analisa data penjualan menggunakan metode regresi linier untuk

ANALISA DATA PENJUALAN MENGGUNAKAN METODE
REGRESI LINIER UNTUK PREDIKSI PERSEDIAAN BARANG
PADA TB.KAWANKITA
Maulina Fitria Saputri1, Slamet Sudaryanto2
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Jl.Nakula I No.5-11, Semarang, Jawa Tengah, 50131, Indonesia
E-mail: [email protected], [email protected]
1,2
Abstract
Sales data obtained each day experienced ups and downs , not the stability of sales data with inventory data
can lead to the value of goods decreased . Processing of data mining function predicts a linear regression
method implemented in the prediction system , is expected to help the owners TB.Kawankita in predicting
inventory in the next quarter . In this system using PhP integrated with MySql database . Based on the data
obtained , the system can generate graphs to predict subsequent inventory by performing calculations using
linear regression method . It can be concluded that the system can help the owner of the shop in predicting
inventory to reduce their value to the goods .
Keywords : sales data , inventory , forecasting, linear regression
I. PENDAHULUAN
Perkembangan ekonomi yang sedang berkembang
cukup pesat membuat banyak perusahaan semakin
banyak dan berkembang, sehingga persaingan
antara perusahaan semakin bertambah. Perusahaan
yang sedang berkembang salah satunya adalah
perusahaan yang bergerak pada material bangunan.
Material bangunan yang selalu menjadi bahan baku
atau yang selalu dibeli oleh konsumen adalah
semen[1].
Prediksi memiliki arti sama dengan ramalan atau
perkiraan, prediksi bisa terjadi berdasarkan metode
ilmiah atau subjektif belaka. Contoh dari prediksi
berdasarkan metode adalah memprediksi cuaca
berdasarkan data dan informasi terbaru berdasarkan
pengamatan satelit. Prediksi berdasarkan metode
juga dapat diterapkan pada persediaan barang,
metode yang dapat digunakan adalah metode
regresi linear[2].
Regresi linear menurut Herjanto adalah regresi
linear ini meninjau hubungan antara data masa lalu
(variabel tak bebas) dengan satu variabel bebas.
Dari perhitungan regresi linear ini dapat
diprakirakan pola trend kebutuhan untuk masa yang
akan datang. Regresi linier dibagi menjadi 2 yaitu
regresi linier sederhana dan regresi linier berganda.
Regresi linier sederhana hanya memerlukan 1 buah
variabel sedangkan regresi linier berganda
menggunakan variabel lebih dari 1. Prediksi yang
dilakukan dengan menggunakan data penjualan
dapat menggunakan regresi linier sederhana untuk
memprediksi persediaan barang untuk triwulan
selanjutnya [3].
Persediaan barang adalah permasalahan yang sering
dihadapi oleh perusahaan. Persediaan barang dapat
memberikan pengaruh positif dan negative, seperti
jumlah persediaan yang tidak memenuhi keinginan
konsumen, itu bisa membuat konsumen kecewa dan
dapat berpindah ke pedagang lain. Namun jika
persediaan terlalu banyak itu akan membuat
penyusutan nilai guna barang. Untuk mengatur
persediaan barang agar barang tidak menyusut nilai
guna barang, dibutuhkan suatu perkiraan atau
prediksi persedian barang dalam kurun waktu
tertentu. Prediksi persediaan barang dapat diolah
dengan data mining menggunakan metode regresi
linear sederhana[4].
Kawankita adalah toko besi yang menjual material
– material untuk pembuatan rumah secara partai
(grosir) maupun pembelian material secara ecer
(retail). Persediaan barang adalah salah satu
permasalahan operasional yang sering dihadapi oleh
pedagang retail.
II. DATA MINING
Data mining adalah analisis otomatis dari data yang
berjumlah besar atau kompleks dengan tujuan untuk
menemukan pola atau kecenderungan yang penting
yang biasanya tidak disadari keberadaannya.
Data mining atau biasa disebut dengan knowledge
discovvery in database (KDD), adalah kegiatan
yang meliputi pengumpulan, pemakaian data
historis untuk menemukan keteraturan, pola atau
hubungan dalam set data berukuran besar. Keluaran
dari data mining bisa dipakai untuk memperbaiki
pengambilan keputusan dimasa depan[8].
III. REGRESI LINIER SEDERHANA
Metode regresi linier tersusun atas dasar pola
hubungan data yang
relevan dimasa lalu. Pada
umunya variabel yang diprediksi seperti persediaan
barang , dinyatakan sebagai variabel yang dicari
variabel ini dipengaruhi besarnya oleh variabel
bebas. Hubungan yang terjadi antara variabel bebas
dengan variabel yang dicari merupakan fungsi. Ada
dua macam analisa hubungan dalam penyusunan
prediksi yaitu[5]:
Analisa deret waktu
Analisa sebab akibat
Langkah yang terpenting dilakukan dalam memilih
metode deret waktu adalah mempertimbangkan
jenis pola yang terdapat pada data observasi,
sehingga data dapat di lakukan test. Pola analisa
regresi mengasumsikan bahwa hubungan antara 2
variabel dapat dinyatakan dengan garis lurus.
Menurut Sofyan Assauri pola garis lurus dapat
dinyatakan dengan rumus
Y=a+bX
Untuk mendapatkan nilai a dan b maka dapat di
dapatkan dengan rumus :
a=
b=
Y’ : Nilai yang diramalkan
a : Konstanta (Intercept)
b : Koefisien regresi (Slope)
X : Variabel yang mempengaruhi(waktu : Tahun, Bulan,
Hari)
n : Jumlah data
Syarat – Syarat Regresi Linier
1. Datanya interval atau rasio
2. Data berdistribusi normal
3. Untuk memprediksi diperlukan persamaan
regresi linear, yang berarti bahwa terdapat korelasi
atau hubungan garis lurus antara variabel X dan Y,
sehingga dapat diketahui bentuk hubungan:
x naik  Y naik / x turun  Y turun
x naik  Y turun/ x turun  Y naik
IV. METODE PENELITIAN
Metode system development life atau SDLC adalah
proses yang digunakan oleh analis sitem utuk
mengembangkan sistem informasi, termasuk
persyaratan, validasi kepemilikan, pelatihan, dan
pengguna. SDCL memiliki beberapa model atau
metodologi seperti “air terjun”, “spiral”, “agile”,
“prototype”, “incremental”.
Model waterfall adalah paradigma rekayasa
perangkat lunak yang paling luas dipakai dan paling
tua. Model waterfall disebut juga classic life cycle.
Metode waterfall melakukan pendekatan secara
sistematis dan urut mulai dari analisa kebutuhan,
desain system, penulisan kode program, pengujian
program, penerapan program dan pemeliharaan.
Karena model ini adalah waterfall maka dilakukan
dari tahap demi tahap, seperti tahap desain system
dapat dikerjakan jika tahap analisa kebutuhan telah
selesai dilakukan.
b. Activiti Diagram
Gambar 3: Activiti Diagram
Gambar 1 : SDLC Waterfall
V. HASIL DAN PEMBAHASAN
Hasil penelitian direpresentasikan dalam tahaptahap sebagai berikut
1. Tahap Analisa
Data yang diperoleh adalah data penjualan 3
bulan terakhir yaitu pada bulan Juli 2015
sampai dengan bulan September 2015. Dari
data penjualan terdapat variabel “No”,
“No.Transaksi”, “Tanggal”, “Nama Barang”,
“Harga”, “Satuan”, “Total”. Karena analisa
ini hanya dilakukan untuk material semen
maka yang di butuhkan hanya variabel “Id”,
“No Transaksi”, “Tanggal”, “Id Jenis”
,”Nama Barang”, “Harga”, “Satuan”, “Total”,
“Id Periode”, “Id Jenis”.
2. Tahap Desain
a.Usecase Diagram
Gambar 2: Usecase Diagram
3. Implementasi
a. Halaman Awal
Halaman ini adalah halaman awal sistem saat
dioperasikan, terdapat tombol hitung,dat dan
grafik.
Gambar 4: Halaman Awal
b. Halaman Hitung
Dalam menu awal terdapat tombol pilih kode
barang, pada sistem ini hanya terdapat 1 kode
barang yaitu smn, klik lanjut untuk melanjutkan
proses prediksi
Gambar 5: Halaman Hitung
c. Halaman Perhitungan
Halaman ini akan menunjukan data yang telah
terpilih untuk diproses selanjutnya, klik konversi
untuk
melakukan
perhitungan.
Gambar 8: Halaman Konvrensi
e. Halaman Grafik
Halaman ini akan memunculkan hasil
prediksi berupa grafik
Gambar 9: Halaman Grafik
Gambar 6: Data Perhitungan
d. Halaman Konvrensi
Dalam halaman ini akan memperlihatkan
perhitungan mulai dari penjumlahan data dan
implementasi kedalam rumus regresi linier
sederhana.
Gambar 7: Halaman Konvrensi
f. Halaman Data
Halaman ini akan menampilkan semua data sesuai
data yang ada.
Gambar 10: Halaman Data
4. Pengujian
Metode pengujian yang di gunakan adalah
pengujian blackbox. pengujian blackbox dimana
pengujian ini dilakukan untuk memastikan
tanggapan/respons atas suatu event atau masukan
akan menjalankan proses yang tepat dan
menghasilkan keluaran/output sesuai dengan
rancangan yang telah dibuat. Uji ini dilakukan pada
menu utama dengan hasil sebagai berikut:
REFERENSI
[1] Inti Sariani Jianta DJie, “Analisa Peramalan
Penjualan Dan Penggunaan Metode Linear
Programming
Dan
Decision
Tree
Guna
Input /
Tabel 1: Pengujian
Output
Hasil
Lanjut
Menampilkan data yang telah
Sesuai /
Konversi
Menampilkan perhitungan
Sesuai /
[2] Ririanti (0911654), “Implementasi Algoritma
Grafik
Menampilkan hasil
Sesuai /
Sepeda Motor (Studi Kasus PT.Pilar Deli
Menampilkan data seluruh
Sesuai /
Event
Data
terpilih
regrsi linier
perhitungan dengan grafik
database
OK
OK
OK
OK
VI. KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian dan pengujian dalam
metode data mining prediksi menggunakan regresi
linier sederhana, pada akhir laporan penulis dapat
memberikan kesimpulan adalah system prediksi
persediaan barang telah diberhasil dibuat berbasis
website dengan Bahasa pemrograman PHP-MySQL
dan metode regresi linier diimplementasikan untuk
proses prediksi persediaan untuk triwulan
selanjutnya menggunakan data penjualan. Hasil dari
implementasi system dapat digunakan untuk
membantu memprediksi persediaan barang untuk
triwulan selanjutnya .
Berdasarkan kesimpulan dan analisis laporan , saran
dari peneliti untuk penelitian lebih lanjut yaitu :
1. System ini dapat dikembangkan untuk
seluruh lingkup nama barang tidak hanya
semen.
2. System ini dapat dimodifikasi menggunakan
android untuk lebih praktis dalam
melakukan prediksi.
Mengoptimalkan
Keuntungan
Pada
PT
Primajaya Pantes Garment” Jurnal The Winners,
Volume: 14 No: 2, September 2013.
FP-Growth Pada Aplikasi Prediksi Persediaan
Labumas)” Pelita Informatika Budi Darma,
Volume
Pelita
Informatika
Budi
Volume : VI, Nomor:1, Maret 2014
Darma,
[3] Iriansyah BM, Sangadji, “Komparasi Model
Regresi Untuk Prakiraan Beban Listrik Jangka
Pendek
Menggunakan
Pembangkit
Data
Koefisien
Random,
”Jurnal
Volume: 5 Nomor: 1,Januari-Mei 2012.
[4] Siti Maskuroh,
dengan
Aturan
Dan
Petir,
“Analisa Keranjang Belanja
Asosiasi
menggunakan
Algoritma Apriori untuk Stok Barang pada
Listrikmart, ” Universitas Dian Nuswantoro,
Semarang 2015
[5] Rival Zunaidhi, Wahyu S.J. Saputra dan Ni
Ketut Sari,” Aplikasi Peramalan Penjualan
Menggunakan Metode Regresi Linier,” UPN
”Veteran” Jawa Timur, Volume: VII, Nomor : 3
[6] Ni Luh Nym Mirah Wedasari, “Perancangan
Prediksi Persediaan Barang Pada Andis Griya
Kebaya” STMIK STIKOM Bali, Oktober 2015
[7] Tanti
Octavia,
Yulia,
Lydia,
“Peramalan
StokBarang Untuk Membantu Pengambilan
Keputusan
Pembelian
Barang
Pada
Toko
Bangunan XYZ Dengan Metode Arima,” UPN
“Veteran” Yogyakarta, Mei 2013
[8] Kusrini & Emha Taufiq Luthfi, “Algoritma Data
Mining” Andy Yogyakarta, 2009