JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Print) A-169

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A-169 Pembuaan Aplikasi Pendukung Kepuusan Unuk Peramalan Persediaan Bahan Baku Produksi Plasik Blowing dan Injec Menggunakan Meode ARIMA (Auoregressive Inegraed Moving Average) Di CV. Asia Amira Herwindyani Huasuhu, Wiwik Anggraeni, Raras Tyasnuria Jurusan Sisem Informasi, Fakulas Teknologi Informasi, Insiu Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya Indonesia Absrak Persediaan bahan baku memiliki peranan pening bagi perusahaan karena akan berpengaruh pada kemampuan perusahaan unuk memenuhi perminaan pelanggan. Berbagai kendala dapa muncul akiba kurangnya bahan baku unuk produksi, seperi kekurangan bahan baku unuk produksi sehingga menimbulkan keerlambaan erhadap pemenuhan perminaan pelanggannya. Akiba keerlambaan ersebu akhirnya perusahaan mengalami beberapa kerugian. Unuk mengaasi hal ersebu, perusahaan memerlukan perencanaan di berbagai hal, khususnya perencanaan yang berhubungan dengan persediaan. Salah sau benuk perencanaan persediaan yaiu meramalkan persediaan bahan baku unuk seiap waku. Meode ARIMA merupakan meode yang disarankan unuk kasus CV. Asia karena memiliki sifa yang fleksibel, yaiu mengikui pola daa yang ada. Meode ARIMA memiliki ingka akurasi yang inggi dan cenderung memiliki nilai error yang kecil karena prosesnya yang erperinci. Model ARIMA yang diperoleh naninya akan diimplemenasikan dalam Microsof Excel menggunakan Visual Basic for Applicaion, dengan memperimbangkan kondisi kekinian perusahaan yang menggunakan Microsof Excel unuk proses bisnis kesehariannya, sehingga dapa membanu CV. Asia unuk meramalkan persediaan bahan bakunya dan melakukan pengambilan kepuusan. Kaa Kunci, ARIMA, Excel, CV. Asia, Peramalan, Persediaan D I. PENDAHULUAN ewasa ini bidang bisnis di Indonesia sudah semakin beragam. Hal ini menimbulkan persaingan bisnis anara sau perusahaan dengan perusahaan lain yang sanga kea. Masing-masing perusahaan pun berlomba-lomba unuk menjadi yang erbaik di bidangnya dan juga memperoleh profi yang besar. Perusahaan pun memerlukan perhiunganperhiungan yang akura dalam proses bisnisnya agar idak salah langkah dalam pengambilan kepuusan sehingga dapa berahan dalam persaingan bisnis. Peramalan aau forecasing merupakan akifias di mana perusahaan melakukan analisis unuk memperkirakan perminaan barang aau jasa di masa mendaang. Jadwal produksi, pembelian bahan baku kebijakan persediaan, dan kuoa penjualan, semuanya akan dipengaruhi oleh peramalan yang dilakukan oleh perusahaan. Unuk iulah perusahaan perlu berhai-hai dalam menenukan meode peramalan yang baik unuk bisnisnya. Peramalan yang buruk akan mengakibakan perencanaan yang buruk pula dan juga dapa mengakibakan meningkanya biaya pengeluaran oleh perusahaan[1]. CV. Asia sebuah perusahaan manufakur kemasan plasik dengan spesialisasi pada injecion dan blow moulding yang berdiri sejak ahun Beberapa produk yang elah dikembangkan CV. Asia anara lain palle plasik blow, keranjang indusri, bool plasik, jerigen, pail, galon, pelampung, kebuuhan peernakan[2]. Kendala yang dialami CV. Asia dalam proses produksi salah sau penyebabnya adalah kurangnya bahan baku unuk produksi sehingga menyebabkan keerlambaan dalam pemenuhan perminaan pelanggannya. Berdasarkan permasalahan yang ada, peramalan dapa dilakukan unuk menganisipasi kekurangan bahan baku. Meode ARIMA merupakan meode yang disarankan unuk kasus CV. Asia karena memiliki sifa yang fleksibel, yaiu mengikui pola daa yang ada sera memiliki ingka akurasi peramalan yang cukup inggi sehingga cocok digunakan unuk meramal sejumlah variabel dengan cepa karena hanya membuuhkan daa hisoris unuk melakukan peramalan[3]. Model peramalan ARIMA yang akan diperoleh naninya akan dierapkan ke dalam Microsof Excel menggunakan Visual Basic for Applicaions (VBA) aau macro dengan perimbangan bahwa perusahaan saa ini menggunakan Microsof Excel sebagai perangka lunak dasar unuk melakukan akifias manajemen perusahaannya. Sehingga model ARIMA yang diaplikasikan ke dalam Microsof Excel dapa digunakan oleh perusahaan agar dapa mengurangi kerugian yang diimbulkan dan membanu perusahaan unuk melakukan pengambilan kepuusan. II. TINJAUAN PUSTAKA A. Teori Peramalan Peramalan (forecasing) dilakukan hampir semua orang, baik iu pemerinah, pengusaha, maupun orang awam. Masalah yang diramalkan pun bervariasi, seperi perkiraan cuaca, ingka inflasi, siuasi poliik, maupun kurs maa uang. Peramalan dapa didefinisikan sebagai ala aau eknik unuk memprediksi aau memperkirakan suau nilai pada masa mendaang dengan memperhaikan daa aau informasi yang relevan, baik daa aau informasi masa lalau maupun daa aau informasi saa ini[4]. Meode peramalan sendiri dibagi ke dalam dua kaegori uama, yaiu meode kualiaif dan meode kuaniaif. Meode

2 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A-170 kualiaif bersifa inuiif dan biasanya dilakukan apabila idak erdapa daa-daa masa lalu aau hisoris sehingga peramalan secara maemais idak dapa dilakukan. Meode kualiaif memanfaakan pendapa pendapa dari para ahli yang dijadikan perimbangan dalam pengambilan kepuusan sebagai hasil dari peramalan yang elah dilakukan. Namun, apabila daa masa lalu ersedia maka dapa dilakukan peramalan dengan menggunakan meode kuaniaif. Peramalan dengan meode kuaniaif memanfaakan berbagai model maemais aau saisik sera daa masa lalu dan / aau variabel-variabel kausal unuk meramalkan nilai di masa mendaang. B. Analisis Time Series Time series aau dere waku adalah serangkaian pengamaan ercaa selama periode waku (mingguan, bulanan, dan riwulanan). Time series memiliki empa komponen pening beriku: 1. Tren sekuler (T) 2. Variasi musiman (S) 3. Variasi siklis (C) 4. Variasi ireguler (I) C. Meode Peramalan ARIMA ARIMA (Auo Regressive Inegraive Moving Average) merupakan suau pendekaan pemodelan persediaanasik yang dapa digunakan unuk menghiung probabilias dari nilai masa depan yang erleak di anara dua baas yang dienukan. Kelebihan ARIMA adalah memiliki sifa yang fleksibel (mengikui pola daa), memiliki ingka akurasi peramalan yang cukup inggi dan cocok digunakan unuk meramal sejumlah variabel dengan cepa, sederhana, akura, dan murah karena hanya membuuhkan daa hisoris unuk melakukan peramalannya[5] ARIMA memadukan unsur dalam model auoregressive dan moving average. Semua daa dalam analisis ARIMA diasumsikan "sasioner". Jika daa idak sasioner, daa ersebu harus disesuaikan unuk mengoreksi keidaksasionerannya. Unuk memperbaiki keidaksasioneran ersebu, maka digunakan differencing. Model yang dihasilkan dikaakan menjadi model yang "erinegrasi" aau inegraed (differenced). Inilah yang menjadi sumber dari "I" dalam model ARIMA. Model Box-Jenkins (ARIMA) dibagi kedalam 3 kelompok, yaiu: model auoregressive (AR), moving average (MA), dan model campuran ARMA (Auoregressive Moving Average) yang mempunyai karakerisik dari dua model perama. Pada ARIMA (p, d, q), kia harus menenukan p AR, d I, q MA dimana p adalah nilai yang menunjukkan AR, d adalah nilai yang menunjukkan perbedaan (differences) dan q adalah nilai yang menunjukkan MA. 1. Model AR (Auoregressive) 1, 2, 3,., p = parameer auoregressive. e = nilai kesalahan yang idak dapa dijelaskan oleh model. 2. Model MA (Moving Average) Y e e e e... e q q Y = variabel yang diramalkan aau variabel idak bebas ϕ 1, ϕ 2, ϕ 3,, ϕ q = parameer moving average. e = nilai kesalahan yang idak dapa dijelaskan oleh model. e -1, e -2, e -3,..., e -q = nilai kesalahan pada saa 3. Model Auoregressive Moving Average (ARMA) Y Y... e py p e 1e 1 q q 4. Model Auoregressive Inegraed Moving Average (ARIMA): Penerapan model AR, MA, dan ARMA menunjukkan bahwa daa sudah memiliki sifa sasioner. Teapi pada kenyaaannya seringkali erdapa daa yang idak sasioner. Unuk mencapai kesasioneran, maka perlu dilakukan proses differencing pada daa. Apabila daa melalui proses differencing sebanyak d kali agar menjadi sasioner, maka daa dikaakan non-sasioner homogen ingka d. Model dengan daa yang sasioner seelah melewai proses differencing inilah yang disebu dengan model ARIMA. Dengan demikian, apabila daa elah sasioner pada differencing sebanyak d kali dan akan mengaplikasikan ARMA (p, q), maka model yang dihasilkan adalah ARIMA (p, d, q). D. Pengukuran Akurasi Peramalan Akurasi peramalan akan diukur dengan menggunakan fungsi Roo Mean Square Error (RMSE) dan Mean Absolue Percenage Error (MAPE), dan sandard deviasi. 1. Roo Mean Square Error (RMSE) RMSE biasanya digunakan unuk mengevaluasi kinerja model dalam hal kesesuaian dengan daa aau meramalkan daa. RMSE menghiung selisih anara nilai yang diprediksi oleh model dan nilai sebenarnya [6] RMSE idak memiliki sandard nilai minimal unuk mengeahui kinerja model, berbeda dengan MAPE [7] Secara sederhana, RMSE merupakan meode unuk menghiung bias dalam model peramalan. Y Y Y Y... Y p p e Y = variabel yang diramalkan aau variabel idak bebas Y -1, Y -2, Y -3,..., Y -p = variabel bebas yang merupakan lag dari variabel idak bebas. n = nilai periode waku x = nilai sebenarnya pada periode ke- f = nilai peramalan pada periode ke-

3 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A Mean Absolue Percenage Error (MAPE) MAPE menunjukkan akurasi peramalan dalam benuk persenase. Perhiungan akurasi dengan MAPE biasanya lebih banyak dipakai karena mudah dibaca (karena dalam benuk persenase). n = nilai periode waku x = nilai sebenarnya pada periode ke- f = nilai peramalan pada periode ke- Semakin rendah nilai MAPE, maka dapa dikaakan model peramalan memiliki kemampuan yang baik. Range nilai unuk MAPE dapa diliha pada Tabel 1[8] Tabel 1 Signifikansi nilai MAPE MAPE Signifikansi <10% Kemampuan peramalan sanga baik 10-20% Kemampuan peramalan baik 20-50% Kemampuan peramalan layak / memadai >50% Kemampuan peramalan buruk 2. Realisasi pemakaian bahan baku plasik blowing periode Januari 2012-Desember 2013 B. Pembuaan dan Penerapan Model ARIMA unuk Peramalan Pada ahap ini dilakukan pembuaan dan penerapan model ARIMA unuk proses peramalan. Proses pembuaan dan penerapan model dibagi menjadi ahapan beriku: 1. Uji Sasionerias Daa 2. Idenifikasi Model 3. Esimasi Parameer Model 4. Uji Diagnosik 5. Penggunaan Model Unuk Peramalan 6. Analisis Hasil Peramalan C. Pengembangan Aplikasi Tahapan ini adalah ahapan pengembangan aplikasi sebagai ala banu bagi perusahaan unuk menerapkan model peramalan yang elah disusun penulis sera memudahkan perusahaan unuk membaca hasil peramalan. Dalam proses pengembangan aplikasi, erdapa iga ahap yang dilalui, yaiu mengspesifikasikan kebuuhan pengembangan perangka lunak, perancangan sisem informasi, dan pembuaan aplikasi. 3. Sandard Deviasi Sandard deviasi, dilambangkan dengan s, mendeskripsikan variabilias dari suau daa ime series [9] n = jumlah daa ime series x = daa sampel x = raa-raa daa sampel E. Visual Basic for Applicaion (VBA) Visual Basic for Appicaions, aau yang biasa disebu dengan VBA, merupakan bahasa pemrograman yang dikembangkan oleh Microsof. VBA memungkinkan pengguna Microsof Excel unuk mengauomaisasi beberapa aspek di Microsof Excel, seperi melakukan penganggaran dan peramalan, menganalisis daa ilmiah, membua fakur dan form-form lainnya, membua grafik dari daa, dan sebagainya. Bahasa pemrograman VBA yang sudah ersrukur (sudah berbenuk program) dinamakan dengan macro. III. METODE PENELITIAN A. Pengumpulan dan Pre-Processing Daa Dalam pengerjaan ugas akhir ini, beberapa daa yang digunakan unuk menyelesaikan permasalahan ersebu sebagai beriku: 1. Realisasi pemakaian bahan baku plasik injec periode Januari 2012-Desember 2013

4 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A-172 Sudi Pendahuluan dan Lieraur Pengumpulan dan Preprocessing Daa Pembuaan dan Penerapan Model ARIMA unuk Peramalan Uji Sasionerias Daa Idenifikasi Model Esimasi Parameer Model Gambar 2 Analisis Tren unuk Pemakaian Bahan Baku Plasik Injec BELUM Uji Diagnosis / Uji Kelayakan Apakah model sudah layak? SUDAH Penggunaan Model unuk Peramalan Analisis Hasil Peramalan Pengembangan Aplikasi Mengspesifikasikan Kebuuhan Pengembangan Perangka Lunak Perancangan Sisem Informasi Pembuaan Aplikasi Validasi Aplikasi Penyusunan Buku Tugas Akhir Gambar 1 Alur Meode Peneliian Tugas Akhir IV. PENGOLAHAN DATA DAN IMPLEMENTASI A. Pengolahan Daa Daa pemakaian bahan baku pada CV. Asia memiliki enri sebanyak 104 enri, sesuai dengan jumlah minggu selama periode ahun 2012 hingga ahun Per enri daa menunjukkan jumlah sauan kilogram bahan baku yang erpakai seiap minggunya. Dalam ahapan pengolahan daa ini akan dilakukan analisis ren unuk mengeahui pola dari daa. Pola daa unuk realisasi pemakaian bahan baku plasik injec dapa diliha pada Gambar 2 sedangkan unuk bahan baku plasik blowing dapa diliha pada Gambar 3. Gambar 3 Analisis Tren unuk Pemakaian Bahan Baku Plasik Blowing B. Uji Sasionerias Agar daa dapa diolah menggunakan model ARIMA, maka daa harus bersifa sasioner. Unuk meliha sasioner aau idaknya daa, dapa diamai dengan meliha hasil analisis ren. Hasil analisis ren menunjukkan bahwa daa realisasi bahan baku baik unuk plasik injec maupun blowing memiliki pola ren naik. Oleh karena iu, uji sasionerias perlu dilakukan pada kedua daa dengan melakukan diferensiasi (differencing). Dari hasil diferensiasi, diperoleh nilai d = 2 unuk daa realisasi pemakaian bahan baku plasik injec, begiu pula unuk daa bahan baku plasik blowing. C. Idenifikasi Model Tahapan selanjunya adalah melakukan idenifikasi model, yaiu mencari apakah ada unsur AR, MA, aaupun keduanya dalam model. Idenifikasi model dapa dilakukan dengan mengamai grafik ACF (Auocorrelaion Funcion) dan PACF (Parial Auocorrelaion Funcion) dari daa. Dari hasil pengamaan grafik ACF dan PACF, diperoleh model dengan dua unsur MA, MA(1) dan MA(2) pada daa pemakaian bahan baku plasik injec, begiu pula dengan pemakaian bahan baku plasik blowing. D. Esimasi Parameer Model Tahapan ini digunakan unuk memperoleh parameer dari unsur AR maupun MA yang akan digunakan unuk perhiungan nilai peramalan. Dari hasil esimasi parameer, didapakan nilai koefisien MA(1) dan MA(2) dari daa bahan baku plasik injec masing-masing sebesar 0.82 dan

5 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A-173 sedangkan unuk bahan baku plasik blowing adalah MA(1) sebesar 0.96 dan MA(2) adalah E. Uji Diagnosik Tahapan ini dilakukan unuk mengevaluasi model apakah elah memenuhi syara unuk digunakan. Evaluasi yang dilakukan yaiu dengan meliha grafik ACF dari residu aau error (daa riil daa peramalan). Apabila pada grafik ACF idak ada lag yang melebihi garis baas signifikansi (garis puus puus) secara drasis aau idak membenuk pola ren, maka residu bersifa random yang menandakan model memadai dan memenuhi syara unuk digunakan. Gambar 4 dan Gambar 5 menunjukkan grafik auokorelasi residu unuk daa pemakaian bahan baku plasik injec dan plasik blowing. uama yaiu peramalan unuk daa hisoris dan peramalan unuk periode mendaang sebanyak 36 periode mingguan. Tampilan uama aplikasi dapa diliha pada Gambar 6. Gambar 6 Tampilan Uama Aplikasi Gambar 4 Grafik ACF Residual Daa Bahan Baku Injec Gambar 5 Grafik ACF Residual Daa Bahan Baku Blowing F. Verifikasi Model ARIMA Verifikasi model ARIMA yang dilakukan dengan meliha nilai MAPE dan RMSE peramalan yang dihasilkan di Excel. Peramalan bahan baku plasiik injec memiliki MAPE sebesar 0.52% dan peramalan bahan baku plasik blowing memiliki MAPE sebesar 0.571%. Sesuai dengan signifikansi nilai MAPE yang diunjukkan pada Tabel 1, maka dapa disimpulkan bahwa peramalan unuk kedua bahan baku sudah baik. V. UJI COBA DAN ANALISIS HASIL Tahapan selanjunya adalah melakukan uji coba unuk memverifikasi dan memvalidasi hasil luaran aplikasi dengan cara meliha hasil perangka lunak saisik lain, yaiu Miniab sera melakukan analisis unuk hasil peramalan periode mendaang. Dari uji coba oleh Miniab, diperoleh hasil bahwa model ARIMA (0,2,2) unuk peramalan bahan baku plasik injec dan plasik blowing sudah baik, diliha dari hasil proses idenifikasi model hingga verifikasi model pada Miniab. Karena hasil peramalan pada aplikasi dan Miniab memiliki perbedaan nilai, maka dihiung sandard deviasi unuk meliha nilai simpangannya. Dari hasil perhiungan diperoleh sandard deviasi sebesar aau 2.06% unuk peramalan bahan baku plasik injec dan 4% unuk peramalan bahan baku plasik blowing. Hasil peramalan periode mendaang unuk bahan baku plasik injec dapa diliha pada Gambar 7 dan plasik blowing pada Gambar 8. Dari hasil peramalan periode mendaang unuk bahan baku plasik injec dapa diliha bahwa jumlah bahan baku yang diramalkan nilainya semakin menurun, sedangkan unuk bahan baku plasik blowing nilainya semakin naik. Hal ini erjadi karena pemodelan dan peramalan oleh model ARIMA sebagian besar berdasarkan pada daa hisoris yang paling baru. Keika erjadi kenaikan aaupun penurunan pada daa, sudah merupakan hal yang wajar jika nilai hasil prediksi berganung pada daa erbaru yang berflukuasi ersebu. G. Pengembangan Aplikasi Tahapan ini dilakukan unuk mengaplikasikan model peramalan yang elah diperoleh ke dalam Microsof Excel menggunakan bahasa pemrograman Visual Basic for Applicaion. Aplikasi yang dikembangkan memiliki dua fungsi

6 JURNAL TEKNIK POMITS Vol. 3, No. 2, (2014) ISSN: ( Prin) A-174 aaupun penurunan pada daa, sudah merupakan hal yang wajar jika nilai hasil prediksi berganung pada daa erbaru yang berflukuasi ersebu Gambar 7 Grafik Hasil Peramalan Pemakaian Bahan Baku Plasik Injec oleh Aplikasi Macro Excel Gambar 8 Grafik Hasil Peramalan Pemakaian Bahan Baku Plasik Blowing oleh Aplikasi Macro Excel VI. KESIMPULAN/RINGKASAN Adapun beberapa hal yang dapa disimpulkan erkai dengan pengerjaan Tugas Akhir ini : 1. Proses unuk melakukan peramalan dengan meode ARIMA adalah sebagai beriku: a. Idenifikasi model b. Uji sasionerias c. Esimasi parameer model d. Uji diagnosic e. Verifikasi dan validasi hasil peramalan f. Penggunaan model unuk peramalan mendaang 2. Berdasarkan hasil pemodelan ARIMA, diperoleh model yang epa unuk menggambarkan daa persediaan bahan baku plasik injec adalah model ARIMA (0,2,2) dan bahan baku plasik blowing dalah ARIMA (0,2,2) dengan nilai MAPE unuk masing-masing model adalah 0.520% dan 0.571%. 3. Hasil peramalan periode mendaang unuk bahan baku plasik injec nilainya semakin menurun, sedangkan unuk bahan baku plasik blowing nilainya semakin naik. Hal ini erjadi karena pemodelan dan peramalan oleh model ARIMA sebagian besar berdasarkan pada daa hisoris yang paling baru. Keika erjadi kenaikan UCAPAN TERIMA KASIH Terima kasih kepada Allah SWT. aas segala rahma dan hidayahnya dan seluruh pihak yang mendukung peneliian ini, Jurusan Sisem Informasi, Fakulas Teknologi Informasi, ITS, keluarga sera eman-eman yang selalu memberikan moivasi dan dukungan yang besar. DAFTAR PUSTAKA [1] Anderson, D., Sweeney, D., Williams, T., Camm, J., and Marin, R. (2012). Time Series Analysis and Forecasing. Dalam D. R. Anderson, D. J. Sweeney, T. A. Williams, J. D. Camm, & R. K. Marin, An Inroducion o Managemen Science: Quaniaive Approaches o Decision Making, Revised, 13h Ediion. Cengage Learning. [2] CV. Asia. (2012). (CV. Asia) Dipeik Desember 16, 2013, dari ASIA PLASTIC Fullfill Your Plasic Needs: hp://cvasiaplasic.com/index.hml [3] Meyler, A., Kenny, G., & Quinn, T. (2008). Forecasing irish inflaion using ARIMA models. Economic Analysis, Research and Publicaions Deparmen, Cenral Bank of Ireland. Dublin. [4] Nachrowi, N., & Usman, H. (2004). Teknik Pengambilan Kepuusan. Jakara: Grasindo. [5] Kolker, A. (2011). Forecasing Time Series. Dalam Healhcare Managemen Engineering: Wha Does This Fancy Term Really Mean?: The Use of Operaions Managemen Mehodology for Quaniaive Decision Making in Healhcare Seings (hal. 89). Milwaukee: Springer Science+Business Media. [6] Voulgaraki, M. (2013). Forecasing sales and inervenion analysis of durable producs in he Greek marke. Empirical evidence from he new car reail secor. London School of Economics and Poliical Science. [7] Duke Universiy. (.hn.). Wha's he boom line? How o compare models. (Decision 411) Dipeik March 2014, dari hp://people.duke.edu/~rnau/compare.hml [8] Chang, P.-C., Wang, Y.-W., & Liu, C.-H. (2007). The developmen of a weighed evolving fuzzy neural nework for PCB sales forecasing. Exper Sysems wih Applicaions 32, [9] Weiss, N. A. (2010). Chaper 3: Descripive Measures. Dalam Elemenary Saisics, 5/E (hal. 142). Pearson Addison Wesley.