METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI …

METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI HARGA

UBI KAYU DI CV HARUM MEKAR

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Informatika

Oleh:

Mahendra Aulia Rahman

175314092

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2021

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

SIMPLE LINEAR REGRESSION METHOD FOR PRICE PREDICTION

OF A CASSAVA IN CV HARUM MEKAR

THESIS

Present as Partial Fullfillment of The Requirements

To Obtain The Degree of Sarjana Komputer

In Informatics Study Program

By:


175314092

INFORMATICS STUDY PROGRAM

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2021


iii


iv


v

HALAMAN PERSEMBAHAN

“Apapun itu harus dilakukan dengan sungguh-sungguh dan penuh semangat.

Karena hasil akan mengikutinya”


vi


vii


viii

ABSTRAK

Ubi kayu merupakan sumber bahan pangan yang memiliki peran penting

dalam menopang ketahanan pangan. Bahan pangan ubi kayu dapat dimanfaatkan

sebagai bahan produksi tepung tapioka. Bertambahnya kebutuhan ubi kayu terus

meningkat bersamaan banyak perusahaan industri membutuhkan ubi kayu untuk

diolah menjadi tepung tapioka. Berdasarkan catatan dari Kementerian

Perindustrian, harga ubi kayu terkini di pasaran cukup fluktuatif dan bisa

mengalami perubahan sewaktu – waktu tanpa pemberitahuan sebelumnya. Hal

tersebut disebabkan karena hasil panen ubi kayu meningkat dengan diimbangi

perusahan industri ubi kayu yang tidak dapat menjual olahan tepung tapioka

dalam jumlah yang banyak dan perkembangan ekonomi juga sedang menurun.

Dilakukan penelitian untuk memprediksi harga ubi kayu pada CV Harum Mekar.

Data yang digunakan berupa curah hujan dan harga ubi kayu tahun 2019 dan

diselesaikan menggunakan metode Regresi Linear Sederhana. Dataset dibagi

menjadi data training dan testing, kemudian masing – masing data training dan

data testing dimasukkan ke dalam model Regresi Linear Sederhana. Setelah hasil

prediksi sudah diperoleh, selanjutnya menghitung presentase error

menggunakan Mean Absolute Percentage Error (MAPE). Hasil akhir dari

penelitian ini berupa presentase error pada model. Presentase error terendah

yang dihasilkan menggunakan Mean Absolute Percentage Error (MAPE)

diperoleh sebesar 6.897 %. Hasil nilai MAPE tersebut mengindikasikan bahwa

model yang digunakan masuk kategori sangat akurat.

Kata Kunci : Prediksi, Ubi Kayu, Regresi Linear Sederhana, Mean Absolute

Percentage Error (MAPE)


ix

ABSTRACT

Cassava is a source of food that has an important role in supporting food security.

Cassava can be used as an ingredient in tapioca flour production. The increasing

demand for cassava continues to increase along with many industrial companies

requiring cassava to be processed into tapioca flour. Based on records from the

Ministry of Industry, the current price of cassava on the market is quite volatile and

can change at any time without prior notification. This is due to the increase in

cassava yields, offset by cassava industrial companies which are unable to sell

processed tapioca flour in large quantities and economic development is also

declining. A study was conducted to predict the price of cassava at CV Harum

Mekar. The data used in the form of rainfall and cassava prices in 2019 and resolved

using the Simple Linear Regression method. The dataset is divided into training and

testing data, then each training and testing data is entered into a Simple Linear

Regression model. After the prediction results have been obtained, the next step is

to calculate the error percentage using Mean Absolute Percentage Error (MAPE).

The final result of this research is the error percentage in the model. The lowest

percentage of error generated using the Mean Absolute Percentage Error (MAPE)

was obtained at 6.897%. The results of the MAPE value indicate that the model

used is in the very accurate category.

Keywords: Prediction, Cassava, Simple Linear Regression, Mean Absolute

Percentage Error (MAPE)


x

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan

rahmat dan hidayah-Nya kepada penulis, sehingga Alhamdulillah skripsi berjudul

“Metode Regresi Linear Sederhana Untuk Prediksi Harga Ubi Kayu Di CV

Harum Mekar” dapat terselesaikan. Skripsi merupakan tugas akhir yang diajukan

untuk memenuhi syarat memperoleh gelar Sarjana Komputer pada Fakultas Sains

dan Teknologi Universitas Sanata Dharma.

Dalam penyelesaian skripsi ini, penulis mengucapkan terima kasih kepada

seluruh pihak yang telah memberikan bimbingan, dukungan, semangat, serta doa

yang selalu dipanjatkan untuk kelancaran penulis dalam menyelesaikan skripsi ini.

Ucapan terima kasih penulis sampaikan kepada:

1. Kedua orang tua, Bapak Maimun Ma’ruf dan Ibu Sri Murni Hatiningsih

yang memberikan doa, perhatian, semangat dan dukungan baik secara moral

maupun material bagi penulis.

2. Kakak Ainun Najib yang selalu memberikan doa, perhatian dan dukungan

kepada penulis.

3. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas

Sains dan Teknologi Universitas Sanata Dharma.

4. Bapak Robertus Adi Nugroho, S.T., M.Eng. selaku ketua program Studi

Informatika Universitas Sanata Dharma.

5. Ibu Dr. Ridowati Gunawan, S.Kom., M.T. selaku dosen pembimbing skripsi

yang dengan sabar memberikan bimbingan dan pengarahan yang terbaik

dalam pengerjaan skripsi.

6. Ria Febri Ariyanti yang selalu menemani saat mengerjakan skripsi,

memberikan saran dan motivasi selama proses pengerjaan skripsi.

7. Danur, Erlyn, Holy, Tomo, Rama, Aldy yang selalu menghibur dan

memberi semangat penulis dalam mengerjakan skripsi.

8. Teman – teman kontrakan terutama Mas Aufa dan Mas Puja yang selalu

menemani dan menghibur penulis selama pengerjaan skripsi.


xi

9. Teman – teman 5cm yang selalu mendoakan dan memberi semangat penulis

terutama Elvira, Atiqoh, Ema, Faishal, Ahza.

10. Rekan – rekan mahasiswa Teknik Informatika angkatan 2017 yang selalu

menyemangati dan memotivasi penulis serta berjuang bersama untuk

menyelesaikan skripsi ini.

Semoga Allah SWT membalas semua kebaikan dan amal perbuatan yang

telah dilakukan. Akhir kata penulis menyadari bahwa dalam penyusunan skripsi ini

masih jauh dari kata sempurna dan pastinya memiliki kekurangan secara materi

maupun penyajiannya. Oleh karena itu, kritik dan saran serta masukan yang bersifat

membangun sangat diharapkan demi kesempurnaan skripsi ini. Penulis berharap

semoga skripsi ini dapat bermanfaat bagi kita semua.

Yogyakarta,



xii

DAFTAR ISI

HALAMAN PERSETUJUAN .............................................................................. iii

HALAMAN PENGESAHAN ……………………………………………………iv

HALAMAN PERSEMBAHAN ............................................................................. v

PERNYATAAN KEASLIAN KARYA ................................................................ vi

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPENTINGAN AKADEMIS ............................................................. vii

ABSTRAK ........................................................................................................... viii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................ xiv

DAFTAR GAMBAR ............................................................................................ xv

BAB I ...................................................................................................................... 1

1.1 Latar Belakang ......................................................................................... 1

1.2 Rumusan Masalah .................................................................................... 3

1.3 Tujuan Penelitian ...................................................................................... 3

1.4 Manfaat Penelitian .................................................................................... 4

1.5 Batasan Masalah ....................................................................................... 4

1.6 Sistematika Penulisan ............................................................................... 4

BAB II ..................................................................................................................... 6

2.1 Tinjauan Pustaka ...................................................................................... 6

2.2 Prediksi ..................................................................................................... 7

2.3 Ubi Kayu .................................................................................................. 8

2.4 Definisi Regresi Linear ............................................................................ 8

2.5 Regresi Linear Sederhana ......................................................................... 9

2.6 Mean Absolute Percentage Error (MAPE) ............................................ 10

BAB III ................................................................................................................. 12

3.1 Gambaran Umum ................................................................................... 12

3.2 Desain Penelitian .................................................................................... 12

3.2.1 Studi Literatur ................................................................................. 13


xiii

3.2.2 Proses Analisis Data ........................................................................ 13

3.3 Data Penelitian ....................................................................................... 14

3.4 Teknik Pengumpulan Data ..................................................................... 14

3.5 Implementasi Metode ............................................................................. 16

3.6 Peralatan Pendukung .............................................................................. 16

3.7 Pengujian dan Analisis ........................................................................... 17

3.8 Perhitungan Menggunakan Metode Regresi Linear Sederhana ............. 17

3.9 Desain Sistem ......................................................................................... 21

3.10 Skenario Pengujian ................................................................................. 22

BAB IV ................................................................................................................. 24

4.1 Implementasi Regresi Linear Sederhana ................................................ 24

4.1.1 Proses Input Data ............................................................................ 25

4.1.2 Perbandingan Hasil MAPE berdasarkan Presentase Pembagian Data

26

4.1.3 Hasil Prediksi Metode Regresi Linear Sederhana ........................... 27

4.2 Analisis Hasil ......................................................................................... 38

BAB V ................................................................................................................... 40

5.1 Kesimpulan ............................................................................................. 40

5.2 Saran ....................................................................................................... 40

DAFTAR PUSTAKA ........................................................................................... 42


xiv

DAFTAR TABEL

Tabel 4.1 Rasio pembagian data ........................................................................... 27

Tabel 4.2 Data Harga Ubi Kayu ........................................................................... 27

Tabel 4.3 Hasil prediksi pada rasio pembagian data 60:40 .................................. 29

Tabel 4.4 Hasil Perhitungan MAPE Rasio 60:40 ................................................. 30


Tabel 4.6 Hasil Perhitungan MAPE Rasio 65:35 ................................................. 32


Tabel 4.8 Hasil Perhitungan MAPE Rasio70:30 .................................................. 34


Tabel 4.10 Hasil Perhitungan MAPE Rasio 75:25 ............................................... 36

Tabel 4.11 Hasil prediksi pada rasio pembagian data 80:20 ................................ 37

Tabel 4.12 Hasil Perhitungan MAPE Rasio 80:20 ............................................... 38

Tabel 4.13 Hasil perhitungan error menggunakan MAPE ................................... 38


xv

DAFTAR GAMBAR

Gambar 2.1 Ilustrasi Garis Regresi Linear ........................................................... 9

Gambar 3.1 Tahap – tahap penelitian .................................................................. 13

Gambar 3.2 Diagram Alur Kerja Metode Regresi Linear Sederhana .................. 14

Gambar 3.3 Rancangan Antar Muka Sistem ....................................................... 21

Gambar 4.1 Source code library yang digunakan ............................................... 24

Gambar 4.2 Kolom Curah hujan dan Harga ........................................................ 25

Gambar 4.3 Grafik plot antara Curah Hujan dan Harga ...................................... 26

Gambar 4.4 Source code pengujian ..................................................................... 26

Gambar 4.5 Source code perhitungan nilai a dan b ............................................. 28

Gambar 4.6 Grafik hasil prediksi rasio pembagian data 60:40 ........................... 29

Gambar 4.7 Source code hasil prediksi ............................................................... 30

Gambar 4.8 Source code hasil perhitungan MAPE ............................................. 30

Gambar 4.9 Grafik hasil prediksi rasio pembagian data 65:35 ........................... 31

Gambar 4.10 Grafik hasil prediksi rasio pembagian data 70:30 ......................... 33




1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Sumber bahan pangan pengganti beras yang memiliki peran cukup penting

pada suatu wilayah dalam menopang ketahanan pangan yaitu ubi kayu. Di

Indonesia pada tahun 2019, hasil produksi ubi kayu menduduki posisi keempat

di dunia dengan jumlah 20-21 juta ton (Ellyvon, 2019). Namun, hasil panen

yang melimpah ini tidak didukung dengan pola konsumsi masyarakat

Indonesia sendiri. Banyak masyarakat yang menganggap bahwa ubi termasuk

makanan yang rendahan dan belum banyak yang terbiasa menjadikan ubi

sebagai bahan pangan alternatif selain beras dan jagung.

Di Kabupaten Pati tepatnya di desa Ngemplak Kidul Kecamatan

Margoyoso merupakan daerah sentra industri ubi kayu yang berada pada posisi

pertama di Provinsi Jawa Tengah dengan produksi ubi kayu 15.200 ton

(Berlian, 2020). Industri ubi kayu sebagian besar adalah industri skala rumah

tangga. Produksi dilakukan anggota rumah tangga dengan modal kecil dan

produk dipasarkan terbatas pada pasaran lokal di wilayah Kabupaten Pati.

Dilansir dari Tribun-Timur.com, salah satu industri tepung tapioka terbesar di

Kabupaten Pati adalah CV Harum Mekar. CV Harum Mekar membutuhkan

bahan baku ubi kayu 50 ton perhari. CV Harum Mekar memiliki kisaran untuk

harga beli ubi kayu sebesar 1100 per kilogram. Bertambahnya kebutuhan ubi

kayu terus meningkat bersamaan dengan banyak perusahaan industri

membutuhkan ubi kayu untuk diolah menjadi tepung tapioka.

Berdasarkan catatan dari situs Kementerian Perindustrian, harga ubi kayu

terkini di pasaran cukup fluktuatif dan bisa mengalami perubahan sewaktu-

waktu tanpa pemberitahuan sebelumnya. Ditingkat petani menunjukkan harga

ubi kayu kisaran Rp 1600 per kilogram (kg), akan tetapi untuk sekarang turun

Rp 1100 per kilogram (kg) pada tahun 2019. Penurunan harga ubi kayu terjadi

sejak bulan Mei 2020 yang menunjukkan sebesar Rp 1100 per kilogram (kg)


2

menghasilkan angka Rp 6.600.000 untuk 6 ton untuk setiap truk. Hal tersebut

disebabkan karena hasil panen ubi kayu meningkat dengan diimbangi

perusahan industri ubi kayu yang tidak dapat menjual olahan tepung tapioka

dalam jumlah yang banyak dan perkembangan ekonomi juga sedang menurun.

Berdasarkan analisis diatas, maka prediksi harga ubi kayu sangat

diperlukan oleh CV Harum Mekar agar kinerja keuangan bisa dikendalikan

sesuai dengan produksinya. Selain itu, prediksi harga ubi kayu juga dapat

dimanfaatkan oleh pemerintah untuk mengatur harga ubi kayu di tingkat petani

di kemudian hari, menentukan minimum penjualan ubi kayu dan jumlah

kebutuhan ubi kayu yang dibutuhkan dalam pasar.

Pada penelitian ini menggunakan Metode Regresi Linear Sederhana, yaitu

satu dari banyak metode untuk proses prediksi. Dalam penelitian sebelumnya

yang dilakukan oleh Kusumawati et al. (2017) menggunakan metode regresi

linear untuk memprediksi kurs rupiah terhadap dollar amerika, dengan rata –

rata nilai akurasi sebesar 75%. Pada penelitian lain dalam penerapan metode

regresi linear sederhana digunakan untuk prediksi harga emas dan administrasi

toko perhiasan menghasilkan nilai korelasi keakuratan sangat tinggi yaitu 92%

(Riyadi & Liantini, 2019). Penggunaan metode Regresi Linear Sederhana

memiliki akurasi yang cukup baik untuk prediksi harga. Dalam penelitian lain

menggunakan metode regresi linear sederhana untuk prediksi pemakaian air

bersih PDAM Way Rilau Kota Bandar Lampung didapatkan hasil akurasi

sebesar 89% (Hijriani et al., 2016). Dalam penelitian lain menggunakan regresi

linear untuk prediksi jumlah penjualan pada toko Makmur Jaya Elektronik

menunjukkan nilai MAPE sebesar 27,291 dan MAD sebesar 9,916 (Nafi’iyah,

2019). Pada penelitian lain yang dilakukan oleh Nafi’iyah (2015)

menggunakan metode regresi linear untuk memprediksi harga jual mobil bekas

menghasilkan nilai akurasi sebesar 80%. Pada penelitian selanjutnya yang

dilakukan oleh Imtiyaz et al. (2017) dalam penerapan sistem pendukung

keputusan budidaya tanaman cabai untuk prediksi curah hujan didapatkan hasil

akurasi dari metode linear regression sebesar 91,6%. Pada penelitian lain yang


3

dilakukan oleh Indarwati et al. (2019) menggunakan metode linear regression

untuk prediksi penjualan smartphone menghasilkan pengujian metode mean

absolute percentage error (MAPE) dan mean square error (MSE) untuk

smartphone merek Lenovo menghasilkan presentase kurang dari 10%.

Metode Regresi Linear Sederhana dipilih guna menyelesaikan masalah

dalam penelitian yang dilakukan sebab mempunyai kelebihan yaitu metode ini

menghasilkan akurasi yang tinggi dibandingkan dengan algoritma lain yang

juga mencoba menemukan hubungan antara variabel dependen dan

independen. Dimana untuk presentase error menggunakan Mean Absolute

Percentage Error (MAPE) dalam mendapatkan nilai yang optimal.

1.2 Rumusan Masalah

Berdasarkan permasalahan di latar belakang sebelumnya, maka dapat

dijabarkan untuk rumusan masalahnya adalah:

1. Bagaimana menerapkan metode Regresi Linear Sederhana untuk

memprediksi harga ubi kayu ?

2. Berapa nilai Mean Absolute Percentage Error (MAPE) yang terendah

dengan menggunakan metode Regresi Linear Sederhana untuk

memprediksi harga ubi kayu pada CV Harum Mekar?

1.3 Tujuan Penelitian

Berdasarkan rumusan masalah pada penelitian ini mempunyai tujuan

sebagai berikut:

1. Memperoleh prediksi harga ubi kayu dengan menggunakan metode Regresi

Linear Sederhana berdasarkan harga-harga ubi kayu yang diperoleh tiap

harinya.

2. Mengetahui nilai Mean Absolute Percentage Error (MAPE) dari metode

Regresi Linear Sederhana dalam melakukan prediksi harga ubi kayu pada

CV Harum Mekar.


4

1.4 Manfaat Penelitian

a. Bagi Penulis

1. Menerapkan hasil belajar yang dimiliki penulis untuk kepentingan

masyarakat umum, terutama pemerintah.

2. Memahami metode Regresi Linear Sederhana untuk memprediksi harga

ubi kayu pada CV Harum Mekar.

b. Bagi Pemerintah

1. Mampu memprediksi harga ubi kayu di waktu yang akan datang.

2. Membantu Pemerintah untuk menentukan jumlah minimum penjualan

ubi kayu dan jumlah kebutuhan ubi kayu yang dibutuhkan dalam pasar.

c. Bagi Pembaca

Sebagai pembanding atau dasar pengembangan untuk lebih lanjut

mengenai metode Regresi Linear Sederhana maupun prediksi harga ubi

kayu.

1.5 Batasan Masalah

Penelitian ini mempunyai batasan sebagai berikut :

1. Penelitian ini menggunakan data harga ubi kayu pada CV Harum Mekar.

2. Data yang diperoleh dari CV Harum Mekar dan atribut yang digunakan

adalah curah hujan (Mm) dan harga harian ubi kayu (Rp/Kg) pada tahun

2019.

3. Data curah hujan dan harga ubi kayu dibatasi hanya berada di sekitar

Kecamatan Margoyoso, Kabupaten Pati, Provinsi Jawa Tengah.

1.6 Sistematika Penulisan

Rangkuman dan uraian singkat yang memuat struktur penulisan secara

umum pada penelitian ini dijelaskan pada sistematika penulisan sebagai

berikut:

BAB I PENDAHULUAN

Pendahuluan menjelaskan mengenai masalah - masalah yang terdapat pada sub

bab yang berada didalamnya. Sub bab tersebut meliputi dari latar belakang,


5

rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah,

metodologi penelitian dan sistematika penulisan.

BAB II LANDASAN TEORI

Landasan teori berisi dasar-dasar yang digunakan untuk landasan penelitian

prediksi menggunakan metode Regresi Linear Sederhana dan referensi yang

menyangkut banyak penelitian sebelumnya.

BAB III METODOLOGI PENELITIAN

Metodologi yang berada pada bab ini menjabarkan metode dan alur yang

digunakan untuk tahap – tahap melakukan penelitian.

BAB IV IMPLEMENTASI DAN ANALISIS HASIL

Implementasi sistem memuat pembahasan implementasi program, termasuk

penjelasan mengenai kode programnya dan analisis hasil dari analisa manfaat,

kelebihan, dan kekurangan sistem.

BAB V PENUTUP

Penutup berisi kesimpulan yang menjawab rumusan masalah dari hasil

penelitian oleh peneliti dan saran atas apa yang sudah dilakukan sehingga dapat

dilaksanakan pada penelitian ke depannya.


6

BAB II

LANDASAN TEORI

Bab ini akan menjelaskan teori – teori yang digunakan pada penelitian

antara lain, tinjauan pustaka, prediksi, ubi kayu, definisi regresi linear, regresi

linear sederhana, dan mean absolute percentage error.

2.1 Tinjauan Pustaka

Kusumawati et al. (2017) memprediksi nilai tukar rupiah terhadap dollar

Amerika menggunakan metode Regresi Linear Sederhana. Berdasarkan data

tiap tahun dimana terjadi peningkatan nilai tukar rupiah terhadap rupiah

sehingga akan menyebabkan perubahan nilai utang luar negeri yang akan

bertambah. Sistem dapat memprediksikan kurs akan beranjak naik atau kurs

akan beranjak positif sehingga dapat diambil langkah – langkah yang terbaik.

Penelitian untuk prediksi harga emas dan administrasi toko perhiasan

diselesaikan menggunakan metode Regresi Linear Sederhana menunjukkan

korelasi sangat bagus. Perancangan sistemnya menggunakan PHP dan Mysql

yang dapat mempermudah kinerjanya lebih efisien dan efektif (Riyadi &

Liantini, 2019).

Pada penelitian selanjutnya memprediksi pemakaian air bersih PDAM

dengan sistem informasi geografis menggunakan metode Regresi Linear

Sederhana dengan data dari studi literatur mengenai data jumlah pemakaian air

bersih dan jumlah pelanggan tahun 2012-2015. Hasil keseluruhan

menunjukkan bahwa sistem informasi geografis penyebaran dan prediksi

jumlah penduduk telah sesuai baik dari segi fungsionalitasnya dan

penggunaannya (Hijriani et al., 2016).

Hasil penelitian yang dilakukan oleh Nafi’iyah (2019) dengan judul

“Prediksi Jumlah Penjualan Pada Toko Makmur Jaya Elektronik Dengan

Regresi Linear” penelitian ini bertujuan untuk menentukan stok persediaan

barang di bulan berikutnya. Metode Regresi Linear ini sangak baik digunakan


7

untuk prediksi karena beberapa algoritma yang menggunakan dataset untuk

memprediksi mempunyai nilai akurasi yang optimal.

Penerapan menggunakan metode Regresi Linear dalam memprediksi

harga jual mobil bekas dengan data mobil yaitu mobil innova, avanza, dan

xenia dengan kriteria jenis, tahun pembuatan, harga baru, dan harga bekas.

Hasilnya membuat model persamaan dengan dua cara, cara pertama data asli

langsung diolah untuk mendapatkan persamaan. Dan model kedua adalah data

dinormalisasi terlebih dahulu dimana hasil persamaannya menunjukkan nilai

koefisien cara pertama sebesar -0,68 dan koefisien caara kedua sebesar 0,93373

(Nafi’iyah, 2015).

Penelitian yang dilakukan oleh Imtiyaz et al. (2017) dengan judul “Sistem

Pendukung Keputusan Budidaya Tanaman Cabai Berdasarkan Prediksi Curah

Hujan” dalam pengujian fungsional system pendukung untuk memperlihatkan

kinerja yang sesuai dengan kebutuhan fungsional yang telah ditentukan pada

proses perancangan. Semua fungsi dapat bekerja dengan baik dengan nilai

pengujian fungsional sebesar 100%.

Penelitian selanjutnya menggunakan metode linear regression untuk

prediksi penjualan smartphone menggunakan 82 cell mayang dengan data yang

digunakan adalah data hasil penjualan yang sudah diinputkan sehingga tidak

perlu menginput data penjualan lagi. Hasil pengujian dengan metode linear

regression adalah tergolong dalam kategori sangat baik, terbukti dengan

pengujian nilai MAPE dan MSE sangat rendah untuk presentasenya.

Dari penelitian diatas, maka diusulkan penelitian harga ubi kayu dengan

menggunakan metode Regresi Linear Sederhana untuk memprediksi harga ubi

kayu dalam mendapatkan nilai menggunakan Mean Absolute Percentage Error

(MAPE) yang optimal.

2.2 Prediksi

Prediksi pada dasarnya merupakan dugaan atau prediksi mengenai

terjadinya suatu kejadian atau peristiwa di waktu yang akan datang. Prediksi

bisa bersifat kualitatif (tidak berbentuk angka) maupun kuantitatif (berbentuk

angka). Prediksi kualitatif sulit dilakukan untuk memperoleh hasil yang baik


8

karena variabelnya sangat relatif sifatnya. Prediksi kuantitatif dibagi dua yaitu:

prediksi tunggal (point prediction) dan prediksi selang (interval prediction).

Prediksi tunggal terdiri dari satu nilai, sedangkan prediksi selang terdiri dari

beberapa nilai, berupa suatu selang (interval) yang dibatasi oleh nilai batas

bawah (prediksi batas bawah) dan batas atas (prediksi tinggi). Prediksi

berfungsi untuk membuat suatu rencana kebutuhan (demand) yang harus dibuat

yang dinyatakan dalam kuantitas (jumlah) sebagai fungsi dari waktu. Prediksi

dilakukan dalam jangka panjang (long term). Prediksi sangat diperlukan

dengan melakukan perbandingan antara kebutuhan yang diramalkan dengan

yang sebenarnya.

2.3 Ubi Kayu

Ubi kayu yang dikenal sebagai ketela pohon atau singkong adalah salah

satu jenis tanaman yang banyak tumbuh di daerah sub tropis dan tergolong

tumbuhan tropika dan subtropika. Ubi kayu juga masuk dalam keluarga

Euphorbiaceae atau terkenal sebagai makanan pokok penghasil karbohidrat

dan daunnya sebagai sayuran (Agoes, 2010). Di Indonesia, ubi kayu ditanam

secara komersial yang mulai menduduki posisi pangan pokok alternatif selain

beras dan jagung. Ubi kayu juga diolah menjadi gaplek, tepung tapioka, oyek,

tape, keripik ubi kayu dan lain-lain.

2.4 Definisi Regresi Linear

Persamaan matematik dengan melakukan peramalan nilai – nilai suatu

peubah (variabel) tak bebas dari satu atau lebih peubah bebas disebut

persamaan regresi. Istilah regresi pertama kali dalam konsep statistik

digunakan oleh Sir Francis Galton dimana membandingkan tinggi badan anak

laki – laki dengan tinggi badan bapaknya. Galton menyatakan bahwa tinggi

badan anak laki – laki dari bapak yang tinggi beberapa generasi kemungkinan

cenderung “mundur” (regressed) mendekati rata – rata populasi (Yusuf, 2009).

Dikatakan pula bahwa analisis regresi mempunyai dua jenis variabel yaitu:

1. Variabel Respon (variabel dependen) yaitu variabel yang

keberadaaannya dipengaruhi oleh variabel lain dan dinotasikan dengan

variabel Y.


9

2. Variabel Prediktor (variabel independen) yaitu variabel bebas (tidak

dipengaruhi oleh variabel lain) dan dinotasikan dengan X.

Hubungan – hubungan antara variabel bebas maka regresi linear terdiri

dari dua bentuk, yaitu:

1. Analisis Regresi Sederhana (Simple Analysis Regresi)

Analisis Regresi Sederhana yaitu hubungan antara dua variabel yaitu

variabel bebas (variabel independen) dan variabel tak bebas (variabel

dependen).

2. Analisis Regresi Berganda (Multiple Analysis Regresi)

Analisis Regresi Berganda yaitu hubungan antara dua variabel atau lebih,

dengan sekurang – kurangnya dua variabel bebas dengan satu variabel tak

bebas.

Tujuan regresi adalah untuk membuat perkiraan nilai suatu variabel

(variabel dependen) jika nilai variabel yang satu berhubungan dengan variabel

lainnya sudah ditentukan.

2.5 Regresi Linear Sederhana

Regresi Linear Sederhana digunakan untuk mengetahui pengaruh antara

satu buah variabel bebas terhadap satu buah variabel terikat. Bentuk umum dari

persamaan regresi linear untuk suatu populasi menurut Yusuf (2009) adalah

sebagai berikut:

Gambar 2.1 Ilustrasi Garis Regresi Linear

Persamaan Regresi Linear Sederhana sebagai berikut:

�̂�= a + bx (2. 1)


10

Keterangan:

�̂� = Nilai yang diramalkan

x = Variabel bebas

a = Parameter Intercept, perpotongan dengan sumbu vertikal

b = Parameter slope koefisien regresi untuk variabel bebas

Dengan Y adalah variabel terikat dan X adalah variabel bebas.

Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara

garis regresi dengan sumbu Y pada koordinat kartesius.

Langkah – langkah yang dilakukan regresi linear sederhana dalam

menyelesaikan analisis menurut Yusuf (2009) adalah sebagai berikut :

1. Tentukan Y = variabel tak bebas dan X = variabel bebas.

2. Hitung Χ2, Y2, XY, dan total dari masing-masingnya.

3. Hitung nilai a dan b berdasarkan rumus dibawah.

a = (𝛴𝛶)(𝛴𝛸2)−(𝛴𝛸)(𝛴𝛸𝛶)

(𝑛)(𝛴𝛸2)−(𝛴𝛸)2 (2. 2)

b = (𝑛)(𝛴𝛸𝛶)−(𝛴𝛸)(𝛴𝛶)

(𝑛)(𝛴𝛸2)−(𝛴𝛸)2 (2. 3)

4. Setelah nilai a dan b ditemukan, masukkan nilai tersebut pada rumus

persamaan �̂� = a + bx. Kemudian masukkan nilai x, nilai x merupakan nilai

yang akan diramalkan.

2.6 Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) adalah salah satu dari beberapa

cara yang digunakan dalam evaluasi untuk mengukur ketepatan atau akurasi

suatu hasil prediksi yang sangat umum digunakan. Sedangkan menurut R.

Mubarak dan E. Esyudha (2020) MAPE adalah suatu ukuran ketetapan relative

yang digunakan untuk menghitung presentase hasil dari penyimpangan

peralaman dengan cara menghitung kealahan absolut pada tiap periode dibagi

dengan hasil observasi nyata pada periode tersebut kemudian dihitung rata -

ratanya. Persamaan 2.4 digunakan untuk perhitungan mencari error dari hasil

prediksi.

𝑀𝐴𝑃𝐸 =100

𝑛 𝛴𝑡=1

𝑛 |𝑥𝑡−�̂�𝑡

𝑥𝑡| (2.4)


11

Keterangan:

n = banyak data

xt = data observasi nyata pada waktu t

x̂t = data hasil peramalan pada waktu t

Hasil perhitungan ketepatan peramalan menggunakan kesalahan dalam

bentuk presentase menurut Kusbianto et al. (2020) dapat dikategorikan sebagai

berikut:

< 10% : peramalan sangat akurat

10%-20% : peramalan akurat

20%-50% : peramalan cukup akurat

>50% : peramalan tidak akurat


12

BAB III

METODOLOGI PENELITIAN

Bagian metodologi penelitian membahas mengenai tahap – tahap dalam

penelitian terkait Metode Regresi Linear Sederhana Untuk Prediksi Harga Ubi

Kayu Di CV Harum Mekar. Pada bagian metodologi penelitian menjelaskan

secara rinci terkait gambaran umum penelitian, desain penelitian, data

penelitian, teknik pengumpulan data, implementasi metode, peralatan

pendukung, pengujian dan analisis, perhitungan manual metode regresi linear

sederhana, desain sistem, dan skenario pengujian.

3.1 Gambaran Umum

Penelitian yang dilakukan bertujuan untuk memprediksi harga ubi kayu di

CV Harum Mekar pada tahun mendatang. Data input yang digunakan berupa

atribut curah hujan dan harga ubi kayu per harinya pada tahun 2019. Data

tersebut akan diolah, sehingga menghasilkan output prediksi harga ubi kayu

pada tahun yang akan datang. Kemudian akan dilakukan perhitungan dalam

mencari error dalam prediksi.

3.2 Desain Penelitian

Desain dalam proses penelitian untuk implementasi metode Regresi Linear

Sederhana yang diimplemetasikan pada prediksi harga ubi kayu di CV Harum

Mekar. Data prediksi yang digunakan berupa atribut curah hujan dan harga ubi

kayu per harinya pada tahun 2019 di CV Harum Mekar. Metode Regresi Linear

Sederhana dipilih karena mempunyai tingkat akurasi yang optimal

dibandingkan algoritma lain yang juga mencoba menemukan hubungan antara

variabel dependen dan independen. Berikut adanya tahap – tahap penelitian

pada Gambar 3.1.


13

Gambar 3.1 Tahap – tahap penelitian

3.2.1 Studi Literatur

Studi literatur digunakan dalam mencari informasi terkait penelitian

yang dilakukan. Studi literatur dilakukan dengan cara membaca buku

referensi, jurnal, dan sumber lain yang berkaitan dengan regresi linear.

3.2.2 Proses Analisis Data

Analisis penelitian ini menggunakan dataset berupa atribut curah

hujan dan harga ubi kayu per hari, kemudian menentukan variabel

dependen dan variabel independen. Kemudian mencari nilai error dari

hasil perhitungan prediksi. Berikut Diagram Alur Kerja Metode Regresi

Linear Sederhana ditunjukkan pada Gambar 3.2.


14

Gambar 3.2 Diagram Alur Kerja Metode Regresi Linear Sederhana

Gambar 3.2 merupakan diagram alur metode regresi linear

sederhana menggunakan variabel X dan Y untuk input. Kemudian

dilakukan split data untuk pembagian data training dan testing, setelah

itu tentukan nilai a dan b menggunakan rumus persamaan (2.2) dan (2.3).

Selanjutnya menghitung nilai y menggunakan rumus persamaan (2.1).

Setelah hasil prediksi diperoleh, kemudian menghitung presentase error

dari output prediksi dengan output aktual menggunakan rumus

persamaan (2.4). Output dari MAPE berupa hasil presentase error dari

model yang digunakan.

3.3 Data Penelitian

Penelitian ini menggunakan data penelitian berupa atribut curah hujan dan

harga ubi kayu dari CV Harum Mekar pada tahun 2019 sebanyak 365 data

record, mulai dari 1 januari 2019 sampai dengan 31 Desember 2019. Data

curah hujan dan data harga ubi kayu membentuk pola data musiman, dimana

suatu deret pola data ini dipengaruhi faktor musiman (Contoh : data tahunan,

bulanan atau hari – hari tertentu). Karakteristik dari data tersebut cenderung

fluktuatif. Keadaan tersebut dikarenakan pengaruh dari intensitas curah hujan

dimana harga ubi kayu berpengaruh dalam perusahaan industri ubi kayu. Selain

itu, perusahaan industri ubi kayu tidak dapat menjual olahan tepung tapioka

dalam jumlah yang banyak dengan ketersediaan di pasar yang telah tercukupi.

Jadi, untuk harga ubi kayu pada beberapa waktu tersebut cenderung turun.

3.4 Teknik Pengumpulan Data

Teknik pengumpulan data dalam penelitian diproses berupa atribut curah

hujan dan harga ubi kayu per hari sehingga dalam kurun waktu satu tahun


15

terdapat 365 data record. Teknik pengumpulan data ini dapat diperkuat dengan

adanya proses wawancara. Data yang didapatkan kemudian diolah dengan

analisis teknikal sehingga menghasilkan dataset yang dapat digunakan untuk

proses penelitian. Dari situlah didapatkan data per hari, satu bulan, dan dalam

satu tahun pada tahun 2019. Pada Tabel 3.1 merupakan sampel data yang

digunakan:

Tabel 3.1 Sampel Data

Tanggal

Curah hujan

(mm) Harga (Rp/Kg)

01-Jan-2019 8060 3000

02-Jan-2019 8060 3000

03-Jan-2019 8060 3050

04-Jan-2019 8060 3050

05-Jan-2019 8060 3000

06-Jan-2019 8060 3100

07-Jan-2019 8060 3050

08-Jan-2019 8060 3100

09-Jan-2019 8060 3100

10-Jan-2019 8060 3150

11-Jan-2019 8060 3000

12-Jan-2019 8060 3100

13-Jan-2019 8060 3100

14-Jan-2019 8060 3000

01-Feb-

2019 4172 2700

02-Feb-

2019 4172 2750

03-Feb-

2019 4172 2800

04-Feb-

2019 4172 2650

05-Feb-

2019 4172 2600

06-Feb-

2019 4172 2700

07-Feb-

2019 4172 2600

08-Feb-

2019 4172 2650


16

09-Feb-

2019 4172 2700

10-Feb-

2019 4172 2800

11-Feb-

2019 4172 2800

12-Feb-

2019 4172 2700

13-Feb-

2019 4172 2750

14-Feb-

2019 4172 2750

Pada Tabel 3.1 berikut adalah penjelasan dari atribut yaitu:

a. Tanggal

Tanggal pelaporan dari pihak CV Harum Mekar dalam pembelian

ubi kayu dari petani. Menggunakan format tanggal-bulan-tahun.

b. Curah Hujan

Merupakan intensitas ketinggian air hujan yang diukur dengan

satuan milimeter dalam jangka waktu tertentu.

c. Harga

Harga yang ditetapkan petani untuk harga jual ke perusahaan dengan

satuan rupiah/kilogram.

3.5 Implementasi Metode

Implementasi metode dilakukan berdasarkan pada proses sebelumnya yaitu

proses perancangan. Implementasi pada metode Regresi Linear Sederhana

dibagi menjadi dua tahap yaitu melakukan manualisasi terhadap data yang

kemudian diimplementasikan dalam bentuk kode program.

3.6 Peralatan Pendukung

Peralatan pendukung yang digunakan untuk melengkapi kebutuhan yang

diperlukan dalam penelitian ini. Berikut merupakan peralatan pendukung yang

digunakan:

1. Peralatan Perangkat Keras


17

• Laptop HP 14s-cf Processor Intel(R) Core(TM) i5-10210U

CPU @ 1.60GHz, 2112 Mhz, 4 Core(s), 8 Logical

Processor(s)

• RAM 4,00 GB

• HDD 1 TB

• SSD 128 GB

2. Peralatan Perangkat Lunak

• Sistem Operasi Windows 10 Pro

• Microsoft Office 2019

• PyCharm 2021.1.2

3.7 Pengujian dan Analisis

Pengujian serta analisis yang dilakukan untuk mendapatkan nilai

pembanding antara data aktual dengan data prediksi pada harga ubi kayu di CV

Harum Mekar. Kemudian diuji untuk mengetahui hasil prediksi menggunakan

metode Regresi Linear Sederhana yang paling terbaik untuk kasus prediksi

harga ubi kayu di CV Harum Mekar pada tahun yang akan datang.

3.8 Perhitungan Menggunakan Metode Regresi Linear Sederhana

Pada sub bab ini menjelaskan bagaimana cara memprediksi harga ubi kayu

dengan menggunakan metode Regresi Linear Sederhana yang mengacu pada

penelitian, kemudian menghitung presentase error menggunakan MAPE. Pada

proses hitung manual ini, sampel dataset yang digunakan sebanyak 28 cuplikan

data pada 2 minggu awal bulan Januari – Februari 2019 dimana atribut yang

digunakan berupa curah hujan dan harga ubi kayu. Berikut contoh perhitungan

tersebut.

3.8.1 Menghitung nilai a dan b

Tabel 3.2 Data Nilai X dan Y

Tanggal Curah hujan (X) Harga (Y)

01-Jan-2019 8060 3000

02-Jan-2019 8060 3000

03-Jan-2019 8060 3050

04-Jan-2019 8060 3050


18

05-Jan-2019 8060 3000

06-Jan-2019 8060 3100

07-Jan-2019 8060 3050

08-Jan-2019 8060 3100

09-Jan-2019 8060 3100

10-Jan-2019 8060 3150

11-Jan-2019 8060 3000

12-Jan-2019 8060 3100

13-Jan-2019 8060 3100

14-Jan-2019 8060 3000

01-Feb-2019 4172 2700

02-Feb-2019 4172 2750

03-Feb-2019 4172 2800

04-Feb-2019 4172 2650

05-Feb-2019 4172 2600

06-Feb-2019 4172 2700

07-Feb-2019 4172 2600

08-Feb-2019 4172 2650

09-Feb-2019 4172 2700

10-Feb-2019 4172 2800

11-Feb-2019 4172 2800

12-Feb-2019 4172 2700

13-Feb-2019 4172 2750

14-Feb-2019 4172 2750

Pada Tabel 3.2, nilai x dan y sudah ditentukan. Nilai x adalah curah

hujan dan nilai y adalah harga. Sebelum menghitung nilai a dan b,

hitung terlebih dahulu variabel berikut:

ΣX = (8060+8060+…..+4172) = 171248

ΣY = (3000+3000+3050+…..+2750) = 80750

(ΣX2) = (80602+80602+......+41722) = 1153168576

(ΣX)2 = (8060+8060+…..+4172)2 = 29325877504

ΣXY = ((8060x3000)+(8060x3000)+…..+(4172x2750))

= 503295400


19

n(ΣXY) = 28 x (Hasil dari ΣXY)

= 28 x 503295400

= 14092271200

n(ΣX2) = 28 x (Hasil ΣX2)

= 28 x 1153168576

= 32288720128

(ΣX)(ΣXY) = (Hasil ΣX) x (Hasil ΣXY)

= 171248 x 503295400

= 8,61883E+13

(ΣX)(ΣY) = (Hasil ΣX) x (ΣY)

= 171248 x 80750

= 13828276000

Setelah semua variabel ditemukan hasilnya, Langkah selanjutnya

masukkan hasil tersebut ke dalam rumus persamaan (2.2) dan (2.3)

untuk menghitung nilai a dan b. Berikut perhitungannya:

a = (80750)(1153168576)−(8,61883E+13)

32288720128−29325877504

a = 2338,980747

b = 14092271200−13828276000

32288720128−29325877504

b = 0,089101999

Jadi, hasil dari Intercept sebesar 2338,980747 dan hasil dari slope

sebesar 0,089101999. Adapun hasil dari excel ditunjukkan pada Tabel

3.3 dibawah ini:

Tabel 3.3 Hasil dari nilai a dan b

Hasil a 2338,980747

Hasil b 0,089101999


20

3.8.2 Menghitung persamaan y

Setelah hasil dari nilai a dan b ditemukan, maka selanjutnya

menghitung y untuk prediksi. Masukkan hasil dari nilai a dan b tersebut

ke dalam persamaan (2.1). Contoh perhitungan disini ingin

memprediksi nilai dari curah hujan sebesar 158.

a = 2338,980747

b = 0,089101999

x = curah hujan sebesar 158

Setelah nilai a, b, dan x diketahui, Langkah selanjutnya menghitung

menggunakan persamaan (2.1). Berikut perhitungannya:

y158 = 2338,980747 + 0,089101999 x (158)

y158 = 2353,058862

Jadi hasil dari prediksi untuk curah hujan sebesar 158, adalah

sebesar 2353,058862. Adapun hasil perhitungan menggunakan excel

pada Tabel 3.4 dibawah ini:

Tabel 3.4 Hasil dari y158

y158 2353,058862

3.8.3 Menghitung nilai MAPE

Setelah hasil prediksi sudah ada, untuk menghitung presentase

errornya menggunakan MAPE. Sebelum dimasukkan ke dalam rumus

pada persamaan (2.4), tentukan terlebih dahulu nilai dari n, nilai total

dari xt dan x̂t:

n = 28

𝛴|𝑋𝑡−�̂�𝑡

𝑋𝑡| = (((3000-3057,142)/3000+........+((2750-2710,714)/2750))

= - 4,0752E-05

Setelah nilai n, nilai total dari xt dan x̂t sudah ditentukan, Langkah

selanjutnya masukkan nilai tersebut ke dalam persamaan (2.4).

Berikut perhitungannya:


21

MAPE = 100

28 (− 4,0752E − 05)

= -0,000145543, karena MAPE menggunakan nilai absolut

maka diubah menjadi bilangan positif 0,000145543

Adapun hasil perhitungan menggunakan excel pada Tabel 3.5

dibawah ini:

Tabel 3.5 Hasil dari MAPE

3.8.4 Evaluasi dan Kesimpulan

Pada tahap ini dilakukan analisis dari proses Regresi Linear yang

berisi uraian dari hasil proses penelitian dan hasil dari pengujian dalam

prediksi harga ubi kayu di CV Harum Mekar. Hasil dari analisis

tersebut dijadikan sebagai bahan kesimpulan dari penelitian yang

dilakukan ini.

3.9 Desain Sistem

Gambar 3.3 Rancangan Antar Muka Sistem

MAPE 0,000145523


22

Gambar 3.3 merupakan rencana rancangan antar muka sistem yang

akan digunakan. Terdapat tombol untuk pilih data, lihat data, grafik sebaran

data, hapus, proses, grafik hasil prediksi, lihat hasil prediksi, prediksi, dan

reset. Tombol pilih data berfungsi untuk memasukkan file. Tombol lihat

data berfungsi menampilkan data awal. Tombol grafik sebaran data

berfungsi untuk menampilkan grafik plot sebaran data awal. Tombol hapus

berfungsi untuk menghapus file data beserta nilai presentase error. Tombol

Proses berfungsi akan memproses data dengan menggunakan metode

regresi linear sederhana dan menampilkan hasil presentase error. Tombol

grafik hasil prediksi berfungsi menampilkan grafik plot hasil prediksinya.

Terdapat label curah hujan dimana pengguna dapat memasukkan nilai curah

hujan secara random berdasarkan data yang sudah ada. Selanjutnya adanya

tombol prediksi berfungsi untuk menampilkan hasil prediksi dari curah

hujan yang di input. Dan adanya tombol reset untuk mengosongkan field

curah hujan dan tombol prediksi.

3.10 Skenario Pengujian

Pengujian dilakukan dengan menjabarkan hasil penelitian yang

diperoleh dari dataset. Kemudian melakukan perbandingan berdasarkan

persentase pembagian data, serta hasil prediksi menggunakan regresi linear

sederhana. Pembagian antara data training dan testing bertujuan untuk

mengetahui performa dari metode regresi linear sederhana, Penentuan

presentase pembagian antara data training dan testing disini mengambil

beberapa rasio pembagian data untuk diuji. Dimana persentase pembagian

digunakan untuk mencari nilai optimal dari nilai Mean Absolute Percentage

Error (MAPE) .

Pada hasil pengujian prediksi ini menggunakan data berupa atribut

curah hujan dan harga ubi kayu tahun 2019 dengan periode harian

menggunakan metode regresi linear sederhana. Kemudian menghitung nilai

a dan b, yaitu nilai intercept dan slope dengan menggunakan rumus

persamaan (2.2) dan (2.3). Setelah nilai a dan b diperoleh, selanjutnya

menghitung y (hasil prediksi) untuk data pengujiannya. Dimana data


23

pengujiannya menggunakan 365 dataset. Kemudian hasil prediksi dari

beberapa rasio pembagian data diperoleh dan melakukan analisis terhadap

hasil prediksinya dengan mengetahui hasil nilai terendah dari MAPE untuk

pengukuran performa dari hasil prediksi. Dimana semakin rendah nilai

MAPE maka akan mengidentifikan bahwa nilai kesalahan semakin kecil

yang berarti model bisa memprediksi dengan optimal karena model dapat

melakukan prediksi dengan selisih antara nilai aktual dan nilai prediksi yang

tidak terlalu besar.


24

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

Pada bab ini akan menjelaskan hasil penelitian yang didapat berupa data

curah hujan dan harga ubi kayu tahun 2019, hasil prediksi menggunakan

metode regresi linear sederhana, serta perbandingan nilai terendah dari Mean

Absolute Percentage Error (MAPE) berdasarkan rasio pembagian data.

4.1 Implementasi Regresi Linear Sederhana

Library yang digunakan dapat dilihat pada Gambar 4.1. Library tersebut

adalah:

Gambar 4.1 Source code library yang digunakan

Berikut merupakan penjelasan library pada Gambar 4.1:

1. Numpy digunakan untuk mendukung operasi array.

2. Pandas digunakan untuk membaca data dan menampilkan data.

3. Matplotlib digunaan untuk visualisasi data.

4. Sklearn digunakan untuk proses prediksi. Library Sklearn mempunyai

banyak package yang digunakan dalam proses prediksi menggunakan

regresi linear sederhana diantaranya:

- Sklearn.linear_model import LinearRegression digunakan untuk

memanggil algoritma Linear Regression.

- Sklearn.model_selection import train_test_split digunakan untuk

membagi data menjadi training dan testing.


25

4.1.1 Proses Input Data

Pada tahapan ini dilakukan proses input dataset yang

memiliki atribut berupa curah hujan dan harga ubi kayu tahun 2019

dengan periode harian berjumlah 365 data record.

Gambar 4.2 Kolom Curah hujan dan Harga

Gambar 4.2 merupakan sampel data yang digunakan untuk

prediksi pada metode regresi linear sederhana yaitu atribut Curah

hujan dan Harga. Atribut Curah hujan dan Harga saling berkaitan

karena, pada atribut harga bisa bertambah dan berkurang nilainya

berdasarkan atribut Curah hujan, alasan tersebut yang membuat

kedua atribut tersebut digunakan.


26

Gambar 4.3 Grafik plot antara Curah Hujan dan Harga

Pada Gambar 4.3 merupakan grafik sebaran data curah hujan

dengan harga.

4.1.2 Perbandingan Hasil MAPE berdasarkan Presentase Pembagian

Data

Gambar 4.4 Source code pengujian

Pada Gambar 4.4 merupakan source code pengujian dalam

melakukan proses pembagian data untuk memperoleh nilai Mean

Absolute Percentage Error (MAPE) yang optimal. Dimana untuk

rasio pembagian data dengan mengganti nilai parameternya pada

(test_size).


27

Pembagian data bertujuan untuk mengetahui performa dari

metode regresi linear sederhana. Dimana mengambil beberapa rasio

pembagian data training dan testing untuk diuji mana rasio

pembagian yang menghasilkan nilai yang paling optimal dengan

menggunakan Mean Absolute Percentage Error (MAPE) pada

model yang dibuat. Adapun beberapa rasio pembagian data yang

ditunjukkan pada Tabel 4.1.

Tabel 4.1 Rasio pembagian data

No Rasio Pembagian Data

1 60:40

2 65:35

3 70:30

4 75:25

5 80:20

4.1.3 Hasil Prediksi Metode Regresi Linear Sederhana

Berikut ini merupakan rasio pembagian data menggunakan

Metode Regresi Linear Sederhana untuk mendapatkan nilai optimal

dari Mean Absolute Percentage Error (MAPE).

1. Rasio Pembagian Data 60:40

Pertama hasil pengujian prediksi menggunakan dataset yang

memiliki atribut berupa curah hujan dan harga ubi kayu tahun

2019 dengan periode harian menggunakan metode regresi linear

sederhana dengan rasio pembagian data sebesar 60:40. Berikut

Data harga ubi kayu ditunjukkan pada Tabel 4.2.

Tabel 4.2 Data Harga Ubi Kayu

No Curah hujan (X) Harga (Y) X^2 X*Y

0 8060 3000 64963600 24180000

1 8060 3000 64963600 24180000

2 8060 3050 64963600 24583000

3 8060 3050 64963600 24583000

4 8060 3000 64963600 24180000

. . . . .


28

. . . . .

. . . . .

360 4712 1900 22202944 8952800

361 4712 1800 22202944 8481600

362 4712 1750 22202944 8246000

363 4712 1700 22202944 8010400

364 4712 1800 22202944 8481600

Pada Tabel 4.2 terdapat kolom X^2 dan kolom X*Y, kedua

kolom tersebut digunakan untuk menghitung nilai a dan nilai b,

yaitu intercept dan slope. Rumus yang digunakan untuk

menghitung nilai a dan b ditunjukkan pada rumus persamaan

(2.2) dan (2.3), Adapun hasil perhitungan menggunakan Tabel

4.2 untuk menentukan nilai a dan b yaitu:

Intercept (a) = 2783.826290

Slope (b) = -2.92744122

Gambar 4.5 Source code perhitungan nilai a dan b

Pada Gambar 4.5 merupakan source code untuk mencari

nilai a dan b dimana nilai tersebut dimasukkan untuk

menghitung nilai y (hasil prediksi). Kemudian terdapat pula

fungsi untuk memvisualisasi data dari hasil prediksi


29

Adapun grafik yang merepresentasikan dari hasil prediksi:

Gambar 4.6 Grafik hasil prediksi rasio pembagian data 60:40

Gambar 4.6 menggambarkan hasil prediksi dimana nilai a

dan b, a yang berarti intercept merupakan posisi garis a yang

memotong sumbu y sebesar 2783.826290 dan b yang berarti

kemiringan garis sebagai rata – rata pertambahan atau

pengurangan pada y jika x mengalami peningkatan sebesar -

2.92744122

Selanjutnya yaitu melihat hasil prediksi pada data yang diuji

menggunakan rasio pembagian data sebesar 60:40, pada data uji

sendiri menggunakan 365 dataset. Hasil prediksi dari proses

pengujian ditunjukkan pada Tabel 4.3.

Tabel 4.3 Hasil prediksi pada rasio pembagian data 60:40

No Curah hujan (X) Harga (Y) Prediksi

0 8060 3000 2783,8262

1 8060 3000 2780,8988

2 8060 3050 2777,9714

3 8060 3050 2775,0439

4 8060 3000 2772,1165


30

. . . .

. . . .

. . . .

360 4712 1900 1729,9474

361 4712 1800 1727,0200

362 4712 1750 1724,0925

363 4712 1700 1721,1651

364 4712 1800 1718,2376

Gambar 4.7 Source code hasil prediksi

Pada Gambar 4.7 merupakan Source code untuk mencari

hasil prediksi menggunakan regresi linear sederhana.

Kemudian proses untuk mengetahui nilai error

menggunakan Mean Absolute Percentage Error (MAPE)

dengan rasio pembagian data sebesar 60:40. Hasil nilai error

dari Mape ditunjukkan pada Tabel 4.4.

Tabel 4.4 Hasil Perhitungan MAPE Rasio 60:40

MAPE 6.941

Gambar 4.8 Source code hasil perhitungan MAPE

Pada Gambar 4.8 merupakan source code yang digunakan

untuk menghitung nilai error MAPE.


31


Kedua hasil pengujian prediksi menggunakan dataset

berupa atribut curah hujan dan harga ubi kayu tahun 2019

dengan periode harian menggunakan metode regresi linear

sederhana dengan rasio pembagian data sebesar 65:35.

Adapun hasil perhitungan untuk nilai a dan b ditunjukkan pada

rumus persamaan (2.2) dan (2.3) yaitu :

Intercept (a) = 2772.139675

Slope (b) = -2.87402426

Adapun grafik yang merepresentasikan dari hasil prediksi:







2.87402426


32

Selanjutnya yaitu melihat hasil prediksi pada data yang

diuji menggunakan rasio pembagian data sebesar 65:35, pada

data uji sendiri menggunakan 365 dataset. Hasil prediksi dari

proses pengujian ditunjukkan pada Tabel 4.5.



0 8060 3000 2772,1396

1 8060 3000 2769,2656

2 8060 3050 2766,3916

3 8060 3050 2763,5176

4 8060 3000 2760,6435

. . . .

. . . .

. . . .

360 4712 1900 1737,4909

361 4712 1800 1734,6169

362 4712 1750 1731,7428

363 4712 1700 1728,8688

364 4712 1800 1725,9948






MAPE 6.905


Ketiga hasil pengujian prediksi menggunakan dataset





33



Intercept (a) = 2769.937272

Slope (b) = -2.86586752

Adapun grafik yang merepresentasikan hasil prediksi:







2.86586752






34



0 8060 3000 2769,9372

1 8060 3000 2767,0714

2 8060 3050 2764,2055

3 8060 3050 2761,3396

4 8060 3000 1738,2249

. . . .

. . . .

. . . .

360 4712 1900 1738,2249

361 4712 1800 1735,3590

362 4712 1750 1732,4932

363 4712 1700 1729,6273

364 4712 1800 1726,7614






MAPE 6.899


Keempat hasil pengujian prediksi menggunakan dataset






Intercept (a) = 2768.772343

Slope (b) = -2.87141334


35








2.87141334







0 8060 3000 2768,7723

1 8060 3000 2765,9009

2 8060 3050 2763,0295

3 8060 3050 2760,1581

4 8060 3000 2757,2866


36

. . . .

. . . .

. . . .

360 4712 1900 1735,0635

361 4712 1800 1732,1921

362 4712 1750 1729,3207

363 4712 1700 1726,4493

364 4712 1800 1723,5778






MAPE 6.897


Kelima hasil pengujian prediksi menggunakan dataset






Intercept (a) = 2771.687001

Slope (b) = -2.88076224


37








2.88076224.







0 8060 3000 2771,6870

1 8060 3000 2768,8062

2 8060 3050 2765,9254

3 8060 3050 2763,0447

4 8060 3000 2760,1639


38

. . . .

. . . .

. . . .

360 4712 1900 1734,6125

361 4712 1800 1731,7318

362 4712 1750 1728,8510

363 4712 1700 1725,9703

364 4712 1800 1723,0895






MAPE 6.904

4.2 Analisis Hasil

Pada bagian ini, melakukan analisis terhadap hasil prediksi dari proses

pengujian yang telah dilakukan menggunakan Regresi Linear Sederhana serta

mengetahui hasil Mean Absolute Percentage Error (MAPE) untuk pengukuran

performa dari hasil prediksi. Penggunaan model Regresi Linear Sederhana

dalam prediksi harga ubi kayu di CV Harum Mekar menggunakan rasio

pembagian data sebesar 60:40, 65:35, 70:30, 75:25, dan 80:20 untuk

memperoleh nilai error terendah dari Mean Absolute Percentage Error

(MAPE).

Tabel 4.13 Hasil perhitungan error menggunakan MAPE

Rasio MAPE

60:40 6.941

65:35 6.905

70:30 6.899


39

75:25 6.897

80:20 6.904

Pada Tabel 4.13 ditunjukkan hasil MAPE yang didapat dari hasil proses

pengujian menggunakan beberapa rasio pembagian data. Dimana nilai terendah

mengunakan Mean Absolute Percentage Error (MAPE) sebesar 6.897 dengan

rasio pembagian data sebesar 75:25. Nilai MAPE yang semakin rendah

mengindikasikan bahwa nilai kesalahan semakin kecil yang berarti model bisa

memprediksi dengan baik karena model dapat melakukan prediksi dengan

selisih antara nilai aktual dan nilai prediksi yang tidak terlalu besar.


40

BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil dan analisis pada BAB IV, terkait prediksi harga

ubi kayu di CV Harum Mekar menggunakan metode Regresi Linear

Sederhana, maka didapatkan kesimpulan sebagai berikut:

1. Metode Regresi Linear Sederhana dapat diterapkan untuk

memprediksi harga ubi kayu pada CV Harum Mekar sebanyak 365

data record, mulai dari 1 januari 2019 sampai dengan 31 Desember

2019.

2. Nilai error terendah pada prediksi yang diukur menggunakan Mean

Absolute Percentage Error (MAPE) sebesar 6.897 % dengan rasio

pembagian data sebesar 75:25 dari model Regresi Linear Sederhana

pada data yang telah diuji. Hasil MAPE tersebut mengindikasikan

bahwa model yang digunakan masuk kategori sangat akurat.

5.2 Saran

Berdasarkan hasil penelitian, adapun saran yang diberikan untuk

penelitian selanjutnya mengenai prediksi harga ubi kayu menggunakan

regresi linear sederhana sabagai berikut:

1. Menggunakan dataset harga ubi kayu dengan range data yang lebih

banyak atau menggunakan dataset lain dengan record data yang

banyak.

2. Menggunakan dataset harga ubi kayu di daerah lain.

3. Dalam penelitian selanjutnya bisa menggunakan metode lain untuk

melakukan prediksi dan mendapatkan nilai error yang semakin

rendah serta tingkat akurasi prediksi yang semakin tinggi seperti

Regresi Linear Berganda atau Neural Network.


41

4. Menggunakan metode lain untuk menghitung nilai error seperti;

MSE, RMSE, ataupun MAE.


42

DAFTAR PUSTAKA

Agoes, Azwar. 2010. Tanaman Obat Indonesia Buku1. Jakarta: Salemba Medika.

Aminanti, Berlian. 2020. Pengaruh Modal, Tenaga Kerja, Dan Bahan Baku

Terhadap Nilai Produksi. Semarang : Universitas Negeri Semarang.

D. Kusbianto, M. U. Pemenang, and M. A. Fudianto, “PENJUALAN OBAT

TERNAK BERBASIS WEB ( Studi Kasus PT Otasindo Prima Satwa Cabang

Surabaya ),” 2020.

H. Imtiyaz, B. H. Prasetio, and N. Hidayat, “Sistem Pendukung Keputusan

Budidaya Tanaman Cabai Berdasarkan Prediksi Curah Hujan,” J. Pengemb.

Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 733–738, 2017.

Hijriani, A., Muludi, K., & Andini, E. A. (2016). Penyajian Hasil Prediksi

Pemakaian Air Bersih Pdam Informasi Geofrafis. Jurnal Informatika, 11(2),

37–42.

Kusumawati, N., Marisa, F., & Wijaya, I. D. (2017). Prediksi Kurs Rupiah

Terhadap Dollar Amerika Dengan Menggunakan Metode Regresi Linear. J I

M P - Jurnal Informatika Merdeka Pasuruan, 2(3), 45–56.

https://doi.org/10.37438/jimp.v2i3.79

Nafi’iyah, N. (2015). Penerapan regresi linear dalam memprediksi harga jual

mobil bekas. 1–5.

Nafi’iyah, N. (2019). Prediksi Jumlah Penjualan pada Toko Makmur Jaya

Elektronik dengan Regresi Linier. RESEARCH : Computer, Information

System & Technology Management, 2(2), 47.

Nafi’iyah, N. (2019). Prediksi Jumlah Penjualan pada Toko Makmur Jaya

Elektronik dengan Regresi Linier. RESEARCH : Computer, Information

System & Technology Management, 2(2), 47.

https://doi.org/10.25273/research.v2i02.5143


43

Pranita, Ellyvon. (2019). Potensi Pertanian Ubi Kayu di Indonesia Menjanjikan.

Jakarta: PT Kompas Media Nusantara.

R. Mubarak and E. Esyudha, “Prediksi Hasil Tangkapan Ikan Menggunakan Fuzzy

Time Series Fish Catch Result Prediction Using Fuzzy Time Series,” vol. 08,

no. 3, pp. 303–308, 2020, doi: 10.26418/justin.v8i3.39831.

Riyadi, S., & Liantini, R. (2019). Aplikasi Prediksi Harga Emas dan Administrasi

Toko Perhiasan Berbasis PHP dan Scan QR-Code Menggunakan Metode

Regresi Linear Sederhana. Rekayasa, 12(1), 71.

https://doi.org/10.21107/rekayasa.v12i1.4553

T. Indarwati, T. Irawati, and E. Rimawati, “Penggunaan Metode Linear Regression

Untuk Prediksi Penjualan Smartphone,” J. Teknol. Inf. dan Komun., vol. 6, no.

2, pp. 2–7, 2019, doi: 10.30646/tikomsin.v6i2.369.

Wibisono, Yusuf. 2009. Metode Statistik, Yogyakarta : Universitas Gadjah Mada.

https://doi.org/10.25273/research.v2i02.5143


METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI …

Documents

Transcript of METODE REGRESI LINEAR SEDERHANA UNTUK PREDIKSI …