PENERAPAN LEAST SQUARE METHOD UNTUK PERAMALAN PENJUALAN DI HIJABSTORY BANDUNG Wendi Wirasta, Muhamad Luthfi Ashari 2 Program Studi Teknik Informatika, STMIK & Ilmu Komputer LPKIA Jl. Soekarno Hatta 456, Bandung, 4266 Email : wendi@lpkia.ac.id, luthfiash@fellow.lpkia.ac.id ABSTRAK Penjualan merupakan salah satu kegiatan yang sangat penting dalam dunia usaha. Pengetahuan mengenai pemasaran menjadi penting bagi perusahaan pada saat dihadapkan pada beberapa permasalahan, seperti menurunnya pendapatan perusahaan yang disebabkan oleh menurunnya daya beli konsumen terhadap suatu produk sehingga mengakabatkan melambatnya pertumbuhan perusahaan. Penelitian ini difokusan untuk membantu manajemen dalam memperkirakan jumlah penjualan yang akan terjadi kedepannya. Dengan menggunakan salah satu teknik data mining yaitu peramalan sedangkan metode peramalan yang digunakan adalah least square method. Adapun data yang diproses dalam penelitian ini adalah data histori penjualan Hijabstory tahun 27 sebanyak 7 bulan. Data tersebut digunakan sebagai inputan untuk least square method. Hasil yang didapat berupa rekomendasi jumlah penjualan yang akan terjadi di bulan depan beserta nilai akurasi dari hasil tersebut. Kata Kunci : Penjualan, peramalan, data mining, least square method I. PENDAHULUAN Didirikannya sebuah perusahaan pasti memiliki tujuan, diantaranya menyediakan kebutuhan konsumen baik itu dalam bentuk barang ataupun jasa. Selain sebagai penyedia kebutuhan konsumen, perusahaan pun ingin mendapatkan keuntungan agar dapat mempertahankan dan juga meningkatkan kelangsungan hidup perusahaan baik sekarang maupun dimasa yang akan datang. Untuk menghasilkan sebuah keputusan yang tepat seorang manajer harus handal dalam memperkirakan kebutuhan pasar, baik itu jangka pendek maupun jangka panjang. Oleh karena itu untuk membantu seorang manajer dalam memperkirakan kebutuhan pasar, maka dibutuhkan sebuah peramalan mengenai target yang akan dicapai perusahaan untuk kedepannya. Berdasarkan siklus runtut waktu (time series) biasanya penjualan produk cenderung membentuk pola penjualan yang tepat. Dengan demikian, ramalan dapat dikatakan sebagai perhitungan yang memiliki dasar kuat dan lebih pasti, sehingga hasilnya diharapakan lebih obyektif dibandingkan dengan hanya sekedar menebak. Dengan mencatat penjualan di waktu yang lampau, maka dapat lebih tepat dalam menentukan penjualan di waktu yang akan datang. II. DASAR TEORI. Data Mining Data mining proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. [] Tahapan dalam data mining ada 7, diantaranya : pembersihan data, integrasi data, seleksi data, transformasi data, proses mining, evaluasi pola, presentasi pengetahuan. [] 2. Peramalan Peramalan adalah suatu teknik atau proses untuk memperkirakan suatu nilai atau kebutuhan dimasa yang akan datang dengan mengolah data dari dari masa lalu. [2] Dalam melakukan peramalan ada 8 langkah yang harus dilakukan, diantaranya: apa tujuan ramalan, barang atau jumlah yg diramalkan, tentukan waktu perkiraan, model peramalan, data yg dibutuhkan, validasi peramalan, perkiraan, terapkan hasil. [3]
3. Teknik Peramalan Teknik peramalan dibagi menjadi dua bagian, diantaranya metode peramalan subjektif dan metode peramalan objektif. Metode peramalan subjektif mempunyai model kualitatif dan metode peramalan objektif mempunyai dua model, yaitu model time series dan model kausal. [4] Untuk penelitian ini model yang digunakai yaitu time series. 4. Time Series Methods Time series adalah data yang dikumpulkan, dicatat atau diobservasi sepanjang waktu secara berurutan dengan beberapa periode waktu untuk menemukan pola variasi masa lalu untuk digunakan dalam memperkirakan nilai masa mendatang. [5] 5. Trend Projection Trend merupakan pergerakan jangka panjang dalam suatu kurun waktu yang kadang-kadang dapat digambarkan dengan garis lurus atau kurva. Cara kerja metode ini dengan mencocokan garis trend kerangkaian titik data historis, lalu memproyeksi garis itu kedalam ramalan jangka menengah hingga jangka panjang. Jika mengembangkan garis trend linier dengan metode statistik, metode yang tepat digunakan adalah metode kuadrat kecil (least square method). [3] Rumus untuk proyeksi trend dengan metode kuadrat terkecil (least square method) yaitu: Untuk mencari nilai a dan b diperoleh dari rumus: Dimana Yt menunjukan nilai taksiran Y pada nilai t tertentu. Sedangkan a adalah nilai intercept dari Y, artinya nilai Yt akan sama dengan a jika nilai t =. Kemudian b adalah nilai slope, artinya besar kenaikan nilai Yt pada setiap nilai t. Dan nilai t sendiri adalah nilai tertentu yang menunjukan periode waktu. 6. Pengukuran Akurasi Peramalan Salah satu cara mengevaluasi teknik peramalan adalah menggunakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. [2] Ada empat ukuran yang biasa digunakan, yaitu:. Rata-rata Deviasi Mutlak (Mean Absolute Deviation) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Rumus MAD secara matematis : [2] MAD = 2. Rata-rata Kuadrat Kesalahan (Mean Square Error). Pendekatan ini penting karena teknik ini menghasilkan kesalahan yang moderat lebih disukai oleh suatu peramalan yang menghasilkan kesalahan yang sangat besar. Secara matematis, MSE dirumuskan sebagai berikut : [2] MSE = Ft = Peramalan Permintaan (Forecast) pada N = Jumlah periode peramalan yang terlibat. 3. Rata-rata Kesalahan Peramalan (Mean Forecast Error) MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati nol. Secara matematis, MFE dirumuskan sebagai berikut : [2] MFE =
Gambar. Model Generik 4. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error) MAPE merupakan ukuran kesalahan relative dan menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut : [2] MAPE = III. ANALISA DAN PERANCANGAN Dalam penelitian ini mengumpulkan data digunakan metode extreme programming, juga untuk mengolah data menjadi sebuah hasil peramalan digunakan least square method. Dapat dilihat pada gambar. Gambar 2. Usecase Diagram Gambar 3. Class Diagram
Tabel. Data Penjualan Hijabstory Bulan Penjualan Januari 38 Februari 23 Maret 29 April 49 Mei 57 Juni 4 Juli 33 Total 369. Identifikasi Pada aktivitas ini dimulai dengan membuat cerita-cerita atau gambaran yang diberikan narasumber yang kemudian akan menjadi gambaran dasar dari sistem. 2. Perancangan Mengatur pola logika dalam sistem, design yang baik dapat mengurangi ketergantungan antar setiap proses pada sebuah sistem. Untuk melihat fungsi-fungsi yang dibutuhkan pada sistem dapat dilihat pada gambar 2. Dan classclass yang dibutuhkan oleh sistem dapat dilihat pada gambar 3. 3. Penulisan Kode Setelah menyelesaikan pengumpulan cerita dan perancangan untuk aplikasi secara keseluruhan, Extreme Programming lebih merekomendasikan untuk membuat modul unit tes terlebih dahulu agar setiap cerita atau gambaran dari narasumber dapat di uji terlebih dahulu. 4. Pengujian Kode Menguji semua elemen-elemen perangkat lunak yang dibuat apakah sudah sesuai dengan yang diharapkan. Extreme Programming menerapkan perbaikan masalah kecil dengan sesegera mungkin akan lebih baik ketimbang menyelesaikan masalah saat di tenggang akhir. Tabel 2. Tabulasi Data Bulan y t t 2 yt Januari Februari Maret April Mei Juni Juli 38 23 29 49 57 4 33-3 -2-2 3 9 4 4 9-4 -46-29 57 28 99 (total) 369 29 247 IV. IMPLEMENTASI. Studi Kasus Dalam kasus ini data yang digunakan untuk peramalan yaitu data penjualan pada tahun 27, dapat dilihat pada Tabel. Untuk mencari nilai a = intercept dan nilai b = slope pada metode least square maka dibuatlah tabel tabulasi untuk memudahkan menghitung nilai yang dibutuhkan. Dapat dilihat pada tabel 2. Untuk mengetahui nilai a dan b maka digunakan rumus : n = jumlah record data a = 379 / 7 = 52,7 b = 247 / 29 = 8,82 Maka diketahui niai a adalah 52,7 dan nilai b adalah 8,82. Lalu kita implementasikan nilai tersebut pada rumus dari Metode Least Square. Yt = 52,7 + 8,82t Berdasarkan rumus diatas dapat diketahui ramalan untuk bulan januari juli tahun 27 adalah sebagai berikut : Bulan Januari Februari Maret April Mei Juni Juli Tabel 3. Tabel Perbandingan y Fore case error error 2 38 26,25,75 38,6 23 35,7 2,7 45,72 29 43,89 4,89 22,8 49 52,7 3,7 3,8 57 6,54 4,54 2,57 4 7,36 69,64 485,3 33 79,8 46,8 232,46 (total) 369 62,79 7522,54 2 Penjualan Tahun 27 2 3 4 5 6 7 penjualan forecase Gambar 4. Hasil Peramalan
Januari : Yt = 52,7 + 8,82*-3 = 26,25 Februari: Yt = 52,7 + 8,82*-2 = 35,7 Maret : Yt = 52,7 + 8,82*- = 43,89 April : Yt = 52,7 + 8,82*- = 52,7 Mei : Yt = 52,7 + 8,82* = 6,54 Juni : Yt = 52,7 + 8,82*2 = 7,36 Juli : Yt = 52,7 + 8,82*3 =79,8 Lalu mempermudah dalam mengetahui akurasi hasil peramalan maka dibuatlah tabel seperti pada tabel 3. Dengan melakukan substitusi hasil yang diperoleh pada Tabel 3. kita dapat mengetahui bahwa nilai MAD dan MSE sebesar : MAD = MAD = 62,79 / 7 = 23,26 MSE = MSE = 7522,54 / 7 = 74,65 2. Hasil Implementasi Sehingga hasil peramalan penjualan pada bulan agustus 27 pada Hijabstory dengan menggunakan Metode Least Square yaitu : Yt = 52,7 + 8,82t = 52,7 + 8,82*4 = 88 Dapat dilihat dalam grafik pada gambar 4. Dengan tingkat kesalahan MAD = 23,26 dan MSE = 74,65 3. Diskusi Hasil Implementasi Peramalan dengan least square method menggunakan data histori sebanyak 7 bulan menghasilkan informasi bahwa pada bulan agustus terjadi penjualan sebanyak 88 unit, dengan tingkat kesalahan MAD = 23,26 dan MSE = 74,65 mengalami kenaikan dengan nilai akurasi dari peramalan yang dilakukan sebesar MAD = 23,26 dan MSE = 74,65. Agar meningkatkan akurasi, sebaiknya data yang digunakan minimal tahun. DAFTAR PUSTAKA [] J. Han dan M. Kamber, Data Mining: Concepts and Techniques, Second Edition, San Francisco: Morgan Kaufmann, 26. [2] A. H. Nasution dan Prasetyawan, Perencanaan dan Pengendalian Produksi, Yogyakarta: Graha Ilmu, 28. [3] B. Render, J. Ralph M.Stair dan M. E.Hanna, Quantitative Analysis for Management, dalam Chapter 5 Forecasting, United State of America, Pearson Education, Inc, 26, pp. 69-83. [4] A. Raharja, W. Angraeni dan R. A. Vinarti, Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon Di PT. Telkomsel DIVRE3 Surabaya, SISFO Jurnal Sistem Informasi, 2. [5] M. A. Mukhyi, Downloads, 28. [Online]. Available: http://www.mukhyi.staff.gunadarm a.ac.id/downloads/files/939/for ECASTING.pdf. V. KESIMPULAN Dengan menggunakan metode Least Square dapat diketahui bahwa penjualan akan