Sistem Pendukung Pengambilan Keputusan Pengadaan Stok Barang Untuk Toserba Dengan Metode Simple Moving Average
(Studi Kasus : Toko Serba Ada “Ainun Mart”)
ABSTRAK
Toserba “Ainun mart” memiliki banyak data penjualan. Data penjualan ini sering dibuang karena dianggap tidak berguna. Sebenarnya, data penjualan dapat sangat berguna jika diolah dengan benar. Salah satu pengolahan data penjualan adalah membuat sistem pedukung pengambilan keputusan peramalan data stok dari data penjualan bulanan toserba. Tujuan peramalan stok untuk menyeimbangkan stok yang berada di gudang sehingga tidak berlebih dan tidak kurang sehingga konsumen tidak lari ke kompetitor.
Metode simple moving average digunakan untuk sistem karena data penjualan memiliki pola acak. Tahap pertama dalam penghitungan metode simple moving average dalam sistem yang dibuat adalah mengambil data penjualan dari 24 bulan sebelum periode peramalan. Dilanjutkan dengan menghitung peramalan dengan menggunakan data 3 periode. Penghitungan dibagi menjadi 4 variasi penghitungan. Dari semua penghitungan, dicari Mean Absolut Percent Error (MAPE) terkecil. Peramalan yang memiliki MAPE terkecil akan ditunjukkan kepada pengguna sistem.
Decision Support Systems For Supplying Mini Market’s Goods Stock With Simple Moving Average Method
(Case Study : Mini Market “Ainun Mart”)
ABSTRACT
“Ainun mart” minimarket has a lot of sales data. The sales data is often discarded because they are not useful. Actually, the sales data can be very useful if treated properly. One of the sales data processing is to make the decision support system of data forecasting from the minimarket’s monthly sales data. The purpose of forecasting the stock is to balance the stock in the warehouse so that no overload and no less so that consumers do not go into competitors.
Simple moving average method is used for systems because the sales data has a random pattern. The first stage in the calculation of simple moving average method in the system is taking sales data from the 24 months before the forecast period. Followed by calculating forecasting using data from three periods. Calculations are divided into 4 variation calculation. From all the counting, searched the smallest Mean Absolute Percent Error (MAPE). Forecasting which has the smallest MAPE will be shown to users.
i
SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN PENGADAAN STOK BARANG UNTUK TOSERBA DENGAN METODE SIMPLE
MOVING AVERAGE
(Studi Kasus : Toko Serba Ada “Ainun Mart”)
SKRIPSI
Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Andreas Dian Sukarno Putro 125314113
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
ii
DECISION SUPPORT SYSTEMS FOR SUPPLYING MINI MARKET’S GOODS STOCK WITH SIMPLE MOVING AVERAGE METHOD
(Case Study : Mini Market “Ainun Mart”)
A Final Project
Presented as Fulfillment of The Requirement To Obtain Sarjana Komputer Degree In Informatics Engineering Study Program
Oleh :
Andreas Dian Sukarno Putro 125314113
INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY
vii
Sistem Pendukung Pengambilan Keputusan Pengadaan Stok Barang Untuk Toserba Dengan Metode Simple Moving Average
(Studi Kasus : Toko Serba Ada “Ainun Mart”)
ABSTRAK
Toserba “Ainun mart” memiliki banyak data penjualan. Data penjualan ini sering dibuang karena dianggap tidak berguna. Sebenarnya, data penjualan dapat sangat berguna jika diolah dengan benar. Salah satu pengolahan data penjualan adalah membuat sistem pedukung pengambilan keputusan peramalan data stok dari data penjualan bulanan toserba. Tujuan peramalan stok untuk menyeimbangkan stok yang berada di gudang sehingga tidak berlebih dan tidak kurang sehingga konsumen tidak lari ke kompetitor.
Metode simple moving average digunakan untuk sistem karena data penjualan memiliki pola acak. Tahap pertama dalam penghitungan metode simple moving average dalam sistem yang dibuat adalah mengambil data penjualan dari 24 bulan sebelum periode peramalan. Dilanjutkan dengan menghitung peramalan dengan menggunakan data 3 periode. Penghitungan dibagi menjadi 4 variasi penghitungan. Dari semua penghitungan, dicari Mean Absolut Percent Error (MAPE) terkecil. Peramalan yang memiliki MAPE terkecil akan ditunjukkan kepada pengguna sistem.
viii
Decision Support Systems For Supplying Mini Market’s Goods Stock With
Simple Moving Average Method (Case Study : Mini Market “Ainun Mart”)
ABSTRACT
“Ainun mart” minimarket has a lot of sales data. The sales data is often
discarded because they are not useful. Actually, the sales data can be very useful if treated properly. One of the sales data processing is to make the decision
support system of data forecasting from the minimarket’s monthly sales data. The
purpose of forecasting the stock is to balance the stock in the warehouse so that no overload and no less so that consumers do not go into competitors.
Simple moving average method is used for systems because the sales data has a random pattern. The first stage in the calculation of simple moving average method in the system is taking sales data from the 24 months before the forecast period. Followed by calculating forecasting using data from three periods. Calculations are divided into 4 variation calculation. From all the counting, searched the smallest Mean Absolute Percent Error (MAPE). Forecasting which has the smallest MAPE will be shown to users.
ix
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat, rahmat dan penyertaan-Nya sehingga penulis dapat menyelesaikan skripsi
dengan judul “Sistem Pendukung Pengambilan Keputusan Pengadaan Stok Barang Untuk Toserba Dengan Metode Simple Moving Average (Studi Kasus :
Toko Serba Ada “Ainun Mart”)”.
Penulisan skripsi ini diajukan untuk memenuhi syarat memperoleh gelar sarjana computer program studi S1 jurusan Teknik Informatika Universitas Sanata Dharma. Penulis menyadari bahwa skripsi ini masih jauh dari kata sempurna, oleh karena itu penulis mengharapkan kritik dan saran yang membangun dari pembaca demi kesempurnaan skripsi ini.
Skripsi ini dapat selesai tidak lepas dari pentingnya berbagai pihak, sehingga pada kesempatan ini penulis mengucapkan terimakasih yang sebesar-besarnya kepada semua yang terlibat memberikan dukungan baik secara langsung maupun tidak langsung. Ucapan terimakasih saya ajukan kepada :
1. Tuhan Yesus selaku pembimbing hidup saya yang selalu menuntun saya sehingga sampai pada titik ini.
2. Kedua Orang tua, Bapak VL Susilo dan Ibu Nanik Purwati yang selalu
mendukung saya, memberikan motivasi, serta memberikan dukungan moral dan finansial yang tidak terhitung jumlahnya.
3. Kedua saudara penulis, Astrid Dian Ikasari dan Johanes Dian Triatmaja yang memberikan keceriaan dan kebersamaanya dikala penat menulis skripsi.
4. Ibu Sri Hartati Wijono, S.Si., M.Kom. selaku pembimbing yang selalu setia memberikan pengarahan serta solusi dalam pengerjaan skripsi ini hingga selesai.
x
6. Semua teman-teman Teknik Informatika angkatan 2012 dan khususnya TI kelas D yang telah berjuang bersama dan saling berbagi keceriaan, semangat dan inspirasi.
xi DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN JUDUL ... ii
HALAMAN PERSETUJUAN ... iii
HALAMAN PENGESAHAN ... iv
PERNYATAAN KEASLIAN KARYA ... v
LEMBAR PERNYATAAN PERSETUJUAN ... vi
ABSTRAK ... vii
1.7 Sistematika Penulisan ... 4
BAB II LANDASAN TEORI ... 5
2.1 Sistem Pendukung Pengambilan Keputusan (SPPK) ... 5
2.2 Peramalan ... 6
BAB III ANALISA DAN PERANCANGAN SISTEM ... 15
3.1 Fase Intelegensi ... 15
3.2 Fase Desain ... 15
xii
3.4 Fase Implementasi ... 16
BAB IV FASE IMPLEMENTASI ... 26
4.1 Manajemen Data ... 26
4.2 Manajemen Model ... 27
4.3 Manajemen Dialog... 56
BAB V HASIL PENGUJIAN DAN ANALISA HASIL ... 60
5.1 Pengujian dan Hasil ... 60
5.2 Kelebihan dan Kekurangan Sistem ... 62
BAB VI KESIMPULAN DAN SARAN ... 63
6.1 Kesimpulan ... 63
6.2 Saran ... 63
DAFTAR PUSTAKA ... 64
xiii
DAFTAR GAMBAR
Gambar 3.1 : ER Diagram ... 17
Gambar 3.2 : Use Case Diagram Software Tester ... 19
Gambar 3.3 : Use Case Diagram software User ... 19
Gambar 3.4 : Class Diagram Software Tester ... 20
Gambar 3.5 : Class Diagram Software User ... 20
Gambar 3.6 : Sequence Diagram Software Tester ... 21
Gambar 3.7 : Sequence Diagram Software User ... 22
Gambar 3.8 : Activity Diagram Software Tester ... 23
Gambar 3.9 : Activity Diagram Software User ... 24
Gambar 3.10 : Halaman Dialog Software Tester ... 24
Gambar 3.11 : Halaman Dialog Software User ... 25
Gambar 4.1 : Tabel BarangAinun ... 26
Gambar 4.2 : Tabel PenjualanAinun ... 26
Gambar 4.3 : Tabel BarangPredik ... 27
Gambar 4.4 : User Interface SimulasiTest ... 56
xiv
DAFTAR TABEL
Tabel 3.1 Barang (BarangAinun) ... 18
Tabel 3.2 Penjualan (PenjualanAinun) ... 18
Tabel 3.3 Peramalan (BarangPredik) ... 18
Tabel 5.1 Peramalan MA Normal ... 60
Tabel 5.2 Peramalan MA Variasi 1 ... 60
Tabel 5.3 Peramalan MA Variasi 2 ... 61
1 BAB I PENDAHULUAN
1.1Latar Belakang Masalah
Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat dan dapat menunjang untuk seseorang atau kelompok sangat dibutuhkan. Kebutuhan akan informasi yang tinggi harus diimbangi dengan pengadaan data yang memadai, valid dan berjumlah banyak agar informasi yang dihasilkan menjadi akurat. Kemampuan teknologi informasi dalam mengumpulkan, menganalisis dan mengolah data sangat cepat dan akurat meninggalkan metode tradisional yang lebih lambat dan tidak dapat menagani data dalam jumlah besar.
Pemanfaatan data yang ada dalam sistem informasi untuk menunjang pengambilan keputusan, tidak hanya mengandalkan data saja, tetapi data juga harus digali potensi-potensi informasi yang ada. Pengolahan data untuk mengambil informasi berguna dalam membantu meramalkan apa yang akan terjadi selanjutnya sehingga dapat diambil keputusan yang tepat untuk merancang sebuah strategi.
2
dan merugikan pemilik toko atau stok kurang yang akan membuat pelanggan lari ke toserba kompetitor.
Maka pada tugas akhir ini akan dilakukan penelitian analisa data transaksi pada toserba dengan menggunakan metode simple moving average yang diaplikasikan pada sebuah sistem pendukung pengambilan keputusan pengadaan stok yang diharapkan dapat memberikan pengetahuan untuk mengatur kestabilan stok. Pengambilan keputusan pengadaan stok yang dimaksud adalah meramalkan stok barang dengan metode simple moving average. Metode simple moving average digunakan karena data barsifat fluktuatif, random dan polanya sulit deketahui.
1.2Rumusan Masalah
Berdasarkan permasalahan yang ada,maka rumusan masalah yang dapat disimpulkan adalah :
1. Bagaimana metode simple moving average mampu meramalkan stok barang pada data transaksi penjualan di suatu toserba?
2. Berapa presentase error dari peramalan stok yang telah diramalkan
dengan metode simple moving average? 1.3Tujuan Penelitian
Penelitian dalam tugas akhir ini memiliki tujuan, yaitu membuat suatu sistem pendukung pengambilan keputusan pengadaan stok barang dengan menerapkan metode simple moving average dari analisis data transaksi sehingga mendapatkan informasi tentang ramalan stok barang.
1.4Batasan Masalah
Batasan masalah pada tugas akhir ini adalah :
1. Proses analisa data dilakukan dengan data di Ainun mart pada periode transaksi penjualan tahun 2014 dan 2015.
2. Metode yang digunakan dalam penelitian adalah metode simple moving average.
3. Pengguna sistem adalah pemilik mini market.
4. Data yang diolah diperoleh dari data yang telah tersimpan dalam database.
3 1.5Manfaat Penelitian
Adapun beberapa manfaat yang diharapkan dari penulisan tugas akhir ini adalah :
1. Bagi Penulis
Penulis dapat lebih mengetahui cara menerapkan ilmu-ilmu yang telah dipelajari selama ini dalam merancang dan membuat sebuah sistem dengan teknik peramalan simple moving average.
2. Bagi Pengguna Sistem
Pengguna sistem diharapkan bisa mendapatkan informasi yang berguna tentang peramalan stok barang di gudang sehingga dapat merencanakan pengadaan stok untuk periode penjualan berikutnya. 1.6Metode Penelitian
Metode yang digunakan menggunakan adalah paradigma waterfall dengan tahapan sebagai berikut:
1. Analisis Kebutuhan
Menganalisa kebutuhan untuk merancang sistem dan mengumpulkan data-data yang dibutuhkan untuk meramalkan stok.
2. Perancangan Sistem
Merancang sebuah rancangan sistem yang akan diterjemahkan kedalam perangkat lunak. Perancangan yang dilakukan antara lain perancangan desain database, user interface dan rancangan implementasi program.
3. Penulisan Program
Melakukan penerjemahan rancangan yang telah dibuat kedalam bahasa pemrograman.
4. Pengujian
4 1.7Sistematika Penulisan6
BAB I PENDAHULUAN
Bab ini menjelaskan latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metode penelitian, serta sitematika penulisan laporan dari penelitian yang akan dilakukan.
BAB II LANDASAN TEORI
Bab ini berisi penjelasan tentang teori-teori yang digunakan untuk memecahkan masalah yang akan diteliti.
BAB III ANALISA DAN PERANCANGAN SISTEM
Bab ini membahas mengenai analisa dan perancangan sistem yang akan dibuat.
BAB IV FASE IMPLEMENTASI
Bab ini berisi penjelasan mengenai implementasi sistem sesuai dengan analisis dan rancangan sistem ke dalam bentuk program.
BAB V HASIL PENGUJIAN DAN ANALISA HASIL
Bab ini berisi hasil pengujian dan analisa dari implementasi sistem yang telah dibuat.
BAB VI KESIMPULAN DAN SARAN
5 BAB II
LANDASAN TEORI
2.1Sistem Pendukung Pengambilan Keputusan (SPPK) 2.1.1 Pengertian SPPK
Sistem pendukung keputusan atau DSS (Decision Support System) diciptakan oleh Glory dan Scoot Morton pada tahun 1971. Gagasan tersebut didasarkan pada perlunya suatu kerangka kerja untuk mengarahkan aplikasi komputer kepada pengambilan keputusan manajemen
Pengambilan keputusan adalah sebuah proses memilih tindakan (di antara berbagai alternatif) untuk mencapai suatu tujuan atau beberapa tujuan (Turban, 2005).
2.1.2 Proses Pengambilan Keputusan
Dalam proses pengambilan keputusan disarankan untuk mengikuti fase-fase proses pengambilan keputusan. Fase-fase tersebut dibagi menjadi 4, yaitu :
1. Fase Intelegensi
Merupakan fase pemindaian masalah, kebutuhan atau kesempatan yang ada dan yang akan dipecahkan menggunakan sistem yang akan dibuat.
2. Fase Desain
Merupakan fase untuk merancang cara-cara yang akan digunakan untuk memecahkan masalah. Pada tahap ini, perancang dapat melihat dari berbagai sudut untuk mencari pemecahan masalah.
3. Fase Pilihan
6 4. Fase Implementasi
Merupakan fase untuk mengimplementasikan sistem yang telah dirancang pada tahap-tahap sebelumnya.
2.1.3 Komponen-komponen SPPK
Aplikasi SPPK dapat terdiri dari 4 subsistem. Setiap sub sistem berkaitan satu dengan yang lainnya. Berikut adalah 4 subsistem tersebut (Turban, 2005) :
1. Subsistem manajemen data
Subsistem manajemen data memasukkan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut DBMS (Database Management System) .
2. Subsistem manajemen model
Merupakan paket perangkat lunak yang memasukkan berbagai model yang diperlukan dalam sistem sehingga memberikan kapabilitas analitik dan management perangkat lunak yang tepat.
3. Subsistem manajemen dialog
Memuat fasilitas bagi pengguna untuk dapat berkomunikasi dengan sistem melalui antarmuka yang meliputi piranti masukan dan keluaran.
4. Subsistem manajemen pengetahuan
Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen yang memberikan intelegensi untuk memperbesar kemampuan pengetahuan si pengambil keputusan.
2.2Peramalan
2.2.1 Pengertian Peramalan
7
yang akan datang tidak saja penting untuk melihat yang baik atau buruk tetapi juga bertujuan untuk melakukan persiapan peramalan. Peramalan adalah prediksi, proyeksi atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan datang (Yamit, 2003:13).
Peramalan merupakan prediksi nilai-nilai sebuah variabel berdasarkan kepada nilai yang diketahui dari variabel tersebut atau variabel yang berhubungan (Makridakis, 2003:24).
Beberapa faktor umum lingkungan yang mempengaruhi peramalan, yaitu :
1. Kondisi umum bisnis dan ekonomi.
Hal ini berkaitan dengan perkembangan bisnis dan ekonomi secara global.
2. Reaksi dan tindakan pesaing
Kita dapat memperhatikan segala reaksi dan tindakan pesaing agar pola peramalan yang ditetapkan dapat mengimbangi pesaing tersebut.
3. Tindakan pemerintah
Tindakan pemerintah secara makro ekonomi mengakibatkan pola peramalan dapat berubah.
2.2.2 Tipe Peramalan
Berikut ini adalah tipe peramalan bedasarkan kegunaannya (Alfatah, 1998):
1. Peramalan fasilitas
Peramalan fasilitas akan menghasilkan keluaran maksimum sesuai yang diharapkan. Jangkauan waktu peramalannya adalah jangkauan waktu perancanaan fasilitas dan waktu konstruksi ditambah waktu pengembangan fasilitas.
2. Peramalan perencanaan produksi
8
sedikit satu siklus permintaan dengan penjualan menurut periode tertentu.
3. Peramalan produk
Peramalan produk menghasilkan satuan produk yang dijual. Jangkauan waktu ditambah paling sedikit satu siklus pembuatan.
2.2.3 Langkah Peramalan
Dalam melakukan peramalan, dibutuhkan langkah-langkah untuk melakukannya. Secara ringkas ada tiga langkah yang harus dilakukan dalam merancang suatu metode peramalan, yaitu:
1. Melakukan analisis data record untuk mendapatkan gambaran tentang pola dari data yang bersangkutan.
2. Memilih metode yang digunakan. Metode untuk teknik peramalan ada bermacam-macam. Pemilihan metode harus berdasarkan kebutuhan karena tidak semua metode dapat dianggap baik. Selain kebutuhan, pola dari data juga memengaruhi pemilihan metode yang akan digunakan.
3. Proses transformasi dari data record menjadi peramalan
dengan metode yang telah dipilih. Jika diperlukan, maka dapat diubah sesuai dengan kebutuhan.
2.2.4 Prinsip Peramalan
Metode peramalan merupakan metode yang tidak memiliki tingkat akurasi 100%. Terdapat empat karakteristik atau prinsip peramalan, yaitu (Arnold and Chapman, 2004):
1. Peramalan biasanya salah
Kesalahan dalam peramalan tidak bisa dielakkan, jadi sebaiknya kesalahan juga harus diprediksi. Kesalahan biasanya terjadi karena tujuan dari peramalan itu sendiri adalah melihat masa depan yang belum diketahui sehingga bisa salah.
9
tingkat kepercayaan. Tingkat estimasi kesalahan dapat disajikan dalam bentuk presentase besarnya kesalahan sebagai rentang nilai minimum dan maksimum.
3. Peramalan akan lebih akurat untuk kelompok atau grup
Perilaku dari setiap data satuan dalam grup adalah acak bahkan ketika grup dalam keadaan stabil. Contohnya ketika meramal suatu kelas, akan lebih sulit jika meramal satu orang murid daripada meramalkan rata-rata keseluruhan kelas. Sehingga dapat dikatakan bahwa peramalan kelompok akan lebih akurat daripada meramalkan data satuan.
4. Peramalan lebih akurat untuk jangka waktu yang lebih dekat Peramalan yang dilakukan untuk janka panjang akan memiliki tingkat kesalahan yang lebih tinggi karena tidak diketahuinya kejadian-kejadian yang akan terjadi dimasa yang akan datang. Jadi akan lebih baik jika meramalkan dalam jangka waktu yang lebih pendek dengan melakukan pendekata situasi yang terjadi pada saat peramalan dilakukan.
2.2.5 Metode-metode peramalan
Peramalan jika dilihat dari sifat-sifat peramalan dapat dibedakan menjadi dua macam, yaitu (Makridakis & Wheelwright, 1999) : 1. Peramalan kualitatif
Model peramalan yang digolongkan sebagai model kualitatif adalah:
a. Dugaan manajemen
10 b. Riset pasar
Riset pasar adalah metode peramalan berdasarkan hasil survey pasar dari tenaga pemasaran produk atau yang mewakili hasil survey pasar tersebut. Metode ini menggunakan informasi dari pelanggan untuk melihat rencana pembelian produk di masa yang akan datang. c. Metode kelompok terstruktur
Metode kelompok terstruktur adalah metode peramalan berdasarkan proses konvergensi opini beberapa orang atau ahli secara interaktif dan membutuhkan fasilitator untuk menyimpulkan hasil dari peramalan.
d. Analogi historis
Analogi historis merupakan metode peramalan beradarkan pola data record dari sebuah produk yang disamakan secara analogi.
2. Peramalan kuantitatif
Peramalan kuantitatif adalah peramalan dengan dasar kuantitatif pada masa lampau. Peramalan kuantitatif dibedakan menjadi dua, yaitu:
a. Metode kausal
Merupakan metode dengan mengembangkan suatu model sebab akibat antara permintaan yang akan diramalkan dengan variabel-variabel yang dapat memengaruhinya. Metode kausal dibagi lagi menjadi tiga bagian:
1) Metode korelasi regresi
11 2) Metode ekonometrik
Metode ini cocok bila digunakan untuk meramalkan kumpulan data beberapa tahun dan dengan peramalan jangka pendek atau jangka panjang. Peramalan dengan metode ini sering digunakan untuk peramalan penjualan menurut kelas produksi dan peramalan keadaan ekonomi masyarakat meliputi permintaan harga atau penawaran.
3) Metode input-output
Metode ini cocok bila digunakan untuk meramalkan kumpulan data 10-15 tahun dengan peramalan jangka panjang. Peramalan dengan metode ini sering digunakan untuk peramalan penjualan perusahaan dan peramalan produksi dari sector atau sub-sektor industri.
b. Metode deret berkala (Time Series)
Merupakan metode dengan menganalisis suatu pola hubungan antara variabel yang akan diramalkan dengan variabel waktu yang dapat dipengaruhi keempat komponen utama tren (trend), siklus (cycle), musiman (seasonal) dan acak (random). Dalam metode deret berkala, dibagi lagi menjadi dua metode yaitu metode moving average dan metode ARIMA (box Jenkins). Kemudian ada metode winter, smoothing, metode dekomposisi dan metode proyeksi tren dengan regresi.
2.2.6 Metode Deret Berkala
Merupakan metode peramalan yang meramalkan penjualan atau permintaan pada periode yang akan datang dengan mengolah data record. Metode yang termasuk deret berkala adalah :
1. Metode moving average
12
2. Metode weighted moving average
Metode weighted moving average merupakan metode dari pengembangan moving average. Pembobotan nilai perhitungan belum melakukan penghitungan rata-rata dari sebagian besar penelitian.
3. Metode exponantial smoothing
Metode ini menerapkan sistem pembobotan pada data record untuk melakukan peramalan. Pembobotan berubah menurun secara eksponensial bergantung dari data record.
Berdasarkan pembobotannya, metode exponential smoothing dibagi menjadi 3 jeni yaitu:
a. Metode single exponential smoothing
Pembobotan pada model ini berdasarkan level. b. Metode double exponential smoothing
Metode ini seperti metode single exponential smoothing, tetapi ditambahkan unsur tren pada pembobotan penghitungannya.
c. Metode triple exponential smoothing
Metode ini dikenal juga dengan nama winter’s method. Metode ini adalah pengembangan dari double exponential smoothing dengan menambahkan unsur seasonal pada pembobotan penghitungannya.
4. Metode Trend
Metode trend adalah metode peramalan dengan menggunakan kuadrat terkecil yang membentuk trend garis lurus melalui persamaan.
5. Metode seasonal trend
Metode seasonal trend dibagi menjadi dua, yaitu: a. Metode seasonal
13
Metode ini dibagi menjadi dua jenis, yaitu multiplicative dan additive (Lurgio, 1997).
b. Metode seasonal trend
Metode seasonal trend adalah perpaduan antara metode trend dan musiman. Data yang didapatkan akan disesuaikan dengan musiman, kemudian deseasonalized data tersebut dihitung dengan metode trend.
2.2.7 Metode Simple Moving Average
Metode ini merupakan metode peramalan yang menggunakan rata-rata dari suatu data dimana ditentukan terlebih dahulu suatu titik-titik data pada outset sehingga rata-rata dapat dihitung untuk memperkirakan data yang baru tersebut. Dengan munculnya data yang baru, maka nilai rata-rata yang baru dapat dihitung dengan menghilangkan data yang terlama dan menambahkan data yang baru (Lincoln, 2001).
Menurut Spyros dkk (1993), untuk menghilangkan pengaruh data masa lalu terhadap nilai peramalan, maka harus ditentukan terlebih dahulu berapa jumlah nilai observasi masa lalu yang dimasukkan untuk menghitung nilai tengah. Untuk menggambarkan prosedur ini maka diperlukan suatu metode, yaitu rata-rata bergerak (Moving Average) karena setiap muncul nilai observasi baru, nilai rata-rata baru dapat dihitung dengan membuang nilai observasi yang paling tua dan menghasilkan nilai observasi terbaru.
Rumus single moving average dapat ditunjukkan sebagai berikut:
14
Sedangkan untuk menghitung kesalahan digunakan Mean Absolute Percent Error (MAPE). MAPE merupakan metode perhitungan kesalahan yang dihitung dengan mencari presentase kesalahan dari setiap periode peramalan kemudian membaginya dengan jumlah data/periode yang digunakan. Berikut merupakan persamaan dari MAPE :
15 BAB III
ANALISA DAN PERANCANGAN SISTEM
3.1Fase Intelegensi
Toserba Ainun mart selalu membuang data record penjualan, disisi lain data tersebut sangat berguna untuk dikaji dan digunakan untuk mengendalikan stok yang ada didalam gudang. Untuk itu, dibutuhkan sebuah sistem yang dapat mengolah data penjualan tersebut menjadi data yang bernilai untuk pemilik toko. Sistem yang dibuat memiliki kemampuan untuk mendukung pengambilan keputusan pengadaan stok barang di toserba Ainun mart. Data yang dibutuhkan adalah jumlah transaksi penjualan selama 2 tahun sebelumnya yang digolongkan sesuai nama barang dan digolongkan sesuai bulan transaksi dilakukan. Selanjutnya, data yang telah masukkan akan diolah. Output yang dikeluarkan berupa hasil pengambilan keputusan pengadaan stok.
3.2Fase Desain
Salah satu metode untuk sistem pendukung pengambilan keputusan pengadan stok barang adalah metode peramalan. Metode peramalan jika dilihat dari sifatnya dibagi menjadi 2 yaitu peralaman secara kualitatif dan kuantitatif. Dalam hal ini, peramalan stok barang termasuk dalam metode kuantitatif karena baik input dan outputnya berupa angka.
Pola data penjualan toserba biasanya berupa trend, siklus, musiman dan acak sehingga peramalan penjualan termasuk dalam metode deret berkala. Dalam metode deret berkala, dapat dipecah lagi kedalam beberapa metode lagi, yaitu : Metode moving average, metode weighted moving average, metode exponential smoothing, metode trend, dan metode seasonal trend.
3.3Fase Pemilihan
16
moving average. Sehingga dalam penelitian ini, digunakan metode simple moving average untuk meramalkan pengadaan stok.
Metode simple moving average yang digunakan dalam penelitian ini menggunakan n = 3. Penggunaan n yang kecil untuk meningkatkan keakuratan karena berhubungan dengan faktor-faktor kejadian terdekat yang dapat mempengaruhi peramalan. Dalam penelitian ini, dicoba juga kedalam beberapa variasi pemodelan data yang baru dengan metode simple moving average.
Variasi pemodelan data yang baru dibuat untuk memenuhi kemungkinan jika pola data suatu barang memiliki pola yang sama setiap tahunnya. Variasi dibagi menjadi 3 yaitu variasi 1, variasi 2 dan variasi 3. Inti dari variasi pemodelan data yang baru adalah sama, yaitu peramalan menggunakan data yang telah ditentukan dari tahun sebelumnya untuk dirata-rata sehingga dapat memperkirakan data yang baru. Yang membedakan dari ketiga variasi adalah target dari peramalan. Contoh data yang diambil adalah data bulan 1, 2, dan 3 pada tahun 2014, kemudian dirata-rata. Target dari variasi 1 adalah bulan 1 tahun 2015, target dari variasi 2 adalah bulan 2 tahun 2015 dan target dari variasi 3 adalah bulan 3 tahun 2015.
3.4Fase Implementasi 3.4.1 Manajemen data
1. Perancangan Konseptual
Sistem pendukung pengambilan keputusan memiliki 3 entitas, antara lain : entitas kategori barang, entitas penjualan, entitas prediksi. Entitas kategori barang memilik relasi dengan entitas penjualan, sedangkan entitas prediksi tidak mempunyai relasi dengan entitas lain.
a. Entitas Barang
17 b. Entitas Penjualan
Entitas Penjualan menyimpan data yang berkaitan dengan transaksi penjualan berupa kode penjualan. Dalam proses peramalan, data pada entitas ini dibutuhkan untuk menghitung peramalan.
c. Entitas Peramalan
Entitas Peramalan menyimpan data yang berkaitan dengan peramalan barang mengenai data penjualan dan hasil peramalannya. Entitas peramalan merupakan sebuah entitas untuk membantu dalam proses penghitungan peramalan.
BarangAinun PenjualanAinun
BarangPredik
memiliki
KodeBarang NamaBarang KodePenjualan
Jumlah
no Penjualan
Prediksi
N 1
Gambar 3.1 : ER Diagram
2. Perancangan Logikal
BarangAinun
-KodeBarang : varchar(20) PK -NamaBarang : varchar(20)
Penjualan Ainun
18 BarangPredik
-No : number -Penjualan : number -Prediksi : number
3. Perancangan Fisikal
Nama Field Tipe Data Lebar Keterangan KodeBarang varchar 20 kode barang yang
dijual di toserba Ainun.
NamaBarang varchar 20 nama dari barang Tabel 3.1 Barang (BarangAinun)
Nama Field Tipe Data Lebar Keterangan KodePenjualan varchar 20 kode penjualan
selama 1 bulan KodeBarang number - kode dari barang
yang terjual Jumlah number - jumlah penjualan
selama 1 bulan Tabel 3.2 Penjualan (PenjualanAinun)
Nama Field Tipe Data Lebar Keterangan No number - nomor dari prediksi Penjualan number - data penjualan
19 3.4.2 Manajemen Model
1. Usecase diagram a. Software Tester
user
System
Setting mode Peramalan
Setting Target Peramalan
Lihat hasil Peramalan Input Data Penjualan
Gambar 3.2 : Use Case Diagram Software Tester b. Software User
user
System
Lihat Kategori Barang
Setting Target Peramalan
Lihat hasil Peramalan Input Data Penjualan
21 3. Sequence diagram
a. Software Tester
SimulasiTest simulasiClass SimulasiKontrol simulasiDB MA
User ActionEvent
1 : Masukkan data()
2 : ButtonPredikActionPerformed()
3 : simpan data()
4 : simpan bulan()
5 : simpan nama bulan()
6 : simpan tahun()
7 : simpan vasriasi()
8 : hitungMA() 9 : ambil data()
10 : getAvg()
11 : hasil prediksi()
12 : catatPredik()
13 : kembali()
14 : mape()
15 : cariPredik()
16 : data Prediksi()
17 : cariSelisih()
18 : hasil MAPE()
19 : simpan hasil() 20 : tampil hasil()
22
23 4. Activity diagram
a. Software Tester
Halaman SimulasiTest
masukkan data
klik Button Prediksi hitungMA mapeNormal mode=normal
else
mode = Variasi 1
Sistem
User
hitungMA mapeVar1
else
mode = Variasi 2
hitungMA mapeVar2
else
mode = Variasi 3
hitungMA mapeVar3
tampil hasil
24
Gambar 3.9 : Activity Diagram Software User 3.4.3 Manajemen dialog
1. Tampilan Software Tester
Mode Prediksi
Target Prediksi Bulan Tahun n Bulan
Prediksi Batal Keluar
25 2. Tampilan Software User
SPPK Pengadaan Stok Barang Kode Barang
Nama Barang
Bulan Tahun
Prediksi Batal Close
Hasil Prediksi
Kode Barang Nama Barang
26 BAB IV
FASE IMPLEMENTASI
4.1Manajemen Data
Langkah pertama dalam mengimplementasikan program yang telah dirancang sebelumnya adalah membuat database. Database dibuat untuk menampung data yang akan dipakai atau telah dihasilkan oleh sistem kedalam tabel untuk disimpan sebagai record. Tabel yang dibuat ada 3 yaitu :
1. Tabel BarangAinun
Gambar 4.1 : Tabel BarangAinun
Gambar 4.1, merupakan tabel dari BarangAinun beserta keterangannya. Tabel BarangAinun merupakan tabel dummy dari tabel barang di ainun mart. Tabel ini berisi data barang apa saja yang dijual oleh ainin mart. Tabel ini hanya memilik 2 kolom yaitu kolom kodeKategori(PK) dan namaKategori karena dalam sistem yang dibuat hanya membutuhkan 2 kolom tersebut.
2. Tabel PenjualanAinun
Gambar 4.2 : Tabel PenjualanAinun
27 3. Tabel BarangPredik
Gambar 4.3 : Tabel BarangPredik
Gambar 4.3 diatas, merupakan table dari BarangPredik beserta keterangannya. Tabel BarangPredik merupakan tabel bantu untuk program yang telah dibuat. Fungsi dari tabel ini adalah menyimpan sementara data penjualan dan hasil prediksi untuk mempermudah penghitungan MAPE. Tabel ini memiliki 3 kolom, yaitu kolom no, penjualan, prediksi.
4.2Manajemen Model 4.2.1 Software Tester
Berikut adalah fungsi-fungsi dan tahapan-tahapan peramalan pada software tester :
1. Button Prediksi
Merupakan sebuah tombol untuk melakukan prediksi dari data-data yang telah dimasukkan. Pada tombol prediksi dibagi menjadi 3 kondisi sesuai dengan mode peramalan yang telah dipilih sebelumnya. Langkah fungsi buttonPrediksi() dalam melakukan prediksi peramalan adalah sebagai berikut :
a. Melakukan peramalan
public void hitungMA(simulasiClass sm) throws
28
29
c. Memasukkan hasil prediksi kedalam tabel bantu
public void catatPredik(simulasiClass sim)
30
public void cariPredik1(simulasiClass sim)
31
public void cariPredik2(simulasiClass sim)
32
public void cariPredik3(simulasiClass sim)
33
e. Mencari MAPE dan menampilkan hasil
public void mapeNormal(simulasiClass sm) throws
34
sm.setJum(mapes);
sm.setHasil("Hasil prediksi untuk bulan
" + sm.getNamaBulan()
+ " tahun " + sm.getTahun() +
"\n adalah " + sm.getPrediksi()
35
+ " tahun " + sm.getTahun() +
"\n adalah " + sm.getPrediksi()
+ "\n MAPE : " + sm.getJum() +
"\n adalah " + sm.getPrediksi()
36
"\n adalah " + sm.getPrediksi()
+ "\n MAPE : " + sm.getJum() +
"%");
}
37 f. Mencari selisih error
public void cariSelisih(simulasiClass sim)
throws SQLException {
no=?))*100) as MAPE from dual";
38 }
}
public void cariSelisih1(simulasiClass sim)
throws SQLException {
no=?))*100) as MAPE from dual";
39
throw exception;
}
}
public void cariSelisih2(simulasiClass sim)
throws SQLException {
no=?))*100) as MAPE from dual";
40
conn.rollback();
throw exception;
}
}
public void cariSelisih3(simulasiClass sim)
throws SQLException {
no=?))*100) as MAPE from dual";
41
Merupakan sebuah tombol yang akan mengembalikan semua text field dalam sistem simulasi menjadi bersih kembali sehingga tidak harus menghapusnya satu persatu.
3. Button Keluar
Merupakan sebuah tombol yang fungsinya adalah untuk menutup sistem.
4.2.2 Software User
Berikut adalah fungsi-fungsi dan tahap-tahap peramalan pada software user :
1. Button Prediksi
Merupakan sebuah tombol untuk melakukan prediksi. Berbeda dengan software tester, software user akan langsung menghitung keempat mode peramalan sekaligus. Keempat mode peramalan yang dihitung akan dicari MAPE terkecil dan MAPE terkecil itulah yang akan dikeluarkan sebagai hasil peramalan. Langkah fungsi buttonPrediksi() dalam melakukan prediksi peramalan adalah sebagai berikut :
a. Mencari data penjualan dalam database untuk diproses public void cariData(UserClass usr) throws
42
public void hitungMA(UserClass sm) throws
43
c. Menghitung dengan algoritma moving average package testerPack;
import java.util.LinkedList;
44 public class MA {
private final Queue<Double> window = new
LinkedList<Double>();
private final int period;
private double sum;
public MA(int period) {
assert period > 0 : "Period must be a
positive integer";
this.period = period;
}
public void newNum(double num) {
sum += num;
window.add(num);
if (window.size() > period) {
sum -= window.remove();
}
}
public double getAvg() {
if (window.isEmpty()) {
return 0; // technically the
average is undefined
}
return sum / window.size();
}
}
d. Memasukkan hasil prediksi kedalam table bantu
public void catatPredik(UserClass usr) throws
SQLException {
45
public void cariPredik1(UserClass usr) throws
SQLException {
PreparedStatement statement = null;
ResultSet result = null;
48
f. Mencari MAPE dan menampilkan hasil
public void mapeNormal(UserClass sm) throws
51
g. Mencari selisih error
public void cariSelisih(UserClass usr) throws
SQLException {
no=?))*100) as MAPE from dual";
52
no=?))*100) as MAPE from dual";
53
no=?))*100) as MAPE from dual";
54
no=?))*100) as MAPE from dual";
statement =
conn.prepareStatement(sql);
statement.setInt(1, usr.getNo());
statement.setInt(2, usr.getNo() -
55
statement.setInt(3, usr.getNo());
result = statement.executeQuery();
if (result.next()) {
p = result.getInt("mape");
usr.setMAPE(p);
}
conn.commit();
} catch (SQLException exception) {
conn.rollback();
throw exception;
}
}
2. Button Batal
Merupakan sebuah tombol yang akan mengembalikan semua text field dalam sistem simulasi menjadi bersih kembali sehingga tidak harus menghapusnya satu persatu.
3. Button Keluar
56 4.3Manajemen Dialog
4.3.1 Software Tester
Gambar 4.4 : User Interface SimulasiTest
Sistem simulasi merupakan sistem yang dibuat untuk melakukan percobaan-percobaan penghitungan dengan beberapa permodelan terhadap barang tertentu. Sistem simulasi jika dijalankan akan memiliki tampilan seperti diatas, yaitu tampilan dari form simulasiTest. SimulasiTest memiliki 5 panel sesuai dengan urutan dalam menjalankan sistem simulasi.
Urutan pertama adalah mode prediksi. Panel mode prediksi memiliki pilihan untuk memilih mode prediksi. Mode prediksi yang dapat dipilih adalah mode normal, variasi1, variasi2, dan variasi3. Setiap mode prediksi yang ada memiliki algoritma yang sama tetapi dengan variasi pemodelan data yang berbeda.
57
Urutan ketiga adalah panel data penjualan. Panel data penjualan dibagi menjadi 2 yaitu data pada tahun target prediksi dan data sebelum tahun target prediksi. Masing-masing panel berisi text field bulan yang akan diisi sesuai data penjualan pada bulan tersebut. Text field akan terbuka dari januari pada tahun-1 sebelum target prediksi sampai bulan-1 pada tahun target prediksi yang telah ditentukan pada panel target prediksi.
Urutan keempat adalah panel button. Panel button memiliki 3 button yaitu button Prediksi, batal dan keluar. Button Prediksi fungsinya akan memprediksi data yang telah diinputkan oleh user. Button Batal memiliki fungsi me-reset semua field menjadi kosong seperti pertama membuka form simulasiTest. Kemudian button terakhir adalah button keluar, fungsinya untuk keluar dari sistem.
Urutan kelima adalah panel hasil. Panel ini berisi informasi hasil dari proses peramalan yang telah dilakukan, seperti hasil peramalan dan nilai MAPE. Informasi hasil akan keluar setelah dilakukan peramalan.
4.3.2 Software User
58
Sistem user merupakan sistem yang akan diterapkan kepada user di ainun mart. User interface yang dibuat terlihat simple dan lebih minimalis dari sistem simulasi karena data yang akan diolah diambil dari dummy database sehingga tidak perlu memasukkan data barang secara manual. Pada sistem ini, semua variasi pemodelan data peramalan akan dilakukan dan ditampilkan hasil MAPE terkecil sehingga user hanya akan menerima informasi hasil peramalan dengan persentase error terkecil sebagai pertimbangan pengambilan keputusan. Sistem user memiliki beberapa panel yaitu panel barang, target prediksi, table barang, button, dan hasil.
Panel barang berisi text field kode barang dan nama barang. Fungsi dari panel ini adalah untuk menentukan barang apa yang akan diramalkan. Untuk menentukan barang hanya perlu memasukkan kode barang lalu tekan enter. Jika kode barang valid maka nama barang akan otomatis terisi. Sebaliknya, jika kode barang tidak valid maka akan muncul notifikasi error.
Panel target prediksi berisi bulan dan tahun. Input bulan dan tahun digunakan untuk menentukan bulan dan tahun berapa prediksi yang ingin diketahui. Selain untuk menentukan bulan dan tahun peramalan,target prediksi juga digunakan untuk menentukan penjualan pada bulan dan tahun berapa saja yang akan dimasukkan kedalam algoritma peramalan.
Selanjutnya, ada tabel barang. Tabel barang berisi kategori barang apa saja yang dijual di ainun mart. Tabel barang berguna sebagai pedoman dalam mengisi kode barang jika user lupa atau tidak tahu kode barang dari barang yang akan diramalkan.
59
memiliki fungsi me-reset semua field menjadi kosong seperti pertama membuka form userFrame. Kemudian button terakhir adalah button keluar, fungsinya untuk keluar dari sistem.
60 BAB V
HASIL PENGUJIAN DAN ANALISA HASIL
5.1Pengujian dan Hasil
Penguji sistem dilakukan dengan melakukan peramalan dan pengukuran MAPE terhadap beberapa data penjualan. Pengujian yang dilakukan menggunakan 10 data barang pada periode penjualan tahun 2014 dan 2015. Pengujian dilakukan 4 kali dengan menggunakan variasi pemodelan data yang berbeda. Berikut adalah hasil dari percobaan-percobaan yang telah dilakukan :
1. MA Normal
Tabel 5.1 Peramalan MA Normal
Percobaan pertama dengan menggunakan algoritma MA normal dan menggunakan n=3. Dari percobaan yang dilakukan, dihasilkan 17 peramalan dengan nilai absolut error berada dibawah 10%. Rata-rata error peramalan terendah berdasarkan bulan peramalan adalah pada bulan 3 tahun 2015, sedangkan berdasarkan item barang ditemukan bahwa beras mentik per kg yang paling rendah rata-rata error-nya. 2. Variasi 1
61
Percobaan pertama dengan menggunakan algoritma MA dan menggunakan variasi pemodelan data 1. Dari percobaan yang dilakukan, dihasilkan 21 peramalan dengan nilai absolut error berada dibawah 10%. Rata-rata error peramalan terendah berdasarkan bulan peramalan adalah pada bulan 5 tahun 2015, sedangkan berdasarkan item barang ditemukan bahwa indomie goreng yang paling rendah rata-rata error-nya.
3. Variasi 2
Tabel 5.3 Peramalan MA Variasi 2
Percobaan pertama dengan menggunakan algoritma MA dan menggunakan variasi pemodelan data 2. Dari percobaan yang dilakukan, dihasilkan 15 peramalan dengan nilai absolut error berada dibawah 10%. Rata-rata error peramalan terendah berdasarkan bulan peramalan adalah pada bulan 7 tahun 2015, sedangkan berdasarkan item barang ditemukan bahwa marlboro yang paling rendah rata-rata error-nya.
4. Variasi 3
Tabel 5.4 Peramalan MA Variasi 3
62
dibawah 10%. Rata-rata error peramalan terendah berdasarkan bulan peramalan adalah pada bulan 7 tahun 2015, sedangkan berdasarkan item barang ditemukan bahwa marlboro yang paling rendah rata-rata error-nya.
Semua pengujian yang telah dilakukan menunjukkan bahwa hasil peramalan sangat acak dan memiliki persentase tingkat error yang berbeda-beda untuk masing-masing variasi pemodelan data pada barang dan periode yang sama. Variasi pemodelan data tertentu tidak dapat digunakan secara mutlak pada suatu barang yang sama untuk semua periode atau pada periode yang sama untuk barang yang berbeda. Setiap peramalan memiliki ciri khas sendiri sesuai dengan data dan polanya, sehingga variasi pemodelan data yang cocok juga akan berbeda disetiap peramalan yang dilakukan.
5.2Kelebihan dan kekurangan Sistem 5.3.1 Kelebihan Sistem
1. Sistem user dapat melakukan peramalan stok barang dari data
yang berasal dari database sistem.
2. Sistem menyediakan informasi tentang pertimbangan jumlah
stok yang harus disediakan oleh toko untuk bulan selanjutnya. 5.3.2 Kekurangan Sistem
1. Sistem sangat sederhana, hanya disesuaikan dengan kebutuhan untuk menerapkan algoritma Moving Average untuk meramalkan stok barang.
63 BAB VI
KESIMPULAN DAN SARAN
6.1Kesimpulan
Algoritma moving average dapat digunakan untuk meramalkan stok barang, akan tetapi tidak semua peramalan memiliki hasil yang baik karena datanya yang banyak dan bervariasi. Oleh karena itu, pada setiap peramalan juga dicantumkan perkiraan error peramalan yang telah dilakukan untuk pertimbangan pengambilan keputusan. Dalam percobaan ini, juga dikembangkan variasi pemodelan data yang baru untuk melengkapi cara yang sudah ada sehingga dapat mengurangi tingkat error untuk memungkinkan pengambilan keputusan yang lebih baik.
Presentase error yang ditimbulkan pada setiap barang bervariasi berdasarkan pola data penjualan dari masing-masing barang. Setiap variasi pemodelan data juga dapat menimbulkan presentase error yang berbeda. Oleh karena itu, sistem yang ditujukan untuk user akan menghitung setiap variasi pemodelan data, kemudian menyeleksi presentase terkecil untuk ditampilkan kepada user.
6.2Saran
Adapun beberapa saran yang penulis berikan untuk pengembangan sistem ini, antara lain :
1. Sistem yang telah dibuat hanya menggunakan 4 metode MA yang berbeda. Oleh karena itu, diharapkan dalam pengembangannya dapat dimasukkan variasi-variasi pemodelan data yang lain sehingga peramalan yang dilakukan akan semakin akurat.
64
DAFTAR PUSTAKA
Alfatah, V.A. (1998) Pemilihan Metode Peramalan (Forcasting) untuk Produk Passanger Car C Class dan E Class Pada PT. German Motor Manufacturing, Depok: Universitas Indonesia.
Arnold, J. R. and Chapman, N.S. (2004) Introduction to Material Management, New Jersey: Prentice-Hall Inc.
Assauri, Sofyan. (1991) Teknik dan Metode Peramalan, Jakarta : LPFE UI.
65 LAMPIRAN
1. Sample penjualan 2014
1 2 3 4 5 6 7 8 9 10 11 12
1 Indomie Ayam Bawang 68 153 88 150 42 52 81 88 62 59 76 104
2 Indomie Goreng 274 273 285 304 182 275 360 369 365 390 332 338
3 Cheetos Jagung Bakar 67 34 54 45 37 81 30 35 15 96 125 77
4 Telur per kg 88 99 118 96 162 117 121 130 150 113 160 130
5 Pantene Biru 70ml 0 1 1 0 2 2 1 3 2 2 3 2
6 Marlboro 6 27 40 20 27 43 31 34 33 37 30 31
7 Aqua Galon 92 78 93 66 94 101 83 75 67 83 73 77
8 Beras Mentik per kg 27 56 97 110 37 70 82 130 143 122 132 128
9 Kacang 2 Kelinci 100g 12 1 5 4 5 1 1 5 1 1 4 3
10 Bumbu Racik Nasi Goreng 17 17 12 11 8 0 8 16 5 8 4 12
No Nama 2014
2. Sample penjualan 2015
1 2 3 4 5 6 7 8 9 10 11 12
1 Indomie Ayam Bawang 75 55 73 109 65 58 46 70 96 78 72 102
2 Indomie Goreng 231 363 410 294 295 375 380 267 460 336 230 314
3 Cheetos Jagung Bakar 116 85 59 141 80 86 60 55 52 62 126 49
4 Telur per kg 114 90 117 117 89 128 151 96 85 91 86 108
5 Pantene Biru 70ml 2 3 4 1 2 0 3 1 1 4 2 5
6 Marlboro 5 25 25 31 34 25 32 40 48 47 38 36
7 Aqua Galon 84 30 43 69 110 125 112 112 75 22 32 29
8 Beras Mentik per kg 157 53 143 151 158 154 119 114 141 105 138 174
9 Kacang 2 Kelinci 100g 8 3 7 9 3 1 2 3 2 5 1 5
10 Bumbu Racik Nasi Goreng 11 0 7 9 6 9 7 6 13 4 6 8
66 3. Penghitungan
Penghitungan untuk meramalkan stok barang indomie ayam bawang untuk periode januari 2016.
Bulan Penjualan Normal APE MAPE Variasi 1 APE MAPE Variasi 2 APE MAPE Variasi 3 APE MAPE
Jan-14 68
Feb-14 153
Mar-14 88
Apr-14 150 103 31
May-14 42 130 210
Jun-14 52 93 79
Jul-14 81 81 0
Aug-14 88 58 34
Sep-14 62 74 19
Oct-14 59 77 31
Nov-14 76 70 8
Dec-14 104 66 37
Jan-15 75 80 6 103 37
Feb-15 55 85 55 130 137 103 87
Mar-15 73 78 7 93 28 130 79 103 41
Apr-15 109 68 38 81 25 93 14 130 20
May-15 65 79 22 58 10 81 25 93 44
Jun-15 58 82 42 74 27 58 1 81 40
Jul-15 46 77 68 77 67 74 60 58 27
Aug-15 70 56 20 70 0 77 10 74 5
Sep-15 96 58 40 66 32 70 27 77 20
Oct-15 78 71 9 80 2 66 16 70 11
Nov-15 72 81 13 85 18 80 11 66 9
Dec-15 102 82 20 78 24 85 17 80 22
Jan-16 ? 84 28 68 24 78 23 85 16
67 a. MA Normal
b. MA Variasi 1
c. MA Variasi 2
68
