SISTEM PERAMALAN PERSEDIAAN BAHAN MENTAH MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTING DENGAN BOBOT ORDERED WEIGHTED AGGREGATION (OWA) Syahruwandi, Fauzan Jurusan Teknik Informatika STT Nurul Jadid Paiton
[email protected] Bayu Setyawan Jurusan Teknik Informatika Universitas 45 Surabaya
[email protected]
ABSTRAK
Salah satu komponen penting yang menunjang operasi produksi tahu pada Pabrik Tahu Suryadi adalah kegiatan memprediksi jumlah beberapa bahan mentah yang dibutuhkan pada gudang produksi Tahu. Dengan prediksi yang baik, dapat dibuat rencana kerja perusahaan lebih efektif dan efisien. Oleh karena itu dibutuhkan sistem yang dapat memprediksi jumlah persediaan tiap harinya agar perusahaan mendapatkan keuntungan yang maksimal. Untuk meramalkan persediaan bahan mentah Tahu digunakanlah metode peramalan Double Exponential Smooting (DES). Hasil peramalan menggunakan DES dengan alpha 0,1 sampai 0,9 dihitung nilai Percentage Error (PE) yang terkecil, dari hasil perhitungan diperoleh alpha terkecil terdapat pada alpha 0,2 dengan Percentage Error -0.0409043958614% dan alpha 0,1 dengan Percentage Error -0.0408950742335%. Kemudian dua alpha tersebut dijadikan sebagai alpha 1 dan alpha 2 untuk dihitung dengan bobot Ordered Weighted Arregation (OWA) mencari . Dari hasil perhitungan yang dilakukan dapat diambil kesimpulan bahwa alpha yang digunakan untuk meramalkan persediaan barang pada Pabrik Tahu Suryadi periode selanjutnya adalah nilai alpha baru yang diperoleh yaitu 0,101.
Kata kunci : Peramalan persediaan bahan mentah, Double Exponential Smooting, Ordered Weighted Argregation (OWA)
43
Abstract One of the important components that support the operation of the plant Tofu tofu production is an activity Suryadi predict the amount of some raw materials required in the production warehouse Know. With good prediction, plans can be made more effective and efficient company. Therefore, it needs a system that can predict the amount of inventory every day that companies get the maximum benefit. To forecast the supply of raw material is used to Know Double Exponential Smooting forecasting method (DES). Forecasting results using DES with an alpha of 0.1 to 0.9 calculated value Percentage Error (PE) is the smallest, from the calculation results obtained are the smallest alpha alpha by Percentage Error -0.0409043958614 0.2% and 0.1 alpha by Percentage Error - 0.0408950742335%. Then two alpha is used as alpha 1 and alpha 2 to be calculated by the weight of Ordered Weighted Arregation (OWA) search. From the results of calculations carried out can be concluded that the alpha is used to forecast inventory in the next period Suryadi Tofu Factory is a new alpha value obtained is 0.101. Keywords: raw material supply forecasting, Double Exponential Smooting, Ordered Weighted Argregation (OWA).
I. PENDAHULUAN Persaingan industri saat ini sangat ketat. Setiap perusahaan berusaha ingin mampu bersaing dengan berbagai cara yang dilakukan. Perusahaan tidak hanya dituntut untuk menerapkan strategi agar dapat meningkatkan keunggulan bersaing, tetapi juga melakukan perbaikan dan evaluasi manajemen untuk meningkatkan kualitas. Salah satunya adalah manajemen inventory (persediaan). Pabrik Tahu Suryadi Kebon Agung Kraksaan merupakan perusahaan yang memproduksi Tahu. Produk tersebut dipasarkan ke beberapa daerah di Jawa timur. Dalam konteks produksi persediaan bahan mentah selama ini di Pabrik Tahu Suryadi masih manual. Hal ini masih kurang efisien karena tidak ada sistem yang mengatur persediaan harian. Oleh karena itu dibutuhkan sistem yang dapat memprediksi jumlah bahan mentah untuk diproduksi hariannya agar persediaan lebih teratur dan tidak berlebihan atau kekurangan bahan mentah. Pola data persediaan bahan mentah pada Pabrik Tahu Suryadi merupakan data stasioner yaitu data yang berbentuk naik turun setiap harinya. Metode peramalan banyak digunakan seperti regresi linier, single exponential smooting, double exponential smooting, single moving average, dan masih banyak metode-metode lainnya. Tetapi sesuai dengan bentuk data, maka dalam peramalan persediaan bahan mentah ini digunakan metode double exponential smoohting dengan pembobotan Ordered Weigthed Aggregation (OWA). Yang mana pembobotan ini dipakai untuk mencari alpha baru untuk menghasilkan peramalan terbaik. Dengan prediksi Error yang minimum. Tujuan dari Penelitian ini adalah membuat suatu perangkat lunak sistem pendukung keputusan (SPK) untuk membantu dalam melakukan proses peramalan
44
44
persediaan bahan mentah di Pabrik Tahu Suryadi - Kebon Agung Kraksaan dengan menggunakan metode Double Exponential Smoothing dengan Pembobotan Ordered Weighted Aggregation (OWA).
II. TINJAUAN PUSTAKA Penelitian-penelitian tentang peramalan yang pernah dilakukan oleh beberapa orang dengan metode dan objek yang berbeda. a. Enni Lindrawati dalam penelitiannya yang berjudul Sistem Informasi Inventory menggunakan Inventory Control dengan Metode Linier Programming. digunakan metode Exponential Smoothing untuk meramalkan permintaan produk dan metode Linier Programming untuk pengendalian persediaan barang pada PT. Madura Guano Industry (LTD) Bangkalan. Hasil penelitian itu menunjukkan bahwa pengendalian persediaan meminimumkan jumlah pembelian bahan mentah sesuai dengan peramalan permintaan. Dalam penelitian Tingkat Error dari hasil peramalan terhadap data actual adalah 2,1 %. (Lindrawati E, 2010:27) b. Fei Hao dan Zheng Pei Dalam penelitiannya yang berjudul A Method Of Determining The Secondari Exponential Smooting Parameter Based On OWA. Dalam penelitian ini menggunakan metode Secondary Exponential Smooting Model (SESM). SESM disini digunakan untuk memprediksi trend untuk menentukan parameter smooting. Dan pembobotan Ordered Weighted Aggregation (OWA) dianggap untuk mendapatkan solusi optimal. Untuk mendapat bobot OWA tingkat Error dan prediksi Error dari SESM didefinisikan. Metode ini diterapkan untuk meramalkan harga obat pada sebuah saham. (Pei Zheng, 2007:5)
2.1 Sistem Pendukung Keputusan (Decision Support System) Sistem berbasis computer yang interaktif, yang membantu pengambil keputusan memanfaatkan data dan model untuk menyeleaikan masalah-masalah yang tak tersetruktur. DSS mendayagunakan resources individu-individu secara intelek dengan kemampuan computer untuk meningkatkan kualitas keputusan. Jadi ini merupakan system pendukung yang berbasis computer untuk manajemen pengambilan keputusan yang berhubunhgan dengan masalah-masalah yang semi terstruktur. Istilah DSS kadang digunakan untuk menggambarkan sembarang system terkomputerisasi. Alasan mengapa menggunakan DSS : a) Perusahaan beroperasi pada ekonomi yang tidak stabil. b) Perusahaan dihadapkan pada kompetisi dalam dan luar negeri yang meningkat. c) Perusahaan menghadapi peningkatan kesulitan dalam hal melacak jumlah operasi-operasi bisnis. d) System computer perusahaan tak mendukung peningkatan tujuan perusahaan dalam hal efisiensi, profitabilitas, dan mencari jalan masuk dipasar yang benerbenar menguntungka. (Subakti I, 2002:213)
45
2.2 Pengendalian Persediaan (inventory) Persediaan (inventory), dalam konteks produksi dapat diartikan sebagai sumber daya menganggur (idle resource). daya menganggur ini belum digunakan karena menunggu proses lebih lanjut. Yang dimaksud proses lebih lanjut disini dapat berupa kegiatan produksi, pemasaran ataupun kegiatan konsumsi. Keberadaan persediaan atau sumber daya menganggur ini dalam suatu sistem mepunyai suatu tujuan tertentu. Alasan utamanya adalah karena sumber daya tertentu tidak bisa didatangkan ketika sumber daya tersebut dibutuhkan. Sehingga untuk menjamin tersedianya sumber daya tersebut perlu adanya persediaan yang siap digunakan ketika dibutuhkan. (Ginting R, 2007:56). 2.3 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) merupakan bagian awal dari suatu proses pengambilan suatu keputusan. Sebelum melakukan peramalan harus diketahui terlebih dahulu apa sebenarnya persoalan dalam pengambilan keputusan itu. Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap suatu atau beberapa produk pada periode yang akan dating. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess), tetapi dengan menggunakan teknik-teknik tertentu maka peramalan menjadi lebih sekedar perkiraan. Peramalan dapat dikatakan perkiraan yang ilmiah (educated guess). (Ginting R, 2007:89). 2.4 Metode Exponential smoothing Metode peramalan Exponential Smooting (penghalusan exponential) sebenarnya merupakan metode rata-rata bergerak yang memberikan bobot lebih kuat pada data terakhir dari pada data awal. Hal ini menjadi sangat berguna jika perubahan terakhir pada data lebih merupakan akibat dari perubahan actual (seperti pola musiman) dari pada hanya fluktuasi acak saja. (Prayogo BS, 2008:5). Metode Exponential Smooting terdiri atas : 1. Single Exponential Smooting Pengertian dasar dari metode ini adalah : nilai ramalan pada periode t + 1 merupakan nilai actual pada periode t ditambah dengan penyesuaian yang berasal dari kesalahan nilai ramalan yang terjadi pada periode t tersebut. 2. Double Exponential Smooting (DES) Satu parameter (Brown s Linier Method ), merupakan metode yang hampir sama dengan metode linier moving average,disesuaikan dengan menambah satu parameter. (Ginting R, 2007:215). = +(1- ) ……………………….…………………..…..2.1 = + (1- ) ………………………………….………….2.2 Dimana: = nilai-nilai penghalusan exponential tunggal = nilai-nilai penghalusan exponential ganda
46
46
=
koefisien pemulusan
= data dalam kilogram (persediaan bahan mentah) =
+(
=
(
)=
…………..………...………........….2.3
) ………………………...……...………...………...2.4
= . m …….……….…………………………...………….... 2.5 Dimana: = penyesuaian nilai penghalusan tunggal untuk periode t = komponen kecendrungan = nilai ramalan untuk periode kedepannya 2.5 Ukuran Kesalahan Peramalan 1. Ukuran Statistik Standar Jika merupakan data actual untuk periode i dan merupakan ramalan (atau nilai kecocokan/fitted value) untuk periode yang sama, maka kesalahan didefinisikan sebagai berikut : (Makridakis W, 1999:56) =
-
………………………………………………………...……..2.6
Jika terdapat nilai pengamatan dan peramalan untun n peride waktu maka akan terdapat n buah galat dan ukuran statistic standar berikut yang dapat didefinisikan : Nilai Tengah Galat (MEAN ERROR) = nilai rata-rata kesalahan ME =
……………...……………………………………………2.7
Nilai Tengah Galat Kuadrat (MEAN SQUARED ERROR) = nilai rata-rata kesalahan kuadrat MSE =
……………….……………..………………………………2.8
2. Ukuran-ukuran Relatif Karena keterbatasan MSE sebagai suatu ukuran ketepatan peramalan, maka diusulkan ukuran-ukuran alternative, yang diantaranya menyangkut galat persentase. Dapat didefinisikan : (Makridakis W, 1999:60) Galat Persentase (PERCENTAGE ERROR) = kesalahan presentase pada periode PE = (
) (100%) ……........…………………………………………2.9
Nilai Tengah Galat Persentase Absolut (MEAN ABSOLUTE PERCENTAGE ERROR) = nilai rata-rata kesalahan presentase MAPE
=
(
)
(100%)……...………………………..………………2.10
47
2.6 Ordered Weighted Aggregation (OWA) Ordered Weighted Agregation (OWA) diperkenalkan oleh Yager. OWA merupakan operator yang bersifat Komutatif, idempotent, kontinu, monoton, netral, konpenstatif dan stabil pada transformasi linier. Prinsip dari operator OWA ini adalah mengurutkan argument-argument untuk diagregasikan berdasarkan nilai tanggapan yang diberikan. Dalam dunia nyata, operator agregasi digunakan jika beberapa sistem harus membuat penilaian atau mensintesis pengetahuan terkait tertentu. OWA adalah operator Agregasi yang mengumpulkan beberapa informasi dengan bobot dalam urutan tertentu. (Dewi SK, 2006:314). Sebuah pemetaan OWA jika dikaitkan dengan = 1. Dan ( …….
dimana {
sedemikian hingga (
dari , I (dimana I = [0,1]) disebutut operator , adalah vector bobot w = [w1,w2,…., ] dan ) = = + + (1),….
≥
(n)} adalah permutasi dari
{1,….n}
untuk semua i=2 adalah elemen dalam koleksi
).
Metode ini diambil dari sudut pandang dunia nyata, semakin kecil PE dan HE semakin lebih baik hasil peramalan. Dari seleksi ( ). jika < dan
<
. Dari hasil penghitungan tingkat kesalahan peramalan diambil nilai
tingkat kesalahan terkecil. Maka ditemukan untuk dan untuk ditentukan sebagai berikut : (Pei Zheng. 2007:92) = Dimana dan
+
+
= 1 ………………………….………2.12
dan diperoleh dari nilai HE dan PE terkecil dari hasil peramalan. Dan diperoleh dari rumus :
=Q( )–Q(
48
, dimana
. Dalam paper ini
) : I = 1,……,n …………………...………………………2.13
48
III. METODE PENELITIAN 1. Flowchart Sistem
Gambar 3.1 Flowchart Sistem
49
2. Flowchart Metode Double Exponential Smoothing
Gambar 3.2 Flowchart Metode Double Exponential Smoothing
50
50
3. Flowchart Ordered Weighted Aggregation (OWA)
Gambar 3.3 Flowchart Ordered Weighted Aggregation (OWA)
51
IV. PEMBAHASAN DAN HASIL 4.1 Tampilan Antar Muka
Gambar 4.1 Tampilan Halaman Utama Pada gambar diatas admin dapat melakukan beberapa aktifitas yang telah disediakan pada menu persediaan produk, seperti menambah, mengubah, menghapus data persediaan bahan mentah digudang. admin juga dapat melakukan ujicoba sistem. Admin juga dapat melihat laporan dari hasil peramalan persediaan bahan mentah yang akan diproduksi. Sedangkan kepala gudang hanya menerima hasil peramalan dan cetak laporan. 4.2 Perhitungan Peramalan Menggunakan Metode Double Exponential Smoothing (DES) dengan Data latih 30. Perhitungan peramalan menggunakan metode Double Exponential Smoothing (DES) dengan alpha 0.1 sampai 0.9 Menggunakan data sebanyak 30 dari satu jenis bahan mentah kedelai untuk mengetahui tingkat akurasi Error pada peramalan. Satuan yang digunakan dalam jumlah persediaan adalah kilogram. Dari hasil peramalan menggunakan 30 data, tingkat akurasi Error dengan metode yang digunakan Mean Error (ME), Mean Square Error (MSE), Mean
52
52
Absolute Error (MAPE) dan Prediction Error (PE). Diperoleh hasil perhitungan kesalahan. Tabel 4.1 Akurasi Error Pada Peramalan DES Alpha
ME
MSE
MAPE
PE
0,1
29.1796666667
143300.784217
0.160503333333
-0.0169948111323
0,2
13.0686666667
153888.271687
0.16421
-0.0227186782925
0,3
9.64766666667
166655.89047
0.166966666667
-0.0225155744067
0,4
9.79933333333
183429.3069
0.178156666667
-0.0218621025539
0,5
10.444
204618.237087
0.190673333333
-0.0218876067208
0,6
11.0523333333
231176.68149
0.203403333333
-0.0224574271828
0,7
11.865
265357.29395
0.218073333333
-0.0232161516648
0,8
13.0313333333
311752.329967
0.237006666667
-0.0239505737364
0,9
14.6073333333
379955.37268
0.257246666667
-0.0245555039837
Tabel 4.2 Nilai Alpha terkecil Nilai Alpha Terkecil Alpha 1
Alpha 2
0.9
0.8
Dari perhitungan menggunakan metode Double Exponential Smoothing (DES) pada data sebanyak 30 jenis bahan mentah Kedelai diatas PE terkecil terdapat pada alpha 0.9 dan 0.8 dengan tingkat Error -0.0245 dan -0.0239.
4.3 Perhitungan Peramalan Menggunakan Metode Double Exponential Smoothing (DES) dengan Menggunakan Data sebanyak 150. Perhitungan peramalan menggunakan metode Double Exponential Smoothing (DES) dengan alpha 0.1 sampai 0.9 Menggunakan data sebanyak 150 dari satu jenis bahan mentah kedelai untuk mengetahui tingkat akurasi Error pada peramalan. Satuan yang digunakan dalam jumlah persediaan adalah kilogram. Hasil peramalan dapat dilihat pada tabel 4.3. Dari hasil peramalan menggunakan 150 data tingkat akurasi Error dengan metode yang digunakan Mean Error (ME), Mean Square Error (MSE), Mean Absolute Error (MAPE) dan Prediction Error (PE). Diperoleh hasil perhitungan kesalahan.
53
Tabel 4.3 Akurasi Error Pada Peramalan DES Alpha
ME
MSE
MAPE
PE
0.1
-3.87453333333
143441.650935
0.162106
-0.0362678122956
0.2
-2.60293333333
160429.455973
0.168269333333
-0.0349344235466
0.3
-3.4508
180174.261204
0.175916666667
-0.0352383564625
0.4
-4.18126666667
202243.467375
0.185088
-0.0357733395288
0.5
-4.5998
226097.335286
0.195389333333
-0.0361785886866
0.6
-4.65566666667
251845.396631
0.205046
-0.0362562525232
0.7
-4.3322
280819.608739
0.216268666667
-0.0358539133193
0.8
-3.62226666667
317108.417308
0.229462666667
-0.0348092384676
0.9
-2.2432
371489.854881
0.246814666667
-0.0328107984728
Tabel 4.4 Nilai Alpha terkecil Nilai Alpha Terkecil Alfa 1
Alfa 2
0.1
0.6
Dari perhitungan menggunakan metode Double Exponential Smoothing (DES) pada data sebanyak 150 jenis bahan mentah Kedelaidiatas PE terkecil terdapat pada alpha 0.1 dan 0.6 dengan tingkat Error -0,0363 dan -0,0362.
4.4 Perhitungan Peramalan Menggunakan Metode Double Exponential Smoothing (DES) dengan Menggunakan Data sebanyak 279. Perhitungan peramalan menggunakan metode Double Exponential Smoothing (DES) dengan alpha 0.1 sampai 0.9 Menggunakan data sebanyak 297 dari satu jenis bahan mentah kedelai untuk mengetahui tingkat akurasi Error pada peramalan. Satuan yang digunakan dalam jumlah persediaan adalah kilogram. Hasil peramalan dapat dilihat pada tabel 4.5. Dari hasil peramalan menggunakan 297 data tingkat akurasi Error dengan metode yang digunakan Mean Error (ME), Mean Square Error (MSE), Mean Absolute Error (MAPE) dan Prediction Error (PE). Diperoleh hasil perhitungan kesalahan.
54
54
Tabel 4.5 Akurasi Error Pada Peramalan DES Alfa
ME
MSE
MAPE
PE
0.1
2.87272727273
166828.546098
0.179865993266
-0.0408950742335
0.2
1.31080808081
187450.472008
0.186346127946
-0.0409043958614
0.3
0.677070707071
211292.979748
0.196078451178
-0.0408896366978
0.4
0.579393939394
237491.564272
0.205709427609
-0.0408753340942
0.5
0.600740740741
265644.709438
0.215794949495
-0.0408820572106
0.6
0.469461279461
296099.532784
0.226420875421
-0.0408948699502
0.7
0.0941414141414
330892.392323
0.240430639731
-0.0408445026977
0.8
-0.566363636364
375484.989764
0.256947474747
-0.0406410604803
0.9
-1.74134680135
442549.903517
0.277439057239
-0.0402478827039
Tabel 4.6 Nilai Alpha terkecil Nilai Alfa Terkecil Alfa 1
Alfa 2
0.2
0.1
Dari perhitungan menggunakan metode Double Exponential Smoothing (DES) pada data sebanyak 297 jenis bahan mentah Kedelai diatas PE terkecil terdapat pada alpha 0.2 dan 0.1 dengan tingkat Error -0.0409043958614 dan 0.0408950742335. Dari ketiga uji coba diatas dapat disimpulkan semakin besar jumlah data persediaan yang diramalkan, maka semakin kecil tingkat Error yang diperoleh yaitu -0.0409043958614 dan -0.0408950742335 terdapat pada alpha 0,2 dan 0,1 pada uji coba data persediaan sebanyak 297. Jadi alpha yang digunakan untuk menghitung alpha baru dengan bobot Ordered Weighted Aggregation (OWA) adalah alpha 1 = 0,2 dan alpha2 = 0,1. 1. Grafik akurasi Error pada setiap alfa pada jenis bahan mentah kedelai
Gambar 4.2 Grafik Akurasi Error
55
2. Penghitungan
dengan menggunakan bobot OWA 0 sampai 1.
Tabel 4.7 penghitungan nilai
dengan bobot OWA
No
W1
W2
Alfa 1
Alfa2
Hasil alfa baru
1
0.01
0.99
0.2
0.1
0.101
2
0.02
0.98
0.2
0.1
0.102
3
0.03
0.97
0.2
0.1
0.103
4
0.04
0.96
0.2
0.1
0.104
5
0.05
0.95
0.2
0.1
0.105
6
0.06
0.94
0.2
0.1
0.106
7
0.07
0.93
0.2
0.1
0.107
8
0.08
0.92
0.2
0.1
0.108
9
0.09
0.91
0.2
0.1
0.109
:
:
:
:
:
:
95
0.95
0.05
0.2
0.1
0.195
96
0.96
0.04
0.2
0.1
0.196
97
0.97
0.03
0.2
0.1
0.197
98
0.98
0.02
0.2
0.1
0.198
99
0.99
0.01
0.2
0.1
0.199
Dari hasil penghitungan di simpulkan : jika alpha 1 lebih besar dari alpha 2 dan nilai bobot w1 lebih kecil dari nilai bobot w2 maka semakin kecil nilai yaitu 0,101. Jika nilai bobot w1=w2 maka nilai dan nilai bobot w1 lebih besar dari nilai bobot w2 maka semakin besar nilai yaitu = 0,199. Jadi, Dari perhitungan menggunakan metode OWA untuk mencari alpha baru diatas nilai alpha baru terkecil terdapat pada bobot owa w1=0,01 dan w2 = 0,99 dengan alpha 1 = 0.2 dan alpha 2 = 0.1 hasil penghitungan alfa baru yaitu diperoleh = 0.101. Sehingga untuk perhitungan peramalan persediaan pada bahan mentah jenis kedelai dengan metode DES hanya dilakukan pada alpha baru ( 0.101).
56
56
3. Grafik hasil peramalan dengan alfa baru
Gambar 4.3 Grafik Ft 1. Hasil Penghitungan peramalan persediaan bahan mentah kedelay menggunakan metode DES dengan alfa baru Jadi dari hasil perhitungan peramalan persediaan menggunakan metode DES : jenis bahan mentah kedelai dengan alfa baru 0.101 jumlah persediaan periode berikutnya sebanyak 1956.37 kg.
V. KESIMPULAN 5.1 Kesimpulan Setelah menyelesaikan perancangan dan pembuatan aplikasi peramalan pada Penelitian ini, maka diperoleh kesimpulan sebagai berikut: a. Sistem peramalan bahan mentah menggunakan metode Double exponential smoothing dengan pembobotan Ordered Weigted Aggregation (OWA) dapat membantu Pabrik Tahu Suryadi Kraksaan dalam menentukan jumlah bahan mentah produk tahu perharinya. b. Berdasarkan uji coba sistem, dengan peramalan Double exponential smoothing nilai alpha terkecil pada kedelay yaitu alpha 0.2 dengan tingkat akurasi Mean Absolute Percentage Error 0.186346127946% dan Percentage Error 0.0409043958614% . Alpha 0.1 dengan tingkat akurasi Mean Absolute Percentage Error 0.179865993266% dan Percentage Error 0.0408950742335%. Kemudian dijadikan sebagai alpha 1 dan alpha 2 untuk menghitung alpha baru dengan bobot OWA. c. Jika alfa 1 lebih besar dari alfa 2 yaitu 0,2 dan 0,1 dan nilai bobot w1 lebih kecil dari nilai bobot w2 yaitu 0,01 dan 0,99 maka semakin kecil nilai . jika alfa 1 lebih besar dari alfa 2 yaitu 0,2 dan 0,1 dan nilai bobot w1 lebih besar dari nilai
57
bobot w2 yaitu 0,99 dan 0,01 maka semakin besar nilai . Jadi nilai yang diambil untuk meramalkan persediaan bahan baku pada periode berikutnya adalah alfa 0,101. Berdasarkan penghitungan dengan alpha 1= 0,2 , alpha 2 = 0,1 dan W1 = 0.01 , W2 = 0.99 diperoleh alpha baru = 0.101.
5.2 Saran Setelah terlaksananya Penelitian ini Diharapkan adanya pengembangan lebih lanjut. Bisa juga menggunakan metode peramalan selain Double Exponential Smooting. Misalkan dengan Regresi Linier, linier programming, Single Exponential smooting, single moving average dengan bobot Ordered Weighted Aggregatin (OWA), dan masih banyak metode lainnya. DAFTAR PUSTAKA Lindrawati, E. 2010. Sistem Inventory Menggunakan Control Dengan Metode Linear Programming. Penelitian. Bangkalan : Universitas Trunojoyo. Hao, Fei, Pei Zheng. 2007. A Method Of Determining The Secondari Exponential Smooting Parameter Based On OWA. China : ECTI Transaction On Electrical Eng, Electronics And Communication. Taylor, W, J. 2007. Multi-item Sales Forecasting With Total And Split Exponential Smooting. Inggris : Journal of the Operational Research Society. Tanuwijaya, H. 2008. Sistem Informasi Pengendalian Persediaan menggunakan Exponetial Smooting pada. Surabaya : Stikom Jurnal. Ginting, R. 2007. Sistem Produksi. Yogyakarta : Graha Ilmu. Subakti, I. 2002. Sistem Pendukung Keputusan (Decesion Support system). Buku Panduan SPK. Surabaya Prayogo, B, S. 2008. Rancang Bangun Sistem Peramalan Penjualan Dengan Metode Exponential Smooting Dan Single Moving Average. Surabaya : Skripsi Manajemen Informatika & Teknik Komputer Makridakis, W dan McGee. 1999. Metode dan Aplikasi Peramalan Jakarta: Binarupa aksara. Dewi, S.K. 2006. Fuzzy Multi Atribute Decision Making (FUZZY MADM). Yogyakarta : Graha Ilmu.
58
58
