SISTEM INFORMASI PERAMALAN PERSEDIAAN OBAT PADA APOTIK SIDOARJO DENGAN METODE WINTER Rudy Setiawan Program Studi Sistem Informasi, Universitas Ma Chung Malang Email:
[email protected] ABSTRAK Forecasting information in computer system plays important role in pharmacy. Forecasting is part of integral in making decision of pharmacy management. Pharmacy determines target and objective of medicines stock. Which try to predict environment factor; and choose the act in getting result of achieving the target and objective? Exponential Smoothing is the method being used. The forecasting result present in graphic, which shows that accuracy ability in uncertain data forecasting until some next periods. Actual data and forecasting data have small deviation. Kata Kunci: Forecasting, Making Decision, Exponential Smoothing, 1. PENDAHULUAN Populasi masyarakat di kota besar semakin hari semakin meningkat secara rata-rata, sementara itu kesadaran masyarakat tentang pentingnya kesehatan menuntut adanya fasilitas penunjang masyarakat dibidang kesehatan, seperti rumah sakit, klinik spesialis, apotik, dan lain-lain, mengingat populasi yang semakin meningkat saat ini secara nyata dapat dilihat berkembangnya jumlah apotik juga semakin meningkat, dilain pihak kegiatan pabrik farmasi dan juga penelitian dibidang farmasipun semakin meningkat, hal ini berkaitan dengan semakin beragamnya berbagai jenis penyakit. Untuk memenuhi distribusi obat kepada masyarakat, apotik dibangun dengan pertimbangan kebutuhan obat yang sering dipakai oleh masyarakat dan banyaknya resep dokter (ISFI, 2002). Teknologi informasi telah berkembang pesat saat ini, sedikit demi sedikit masyarakat bisnis di Indonesia mulai menerapkan teknologi tersebut. Teknologi informasi dalam hal ini adalah sistem informasi manajemen yang memberikan kemudahan bagi masyarakat bisnis untuk mendokumentasikan berbagai data dan melakukan manipulasi terhadap data-data penting, terlebih dengan adanya metode sistem pendukung keputusan yang saat ini benar–benar menjanjikan akan memberikan informasi penunjang bagi masyarakat bisnis, untuk memberikan alternatif keputusan terbaik yang akan diambil. Pimpinan apotik dalam hal ini apoteker sebagai pengambil keputusan didalam mengelola usahanya memerlukan sistem informasi yang cepat dan tepat terutama sistem informasi yang
mampu meramalkan pengeluaran obat – obatan diperiode yang akan datang sehingga sedini mungkin apoteker bisa menyediakan persediaan obat - obatan, hal ini bertujuan untuk menjaga ketersediaan stok obat-obatan dan menghindari terjadinya kelebihan stok maupun kekosongan stok, sehingga resep yang masuk selalu dapat dilayani. Permasalahan dalam penelitian ini adalah bagaimana membuat sistem informasi yang terkomputerisasi untuk meramalkan persediaan obat-obatan pada apotik dengan menggunakan metode Winter. Tujuan penelitian ini adalah membuat sistem informasi peramalan obat–obatan dengan menggunakan metode Winter, dan membuat perencanaan persediaan obat-obatan berdasarkan pada data-data pengeluaran obat di periode yang lalu. 2. TINJAUAN PUSTAKA Dalam peramalan, teknik yang digunakan terbagi atas dua kategori utama, yaitu metode kuantitatif dan metode kualitatif atau teknologi. Metode kuantitatif dapat dibagi ke dalam deret berkala (time series) dan metode kausal, sedangkan metode kualitatif atau teknologis dapat dibagi menjadi metode eksploratif dan normatif. Peramalan kuantitatif dapat diterapkan jika terdapat tiga kondisi yaitu tersedia informasi tentang masa lalu, informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik, dan dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang. (Hanke dan Reitsch, 2005)
Terdapat dua jenis model peramalan yang utama, yaitu model deret berkala dan model regresi (kausal). Pada jenis pertama, pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel dan/atau kesalahan masa lalu. Tujuan metode peramalan seperti itu adalah menemukan pola dalam deret data historis dan mengekstrapolasikan pola dalam menemukan pola dalam deret data historis dan mengekstrapolasikan data tersebut ke masa depan. Model kausal di pihak lain mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebab-akibat dengan satu atau lebih variabel bebas. (Pressman, 2006) Langkah penting dalam memilih suatu metode deret berkala yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola dapat dibedakan menjadi empat jenis siklus (cyclical) dan trend yaitu: pola horizontal, pola musiman, pola siklus, dan pola trend. (Makridakis, Wheelwright, dan McGee, 2002) Dasar metode Exponential Smoothing (pemulusan) adalah pembobotan sederhana atau pemulusan observasi masa lalu dalam suatu deret berkala untuk memperoleh ramalan periode yang akan datang. Dalam pemulusan nilai-nilai historis ini, kesalahan random dirata - rata untuk menghasilkan ramalan “halus” yang tampaknya berfungsi dengan baik dalam keadaan tertentu. Keuntungan utama metode pemulusan adalah biayanya yang rendah, dalam penerapannya kecepatannya dapat diterima. Karakteristik ini membuatnya menarik terutama bila ingin meramalkan sejumlah besar item, seperti dalam kasus banyaknya persediaan (inventory), dan bilamana horison waktunya relatif pendek (kurang dari satu tahun). Exponential smoothing adalah metode pemulusan yang bobotnya berciri menurun secara eksponensial dari titik data terakhir sampai dengan yang terawal. Metode ini terdiri atas tunggal, ganda, Holt’s Model, Winter’s Model, yang semuanya mempunyai sifat yang sama yaitu nilai yang lebih baru diberikan bobot yang relatif besar dibanding nilai observasi yang lebih lama. Persamaan yang digunakan untuk metode Exponential Smoothing model Winter’s menggunakan 4 persamaan antara lain: (Makridakis, Wheelwright, dan McGee, 2002) Pemulusan Eksponensial:
At
Yt (1 )( At 1 Tt 1 ) St L
( At At 1 ) (1 )Tt 1 (3) Y S t t (1 ) S t L At Peramalan pada periode p: Estimasi Trend: Tt Estimasi Musiman:
Yˆt p ( At pTt )St L p Dimana: = merupakan nilai baru dari pemulusan atau nilai peramalan untuk p periode berikutnya. = konstanta pemulusan (0< < 1) Y t = observasi baru atau nilai aktual pada pada deret dalam periode t = konstanta pemulusan untuk perkiraan trend (0< < 1) = perkiraan trend Tt = konstanta pemulusan untuk perkiraan musiman (0< < 1) = perkiraan musiman St p = periode mendatang yang akan diramalkan L = lebar musiman Yˆ t p= nilai pemulusan lama atau ratarata pengamatan pada metode deret pemulusan ke periode t – 1
Yˆ t p
Dari persamaan rumus diatas bisa di ambil kesimpulan bahwa konstanta alfa, beta dan gamma merupakan masukan yang sangat mempengaruhi ketepatan peramalan dari metode ini. Keuntungan dari Exponential Smoothing Model Winter’s ini adalah peneliti bisa meramalkan beberapa periode kedepan dengan nilai ketepatan yang lebih akurat. Hasil yang diharapkan dalam penelitian ini adalah dapat memperoleh nilai simpangan yang kecil antara data aktual dengan data peramalan. Disamping itu juga dapat memperoleh keakuratan dalam peramalan data musiman hingga beberapa periode ke depan. 3. METODOLOGI Untuk mengetahui perkiraan berapa jumlah penjualan obat pada periode selanjutnya, pihak manajemen perlu untuk melakukan peramalan untuk mengantisipasi persediaan obat, adapun cara untuk mendapatkan hasil peramalan penjualan obat untuk periode selanjutnya, pihak manajemen menghitung jumlah permintaan pada periode sebelumnya, untuk lebih jelasnya dapat dilihat pada algoritma berikut ini: [Algoritma ini digunakan untuk melakukan peramalan obat untuk periode berikutnya] ...................... (1) [Inisialisasi] alfa, beta, gamma, At, Tt, St, Ytp 0 [variabel peramalan]
periode 0 [variabel simpan data] [Proses penghapusan data awal pada tabel peramalan] Repeat for I 1 hingga eof Menghapus semua data awal tabel peramalan Meletakkan pointer pada record selanjutnya [Proses for selesai] End repoeat for [Inisialisasi] total 0 [memberikan nilai awal 0 untuk variabel total] Meletakkan pointer pada record awal [Mencari data pada tabel jual] for I 1 to eof [Menghitung jumlah total permintaan] total total + jumlah jual Meletakkan pointer pada record selanjutnya [Proses for selesai] End repeat for [Proses input data] Read (kode obat) Read (bulan) Read (tahun) Read (jumlah data) [Proses perhitungan data] [Perhitungan data periode] periode periode + 1 [Perhitungan data eksponensial] At alfa * (Yt / St) + (1 – alfa) * (At + Tt) [Perhitungan data trend] Tt beta * (At2 – At1) + ( 1 – beta) * Tt [Perhitungan data musiman] St gamma * (Yt / At) + ( 1 – gamma) * St [Perhitungan data pada periode berikutnya] Ytp (At + 1 * Tt) * St [Perhitungan data error value] Errorvalue total - periode [Perhitunagan data MAD] MAD abs(total – periode) [Perhitungan data MSE] MSE (total - periode ) * ( total – periode) [Perhitungan data MAPE] MAPE MAD / total [Perhitungan data MPE] MPE Errorvalue / total [Proses output data] Print (Kode Obat) Print (Periode)
Print (MSE) Print (Forecast Obat) [Selesai] end
Flow Chart Sistem Flow chart pada sistem peramalan terlihat seperti pada gambar 1. Start
Admin
Login
Kunci Fasilitas Tabel Master
N
Y
Menu Pilihan
Akses Data Master
N
Y
N
Tolak Akses
N
Melakukan Transaksi
N
Y
Order Obat
N
Tampilkan Data
Ubah Data
Jual Obat
N
Y
Y
Admin
Melakukan Peramalan
Analisa Data
Y Transaksi Order Obat
Y
Transaksi Penjualan Obat
N
Uji Statistik
N
Informasi Laporan
N
Utilitas
Y
Y
Proses Analisa Data
Y
Proses Uji Statistik
Laporan Tabel Master
Y
Y
Admin
Analisa Data
N
Y
Akses Penuh
Laporan Analisa Data N Ganti Password
Peramalan
Y
Uji Statistik
Y Proses Peramalan
N
Y Laporan Uji Statistik
Update Data Peramalan
N
Y
Laporan Peramalan
N
End
Manajemen User
Y
Tabel Master
N
N
Y
N
Gambar 1. Flow Chart Sistem Flow chart pada gambar 1 menerangkan tentang alur proses dan entity yang terlibat didalam sistem informasi ini yang dimulai dari pengiriman obat hingga laporan ke Manajer/Apoteker yang secara rinci dijelaskan sebagai berikut : Supplier mengirimkan obat – obatan yang telah di order oleh apotik, terjadi proses penerimaan obat yang akan mengupdate stock obat yang bersangkutan. Customer / Pasien membawa resep, terjadi proses penerimaan resep yang akan melakukan pengecekan stock, bilamana stock tersebut mencukupi, resep dilayani, jika sebagian obat tidak ada maka resep ditolak dan customer dibuat copy resep. Pada saat melayani resep terjadi proses pengeluaran obat dan terjadi update stock. Re Order Point (ROP) dilakukan apabila stock tersebut telah berada kondisi di yang telah ditentukan, dimana ROP ini memerlukan persetujuan dari Manajer / Apoteker untuk melakukan order obat. Peramalan yang dilakukan satu bulan sekali di awal bulan, peramalan ini dilakukan dengan mengacu pada banyaknya resep yang
masuk ke apotik, baik resep yang dilayani maupun yang tidak dilayani. Beberapa pseudocode persamaan peramalan Exponential Smoothing model Winter’s yang mendukung sistem peramalan obat-obatan. (Couchman dan Cristoper, 2004) Pseudocode pemulusan eksponensial (At) FungsiAt(Alfa: Real; Yt: Real; St: Real; At: Real; Tt: Real) : Real; begin { Alfa : konstanta pemulusan Yt : nilai observasi baru atau nilai aktual pada pada deret dalam periode t St : nilai estimasi musiman At : nilai pemulusan eksponensial Tt : nilai estimasi trend } Result := Alfa * (Yt / St) + (1 - Alfa) * (At + Tt); end; Pseudocode estimasi trend (Tt) FungsiTt(Beta: Real; At1: Real; At2: Real; Tt: Real) : Real; begin { Beta : konstanta pemulusan untuk perkiraan trend At1 : nilai pemulusan eksponensial current At2 : nilai pemulusan eksponensial current - 1 Tt : nilai estimasi trend } Result := Beta * (At2 - At1) + (1 Beta) * Tt; end; Pseudocode estimasi musiman (Tt) FungsiSt(Gamma: Real; Yt: Real; At: Real; St: Real) : Real; begin { Gamma : konstanta pemulusan untuk perkiraan musiman Yt : nilai observasi baru atau nilai aktual pada pada deret dalam periode t At : nilai pemulusan eksponensial St : nilai estimasi musiman }
Result := Gamma * (Yt / At) + (1 Gamma) * St; end; Pseudocode peramalan pada periode p (Yt+p) FungsiYtp(At: Real; Tt: REal; St: Real) : Real; begin { At : nilai pemulusan eksponensial Tt : nilai estimasi trend St : nilai estimasi musiman } Result := (At + 1 * (Tt)) * St; end; Dalam pengujian penelitian ini, akan dicoba membuat analisa untuk mengevaluasi proses sampai terjadinya peramalan, Sebagai contoh pengujian disini diambil contoh salah satu data obat dengan : Kode Obat : 000002 Nama Obat : SANMOL 500 MG Pada proses pengujian system akan melakukan tahap analisa data, tahap pengujian statistik, tahap perhitungan ramalan, dan analisa grafik peramalan. 4. HASIL DAN PEMBAHASAN Pada tahap pengujian ini, sistem melakukan tahap analisa data dengan menjumlahkan semua transaksi penjualan obat setiap bulan, sesuai dengan kode obat yang dipilih, seperti tertuang pada tabel 1. Tabel 1. Analisa Data KD_OBAT 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002
PERIODE 01/03/2001 01/04/2001 01/05/2001 01/06/2001 01/07/2001 01/08/2001 01/09/2001 01/10/2001 01/11/2001 01/12/2001 01/01/2002 01/02/2002 01/03/2002 01/04/2002 01/05/2002 01/06/2002 01/07/2002
JUMLAH 1.215 992 1.773 971 936 471 979 1.007 956 1.062 1.344 1.364 1.367 1.782 1.773 1.814 1.611
000002 000002 000002 000002 000002 000002 000002 24
01/08/2002 01/09/2002 01/10/2002 01/11/2002 01/12/2002 01/01/2003 01/02/2003
1.551 1.077 1.108 1.052 1.168 1.478 1.500 1.265
Pada tahap pengujian statistik, sistem akan melakukan pengujian statistik dengan melakukan perhitungan dengan meguji fungsi alfa, beta, dan gamma dari nilai terkecil (0.1) hingga nilai terbesar (0.9) yang tujuannya untuk mencari MSE(Mean Squared Error) pada setiap kombinasi ketiga fungsi tersebut, seperti tertera pada tabel 2. Tabel 2. Pengujian statistik KD_OB AT 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002 . . 000002 000002 000002 . . 000002 000002 000002 000002 000002 000002 000002 000002 000002 000002
NO 1 2 3 4 5 6 7 8 9 10 11 12 . . 648
ALF A 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 . . 0,8
BE TA 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,2 0,2 0,2 . . 0,9
GA MM A 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,1 0,2 0,3 . . 0,9
649 650 . . 720 721 722 723 724 725 726 727 728 729
0,9 0,9 . . 0,9 0,9 0,9 0,9 0,9 0,9 0,9 0,9 0,9 0,9
0,1 0,1 . . 0,8 0,9 0,9 0,9 0,9 0,9 0,9 0,9 0,9 0,9
0,1 0,2 . . 0,9 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MSE 131.203,30 139.223,25 148.943,50 156.913,28 165.363,68 174.472,98 182.973,39 192.158,20 203.495,61 145.453,46 155.743,91 165.470,81 . . 186.556,32 88.329,36 89.447,75 . . 151.598,60 118.933,40 121.664,65 128.504,65 131.937,86 137.511,42 142.491,28 149.287,41 151.878,99 165.653,18 88.329,36
Dari hasil pengujian statistik diatas kemudian dicari nilai MSE yang terkecil, dan diketahui tabel 3 menunjukkan bahwa nilai terkecil dari hasil pengujian nilai masing-masing fungsi adalah 88.329,36, dan nilai ini tercatat di database dan digunakan untuk perhitungan peramalan berikutnya. Tabel 3. MSE GA KD_OB ALF BE MM AT A TA A MSE 000002 0,9 0,1 0,1 88.329,36 000009 0,1 0,1 0,1 97,29 Setelah dilakukan uji statistik maka proses diteruskan ke peramalan obat berdasarkan obat yang pernah diuji, tabel 4 menunjukkan perhitungan peramalan berdasarkan nilai alfa = 0.9, beta = 0.1, dan gamma = 0.1, sesuai dengan tabel MSE. Tabel 4. Perhitungan Peramalan
Dari tabel 4, nilai ukuran ketepatan peramalan yang dihasilkan adalah tertulis pada tabel 5. Tabel 5. Ukuran ketepatan peramalan MAD = 213,90 MSE = 88.329,40 MAPE = 0,20 MPE = -0,10 Berdasarkan perhitungan berikut:
pseudocode pada peramalan dijabarkan
metode, sebagai
Peramalan untuk satu periode berikutnya : ˆ Y t p (A t pTt )S t L p
ˆ 7 1 ( A 7 pT7 )S 7 61 y ˆ 8 [925 ,8 1( 20 ,4)](1,00 ) 905 ,4 y
Berdasarkan perhitungan peramalan tersebut, maka analisa grafik peramalan dapat dijeleskan pada gambar 2. Grafik gambar 2 memperlihatkan hasil akhir dari proses peramalan yang telah dibuat berdasarkan data aktual.
Perhitungan pemulusan eksponensial :
At
Yt (1 )( At 1 Tt 1 ) St L
A2 .9
y2 (1 .9)( A2 T2 1 ) 1.0
.9
992 (1 .9)(1.215,0 0) 892,8 121,5 1.014,3 1.0
Perhitungan estimasi trend :
Tt ( At At 1 ) (1 )Tt 1
T2 .1( A2 A2 1 ) (1 .1)T2 1 .1(1.014,30 1.215,0) (1 .1)0 21,0 0,9 20,1
Perhitungan estimasi musiman : y .1 2 (1 .1)1.0 A2
S2
Y S t t (1 ) S t L At
Gambar 2 Grafik Peramalan Grafik gambar 2 menunjukkan bahwa nilai penjualan pada periode terkait adalah : Periode 25 :
992 .1 (1 .1)1.0 0,1 (0,9) 1,00 1.014 ,3
Perhitungan pada periode ke 8 (delapan) terlihat sebagai berikut : Perhitungan estimasi pemulusan eksponensial : y A7 .9 7 (1 .9)( A7 1 T7 1 ) S7 6
.9
979 .9[515,6 (68,2)] 925,8 1.0
Periode 26 :
Periode 27 :
Periode 28 :
Perhitungan estimasi trend :
T7 .1( A7 A7 1 ) (1 .1)T7 1 .1(925,8 515,6) .9(68,2) 20,4 Perhitungan estimasi musiman :
S 7 .1 ,1
y7 (1 .1) S 7 6 A7
979 ,9(1,0) 0,11 0,9 1,01 925 ,8
Periode 29 :
Periode 30 :
nilai peramalan = 1.450,8 atau penjualan akan naik sebesar 0,3% dari periode sebelumnya. nilai peramalan = 1.873,2 atau penjualan akan naik sebesar 22,5% dari periode sebelumnya. nilai peramalan = 1.905,9 atau penjualan akan naik sebesar 1,7% dari periode sebelumnya. nilai peramalan = 1.945,0 atau penjualan akan naik sebesar 2,0% dari periode sebelumnya. nilai peramalan = 1.737,3 atau penjualan akan turun sebesar 12,0% dari periode sebelumnya. nilai peramalan = 1.646,8 atau penjualan akan turun sebesar 5,5% dari periode sebelumnya.
Pada periode 1 – 6 merupakan inisialisasi dari proses peramalan, periode 7 – 8 terjadi pergeseran
nilai terhadap bulan, dikarenakan ada pengaruh dari inisialisasi peramalan, periode 8 – 24 data peramalan berfluktuasi nyata, karena penyimpangan mulai mengecil (mendekati aktual), hal ini menunjukkan bahwa peramalan dapat diterima dengan menggunakan konstanta alfa = 0.9, beta = 0.1, dan gamma = 0.1.
6. DAFTAR PUSTAKA
5. KESIMPULAN Dengan adanya sistem peramalan persediaan obat-obatan ini dapat memudahkan pengelola apotik untuk mengambil keputusan menentukan persediaan obat-obatan yang akan datang. Proses analisa data persediaan menjadi lebih cepat dan lebih akurat, karena waktu merupakan faktor utama dalam pengambilan keputusan. Hasil analisa grafik peramalan menunjukkan bahwa data yang ditampilkan mempunyai keakuratan, terbukti dengan data aktual dengan data peramalan mempunyai nilai simpangan yang kecil dan alur yang sama. Untuk itu pengelola apotik lebih mudah menentukan keputusan karena sistem peramalan ini menyajikan data dalam bentuk grafik. Metode peramalan Winter’s mempunyai kemampuan keakuratan dalam peramalan data musiman hingga beberapa periode kedepan. Metode peramalan yang menghasilkan penyimpangan ramalan terhadap realisasi (MSE : Mean Sequare Error ) paling kecil yang dipilih.
3.
1.
2.
4.
5.
ISFI. 2002. ISO (Informasi Spesialite Obat) Indonesia. Jakarta: Penerbit Ikatan Sarjana Farmasi Indonesia Couchman, J.S., Cristoper, A. 2004. Oracle Certified Professional Application Developer Exam Guide With Forecasting . California: Osborne/ McGraw-Hill Hanke, J.E., Reitsch, A.G. 2005. Business Forecasting. New Jersey: Prentice Hall International Editions. Makridakis, S., Whellwright, S.C., and McGee, M.E. 2002. FORECASTING: Methods and Applications. Canada: John Wiley & Sons Inc Pressman, R. S. 2006. Software Engineering (A Practitioner’s Approach). New York: Mc Graw-Hill.
