MyQSL, namun dengan
batasan perangkat lunak tersebut tidak boleh dijadikan produk turunan yang
bersifat komersial. MySQL sebenarnya merupakan turunan salah satu konsep
utama dalam basis data yang telah ada sebelumnya; SQL (Structured Query
Language). SQL adalah sebuah konsep pengoperasian basis data, terutama untuk
emilihan atau seleksi dan pemasukan data, yang memungkinkan pengoperasian
data dikerjakan dengan mudah secara otomatis (Kurnia, 2018).
2.10 XAMPP
XAMPP merupakan tool yang menyediakan paket perangkat lunak ke
dalam satu buah paket. Dengan menginstall XAMPP maka tidak perlu lagi
melakukan instalasi dan konfigurasi web server apache, PHP dan MySQL secara
manual. XAMPP akan menginstall dan mengkonfigurasikannya secara otomatis
atau auto konfigurasi.
XAMP ini digunakan untuk server local host atau server yang berdiri
sendiri dan terdiri dari beberapa program seperti Perl, Apache HTTP Server,
penerjemah bahasa yang sudah ditulis sesuai dengan bahasa pemrograman PHP
dan MySQL database. Sedangkan nama XAMPP sendiri adalah singkatan dari X
yaitu empat sistem operasi apapun, Apache, MySQL, Perl dan PHP (Khotami dan
Pudhail, 2020).
2.11 Website
Website merupakan sebuah kumpulan halaman-halaman web beserta file-
file pendukungnya, seperti file gambar, video, dan file digital lainnya yang
disimpan pada sebuah web server yang umumnya dapat diakses melalui internet.
Atau dengan kata lain, website adalah sekumpulan folder dan file yang
mengandung banyak perintah dan fungsi-fungsi tertentu, seperti fungsi tampilan,
fungsi menangani penyipanan data, dsb.
20
Website mampu memberikan informasi menjadi lebih efisien dan up to

date. Website lebih mudah diakses di berbagai daerah hanya dengan menggunakan
internet. Sebagai contoh website dapat digunakan untuk media pemasaran,
informasi, pendidikan, komunikasi, dan promosi. Website juga merupakan media
yang sangat cocok untuk mengenalkan kepada masyarakat luas tentang berbagai
potensi dan keunggulan suatu produk yang ingin dipasarkan (Suhartini, dkk.,
2020).
2.12 HTML 5
HyperText Markup Language (HTML) ialah bahasa yang digunakan untuk
membuat antarmuka halaman web. Aplikasi web menggabungkan antarmuka yang
dibuat dengan HTML dengan bahasa pemrograman yang berfungsi sebagai logika
dan mengelola data. Oleh karena itu pengetahuan tentang HTML sangat penting
dalam pembangunan aplikasi web (Fais dan Abadi, 2020).
HTML 5 adalah revisi kelima dari HTML (yang pertama kali diciptakan
pada tahun 1990 dan versi keempatnya, HTML 4, pada tahun 1997). Tujuan
utama pengembangan HTML 5 adalah untuk memperbaiki teknologi HTML agar
mendukung teknologi multimedia terbaru, mudah dibaca oleh manusia dan juga
mudah dimengerti oleh mesin (Widodo dan Purnomo, 2016).
2.13 CSS
Cascading Style Sheets (CSS) adalah bahasa yang digunakan untuk
memberikan style pada halaman web yang ditulis dengan kode HTML. CSS
menentukan bagaimana elemen HTML ditampilkan yang meliputi bentuk, warna
dan posisi suatu tag atau elemen HTML. Selain itu CSS digunakan untuk
mengatur tampilan beberapa halaman web sekaligus dalam sebuah file.
Pengetahuan CSS adalah pengetahuan wajib dimiliki oleh web designer atau
developer (Faisal dan Abadi, 2020).
2.14 Codeigniter
Codeigniter merupakan kerangka kerja PHP yang cukup kuat dengan
dukungan berbagai toolkit sederhana namun elegan untuk membuat aplikasi web
21
berfitur lengkap. Dilihat dari aspek keamanannya, penggunaan codeigniter lebih

aman daripada PHP native dikarenakan user tidak berhubungan langsung dengan
database.
Framework codeigniter bersifat open source, sehingga tidak

membutuhkan biaya dalam hal lisensi penggunaannya. Hal yang paling telihat
terkait framework codeigniter ini yakni waktu eksekusi yang dilakukan oleh
codeigniter lebih cepat dibandingkan dengan framework lainnya (Wahyudi dkk.,
2021)
2.15 Unified Modeling Language (UML)

UML adalah singkatan dari Unified Modeling Language, yaitu sebuah
bahasa yang digunakan untuk merancang dan memodelkan sistem perangkat
lunak. Menurut (Ramesh dan Prasad, 2022) UML adalah bahasa standar untuk
menentukan, visualisasi, membangun dan mendokumentasikan pemodelan dari
sistem perangkat lunak, serta untuk pemodelan bisnis dan sistem non-perangkat
lunak lainnya. UML mewakili kumpulan praktik teknik terbaik yang telah terbukti
berhasil dalam pemodelan sistem yang besar dan sistem yang kompleks. UML
menggunakan sebagian besar notasi grafis untuk mengekspresikan desain proyek
perangkat lunak.
UML berfungsi sebagai jembatan dalam mengkomunikasikan beberapa
aspek dalam sistem melalui sejumlah elemen grafis yang dapat dikombinasikan
menjadi diagram. UML memiliki banyak diagram yang dapat mengakomodasi
berbagai sudut pandang dari suatu perangkat lunak yang akan dibangun (Henderi
dkk., 2021).
2.16.1 Diagram UML

Dalam UML terdapat beberapa jenis diagram yang biasanya digunakan,
yaitu;
1. Use Case Diagram
Use case diagram yaitu suatu gambaran dari fungsionalitas yang
diharapkan dari sebuah sistem, dan memberikan penjelasan tentang interaksi
22
antara actor dan sistem. Pada use case juga terdapat actor yang mana berperan
sebagai sebuah entitas dari manusia atau suatu sistem yang melakukan pekerjaan.
Use case mendukung pengembangan perangkat lunak memahami

interaksi. Aktor dalam sebuah sistem melakukan banyak use case, dan use case
kemungkina dapat memiliki banyak aktor. Antara use case dengan aktor terdapat
beberapa links hubungan include, extend, generalization, dan lain-lain (M Teguh
Prihandoyo, 2018).
Tabel 2. 1 Simbol Use Case Diagram
No Simbol Nama Keterangan
Memiliki peran orang, sistem yang

1 Actor lain, atau alat ketika berkomunikasi
dengan use case.
Hubungan dimana perbahan yang
terjadi pada suatu elemen mandiri
(independent) akan mempengaruhi
2 Dependency
elemen yang bergantung padanya
elemen yang tidak mandiri
(independent).
Menunjukkan spesialisasi actor
3 Generalization untuk dapat berpartisipasi dengan
use case.
Menunjukkan bahwa suatu use cse
seluruhnya merupakan
4 Include
fungsionalitas dari use case
lainnya.
Menunjukkan bahwa suatu use
case merupakan tambahan
5 Extend
fungsional dari use case lainnya
jika suatu kondisi terpenuhi.
Abstraksi dari penghubung antara
Association
6 actor dengan use case.
23
Menspesifikasikan paket yang

7 System menmpilkan sistem secara terbatas.
2. Activity Diagram
Setelah membuat model use case, maka setiap skenario yang ada pada use
case akan dideskripsikan lebih jelas dengan activity diagram. Activity diagram
atau diagram aktivitas adalah diagram alur dari aktivitas dan perilaku dalam
sistem yang berjalan.
Semua proses pada sistem akan dijabarkan pada diagram ini secara
lengkap disetiap tahapannya, mulai dari masukan hingga keluaran sistem. Activity
diagram memiliki peranan seperti halnya flowchart, akan tetapi perbedaanya
dengan flowchart adalah activity diagram bisa mendukung perilaku paralel
sedangkan flowchart tidak bisa (M Teguh Prihandoyo, 2018).
Tabel 2. 2 Simbol Activity Diagram

Memperlihatkan bagaimana
1 Activity masing-masing kelas antarmuka
saling berintraksi satu sama lain.
State dari sistem yang
2 Action mencerminkan eksekusi dari
suatu aksi.
Status awal aktivitas sistem,
3 Initial Node sebuah diagram aktivitas
memiliki sebuah status alwal.
Status akhir yang dilakukan
Activity Final
4 sistem, sebuah diagram aktivitas
Node
memiliki sebuah status akhir.
5 Fork Node Satu aliran yang pada tahap
tertentu berbuah menjadi
24
beberapa aliran.
Asosiasi percabangan dimana
6 Decision jika ada pilihan aktivitas lebih
dari satu.
3. Sequence Diagram
Setelah menemukan tanggung jawab dan perilaku dari obyek, dapat
tercipta suatu model yang terperinci dari bagaimana obyek tersebut akan saling
berhubungan satu sama lain untuk menyediakan kemampuan/fungsi yang
ditetapkan pada setiap use case yang telah didesain sebelumnya. UML
menyediakan dua jenis diagram untuk menggambarkan interaksi tersebut dengan
nyata, diagram tersebut adalah sequence diagram dan collaboration diagram.
Sequence diagram ialah diagram UML yang memberikan gambaran
mengenai interaksi antar komponen objek di dalam dan di sekitar sistem yang
berelasi menghasilkan informasi sesuai aktivitas di dalam sistem. Sequence
diagram menunjukkan detail operasi dilakukan, berupa pesan yang digambarkan
terhadap waktu (M Teguh Prihandoyo, 2018).
Tabel 2. 3 Simbol Sequence Diagram
Orang proses, atau sistem lain

yang berinteraksi dengan sistem
1. Aktor informasi yang akan dibuat
diluar sistem informasi yang
akan dibuat itu sendiri.
Menyatakan kehidupan suatu
2. Garis hidup/lifeline
objek
Nama objek : Menyatakan objek yang
3. Objek
nama kelas berinteraksi pesan
4. Waktu aktif Menyatakan objek dalam
keadaan aktif dan berinteraksi,
semua yang terhubung dengan
25
waktu aktif ini adalah sebuah

tahapan.
Menyatakan suatu objek
5. Pesan tipe create membuat objek yang lain, arah
panah mengarah pada objek lain
Tabel 2. 7 Simbol Sequence Diagram (Lanjutan)
Menyatakan suatu objek

memanggil opeasi/metode yang
Pesan tipe call
6. ada pada objek lain atau dirinya
sendiri
Menyatakan bahwa suatu objek
mengirim data / masukkan /
7. Pesan tipe send informasi ke objek lainnya, arah
panah mengarah pada objek
yang dikirimi
Menyatakan bahwa suatu objek
yang telah menjalankan suatu
operasi atau metode
8 Pesan tipe return menghasilkan suatu kembalian
ke objek tertentu, arah panah
mengarah pada objek yang
menerima kembalian
4. Class Diagram
Class diagram merupakan diagram UML yang menampilkan struktur dan
deskripsi dari class, package, dan objek yang saling berkaitan seperti diantaranya
pewarisan, asosiasi dan lainnya (M Teguh Prihandoyo, 2018).
Bentuk kelas yang sebenarnya adalah persegi panjang dengan tiga baris.
Yang mana pada baris atas adalah nama kelas, pada baris tengah adalah atribut,
dan pada bagian bawah yaitu metode atau operasinya. Pengelompokkan kelas dan
26
subkelas menunjukkan hubungan statis antara setiap item. Sebuah sistem biasanya
memiliki beberapa class diagram.
Tabel 2. 4 Simbol Class Diagram
Hubungan dimana objek anak

(descendent) beerbagi perilaku dan
1 Generalization
struktur data dari objek yang ada di
atasnya objek induk (ancestor).
Upaya untuk menghindari asosiasi
Nary
2 dengan atribut serta operasi yang
Association
sama.
Himpunan dari objek-objek yang
3 Class berbagi atribut serta operasi yang
sama.
Deskripsi dari urutan aksi-aksi
yang ditampilkan sistem yang
4 Collaboration
menghasilkan suatu hasil yang
terukur bagi suatu actor.
Operasi yang benar-benar
5 Realization
dilakukan suatu objek.
Hubungan dimana perubahan yang
6 Dependency terjadi pada suatu elemen mandiri
(independent).
Apa yang meghubungkan antara
7 Association
objek satu dengan objek lainnya.
Nilai Kosong atau satu.
8 0..1
Kardinalitas
27
Nilai Lebih dari sama dengan kosong.

9 0..*
Kardinalitas
Nilai Lebih dari sama dengan n, dimana
10 0..n
Kardinalitas n lebih dari satu.
Nilai Hanya satu.
11 1
Kardinalitas
Tabel 2. 8 Simbol Class Diagram (Lanjutan)
Nilai Lebih dari sama dengan satu.

12 1..*
Kardinalitas
Nilai Lebih dari sama dengan satu
13 1..n
Kardinalitas dimana n lebih dari satu.
Nilai Banyak atau Many.
14 *
Kardinalitas
Nilai Hanya N, dimana N lebih dari satu.
15 n
Kardinalitas
Nilai Lebih dari sama dengan N dimana
16 n..*
Kardinalitas N lebih dari satu.
Lebih dari sama dengan N dan
Nilai
17 n..m kurang dari sama dengan M.
Kardinalitas
Dimana M dan N lebih dari satu.
2.16 Rational Unified Process (RUP)

Rational Unified Process (RUP) adalah salah satu produk pengembangan
software yang ditawarkan oleh IBM Rational. RUP awalnya dikembangkan oleh
Rational Software Corporation dan sekarang telah menjadi bagian dari IBM. RUP
bersifat serial dalam skala besar, berulang dalam skala kecil dan menghasilkan
rilis bertahap dari waktu ke waktu (Tia dan Nuryasin, 2020).
Pada tahapan pengembangan RUP terdapat struktur dinamis dan struktur
statis. Struktur dinamis pada dimensi horizontal mewakili dimensi waktu dari
proses (Tia dan Nuryasin, 2020). Struktur dinamis terdiri dari beberapa fase,
yaitu:
1. Inception
28
Inception adalah tahap untuk menentukan ruang lingkup dengan

mengidentifikasi semua entitas eksternal yang akan berinteraksi dengan sistem.
Hasil dari fase ini adalah dokumen persyaratan dan model use case.
2. Elaboration
Elaboration merupakan tahap untuk menganalisis dan memahami
keseluruhan sistem, kemudian dibangun menjadi arsitektur. Hasil dari fase ini
adalah model use case, prototype arsitektur yang dapat dieksekusi.
3. Construction
Construction adalah tahap yang berisi implementasi perancangan yang
dihasilkan pada fase sebelumnya (elaboration). Hasil dari fase ini adalah produk
software beserta paduan pengguna.
4. Transition
Transition adalah fase untuk merilis software. Hasil dari fase ini adalah
aktivitas yang diperlukan untuk menempatkan perangkat lunak ke pengguna.
2.17 Pengujian Black Box

Black box testing adalah salah satu metode pengujian yang hanya berfokus
pada spesifikasi fungsionalitas dari perangkat lunak. Pengujian ini dilakukan
dengan memberikan gambaran atas sekumpulan kondisi masukan dan melakukan
pengujian pada uraian fungsional program (Nurudin dkk., 2020).
Pengujian ini dilakukan dengan menguji berbagai kasus uji atau scenario
yang dirancang untuk mengetahui jika sistem menghasilkan output yang sesuai
dengan yang diharapkan. Metode ini berguna untuk mengidentifikasi masalah atau
bug yang mungkin ada pada sistem.
2.18 Pengujian Algoritma

Pengujian algoritma yaitu proses yang dilakukan untuk menguji performa
suatu algoritma dalam menyelesaikan atau mengukur tingkat kesalahan dari
proses prediksi. Beberapa teknik pegujian algoritma yang dapat digunakan yaitu
sebagai berikut.
1. Root Mean Square Error (RMSE)
29
RMSE digunakan untuk mengukur nilai rata-rata yang diakarkan dari

perbedaan kuadrat antara prediksi dan nilai asli menggunakan rumus yang
ditunjukkan dengan nilai kesalahan (Paul dan Hoque, 2013). Dengan
menggunakan RMSE, error yang ada menunjukkan seberapa besar perbedaan
hasil estimasi dengan hasil yang akan diestimasi. Hal yang membuat berbeda
karena adanya keacakan pada data atau karena tidak mengandung estimasi yang
lebih akurat (Nanja dan Purwanto, 2015).
√ (2.4)
2
Σ ( y t− ^
yt )
RMSE=
n
Keterangan:
yt = Nilai aktual indeks
^
yt = Nilai prediksi indeks
n = Jumlah sampel
2. Mean Absolute Percent Error (MAPE)

MAPE merupakan rata-rata diferensiasi absolut antara nilai prediksi dan
aktual yang dinyatakan sebagai presentase nilai aktual (Putro dkk., 2018).
Semakin rendah nilai MAPE, semakin baik kinerja model prediksi atau
peramalan. Kelemahan yang terdapat pada MAPE yaitu jika terdapat nilai aktual
yang sangat kecil atau nol, yang dapat menyebabkan kesalahan pembaguan
dengan nol dan meghasilkan nilai yang tak terhingga. Untuk mencari nilai MAPE
dapat menggunakan rumus berikut.
100 | A t−F t| (2.5)
MAPE = Σ
n At
Keterangan:
At = Nilai aktual pada data t
Ft = Nilai prediksi pada data t
n = Jumlah periode data
BAB III
METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian

3.1.1 Waktu Penelitian
Waktu pelaksanaan penelitian tugas akhir dilaksanakan mulai dari bulan
Mei 2023 sampai dengan September 2023. Rincian kegiatan dapat dilihat pada
tabel berikut.
Tabel 3. 1 Gannt Chart Waktu Penelitian
Waktu (2023)
No Uraian Mei Juni Juli Agustus September
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1. Inception
2. Elaboration
3. Construction
4. Transition
3.1.2 Tempat Penelitian

Adapun tempat penelitian tugas akhir yang akan dilakukan di PT. Hikmah
Medika Investama, Jl. Jend. AH. Nasution, Kambu, Kec. Kambu, Kota Kendari,
Sulawesi Tenggara dan Laboratorium Rekayasa Perangkat Lunak, Fakultas
Teknik, Jurusan Teknik Informatika.
3.2 Metode Penelitian

Beberapa metode yang digunakan dalam pengumpulan data adalah sebagai
berikut:
a. Kajian Pustaka
Kajian pustaka yang dilakukan yaitu mengumpulan data pendukung
penelitian yang akan dijadikan referensi. Data dapat berupa buku, paper, jurnal,
skripsi dan sebagainya.
30
31
b. Wawancara
Wawancara ini dilakukan secara langsung kepada manager dan staff PT.
Hikmah Medika Investama untuk mengetahui data-data dari penjualan alat
kesehatan yang akan menunjang pembuatan website prediksi penjualan alat
kesehatan.
3.3 Metode Pengembangan Sistem

Metode pengembangan sistem yang digunakan dalam sistem ini adalah
metode Rational Unified Process (RUP). Dalam metode ini, terdapat empat tahap
pengembangan perangkat lunak, yaitu:
3.3.1 Inception (Permulaan)
Pada tahap dilakukan proses pengidentifikasian sistem, dilakukan dengan
analisis kebutuhan akan aplikasi, melakukan kajian terhadap penelitian yang
terkait dengan metode ARIMA.
3.3.2 Elaboration (Perluasan/Perencanaan)
Pada tahap ini akan dilakukan perancangan dan analisis sistem
menggunakan UML (Unified Modeling Language) yang meliputi use case
diagram, activity diagram, class diagram dan sequence diagram.
3.3.3 Construction (Konstruksi)
Pada tahap ini yang dilakukan yaitu membangun aplikasi yang disesuaikan
dengan perancangan yang telah dilakukan sebelumnya. Dan juga data-data yang
telah diambil sebelumnya dimasukkan ke dalam sistem agar siap digunakan.
3.3.4 Transition (Transisi)
Tahap ini focus untuk melakukan proses pengujian terhadap aplikasi.
Tahap ini juga melakukan maintenance atau pemeliharaan sistem dan perbaikan
bug jika diperlukan.
32
BAB IV
ANALISIS PERANCANGAN SISTEM
3.4 Analisis Kebutuhan Sistem

Analisis kebutuhan sistem ini bertujuan untuk mengidentifikasi
permasalahan pada sistem dimana aplikasi dibangun, meliputi perangkat lunak
dan hasil analisis terhadap sistem serta elemen-elemen sistem. Pembahasan yang
ada pada analisis sistem ini yaitu analisis kebutuhan fungsional dan analisis
kebutuhan non-fungsional.
3.4.1 Kebutuhan Fungsional
Analisis kebutuhan fungsional adalah segala bentuk data yang dibutuhkan
oleh sistem agar sistem dapat berjalan sesuai dengan prosedur yang dibangun.
Setelah tahap analisis, maka telah ditetapkan kebutuhan-kebutuhan untuk
membangun sistem meliputi input, proses dan output.
A. Analisis Kebutuhan Input
Input dari aplikasi ini adalah data penjualan dari PT. Aesculapius Sahabat
Sejati Medika
B. Analisis Kebutuhan Proses
Kebutuhan proses bertujuan untuk mngidentifikasi permasalahan pada
sistem, dimana aplikasi dibangun meliputi perangkat lunak dan analisis terhadap
sistem.
C. Analisi Kebutuhan Output
Output dari aplikasi ini adalah admin dapat melihat estimasi dari penjualan
alat kesehatan dalam periode yang akan datang.
3.4.2 Kebutuhan Non-Fungsional

Analisis kebutuhan non-fungsional yaitu langkah dimana seorang pembuat
sistem menganalisis sumber daya yang dibutuhkan untuk membangun sistem yang
akan dibangun. Analisis kebutuhan non-fungsional dibagi dalam dua tahap, yaitu
analisis kebutuhan perangkat keras dan analisis perangkat lunak.
A. Kebutuhan Perangkat Keras
33
Perangkat keras yang digunakan pada pembuatan sistem ini adalah sebagai
berikut.
Tabel 3. 2 Spesifikasi Perangkat Keras

No. Nama Perangkat Spesifikasi
1. Laptop Notebook ASUS

2. Processor Intel(R) Core(TM) i3-6006U @ 2.00GHz 1.99
GHz
3. RAM 4.00 GB
4. Harddisk 1TB HDD
B. Kebutuhan Perangkat Lunak

Perangkat lunak yang digunakan dalam pembuatan sistem ini adalah
sebagai berikut.
Tabel 3. 3 Spesifikasi Perangkat Lunak
No Nama Perangkat Fungsi Spesifikasi

.
1. Windows Operating System Windows 10 Pro
2. Xampp Universal Xampp v3.3.0

development
environment
3. MySQL Database 10.4.24 - MariaDB
Mangement
4. PHP Bahasa PHP 8.1.6
pemrograman
5. Chrome Web browser Chrome v
107.0.5304.123
6. Visual Studio Code Text editor VS Code v1.73.1
7. Apache Web Server Apache v2.4.53

34
3.4.3 Perancangan Flowchart

Pada Gambar 3.1 menujukkan langkah-langkah atau tahapan untuk sistem
yang akan dibuat. Langkah pertama user akan melakukan login untuk masuk ke
sistem. Kemudian user akan diarahkan untuk menginput data alat kesehatan dan
data penjualan. Selanjutnya sistem akan memproses perhitungan menggunakan
metode ARIMA, kemudian sistem akan menampilkan hasil dari perhitungan
peramalan. Dan jika user ingin kembali mengulangi perhitungan maka user dapat
mengisi ulang data kembali seperti sebelumnya.
Gambar 3. 1 Flowchart Sistem

Pada Gambar 3.2 menjelaskan alur kerja flowchart dalam peramalan
ARIMA. Langkah pertama user melakukan analisis data, kemudian melakukan uji
stasioner yang apabila data belum stasioner maka akan dilakukan differencing.
35
Setelah itu, penentuan model ditentukan dengan cara melihat correlogram

ARIMA (p,d,q) ACF dan PACF. Setelah mendapatkan model terebaik, maka akan
menghasilkan nilai estimasi AR dan nilai estimasi MA. Setelah itu dilakukan
peramalan data untuk waktu yang akan datang.
Gambar 3. 2 Flowchart Program
3.4.4 Unified Modeling Language (UML)

Sistem ini dibangun menggunakan Unified Modeling Language (UML)
yang terdiri dari Use Case Diagram, Activity Diagram, Class Diagram dan
Sequence Diagram.
1. Use Case Diagram
Diagram use case terdiri dari actor (pengguna), fungsionalitas sistem dan
hubungan antar keduanya. Dalam sistem ini actor (pengguna) yang akan
menjalankan sistem ini hanya terdapat satu pengguna yaitu admin serta beberapa
36
fungsi sistem di dalamnya seperti login, kelola data alat, kelola datacairan, kelola
data buku, kelola transaksi, estimasi alat kesehatan, laporan, dan logout. Bentuk
use case diagram dari sistem yang akan dibangun seperti pada gambar berikut.
Gambar 3. 3 Use Case Diagram

a.Deskripsi Use Case Diagram Login
Tabel 3. 4 Deskripsi Use Case Diagram Login
Nama Manage
Deskripsi Singkat Login digunakan sebagai proses awal
untuk memasuki sistem
Kondisi Awal Admin memasukan username dan
password
Kondisi Akhir Admin memasuki halaman dashboard
Situasi Kesalahan Admin salah memasukkan username dan
password
Status Sistem Saat Terjadi Admin akan diarahkan untuk memasukan
Kesalahan username dan password yang benar
Aktor Admin
Trigger Admin harus melakukan login ke sistem
37
Tabel 3. 4 Deskripsi Use Case Diagram Login (lanjutan)
Proses Standar 1. Admin memasuki halaman login

2. Admin memasukan dan
password
3. Sistem akan melakukan proses
verifikasi dan password
b.Deskripsi Use Case Diagram Kelola Data Alat
Tabel 3. 5 Deskripsi Use Case Diagram Kelola Data Alat
Nama Manage
Deskripsi Singkat Admin dapat mengelola data alat

kesehatan dengan menambah, mengubah
dan menghapus data
Kondisi Awal Telah melakukan login ke sistem
Kondisi Akhir Data alat berhasil ditambahkan, diubah

atau dihapus
Situasi Kesalahan -
Situasi Sistem Saat Terjadi -

Kesalahan
Aktor Admin
Trigger Admin perlu mengelola data alat
Proses Standar 1. Admin masuk ke sistem

2. Mengakses menu data master
3. Memilih sub menu data alat
4. Mengisi form tambah data,
mengedit data atau menghapus
data.
38
c. Deskripsi Use Case Diagram Kelola Data Cairan
Tabel 3. 6 Deskripsi Use Case Diagram Kelola Data Cairan

Nama Manage
Deskripsi singkat Admin dapat mengelola data cairan

dengan menambah, mengubah dan
menghapus data
Kondisi awal Telah melakukan login ke sistem
Kondisi akhir Data cairan berhasil ditambahkan, diubah

atau dihapus
situasi kesalahan -
Situasi sistem saat terjadi -

kesalahan
Aktor Admin
Trigger Admin perlu mengelola data cairan
Proses standar 1. Admin masuk ke sistem

2. Mengakses data master
3. Memilih sub menu data cairan
4. Mengisi form tambah data,
mengedit data atau menghapus
data
d. Deskripsi Use Case Diagram Transaksi
Tabel 3. 7 Deskripsi Use Case Diagram Transaksi
Nama Manage
Deskripsi Singkat Admin dapat mengelola data transaksi

dengan menambah dan menghapus data
39
Kondisi Akhir Data transaksi berhasil ditambah atau

dihapus
Situasi Kesalahan -

Kesalahan
Aktor Admin
Trigger admin perlu mengelola data transaksi
Tabel 3. 8 Deskripsi Use Case Diagram Transaksi (lanjutan)

2. Admin mengakses menu transaksi
3. Admin mengisi form tambah data
atau menghapus data
e. Deskripsi Use Case Diagram Estimasi Penjualan Alat Kesehatan
Tabel 3. 8 Deskrisi Use Case Diagram Estimasi Penjualan Alat Kesehatan
Nama Manage
Deskripsi Singkat Admin dapat mengetahui estimasi dari

penjualan alat kesehatan periode
selanjutnya
Kondisi Akhir Sistem akan menampilkan hasil estimasi

penjualan alat kesehatan
Situasi Kesalahan -

40
Kesalahan
Aktor Admin
Trigger Admin perlu mengetahui estimasi

penjualan alat kesehatan untuk periode
selanjutnya
2. Mengakses menu estimasi
3. Hasil estimasi akan ditampilkan
2. Activity Diagram
Activity diagram atau diagram aktivitas merupakan suatu diagram UML
yang menggambarkan urutan aktivitas yang dilakukan dalam sistem dan tindakan
untuk menjelaskan aktivitas tersebut. Activity diagram yang akan menggambarkan
sistem yang dibangun adalah sebagai berikut.
a. Activity Diagram Login
Pada activity login hanya dapat diakses oleh admin yang jika data valid
maka akan langsung menuju ke halaman beranda berdasarkan hak akses. Dan jika
data yang dimasukkan tidak valid maka sistem akan menampilkan pesan yang
menujukkan jika username dan password salah. Adapun activity login dapat
dilihat pada gambar berikut.
41
Gambar 3. 4 Acticity Diagram Login

b. Activity Diagram Kelola Data Alat
Activity diagram ini adalah gambaran tentang proses yang dilakukan admin dalam
mengelola data alat seperti menambah, mengubah atau menghapus data alat.
Sistem akan melakukan validasi data yang kemudian disimpan ke dalam
database. Yang kemudian sistem akan menampilkan data alat yang telah
diperbarui.
42
Gambar 3. 5 Activity Diagram Kelola Data Alat

c. Activity Diagram Kelola Data Cairan
Pada diagram aktivitas ini menujukan pada halaman kelola data cairan
admin dapat melakukan tambah data, edit data dan hapus data. Data yang akan
dikelola berupa informasi tentang data cairan kesehatan. Sistem akan melakukan
validasi data cairan yang kemudian akan di disimpan pada database. Yang
kemudian sistem akan menampilkan data yang telah diperbarui.
43
Gambar 3. 6 Activity Diagram Kelola Data Cairan

d. Activity Diagram Transaksi
Pada diagram aktivitas transaksi menujukkan tentang gambaran kinerja
sistem pada saat admin mengakses menu transaksi yang apabila berhasil login
maka admin dapat megelola data transaksi seperti menambah dan menghapus
data.
44
Gambar 3. 7 Activity Diagram Transaksi

e. Activity Diagram Estimasi
Activity diagram ini menujukkan proses yang dilakukan dalam
menghasilkan nilai estimasi penjualan alat kesehatan. Adapun activity diagram
estimasi dapat dilihat sebagai berikut.
45
Gambar 3. 8 Activity Diagram Estimasi

Gambar 3. 9 Activity Diagram Laporan
f. Activity Diagram Logout
Dalam diagram ini menujukkan proses aktivitas admin untuk keluar dari
sistem atau melakukan logout. Sistem akan mengirimkan pesan untuk
megonfirmasi apakah admin akan keluar dari sistem atau menolak untuk keluar
dari sistem. Apabila admin mengonfirmasi untuk keluar dari sistem maka sistem
akan menghapus session dan kembali ke halaman awal atau halaman login. Dan
jika admin menolak untuk keluar maka sistem akan kembali ke halaman sebelum
melakukan logout.
46
Gambar 3. 10 Activity Diagram Logout

3. Sequence Diagram
Sequence diagram adalah diagram yang digunakan untuk menampilkan
urutan interaksi antara objek dalam sistem berdasarkan waktu. Sequence diagram
menunjukkan pesan antara objek dalam sebuah sistem atau proses yang kemudian
menunjukkan proses interaksi antar objek selama eksekusi suatu proses. Adapun
sequence diagram dalam sistem ini adalah sebagai berikut.
a. Sequence Diagram Login
Pada sequence diagram login menunjukkan admin melakukan interaksi
dengan mulai mengakses menu login dan memasukkan username dan password
pada login form yang kemudian akan divalidasi oleh database dan jika data valid
maka sistem akan menampilkan halaman beranda. Jika data tidak valid maka
sistem akan mengirimkan pesan yang berisi username dan password salah. Untuk
proses sequence diagram login dapat dilihat pada gambar berikut.
47
Gambar 3. 11 Sequence Diagram Login

b. Sequence Diagram Kelola Data Alat
Alur dalam sequence diagram kelola data alat menunjukkan setelah
melakukan login admin mengakses menu data master yang berisikan sub menu
dari data-data pada sistem, kemudian admin memilih sub menu data alat dan
sistem menampilkan data alat kesehatan. Dalam menu data alat admin dapat
mengelola data seperti menambah data, mengubah data atau menghapus data.
Yang kemudian data yang baru akan disimpan dalam database.
48
Gambar 3. 12 Sequence Diagram Kelola Data Cairan

c. Sequence Diagram Kelola Data Cairan
dari data-data pada sistem, kemudian admin memilih sub menu data cairan dan
sistem menampilkan data cairan. Dalam menu data alat admin dapat mengelola
49
data seperti menambah data, mengubah data atau menghapus data. Yang
kemudian data yang baru akan disimpan dalam database.
Gambar 3. 13 Sequence Diagram Kelola Data Cairan

50
d. Sequence Diagram Kelola Data Buku

dari data-data pada sistem, kemudian admin memilih sub menu data buku dan
sistem menampilkan data buku kesehatan. Dalam menu data alat admin dapat
mengelola data seperti menambah data, mengubah data atau menghapus data.
Yang kemudian data yang baru akan disimpan dalam database.
51
Gambar 3. 14 Sequence Diagram Kelola Data Buku

e. Sequence Diagram Transaksi
Sequence diagram ini menujukkan interaksi yang dilakukan oleh admin
dalam mengelola data transaksi. Mulai dari mengakses menu login, kemudian
admin mengakses menu transaksi yang kemudian sistem menampilkan data
transaksi.
52
Gambar 3. 15 Sequence Diagram Transaksi

f. Sequence Diagram Estimasi
Sequence diagram estimasi menujukkan interaksi yang dilakukan setelah
melakukan login admin mengakses menu estimasi. Sequence diagram estimasi
dapat diliat pada gambar berikut.
53
Gambar 3. 16 Sequence Diagram Estimasi

g. Sequence Diagram Laporan
Sequence diagram laporan ini menujukkan interaksi admin dan sistem,
dimana admin mengakses menu login terlebih dahulu lalu mengakses menu
transaksi. Dalam menu transaksi terdapat pilihan untuk mencetak laporan dari
proses trnsaksi dan hasil prediksi.
Gambar 3. 17 Sequence Diagram Laporan

54
h. Sequence Diagram Logout

Pada sequence diagram logout menunjukkan admin yang akan melakukan
logout dan kemudian sistem mengirimkan pesan konfirmasi logout. Jika admin
mengonfirmasi maka sistem akan menghapus session.
Gambar 3. 18 Sequence Diagram Logout

4. Class Diagram
Class diagram atau diagram kelas menunjukkan struktur dari sistem yang
terdiri dari kelas-kelas yang ada dalam sistem, atribut dan metode yang ada pada
kelas-kelas tersebut, serta menjelaskan hubungan antar kelas-kelas tersebut. Yang
mana pada sistem yang akan dibangun terdapat 4 class yaitu Admin, DataMaster,
Transaksi dan Prediksi.
Gambar 3. 19 Class Diagram

55
1.5.2 Perancangan Interface

1. Halaman Login
Tampilan ini akan digunakan ketika admin melakukan login ke sistem.
Tampilan halaman login dapat dilihat pada gambar berikut.
Gambar 3. 20 Halaman Login

2. Halaman Dashboard
Tampilan dashboard akan digunakan setelah admin masuk ke dalam
sistem. Tampilan ini berisikan total dari data alat, data cairan dan data buku.
Tampilan halaman dashboard dapat dilihat pada gambar berikut.
Gambar 3. 21 Halaman Dashboard

56
3. Halaman Kelola Data Alat

Halaman kelola data alat berisikan data alat kesehatan. Admin dapat
menambah data, mengedit data atau pun menghapus data. Tampilan untuk
halaman kelola data alat dapat dilihat pada gambar berikut.
Gambar 3. 22 Halaman Kelola Data Alat

4. Kelola Data Cairan
Halaman kelola data cairan digunakan ketika admin ingin mengelola data
cairan seperti menambah data, mengedit data atau menghapus data. Halaman
kelola data alat dapat dilihat pada gambar berikut.
Gambar 3. 23 Halaman Kelola Data Cairan

57
5. Transaksi
Halaman transaksi digunakan ketika admin ingin mengelola data transaksi
seperi menambah data, menghapus data dan mencetaknya. Halaman transaksi
dapat dilihat pada gambar berikut.
Gambar 3. 24 Halaman Transaksi

6. Estimasi
Halaman estimasi digunakan ketika admin ingin mengetahui hasil estimasi
penjualan alat kesehatan. Halaman estimasi dapat dilihat pada gambar berikut.
Gambar 3. 25 Halaman Estimasi

58
BAB V
IMPLEMENTASI DAN PENGUJIAN SISTEM
1.6 Skenario Percobaan

Yang akan dilakukan pada skenario percobaan adalah scenario pengujian
algoritma dan skenario percobaan sistem.
3.6.1 Skenario Pengujian Algoritma
Untuk mengukur keakuratan dari metode ARIMA dalam melakukan
prediksi yaitu denga menghitung RMSE.
Tabel 3. 9 Hasil Perhitungan Manual RMSE
Tahun Bulan Data Sampel (S) Data Ramalan (R) ¿¿

Januari 405,000,000 484,018,320 -79,018,320
Februari 453,000,000 465,047,408 -12,047,408
Maret 478,000,000 491,740,629 -13,740,629
2022 April 400,000,000 488,856,443 -88,856,443
Mei 393,000,000 505,130,029 -112,130,029
Juni 440,000,000 508,994,812 -68,994,812
Juli 432,800,000 520,896,979 -88,096,979
Tabel 3. 11 Hasil Perhitungan Manual RMSE
Agustus 465,900,000 527,593,202 -61,693,202

September 500,000,000 537,661,400 -37,661,400
Oktober 470,000,000 545,545,514 -75,545,514
November 489,750,000 554,844,295 -65,094,295
Desember 550,000,000 563,226,773 -13,226,773
RMSE ¿√ ¿
= 100 – 7,72
Accuray
=92,28
59
3.6.2 Skenario Pengujian Black Box

Pengujian black box digunakan untuk mengetahui apakah program yang
dibuat telah sesuai dengan kebutuhan fungsional atau tidak.
Tabel 3. 10 Pengujian Black Box

Halaman Reaksi sistem
No Aksi
yang diuji Benar Salah
Menampilkan pesan
Memasukkan username atau
Menampilkan
1 Login username dan password salah dan
halaman beranda
password kembali ke halaman
login
Menampilkan pesan
Edit/tambah Data alat berhasil
data gagal
Kelola data alat diedit / ditambah
2 diedit/ditambah
data Alat
Data alat berhasil Menampilkan pesan
Hapus data alat
dihapus data gagal dihapus
Data cairan Menampilkan data
Kelola Edit/tambah
3 berhasil cairan gagal
data cairan data cairan
diedit/ditambah diedit/ditambah
Tabel 3. 12 Pengujian Black Box (lanjutan)
Hapus data Data cairan Menampilkan pesan

cairan berhasil dihapus data gagal dihapus
Menampilkan pesan
Edit/tambah Data buku berhasil
data buku gagal
Kelola data buku diedit/ditambah
4 diedit/ditambah
data buku
Hapus data Data buku berhasil Menampilkan pesan
buku dihapus data gagal dihapus
5 Kelola Tambah data Data transaksi Menampilkan pesan
data transaksi berhasil ditambah transaksi gagal di
60
tambah
transaksi Hapus data Data transaksi Menampilkan pesan
transaksi berhasil dihapus data gagal dihapus
Menampilkan pesan
Tambah data Data estimasi
data estimasi gagal
estimasi berhasil ditambah
ditambah
6 Estimasi
Menampilkan pesan
Cetak data Data estimasi
data estimasi
estimasi berhasil dicetak
berhasil dicetak
DAFTAR PUSTAKA
Alsharif, M. H., M. K. Younes, dan J. Kim. 2019. SS symmetry time series arima
model for prediction of daily and monthly average global solar radiation :
Symmetry. 1–17.
Ardesfira, G., H. F. Zedha, I. Fazana, J. Rahmadhiyanti, S. Rahima, dan S.
Anwar. 2022. Peramalan nilai tukar rupiah terhadap dollar amerika dengan
menggunakan metode autoregressive integrated moving average (arima).
Jambura Journal of Probability and Statistics. 3(2):71–84.
Arhami, M. dan M. Nasir. 2020. DATA MINING - Algoritma Dan Implementasi.
Edisi 1. Yogyakarta: ANDI.
Ayu, R., R. Gernowo, D. Fisika, F. Sains, U. Diponegoro, dan S. E-. 2019.
METODE autoregressive integrated movingaverage ( arima ) dan metode
adaptive neuro fuzzy inference system ( anfis ) dalam analisis curah hujan.
22(1)
Buaton, R., M. Zarlis, dan V. Yasin. 2021. KONSEP DATA MINING. Jakarta:
Mitra Wacana Media.
Dr. Jumadi, SE, M. 2021. Manajemen Operasi. Edisi 1. Purwodadi-Grobogan,
Jawa Tengah: CV. SARNU UNTUNG.
Farosanti, L., H. Mubarok, dan Indrianto. 2022. Analisa peramalan penjualan alat
kesehatan dan laboratorium di pt. tristania global indonesia menggunakan
metode arima. JIMP: Jurnal Informatika Merdeka Pasuruan. 7(2):14–18.
Ginting, S. P. dan H. Fahmi. 2022. Implementasi data mining menggunakan
algoritma apriori untuk penjualan alat kesehatan pada cv rudang jaya abadi.
Junal Teknik Informatika …. 1:123–130.
Hanum, F. A. dan E. Haryatmi. 2021. Implementasi metode moving average
sebagai prediksi penjualan perlengkapan pertanian pada cv. aneka tani.
Jurnal Sains Komputer & Informatika (J-SAKTI. 5(2):829.
Henderi, U. Rahardja, dan E. Rahwanto. 2021. UML POWERED - DESIGN
SYSTEM USING VISUAL PARADIGM. Edisi 1. Malang: CV. Literasi
Nusantara Abadi.
Ismanto, H. dan S. Pebruary. 2021. Aplikasi SPSS Dan Eviews Dalam Analisis
61
Data Penelitian. Edisi 1. Yogyakarta: Deepublish Publisher.
Khotami, M. dan M. Pudhail. 2020. Rancang bangun aplikasi food ordering
system berbasis web mobile di omah japo café & nursery tanjunganom
nganjuk dengan php 5.4.37 dan mysql 5.5.42. Cyber-Techn. 14(02):91–105.
Kumar, M., S. Gupta, K. Kumar, dan M. Sachdeva. 2020. SPREADING of covid-
19 in india, italy, japan, spain, uk, us: a prediction using arima and lstm
model. Digital Government: Research and Practice. 1(4):1–9.
Kurniawan, A. F., S. F. Pane, dan R. M. Awangga. 2021. Prediksi jumlah
penjualan rumah di bojongsoang ditengah pandemi covid-19 dengan metode
arima. Jurnal Media Informatika Budidarma. 5(4):1479.
Laaziri, M., K. Benmoussa, S. Khoulji, K. Mohamed Larbi, dan A. El Yamami.
2019. A comparative study of laravel and symfony php frameworks.
International Journal of Electrical and Computer Engineering (IJECE).
9(1):704.
Landia, B. 2020. Peramalan jumlah mahasiswa baru dengan exponential
smoothing dan moving average. Jurnal Ilmiah Intech : Information
Technology Journal of UMUS. 2(01)
Luthfi, F. 2017. Penggunaan framework laravel dalam rancang bangun modul
back-end. JISKA (Jurnal Informatika Sunan Kalijaga). 2(1):34–41.
Nainel, Y. L., E. Buulolo, dan I. Lubis. 2020. Penerapan data mining untuk
estimasi penjualan obat berdasarkan pengaruh brand image dengan algoritma
expectation maximization (studi kasus: pt. pyridam farma tbk). JURIKOM
(Jurnal Riset Komputer). 7(2):214.
Nofiyanto, A., R. A. Nugroho, dan D. Kartini. 2015. Peramalan permintaan
paving blok dengan metode arima. Konferensi Nasional Sistem &
Informatika. 54–59.
Nurudin, M., W. Jayanti, R. D. Saputro, dan M. P. Saputra. 2020. Pengujian black
box pada aplikasi penjualan berbasis web menggunakan pengujian black bo x
pada aplikasi penjualan berbasis web menggunakan teknik boundary value
analysis. (December 2019)
Octavia, T., Yulia, dan Lydia. 2013. Peramalan stok barang untuk membantu
pengambilan keputusan pembelian barang pada toko bangunan xyz dengan
62
metode arima. Seminar Nasional Informatika (SEMNASIF). 1(semnasIF):2–
7.
Pancaharjono, W., D. Fajar Mogsa, A. Ronny Hasugian, H. Siswantoro, A.
Kamaludi Syarif, A. Dwi Harso, S. Idaiani, T. Arniati Jovina, dan P.
Penelitian dan Pengembangan Sumber Daya dan Pelayanan Kesehatan. 2020.
Faktor-faktor yang memengaruhi jaminan kualitas peralatan di puskesmas
factors affecting equipment quality assurance at puskesmas. Jurnal
Penelitian Dan Pengembangan Pelayanan Kesehatan. 4(2):44–52.
Paul, J. C. dan S. Hoque. 2013. Selection of best arima model for forecasting
average daily share price index of pharmaceutical companies in bangladesh:
a case study on square pharmaceutical ltd. Global Journal of Management
and Business Research. 13(3):15–26.
Ramesh, B. dan G. N. R. Prasad. 2022. A study on uml diagrams for tourist place
review sentiment analysis classification using machine learning.
International Journal of Advanced Research in Computer and
Communication Engineering (IJARCCE). 11(10):34–39.
Rizal, J. dan S. Akbar. 2015. Perbandingan uji stasioner data time series antara
metode: control chart, correlogram, akar unit dickey fuller, dan derajat
integrasi. Jurnal Gradien. 11(1):1040–1046.
Sismi dan M. Y. Darsyah. 2018. Perbandingan prediksi harga saham pt.bri, tbk
dengan metode arima dan moving average. Prosiding Seminar Nasional
Mahasiswa Unimus. 1(1):351–360.
Sumando, E., F. D. Hamiyani, I. D. Purba, dan Ka. 2018. Pengembangan metode
cash forecasting pemerintah: studi kasus saldo kas pemerintah 2009 – 2011.
Kajian Ekonomi & Keuangan. 2(1):71–93.
Susilawati, R. dan S. Sunendiari. 2022. Peramalan jumlah penumpang kereta api
menggunakan metode arima dan grey system theory. Jurnal Riset Statistika.
1–13.
Syahputri, N., O. Alfina, L. Nababan, U. Indriani, C. Science, dan U. P. Utama.
2022. ARIMA method implementation for prediction of oyster mushroom
production. International Journal of Information System & Technology.
6(158):537–542.
63
Tumanggor, E. M. 2021. Analisa Dan Implementasi Data Mining Untuk
Memprediksi Jumlah Material Bangunan Menggunakan Algoritma
Autoreggresive Intergrated Moving Average (ARIMA)
Wahyudi, D., A. Putra Juledi, dan Irmayanti. 2021. Penerapan framework
codeigniter pada sistem absensi qr code diskominfo kabupaten labuhanbatu
selatan. Jurnal Teknologi Dan Sistem Informasi (JURTEKSI). 3(3):2407–
1811.
Waspah, A. I., Asep Afandi, D. M. Efendi, dan D. Sartika. 2022. Expectation
maximization algorithm memprediksi penjualan susu murni pada pt . sewu
primatama indonesia lampung. JUTIM (Jurnal Teknik Informatika
Musirawas). 7(1):27–38.
Zanin, A. dan R. Wernke. 2019. ScienceDirect sciencedirect sciencedirect
sciencedirect a comparative comparative study study of of php php
frameworks frameworks performance performance costing models for
capacity optimization in industry 4 . 0 : trade-off between used capacity and
oper. Procedia Manufacturing. 32:864–871.
64
65

Ini Hasil

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Ini Hasil

Diunggah oleh

Hak Cipta:

Format Tersedia

INTI SARI

Andi Nurhalisa, E1E119047

IMPLEMENTASI DATA MINING UNTUK ESTIMASI PENJUALAN

Proposal, Fakultas Teknik, 2023

Andi Nurhalisa, E1E119047

IMPLEMENTATION OF DATA MINING TO ESTIMATE SALES OF

Gambar 2. 1 Data Mining (Arhami dan Nasir, 2020)............................................10

Tabel 2. 2 Data Penjualan......................................................................................17

1.1 Latar Belakang

Metode ARIMA merupakan forecasting tools generasi baru yang dikenal

1.2 Rumusan Masalah

1.3 Batasan Masalah

1.4 Tujuan Penelitian

1.5 Manfaat Penelitian

1.6 Sistematika Penulisan

BAB III METODE PENELITIAN

1.7 Tinjauan Pustaka

Sismi dan Darsyah (2018) dalam penelitiannya terkait “Perbandingan

menggunakan data penjualan rumah di daerah Bojongsoang dari periode Januari

untuk memprediksi jumlah produksi jamur tiram di Ad-Dhuha Farm. Dengan

2.1 Data Mining

Gambar 2. 1 Data Mining (Arhami dan Nasir, 2020)

3. Data transformation, yaitu perubahan data menjadi bentuk yang sesuai

2.2 Alat Kesehatan

2.3 PT. Hikmah Medika Investama

2.4 Time Series

Gambar 2. 2 Bentuk Pola Data Siklus (Dr. Jumadi, SE, 2021)

Gambar 2. 3 Bentuk Pola Data Random (Dr. Jumadi, SE, 2021)

Gambar 2. 4 Bentuk Pola Data Trend (Dr. Jumadi, SE, 2021)

Gambar 2. 5 Bentuk Pola Data Musiman (Dr. Jumadi, SE, 2021)

2.5 Stasioneritas dan Nonstasioneritas

2.6 Autoregressive Integrated Moving Average (ARIMA)

Metode ARIMA merupakan suatu metode yang digunakan untuk dapat

2.6.1 Model Analisis Runtun Waktu (Time Series)

3. Model Campuran ARMA

2.6.1 Tahapan Prosedur Analisis Data

4. Tahap keempat : pengujian diagnostik dan pemilihan model. Uji

Website mampu memberikan informasi menjadi lebih efisien dan up to

berfitur lengkap. Dilihat dari aspek keamanannya, penggunaan codeigniter lebih

Framework codeigniter bersifat open source, sehingga tidak

2.15 Unified Modeling Language (UML)

2.16.1 Diagram UML

Use case mendukung pengembangan perangkat lunak memahami

Tabel 2. 1 Simbol Use Case Diagram

No Simbol Nama Keterangan

Memiliki peran orang, sistem yang

Menspesifikasikan paket yang

Tabel 2. 2 Simbol Activity Diagram

Tabel 2. 3 Simbol Sequence Diagram

No Simbol Nama Keterangan

Orang proses, atau sistem lain

waktu aktif ini adalah sebuah

Menyatakan suatu objek

Tabel 2. 4 Simbol Class Diagram

No Simbol Nama Keterangan

Hubungan dimana objek anak

Nilai Lebih dari sama dengan kosong.

Nilai Lebih dari sama dengan satu.

2.16 Rational Unified Process (RUP)

Inception adalah tahap untuk menentukan ruang lingkup dengan

2.17 Pengujian Black Box

2.18 Pengujian Algoritma

RMSE digunakan untuk mengukur nilai rata-rata yang diakarkan dari