BAB 2

LANDASAN TEORI

2.1 Peramalan

2.1.1 Definisi peramalan

Peramalan adalah metode untuk memperkirakan suatu nilai di masa depan

dengan menggunakan data masa lalu. Peramalan juga dapat diartikan sebagai seni dan

ilmu untuk memperkirakan kejadian pada masa yang akan datang, sedangkan aktivitas

peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan

penggunaan suatu produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang

tepat (Gaspersz, 2002, hal.71).

Peramalan bukanlah suatu dugaan , karena dugaan hanya mengestimasikan masa

mendatang berdasarkan perkiraan saja sedangkan peramalan menggunakan perhitungan

matematis sebagai bahan pertimbangan (Gross,1982,hal.2). Menurut Webster (1986,p3),

peramalan adalah dugaan yang dibuat secara sederhana tentang apa yang akan terjadi di

masa depan berdasarakan informasi yang tersedia saat ini.

Dengan kata lain , peramalan adalah proses untuk menduga kejadian atau kondisi

di masa mendatang berdasarkan data historis dan pengalaman untuk menemukan

kecenderungan dari pola sistematis yang bertujuan memperkecil resiko kesalahan.

2.1.2 Tujuan peramalan

Dalam dunia usaha sangat penting diperkirakan hal-hal yang terjadi di masa

depan sebagai dasar untuk pengambilan keputusan, terutama dunia usaha itu merupakan

bagian dari kehidupan sosial, di mana segala sesuatu yang terjadi serba tidak pasti, sukar

11  

diprediksi dengan tepat. Oleh karena itu perlu dilakukan sebuah peramalan / rencana.

Peramalan yang dibuat selalu diupayakan agar dapat:

a. Meminimumkan pengaruh ketidakpastian terhadap perusahaan

b. Peramalan bertujuan mendapatkan peramalan (forecast) yang bisa

meminimumkan kesalahan meramal (forecast error) yang biasanya diukur

dengan MSE (Mean Squared Error), MAE (Mean Absolute Error), dan

sebagainya (Subagyo, 1986 : 4).

2.1.3 Langkah-Langkah Peramalan

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti

langkah-langkah atau prosedur penyusunan yang baik yang akan menentukan kualitas

atau mutu dari hasil peramalan yang disusun. Pada dasarnya ada tiga langkah peramalan

yang penting, yaitu (Assauri, 1984, p5):

1) Menganalisis data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa

lalu.

2) Menentukan metode yang dipergunakan. Metode yang baik adalah metode yang

memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang

terjadi.

3) Memproyeksikan data yang lalu dengan menggunakan metode yang

dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan

(perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan

kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan

teknologi dan penemuan-penemuan baru).

12  

2.1.4 Jenis-Jenis Metode Peramalan

Peramalan dapat dibedakan atas dua macam, yaitu (Assauri, 1984, p4) :

a. Peramalan Kuantitatif : menggunakan model matematis dengan data masa lalu.

Tujuannya mempelajari apa yang telah terjadi di masa lalu untuk meramalkan

nilai- nilai yang akan datang.

b. Peramalan Kualitatif : menggunakan faktor seperti intuisi, emosi, pengalaman.

Hasil peramalan yang dibuat sangat tergantung pada orang yang membuatnya,

karena ditentukan berdasarkan pemikiran yang bersifat intuisi, judgment atau

pendapat, dan pengetahuan serta pengalaman dari penyusunnya.

Peramalan kuantitatif adalah peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang

dipergunakan dalam peramalan tersebut maupun besarnya faktor yang tidak diduga

(outliers) yang mempengaruhi nilai ramalan. Peramalan kuantitatif dapat digunakan bila

terdapat tiga kondisi berikut: tersedianya informasi masa lalu, informasi tersebut dapay

dikuantitatifkan dalam bentik data numerik, dan dapat diasumsikan bahwa beberapa

aspek pola masa lalu akan terus berlanjut di masa mendatang.(Makridakis et al, 1999,

pp19-20).

Peramalan kuantitatif dapat dikelompokkan kedalam dua jenis, yaitu:

1. Peramalan yang didasarkan atas penggunaan analisa pola hubungan antara

variabel yang akan diperkirakan dengan variabel waktu yang disebut deret waktu

(time series). Model deret berskala melakukan pendugaan masa depan

berdasarkan nilai masa lalu dari suatu variabel untuk menemuka pola dalam deret

data historis dan mengeksploitasikan .

13  

2. Peramalan yang didasarkan atas penggunaan analisa pola hubungan antara

variabel yang akan diperkirakan dnegan variabel lain yang mempengaruhinya

yang disebut model kausal/ sebab akibat.

Metode peramalan kualitatif tidak memerlukan data yang serupa seperti

peramalan kuantitatif. Input yang dibutuhkan tergantung pada metode tertentu dan

biasanya merupakan hasil dari pemikiran intuitif, pertimbangan , dan pengetahuan yang

telah didapat. Peramalan kualitatif dapat dikelompokkan kedalam dua jenis, yaitu :

1. Metode eksploratoris (seperti Dalphi, kurva-S, analogi, dan penelitian

morfologis) dimulai dari masa lalu dan masa kini sebagai titik awalnya dan

bergerak ke arah masa depan secara heuristik, seringkali dengan melihat semua

kemungkinan yang ada.

2. Metode normatif (seperti matriks keputusan, pohon relevansi, dan analisis

sistem) dimulai dengan menetapkan sasaran dan tujuan yang akan datang,

kemudian bekerja mundur untuk melihat apakah hal ini dapat dicapai,

berdasarkan kendala, sumber daya, dan teknologi yang rersedia.

Menurut Hyndman (2003) peramalan dapat dihitung juga dengan metode theta , tetapi

metode theta lebih kompleks dan memusingkan karena banyaknya unsur aljabar yang

perlu dijabarkan terlebih dahulu.

2.1.5 Beberapa Metode Deret Waktu (Time Series)

2.1.5.1 Moving Average

Moving average merupakan metode yang paling sering digunakan dan paling

standar.

14  

Moving average adalah suatu metode peramalan umum dan mudah untuk

menggunakan alat-alat yang tersedia untuk analisis teknis. Moving average

menyediakan metode sederhana untuk pemulusan data masa lalu. Metode ini berguna

untuk peramalan ketika tidak terjadi tren. Jika terdapat tren, gunakan estimasi berbeda

untuk mempertimbangkannya. Hal ini disebut dengan ”bergerak” karena sebagai data

baru yang tersedia, data yang tertua tidak digunakan lagi (Makridakis et all, 1999).

Tujuan utama dari penggunaan rata-rata bergerak adalah untuk menghilangkan

atau mengurangi acakan dalam deret waktu. Teknik rata-rata bergerak dalam deret

waktu terdiri dari pengambilan suatu kumpulan nilai-nilai yang diobservasi,

mendapatkan rata-rata dari nilai ini, dan kemudian menggunakan nilai rata-rata tersebut

sebagai ramalan untukperiode yang akan datang. (Assauri,1984,hal23)

Peramalan dengan teknik moving average melakukan perhitungan terhadap nilai

data yang paling baru sedangkan data yang lama akan dihapus. Nilai rata-rata dihitung

berdasarkan jumlah data, yang yang angka rata-ratanya bergeraknya ditentukan dari

harga 1 sampai N data yang dimiliki.

Moving average dihitung dengan menggunakan rumus sebagai berikut:

= ∑ (2.1)

Di mana t adalah nilai yang paling akhir dan t+1 adalah periode berikutnya,

untuk periode mana suatu ramalan dibuat.

= ramalan untuk periode yang berikut, t+1

Xt,t-1,t-2 = nilai observasi/sebenarnya dari variabel itu pada periode t,t-1,t-2,.....

N = Jumlah observasi yang digunakan dalam menghitung rata-rata bergerak

15  

Dalam model moving average dapat dilihat bahwa semua data observasi memiliki bobot

yang sama yang membentuk rata-ratanya. Padahal data observasi terbaru seharusnya

memiliki bobot yang lebih besar dibandingkan dnegan data observasi dimasa lalu. Hal

ini dipandang sebagai kelemahan dalam metode moving average.

2.1.5.2 Exponential Smoothing

Metode exponential smoothing adalah metode yang menunjukkan pembobotan

menurun secara eksponensial terhadap nilai pengamatan yang lebih tua. Terdapat satu

atau lebih parameter penulisan yang ditentukan secara eksplisit, dan hasil pilhan ini

menetukan bobot yang dikenakan pada nilai observasi. (Makridakis et all, 1999, p78).

Menurut Billah (2006) metode exponential smoothing terdiri dari simple

exponential smoothing, trend, dan musiman.

Beberapa keuntungan dari penggunaan metode exponential smoothing adalah

banyak mengurangi masalah penyimpanan data., sehingga tidak perlu lagi menyimpan

semua data historis atau sebagian. Hanya pengamatan terakhir, ramalan terakhir, dan

suatu nilai konstanta yang harus disimpan. (Makridakis et all, 1999, p103-104).

Metode ini dipergunakan secara luas didalam peramalan karena sederhana,

efisien didalam perhitungan ramalan, mudah disesuaikan dengan perubahan data, dam

ketelitian metode ini cukup besar

Metode ini digunakan untuk melakukan pemulusan terhadap suatu deret berkala

dengan membuat rata-rata tertimbang dari sederetan data yang lalu. Metode ini sangat

efektif untuk peramalan jangka pendek dan tidak membutuhkan banyak data.

Metode exponential smoothing cocok untuk data yang bergerak acak keatas dan

kebawah secara terus menerus berarti tidak ada tren maupun musiman.

1 ′ (2.2)

16  

Di mana 0< <1 adalah faktor pemulusan. Semakin kecil nilai alpha, semakin

mulus suatu data. Dengan nilai Y’(1) untuk inisial nilai ramalan didekati dengan nilai

rata-rata ( ) atau

′ = ′ + α - ′ ) (2.3)

2.1.5.3 Metode Winters

Apabila suatu data time series diketahui adanya pola musiman disamping pola

data trend, maka metode winters merupakan satu-satunya metode pendekatan pemulusan

yang banyak digunakan.

Menurut Makridakis, Wheelright, dan McGee (p122-127,1999), metode winters

merupakan metode yang dapat menangani faktor musiman dan tren secara langsung.

Metode ini didasarkan atas tiga persamaan pemulusan dengan tiga paramater, yaitu satu

untuk unsur stasioner, satu untuk trend, dan satu untuk musiman.

Keuntungan dari metode winters adalah memiliki kemampuan yang sangat baik

dalam meramalkan data yang memiliki pola trend dan musiman. Metode winters

digunakan untuk meramalkan suatu hasil yang disesuaikan dengan variasi trend dan

musiman yang tidak dapat diatasi oleh metode moving average dan metode exponential

smoothing. Metode winters menyediakan 3 parameter untuk memperhalus nilai base,

trend , dan musiman.

Persamaan dasar untuk metode winters adalah sebagai berikut:

1.Pemulusan Keseluruhan

(2.4)

)( )1( 11 −−

−

+−+= ttLt

tt bS

IX

S αα

17  

2. Pemulusan trend

(2.5)

3. Pemulusan musiman

(2.6)

4. Ramalan

(2.7)

Di mana L adalah panjang musiman (misal jumlah bulan atau kuartal dalam

suatu tahun), b adalah komponen trend, I adalah faktor penyesuaian musiman, dan Ft+m

adalah ramalan untuk m periode ke muka.

Persamaan 2.6 dapat dibandingkan dengan indeks musiman yang merupakan

rasio antara nilai sekarang dari deret data,Xt, dibagi dengan nilai pemulusan tunggal

yang sekarang untuk deret data tersebut, St . Jika Xt lebih besar daripada St, maka rasio

tersebut akan lebih besar daripada 1, sedangkan jika Xt lebih kecil daripada St, maka

rasio tersebut akan lebih kecil daripada 1. Untuk memahami metode ini kita perlu

menyadari bahwa St merupakan nilai pemulusan (rata-rata) dari deret data yang tidak

termasuk unsur musiman. Juga perlu diingat bahwa Xt mencakup adanya kerandoman

dalam deret data. Untuk menghaluskan keacakan ini, persamaan 2.6 membobot faktor

musiman yang dihitung paling akhir dengan β dan angka musiman paling akhir pada

musiman yang sama dengan (1- β ). (Faktor musiman sebelum ini dihitung pada periode

t-L, karena L adalah panjang musiman).

11 )1()( −− −+−= tttt bSSb γγ

Ltt

tt I

SX

I −−+= )1( ββ

mLtttmt ImbSF +−+ += )(

18  

Persamaan 2.5 tepat sama dengan persamaan dari Holt untuk pemulusan trend,

yaitu

(2.8)

Persamaan 2.4 berbeda sedikit dari persamaan

(2.9)

dari Holt di mana unsur pertamanya dibagi dengan angka musiman It-L. Hal ini

dilakukan untuk menghilangkan musiman (mengeliminasi fluktuasi musiman dari) Xt.

Penyesuian ini dapat digambarkan dengan memperhatikan kasus di mana It-L

lebih besar daripada 1, yang terjadi pada saat nilai periode t-L lebih besar daripada rata-

rata dalam musimannya. Membagi Xt dengan bilangan yang lebih besar daripada 1 ini

menghasilkan suatu nilai yang lebih kecil daripada nilai semula. Persentase penurunan

ini sama dengan banyaknya unsur musiman pada periode t-L yang lebih besar daripada

nilai rata-rata. Penyesuaian yang sebaliknya terjadi bilamana angka musiman lebih kecil

daripada 1. Nilai It-L digunakan dalam perhitungan ini karena It tidak dapat dihitung

sebelum St diketahui dari persamaan pemulusan keseluruhan.

Metode winters juga memiliki kelemahan , kelemahan utama dari metode winters yang

menghambat pemakaiannya secara luas yaitu metode ini membutuhkan tiga parameter

pemulusan (alpha, beta, gamma) yang dapat bernilai antara 0 dan 1, sehingga banyak

kombinasi yang harus dicobakan sebelum nilai parameter yang optimal ditentukan.

Metode alternatif yang dapat mengurangi keraguan tentang nilai optimal adalah

menacari nilai taksiran awal yang lebih baik, lalu menetapkan nilai yang kecil untuk

ketiga parameter pemulusan (sekitar 0,1 sampai dengan 0,3). Nilai 0,1 membuat ramalan

bersifat terlalu berhati-hati, sedangkan nilai 0,3 memberikan sistem yang lebih responsif.

11 )1()( −− −+−= tttt bSSb γγ

)( )1( 11 −− +−+= tttt bSXS αα

19  

Karena adanya himpunan pilihan nilai yang dipersempit ini, maka metode ini biasanya

dipandang sebagai metode yang lebih mudah digunakan (Makridakis et al.,1999.p137).

Dalam metode ini nilai-nilai alpha, beta, dan gamma untuk meminimumkan

MSE (Mean Squared Error) atau MAPE (ABSOLUTE PERCENTAGE ERROR).

2.1.6 Ukuran Ketepatan Peramalan

Dalam semua situasi peramalan mengandung derajat ketidakpastian. Kita

mengenali fakta ini dengan memasukkan unsur kesalahan (error) dalam perumusan

sebuah peramalan deret waktu. Sumber penyimpangan dalam peramalan bukan hanya

disebabkan oleh unsur error , tetapi ketidakmampuan suatu model peramalan mengenali

unsur yang lain dalam deret data juga mempengaruhi besarnya penyimpangan dalam

peramalan. Jadi besarnya penyimpangan hasil peramalan bisa disebabkan oleh besarnya

fajtor yang tidak diduga (outliers) di mana tidak ada metode peramalan yang mampu

menghasilkan peramalan yang akurat, atau bisa juga disebabkan metode peramalan yang

digunakan tidak dapat memprediksi dengan tepat komponen trend, komponen musiman,

atau komponen siklus yang mungkin terdapat dalam deret data, yang berarti metode

yang digunakan tidak tepat (Bowerman dan O’Connell, p12,1987).

Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan (atau

nilai kecocokan / fitted value) untuk periode yang sama, maka kesalahan didefinisikan

sebagai

ei = Xi-Fi (2.10)

20  

Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan

terdapat n buah galat dan ukuran statistik standar berikut yang dapat didefinisikan:

(Makridakis et all, 1999)

Nilai Tengah Galat (MEAN ERROR)

(2.11)

Nilai Tengah Galat Absolut (MEAN ABSOLUTE ERROR)

(2.12)

Jumlah Kuadrat Galat (SUM OF SQUARED ERROR)

(2.13)

Nilai Tengah Galat Kuadrat (MEAN SQUARED ERROR)

(2.14)

Deviasi Standar Galat (STANDARD DEVIATION OF ERROR)

(2.15)

Ada pula ukuran-ukuran ketepatan lain yang sering digunakan untuk mengetahui

ketepatan suatu metode peramalan dalam memodelkan data deret waktu , yaitu nilai

MAPE (MEAN PERCENTAGE ERROR), MSD (MEAN SQUARED DEVIATION),

MAD (MEAN ABSOLUTE DEVIATION)

Nilai Tengah Galat Persentase Absolut (MEAN ABSOLUTE PERCENTAGE ERROR)

MAPE merupakan ukuran ketepan relatif yang digunakan untuk mengetahui persentase

penyimpangan hasil peramalan , dengan persamaan sebagai berikut

∑=

=n

iie

nME

1

1

∑=

=n

iie

nMAE

1

1

2

1∑=

=n

IieSSE

2

1

1∑=

=n

Iie

nMSE

)1/(2

1−= ∑

=

neSDEn

Ii

21  

(2.16)

Galat Persentase (PERCENTAGE ERROR)

(2.17)

MAD menyatakan penyimpangan ramalan dalam unit yang sama pada data,

dengan merata-ratakan nilai absolut error (penyimpangan) seluruh hasil peramalan. Nilai

absolut berguna untuk menghindari nilai penyimpangan positif dan penyimpangan

negatif saling meniadakan. Persamaannya adalah sebagai berikut :

∑ | ′ | (2.18)

Cara lain untuk menghindari penyimpangan nilai positif dan penyimpangan

negatif saling meniadakan adalah dengan mengkuadratkan nilai kesalahan tersebut.

MSD merupakan ukuran penyimpangan ramalan dengan merata-ratakan kuadrat error

(penyimpangan semua ramalan). Persamaannya adalah sebagai berikut:

Tujuan optimalisasi statistik seringkali adalah untuk memilih suatu model agar

nilai MSD minimal , tetapi ukuran ini mempunyai 2 kelemahan. Pertama ukuran ini

menunjukkan pencocokkan (fitting) suatu model terhadap data historis. Pencocokan

seperti ini tidak selalu mengimplikasikan peramalan yang baik. Suatu model yang

terlalu cocok (over fitting) dengan deret data berarti sama dengan memasukkan unsur

random sebagai bagian proses bangkitan, adalah sama buruknya dengan dengan tidak

berhasil mengenai pola non acak dalam data. Kekurangan kedua dalam MSD sebagai

%100×⎟⎠⎞

⎜⎝⎛ −

=t

ttt

XFXPE

∑=

=n

iiPE

nMAPE

1

1

22  

ukuran ketepatan model adalah berhubungan dengan kenyataan bahwa metode berbeda

akan menggunakan prosedur yang berbeda pula dalam fase pencocokan.

Dalam fase peramalan penggunaan MSD dan MAD sebagai suatu ukuran

ketepatan juga dapat menimbulkan masalah. Ukuran ini tidak memudahkan

perbandingan antar deret berskala yang berbeda dan untuk selang waktu yang berlainan,

karena MSD dan MAD merupakan ukuran absolut yang sangat tergantung pada skala

dari data deret waktu. Lagi pula, interpretasi nilai MSD tidak bersifat intuitif, karena

ukuran ini menyangkut pengkuadratan sederetan nilai.

Karena alasan tersebut dalam hubungan dengan keterbatasan MSD dan MAD

sebagai ukuran ketepatan peramalan, maka dipakai ukuran alternatif sebagai sebagai

salah satu indikasi ketepatan dalam peramalan , yaitu MAPE.

Pola data untuk time series dibedakan menjadi pola horison, pola musiman, pola

siklis, dan pola tren.

1. Pola horison terjadi bila data berfluktuasi disekitar nilai rata-rata yang konstan.

Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu

tertentu termasuk jenis ini.

2. Pola musiman terjadi bila data dipengaruhi oleh faktor musiman (misal pada

bulan atau hari-hari tertentu).

3. Pola siklis terjadi bila data dipengaruhi oleh fluktuasi ekonomi jangka panjang

4. Pola trend terjadi bila terdapat kecenderungan kenaikan atau penurunan jangka

panjang dalam data.

23  

Gambar 2.1 Pola Data

Model time series secara umum adalah

Yt = f (t,Yt-1, Yt-2,...,Yt-p) (2.19)

Untuk memilih model terbaik pada analisis deret waktu , kriteria pemilihan

model biasanya didasarkan nilai MSE (Mean Square Error), MAPE(Mean Absolute

Percentage Error), MAD(Mean Absolute Deviation), dan MSD(Mean Square

Deviation) yang terkecil.

24  

2.2 Penjualan

2.2.1 Pengertian Penjualan

Bagi perusahaan, penjualan merupakan sumber utama pendapatan perusahaan.

Pendapatan yang diperoleh dipergunakan perusahaan untuk membiayai segala

kegiatannya maupun untuk mengembangkan usaha. “Penjualan adalah perencanaan,

pelaksanaan dan pengendalian program-program kontak muka, termasuk pengalokasian,

penarikan, pemilihan, pelatihan dan pemotivasian yang dirancang untuk mencapai tujuan

penjualan perusahaan”.

2.2.2 Tujuan Penjualan

Tujuan utama suatu perusahaan memproduksi suatu barang adalah untuk

memperoleh keuntungan atau laba. Suatu keuntungan atau laba dapat diperoleh melalui

penghasilan dengan melakukan kegiatan penjualan. Faktor perusahaan kondisi pasar

terutama tentang jumlah permintaan model yang diinginkan dan sebagainya, hal tersebut

menjadi penawaran dari setiap produknya yang terjadi kepada para masyarakat atau para

konsumen (Sugiarto, 2000).

2.2.3 Faktor-faktor yang mempengaruhi volume penjualan

Menurut Swastha, Basu, dkk (1990), tinggi rendahnya volume penjualan sangat

tergantung dari penjualan itu sendiri. Seiring dalam kenyataan volume penjualan juga

banyak dipengaruhi oleh beberapa faktor, yaitu antara lain:

a. Faktor Intern

Faktor-faktor ini berasal dari perusahaan yang menyangkut kebijaksanaan yang

diambil perusahaan, meliputi:

25  

1) Promosi

Dengan promosi, informasi mengenai produk perusahaan dapat diketahui oleh

konsumen sehingga akan terdorong terjadinya permintaan yang

menyebabkan terjadinya pembelian.

2) Harga

Harga akan berpengaruh terhadap volume penjualan karena konsumen dalam

proses pengambilan keputusan untuk membeli juga mempertimbangkan

harga. Harga yang lebih bersaing tentunya akan lebih menarik minat

konsumen.

3) Distribusi

Apabila saluran distribusinya panjang dan mudah menyebarluas di berbagai

daerah maka konsumen akan mudah mendapatkan produk tersebut.

4) Fasilitas dan Pelayanan yang diberikan

Hal ini meliputi mudah tidaknya produk dijangkau konsumen, pelayanan

penjualan, sistem pembayaran dan kemudahan lainnya.

5) Produk

Produk dengan kualitas yang tinggi akan lebih menarik konsumen dari para

produk yang mutunya rendah. Demikian juga produk yang tidak sesuai

dengan kebutuhan akan kurang disukai.

b. Faktor Ekstern

Faktor ini berasal dari luar perusahaan yang meliputi:

1) Persaingan

26  

Persaingan merupakan pengaruh yang cukup besar terhadap volume penjualan.

Dengan adanya persaingan maka pasaran tidak hanya dikuasai oleh seorang

pengusaha.

2) Peraturan Pemerintah

Peraturan pemerintah juga dapat mempengaruhi volume penjualan misalnya

pajak, peraturan, perijinan dan sebagainya.

3) Perubahan Selera Konsumen

Dengan berubahnya selera konsumen, maka konsumen akan beralih pada

produknya yang lain. Dengan demikian permintaan akan suatu jenis produk

tentu akan berkurang dan akan sangat berpengaruh terhadap volume

penjualan produk tersebut.

2.3 UML (Unified Modeling Language)

UML adalah bahasa standar untuk mebuat cetak biru dari piranti lunak. UML

dapat digunakan untuk visualisasi dan menentukan, membangun serta

mendokumentasikan hasil kerja dari sistem yang dirancang untuk piranti lunak (Booch,

Rumbaugh, dan Jacobson, 1998, p13). Artifact dapat berupa model, deskripsi atau

perangkat lunak) dari system perangkat lunak, seperti pada pemodelan bisnis dan system

non perangkat lunak lainnya.

UML tidak hanya digunakan dalam proses pemodelan perangkat lunak, namun

hampir dalam semua bidang yang membutuhkan pemodelan.

Bagian-bagian utama dari UML adalah view, diagram, model element, dan

general mechanism.

a. View

27  

View digunakan untuk melihat sistem yang dimodelkan dari beberapa aspek

yang berbeda. View bukan melihat grafik, tapi merupakan suatu abstraksi yang

berisi sejumlah diagram. Beberapa jenis view dalam UML antara lain: use case

view, logical view, component view, concurrency view, dan deployment view.

b. Use case view

Mendeskripsikan fungsionalitas sistem yang seharusnya dilakukan sesuai yang

diinginkan external actors. Aktor yang berinteraksi dengan sistem dapat berupa

user atau sistem lainnya.

View ini digambarkan dalam use case diagram dan kadang-kadang dengan

activity. View ini digunakan terutama untuk pelanggan , perancang (designer),

pengembang (developer), dan penguji sistem (tester).

c. Logical view

Mendeskripsikan bagaimana fungsionalitas dari sistem, struktur statis (class,

object, dan relationship ) dan kolaborasi dinamis yang terjadi

ketika object mengirim pesan ke object lain dalam suatu fungsi tertentu.

View ini digambarkan dalam class diagrams untuk struktur statis dan

dalam state, sequence, collaboration, dan activity diagram untuk model

dinamisnya. View ini digunakan untuk perancang (designer) dan pengembang

(developer).

d. Component view

Mendeskripsikan implementasi dan ketergantungan modul. Komponen yang

merupakan tipe lainnya dari code module diperlihatkan dengan struktur dan

ketergantungannya juga alokasi sumber daya komponen dan informasi

administratif lainnya.

28  

View ini digambarkan dalam component view dan digunakan untuk

pengembang (developer).

e. Concurrency view

Membagi sistem ke dalam proses dan prosesor.View ini digambarkan dalam

diagram dinamis (state, sequence, collaboration, dan activity diagram) dan

diagram implementasi (component dan deployment diagram) serta digunakan

untuk pengembang (developer), pengintegrasi (integrator), dan penguji

(tester).

f. Deployment view

Mendeskripsikan fisik dari sistem seperti komputer dan perangkat (nodes) dan

bagaimana hubungannya dengan lainnya.

View ini digambarkan dalam deployment diagramsdan digunakan untuk

pengembang (developer), pengintegrasi (integrator), dan penguji (tester).

g. Diagram

Diagram berbentuk grafik yang menunjukkan simbol elemen model yang

disusun untuk mengilustrasikan bagian atau aspek tertentu dari sistem. Sebuah

diagram merupakan bagian dari suatu view tertentu dan ketika digambarkan

biasanya dialokasikan untuk view tertentu. Adapun jenis diagram antara lain :

1. Use case diagram

2. Class diagram

3. Component diagram

4. Deployment diagram

5. State diagram

6. Sequence Diagram

29  

7. Collaboration diagram

8. Activity diagram

Penulis dalam skripsi ini menggunakan use case diagram, sequence diagram,

dan activity diagram.

2.3.1 Use case Diagram

Use case adalah abstraksi dari interaksi antara system dan actor (Booch,

Rumbaugh, dan Jacobson, 1998, p97). Use case bekerja dengan cara mendeskripsikan

tipe interaksi antara user sebuah system dengan sistemnya sendiri melalui sebuah cerita

bagaimana sebuah system dipakai. Use case merupakan konstruksi untuk

mendeskripsikan bagaimana system akan terlihat di mata user. Sedangkan use case

diagram memfasilitasi komunikasi diantara analis dan pengguna serta antara analis dan

client. Use case diagram menjelaskan manfaat suatu sistem jika dilihat menurut

pandangan orang yang berada di luar sistem. Diagram ini menunjukkan fungsionalitas

suatu sistem atau kelas dan bagaimana sistem tersebut berinteraksi dengan dunia luar.

Use case diagram dapat digunakan selama proses analisis untuk menangkap

requirements sistem dan untuk memahami bagaimana sistem seharusnya bekerja.

Selama tahap desain, use case diagram berperan untuk menetapkan perilaku (behavior)

sistem saat diimplementasikan. Dalam sebuah model mungkin terdapat satu atau

beberapa use case diagram. Kebutuhan atau requirements sistem adalah fungsionalitas

apa yang harus disediakan oleh sistem kemudian didokumentasikan pada model use case

yang menggambarkan fungsi sistem yang diharapkan (use case), dan yang

mengelilinginya (actor), serta hubungan antara actor dengan use case (use case diagram)

itu sendiri.

30  

Gambar 2.2 Use case diagram dalam UML

2.3.2 Sequence Diagram

Sequence Diagram merupakan sebuah diagram yang menggambarkan interaksi

antar objek di dalam sebuah system (Booch, Rumbaugh, dan Jacobson, 1998, p97.

Interaksi tersebut berupa message yang digambarkan terhadap waktu. Sequence

Diagram terdiri dari dimensi horizontal (objek-objek) dan dimensi vertical (waktu).

Diagram ini juga menggambarkan urutan even yang terjadi. Dan lebih detail dalam

menggambarkan aliran data, termasuk data atau behavior yang dikirimkan atau diterima.

31  

Gambar 2.3 Sequence Diagram dalam UML

2.3.3 Activity diagram

Menggambarkan rangkaian aliran dari aktivitas, digunakan untuk

mendeskripsikan aktifitas yang dibentuk dalam suatu operasi sehingga dapat juga

digunakan untuk aktifitas lainnya seperti use case atau interaksi (Booch, Rumbaugh, dan

Jacobson, 1998, p97).

32  

Gambar 2.4 Activity Diagram dalam UML

Tujuan Penggunaan UML

1. Memberikan bahasa pemodelan yang bebas dari berbagai bahas pemrograman

dan proses rekayasa.

2. Menyatukan praktek-praktek terbaik yang terdapat dalam pemodelan.

3. Memberikan model yang siap pakai, bahsa pemodelan visual yang ekspresif

untuk mengembangkan dan saling menukar model dengan mudah dan dimengerti

secara umum.

4. UML bisa juga berfungsi sebagai sebuah (blue print) cetak biru karena sangat

lengkap dan detail. Dengan cetak biru ini maka akan bias diketahui informasi

secara detail tentang coding program atau bahkan membaca program dan

menginterpretasikan kembali ke dalam bentuk diagram (reserve enginering).

33  

2.4 Berbasis Komputer

Berbasis komputer adalah semua perhitungan, aplikasinya dikerjakan dengan

menggunakan komputer.

Rekayasa piranti lunak pertama kali diperkenalkan oleh Fritz Bauzer sebagai

penetepan dan penggunaan prinsip-prinsip rekayasa dalam usaha mendapatkan piranti

lunak yang ekonomis, yaitu piranti lunak yang terpercaya dan bekerja efisiensi pada

mesin atau komputer (Pressman,2001).

2.4.1 Waterfall Model

WATERFALL MODEL

Gambar 2.5 Waterfall Model

34  

1. Rekayasa sistem (System Engineering)

Karena perangkat lunak merupakan bagian dari sebuah sistem yang lebih besar,

maka aktivasi ini dimulai dengan penetapan kebutuhan dari semua elemen

sistem. Gambaran sistem ini penting jika perangkat lunak harus berinteraksi

dengan elemen-elemen lain , seperti hardware, manusia, dan database.

2. Analisis kebutuhan perangkat lunak (Software Requirement Analysis)

Analisis dilakukan untuk mengetahui kebutuhan piranti lunak, fungsi-fungsi

yang dibutuhkan, kemampuan piranti lunak dan antarmuka piranti lunak tersebut.

3. Perancangan (Design)

Peranacangan dititikberatkan pada empat atribut program, yaitu stuktur data,

arsitektur piranti lunak, rincian prosedur, dan karakter antarmuka. Proses

perancangan menerjemahkan kebutuhan kedalam sebuah representasi perangkat

lunak yang dapat dinilai kualitasnya sebelum dilakukan pengkodean.

4. Pengkodean (Coding)

Aktivitas yang dilakukan adalah memindahkan hasil perancangan menjadi suatu

bentuk yang dapat dimengerti oleh mesin, yaitu dengan membuat program.

5. Pengujian (Testing)

Tahap pengujian perlu dilakukan agar output yang dihasilkan oleh program

sesuai dengan yang diharapkan. Pengujian dilakukan secara menyeluruh hingga

semua perintah dan fungsi telah diuji.

6. Pemeliharaan (Maintenance)

Karena kebutuhan pemakai selalu meningkat, makam piranti lunak yang telah

selesai dibuat perlu dipelihara agar dapat mengantisipasi kebutuhan pemakai

35  

terhadap fungsi-fungsi baru yang dapat timbul karena munculnya sistem operasi

baru dan perangkat keras baru.

2.4.2 Diagram Alir (Flowchart)

Diagram alir merupakan urutan semua proses yang harus dijalankan untuk

mencapai tujuan yang diinginkan dalam sebuah sistem (Pressman,2002,p476). Diagram

ini dinyatakan dengan simbol. Flowchart berguna sebagai sarana pembantu untuk

menunjukkan bagaimana bekerjanya program yang diusulkan serta sebagai sarana untuk

memahami operasi-operasi dari sebuah program.

Flowchart merupakan gambaran hasil pemikiran dalam menganalisa suatu

masalah dengan komputer. Flowhart yang dihasilkan antara satu pemogram dengan

pemogram lainnya dapat bervariasi.

Flowchart terdiri dari tiga bagian utama, yaitu:

• Input

• Proses

• Output

Gambar 2.6 Beberapa Gambar Pada Diagram Alir

36  

2.4.3 Interaksi Manusia dan Komputer

Suatu program yang baik harus bersifat user friendly. Shneiderman (2005)

menjelaskan lima kriteria yang harus dipenuhi oleh program user friendly, yaitu:

1. Waktu belajar yang tidak lama

2. Kecepatan penyajian informasi yang tepat

3. Tingkat kesalahan pemakaian yang rendah

4. Penghafalan sesudah melampui jangka waktu

5. Kepuasan user

Untuk merancang sistem interaksi interaksi manusia dan komputer yang baik,

harus memperhatikan delapan aturan emas dibawah ini :

1. Consistency (konsisten)

2. Enable frequent user to use shortcuts (menyediakan fasilitas shortcut untuk

pengguna mahir)

3. Offer informative feed back (memberikan umpan balik yang informatif)

4. Design dialog to yield closer (pengorganisasian yang baik sehingga pengguna

mengetahui kapan awal dan akhir dari suatu aksi)

5. Offer simple error handling (penanganan kesalahan yang sederhana)

6. Permit easy reversal handling (mengizinkan pmebalikan aksi yang mudah)

7. Support internal locus of control (pemakai menguasai sistem)

8. Reduce short term memory lost (mengurangi beban ingatan jangka pendek)

Keuntungan penggunaan perangkat bantu untuk mengembangkan user interface

menurut Sentosa (1997, p7) yaitu :

1. User interface yang dihasilkan lebih baik.

37  

2. Program user interface-nya menjadi mudah ditulis dan lebih ekonomis untuk

dipelihara.

2.4.4 Perancangan Layar

. Rancangan layar dibuat sedemikian rupa sehingga memudahkan pengguna

untuk berinteraksi dengan sistem. Smith dan Mosier (dikutip oleh Shneiderman, 2005)

mengusulkan pedoman perancangan layar yang baik sebagai berikut:

1. Konsistensi tampilan data. Istilah, singkatan, format, dan lain sebagainya

harus standar.

2. Beban ingatan yang seminimal mungkin bagi pengguna. Pengguna sedapat

mungkin tidak diharuskan mengingat informasi dari layar satu ke layar

lainnya.

3. Kompatibilitas tampilan data dengan pemasukan data. Format tampilan

informasi perlu berhubungan dengan tampilan pemasukan data

4. Fleksibilitas kendali pengguna terhadap data. Pengguna program harus dapat

memperoleh informasi yang diinginkan dengan format yang paling

memudahkan.