Rancangan Model Sistem Manajemen Hasil
Penjualan UMKM Berbasis Gamifikasi dan
Regresi Linear
Dani Mulyo Febrianto#1, Dion Budi Riyanto#2, Muhaemin#3
#
Teknik Informatika, Universitas Widyagama Malang
Jalan Borobudur No.35 65142, Malang, Jawa Timur, Indonesia
1
dfebrianto37@gmail.com
2
dionbudi7@gmail.com
3
ismuhaimin1@gmail.com
Abstrak—Usaha Mikro, Kecil, dan Menengah (UMKM)
berperan penting dalam industri dan perekonomian
Indonesia. Permasalahan yang sering terjadi pada UMKM
dalam mengembangkan usahanya adalah cara melakukan
manajemen hasil penjualan yang masih manual dan
tradisional. Penelitian ini bertujuan untuk membangun
rancangan model sistem manajemen hasil penjualan yang
menerapkan konsep gamifikasi berupa leaderboards hari
dengan hasil penjualan terbanyak dan juga menerapkan
model forecasting atau prediksi hasil penjualan harian
menggunakan konsep regresi linear sederhana. Model
prediktor dilatih menggunakan 185 baris data hasil
penjualan UMKM yang diambil dari kaggle dataset, namun
masih menghasilkan rata-rata kesalahan prediksi hasil
penjualan yang cukup besar yaitu sekitar Rp128.391.036.
Penerapan leaderboards dan model prediktor pada
rancangan model sistem diharapkan dapat meningkatkan
motivasi pelaku UMKM dalam melakukan manajemen hasil
penjualan secara kontinu.
Kata Kunci—UMKM, penjualan, regresi linear, leaderboards
Abstract—Micro, Small and Medium Enterprises
(MSMEs) play an important role in Indonesia’s industry and
economy. The problem that often occurs in MSMEs in
developing their business is how to manage sales results
that are still manual and traditional. This study aims to
build a design model of a sales result management system
that applies a gamification concept in the form of daily
leaderboards with the highest sales results and also applies
forecasting or prediction models of daily sales results using
simple linear regression concepts. The predictor model was
trained using 185 rows of MSME sales data taken from the
kaggle dataset, but still produced an average prediction
error of sales results that was quite large, around
Rp128.391.036. The application of leaderboards and
predictor models in the system model design is expected to
increase the motivation of MSME actors in continuously
managing sales results.
Keywords—MSMEs, sales, linear regression, leaderboards
I. PENDAHULUAN
UMKM adalah usaha mikro, kecil dan menengah yang
memiliki peran penting dalam perekonomian Indonesia.
Data dari Kementerian Koperasi dan Usaha Kecil dan
Menengah menunjukkan bahwa persentase sumbangan
UMKM untuk PDB meningkat dari 57,08% di tahun 2017
XXX-X-XXXX-XXXX-X/XX/$XX.00 ©20XX IEEE
menjadi 60,34% di tahun 2018 [5]. Namun UMKM masih
menghadapi berbagai hambatan dalam mengembangkan
usahanya, salah satunya adalah rendahnya literasi dan
kapasitas keuangan [5]. Oleh karena itu, dibutuhkan sebuah
model sistem yang dapat membantu menyelesaikan
permasalahan tersebut, salah satunya adalah model berbasis
gamifikasi dan regresi linear.
Gamifikasi merupakan bentuk penerapan elemen-elemen
dalam game ke dalam konteks bukan game [4]. Sejak tahun
2014, gamifikasi telah digunakan secara luas dalam bidang
bisnis [4]. Sedangkan regresi linear merupakan salah satu
metode statistik yang melibatkan hubungan antara variabel
dependen dengan variabel independen [2], metode ini
menggunakan data historis dengan menitikberatkan pada
pola dan perubahannya [3].
Penelitian yang dilakukan oleh Norma Ningsih [6],
menunjukkan bahwa gamifikasi berperan untuk
meningkatkan motivasi dari pengguna, dalam studi kasus
yang dilakukan yaitu meningkatkan motivasi dari pengguna
e-marketplace. Gamifikasi terdiri dari enam poin [6], salah
satunya adalah leaderboards. Poin ini yang akan digunakan
dalam model yang kami rancang.
Metode regresi linear pernah digunakan untuk
memprediksi performa akademik siswa dalam mata
pelajaran matematika, yang menghasilkan akurasi sebesar
93,28% [7]. Metode ini juga pernah digunakan untuk
memprediksi kasus Covid-19, yang menghasilkan akurasi
sebesar 94% [1]. Nilai akurasi ini menunjukkan kedekatan
antara nilai aktual dengan nilai prediksi [7]. Namun
pemanfaatan metode regresi linear tidak terbatas sampai
disitu, metode ini juga dapat digunakan untuk memprediksi
hasil penjualan di hari berikutnya berdasarkan kumpulan
data di hari sebelumnya [2]. Pemanfaatan ini yang akan
digunakan dalam model yang kami rancang.
Dalam penelitian sebelumnya, Sukmawati [7]
menemukan bahwa model regresi linear yang dipakai untuk
memprediksi penjualan seblak selama 60 hari, menunjukkan
nilai kesalahan yang cukup tinggi yaitu 27,5. Oleh karena
itu, di penelitian ini, kami mencoba untuk mengoptimalisasi
model regresi linear untuk memprediksi hasil penjualan
UMKM dengan dataset yang lebih besar, dan menambahkan
aspek gamifikasi pada model untuk meningkatkan motivasi dalam satuan rupiah. Contoh dataset ditampilkan pada Tabel
dari pengguna [6]. 1.
Berdasarkan permasalahan yang terjadi, penelitian ini
bertujuan untuk menciptakan sistem yang dapat membantu Data ke- Tanggal Nominal
UMKM dalam mengelola dan mengoptimalkan hasil
penjualan mereka, dengan menerapkan metode gamifikasi 1 2020-01-02 Rp 110.976.900
untuk membuat sistem leaderboards, dan menerapkan 2 2020-01-03 Rp 16.459.900
metode regresi linear untuk memprediksi hasil penjualan
maksimal UMKM di hari berikutnya. … … …

II. METODE PENELITIAN 185 2021-04-09 Rp 7.052.800

Metode penelitian yang digunakan dalam perancangan Tabel 1. Contoh Dataset Penjualan
model ini adalah metode eksperimen, dimana akan menguji
dataset penjualan UMKM untuk melihat hubungannya B. Pembuatan Model Prediksi
dengan tanggal penjualan setiap harinya, yang kemudian Regresi linear sederhana merupakan metode dalam
ditampilkan dalam bentuk leaderboards hasil penjualan per melakukan pemodelan hubungan antara satu variabel
harinya ke dalam desain sistem. dependen dan satu variabel independen. Dimana variabel
Dalam metodologi ini, kami menduga bahwa independen akan menjelaskan variabel dependennya. Pada
penggunaan model regresi linear pada dataset penjualan metode ini, hubungan antar variabel bersifat linear, sehingga
UMKM dapat memprediksi hasil penjualan di masa yang perubahan satu variabel akan diikuti perubahan pada
akan datang, serta penggunaan leaderboards untuk variabel lainnya secara tetap [8].
mempresentasikan hasil penjualan dapat meningkatkan Regresi Linear memiliki model persamaan seperti
motivasi pelaku UMKM dalam melakukan penjualannya. berikut:
Tahapan penelitian dan perancangan model dapat dilihat
pada gambar 1. Tahapan penelitian. 𝑦 = 𝑎 + 𝑏𝑥
Dimana:
y = Variabel Dependen (hasil penjualan)
x = Variabel Independen (selisih antara tanggal yang
diproses dengan tanggal pertama pada dataset, dalam satuan
hari)
a = Nilai konstanta
b = Nilai koefisien yang dihasilkan oleh prediktor [10]
Sedangkan persamaan pada model prediktor untuk
mendapatkan nilai konstanta dan koefisien adalah sebagai
berikut [8]:
2 2
𝑏 = (𝑛(Σ𝑥𝑦) − (Σ𝑥)(Σ𝑦)) / (𝑛(Σ𝑥 ) − (Σ𝑥) )
𝑎 = (Σ𝑦 − 𝑏(Σ𝑥)) / 𝑛
Dimana:
b = Nilai koefisien
a = Nilai konstanta
n = Jumlah data pada dataset
x = Variabel Independen
Gambar 1. Tahapan Penelitian
y = Variabel Dependen
A. Pengumpulan Dataset
Langkah-langkah penelitian berbasis metode regresi
Dalam penelitian ini, data yang digunakan adalah data
linear adalah sebagai berikut:
penjualan toko sembako di hari kerja yang diambil dari
Kaggle dataset dari bulan Januari 2020 sampai April 2021. 1) Pembuatan dataset yang terdiri dari data latih dan
Dataset terdiri dari 185 baris data dengan 2 kolom per baris, data uji.
yaitu tanggal dan nominal hasil penjualan hari tersebut
 2) Membangun model regresi linear. 3) Komponen leaderboards
Langkah-langkah dalam membangun model regresi
Leaderboards merupakan pemeringkatan tanggal
linear adalah sebagai berikut [8]:
2
penjualan berdasarkan nominal penjualan pada
a)Menghitung 𝑥 , dan 𝑥𝑦 pada setiap data yang tanggal tersebut. Untuk tanggal yang hasil
ada di dataset. penjualannya diatas prediksi harian, maka baris
b) Hitung nilai a dan b menggunakan persamaan datanya akan berwarna hijau. Sebaliknya, akan
konstanta dan koefisien. berwarna merah. Ini berguna untuk memudahkan
c) Implementasi nilai a dan b ke dalam pelaku UMKM dalam memantau performa
persamaan regresi linear untuk melakukan penjualan hariannya, dan memotivasi pelaku
prediksi. UMKM agar hasil penjualannya dapat melebihi
3) Uji kinerja didasarkan pada model prediksi nominal yang diprediksi.
berdasarkan data uji yang digunakan [2].
C. Pembuatan Mockup Sistem berbasis Gamifikasi III. HASIL DAN PEMBAHASAN
Tahap awal sebelum membuat model regresi linear, kami
Mockup rancangan sistem yang akan dibuat dapat dilihat
perlu melakukan konversi data pada kolom Tanggal pada
pada gambar 2. Mockup Rancangan Sistem.
dataset agar berubah dari data tanggal yang berbentuk string
menjadi selisih hari antara tanggal diproses terhadap tanggal
awal dataset yang berbentuk float. Hal ini dilakukan agar
kolom tanggal dapat diproses dalam persamaan.
Maka langkah-langkah yang dilakukan pada penelitian
ini adalah sebagai berikut:
1) Mendefinisikan tanggal pertama pada dataset
Lakukan definisi variabel t1 sebagai tanggal
pertama yang ada di dataset. Variabel t1 ini akan
digunakan sebagai titik awal variabel x.
𝑡1 = '2020 − 01 − 02'
2) Mengubah isi data pada kolom tanggal di dataset
menjadi selisih hari
Lakukan perhitungan selisih setiap tanggal pada
dataset dengan tanggal pertama (t1). Data ini yang
akan menjadi variabel x. Berikut adalah bentuk
persamaannya:
𝑥 = 𝑡𝑔𝑙 − 𝑡1
Dimana:
x = Selisih tanggal terhadap tanggal pertama
(dalam hari)
tgl = Tanggal di setiap baris data
t1 = Tanggal pertama yang ada di dataset
Gambar 2. Mockup Rancangan Sistem
Contoh hasil perhitungan ditampilkan pada Tabel
Komponen yang digunakan pada rancangan tersebut 2.
adalah sebagai berikut:
tgl x
1) Komponen prediksi penjualan
2020-01-02 0
Komponen ini berisi prediksi hasil penjualan di
hari berjalan. Nilai prediksi tersebut berasal dari 2020-01-03 1
model prediktor yang sudah dilatih sebelumnya.
2020-01-06 4
2) Komponen summary penjualan
… …
Summary penjualan terdiri dari 3 elemen data,
yaitu penjualan tertinggi, penjualan terendah, dan 2021-04-08 462
rata-rata penjualan. Komponen ini bertujuan agar
pelaku UMKM dapat dengan mudah memantau 2021-04-09 463
performa penjualannya secara garis besar. Tabel 2. Tabel Konversi Tanggal ke Selisih Hari
3) Normalisasi data selisih hari
972972 470.0 93791 6179.1
Data selisih hari yang sudah didapatkan berada 97297 08838 35135
pada rentang 0 - 463. Ini adalah rentang angka 4 1
yang cukup besar dan akan menghasilkan
komputasi yang cukup berat. Maka dari itu, kami 185 2.5027 705280 6.2635 17651
bereksperimen untuk mengecilkan rentang datanya 027027 0.0 20818 061.62
dengan mempertahankan persentase selisih 02703 11541 16216
3 24
datanya. Berikut adalah bentuk persamaannya:
𝑥 = 𝑥1/𝑛 Σ 215.56 248773 360.02 27106
Dimana: 216216 15332. 18845 54951
x = Nilai selisih hari pada rentang yang baru 216217 0 87289 9.9459
x1 = Nilai selisih hari pada rentang awal 95 27
n = Jumlah data pada dataset. Tabel 4. Tabel Pemrosesan Dataset
Contoh hasil perhitungan ditampilkan pada Tabel 5) Menghitung nilai b menggunakan persamaan
3. koefisien
x1 x Lakukan perhitungan secara bertahap sebagai
berikut:
0 0.0 𝑛 * Σ𝑥𝑦 = 185 * 27106549519. 945927

1 0.00540540540540 = 5014711661189. 996

5406 Σ𝑥 * Σ𝑦 = 215. 56216216216217 * 24877315332. 0
4 0.02162162162162 = 5362607881755. 827
1623
2
𝑛 * Σ𝑥 = 185 * 360. 02188458728995
… …
= 66604. 04864864863
462 2.49729729729729 2 2
7 (Σ𝑥) = (215. 56216216216217)

463 2.50270270270270 = 46467. 0457560263

3 (𝑛(Σ𝑥𝑦) − (Σ𝑥)(Σ𝑦)) =− 347896220565. 83105
Tabel 3. Tabel Konversi Rentang Nilai Variabel x 2 2
2 (𝑛(Σ𝑥 ) − (Σ𝑥) ) = 20137. 00289262233
4) Menghitung 𝑥 , 𝑥𝑦, dan total dari masing-masing
kolom Setelah itu, baru dimasukkan ke dalam rumus
persamaan koefisien sebagai berikut:
n x y 𝑥
2 𝑥𝑦 2
𝑏 = (𝑛(Σ𝑥𝑦) − (Σ𝑥)(Σ𝑦))/(𝑛(Σ𝑥 ) − (Σ𝑥) )
2

1 0.0 110976 0.0 0.0 𝑏 =− 347896220565. 83105/20137. 00289262233

900.0 𝑏 =− 17276464. 74606661
2 0.0054 164599 0.0000 88972. 𝑏 =− 17276464. 75 (hasil pembulatan ke 2 digit
054054 00.0 29218 43243 desimal untuk memudahkan kalkulasi)
054054 40759 24324
06 67859 4 6) Menghitung nilai a menggunakan persamaan
78 konstanta
Lakukan perhitungan secara bertahap sebagai
3 0.0216 293080 0.0004 63368
berikut:
216216 00.0 67494 6.4864
216216 52154 86486 𝑏 =− 17276464. 74606661
23 85756 5 Σ𝑥 = 215. 56216216216217
4 Σ𝑦 = 24877315332. 0
𝑏 * Σ𝑥 =− 3724152095. 1804886
… … … … … (Σ𝑦 − 𝑏(Σ𝑥)) = 28601467427. 18049
184 2.4972 113773 6.2364 28412 Setelah itu, baru dimasukkan ke dalam rumus
persamaan konstanta sebagai berikut:
 𝑎 = (Σ𝑦 − 𝑏(Σ𝑥))/𝑛
𝑎 = 28601467427. 18049/185
tgl x y’ (dalam Rp)
𝑎 = 154602526. 63340804
𝑎 = 154602526. 63 (hasil pembulatan ke 2 digit 2021-04-10 464 111271285.0
desimal untuk memudahkan kalkulasi)
7) Membuat model regresi linear menggunakan 2021-06-15 530 105107790.0
persamaan regresi linear
2022-01-03 732 86243757.9975
Setelah mendapatkan nilai koefisien dan konstanta, 6756
selanjutnya mensubstitusikan nilai koefisien dan
konstanta tersebut ke dalam model regresi linear, Tabel 6. Tabel Uji Model Dalam Memprediksi
untuk mendapatkan sebuah fungsi linear yang bisa Penjualan
dipakai untuk memprediksi nilai y berdasarkan IV. KESIMPULAN
nilai x. Caranya sebagai berikut:
Berdasarkan penelitian ini, dapat diketahui bahwa
𝑦 = 𝑎 + 𝑏𝑥
cenderung terjadi penurunan jumlah penjualan pada toko
𝑦 = 154602526. 63 − 17276464. 75𝑥 sembako yang diuji di tanggal yang akan datang karena
8) Menghitung nilai error dan akurasi koefisiennya bernilai negatif. Hasil prediksi ini akan
Nilai error dapat diperoleh dengan rumus sebagai ditampilkan pada desain sistem dan dapat menjadi informasi
berikut [8]: yang berguna sebagai acuan perkiraan hasil penjualan pada
𝑒𝑟𝑟 = |𝑦' − 𝑦| hari tersebut. Namun, perlu diingat bahwa jumlah yang
Dimana: diprediksi belum pasti benar. Karena model masih
err = Nilai error yang dihasilkan menghasilkan rata-rata error yang cukup besar, dan bisa jadi
y’ = Nilai yang diprediksi oleh model ada faktor lain yang mempengaruhi penjualan di hari itu
y = Nilai sebenarnya pada dataset sehingga hasil penjualan bisa berada di atas prediksi, atau di
Contoh hasil perhitungan error ditampilkan pada bawahnya.
Tabel 5.
Saran kami untuk peneliti berikutnya, agar dapat
n y y’ err meneliti kembali dengan dataset yang lebih banyak dan
metode prediksi lain yang lebih akurat.
1 11097690 154602526. 43625626.6
0.0 63 29999995 REFERENCES
[1] Fachid, S., & Triayudi, A. (2022). Perbandingan Algoritma Regresi
2 16459900. 154509140. 138049240. Linier dan Regresi Random Forest Dalam Memprediksi Kasus
0 33405405 33405405 Positif Covid-19. JURNAL MEDIA INFORMATIKA BUDIDARMA,
6(1), 68. https://doi.org/10.30865/mib.v6i1.3492
3 29308000. 154228981. 124920981. [2] Hamdanah, F. H., & Fitrianah, D. (2021). Analisis Performansi
Algoritma Linear Regression dengan Generalized Linear Model
0 44621623 44621623 untuk Prediksi Penjualan pada Usaha Mikra, Kecil, dan Menengah.
Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 10(1),
… … … 23. https://doi.org/10.23887/janapati.v10i1.31035
[3] Indarwati, T., Irawati, T., & Rimawati, E. (2019). PENGGUNAAN
184 11377347 111458057. 2315412.09 METODE LINEAR REGRESSION UNTUK PREDIKSI
PENJUALAN SMARTPHONE. Jurnal Teknologi Informasi Dan
0.0 90297297 70270336 Komunikasi (TIKomSiN), 6(2).
https://doi.org/10.30646/tikomsin.v6i2.369
185 7052800.0 111364671. 104311871. [4] Kardianawati, A., Fahmi, S., Haryanto, H., & Rosyidah, U. (2015).
60702702 60702702 PERANCANGAN GAMIFIKASI BERBASIS APPRECIATIVE
INQUIRY UNTUK PENINGKATAN DAYA SAING
E-MARKETPLACE UMKM. Techno.Com, 14(3), 173–180.
237523418 [5] Muljanto, M. A. (2020). Pencatatan dan Pembukuan Via Aplikasi
Jumlah
26.427006 Akuntansi UMKM di Sidoarjo. Jurnal Ilmiah Pangabdhi, 6(1),
40–43. https://doi.org/10.21107/pangabdhi.v6i1.6926
Tabel 5. Tabel Error Prediction [6] Ningsih, N. (2021). Penerapan konsep gamification pada aplikasi
e-commerce untuk umkm makanan. JSAI (Journal Scientific and
Nilai error rata-rata dapat dihitung sebagai berikut: Applied Informatics), 4(1), 53–63.
https://doi.org/10.36085/jsai.v4i1.1329
𝑚𝑒 = Σ𝑒𝑟𝑟/𝑛 [7] Sukmawati, C. E., & Masruriyah, A. F. N. (2023). Model peramalan
penjualan seblak menggunakan metode regresi linear di kedai
𝑚𝑒 = 23752341826. 427006/185 malamila jatisari. Konferensi Nasional Penelitian Dan Pengabdian,
3, 546–550.
[8] Muhartini, A. A., Sahroni, O., Rahmawati, S. D., Febrianti, T., &
𝑚𝑒 = 128391036. 89960544 Mahuda, I. (2021). ANALISIS PERAMALAN JUMLAH
PENERIMAAN MAHASISWA BARU DENGAN
9) Menguji model dengan memprediksi tanggal diluar MENGGUNAKAN METODE REGRESI LINEAR SEDERHANA.
dataset LPPM Bina Bangsa, 1(1), 17–23.
[9] Aryani, Y. (2020). SISTEM INFORMASI PENJUALAN BARANG
DENGAN METODE REGRESI LINEAR BERGANDA DALAM
PREDIKSI PENDAPATAN PERUSAHAAN. Jurnal Riset Sistem
Informasi Dan Teknologi Informasi (JURSISTEKNI), 2(2), 39–51.
https://doi.org/10.52005/jursistekni.v2i2.47
[10] Winata, W., Sharipuddin, S., & Jasmir, J. (2021). PENENTUAN
HARGA JUAL PASIR SILIKA DENGAN METODE REGRESI
LINIER SEDERHANA BERBASIS WEB. Jurnal Informatika Dan
Rekayasa Komputer(JAKAKOM), 1(2).
https://doi.org/10.33998/jakakom.2021.1.2.8