Rangkuman Paper Artificial neural network based particle swarm optimization in predictions mortality rate of broiler chicken

Nama: Ulfah Mawalatul Khoiriyah

NIM: 20190050062

Mata Kuliah: Data Mining

1. Urgensi Penelitian

PT. Jafpa Comfeed Indonesia, Tbk Unit peternakan Kalapa Nunggal 2 merupakan salah satu cabang dari PT. Jafpa Comfeed Indonesia Tbk bergerak di bidang peternakan ayam broiler, ayam petelur dengan populasi kurang lebih 50.000 ekor ayam. Jumlah populasi ayam yang besar, sebaliknya, mengakibatkan dalam kematian yang signifikan. Sehingga dapat menimbulkan beberapa kerugian seperti dari segi finansial, waktu, sumber daya manusia dll. Perusahaan berusaha untuk menjaga tingkat kematian seminimal mungkin. Hal ini karena kondisi masing-masing petani mengalami kesulitan dalam menangani kondisi yang cepat dan efisien. Perusahaan menginginkan kematian tingkat harus dijaga minimal sekitar 10% dari total kematian, sehingga dapat mengurangi kerugian secara finansial.

2. Metodologi Penelitian:

Metode yang akan digunakan adalah Particle Swarm Optimization (PSO) Neural Network (ANN), untuk menghasilkan nilai prediksi yang akurat dengan iterasi yang sangat baik dan juga tingkat kesalahan yang kecil.

Dalam penelitian ini digunakan dua metode yang saling mendukung yaitu Particle Swarm Optimization Neural Jaringan.

a. Langkah pertama dengan Jaringan Syaraf Tiruan

- Untuk setiap unit input (xi, i=1,2,3,…n) menerima sinyal xi dan melewatkan sinyal tersebut pada layer di atasnya (hidden lapisan). Setiap lapisan tersembunyi (zj, j=1,2,3,…,p) menambahkan sinyal input berbobot

- Gunakan fungsi aktivasi untuk menghitung sinyal keluaran: zj = f (z_inj) dan kirim sinyal ke semua unit di lapisan atas (unit keluaran). Untuk setiap unit keluaran (yk, k=1,2,3,…,m) hitung sinyal masukan berbobot

- Gunakan fungsi aktivasi untuk menghitung sinyal keluaran.yk= f (y_ink)dan kirim sinyal ke semua unit di lapisan atas (unit keluaran). Untuk setiap unit keluaran (yk, k=1,2,3,…,m) menerima pola target terhubung dengan pola masukan pembelajaran. Kemudian hitung informasi kesalahannya

- kemudian hitung koreksi bobot (yang akan digunakan untuk memperbaiki nilai wjk)

- juga menghitung koreksi bias (yang akan digunakan untuk memperbaiki nilai w0k)

- kirim k ke unit-unit di lapisan bawah. Setiap satuan tersembunyi (zj, j=1,2,3,…,p) hitung satuan delta (dari unit di lapisan atas)

- kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi kesalahan

- juga menghitung koreksi bias (yang akan digunakan untuk memperbaiki v0jvalue)

- juga menghitung koreksi bias (yang akan digunakan untuk memperbaiki v0jvalue)

- Setiap unit keluaran (yk, k=1,2,3,…,m) meningkatkan bias dan bobot (j=0,1,2,3,…,p). wjk (baru) = wjk (lama) + wjk untuk setiap lapisan tersembunyi (zj, j=1,2,3,…,p) meningkatkan bias dan bobot (i=0,1,2,3,…,n)

Kondisi pengujian berhenti

b. Langkah kedua dengan optimasi segerombolan partikel

Dimana: X = posisi partikel, V= kecepatan partikel, w = berat inersia, c1, c2 = koefisien percepatan, P = jumlah partikel dalam gerombolan. Nilai r1 dan r2 disusun sedemikian rupa sehingga nilai acaknya adalah dimaksudkan untuk memberikan sifat stokastik pada komponen kognitif dan komponen sosial Sifat stokastik menyebabkan setiap partikel bergerak secara semi acak, sangat dipengaruhi arahnya solusi terbaik dari partikel dan solusi global terbaik dari swarm.

c. Langkah ketiga pengujian perangkat lunak dengan SQAAda tiga poin pemahaman tentang kualitas perangkat lunak, antara lain sebagai berikut:

(1) perangkat lunak persyaratan adalah dasar dari mana kualitas diukur;

(2) standar khusus yang mendefinisikan kriteria pengembangan yang menjadi pedoman pembuatan suatu perangkat lunak;

(3) sering ada kebutuhan implisit diabaikan (misalnya, keinginan untuk pemeliharaan terbaik);

3. Proses ANN dalam memberikan solusi dari permasalahan yang ada

a. Himpunan data (Dataset). Dataset yang digunakan untuk penelitian ini adalah data kematian ayam broiler PT. Jafpa Comfeed Indonesia Tbk unit kalapanunggal 2 dari tahun 2014 hingga 2017. Proses analisis yang memprediksi kematian jumlah ayam broiler untuk tahun 2018 dengan menggunakan data rata-rata dari tahun 2014 ke tahun 2017 berkurang 10% dan prediksi 2019 menggunakan data 2018 minus 10% sesuai request dari manajemen

b. Model ANN. Model ANN yang digunakan adalah model backpropagation yang berarti metode yang meminimalkan kesalahan dalam output yang dihasilkan oleh jaringan. Pada Gambar 3 di bawah ini adalah pengaturan unit input, lapisan tersembunyi dan keluaran pada propagasi balik. Hidden layer yang digunakan sebanyak 2 hidden layer. Data masukan adalah bulanan data dari data kematian ayam periode 2014 sampai dengan tahun 2017 sedangkan unit keluarannya adalah data prediksi

Pada penelitian ini setting yang digunakan untuk jaringan syaraf tiruan adalah 500 untuk training cycle, 0.1 untuk 0.1 untuk kecepatan belajar, dan 0,5 untuk momentum. Untuk pengaturan konfigurasi yang digunakan untuk jaringan saraf tiruan sebagai ditunjukkan pada gambar 4 di bawah ini

c. Jaringan saraf berbasis PSO. Konfigurasi untuk metode Jaringan Syaraf Tiruan didasarkan pada Particle swarm Optimization (PSO) yang dapat dilihat dari gambar di bawah ini

d. Perbandingan antara JST dan JST berbasis PSO. Hasil RMSE yang diperoleh dari penelitian ini menggunakan jaringan syaraf tiruan dan jaringan syaraf tiruan dengan PSO dapat dilihat pada gambar 6 dibawah ini :

Jika dilihat dari tabel 1 diatas dapat disimpulkan bahwa hasil ANN + PSO RMSE yang didapat lebih kecil dari hasil yang diperoleh dari RMSE JST menunjukkan bahwa RMSE dari JST + PSO dapat mengoptimalkan Nilai RMSE diperoleh dari JST. Untuk lebih jelasnya lihat gambar 7 dibawah ini

e. Data hasil prediksiSef

Pada penelitian ini dilakukan proses analisis prediksi mortalitas ayam broiler tahun 2018 dengan menggunakan data rata-rata dari 2014 ke 2017 berkurang 10% dan prediksi untuk 2019 menggunakan data 2018 berkurang 10% di sesuai dengan permintaan dari manajemen.

f. Implementasi sistem. Ada dua diagram yang disajikan use case diagram dan class diagram.

Use case designed.

Class diagram created

Interface Created

Untuk memastikan bahwa perangkat lunak dibuat oleh SQA (Software Quality Assurance) metode.Nilai = <85> * 0,125 + <82,6> * 0,125 + <83,4> * 0,125 + <82 > * 0,125 + <81,8> * 0,125 + <85.6> * 0,125 + <87,4> * 0,125 + <77,2> * 0,125. Skor rata-rata yang dihasilkan adalah 81.625, w.

4. Saran

Hasil penelitian dapat digunakan sebagai bahan kajian di bidang sekaligus pendukung budaya PT. Jafpa Comfeed Indonesia. Peneliti lain disarankan untuk melakukan penelitian lanjutan dengan tema yang sama di daerah lain.

Rangkuman Jurnal Analisis Sentiment Masyarakat terhadap Kasus Covid-19 pada Media Sosial Youtube dengan Metode Naive bayes

Nama: Ulfah Mawalatul Khoiriyah

NIM: 20190050062

Mata Kuliah: Data Mining

1. Urgensi Penelitian "Analisis Sentiment Masyarakat terhadap Kasus Covid-19 pada Media Sosial Youtube dengan Metode Naive bayes"

Perkembangan kasus Covid-19 di Indonesia terus mengalami kenaikan. Kenaikan ini dipicu oleh berbagai hal contohnya tingkat kepercayaan masyarakat terhadap adanya penyakit/virus COVID-19. Dengan terus adanya kenaikan kasus ini menyebabkan kepanikan di tengan masyarakat dengan ada dan tidaknya virus corona ini, di tengah kondisi ini di perlukan pola komunikasi yang efektif dan efisien dalam memberikan edukasi dan informasi tentang virus corona ini contohnya dengan media sosial Youtube. Banyak tangapan masyarakat tentang pemberitaan ini yang di ungkapkan di kolom komentar.oleh karena itu di butuhkan suatu model sentiment analisis untuk megklasifikasikan komentar masyarakat menjadi Positif, Negatif dan netral.

Perkembangan kasus COVID-19 di indonesia dirasakan mengalami kenaikan yang terus menerus meningkat. berdasarkan laman COVID-19 nasional rata-rata kenaikan kasus aktif dari bulan april sampai Desamber tahun 2020 sebesar 8.894 kasus. peningkatan ini dipicu oleh berbagai hal contohnya tingkat kepercayaan masyarakat terhadap adanya penyakit/virus COVID-19.

Di tengah kondisi ini di perlukan pola komunikasi yang efektif dan efisien untuk memberitakan edukasi dan informasi kepada publik tentang Covid-19. Di era digital ini banyak media sosial seperti Facebook, Twitter, instagram, whatsapp, dan youtube. Li HO-Y, Bailey A, Huynh D, et al. YouTube as a Source of Information On Covid-19: A Pandemic of Misinformation melalui jurnal BMJ Global Health 2020 menyatakan: Video berbahasa Inggris yang paling banyak dilihat terkait Covid-19 di YouTube, 27,5% atau sekitar 62 juta tayangan di seluruh dunia berisi informasi non faktual. Video-video tersebut berasal dari berita hiburan, berita internet, dan sumber konsumen[2]. Dalam penelitian tersebut hanya menggambarkan video berbahasa inggris saja, bisa di bayangkan berapa banyak jumlah video dengan berbagai bahasa dari seluruh dunia dan sangat banyak penonton di setiap harinya. oleh karena itu youtube di rasa menjadi sarana informasi yang sangat efektif dan efisien untuk komunikasi massa di tengah pandemi covid-19 ini.

Penelitian ini memberikan solusi untuk mengetahui tingkat persentase komentar dan respon masyarakat terhadap beberapa video yang memuat berita tentang perkembangan kasus COVID-19 di indonesia yang di terbitkan oleh chanel Kompastv, dan dapat meningkatkan tingkat kepercayaan masyarakat terhadap adanya Virus COVID-19. Manfaat lain dari penelitian ini adalah mengukur kesuksesan pemerintah dalam menangani masalah Virus Covid-19. Dan mempresentasikan tingkat kepercayaan masyarakat terhadap berita yang di muat oleh channel Kompastv berdasarkan respon masyarakat di kolom komentar.

2. Metodologi Penelitian

a. Pengumpulan data

Dalam penelitian ini data di peroleh dari kolom komentar pemberitaan youtube di chanel kompasTV. Pengambilan data menggunakan tools yang di sediakan aplikasi Google Crome yang bernama Data miner.

b. Text Preprocessing

Tahap ini bisa juga di sebut tahap pembangunan data. Di tahap ini data akan memasuki beberapa proses diantaranya:

- Tokennize yaitu tahap pemotongan string atau kalimat menjadi satuan kata.

- Cleaning proses pembersihan karakter selain huruf, menghapus username atau mentions (@), hastag (#), dan menghapus ling atau URL dari setiap komentar.

- Stemming merupakan proses mengubah kata berimbuhan menjadi kata dasar.

- Transform Cases adalah tahap mengubah semua huruf kapital mejadi huruf kecil.

c. Labeling Data

Selanjutnya akan masuk ke tahap labeling yaitu tahap pengelompokan data menjadi 3 bagian yaitu Positif, Negatif, dan Netral berdasarkan nilai sekor sentiment. Sekor sentiment dihasilkan berdasarkan kamus sentiment positif dan negatif yang sudah banyak di gunakan

d. Naive bayes Naive bayes

Merupakan salah satu metode klasifikasi yang menggunakan perhitungan probabilitas, dalam metode ini menggunakan statistik berdasarka teorema bayes yang mengasumsikan keberadan dan ketiadaan dari suatu kelas dengan fitur lainnya.

3. Bagimana proses Naive bayes dalam memberikan solusi dari permasalahan yang ada

Prosesnya yaitu:

a. Pengumpulan Data

Data yang di ambil adalah sekumpulan data komentar dari beberapa video youtube pemberitaan perkembangan kasus Covid-19 di indonesia yang di publikasi di bulan januari yang di muat di chanel Kompastv berjumlah 28 buah file microsoft axcel, 1.651 komentar mentah.

b. Text Preprocessing

- Tokennize adalah tahapan pemotongan string input berdasarkan kata, atau bisa disebut juga pemecahan kalimat menjadi potongan kata. Dalam tahap ini juga melkukan pembersihan karakter karakter tertentu seperti tanda baca.

- Cleaning proses pembersihan karakter selain huruf, menghapus username atau mentions (@), hastag (#), dan menghapus ling atau URL dari setiap komentar.

- Stemming merupakan proses mengubah kata berimbuhan menjadi kata dasar.

- Transform Cases adalah tahap mengubah semua huruf kapital mejadi huruf kecil.

c. Labeling Data Data yang sudah siap selanjutnya akan masuk ke tahap labeling yaitu tahap pengelompokan data menjadi 3 bagian yaitu Positif, Negatif, dan Netral berdasarkan nilai sekor sentiment. Sekor sentiment dihasilkan berdasarkan kamus sentiment positif dan negatif yang sudah banyak di gunakan.

Negatif	Positif	Netral
800	361	490

Hasil Labeling Data sbb.

d. Validasi K-Fold Cross Validation Pada tahap Validasi ini bertujuan untuk mengukur dan mengevaluasi kinerja sebuah algoritma. Di tahap ini juga data akan di bagi menjadi dua subset yaitu data Training dan data Testing, namun pada tahap ini hanya melibatkan dua data set saja yaitu data yang berlabel Positif dan Negatif sedangkan data yang berlabel Netral tidak diikutsertakan karena akan lebih fokus ke komentar positif dan negatif saja . Pembagian data ini menggunakan perbandingan 1 : 3 .pada data Training diberikan 75% dari keseluruhan data yaitu berjumlah 871 data. Seangakan untuk data Testing diberikan persentase data 25% data dari keseluruhan data sebanyak 290 dari keseluruhan data.

Pada tahap ini juga data akan di bagi menjadi 10 Fold yang di mana data akan dilakukan randomasi data agar tidak menjadi pengelompokan data.

e. Akurasi

Setelah melaluai seluruh tahapan yang ada dari pengambilan data, text Preprocessing, labeling data, dan yang terakhit tahap validasi, didapatkan nilai akurasi dari algoritma yang di gunakan yaitu Naive bayes menghasilkan tingkat akurasi yang cukup baik yaitu sebesar 74%.

4. Kesimpulan

Dari seluruh tahap penelitian yang sudah di lakukan dapat di simpulkan bahwa tangapan masyarakat lebih condong ke sisi negatif. dengan jumlah komentar negatif sebanyak 800 komentar dan jumlah komentar positif yang di berikan masyarakat sebanyak 361 komentar. Kesimpulan lain dari penelitian ini juga bahwa kinerja dari metode algoritma Naive bayes berjalan dengan cukup memuaska dengan menghasilkan tingkat akurasi sebesar 74%. 

5. Saran

Saran dari saya kepada masyarakat dalam kasus kenaikan Covid-19 ini, Untuk memperketat kembali protokol kesehatan dengan memakai masker, mencuci tangan, menjaga jarak, ditambah menghindari kerumunan dan mengurangi perjalanan yang tidak perlu. Karena interaksi sosial yang tinggi ditambah tidak disiplin menjalankan protokol kesehatan meningkatkan transmisi virus sehingga mendorong lonjakan kasus.

Karena dalam Penelitian Sebelumnya, banyak peneliti yang menggunakan beberapa Metode seperti KNN dan lain lain, namun dari semua metode, Algoritma Naïve Bayes yang mendapatkan nilai akurasi yang lebih tinggi dan menjanjikan. Jadi saya rasa tidak ada saran untuk penelitian ini.

Rangkuman Jurnal Sistem Informasi Penjualan Barang Dengan Metode Regresi Linear Berganda Dalam Prrediksi Pendapatam Perusahaan

Nama: Ulfah Mawalatul Khoiriyah

NIM: 20190050062

Mata Kuliah: Data Mining

1. Urgensi Sistem Informasi Penjualan Barang Dengan Metode Regresi Linear Berganda Dalam Prrediksi Pendapatam Perusahaan

Penelitian  ini  bertujuan  untuk mengetahui variabel manakah yang berpengaruh terhadap pendapatan. Dalam hal metode yang digunakan adalah  Regresi Linear Berganda dengan bantuan perhitungan aplikasi SPSS versi 21 di peroleh hasil persamaan regresi Y = 11257,187-3,427(X1) + 12,501(X2) -2,076(X3) dengan nilai ( Uji T, Uji F dan R2 ) dengan mengambil nilai sig < 0,05 . hasil dari pengujian hipotesis Uji T secara individual dapat disimpulkan bahwa variabel X1,X2 dan X3  berpengaruh terhadap  pendapatan.  Hasil  dari  Uji  F  dengan  taraf  sig  <  0,05  dapat  disimpulkan  bahwa  variabel X1,  X2  dan  X3  secara  bersama-sama  berpengaruh  terhadap pendapatan  perusahan.  Hasil  dari  koefisien determinasi  (R2)  di  peroleh  nilai  yang sangat  tingggi  yaitu  1,000.  Hal  ini  dapat  dikatakan  Semakin  kecil  nilai  koefisien  determinasi  (R  square),  maka  ini  artinya  pengaruh  variabel  bebas  terhadap  variabel  terikat  semakin lemah. Sebaliknya, jika nilai R Square semakin mendekati 1, maka pengaruh tersebut akan semakin kuat. 

Pendapatan merupakan faktor penting yang dapat menentukan kelancaran usahanya. Namun dapat diartikan juga sebagai banyaknya penerimaan dari penjualan produk atau jasa kepada pelanggan. Apabila banyaknya jumlah barang terjual maka akan semakin besar pula penghasilan atau pendapatan yang diperoleh perusahaan pada periode tertentu, Pendapatan pada perusahaan CV. Kaca Mobil Nugraha terbilang tidak menentu, tinggi rendahnya pendapatan tergantung dalam mengelola setiap transaksi yang ada, karena tidak tepatnya perusahaan dalam mengambil keputusan pada jumlah pembelian suatu barang, di setiap periodenya.

Selama ini perusahaan secara tidak langsung selalu memprediksi penjualan yang akan datang. Akan tetapi prediksi ini selalu kurang tepat karena hanya melihat perkiraan berdasarkan penjualan yang telah terjadi yang dilakukan secara manual yang ditangani oleh seorang admin pada perusahaan tersebut. Pencatatan dan pengolahan data barang, jumlah dan harga barang, serta data transaksi penjualan dan pembelian yang dilakukan masih bersifat manual belum terdokumentasi secara baik, sehingga hal tersebut tidak dapat memperoleh informasi dan sangat memperlambat jalannya kegiatan pekerjaan yang ada di CV. Kaca Mobil Nugraha. Hal semacam ini perlu dicarikan penyelesaiannya dengan dibangunnya sebuah sistem yang bisa memenuhi dari apa yang dibutuhkan, agar segala aktivitas pekerjaan yang ada berjalan dengan waktu yang lebih cepat dari sebelumnya yang akan berpengaruh juga terhadap pendapatan pada perusahaan. Prediksi pendapatan ini sangat berguna untuk menentukan atau mengetahui berapa banyak tingkat pendapatan pada periode selanjutnya.

Prediksi ini juga dapat mengetahui variabel mana sajakah yang sangat berpengaruh terhadap pendapatan pada penjualan perusahaan pada tiap periodenya. Perusahaan yang mampu memprediksi dengan tepat umumnya akan lebih siap dalam mengambil keputusan, dengan berkembangnya perusahaan ini, maka banyak pula permasalahan yang di hadapi terutama perusahaan harus selalu cermat dalam memprediksi situasi keadaan. Untuk menghasilkan prediksi yang tepat tentu saja dibutuhkan kecermatan dan ketelitian.

Dalam hal ini memprediksi pendapatan terhadap penjualan barang di masa mendatang dengan melihat data penjualan yang diperoleh dari data yang telah ada sebelumnya agar pengolahan data lebih akurat yaitu dari tahun 2013-2017 yang dilihat pada transaksi penjualan yaitu hasil pendapatan, pembelian barang, dan jumlah barang yang terjual. Dengan adanya system komputerisasi, maka akan dibuat program bantu prediksi penjualan untuk menyelesaikan masalah yang di hadapi perusahaan ini. Sebelum penelitian ini dilakukan pemilihan dan penggunaan metode yang tepat maka dapat membantu keberhasilan perusahaan dalam bentuk pendapatan yang didapatkan. namun banyak metode yang dapat digunakan dalam proses peramalan atau prediksi di antaranya adalah metode jaringan Syaraf Tiruan, SVM dan Linear Regresi.

2. Metodologi Penelitian

Penelitian ini menggunakan dua jenis variable, yaitu variable bebas(independent) dan variabel terikat (dependent).

1. Variabel Penelitian dan Sampel Penelitian

A. Variabel Penelitian

1) Variabel Bebas (Independent)

Tabel 1. Variabel Bebas

Variabel bebas adalah variabel yang mempengaruhi atau menjelaskan variable yang lain. Variabel bebas dalam penelitian ini pembelian barang, dan jumlah barang terjual.

2) Variabel Terikat

Tabel 2. Variabel Terikat

Variabel yang dijelaskan atau dipengaruhi oleh variable independent. Variabel terikat dalam penelitian ini adalah hasil pendapatan.

2) Metode Pengumpulan Data

A. Dokumentasi

Pada penelitian ini data-data yang terkumpul sebagai objek didapat dari dokumentasi data penjualan perusahaan dan pada penelitian terdahulu. Data yang diperoleh dari dokumentasi penjualan tahun 2013 sampai 2017.

B. Metode Wawancara

Wawancara Metode pengumpulan data dengan cara mengajukan pertanyaan secara lisan kepada pihak yang bersangkutan.Proses wawancara dan survey dilakukan secara langsung, dengan jalan pewancara memberikan pertanyaan-pertanyaan seputar sistem kepada responden, dan responden kemudian memberikan jawaban dan data yang berkaitan dengan pertanyaan kepada pewancara.

3) Metode Pengolahan Data

A. Alat Bantu dan Bahan Untuk Pengolahan Data

Alat yang diperlukan dalam pengolahan data ini memerlukan beberapa alat dari perangkat keras (Hardware) dan alat yang berupa perangkat lunak (software) seperti program-program aplikasi untuk mempermudah proses perhitungan maupun grafik-grafik serta proses menganalisa data.

B. Alat Bantu Untuk Mengolah Data

Pembuatan dan pengembangan aplikasi yang digunakan oleh peneliti menggunakan:

1. Membutuhkan sebuah program demi melancarkan perhitungan yang akurat seperti program SPSS maupun program dari office seperti MS. Excel serta menggunakan PHP Mysql untuk perancangan sebuah aplikasi yang akan dibuat.

2. Laptop yang digunakan peneliti untuk melakukan implementasi dan uji coba aplikasi prediksi pendapatan penjualan.

4) Analisis Kebutuhan Sistem Dan Perancangan Sistem Berbasis Web

Perancangan sistem menggunakan Unified Modeling Language (UML) dan perancangan database. Use Case diagram (diagram use case) adalah diagram yang menyajikan interaksi antara use case dan actor. Dimana actor dapat berupa orang, peralatan atau sistem lain yang berinteraksi dengan sistem yang sedang dibangun. Use case menggambarkan fungsionalitas sistem atau persyaratan-persyaratan yang harus dipenuhi sistem dari pandangan pemakai.

Dalam system ini ada 2 aktor use case yaitu use case sebagai admin dan customer, serta class diagram

A. Use Case Admin

Pada gambar use case admin di atas, admin melakukan login serta menginput segala transaksi penjualan yang ada seperti, menginput data barang, prodk kaca, jumlah barang, informasi customer, data pesanan, perhitungan hasil pendapatan, informasi perusahaan dan melakukkan logout terhadap sistem.

B. Use Case Customer

Pada gambar Use case customer diatas, dimana yang menjadi actor adalah sebagai customer. Customer dapat melihat barang terlebih dahulu, lalu jika ada barang yang sesuai bisa melakukakn pembelian. Namun sebelum melakukan pembelian customer harus mengisi form pemesanan terlebih dahulu atau mengisi data diri pemelian sebelum masuk dan untuk melakukan login sebagai customer. Setelah itu customer bisa masuk login dengan memasukkan username dan password yang sudah di berikan oleh system atau admin. Lalu baru customer bisa memesan barang sesuai apa yang di inginkan dan bisa melakukan logout kembali.

C. Class Diagram

Pada gambar Class Diagram diatas, menggambarkan struktur statis class di dalam sistem. Class merepresentasikan sesuatu yang ditangani oleh sistem. Dengan melihat karakteristik sistem pemasaran produk dari bagian penjualan beserta proses-proses yang terjadi, maka dapat dibuat class  diagram. 

5) Implementasi Metode Regresi Linear Berganda

Adapun tujuan dari metode Regresi Linear Berganda yaitu:

1. Metode Regresi Linear Berganda bertujuan untuk mengetahui ada atau tidaknya pengaruh dua atau lebih variabel bebas (X) terhadap variabel terikat (Y).

2. Uji t untuk bertujuan untuk mengetahui ada atau tidaknya pengaruh parsial (sendiri ) yang diberikan variabel bebas (X) terhadap variabel terikat (Y).

3. Uji F bertujuan untuk mengetahui ada atau tidaknya pengaruh-pengaruh simltan ( bersama-sama) yang diberikan variabel bebas (X) terhadap variabel terikat (Y).

4. Uji R2 (Koefisien determinasi) berfungsi untuk mengetahui berapa persen pengaruh yang di berikan , variabel X secara simultan terhadap variabel Y.

Model regresi ini dipilih untuk memprediksikan nilai dari variabel dependen apabila nilai variabel independen mengalami kenaikan atau penurunan dan untuk mengetahui arah hubungan antara variabel independen yaitu pengaruh pendapatan penjualan, serta pengeluaran dan umum dengan variabel  dependen yaitu hasil pendapatan apakah positif atau negatif.

Analisis regresi linier berganda digunakan untuk mengetahui seberapa besar pengaruh hubungan variabel (X1), (X2),dan (X3) terhadap variabel dependen hasil pendapatan (Y). Persamaan regresi yang dipakai adalah sebagai berikut [12].

Y = a+ β1 Χ1 + β2 Χ2 + β3 Χ3……. Keterangan :

Y = Jumlah pendapatan a = Nilai konstanta        

X1 = Koefisien regresi dari variabel X1 (Pembelian barang)

X2 = Koefisien regresi dari variabel X2 (jumlah barang terjual kaca spion) X3 = Koefisien regresi dari variabel X3 (jumlah barang terjual kaca mobil).

3. proses linier regresi dalam memberikan solusi dari permasalahan yang ada

Berdasarkan hasil pengujian pada tabel coefficients, pada model regresi yang terbentuk, dapat diinterpretasikan hasil sebagai berikut:

Y = 11257,187 – 3,427(X1) + 12,501(X2) – 2,076(X3).

1. Konstanta sebesar 11257,187 artinya jika X1,X2dan X3 = 0 maka Y = 11257,187.

2. Coefficients (X1) sebesar - 3,427 artinya setiap 1 unit niali X1 akan berkurangnya nilai Y sebesar 3,427. Nilai koefisien regresi yang negative menunjukkan bahwa pembelian barang (X1) terhadap volume penjualan (Y) berpengaruh negative.

3. Coefficients (X2) sebesar 12,501 artinya setiap 1 unit nilai X2 akan menambah nilai Y sebesar 12,501. Nilai koefisien regresi yang positif menunjukkan bahwa jumlah barang terjual pada kaca spion (X1) terhadap volume penjualan (Y) berpengaruh positif.

4. Coefficients (X3) sebesar – 2,076 artinya setiap 1 unit niali X3 akan berkurangnya nilai  Y sebesar 2,076. Nilai koefisien regresi yang negative menunjukkan bahwa jumlah barang terjual pada kaca mobil (X3) terhadap volume penjualan (Y) berpengaruh negative.

4. Kesimpulan

Berdasarkan hasil penelitian dan pembahasan yang berkaitan dengan pengaruh pembelian barang, jumlah barang terjual kaca spion dan kaca mobil terhadap pendapatan perusahaan pada CV. Kaca Mobil Nugraha, hasil hipotesis pertama diperoleh persamaan regresi yaitu Y = 11257,187 - 3,427(X1) + 12,501(X2 2,076(X3) Dalam hal ini mengambil hasil uji dari nilai signifikan 0,05 dan menunjukkan bahwa nilai signifikan dilihat bahwa dari variabel bebas (X1) 0,011 < 0,05, berpengaruh signifikan terhadap variabel Y. Selanjutnya untuk variabel bebas (X2) 0,018 < 0,05, yang di hasilkan nilai signifikansi 0,05 sehingga dapat disimpulkan bahwa variabel X2 tersebut berpengaruh terhadap pendapatan (Y). dan untuk variabel bebas (X3) 0,028 < 0,05, hal ini juga dapat dismipulkan bahwa variabel bebas X3 berpengaruh terhadap pendapatan. Dalam hal ini berarti hasil uji secara individual variabel pembelian barang (X1), jumlah barang terjual kaca spion (X2) dan jumlah barang kaca mobil (X3) berpengaruh signifikan terhadap hasil penjualan perusahaan CV. Kaca Mobil Nugraha.

Hasil penelitian secara simultan atau bersama-sama dilihat bahwa pembelian barang, jumlah barang terjual kaca spion dan jumlah kaca mobil memperoleh hasil signifikan 0,019 < 0,05, sehingga disimpulkan bahwavariabel yang di teliti berpengaruh positif dan signifikan terhadap pendapatan perusahaan CV. Kaca Mobil Nugraha. Hal ini berarti jika dari variabel tersebut ada yang bernilai negative maka akan mengalami penurunan terhadap pendapatan perusahaan. Interface system yang di buat menghasilkan skor rata-rata yang dihasilkan adalah 82,7, berdasarkan uji Metric of Software Quality Assurance (SQA). Sehingga dapat disimpulkan bahwa interface yang dibuat pada penelitian ini memenuhi standar kualitas.dan Sistem yang dibangun ini dapat mempermudah pemilik perusahaan untuk melihat hasil prediksi pendapatan, sistem ini dapat meminimalisir kerugian, memberikan informasi yang cepat dan akurat tentang prediksi pendapatan.

5. Saran

Seiring dengan perkembangan teknologi yang semakin pesat, metode regresi linear ini memang sangat berpengaruh pada sektor kehidupan, salah satunya penjualan barang bagi pebisnis atau pemilik perusahaan. Namun, masih ada beberapa hal yang harus lebih dimatangkan, salah satunya meminimalisir agar proses pelaksanaan metode bisa lebih sederhana.