PROPOSAL SKRIPSI

ANALISIS PERAMALAN PENJUALAN PRODUK DI CV. HIKMAH BAHAGIA

SAKTI DENGAN MENGGUNAKAN METODE PERAMALAN MOVING AVERAGE,
EXPONENTIAL SMOOTHING, TREND LINIER, DAN TREND NON LINIER (TREND
KUADRATIK).

(STUDI KASUS CV. HIKMAH BAHAGIA SAKTI)

Oleh:

ADITYAH MAULANA

202069030028

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK

UNIVERSITAS YUDHARTA PASURUAN

2022
 BAB I

PENDAHULUAN

1.1. Latar Belakang

Pada saat ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada
suatu tantangan, yaitu adanya tingkat persaingan yang semakin ketat. Hal ini mengharuskan
perusahaan untuk dapat merencanakan semua parameter produksi dengan baik, termasuk
kapasitas produksi agar dapat memenuhi permintaan pasar dengan tepat waktu dan dengan
jumlah yang sesuai, sehingga diharapkan keuntungan perusahaan akan meningkat (Kurniawan
dan Wiwi, 2013).

Peramalan atau forecasting merupakan teknik atau cara kuantitatif dalam memperkirakan
apa yang akan terjadi pada masa mendatang, dan tentunya membutuhkan data-data masa
lampau sebagai acuan atau data historis (Lestari dan Wahyuningsih, 2012). Salah satu
manfaat peramalan penjualan adalah dapat memperkirakan penjualan secara akurat dari waktu
ke waktu sehingga dapat dibuat rencana produksi yang sesuai dengan perkiraan penjualan
(Munawar,2003). Data peramalan penjualan dapat digunakan sebagai dasar perencanaan
produksi untuk mencegah terjadinya over production yang mengakibatkan perusahaan
mengalami idle capital maupun under production yang menyebabkan perusahaan kehilangan
kesempatan dalam menjual hasil produksinya. Dengan adanya peramalan tersebut, maka
perusahaan dapat mencapai tujuan perusahaan serta pengambilan keputusan dalam
produksinya.

CV. HIKMAH BAHAGIA SAKTI yang berlokasi di Desa Nogosari, Kecamatan Pandaan
merupakan salah satu perusahaan yang bergerak dalam industri pangan yang memproduksi
produk Saus Sambal dengan berbagai macam ukuran kemasan. Saus Sambal memiliki volume
penjualan yang berfluktuasi setiap bulannya sehingga mengantarkan Perusahaan Saus Sambal
Tiga Anak pada kondisi permintaan masa depan yang penuh dengan ketidakpastian.
Persaingan bisnis yang begitu ketat, membuat pihak manajemen perusahaan dituntut untuk
dapat menentukan permintaan produk yang akan datang dan melakukan perencanaan
pembelian bahan baku yang sesuai kebutuhan dalam artian tidak berlebihan maupun tidak
kekurangan. Perusahaan Saus Sambal Tiga Anak mengalami over production pada tahun
2014 terutama untuk produk Saus Sambal botol ukuran 625 ml sebanyak 480 botol dan Saus
Sambal refill ukuran 625 ml sebanyak 576 bungkus, hal ini disebabkan karena belum adanya
penerapan metode peramalan dalam menentukan permintaan penjualan produk yang akan
datang. Saus Sambal kemasan botol dan Saus Sambal kemasan refill ukuran 625 ml dipilih
dalam penelitian ini karena merupakan produk yang diproduksi paling banyak dan paling
tinggi tingkat penjualannya.
 Penelitian menggunakan metode peramalan moving average, exponential smoothing,
trend linier, dan trend non linier (trend kuadratik) dalam menganalisis peramalan penjualan
produk Saus Sambal. Pemilihan metode peramalan terbaik didasarkan pada tingkat kesalahan
prediksi, dimana semakin kecil tingkat kesalahan yang dihasilkan, semakin tepat sebuah
metode dalam memprediksi (Santoso, 2009). Perhitungan tingkat kesalahan yang digunakan
berupa Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute
Percent Error (MAPE). Tujuan penelitian ini adalah menentukan metode peramalan terbaik
untuk meramalkan penjualan produk Saus Sambal, serta melakukan analisis peramalan
penjualan Saus Sambal pada periode mendatang dengan menggunakan metode peramalan
terbaik pada Perusahaan Saus Sambal Tiga Anak di CV. HIKMAH BAHAGIA SAKTI.

Tabel 1.1 Penjualan saus sambal botol dan saus sambal refill 625 ml periode April 2021
sampai Maret 2022

Penjualan Saus Sambal Penjualan Saus Sambal

Periode
Botol 625 ml (botol) Refill 625 ml (pcs)
April 2021 87.451 56.760
Mei 85.158 49.080
Juni 80.784 57.840
Juli 86.141 51.576
Agustus 80.334 52.840
September 88.311 56.808
Oktober 92.631 59.980
November 91.622 61.384
Desember 92.909 65.560
Januari 2022 94.813 63.664
Februari 94.935 66.904
Maret 97.370 69.692
Sumber : Data diolah oleh peneliti

Pola data penjualan berguna untuk melihat kestasioner data. Pola data penjualan saus
sambal botol dan saus sambal refill ukuran 625 ml dari periode April 2021 sampai dengan
Maret 2022 dapat dilihat pada gambar 1.2
Gambar 1.2 Pola Data Penjualan Saus Sambal Botol dan Saus Sambal Refill ukuran 625
ml periode April 2021 sampai Juni 2022

120

100

80

60
KM. Botol
40 KM. Refill

20

0
1 ei ni li s r r r r 2 ri et
r-2 M Ju Ju stu be obe be be 02 r ua ar
u m t m m 2
Ap Ag pt
e
Ok ve se ri Fe
b M
Se No De n ua
Ja

Sumber : Data diolah oleh peneliti

Berdasarkan data yang diberikan oleh pihak manajemen CV. HIKMAH BAHAGIA
SAKTI diperoleh data penjulan Saus Sambal botol dan Saus Sambal refill ukuran 625 ml
selama periode April 2021 sampai dengan Maret 2022 . Data penjualan periode sebelumnya
digunakan sebagai panduan untuk dapat melakukan metode peramalan. Menurut Raharja et al.
(2010), pola data stasioner terjadi jika terdapat data yang berfluktuasi disekitar nilai rata-rata
yang konstan. Berdasarkan hasil uji pola data diketahui bahwa data penjualan Saus Sambal
botol dan Saus Sambal refill ukuran 625 ml tidak stasioner, hal ini dapat dilihat dari
pergerakan data yang tidak berada diantara garis rata-rata yang konstan, tetapi lebih
menunjukkan adanya unsur trend. Unsur trend terlihat pada fluktuasi pergerakan data dari kiri
ke kanan yang cenderung meningkat. Pola data trend terjadi jika terdapat kenaikan atau
penurunan dalam jangka panjang selama periode waktu yang diamati (Ajeng, 2011).

1.2. Identifikasi Masalah

Berdasarkan masalah yang telah terjadi pada latar belakang di atas, masalah-masalah
dapat didentifikasikan sebagai berikut:

1. Ingin mengetahui peramalan penjualan produk pada periode mendatang.

2. Ingin mengetahui pola data penjualan produk saus sambal di CV. HIKMAH
BAHAGIA SAKTI.
1.3. Rumusan Masalah

Berdasarkan latar belakang tersebut, maka rumusan penelitian ini adalah:

1. Metode apakah yang digunakan peneliti dalam melakukan penelitian peramalan

penjualan produk saus sambal botol dan refill di CV. HIKMAH BAHAGIA SAKTI ?
2. Bagaimana hasil dari pola data yang sudah diberikan oleh pihak manajemen CV.
HIKMAH BAHAGIA SAKTI?

1.4. Batasan Masalah

Supaya masalah yang diteliti tidak meluas, maka perlu adanya batasan penelitian.
Adapun batasan penelitian yang diteliti yaitu terbatas pada:

1. Penelitian hanya dilakukan di CV. HIKMAH BAHAGIA SAKTI Pandaan-Pasuruan.

2. Produk yang diteliti meliputi sebagian jenis produk yaitu: saus sambal botol dan saus
sambal refill ukuran 625 ml.
3. Volume penjualan yang digunakan sebagai data penelitian berdasarkan data historis
dari perusahaan CV. HIKMAH BAHAGIA SAKTI pada periode April 2021 hingga
Maret 2022.
4. Metode yang digunakan dalam penelitian ini adalah menggunakan metode peramalan
moving average, exponential smooting, trend linier, dan trend non linier (trend
kuadratik).

1.5. Tujuan Penelitian

1. Mengetahui metode peramalan yang terbaik dalam menentukan penjualan produk

menggunakan metode peramalan moving average, exponential smooting, trend linier,
dan trend non linier di CV. HIKMAH BAHAGIA SAKTI.
2. Mengetahui dan menjelaskan hasil peramalan terbaik yang akan digunakan untuk
menentukan penjualan produk pada periode mendatang.

1.6. Manfaat Penelitian

1. Bagi Mahasiswa

a) Mahasiswa dapat menerapkan ilmu pengetahuan dan metodologinya yang selama

ini sudah di pelajari dan telah diterima di bangku kuliah.
b) Mampu menambah wawasan dan dapat mengetahui peramalan penjualan yang
optimal.

2. Bagi Perusahaan

a) Sebagai alternative pemecahan masalah atas masalah yang dihadapi di perusahaan

dengan mempertimbangkan hasil kerja laporan penelitian.
b) Sebagai pemberi sumbangsih dan referensi bagi pelaku usaha dalam hal
mengoptimalkan produk yang memiliki banyak variasi.
 3. Bagi Universitas Yudharta Pasuruan

a) Memiliki manfaat yang besar bagi perkembangan ilmu pengetahuan dalam bidang
teknik industri.
b) Sebagai parameter perkembangan yang ada dilapangan dan nantinya dapat
digunakan untuk acuan pendidikan yang ada.

1.7. Sistematika Penyusunan Penelitian

Penyusun penelitian ini mempunyai kerangka pikiran yang berupa garis-garis besar
penulisan (outline), adapun sistematika penulisannya adalah sebagai berikut:

Bab I : Pendahuluan

Bab ini meliputi latar belakang, rumusan masalah, tujuan penelitian, manfaat
penelitian dan sistematika penulisan. Yang merupakan bagian pertama skripsi untuk dapat
mengantarkan pembaca menjawab pertanyaan apa yang diteliti dan untuk apa penelitian ini
dilakukan.

Bab II : Tinjauan Pustaka

Mengemukakan temuan-temuan ilmiah yang berkaitan dengan penelitian, kajian

pustaka ini mendapatkan bahan-bahan penelitian dari jurnal penelitian, makalah, buku, teks,
dan terbitan-terbitan resmi dari lembaga lain yang berhubungan sebagai bahan untuk
melakukan analisis.

Bab III : Metodologi Penelitian

Menguraikan dan menjelaskan dilakukannya penelitian dari rumusan masalah, metode

penelitian dan hasil penelitian ini disajikan sesuai dengan judul penelitian.serta lokasi
penelitian dan alur penelitian.

Bab IV : Hasil Dan Pembahasan

Bab ini berisi penyajian data yang mengambarkan sejumlah variable atau masalah
penelitian yang terjadi secara kronologi sesuai tujuan penelitian, analisis hasil penelitian yang
memaparkan tahapan-tahapan analisis dan teori yang dipakai dalam mencapai tujuan
penelitian.

Bab V : Penutup

Berisi kesimpulan dari hasil penelitian dan saran-saran yang dapat diberikan pada
penelitian tersebut.
 BAB II
TINJAUAN PUSTAKA

2.1. Penelitian Terkait

Yang mendasari penelitian yang akan dilakukan oleh peneliti terkait dengan penelitian
terdahulu yang topiknya sama dan dapat dijadikan pedoman oleh peneliti. Adapun penelitian
terdahulu yaitu sebagai berikut:

1. Harini Fajar Ningrum dalam jurnalnya yang berjudul “Analisis prediksi penjualan produk PT.
Joenoes Ikamulya menggunakan 4 metode peramalan Time Series”.

Kebutuhan akan informasi menjadi hal yang penting di tengah ketatnya persaingan bisnis.
Kualitas dan hasil informasi data yang telah diolah mempengaruhi strategi dan keberhasilan di
masa yang akan datang. Joenoes Ikamulya adalah perusahaan yang bergerak di bidang
penjualan produk dan menggunakan data penjualan untuk diubah menjadi informasi yang
berguna bagi perusahaan itu sendiri. Dengan menghitung peramalan dengan beberapa metode
peramalan time series dan error pada masing-masing metode, diharapkan perusahaan dapat
memperoleh informasi dan hasil peramalan yang terbaik. Hasil dari sistem prediksi dibuat
dengan 4 metode peramalan time series yaitu Metode Nave Approach, Metode Single Moving
Average (dengan n = 1, 2, 3, 4, 5), Metode Weighted Moving Average, Metode Exponential
Smoothing (dengan = 0.1, 0.5, 0.9), dan Metode Proyeksi Tren. Hasil dari peramalan yang
dipilih dari metode Weight Moving Average digunakan sebagai prediksi penjualan produk D
Boday Wash dan Evany, sedangkan hasil dari metode Trend Projection digunakan sebagai
prediksi hasil penjualan untuk Aganol, Ligent, dan Porstex.

2. Rizal Rachman dalam jurnalnya yang berjudul “Penerapan metode Moving Average dan
Exponential Smoothing pada peramalan Produksi Industri Garment”.

Permasalahan yang umum dihadapi oleh perusahaan adalah bagaimana meramalkan produksi
barang di masa mendatang berdasarkan data yang telah direkam sebelumnya. perusahaan
tersebut hanya memproduksi sesuai dengan pesanan, sehingga perusahaan hanya melakukan
proses produksi sesuai jumlah yang diminta oleh para konsumen, jika terjadi kelebihan dalam
produksi maka kelebihannya itu akan disimpan dalam stock, hal ini bertujuan untuk
memenuhi permintaan konsumen yang sifatnya mendadak. Peramalan tersebut sangat
berpengaruh pada keputusan manajemen untuk menentukan jumlah produksi barang yang
harus disediakan oleh perusahaan, kondisi umum bisnis dan ekonomi, reaksi dan tindakan
pesaing, tindakan pemerintah, kecenderungan pasar, siklus hidup produk, gaya dan mode,
perubahan permintaan dan konsumen inovasi tekhnologi. Adapun tujuan dari penelitian ini
yaitu untuk mengidentifikasi dan menganalisis hasil peramalan produksi garment dengan
menggunakan metode peramalan Moving Average dan Exponential Smoothing. Untuk
melakukan peramalan, semakin banyak data yang digunakan untuk peramalan maka semakin
akurat pula hasil dari peramalan yang dilakukan. Hasil penelitian ini telah berhasil membuat
sistem peramalan produksi garment. Sehingga lebih mudah dalam menentukan jumlah
produksi garment pada periode tahun-tahun berikutnya.
3. Marsudi, Hery Hamdi Azwir dalam jurnalnya yang berjudul “Optimasi Produksi Dengan
Perencanaan Produksi (Aggregate Planning) Menggunakan Metode Transportasi (Tabular) Di
Industri Automotif”.

Latar Belakang: penelitian ini dilatar belakangi karena terjadi permasalahan bagaimana
mengoptimasi biaya produksi produk U/B yang terdiri dari beberapa tipe, yaitu KY, K1, K2,
K3 dan K4 agar dapat bersaing dengan kompetitor lain dan untuk menurunkan biaya produksi
yang tinggi. Tujuan penelitian: penelitian ini beryujuan untuk mendapatkan profit yang tinggi
dan dapat bersaing dengan kompetitor, sehingga perlu diadakan perbaikan untuk dapat
mendukung tujuan bisnis perusahaan. Maka peramalan (forecasting) yang tepat sebagai dasar
perencanaan produksi (aggregate planning) produk U/B lebih tepatnya berdasarkan rata – rata
jumlah produksi untuk masing – masing tipe tiap periodenya, sehingga dapat diberikan hasil
produksi yang maksimal. Hasil dan kesimpulan: Dengan dilakukan perhitungan peramalan
produksi (forecasting) dengan menggunakan metode Last period demand, Arithmetic average
(average methods), Single moving average (SMA), Weighted moving average (WMA), Single
exponential smoothing (SES) dengan nilai α = 0.1, α = 0.5, α = 0.9). Dari metode-metode
tersebut didapat hasil perhitungan peramalan produksi menggunakan metode Single
exponential smoothing (SES) dengan α = 0.9 karena nilai pesentase kesalahan terkecil yaitu
11.60% dengan tingkat akurasi 88.40%.

4. Kusyanto, Dadang Suhardi, Robi Awaluddin, Dalam jurnalnya yang berjudul “Peramalan
Penjualan Keramik Menggunakan Metode Moving Average Dan Exponensial Smoothing Pada
Usaha Agus Keramik”

Latar belakang: peramalan penjualan agus keramik mengalami fluktuatif disetiap bulannya
karena belum menerapkan metode ilmiah dalam menentukan permintaan pada setiap
bulannya. Agus keramik masih menggunakan metode konvensial dengan data penjualan
sebelumnya sebagai patokan dan tolak ukur sehingga masa depan penjualannya berada dalam
ketidak pastian. Permintaan yang tiak pasti ini juga akan berpengaruh terhadap persediaan
bahan baku sehingga tidak dapat memanfaatkan peluang pasar.Tujuan: penelitian ini
bertujuan untuk menentukan perencanaan dalam mengambil kebijakan yang baik kapan suatu
peristiwa akan terjadi dan dapat memberikan pengaruh yang besar. Hasil dan kesimpulan:
setelah dilakukan uji coba dapat diketahui bahwa metode Moving Average 5 bulanan adalah
metode yang memiliki nilai tingkat error paling kecil yaitu Mean Absolute Deviation (MAD)
= 171,1, Mean Squared Error (MSE) = 36100,2, dan Mean Absolute Percent Error (MAPE) =
51,63 % dengan hasil peramalan bulan berikutnya = 332,2 buah keramik. Jadi metode yang
paling efektif untuk digunakan dalam melakukan peramalan penjualan adalah moving average
5 bulanan yang memiliki nilai tingkat error terkecil.

5. Zulfa Mardhiyah, Rio Aurachman, Putu Giri Artha Kusuma, dalam jurnalnya yang berjudul
“Penentuan Jumlah Perencanaan Terhadap Produk Aqua dengan Metode Peramalan Time
Series (Studi Kasus Pada PT. Tirta Investama Bandung)”

Latar Belakang: perusahaan menentukan jumlah permintaan hanya dengan melihat data
masalalu dan belum menggunakan metode matematika sehingga mengakibatkan jumlah
barang pada perusahaan belum optimal.
Tujuan: penelitian ini bertujuan untuk memenuhi permintaan konsumen agar mendapatkan
kepercayaan yang bagus.
 Hasil dan kesimpulan: metode Regresi Linear merupakan metode yang terbaik untuk empat
ukuran produk aqua. dan metode kosntan pada satu ukuran produk aqua, lalu metode single
exponential smoothing, dan double moving average. Dengan metode yang sudah terpilih
untuk masing-masing ukuran, hasil tracking signal berada pada rentang ± 6, maka usulan
metode yang terpilih adalah metode yang terbaik dan sudah sesuai dengan pola data
permintaan untuk setiap ukuran produk aqua.

6. Decky Chris Pramono dalam jurnalnya yang berjudul “Penentuan Forecasting dengan
menggunakan Metode Trend Linier dan Penerapan Economic Order Quantity (EOQ) dalam
Pengadahan bahan baku yang Optimal (Studi Kasus di PT. Bika Parama)”.

Di dalam penelitianini proses awal yang dilakukan adalah melakukan proses forecasting
dengan menggunakan metode Trend Linier untuk kebutuhan bahan 12 bulan ke depan.
Kemudian kebutuhan bahan tersebut menjadi data untuk membandingkan metode pengadaan
bahan yang dilakukan oleh perusahaan dengan perhitungan secara teori yang menggunakan
metode Economic Order Quantity (EOQ). Hasil perbandingan yang dilakukan dalam
penelitian ini yaitu perhitungan menggunakan metode Economic Order Quantity (EOQ) lebih
hemat 19% dari perhitungan yang dilakukan oleh perusahaan dalam hal total biaya persediaan

7. Dwi Retno Puspitasari dalam jurnalnya yang berjudul “Peramalan Data Jumlah Daftar
Pemilih Tetap Jawa Timur Menggunakan Metode Analisis Tren Linier Dan Non Linier
Dengan Pendekatan Top-Down Dan Bottom-Up”.

Berdasarkan PKPU pasal 1 ayat 22, Daftar Pemilih Tetap (DPT) adalah susunan nama
penduduk Warga Negara Indonesia (WNI) yang telah memenuhi syarat sebagai pemilih
berdasarkan Undang-Undang dan berhak menggunakan haknya untuk memberikan suara di
TPS dalam Pemilu. Penelitian ini bertujuan untuk menentukan model terbaik dan sesuai yang
akan digunakan untuk meramalkan jumlah DPT di Jawa Timur sehingga jumlah anggaran
yang diajukan pemerintah provinsi dalam mendukung pengadaan logistik tepat. Metode yang
digunakan untuk meramalkan jumlah DPT Jawa Timur pada penelitian ini adalah Analisis
Tren linier dan Non-Linier dengan pendekatan top-down dan bottom-up. Pada pendekatan
top-down dilakukan permodelan DPT untuk seluruh Jawa Timur, sedangkan pada pendekatan
bottom-up dilakukan permodelan pada daerah Kabupaten/Kota di Jawa Timur yaitu sebanyak
38. Penelitian ini diharapkan dapat menjadi rekomendasi bagi KPU Jawa Timur dalam
menetapkan jumlah DPT pada pemilihan Gubernur 2018 dan pemilihan Presiden 2019. Hasil
dari penelitian model terbaik pada pendekatan Top-Down adalah analisis tren non linier yang
dipilih berdasarkan nilai RMSE terkecil. Pada pendekatan bottom up sebanyak 34
Kabupaten/Kota di Jawa Timur dapat dimodelkan dengan model linier, 4 Kabupaten dengan
model non-linier dan 3 dengan asumsi KPU. Perbandingan antara pendekatan top-down dan
bottom-up didapakan pendekatan bottom-up terbaik untuk 37 Kabupaten/Kota dan top-down
untuk 1 Kabupaten/Kota.. Pada level Jawa Timur model terbaik yaitu analisis tren non linier
dengan pendekatan top-down.
8. Ni Putu Linda Santiari, I Gede Surya Rahayuda dalam jurnalnya yang berjudul “Penerapan
Metode Exponential Smoothing Untuk Peramalan Penjualan Pada Toko Gitar”.

Toko Gitar adalah toko alat musik terutama menjual gitar, dalam mempersiapkan stok barang,
Toko Gitar masih dilakukan secara manual tanpa memperhitungkan barang laku pada periode
sebelumnya yang mengakibatkan kelebihan dan kekurangan stok di gudang. Hal tersebut
dapat merugikan dan menghambat keuntungkan bagi perusahaan. Oleh karena itu dibutuhkan
suatu peramalan yang diharapkan dapat membantu perusahaan dalam menentukan jumlah
stok barang yang akan dipesan. Metode peramalan yang digunakan adalah Metode
Exponential Smoothing dengan alpha= 0, 8 dan standar error Mean Absolute Deviation
(MAD). Data yang digunakan diambil dari data stok barang pada tahun 2018 sebagai
referensi. Dari hasil uji coba, Standar eror yang diperoleh merupakan jarak antara hasil
peramalan, sebagai contoh pada Gitar SQ hasil peramalannya adalah 4.68 dan standar erornya
1.6 yang artinya perjualan pada barang tersebut bisa (4.86–1.6)) atau (4.86+ 1.6). hasil
peramalan menggunakan Mean Absolute Deviation (MAD) yaitu meramalkan stok berbagai
jenis barang dan didapatkan standar error di atas 50%. Dengan nilai standar error tersebut
dapat simpulkan bahwa peramalan ini layak dan dapat diterapkan. Perbandingan Peramalan
Penjualan Produk Aknil Pt. Sunthi Sepurimengguanakan Metode Single Moving Average
Dan Single Exponential Smooting.

9. Nurul Hudaningsih, Silvia Firda Utami, Wari Ammar Abdul Jabbar dalam jurnalnya yang
berjudul “Perbandingan Peramalan Penjualan Produk Aknil Pt. Sunthi Sepuri mengguanakan
Metode Single Moving Average Dan Single Exponential Smooting”.

Salah satu peramalan yang dilakukan oleh perusahaan adalah peramalan penjualan produk
kepada konsumen. Dengan mengetahui penjualan produk, dapat membantu perusahaan untuk
menyediakan material yang akan di produksi dan menentukan proses produksi itu sendiri. PT.
Sunthi Sepuri adalah perusahaan Pharmaceutical manufacture atau perusahaan yang bergerak
di pembuatan obat-obatan. PT. Sunthi Sepuri sering mengalami kesalahan peramalan dari
pihak marketing. Hal ini menyebabkan ketidak pastian jumlah produksi sehingga dapat
menyebabkan produktifitas karyawan menurun karena meningkatnya jumlah produksi
sewaktu-waktu. Pada penelitian ini peramalan permintaan akan diadakan pada PT. sunthi
Sepuri dengan menerapkan metode Single Moving Average dan Single Exponential
Smoothing, dengan sampel yang akan digunakan adalah produk Aknil produk ini adalah obat
penahan rasa nyeri. Penggunaan kedua metode tersebut untuk membandingkan kedua metode
peramalan tersebut untuk membandingkan metode peramalan yang paling akurat dan
mendekati nilai aktual. Metode penelitian yang digunakan mulai dari pengumpuan data
historis, penentuan metode peramalan, perhitungan peramalan, penenuan metode terbaik, dan
penariakan kesimpulan. Berdasarkan hasil pengujian bahwa metode yang dapat digunakan
untuk menganalisis data yang memiliki tingkat kesalahan paing kecil adalah metode Single
Moving Average. Hasil peramalan untuk bulan juli 2019 dengan metode Single Exponential
Smoothing menggunakan α: 0, 8adalah 408.488 kaplet. Sedangkan untuk pemalan bulan juli
2019 dengan metode Single Moving Averageadalah 466.
10. Ridlo Maulana dalam penelitiannya yang berjudul “Penetapan Metode Peramalan
Berdasarkan Forecast Penjualan Produk Krupuk di UD. Mulya Lawang-Malang”

Latar Belakang: penelitian ini dilatar belakangi karenaaa adanya suatu kendala yaitu belum
diterapkannya metode kuantitatif yang efektif dalam ramalan data penjualan untuk beberapa
bulan kedepandan perusahaan hanya mencatat data hasil penjualan dibuku buku yang
sederhana yang belum tentu membantu menemukan solusi untuk stok barang untuk beberapa
bulan kedepan.Tujuan penelitian: tujuan penelitian ini untuk mencari metode yang tepat dan
terbaik diantara metode moving average, exponential smoothing dan Regression linear
dengan membandingkan tingkat kesalahan yang diperoleh dari masing-masing metode.
Sehinga dapat membantu perusahaan untuk mengatasi stok produk yang harus tersedia. Hasil
dan kesimpulan: hasil dan kesimpulan penelitian ini adalah jumlah permintaan menunjukkan
bahwa kedua metode memberikan hasil yang hamper sama. Namun hasil dari single moving
average menunjukkan hasil yang stabil sedangkan metode simple regression linear
menunjukkan hasil yang relatif menurun.

2.2. Pengertian Peramalan

Pengertian dari peramalan secara umum merupakan gambaran keadaan perusahaan

pada masa yang akan datang. Gambaran tersebut sangat penting bagi manajemen perusahaan,
karena dengan gambaran tersebut maka perusahaan dapat memprediksi langkah-langkah apa
saja yang diambil dalam memenuhi permintaan konsumen. Ramalan memang tidak selalu
tepat 100%, karena masa depan mengandung masalah ketidakpastian, namun dengan
pemilihan metode yang tepat dapat membuat peramalan dengan tingkat kesalahan yang kecil.
Peramalan (forecasting) merupakan seni dan ilmu untuk memperkirakan kejadian di masa
depan (Render dan Heizer, 2009:162). Sumayang, (2003:24) Menjelaskan peramalan adalah
perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk menentukan
sesuatu di masa yang akan datang.

Menurut Nasution, (2005:235) peramalan diartiakan sebagai proses untuk

memperkirakan beberapa kebutuhan di masa yang akan datang yang meliputi kebutuhan
dalam hal kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan dalam rangka memenuhi
permintaan barang dan jasa. Sedangkan menurut Gaspersz, (2005:72) peramalan adalah suatu
dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variable peramal,
sering berdasarkan data deret waktu historis. Berdasarkan pengertian peramalan yang
dipaparkan oleh beberapa ahli diatas, maka disimpulkan bahwa peramalan adalah seni dari
ilmu memprediksi sesuatu yang belum terjadi dengan menggunakan data-data dari masa lalu
dengan tujuan untuk memperkirakan peristiwa-peristiwa yang akan terjadi dimasa depan,
yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan barang ataupun jasa.
2.3. Tujuan Peramalan

Menurut Gaspersz (2005:75) tujuan peramalan adalah untuk meramalkan permintaan

dan item-item independent demand di masa yang akan datang. Sedangkan menurut Subagyo
(2002:01) tujuan peramalan adalah mendapatkan peramalan yang bisa meminimumkan
kesalahan meramal, (forecast error) yang bisa diukur dengan Mean Squared Error (MSE),
Mean Absolute Error (MAD) dan sebagainya. Dengan adanya peramalan manajemen
perusahaan mendapatkan gambaran penjualan untuk masa yang akan datang, sehingga
manajemen perusahaan dapat memperoleh masukan yang sangat berarti dalam menentukan
kebijaksanaan perusahaan.

2.4. Jenis-Jenis Peramalan Dalam Perencanaan Di Masa Depan

Pada umunya, berbagai organisasi menggunakan tiga jenis peramalan yang utama
dalam perencanaan operasi di masa depan. Tiga jenis peramalan tersebut, yaitu (Render dan
Heizer, 2009:164) :

1. Peramalam ekonomi (economic forecast)

Menjelaskan siklus bisnis dengan memprediksi tingkat inflasi, ketersediaan uang,

Dana yang dibutuhkan untuk membangun perumahan, dan indikator perencanaan
lainnya.

2. Peramalan teknologi (technological forecast)

Memperhatikan tingkat kemajuan teknologi yang dapat meluncurkan produk baru

yang menarik yang membutuhkan pabrik dan peralatan baru.

3. Peramalan permintaan (demand forecast)

Proyeksi permintaan untuk produk atau layanan suatu perusahaan. Peramalan ini juga
disebut peramalan penjualan yang mngendalikan produksi, kapasitas, serta sistem
penjadwalan dan menjadi input bagi perencanaan keuangan, pemasaran dan sumber daya
manusia.

2.5. Peramalan Menurut Horizon Katanya

Peramalan biasanya diklasifikasikan berdasarkan horizon waktu masa depan yang

dilingkupinya. Horizon waktu terbagi menjadi beberapa kategori, yaitu (Render dan Heizer,
2009:163):

1. Peramalan Jangka Pendek, yaitu peramalan yang meliputi jangka waktu hingga satu
tahun, tetapi umumnya kurang dari tiga bulan. Peramalan ini digunakan untuk
merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja, dan
tingkat produksi.
 2. Peramalan Jangka Menengah, yaitu peramalan yang umumnya mencakup hitungan bulan
hingga tiga tahun. Peramalan ini bermanfaat untuk merencanakan penjualan, perencanaan
dan anggaran produksi, anggaran kas, serta menganalisis bermacam-macam rencana
operasi.

3. Peramalan Jangka Panjang, yaitu peramalan yang umumnya untuk perencanaan masa tiga
tahun atau lebih. Peramalan jangka panjang digunakan untuk merencanakan produk baru,
pembelanjaan modal, lokasi atau pengembangan fasilitas, serta penelitian dan
pengembangan.

2.6. Faktor-Faktor Yang Mempengaruhi Peramalan

Peramalan sebenarnya upaya untuk mempekecil resiko yang timbul akibat

pengambilan keputusan dalam suatu perencanaan produksi.

Faktor-faktor yang mempengaruhi peramalan adalah (Ishak, 2010:107) :

1. Horizon Peramalan.

2. Tingkat Ketelitian.

3. Ketersediaan Data.

4. Bentuk Pola Data.

5. Biaya.

6. Jenis dari model.

7. Mudah Tidaknya Penggunaan Dana Aplikati.

2.7. Karakteristik Peramalan Yang Baik

Selain faktor-faktor yang mempengaruhi peramalan, dan juga tahapan- tahapan yang
harus dilakukan dalam peramalan, maka peramalan mempunyai karakteristik tertentu agar
peramalan dapat dilakukan dengan baik. Menurut Ishak (2010:105) Karateristik peramalan
yang baik sebagai berikut :

1. Akurasi

Diukur dengan kebiasaan dan kekonsistenan peramalan tersebut.

2. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung dari
jumlah item yang diramalkan, lama periode, metode peramalan yang dipakai.
 3. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan.

2.8. Metode Peramalan

Terdapat dua pendekatan umum untuk peramalan sebagaimana ada dua cara
mengatasi semua model keputusan. Menurut Render dan Heizer (2009:167) terdapat dua
pendekatan yang digunakan dalam peramalan, yaitu:

1. Peramalan Kualitatif (Qualitative Forecast)

Pendekatan menggunakan faktor seperti intuisi, emosi, pengalaman pribadi, dan

sistem nilai pengambil keputusan untuk meramal. (Render dan Heizer, 2009:167).Menurut
Render dan Heizer (2009:167) dalam Peramalan kualitatif terdapat empat teknik peramalan,
yaitu:

a. Juri Dari Opini Eksekutif (Juri of executive opinion).

Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi
umumnya digabungkan dengan model statistik, dikumpulkan untuk mendapatkan prediksi
permintaan kelompok.

b. Metode Delphi (Delphi method).

Teknik peramalan yang menggunakan suatu proses kelompok dengan mengizinkan

para ahli, yang mungkin tinggal diberbagai tempat, sehingga memungkinkan para ahli
membuat peramalan.

c. Komposit Tenaga Penjualan (seles force composite)

Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang
dapat ia capai dalam wilayahnya. Kemudian, peramalan ini dikaji untuk memastikan
apakah peramalan cukup realistis. Kemudian, peramalan tersebut digabungkan pada
tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.

d. Survei pasar konsumen (consumer marketsurvey)

Metode peramalan yang meminta input dari konsumen mengenai rencana pembelian
mereka di masa depan.

2. Peramalan Kuantitatif (Quantitative Forecast).

Peramalan yang menggunakan model matematis yang beragam dengan data masa lalu
dan variabel sebab akibat untuk meramalkan permintaan (Render dan Heizer, 2009:167).
Menurut Render dan Heizer (2009:168) peramalan kuantitatif dikelompokan kedalam dua
model, yaitu:
a. Model Deret Waktu

Model Deret Waktu adalah teknik peramalan yang menggunakan sejumlah data masa
lalu untuk membuat peramalan (Render dan Heizer, 2009:168).Pengolahan data kuantitatif
dari seri waktu, dapat dilakukan dengan empat metode (Render dan Heizer, 2009:168), yaitu:

a) Pendekatan Naif (Naïve Approach).

Teknik peramalan yang mengasumsikan permintaan periode berikutnya sama dengan

permintaan pada periode sebelumnya (Render dan Heizer, 2009:170).

b) Rata-rata Bergerak Tunggal (Single Moving Averages)

Peramalan rata-rata bergerak tunggal menggunakan sejumlah data aktual masa lalu
untuk menghasilkan peramalan. Rata-rata bergerak tunggal berguna jika kita dapat
mengasumsikan bahwa permintaan pasar akan stabil sepanjang masa yang kita ramalkan
(Render dan Heizer, 2009:170). bila permintaan berubah secara signifikan dari waktu ke
waktu, ramalan harus cukup agresif dalam mengantisipasi perubahan tersebut, sehingga
nilai n yang kecil akan lebih cocok dipakai. Sebaliknya, bila permintaan cenderung stabil
selama jangka waktu yang panjang, sebaiknya dipakai nilai n yang besar (Nasution,
2005:247).

Secara matematis, Render dan Heizer (2009:171) merumuskan persamaan Single

Moving Averages sebagai berikut:

peramalan dalam periode n sebelumnya

Rata−rata Bergerak=∑
n
n adalah jumlah periode dalam rata-rata bergerak.

c) Penghalusan Ekspononsial (Eksponential Smoothing).

metode peramalan pergerakan rata-rata bobot lainnya. Ini melibatkan sangat sedikit
catatan yang mempertahankan data masa sebelumnya. Exponential smoothing dapat
diformulasikan dalam rumus:

Peramalan baru = Peramalan periode sebelumnya + α (Permintaan aktual periode

sebelumnya-Peramlan periode sebelumnya)

Dimana α adalah bobot atau penghalusan konstan dipilih oleh peramal yang memiliki nilai
lebih tinggi daripada atau setara 0 dan kurang atau setara dari 1. Persamaan juga dapat
ditulis secara matematis sebagai berikut:

Ft = Ft-1 + α (At-1-Ft-1)
Keterangan:
Ft = Peramalan yang baru
Ft-1= Peramalan periode sebelumnya
 α = Penghalusan (atau bobot) konstan (0 ≤ = α < = 1) At-1= Permintaan aktual
periode sebelumnya.

Adapun Pengaruh α yaitu:

1. Semakin besar α, smoothing yang dilakukan semakin kecil,

2. Semakin kecil α, smoothing yang dilakukan semakin besar.

3. Karena α berupa variabel, masalah yang dihadapi dalam melakukan peramalan single
moving average adalah mencari α optimum. Persamaan pemulusan eksponensial
ganda (Double Exponential Smoothing) adalah:

𝑆’𝑡 = 𝛼𝐴𝑡 + (1 – 𝛼) 𝑆’𝑡 − 1

𝑆”𝑡 = 𝛼𝑆’𝑡 + (1 – 𝛼) 𝑆’𝑡 − 1
𝐴𝑡 = 𝑆’𝑡 + (𝑆’𝑡 – 𝑆”𝑡) = 2 𝑆’𝑡 – 𝑆”𝑡
Bt = α 1− α (S’t – S”t)
𝐹𝑡 + 𝑚 = 𝑎𝑡 + 𝑏𝑡 . 𝑚
Untuk menghitung nilai α dalam hubungannya dengan N adalah sebagai berikut:
𝛼 = 2 𝑁+1

d. Rata-rata bergerak terbobot (Weighted Moving Average)Rata-rata bergerak ini lebih

tanggap terhadap perubahan karena periode yang lebih dekat mendapatkan bobot yang
lebih berat.

∑ ( bobot pada periode n ) x ( permintaan pada periode n)

Rata−ratabergerak dengan pembobotan=
∑ bobot
Dimana:
n = jumlah periode dalam rata-rata bergerak tertimbang.
e. Regression/ Trend Analysis.

2.9. Pola Data

 Menurut (Aden, 2020)bentuk pola data time series dapat dibagi menjadi empat yaitu:

a. Pola Data Horizontal

Merupakan pola data yang fluktuatif namun data tersebut disekitaran mean atau rata-
rata hitung.

b. Pola Data Trend

Merupakan pola data yang fluktuatif dengan terus mengalami peningkatan.

c. Pola Data Siklis

Merupakan pola data yang fluktuatif dengan terjadinya nilai maksimum dan minimum
dalam periode tertentu menyerupai gelombang satu periode.

d. Pola Data Musiman

Merupakan pola data yang mengalami fluktuatif yang sangat tajam perbedaannya
dalam periode tertentu.

2.10. Galat (Error)

Galat menurut (Aden, 2020) adalah data prediksi dan data real yang merupakan
selisih, yang berfungsi untuk menentukan metode peramalan yang terbaik dari beberapa
perbandingan perhitungan peramalan. Adapun menutut (Adi Candra, S.T., M.T. Sofian
Bastuti, S.T, M.T. Cryse Riswanti Aprilianingsih, Tri Prahasta, 2020) indikator dalam
pengukuran akurasi peramalan paling sering digunakan adalah sebagai berikut:

a. Mean Absolute Deviation (MAD)

yaitu membuat rata-rata salah pendugaan dengan mengukur ketepatan ramalan,

berguna apabila mengukur kesalahan ramalan dalam segmen yang sejenis. Nilai ini
dihitung dengan rumus:
Aktual−Peramalam
MAD=∑
n

b. Mean Absolute Percentage Error (MAPE)

Kesalahan dihitung dengan absolut pada tiap periode dibagi dengan nilai pengamatan
yang nyata untuk periode tersebut, berguna untuk mengetahui seberapa besar
kesalahan dalam meramal yang dibandingkan dengan nilai nyata.

n
| Aktual− Aktual|/ Aktual
MAPE=∑ 100
i=1 n

c. Mean Square Error (MSE)

Dihitung dengan mengkuadratkan masing-masing kesalahan lalu dijumlahkan dan

 ditambahkan dengan jumlah pengamatan. Yang berguna untuk mempertimbangkan
metode peramalan. Yang mana dapat dihitung menggunakan rumus:

⃓ Kesala h an Peramalan⃓ 2
MSE=∑
n

2.11. Frekuensi Pembelian

Metode EOQ mengacu pada pembelian dengan jumlah yang sama dalam setiap kali
melakukan pemesanan. jumlah pembelian dapat diketahui dengan cara membagi kebutuhan
dalam satu tahun dengan jumlah pembelian setiap kali melakukan pemesanan. Frekuensi
pemesanan seuai yang diutarakan Deanta dalam Rifqi (2012:40) dapat diformulasikan
sebagai berikut:

D
𝐹=
EOQ
Dimana:
F = frekuensi pembelian dalam satu tahun

D = jumlah kebutuhan bahan baku selama satu tahun EOQ = jumlah pembelian bahan sekali

2.12. Reorder Point (ROP)

ROP merupakan jumlah persediaan yang harus tetap ada saat pemesanan dilakukan
pada titik pesan kembali agar tepat waktu untuk menghindari terjadinya kehabisan stok
persediaan.

Penentuan waktu tunggu dikenal dengan dua macam biaya, yaitu:

1. Biaya penyimpanan tambahan, biaya yang harus dibayar karena adanya surplus bahan
baku.

2. Biaya kekurangan bahan, biaya yang harus dibayar karena kekurangan bahan untuk
keperluan proses produksi biaya untuk bahan baku pengganti.

Maka ROP dapat dirumuskan dengan:

r=Lxd

rumus tersebut berlaku ketika permintaan lead time konstan dan jika permintaan lead
time tidak tetap maka berlaku dengan rumus sebagai berikut:

r = (L x d) + SS

Dimana:
r = titik pemesanan ulang (ROP)
 L = perkiraan waktu tunggu atau lead time
d = rata-rata permintaan harian
SS = safety stock

Lalu untuk permintaan perharinya (d) dihitung dengan membagi permintaan tahunannya (D)
dengan jumlah hari kerja dalam satu tahun.

2.13. POM-QM

Program POM-QM for Windows V5 adalah sebuah program aplikasi computer yang
digunakan untuk memecahkan masalah dibidang produksi dan bersifat kuantitatif.
Production Operation Management merupakan kepanjangan dari POM. Dengan kemudahan
pengoprasian menjadikan POM for Windows banyak digunakan sebagai alternatif aplikasi
computer untuk membantu dalam mengambil keputusan. Misalkan menentukan order
pembelian barang agar seminimal mungkin, menentukan kombinasi produksi yang sesuai
agar memperoleh keuntungan yang sebesar-besarnya (Susanto, 2013).

Program POM-QM menyediakan beberapa modul yaitu:

1. Aggregate Planning
a. Aggregate Planning
b. Transportation Model
2. Assembly Line Balancing
3. Assignment (Penugasan)
4. Breakeven/crossorver/ cost-volume analysis
a. Capital Investment Analysis
b. Center of Gravity
5. Decision Analysis (Pengambilan keputusan)
a. Factor Rating
6. Forecasting (Peramalan)
a. Time Series Analysis
b. Last Squares- Simple and Multiple Regression
c. Regresson Projector
d. Error Analysis
7. Inventory (Persediaan)
a. Job Shop Scheduling
b. Layout
8. Learning Curves
a. Linear Programming
b. Lin Prog with Integer and Binary Variables
9. Location
a. Lot Sizing
b. Material Requirements Planning
c.Productivity
10. Project Management (PERT/CPM)
11. Quality Control
12. Reability
a. Simulation
13. Statistics (mean, var, sd, normal dist)
a. Transportation
14. Waiting Line (Antrian)

Adapun langkah-langkah penyelesaian ramalan menggunakan POM-QM for Windows V5

adalah sebagai berikut:

1. Membuka aplikasi POM-QM for Windows V5 pada computer, jika muncul tampilan
petunjuk
mulai cepat, maka klik Close.

2. Pilih modul yang sesuai dengan metode yang telah ditentukan. Yaitu: klik Module pilih
Forecasting.

3. Pilih menu File klik New dan pilih Time Series Analysis.

4. Kemudian muncul tampilan halaman kerja dan isikan data pada kotak create data set for
Forecasting. Jika sudah selesai terisi lanjut klik OK.

5. Melakukan penginputan data dari masalah peramalan yang dilakukan. Demand (Y) diisi
data permintaan per periode. Pilih metode yang akan digunakan dalam kasus peramalan,
jika ada #Periods to average maka diisi sesuai periode pada kasus peramalan.

6. Setelah semua data diinput klik SOLVE. Kemudian akan tampil dari hasil masalah
peramalan.

7. Maka akan tampil Solution maka akan terlihat Error Measure dan Forecast.
8. Untuk dapat melihat Detail and Error Analysis, Error as a Function of n, Control
(Tracking Signal) dan Graph. Maka klik dan pilih TextBook yang terdapat dibawah
Solution.

BAB III
METODOLOGI PENELITIAN
3.1. Kerangka Pemikiran

Data Historis

Data Penjualan Produk

Metode Peramalan

Moving Average, Exponential

Smoothing,Trend Linier, dan Trend
Non Linier

Penentuan Error

Mencari tingkat kesalahan dari

masing-masing Metode Peramalan

Penentuan Metode

Peramalan yang cepat

Dipilih tingkat error

Ramalan yang akan Datang

Penjualan produk yang akan datang

Pengambilan Keputusan

Keterangan :
 Produk Saus Sambal kemasan botol dan refill ukuran 625 ml memiliki volume
penjualan yang berfluktuasi dari bulan ke bulan, entah itu naik, turun, atau stabil, sehingga
mengantarkan CV. HIKMAH BAHAGIA SAKTI pada kondisi permintaan masa depan yang
penuh dengan ketidakpastian. Untuk itu perlu membuat suatu peramalan untuk mengetahui
berapa besarnya penjualan produk pada periode yang akan datang. Pembuatan ramalan
tersebut diperlukan suatu data historis pada periode-periode sebelumnya. Data sebelumnya
digunakan untuk meramalkan permintaan periode yang akan datang. Dalam menghitung data
tersebut digunakan 4 metode, yaitu Moving Averages, Exponential Smoothing, Trend Linier,
dan Trend Non Linier

Dari hasil peramalan tersebut dicari tingkat kesalahan pada masing- masing metode
peramalan. Penghitungan kesalahan peramalan tersebut menggunakan MAD (Mean Absolute
Error) dan MSE (Mean Square Error). Selanjutnya untuk mengetahui metode yang paling
tepat yaitu dicari tingkat kesalahan (error) yang lebih mendekati nol pada masing-masing
metode peramalan.

Dari hasil peramalan tersebut akan dapat diketahui jumlah penjualan produk periode bulan
April 2021 sampai Maret 2022. Dengan adanya hasil peramalan tersebut, memberikan
kemudahan dalam mengetahui jumlah penjualan produk yang akan dijadikan sebagai dasar
dalam perencanaan produksi oleh manajer perusahaan dalam memproduksi produk Saus
Sambal kemasan botol dan refill ukuran 625 ml periode bulan April 2021 sampai Maret
2022. Selanjutnya manajer akan mengambil keputusan setelah mengetahui data peramalan
dan perencanaan tersebut.

3.2. Lokasi Penelitian

Lokasi penelitian yang penulis lakukan yaitu di CV. Bahagia Sakti , sebuah
perusahaan yang bergerak dalam industri pangan yang memproduksi produk Saus Sambal
botol dan refill, di Jl. Raya Sumberejo, Asabri, Nogosari, Kecamatan Pandaan, Pasuruan,
Jawa Timur 67156 Waktu penelitian ini dilaksanakan kurang lebih selama lima minggu
tepatnya dimulai dari tanggal 26 April 2022 sampai dengan 2 Juni 2022.

3.3. Sumber Data

Penelitian ini menggunakan data sekunder yang diperoleh dari pihak lain atau sumber
lain. Data sekunder dalam penelitian ini adalah:

A. Data Deskriptif
Data ini akan memberikan gambaran perusahaan secara umum dalam penelitian. Data
deskriptif yang digunakan dalam penelitian ini adalah:

1. Data Sejarah CV. Bahagia Sakti

 2. Data Struktur Organisasi

B. Data Kuantitatif
Data kuantitatif yang digunakan dalam penelitian ini adalah data penjualan produk
boneka Cv. Bahagia Sakti pada bulan April 2021 hingga bulan Maret 2022 yang akan
digunakan untuk menentukan penjualan produk pada periode mendatang.

3.4. Jenis Produk

Jenis produk yang menjadi obyek penelitian ini adalah produk saus sambal kemasan
botol dan refill ukuran 625 ml karena produk ini yang sering terjadi ketidakpastian.
Terkadang jumlah produksi terlalu banyak dan tidak sesuai dengan permintaan, maka dari itu
perusahaan berharap dengan melakukan sebuah peramalan perusahaan akan mendapatkan
metode yang tepat sehingga perusahaan dapat menentukan permintaan produk yang akan
datang dan melakukan perencanaan pembelian bahan baku yang sesuai kebutuhan dalam
artian tidak berlebihan maupun tidak kekurangan.

3.5. Teknik Pengumpulan Data

1. Pengamatan (observasi)
Metode Observasi merupakan prosedur yang sistematis dan standard dalam pengumpulan
data (Wahyuni dan Sumarni, 2006:92). Dalam penelitian ini, peneliti melakukan
pengamatan dan pencatatan langsung mengenai kegiatan yang dilakukan CV. Bahagia
Sakti untuk menunjang data peramalan dalam masalah yang diteliti.

2. Wawancara
wawancara merupakan komunikasi atau pembicaraan dua arah yang dilakukan oleh
pewawancara dan responden untuk menggali informasi yang relevan dengan tujuan
penelitian (Wahyuni dan Sumarni, 2006:85) Dalam penelitian ini, peneliti melakukan
wawancara dengan salah satu karyawan Produksi CV. Bahagia Sakti mengenai proses
produksi dan penjualan periode lalu, kendala-kendala dalam proses produksi yang
digunakan untuk memberikan gambaran umum penelitian serta meramalkan penjualan
bulan berikutnya.

3. Analisa Dokumen
Menganalisa dan mengolah data-data yang diberikan oleh pihak perusahaan agar sesuai
dengan metode yang diteliti.

4. Studi Literatur
Merupakan metode pengumpulan dari segala informasi yang dibutuhkan untuk menunjang
pokok permasalahan yang sedang diamati dari berbagai literatur, buku atau jurnal.
3.6. Teknik Analisis Data
Ada dua hal yang harus diperhatikan dalam peramalan yang akurat dan tepat. Pertama
adalah pengumpulan data, data harus relevan agar ramalan yang dihasilkan dapat memberikan
informasi yang akurat. Kedua adalah pemilihan teknik peramalan yang tepat.

Data yang digunakan untuk analisis peramalan penjualan produk kecap adalah data pada
bulan April 2021 sampai dengan Maret 2022. Metode yang digunakan untuk menganalisis
peramalan penjualan produk kecap adalah metode moving averages, metode exponential
smoothing, metode trend linier, dan metode trend non linier.

1. Metode Moving Averages

Metode Moving Averages diperoleh dengan merata-ratakan permintaan berdasarkan
beberapa data masa lalu yang terbaru (Nasution dan Prasetyawan, 2003).

Ft =

Keterangan :
Ft = Ramalan kegiatan pada periode ke-t
n = Jumlah periode dalam rata-rata bergerak
At-1, At-2, …., At-n = Kegiatan pada periode sebelumnya
2. Metode Penghalusan Eksponensial (Exponential Smoothing)
Metode Penghalusan eksponensial merupakan teknik peramalan rata-rata bergerak
dengan pembobotan dimana data diberi bobot oleh sebuah fungsi eksponensial (Render
dan Heizer, 2005).

Ft = Ft-1 + α (At-1 – Ft-1)

Keterangan :
Ft = Hasil peramalan pada periode t
Ft-1 = Hasil peramalan pada periode sebelumnya
α = Konstanta penghalus ramalan (pembobot) (0
≤ α ≤ 1) At-1 = Data aktual pada periode
sebelumnya
3. Metode Trend Linier
Metode trend linier menggunakan garis kecenderungan apabila pola data menunjukkan
suatu kecenderungan, baik berpola turun atau naik (Tanaddy dan Andrew, 2013).
Y’ = a + b x

Untuk mencari nilai a dan b menggunakan rumus :

a= b=
Keterangan :
Untuk Σx = 0
Y’ = Ramalan pada periode
tertentu a = Intercept
b = Kemiringan garis
x = Kode periode waktu
Σ = Tanda penjumlahan total
= Jumlah data atau pengamatan
4. Metode Trend Non Linier (Trend Kuadratik)
Metode trend non linier (Trend Kuadratik) adalah trend yang mempunyai persamaan
berbentuk fungsi kuadrat dengan bentuk grafik seperti parabola (Ibrahim, 2003).

Y’ = a + bx + c
Keterangan : Y’ = Hasil peramalan pada periode tertentu
b=
a = Nilai trend periode dasar

b dan c = Pertambahan nilai trend

c= y = Penjualan produk kecap

x = Nilai variabel bebas yang diketahui

Σ = Tanda penjumlahan total

a=
= Jumlah data atau pengamatan

5. Pengukuran Akurasi Hasil Peramalan

Menurut Render dan Heizer (2005), ada 3 cara perhitungan yang biasa digunakan untuk
menghitung kesalahan peramalan total yaitu dengan Rata-rata Deviasi Mutlak (Mean
Absolute Deviation = MAD), Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE)
dan Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percent Error = MAPE).
MAD = Σ
Keterangan : At = Penjualan aktual pada periode –t
Ft = Peramalan penjualan (forecast) pada periode-t
MSE = Σ n = Jumlah periode peramalan yang terlibat

MAPE = Σ At -

BAB IV

HASIL DAN PEMBAHASAN

4.1. Pemilihan Metode Peramalan Terbaik

Berdasarkan hasil perhitungan dari masing-masing metode peramalan time series

diketahui nilai kesalahan (error) yang diperoleh. Pemilihan metode peramalan dilakukan
dengan membandingkan nilai error, dimana metode peramalan dengan nilai error terkecil
dipilih sebagai metode peramalan terbaik yang paling sesuai untuk meramalkan penjualan
saus sambal botol dan saus sambal refill ukuran 625 ml di CV. Bahagia Sakti. Perbandingan
nilai error saus sambal botol ukuran 625 ml dengan metode peramalan di CV. Bahagia Sakti
dapat dilihat pada Tabel 1.

Tabel 1. Rekapitulasi nilai error saus sambal botol 625ml.

No. Metode MAD MSE MAPE

1 Moving Average 2 Bulan 3.078,04 14.507.829,48 3,49%
2 Moving Average 3 Bulan 3.513,08 17.144.762,47 3,97%
3 Exponential Smooting α = 0.1 4.686,32 28.608.936,68 5,20%
4 Exponential Smooting α = 0.5 3.441,72 15.435.113,12 3,89%
5 Exponential Smooting α = 0.9 3.023,12 14.363.692,26 3,47%
6 Trend Linier 1.984,54 8.850.382,64 2,33%
7 Trend Non Linier 2.102,45 9.895.820, 2,47%
Sumber : Data diolah oleh Peneliti

Tabel 1 menunjukkan bahwa hasil rekapitulasi nilai error Saus sambal botol ukuran 625 ml
dengan metode peramalan trend linier diperoleh nilai error yang paling rendah apabila
dibandingkan dengan metode peramalan time series lainnya. Metode peramalan trend linier
dipilih sebagai metode peramalan terbaik karena memiliki nilai error paling rendah yaitu,
MAD (Mean Absolute Deviation) sebesar 1.984,54, MSE (Mean Square Error) sebesar
8.850.382,64 dan MAPE (Mean Absolute Percentaage Error) sebesar 2,33%.

Perbandingan nilai error saus sambal refill ukuran 625 ml dengan metode peramalan di CV.
Bahagia Sakti dapat dilihat pada Tabel 2.

Tabel 2. Rekapitulasi nilai error kecap manis refill 625 ml

No. Metode MAD MSE MAPE
1 Moving Average 2 Bulan 3.475,00 16.240.908,00 5,99%
2 Moving Average 3 Bulan 3.625,33 17.675.221,33 6,15%
3 Exponential Smoothing α = 0.1 5.241,16 37.946.781,87 8,64%
4 Exponential Smoothing α = 0.5 3.783,19 18.909.058,60 6,46%
5 Exponential Smoothing α = 0.9 3.603,13 18.762.200,63 6,28%
6 Trend Linier 2.452,41 8.976.735,38 4,35%
7 Trend Non Linier 2.726,74 10.529.369,64 4,81%
Sumber : Data diolah oleh peneliti

Tabel 2 menunjukkan bahwa hasil rekapitulasi nilai error saus sambal refill ukuran 625 ml
dengan metode peramalan trend linier diperoleh nilai error yang paling rendah apabila
dibandingkan dengan metode peramalan time series lainnya. Metode peramalan trend linier
dipilih sebagai metode peramalan terbaik karena memiliki nilai error paling rendah yaitu,
 MAD (Mean Absolute Deviation) sebesar 2.452,41, MSE (Mean Square Error) sebesar
8.976.735,38 dan MAPE (Mean Absolute Percentaage Error) sebesar 4,35%.

4.2. Analisis Data Peramalan Menggunakan Metode Peramalan Terbaik

Hasil peramalan penjualan saus sambal botol ukuran 625 ml untuk 6 bulan
mendatang, terhitung dari bulan April 2022 sampai dengan September 2022 dapat dilihat pada
Tabel 3.

Tabel 3. Peramalan penjualan saus sambal botol ukuran 625 ml

Periode (x) Penjualan (y) X XY X² Peramalan
April 2021 87.541 -11 -962.961 121 82.334
Mei 85.158 -9 -766.422 81 83.615
Juni 80.784 -7 -565.488 49 84.896
Juli 86.141 -5 -430.705 25 86.177
Agustus 80.334 -3 -241.002 9 87.458
September 88.311 -1 -88.311 1 88.739
Oktober 92.631 1 92.631 1 90.020
November 91.622 3 274.866 9 91.300
Desember 92.909 5 464.545 25 92.581
Januari 2022 94.813 7 663.691 49 93.862
Februari 94.935 9 854.415 81 95.143
Maret 97.370 11 1.071.070 121 96.424
Jumlah 0 366.399 572
April 97.705
Mei 15 98.986
Juni 17 100.267
Juli 19 101.548
Agustus 21 102.829
September 23 104.110
Sumber : Data diolah oleh peneliti
Tabel 3 menunjukkan bahwa hasil peramalan penjualan saus sambal botol ukuran 625 ml
menggunakan metode trend linier adalah 97.705 botol pada bulan April, 98.986 botol pada bulan
Mei, 100.267 botol pada bulan Juni, 101.548 botol pada bulan Juli, 102.829 botol pada bulan
Agustus dan 104.110 botol pada bulan September. Peramalan penjualan saus sambal botol ukuran
625 ml mengalami peningkatan dari bulan April sampai dengan bulan September 2022.
Berdasarkan hasil peramalan, diketahui penjualan tertinggi terjadi pada bulan September 2022
sebesar 104.110 botol. Hasil peramalan penjualan saus sambal botol ukuran 625 ml dapat
digunakan sebagai gambaran untuk melihat kemungkinan yang terjadi di masa depan. Hasil
ramalan penjualan saus sambal refill ukuran 625 ml untuk 6 bulan mendatang, terhitung dari
bulan April 2022 sampai dengan September 2022 dapat dilihat pada Tabel 4.

Tabel 4. Peramalan penjualan saus sambal refill ukuran 625 ml

 Periode (x) Penjualan (y) X XY X² Peramalan
April 2021 56.760 -11 -624.360 121 50.826
Mei 49.080 -9 -441.720 81 52.372
Juni 57.840 -7 -404.880 49 53.918
Juli 51.576 -5 -257.880 25 55.465
Agustus 52.848 -3 -158.544 9 57.011
September 56.808 -1 -56.808 1 58.557
Oktober 59.808 1 59.808 1 60.103
November 61.392 3 184.176 9 61.649
Desember 65.568 5 327.840 25 63.195
Januari 2022 63.672 7 445.704 49 64.742
Februari 66.912 9 602.208 81 66.288
Maret 69.696 11 766.656 121 67.834
Jumlah 711.960 0 442.200 572
April 13 69.380
Mei 15 70.926
Juni 17 72.472
Juli 19 74.018
Agustus 21 75.565
September 23 77.111
Sumber : Data diolah oleh peneliti

Tabel 5 menunjukkan bahwa hasil peramalan penjualan saus sambal refill ukuran 625
ml menggunakan metode trend linier mengalami peningkatan dari bulan April sampai dengan
bulan September yaitu 69.380 bungkus pada bulan April, 70.926 bungkus pada bulan Mei,
72.472 bungkus pada bulan Juni, 74.018 bungkus pada bulan Juli, 75.565 bungkus pada bulan
Agustus dan 77.111 bungkus pada bulan September. Peramalan penjualan saus sambal refill
ukuran 625 ml tertinggi terjadi pada bulan September, yaitu sebesar 77.111 bungkus. Dengan
adanya prediksi tentang kemungkinan yang terjadi pada periode mendatang, pihak perusahaan
memiliki acuan untuk mempersiapkan besarnya jumlah produksi, serta membuat perencanaan
persediaan sebagai antisipasi besarnya permintaan produk saus sambal pada bulan tertentu.

BAB V

PENUTUP

5.1. Kesimpulan
 1. Metode peramalan terbaik untuk meramalkan penjualan saus sambal botol dan saus sambal
refill ukuran 625 ml di CV. Bahagia Sakti pada periode berikutnya, terhitung dari bulan
April 2022 sampai dengan September 2022 adalah metode trend linier. Metode ini dipilih
karena memiliki nilai tingkat error yang paling rendah apabila dibandingkan dengan metode
peramalan time series lainnya, yaitu pada peramalan penjualan saus sambal botol ukuran 625
ml diperoleh nilai MAD sebesar 1.984,54, MSE sebesar 8.850.382,64, dan MAPE sebesar
2,33%, sedangkan untuk peramalan penjualan saus sambal refill ukuran 625 ml diperoleh
nilai MAD sebesar 2.452,41, MSE sebesar 8.976.735,38, dan MAPE sebesar 4,35%.

2. Hasil peramalan penjualan saus sambal botol ukuran 625 ml menggunakan perhitungan
metode trend linier adalah 97.705 botol pada bulan April, 98.986 botol pada bulan
Mei,100.267 botol pada bulan Juni, 101.548 botol pada bulan Juli, 102.829 botol pada bulan
Agustus dan 104.110 botol pada bulan September. Hasil peramalan penjualan saus sambal
refill ukuran 625 ml menggunakan metode trend linier adalah 69.380 bungkus pada bulan
April, 70.926 bungkus pada bulan Mei, 72.472 bungkus pada bulan Juni, 74.018 bungkus
pada bulan Juli, 75.565 bungkus pada bulan Agustus dan 77.111 bungkus pada bulan
Septrmber.

5.2. Saran
Perusahaan CV. Bahagia Sakti sebaiknya menerapkan metode peramalan trend linier
untuk meramalkan tingkat penjualan saus sambal pada periode yang akan datang karena
metode ini memiliki tingkat kesalahan paling rendah dibandingkan dengan metode
peramalan moving average, exponential smooting, dan trend non linier. Metode peramalan
dapat digunakan sebagai dasar perencanaan produksi untuk mencegah terjadinya over
production yang dapat merugikan perusahaan berupa biaya penyimpanan.

5.3. Diagram Alir Penelitian

Mulai

Studi Literatur

Survei Pendahuluan
 Selesai

DAFTAR PUSTAKA

Ibrahim, Y.2003. Studi Kelayakan Bisnis. Rineka Cipta Jakarta, di akses dalam
https://www.google.co.id/books/edition/STUDI_KELAYAKAN_BISNIS_Pedoman_Memula
i_B/54ESEAAAQBAJ?hl=id&gbpv=0 , pada tanggal 3 Mei 2022.
Kurniawan, M. F. A, dan U. Wiwi. 2013. Analisis Kapasitas Mesin Untuk Mengantisipasi
Perkembangan Permintaan Produk Benang Dengan Metode Rccp (Rought Cut Capacity
Planning). di akses dalam https://ejournal.unesa.ac.id/index.php/jtm-unesa/article/download/
608/418 , pada tanggal 6 Mei 2022.

Harini Fajar Ningrum. 2020. Analisis prediksi penjualan produk PT. Joenoes Ikamulya
menggunakan 4 metode peramalan Time Series, di akses dalam
https://bisnisman.nusaputra.ac.id/article/download/23/14 , pada tanggal 7 Mei 2022.

Afkar Azhfar. 2022. Forecasting adalah: Pengertian, Tujuan, Jenis, dan Metodenya, di akses
dalam https://www.hashmicro.com/id/blog/forecasting-adalah/ , pada tanggal 12 Mei 2022.

Kusyanto, Dadang Suhardi, Robi Awaluddin. 2020. Peramalan Penjualan Keramik

Menggunakan Metode Moving Average Dan Exponensial Smoothing Pada Usaha Agus
Keramik, di akses dalam https://journal.uniku.ac.id/index.php/jeam/article/view/3925 , pada
tanggal 15 Mei 2022.

Naufal Dafha Bukhori, Adika Fuad. 2020. Pedoman Manajemen Industri di PT SEM
INDONESIA Smart Earmuff, di akses dalam
https://www.google.co.id/books/edition/Pedoman_Manajemen_Industri_di_PT_SEM_IND/
wpnnDwAAQBAJ?hl=id&gbpv=0 , pada tanggal 17 Mei 2022.

Tanaddy, H. dan F. Andrew. 2013. Analisis Perbandingan Metode Regresi Linier Dan
Exponential Smoothing Dalam Parameter Tingkat Error, di akses dalam
http://ejournal.ukrida.ac.id/ojs/index.php/JTIK/article/download/798/763 , pada tanggal 21
Mei 2022

Khoiri. 2020. Pengertian dan Cara Menghitung Mean Absolute Deviation (MAD), di akses
dalam https://www.khoiri.com/2020/10/metode-perkiraan-mad-mean-absolute.html , pada
tanggal 25 Mei 2022.

Coretan Karya. 2022. Contoh cara menghitung MSE, MAD, MAPE, di akses dalam
https://www.coretankarya.my.id/contoh-cara-menghitung-mad-mse-mape/ , pada tanggal 28
Mei 2022.

Decky Chris Pramono. 2018. Penentuan Forecasting dengan menggunakan Metode Trend
Linier dan Penerapan Economic Order Quantity (EOQ) dalam Pengadahan bahan baku yang
Optimal (Studi Kasus di PT. Bika Parama), di akses dalam
https://repository.mercubuana.ac.id/40544/ , pada tanggal 22 Mei 2022.