III.

HASIL DAN PEMBAHASAN

B. Peramalan Produksi dengan Forecasting

Perusahaan yang dapat bertahan dengan semakin ketatnya persaingan
adalah perusahaan yang mampu memperkirakan kondisi di masa yang akan
datang dan siap menghadapi yang akan terjadi dengan menerapkan strategi
terukur. Peramalan dapat diartikan sebagai seni dan ilmu untuk memperkiran
kejadian pada masa yang akan datang, sedangkan aktivitas peramalan merupakan
suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan
produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat.
Posisi peramalan sangat dibutuhkan bagi perusahaan karena peramalan
merupakan sumber input untuk menentukan perencanaan bisnis dan perencanaan
produksi perusahaan sehingga hasil peramalan akan sangat menentukan langkah
ke depan yang harus diambil oleh perusahaan. Perusahaan dalam memperkirakan
penjualan dan penggunaan produk dapat menggunakan metode forecasting.
Metode forecasting merupakan salah satu metode yang digunakan untuk
perencanaan serta pengendalian produksi. Metode forecasting dibagi menjadi
dua, yakni peramalan secara kualitatif dan peramalan secara kuantitatif.
Peramalan yang digunakan pada praktikum ini yaitu peramalan secara kuantitatif
yaitu peramalan yang berkaitan dengan hitungan matematis.
1. PT Tani Makmur ingin memprediksi permintaan jumlah benih yang akan
dijual pada tahun 2020, data ini merupakan permintaan yang terjual pada
tahun 2019. Prediksi permintaan dengan menggunakan naïve method,
single moving average (N = 3), weighted moving average (n = 3,
dengan berat satu bulan sebelum 0,5; dua bulan sebelum 0,3; tiga bulan
sebelum 0,2) dan eksponential smoothing (alpha = 0,7), bandingkan
dalam bentuk tabel dan deskripsikan!
 Period Demand
Januari 2.550
Februari 2.580
Maret 2.610
April 2.586
Mei 2.566
Juni 2.596
Juli 2.616
Agustus 2.640
September 2.690
Oktober 2.702
November 2.727
Desember 2.739

Screenshoot langkah-langkah pengerjaan

 Tabel 2.1 Perbandingan Output Forecasting PT. Tani Makmur
PT. Tani Makmur Metode Forecasting (Value)
Forecasting result Naïve Moving Weighted Exponential
(Measure) Method Averages Moving Smoothing
Averages
Error Measures
Bias (Mean Error) 17,182 30,852 25,878 23,681
MAD (Mean 25,182 36,63 32,322 30,225
Absolute Deviation)
MSE (Mean 733,182 1.755,271 1.331,654 1.045,532
Squared Error)
Standard Error 29,935 47,506 41,378 35,747
(denom=n-2=9)
MAPE (Mean 0,955% 1,371% 1,211% 1,142%
Absolute Percent
Error)
Forecast next period 2.739 2.722,667 2.728 2.732,343
Sumber : Data Primer
Gambar 2.1 Grafik Forecasting PT. Tani Makmur dengan menggunakan Naïve
Method

Gambar 2.2 Grafik Forecasting PT. Tani Makmur dengan menggunakan

forecasting moving average

Gambar 2.3 Grafik Forecasting PT. Tani Makmur dengan menggunakan

forecasting weighted moving averages
Gambar 2.4 Grafik Forecasting PT. Tani Makmur dengan menggunakan
forecasting exponential smoothing

Berdasarkan tabel di atas yang menunjukkan hasil forecasting PT Tani

Makmur dapat dilihat bahwa dengan menggunakan naïve method jumlah
peramalan pada periode berikutnya sebesar 2.739 unit, moving averages jumlah
peramalan pada periode berikutnya sebesar 2.722,667 unit atau 2.723 unit,
weighted moving averages jumlah peramalan pada periode berikutnya sebesar
2.728 unit, dan berdasarkan metode exponential smoothing menunjukkan bahwa
permintaan next period diramalkan sebesar 2.732,343 unit atau 2.733 unit. Dari
angka peramalan yang diperoleh maka pemilik perusahaan dapat merencanakan
berapa jumlah stok barang yang harus tersedia karena menurut Wardah dan
Iskandar (2016) metode forecasting berguna sebagai salah satu cara dalam
menetapkan target di masa datang agar pihak manajemen dapat menetapkan
strategi yang menyeluruh untuk mencapai target tersebut sehingga didapatkan
perencanaan yang efektif dan efisien. Peramalan ini memberikan manfaat bagi
pemilik perusahaan karena meminimalisir kerugian akibat kelebihan maupun
kekurangan stok.
Berdasarkan ketiga metode tersebut juga dapat dilihat ukuran kesalahan
atau eror dengan MAD (mean absolute deviation), MSE (mean squared error),
dan MAPE (mean absolute persentase error). Nilai MAD menggunakan naïve
method yaitu sebesar 25,182, moving averages sebesar 36,63, weighted moving
averages sebesar 32,322, dan menggunakan metode exponential smoothing
dengan alpha 0,7 nilai MAD sebesar 30,225. Nilai MSE setiap metode juga
berbeda, yaitu menggunakan naïve method sebesar 733,182, moving averages
sebesar 1.755,271, weighted moving averages sebesar 1.331,654, dan
menggunakan metode exponential smoothing dengan alpha 0,7 nilai MSE
sebesar 1.045,532. Ukuran kesalahan dengan MAPE menggunakan naïve
method yaitu sebesar 0,955%, moving averages sebesar 1,371% , weighted
moving averages sebesar 1,2111% , dan menggunakan metode exponential
smoothing dengan alpha 0,7 sebesar1,142%. Nilai ukuran kesalahan ini
dikategorikan baik karena menurut Harahap (2016) apabila persentase nilai
MAPE yang muncul dibawah 20% maka nilai tersebut dikategorikan baik,
artinya perhitungan peramalan mendekati aktual. Tiap metode memiliki tingkat
kesalahan berbeda-beda, sehingga tidak dapat disimpulkan mana metode yang
lebih tepat atau tergantung dengan permintaan ukuran kesalahan mana yang
lebih rendah.
2. Pemkot Jakarta mengumpulkan data pengumpulan pajak penjualan
tahunan dan pendaftaran UMKM baru seperti yang terlihat dalam tabel
berikut.
Pengumpulan pajak 1,0 1,4 1,9 2,0 1,8 2,1 2,3
penjulan tahunan
 (jutaan)
Pendaftaran UMKM 10 12 15 16 14 17 20
baru (dalam ribuan)
Pertanyaan:
a. Carilah persamaan regresinya!
b. Dari hasil perhitungan no. a, temukan ramalan pengumpulan pajak
penjualan jika banyaknya total pendaftaran UMKM baru adalah
22.000!
c. Carilah koefisien korelasi berdasarkan data-data tersebut dan
interpresaikan hasilnya!

Screenshoot langkah-langkah pengerjaan

a. Carilah persamaan regresinya!
Persamaan regresi adalah salah satu metode untuk menentukan hubungan
sebab-akibat antara variabel dengan variabel lainnya. Persamaan
regresi sederhana:
Y = a + bX
Keterangan:
Y = variabel terikat
X = variabel bebas
a = variabel konstan
b = koefisien arah regresi linier
Ilmi (2019) menyatakan analisis regresi merupakan sebuah
metode mempelajari bentuk hubungan antara satu atau lebih
peubah/variabel bebas (X) dengan satu peubah tak bebas (Y). Dalam
penelitian peubah bebas (X) biasanya peubah yang ditentukan oleh
peneliti secara bebas misalnya dosis obat, lama penyimpanan, kadar zat
pengawet, umur ternak dan sebagainya. Disamping itu peubah bebas bisa
juga berupa peubah tak bebasnya, misalnya dalam pengukuran panjang
badan dan berat badan sapi, karena panjang badan lebih mudah diukur
maka panjang badan dimasukkan kedalam peubah bebas (X), sedangkan
berat badan dimasukkan peubah tak bebas (Y). Sedangkan peubah tak
bebas (Y) dalam penelitian berupa respon yang diukur akibat
perlakuan/peubah bebas (X). misalnya jumlah sel darah merah akibat
pengobatan dengan dosis tertentu, jumlah mikroba daging setelah
disimpan beberapa hari, berat ayam pada umur tertentu dan sebagainya.
Adapun tujuan digunakan regresi linear adalah salah satu dari jenis
analisis peramalan atau prediksi yang sering digunakan pada data berskala
kuantitatif (interval atau rasio). Muhajir (2019) menyatakan prediksi
(forecasting) yaitu memperkirakan nilai data dimasa yang akan dating
menggunakan algoritma regresi linier. Regresi linier merupakan salah
satu algoritma data mining yang digunakan untuk melakukan forecasting
berdasarkan histori data yang pernah terjadi.
Berdasarkan pada hasil forecasting permasalahan di atas,
diketahui bahwa variabel bebas (X) adalah jumlah pendaftar UMKM dan
variabel terikat (Y) adalah jumlah pajak tahunan. Menggunalan aplikasi
POM-QM, didapatkan persamaan seperti tabel di bawah ini :
 Tabel tersebut menunjukkan bahwa persamaan regresi menggunakan
metode Linier Regression/Least Squares adalah Y = -158.148,4 +
130,837x
b. Dari hasil perhitungan no. a, temukan ramalan pengumpulan pajak
penjualan jika banyaknya total pendaftaran UMKM baru adalah 22.000.
Hal ini menunjukkan bahwa nilai X= value for forecast diisi sebanyak
22.000 sebagaimana tampilan tabel berikut :

Sehingga didapatkan bahwa ramalan pengumpulan pajak penjualan

mengikuti perhitungan dibawah ini:
Y = -158.148,4 + 130,837 x
 = -158.148,4 + 130,837 (22.000)
= -158.148,4 + 2.878.414
= 2.720.265,6 (sesuai yang tertera pada tabel hasil forecasting)

c. Carilah koefisien korelasi berdasarkan data-data tersebut dan

interpresaikan hasilnya!
Berdasarkan hasil output forecasting dengan metode linear regression,
didapatkan hasil koefisien korelasi sebesar 0,966. Nilai koefisien korelasi
(correlation coefficient) sebesar 0,966. Rentang dari koefisien korelasi
yang berkisar antara -1, 0, dan 1 tersebut, sehingga dapat disimpulkan
bahwa apabila semakin mendekati nilai 1 atau -1 maka hubungan makin
erat, sedangkan jika semakin mendekati 0 maka hubungan semakin
lemah. Hal ini menunjukkan bahwa terdapat hubungan yang sangat kuat
antara variabel bebas yaitu jumlah pendaftaran UMKM baru dengan
variabel terikat yaitu jumlah pajak penjualan tahunan karena nilai
koefisien korelasi mendekati 1 atau sebesar 0.966.
 \
DAFTAR PUSTAKA

Harahap Z. 2016. Penerapan Metode Peramalan Runtut Waktu dalam Menentukan Target
Tingkat Huni Kamar di Hotel El Cavana Bandung. Tourism Scientific 2(1): 27-55.
Ilmi, U. 2019. Studi Persamaan Regresi Linear Untuk Penyelesaian Persoalan Daya Listrik.
Jurnal Teknika 11(1):1083-1088.
Muhajir, A., R. Sutoyo, E., Darmawan, I. 2019. Forecasting Model Penyakit Demam
Berdarah Dengue di Provinsi DKI Jakarta Menggunakan Algoritma Regresi Linier
untuk Mengetahui Kecenderungan Nilai Variabel Prediktor Terhadap Peningkatan
Kasus. Fountain of Informatics Journal 4(2):33-40.
Wardah S., dan Iskandar. 2016. Analisis Peramalan Penjualan Produk Keripik Pisang
Kemasan Bungkus (Studi Kasus : Home Industry Arwana Food Tembilahan). Teknik
Industri 11(3): 135-142.
Lampiran 2b. Peramalan Produksi dengan Forecasting