SISTEM INFORMASI PERAMALAN PENJUALAN DENGAN METODE ARIMA BOX-JENKINS (STUDI KASUS PADA PT. TERA DATA INDONUSA) Masyatin Rais1) 1)
S1/Jurusan Sistem Informasi, STIKOM Surabaya, email:
[email protected]
Abstract : PT. Tera Data Indonusa is a private company engaged in the distribution of laptop brands AXIOO. Managers are required to be able to analyze the environment continues to change and predict various possibilities that will occur in the future due to the rapid development of today's laptop distributor, causing competition among distributors to attract as many customers in the form of providing the best services such as the availability of adequate supplies each month. One that can be done is to learn the value of existing sales in the past to predict sales in the future, so as to know the number of items that must be provided. Keywords: Distribution, Sales Forecast, Periodic Revie System
PT.
Tera
Data
merupakan
Metode yang digunakan dalam proses
perusahaan swasta yang bergerak di bidang
peramalan ini adalah metode Arima Box-
distribusi laptop merk AXIOO untuk wilayah
Jenkins. Kelebihan dari metode ini adalah
Indonesia Timur dan didirikan pada tahun
dapat menerima semua jenis model data, tetapi
1990. Dalam pengambilan keputusan, seorang
dalam prosesnya data harus distasionerkan
manajer
dapat
terlebih dahulu. Langkah awal dalam proses
menganalisa lingkungan yang terus berubah-
peramalan ini adalah pemilahan data penjualan
ubah dan memprediksi berbagai kemungkinan
per periode bulanan dengan menggunakan
di masa yang akan datang. Proses pengambilan
metode klasifikasi ABC. Data yang diseleksi
keputusan tersebut sering mengalami kesulitan
adalah
terutama dalam meramalkan penjualan pada
memberikan
masa yang akan datang, karena belum adanya
perusahaan. Dari produk-produk terseleksi
sistem yang dapat menangani hal ini sehingga
inilah akan dibuat peramalan penjualan dengan
memerlukan banyak waktu untuk mempelajari
menggunakan metode ARIMA Box-Jenkins.
dokumen-dokumen yang ada secara manual.
Setelah hasil peramalan tersebut diketahui,
pemasaran
Indonusa
dituntut
harus
produk-produk
manakah
keuntungan
terbesar
yang bagi
Berdasarkan dari permasalahan di atas
maka dapat ditentukan jumlah barang yang
maka sangat penting untuk merancang dan
harus diproduksi dengan menggunakan metode
membangun suatu sistem peramalan penjualan.
PRS (Periodic Review System).
Sistem ini dimaksudkan untuk mengendalikan jumlah stok barang yang ada, dengan demikian dapat dihindari kekurangan/kehabisan barang. Dengan begitu permintaan konsumen dapat terpenuhi sesuai dengan waktu yang telah dijadwalkan.
1
Landasan Teori
(forecasting) suatu nilai karakteristik tertentu
Penjualan
pada period eke depan, dan melakukan
Penjualan usaha
yang
adalah
semua
diperlukan
kegiatan
agar
terjadi
perpindahan milik dari barang dan jasa.
pengendalian
suatu
proses
atau
untuk
mengenali pola perilaku system. [Hill et. Al, 1996]
Dapat diketahui bahwa penjualan sangat
Model analitis telah menyediakan
penting bagi perusahaan karena berfungsi
suatu metode peramalan yang sederhana yang
untuk menghubungkan antara barang dan
mampu
jasa dari produsen sampai ke konsumen.
kecenderungan data deret waktu. Namun
menggambarkan
pola
dan
model tersebut akan mempunyai tingkat
Persediaan Persediaan
dapat
didefenisikan
kesesuaian yang tinggi apabila perilaku data
sebagai bahan yang disimpan dalam gudang
deret waktu tidak terlalu komplek dan kondisi
untuk kemudian digunakan atau di jual.
awal (asumsi-asumsi) terpenuhi dengan baik.
Persediaan dapat berupa bahan baku untuk
Untuk
keperluan proses barang-barang yang masih
demikian, bias dilakukan pemodelan dengan
dalam pengolahan, dan barang jadi yang
pemulusan eksponensial, trend dengan kuadrat
disimpan untuk penjualan.
sisa
Peramalan
sebagainya. [Makridakis, 1998]
Dalam melakukan analisis ekonomi
kondisi
terkecil,
data
model
deret
waktu
ARIMA
dan
yang
lain
Stasioner
atau analisis kegiatan usaha perusahaan,
Stasioner berarti keadaan data time
haruslah diperkirakan apa yang akan terjadi
series relative tidak terjadi kenaikan ataupun
dalam bidang ekonomi atau dalam usaha pada
penurunan nilai secara tajam. Dengan kata lain
masa yang akan datang. Sebagaimana yang
fluktuasi data berada pada sekitar nilai rata-
dikemukakan oleh Martiningtyas (2004) dalam
rata yang konstan.
bukunya Statistika bahwa “Kegiatan untuk
Kestasioneran Varian
mmemperkirakan apa yang terjadi pada masa yang
akan
datang
disebut
peramalan
Syarat pertama yang harus dipenuhi untuk peramalan ARIMA adalah stasioner
(forecasting)”
dalam varian. Untuk mendeteksi kestasioneran
Time Series
data dalam varian dapat digunakan metode
Pemodelan
data
deret
waktu
merupakan bagian yang cukup penting dalam berbagai bidang riset, diantaranya pada bidang kesehatan,
bisnis/ekonomi,
komunikasi,
metereologi, rekayasa mekanik, pengaturan, dinamika fluida, biologi dan lain sebagainya.
korelasi Spearman. Formulasi yang digunakan adalah sebagai berikut :
(
∑ (
)
)
Model regresi sederhana yang digunakan adalah sebagai berikut :
Masalah pemodelan deret waktu seringkali dikaitkan
dengan
proses
peramalan
2
akan menyebabkan terjadinya penumpukan
Kestasioneran Mean Setelah syarat stasioner dalam varian
barang di gudang. Selain itu proses pencatatan
dipenuhi maka syarat kedua adalah stasioner
hasil
dalam mean. Untuk menguji kestasioneran
manual.
dalam mean dapat digunakan metode Dickey
penjualan
Untuk
masih
dilakukan
menyelesaikan
secara
masalah
Fuller. Regular Dickey Fuller menggunakan
tersebut perlu adanya sebuah aplikasi yang
model regresi sebagai berikut :
dapat meramalkan jumlah angka penjualan di
𝑋𝑡
periode mendatang, yang diharapkan dapat
𝑏𝑜
𝑏 𝑋𝑡
dimana :
digunakan
|
sebagai
salah
satu
aspek
pertimbangan untuk menentukan jumlah angka
Model regresi sederhana yang digunakan
persediaan barang agar menjadi lebih efektif.
adalah sebagai berikut :
Adanya sistem peramalan penjualan dengan menggunakan metode peramalan yang tepat, membuat perusahaan mampu mengoptimalkan
Pengukuran Kesalahan Peramalan
penjualan setiap bulannya.
n
MSE
ei
2
i 1
n
MULAI
DATA PENJUALAN BULANAN
Keterangan: MSE
METODE KLASIFIKASI ABC
= Mean Squared Error atau nilai
DATA PENJUALAN KLASIFIKASI KELAS A
kesalahan kuadrat
IDENTIFIKASI CEK DATA STASIONER DALAM VARIAN MENGGUNAKAN METODE SPEARMAN
ANALISA SISTEM
TRANSFORMASI DATA Apakah Stasioner dalam varian?
Permasalahan yang terdapat pada PT. Tera
Ya
Data
Indonusa
menentukan
adalah
jumlah
bagaimana
barang
yang
cara harus
disediakan perusahaan setiap kali melakukan re-stocking agar tidak terjadi kekurangan atau kelebihan stok. Peramalan penjualan jenis produk sebelum diterapkannya system ini hanya
berdasarkan
data
penjualan
CEK DATA STASIONER DALAM MEAN MENGGUNAKAN DICKEY FULLER DIFFERENCING Apakah Stasioner dalam Mean?
Ya DATA PENJUALAN STASIONER
PROSES AUTOKORELASI DAN PARSIAL AUTOKORELASI
PENAKSIRAN DAN PENGUJIAN
PENGESTIMASIAN PARAMETER MENGGUNAKAN METODE MOMENTUM
satau
PENERAPAN PERAMALAN DENGAN ARIMA
periode sebelumnya. Hal ini menyebabkan perusahaan seringkali mengalami kekurangan
DATA PERAMALAN PENJUALAN
Metode PRS
atau kelebihan stok, sehingga penjualan menjadi tidak optimal. Atau jika terjadi keadaan dimana jumlah angka persediaan barang
di
gudang
jauh
lebih
DATA BARANG JADI YANG HARUS DIPRODUKSI
SELESAI
Gambar 1 Flowchart ARIMA Box-Jenkins
besar
dibandingkan dengan angka penjualan, maka
3
Metode Klasifikasi ABC
Data Flow Diagram Level 0 Sistem
Metode ini digunakan untuk membagi
Peramalan Penjualan
prduk-produk menjadi tiga keelompok besar
DFD level 0 merupakan penjabaran dari
yaitu kelompok A, B, C. Kelompok A adalah
context diagram, dimana terdapat dua proses
kelompok yang memiliki peranan yang besar
yaitu proses maintenance data dan proses
dalam penjualan pada PT. Tera Data Indonusa
seleksi dan peramalan produk. Pada proses
kemudian dilanjutkan dengan kelompok B dan
maintenance data terdiri atas semua data yang
C. Kelompok Klasifikasi A adalah kelompok
berhubungan dengan kain dan penjualan.
yang akan diramalkan dengan menggunakan
Setelah proses maintenance data selesai maka
metode ARIMA Box-Jenkins. Jumlah produk
dilakukan proses kedua yaitu seleksi dan
yang dijual oleh PT. Tera
peramalan. Proses seleksi dan peramalan,
Data Indonusa
adalah sebanyak 42 produk. Dari 42 produk
mengolah
data
ini, dapat dibagi menjadi 3 bagian, yaitu 8
diramalakan.
untuk
produk untuk kelas A (20%), 13 produk untk
diseleksi
dan
1 Data Laptop
kelas B (30%), dan 21 produk untuk kelas C
Data Laptop
Maintenance Data
(50%).
+ Identifikasi
2
Laptop
Data Laptop
Data Penjualan
Dalam proses ini identifikasi meliputi pengujian stasioner data. Apabila data belum
Data Penjualan User
stasioner maka dapat dilakukan transformasi dan differencing. Untuk data yang telah mengalami
proses
stasioner,
1
Penjualan
perhitungan
berikutnya menggunakan data hasil konversi. Langkah berikutnya penentuan model, jika
Data Penjualan
data yang akan diproses tidak mengandung musiman
maka
dapat
digunakan
model
ARIMA (p,d,q), AR(p), MA(q).
2 Seleksi dan Peramalan Produk
Context Diagram Hasil Peramalan Data Laptop
Data Penjualan 3
Peramalan
Hasil Peramalan
+
Data Peramalan
Gambar 3 DFD Level 0
0
Data Flow Diagram Level 1 Maintenance User
Data Penjualan
Sistem Peramalan Penjualan
Data DFD level 1 Maintenance terdapat
+ Gambar 2 Context Diagram
dua proses antara lain maintenance laptop dan maintenance
penjualan.
Untuk
proses
4
maintenance kain menyimpan data kain pada
1 1
database kain. Sedangkan proses maintenance
Penjualan
Data Penjualan
Seleksi
Data Penjualan
penjualan menyimpan data penjualan pada database penjualan. 1 User
Data Laptop
Maintenance Laptop
2
Laptop
Data Laptop 2 Peramalan
Hasil Peramalan
3
Hasil Peramalan
Peramalan
Data Peramalan
User
Gambar 5 DFD Level 1 Seleksi dan Peramalan Produk
Entity Relational Diagram (ERD)
2
Entity relationship diagram adalah Data Laptop Maintenance Penjualan
Data Penjualan
Data Penjualan
1
Penjualan
suatu alat untuk mempresentasikan
model
data yang ada pada sistem dimana terdapat entity dan relationship. Entity merupakan
Gambar 4 DFD Level 1 Maintenance Data
objek yang ada dan terdefinisikan di dalam suatu organisasi, dapat berupa abstrak/nyata,
Data Flow Diagram Level 1 Seleksi dan
misal
Peramalan Produk
kejadian.
DFD level 1 terdapat dua proses antara lain seleksi dan peramalan. Proses
dapat
berupa
orang,
objek/waktu
Conceptual Data Model Untuk
menggambarkan
konsep
seleksi merupakan proses untuk penyelesaian
database yang digunakan dalam aplikasi dapat
produk, data hasil dari seleksi akan disimpan
digambarkan pada conceptual data model
dalam database peramalan yang nantinya
(CDM) seperti pada Gambar 6 di halaman 6,
digunakan untuk proses peramalan.
sehingga dapat diketahui database apa saja yang dipakai dan relasi-relasinya.
5
[Id_Pegawai] = [Id_Pegawai]
[History_Pegawai] [Id_Pegawai] [varchar](10) [TglAkses] [datetime]
Menghasilkan Data Ramal
[float] [float] [float] [float] [float] [float] [float] [float] [int] integer numer datetime [data] = [data]
[nilai] [data] [int]
[TabelT] [int] [float] [float] [float] [float] [float]
[ACF] [varchar](10) [float] [nchar](10) [float] [float]
[v] [T100] [T050] [T025] [T010] [T005]
[No] [NilaiACF] [temp] [sigplus] [sigMin]
[No] = [No]
[PACF] [No] [varchar](10) [NilaiPACF] [float] [Signifikansi] [nchar](10) [sigPlus] [float] [sigMin] [float] [sigplus] char(10)
6
[tableamal] [data] [DataAsli] [DataRamal] [Bulan]
[ID_Customer]
[Penjualan] [Id_Jual] [varchar](10) [Id_Customer] [varchar](10) [Tgl_Penjualan] [datetime] [Total_Penjualan] [int] [ID_Customer] char(10)
[Customer] [ID_Customer] [varchar](10) [Nama] [varchar](50) [Alamat] [varchar](100) [No_telp] [varchar](20) [ID_Customer] = [Kota] [varchar](50)
[Id_Jual] = [Id_Jual]
[No] = [No]
merupakan
[Stationer] [Zxt] [Xt] [DeltaXt] [E] [RankE] [RankXt] [d] [d2]
[varchar](10) [varchar](50) [varchar](50) [varchar](20) [varchar](100) [varchar](20) [varchar](50)
[Pegawai] [Id_Pegawai] [Nama_Pegawai] [Jabatan] [Telepon] [Alamat] [Kota] [Password]
[Id_Barang] = [Id_Barang]
[v_detil] [Id_Detil] [varchar](10) [Id_Jual] [varchar][10] [Id_Barang] [varchar][10] [Jumlah] [int] [subtotal] [int]
representasi fisik dari database sebagaimana
[Id_Jual]
merupakan hasil generate dari Conceptual
[Id_Barang] = [Id_Barang]
Physical Data Model (PDM)
[Id_Barang] = [Id_Barang]
ARIMA Box-Jenkins
[DataMentah] [No] [varchar](10) [NilaiData] [float]
Peramalan Penjualan dengan Metode
[Peramalan] [Id_Ramal] [varchar][10] [Id_Barang] [varchar](10) [Bln_Peramalan] [datetime] [Peramalan] [varchar](50) [Detil_Jual] [Id_Detil_Jual] [varchar](10) [Id_Jual] [varchar](10)[Id_Jual] = [Id_Barang] [varchar](10) [Jumlah] [int] [Subtotal] [int] [subtotal] char(10)
Gambar 6 CDM Sistem Informasi
Gambar 7 PDM Sistem Informasi Peramalan Penjualan dengan Metode ARIMA Box-Jenkins terlihat pada Gambar 7.
Memiliki Nilai Memiliki
(PDM) Model Data Physical
Memiliki
PDM (CDM). Model Data
[Detil_Jual] [Barang]
[Id_Detil_Jual] [Jumlah] [subtotal] [subtotal] Memiliki
[Id_Barang] [Nama_Barang] [Jenis] [Jumlah] [SafetyStock] [Harga]
[No] [NilaiData] Memiliki
[PACF] [NilaiPACF] [Signifikansi] [sigplus] [sigMin] [sigplus] Memiliki
[DataMentah] Memiliki Nilai
[Barang] [Id_Barang] [varchar](10) [Nama_Barang] [varchar](50) [Jenis] [varchar](20) [Jumlah] [int] [SafetyStock] [int] [Harga] [int]
[History_Pegawai] [TglAkses]
[Id_Detil] [Jumlah] [subtotal] [Peramalan] [Id_Ramal] [Bln_Peramalan] [Peramalan]
[ACF] [NilaiACF] [temp] [sigplus] [sigMin] Melakukan Transaksi
[Pegawai] [Id_Pegawai] [Nama_Pegawai] [Jabatan] [Telepon] [Alamat] [Kota] [Password] Memiliki History
[Penjualan] [Id_Jual] [ID_Customer] [Tgl_Penjualan] [Total_Penjualan] [v_detil]
[TabelT] [v] [T100] [T050] [T025] [T010] [T005] [Customer] [ID_Customer] [Nama] [Alamat] [No_telp] [Kota]
[nilai] [data] [tableamal] [DataAsli] [DataRamal] [Bulan] [Stationer] [Zxt] [Xt] [DeltaXt] [E] [RankE] [RankXt] [d] [d2]
Setelah data stasioner, isi jumlah
Form Klasifikasi ABC Form Klasifikasi ABC pada gambar 9
peramalannya
sebelum
menekan
tombol
ini bertujuan untuk melakukan klasifikasi
“selanjutnya” untuk proses ACF dan PACF
terhadap produk yang
serta peramalannya.
akan
diramalkan.
Produk-produk yang akan diramalkan akan secara otomatis tampil pada grid dan grafik dibawah
setelah
memilih
awal
bulan
klasifikasi dan akhir bulan klasifikasi, setelah itu tekan tombol “klasifikasi”.
Gambar 10 Form Cek Stasioner Gambar 9 Form Klasifikasi ABC Form Proses ACF dan PACF Form Cek Stasioner
Form Proses ACF dan PACF pada
Form Cek Stasioner pada gambar 10 ini bertujuan untuk menguji dan melakukan proses penstasioneran data secara mean dan varian. Apabila nilai t pada proses stasioner
gambar 11 dan gambar 12 berisi proses ACF dan PACF dimana proses ini merupaka kelanjutan dari proses cek stasioner pada tahap sebelumnya, contoh di bawah ini
dapat
menjelaskan bahwa nilai ACF melewati batas
dibandingkan dengan nilai t pada tabel. Jika t
signifikan pada nilai pertama dan kedua, dan
< t tabel maka data stasioner dalam varian,
nila PACF memotong batas signifikan pada
dalam
varian
ditemukan,
maka
apabila sebaliknya maka perlu dilakukan tranformasi Pengujian
data
dengan
dilanjutkan
rumus
dengan
ln(xt).
melakukan
baris pertama. Nila perpotongan tersebut dijadikan sebagai nilai untuk mencari nilai MSE.
proses stasioner dalam mean apabila nilai dickey fuller yang diperoleh lebih besar dari tabelnya maka data stasioner dalam mean, apabila sebaliknya maka dilakukan proses differencing.
7
Form Peramalan Form Peramalan pada gambar 13 berisi grafik peramalan yang menunjukkan nilai dan actual dan hasil peramalan menggunakan ARIMA.
Gambar 14 Form Peramalan Form PRS Form PRS pada gambar 15 ini berfungsi untuk menghitung nilai kuantitas Gambar 13 Form Peramalan
Form Laporan Peramalan
permintaan pada bulan yang diramalkan. Dari hasil peramalan diatas, yaitu sebesar 662 buah dimasukkan pada jumlah permintaan. Setelah
Form laporan pada gambar 14 berisi
itu waktu tunggu dan periode review dapat
grafik peramalan dan perbandingan antara data
dimasukan nilainya, setelah selesai baru dapat
actual dan peramalan dari periode awal sampai
diproses dan menghasilkan kesimpulan seperti
akhir. Laporan ini dapat digunakan untuk
gambar dibawah ini.
koreksi data actual dengan data peramalan. Dari gambar 4.12 ini ramalan untuk 1 bulan berikutnya adalah sebesar 662.
Gambar 15 Form PRS
8
Kesimpulan
Saran
Setelah
dilakukan
analisis,
Adapun beberapa saran yang dapat
perancangan sistem dan pembuatan aplikasi
disampaikan untuk mengembangkan aplikasi
Sistem Informasi Peramalan Penjualan pada
yang telah dibuat antara lain:
PT. Tera Data Indonusa ini serta dilakukan
1.
Metode
estimasi
parameter
uang
evaluasi hasil penelitiannya, maka dapat
digunakan pada program ini masih
diambil kesimpulan sebagai berikut:
menggunakan metode momentum, yang
1.
proses pencarian nilai parameternya
Sistem dapat melakukan proses seleksi
masih kurang sempurna dibandingkan
dengan menerapkan metode klasifikasi
dengan metode lain seperti metode
ABC. 2.
likelihood. Untuk itu aplikasi ini dapat
Data penjualan yang ada pada PT. Tera
pula
Data Indonusa dapat diramalkan dengan
3.
2.
Sistem Informasi Peramalan Penjualan untuk penjualan laptop pada PT. Tera Data Indonusa dengan menggunakan metode ARIMA Box-Jenkins dapat memberikan
solusi
kepada
pihak
manajemen untuk meramalkan jumlah penjualan laptop pada periode tertentu dan meramalkannya pada beberapa periode
kedepan
peramalan didalam
yang program
dengan telah
model
dihasilkan
peramalan.
Hasil
peramalan tersebut dapat digunakan sebagai target
acuan
didalam
permintaan
supplier
pemenuhan
barang
pada
dengan
menggunakan metode yang lebih akurat.
metode Time Series, khususnya dengan metode ARIMA Box-Jenkins.
dikembangkan
Peneliti mengakui terdapat sejumlah keterbatasan yang ada dalam penelitian ini.
Untuk
itu
disarankan
kepada
penelitian yang akan datang dapat mengurangi
keterbatasa-keterbatasan
dari penelitian sebelumnya, diantaranya dapat menerapkan metode peramalan Time Series ini untuk data-data diluar data yang ada pada PT. Tera Data Indonusa dan untuk mengetahui tingkat keakuratan
sebuah
peramalan
hendaknya
disertakan
pembanding
untuk metode-metode peramalan yang akan digunakan.
kepada
periode-periode
mendatang. 4.
Sistem dapat menentukan jumlah barang yang harus disediakan pada masa yang akan
datang
dengan
menggunakan
metode PRS.
9
DAFTAR PUSTAKA
Boediono. 2001. Teori dan Aplikasi Statistika dan Probabilitas. Bandung: PT. Remaja Rosda Karya.
Gasperz, V. 2004. Production Planning and Inventory
Control.
Jakarta:
PT.
Gramedia Pustaka Tama.
Gujarati, D. 1988. Basic Econometrics. New York: Mc Graw-Hill.
Koutsoyiannis, A. 1977. Theory of Economics: An
Introduction
Exposition nd
Econometric Methods, 2
of
Edition.
London: Macmilla Pub. Company.
Maridakis, S., Steven, C., Wheelwright, V.E.Mcgee. Aplikasi
1991.
Metode
Peramalan.
dan
Jakarta:
Erlangga.
Suryadi, K., Ramdhani, A. 1998. Sistem Pendukung Keputusan. Bandung: PT. Remaja Rosda Karya.
Swastha, B. 1999. Manajemen Penjualan esidi 3. Yogyakarta: BPEE Yogyakarta.
10