APLIKASI PREDIKSI PENJUALAN BARANG MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) (STUDI KASUS TUMAKA MART)
semanTIK, Vol.3, No.2, Jul-Des 2017, pp. 151-160
ISSN : 2502-8928 (Online)
151
APLIKASI PREDIKSI PENJUALAN BARANG
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(KNN) (STUDI KASUS TUMAKA MART)
*1,2,3
Hasmawati*1, Jumadil Nangi2, Mutmainnah Muchtar3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail:*1hasmawati758@yahoo.co.id, 2jumadilnangi87@ gmail.com,
3
muchtar.mutmainnah@gmail.com
Abstrak
Salah satu kegiatan usaha yang harus dilakukan agar perusahaan tetap berjalan dan berkembang
adalah penjualan. Keputusan yang
diambil pemegang tanggung jawab perusahaan akan
mempengaruhi perusahaan dimasa depan. Salah satu keputusan yang harus ditentukan yaitu produk
yang akan diproduksi dan dijual untuk periode selanjutnya. Dalam menentukan keputusan diperlukan
metode agar keputusan yang akan diambil dapat tepat sasaran. Teknik yang digunakan untuk
memperkirakan keadaan pada periode selanjutnya disebut prediksi. Penelitian ini mengusulkan
pengembangan aplikasi prediksi penjualan barang. Adapun metode yang di usulkan adalah metode KNearest Neighbor dengan studi kasus Tumaka Mart. Hasil penelitian menunjukan metode yang
diusulkan berhasil diimplementasikan untuk menyelesaikan kasus prediksi penjualan dengan tingkat
error atau Mean Absolute Percentage Error sebesar 6 % dan akurasi 94 %.
Kata kunci—Penjualan, Prediksi, K-Nearest Neighbor.
Abstract
One of the business activities that must be done to keep the company running and growing is
sales. Decisions taken by corporate responsibility holder will affect the company in the future. One of
the decisions that must be determined is the product to be produced and sold for the next period. In
determining the decision required method for decisions to be taken can be right on target. The
technique used to estimate the situation in the next period is called prediction. This research proposes
the development of sales prediction application of goods. The method proposed is K-Nearest
Neighbor method with Tumaka Mart case study. The results showed that the proposed method was
successfully implemented to solve sales prediction cases with error rate or Mean Absolute Percentage
Error of 6% and 94% accuracy.
Keywords—Sales, Prediction, K-Nearest Neighbor.
1. PENDAHULUAN
sehingga mampu meningkatkan pertumbuhan
ekonomi negara.
erusahaan atau badan usaha didirikan
Kegiatan penjualan merupakan salah
dengan tujuan menghasilkan barang dan
satu bagian utama dari kegiatan usaha dan juga
jasa yang ditujukan untuk kebutuhan
merupakan salah satu indikator penting dalam
konsumen sekaligus untuk mendapatkan
dunia usaha. Penjualan berkaitan erat dengan
keuntungan bagi perusahaan atau badan usaha
laba dan rugi suatu badan usaha. Apabila
tersebut. Selain itu dengan berdirinya
tingkat penjualan yang dilakukan perusahaan
perusahaan atau badan usaha juga dapat
bernilai besar maka keuntungan perusahaan
membantu mengurangi angka pengangguran
tersebut juga besar, sehingga perusahaan atau
melalui penyediaan
lapangan pekerjaan,
badan usaha tersebut dapat bertahan
menghadapi persaingan yang semakin ketat
st
th
Received June 1 ,2012; Revised June 25 , 2012; Accepted July 10th, 2012
P
152
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
dan dapat
mengembangkan usahanya.
Keputusan yang diambil oleh pemegang
tanggung
jawab
perusahaan
akan
mempengaruhi perusahaan di masa yang akan
datang. Seorang pimpinan atau pembuat
keputusan juga harus dapat memprediksi
permintaan atas produk yang diproduksi untuk
periode berikutnya.
Prediksi atau forecasting merupakan
seni dan ilmu yang dilakukan untuk
mengetahui atau memperkirakan apa yang
terjadi pada masa yang akan datang. Prediksi
menjadi sangat penting karena penyusunan
suatu rencana, di antaranya didasarkan pada
suatu proyeksi atau ramalan. Oleh karena itu
perusahaan atau badan usaha
perlu
mempredisikan apa yang terjadi pada masa
yang akan datang yang digunakan sebagai
landasan pembuatan keputusan atau kebijakan
untuk kelangsungan perusahaan. Prediksi
dilakukan perusahaan bertujuan untuk
mengetahui dan memperkirakan jumlah
penjualan yang akan datang dan jumlah
kesalahan prediksi, sehingga dapat memenuhi
kebutuhan konsumen
dan
manajemen
perusahaan [1].
Permasalahan yang umum dihadapi oleh
para pemilik perusahaan atau badan usaha
adalah
bagaimana
memprediksi
atau
meramalkan penjualan barang di masa
mendatang berdasarkan data yang telah
direkam sebelumnya. Prediksi tersebut sangat
berpengaruh
pada
keputusan
pemilik
perusahaan untuk menentukan jumlah barang
yang harus disediakan, apabila memesan
barang dalam jumlah yang cukup banyak dan
ternyata penjualan barang tersebut hanya
terjual beberapa saja. Oleh karenanya
diperlukan aplikasi yang dapat membantu
perusahaan atau badan usaha dalam
memperkirakan jumlah permintaan barang,
dengan
menerapkan
metode-metode
peramalan tertentu. Tumaka Mart merupakan
badan usaha yang bergerak pada bidang
pengeceran (Retailing).Tumaka Mart masih
menghadapi permasalahan yang umum di
hadapi oleh pemilik badan usaha, misanya
adanya kesulitan dalam penyediaan barang,
seperti banyaknya stok barang yang kosong
atau banyaknya barang yang tidak laku terjual.
Ada
banyak
metode
peramalan
penjualan, salah satunya adalah metode KNearest Neighbor. Algoritma K-Nearest
Neighbor digunakan karena memiliki akurasi
yang tinggi dengan rasio kesalahan kecil. KNearest Neighbor merupakan salah satu
algoritma machine learning yang dianggap
sederhana
dalam
implementasinya.
Berdasarkan
latar
belakang
tersebut
mendorong
peneliti
untuk
melakukan
penelitian
yang
berjudul
“APLIKASI
PREDIKSI
PENJUALAN
BARANG
MENGGUNAKAN METODE K-NEAREST
NEIGHBOR (KNN) (Studi Kasus Tumaka
Mart) “.
2. METODE PENELITIAN
2.1. Aplikasi Perangkat Lunak
Perangkat lunak dapat diaplikasikan ke
berbagai situasi dimana serangkaian langkah
prosedural
(seperti
algoritma)
telah
didefenisikan [2]. Berikut adalah area
perangkat lunak yang menunjukan luasnya
aplikasi potensial :
a.
Perangkat Lunak Sistem
Perangkat lunak sistem merupakan
sekumpulan program yang ditulis untuk
melayani program-program yang lain. Banyak
perangkat lunak sistem (misal kompiler,
editor, dan utilitas pengatur file) memproses
struktur-struktur informasi yang lengkap
namun tetap. Perangkat lunak sistem ditandai
dengan eratnya interaksi dengan perangkat
keras komputer.
b. Perangkat Lunak Real-Time
Program-program
yang
memonitor/menganalisis kejadian dunia nyata
pada saat terjadinya disebut perangkat lunak
real-time. Elemen-elemen perangkat lunak
real-time mencakup komponen pengumpul
data yang mengumpulkan dan memformat
informasi dari lingkungan eksternal, sebuah
komponen analisis yang mentransformasi
informasi pada saat dibutuhkan oleh aplikasi,
sebuah komponen kontrol/output yang
memberi respon kepada lingkungan eksternal,
serta sebuah komponen monitor yang
mengkoordinasi semua komponen lain agar
respon real-timenya (1 mili detik sampai 1
menit) dapat tetap terjaga. Perlu dicatat di sini
bahwa real-time berbeda dengan interaksi atau
timesharing. Sistem real-time harus merespon
di dalam suatu rentang waktu yang tetap.
Waktu respon sebuah sistem interaktif
(timesharing)
secara
normal
dapat
IJCCS Vol. x, No. x, July 201x : first_page – end_page
153
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
diperpanjang tanpa
kerusakan pada hasil.
memberikan
risiko
c.
Perangkat Lunak Bisnis
Sistem diskrit (contohnya payroll, account
receivable/payable,
inventory)
telah
mengembangkan perangkat lunak sistem
informasi manajemen (MIS) yang mengakses
satu atau lebih database besar yang berisi
informasi bisnis. Aplikasi perangkat lunak
bisnis juga meliputi penghitungan klien/server
serta
penghitungan
interaktif
(misal
pemrosesan transaksi point-of-sale).
d. Perangkat Lunak Teknik dan Ilmu
Pengetahuan
Perangkat lunak teknik dan ilmu
pengetahuan ditandai algoritma number
crunching. Perangkat lunak ini memiliki
jangkauan aplikasi mulai dari astronomi
sampai vulkanologi, dari analisis otomotif
sampai dinamika orbit pesawat ruang angkasa,
dan dari biologi molekuler sampai pabrik yang
sudah diotomatisasi. Computer-aided design,
simulasi sistem, dan aplikasi interaktif yang
lain, sudah mulai memakai ciri-ciri perangkat
lunak sistem genap dan real-time.
e.
Embedded Software
Embedded software ada dalam read-only
memory dan dipakai untuk mengontrol hasil
serta sistem untuk keperluan konsumen dan
pasar industri. Embedded software dapat
melakukan fungsi yang terbatas serta fungsi
esoterik (misal key pad control untuk
microwave) atau memberikan kemampuan
kontrol dan fungsi yang penting (contohnya
fungsi dijital dalam sebuah automobil seperti
kontrol bahan bakar, penampilan dash-board,
sistem rem, dll).
f.
Perangkat Lunak Komputer Personal
Pengolah kata, spreadsheet, grafik
komputer, multimedia, hiburan, manajemen
database, aplikasi keuangan, bisnis dan
personal, jaringan eksternal atau akses
database hanya merupakan beberapa saja dari
ratusan aplikasi yang ada.
Perangkat lunak kecerdasan buatan adalah
pengenalan pola (image dan voice),
pembuktian teorema, dan permainan game. Di
tahun-tahun terakhir, cabang perangkat lunak
kecerdasan buatan yang baru, yang disebut
artificial neural network, telah berkembang.
Jaringan syaraf mensimulasi struktur prosesproses otak dan kemudian membawanya
kepada perangkat lunak kelas baru yang dapat
mengenali pola-pola yang kompleks serta
belajar dari pengalaman-pengalaman masa
lalu.
2.2. Data Mining
Data mining merupakan gabungan dari
berbagai bidang ilmu, antara lain basis data,
information retrieval, statistika, algoritma dan
machine learning.
Bidang ini telah
berkembang sejak lama namun makin terasa
pentingnya sekarang ini di mana muncul
keperluan untuk mendapatkan informasi yang
lebih dari data transaksi maupun fakta yang
terkumpul selama bertahun-tahun. Data
mining adalah cara menemukan informasi
tersembunyi dalam sebuah basis data dan
merupakan bagian dari proses Knowledge
Discovery in Databases (KDD) untuk
menemukan informasi dan pola yang berguna
dalam data [3].
Kegiatan
data
mining
biasanya
dilakukan pada sebuah data warehouse yang
menampung data dalam jumlah besar dari
suatu organisasi. Proses data mining mencari
informasi baru, berharga dan berguna di dalam
sekumpulan data bervolume besar dengan
melibatkan komputer dan manusia serta
bersifat iteratif baik melalui proses otomatis
ataupun manual [3]. Secara umum, data
mining terbagi dalam 2 sifat :
1. Predictive:
menghasilkan
model
berdasarkan sekumpulan data yang dapat
digunakan untuk memperkirakan nilai data
yang lain. Metode-metode yang termasuk
Predictive Data Mining adalah:
a. Klasifikasi: pembagian data ke dalam
beberapa
kelompok
yang telah
g. Perangkat Lunak Kecerdasan Buatan
ditentukan
sebelumnya
Perangkat lunak kecerdasan buatan
b. Regresi: memetakan data ke suatu
(Artificial Inteligent /AI) menggunakan
prediction variable
algoritma non-numeris untuk memecahkan
c. Time series Analysis: pengamatan
masalah kompleks yang tidak sesuai untuk
perubahan nilai atribut dari waktu ke
perhitungan atau analisis secara langsung.
waktu
Title of manuscript is short and clear, implies research results (First Author)
154
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
2. Descriptive: mengidentifikasi pola atau
hubungan dalam data untuk menghasilkan
informasi baru. Metode yang termasuk
dalam Descriptive Data Mining adalah:
a. Clustering: identifikasi kategori untuk
mendeskripsikan data
b. Association
Rules:
identifikasi
hubungan antara data yang satu dengan
lainnya.
c. Summarization: pemetaan data ke
dalam subset
dengan deskripsi
sederhana
d. Sequence Discovery: identifikasi pola
sekuensial dalam data
2.3. Prediksi
Forecasting adalah suatu usaha untuk
meramalkan keadaan di masa mendatang
melalui pengujian keadaan di masa lalu.
Dalam kehidupan sosial segala sesuatu itu
serba tidak pasti, sukar untuk diperkirakan
secara tepat. Dalam hal ini perlu diadakan
forecast. Forecasting yang dibuat selalu
diupayakan agar dapat meminimumkan
pengaruh
ketidakpastian
ini
terhadap
perusahaan. Dengan kata lain forecasting
bertujuan mendapatkan forecast yang bisa
meminimumkan kesalahan meramal (forecast
error) yang biasanya diukur dengan mean
squared error, mean absolute error, dan
sebagainya [4].
2.4.
K-Nearest Neigbor
K-Nearest Neighbor (K-NN) adalah
suatu metode yang menggunakan algoritma
supervised dimana hasil dari query instance
yang baru diklasifikasikan berdasarkan
mayoritas dari label class pada K-NN. Tujuan
dari
algoritma
K-NN
adalah
mengklasifikasikan objek baru berdasarkan
atribut dan training data. Algoritma K-NN
bekerja berdasarkan jarak terpendek dari query
instance ke training data untuk menentukan
K-NN-nya. Salah satu cara untuk menghitung
jarak
dekat
atau
jauhnya
tetangga
menggunakan metode euclidean distance [5].
Ecludian Distance sering digunakan
untuk menghitung jarak. Euclidian Distance
berfungsi menguji ukuran yang bisa digunakan
sebagai interpretasi kedekatan jarak antara dua
obyek [5]. Persamaan (1) menunjukkan
perhitungan Ecludian Distance.
(1)
Dimana,
xik = nilai x pada training data
xjk = nilai x pada testing data
m = batas jumlah banyaknya data
Jika hasil nilai dari Persamaan (1) besar
maka akan semakin jauh tingkat keserupaan
antara kedua objek dan sebaliknya jika hasil
nilainya semakin kecil maka akan semakin
dekat tingkat keserupaan antar objek tersebut.
Objek yang dimaksud adalah training data dan
testing data. Dalam algoritma ini, nilai k yang
terbaik itu tergantung pada jumlah data.
Ukuran nilai k yang besar belum tentu menjadi
nilai k yang terbaik begitupun juga sebaliknya.
Langkah-langkah untuk menghitung
algoritma K-NN:
1) Menentukan nilai k.
2) Menghitung kuadrat jarak euclid (query
instance) masing-masing objek terhadap
training data yang diberikan.
Persamaan (1) menunjukkan perhitungan
kuadrat jarak euclid (query instance)
masing-masing objek terhadap training
data yang diberikan.
3) Kemudian
mengurutkan
objek-objek
tersebut ke dalam kelompok yang
mempunyai jarak euclid terkecil.
4) Menghitung rata-rata dari nilai objek pada
jangkauan K dengan menggunakan
kategori Nearest Neighbor yang terdekat
(jangkauan K), maka dapat diprediksi nilai
query instance yang telah dihitung .
Persamaan 2 menjukkan perhitungan ratarata dari nilai objek pada jangkauan K.
Persamaan (2) menunjukkan perhitungan
rata-rata nilai objek pada jangkauan K.
(2)
2.5. Penjualan
Penjualan merupakan kegiatan ekonomis
yang umum, dimana dengan penjualan sebuah
perusahaan akan memperoleh hasil/laba sesuai
dengan yang direncanakan atau memperoleh
pengembalian atas biaya biaya yang
dikeluarkan [6].
Pada umumnya, para pengusaha
mempunyai tujuan mendapatkan laba yang
maksimal
serta
mempertahankan
atau
berusaha meningkatkannya untuk jangka
waktu lama. Tujuan tersebut dapat direalisir
apabila penjualan dapat dilaksanakan seperti
yang direncanakan[6]. Bagi perusahaan, pada
IJCCS Vol. x, No. x, July 201x : first_page – end_page
155
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
umumnya mempunyai 3 tujuan umum dalam
penjualannya yaitu:
1. Mencapai volume penjualan tertentu,
2. Mendapatkan laba tertentu,
3. Menunjang pertumbuhan perusahaan.
2.6
Pemograman Java
Java adalah bahasa pemrograman yang
berorientasi obyek (OOP) yang dapat
dijalankan apada berbagai platform sistem
operasi. Perkembangan java tidak hanya
terfokus pada suatu sistem operasi, tetapi
dikembangkan untuk berbagai sistem operasi
dan bersifat open source [7]. Bahasa
pemograman java sendiri terbagi menjadi 3
edition yaitu:
1. J2SE (Java 2 Standard Edition)
J2SE adalah inti dari bahasa pemrograman
Java. JDK (Java Development Kit) adalah
salah satu tool dari J2SE untuk mengompilasi
dan menjalankan program java. Di dalamnya
terdapat tool untuk mengompilasi dan JRE.
Tool J2SE yang salah satunya adalah jdk 1.6,
jdk merupakan tool open source dari Sun.
2. J2EE (Java 2 Enterprise Edition)
J2EE adalah sekelompok dari beberapa
API (Application Programming Interface) dari
java dan teknologi selain java.J2EE dibuat
untuk membuat aplikasi yang kompleks. J2EE
sering dianggap sebagai middleware atau
teknologi yang berjalan di server, namun
sebenarnya J2EE tidak hanya terbatas untuk
itu.
3. J2ME (Java 2 Micro Edition)
Midlet untuk aplikasi mobile. J2ME
merupakan edisi library yang dirancang untuk
digunakan pada device tertentu seperti pagers
dan mobile phone.
2.7. Mean Absolute Etor (MAE)
Mean Absolute Error (MAE). MAE
bertujuan menghitung seberapa besar rata-rata
selisih nilai prediksi rating yang dihasilkan
oleh sistem dengan nilai rating yang sudah
ada. Evaluasi MAE memanfaatkan teknik
perhitungan yang sangat sederhana, yaitu
dengan mencari selisih dari semua item yang
di beri oleh sistem dengan item yang sudah
ada. Nantinya selisih tersebut akan di
absolute-kan (nilai positif) dan akhirnya di
rata-rata. Dari hasil MAE, dapat terlihat jelas
seberapa jauh selisih nilai prediksi rating yang
di berikan oleh sistem dengan nilai rating yang
sebenarnya. Semakin besar nilai yang di
dihasilkan oleh MAE maka dapat diartikan
bahwa nilai prediksi yang dihasilkan semakin
tidak akurat, sebaliknya jika nilai MAE yang
di hasilkan mendekati 0 maka prediksi yang
dihasilkan sistem semakin mendekati akurat
[8]. Persamaan (3) menunjukkan perhitungan
nilai MAE.
(3)
Dimana :
2.8. Mean Absolute Precentage Error
(MAPE)
Mean Absolute Precentage Error
(MAPE) dihitung dengan menggunakan
kesalahan absolute pada tiap periode dibagi
dengan nilai observasi yang nyata untuk
periode itu. Kemudian, merata-ratakan
kesalahan presentase absolute tersebut. MAPE
merupakan pengukuran kesalahan yang
menghitung ukuran presentase penyimpangan
antara data aktual dengan data prediksi [9].
Persamaan (4) menunjukkan perhitungan nilai
MAPE.
(4)
Dimana :
3. HASIL DAN PEMBAHASAN
Aplikasi prediksi penjualan barang yang
telah dirancang merupakan sebuah aplikasi
yang menggunakan bahasa pemograman Java
NetBeans yang dibangun untuk memprediksi
penjualan barang setiap bulannya di Tumaka
Mart. Aplikasi ini menggunakan metode KNearest Neighbor (KNN).
Tebel 1 menunjukkan spesifikasi perangkat
keras.
Tabel 1 Spesifikasi Perangkat Keras
No
1.
2.
3.
Nama Perangkat
Processor
Monitor
Memori
Spesifikasi
Intel Core i3
Monitor 15,6 inch
RAM 2 GB DDR 2
Title of manuscript is short and clear, implies research results (First Author)
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
156
4.
Harddisk
Tabel 2
perangkat lunak.
1TB HDD
menunjukkan
spesifikasi
Tabel 2 Spesifikasi Perangkat Lunak
No
Nama Perangkat
1. Operating System
2. NetBeans
3. Xampp
Spesifikasi
Windows 7
8.0.2
3.2.1
a. Flowchart Aplikasi
Flowchart aplikasi Prediksi Penjualan
Barang Menggunakan Metode K-Nearest
Neigbor (KNN). Gambar 1 menunjukkan
flowchart aplikasi.
c. Contoh Perhitungan Metode K-Nearest
Neighbor (KNN) :
1. Pada kasus ini menggunakan data
penjualan bulan 1 dan bulan 2 untuk
meramalkan data penjualan pada bulan ke
3. Tabel 3 menunjukkan data penjualan
barang.
Tabel 3 Data Penjualan Barang
Bulan 1
Bulan 2
103
119
133
120
129
133
140
137
Bulan 3
(Target)
112
125
139
129
2. Pada kasus ini diberikan nilai untuk
menghitung nilai Bulan 3 dengan nilai
Bulan 1 = 125 dan Bulan 2 = 134.
3. Menentukan nilai K. pada kasus ini nilai K
=2
Menghitung jarak Euclid data baru terhadap
data yang ada. Tabel 4 menunjukkan
perhitungan jarak Euclid.
Tabel 4 Menghitung Jarak Euclid
Bulan 1
Bulan 2
103
129
119
133
133
140
120
137
Gambar 1 Flowchart Aplikasi
b. Flowchart Metode K-Nearest Neigbor
(KNN)
Gambar 2.menunjukkan flowchart metode
KNN.
Squared distance
to query distance
(125,134)
(103 - 125) 2 +
(129 - 134) 2 = 17
(119 - 125) 2 +
(133 - 134) 2 = 7
(133 - 125) 2 +
(140 - 134) 2 = 14
(120 - 125) 2 +
(137 - 134) 2 = 8
4. Mengurutkan jarak Euclid terkecil.
Tabel 5 menunjukkan urutan jarak Euclid
terkecil
Tabel 5 Mengurutkan Jarak Euclid Terkecil
Bulan 1
Bulan 2
103
129
119
133
133
140
120
137
Gambar 2 flowchart Metode KNN.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Squared
distance to
query distance
(125,134)
(103 - 125) 2 +
(129 - 134) 2 =
17
(119 - 125) 2 +
(133 - 134) 2 =
7
(133 - 125) 2 +
(140 - 134) 2 =
14
(120 - 125) 2 +
(137 - 134) 2 =
8
Urutan
Jarak
Terkecil
Apa
termaksuk
Nearest
Neighbor
(K)
4
Tidak
1
Iya
3
Tidak
2
Iya
157
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
5. Menghitung rata-rata dari nilai object pada
jangkauan nearest neighbor (K)
d. Pengujian Perbandingan Perhitungan
Manual KNN dengan Perhitungan
Aplikasi
Pengujian ini akan membandingkan
perhitungan manual menggunakan metode KNearest Neigbor (KNN) dengan perhitungan
aplikasi menggunakan metode K-Nearest
Neighbor.
Tabel
6
menunjukkan
Perbandingan Perhitungan Manual dan
perhitungan Aplikasi Menggunakan Metode
KNN.
Tabel 6 Perbandingan Perhitungan Manual dan
perhitungan Aplikasi Menggunakan Metode
KNN
Perhitungan Manual
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80
gr
Pen
Snowma
n V-1
Hitam
Pepsoden
t White
75 gr
Bimoli
Botol
620 ml
Powdet
Daia
Putih
BAG 900
gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
Hasil
Perhitungan
Januari 2017
dengan nilai
k=2
2330
2967
123
125
64
55
86
50
66
Perhitungan Aplikasi
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80 gr
Pen
Snowman
V-1
Hitam
Pepsodent
White 75
gr
Bimoli
Botol 620
ml
Powdet
Daia Putih
BAG 900
gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
Hasil
Perhitungan
Januari 2017
dengan nilai
k=2
2330
2967
123
125
64
55
86
50
66
24x250
ml
Shampoo
Zinc
Refresing
SCT 6 ml
Gabin
Gula
Pasir
Thailand
1/2 kg
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
PCS
Tissu
Tesa PB
02
24x250
ml
Shampoo
Zinc
Refresing
SCT 6 ml
Gabin
53
40
53
40
Gula Pasir
Thailand
1/2 kg
35
35
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
30
33
30
33
PCS Tissu
Tesa PB
02
25
25
e. Pengujian Analisis Keakurasian Hasil
Prediksi
Dalam perhitungan keakurasiaan hasil
prediksi, dilakukan dua jenis metode
pengujian yaitu pengujian Mean Absolute
Error (MAE) dan Mean Absolute Precentage
Error (MAPE). Tabel 7 menunjukkan
Perbandingan Hasil Prediksi Sistem k=2
dengan Hasil Sebenarnya.
Tabel 7 Perbandingan Hasil Prediksi Sistem k
= 2 dengan Hasil Sebenarnya
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80
gr
Pen
Snowma
n V-1
Hitam
Pepsode
nt White
75 gr
Bimoli
Botol
620 ml
Powdet
Daia
Hasil Prediksi dengan
k=2
Hasil yang Sebenarnya
1
2
3
4
1
2
3
4
23
30
22
83
22
87
2300
22
90
2286
2118
22
81
29
67
28
88
28
49
2918
27
65
2513
2263
19
73
12
2
12
2
12
6
112
11
9
116
124
11
8
12
5
12
8
11
5
116
12
1
112
118
10
1
64
64
68
59
61
45
51
78
55
58
55
54
58
54
68
59
86
79
78
79
63
76
73
82
Title of manuscript is short and clear, implies research results (First Author)
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
158
Putih
BAG
900 gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
24x250
ml
Shampoo
Zinc
Refresin
g SCT 6
ml
Gabin
Gula
Pasir
Thailand
1/2 kg
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
PCS
Tissu
Tesa PB
02
50
46
54
55
37
34
51
terkecil sebesar 0,001 % dan nilai error
tertinggi adalah sebesar 1,231 %. Ratarata nilai K yang menghasilkan error
terkecil adalah nilai k = 2.
53
5. SARAN
66
72
71
70
54
37
29
42
53
58
59
52
34
39
27
31
40
41
32
34
31
36
25
28
35
35
34
30
32
34
31
29
Adapun saran yang dapat diberikan
untuk pengembangan dan perbaikan aplikasi
ini untuk selanjutnya yaitu diharapkan dapat
dilakukan pengembangan pada aplikasi
prediksi penjualan barang ini, dengan
menambahkan jumlah sampel barang dan
rentang waktu penjualan barang yang akan
diprediksi.
DAFTAR PUSTAKA
30
27
30
27
28
15
26
31
32
32
30
29
21
18
26
24
25
25
24
28
21
18
28
13
[1]
Indra
Wibowo.
2010.
“Analisis
Permasalahan Penjualan Rokok Golden
pada PT. Djitoe IndonesianTobacco
Surakarta,”.
[2]
Perhitungan Mean Absolute Error (MAE)
untuk Aqua Botol Tengah 600 ml dengan nilai
k = 2.
Basu Swasta. 2001. Manajemen
Penjualan. Yogyakarta: Badan Penerbit
Fakultas Ekonomi, Universitas Gajah
Mada.
[3]
Perhitungan Mean Absolute Precentage
Error (MAPE) untuk Aqua Botol Tengah 600
ml dengan nilai k = 2.
Jiawei Han and Kamber Micheline.
2006. Data Mining, Southeast Asia
Edition: Concepts And Techniques.
Morgan kaufmann.
[4]
Bruce L., and Richard T. O’Connell
Bowerman, 1993. Forecasting and time
series: An Applied approach. 3rd.
[5]
Lv Yisheng and Shuming Tang. 2009.
“Real-time Highway Traffic Accident
Prediction Based on the k-Nearest
Neighbor Method, “in International
Conference on Measuring Technology
and Mechatronics Automation.
[6]
Annastasya Liberty. 2015. “Sistem
Informasi
Meramalkan
Penjualan
Barang
dengan
Metode
Double
Exponential Smoothing”. Universitas
Kristen Maranatha.
[7]
Ibnu Rachman Chalid. 2009. “Aplikasi
Audio Steganografi Untuk Melindungi
Data
Menggunakan
Bahasa
4. KESIMPULAN
Berdasarkan studi literatur, analisis,
perancangan, implementasi dan pengujian
sistem ini, maka kesimpulan yang di dapat
adalah sebagai berikut :
1. Aplikasi prediksi penjualan barang
dengan studi kasus Tumaka Mart berhasil
dibangun dengan menerapkan metode KNearest Neighbor (KNN).
2. Berdasarkan hasil pengujian yang
dilakukan, Aplikasi prediksi penjualan
barang menggunakan
metode
KNearest Neighbor (KNN) (studi kasus
Tumaka Mart) mampu melakukan
prediksi penjualan dengan nilai error
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
159
Pemograman Java”. Universitas Guna
Darma.
[8]
Nendang Kacikal. 2011. “Sistem
Peramalan Dan Monitoring Persediaan
Obat Di RSPG Cisaru Bogor Dengan
Menggunakan
Metode
Single
Exponential Smoothing Dan Reorder
Point”. Universitas Komputer Indonesia.
[9]
Kristien Margi. 2015. “Analisis Dan
Penerapan Metode Single Exponential
Smoothing Untuk Prediksi Penjualan
Pada Periode Tertentu”. Universitas
Bunda Mulia.
Title of manuscript is short and clear, implies research results (First Author)
160
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
IJCCS Vol. x, No. x, July 201x : first_page – end_page
ISSN : 2502-8928 (Online)
151
APLIKASI PREDIKSI PENJUALAN BARANG
MENGGUNAKAN METODE K-NEAREST NEIGHBOR
(KNN) (STUDI KASUS TUMAKA MART)
*1,2,3
Hasmawati*1, Jumadil Nangi2, Mutmainnah Muchtar3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail:*1hasmawati758@yahoo.co.id, 2jumadilnangi87@ gmail.com,
3
muchtar.mutmainnah@gmail.com
Abstrak
Salah satu kegiatan usaha yang harus dilakukan agar perusahaan tetap berjalan dan berkembang
adalah penjualan. Keputusan yang
diambil pemegang tanggung jawab perusahaan akan
mempengaruhi perusahaan dimasa depan. Salah satu keputusan yang harus ditentukan yaitu produk
yang akan diproduksi dan dijual untuk periode selanjutnya. Dalam menentukan keputusan diperlukan
metode agar keputusan yang akan diambil dapat tepat sasaran. Teknik yang digunakan untuk
memperkirakan keadaan pada periode selanjutnya disebut prediksi. Penelitian ini mengusulkan
pengembangan aplikasi prediksi penjualan barang. Adapun metode yang di usulkan adalah metode KNearest Neighbor dengan studi kasus Tumaka Mart. Hasil penelitian menunjukan metode yang
diusulkan berhasil diimplementasikan untuk menyelesaikan kasus prediksi penjualan dengan tingkat
error atau Mean Absolute Percentage Error sebesar 6 % dan akurasi 94 %.
Kata kunci—Penjualan, Prediksi, K-Nearest Neighbor.
Abstract
One of the business activities that must be done to keep the company running and growing is
sales. Decisions taken by corporate responsibility holder will affect the company in the future. One of
the decisions that must be determined is the product to be produced and sold for the next period. In
determining the decision required method for decisions to be taken can be right on target. The
technique used to estimate the situation in the next period is called prediction. This research proposes
the development of sales prediction application of goods. The method proposed is K-Nearest
Neighbor method with Tumaka Mart case study. The results showed that the proposed method was
successfully implemented to solve sales prediction cases with error rate or Mean Absolute Percentage
Error of 6% and 94% accuracy.
Keywords—Sales, Prediction, K-Nearest Neighbor.
1. PENDAHULUAN
sehingga mampu meningkatkan pertumbuhan
ekonomi negara.
erusahaan atau badan usaha didirikan
Kegiatan penjualan merupakan salah
dengan tujuan menghasilkan barang dan
satu bagian utama dari kegiatan usaha dan juga
jasa yang ditujukan untuk kebutuhan
merupakan salah satu indikator penting dalam
konsumen sekaligus untuk mendapatkan
dunia usaha. Penjualan berkaitan erat dengan
keuntungan bagi perusahaan atau badan usaha
laba dan rugi suatu badan usaha. Apabila
tersebut. Selain itu dengan berdirinya
tingkat penjualan yang dilakukan perusahaan
perusahaan atau badan usaha juga dapat
bernilai besar maka keuntungan perusahaan
membantu mengurangi angka pengangguran
tersebut juga besar, sehingga perusahaan atau
melalui penyediaan
lapangan pekerjaan,
badan usaha tersebut dapat bertahan
menghadapi persaingan yang semakin ketat
st
th
Received June 1 ,2012; Revised June 25 , 2012; Accepted July 10th, 2012
P
152
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
dan dapat
mengembangkan usahanya.
Keputusan yang diambil oleh pemegang
tanggung
jawab
perusahaan
akan
mempengaruhi perusahaan di masa yang akan
datang. Seorang pimpinan atau pembuat
keputusan juga harus dapat memprediksi
permintaan atas produk yang diproduksi untuk
periode berikutnya.
Prediksi atau forecasting merupakan
seni dan ilmu yang dilakukan untuk
mengetahui atau memperkirakan apa yang
terjadi pada masa yang akan datang. Prediksi
menjadi sangat penting karena penyusunan
suatu rencana, di antaranya didasarkan pada
suatu proyeksi atau ramalan. Oleh karena itu
perusahaan atau badan usaha
perlu
mempredisikan apa yang terjadi pada masa
yang akan datang yang digunakan sebagai
landasan pembuatan keputusan atau kebijakan
untuk kelangsungan perusahaan. Prediksi
dilakukan perusahaan bertujuan untuk
mengetahui dan memperkirakan jumlah
penjualan yang akan datang dan jumlah
kesalahan prediksi, sehingga dapat memenuhi
kebutuhan konsumen
dan
manajemen
perusahaan [1].
Permasalahan yang umum dihadapi oleh
para pemilik perusahaan atau badan usaha
adalah
bagaimana
memprediksi
atau
meramalkan penjualan barang di masa
mendatang berdasarkan data yang telah
direkam sebelumnya. Prediksi tersebut sangat
berpengaruh
pada
keputusan
pemilik
perusahaan untuk menentukan jumlah barang
yang harus disediakan, apabila memesan
barang dalam jumlah yang cukup banyak dan
ternyata penjualan barang tersebut hanya
terjual beberapa saja. Oleh karenanya
diperlukan aplikasi yang dapat membantu
perusahaan atau badan usaha dalam
memperkirakan jumlah permintaan barang,
dengan
menerapkan
metode-metode
peramalan tertentu. Tumaka Mart merupakan
badan usaha yang bergerak pada bidang
pengeceran (Retailing).Tumaka Mart masih
menghadapi permasalahan yang umum di
hadapi oleh pemilik badan usaha, misanya
adanya kesulitan dalam penyediaan barang,
seperti banyaknya stok barang yang kosong
atau banyaknya barang yang tidak laku terjual.
Ada
banyak
metode
peramalan
penjualan, salah satunya adalah metode KNearest Neighbor. Algoritma K-Nearest
Neighbor digunakan karena memiliki akurasi
yang tinggi dengan rasio kesalahan kecil. KNearest Neighbor merupakan salah satu
algoritma machine learning yang dianggap
sederhana
dalam
implementasinya.
Berdasarkan
latar
belakang
tersebut
mendorong
peneliti
untuk
melakukan
penelitian
yang
berjudul
“APLIKASI
PREDIKSI
PENJUALAN
BARANG
MENGGUNAKAN METODE K-NEAREST
NEIGHBOR (KNN) (Studi Kasus Tumaka
Mart) “.
2. METODE PENELITIAN
2.1. Aplikasi Perangkat Lunak
Perangkat lunak dapat diaplikasikan ke
berbagai situasi dimana serangkaian langkah
prosedural
(seperti
algoritma)
telah
didefenisikan [2]. Berikut adalah area
perangkat lunak yang menunjukan luasnya
aplikasi potensial :
a.
Perangkat Lunak Sistem
Perangkat lunak sistem merupakan
sekumpulan program yang ditulis untuk
melayani program-program yang lain. Banyak
perangkat lunak sistem (misal kompiler,
editor, dan utilitas pengatur file) memproses
struktur-struktur informasi yang lengkap
namun tetap. Perangkat lunak sistem ditandai
dengan eratnya interaksi dengan perangkat
keras komputer.
b. Perangkat Lunak Real-Time
Program-program
yang
memonitor/menganalisis kejadian dunia nyata
pada saat terjadinya disebut perangkat lunak
real-time. Elemen-elemen perangkat lunak
real-time mencakup komponen pengumpul
data yang mengumpulkan dan memformat
informasi dari lingkungan eksternal, sebuah
komponen analisis yang mentransformasi
informasi pada saat dibutuhkan oleh aplikasi,
sebuah komponen kontrol/output yang
memberi respon kepada lingkungan eksternal,
serta sebuah komponen monitor yang
mengkoordinasi semua komponen lain agar
respon real-timenya (1 mili detik sampai 1
menit) dapat tetap terjaga. Perlu dicatat di sini
bahwa real-time berbeda dengan interaksi atau
timesharing. Sistem real-time harus merespon
di dalam suatu rentang waktu yang tetap.
Waktu respon sebuah sistem interaktif
(timesharing)
secara
normal
dapat
IJCCS Vol. x, No. x, July 201x : first_page – end_page
153
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
diperpanjang tanpa
kerusakan pada hasil.
memberikan
risiko
c.
Perangkat Lunak Bisnis
Sistem diskrit (contohnya payroll, account
receivable/payable,
inventory)
telah
mengembangkan perangkat lunak sistem
informasi manajemen (MIS) yang mengakses
satu atau lebih database besar yang berisi
informasi bisnis. Aplikasi perangkat lunak
bisnis juga meliputi penghitungan klien/server
serta
penghitungan
interaktif
(misal
pemrosesan transaksi point-of-sale).
d. Perangkat Lunak Teknik dan Ilmu
Pengetahuan
Perangkat lunak teknik dan ilmu
pengetahuan ditandai algoritma number
crunching. Perangkat lunak ini memiliki
jangkauan aplikasi mulai dari astronomi
sampai vulkanologi, dari analisis otomotif
sampai dinamika orbit pesawat ruang angkasa,
dan dari biologi molekuler sampai pabrik yang
sudah diotomatisasi. Computer-aided design,
simulasi sistem, dan aplikasi interaktif yang
lain, sudah mulai memakai ciri-ciri perangkat
lunak sistem genap dan real-time.
e.
Embedded Software
Embedded software ada dalam read-only
memory dan dipakai untuk mengontrol hasil
serta sistem untuk keperluan konsumen dan
pasar industri. Embedded software dapat
melakukan fungsi yang terbatas serta fungsi
esoterik (misal key pad control untuk
microwave) atau memberikan kemampuan
kontrol dan fungsi yang penting (contohnya
fungsi dijital dalam sebuah automobil seperti
kontrol bahan bakar, penampilan dash-board,
sistem rem, dll).
f.
Perangkat Lunak Komputer Personal
Pengolah kata, spreadsheet, grafik
komputer, multimedia, hiburan, manajemen
database, aplikasi keuangan, bisnis dan
personal, jaringan eksternal atau akses
database hanya merupakan beberapa saja dari
ratusan aplikasi yang ada.
Perangkat lunak kecerdasan buatan adalah
pengenalan pola (image dan voice),
pembuktian teorema, dan permainan game. Di
tahun-tahun terakhir, cabang perangkat lunak
kecerdasan buatan yang baru, yang disebut
artificial neural network, telah berkembang.
Jaringan syaraf mensimulasi struktur prosesproses otak dan kemudian membawanya
kepada perangkat lunak kelas baru yang dapat
mengenali pola-pola yang kompleks serta
belajar dari pengalaman-pengalaman masa
lalu.
2.2. Data Mining
Data mining merupakan gabungan dari
berbagai bidang ilmu, antara lain basis data,
information retrieval, statistika, algoritma dan
machine learning.
Bidang ini telah
berkembang sejak lama namun makin terasa
pentingnya sekarang ini di mana muncul
keperluan untuk mendapatkan informasi yang
lebih dari data transaksi maupun fakta yang
terkumpul selama bertahun-tahun. Data
mining adalah cara menemukan informasi
tersembunyi dalam sebuah basis data dan
merupakan bagian dari proses Knowledge
Discovery in Databases (KDD) untuk
menemukan informasi dan pola yang berguna
dalam data [3].
Kegiatan
data
mining
biasanya
dilakukan pada sebuah data warehouse yang
menampung data dalam jumlah besar dari
suatu organisasi. Proses data mining mencari
informasi baru, berharga dan berguna di dalam
sekumpulan data bervolume besar dengan
melibatkan komputer dan manusia serta
bersifat iteratif baik melalui proses otomatis
ataupun manual [3]. Secara umum, data
mining terbagi dalam 2 sifat :
1. Predictive:
menghasilkan
model
berdasarkan sekumpulan data yang dapat
digunakan untuk memperkirakan nilai data
yang lain. Metode-metode yang termasuk
Predictive Data Mining adalah:
a. Klasifikasi: pembagian data ke dalam
beberapa
kelompok
yang telah
g. Perangkat Lunak Kecerdasan Buatan
ditentukan
sebelumnya
Perangkat lunak kecerdasan buatan
b. Regresi: memetakan data ke suatu
(Artificial Inteligent /AI) menggunakan
prediction variable
algoritma non-numeris untuk memecahkan
c. Time series Analysis: pengamatan
masalah kompleks yang tidak sesuai untuk
perubahan nilai atribut dari waktu ke
perhitungan atau analisis secara langsung.
waktu
Title of manuscript is short and clear, implies research results (First Author)
154
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
2. Descriptive: mengidentifikasi pola atau
hubungan dalam data untuk menghasilkan
informasi baru. Metode yang termasuk
dalam Descriptive Data Mining adalah:
a. Clustering: identifikasi kategori untuk
mendeskripsikan data
b. Association
Rules:
identifikasi
hubungan antara data yang satu dengan
lainnya.
c. Summarization: pemetaan data ke
dalam subset
dengan deskripsi
sederhana
d. Sequence Discovery: identifikasi pola
sekuensial dalam data
2.3. Prediksi
Forecasting adalah suatu usaha untuk
meramalkan keadaan di masa mendatang
melalui pengujian keadaan di masa lalu.
Dalam kehidupan sosial segala sesuatu itu
serba tidak pasti, sukar untuk diperkirakan
secara tepat. Dalam hal ini perlu diadakan
forecast. Forecasting yang dibuat selalu
diupayakan agar dapat meminimumkan
pengaruh
ketidakpastian
ini
terhadap
perusahaan. Dengan kata lain forecasting
bertujuan mendapatkan forecast yang bisa
meminimumkan kesalahan meramal (forecast
error) yang biasanya diukur dengan mean
squared error, mean absolute error, dan
sebagainya [4].
2.4.
K-Nearest Neigbor
K-Nearest Neighbor (K-NN) adalah
suatu metode yang menggunakan algoritma
supervised dimana hasil dari query instance
yang baru diklasifikasikan berdasarkan
mayoritas dari label class pada K-NN. Tujuan
dari
algoritma
K-NN
adalah
mengklasifikasikan objek baru berdasarkan
atribut dan training data. Algoritma K-NN
bekerja berdasarkan jarak terpendek dari query
instance ke training data untuk menentukan
K-NN-nya. Salah satu cara untuk menghitung
jarak
dekat
atau
jauhnya
tetangga
menggunakan metode euclidean distance [5].
Ecludian Distance sering digunakan
untuk menghitung jarak. Euclidian Distance
berfungsi menguji ukuran yang bisa digunakan
sebagai interpretasi kedekatan jarak antara dua
obyek [5]. Persamaan (1) menunjukkan
perhitungan Ecludian Distance.
(1)
Dimana,
xik = nilai x pada training data
xjk = nilai x pada testing data
m = batas jumlah banyaknya data
Jika hasil nilai dari Persamaan (1) besar
maka akan semakin jauh tingkat keserupaan
antara kedua objek dan sebaliknya jika hasil
nilainya semakin kecil maka akan semakin
dekat tingkat keserupaan antar objek tersebut.
Objek yang dimaksud adalah training data dan
testing data. Dalam algoritma ini, nilai k yang
terbaik itu tergantung pada jumlah data.
Ukuran nilai k yang besar belum tentu menjadi
nilai k yang terbaik begitupun juga sebaliknya.
Langkah-langkah untuk menghitung
algoritma K-NN:
1) Menentukan nilai k.
2) Menghitung kuadrat jarak euclid (query
instance) masing-masing objek terhadap
training data yang diberikan.
Persamaan (1) menunjukkan perhitungan
kuadrat jarak euclid (query instance)
masing-masing objek terhadap training
data yang diberikan.
3) Kemudian
mengurutkan
objek-objek
tersebut ke dalam kelompok yang
mempunyai jarak euclid terkecil.
4) Menghitung rata-rata dari nilai objek pada
jangkauan K dengan menggunakan
kategori Nearest Neighbor yang terdekat
(jangkauan K), maka dapat diprediksi nilai
query instance yang telah dihitung .
Persamaan 2 menjukkan perhitungan ratarata dari nilai objek pada jangkauan K.
Persamaan (2) menunjukkan perhitungan
rata-rata nilai objek pada jangkauan K.
(2)
2.5. Penjualan
Penjualan merupakan kegiatan ekonomis
yang umum, dimana dengan penjualan sebuah
perusahaan akan memperoleh hasil/laba sesuai
dengan yang direncanakan atau memperoleh
pengembalian atas biaya biaya yang
dikeluarkan [6].
Pada umumnya, para pengusaha
mempunyai tujuan mendapatkan laba yang
maksimal
serta
mempertahankan
atau
berusaha meningkatkannya untuk jangka
waktu lama. Tujuan tersebut dapat direalisir
apabila penjualan dapat dilaksanakan seperti
yang direncanakan[6]. Bagi perusahaan, pada
IJCCS Vol. x, No. x, July 201x : first_page – end_page
155
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
umumnya mempunyai 3 tujuan umum dalam
penjualannya yaitu:
1. Mencapai volume penjualan tertentu,
2. Mendapatkan laba tertentu,
3. Menunjang pertumbuhan perusahaan.
2.6
Pemograman Java
Java adalah bahasa pemrograman yang
berorientasi obyek (OOP) yang dapat
dijalankan apada berbagai platform sistem
operasi. Perkembangan java tidak hanya
terfokus pada suatu sistem operasi, tetapi
dikembangkan untuk berbagai sistem operasi
dan bersifat open source [7]. Bahasa
pemograman java sendiri terbagi menjadi 3
edition yaitu:
1. J2SE (Java 2 Standard Edition)
J2SE adalah inti dari bahasa pemrograman
Java. JDK (Java Development Kit) adalah
salah satu tool dari J2SE untuk mengompilasi
dan menjalankan program java. Di dalamnya
terdapat tool untuk mengompilasi dan JRE.
Tool J2SE yang salah satunya adalah jdk 1.6,
jdk merupakan tool open source dari Sun.
2. J2EE (Java 2 Enterprise Edition)
J2EE adalah sekelompok dari beberapa
API (Application Programming Interface) dari
java dan teknologi selain java.J2EE dibuat
untuk membuat aplikasi yang kompleks. J2EE
sering dianggap sebagai middleware atau
teknologi yang berjalan di server, namun
sebenarnya J2EE tidak hanya terbatas untuk
itu.
3. J2ME (Java 2 Micro Edition)
Midlet untuk aplikasi mobile. J2ME
merupakan edisi library yang dirancang untuk
digunakan pada device tertentu seperti pagers
dan mobile phone.
2.7. Mean Absolute Etor (MAE)
Mean Absolute Error (MAE). MAE
bertujuan menghitung seberapa besar rata-rata
selisih nilai prediksi rating yang dihasilkan
oleh sistem dengan nilai rating yang sudah
ada. Evaluasi MAE memanfaatkan teknik
perhitungan yang sangat sederhana, yaitu
dengan mencari selisih dari semua item yang
di beri oleh sistem dengan item yang sudah
ada. Nantinya selisih tersebut akan di
absolute-kan (nilai positif) dan akhirnya di
rata-rata. Dari hasil MAE, dapat terlihat jelas
seberapa jauh selisih nilai prediksi rating yang
di berikan oleh sistem dengan nilai rating yang
sebenarnya. Semakin besar nilai yang di
dihasilkan oleh MAE maka dapat diartikan
bahwa nilai prediksi yang dihasilkan semakin
tidak akurat, sebaliknya jika nilai MAE yang
di hasilkan mendekati 0 maka prediksi yang
dihasilkan sistem semakin mendekati akurat
[8]. Persamaan (3) menunjukkan perhitungan
nilai MAE.
(3)
Dimana :
2.8. Mean Absolute Precentage Error
(MAPE)
Mean Absolute Precentage Error
(MAPE) dihitung dengan menggunakan
kesalahan absolute pada tiap periode dibagi
dengan nilai observasi yang nyata untuk
periode itu. Kemudian, merata-ratakan
kesalahan presentase absolute tersebut. MAPE
merupakan pengukuran kesalahan yang
menghitung ukuran presentase penyimpangan
antara data aktual dengan data prediksi [9].
Persamaan (4) menunjukkan perhitungan nilai
MAPE.
(4)
Dimana :
3. HASIL DAN PEMBAHASAN
Aplikasi prediksi penjualan barang yang
telah dirancang merupakan sebuah aplikasi
yang menggunakan bahasa pemograman Java
NetBeans yang dibangun untuk memprediksi
penjualan barang setiap bulannya di Tumaka
Mart. Aplikasi ini menggunakan metode KNearest Neighbor (KNN).
Tebel 1 menunjukkan spesifikasi perangkat
keras.
Tabel 1 Spesifikasi Perangkat Keras
No
1.
2.
3.
Nama Perangkat
Processor
Monitor
Memori
Spesifikasi
Intel Core i3
Monitor 15,6 inch
RAM 2 GB DDR 2
Title of manuscript is short and clear, implies research results (First Author)
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
156
4.
Harddisk
Tabel 2
perangkat lunak.
1TB HDD
menunjukkan
spesifikasi
Tabel 2 Spesifikasi Perangkat Lunak
No
Nama Perangkat
1. Operating System
2. NetBeans
3. Xampp
Spesifikasi
Windows 7
8.0.2
3.2.1
a. Flowchart Aplikasi
Flowchart aplikasi Prediksi Penjualan
Barang Menggunakan Metode K-Nearest
Neigbor (KNN). Gambar 1 menunjukkan
flowchart aplikasi.
c. Contoh Perhitungan Metode K-Nearest
Neighbor (KNN) :
1. Pada kasus ini menggunakan data
penjualan bulan 1 dan bulan 2 untuk
meramalkan data penjualan pada bulan ke
3. Tabel 3 menunjukkan data penjualan
barang.
Tabel 3 Data Penjualan Barang
Bulan 1
Bulan 2
103
119
133
120
129
133
140
137
Bulan 3
(Target)
112
125
139
129
2. Pada kasus ini diberikan nilai untuk
menghitung nilai Bulan 3 dengan nilai
Bulan 1 = 125 dan Bulan 2 = 134.
3. Menentukan nilai K. pada kasus ini nilai K
=2
Menghitung jarak Euclid data baru terhadap
data yang ada. Tabel 4 menunjukkan
perhitungan jarak Euclid.
Tabel 4 Menghitung Jarak Euclid
Bulan 1
Bulan 2
103
129
119
133
133
140
120
137
Gambar 1 Flowchart Aplikasi
b. Flowchart Metode K-Nearest Neigbor
(KNN)
Gambar 2.menunjukkan flowchart metode
KNN.
Squared distance
to query distance
(125,134)
(103 - 125) 2 +
(129 - 134) 2 = 17
(119 - 125) 2 +
(133 - 134) 2 = 7
(133 - 125) 2 +
(140 - 134) 2 = 14
(120 - 125) 2 +
(137 - 134) 2 = 8
4. Mengurutkan jarak Euclid terkecil.
Tabel 5 menunjukkan urutan jarak Euclid
terkecil
Tabel 5 Mengurutkan Jarak Euclid Terkecil
Bulan 1
Bulan 2
103
129
119
133
133
140
120
137
Gambar 2 flowchart Metode KNN.
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Squared
distance to
query distance
(125,134)
(103 - 125) 2 +
(129 - 134) 2 =
17
(119 - 125) 2 +
(133 - 134) 2 =
7
(133 - 125) 2 +
(140 - 134) 2 =
14
(120 - 125) 2 +
(137 - 134) 2 =
8
Urutan
Jarak
Terkecil
Apa
termaksuk
Nearest
Neighbor
(K)
4
Tidak
1
Iya
3
Tidak
2
Iya
157
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
5. Menghitung rata-rata dari nilai object pada
jangkauan nearest neighbor (K)
d. Pengujian Perbandingan Perhitungan
Manual KNN dengan Perhitungan
Aplikasi
Pengujian ini akan membandingkan
perhitungan manual menggunakan metode KNearest Neigbor (KNN) dengan perhitungan
aplikasi menggunakan metode K-Nearest
Neighbor.
Tabel
6
menunjukkan
Perbandingan Perhitungan Manual dan
perhitungan Aplikasi Menggunakan Metode
KNN.
Tabel 6 Perbandingan Perhitungan Manual dan
perhitungan Aplikasi Menggunakan Metode
KNN
Perhitungan Manual
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80
gr
Pen
Snowma
n V-1
Hitam
Pepsoden
t White
75 gr
Bimoli
Botol
620 ml
Powdet
Daia
Putih
BAG 900
gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
Hasil
Perhitungan
Januari 2017
dengan nilai
k=2
2330
2967
123
125
64
55
86
50
66
Perhitungan Aplikasi
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80 gr
Pen
Snowman
V-1
Hitam
Pepsodent
White 75
gr
Bimoli
Botol 620
ml
Powdet
Daia Putih
BAG 900
gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
Hasil
Perhitungan
Januari 2017
dengan nilai
k=2
2330
2967
123
125
64
55
86
50
66
24x250
ml
Shampoo
Zinc
Refresing
SCT 6 ml
Gabin
Gula
Pasir
Thailand
1/2 kg
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
PCS
Tissu
Tesa PB
02
24x250
ml
Shampoo
Zinc
Refresing
SCT 6 ml
Gabin
53
40
53
40
Gula Pasir
Thailand
1/2 kg
35
35
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
30
33
30
33
PCS Tissu
Tesa PB
02
25
25
e. Pengujian Analisis Keakurasian Hasil
Prediksi
Dalam perhitungan keakurasiaan hasil
prediksi, dilakukan dua jenis metode
pengujian yaitu pengujian Mean Absolute
Error (MAE) dan Mean Absolute Precentage
Error (MAPE). Tabel 7 menunjukkan
Perbandingan Hasil Prediksi Sistem k=2
dengan Hasil Sebenarnya.
Tabel 7 Perbandingan Hasil Prediksi Sistem k
= 2 dengan Hasil Sebenarnya
Nama
Barang
Aqua
Botol
Tengah
600 ml
Inter Mie
Rasa
Kaldu
Ayam
HVS
Sinar
Dunia
A4S 80
gr
Pen
Snowma
n V-1
Hitam
Pepsode
nt White
75 gr
Bimoli
Botol
620 ml
Powdet
Daia
Hasil Prediksi dengan
k=2
Hasil yang Sebenarnya
1
2
3
4
1
2
3
4
23
30
22
83
22
87
2300
22
90
2286
2118
22
81
29
67
28
88
28
49
2918
27
65
2513
2263
19
73
12
2
12
2
12
6
112
11
9
116
124
11
8
12
5
12
8
11
5
116
12
1
112
118
10
1
64
64
68
59
61
45
51
78
55
58
55
54
58
54
68
59
86
79
78
79
63
76
73
82
Title of manuscript is short and clear, implies research results (First Author)
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
158
Putih
BAG
900 gr
Sunlight
Anti
Bacteria
250 gr
Lifebuoy
BW Red
Ref
24x250
ml
Shampoo
Zinc
Refresin
g SCT 6
ml
Gabin
Gula
Pasir
Thailand
1/2 kg
Terigu
Kompas
1/2 kg
Susu
Frisian
Flag 123
800 gr
PCS
Tissu
Tesa PB
02
50
46
54
55
37
34
51
terkecil sebesar 0,001 % dan nilai error
tertinggi adalah sebesar 1,231 %. Ratarata nilai K yang menghasilkan error
terkecil adalah nilai k = 2.
53
5. SARAN
66
72
71
70
54
37
29
42
53
58
59
52
34
39
27
31
40
41
32
34
31
36
25
28
35
35
34
30
32
34
31
29
Adapun saran yang dapat diberikan
untuk pengembangan dan perbaikan aplikasi
ini untuk selanjutnya yaitu diharapkan dapat
dilakukan pengembangan pada aplikasi
prediksi penjualan barang ini, dengan
menambahkan jumlah sampel barang dan
rentang waktu penjualan barang yang akan
diprediksi.
DAFTAR PUSTAKA
30
27
30
27
28
15
26
31
32
32
30
29
21
18
26
24
25
25
24
28
21
18
28
13
[1]
Indra
Wibowo.
2010.
“Analisis
Permasalahan Penjualan Rokok Golden
pada PT. Djitoe IndonesianTobacco
Surakarta,”.
[2]
Perhitungan Mean Absolute Error (MAE)
untuk Aqua Botol Tengah 600 ml dengan nilai
k = 2.
Basu Swasta. 2001. Manajemen
Penjualan. Yogyakarta: Badan Penerbit
Fakultas Ekonomi, Universitas Gajah
Mada.
[3]
Perhitungan Mean Absolute Precentage
Error (MAPE) untuk Aqua Botol Tengah 600
ml dengan nilai k = 2.
Jiawei Han and Kamber Micheline.
2006. Data Mining, Southeast Asia
Edition: Concepts And Techniques.
Morgan kaufmann.
[4]
Bruce L., and Richard T. O’Connell
Bowerman, 1993. Forecasting and time
series: An Applied approach. 3rd.
[5]
Lv Yisheng and Shuming Tang. 2009.
“Real-time Highway Traffic Accident
Prediction Based on the k-Nearest
Neighbor Method, “in International
Conference on Measuring Technology
and Mechatronics Automation.
[6]
Annastasya Liberty. 2015. “Sistem
Informasi
Meramalkan
Penjualan
Barang
dengan
Metode
Double
Exponential Smoothing”. Universitas
Kristen Maranatha.
[7]
Ibnu Rachman Chalid. 2009. “Aplikasi
Audio Steganografi Untuk Melindungi
Data
Menggunakan
Bahasa
4. KESIMPULAN
Berdasarkan studi literatur, analisis,
perancangan, implementasi dan pengujian
sistem ini, maka kesimpulan yang di dapat
adalah sebagai berikut :
1. Aplikasi prediksi penjualan barang
dengan studi kasus Tumaka Mart berhasil
dibangun dengan menerapkan metode KNearest Neighbor (KNN).
2. Berdasarkan hasil pengujian yang
dilakukan, Aplikasi prediksi penjualan
barang menggunakan
metode
KNearest Neighbor (KNN) (studi kasus
Tumaka Mart) mampu melakukan
prediksi penjualan dengan nilai error
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Hasmawati, Nangi dan Muchtar IJCCSISSN: 1978-1520
159
Pemograman Java”. Universitas Guna
Darma.
[8]
Nendang Kacikal. 2011. “Sistem
Peramalan Dan Monitoring Persediaan
Obat Di RSPG Cisaru Bogor Dengan
Menggunakan
Metode
Single
Exponential Smoothing Dan Reorder
Point”. Universitas Komputer Indonesia.
[9]
Kristien Margi. 2015. “Analisis Dan
Penerapan Metode Single Exponential
Smoothing Untuk Prediksi Penjualan
Pada Periode Tertentu”. Universitas
Bunda Mulia.
Title of manuscript is short and clear, implies research results (First Author)
160
Aplikasi Prediksi Penjualan Barang Menggunakan Metode K-Nearest Neighbor (KNN)…
IJCCS Vol. x, No. x, July 201x : first_page – end_page