jurnal sunarti2-1

8/17/2019 jurnal sunarti2-1

1/11


2/11

Sekolah Tinggi Ilmu Komputer (STIKOM) Pelita Indonesia - 2011 Page 2

1. Pendahuluan

Perkembangan teknologi informasi saat ini merupakan pemicu perusahaan dalam menggalipotensi yang dimiliki oleh perusahaan untuk dapat lebih meningkatkan kinerja perusahaan.

Sebagaimana diketahui bahwa, teknologi komputer pada saat ini sebagai salah satu alat bantuyang digunakan oleh masyarakat luas. Dalam pengembangan dan peningkatan hasil penjualan

dan nama baik perusahaan selain kualitas produk yang bagus, pelayanan juga sangat pentingterutama bagi perusahaan yang bergerak di bidang penjualan dan layanan jasa. Pemanfaatankomputer dan perangkat lunaknya yang dirancang sesuai kebutuhan sistem denganmenganalisa objek-objek yang ada dapat membantu pendistribusi informasi, komunikasi datadan menangani pada permasalahan sistem.

PT. Sejahtera Panca Jaya merupakan sebuah perusahaan swasta yang bergerak dalambidang penjualan dan jasa vulkanisir ban mobil yang berdiri sejak tahun 1982. Aktifitas-aktifitaspada perusahaan PT. Sejahtera Panca Jaya mencakup penjualan dan layanan jasa vulkanisiryang dilakukan oleh front office, gudang, dan berbagai bagian yang saling kerja sama. Sisteminformasi yang digunakan oleh PT. Sejahtera Panca Jaya masih secara manual walaupunsebagian telah menggunakan alat teknologi komputer.

PT. Sejahtera Panca Jaya memiliki beberapa bagian, yaitu front office, administrasi,

gudang, dan sales and tagih. Tiap bagian memiliki tugas masing-masing namun masih salingmenghubungkan satu dengan yang lain, namun karena banyaknya kegiatan yang dilakukan

secara manual, maka kinerja sistem dalam menanggapi masalah tidak maksimal. Terutamapada penyediaan stok barang seringkali terdapat permasalahan seperti, untuk jenis barangyang merupakan item laris yang justru harus distok lebih banyak untuk menenuhi permintaanpasar, tetapi dalam penjualan seringkali terdapat kekurangan stok pada item laris tersebut.Kemudian pada gudang terdapat cukup banyak stok pada beberapa jenis barang yang jarangdibutuhkan dalam permintaan. Hal ini menyebabkan kinerja pada proses penjualan rendah danmanajemen ketersediaan barang tidak bagus yang dikarenakan sistem pada PT. SejahteraPanca Jaya masih belum memanfaatkan sistem komputerisasi. Sistem yang manual tersebuttidak dapat untuk menganalisa data-data yang ada dalam jumlah yang banyak, sehingga tidakdapat menghasilkan informasi berupa pengetahuan untuk perbandingan terhadap jenis barangyang banyak diminati oleh konsumen, yang kurang diminati, dan jumlah perkiraan ketersediaanyang seharusnya.

Data-data yang masih manual tersebut rentan akan rusak atau kehilangan, dan proses

pengarsipan pada tiap bagian juga tidak terstruktur sehingga pendistribusian data dan informasipada sistem sangat tidak mendukung. Kemudian dalam pencarian informasi juga tidak efisien,mengingat banyaknya jumlah data menyebabkan sistem dalam membuat laporan mengalamikesulitan dan laporan-laporan tersebut tidak dapat diselesaikan pada tepat waktu. Untuk ituperlunya database untuk penyimpan data dan pencarian data. Serta jaringan client server yangdibangun untuk menghubungkan antar bagian pada perusahan tersebut sehingga dapatmembantu pengaksesan dan pendistribusian data antar bagian menjadi lebih cepat dan efisien.

2. Metode Penelitian

2.1. Peramalan (Forecasting) Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi bisnis dan untuk

setiap pengambilan keputusan manajemen yang sangat signifikan. Peramalan menjadi dasar

bagi perencanaan jangka panjang perusahaan. Dalam area fungsional keuangan, peramalanmemberikan dasar dalam menentukan anggaran dan pengendalian biaya. Pada bagianpemasaran, peramalan penjualan dibutuhkan untuk merencanakan produk baru, kompensasitenaga penjual, dan beberapa keputusan penting lainnya. Selanjutnya, pada bagian produksidan operasi menggunakan data-data peramalan untuk perencanaan kapasitas, fasilitas,produksi, penjadwalan, dan pengendalian persedian (inventory control). Untuk menetapkan

kebijakan ekonomi seperti tingkat pertumbuhan ekonomi, tingkat pengangguran, tingkat inflasi,dan lain sebagainya dapat pula dilakukan dengan metode peramalan.

Menurut albert (2005) Peramalan adalah penggunaan data masa lalu dari sebuah variabelatau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Albert (2005)menyatakan Asumsi dasar dalam penerapan teknik-teknik peramalan adalah : “If we can predictwhat the future will be like we can modify our behaviour now to be in a better position, than weotherwise would have been, when the future arrives. ” Artinya, jika kita dapat memprediksi apa


3/11


yang terjadi di masa depan maka kita dapat mengubah kebiasaan kita saat ini menjadi lebihbaik dan akan jauh lebih berbeda di masa yang akan datang. Hal ini disebabkan kinerja di masalalu akan terus berulang setidaknya dalam masa mendatang yang relatif dekat.

2.2. Model Rata-Rata Bergerak (Moving A verage)

Metode rata-rata bergerak banyak digunakan untuk menentukan trend dari suatu deretwaktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari data asli diubahmenjadi deret rata-rata bergerak yang lebih mulus. Metode ini digunakan untuk data yangperubahannya tidak cepat, dan tidak mempunyai karakteristik musiman atau seasonal. Modelrata-rata bergerak mengestimasi permintaan periode berikutnya sebagai rata-rata datapermintaan aktual dari n periode terakhir. Terdapat tiga macam model rata-rata bergerak, yaitu:

2.2.1. Simple Moving A verageSimple moving average merupakan suatu metoda peramalan dengan menggunakan

data-data pada massa lalu kemudian di jumlahkan dan melakukan perhitungan rata-rata untukmengetahui suatu informasi yang mungkin akan terjadi. Rumus simple moving average adalahsebagai berikut :

Simple Moving Average (SMAt)=n

Y Y Y Y nt t t t 121 ....

Keterangan :Y = penjualan nyata pada periode tertentuT = suatu periode atau waktu tertentu

2.2.2. Centered Moving Average

Perbedaan utama antara Simple Moving Average dan Centered Moving Average terletak pada pemilihan observasi yang digunakan. Simple Moving Average menggunakan datayang sedang diobservasi tambah data sebelum observasi. Misalnya, menggunakan 5 periodemoving average, maka untuk single moving average menggunakan data periode ke-5 dan 4

data periode sebelumnya.

Sebaliknya untuk CMA, “Center” berarti rataan antara data sekarang denganmenggunakan data sebelumnya dan data sesudahnya. Misalnya untuk 3 periode movingaverage, maka SMA menggunakan data periode 3 ditambah data sebelumnya dan datasesudahnya. Didefinisikan sebagai berikut:

L

Y Y Y CMA

Lt t Lt

t

2/)1(()2/1(( ................

Dimana Yt adalah nilai tengah dari interval L data observasi. (L-1)/2 observasimerupakan data sebelum dan sesudahnya. Misalnya CMA 5 periode, maka Y t = Y5 makaintervalnya dimulai dari Y3 sampai Y7.

2.2. 3. Weighted Moving Av erage Merupakan peramalan jangka panjang, menggunakan jangka data yang panjang dan

memprediksi sesuatu yang memiliki nilai perubahan yang panjang, seperti harga barang, returnof trading volumes.Formula untuk Weighted Moving Average (WMAt):

nt nt t t Aw Aw Aw F

.......2211 dan

n

i

iw

1

1

2.3. Exponential SmoothingMenurut Makridakis (1999) Metode Exponential Smoothing merupakan prosedur

perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metodeperamalan ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objekpengamatan yang lebih tua. Dalam pemulusan eksponensial atau exponential smoothing


4/11


terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil inimenentukan bobot yang dikenakan pada nilai observasi.

Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalandaripada observasi yang lebih lama. Metode exponential smoothing dibagi lagi berdasarkanmenjadi beberapa metode. Yaitu :

2.3.1. Single Exponent ial Sm ooth ing single exponential smoothing digunakan pada peramalan jangka pendek, biasanya

hanya 1 bulan ke depan. Model mengasumsikan bahwa data berfluktuasi disekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten (Makridakis, 2006).

Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk semuadata obesrvasi memiliki bobot yang sama yang membentuk rata-ratanya. Padahal, dataobservasi terbaru seharusnya memiliki bobot yang lebih besar dibandingkan dengan dataobservasi di masa yang lalu. Hal ini dipandang sebagai kelemahan model peramalan Moving Average. Untuk itu, digunakanlah metode single Exponential Smoothing agar kelemahantersebut dapat diatasi didasarkan pada alasan sebagai berikut, Metode single exponentialsmoothing mempertimbangkan bobot data-data sebelumnya dengan memberikan bobot padasetiap data periode untuk membedakan prioritas atas suatu data. Rumus untuk singleexponential smoothing adalah sebagai berikut:

Ft+1 = α * Xt + (1 – α) * Ft Keterangan :Ft = peramalan untuk periode tα = konstanta perataan antara 0 dan 1 Xt + (1-α) = Nilai aktual time series Ft+1 = peramalan pada waktu t + 1

2.3. 2. Double Exponent ia l Smooth ing Metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing

dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus diupdate setiap periode – level dan trendnya. Level adalah estimasi yang dimuluskan dari nilai

data pada akhir masing-masing periode. Trend adalah estimasi yang dihaluskan dari

pertumbuhan rata-rata pada akhir masing-masing periode (Makridakis, 2006).Rumus double exponential smoothing adalah:

St = α * Yt + (1 – α) * (St - 1 + bt - 1)bt = γ * (St – St - 1) + (1 – γ) * bt – 1

Ft + m = St + bt m

Keterangan :St = peramalan untuk periode t.Yt + (1-α) = Nilai aktual time seriesbt = trend pada periodeke - tα = parameter pertama perataan antara nol dan1, = untuk pemulusan nilai observasiY = parameter kedua, untuk pemulusan trend

Ft+m = hasil peramalan ke - mm = jumlah periode ke muka yang akan diramalkan.

2.3. 3. Tr ip le Exponent ia l Smooth ingMetode ini digunakan ketika data menunjukan adanya trend dan perilaku musiman

(Makridakis, 1999). Untuk menangani musiman, telah dikembangkan parameter persamaanketiga yang disebut metode Holt-Winters sesuai dengan nama penemunya. Terdapat duamodel Holt-Winters tergantung pada tipe musimannya yaitu Multiplicative seasonal model dan Additive seasonal model.

Metode exponentian smoothing yang telah dibahas sebelumnya dapat digunakan untuk

hampir segala jenis data stasioner atau nonstasioner sepanjang data tersebut tidakmengandung faktor musiman. Tetapi bilamana terdapat musiman, metode ini dijadikan cara


5/11


untuk meramalkan data yang mengandung faktor musiman, namun metode ini sendiri tidakdapat mengatasi masalah tersebut dengan baik.

Meskipun demikian, metode ini dapat menangani factor musiman secara langsung(Makridakis, 1999). Rumus yang digunakan untuk triple exponential smoothing adalah:Pemulusan trend:

Bt = g (St – St-1) + (1 - g ) bt-1Pemulusan Musiman:

I = b t Xt S + (1-b) t -L +m

Ramalan:Ft + m = (St + bt m )It – L + m

Dimana L adalah panjang musiman (misal, jumlah kuartal dalam suatu tahun), b adalahkomponen trend, I adalah factor penyesuaian musiman, dan Ft + m adalah ramalan untuk mperiode ke muka.

Usecase Diagram Baru Dari Program Aplikasi

Gambar 2.1. Usecase Diagram


6/11


Use case diagram yang menggambarkan interaksi antara aktor utama dengan sistemPT. Sejahtera Panca Jaya yang digambarkan pada use case dalam bentuk simbol elips ( )dimana simbol tersebut adalah kegiatan yang dilakukan oleh aktor. Terdapat tiga aktor yaituadministrasi, front office, dan gudang. Aktor administrasi dalam interaksi dengan sistem dapatmelakukan sebelas use case yaitu, melakukan set data konsumen, mengisi pembelian, Dalam

pengisian pembelian terdapat assosiasi extends yaitu dapat melakukan use case set datasupplier dan use case set data barang sekaligus. Use case kelima adalah melakukanpelunasan hutang dan selanjutnya pelunasan hutang, cetak laporan hutang, cetak laporanpiutang. Selanjutnya melakukan forecasting single exponential smoothing yang merupakaninclude dari transaksi penjualan selama 1 tahun belakang untuk perhitungan 1 bulan kedepan.

Aktor front office dalam interaksi dengan sistem dapat melakukan empat use case,yaitu mengisi penjualan, cetak laporan penjualan, cetak laporan stok, dan cetak laporanvulkanisir. sedangkan aktor gudang dapat melakukan lima use case, yaitu input vulkanisir,update vulkanisir, cetak laporan vulkanisir, cetak laporan stok, dan cetak laporan penjualan.

Act iv i ty Diagram Baru Dari Program Aplikasi

Gambar 2.2 Activity Diagram

Gambar 2.2 merupakan gambar activity diagram. Terlihat sebagian aktifitas beradadalam fork ( ) dan join ( ) yang berarti aktifitas tersebut dapat dikerjakan bersamaanforecasting single exponential smoothing. Aktivitas fork dengan empat aktivitas yang dapatdilakukan secara bersamaan, yaitu menentukan target forecasting , menentukan nilai konstanta,menentukan tanggal yang akan di forecasting, dan menentukan periode sample data.Kemudian akan masuk ke aktivitas analisis forecasting dan menampilkan hasil.

3. Hasil dan Analisa3.1 Analisa

Untuk mengetahui peramalan ketersedian stok barang pada PT. Sejahtera Panca Jayayaitu dengan melihat data-data transaksi penjualan selama 1 tahun berjalan untuk meramalkanstok barang 1 bulan kedepan. Pada table 3.1. merupakan contoh data transaksi penjualanpernomor faktur.

Tabel 3.1. Tabel Transaksi Penjualan

Nomor NAMA BARANG JENIS ITEM PADA TRANSAKSI

1 BL 750-16 GT 14PR , FLD 16L GT

2 M.DINGIN 700-14


7/11


3 BL 900-20-88N GT 14PR

4 BD 750-16 BS , FLD 16L GT

5 BL 900-20-88N GT 14PR

6 BL 750-16 GT 14PR , BD 750-16 GT , FLD 16L GT

7 M.DINGIN 750-16

8 BL 1000-20 GT 16PR M9 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N ,

BL 1000-20 GT 16PR M , BD 900-20 GT , FLD 20R GT

10 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N

11 BL 900-20-88N GT 14PR , BD 825-20 GT , FLD GT 20N ,BL 1000-20 GT 16PR M , BD 900-20 GT , FLD 20R GT

12 BL 750-16 SWALLOW JP , BD 750-16 SWALLOW

. .

. .

. .

Berikut langkah-langkah peramalan berdasarkan history transaksi penjualanLangkah 1 : memilih objek peramalan, jangka waktu periode data dan penentuan nilai

konstanta. Misalkan dengan berdasarkan referensi pengetahuan objek yang ditentukanadalah BD 825-20 GT, jangka waktu periode data adalah 12 bulan dan nilai konstantaadalah 0.4. Kemudian Tabulasi data penjualan actual sales BD 825-20 GT dalam unit

untuk 12 bulan adalah sebagai berikut :

Tabel 3.2 History Penjualan Nyata

Bulan Act ual Sale

November 2011 43

Desember 2011 27

January 2012 50

Pebruary 2012 41

March 2012 50

April 2012 35

Mei 2012 14June 2012 38

July 2012 33

Agustus 2012 22

September 2012 31

October 2012 51

November 2012 38

Langkah 2 : Peramalan terhadap objek pada bulan December adalah sebagai berikut :

A (konstanta) = 0.4

Xt (actual sale) November 2012 = 38

Ft ( nilai peramalan pada November 2012 )

actual sale ( November 2011 + Desember 2011 + January 2012 +

February 2012 + March 2012 + April 2012 + Mei 2012 + June 2012

+July 2012 + Agustus 2012 + September 2012 + October 2012)

jangka waktu periode data

43+27+50+41+50+35+14+38+33+22+31+51

12

36.25=

=

=


8/11


Ft+1 (nilai peramalan terhadap desember 2012) = α * Xt + (1 – α) * Ft

Peramalan terhadap penjualan bulan Desember 2012 untuk objek BD 825-20 GTadalah 37 buah. Dengan hasil peramalan ini dapat membantu pengguna sistem dalampengambilan keputusan, terutama dalam menjaga ketersediaan barang.

3.2 Hasil3.2.1. Menu Administrasi

Gambar 3. 1. Menu Administrasi

Form ini digunakan oleh bagian administrasi dan menu yang ditampilkan sesuai kebutuhan

sistem bagian administrasi

Gambar 3.2. Form Penjualan

Form ini digunakan oleh bagian front office dalam melakukan transaksi penjualan. Diisitanggal, kode konsumen, nomor faktur, kode barang, harga jual, jumlah yang akan dibeli.

= (0.4 * 38) + ( (1 - 0.4 ) * 36.25 ) )

= 15.2 + 21.75

= 36.95


9/11


Gambar 3.3. Laporan Penjualan

Gambar 3.4. Faktur Penjualan

Gambar 3.5. Single Exponential Smoothing


10/11


Gambar 3.5. merupakan form yang digunakan oleh bagian administrasi. User kemudianmenentukan objek peramalan, nilai konstanta, bulan yang akan diramal, dan periode sampeldata kemudian tekan tombol “SMOOTHING” maka sistem akan memberikan hasil peramalanterhadap objek tersebut. Hasil tersebut dapat digunakan sebagai informasi dalam penyediaanstok barang ataupun target penjualan per masing-masing barang pada periode yang akan

datang.

4. KesimpulanBerdasarkan penelitian yang telah dilakukan pada PT. Sejahtera Panca Jaya, sehingga

dapat menarik beberapa kesimpulan sebagai berikut :1. Sistem komputerisasi pada PT. Sejahtera Panca Jaya meningkatkan kinerja penjualan, serta

kegiatan-kegiatan yang dilakukan oleh sistem seperti pencatatan data transaksi, keluarmasuk stok, dan meyediakan laporan-laporan menjadi lebih cepat dan efektif.

2. Program peramalan dengan metoda single exponential smoothing pada PT. SejahteraPanca Jaya dapat menghasilkan jumlah perkiraan penjualan terhadap jenis item barang,sehingga berdasarkan informasi yang dihasilkan dapat membantu sistem dalampengambilan keputusan, seperti jumlah perkiraan penyediaan stok.

3. Database terpusat pada sistem PT. Sejahtera Panca Jaya telah membentuk sebuah

pengarsipan yang terstruktur, sehingga mempercepat pencarian data dan data-data tersebutdapat tersimpan dengan baik.

4. Jaringan Local Area Network yang dirancang pada sistem PT. Sejahtera Panca Jaya dapat

membantu setiap unit kerja dalam mendistribusikan dan pengaksesan data menjadi lebihcepat dan efisien.

5. SaranSistem informasi penjualan dapat dikembangkan sesuai kebutuhan yang terus bertambah,

sehingga kegiatan-kegiatan pada tiap unit kerja dapat dilakukan dengan lebih baik danmaksimal.

Database pada sistem dapat dikembangkan dengan database sistem terdistribusi,

sehingga pengarsipan data dilakukan dengan terstruktur pada tiap unit kerja dan tidak hanyapada pusat. Metode Peramalan bisa dikembangkan dengan menggunakan metode yang lain.

Refesensi

Alam, Agus J. Mengolah Database dengan Borland Delphi 7 . Elex MediaKomputindo, Jakarta, 2004.

Febrian, J. Kamus Komputer dan Teknologi Informasi. Informatika, Bandung, 2007.

Irwanto dan Djon, M.M. Perancangan Object Oriented Software dengan UML. EdisiI, Andi Offset, Yogyakarta, 2005.

Kurniawan dan Wiharsono. Jaringan Komputer . Edisi I, Andi Offset, Yogyakarta,

2007.

Kadir, A. Dasar Perancangan&implementasi Database Relasional, Andi,

Yogyakarta,2008.

Sulianta, F dan D. Juju. Data Mining Meramalkan Bisnis Perusahaan. Elex Media

Komputindo, Jakarta, 2010.

Yuswanto dan Subari. Mengolah Database dengan SQL Server 2000, PrestasiPustaka Publisher , Jakarta, 2005.

http://id.wikipedia.org/associationrule


11/11


http://id.shvoong.com/society-and-news/2012515-pengertian-teknologi-informasi/

http://forecastingknowlegde.com/exponential+smoothing

jurnal sunarti2-1

Documents