126 Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 1, Januari 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880
126
ANALISIS PERAMALAN PERSEDIAAN MENGGUNAKAN
PERANGKAT LUNAK BERBAIS FUZZY DENGAN METODE WEIGHT MOVING AVERAGE (WMA) PADA BERKAH LAUNDRY PARIAMAN
Mardiansyah1
1Universitas Pamulang
Jl. Suryakencana No.1, Pamulang, Tangerang Selatan E-mail: [email protected]
ABSTRACT
This research was conducted in an effort to optimize business processes in terms of raw material inventory. Forecasting for the procurement of raw materials can be done effectively using fuzzy-based software, output will be obtained in the form of data from forecasting raw material needs by processing usage data in the previous period so as to minimize excess/short stock. This research is applied to the Berkah Laundry Pariaman. From the results of this study, it was obtained that the forecast for raw material needs for the period October 2021 was 21 liters with an MAD value of 1.23, an MSE value of 1.91 and a MAPE value of 0.06%, the forecasting results have also been compared with the actual data in the October 2021 period, 77% forecasting accuracy results.
Keywords: forecasting, inventory, software
ABSTRAK
Penelitian ini dilaksanakan dalam upaya melakukan optimasi proses bisnis dari segi persediaan bahan baku. Peramalan untuk pengadaan bahan baku bisa dilakukan dengan efektif menggunakan perangkat lunak berbasis fuzzy, akan didapat output berupa data hasil peramalan kebutuhan bahan baku dengan mengolah data pemakaian pada periode sebelumnya sehingga dapat meminimalisir kelebihan/kekurangan stok. Penelitian ini diterapkan pada Berkah Laundry Pariaman. Dari hasil penelitian ini diperoleh peramalan kebutuhan bahan baku untuk periode Oktober 2021 sebanyak 21 liter dengan nilai MAD sebesar 1,23, nilai MSE sebesar 1.91 serta nilai MAPE sebesar 0,06%, hasil peramalan juga sudah dibandingkan dengan data sebenarnya pada periode Oktober 2021, hasil akurasi peramalan 77%.
Kata Kunci: peramalan, persediaan, perangkat lunak
1. PENDAHULUAN
Berkah Laundry Pariaman adalah usaha yang menyediakan jasa cuci pakaian yang beralamat di Jl. Jenderal Sudirman, Jawi-Jawi I, Pariaman, Sumatera Barat.
Kendala yang sering didapatkan oleh usaha ini adalah ketersediaan bahan baku utama yaitu sabun deterjen, permasalahan sabun deterjen habis disaat kondisi sedang ramai
cukup sering terjadi, hal ini dikarenakan pengelolaan persediaan yang masih belum optimal. Persediaan merupakan aktiva milik perusahaan yang bisa dijual kembali atau digunakan lagi dalam proses produksi (Kieso, 2015). Otomatiasi sistem perlu diterapkan untuk bisa memperbaiki proses pembukuan kebutuhan bahan baku usaha
127 E-ISSN: 2686-0880
127 Otomatiasi merupakan proses untuk
melakukan kontrol operasi terhadap sebuah alat otomatis yang bisa menggantikan peranan manusia dalam mengamati dan pengambilan keputusan. (Santoso, 2013).
Untuk saat ini dalam proses pencatatan pada Berkah Laundry Pariaman masih menggunakan pencatatan pada buku tulis setiap harinya, pencatatan meliputi bahan yang terpakai seperti deterjen, pewangi, pelembut pakaian. Kemudian akan dilakukan belanja dalam waktu yang tidak terjadwal (harian/mingguan).
Gambar 1. Berkah Laundry Pariaman Dengan iklim persaingan usaha laundry yang cukup ketat di Pariaman seharusnya Berkah Laundry Pariaman dapat memperhitungkan perkiraan jumlah barang yang akan dibeli untuk menjadi stok berdasarkan data pemakaian pada periode sebelumnya, prediksi tersebut akan sangat mempengaruhi keputusan berapa banyak jumlah bahan baku yang akan disediakan untuk periode pemakaian selanjutnya.
Bahan baku merupakan produk atau bahan yang menjadi komponen utama untuk dapat membuat produk jadi secara keseluruhan (Sujarweni, 2015). Dalam era revolusi industri 4.0, untuk pengelolaan persediaan bahan baku dapat dilakukan dengan akurat menggunakan beberapa perangkat lunak yang tersedia.
Perangat lunak merupakan program yang diciptakan untuk dapat menjalankan tugas khusus yang diperintahkan oleh pengguna computer (Sugiar, 2014). Salah
satu program yang cukup banyak dipakai dalam melakukan pengelolaan persediaan adalah POM-QM.
POM-QM merupakan perangkat lunak berbasis fuzy, logika fuzzy idientik dengan logika klasik/biner (Rusli, 2017).
Untuk mengoperasikan perangkat lunak POM-QM diperlukan data yang terdapat di perusahaan, data merupakan sekumpulan fakta yang memberikan gambaran suatu kejadian yang terjadi pada periode tertentu (Lubis, 2016).
Dalam menjalankan program POM- QM terdapat banyak metode yang dapat digunakan untuk manajemen perusahaan, metode yang cocok digunakan untuk pengelolaan persediaan bahan baku adalah Weight Moving Average (WMA). Metode Weighted Moving Average merupakan analisa data yang dilakukan dengan cara menentukan bobot dari data yang dimiliki.
(Haming, 2011).
2. METODE
Metode yang digunakan pada penelitian ini terdiri dari metode analisis proses pemakaian bahan baku memakai metode weight moving average. Model penelitian ini bersifat deskriptif dengan menggunakan pendekatan kuantitatif, sedangkan untuk teknik proses pengumpulan data dilakukan dengan wawancara, observasi, serta mengumpulkan data-data sekunder berupa data pemakaian bahan baku, studi pustaka dan pengamatan terhadap sistem yang ada saat ini.
Peramalan adalah pernyataan mengenai nilai yang akan datang dari variabel. Prediksi yang lebih baik dapat menjadi keputusan dengan menggunakan banyak informasi (Stevenson, 2014). Selain itu permalan juga dapat diartikan sebagai suatu perkiraan, tapi dengan memakai teknik tertentu (Diana, 2015).
Dalam penelitian ini metode peramalan yang digunakan adalah weight moving average. Metode ini menggunakan
128 Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 1, Januari 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880
128 data pada N periode terakhir sebagai data
historis utama untuk dapat menentukan perkiraan data peramalan. Metodologi penelitian ini dapat dilihat pada Gambar 1.
Gambar 1. Metodologi Penelitian 2.1 Data Penelitian
Sedangkan data yang digunakan dalam penelitian ini adalah data kuantitatif yang berbentuk angka hasil data pemakaian bahan baku periode sebelumnya, data yang diambil adalah data pemakaian sabun deterjen, pewangi dan pelembut. Data penelitian ini dapat dilihat pada Tabel 1.
Tabel 1. Data Pemakaian
Periode Deterjen Pewangi Pelembut
Okt 20 20 6 5
Nov 20 22 8 4
Des 20 21 6 6
Jan 21 24 6 6
Feb 21 20 5 4
Mar 21 23 7 5
Apr 21 21 5 4
Mei 21 20 6 6
Jun 21 22 8 4
Jul 21 22 5 5
Agu 21 20 7 6
Sep 21 21 7 4
2.2 Pengolahan Data
Pengolahan data adalah serangkaian operasi atas informasi yang direncanakan guna mencapai tujuan atau hasil yang diinginkan (Terry, 2014). Data yang didapatkan kemudian diolah menggunakan perangkat lunak berbasis fuzzy menggunakan metode weight moving average. Kelebihan metode weight moving average adalah pemberian nilai bobotnya dapat disesuaikan, tetapi penentuan bobot optimalnya sulit (Syahputra, 2018). Rumus dari metode weight moving average adalah:
(1) Keterangan:
Data = Data real pada periode t Bobot = Penilaian sesuai periode
Ukuran ketepatan yang dapat dipergunakan untuk melihat ketepatan metode peramalan terdiri dari empat ukuran yaitu MAPE, MAD, MSE serta MPE.
MAPE memberikan gambaran berapa besar galat ramalan dibandingkan dengan nilai aktual datanya. Sedangkan ukuran MAD digunakan untuk mengukur keliru ramalan pada unit yg sama dengan deret asli. MSE dipergunakan untuk melihat nilai rata-rata kesalahan kuadrat. MPE digunakan untuk melihat apakah metode peramalan mengandung bias (Hanke, 2003). Rumus MAPE, MAD, MSE dan MPE adalah:
(2)
(3)
(4) (5)
129 E-ISSN: 2686-0880
129 Apabila simple moving average
menetapkan bobot yang sama pada setiap komponen, weight moving average dapat menetapkan bobot yang berbeda pada setiap komponen (Chase, 2014). Pengolahan data dilakukan dengan menggunakan sistem informasi (komputasi). Sistem informasi merupakan cara-cara yang terorganisir untuk mengumpulkan, memasukkan serta mengolah dan menyimpan data, cara-cara yang terorganisir untuk menyimpan, mengelola, mengontrol serta melaporkan informasi sedemikian rupa sehingga sebuah organisasi dapat mencapai tujuan yang telah ditetapkan (Krismiaji, 2015).
3. HASIL DAN PEMBAHASAN
Data yang didapatkan adalah pemakaian sabun deterjen, pewangi dan pelembut pakaian dari bulan Oktober 2020 sampai dengan September 2021, data yang akan diolah pada perangkat lunak adalah data 12 bulan terakhir sehingga akan dipakai data dari Oktober 2020 sampai dengan September 2021.
Pada penelitian ini data yang akan diolah hanyalah data persediaan sabun deterjen dikarenakan sabun deterjen merupakan bahan baku utama usaha laundry serta memiliki intenitas penggunaan yang tinggi dan menjadi bahan baku yang paling sering mengalami kehabisan persediaan.
3.1 Hasil Analisis
Metode yang dipakai untuk melakukan perhitungan peramalan adalah weighted moving average. Bobot yang digunakan dalam penelitian ini adalah 4 karena bobot ini biasanya akan lebih akuat karena berada pada garis tengah sehingga hasil peramalan yang didapatkan tidak terlalu besar dan terlalu kecil. Analisis bahan baku deterjen memakai satuan kilogram (kg), hasil dari forecasting result
menggunakan perangkat lunak POM-QM dapat dilihat pada Gambar 2.
Gambar 2. Forecasting Result Hasil analisis data dari forecasting result didapatkan MAD dengan nilai 1,23 seperti gambar diatas yang menunjukkan penyimpangan rata-rata absolut error, dan Bias atau rata-rata error dengan nilai -0,43, yang artinya kesalahan minimal. Semakin mendekati 0 maka peramalan akan semakin baik dan cepat. Sedangkan MSE digunakan untuk mengetahui evaluasi metode peramalan dengan menggunakan kesalahan atau sisa dikuadratkan dengan nilai 1,91, lalu standard error dengan nilai 1,6, kemudian MAPE yang menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata, untuk periode ini mendapatkan nilai 0,06%. Nilai forecast pada next period sebanyak 21.
Untuk hasil detail dan error analisis dapat dilihat pada Gambar 3.
Gambar 3. Detail dan Error Analisis Kolom demand didapat dari data agregat yang sudah ada. Kolom forecast merupakan kolom peramalan dimulai dari bulan Februari hingga September. Kolom error didapat dari pengurangan demand dan forecast. Kolom error yang kedua merupakan pemutlakkan dari kolom error yang sebelumnya. Kolom error yang ketiga
130 Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 1, Januari 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880
130 merupakan kolom error yang dikuadratkan
dari kolom error yang sebelumnya. Kolom error yang terakhir merupakan kolom hasil peramalan yang sudah didapatkan. Hasil peramalan pada bulan Februari sebesar 22,3 yang artinya bahwa pada bulan Februari diperkirakan terpakai bahan baku deterjen sebanyak 22 dengan pemakaian aktual pada periode sebelumnya sebesar 20.
Total aktual pemakaian bahan baku dalam satu tahun yaitu sebesar 256, next period forecast sebesar 21 yang berarti peramalan bahan baku periode selanjutnya.
Kolom error pertama pada bulan Februari sebesar -2,3 yang berarti nilai forecast lebih besar dibanding dengan demand sebanyak 22,3. Total dari error sebesar -3,4 yang merupakan total perbedaan nilai forecast dengan nilai demand sebesar 3,4. Nilai bias sebesar -0,43 yang artinya nilai rata-rata error, sehingga kesalahan pada peramalan sebesar -0,43.
Nilai MAD adalah penyimpangan nilai error peramalan sebesar 1,23, semakin nilai MAD mendekati nol maka nilai peramalan semakin baik, peramalannya akan semakin tepat. MSE merupakan nilai rata-rata kesalahan peramalan yang dikuadratkan yaitu sebesar 1,6. MAPE merupakan persentasi nilai rata-rata kesalahan peramalan yaitu 0,06 %. Hasil control tracking signal dapat dilihat pada Gambar 4.
Gambar 4. Control Tracking Signal Kolom demand adalah data aktual yang didapat dari data agregat yang sudah ada. Kolom forecast berarti kolom peramalan dimulai dari bulan Februari hingga September, dimana pada kolom Oktober sampai Januari kosong karena
menggunakan bobot empat sehingga tidak tersedia data peramalan pada bulan tersebut. Sebagai contoh pada bulan Februari nilai forecast sebesar 22,3 atau 22 yang artinya peramalan permintaan pada bulan Februari sebesar 22.
Kolom error yang artinya selisih antara nilai demand dan forecast pada bulan Februari sebesar -2,3 dan merupakan penyimpangan, dimana jika hasil semakin mendekati 0 maka peramalan akan semakin baik. Kolom RSFE adalah pemutlakan yang berasal dari kolom nilai error. Kolom cum abs merupakan kumulatif dari kolom RSFE.
Nilai dari kolom cum MAD menunjukan penyimpangan atau selisih dari nilai aktual dengan peramalan adalah sebesar 1,23.
Kolom tracking signal merupakan pembagian antara RSFE dan cum MAD.
Untuk hasil grafik peramalan penelitian ini dapat dilihat pada Gambar 5.
Gambar 5. Grafik
Grafik diatas merupakan grafik dengan metode WMA dimana sumbu x merupakan periode yaitu sebanyak 13 periode dan sumbu y adalah permintaan aktual. Titik garis berwarna hitam adalah pemakaian bahan baku deterjen selama 12 periode dan titik garis berwarna biru adalah peramalan pemakaian persediaan sabun deterjen. Grafik hasil peramalan persediaan menggunakan metode weight moving average cenderung stabil karena selisih antar periode tidak jauh.
3.2 Pengujian Akurasi Hasil Analisis
Proses pengujian akurasi hasil peramalan dilakukan untuk mengetahui seberapa besar akurasi peramalan yang didapatkan dengan keadaan sebenarnya
131 E-ISSN: 2686-0880
131 yang terjadi, hal ini diperlukan untuk
membuktikan akurasi serta memberikan kayakinan kepada pemilik usaha bahwa hasil yang diberikan adalah sesuatu yang benar.
Proses perbandingan dilakukan dengan membandingkan data hasil peramalan untuk periode Oktober 2021 dikurangi dengan data sebenarnya pada periode yang sama, untuk mengetahui hasil pengujian akurasi tersebut dapat dilihat pada Tabel 2.
Tabel 2. Perbandingan Akurasi
Berdasarkan hasil pengujian akurasi pada Tabel 2 maka terlihat bahwa akurasi peramalan menggunakan perangkat lunak berbasis fuzzy POM-QM dengan metode weight moving averages memiliki akurasi sebesar 77%, untuk hasil akurasi cukup tinggi dan dapat dijadikan pedoman untuk melakukan peramalan-peramalan periode berikutnya.
4. KESIMPULAN
Berdasarkan hasil penelitian yang sudah selesai dilaksanakan, maka dapat ditarik kesimpulan seperti:
1. Peramalan persediaan sabun deterjen untuk kebutuhan periode berikutnya adalah 21 kg.
2. Nilai MAD adalah 1,23 yang menunjukkan penyimpangan rata-rata absolut error.
3. Nilai bias atau rata-rata error dengan nilai -0,43, yang artinya kesalahan minimal. Semakin mendekati 0 maka peramalan akan semakin baik.
4. Nilai MSE digunakan untuk mengetahui evaluasi metode peramalan dengan menggunakan kesalahan atau sisa dikuadratkan dengan nilai 1,91.
5. Standard error dengan nilai 1,6, kemudian MAPE yang menggunakan kesalahan absolut pada tiap periode dibagi dengan nilai observasi yang nyata, dengan nilai 0,06%.
6. Hasil peramalan sudah diuji dengan data sebenarnya, data peramalan adalah 21 kg sedangkan data sebenarnya adalah 27 kg, akurasi hasil pengujian sebanyak 77%.
5. SARAN
Untuk pihak Berkah Laundry Pariaman disarankan agar sesegera mungkin mengimplementasikan sistem persediaan bahan baku yang sudah diteliti dan diuji, hal ini menjadi penting untuk menjaga keberlangsungan usaha serta memperkuat usaha dalam rangka bersaing dengan beberapa usaha sejenis pada lingkup yang sama.
DAFTAR PUSTAKA
[1]. Chase, R and Jacobs, R. 2014.
Operation and Supply Chain Management Global Case Edition. Mc Graw Hill: New York.
[2]. Diana Khairani Sofyan, 2015, Perencanaan dan Pengendalian Produksi, Graha Ilmu: Yogyakarta.
[3]. Haming, Murdifin dan Nurnajamuddin, Mahfud. 2011. Manajemen Produksi Modern Operasi Manafaktur dan Jasa.
Bumi Aksara: Jakarta.
[4]. Hanke JE, DW Wichern dan AG Reistch. 2003. Peramalan Bisnis. Ed ke-7 Anathur D, Penerjemah.
Terjemahan dari: Busines Forecasting.
Prehallindo: Jakarta.
Data Sebenarnya
Hasil Peramalan Metode Weight Moving Averages
27 kg 21 kg
Selisih (%) 77%
132 Jurnal Teknik Informatika Kaputama (JTIK) Vol.6, No. 1, Januari 2022 P-ISSN: 2548-9704
E-ISSN: 2686-0880
132 [5]. Kieso, Weygandt dan Warfield. 2015.
Akuntansi Intermediate. Erlangga:
Jakarta.
[6]. Krismiaji, 2015. Sistem Informasi Akuntansi. Unit Penerbit: Yogyakarta.
[7]. Lubis, Adyanata. 2016. Basis Data Dasar Untuk Mahasiswa Ilmu Komputer. CV. Budi Utama:
Yogyakarta.
[8]. Mochammad Rusli. 2017. Dasar Perancangan Kendali Logika Fuzzy.
UB Press: Malang.
[9]. R. D. Syahputra, Supriono dan Suharyono. 2018. Peramalan Penjualan Jasa Freight Forwarding Dengan Metode Single Moving Averages, Exponential Smoothing dan Weighted Moving Averages (Studi kasus pada PT Anugerah Tangkas Transportindo, Jakarta) Reza,” Adm. Bisnis, vol. 55, no. 2, pp. 113–121, 2018.
[10]. Santoso dkk, 2013, Pembuatan Otomasi Pengaturan Kereta Api, Pengereman dan Palang Pintu pada Rel Kereta Api Mainan Berbasis Mikrokontroler. Jurnal FEMA. Vol 1, No.1.
[11]. Stevenson, William J. dan Chee Chuong, Sum. 2014. Manajemen Operasi Perspektif. Asia, Salemba Empat: Jakarta.
[12]. Sugiar, Yogi. 2014. Komputer Si Mesin Pintar. Oasebuku: Bandung.
[13]. Sujarweni, V. Wiratna. 2015.
Akuntansi Biaya. Pustaka Baru Press:
Yogyakarta.
[14]. Terry, George R dan Leslie W.Rue.
2014. Dasar-Dasar Manajemen, PT Bumi Aksara: Jakarta.
