PERAMALAN PENJUALAN MINUMAN PENYEGAR DI

PT. SARI ENESIS INDAH

Oleh
Ellen Vande Nauli
ID No. 004201000125

Laporan Penelitian Disampaikan Kepada Fakultas Teknik President

University Diajukan Untuk Memenuhi Persyaratan Akademik
Mencapai Gelar Sarjana Teknik Program Studi Teknik Industri

2014
 ABSTRAK

Research And Development merupakan bagian dalam perusahaan yang berperan

dalam menciptakan produk maupun melakukan pengembangan terhadap produk guna
terus memperbaiki kualitasnya, terutama dalam menghadapi persaingan yang sangat
ketat dalam dunia perindustrian. Demi mengahadapi tingkat persaingan dalam
memenuhi kebutuhan konsumen terhadap produk, diperlukan adanya kerja sama
dalam suatu tim kerja antara pihak produksi, persediaan akan bahan baku, persediaan
bahan kemas, hingga penjadwalan produksi yang tepat waktu. Jika keseluruhan aspek
ini dapat berjalan lancer, maka perusahaan mampu menanangani penjualan produk.
Namun kenyataanya seringkali terjadi ketidakseimbangan antara kapasitas produksi
dengan trend penjualan di PT. Sari Enesis Indah. Adapun penjualan produk yang
ingin diperbaiki dalam penelitian ini adalah minuman penyegar. Oleh karena sering
terjadinya kekurangan maupun kelebihan produk yang menyebabkan terganggunya
inventory dan penjualan produk maka diperlukan perbaikan terhadap peramalan
penjualan di PT.Sari Enesis Indah. Dalam penelitian ini, peramalan produk akan
dihitung dengan menggunakan metode Simple Average, Exponential Smoothing,
Single Exponential Smoothing dan Double Exponential Smoothing. Metode
peramalan yang terbaik akan dipilih berdasarkan nilai MSE terkecil. Berdasarkan
penelitian ini didapat MSE terkecil dengan menggunakan metode ES dengan
konstanta pemulusan 9,9 sebesar 15.344.214. Selain itu hasil persentase selisih aktual
penjualan terhadap usulan peramalan sebesar 19.27%, sedangkan persentase selisih
aktual penjualan terhadap forecast perusahaan sebesar 20.24%.

Kata Kunci : Research And Development, Penjualan, Peramalan, Simple Average,

Exponential Smoothing, Single Exponential Smoothing dan Double Exponential
Smoothing, MSE.
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Pada saat ini hampir seluruh perusahaan dengan berbagai bidang jenis, seperti
perusahaan manufaktur makanan dan minuman (food and beverages), otomotif,
farmasi dan lain sebagainya dihadapkan pada masalah yaitu tingkat persaingan yang
semakin kompetitif. Hal ini mengharuskan perusahaan untuk menentukan jumlah
pembelian dan jumlah produksi, agar dapat memenuhi permintaan pasar dengan tepat
waktu dan dengan jumlah yang sesuai. Pada dasarnya penentuan jumlah pembelian
ini direncanakan untuk memenuhi jumlah persediaan barang guna memenuhi tingkat
penjualan yang direncanakan atau tingkat permintaan pasar.

PT. Sari Enesis Indah yang berlokasi di Kawasan Industri Cikarang merupakan
perusahaan manufaktur yang bergerak di bidang pangan. dengan lisensi GMP (Good
Manufacturing Practices) dan sudah bersertifikat ISO 9001 : 2008 ini menjadi
fasilitas untuk penghasil produk makanan kesehatan yang berasal dari bubuk dan
liquid. Produk-produk yang dihasilkan dibuat dengan menggunakan mesin-mesin
berteknologi komputerisasi otomatis. Salah satu contoh produk yang bersaing di
pasar adalah minuman penyegar. Dalam proses produksinya untuk penyediaan
produk guna memenuhi permintaan pasar sering terjadi penumpukan produk akibat
dari total penjualan produk yang tidak sebanding dengan jumlah produk yang sudah
di produksi. Berikut tabel antara aktual penjualan terhadap kapasitas produksi :
 Tabel 1.1. Data Kapasitas Produksi terhadap Aktual Penjualan
Indeks Kapasitas Produksi Aktual Penjualan
Waktu (Satuan : karton) (Satuan : karton)
1 81000 78977
2 88000 85731
3 110000 100838
4 125000 121883
5 130000 133774
6 155000 152313
7 163000 162333
8 100000 87899
9 100000 99617
10 100000 123613
11 135000 130337
12 132000 129445

Seperti pada bulan Januari 2013 terjadi stok berlebih sebanyak 2.023 karton. Selain
itu pada bulan Februari 2013 terjadi penumpukan barang sebanyak 2.269 karton,
sedangkan pada bukan Maret 2013 terjadi penumpukan sebanyak 9.162 karton. Untuk
bulan April stock barang sebanyak 3.117 karton. Sementara pada bulan Mei 2103
terjadi kekurangan produk sebanyak 3.774 karton. Begitu pula bulan berikutnya
terdapat penumpukan persediaan produk berdasarkan dari selisih antara kapasitas
produksi terhadap aktual penjualan. Pada bulan Agustus hingga September terjadi
penurunan penjualan yang signifikan jika dibandingkan pada bulan-bulan
sebelumnya, hal ini jika dianalisis oleh pihak marketing pada bulan tersebut
penjualan menurun dikarenakan situasi perdagangan yang sulit dan memasuki bulan
puasa. Dengan kata lain ada kondisi musiman pada penjualan minuman penyegar.

Kondisi ini sering terjadi sehingga dapat mempengaruhi keuntungan perusahaan dan
kepastian produksi yang tidak jelas. Hal ini terjadi karena tidak sesuainya
perencanaan produksi dengan trend permintaan produk yang terjadi saat ini. Oleh
karena itu perlu dilakukannya peramalan terhadap penjualan poduk. Peramalan
adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap suatu atau
beberapa produk pada masa yang akan datang. Peramalan dalam kegiatan perusahaan
manufaktur atau yang biasa disebut dengan produksi dilakukan untuk menentukan
jumlah permintaan terhadap suatu produk dan merupakan langkah awal dalam
perencanaan dan pengendalian produksi. Peramalan penjualan produk ini dilakukan
guna memperkirakan biaya yang akan dikeluarkan dalam satu bulannya. Sehingga
dengan begitu kelebihan stock ataupun penumpukan persediaan produk dalam gudang
dapat dihindari.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang diuraikan di atas didapat rumusan masalah yaitu
bagaimana memperkirakan penjualan produk agar profit perusahaan meningkat?

1.3 Tujuan Masalah

Dari rumusan masalah di atas, maka dapat diketahui tujuan penelitian ini adalah
mencari metode peramalan yang tepat dalam meramalkan penjualan minuman
penyegar.

1.4 Batasan Masalah

Batasan masalah yang di bahas pada laporan ini yaitu peramalan hanya dilakukan
dengan menggunakan data penjualan aktual selama bulan Januari 2013 sampai
Desember 2013

1.5 Asumsi
 Tidak ada promosi selama penelitian berlangsung.
 Tidak ada diskon produk selama periode peramalan.

1.6 Sistematika Penulisan

Bab I Pendahuluan
Pada bab ini dibahas mengenai latar belakang penelitian, rumusan
masalah, tujuan masalah, batasan masalah dan asumsi.
Bab II Studi Pustaka
Bab ini menyanyikan teori-teori yang mendukung penelitian mengenai
peramalan, teknik permalan yang baik, metode-metode peramalan seperti
Single Moving Average, Double Moving Average, Weighted Moving
Average, Single Exponential Smoothing, Double Exponential Smoothing,
Brown’s Linier Method dan Holt’s Method.

Bab III Metodologi Penelitian

Pada bab ini membahas mengenai tahapan-tahapan dari awal hingga akhir
penelitian.

Bab IV Data dan Analisis

Data aktual diolah dan dianalisis pada bab ini. Pengolahan data yang
sesuai untuk meramalkan penjualan minuman penyegar terhadap
penjualan aktual. Hasil yang diperoleh dari peramalan penjualan yang
dilakukan ini diharapkan mampu memberikan data yang sesuai dengan
keadaan yang sebenarnya guna memperkirakan biaya yang akan
dikeluarkan dalam setiap bulannya dan mnghindari penumpakan
persediaan di gudang.

Bab V Simpulan dan Saran

Bab ini menyajikan simpulan dari hasil analisis data dan saran untuk
perusahaan demi perbaikan penjualan minuman penyegar.
 BAB II
STUDI PUSTAKA

2.1. Definisi Peramalan (Forecasting)

Peramalan adalah proses memperkirakan kebutuhan di masa yang akan datang dalam
ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka
memenuhi permintaan barang dan jasa. Menurut Sofyan Assauri (1984), Peramalan
adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau
beberapa produk pada periode yang akan datang. Pada hakekatnya peramalan hanya
merupakan suatu perkiraan (guess), tetapi dengan menggunakan teknik-teknik
tertentu, maka peramalan menjadi lebih sekadar perkiraan. Peramalan dapat dikatakan
perkiraan yang ilmiah (educated gues). Setiap pengambilan keputusan yang
menyangkut keadaan di masa yang akan datang, maka pasti ada peramalan yang
melandasi pengambilan keputusan tersebut.

Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah permintan

terhadap suatu produk dan merupakan langkah awal dari proses perencanaan dan
pengendalian produksi. Dalam peramalan perlu ditetapkan jenis produk apa yang
diperlukan, jumlahnya, dan kapan dibutuhkan. Tujuan peramalan dalam kegiatan
produksi adalah untuk meredam ketidakpastian sehingga diperoleh suatu perkiraan
yang mendekati keadaan yang sebenarnya. Suatu perusahaan biasanya menggunakan
prosedur tiga tahap untuk sampai pada peramalan penjualan, yaitu diawali dengan
melakukan peramalan lingkungan, diikuti dengan peramalan penjualan industri, dan
diakhiri dengan peramalan penjualan perusahaan.
2.2. Karakeristik Peramalan Yang Baik
Peramalan yang baik mempunyai beberapa kriteria yang penting antara lain akurasi,
biaya dan kemudahan (Assauri, 1984), Adapun penjelasan mengenai kriteria tersebut
adalah :
a. Akurasi
Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan
kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila
peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan
yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya
kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan
mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak
dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan
pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu
tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga
banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini
berperan penting dalam menyeimbangkan persediaan yang ideal.

b. Biaya
Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung
dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode
peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan
mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan
datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan
siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus
disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat,
misalnya item-item yang penting akan diramalkan dengan metode yang
sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto
(Analisa ABC).

c. Kemudahan
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah
diaplikasikan akan memberikan keuntungan bagi perusahaan. Percuma
menggunakan metode yang canggih, tetapi tidak dapat diaplikasikan pada
 sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun
peralatan teknologi.

2.3. Klasifikasi Teknik Peramalan.

Dalam sistem peramalan penggunaan berbagai model peramalan memberikan nilai
ramalan yang berbeda. Salah satu hal yang menarik dalam peramalan adalah memilih
model peramalan yang terbaik yang mampu mengidentifikasi dan menanggapi pola
aktifitas histori dari data (record data). Pada umumnya peramalan dapat dibedakan
dari beberapa segi tergantung dari sudut pandang seseorang. Apabila dilihat dari sifat
penyusunannya, maka peramalan dapat dibedakan atas dua macam :
2.3.1. Dilihat dari Jangka Waktu Ramalan yang Disusun
a. Peramalan Jangka Pendek
Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka
waktunya satu tahun atau kurang. Peramalan ini digunakan untuk mengambil
keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja dan lain-lain
keputusan kontrol jangka pendek.

b. Peramalan Jangka Menengah

Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka
waktunya satu hingga lima tahun ke depan. Peramalan ini lebih
mengkhususkan dibandingkan peramalan jangka panjang, biasanya digunakan
untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran.

c. Peramalan Jangka Panjang

Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka
waktunya lebih dari lima tahun yang akan datang. Peramalan jangka panjang
digunakan untuk pengambilan keputusan mengenai perencanaan produk dan
perencanaan pasar, pengeluaran biaya perusahaan, studi kelayakan pabrik,
anggaran purchase order, perencanaan tenaga kerja serta perencanaan
kapasitas kerja.
2.3.2. Berdasarkan Sifat Ramalan yang Disusun, peramalan dapat dibedakan atas
dua macam, yaitu menurut Sungkono, 2006 terbagi atas :
a. Peramalan Kualitatif
Yaitu peramalan yang didasarkan atas kualitatif pada masa lalu. Hasil
peramalan yang dibuat sangat tergantung pada seseorang yang menyusun
peramalan tersebut. Hal ini penting karena hasil peramalan tersebut ditentukan
berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan
pengetahuan serta pengalaman. Biasanya peramalan secara kualitatif
didasarkan atas hasil penyelidikan, seperti Delphi, S-Curve, analogies dan
penelitian bentuk atau morphological research atau didasarkan atas ciri-ciri
normatif, seperti decision matrices atau decision trees.

b. Peramalan Kuantitatif
Yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil
peramalan yang dibuat sangat tergantung pada metode yang dipergunakan
dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil
peramalan yang berbeda. Adapun yang perlu diperhatikan dari penggunaan
metode tersebut adalah baik/tidaknya metode yang dipergunakan, sangat
ditentukan oleh perbedaan atau penyimpangan anatara hasil ramalan dengan
kenyataan yang sebenarnya. Metode yang baik adalah metode yang yang
memberikan nilai-nilai perbedaan atau penyimpangan yang terkecil.
Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi
sebagai berikut :
 Adanya informasi tentang keadaan yang lain.
 Informasi tersebut dapat dikuantifikasikan dalam bentuk data
 Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa
yang akan datang.
Berdasarkan Sungkono,2009, Metode peramalan kuantitatif ini dapat dibedakan atas
dua bagian :
1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan
antara variable yang akan diperkirakan dengan variabel waktu, yang
merupakan deret waktu atau time-series.mempengaruhi analisis.

Metode time-series adalah metode yang dipergunakan untuk menganalisis

serangkaian data yang merupakan fungsi dari waktu. Metode ini
mengamsusikan beberapa pola atau kombinasi pola selalu berulang sepanjang
waktu dan pola dasarnya dapat diidentifikasikan semata-mata atas dasar data
historis dari serial itu. Ada empat komponen utama yang mempengaruhi
analisis ini, yaitu :

i. Pola Siklis

Pola Data Siklik

99
98
97
96
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Data

Gambar 2.1. Pola Data Siklik

Penjualan produk dapat memiliki siklus yang berulang secara periodik.

Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang
terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat
berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data
memiliki kecenderungan untuk naik atau turun terus-menerus.
 ii. Pola Musiman

Pola Data Musiman

105
100
95
90
85
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Data

Gambar 2.2. Pola Data Musiman

Pola ini menggambarkan pola penjualan yang berulang setiap periode.

Komponen musim ini dapat dijabarkan ke dalam faktor cuaca, libur atau
kecenderungan perdagangan. Pola musiman berguna untuk meramalkan
penjualan dalam jangka pendek.

iii. Pola Horizontal

Pola Data Horizontal

101

100

99
1 3 5 7 9 11 13 15 17 19

Data

Gambar 2.3. Pola Data Horizontal

Pola ini terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata.
 iv. Pola Trend

Pola Data Trend

105

100

95

90
1 2 3 4 5 6 7 8 9 10 11 12 13 14

Data

Gambar 2.4. Pola Data Trend

Pola data ini terjadi apabila data memiliki kecenderungan untuk naik atau
turun terus-menerus.

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel lain yang
mempengaruhinya yang bukan waktu yang disebut metode korelasi atau
sebab-akibat (causal method).

Adapun Taksonomi Peramalan dapat dilihat pada gambar 2.5, menurut Render, Stair,
Hanna (2006 : 151 )
 Forecasting
Method

Objective Subjective
(Judgmental)
Forecasting Methods
Forecasting Methods

Time Series Causal

Analogies
Methods Methods

Naïve Simple
Methods Regression Delphi

Moving Multiple
Averages Regression PERT

Exponential Neural Survey

Smoothing Networks techniques

Simple
Regression

ARIMA

Neural
Networks
Gambar 2.5. Taksonomi Peramalan

Adapun metode peramalan yang termasuk pada model time series adalah sebagai
berikut :
1. Berdasarkan Heizer dan Render (2009), metode Rata-Rata Bergerak ( Moving
Average ), terdiri atas :
 Single Moving Average (SMA)
Moving Average pada suatu periode merupakan peramalan untuk satu periode ke
depan dari periode rata-rata tersebut. Persoalan yang timbul dalam penggunaan
 metode ini adalah dalam menentukan nilai t (periode rata-rataan). Semakin besar
nilai t maka peramalan yang dihasilkan akan semakin menjauh pola data. Secara
matematis, rumus fungsi peramalan metode ini adalah :
-
Ft+1 = (2-1)

Dimana :
X1 = data pengamatan periode i
N = jumlah deret waktu yang digunakan
Ft+1 = nilai peramalan t+1

 Linier Moving Average (LMA)

Dasar dari metode ini adalah penggunaan moving average kedua untuk
memeperoleh penyesuain bentuk pola trend. Metode linier moving average adalah:
a. Hitung “single moving average” dari data dengan periode perata-rataan
er en u, hasilnya dino asikan dengan S ’.
b. Setelah semua Single Average dihitung, hitung moving average kedua yaitu
moving average S ’ dengan periode perata-rataan yang sama. Hasilnya
dino asikan dengan : S ”
c. Hitung kompinen At dengan rumus :
A =S’ (S ’-S ”)
d. Hitung komponen trend bt dengan rumus :
bt =

e. Peramalan untuk periode kedepan setelah t adalah sebagai berikut :

Ft+m = at + bt . m

 Double Moving Average

Notasi yang diberikan adalah MA (M x N), artinya M – periode MA dengan N-
periode MA.
 Weighted Moving Average
Data pada periode tertentu diberi bobot, semakin dekat dengan saat sekarang
semakin besar bobotnya. Bobot ditentukan berdasarkan pengalaman. Rumusnya
adalah sebagai berikut :
Ft = w1.At-1 + w2.At-2 wn.At-n ..(2-2)
dimana :
w1 = bobot yang diberikan pada periode t-1
w2 = bobot yang diberikan pada periode t-2
wn = bobot yang diberikanpada periode t-n
n = jumlah periode

2. Menurut Stevenson (2009), metode Exponential Smoothing, terdiri atas :

 Single Exponential Smoothing
Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1 merupakan
nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari
kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan dapat
dicari dengan menggunakan rumus berikut:
Ft+1 = α. t ( . α) . Ft (2-3)
dimana :
Xt = data permintaan pada periode t
α = faktor atau konstanta pemulusan
Ft+1 = peramalan pada periode t

 Double Exponential Smoothing (DES) yang terbagi atas :

o Satu parameter (Brown’s Linier Method ), merupakan metode yang hampir
sama dengan metode linier moving average, disesuaikan dengan menambahkan
satu parameter.
St’ = α . t + (1-α) St-1’ (2-4)
St” = α . St” ( -α) St-1” ..(2-5)
 dimana St’ merupakan single exponential smoothing sedangkan St” merupakan
double exponential smoothing
αt = St’ (St’- St”) = 2St’ – St” ............(2-6)
bt = ’ ” .....(2-7)

o Dua parameter (Holt’s Me hod)

Merupakan metode DES untuk time series dengan trend linier. Terdapat
kons an a yai u α dan β. Adapun rumusnya adalah sebagai beriku :
St = α . Dt + (1 – α) (St-1 + Gt-1) ......(2-8)
Gt = β (St – St-1) + (1 – β) . Gt-1 (2-9)
dimana :
St = intercept pada waktu t
Gt = slope pada waktu t

2.4. Kriteria Performance Peramalan

Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau
paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana
yng dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian yang
menjadi kriteria performance suatu metode peramalan. Ketepatan atau ketelitian
tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil
memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil
peramalan yang tinggi begiu pula sebaliknya.
Menurut Sungkono,2009 besar kesalahan suatu peramalan dapat dihitung dengan
beberapa cara, antara lain adalah :
1. Mean Square Error (MSE)

MSE = ...(2-10)

dimana : Xt = data aktual periode t

Ft = data ramalan periode t
N = banyaknya periode
2. Standard Error Of Estimate (SEE)

SEE = ..(2-11)

dimana : f = derajat kebebasan

Untuk data Konstan, f =1
Untuk data Linier, f =2
Untuk data Kuadratis, f =3
Untuk data Siklis, f =4

3. Percentage Error (PE)

PEt = ...(2-12)

dimana nilai dari PEt bisa positif atau negatif.

4. Mean Absolute Percentage Error (MAPE)

MAPE = (2-13)
 BAB III
METODOLOGI PENELITIAN

3.1. Observasi
Tahap pertama yang dilakukan dalam melakukan penelitian ini adalah observasi
perusahaan terhadap penjualan produk minuman penyegar. Observasi ini dilakukan
dengan cara mewawancarai pihak marketing sehubungan dengan penjualan minuman
penyegar. Dari hasil wawancara dengan pihak marketing, maka penulis mendapatkan
record data penjualan periode Januari hingga Desember 2013.

3.2. Identifikasi Masalah

Kondisi penumpukan persediaan produk di gudang dan jadwal produksi yang tidak
sebanding dengan penjualan produk merupakan faktor-faktor penyebab
diperlukannya peramalan penjualan. Dengan peramalan penjualan ini tentunya akan
membantu perusahaan dalam menentukan kapasitas produksi agar sesuai dengan
permintaan pasar (penjualan).

3.3. Pengumpulan Data

Pengumpulan data pada penelitian ini diambil pada periode bulan Januari hingga
Desember 2013. Data penjualan minuman penyegar diambil dari dokumentasi atau
record data dari department marketing. Sumber data penelitian didapat melalui hasil
wawancara secara lisan. Seluruh jawaban yang merupakan respon dari pihak
marketing, penulis kumpulkan untuk penulisan penelitian ini. Adapun data yang
diambil untuk penelitian ini adalah data sekunder, data-data yang sudah dilakukan
pengolahan pihak lain, berupa data penjualan produk minuman penyegar.

3.3.1. Teknik Pengumpulan Data

Pengumpulan data pada penelitian ini dapat dilakukan dengan cara sebagai berikut:
1. Wawancara
 Pengumpulan data yang dilakukan pada penelitian ini dengan cara melakukan
sesi tanya jawab terhadap pihak marketing. Segala respon yang diberikan
kemudian dengan dicatat oleh penulis untuk mendukung penelitian ini.

2. Dokumentasi
Data pada penelitian ini diambil dari pengarsipan dan laporan yang dimiliki
oleh tim marketing selama periode satu tahun.

3. Studi pustaka
Data pendukung dalam penelitian ini berasal dari teori-teori peramalan yang
didapat berbagai sumber berupa modul perkuliahan, studi literatur. Seluruh
teori mengenai peramalan ini dirangkum dalam BAB II.

3.4. Pengolahan Data

Peramalan penjualan minuman penyegar dilakukan dengan menggunakan metode
Simple Average, Single Exponential Smoothing, Double Exponential Smoothing.
Kemudian dihitung besar kesalahan dari setiap metode yang digunakan. Ukuran
kesalahan pada suatu peramalan yang dihitung berupa MSE (Mean Square Error) dan
MAPE (Mean Absolute Percentage Error). Kriteria metode peramalan yang terbaik
berdasarkan MSE atau MAPE terkecil diantara hasil perhitungan dengan
menggunakan metode Simple Average, Single Exponential Smoothing atau Double
Exponential Smoothing. Dalam hal ini, peramalan terbaik yang dipilih untuk
minuman penyegar berdasarkan MSE (Mean Square Error) terkecil.

3.5. Validasi dan Verifikasi Metode

Proses validasi dan verifikasi hasil peramalan dengan metode terbaik yang telah
diolah di pengolahan data berguna untuk melihat apakah metode peramalan yang
dipilih berdasarkan hasil ukuran kesalahan terkecil ini merepresentasikan terhadap
data. Proses verifikasi dan validasi data ini dapat dilihat dari pengukuran tracking
signal. Nilai tracking signal adalah indikator yang terdapat dalam peramalan, apakah
data yang diberikan memiliki sebaran yang masih dalam kontrol atau sudah berada di
luar kontrol, sehingga dapat dilihat bias dari metode peramalan yang dipilih. Nilai
tracking signal didapat dari perbandingan besarnya kumulatif error pada peramalan
dalam satu periode waktu terhadap MAD (Mean Absolute Deviation). Hasil verifikasi
dapat diterima jika nilai tracking signal yang dihasilkan mendekati nol dan sebaran
data yang diberikan tidak seluruhnya positif atau negatif, tetapi cukup berimbang.
3.6. Analisis Data
Hasil pengolahan data dari perhitungan menggunakan metode peramalan terbaik ini
kemudian dibuat perbandingan antara peramalan yang terdapat pada perusahaan
dengan usulan penjualan. Dilihat selisih antara forecast perusahaan terhadap aktual
data penjualan minuman pada tahun 2013, begitu pula dihitung selisih antara usulan
peramalan pada penelitian ini terhadap aktual penjualan minuman penyegar pada
tahun 2013. Selisih yang telah dihitung menggambarkan keadaan penjualan yang
sebaiknya perusahaan terapkan, sehingga memiliki keakuratan penjualan yang
sigifikan dalam satu tahun.

3.7. Simpulan dan Saran

Langkah terakhir dalam metode peramalan ini adalah memberikan simpulan dan
saran dari pengolahan data dan analisis data. Simpulan pada penelitian ini diharapkan
dapat memenuhi tujuan penelitian dan memberikan informasi peramalan yang
mendekati keadaan yang sebenarnya. Saran-saran yang diberikan penulis terhadap
penelitian ini kiranya merupakan kontribusi yang tepat guna memberikan informasi
yang sesuai dengan keadaan yang sebenarnya terhadap penjualan minuman penyegar.

3.8. Kerangka Pemecahan Masalah

 Mulai

Observasi

Identifikasi Masalah

Pengumpulan Data

(Data Penjualan Aktual

Minuman Penyegar )

Pengolahan Data

(Simple Average,Single
Exponential Smoothing, Double
Exponential Smoothing)

Perhitungan Ukuran Kesalahan

Peramalan

Penentuan Metode Peramalan

Terbaik

Validasi & Verifikasi Metode

Peramalan Terbaik

Analisis Data

Simpulan dan Saran

Selesai

Gambar 3.1. Langkah-langkah Peramalan Penjualan Minuman Penyegar

 BAB IV
DATA DAN ANALISIS

4.1. Data Aktual Penjualan Minuman Penyegar

Peramalan yang akan dilakukan pada penelitian ini menggunakan metode kuantitatif
berupa data aktual penjualan minuman penyegar. Kurun waktu perhitungan
peramalan yang dilakukan untuk bulan Januari 2013 sampai dengan Desember 2013.
Tabel 4.1. Data Aktual Penjualan Minuman Penyegar
Aktual
Bulan
Penjualan
Januari 78977
Februari 85731
Maret 100838
April 121883
Mei 133774
Juni 152313
Juli 162333
Agustus 87899
September 99617
Oktober 123613
November 130337
Desember 129445

Dari data aktual penjualan minuman penyegar pada tahun 2013 diatas (tabel 4.1)
dapat dilihat pola data yang disajikan pada grafik di bawah ini :
 Pola Data Penjualan Minuman Penyegar Tahun 2013
180000
160000
140000
120000
100000
80000
60000 Actual Sales
40000
20000
0

Gambar 4.1. Grafik Penjualan Minuman Penyegar Tahun 2013

Berdasarkan gambar 4.1 terlihat pola data penjualan pada bulan Januari sampai Juli
mengalami peningkatan, namun pada bulan Agustus mengalami penurunan yang
cukup signifikan bila dibandingkan dengan pada bulan-bulan sebelumnya. Pola
penjualan minuman penyegar diatas belum bisa dikategorikan kepada pola siklis, data
trend, data horizontal , namun lebih cenderung ke pola data musiman, karena
terpengaruh pada kecenderungan perdagangan, mengingat saat ini sudah banyak
pesaing, terutama perusahaan di bidang food and beverages.

4.2. Peramalan Minuman Penyegar

Peramalan penjualan minuman penyegar yang dapat dilakukan pada penelitian ini
dengan menggunakan metode Simple Average, Single Exponential Smoothing dan
Double Exponential Smoothing dengan cara menghitung dengan Microsoft Excel dan
Software WinQSB. Hasil peramalan terbaik yang dapat diterapkan pada penjualan
minuman penyegar ini berdasarkan hasil penyimpangan atau kesalahan terkecil.

4.2.1. Exponential Smoothing

Peramalan dengan metode Exponential ini dilakukan dengan menggunakan α = 0.5,
α = 0.8 dan α = 0.9. Pemilihan konstanta pemulusan hanya dengan menggunakan
tiga konstanta karena dilihat dari fluktuasi data yang cukup besar.
Tabel 4.2. Peramalan Penjualan dengan Metode Expnential Smoothing dengan α = 0.5,
α = 0.8 dan α = 0.9
Aktual ES Tracking Tracking ES Tracking
Indeks ES (α =0.8)
Penjualan (α=0.5) Signal ES Signal ES (α=0.9) Signal ES
Waktu (y')
(y) (y') (α = 0.5) (α = 0.8) (y') (α = 0.9)

1 78977 117230 -1.00 117230.0 -1.00 117230 -1.00

2 85731 98103.5 -2.00 86627.6 -2.00 82802.3 -1.72
3 100838 91917.3 -2.10 85910.3 -1.34 85438.1 -1.06
4 121883 96377.6 -0.76 97852.5 -0.01 99298 0.13
5 133774 109130.3 0.38 117076.9 0.87 119624.5 0.90
6 152313 121452.2 1.68 130434.6 1.97 132359.1 1.95
7 162333 136882.6 2.73 147937.3 2.82 150317.6 2.73
8 87899 149607.8 0.11 159453.9 -0.74 161131.5 -0.99
9 99617 118753.4 -0.59 102210.0 -0.94 95222.2 -0.89
10 123613 109185.2 -0.06 100135.5 0.09 99177.5 0.19
11 130337 116399.1 0.49 118917.5 0.62 121169.5 0.63
12 129445 123368 0.78 128053.1 0.74 129420.2 0.69

Jika dituliskan dalam rumus Ŷt = Ŷt-1 + ā (Yt-1 - Ŷt-1), maka hasil peramalan dengan
menggunakan :
 Konstanta pemulusan (α = 0,9)
Februari = Ŷt-1 + α (Yt-1 - Ŷt-1)
= Ramalan Januari + α ( Aktual Penjualan Januari-Ramalan Januari)
= 117.230 + {(0,9) (78.977-117.230)} = 82.802,3 karton
Demikian seterusnya hingga dihitung bulan Desember
Desember = Ramalan November + α (Aktual Penjualan November – Ramalan
November)
= 121.169,5 + {(0,9) (130.337-121.169,5)} = 129.420,2 karton

 Konstanta Pemulusan (α = 0,8)

Februari = Ŷt-1 + α (Yt-1 - Ŷt-1)
= Ramalan Januari + α ( Aktual Penjualan Januari-Ramalan Januari)
= 117.230 + {(0,8) (78.977-117.230)} = 86.627,6 karton
Demikian seterusnya hingga bulan Desember
Desember = Ramalan November + α (Aktual Penjualan November – Ramalan
November)
= 118.917,5 + {(0,8)(130.337 – 118.917,5) = 128.053,1 karton

 Konstanta Pemulusan α = 0,5

Februari = Ŷt-1 + α (Yt-1 - Ŷt-1)
= Ramalan Januari + α ( Aktual Penjualan Januari-Ramalan Januari)
= 117.230 + {(0,5) (78.977-117.230)} = 98.103,5 karton
Demikian seterusnya hingga dihitung bulan Desember
Desember = Ramalan November + α (Aktual Penjualan November – Ramalan
November)
= 116.339,1 + {(0,5) + (130.337 – 116.339,1 ) = 123.308,0 karton
Adapun perbandingan aktual penjualan dengan hasil peramalan dengan metode
Exponential Smoothing dengan α=0.5, α=0.8 dan α=0.9 di bawah ini :

PERAMALAN PENJUALAN MINUMAN

PENYEGAR DENGAN α = 0.5
200.00

150.00
Penjualan

100.00
Actual
50.00 Sales

0.00
Juli
Januari
Feruari

April

Juni

Agustus
Sepember
Oktober
Maret

November
Desember
Mei

Waktu

Gambar 4.2. Grafik Perbandingan Aktual Penjualan dengan Hasil Peramalan α=

0.5

Pada gambar 4.2 tampak bahwa adanya perbedaan yang jelas antara pola pernjualan
aktual terhadap peramalan dengan konstanta pemulusan 0.5. Terlihat pada bulan
Januari bahwa nilai penjualan aktual lebih rendah jika dibandingkan dengan hasil
peramalan, selain itu pola hasil peramalan tidak cenderung mengikuti pola penjualan
aktual. Dari pola grafik di atas menunjukkan bahwa hasil peramalan cenderung lebih
kecil dari aktual penjualan. Hal ini dapat memberikan dampak tidak baik terhadap
perusahaan, karena dengan kecenderungan pola seperti ini berarti perusahaan tidak
mampu memenuhi permintaan produk terhadap customer, menyebabkan kurangnya
persediaan barang untuk dijual ke pasar.
PERAMALAN PENJUALAN MINUMAN
200.00 PENYEGAR DENGAN α = 0.8
Thousands

150.00
Penjualan

100.00
50.00 Actual Sales

0.00 Y' (Forecast)

Sepem…

Nove…
Dese…
Juli
Januari
Feruari

April

Juni

Agustus

Oktober
Maret

Mei

Waktu

Gambar 4.3. Grafik Perbandingan Aktual Penjualan dengan Hasil Peramalan α=

0.8

PERAMALAN PENJUALAN MINUMAN PENYEGAR

DENGAN α = 0.9
Thousands

200.00

150.00
Penjualan

100.00
y (Penjualan Aktual)
50.00
Y' (Hasil Peramalan)
0.00
Waktu

Gambar 4.4. Grafik Perbandingan Aktual Penjualan dengan Hasil Peramalan α=

0.9

Berdasarkan gambar 4.3 dan gambar 4.4., kedua grafik ini menunjukkan pola yang
mirip, kecenderungan pola yang dihasilkan mengikuti pola aktual penjualan. Namun
jika dilihat lebih teliti gambar 4.4. menunjukkan grafik yang lebih mendekati keadaan
penjualan aktual. Hal ini terlihat pada bulan Juli dan November, bahwa hasil
peramalan yang diberikan pada gambar 4.4. lebih baik jika dibandingkan dengan
gambar 4.3. Dari hasil peramalan yang diberikan nilai pernjualan pada bulan Juli dan
November pada konstanta pemulusan 0.9 lebih mendekati nilai penjualan aktual.

4.2.2. Simple Average

Menghitung peramalan pada metode Simple Average adalah dengan menghitung
rata-rata seluruh data masa lalu dalam suatu periode periode. Seperti peramalan pada
bulan Maret dilakukan dengan menghitung rata-rata aktual penjualan pada bulan
Januari dan Februari, begitu seterusnya. Sebagai contoh perhitungan metode ini dapat
dituliskan dengan cara :
Maret = (Data bulan Januari + bulan Februari) / 2
= (78.977 + 85.731) / 2 =82.354 karton

April = (Data bulan Januari + Februari + Maret) / 3

= (78.977 + 85.731 + 100.838) / 3 = 88.515,34 karton
demikian seterusnya hingga dihitung peramalan bulan Desember.
Desember = (∑ data bulan Januari hingga November) / 11
= 1.277.315 / 11 = 116.119,25 karton

Berikut hasil peramalan penjualan minuman dengan metode Simple Average.

Tabel 4.3. Hasil Ramalan Penjualan Minuman dengan Metode Simple Average
FORECAST BY
BULAN AKTUAL
SIMPLE
KE- PENJUALAN
AVERAGE
1 78,977.00
2 85,731.00 78,977.00
3 100,838.00 82,354.00
4 121,883.00 88,515.34
5 133,774.00 96,857.25
6 152,313.00 104,240.60
7 162,333.00 112,252.66
8 87,899.00 119,407.00
9 99,617.00 115,468.50
10 123,613.00 113,707.22
11 130,337.00 114,697.80
12 129,445.00 116,119.55
CFE 185,186.09
 MAD 25,445.91
MSE 858,801,728.00
MAPE 20.51
Trk.Signal 7.28
R-Square 0.85

Hasil penerapan metode Simple Average dengan menggunakan program WinQSB

diperoleh data dengan kesalahan (MAPE = 20.51), sedangkan nilai R-squarenya
sebesar 0.85. Jadi dengan R-square 85% model Simple Average mampu memberikan
informasi perkiraan penjualan yang cukup baik dalam satu tahun, namun
kecenderungan menurun, artinya aktual penjualan lebih besar dibandingkan dengan
perkiraan penjualan dalam satu tahun. Hal ini dapat memberikan dampak lain seperti
meningkatnya persediaan stok produk di gudang yang juga berakibat meningkatnya
biaya penyimpanan dan lain-lain (Gambar 4.4).

200.00 FORECAST BY SIMPLE AVERAGE

Thousands

AKTUAL
150.00 PENJUALAN
Penjualan

100.00
FORECAST BY
SIMPLE
50.00 AVERAGE

0.00
1 2 3 4 5 6 7 8 9 10 11 12
Indeks Waktu
Gambar 4.5. Grafik Perkiraan Penjualan dengan metode SA

4.2.3. Single Exponential Smoothing

Berdasarkan perhitungan peramalan dengan menggunakan Software WinQSB, maka
didapatkan konstanta pemulusan terbaik dan hasil peramalan yang mendekati
dengan keadaan yang sebenarnya dengan menggunakan adalah 0.9. Karena
memiliki nilai ukuran kesalahan terkecil berdasarkan nilai MSE (Mean Square
Error), yaitu rata-rata dari jumlah pengkuadratan absolute error. Absolute error
didapat dari hasil pengurangan aktual penjualan dengan hasil ramalan. Adapun
besar kesalahan peramalan penjualan dengan konstanta pemulusan 0,9 adalah
 692.074.301,59. Untuk perhitungan konstanta pemulusan 0,1 ~ 0.8 dapat dilihat
pada lampiran.
Dibawah ini hasil peramalan penjualan minuman penyegar dengan metode SES
Tabel 4.4. Hasil Ramalan Metode SES
ERROR
Bulan Aktual
Hasil Ramalan (Aktual Penjualan - Hasil (Absolute Error)2
Ke- Penjualan
Ramalan)
1 78,977.00
2 85,731.00 78,977.00 6,754.00 45,616,516.00
3 100,838.00 85,055.60 15,782.40 249,084,149.76
4 121,883.00 99,259.76 22,623.24 511,810,988.10
5 133,774.00 119,620.67 14,153.33 200,316,750.09
6 152,313.00 132,358.67 19,954.33 398,175,285.75
7 162,333.00 150,317.56 12,015.44 144,370,798.39
8 87,899.00 161,131.45 -73,232.45 5,362,991,733.00
9 99,617.00 95,222.25 4,394.75 19,313,827.56
10 123,613.00 99,177.52 24,435.48 597,092,682.83
11 130,337.00 121,169.45 9,167.55 84,043,973.00
12 129,445.00 129,420.24 24.76 613.06
MSE 692,074,301.59

Dengan α = 0.9, karena data memiliki fluktiatif yang besar, maka nilai Ῠt-1 didapat
dari hasil perbandingan kumulatif aktual penjualan dengan jumlah periode, sehingga
didapat =
Ῠt-1 = 1.406.760,00 / 12 = 117.230 karton
Proses mendapatkan nilai MSE adalah dengan melakukan langkah awal menghitung
selisih antara hasil ramalan dengan aktual penjualan, disebut dengan error. Kemudian
hasil pengkuadratan error ini dijumlahkan, setelah dijumlahkan dibagi dengan
banyaknya data yang dihitung. Dalam hal ini jumlah datanya sebanyak sebelas data.

4.2.4. Double Exponential Smoothing

Berdasarkan perhitungan peramalan dengan menggunakan metode Double
Exponential Smoothing didapatkan kosntanta pemulusan terbaik dan hasil kesalahan
terkecil yaitu 0,9. Ukuran kesalahan terkecil yang dilihat pada metode peramalan
Double Exponential Smoothing untuk minuman penyegar berdasarkan nilai MSE
(Mean Square Error).
Berikut hasil peramalan dengan metode DES :
Tabel 4.5. Hasil Ramalan dengan Metode DES
ERROR
Bulan Aktual
Hasil Ramalan (Aktual Penjualan - (Absolute Error)2
Ke- Penjualan
Hasil Ramalan)
1 78,977.00
2 85,731.00 78,977.00 6,754.00 45,616,516.00
3 100,838.00 84,447.74 16,390.26 268,640,622.87
4 121,883.00 97,778.55 24,104.45 581,024,509.80
5 133,774.00 117,436.46 16,337.54 266,915,213.25
6 152,313.00 130,866.45 21,446.55 459,954,506.90
7 162,333.00 148,372.45 13,960.55 194,896,956.30
8 87,899.00 159,855.55 -71,956.55 5,177,745,087.90
9 99,617.00 101,685.58 -2,068.58 4,279,023.22
10 123,613.00 99,428.33 24,184.67 584,898,263.01
11 130,337.00 118,995.34 11,341.66 128,633,251.56
12 129,445.00 128,377.75 1,067.25 1,139,022.56
MSE 701,249,361.22

Dari pengolahan data di atas, nilai kesalahan peramalan sebesar 701.249.361,22.

Untuk pengolahan data dengan menggunakan konstanta pemulusan 0,1 ~ 0.8 dapat
dilihat pada lampiran.

4.3. Pengukuran Kesalahan Peramalan dan Pemilihan Metode Peramalan

Terbaik
Dari pengolahan data dengan menggunakan metode Simple Average, Single
Exponential Smoothing, Double Exponential Smoothing serta Exponential
Smoothing, maka didapat perbandingan nilai kesalahan berupa MSE, metode
alternative untuk mengevaluasi teknik peramalan yang digunakan dalam perhitungan
penjualan minuman penyegar di PT. Sari Enesis Indah. Berikut hasil ukuran
kesalahan dari masing-masing metode :
 Tabel 4.6. Ukuran Kesalahan Teknik Peramalan Minuman Penyegar
METODE PENGUKURAN MSE
Simple Average 858.801.728
Single Exponential Smoothing 692.074.304
Double Exponential Smoothing 701.249.280
Exponential Smoothing, α = 0.5 28.069.535
Exponential Smoothing, α = 0.8 18.552.463
Exponential Smoothing, α = 0.9 15.344.214

Pada tabel di atas jelas menunjukkan bahwa metode peramalan yang terbaik untuk
memperkirakan penjualan minuman penyegar di PT.Sari Enesis sehingga mampu
memberikan data yang mendekati dengan keadaan penjualan yang sebenarnya adalah
Exponential Smoothing dengan konstanta pemulusan (α) 0,9. Fungsi Konstanta
Pemulusan dalam penelitian ini adalah untuk memberikan penekanan pada yang lebih
terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil
peramalan sebelumnya ditambah dengan suatu hasil prosentase perbedaan atau selisih
antara aktual penjualan dengan nilai peramalannya pada waktu tersebut.

Besar kesalahan metode Exponential Smoothing dengan konstanta pemulusan 0,9

adalah 15.344.214, ini menunjukkan bahwa metode ES memiliki simpangan terkecil
jika dibandingkan dengan teknik peramalan lainnya. Hal ini juga dapat dilihat pada
grafik yang menunjukkan hasil peramalan memiliki kecenderungan pola menyerupai
dengan aktual penjualan.

4.4. Analisis Data

4.4.1. Analisis Hasil Peramalan dengan Metode Terbaik
Hasil pengolahan data yang sebelumnya dilakukan dengan beberapa metode
memberikan hasil bahwa metode Exponential Smoothing merupakan metode terbaik
yang dapat digunakan untuk meramalkan penjualan di PT.Sari Enesis Indah. Adapun
hasil ramalan tersebut dapat digambarkan pada gambar 4.4. Seperti penjelasan
sebelumnya, bahwa grafik yang ditunjukkan pada gambar 4.4 mengikuti pola
penjualan aktual. Adapun sebaran data yang diberikan dari hasil peramalan dengan
menggunakan metode ES (α=0,9) dapat dilihat dari tracking signal berikut :
3.50
3.00
Tracking Signal, α = 0.9
2.50
2.00
1.50 Series1
1.00
0.50
0.00
-0.50 0.00 5.00 10.00 15.00
-1.00
-1.50
-2.00

Gambar 4.6. Tracking Signal ES (α=0,9)

Dilihat pada gambar 4.5, terlihat bahwa metode Exponential Smoothing (α=0,9) tepat
digunakan untuk meramalkan penjualan minuman penyegar di PT.Sari Enesis Indah,
karena nilai tracking signal yang didapatkan tidak seluruhnya positif atau negatif,
melainkan berimbang, sehingga dapat mewakili data peramalan yang dibutuhkan.
Selain itu data tersebar pada koordinat daerah yang berbeda artinya tidak ada lebih
dari dua titik yang terletak pada koordinat daerah yang sama atau berdampingan.

Nilai tracking signal didapat dari perbandingan antara kumulatif error dengan nilai
MAD. Nilai MAD didapat dari hasil pembagian antara kumulatif absolute error
dengan indeks waktu. Adapun rincian pengolahan data ini sebagai berikut :
 Tabel 4.7. Pengolahan Data ES (α = 0,9)

4.4.2. Kondisi Perusahaan

Kondisi perusahaan, PT. Sari Enesis Indah, pada saat ini sering terjadi kelebihan
persediaan produk di gudang yang bervariatif. Seperti yang dijelaskan pada bab I,
bahwa stok kelebihan selalu mencapai ribuan karton.

4.4.3. Usulan Peramalan

Setelah dilakukan penelitian terhadap peramalan penjualan minuman penyegar ini,
maka didapat metode terbaik yang dapat digunakan untuk memperkirakan kondisi
penjualan yang sebenarnya dengan menggunakan metode Exponential Smoothing
dengan konstanta pemulusan 0,9. Sehingga didapat kapasitas penjualan yang sesuai
dan tidak terjadi penumpukan barang di gudang.

4.4.4. Perbandingan Aktual Penjualan dengan Hasil Peramalan dan Peramalan

Perusahaan.
Setelah data diolah dengan menggunakan teknik peramalan Simple Average,
Exponential Smoothing, Single Exponential Smoothing dan Double Exponential
Smoothing, maka berdasarkan MSE terkecil (15.344.214) didapat metode yang tepat
untuk meramalkan penjualan di PT.Sari Enesis Indah adalah dengan menggunakan
Metode Exponential Smoothing (α =0,9). Berikut tabel perbandingan antara Aktual
Penjualan dengan Hasil Peramalan ES dan Peramalan Perusahaan dan presentase
selisih antara aktual penjualan dengan hasil ramalan. Selisih antara aktual penjualan
dengan hasil ramalan akan menunjukkan tingkat akurasi dari peramalan tersebut.

Tabel 4.8. Perbandingan Aktual Penjualan dengan Metode ES & Forecast Perusahaan
Selisih
Actual Forecast
Bulan Metode ES Selisih ES Terhadap
Sales Perusahaan
Perusahaan
Januari 78977 117230 120000 -38253 -41023
Februari 85731 82802.3 80000 2928.7 5731
Maret 100838 85438.1 90000 15399.9 10838
April 121883 99298 90000 22585 31883
Mei 133774 119624.5 120000 14149.5 13774
Juni 152313 132359.1 120000 19953.9 32313
Juli 162333 150317.6 150000 12015.4 12333
Agustus 87899 161131.5 150000 -73232.5 -62101
September 99617 95222.2 90000 4394.8 9617
Oktober 123613 99177.5 90000 24435.5 33613
November 130337 121169.5 130000 9167.5 337
Desember 129445 129420.2 130000 24.8 -555

Pada tabel 4.8 apabila dibandingkan dengan metode hasil peramalan perusahaan
kekurangan stok penjualan jumlahnya lebih banyak dibandingkan dengan metode ES.
Hal ini membuktikan bahwa penjualan akan mengalami perbaikan jika menggunakan
metode Exponential Smoothing serta kekurangan stok produk untuk dijual tidak akan
terjadi lagi apabila peramalan terhadap penjualan minuman penyegar menerapkan
metode Exponential Smoothing.

Berdasarkan selisih antara aktual penjualan dengan hasil ramalan dan ramalan
perusahaan maka didapat persentase selisih antara aktual penjualan dengan ramalan
penjualan dan ramalan perusahaan. Dari hasil tabel 4.9. dibawah ini, didapat rata-rata
persentase selisih aktual penjualan dengan hasil ramalan sebesar 19,27% sedangkan
persentase selisih aktual penjualan dengan ramalan perusahaan sebesar 20,24%. Hal
ini membuktikan bahwa keakuratan peramalan dengan metode Exponential
Smoothing lebih baik jika dibandingkan dengan hasil ramalan dari PT.Sari Enesis
Indah.

Tabel 4.9. Presentase Selisih Aktual Penjualan dengan Metode ES & Forecast
Perusahaan

% Selisih
Actual Metode Forecast Selisih %Selisih
Bulan Selisih Terhadap
Sales ES Perusahaan ES Perusahaan
ES Perusahaan
Januari 78977 117230 120000 -38253 48.44% -41023 51.94%
Februari 85731 82802.3 80000 2928.7 3.42% 5731 6.68%
Maret 100838 85438.1 90000 15399.9 15.27% 10838 10.75%
April 121883 99298 90000 22585 18.53% 31883 26.16%
Mei 133774 119624.5 120000 14149.5 10.58% 13774 10.30%
Juni 152313 132359.1 120000 19953.9 13.10% 32313 21.21%
Juli 162333 150317.6 150000 12015.4 7.40% 12333 7.60%
Agustus 87899 161131.5 150000 73232.5 83.31% -62101 70.65%
September 99617 95222.2 90000 4394.8 4.41% 9617 9.65%
Oktober 123613 99177.5 90000 24435.5 19.77% 33613 27.19%
November 130337 121169.5 130000 9167.5 7.03% 337 0.26%
Desember 129445 129420.2 130000 24.8 0.02% -555 0.43%
 BAB V
SIMPULAN DAN SARAN

5.1. Simpulan
Berdasarkan hasil pengolahan data dan hasil yang diuraikan pada bab-bab
sebelumnya, maka dapat disimpulkan bahwa :
1. Peramalan penjualan minuman penyegar di PT. Sari Enesis dapat dilakukan
dengan metode Exponential Smoothing dengan konstanta pemulusan 0,9. Karena
memiliki kesalahan peramalan yang paling kecil dibandingkan dengan konstanta
pemulusan lainnya. Disamping itu nilai tracking yang dihasilkan tidak selalu
positif atau negatif, sehingga cukup berimbang dan mewakili model yang
diinginkan. Selain itu kekurangan penjualan lebih sedikit jika dibandingkan
dengan forecast perusahaan.
2. Peramalan penjualan minuman penyegar dengan menggunakan metode
Exponential Smoothing memiliki keakuratan yang lebih baik jika dibandingkan
dengan hasil ramalan yang ada pada PT. Sari Enesis Indah. Besar persentase
selisih hasil peramalan ES yaitu 19,27%, sedangkan persentase selisih hasil
peramalan yang dimiliki oleh perusahaan terhadap aktual penjualan sebesar
20,24%
3. Peramalan penjualan menggunkan metode Simple Average tidak bisa digunakan
dalam peramalan penjualan minuman penyegar di PT. Sari Enesis Indah, karena
hasil peramalan belum mewakili keadaan penjualan yang sebenarnya.
4. Perlu adanya perbaikan ramalan yang harus dilakukan perusahaan guna mengatur
persediaan produk setiap periodenya.
5.2. Saran

1. Menerapkan metode Exponential Smoothing dengan memperhatikan pula buffer

stock yang terdapat pada gudang, sehingga dapat memperbaiki peramalan

penjualan pada periode berikutnya.

2. Peramalan Penjualan ini harus didukung oleh semua pihak di perusahaan seperti
persediaan bahan baku, persediaan bahan kemas, jadwal produksi yang jelas
sehingga dapat memenuhi permintaan akan produk yang tidak pasti di setiap
periode.
 REFERENSI

Assauri Sofyan. 1984. Teknik dan Metode Peramalan Penerapannya dalam Ekonomi
dan Dunia Usaha. UI Press. Jakarta

Makridakis,S., Wright, S.C.W., dan Mc Gee V. 1999. Alih Bahasa Suminto, H, Ir.
Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra Aksara. Jakarta

Sungkono,C. 2009. Manajemen Operasi (edisi 9). Jakarta : Penerbit Salemba Empat

Marrie Anne Ivaline, Studi Literatur Mengenai Permintaan dan Penentuan Ukuran
Batch Optimum Produk, Tugas Akhir, Jurusan Teknik Industri, FTI-Universitas
Trisakti, 2011

Pramita Wahyu, Haryanto Tanuwijaya, Studi Literatur Mengenai Penerapan Metode

Exponential Smoothing Dalam Pengendalian Produk dan Bahan Baku Sebuah
Café, Tugas Akhir, Jurusan Teknik Industri, Surabaya, 2010
Badria, Studi Literatur Mengenai Penggunaan Exponential Smoothing Untuk
Meramalkan Kebutuhan Cengkeh di Pabrik Rokok Adi Bungsu, Tugas Akhir,
Jurusan Teknik Industri, Universitas Brawijaya, Malang, 2008