PROPOSAL TUGAS AKHIR

RENCANA JUDUL

IMPLEMENTASI METODE EXPONENTIAL SMOOTHING BROWN DALAM

FORECASTING REALISASI PRODUKSI KELAPA SAWIT
PADA PTPN III KEBUN SEI MERANTI

INDI ANDIRA BUTAR-BUTAR

111402007

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
2015
1.1 Latar Belakang

Kelapa sawit merupakan salah satu tanaman perkebunan yang mempunyai peran penting
bagi subsektor perkebunan. Pengembangan kelapa sawit antara lain memberi manfaat
dalam peningkatan pendapatan petani dan masyarakat, produksi yang menjadi bahan
baku industri pengolahan yang menciptakan nilai tambah di dalam negeri, ekspor CPO
yang menghasilkan devisa, dan menyediakan kesempatan kerja bagi lebih dari 2 juta
tenaga kerja di berbagai subsistem.
Forecasting realisasi produksi kelapa sawit diperlukan untuk mendukung kebijakan
perusahaan dalam penanganan evaluasi sasaran mutu pengolahan kelapa sawit pada
perkebunan kelapa sawit. Perkebunan kelapa sawit di Indonesia dikelola dalam bentuk
perkebunan rakyat dan perkebunan besar. Dimana perkebunan besar terdiri dari
perkebunan negara seperti Perseroan Terbatas Perkebunan Nusantara (PTPN) dan
perkebunan swasta (Batubara, 2015). Pada lingkup perkebunan negara, tiap bulannya
akan diadakan evaluasi sasaran mutu pengolahan. Ini dilakukan untuk melihat kinerja
produksi pada bulan tersebut sudah mencapai target produksi atau sebaliknya. Pada PT.
Perkebunan Nusantara III (PTPN III) Sei Meranti, target produksi dilakukan secara
manual dengan melihat hasil produksi tahun-tahun sebelumnya. Namun kendala terjadi
karena hasil produksi rencana yang telah ditargetkan berbeda dengan hasil produksi
realisasi. Oleh karena itu diperlukan suatu metode prediksi yang dapat memberikan
informasi hasil produksi

kelapa sawit untuk dijadikan acuan perusahaan dalam

merencanakan target produksi kelapa sawit untuk tahun selanjutnya.

Penelitian tentang peramalan dengan metode Exponential Smoothing sudah pernah
dilakukan oleh para peneliti. Penelitian tersebut di antaranya dilakukan oleh (Novita,
2005), (Sidik, 2010), (Jalil, 2013), dan (Suwanvijit, 2011). Penelitian terdahulu yang
dilakukan oleh (Novita, 2005), yaitu analisis penjualan sepeda motor Korea di PT. Maju
Bersama Surya Indah Motor Cabang Surabaya, gambaran umum tiap bulan dilihat dari
statistik deskriptif. Pemodelan arima dan exponensial smoothing digunakan untuk
mendapatkan model terbaik. Model terbaik dipilih berdasarkan MSE yang paling kecil.
Berdasarkan MSE kedua model, didapat model terbaik yaitu metode smoothing untuk
meramalkan penjualan periode ke depan.
Dalam hal ini metode yang akan penulis terapkan adalah metode Exponential
Smoothing Brown. Dari berbagai metode peramalan klasik maupun modern yang
berkembang dan masih digunakan untuk meramalkan suatu data deret waktu saat ini,
salah satunya adalah Exponential Smoothing. Dengan menggunakan model Exponential
Smoothing yang paling sesuai untuk meramalkan tingkat produksi gas di Indonesia di
masa yang akan datang diharapkan dapat memberikan gambaran realisasi produksi bagi
1

perusahaan kelapa sawit ditahun berikutnya. Berdasarkan latar belakang diatas, penulis
mengajukan

proposal

penelitian

dengan

EXPONENTIAL SMOOTHING BROWN

judul

IMPLEMENTASI

METODE

DALAM FORECASTING REALISASI

PRODUKSI KELAPA SAWIT PADA PTPN III KEBUN SEI MERANTI.

1.2 Rumusan Masalah

Permintaan pasar dunia akan kelapa sawit dan produk turunannya mengalami peningkatan
dari tahun ke tahun. Untuk pasar Indonesia, pasokan kelapa sawit dipenuhi oleh PTPN
sebagai Badan Usaha Milik Negara dan beberapa perkebunan milik swasta nasional
maupun swasta multi national company. Untuk dapat bersaing dengan pihak swasta,
PTPN diharuskan tanggap merespon persaingan pasar dengan melakukan improvisasi
pada proses bisnisnya. Salah satu yang dapat dilakukan adalah dengan pendekatan untuk
mendapatkan forecasting realisasi produksi yang akan dicapai di tahun berikutnya
berdasarkan data realisasi tahun sebelumnya.

1.3 Batasan Masalah

1. Data produksi kelapa sawit yang digunakan adalah data produksi kelapa sawit dari
tahun 2012-2014.
2. Tidak melakukan forecasting terhadap produk hasil dari kelapa sawit dan turunannya.
1.4 Tujuan Penelitian
Tujuan penelitian ini adalah untuk memprediksi realisasi produksi kelapa sawit di PT.
Perkebunan Nusantara III (PTPN III) Sei Meranti menggunakan metode Exponential
Smoothing Brown.
1.5 Manfaat Penelitian
1. Diperolehnya forecasting yang dapat memprediksi produksi kelapa sawit.
2. Mengetahui kemampuan metode Exponential Smoothing Brown dalam memprediksi
produksi kelapa sawit.
3. Penelitian dapat dijadikan sebagai bahan rujukan untuk penelitian lain

1.6 Metode Penelitian

INPUT

Data historis produksi Kelapa

sawit
SAS Programming
Software

Penginputan data ke
sistem

Membuat plot data

Proses Exponential
Smoothing
Hasil Peramalan dengan
MAPE dan MAD terkecil

PROSES

Tidak

Ya

Nilai hasil

Web Service
Web Server
-

PHP
Javascript
OUTPUT

Laporan Visual
Realisasi
produksi

End User PC

Gambar 1. Arsitektur Umum

Berikut ini adalah penjelasan tahapan-tahapan yang dilakukan pada penelitian ini.
1. Adapun input dari proses ini adalah data historis produksi kelapa sawit. Data historis
tersebut berupa data produksi yang diambil dari 3 tahun terakhir yaitu tahun 2012
sampai dengan tahun 2014 di Perkebunan Kelapa Sawit PTPN III Sei Meranti.
Informasi yang dibutuhkan mengenai produksi meliputi data produksi dan data
sasaran mutu. Data-data inilah yang kemudian akan diproses untuk mendapatkan pola
produksi.
3

2. Pemrosesan
a) Penginputan data ke sistem
Pada tahap ini, data-data mengenai produksi dan sasaran mutu diinputkan oleh
user ke dalam sistem agar tersimpan ke database.

b) Membuat plot data

Langkah selanjutnya adalah membuat plot data, kemudian mengidentifikasi plot
data deret waktu. Sebelum melakukan pemodelan, dilakukan inisialisasi nilai
awal. Yaitu inisialisasi nilai alpha () dan gamma (). untuk mendapatkan nilai
ramalan dengan menggunakan metode exponential smoothing brown, diperlukan
nilai alpha () dan gamma (). Pada penelitian ini, peneliti menggunakan metode
trial and error untuk menghasilkan nilai alpha () dan gamma ().
c) Proses Exponential Smoothing
Kemudian melakukan pemodelan dengan dua metode smoothing, yaitu Metode Single
Exponential Smoothing dan Metode Double Exponential Smoothing Brown. Setelah itu
menentukan nilai konstanta smoothing yang optimum untuk masing-masing metode.
Selanjutnya melakukan peramalan dengan dua metode smoothing tersebut.

d) Hasil peramalan dengan MAPE dan MAD

Langkah selanjutnya adalah membandingkan ukuran ketepatan metode smoothing
(MAPE dan MAD) dari kedua metode smoothing tersebut. Metode smoothing yang lebih
baik dalam meramalkan realisasi produksi kelapa sawit di PT.Perkebunan Nusantara III
Sei Meranti adalah yang memiliki nilai MAPE dan MAD yang lebih minimum.

e) Nilai hasil peramalan

Setelah membandingkan ukuran ketepatan metode smoothing, maka akan didapatkan
nilai hasil peramalan. Yang nantinya akan ditampilkan kepada pengguna dalam

bentuk web dashboard.

f) Web Service
Data forecasting tersebut akan berkomunikasi dengan pengguna dengan format
data JSON melalui HTTP. Dengan kata lain data akan dikirimkan ke web server
melalui web service menggunakan JavaScript Object Notation (JSON).
a. Web Server
Kemudian pesan-pesan berupa data hasil forecasting tersebut akan dikirimkan
oleh web server kepada pengguna dalam bentuk web dashboard. Dimana web
dashboard tersebut dibangun dengan bahasa pemrograman PHP dan javascript.
4

3. Output yang didapat dari proses ini adalah laporan visual forecasting realisasi
produksi hasil pengolahan PTPN III Sei Meranti. Laporan visual ini tersaji dalam
bentuk web dashboard report. Sehingga memudahkan user dalam penggunaannya.
1.7 Tinjauan Pustaka
1.7.1 Forecasting
Forecasting atau peramalan merupakan upaya memperkirakan apa yang akan terjadi
pada masa yang akan datang berdasarkan pada data masa lalu, berbasis pada metode
ilmiah dan kualitatif yang dilakukan secara sistematis.
Peramalan merupakan suatu proses pendugaan terhadap kejadian yang akan
terjadi pada masa depan. Peramalan dapat juga diartikan sebagai proses yang
dilakukan ketika ada kesenjangan waktu (lag) dari data aktual pada waktu tertentu
dengan data yang ingin diketahui pada waktu yang akan datang. Peramalan diperlukan
untuk mengetahui kapan atau bagaimana suatu peristiwa akan terjadi sehingga
tindakan yang tepat dapat dilakukan (Makridakis et al., 1999).
Tujuan dari peramalan adalah untuk mengurangi resiko dari pengambilan
keputusan. Peramalan biasanya salah, namun besar dari kesalahan peramalan
(forecast error) tergantung dari metode peramalan yang digunakan. Metode
peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah
laku atau pola dari data masa lalu, sehingga dapat memberikan cara pemikiran,
pengerjaan, dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat
keyakinan yang lebih besar atas ketepatan hasil peramalan yang dibuat.

1.7.2

Metode Forecasting

Metode peramalan dapat berdasarkan pengalaman, penilaian, opini dari ahli atau
model matematika yang menggambarkan pola data historis. Berdasarkan sifatnya, ada
dua metode atau teknik peramalan yang dapat digunakan, yaitu teknik peramalan
kualitatif dan kuantitatif (Markdakis, 1999).
a) Teknik Peramalan Kualitatif
Teknik peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif
pada masa lalu. Teknik peramalan ini lebih menitik beratkan pada pendapat
(judgment) dan intuisi manusia dalam proses peramalan, sehingga data historis
yang ada menjadi tidak begitu penting. Qualitative forecasting techniques relied
on human judgments and intuition more than manipulation of past historical

data, atau metode yang hanya didasarkan kepada penilaian dan intuisi, bukan
kepada pengolahan data historis.
Teknik peramalan kualitatif membutuhkan input yang tergantung pada metode
tertentu dan biasanya merupakan hasil dari pemikiran intuisi, pertimbangan dan
pengetahuan yang didapat. Pendekatan dengan metode ini seringkali memerlukan
input dari sejumlah orang yang telah terlatih secara khusus (Markdakis, 1999).
b) Teknik Peramalan Kuantitatif
Teknik peramalan kuantitatif memiliki sifat yang objektif berdasarkan pada
keadaan aktual yang diolah dengan menggunakan metode-metode tertentu
(Markdakis, 1999). Penggunaan suatu metode juga harus didasarkan pada
fenomena manajemen atau bisnis apa yang akan diramalkan dan tujuan yang ingin
dicapai melalui peramalan.
Peramalan dengan teknik kuantitatif ini dapat diterapkan bila terdapat tiga
kondisi berikut:
a) Tersedia informasi masa lalu
b) Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik
c) Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa
yang akan datang.
Pada dua asumsi pertama merupakan syarat keharusan bagi penerapan metode
peramalan kuantitatif. Sedangkan asumsi ketiga rupakan syarat kecukupan, artinya
walaupun asumsi ketiga dilanggar, odel yang dirumuskan masih dapat digunakan.
Hal tersebut dapat diketahui dari kesalahan peramalan yang relatif besar bila
perubahan pola data maupun bentuk hubungan fungsional tersebut terjadi secara
sistematis.
Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang
dimiliki. Teknik kuantitatif ini biasanya dikelompokkan menjadi dua, yaitu teknik
statistik dan teknik deterministik.
a) Teknik statistik menitikberatkan pada pola, perubahan pola, dan faktor
gangguan yang disebabkan pengaruh random. Termasuk dalam teknik ini
adalah teknik smoothing, dekomposisi, dan teknik Box-Jenkins.
b) Teknik deterministik mencakup identifikasi dan penentuan hubungan antara
variabel yang akan diperkirakan dengan variabel-variabel lain yang akan
mempengaruhinya. Termasuk dalam teknik ini adalah regresi sederhana,
regresi berganda, autoregresi, dan model input output.
Pendekatan teknik peramalan kuantitatif terdiri atas tiga pendekatan
(Markdakis, 1999), yaitu:
1) Analisis Deret Waktu
6

Metode peramalan ini menggunakan deret waktu (time series) sebagai dasar
peramalan. Diperlukan data aktual atau data historis yang akan diramalkan
untuk mengetahui pola data yang diperlukan untuk menentukan metode
peramalan yang sesuai. Beberapa contoh metode dengan pendekatan analisis
deret waktu (time series) adalah Moving Average, ARIMA (Autoregressive
Integrated Moving Average) atau Box-Jenkins, Kalman Filter, Motede
Bayesian Smoothing Eksponensial, Regression dan sebagainya.
2) Analisa Kausal
Metode ini menggunakan pendekatan sebab-akibat, dan bertujuan untuk
meramalkan keadaan di masa yang akan datang dengan menemukan dan
mengukur beberapa variabel bebas (independent variable) yang penting
beserta pengaruhnya terhadap variabel tidak bebas (dependent variable) yang
akan diramalkan. Pada metode kausal terdapat dua metode yang sering
digunakan:
a) Metode regresi dan korelasi
Metode ini memakai teknik kuadrat terkecil (least square) dan variabel
dalam formulasi matematisnya. Metode ini sering digunakan untuk prediksi
jangka pendek.
b) Metode input output
Metode ini biasa digunakan untuk perencanaan ekonomi nasional
jangka panjang.
a) Analisis Ekonometri
Metode ekonometri berdasarkan pada persamaan regresi yang didekati
secara simultan. Metode ini sering digunakan untuk perencanaan ekonomi
nasional dalam jangka pendek maupun jangka panjang.
1.7.3

Metode Exponential Smoothing

Metode Exponential Smoothing

merupakan

suatu

metode

yang

menunjukkan pembobotan menurun secara eksponensial terhadap nilai data observasi

masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir
nilai pada beberapa tahun ke depan.
Dalam exponential smoothing, terdapat satu atau lebih parameter
pemulusan yang digunakan yaitu terdiri atas tunggal, ganda, dan tiga parameter dari
Winter. Pemberian bobot pada setiap data merupakan berbeda dan menurun secara
eksponensial terhadap pengamatan yang lebih tua (Makridakis, 1999). Metode
exponential smoothing terdiri dari :
a. Single Exponential Smoothing
7

Metode ini digunakan untuk peramalan data time series jangka

pendek tanpa trend atau pola data yang mempunyai ciri stasioner. Model ini
menggunakan persentase tertentu dari kesalahan pada ramalan terakhir untuk
menghasilkan ramalan sekarang. Persamaan untuk metode pemulusan
eksponensial tunggal adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):

Yt 1 Yt (1 )Yt

(1)

Dimana:

Yt 1

= nilai ramalan untuk periode berikutnya

= konstanta pemulusan

Yt

= data baru atau nilai Y yang sebenarnya pada periode t

Yt

= nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t-1
b. Metode Double Exponential Smoothing model Brown
Metode pemulusan eksponensial ganda menggunakan nilai trend

dengan nilai konstanta yang berbeda dari konstanta yang digunakan pada pola
data. Persamaan untuk model pemulusan eksponensial ganda untuk model
Brown adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):
At Yt (1 ) At 1
A't At (1 ) A't 1
at 2 At A't
bt

( At A't )
1

(2)
(3)
(4)
(5)

Persamaan yang digunakan untuk membuat peramalan pada

periode p yang akan datang adalah:
Yt p at bt p

(6)

Dimana:
At

= nilai pemulusan eksponensial

At

= nilai pemulusan eksponensial ganda

= konstanta pemulusan

a
t

= perbedaan antara nilai-nilai pemulusan eksponensial

8

bt

= faktor penyesuai tambahan = pengukuran slope suatu kurva

Yt

= nilai aktual pada periode t

= jumlah periode ke depan yang akan diramalkan

c. Metode Double Exponential Smoothing model Holts
Digunakan dalam peramalan data runtut waktu yang mengikuti suatu

trend linier.
Bentuk umum yang digunakan untuk menghitung ramalan adalah:
At Yt (1 )( At 1 Tt 1 )
(7)
Tt ( At At 1 ) (1 )Tt 1
(8)
Persamaan yang digunakan untuk membuat peramalan pada periode p
yang akan datang adalah:

Yt p At Tt p

(9)

Dimana:
At

= nilai pemulusan eksponensial

= konstanta pemulusan untuk data (0 < < 1)

= konstanta pemulusan untuk estimasi trend (0 < < 1)

Yt

= nilai aktual pada periode t

Tt

= estimasi trend

= jumlah periode ke depan yang akan diramalkan

d. Metode Double exponential smoothing model winter
Metode ini digunakan untuk peramalan yang mempunyai pola data

trend linier dan musiman.Metode ini memiliki kelebihan yaitu mudah dan cepat
dalam mengupdate ramalan ketika data baru diperoleh. Metode Winters terdiri
atas model multiplikatif (fluktuasi proporsional terhadap pola data trend) dari
aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter
yangdigunakan yaitu , dan (Gaynor, 1994). Rumusan matematikanya
sebagai berikut :
At
1. Pemulusan eksponensial
2. Estimasi trend

3. Estimasi musiman

Yt
(1 )( At 1 Tt 1 )
StL

Tt ( At At 1 ) (1 )Tt 1

Y
S t t (1 ) S t L
At

(10)
(11)

(12)
9

4. Persamaan yang digunakan untuk membuat peramalan pada periode p yang

akan datang adalah:

Yt p ( At Tt p) S t L p

(13)

Dimana:

1.7.4

At

= nilai pemulusan eksponensial

= konstanta pemulusan untuk data (0 < < 1)

= konstanta pemulusan untuk estimasi trend (0 < < 1)

= konstanta pemulusan untuk estimasi musiman (0 < < 1)

Yt

= nilai aktual pada periode t

Tt

= estimasi trend

St

= estimasi musiman

= panjangnya musim

= jumlah periode ke depan yang akan diramalkan

Metode yang digunakan

Untuk mendapatkan hasil yang baik, harus diketahui cara peramalan yang

tepat. Data produksi kelapa sawit jika di masukkan ke dalam grafis menunjukkan pola
data trend linier yang dapat juga dilihat dari plot autokorelasi nilai-nilai autokorelasi
yang menunjukkan pola data trend linier.
Oleh karena itu metode peramalan analisis time series yang digunakan untuk
meramalkan nilai produksi kelapa sawit pada penelitian ini adalah dengan
menggunakan Metode Single Exponential Smoothing dan Exponential Smoothing
Brown. Dimana dari kedua metode tersebut akan dicari metode yang paling tepat
dalam meramalkan nilai produksi kelapa sawit.
1.7.5

Keakuratan Peramalan
Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan,

yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu
kumpulan data time series yang diberikan. Ketepatan dipandang sebagai kriteria
penolakan untuk memilih suatu metode peramalan. Dalam permodelan time series
dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan
datang dan ketepatan peramalan digunakan untuk menguji kebenaran peramalan
tersebut. Metode peramalan yang dipilih adalah metode peramalan yang memberikan
tingkat kesalahan terkecil.

10

Kriteria ketepatan (keakuratan) peramalan dapat diukur oleh beberapa

indikator kesalahan peramalan (Wheelwright, 1999), sebagai berikut :
a. Percentage Error (PE)
Percentage Error (PE) adalah presentase kesalahan dari nilai yang sebenarnya
dengan hasil perhitungan nilai peramalan.
Nilai PE didapat dari persamaan :
( yt t )
PE=
100
yt

(14)

b. Rata-rata kesalahan ( Average / Mean Error )

Mean Error (ME) merupakan teknik sederhana dalam menggambarkan tingkat
kesalahan dari suatu proses. Kesalahan atau error menunjukkan besarnya selisih
antara nilai sebenarnya dengan nilai yang diramalkan.
Dengan persamaan tersebut maka nilai kesalahan dapat bernilai positif
ataupun negatif. Bernilai negatif apabila nilai peramalan melebihi dari nilai
sebenarnya dan bernilai positif apabila nilai peramalan lebih kecil dari nilai yang
sebenarnya.
Nilai ME didapat dari persamaan :
AE=

(15)

c. Mean Square Error (MSE)

Mean Square Error (MSE) menggunakan nilai kuadrat untuk setiap selisih
perhitungan yang terjadi. Perbedaannya dengan Mean Absolute Deviation (MAD)
adalah MSE menilai kesalahan untuk penyimpangan yang lebih ekstrem daripada
MAD.
Nilai MSE didapat dari persamaan :
n

( y t t )2
t =1

n
MAD=

(16)

d. Mean Absolute Deviation (MAD)

Mean Absolute Deviation ini digunakan untuk mengantisipasi adanya nilai
positif dan negatif yang akan saling melemahkan atau menambah perhitungan
kesalahan pada penjumlahan, maka error yang digunakan adalah nilai absolute
(mutlak) untuk setiap selisih kesalahan.
Nilai MAD didapat dari persamaan :
n

( y t t )
t =1

n
MAD=

(17)

11

e. Mean Percentage Error (MPE)

Mean Percentage Error (MPE) merupakan rata-rata dari persentase kesalahan
(selisih nilai sebenarnya dengan nilai hasil peramalan) dari keseluruhan observasi.
Nilai MPE didapat dari persamaan :
n
Yt Yt
x100

Yt
t 1
(18)
MPE
n

f. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) juga merupakan nilai rata-rata dari
persentase kesalahan, tetapi memberikan nilai absolute (mutlak) pada selisih nilai
sebenarnya dengan nilai hasil peramalan. MAPE merupakan nilai indikator yang
biasa digunakan untuk menunjukkan performance atau keakuratan pada hasil
proses peramalan.
Nilai MAPE didapat dari persamaan :
n
| Yt Yt |
x100

Yt
t 1
MAPE
n

(19)

Dengan: : Yt = nilai aktual pada periode t

t = nilai hasil peramalan pada periode t
n = jumlah peramalan
| PE | = nilai absolute PE
Pada penelitian ini menggunakan MAPE karena pada data (tingkat produksi
kelapa sawit) ukuran variabel peramalan merupakan faktor penting dalam
mengevaluasi akurasi peramalan. MAPE mengenal secara pasti signifikansi
hubungan diantara data ramalan dengan data aktual melalui persentase dari data
aktual serta indikator positif atau negatif pada galat (error) diabaikan. MAPE
memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan
nilai sebenarnya dari series tersebut.
1.6 Penelitian Terdahulu
Penelitian tentang peramalan dengan metode Exponential Smoothing sudah pernah
dilakukan oleh para peneliti. Penelitian tersebut di antaranya dilakukan oleh (Novita,
2005), (Sidik, 2010), (Jalil, 2013), dan (Suwanvijit, 2011). Penelitian terdahulu yang
dilakukan oleh (Novita, 2005), yaitu analisis penjualan sepeda motor Korea di PT. Maju
Bersama Surya Indah Motor Cabang Surabaya, gambaran umum tiap bulan dilihat dari
statistik deskriptif. Pemodelan arima dan exponensial smoothing digunakan untuk
mendapatkan model terbaik. Model terbaik dipilih berdasarkan MSE yang paling kecil.
12

Berdasarkan MSE kedua model, didapat model terbaik yaitu metode smoothing untuk
meramalkan penjualan periode ke depan.
(Sidik, 2010) meramalkan produksi tanaman pangan, tanaman perkebunan rakyat
kabupaten Magelang dengan metode ES berbantu Minitab. Berdasarkan hasil penelitian,
nilai

Mean Absolute Percentage Error (MAPE) pada metode Double Exponential

Smoothing lebih kecil dibandingkan dengan menggunakan metode Single Exponential

Smoothing, sehingga metode Double Exponential Smoothing lebih baik digunakan untuk
meramalkan produksi tanaman pangan dan tanaman perkebunan rakyat di kabupaten
Magelang.
Sementara itu (Jalil, 2013) meramalkan permintaan kebutuhan akan listrik di
Malaysia dengan menggunakan metode Exponential Smoothing. Metode Exponential
Smoothing yang digunakan adalah Holt-Winters Taylor, Holt Winters, dan Holt-Winters
yang telah dimodifikasi. Untuk membandingkan metode-metode tersebut, Jalil
menggunakan Mean Absolute Percentage Error (MAPE) sebagai tingkat keakuratannya.
Penelitian oleh (Suwanvijit, 2011) meramalkan penjualan jangka panjang terhadap
minuman bersoda di 14 propinsi di Thailand Selatan. Suwanvijit menggunakan metode
Lee-Carter dan Holt-Winters Exponential Smoothing untuk meramalkannya. Model yang
dihasilkan dapat memprediksi dengan sangat akurat untuk 24 bulan ke depan
dibandingkan dengan menggunakan metode peramalan secara terpisah yang digunakan
sebelumnya.
Perbandingan antara penelitian ini dengan penelitian terdahulu yaitu pada penelitian
terdahulu metode peramalan digunakan untuk menghitung jumlah permintaan
berdasarkan ramalan. Sedangkan pada penelitian ini metode peramalan digunakan untuk
mencari metode yang tepat bagi perusahaan untuk menghitung realisasi produksi.

Tabel 1. Penelitian Terdahulu

N
o
1

Peneliti

Judul

Tahun

Novita, Diana.

Analisis penjualan sepeda motor korea di PT.Maju

Bersama Surya Indah Motor dengan menggunakan
metode
exponential
smoothing
dengan
menggunakan 3 variabel yaitu sepeda motor super
x, shadow r, dan morin

2005

Sidik, N.

Forecasting Volume Produksi Tanaman Pangan,

Tanaman Perkebunan Rakyat Kab.Magelang

2010
13

Dengan Menggunakan Metode

Smoothing Berbantu Minitab
3

Suwanvijit, W.,
Lumley, L.,
Choonpradub,
C., McNeil, N.
Jalil, N. A. A.,
Ahmad, H., M.,
Mohamed, N

Exponential
2011

Long Term Sales Forecasting Using Lee-Carter

And Holt-Winter Methods
Electricity Load Demand Forecasting Using
Exponential Smoothing Methods

2013

14

Daftar Pustaka
Batubara, E.A. 2015. Implementasi algoritma learning vector quantization pada prediksi
produksi kelapa sawit di PT. Perkebunan Nusantara I Pulau Tiga. Skripsi.
Universitas Sumatera Utara.
Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and
Forecasting ini Business and Economic. Singapura : Mc. Graw Hill.
Hanke, J. E dan Wichern, D. W. 2005. Business Forecasting, 8th Edition. New Jersey:
Prentice Hall.
Jalil, N. A. A., Ahmad, H., M., Mohamed, N. 2013. Electricity Load Demand Forecasting
Using Exponential Smoothing Methods. World Applied Sciences Journal 22
(11):ISSN 1818-4952.
Makridakis, S., Wheelwright, S.C. & McGee, V.E. 1999. Metode dan Aplikasi Peramalan.
Erlangga : Jakarta.
Novita, Diana. 2005. Analisis penjualan sepeda motor korea di PT.Maju Bersama Surya
Indah Motor dengan menggunakan metode exponential smoothing dengan
menggunakan 3 variabel yaitu sepeda motor super x, shadow r, dan morin, Tugas
Akhir, Statistika FMIPA ITS. Surabaya.
Saputra, A.H. 2012. Analisis data runtun waktu dengan metode adaptive neuro-fuzzy
inference system (ANFIS). Skripsi. Universitas Diponegoro.
Sidik, N. 2010. Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat
Kab.Magelang Dengan Menggunakan Metode Exponential Smoothing Berbantu
Minitab. Skripsi. FMIPA Universitas Negeri Semarang.
Suwanvijit, W., Lumley, L., Choonpradub, C., McNeil, N. 2011. Long Term Sales
Forecasting Using Lee-Carter And Holt-Winter Methods. Journal of Applied
Business Research Vol.27 No.1.

15