05410100334 Mtrhtrhtrhakala h
-
Upload
diosukardi -
Category
Documents
-
view
213 -
download
0
Transcript of 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]
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
4/14
Dimana :
Ŷ t+1= nilai ramalan untuk periode
berikutnya
α= konstanta pemulusan (0
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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)
Ambil nilai perhitungan exponential pada
periode t (At)
Ambil nilai estimasi trend pada periode
sebelumnya (Tt-1)
Apakah t
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
12/14
Start
t = t +1
Ambil nilai perhitungan exponential pada
periode t (At)
Ambil nilai estimasi trend pada periode t
(Tt)
Apakah t
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
13/14
Start
t = t +1
Ambil nilai residual pada periode t
(et)
Apakah t
-
8/20/2019 05410100334 Mtrhtrhtrhakala h
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.