Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

ANALISIS PERBANDINGAN PERAMALAN PERMINTAAN

PELUMAS PT XYZ DENGAN METODE MOVING AVERAGE,
EXPONENTIAL SMOOTHING DAN NAIVE METHOD
(Comparative Analysis of XYZ Company Lubricant Demand Forecasting with The Moving
Average Method, Exponential Smoothing and Naive Method)
Destia Anisya Ramdani*1 dan Fahriza Nurul Azizah2
12
Program Studi Teknik Industri, Fakultas Teknik, Universitas Singaperbangsa Karawang
Jl. HS. Ronggo Waluyo, Puseurjaya, Kec.Telukjambe Tim., Kabupaten Karawang,
Jawa Barat 41361
Email: destia.anisya17047@student.unsika.ac.id

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.

Kata Kunci: Peramalan, Metode Peramalan, Perbandingan, Tingkat Penyimpangan, Pelumas.

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.

Keywords: Forecasting, Forecasting Method, Comparison, Deviation Rate, Lubricant

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)

𝑋2+⋯+ 𝑋𝑇+ XT+1 1

FT+2 = 𝑇
= 𝑇 𝑖=2 Xi …
∑𝑇+1 (2)

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

Ada pula yang merumuskan MA dengan rumus sebagai berikut:

Mt = Ft + 1
𝑋𝑡+𝑋𝑡−1+𝑋𝑡−2+⋯+𝑋𝑡−𝑛+1
= … (4)
𝑛

Dimana:

Mt = Moving Average untuk periode t

Ft+1 = Ramalan Untuk Periode t + 1
Yt = Nilai Riil periode ke t

b. Metode Exponential Smoothing

Tidak seperti moving averge, exponential smoothing memberikan penekanan yang lebih
besar kepada time series saat ini melalui penggunaan sebuah konstanta smoothing
(penghalusan). Konstanta smoothing mungkin berkisar dari 0 ke 1. Nilai yang dekat dengan 1
memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang dekat dengan 0
memberi penekanan pada titik data sebelumnya (Herjanto, 2009).

St = α * Xt + (1-α) * St – 1 … (5)

Dimana:

St = Peramalan untuk periode t.

Xt + (1-α)= Nilai aktual time series

Ft-1 = Peramalan pada waktu t-1 (waktu sebelumnya)

1002
α = Konstanta perataan antara 0 dan 1

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.

Ft+1 = At-1 … (6)

Dimana:

At-1 = Permintaan Aktual pada waktu t-1 (waktu sebelumnya)

Ft+1 = peramalan pada waktu t+1 (periode berikutnya)

Dalam perhitungan peramalan permintaan produk dengan metode-metode yang

tersedia, terdapat beberapa metode untuk melihat tingkat penyimpangan atau
kesalahan pada setiap metode, diantarnya:
a. Mean Absolute Deviation (MAD)
Mean Absolute Deviation (MAD) adalah rata–rata nilai absolut dari kesalahan
meramal, dengan tidak menghiraukan tanda positif serta negatifnya.
𝐴𝑡−𝐹𝑡
MAD = 𝛴 | 𝑛 | … (7)
Keterangan :
𝛴 = Jumlah
𝐴𝑡 = Data pengamatan periode t
𝐹𝑡 = Ramalan periode t
n = Jumlah data
b. Mean Square Error (MSE) dan Root Mean Square Error (RMSE)
Mean Square Error (MSE) Adalah rata–rata perbedaan kuadrat antara nilai–nilai
yang diramalkan dan nilai yang di amati MSE memberikan hukuman bagi kesalahan
yang lebih besar, atau memperkuat pengaruh angka-angka kesalahan besar tetapi
memperkecil angka. RMSE merupakan akar dari hasil MSE.

(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

HASIL DAN PEMBAHASAN

Dari data historis tahun 2019 dilakukan peramalan untuk satu tahun kedepan dengan
membandingan enam metode yaitu 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).

Tabel 1. Data Historis 2019.

No Bulan Permintaan (Demand)
2019

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

Tabel 2. Peramalan Dengan Metode Moving Average 3 Bulanan.

Square of error
Moving Dev.
Permintaan Error
Bulan (Demand) Average Absolute Error² |(At - Ft)/At|
2019 At-Ft
(3 bulanan) |At - Ft| |At - Ft|²

Januari 403.782

1004
 Februari 459.308

Maret 463.230

April 414.319 442.106,67 -27.787,67 27.787,67 772.154.418,78 0,07

Mei 448.352 445.619,00 2.733,00 2.733,00 7.469.289,00 0,01

Juni 378.284 441.967,00 -63.683,00 63.683,00 4.055.524.489,00 0,17

Juli 421.063 413.651,67 7.411,33 7.411,33 54.927.861,78 0,02

Agustus 421.063 415.899,67 5.163,33 5.163,33 26.660.011,11 0,01

September 421.063 406.803,33 14.259,67 14.259,67 203.338.093,44 0,03

Oktober 418.001 421.063,00 -3.062,00 3.062,00 9.375.844,00 0,01

November 421.063 420.042,33 1.020,67 1.020,67 1.041.760,44 0,00

Desember 362.883 420.042,33 -57.159,33 57.159,33 3.267.189.387,11 0,16

Σ 3.827.195,00 -121.104,00 182.280,00 8.397.681.154,67 0,47

Tabel 3. Peramalan Dengan Metode Moving Average 5 Bulanan.

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

Juni 378.284 437.798,20 -59.514,20 59.514,20 3.541.940.001,64 0,16

Juli 421.063 432.698,60 -11.635,60 11.635,60 135.387.187,36 0,03

Agustus 421.063 425.049,60 -3.986,60 3.986,60 15.892.979,56 0,01

September 421.063 416.616,20 4.446,80 4.446,80 19.774.030,24 0,01

Oktober 418.001 417.965,00 36,00 36,00 1.296,00 0,00

November 421.063 411.894,80 9.168,20 9.168,20 84.055.891,24 0,02

1005
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

Desember 362.883 420.450,60 -57.567,60 57.567,60 3.314.028.569,76 0,16

Σ 2.962.473,00 -119.053,00 146.355,00 7.111.079.955,80 0,39

Tabel 4. Peramalan Dengan Metode Exponential Smoothing α = 0,1.

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 ‒

Februari 459.308 409.334,60 49.973,40 49.973,40 2.497.340.707,56 0,11

Maret 463.230 459.700,20 3.529,80 3.529,80 12.459.488,04 0,01

April 414.319 458.338,90 -44.019,90 44.019,90 1.937.751.596,01 0,11

Mei 448.352 417.722,30 30.629,70 30.629,70 938.178.522,09 0,07

Juni 378.284 441.345,20 -63.061,20 63.061,20 3.976.714.945,44 0,17

Juli 421.063 382.561,90 38.501,10 38.501,10 1.482.334.701,21 0,09

Agustus 421.063 421.063,00 0,00 0,00 0,00 0,00

September 421.063 421.063,00 0,00 0,00 0,00 0,00

Oktober 418.001 420.756,80 -2.755,80 2.755,80 7.594.433,64 0,01

November 421.063 418.307,20 2.755,80 2.755,80 7.594.433,64 0,01

Desember 362.883 415.245,00 -52.362,00 52.362,00 2.741.779.044,00 0,14

Σ 4.665.438,10 -90.312,30 234.085,50 11.091.947.676,03 0,59

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 ‒

Februari 459.308 431.545,00 27.763,00 27.763,00 770.784.169,00 0,06

Maret 463.230 461.269,00 1.961,00 1.961,00 3.845.521,00 0,00

April 414.319 438.774,50 -24.455,50 24.455,50 598.071.480,25 0,06

Mei 448.352 431.335,50 17.016,50 17.016,50 289.561.272,25 0,04

Juni 378.284 413.318,00 -35.034,00 35.034,00 1.227.381.156,00 0,09

Juli 421.063 399.673,50 21.389,50 21.389,50 457.510.710,25 0,05

Agustus 421.063 421.063,00 0,00 0,00 0,00 0,00

September 421.063 421.063,00 0,00 0,00 0,00 0,00

Oktober 418.001 419.532,00 -1.531,00 1.531,00 2.343.961,00 0,00

November 421.063 419.532,00 1.531,00 1.531,00 2.343.961,00 0,00

Desember 362.883 391.973,00 -29.090,00 29.090,00 846.228.100,00 0,08

Σ 4.649.078,50 -50.173,50 130.047,50 3.423.440.640,75 0,33

Tabel 6. Peramalan Dengan Metode Exponential Smoothing α = 0,9.

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 ‒

Februari 459.308 453.755,40 5.552,60 5.552,60 30.831.366,76 0,01

Maret 463.230 462.837,80 392,20 392,20 153.820,84 0,00

April 414.319 419.210,10 -4.891,10 4.891,10 23.922.859,21 0,01

1007
Seminar Nasional Official Statistics 2019: Pengembangan Official Statistics dalam mendukung Implementasi SDG’s

Mei 448.352 444.948,70 3.403,30 3.403,30 11.582.450,89 0,01

Juni 378.284 385.290,80 -7.006,80 7.006,80 49.095.246,24 0,02

Juli 421.063 416.785,10 4.277,90 4.277,90 18.300.428,41 0,01

Agustus 421.063 421.063,00 0,00 0,00 0,00 0,00

September 421.063 421.063,00 0,00 0,00 0,00 0,00

Oktober 418.001 418.307,20 -306,20 306,20 93.758,44 0,00

November 421.063 420.756,80 306,20 306,20 93.758,44 0,00

Desember 362.883 368.701,00 -5.818,00 5.818,00 33.849.124,00 0,02

Σ 4.632.718,90 -10.034,70 26.009,50 136.937.625,63 0,07

Tabel 7. Peramalan Dengan Naive Method.

Square of error
Dev.
Permintaan Error
Naive Absolute
Bulan (Demand) Error² |(At - Ft)/At|
Method
2019 At-Ft
|At - Ft| |At - Ft|²

Januari 403.782 ‒

Februari 459.308 403.782,00 55.526,00 55.526,00 3.083.136.676,00 0,12

Maret 463.230 459.308,00 3.922,00 3.922,00 15.382.084,00 0,01

April 414.319 463.230,00 -48.911,00 48.911,00 2.392.285.921,00 0,12

Mei 448.352 414.319,00 34.033,00 34.033,00 1.158.245.089,00 0,08

Juni 378.284 448.352,00 -70.068,00 70.068,00 4.909.524.624,00 0,19

Juli 421.063 378.284,00 42.779,00 42.779,00 1.830.042.841,00 0,10

Agustus 421.063 421.063,00 0,00 0,00 0,00 0,00

September 421.063 421.063,00 0,00 0,00 0,00 0,00

Oktober 418.001 421.063,00 -3.062,00 3.062,00 9.375.844,00 0,01

November 421.063 418.001,00 3.062,00 3.062,00 9.375.844,00 0,01

Desember 362.883 421.063,00 -58.180,00 58.180,00 3.384.912.400,00 0,16

Σ 4.669.528,00 -100.347,00 260.095,00 13.693.762.563,00 0,66

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.

Tabel 8. Rekapituliasi Tingkat Penyimpangan Metode Peramalan.

No Metode MAD MSE RMSE MAPE

1 Moving Average 3 Bulanan 20.253,33 933.075.683,85 30.546,29 5,25

2 Moving Average 5 Bulanan 20.907,86 1.015.868.565,11 31.872,69 5,51

3 Exponential Smoothing (α= 0,1) 21.280,50 1.008.358.879,64 31.754,67 5,36

4 Exponential Smoothing (α= 0,5) 11.822,50 311.221.876,43 17.641,48 2,98

5 Exponential Smoothing (α= 0,9) 2.364,50 12.448.875,06 3.528,30 0,60

6 Naïve Method 23.645,00 1.244.887.505,73 35.282,96 5,96

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.

Grafik Hasil MAPE

8.00
5.51 5.96
6.00 5.25 5.36

4.00 2.98

2.00
0.60
0.00
1 2 3 4 5 6

Gambar 1. Grafik Nilai Penyimpangan MAPE.

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

exponential smoothing dengan α=0,5, dan naive method.

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.

Heizer dan Render (2009). https://www.pelajaran.co.id/2017/08/pengertian-peramalan-forecasting-fungsi-

manfaat-tujuan-metode-dan-jenisnya.html#fungsi-dan-manfaat-peramalan-forecasting. (Diakses 10
Januari 2020).

Heizer dan Render (2009). https://www.pelajaran.co.id/2017/07/29-pengertian-peramalan-forecasting-

menurut-para-ahli-terlengkap.html. (Diakses 11 Januari 2020).

1010