Jurnal Rekursif, Vol. 3 No.

1 Maret 2015, ISSN 2303-0755

PERBANDINGAN KEAKURATAN
METODE AUTOREGRESSIVE
INTEGRATED MOVING AVERAGE
(ARIMA) DAN EXPONENTIAL
SMOOTHING PADA PERAMALAN
PENJUALAN SEMEN DI PT. SINAR
ABADI
Riza Rahmadayanti1, Boko Susilo2, Diyah Puspitaningrum3
1,2,3Program

Studi Teknik Infomatika, Fakultas Teknik, Universitas Bengkulu.

Jl. WR. Supratman Kandang Limun Bengkulu 38371A INDONESIA
(telp: 0736-341022; fax: 0736-341022)
1ryzha91@gmail.com,
2bksusilo@gmail.com,
3diyahpuspitaningrum@gmail.com

Abstrak: Penelitian ini bertujuan untuk membangun aplikasi yang membandingkan keakuratan antara
metode ARIMA dan Exponential Smoothing peramalan penjualan semen sehingga perusahaan dapat
melakukan prediksi untuk produksi periode selanjutnya dengan menggunakan metode yang lebih akurat
diantar kedua metode tersebut. Pada penelitian ini keakuratan metode yang digunakan didasarkan pada
nilai MSE yang dimiliki oleh masing-masing metode, Aplikasi ini dibangun dengan menggunakan bahasa
pemrograman Visual Basic 6.0. Proses penelitian ini adalah melakukan peramalan pada beberapa periode
mendatang dengan menggunakan 24 data bulanan yang ada, sehingga dihasilkan jumlah peramalan untuk
periode ke 25 untuk Semen Warna SA Grout Blue menggunakan metode Exponential Smoothing yaitu
487 dengan MSE 10037,72 sedangkan metode ARIMA yaitu 470 dengan MSE 5219,59. Untuk Semen
Warna SA Grout Green dengan metode Exponential Smoothing yaitu 569 dengan MSE 20067, 52
sedangkan metode ARIMA yaitu 470 dengan MSE 9595,5. Untuk Semen Warna SA Grout Ivory dengan
metode Exponential Smoothing yaitu 495 dengan MSE 20497,54 sedangkan metode ARIMA yaitu 493
dengan MSE 8073,8. Untuk Semen Warna SA Grout White dengan metode Exponential Smoothing yaitu
343 dengan MSE 18044,63 sedangkan metode ARIMA yaitu 381 dengan MSE 9723,24. Dan untuk
Semen Warna SA Grout Pink dengan metode Exponential Smoothing yaitu 470 dengan MSE 20753,61
sedangkan metode ARIMA yaitu 461 dengan MSE 10736,81. Dari hasil perhitungan dapat disimpulkan
bahwa metode ARIMA lebih akurat karena memiliki nilai MSE lebih kecil dari metode Exponential
Smoothing.
Kata kunci: Peramalan, ARIMA, Exponential Smoothing, MSE, Visual Basic 6.0

23

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

Abstract:

This

study

aims

to

I. PENDAHULUAN

build

applications that compare the accuracy between

Semen merupakan bahan baku utama dalam

ARIMA and exponential smoothing method for

pembangunan. Sampai saat ini belum ada yang

forecasting sales of cement so that the company

menggantikan fungsi semen itu sendiri. Apalagi

can make predictions for the production of the

dengan berkembangnya teknologi yang semakin

next period by using a more accurate method

maju menjadikan pembangunan akan sarana

delivered both methods. In this study the

menjadi bertambah. Hal ini membuat permintaan

accuracy of the method used is based on the

terhadap semen juga semakin meningkat.

this

Semakin meningkatnya kebutuhan masyarakat

application was built using Visual Basic 6.0.

terhadap semen, maka semakin marak pula

Results of this study was to perform forecasting

munculnya perusahaan-perusahaan yang bergerak

at some future period by use of 24 existing

dalam memproduksi semen. Dewasa ini persaingan

actual data, so that the resulting number of

dalam

forecasting for the period to 25 for SA Cement

perusahaan harus mempunyai strategi masing-

Grout Color Blue using exponential smoothing

masing dalam mempertahankan kelangsungan dan

method that is 487 by MSE 10037.72 while the

kejayaan perusahaannya. Salah satu perusahaan di

ARIMA method that is 470 with MSE 5219.59.

Bengkulu yang memproduksi semen adalah PT.

For SA Cement Grout Color Green with

Sinar Abadi.

MSE values held by

each

method,

exponential smoothing method that is 569 by

dunia

PT.

bisnis

Sinar

Abadi

sangat

pesat

merupakan

sehingga

salah

satu

MSE 20067, 52 whereas the ARIMA method

perusahaan yang memproduksi semen warna

that is 470 by MSE 9595.5. For SA Cement

dengan berbagai jenis. Perusahaan ini melakukan

Grout Color Ivory with exponential smoothing

kegiatan pendistribusian produk semennya ke

method that is 495 by MSE 20497.54 while the

distributor yang tersebar di Bengkulu. Dari hasil

ARIMA method that is 493 by MSE 8073.8. For

observasi lapangan di PT. Sinar Abadi, diketahui

White Cement Grout Color SA with exponential

bahwa selama ini proses pengolahan data telah

smoothing method that is 343 by MSE 18044.63

terkomputerisasi.

while the ARIMA method that is 381 by MSE

menggunakan komputer sebagai alat bantu untuk

9723.24. And for SA Cement Grout Color Pink

mengolah data yang berhubungan dengan produk

with exponential smoothing method that is 470

yang ada di PT. Sinar Abadi. Namun masih

by MSE 20753.61 while the ARIMA method

kesulitan

that is 461 by MSE 10736.81. From the

penjualan yang akan datang guna meningkatkan

calculation it can be concluded that the ARIMA

laba perusahaan.

method is more accurate because it has a

smaller

MSE than exponential smoothing

dalam

PT.

Sinar

Abadi

telah

memperkirakan/memprediksi

Apabila manajemen salah dalam mengambil

tindakan dalam meramalkan penjualan, maka

method.

kemungkinan besar perusahaan akan mengalami

Keywords: Forecasting, ARIMA, Exponential

kerugian. Karena jika manajemen menentukan

Smoothing, MSE, Visual Basic 6.0

peramalan penjualan terlalu tinggi, perusahaan bisa

mengalami

ejournal.unib.ac.id

kerugian

dikarenakan

banyaknya

24

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

ongkos produksi yang dikeluarkan. Sebaliknya,

menaksir kondisi bisnis di masa mendatang.

jika manajemen menentukan peramalan penjualan

Peramalan

yang

bisa

penjualan pada suatu waktu yang akan datang

perusahaan

dalam keadaan tertentu dan dibuat berdasarkan

mengalami kehabisan persediaan (stock out)

data-data yang pernah terjadi dan mungkin akan

sehingga tidak terpenuhinya permintaan konsumen.

terjadi.

Untuk

merupakan penilaian terhadap kondisi masa depan

terlalu

mengalami

rendah,

kerugian

itu

sangat

perusahaan
dikarenakan

penting

bagi

juga

perusahaan

penjualan

Hasil

dari

suatu

mengenai

selanjutnya dengan menggunakan metode-metode

permintaan konsumen potensial. [1]

Metode

perkiraan

forecasting

melakukan peramalan terhadap penjualan pada

tertentu.

penjualan

merupakan

sebagai

proyeksi

lebih

teknis

Sejalan dengan perkembangan yang semakin

statistika

yang

digunakan

untuk

canggih

yang

diiringi

perkembangan

peramalan penjualan sangat banyak. Akan tetapi

penggunaan

dari kesekian banyak metode nantinya akan dicari

memperoleh perhatian beberapa tahun terakhir ini.

metode yang paling sesuai dengan membandingkan

Para manajer telah mampu untuk menggunakan

tiap metode. Hal ini disebabkan masing-masing

teknik

metode memberikan hasil peramalan dan nilai

peramalan, dan pemahaman akan teknik tersebut

penyimpangan

Beberapa

merupakan suatu keharusan bagi para manajer.

metode yang akan dibandingkan akurasi peralaman

Semua ramalan memerlukan asumsi (beberapa

penjualannya dalam penelitian ini yaitu metode

asumsi

Autoregressive

Average

perusahaan, industri, atau perilaku lembaga-

(ARIMA) dan metode Exponential Smoothing,

lembaga eksternal seperti pemerintah). Asumsi-

karena kedua metode ini memiliki kemampuan

asumsi tersebut didasarkan pada keyakinan dan

untuk menganalisis data masa lalu yang bersifat

pengetahuan dari peramal dan manajemen.

yang

berbeda-beda.

Integrated

Moving

stasioner, musiman, maupun siklus.

komputer,

oleh

peramalan

semakin

analisis data yang canggih untuk tujuan

berhubungan

dengan

faktor

internal

Memerlukan pertimbangan yang cermat dalam

Dari uraian yang telah dijelaskan di atas,

memilih metode peramalan agar memperoleh hasil

penelitian ini bertujuan untuk membuat suatu

yang dapat digunakan untuk membantu proses

sistem yang dapat membantu permasalahan yang

pembuatan keputusan oleh para manajer dari suatu

ada pada perusahaan. Penelitian yang berkaitan

organisasi. Oleh karena itu persyaratan yang

dengan permasalah ini dijadikan sebagai tugas

terpenting bukan terletak pada metode peramalan

akhir dengan judul Perbandingan keakuratan

yang menggunakan proses matematis yang canggih

metode Autoregressive Integrated Moving Average

atau suatu metode yang paling mutakhir. Tetapi

(ARIMA)

metode yang dipilih harus menghasilkan suatu

dan

Exponential

Smoothing

pada

peramalan penjualan semen di PT.Sinar Abadi.

ramalan yang akurat, tepat waktu, dan dapat

dimengerti oleh manajemen sehingga ramalan

II. LANDASAN TEORI

tersebut dapat membantu dalam menghasilkan

A. Peramalan (Forecasting)
Peramalan

disebut

juga

ramalan yang lebih baik.

perkiraan

atau

forecasting, adalah suatu cara untuk mengukur atau

25

Istilah "Informasi Geografis"

pengertian

informasi

mengenai

mengandung
keterangan-

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

keterangan (atribut) yang terdapat di permukaan

memberikan cara pemikiran, pengerjaan yang

bumi yang posisinya diberikan atau diketahui.

teratur dan terarah, perencanaan yang sistematis

B. Kegunaan Peramalan

serta memberikan ketepatan hasil peramalan yang

Dalam

perencanaan

di

organisasi

atau

perusahaan peramalan merupakan kebutuhan yang

dibuat.
C. Teknik Peramalan

sangat penting, baik buruknya peramalan dapat

Teknik peramalan penjualan dapat dilakukan

mempengaruhi seluruh bagian organisasi karena

dengan 2 cara, yaitu:

waktu tenggang untuk pengambilan keputusan

1.

Secara kualitatif (non statistical methhod)

dapat berkisar dari beberapa tahun. Peramalan

adalah cara penaksiran yang menitikberatkan

merupakan

dalam

pada pendapat seseorang (judgement). Hal ini

perencanaan yang efektif dan efisien. Di dalam

penting karena hasil peramalan tersebut

bagian organisasi terdapat beberapa kegunaan

ditentukan

peramalan, yaitu:

bersifat intuisi, pendapat dan pengetahuan

1.

Berguna untuk penjadwalan sumber daya

dari orang yang menyusunnya, Ada beberapa

yang tersedia. Penggunaan sumber daya yang

sumber pendapat yang dipakai sebagai dasar

efisien memerlukan penjadwalan produksi,

melakukan peramalan penjualan, antara lain

transportasi kas, personalia dan sebagainya.

pendapat

Input yang penting untuk penjadwalan seperti

penjualan, pendapat para ahli, dan survei

itu

konsumen.

alat

adalah

bantu

ramalan

yang

penting

tingkat

permintaan

konsumen atau pelanggan.

2.

3.

2.

berdasarkan

salesman,

pemikiran

pendapat

yang

manajer

Secara kuantitatif (statistical method) adalah

Berguna dalam penyediaan sumber daya

cara penaksiran yang menitikberatkan pada

tambahan waktu tenggang (Lead time) untuk

perhitungan-perhitungan

memperoleh bahan baku, menerima pekerja

menggunakan berbagai metode statistik. Hasil

baru atau membeli mesin dan peralatan.

peramalan yang dibuat sangat bergantung

Berguna untuk menentukan sumber daya

pada metode yang dipergunakan dalam

yang diinginkan. Setiap organisasi harus

peramalan tersebut.

menentukan sumber daya yang dimiliki dalam

dapat digunakan bila terdapat 3 kondisi, yaitu

jangka panjang. Keputusan semacam itu

(1) adanya informasi tentang masa lalu, (2)

bergantung pada faktor-faktor lingkungan,

informasi

manusia dan pengembangan sumber daya

dalam bentuk data, dan (3) informasi tersebut

keuangan. Semua penentuan ini memerlukan

dapat diasumsikan bahwa beberapa aspek

ramalan yang baik dan manager yang dapat

pola masa lalu akan terus berlanjut dimasa

menafsirkan

yang akan datang. Kondisi yang terakhir ini

pendugaan

serta

membuat

keputusan yang baik.

Dari uraian yang dijelaskan diatas, dapat

dibuat

tersebut

angka

dengan

Peramalan kuantitatif

dapat

sebagai

dikuantitatifkan

asumsi

yang

berkesinambungan, asumsi ini merupakan

dikatakan metode peramalan sangat berguna

modal

yang

karena akan membantu dalam mengadakan analisis

peramalan

mendasari

kuantitatif

dan

semua

metode

juga

metode

terhadap data dari masa lalu, sehingga dapat

ejournal.unib.ac.id

26

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

peramalan kualitatif, terlepas dari bagaimana

keuangan. Tujuan penggunaan metode ini

canggihnya metode tersebut.

adalah untuk mengurangi ketidakteraturan

Metode peramalan kuantitatif terdapat 2 jenis

data masa lampau seperti musiman.

peramalan yaitu:

b. Metode ARIMA, merupakan deret waktu

a. Model deret waktu (time series), pada metode

ini

pendugaan

masa

depan

dengan menggunakan model matematis dan

dilakukan

berdasarkan nilai masa lalu dari suatu

digunakan untuk peramalan jangka pendek.

E. Metode

variabel.

Autoregressive

Integrated

Moving

Average (ARIMA)

b. Model kausal, tujuan dari metode ini adalah

ARIMA (Autoregressive Integreated Moving

menemukan bentuk hubungan tersebut dan

Average) pertama kali dikembangkan olehGeorge

menggunakan untuk meramalkan nilai yang

Box dan Gwilym Jenkins untuk pemodelananalisis

akan

deret waktu. ARIMA mewakili tigapemodelan

mendatang

dari

variabel

tersebut.

Contoh dari model kausal adalah regresi.

yaitu dari autoregressive model (AR), moving

D. Analisis Deret Waktu (Time Series Analysis)

Data deret waktu (time series) adalah data yang
dikumpulkan

dari

waktu

waktu

average model (ARMA). Beberapa tahapan yang

untuk

harus dilakukan sebelum melakukan peramalan

memberikan gambaran tentang perkembangan

dengan menggunakan metode ARIMA yaitu

suatu kegiatan dari waktu ke waktu. Analisis deret

identifikasi

waktu

mengetahui

Autocorrelation Function (ACF) dan Partial

perkembangan suatu atau beberapa kejadian serta

Autocorrelation Function (PACF) , estimasi model

hubungan dengan kejadian lainnya.

,dan peramalan.[2]

memungkinkan

ke

average (MA), serta autoregressive danmoving

untuk

Metode deret waktu (time series) merupakan

peramalan

Data),

Identifikasi Data (Uji Stasioner Data)

penggunaan analisa pola hubungan antara variabel

relatif tidak terjadi kenaikan ataupun penurunan

yang akan dicari (dependent) dengan variabel yang

nilai secara tajam. Dengan kata lain fluktuasi data

mempengaruhinya (independent), yang dikaitkan

berada pada sekitar nilai rata-rata yang konstan.

dengan waktu seperti mingguan, bulan, triwulan,

Pengujian ini dilakukan sebagai langkah untuk

catur wulan, semester atau tahun. Tujuan metode

mengetahui apakah data yang diproses adlaah data

ini adalah menemukan pola deret historis dan

yang bersifat stasioner atau tidak. Data diketahui

mengekstrapolasikan pola tersebut ke masa depan

stasioner apabila data stasioner dalam varian dan

sehingga hasilnya dapat dijadikan acuan untuk

stasioner dalam mean.

peramalan nilai di masa yang akan datang. Contoh

a. Stasioner dalam Varian

deret

berkala

didasarkan

Stasioner

Stasioner berarti keadaan data time series

model

yang

(Uji

atas

dari

kuantitatif

1)

data

adalah:

Metode

Syarat pertama yang harus dipenuhi untuk

smoothing, metode ARIMA, metode proyeksi

peramalan ARIMA adalah stasioner dalam varian.

trend dan lain-lain.

Untuk mendeteksi kestasioneran data dalam varian

a. Metode Exponential Smoothing, merupakan

jenis

peramalan

perencanaan

27

jangka

persediaan,

pendek

seperti

dapat digunakan metode korelasi

Spearman.

Formulasi yang digunakan adalah sebagai berikut:

perencanaan

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

n

2
di
............
rs 1 6 i 12
n(n 1)

4. Jika nilai t hitung lebih besar dari nilai kritis

(1)

maka

disimpulkan

mengandung

bahwa

regresi

heteroskedastisitas

(belum

stasioner dalam varian) dan jika sebaliknya

Keterangan:

maka tidak ada heteroskedastisitas (stasioner

rs

= korelasi spearman

= perbedaan rank residual dengan rank

dalam varian). jika data diketahui tidak

stasioner dalam varian maka dapat dilakukan

independen Xt-1
n

dapat

transformasi

= banyaknya data

dengan

menggunakan

persamaan sebagai berikut:

Model regresi sederhana yang digunakn adalah

sebagai berikut:

X t 0 1X t 1 ..

data

............

Zt=ln(Xt)

(4)

Keterangan:
(2)

Zt

= transformasi untuk penstasioneran data

Keterangan:

Xt

= Data time series pada periode t

X t

= difference operator

b. Stasioner dalam mean

Xt

= Data time series pada periode t

= parameter ke-0 dari model regresi

= parameter

Setelah syarat stasioner dalam varian dipenuhi

maka syarat kedua adalah stasioner dalam mean.
untuk menguji kestasioneran dalam mean dapat
digunakan metode Dickey Fuller. Metode Dickey

Langkah-langkah yang harus dilakukan adalah

Fuller

menggunakan

model

regresi

sebagai

berikut:

sebagai berikut :
1. Melakukan regresi sederhana dan kemudian
didapatkan residualnya.

X t 0 1X t 1

..............

(5)

Keterangan:

2. Mencari nilai absolute residual dan kemudian

dirangking dari nilai yang paling besar ataupun

0 = parameter ke-0 dari model regresi Dickey

paling kecil. Lakukan hal yang sama untuk

Fuller

variabel independen Xt-1. Setelah itu mencari

1 = parameter

nilai d yang merupakan nilai mutlak perbedaan

Data stasioner jika nilai mutlak t hitung < t

rank residual dengan rank independen Xt-1.

table. Sebaliknya data dikatakan tidak stasioner

Setelah nilai d diketahui, dilanjutkan dengan

jika nilai mutlak t hitung > t table.

mencari nilai rs.

Untuk mencari t hitung sebagai berikut:

3. Mencari nilai statistik t hitung, nilai t hitung

dapat dicari dengan menggunakan rumus

thitung

........... (6)

S /( X t 1 X ) )
t 2

rs n 2
1 r s

1/ 2

sebagai berikut:

............

(3)

Dengan df (distribusi frekuensi) sebesar n-2.

Keterangan:

X = rata-rata data
Dimana untuk mencari koefisien

sebagai

berikut:

ejournal.unib.ac.id

28

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

t 2

t 2

t 2

Sebelum menentukan model ARIMA yang

n 1 X t 1SX t X t 1 SX t
2

akan digunakan, langkah awal yang harus

......

(7)

n 1 xt 1 ( X t 1 ) 2
t 2

Keterangan:
SXt = selisih Xt

SX

Setelah
perhitungan

t 2

1 X t 1
..

n 1

t 2

autokorelasi

melainkan

(X

t 1

nilai

hanya

(PACF).
tidak

kira-kira

untuk

kn/4

t 2

t 2

...

(X
t 1

X)

(11)

Keterangan:

= nilai ACF pada lag ke-k

X = rata-rata data
Xt = data time series pada periode t
.... (9)

(n 1)

X )( X t k X )

t
n

Untuk

0 SXt 1 Xt SXt

k = time lag
dimana:

Keterangan:

S = kesalahan baku estimasi

k = derajat bebas
Jika data diketahui tidak stasioner dalam mean

X
t 1

..............

(12)

Nilai ACF dianggap signifikan jika nilainya

maka dilakukan differencing dengan rumus sebagai

diluar batas garis, persamaannya adalah:

berikut:
Zt = Xt Xt-1

mencari

nk

formula berikut:

SXt

Untuk

diketahui dapat dilakukan

kesalahan baku estimasi.

Function

(8)

mencari kesalahan baku estimasi dapat digunakan

Partial Autocorrelation

digunakan persamaan berikut :

t 2

0 dan 1

menghitung

saja.untuk menghitung nilai ACF pada lag ke-k

dengan

memerlukan nilai autokorelasi untuk semua k,

dapat dicari dengan

formula sebagai berikut:

n

adalah

Autocorrelation Function (ACF) dan fungsi

t 2

Sedangkan untuk

dilakukan

.................

Sk 1 / n(1 21 ... 2 k 1
2

(10)

(13)

Proses differencing menggunakan data aktual,

tapi jika data telah mengalami transformasi maka
data yang digunakan untuk differencing adalah data
hasil transformasi. Proses differencing dilakukan
berulang-ulang maksimal 2 kali hingga data
menjadi stasioner. Untuk differencing yang kedua

Keterangan:

= nilai ACF pada lag ke-k

Sk = nilai signifikan ACF pada lag ke-k

Untuk menghitung nilai PACF pada lag kek menggunakan persamaan sebagai berikut:

kali, data yang digunakan adalah data hasil

differencing pertama.
1. Autocorrelation

Function

(ACF)

Partial Autocorrelation Function

29

dan

(PACF)

k 1,k 1

k 1 kj k 1 j
j 1
k

1 kj j

....... (14)

j 1

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

dimana j=1,2,...,k

khususnya untuk menentukan orde p dari model

k 1, j kj k 1,k 1k ,k 1 j

AR(p). Berikut ini rumus yang digunakan

11 1

untuk AR : [3]

Xt 1 X t 1 2 X t 2 ... p X t p (16)

Keterangan :

k = nilai PACF pada lag ke-k

Keterangan :

= nilai ACF pada lag ke-k

k = time lag
Nilai
nilanya

PACF
diluar

dianggap
batas

signifikan

garis,

Xt

= data ke-t

= nilai suatu konstanta

= parameter autoregressive ke-j

bila
Pendugaan parameter autoregressive dapat

persamaannya

dilakukan dengan menggunakanan metode

adalah:

perkalian matriks (metode cramer). Berikut

2
Skk
n

...........

(15)

rumus dari metode cramer:

(Z ' Z ) (Z 'Y )
1

Keterangan:

Skk

1 X p
1
X p 1
. .
Z
. .
. .

1 X n 1

= Batas signifikan PACF untuk lag ke k

2. Estimasi Parameter
Penetapan estimasi metode ARIMA dapat
ditentukan dengan cara melihat perilaku dari
plot Autocorrelation Function (ACF) dan
Partial Autocorrelation Function (PACF). Pada
prakteknya
ARMA(p,q)

nilai

AR(p),

MA(q)

jarang sekali mempunyai nilai

yang digunakan pada penelitian ini yaitu 1 dan

2. Setelah mendapatkan nilai p dan q maka bisa
perhitungan

metode ARIMA.
kedalam

peramalan

dengan

Metode ARIMA dibagi

kelompok,

Autoregressive(AR), Moving Average (MA)

dan Autoregressive Moving Average (ARMA)
yang mempunyai karakteristik dari kedua
model.
a. Autoregressive (AR)
Tujuan penggunaan Partial Autocorrelation
Ket:

waktu adalah untuk membantu penetapan

metode ARIMA yang tepat untuk peramalan,

Xp = data ke-p

ejournal.unib.ac.id

n2

X p 1

X p2
1
.

.
Y
,
.

.
.

X n
p

yaitu:

Function (PACF) dalam analisis data deret

X p 1 ...
X p ...
.
.
.
.
.
.
X ...

X p ( p 1)

X p ( p 1)1

X n p

ataupun

lebih dari 2, sehingga nilai (p,q) untuk estimasi

melakukan

... (17)

= pendugaan persamaan parameter

30

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

n = banyaknya periode pengamatan

dengan model Moving Average. Berikut ini

b. Moving Average (MA)

merupakan rumus dari ARMA:

Autocorrelation Function berguna untuk

mencari korelasi antar data dan berguna untuk
menentukan orde q pada MA(q). Berikut rumus

(19)

3. Peramalan

untuk MA :

Xt 1et 1 2 et 2 ... q et q .. (18)

Setelah model terbaik diperoleh, selanjutnya

peramalan dapat dilakukan. Dalam berbagai

Keterangan:

kasus, peramalan dengan metode ini lebih

= parameter moving average ke j.

dipercaya daripada peramalan yang dilakukan

et

= nilai error pada saat ke t.

dengan model ekonometri tradisional. Namun,

Pendugaan parameter MA dapat ditentukan

dengan metode perkalian matriks berikut :

(Z ' Z ) (Z 'Y )
1

1 X q11 X q1 X q 12 X q 1 ...
1 X
...
q21 X q2 X q 22 X q 2
.
. .
.
Z
.
.
. .
.
. .
.

...
X X
1 X X
n 1

n2

hal ini tentu saja perlu dipelajari lebih lanjut

oleh para peneliti yang tertarik menggunakan
metode serupa.
Berdasarkan ciri yang dimilikinya, model
runtun waktu seperti ini lebih cocok untuk
peramalan dengan jangkauan sangat pendek,
sementara model struktural lebih cocok untuk
peramalan dengan jangkauan panjang.
F. Metode Exponential Smothing
Metode Exponential Smoothing adalah metode

X q1q X q1

X q 2 q X q 2

X nq X n
X q 1

X q2
1
.

.
Y

.

.
.

p
X n
c. Autoregressive Moving Average (ARMA)

31

Xt 1 X t 1 2 X t 2 ...
p X t p 1et 1 2et 2 ... qet q

peramalan yang didasarkan pada perhitungan ratarata (pemulusan) data-data masa lalu secara
eksponensial

dengan

mengulang

perhitungan

secara terus menerus menggunakan data terbaru.

Setiap data akan diberi bobot, dimana data yang
lebih baru diberi bobot yang lebih besar.
Metode Exponential Smoothing sebenarnya
merupakan

metode

rata-rata

bergerak

yang

meberikan 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

aktual

(seperti

pola

musiman) dari pada hanya fluktuasi acak saja

(dimana dengan satu ramalan rata-rata bergerak
saja sudah cukup). Dalam Exponential Smoothing,

Pada metode ARMA (p,q) orde p dan q

terdapat satu atau lebih parameter pemulusan yang

adalah gabungan antara model Autoregressive

ditentukan secara eksplisit, dan hasil pilihan ini

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

menentukan bobot yang dikenakan pada nilai

acuan dalam menentukan kebutuhan-kebutuhan di

observasi.

masa yang akan datang.

Exponential Smoothingakan selalu mengikuti

Dalam

statistik

untuk

menguji

ukuran

setiap trend dalam data yang sebenarnya, karena

kesalahan peramalan bisa menggunakan beberapa

yang dapat dilakukannya tidak lebih dari mengatur

metode. Salah satu cara yang digunakan yaitu MSE

ramalan mendatang dengan suatu persentase dari

(Mean Squared Error). MSE (Mean Squared

kesalahan yang terakhir. Kesalahan ramalan masa

Error) merupakan suatu perhitungan jumlah dari

lalu dipakai untuk mengoreksi ramalan mendatang

selisih

pada arah yang berlawanan dengan kesalahan

sebenarnya.Pada umumnya, semakin kecil nilai

tersebut. Penyesuaian tersebut tetap berlangsung

MSE maka ramalan semakin akurat.Berikut ini

sampai kesalahannya dikoreksi. Prinsip ini, yang

merupakan rumus MSE:

tampaknya sederhana, memainkan peranan yang

sangat penting dalam peramalan. Jika digunakan
secara tepat prinsip ini dapat digunakan untuk
mengembangkan suatu proses mengatur diri sendiri
(self adjusting process) yang dapat mengoreksi
kesalah

peramalan

Exponential

secara

Smoothing

otomatis.

dapat

Metode

dilihat

pada

MSE

data

peramalan

dengan

1 n
( X t Ft ) 2
n t 1

data

yang

......... (21)

Keterangan:
MSE = Mean Squared Error
n

= Banyaknya data

Xt

= Nilai Aktual pada periode t

Ft

= Nilai peramalan pada periode t

persamaan berikut, dimana F2 = X1 [4]

Ft+1 = Xt + (1 - ) Ft ................

(20)

Keterangan:

III. METODE PENELITIAN

Adapun metode penelitian yang digunakan

Ft+1 = Peramalan untuk periode t+1

dalam penulisan tugas akhir ini adalah sebagai

berikut:

= Konstanta penghalusan untuk data =

[0,1]

A. Teknik Pengumpulan Data

Xt

= Data yang sebenarnya pada periode t

Ft

= data peramalan pada periode t

Teknik pengumpulan data pada penelitian ini

adalah:

G. Ukuran ketepatan peramalan dengan Mean

1)

Studi Lapangan (Dokumentasi): Studi

Squared Error (MSE)

lapangan atau dokumentasi dilakukan dengan cara

Hasil ramalan tidak selalu akurat atau sering

meneliti di PT.Sinar Abadi secara langsung. Hal ini

berbeda dengan keadaan sesungguhnya (data

dilakukan untuk mendapatkan data-data yang

aktual). Perbedaan antara ramalan dengan keadaan

berhubungan

sesungguhnya disebut dengan kesalahan ramalan

diteliti.Data-data yang dikumpulkan berupa data

(forecast error). Menilai ketepatan suatu metode

penjualan semen warna dari bulan Januari 2012

peramalan dapat dilakukan dengan cara mencari

sampai

selisih besaran (ukuran kesalahan peramalan) data

Abadi.Penggunaan data selama 2 tahun (24 bulan)

peramalan

terhadap

membandingkan

data

ukuran

masalah

Desember

2013

yang

di

sedang

PT.Sinar

aktual.

Dengan

pada penelitian ini dikarenakan sudah cukup akurat

kesalahan

terkecil,

untuk melakukan peramalan penjualan untuk

sehingga nilai peramalan dapat digunakan sebagai

ejournal.unib.ac.id

bulan

dengan

periode selanjutnya.

32

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

2)

Wawancara:

Wawancara

dilakukan

barang, perusahaan ini masih kesulitan untuk

dengan cara mewawancarai orang-orang yang

menentukan berapa banyak jumlah semen yang

berkaitan langsung dengan objek penulisan, baik

tepat untuk diproduksi agar memenuhi permintaan

itu dilakukan secara formal maupun nonformal

konsumen

guna mendapat data yang berguna dalam penulisan

kerugian. Karena apabila jumlah semen yang

dan pembuatan sistem.

diproduksi terlampau banyak, bisa mengakibatkan

B. Metode Analisis Data

penumpukan barang di gudang dan juga banyaknya

Analisis data yang digunakan dalam penelitian

dan

juga

menghindari

terjadinya

biaya produksi yang dikeluarkan. Namun jika

ini dilakukan secara kuantitatif.Analisis kuantitatif

kekurangan

digunakan untuk analisis peramalan penjualan

menimbulkan kerugian dikarenakan banyaknya

produk untuk periode selanjutnya menggunakan

permintaan konsumen yang tidak terpenuhi.

beberapa metode peramalan time series yaitu

metode

Exponential

metodeARIMA.
digunakan

Hasil

untuk

Smoothing
peramalan

menetapkan

dan
tersebut

targetpenjualan

2)

jumlah

produksi

juga

bisa

Analisis Permasalahan: Dalam proses

produksi barang ini terdapat permasalahan yang

harus

di

atasi.

mengakibatkan

Permasalahan

kerugian

yang

ini

bisa

fatal

bagi

produk pada PT. Sinar Abadi dan dapat dijadikan

perusahaan. Permasalah tersebut adalah sulitnya

acuanperusahaan untuk menyususun perencanaan

manager dalam meramalkan jumlah semen yang

produksi terbaik di masa mendatang.

harus diproduksi untuk produksi selanjutnya.

Masalah ini di identifikasikan karena perusahaan

IV. ANALISIS DAN PERANCANGAN

masih melakukan peramalan berdasarkan pendapat

A. Analisis dan Definisi Kebutuhan Sistem

1)

dan pemikiran manager, belum adanya sistem

Analisis Sistem Sebelumnya: PT. Sinar

Abadi merupakan salah satu distributor alat-alat

serta bahan bangunan di Bengkulu, selain itu PT.
Sinar Abadi juga menjadi produsen beberapa alat
dan bahan bangunan, diantaranya yaitu menjadi
produsen semen warna di Bengkulu. Semen warna
yang diproduksi oleh PT. Sinar Abadi yaitu Semen
Warna SA Grout Blue, SA Grout Green, SA Grout
Ivory, SA Grout Pink, dan SA Grout White.
Produk semen warna ini di distribusikan ke
distributor serta toko-toko bangunan lainnya yang
tersebar di Provinsi Bengkulu seperti daerah
Bengkulu

Utara,

Bengkulu

Selatan

hingga

mencapai Muko-Muko.

telah

menggunakan

sistem

yang

terkomputerisasi namun untuk masalah produksi

33

Hal ini menyebabkan produksi semen seringkali

tidak efektif dikarenakan peramalannya masih
dilakukan secara manual, yaitu masih berdasarkan
pendapat dan perkiraan berdasarkan pengalaman.
Berdasarkan penyebab masalah tersebut, dapat
disimpulkan bahwa keputusan untuk penyelesaian
masalah yang ada yaitu dengan dibuatnya sebuah
sistem peramalan penjualan yang dilakukan secara
terkomputerisasi

sehingga

menghasilkan

peramalan penjualan yang lebih akurat.

B. Perancangan Sistem
1)

Perancangan UML (Unified Modelling

Language)

Untuk masalah pengolahan data, PT. Sinar

abadi

peramalan yang digunakan di perusahaan tersebut.

a.

Use Case Diagram

Use

case

diagram

menggambarkan

kegiatan yang dilakukan pada aktor pada sistem

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

yang akan dibangun sehingga use casediagram

Dari Gambar 6 dapat dilihat bahwa apabila

dari sistem yang dibangun dapat dilihat pada

pengguna menekan tombol tambah maka sistem

Gambar 1 berikut ini.

secara otomatis akan memunculkan ID penjualan,

tambah

lalu pengguna dapat mengisi periode yaitu bulan

ubah

dan tahun penjualan, dan penjualan untuk jumlah

hapus

penjualan selama satu periode. Kemudian data

data pengguna

<<include>>

tambah

penjualan yang baru akan disimpan dengan

data penjualan
ubah

<<include>>

masuk

hapus
<<include>>
proses peramalan

proses

menekan tombol simpan. Selain itu pengguna juga

dapat mengubah data penjualan dengan menekan

<<include>>
lihat grafik

<<include>>

pengguna

hasil ramalan

tombol ubah
2)

<<include>>

Tampilan Halaman Peramalan Penjuaan

daftar penjualan

bantuan

Gambar 1. Use Case Diagram Sistem

Berdasarkan Gambar 1 di atas terlihat

bahwa ada satu aktor yang terlibat dalam sistem
yakni pengguna (user). Pengguna memiliki
beberapa kegiatan mengolah data yaitu dapat
menambahkan

data,

menghapus

data,

mengubah data pada data pengguna dan data

Gambar 7. Tampilan Halaman Peramalan Penjualan

penjualan. Selain itu pada peramalan penjualan,

pengguna dapat melakukan proses peramalan
penjualan serta melihat grafik dari hasil
peramalan yang telah diproses, pengguna juga
dapat melihat hasil peramalan, daftar penjualan
dan juga bantuan.
V. PEMBAHASAN
A. Hasil Implementasi Aplikasi
1)

Dari Gambar 7 dapat dilihat bahwa yang akan

diramalkan adalah jenis Semen Warna SA Grout
Blue dengan menggunakan banyak data 24 periode
dan yang akan diramalkan adalah 5 periode
mendatang. Setelah itu pengguna dapat menekan
tombol proses untuk melihat hasil peramalannya.
3)

Tampilan

Hasil

Grafik

Perbandingan

MSE

Tampilan Halaman Data Penjualan

Gambar 6. Halaman Data Penjualan

ejournal.unib.ac.id

Gambar 8. Halaman Data Penjualan

34

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

Pada

Gambar

menunjukkan

grafik

digunakan

perbandingan hasil MSE dari masing-masing

metode dimana hasil MSE metode Exponential

dalam

meramalkan

penjualan

semen untuk periode mendatang.

3.

Nilai MSE metode ARIMA meningkat seiring

Smoothing ditunjukkan oleh garis warna biru dan

dengan

hasil MSE metode ARIMA ditunjukkan oleh garis

dilibatkan sebagai data pelatihan sehingga

warna merah. Nilai MSE dari metode Exponential

dapat dikatakan metode ARIMA sangat

Smoothing yaitu 10037,72 ; 21072,47 ; 19026,5 ;

sensitive dalam menangkap perubahan pada

23009,25; 21411,6. Sedangkan nilai MSE untuk

pola data baru.

metode ARIMA yaitu 5219,59 ; 11076,14 ;

4.

banyaknya

data

bulanan

yang

Nilai MSE metode Exponential Smoothing

6347,13 ; 5055,91 ; 4715,51. Dari perbandingan

menurun seiring dengan banyaknya data

hasil MSE tersebut dapat dilihat bahwa pergerakan

bulanan

hasil MSE metode ARIMA selama peramalan 5

pelatihan, akan tetapi memiliki start nilai

peiode

MSE yang cukup tinggi (antara 66% - 93%)

mendatang

Exponential

berada

Smoothing,

dibawah

metode

sehingga

dapat

yang

dilibatkan

sebagai

data

untuk data pelatihan selama interval 6 bulan.

disimpulkan bahwa metode ARIMA merupakan

VII. SARAN

metode yang lebih baik untuk digunakan meramal

penjualan semen tersebut dibandingkan dengan

Berdasarkan hasil penelitian, pengujian serta

pembahasan maka untuk pengembangan penelitian

metode Exponential Smoothing.

yang akan datang disarankan:

VI. KESIMPULAN

1. Metode

Adapun kesimpulan dari penelitian ini adalah

sebagai berikut:
1.

pendek

aplikasi yang membandingkan keakuratan

ARIMA.

metode

AutoregressiveIntegrated

memprediksi

tidak
jangka

sebaiknya

2. Selain

digunakan

membandingkan

metode

metode

Moving Average (ARIMA) dengan metode

Autoregressive Integrated Moving Average

Exponential Smoothing

(ARIMA)

untuk peramalan

dan

metode

Exponential

penjualan semen di PT. Sinar Abadi sehingga

Smoothing, dapat juga ditambahkan dengan

dapat

membandingkan metode-metode yang lainnya

membantu

perusahaan

untuk

periode mendatang.

seperti metode Nave, Growth Curve, dll.

3. Sistem ini dapat dikembangkan lebih jauh

Berdasarkan hasil perhitungan nilai MSE,

dengan menambahkan metode yang berkaitan

metode ARIMA secara signifikan selalu lebih

dengan ilmu Artificial Intelligence (AI)

rendah

seperti

dari

Exponential
disimpulkan

pada

nilai

Smoothing
bahwa

MSE
sehingga

metode

metode
dapat
ARIMA

merupakan metode yang lebih baik untuk

35

untuk

Smoothing

pendek, untuk memprediksi dalam jangka

melakukan permalan untuk penjualan semen

2.

disarankan

Penelitian ini berhasil membangun sebuah

antara

Exponential

sehingga

metode
dapat

Jaringan
dilihat

Syaraf

Tiruan,

perbandingan

keakuratan antara metode statistika dan

metode AI yang digunakan.

ejournal.unib.ac.id

Jurnal Rekursif, Vol. 3 No. 1 Maret 2015, ISSN 2303-0755

REFERENSI
[1] Danang, Sunyoto. 2012. Budgeting Perusahaan. Jakarta:
CAPS (Center For Academic Publishing Service).
[2] Gururani. 2006. Model Peramalan Arima Box-jenkins untuk
Penjualan Produk Terseleksi pada Apotik Farmaco.
[Online]
Tersedia:
http://digilib.stikom.edu/detil.php?id=292&q=ARIMA
[3] Alexander, Adi dan Sutisno. Aplikasi Peramalan Penjualan
Kosmetik Dengan Metode ARIMA. [Online] Tersedia:
http://repository.petra.ac.id/id/eprint/16004 [25 November
2013]
[4] Nawang Sari, Arum. Perbandingan Sistem Peramalan
Penjualan dengan Metode Exponential Smoothing dan
Single Moving Average menggunakan Uji Statistik.
[Online]
Tersedia:
http://digilib.stikom.edu/detil.php/id/metodeexponentialsm
oothing [13 Agustus 2013]

ejournal.unib.ac.id

36