ANALISIS PERAMALAN (forecasting) PADA PERMINTAAN PRODUK

SALE PISANG DI INDUSTRI “SAHABAT” DESA MARGAJAYA

KECAMATAN SUKADANA KABUPATEN CIAMIS
Forecasting Analysis Of Demand For Banana Sale Production in “SAHABAT”
Industry, Margajaya Village, Sukadana Districts, Ciamis Regency

Supratiana Rahayu
201710301018@mail.unej.ac.id
Teknologi Industri Pertanian Fakultas Teknologi Pertanian Universitas Jember
Jl. Kalimantan 37, Kampus Bumi Tegal Boto, Jember 68121

ABSTRAK
Praktikum ini bertujuan untuk mengetahui permintaan yang ramalkan
menggunakan metode ARIMA, MA, Exponential Smoothing dan Winter Exponensial,
mengtahui efisiensi penggunaan metode dengan perhitungan MAPE serta
perbandingan nilai accracy measure MAD dan MSE, serta mengetahui metode
peramalan dan metode peramalan yang tepat untuk diterapkan pada studi kasus yang
di tentukan. Data yang digunakan berdasarkan data permintaan sale pisang
“SAHABAT” yang berada di Desa Margajaya Kecamatan Sukadana Kabupaten
Ciamis. Analisis peramalan yang digunakan dengan menggunakan metode ARIMA,
Single Exponential Smoothing, Double Exponential Smoothing,dan Winter
Exponential Smoothing. Pengujian nilai α dilakukan untuk mengetahui pengaruh α
terhadap nilai error kesalahan prediksi saat nilai parameter dirubah. Proses analisis
dilakukan dengan menggunakan software Minitab 16 didapatkan hasil analisis
(forencing) untuk metode ARIMA (0,1,1) jumlah permintaan yang dihasilkan yaitu
12133,42; 11966,95; 11800,47; 11634 dan untuk ARIMA (1,0,1) jumlah permintaan
yang dihasilkan 14230,09; 14111,35; 14022,7; 13956,52. Kemudian untuk metode
double exponential smooting jumlah permintaan yang dihasilkan 12957,9; 12841,2
untuk metode winter exponential smooting jumlah permintaan yang dihasilkan
12025,0; 11488,9.

Kata Kunci : ARIMA, Exponential Smoothing, MA, Winters’ Exponential

ABSTRACT
This practicum aims to find out the forecasted demand using the ARIMA, MA,
Exponential Smoothing and Winter Exponential methods, to know the efficiency of
using the method with MAPE calculations and to compare the accuracy measure
values of MAD and MSE, and to know the right forecasting and forecasting methods
to be applied to case studies, which is determined. The data used is based on demand
for banana sale "SAHABAT" located in Margajaya Village, Sukadana District,
Ciamis Regency. Forecasting analysis used ARIMA method, Single Exponential
Smoothing, Double Exponential Smoothing, and Winter Exponential Smoothing.
Testing the value of is carried out to determine the effect of on the error value of the
prediction error when the parameter value is changed. The analysis process was
carried out using Minitab 16 software. The results of the analysis (forencing) for the
ARIMA method (0,1,1) the number of requests generated was 12133,42; 11966.95;
11800.47; 11634 and for ARIMA (1,0,1) the number of requests generated is
14230.09; 14111.35; 14022.7; 13956.52. Then for the double exponential smoothing
method the number of requests generated is 12957.9; 12841.2 for the winter
exponential smoothing method the number of requests generated is 12025.0; 11488.9.

KEYWORD : ARIMA, Exponential Smoothing, MA, Winters’ Exponential

PENDAHULUAN satu industri rumah tangga yaitu industri

Pertanian merupakan sektor sale pisang. Pengolahan buah pisang
ekonomi potensial yang memberikan menjadi sale pisang banyak dilakukan
kontribusi sangat besar dalam oleh masyarakat di Desa Margajaya,
pertumbuhan dan pembangunan Kecamatan Sukadana, Kabupaten
perekonomian nasional. Menurut Ciamis.
Setyawan, Eko.,dkk (2016), sektor Adanya kemungkinan untuk
pertanian berperan dalam pembangunan berkembangnya industri sale pisang
dan perekonomian Indonesia dengan dapat menambah lapangan kerja baru
memberikan kesempatan kerja dan sehingga dapat mengurangi
berkontribusi dalam pembentukan pengangguran. Setiap industri
domestik (PDB). Komoditi pertanian memerlukan jumlah tenaga kerja untuk
yang dihasilkan umumnya berupa bahan meningkatkan produktivitas dari produk.
mentah dan mudah rusak (perishable), Ketersediaan produk terhadap konsumen
sehingga perlu dilakukan pengolahan. sebagai bentuk penjualan dan pembelian
Pengolahan dilakukan untuk merupakan salah satu langkah penting
meningkatkan nilai dari komoditi dalam berbisnis (Aprilianti,.dkk. 2020).
tersebut. Industri pengolahan pangan Peramalan (forecasting) merupakan
merupakan instrumen pemberian nilai suatu langkah untuk memperkirakan apa
tambah bagi komoditi pertanian. Salah yang akan terjadi pada masa mendatang
dengan menggunakan data masa lalu MAPE (Mean Absolute Percentage
sehingga dapat terjadi kemungkinan Error) serta perbandingan nilai accuracy
kejadian tidak sesuai dengan keinginan. measure MAD (Mean Absolute
Untuk mewujudkan keinginan tersebut Deviation) dan MSD serta mengetahui
dilakukan peramalan atau memprediksi model peramalan dan metode peramalan
(forecasting) banyaknya penjualan yang tepat untuk diterapkan.
ataupun permintaaan konsumen terhadap
barang produksi. METODE PENELITIAN
Perkembangan industri sale Penelitian yang dilakukan
pisang di Desa Margajaya belum optimal termasuk metode penelitian operasional.
karena jumlah penjualan produk sale Metode penelitian yang dilakukan
pisang pada industry “Sahabat” belum dengan cara identifikasi masalah,
efisien, dibuktikan dengan produk yang perumusan masalah, studi pustaka,
dijual seringkali dikembalikan dalam analisis dan pemecahan masalah, serta
jumlah cukup banyak oleh reseller penarikan kesimpulan. Analisis yang
(Aprilianti,.dkk. 2020). Pengembalian dilakukan dengan software Minitab
diakibatkan oleh besarnya jumlah produk menggunakan metode single exponential
yang tidak diikuti oleh jumlah smoothing Holt, double exponential
permintaan yang sebanding. Dengan smoothing Holt, Winters dan ARIMA,
demikian untuk meningkatkan nilai serta didukung dengan bantuan program
tambah produk sale pisang dilakukan Microsoft Excel. Analisis dilakukan pada
peramalan menggunakan metode perkembangan permintaan sale pisang
ARIMA (Autoregressive Integrated “SAHABAT” untuk 4 bulan kedepan.
Moving Average), MA (Moving
HASIL DAN PEMBAHASAN
Average), Exponential smoothing,dan
Produksi Sale Pisang “ SAHABAT”
Winter Exponential yang bertujuan untuk
Dalam proses pembuatan sale
mengetahui jumlah peramalan yang
pisang “SAHABAT” di Desa Margajaya
dilakukan, mengetahui nilai efisiensi
Kecamatan Sukadana Kabupaten Ciamis
penggunaan metode dengan perhitungan
meliputi proses pengupasan, penjemuran, Desember 12.754
penjemuran, penggorengan, dan
pengemasan (Aprilianti,.dkk. 2020).
Adapun data permintaan sale pisang
“SAHABAT” sebagai berikut
Tabel 1. Data Permintaan Produk

Periode (Bulan) Permintaan (Bks)

Gambar 1. Permintaan produk Mei 2019 -
Mei 2019 19.000 Juli 2020
Juni 2019 8.000 Berdasarkan data pada gambar 1
Juli 2019 9.500 diatas menunjukkan permintaan sale
Agustus 2019 17.200 pisang “SAHABAT” mengalami

September 2019 15.500 perubahan variabel dikarenakan banyak

usaha sale pisang di Ciamis sehingga
Oktober 2019 13.000
persaingan semakin banyak dan
November 2019 17.800
permintaan produk sale pisang
Desember 2019 20.000
“SAHABAT” menjadi tidak konsisten.
Januari 2020 10.250
Dari grafik pada gambar 1 diketahui
Februari 2020 12.000
bahwa permintaan terendah terjadi pada
Maret 2020 14.083 bulan Juni 2019 dan untuk permintaan
April 2020 12.111 tertinggi terjadi pada bulan Desember
Mei 2020 12.731 2019.
Juni 2020 12.975 Penurunan permintaan yang

Juli 2020 12.606 terjadi pada bulan Juni tidak ada hari

Agustus 2020 12.771

libur karena target pemasaran sale pisang
yaitu pariwisata. Pergerakan naik
September 2020 12.784
turunnya permintaan produk dikarenakan
Oktober 2020 12.720
pengaruh hari libur. Permintaan sale
November 12.758
pisang akan meningkat pada bulan yang
memiliki hari libur cukup banyak, hal ini merupakan hasil pengujian ACF
terjadi karena pada saat hari libur (Autocorrelation Function) :
pengunjung wisata akan ramai sehingga
terjadi peningkatan permintaan terhadap
produksi sale pisang. Dari grafik diatas
diketahui bahwa permintaan produk non
stasioner.
Peramalan Produk Gambar 3. Grafik Autocorrelation Function

Gambar 2. Uji Stasioner Pada Ragam Box- Gambar 4. Grafik Partial Autocorrelation

Cox Plot Data Function

Gambar 2 merupakan hasil Grafik ACF (Autocorrelation

transformasi rounded value dari trans 3 Function) menunjukkan tidak ada lag

yang mana dari data sebelumnya nilai yang keluar maka data sudah stasioner

rounded value masih menunjukkan terhadap rata - rata sehingga tidak perlu

angka 0,50. Oleh karena itu data harus dilakukan differensial pada data trans 4.

ditransformasikan sampai mendapatkan Langkah selanjutnya dilakukan

nilai rounded value menjadi 1,00. pengujian data PACF (Partial

Setelah dilakukan pengujian box-cox plot Autocorrelation Function) didapatkan grafik

seperti pada gambar 4.
data sudah stasioner terhadap ragam dan
nilai rounded value sudah menunjukkan
Pengujian ARIMA
angka 1,00 selanjutnya dilakukan
Pada plot ACF dan PACF sudah
pengujian rata-rata stasioner
tidak mengalami cut off maka
menggunakan pengujian ACF
selanjutnya dilakukan identifikasi model
(Autocorrelation Function). Berikut
ARIMA. Berikut merupakan tabel dikarenakan p-value > 5% sehingga
parameter model ARIMA : diterima. ARIMA (0,1,1) dan (1,0,1)
Tabel 2. Parameter Model ARIMA dianggap model yang layak karena
menurut Pangestu, dkk. (2021)
Jenis AR(1) AR(2) MA(1) MA(2) parameter di dalamnya sudah signifikan
Model
dan residu telah mengandung asumsi
white noise. White noise merupakan
011 0,002
distribusi persebaran data terdistribusi
normal dan berurut dari variabel acak
101 0,089 0,034
(Pangestu, dkk., 2021). Model
Sumber : Data Olahan Autoregressive Integrated Moving
Tabel 2 menunjukkan bahwa Average (ARIMA) digunakan
model ARIMA (0,1,1) dan model berdasarkan asumsi bahwa data deret
ARIMA (1,0,1) memiliki parameter waktu yang digunakan harus stasioner
signifikan (P-value berada dibawah level yang artinya rata-rata variasi dari data
toleransi α = 0,05). Model ARIMA yang dimaksud adalah konstan (Salwa,
(0,1,1) dan (1,0,1) dilihat dari hasil final dkk., 2018). Namun, ketika data tidak
estimates of parameters nilai P-value stasioner maka untuk menstasionerkan
mendekati 0,05. Model ARIMA (0,1,1) dilakukan proses differencing agar data
memenuhi asumsi white noise, menjadi stasioner.
Tabel 3. Perhitungan MAPE (011) Hasil Peramalan ARIMA

Uji MAPE

Actual Forecast Error [Error] APE (%)

12.784 12133,42 -650,58 650,5797 5,089015

12.720 11966,95 -753,053 753,0534 5,920231

12.758 11800,47 -957,527 957,5272 7,505308

 12.754 11634 -1120 1120,001 8,781566

APE Total (%) 27,29612

MAPE (%) 6,82403

Tabel 4. Perhitungan MAPE (101) Hasil Peramalan ARIMA

Uji MAPE

Actual Forecast Error [Error] APE (%)

12.784 14230,09 1446,093 1446,093 11,31174

12.720 14111,35 1391,346 1391,346 10,93825

12.758 14022,7 1264,696 1264,696 9,912967

12.754 13956,52 1202,516 1202,516 9,428537

APE Total (%) 41,5915

MAPE (%) 10,39787

Hasil Perhitungan dengan model

ARIMA (0,1,1) didapatkan nilai MAPE Model

sebesar 6,82403 dan model ARIMA

(1,0,1) didapatkan nilai MAPE sebesar Single 20 2647 11328329

10,39787. Perhitungan MAPE yang

dilakukan dengan ARIMA (0,1,1) lebih Double 35 3815 32711771

kecil dibandingkan nilai MAPE pada

Winters’ 26 3260 16642056
ARIMA (1,0,1).
Metode Exponential Smoothing
Tabel 5. Model Exponential smoothing
merupakan metode peramalan yang

Jenis MAPE MAD MSD didasarkan pada perhitungan rata-rata

data masalalu secara eksponensial
dengan mengulang perhitungan secara
terus menerus menggunakan data baru.
Dari tabel 5 dapat diketahui bahwa
model single exponential smoothing
Gambar 6. Grafik Double Exponential
merupakan model exponential
smoothing
smoothing yang cocok digunakan karena
Nilai parameter yang digunakan
memiliki nilai MAPE, MSD, dan MSE
adalah nilai α. Berdasarkan hasil
kecil. Berikut merupakan grafik dari
perhitungan double exponential
metode exponential smoothing dengan
smoothing yang dilakukan nilai α (level)
berbagai jenis model yaitu :
1,67825 dan γ (trend) 0,01000 memiliki
tingkat kesesuaian paling tinggi.
Pengujian nilai α dilakukan untuk
mengetahui pengaruh α terhadap nilai
error kesalahan prediksi saat nilai
Gambar 5. Grafik Single Exponential
parameter dirubah (Laksmana, 2019).
smoothing
Nilai parameter yang digunakan
adalah nilai α. Berdasarkan hasil
perhitungan single exponential
smoothing yang dilakukan nilai α sebesar
Gambar 7. Grafik Winter Method Plot
0,0375795 memiliki tingkat kesesuaian
Dari grafik diatas terlihat bahwa
paling tinggi. Pengujian nilai α dilakukan
grafik metode exponential smoothing
untuk mengetahui pengaruh α terhadap
Holt - Winters mendekati grafik data
nilai error kesalahan prediksi saat nilai
aktual. Nilai smooting constants nilai α
parameter dirubah.
(level) 0,2; γ (trend) 0,5 dan δ (seasonal)
0,1. Jika nilai α besar (0,9) maka
permulusan dalam peramalan sangat apabila nilai MAPE lebih dari 50% maka
kecil, tetapi jika nilai α kecil (0,1) maka data tersebut masuk dalam kategori tidak
permulusan dalam peramalan semakin bagus.
besar. Semakin banyak konstanta grafik Peramalan yang dilakukan Safitri,
maka proses peramalan yang dilakukan et al (2017) mengatakan bahwa metode
membutuhkan waktu yang cukup lama exponential smoothing holt - winters
karena proses perulangan yang dilakukan dapat dikatakan sebagai metode terbaik
sistem semakin banyak (Safitri, et al., dalam meramalkan data jumlah
2017). Megasari (2011) dalam Safitri, et kedatangan wisatawan mancanegara
al., (2017) mengatakan metode alternatif pada tahun 2010- 2015. Metode
yang dapat mengurangi keraguan tentang exponential smoothing Holt-Winters
nilai optimal adalah mencari nilai lebih efektif digunakan dibandingkan
taksiran awal yang lebih baik, lalu metode ARIMA karena nilai MAPE
menetapkan nilai kecil untuk ketiga yang lebih kecil daripada nilai MAPE
paramter pemulusan (sekitar 0,1 sampai yang dihasilkan metode ARIMA (Safitri,
dengan 0,3). Nilai γ (trend) dan δ et al., 2017). Namun, pada hasil
(seasonal) semakin besar maka perhitungan MAPE menggunakan
pemberian bobot semakin besar pada metode ARIMA model (0,1,1) dan
pengamatan terbaru. (1,0,1) nilai MAPE yang dihasilkan lebih
Perhitungan MAPE yang kecil dibandingkan nilai MAPE yang
dihasilkan pada metode ini lebih dari dihitung dengan metode exponential
20% kurang dari 50%. Jika nilai smoothing.
perhitungan MAPE kurang dari 20%
baik dengan metode ARIMA maupun KESIMPULAN
exponential smoothing maka dapat Adapun kesimpulan yang
tersebut masuk kedalam kategori sangat didapatkan berdasarkan peramalan
bagus. Jika nilai perhitungan MAPE (forencing) dengan menggunakan
lebih dari 20% tetapi kurang dari 50% berbagai metode sebagai berikut :
data tersebut masuk kategori bagus dan
1. Jumlah permintaan yang hal ini karena memiliki tingkat

diramalkan dengan menggunakan kesalahan terkecil dilihat dari

analisis (forencing) untuk nilai MAPE sebesar 6,82403%

metode ARIMA (0,1,1) jumlah dan

permintaan yang dihasilkan yaitu

12133,42; 11966,95; 11800,47; SARAN

11634 dan untuk ARIMA (1,0,1) Adapun saran yang ingin

jumlah permintaan yang diajukan pada praktikum analisis

dihasilkan 14230,09; 14111,35; forecasting, semua yang dijelaskan sudah

14022,7; 13956,52. Kemudian sesuai dengan prosedur kerja yang telah

untuk metode double exponential dijelaskan. Namun, untuk materi yang

smooting jumlah permintaan yang disampaikan kurang maksimal hal ini

dihasilkan 12957,9; 12841,2 karena waktu praktikum yang terbatas

untuk metode winter exponential diharapkan praktikum kedepannya untuk

smooting jumlah permintaan yang ditambah terkait penjelasan materi dan

dihasilkan 12025,0; 11488,9. pengaplikasian software pada studi kasus

2. Efesiensi penggunaan metode yang digunakan.

peramalan yang baik yaitu single

exponential smoothing karena DAFTAR PUSTAKA

nilai MAPE 20%, MAD 2647 dan Aprilianti, N., Setiawan, I., & Yusuf, M.
N. (2020). Peramalan Permintaan
MSD 11328329 yang dihasilkan Produk Sale Pisang Pada Industri
kecil dibandingkan metode “Sahabat” Di Dusun Cijoho Desa
Margajaya Kecamatan Sukadana
lainnya . Kabupaten Ciamis. Jurnal Ilmiah
3. Berdasarkan analisis peramalan Mahasiswa Agroinfo Galuh, 7(3),
634-642.
(forecasting) pada permintaan
sale pisang metode yang paling Laksmana, R. D., Santoso, E., &
Rahayudi, B. (2019). Prediksi
tepat dengan menggunakan Penjualan Roti Menggunakan
metode ARIMA model (0,1,1) Metode Exponential Smoothing
(Studi Kasus: Harum
 Bakery). Jurnal Pengembangan Integrated Moving Average).
Teknologi Informasi dan Ilmu Journal of Data Analysis, 1(1),
Komputer e-ISSN, 2548, 964X. 21-31.

Setyawan, E., Subantoro, R., & Prabowo,

PANGESTU, D. D., SUMARTONO, B.,
R. (2016). Analisis Peramalan
& BHIRAWA, W. T. (2021).
(Forecasting) Produksi Karet
ANALISIS PERAMALAN
(Hevea Brasiliensis) di PT
PERMINTAAN PRODUK
Perkebunan Nusantara IX Kebun
KIPAS ANGIN DENGAN
Sukamangli Kabupaten Kendal.
METODE ARIMA
Mediagro: Jurnal Ilmu-Ilmu
(AUTOREGRESSIVE
Pertanian, 12(2).
INTEGRATED MOVING
AVERAGE) UNTUK
MENENTUKAN PERSEDIAAN
SAFETY STOCK DAN
SERVICE LEVEL PADA PT.
CATUR SUKSES
INTERNASIONAL. JURNAL
TEKNIK INDUSTRI, 8(1).
Rahmadayanti, R., Susilo, B., &
Puspitaningrum, D. (2015).
Perbandingan Keakuratan
Metode Autoregressive
Integrated Moving Average
(ARIMA) dan Exponential
SMOOTHING Pada Peramalan
Penjualan Semen di PT. Sinar
Abadi. Rekursif: Jurnal
Informatika, 3(1).

Safitri, T., Dwidayati, N., & Sugiman, S.

(2017). Perbandingan Peramalan
Menggunakan Metode
Eksponensial Holt-Winters
Smoothing Dan Arima. Unnes
Journal of Mathematics, 6(1), 48-
58.

Salwa, N., Tatsara, N., Amalia, R., &

Zohra, A. F. (2018). Peramalan
Harga Bitcoin Menggunakan
Metode ARIMA (Autoregressive