ABSTRAK
Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan
berdasarkan data yang relevan pada masa lalu. Maka metode peramalan ini digunakan dalam peramalan yang
obyektif sebagaimana yang dapat dilakukan pada suatu perusahaan telekomunikasi untuk meramalkan penjualan
produknya. Dalam hal ini metode peramalan akan dikaji menggunakan data penjualan produk telekomunikasi
dari PT. Telkom, tbk Kandatel Sukabumi. Dengan demikian, tujuan dari penelitian ini adalah membandingkan
model dari metode peramalan untuk memilih model yang sesuai dengan kriteria data penjualan produk
telekomunikasi dari PT. Telkom, tbk Kandatel Sukabumi. Data yang digunakan diberi kategori sesuai dengan
tinggi rendahnya harga, pulsa lokal dan paket data, kategori tersebut yaitu V5, V10, V25 dan V50. Model dari
metode peramalan yang digunakan diantaranya Moving Average, Exponential Smoothing, Linear Regression
dan Constant Forecasting. Model-model tersebut diuji ukuran kesalahannya untuk mengetahui model peramalan
yang sesuai dengan kriteria data. Ukuran kesalahan peramalan yang digunakan adalah MAD (Mean Absolute
Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute Percentage Error). Terdapat 2 kelompok
pengujian peramalan yang pertama adalah V5 dan V10, kelompok pengujian kedua adalah V25 dan V50.
Pengelompokkan ini dilihat dari hasil analisis keragaman data menggunakan ANOVA. Berdasarkan hasil
analisis dengan bantuan software SPSS dan FOM for windows diperoleh model yang sesuai untuk meramalkan
suatu penjualan produk kelompok pengujian pertama V5 dan V10 adalah exponential smoothing karena
memiliki tingkat error lebih kecil dari moving average. Sedangkan model yang cocok untuk kelompok pengujian
V25 dan V50 adalah contstant forecasting karena nilai MAD dan MSE lebih kecil dari linear regression.
Kata Kunci : model statistik, metode peramalan, produk telekomunikasi, SPSS, POM for windows, kriteria
kebaikan model
penjualan jumlah saham. Pendekatan lain juga karakteristik konsumen yang berubah-ubah dan
sangat berguna untuk mengkaji suatu keputusan kriteria produk seiring dengan berkembangnya
dalam sebuah perusahaan. era digital.
Pada era digital saat ini terdapat banyak Dengan demikian, Tujuan dari penelitian
perusahaan yang bergerak di bidang ini adalah membandingkan model pada metode
telekomunikasi baik di dalam maupun luar peramalan agar diketahui model yang tepat
negeri. Perkembangan telekomunikasi sangat untuk meramalkan suatu penjualan produk.
pesat sehingga banyak perusahaan yang Dalam hal ini, data penjualan produk
memberikan inovasi untuk menarik minat para telekomunikasi digunakan sebagai uji coba
konsumen. Selain inovasi dan penawaran untuk menganalisis metode peramalan. Hasil
menarik tersebut, perusahaan dapat mengkaji dari pembahasan ini tidak dibatasi khusus untuk
secara ilmiah mengenai prediksi penjualan produk telekomunikasi, akan tetapi dapat
produk telekomunikasi baik secara langsung digunakan untuk prediksi penjualan produk-
maupun tak langsung. Produk telekomunikasi produk lainnya.
tersebut lebih dikenal dengan voucher, pulsa Terdapat beberapa asumsi pada metode
atau paket data baik fisik maupun elektrik. peramalan yaitu peramalam berdasarkan sifat
Dalam hal ini salah satu perusahaan penyusunan, peramalan berdasarkan waktu
telekomunikasi yaitu PT. Telkom Kandatel ramalan dan peramalan berdasarkan pola data.
Sukabumi memilih satu satu cara ilmiah untuk Berdasarkan asumsi tersebut model yang akan
mengetahui model prediksi penjualan produk dikaji dalam metode peramalan ini adalah
yang tepat dan sesuai. Moving Average, Exponential Smoothing
Berbicara mengenai prediksi, maka Linear Regression dan Constant Forecasting.
model statistik dapat diterapkan untuk Sedangkan pada kriteria kebaikan model dilihat
menganalisis masalah di atas. Salah satu model berdasarkan ukuran kesalahan peramalan yaitu
tersebut adalah metode peramalan dengan MAD (Mean Absolute Deviation), MSE (Mean
pemilihan kriteria kebaikan model. Terdapat Squared Error) dan MAPE (Mean Absolute
beberapa model pada metode peramalan untuk Percentage Error). Diharapkan dari penelitian
mengkaji berbagai masalah. Dalam pembahasan ini semua model dapat diterapkan untuk metode
ini tidak dikhususkan pada prediksi atau peramalan yang sesuai dengan kondisi
peramalan kuantitas produk yang terjual, namun penjualan maupun kriteria produk.
akan dikaji lebih mendalam mengenai
perbandingan model pada metode peramalan PEMBAHASAN
sehingga diperoleh model yang sesuai untuk 1. Peramalan
kasus penjualan produk tertentu. Hal ini Peramalan adalah kegiatan
disebabkan oleh dua faktor umum yaitu memperkirakan apa yang akan terjadi pada
2
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
masa yang akan datang. Sedangkan ramalan Pada umumnya peramalan dapat
adalah sesuatu situasi atau kondisi yang dibedakan dari beberapa segi tergantung dari
diperkirakan akan terjadi pada masa yang akan cara melihatnya. Jika diklasifikasikan maka
datang, ramalan tersebut dapat didasarkan atas jenis-jenis peramalan dikelompokkan menjadi
bermacam-macam cara yang dikenal dengan tiga macam sifat yang mendasarinya, yaitu:
metode peramalan. Metode peramalan adalah (Eddy Herjanto, 2009)
cara memperkirakan secara kuantitatif apa yang 1) Peramalan menurut sifat penyusunannya.
akan terjadi pada masa depan, berdasarkan data 2) Peramalan menurut jangka waktu ramalan
yang relevan pada masa lalu. Maka metode yang disusunnya.
peramalan ini digunakan dalam peramalan yang 3) Peramalan menurut kategori jenis data yang
obyektif. digunakan.
Sebagaimana diketahui bahwa metode a. Peramalan Berdasarkan Sifat
peramalan merupakan cara berpikir yang Penyusunannya
sistematis dan pragmatis atas pemecahan suatu Apabila dilihat dari sifat penyusunannya,
masalah. Dengan dasar ini, maka metode maka peramalan dapat dibedakan atas dua
peramalan merupakan cara memperkirakan apa macam, yaitu:
yang akan terjadi dimasa depan secara 1) Peramalan subyektif, yaitu peramalan
sistematis dan pragmatis melalui data yang yang didasarkan atas perasaan atau intuisi
relevan di masa yang lalu, dari hal ini metode dari orang yang menyusunnya. Dalam hal
peramalan diharapkan dapat memberikan ini pandangan atau “judgement” dari
objektivitas yang lebih besar. orang yang menyusunnya sangat
Berdasarkan uraian tersebut maka menentukan baik tidaknya hasil ramalan
didapatkan suatu gambaran bahwa metode tersebut.
peramalan sangat berguna, karena akan 2) Peramalan obyektif, adalah peramalan
membantu dalam mengadakan pendekatan yang didasarkan atas data yang relevan
analisa terhadap tingkah laku atau pola dari data pada masa lalu, dengan menggunakan
yang lalu, sehingga dapat memberikan cara teknik-teknik dan metode-metode dalam
pemikiran, pengerjaan dan pemecahan yang penganalisaan data tersebut.
sistematis dan pragmatis, serta memberikan b. Peramalan Berdasarkan Waktu Ramalan
tingkat keyakinan yang lebih besar atas Jika dilihat dari jangka waktu ramalan
ketetapan hasil ramalan yang dibuat atau yang disusun, maka peramalan dapat
disusun (Sofjan Assauri, 1984). dibedakan atas dua macam, yaitu:
1) Peramalan jangka panjang, yaitu
2. Jenis-jenis Peramalan peramalan yang dilakukan untuk
penyusunan hasil ramalan yang jangka
3
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
waktunya lebih dari satu setengah tahun serangkaian kaidah matematis untuk
atau tiga semester. Peramalan seperti ini meramalkan hasil di masa depan. Terdapat
misalnya diperlukan dalam penyusunan beberapa macam model peramalan yang
rencana pembangunan suatu negara atau tergolong metode kuantitatif, yaitu :
daerah, corporate planning, rencana a. Model-model Regresi
investasi atau rencana ekspansi Perluasan dari metode linear regression,
perusahaan. yaitu meramalkan suatu variabel yang
2) Peramalan jangka pendek, yaitu memiliki hubungan secara linier dengan
peramalan yang dilakukan untuk variabel bebas yang diketahui atau
penyusunan hasil ramalan dengan jangka diandalkan.
waktu yang kurang dari satu setengah b. Model Ekonometrik
tahun, peramalan seperti ini diperlukan Menggunakan serangkaian persamaan-
dalam penyusunan rencana tahunan, persamaan regresi, yaitu terdapat
rencana kerja operasional dan anggaran. variabel-variabel tidak bebas yang
c. Peramalan Berdasarkan Tipe Pola Data menstimulasi segmen-segmen ekonomi
Metode peramalan jika dilihat dari jenis seperti harga dan lainnya.
data yang digunakan dapat diklasifikasikan c. Model Time Series Analysis (Deret
dalam dua kategori, yaitu: Waktu)
1) Metode Kualitatif Memasang suatu garis trend yang
Metode ini digunakan tanpa ada model representatif dengan data-data masa lalu
matematik, biasanya disebabkan oleh data (historis) berdasarkan kecenderungan
yang ada tidak cukup representatif untuk datanya dan memproyeksikan data tersebut
meramalkan masa yang akan datang (long ke masa yang akan datang.
term forecasting). Peramalan kualitatif Berdasarkan uraian tersebut, sebelumnya
menggunakan pertimbangan pendapat- penulis telah membatasi bahwa metode
pendapat para pakar yang ahli atau expert di peramalan yang akan digunakan adalah cara
bidangnya. Adapun kelebihan dari metode memperkirakan sesuatu yang akan terjadi
ini adalah biaya yang dikeluarkan sangat pada masa depan secara kuantitatif karena
murah (tanpa data) dan cepat diperoleh. data yang ada merupakan termasuk data
Sementara kekurangannya yaitu bersifat kuantitatif. Pada dasarnya metode peramalan
subyektif sehingga seringkali dikatakan kuantitatif ini dibedakan atas dasar-dasar
kurang ilmiah. penggunaannya, yaitu:
2) Metode Kuantitatif a. Analisa deret berkala (time series) adalah
Penggunaan metode ini didasari suatu analisis yang berdasarkan hasil
ketersediaan data mentah disertai ramalan yang disusun atas pola hubungan
4
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
antara variabel yang dicari dengan nilai observasi baru (data aktual) tersedia,
variabel waktu yang mempengaruhinya. angka rata-rata yang baru dihitung dengan
Pendugaan masa depan dilakukan memasukkan data terbaru dan mengeluarkan
berdasarkan nilai masa lalu dari suatu atau meninggalkan data periode terlama.
variabel atau kesalahan masa lalu. Tujuan Rata-rata yang baru ini kemudian dipakai
metode peramalan deret berkala adalah sebagai perkiraan untuk periode yang akan
menemukan pola dalam deret data datang, dan seterusnya. Serial data yang
historis dan mengekstrapolasikan pola digunakan jumlahnya selalu tetap dan
tersebut ke masa depan. termasuk data periode terakhir (Eddy
b. Metode kausal (causal method) adalah Herjanto, 2009).
suatu metode yang menggunakan Secara matematis, rumus peramalan dengan
pendekatan sebab akibat, dan bertujuan metode Moving Average adalah sebagai
untuk meramalkan keadaan di masa yang berikut :
akan datang dengan menemukan dan Y1 + Yt −1 + Yt −2 ..……….………… (1)
MAt =
n
mengukur beberapa variabel tidak bebas
keterangan:
yang akan diramalkan. Tujuan dari
MAt = Nilai peramalan pada periode ke t
metode kausal adalah menemukan bentuk
Yt = Data observasi periode t
hubungan tersebut dan menggunakannya
n = Panjang serial waktu yang digunakan
untuk meramalkan nilai mendatang dari
Semakin panjang serial waktu yang
variabel tidak bebas.
digunakan maka nilai dan grafik
peramalannya akan semakin halus akan
3. Metode Peramalan
tetapi semakin kurang responsif terhadap
Berdasarkan uraian mengenai peramalan
data aktualnya, sehingga panjang serial
dengan tiga asumsi di atas maka, terdapat
waktu yang digunakan bergantung pada
beberapa model yang akan dianalisis dan
banyaknya data aktual.
dibandingkan yaitu Moving Average,
Metode moving average ini disamping
Exponential Smoothing, Linear Regression dan
perhitungan yang mudah dan sederhana akan
Constant Forecasting.
tetapi mempunyai kelemahan-kelemahan,
a. Moving Average
yaitu: perlu adanya data historis, data setiap
Peramalan dengan metode ini didasarkan
bulannya diberi n (weight) yang sama, dan
pada proyeksi serial data yang dimuluskan
jika fluktuasi data tidak random maka tidak
dengan rata-rata bergerak. Nilai perkiraan
akan menghasilkan nilai peramalan yang
untuk suatu periode merupakan rata-rata dari
baik (Subagyo, 1986).
nilai observasi n periode terakhir. Istilah
rata-rata bergerak digunakan karena setiap
5
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
Melalui metode ini ramalan disusun atas Keterangan: Ft = peramalan untuk periode t
dasar pola hubungan data yang relevan di α = faktor/konstanta pemulusan
masa lalu. Terdapat tiga kondisi yang Xt = data permintaan untuk
dibutuhkan untuk dapat menggunakan periode t
metode ini, yaitu: Metode Exponential Smoothing
1) Adanya informasi tentang keadaan yang menambahkan parameter α dalam model
lalu. untuk mengurangi faktor kerandoman. Ada
2) Informasi tersebut dapat beberapa masalah dalam penggunaan
dikuantifikasikan dalam bentuk kata. metode exponential Smoothing. Salah satu
3) Dapat dianggap atau diasumsikan bahwa masalah tersebut adalah dalam usaha untuk
pola hubungan yang ada dari data yang mendapatkan besarnya nilai α. Nilai ini
telah lalu akan berkelanjutan di masa dapat diharapkan memperkecil
yang akan datang. (meminimumkan) simpangan absolut rata-
b. Exponential Smoothing rata atau (mean absolute deviation) (MAD)
Metode Exponential Smoothing berasal dari dan kesalahan kuadrat rata-rata (mean
pembobotan (faktor pemulusan) dari square error) MSE.
periode-periode sebelumnya yang Masalahnya tidak semudah seperti rata-rata,
membentuk hubungan eksponensial, model karena rata-rata menghasilkan minimalisasi
ini didasarkan pada ide bahwa ramalan yang pada saat simpangan rata-rata dari sejumlah
handal dapat diperoleh dengan cara angka yang dapat dihitung. Sedangkan pada
memodelkan pola-pola didalam data yang metode exponential smoothing, minimum
terlihat pada plot time-series-nya, kemudian simpangan absolute rata-rata (MAD) dan
melakukan suatu ekstrapolasi pola-pola itu kesalahan kuadrat rata-rata (MSE)
untuk meramalkan periode setelahnya. ditentukan dengan cara coba-coba. Nilai α
Berbeda dengan metode Moving Average ditentukan dan digunakan, lalu kesalahan
yang hanya menggunakan data observasi n simpangan absolute rata-rata (MAD) dan
periode terakhir dalam melakukan kesalahan kuadrat rata-rata (MSE) dihitung,
peramalan, metode Exponential Smoothing kemudian nilai α yang lain dicoba, setelah
ini mengikutsertakan data dari semua itu kesalahan simpangan absolute rata-rata
periode. Setiap data pengamatan mempunyai (MAD) dan kesalahan kuadrat rata-rata
kontribusi dalam penentuan nilai peramalan (MSE) yang diperoleh diperbandingkan
periode setelahnya. Secara matematis rumus untuk mendapatkan besarnya nilai α yang
peramalan dengan metode Exponential memberikan kesalahan simpangan absolute
Smoothing adalah sebagai berikut: rata-rata (MAD) dan kesalahan kuadrat rata-
Ft = α ⋅ X t + (1 − α ) ⋅ Ft …….…………… (2)
6
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
rata (MSE) yang minimum (Sofjan Assauri, Y ' (t ) = a + b(t ) ………………....…….. (3)
1984). Konstanta a dan b ditentukan dari data
Dalam hal ini diberikan dua nilai α yaitu mentah berdasarkan kriteria kuadrat terkecil
sebesar 0,2 dan 0,5. Dapat dikatakan bahwa (least square criteria). Adapun nilai a dan b
semakin besar nilai α maka garis persamaan dapat diperoleh dari rumus berikut ini:
akan semakin membentuk hubungan n n n
n∑ t ⋅ Y (t ) − ∑ Y (t ) ⋅ ∑ t
eksponensial yang nyata dan sebaliknya b= i =1 i =1 i =1 ………………… (4)
2
n
n
semakin kecil nilai α akan semakin linier n∑ t − ∑ t
2
i =1 i =1
(Eddy Herjanto, 2009).
n n
b. Linear Regression ∑ Y (t ) − b∑ t
a= i =1 i =1
………...………………… (5)
Linear Regression merupakan model n
peramalan kasual kuantitatif dengan banyak Keterangan:
faktor yang dipertimbangkan dalam analisis Y’ = nilai variabel Y hasil peramalan
kasual dan penjualan produk dikaitkan t = variabel waktu
dengan anggaran, harga pesaing, a = intersept, nilai Y’ pada saat t = 0
pembebanan harga, dan strategi promosi. b = slope, perubahan rata-rata Y terhadap
Dalam hal ini penjualan akan disebut suatu perubahan satu unit t
variabel tidak bebas dan variabel-variabel Jika kedua variabel Y dan t mempunyai
lain disebut variabel bebas (Jay Heizer, hubungan (korelasi), maka perubahan yang
2009). terjadi pada kedua variabel t menyebabkan
Model deret waktu (Time Series) dengan perubahan pada variabel Y (Eddy Herjanto,
menggunakan Simple Regression adalah 2009).
suatu pola hubungan yang merupakan fungsi c. Constant Forecasting
dengan hanya terdapat satu variabel yang Model ini menggunakan pendekatan atau
menentukan atau variabel bebas analisis pada seluruh data masa lalu yang
(Independent variabel). Analisa atau model dijadikan dasar dalam penyusunan ramalan
deret waktu ini merupakan suatu teknik atau pada masa yang akan datang. Seluruh data
metode peramalan dengan menggunakan masa lalu mempengaruhi nilai ramalan pada
analisa hubungan antara variabel yang dicari masa yang akan datang, sehingga ramalan
atau diramalkan dengan hanya satu-satunya untuk periode selanjutnya ditentukan oleh
variabel bebas yang mempengaruhinya dan data atau fakta yang telah terjadi pada
merupakan variabel waktu (Sofjan Assauri, periode-periode sebelumnya. Kesulitan dari
1984). penggunaan model ini adalah karena
Persamaan garis yang mendekati bentuk data ramalan yang disusun didasarkan pada nilai
linier adalah: rata-rata dari seluruh data realisasi yang
7
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
telah lalu. Maka untuk menyusun ramalan melalui ukuran kesalahan peramalan,
periode berikutnya digunakan data lebih diantaranya sebagai berikut:
banyak sehingga semakin lama penyusunan 1) MAD (Mean Absolute Deviation)
ramalan dilakukan, maka data yang Simpangan absolut rata-rata atau MAD
digunakan dalam penyusunan tersebut mengukur akurasi peramalan dengan
semakin banyak (Sofjan Assauri, 1984). merata-ratakan nilai absolut kesalahan
Persamaan garis yang menggambarkan pola peramalan. Kesalahan diukur dalam unit
konstan adalah : ukuran yang sama seperti data aslinya.
MAD digunakan untuk mengukur
ketepatan nilai dugaan model yang
untuk mendapatkan nilai (a) maka dapat dinyatakan dalam bentuk rata-rata
didekati melalui turunan kuadrat terkecilnya absolut kesalahan dan membandingkan
(least square) terhadap (a) sebagai berikut: ketetapan ramalan antara metode
n
i
∑ Y (t ) peramalan yang berbeda. Maka jika
Y (t ) = i =1
ditulis secara matematis adalah sebagai
n ………..……………. (6)
berikut:
Keterangan:
1 n
Y’(t) = Nilai pendekatan rata-rata peramalan MAD = ∑ y (t ) − yι (t ) …………. (7)
n t =1
Y(t) = Jumlah Permintaan dalam unit
n = Jumlah periode peramalan
2) MSE (Mean Squared Error)
Terdapat suatu kelemahan dari penggunaan
MSE menggunakan penyebut n tanpa
metode constant forecasting sebagai teknik
memperhatikan derajat bebas model.
atau peralatan peramalan, khususnya
MSE digunakan untuk mengukur
mengenai data deret waktu (time series)
ketepatan nilai dugaan model yang
adalah dibutuhkannya jumlah data yang
dinyatakan dalam rata-rata kuadrat dari
sangat besar. Jumlah ini terus bertambah
kesalahan dan juga dapat digunakan
dengan pertambahan waktu atau periode
untuk membandingkan ketetapan ramalan
sebagai data baru yang tersedia, dan data ini
antara metode peramalan yang berbeda,
harus dimasukkan dalam perhitungan nilai
namun MSE memberikan ketelitian yang
peramalan.
lebih baik dari pada MAD sehingga
d. Ukuran Kesalahan Peramalan
banyak dipakai dalam optimalisasi
Dalam melakukan prediksi, baik tidaknya
pembobotan. Secara matematis dapat
hasil ramalan suatu model sangat
ditulis sebagai berikut :
menentukan keputusan apakah model
1 n
∑
2
tersebut dipakai atau tidak. Besar kecilnya MSE = y (t ) − yι (t ) .………… (8)
n t =1
kesalahan peramalan tersebut dapat dihitung
8
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
3) MAPE (Mean Absolute Percentage langkah yang dilakukan pada proses analisis
Error) model untuk metode peramalan digambarkan
Persentase kesalahan absolut rata-rata oleh bagan alir berikut.
atau MAPE memberikan petunjuk Mulai
analisis ini dibantu menggunakan software didapat dari uji tersebut melalui program
SPSS dan software POM for window. SPSS adalah sebagai berikut:
1. Eksplorasi Data Tabel 1. Hasil Output Test of Homogeneity
Ploting data dieksplorasi dalam bentuk of Variance V5, V10, V25 dan V50
grafik yang diperoleh berdasarkan hasil uji Test of Homogeneity of Variances
ANOVA untuk melihat keragamannya. Jumlah Penjualan
Levene Statistic df1 df2 Sig.
3,665 3 20 ,030
12
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
Gambar 3. Plot V5 Moving Average dengan α = 0,2 dan α = 0,5 adalah sebagai
berikut:
Ft = 0,2 ⋅ X t + (1 − 0,2 ) ⋅ Ft ……………. (10)
Next period
1018,248 (MA) (MSE) 991,9375 (MA) (MSE)
forecast
Std err 219,6079 Std err 253,8367
13
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
Next period
957,1072 (MAD) (MSE) 1021,75 (MAD) (MSE)
forecast
Std err 486,9999 Std err 478,5774
Perhitungan tersebut selanjutnya disajikan POM for window seperti halnya pada
dalam bentuk grafik berikut ini : metode sebelumnya, tetapi digunakan
perhitungan secara manual dengan aturan
rumus metode constant forecasting melalui
perhitungan yang cukup sederhana.
Model peramalan V25 dan V50 dengan
metode ini adalah dengan nilai dan nilai .
Dan berikut ini interpretasi dalam bentuk
tabel.
Tabel 7. Hasil Perhitungan V25 Constant
Forecasting
Gambar 6. Plot V10 Exponential Smoothing (α = Penjualan V25 Solution
0,2 ; α = 0,5) Bulan Deman Peram MA
MSE
d (Y) alan D
5. Metode Peramalan V25 dan V50 dengan July 153
Constant Forecasting August 112
Septemb 108
Pada proses perhitungan untuk constant October 181 124,33
Novemb 130 138,5
forecasting ini tidak menggunakan program Decemb 200 136,8
14
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
15
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
16
Jurnal Ilmiah SANTIKA Volume 8 No. 2 Desember 2018 p-ISSN 2088-5407
e-ISSN 2621-9001
V50 10,346 -0,167 V50 karena nilai MAD dan MSE lebih kecil
dibanding model linear regression.
Tabel 13. Hasil perbandingan MSE V25 dan
V50 DAFTAR PUSTAKA
Jenis Mean Squared Error (MSE) [1] Assauri, Sofjan. 1984. Teknik dan Metoda
Penjualan Linear Peramalan. Depok: Lembaga Penerbit
Linear Regression
Voucher Regression Universitas Indonesia.
V25 32,13495 32,13495 [2] Herjanto, Eddy. 2009. Sains Manajemen
V50 13,553 13,553 Analisis Kuantitatif untuk Pengambilan
Keputusan. Jakarta: PT Gramedia
MAD dan MSE terkecil diperoleh dari [3] Render, B dan Heizer, J. 2009. Prinsip-
untuk V50. Sedangkan perolehan nilai MSE [4] Subagyo, Pangestu. 1986. Forecasting.
adalah sebesar 24,0 untuk V25 dan 0,167 Yogyakarta: BPFE Yogyakarta.
untuk V50. Dengan demikian nilai model [5] S. Uyanto, Stanislaus. 2006. Pedoman
peramalan yang tepat digunakan untuk V25 Analisis Data dengan SPSS. Jakarta: Graha
PENUTUP
Berdasarkan eksplorasi data dalam
bentuk grafik dan uji ANOVA untuk empat
kategori penjualan produk voucher yaitu V5,
V10, V25 dan V50, maka perhitungannya dapat
dikelompokkan menjadi dua yaitu: kelompok
pertama adalah V5 dan V10, sedangkan
kelompok kedua adalah V25 dan V50.
Model exponential smoothing merupakan
metode yang tepat untuk meramalkan penjualan
V5 dan V10 karena nilai MAD lebih kecil
dibanding moving average. Selanjutnya metode
constant forecasting adalah metode yang tepat
untuk meramalkan kategori penjualan V25 dan
17