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 11
t tt t
t
A
T
S
Y
A
2. Estimasi trend
2
.
...
)
1
(
)
(
1
1
t t tt
A
A
T
T
3. Estimasi musiman
3
...
...
...
)
1
(
1
tt t
t
S
A
Y
S
4. Peramalan untuk periode dimasa depan
4
.
...
...
)
(
t t t L pp
t
A
pT
S
Y
Keterangan:
= konstanta penghalusan untuk data ( 0<
< 1)
= konstanta penghalusan untuk estimasitren musiman ( 0<
< 1)
= konstanta penghalusan untuk estimasitren ( 0<
< 1)t
Y
= data yang sebenarnya pada periode tt
A
= nilai pemulusan yang barut
T
= estimasi trendt
S
= estimasi musimanL = 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_HasilSmoothing 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_MstPenjualan
13 Tbl_DetilPenju alan 2
Maintenance Data Barang +
2 Tbl_MstJenisBarang 3 Tbl_MstBarang
8
Pembuatan Laporan
+ 14 Tbl_HistoryStok
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.