RANCANG BANGUN APLIKASI PENGENDALIAN
PERSEDIAAN BAHAN BAKU PADA UD CHANDRA GROUP
TUGAS AKHIR
Program Studi
S1 Sistem Informasi
Oleh:
BEBY MUTIARA ISLAMI
10.41011.0034
FAKULTAS TEKNOLOGI DAN INFORMATIKA
TUGAS AKHIR
Diajukan sebagai salah satu syarat untuk menyelesaikan Program Sarjana
Oleh :
Nama : Beby Mutiara Islami NIM : 10.41011.0034 Program : S1 (Strata Satu) Jurusan : Sistem Informasi
FAKULTAS TEKNOLOGI DAN INFORMATIKA
INSTITUT BISNIS DAN INFORMATIKA STIKOM SURABAYA
x
ABSTRAK ... vii
KATA PENGANTAR ... viii
DAFTAR ISI ... x
DAFTAR GAMBAR ... xii
DAFTAR TABEL ... xvi
DAFTAR LAMPIRAN ... xix
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Perumusan Masalah ... 4
1.3 Pembatasan Masalah ... 5
1.4 Tujuan ... 5
1.5 Manfaat ... 6
1.5 Sistematika Penulisan ... 7
BAB II. LANDASAN TEORI ... 9
2.1 Persediaan dan Pengendalian Persediaan ... 9
2.2 Fungsi Persediaan ... 10
2.3 Make To Stock ... 12
2.4 Peramalan atau Forecasting ... 12
2.5 Metode Single Exponential Smoothing (SES)... 18
2.6 Metode Double Exponential Smoothing (HOLT) ... 19
2.7 Metode Triple Exponential Smoothing (WINTER) ... 20
xi
2.10 Desain ... 24
2.11 System Development Life Cycle ... 28
2.12 Pengujian Black Box ... 31
BAB III. ANALISIS DAN PERANCANGAN SISTEM ... 34
3.1 Analisis Sistem ... 34
3.2 Perancangan Sistem ... 38
3.3 Perancangan Desain Input Output ... 70
3.4 Desain Uji Coba ... 81
BAB IV. IMPLEMENTASI DAN EVALUASI ... 87
4.1 Implementasi dan Kebutuhan Sistem ... 87
4.2 Implementasi Sistem ... 88
4.3 Uji Coba Sistem ... 97
4.4 Evaluasi Sistem ... 116
BAB V. PENUTUP ... 119
5.1 Kesimpulan ... 119
5.2 Saran ... 119
DAFTAR PUSTAKA ... 121
xii
Gambar 1.1 Grafik Penjualan ... 4
Gambar 2.1. Pola Data ... 18
Gambar 2.2 Hubungan One-to-one ... 27
Gambar 2.3 Hubungan One–to-many ... 27
Gambar 2.4 Hubungan Many–to-one ... 28
Gambar 2.5 Hubungan Many–to-many ... 28
Gambar 2.6 System Development Life Cycle (SDLC) Model Waterfall ... 29
Gambar 3.1 Block Diagram Pengendalian Persediaan Bahan Baku ... 39
Gambar 3.2 Flowchart Metode Single Exponential Smoothing (SES) ... 42
Gambar 3.3 Flowchart Perhitungan Nilai Error Metode Single Exponential Smoothing (SES) ... 43
Gambar 3.4 Flowchart Metode Double Exponential Smoothing (HOLT)... 44
Gambar 3.5 Flowchart Perhitungan Nilai Error Metode Double Exponential Smoothing (HOLT) ... 45
Gambar 3.6 Flowchart Metode Trilple Exponential Smoothing (WINTER) ... 46
Gambar 3.7 Flowchart Perhitungan Nilai Error Metode Triple Exponential Smoothing (WINTER) ... 47
Gambar 3.8 Document Flow Pengecekan Persediaan Bahan Baku ... 48
Gambar 3.9 Document Flow Proses Produksi ... 50
Gambar 3.10 System Flow Perhitungan Peramalan ... 52
Gambar 3.11 System Flow Perhitungan Peramalan Metode SES ... 54
Gambar 3.12 System Flow Perhitungan Peramalan Metode HOLT ... 55
xiii
Gambar 3.15 HIPO Aplikasi Pengendalian Persediaan Bahan Baku ... 61
Gambar 3.16 Context Diagram Pengendalian Persediaan Bahan Baku ... 62
Gambar 3.17 Data Flow Diagram Level 0 Pengendalian Persediaaan Bahan Baku ... 63
Gambar 3.18 Data Flow Diagram Level 1 Pengendalian Persediaaan Bahan Baku... ... 64
Gambar 3.19 Conceptual Data Model Aplikasi Pengendalian Persediaan Bahan Baku ... 65
Gambar 3.20 Physical Data Model Aplikasi Pengendalian Persediaan Bahan Baku ... 66
Gambar 3.21 Form Login ... 70
Gambar 3.22 Form Menu Utama ... 71
Gambar 3.23 Form User ... 71
Gambar 3.24 Form Permintaan Pelanggan Softcase 10” ... 72
Gambar 3.25 Form Permintaan Pelanggan Softcase 11,6” ... 73
Gambar 3.26 Form Permintaan Pelanggan Softcase 12” ... 74
Gambar 3.27 Form Permintaan Pelanggan Softcase 14” ... 75
Gambar 3.28 Form Bahan Baku ... 76
Gambar 3.29 Form Perhitungan Peramalan ... 77
Gambar 3.30 Form Reorder Point ... 78
Gambar 3.31 Laporan Hasil Peramalan ... 79
Gambar 3.32 Laporan Kebutuhan Bahan Baku ... 80
Gambar 3.33 Laporan Reorder Point ... 80
xiv
Gambar 4.3 Form User ... 89
Gambar 4.4 Form Permintaan Pelanggan Softcase 10” ... 90
Gambar 4.5 Form Permintaan Pelanggan Softcase 11,6” ... 91
Gambar 4.6 Form Permintaan Pelanggan Softcase 12” ... 91
Gambar 4.7 Form Permintaan Pelanggan Softcase 14” ... 92
Gambar 4.8 Form Bahan Baku ... 93
Gambar 4.9 Form Perhitungan Peramalan ... 94
Gambar 4.10 Form Reorder Point (ROP) ... 94
Gambar 4.11 Form Cari Bahan Baku ... 95
Gambar 4.12 Form Laporan Hasil Peramalan ... 95
Gambar 4.13 Form Laporan Kebutuhan Bahan Baku ... 96
Gambar 4.14 Form Laporan Reorder Point (ROP) ... 96
Gambar 4.15 Hasil Login Sukses ... 97
Gambar 4.16 Hasil Simpan Data User Sukses ... 98
Gambar 4.17 Hasil Ubah Data User Sukses ... 98
Gambar 4.18 Hasil Hapus Data User Sukses ... 99
Gambar 4.19 Hasil Simpan Data Permintaan Pelanggan Sukses... 100
Gambar 4.20 Hasil Ubah Data Permintaan Pelanggan Sukses ... 100
Gambar 4.21 Hasil Hapus Data Permintaan Pelanggan Sukses ... 101
Gambar 4.22 Hasil Simpan Data Bahan Baku Sukses... 102
Gambar 4.23 Hasil Ubah Data Bahan Baku Sukses ... 102
xv
Gambar 4.26 Hasil Pemilihan Metode Peramalan Softcase 10” ... 105
Gambar 4.27 Hasil Perhitungan Peramalan Tiga Metode Softcase 11,6”... 106
Gambar 4.28 Hasil Pemilihan Metode Peramalan Softcase 11,6” ... 106
Gambar 4.29 Hasil Perhitungan Peramalan Tiga Metode Softcase 12”... 108
Gambar 4.30 Hasil Pemilihan Metode Peramalan Softcase 12” ... 108
Gambar 4.31 Hasil Perhitungan Peramalan Tiga Metode Softcase 14”... 110
Gambar 4.32 Hasil Pemilihan Metode Peramalan Softcase 14” ... 110
Gambar 4.33 Hasil Cari Bahan Baku ... 111
Gambar 4.34 Hasil Perhitungan Reorder Point (ROP). ... 112
Gambar 4.35 Hasil Simpan Reorder Point (ROP) Sukses ... 112
Gambar 4.36 Hasil Ubah Reorder Point (ROP) Sukses ... 113
Gambar 4.37 Hasil Hapus Reorder Point (ROP) Sukses ... 113
Gambar 4.38 Hasil Laporan Hasil Peramalan ... 114
Gambar 4.39 Hasil Laporan Kebutuhan Bahan Baku ... 115
xvi
Tabel 2.1 Flow Direction Symbols ... 24
Tabel 2.2 Processing Symbol ... 25
Tabel 2.3 Input / Output Symbol ... 25
Tabel 2.4 Data Flow Diagram Symbol ... 26
Tabel 3.1 Penjelasan Document Flow Pengecekan Persediaan Bahan Baku ... 49
Tabel 3.2 Penjelasan Document Flow Proses Produksi ... 51
Tabel 3.3 Penjelasan SystemFlow Perhitungan Peramalan ... 53
Tabel 3.4 Penjelasan SystemFlow Perhitungan Peramalan Metode SES ... 54
Tabel 3.5 Penjelasan SystemFlow Perhitungan Peramalan Metode HOLT ... 56
Tabel 3.6 Penjelasan SystemFlow Perhitungan Peramalan Metode WINTER ... 58
Tabel 3.7 Penjelasan System Flow Perhitungan Reorder Point (ROP) ... 60
Tabel 3.8 User ... 66
Tabel 3.9 Data Permintaan Pelanggan ... 67
Tabel 3.10 Data Permintaan Pelanggan S10 ... 67
Tabel 3.11 Data Permintaan Pelanggan S11 ... 67
Tabel 3.12 Data Permintaan Pelanggan S12 ... 68
Tabel 3.13 Peramalan ... 68
Tabel 3.14 Hasil Peramalan ... 69
Tabel 3.15 Data Bahan Baku ... 69
Tabel 3.16 Data Kebutuhan Bahan Baku ... 69
xvii
Tabel 3.19 Uji Coba Form Menu Utama ... 81
Tabel 3.20 Uji Coba Form User ... 82
Tabel 3.21 Uji Coba Form Permintaan Pelanggan Softcase 10”... 83
Tabel 3.22 Uji Coba Form Permintaan Pelanggan Softcase 11,6”... 83
Tabel 3.23 Uji Coba Form Permintaan Pelanggan Softcase 12”... 84
Tabel 3.24 Uji Coba Form Permintaan Pelanggan Softcase 14”... 84
Tabel 3.25 Uji Coba Form Bahan Baku ... 85
Tabel 3.26 Uji Coba Form Peramalan ... 85
Tabel 3.27 Uji Coba Form Reorder Point ... 86
Tabel 4.1 Hasil Uji Coba Login ... 97
Tabel 4.2 Hasil Uji Coba Form User ... 97
Tabel 4.3 Hasil Uji Coba Form Permintaan Pelanggan ... 99
Tabel 4.4 Hasil Uji Coba Form Bahan Baku ... 101
Tabel 4.5 Hasil Uji Coba Form Perhitungan Peramalan Softcase 10” ... 103
Tabel 4.6 Hasil Uji Coba Form Perhitungan Peramalan Softcase 11,6” ... 105
Tabel 4.7 Hasil Uji Coba Form Perhitungan Peramalan Softcase 12” ... 107
Tabel 4.8 Hasil Uji Coba Form Perhitungan Peramalan Softcase 14” ... 108
Tabel 4.9 Hasil Uji Coba Form Reorder Point (ROP) ... 110
Tabel 4.10 Hasil Uji Coba Form Laporan Hasil Peramalan ... 114
Tabel 4.11 Hasil Uji Coba Form Laporan Kebutuhan Bahan Baku ... 114
Tabel 4.12 Hasil Uji Coba Form Laporan Reorder Point (ROP) ... 115
xviii
xix
Lampiran 1. Nota Order Barang ... 122
Lampiran 2. Laporan Peramalan Permintaan Pelanggan ... 123
Lampiran 3. Laporan Kebutuhan Bahan Baku ... 124
9
2.1 Persediaan dan Pengendalian Persediaan
Menurut (Herjanto, 2008), persediaan adalah bahan baku atau barang yang disimpan yang akan digunakan untuk proses memenuhi tujuan tertentu, misalnya untuk digunakan dalam proses produksi atau perakitan, untuk dijual kembali, atau untuk suku cadang dari suatu peralatan atau mesin. Persediaan dapat berupa bahan mentah, bahan pembantu, barang dalam proses, barang jadi ataupun suku cadang. Bisa dikatakan tidak ada perusahaan yang beroperasi tanpa persediaan, meskipun sebenarnya persediaan hanyalah suatu sumber dana yang menganggur, karena sebelum persediaan digunakan berarti dana yang terikat didalamnya tidak dapat digunakan untuk keperluan yang lain.
kekurangan bahan. Di pihak lain, bagian keuangan memilih untuk memiliki persediaan yang serendah mungkin agar dapat memperkecil investasi dalam persediaan dan biaya pergudangan.
Sistem pengendalian persediaan dapat didefinisikan sebagai serangkaian kebijakan pengendalian untuk menentukan tingkat persediaan yang harus dijaga, kapan pesanan untuk menambah persediaan harus dilakukan dan berapa besar pesanan harus diadakan. Sistem ini menentukan dan menjamin tersedianya persediaan yang tepat dalam kuantitas dan waktu yang tepat.
Mengendalikan persediaan yang tepat bukan hal yang mudah. Apabila jumlah persediaan terlalu besar mengakibatkan timbulnya dana menganggur yang besar (yang tertanam dalam persediaan), meningkatnya biaya penyimpanan, dan resiko kerusakan barang yang lebih besar. Namun, jika persediaan terlalu sedikit mengakibatkan resiko terjadinya kekurangan persediaan (stockout) karena seringkali bahan/barang tidak dapat didatangkan secara mendadak dan sebesar yang dibutuhkan yang menyebabkan terhentinya proses produksi, tertundanya penjualan, bahkan hilangnya pelanggan. Oleh karena itu pengendalian persediaan harus dilakukan sedemikian rupa agar dapat melayani kebutuhan bahan/barang dengan tepat dan dengan biaya rendah.
2.2 Fungsi Persediaan
Menurut (Herjanto, 2008), beberapa fungsi penting persediaan dalam memenuhi kebutuhan perusahaan, sebagai berikut :
2. Menghilangkan resiko jika material yang dipesan tidak baik sehingga harus dikembalikan.
3. Menghilangkan resiko terhadap kenaikan harga barang atau inflasi.
4. Untuk menyimpan bahan baku yang dihasilkan secara musiman sehingga perusahaan tidak akan kesulitan jika bahan baku itu tidak tersedia di pasaran.
5. Mendapatkan keuntungan dari pembelian berdasarkan diskon kuantitas. 6. Memberikan pelayanan kepada pelanggan dengan tersedianya barang yang
diperlukan.
Persediaan dikelompokan ke dalam empat jenis, yaitu :
1. Fluctuation Stock, merupakan persediaan yang dimaksudkan untuk
menjaga terjadinya fluktuasi permintaan yang tidak diperkirakan sebelumnya, dan untuk mengatasi bila terjadi kesalahan/penyimpangan dalam perkiraan penjualan, waktu produksi, atau pengiriman barang.
2. Anticipation Stock, merupakan persediaan untuk menghadapi permintaan
yang dapat diramalkan, misalnya pada musim permintaan tinggi, tetapi kapasitas produksi pada saat itu tidak mampu memenuhi permintaan. Persediaan ini juga dimaksudkan untuk menjaga kemungkinan sukarnya diperoleh bahan baku sehingga tidak mengakibatkan terhentinya produksi.
3. Lot-size Inventory, merupakan persediaan yang diadakan dalam jumlah
4. Pipeline Inventory, merupakan persediaan yang dalam proses pengiriman
dari tempat asal ke tempat dimana barang itu akan digunakan. Misalnya, barang yang dikirim dari pabrik menuju tempat penjualan, yang dapat memakan waktu beberapa hari atau minggu.
2.3 Make to Stock
Menurut (Gasperz, 2002), perusahaan yang memilih strategi make to stock akan memiliki inventory yang terdiri dari produk akhir (finished product) untuk dapat dikirim dengan segera apabila ada permintaan dari pelanggan. Dalam strategi make to stock, siklus waktu dimulai ketika produsen menspesifikasikan produk, memperoleh bahan baku, dan memproduksi produk akhir untuk disimpan dalam stock, produsen akan mengambil produk itu dari stock dan mengirimkannya kepada pemesan.
Perusahaan yang menggunakan strategi make to stock memiliki resiko yang tinggi berkaitan dengan investasi inventory, karena pesanan pelanggan secara aktual tidak dapat diidentifikasi secara tepat dalam proses produksi. Permintaan aktual dari pelanggan hanya dapat diramalkan, dimana seringkali tingkat aktual dari produksi hanya berkolerasi rendah dengan pesanan pelanggan aktual yang diterima.
2.4 Peramalan atau Forecasting
Menurut (Santoso, 2009), definisi peramalan atau forecasting sendiri sebenarnya beragam, berikut beberapa definisinya :
a. Perkiraan munculnya sebuah kejadian di masa depan, berdasarkan data yang ada di masa lampau.
c. Proses estimasi dalam situasi yang tidak diketahui. d. Pernyataan yang dibuat tentang masa depan.
e. Penggunaan ilmu dan teknologi untuk memperkirakan situasi di masa depan. f. Upaya sistematis untuk mengatisipasi kejadian atau kondisi di masa depan.
Dari beberapa definisi di atas, dapat disimpulkan bahwa peramalan/forecasting berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis.
Rentang waktu kegiatan peramalan sangat bervariasi. Ada yang melakukan peramalan secara rutin, seperti prediksi persediaan barang untuk item-item barang yang secara kontinyu dibeli dan disimpan, dalam hal ini peramalan dilakukan dalam jangka pendek dapat bulanan, mingguan bahkan harian. Namun
ada pula peramalan yang mempunyai rentang waktu lama sampai bertahun– tahun. Peramalan atau forecasting dari sudut horison waktu dapat dibagi menjadi :
1. Jangka Pendek (Short Term)
Jangka pendek meliputi kurun waktu mulai dari satu hari sampai satu musim atau dapat sampai satu tahun. Oleh karena itu waktu peramalan sangat singkat, maka data historis (terdahulu) masih relevan untuk dijadikan bahan pembuatan prediksi. Contoh kegiatan peramalan dalam jangka pendek adalah penentuan pemesanan kembali persediaan barang (Reorder Point) atau dalam kegiatan pengelolaan kas.
2. Jangka Menengah (Medium Term)
masih menggunakan metode kuantitatif dan kualitatif, karena data historis masa lalu dianggap masih cukup relevan untuk memprediksi masa datang. Contoh kegiatan peramalan dalam jangka waktu menengah adalah perencanaan kapasitas produksi atau perencanaan penjualan produk dalam satu atau dua tahun ke depan.
3. Jangka Panjang (Long Term)
Jangka panjang meliputi peralaman untuk kurun waktu lima tahun. Kegiatan peramalan jangka panjang pada umumnya berdasarkan pada intuisi dan pengalaman seseorang, walaupun banyak pula perusahaan yang tetap menggunakan data historis dan kuantitatif untuk melakukan peramalan yang bersifat long term. Contoh kegiatan peramalan jangka panjang adalah kegiatan penelitian dan pengembangan (R&D), perencanaan lokasi pabrik atau perencanaan pembuatan pabrik baru.
2.4.1 Tahapan Peramalan atau Forecasting
Menurut (Santoso, 2009), agar hasil peramalan dapat secara efektif menjawab masalah yang ada, kegiatan forecasting sebaiknya mengikuti tahapan berikut ini:
a. Perumusan masalah dan pengumpulan data
b. Persiapan data
Setelah masalah dirumuskan dan data telah terkumpul, tahap selanjutnya adalah menyiapkan data hingga dapat diproses dengan benar.
c. Membangun model
Setelah data dianggap memadai dan siap dilakukan kegiatan prediksi, proses selanjutnya adalah memilih (model) metode yang tepat untuk melakukan
forecasting pada data tersebut.
d. Implementasi model
Setelah metode peramalan ditetapkan, maka model dapat diterapkan pada data dan dapat dilakukan prediksi pada data untuk beberapa periode ke depan. e. Evaluasi forecasting
Hasil forecasting yang telah ada kemudian dibandingkan dengan data aktual. Tentu saja tidak ada metode peramalan yang dapat memprediksi data di masa depan secara tepat, yang ada adalah ketepatan prediksi. Untuk itu pengukuran kesalahan forecasting dilakukan untuk melihat apakah metode yang telah digunakan sudah memadai untuk memprediksi sebuah data.
2.4.2 Jenis Data pada Kegiatan Peramalan
namun karena bentuk datanya tidak memungkinkan diolah dengan metode kuantitatif. Jenis data lain adalah data kuantitatif yakni data berupa angka. Data ini dibagi menjadi dua bagian yakni :
1. Data time series
Data time series adalah data yang ditampilkan berdasarkan waktu, seperti data bulanan, data harian, data mingguan atau jenis waktu yang lain. Contoh data penjualan bulanan sepeda motor di daerah A dari tahun 2000–2007.
2. Data cross–sectional
Data cross–sectional adalah data yang tidak berdasarkan waktu tertentu, namun
data pada satu (titik) waktu tertentu. Contoh data biaya promosi di sepuluh area pemasaran produk X selama bulan Januari 2008.
2.4.3 Model Data pada Kegiatan Peramalan
Menurut (Santoso, 2009), model data pada kegiatan peramalan meliputi: 1. Data stasioner
Adalah data dimana rata–rata nilainya tidak berubah dari waktu ke waktu atau dapat dikatakan data bersifat stabil. Jika data stasioner dengan ciri rata–rata nilai data adalah sama maka peramalan nilai mendatang adalah melihat rata-ratanya. Berikut ini beberapa metode yang dapat dilakukan untuk prediksi dengan data berpola stasioner:
a. Naive Methods.
b. Simple Averaging Methods.
c. Moving Averages.
2. Data tidak stasioner
Adalah data yang didapati adanya trend atau pola seasonal (pengaruh musim). Berikut ini metode yang digunakan untuk data yang tidak stasioner:
a. Data dengan adanya pola trend.
Trend ditandai dengan adanya kecenderungan arah data bergerak menaik
(growth), atau menurun (decline) pada jangka panjang. Metode forecasting pada situasi ini adalah metode Double Exponential Smoothing (BROWN),
Exponential Smoothing Holt, regresi sederhana, ARIMA (metode Box-Jenkins).
b. Data dengan adanya pengaruh seasonal.
Seasonal ditandai dengan adanya pola perubahan yang berulang secara
otomatis dari tahun ke tahun. Contoh seasonal permintaan buku saat siswa mulai masuk sekolah, permintaan payung saat musim hujan, produksi buah– buahan menurut musimnya dan lainnya. Metode forecasting dengan adanya pola seasonal adalah dekomposisi data, Exponential Smoothing Winters dan
ARIMA.
c. Data dengan adanya pengaruh siklis
.
Gambar 2.1 Pola Data
(Sumber: Metode dan Aplikasi peramalan, Makridakis, S)
2.5 Metode Single Exponential Smoothing (SES)
Menurut (Arsyad, 2001), Exponential Smoothing adalah suatu prosedur yang mengulang perhitungan secara terus–menerus dengan menggunakan data terbaru. Teknik ini banyak dipergunakan bila peramalan bulanan atau mingguan diperlukan untuk barang-barang dalam jumlah besar. Secara sederhana pemulusan eksponensia α alpha
α fu
faktor penimbang. Secara matematis, persamaan pemulusan eksponensial dapat dilihat pada persamaan (2.1).
Dimana :
= nilai ramalan untuk periode berikutnya
α o p u u 0 < α <
Yt = data baru atau nilai Y yang sebenarnya pada periode t
= nilai pemulusan yang lama atau rata–rata yang dimuluskan hingga periode t-1
2.6 Metode Double Exponential Smoothing (HOLT)
Menurut (Arsyad, 2001), Double exponential smoothing (HOLT) memperhalus trend dan slopenya secara langsung dengan menggunakan konstanta–konstanta pemulusan yang berbeda. Tiga persamaan yang digunakan dalam teknik ini adalah sebagai berikut:
1. Rangkaian pemulusan secara eksponensial
α + (1 –α )...(2.2) 2. Estimasi trend
...(2.3)
3. Ramalan pada periode p
̂ ...(2.4)
Dimana :
= nilai baru yang telah dimuluskan
α = konstanta pemulusan untuk data (0 α 1)
= periode yang diramalkan
̂ = nilai ramalan pada periode p
2.7 Metode Triple Exponential Smoothing (WINTER)
Menurut (Makridakis, Wheelwright, & McGee, 1999), Metode WINTER didasarkan atas tiga persamaan persamaan yaitu satu untuk unsur stasioner, satu untuk trend, dan satu untuk musiman. Hal ini serupa dengan metode HOLT, dengan satu persamaan tambahan untuk mengatasi musiman.
Menurut (Arsyad, 2001), model linear tiga parameter dan pemulusan eksponensial musiman WINTER mungkin dapat mengurangi kesalahan peramalan. Suatu persamaan tambahan digunakan untuk mengestimasi adanya pengaruh faktor musim. Estimasi tersebut dinyatakan dalam suatu indeks musiman dan dihitung dengan persamaan 2.7. Alasan mengapa dibagi dengan adalah untuk menyatakan nilainya sebagai suatu indeks, supaya dapat dihitung rata– ratanya dengan indeks musiman yang dihaluskan sampai periode t-1. Keempat persamaan yang digunakan dalam Metode WINTER adalah sebagai berikut : 1. Pemulusan eksponensial
+ (1- )( + )...(2.5)
2. Estimasi trend
= ( + ) + (1- ) ...(2.6) 3. Estimasi musiman
...(2.7)
4. Ramalan pada periode p di masa datang
Dimana :
= nilai pemulusan yang baru
= konstanta pemulusan untuk data (0 α 1)
= data yang baru atau yang sebenarnya pada periode t = konstanta pemulusan untuk estimasi trend (0 1) = estimasi trend
= konstanta pemulusan untuk estimasi musiman(0 1) = estimasi musiman
= periode yang diramalkan = panjangnya musim
̂ = ramalan pada periode p
2.8 Pengukuran Kesalahan Peramalan
Menurut (Arsyad, 2001), Berikut ini cara-cara untuk mengevaluasi teknik peramalan :
a. Mean Absolute Deviation (MAD)
Simpangan absolut rata–rata atau mean absolute deviation (MAD) adalah mengukur akurasi peramalan dengan merata–ratakan kesalahan peramalan (nilai absolutnya). Berikut rumus dari mean absolute deviation :
MAD =∑ ̂ ...(2.9)
Dimana :
n : periode
: nilai sebenarnya pada periode t
b. Mean Squared Error (MSE)
Mean squared error mengukur setiap kesalahan atau residual dikuadratkan
kemudian dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini menghukum suatu kesalahan peramalan yang besar dikuadratkan. Berikut rumus dari mean squared error :
MSE = ∑ ̂ ...(2.10)
Dimana :
n : periode
: nilai sebenarnya pada periode t
̂ : nilai peramalan pada periode t
c. Mean Absolute Percentage (MAPE)
Mean absolute percentage error (MAPE) dihitung dengan menemukan
kesalahan absolut setiap periode kemudian membaginya dengan nilai observasi pada periode tersebut dan akhirnya merata–ratakan persentase absolut ini. Berikut rumus dari Mean absolute percentage error :
MAPE =
∑ | ̂ |
...(2.11)
Dimana :
n : periode
: nilai sebenarnya pada periode t
d. Mean Percentage Error (MPE)
MPE dihitung dengan cara menemukan kesalahan setiap periode, kemudian
membaginya dengan nilai sebenarnya pada periode tersebut dan kemudian merata–ratakan persentase kesalahan tersebut. Berikut rumus dari mean
percentage error :
MPE =
∑ ̂
...(2.12) Dimana :
n : periode
: nilai sebenarnya pada periode t
̂ : nilai peramalan pada periode t
2.9 Reorder Point (ROP)
Menurut (Rangkuti, 2007), Reorder point (ROP) terjadi apabila jumlah persediaan yang terdapat dalam stok berkurang terus. Dengan demikian kita harus menentukan berapa banyak batas minimal tingkat persediaan yang harus dipertimbangkan sehingga tidak terjadi kekurangan persediaan. Jumlah yang diharapkan tersebut dihitung selama masa tenggang. Mungkin dapat juga ditambahkan dengan safety stock yang biasanya mengacu pada probabilitas atau kemungkinan terjadinya kekurangan stok selama masa tenggang. ROP atau biasa disebut dengan batas/titik jumlah pemesanan kembali termasuk permintaan yang diinginkan atau dibutuhkan selama masa tenggang misalnya suatu tambahan/ekstra stok. Berikut merupakan rumus dari Reorder Point (ROP) :
Dimana :
ROP = titik pemesanan ulang
d = tingkat kebutuhan per unit waktu L = waktu tenggang
SS = safety stock
2.10 Desain
Menurut (Jogiyanto, 2005), sebagai dasar identifikasi dapat digunakan dokumen sistem bagian alir formulir (paperwork flowchart atau form flowchart) bila dokumentasi ini dimiliki oleh perusahaan. Berikut merupakan simbol-simbol dalam sistem maupun data flow diagram.
2.10.1 Flowchart
a. Flow Direction Symbols
Tabel 2.1 Flow Direction Symbols Flow Penghubung antara prosedur atau proses.
Connector Simbol keluar dan masuk prosedur atau proses dalam halaman yang sama.
Off-Line Connector
b. Processing Symbols
Tabel 2.2 Processing Symbol
Process Penghubung antara prosedur atau proses.
Decision Untuk menyatakan suatu tindakan (proses) yang tidak dilakukan komputer.
Preparation Untuk menyatakan penyediaan tempat penyimpanan suatu pengolahan untuk memberi harga awal.
Terminal Untuk menyatakan permulaan atau akhir suatu program.
Manual-input Memasukkan data secara manual dengan menggunakan online keyboard.
manual Untuk menyatakan suatu tindakan yang tidak dilakukan oleh komputer.
offline-storage Untuk menunjukkan bahwa data dalam simbol ini akan disimpan ke suatu media tertentu.
c. Input / Output Symbols
Tabel 2.3 Input / Output Symbol
2.10.3 Entity Relationship Diagram
Entity relationalship diagram dibagi menjadi dua model yaitu :
a. Conceptual data model (CDM)
Merupakan jenis model data yang menggambarkan hubungan antar tabel secara konseptual.
b. Physical data model (PDM)
Merupakan jenis model data yang menggambarkan hubungan antar tabel secara fisikal.
Ada empat jenis relasi dalam ERD antara lain :
a. Relasi one-to-one (1:1) menyatakan bahwa setiap entitas pada tiap entitas A paling banyak berpasangan dengan satu entitas pada tipe entitas B.
Gambar 2.2 Hubungan One-to-one
b. Relasi one-to-many (1:M) menyatakan bahwa setiap entitas pada tipe entitas A bisa berpasangan dengan banyak entitas pasa tipe entitas B, sedangkan setiap entitas pada B hanya berpasangan dengan satu entitas pada entitas B.
Gambar 2.3 Hubungan One-to-many
Entity_1 Entity_2
Relationship_1
Entity_1 Entity_2
c. Relasi many-to-one (M:1) menyatakan bahwa setiap entitas pada tipe entitas A paling banyak berpasangan dengan satu entitas pada tipe entitas B dan setiap entitas B bisa berpasangan dengan banyak entitas pada tipe entitas A.
Gambar 2.4 Hubungan Many-to-one
d. Relasi many-to-many (M:M) menyatakan bahwa setiap entitas pasa suatu tipe entitas A bisa berpasangan dengan banyak entitas pada entitas B dan sebaliknya.
Gambar 2.5 Hubungan Many-to-many
2.11 System Development Life Cycle
Menurut (Presman, 2007), model system development life cycle (SDLC) ini biasa disebut juga dengan model waterfall atau disebut juga classic life cycle. Tahapan–tahapannya adalah requirement (analisis sistem), analysis (analisis kebutuhan sistem), design (perancangan), coding (implementasi), testing (pengujian) dan maintenance (perawatan). Model ini memungkinkan proses pengembangan lebih terlihat pada gambar 2.6.
Entity_1 Entity_2
Relationship_1
Entity_1 Entity_2
Requierement (Analisis Kebutuhan Sistem)
Design (Perancangan)
Implementasi (Coding)
Testing (Pengujian)
Maintenance (Perawatan)
Gambar 2.6 System Development Life Cycle (SDLC) Model Waterfall
Dibawah ini merupakan penjelasan dari system development life cycle (SDLC) model waterfall.
a. Requirement
Pada tahap ini dilakukan analisa untuk mengetahui kebutuhan yang akan dibutuhkan. Kebutuhan itu sendiri dibedakan menjadi tiga jenis yaitu kebutuhan teknologi, kebutuhan informasi dan kebutuhan user. Kebutuhan teknologi dilakukan untuk menganalisa kebutuhan teknologi yang diperlukan dalam pengembangan suatu sistem. Kebutuhan informasi misalnya seperti informasi mengenai visi dan misi perusahaan, sejarah perusahaan, latar belakang perusahaan. Kebutuhan user untuk menganalisa terkait kebutuhan
user dan kategori user. Analisa biaya dan resiko dalam tahap ini
diperhitungkan biaya yang akan dikeluarkan seperti biaya implementasi,
b. Design
Dari hasil analisa kebutuhan sistem tersebut akan dibuat sebuah design
database, DFD, ERD, user interface dan jaringan yang dibutuhkan untuk
sistem. Selain itu juga dilakukan perancangan struktur data, arsitektur perangkat lunak, detil prosedur dan karakteristik tampilan yang akan disajikan.
c. Implementation
Tahap ini merupakan tahap yang mengkonversi hasil perancangan sebelumnya ke dalam sebuah bahasa pemograman yang dimengerti oleh komputer. Kemudian komputer akan menjalankan fungsi–fungsi yang telah didefinisikan sehingga mampu memberikan layanan kepada pengguna.
d. Testing
Tahap ini dilakukan untuk mengetahui kesesuaian sistem yang berjalan sesuai prosedur atau tidak dan memastikan sistem terhindar dari error yang terjadi.
Testing juga digunakan untuk memastikan kesesuaian dalam proses input,
e. Maintenance
Tahap ini merupakan tahap terakhir dalam model waterfall. Aplikasi yang sudah dibuat akan dilakukan pemeliharaan atau perawatan. Pemeliharaan atau perawatan tersebut termasuk dalam memperbaiki kesalahan–kesalahan yang terjadi yang tidak ditemukan pada langkah sebelumnya. Tahap terakhir ini tidak dilakukan karena merupakan batasan dari tugas akhir.
2.12 Pengujian Black Box
Menurut (Pressman, 2007), pengujian adalah proses eksekusi suatu program dengan maksud menemukan kesalahan. Teknik pengujian black box adalah yang paling lazim selama integrasi. Pengujian black box digunakan untuk memperlihatkan bahwa fungsi–fungsi perangkat lunak adalah operasional bahwa
input diterima dengan baik dan output dapat dihasilkan dengan tepat. Menurut
(Romeo, 2003), metode uji coba black box memfokuskan pada keperluan fungsional dari software. Karena itu uji coba black box memungkinkan pengembang software untuk membuat himpunan kondisi input yang akan melatih seluruh syarat-syarat fungsional suatu program.
Uji coba black box berusaha untuk menemukan kesalahan dalam beberapa kategori diantaranya:
1. Fungsi-fungsi yang salah atau hilang 2. Kesalahan interface
3. Kesalahan dalam struktur data atau akses database eksternal 4. Kesalahan performa
Tidak seperti metode white box yang dilaksanakan diawal proses, uji coba black box diaplikasikan dibeberapa tahapan berikutnya. Karena uji coba
black box dengan sengaja mengabaikan struktur kontrol, sehingga perhatiannya
difokuskan pada informasi domain. Uji coba desain untuk dapat menjawab pertanyaan berikut:
1. Bagaimana validitas fungsionalnya diuji ?
2. Jenis input seperti apa yang akan menghasilkan kasus uji yang baik ? 3. Apakah sistem secara khusus sensitif terhadap nilai input tertentu ? 4. Bagaimana batasan–batasan kelas data diisolasi ?
5. Berapa rasio data dan jumlah data yang dapat ditoleransi oleh sistem ?
6. Apa akibat yang akan timbul dari kombinasi spesifikasi data pada operasi sistem ?
Dengan mengaplikasikan uji coba black box, diharapkan dapat menghasilkan sekumpulan kasus uji yang memenuhi kriteria berikut:
1. Kasus uji yang berkurang jika jumlahnya lebih dari satu maka jumlah dari uji kasus tambahan harus didesain untuk mencapai uji coba yang cukup beralasan.
2. Kasus uji yang memberitahukan sesuatu tentang keberadaan atau tidaknya suatu jenis kesalahan, daripada kesalahan yang terhubung hanya dengan suatu uji coba spesifik.
Walaupun didesain untuk menemukan kesalahan, uji coba black box digunakan untuk mendemonstrasikan fungsi software yang dioperasikan, apakah
input diterima dengan benar, dan output yang dihasilkan benar, apakah integritas
detil struktur internal dari suatu sistem atau komponen yang dites. Black box testing juga disebut sebagai behavioral testing, specification-based testing, input atau output atau functional testing.
Black box testing berfokus pada kebutuhan fungsional pada software,
berdasarkan pada spesifikasi kebutuhan dari software. Dengan adanya black box testing, perekayasa software dapat menggunakan sekumpulan kondisi masukan yang dapat secara penuh memeriksa keseluruhan kebutuhan fungsional pada suatu program.
Black box testing bukan teknik alternatif daripada white box testing.
Lebih daripada itu, ia merupakan pendekatan pelengkap dalam mencakup error dengan kelas yang berbeda dari metode white box testing.
Kategori error yang akan diketahui melalui black box testing adalah: 1. Fungsi yang hilang atau tidak benar
2. Error dari antar-muka
3. Error dari struktur data atau akses eksternal database
4. Error kinerja atau tingkah laku
34
3.1 Analisis Sistem
Pada tahap ini dijelaskan mengenai kondisi saat ini perusahaan. Berdasarkan dari hasil survey pada UD Chandra Group yang bertujuan untuk mengindentifikasi permasalahan yang terjadi saat ini. Dalam melakukan identifikasi dan analisis permasalahan dilakukan dengan menggunakan teknik wawancara dan observasi.
1. Observasi
Tahap ini dilakukan untuk melakukan pengamatan dan identifikasi permasalahan yang terjadi pada UD Chandra Group secara langsung.
2. Wawancara
Langkah ini dilakukan untuk mengidentifikasi dan menganalisis pemasalahan yang terjadi dan selanjutnya mengumpulkan data-data yang akan digunakan dalam memenuhi kebutuhan sistem yang akan dibuat. Data–data yang dibutuhkan antara lain data permintaan pelanggan periode 2013–2015 dan data bahan baku.
3. Studi pustaka
3.1.1 Identifikasi Masalah
Sebelum melakukan identifikasi permasalahan yang ada pada perusahaan perlu dilakukan pemahaman tentang proses bisnis dari perusahaan tersebut. Di bab I pada latar belakang telah dijelaskan bahwa UD Chandra Group merupakan perusahaan manufaktur yang bergerak dalam penjualan tas laptop (softcase). Merk yang dikembangkan untuk softcase adalah merk ultimate, merk ini sudah tersebar hampir diseluruh wilayah di Indonesia diantaranya Surabaya, Jember, Banyuwangi, Kediri, Malang, Madiun, Yogyakarta dan kota–kota besar lainnya. Terdapat 2 tipe softcase yaitu tipe double dan tipe Single dengan ukuran masing-masing tipenya 10 inch, 11,6 inch, 12 inch, dan 14 inch. UD Chandra Group melakukan proses produksi ini berdasarkan make to stock. Dalam sehari kapasitas produksi softcase kurang lebih 250 pcs dalam berbagai tipe dan ukuran. Kapasitas produksi ini akan disesuaikan dengan jumlah permintaan pelanggan setiap harinya sehingga produksi softcase UD Chandra group berubah setiap bulannya.
Dari hasil observasi dan wawancara yang sudah dilakukan, perusahaan ini memiliki permasalahan dalam hal pengelolaan dan pengendalian kebutuhan bahan baku. Berdasarkan identifikasi masalah tersebut perusahaan membutuhkan suatu sistem yang dapat mengendalikan kebutuhan bahan baku, maka dibuatlah aplikasi pengendalian persediaan bahan baku dimana aplikasi ini menyediakan tiga tools untuk metode peramalan yang akan digunakan, diantaranya metode Single
Exponential Smoothing (SES), metode Double Exponential Smoothing (HOLT)
selanjutnya sehingga bisa menyiapkan seberapa besar kebutuhan baku yang akan dibutuhkan. Setelah mengetahui hasil peramalan permintaan pelanggan, aplikasi ini juga dapat menghitung Reorder Point (ROP) dimana perhitungan ini digunakan untuk menentukan pemesanan ulang bahan baku sebelum kehabisan stok bahan baku.
3.1.2 Analisis Kebutuhan
Analisis kebutuhan ini merupakan suatu tahap pemenuhan kondisi atau informasi dalam suatu perubahan produk yang dibutuhkan oleh perusahaan. Hasil dari kebutuhan analisis ini harus dapat dilaksanakan, diukur dan diuji. Kebutuhan informasi yang dibutuhkan sebagai berikut:
1. Informasi mengenai perhitungan hasil peramalan dengan metode Single
Exponential Smoothing (SES).
2. Informasi mengenai perhitungan hasil peramalan dengan metode Double
Exponential Smoothing (HOLT).
3. Infromasi mengenai perhitungan hasil peramalan dengan metode Triple
Exponential Smoothing (WINTER).
4. Informasi mengenai hasil peramalan dengan metode yang dipilih berdasarkan nilai MSE terkecil.
5. Informasi mengenai kebutuhan bahan baku berdasarkan peramalan permintaan pelanggan
3.1.3 Spesifikasi Kebutuhan Sistem
Tahap ini menjelaskan secara detail kebutuhan dari informasi yang dibutuhkan oleh sistem. Berikut merupakan spesifikasi kebutuhan sistem dari aplikasi pengendalian persediaan bahan baku :
1. Informasi hak akses login
Membutuhkan inputan berupa username dan password untuk melakukan
login.
2. Informasi mengenai hasil perhitungan peramalan permintaan pelanggan dengan metode Single Exponential Smoothing (SES). Proses ini membutuhkan data permintaan pelanggan tahun 2013–2015. Proses ini dihitung dengan menggunakan persamaan (2.1), selanjutnya dihitung nilai
error untuk melihat hasil nilai error terkecil dan hasilnya akan keluar dengan
cara menekan tombol button yang tersedia.
3. Informasi mengenai hasil perhitungan peramalan permintaan pelanggan dengan metode Double Exponential Smoothing (HOLT). Proses ini membutuhkan data permintaan pelanggan tahun 2013–2015. Proses ini dihitung dengan menggunakan persamaan (2.2) sampai (2.4), selanjutnya dihitung nilai error untuk melihat hasil nilai error terkecil dan hasilnya akan keluar dengan cara menekan tombol button yang tersedia.
dihitung nilai error untuk melihat hasil nilai error terkecil dan hasilnya akan keluar dengan cara menekan tombol button yang tersedia.
5. Hasil ramalan permintaan pelanggan diperoleh dari proses perhitungan peramalan dari ketiga metode diatas, akan dipilih metode peramalan dengan mengkombinasikan konstanta–konstanta pemulusan yang menghasilkan nilai
error terkecil. Hasil ramalan ini akan dipakai sebagai acuan perusahaan
dalam mengelola kebutuhan bahan baku untuk periode yang akan datang. 6. Informasi mengenai hasil perhitungan Reorder Point (ROP). Dibutuhkan data
stok bahan baku kain motif, data stok bahan baku busa p83, data stok bahan penolong, hasil pemilihan metode peramalan permintaan pelanggan. Untuk perhitungan ini hasilnya akan keluar dengan cara menekan button.
3.2 Perancangan Sistem
Tahap ini merupakan penjelasan mengenai aplikasi yang akan dirancang bangun yang bertujuan untuk membantu perusahaan dalam mengelola dan mengendalikan kebutuhan bahan baku. Pada aplikasi ini dapat diketahui hasil peramalan permintaan pelanggan dari masing-masing metode peramalan dan mengetahui hasil perhitungan Reorder Point (ROP) dimana dari hasil perhitungan ini perusahaan dapat menentukan titik pemesanan ulang bahan baku sebelum bahan baku habis.
3.2.1 Model Pengembangan Sistem
Di bawah ini merupakan block diagram dari aplikasi pengendalian persediaan bahan baku pada UD Chandra Group :
Gambar 3.1 Block Diagram Pengendalian Persediaan Bahan Baku
Berikut merupakan penjelasan dari gambar 3.1 block diagram pengendalian persediaan bahan baku :
1. Pertama–tama dilakukan proses peramalan permintaan pelanggan, data yang diperlukan dalam melakukan peramalan adalah data permintaan pelanggan dari tahun 2013–2015.
2. Proses peramalan permintaan ini menyediakan tiga metode peramalan yakni
Single Exponential Smoothing (SES), Double Exponential Smoothing
(HOLT), dan Triple Exponential Smoothing (WINTER). Disediakannya ketiga metode ini guna mempermudah perusahaan dalam menentukan metode peramalan yang tepat dengan membandingkan nilai error yang paling kecil.
Softcase x Bahan baku kain
Bahan baku busa p83
Bahan penolong Bagian
Penjualan
Bagian Gudang
Bagian Pembelian
Perhitungan metode peramalan dengan tiga metode single exponential
smoothing (SES), metode
double exponential smoothing
(HOLT), dan metode triple exponential smoothing
(WINTER)
Perhitungan reorder point
(ROP)
Manajer
Perhitungan Nilai Akurasi
Error (ME & MSE)
3. Perhitungan peramalan dengan metode Single Exponential Smoothing (SES) dapat dilihat pada persamaan (2.1). Pada metode ini hanya menggunakan satu konstanta pemulusan yaitu α, nilai α yang digunakan antara 0,1 hingga 0,9. Dan kemudian nilai α dimasukkan dalam persamaan dan akan dicari nilai α
yang menghasilkan nilai error terkecil. Nilai α dengan nilai error terkecil itu
yang akan dipakai.
4. Perhitungan peramalan dengan metode Double Exponential Smoothing (HOLT) dapat dilihat pada persamaan (2.2) hingga (2.4). Pada metode ini menggunakan dua konstanta pemulusan yaitu α dan β, nilai α dan β yang
digunakan antara 0,1 hingga 0,9. Dan kemudian nilai α dan β dimasukkan
dalam persamaan kemudian dicari dan dikombinasikan antara nilai α dan β
yang menghasilkan nilai error terkecil. Kombinasi nlai α dan β dengan nilai
error terkecil itu yang akan dipakai.
5. Perhitungan peramalan dengan metode Triple Exponential Smoothing (WINTER) dapat dilihat pada persamaan (2.5) hingga (2.8). Pada metode ini menggunakan tiga konstanta pemulusan yaitu α, β, dan µ yang digunakan antara 0,1 hingga 0,9. Dan kemudian nilai α, β, dan µ dimasukkan dalam
persamaan kemudian dicari dan dikombinasikan antara nilai α, β dan µ yang
menghasilkan nilai error terkecil. Kombinasi nlai α, β dan µ dengan nilai
error terkecil itu yang akan dipakai.
MSE adalah hasil ME dikuadratkan. Sehingga nanti akan menghasilkan nilai
ME dan MSE pada masing-masing metode peramalan.
7. Proses penentuan metode peramalan dimana dalam proses ini akan dilakukan pemilihan metode peramalan yang tepat oleh manager perusahaan.
8. Hasil ramalan permintaan pelanggan ini digunakan untuk melihat permintaan pelanggan untuk periode yang akan datang, sehingga dapat diketahui kebutuhan bahan baku apa saja yang diperlukan agar perusahaan bisa menyediakan kebutuhan bahan baku dengan hasil ramalan permintaan pelanggan sebagai acuan pembelian bahan baku, sehingga bahan baku yang dibutuhkan tidak mengalami kekurangan maupun kelebihan stok bahan baku. 9. Setelah memilih metode peramalan permintaan pelanggan selanjutnya
menghitung Reorder Point (ROP). Proses ini dilakukan untuk menentukan titik pemesanan ulang bahan baku agar kedatangan atau penerimaan bahan baku yang dipesan bisa tepat waktu. Untuk perhitungan ROP dapat dilihat pada persamaan (2.13).
11. Aplikasi ini dapat diakses oleh bagian gudang, bagian pembelian, bagian penjualan dan manager.
3.2.2 Flowchart Metode Single Exponential Smoothing (SES)
Di bawah ini merupakan flowchart perhitungan peramalan dengan metode Single Exponential Smoothing (SES).
Gambar 3.2 Flowchart Metode Single Exponential Smoothing (SES) Mulai
Int D, t, N Int D[t] Double a Double hasilramal
Input (N) D = Time Series
t == 1
T
hasilramal = (a*D[t])+(1-a)*D[t]
hasilramal = D1 Y
Next t
Next a
Selesai For a = 0.1 to 0.9
3.2.3 Flowchart Perhitungan Nilai Error dengan Metode Single Exponential Smoothing (SES)
Di bawah ini merupakan flowchart perhitungan nilai error metode Single
Exponential Smoothing (SES).
Gambar 3.3 Flowchart Perhitungan Nilai Error Metode Single
Exponential Smoothing (SES) Mulai
Int i, j, k
Double tamp_mse, tamp_a, tamp_b, tamp_g Nextram,
Tampung_mse, tampung_a, tampung_b, tampung_g, tampung_ramal
3.2.4 Flowchart Metode Double Exponential Smoothing (HOLT)
Di bawah ini merupakan flowchart perhitungan peramalan dengan metode Double Exponential Smoothing (HOLT).
Mulai
Int D, P, t, N Double a, b Int D[t], A[t], T[t] Double hasilramal
Input (N) D = Time Series P = Panjang Ramalan
t == 1
T
A[t]= (a*D[t]) + (1-a)*(A[t]-1+T[t]-1) T[t] = b*(A[t]-A[t]-1)+(1-b)*T[t]-1
hasilramal = (A[t] + T[t]*P)
A[t] = D1 T[t] = 0 hasilramal = D1 Y
Next t
Next b
Next a
Selesai For a = 0.1 to 0.9
For b = 0.1 to 0.9
For t = 1 to N
3.2.5 Flowchart Perhitungan Nilai Error dengan Metode Double Exponential Smoothing (HOLT)
Di bawah ini merupakan flowchart perhitungan nilai error metode
Double Exponential Smoothing (HOLT).
Mulai
Int i, j, k
Double tamp_mse, tamp_a, tamp_b, tamp_g Nextram,
Tampung_mse, tampung_a, tampung_b, tampung_g, tampung_ramal
81 = Banyaknya perulangan kombinasi alfa dan beta
Gambar 3.5 Flowchart Perhitungan Nilai Error Metode Double
3.2.6 Flowchart Metode Triple Exponential Smoothing (WINTER)
Di bawah ini merupakan flowchart perhitungan peramalam dengan metode Triple Exponential Smoothing (WINTER).
Mulai L = Panjang Musiman P = Panjang Ramalan
t == 1
t <= L
t > L T
T
hasilramal = (A[t]+ T[t]*P)*S[t]-L+P T
3.2.7 Flowchart Perhitungan Nilai Error dengan Metode Triple Exponential Smoothing (WINTER)
Di bawah ini merupakan flowchart perhitungan nilai error metode Triple
Exponential Smoothing (WINTER).
Gambar 3.7 Flowchart Perhitungan Nilai Error Metode Triple Exponential
Smoothing (WINTER) Mulai
Int i, j, k
Double tamp_mse, tamp_a, tamp_b, tamp_g Nextram, Tampung_mse, tampung_a, tampung_b,
tampung_g, tampung_ramal
3.2.8 Document Flow Pengecekan Persediaan Bahan Baku
Pada gambar 3.8 menjelaskan proses bisnis dari pengecekan persediaan bahan baku saat ini pada UD Chandra Group.
Gambar 3.8 Document Flow Proses Pengecekan Persediaan Bahan Baku Proses Pengecekan Persediaan Bahan Baku
Bagian Gudang Bagian Pembelian Supplier Manager
P PO dan laporan pembelian BB
2
2 Lap. pembelian BB
1
jalan dg barang datang
Lap. pembelian BB 2
Penjelasan gambar 3.8 document flow proses pengecekan persediaan bahan baku dapat dilihat pada tabel 3.1.
Tabel 3.1 Penjelasan Document Flow Pengecekan Persediaan Bahan Baku
Nama Proses Kegiatan Kondisi Output
Pengecekan bahan baku dengan kartu stok bahan baku.
Bagian gudang melakukan pengecekan bahan baku dengan kartu stok.
Bahan baku tersedia
Off-page reference 1 (document flow proses produksi)
Bahan baku tidak tersedia
Bagian gudang membuat laporan permintaan bahan baku
- Laporan permintaan
bahan baku Membuat daftar
purchase order (PO) dan laporan
pengeluaran bahan baku
Bagian pembelian menerima laporan permintaan bahan baku dan kemudian membuat daftar PO rangkap dua disimpan bagian pembelian dan
diserahkan pada supplier dan laporan pembelian bahan baku rangkap dua disimpan bagian gudang dan diserahkan pada manager
- Purchase order dan laporan pengeluaran bahan baku
Mengirim barang dan membuat surat jalan
Supplier menerima PO dari bagian pembelian kemudian mengirim barang dan membuat surat jalan
- Surat jalan dan
barang
Pengecekan surat jalan dengan barang yang diterima
Bagian gudang menerima surat jalan dan melakukan
pengencekan surat jalan dan barang yang diterima
Tidak sesuai Surat jalan
dikembalikan pada supplier
Sesuai Surat jalan
3.2.9 Document Flow Proses Produksi
Pada gambar 3.9 menjelaskan proses bisnis dari proses produksi saat ini pada UD Chandra Group.
Gambar 3.9 Document Flow Proses Produksi Proses Produksi
Bagian Produksi Bagian Gudang Bagian Pembelian Manager
Penjelasan gambar 3.9 document flow proses produksi dapat dilihat pada tabel 3.2.
Tabel 3.2 Penjelasan Document Flow Proses Produksi
Nama Proses Kegiatan Output
Melihat plan produksi Bagian produksi melihat
plan produksi
permintaaan bahan baku rangkap dua untuk disimpan bagian produksi dan diserahkan pada bagian gudang
Daftar permintaan bahan baku
Membuat catatan pengeluaran bahan baku
Bagian gudang membuat catatan pengeluaran bahan baku rangkap tiga untuk disimpan bagian gudang dan diserahkan ke bagian produksi dan manager
pengeluaran bahan baku rangkap dua untuk disimpan dan diserahkan pada manager
Proses mencatat sisa bahan baku
Mencatat sisa bahan baku
Bagian Produksi mencatat sisa bahan baku dan membuat daftar sisa bahan baku rangkap dua untuk diserahkan pada bagian gudang
Daftar sisa bahan baku
Melakukan ubah sisa bahan baku
Bagian gudang melakukan ubah sisa bahan baku
3.2.10 System Flow Perhitungan Peramalan
Pada gambar 3.10 menjelaskan alur sistem perhitungan peramalan permintaan pelanggan.
Gambar 3.10 System Flow Perhitungan Peramalan
Penjelasan gambar 3.10 system flow perhitungan peramalan dapat dilihat pada tabel 3.3. dg Metode Single Exponential Smoothing
(SES)
Perhitungan Peramalan dg Metode
Double Exponential Smoothing (HOLT)
Tabel 3.3 Penjelasan System Flow Perhitungan Peramalan
Nama Proses Kegiatan Kondisi Output
Login Memasukkan data
username dan password untuk mengakses
Proses memilih data permintaan pelanggan Memilih data
permintaan pelanggan
Memilih data
permintaan pelanggan pada tabel data permintaan, data permintaan S10, data permintaan S11 dan data permintaan S12
- Proses perhitungan
peramalan dengan tiga metode
Perhitungan peramalan dengan tiga metode
Perhitungan peramalan dengan tiga metode. Metode Single
- Proses perhitungan
peramalan metode dengan metode Single Exponential Smoothing dengan metode Double Exponential Smoothing dengan metode Triple Exponential Smoothing
3.2.11 System Flow Perhitungan Peramalan dengan Metode Single Exponential Smoothing (SES)
Pada gambar 3.11 menjelaskan alur sistem perhitungan peramalan permintaan pelanggan dengan metode Single Exponential Smoothing (SES).
Gambar 3.11 System Flow Perhitungan Peramalan Metode SES
Penjelasan gambar 3.11 System Flow perhitungan peramalan metode SES dapat dilihat pada tabel 3.4.
Tabel 3.4 Penjelasan System Flow perhitungan peramalan metode SES
Nama Proses Kegiatan Output
Random nilai alpha Melakukan random nilai alpha
Proses perhitungan hasil ramal
Perhitungan hasil ramal
Membutuhkan tabel data permintaan, data permintaan S10, data permintaan S11 dan data permintaan S12 untuk dilakukan proses perhitungan hasil ramal
Proses perhitungan nilai error
Perhitungan Single Exponential Smoothing (SES)
Nama Proses Kegiatan Output Perhitungan nilai error Melakukan perhitungan
nilai error
Proses perhitungan ME dan MSE dengan alpha random Perhitungan ME dan
MSE dengan alpha random
Melakukan perhitungan ME dan MSE dengan alpha random
Database peramalan
3.2.12 System Flow Perhitungan Peramalan dengan Metode Double Exponential Smoothing (HOLT)
Pada gambar 3.12 menjelaskan alur sistem perhitungan peramalan permintaan pelanggan dengan metode Double Exponential Smoothing (HOLT). Alur sistem metode ini terdapat proses perhitungan estimasi trend terlebih dahulu sebelum melakukan proses perhitungan hasil peramalan.
Gambar 3.12 System Flow Perhitungan Peramalan Metode HOLT
Penjelasan gambar 3.12 System Flow perhitungan peramalan metode
HOLT dapat dilihat pada tabel 3.5.
Perhitungan Double Exponential Smoothing (HOLT)
Manager
Ph
ase
Tabel 3.5 Penjelasan System Flow perhitungan peramalan metode HOLT
Nama Proses Kegiatan Output
Random nilai alpha dan beta
Melakukan random nilai alpha dan beta
Perhitungan
Membutuhkan tabel data permintaan, data permintaan S10, data permintaan S11 dan data permintaan S12 untuk dilakukan proses perhitungan hasil ramal
Proses perhitungan nilai error
Perhitungan nilai error Melakukan perhitungan nilai error
Proses perhitungan ME dan MSE dengan alpha random Perhitungan ME dan
MSE dengan alpha random
Melakukan perhitungan ME dan MSE dengan alpha random
Database peramalan
3.2.13 System Flow Perhitungan Peramalan dengan Metode Triple Exponential Smoothing (WINTER)
Gambar 3.13 System Flow Perhitungan Peramalan Metode WINTER Perhitungan Triple Exponential Smoothing
Manager
P
h
ase
Random Nilai alpha, beta, gamma
Data Permintaan
Perhitungan Pemulusan Exponential
Perhitungan Estimasi Trend
Peramalan
Perhitungan Hasil Ramal
End Start
Perhitungan Nilai Error
Perhitungan Nilai ME & MSE dg alpha,
beta, gamma random Perhitungan Estimasi Musiman
3
6 Data Permintaan
S10 Data Permintaan
S11 Data Permintaan
Penjelasan gambar 3.13 System Flow perhitungan peramalan metode
WINTER dapat dilihat pada tabel 3.6.
Tabel 3.6 Penjelasan System Flow perhitungan peramalan metode WINTER
Nama Proses Kegiatan Output
Random nilai alpha, beta dan gamma
Melakukan random nilai alpha, beta dan gamma
Perhitungan
Membutuhkan tabel data permintaan, data permintaan S10, data permintaan S11 dan data permintaan S12 untuk dilakukan proses perhitungan hasil ramal
Proses perhitungan nilai error
Perhitungan nilai error Melakukan perhitungan nilai error
Proses perhitungan ME dan MSE dengan alpha random Perhitungan ME dan
MSE dengan alpha random
Melakukan perhitungan ME dan MSE dengan alpha random
Database peramalan
3.2.14 System Flow Perhitungan Reorder Point (ROP)
Gambar 3.14 System Flow Perhitungan Reorder Point (ROP)
Penjelasan gambar 3.14 System Flow perhitungan Reorder Point (ROP) dapat dilihat pada tabel 3.7.
Perhitungan Reorder Point (ROP)
Bagian Gudang
Bagian Pembelian
P
h
ase
Start
Masukkan Username dan
Password
Login Data Users
Data User Sesuai? Tidak
Pengecekkan Stok Bahan Baku
Ya
Data Bahan Baku
Hasil Peramalan
Perhitungan Kebutuhan Bahan
Baku
Perhitungan ROP
Reorder Point Data Kebutuhan Bahan Baku
A
A
Reorder Point
Tabel 3.7 Penjelasan System Flow perhitungan Reorder Point (ROP)
Nama Proses Kegiatan Kondisi Output
Login Memasukkan data
username dan password untuk mengakses
Pengecekan bahan baku Membutuhkan tabel data
bahan baku untuk melakukan pengecekan bahan baku
-
Proses perhitungan kebutuhan bahan baku
Perhitungan kebutuhan bahan baku
Membutuhkan tabel hasil peramalan dan tabel data bahan baku
-
Tabel data kebutuhan bahan baku
Perhitungan Reorder Point (ROP)
Membutuhkan tabel data kebutuhan bahan baku untuk melakukan proses perhitungan ROP
-
Tabel data pesanan ulang bahan baku
3.2.15 Hierarchy plus Input-Process-Output (HIPO)
Hierarchy Input Process Output (HIPO) atau yang biasa disebut dengan
diagram jenjang merupakan gambaran dari hierarki proses–proses yang ada dalam
data flow diagram (DFD). Terdapat empat proses utama yang pengolahan master,
perhitungan peramalan tiga metode, perhitungan Reorder Point dan laporan. Dalam proses pengolahan master terdapat enam turunan yaitu data permintaan pelanggan, data permintaan S10, data permintaan S11, data permintaan S12 data bahan baku dan data user. Sedangkan untuk proses perhitungan tiga metode terdapat empat turunan yaitu perhitungan peramalan metode SES, perhitungan peramalan metode HOLT, perhitungan peramalan metode WINTER, dan mencari
MSE terkecil. Adapun HIPO dari Aplikasi Pengendalian Persediaan Bahan Baku
Gambar 3.15 HIPO Aplikasi Pengendalian Persediaan Bahan Baku
3.2.16 Context Diagram
Di bawah ini merupakan context diagram dari aplikasi pengendalian persediaan bahan baku pada UD Chandra Group. Dalam context diagram ini terdapat beberapa pengguna yang bisa mengakses sistem, hal ini disesuaikan dengan kebutuhan pihak perusahaan. External entity bagian penjualan memberikan data permintaan pelanggan, peran manager disini yang bertugas melakukan peramalan permintaan pelanggan dan menerima hasil dari perhitungan
Reorder Point (ROP), peran bagian gudang untuk memberikan informasi bahan
baku yang ada di gudang dan kebutuhan bahan baku, peran bagian pembelian menerima hasil dari perhitungan Reorder Point (ROP).
Gambar 3.16 Context Diagram Pengendalian Persediaan Bahan Baku
3.2.17 Data Flow Diagram (DFD) Level 0
Di bawah ini merupakan data flow diagram level 0 dari aplikasi pengendalian persediaan bahan baku pada UD Chandra Group. Pada data flow
diagram ini dijelaskan lebih detail setiap prosesnya antara pengguna dengan
sistem. Terdapat empat proses yang ada yaitu proses pengolahan master, proses perhitungan peramalan tiga metode, proses pemilihan metode dan proses perhitungan Reorder Point (ROP). Proses pengolahan master ini untuk mengolah data master yang dibutuhkan sistem untuk melakukan proses perhitungan peramalan tiga metode dan untuk melakukan proses perhitungan Reorder Point (ROP). Untuk lebih jelasnya dapat dilihat pada gambar 3.17.
Data Permintaan Pelanggan
Laporan Kebutuhan Bahan Baku
Laporan Reorder Point
Data Kebutuhan Bahan Baku
Laporan Hasil Peramalan
Data Bahan Baku
Laporan Reorder Point
Data User 1
Aplikasi Pengendalian Persediaan Bahan
Baku Bagian
Penjualan
Manager
Bagian Gudang
Bagian Pembelian Data Permintaan S11
Data Permintaan S10
Gambar 3.17 Data Flow Diagram Level 0 Pengendalian Persediaan Bahan Baku
3.2.18 Data Flow Diagram (DFD) Level 1
Dibawah ini merupakan data flow diagram level 1 dari aplikasi pengendalian persediaan bahan baku pada UD Chandra Group. Pada data flow
diagram level 1 ini merupakan pecahan dari data flow diagram level 0 proses
proses perhitungan peramalan dan mencari MSE terkecil. Terdapat empat proses yang ada yaitu proses perhitungan peramalan dengan metode SES, proses perhitungan peramalan dengan metode HOLT, proses perhitungan peramalan dengan metode WINTER dan mencari MSE. Untuk lebih jelasnya dapat dilihat pada gambar 3.18.
Laporan Hasil 1 Data Permintaan Pelanggan
2 Data Bahan Baku
7 Data Kebutuhan Bahan Baku
8 Reorder Point 9 Peramalan
10 Hasil Peramalan 11 Data User
12 Data Permintaan S10
Laporan Reorder Point
Data Kebutuhan Bahan Baku
Data Permintaan S11 Data Permintaan S12
Data Permintaan S10
Gambar 3.18 Data Flow Diagram Level 1 Pengendalian Persediaan Bahan Baku
3.2.19 Conceptual Data Model (CDM)
Berikut merupakan gambaran secara detail dari struktur database, dimana database ini adalah kebutuhan data yang diperlukan dalam membuat rancang bangun aplikasi pengendalian persediaan bahan baku pada UD Chandra Group. Dimana kebutuhan data-data tersebut saling berkaitan. CDM dari aplikasi ini dapat dilihat pada gambar 3.19.
1.2.1 1 Data Permintaan
Pelanggan
14 Data Permintaan S12
13 Data Permintaan S11
Gambar 3.19 Conceptual Data Model Aplikasi Pengendalian Persediaan Bahan Baku
3.2.20 Physical Data Model (PDM)
Berikut merupakan gambaran secara detail dari struktur database.
Physical data model (PDM) merupakan hasil generate dari conceptual data model
(CDM). Dimana kebutuhan data-data tersebut saling berkaitan dan berhubungan sehingga memperlihatkan struktur penyimpanan data pada database. Physical
data model (PDM) dari aplikasi pengendalian persediaan baha baku pada UD
Gambar 3.20 Physical Data Model Aplikasi Pengendalian Persediaan Bahan Baku
3.2.21 Struktur Database