Novita Ayu Sri Ningsih ( )

Jurnal INFOTEK, Vol 1, No 2, Juni 2016

ISSN 2502-6968 (Media Cetak)

PERANCANGAN APLIKASI PREDIKSI PENJUALAN PAKET WISATA MENGGUNAKAN METODE AUTOREGRESSIVE INTEGRATED MOVING AVERAGE ( ARIMA ) (STUDI KASUS : PT. SIAR HARAMAIN INTERNATIONAL WISATA) Novita Ayu Sri Ningsih (13110415) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan http://stmik-budidarma.ac.id//Email: ABSTRAK PT. Siar Haramain International Wisata adalah sebuah perusahaan yang bergerak di bidang jasa perjalanan. Perusahaan ini mengalami kendala dalam penjualan paket wisata karena sering terjadinya penurunan penjualan paket wisata. Penurunan penjualan paket wisata tersebut akan berdampak pada keuntungan perusahaan yang tidak optimal karena menjadi lost sales. Forecast atau peramalan merupakan salah satu teknik analisis yang bisa membantu para pelaku pasar modal untuk menentukan dasar pengambilan keputusan straregi yang bisa memberikan mereka keuntungan. Secara pendugaan secara ilmiah terhadap masa depan akan jauh lebih berarti ketimbang pendugaan intuisi saja. Dengan Menggunakan metode Autoregresive Integrated Moving Average (ARIMA) akan menghasilkan ramalan-ramalan berdasarkan kecenderungan minat wisata. Hasil dari aplikasi yang dibuat berupa informasi mengenai jumlah penjualan paket wisata yang mungkin dapat digunakan untuk periode yang telah ditentukan. Kata kunci: Forecasting, Perancangan Aplikasi, Penjualan Paket Wisata 1. 1.1

PENDAHULUAN Latar Belakang Perkembangan teknologi informasi sampai dengan saat ini berkembang dengan pesat seiring dengan penemuan dan pengembangan ilmu pengetahuan dalam bidang informasi dan komunikasi sehingga mampu menciptakan alat- alat yang mendukung perkembangan teknologi informasi, mulai dari sistem komunikasi sampai dengan alat komunikasi yang searah maupun dua arah (interaktif). Perkembangan teknologi informasi di bidang bisnis di indonesia sudah semakin beragam. Hal ini menimbulkan persaingan bisnis antara satu perusahaan dengan perusahaan yang lain yang sangat ketat. Masing-masing perusahaan pun berlomba-lomba untuk menjadi yang terbaik di bidangnya dan juga memperoleh profit yang besar. Perusahaan pun memerlukan perhitungan-perhitungan yang akurat dalam pengambilan keputusan sehingga dapat bertahan dalam persaingan bisnis. Perkembangan teknologi saat ini telah memberikan dampak positif. Software akutansi merupakan salah satu bentuk aplikasi yang dapat membantu para pengusaha untuk bisa mendapatkan laporan terkini mengenai perkembangan yang ada pada perusahaannya. Software akutansi ini juga dapat membantu dalam pengambilan keputusan bisnis dimana software ini bisa menghasilkan data laporan secara real-time. Dengan fitur yang dimiliki perusahaan dapat menggunakan seoptimal mungkin untuk

mengembangkan perusahaanya.Kata Wisata menurut bahasa mengandung arti yang banyak. Wisata dalam pemahaman umat terdahulu dikaitkan dengan upaya menyiksa diri dan mengharuskannya untuk berjalan di muka bumi, serta membuat badan letih sebagai hukuman baginya atau zuhud dalam dunianya. Islam datang menghapuskan pemahaman negatif yang berlawanan dengan makna wisata.Wisata dalam Islam adalah untuk merenungi ciptaan Allah Ta’la menikmati indahnya alam nan agung sebagai pendorong jiwa manusia untuk menguatkan keimanan terhadap keesaan Allah dan memotivasi menunaikan kewajiban hidup. Karna refresing jiwa merupakan memulai semangat kerja baru. PT. Siar Haramain International Wisata ini bergerak di bidang penjualan paket wisata keluar negeri khususnya berangkat ke tanah suci (umroh), perusahaan ini sering mengalami kendala dalam pengambilan keputusan penjualan paket wisata. Salah satu usaha jasa pariwisata yang berperan untuk mendatangkan wisatawan yaitu Biro Perjalanan Wisata. Dalam memprediksi paket wisata perlu diperhatikan trend (kecenderungan minat wisatawan), harga jual yang dapat bersaing, kualitas yang baik, membuat materi promosi yang menarik dan berkesinabungan. Oleh karena itu dibutuhkan alat bantu untuk mengetahui tingkat kecenderungan yang jadi masalah bagi wisatawan dan mengoptimalkan kinerja perusahaan dalam memperkirakan penjualan paket wisata di periode yang akan datang.

Perancangan aplikasi prediksi penjualan paket wisata menggunakan metode autoregressive integrated moving average ( arima ) (studi kasus : pt. Siar haramain international wisata) Oleh : Novita Ayu Sri Ningsih

106


Metode ARIMA ( Autoregressive Integrated Moving Average) merupakan metode peramalan dengan menggunakan serangkaian data masalalu yang digunakan untuk mengamati terhadap suatu kejadian, peristiwa, atau suatu variabel pada data tersebut. Metode ARIMA dilakukan karena merupakan teknik untuk mencari pola yang paling cocok dari sekelompok data (curve fitting), dengan demikian ARIMA memanfaatkan sepenuhnya data masa lalu dan sekarang untuk melakukan peramalan jangka pendek yang akurat. 1.2 Perumusan Masalah Sesuai dengan judul yang diambil, maka penulis membuat perumusan masalah sebagai berikut : 1. Bagaimana mengetahui penjualan paket wisata dan mempelajari metode Autoregressive Integrated Moving Average (ARIMA)? 2. Bagaimana menerapkan metode Autoregressive Integrated Moving Average (ARIMA) dalam memprediksi paket wisata ? 3. Bagaimana merancang aplikasi prediksi paket wisata dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA)? 1.3 Batasan Masalah Untuk memudahkan dalam melakukan perancangan aplikasi prediksi paket wisata ini, maka dibatasilah masalah hanya pada perancangan aplikasi paket wisata pada PT. Siar Haramain International Wisata: 1. Paket wisata yang digunakan hanya paket wisata pada PT. Siar Haramain International Wisata. 2. Data yang diprediksikan hanya data masa lampau dan data yang sekarang. 3. Aplikasi yang digunakan dalam merancang aplikasi paket wisata tersebut menggunakan Visual Studio 2008, MySQL Server 5.0 1.4 Tujuan Adapun tujuan pembuatan aplikasi ini adalah sebagai berikut : 1. Mengetahui penjualan paket wisata dan mempelajari metode Autoregressive Integrated Moving Average (ARIMA). 2. Menerapkan metode Autoregressive Integrated Moving Average (ARIMA) dalam memprediksi penjualan paket wisata. 3. Merancang aplikasi prediksi penjualan paket wisata dengan menggunakan metode Autoregressive Integrated Moving Average (ARIMA) 1.5 Manfaat Adapun manfaat pembuatan aplikasi ini adalah sebagai berikut : 1. Mengetahui penjualan paket wisata pada PT. Siar Haramain International Wisata serta mempermudah perusahaan dalam meprediksi minat wisatawannya.


2. Mengetahui tingkat penjualan paket wisata dalam periode yang akan datang. 3. Mempermudah dan memaksimalkan kinerja perusahaan dalam memperkirakan penjualan paket wisata. 2. LANDASAN TEORI 2.1 Tahapan Metode ARIMA Peramalan dengan menggunkan metode ARIMA dilakukan melalui empat tahap, yaitu, pengidentifikasian model, pengestimasian parameter model, pengujian model, penggunaan model untuk peramalan. 2.2 Kestasioneran Data Kestasioneran I(1) merupakan perbedaan pertama dari data asli, diperiksa lagi dengan analisis otokorelasi, jika hasilnya stasioner maka I(1) dapat dimodel dengan ARIMA. Jika hasilnya belum stasioner maka I(1) ditransformasi lagi dengan perbedaan pertamanya sehingga dihasilkan data pembeda kedua [I(2)], dan tahap I(2) dilakukan lagi analisis otokorelasi untuk mengetahui kestasioneran rata-ratanya sudah tercapai. Biasanya data yang asli hanya membutuhkan perbedaan kedua untuk mencapai kestasioneran rata-ratanya. (Lerbin R. Aritonang R, 2009). Data yang rata-ratanya tidak stasioner dapat ditransformasi (distasionerkan) dengan metode pembeda, yaitu data yang asli (Yt) diganti dengan pembeda pertama data asli tersebut atau dirumuskan: Yt - Yt-1 = I (1) Dimana : Yt = data asli Yt – 1 = komponen data I (1) = pembeda 2.3 Klasifikasi Model ARIMA (p,d,q) Pengidentifikasian model yang sesuai dengan suatu data didasarkan pada data asli yang stasioner atau data perbedaan yang sudah distasionerkan. Komponen model I(d) menunjukkan pembedaan data yang dilakukan untuk menghasilkan ke stasioneran. Jika data pembeda pertama yang digunakan, maka modelnya adalah I(1). Jika data pembeda kedua yang digunakan, maka modelnya adalah I(2). Jika data yang digunakan adalah data aslinya, maka modelnya adalah I(0). (Lerbin R. Aritonang R, 2009). 1. Model AR (Autoregressive model) Model AR dapat berjenjang 0, 1, 2, . . . , sampai dengan p. Bentuk model AR(p), AR(1), dan AR(2) dikemukakan sebagai berikut: a. Model Umum AR(p): Yt = a + b1 Yt-1 + b2Yt-1 + . . . + bpYt-p – et b. Model AR(1) : Yt = a + b1 Yt-1 + et


107


c. Model AR(2) : Yt = a + b1 Yt-1 + b2Yt-1 + et Dimana: a = konstanta b1 , b2 , bp = koefisien otoregresi Yt-1 Yt-p = komponen data et = komponen residu (error) Yt = data 2. Model MA (Moving Average model) a. Model Umum MA (q) : Yt = c + et + Yt-1 + m1 et-1 + m2 et-2 + . . . + mq et-q


b. Model IMA (1,1): Yt = c + Y t-1 – m1 e t-1 + et Dimana:

b. Model MA (1) : Yt = c + et – m1 et -1 Dimana: Yt

= data

Yt-1

= komponen data

c

= komponen konstanta

et , et-q

= komponen residu (error)

m1, mq

= koefisien

3. Model ARMA (p,q) Yt = K + b1Yt-1 + . . . + bp Yt-p – m1et-1 - . . . mq et-q + et Dimana: Yt

= data

K

= konstanta

b1, bp

= koefisien otoregresi

Yt-1, Yt-p = komponen data m1, mq

= koefisien

et , et-q


4. Model ARI dan IMA Semua sub model yang dikemukakan pada ayat ini memiliki komponen I, yaitu ARI dan IMA. Komponen I di sertakan bila data aslinya tidak stasioner sehingga datanya harus di ubah menjadi dalam bentuk perbedaan (I). Identifikasi modelnya didasarkan pada hasil analisis otokorelasi dan otokorelasi parsial atas data pembedaannya atau I, dengan kriteria yang sama seperti pada pengidentifikasian model AR dan MA. a. Model ARI (1,1): Yt = m + Yt-1 + b1 Yt-1 – b1 Yt-2 + et

Yt

= data asli

m

= kostanta

Yt-1 , Yt-2

= kompone data

c

= konstanta

b1


et

= residu (error)

5. Model ARIMA (p,d,q) Yt = K + Y t-1 + b1 Yt-1 - b1 Yt-2 – m1 e t-1 Dimana: Yt

= data asli

K

= konstanta

Yt-1 ,Yt-2

= komponen data

b1


m1

= koefisien

e t-1


3. ANALISA DAN PERANCANGAN 3.1 Analisa Metode Arima Untuk analisa metode Autoregressive Integrated Moving Average (ARIMA) periode 2011 sampai dengan 2015. Berikut hasil analisa metode yang digunakan. 1. Data Berikut ini adalah tabel penjualan paket wisata pada PT. Siar Haramain International Wisata. Perusahaan membutuhkan ramalan yang akan dijadiakan pandangan kedepan untuk periode selanjutnya. Jenis Paket : Wisata Rohani Islami Nama Paket : Langsung Madinah 9 Hari Tabel 1 Tabel Penjualan Paket Wisata Periode 2011 sampai dengan 2015


108



Dengan penggunaan rata-rata hitung sebagai ukuran tendensi sentral di atas, ukuran variabilitas juga dinyatakan dalam bentuk mean deviasi data (disingkat MD, mean deviasi). Ukuran lainnya dinyatakan dalam nilai mutlak/absolut (disingkat MAD, mean absolut deviation), rata-rata dari deviasi yang dikuadratkan (disingkat MSD, mean square deviation) dan root standard error (disingkat RSE). Berikut ini dikemukakan perhitungannya keempat ukuran deviasi tersebut pada Tabel 3 Perhitungan deviasi, absolut dan kuadrat yaitu, sebagai berikut :

Teknik peramalan mengacu pada teknik analisis statistik, yang dikemukakan beberapa konsep dan perhitungan dasar statistik yang dimaksud terdiri atas : 1. Ukuran tendensi sentral mean 2. Ukuran variabilitas (deviasi, mean, deviasi absolut, mean deviasi kuadrat, variansi, dan deviasi standar). Berikut ini analisis statistik dilakukan terhadap sejumlah data yang relatif banyak. Data yang demikian lazim diringkas menjadi suatu nilai yang disebut ukuran tendensi sentral sehingga lebih sederhana dan lazim untuk mewakili sekelompok data yang disebut dengan mean yaitu dengan nilai rata-rata hitung atau nilai yang diharapkan. Perhitungan nilai mean atau nilai rata-rata hitung dapat dilihat pada Tabel 2 yaitu sebagai berikut : Tabel 2 Tabel Perhitungan Nilai rata-rata Paket Wisata Periode 5 Tahun

Data Penjualan Paket Wisata Rohani Islami akan digunakan untuk menghitung nilai rata-rata, yaitu perhitungannya sebagai berikut: M = ∑𝑛𝑡=0 𝑌t / n = (2.321 + 2.246 + 1.907 +2.592 + 2.497) /5 = 11.545 / 5 = 2.309 Keterangan: Y : data t : periode waktu dari data n : banyaknya periode waktu dari data M : huruf awal dari mean, atau sering juga dilambangkan dengan ̂ Y, m atau My.

Berikut ini dikemukakan perhitungannya keempat ukuran deviasi tersebut pada Tabel 3 Perhitungan deviasi, absolut dan kuadrat yaitu, sebagai berikut : Tabel 3 Tabel Perhitungan Deviasi, Absolut, dan Kuadrat Tahun Y Deviasi: Y Y y=Y– absol kuadrat, M ut, y2 |y| 2011 2.321 12 |12| 144 2012

2.246

-63

|63|

3.969

2013

1.907

-402

|402|

161.604

2014

2.574

265

|265|

70.225

2015

2.497

188

|188|

35.344

𝜮 N M

11.545 5 2.309

0 5 0

|930| 5 186

271.286 5 54.257,2

Rumus

M Σ𝑌/𝑛

MD Σ𝑦/𝑛

MSD Σy2/n

Hasil

-

0

MAD Σ|𝑦| /𝑛 186

54.257,2

Menghitung data deviasi (penyimpangan) yang artinya penyimpangan dari nilai rata-rata mean, konsisten dengan penggunaan rata-rata hitung sebagai ukuran tendensi sentral, yaitu sebagai berikut: RSE = √[𝛴y2/(n-1)] = √[271.286/(5 − 1)] = 260,4 Data yang digunakan dalam menganalisis ekspolarasi data peramalan dalam penjualan paket wisata diperiode yang akan datang adalah data penjualan paket wisata periode 6 tahun dari bulan januari sampai april, yaitu sebagai berikut: Tabel 4 Analisis Korelasi Periode 6 Tahun Januari sampai dengan April Tahun T Yt yt yt2 2011

1 2

91 160

-53 16


2809 256 109


2012

2013

2014

2015

2016

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Σ

211 209 100 187 139 198 124 189 127 122 89 198 210 105 100 92 101 189 78 241 89 107 3.456

67 65 -44 43 -5 54 -20 45 -17 -22 -55 54 66 -39 -44 -52 -43 45 -66 97 -55 -37 0


4489 4225 1936 1849 25 2916 400 2025 289 484 3025 2916 4356 1521 1936 2704 1849 2025 4356 9409 3025 1369 60194

Keterangan : 1. t = Periode waktu dari data 2. Yt = Variabel Data Asli 3. yt = Deviasi Variabel Y 4. yt2 = Deviasi Variabel Kuadrat Data penjualan paket wisata periode enam tahun akan digunakan sebagai sampel perhitungan nilai ACF (Auto Correlation Function) , yaitu perhitungannya sebagai berikut : r1 = (91 – 114)(160 - 144) + (160 – 144)(211 114)+...+(89 - 144)(107 -144) (91 – 114)2 +(160 - 144)2 + (221 – 144)2 + ...+ (389 – 7)2 + (107 – 144)2 = -12166 r2 = (160 – 114)(211- 144) + (211 – 144)(209 114)+...+(89 - 144)(107 -144) (160 – 114)2 +(211 - 144)2 + (209 – 144)2 + ...+ (389 – 7)2 + (107 – 144)2 = 1689 r3 = (211 – 114)(209 - 144) + (209 – 144)(100 114)+...+(89 - 144)(107 -144) (211 – 114)2 +(209 - 144)2 + (100 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 5240 r4 = (209 - 144) (100 – 114)+ (100 – 144)(187 114)+...+(89 - 144)(107 -144) (209 – 114)2 +(100 - 144)2 + (187 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = -11670 r5 = (100 – 114)(187 – 144) + (187– 144)(139 114)+...+(89 - 144)(107 -144) (100 – 114)2 +(187 - 144)2 + (139 – 144)2 + ...+ (389 – 7)2 + (107 – 144)

= -10966 r6 = (187 – 144)(139 – 144) + (139 – 144)(198 114)+...+(89 - 144)(107 -144) (187 – 114)2 +(139 - 144)2 + (198 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 1732 r7 = (139 – 144)(198 – 144) + (198 – 144)(124 114)+...+(89 - 144)(107 -144) (139 – 114)2 +(198 - 144)2 + (124 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 2067 r8 = (198 – 144)(124 – 189)+ (124 – 144)(189 114)+...+(89 - 144)(107 -144) (198 – 114)2 +(124 - 144)2 + (189 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 2915 r9 = (124 – 144)(189 – 144) + (189 – 144)(127 114)+...+(89 - 144)(107 -144) (124 – 114)2 +(189 - 144)2 + (127 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 4215 r10 = (189 – 144)(127 – 144) + (127 – 144)(122 114)+...+(89 - 144)(107 -144) (189 – 114)2 +(127 - 144)2 + (122 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 2810 r11 = (127 – 144)(122 – 144) + (122 – 144)(89 114)+...+(89 - 144)(107 -144) (127 – 114)2 +(122 - 144)2 + (89 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 2062 r12 = (122 – 144)(89 – 144) + (89 – 144)(198 114)+...+(89 - 144)(107 -144) (127 – 114)2 +(122 - 144)2 + (89 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 5695 r13 = (89 – 144)(198 – 144) + (198 – 144)(210 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 8060 r14 = (198 – 144)(210 – 144) + (210 – 144)(105 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 2526 r15 = (210 – 144)(105 – 144) + (105– 144)(100 114)+...+(89 - 144)(107 -144) (210 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = -16622 r16 = (105 – 144)(100 – 144) + (100 – 144)(92 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144)


110


= 2188 r17 = (100 – 144)(92 – 144) + (92 – 144)(101 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = -7371 r18 = (92 – 144)(101 – 144) + (101 – 144)(189 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 4292 r19 = (101 – 144)(189 – 144) + (189 – 144)(78 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 5521 r20 = (189 – 144)(78 – 144) + (78 – 144)(241 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = -1374 r21 = (78 – 144)(241 – 144) + (241– 144)(89 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 1596 r22 = (241 – 144)(89 – 144) + (89 – 144)(107 114)+...+(89 - 144)(107 -144) (89 – 114)2 +(198 - 144)2 + (210 – 144)2 + ...+ (389 – 7)2 + (107 – 144) = 1749 r23 = (89 – 144)(107 – 144) (89 – 7)2 + (107 – 144) 2 = 814 3.2 Analisis Peramalan (Forecast) Setelah data telah diperoleh, maka langkah selanjutnya kita melakukan perhitungan nilai ACF (Auto Correlation Fuction) dengan rumus berikut ini : Tabel 5 Hasil Pengujian ACF data 6 Tahun Lag ACF 1 -12166 2 1689 3 5240 4 -11670 5 -10966 6 1732 7 2067 8 2915 9 4215 10 2810 11 2062 12 5695 13 8060 14 2526 15 -16622


16 2188 17 -7371 18 4292 19 5521 20 -1374 21 1596 22 1749 23 814 Peramalan akan dilanjutkan dengan perhitungan PACF (Partial Auto Correlation Function) yang juga terdapat pada bagian sebelumnya, yaitu dengan perhitungan persamaan berikut ini: r1” = - 12166 (1 – 1689) = - 127,475 1 – ((-12166) x (-12166)) r2” = 1689 – ((-12166) x (-12166)) = - 296,021 1– ((-12166) x (-12166)) r3” = 5240 – ((1689) x (1689)) = 5,240 1– ((1689) x (1689)) r4” = -11670 – ((5240) x (5240)) = -11,670 1– ((5240) x (5240)) r5” = - 10966 – ((-11670) x (-11670)) = - 10,966 1– ((-11670) x (-11670)) r6” = 1732 – ((- 10966) x (- 10966)) = - 240,504 1– ((- 10966) x (- 10966)) r7” = 2067 – ((1732) x (1732)) = - 5,997 1– ((1732) x (1732)) r8” = 2915 – ((2067) x (2067)) = - 8,542 1– ((2067) x (2067)) r9” = 4215 – ((2915) x (2915)) = - 16,990 1– ((2915) x (2915)) r10” = 2810 – ((4215) x (4215)) = -35,529 1– ((4215) x (4215)) r11” = 2062 – ((2810) x (2810)) = - 15,790 1– ((2810) x (2810)) r12” = 5695 – ((2062) x (2062)) = - 8,497 1– ((2062) x (2062)) r13” = 8060 – ((5695) x (5695)) = - 64,857 1– ((5695) x (5695)) r14” = 2526 – ((8060) x (8060)) = -129,924 1– ((8060) x (8060)) r15” = - 1622 – ((2526) x (2526)) = - 12,762 1– ((2526) x (2526)) r16” = 2188 – ((- 1622) x (- 1622)) = - 5,259


111


1– ((- 1622) x (- 1622)) r17” = -7371 – ((2188) x (2188)) = - 9,582 1– ((2188) x (2188)) r18” = 4292 – ((-7371) x (-7371)) = - 108,658 1– ((-7371) x (-7371)) r19” = 5521 – ((4292) x (4292)) = - 36,837 1– ((4292) x (4292)) r20” = - 1374 – ((5521) x (5521)) = - 60,964 1– ((5521) x (5521)) r21” = 1596 – ((- 1374) x (- 1374)) = - 3,774 1– ((- 1374) x (- 1374)) r22” = 1749 – ((1596) x (1596)) = - 5,092 1– ((1596) x (1596)) r23” = 814 – ((1749) x (1749)) = - 6,117 1– ((1749) x (1749)) Tabel 6 Hasil Perhitungan PACF data 6 tahun Lag PACF 1 - 127,475 2 - 296,021 3 5,240 4 -11,670 5 - 10,966 6 - 240,504 7 - 5,997 8 - 8,542 9 - 16,990 10 -35,529 11 - 15,790 12 - 8,497 13 - 64,857 14 -129,924 15 - 12,762 16 - 5,259 17 - 9,582 18 - 108,658 19 - 36,837 20 - 60,964 21 - 3,774 22 - 5,092 23 - 6,117 Hasil ACF dan PACF juga akan digunakan untuk menaksir nilai dari parameter p dan q. User dapat menentukan parameter p dan q atau model ARIMA. Sedang untuk nilai d, akan dihitung berdasarkan orde differencing. Nilai yang biasa muncul adalah 0, 1 dan 2. User dapat memasukkan model yang diinginkan di dalam field yang telah disediakan. Kita akan menguji


dengan statistik Q Box-Pierce, yaitu rumusnya sebagai berikut: 2 Q’ = n(n + 2) ∑𝑚 𝑚=1[rk / (n – m)] Tahap pengujian model dilakukan untuk mengetahui apakah modelnya sudah tepat atau belum. Pengujian yang lazim dilakukan melalui residu (e, error) modelnya. Modelnya diproyeksikan untuk tiap periode data yang sudah tersedia sehingga diperoleh e t , yaitu selisih antara data dan hasil proyeksinya atau dirumuskan sebagai berikut : et = Yt - Yt’ . Kita akan menguji dengan model ARIMA (1,1,1) Sehingga menghasilkan persamaan sebagai berikut: Tabel 7 Hasil Peramalan ARIMA (1,1,1) Data 6 Tahun NILAI NILAI ERROR RAMALAN ASLI 194,33 179 -15,33 158,16 127 -31,16 170,82 162 -8,82 166,49 231 64,51 167,94 211 43.06 167,39 105 -62,39 167,59 189 21,41 167,52 155 -12,52 167,60 97 -70,6 169,5 128 -41,5 166,9 161 -5,9 167,8 126 -41,8 Berikut ini merupakan tabel data peramalan pada bulan Mei 2016 sampai dengan April 2017 : Tabel 8 Hasil Peramalan Mei 2016 - April 2017 Tahun Bulan Jumlah Penjualan 2016 5 179 2016 6 127 2016 7 162 2016 8 231 2016 9 211 2016 10 105 2016 11 189 2016 12 155 2017 1 97 2017 2 128 2017 3 161 2017 4 126

4. IMPLEMENTASI 4.1 Pengertian Implementasi Implementasi adalah suatu tindakan atau pelaksanaan dari sebuah rencana yang sudah disusun secara matang dan terperinci. Implementasi bisa melakukan setelah perencanaan sudah dianggap selesai. Dalam sebuah sistem agar dapat berjalan seperti yang diinginkan tidak dapat dipisahkan antara Perancangan aplikasi prediksi penjualan paket wisata menggunakan metode autoregressive integrated moving average ( arima ) 112 (studi kasus : pt. Siar haramain international wisata) Oleh : Novita Ayu Sri Ningsih


hardware dan software berikut spesifikasi yang diperlukan dalam merancang tersebut yaitu : 1. Perangkat Keras (Hardware) a. Processor Intel Dual Core b. Hardisk Maximal 200 GB c. Memory 2 GB d. Printer 2. Perangkat Lunak (Software) a. Sistem Operasi Windows 7 b. Microsoft Visual Studio .Net 2008 c. MySQL Server 5.0 4.2 Implementasi Interface Pada Skripsi ini, sistem yang dibagun mrnggunakan visual basic.Net 2008, berikut merupakan implementasi sistem dari langkah pertama hingga penentuan solusi. 1. Tampilan Menu Login Tampilan ini merupakan tampilan dari form menu login dimana berfungsi untuk persyaratan masuk ke menu utama. Form Menu Login dapat dilihat pada gambar 1 berikut ini

Gambar 1 Tampilan Menu Login 2. Tampilan Form Menu Utama Tampilan ini merupakan tampilan dari form menu dimana berfungsi untuk melakukan pemanggilan terhadap form-form yang lain. Form Menu utama dapat dilihat pada gambar 2 berikut ini :

Gambar 2 Tampilan Menu Utama Judul perangkat lunak, menu file berfungsi untuk membuka sub menu file, sub menu data penjualan berfungsi untuk menampilkan laporan data penjualan, sub menu data perkiraan penjualan berfungsi untuk menampilkan data perkiraan penjualan, menu laporan berfungsi untuk menampilkan laporan yang sudah dikerjakan. 3. Tampilan Form Penjualan Berikut ini merupakan tampilan dari form penjualan. Form penjualan yang berfungsi dalam pengolahan data penjualan.


Gambar 3 Tampilan Form Data Penjualan Combobox kode paket berfungsi untuk menginput kode paket, textbox nama paket berfungsi untuk menginputkan nama paket, combobox tahun berfungsi untuk menginputkan tahun, textbox bulan januari, februari dan seterusnya berfungsi untuk menginputkan jumlah penjualan dibulan tersebut, botton baru berfungsi untuk membuka lembaran baru untuk memasukkan data penjualannya, botton simpan berfungsi untuk menyimpan data yang sudah dimasukkan, botton edit berfungsi untuk mengedit data yang sudah dimasukkan, botton hapus berfungsi untuk menghapus data yang sudah dimasukkan, botton batal berfungsi untuk membatalkan penginputan data, botton keluar berfungsi untuk keluar dari data penjualan. 4. Tampilan Form Peramalan Berikut ini merupakan tampilan dari form peramalan. Form peramalan yang berfungsi dalam mengolah data peramalan penjualan.

Gambar 4 Tampilan Form Data Peramalan ARIMA Combo box kode barang berfungsi untuk menginput kode paket, text box nama barang berfungsi untuk menginputkan nama barang, combo box untuk tahun berfungsi untuk menginputkan tahun, botton ok berfungsi untuk menyimpan data untuk di proses, botton cancel berfungsi untuk membatalkan proses. 5. Tampilan Form Pengguna


113



2.

Gambar 5 Tampilan Menu Pengguna Text box user name berfungsi untuk menginput nama pengguna, text box password berfungsi untuk menginputkan kata sandi, combo box untuk level berfungsi untuk menginputkan pilihan pengguna, botton baru berfungsi untuk membuka lembaran baru untuk memasukkan data, botton simpan berfungsi untuk menyimpan data yang sudah dimasukkan, botton edit berfungsi untuk mengedit data yang sudah dimasukkan, botton hapus berfungsi untuk menghapus data yang sudah dimasukkan, botton batal berfungsi untuk membatalkan penginputan data, botton keluar berfungsi untuk keluar dari data penjualan, listview berfungsi untuk menampilkan akun yang sudah masuk. 6. Tampilan Laporan Peramalan Berikut ini merupakan tampilan dari laporan peramalan. Tampilan laporan peramalan berfungsi untuk menampilkan data perkiraan.

Gambar 6 Tampilan Laporan Peramalan Penjualan Laporan peramalan penjualan paket wisata berfungsi untuk menampilkan laporan perkiaraan penjualan paket wisata.

Penerapan metode ARIMA dalam memprediksi paket wisata memiliki 4 tahap yaitu, mengidentifikasi model dugaan sementara, mengestimasi parameter model, memverifiksikan apakah model sudah sesuai dan menerapkan model untuk peramalan. 3. Perancangan aplikasi prediksi paket wisata dengan menggunakan metode ARIMA adalah dengan pengumpulan data yang dilakukan untuk membantu dan menjawab peramalan yang terdapat pada peneliti dan melakukan langkah-langkah dalam membentuk rencana (plining), analisis (analysis), desain (design), implementasi (implementation), uji coba (testing). 5.2 Saran Berdasarkan pengalaman dan pertimbangan dalam prediksi penjualan paket wisata dengan menggunakan metode ARIMA saran yang dapat ditulis peneliti adalah : 1. Hasil suatu peramalan bukanlah suatu nilai yang pasti akan terjadi di periode yang akan datang. Mengingat banyaknya faktor-faktor di lapangan yang kadang memberikan pengaruh yang cukup signifikan pada hasil akhirnya. 2. Peneliti lain juga dapat mempelajari lebih lanjut tentang pemodelan peramalan menggunakan model yang lain yaitu SARIMA dan ARIMAX yang belum dibahas dalam skripsi ini. Dengan saran dari peneliti ini semoga dapat menjadi inspirasi bagi peneliti peramalan yang selanjutnya dan untuk melanjutkan dan mengembangkan penelitian ini. DAFTAR PUSTAKA 1. Aritonang R, Lerbin R. 2009. Peramalan Bisnis. Ghalia Indonesia, Bogor 2. Baroroh, Ali. 2008. Trik-trik Analisis Statistik dengan SPSS 15. PT. Elex Media Komputindo, Kelompok Gramedia. Jakarta 3. Koswara, Eko. 2011. Visual Basic 2008, Yogyakarta 4. Kadir, Abdul. 2002. Dasar Pemograman WEB Dinamis Menggunakan PHP. Andi Yogyakarta 5. Putri Ariani, Ayu. 2014. Aplikasi Metodologi Penelitian Kebidanan Dan Kesehatan Reproduksi. Nuha Medika Sadewa No.1 Sorowajan Baru. Yogyakarta. 6. Paul H. Wright. 2005. Pengantar Enginering. Penerbit Erlangga. Jakarta 7. Rizky, Soetam. 2011. Konsep Dasar Rekayasa Perangkat Lunak. PT. Prestasi Pustakarya. Jakarta

5. Kesimpulan dan Saran 5.1 Kesimpulan Dari hasil perancangan aplikasi peramalan penjualan paket wisata pada PT. Siar Haramain International Wisata ini dapat diambil kesimpulan sebagai berikut : 1. Penjualan paket wisata yang akan digunakan dapat diketahui dengan menganalisis penjualan dimasa lampau dengan menggunakan tahapan peramalan yang lazim digunakan dalam metode ARIMA. Perancangan aplikasi prediksi penjualan paket wisata menggunakan metode autoregressive integrated moving average ( arima ) (studi kasus : pt. Siar haramain international wisata) Oleh : Novita Ayu Sri Ningsih

114




115

Novita Ayu Sri Ningsih ( )

Recommend Documents