sistem peramalan penjualan cat dengan menggunakan weighted ... · salah satu produknya adalah cat...

EKSPLORA INFORMATIKA 1

L-2

Sistem Peramalan Penjualan Cat

Dengan Menggunakan Weighted Moving Average

Pada Mitra 10 Denpasar

I Made Pirman Duiana1, Ni Luh Ayu Kartika Yuniastari Sarja

2, Erma Sulistyo Rini

3

STMIK STIKOM BALI

Jl.Raya Puputan No.86 Renon, Denpasar Telp. (0361)244445 Fax (0361)264773

e-mail: [email protected], [email protected], [email protected]

Abstrak PT Catur Mitra Sejati Sentosa adalah anak perusahaan dari induk perusahaan PT Catur

Sentosa Adiprana (CSA) yang bergerak sebagai distributor bahan bangunan dengan nama Mitra 10,

salah satu produknya adalah cat (paint). Prediksi penjualan cat sangat berpengaruh pada keputusan

untuk menentukan berapa persediaan cat yang harus ada untuk periode penjualan dimasa yang akan

datang. Kekurangan/kelebihan stok yang terjadi saat ini tentunya akan berdampak negatif pada bisnis.

Untuk itu diperlukan sebuah metode peramalan yang sesuai untuk memprediksi penjualan dimasa yang

akan datang. Weighted Moving Average dipilih karena termasuk dalam jenis metode kuantitatif - time

series, dimana metode ini efektif untuk pola data horizontal (berfluktuasi di sekitaran suatu nilai

konstan), tidak memiliki tren, dan tidak memiliki pola musiman. Kriteria tersebut dirasa tepat untuk pola

data penjualan produk cat (paint). Penelitian ini menghasilkan sebuah sistem yang bisa menerapkan

metode peramalan Weighted Moving Average dengan rata-rata persentase error peramalan sebesar

8.21% pada kategori PAINT. Sistem berbasis web ini dibangun menggunakan bahasa pemrograman

PHP, dengan DBMS MySQL yang telah diuji dengan metode black box testing.

Kata kunci: Mitra 10, Penjualan Cat, Teknik Peramalan, Weighted Moving Average.

Abstract PT Catur Mitra Sejati Sentosa or Mitra 10 is a subsidiary of the parent company PT Catur

Sentosa Adiprana (CSA), Mitra 10 operates as a distributor of building materials, one of its products is

paint. Paint sales forecast is very influential in the decision to determine how much supply of paint that

must exist for the sales period in the future. The stock deficiency or excess have a negative impact for the

business. It required an appropriate forecasting method to predict the product sales in the future. The

Weighted Moving Average method has been chosen because it is the kind of quantitative - time series, the

method is very effective for horizontal data pattern (fluctuate among a constant value), does not have a

trend, and do not have a seasonal pattern. Those variables are appropriate for paint sales data pattern in

Mitra 10 Denpasar. This research has resulted a system that can applying the Weighted Moving Average

method, with 8.21% of average forecasting error for PAINT product. This web based system, was built

with PHP programming language and hugged MySQL as its DBMS. The system has been validated using

Black Box Testing.

Keywords: Mitra 10, Paint Sales, Forcasting Method, Weighted Moving Average.

1. Pendahuluan

PT Catur Mitra Sejati Sentosa adalah anak perusahaan dari induk perusahaan PT Catur Sentosa

Adiprana (CSA) yang bergerak sebagai distributor bahan bangunan yang melahirkan konsep belanja

bahan bangunan pertama di Indonesia dengan nama Mitra10. Mitra 10 memasuki bisnis retail yang

dirasakan penting demi memperkuat jaringan, survive, serta dapat berkembang.

Saat ini Mitra 10 Gatot Subroto Denpasar sudah menerapkan suatu metode peramalan dengan

metode Simple Moving Average (SMA) secara manual berdasarkan data penjualan hasil export sistem,

hasil dari peramalan ini digunakan sebagai suggest order kepada kantor pusat untuk pemesanan barang.

Namun metode ini juga rentan menimbulkan permasalahan over stock dimana pemesatan stok cat

melebihi angka kuantitas penjualan cat aktual dengan margin yang tinggi, sehingga persediaan cat akan

EKSPLORA INFORMATIKA Vol. x, No. x, Bulan 201x L-2

2

mengalami kerusakan karena disimpan terlalu lama apabila melebihi tanggal jatuh tempo penggunaan.

Ataupun sebaliknya terjadi permasalahan insufficient stock dimana pemesanan stok cat kurang dari

kuantitas permintaan penjualan cat, sehingga pelayanan penjualan cat tidak bisa dilaksanakan secara

optimal.

Metode Weighted Moving Average dipilih karena memiliki kelebihan dibandingkan 2 metode

sekelasnya yaitu Simple Moving Average dan Exponential Moving Average. Dengan asumsi bahwa data

historis yang paling terakhir atau terbaru akan memiliki bobot lebih besar dibandingkan dengan data

historis yang lama, karena data yang terakhir atau terbaru merupakan data yang paling relevan untuk

peramalan [1].

Berdasarkan penjelasan diatas, maka tujuan dari penelitian ini adalah untuk merancang dan

membangun Sistem Peramalan Persediaan Cat menggunakan metode Weighted Moving Average,

meramalkan penjualan secara kuantitatif, serta menghitung kesalahan peramalan dengan MAD, MSE,

MAPE dengan menggunakan data penjualan cat Mitra 10 Cabang Gatot Subroto selama 3 tahun, dari

bulan Januari 2014 sampai bulan Desember 2016.

Penelitian yang dilakukan penulis merujuk pada beberapa penelitian terdahulu yang

menggunakan topik serupa. Pada penelitian Ade Abdul Gofur dkk yang telah berhasil merancang dan

membangun sebuah Sistem Peramalan Untuk Pengadaan Material Unit Injection dengan metode

Weighted Moving Average. Sistem yang mereka rancang untuk mengatasi permasalahan sulitnya kontrol

persediaan gudang di sebuah perusahaan manufaktur kabel [1]. Shinta Siti Sundari dkk merancang dan

membangun Sistem Peramalan Persediaan Barang Dengan Weighted Moving Average di sebuah toko

pakaian, boneka dan perlengkapan anak. Sistem yang mereka rancang juga untuk memecahkan

permasalahan sulitnya menemukan metode untuk memperkirakan jumlah barang yang akan dibeli

berdasarkan penjualan sebelumnya [2].

2. Metode Penelitian

2.2. Definisi Teknik Peramalan

Peramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian

atau peristiwa di waktu yang akan datang. Ramalan bisa bersifat kualitatif, artinya tidak berbentuk angka

dan bisa bersifat kuantitatif, artinya berbentuk angka, dinyatakan dalam bilangan [3]. Aktivitas peramalan

merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga

produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu

dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, (data deret

waktu historis). [4]

Teknik Peramalan menyatakan untuk memperoleh ramalan yang akurat, maka diperlukan alat

bantu sehingga mendapatkan informasi ramalan yang benarbenar sahih dan andal. Untuk itu, ada suatu

teknik ramalan yang dikelompokkan pada dua kategori berdasarkan metode/pendekatannya yaitu

Peramalan Kuantitatif, digunakan untuk menerangkan serangkaian kaidah matematis pada serangkaian

data masa lalu untuk meramalkan hasil masa depan. Peramalan Kualitatif, penggunaannya didasarkan

pada pertimbangan individu-individu yang ahli atau berpengalaman untuk meramalkan hasil di masa

depan. [5]

2.3. Metode Weighted Moving Average

Jika dibandingkan dengan metode manual yang sedang berjalan saat ini yaitu Simple Moving

Average, metode Weighted Moving Average dipilih karena lebih responsif dalam memprediksi perubahan

trend dimana metode ini memberikan bobot yang berbeda untuk setiap data historis masa lalu, dengan

asumsi bahwa data historis yang paling terakhir atau terbaru akan memiliki bobot lebih besar

dibandingkan dengan data historis yang lama karena data yang paling terbaru merupakan data yang paling

relevan untuk peramalan [1]. Metode Weighted Moving Average bisa dihitung dengan rumus: [2]

Dengan:

Dt : Data aktual pada periode t

Bobot : Bobot yang diberikan oleh sistem setiap bulan

L-2 Sistem Peramalan Penjualan Cat Dengan Menggunakan Weighted Moving Average Pada Mitra

10 Denpasar (I Made Pirman Duiana)

3

2.4. Menghitung Ketepatan Peramalan

Untuk menghitung kesalahan peramalan digunakan MAD (Mean Absolute Deviation), MSE

(Mean Squared Error), dan MAPE (Mean Absolute Percentage Error) dengan rumus: [2]

Dengan:

At : Nilai Aktual periode t

Ft : Nilai Forecast periode t

n : Banyak Periode

Dengan:



n : Banyak Periode

Dengan:



n : Banyak Periode

3. Hasil dan Analisa

Sebelum mendapatkan hasil perancangan program, tahap anlisis dilakukan agar nantinya dalam

merancang program kesalahan bisa diminimalisir. Analisis adalah tahap penting sebelum memasuki tahap

selanjutnya, apabila pada tahap ini terjadi kesalahan, maka tahap selanjutnya sudah dipastikan akan

terjadi kesalahan juga.

3.1. Analisa Permasalahan

Analisa permasalahan dibuat dengan sebuah bagan untuk identifikasi penyebab suatu masalah

dengan membentuk suatu pola pikir yang lebih terstruktur mengenai komponen sebab akibat yang

berkaitan dengan masalah-masalah yang telah diprioritaskan diatas.

Gambar 1 Struktur Analisa Permasalahan

3.2. Perhitungan Weighted Moving Average

Berikut ini akan dicontohkan untuk meramalkan data penjualan cat Mitra 10 selama 3 tahun dari

bulan Januari 2014 sampai bulan Desember 2016 (untuk kategori PAINT).


4

Tabel 1 Data Penjualan Selama 3 Tahun

No. Periode (t) Actual (At)

1 January 2014 1873

2 February 2014 1395

3 March 2014 1623

4 April 2014 1845

5 May 2014 1730

6 June 2014 2154

7 July 2014 2181

8 August 2014 1631

9 September 2014 1847

10 October 2014 1711

11 November 2014 2163

12 December 2014 2032

13 January 2015 1886

14 February 2015 1855

15 March 2015 2135

16 April 2015 1879

17 May 2015 2005

18 June 2015 2247

19 July 2015 1688

20 August 2015 1854


22 October 2015 1836

23 November 2015 1630

24 December 2015 1777

25 January 2016 1588

26 February 2016 1604

27 March 2016 1761

28 April 2016 1607

29 May 2016 1877

30 June 2016 1798

31 July 2016 1682

32 August 2016 1878


34 October 2016 1670

35 November 2016 1727

36 December 2016 1906

Dari data penjualan pada Tabel 1 diatas, maka kasusnya adalah untuk meramalkan penjualan bulan

Januari 2017. Bobot 5 periode mulai dihitung dari periode bulan Juni 2014 (Data penjualan yang dipakai

adalah dari bulan Januari – Mei 2014). Maka didapat perhitungan sebagai berikut



5

Peramalan untuk bulan Juni 2014.

Peramalan untuk bulan Juli 2014.

Peramalan untuk bulan Agustus 2014.

Peramalan untuk bulan September 2014.

Peramalan untuk bulan Oktober 2014.

Peramalan untuk bulan November 2014.

Peramalan untuk bulan Desember 2014.

Perhitungan diatas dilakukan sampai dengan periode Januari 2017, sehingga didapatkan nilai WMA untuk

masing-masing periode sebagai berikut, dan menghasilkan nilai peramalan penjualan bulan Januari 2017

sebesar 1786,40. Berikut ini adalah tabel hasil perhitungan peramalan menggunakan bobot 5 periode.

Tabel 2 Hasil Perhitungan Peramalan

No. Periode (t) Actual (At) Forecast (Ft) Error MAD MSE MAPE

1 Jan 2014 1873.00

2 Feb 2014 1395.00

3 Mar 2014 1623.00

4 Apr 2014 1845.00

5 May 2014 1730.00

6 Jun 2014 2154.00 1704.13 449.87 449.87 202380.02 20.89

7 Jul 2014 2181.00 1857.73 323.27 323.27 104501.34 14.82

8 Aug 2014 1631.00 2001.60 -370.60 370.60 137344.36 22.72

9 Sep 2014 1847.00 1909.73 -62.73 62.73 3935.47 3.40

10 Oct 2014 1711.00 1889.33 -178.33 178.33 31802.78 10.42

11 Nov 2014 2163.00 1823.47 339.53 339.53 115282.88 15.70

12 Dec 2014 2032.00 1909.53 122.47 122.47 14998.08 6.03

13 Jan 2015 1886.00 1951.33 -65.33 65.33 4268.44 3.46

14 Feb 2015 1855.00 1954.40 -99.40 99.40 9880.36 5.36

15 Mar 2015 2135.00 1930.13 204.87 204.87 41970.35 9.60


6

16 Apr 2015 1879.00 1998.67 -119.67 119.67 14320.11 6.37

17 May 2015 2005.00 1953.60 51.40 51.40 2641.96 2.56

18 Jun 2015 2247.00 1969.47 277.53 277.53 77024.75 12.35

19 Jul 2015 1688.00 2067.80 -379.80 379.80 144248.04 22.50

20 Aug 2015 1854.00 1955.73 -101.73 101.73 10349.67 5.49

21 Sep 2015 1672.00 1910.13 -238.13 238.13 56707.48 14.24

22 Oct 2015 1836.00 1822.60 13.40 13.40 179.56 0.73

23 Nov 2015 1630.00 1803.53 -173.53 173.53 30113.82 10.65

24 Dec 2015 1777.00 1727.07 49.93 49.93 2493.34 2.81

25 Jan 2016 1588.00 1740.73 -152.73 152.73 23327.47 9.62

26 Feb 2016 1604.00 1685.47 -81.47 81.47 6636.82 5.08

27 Mar 2016 1761.00 1653.27 107.73 107.73 11606.47 6.12

28 Apr 2016 1607.00 1677.93 -70.93 70.93 5031.54 4.41

29 May 2016 1877.00 1656.27 220.73 220.73 48723.20 11.76

30 Jun 2016 1798.00 1726.13 71.87 71.87 5164.82 4.00

31 Jul 2016 1682.00 1763.00 -81.00 81.00 6561.00 4.82

32 Aug 2016 1878.00 1747.20 130.80 130.80 17108.64 6.96

33 Sep 2016 1735.00 1791.53 -56.53 56.53 3196.02 3.26

34 Oct 2016 1670.00 1780.40 -110.40 110.40 12188.16 6.61

35 Nov 2016 1727.00 1739.07 -12.07 12.07 145.60 0.70

36 Dec 2016 1906.00 1730.53 175.47 175.47 30788.55 9.21

37 Jan 2017 0.00 1786.40 -1786.40 1786.40 3191224.96 0.00

SUM -1601.93 6679.67 4366146.08 262.63

AVG -50.06 208.74 136442.06 8.21

Gambar 2 Grafik Hasil Peramalan Pada Data Aktual

Dari hasil perhtungan pada Tabel 2 diatas didapat bahwa nilai error MAPE yang dihasilkan

adalah 8.21%, nilai ini masih dalam batas normal kesalahan peramalan yaitu kurang dari 10%. Hal ini

menunjukan bahwa metode Weighted Moving Average cukup efektik digunakan untuk meramalkan

penjualan cat pada Mitra 10 cabang Gatot Subroto, Denpasar.

Namun demikian, metode Weighted Moving Average kurang efektif diterapkan untuk data

dengan pola musiman/tren. Suatu tren penjualan bisa dipengaruhi oleh beberapa faktor, misalnya hari

besar keagamaan, peringatan akhir tahun, moneter, inflasi, dan lain-lain. Dengan menerapkan perhitungan

Weighted Moving Average pada contoh data musiman/tren menggunakan bobot 5 periode dengan rentang

bulan yang sama dengan data aktual yaitu dari Januari 2014 sampai Desember 2016, maka akan



7

didapatkan nilai error sebesar 36.11%. Nilai error tersebut hampir 4 kali lebih besar daripada hasil error

pada perhitungan data aktual yang menunjukan bahwa metode ini kurang efektik digunakan untuk pola

data penjualan musiman/tren seperti pada grafik yang ditampilkan pada Gambar 3 berikut ini.

Gambar 3 Grafik Hasil Peramalan Pada Contoh Data Musiman/tren

3.3. Pengembangan Metode

Dari hasil penerapan perhitungan metode Weighted Moving Average pada contoh pola data musiman/tren,

maka untuk pengembangan selanjutnya bisa dilakukan penelitian lebih lanjut untuk mencari metode

peramalan yang tepat untuk jenis pola data tersebut.

3.4. Entity Relationship Diagram (ERD)

Berikut ini adalah diagram ERD yang menggambarkan keseluruhan struktur database sistem

peramalan yang dibuat. ERD terdiri dari 11 entitas dengan atribut masing-masing. Entitas sys_user adalah

entitas untuk data user dan berelasi one-to-many ke entitas sys_user_obj, entitas sys_menu untuk data

menu navigasi berelasi one-to-many ke entitas sys_user_obj. Entitas mod_itm_cat untuk data kategori

barang berelasi one-to-many ke entitas mod_itm_list untuk data barang, entitas mod_itm_uom untuk data

unit berelasi one-to-many ke entitas mod_itm_list. Entitas mod_itm_list berelasi one-to-many ke entitas

mod_trn_itm untuk data transaksi.

Gambar 4 Diagram ERD


8

3.5. Diagram Konteks

Diagram konteks sistem peramalan ini mempunyai 3 entitas luar yaitu admin, cashier, dan

supervisor. Dimana masing-masing diantaranya mempunyai jumlah aliran data yang berbeda. Admin

mempunyai jumlah aliran data paling banyak diikuti supervisor, dan cashier. Pemilihan perancangan

dengan DFD daripada UML dimaksudkan karena sistem yang dirangcang lebih menekankan pada fungsi

dan aliran data daripada objek/data yang diolah.

Gambar 5 Diagram Konteks

3.6. Hasil Uji Coba Pada Sistem

Pada saat sistem dibuka pertama kali, pengguna akan dihadapkan pada halaman login. Pengguna

harus memasukan username dan password yang sudah terdaftar sebelumnya pada sistem. Pada penelitian

ini dibuat 3 user dengan masing-masing level yaitu user “admin” sebagai Administrator, user “arthana”

sebagai supervisor, dan user “supriati” sebagai cashier. Halaman login ditampilkan seperti gambar

berikut ini.

Gambar 6 Halaman Login

Setelah login, sistem akan menampilkan halaman utama sesuai dengan user level yang telah

login. Halaman utama level Administrator adalah Dashboard, halaman utama level Supervisor adalah

Proses Peramalan, dan halaman utama level Cashier adalah Input Penjualan. Disini dicontohkan login



9

dengan user admin dengan level Administrator, maka halaman utama sistem adalah Dashboard. Berikut

ini adalah contoh tampilan halaman dashboard.

Gambar 7 Halaman Dashboard

Gambar 8 Halaman Dashboard (Statistik Penjualan)

Sebelum sistem bisa dioperasikan untuk proses input transaksi dan peramalan, data barang

beserta kategorinya harus dimasukan dalam sistem, sistem dilengkapi fungsi import data barang dari file

*.csv. Berikut ini adalah gambar proses ketika fungsi import sedang berjalan.

Gambar 9 Proses Import Data Barang Dari File *.csv

Sistem juga menyediakan fungsi untuk import transaksi penjualan dari file *.csv, fungsi ini

dibuat untuk mempersingkat waktu input transaksi jika dilakukan dari form Input Penjualan. Berikut


10

adalah tampilan halaman Input Penjualan, dimana pengguna bisa memasukan data penjualan dengan cara

di-input per tanggal, atau menggunakan fasilitas import.

Gambar 10 Halaman Import/Input Penjualan

Pengujian proses peramalan pada sistem dilakukan dengan menggunakan data selama 3 tahun

dari Januari 2014 sampai Desember 2016, dan bobot 5 periode, seperti data pada tabel 3.1. Berikut ini

adalah halaman peramalan yang menampilkan 3 kategori peramalan yang bisa dipilih seperti “Semua

Kategori Cat” berarti peramalan akan dilakukan menggunakan seluruh data penjualan cat, “Per Kategori

Cat” berarti peramalan akan dilakukan menggunakan penjualan per kategori, “Top Sales Item” berarti

peramalan menggunakan penjualan item-item paling laku selama 1 bulan terakhir.

Gambar 11 Kategori Peramalan

Pengguna juga bisa menentukan periode awal peramalan dan bobot peramalan, namun secara otomatis

sistem akan menentukan bobot peramalan selama 5 periode, bobot otomatis ini sesuai dengan standar

pembobotan peramalan Mitra 10 cabang Gatot Subroto. Berikut ini adalah tampilan panel pemilihan

parameter peramalan.

Gambar 12 Parameter Peramalan



11

Berikut ini adalah tampilan tabel hasil perhitungan yang telah diproses pada sistem. Gambar dibawah ini

menunjukan bahwa angka hasil peramalan sama dengan angka hasil perhitungan manual.

Gambar 13 Hasil Perhitungan Pada Sistem

Gambar 14 Grafik Hasil Peramalan Sistem


12

4. Kesimpulan

Dari hasil penelitian dengan judul Sistem Peramalan Penjualan Cat Dengan Menggunakan

Weighted Moving Average Pada Mitra 10 Denpasar, maka dapat ditarik kesimpulan sebagai berikut:

a. Penelitian ini berhasil membangun sebuah Sistem Peramalan Penjualan Cat Dengan

Menggunakan Weighted Moving Average Pada Mitra 10 Denpasar dengan bahasa pemrograman

PHP dan AJAX, dan DBMS MySQL.

b. Sistem dapat membantu menghitung penyimpangan (error) hasil peramalan dengan MAD, MSE,

MAPE.

c. Telah dilakukan uji coba sistem menggunakan metode Black Box Testing untuk semua modul

dengan keterangan “Berhasil (lulus uji)”.

d. Metode Weighted Moving Average kurang efektif digunakan untuk pola data musiman dan tren.

Sehingga diperlukan penelitian lebih lanjut untuk menangani kasus tersebut.

Referensi

[1] Ade Abdul Gofur, Utami Dewi Widianti. Sistem Peramalan Untuk Pengadaan Material Unit

Injection di PT.XYZ. KOMPUTA. 2013; Vol.2 No.2: Hal.2.

[2] Shinta Siti Sundari. Sistem Peramalan Persediaan Barang Dengan Weighted Moving Average di

Toko The Kids 24. Konferensi Nasional & Informatika. 2015; Hal.2.

[3] Supranto. Metode Peramalan Kuantitatif Untuk Perencanaan. Jakarta: Gramedia. 1981.

[4] Gasperzs. Production Planning and Inventory Control. Jakarta: PT Gramedia Pustaka Utama.

2004.

[5] Purwanto. Metodologi Penelitian Kuantitatif. Yogyakarta: Pustaka Belajar. 2007.

sistem peramalan penjualan cat dengan menggunakan weighted ... · salah satu produknya adalah cat...

Documents