APLIKASI PERAMALAN PENGADAAN BARANG DENGAN METODE TREND PROJECTION DAN METODE SINGLE EXPONENTIAL SMOOTHING (STUDI KASUS DI TOKO PIONIR JAYA) Evi Dewi Sri Mulyani 1, Egi Badar Sambani 2, Rian Cahyana 3 1,2 Jurusan Teknik Informatika 3 STMIK Tasikmalaya, Jl. RE Martadinata No. 272 A Tasikmalaya e-mail : 1 eviajadech@gmail.com, 2 egibadar@gmail.com, 3 rianchek2@gmail.com Abstrak Peramalan adalah suatu prediksi untuk memperkirakan keadaan dimasa mendatang dengan menggunakan data-data lama. Dalam penjualan, peramalan bertujuan untuk memperkirakan berapa basar kebutuhan barang yang akan terjual. Dengan adanya peramalan ini maka semuan kegiatan dalam pembuatan suatu barang bisa berjalan dengan lancar dan optimal.akan tetapi untuk sebelum melakukan peramalan ada satu tahap yang harus dilewati yaitu pemilihan metode sebelum melakukan peramalan. Metode peramalan yang digunakan sebaiknya menggunakan lebih dari satu metode dalam permalannya, karena dengan menggunakan metode lebih dari hasil peramalan akan lebih flexibel terhadap perubahan pola data-data sebelumnya sebelum melakukan peramalan. Aplikasi peramalan ini menggunakan 2 metode yaitu metode trend projection dan metode single exponential smoothing. Metode trend projection sangat cocok untuk pola data bersifat bergerak naik atau turun dalam peramalannya, sedangkan metode single exponential smoothing sangat cocok untuk pola data bersifat fluktuatif (random), tetapi ketika data yang digunakan untuk peramalan bersifat bergerak naik atau turun maka metode yang digunakan pun akan berbeda. Dengan menggunakan kedua metode tersebut dalam peramalannya, maka hasil ramalannya pun akan lebih flexibel terhadap perubahan pola data sebelumnya sebelum melakukan peramalan. Aplikasi ini pun akan menunjukan hasil perbandingan peramalan dari kedua metode tersebut, sehingga dapat diketahui mana yang memiliki tingkat kesalahan yang paling kecil. Kata Kunci : Peramalan, Metode Trend Projection, Metode Single Exponential Smoothing 1. PENDAHULUAN Suatu perusahaan, terutama perusahaan yang bergerak di bidang penjualan, informasi sangat penting sekali, apalagi informasi tentang data barang yang keluar.informasi ini berpengaruh terhadap suatu keputusan seorang manajer dalam menentukan berapa barang yang di pesan untuk penjualan pada periode berikutnya[1]. Jika menejer dalam pengambilan keputusan ini terjadi suatu kesalahan maka dapat menyebabkan menumpuknya suatu barang ataupun kekurangan stok barang yang dapat menyebabkan kerugian pada perusahaan tersebut, karena penumpukan persediaan yang terlalu banyak akan memerlukan modal kerja yang makin banyak pula, hal ini memungkinkan investasi modal untuk kegiatan lain jadi terhambat. sedangkan persediaan yang sedikit memungkinkan perusahaan tidak dapat memenuhi kebutuhan pelanggannya. Untuk itulah di dalam suatu perusahaan tersebut diperlukannya suatu aplikasi peramalan yang baik yang dapat membantu seorang menejer dalam pengambilan keputusannya dalam penentuan berapa barang yang akan di produksi ataupun berapa barang yang dipesan untuk penjualan pada periode berikutnya. Dalam penelitian sebelumnya, karangan Aswin Nurman Pradana yang berjudul Sistem peramalan persediaan Unit Mobil Mitsubishi PT.Wicaksana Berlian Motor, digunakan untuk membantu dan mempermudah dalam menentukan berapa banyak unit mobil yang harus disediakan untuk memenuhi permintaan konsumen[2]. metode peramalan yang digunakan pada sistem tersebut ialah metode single exponential smoothing, menggunakan metode single exponential smoothing karena pada saat itu pola data yang ada bersifat fluktuatif (random). Tapi ketika pola data pada perusahaan tersebut berubah menjadi bergerak naik, maka metode yang digunakan pun harus berubah.perlunya ada pengembangan sistem ini dikarenakan kemungkinan ada perubahan pola data barang yang keluar menjadi berubah yang mengakibatkan metode peramalan yang digunakan menjadi kurang tepat.. Berdasarkan beberapa persoalan diatas, perlu adanya solusi pemecahan masalah untuk mendapatkan hasil peramalan yang lebih akurat, yaitu dibuatkannya aplikasi peramalan dengan menggunakan 2 metode yang berbeda, agar hasil 260
peramalan dari ke dua metode tersebut dapat dibandingkan agar hasil ramalan menjadi lebih objektif dan akurat. Metode yang digunakan ialah Metode Trend Projection dan Metode Single Exponential Smoothing, menggunakan kedua metode ini dikarenakan untuk Metode Trend Projection sangat cocok ketika pola data bersifat naik atau turun, sedangkan Metode Single Exponential Smoothing sangat cocok ketika pola data bersifat fluktuatif. Sistem ini diharapkan dapat membantu seorang menejer dalam pengambilan keputusannya dalam penentuan berapa barang yang akan di produksi ataupun berapa barang yang dipesan untuk penjualan pada periode berikutnya menjadi lebih tepat 2. METODE PENELITIAN Metode penelitian yang digunakan adalah metode kualitatif, karena masalah yang dibawa oleh peneliti masih kompleks dan dinamis. Oleh karena itu, masalah dalam penelitian kualitatif masih bersifat sementara, dan akan berkembang atau berganti setelah peneliti berada di lapangan[3]. Penulis menjabarkan permasalahan yang ada serta membuat pemecahan masalah mengenai peramalan pengadaan barang yaitu peramalan suatu produksi atau penjualan dengan merancang Aplikasi untuk pengadaan barang. Dengan metode ini dapat membantu Penulis dalam proses merancang Aplikasi peramalan untuk pengadaan barang sehingga hasil ramalan lebih akurat. Metode Perancangan dalam penulisan penelitian menggunakan metode System Development Life Cycle (SDLC), dengan melalui tahapan analisis, desain, code, implementasi, dan pengujian. 2.1 Pengacuan Pustaka 2.1.1 Peramalan Peramalan adalah seni dari ilmu memprediksi sesuatu yang belum terjadi dengan tujuan untuk memperkirakan peristiwa peristiwa yang akan terjadi dimasa depan nantinya dengan selalu memerlukan data data dari masa lalu yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa. Sehingga dengan peramalan, maka kemungkinan terjadinya peristiwa peristiwa yang tidak sesuai dengan tujuan yang diharapkan diikuti dengan kesiapan untuk mengantisipasinya. [1] 2.1.2 Metode Trend Projection Metode trend projection merupakan metode peramalan kuantitatif, dimana metode kuantitatif adalah metode yang didasarkan pada data kuantitatif pada massa lalu. Hasil peramalan yang dibuat sangat bergantung kepada metode peramalan yang digunakan.[2] Metode trend projection merupakan metode peramalan yang menyesuaikan sebuah garis tren pada sekumpulan data masa lalu dan kemudian diproyeksikan dalam garis untuk meramalkan masa depan. Metode trend projection bisa disebut juga metode tren garis lurus. Adapun persamaan trend linier menurut J.Supranto, dapat ditulis sebagai berikut :[3] (1) Dimana: Y =data berkala (time series data), a dan b= konstanta X= waktu (hari, minggu, bulan, tahun) Sebelum mmenentukan nilai a dan b maka harus ditentukan nilai (=X) terlebih dahulu,sedemikian rupa,sehingga jumlah nilai variable waktu adalah nol (0). (2) Pada umumnya yang diberi nilai 0 adalah variable waktu yang letaknya ditengah Untuk mencari nilai variable waktu adalah sebagai berikut : 1. Untuk nilai variable waktu (= X) adalah nol ( 0 ) a. Untuk nilai n ganjil adalah : (3) (4) b. Untuk nilai n genap adalah : (5) (6) 2.1.3 Metode Single Exponential Smoothing Metode exponential smoothing merupakan pengembangan dari metode moving averages. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap data diberi bobot, data yang lebih baru diberi bobot yang lebih besar. Salah satu metode dalam exponential smoothing diantaranya single exponential smoothing 1. Single Exponential Smoothing Metode ini adalah pengembangan dari metode moving average (MA) menggunakan rumus sebagai berikut: (7) Keterangan : Ft+1 : Ramalan untuk periode ke t + 1 X T : Nilai riil periode ke t T : Jangka waktu rata rata bergerak Metode moving average memang mudah menghitungnya akan tetapi metode ini memberikan bobot yang sama pada setiap data. 261
Untuk mengatasi hal ini maka digunakan metode single exponential smoothing. Pada metode single exponential smoothing bobot yang diberikan pada data yang ada adalah sebesar α untuk data yang terbaru, α(1 -α) untuk data yang lama, α(1-α) 2 untuk data yang lebih lama, dan seterusnya. Besarnya α adalah antara 0 dan 1. Semakin mendekati 1 berarti data terbaru lebih diperhatikan. Secara matematis besarnya Peramalan adalah: Ft+1 = α Xt + (1 α) Ft (8) Ft+1 : Ramalan untuk periode ke t+1 Xt: Nilai riil periode ke t Ft : Ramalan untuk periode ke t Dengan demikian dapat dikatakan bahwa peramalan pada periode yangakan datang adalah ramalan sebelumnya ditambah α (alpha) dikalikan dengan kesalahan ramalan periode sebelumnya. Dalam melakukan peramalan dengan menggunakan metode single exponential smoothing (SES), besarnya α (alpha) ditentukan secara trial dan error sampai ditemukan α (alpha) yang menghasilkan forecast error terkecil. Metode ini lebih cocok digunakan untuk meramal data-data yang fluktuatif secara random (tidak teratur).[4] 2.1.4 Mean Absolute Percent Error (MAPE) Formulasi yang akan digunakan dalam menghitung kesalahan ialah Mean Absolute Precentage Error (MAPE). MAPE merupakan suatu nilai tengah atau rata-rata jumlah seluruh persentasi kesalahan untuk sebuah susunan data yang diberikan. Ia merupakan ialah satu ukuran ketepatan yang digunakan dalam metode kuantitatif atau peramalan. MAPE dihitung sebagai rata-rata diferensiasi absolut antara nilai yang diramal dan aktual, dinyatakan sebagai persentase nilai aktual. jika kita memiliki nilai yang diramal dan aktual untuk n periode, MAPE dihitung sebagai : (9) MAPE mungkin merupakan perhitungan yang paling mudah diartikan. Sebagai contoh, MAPE merupakan pernyataan yang jelas, yang tidak bergantung pada permasalahan seperti banyaknya data input.[5] 3. ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Pemecahan Masalah Program Aplikasi Ini dibuat agar hasil peramalan menjadi lebih objektif dan akurat karena metode peramalan yang digunakan 2 metode yaitu metode single exponential smoothing dan metode trend projection, dengan adanya kedua metode ini akan terlihat hasil perbandingan peramalan, mana yang memiliki tingkat kesalahan yang paling kecil. Contoh Kasus : Sampel data diambil dari toko pionir jaya untuk penjualan folio perbulan (perperiode). Tabel 1. Contoh Kasus Jumlah Barang Bulan Tahun ( Terjual ) April 2013 100 Mei 2013 123 Juni 2013 145 Juli 2013 160 Agustus 2013 201 September 2013 239 Oktober 2013 232 November 2013 273 Desember 2013 137 Januari 2014 140 Februari 2014 101 Maret 2014 142 April 2014 140 Dari tabel 1 diatas dapat dilihat bahwa penjualan folio pada bulan april 2014 sebanyak 140, maka disini akan diuji keakuratan kedua metode yaitu metode trend projection dan metode single exponential smoothing dalam peramalannya. 1) Pengujian Dengan Metode Trend Projection Untuk memudahkan perhitungan dibuatkan table pembobotan sebagai berikut: Tabel 2. Tabel Penjualan Folio Setelah Diberi Bobot Bulan x y xy x^2 April -5.5 100-550 30.25 Mei -4.5 123-553.5 20.25 Juni -3.5 145-507.5 12.25 Juli -2.5 160-400 6.25 Agustus -1.5 201-301.5 2.25 September -0.5 239-119.5 0.25 Oktober 0.5 232 116 0.25 November 1.5 273 409.5 2.25 Desember 2.5 137 342.5 6.25 Januari 3.5 140 490 12.25 262
Februari 4.5 101 454.5 20.25 Maret 5.5 142 7781 30.25 Jumlah y=1993 xy=161.5 x^2=143 Y = a + bx (x variable waktu yang akan di ramalkan ) Diketahui : y =1993 xy =161.5 x 2 =143 Cari: a = y/n = 1993/12 = 166.08 b = xy / x 2 = 161.5/143 = 1.13 y = 166.08 + (1.13 * 13) ( 13 waktu yang di ramalkan bulan ke 13 ) y = 180.77 ( dibulatkan ) Jadi hasil ramalan untuk folio bulan April 2014 = 181 buah. Tabel 3. Hasil Peramalan dengan Metode Trend Projection Data aktual Data Hasil - Hasil Periode Aktual Ramalan ramalan / data aktual April 100 167.21 0.67 Mei 123 168.34 0.37 Juni 145 169.47 0.17 Juli 160 170.60 0.07 Agustus 201 171.73 0.15 September 239 172.86 0.28 Oktober 232 173.99 0.25 November 273 175.12 0.36 Desember 137 176.25 0.29 Januari 140 177.38 0.27 Februari 101 178.51 0.77 Maret 142 179.64 0.27 April 180.77 Jumlah = 3.89 2) Pengujian Dengan Metode Single Exponential Smoothing Berikut perhitungan untuk konstanta alpha (α = 0.9) F 2 = α X1+ (1 α) F 1 = ( 0.9 * 100 ) + ( 0.1 * 100 ) = 100 F 3 = α X2+ (1 α) F 2 = ( 0.9 * 123 ) + ( 0.1 * 100 ) = 120.7 121 Tabel 4. Hasil Peramalan dengan Metode Single Exponential Smoothing dengan Alpha =0.9 Periode Data Aktua l Hasil Ramala n April 100 0 Data aktual - Hasil Ramalan / data aktual Mei 123 100 0.19 Juni 145 121 0.17 Juli 160 143 0.11 Agustus 201 158 0.21 September 239 197 0.18 Oktober 232 235 0.01 November 273 232 0.15 Desember 137 269 0.96 Januari 140 150 0.07 Februari 101 141 0.40 Maret 142 105 0.26 April 138 Jumlah 2.71 Jadi kesalahan rata rata dari metode single exponential smoothing dengan alpha = 0.9 sekitar 22.58 % dengan hasil ramalan (table 4) untuk bulan April = 138. 3) Hasil Ramalan Dengan Perbandingan MAPE Setelah melakukan peramalan dengan kedua metode di dapat hasil MAPE dari kedua metode tersebut. Jadi kesalahan rata rata dari metode trend projection ini sekitar 32.42 %. 263
Tabel 5. Hasil MAPE Metode Trend Projection dan Metode Single Exponential Smoothing Single Trend Exponential Barang Projection Smoothing a=0.9 (%) (%) Folio 32.42 22.58 Dilihat dari tabel 3 diatas diketahui bahwa nilai dengan MAPE terkecil ialah penggunaan metode peramalan dengan metode single exponential smoothing dengan alpha=0.9, maka untuk hasil peramalan bulan april 2014 = 138, ini dikarenakan data yang digunakan untuk peramalan bersifat fluktuatif ( secara random ), tetapi ketika data yang digunakan untuk peramalan bersifat bergerak naik atau turun maka metode yang digunakan pun akan berbeda. a. Perancangan Sistem i. Use case Diagram Gambar 2. Diagram Activity Peramalan Gambar 2 diatas menjelaskan diagram aktivitas melakukan permalan. b. Perancangan Basis Data i. Entity Relationship Diagram (ERD) Diagram ERD digunakan untuk mengembangkan model tingkat tinggi sistem yang menggambarkan sebagian besar objek sistem serta interaksi antara obyek dan atributatributnya. Objektif utama dari pembuatan ER diagram adalah untuk menunjukan objek-objek (himpunan entitas) apa saja yang ingin dilibatkan dalam sebuah basis data dan bagaimana hubungan yang terjadi diantara objek-objek tersebut.[6] Gambar 1. Use Case Diagram Sistem Peramalan ii. Activity Diagram Peramalan Aktor masuk ke form peramalan,memilih barang yang ingin diramal, sistem memeriksa kecukupan data barang perperiode jika tidak cukup ada pesan bahwa data yang dipilih kurang mencukupi untuk dihitung peramalannya, jika mencukupi sistem melakukan proses peramalan. Gambar 3. ERD Peramalan Barang Kamus data : - Akun : { usrnm, pwd,stat} - Tahun Periode : { thn_periode} - Data Barang : { kd_barang,nm_barang} - Detail Barang : { kd_barang,jumlah,bulan.thn_periode} - Hasil Ramal : { kd_barang,bulan,thn_periode,hasil1,hasil2} 264
ii. Relasi Tabel Berikut tampilan form halaman utama pada sistem ini. Gambar 4. Relasi Tabel Peramalan Barang Gambar 2 menjelaskan hubungan antar tabel yang dalam database permalan. c. Implementasi Implementasi merupakan langkah yang dilakukan setelah perancangan. Program ini dimulai dengan tampilnya menu login, jika pemakai sebagai admin memiliki hak penuh terhadap sistem ini dengan memasukan username dan password yang sudah terdaftar secara default dengan username admin dan password admin. Admin dapat menambah, merubah maupun menghapus user, tambah data barang, tambah tahun periode, tambah data untuk peramalan, melakukan peramalan, cetak laporan. Sedangkan jika pemakai sebagai user biasa tidak dapat menambah, merubah maupun menghapus user. Program aplikasi Peramalan ini terdiri dari beberapa halaman, diantaranya dapat dilihat pada sub bab di bawah ini. i. Halaman Login Halaman login merupakan halaman yang pertama kali muncul pada saat kita menjalankan program ini. Halaman log-in berfungsi untuk memasukkan data pengguna yang ingin menggunakan sistem. Gambar 6. Implementasi Antar Muka Menu Utama iii. Form Input Data Peramalan Form input data peramalan berada pada menu master data. Form input data peramalan adalah form yang digunakan unutk memanipulasi data untuk peramalan berdasarkan nama jenis barang, seperti menambah data penjualan barang pada bulan berikutnya, merubah data penjualan barang pada bulan yang dipilih. Berikut tampilan Form Input Data Peramalan. Gambar 7. Implementasi Antar Muka Input Data Peramalan iv. Form Peramalan Form peramalan adalah form yang digunakan untuk melakukan peramalan barang untuk bulan berikutnya berdasarkan nama barang dan data peramalan barang yang ada. Pada form ini juga memperlihatkan hasil peramalan berdasarkan kedua metode yang digunakan, dan menampilkan hasil peramalan yang terbaik.berikut tampilannya. Gambar 5. Implementasi Antar Muka Login ii. Halaman Utama Halaman utama ini terdiri dari beberapa menu yaitu: menu akun, menu master data, menu peramalan, menu maintenance user, menu. 265
tersebut, sehingga dapat diketahui mana yang memiliki tingkat kesalahan yang paling kecil. 5. SARAN Gambar 8. Implementasi Antar Muka peramalan d. Laporan Pada Gambar 9 menggambarkan laporan yang merupakan grafik dari data penjualan dan hasil peramalan berdasarkan nama barang dan tahun periode. Seperti pada gambar di bawah : Berdasarkan hasil penelitian, ada beberapa saran yang dapat dilakukan guna pengembangan sistem ini menjadi lebih baik lagi diantaranya sebagai berikut: 1. Sistem ini harus disinkronkan dengan manajemen stok barang agar ketika untuk memproduksi atau pembelian barang untuk dijual dapat memperhitungkan berapa stok barang yang tersisa,dan berapa banyak barang yang harus di produksi atau dibeli, nantinya agar tidak terjadi penumpukan barang 2. Dalam proses peramalannya bisa melakukan peramalan dengan beberapa barang sekaligus. 3. Perlunya membandingkan dengan beberapa metode lainnya untuk mengetahui akurasi metode mana yang memiliki tingkat kesalahan yang paling kecil. DAFTAR PUSTAKA Gambar 9. Laporan Barang dan Peramalannya 4. KESIMPULAN Dari hasil penelitian yang dilakukan maka dapat diambil kesimpulan, Dengan menggunakan kedua metode tersebut dalam peramalannya, maka hasil ramalannya pun akan lebih flexibel terhadap perubahan pola data sebelumnya sebelum melakukan peramalan. Aplikasi ini pun akan menunjukan hasil perbandingan peramalan dari kedua metode [1] Fauzi Muhammad, 2009, Analisis Peramalan Penjualan Rokok Skt ( Sigaret Kretek Tangan ) Pada Pt. Djitoe Indonesian Tobacco Coy, Skripsi, Universitas Sebelas Maret, Surakarta. [2] Nurman Pradana, Aswin, 2013, Sistem peramalan persediaan Unit Mobil Mitsubishi PT.Wicaksana Berlian Motor, Skripsi [3] Kurniawan,Dadang, 2011, Sistem Informasi Peramalan Persediaan Logistik Bahan Baku Pada Perusahaan CV. Jatisari Furniture Indigosova, Skripsi, Universitas Komputer,Bandung. [4] Fatansyah. 2012 Basis Data. Bandung: Informatika. 266