PENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM)

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

PENERAPAN METODE EXPONENTIAL SMOOTHING DALAM MEMPREDIKSI JUMLAH SISWA BARU (STUDI KASUS: SMK PEMDA LUBUK PAKAM) Kurniagara Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan ABSTRAK Permasalahan dalam penelitian ini adalah berapa jumlah calon siswa dengan menggunakan metode penghalusan eksponensial (exponential smoothing) untuk peramalan (forecasting) jumlah calon siswa baru. Tujuan dari penelitian ini dalakukan untuk mengetahui dan menganalisis penggunaan metode penghalusan eksponensial (exponential smoothing) untuk peramalan (forecasting) jumlah calon mahasiswa baru pada jurusan matematika Fakultas Matematika dan Ilmu Pengetahuan Alam (FMIPA) Universitas Negeri Semarang (UNNES) tahun 2006. Pengambilan data dalam penelitian ini dalakukan dengan observasi. Data yang diambil adalah laporan calon siswa baru mulai tahun 2011 sampai dengan tahun 2016. Setelah itu dilakukan analisis data untuk menetukan model penghalusan eksponensial (exponential smoothing) yang sesuai untuk peramalan (forecasting) jumlah calon siswa baru dari data yang tersedia. Untuk menentukan model yang sesuai untuk peramalan (forecasting) dari data yang tersedia dihitung setiap metode smoothing serta dicari metode yang memberi kesalahan peramalan (forecasting) yang paling kecil. Kemudian setelah dilakukan analisis data, untuk peramalan (forecasting) jumlah calon mahasiswa baru dipilih metode single exponential smoothing dengan alpha = 0,9. Kata Kunci: prediksi siswa SMK Pemda Lubuk Pakam , Exponential Smoothing

I. PENDAHULUAN Sekolah Menengah Kejuruan (SMK) merupakan salah satu lembaga pendidikan yang berupaya menciptakan sumber daya manusia yang memiliki kemampuan, keterampilan, dan keahlian sehingga lulusannya dapat mengembangkan keterampilannya agar dapat terjun dalam dunia kerja maupun untuk melanjutkan ke jenjang pendidikan yang lebih tinggi. Menurut Peraturan Pemerintah No. 29 Tahun 1990 pasal 2 ayat (1) menyebutkan bahwa sekolah kejuruan bertujuan untuk meningkatkan pengetahuan siswa dalam pengemban- gan diri dan untuk meningkatkan kemampuan siswa sebagai anggota masyarakat. Menurut Peraturan Pemerintah No. 29 Tahun 1990 pasal 3 ayat (2) disebutkan bahwa sekolah kejuruan bertujuan untuk menyiapkan siswa dalam memenuhi lapangan kerja, menyiapkan siswa agar mampu memiliki karir, dan menyiapkan tamatan agar menjadi warga Negara yang produktif, adaptif, dan normatif. SMK pemda lubuk pakam merupakan salah satu SMK yang berada di daerah lubuk pakam kab. Deli serdang. Kemajuan suatu sekolah dipengaruhi oleh besar kecilnya kualitas kelulusan. Dilihat dari jumlah calon siswa baru di SMK Pemda mempunyai peminat yang besar dari dalam atau luar daerah dikarenakan setiap tahunnya SMK Pemda melakukan pengenalan sekolah ke sekolah menengah pertama diluar maupun didalam daerah. Peramalan jumlah calon siswa baru merupakan salah satu hal yang sangat penting dalam pengambilan keputusan di smk pemda lubuk pakam. Bagi pihak smk peramalan ini berfungsi untuk menentukan prioritas berapa jumlah siswa yang akan diterima. Didasari pada kebutuhan smk pemda untuk meramalkan jumlah calon siswa baru, maka sangatlah penting untuk merancang sebuah sistem. Sistem yang

akan dibangun dapat menghasilkan jumlah prediksi dengan memanfaatkan perhitungan dari metode Exponential Smoothing. Dari metode dicari seberapa besar kesalahan. Metode peramalan terbaik adalah metode yang mempunyai nilai kesalahan yang paling kecil. Metode exponential smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Dua metode dalam exponential smoothing diantaranya single exponential smoothing dan double exponential smoothing(Supriana, Uci, 2010). II. TEORITIS A. Peramalan Peramalan (forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi moderen mengetahui keadaan yang akan datang tidak saja penting untuk melihat yang baik atau buruk tetapi juga bertujuan untuk melakukan persiapan peramalan(Yamit, Zulian , 2003).Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan datang. Ketepatan secara mutlak dalam memprediksi peristiwa dan tingkat kegiatan yang akan datang adalah tidak mungkin dicapai, oleh karena itu ketika perusahaan tidak dapat melihat kejadian yang akan datang secara pasti, diperlukan waktu dan tenaga yang besar agar mereka dapat memiliki kekuatan untuk menarik kesimpulan terhadap kejadian yang akan datang. 214

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

B. Metode Exponential Smoothing Metode exponential smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Dua metode dalam exponential smoothing diantaranya single exponential smoothing dan double exponential smoothing(Supriana, Uci, 2010) 1. Single Exponential Smoothing Metode ini adalah pengembangan dari metode moving average (MA) menggunakan rumus sebagai berikut: Ft+1 = X1 + X2+...+XT T Keterangan : Ft+1 : Ramalan untuk periode ke t + 1 XT : Nilai riil periode ke t T : Jangka waktu rata – rata bergerak Metode moving average memang mudah menghitungnya akan tetapi metode ini memberikan bobot yang sama pada setiap data . Untuk mengatasi hal ini maka digunakan metode single exponential smoothing. Pada metode single exponential smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data yang terbaru, α(1-α) untuk data 2 yang lama, α(1-α) untuk data yang lebih lama, dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis besarnya Peramalan adalah: Ft+1 = α Xt + (1 – α) Ft Ft+1 : Ramalan untuk periode ke t+1 Xt : Nilai riil periode ke t Ft : Ramalan untuk periode ke t Dengan demikian dapat dikatakan bahwa peramalan pada periode yang akan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan menggunakan metode single exponential smoothing (SES), besarnya α (alpha) ditentukan secara trial dan error sampai ditemukan α (alpha) yang menghasilkan forecast error terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang fluktuatif secara random (tidak teratur)(Supriana, Uci, 2010). 2. Double Exponential Smoothing Pada metode ini proses penentuan ramalan dimulai dengan menentukan besarnya alpha secara trial dan error. Sedangkan tahap-

tahap dalam menentukan ramalan adalah sebagai berikut. a. Menentukan Smoothing pertama (S‟t) S‟t = α Xt + (1- α) S‟t-1, b. Menentukan Smoothing kedua (S‟‟t) S”t = α S‟t + (1- α) S‟‟t-1, c. Menentukan besarnya konstanta (αt) αt = S‟t + (S‟t – S‟‟t) d. Menentukan besarnya slope (bt) Bt = α (S’t – S”t) 1-α e. Menentukan besarnya forecast (Ft+m) Ft+m = αt + btm, Dimana m adalah jumlah periode kemuka yang diramalkan. Metode double exponential smoothing ini biasanya lebih tepat untuk meramalkan data yang mengalami trend kenaikan(Supriana, Uci, 2010) III. ANALISA dan PEMBAHASAN Jumlah siswa dalam sekolah merupakan sesuatu hal yang sangat penting terutama sekolah swasta. Banyak keputusan yang dapat dilakukan bergantung pada jumlah siswa yang dimiliki diantaranya rasio jumlah guru dan siswa, gedung untuk proses belajar mengajar serta fasilitas-fasilitas lain didalam sekolah tersebut. SMK Pemda Lubuk Pakam merupakan salah satu sekolah swasta di kabupaten deli serdang yang jumlah siswa meningkat setiap tahunnya, di sekolah smk tersebut belum ada suatu aplikasi prediksi, maka dari itu untuk menunjang kinerja smk tersebut untuk pengambilan keputusan yang dalam keputusan tersebut salah satu faktornya adalah jumlah siswa. Dalam pengumpulan data diambil berdasarkan data siswa yang mendaftar 6 tahun terakhir dimulai tahun ajaran 2011 sampai tahun ajaran 2016 di SMK Pemda Lubuk Pakam. Data-data tersebut dapat dilihat pada tabel-tabel berikut : Tabel 1. Penerimaan Siswa/i Baru SMK Pemd Lubuk Pakam Tahun Ajaran Penerimaan siswa/i 2011 459 2012

499

2013

486

2014

300

2015

482

2016

466

Sumber : Smk Pemda Lubuk Pakam Analisis Metode Peramalan 215

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

Langkah pertama dan penting dalam memilih metode suatu deret berkala yang tepat yaitu dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Metode yang akan digunakan dalam memprediksi siswa baru di SMK Pemda adalah metode peramalan kuantitatif yaitu Metode Forecasting Exponential Smoothing. Metode peramalan Exponential Smoothing ini digunakan karena melihat pola gerakan yang di tunjukan pada sejumlah data sampel, dimana terlihat pola gerakan yang menunjukan pola fluktuatif (random) secara tidak teratur. Metode Forecasting Single Exponential Smoothing lebih cocok digunakan untuk meramalkan data dengan pola fluktuatif tersebut. Ada dua klasifikasi metode dalam metode pemulusan (smoothing) diantaranya Moving Average atau Exponential Smoothing. Metode exponential smoothing merupakan pengembangan dari metode moving averages. Pada kedua metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru, dimana setiap data diberi bobot. Akan tetapi kekurangan pada metode Moving Average adalah bobot diberikan sama pada setiap datanya, sedangkan kelebihan pada metode Exponential Smoothing adalah data yang lebih baru diberi bobot yang lebih besar, sehingga data terbaru lebih diperhatikan nilainya. Bobot yang terdapat pada metode Single Exponential Smoothing adalah nilai bobot (α) alpha. Bobot ini berfungsi untuk melakukan penghalusan terhadap nilai peramalan. Besaran α (alpha) ditentukan secara acak (trial and error) sampai ditemukan α (alpha) yang menghasilkan forecast error terkecil. Besarnya α adalah antara 0 dan 1. Metode MSE (Mean Square Error) digunakan sebagai metode untuk mengukur kesalahan peramalan (forecast error). Mean Squared Error (MSE) adalah metode alternatif untuk mengevaluasi teknik peramalan masing-masing kesalahan. Metode MSE merupakan indikator yang berguna dan memberikan nilai absolut sabagai kebalikan dari informasi relatif dalam metode MAPE. Data yang akan dianalisis hanya diambil beberapa tipe sebagai sample untuk penerapan metode Forecasting Single Exponential Smoothing .

Single Exponential Smoothing Dalam melakukan peramalan dengan metode single exponential smoothing, besarnya alpha (α) yang diterapkan adalah 0.1, 0.5, dan 0.9. Dengan tujuan untuk meramalkan α yang menghasilkan forecast error terkecil. Dengan menentukan α (alpha) sebesar 0.1, perhatikan ramalan adalah sebagai berikut : Tahun 2011: belum bisa ditentukan Tahun 2012 : ditentukan besarnya jumlah calon siswa baru tahun 2011 yaitu sebesar 459. Tahun 2013 : S

t+1

= αX + (1 – α)S t

Tahun 2014 : S

t+1

= αX + (1 – α)S t

t

= (0.1 x 486) + (1 – 0.1) 499 = 48,6 + 449,1 = 497,7 Tahun 2015 : S

t+1

= αX + (1 – α)S t

t

= (0.1 x 300) + (1 – 0.1) 486 = 30 + 437,4 = 467,4 Tahun 2016 : S

t+1

= αX + (1 – α)S t

t

= (0.1 x 482) + (1 – 0.1) 300 = 48,2 + 270 = 318,2 Tahun 2017 : S

t+1

= αX + (1 – α)S t

t

= (0.1 x 466) + (1 – 0.1) 482 = 46,6 +433,8 = 480,4 Menghitung kesalahan / error dengan mengunakan mean absolute error (MAE) Tahun 2011: belum bisa ditentukan Tahun 2012 : MAE =

Analisis Metode Forecasting Single Exponential Smoothing Metode Single Exponential Smoothing ini akan diterapkan pada perhitungan dalam menentukan persediaan unit mobil untuk periode bulanan kedepan. Berikut rumus untuk Metode Forecasting Single Exponential Smoothing : St+1 = α Xt + (1 – α) St St+1 : Ramalan untuk periode ke t+1 Xt : Nilai riil periode ke t St : Ramalan untuk periode ke t α : bobot yang menunjukan konstanta penghalus

t

= (0.1 x 499) + (1 – 0.1) 459 = 49,9 + 413,1 = 463

∑ |𝑋𝑡−𝐹| 𝑛

= 499-459/5 =8 Tahun 2013 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 486-463/5 = 4,6 Tahun 2014 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 300-497,7/5 = -39,54 216

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

Tahun 2015 : MAE =

∑ |𝑋𝑡−𝐹|

Tahun 2016 : MAE =

𝑛

= 482-467,4/5 = 2,92 Tahun 2016 : MAE =

Bila α ditentukan sebesar 0.9 perhitungan ramalan adalah sebagai berikut.

∑ |𝑋𝑡−𝐹| 𝑛

Bila α ditentukan sebesar 0.5, perhitungan ramalan adalah sebagai berikut. Tahun 2011: belum bisa ditentukan Tahun 2012 : ditentukan besarnya jumlah calon mahasiswa baru tahun 2011 yaitu sebesar 459. t+1

= αX + (1 – α)S t

t

= (0.5 x 499) + (1 – 0.5) 459 = 249,5 + 229,5 = 479 Tahun 2014 : S

t+1

= αX + (1 – α)S t

t+1

= αX + (1 – α)S t

t

t+1

= αX + (1 – α)S t

t

t

Menghitung kesalahan / error dengan mengunakan mean absolute error (MAE) Tahun 2011: belum bisa ditentukan ∑ |𝑋𝑡−𝐹| Tahun 2012 : MAE = 𝑛

Tahun 2013 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 482-393/5 = 17,8

Tahun 2014 : S

t+1

= αX + (1 – α)S t

t

Tahun 2015 : S

t+1

= αX + (1 – α)S t

t

Tahun 2016 : S

t+1

= αX + (1 – α)S t

t

Menghitung kesalahan / error dengan mengunakan mean absolute error (MAE) Tahun 2011: belum bisa ditentukan ∑ |𝑋𝑡−𝐹| Tahun 2012 : MAE = 𝑛 = 499-459/5 =8 Tahun 2013 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

Tahun 2014 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 300- 487,3/5 = -37,46 ∑ |𝑋𝑡−𝐹| 𝑛

= 300- 492,5/5 = -38,5 Tahun 2015 : MAE =

t

= 486-495/5 = -1,8

= 486-479/5 = 1,4 Tahun 2014 : MAE =

t

= (0.9 x482) + (1 – 0.9)300 = 433,8 + 30 = 463,8

= (0.5 x 482) + (1 – 0.5) 300 = 241 + 243 = 391

= 499-459/5 =8

t+1

= (0.9 x 499) + (1 – 0.9) 459 = 449,1 + 45,9 = 495

= (0.9 x300) + (1 – 0.9)486 = 270 + 48,6 = 318,6

= (0.5 x 300) + (1 – 0.5) 486 = 150 + 243 = 393 Tahun 2016 : S

Tahun 2011: belum bisa ditentukan Tahun 2012 : ditentukan besarnya jumlah calon mahasiswa baru tahun 2011 yaitu sebesar 459. Tahun 2013 : S = αX + (1 – α)S

= (0.9 x 486) + (1 – 0.9) 499 = 437,4 + 49,9 = 487,3

= (0.5 x 486) + (1 – 0.5) 499 = 243 + 249,5 = 492,5 Tahun 2015 : S

𝑛

= 466-391/5 = 15

= 466-218,2,2/5 = 49,56

Tahun 2013 : S

∑ |𝑋𝑡−𝐹|

Tahun 2015 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 482-318,6/5 = 163,4 ∑ |_𝑡−𝐹| 𝑛

Tahun 2016 : MAE =

∑ |𝑋𝑡−𝐹| 𝑛

= 466-463,8/5 = 0,44 217

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

Perhitungan selengkapnya pada tabel berikut ini Tabel 2. Forecasting Dengan alpha = 0.1 Dan Hitungan Eror Forecast Calon Tahun siswa/i Alpha = Ajaran MAE MSE Baru 0,1 2011 459 2012

499

459

8

16

2013

486

463

4.6

9,2

2014

300

497,7

-39,54

-79,08

2015

482

467,4

2,92

5,84

2016

466

318,2

49,56

99,12

25,54

33,08

Jumlah Eror

Tabel 3. Forecasting Dengan alpha = 0.5 Dan Hitungan Eror Forecast

2011

Calon siswa/i Baru 459

Alpha = 0,5 -

2012

499

2013

Tahun Ajaran

MAE

MSE

-

-

459

8

16

486

479

1,4

2,8

2014

300

492,5

-38,5

-77

2015

482

393

17,8

35,6

2016

466

391

15

30

2,7

7,4

Jumlah Eror

Tabel 4. Forecasting Dengan alpha = 0.9 Dan Hitungan Eror Forecast Calon Tahun siswa/i Alpha = Ajaran MAE MSE Baru 0,9 2011 459 -

Double Exponential Smoothing Pada metode ini proses peramalan dengan ketentukan alpha sebesar 0.1, 0.5, dan 0.95. Besarnya forecast untuk alpha 0.1 maka perhitungannya sebagai berikut : Tahun 2011 𝑆𝑡𝐼 : ditentukan jumlah calon mahasiswa baru tahun pertama, yaitu sebesar 459 𝑆𝑡𝐼𝐼 : : ditentukan jumlah calon mahasiswa baru tahun pertama, yaitu sebesar 459 a : belum bisa ditentukan t

b : belum bisa ditentukan t

S

t+m

: forecast tahun kedua (S

2012

) ditentukan jumlah

calon siswa baru tahun pertama yaitu sebesar 459 Tahun 2012 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 459 + (1 – 0,1)499 = 49,5 + 449,1 = 498,6 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x459) - 499 = 413 𝛼 Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 ) 0,1

= 1−0,1 (459 – 498,6) = -4,3956 forecast tahun 2013 (m = 1 tahun) S = a + b (m) t+m

t

t

= 491,4 – (-4,3956) S = 495,7956 t+m

Tahun 2013 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 495 + (1 – 0,1)486 = 49,5 + 437,4 = 522,9 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x495) – 522,9 = 467,1 𝛼 Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 ) 0,1

Tabel 5. Forecasting Dengan alpha = 0.9 Dan Hitungan Eror Lanjutan Tahun Calon Forecast Ajaran siswa/i Alpha MAE MSE Baru = 0,9 2012 499 459 8 16 2013

486

495

-1,8

-3,6

2014

300

487,3

37,46

74,92

2015

482

318,6

163,4

326,8

2016

466

463,8

0,44

0,88

207,5

415

Jumlah Eror

= 1−0,1 (495 – 522,9) = -3,0996 forecast tahun 2014 (m = 1 tahun) S = a + b (m) t+m

t

t

= 467,1– (-3,0996) S = 464,0004 t+m

Tahun 2014 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 487,3 + (1 – 0,1)300 = 48,73 + 270 = 318,73 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x487,3) – 318,73 = 655,87 218

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220 𝛼

Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )

Form Menu Utama

0,1

= 1−0,1 (487,3 – 318,73) = 18,728 forecast tahun 2015 (m = 1 tahun) S = a + b (m) t+m

t

t

= 655,87– 18,728 S = 637,142 t+m

Tahun 2015 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 467,4 + (1 – 0,1)482 = 46,74 + 433,8 = 480,54 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x467,4) – 480,54 = 454,26 𝛼 Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )

Gambar 1. Form Menu Utama Form Data Pendaftaran Form Data Pendaftaran adalah sebuah form yang dirancang untuk menampilkan data Pendaftaran pada tahun tertentu serta data peramalan penjualan sekolah pada tahun berikutnya.

0,1

= 1−0,1 (467,4– 480,54) = -1,4598 forecast tahun 2016 (m = 1 tahun) S = a + b (m) t+m

t

t

= 454,26-(-1,4598) S = 455,7198 t+m

Tahun 2016 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 318,2 + (1 – 0,1)466 = 31,82 + 419,4 = 451,22 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x318,2) – 451,22 = 185,18 𝛼 Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 )

Gambar 2. Hasil Form Data Pendaftaran Pengujian Form Proses Peramalan Form Proses Peramalan adalah sebuah form yang dirancang untuk menampilkan data hasil peramalan penjualan serta melakukan proses peramalan penjualan pada periode berikutnya, serta jumlah siswa minimal yang harus disediakan perusahaan menggunakan metode exponential smoothing. Sebelum melakukan proses peramalan maka pengguna terlebih dahulu melakukan pemilihan input tahun masuk, tahun peramalan serta nilai alpha (α).

0,1

= 1−0,1 (318,2– 451,22) = -14,7785 forecast tahun 2017 (m = 1 tahun) S = a + b (m) t+m

t

t

= 185,18-(-14,7785) S = 199,9585 t+m

Gambar 3. Hasil Pengujian Data Proses Form Hasil Pengujian Data Proses Peramalan

Tahun 2017 𝐼𝐼 𝑆𝑡𝐼𝐼 = α𝑆𝑡𝐼 + (1-α) 𝑆𝑡+1 = 0,1 X 467,4 + (1 – 0,1)482 = 46,74 + 433,8 = 480,54 At = 2 𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 = (2x467,4) – 480,54 = 454,26 𝛼 Bt = 1−𝛼 (𝑆𝑡𝐼 - 𝑆𝑡𝐼𝐼 ) 0,1

= 1−0,1 (467,4– 480,54) = -1,4598

V. KESIMPULAN Adapun kesimpulan yang penulis peroleh berdasarkan hasil perancangan aplikasi ini adalah sebagai berikut :

IV. IMPLEMENTASI 219

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017 ISSN 2301-9425 (Media Cetak) Hal: 214-220

1.

2.

3.

Perusahaan dalam menentukan metode peramalan jumlah siswa baru paling cocok diterapkan pada periode berikutnya dengan melakukan perbandingan peramalan untuk beberapa nilai alpha (α) sehingga dapat diperoleh nilai error paling kecil pada nilai α berapa, dalam hal ini menggunakan Mean Absolute Deviation (MAD). Laporan jumlah siswa baru dalam satu periode diperlukan untuk melakukan peramalan jumlah siswa baru pada periode berikutnya. Data siswa baru ini nantinya akan di analisa dengan Metode Exponential Smoothing untuk menghasilkan peramalan jumlah siswa baru pada periode berikutnya. Aplikasi ini dapat digunakan untuk melakukan peramalan jumlah siswa baru sekaligus untuk setiap tahun ajaran baru sesuai dengan laporan data siswa baru aktual sekolah sehingga bisa menghemat waktu dalam proses peramalan serta hasil yang cukup akurat dan dapat dipertanggung jawabkan.

DAFTAR PUSTAKA 1. 2. 3.

4. 5. 6. 7.

Jogiyanto H.M.2004 Analisis Dan Desain Sistem Informasi, Yogyakarta, Andi Kristien Margi, Sofian Pendawa, 2015. Seminar SNATIF ke 2 Tahun 2015, Jakarta. Putu H. Arjana, Tri Puji Rahayu,Yakub, Hariyanto. 2012. Seminar Nasional Teknologi Informasi dan Komunikasi 2012 (SENTIKA 2012). Yogyakarta Edy Irwansyah Windu Gatta, Grace Gatta. 2013. Sukses Membangun Aplikasi Penjualan dengan Java. Jakarta. PT Elex Media Komputindo F.X.Wisnu Yudo Untoro. 2010. Algoritma Pemograman dengan Bahasa Java. Yogyakarta, GRAHA ILMU Wahana Komputer, 2008, Visual Basic.Net 2008. Semarang, Andi

220