Abstract— In the business field, one in particular cooperatives, information about the number of items to be sold in the coming period is needed to decide how many number of items to be ordered. This study aims to identify and analyze the use of Single Exponential Smoothing method for forecasting the sales of goods in the XYZ Cooperative. The results show that the system can help management to forecast sales of goods in the coming period. The results of the validation testing of the system has also been shown that the calculations performed by the system are in accordance with the manual calculation.
Keywords—decision support system, forecasting, single
exponential smoothing
1 PENDAHULUAN
Koperasi XYZ adalah sebuah bidang usaha yang yang melayani penjualan untuk masyarakat umum. Koperasi XYZ sudah menggunakan sistem informasi untuk menangani transaksi penjualannya, akan tetapi masih ada kendala yang sering dihadapi Koperasi XYZ, beberapa diantaranya yaitu dalam penentuan berapa banyak barang yang harus dipesan untuk dijual dan tidak jarang pula Koperasi XYZ juga mengalami kekurangan persediaan stok barang di gudang. Oleh karena itu dibutuhkan suatu alat bantu yang dapat membantu dan memaksimalkan kinerja perusahaan dalam peramalan (forecasting) jumlah barang yang harus dipesan dan memperkirakan jumlah barang yang laku pada periode akan datang.
2 METODE PENELITIAN
2.1 Peramalan (Forecasting)
Forecasting adalah peramalan (perkiraan) mengenai
sesuatu yang belum terjadi [1]. Forecasting atau
peramalan adalah memperkirakan sesuatu pada
Brigida Arie Minartiningtyas, STMIK STIKOM Indonesia, Jl. Tukad Pakerisan No.97, Denpasar ([email protected]).
Gede Putra Hartawan, STMIK STIKOM Indonesia, Jl. Tukad Pakerisan No.97, Denpasar, ([email protected])
waktu yang akan datang berdasarkan data masa lampau yang dianalisis secara ilmiah.
2.1.1 Metode Single Moving Average
Metode Single Exponential Smoothing (pemulusan
tunggal) ini adalah nilai ramalan pada periode t+1 merupakan nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode tersebut [2]. Bentuk model
Single Exponential Smoothing seperti pada Rumus 1.
1
1
t tt Y S
S
... (1) Dimana :
1 t
S = Nilai ramal untuk satu periode waktu yang lalu t
-1
t
Y
= Nilai aktual untuk satu periode waktu yang lalu t-1
t
S = Ramalan Untuk Periode t + 1
= Konstanta pemulusanPersamaan ini merupakan bentuk umum yang digunakan dalam menghitung ramalan dengan metode
Exponential Smoothing. Metode ini banyak mengurangi masalah penyimpangan data, karena tidak perlu lagi
menyimpan semua data historis atau sebagian
daripadanya.
2. 1.2 Penentuan Konstanta Pemulusan
α disebut pemulusan konstan. Dalam metode
Exponential Smoothing, nilai α bisa ditentukan secara bebas, artinya tidak ada suatu cara yang pasti untuk
mendapatkan nilai α yang optimal. Maka pemilihan nilai
α dilakukan dengan cara trial dan error. Besarnya α
terletak antara 0 dan 1.
2. 1.3 Pengukuran Kesalahan Peramalan
Jika Yt merupakan data riil untuk periode t dan St
merupakan ramalan untuk periode yang sama, maka kesalahannya dapat dituliskan sebagai berikut:
t t
i Y S
e
... (2)Sistem Pendukung Keputusan Pemesanan
Barang Berdasarkan Peramalan Penjualan Pada
Koperasi XYZ
Jika terdapat nilai pengamatan dan peramalan untuk n periode waktu, maka akan terdapat n buah kesalahan dan ukuran statistik standar yang dapat didefinisikan dengan
Mean Absolute Error atau nilai tengah kesalahan absolut yakni rata-rata mutlak dari kesalahan meramal, tanpa menghiraukan tanda positif maupun negatif.
MAE =
n S Yt t
... (3)
2.2 Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (Decission Support
System) adalah sistem informasi berbasis komputer yang menyediakan dukungan informasi yang interaktif bagi manajer dan praktisi bisnis selama proses pengambilan keputusan. Sistem Pendukung Keputusan menggunakan
(1) model analitis, (2) database, (3) penilaian dan
pandangan pembuat keputusan dan (4) proses pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan keputusan bisnis yang semi terstruktur [3] Sistem yang akan dibangun ini merupakan bagian dari sistem informasi yang diharapkan nantinya report yang diberikan oleh sistem dapat digunakan oleh pihak manajemen dalam pengambilan keputusan untuk pemesanan barang.
2.3 Perancangan Sistem
Koperasi XYZ sudah memiliki aplikasi sistem informasi penjualan yang berbasis desktop. Sistem informasi penjualan ini memiliki peranan sangat penting dalam proses peramalan penjualan barang. Data yang akan digunakan dalam sistem pendukung keputusan pemesanan barang berdasarkan peramalan penjualan diambil dari hasil rekap penjualan di sistem informasi
penjualan.
Sistem pendukung keputusan pemesanan barang berdasarkan peramalan penjualan ini akan menggunakan metode Single Exponential Smoothing dengan konstanta pemulusan 0.1, 0.2, 0.3 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Peramalan bulan berikutnya dihitung berdasarkan rekap penjualan dan hasil peramalan bulan sebelumnya. Data
rekap penjualan didapat dari database yang digunakan di
sistem informasi penjualan yang sudah ada.
2. 3.1 Flowchart Sistem
Gambaran umum sistem pendukung keputusan pemesanan barang berdasarkan penjualan di Koperasi XYZ dapat dilihat pada Gambar 1 berikut ini.
Start
Proses Menghitung Peramalan Input Data Penjualan dan
Data Barang
Menentukan Data Barang Yang akan
Diramal
Selesai
Konstanta Pemulusan
Output Data Peramalan
Gambar 1 Flowchart Sistem
2. 3.2 Diagram Konteks
Diagram konteks dari sistem menggambarkan
masukan yang diterima dan keluaran yang dihasilkan oleh sistem [4], seperti yang ditunjukkan pada Gambar 2
Gambar 2 Diagram Konteks Sistem
2.3.3. Entity Relationship Diagram
Perancangan sistem database yang akan dibangun
digambarkan melalui Entity Relationship Diagram
(ERD) pada Gambar 3 berikut ini.
Data User
Info Data User
Kriteria Laporan Laporan Peramalan
Laporan Peramalan
Data Jual, Barang Data Ramal
Laporan Peramalan Kriteria Laporan Ambil Data
Info Peramalan
1 Sistem Pendukukung Keputusan Peramalan Penjualan Barang Admin
Manajer User
Gambar 3 Entity Relationship Diagram
3 HASIL DAN PEMBAHASAN
Dengan menggunakan langkah-langkah yang telah diuraikan di metode penelitian berikut ini akan dibahas perhitungan peramalan penjualan barang pada bulan 4 tahun 2013.
Pada Tabel 1 di bawah ini ditampilkan data penjualan bulan 1 tahun 2009 sampai bulan 3 tahun 2013.
Dalam melakukan peramalan pada penelitian ini
dengan metode Single Exponential Smoothing, besarnya
yang diterapkan adalah 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7,0.8 dan 0.9. Dengan tujuan untuk meramalkan
yangmenghasilkan MAE terkecil.
Tabel 1Data Penjualan Barang Koperasi XYZ
BULAN TAHUN JUMLAH BULAN TAHUN JUMLAH
1 2009 110 1 2010 119
BULAN TAHUN JUMLAH BULAN TAHUN JUMLAH
1 2011 98 1 2012 145 sebagai nilai awal dalam peramalan. Tabel 2 berikut ini
menyatakan hasil peramalan dari bulan 2 tahun 2009 sampai dengan bulan 4 tahun 2013.
Tabel 2 Hasil Peramalan
BULAN TAHUN JUMLAH RAMALAN BULAN TAHUN JUMLAH RAMALAN
1 2009 110 110 1 2010 119 86.25220743
2 2009 97 110 2 2010 88 89.52698669
3 2009 111 108.7 3 2010 115 89.37428802
4 2009 46 108.93 4 2010 67 91.93685922
5 2009 120 102.637 5 2010 134 89.4431733 6 2009 96 104.3733 6 2010 56 93.89885597 7 2009 112 103.53597 7 2010 67 90.10897037 8 2009 66 104.382373 8 2010 54 87.79807333 9 2009 78 100.5441357 9 2010 120 84.418266 10 2009 59 98.28972213 10 2010 76 87.9764394 11 2009 78 94.36074992 11 2010 20 86.77879546 12 2009 28 92.72467493 12 2010 45 80.10091591
BULAN TAHUN JUMLAH RAMALAN BULAN TAHUN JUMLAH RAMALAN
1 2011 98 76.59082432 1 2012 145 60.18455121 2 2011 34 78.73174189 2 2012 56 68.66609609 3 2011 98 74.2585677 3 2012 56 67.39948648 4 2011 122 76.63271093 4 2012 89 66.25953784 5 2011 89 81.16943984 5 2012 56 68.53358405 6 2011 45 81.95249585 6 2012 89 67.28022565 7 2011 48 78.25724627 7 2012 67 69.45220308 8 2011 39 75.23152164 8 2012 116 69.20698277 9 2011 77 71.60836948 9 2012 65 73.8862845 10 2011 29 72.14753253 10 2012 45 72.99765605 11 2011 26 67.83277928 11 2012 189 70.19789044 12 2011 29 63.64950135 12 2012 156 82.0781014 1 2013 200 89.47029126 2 2013 45 100.5232621 3 2013 59 94.97093592 4 2013 91.37384233
Peramalan bulan 2 tahun 2009 dengan nilai
0.1dapat dihitung dengan Rumus (1), sebagai berikut :
1
1Dari hasil perhitungan diatas dengan
sebesar 0.1maka bulan ke-2 dengan jumlah ramalan sebanyak 110. Untuk perhitungan bulan ke-3 tahun 2009 sampai bulan ke-4 tahun 2013 dapat dilakukan dengan cara yang sama. Berikut ini merupakan perhitungan peramalan
beserta nilai MAE yang dihasilkan dengan
sebesar0.1 pada bulan Bulan 4 tahun 2013:
1
1MAE = 33.71329563
Dengan menggunakan metode Single Exponential
Smoothing hasil peramalan dan besarnya Mean Absolute Error (MAE) pada masing-masing konstanta pemulusan dapat dilihat pada Tabel 3 berikut.
Tabel 3 Hasil Peramalan dan MAE
KONSTANTA RAMALAN MAE
0,1 91,37384233 33,71329563 0,2 98,98591161 33,96399018 0,3 97,76562397 34,46444153 0,4 91,60149572 35,12126913 0,5 83,35282873 35,73037302 0,6 74,89085911 36,26017122 0,7 67,50218049 37,07158638 0,8 62,0565358 38,25854381 0,9 59,10788463 39,99987113
Tabel 3 di atas menunjukkan bahwa peramalan
penjualan yang terbaik adalah dengan menggunakan
konstanta pemulusan (alpha) 0.1 dengan hasil ramalan : 91.37384233. Hasil peramalan beserta nilai MAE tersebut ditampilkan dalam form peramalan pada Gambar 4 di bawah ini.
Gambar 4 Form Peramalan
Data hasil peramalan dapat juga disajikan melalui grafik seperti yang ditunjukkan pada Gambar 5 dibawah.
Gambar 5 Form Grafik Peramalan
Hasil peramalan juga dapat ditampilkan dan dicetak melalui laporan peramalan seperti yang ditunjukkan pada Gambar 6 dibawah ini.
Gambar 6 Laporan Peramalan
4 KESIMPULAN
Aplikasi peramalan yang dibangun dengan
menggunakan metode Single Exponential Smoothing ini dapat diaplikasikan dengan baik sesuai dengan keinginan pihak manajeman. Hasil dari pengujian validasi sistem juga sudah menunjukan bahwa perhitungan yang dilakukan oleh sistem sudah sesuai dengan perhitungan manual.
Kelebihan sistem:
1. Mampu meramalkan semua jenis barang yang ada
serta mampu mevisualisasikannya dengan grafik.
2. Mampu menampilkan hasil peramalan dengan
konstanta pemulusan (
) yang menghasilkan MeanAbsolute Error ( MAE ) terkecil. Kekurangan sistem:
1. Peramalan penjualan barang yang ditampilkan
dalam bentuk grafik maksimal hanya 3 barang.
2. Konstanta pemulusan (
) tidak bisa ditentukanoleh pengguna karena
sudah ditetapkan.5 SARAN
Saran yang dapat dikemukakan berdasarkan kesimpulan diatas adalah sebagai berikut :
1. Dapat menampilkan visualisasi peramalan yang
lebih baik, tidak terbatas dalam bentuk histogram saja.
2.
Perlu adanya penelitian lebih lanjut tentangpenggunaan metode peramalan yang lain sebagai
perbandingan dengan metode Single
Exponential Smoothing yang sudah diterapkan.
DAFTARPUSTAKA
[1] Subagyo, P. (2002). Forecasting: Konsep dan Aplikasi (12th ed.). Yogyakarta: BPFE.
[2] Hoshmand, A. R. (2009). Business Forecasting: A Practical Approach (2nd ed.). New York: Routledge.
[3] Turban, E. and Aronson J. E. and Liang T. P. (2004). Decision Support Systems and Intelligent Systems (7th ed.). New Jersey: Prentice Hall Internasional, Inc.
[4] Hartono, Jogiyanto. 2005. Pengertian Data Flow Diagran (DFD).
