Professional Documents
Culture Documents
php/jsinbis
DOI : 10.21456/vol9iss2pp244-251
Abstract
Business analytics plays an important role in optimizing the management of product marketing strategies. One of the most
popular analytical tools in business analytics is sales forecasting. Businesses need to conduct sales forecasting to optimize
marketing management in the form of product availability predictions, predictions of capital adequacy, consumer interest, and
product price governance. However, the problem that is often encountered in forecasting is the number of forecasting methods
available so that it makes it difficult for business people to choose the best forecasting method. The aims of this research is to
develop a forecasting software tha can be accessed online based on computational intelligence, which is a software that can
make forececasting with various methods and then intelligently choose the best forecasting method. The software development
method used in this study is the SDLC with waterfall model. The result of this research is the Auto sales forecasting software
was developed using the R programming language by combining various package and can be accessed online through the page
Http://bakrizal.com/AutoSalesForecasting. This software can be used to conduct forecast analysis with various methods such
as Simple Moving Average, Robust Exponential Smoothing, Auto ARIMA, Artificial Neural Network, Holt-Winters, and
Hybrid Forecast. This software contains intelligence computing to choose the best forecasting method based on the smallest
RMSE value. After testing the sales transaction data at the Futry Bakery & Cake Shop in Makassar, the results show that the
Robust Exponantial Smoothing method is the best forecasting method with an RMSE value of 0.829.
Keywords : Busines Analytics; Computational Intelligence; Marketing Management; Sales Forecasting; R Programming
Abstrak
Business analytics memegang peran penting dalam mengoptimalisasi manajemen strategi pemasaran produk. Salah satu alat
analisis yang populer dalam business analytics adalah sales forecasting. Para pelaku bisnis perlu melakukan peramalan
penjualan untuk mengoptimalisasi manajemen pemasaran berupa prediksi ketersediaan produk, prediksi kecukupan modal,
minat konsumen, dan tata kelola harga produk. Akan tetapi permasalahan yang sering dijumpai dalam peramalan adalah
banyaknya metode peramalan yang tersedia sehingga membuat para pelaku bisnis kesulitan dalam memilih metode peramalan
yang terbaik. Tujuan penelitian ini adalah mengembangkan sebuah aplikasi peramalan yang dapat diakses secara online dan
berbasis computational intelligence yaitu aplikasi yang dapat melakukan peramalan dengan berbagai metode kemudian
selanjutnya secara cerdas memilih metode peramalan yang terbaik. Metode pengembangan aplikasi yang digunakan dalam
penelitian ini adalah metode SDLC dengan model waterfall. Hasil penelitian menunjukkan bahwa aplikasi Auto sales
forecasting berhasil dikembangkan menggunakan bahasa pemrograman R dengan mengkombinasikan berbagai package dan
dapat diakses secara online melalui halaman http://bakrizal.com/AutoSalesForecasting. Aplikasi ini dapat digunakan untuk
melakukan analisis peramalan dengan berbagai metode seperti Simple Moving Average, Robust Exponantial Smoothing, Auto
ARIMA, Artificial Neural Network, Holt-Winters, dan Hybrid Forecast. Aplikasi ini memuat komputasi cerdas untuk memilih
metode peramalan terbaik berdasarkan nilai RMSE terkecil. Setelah dilakukan uji coba pada data transaksi penjualan di Toko
Futry Bakery & Cake di Kota Makassar hasil menunjukkan bahwa metode Robust Exponantial Smoothing merupakan metode
peramalan terbaik dengan nilai RMSE sebesar 0,829.
Kata kunci : Busines Analytics; Computational Intelligence; Manajemen Pemasaran; Sales Forecasting; Pemrograman R.
terkini. Bila pelaku bisnis tidak melakukan inovasi memudahakan para pelaku bisnis untuk melakukan
dalam strategi pemasaran produknya maka akan analisis peramalan data penjualan.
kesulitan bersaing dengan kompetitor lainnya. Aplikasi R merupakan teknologi yang open source
Misalnya, pada sektor industri makanan dan minuman dan free dan berkembang dengan pesat mengikuti
seringkali membutuhkan optimalisasi manajemen kebutuhan alat analisis data. Selain itu, aplikasi R juga
pemasaran berupa ketersediaan produk, kecukupan memuat ribuan package untuk menganalisis berbagai
modal, minat konsumen, dan tata kelola harga untuk kasus yang kompleks. Bahkan terdapat package di
mencapai keuntungan yang optimal. Business dalam R yaitu shinydashboard package yang dapat
analytics merupakan langkah yang seringkali digunakan untuk merancang aplikasi baru berbentuk
ditempuh oleh para pelaku bisnis untuk meningkatkan dashboard analytics yang dapat diakses secara online.
penjualan produk melalui peramalan pada parameter Perancangan aplikasi menggunakan pemrograman R
yang berkaitan dengan data penjualan seperti dapat membantu para pelaku bisnis dalam melakukan
peramalan stok ketersediaan barang, peramalan harga analisis bisnis seperti peramalan data penjualan
jual, dan lainnya. berbagai metode.
Peramalan merupakan teknik dalam statistika yang Tujuan penelitian ini adalah mengembangkan
dapat membantu para pelaku bisnis untuk menyusun sebuah aplikasi sales forecasting yang dapat diakses
strategi pemasaran produk. Sales forecasting secara online yang memuat berbagai jenis metode
merupakan salah satu istilah yang paling populer peramalan dan berbasis computational intelligence
digunakan dalam bidang data sains untuk analisis yaitu secara cerdas akan memilih metode peramalan
peramalan penjualan. Akan tetapi permasalahan yang terbaik berdasarkan nilai RMSE terkecil. Selain itu
sering dijumpai dalam sales forecasting adalah di aplikasi yang telah dikembangkan akan diuji coba
dalam ilmu pengetahuan statistika terdapat banyak menggunakan data transaksi penjualan Toko Futry
jenis metode peramalan sehingga membuat para Bakery & Cake di Kota Makassar.
pelaku bisnis kesulitan dalam memilih metode
peramalan yang terbaik untuk meramal data penjualan 2. Kerangka Teori
produknya. Metode peramalan yang populer
digunakan oleh para saintis dalam analisis bisnis 2.1. Manajemen Pemasaran
diantaranya metode peramalan Simple Moving Manajemen pemasaran sangat dibutuhkan untuk
Average, Metode ARIMA, Robust Exponantial mengoptimalisasi regulasi penjualan produk. Untuk
Smoothing, Artificial Neural Network, Holt-Winters, mengoptimalisasi penjualan, para pelaku bisnis harus
Hybrid Forecast dan metode peramalan lainnya. memikirkan kegiatan pemasaran produknya seperti
Penggunaan metode peramalan untuk sales stok barang, harga jual, modal dan keuntungan.
forecasting sudah dilakukan oleh beberapa peneliti. Menurut Assouri (2013) manajemen pemasaran
Siti Wardah dan Iskandar (2016) dengan judul merupakan kegiatan penganalisisan, perencanaan,
Analisis Peramalan Penjualan Keripik Pisang pelaksanaan, dan pengendalian program-program
Kemasan Bungkus mengggunakan tiga metode yaitu yang dibuat untuk membentuk, membangun, dan
metode moving average, exponential smoothing with memelihara keuntungan dari pertukaran melalui
trend dan metode trend analysis. Tingkat kesalahan sasaran pasar guna mencapai tujuan organisasi
(error) terkecil ada pada metode trend analysis yang (perusahaan) dalam jangka panjang. Oleh karena itu
kemudian dipilih untuk digunakan pada peramalan analisis bisnis sangat dibutuhkan oleh para pelaku
penjualan keripik pisang. Riatningsih (2017) dengan bisnis agar mencapai hasil penjualan yang optimal.
judul Forecasting Penjualan Rumah dengan
Menggunakan Metode Trend Moment menganalisis 2.2. Sales Forecasting
hasil perkiraan penjualan rumah menggunakan Berbagai cara yang dapat dilakukan untuk
moment untuk membuat tren prediksi atau target mengoptimalisasi manajemen strategi penjualan.
rumah penjualan di masa depan serta untuk mengatasi Salah satunya adalah dengan melakukan analisis
kerugian dan meningkatkan penjualan rumah dan bisnis yaitu peramalan pada parameter penjualan.
penjualan rumah untuk target bisa tercapai. Ghozali et Parameter penjulan yang seringkali diperhatikan yaitu
al. (2019) menggunakan delapan metode peramalan jumlah ketersedian barang, nilai produk, harga beli
yaitu single moving average, weighted moving dan harga Jual, kecukupan modal, serta keuntungan.
average, double moving average, single exponential Produksi berdasarkan ramalan penjualan sangat
smoothing, double exponential smoothing, kuadratik, penting, sehingga tidak menimbulkan produksi yang
regresi linier, dan siklik. berlebih untuk menghindari pemborosan atau
Berdasarkan uraian beberapa penelitian tersebut kerugian. Menurut Swastha, sales forecasting adalah
terlihat bahwa terdapat beberapa metode peramalan tingkat penjualan yang diharapkan dapat dicapai pada
yang dapat digunakan. Akan tetapi pelaku bisnis tentu masa yang akan datang dengan mendasarkan pada
mengalami kesulitan untuk menerapkan metode data penjualan ril dimasa lampau yang telah terkumpul
peramalan terbaik sehingga diperlukan teknologi yang (Swastha et al., 2008). Sedangkan menurut Rizkiyani
canggih berupa aplikasi olah data yang dapat (2014) sales forecasting adalah kegiatan penyusunan
246 Jurnal Sistem Informasi Bisnis 02(2019) On-line : http://ejournal.undip.ac.id/index.php/jsinbis
ramalan tentang sifat atau ciri-ciri penjualan dari suatu periode tertentu (Montgomery et al., 2008). Model
pokok yang dihasilkan oleh suatu perusahaan permalan metode SMA adalah :
termasuk jumlah, kualitas serta harga dari
produk pada waktu tertentu dimasa yang akan datang. 1
𝐹𝑡+1 = 12 ∑11
𝑘=0 𝑋𝑡−𝑘 (1)
Berdasarakan definisi tersebut peramalan penjualan
berguna untuk menentukan kebijakan dalam persoalan dengan:
penyusunan anggaran yang meliputi anggaran Ft + 1 = Nilai ramalan 1 periode ke depan
penjualan, anggaran pembelian, anggaran pengerjaan. Xt = Nilai observasi periode t
Selain itu, sales forecasting juga berguna untuk
pengawasan dalam persediaan (inventory control) Pada penelitian ini, analisis data dan perancangan
agar persediaan tidak tidak terlalu besar atau sedikit. aplikasi menggunakan bahasa pemrograman R dan
metode Simple Moving Average dapat ditemukan di
2.3. Auto Sales Forecasting berbasis Computational dalam paket R yang disebut smooth package
Intelligence Website (Svetunkov, 2018).
Analisis Sales Forecasting dapat menggunakan
berbagai metode peramalan sehingga membuat para 2.4.2. Robust Exponantial Smoothing
pelaku bisnis kesulitan memilih metode terbaik. Oleh Robust Exponantial Smoothing merupakan metode
karena itu diperlukan teknologi canggih yang cerdas peramalan baru yang dikembangkan dengan tujuan
untuk memilih metode peramalan terbaik secara untuk memuluskan setiap aspek dari varians
otomatis. Computational intelligence merupakan pendugaan parameter metode Exponantial Smoothing.
salah satu bagian dari Artificial Intelligence yang Metode ini dapat digunakan pada data trend dan
diterapkan dalam pengembangan software agar musiman serta kekar terhadap pencilan deret data
mampu mempelajari pola data atau metode untuk (Crevits dan Croux, 2016). Model Robust Exponantial
mengambil keputusan secara cerdas dan memberikan Smoothing adalah
𝑦𝑡 −𝑦̂ ∗ 𝑡|𝑡−1
informasi yang berharga serta memudahkan para 𝑦𝑡∗ = 𝜓 [ ] 𝜎̂𝑡 + 𝑦̂ ∗ 𝑡|𝑡−1 (2)
𝜎
̂𝑡
pengguna aplikasi untuk melakukan kegiatan analisis
bisnis (Cavalcante et al., 2016). Di dalam analisis Pada penelitian ini, analisis data dan perancangan
peramalan, Computational intelligence sangat aplikasi menggunakan bahasa pemrograman R dan
berguna dalam penentuan metode peramalan terbaik. untuk metode Robust Exponantial Smoothing sudah
Oleh karena itu pada penelitian ini, analisis data dan tersedia dalam bentuk package di dalam database R
perancangan aplikasi Auto Sales Forecasting yang yang disebut sebagai robets package (Crevits et al.,
berbasis Computational Intelligence akan 2018).
dikembangkan menggunakan bahasa pemrograman R
dengan berbagai metode peramalan yang popular 2.4.3. Auto ARIMA
digunakan. Model ARIMA adalah suatu model peramalan
Bahasa pemrograman R merupakan software yang yang populer dan fleksibel yang memanfaatkan
free dengan paket statistik yang lengkap. Aplikasi R informasi historis untuk membuat prediksi (Shumway
awalnya diciptakan oleh Ross Ihaka dan Robert dan Stoffer, 2011). Model peramalan ARIMA adalah
Gentleman Tahun 1992 dari Departemen statistika, 𝜙𝑝 (𝐵)(1 − 𝐵)𝑑 𝑍𝑡 = 𝜃(𝐵)𝑎𝑡 (3)
Universitas Auckland, Selandia Baru. R Pada penelitian ini, analisis data dan perancangan
dikembangkan secara intensif oleh R-core Team yang aplikasi menggunakan bahasa pemrograman R dan
melibatkan banyak kontributor berbagai institusi untuk metode Auto ARIMA tersedia dalam bentuk
seluruh dunia (R Core Team, 2008). package di dalam database R yang disebut sebagai
Aplikasi R mengalami kemajuan sehingga dapat forecast package (Hyndman et al., 2018).
digunakan untuk merancang aplikasi baru yang
berbasis dashboard analytics dengan menggunakan 2.4.4. Artificial Neural Network
paket shinydashboard dan paket statistik lainnya. Artificial Neural Network (ANN) merupakan
Bahkan saat ini aplikasi yang dirancang menggunakan metode baru yang dikembangan pada kasus
bahasa pemrograman R dapat dipasang di cloud server peramalan. ANN dapat melakukan pemodelan
menggunakan shiny-server agar dapat diakses secara hubungan yang kompleks antara input dan output
online (Ribeiro dan Chang, 2018). dengan tujuan untuk menemukan pola pada data
(Zhang et al., 1998). Model Artificial Neural
2.4. Metode Peramalan Netowork adalah
2.4.1. Simple Moving Average Yt = f (Yt-1) + εt (4)
Simple Moving Average merupakan metode dengan:
peramalan yang paling sederhana. Konsep dasar yt = data deret waktu ke t
metode ini adalah menambahkan semua data f = fungsi Neural Network
observasi kemudian membaginya dengan jumlah εt = error dalam model
Jurnal Sistem Informasi Bisnis 02(2019) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 247
Pada penelitian ini, analisis data dan perancangan Formula untuk Mean Square Error (MSE) :
1
aplikasi menggunakan bahasa pemrograman R dan 𝑀𝑆𝐸 = ∑𝑛𝑡=1(𝑌𝑡 − 𝐹𝑡 )2 , 𝑡 = 1,2,3, … , 𝑛 (6)
𝑛
untuk metode peramalan Artificial Neural Network
Formula untuk Mean Absolute Percentage Error
sudah tersedia dalam bentuk package di dalam
(MAPE) :
database R yang disebut sebagai ANN2 package 1 𝑌 −𝐹
(Lammers, 2019). 𝑀𝐴𝑃𝐸 = 𝑛 ∑𝑛𝑡=1 | 𝑡𝑌 𝑡 | 𝑥 100, 𝑡 = 1,2,3, … , 𝑛 (7)
𝑡
Formula untuk Mean Abosolute Deviation (MAD) :
2.4.5. Holt Winters 1
𝑀𝐴𝐷 = 𝑛 ∑𝑛𝑡=1|𝑌𝑡 − 𝐹𝑡 | , 𝑡 = 1,2,3, … , 𝑛 (8)
Holt-Winters merupakan salah satu metode
peramalan yang digunakan untuk memodelkan data Formula untuk Root Mean Square Error (RMSE) :
dengan pola musiman yang mengandung data trend 𝑅𝑀𝑆𝐸 = √𝑀𝑆𝐸 (9)
atau tidak. Terdapat dua jenis metode Holt-Winters
yaitu Multiplicative Holt-Winters dan Additive Holt- 3. Metode
Winters (Shumway dan Stoffer, 2011). Model Holt-
Winters adalah 3.1. Jenis Penelitian
𝑌𝑡 Penelitian ini merupakan penelitian terapan
𝐿𝑡 = 𝛼 ( ) + (1 − 𝛼)(𝐿𝑡−1 + 𝑏𝑡−1 ) (Applied Research) dan R&D (Research and
𝑆𝑡−𝑠
Development) yaitu menerapkan berbagai metode
𝑏𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1 ) + (1 − 𝛽)𝑏𝑡−1
𝑌𝑡 peramalan kemudian selanjutnya merancang aplikasi
𝑆𝑡 = 𝛾 ( ) + (1 − 𝛾)𝑆𝑡−𝑠 berbasis computational intelligence yaitu memilih
𝐿𝑡 metode peramalan yang terbaik untuk meramal data
𝐹𝑡+𝑚 = (𝐿𝑡 + 𝑏𝑡 𝑚)𝑆𝑡−𝑠+𝑚 (5) penjualan. Selanjutnya produk aplikasi tersebut dapat
dengan : diakses secara online oleh para pelaku bisnis.
Yt = data deret ke waktu t
S = panjang musiman pada waktu tertentu 3.2 Metode Pengembangan Sistem
m = jumlah data yang akan diramal
Penelitian ini menggunakan model waterfall untuk
pengembangan sistem (SDLC) :
Pada penelitian ini, analisis data dan perancangan
1. Requirement Analysis
aplikasi menggunakan bahasa pemrograman R dan
Tahap pertama yaitu tahapan analisis kebutuhan
untuk metode Holt-Winters sudah tersedia dalam meliputi : perumusan masalah, menentukan tujuan
bentuk package di dalam database R yang disebut untuk memahami software yang dibutuhkan oleh
sebagai stats package (R Core Team, 2017). user, mengoleksi data dari database mitra
penelitian yaitu salah satu Swalayan di Kota
2.4.6. Hybrid Forecast Makassar, Futry Bakery & Cake, kemudian
Hybrid Forecast merupakan metode peramalan selanjutnya dilakukan pemrosesan data agar
yang mengkombinasikan berbagai metode peramalan terorganisir dan tersusun rapi. Adapun variabel
klasik yang terdapat di dalam paket forecast dengan yang diambil dalam penelitian ini adalah Tanggal
nilai bobot tertentu (Hyndman et al., 2019). Metode- Transaksi, Jenis Produk, Harga Awal, Jumlah stok
metode peramalan yang digunakan dalam model
produk, Harga Jual, dan Jumlah produk yang
hybrid tersebut adalah metode Auto ARIMA, metode
terjual. Software yang dibutuhkan pada
peramalan Exponential smoothing, metode peramalan
pengembangan aplikasi Auto Sales Forecasting ini
Theta, metode Neural Network, metode Seasonal and adalah aplikasi R Studio dengan menggabungkan
trend decomposition, dan metode peramalan TBATS. berbagai package.
Pada penelitian ini, analisis data dan perancangan 2. Design
aplikasi menggunakan bahasa pemrograman R dan Tahapan kedua adalah merancang desain aplikasi
untuk metode peramalan hybrid sudah tersedia dalam auto sales forecasting yang meliputi : desain inport
bentuk package di dalam database R yang disebut data, desain analisis deskriptif, perancangan model
‘forecastHybrid’ package (Shaub dan Ellis, 2019). peramalan, pemilihan metode terbaik, dan sales
forecasting. Aplikasi ini juga didesain agar bisa
2.5. Kebaikan Model Peramalan diakses secara online oleh para pelaku bisnis.
Model peramalan yang bagus adalah model yang 3. Implementation
memberikan tingkat akurasi tinggi dalam melakukan
Tahapan ketiga adalah menyusun kode
prediksi. Beberapa metode yang sering digunakan pemrograman untuk merancang dashboard
dalam mengukur tingkat akurasi dari model-model aplikasi yang meliputi: modul analisis deskriptif,
peramalan yaitu Mean Square Error (MSE), Mean modul penerapan metode-metode peramalan,
Absolute Percentage Error (MAPE), Mean Abosolute modul computational intelligence untuk pemilihan
Deviation (MAD), dan Root Mean Square Error metode peramalan terbaik, dan modul sales
(RMSE) (Montgomery et al., 2008). Formula metode forecasting.
kebaikan model peramalan adalah :
248 Jurnal Sistem Informasi Bisnis 02(2019) On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Tabel 2 Nilai peramalan dan Selang Kepercayaan import data, fitur summary, fitur penerapan beberapa
metode peramalan yang dilengkapi dengan sistem
cerdas (Computational Intelligence) yaitu memilih
metode peramalan terbaik berdasarkan nilai RMSE
yang paling kecil, serta fitur peramalan berdasarkan
metode terbaik.
Aplikasi ini telah diterapkan di lokasi mitra dengan
melakukan analisis data pada data transaksi penjualan
dari Januari 2018 sampai dengan September 2019.
4.4. Tahap Pengujian Aplikasi Hasil penelitian menunjukkan bahwa terdapat 43 jenis
Aplikasi Auto Sales Forecasting telah divalidasi produk yang diproduksi oleh Futry Bakery & Cake
dengan cara membandingkan hasil output pada olah Kota Makassar. Gambar 2 menunjukkan bahwa
data menggunakan aplikasi R Studio (non-interface) terdapat 3 produk yang paling banyak diminati oleh
dengan hasil olah data pada aplikasi Auto Sales konsumen yaitu produk Roti Manis, Roti Maros, dan
Forecasting (interface). Gambar 7 menunjukkan hasil Kue Tradisional harga 3500. Produk yang dijadikan
olah analisis deksriptif dan grafik pada produk tertentu contoh dalam membangun model peramalan adalah
menggunakan aplikasi R Studio. Berdasarkan hasil produk dengan jumlah jual tertinggi (sold) yaitu
yang diperoleh, hasil olah data deskriptif dan grafik produk Roti Manis. Kemudian langkah berikutnya
pada aplikasi R Studio sama dengan hasil yang adalah membangun model dengan berbagai metode
diperoleh di aplikasi Auto Sales Forecasting yang peramalan dengan formula pada persamaan 1 sampai
ditunjukkan pada Gambar 3. persamaan 5. Kemudian selanjutnya adalah
menghitung nilai evaluasi kebaikan masing-masing
metode peramalan menggunakan persamaan 6 sampai
persamaan 9. Hasil evaluasi metode peramalan
ditunjukkan pada Gambar 4. Berdasarkan hasil
evaluasi terlihat bahwa metode peramalan yang
terbaik adalah metode Robust Exponantial Smoothing
dengan nilai RMSE yang terkecil yaitu 0,829. Hasil
tersebut sejalan dengan penelitian yang dilakukan oleh
Gelper et al. (2010) dan Cipra (1992) yang
menyatakan bahwa Robust Exponantial Smoothing
merupakan metode yang lebih lebih baik dan lebih
Gambar 7 Hasil analisis dengan aplikasi R Studio kekar adanya data pencilan. Oleh karena itu metode
peramalan tersebut digunakan untuk sales forecasting
4.5. Tahap Penerapan dan Verifikasi pada produk Roti Manis. Hasil sales forecasting
Tahap terakhir pada pengembangan aplikasi Auto menunjukkan bahwa rata-rata nilai ramalan pada
sales Forecasting menggunakan metode SDLC adalah produk Roti Manis adalah 116,8391 atau 117 produk
menerapkan aplikasi dan melakukan verifikasi oleh yang diramalkan terjual selama tujuh hari ke depan
user atau pelaku bisnis di lokasi Mitra. Pelaku bisnis dengan nilai interval kepercayaan 95% yang beragam.
di lokasi mitra telah menerapkan dan melakukan Dengan menggunakan aplikasi ini, pemilihan metode
verifikasi bahwa fitur yang terdapat pada aplikasi Auto peramalan yang terbaik lebih cepat dan fleksibel
Sales Forecasting telah sesuai dengan analisis yang ditemukan berdasarkan karakter data dibandingkan
dibutuhkan untuk melakukan strategi pemasaran dengan cara manual pada masing-masing metode
produk. Pelaku bisnis di lokasi mitra juga merasakan peramalan seperti yang dilakukan oleh Gozali et al.
kemudahan penggunaan aplikasi tersebut karena dapat (2019). Kemudian dengan aplikasi ini, analisis
digunakan secara online dan tidak perlu lagi peramalan lebih efisien karena tidak melibatkan
melakukan proses instalasi aplikasi. semua metode untuk melakukan peramalan pada
variabel data penjualan di masa yang akan datang.
4.6. Pembahasan
Penelitian ini adalah melakukan pengembangan 5. Kesimpulan dan Saran
aplikasi Auto Sales Forecasting untuk meningkatkan
strategi pemasaran produk menggunakan metode Permasalahan yang sering ditemukan oleh para
System Development Life Cycle (SDLC) model pelaku bisnis adalah penentuan metode terbaik dalam
waterfall. Aplikasi ini dikembangkan menggunakan melakukan analisis peramalan. Aplikasi Auto Sales
bahasa pemrograman R dengan mengkombinasikan Forecasting telah dirancang untuk memudahkan para
berbagai package R yang dibutuhkan. Fitur yang pelaku bisnis untuk mengoptimalkan strategi
terdapat pada aplikasi auto sales forecasting yaitu fitur penjualan. Aplikasi ini dirancang dengan metode
SDLC dan menggunakan bahasa pemrograman R
Jurnal Sistem Informasi Bisnis 02(2019) On-line : http://ejournal.undip.ac.id/index.php/jsinbis 251