TA : Sistem Pendukung Keputusan Proyeksi Jadwal Bulanan Lembaga Pendidikan SCOMPTEC Menggunakan Trend Variasi Musim dan Promethee.

PROYEKSI JADWAL BULANAN LEMBAGA PENDIDIKAN SCOMPTEC MENGGUNAKAN TREND VARIASI MUSIM DAN PROMETHEE

Oleh : Nama : ADI RAHMAN NIM : 96.41010.4211 Program : S1 (Strata Satu)

Jurusan : Manajemen Informatika

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA DAN TEKNIK KOMPUTER SURABAYA

ix

halaman

ABSTRAKSI ………. vi

KATA PENGANTAR ……… ….. vii

DAFTAR ISI ……….. ….. ix

DAFTAR TABEL ……… …… xii

DAFTAR GAMBAR ……….. ……. xiii

DAFTAR LAMPIRAN ……… … xv

BAB I PENDAHULUAN ……….. … 1

1.1 Latar Belakang Masalah ……… 1

1.2 Perumusan Masalah ……… 2

1.3 Pembatasan Masalah ……… .. 2

1.4 Tujuan ……….. .. 3

1.5 Sistematika Penulisan ……….. ……….. 3

BAB II LANDASAN TEORI ………. …. 5

2.1 Sistem Pendukung Keputusan ……….. …. 5

2.2 Teknik Peramalan ………. ………..…. 9

2.2.1 Metode Peramalan ………. ……..….… 11

2.3 Analisa Time-Series ……… ………... 13

2.3.1 Trend ………….. ……… 14

2.3.2 Variasi Musim …………. ……….. 17

2.4 Promethee ……….. ……… 19

2.4.1 Dominasi Kriteria ………. ………. 20

x

A. Kriteria Biasa ……… ……… 21

B. Kriteria Quasi ……….. ………. 22

C. Kriteria Dengan Preferensi Linier ………. ……….. 23

D. Kriteria Level ……… ……… 24

E. Kriteria Dengan Preferensi Linier Dan Area Yang Tidak Berbeda ……… …… 25

F. Kriteria Gaussian ………. …… 26

2.4.3 Indeks Preferensi Multikriteria ……. ………. 26

A. Promethee I ……….. ……… . …… 27

B. Promethee II ……. …………. ……… ……… 28

2.5 Proyeksi Penjadwalan Kelas ………… ……….. 31

2.6 Microsoft Visual Basic ……… ……….. 33

BAB III PERANCANGAN SISTEM ………. …. 34

3.1 Analisa Permasalahan ……… ……… 34

3.2 Data Historis ………. ………. 34

3.3 Pemilihan Metode Proyeksi dan Metode Penentuan Prioritas … 35 3.4 Penetapan Variabel ……… ……… 37

3.5 Sistem Flow ……… ……….. ……... 40

3.6 Data Flow Diagram ……… ………... 43

3.7 Entity Relationship Diagram ………. ……… 44

3.8 Perancangan Database ……….. ………. 45

BAB IV IMPLEMENTASI DAN EVALUASI ………. ……….. 49

4.1 Implementasi Sistem ………. ………... 49

xi

4.2.1 Perbandingan Hasil Proyeksi Dengan Kondisi Riil …… 55

BAB V PENUTUP ………. ……… 60

5.1 Kesimpulan ………. ……….. 60

5.2 Saran ……….. ……… ….. 60

DAFTAR PUSTAKA ……….. ………. 61

xii

halaman Tabel 2.1 Peserta program autocad tahun 1995-1999 ………. 15 Tabel 2.2 Trend dengan metode kuadrat terkecil (data ganjil) ………… 15 Tabel 2.3 Peserta program autocad tahun 1994-1999 ………. 16 Tabel 2.4 Trend dengan metode kuadrat terkecil (data genap) ……… .. 16 Tabel 2.5 Peserta program autocad per triwulan tahun 1993-1999 … … 18 Tabel 2.6 Data dasar analisis promethee ………. 20 Tabel 2.7 Nilai kriteria untuk masing-masing alternatif ………. 29 Tabel 2.8 Nilai hasil perhitungan preferensi ………... 30 Tabel 2.9 Urutan prioritas berdasarkan leaving flow dan entering flow . 31 Tabel 2.10 Urutan prioritas berdasarkan net flow ………. 31 Tabel 3.1 Jenis variabel / kriteria pembobotan ……… …… 39 Tabel 3.2 Jenis program kursus ………. …….. 39 Tabel 4.1 Perbandingan hasil proyeksi bulan Januari 2003 ………… … 56 Tabel 4.2 Perbandingan hasil proyeksi bulan Februari 2003 ……… 56 Tabel 4.3 Perbandingan hasil proyeksi bulan Maret 2003 ………… ….. 57 Tabel 4.4 Perbandingan hasil proyeksi bulan April 2003 ………… …… 57 Tabel 4.5 Perbandingan hasil proyeksi bulan Mei 2003 ………… …….. 58 Tabel 4.6 Perbandingan hasil proyeksi bulan Juni 2003 ………… ……. 58 Tabel 4.7 Perbandingan hasil proyeksi bulan Juli 2003 ………… …….. 59

xiii

halaman

Gambar 2.1 Model konseptual SPK ……… 8

Gambar 2.2 Kriteria biasa ………. ……….. 22

Gambar 2.3 Kriteria quasi ………. ……….. 22

Gambar 2.4 Kriteria dengan preferensi linier……. ……….. 24

Gambar 2.5 Kriteria level ………. ……….. 25

Gambar 2.6 Linier dengan area yang tidak berbeda……….. 26

Gambar 2.7 Kriteria gaussian………. ……….. 26

Gambar 3.1 Memilih teknik peramalan ……… 35

Gambar 3.2 Analisa time series ……… 36

Gambar 3.3 Sistem flow penjadwalan kelas manual ……….. 41

Gambar 3.4 Sistem flow penjadwalan terkomputerisasi ………. …… 41

Gambar 3.5 Sistem flow pendukung keputusan …. ……… ……… 42

Gambar 3.6 DFD level 1 ……….. ………… 43

Gambar 3.7 DFD level 2 proses proyeksi ………. 43

Gambar 3.8 DFD proses trend variasi musim ……….. 44

Gambar 3.9 DFD proses pembobotan dengan promethee ……… 44

Gambar 3.10 Entity Relationship Diagram …………. ……… …... 45

Gambar 4.1 Menu utama ……… ……… 49

Gambar 4.2 Form grade honor ……….. …. 50

Gambar 4.3 Form jenis kelas ……….. ……… 50

Gambar 4.4 Form komponen kelas ……… …. 51

xiv

Gambar 4.6 Form trend kelas ……… 52 Gambar 4.7 Hasil perhitungan trend ……….. ……….. 52 Gambar 4.8 Form proyeksi promethee ………. ………… 53 Gambar 4.9 Output hasil proyeksi dengan prioritas promethee . ………….. 53 Gambar 4.10 Output hasil proyeksi dengan prioritas indekx musim ……. …. 53 Gambar 4.11 Grafik trend kelas tahun 2002 ………. ………. …. 54 Gambar 4.12 Grafik trend kelas bulan Juli 2003 ……. ……….. 54

1

PENDAHULUAN

1.1 Latar Belakang Masalah

Lembaga pendidikan SCOMPTEC (School of Computer Technology) merupakan sebuah lembaga pendidikan kursus komputer terbesar di Indonesia Timur dan lebih banyak berkonsentrasi pada kursus jangka pendek (short course) yang biasanya berjalan dalam waktu paling lama sekitar tiga bulan dan waktu rata-rata berjalan selama satu bulan. Pada tiap pertengahan bulan, pihak lembaga akan merencanakan pembukaan kelas baru untuk bulan berikutnya, dengan memperhitungkan jumlah dan kapasitas kelas yang tersedia.

Salah satu kendala yang dihadapi adalah proses perencanaan pembukaan jadwal kelas untuk bulan berikutnya. Pembukaan jadwal hanya dilakukan berdasarkan intuisi belaka tanpa pernah ada perhitungan yang matang dari pihak perencanaan. Akibatnya, sering terjadi kesalahan pembukaan kelas yang akan berakibat pembukaan kelas yang sia-sia (kosong tanpa peminat).

Dari kejadian-kejadian tersebut, maka pihak manajemen berusaha memikirkan faktor–faktor yang menyebabkan prediksi yang salah dalam pembukaan kelas tersebut. Setelah diteliti dengan seksama, ternyata pada setiap tahunnya terjadi sebuah trend yang terbentuk pada periode tertentu. Sebagai contoh: saat bulan Mei hingga Juli, akan terjadi banyak kelas Microsoft Office disebabkan pada periode tersebut, banyak siswa sekolah dan mahasiswa yang libur dan akan ada tahun ajaran baru.

Sistem pendukung keputusan yang akan dibuat berusaha membantu pihak manajemen untuk merencanakan proyeksi penjadwalan kelas. Sistem aplikasi ini akan menganalisa data dari beberapa tahun sebelumnya dengan metode trend dan variasi musim setiap tahun. Selanjutnya akan dibuat bobot prioritas dengan kriteria tertentu dari pihak manajemen menggunakan metode promethee untuk menentukan kelas mana yang harus lebih diprioritaskan untuk dibuka.

1.2 Perumusan Masalah

Bagaimana membuat sebuah sistem aplikasi yang mampu memproyeksikan jadwal bulanan kelas reguler di lembaga pendidikan kursus SCOMPTEC dengan menerapkan metode trend, variasi musim dan promethee.

1.3 Pembatasan Masalah

Pembatasan masalah dalam sistem aplikasi ini adalah sebagai berikut : 1. Sistem aplikasi ini hanya melakukan analisa untuk proyeksi jadwal bulanan

kelas reguler di lembaga pendidikan kursus SCOMPTEC.

2. Pemeliharaan data bulanan dari tahun sebelumnya yang didapatkan dari akumulasi data transaksi harian pada sistem informasi yang sudah ada.

3. Pemeliharaan data untuk pemberian bobot untuk kriteria tertentu. 4. Proyeksi data bulanan berdasarkan data historikal dan bobot kriteria.

5. Sistem pendukung keputusan yang dibuat tidak memperhitungkan faktor eksternal yang terjadi di luar lingkup SCOMPTEC.

1.4 Tujuan

Tujuan yang ingin dicapai dari sistem aplikasi ini adalah :

1. Melakukan pemasukkan data akumulasi bulanan untuk keperluan data historikal.

2. Melakukan proyeksi berdasarkan data historikal dengan menggunakan analisa trend dan variasi musim dan pemberian bobot kriteria dari variabel tertentu dengan menggunakan metode promethee.

3. Menyajikan hasil proyeksi dalam bentuk laporan yang digunakan sebagai pendukung keputusan dalam menentukan kelas yang akan dibuka pada periode berikutnya.

1. 5 Sistematika Penulisan

Dalam penyusunan tugas akhir ini, sistematika penulisan akan dibagi menjadi beberapa bab. Adapun pembagiannya adalah sebagai berikut :

BAB I PENDAHULUAN

Dalam bab ini memuat tentang latar belakang masalah, tujuan dan manfaat dari sistem yang akan dibuat, perumusan dan pembatasan masalah serta sistematika penulisan.

BAB II LANDASAN TEORI

Dalam bab ini memuat tentang penjelasan singkat dari teori-teori yang berkaitan dalam penyelesaian masalah yang mendukung dalam pembuatan sistem aplikasi.

BAB III PERANCANGAN SISTEM

Dalam bab ini memuat tentang analisa permasalahan dan langkah-langkah yang dilakukan dalam pemecahan masalah, penjelasan mengenai tiap variabel yang mendukung penyelesaian masalah serta sistem yang berjalan manual, dan perancangan sistem sebelum diimplementasikan ke dalam bahasa pemrograman.

BAB IV IMPLEMENTASI DAN EVALUASI

Dalam bab ini memuat tentang teknik pemrograman yang akan digunakan dan evaluasi dari sistem yang telah dijalankan.

BAB V PENUTUP

Bab ini memuat kesimpulan mengenai sistem baru dan saran bagi pengembangan sistem baru yang telah dibuat.

5

LANDASAN TEORI

2.1 Sistem Pendukung Keputusan

Untuk membantu mempercepat dan mempermudah proses pengambilan keputusan, diperlukan suatu bentuk sistem pendukung keputusan, selanjutnya disebut SPK. Tujuannya adalah membantu pengambil keputusan dalam memilih berbagai alternatif keputusan yang merupakan hasil pengolahan informasi yang diperoleh atau yang tersedia.

Karena tidak ada kesepakatan dalam definisi SPK, Efraim Turban dalam bukunya Decision Support and Expert Systems memberikan gambaran tentang karakteristik dan kemampuan ideal dari SPK, yaitu :

1. Semi-structure decisions

Dapat membantu pembuat keputusan terutama dalam situasi semi-struktural dan tidak terstruktur dengan menjembatani penilaian manusia dengan informasi dari komputer.

2. For managers at different levels

Bantuan diberikan untuk berbagai tingkat manajerial, dari yang paling atas sampai yang paling bawah.

3. For groups and individuals

Bantuan yang diberikan bagi individu sama seperti bagi kelompok. 4. Interdependent or sequential decisions

Dapat memberikan dukungan untuk beberapa keputusan yang saling bergantung dan atau berurutan.

5. Support intelligence, design, choise

Mendukung semua tahap dari proses pembuatan keputusan : kecerdasan, perencanaan, pilihan, dan pelaksanaan.

6. Support variety of decision style and processes

Mendukung berbagai macam dan model proses pembuatan keputusan. 7. Adaptability and flexibility

Dapat disesuaikan sejalan dengan waktu. Pembuat keputusan harus reaktif, mampu menghadapi perubahan situasi dengan cepat dan mengadaptasikan SPK menghadapi perubahan tersebut. Sifat fleksibel memungkinkan pemakai dapat menambah, mengurangi, menggabungkan, merubah, dan menyusun kembali elemen-elemen dasarnya.

8. Ease of use

Mudah digunakan. Penggunaan yang mudah, fleksibel, kemampuan grafik yang tinggi, dan mesin berbahasa manusia yang dapat berkomunikasi akan sangat mampu meningkatkan efektifitas SPK.

9. Effectiveness not efficiency

Berusaha meningkatkan efektifitas pembuatan keputusan (keakuratan, ketepatan waktu, kualitas) menjadi lebih baik daripada efisiensinya (biaya pembuatan dan pemakaian peralatan).

10.Human control the machine

Pembuat keputusan memiliki kontrol penuh dalam setiap langkah proses pembuatan keputusan. SPK secara spesifik bertujuan untuk mendukung dan bukan untuk mengganti pembuat keputusan.

11.Evolutionary usage

Menunjukkan pembelajaran ekstra dalam proses pembangunan dan peningkatan SPK secara terus menerus.

12.Ease of contruction

Pengguna terakhir harus dapat membuat sistem sederhana sendiri dengan bantuan dari ahli sistem informasi.

13.Modelling

Biasanya menggunakan model untuk menganalisa kondisi keputusan. 14.Knowledge

SPK yang lebih lanjut dilengkapi dengan komponen pengetahuan yang memungkinkan efesiensi dan efektif solusi dari masalah yang rumit.

Manfaat utama dari sistem pendukung keputusan adalah : 1. Mendukung pemecahan masalah yang kompleks.

2. Dapat meningkatkan kontrol terhadap manajemen, seluruh pengeluaran, dan meningkatkan prestasi sebuah perusahaan.

3. Meningkatkan efektifitas manajerial, SPK menjadikan kualitas analisa, perencanaan, dan pelaksanaan seorang manajer menjadi lebih baik.

4. Penghematan biaya. Penggunaan SPK akan sangat mengurangi pengeluaran akibat keputusan yang salah.

Gambar 2.1. Model konseptual SPK

SPK terdiri dari beberapa sub-sistem, yaitu:

1. Data management, merupakan pusat data yang terdiri dari data yang berhubungan dengan kondisi saat itu dan diatur oleh perangkat lunak yang disebut “Database Management System” (DBMS).

2. Model management, sebuah paket perangkat lunak yang meliputi ilmu keuangan, statistik, manajemen, maupun model kuantitatif lain yang memberikan kemampuan analisis pada sistem dan mengelolaan perangkat lunak yang tepat.

3. Dialog management (Sub-sistem dialog), pengguna dapat berkomunikasi dan memberi perintah pada SPK melalui sub-sistem ini.

4. Knowledge management, sub-sistem ini dapat mendukung setiap sub-sistem lain atau bertindak sebagai komponen yang terpisah.

Other computer-based systems

Data management

Model management

Knowledge management

Dialog management

Manager (User) Data; external

2.2 Teknik Peramalan

Peramalan merupakan proses yang mencakup pengamatan terhadap tendensi dan pola data historis, kemudian hasil pengamatan tersebut digunakan untuk memproyeksikan keadaan di masa datang. Sebelum berkembangannya teknik-teknik peramalan modern dan meluasnya penggunaan komputer, pertimbangan logis (judgment) seorang manager merupakan satu-satunya alat peramalan yang digunakan. Namun dengan adanya perkembangan, baik dalam teknik peramalan maupun penggunaan teknologi komputer, maka peramalan yang hanya didasarkan pada judgment saja tidak akan seakurat jika peramalan tersebut dikombinasikan dengan teknik-teknik kuantitatif yang tepat.

Peramalan yang berguna bagi manajemen harus merupakan suatu proses yang sistematik. Tahap-tahap peramalan dapat dibagi menjadi :

1. Penentuan tujuan.

2. Sebelum membuat suatu ramalan harus bertanya lebih dahulu : “Mengapa peramalan tersebut dibutuhkan dan bagaimana menggunakan hasil ramalan tersebut ?”.

3. Pemilihan teori yang relevan. 4. Pengumpulan data.

Untuk memperoleh hasil peramalan yang akurat maka dibutuhkan data yang tepat dan akurat pula.

5. Analisis data.

Pada tahap ini dilakukan penyeleksian data untuk menghindari data yang berlebihan atau terlalu sedikit atau bahkan beberapa data mungkin sudah tidak relevan untuk digunakan sehingga dapat mempengaruhi akurasi peramalan.

6. Pengestimasian model awal.

Merupakan tahap pengujian kesesuaian data yang telah dikumpulkan ke dalam model peramalan untuk dapat meminimumkan kesalahan peramalan.

7. Evaluasi dan revisi model.

Sebelum melakukan penerapan secara aktual, suatu model harus diuji terlebih dahulu untuk menentukan akurasi, validitas, dan keandalan yang diharapkan. 8. Penyajian ramalan sementara.

Pada tahap ini dibutuhkan penyesuaian judgmental untuk melihat pengaruh yang bersifat eksternal, seperti : perubahan inflasi atau kebijakan pemerintah demi keberhasilan suatu peramalan.

9. Revisi akhir.

Penyiapan suatu ramalan yang baru akan dilakukan tergantung pada hasil evaluasi tahap-tahap sebelumnya.

10.Pendistribusian hasil ramalan.

Pendistribusian hasil peramalan kepada manajemen harus pada waktu yang tepat. Jika tidak, nilai ramalan tersebut akan berkurang atau tidak berguna sama sekali.

11.Penentuan langkah pemantauan.

Peramalan harus dibandingkan dengan hasil aktual untuk mengetahui akurasi metodologi yang digunakan.

Ada dua hal pokok yang harus diperhatikan dalam proses pembuatan peramalan yang akurat dan bermanfaat :

2. Pemilihan teknik peramalan yang tepat, agar informasi dan data yang diperoleh dapat dimanfaatkan seoptimal mungkin.

2.2.1 Metode Peramalan

Ada dua metode peramalan yang dapat digunakan : 1. Peramalan kualitatif.

Metode ini menggunakan masukkan berupa data subyektif dalam teknik peramalan. Pendapat pakar, pengalaman dan pertimbangan individu merupakan landasan utama teknik kualitatif. Metode ini akan sangat bermanfaat apabila data kuantitatif yang akurat sulit diperoleh.

2. Peramalan kuantitatif.

Metode ini digunakan jika data historis yang tersedia cukup memadai dan cukup representatif untuk meramalkan masa datang. Metode kuantitatif ini dikelompokkan menjadi dua, yaitu:

a. Teknik runtut waktu (time series)

Teknik ini membuat asumsi bahwa apa yang terjadi di masa depan merupakan fungsi dari apa yang terjadi masa lalu. Dengan kata lain, model runtut waktu mencoba melihat apa yang terjadi pada suatu kurun waktu tertentu dan menggunakan data runtut waktu masa lalu untuk memprediksi.

b. Teknik deterministik (causal).

Teknik ini memasukkan dan menguji variabel-variabel yang diduga mempengaruhi variabel dependen. Teknik kausal biasanya menggunakan analis regresi untuk menentukan mana variabel yang signifikan mempengaruhi variabel dependen.

Ada empat aspek penting memilih teknik peramalan, yaitu : jangka waktu, karakteristik data, biaya, dan tingkat akurasi yang diinginkan.

1. Jangka waktu.

Jangka waktu menunjukkan panjang waktu di masa datang yang diinginkan oleh peramalan.

a. Jangka pendek.

Mencakup masa akan datang yang dekat dan memperhatikan kegiatan harian suatu organisasi.

b. Jangka menengah.

Mencakup masa akan datang antara 6 bulan sampai 2 tahun, ramalan ini umumnya lebih berkaitan dengan rencana produksi dan permintaan kebutuhan untuk menjamin tersedianya sumber daya yang dibutuhkan. c. Jangka panjang.

Mencakup periode lebih dari 2 tahun, ramalan ini berkaitan dengan usaha manajemen, misalnya untuk merencanakan suatu produk baru untuk pasar yang berubah dan membangun fasilitas baru

2. Karakteristik data.

Karakteristik data mempengaruhi teknik peramalan yang dipilih. Hubungan antara data dengan jangka waktu semakin jelas jika diamati bahwa pola trend adalah merupakan kecenderungan jangka panjang, sedangkan variasi musim menunjukkan pola data yang berulang dalam satu tahun.

3. Biaya.

Pemilihan peramalan juga dipengaruhi oleh besarnya biaya yang harus dikeluarkan, salah satu contoh adalah biaya konsultan.

4. Akurasi.

Pemilihan teknik peramalan juga berhubungan dengan tingkat akurasi yang diinginkan, walaupun sulit untuk meyakinkan tingkat akurasi sebelum mengevaluasi hasil kerja secara seksama.

2.3 Analisa Time-Series

Data time-series (runtut waktu) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat tahun, kuartal, bulan, minggu, dan dibeberapa kasus hari atau jam. Runtut waktu dianalisis untuk menemukan pola variasi masa lalu yang dapat dipergunakan untuk memperkirakan nilai masa depan dan membantu dalam manajemen operasi bisnis atau membuat perencanaan bahan baku, fasilitas produksi, dan jumlah staf guna memenuhi permintaan di masa mendatang.

Analisis runtut waktu sangat diperlukan untuk dapat mengetahui komponen yang mempengaruhi suatu pola masa lalu dan sekarang, yang cenderung berulang di masa mendatang. Empat komponen yang ditemukan dalam analisis runtut waktu adalah :

1. Trend

Yaitu komponen jangka panjang yang mendasari pertumbuhan atau penurunan suatu data runtut waktu. Faktor utama yang mempengaruhi trend adalah perubahan penduduk, inflasi, perubahan teknologi, dan kenaikan produktivitas.

2. Cyclical

Yaitu suatu pola fluktuasi atau siklus dari data runtut waktu akibat perubahan kondisi ekonomi. Dengan kata lain, ini merupakan selisih antara nilai harapan suatu variabel (trend) dengan nilai aktualnya.

3. Seasonal

Yaitu fluktuasi musiman yang sering dijumpai pada data kuartalan, bulanan, atau mingguan. Fluktuasi musiman menunjukkan pola perubahan yang terjadi secara berulang sepanjang waktu. Contoh omeset barang dan jasa biasanya melonjak pada saat Hari Raya Idul Fitri, Natal, dan Tahun Baru.

4. Irregular

Yaitu pola acak yang disebabkan oleh peristiwa yang tidak dapat diprediksi atau tidak beraturan, seperti perang, pemogokan, pemilu, atau longsor maupun bencana alam lainnya.

Dalam menentukan model runtut waktu mana yang dipilih untuk peramalan tergantung dari apakah data yang digunakan mengandung unsur trend atau tidak. Apabila data tidak mengandung unsur trend, maka teknik peramalan yang dapat digunakan adalah dengan penghalusan eksponensial, dan rata-rata bergerak. Apabila data runtut waktu mengandung unsur trend, maka peramalan dapat menggunakan teknik trend linear, trend kuadratik, atau trend eksponensial.

2.3.1 Trend

Dalam menentukan trend dari data historis yang ada, dalam tugas akhir ini akan menggunakan metode kuadrat terkecil (least square). Metode kuadrat terkecil merupakan metode yang paling sering digunakan dalam menentukan trend karena menghasilkan persamaan estimasi yang memiliki nilai kesalahan paling

kecil dari data aktual dengan data estimasinya. Pada metode ini tahun dasar berada di tengah. Persamaan trend-nya adalah : Y = a + bX

Y = nilai trend variabel Y yang diramalkan pada periode waktu X a = Y / n (nilai trend pada waktu X = 0)

b = ΣXY / ΣX2 (kenaikan / penurunan rata-rata Y untuk setiap kenaikan X) X = nilai waktu

Untuk memperjelas metode ini dapat dilihat dua contoh berikut :

Tabel 2.1. Peserta program autocad tahun 1995-1999

Tahun Peserta ( Orang )

1995 1996 1997 1998 1999

1.000 1.060 1.100 1.150 1.180

Tabel 2.2. Trend dengan metode kuadrat terkecil (data ganjil)

Tahun Y X XY X2

1995 1.000 -2 -2.000 4

1996 1.060 -1 -1.060 1

1997 1.100 0 0 0

1998 1.150 1 1.150 1

1999 1.180 2 2.360 4

Jumlah 5.490 0 450 10

a = 5.490 / 5 = 1.098 b = 450 / 10 = 45 Y = 1.098 + 45X

Tabel 2.3. Peserta program autocad tahun 1994 - 1999

Tahun Peserta ( Orang )

1994 1995 1996 1997 1998 1999

750 700 730 725 710 750

Tabel 2.4. Trend dengan metode kuadrat terkecil (data genap)

Tahun Y X XY X2

1994 750 -5 -3750 25

1995 700 -3 -2100 9

1996 730 -1 -730 1

1997 725 1 725 1

1998 710 3 2130 9

1999 750 5 3750 25

Jumlah 4.365 0 25 ₇₀

a = 4.365 / 6 = 727,5 b = 25 / 70 = 0,36 Y = 727,5 + 0,36X

Y adalah trend tahun origin 1996 – 1997

Persamaan trend diatas merupakan persamaan trend yang menggunakan satuan waktu tahunan, dengan tahun dasar (origin) tertentu. Bentuk persamaan tersebut dapat diubah ke menjadi bentuk trend dalam waktu yang lebih pendek dan memindahkan titik origin sesuai dengan tahun yang diinginkan. Bentuk perubahan tersebut dapat dilihat dalam persamaan trend bulanan, triwulan dan semesteran berikut ini :

1. Trend bulanan

Trend bulanan adalah trend dari bulan ke bulan, sama hanya trend tahunan yang merupakan trend dari tahun ke tahun. Dari trend tahunan bisa dibuat menjadi trend bulanan dilakukan dengan cara membagi nilai a dengan 12 dan nilai b dengan 122. Dengan demikian persamaannya menjadi :

X b a

Y ₂

12 12+

=

2. Trend triwulanan

Dari trend tahunan bila dibuat menjadi trend triwulanan, maka dilakukan dengan cara membagi nilai a dengan 4 dan nilai b dengan 42. Dengan demikian persamaannya menjadi :

X b a

Y ₂

4 4+

=

3. Trend semesteran

Dari trend tahunan bila dibuat menjadi trend semesteran maka dilakukan dengan cara membagi nilai a dengan 2 dan nilai b dengan 22, sehingga persamaannya menjadi :

X b a

Y ₂

2 2+

=

2.3.2 Variasi Musim

Variasi atau gelombang musim merupakan variasi pasang surut yang berulang kembali dalam kurun waktu tidak lebih dari satu tahun. Misalnya : permintaan konfeksi melonjak pada saat menjelang lebaran dan terulang kembali pada tahun berikutnya. Untuk mengetahui variasi musim tersebut perlu diketahui

berapa indeks musimnya. Metode yang sering digunakan untuk menentukan nilai indeks musim adalah metode rata-rata sederhana..

Didalam menentukan indeks musim dengan metode rata-rata sederhana dapat dilakukan dengan tahapan sebagai berikut:

1. Menyajikan data riil, misalnya data penjualan.rata-rata.

2. Mengurangi penjualan rata-rata tersebut dengan akumulasi nilai b pada persamaan trend.

3. Menentukan indeks musim.

Untuk memperjelas metode ini dapat dilihat pada contoh berikut : Langkah 1:

Tabel 2.5. Peserta program autocad per triwulan tahun 1993 - 1999 1993 1994 1995 1996 1997 1998 1999

(r)Rata-Rata

(b)B kumulatif r-b

Indeks (%) TW I 50 55 53 49 56 51 54 52,57 0 52,57 98 TW II 60 63 59 63 64 70 67 64 0,41 63,59 119 TW III 45 47 50 46 55 52 59 580,57 0,82 49,75 93 TW IV 40 43 48 55 50 57 56 49,86 1,23 48,63 91 195 207 210 215 225 230 236 - - 214,5 -

Rata-rata penjualan triwulan I tahun 1993 -1999 sebesar (50 + 55 + 53 + 49 + 56 + 51 + 54) / 7 = 52,57 B kumulatif pada triwulan I – IV

Triwulan I : 0,36 x (0) = 0 Triwulan II : 0,36 x (1) = 0,36 Triwulan III : 0,36 x (2) = 0,72 Triwulan IV : 0,36 x (3) = 1,08 Rata-rata dikurangi dengan B kumulatif

Triwulan I : 52,57 – 0 = 52,57 Triwulan II : 64 – 0,36 = 63,64 Triwulan III : 50,57 – 0,72 = 49,85

Triwulan IV : 49,86 – 1,23 = 48,78

Jumlah = 214,84

Rata-rata dari jumlah tersebut = 214,84 / 4 = 53,71 Indeks musim triwulan I – IV

Triwulan I : (52,57 / 53,71) x 100% = 98% Triwulan II : (63,59 / 53,71) x 100% = 118% Triwulan III : (49,75 / 53,71) x 100% = 93% Triwulan IV : (48,63 x 53,71) x 100% = 91%

2.4 Preference Rangking Organization Methode for Enrichment Evaluation Proses pengambilan keputusan pada dasarnya adalah memilih suatu alternatif. Preference rangking organization methode for enrichment evaluation (Promethee) salah satu keluarga dari metode outranking yang dikenalkan oleh J.P. Brans dan P. Vincke tahun 1985, merupakan metode penentuan prioritas dalam analisis multikriteria yang input utamanya adalah data kuantitatif. Dalam penerapannya pada suatu masalah, promethee mengacu konsep kesederhanaan, kejelasan, dan kestabilan. Dugaan dari dominasi kriteria yang digunakan adalah penggunaan nilai dalam hubungan outranking. Semua parameter yang dinyatakan mempunyai pengaruh nyata menurut pandangan ekonomi.

Prinsip yang digunakan dalam Promethee adalah penetapan prioritas alternatif yang telah ditetapkan berdasarkan pertimbangan :

( ∀i  f i(.) →ℜ [real world] ), dengan kaidah dasar :

Max { f1(x), f2(x), f3(x), …, fj(x), …, fk(x)x ∈ℜ }

Dimana K adalah sejumlah kumpulan alternatif, dan fi ( i = 1, 2, …, K) merupakan nilai atau ukuran relatif kriteria untuk masing-masing alternatif.

Dalam aplikasinya sejumlah kriteria telah ditetapkan untuk menjelaskan K yang merupakan penilaian dari ℜ (real world).

Hal utama dalam proses analisa multikriteria dengan menggunakan metode promethee adalah membangun hubungan outranking dari K. Nilai hubungan outranking berdasarkan pertimbangan dominasi masing-masing kriteria. Indeks preferensi ditentukan dan nilai outranking secara grafis disajikan berdasar preferansi dari pembuat keputusan. Data dasar untuk evaluasi dengan metode promethee disajikan sebagai berikut :

Tabel 2.6. Data dasar analisis Promethee

f1 (.) f2 (.) … fj (.) … fk (.)

A1 a2 … ai … an f1 (a1) f1 (a2) … f1 (ai) … f1 (an) f2 (a1) f2 (a2) … f2 (ai) … f2 (an) … … … … … … fj (a1) fj (a2) … fj (ai) … fj (an) … … … … … … fk (a1) fk (a2) … fk (ai) … fk (an)

Struktur preferensi yang dibangun atas dasar kriteria :

∀ a, b ∈ A f(a) > f(b) ⇔ a P b f(a), f(b) f(a) = f(b) ⇔ a I b

Keterangan:

f = nilai nyata dari suatu kriteria a, b = alternatif pilihan

2.4.1 Dominasi Kriteria

Untuk setiap alternatif a ∈ K, f(a) merupakan evaluasi dari alternatif tersebut untuk suatu kriteria. Pada saat dua alternatif dibandingkan, a, b ∈ K, harus dapat ditentukan perbandingan preferensinya.

H ( d ) =

Penyampaian intensitas (P) dari preferensi alternatif a terhadap alternatif b sedemikian rupa sehingga :

P(a, b) = 0, berarti tidak ada beda (indefferent) antara a dan b, atau tidak ada preferensi dari a lebih baik dari b.

P(a, b) = 1, berarti mutlak preferensi dari a lebih baik dari b.

Untuk semua kriteria, suatu alternatif akan dipertimbangkan memiliki nilai kriteria lebih baik yang ditentukan oleh nilai f, akumulasi dari nilai ini akan menentukan nilai preferensi atas masing-masing alternatif yang akan dipilih.

2.4.2 Rekomendasi Fungsi Preferensi

Untuk memberikan gambaran yang lebih baik terhadap area yang tidak sama, digunakan fungsi selisih nilai kriteria antara alternatif P(ai, aj) dimana hal ini mempunyai hubungan langsung pada fungsi preferensi P.

A. Kriteria biasa (Usual criterion) 0 jika d = 0

1 jika d ≠ 0

Dimana d = selisih nilai kriteria {d = f(a) - f(b)}

Pada kasus ini, tidak ada beda antara a dan b jika dan hanya jika f(a) = f(b); apabila nilai kriteria pada masing-masing alternatif mimiliki nilai

berbeda, pembuat keputusan membuat preferensi mutlak untuk alternatif. Kriteria biasa ini dapat diilustrasikan sebagai berikut :

Dalam perlombaan lari maraton, seorang peserta dengan peserta lain memiliki peringkat yang mutlak berbeda walaupun hanya dengan selisih waktu

H ( d ) =

yang teramat kecil, dan dia akan memiliki peringkat yang sama jika dan hanya jika waktu selisihnya sama atau selisih nilai diantara keduanya sebesar nol. Fungsi H(d) untuk preferensi ini disajikan pada gambar berikut :

Gambar 2.2. Kriteria biasa

B. Kriteria quasi (Quasy criterion)

0 jika -q ≤ d ≤ q

1 jika d < -q atau d > q

Dua alternatif memiliki preferensi yang sama penting selama selisih atau nilai H(d) dari masing-masing alternatif untuk kriteria tertentu tidak melebihi nilai q, dan apabila selisih hasil evaluasi untuk masing-masing alternatif melebihi nilai q maka terjadi bentuk preferensi mutlak.

Gambar 2.3. Kriteria quasi H (d)

0

-q q

1

d d 0

1 H (d)

Pembuat keputusan harus mentukan nilai q, dimana nilai ini dapat menjelaskan pengaruh yang signifikan dari suatu kriteria. Preferensi yang lebih baik diperoleh jika selisih antara dua alternatif diatas nilai q. Misalnya, seseorang akan dipandang mutlak lebih kaya apabila selisih nilai kekayaannya lebih besar dari Rp. 10 juta, dan apabila selisih kekayaannya kurang dari Rp. 10 juta akan dipandang sama kaya

C. Kriteria dengan preferensi linier d/p jika -p ≤ d ≤ p

1 jika d < -p atau d > p

Selama nilai selisih memiliki nilai yang lebih rendah dari p, preferensi dari pembuat keputusan meningkat secara linier dengan nilai d. Jika nilai d lebih besar dibandingkan dengan nilai p, maka terjadi preferensi mutlak.

Saat mengidentifikasikan beberapa kriteria, pembuat keputusan harus menentukan nilai dari kecenderungan atas (p). Dalam hal ini nilai d diatas p telah dipertimbangkan akan memberikan preferensi mutlak dari satu alternatif. Contoh: dalam hubungan linier kecerdasan seseorang dengan orang lain apabila nilai ujian seseorang berselisih di bawah 30, apabila diatas 30 poin maka mutlak orang itu lebih cerdas dibanding dengan orang lain.

Gambar 2.4. Kriteria dengan preferensi linier

D. Kriteria level (Level criterion) 0 jika |d| ≤ q, H ( d ) 0,5 jika q < |d| ≤ p,

1 jika p < |d|

Pada kriteria level, kecenderungan tidak berbeda b dan kecenderungan tidak preferensi p adalah ditentukan secara simultan. Jika d berada diantara nilai q dan p, berarti situasi preferensi yang lemah ( H(d) = 0,5 ).

Bentuk kriteria level ini dapat dijelaskan dalam penetapan nilai preferensi jarak tempuh antar kota. Misalnya jarak antara Bandung-Cianjur sebesar 60 Km, Cianjur-Bogor sebesar 68 Km, Bogor-Jakarta sebesar 45 Km, Cianjur-Jakarta 133 Km. Dan ditetapkan bahwa selisih dibawah 10 Km maka dianggap jarak antar kota tersebut adalah tidak berbeda, selisih jarak sebesar 10-30 Km relatif berbeda dengan preferensi yang lemah, sedangkan selisih diatas 30 Km diidentifikasikan memiliki preferensi mutlak berbeda. Dalam kasus ini, selisih jarak antara Bandung-Cianjur dan Cianjur-Bogor dianggap tidak berbeda ( H(d) = 0 ) karena selisih jaraknya dibawah 10 Km, yaitu ( 68 – 60 ) = 8 Km, sedangkan preferensi jarak antara Cianjur-Bogor dan Jakarta-Bogor dianggap berbeda dengan

H (d)

0

-p p

1

preferensi lemah ( H(d) = 0,5 ) karena memiliki selisih yang beraada pada interval 10-30 Km, yaitu sebesar ( 68 – 45 ) = 23 Km. Dan terjadi preferensi mutlak ( H(d) = 1 ) antara jarak Cianjur-Jakarta dan Bogor-Jakarta dengan selisih jarak lebih dari 30 Km.

Fungsi ini disajikan pada gambar dan pembuat keputusan telah menentukan kedua kecenderungan untuk kriteria ini :

Gambar 2.5. Kriteria level

E. Kriteria dengan preferensi linier dan area yang tidak berbeda

0 jika |d| ≤ q,

H (d) = (|d| - q) / (p – q) jika q < |d| ≤ p,

1 jika p < |d |

Pada kriteria ini, pengambil keputusan mempertimbangkan peningkatan preferensi secara linier dari tidak berbeda hingga preferensi mutlak dalam area antara dua kecenderungan q dan p. Dua parameter tersebut telah ditentukan.

- p - q ₀ q p 1

H (d)

Gambar 2.6. linier dan area yang tidak berbeda

F. Kriteria gaussian (Gaussian criterion) H(d) = 1 - exp { 2d / 2σ2 }

Fungsi ini bersyarat apabila telah ditentukan nilai σ, dimana dapat dibuat berdasarkan distribusi normal dalam statistik

Gambar 2.7. Kriteria gausian

2.4.3 Indeks Preferensi Multikriteria

Tujuan pembuat keputusan adalah menetapkan fungsi preferensi Pi dan πI untuk semua kriteria fi ( i = 1, …, k ) dari masalah optimasi kriteria majemuk. Bobot πI merupakan ukuran relatif dari kepentingan kriteria fi , jika semua kriteria

- p - q ₀ q p 1

H (d)

0 1

H (d)

memiliki nilai kepentingan yang sama dalam pengambilan keputusan maka semua nilai bobot adalah sama.

Indeks preferensi multikriteria ditentukan berdasarkan rata-rata bobot dari fungsi preferensi Pi

℘ ( a, b ) = π Pi( a, b ): ∀a, b ∈ A

℘ ( a, b ) merupakan intensitas preferensi pembuat keputusan yang menyatakan bahwa alternatif a lebih baik dari alternatif b. Hal ini dapat disajikan dengan nilai antara 0 dan 1, dengan ketentuan sebagai berikut :

Jika ℘ ( a, b ) ≈ 0, menunjukkan preferensi lemah untuk alternatif a lebih baik dari alternatif b.

Jika ℘ ( a, b ) ≈ 1, menunjukkan preferensi kuat untuk alternatif a lebih baik dari alternatif b.

Dalam tahap akhir perangkingan digunakan persamaan leaving flow dan entering flow yang dilanjutkan dengan net flow.

Persamaan Leaving Flow :

+ (a) =

∈

℘ − x A

x a n 1 ( , )

1

Persamaan Entering Flow :

(a) =

∈

℘ − x A

a x n 1 ( , )

1

Persamaan Net Flow :

(a ) = + (a) - - (a) A. Promethee I

Nilai terbesar pada leaving flow dan nilai terkecil dari entering flow merupakan alternatif yang terbaik. Leaving flow dan entering flow menyebabkan :

a P+b jika + ( a ) > + ( b ) a I+b jika + ( a ) = + ( b )

a P-b jika - ( a ) < - ( b ) a I-b jika - ( a ) = - ( b )

B. Promethee II

Dengan metode Promethee I masih menyisakan bentuk incomparable, untuk itulah digunakan metode Promethee II yang disajikan dalam bentuk net flow untuk solusi masalah tersebut.

a PIIb jika (a ) > ( b ) a PIIb jika ( a ) = ( b )

Contoh kasus untuk penerapan Promethee :

Pemerintah Daerah Jawa Timur memiliki permasalahan dalam menentukan daerah sebagai tempat untuk membangun pembangkit listrik tenaga air, dengan alternatif enam daerah lokasi, yaitu :

A1 : Surabaya, A4 : Krian, A2 : Gresik, A5 : Mojokerto, A3 : Sidoarjo, A6 : Lamongan, Kriteria yang ditetapkan adalah :

f1(.) : Jumlah pekerja, f4(.) : Biaya perawatan (105 rupiah) f2(.) : Kekuatan listrrik (Mega Watt), f5(.) : Jumlah rumah digusur f3(.) : Biaya konstruksi (109 rupiah) f6(.) : Keamanan

Berdasarkan survei yang dilakukan, didapatkan nilai-nilai untuk masing-masing alternatif dengan pertimbangan kriteria-kriteria yang telah ditentukan sebagai berikut :

Tabel 2.7. Nilai kriteria untuk masing-masing alternatif

Alternatif

Kriteria

f1(.) F2(.) f3(.) f4(.) f5(.) f6(.) Min Max Min Max Min Min Min Max Preferensi Kriteria Biasa

Surabaya Gresik Sidoarjo Krian Mojokerto Lamongan A1 A2 A3 A4 A5 A6 80 65 83 40 52 94 90 58 60 80 72 96 600 200 400 1000 600 700 54 97 72 75 20 36 8 1 4 7 3 5 5 1 7 10 8 6

Untuk menghitung nilai preferensi masing-masing alternatif dilakukan perhitungan secara berpasangan satu per satu berdasarkan pilihan bentuk preferensi yang telah ditetapkan sebelumnya.

Misalnya : perhitungan nilai preferensi (P) anatara A1 (Surabaya) dan A2 (Gresik) Untuk f1(.)

d = 80 – 65 = 15

P(A1, A2) = 0 P(A2, A1) = 1 Untuk f2(.)

d = 90 – 58 = 32

P(A1, A2) = 1 P(A2, A1) = 0 Untuk f3(.)

d = 600 – 200 = 400 P(A1, A2) = 0 P(A2, A1) = 1 Untuk f4(.)

d = 54 – 97 = -43 P(A1, A2) = 1 P(A2, A1) = 0 Untuk f5(.)

d = 8 – 1 = 7

P(A1, A2) = 0 P(A1, A2) = 1 Untuk f6(.)

d = 5 – 1 = 4

P(A1, A2) = 1 P(A2, A1) = 0

Setelah semua nilai didapat, maka indeks preferensi multikriteria dapat ditentukan sebagai berikut :

℘(A1, A2) = 1/6 (0+1+0+1+0+1) = 0,5

℘(A2, A1) = 1/6 (1+0+1+0+1+0) = 0,5

Perhitungan arah preferensi dipertimbangkan berdasarkan nilai indeks leaving flow, entering flow, dan net flow. Hasil perhitungannya dapat dilihat pada tabel berikut :

Tabel 2.8. Nilai hasil perhitungan preferensi

A1 A2 A3 A4 A5 A6 ΦΦ+ ΦΦ ΦΦ- ΦΦ ΦΦΦΦ

A1 _{0,5 0,5 0,5 0,1667 0,3333 0,4} 0,5667 -0,1667 A2 _{0,5 0,5 0,3333 0,3333 0,5 0,4333 0,5667 -0,1333} A3 _{0,5 0,5 0,5 0,6667 0,6667 0,5667 0,5333 0,0333} A4 _{0,5 0,6667 0,5 0,5 0,3333 0,5 0,5 0} A5 _{0,6667 0,6667 0,8333 0,5 0,8333 0,7 0,3667 0,3333} A6 _{0,6667 0,5 0,3333 0,6667 0,1667 0,4667 0,5333 -0,0667}

Berdasarkan karakter leaving flow dan entering flow, maka diperoleh urutan prioritas sebagai berikut :

Tabel 2.9. Urutan prioritas berdasarkan leaving flow dan entering flow Alternatif Leaving Flow Urutan Entering Flow Urutan

A1 : Surabaya _0,4 6 0,5667 5 – 6

A2 : Gresik _0,4333 5 _0,5667 5 – 6

A3 : Sidoarjo _0,5667 2 _0,5333 3 – 4

A4 : Krian _0,5 3 _0,5 2

A5 : Mojokerto _0,7 1 _0,3667 1

A6 : Lamongan _0,4667 4 _0,5333 3 – 4

Dalam penentuan urutan prioritas yang berdasarkan leaving flow dan entering flow (Promethee I) dapat terjadi suatu kondisi incomparability, untuk kondisi seperti ini digunakan persamaan Complete Ranking/ Net Flow (Promethee II), sehingga diperoleh hasil sebagai berikut :

Tabel 2.10. Urutan prioritas berdasarkan net flow

Alternatif Net Flow Urutan

A1 : Surabaya -0,1667 6

A2 : Gresik _-0,1333 5

A3 : Sidoarjo _0,0333 2

A4 : Krian ₀ 3

A5 : Mojokerto _0,3333 1

A6 : Lamongan _-0,0667 4

2.5 Proyeksi Penjadwalan Kelas

Yang dimaksud dengan proyeksi jadwal kelas adalah perencanaan pembukaan jadwal kelas yang akan dibuka pada periode bulan berikutnya.

Proyeksi biasa dilakukan pada pertengahan bulan untuk mengantisipasi kegiatan promosi pada bulan berikutnya. Jadwal kelas secara umum terdiri dari dua bagian besar yaitu :

1. Kelas reguler

Merupakan kelas jangka pendek yang rutin diadakan dan para siswanya terdiri dari berbagai kalangan dengan harga biasa. Kelas reguler merupakan kelas yang menggunakan fixed module ( modul yang sudah terencana dan tetap ) dan fixed schedule ( jadwal yang tetap ) sehingga dapat diperkirakan waktu mulai dan berakhirnya. Konsentrasi dari proyeksi jadwal kelas dalam tugas akhir ini adalah pada kelas reguler. Kelas reguler dibagi menjadi beberapa kriteria besar, diantaranya :

1. Office application 2. Desktop publishing 3. Programming

4. Web desain / programming 5. Database

2. Kelas privat

Merupakan kelas khusus yang umumnya hanya terdiri dari satu grup ( instansi atau lembaga ) dengan modul yang bisa disesuaikan dengan permintaan dan jangka waktu yang tidak bisa direncanakan. Kelas privat tidak termasuk dalam lingkup proyek jadwal kelas karena munculnya tak terduga dan tak terencana.

2.6 Microsoft Visual Basic

Microsoft Visual Basic adalah salah satu developement tools yang digunakan untuk membangun aplikasi dalam lingkungan Windows. Dalam pengembangan aplikasi, Visual Basic menggunakan pendekatan visual untuk merancang user interface dalam bentuk form. Visual Basic telah menjadi tools yang terkenal bagi para pemula maupun para developer. Dalam lingkungan Window's User-interface sangat memegang peranan penting, karena dalam pemakaian aplikasi yang kita buat, pemakai senantiasa berinteraksi dengan User-interface tanpa menyadari bahwa dibelakangnya berjalan instruksi-instruksi program yang mendukung tampilan dan proses yang dilakukan.

Pada pemrograman Visual Basic, pengembangan aplikasi dimulai dengan pembentukkan user interface, kemudian mengatur properti dari objek-objek yang digunakan dalam user interface, dan baru dilakukan penulisan kode program untuk menangani kejadian-kejadian (event).

34

PERANCANGAN SISTEM

3.1 Analisa Permasalahan

Penyusunan jadwal kelas reguler di Scomptec Surabaya saat ini lebih banyak mengandalkan naluri bisnis dan penyesuaian dengan jadwal kelas privat yang berjalan tanpa pernah menggunakan suatu proses perhitungan yang berlandaskan suatu teori atau metode perhitungan tertentu. Hal inilah yang dianggap menjadi penyebab sering terjadinya kelas-kelas yang sepi peminat. Penyusunan jadwal merupakan salah satu kegiatan pokok dalam manajemen, karena jika jadwal yang disusun kurang diminati oleh masyarakat, akibatnya perusahaan akan mengalami penurunan omzet yang cukup signifikan.

Dari kebiasaan yang telah diamati dan didukung oleh data kelas yang berjalan pada periode-periode sebelumnya, ternyata dapat terlihat adanya suatu perulangan terhadap program yang berjalan pada bulan-bulan tertentu, misal : pada bulan Agustus hingga September, akan terjadi peningkatan pada kelas jenis programming. Setelah diketahui inti dari permasalahan yang terjadi, selanjutnya dicari suatu metode yang tepat untuk bagaimana agar hasil dari analisa yang didukung dengan data historis yang ada dapat dibuat suatu sistem yang mampu memberikan output berupa proyeksi yang dapat mendukung pemilihan program kurus apa saja yang sebaiknya dibuka pada periode berikutnya.

3.2 Data Historis

Data historis yang digunakan sebagai ucuan adalah data tahun 2001 – 2002, karena pada bulan Agustus 2000 ada perubahan struktur database yang

digunakan. Salah satunya adalah penggunaan kode jenis program yang berbeda dengan yang digunakan saat ini.

3.3 Pemilihan Metode Proyeksi dan Metode Penentuan Prioritas

Dalam memilih model atau metode apa yang tepat untuk keperluan proyeksi masa datang tentunya tidak akan lepas dari suatu struktur yang sistematis dalam menentukan teknik peramalan seperti yang dikemukanan oleh Render dan Stair dalam bukunya Quantitatif Analysis for Management, 2000. seperti terlihat pada gambar berikut :

Gambar 3.1. Memilih teknik peramalan

Untuk menetukan metode apa yang akan digunakan, hal utama yang harus diperhatikan adalah jenis data yang digunakan sebagai bahan acuan. Dalam tugas akhir ini data yang digunakan adalah data riil yang merupakan historikal

dari kelas-kelas yang terselenggara pada periode sebelumnya, sehingga dapat dipastikan metode yang digunakan adalah metode kuantitatif.

Metode kuantitatif itu sendiri dibedakan menjadi dua, yaitu : time series dan causal yang perbedaannya terletak pada apa yang ingin diramalkan seperti yang telah dijelaskan dalam bab dua. Dari analisa permasalahan didapat suatu asumsi bahwa dengan data historikal yang tersedia, yaitu dari tahun 2001 sampai dengan 2002 akan dapat memproyeksi masa datang, untuk itulah digunakan model time series.

Gambar 3.2. Analisa time series

Jika data yang digunakan mengandung unsur trend maka ada tiga metode yang dapat digunakan untuk menghitung persamaan trend tresebut, yaitu trend linier, trend parabolik dan trend eksponensial.

Dalam pemilihan metode yang digunakan untuk penentuan prioritas pada dasarnya sama seperti menentukan metode peramalan. Hal yang paling utama adalah jenis data yang akan digunakan, apakah data kualitatif atau kuantitatif. Metode penentuan prioritas yang tepat untuk data kualitatif adalah AHP

(Analytical Hierarchy Proccess), sedangkan untuk data kuantitatif metode yang tepat digunakan adalah Promethee yang dalam penerapannya mengacu pada konsep kesederhanaan, kejelasan, dan kestabilan.

3.4 Penetapan Variabel

Penetapan variabel dalam pengambilan keputusan didasarkan observasi dan wawancara dengan pihak perusahaan. Berdasarkan observasi dan wawancara tersebut, maka dapat disimpulkan bahwa faktor- faktor yang paling berpengaruh dalam optimalisasi jadwal adalah:

1. Rasio kelas akan terisi berdasarkan kebiasaan tahun-tahun sebelumnya.

Secara umum, pihak manajemen hanya mengandalkan pengalaman dari satu tahun sebelumnya untuk penyusunan jadwal kelas yang baru. Tetapi, dalam pelaksanaan, trend kelas bisa saja berubah dalam tahun yang sedang berjalan. Dalam sistem nantinya, trend kelas akan dianalisa secara lebih mendetail. 2. Rasio kemungkinan jumlah siswa dari kelas terisi dengan kapasitas kelas.

Masing-masing kelas mempunyai kapasitas yang berbeda, antara 2 hingga 12 siswa dalam satu kelas. Secara umum, pihak manajemen hanya melakukan perkiraan kasar bahwa umumnya untuk kelas yang dianggap booming seperti jenis Microsoft Office atau Dekstop Publishing dapat ditempatkan pada kelas dengan kapasitas di atas 8 orang. Tetapi seringkali perkiraan tersebut meleset jauh hingga menyebabkan membengkaknya biaya operasional.

3. Rasio Laba untuk tiap kelas.

Laba yang dihasilkan dalam tiap kelas akan berdampak pada penghasilan perusahaan. Laba yang dimaksud adalah perhitungan value dari suatu kelas.

Value yang dimaksud adalah penghasilan yang diperoleh dikurangi dengan besar biaya yang dikeluarkan. Misal:

1). Kelas jenis Microsoft Office

Dengan kapasitas kelas 12 orang dan terisi 10 orang. Maka penghasilan yang diperoleh adalah

10 x Rp. 400.000 = Rp. 4.000.000. Biaya yang dikeluarkan:

Biaya instruktur : Rp. 15.000 x 24 jam = Rp. 360.000

Biaya ujian dan sertifikat : Rp.2.500 x 10 orang = Rp. 25.000 Biaya listrik : Rp. 8000 x 24 jam = Rp. 192.000

Biaya konsumsi = Rp. 5.000 x 13 pertemuan = Rp. 65.000 Total pengeluaran : Rp. 642.000

Total value : Rp. 4.000.000 – Rp. 642.000 = Rp. 3.358.000 2). Kelas jenis programming (misal: Visual Basic).

Dengan kapasitas kelas 6 orang dan terisi 6 orang.

Maka penghasilan yang diperoleh adalah 6 x Rp. 750.000 = Rp. 4.500.000. Biaya yang dikeluarkan :

Biaya instruktur : Rp. 20.000 x 24 jam = Rp. 480.000 Biaya ujian dan sertifikat : Rp.2.500 x 6 orang = Rp. 15.000 Biaya listrik : Rp. 5000 x 24 jam = Rp. 120.000

Biaya lain – lain ( teh ) = Rp. 5.000 x 13 pertemuan = Rp. 65.000 Total pengeluaran : Rp. 680.000

Total value : Rp. 4.500.000 – Rp. 680.000 = Rp. 3.820.000

Dari dua contoh tersebut, maka terlihat bahwa jenis kelas juga berpengaruh bersamaan dengan kapasitas kelas terisi. Akibatnya, value kelas dipengaruhi oleh jenis kelas dan kapasitas kelas yang telah terisi.

Dari analisa di atas, maka dapat ditentukan komposisi variabel metode Promethee, yaitu sebagai berikut:

Tabel 3.1. jenis variabel / kriteria pembobotan

! " # $ !% ! !& $ '

( ) * + , -. / 0 (1 # 2

3 # 4 235 &

3 2! 6 5%3

5 ! & 73%

#2

! 8 3#

! 8 &23 2!

2! 3 # 4 # 2

5 ! & !2% !5 5%!53 52! 3 52! 3 !&! 3 !&! 3 !&! 3 !&! 3 !&! 3 !&! 3 !&! 3 !&! 3

Tabel 3.2. Jenis program kursus

9

6

:: 22 9 !&9

3% ) 4 7

3% * 4 7

#74! 3& &% #

25% 7 3"#!24!&9

* %3 ! '

' 3& &% #

' &% ! %

&% & % 6 " 2!9&

!&3'

!: 2 ;% :: 22

: ! < =

: ! # 24

?

6)

6!& <2 3& &% #

!: 2 ;% ;;!: = &:

!: 2 ;% ;;!: 3& &% #

!: 2 ;% ;;!: &% ! %

? =

!23 # 2!: = &:

!23 # 2!: 3& &% #

!23 # ' 3& &% #

6!& <2 )111 =

3.5 Sistem Flow

Sistem Flow merupakan gambaran aliran kerja yang terdapat dalam suatu sistem yang juga berupa representasi grafik, proses-proses yang terjadi, input-output, serta kegiatan-kegiatan operasi yang berhubungan dengan sistem tersebut. Sistem flow yang pertama adalah sistem flow sistem manual yaitu sistem yang terjadi saat semua proses masih berjalan secara manual. Dalam proses perencanaan yang berjalan manual melibatkan beberapa entity, yaitu : Manager, Assisten Operasional, dan Scheduler. Manager akan memberikan rancangan kelas program yang akan dibuka pada periode bulan depan kepada assisten operasional, kemudian setelah dipertimbangkan, pihak scheduler menerima kelas apa saja yang akan dibuka. Untuk selanjutnya pihak scheduler membuat suatu jadwal yang disetujui yang kemudian akan cetak ke dalam brosur promosi.

Gambar 3.3. Sistem flow penjadwalan kelas manual

Sistem flow yang kedua yaitu sistem flow terkomputerisasi pada live system yaitu pada sistem penjadwalan.

!" ! # $ #% &

&

' # ' #

( !

$

!)

! !

!" ! # $ #%

$ #% #

Sistem flow yang ketiga yaitu sistem flow dari sistem pendukung keputusan yang dibuat dalam tugas akhir ini.

!" ! # $ #%

&

' # (

! $

!)

! !

' ! * ( *

!" ! # $ #%

$ #% # "!

( + ! # " "

( * # + !

# !"* ,

("! ( *

$ #%

3.6 Data Flow Diagram

Jenis Program Ruang Kelas

Grade Kelas Jenis Komponen

Data Hasil Proyeksi Data Indeks Musim Data Proyeksi

Laporan Hasil Proyeksi Data Proyeksi

Data Indeks Musim Data Historikal

Data Historikal 1 Proses Proyeksi

dengan Trend Variasi Musim &

Promethee ₊ 1 Komponen 2 Grade 3 Kelas 4 Jenis 5 Trend SCHEDULER 6 TmpGenerate 7 TmpProyeksi 2 Proses Pembuatan Laporan + USER 8 TempProyeksi

Gambar 3.6. DFD level 1

Data Proyeksi Jenis Program

Grade Kelas Data Indeks Musim

Data Indeks Musim

Jenis Komponen Data Historikal Ruang Kelas Data Historikal SCHEDULER 5 Trend 6 TmpGenerate 7 TmpProyeksi 1 Komponen 2 Grade 3 Kelas 4 Jenis 1 Proses Proyeksi dengan Trend Variasi Musim + 2 Proses Pembobotan dengan Promethee ₊

Nilai Indeks Musim Ruang Kelas

Data Historikal

Data Indeks Musim Data Historikal

5 Trend

3 Kelas

SCHEDULER

6 TmpGenerate 1

Mencari nilai Trend dengan Least Square

2 Mencari nilai Indeks

Musim dengan RataRata Sederhana

Gambar 3.8. DFD Proses trend variasi musim

Data Proyeksi Data Indeks Musim

Jenis Program Grade Kelas

Jenis Komponen

1 Komponen

6 TmpGenerate

2 Grade

4 Jenis

7 TmpProyeksi 1

Proses Preferensi Usual Criterion

Gambar 3.9. DFD Proses pembobotan dengan promethee

3.7 Entity Relationship Diagram

ER-Diagram ini akan menjelaskan mengenai hubungan entity satu dengan entity lain yang terhubung berdasarkan indeks yang sama antara entity satu dengan entity yang lainnya tersebut. Pada tiap entity akan diperjelas dengan tampilan field pada masing-masing entity. ER-Diagram dari sistem pendukung keputusan ini terlihat sederhana, karena tabel-tabel yang ada merupakan hasil impor dari sistem kelas, sedangkan tabel lainnya tidak mempunyai relasi satu

sama lain. Hal ini dikarenakan tabel yang ada dalam sistem pendukung keputusan bertujuan utama bukan untuk penyimpanan data permanen, tetapi lebih ditujukan untuk penyimpanan variabel sementara dalam proses pengambilan keputusan.

Grade k dk omponen

KdKelas Grade grade honor J enis kode jenis grade aktif harga jam s nac k maintenane lis trik modul tools praktikum minimum K elas kode nama kaps itas aktif K omponen kode nama minmax aktif T mpGenerate bulan kelas ratarata bkum indeks teris i kapas itas T mpGrafik tahunbulan kelas teris i kapas itas

T empProyeks i kode nama leavingflow enterflow netflow indeks mus im ratarata tahunbulan T mpProyeks i

kode tahunbulan honor indeks harga jam s nac k maintenanc e lis trik modul tools praktikum minimum ras iolaba T rend no tahunbulan kelas harga ruang kapas itas teris i dis c ount jmldis c ount intruktur as is ten modul lain

s tatus generat e

Gambar 3.10. ER-Diagram

3.8Perancangan Database

Untuk pembuatan database digunakan Microsoft Access karena memberikan kemudahan dalam integrasi dengan program Visual Basic. Adapun struktur database yang dibuat adalah sebagai berikut :

1. Tabel Grade

Tabel Grade digunakan untuk menyimpan data grade kelas yang menentukan honor instruktur.

Field Name Key Type Data Type Length Keterangan

Grade PK Text 1 Grade Kelas

2. Tabel Jenis

Tabel Jenis digunakan untuk menyimpan jenis program yang ada

Field Name Key Type Data Type Length Keterangan

Kode PK Text 6 Kode Program

Jenis Text 50 Nama Program

Grade Text 1 Grade Program

Aktif Boolean Boolean Status Program

Harga Currency Currency Harga Kelas

Jam Number Long Integer Durasi Kelas

Snack Currency Currency Biaya Snack

Maintenance Currency Currency Biaya Maintenance

Listrik Currency Currency Biaya Listrik

Modul Currency Currency Biaya Modul

Tools Currency Currency Biaya Tools

Praktikum Currency Currency Biaya Praktikum

Minumun Number Long Integer Rasio Kelas

3. Tabel Kelas

Tabel Kelas digunakan untuk menyimpan ruang kelas yang ada

Field Name Key Type Data Type Length Keterangan

Kode PK Text 6 Kode Ruang

Nama Text 50 Nama Ruang

Kapasitas Number Long Integer Kapasitas Ruang

Aktif Boolean Boolean Status Ruang

4. Tabel Komponen

Tabel Komponen digunakan untuk menyimpan data komponen / kriteria pembobotan yang akan digunakan dalam promethee

Field Name Key Type Data Type Length Keterangan

Kode PK Text 6 Kode Kriteria

Nama Text 50 Nama Kriteria

Minmax Boolean Boolean Nilai MinMax

Aktif Boolean Boolean Status Kriteria

5. Tabel Trend

Tabel Trend digunakan untuk menyimpan data kelas yang akan dicari nilai indeks trend variasi musim

Field Name Key Type Data Type Length Keterangan

No PK Number Long Integer Nomor

Tahunbulan Text 6 Periode tahun bulan

Kelas Text 50 Jenis kelas

Harga Currency Currency Harga Kelas

Ruang Text 50 Nama ruang

Kapasitas Number Long Integer Kapasitas ruang

Terisi Number Long Integer Jumlah terisi

Discount Number Decimal Discount

Jmldiscount Number Long Integer Jml discount

Instruktur Currency Currency Biaya instruktur

Asisten Currency Currency Biaya asisten

Modul Currency Currency Biaya modul

Lain Currency Currency Biaya lain

Stsgenerate Boolean Boolean Status generate

6. Tabel TmpGrafik

Tabel TempGrafik merupakan tabel temporari yang berfungsi untuk menyimpan kalkulasi dari data histori kelas untuk diterjemahkan dalam grafik.

Field Name Key Type Data Type Length Keterangan

Tahunbulan PK Number Long Integer Periode tahun bulan

Kelas PK Text 50 Jenis kelas

Terisi Number Long Integer Jumlah Peserta

Kapasitas Number Long Integer Kapasitas Kelas

7. Tabel TempGenerate

Tabel TempGenerate merupakan tabel temporari yang berfungsi untuk menyimpan data hasil proses pencarian nilai indeks dari trend variasi musim.

Field Name Key Type Data Type Length Keterangan

Bulan PK Number Long Integer Periode bulan

Kelas PK Text 50 Jenis kelas

Ratarata Number Decimal Rata-Rata

Bkum Number Decimal B Kumulatif

Indeks Number Decimal Indeks Musim

Terisi Number Long Integer Jumlah Terisi

Kapasitas Number Long Integer Kapasitas Kelas

8. Tabel TempProyeksi

Tabel Tempproyeksi merupakan tabel temporari yang berfungsi untuk menyimpan data hasil proyeksi kelas dengan metode promethee.

Field Name Key Type Data Type Length Keterangan

Kode PK Text 6 Kode

Nama Text 50 Jenis kelas

Leavingflow Number Decimal LeavingFlow

Enterflow Number Decimal EnteringFlow

Netflow Number Decimal NetFlow

Indexmusim Number Decimal Index Musim

Ratarata Number Decimal Rata-Rata Proyeksi

Tahunbulan Text 50 Periode tahun bulan

9. Tabel TmpProyeksi

Tabel ini digunakan berfungsi untuk menyimpan data proyeksi yang akan digunakan untuk perhitungan promethee.

Field Name Key Type Data Type Length Keterangan

Kode Pk Text 6 Kode

Tahunbuln PK Text 50 Periode tahun bulan

Honor Currency Currency Honor Instruktur

Indeks Number Decimal Indeks Musim

Harga Currency Currency Nilai ramalan

Jam Number Long Integer Durasi Kelas

Snack Currency Currency Biaya Snack

Maintenance Currency Currency Biaya Maintenance

Listrik Currency Currency Biaya Listrik

Modul Currency Currency Biaya Modul

Tools Currency Currency Biaya Tools

Praktikum Currency Currency Biaya Praktikum

Minimum Number Long Integer MinMax

49

IMPLEMENTASI DAN EVALUASI

Pada bab ini akan dilakukan implementasi dan pembahasan terhadap sistem yang telah dibuat. Pada tahap ini akan diketahui sampai sejauh mana sistem ini dapat membantu dalam pengambilan keputusan.

4.1 Implementasi Sistem

Sistem pendukung keputusan untuk keperluan proyeksi penjadwalan ini memiliki tiga menu utama, yaitu Master, Proyeksi, dan Laporan

Gambar 4.1 Menu utama

Menu Master terdiri dari beberapa form, yang masing-masing memiliki fungsi sebagai berikut :

1. Form Grade Honor : Untuk menetapkan jenis grade program yang diselenggarakan sehingga diketahui berapa honor mengajar instruktur per jam.

Gambar 4.2 Form grade honor

2. Form Jenis Kelas : Untuk memasukkan data jenis program kursus yang akan diselenggarakan, beserta komponen kriteria yang menjadi ukuran pembobotan dengan metode promethee.

Gambar 4.3 Form jenis kelas

3. Form Komponen Kelas : Untuk memasukkan jenis komponen atau kriteria yang akan digunakan untuk analisa dengan promethee.

Gambar 4.4 Form komponen kelas

4. Form Kapasitas Kelas : Untuk memasukkan spesifikasi ruangan yang meliputi nama ruang, daya tampung dan status ruang.

Gambar 4.5 Form kapasitas kelas

Menu Proyeksi terdiri dari Trend Kelas dan Proyeksi Promethee, yang masing-masing memiliki fungsi sebagai berikut :

1. Form Trend Kelas : Untuk memasukkan jenis kelas berdasarkan data histori, yang kemudian akan diproses untuk menghasilkan nilai indeks trend dari variasi musimnya.

Gambar 4.6 Form trend kelas

Gambar 4.7 Hasil perhitungan trend

2. Form Proyeksi Promethee : Untuk melakukan proses penentuan prioritas dan hasil dari sistem pendukung keputusan, yaitu dengan memberikan output berupa saran berapa jumlah kelas yang sebaiknya untuk periode mendatang.

Gambar 4.8 Form proyeksi promethee

Gambar 4.9 Output hasil proyeksi dengan prioritas promethee

Gambar 4.11. Grafik trend kelas tahun 2002

4.2Evaluasi Penjadwalan

Hasil proyeksi berupa prioritas kelas dapat dijadikan pertimbangan oleh asisten operasional dalam menentukan prioritas kelas apa saja yang akan dibuka pada periode mendatang. Untuk selanjutnya pihak perencana dapat membuat jadwal kelas apa saja dan berapa jumlah yang akan dibuka pada bulan berikutnya. Dalam menentukan kelas apa dan berapa jumlahnya, pihak perencana tidak bisa lepas dari faktor non-teknis seperti :

1. Kondisi kelas, misalnya : Adanya perbaikan terhadap ruangan atau komputer. 2. Kesiapan instruktur.

3. Adanya kelas privat atau pelatihan dari grup perusahaan. 4. Kelas yang berstatus indent.

4.2.1. Perbandingan Hasil Proyeksi Dengan Kondisi Riil

Untuk membuktikan asumsi yang didapat dari analisa permasalahan, bahwa dengan menggunakan metode trend variasi musim pada data historikal akan dapat memproyeksikan kondisi masa datang. Dalam perbandingan ini akan membandingkan hasil proyeksi yang menggunakan data historikal dari tahun 2001 sampai 2002 dengan kondisi riil bulan Januari sampai Juli tahun 2003 untuk 10 jenis kelas.

Tabel 4.1. Perbandingan hasil proyeksi bulan Januari 2003 !"" !" # " $ % & ' $ # !"# " & $ ' " # !" # " !"" !"# $ % !" !"" # " $ % $ !"# " # $(" &

Tabel 4.2. Perbandingan hasil proyeksi bulan Februari 2003

!"" !" $ % & # " # !"# )%" ' & ' # )%" !" # " !"" !"# $ % !"" $ % !" # # " !"# )%" & ' $("

Tabel 4.3. Perbandingan hasil proyeksi bulan Maret 2003 !"" !" # # " $ % ' )%" # " " # ' )%" " " !" # " !"" # $ % !"" !" # " $ % $(" )%" $* #

Tabel 4.4. Perbandingan hasil proyeksi bulan April 2003

!"" # " !" !"# # $ % " & $(" )%# " & )%# $(" !" # " !"" !"# # $ % !"" # " !" !"# & $(" # "

Tabel 4.5. Perbandingan hasil proyeksi bulan Mei 2003 !"" !" !"# + ' & )"" )%" $(" )%# & )%# ' + )"" )%" $(" !" !"" !"# !"" !" + )%" $ % )"" $ & )%#

Tabel 4.6. Perbandingan hasil proyeksi bulan Juni 2003

!"" ' !" # " !"# $ " $ % & )%" & $ " ' )%" !" !"" # " !"# $ % !"" $ % !" # " " & $ )%" #

Tabel 4.7. Perbandingan hasil proyeksi bulan Juli 2003

$ % $* !"" # *,( # " (-. )"" )%" #/

)%" # " (-. $* #/ !"" $ % # *,( )""

!"" $ % # !" # " !"# & )%" $*

Keterangan : Program yang diarsir tidak terealisasi pada kondisi riil.

Dari proyeksi yang dihasilkan jika dibandingkan dengan kondisi riil maka dapat terlihat adanya kecocokan antara prioritas 1 sampai 10 dengan kondisi riil. Dengan tanpa memperhitungkan kriteria-kriteria yang mengacu pada segi keuntungan yang diperoleh pihak Scomptec, maka dapat disimpulkan bahwa asumsi penggunaan data historikal yang diolah dengan metode trend variasi musim akan dapat memberikan proyeksi program kursus apa saja yang sebaiknya dibuka untuk periode yang akan datang.

60

PENUTUP

5.1 Kesimpulan

Dari tugas akhir ini dapat ditarik kesimpulan :

1. Dengan menggunakan data historis yang ada, maka dapat dilakukan proyeksi untuk penjadwalan kelas untuk masa yang akan datang.

2. Dengan menggabungkan metode proyeksi trend variasi musim dengan metode yang lain, seperti metode multikriteria promethee akan sangat membantu dalam menentukan pilihan dan prioritas kelas yang akan dibuka pada periode yang akan datang.

5.2 Saran

Untuk membuat suatu proyeksi atau peramalan, menggabungkan metode kuantitatif dan pertimbangan logis akan menghasilkan suatu keputusan yang lebih baik daripada menggunakan salah satunya.

4.2Evaluasi Penjadwalan

Hasil proyeksi berupa prioritas kelas dapat dijadikan pertimbangan oleh asisten operasional dalam menentukan prioritas kelas apa saja yang akan dibuka pada periode mendatang. Untuk selanjutnya pihak perencana dapat membuat jadwal kelas apa saja dan berapa jumlah yang akan dibuka pada bulan berikutnya. Dalam menentukan kelas apa dan berapa jumlahnya, pihak perencana tidak bisa lepas dari faktor non-teknis seperti :

1. Kondisi kelas, misalnya : Adanya perbaikan terhadap ruangan atau komputer. 2. Kesiapan instruktur.

3. Adanya kelas privat atau pelatihan dari grup perusahaan. 4. Kelas yang berstatus indent.

4.2.1. Perbandingan Hasil Proyeksi Dengan Kondisi Riil

Untuk membuktikan asumsi yang didapat dari analisa permasalahan, bahwa dengan menggunakan metode trend variasi musim pada data historikal akan dapat memproyeksikan kondisi masa datang. Dalam perbandingan ini akan membandingkan hasil proyeksi yang menggunakan data historikal dari tahun 2001 sampai 2002 dengan kondisi riil bulan Januari sampai Juli tahun 2003 untuk 10 jenis kelas.

!"" !" # " $ % & ' $ # !"#

"

& $ '

" # !" # " !"" !"# $ %

!" !"" # " $ % $ !"#

" # $("

&

Tabel 4.2. Perbandingan hasil proyeksi bulan Februari 2003

!"" !" $ %

& # " # !"# )%" '

& '

# )%" !" # " !"" !"# $ %

!"" $ % !" # # " !"# )%" & '

Tabel 4.3. Perbandingan hasil proyeksi bulan Maret 2003

!"" !"

# # " $ % '

)%"

# " "

# '

)%" " " !" # " !"" # $ %

!"" !" # " $ % $(" )%" $*

#

Tabel 4.4. Perbandingan hasil proyeksi bulan April 2003

!"" # " !" !"#

# $ %

" & $(" )%#

" & )%# $(" !" # " !"" !"# # $ %

!"" # " !" !"#

& $(" #

!"" !" !"#

+ '

& )"" )%" $(" )%#

& )%# '

+ )"" )%" $(" !" !"" !"#

!"" !"

+ )%" $ % )"" $ & )%#

Tabel 4.6. Perbandingan hasil proyeksi bulan Juni 2003

!"" ' !" # " !"# $ " $ % & )%"

& $ " ' )%" !" !"" # " !"# $ %

!"" $ % !" # "

" &

$ )%"

Tabel 4.7. Perbandingan hasil proyeksi bulan Juli 2003

$ % $* !"" # *,( # " (-. )"" )%" #/

)%" # " (-. $* #/ !"" $ % # *,( )""

!"" $ % # !" # " !"# & )%" $*

Keterangan : Program yang diarsir tidak terealisasi pada kondisi riil.

Dari proyeksi yang dihasilkan jika dibandingkan dengan kondisi riil maka dapat terlihat adanya kecocokan antara prioritas 1 sampai 10 dengan kondisi riil. Dengan tanpa memperhitungkan kriteria-kriteria yang mengacu pada segi keuntungan yang diperoleh pihak Scomptec, maka dapat disimpulkan bahwa asumsi penggunaan data historikal yang diolah dengan metode trend variasi musim akan dapat memberikan proyeksi program kursus apa saja yang sebaiknya dibuka untuk periode yang akan datang.

60

Dari tugas akhir ini dapat ditarik kesimpulan :

1. Dengan menggunakan data historis yang ada, maka dapat dilakukan proyeksi untuk penjadwalan kelas untuk masa yang akan datang.

2. Dengan menggabungkan metode proyeksi trend variasi musim dengan metode yang lain, seperti metode multikriteria promethee akan sangat membantu dalam menentukan pilihan dan prioritas kelas yang akan dibuka pada periode yang akan datang.

5.2 Saran

Untuk membuat suatu proyeksi atau peramalan, menggabungkan metode kuantitatif dan pertimbangan logis akan menghasilkan suatu keputusan yang lebih baik daripada menggunakan salah satunya.