SISTEM INFORMASI PERAMALAN PERSEDIAAN OBAT

PADA APOTIK SIDOARJO DENGAN METODE WINTER

Rudy Setiawan
Program Studi Sistem Informasi, Universitas Ma Chung Malang
Email: rudy.setiawan@machung.ac.id

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 mampu meramalkan pengeluaran obat – obatan

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
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:
Yt
At    (1   )( At 1  Tt 1 )
St  L
Estimasi Trend: Tt   ( At  At 1 )  (1   )Tt 1
Estimasi Musiman: Y (3)
S t   t  (1   ) S t  L
Peramalan pada periode p:
At
Yˆt  p  ( At  pTt )St  L p
Dimana:
= merupakan nilai baru dari
Yˆ t  p 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)
Tt = perkiraan trend
 = konstanta pemulusan untuk
perkiraan musiman (0<  < 1)
St = perkiraan musiman
p = periode mendatang yang akan
diramalkan
L = lebar musiman
Yˆ t  p= nilai pemulusan lama atau rata-
rata pengamatan pada metode
deret pemulusan ke periode t – 1
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]
[Inisialisasi] ...................... (1)
alfa, beta, gamma, At, Tt, St, Ytp  0
[variabel peramalan]
 periode  0 [variabel simpan data] Print (MSE)
[Proses penghapusan data awal pada tabel Print (Forecast Obat)
peramalan] [Selesai]
Repeat for I  1 hingga eof end
Menghapus semua data awal tabel
peramalan
Meletakkan pointer pada record Flow Chart Sistem
selanjutnya Flow chart pada sistem peramalan
[Proses for selesai] terlihat seperti pada gambar 1.
End repoeat for
[Inisialisasi] Start
Login
Admin N
Kunci Fasilitas
Tabel Master

total  0 [memberikan nilai awal 0

Y
untuk variabel total]
Meletakkan pointer pada record awal Menu Pilihan

[Mencari data pada tabel jual]

for I  1 to eof N
Akses Data
N
Melakukan
N
Melakukan
N
Informasi
N Utilitas N End
Master Transaksi Peramalan Laporan
[Menghitung jumlah total
Y Y Y Y Y
permintaan]
total  total + jumlah
Manajemen
N Admin Analisa Data Y Tabel Master Y
Order Obat Y User

Laporan Tabel
jual Tolak Akses
Y N
Transaksi Order
Obat
N Proses
Analisa Data
N Master Y

Meletakkan pointer pada record Tampilkan Data Uji Statistik Y

Analisa Data Y Admin Y Akses Penuh
Jual Obat Y
selanjutnya Proses Uji
Laporan Analisa
N N Data
[Proses for selesai] Ubah Data
Transaksi
Penjualan Obat
Statistik
N
Ganti Password
End repeat for Peramalan Y Uji Statistik Y

[Proses input data] Y

Proses N
Laporan Uji
Statistik
Peramalan
Read (kode obat) Update Data
Peramalan Y
Read (bulan) N

Read (tahun) Laporan

Peramalan

Read (jumlah data)

[Proses perhitungan data] N N

[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)
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 Result := Gamma * (Yt / At) + (1 -
maupun yang tidak dilayani. Gamma) * St;
end;
Beberapa pseudocode persamaan peramalan
Exponential Smoothing model Winter’s yang Pseudocode peramalan pada periode p (Yt+p)
mendukung sistem peramalan obat-obatan. FungsiYtp(At: Real; Tt: REal; St: Real) :
(Couchman dan Cristoper, 2004) Real;
Pseudocode pemulusan eksponensial (At) begin
FungsiAt(Alfa: Real; Yt: Real; St: Real; {
At: Real; Tt: Real) : At : nilai pemulusan
Real; eksponensial
begin Tt : nilai estimasi trend
{ St : nilai estimasi musiman
Alfa : konstanta pemulusan }
Yt : nilai observasi baru atau Result := (At + 1 * (Tt)) * St;
nilai aktual pada pada end;
deret dalam periode t
St : nilai estimasi musiman Dalam pengujian penelitian ini, akan dicoba
At : nilai pemulusan membuat analisa untuk mengevaluasi proses
eksponensial sampai terjadinya peramalan, Sebagai contoh
Tt : nilai estimasi trend pengujian disini diambil contoh salah satu data
} obat dengan :
Result := Alfa * (Yt / St) + (1 - Alfa) * Kode Obat : 000002
(At + Tt); Nama Obat : SANMOL 500 MG
end; Pada proses pengujian system akan melakukan
tahap analisa data, tahap pengujian statistik, tahap
Pseudocode estimasi trend (Tt) perhitungan ramalan, dan analisa grafik
FungsiTt(Beta: Real; At1: Real; At2: peramalan.
Real; Tt: Real) : Real;
begin 4. HASIL DAN PEMBAHASAN
{ Pada tahap pengujian ini, sistem melakukan
Beta : konstanta pemulusan tahap analisa data dengan menjumlahkan semua
untuk perkiraan trend transaksi penjualan obat setiap bulan, sesuai
At1 : nilai pemulusan dengan kode obat yang dipilih, seperti tertuang
eksponensial current pada tabel 1.
At2 : nilai pemulusan
eksponensial current - 1 Tabel 1. Analisa Data
Tt : nilai estimasi trend KD_OBAT PERIODE JUMLAH
} 000002 01/03/2001 1.215
Result := Beta * (At2 - At1) + (1 - 000002 01/04/2001 992
Beta) * Tt;
000002 01/05/2001 1.773
end;
000002 01/06/2001 971
Pseudocode estimasi musiman (Tt) 000002 01/07/2001 936
FungsiSt(Gamma: Real; Yt: Real; At: 000002 01/08/2001 471
Real; St: Real) : Real; 000002 01/09/2001 979
begin 000002 01/10/2001 1.007
{ 000002 01/11/2001 956
Gamma : konstanta pemulusan
000002 01/12/2001 1.062
untuk perkiraan musiman
Yt : nilai observasi baru atau 000002 01/01/2002 1.344
nilai aktual pada pada 000002 01/02/2002 1.364
deret dalam periode t 000002 01/03/2002 1.367
At : nilai pemulusan 000002 01/04/2002 1.782
eksponensial 000002 01/05/2002 1.773
St : nilai estimasi musiman
000002 01/06/2002 1.814
}
000002 01/07/2002 1.611
 000002 01/08/2002 1.551 Dari hasil pengujian statistik diatas kemudian
000002 01/09/2002 1.077 dicari nilai MSE yang terkecil, dan diketahui tabel
000002 01/10/2002 1.108 3 menunjukkan bahwa nilai terkecil dari hasil
pengujian nilai masing-masing fungsi adalah
000002 01/11/2002 1.052
88.329,36, dan nilai ini tercatat di database dan
000002 01/12/2002 1.168 digunakan untuk perhitungan peramalan
000002 01/01/2003 1.478 berikutnya.
000002 01/02/2003 1.500 Tabel 3. MSE
24 1.265 GA
KD_OB ALF BE MM
Pada tahap pengujian statistik, sistem akan AT A TA A MSE
melakukan pengujian statistik dengan melakukan 000002 0,9 0,1 0,1 88.329,36
perhitungan dengan meguji fungsi alfa, beta, dan 000009 0,1 0,1 0,1 97,29
gamma dari nilai terkecil (0.1) hingga nilai
terbesar (0.9) yang tujuannya untuk mencari Setelah dilakukan uji statistik maka proses
MSE(Mean Squared Error) pada setiap kombinasi diteruskan ke peramalan obat berdasarkan obat
ketiga fungsi tersebut, seperti tertera pada tabel 2. yang pernah diuji, tabel 4 menunjukkan
perhitungan peramalan berdasarkan nilai alfa =
Tabel 2. Pengujian statistik 0.9, beta = 0.1, dan gamma = 0.1, sesuai dengan
GA tabel MSE.
KD_OB ALF BE MM
AT NO A TA A MSE
Tabel 4. Perhitungan Peramalan
000002 1 0,1 0,1 0,1 131.203,30
000002 2 0,1 0,1 0,2 139.223,25
000002 3 0,1 0,1 0,3 148.943,50
000002 4 0,1 0,1 0,4 156.913,28
000002 5 0,1 0,1 0,5 165.363,68
000002 6 0,1 0,1 0,6 174.472,98
000002 7 0,1 0,1 0,7 182.973,39
000002 8 0,1 0,1 0,8 192.158,20
000002 9 0,1 0,1 0,9 203.495,61
000002 10 0,1 0,2 0,1 145.453,46
000002 11 0,1 0,2 0,2 155.743,91
000002 12 0,1 0,2 0,3 165.470,81
. . . . . .
. . . . . .
000002 648 0,8 0,9 0,9 186.556,32
000002 649 0,9 0,1 0,1 88.329,36
000002 650 0,9 0,1 0,2 89.447,75
. . . . . .
. . . . . .
000002 720 0,9 0,8 0,9 151.598,60
000002 721 0,9 0,9 0,1 118.933,40
000002 722 0,9 0,9 0,2 121.664,65
000002 723 0,9 0,9 0,3 128.504,65
000002 724 0,9 0,9 0,4 131.937,86
000002 725 0,9 0,9 0,5 137.511,42
000002 726 0,9 0,9 0,6 142.491,28
000002 727 0,9 0,9 0,7 149.287,41
000002 728 0,9 0,9 0,8 151.878,99
000002 729 0,9 0,9 0,9 165.653,18
88.329,36
Dari tabel 4, nilai ukuran ketepatan peramalan Peramalan untuk satu periode berikutnya :
yang dihasilkan adalah tertulis pada tabel 5.
Ŷt  p  (A t  pTt )St L p
Tabel 5. Ukuran ketepatan peramalan ŷ 7 1  ( A 7  pT7 )S 7 61
MAD = 213,90
MSE = 88.329,40 ŷ 8  [925 ,8  1( 20 ,4)](1,00 )  905 ,4
MAPE = 0,20
MPE = -0,10 Berdasarkan perhitungan peramalan tersebut,
maka analisa grafik peramalan dapat dijeleskan
Berdasarkan pseudocode pada metode, pada gambar 2. Grafik gambar 2 memperlihatkan
perhitungan peramalan dijabarkan sebagai hasil akhir dari proses peramalan yang telah
berikut: dibuat berdasarkan data aktual.
Perhitungan pemulusan eksponensial :

Yt
At    (1   )( At 1  Tt 1 )
St L
y2
A2  .9  (1  .9)( A2  T2 1 )
1.0
992
 .9  (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 : Gambar 2 Grafik Peramalan

y
S2  .1 2  (1  .1)1.0
A2 Grafik gambar 2 menunjukkan bahwa nilai
Y penjualan pada periode terkait adalah :
S t   t  (1   ) S t  L
At
Periode 25 : nilai peramalan = 1.450,8 atau
992 penjualan akan naik sebesar 0,3%
 .1  (1  .1)1.0  0,1  (0,9)  1,00
1.014 ,3 dari periode sebelumnya.
Perhitungan pada periode ke 8 (delapan) terlihat Periode 26 : nilai peramalan = 1.873,2 atau
sebagai berikut : penjualan akan naik sebesar
22,5% dari periode sebelumnya.
Perhitungan estimasi pemulusan eksponensial :
Periode 27 : nilai peramalan = 1.905,9 atau
y
A7  .9 7  (1  .9)( A7 1  T7 1 ) penjualan akan naik sebesar 1,7%
S7  6 dari periode sebelumnya.
979
 .9  .9[515,6  (68,2)]  925,8 Periode 28 : nilai peramalan = 1.945,0 atau
1.0 penjualan akan naik sebesar 2,0%
Perhitungan estimasi trend : dari periode sebelumnya.
Periode 29 : nilai peramalan = 1.737,3 atau
T7  .1( A7  A7 1 )  (1  .1)T7 1 penjualan akan turun sebesar
12,0% dari periode sebelumnya.
 .1(925,8  515,6)  .9(68,2)  20,4
Periode 30 : nilai peramalan = 1.646,8 atau
Perhitungan estimasi musiman : penjualan akan turun sebesar
y7 5,5% dari periode sebelumnya.
S 7  .1  (1  .1) S 7 6
A7
Pada periode 1 – 6 merupakan inisialisasi dari
979
,1 ,9(1,0)  0,11  0,9  1,01 proses peramalan, periode 7 – 8 terjadi pergeseran
925 ,8
nilai terhadap bulan, dikarenakan ada pengaruh 6. DAFTAR PUSTAKA
dari inisialisasi peramalan, periode 8 – 24 data
peramalan berfluktuasi nyata, karena 1. ISFI. 2002. ISO (Informasi Spesialite Obat)
penyimpangan mulai mengecil (mendekati Indonesia. Jakarta: Penerbit Ikatan Sarjana
aktual), hal ini menunjukkan bahwa peramalan Farmasi Indonesia
dapat diterima dengan menggunakan konstanta 2. Couchman, J.S., Cristoper, A. 2004. Oracle
alfa = 0.9, beta = 0.1, dan gamma = 0.1. Certified Professional Application Developer
Exam Guide With Forecasting . California:
Osborne/ McGraw-Hill
5. KESIMPULAN 3. Hanke, J.E., Reitsch, A.G. 2005. Business
Dengan adanya sistem peramalan persediaan Forecasting. New Jersey: Prentice Hall
obat-obatan ini dapat memudahkan pengelola International Editions.
apotik untuk mengambil keputusan menentukan 4. Makridakis, S., Whellwright, S.C., and
persediaan obat-obatan yang akan datang. Proses McGee, M.E. 2002. FORECASTING:
analisa data persediaan menjadi lebih cepat dan Methods and Applications. Canada: John
lebih akurat, karena waktu merupakan faktor Wiley & Sons Inc
utama dalam pengambilan keputusan. 5. Pressman, R. S. 2006. Software Engineering
Hasil analisa grafik peramalan menunjukkan (A Practitioner’s Approach). New York:
bahwa data yang ditampilkan mempunyai Mc Graw-Hill.
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.