Abstraksi Suatu perencanaan yang tepat di segala bidang sangat diperlukan oleh suatu perusahaan agar mampu bersaing dan dapat berkembang di era global seperti saat ini. Dalam sebuah perusahaan yang bergerak di bidang jasa atau bidang manufaktur, diperlukan suatu perencanaan yang tepat agar perusahaan tersebut dapat terus bersaing dengan para kompetitornya. Semakin tepat keputusan yang dibuat, maka semakin kecil pula resiko perusahaan tersebut mengalami kerugian.Untuk mencapai kondisi tersebut, perusahaan harus dapat menekan biaya dan memaksimalkan keuntungan yang diperoleh. Salah satu upaya yang dilakukan adalah perencanaan pelaksanaan produksi yang akan dilakukan pada periode mendatang. Karena pada perusahaan yang jumlah angka produksinya tetap per periode nya, dianggap dapat menimbulkan suatu permasalahan yaitu menumpuknya stok produk jika jumlah penjualan lebih kecil dibandingkan dengan jumlah produksi, atau terjadinya kondisi kekurangan stok produk jika jumlah penjualan lebih kecil dibandingkan dengan jumlah produksi.   Kata kunci : Forecasting, Exponential Smoothing, Double Exponential smoothing

Pembahasan Makalah Semua organisasi beroperasi dalam suatu lingkungan yang mengandung unsur ketidakpastian, tetapi keputusan harus tetap diambil yang nantinya akan mempengaruhi masa depan organisasi tersebut, suatu pendugaan secara ilmiah terhadap masa datang akan jauh lebih berarti ketimbang pendugaan yang tidak ilmiah (Lincoin Arsyad, 1993:3). menurut Lincoin Arsyad yang dimaksud dengan pendugaan secara ilmiah adalah pembuatan ramalan yang didasarkan pada metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu.

Dalam sebuah perusahaan yang bergerak di bidang jasa atau bidang manufaktur, diperlukan suatu perencanaan yang tepat agar perusahaan tersebut dapat terus bersaing dengan para kompetitornya. Semakin tepat keputusan yang dibuat, maka semakin kecil pula resiko perusahaan tersebut mengalami kerugian. Dikarenakan adanya kompetitor yang membuat persaingan lebih ketat, Perusahaan mesti mengadakan serangkaian kegiatan penjualan yang efektif dan memberikan peralatan promosi untuk merangsang pembelian agar lebih meningkat (Kotler, 1989:28). Dalam penelitian ini studi kasus dilakukan pada sebuah perusahaan manufaktur, dimana ada satu hal yang harus diperhatikan adalah perencanaan untuk penetapan jumlah produksi barang produk. Perusahaan juga harus dapat meminimalkan kesalahan dalam hal penetapan jumlah produksi barang produk. Permasalahan yang sering terjadi adalah suatu keadaan dimana jumlah angka. penjualan barang tidak sebanding atau dikatakan lebih kecil daripada jumlah angka produksi barang sehingga dapat menyebabkan kerugian pada perusahaan. Kerugian yang dimaksud dalam hal ini adalah, karena barang di gudang yang belum terjual akan mengakibatkan biaya perawatan barang yang semakin meningkat. Untuk mengatasi hal tersebut diperlukan teknik peramalan penjualan yang tepat agar barang yg masih di dalam gudang akan terjual sehingga dapat mengeliminir biaya perawatan. Dalam permasalahan ini metode yang paling tepat untuk digunakan dalam proses perhitungan peramalan adalah metode exponential smoothing, karena menurut Lincolin Arsyad (1993) dalam bukunya yang berjudul peramalan bisnis,metode exponential smoothing adalah salah satu metode yang tepat untuk digunakan dalam proses perhitungan peramalan jika data yang akan diteliti bersifat trend, yang mana data trend didefinisikan sebagai suatu komponen jangka panjang yang menunjukkan pertumbuhan atau penurunan dalam data tersebut sepanjang periode waktu yang panjang. Hal tersebut sesuai dengan pola data yang terdapat pada data penjualan yang pola datanya terkadang menaik atau cenderung menurun pada suatu periode tertentu.

Dalam upaya mengeliminir atau memperkecil perbedaan jumlah angka penjualan dengan jumlah angka produksi barang maka diperlukan Sistem Informasi yang dapat mengestimasi penjualan dengan menggunakan metode exponential smoothing. Sehingga dapat diketahui angka penjualan pada periode mendatang yang tentunya dapat membantu perusahaan untuk merencanakan jumlah angka produksi yang akan di hasilkan dengan lebih tepat sehingga dapat meminimalisir kerugian yang dialami oleh perusahaan yang disebabkan oleh jumlah angka penjualan lebih kecil dari pada jumlah angka produksi.

Exponential Smoothing Dalam bentuk yang mulus (smooth), ramalan yang baru (untuk waktu t+1) dapat dianggap sebagai rata-rata yang diberi bobot terhadap data terbaru (pada waktu t) dan ramalan yang lama (untuk waktu t). bobotα diberikan pada data terbaru, dan bobot 1-αdiberikan pada ramalan yang lama, dimana 0 <α< 1. Dengan demikian : Ramalan baru = αx(data baru) + ( 1 – α)x (ramalan yang lama).Secara matematis, persamaan exponential smoothing dapat ditulis : Ŷ t+1 = αYt+ (1-α)Ŷ t ................................................................(1) Dimana : Ŷ t+1= nilai ramalan untuk periode berikutnya α= konstanta pemulusan (0 <α< 1) Y t = data baru atau nilai Y yang sebenarnya pada periode t

Teknik Peramalan Holt Ŷt = nilai pemulusan yanglamaatau rata-rata yang dimuluskan hingga periode t – 1. Tiga persamaan yang digunakan dalam teknik ini adalah sebagai berikut: Rangkaian pemulusan secara eksponensial At = α Yt + (1 – α) (At-1 + Tt-1).............................................................(2) Estimasi trend Tt = β (At – At-1) + ( 1 – β) Tt-1...................................................(3) Ramalan pada periode p Ŷt + p = At + pTt...............................................(4) Dimana At = Nilai baru yang telah dimuluskan α = konstanta pemulusan untuk data (0 ≤ α ≤ 1) Yt = data yang baru atau yang sebenarnya pada periode t β = konstanta pemulusan untuk estimasi trend (0 ≤ β ≤ 1) Tt = estimasi trend p = periode yang diramalkan Ŷt + p = nilai ramalan pada periode p Persamaan pertama hampir sama dengan model dasar pemulusan eksponensial tunggal, hanya saja variabel trend ditambahkan pada persamaan tersebut. Estimasi trend dihitung dengan menghitung selisih antara dua nilai pemulusan eksponensial. Konstatanta pemulusan yang kedua (β) digunakan untuk menghaluskan estimasi trend, pada persamaan untuk menghitung estimasi trend menunjukkan bahwa estimasi trend dikalikan denga β dan kemudian ditambahkan pada estimasi yang lama, dikalikan dengan (1 – β). Hasil dari persamaan tersebut adalah trend yang dihaluskan tanpa pengaruh random. Pada persamaan untuk menghitung ramalan pada periode p. Estimasi trend dikalikan dengan jumlah periode yang akan diramalkan dan kemudian hasilnya ditambahkan pada data pemulusan yang tahunnya sama untuk menghilangkan pengaruh random.

Pengukuran Kesalahan Peramalan Teknik peramalan kuantitatif biasanya menggunakan data runtut waktu, maka notasi matematis harus kita gunakan untuk menunjukkan suatu periode waktu tertentu. Huruf Y digunakan untuk menunjukkan suatu variabel data runtut waktu. Periode waktu dari satu variabel ditunjukkan sebagai subskrip. Oleh karena itu, Y tmenunjukkan nilai Y pada periode t. Notasi matematis juga harus digunakan untuk membedakan nilai variabel data runtut waktu sebenarnya dengan nilai permalan.nilai peramalan untuk Y tadalah Ŷt. Akurasi dari teknik peramalan seringkali dinilai dengan cara meperbandingkannya dengan data aslinya yakni Y1 ,Y2,... dengan nilai-nilai data hasil peramalan Ŷ1,Ŷ2,... (Lincolin Arsyad, 2001:57). Notasi dasar peramalan adalah sebagai berikut: Y t= nilai data runtut waktu periode t Ŷt = nilai peramalan Yt et = Y t - Ŷt = residual atau kesalahan peramalan 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 dengan residual.

Kesalahan rata-rata kuadrat atau mean squared error (MSE) merupakan metode alternatif dalam mengevaluasi suatu teknik peramalan. Setiap kesalahan atau residual dikuadratkan, kemudian dijumlahkan dan dibagi dengan jumlah observasi. Pendekatan ini menghukum suatu kesalahan peramalan yang besar karena dikuadratkan. Pendekatan ini penting karena suatu teknik yang menghasilkan kesalahan yang moderat lebih disukai oleh suatu peramalan yang biasanya menghasilkan kesalahan yang lebih kecil tetapi kadang-kadang menghasilkan kesalahan yang sangat besar. Rumus MSE dirumuskan sebagai berikut: Kadang kala lebih bermanfaat jika kita menghitung kesalahan peramalan dengan menggunakan secara prosentase ketimbang nilai absolutnya. Persentase kesalahan absolute rata-rata atau mean absolute percentage error (MAPE)dihitung dengan menemukan kesalahan absolute pada setiap periode, kemudian membaginya dengan nilai observasi pada periode tersebut, dan akhirnya merata-ratakan persentase absolute ini. Pendekatan ini sangat berguna jika ukuran variabel peramalan merupakan faktor penting dalam mengevaluasi akurasi peramalan tersebut.

MAPE memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya dari series tersebut. Persamaan berikut menunjukkan bagaimana cara menghitung MAPE: Perlu juga untuk menentukan apakah suatu metode permalan bias atau tidak (secara konsisten tinggi atau rendah). Persentase kesalahan rata-rata atau mean percentage error (MPE) digunakan dalam kasus seperti ini. MPE dihitung dengan cara menemukan kesalahan setiap periode, kemudian membaginya dengan nilai sebenarnya pada periode tersebut, dan kemudian merata-ratakan persentase kesalahan tersebut. Jika perndekatan peramalan tersebut tidak bias, maka perhitungan dengan MPE akan menghasilkan persentase mendekati nol. Jika hasil persentase negatifnya cukup besar maka metode peramalan tersebut menghasilkan hasil ramalan yang terlalu tinggi atau sebaliknya.

. Persamaan berikut menunjukkan bagaimana cara menghitung MPE:

Konsep Sistem Informasi Sebelum merancang sistem perlu dikaji konsep dan definisi dari sistem.. Sistem informasi terdiri dari input, proses, dan output, seperti yang terlihat pada Gambar 2.1. Pada bagian proses terdapat hubungan timbal balik dengan 2 (dua) elemen, yaitu kontrol kinerja sistem dan sumber-sumber penyimpanan data, baik berupa karakter-karakter huruf maupun berupa numerik (Herlambang,Tanuwijaya,2005:47).

Sutabri (2004:3) mendefenisikan bahwa sistem adalah suatu kumpulan atau himpunan dari unsur, komponen atau variabel-variabel yang terorganisasi, saling berinteraksi, saling tergantung satu sama lain dan terpadu. Keterkaitan antara satu komponen dengan komponen lainnya dalam sistem informasi bertujuan menghasilkan suatu informasi dalam suatu bidang. Alur informasi sangat diperlukan dalam sistem informasi, hal ini disebabkan keanekaragaman kebutuhan akan suatu informasi oleh pengguna informasi. Sutabri (2004:36) membagi komponen-komponen yang saling berinteraksi dalam sistem informasi terdiri dari: Komponen masukan, yaitu data yang masuk ke dalam sistem informasi yang dapat berupa dokumen-dokumen dasar. Komponen model, yaitu komponen yang terdiri dari kombinasi prosedur, logika dan model matematik yang akan memanipulasi data input dan data yang tersimpan di basis data dengan cara yang sudah ditentukan untuk menghasilkan keluaran yang diiginkan.   Komponen keluaran, yaitu komponen yang merupakan informasi yang berkualitas dan dokumentasi yang berguna. Komponen teknologi, yaitu komponen yang digunakan untuk menerima input, menjalankan model, menyimpan dan mengakses data, menghasilkan dan mengirimkan keluaran dan membantu pengendalian sistem secara keseluruhan. Komponen ini terbagi menjadi tiga bagian yaitu teknisi, perangkat lunak dan perangkat keras. Komponen basis data, merupakan kumpulan data yang saling berkaitan dan berhubungan antara satu dengan lainnya. Basis data tersimpan dalam perangkat keras komputer dan perangkat lunak untuk memanipulasinya. Data dalam basis data perlu diorganisasikan sedemikian rupa dan digunakan untuk keperluan penyediaan informasi

FLOWCHART Mengacu pada Lincolin Arsyad (2001;104), flowchart Untuk menghitung peramalan hasil penjualan dengan metode Exponenential Smoothing dengan tekhnik Holt dapat dilihat pada gambar 3.7. Flowchart yang terlihat pada Gambar 3.7 menjelaskan bagaimana proses peramalan penjualan dengan menggunakan metode Eksponential Smoothing. Pada proses awal pertama kali sistem akan mengambil input dari user berupa panjang periode data penjualan yang akan digunakan untuk proses perhitungan. Inisialisasi alpha beta tersebut mewakili proses exponential smoothing itu sendiri yang digunakan untuk nilai pengujian ramalan untuk periode ke depan.

Gambar 3.7 Flowchart peramalan penjualan dengan Metode Exponential Smoothing Setelah nilai alpha dan beta ditentukan, maka proses perhitungan exponential dilakukan. Selanjutnya hitung nilai estimasi trend untuk mengetahui nilai trend suatu item barang. Setelah itu, dari estimasi trend yang telah dihitung maka akan dibuat perhitungan ramalan periode ke depan. Setelah semua proses di atas dilakukan, maka setelah itu akan dilakukan pengujian error terkecil, jika nilai MSE yang telah dihitung adalah yang terkecil, maka alpha beta itulah yang dipakai sebagai acuan ramalan periode mendatang dan juga digunakan sebagai acuan dalam memproduksi produk air minum di bulan atau tahun yang akan datang, dimana peramalan ini sangat membantu manajer dalam memberikan keputusan dalam memproduksi produk agar tidak menimbulkan biaya penyimpanan.

Kemudian yang langkah selanjutnya, pada gambar 3 Kemudian yang langkah selanjutnya, pada gambar 3.8 diatas yang dilakukan adalah sistem akan melakukan inisialisasi nilai alpha dan beta. Nilai alpha digunakan untuk perhitungan pemulusan secara exponential seperti yang digambarkan pada Gambar 3.8 diatas, kemudian nilai beta digunakan untuk menghitung estimasi trend. Nilai alphaa beta didalam xponential smoothing adalah sebagai nilai pengujian terhadap error yang akan dlakukan oleh exponential smoothing, sehingga nilai pengujian mempunyai batas uji. Nilai alpha dan beta sndiri nantinya dalam program akan melakukan inisialisasi sendiri dalam pembentukan secara random, misal alpha 0,1 terhadap beta 0,1 selanjutnya alpha 0,1 terhadap beta 0,2. Begitu seterusnya dalam pengujian dilakukan sampai alpha dan beta mencapai angka < 1.

Proses perhitungan yang dilakukan adalah perhitungan data eksponential untuk mendapatkan nilai baru yang telah dimuluskan. Kemudian perhitungan estimasi trend, setelah mendapatkan nilai baru yang telah dimuluskan dan estimasi trend, langkah selanjutnya adalah menjumlahkan kedua nilai tersebut untuk mendapatkan nilai peramalan penjualan pada periode mendatang, yang nantinya hasil ramalan tersebut akan digunakan manajer sebagai tolak ukur perencanaan produksi agar tidak menimbulkan biaya penimbunan barang yang bisa mengakibatkan banyaknya biaya yang ditimbulkan oleh penimbunan sehingga dapat menimbulkan kerugian jika tidak ada perencanaan produksi atas dasar hasil ramalan tersebut seperti yang terlihat pada Gambar 3.10 berikut :

kemudian dihitung kesalahan peramalan yang dihasilkan dari selisih antara data pada periode t dan nilai peramalan pada periode t tersebut seperti yang terlihat pada Gambar 3.10 berikut :

Setelah mendapatkan nilai kesalahan peramalan pada setiap periode Setelah mendapatkan nilai kesalahan peramalan pada setiap periode. Nilai tersebut digunakan untuk menghitung MSE

Kombinasi dari alpha dan beta yang menghasilkan nilai MSE yang terkecil digunakan untuk perhitungan. Output dari sistem berupa angka penjualan suatu barang produk tertentu diperiode mendatang yang nilai MSE nya terkecil, yang dapat ditampilkan dalam bentuk laporan peramalan penjualan. Berikut tabel perhitungan peramalan yang penjualan PT. Sumber Bening Lestari yang didasarkan pada data penjualan yang sesungguhnya 2011.

Kesimpulan Berdasarkan hasil uji coba dan analisa yang telah dilakukan dalam pembuatan aplikasi Sistem Informasi Peramalan Penjualan Dengan Menggunakan Metode Exponential Smoothing dengan studi kasus PT. Sumber Bening Lestari, dapat diambil kesimpulan sebagai berikut : Sistem dapat meramalkan jumlah barang yang akan terjual pada periode 1 bulan mendatang dengan menggunakan metode exponential smoothing menggunakan teknik holt. Dengan mengetahui jumlah penjualan pada 1 bulan kedepan dari hasil perhitungan peramalan tersebut, dapat digunakan sebagai salah satu bahan pertimbangan oleh pihak manajerial untuk menentukan jumlah produksi yang akan dilakukan.

Saran Adapun saran-saran yang dapat digunakan untuk mengembangkan aplikasi yang telah dibuat adalah sebagai berikut : Menambahkan perhitungan untuk menghitung peramalan dengan metode lain seperti metode moving average, atau metode exponential smoothing dengan teknik brown agar dapat digunakan sebagai pembanding. Periode mendatang yang akan diramalkan bersifat dinamis. Dari hasil perhitungan peramalan, dapat ditambahkan perhitungan untuk penjadwalan pembelian bahan.