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
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
This
study
aims
to
I. PENDAHULUAN
build
this
dalam
Sinar Abadi.
each
method,
dunia
PT.
bisnis
Sinar
Abadi
sangat
pesat
merupakan
sehingga
salah
satu
terkomputerisasi.
kesulitan
laba perusahaan.
dalam
PT.
Sinar
Abadi
telah
memperkirakan/memprediksi
method.
ejournal.unib.ac.id
kerugian
dikarenakan
banyaknya
24
Peramalan
yang
bisa
perusahaan
terjadi.
Untuk
terlalu
mengalami
rendah,
kerugian
itu
sangat
perusahaan
dikarenakan
penting
bagi
juga
perusahaan
penjualan
Hasil
dari
suatu
mengenai
Metode
perkiraan
forecasting
tertentu.
penjualan
merupakan
sebagai
proyeksi
lebih
teknis
yang
digunakan
untuk
canggih
yang
diiringi
perkembangan
penggunaan
teknik
penyimpangan
Beberapa
asumsi
Autoregressive
Average
yang
berbeda-beda.
Integrated
Moving
komputer,
oleh
peramalan
semakin
berhubungan
dengan
faktor
internal
(ARIMA)
dan
Exponential
Smoothing
pada
A. Peramalan (Forecasting)
Peramalan
disebut
juga
atau
25
informasi
mengenai
mengandung
keterangan-
ejournal.unib.ac.id
B. Kegunaan Peramalan
Dalam
perencanaan
di
organisasi
atau
dibuat.
C. Teknik Peramalan
1.
merupakan
dalam
ditentukan
peramalan, yaitu:
1.
pendapat
itu
konsumen.
alat
adalah
bantu
ramalan
yang
penting
tingkat
permintaan
3.
2.
berdasarkan
salesman,
pemikiran
pendapat
yang
manajer
perhitungan-perhitungan
peramalan tersebut.
informasi
menafsirkan
pendugaan
serta
membuat
dibuat
tersebut
angka
dengan
Peramalan kuantitatif
dapat
sebagai
dikuantitatifkan
asumsi
yang
modal
yang
peramalan
mendasari
kuantitatif
dan
semua
metode
juga
metode
ejournal.unib.ac.id
26
peramalan yaitu:
pendugaan
masa
depan
dilakukan
variabel.
Autoregressive
Integrated
Moving
Average (ARIMA)
akan
mendatang
dari
variabel
tersebut.
dari
waktu
waktu
untuk
identifikasi
waktu
mengetahui
,dan peramalan.[2]
memungkinkan
ke
untuk
Data),
deret
berkala
didasarkan
Stasioner
model
yang
(Uji
atas
dari
kuantitatif
1)
data
adalah:
Metode
peramalan
perencanaan
27
jangka
persediaan,
pendek
seperti
Spearman.
perencanaan
ejournal.unib.ac.id
2
di
............
rs 1 6 i 12
n(n 1)
maka
disimpulkan
mengandung
bahwa
regresi
heteroskedastisitas
(belum
Keterangan:
rs
= korelasi spearman
independen Xt-1
n
dapat
transformasi
= banyaknya data
dengan
menggunakan
X t 0 1X t 1 ..
data
............
Zt=ln(Xt)
(4)
Keterangan:
(2)
Zt
Keterangan:
Xt
X t
= difference operator
Xt
= parameter
Fuller
menggunakan
model
regresi
sebagai
berikut:
sebagai berikut :
1. Melakukan regresi sederhana dan kemudian
didapatkan residualnya.
X t 0 1X t 1
..............
(5)
Keterangan:
Fuller
1 = parameter
thitung
........... (6)
S /( X t 1 X ) )
t 2
rs n 2
1 r s
1/ 2
sebagai berikut:
............
(3)
Keterangan:
X = rata-rata data
Dimana untuk mencari koefisien
sebagai
berikut:
ejournal.unib.ac.id
28
t 2
t 2
t 2
n 1 X t 1SX t X t 1 SX t
2
(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:
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:
k = derajat bebas
Jika data diketahui tidak stasioner dalam mean
X
t 1
..............
(12)
berikut:
Zt = Xt Xt-1
mencari
nk
formula berikut:
SXt
Untuk
Function
(8)
Partial Autocorrelation
t 2
0 dan 1
menghitung
dengan
adalah
t 2
Sedangkan untuk
dilakukan
.................
Sk 1 / n(1 21 ... 2 k 1
2
(10)
(13)
Keterangan:
Function
(ACF)
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
k 1, j kj k 1,k 1k ,k 1 j
11 1
untuk AR : [3]
Xt 1 X t 1 2 X t 2 ... p X t p (16)
Keterangan :
Keterangan :
k = time lag
Nilai
nilanya
PACF
diluar
dianggap
batas
signifikan
garis,
Xt
= data ke-t
bila
Pendugaan parameter autoregressive dapat
persamaannya
adalah:
2
Skk
n
...........
(15)
(Z ' Z ) (Z 'Y )
1
Keterangan:
Skk
1 X p
1
X p 1
. .
Z
. .
. .
1 X n 1
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)
metode ARIMA.
kedalam
peramalan
dengan
kelompok,
Xp = data ke-p
ejournal.unib.ac.id
n2
X p 1
X p2
1
.
.
Y
,
.
.
.
X n
p
yaitu:
X p 1 ...
X p ...
.
.
.
.
.
.
X ...
X p ( p 1)
X p ( p 1)1
X n p
ataupun
melakukan
... (17)
30
(19)
3. Peramalan
untuk MA :
Keterangan:
et
(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
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
metode
rata-rata
bergerak
yang
dari
perubahan
aktual
(seperti
pola
ejournal.unib.ac.id
observasi.
Dalam
statistik
untuk
menguji
ukuran
selisih
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
Ft
(20)
Keterangan:
berikut:
[0,1]
Xt
Ft
1)
berhubungan
sampai
peramalan
terhadap
membandingkan
data
ukuran
masalah
Desember
2013
yang
di
sedang
PT.Sinar
aktual.
Dengan
kesalahan
terkecil,
ejournal.unib.ac.id
bulan
dengan
periode selanjutnya.
32
Wawancara:
Wawancara
dilakukan
konsumen
dan
juga
menghindari
terjadinya
kekurangan
Exponential
metodeARIMA.
digunakan
Hasil
untuk
Smoothing
peramalan
menetapkan
dan
tersebut
targetpenjualan
2)
jumlah
produksi
juga
bisa
di
atasi.
mengakibatkan
Permasalahan
kerugian
yang
ini
bisa
fatal
bagi
Utara,
Bengkulu
Selatan
hingga
mencapai Muko-Muko.
telah
menggunakan
sistem
yang
33
sehingga
menghasilkan
Language)
a.
case
diagram
menggambarkan
ejournal.unib.ac.id
ubah
hapus
data pengguna
<<include>>
tambah
data penjualan
ubah
<<include>>
masuk
hapus
<<include>>
proses peramalan
proses
<<include>>
lihat grafik
<<include>>
pengguna
hasil ramalan
tombol ubah
2)
<<include>>
daftar penjualan
bantuan
data,
menghapus
data,
Tampilan
Hasil
Grafik
Perbandingan
MSE
ejournal.unib.ac.id
34
Gambar
menunjukkan
grafik
digunakan
dalam
meramalkan
penjualan
dengan
4.
banyaknya
data
bulanan
yang
bulanan
peiode
mendatang
Exponential
berada
Smoothing,
dibawah
metode
sehingga
dapat
yang
dilibatkan
sebagai
data
1. Metode
pendek
ARIMA.
metode
AutoregressiveIntegrated
memprediksi
tidak
jangka
sebaiknya
2. Selain
digunakan
membandingkan
metode
metode
Exponential Smoothing
(ARIMA)
untuk peramalan
dan
metode
Exponential
dapat
membantu
perusahaan
untuk
periode mendatang.
rendah
seperti
dari
Exponential
disimpulkan
pada
nilai
Smoothing
bahwa
MSE
sehingga
metode
metode
dapat
ARIMA
35
untuk
Smoothing
2.
disarankan
antara
Exponential
sehingga
metode
dapat
Jaringan
dilihat
Syaraf
Tiruan,
perbandingan
ejournal.unib.ac.id
ejournal.unib.ac.id
36