05410100334 Mtrhtrhtrhakala h

8/20/2019 05410100334 Mtrhtrhtrhakala h

1/14

Sistem Infornasi Estimasi Penjualan Dengan Menggunakan Metode Exponential

Smoothing (Studi Kasus : PT. Sumber Bening Lestari)

1)Krisna Setya Wardana2)Antok Supriyanto3)M. Arifin

1)Program Studi Sistem Informasi Stikom Surabaya. Email: [email protected]

2) Program Studi Sistem Informasi Stikom Surabaya. Email: [email protected]

3)Program Studi Sistem Informasi Stikom Surabaya. Email: [email protected]

Abstraksi

Suatu perencanaan yang tepat di segala bidang sangat diperlukan oleh suatu perusahaan agar mampu bersaing

dan dapat berkembang di era global seperti saat ini. Dalam sebuah perusahaan yang bergerak di bidang jasa atau

bidang manufaktur, diperlukan suatu perencanaan yang tepat agar perusahaan tersebut dapat terus bersaing

dengan para kompetitornya. Semakin tepat keputusan yang dibuat, maka semakin kecil pula resiko perusahaan

tersebut mengalami kerugian.Untuk mencapai kondisi tersebut, perusahaan harus dapat menekan biaya dan

memaksimalkan keuntungan yang diperoleh. Salah satu upaya yang dilakukan adalah perencanaan pelaksanaan

produksi yang akan dilakukan pada periode mendatang. Karena pada perusahaan yang jumlah angka

produksinya tetap per periode nya, dianggap dapat menimbulkan suatu permasalahan yaitu menumpuknya stok

produk jika jumlah penjualan lebih kecil dibandingkan dengan jumlah produksi, atau terjadinya kondisi

kekurangan stok produk jika jumlah penjualan lebih kecil dibandingkan dengan jumlah produksi.

Kata kunci : Forecasting, Exponential Smoothing, Double Exponential smoothing

Semua organisasi beroperasi dalam suatu

lingkungan yang mengandung unsur

ketidakpastian, tetapi keputusan harus

tetap diambil yang nantinya akan

mempengaruhi masa depan organisasi

tersebut, suatu pendugaan secara ilmiah

terhadap masa datang akan jauh lebih

berarti ketimbang pendugaan yang tidak

ilmiah (Lincoin Arsyad, 1993:3). menurut

Lincoin Arsyad yang dimaksud dengan

mailto:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]:[email protected]


2/14

pendugaan secara ilmiah adalah pembuatan ramalan yang

didasarkan pada metode-metode

manipulasi data secara logis yang

dihasilkan dari kejadian-kejadian masa

lalu.

Dalam sebuah perusahaan yang

bergerak di bidang jasa atau bidang

manufaktur, diperlukan suatu perencanaan

yang tepat agar perusahaan tersebut dapat

terus bersaing dengan para kompetitornya.

Semakin tepat keputusan yang dibuat,

maka semakin kecil pula resiko

perusahaan tersebut mengalami kerugian.

Dikarenakan adanya kompetitor yang

membuat persaingan lebih ketat,

Perusahaan mesti mengadakan serangkaian

kegiatan penjualan yang efektif dan

memberikan peralatan promosi untuk

merangsang pembelian agar lebih

meningkat (Kotler, 1989:28). Dalam

penelitian ini studi kasus dilakukan pada

sebuah perusahaan manufaktur, dimana

ada satu hal yang harus diperhatikan

adalah perencanaan untuk penetapan

jumlah produksi barang produk.

Perusahaan juga harus dapat

meminimalkan kesalahan dalam hal

penetapan jumlah produksi barang produk.

Permasalahan yang sering terjadi adalah

suatu keadaan dimana jumlah angka.

penjualan barang tidak sebanding atau

dikatakan lebih kecil daripada jumlah

angka produksi barang sehingga dapat

menyebabkan kerugian pada perusahaan.

Kerugian yang dimaksud dalam hal ini

adalah, karena barang di gudang yang

belum terjual akan mengakibatkan biaya

perawatan barang yang semakin

meningkat. Untuk mengatasi hal tersebut

diperlukan teknik peramalan penjualan

yang tepat agar barang yg masih di dalam

gudang akan terjual sehingga dapat

mengeliminir biaya perawatan. Dalam

permasalahan ini metode yang paling tepat

untuk digunakan dalam proses perhitungan

peramalan adalah metode exponential


3/14

smoothing, karena menurut Lincolin

Arsyad (1993) dalam bukunya yang

berjudul peramalan bisnis,metode

exponential smoothing adalah salah satu

metode yang tepat untuk digunakan dalam

proses perhitungan peramalan jika data

yang akan diteliti bersifat trend, yang

mana data trend didefinisikan sebagai

suatu komponen jangka panjang yang

menunjukkan pertumbuhan atau

penurunan dalam data tersebut sepanjang

periode waktu yang panjang. Hal tersebut

sesuai dengan pola data yang terdapat pada

data penjualan yang pola datanya

terkadang menaik atau cenderung menurun

pada suatu periode tertentu.

Dalam upaya mengeliminir atau

memperkecil perbedaan jumlah angka

penjualan dengan jumlah angka produksi

barang maka diperlukan Sistem Informasi

yang dapat mengestimasi penjualan

dengan menggunakan metode exponential

smoothing. Sehingga dapat diketahui

angka penjualan pada periode mendatang

yang tentunya dapat membantu perusahaan

untuk merencanakan jumlah angka

produksi yang akan di hasilkan dengan

lebih tepat sehingga dapat meminimalisir

kerugian yang dialami oleh perusahaan

yang disebabkan oleh jumlah angka

penjualan lebih kecil dari pada jumlah

angka produksi.

EXPONENTIAL SMOOTHING

Dalam bentuk yang mulus

(smooth), ramalan yang baru (untuk waktu

t +1) dapat dianggap sebagai rata-rata yang

diberi bobot terhadap data terbaru (pada

waktu t ) dan ramalan yang lama (untuk

waktu t ). bobotα diberikan pada data

terbaru, dan bobot 1-αdiberikan pada

ramalan yang lama, dimana 0


4/14

Dimana :

Ŷ t+1= nilai ramalan untuk periode

berikutnya

α= konstanta pemulusan (0


5/14

estimasi trend menunjukkan bahwa

estimasi trend dikalikan denga β dan

kemudian ditambahkan pada estimasi yang

lama, dikalikan dengan (1 – β). Hasil dari

persamaan tersebut adalah trend yang

dihaluskan tanpa pengaruh random.

Pada persamaan untuk menghitung

ramalan pada periode p. Estimasi trend

dikalikan dengan jumlah periode yang

akan diramalkan dan kemudian hasilnya

ditambahkan pada data pemulusan yang

tahunnya sama untuk menghilangkan

pengaruh random.

Pengukuran Kesalahan Peramalan

Teknik peramalan kuantitatif biasanya

menggunakan data runtut waktu, maka

notasi matematis harus kita gunakan untuk

menunjukkan suatu periode waktu tertentu.

Huruf Y digunakan untuk menunjukkan

suatu variabel data runtut waktu. Periode

waktu dari satu variabel ditunjukkan

sebagai subskrip. Oleh karena itu, Y

tmenunjukkan nilai Y pada periode t.

Notasi matematis juga harus digunakan

untuk membedakan nilai variabel data

runtut waktu sebenarnya dengan nilai

permalan.nilai peramalan untuk Y tadalah

Ŷt. Akurasi dari teknik peramalan

seringkali dinilai dengan cara

meperbandingkannya dengan data aslinya

yakni Y1 ,Y2,... dengan nilai-nilai data

hasil peramalan Ŷ1,Ŷ2,... (Lincolin Arsyad,

2001:57).

Notasi dasar peramalan adalah sebagai

berikut:

Y t= nilai data runtut waktu periode t

Ŷt = nilai peramalan Yt

et = Y t - Ŷt = residual atau kesalahan

peramalan

Beberapa metode telah digunakan untuk

menunjukkan kesalahan yang disebabkan

oleh suatu teknik peramalan tertentu.

Hampir semua ukuran tersebut

menggunakan pengrata-rataan beberapa

fungsi dari perbedaan antara nilai

sebenarnya dengan nilai peramalannya.

Perbedaan antara nilai sebenarnya dengan


6/14

nilai peramalan ini biasanya disebut

dengan residual.

Kesalahan rata-rata kuadrat atau mean

squared error (MSE) merupakan metode

alternatif dalam mengevaluasi suatu teknik

peramalan. Setiap kesalahan atau residual

dikuadratkan, kemudian dijumlahkan dan

dibagi dengan jumlah observasi.

Pendekatan ini menghukum suatu

kesalahan peramalan yang besar karena

dikuadratkan. Pendekatan ini penting

karena suatu teknik yang menghasilkan

kesalahan yang moderat lebih disukai oleh

suatu peramalan yang biasanya

menghasilkan kesalahan yang lebih kecil

tetapi kadang-kadang menghasilkan

kesalahan yang sangat besar. Rumus MSE

dirumuskan sebagai berikut:

MSE

= ……………………(5)

Kadang kala lebih bermanfaat jika

kita menghitung kesalahan peramalan

dengan menggunakan secara prosentase

ketimbang nilai absolutnya. Persentase

kesalahan absolute rata-rata atau mean

absolute percentage error

(MAPE)dihitung dengan menemukan

kesalahan absolute pada setiap periode,

kemudian membaginya dengan nilai

observasi pada periode tersebut, dan

akhirnya merata-ratakan persentase

absolute ini. Pendekatan ini sangat berguna

jika ukuran variabel peramalan merupakan

faktor penting dalam mengevaluasi akurasi

peramalan tersebut. MAPE memberikan

petunjuk seberapa besar kesalahan

peramalan dibandingkan dengan nilai

sebenarnya dari series tersebut. Persamaan

berikut menunjukkan bagaimana cara

menghitung MAPE:

MAPE =

......................................(6)

Perlu juga untuk menentukan

apakah suatu metode permalan bias atau

tidak (secara konsisten tinggi atau rendah).

Persentase kesalahan rata-rata atau mean

percentage error (MPE) digunakan dalam

kasus seperti ini. MPE dihitung dengan


7/14

cara menemukan kesalahan setiap periode,

kemudian membaginya dengan nilai

sebenarnya pada periode tersebut, dan

kemudian merata-ratakan persentase

kesalahan tersebut. Jika perndekatan

peramalan tersebut tidak bias, maka

perhitungan dengan MPE akan

menghasilkan persentase mendekati nol.

Jika hasil persentase negatifnya cukup

besar maka metode peramalan tersebut

menghasilkan hasil ramalan yang terlalu

tinggi atau sebaliknya. Persamaan berikut

menunjukkan bagaimana cara menghitung

MPE:

MPE =

.....................................(7)

Konsep Sistem Informasi

Sebelum merancang sistem perlu

dikaji konsep dan definisi dari sistem..

Sistem informasi terdiri dari input , proses,

dan output , seperti yang terlihat pada

Gambar 2.1. Pada bagian proses terdapat

hubungan timbal balik dengan 2 (dua)

elemen, yaitu kontrol kinerja sistem dan

sumber-sumber penyimpanan data, baik

berupa karakter-karakter huruf maupun

berupa numerik

(Herlambang,Tanuwijaya,2005:47).

Sekarang ini bentuk data bisa berupa suara

atau audio maupun gambar atau video.

Data ini diproses dengan metode-metode

tertentu dan menghasilkan output berupa

informasi laporan maupun solusi dari

proses yang telah dijalankan. Tentu dalam

pelaksanaannya, sistem informasi bekerja

pada berbagai bidang dengan tingkat

kompleksitas yang berbeda. Bidang –

bidang sistem informasinya pun

diklasifikasikan sesuai dengan persoalan

yang ada pada perusahaan tersebut.

Control of System Performance

Storage of Data Resources

Processing DataInput of Data

Resources

Output of

Information

Products


8/14

Gambar 2.1 Proses Sistem Informasi

Sutabri (2004:3) mendefenisikan bahwa

sistem adalah suatu kumpulan atau

himpunan dari unsur, komponen atau

variabel-variabel yang terorganisasi, saling

berinteraksi, saling tergantung satu sama

lain dan terpadu. Keterkaitan antara satu

komponen dengan komponen lainnya

dalam sistem informasi bertujuan

menghasilkan suatu informasi dalam suatu

bidang. Alur informasi sangat diperlukan

dalam sistem informasi, hal ini disebabkan

keanekaragaman kebutuhan akan suatu

informasi oleh pengguna informasi.

Sutabri (2004:36) membagi komponen-

komponen yang saling berinteraksi dalam

sistem informasi terdiri dari:

1. Komponen masukan, yaitu data yang

masuk ke dalam sistem informasi

yang dapat berupa dokumen-

dokumen dasar.

2. Komponen model, yaitu komponen

yang terdiri dari kombinasi prosedur,

logika dan model matematik yang

akan memanipulasi data input dan

data yang tersimpan di basis data

dengan cara yang sudah ditentukan

untuk menghasilkan keluaran yang

diiginkan.

3.

Komponen keluaran, yaitu

komponen yang merupakan

informasi yang berkualitas dan

dokumentasi yang berguna.

4. Komponen teknologi, yaitu

komponen yang digunakan untuk

menerima input, menjalankan model,

menyimpan dan mengakses data,

menghasilkan dan mengirimkan

keluaran dan membantu

pengendalian sistem secara

keseluruhan. Komponen ini terbagi

menjadi tiga bagian yaitu teknisi,

perangkat lunak dan perangkat keras.

5.

Komponen basis data, merupakan

kumpulan data yang saling berkaitan

dan berhubungan antara satu dengan

lainnya. Basis data tersimpan dalam


9/14

perangkat keras komputer dan

perangkat lunak untuk

memanipulasinya. Data dalam basis

data perlu diorganisasikan

sedemikian rupa dan digunakan

untuk keperluan penyediaan

informasi

FLOWCHART

Mengacu pada Lincolin Arsyad

(2001;104), flowchart Untuk menghitung

peramalan hasil penjualan dengan metode

Exponenential Smoothing dengan tekhnik

Holt dapat dilihat pada gambar 3.7.

Flowchart yang terlihat pada Gambar 3.7

menjelaskan bagaimana proses peramalan

penjualan dengan menggunakan metode

Eksponential Smoothing. Pada proses awal

pertama kali sistem akan mengambil input

dari user berupa panjang periode data

penjualan yang akan digunakan untuk

proses perhitungan. Inisialisasi alpha beta

tersebut mewakili proses exponential

smoothing itu sendiri yang digunakan

untuk nilai pengujian ramalan untuk

periode ke depan.

BacadanAmbildatapenjualanyangakan

digunakanuntukprosesperhitungan

Inisialisasinilaialphadanbeta

danjumlahperiode

Start

ApakahkombinaasialphadanbetamenghasilkanMSEterkecil?

Stop

Tidak

Ramalanjumlahpenjualandi

periodemendatang

PerhitunganEksponential

Hitungestimasitrend

Hitungramalanpadaperiodep

Hitungkesalahanperamalan

HitungMSE

Gambar 3.7 Flowchart peramalan

penjualan dengan Metode Exponential

Smoothing

Setelah nilai alpha dan beta

ditentukan, maka proses perhitungan

exponential dilakukan. Selanjutnya hitung

nilai estimasi trend untuk mengetahui nilai

trend suatu item barang. Setelah itu, dari


10/14

estimasi trend yang telah dihitung maka

akan dibuat perhitungan ramalan periode

ke depan. Setelah semua proses di atas

dilakukan, maka setelah itu akan dilakukan

pengujian error terkecil, jika nilai MSE

yang telah dihitung adalah yang terkecil,

maka alpha beta itulah yang dipakai

sebagai acuan ramalan periode mendatang

dan juga digunakan sebagai acuan dalam

memproduksi produk air minum di bulan

atau tahun yang akan datang, dimana

peramalan ini sangat membantu manajer

dalam memberikan keputusan dalam

memproduksi produk agar tidak

menimbulkan biaya penyimpanan.

Start

Inisialisasi nilai α dan jumlah periode

t = t +1

Perhitungan Eksponential

At =α

Yt + (1 –

α

) (At-1 + Tt-1)

Apakah t


11/14

exponential smoothing, sehingga nilai

pengujian mempunyai batas uji. Nilai

alpha dan beta sndiri nantinya dalam

program akan melakukan inisialisasi

sendiri dalam pembentukan secara

random, misal alpha 0,1 terhadap beta 0,1

selanjutnya alpha 0,1 terhadap beta 0,2.

Begitu seterusnya dalam pengujian

dilakukan sampai alpha dan beta mencapai

angka < 1.

Start

Hitung estimasi trend

Tt = β (At – At-1) + ( 1 – β) Tt-1

Inisialisasi nilai beta (β) dan jumlah periode

t = t +1

Ambil nilai perhitungan exponential pada

periode sebelumnya (At-1)


periode t (At)

Ambil nilai estimasi trend pada periode

sebelumnya (Tt-1)

Apakah t


12/14

Start

t = t +1


periode t (At)

Ambil nilai estimasi trend pada periode t

(Tt)

Apakah t


13/14

Start

t = t +1

Ambil nilai residual pada periode t

(et)

Apakah t


14/14

3.1 Saran

Adapun saran-saran yang dapat digunakan

untuk mengembangkan aplikasi yang telah

dibuat adalah sebagai berikut :

1. Menambahkan perhitungan untuk

menghitung peramalan dengan

metode lain seperti metode moving

average, atau metode exponential

smoothing dengan teknik brown

agar dapat digunakan sebagai

pembanding.

2. Periode mendatang yang akan

diramalkan bersifat dinamis.

3. Dari hasil perhitungan peramalan,

dapat ditambahkan perhitungan

untuk penjadwalan pembelian

bahan.

05410100334 Mtrhtrhtrhakala h

Documents

Transcript of 05410100334 Mtrhtrhtrhakala h