ABSTRAK
Pelumas merupakan produk dari PT XYZ yang digunakan untuk kendaraan dan mesin-mesin industri.
Peramalan umumnya dilakukan untuk meramalkan jumlah produksi di masa mendatang dengan
menggunakan data historis atau data-data pada permintaan sebelumnya terhadap produk perusahaan.
Penelitian ini dilakukan untuk menguji enam metode peramalan agar dapat mengetahui metode mana yang
tepat untuk diterapkan pada PT XYZ. Peramalan pada PT XYZ ini menggunakan data historis permintaan
tahun 2019 dari bulan januari hingga bulan desember yang telah merepresentasikan pola permintaan setiap
tahun di PT XYZ. Data ini digunakan untuk meramalkan setahun kedepan.
Penelitian kali ini akan membandingkan enam metode peramalan diantaranya metode moving average
3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1, exponential smoothing dengan
α=0,5, exponential smoothing dengan α=0,9 dan naive method. Untuk bahan perbandingan dari keenam
metode yang telah disebutkan maka diberikan peramalan yaitu dengan metode penyimpangan Mean
Absolute Deviation (MAD), Mean Square Error (MSE), Root Mean Square Error (RMSE), dan Absolute
Presentage Error (MAPE).
Hasil penelitian ini menunjukkan metode peramalan exponential smoothing dengan α=0,9 dengan nilai
penyimpangan MAD 2.364,50, MSE 12.448.875,06, RMSE 3.528,30 dan MAPE 0,60 dapat dikatakan metode
yang lebih optimal untuk diterapkan di PT XYZ karena memiliki nilai penyimpangan paling rendah dari
metode moving average 3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1,
exponential smoothing dengan α=0,5 dan naive method.
Sehingga PT XYZ untuk menentukan tingkat permintaan konsumen dapat menggunakan metode
exponential smoothing dengan α=0,9, karena setelah dilakukan perbandingan dari hasil penyimpangan
setiap metode dan telah terbukti bahwasannya metode exponential smoothing dengan α=0,9 memiliki nilai
penyimpangan MAD 2.364,60, MSE 12.448.875,06, RMSE 3.528,30 dan MAPE 0,60 yang artinya merupakan
nilai penyimpangan terkecil dari metode moving average 3 bulanan, moving average 5 bulanan, exponential
smoothing dengan α=0,1, exponential smoothing dengan α=0,5, dan naive method.
ABSTRACT
A lubricant is the product of company XYZ used for vehicles and industrial machine. Forecasting is
generally carried out to foretell the production of in the future using data or the historical data earlier on a
company product. This report is to test six forecasting methods in order to know which method is right to be
applied to the company XYZ. Forecasting to companies XYZ used historical data of the year 2019 january
until in december which have represented the pattern demand every year in company XYZ. This is data used
to forecast a year later.
This research will compare six forecasting methods including moving average 3 monthly, moving
average 5 monthly, exponential smoothing with α=0,1, exponential smoothing with α=0,5, exponential
smoothing with α=0,9 and naive method. For the comparison material of the six methods mentioned,
forecasting is given with the deviation methods Mean Absolute Deviation (MAD), Mean Square Error (MSE),
Root Mean Square Error (RMSE), and Absolute Presentage Error (MAPE).
The results of this study showed the method of forecasting exponential smoothing with α=0,9
with a deviation value of MAD 2.364,50, MSE 12.448.875,06, RMSE 3.528,30 and MAPE 0,60 are
1000
arguably the more optimal methods to be applied in XYZ companies because they have the lowest
deviation value of the 3 monthly moving average, 5 monthly moving average, exponential smoothing
with α=0,1, exponential smoothing with α=0,5 and naive method.
So that XYZ companies to determine the level of consumer demand can use the exponential
smoothing method with α=0,9, because after a comparison of the deviation results of each method
and it has been proven that the exponential smoothing method with α=0,9 has a deviation value of
MAD 2.364,60, MSE 12.448.875.06, RMSE 3.528,30 and MAPE 0,60 which means the smallest
deviation value of the 3 monthly moving average method, moving average 5 monthly, exponential
smoothing with α=0,1, exponential smoothing with α=0,5, and naive method.
PENDAHULUAN
Seiring perkembangan perekonomian dan kemajuan teknologi yang semakin canggih
sangat berpengaruh terhadap industri. Dengan adanya kemajuan teknologi persaingan
semakin ketat, terutama pada industri-industri yang ada. Persaingan yang terjadi
diantaranya berkaitan dengan kualitas produk, kemampuan perusahaan dalam
meningkatkan sistem produksi tepat waktu dengan jumlah yang diminta, serta kemampuan
persaingan harga pokok. Dengan adanya persaingan tersebut, beberapa perusahaan yang
mengalami kegagalan disebabkan perusahaan berusaha untuk mengikuti perkembangan
teknologi tetapi tidak dapat mengatur bagaimana memenafaatkan teknologi agar tidak
merugikan perusahaan. Maka dari itu, perusahaan harus dapat melakukan efektifitas dan
efisiensi yang baik.
Salah satu cara yang dapat dilakukan yaitu dengan efisiensi modal dalam memproduksi
suatu produk dengan tindakan perencanaan suatu produk dengan baik. Tindakan yang
tepat untuk membantu sistem produksinya yaitu dengan melakukan peramalan permintaan
produk. Peramalan merupakan bagian internal dari kegiatan pengambilan keputusan
manajemen (Makridakis,1988). Peramalan juga merupakan ilmu untuk memperkirakan
pemintaan di waktu yang akan datang.
Menurut Heizer dan Render (2009:162), peramalan (Forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang dan suatu bentuk
model matematis. Peramalan yang dilakukan pada perusahaan digunakan untuk
memprediksi permintaan di satu atau beberapa periode berikutnya berdasarkan data
historis. Dengan ini, perusahaan akan memproduksi sejumlah produk sesuai dengan target
yang telah dibuat.
PT XYZ merupakan perusahaan yang memproduksi pelumas untuk kendaraan maupun
mesin-mesin industri. PT XYZ memproduksi pelumas sesuai dengan pesanan (Make To
Order) karena dalam memproduksi pelumas tidak memungkinkan tepat dengan jumlah
dalam satuan liter yang dipesan maka PT XYZ memproduksi lebih dari jumlah permintaan
pelanggan. Sisa dari produksi akan disimpan sebagai persediaan untuk memenuhi
permintaan selanjutnya, sehingga untuk memenuhi permintaan selanjutnya PT XYZ hanya
memproduksi kekurangan dari jumlah permintaan pelanggan saja.
Penelitian ini bertujuan untuk meramalkan permintaan produk pelumas PT XYZ.
Peramalan dilakukan dengan membandingkan lima metode peramalan diantaranya metode
moving average 3 bulanan, metode moving average 5 bulanan, metode exponential
smoothing dengan α=0,1, metode exponential smoothing dengan α=0,5, dan metode
exponential smoothing dengan α=0,9, dan naive method. Dengan metode penyimpangan
Mean Absolute Deviation (MAD), Mean Square Error (MSE), Root Mean Square Error
(RMSE), dan Absolute Presentation Error (MAPE). Data yang digunakan untuk peramalan ini
adalah data historis 2019 dari bulan januari hingga desember yang telah merepsentasikan
pola permintaan di setiap tahun. Data peramalan digunakan untuk meramalkan setahun
kedepan.
1001
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s
METODE
Menurut Nasution dan Prasetyawan (2008:29). peramalan adalah proses untuk
memperkirakan beberapa kebutuhan di masa datang yang meliputi kebutuhan dalam ukuran
kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan berang
atau jasa. Menurut Heizer dan Render (2009:162), peramalan (forecasting) adalah seni dan ilmu
untuk memperkirakan kejadian di masa depan. Hal ini dapat dilakukan dengan melibatkan
pengambilan data historis dan memproyeksikannya ke masa mendatang dan suatu bentuk model
matematis.
Ada beberapa metode peramalan yang biasanya digunakan dalam kegiatan peramalan
permintaan, diantaranya:
a. Metode Moving Average (MA)
Metode moving average digunakan jika data masa lalu merupakan data yang tidak
memiliki unsur trend atau faktor musiman. Moving average banyak digunakan untuk
menentukan tren dari suatu deret waktu. Tujuan utama dari penggunaan rata–rata bergerak
adalah untuk menghilangkan atau mengurangi acakan (randomness) dalam deret waktu.
Secara aljabar rata-rata bergerak (MA) dapat dituliskan sebagai berikut:
𝑋1+𝑋2+⋯+𝑋𝑇 1
FT+1 = 𝑇
= 𝑇
∑𝑇𝑖=1 Xi … (1)
Dengan membandingkan FT+1 dan FT+2, dapat dilihat bahwa FT+2 perlu menghilangkan nilai
X1 dan menambahkan nilai XT+1 begitu nilai ini tersedia, sehingga cara lain untuk menulis FT+2
adalah:
1
FT+1 = FT+1 + (XT+1 – X1) … (3)
𝑇
Mt = Ft + 1
𝑋𝑡+𝑋𝑡−1+𝑋𝑡−2+⋯+𝑋𝑡−𝑛+1
= … (4)
𝑛
Dimana:
St = α * Xt + (1-α) * St – 1 … (5)
Dimana:
c. Naive method
Naïve method adalah metode peramalan yang sederhana Karena hanya
menggunakan data nilai aktual sebelumnya (At-1) sebagai ramalan untuk periode
sekarang, dan begitu seterusnya.
(𝐴𝑡−𝐹𝑡)2
MSE = 𝛴 𝑛
… (8)
(𝐴𝑡−𝐹𝑡)2
RMSE = √𝛴 … (9)
𝑛
Keterangan :
𝛴 = Jumlah
𝐴𝑡 = Data pengamatan periode t
𝐹𝑡 = Ramalan periode t
N = Jumlah data
c. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) merupakan ukuran kesalahan relatif.
MAPE biasanya lebih berarti dibandingkan MAD karena MAPE menyatakan
persentase kesalahan hasil peramalan. MAPE merupakan rata-rata kesahalan
mutlak selama periode tertentu yang kemudian dikalikan 100% sehingga
didapatkan hasil berupa prosentase.
100 𝐹𝑡
MAPE = ( 𝑛
)Σ|𝐴𝑡 − 𝐴𝑡
| … (10)
Keterangan :
𝛴 = Jumlah
𝐴𝑡 = Data pengamatan periode t
1003
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s
𝐹𝑡 = Ramalan periode t
n = Jumlah data
1 Januari 403.782
2 Februari 459.308
3 Maret 463.230
4 April 414.319
5 Mei 448.352
6 Juni 378.284
7 Juli 421.063
8 Agustus 421.063
9 September 421.063
10 Oktober 418.001
11 November 421.063
12 Desember 362.883
Jumlah 5.032.411
Januari 403.782
1004
Februari 459.308
Maret 463.230
Square of error
Permintaan Moving Dev.
Error
Average Absolute
Bulan (Demand) Error² |(At - Ft)/At|
2019 At-Ft
(5 bulanan) |At - Ft| |At - Ft|²
Januari 403.782
Februari 459.308
Maret 463.230
April 414.319
Mei 448.352
1005
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s
Square of error
Permintaan Exponential Dev.
Error
Absolute
Bulan (Demand) Smoothing
Error² |(At - Ft)/At|
2019 At-Ft
(α= 0,1) |At - Ft| |At - Ft|²
Januari 403.782 ‒
1006
Tabel 5. Peramalan Dengan Metode Exponential Smoothing α = 0,5.
Square of error
Permintaan Exponential Dev.
Absolute
Bulan (Demand) Smoothing
Error At-Ft Error² |(At - Ft)/At|
2019 (α= 0,5) |At - Ft| |At - Ft|²
Januari 403.782 ‒
Square of
Permintaan Exponential Dev. error
Error
Absolute
Bulan (Demand) Smoothing
|(At - Ft)/At|
At-Ft Error²
2019 (α= 0,9) |At - Ft|
|At - Ft|²
Januari 403.782 ‒
1007
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s
Januari 403.782 ‒
1008
Dari hasil peramalan dengan keenam metode yang ada, masing-masing metode
menghasilkan tingkat penyimpangan yang berbeda-beda. Dimana hasil penyimpangan dari
setiap metodelah yang akan dibandingkan untuk melihat metode peramalan manakah yang
paling optimal digunakan.
Dari tingkat penyimpangan dari setiap metode dapat dilihat bahwa metode Exponential
Smoothing (α= 0,9) merupakan metode yang paling optimal. Dan setelah dibandingkan
dengan naive method pun tetap peramalan dengan metode Exponential Smoothing (α= 0,9)
yang paling optimal, seperti yang dapat di lihat dengan jelas dari grafik tingkat
penyimpangan MAPE metode Exponential Smoothing (α= 0,9) memiliki nilai penyimpangan
paling rendah.
4.00 2.98
2.00
0.60
0.00
1 2 3 4 5 6
KESIMPULAN
Hasil penelitian ini menunjukkan metode peramalan exponential smoothing dengan α=0,9
dengan nilai penyimpangan MAD 2.364,50, MSE 12.448.875,06, RMSE 3.528,30 dan MAPE 0,60
dapat dikatakan metode yang lebih optimal untuk diterapkan di PT XYZ karena memiliki nilai
penyimpangan paling rendah dari metode moving average 3 bulanan, moving average 5 bulanan,
exponential smoothing dengan α=0,1, exponential smoothing dengan α=0,5 dan naive method.
Sehingga PT XYZ untuk menentukan tingkat permintaan konsumen dapat menggunakan
metode exponential smoothing dengan α=0,9, karena setelah dilakukan perbandingan dari hasil
penyimpangan setiap metode dan telah terbukti bahwasannya metode exponential smoothing
dengan α=0,9 memiliki nilai penyimpangan Mean Absolute Deviation (MAD) 2.364,60 , Mean
Square Error (MSE) 12.448.875,06, Root Mean Square Error (RMSE) 3.528,30 dan Absolute
Presentage Error (MAPE) 0,60 yang artinya merupakan nilai penyimpangan terkecil dari metode
moving average 3 bulanan, moving average 5 bulanan, exponential smoothing dengan α=0,1,
1009
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s
DAFTAR PUSTAKA
Afrista, S. M., & Nurcahyanie, Y. D. (2014). Analisa Perencanaan Dan Pengendalian Persediaan Produksi
Foam Dengan Metode Exponential Smooothing (Studi kasus pada PT. Bestari Mulia). Jurnal Teknik
Waktu Volume 12 Nomor 02, 1412-1867.
Nugraha, E. Y., & Suletra, I. W. (2017). Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan pada
PT. Samator Gresik. Seminar dan Konferensi Nasional IDEC, (pp. 2579-6429). Surakarta.
Nurlifa, A., & Kusumadewi, S. (2017). Sistem Peramalan Jumlah Penjualan Menggunakan Metode Moving
Average Pada Rumah Jilbab Zaky. Jurnal Invotek Polbeng - Seri Informatika, 2527-9866.
Rachman, R. (2018). Penerapan Metode Moving Average dan Exponential Smoothing pada Peramalan
Produksi Industri Garment. Jurnal Informatika, Vol.5 No.1, 2355-6579.
Sungkawa, I., & Megasari, R. T. (2011). Penerapan Ukuran Ketetapan Nilai Ramalan Data Deret Waktu
Dalam Seleksi Model Peramalan Volume Penjualan PT Satriamandiri Citramulia. Matematics and
Statistic Departement, 636-645.
Sutrisno, V. R. (2013). Analisis Forecasting untuk Data Penjualan Menggunakan Metode Simple Moving
Average dan Single Exponential Smoothing: Studi Kasus PT Guna Kemas Indah. FASILKOM UI.
1010