PROPOSAL SKRIPSI

IMPLEMENTASI METODE SINGLE MOVING AVERAGE

PADA APLIKASI ORDER INDENT BERBASIS WEB
(STUDI KASUS: PT. HADJI KALLA SALES MAKASSAR)

Diajukan oleh:

Reza Selviana Sengkey 201039

Gusti Fernando 201194

PROGRAM STUDI SISTEM INFORMASI

UNIVERSITAS DIPA MAKASSAR
2022
 PENGESAHAN NASKAH PROPOSAL

Judul : Implementasi Metode Single Moving Average Pada Aplikasi

Order Indent Berbasi Web (Studi Kasus : PT.Hadji Kalla
Sales Makassar)
Mahasiswa 1 : Reza Selviana Sengkey
Nim : 201039
Mahasiswa 2 : Gusti Fernando
Nim : 201194
Pembimbing I : Dr. Y. Johny Soetikno, S.E., M.M.
Pembimbing II : Sitti Aisah, S.Kom., M.T

Telah disetujui untuk dipertahankan oleh

Pembimbing I Pembimbing II

Dr. Y. Johny Soetikno, S.E., M.M. Sitti Aisah, S.Kom., M.T

NIDN: NIDN:

Mengetahui,
Ketua Program Studi Sistem Informasi
Universitas Dipanegara

Andi Irmayana S.Kom, M.T.

NIDN :

ii
 KATA PENGANTAR

Segala puji dan syukur kita panjatkan kepada Allah SWT atas Rahmat-Nya

yang selama ini kita dapatkan, yang memberi hikmah dan yang paling bermanfaat

bagi seluruh umat manusia, sehingga oleh karenanya kami dapat menyelesaikan

proposal penelitian dengan judul “Implementasi Metode Single Moving Average

Pada Aplikasi Order Indent Berbasis Web (Studi Kasus: PT. Hadji Kalla Sales

Makassar)” dengan baik dan tepat waktu. Adapun maksud dan tujuan dari

penyusunan proposal ini adalah memenuhi syarat perolehan gelar Sarjana

Komputer (S.Kom) pada program studi sistem informasi di Universitas Dipa

Makassar.

Dalam proses penyusunan tugas ini kami menjumpai berbagai hambatan,

namun berkat dukungan materil dari berbagai pihak, akhirnya kami dapat

menyelesaikan tugas ini dengan cukup baik, oleh karena itu melalui kesempatan

ini kami menyampaikan terimakasih dan penghargaan setinggi-tingginya kepada

semua pihak terkait yang telah membantu terselesaikannya tugas ini antara lain

kepada:

1. Dr. Y. Johny Soetikno, S.E., M.M. selaku pembimbing 1 dan Rektor

Universitas Dipa Makassar.

2. Komang Aryasa, S.Kom., M.T. selaku Wakil Rektor I Universitas Dipa

Makassar

3. Sitti Aisah, S.Kom., M.T. selaku pembimbing 2 dan ketua program studi

sistem informasi Universitas Dipa Makassar.

iii
 iv

4. Seluruh dosen program studi sistem informasi Universitas Dipa Makassar atas

bimbingan materi selama ini.

Penulis menyadari bahwa proposal ini masih jauh dari kesempurnaan, oleh

karena itu kami mengharapkan segala saran dan kritik yang membangun dari

semua pihak sangat penulis harapkan demi perbaikan pada tugas selanjutnya.

Harapan penulis semoga tugas ini bermanfaat khususnya bagi penulis dan bagi

pembaca lain pada umumnya.

Makassar, Mei 2022

Penulis
 DAFTAR ISI

Contents

HALAMAN JUDUL...............................................................................................i

HALAMAN PERSETUJUAN PEMBIMBING..................................................ii

KATA PENGANTAR..........................................................................................iii

DAFTAR ISI...........................................................................................................v

DAFTAR GAMBAR..........................................................................................viii

DAFTAR TABEL.................................................................................................ix

BAB I PENDAHULIAN...................................................................................1

1.1 Latar Belakang.............................................................................1

1.2 Rumusan Masalah........................................................................2

1.3 Tujuan Penelitian.........................................................................3

1.4 Manfaat Penelitian.......................................................................3

1.5 Sistematika Penulisan..................................................................3

BAB II TINJAUAN PUSTAKA........................................................................5

2.1 Kerangka Pikir.............................................................................5

2.2 Kerangka Teori............................................................................5

2.2.1 Konsep Dasar Sistem.........................................................5

2.2.1.1 Karakteristik Sistem.............................................6

2.2.2 Konsep Dasar Informasi.....................................................7

 vi

2.2.2.1 Defenisi Data.......................................................7

2.2.2.2 Defenisi Informasi...............................................8

2.2.2.3 Nilai Informasi.....................................................9

2.2.3 Konsep Dasar Aplikasi.....................................................10

2.2.4 Konsep Peramalan (Forecasting).....................................11

2.2.4.1 Jenis-jenis Peramalan.........................................12

2.2.4.2 Karakteristik Peramalan yang Baik...................13

2.2.5 Metode Single Mooving Average.....................................14

2.2.6 Konsep Dasar Web Server................................................28

2.2.7 HyperText Markup Protocol (HTML)..............................29

2.2.8 Pemrograman Hypertext Proprocessor (PHP)................29

2.2.9 Konsep Unified Modelling Language..............................30

2.2.9.1 Use Case Diagram.............................................30

2.2.9.2 Class Diagram...................................................31

2.2.9.3 Activity Diagram................................................32

2.2.9.4 Sequence Diagram.............................................32

2.2.10 Konsep Dasar Pengujian White-Box..............................33

2.3 Penelitian Terkait/Road Map Penelitian....................................34

BAB III METODE PENELITIAN ..................................................................36

3.1 Lokasi dan Waktu Penelitian.....................................................36

3.2 Bahan dan Alat Penelitian.........................................................36

3.3 Bahan Penelitian........................................................................36

3.4 Alat Penelitian...........................................................................36

3.5 Jenis Penelitian dan Variabel Penelitian....................................37

3.6 Pengumpulan Data.....................................................................37

 vii

3.7 Analisis Data..............................................................................38

JADWAL PELAKSANAAN KEGIATAN

DAFTAR PUSTAKA

LAMPIRAN
 DAFTAR GAMBAR

Gambar 2.1. Kerangka pikir

viii
 DAFTAR TABEL

Tabel 2.1. Tabel Data permintaan dan persediaan mobil

Tabel 2.2. Tabel range MAPE

Tabel 2.3. Tabel hasil peramalan 5 data peramalan

Tabel 2.4. Tabel hasil peramalan 4 data peramalan

Tabel 2.5. Tabel hasil peramalan 3 data peramalan

Tabel 2.6. Tabel hasil peramalan 3 data peramalan

Tabel 2.7. Simbol use case diagram

Tabel 2.8. Simbol-simbol class diagram

Tabel 2.9. Simbol activity diagram

Tabel 2.10. Simbol sequence diagram

Tabel 3.1 Jadwal penelitian

ix
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi informasi telah membawa manfaat bagi lapisan

masyarakat dalam mendukung bisnis atau usahanya. Salah satu pemanfaatan

teknologi informasi dalam bidang bisnis adalah perkiraan pesanan mobil inden.

Forecasting (peramalan) adalah salah satu unsur yang sangat penting dalam

proses pengambilan keputusan. Peramalan yang dilakukan umumnya didasarkan

pada masa lalu yang kemudian dianalisis dengan menggunakan metode atau cara-

cara tertentu. Data masa lalu dikumpulkan, dipelajari, dianalisis dan dihubungkan

dengan perjalanan waktu, karena adanya faktor waktu tersebut, maka dari data

hasil analisis tersebut kita dapat mencoba mengatakan sesuatu yang terjadi di

masa yang akan datang.

Metode Trend Single moving average merupakan ramalan untuk periode

mendatang. Untuk menentukan ramalan pada periode yang akan datang

memerlukan data historis selama jangka waktu tertentu. Single Moving merupakan

suatu metode peramalan dengan menggunakan data-data pada masa lalu kemudian

dijumlahkan dan memerlukan perhitungan rata-rata untuk mengetahui suatu

informasi yang mungkin akan terjadi.

PT. Hadji Kalla adalah distributor resmi Toyota untuk wilayah Sulawesi

Selatan, Sulawesi Tengah, Sulawesi Barat, dan Sulawesi Tenggara. Penjualan

mobil Toyota untuk wilayah Sulawesi Selatan ditangani oleh Sales Department

1
 2

yang berlokasi di Wisma Kalla lantai 12. Dalam menjalankan usahanya, sales

department sering mengalami kesulitan dalam pemenuhan kebutuhan masyarakat

akan produk mobil merek Toyota, khusunya dalam penanganan permintaan mobil

yang indent. Berdasarkan hasil wawancara dengan pihak sales departemen

didapatkan informasi bahwa pesanan indent terjadi oleh karena meningkatnya

pesanan tetapi stok mobil kurang. Untuk menangani adanya pesanan yang indent

dapat dilakukan dengan melakukan peramalan akan kebutuhan konsumen pada

masa yang akan datang menggunakan data-data sebelumnya. Berdasarkan uraian

di atas, maka diusulkan sebuah penelitian dengan judul “Implementasi Metode

Single Moving Average Pada Aplikasi Order Indent Berbasis Web (Studi

Kasus: PT. Hadji Kalla Sales Makassar).” yang diharapkan dapat membantu

pengelola untuk meramalkan atau mengestimasi akan kebutuhan mobil pada masa

yang akan datang.

1.2 Rumusan Masalah

Rumusan penelitian ini adalah sebagai berikut:

1. Sering terjadi pesanan mobil yang indent akibat meningkatnya permintaan

konsumen

2. Bagaimana implementasi metode single moving average pada aplikasi order

indent PT. Hadji Kalla Sales Departement Makassar.

3. Apakah implementasi metode single moving average pada aplikasi order

indent PT. Hadji Kalla Sales Departement Makassar telah sesuai dengan yang

diharapkan?.
 3

1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1. Menganalisis dan merancang aplikasi order indent PT. Hadji Kalla Sales

Departement Makassar.

2. Menguji implementasi metode Single Moving Average pada Aplikasi Order

Indent Berbasis Web PT. Hadji Kalla Sales Departement Makassar dengan

metode black-box.

1.4 Manfaat Penelitian

Adapun manfaat dari penelitian ini di buat berdasarkan dari penelitian yang

akan dilakukan adalah sebagai berikut:

1. Bagi penulis yaitu menambah wawasan dalam mengembangkan sistem

perkiraan permintaan mobil indent menggunakan metode Single Moving

Average.

2. Bagi pembaca yaitu dapat menjadi referensi bagi pembaca yang ingin

mengembangkan/membuat sistem perkiraan permintaan mobil indent

menggunakan metode Single Moving Average.

3. Bagi Perusahaan PT. Hadji Kalla Sales Makassar yaitu memudahkan pihak

pengelola PT. Hadji Kalla Sales Makassar untuk mengurangi permintaan

mobil indent.

1.5 Sistematika Penulisan

Adapun sistematika penulisan daalam penyusunan proposal ini antara lain:

BAB I PENDAHULUAN membahas tentang latar belakang, rumusan masalah,

 4

tujuan penelitian, manfaat penelitian, serta sistematika penulisan

BAB II TINJAUAN PUSTAKA, membahas kerangka berfikir dan landasan

teori yang berhubungan dengan perkiraan/forecasting dan metode

Single Moving Average.

BAB III METODE PENELITIAN, membahas tentang tentang waktu dan tempat

penelitian, bahan dan alat penelitian, jenis dan variabel penelitian,

pengumpulan data, analisis data.

 BAB II

TINJAUAN PUSTAKA

2.1 Kerangka Pikir

Kerangka pikir penelitian yang akan dilaksanakan pada PT. Hadji Kalla

Sales Makassar dapat dilihat pada gambar 2.1 di bawah ini:

PT. Hadji Kalla adalah distributor resmi Toyota untuk wilayah Sulawesi
Selatan, Sulawesi Tengah, Sulawesi Barat, dan Sulawesi Tenggara.

Masalah yang dihadapi adalah sales department sering mengalami kesulitan

dalam pemenuhan kebutuhan masyarakat akan produk mobil merek Toyota,
khusunya dalam penanganan permintaan mobil yang indent yang diakibatkan
oleh meningkatnya pesanan tetapi stok mobil kurang.

Perlu dirancang sistem perkiraan permintaan mobil indent menggunakan

metode Single Moving Avarage.

Dengan adanya sistem pengendalian produksi menggunakan metode moving

single average diharapkan mampu mengendalikan produksi dapat dilakukan
sehingga permintaan mobil yang indent dapat dikendalikan.

Gambar 2.1. Kerangka pikir

2.2 Kerangka Teori

2.2.1 Konsep Dasar Sistem

Sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling

berhubungan, berkumpul bersama-sama untuk melakukan kegiatan atau untuk

melakukan sasaran tertentu. Pendekatan sistem yang merupakan jaringan kerja

5
dari

6
 7

prosedur lebih menekankan urutan-urutan operasi di dalam sistem. Suatu prosedur

adalah suatu urutan operasi klerikal (tulis-menulis), yang melibatkan beberapa

orang di dalam satu atau lebih departemen, yang diterapakan untuk menjamin

penanganan yang seragam dari transaksi-transaksi bisnis yang terjadi. (Jeperson

Hutahaean, 2015).

2.2.1.1 Karakteristik Sistem

Supaya sistem itu dikatakan sistem yang baik memiliki karakteristik yaitu:

1. Komponen

Suatu sistem terdiri dari sejumlah komponen-komponen yang saling

berinteraksi, yang artinya saling bekerja sama membentuk satu kesatuan.

Komponen sistem terdiri dari komponen yang berupa subsistem atau bagian-

bagian dari sistem.

2. Batasan sistem (boundary)

Batasan sistem merupakan daerah yang membatasi antara suatu sistem dengan

sistem yang lain atau dengan lingkungan luarnya. Batasan sistem ini

memungkinkan suatu sistem dipandang sebagai suatu kesatuan. Batasan suatu

sistem menunjukkan ruang lingkup (scope) dari sistem tersebut.

3. Lingkungan luar sistem (environment)

Lingkungan luar sistem (environment) adalah diluar batas dari sistem yang

mempengaruhi operasi sistem. Lingkungan dapat bersifat menguntungkan

yang harus tetap dijada dan yang merugikan yang harus dijaga dan

dikendalikan, kalau tidak akan mengganggu kelangsungan hidup dari sistem.

4. Penghubung sistem (interface)

 8

Penghubung sistem merupakan media penghubung antara satu subsitem

dengan subsistem lainnya. Melalui penghubung ini memungkinkan sumber-

sumber daya mengalir dari subsistem ke subsistem lain. Keluaran (output) dari

subsitem akan menjadi masukkan (input) untuk subsistem lain melalui

penghubung.

5. Masukkan Sistem (input)

Masukkan adalah energi yang dimasukkan ke dalam sistem, yang dapat

berupa perawatan (maintenace input), dan masukkan sinyal (signal input).

Maintenace input adalah energi yang dimasukkan agar sistem dapat

beroperasi. Signal input adalah energi yang diproses untuk didapatkan

keluaran

6. Keluaran sistem (output)

Keluaran sistem adalah hasil dari energi yang diolah dan diklasifikasikan

menjadi keluaran yang berguna dan sisa pembuangan.

7. Pengolah sistem

Suatu sistem menjadi bagian pengolah yang akan merubah masukkan menjadi

keluaran. Sistem produksi akan mengolah bahan baku menjadi bahan jadi,

sistem akuntansi akan mengolah data menjadi laporan-laporan keuangan.

8. Sasaran sistem

Suatu sistem pasti mempunyai tujuan (goal) atau sasaran (objective). Sasaran

dari sistem sangat menentukan input yang dibutuhkan sistem dan keluaran

yang akan dihasilkan sistem.(Jeperson Hutahaean, 2015).

2.2.2 Konsep Dasar Informasi

 9

2.2.2.1 Defenisi Data

Data adalah bahan baku informasi, didefinisikan sebagai kelompok teratur

simbol-simbol yang mewakili kuantitas, tindakan, benda dan sebagainya. Data

terbentuk dari karakter yang dapat berupa alphabet, angka maupun simbul khusus

seperti *, $, dan /. Data disusun untuk diolah dalam bentuk sruktur data, struktur

file, basis data. (Prasojo, 2013).

Data adalah bahan mentah bagi informasi, dirumuskan sebagai kelompok

lambang-lambang tidak acak menunjukkan jumlah- jumlah, tindakan-tindakan,

hal-hal dan sebagainya. (Jeperson Hutahaean, 2015).

Pengolahan data adalah serangkaian operasi atas informasi yang

direncanakan guna mencapai tujuan atau hasil yang diinginkan. 8 unsur pokok

pengolahan data, yaitu:

1. Membaca

2. Menulis, mengetik

3. Mencatat atau mencetak

4. Menyortir

5. Menyampaikan atau memindahkan

6. Menghitung

7. Membandingkan

8. Menyimpan. (Jeperson Hutahaean, 2015).

2.2.2.2 Defenisi Informasi

Informasi adalah data yang diolah menjadi bentuk yang lebih berguna dan

lebih berarti bagi penerimanya. Sumber informasi adalah data. Data kenyataan
 10

yang menggambarkan suatu kejadian-kejadian dan kesatuan nyata. Kejadian-

kejadian (event) adalah kejadian yang terjadi pada saat tertentu. Menurut Gordon

B. Davis dalam kutipan Jeperson Hutahaean (2015): Informasi adalah data yang

telah diolah menjadi suatu bentuk yang penting bagi si penerima dan mempunyai

nilai nyata atau yang dapat dirasakan dalam keputusan-keputusan yang sekarang

atau keputusan-keputusan yang akan datang.

Fungsi informasi yaitu: menambah pengetahuan atau mengurangi ketidak

pastian pemakai informasi, karena informasi berguna memberikan gambaran

tentang suatu permasalahan sehingga pengambil keputusan dapat menentukan

keputusan lebih cepat, informasi juga memberikan standard, aturan maupun

indikator bagi pengambil keputusan. (Jeperson Hutahaean, 2015).

2.2.2.3 Nilai Informasi

Nilai informasi ditentukan oleh dua hal yaitu manfaat dan biaya

mendapatkannya. Suatu informasi dikatakan lebih bernilai jika manfaatnya lebih

efektif dibandingkan dengan biaya mendapatkannya. Biaya informasi terdiri dari:

1. Biaya perangkat keras:

Merupakan biaya tetap atau biaya tertanam dan akan meningkat untuk tingkat-

tingkat mekanisasi yang lebih tinggi.

2. Biaya untuk analisis:

Merupakan biaya tertanam, dan biasanya akan meningkat sesuai dengan

tingkat mekanisasi yang lebih tinggi

3. Biaya untuk tempat dan faktor control lingkungan.

Biaya ini setengah berubah/semivariabel. Biasanya biaya ini meningkat sesuai

 11

dengan tingkat mekanisasi yang tinggi.

4. Biaya perubahan:

Biaya ini merupakan biaya tertanam dan meliputi setiap jenis perubahan dari

satu metode ke metode yang lain.

5. Biaya operasi:

Biaya ini pada dasarnya merupakan biaya variable dan meliputi biaya macam-

macam pegawai, pemeliharaan fasilitas dan sistem. (Jeperson Hutahaean,

2015).

2.2.3 Konsep Dasar Aplikasi

Aplikasi adalah program siap pakai yang dapat digunakan untuk

menjalankan perintah-perintah dari pengguna aplikasi tersebut dengan tujuan

mendapatkan hasil yang lebih akurat sesuai dengan tujuan pembuatan aplikasi

tersebut, aplikasi mempunyai arti yaitu pemecahan masalah yang menggunakan

salah satu teknik pemrosesan data aplikasi yang biasanya berpacu pada sebuah

komputansi yang diinginkan atau diharapkan maupun pemrosesan data yang

diharapkan. Pengertian aplikasi secara umum adalah alat terapan yang difungsikan

secara khusus dan terpadu sesuai kemampuan yang dimilikinya, aplikasi

merupakan suatu perangkat komputer yang siap pakai bagi user. (Rahayu, 2018)

Perangkat lunak yang dikatakan bagus atau berkualitas memiliki

karakteristik sebagai berikut:

1. Maintainability yaitu adalah tingkat kemudahan perangkat lunak tersebut

dalam mengakomodasi perubahan-perubahan. Contoh: AVG merupakan

software antivirus yang memiliki tingkat maintainability cukup tinggi. AVG

 12

dapat mengupdate dirinya sendiri selama komputer memiliki koneksi dengan

internet atau dengan mendownload update terbarunya di situs AVG. Update

tersedia tiap hari dan merupakan salah satu kelebihan avg dibanding dengan

beberapa antivirus lain dalam hal maintainability.

2. Dependability yaitu ketidakbergantungan perangkat lunak dengan elemen-

elemen sistem lainnya atau sistem secara keseluruhan. Artinya kegagalan

elemen lain tidak mempengaruhi performansi perangkat lunak. Contoh: AVG

bergantung pada sistem operasi dan selama sistem operasi tidak ada masalah

maka AVG tidak akan bermasalah.

3. Efficiency yaitu menyangkut waktu eksekusi. Waktu eksekusi cukup singkat,

dan saat melakukan scanning membutuhkan waktu yang lebih singkat bila

dibandingkan dengan beberapa antivirus lain.

4. Usability yaitu atribut yang menunjukkan tingkat kemudahan pengoperasian

perangkat lunak. (Santoso, 2019)

2.2.4 Konsep Peramalan (Forecasting)

Peramalan adalah sebuah langkah pendekatan didalam menentukan sikap

atas situasi kedepan dengan lebih baik dan terperinci dimasa depan berlandaskan

kumpulan informasi data histori periode sebelumnya hingga saat ini untuk

meminimalisir tingkat kesalahan. Peramalan merupakan suatu langkah proses dari

sebuah aktivitas perkiraan produk yang dimasa depan dalam kurun waktu tertentu

yang di buat dibuat berdasarkan data historis. (Ahmad, 2020)

Forecasting adalah suatu metode pendekatan dalam memprediksi

kemungkinan- kemungkinan atas situasi pada masa yang kedepan dengan cara
 13

pengujian data yang terjadi dimasa lalu. Pendekatan peramalan ini juga

bermanfaat bagi pemilik organisai atau usaha dalam rangka menentukan jumlah

penjualan barang produksi dimasa yang akan akan datang, sehingga pemilik lebih

mudah di dalam pengambilan keputusan dalam hal melakukan strategi

penambahan atau kebijakan pengurangan barang produksi. (Ahmad, 2020).

Metode Peramalan ialah suatu pendekatan dalam memperkirakan secara

kuantitatif mengenai suatu kejadian yang akan terjadi pada beberapa periode

kedepan, yang didasarkan data histori yang saling terkait dan relevan yang telah

terjadi dimasa sebelumnya. Pendekatan ini bermanfaat terutama dalam usaha

penyelesaian masalah dengan pendekatan analisis terhadap suatu fenomena atau

pola dari data yang lalu, sehingga dapat memberikan gambaran menganai cara

berfikir dari pengerjaan dan pemecahan suatu masalah dalam situasi yang

sistematis dan dpat dibuktikan secara riil sehingga memberikan tingkat keyakinan

yang lebih pada saat pengambilan keputusan. (Ahmad, 2020).

2.2.4.1 Jenis-jenis Peramalan

Dilihat dari perencanaan operasi di masa depan, maka peramalan dibagi

menjadi 3 macam yaitu:

1. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis dengan

memprediksi tingkat inflasi, ketersediaan uang, dana yang dibutuhkan untuk

membangun perumahan dan indikator perencanaan lainnya.

2. Peramalan teknologi (technological forecast) memperhatikan tingkat

kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik, yang

membutuhkan pabrik dan peralatan baru.

 14

3. Peramalan permintaan (demand forecast) adalah prediksi dari proyeksi

permintaan untuk produk atau layanan suatu perusahaan.(Setyawan, 2019).

2.2.4.2 Karakteristik Peramalan yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting, antara lain

akurasi, biaya, dan kemudahan. Penjelasan dari kriteria-kriteria tersebut adalah

sebagai berikut:

1. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan

kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila

peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan

yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya

kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan

mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak

dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan

pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu

tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga

banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini

berperan penting dalam menyeimbangkan persediaan yang ideal.

2. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan

adalah tergantung dari jumlah item yang diramalkan, lamanya periode

peramalan, dan metode peramalan yang dipakai. Ketiga faktor pemicu biaya

tersebut akan mempengaruhi berapa banyak data yang dibutuhkan, bagaimana

 15

pengolahan datanya (manual atau komputerisasi), bagaimana penyimpanan

datanya dan siapa tenaga ahli yang diperbantukan.

3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan

mudah diaplikasikan akan memberikan keuntungan bagi perusahaan. Percuma

memakai metode yang canggih, tetapi tidak dapat diaplikasikan pada sistem

perusahaan karena keterbatasan dana, sumber daya manusia, maupun

peralatan teknologi.

2.2.5 Metode Single Mooving Average

Single moving average merupakan suatu metoda peramalan dengan

menggunakan data-data pada massa lalu kemudian di jumlahkan dan melakukan

perhitungan rata-rata untuk mengetahui suatu informasi yang mungkin akan

terjadi. Metode single moving average memiliki karater khusus yaitu memerlukan

data historis dengan jangka waktu tertentu dan semakin pajang waktunya maka

moving average yang akan dihasilkan akan semakin halus. (Yudaruddin, 2019)

Metode Single Moving Average (SMA) tidak menggunakan pembobotan

pada setiap data yang akan dihitung. Meskipun sederhana dan sangat efisien,

SMA cukup efektif dalam menentukan trend yang sedang terjadi dimarket.

Metode single moving average memiliki ciri khusus yaitu :

1. Diperlukan data historis selama periode tertentu untuk menentukan ramalan.

2. Semakin panjang jangka waktu moving average, efek pelicinan semakin

terlihat dan hasil moving average-nya semakin halus.

Kelebihan dari metode single moving average dapat digunakan sebagai

 16

peramalan untuk menghitung rata-rata hasil penjualan tas pada periode tertentu

yang akan terus dihitung berdasarkan pergerakan data, metode ini sangat efektif,

mudah dan lebih efisien proses perhitungannya. Persamaan single moving

average:

X t + X t −1 + X t−n +1
St +1= ........................................................................1)
n

Keterangan:

St+1 = Forecast untuk periode ke t+1

Xt = Data Pada periode t

n = jangka waktu moving average

Berikut ini akan dibahas contoh kasus peramalan permintaan konsumen

terhadap mobil Avanza Veloz untuk bulan Juni 2022 menggunakan data peramalan

5 bulan, 4 bulan, dan 3 bulan berdasarkan datapermintaan bulan Januari 2021 s.d.

Mei 2022. Adapun data histori permintaan dan persediaan mobil sebagai bahan

peramalan seperti pada tabel 2.1.

Tabel 2.1. Tabel Data permintaan dan persediaan mobil

Permintaa Persediaa
No. Bulan n n Indent
1 Januari 2021 31 23 8
2 Pebruari 2021 27 20 7
3 Maret 2021 26 21 5
4 April 2021 35 24 11
5 Mei 2021 30 24 6
6 Juni 2021 30 20 10
7 Juli 2021 26 21 5
8 Agustus 2021 31 21 10
9 September 2021 31 24 7
10 Oktober 2021 27 23 4
11 November 2021 33 22 11
12 Desember 2021 30 23 7
 17

13 Januari 2022 29 22 7
14 Pebruari 2022 30 24 6
15 Maret 2022 28 24 4
16 April 2022 30 23 7
17 Mei 2022 31 23 8

1. Peramalan menggunakan data peramalan 5 bulan

Untuk peramalan menggunakan data peramalan 5 bulan, maka peramalan

dimulai pada bulan Juni 2021 oleh karena nanti setelah bulan Juni 2021 baru

tersedia data permintaan selama 5 bulan terakhir sebagai berikut:

Juni 2021 =
( Januari2021+ Pebruari 2021+ Maret 2021+ April 2021+ Mei 2021)
5
(31+27+ 26+35+30) 149
= = = 29 , 8=30
5 5
Juli 2021 =
( Pebruari 2021+ Maret 2021+ April 2021+ Mei 2021+ Juni 2021)
5
(27+ 26+35+30+30) 148
= = = 29 , 6=30
5 5
( Maret 2021+ April 2021+ Mei 2021+Juni 2021+ Juli 2021)
Agustus 2021 =
5
(26+ 35+30+30+26) 147
= = = 29 , 4=29
5 5
( April 2021+ Mei 2021+ Juni 2021+Juli 2021+ Agustus 2021)
September 2021 =
5
(35+30+ 30+26+31) 152
= = = 30 , 4=30
5 5
( Mei 2021+ Juni2021+ Juli 2021+ Agustus+ September 2021)
Oktober 2021 =
5
(30+30+ 26+31+31) 148
= = = 29 , 6=30
5 5
November 2021 =
 18

( Juni2021+ Juli 2021+ Agustus+ September 2021+Oktober 2021)

5
(30+26 +31+31+27) 145
= = = 29
5 5
Desember 2021 =
( Juli 2021+ Agustus+ September 2021+Oktober 2021+ November 2021)
5
(26+ 31+ 31+ 27+33) 148
= = = 29 , 6=30
5 5
Januari 2022 =
( Agustus+September 2021+Oktober 2021+ November 2021+ Desember 2021)
5
(31+31+27+ 33+30) 152
= = = 30 , 4=30
5 5
Pebruari 2022 =
( September 2021+Oktober 2021+ November 2021+ Desember 2021+ Januari 2022)
5
(31+27+ 33+30+29) 150
= = = 30=30
5 5
Maret 2022 =
(Oktober 2021+ November 2021+ Desember 2021+ Januari 2022+ Pebruari 2022)
5
(27+ 33+30+29+30) 149
= = = 29 , 8=30
5 5
April 2022 =
( November 2021+ Desember 2021+ Januari 2022+ Pebruari 2022+ Maret 2022)
5
(33+30+ 29+30+28) 150
= = = 30
5 5
Mei 2022 =
( Desember 2021+ Januari 2022+ Pebruari2022+ Maret 2022 )+ April 2022 ¿ ¿
5
(30+29+ 30+28+30) 147
= = = 29 , 4=29
5 5
 19

¿
Juni 2022 =( Januari2022+ Pebruari 2022+ Maret 2022 ) + April 2022+ Mei 2022¿ 5

(29+30+ 28+30+31) 148

= = = 29 , 6=30
5 5
Hasil peramalan diperoleh bahwa untuk bulan juni 2022 diramalkan

jumlah permintaan konsumen adalah sebanyak 30 unit. Dengan demikian maka

untuk menghindari permintaan indent maka pihak perusahaan menyediakan 30

unit kendaraan yang akan dijual.

Untuk mengetahui tingkat akurasi peramalan maka dilakukan dilakukan

perhitungan tingkat akurasi menggunakan metode Mean Absolute Percent Error

dengan persamaan:

MAPE=∑ (| Aktual−Forecast|/ Aktual)∗100/n .

Sumber: (Maricar, 2017)

atau: MAPE=∑ APE /n , dimana:

APE = Absolute Percent Error

APE=| Aktual−Forecast|/ Aktual

n = merupakan jumlah periode yang digunakan untuk perhitungan.

Semakin rendah nilai MAPE, kemampuan dari model peramalan yang

digunakan dapat dikatakan baik, dan untuk MAPE terdapat range nilai yang dapat

dijadikan bahan pengukuran mengenai kemampuan dari suatu model peramalan,

range nilai tersebut dapat dilihat pada tabel 2.2.

Tabel 2.2. Tabel range MAPE

Range Mape Arti

<10% Kemampuan Model Peramalan Sangat Baik
10%<= Mape <20 % Kemampuan Model Peramalan Baik
20%≤ Mape ≤ 50 % Kemampuan Model Peramalan Layak
 20

> 50 % Kemampuan Model Peramalan Buruk

Sumber: (Maricar, 2017)

Berdasarkan hasil perhitungan peramalan menggunakan data peramalan 5

bulan di atas dan berdasarkan data permintaan pada tabel 2.1, maka dapat dihitung

nilai APE sebagai berikut:

APE Juni 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Juli 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |26 - 30|/26 * 100 = 4 / 26 * 100 = 15,38

APE Agustus 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

APE September 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 30|/31 * 100 = 1 / 31 * 100 = 3,23

APE Oktober 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |27 - 30|/27 * 100 = -3 / 27 * 100 = 11,11

APE November 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |33 - 29|/33 * 100 = 4 / 33 * 100 = 12,12

APE Desember 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Januari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |29 - 30|/29 * 100 = 1 / 29 * 100 = 3,45

APE Pebruari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Maret 2022 = (| Permintaan - Forecast |/Permintaan) * 100

 21

= |28 - 30|/28 * 100 = -2 / 28 * 100 = 7,14

APE April 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Mei 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

0 , 0+15 , 4 +6 , 5+3 , 2+11, 1+ 12, 1+0 , 0+3 , 4 +0 , 0+7 , 1+0 , 0+6 , 5 65 , 3

MAPE= = =4 ,7
12 12

Berdasarkan nilai range MAPE pada tabel 2.2. maka peramalan

menggunakan 5 data peramalan didapatkan tingkat akurasi peramalan sangat baik

oleh karena MAPE <10%.

Hasil peramalan 5 data peramalan dapat dilihat pada tabel 2.3.

Tabel 2.3. Tabel hasil peramalan 5 data peramalan

No. Bulan Pemesanan Forecast APE (%)

1 Januari 2021 31 - -
2 Pebruari 2021 27 - -
3 Maret 2021 26 - -
4 April 2021 35 - -
5 Mei 2021 30 - -
6 Juni 2021 30 30 0,0
7 Juli 2021 26 30 15,4
8 Agustus 2021 31 29 6,5
9 September 2021 31 30 3,2
10 Oktober 2021 27 30 11,1
11 November 2021 33 29 12,1
12 Desember 2021 30 30 0,0
13 Januari 2022 29 30 3,4
14 Pebruari 2022 30 30 0,0
 22

No. Bulan Pemesanan Forecast APE (%)

15 Maret 2022 28 30 7,1
16 April 2022 30 30 0,0
17 Mei 2022 31 29 6,5
18 Juni 2022 - 30 -
MAPE 4,7

2. Peramalan menggunakan data peramalan 4 bulan

Untuk peramalan menggunakan data peramalan 4 bulan, maka peramalan

dimulai pada bulan Mei 2021 oleh karena nanti setelah bulan Mei 2021 baru

tersedia data permintaan selama 4 bulan terakhir sebagai berikut:

( Januari2021+ Pebruari 2021+ Maret 2021+ April 2021)

Mei 2021 =
4
(31+27+ 26+35) 119
= = = 29 , 75=30
4 4
( Pebruari 2021+ Maret 2021+ April 2021+ Mei 2021)
Juni 2021 =
4
(27+ 26+35+30) 118
= = = 29 , 5=30
4 4
( Maret 2021+ April 2021+ Mei 2021+Juni 2021)
Juli 2021 =
4
(26+ 35+30+30) 121
= = = 30 , 25=30
4 4
( April 2021+ Mei 2021+ Juni 2021+Juli 2021)
Agustus 2021 =
4
(35+30+ 30+26) 121
= = = 30 , 25=30
4 4
( Mei 2021+ Juni2021+ Juli 2021+ Agustus 2021)
September 2021 =
4
(30+30+ 26+31) 152
= = = 30 , 4=30
4 4
 23

( Juni2021+ Juli 2021+ Agustus 2021+ September 2021)

Oktober 2021 =
4
(30+26 +31+31) 118
= = = 29 , 5=29
4 4
( Juli 2021+ Agustus 2021+ September 2021+ Oktober 2021)
November 2021 =
4
(26+ 31+ 31+ 27) 115
= = = 28 , 75=29
4 4
Desember 2021 =
( Agustus2021+ September 2021+Oktober 2021+ November 2021)
4
(31+31+27+ 33) 122
= = = 30 , 5=31
4 4
Januari 2022 =
( September 2021+Oktober 2021+ November 2021+ Desember 2021)
4
(31+27+ 33+30) 121
= = = 30 , 25=30
4 4
(Oktober 2021+ November 2021+ Desember 2021+ Januari 2022)
Pebruari 2022 =
4
(27+ 33+30+29) 119
= = = 29 , 75=30
4 4
( November 2021+ Desember 2021+ Januari 2022+ Pebruari 2022)
Maret 2022 =
4
(33+30+ 29+30) 122
= = = 30 , 5=31
4 4
( Desember 2021+ Januari 2022+ Pebruari2022+ Maret 2022)
April 2022 =
4
(30+29+ 30+28) 117
= = = 29 , 25=30
4 4
¿
Mei 2022 = Januari2022+ Pebruari 2022+ Maret 2022+ April 2022 ¿ 4

(29+30+ 28+30) 117

= = = 29 , 25=29
4 4
 24

¿
Juni 2022 = Pebruari 2022+ Maret 2022+ April 2022+ Mei2022 ¿ 4

(30+28+ 30+31) 119

= = = 29 , 75=30
4 4
Hasil peramalan diperoleh bahwa untuk bulan Juni 2022 diramalkan

jumlah permintaan konsumen adalah sebanyak 30 unit. Dengan demikian maka

untuk menghindari permintaan indent maka pihak perusahaan menyediakan 30

unit kendaraan yang akan dijual.

Berdasarkan hasil perhitungan peramalan menggunakan data peramalan 4

bulan di atas dan berdasarkan data permintaan pada tabel 2.1, maka dapat dihitung

nilai APE sebagai berikut:

APE Mei 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Juni 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Juli 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |26 - 30|/26 * 100 = -4 / 26 * 100 = 15,38

APE Agustus 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 30|/31 * 100 = 1 / 31 * 100 = 3,23

APE September 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

APE Oktober 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |27 - 30|/27 * 100 = -3 / 27 * 100 = 11,11

APE November 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |33 - 29|/33 * 100 = 4 / 33 * 100 = 12,12

 25

APE Desember 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 31|/30 * 100 = -1 / 30 * 100 = 3,33

APE Januari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |29 - 30|/29 * 100 = -1 / 29 * 100 = 3,45

APE Pebruari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Maret 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |28 - 31|/28 * 100 = -3 / 28 * 100 = 10,71

APE April 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 29|/30 * 100 = 1 / 30 * 100 = 3,33

APE Mei 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

0 , 0+0 ,0+15 , 4+3 , 2+6 , 5+11, 1+12 ,1+3 , 3+3 , 4 +0 , 0+10 , 7+3 , 3+6 , 5 75 ,6
MAPE= = =5 , 4
13 13

Berdasarkan nilai range MAPE pada tabel 2.2. maka peramalan

menggunakan 4 data peramalan didapatkan tingkat akurasi peramalan sangat baik

oleh karena MAPE <10%.

Tabel 2.4. Tabel hasil peramalan 4 data peramalan

No. Bulan Pemesanan Forecast APE (%)

1 Januari 2021 31 - -
2 Pebruari 2021 27 - -
3 Maret 2021 26 - -
4 April 2021 35 - -
5 Mei 2021 30 30 0,0
6 Juni 2021 30 30 0,0
 26

No. Bulan Pemesanan Forecast APE (%)

7 Juli 2021 26 30 15,4
8 Agustus 2021 31 30 3,2
9 September 2021 31 29 6,5
10 Oktober 2021 27 30 11,1
11 November 2021 33 29 12,1
12 Desember 2021 30 31 3,3
13 Januari 2022 29 30 3,4
14 Pebruari 2022 30 30 0,0
15 Maret 2022 28 31 10,7
16 April 2022 30 29 3,3
17 Mei 2022 31 29 6,5
18 Juni 2022 - 30 -
MAPE 5,4

3. Peramalan menggunakan data peramalan 4 bulan

Untuk peramalan menggunakan data peramalan 3 bulan, maka peramalan

dimulai pada bulan April 2021 oleh karena nanti setelah bulan April 2021 baru

tersedia data permintaan selama 3 bulan terakhir sebagai berikut:

( Januari2021+ Pebruari 2021+ Maret 2021)

April 2021 =
3
(31+27+ 26) 84
= = = 28
3 3
( Pebruari 2021+ Maret 2021+ April 2021)
Mei 2021 =
3
(27+ 26+35) 33
= = = 29 , 33=29
3 3
( Maret 2021+ April 2021+ Mei 2021)
Juni 2021 =
3
 27

(26+ 35+30) 91
= = = 30 , 00=30
3 3
( April 2021+ Mei 2021+ Juni 2021)
Juli 2021 =
3
(35+30+ 30) 95
= = = 31 , 66=32
3 3
( Mei 2021+ Juni2021+ Juli 2021)
Agustus 2021 =
3
(30+30+ 26) 86
= = = 28 , 66=27
3 3
( Juni2021+ Juli 2021+ Agustus 2021)
September 2021 =
4
(30+26 +31) 87
= = = 29
3 3
( Juli 2021+ Agustus 2021+ September 2021)
Oktober 2021 =
3
(26+ 31+ 31) 88
= = = 29 , 33=29
3 3
( Agustus2021+ September 2021+Oktober 2021)
November 2021 =
3
(31+31+27) 89
= = = 29 , 67=30
3 3
( September 2021+Oktober 2021+ November 2021)
Desember 2021 =
3
(31+27+ 33) 91
= = = 30 , 33=30
3 3
(Oktober 2021+ November 2021+ Desember 2021)
Januari 2022 =
3
(27+ 33+30) 90
= = = 30
3 3
( November 2021+ Desember 2021+ Januari 2022)
Pebruari 2022 =
3
(33+30+ 29) 92
= = = 30 , 67=31
3 3
 28

( Desember 2021+ Januari 2022+ Pebruari2022)

Maret 2022 =
3
(30+29+ 30) 89
= = = 29 , 67=30
3 3
( Januari2022+ Pebruari 2022+ Maret 2022)
April 2022 =
3
(29+30+ 28) 87
= = = 29
3 3
¿
Mei 2022 = Pebruari 2022+ Maret 2022+ April 2022¿ 3

(30+28+ 30) 88
= = = 29 , 33=29
3 3
¿
Juni 2022 = Maret 2022+ April 2022+ Mei 2022 ¿ 4

(28+30+ 31) 89
= = = 29 , 67=30
3 3
Hasil peramalan diperoleh bahwa untuk bulan Juni 2022 diramalkan

jumlah permintaan konsumen adalah sebanyak 30 unit. Dengan demikian maka

untuk menghindari permintaan indent maka pihak perusahaan menyediakan 30

unit kendaraan yang akan dijual.

Berdasarkan hasil perhitungan peramalan menggunakan data peramalan 3

bulan di atas dan berdasarkan data permintaan pada tabel 2.1, maka dapat dihitung

nilai APE sebagai berikut:

APE April2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |35 - 28|/35 * 100 = 7 / 35 * 100 = 20

APE Mei 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 29|/30 * 100 = 1 / 30 * 100 = 3,33

APE Juni 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

 29

APE Juli 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |26 - 32|/26 * 100 = -6 / 26 * 100 = 23,08

APE Agustus 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

APE September 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

APE Oktober 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |27 - 29|/27 * 100 = -2 / 27 * 100 = 7,41

APE November 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |33 - 30|/33 * 100 = 3 / 33 * 100 = 9,09

APE Desember 2021 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 30|/30 * 100 = 0 / 30 * 100 = 0

APE Januari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |29 - 30|/29 * 100 = -1 / 29 * 100 = 3,45

APE Pebruari 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 31|/30 * 100 = -1 / 30 * 100 = 3,33

APE Maret 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |28 - 30|/28 * 100 = -2 / 28 * 100 = 7,14

APE April 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |30 - 29|/30 * 100 = 1 / 30 * 100 = 3,33

APE Mei 2022 = (| Permintaan - Forecast |/Permintaan) * 100

= |31 - 29|/31 * 100 = 2 / 31 * 100 = 6,45

20 , 0+3 , 3+0 , 0+23 , 1+6 , 5+6 , 5+7 , 4 +9 , 1+0 , 0+3 , 4 +3 ,3+ 7 ,1+3 ,3+6 ,5 99 , 5
MAPE= = =7 , 1
14 14
 30

Berdasarkan nilai range MAPE pada tabel 2.2. maka peramalan

menggunakan 3 data peramalan didapatkan tingkat akurasi peramalan sangat baik

oleh karena MAPE <10%.

Tabel 2.5. Tabel hasil peramalan 3 data peramalan

No. Bulan Pemesanan Forecast APE (%)

1 Januari 2021 31 - -
2 Pebruari 2021 27 - -
3 Maret 2021 26 - -
4 April 2021 35 28 20,0
5 Mei 2021 30 29 3,3
6 Juni 2021 30 30 0,0
7 Juli 2021 26 32 23,1
8 Agustus 2021 31 29 6,5
9 September 2021 31 29 6,5
10 Oktober 2021 27 29 7,4
11 November 2021 33 30 9,1
12 Desember 2021 30 30 0,0
13 Januari 2022 29 30 3,4
14 Pebruari 2022 30 31 3,3
15 Maret 2022 28 30 7,1
16 April 2022 30 29 3,3
17 Mei 2022 31 29 6,5
18 Juni 2022 - 30 -
MAPE 7,1

Berdasarkan hasil peramalan dengan menggunakan 3 data peramalan yang

berbeda maka dapat hasil peramalan seperti pada tabel 2.6.

Tabel 2.6. Tabel hasil peramalan 3 data peramalan

 31

No Data Hasil
. Peramalan Forecast MAPE (%)
1 3 Bulan 30 7,1
2 4 Bulan 30 5,4
3 5 Bulan 30 4,5

Berdasarkan tabel 2.6, maka diperolh informasi bahwa ketiga peramalan

mendapatkan nilai yang sama untuk perkiraan permintaan pada Juni 2022 sebesar

30. Namun peramalan yang menggunakan data peramalan 5 bulan merupakan

yang paling akurat karena memiliki nilai MAPE yang paling kecil yaitu sebesar

5%.

2.2.6 Konsep Dasar Web Server

Web Server merupakan sebuah perangkat lunak dalam server yang

berfungsi menerima permintaan (request) berupa halaman web melalui HTTP atau

HTTPS dari klien yang dikenal dengan browser web dan mengirimkan kembali

(response) hasilnya dalam bentuk halaman-halaman web yang umumnya

berbentuk dokumen Hypertext Markup Language (HTML) (Achmad Solichin,

2018, p. 7). Beberapa web Sever yang banyak digunakan di internet antara lain:

1. Apache web server (http://www.apache.org)

2. Internet Information service, IIS (http://www.microsoft.com/iis)

3. Xitami web server (http://www.xitami.com)

4. Sun java system web server (http://www.sun.com/software/products/

web_srvr/home_web_srvr.xml)

2.2.7 HyperText Markup Protocol (HTML)

 32

Hypertext Markup Language (HTML) adalah bahasa yang digunakan untuk

menulis halaman web. HTML merupakan pengembangan dari bagian

pemformatan dokumen teks yaitu Bagiand Generalized Markup

Language(SGML). HyperText Markup Protocol (HTML) adalah bahasa markup

yang digunakan untuk membuat sebuah halaman web, menampilkan berbagai

informasi di dalam sebuah penjelajah web internet dan formatting hypertext

sederhana yang ditulis dalam berkas format ASCII agar dapat menghasilkan

tampilan wujud yang terintegrasi. (Madcoms, 2016, p. 15).

2.2.8 Pemrograman Hypertext Proprocessor (PHP)

Hypertext Preprocessor (PHP) adalah basah script yang dapat ditanamkan

atau disisipkan ke dalam HTML. PHP banyak dipakai untuk membuat program

situs web dinamis”. PHP juga sering juga digunakan untuk membangun sebuah

CMS. Hypertext Preprocessor (PHP) adalah bahasa pemrograman script server-

side yang didesain untuk pengembangan web (Madcoms, 2016).

PHP dapat berfungsi sebagai server-side yaitu pada server side, ada sebuah

server Web khusus yang bertugas mengeksekusi perintah dengan menggunakan

bagian metode HTTP. Misalnya penggunaan CGI script pada sisi server yang

mempunyai tag khusus yang tertanam di halaman HTML.

2.2.9 Konsep Unified Modelling Language

Unified Modeling Language (UML) adalah bahasa spesifikasi standar yang

dipergunakan untuk mendokumentasikan, menspesifikasikan dan membanngun

perangkat lunak. UML merupakan metodologi dalam mengembangkan sistem

 33

berorientasi objek dan juga merupakan alat untuk mendukung pengembangan

sistem (Suendri, 2018).

2.2.9.1 Use Case Diagram.

Use case adalah deproposal fungsi dari sebuah sistem dari prespektif

pengguna. Use case bekerja dengan cara mendeproposalkan tipikal interaksi

antara user (pengguna) sebuah sistem dengan sistemnya sendiri melalui sebuah

cerita bagaimana sistem dipakai (Munawar, 2018, p. 89). Simbol-simbol use case

diagram dapat dilihat pada tabel 2.7

Tabel 2.7. Simbol use case diagram

No Nama Simbol Simbol Penjelasan

Orang atau sistem lain mengaktifkan
1. Actor fungsi dari target sistem
Abstraksi dari interaksi antara sistem
2. Use case dengan actor.
Mengidentifikasikan interaksi antara
3. Assosiation aktor tertentu dengan use case
tertentu
Mengidentifikasi hubungan antar dua
4. Include use-case dimana salah satu
memanggil yang lain
Jika pemanggilan memerlukan
5. Extend
adanya kondisi tertentu
Generalizati Mengidentifikasi selasi antara dua
6.
on actor atau dua use case
Sumber: (Munawar, 2018)

2.2.9.2 Class Diagram

Class diagram adalah salah satu jenis diagram pada UML yang digunakan

untuk menampilkan kelas-kelas maupun paket-paket yang ada pada suatu sistem

yang nantinya akan digunakan. Simbol-simbol class diagram seperti pada tabel
 34

2.8.

Tabel 2.8. Simbol-simbol class diagram

No Nama Simbol Simbol Keterangan

.
Class-class yang saling terhubung
1.
Assosiation satu sama lain secara konseptual.

Kumpulan obyek yang memiliki

2. attribute dan operation yang sama.
Class
Attribute, merupakan property dari
sebuah class
Suatu garis yang menangani obyek-
3.
Aggregation obyek dimana salah satunya adalah
bagian dari yang lain
Sebuah tipe agregasi yang kuat
4.
Composition dimana bagian dari obyek
tergantung pada keseluruhan obyek.
Sebuah garis yang berfungsi
5. menunjukkan operasi pada suatu
Dependency
class yang menggunakan class yang
lain.
Suatu garis yang berfungsi untuk
6. mewariskan stuktur data dan obyek
Generalization
induk kepada obyek anak yang
dituju.
Sumber: (Munawar, 2018)

2.2.9.3 Activity Diagram

Activity diagram adalah bagian penting dari UML yang menggambarkan

aspek dinamis dari sistem. Activity diagram mempunyai peran seperti halnya

flowchart, akan tetapi perbedaannya dengan flowchart adalah activity diagram

bisa mendukung perilaku paralel sedangkan flowchart tidak. Simbol-simbol

activity diagram dapat dilihat pada tabel 2.9.

Tabel 2.9. Simbol activity diagram

 35

No. Nama Simbol Keterangan

Simbol
1.
Start Titik mulai pada suatu kondisi
2.
End Titik berakhir pada suatu kondisi
3.
Activity Gambaran aktivitas yang ada pada sistem
4.
Decision Pilihan untuk pengambilan sebuah keputusan
Suatu garis yang berfungsi untuk
5. menunjukkan kegiatan yang dilakukan secara
Fork
paralel atau untuk menggabungkan dua
kegiatan paralel menjadi satu
6. Gambar yang menunjukkan adanya
Rake
dekomposisi pada suatu sistem

7.
Join Menunjukkan adanya dekomposisi

Sumber: (Munawar, 2018)

2.2.9.4 Sequence Diagram

Sequence diagram adalah salah satu jenis diagram pada UML yang

menjelaskan interaksi obyek yang berdasarkan urutan waktu. Simbol-simbol

sequence diagram dapat dilihat pada tabel 2.4.

Tabel 2.10. Simbol sequence diagram

No. Nama Simbol Simbol Keterangan

Abstraksi dari orang dan sistem
1.
Aktor/actor yang lain yang mengaktifkan
fungsi dari target sistem
Obyek entitas yang saling
2. Object berinteraksi satu dengan yang
Lifeline lainnya
 36

No. Nama Simbol Simbol Keterangan

Sebuah gambaran yang
3. menunjukkan obyek melakukan
Activation
sebuah aksi.
Mengindikasikan komunikasi
4.
Message antara object-object

Sumber: (Munawar, 2018)

2.2.10 Konsep Dasar Pengujian White-Box.

White box testing adalah pengujian perangkat lunak pada tingkat alur kode

program, apakah masukan dan keluaran yang sesuai dengan spesifikasi yang

dibutuhkan. Pengujian yang didasarkan pada pengujian design program secara

prosedural, secara strctural, pengujian berbasis logika atau pengujian berbasis

kode. Metode jalur dasar adalah salah satu metode white box testing, di mana

dalam proses pengujian diperlukan untuk membuat flowgraph dari program skrip

dan juga menentukan nilai kompleksitas siklomatik.

Basis path adalah suatu jalur unik yang melintasi alur progam dan tidak

diperbolehkan terjadinya perulangan lintasan yang sama. Pada metode pengujian

basic path mengharuskan menghitung kompleksitas logis dari alur program dan

menggunakan ukuran sebagai petunjuk untuk mendefinisikan jumlah jalur

eksekusi. Dalam white box testing menggunakan basis path terdapat beberapa

tahapan yaitu dengan membuat flowgraph dari fungsi yang akan diuji,

menghitung cyclometic complexity (CC) dan melakukan unit test. (Pratala et al.,

2020).

Kompleksitas Siklomatis (Cyclomatic Complexity) dapat dihitung dalam

salah satu cara berikut:

 37

1. Kompleksitas siklomatis, V(G), untuk grafik alir G ditentukan sebagai

V(G) = E – N + 2, dimana E adalah jumlah edge grafik alir dan N

adalah jumlah simpul grafik alir.

2. Kompleksitas siklomatis, V(G), untuk grafik alir G juga ditentukan

sebagai V(G) = P + 1, dimana P adalah jumlah simpul predikat yang

diisikan dalam grafik alir G.

2.3 Penelitian Terkait/Road Map Penelitian

Penelitian sebelumnya yang terkait dengan penelitian yang diusulkan

adalah sebagai berikut:

1. Apriliani et al., 2020, Peramalan Tren Penjualan Menu Restoran

Menggunakan Sales Trend Forecast of a Restaurant Menus Using Single

Moving. Jurnal Teknologi Informasi Dan Ilmu Komputer (JTIIK), 7(6), 1161–

1168. https://doi.org/10.25126/jtiik.202072732. Persamaan antara penelitian

ini dengan penelitian sebelumnya dengan penelitian yang penulis akan

rancang adalah kedua-duanya melakukan forecasting menggunakan metode

single moving average. Perbedannya penelitian sebelumnya hanya membahas

simulasi metode single moving average trend penjualan (tidak merancang

aplikasi) sedangkan penelitian yang akan dirancang adalah merancang aplikasi

untuk memprediksi pesanan mobil indent.

2. (Fauziah et al., 2019), Analisis Peramalan (Forecasting) Penjualan Jasa Pada

Warnet Bulian City di Muara Bulian. Eksis: Jurnal Ilmiah Ekonomi Dan

Bisnis, 10(1), 61. https://doi.org/10.33087/eksis.v10i1.160. Persamaan antara

penelitian ini dengan penelitian sebelumnya dengan penelitian yang penulis

 38

akan rancang adalah kedua-duanya melakukan forecasting menggunakan

metode single moving average. Perbedannya penelitian sebelumnya hanya

membahas simulasi metode single moving average untuk memprediksi

penjualan sedangkan penelitian yang akan dirancang adalah merancang

aplikasi untuk memprediksi pesanan mobil indent.

3. Susilawati et al., 2018, Penerapan Metode Single Moving Average untuk

Prediksi Penjualan Pada Aby Manyu Cell. Swabumi, 6(1), 78–84.

https://doi.org/10.31294/swabumi.v6i1.3319. Persamaan antara penelitian

sebelumnya dengan penelitian yang penulis akan rancang adalah kedua-

duanya melakukan forecasting menggunakan metode single moving average.

Perbedannya penelitian ini dengan penelitian sebelumnya adalah penelitian

sebelumnya untuk memprediksi penjualan sedangkan penelitian yang akan

dirancang untuk memprediksi pesanan mobil indent.

 BAB III

METODE PENELITIAN

3.1 Lokasi dan Waktu Penelitian

Penelitian ini direncanakan akan dilaksanakan di PT. Hadji Kalla Sales

Departmen yang berlokasi di Wisma Kalla, Lantai 12. Jl. Dr. Sam Ratulangi No.

8-10, Makassar selama ± 3 bulan mulai bulan Juni 2022 sampai dengan Agustus

2022.

3.2 Bahan dan Alat Penelitian

Bahan dan alat penelitian yang akan digunakan dalam penelitian ini adalah

sebagai berikut:

3.3 Bahan Penelitian

Bahan penelitian yang akan digunakan dalam penelitian ini adalah data

kendaraan, data permintaan konsumen, data penjualan.

3.4 Alat Penelitian

Alat yang akan digunakan dalam penelitian ini berupa software dan

hardware yang mendukung yaitu:

1. Satu (1) unit laptop dengan spesifikasi:

a. Processor: 2.5 GHz

b. Memory: 4 GB

2. Disk space: 6.0 GB.

39
3. Display: 1920 x 1080 resolution with True Color.

40
 41

4. PerangkatLunak, terdiri dari:

a. Sistem Operasi minimal Windows 7

b. Bahasa pemograman PHP versi 7.0.13 dan MySQL versi 5.0

c. Xampp Control Panel V 3.2.2

d. Microsoft Visio 2010

e. Microsoft Office Word 2010

3.5 Jenis Penelitian dan Variabel Penelitian

Dalam penelitian ini, jenis-jenis penelitan yang dilakukan adalah sebagai

berikut:

1. Penelitian kuantitatif, yaitu mengumpulkan data-data dari lokasi penelitian

berupa angka yang akan dianalisis menggunakan metode single moving

average.

2. Penelitian deskriptif yaitu untuk menyajikan atau menggambarkan berupa

output/informasi yang dihasilkan oleh sistem yang dirancang.

Variabel yang akan dianalisis menggunakan metode single moving average

adalah:

a. Data pemesanan/permintaan konsumen.

b. Data penjualan kendaraan.

3.6 Pengumpulan Data

1. Teknik observasi yaitu informasi yang diperoleh dengan pengamatan secara

langsung pada lokasi penelitian

2. Studi Pustaka yaitu membaca buku-buku yang berkaitan untuk mengetahui

 42

secara teoritis permasalahan yang dihadapi

3.7 Analisis Data

Analisis data dilakukan dengan menggunakan metode single moving

avegare dengan langkah-langkah sebagai berikut:

1. Pengumpulan data

2. Memperkirakan jumlah penjualan kendaraan berdasarkan data permintaan dan

penjualan mobil periode sebelumnya.

 JADWAL PELAKSANAAN KEGIATAN

Jadwal kegiatan dalam penelitian ini sebagai berikut:

Tabel 3.1 Jadwal penelitian

Agustus
Juni 2022 Juli 2022
No. Kegiatan 2022
1 2 3 4 1 2 3 4 1 2 3 4
1. Pengumpulan data
2. Insialisasi kebutuhan fungsional
3. Analisis sistem
4. Desain sistem secara umum
5. Desain sistem secara rinci
6. Penulisan kode program
7. Pengujian sistem
8. Implementasi sistem

Keterangan:

Kegiatan yang sudah dilaksanakan

Kegiatan yang belum dilaksanakan
 LAMPIRAN

1. Rancangan Sistem yang Diusulkan

Keterangan:

1. Use case login yaitu fungsional sistem yang akan digunakan oleh admin, dan

kepala sales department untuk login ke dalam sistem yang akan penulis

rancang.

2. Use case proses data admin yaitu fungsional sistem untuk menampilkan daftar

admin, menambah, mengedit, dan menghapus data admin.

3. Use case proses data bahan baku yaitu fungsional sistem yang digunakan oleh

admin untuk menampilkan daftar bahan baku, menambah, mengedit, dan

menghapus data bahan baku

4. Use case proses data mobil yaitu fungsional sistem yang digunakan oleh

admin untuk menampilkan daftar mobil, menambah, mengedit, dan

menghapus data mobil yang dijual oleh sales department.

5. Use case proses data pemesanan yaitu fungsional sistem yang digunakan oleh

konsumen untuk memesan mobil.

6. Use case proses data penjualan yaitu fungsional sistem yang digunakan oleh

admin untuk menampilkan daftar penjualan, menambah, mengedit, dan

menghapus data penjualan mobil.

7. Use case implementasi metode single moving adalah fungsional sistem yang

digunakan oleh admin dan kapala sales department untuk memperkirakan

permintaan konsumen guna mengetahui mobil indent berdasarkan pemesanan

mobil bulan-bulan sebelumnya.

8. Use case cetak laporan adalah fungsionalitas sistem yang digunakan admin

untuk mencetak laporan

9. Use case view laporan adalah fungsionalitas sistem yang digunakan pimpinan

untuk mem-view laporan

 DAFTAR PUSTAKA

Achmad Solichin, S. K. (2018). Pemrograman Web dengan PHP dan MySQL

(Issue April). Universitas Budi Luhur, Jakarta.

Ahmad, F. (2020). Penentuan Metode Peramalan Pada Produksi Part New

Granada Bowl ST Di PT. X. Jurnal Integrasi Sistem Industri, 7(1), 31–39.

Apriliani, A., Zainuddin, H., Hasanuddin, Z. B., Pembangunan, U., Veteran, N.,
Timur, J., Makassar, U. H., & Korespondensi, P. (2020). Peramalan Tren
Penjualan Menu Restoran Menggunakan Sales Trend Forecast of a
Restaurant Menus Using Single Moving. Jurnal Teknologi Informasi Dan
Ilmu Komputer (JTIIK), 7(6), 1161–1168.
https://doi.org/10.25126/jtiik.202072732

Fauziah, F., Ningsih, Y. I., & Setiarini, E. (2019). Analisis Peramalan

(Forecasting) Penjualan Jasa Pada Warnet Bulian City di Muara Bulian.
Eksis: Jurnal Ilmiah Ekonomi Dan Bisnis, 10(1), 61.
https://doi.org/10.33087/eksis.v10i1.160

Jeperson Hutahaean. (2015). Konsep Sistem Informasi. In DEEPUBLISH (Vol.

3). DEEPUBLISH.
https://ejournal.upi.edu/index.php/JAPSPs/article/viewFile/6095/4116

Madcoms. (2016). Sukses Membangun Toko Online dengan PHP dan MySQL.
Andi Offset.

Maricar, M. A. (2017). Analisa Perbandingan Nilai Akurasi Moving Average dan

Exponential Smoothing untuk Sistem Peramalan Pendapatan pada
Perusahaan XYZ. JURNAL SISTEM DAN INFORMATIKA, 36–45.

Munawar. (2018). Analisis Perancangan Sistem Berorientasi Objek dengan

UML: Unified Modeling Language. Informatika.

Prasojo, L. D. (2013). Sistem Informasi Manajemen Pendidikan (: Setyawan

Pujiono (ed.); Vol. 1). UNY Press.

Pratala, C. T., Asyer, E. M., Prayudi, I., & Saifudin, A. (2020). Pengujian White
Box pada Aplikasi Cash Flow Berbasis Android Menggunakan Teknik Basis
Path. Jurnal Informatika Universitas Pamulang, 5(2), 111.
https://doi.org/10.32493/informatika.v5i2.4713

Rahayu, A. W. S. (2018). Perancangan Aplikasi Gaji Karyawan Pada PT. PP

London Sumatra Indonesia Tbk. Gunung Malayu Estate - Kabupaten
Asahan. Jurnal Teknologi Informasi, 1(2), 166.
 https://doi.org/10.36294/jurti.v1i2.303

Santoso, H. (2019). Rekayasa Perangkat Lunak. In Diktat (Vol. 2, Issue 3, pp. 1–

9). Prodi Ilmu Komputer Uinsu.
https://doi.org/10.36987/informatika.v2i3.201

Setyawan, D. C. (2019). Peramalan Permintaan Produk Handuk Dengan Metode

Time Series (Studi Kasus: CV. Ngremboko Dusun Ngendo Janti Klaten)
(Vol. 45, Issue 45). Universitas Muhammadiyah Surakarta.

Suendri. (2018). Implementasi Diagram UML (Unified Modelling Language)

Pada Perancangan Sistem Informasi Remunerasi Dosen Dengan Database
Oracle (Studi Kasus: UIN Sumatera Utara Medan). Jurnal Ilmu Komputer
Dan Informatika, 3(1), 1–9.

Susilawati, D., Setiawan, N., Yulianti, I., & Prayudi, D. (2018). Penerapan
Metode Single Moving Average untuk Prediksi Penjualan Pada Aby Manyu
Cell. Swabumi, 6(1), 78–84. https://doi.org/10.31294/swabumi.v6i1.3319

Yudaruddin, R. (2019). Forecasting untuk kegiatan ekonomi dan bisnis.