Fase Intelegensi Fase Desain Fase Pemilihan

15

BAB III ANALISA DAN PERANCANGAN SISTEM

3.1 Fase Intelegensi

Toserba Ainun mart selalu membuang data record penjualan, disisi lain data tersebut sangat berguna untuk dikaji dan digunakan untuk mengendalikan stok yang ada didalam gudang. Untuk itu, dibutuhkan sebuah sistem yang dapat mengolah data penjualan tersebut menjadi data yang bernilai untuk pemilik toko. Sistem yang dibuat memiliki kemampuan untuk mendukung pengambilan keputusan pengadaan stok barang di toserba Ainun mart. Data yang dibutuhkan adalah jumlah transaksi penjualan selama 2 tahun sebelumnya yang digolongkan sesuai nama barang dan digolongkan sesuai bulan transaksi dilakukan. Selanjutnya, data yang telah masukkan akan diolah. Output yang dikeluarkan berupa hasil pengambilan keputusan pengadaan stok.

3.2 Fase Desain

Salah satu metode untuk sistem pendukung pengambilan keputusan pengadan stok barang adalah metode peramalan. Metode peramalan jika dilihat dari sifatnya dibagi menjadi 2 yaitu peralaman secara kualitatif dan kuantitatif. Dalam hal ini, peramalan stok barang termasuk dalam metode kuantitatif karena baik input dan outputnya berupa angka. Pola data penjualan toserba biasanya berupa trend, siklus, musiman dan acak sehingga peramalan penjualan termasuk dalam metode deret berkala. Dalam metode deret berkala, dapat dipecah lagi kedalam beberapa metode lagi, yaitu : Metode moving average, metode weighted moving average, metode exponential smoothing, metode trend, dan metode seasonal trend.

3.3 Fase Pemilihan

Data penjualan dari 10 sample barang pada toserba Ainun mart selama tahun 2014 dan 2015 menunjukkan bahwa pola penjualannya acak. Pola penjualan yang acak dapat diramalkan dengan menggunakan metode PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 16 moving average. Sehingga dalam penelitian ini, digunakan metode simple moving average untuk meramalkan pengadaan stok. Metode simple moving average yang digunakan dalam penelitian ini menggunakan n = 3. Penggunaan n yang kecil untuk meningkatkan keakuratan karena berhubungan dengan faktor-faktor kejadian terdekat yang dapat mempengaruhi peramalan. Dalam penelitian ini, dicoba juga kedalam beberapa variasi pemodelan data yang baru dengan metode simple moving average. Variasi pemodelan data yang baru dibuat untuk memenuhi kemungkinan jika pola data suatu barang memiliki pola yang sama setiap tahunnya. Variasi dibagi menjadi 3 yaitu variasi 1, variasi 2 dan variasi 3. Inti dari variasi pemodelan data yang baru adalah sama, yaitu peramalan menggunakan data yang telah ditentukan dari tahun sebelumnya untuk dirata-rata sehingga dapat memperkirakan data yang baru. Yang membedakan dari ketiga variasi adalah target dari peramalan. Contoh data yang diambil adalah data bulan 1, 2, dan 3 pada tahun 2014, kemudian dirata-rata. Target dari variasi 1 adalah bulan 1 tahun 2015, target dari variasi 2 adalah bulan 2 tahun 2015 dan target dari variasi 3 adalah bulan 3 tahun 2015.

3.4 Fase Implementasi