FORECASTING PERSEDIAAN SUKU CADANG ALAT BERAT MENGGUNAKAN METODE SINGLE
EXPONENTIAL SMOOTHING
REPOSITORY
OLEH
RAKA GIASTA MANDANI SITOHANG NIM. 1503117304
PROGRAM STUDI SISTEM INFORMASI JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS RIAU
PEKANBARU
2022
1 FORECASTING PERSEDIAAN SUKU CADANG ALAT BERAT
MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING Raka Giasta Mandani Sitohang, Roni Salambue
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
giastaraka@gmail.com ABSTRACT
PT. Pandawa Perkasa Surya is a company engaged in the rental of heavy equipment and heavy equipment contractor services. One of the services provided by PT. Pandawa Perkasa Surya is in the form of heavy equipment maintenance. Forecasting stock of spare parts is important in a heavy equipment rental company because by using forecasting the company can predict the number of spare parts that must be in the warehouse. In this research, how to apply the Single Exponential Smoothing method to a web-based application so that it can be used to predict the required spare parts inventory each month. Based on the results of the experiments and evaluations carried out, it can be concluded that the supply of spare parts needed in Januari was Filter = 151,182 , Seal = 59.57 , Oring = 81,81 , Engine = 49,16, Fuel System = 42,15 , Undercarriage = 182,2 , Dinamo = 3.999, Bolt = 383,3 , and Hose = 346,3.
Keywords : Forecasting, Spare Parts Inventory, Single Exponential Smoothing.
ABSTRAK
PT. Pandawa Perkasa Surya adalah perusahaan yang bergerak di bidang rental alat-alat berat dan jasa kontraktor alat berat. Salah satu pelayanan yang diberikan oleh PT.
Pandawa Perkasa Surya adalah berupa pemeliharaan alat berat. Forecasting (peramalan) stok suku cadang merupakan hal yang penting dalam sebuah perusahaan penyewaan alat berat karena dengan menggunakan forecasting perusahaan dapat memprediksi jumlah suku cadang yang harus ada di dalam gudang. Dalam penelitian ini bagaimana cara menerapkan metode Single Exponential Smoothing ke dalam aplikasi berbasi web agar dapat digunakan untuk memprediksi persediaan suku cadang yang diperlukan setiap bulannya. Berdasarkan hasil ekperimen dan evaluasi yang dilakukan maka dapat disimpulakan bahwa persediaan suku cadang yang diperlukan pada bulan Januari 2022 adalah Filter = 151,182 , Seal = 59.57 , Oring = 81,81 , Engine = 49,16, Fuel System = 42,15 , Undercarriage = 182,2 , Dinamo = 3.999, Bolt = 383,3 , dan Hose = 346,3.
Kata Kunci: Peramalan, Persediaan Suku Cadang, Single Exponential Smoothing.
2 PENDAHULUAN
PT. Pandawa Perkasa Surya adalah perusahaan yang bergerak di bidang rental alat- alat berat dan jasa kontraktor alat berat. Perusahaan terus berupaya meningkatkan pelayanan pemeliharaan dengan cara memaksimalkan sumber daya yang dimilikinya.
Salah satu pelayanan yang diberikan oleh PT. Pandawa Perkasa Surya adalah berupa pemeliharaan alat berat.
Pengadaan suku cadang alat berat sebagai keputusan strategis membutuhkan perencanaan yang baik karena biaya pengadaannya yang tinggi. Ketersediaan suku cadang yang melebihi dari kebutuhan dapat menyebabkan pemborosan investasi secara karena memunculkan biaya simpan. Sementara kekurangan persediaan juga beresiko terhadap kemacetan produksi akibat tidak tersedianya suku cadang pada saat suku cadang tersebut dibutuhkan. Dibutuhkan suatu metode yang handal untuk mengoptimalkan jumlah pemesanan suku cadang yang tepat sehingga diperoleh trade off antara pengadaan dan penyimpanan sehingga meminimalkan total biaya persediaan.
Metode prediksi (forecasting) adalah metode untuk meramalkan jumlah persediaan di masa mendatang. Ada bermacam-macam metode yang dapat digunakan untuk menghitung prediksi seperti metode Trend Least Square, GARCH, Moving Average, Exponential Smoothing, Regresi Linier dan Nonlinier. Metode forecasting yang akan digunakan dalam penelitian ini adalah Single Exponential Smoothing. Metode Single Exponential Smoothing telah digunakan dalam beberapa penelitian terdahulu misalnya (Indrasari, 2020) menyajikan penelitian mengenai penerapan Single Exponentsial Smoothing dalam peramalan jumlah permintaan air mineral pada PT. Akasha Wira International, sehingga dalam penelitian ini penulis melakukan modifikasi dari hasil penelitian terdahulu dan juga menggukanan studi kasus yang berbeda dari penelitian terdahulu.
METODE PENELITIAN
1. Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan untuk menunjang pengembangan karya ilmiah ini antara lain :
1. Penelitian Kepustakaan (Library Research)
Studi pustaka merupakan teknik pengumpulan data dengan melakukan penelaahan terhadap berbagai buku, jurnal maupun artikel yang berkaitan dengan bidang ilmu statistik khususnya algoritma Single Exponential Smoothing.
2. Penelitian Lapangan (Field Research) yang menggunakan teknik :
Peneliti melakukan pengamatan terhadap proses dan aktifitas yang berkaitan dengan pergerakan stok di lapangan secara langsung. Observasi dilakukan agar bisa didapatkan data yang sesuai sehingga sistem yang akan dibangun sesuai dengan keadaan aslinya.
3 2. Peralatan yang Digunakan
Adapun peralatan yang digunakan dalam membuat Aplikasi ini adalah sebagai berikut :
1. Perangkat Keras (Hardware) terdiri dari:
a. Laptop dengan processor Intel Core i7 – Gen 10 64bit.
b. Random Access Memory (RAM) dengan tipe DDR3 berkapasitas 8 GB.
c. Hardisk berkapasitas 500 GB sebagai media penyimpanan.
2. Perangkat Lunak (Software) terdiri dari : a. Sistem Operasi Windows 11 Pro 64-bit.
b. Microsoft Office 2019 digunakan untuk pengetikan laporan penelitian/skripsi.
c. Visual Studio digunakan untuk membuat kode program menggunakan bahasa PHP.
d. Google Chrome digunakan untuk debugging dan testing program.
e. Star UML digunakan untuk membuat diagram sistem.
f. XAMPP digunakan untuk mengelola web server apache, mysql, dan PHPmyadmin.
3. Algoritma Single Exponential Smoothing
Metode Single Exponential Smoothing adalah suatu prosedur yang mengulang penghitungan secara terus menerus menggunakan data terbaru. Setiap data diberikan bobot yang di simbolkan dengan α. Simbol α bisa ditentukan secara bebas yang dapat mengurangi beban forecast error.
Nilai konstanta pemulusan dapat ditentukan dengan ketentuan 0 < α < 1. Mencari nilai α yang tepat dapat ditentukan dengan pengujian trial dan error terhadap nilai α yang berbeda untuk menentukan nilai α yang memiliki hasil dengan nilai error terkecil.
Ft+1 adalah simbol untuk hasil peramalan pada saat waktu t + 1. Ft adalah hasil peramalan pada saat periode t. Xt adalah nilai riil pada waktu t.
𝐹𝑡 + 1 = F𝑡 + α(𝑋𝑡 – 𝐹𝑡) ... (1)
Nilai α dikalikan kedalam (𝑋𝑡 – 𝐹𝑡) maka persamaan (1) menjadi persamaan (2):
𝐹𝑡 + 1 = F𝑡 + α𝑋𝑡 – α𝐹𝑡 ... (2)
Nilai α𝑋𝑡 dipindahkan ke depan, persamaan (2) dapat diturunkan menjadi persamaan (3) :
𝐹𝑡 + 1 = α𝑋𝑡 + 𝐹𝑡− αFt ... ... (3)
Nilai 𝐹𝑡 dikeluarkan maka persamaan (3) dapat diturunkan menjadi persamaan (4)
𝐹𝑡 + 1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡 ... ... (4)
4 Dimana:
Ft + 1 = Ramalan untuk periode ke t +1
α = Bobot yang menunjukkan konstanta penghalus (0 < α <1) Xt = Nilai riil periode ke t
Ft = Ramalan untuk periode ke t
Penerapan Metode Single Exponetial Smoothing dilakukan dengan melalui beberapa tahap, tahapan penerapan metode single exponential smoothing digambarkan sebagai Gambar 1 berikut :
Gambar 1. Penerapan Single Exponentsial Smoothing
5 Alur penerapan metode Single Exponentsial Smoothing adalah sebagai berikut (Fachrurrazi, 2015) :
1. Menentukan nilai α, dengan ketentuan 0 < α < 1.
2. Mencari hasil forecast pertama (F1), dimana untuk setiap forecast pertama nilainya sama dengan nilai rill periode pertama (X1) maka nilai F1 = X1.
3. Mencari hasil forecast kedua (F2), dengan menggunakan persamaan:
4.
𝐹𝑡 = 𝛼𝑋𝑡 + (1 − 𝛼) 𝐹𝑡 ... (5)
Nilai Ft+1 = F2 karena t+1 = 2 maka didapat nilai t = 1, sehingga apabila dimasukkan kedalam persamaan 1 akan menjadi:
𝐹2 = 𝛼𝑋1 + (1 − 𝛼) 𝐹1... (6)
Nilai F2, telah didapatkan langkah selanjutnya adalah mencari nilai F3, F4, dan seterusnya hingga periode pengadaan persediaan terakhir dengan cara yang sama seperti menetukan F2.
5. Selanjutnya setelah mendapatkan hasil seluruh forecast, dilakukan perhitungan akurasi dengan Mean Squared Error.
6. Selanjutnya lakukan ulang langkah ke 1 dengan menggunakan nilai α yang berbeda, lalu bandingkan tingkat akurasi MSE tiap α dari hasil forecasting.
7. Setelah mendapatkan tingkat akurasi yang paling tinggi, maka nilai α tersebut dapat digunakan sebagai konstanta untung forecasting periode selanjutnya.
HASIL DAN PEMBAHASAN
a. Analisa Kebutuhan Sistem
Analisa kebutuhan sistem dilakukan untuk mengumpulkan data dan informasi yang akan digunakan. Proses peramalan dilakukan dengan menerapkan teknik data mining menggunakan metode Single Exponential Smoothing. Proses peramalan dilakukan dengan menghitung nilai a yang memiliki nilai ketepatan prediksi terbaik. Nilai a akan dicari dengan cara trial dan error data riil dengan menggunakan metode Single Exponential Smoothing lalu dihitung nilai ketepatan prediksi. Nilai a dengan nilai ketepatan prediksi terbaik akan digunakan sebagai nilai tetap untuk melakukan peramalan sisa stok suku cadang yang harus ada di gudang pada periode terbaru.
Data yang digunakan dalam penelitian ini untuk tahapan pelatihan dan pengujian yaitu data sisa stok suku cadang alat berat jenis excavator setiap bulan pada tahun 2021 yang di dapatkan dari PT. Pandawa Perkasa Surya. Data yang dipakai ada 9 jenis suku cadang, yaitu Filter, Seal, Oring, Engine, Fuel System, Undercariage, Dinamo, Bolt, dan Hose. Pada tabel 1 dapat dilihat data sisa stok suku cadang setiap bulan dari bulan Januari 2021 hingga Desember 2021.
6 Tabel 1. Data Stok Suku Cadang PT. Pandawa Perkasa Surya
Bulan Kelompok barang
Filter Seal Oring Engine Fuel System Undercarriage Dinamo Bolt Hose
January 155 55 117 37 18 100 5 322 291
February 162 73 88 39 32 110 7 315 449
March 187 74 138 48 32 131 7 300 368
April 176 74 109 48 33 118 8 472 380
May 160 84 72 51 43 212 3 472 380
June 189 71 72 47 39 198 3 262 374
July 189 71 67 47 39 198 3 237 374
August 189 71 67 47 39 198 3 237 374
September 189 71 82 47 39 198 4 187 374
October 167 64 80 51 44 182 4 218 346
November 151 59 82 49 42 182 4 402 346
December 151 63 72 44 36 181 3 197 346
b. Penerapan Metode Single Exponential Smoothing
Tahap selanjutnya adalah menerapkan metode single exponential smoothing untuk digunakan dalam proses peramalan. Metode single exponential smoothing dilakukan dengan beberapa tahap.
1. Menentukan Nilai Alpha
Nilai a ditentukan dengan cara menghitung hasil prediksi menggunakan nilai a yang memiliki nilai ketepatan prediksi terbaik. Nilai a ditentukan berdasarkan ketentuan 0 < α < 1. Penelitian ini akan menggunakan 9 nilai konstanta a yang berbeda.
Tabel 2. Nilai Konstanta α Nilai Konstanta a
0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
Setiap nilai konstanta a akan diuji untuk meramalkan sisa stok suku cadang alat berat yang diperlukan untuk periode selanjutnya.
Nilai hasil peramalan bulan Januari 2021 (F1) belum tersedia maka dapat diasumsikan bahwa nilai peramalan single exponential smoothing pertama (F1) sama dengan nilai data riil pertama pada Januari 2021 (X1) , yaitu F1 = X1 dimana nilai X1
jenis barang Filter pada bulan januari 2021 adalah 155. Berdasarkan nilai a pada tabel 4.3 maka hasil peramalan (F2) dapat diperoleh sebagai berikut:
1. Untuk a = 0.1
F2 = α 𝑋1 + (1 − α) 𝐹1 = 0.1 (𝑋1) + (1 − 0.1) 𝐹1
7 = 0.1 (155) + (0.9) 155
= 155 2. Untuk a = 0.2
F2 = α 𝑋1 + (1 − α) 𝐹1 = 0.2 (𝑋1) + (1 − 0.2) 𝐹1
= 0.2 (155) + (0.8) 155
= 155 3. Untuk a = 0.3
F2 = α 𝑋1 + (1 − α) 𝐹1 = 0.3 (𝑋1) + (1 − 0.3) 𝐹1
= 0.3 (155) + (0.7) 155 = 155
Tahap diatas diulang seterusnya hingga nilai a = 0.9. Untuk t = 2 dapat dihitung dengan menggunakan nilai X2 (Data asli bulan Ferbuari) dan F2 (Data hasil peramalan bulan Februari) yang sudah diperoleh sebelumnya. Hasil peramalan bulan Maret 2021 (F3) dapat dicari dengan menggunakan cara yang sama untuk nilai t yang lainnya hingga data terakhir.
Tabel 3. Hasil Peramalan Data Jenis Barang Filter Hasil
peramalan (Ft)
a = 0,1 a = 0,2 a = 0,3 a = 0,4 a = 0,5 a = 0,6 a = 0,7 a = 0,8 a = 0,9
f1 (Jan’21) 155 155 155 155 155 155 155 155 155
f2 (Feb’21) 155 155 155 155 155 155 155 155 155
f3 (Mar’21) 155,7 156,4 157,1 157,8 158,5 159,2 159,9 160,6 161,3 f4 (Apr’21) 158,83 162,52 166,07 169,48 172,75 175,88 178,87 181,72 184,43 f5 (Mei’21) 160,547 165,216 169,049 172,088 174,375 175,952 176,861 177,144 176,843
f6 (Jun’21) 160,492 164,173 166,334 167,253 167,188 166,381 165,058 163,429 161,684 f7 (Jul’21) 163,343 169,138 173,134 175,952 178,094 179,952 181,817 183,886 186,268 f8 (Agu’21) 165,909 173,111 177,894 181,171 183,547 185,381 186,845 187,977 188,727 f9 (Sep’21) 168,218 176,288 181,226 184,303 186,273 187,552 188,354 188,795 188,973 f10 (Okt’21) 170,296 178,831 183,558 186,182 187,637 188,421 188,806 188,959 188,997 f11 (Nov’21) 169,966 176,465 178,591 178,509 177,318 175,568 173,542 171,392 169,2 f12 (Des’21) 168,07 171,372 170,313 167,505 164,159 160,827 157,763 155,078 152,82
Tahap selanjutnya adalah menghitung nilai ketepatan prediksi. Nilai ketepatan prediksi yang digunakan pada penelitian ini adalah Mean Absolute Percentage Error. Nilai ketepatan prediksi Mean Absolute Percentage Error dapat dihitung menggunakan Persamaan 𝑀𝐴𝑃𝐸 = 1
𝑛 ∑ |𝐴𝑖−𝐹𝑖
𝐴𝑖 | 𝑋 100%
𝑛𝑖=1 .
8
𝑀𝐴𝑃𝐸(𝑎 = 0.1) = {(|162 − 155
162 | 𝑋 100%) + (|187 − 155,7
187 | 𝑋 100%) + (|176 − 158,83
176 | 𝑋 100%) + (|160 − 160,547
160 | 𝑋 100%) + (|189 − 160,492
189 | 𝑋 100%) + (|189 − 163,343
189 | 𝑋 100%) + (|189 − 165,909
189 | 𝑋 100%) + (|189 − 168,218
189 | 𝑋 100%) + (|167 − 170,296
167 | 𝑋 100%) + (|151 − 169,966
151 | 𝑋 100%) + (|151 − 168,07
151 | 𝑋 100%)} / 11
𝑀𝐴𝑃𝐸(𝑎 = 0.1) = 1.089 / 11
𝑀𝐴𝑃𝐸(𝑎 = 0.1) = 9.897%
Berdasarkan perhitungan MAPE diatas didapat nilai ketepatan prediksi MAPE untuk a = 0.1 adalah 9.897%. Cara yang sama digunakan untuk menghitung nilai ketepatan MAPE konstanta a yang lain.
Tabel 4. Nilai Mean Absoulte Percentage Error Setiap Nilai a.
Alpha Nilai MAPE
0,1 9,897%
0,2 9,802%
0,3 9,36%
0,4 8,81%
0,5 8,23%
0,6 7,66%
0,7 7,40%
0,8 7,15%
0,9 6,90%
Tabel 4 menunjukkan bahwa nilai a = 0.9 memiliki nilai ketepatan prediksi terbaik, karena memiliki nilai ketepatan prediksi MAPE terkecil yaitu dengan tingkat error 6,90%. Maka nilai a = 0.9 akan terus digunakan dalam sistem untuk meramalkan sisa stok suku cadang alat berat Jenis Filter. Langkah selanjutnya adalah mencari nilai a dengan ketepatan prediksi terbaik untuk jenis barang lainnya.
Hal ini dilakukan dengan cara yang sama seperti sebelumnya.
2. Menghitung Hasil Peramalan Stok Suku Cadang
Jenis barang yang akan dihitung pertama adalah persediaan stok suku cadang jenis Filter untuk Periode Januari 2022. Hasil peramalan sisa stok suku cadang dapat dihitung menggunakan persamaan 5 dengan nilai a terbaik di jenis barang Filter yaitu a = 0,9 .
1. Hasil Peramalan Periode Februari 2021 (F2) 𝐹2 = α 𝑋1 + (1 − α) 𝐹1
𝐹2 = 0,9 (155) + (1 − 0,9)(155)
9 𝐹2 = 139,5 + 15,5
𝐹2 = 1𝟓𝟓
2. Hasil Peramalan Periode Maret 2021 (F3) 𝐹3 = α 𝑋2 + (1 − 𝛼) 𝐹2
𝐹3 = 0,9 (162) + (1 − 0,9)(155) 𝐹2 = 145.8 + 15,5
𝐹2 = 161, 𝟑
3. Hasil Peramalan Periode April 2021 (F4) 𝐹4 = α 𝑋3 + (1 − 𝛼) 𝐹3
𝐹4 = 0,9 (187) + (1 − 0,9)(161,3) 𝐹4 = 168.3 + 16.13
𝑭𝟒= 𝟏𝟖𝟒, 𝟒𝟑 4. Hasil Peramalan Periode Mei 2021 (F5)
𝐹5 = α 𝑋4 + (𝟏 − 𝜶) 𝑭𝟒
𝑭𝟓= 𝟎, 𝟗 (𝟏𝟕𝟔) + (𝟏 − 𝟎, 𝟗)(𝟏𝟖𝟒, 𝟒𝟑𝟎) 𝑭𝟓= 𝟏𝟓𝟖. 𝟒 + 𝟏𝟖. 𝟒𝟒𝟑
𝑭𝟓= 𝟏𝟕𝟔, 𝟒𝟖𝟑 5. Hasil Peramalan Periode Juni 2021 (F6)
𝐹6 = α 𝑋5 + (𝟏 − 𝜶) 𝑭𝟓
𝑭𝟔= 𝟎, 𝟗 (𝟏𝟔𝟎) + (𝟏 − 𝟎, 𝟗)(𝟏𝟕𝟔, 𝟒𝟖𝟑) 𝑭𝟔= 𝟏𝟒𝟒. 𝟎 + 𝟏𝟕. 𝟔𝟒𝟖𝟑
𝑭𝟔= 𝟏𝟔𝟏, 𝟔𝟖𝟒 6. Hasil Peramalan Periode Juli 2021 (F7)
𝐹7 = α 𝑋6 + (𝟏 − 𝜶) 𝑭𝟔
𝑭𝟕= 𝟎, 𝟗 (𝟏𝟖𝟗) + (𝟏 − 𝟎, 𝟗)(𝟏𝟔𝟏, 𝟔𝟖𝟒) 𝑭𝟕= 𝟏𝟕𝟎. 𝟏 + 𝟏𝟔. 𝟏𝟔𝟖𝟒
𝑭𝟕= 𝟏𝟖𝟔, 𝟐𝟔𝟖
7. Hasil Peramalan Periode Agustus 2021 (F8) 𝐹8 = α 𝑋7 + (𝟏 − 𝜶) 𝑭𝟕
𝑭𝟖= 𝟎, 𝟗 (𝟏𝟖𝟗) + (𝟏 − 𝟎, 𝟗)(𝟏𝟖𝟔, 𝟐𝟔𝟖) 𝑭𝟖= 𝟏𝟕𝟎. 𝟏 + 𝟏𝟖. 𝟔𝟐𝟔𝟖
𝑭𝟖= 𝟏𝟖𝟖, 𝟕𝟐𝟕
8. Hasil Peramalan Periode September 2021 (F9) 𝐹9 = α 𝑿𝟖 + (𝟏 − 𝜶) 𝑭𝟖
𝑭𝟗= 𝟎, 𝟗 (𝟏𝟖𝟗) + (𝟏 − 𝟎, 𝟗)(𝟏𝟖𝟖, 𝟕𝟐𝟕) 𝑭𝟗= 𝟏𝟕𝟎. 𝟏 + 𝟏𝟖. 𝟖𝟕𝟐𝟕
𝑭𝟗= 𝟏𝟖𝟖, 𝟗𝟕𝟑
9. Hasil Peramalan Periode Oktober 2021 (F10) 𝐹10= α 𝑋9 + (𝟏 − 𝜶) 𝑭𝟗
𝑭𝟏𝟎= 𝟎, 𝟗 (𝟏𝟖𝟗) + (𝟏 − 𝟎, 𝟗)(𝟏𝟖𝟖, 𝟗𝟕𝟑) 𝑭𝟏𝟎= 𝟏𝟕𝟎. 𝟏 + 𝟏𝟖. 𝟖𝟗𝟕𝟑
𝑭𝟏𝟎= 𝟏𝟖𝟖, 𝟗𝟗𝟕
10 10. Hasil Peramalan Periode November 2021 (F11)
𝐹11= α 𝑋10 + (𝟏 − 𝜶) 𝑭𝟏𝟎
𝑭𝟏𝟏= 𝟎, 𝟗 (𝟏𝟔𝟕) + (𝟏 − 𝟎, 𝟗)(𝟏𝟖𝟖, 𝟗𝟗𝟕) 𝑭𝟏𝟏= 𝟏𝟓𝟎. 𝟑 + 𝟏𝟖. 𝟖𝟗𝟗𝟕
𝑭𝟏𝟏= 𝟏𝟔𝟗, 𝟐𝟎𝟎
11. Hasil Peramalan Periode Desember 2021 (F12) 𝐹12= 𝛼 𝑋11 + (𝟏 − 𝜶) 𝑭𝟏𝟏
𝑭𝟏𝟐= 𝟎, 𝟗 (𝟏𝟓𝟏) + (𝟏 − 𝟎, 𝟗)(𝟏𝟔𝟗, 𝟐𝟎𝟎) 𝑭𝟏𝟐= 𝟏𝟑𝟓. 𝟗 + 𝟏𝟔. 𝟗𝟐
𝑭𝟏𝟐= 𝟏𝟓𝟐, 𝟖𝟐𝟎
12. Hasil Peramalan Periode Januari 2022 (F13) 𝐹13= α 𝑋12 + (𝟏 − 𝜶) 𝑭𝟏𝟐
𝑭𝟏𝟑= 𝟎, 𝟗 (𝟏𝟓𝟏) + (𝟏 − 𝟎, 𝟗)(𝟏𝟓𝟐, 𝟖𝟐𝟎) 𝑭𝟏𝟑= 𝟏𝟑𝟓. 𝟗 + 𝟏𝟓. 𝟐𝟖𝟐
𝑭𝟏𝟑= 𝟏𝟓𝟏. 𝟏𝟖𝟐
Hasil peramalan jenis barang Filter untuk periode Januari 2022 adalah 151,182.
Jenis barang lainnya dapat dihitung menggunakan tahapan yang sama seperti sebelumnya.
c. Dasain Sistem
Use case diagram menggambarkan aktor-aktor yang terlibat serta menggambarkan secara umum interaksi yang dapat dilakukan oleh semua aktor. Use case diagram dapat dilihat pada gambar 1.
Gambar 1 Use Case Diagram
11 d. Implementasi Sistem
Tahap implementasi adalah tahap menerapkan semua perancangan sistem berdasarkan analisa kebutuhan sistem kedalam pembuatan program.
1. Halaman awal
Halaman awal adalah halaman pertama yang tampil pada sistem. Halaman ini menampilkan aksi/kegiatan apa yang akan dilakukan oleh aktor yang dapat dilihat pada gambar 2.
Gambar 2 Tampilan Halaman Awal 2. Tampilan Login Admin
Admin dapat mengakses sistem apabila admin sudah melakukan login. Sebelum masuk ke menu utama admin, admin harus mengisi form login terlebih dahulu dengan memasukkan username dan password. Form login admin dapat dilihat pada gambar 3.
Gambar 3 Tampilan Halaman Login Admin
12 3. Tampilan Jenis Barang
Halaman ini berguna untuk mengelola data jenis barang oleh admin dengan mengisi form yang telah disediakan. Tampilan data jenis barang dapat dilihat pada gambar 4.
Gambar 4 Tampilan Halaman Jenis Barang 4. Tampilan Periode Barang
Menu data periode barang menampilkan keseluruhan data periode barang yang telah tersimpan dalam database, selain itu terdapat beberapa fungsi yang dapat dilakukan oleh admin yaitu menghapus data periode, melakukan input data periode dan mengedit data. Tampilan halaman menu data periode barang dapat dilihat pada gambar 5.
Gambar 5 Tampilan Halaman Periode Barang
13 KESIMPULAN
Berdasarkan penelitian yang sudah dilakukan, maka dapat menghasilkan beberapa kesimpulansebagai berikut :
1. Metode Single Exponential Smoothing dapat diterapkan dalam pengendalian persediaan stok suku cadang pada PT. Pandawa Perkasa Surya dengan menggunakan nilai alpha yang memiliki nilai MAPE terkecil.
2. Sistem yang dibangun menggunakan Metode Single Exponential Smoothing menghasilkan peramalan stok suku cadang periode Januari 2022 untuk setiap jenis barang masing masing adalah Filter = 151,182 , Seal = 59.57 , Oring = 81,81 , Engine = 49,16, Fuel System = 42,15 , Undercarriage = 182,2 , Dinamo = 3.999, Bolt = 383,3 , dan Hose = 346,3.
3. Akurasi hasil prediksi sistem pengendalian persediaan pada PT. Pandawa Perkasa Surya dengan mennggunakan metode single exponential smoothing memiliki nilai MAPE senilai 9.60%.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Roni Salambue, S.Kom., M.Si.
yang telah membimbing, memotivasi, dan membantu penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Fachrurrazi, S. (2015). Peramalan Penjualan Obat Menggunakan Metode Single Exponential Smoothing Pada Toko Obat Bintang Geurugok. Techsi E-Journal, Vol.6 No.1, 23–24.
Indrasari, L. D. (2020). Penerapan Single Exponential Smoothing (SES) Dalam Perhitungan Jumlah Permintaan Air Mineral Pada Pt. Akasha Wira International.
Jati Unik : Jurnal Ilmiah Teknik Dan Manajemen Industri, 3(2), 87.
