sistem informasi peramalan obat alphamol menggunakan

Sistem Informasi Peramalan Obat AlphamolMenggunakan Metode Double Exponential SmoothingEvy Sophia1, Jauharul Maknunah2, Mohamad Dimas Oktavianda3

1,2,3STMIK Pradnya Paramita [email protected], 2 [email protected], 3 [email protected]

ABSTRAKKlinik Sofia Medika dalam hal persediaan obat alphamol setiap bulan selalu sama jumlahnya, karena pihakklinik belum dapat memprediksi jumlah obat yang perlu disediakan. Ketika jumlah persediaan obat mengalamikelebihan, berdampak jangka kadaluarsa obat yang semakin sedikit dan membuat harga jual obat lebih murah.Disisi lain ketika jumlah persediaan obat mengalami kekurangan, akan berdampak pada pelayanan pasien ataupembeli yang dinilai mengecewakan dan berdampak merugikan klinik. Untuk membantu klinik dalammengurangi kesalahan penjualan obat maka diperlukan suatu teknologi di dalamnya dengan menggunakanmetode peramalan. Berdasarkan pola data penjualan yang ada maka metode peramalan yang digunakan adalahmetode Double Exponential Smoothing, karena data penjualan berupa trend dengan semua p-value > 0,05dengan uji Dicky Fuller (ADF-test). Penelitian ini bertujuan untuk membangun Sistem Informasi PeramalanObat Alphamol di Klinik Sofia Medika dengan Metode Double Exponential Smoothing. Hasil sistem aplikasiperamalan penjualan obat alphamol menggunakan Metode Double Exponential Smoothing diperoleh MAD =221,0925, MSE = 176693,3, dan MAPE = 7,26%. yang Sebelumnya menghasilkan nilai 29% sehingga hasilaplikasi ini dapat digunakan untuk memprediksi jumlah penjualan obat alphamol yang akan dijual pada masasekarang dan yang akan datang.Kata Kunci : Metode Double Exponential Smoothing, Sistem Informasi, Peramalan, Penjualan

ABSTRACTSofia Medika Clinic in terms of supply of alphamol drugs every month is always the same, because the clinic hasnot been able to predict the number of drugs that need to be provided. When the amount of drug inventory is inexcess, it will result in fewer drug expiration dates and make the selling price of drugs cheaper. On the otherhand, when the amount of drug supply is in short supply, it will have an impact on patient service or buyers whoare considered disappointing and have an impact on the clinic. To assist clinics in reducing drug sales errors, atechnology is needed in it using forecasting methods. Based on the existing sales data pattern, the forecastingmethod used is the Double Exponential Smoothing method, because the sales data is a trend with all p-values >0,05 with the Dicky Fuller test (ADF-test). This study aims to build an Alphamol Drug Forecasting InformationSystem at Sofia Medika Clinic with the Double Exponential Smoothing Method. The results of the alphamol drugsales forecasting application system using the Double Exponential Smoothing Method obtained MAD =221,0925, MSE = 176693,3, and MAPE = 7,26%. which previously produced a value of 29% so that the resultsof this application can be used to predict the amount of alphamol drug sales that will be sold in the present andin the future.Keywords: Double Exponential Smoothing Method, Information Systems, Forecasting, Sales

1. PENDAHULUANAlphamol adalah obat yang digunakan sebagaipenurun demam untuk segala usia dan pereda nyeriseperti sakit kepala, sakit gigi dan nyeri ringanlainnya. Alphamol mengandung paracetamol, obatyang memiliki aktivitas sebagai antipyreticsekaligus analgetic. Paracetamol yang biasanyamerupakan obat yang sangat aman, dapatmenghasilkan nekrosis hati sentrilobular akut ketikadikonsumsi secara berlebih. Tidak ada gejala atautanda awal spesifik keracunan parasetamol dankesadaran tidak terganggu (link.springer.com).

Klinik Sofia Medika adalah suatu fasilitaskesehatan publik yang didirikan untuk memberikanperawatan kepada pasien. Lokasi klinik berada diDesa Jatitengah, Kecamatan Selopuro, Kabupaten

Blitar. Klinik tersebut hanya mengobati penyakit-penyakit ringan seperti demam, sedangkan kasus-kasus yang lebih parah diajukan ke rumah sakit.Salah satu layanan kesehatan yang diberikan adalahlayanan penyediaan obat. Obat yang palingdibutuhkan di Klinik Sofia Medika adalah obatalphamol. Berikut data penjualan obat alphamolpada Klinik Sofia Medika

SMATIKA Jurnal Volume 11 Nomor 01, Juni Tahun 2021 ISSN: 2087-0256, e-ISSN: 2580-6939, Page | 53

Sistem Informasi Peramalan Obat Alphamo Menggunakan Metode Double Exponential Smoothing

Page | 54 , SMATIKA Jurnal Volume 11 Nomor 01, Juni Tahun 2021 ISSN: 2087-0256, e-ISSN: 2580-6939

Gambar 1. Penjualan Obat Alphamol

Gambar 1 merupakan grafik penjualanalphamol pada tahun 2018, dapat dilihat bahwapenjualan alphamol di Klinik Sofia Medikaperbulan bervariasi, hal ini menyebabkan KlinikSofia Medika kesulitan memprediksi penjualanyang terjadi mendatang, sehingga sering terjadikelebihan dan juga kekurangan obat alphamol.Ketika jumlah persediaan obat alphamol mengalamikelebihan, pihak klinik akan melakukanpemindahan pada bulan berikutnya yangberdampak kerugian pada pihak klinik, karenajangka kadaluarsa obat yang semakin sedikit danmembuat harga jual obat lebih murah. Di lain sisiketika jumlah persediaan alphamol mengalamikekurangan, akan berdampak pada pelayananpasien atau pembeli yang dinilai mengecewakandan berdampak merugikan klinik. Dari pihak KlinikSofia Medika, jumlah alphamol yang disediakansetiap bulan sama dengan jumlah obat yangdisediakan pada bulan-bulan sebelumnya yaitu2000 Pcs, karena pihak klinik belum bisamemprediksi jumlah obat yang perlu disediakan.Berdasarkan permasalahan tersebut makadiperlukan sistem informasi peramalan yangmampu memprediksi hasil penjualan di masa yangakan datang.

Metode peramalan membutuhkan data yangcukup untuk mendapatkan model yang baik danperlu uji statistik menggunakan Augmented Dickey-Fuller (ADF)[1]. Pada penelitian ini, metode yangdigunakan adalah double exponential smoothingsatu parameter dari Brown, karena ketikamelakukan pengujian pada data penjualan tersebutdata mengandung trend dengan semua nilai p-value > 0.05 dengan uji Dicky Fuller test (ADF-test). Hasil dari peramalan dengan menggunakanmetode double exponential smoothing satuparameter dari Brown dapat dijadikan rujukanuntuk menentukan jumlah stok di periodeberikutnya, sehingga dapat mengurangi resikokerugian akibat kelebihan persediaan.

Penelitian yang berjudul "Peramalan JumlahStok Alat Tulis Kantor Di UD ACHMAD JAYA

Menggunakan Metode Double ExponentialSmoothing" menghasilkan bahwa dalammenghitung data penjualan alat tulis kantor (ATK)dalam periode satu tahun, menghasilkan pola datayang berunsur trend[2].

Pada penelitian yang berjudul " AplikasiMetode Double Exponential Smoothing Brown DanHolt Untuk Meramalkan Total Pendapatan Bea danCukai", penulis menggunakan metode doubleexponential smoothing dengan membandingkanmetode milik Brown dan Holt[3]. Sebagaikesimpulan terakhir metode double exponentialsmoothing dari Brown menunjukkan hasil yanglebih baik dibandingkan dengan metode doubleexponential smoothing dari Holt.

Dalam penelitian yang berjudul "SistemInformasi Meramalkan Penjualan Barang DenganMetode Double Exponential Smoothing (Studikasus: PD. Padalarang Jaya), penulis menerapkanmetode double exponential smoothing. Dari hasilpenelitian tersebut, sistem dapat menghasilkanramalan jumlah barang yang akan terjual di bulanberikutnya dengan mencari (alpha) yang palingoptimal [4].

Dalam penelitian yang berjudul "PenerapanMetode Exponential Smoothing Pada PeramalanPenjualan Dalam Penentuan Kuantitas ProduksiRoti (Studi Kasus Perusahaan Roti Dhiba Kendari)",penulis menerapkan metode exponential smoothing.Penelitian tersebut menghasilkan aplikasi yangdapat membantu perusahaan meramalkan jumlahroti yang akan di produksi di hari berikutnyadengan cara mencari nilai MSE terkecil [5].

Double Exponential SmoothingMetode ini digunakan ketika data

menunjukkan adanya trend. Exponential smoothingdengan adanya trend seperti pemulusan sederhanakecuali bahwa dua komponen harus diupdate setiapperiode level dan trendnya[6]. Level adalah estimasiyang dimuluskan dari nilai data pada akhir masing-masing periode. Trend adalah estimasi yangdihaluskan dari pertumbuhan rata-rata pada akhirmasing-masing periode. Metode DoubleExponential Smoothing yang digunakan adalahmetode linier satu parameter dari Brown’s. Metodeini dikembangkan oleh Brown’s untuk mengatasiperbedaan yang muncul antara data aktual dan nilaiperamalan apabila ada trend pada poltnya.

Dasar pemikiran dari pemulusan eksponensiallinier dari Brown’s adalah serupa dengan rata-ratabergerak linier (Linier Moving Average), karenakedua nilai pemulusan tunggal dan gandaketinggalan dari data yang sebenarnya bilamanaterdapat unsur trend, perbedaan antara nilaipemulusan tunggal dan ganda ditambahkan kepadanilai pemulusan dan disesuaikan untuk trend.


Perhitungan peramalan menggunakan metode liniersatu parameter dari Brown’s sebagai berikut :

S’t = a.X t + (1-a) S’t-1S’’t = a.S’ t + (1-a) S’’t-1a t = 2S’t - S’’tb t = (S’t - S’’t)

S t-m = a t + b t.m (1)

Keterangan :S t-m = Nilai ramalan untuk m periode ke depanm = Jarak periode yang akan diramalkanXt = Nilai actual periode ke-tS’t = Nilai Smoothing periode ke-ta = Konstanta Smoothing (1/n)

Ukuran Akurasi PeramalanUkuran akurasi secara umum yang

dipergunakan untuk peramalan. Berikut ini adalahmacam-macam ukuran peramalan bersertapenjabarannya[7].

Mean Absolute Deviation (MAD)Rata-rata penyimpangan absolut merupakan

penjumlahan kesalahan prakiraan tanpamenghiraukan tanda aljabarnya dibagi denganbanyaknya data yang diamati, yang dirumuskansebagai berikut:

MAD = �� − ��

(2)

Mean Squared Error (MSE)Mean squared error biasa disebut juga galat

peramalan. Galat peramalan ini juga dapatberfungsi untuk menghitung nilai MAD yangtelah dibahas pada sub bab sebelumnya [7].Dalam sistem peramalan, penggunaan berbagaimodel peramalan akan memberikan nilai ramalanyang berbeda dan derajat dari galat ramalan yangberbeda pula. Rata-rata kesalahan kuadratmemperkuat pengaruh angka-angka kesalahan besar,tetapi memperkecil angka kesalahan prakiraanyang lebih kecil dari satu unit.

MSE = (Kesalahan Peramalan)2�n

(3)

Mean Absolute Percentage Error (MAPE)Rata-rata persentase kesalahan kuadrat

merupakan pengukuran ketelitian dengan cara-carapersentase kesalahan absolute, (MAPE)menunjukkan rata-rata kesalahan absolut prakiraandalam bentuk persentasenya terhadap dataaktualnya[8].

MAPE =(Definisi Absolut nilai aktual� ) x 100

n(4)

Berdasarkan alat ukur keakuratan peramalanyang telah dijelaskan, maka penelitian ini akanmengimplementasikan ketiga ukuran keakuratanperamalan, yaitu Mean Absolute Deviation (MAD),Mean Squared Error (MSE), dan Mean AbsolutePercentage Error (MAPE) kedalam metode doubleexponential smoothing.

2. METODOLOGI PENELITIANUse Case Diagram

Pemodelan use case diagram pada aplikasisistem informasi peramalan penjualan :

Gambar 2 .Usecase Diagram Aplikasi Peramalan

Parameter PengujianDalam perhitungan data yang akan diolah

adalah data penjualan obat alphamol tahun 2018,dapat di lihat pada tabel berikut :

Tabel 1. Data PenjualanBulan Data

Persediaan

DataPenjualan

Sisa PersentaseSecaraKeseluruhan

Januari 2000 706 1294

29%

Februari 2000 1232 768Maret 2000 435 156

5April 2000 877 112

3Mei 2000 977 102

3Juni 2000 1099 901Juli 2000 2040 -40Agustus 2000 1575 425September

2000 1773 227

Oktober 2000 2001 -1November 2000 2135 -135Desember 2000 2001 -1Total 24000 16851 714

929.7875




Perhitungan 29% tersebut berasal dari jumlahsisa dibagi dengan jumlah persediaan (7149 :24000) * 100% = 29%

Cara mengelola data penjualan denganmenggunakan metode double exponentialsmoothing satu parameter dari Brown sebagaiberikut :

1. S’t = a.X t + (1-a) S’t-12. S’’t = a.S’ t + (1-a) S’’t-13. a t = 2S’t - S’’t4. b t = (S’t - S’’t)

5. S t-m = a t + b t mKeterangan :S’t = Nilai Pemulusan ExponensialS’’t =Nilai Pemulusan Exponensial Gandaa = Konstanta Pemulusanat = Perbedaan antara nilai-nilai pemulusanbt = Faktor penyesuaian tambahan (pengukuransuatu kurva)Xt =Nilai actual pada Periodem = Jumlah periode ke depan yang akan diramalkan

Tabel 2. Hasil Peramalan PenjualanBulan Xt S’t S”t at bt St-m m

Januari 706 706 706 706 0 1Februari 1232 811,2 727,0

4895,36

21,04 706 1

Maret 435 735,96

728,824

743,096

1,784 916,4 1

April 877 764,168

735,8928

792,4432

7,0688

744,88

1

Mei 977 806,7344

750,0611

863,4077

14,16832

799.512

1

Juni 1099 865,1875

773,0864

957,2886

23,02528

877,576

1

Juli 2040 1100,15

838,4991

1361,801

65,41272

980,31392

1

Agustus 1575 1195,12

909,8233

1480,417

71,32418

1427,213632

1

September 1773 1310,696

989,9978

1631,394

80,17454

1551,740902

1

Oktober 2001 1448,757

1081,75

1815,764

91,75179

1711,568719

1

November 2135 1586,005

1182,601

1989,41

100,8512

1907,515773

1

Desember 2001 1669,004

1279,882

2058,127

97,28071

2090,261257

1

Karena data penjualan yang bersifat fluktuasi,sehingga dalam menentukan alpha dalam penelitianini menggunakan cara trial and error antara 0,1sampai 0,9.

Proses setelah hasil peramalan denganmenggunakan metode double exponentialsmoothing satu parameter dari Brown selesai, makalangkah selanjutnya adalah mengukur akurasiperamalan dari hasil peramalan.

Mean Absolute Deviation (MAD)Rumus MAD :

MAD =

Februari : 1232 - 706 = 526Maret : 435 – 916.4 = -481.4

Mean Square Error (MSE)

Rumus MSE :

MSE =

Februari : 5262 = 276676Maret : = 481.42= 231746

Mean Absolute Percent Error (MAPE)

Rumus MAPE:

MAPE =

Februari : MAPE = 100*(526/1232) = 42.69481Maret :MAPE = 100*(-481.4/435) = -110.667

Hasil keseluruhan perhitungan forecast errorata Penjualan pada tabel 3

Tabel 3. Hasil forecast error Data PenjualanBulan MAD Absolute

Error MSE MAPE

Januari 706 706 0 0Februari 526 526 276676 42,69481Maret -481,4 481,4 231746 -110,667April 132,12 132,12 17455,69 15,06499Mei 177,488 177,488 31501,99 18,16663Juni 221,424 221,424 49028,59 20,14777Juli 1059,686 1059,686 1122935 51,9454

Agustus 147,7864 147,7864 21840,81 9,383261September 221,2591 221,2591 48955,59 12,47936Oktober 289,4313 289,4313 83770,47 14,46433November 227,4842 227,4842 51749,07 10,655Desember -89,2613 89,26126 7967,572 -4,46083Jumlah 2432,018 3573,34 1943626 79,87405Rata-rata 221,0925 324,8491 176693,3 7,261278

Persentase MAPE (%) 7,26%

Nilai forecast error data peramalan denganalfa 0,2 yaitu MAD dengan nilai 221,0925, MSE176693,3 dan MAPE 7,26%, bertujuan untukmengetahui akurasi seberapa kecil error yangterjadi. Dari perhitungan tersebut dapat diteruskandnegan perhitungan peramalan untuk periodeberikutnya.

Tabel 3. Hasil Peramalan Berikutnya


Bulan

Xt(Aktual)

S't S''t at btSt-m(forecasting)

m(periode)

Januari

2090

1753,203

1374,546

2131,861

94,6644 2155 1

Februari

2155

1833,563

1466,349

2200,776

91,80338 2252 2

Maret

2252

1912,05

1555,489

2268,611

89,14019 2349 3

3. HASIL DAN PEMBAHASANMenu Login

Pengujian menu login admin terdapatbeberapa kondisi yang bisa terjadi pada saatberhadapan dengan form login. Kondisi pertamapada saat form yang ada tidak diisi atau diisidengan inputan username dan password yang tidaksesuai dengan di database, maka akan tetap padatampilan login dan akan muncul peringatan / alertbahwa login gagal

Gambar 3. Login Gagal (Sumber : Data Primerdiolah, 2019)

Menu Login BerhasilKondisi kedua adalah pada saat form login

diisi dengan inputan dan password yang sesuaiseperti di database, maka login berhasil danmenuju pada menu beranda:

Gambar 4. Form Login Berhasil (Sumber : DataPrimer diolah, 2019)

Tampilan Beranda

Pada saat validasi username dan passwordberhasil maka akan diarahkan pada tampil Beranda

Gambar 5. Menu Beranda (Sumber : Data Primerdiolah, 2019)

Menu TransaksiHalaman transaksi berisikan tampilan data

penjualan yang akan diinputkan ataupun sudahdiinputkan, pada saat data belum diisi, admin akandiarahkan untuk mengisi nilai alfa dan mengisi nilaiinput alfa antara 0,1-0,9 sebelum melakukan adddata apabila tidak mengisi nilai alfa maka akanmuncul peringatan

Gambar 6. Isi Nilai Alfa (Sumber : Data Primerdiolah, 2019)

Form add dataGambar 7 adalah proses setelah input alfa

selasai dilakukan, maka tombol add data akan bisadigunakan dan akan muncul form inputan untukdata penjualan yang akan diisi.




Gambar 7. Add Data (Sumber : Data Primer diolah,2019)

Add data GagalForm add data harus diisi sesuai dengan form

yang telah disediakan mulai dari bulan, tahun dannilai data yang akan diinputkan, apabila form datatidak diisi ataupun bulan dan tahun tidak diisidengan benar, maka akan muncul peringatan bahwainputan yang dimasukkan salah atau tidak sesuaidengan alur program seperti pada gambar 8.

Gambar 8. Add Data Berhasil (Sumber : DataPrimer diolah, 2019)

Add data BerhasilGambar 9 adalah proses Add data yang telah

terisi sesuai dengan yang diinginkan, kemudianlangkah selanjutnya memilih jumlah periodeperamalan yang ingin dilihat. Periode peramalanhanya bisa dilakukan selama satu tahun dalam satuperiode.

Gambar 9. Forecasting Dan forecast error(Sumber: Data Primer diolah, 2019)

Simpan dataLangkah selanjutnya adalah menyimpan hasil

dari forecasting trend dan forecasting error yangbisa dilakukan dengan cara klik tombol simpanpada forecast trend yang nanti akan tersimpan padamenu laporan sebagai media rekapitulasi hasilperamalan seperti pada gambar 10.

Gambar 10. Simpan Hasil Peramalan (Sumber :Data Primer diolah, 2019)

Menu LaporanMenu laporan berfungsi sebagai tempat

penyimpanan hasil dari peramalan yang dilakukanpada menu transaksi, admin diharuskan untukmengisi minimal dan maksimal tanggal


Gambar 11. Hasil Simpan Peramalan (Sumber :Data Primer diolah, 2019)

4. KESIMPULAN DAN SARANPenggunaan aplikasi peramalan penjualan

alphamol menggunakan metode double exponentialsmoothing satu parameter dari Brown dapat bekerjauntuk meramalkan jumlah persediaan alphamoldiperiode yang akan datang. Hasil dari aplikasiperamalan ini membantu pihak klinik dalammemprediksi jumlah persediaan alphamol, sehinggadapat meminimalkan kekurangan ataupunkelebihan persediaan alphamol setiap bulannyaberdasarkan perbandingan keakuratan yang telahdibuat. Hasil penggunakaan aplikasi peramalanterjadi penurunan kesalahan menjadi 7,26 %, yangsebelum adanya aplikasi tingkat kesalahan sebesar29%.

5. REFERENSI[1] Mohammad Asad, Sigit Setyowibowo, and

Evy Sophia, “Peramalan Jumlah MahasiswaBaru Dengan Model Autoregressive IntegratedMoving Average (Arima),” JIMP (JurnalInformatika Merdeka Pasuruan), vol. 2 No. 3,2017.

[2] Andini TD, Auristandi P, “Peramalan JumlahStok Alat Tulis Kantor Di UD Achmad JayaMenggunakan Metode Double ExponentialSmoothing,” Jitika, vol. 10, no. Vol 10 No 1(2016): Volume 10 Nomor 1 (8), Feb. 2016,[Online]. Available:https://jurnal.stmikasia.ac.id/index.php/jitika/article/view/60

[3] Danang Adi Pratama, Amalia LutfianaDzulfida, Jihan Khalda Huwaida, AgungPrabowo, and Agustini Tripena Br. Sb,“Aplikasi Metode Double ExponentialSmoothing Brown Dan Holt UntukMeramalkan Total Pendapatan BEA DanCUKAI,” Prosiding Seminar NasionalMatematika dan Terapannya Universitas

Jenderal Sudirman Purwokerto, Desember2016, [Online]. Available:https://adoc.pub/aplikasi-metode-double-exponential-smoothing-brown-dan-holt-.html

[4] Lieberty A, Imbar RV, “Sistem InformasiMeramalkan Penjualan barang Dengan MetodeDouble exponential Smoothing (Studi Kasus:PD. Padalarang Jaya),” JuTISI, vol. 1 No. 1,Mar. 2015, doi:https://doi.org/10.28932/jutisi.v1i1.567.

[5] Ni Putu Yuli Sukmarani, Statiswaty Statiswaty,and Rahmat Ramadhan, “Penerapan MetodeExponential Smoothing Pada PeramalanPenjualan Dalam Penentuan KuantitasProduksi Roti (Studi Kasus Perusahaan RotiDhiba Kendari),” Semantik, vol. 2 No. 1, 2016,[Online]. Available: Informatics EngineeringDepartment of Halu Oleo University

[6] Makridakis., Metode dan aplikasi: peramalanjilid 1: edisi kedua, 2nd ed. Binarupa Aksara :Jakarta., 1999, 1999.

[7] Vincent Gaspersz, Production Planning andInventory Control. PT Gramedia PustakaUmum, Jakarta, 2004.

[8] Mohammad Asad and Eni Farida,“Implementasi Jaringan Syaraf Tiruan untukMemprediksi Inflasi Bulanan di Kota Malang,”Jurnal Ilmiah Komputasi, vol. 18 No. 2, pp.101–106, Jun. 2019.


sistem informasi peramalan obat alphamol menggunakan

Documents