RANCANG BANGUN APLIKASI PERAMALAN PERMINTAAN BAHAN BAKU PADA PT. BABA RAFI INDONESIA DENGAN METODE PEMULUSAN EKSPONENSIAL WINTER (STUDI KASUS DAERAH SURABAYA) Luci Anna L. G. 1) S1/Jurusan Sistem Informasi, Sekolah Tinggi Manajemen Informatika & Komputer Surabaya Email:
[email protected] Abstract: PT. Baba Rafi Indonesia is a fast food franchise company, typical of the Middle East, which is now more widely known. Besides the franchise, PT. Baba Rafi Indonesia also provides raw materials to supply all outlets throughout Indonesia. Warehouse which located in Surabaya can supply approximately 20 outlets. The large number of outlets and demand for raw materials which are uncertain, make the Division of Logistics warehouse in Surabaya often face problems in providing raw material for franchises and outlets. Problems can be solved by use the forecasting application to determine the amount of raw materials that must be provided in Surabaya warehouse. Forecasting application was made from data collection, data preparation, and build application model. Based on the results of data collection, obtained pattern of the data which is tend seasonal and trend so applications forecasting use Exponential Smoothing Winter method. The next phase is implementing and evaluating applications that have been designed, whether running as expected or not. Forecasting application that was created can help Logistics Division to determine the amount of raw materials that must be provided in Surabaya warehouse based on past demand data. Report of forecasting results and list the amount of raw materials that must be purchased is expected to meet the demand for franchise and independent outlets. Keywords: forecasting, demand, exponential smoothing winter
PT. Baba Rafi Indonesia merupakan perusahaan waralaba (franchise) makanan cepat saji khas Timur Tengah yang kini semakin dikenal luas. PT. Baba Rafi Indonesia memiliki 375 outlet yang tersebar di seluruh Nusantara. Selain waralaba, PT. Baba Rafi Indonesia juga menyediakan gudang untuk memasok bahan baku kebab, burger, hot dog, piramizza, dan roti maryam ke semua outlet yang tersebar di seluruh Nusantara. Gudang PT. Baba Rafi Indonesia yang bertempat di Semolowaru-Surabaya merupakan salah satu gudang kantor
pusat yang memasok bahan baku ke semua outlet yang berada di Jawa Timur, Jawa Tengah, Bali, Cilacap, Kalimantan, dan Sulawesi. Gudang PT. Baba Rafi Indonesia memiliki 17 kategori bahan baku dan 31 item bahan baku untuk dipasok ke semua outlet yang tersebar di seluruh Nusantara. Banyaknya outlet serta ketidakpastian pesanan permintaan bahan baku membuat Divisi Logistik PT. Baba Rafi Indonesia sering menghadapi permasalahan dalam hal ketersediaan bahan baku ke waralaba dan outlet mandiri. Bahan baku yang
1
tersedia pada gudang Surabaya sering tidak dapat mencukupi pesanan permintaan waralaba dan outlet mandiri. Hal tersebut sering menimbulkan kekecewaan dari pihak waralaba dan outlet mandiri karena gudang Surabaya hanya dapat menyediakan 50%-60% dari jumlah pesanan permintaan yang dipesan oleh waralaba dan outlet mandiri sementara waralaba dan outlet mandiri harus dapat memenuhi permintaan konsumen dengan stok bahan baku yang terbatas. Hal tersebut dapat menimbulkan kemungkinan kehilangan pelanggan. Selain itu volume penjualan bahan baku gudang Surabaya mengalami penurunan yang diakibatkan ketidakmampuan gudang Surabaya dalam menyediakan bahan baku ke waralaba dan outlet mandiri. Hal ini dapat menyebabkan kerugian perusahaan. Untuk mengatasi hal tersebut, maka dibutuhkan sebuah perhitungan untuk dapat meramalkan jumlah bahan baku yang harus disediakan berdasarkan data permintaan bahan baku periode sebelumnya. Data tersebut dapat digunakan untuk memperkirakan jumlah bahan baku yang harus disediakan oleh gudang Surabaya, sehingga gudang Surabaya tidak mengalami kekurangan bahan baku akibat ketidakpastian pesanan dan dapat memenuhi pesanan permintaan waralaba dan outlet mandiri yang tersebar luas. Selain itu dengan adanya perhitungan peramalan diharapkan dapat meningkatkan volume penjualan bahan baku gudang Surabaya yang sebelumnya menurun akibat tidak dapat menyediakan bahan baku ke waralaba dan outlet mandiri. Data permintaan bahan baku gudang PT. Baba Rafi Indonesia kantor pusat Surabaya memiliki data yang tidak stationer (data bersifat tidak stabil) karena data runtut waktu sepanjang 47
minggu menunjukkan pertumbuhan dan penurunan (trend) musiman. Menurut Makridakis dan Wheelwright (1992: 81), metode Pemulusan Eksponensial Winter sangat tepat digunakan untuk menangani data musiman selain data yang memiliki trend. Keuntungan dari penggunaan metode Pemulusan Eksponensial Winter adalah mudah pemakaiannya karena relatif sederhana dan biaya rendah (Arsyad, 1994). Mean squared error (MSE) atau kesalahan (error) yang dihasilkan oleh metode Pemulusan Eksponesial Winter relatif lebih kecil dibandingkan dengan metode Pemulusan Eksponensial Holt dan Brown (Arsyad, 1994). Kemajuan teknologi informasi memungkinkan kegiatan peramalan saat ini dapat dilakukan dengan mudah lewat bantuan komputer (Santoso, 2009: 16). Untuk mengatasi masalah yang ada, maka dibutuhkan suatu rancang bangun aplikasi peramalan. Aplikasi peramalan ini dapat mempercepat perhitungan peramalan sehingga hasil peramalan tersebut dapat membantu Divisi Logistik dalam menentukan jumlah bahan baku yang harus disediakan gudang Surabaya dengan tepat. Aplikasi yang dirancangbangun ini menggunakan metode Pemulusan Eksponensial Winter sebagai penyelesaian perhitungan peramalan karena data permintaan bahan baku gudang Surabaya memiliki data trend dan data musiman. Aplikasi peramalan yang dibuat diharapkan dapat menghasilkan laporan hasil peramalan permintaan bahan baku yang akan datang dan daftar jumlah bahan baku yang harus dibeli berdasarkan perhitungan peramalan yang telah dilakukan. Laporan dan daftar tersebut diharapkan dapat membantu Divisi Logistik gudang PT. Baba Rafi Indonesia kantor pusat Surabaya dalam menangani kekurangan
2
stok bahan baku yang akan dipasok ke waralaba dan outlet.
kegiatan peramalan tidaklah sematamata berdasarkan prosedur ilmiah atau terorganisir, karena ada kegiatan peramalan yang menggunakan intuisi (perasaan) atau lewat diskusi informal dalam sebuah grup.
LANDASAN TEORI PT. Baba Rafi Indonesia PT. Baba Rafi Indonesia merupakan sebuah waralaba (franchise) makanan cepat saji khas Timur Tengah. PT. Baba Rafi Indonesia memiliki 375 outlet yang tersebar di seluruh Nusantara. Pada saat ini PT. Baba Rafi Indonesia tidak hanya melebarkan sayap di Indonesia, kini, PT. Baba Rafi Indonesia telah resmi terdaftar sebagai anggota Malaysian Franchise Association (MFA) dan siap melebarkan sayapnya ke Thailand, Vietnam, Brunai Darussalam serta Filipina.
Tahapan Peramalan Menurut Santoso (2009), untuk mendapatkan hasil peramalan yang baik dan secara efektif dapat menjawab masalah yang ada, kegiatan peramalan sebaiknya mengikuti tahapan baku berikut ini: 1. Perumusan masalah dan pengumpulan data Tahap pertama yang sebenarnya penting dan menentukan keberhasilan peramalan adalah menentukan masalah tentang apa yang akan diprediksi. Formulasi masalah yang jelas akan menuntun pada ketepatan jenis dan banyaknya data yang akan dikumpulkan. Dapat saja masalah telah ditetapkan, namun data yang relevan tidak tersedia, hal ini akan memaksa diadakannya perumusan ulang atau mengubah metode peramalan. 2. Persiapan data Setalah masalah dirumuskan dan data telah terkumpul, tahap selanjutnya adalah menyiapkan data hingga dapat diproses dengan benar. Hal ini diperlukan, karena dalam praktek ada beberapa masalah berkaitan dengan data yang telah terkumpul: a. Jumlah data terlalu banyak b. Jumlah data justru terlalu sedikit c. Data harus diproses terlebih dahulu d. Data tersedia namun rentang waktu data tidak sesuai dengan masalah yang ada e. Data tersedia namun cukup banyak data yang hilang
Peramalan Definisi peramalan sendiri sebenarnya beragam; berikut beberapa definisi tentang peramalan (Santoso, 2009: 7): 1. Perkiraan munculnya sebuah kejadian di masa depan berdasarkan data yang ada di masa lampau. 2. Proses menganalisis data historis dan data saat ini untuk menentukan pola di masa mendatang. 3. Proses estimasi dalam situasi yang tidak diketahui. 4. Pernyataan yang dibuat tentang masa depan. 5. Penggunaan ilmu dan teknologi untuk memperkirakan situasi di masa depan. 6. Upaya sistematis untuk mengantisipasi kejadian atau kondisi di masa depan. Dari beberapa definisi di atas, dapat disimpulkan bahwa peramalan berkaitan dengan upaya memperkirakan apa yang terjadi di masa depan, berbasis pada metode ilmiah (ilmu dan teknologi) serta dilakukan secara sistematis. Walaupun demikian,
3
(missing), yakni data yang tidak lengkap. 3. Membangun model Setelah data dianggap memadai dan siap dilakukan kegiatan prediksi, proses selanjutnya adalah memilih (model) metode yang tepat untuk melakukan peramalan pada data tersebut. 4. Implementasi model Setelah metode peramalan ditetapkan, maka model dapat diterapkan pada data dan dapat dilakukan prediksi pada data untuk beberapa periode ke depan. 5. Evaluasi peramalan Hasil peramalan yang telah ada kemudian dibandingkan dengan data aktual. Metode peramalan tidak dapat memprediksi data di masa depan secara tepat yang ada adalah ketepatan prediksi. Untuk itu, pengukuran kesalahan peramalan dilakukan untuk melihat apakah metode yang telah digunakan sudah memadai untuk memprediksi sebuah data.
dengan menghitung autokorelasi. Sebaliknya kedua cara dilakukan secara bersama-sama karena saling melengkapi (Santoso, 2009: 49). Untuk menghitung autokorelasi digunakan persamaan sebagai berikut (Santoso, 2009: 56): ∑
̅ )(
( ∑
̅)
(
̅)
……….(1)
dengan: = data saat ini (yang ke t) ̅ = rata-rata data = data pada periode k sebelum data saat ini. Jika k=1, maka menjadi atau data satu lag dari periode sebelumnya. Jika k=2, maka menjadi atau data dua lag dari periode awal. jumlah data Setelah nilai autokorelasi didapat, maka langkah selanjutnya menguji nilai autokorelasi dengan menggunakan uji t. proses pengujian dengan menggunakan t (Santoso, 2009: 59): 1. Merumuskan hipotesis, yang secara standar dapat dinyatakan sebagai berikut: H0: 1 = 0, atau koefisien korelasi yang didapat tidak signifikan H1: 1 ● 0, atau koefisien korelasi yang didapat memang nyata. 2. Menghitung t hitung dan t tabel. t hitung didapat dengan persamaan: ……………….……(2)
Uji Pola Data Uji pola data pada intinya adalah menguji apakah sebuah data dapat dikatakan stationer ataukah tidak. Jika pada data terdapat trend atau ada komponen seasonal sebaliknya atau siklis, dikatakan bahwa data tidak dapat dikatakan stationer. Namun sebaliknya, jika pada data tidak ada trend, seasonal ataukah siklis, maka data dapat dikatakan stationer. Statinoneritas data penting untuk menentukan lebih jauh metode peramalan apa yang tepat dilakukan. Metode untuk data yang stationer akan berbeda dengan metode peramalan untuk data yang tidak stationer (Santoso, 2009: 48). Pengujian stationeritas data dapat dilakukan dengan dua cara yaitu dengan grafik (lebih praktis) atau
( )
dengan √
∑
………........(3) t tabel dihitung dari tabel t pada tingkat kepercayaan tertentu (biasanya 95%) dan dengan df = n – 1. 3. Pengambilan keputusan: Jika t hitung < t tabel, H0 diterima Jika t hitung > t tabel, H0.
4
Pemulusan Eksponensial Winter Salah satu bentuk pemulusan lain yang berguna dikembangkan oleh Winters pada awal dekade 1960-an. Metode ini memberikan hasil yang serupa dengan pemulusan eksponensial linier, tetapi memiliki manfaat tambahan dalam kemampuannya untuk menangani data musiman selain data yang memiliki trend (Makridakis dan Wheelwright, 1992: 81). Pemulusan eksponensial linier dan musiman Winters didasari oleh tiga persamaan, yang masing-masing memuluskan satu faktor yang berkaitan dengan satu di antara tiga komponen pola - faktor random, trend, dan musiman. Dalam hal ini, metode ini serupa dengan pemulusan eksponesial linier, yang memuluskan faktor random dan menyesuaikan dengan trend. Tetapi, metode Winters mencakup parameter tambahan untuk menangani faktor musiman. Keempat persamaan yang digunakan dalam model Winter adalah sebagai berikut (Arsyad, 1994: 110): 1. Pemulusan Eksponensial: ( )(
= estimasi trend
= konstanta pemulusan untuk estimasi musiman (0 < < 1) = estimasi musiman p = periode yang diramalkan L = panjangnya musim ̂ ramalan pada periode p t = waktu
Alat Ukur Kesalahan Prediksi Beberapa metode telah digunakan untuk menunjukkan kesalahan yang disebabkan oleh suatu teknik peramalan tertentu. Hampir semua ukuran tersebut menggunakan pengrata-rataan beberapa fungsi dari perbedaan antara nilai sebenarnya dengan nilai peramalannya. Perbedaan antara nilai sebenarnya dengan nilai peramalan ini biasanya disebut sebagai residual (Arsyad, 1994: 57). Persamaan (8) digunakan untuk menghitung kesalahan atau residual dari setiap periode peramalan: ̂ ……………………….(8) dengan: = kesalahan peramalan pada periode t = nilai sebenarnya pada periode t ̂ = nilai peramalan pada periode t Simpangan absolut rata-rata atau mean absolute deviation (MAD) mengukur akurasi peramalan dengan merata-ratakan kesalahan peramalan (nilai absolutnya). Persamaan (9) menunjukkan bagaimana cara menghitung MAD (Arsyad, 1994: 58).
) ……………………….......(4) 2. Estimasi Trend: ( ) ( ) ………………………………….(5) 3. Estimasi Musiman: ( ) ….........(6) 4. Ramalan pada periode p di masa datang ̂ ( ) ……..(7) dengan: = nilai pemulusan yang baru = konstanta pemulusan untuk data (0 < < 1) = data yang baru atau yang sebenarnya pada periode t = konstanta pemulusan untuk estimasi trend (0 < < 1)
∑
(
̂)
………………….(9) Kesalahan rata-rata kuadrat atau mean squared error (MSE), setiap kesalahan atau residual dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah observasi. Persamaan (10) menunjukkan bagaimana cara menghitung MSE. MAD =
∑
MSE =
5
(
̂)
………………..(10)
Persentase kesalahan absolut rata-rata atau mean absolute percentage error (MAPE) dihitung dengan menemukan kesalahan absolut setiap periode, kemudian membaginya dengan nilai observasi pada periode tersebut, dan akhirnya merata-ratakan persentase absolut ini. Persamaan (11) menunjukkan bagaimana cara menghitung MAPE (Arsyad, 1994: 59).
membuat pemesanan dilakukan tanpa memperhatikan jumlah persediaan yang masih ada. Banyaknya jumlah barang yang dipesan ditetapkan sebesar selisih dari jumlah persediaan maksimum yang telah ditentukan dengan jumlah persediaan yang tersisa. Berikut ini adalah persamaan dari Fixed Time Period System (P Model): q = rata-rata permintaan + safety stok – persediaan saat ini ) q = ̅( ……….(13) dengan: q = Jumlah pesanan. T = Periode review. L = Lead time. ̅ = Rata-rata permintaan. z = Standar deviasi. = Standar devisiasi permintaan selama periode review dan lead time. I = quantity on hand + quantity on order.
̂
∑
MAPE = ………………..(11) Persentase kesalahan rata-rata atau mean percentage error (MPE) dihitung dengan cara menemukan kesalahan setiap periode, kemudian membaginya dengan nilai sebenarnya pada periode tersebut, dan kemudian merata-ratakan persentase kesalahan tersebut. Jika pendekatan peramalan tersebut tidak bias, maka persamaan (12) akan menghasilkan persentase mendekati nol. Jika hasil persentase negatifnya cukup besar, maka metode peramalan tersebut menghasilkan hasil ramalan yang terlalu tinggi, demikian sebaliknya. ∑
PERANCANGAN SISTEM Secara garis besar, proses yang akan dilakukan oleh sistem untuk menangani masalah yang ada dapat dilihat pada blok diagram yang ditunjukan pada gambar 1.
̂
………………….(12) Empat cara pengukuran akurasi peramalan yang dibahas di muka digunakan untuk tujuan berikut (Arsyad, 1994: 60): 1. Pembandingan akurasi dari dua teknik peramalan yang berbeda. 2. Pengukuran kegunaan atau realibilitas suatu teknik peramalan. 3. Pencarian teknik peramalan yang optimal. MPE =
Proses:
Input: - Data Jumlah Permintaan Bahan Baku Periode Sebelumnya
Peramalan Dengan Metode Pemulusan Eksponensial Winter
Menghitung Perkiraan Bahan Baku Yang Harus Dibeli
Membuat Laporan Jumlah Bahan Baku Yang Harus Dibeli
Output: - Jumlah Permintaan Bahan Baku Mingguan - Jumlah Bahan Baku Yang Harus Disediakan (Hasil Peramalan) - Jumlah Bahan Baku Yang Harus Dibeli Oleh Divisi Logistik gudang PT. Baba Rafi Indonesia kantor pusat Surabaya
Gambar 1 Blok Diagram Aplikasi Sistem Peramalan Permintaan
Fixed Time Period System (P Model) Fixed time period system adalah suatu sistem cara pemesanan bahan yang jarak atau interval waktu dari pemesanan tetap tetapi dengan jumlahnya berbeda-beda, misalnya tiap minggu atau bulan (Chase dkk, 2006). Jarak waktu pemesanan yang tetap
Gambar 2 menunjukkan perancangan prosedural Pemulusan Eksponensial Winter.
6
permintaan bahan baku periode mingguan. Jumlah bahan baku yang telah dihitung berdasarkan periode mingguan tersebut digunakan untuk menghitung peramalan permintaan bahan baku yang akan datang. Data stok dan safety stok yang ada pada tabel bahan baku dan data pemesanan bahan baku serta hasil peramalan yang telah dilakukan digunakan untuk menghitung bahan baku yang harus dibeli. Setelah perhitungan bahan baku yang harus dibeli telah dilakukan maka sistem mencetak daftar jumlah bahan baku yang harus dibeli oleh gudang PT. Baba Rafi Indonesia kantor pusat Surabaya. Untuk lebih jelasnya, system flow peramalan bahan baku dapat dilihat pada gambar 3.
Mulai
Data Jumlah Penjualan Bahan Baku
Panjang Musiman (L)
Panjang Periode Ramalan (P) <= 4 Periode
Menentukan Parameter Stasioner, Trend, dan Musiman
Menentukan Nilai Pemulusan Eksponensial
Menentukan Nilai Estimasi Trend
Menentukan Nilai Estimasi Musiman
Menentukan Ramalan Untuk Periode Selanjutnya (P)
Manajer Logistik
Sistem Peramalan Permintaan Bahan Baku
Mulai
Hasil Peramalan Periode t+P
Data Usernama Dan Password
Hasil MSE dari Peramalan
Mengecek Data Usernama Dan Password
pengguna
1
Selesai Kriteria Yang Dapat Dipilih
Gambar 2 Flowchart Sistem Peramalan Pemulusan Eksponensial
Valid?
Tidak
1
Ya
Kriteria Yang Dipilih
System Flow System flow peramalan permintaan bahan baku ini berawal dari manajer logistik yang ingin melihat hasil peramalan bahan baku yang harus dibeli. Pertama manajer logistik akan memasukkan data login yang berupa username dan password. Setelah login, sistem akan menampilkan form peramalan bahan baku dimana terdapat pilihan kriteria untuk memilih bahan baku dan range tanggal peramalan yang akan dilakukan. Data permintaan bahan baku yang ada digunakan untuk menghitung jumlah
Jumlah Bahan Baku Yang Harus Dibeli
Menampilkan Kriteria Yang Dapat Dipilih
Menghitung Jumlah Bahan Baku Yang Diminta (Mingguan) permintaanBahan Baku
Daftar Jumlah Bahan Baku Yang Harus Dibeli
Meramalkan Jumlah Permintaan Bahan Baku Yang Akan Datang
Selesai
Menghitung Jumlah Bahan Baku Yang Harus Dibeli
perhitunganPeram alan hasilRamalan
bahanBaku
pemesananBahan Baku ftp
Mencetak Daftar Jumlah Bahan Baku Yang Harus Dibeli
Gambar 3 System Flow Peramalan Permintaan Bahan Baku 7
Context Diagram Context diagram adalah gambaran menyeluruh dari Data Flow Diagram. Context diagram terdapat 2 (dua) External Entity, yaitu manajer logistik dan staf logistik. Untuk lebih jelasnya, context diagram aplikasi sistem peramalan permintaan bahan baku dapat dilihat pada gambar 4. Data Jenis Bahan Baku Data Bahan Baku Staf Logistik
Data Permintaan Bahan Baku Data Pemesanan Bahan Baku
0 Pilih Laporan Username dan Password Data Kriteria
Data Peng g una
Aplikasi Peramalan Permintaan Bahan Baku
Data Supplier
+
Manajer Logistik
Laporan Peramalan Bahan Baku Daftar Jumlah Bahan Baku Yang Harus Dibeli
Gambar 5 DFD Level 0 Aplikasi Sistem Peramalan Permintaan BahanBaku
Gambar 4 Context Diagram Aplikasi Sistem Peramalan Permintaan Bahan Baku
Conceptual Data Model (CDM) Conceptual data model dari aplikasi sistem peramalan permintaan bahan baku terdapat sembilan tabel, yaitu tabel pengguna, jenisBahanBaku, bahanBaku, supplier, permintaanBahanBaku, pemesananBahanBaku, perhitunganRamalan, hasilRamalan, dan ftp. CDM dari Aplikasi Sistem Peramalan Permintaan Bahan Baku dapat dilihat pada gambar 6.
Data Flow Diagram Level 0 Gambar 5 menggambarkan aplikasi sistem peramalan permintaan bahan baku yang dilakukan oleh manajer logistik. Sistem ini dibagi menjadi tiga sub sistem, yaitu mengelola data, meramalkan bahan baku, dan membuat laporan. Sistem ini terdapat delapan data store, yaitu pengguna, jenisBahanBaku, bahanBaku, permintaanBahanBaku, perhitunganRamalan, hasilRamalan, supplier, pemesananBahanBaku, dan prs.
8
Gambar 6 CDM Aplikasi Sistem Peramalan Permintaan Bahan Baku
Gambar 7 PDM Aplikasi Sistem Peramalan Permintaan Bahan Baku
Physical Data Model (PDM) Berdasarkan CDM yang ada dapat dibuat physical data model. PDM dari aplikasi sistem peramalan permintaan bahan baku terdapat sebelas tabel, yaitu tabel pengguna, jenisBahanBaku, bahanBaku, supplier, permintaanBahanBaku, detailPermintaanBahanBaku, pemesananBahanBaku, detailPemesananBahanBaku, perhitunganRamalan, hasilRamalan, dan ftp. PDM dari Aplikasi Sistem Peramalan Permintaan Bahan Baku dapat dilihat pada gambar 7.
IMPLEMENTASI SISTEM Menu Utama Form ini merupakan tampilan awal dari aplikasi ketika aplikasi dijalankan. Pengguna tidak bisa membuka menu yang ada apabila pengguna tidak melakukan proses login. Menu yang ada akan tampil apabila pengguna berhasil melakukan proses login sesuai dengan hak akses yang diberikan. Untuk lebih jelasnya, form menu utama dapat dilihat pada gambar 8.
9
Gambar 8 Form Menu Utama
Gambar 10 Daftar Jumlah Bahan Baku yang Harus Dibeli
Form Peramalan Permintaan Bahan Baku Form peramalan permintaan bahan baku digunakan untuk melakukan perhitungan peramalan permintaan bahan baku dengan menggunakan data permintaan bahan baku pada masa lalu. Hasil peramalan tersebut kemudian digunakan untuk menghitung jumlah bahan baku yang harus dibeli yang ditunjukan pada gambar 10. Form ini hanya dapat diakses oleh manajer logistik. Untuk lebih jelasnya, form peramalan permintaan bahan baku dapat dilihat pada gambar 9.
KESIMPULAN Berdasarkan hasil uji coba terhadap aplikasi peramalan permintaan bahan baku yang telah dilakukan dapat disimpulkan sebagai berikut: 1. Hasil penelitian berupa sebuah aplikasi yang mampu menerapkan metode Pemulusan Eksponensial Winter untuk melakukan proses peramalan permintaan bahan baku. Selain itu, aplikasi mampu memberikan suatu keluaran berupa laporan permintaan bahan baku mingguan, laporan peramalan bahan baku, dan daftar jumlah bahan baku yang harus dibeli oleh Divisi Logistik gudang PT. Baba Rafi Indonesia kantor pusat Surabaya untuk tiga minggu yang akan datang. 2. Aplikasi dapat meramalkan seluruh item bahan baku secara bersamaan dengan tepat. SARAN Adapun saran yang dapat diberikan kepada peneliti berikutnya apabila ingin mengembangkan sistem yang telah dibuat ini agar menjadi lebih baik adalah sebagai berikut: 1. Menghubungkan sistem peramalan permintaan bahan baku dengan
Gambar 9 Form Peramalan Permintaan Bahan Baku
10
kantor pusat yang terletak di Jakarta secara online. 2. Aplikasi ini juga dapat dikembangkan dengan menambahkan metode peramalan lainnya yang memiliki kemampuan untuk meramalkan data dengan lebih baik.
perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil. perangkat lunak dan perangkat keras yang dibutuhkan untuk menjalankan sistem serta menjelaskan hasil.hasil.
DAFTAR PUSTAKA Arsyad, Lincolin. 1994. Peramalan Bisnis Edisi Pertama. Yogyakarta: BPFEYogyakarta. Chase R. B., Jacobs F. R., & Aquilano N. J. 2006. Operations Management For Competitive Advantage 11th Edition. New York: McGraw-Hill. Makridakis, Spyros, dan Wheelwright, Steven C. 1992. Metodemetode Peramalan untuk Manajemen Edisi Kelima. Jakarta: Binarupa Aksara. Santoso,
Singgih. 2009. Metode Peramalan Bisnis Masa Kini dengan MINITAB dan SPSS. Jakarta: PT. Elex Media Komputindo.
11
