APLIKASI MONITORING PERSEDIAAN

DAN PERAMALAN STOK PRODUK PADA

PT ZYX MENGGUNAKAN METODE
FORECASTING DEMAND HOLT-WINTERS

OLEH:
ZULHAM ARIFUDDIN FANANI
06.2008.1.04544
 Latar Belakang
 Persaingan bebas antar produsen saat ini
menuntut sebuah perusahaan untuk
mengoptimalkan jumlah produksi mereka
sehingga mampu menekan biaya pengeluaran,
karena jika produksi berlebih atau malah
berkurang perusahaan akan merugi
 Perumusan Masalah
 Bagaimana penerapan peramalan dalam
memprediksi jumlah produksi yang dihasilkan
sebuah perusahaan agar produksinya optimal?
 Bagaimana merancang aplikasi untuk
meramalkan produk dimasa depan dan
memonitoring stok produksi sehingga mampu
dikelola lebih baik?
 Tujuan
 Mendapatkan perkiraan atau prediksi permintaan
produk untuk beberapa periode mendatang dengan
menggunakan peramalan yang memakai metode
Holt-Winters, sehingga mampu membantu
memperkirakan jumlah produksi.
 Merancang aplikasi yang dapat memonitoring
lewat komputer persediaan dari gudang dan
distributor agar bisa mempermudahkan
pengelolaan stok. Hal ini sekaligus memangkas
biaya pengecekan dimana biasanya petugas datang
melakukan pengecekan ke distributor.
 Definisi Peramalan / Forecasting
 Peramalan (forecasting) adalah “suatu kegiatan untuk
memperkirakan apa yang terjadi pada masa yang akan datang”
(Sofjan Assauri, 1984, p1).

 Sedangkan menurut Sugiarto dan Harijono (2000) peramalan

merupakan studi terhadap data historis untuk menentukan
hubungan, kecenderungan dari pola yang sistematis.

 Menurut Levine, Stephan, Krehbiel, dan Barenson (2002)

menyatakan bahwa peramalan adalah sebuah teknik yang
dapat digunakan untuk membantu perencanaan untuk
kebutuhan masa depan berdasarkan pengalaman masa lalu.
 Kegunaan Peramalan
 Dalam menentukan kebijakan itu perlu
diperkirakan kesempatan atau peluang yang ada,
dan ancaman yang mungkin terjadi. Kegunaan
peramalan terlihat pada saat pengambilan
keputusan. Setiap orang selalu dihadapkan pada
masalah pengambilan keputusan. Keputusan
yang baik adalah keputusan yang didasarkan
pertimbangan apa yang akan terjadi pada waktu
keputusan itu dilaksanakan
 Jenis-Jenis Peramalan
 Berdasarkan sifat penyusunan
› Subjektif
› Objektif

 Berdasarkan jangka waktu

› Jangka Panjang (> 1,5 tahun)
› Jangka Pendek (< 1,5 tahun)
Metode Peramalan / Forecasting
 Holt
 Adalah metode forecasting time series dengan
pemulusan/smoothing yang memiliki komponen
trend, baik trend kenaikan ataupun penurunan.

8
6
Rp
4 $
2 RM
0
jan feb mar apr
 Winters
 Adalah metode forecasting time series dimana
terdapat komponen musiman yang
mempengaruhi. Misalkan data stok beras pada
bulan-bulan musim kemarau akan menurun,
sebaliknya pada stok jagung akan meningkat.

12
10
8
6 Beras
4 Jagung
2
0
juli agustus sept okt
 Holt-Winters
 Merupakan penggabungan dari 2 metode diatas,
metode ini digunakan jika pada data ramalan
memiliki komponen trend dan musiman. Metode
ini adalah metode yang paling banyak digunakan
dalam meramalkan data dengan 2 komponen
tersebut.
 Metode Holt Winters
 Metode Holt-Winters sendiri terdapat 2 tipe,
yaitu multiplikatif dan aditif.
› Multiplikatif cocok untuk peramalan deret berkala
dimana amplitudo ketinggian dari pola musiman
proposional dengan rata-rata level atau tingkatan dari
deret data
› Aditif cocok digunakan untuk peramalan deret berkala
dimana amplitudo pola musimannya tidak tergantung
pada rata-rata level atau tingkatan dari deret data
 Rumus (Aditif)
 Pemulusan Keseluruhan (Level)
Lt = α(Yt - St-s) + (1- α)(Lt-1 + Tt-1)
 Pemulusan Trend
Tt = β (Lt - Lt-1) + (1 - β)Tt-1
 Pemulusan Musiman
St = γ(Yt - Lt) + (1 - γ)St-s
 Ramalan
Ft+p = (Lt + Tt.p) + St-s+p
Bulan Yt Lt Tt St Ft
1 27 27 0 1 -
2 12 12 0 1 -
3 10 10 0 1 -
4 8 8 0 1 -
5 18 18 0 1 -
6 9 9 0 1 -
7 7 7 0 1 -
8 7 7 0 1 -
9 21 21 0 1 -
10 11 11 0 1 -
11 9 9 0 1 -
12 10 10 0 1 -
1 25 11,4 0,14 2,26 11
2 16 11,886 0,1746 1,3114 12,54
3 12 11,95454 0,163994 0,904546 13,0606
4 8 11,60668 0,112809 0,539332 13,11853
5 20 12,44754 0,185614 1,655246 12,71949
6 11 12,36984 0,159282 0,763016 13,63315
7 14 12,57621 0,163991 1,042379 13,52912
8 9 12,26618 0,116589 0,573382 13,7402
9 17 12,74449 0,152761 1,325551 13,38277
10 7 12,20753 0,083789 0,379247 13,89725
11 11 12,06219 0,060876 0,793781 13,29132
12 8 11,61075 0,009645 0,538925 13,12306
13,8804
12,94144
12,54424
12,18867
1,655246
12,43164
12,72065
12,2613
13,02311
12,08645
12,51063
12,26542
 Contoh Perhitungan
 Untuk mencari Lt (nilai pemulusan level ke-t) Lt = α(Yt - St-s) + (1- α)(Lt-1 + Tt-1)
Misalkan untuk menghitung nilai L20 (Bulan ke 8 tahun kedua)
› L20 = 0,1(Y20 - S20-12) + (1- 0,1)(L20-1 + T20-1)
› L20 = 0,1(Y20 - S8) + (0,9)(L19 + T19)
› L20 = 0,1(9-1) + 0,9(13,249 + 0,1708)
› L20 = 12,878
 Untuk mencari Tt (nilai pemulusan trend) Tt = β (Lt - Lt-1) + (1 - β)Tt-1
Misalkan untuk menghitung nilai T20 (Bulan ke 8 tahun kedua)
› T20 = 0,1 (L20 – L20-1) + (1 - 0,1)T20-1
› T20 = 0,1 (L20 – L19) + (0,9)T19
› T20 = 0,1 (12,878 – 13,249) + 0.9(0,1708)
› T20 = 0,1166
 Untuk mencari St (nilai pemulusan musiman) St = γ(Yt - Lt) + (1 - γ)St-s
Misalkan untuk menghitung nilai S20 (Bulan ke 8 tahun kedua)
› S20 = 0,1(Y20 – L20) + (1 - 0,1)S20-12
› S20 = 0,1(Y20 – L20) + (0,9)S8
› S20 = 0,1(9 - 12,878) + 0,9 x 1
› S20 = 0,51217
 Untuk mencari peramalan Ft (nilai peramalan) Ft+p = (Lt + Tt.p) + St-s+p
Misalkan untuk menghitung nilai F25
› F24+1 = (L24 + T24x1) + S24-12+1
› F25 = (L24 + T24x1) + S13
› F25 = (14,322 + 0,1913x1) + 2,98
› F25 = 17,493
 MAPE Tingkat Error
 MAPE merupakan ukuran ketepatan relatif yang
digunakan untuk mengetahui persentase
penyimpangan hasil ramalan, dengan persamaan
sebagai berikut.
Diagram Konteks
Data Awal Peramalan
Data Permintaan Mingguan
Data Distributor

SISTEM INFORMASI
Administrator Data Hasil Peramalan
MONITORING

Data MAPE

Data Laporan Stok Data Laporan Stok

Data Laporan Peramalan Data Laporan Peramalan
Data Distributor Data Distributor

Manager Supervisor
 Subproses
Start

Forecasting

Login:
Username
Password
α,ß,ƴ = 0.1
R=52

Query Database

For t=1. t>=2*R

Gagal? Yt

Flowchart Data Forecast

Lama
Lt = α(Yt – St-s) + (1 - α)(Lt-1 + Tt-1)
Tt = ß(Lt - Lt-1) + (1 - ß) Tt-1
St = ƴ(Yt - Lt) + (1 - ƴ)St-s
Ft+p = (Lt + Tt.p) + St-s+p
E t = Ft – Y t

Insert,
Fore = Ft - MAPE
Update,
Delete

Fore

Forecasting

Selesai Return
TERIMA KASIH