31 Gambar 3.1 menunjukkan pola data yang terjadi pada data penjualan seragam
sekolah dasar pada sebuah usaha konveksi seragam dari bulan Januari 2010 sampai dengan bulan Desember 2013. Pada grafik, garis berwarna biru menunjukkan
penjualan seragam sekolah dasar ukuran S. Garis berwarna merah menunjuk kepada penjualan seragam sekolah dasar ukuran M, dan garis berwarna hijau menunjukkan
penjualan seragam ukuran L. Dapat dilihat bahwa data dipengaruhi oleh perilaku musiman dengan pola kenaikan dan penurunan yang berulang setiap tahunnya.
Lonjakan kenaikan paling tinggi terjadi pada bulan Juli setiap tahun, dimana bulan Juli merupakan musim tahun ajaran baru dimulai, sehingga kebutuhan akan seragam
sekolah akan meningkat tajam. Dari hal tersebut dapat disimpulkan bahwa penjualan seragam sekolah dasar dipengaruhi oleh faktor musiman.
3.3 Analisis Sistem
Proses prediksi permintaan barang musiman menggunakan metode Holt-Winters ini dapat dilakukan apabila terdapat sekumpulan data time series tertentu selama beberapa
periode, konstanta-konstanta prediksi dan panjang musiman untuk menghasilkan suatu nilai prediksi untuk periode berikutnya.
Sistem prediksi permintaan barang musiman menggunakan metode Holt- Winters ini merupakan suatu sistem yang akan memberikan hasil prediksi jumlah
permintaan barang berdasarkan data runtun waktu di masa lalu. Sistem akan menerima masukan berupa data penjualan barang musiman perbulan. Kemudian data tersebut
dihitung dengan metode Holt-Winters untuk mendapatkan hasil prediksi. Adapun gambaran algoritma metode Holt-Winters dapat dilihat pada Gambar 3.2.
Universitas Sumatera Utara
32
Mulai Input data
penjualan seragam sekolah
Menset nilai bobot α,β, dan γ
Penghitungan data stationer
.
Menghitung kesalahan prediksi MAPE
Selesai Proses prediksi periode berikutnya
Penghitungan data trend
. Penghitungan data
musiman .
Nilai hasil prediksi
Kombinasi nilai α,β, dan γ
menghasilkan nilai terkecil?
F
Output nilai prediksi untuk bulan-bulan
berikutnya Inisialisasi nilai stationer,
trend , dan musiman
pertama. Data = 24 periode
2 tahun ?
F T
Penentuan panjang periode p
peramalan
Gambar 3.2 Algoritma Holt-Winters Pada Sistem
Adapun cara kerja sistem prediksi permintaan barang musiman yang akan dibangun, dirancang untuk beroperasi sebagai berikut:
1. Input data penjualan seragam sekolah dasar yang akan diprediksi. Data dipilih
berdasarkan ukuran yang dikelompokkan dalam bulan.
Universitas Sumatera Utara
33 2.
Sistem akan memastikan data yang akan diprediksi lebih besar atau sama dengan 24 periode atau data untuk dua tahun penjualan. Jika data yang
dimasukkan tidak memenuhi syarat, maka sistem akan kembali ke langkah 1.
3. Dengan menggunakan data penjualan yang sudah dipilih, inisialisasi nilai
stationer S
L
, trend T
L
dan musiman I
L
awal.
4. Nilai stationer awal S
L
dapat ditentukan dengan dua cara yaitu, dengan menyamakan dengan nilai aktualnya atau dengan mencari rata-rata dari
beberapa nilai pada periode musim yang sama dengan menggunakan persamaan 2.15
5. Nilai trend awal T
L
dicari dengan menggunakan persamaan 2.16.
6. Untuk nilai inisial musim I
L
, pada satu periode musim pertama dilakukan dengan membagi setiap data pengamatan X dengan rata-rata pengamatan
pada periode musim tersebut menggunakan persamaan 2.17
7. Menentukan nilai alpha α, beta , dan gamma dimana masing-masing
range berada antara 0 – 1.
8. Menghitung nilai stationer untuk t periode berikutnya dengan rumus pada
persamaan 2.11.
9. Setelah mendapatkan nilai stationer S
t
, maka hitung nilai trend untuk t periode yang sama dengan rumus pada persamaan 2.12.
10. Menghitung nilai musiman untuk masing I pada t periode yang sama dengan
rumus pada persamaan 2.13.
11. Setelah mendapatkan nilai dari ketiga persamaan tersebut, hitung nilai prediksi
untuk t periode yang sama dengan menggunakan persamaan 2.14. Dengan menset nilai m = 1, yakni 1 periode kedepan.
Universitas Sumatera Utara
34
12. Ulangi langkah 8, 9, 10, dan 11 hingga diperoleh nilai untuk stationer,
trend, musiman dan prediksi keseluruhan periode yaitu untuk hingga t periode terakhir.
13. Menghitung nilai kesalahan prediksi dengan MAPE, dan MAE menggunakan
persamaan 2.1 dan 2.3.
14. Sistem akan menyimpan nilai dari hasil kesalahan prediksi kemudian
mengulangi proses kembali ke langkah 7 untuk mencari nilai kombinasi
alpha α, beta , dan gamma
lainnya, kemudian membandingkan nilai hasil kesalahan prediksinya hingga mendapatkan nilai kesalahan yang terkecil.
15. Setelah mendapatkan nilai kombinasi alpha α, beta , dan gamma yang
menghasilkan nilai kesalahan terkecil, tentukan panjang periode prediksi p. Dengan kembali menggunakan persamaan 2.11, set nilai m = 1, untuk
mencari nilai prediksi 1 periode berikut atau 1 bulan berikutnya. Misalkan untuk 1 tahun kedepan atau sama dengan 12 periode kedepan maka set nilai m
dengan m = 1, m = 2 , dan m = 3 dan seterusnya hingga m = 12. Gunakan nilai stationer, trend dan musiman terakhir untuk melakukan prediksi ini.
16. Tampilkan nilai-nilai prediksi untuk periode yang dicari.
3.4 Perancangan Sistem