Sistem Informasi Pengendalian Inventori Menggunakan Metode Peramalan Exponential Smoothing Pada UD. Jaya Mulia.

SISTEM INFORMASI PENGENDALIAN INVENTORI

MENGGUNAKAN METODE PERAMALAN

EXPONENTIAL

SMOOTHING

PADA UD. JAYA MULIA

Slamet Hariono 1), Haryanto Tanuwijaya 2)

1) S1/ Jurusan Sistem Informasi STIKOMP Surabaya, email : h4r1_t0k@yahoo.com

2) S1/ Jurusan Sistem Informasi STIKOMP Surabaya, email : haryanto@stikom.edu

Abstract : UD. Jaya Mulia is a distribution company who effort activity are selling and buying children clothes and baby equipment. At this time all business process at UD. Jaya Mulia still using manually process. Because of that UD. Jaya Mulia have difficult experience with this business process. The big impact is in warehouse division that is for knowing direct manner stock item who used up, beside that UD. Jaya Mulia get some difficultes to stabilized how many quantity items they have to buy from Supplier in order to happen accumulation items in warehouse for a long time. Due to those problems, forecasting exponential smoothing method can be used to help UD. Jaya Mulia to predict and stabilize the quantity items will be bought from Supplier.

Keyword: Forecasting, Exponential Smoothing Method

Kemajuan sistem teknologi informasi menjadikan informasi sebagai salah satu kekuatan penting pada era globalisasi saat ini. Kecepatan dan ketepatan informasi banyak berpengaruh dalam perkembangan bisnis perusahaan. Perkembangan sistem teknologi informasi memudahkan anggota organisasi menyelesaikan tugas dengan hasil yang lebih cepat dan akurat.

UD. Jaya Mulia merupakan suatu perusahaan yang bergerak dibidang perdagangan yaitu pembelian dan penjualan pakaian anak-anak dan perlengkapan bayi. Seiring dengan perkembangan organisasi, UD. Jaya Mulia mengalamai berbagai hambatan karena seluruh proses bisnis yang ada saat ini masih dilakukan secara manual sehingga mengalami berbagai permasalahan yang merugikan perusahaan dan pelanggan.

Permasalahan pertama adalah informasi stok di gudang yang tidak akurat. Hal ini sering mengecewakan pelanggan dan mempengaruhi keuntungan perusahaan. Permasalahan ini menyebabkan munculnya permasalahan kedua yaitu pemesanan kepada supplier yang harus dilakukan secara mendadak. Pemesanan mendadak ini sangat merugikan perusahaan karena supplier tidak dapat memenuhi pesanan dalam jangka waktu yang telah diminta sehingga pelanggan UD. Jaya Mulia beralih memesan barang ke para pesaing. Permasalahan selanjutnya adalah seringnya terjadi penumpukan barang di gudang dalam jangka waktu cukup lama karena belum terjual ke pelanggan. Hal ini terjadi akibat dari kesalahan penentuan jumlah barang yang

dibeli dari supplier. Akibatnya biaya membengkak karena harus menyediakan tempat penyimpanan yang lebih luas dan meningkatnya biaya pemeliharaan barang agar tidak rusak.

Dari hasil analisis permasalahaan yang dilakukan di UD. Jaya Mulia, diperoleh fakta bahwa permintaan barang dari pelanggan memiliki pola

musiman atau trend. Berdasarkan latar belakang

permasalahan yang dialami UD. Jaya Mulia dan pola musiman permintaan barang oleh pelanggan, maka dibutuhkan suatu sistem informasi pengendalian

inventori menggunakan metode Exponential

Smoothing. Pemilihan metode ini karena metode ini merupakan metode yang tepat bagi dalam

permasalahan yang mengikuti pola musian dan trend

(Andriyanto dan Basith, 1993). Hal ini sesuai dengan hasil penelitian Tanuwijaya (2008) tentang

penerapan metode Exponential Smoothing pada

persediaan yang memiliki pola musiman. Dengan

menerapkan metode Exponential Smoothing pada

sistem informasi pengendalian inventori ini bertujuan membantu meramalkan jumlah permintaan barang pada periode mendatang sehingga meningkatkan keuntungan melalui penjualan barang sesuai permintaan barang dari pelanggan dan meningkatkan efisiensi karena tidak adanya penumpukan barang di gudang dalam waktu yang lama.

Adapun tujuan yang hendak dicapai dalam pembuatan sistem informasi pengendalian inventori menggunakan peramalan dengan metode

Exponential Smoothing pada UD. Jaya Mulia adalah :

STIKOM

1. Merancang dan membangun sistem informasi pegendalian inventori yang dapat membantu UD. Jaya Mulia dalam mengatur atau mengendalikan keluar masuknya barang dari gudang.

2. Membuat aplikasi yang dapat menghasilkan informasi jumlah permintaan barang yang tepat pada UD. Jaya Mulia dalam melakukan

pembelian barang ke suplier

.

METODE

Exponential Smoothing

Metode Exponential Smoothing model

Winter’s (Hanke and Arthur, 1995:85) sebagai berikut:

1. Penghalusan Exponensial

1

.

)...

)(

1

(

_{1 1}

1

  









t t

t t

t

A

T

S

Y

A





2. Estimasi trend

2

.

...

)

1

(

)

(



_1





_1



_{t t t}

t

A

A

T

T





3. Estimasi musiman

3

...

...

...

)

1

(



_1





_t

t t

t

S

A

Y

S





4. Peramalan untuk periode dimasa depan

4

.

...

...

)

(

_{t t t L p}

p

t

A

pT

S

Y

_





_{ }

Keterangan:



= konstanta penghalusan untuk data ( 0<



< 1)



= konstanta penghalusan untuk estimasi

tren musiman ( 0<



< 1)



= konstanta penghalusan untuk estimasi

tren ( 0<



< 1)

t

Y

= data yang sebenarnya pada periode t

t

A

= nilai pemulusan yang baru

t

T

= estimasi trend

t

S

= estimasi musiman

L = panjangnya musim

P = periode peramalan

p t

Y

_

= peramalan untuk p periode di masa depan

Pemulusan exponential adalah teknik yang dapat memberikan ketepatan dalam ramalan jangka pendek dan penyesuaian dapat dilakukan dengan cepat dan pada biaya yang rendah. Teknik ini banyak dipergunakan bila peramalan bulanan atau mingguan diperlukan untuk barang-barang dalam jumlah besar (Arsyad, 1993:118). Metode

Exponential Smoothing telah terbukti sesuai dipergunakan untuk meramalkan barang yang

memiliki pola musiman atau trend (Tanuwijaya,

2008).

PERANCANGAN SISTEM 1. Gambaran Umum Sistem

Gambar 1. Gambaran Umum Sistem

Pada Gambar 1, ditunjukkan bahwa proses pertama kali dilakukan oleh pengguna yang melakukan interaksi langsung ke dalam sistem. Pengguna menginputkan data-data berupa data pembelian dan data penjualan yang nantinya data-data tersebut akan diproses dengan menggunakan

metode Exponential Smoothing yang akan

menghasilkan output berupa laporan hasil peramalan

berapa besar jumlah barang yang dibeli. Hasil peramalan ini diharapkan dapat membantu perusahan untuk menghindari penumpukan barang terlalu lama di gudang dan dapat meningkatkan kualitas perusahaan dalam pelayanan kepada pelanggan.

2. Diagram Konteks

Diagram konteks adalah tingkatan tertinggi dalam diagram aliran data dan hanya memuat satu proses, menunjukkan system secara keseluruhan

(Kendall and Kendall, 2003:267).

Data Pelanggan Faktur Penjualan

Laporan Hasil Peramalan

Laporan Penjualan Laporan Stok Barang

Laporan Pembelian

Detil barang yang akan dibeli Faktur Pembelian

Data Suplier 0

Sistem Informasi Pengendalian Inventori

UD Jaya Mulia

+

Suplier

Pimpinan Perusahaan

Pelanggan

Gambar 2 Diagram Konteks

STIKOM

Diagram Konteks yang mempunyai 3 (tiga)

entity luar yaitu, Suplier, Pelanggan dan Pimpinan Perusahaan. Dalam sistem tersebut suplier memberikan inputan ke sistem berupa data suplier dan faktur pembelian kemudian suplier juga

menerima output dari sistem berupa data detil

barang yang akan dibeli. Untuk entity pelanggan,

mereka memberikan inputan berupa data pelanggan dan menerima output dari sistem berupa faktur penjualan. Pada sistem informasi pengendalian inventori ini terdapat beberapa proses di dalamnya

yang nantinya akan menghasilkan output berupa

laporan-laporan yang diberikan kepada pimpinan perusahaan sebagai evaluasi peningkatan mutu perusahaan.

3. DFD Level 0

Diagram level 0 (nol) adalah pengembangan diagram konteks dan bisa mencakup

sampai 9 (sembilan) proses (Kendall and Kendall,

2003:269).

DataPembelian

UpdateStok UpdateStok DataBarang

DetilPenjualan JumlahStok

DetilPembelian

DetilPembelian

DetilPenjualan DetilPembelian

DataStokBarang

DataHasilPeramalan

[Laporan Stok Barang]

[Laporan Penjualan]

[Laporan Hasil Peramalan] [Laporan Pembelian]

DetilPenjualan DataPenjualan

DataBarang DataBarang

DataBarang

[Data Pelanggan] DataJenis DataBarang

DetilPenjualan DataPenjualan

[Faktur Penjualan] DataPelanggan

DataPelanggan HasilRamal

DetilBarang DataPO

DetilBarang NoPO

DetilPembelian DaftarPembelian

SisaStok [Faktur Pembelian]

[Detil barang yang akan dibeli] DataSuplier

NilaiAlphaBethaGamma HasilPeramalan

Nilai_AlphaBethaGammaMSE

UpdateStok DataSuplier

[Data Suplier] Suplier

Pimpinan Perusahaan

Pelanggan 1

Maintenance Data Suplier +

1 Tbl_Suplier

3 Maintenance

Stok +

4 Tbl_Stok

4 Generate ExponentialSmo

othing +

5 Tbl_AlphaBetha Gamma

6 Tbl_HasilSmooth_ing 5

Pembelian +

7 Tbl_MstPO

8 Tbl_DetilPO

9 Tbl_MstOR

10 Tbl_DetilOR

6 Maintenance Data Pelanggan

+

11 Tbl_Pelanggan

7

Penjualan +

12 Tbl_MstPenjuala_n

13 Tbl_DetilPenju alan 2

Maintenance Data Barang +

2 Tbl_MstJenisBar_ang 3 Tbl_MstBarang

8

Pembuatan Laporan

+ 14 Tbl_HistorySt_ok

Gambar 3 DFD Level 0

Pada DFD level 0 untuk sistem ini terdapat 8 (delapan) proses yaitu:

1. Maintenance Data suplier

Digunakan untuk mengolah data suplier jika ada data baru dan perubahan data.

2. Maintenance Data Barang

Digunakan untuk mengolah data barang jika ada data baru dan perubahan data.

3. Maintenance Stok

Digunakan untuk merubah jumlah stok digudang secara otomatis berdasarkan dari data penjualan dan data pembelian.

4. Generate Exponential Smoothing

Proses perhitungan peramalan persediaan

dengan menggunakan metode Exponential

Smoothing.

5. Pembelian

Digunakan untuk melakukan proses pembelian barang ke suplier berdasarkan dari hasil peramalan yang sudah dibuat.

STIKOM

6. Maintenance Data Pelanggan

Digunakan untuk mengolah data pelanggan jika ada data baru dan perubahan data.

7. Penjualan

Digunakan untuk melakukan proses penjualan pada pelanggan, dimana data penjualan ini nantinya akan dipakai untuk proses peramalan.

8. Pembuatan Laporan

Digunakan untuk membuat laporan perusahaan yang terdiri dari laporan pembelian, stok barang, peramalan dan laporan penjualan.

AmbilDataBarang

AmbilDataBarang

AmbilDataBarang AmbilDataBarang

Terdiri

AmbilDataPelanggan AmbilDataJenis

AmbilDataBarang AmbilDataBarang Terdiri

AmbilDataPO

AmbilDataBarang Terdiri AmbilDataSuplier

AmbilDataSuplier

Tbl_Suplier KodeSuplier Nama A lamat Kodepos Kota Kodetlp1 Telepon1 Kodetlp2 Telepon2 Kodetlp3 Telepon3 Status

Tbl_Stok Jumlah

Tbl_A lphaBethaGamma TglPeramalan

A lpha Betha Gamma MSE

Tbl_Has ilSmoothing Nilai_At

Nilai_Tt Nilai_St Nilai_Ftp Nilai_MSE Tanggal

Tbl_MstPO NoPO TglPO Status

Tbl_DetilPO Jumlah

Tbl_MstOR NoOR TglOR TotalOrder

Tbl_DetilOR Jumlah Harga SubTotal

Tbl_Pelanggan KodePelanggan Nama A lamat Kodepos Kota Kodetlp1 Telepon1 Kodetlp2 Telepon2 Kodetlp3 Telepon3 Status Tbl_MstPenjualan

NoTrans aks i TglTrans aks i TotalBay ar

Tbl_DetilPenjualan Jumlah

HargaSatuan SubTotal Diskon Tbl_MstJenis Barang

KodeJenis NamaJenis Keterangan

Tbl_MstBarang KodeBarang NamaBarang Satuan HargaBeli HargaJual Status

Tbl_His tory Stok Tanggal StokAw al StokKeluar Jumlah

Gambar 4 Conceptual Data Model (CDM)

4. Conceptual Data Model (CDM)

STIKOM

Tabel 1 Pengujian Peramalan Untuk Periode Januari 2008

5. Physical Data Model (PDM)

KODEBARANG = KODEBARANG

KODEBARANG = KODEBARANG KODEBARANG = KODEBARANG

KODEPELANGGAN = KODEPELANGGAN KODEBARANG = KODEBARANG

KODEBARANG = KODEBARANG NOOR = NOOR NOPO = NOPO

NOPO = NOPO KODESUPLIER = KODESUPLIER

KODESUPLIER = KODESUPLIER

TBL_SUPLIER KODESUPLIER long varchar NAMA long varchar A LA MA T long varchar KODEPOS long varchar KOTA long varchar KODETLP1 long varchar TELEPON1 long varchar KODETLP2 long varchar TELEPON2 long varchar KODETLP3 long varchar TELEPON3 long varchar STA TUS smallint

TBL_STOK KODEBA RA NG long varchar JUMLAH f loat

TBL_ALPHA BETHA GA MMA KODEBA RA NG long varchar TGLPERAMA LA N times tamp A LPHA f loat BETHA f loat GAMMA f loat MSE f loat

TBL_HA SILSMOOTHING KODEBA RA NG long varchar NILA I_A T f loat NILA I_TT f loat NILA I_ST f loat NILA I_FTP f loat NILA I_MSE f loat TANGGA L timestamp

TBL_MSTPO NOPO long varchar KODESUPLIER long varchar TGLPO timestamp STA TUS smallint

TBL_DETILPO NOPO long varchar JUMLAH f loat

TBL_MSTOR NOOR long varchar NOPO long varchar TGLOR timestamp TOTALORDER numeric(8)

TBL_DETILOR NOOR long varchar JUMLAH f loat HARGA numeric(8) SUBTOTAL numeric(8)

TBL_PELANGGAN KODEPELA NGGAN long varc har NAMA long varc har A LA MA T long varc har KODEPOS long varc har KOTA long varc har KODETLP1 long varc har TELEPON1 long varc har KODETLP2 long varc har TELEPON2 long varc har KODETLP3 long varc har TELEPON3 long varc har STA TUS s mallint TBL_MSTPENJUALA N

NOTRA NSA KSI long varchar KODEPELA NGGAN long varchar TGLTRA NSA KSI times tamp TOTALBAY AR numeric(8)

TBL_DETILPENJUA LAN JUMLAH f loat HARGA SATUA N numeric (8) SUBTOTAL numeric (8) DISKON numeric (8) TBL_MSTJENISBARANG KODEJENIS long varchar KODEBA RA NG long varchar NAMAJENIS long varchar KETERA NGA N long varchar

TBL_MSTBA RA NG KODEBA RA NG long varchar KODESUPLIER long varchar NAMABARA NG long varchar SATUA N long varchar HARGA BELI numeric(8) HARGA JUA L numeric(8) STA TUS smallint

TBL_HISTORYSTOK KODEBA RA NG long varc har TANGGA L timestamp STOKA WA L f loat STOKKELUA R f loat STOKA KHIR f loat

Gambar 5 Physical Data Model (PDM)

PENGUJIAN SISTEM

KodeBarang Data Perminta an Aktual

Data Ramal

Selisih

CLN – 0001 38 30 8

PPK – 0001 51 41 10

PPK – 0002 25 16 9

SGL – 0001 30 25 5

STG – 0001 21 30 9

STL – 0001 70 71 1

BDG – 0001 18 10 8

CLN – 0002 40 30 10

JKT – 0001 25 17 8

TOP - 0001 40 30 10

1. Pengujian Proses Peramalan

Uji coba dilakukan dengan melakukan perbandingan antara hasil dari sistem peramalan dengan data permintaan aktual. Dalam hal ini data permintaan aktual merupakan data permintaan barang pada tahun 2008 yang didapatkan langsung dari UD. Jaya Mulia, sedangkan sistem peramalan akan menghasilkan nilai peramalan untuk periode Januari 2008. Dengan demikian kesalahan peramalan dapat diketahui untuk menentukan kelayakan dari sistem peramalan

yang sudah dibuat. Hasil uji coba ditunjukkan

pada Tabel 1 di halaman 5.

STIKOM

2. Grafik Peramalan

Hasil pengujian peramalan periode Januari 2008 yang digambarkan pada Tabel 1 tidak terdapat item yang memiliki selisih lebih dari 10 satuan terhadap data permintaan aktual. Jadi terdapat 10 dari 10 item yang memiliki selisih relatif kecil dengan prosentase sebesar 100% yang menyatakan hasil peramalan sudah mendekati data aslinya sehingga sistem peramalan ini bisa dikatakan valid.

Dari hasil uji coba peramalan yang sudah dilakukan, dapat disimpulkan bahwa sistem

peramalan ini valid karena nilai prosentase selama

pengujian diatas 75%

Gambar 6 Grafik Peramalan

SIMPULAN

Dari hasil studi analisa, desain, pengembangan, implementasi dan pengujian Sistem Informasi Pengendalian Inventori

Menggunakan Metode Peramalan Exponential

Smoothing Pada UD. Jaya Mulia ini dapat diambil beberapa kesimpulan antara lain:

1. Metode peramalan Exponential Smoothing

dapat diterapkan untuk meramalkan jumlah permintaan barang pada 1 (satu) periode mendatang di UD. Jaya Mulia.

2. Berdasarkan dari 4 (empat) kali uji coba

peramalan diperoleh hasil rata-rata ketepatan peramalan mencapai 80% dengan nilai MSE rata-rata = 1,7392.

3. Aplikasi yang dibuat mampu memberikan

informasi peramalan yang valid berdasarkan hasil uji coba.

DAFTAR PUSTAKA

Andriyanto, U.S, dan Abdul Basith, 1993, Metode

dan Aplikasi Peramalan, Edisi Kedua, Penerbit Erlangga. Jakarta.

Arsyad, Incolin, 1993, Peramalan Bisnis Edisi

Pertama, BPFE-Yogyakarta.

Hanke, J.E., and Reitsch Arthur, 1995, Business

Forecasting, Prentice Hall Inc. London

Kendall and Kendall, 2003, Analisis dan

Perancangan Sistem Edisi Kelima, PT Prenhallindo, Jakarta.

Tanuwijaya, Haryanto, 2008, Sistem Informasi

Pengendalian Persediaan Menggunakan Metode Exponential Smoothing Pada PT. Bear House, STIKOM Jurnal, Vol. 12, No. 2, STIKOM Surabaya.

STIKOM