SISTEM INFORMASI PENJUALAN BERBASIS E-COMMERCE DENGAN FITUR PERAMALAN ARIMA BOX-JENKINS PADA UD. SAHABAT AGROINDUSTRI KEDIRI SKRIPSI

Artikel Skripsi Universitas Nusantara PGRI Kediri

SISTEM INFORMASI PENJUALAN BERBASIS E-COMMERCE DENGAN FITUR PERAMALAN ARIMA BOX-JENKINS PADA UD. SAHABAT AGROINDUSTRI KEDIRI

SKRIPSI Diajukan untuk memenuhi sebagian syarat guna memperoleh gelar Sarjana (S.Kom) komputer program studi Sistem Informasi Universitas Nusantara PGRI Kediri

Oleh: NUNUS PRATANU NIM: 10.1.03.03.0147

FAKULTAS TEKNIK PROGRAM STUDI SISTEM INFORMASI UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA KEDIRI 2016

NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI

simki.unpkediri.ac.id || 1||








SISTEM INFORMASI PENJUALAN BERBASIS E-COMMERCE DENGAN FITUR PERAMALAN ARIMA BOX-JENKINS PADA UD. SAHABAT AGROINDUSTRI KEDIRI

NUNUS PRATANU 10.1.03.03.0147 FAKULTAS TEKNIK – PRODI SISTEM INFORMASI [email protected] Ahmad Bagus Setiawan, ST, M.Kom., MM. dan M. Rizal Arief, S.T., M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI

ABSTRAK UD. Sahabat Agroindustri Kediri merupakan unit usaha di bidang penjualan dengan produk utama keripik pisang krispi dengan brand “BYAR KELUD”. Penjualan dilakukan secara manual yaitu dengan membuka toko oleh-oleh, menitipkan di resto ataupun pusat oleh-oleh lainnya di wilayah Kediri dan sekitarnya. Hal tersebut mengakibatkan produk yang dijual kurang memiliki jangkauan pasar dan juga ketidakpastian jumlah kripik yang harus diproduksi setiap bulannya untuk pemenuhan pasar yang sudah ada dan yang akan diterima . Penulisan skripsi ini bertujuan untuk mendapatakan model pemasaran penjualan dengan jangkauan pasar yang lebih luas dan juga model peramalan produksi berdasar pada data penjualan yang riil, dengan harapan perusahan dapat mengambil keputusan jumlah produksi yang akan dilakukan serta mengurangi kekurangan maupun kelebihan produksi dalam pemenuhan barang pesanan. Pengambilan data dilakukan di UD. SAHABAT AGROINDUSTRI KEDIRI yang berlokasi di jl. Brawijaya 44 pare Kediri dengan masa observasi selama 2 minggu terhitung mulai 1 februari 2015. Metode yang dilakukan oleh penulis adalah Analisis Runtun Waktu Box-Jenkins Method, yaitu analisis data yang diperoleh merupakan hasil observasi suatu kejadian berdasarkan waktu (t), dimana variable (t) dapat berupa jam, hari, bulan, semester, tahun, tergantung pada data yang dikumpulkan (Soediono,2002) . Penelitian yang dilakukan penulis terfokus pada penjualan kripik pisang byar kelud di UD. SAHABAT AGROINDUSTRI KEDIRI selama 25 bulan terakhir yaitu (Desember 2012 -Januari 2015) serta pembuatan sistem informasi penjualan berbasis e-commerce hingga menghasilkan sistem penjualan secara online dan fitur peramalan ARIMA Box-Jenkins valid dengan bentuk model ARIMA (). Sehingga UD. SAHABAT AGROINDUSTRI KEDIRI dapat mentaksir kebutuhan produksi tiap bulannya dengan adanya laporan riil dari penjualan setiap bulannya di toko online yang dibangun.

Kata Kunci : informasi penjualan, e-commerce, peramalan, arima




AGROINDUSTRI KEDIRI kurang

I. Latar Belakang Masalah perkembangan informasi

Teknologi

dikenal luas oleh masyarakat serta

disertai

keripik yang diproduksi oleh UD.

yang

perkembangan internet dewasa kini

SAHABAT

sangat pesat dan canggih, selain itu

KEDIRI melalui perkiraan pemilik

perkembangan keduanya memiliki

belum tentu memenuhi kebutuhan

hubungan erat yang sulit dipisahkan

pasar bahkan dilain

dalam membentuk sebuah konsep

keripik yang diproduksi melebih

bisnis moderen yang dikenal dengan

kebutuhan yang pasar butuhkan. Hal

konsep teknologi informasi berbasis

ini perlu dilakukan perbaikan sistem

internet. Pemanfaatan konsep bisnis

informasi penjualan serta informasi

ini dapat diterapkan disegala bidang

perkiraan produksi untuk efisiensi

usaha guna mencapai hasil yang

serta

efektif, efisien, dan actual.

informasi

UD.

SAHABAT

AGROINDUSTRI KEDIRI adalah

AGROINDUSTRI

efektivitas stok

bulan stok

pemasaran barang

dan

kepada

konsumen, guna mendapatkan hasil yang optimal.

unit dagang yang memiliki usaha di

Pada penelitian pemasaran

bidang pengolahan dan penjualan

dan

makanan khas wilayah Kediri yang

menggunakan metode ARIMA yang

memiliki

di

dilakukan oleh Melly Sari Br Meliala

dan

yang terbit dalam ISSN : 2301-9425

SAHABAT

serta penelitian oleh Tanti Octavia,

seluruh

pelangan wilayah

Indonesia.

tersebar Kediri

UD.

AGROINDUSRI

KEDIRI

peramalan

produksi

dalam

Yulia dan Lydia ISSN: 1979-2328

menjalankan kegiatan usaha masih

menjelaskan bahwa penyimpanan

menggunakan

pemasaran

barang yang cukup besar, bila terjadi

konvensional yaitu pemasaran dari

salah perhitungan akan stok barang,

cerita mulut ke mulut pelanggan

maka

serta dalam produksi barang, pemilik

kesempatan

masih

penjualan

teknik

menggunakan

perkiraan

terjadi

kehilangan

untuk

memenuhi

(lost

sales)

karena

berdasarkan

kekurangan stok barang ataupun

kebiasaan penjualan setiap bulannya.

akan terjadi investasi yang terhenti

Pada

pemilik

metode

akan

kenyataannya

teknik

karena barang tertimbun di gudang

pemasaran yang relatif sederhana

tanpa bisa terjual dengan lancar. Dan

membuat produk UD. SAHABAT

penggunaan metode Autoregressive




Integrated

Moving

(ARIMA)

akan

Average

menghasilkan

ramalan-ramalan

berdasarkan

efisien dan dapat melihat informasi dan

catalog

produk

SAHABAT

dari

UD.

AGROINDUSTRI

sintesis dari pola data secara historis.

KEDIRI melalui halaman website

Hasil dari aplikasi yang dibuat

yang disediakan.

berupa informasi mengenai jumlah produk yang mungkin terjual untuk periode yang telah ditentukan. Berdasarkan diatas

maka

hal

tersebut

penulis

mencoba

melakukan suatu analisis pemasaran yang efektif dan efisien dengan jangkauan pasar tanpa batas dan penerapan konsep perkiraan produksi barang melalui data historis 25 bulan yang akan diolah berdasarkan tren yang terjadi dalam data berdasarkan sudut pandang statistik dalam suatu informasi

penjualan

yang

dapat

memberikan informasi produk serta gambaran jumlah produksi yang akan terjadi di UD. SAHABAT AGROINDUSTRI

KEDIRI.

Berdasarkan uraian tersebut, penulis akan jadikan sebagai skripsi dengan judul

“SISTEM

PENJUALAN COMMERCE

INFORMASI

BERBASIS

E-

DENGAN

FITUR

ARIMA

BOX-

PERAMALAN

JENKINS PADA UD. SAHABAT AGROINDUSTRI

KEDIRI”.

Dengan cara ini diharapkan proses produksi, penjualan atau pemesanan oleh konsumen lebih efektif dan NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI



II.

METODE ARIMA (Autoregreesive

a. Identifikasi model sementara.

Integrated Moving Average)

b. Identifikasi beberapa

ARIMA sering juga disebut metode

kemungkinan

beberapa

pendek, sedangkan untuk peramalan jangka

kemungkinan

pemodelan yang dianggap valid.

panjang ketepatan peramalannya kurang

periode

dalam

c. Estimasi parameter ke dalam

baik ketepatannya untuk peramalan jangka

(mendatar/konstan) untuk

ke

pemodelan.

runtun waktu Box-Jenkins. ARIMA sangat

baik. Biasanya akan cenderung

model

d. Pemeriksaan

flat

model

apakah

sudah valid.

yang

e. Gunakan

cukup panjang.

model

untuk

peramalan.

Model

Autoregresif

Integrated

SKEMA

PENDEKATAN

Moving Average (ARIMA) adalah model yang secara penuh mengabaikan independen variabel

dalam

membuat

peramalan.

ARIMA menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain (dependent). Tujuan model ini adalah untuk menentukan hubungan statistik yang baik antar variabel yang diramal dengan nilai historis variabel tersebut

sehingga

peramalan

dapat METODOLOGI

dilakukan dengan model tersebut.

BOX-

JENKINS Strategi pembentukan model klasik dengna

metode

merupakan

Box

suatu

Jenkins

(1960)

metode

untuk

menggambarkan model time series yang stationer. dikenal

Metode dengan

pembentukan Four

Step

Gambar 2.1 Skema pendekatan metodologi Box-Jenkins 1.

Identifikasi

model

sementara

(ARIMA (p,d,q))

yang

Iterative

Identifikasi model sementara

Procedure terbagi kedalam empat langkah

digunakan untuk melihat bentuk

sebagai berikut : NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI



stationeritas model berdasarkan

nya telah stationer maka proses

data history perusahan dalam

selanjutnya adalah tahap ke 3

satuan waktu tertentu ( jam, hari,

yaitu pengecekan apakah model

minggu, bulan , tahun). Dari

sudah

data yang diperoleh, kemudian

diharapkan.

dilakukan

hingga

Suatu model dikatakan stationer

menghasilkan nilai mean dan

apabila memiliki mean disemua

varians. Dari nilai mean dan

waktu (t)

varians tersebuth akan diketahui

pada

apakah model yang digunakan

waktu (t) yang dapat dilihat pada

telah stationer atau nonstationer.

model TS-Plot (gambar 2.2)

analisis

Berikut adalah salah satu

sesuai

dengan

yang

nilainya sama dan

varians-nya

tergantung

maka diperlukan rumus untuk

bentuk model times series plot

menstationerkan

(TS-PLOT) yang menunjukkan

model

dan

mengindentifikasi kemungkinan

bentuk model stationer dan non

beberapa model dengan cara

station

melakukan data

differencing

awal

pada

(data

menggunakan rumus : Wt

asli) =

(1-

d

B) Zt Dengan :

er :

Wt : kejadian(proses) baru yang stationer Gambar 2.2 (2a,2b)

d : nilai differencing (biasanya 1 dan 2)

TS-Plot model data stationer dan non stationer

B :

backshift operator (operator mundur)

2.

Identifikasi

model

ke

yang

didefinisikan

dalam

bahwa BdZt=Zt-d sehingga untuk

beberapa kemungkinan permodelan (

d=1 diperoleh data baru Wt

tahap 1 penaksiran parameter pada

dimana :

model sementara) Jika dari identifikasi model awal diketahui nilai mean dan varians-


Wt=(1-B)1Zt

(

= Zt-BZt


Artikel Skripsi Universitas Nusantara PGRI Kediri =Zt-Zt-1

menentukan

beberapa

kemungkinan model baru yang Untuk

mendapatkan

nilai

dianggap valid.

stationer dalam varians data awal

(

data

asli

ditransformasi

)

harus

3.

Autocorrelation function (ACF)

menggunakan Autocorrelation function (ACF)

rumus

adalah Tz=

(2.2)

dengan :

suatu

fungsi

yang

menunjukan besarnya korelasi (hubungan

linier)

pengamatan

waktu

antara ke

t

(dinotasikan dengan Zt) dengan Tz : nilai transformasi pada

pengamatan pada waktu-waktu

kejadia Zt

yang sebelumnya ( dinotasikan dengaan Zt-, Zt-2, Z, …, Zt-k).

Z : standar deviasi ƛ : nilai tabel transformasi Box-

Secara

umum

ada

model

ARIMA (p,0,q) yang stationer

Cox

bentuk ACF turun eksponensial tabel 2.1 Tabel Transformasi

menuju 0 (jika model cenderung

Box-Cox

Autoregressive

–AR)

dan

terpotong setelah lag q (jika Lamda (ƛ)

Transformasi

model

T(Zt)

Average-MA). Hal yang sama

-1,0

1/Zt

akan terjadi pada bentuk ACF

-0,5

1/sqrt(Zt)

pada model ARIMA (p,d,q)

0

Ln Zt

yang

0,5

Sqrt (Zt)

namun pada data asli ( sebelum

1

Zt

differencing) nilai ACF akan

cenderung

telah

Moving

di-differencing

mendekati satu dan turun secara Dari nilai mean dan varians yang baru kemudia dilakukan analisis

lambat

dan

penurunannya

hampir serupa garis lurus.

autocorrelation function (ACF) dan

partial

function

autocorrelation

(PACF)


untuk



Bentuk

ACF

pada

ARIMA

setelah lag p ( jika model

stationer dan non stationer dapat

cenderung

Autoregressiv-AR)

dilihat pada gambar berikut :

dan turun eksponensial menuju 0 ( jika model cenderung Moving Average-MA). Hal yang sama akan terjadi pada bentuk PACF pada model ARIMA (p,d,q) yang

telah

di-differencing

namun pada data asli ( sebelum 3

differencing ) nilai PACF akan

a

terpotong setelah lag-lag awal ( paling banyak lag 1 atau lag 2). Bentuk PACF pada ARIMA stationer dan non stationer dapat dilihat pada gambar berikut :

3b Gambar 2.3 (3a,3b) bentuk ACF pada ARIMA Stationer dan Non Stationer 4.

Partial

Autocorrelation

4a

Function

(PACF) 4b

PACF adalah suatu fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan pada waktu ke t (dinotasikan Zt) dengan pengamatan-pengamatan pada waktu –waktu sebelumnya ( dinotasikan dengaan Zt-, Zt-2, Z, …, Zt-k). Secara

Gambar 2.4 (4a,4b) bentuk PACF pada ARIMA Stationer dan Non Stationer Setelah

pada

model

ARIMA (p,0,q) yang stationer bentuk PACF akan terpotong NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI

bentuk

ACF dan PACF dari data yang stationer

umum

mendapatkan

adalah

langkah

selanjutnya menentukan

kemungkinan model ARIMA (p,d,q) yang dianggap valid. simki.unpkediri.ac.id || 7||


Namun demikian model yang

a. Untuk parameter dengan P-

didapatkan dari data yang telah

Value 5% disyaratkan t

stationer tersebut tidak dapat

> t tabel.

langsung

digunakan

untuk

b. Untuk galat (residual) yang

melakukan forecast begitu saja,

memenuhi

melainkan

Noise disyaratkan X2hitung ≤

harus

melewati

syarat

White

X2tabel dengan MSE terkecil.

proses berikutnya. 6. 5.

hitung

Penaksiran parameter pada beberapa

Pemeriksaan model ( apakah model sesuai ?) (Step 3)

model sementara Pada pemeriksaan diagnose Setelah melakukan perkiraan model ARIMA (p,d,q) yang dianggap

sesuai,

selanjutnya

langkah

adalah

estimasi

parameter-parameter model. Ada beberapa motode yang dapat

ini model yang diperoleh dari proses

sebelumnya

dilakukan

uji

harus

signifikansi

parameter dan uji kesesuaian model yang meliputi uji white noise dan distribusi normal.

digunakan untuk mengestimasi parameter model ARIMA BoxJenkins ini antara lain :

Uji

signifikansi

model

dilakukan untuk mendapatkan model ARIMA yang terbaik

a. Metode moment b. Metode

least

dalam square

(

conditional least square) c. Metode

maksimum

likelihood

tinjauan

parameter-

parameternya.

Untuk

mendapatkan nilai segnifikansi model ini, dilakukan uji statistic dengan tahapan sebagai berikut :

d. Unconditional least square e. Non linier estimastion Pada prinsipnya seluruh

Hipotesa

: Ho : Ɵ = 0 : H1 : Ɵ ≠ 0

model tersebut bertujuan untuk mendapatkan model yang sesuai dengan

prinsrip


:

t

b. Daerah Penolakan

: Tolah

parsymoni

(durbin, 1960) yang syaratnya sebagai berikut :

a. Statistic Uji

Ho jika |t| > t



dimana np adalah jumlah parameter

Dimana p dan q adalah order dari ARMA (p,q)

Uji kesesuaian model dilakukan

Uji

untuk melihat apakah model telah

menguji

terdistribusi normal dan memenuhi

Uji

noise digunakan untuk melihat apakah

noise.

Suatu

variable

residual

normalitas

Darling

proses

model

telah

dapat

dilakukan

Ryan-joiner,

maupun

Kolmogorov-Smirnov.

dikatakan memenuhi syarat white noise apabila

untuk

melalui metode antara lain Anderson-

variable residual (galat) telah memenuhi white

apakah

dilakukan

berdistribusi normal.

syarat white noise. Uji kecakupan white

syarat

normalitas

7.

(galat)

Akurasi

model

valid

untuk

melakukakan peramalan

merupakan barisan random yang tidak berkorelasi

dengan

suatu

distribusi

tertentu (Jenkins, 1994).

Setelah

model

pembentukan

lulus model,

seluruh

tahapan

maka

langkah

selanjutnya adalah menggunakan model Untuk menguji kecakupan model

dilakukan

valid untuk melakukan peramalan.

tahapan

sebagai berikut:

Penggunaaan

model

untuk

melakukan

forecast disesuaikan dengan bentuk model a. Hipotesa

: H0 : residual

memenuhi syarat white noise

akhir yang mengikuti rumus umum ARIMA (p,d,q) sebagai berikut:

(2.4) H1 : residual tidak memenhi

Rumus Umum ARIMA (p,d,q) :

syarat white noise b. Statistik uji :

Ljung-Box

Statistic

(Box-Pierce

Ø (B)(1-B)dzt = Ɵ (B)at Keterangan :

Modified) Q= Dengan : Q : konstanta Chi Square

p

= Ø (B) = (1- Ø1B-…- ØpBp)

q

= Ɵ (B)at = (1- Ɵ1B- Ɵ2 B2-…- Ɵq

Bq)at

n : jumlah parameter r2 : residual

d

= (1-B)dzt

k : jumlah kejadian c. Daerah penolakan

:

sehingga bila dijabarkan akan menjadi :

Tolak Ho jika Q> X2a:df=K-p-q NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI



Ø1B-…- ØpBp) (1-B)dzt = (1- Ɵ1B- Ɵ2 B2-…Ɵq Bq)at Dengan at N(0,πa) Keterangan : Ø

: koefisien AR(p)

Ɵ

: koefisien MA (q)

B

: nilai backshift operator

at

: residual (galat)

p

: orde dari AR

d

: iterasi differencing

q

: orde dari MA




III.

HASIL DAN KESIMPULAN

(=) (Zt-Ø1

- Ø2

Ø1

= Ɵ0+ at

- Ø2

-

+

Penggunaan model untuk melakukan forecasting (step 4)

(=)

((Zt-

)

) = Ɵ0+

) Setelah melalui tahapan model dan

(

at

memenuhi semua asumsi yang diharapkan maka dapat disimpulkan model dugaan

(=) (Wt-Ø1(Wt-1) – Ø2(Wt-2) =

ARIMA (2,1,0), adalah model yang paling

Ɵ0+ at

sesuai untuk peramalan penjualan makanan pada UD. SAHABAT AGROINDUSTRI

(=) Wt = Ɵ0+ Ø1(Wt-1)

KEDIRI.

+ at Setelah

hasil

diterima

Ø2(Wt-2)

Dengan :

adalah bernilai valid, langkah selanjutnya adalah

menentukan

persamaan

model

berdasarkan rumus umum ARIMA (p,d,q)

Zt = Wt= Zt

(persamaan 2.5) sehingga pada model ARIMA

(2,1,0)

dapat

dituliskan

Wt-1=

persamaannya sebagai berikut : Øp (B)(1-B)d =Ɵ0 + Ɵ q (B)at Wt-2= 2

d

(1-Ø1B-… ØpB )(1-B) Zt = Ɵ0 +(1- Ɵ 1B- Ɵ 2B2- ƟqBq) at

Zt

=

data

penjualan

UD.

SAHABAT 2

(1-Ø1B) (1-B) Zt = Ɵ0 +(1- Ɵ1

AGROINDUSTRI

B) at

KEDIRI selama 25 bulan

(=) (1-Ø1B- Ø2B2- B+Ø2B2Ø2B3) Zt = Ɵ0+ at

terakhir at = residual pada pengamatan ke t

(=) (1-Ø1 Ɵ0+ at

berdasar perhitungan yang diperoleh menggunakan minitab




17 di hasilkan koefisien sebagai

Zt = data penjualan UD. Sahabat

berikut :

Agroindustri

selama 25

bulan terakhir final estimasi of parameters at Type

Coef

SE

Coef

T

P

=

Residual pada pengamatan ke –t

dari persamaan akhir 3.2 dapat AR 1

-0.7346

0,1342

-5,48

0,000

-0,5000

0,1350

-3,70

0,001

Constant 59,90

18,80

AR 2

3,17

diramalkan

penjualan

kripik

pisang byar kelud pada bulan ke 26 sebagai berikut : Z25 = 136 ; Z24 = 95; Z23 =87 ;at =-82,96

0,003

Z26 = 106

sehingga dari persamaan (3.1) model ARIMA (2,1,0) dapat ditulis sebagai berikut : Wt = 59,90 -0,746 (Wt-1) -0,500 (Wt-2)+at Sehingga Zt - Zt-1 = -0,7346 (Zt Zt-1)-0,5000( Zt-2- Zt-3) + at Jadi Zt - Zt-1 = -0,7346t-1+0,7346 Zt-1 -0,5000 Z t-2 +0,5000 Z t-3 + at Sehingga Zt= 0,2654Zt-1

+

0,2346 Zt-2 +0,5000 Z t-3 + at (3.2) Dengan Zt = Dimana NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI



IV.

KESIMPULAN

3.

Al

Fatta,Hanif,

Perancangan Dalam pembuatan aplikasi Sistem Informasi penjualan berbasis e-commerce ini dapat ditarik kesimpulan antara lain :

1. Bahwa rancangan sistem

penjualan

yang

diinginkan

jika

dibandingkan dengan e commerce yang

Organisasi:

Keunggulan

Bersaing

Perusahaan

dan

Organisasi Offset,

2007 )hal. 5-6 4. http://id.wikipedia.org/wiki/Internet Diakses tanggal 11 November 2014. Universitas Nusantara PGRI 5. Purbo, Onno W., 2000, Mengenal E-

lain. 2. Bahwa

sistem

informasi

penjualan

berbasis e commerce sangat mendukung untuk pemanfaatan pasar dengan pangsa

3. Bahwa

konsumen

mengakses

Commerce,

PT

semakin

informasi

Media

Komputindo, Jakarta, hlm. 2. 6. George R. Terry, Ph.D., Office

barang

mudah

Edition, Richard D. Irwin Inc.,

yang

Homewood, Ilinois, 1962, Halaman 21

tersedia dengan pemanfaatan 4. Dengan adanya sistem peramalan

7. Gordon

B.

Davis,

stock model Arima, costumer dan

Information

pemilik usaha dapat memantau stok

Foundation,

yang

Development,

tersedia

pembelian

oleh

untuk

perkiraan

customer

dan

Teknologi

Informasi. 2005. Yogyakarta. Andi. Dave,

Richard

Conceptual

Structure,

and

McGraw-Hill Book

dan

System:

DAFTAR PUSTAKA Sistem

System:

International

8. Bruch

1. Jogiyanto.

Management

Company,

Aucklland dll., 1974, halaman 32

produksi barang oleh penjual.

2. Chaffey,

Elex

Management and Control, Fourth

pasar online.

V.

dan

Sistem

Modern,(Yogyakarta:Andi

berbasis e commerce masih jauh dari kesempurnaan

Untuk

Analisis

Mayer,

Strater,

Theory

Hamilton

Information

and

Publishing

Practice, Company,

Santa Barbara, California, 1974, Halaman 23

Kevin Johnston dan Fiona Ellis-

9. Drs. Bambang Soepeno, MMKOM,

Chadwick, 2000, Internet Marketing:

MM. 2012 Manajemen Produksi

Strategy,

Berbantuan

Komputer.

Practice, Pearson Education Limited,

Tersedia

:

London, England

edukasi.com/category/module-

Implementattion

And

(online).

http://www.pro-

online, diunduh 8 desember 2014. NUNUS PRATANU | 10.1.03.03.0147 TEKNIK – SISTEM INFORMASI





SISTEM INFORMASI PENJUALAN BERBASIS E-COMMERCE DENGAN FITUR PERAMALAN ARIMA BOX-JENKINS PADA UD. SAHABAT AGROINDUSTRI KEDIRI SKRIPSI

Recommend Documents