Go Frendi Gunawan,TriY Evelina, Hendro Suprayogi. Perbandingan Reduksi Data Menggunakan Transformasi Cosinus Diskrit dan Analisis Komponen Utama

tssN

208742s6

SMATIKA

Jurnal

STIKI

I

nformatika

Jurnal

Volume0l

_Nomor

01 Tahun 201 I

Slstem

lnformasi

Peramalan

Persediaan

Obat

pada

Apotik

Sidoarjo dengan

MetodeSlinter

RudySetiawan

Nordrassil ProjectWeb

Pembangkit

DDL

dan

Kode Sumber

Aplikasi

Basis

Data

Go Frendi Gunawan,TriY Evelina, Hendro Suprayogi

Perband in ga n Algo

ritma

Sca nli ne dan

Algoritma

Ray Tracin g

terhada

p

Akurasi

Pencahayaan pada

Piranti Lunak3ds

Max

Eva

Handriantini

Perbandingan

Reduksi Data Menggunakan Transformasi Cosinus Diskrit dan

Analisis Komponen Utama

Laila lsyriyah, Evy Poerbaningtyas

Desain

Tutorial lbadah Haji

Berbasis

Multimedia

sebagai

Panduan

bagi

Calon

Jamaah

Haji

Anu

ng

Adhi Nug raha, Eva Handriyanti

ni

Lembaga Penelitian &

Pengabdian kepada

Masyarakat

SEKOIAII

TINGGI

INFOruUAflI{A

&

lssN 2087-0256

SMATII(A

_Jurnal

STIKI

lnformatika

Jurnal

_{Volume 01,}

_Nomor0l

_{Tahun 2011}

Yayasan

*"**Iitiln;J,-;*

*

Nusantara Penasehat:

Ketua STIKI

,

Pembina:

Pembantu Kerua Bidang Akademik STIKI

Mitra

Bestari

Prof. Dr. Iping Supriana Suwardi (tlrstitut Teknologi Bandung) Prof. Dr. Ir. Kuswara setiawan" MT (universitas pelita Harapan surabaya) Dr.

k

Joko Lianto Buliati, M.sc (Institut Teknologi

l0

Nopember,surabaya)

Dr. Setyawan P- Sakti, Ing. M.Eng (Universitas Brawijaya) Ketua Redaksi:

Tii

Y. Evelinq SE,

MM

Section

Editor:

Jozua F. Palandi, M.Kom

Copy,Editor

&

proof Reader:

Zusana E. Pudyastuti, SS

,,

_,

L-ayoul,pditgt

Saiful yahya, S.Sn Ihta, Usaha /

Administrasi:,

tndah:Wulandari,,SE ,

SEKRETARIAT

Lembagq,Penelitian,& Pengabdian t<epaOa Masyarakat Sekolah ringgi

tgfrgatl5i

_{

I:yl1qr

indtnesia

(sTm)

- rraatans

SMATIKAJurnal

JL Raya

Tidar

100 Malang 65146

TeL +62-341 564006, 560823 Fax. +62-341562525 Website: www.stiki.ac.id E-mail:

jurnal@tiki.ac.id

J

lssN

2087-0256

Volume

01,

Nomor

01

Tahun

201

1

DAFTAR

TSI

Sistem lnformasi Peramalan Persediaan Obat pada

ApotikSidoarjo

dengan

MetodeWnter

RudySetiowon

Nordrassll Project:Web Pembangkit DDL dan Kode Sumber Aplikasi

Basis Data

8-15

Go Frendi Gunawan, Tri Y. Evelina, Hendra Suprayogi

Perbandingan

Algoritma

Scanline dan

Algoritma

RayTracing

terhadap

Akurasi Pencahayaan pada PirantiLunak 3ds Max

16-23

EvaHandriyantini

perba ndinga n Red uksi Data Mengg u naka n Transformasi Cosi nus Diskrit da n

Analisis Komponen

Utama

24'34

Laila lsyriyah, Evy Poe rbani ngtyas

Desain Tutorial

lbadah

Haji Berbasis

Multimedia

sebagai Panduan bagi

Calon Jamaan Haji ... 35

-40

Anung

Adhi Nug raha, Eva Handriyantini

1-7

Undangan Makalah

PENGANTARREDAKSI

STIKI

Informatika

Jurnal

(SIVIATIKA

Jurnal) merupakan

jurnal

yang

diterbitkan

oteh

Lembaga

Penetitian

&

Pengabdian kepada lvlasyarakat

(LPPM), Sekolah

Tinggi

Informatika

&

Komputer Indonesia

(STIKI)

Idalang.

Pada

edisi

ini,

SMATIKA

Jurnal menyajikan

5

_Qima)

naskah

dalam

bidang

Sistem

Informasi, data

base, pengolahan

cifa

dan

multimedia.

Redaksi mengucapkan terima

kasih dan

selamat kepada Pemakalah

yang diterima dan diterbitkan

dalam edisi ini,

karena telah memberikan

konfibusi

penting pada pengembangan ilmu dan

teknologi.

Sejumlah

pakar

dari

luar

STIKI (Mitra

Bestari)

telah

memberikan

kontribusinya

yang sangat berharga dalam menilai naskah yang

dimuat.

Urtuk

itu

Redaksi menyampaikan

banyak terima kasih kepada para Penilai _{@eveiwer) tersebut.}

Pada kesempatan

ini,

Redaksi

kembali

mengundang

dan

memberi kesempatan kepada

pam Peneliti

di

bidang Teknologi Informasi

untuk

mempublikasikan

hasil-hasil penelitiannya

melalui jurnal

ini.

Bagr para pembaca yang berminag Redaksi memberi

kesempatan untuk berlangganan.

Aktrirnya Redaksi berharap semoga

artikel-artikel

dalam

jurnal ini

bermanfaat

bagi

para pembaca khususnya dan

bagi

perkembangan

ilmu

dan

teknologi

di

bidang

Teknologi Informasi pada umumnya.

SISTEM INFORMASI PERAMALAN PERSEDIAAN OBAT

PADA APOTIK SIDOARJO DENGAN METODE WINTER

Rudy Setiawan

Program Studi Sistem Informasi, Universitas Ma Chung Malang Email: rudy.setiawan@machung.ac.id

ABSTRAK

Forecasting information in computer system plays important role in pharmacy. Forecasting is part of integral in making decision of pharmacy management. Pharmacy determines target and objective of medicines stock. Which try to predict environment factor; and choose the act in getting result of achieving the target and objective? Exponential Smoothing is the method being used. The forecasting result present in graphic, which shows that accuracy ability in uncertain data forecasting until some next periods. Actual data and forecasting data have small deviation.

Kata Kunci: Forecasting, Making Decision, Exponential Smoothing,

1. PENDAHULUAN

Populasi masyarakat di kota besar semakin hari semakin meningkat secara rata-rata, sementara itu kesadaran masyarakat tentang pentingnya kesehatan menuntut adanya fasilitas penunjang masyarakat dibidang kesehatan, seperti rumah sakit, klinik spesialis, apotik, dan lain-lain, mengingat populasi yang semakin meningkat saat ini secara nyata dapat dilihat berkembangnya jumlah apotik juga semakin meningkat, dilain pihak kegiatan pabrik farmasi dan juga penelitian dibidang farmasipun semakin meningkat, hal ini berkaitan dengan semakin beragamnya berbagai jenis penyakit. Untuk memenuhi distribusi obat kepada masyarakat, apotik dibangun dengan pertimbangan kebutuhan obat yang sering dipakai oleh masyarakat dan banyaknya resep dokter (ISFI, 2002).

Teknologi informasi telah berkembang pesat saat ini, sedikit demi sedikit masyarakat bisnis di Indonesia mulai menerapkan teknologi tersebut. Teknologi informasi dalam hal ini adalah sistem informasi manajemen yang memberikan kemudahan bagi masyarakat bisnis untuk mendokumentasikan berbagai data dan melakukan manipulasi terhadap data-data penting, terlebih dengan adanya metode sistem pendukung keputusan yang saat ini benar–benar menjanjikan akan memberikan informasi penunjang bagi masyarakat bisnis, untuk memberikan alternatif keputusan terbaik yang akan diambil.

Pimpinan apotik dalam hal ini apoteker sebagai pengambil keputusan didalam mengelola usahanya memerlukan sistem informasi yang cepat dan tepat terutama sistem informasi yang

mampu meramalkan pengeluaran obat – obatan diperiode yang akan datang sehingga sedini mungkin apoteker bisa menyediakan persediaan obat - obatan, hal ini bertujuan untuk menjaga ketersediaan stok obat-obatan dan menghindari terjadinya kelebihan stok maupun kekosongan stok, sehingga resep yang masuk selalu dapat dilayani.

Permasalahan dalam penelitian ini adalah bagaimana membuat sistem informasi yang terkomputerisasi untuk meramalkan persediaan obat-obatan pada apotik dengan menggunakan metode Winter. Tujuan penelitian ini adalah membuat sistem informasi peramalan obat–obatan dengan menggunakan metode Winter, dan membuat perencanaan persediaan obat-obatan berdasarkan pada data-data pengeluaran obat di periode yang lalu.

2. TINJAUAN PUSTAKA

Dalam peramalan, teknik yang digunakan terbagi atas dua kategori utama, yaitu metode kuantitatif dan metode kualitatif atau teknologi. Metode kuantitatif dapat dibagi ke dalam deret berkala (time series) dan metode kausal, sedangkan metode kualitatif atau teknologis dapat dibagi menjadi metode eksploratif dan normatif. Peramalan kuantitatif dapat diterapkan jika terdapat tiga kondisi yaitu tersedia informasi tentang masa lalu, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dan dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang. (Hanke dan Reitsch, 2005)

Y

ˆ

tp 1 1

)

(

1

)

(



_





_



t t t t

A

A

T

T





L t t t t

S

A

Y

S







(

1





)

_ p L t t t p t

A

pT

S

Y

ˆ

_



(



)

_{ }

)

)(

1

(

1 1 









t t L t t t

A

T

S

Y

A





Terdapat dua jenis model peramalan yang utama, yaitu model deret berkala dan model regresi (kausal). Pada jenis pertama, pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel dan/atau kesalahan masa lalu. Tujuan metode peramalan seperti itu adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola dalam menemukan pola dalam deret data historis dan mengekstrapolasikan data tersebut ke masa depan. Model kausal di pihak lain mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan satu atau lebih variabel bebas. (Pressman, 2006)

Langkah penting dalam memilih suatu metode deret berkala yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola dapat dibedakan menjadi empat jenis siklus (cyclical) dan trend yaitu: pola

horizontal, pola musiman, pola siklus, dan pola trend. (Makridakis, Wheelwright, dan McGee,

2002)

Dasar metode Exponential Smoothing (pemulusan) adalah pembobotan sederhana atau pemulusan observasi masa lalu dalam suatu deret berkala untuk memperoleh ramalan periode yang akan datang. Dalam pemulusan nilai-nilai historis ini, kesalahan random dirata - rata untuk menghasilkan ramalan “halus” yang tampaknya berfungsi dengan baik dalam keadaan tertentu. Keuntungan utama metode pemulusan adalah biayanya yang rendah, dalam penerapannya kecepatannya dapat diterima. Karakteristik ini membuatnya menarik terutama bila ingin meramalkan sejumlah besar item, seperti dalam kasus banyaknya persediaan (inventory), dan bilamana horison waktunya relatif pendek (kurang dari satu tahun).

Exponential smoothing adalah metode

pemulusan yang bobotnya berciri menurun secara eksponensial dari titik data terakhir sampai dengan yang terawal. Metode ini terdiri atas tunggal, ganda, Holt’s Model, Winter’s Model, yang semuanya mempunyai sifat yang sama yaitu nilai yang lebih baru diberikan bobot yang relatif besar dibanding nilai observasi yang lebih lama. Persamaan yang digunakan untuk metode

Exponential Smoothing model Winter’s

menggunakan 4 persamaan antara lain: (Makridakis, Wheelwright, dan McGee, 2002)

Pemulusan Eksponensial: ... (1)

Estimasi Trend: ... (2) Estimasi Musiman: (3)

Peramalan pada periode p: ... (4)

Dimana:

= merupakan nilai baru dari pemulusan atau nilai peramalan untuk p periode berikutnya. = konstanta pemulusan (0< < 1) = observasi baru atau nilai aktual

pada pada deret dalam periode t = konstanta pemulusan untuk

perkiraan trend (0<  < 1) = perkiraan trend

= konstanta pemulusan untuk perkiraan musiman (0<  < 1) = perkiraan musiman

= periode mendatang yang akan diramalkan

= lebar musiman

= nilai pemulusan lama atau rata-rata pengamatan pada metode deret pemulusan ke periode t – 1 Dari persamaan rumus diatas bisa di ambil kesimpulan bahwa konstanta alfa, beta dan gamma merupakan masukan yang sangat mempengaruhi ketepatan peramalan dari metode ini. Keuntungan dari Exponential Smoothing Model Winter’s ini adalah peneliti bisa meramalkan beberapa periode kedepan dengan nilai ketepatan yang lebih akurat.

Hasil yang diharapkan dalam penelitian ini adalah dapat memperoleh nilai simpangan yang kecil antara data aktual dengan data peramalan. Disamping itu juga dapat memperoleh keakuratan dalam peramalan data musiman hingga beberapa periode ke depan.

3. METODOLOGI

Untuk mengetahui perkiraan berapa jumlah penjualan obat pada periode selanjutnya, pihak manajemen perlu untuk melakukan peramalan untuk mengantisipasi persediaan obat, adapun cara untuk mendapatkan hasil peramalan penjualan obat untuk periode selanjutnya, pihak manajemen menghitung jumlah permintaan pada periode sebelumnya, untuk lebih jelasnya dapat dilihat pada algoritma berikut ini:

[Algoritma ini digunakan untuk melakukan peramalan obat untuk periode berikutnya]

[Inisialisasi]

alfa, beta, gamma, At, Tt, St, Ytp  0 [variabel peramalan]



Y

t

Y

ˆ

tp





T

t



S

t

p

L

periode  0 [variabel simpan data] [Proses penghapusan data awal pada tabel peramalan]

Repeat for I  1 hingga eof Menghapus semua data awal tabel peramalan

Meletakkan pointer pada record selanjutnya

[Proses for selesai] End repoeat for [Inisialisasi]

total  0 [memberikan nilai awal 0 untuk variabel total]

Meletakkan pointer pada record awal [Mencari data pada tabel jual]

for I  1 to eof

[Menghitung jumlah total permintaan]

total  total + jumlah jual

Meletakkan pointer pada record selanjutnya

[Proses for selesai] End repeat for [Proses input data]

Read (kode obat) Read (bulan) Read (tahun) Read (jumlah data) [Proses perhitungan data]

[Perhitungan data periode] periode  periode + 1 [Perhitungan data eksponensial]

At  alfa * (Yt / St) + (1 – alfa) * (At + Tt)

[Perhitungan data trend]

Tt  beta * (At2 – At1) + ( 1 – beta) * Tt

[Perhitungan data musiman]

St  gamma * (Yt / At) + ( 1 – gamma) * St

[Perhitungan data pada periode berikutnya]

Ytp  (At + 1 * Tt) * St [Perhitungan data error value]

Errorvalue  total - periode [Perhitunagan data MAD]

MAD  abs(total – periode) [Perhitungan data MSE]

MSE  (total - periode ) * ( total – periode)

[Perhitungan data MAPE] MAPE  MAD / total [Perhitungan data MPE]

MPE  Errorvalue / total [Proses output data]

Print (Kode Obat) Print (Periode)

Print (MSE)

Print (Forecast Obat) [Selesai]

end

Flow Chart Sistem

Flow chart pada sistem peramalan terlihat seperti pada gambar 1.

Start Login Admin Kunci Fasilitas Tabel Master Menu Pilihan Akses Data Master Melakukan Transaksi Melakukan Peramalan End Admin Tampilkan Data Tolak Akses Informasi Laporan Utilitas N N N N N Y Y N Y Ubah Data Update Data Y N Order Obat Jual Obat Transaksi Order Obat Transaksi Penjualan Obat Y N Y Y Analisa Data Uji Statistik Peramalan Tabel Master Analisa Data Uji Statistik Peramalan Manajemen User Admin Akses Penuh

Ganti Password N N Proses Analisa Data Proses Uji Statistik Proses Peramalan Laporan Tabel Master Laporan Analisa Data Laporan Uji Statistik Laporan Peramalan Y N N Y Y Y Y N N Y Y Y N Y Y Y Y N N _N

Gambar 1. Flow Chart Sistem

Flow chart pada gambar 1 menerangkan tentang alur proses dan entity yang terlibat didalam sistem informasi ini yang dimulai dari pengiriman obat hingga laporan ke Manajer/Apoteker yang secara rinci dijelaskan sebagai berikut :

 Supplier mengirimkan obat – obatan yang telah di order oleh apotik, terjadi proses penerimaan obat yang akan mengupdate stock obat yang bersangkutan.

 Customer / Pasien membawa resep, terjadi proses penerimaan resep yang akan melakukan pengecekan stock, bilamana stock tersebut mencukupi, resep dilayani, jika sebagian obat tidak ada maka resep ditolak dan customer dibuat copy resep. Pada saat melayani resep terjadi proses pengeluaran obat dan terjadi update stock.

 Re Order Point (ROP) dilakukan apabila stock tersebut telah berada kondisi di yang telah ditentukan, dimana ROP ini memerlukan persetujuan dari Manajer / Apoteker untuk melakukan order obat.

 Peramalan yang dilakukan satu bulan sekali di awal bulan, peramalan ini dilakukan dengan mengacu pada banyaknya resep yang

masuk ke apotik, baik resep yang dilayani maupun yang tidak dilayani.

Beberapa pseudocode persamaan peramalan Exponential Smoothing model Winter’s yang mendukung sistem peramalan obat-obatan. (Couchman dan Cristoper, 2004)

Pseudocode pemulusan eksponensial (At)

FungsiAt(Alfa: Real; Yt: Real; St: Real; At: Real; Tt: Real) : Real;

begin {

Alfa : konstanta pemulusan Yt : nilai observasi baru atau

nilai aktual pada pada deret dalam periode t St : nilai estimasi musiman At : nilai pemulusan eksponensial

Tt : nilai estimasi trend }

Result := Alfa * (Yt / St) + (1 - Alfa) * (At + Tt);

end;

Pseudocode estimasi trend (Tt)

FungsiTt(Beta: Real; At1: Real; At2: Real; Tt: Real) : Real;

begin {

Beta : konstanta pemulusan untuk perkiraan trend

At1 : nilai pemulusan eksponensial current

At2 : nilai pemulusan eksponensial current - 1

Tt : nilai estimasi trend }

Result := Beta * (At2 - At1) + (1 - Beta) * Tt;

end;

Pseudocode estimasi musiman (Tt)

FungsiSt(Gamma: Real; Yt: Real; At: Real; St: Real) : Real;

begin {

Gamma : konstanta pemulusan untuk perkiraan musiman

Yt : nilai observasi baru atau nilai aktual pada pada deret dalam periode t At : nilai pemulusan eksponensial

St : nilai estimasi musiman }

Result := Gamma * (Yt / At) + (1 - Gamma) * St;

end;

Pseudocode peramalan pada periode p (Yt+p) FungsiYtp(At: Real; Tt: REal; St: Real) : Real;

begin {

At : nilai pemulusan eksponensial

Tt : nilai estimasi trend St : nilai estimasi musiman }

Result := (At + 1 * (Tt)) * St; end;

Dalam pengujian penelitian ini, akan dicoba membuat analisa untuk mengevaluasi proses sampai terjadinya peramalan, Sebagai contoh pengujian disini diambil contoh salah satu data obat dengan :

Kode Obat : 000002

Nama Obat : SANMOL 500 MG Pada proses pengujian system akan melakukan tahap analisa data, tahap pengujian statistik, tahap perhitungan ramalan, dan analisa grafik peramalan.

4. HASIL DAN PEMBAHASAN

Pada tahap pengujian ini, sistem melakukan tahap analisa data dengan menjumlahkan semua transaksi penjualan obat setiap bulan, sesuai dengan kode obat yang dipilih, seperti tertuang pada tabel 1.

Tabel 1. Analisa Data

KD_OBAT PERIODE JUMLAH 000002 01/03/2001 1.215 000002 01/04/2001 992 000002 01/05/2001 1.773 000002 01/06/2001 971 000002 01/07/2001 936 000002 01/08/2001 471 000002 01/09/2001 979 000002 01/10/2001 1.007 000002 01/11/2001 956 000002 01/12/2001 1.062 000002 01/01/2002 1.344 000002 01/02/2002 1.364 000002 01/03/2002 1.367 000002 01/04/2002 1.782 000002 01/05/2002 1.773 000002 01/06/2002 1.814 000002 01/07/2002 1.611

000002 01/08/2002 1.551 000002 01/09/2002 1.077 000002 01/10/2002 1.108 000002 01/11/2002 1.052 000002 01/12/2002 1.168 000002 01/01/2003 1.478 000002 01/02/2003 1.500 24 1.265

Pada tahap pengujian statistik, sistem akan melakukan pengujian statistik dengan melakukan perhitungan dengan meguji fungsi alfa, beta, dan gamma dari nilai terkecil (0.1) hingga nilai terbesar (0.9) yang tujuannya untuk mencari MSE(Mean Squared Error) pada setiap kombinasi ketiga fungsi tersebut, seperti tertera pada tabel 2.

Tabel 2. Pengujian statistik

KD_OB AT NO ALF A BE TA GA MM A MSE 000002 1 0,1 0,1 0,1 131.203,30 000002 2 0,1 0,1 0,2 139.223,25 000002 3 0,1 0,1 0,3 148.943,50 000002 4 0,1 0,1 0,4 156.913,28 000002 5 0,1 0,1 0,5 165.363,68 000002 6 0,1 0,1 0,6 174.472,98 000002 7 0,1 0,1 0,7 182.973,39 000002 8 0,1 0,1 0,8 192.158,20 000002 9 0,1 0,1 0,9 203.495,61 000002 10 0,1 0,2 0,1 145.453,46 000002 11 0,1 0,2 0,2 155.743,91 000002 12 0,1 0,2 0,3 165.470,81 . . . . . . . . 000002 648 0,8 0,9 0,9 186.556,32 000002 649 0,9 0,1 0,1 88.329,36 000002 650 0,9 0,1 0,2 89.447,75 . . . . . . . . 000002 720 0,9 0,8 0,9 151.598,60 000002 721 0,9 0,9 0,1 118.933,40 000002 722 0,9 0,9 0,2 121.664,65 000002 723 0,9 0,9 0,3 128.504,65 000002 724 0,9 0,9 0,4 131.937,86 000002 725 0,9 0,9 0,5 137.511,42 000002 726 0,9 0,9 0,6 142.491,28 000002 727 0,9 0,9 0,7 149.287,41 000002 728 0,9 0,9 0,8 151.878,99 000002 729 0,9 0,9 0,9 165.653,18 88.329,36

Dari hasil pengujian statistik diatas kemudian dicari nilai MSE yang terkecil, dan diketahui tabel 3 menunjukkan bahwa nilai terkecil dari hasil pengujian nilai masing-masing fungsi adalah 88.329,36, dan nilai ini tercatat di database dan digunakan untuk perhitungan peramalan berikutnya. Tabel 3. MSE KD_OB AT ALF A BE TA GA MM A MSE 000002 0,9 0,1 0,1 88.329,36 000009 0,1 0,1 0,1 97,29

Setelah dilakukan uji statistik maka proses diteruskan ke peramalan obat berdasarkan obat yang pernah diuji, tabel 4 menunjukkan perhitungan peramalan berdasarkan nilai alfa = 0.9, beta = 0.1, dan gamma = 0.1, sesuai dengan tabel MSE.

Dari tabel 4, nilai ukuran ketepatan peramalan yang dihasilkan adalah tertulis pada tabel 5.

Tabel 5. Ukuran ketepatan peramalan MAD = 213,90 MSE = 88.329,40 MAPE = 0,20 MPE = -0,10

Berdasarkan pseudocode pada metode, perhitungan peramalan dijabarkan sebagai berikut:

Perhitungan pemulusan eksponensial :

Perhitungan estimasi trend :

Perhitungan estimasi musiman :

Perhitungan pada periode ke 8 (delapan) terlihat sebagai berikut :

Perhitungan estimasi pemulusan eksponensial :

Perhitungan estimasi trend :

Perhitungan estimasi musiman :

Peramalan untuk satu periode berikutnya :

Berdasarkan perhitungan peramalan tersebut, maka analisa grafik peramalan dapat dijeleskan pada gambar 2. Grafik gambar 2 memperlihatkan hasil akhir dari proses peramalan yang telah dibuat berdasarkan data aktual.

Gambar 2 Grafik Peramalan

Grafik gambar 2 menunjukkan bahwa nilai penjualan pada periode terkait adalah :

Periode 25 : nilai peramalan = 1.450,8 atau penjualan akan naik sebesar 0,3% dari periode sebelumnya.

Periode 26 : nilai peramalan = 1.873,2 atau penjualan akan naik sebesar 22,5% dari periode sebelumnya. Periode 27 : nilai peramalan = 1.905,9 atau

penjualan akan naik sebesar 1,7% dari periode sebelumnya.

Periode 28 : nilai peramalan = 1.945,0 atau penjualan akan naik sebesar 2,0% dari periode sebelumnya.

Periode 29 : nilai peramalan = 1.737,3 atau penjualan akan turun sebesar 12,0% dari periode sebelumnya. Periode 30 : nilai peramalan = 1.646,8 atau

penjualan akan turun sebesar 5,5% dari periode sebelumnya. Pada periode 1 – 6 merupakan inisialisasi dari proses peramalan, periode 7 – 8 terjadi pergeseran ) )( 1 ( 1 1      _{t t} L t t t A T S Y A   ) )( 9 . 1 ( 0 . 1 9 . 2 21 2 2    A T y A 3 , 014 . 1 5 , 121 8 , 892 ) 0 0 , 215 . 1 )( 9 . 1 ( 0 . 1 992 9 .        1 1) (1 ) (  _   _  _{t t t} t A A T T   1 2 1 2 2 2 .1(A A  )(1.1)T  T 0 ) 1 . 1 ( ) 0 , 215 . 1 30 , 014 . 1 ( 1 .     L t t t t S A Y S  (1)  0 . 1 ) 1 . 1 ( 1 . 2 2 2    A y S 00 , 1 ) 9 , 0 ( 1 , 0 0 . 1 ) 1 . 1 ( 3 , 014 . 1 992 1 .       ) )( 9 . 1 ( 9 . _{71 71} 6 7 7 7        A T S y A 8 , 925 )] 2 , 68 ( 6 , 515 [ 9 . 0 . 1 979 9 .      1 7 1 7 7 7 .1(A A )(1.1)T  T 4 , 20 ) 2 , 68 ( 9 . ) 6 , 515 8 , 925 ( 1 .      6 7 7 7 7 .1 (1.1)S  A y S 01 , 1 9 , 0 11 , 0 ) 0 , 1 ( 9 , 8 , 925 979 1 ,      p L t t t p t (A pT)S Yˆ      1 6 7 7 7 1 7 (A pT )S yˆ      4 , 905 ) 00 , 1 )]( 4 , 20 ( 1 8 , 925 [ yˆ8     1 , 20 9 , 0 0 , 21    

nilai terhadap bulan, dikarenakan ada pengaruh dari inisialisasi peramalan, periode 8 – 24 data peramalan berfluktuasi nyata, karena penyimpangan mulai mengecil (mendekati aktual), hal ini menunjukkan bahwa peramalan dapat diterima dengan menggunakan konstanta alfa = 0.9, beta = 0.1, dan gamma = 0.1.

5. KESIMPULAN

Dengan adanya sistem peramalan persediaan obat-obatan ini dapat memudahkan pengelola apotik untuk mengambil keputusan menentukan persediaan obat-obatan yang akan datang. Proses analisa data persediaan menjadi lebih cepat dan lebih akurat, karena waktu merupakan faktor utama dalam pengambilan keputusan.

Hasil analisa grafik peramalan menunjukkan bahwa data yang ditampilkan mempunyai keakuratan, terbukti dengan data aktual dengan data peramalan mempunyai nilai simpangan yang kecil dan alur yang sama. Untuk itu pengelola apotik lebih mudah menentukan keputusan karena sistem peramalan ini menyajikan data dalam bentuk grafik.

Metode peramalan Winter’s mempunyai kemampuan keakuratan dalam peramalan data musiman hingga beberapa periode kedepan. Metode peramalan yang menghasilkan penyimpangan ramalan terhadap realisasi (MSE :

Mean Sequare Error ) paling kecil yang dipilih.

6. DAFTAR PUSTAKA

1. ISFI. 2002. ISO (Informasi Spesialite Obat)

Indonesia. Jakarta: Penerbit Ikatan Sarjana

Farmasi Indonesia

2. Couchman, J.S., Cristoper, A. 2004. Oracle

Certified Professional Application Developer Exam Guide With Forecasting . California:

Osborne/ McGraw-Hill

3. Hanke, J.E., Reitsch, A.G. 2005. Business

Forecasting. New Jersey: Prentice Hall

International Editions.

4. Makridakis, S., Whellwright, S.C., and McGee, M.E. 2002. FORECASTING: Methods and Applications. Canada: John

Wiley & Sons Inc

5. Pressman, R. S. 2006. Software Engineering

(A Practitioner’s Approach). New York: