Rancang Bangun Sistem Prediksi Kebutuhan Bahan Makanan Berbasis Web
on
p-ISSN: 2301-5373
e-ISSN: 2654-5101
Jurnal Elektronik Ilmu Komputer Udayana
Volume 11, No 4. May 2023
Rancang Bangun Sistem Prediksi Kebutuhan Bahan Makanan Berbasis Web
Gede Lucky Aldi Arsaa1, I Gusti Agung Gede Arya Kadyanana2, I Gede Santi Astawa a3, I Wayan Santiyasaa4,
Ida Bagus Mahendraa5, Ida Bagus Gede Dwidasmaraa6
aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Bukit Jimbaran, Badung, Bali, Indonesia
1[email protected] 2[email protected] 3[email protected] 4[email protected] 5[email protected] 6[email protected]
Abstract
Prediction of food supplies is an activity of estimating the stock of foodstuffs that will be sold at a certain time, the supply of foodstuffs is determined by the estimation of future needs so that the seller can make the appropriate provision. When sales are predicted accurately, the fulfillment of consumer needs can be managed on time, the seller's cooperation with the relationship is maintained properly, customer satisfaction is met, the seller can overcome the loss of shortages or out of stock, prevent food ingredients from becoming damaged or stale. On the other hand, the seller can determine policy decisions on production plans, inventory, asset investment and cash flow. In other words, no salesperson can avoid estimating or forecasting sales for the purposes of planning the activities that must be carried out.
Based on research conducted through application development in the form of a website displaying the results of sales of raw food ingredients based on time series data, the accuracy results obtained with an accuracy rate of 80% and through a black box evaluation it was found that the application has been running very well with a high level of respondents. shows a true value of 90% in the application that has been made.
Keyword : forecasting, time series, web application, sales, raw food ingredients.
Prediksi persedian bahan makanan merupakan sebuah kegiatan mengestimasi stock dari bahan makanan yang akan dijual pada suata masa tertuntu, persedian bahan makanan ditentukan pada estimasi keperluan pada masa mendatang sehingga penjual dapat melakukan penyedian yang sesuai. Prakiraan penjualan yang akurat memastikan bahwa kebutuhan konsumen terpenuhi tepat waktu, hubungan dan kerjasama penjual terjaga dengan baik, kepuasan pelanggan terpenuhi, dan penjual Dapat mengatasi kehilangan potongan dan mencegah bahan makanan menjadi rapuh. rusak atau ketinggalan jaman. Penjual, di sisi lain, dapat membuat keputusan kebijakan mengenai rencana produksi, persediaan, investasi aset, dan arus kas. Dengan kata lain, tenaga penjualan tidak dapat menghindari memperkirakan atau meramalkan penjualan untuk tujuan perencanaan kegiatan yang perlu dilakukan.
Bahan makanan merupakan sebuah komoditas yang memiliki masa habis atau expired time yang singkat menurut Food and Drug Administration (FDA) bahan makanan seperti ikan, udang, dan hasil laut memiliki waktu 3 hari, melihat bagaimana waktu bahan makanan sebelum menjadi tidak layak [1], dalam jurnal tersebut penulis membuat sebuah proyek yang menyasar pembeli beras tiap tahunnya sehingga pada akhir penelitian penulis memperoleh data konsumsi beras yang pada tahun berikutnya dapat memperediksi kebutuhan beras sehingga tidak terjadinya kelangkaan beras. Berdasarkan jurnal tersebut penulis berusaha memaksimalkan ide yang ada dengan mengganti sasaran menjadi lebih luas
dan beragam yaitu bahan mentah yang lebih banyak sehingga diharapkan selain pembeli dapat memenuhi kebutuhan yang ada barang mentah yang penjual jual juga dapat terjual sebelum masa habisnya.[2]
Pembuatan aplikasi prediksi kebutuhan bahan mentah dalam sektor penjualan bahan makanan mentah diangkat sebagai sebuah solusi dalam mengatasi permasalahan yang ada dalam proposal penelitian berjudul Sistem Prediksi Ketersedian Kebutuhan Bahan Makanan Mentah Di Sektor Penjualan Bahan Makanan yang ditunjukan kepada penjual dan atau penyedia bahan makanan dengan penerapan algoritma Single Moving Average penyedia bahan makanan dapat mengetahui prediksi permintaan atas komoditas yang ada [3], dan dengan algoritma Exponential smoothing penjual dapat memperoleh pendekatan komoditas yang diinginkan untuk menjadi bahan pengganti komoditas yang memiliki permintaan melebihi penawaran yang ada.
Metode Software Development Life Cycle (SDLC) adalah metodologi tradisioanal yang digunakan untuk mengembangkan, memelihara dan menggunakan informasi. Adapun tahapan dari metode yang digunakan dalam penelitian ini yaitu analisis kebutuhan, desain (perancangan), Implementasi, dan pengujian. [5]
Adapun analisis kebutuhan pada penelitian ini yaitu terkait kebutuhan pengguna yang dikerjakan pada aplikasi. Kebutuhan tersebut berisikan tentang menu-menu yang ada pada aplikasi dimana menu-menu tersebut mampu memenuhi kebutuhan yang pengguna inginkan. Dalam analisis kebutuhan penelitian dilakukan pencarian responden untuk aplikasi dengan hasil responden yang didapat adalah penjual bahan makanan mentah dalam kebutuhan menyediakan ketersedian stock barang. Berikut adalah analisis kebutuhan berupa menu-menu yang ada pada aplikasi. Tabel 1 berisikan Informasi kebutuhan dari pengguna dan sistem.
Tabel 1. Tabel Kebutuhan Pengguna
|
No |
Analisis Kebutuhan | |
|
Penjual |
Aplikasi | |
|
1 |
Penjual berperan sebagai pengguna yang membutuhkan akses kepada aplikasi dalam memprediksi kebutuhan bahan makanan mentah. |
Memberikan fasilitas untuk memprediksi bahan makanan. |
|
2 |
Penjualan memperoleh akses guna dapat menydiakan stock komoditi. |
Memberikan cara dalam menyiapkan stock komoditi. |
|
3 |
Penjual dapat lebih mudah dalam menentukan jenis komoditi yang perlu di sediakan |
Memberikan pengalaman bagi penjual dalam mementukan jenis komoditi yang perlu di sediakan. |
Dalam tahap perancangan dilakukan perancangan model UML (Unified Modeling Language) , pembuatan desain use case diagram dan perancangan antarmuka (interface) aplikasi.
-
2.2.1. Model UML (Unified Modeling Language)
Bahasa Pemodelan Terpadu adalah bahasa grafis untuk melihat, mendefinisikan, membangun dan mendokumentasikan sistem perangkat lunak intensif. Adapun bagian UML dari pembuatan sistem yaitu activity diagram dan use case diagram.
Diagram aktivitas adalah diagram yang menggambarkan berbagai aliran dalam suatu sistem yang dirancang dan bagaimana aliran dimulai, keputusan yang dapat terjadi dan aktivitas berakhir. Gambar 1 berisikan informasi diagram activitas aplikasi.
Gambar 1. Activity Diagram Aplikasi
Use case diagram digunakan untuk menggambarkan interaksi apa saja yang dilakukan oleh pengguna dengan aplikasi yang dibuat [6]. Berikut use case diagram dari interaksi pengguna dan aplikasi. Gambar 2 berisikan infromasi kasus pengunaan dari aplikasi.
Gambar 2. Use Case Diagram Aplikasi
Rancangan Interface yang dibuat akan ditunjukan sebagai gambaran tentang bagaimana hasil akhir tampilan dari aplikasi. Gambar 3 merupakan salah satu desain antarmuka dari aplikasi.
Gambar 3. Interface sistem prediksi
Implementasi user interface dilakukan dengan melakukan proses coding sesuai dengan rancangan yang dibangun dengan memanfaatkan HTML, CSS, Javascript, dan Python
Pengujian yang dilakukan pada aplikasii dilakukan dengan dua skenario pengujian, yaitu uji black box, dan uji pengunaan perangkat lunak. Uji black box untuk menguji fungsionalitas perangkat lunak [4], sedangkan uji penggunaan dilakukan untuk menguji efektifitas perangkat lunak dalam memprediksi kebutuhan bahan makanan.
Uji Black Box bertujuan untuk menguji kesesuaian fungsi yang disediakan oleh system dengan spesifikasi kebutuhan pengguna. Uji Black box juga bertujuan untuk membuktikan apakah perangkat lunak yang dikerjakan telah mampu memenuhi kebutuhan pengguna [2]. Dari spesifikasi kebutuhan pengguna jika diterapkan ke dalam item menu diperoleh seperti tabel 2 yang berisikan informasi kebutuhan user dalam menu tawaran pada sistem.
Tabel 2. Spesifikasi Kebutuhan Pengguna
|
No |
Kebutuhan Pengguna |
|
1 |
Terdapat menu Login |
|
2 |
Terdapat menu Utama |
|
3 |
Terdapat menu Lihat Prediksi |
|
4 |
Terdapat menu Hapus |
|
5 |
Terdapat menu Data |
|
6 |
Terdapat menu back |
|
7 |
Terdapat menu Laporan |
|
8 |
Terdapat menu Prediksi |
Uji Pegngunaan perangkat lunak menggunakan metode Pre Test-Post test. Pre test dilakukan setelah perangkat lunak selesai dikerjakan. Pengguna langsung diarahkan dalam menu ujian untuk memperoleh nilai pre-test [3]. Selanjutnya pengguna diberikan waktu untuk berlatih menggunakan perangkat lunak selama 3 hari. Hari ke-4 dilakukan menu ujian post-test terhadap pengguna. Hasil uji pre-test post test akan dibandingkan
untuk melihat perkembangan masing-masing pengguna [4]. Tabel 3 berisikan informasi skenario uji pre-test dan post test .
Tabel 3. Uji Kegunaan Perangkat Lunak
|
No |
Pengguna |
Skor | |
|
Pre-test |
Post-test | ||
|
1 |
1 | ||
|
2 |
2 | ||
|
n |
n | ||
Pada tahapan pre-test dan post-test, 10 soal akan dikeluarkan oleh perangkat lunak secara random. Skor diperoleh dengan menghitung nilai prediksi pada data komoditi yang dinilai benar oleh perangkat lunak nilai skor pre-test akan dibandingkan dengan nilai post-test masing-masing pengguna.
Pada bagian ini akan ditampilkan hasil tampilan implementasi aplikasi, hasil uji black box, dan hasil uji penggunaan perangkat lunak.
Pada gambar 4 terdapat judul serta latar aplikasi yang dibuat berwarna agar memberikan kesan menarik pengguna, dalam halaman utama ini user dapat melakukan login terlebih dahulu agar dapat mengakses sistem secara keseluruhan.
Gambar 5. Halaman Menu Utama
Pada gambar 5 terdapat halaman utama yang bersisikan berbagai modul yang dapat digunakan oleh user dalam melakukan prediksi, modul modul tersebut merupakan modul yang dapat digunakan sebagai modul dalam pembuatan prediksi. Modul seperti input data transaksi salah satunya bertujuan dalam mengumpulkan berbagai data transaksi yang nantinya akan dapat memperoleh prediksi berdasarkan data tersebut.
Gambar 6. Halaman data penjualan
Pada gambar 6 terdapat 4 tombol yaitu pilih data komoditi, hapus, periksa, dan back. Menu ini merupakan menu input data yang berisikan berbagai data penjualan berdasarkan berbagai varietas komoditi yang ada. Pada tampilan ini juga user dapat melakukan penentuan dan penginputan data harga dan stock yang ada sehingga mempermudah user dalam melakukan pengolahan data pada aplikasi tersebut.
|
B ∣nr>ι*k<∣Ptr∣)ujUr∣ |
No |
I No PenjutUis |
Tmggil Penjueltn |
Pegtwti |
Total PenJuiIin |
Optl |
|
£ Titnsjtsi Ptmbtlun |
1 |
Bl∕2020012B∕04 |
2020 Ol 2B |
Chirtlkt Sepltsarlj 5 Ffffil, Afrt |
'•"’ 000 | |
|
Ml PtrimtUn PtnjuiUri |
2 |
W20200128∕03 |
2020 01-28 |
Stptunt Ambyw |
™ ®00 | |
|
3 |
Bl/20200128/02 |
2020-01-20 |
Chartlki Stptwwl1 S Farm, Apt |
ι<wι 00® | ||
|
4 |
1,1/20200128/01 |
2020-01-28 |
Chartlkl StptMirI. 5 Faim - Apt |
mm 00® | ||
|
5 |
Hl/20200127/03 |
2020 01 27 |
ChWtIka Seplasarl. SFarm, Apl |
ism 000 | ||
|
6 |
Bl/20200127/02 |
2020-01-27 |
Chartlka Stpiwari. S Firns. Apt |
us,» 0g® | ||
|
7 |
Bl/202 O0127/01 |
2020-01-27 |
Chartlka Stptwarl1 SFatrn. Apt |
™ 0®® | ||
|
8 |
«1/20200124/01 |
2020-01-24 |
Chartlka StptMirl SFarm, Apt |
OWO 00® | ||
|
S |
BI∕202D0UVP |
2020-01-21 |
Chartlka StptMlrl 5Farm, Apt |
«•’ 0S® | ||
|
10 |
»1/20200121/06 |
2020-01-21 |
Chartika StplMari s∣arm, Apt |
™« 00® | ||
|
11 |
»1/20200121/05 |
2020-01-21 |
Chartlka Stptwari SFarm. Apl |
SMOO ®0® | ||
|
U |
Bl∕20200∣2VW |
2020-01-21 |
Chirtlka StplMirl 5Farm. Apt |
IMO 00® |
Gambar 7. Halaman Laporan
pada gambar 7 merupakan tampilan dari menu laporan yang berisikan berbagai data laporan yang telah di inputkan oleh user yang dapat user lihat dan hapus sesuai dengan kebutuhan user. pada gambar memperlihatkan keseluruhan laporan data yang telah di masukan oleh user pada aplikasi tersebut sehingga pada tahapan ini dapat membantu user dalam melakukan pengecekan dan pengubahan data secara lebih mudah dan efesien.
Gambar 8. Halaman Prediksi
Pada halaman tentang pengguna akan diberikan tampilan seperti pada gambar 8 dimana pada tampilan tersebut berisikan hasil prediksi yang dilakukan oleh sistem yang telah di jelaskan pada sistem itu sendiri.
Tabel 4. Hasil Pengujian Black Box
|
No |
Pengguna |
Terdapat menu Login |
Terdapat menu Utama |
Terdapat menu Data |
Terdapat Menu Hapus |
Terdapat menu Periksa |
Terdapat menu back |
Terdapat Laporan |
Terdapat menu Prediksi |
|
1 |
Pengguna 1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
2 |
Pengguna 2 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
3 |
Pengguna 3 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
4 |
Pengguna 4 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
5 |
Pengguna 5 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
6 |
Pengguna 6 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
7 |
Pengguna 7 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
8 |
Pengguna 8 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
9 |
Pengguna 9 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
10 |
Pengguna 10 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
|
Total |
10 |
10 |
10 |
10 |
10 |
10 |
10 |
10 | |
|
Akurasi item spesifikasi |
100% |
100% |
100% |
100% |
100% |
100% |
100% |
100% | |
|
Akurasi Total |
100%*8/8= 100% | ||||||||
Dari tabel 4 terlihat bahwa semua menu/fungsi tersedia atau tanpa nilai 0 sehingga akurasi menjadi 100%. Hal ini menandakan bahwa perangkat lunak telah memenuhi semua kebutuhan pengguna.
Pada bagian ini akan diberikan perbandingan skor pengguna yang mengalami perubahan menjadi lebih baik setelah menggunakan aplikasi secara maksimal. Penggunaan di uji coba oleh Pengguna-Pengguna sekolah dasar yang sudah menjadi responden.
Tabel 5. Hasil Prediksi Sistem
|
Bulan ke- |
Tahun |
Data Penjualan |
Peramalan Alpha 0.5 |
Xt – Ft |
(Xt – Ft)2 |
|Xt – Ft| |
|
( X ) |
( F ) | |||||
|
1 |
2021 |
65 |
- |
- |
- |
- |
|
2 |
2021 |
62 |
65.00 |
3 |
9 |
3 |
|
3 |
2021 |
49 |
73.00 |
15 |
225 |
15 |
|
4 |
2021 |
86 |
65.50 |
-29.50 |
870.25 |
29.50 |
|
5 |
2021 |
48 |
80.25 |
23.25 |
540.56 |
23.25 |
|
6 |
2021 |
83 |
68.63 |
-23.38 |
546.39 |
23.38 |
|
7 |
2021 |
69 |
80.31 |
1.31 |
1.72 |
1.31 |
|
8 |
2021 |
39 |
79.66 |
31.66 |
1002.12 |
31.66 |
|
9 |
2021 |
39 |
63.83 |
14.83 |
219.87 |
14.83 |
|
10 |
2021 |
57 |
56.41 |
-9.59 |
91.89 |
9.59 |
|
11 |
2021 |
56 |
61.21 |
-3.79 |
14.39 |
3.79 |
|
12 |
2021 |
46 |
63.10 |
18.10 |
327.74 |
18.10 |
|
1 |
2022 |
16 |
54.05 |
29.05 |
844.00 |
29.05 |
|
2 |
2022 |
36 |
39.53 | |||
|
Total |
4687.94 |
201.46 | ||||
|
MSE (Mean Square Error) |
390.66 | |||||
|
RMSE (Root Mean Square Error) |
19.76 | |||||
|
MAE (Mean Absolute Error) |
16.79 | |||||
Dari tabel 5 terlihat bahwa hasil peramalan yang ada memiliki nilai MSE sebesar 390.66 yang apabila di bandingkan dengan data sesungguhnya sistem memiliki kecenderungan prediksi yang baik dengan nilai akurasi sebesar 80%.
Aplikasi permalan bahan makanan mentah telah berhasil dikembangkan dengan menggunakan bentuk website yang dapat melakukan peramalan sekaligus stocking pada aplikasi yang ada. Aplikasi yang ada menunjukan hasil akurasi yang baik ditunjukan melalui pengujian akurasi yang menghasilkan akurasi sebesar 80% dan melalui pengujian black box menghasilkan akurasi sistem pada tahapan yang memiliki akurasi sebesar 100%.
Daftar Pustaka
-
[1] Audi dan Suryani. 2020. Penerapan Data Mining Terhadap Data Penjualan Lapis Bogor Sangkuriang Dengan Metode Algoritma Exponential smoothing . Jurnal Teknik Komputer AMIK BSI, Volume VI No.1 Januari 2020.
-
[2] Berutu, S.S. 2021. Peramalan Penjualan Dengan Metode Single Moving Average Ruey Chyn Tsaur. Jurnal Ilmiah Undip. Universitas Diponogoro. Semarang.
-
[3] Bustami. 2022. Penerapan Algoritma Naive Bayes Untuk Mengklasifikasi Data Nasabah Asuransi. Jurnal Informatika. Volume 8 No. 1 Januari 2022
-
[4] Luthfi, K. 2009. Algoritma Data Mining. Edisi ke-1. Yogyakarta: Andi.
-
[5] Puspitasari dan Afianto. 2017. Implementasi Single Moving Average Markov Chain Model (FTMCM) Dalam Prediksi Jumlah Produksi Ayam Potong. Jurnal Teknologi Informasi Universitas Lambung Mangkurat (JTIULM). Volume 2 No 2 Desember 2017. Halaman 14-20.
-
[6] Rizky, M.F. 2020. Penerapan Data Mining Pada Analisis Pola Penjualan Souvenir Lokal Bali Dengan Algoritma Exponential smoothing Studi Kasus: Pasar Seni Ubud Gianyar, Bali. Skripsi. Fakultas Matematika dan Ilmu Pengetahuan Alam. Universitas Udayana. Jimbaran. Bali.
-
[7] Rohman dan Devi. 2017. Proyeksi Kebutuhan Konsumsi Pangan Beras di Daerah Istimewah Yogyakarta. Journal of Sustainable Agriculture, Volume 32 No. 1, Halaman 29-34.
This page is intentionally left blank.
884
Discussion and feedback