JURNAL SISTEM DAN INFORMATIKA 97

Peramalan Permintaan Produk Perak Menggunakan Metode

Simple Moving Average Dan Exponential Smoothing

Ni Luh Ayu Kartika Yuniastari, IGP Wirarama Wedashwara Wirawan

STIKOM Bali
Jln. Raya Puputan no.86 Renon Denpasar
e-mail: yuni@stikom-bali.ac.id, wirarama@gmail.com

Abstrak
Salah satu peramalan yang penting dilakukan dalam perusahaan yaitu permintaan produk dari
konsumen. Dengan mengetahui peramalan permintaan produk, maka dapat membantu perusahaan dalam
menentukan jumlah produk yang seharusnya diproduksi. Karya Kita Silver adalah usaha yang bergerak
dalam bidang perak. Karya Kita silver melakukan produksi produk berdasarkan permintaan dari
konsumen. Karya Kita Silver sering mengalami masalah produksi dikarenakan banyaknya jumlah
permintaan produk dari konsumen. Peramalan manual yang dilakukan sering tidak akurat sehingga
jumlah produksi produk perak tidak sesuai, terkadang melebihi ataupun terkadang melebihi jumlah
permintaan konsumen. Pada penelitian ini peramalan permintaan akan dilakukan pada Karya Kita Silver
dengan menerapkan metode peramalan moving average dan exponential smoothing. Penggunaan kedua
metode peramalan tersebut untuk membandingkan metode peramalan yang lebih akurat dan mendekati
nilai aktual. Metode penelitian yang digunakan dimulai dari pengumpulan data historis, penentuan
metode peramalan, perhitungan peramalan, pemilihan peramalan dan pengambilan kesimpulan.
Berdasarkan hasil pengujian, bahwa metode yang paling sesuai digunakan dalam menganalisis data
dengan memiliki tingkat kesalahan yang paling kecil adalah metode Exponential Smoothing α : 0,1.
Sesuai dengan hasil peramalan untuk tahun 2014 menggunakan moving average nilai pemintaan perak
sebesar 1330 buah. Sedangkan untuk tahun 2014 dengan menggunakan exponential smoothing dengan
nilai α : 0,1, α : 0,5 dan α : 0,9 peramalannya masing-masing sebesar 1234, 1330 dan 1426.

Kata kunci: peramalan permintaan, moving average, exponential smoothing

Abstract
One forecasting is done in the company that is the product of consumer demand. By knowing the
product demand forecasting, it can assist the company in determining the amount of product that should
be produced. Karya Kita Silver is the silver business. Karya Kita Silver do the production of products
based on the demand of the consumers. Karya Kita Silver often experienced production problems due to
the large number of consumer product demand. Forecasting is done manually which is often not accurate
that number does not match the production of silver products, sometimes exceeding or sometimes exceed
the number of consumer demand. In this research will be conducted on the demand forecasting Karya
Kita Silver by applying forecasting methodsthat is moving average and exponential smoothing. The use of
the forecasting method to compare the forecasting method is more accurate and closer to the actual
value. The method used starting from the collection of historical data, determination of forecasting
methods, calculate forecasting, choosing forecasting and conclusion. Based on test results, that the most
appropriate method is used to analyze the data by having the smallest error rate is exponential smoothing
method α: 0.1. In accordance with the results of forecasting for 2014 using the moving average, the value
of silver demand is 1330 pieces. While using exponential smoothing with α values: 0.1, α: 0.5 and α: 0.9
value forecasting demand for silver respectively in 1234, 1330 and 1426.

Keywords: forecasting demand, moving average, exponential smoothing

1. Pendahuluan
Berbagai permasalahan perekonomian dewasa ini menyebabkan perusahaan harus mampu
melakukan pengelolaan keuangan. Bagi perusahaan yang bergerak dalam bidang produksi sangat penting
melakukan pengelolaan keuangan agar perusahaan tidak mengalami kerugian. Untuk mengatasi hal
tersebut perusahaan perlu membuat perencanaan yang optimal baik perencanaan produki maupun

 L-2
 98

permintaan. Perencanaan permintaan secara umum lebih dikenal dengan peramalan. Peramalan
merupakan perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk menentukan
sesuatu dimasa yang akan datang [1]. Peramalan yang penting dilakukan dalam perusahaan yaitu
permintaan produk dari konsumen. Dengan mengetahui peramalan permintaan produk, maka dapat
membantu perusahaan dalam menentukan jumlah produk yang seharusnya diproduksi.
Peramalan permintaan dapat dilakukan pada berbagai usaha. Karya Kita Silver adalah usaha
yang bergerak dalam bidang produksi perak. Karya Kita silver melakukan produksi produk berdasarkan
permintaan dari konsumen. Karya Kita Silver sering mengalami masalah produksi dikarenakan
banyaknya jumlah permintaan produk dari konsumen. Peramalan manual yang dilakukan sering tidak
akurat sehingga jumlah produksi produk perak tidak sesuai, terkadang melebihi ataupun terkadang
melebihi jumlah permintaan konsumen. Dalam peramalan memerlukan penerapan metode-metode.
Berbagai metode yang digunakan dalam peramalan bertujuan agar meminimalkan kesalahan dan agar
hasil peramalan mendekati kondisi aktual. Pada penelitian ini peramalan permintaan akan dilakukan pada
Karya Kita Silver dengan menerapkan metode peramalan.
Metode peramalan yang digunakan disesuaikan dengan kebutuhan dan jenis peramalan yang
akan dilakukan. Berdasarkan pada permasalahan yang telah dijelaskan sebelumnya, maka pada peneltian
ini peramalan permintaan produk perak dalam Karya Kita Silver dilakukan dengan menggunakan metode
moving average dan exponential smoothing. Moving average adalah metode peramalan yang
menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk
permintaan dimasa yang akan datang. Sedangkan exponential smoothing adalah metode yang mengulang
perhitungan secara terus menerus menggunakan data terbaru. Beberapa penelitian telah menggunakan
exponential smoothing untuk meramalkan permintaan seperti penelitian yang dilakukan oleh [2]. Metode
exponential smoothing dan moving average cocok digunakan untuk data jangka panjang [2]. Oleh karena
itu pada penelitian ini menggunakan kedua metode tersebut. Penggunaan kedua metode peramalan
tersebut untuk membandingkan metode peramalan yang lebih akurat dan mendekati nilai aktual. Dengan
adanya peramalan, Karya Kita Silver dapat memperkirakan jumlah produk perak yang akan diproduksi
untuk periode selanjutnya sehingga perusahaan tidak akan mengalami kerugian.

2. Tinjauan Pustaka
2.1 Peramalan (forecasting)
Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel
untuk mengestimasi nilainya di masa yang akan datang [3]. Peramalan merupakan gambaran tentang
keadaan perusahaan pada masa yang akan datang dan gambaran ini sangat penting peranannya bagi
perusahaan. Karena dengan gambaran tersebut maka perusahaan dapat memprediksi langkah-langkah apa
saja yang dapat diambil untuk memenuhi permintaan konsumen.
Berikut pengertian peramalan menurut pendapat dari beberapa ahli:
1. Peramalan
Adalah suatu cara untuk mengukur atau menaksir kondisi bisnis di masa mendatang mendatang
[4].
2. Peramalan
Adalah proses untuk memperkirakan berapa kebutuhan dimasa datang yang meliputi kebutuhan
dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang ataupun jasa [5].
3. Peramalan
Adalah perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk
menentukan sesuatu di masa yang akan dating [1].
4. Peramalan
Peramalan sebagai “Seni dan ilmu untuk memperkirakan kejadian dimasa depan” [6].
5. Peramalan
Merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa
variabel peramal, sering berdasarkan data deret waktu historis [7].

Dari kelima pengertian yang dipaparkan diatas dapat diambil kesimpulan bahwa pengertian
peramalan merupakan suatu seni dari ilmu memprediksi sesuatu yang belum terjadi dengan tujuan untuk
memperkirakan peristiwa-peristiwa yang akan terjadi dimasa depan nantinya dengan selalu memerlukan
data-data dari masa lalu. Sehingga dengan peramalan, maka kemungkinan terjadinya peristiwa-peristiwa
yang tidak sesuai dengan tujuan yang diharapkan diikuti dengan kesiapan untuk mengantisipasinya.

JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014  L-2

  99

Peramalan biasanya dilakukan untuk mengurangi ketidakpastian terhadap sesuatu yang akan
terjadi di masa yang akan datang. Suatu usaha untuk mengurangi ketidakpastian tersebut dilakukan
dengan menggunakan metode peramalan. Menurut [8], metode peramalan dibagi ke dalam dua kategori
utama, yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif dilakukan apabila data masa lalu
tidak sehingga peramalan tidak bisa dilakukan. Dalam metode kualitatif, pendapat–pendapat dari para
ahli akan menjadi pertimbangan dalam pengambilan keputusan sebagai hasil dari peramalan yang telah
dilakukan. Namun, apabila data masa lalu tersedia, peramalan dengan metode kuantitatif akan lebih
efektif digunakan dibandingkan dengan metode kualitatif.

2.2 Metode Kuantitatif

Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis
untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong
metode kuantitatif, yaitu [9]:
a. Model Regresi Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel yang
memiliki hubungan secra linier dengan variabel bebas yang diketahui atau diandalkan.
b. Model Ekonometrik Menggunakan serangkaian persamaan regresi dimana terdapat variabel-variabel
tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya.
c. Model Time Series Analysis (Deret Waktu) Memasang suatu garis trend yang representatif
dengan data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data
tersebut ke masa yang akan datang.

2.3 Time Series Analysis

Data time series adalah data deret waktu yaitu sekumpulan data pada satu periode waktu tertentu.
Peramalan time series adalah peramalan berdasarkan perilaku data masa lampau untuk diproyeksikan
ke masa depan dengan memanfaatkan persamaan matematika dan statistika. Tipe data time series
menurut terbagi atas beberapa jenis, antara lain [10]:
1. Siklus Pola siklus adalah suatu seri perubahan naik atau turun, sehingga pola siklus ini berubah
dan bervariasi dari satu siklus ke siklus berikutnya. Pola siklus dan pola tak beraturan didapatkan
dengan menghilangkan pola kecenderungan dan pola musiman jika data yang digunakan
berbentuk mingguan, bulanan, atau kuartalan. Jika data yang digunakan adalah data tahunan
maka yang harus dihilangkan adalah pola kecenderungan saja .
2. Random Pola yang acak yang tidak teratur, sehingga tidak dapat digambarkan. Pola acak ini
disebabkan oleh peristiwa yang tak terduga seperti perang, bencana alam, kerusuhan, dan lain-
lain. Karena bentuknya tak beraturan atau tidak selalu terjadi dan tidak bisa diramalkan maka
pola variasi acak ini dalam analisanya diwakili dengan indeks 100% atau sama dengan 1.
3. Trend atau kecenderungan adalah komponen jangka panjang mempunyai kecenderungan
tertentu dalam pola data, baik yang arahnya meningkat ataupun menurun dari waktu ke waktu,
sehingga pola kecenderungan dalam jangka panjang jarang sekali menunjukkan suatu pola
yang konstan. Teknik yang sering digunakan untuk mendapatkan trend suatu data deret
waktu adalah rata-rata bergerak linier, pemulusan eksponensial, model Gompertz, dimana
teknik-teknik tersebut hanya menggunakan data masa lalu untuk mendapatkan pola
kecenderungannya dan tidak memperhitungkan faktor-faktor lain yang mempengaruhi
permintaan produk.
4. Musiman Pola musiman menunjukkan suatu gerakan yang berulang dari satu periode ke periode
berikutnya secara teratur. Pola musiman ini dapat ditunjukkan oleh data- data yang
dikelompokkan secara mingguan, bulanan, atau kuartalan, tetapi untuk data yang berbentuk data
tahunan tidak terdapat pola musimannya. Pola musiman ini harus dihitung setiap minggu, bulan,
atau kuartalan tergantung pada data yang digunakan untuk setiap tahunnya, dan pola musiman
ini dinyatakan dalam bentuk angka. Teknik yang digunakan untuk menentukan nilai pola
musiman adalah metode rata-rata bergerak, pemulusan eksponensial dari Winter,
dekomposisi klasik.

Teknik peramalan time series terdiri atas:

a. Statistik
 Moving average
 Exponential smoothing
 Regresi
b. ARIMA (Box Jenkins)
 L-2 Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average
Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
 100

 Kecerdasan Buatan
 Simulated Annealing
 Genetic Programming
Moving average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan
menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis
(masa lampau) permintaan.

2.3.1 Metode Rata-Rata Bergerak Tunggal (Single Moving average)

Metode rata-rata bergerak tunggal menggunakan sejumlah data actual permintaan yang baru
untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif
diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil
sepanjang waktu [7]. Metode ini mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan
data historis dalam jangka waktu tertentu, semakin panjang moving average akan menghasilkan moving
averages yang semakin halus, secara sistematis moving average adalah :

Dimana :
St + 1 = Forecast untuk period ke t+1.
Xt = Data pada periode t.
n = Jangka waktu Moving averages.
nilai n merupakan banyaknya periode dalam rata-rata bergerak [7].

2.3.2 Metode Exponential smoothing

Metode exponential smoothing adalah suatu prosedur yang mengulang perhitungan secara terus
menerus yang menggunakan data terbaru. Setiap data diberi bobot, dimana bobot yang digunakan
disimbolkan dengan α. Simbol α bisa ditentukan secara bebas, yang mengurangi forecast error. Nilai
konstanta pemulusan, α, dapat dipilih diantara nilai 0 dan, karena berlaku: 0 < α < 1 [7]. Secara
metematis, persamaan penulisan eksponential sebagai berikut [11]:
St + 1 = αXt + (1 – α)St
Dimana:
St + 1 = Nilai ramalan untuk periode berikutnya.
α = Konstanta penulisan (0-1).
Xt = Data pada periode t.
St = Nilai penulisan yang lama atau rata-rata yang dimuluskan hingga periode t-1.
Nilai α yang menghasilkan tingkat kesalahannya yang paling kecil adalah yang dipilih dalam peramalan
[10].
Metode ini lebih cocok digunakan untuk meramal hal-hal yang fluktuasinya secara random atau tidak
teratur [11]. Menurut [6] permasalahan umum yang dihadapi dalam metode ini adalah bagaimana
memilih α yang tepat untuk meminimkan kesalahan peramalan. Karena berlaku 0<α<1 maka dapat
menggunakan panduan barikut :
a. Apabila pola historis dari data aktual sangat bergejolak atau tidak stabil dari waktu ke waktu maka
pilih nilai α yang mendekati satu.
b. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relative stabil maka pilih α
yang mendekati nol
2.3.3 Pengukuran Akurasi Hasil Peramalan
Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran
tentang tingkat perbedaan antara hasil permintaan dengan permintaan yang sebenarnya terjadi. Beberapa
metode telah digunakan untuk menunjukkan kesalahan yang disebabkan oleh suatu teknik peramalan
tertentu. Hampir semua ukuran tersebut menggunakan pengrata-rataan beberapa fungsi dari perbedaan
antara nilai sebenarnya dengan nilai peramalannya. Perbedaan nilai sebenarnya dengan nilai peramalan
ini biasanya disebut sebagai residual [10]. Persamaan menghitung nilai error asli atau residual dari setiap
periode peramalan adalah sebagai berikut [11]:
et = Xt – St
Dimana:
et = Kesalahan peramalan pada periode t.
Xt = Data pada periode t.
St = Nilai peramalan pada periode t.

JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014  L-2

 101

Salah satu cara mengevaluasi teknik peramalan adalah menggunakan ukuran tentang tingkat perbedaan
antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada empat ukuran yang biasa
digunakan, yaitu :
a. Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD)
MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan
apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara
metematis, MAD dirumuskan sebagai berikut [5]:

Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
b. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE).
MSE merupakan metode alternatif dalam suatu metode peramalan. Pendekatan ini penting
karena tekhnik ini menghasilkan kesalahan yang moderat lebih di sukai oleh suatu peramalan
yang menghasilkan kesalahan yang sangat besar. MSE dihitung dengan menjumlahkan kuadrat
semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode
peramalan [5].
c. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE).
MAPE merupakan ukuran kesalahan relativ. MAPE biasanya lebih berarti dibandingakan MAD
karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual
selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau
terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut [5] :

Dimana :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
d. Rata-Rata Kesalahan Peramalan (Mean Forecast Error = MFE).
MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu
terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan
mendekati not. MFE dihitung denagn menjumlahkan semua kesalahan peramalan selam periode
peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE
dinyatakan sebagai berikut [5]:
Dimana :

At = Permintaan Aktual pada periode –t.

Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat

3. Metodologi Penelitian
Alur dari penelitian dapat dilihat pada Gambar 1. Alur penelitian yang dilakukan adalah sebagai berikut :
1. Pengumpulan data historis
Pengumpulan data historis permintaan produk perak pada Karya Kita Silver. Data yang
dikumpulkan dalah data permintaan per bulan dan per tahun selama 3 tahun.
2. Penentuan metode peramalan
Penentuan metode peramalan untuk peramalan permintaan. Metode yang digunakan dalam
penelitian ini adalah moving average dan exponential smoothing.
3. Perhitungan peramalan
Perhitungan peramalan permintaan perak berdasarkan metode yang telah ditetapkan sebelumnya
yaitu moving average dan exponential smoothing. Selain itu dilakukan perhitungan nilai error
dari masing-masing metode.

 L-2 Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average
Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
 102

4. Pemilihan peramalan
Berdasarkan hasil perhitungan, dilakukan perbandingan untuk menentukan metode peramalan
yang lebih akurat atau mendekati nilai aktual.
5. Pengambilan kesimpulan
Penarikan kesimpulan dari kedua metode dalam melakukan peramalan permintaan produk perak.

.
Gambar 1 Metode Penelitian

4. Analisis Metode Peramalan

Peramalan merupakan hal yang penting yang harus dilakukan perusahaan agar dapat merencanakan
kebutuhan bahan baku, untuk itu diperlukan pemilihan metode peramalan yang sesuai agar hasil
peramalan tidak jauh dari kenyataan. Untuk dapat melakukan peramalan diperlukan data-data dari periode
sebelumnya. Data periode sebelumnya digunakan sebagai panduan untuk dapat melakukan peramalan.
Adapun data permintaan perak adalah seperti dalam Tabel 1.

Tabel 1 Permintaan produk perak tahun 2011-2013

Tahun Permintaan Perak
2011 1250
2012 1210
2013 1450

Gambar 2 Grafik Permintaan produk perak tahun 2011-2013

JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014  L-2

 103

Berdasarkan Gambar 2 dapat dilihat bahwa permintaan produk perak mengalami fluktuasi dari tahun ke
tahun yang terjadi pada tahun 2011 sampai 2013. Untuk itu metode yang sesuai digunakan untuk meramal
adalah model time series. Untuk melakukan peramalan permintaan produk perak menggunakan metode
sebagai berikut :
a. Metode Single Moving Average
b. Metode Exponential Smoothing dengan α : 0,1 ; α: 0,5 ; α: 0,9.
Pemilihan nilai α pada penelitian ini mengambil tiga sampel yaitu nilai α terkecil, nilai tengah dan nilai α
terbesar.

5. Hasil dan Pembahasan

5.1 Metode Single Moving Average 2 periode
Perhitungan Peramalan Permintaan Perak tahun 2014 dengan menggunakan Metode Single
Moving Average 2 periode. Untuk menghitung peramalan permintaan tahun 2014, terlebih dahulu
dihitung peramalan untuk tahun 2013.

Tabel 2 Peramalan permintaan dengan Single Moving Average 2 periode

Tahun Permintaan Perak MA 2 periode
2011 1250 -
2012 1210 -
2013 1450 1230

Perhitungan peramalan permintaan perak dengan menggunakan moving average adalah sebagai berikut:

Tahun 2013 =

Tahun 2014 =

5.2 Metode Exponential Smoothing dengan α: 0,1; α:0,5; α:0,9

5.2.1 Exponential Smoothing Alpha 0,1 Tahun 2014
Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan Metode
Exponential Smoothing α: 0,1. Exponential Smoothing dengan α: 0,1 maksudnya memberikan bobot yang
lebih kecil pada peramalan sebelumnya dibandingkan dengan data sebelumnya.

Tabel 3 Peramalan permintaan dengan Exponential Smoothing α: 0,1

Tahun Permintaan Perak ES, alpha=0.1
2011 1250 -
2012 1210 -
2013 1450 1246

Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,1) adalah sebagai berikut :
Tahun 2013 = (1250+(0.1*(1210-1250))) = 1246
Tahun 2014 = (1210+(0.1*(1450-1210))) = 1234

5.2.2 Exponential Smoothing Alpha 0,5 Tahun 2014

Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan metode
Exponential Smoothing α : 0,5.

 L-2 Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average
Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
 104

Tabel 4 Peramalan permintaan dengan Exponential Smoothing α : 0,5

Tahun Permintaan Perak ES, alpha=0.5
2011 1250 -
2012 1210 -
2013 1450 1230

Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,5) adalah sebagai berikut :
Tahun 2013 = (1250-0.5*(1210-1250)) = 1230
Tahun 2014 = (1210-0.5*(1450-1210)) = 1330

5.2.3 Exponential Smoothing Alpha 0,9 Tahun 2014

Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan metode
Exponential Smoothing α : 0,9.

Tabel 5 Peramalan permintaan dengan Exponential Smoothing α : 0,9

Tahun Permintaan Perak ES, alpha=0.9
2011 1250 -
2012 1210 -
2013 1450 1214

Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,9) adalah sebagai berikut :
Tahun 2013 = (1250-0.9*(1210-1250)) = 1214
Tahun 2014 = (1210-0.9*(1450-1210)) = 1426

Rekapitulasi hasil pengujian dengan metode moving average dan Exponential Smoothing dapat dilihat
pada Tabel 6.

Tabel 6 Rekapitulasi pengujian permintaan perak

Tahun Permintaan Perak MA 2 ES, ES,

periode alpha=0.1 ES, alpha=0.5 alpha=0.9
2011 1250 - - - -
2012 1210 - - - -
2013 1450 1230 1246 1230 1214
2014 - 1330 1234 1330 1426

5.3 Perhitungan error dan pemilihan error terkecil

Perhitungan error dilakukan dengan metode MAD dan MSE. Data yang digunakan dan
dibandingkan untuk nilai error adalah data tahun 2013. Hal ini dikarenakan data Tahun 2013 merupakan
data yang lengkap dengan nilai aktual dan nilai peramalan.
5.3.1 Perhitungan MAD (Mean Absolute Deviation)
Perhitungan MAD (Mean Absolute Deviation) Single Moving Average 2 Periode
MAD = = = 220

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,1

MAD = = = 204

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,5

MAD = = = 220

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,9

JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014  L-2

 105

MAD = = = 236

Berdasarkan perhitungan nilai error menggunakan MAD dengan metode moving average dan Exponential
Smoothing maka didapatkan hasil seperti pada Tabel 7.

Tabel 7 Perhitungan error dengan metode MAD

Tahun Permintaan ES,
Perak MA 2 periode ES, alpha=0.1 alpha=0.5 ES, alpha=0.9
At-Ft At-Ft At-Ft At-Ft
2013 1450 220 204 220 236

5.3.2 Perhitungan MSE (Mean Square Error)

Perhitungan MSE (Mean Square Error) Single Moving Average 2 Periode
MAD = = = 48400

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,1

MAD = = = 41616

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,5

MAD = = = 48400

Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,9

MAD = = = 55696

Berdasarkan perhitungan nilai error menggunakan MSE dengan metode moving average dan
Exponential Smoothing maka didapatkan hasil seperti pada Tabel 8.

Tabel 8 Perhitungan error dengan metode MSE

Tahun Permintaan Perak MA 2 ES, ES, ES,
periode alpha=0.1 alpha=0.5 alpha=0.9
At-Ft At-Ft At-Ft At-Ft
2013 1450 48400 41616 48400 55696

Tabel 9 Perbandingan Mean Absolute Deviation dan Mean Squared Error Tahun 2014
MA 2 ES, ES, ES,
Kategori periode alpha=0.1 alpha=0.5 alpha=0.9
MAD 220 204 220 236
MSE 48400 41616 48400 55696

Dilihat dari Tabel 9 maka dapat ditentukan metode yang sesuai untuk permintaan perak adalah
metode Exponential Smoothing denganα : 0,1 karena memiliki tingkat Mean Absolute Deviation (MAD)
dan Mean Squared Error (MSE) terkecil. Berdasarkan peramalan yang dilakukan dalam penelitian ini
untuk menentukan jumlah permintaan pada tahun 2013 yang paling tepat adalah Exponential Smoothing
denganα : 0,1, maka metode tersebut digunakan dalam meramalkan permintaan pada tahun 2014.

6. Kesimpulan
Beberapa hal yang berhasil disimpulkan berdasarkan pelaksanaan penelitian yang dilakukan
adalah sebagai berikut:
1. Berdasarkan perhitungan ramalan permintaan perak dengan metode Single Moving Average 2
periode pada tahun 2013 sebesar 1230, dengan Mean Absolute Deviation = 220 dan Mean
Squared Error = 48400.
2. Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α :
0,1 pada tahun 2013 sebesar 1246, dengan Mean Absolute Deviation = 204 dan Mean Squared
Error = 41616.

 L-2 Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average
Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
 106

3. Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α :

0,5 pada tahun 2013 sebesar 1230, dengan Mean Absolute Deviation = 220 dan Mean Squared
Error = 48400.
4. Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α :
0,9 pada tahun 2013 sebesar 1214, dengan Mean Absolute Deviation = 236 dan Mean Squared
Error = 55696.
5. Dari hasil peramalan dan tingkat kesalahannya diketahui bahwa metode yang paling sesuai
digunakan dalam menganalisis data dengan memiliki tingkat kesalahan yang paling kecil dan
metode alternatif di atas yaitu metode Exponential Smoothing α : 0,1. Dengan hasil ramalan
permintaan perak 1246, tingkat kesalahan Mean Absolute Deviation sebesar 220 dan Mean
Squared Error sebesar 48400. Hasil ramalan permintaan perak berdasarkan perhitungan ramalan
permintaan dengan metode Exponential Smoothing α : 0,1 pada tahun 2014 sebesar 1234 buah.
6. Berdasarkan hasil peramalan, untuk tahun 2014 dengan metode Moving Average 2 periode nilai
pemintaan perak sebesar 1330 buah. Sedangkan untuk tahun 2014 dengan menggunakan
Exponential Smoothing dengan nilai α : 0,1, α : 0,5 dan α : 0,9 peramalannya masing-masing
sebesar 1234, 1330 dan 1426.

Referensi
[1] Sumayang, Lalu. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Jakarta : Salemba Empat
[2] Surihadi, A. A. 2009. Penerapan Metode Single Moving Average Dan Exponential Smoothing Dalam
Peramalan Permintaan Produk Meubel Jenis Coffee Table Pada Java Furniture Klaten. Tugas Akhir.
Surakarta : Univeristas Sebelas Maret
[3] Whitten, J.L., Bentley, L.D., & Dittman, K.C., 2007, Systems analysis and design methods. New
York: McGraw-Hill.
[4] Gunawan dan Marwan. 2004. Anggaran Perusahaan. Yogyakarta : BPFE.
[5] Nasution, A. H., Prasetyawan. 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta : Graha
Ilmu.
[6] Render dan Hizer. 2005. Prinsip-Prinsip Manajemen Operasi. Jakarta:Salemba Empat.
[7] Gaspersz, Vincent. 2005. Production Planning and Inventory Control. Jakarta : Gramedia Pustaka
Utama
[8] Makridakis, S. dan Whellwright, S. C. 2005. Metode dan Aplikasi Peramalan. Jakarta : Binarupa
Aksara.
[9] Octavia, T., Yulia dan Lidia. 2013. Peramalan Stok Barang Untuk Membantu Pengambilan Keputusan
Pembelian Barang Pada Toko Bangunan XYZ Dengan Metode Arima. Seminar Nasional Informatika
2013 (semnasIF 2013), pp A1-A6.
[10] Arsyad, Lincolin. 2001. Peramalan bisnis. Yogyakarta : BPFE.
[11] Subagyo, Pangestu. 2002. Forecasting Konsep dan Aplikasi. Jakarta : BPFE.

JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014  L-2