1

Andi Ahmad Hudadin M_30415676

PERAMALAN PERMINTAAN PRODUK ROTI PADA INDUSTRI AISYAH BAKERY DI

KELURAHAN BIROBULI UTARA KOTA PALU

Oleh:
Andi Ahmad Hudadin M / 30415676

ABSTRAK
Industri kecil merupakan salah satu motor penggerak perekonomian Indonesia saat ini. Hal ini
telah terbukti mampu bertahan pada masa krisis ekonomi dan menjadi dinamisator pertumbuhan
ekonomi pasca krisis ekonomi. Bisnis-bisnis rumahan sebagai bagian dari industri kecil, ternyata
telah menjadi pengaman bagi perekonomian Indonesia. Terdapat banyak keuntungan usaha di
rumah tangga selain tidak pusing memikirkan biaya sewa tempat, usaha ini bisa pun tumbuh
menjadi tak sekedar usaha sampingan, biaya transportasi juga bisa di minimalisasikan. Aisyah
Bakery merupakan industri yang berdiri relatif baru dengan memproduksi Roti yang cukup besar
di Kota palu, jumlah penjualan produk Roti pada industri Aisyah Bakery belum efesien, karena
produk yang dijual sering dikembalikan dalam jumlah cukup banyak oleh reseller. Pengembalian
tersebut diakibatkan oleh besarnya jumlah produk, namun tidak diikuti oleh jumlah permintaan
yang sebanding. Hal ini disebabkan oleh persaingan antara produk Roti yang ada membuat
jumlah produk Roti tersebut di pasaran harus bersaing dengan baik dalam bentuk jumlah maupun
kualitas yang diberikan oleh produsen ke konsumen. Kondisi demikian membuat produsen Roti
harus memilih cara untuk mempertahankan pelanggannya maupun meningkatkan konsumennya.
Untuk mempertahankan eksistensi usaha dan menaikan laba, salah satu cara adalah melakukan
peramalan produk yang diminta konsumen setiap bulan agar industri Aisyah Bakery dapat
memproduksi Roti sesuai dengan kebutuhan atau permintaan tersebut setiap bulan ditahun 2022
mendatang.
Berdasarkan hal tersebut, penulis akan melakukan “peramalan permintaan produk Roti pada
Industri Aisyah Bakery di Kelurahan Birobuli Utara Kota Palu” dengan menggunakan metode
Regresi Linier dan Sngle Exponential Smoothing. Harapannya adalah agar dapat menentukan
cara terbaik dalam pemenuhan permintaan konsumen dengan menyesuaikan tingkat produksi,
agar perusahaan dapat memaksimumkan keuntungan dengan biaya yang paling minimal.
Berdasarkan hasil peramalan dapat dilihat metode yang terbaik daiantara kedua metode tersebut.
Diantara kedua metode tersebut yang memiliki nilai kesalahan paling kecil ialah metode Regresi
Linier. Hasil peramalan menggunakan Regresi Linier mendapatkan nilai error MAD Sebesar
2670,804, MSE sebesar 10084399,98, dan MAPE sebesar 16,330%. Sedangkan dengan
menggunakan Single Exponential Smoothing mendapatkan nilai error MAD sebesar 3083,815,
MSE sebesar 15359600, dan MAPE sebesar 18,813%.

Abstract
Small industry is one of the driving forces of the Indonesian economy today. Matter This has
been proven to be able to survive times of economic crisis and become a dynamist economic
growth after the economic crisis. Home businesses as part of industry small, it turns out to have
become a safeguard for the Indonesian economy. There are a lot of The advantages of a
household business apart from not having to worry about the cost of renting a place, this
business It can grow into not just a side business, transportation costs can also be increased
 2
Andi Ahmad Hudadin M_30415676

minimize. Aisyah Bakery is a relatively new industry that produces products There is quite a
large bread in Palu City, the number of sales of bread products in the Aisyah Bakery industry
not yet efficient, because the products sold are often returned in quite large quantities by
resellers. The return was due to the large number of products, but was not followed up by a
comparable number of requests. This is caused by competition between Bread products existing
means that the number of bread products on the market must compete well within the form of
quantity and quality provided by producers to consumers. Such conditions makes bread
producers have to choose ways to retain their customers and increase consumers. To maintain
the existence of the business and increase profits, it is wrong One way is to forecast the products
that consumers demand each month for the industry Aisyah Bakery can produce bread according
to each individual's needs or request next month in 2022.
Based on this, the author will carry out "forecasting demand for bread products in Aisyah
Bakery Industry in North Birobuli Village, Palu City" using the method Linear Regression and
Single Exponential Smoothing. The hope is to be able to determine a way best in fulfilling
consumer demand by adjusting production levels, so that Companies can maximize profits with
minimal costs.
Based on the forecasting results, it can be seen that the best method is between the two methods
the. Between the two methods, the one with the smallest error value is the method Linear
Regression. The results of forecasting using Linear Regression get the MAD error value
Amounting to 2670.804, MSE of 10084399.98, and MAPE of 16.330%. Meanwhile with using
Single Exponential Smoothing gets a MAD error value of 3083.815, MSE is 15359600, and
MAPE is 18.813%.

1. PENDAHULUAN terkecil, sehingga perusahaan dapat

Latar Belakang mengaplikasikannya dalam manajemen
perusahaan. Peramalan penjualan juga
Peramalan (Forecasting) adalah suatu usaha
dilakukan untuk bisa terus memenuhi
untuk memprediksi keadaan di masa
kebutuhan pelanggan yang dilihat dari hasil
mendatang melalui pengujian keadaan di
ramalan agar manajer dapat
masa lalu. Meramalkan penjualan berarti
memperhitungkan stock persediaan
menentukan perkiraan besarnya volume
(Makridakis, 2005).
penjualan. Bahkan menentukan potensi
Industri kecil merupakan salah satu
penjualan dan luas pasar yang dikuasai di
motor penggerak perekonomian Indonesia
masa yang akan datang. Kegunaan
saat ini. Hal ini telah terbukti mampu
peramalan adalah untuk mengambil
bertahan pada masa krisis ekonomi dan
keputusan yang tepat berdasarkan peristiwa
menjadi dinamisator pertumbuhan ekonomi
masa lalu. Adanya kegiatan Peramalan
pasca krisis ekonomi. Bisnis-bisnis rumahan
penjualan ini, dapat mengambil keputusan
sebagai bagian dari industri kecil, ternyata
atau kebijakan sesuai dengan hasil ramalan
telah menjadi pengaman bagi perekonomian
penjualan tersebut. Dengan pemilihan dan
Indonesia. Terdapat banyak keuntungan
penggunaan metode yang tepat, maka
usaha di rumah tangga selain tidak pusing
keberhasilan perusahaan dalam menawarkan
memikirkan biaya sewa tempat, usaha ini
produknya akan diperoleh dalam bentuk
bisa pun tumbuh menjadi tak sekedar usaha
laba yang dihasilkan. Peramalan ini juga
sampingan, biaya transportasi juga bisa di
akan memberikan perbandingan penggunaan
minimalisasikan (Soekartawi, 2000).
metode yang memiliki nilai kesalahan

Andi Ahmad Hudadin M_30415676
Perkembangan industri Roti yang ada di
Kota Palu cukup penting dan menarik,
karena semakin berkembangnya industri
Roti yang ada di Kota Palu, maka dapat
menambah lapangan kerja baru dengan kata
lain, dapat mengurangi jumlah
pengangguran, Pada karena setiap industri
membutuhkan tenaga kerja baik dalam
jumlah kecil maupun besar, sehingga tingkat
produktivitas industri semakin tinggi.
Aisyah Bakery merupakan industri yang
berdiri relatif baru dengan memproduksi
Roti yang cukup besar di Kota palu, jumlah
penjualan produk Roti pada industri Aisyah
Bakery belum efesien, karena produk yang
dijual sering dikembalikan dalam jumlah
cukup banyak oleh reseller. Pengembalian
tersebut diakibatkan oleh besarnya jumlah
produk, namun tidak diikuti oleh jumlah
permintaan yang sebanding. Hal ini
disebabkan oleh persaingan antara produk
Roti yang ada membuat jumlah produk Roti
tersebut di pasaran harus bersaing dengan
baik dalam bentuk jumlah maupun kualitas
yang diberikan oleh produsen ke konsumen.
Kondisi demikian membuat produsen Roti
harus memilih cara untuk mempertahankan
pelanggannya maupun meningkatkan
konsumennya. Untuk mempertahankan
eksistensi usaha dan menaikan laba, salah
satu cara adalah melakukan peramalan
produk yang diminta konsumen setiap bulan
agar industri Aisyah Bakery dapat
memproduksi Roti sesuai dengan kebutuhan
atau permintaan tersebut setiap bulan
ditahun 2022 mendatang. Hasil peramalan
industri Aisyah Bakery akan mengetahui
jumlah Roti yang harus di produksi setiap
bulan sehingga tak banyak yang tersisa, dan
dapat meminimalisir biaya produksi
membalikan posisi penjualan dari
kecenderungan menurun menjadi meningkat
di tahun yang di ramalkan. Setelah melihat
masalah yang dihadapi oleh perusahaan
maka dengan ini peneliti ingin melakukan
penelitian terkait permintaan produk Roti di
3
Industri Aisyah Bakery. Penelitian ini
bertujuan untuk mengukur peramalan
permintaan produk Roti dengan mengetahui
peramalan permintaan dapat membantu
perusahaan dalam menentukan jumlah
produk yang seharusnya di produksi atau
mendekati jumlah kenyataan.
Berdasarkan uraian dan penjelasan diatas ,
maka penulis tertarik mengambil judul
“PERAMALAN PERMINTAAN
PRODUK ROTI PADA INDUSTRI
AISYAH BAKERY DI KELURAHAN
BIROBULI UTARA KOTA PALU ”.
Rumusan Masalah
Berdasarkan latar belakang yang telah
dikemukakan di atas, maka permasalahan
pokok yang akan dibahas pada penelitian ini
adalah:
1. Berapakah hasil peramalan
permintaan produk Roti di Industri Aisyah
Bakery untuk periode mendatang?
2. Metode peramalan manakah yang
paling tepat diantara Regresi Linear dan
Single Exponential Smoothing?
Pembatasan Masalah
Agar penelitian ini dapat terarah dan
mencapai hasil yang maksimal sesuai
dengan tujuan yang hendak dicapai, maka
dibutuhkan batasan masalah yang mencakup
hal-hal sebagai berikut:
1. Pengambilan data hanya dilakukan
di Jl. AR Saleh II, Birobuli Utara, Kec. Palu
Selatan, Kota palu, Sulawesi Tengah,
Indonesia.
2. Data yang digunakan dalam
penelitian adalah data permintaan produk
Roti pada periode bulan Oktober 2020
sampai September 2021.
3. Metode yang digunakan dalam
penelitian ini adalah Regresi Linear dan
Single Exponential Smoothing.

Andi Ahmad Hudadin M_30415676
Tujuan Penelitian
Sesuai dengan permasalahan yang diajukan
dalam penelitian, maka tujuan dalam
penelitian ini adalah sebagai berikut:
1. Untuk mengetahui jumlah
permintaan produk Roti di Industri Aisyah
Bakery yang akan diproduksi dengan
metode Regresi Linier dengan software
Excel.
2. TINJAUAN PUSTAKA
Peramalan
Peramalan adalah prediksi, proyeksi, atau
estimasi terjadinya suatu kejadian atau
aktivitas yang tidak pasti di masa depan.
Karena masa depan sangat sulit dipastikan,
diperlukan sistem peramalan, baik secara
implisit ataupun eksplisit. Tujuan dari
peramalan adalah menggunakan informasi
terbaik yang tersedia saat ini sebagai
panduan aktivitas di waktu ke depan untuk
mencapai tujuan dari organisasi. Tujuan
tersebut umumnya sangat penting dan terkait
dengan alokasi sumber daya (Eunike, 2018).
Peramalan (forecasting) adalah suatu seni
dan ilmu pengetahuan dalam memprediksi
peristiwa pada masa mendatang. Peramalan
akan melibatkan mengambil data historis
(seperti penjualan tahun lalu) dan
memproyeksikan mereka ke masa yang akan
datang dengan model matematika. Mungkin
akan menjadi prediksi yang bersifat
subjektif dan intuitif. Mungkin akan
didasarkan pada data yang didorong oleh
permintaan, misalnya rencana konsumen
untuk membeli dan memproyeksikan
mereka ke masa yang akan datang. Atau
peramalan akan melibatkan kombinasi dari
keduanya, yang mana model matematika
disesuaikan dengan pertimbangan yang baik
dari manajer (Heizer & Render, 2015).
Aliran Informasi Peramalan
Peramalan memberikan informasi
penting pada perencanaan produksi dan
4
2. Untuk mengetahui jumlah
permintaan produk Roti di Industri Aisyah
Bakery yang akan diproduksi dengan
metode Single Exponential Smoothing
dengan Software POM QM.
Untuk mengetahui metode peramalan yang
paling tepat diantara Single Exponential
Smoothing dengan Software POM QM dan
Regresi Linear dengan Software Excel.
pengendalian inventori. Di lain pihak, dalam
melakukan peramalan diperlukan informasi
dari beberapa sumber. Informasi yang
dibutuhkan meliputi informasi jenis model
peramalan, parameter dan variabel dalam
peramalan, data historis, informasi tambahan
yang bersifat subjektif salah satunya
berdasarkan pengalaman sebelumnya, dan
informasi lain yang terkait.
Peramalan awal (inisial) dihasilkan secara
otomatis menggunakan pendekatan/rumus
tertentu untuk selanjutnya di-review dan
dilakukan penyesuaian oleh manajer
berdasarkan pengalaman, pengetahuan,
persaingan, dan informasi lainnya sehingga
dihasilkan peramalan akhir. Dalam
praktiknya, jumlah item pada suatu sistem
persediaan sangat besar sehingga pihak
manajer tidak dapat melakukan review pada
seluruh hasil peramalan. Oleh sebab itu,
perlu ditentukan beberapa area dimana
kebijakan pihak manajer sangat diperlukan
sehingga dibutuhkan laporan pengecualian.
Umumnya kondisi pengecualian dilakukan
pada produk yang mahal atau mengandung
unsur biaya sangat tinggi, item yang
memiliki ketidakpastian dan nilai
ketidakakuratan peramalan yang besar,
memiliki permintaan yang berubah tiba-tiba,
tipe item yang memiliki perubahan
signifikan, tidak ada data permintaan
terbaru, atau merupakan item baru pada
inventori. Pada kondisi-kondisi tersebut,
hasil peramalan akhir yang sesuai dengan
keinginan pihak manajemen lebih penting
walaupun hasil tidak optimal secara teori
(Eunike, 2018).

Andi Ahmad Hudadin M_30415676
Peran Peramalan pada Proses Produksi
Dasar dari aktivitas produksi adalah
permintaan aktual atau peramalan
3.
permintaan yang akan datang. Pada strategi
produk Make to Stock (MTS), aktivitas
produksi sepenuhnya berdasarkan hasil 4.
peramalan karena pemenuhan permintaan
berasal dari stok yang tersedia. Pada Make 5.
to Order (MTO), aktivitas produksi tidak
sepenuhnya berdasarkan permintaan aktual.
Untuk proses yang memiliki lead time
supply lebih lama daripada lead time
permintaan, maka aktivitas dilakukan atas 6.
dasar peramalan. Ilustrasi sederhana yang
dapat digunakan adalah pada penjualan
Matabak dan Terang Bulan pada suatu gerai
sebut saja merk X. Martabak akan dibuat
berdasarkan permintaan pelanggan yang
datang ke geral, tetapi persediaan adonan,Per
telor, dan bahan bakunya dilakukan
berdasarkan perkiraan penjualan per hari.
Pelanggan bersedia menunggu proses
pembuatan martabak, tetapi proses
penyediaan bahan baku dan adonan melebihi
waktu menunggu pelanggan. Dalam hal ini,
proses pembuatan produk akhir didasarkan
pada permintaan aktual, sedangkan 1.
persediaan bahan baku dan komponen
dilakukan berdasarkan peramalan (Eunike, 2.
2018).
Karakteristik Peramalan 3.
Peramalan memiliki beberapa 4.
karakteristik yang harus dipertimbangkan
dalam mengambil dan menentukan suatu 5.
keputusan. Berikut merupakan karakteristik
peramalan (Eunike, 2018):
1. Peramalan selalu salah. Selalu fleksibel dan 6.
tidak terkejut. Peramalan yang baik tidak 7.
hanya berupa satu angka. Gunakan rentang
nilai untuk mengantisipasi kesalahan
peramalan.
2. Peramalan jangka panjang pada umumnya
lebih tidak akurat. Peramalan jangka
5
panjang sangat dipengaruhi faktor intuisi.
Peramalan lebih akurat jika diterapkan untuk
waktu dekat. Gunakan batas waktu dan atau
lead time yang singkat.
Peramalan agregat lebih akurat. Lakukan
pada kelompok item.
Data terkini umumnya lebih handal. Fokus
pada data terkini.
Semakin jauh perusahaan dari konsumen,
semakin besar distorsi informasi yang
diterima dan semakin tidak akurat hasil
peramalan. Gunakan data dari titik terdekat
dengan konsumen.
Peramalan dilakukan pada item yang
independen, penentuan jumlah kebutuhan
unsur penyusunnya (dependent item)
mengikuti jumlah permintaan produk
akhirnya.
timbangan Pemilihan Metode Peramalan
Pemilihan metode peramalan harus
mempertimbangan banyak hal sebelum
menentukan metode yang akan digunakan.
Berikut merupakan beberapa pertimbangan
yang dapat dilakukan dalam pemilihan
metode peramalan (Eunike, 2018):
Akurat, peramalan harus memberikan error
sekecil mungkin.
Tidak bias, hasil peramalan tidak selalu
diatas ataupun dibawah nilai aktual.
Responsif terhadap perubahan.
Tidak terpengaruh oleh keadaan yang tidak
umum dan jarang terjadi.
Tepat waktu sesuai dengan tujuan
peramalan.
Penggunaan biaya yang efektif.
Mudah dipahami.
Metode Peramalan
Metode peramalan dapat
diklasifikasikan dalam dua jenis pendekatan,
yaitu kualitatif dan kuantitatif. Metode

Andi Ahmad Hudadin M_30415676
kualitatif tetap terkait dengan nilai/ angka
tetapi tidak menggunakan pendekatan
metematis. Metode kualitatif dipengaruhi
oleh penilaian, intuisi dan evaluasi subjektif.
Metode kuantitatif adalah metode yang
menggunakan suatu dasar-dasar perhitungan
(Eunike, 2018).
Metode kuantitatif yang digunakan dalam
perkiraan, pada dasarnya dapat
dikelompokkan dalam dua jenis, yaitu
metode serial waktu dan metode
eksplanatori. Berikut masing-masing
penjelasan metode serial waktu dan metode
eksplanatori (Herjanto, 2008):
1. Metode serial waktu (deret
berkala, time series)
Metode ini adalah metode yang digunakan
untuk menganalisis serangkaian data yang
merupakan fungsi dari waktu. Metode ini
mengasumsikan bahwa beberapa pola atau
kombinasi pola selalu berulang sepanjang
waktu, dan pola dasar dapat diidentifikasi
semata-mata atas dasar data historis dari
serial itu (Herjanto, 2008). Berikut beberapa
metode peramalan berdasarkan metode
serial waktu:
a. Moving Average
Moving average menghasilkan peramalan
untuk periode berikutnya dengan merata-
ratakan permintaan aktual sejumlah n
periode terakhir. Metode ini merupakan
kompromi antara metode naif dan simple
average untuk masing-masing kelebihan dan
kelemahannya. Penentuan jumlah n
didasarkan pada percobaan atau simulasi
dengan mempertimbangkan situasi di
lapangan. Penentuan n yang terlalu kecil
menghasilkan peramalan yang mendekati
metode naif dan menyebabkan peramalan
yang fluktuatif, dipengaruhi oleh variasi
acak dari permintaan. Penentuan yang
terlalu besar memberikan hasil peramalan
yang mendekati simple average dan hasil
peramalan menjadi terlalu stabil serta tidak
dapat mendeteksi adanya tren. Tujuan dari
6
moving average adalah untuk melibatkan
periode permintaan yang sesuai sehingga
faktor acak dapat dikurangi dan
mengaibaikan informasi yang tidak relevan
dari permintaan di masa lalu. Perhitungan
moving average berubah seiring dengan
pergeseran waktu, data baru ditambahkan
dan data lama dihapus berikut merupakan
rumus dari metode perhitungan moving
average (Eunike, 2018).
Keterangan:
Ŷt = Peramalan
permintaan periode t
Ŷt-1 = Peramalan aktual n
periode terbaru
t = Periode terbaru
n = Jumlah Periode
moving average
b. Exponential Smoothing
Exponential smoothing umum digunakan
pada peramalan penjualan produk secara
individu. Metode ini mengatasi kendala pada
moving average yang memerlukan memori
yang cukup besar dalam menyimpan data
historis sejumlah n periode. Pada
exponential smoothing seluruh data historis
diperhitungkan dan permintaan aktual
terakhir diberi bobot lebih besar (α, faktor
smoothing). Selain penyimpanan data lebih
kecil, proses perhitungan juga menjadi lebih
efisien. Model ini sering pula disebut
sebagai simple exponential smoothing.
berikut merupakan rumus dari metode
perhitungan exponential smoothing (Eunike,
2018).
Keterangan:
Ŷt =Xt= Peramalan permintaan periode t
α = Konstanta parameter
dasar permintaan (0 ≤ α ≤ 1)
Ŷt-1 = Permintaan aktual
periode (t - 1)

Andi Ahmad Hudadin M_30415676
Xt-1 = Peramalan
permintaan periode (t - 1)
t-1 = Satu periode sebelum
periode t
c. Regresi linear sederhana
(Linear Regression)
Prinsip regregsi linear sederhana ialah
menguji hubungan antrara dua kelompok
data, yaitu kelompok variabel tak bebas (Y)
dengan kelompok variabel bebas (X).
berikut ini merupakan model metematis dari
3. METODOLOGI PENELITIAN
Metodologi Penelitian
Metodologi penelitian ini dibuat dengan maksud
agar penelitian mengarah pada hasil dan
kesimpulan yang benar sesuai tujuan dari
penelitian yang telah dibuat.
Pen
Penjelasan Diagram Alir Penelitian
Dalam melakukan suatu peneliian tentunya
menginginkan hasil yang didapatkan sesuai
dengan yang diharapkan, maka hal yang
harus disiapkan adalah membuat suatu
diagram yang menunjukkan alur penelitian
secara sistematis yang nantinya dijadikan
sebagai pegangan peneliti dalam
menjalankan tahap-tahap penelitiannya.
Identifikasi Masalah
Persediaan produk Roti yang kurang
baik akibat dari kurang akuratnya penentuan
persediaan terhadap produk roti karena sulit
menentukan berapa banyak unit yang harus
disediakan untuk memenuhi kebutuhan
konsumen. Industri Aisyah Bakery
membutuhkan sistem (peramalan) untuk
meramalkan persediaan produk agar lebihPen
obejektif dengan memperhatikan kondisi
masa lalu dan prediksi masa mendatang.
Studi Literatur
Studi literatur yang dilakukan oleh
penulis yaitu dengan melakukan pencarian
terhadap berbagai sumber, baik berupa
7
regresi linear sederhana (Herjanto, 2008).
Jika kedua variabel, X dan Y, mempunyai
hubungan (korelasi), maka perubahan yang
terjadi pada variabel X akan menyebabkan
perubahan pada variabel Y. Apabila model
atau hubungan fungsi dari kedua variabel
sudah diketahui, maka nilai variabel dapat
dihitung. Nilal a dan b yang meminimalkan
jumlah kesalahan kuadrat dari garis regresi
dapat dicari dengan menggunakan
persamaan berikut (Herjanto, 2008).
buku, arsip, dan jurnal sehingga informasi
yang didapat ini dijadikan rujukan untuk
memperkuat argumentasi yang ada. Studi
literatur ini dilakukan oleh peneliti setelah
menentukan topik penelitian dan
ditetapkannya rumusan masalah.
gumpulan Data
Penelitian dilakukan di Industri
Aisyah Bakery yang berlokasi di Jl. AR
Saleh II, Birobuli Utara, Kec. Palu Selatan,
Kota palu, Sulawesi Tengah, Indonesia.
Data yang digunakan dalam
penelitian adalah berupa data primer
maupun data sekunder. Data primer adalah
data yang dikumpulkan secara langsung
dengan cara pengamatan langsung pada
Industri Aisyah Bakery maupun
wawancara. Data primer yang diambil
adalah data perusahaan seperti data
penggunaan bahan baku, data permintaan
produk. Data sekunder diperoleh dengan
mengumpulkan data dari pihak lain berupa
informasi perusahaan, studi pustaka dari
buku maupun penelitian terdahulu.
golahan Data
Metode pengolahan data merupakan
penjabaran secara lebih jelas pada tahapan-
tahapan penyelesaian permasalahan yang
terdapat pada peramalan permintaan.
Langkah awal yang dilakukan dalam proses
pengolahan data yaitu menentukan jenis
 8
Andi Ahmad Hudadin M_30415676

pola data peramalan dari data permintaan produk Roti di Industri Aisyah Bakery
aktual masa lampau. Metode yang akan adalah metode peramalan Regresi Linear
digunakan untuk perbandingan yaitu, dan Single Exponential Smoothing, Untuk
Regresi Linier dan Single Exponential meramalkan Permintaan produk bulan yang
Smoothing (SES). akan datang, yaitu metode yang
Langkah berikutnya ialah melakukan menghasilkan nilai MAD, MAPE terkecil.
perhitungan peramalan. Proses perhitungan Kesimpulan dan Saran
peramalan menggunakan bantuan perangkat Berdasarkan penelitian yang telah dilakukan
lunak Excel dan POM QM. Tujuanya adalah dan mendapatkan hasil, selanjutnya akan
untuk mengetahui metode mana yang dipilih dibuat kesimpulan berdasarkan tujuan
untuk dapat menghasilkan peramalan penelitian yang dibuat, berisikan hal-hal
dengan nilai kesalahan terkecil. Untuk yang ingin diketahui jawabannya dalam
mengetahui kelayakan atau penyimpangan penelitian. Kemudian membuat saran yang
dari metode terpilih dapat dilihat ditujukan kepada Industri Aisyah Bakery
berdasarkan nilai (MAD) Mean Absolut agar hasil penelitian setidaknya dapat
Deviation terkecil dari ke dua metode berguna, dan memberikan masukan-
tersebut. masukan yang berupa solusi terhadap
Analisis Hasil Pengolahan Data permasalahan. Saran juga memberikan
Analisis data dalam penelitian ini masukan kepada penulis di masa depan agar
menggunakan metode Regresi Linear dan penulisan dengan tema yang sama dapat
Single Exponential Smoothing. Metode yang dibuat lebih baik lagi.
digunakan untuk peramalan Permintaan
October 2020 sampai dengan September
Bulan Permintaan 2020-2021 (bks)
2021.
Oktober 15208 Tabel 4. Data Permintaan Produk Roti
November 17081 Berdasrkan table 4.1 diatas dapat diketahui
Desember 11562 berapa bungkus permintaan produk roti.
Januari 13435 Pada bulan Oktober 2020 ialah sebanyak
Februari 20851 15208 bungkus, bulan November 2020 ialah
sebanyak 17081 bungkus, bulan Desember
Maret 20876
2020 ialah sebanyak 11562 bungkus, bulan
April 22749
Januari 2021 ialah sebanyak 13435 bungkus,
Mei 13534 bulan Februari 2021 ialah sebanyak 20851
Juni 17255 bungkus, bulan Maret 2021 ialah sebanyak
Juli 19128 20876 bungkus, bulan April 2021 ialah
Agustus 15462 sebanyak 22749 bungkus, bulan Mei 2021
September 17330 ialah sebanyak 13534 bungkus, bulan Juni
2021 ialah sebanyak 17255 bungkus, bulan
4. HASIL DAN PEMBAHASAN Juli 2021 ialah sebanyak 19128 bungkus,
Pengumpulan Data bulan Agustus 2021 ialah sebanyak 15462
Pengambilan data permintaan produk bungkus, bulan September 2021 ialah
roti di lakukan di Industri Aisyah Bakery. sebanyak 17330 bungkus.
Dalam melakukan peramalan permintaan Data permintaan tersebut digunakan untuk
pada penelitian ini data yang digunakan melakukan peramalan dimasa yang akan
ialah data permintaan produk roti bulan datang. Dari data permintaan tersebut
 9
Andi Ahmad Hudadin M_30415676

selanjutnya melakukan pengujian pola data
yang bertujuan untuk menentukan metode
peramalan yang cocok dalam pengelolaan
data peramalan yang akan digunakan.
aktual menunjukan pola data trend atau
kecendrungan. berikut pengolahan software
dengan menggunakan metode regresi linier
dilakukan dengan menggunakan software
Excel.

Tabel 4.2 Hasil Peramalan Regresi Linier

Periode(t) Demand(dt) t^2 Dt*t a
1 15208 1 15208 15658,455
2 17081 4 34162 15658,455
3 11562 9 34686 15658,455
4 13435 16 53740 15658,455
5 20851 25 104255 15658,455
6 20876 36 125256 15658,455
7 22749 49 159243 15658,455
8 13534 64 108272 15658,455
Gambar 4.1 Pola Data Permintaan Produk Roti 9 17255 81 155295 15658,455
Berdasarkan gambar 4.1 diatas menunjukan 10 19128 100 191280 15658,455
bentuk pola data dari data permintaan 11 15462 121 170082 15658,455
produk roti. Pola data tersebut menunjukan
12 17330 144 207960 15658,455
bentuk pola data trend atau pola data
kecendrungan. Pola data kecendrungan 78 204471 650 1359439
adalah jenis pola data yang menunjukan Tabel 4.2 di atas diketahui hasil dari
kenaikan atau penurunan dari data dalam peramalan dengan menggunakan metode
jangka waktu yang panjang. regresi linier. Tabel diatas menunjukan hasil
Hasil dan Pembahasan peramalan pada masing- masing periode. t^2
di dapat dari perpangkatan dari masing-masing
Berdasarkan data permintaan aktual, dapat periode. Dt*t di dapat dari perkalian antara
diketahui permintaan periode yang akan demand dan periode. a di dapat dari total
datang dengan menggunakan peramalan. demand di kali total t^2 di kurang perkalian
Tujuan adanya peramalan untuk meredam antara periode dan Dt*t di bagi perkalian antara
ketidakpastian, sehingga diperoleh suatu jumlah periode(12) dikali total t^2 di kurang
perkiraan yang mendekati keadaan yang total periode yang di kuadratkan, dan
sebenarnya. Pada penelitian ini software menghasilkan a = 15658,455. b di dapat dari
yang digunakan adalah POM QM dan Excel. jumlah periode(12) di kali total Dt*t di kurang
perkalian antara total demand di kali total
Metode yang digunakan dalam penulisan ini periode di bagi antara perkalian jumlah
menggunakan metode regresi linier dan periode(12) dikali total t^2 di kurang total
single exponential smooting. Penggunaan periode yang di kuadratkan, dan menghasilkan b
dari ke dua metode tersebut dilakukan = 212,430. Dt'=a+bt adalah hasil peramalan
berdasarkan pola data yang dimiliki, yaitu yang di dapatkan dengan cara a di tambah antara
pola data trend. perkalian b di kali periode, dan menghasilkan
Metode Regresi Linier Dt' = 15871.
Tabel 4.3 Nilai Error Regresi Linier
Metode regresi linier merupakan metode
MAD MSE M
yang dipergunakan sebagai metode
peramalan apabila pola data dari permintaan 2670,804 10084399,98 16
 10
Andi Ahmad Hudadin M_30415676

Tabel 4.3 menunjukan output yang bernilai 0.1, 0,5, dan 0,9.
merupakan hasil perhitungan dengan Tabel 4.4 Pengelompokan α dan Nilai MAD
mengguanakan Excel. MAD yang didapat Error Measures α = 0,10 α=
sebesar 2670,804 menunjukan
penyimpangan rata-rata absolute error. MSE MAD (Mean Absolute Deviation) 3105,779 30
digunakan untuk mengetahui evaluasi Tabel 4.4 diatas merupakan tabel
metode peramalan dengan menggunakan pengelompokan nilai MAD α = 0,1 α = 0,5 α =
kesalahan atau sisa kuadrat, yaitu sebesar 0,9, maka untuk nilai α yang tepat digunakan
10084399,98. MAPE merupakan kesalahan ialah α = 0.5. hal ini disebabkan konstanta
presentase pada peramalan, yaitu sebesar pemulusan tersebut menghasilkan nilai MAD
16,330. terkecil yaitu sebesar 3083,815. Berikut
pengolahan software dengan menggunakan
metode single exponential smoothing
dilakukan dengan menggunakan software
POM QM.
Gambar 4.3 Nilai Kesalahan Single Exponential
Smoothing

Gambar 4.2 Grafik Regresi Linier

Berdasarkan gambar 4.2 diatas merupakan
grafik dengan metode regresi linier dimana
sumbu x merupakan periode. Sumbu y
menunjukan permintaan aktual. Titik garis
berwarna biru merupakan data aktual,
sedangkan titik garis berwarna merah
menunjukan hasil peramalan. Gambar 4.3 menunjukan output yang
merupakan hasil perhitungan dengan
Metode Single Exponential mengguanakan POM QM dengan alpha
Smoothing sebesar 0.5. MAD yang didapat sebesar
Metode single exponential smoothing (SES) 3083,815 menunjukan penyimpangan rata-
biasa diterapkan untuk pola data yang tidak rata absolute error. MSE digunakan untuk
satabil. Perhitungan metode ini diawali mengetahui evaluasi metode peramalan
dengan memilih konstanta pemulusan (α) dengan menggunakan kesalahan atau sisa
yang tepat. Nilai (α) yang tepat dapat dilihat kuadrat, yaitu sebesar 15359600. MAPE
dari nilai MAD terkecil diantara semua merupakan kesalahan presentase pada
konstanta pemulusan yaitu dari (α) yang peramalan, yaitu sebesar 18,813%.
Gambar 4.4 Hasil Peramalan Single Exponential
bernilai 0.1 hingga 0.9. Nilai (α) yang Smoothing
memiliki nilai MAD terkecil nantinya
digunakan untuk perhitungan peramalan.
Berikut ini nilai MAD dengan (α) yang

Andi Ahmad Hudadin M_30415676
Gambar 4.4 di atas diketahui hasil
dari peramalan dengan menggunakan
metode single exponential smoothing. Tabel
diatas menunjukan hasil peramalan pada
masing-masing periode. Sedangkan next
periode merupakan hasil peramalan untuk
periode selanjutnya.
Gambar 4.5 Output Tracking Signal Single
Exponential Smoothing
Gambar 4.5 diatas merupakan output dari
tracking signal dengan metode single
exponential smoothing. Kolom demand
merupakan data berisi permintaan aktual. Kolom
forecast berisi data hasil peramalan dari periode
October hingga September. Kolom error yang
artinya selisih dari demand dengan nilai forecast
pada bulan November 1873 hal tersebutAn
merupakan penyimpangan dimana jika nilai
error mendekati 0 maka peramalan akan
11
semakin baik. Kolom Cum abs error merupakan
kolom kumulatif error. Kolom Cum error
merupakan pemutlakan dari nilai error. Kolom
cum abs merupakan kumulatif dari kolom Cum
error. Kolom tracking signal merupakan
pembagi antara Cum error dan MAD.
Sedangkan tracking signal adalah suatu ukuran
bagaimana baiknya suatu peramalan
memperkirakan nilai-nilai aktual. Tracking
signal yang memiliki nilai positif menunjukan
bahwa nilai permintaan aktual lebih besar dari
pada peramalan, sedangkan tracking signal yang
memiliki nilai negative berarti nilai permintaan
aktual lebih kecil dari peramalan. Tracking
signal dapat disebut baik jika memiliki nilai
Cum abs error yang rendah, dan mempunyai
positif error yang sama banyak sengan
negative error, sehingga pusat dari tracking
signal mendekati angka nol.
Gambar 4.6 Grafik single exponential smoothing
(α) 0.5
Gambar 4.6 diatas merupakan grafik
dengan metode single exponential
smoothing dengan alpha 0.5 dimana sumbu
x merupakan periode. Sumbu y menunjukan
permintaan aktual. Titik garis berwarna
hitam merupakan data aktual, sedangkan
titik garis berwarna biru menunjukan hasil
peramalan.
 12
Andi Ahmad Hudadin M_30415676

Berdasarkan karakteristik data diperoleh yang dilakukan perusahaan. Dari hasil

bahwa metode single exponential smoothing tersebut dapat dilihat perbandingan antara
digunakan apabila data menunjukkan adanya peramalan dengan menggunakan kedua
unsur trend dan musiman. Metode regresi metode. Hasil peramalanm pada bulan
linier digunakan apabila data menunjukan Oktober dengan menggunakan metode
adanya unsur trend. Data permintaan aktual Single Exponensial Smoothing adalah 17076
pada produk roti menunjukan adanya pola sedangkan dengan metode Regresi Linier
data trend dan musiman, maka kedua adalah 15871, pada bulan November dengan
metode tersebut dapat untuk dibandingkan. menggunakan metode Single Exponensial
Tabel 4.5 Perbandingan Nilai Kesalahan Smoothing adalah 15208 sedangkan dengan
Perhitungan metode Regresi Linier adalah 16083, pada
Metode MAD MSEDesemberMAPE
bulan dengan menggunakan
Single Exponential Smoothing 3083,815 metode Single 18,813%
15359600 Exponensial Smoothing
Regresi Linier 2670,804 adalah
10084399,98 16,330% dengan metode
16145 sedangkan
Regresi Linier adalah 16296, pada bulan
Berdasarkan hasil dari permintaan Januari dengan menggunakan metode Single
yang diolah dengan menggunakan POM QM Exponensial Smoothing adalah 13853
dan Excel diatas dapat dilihat metode yang sedangkan dengan metode Regresi Linier
terbaik daiantara kedua metode tersebut. adalah 16508, pada bulan Februari dengan
Diantara kedua metode tersebut yang menggunakan metode Single Exponensial
memiliki nilai kesalahan paling kecil ialah Smoothing adalah 13644 sedangkan dengan
metode Regresi Linier karena metode metode Regresi Linier adalah 16721, pada
Regresi linier memiliki nilai MAD 2670,804, bulan Maret dengan menggunakan metode
MSE 10084399,98 dan MAPE sebesar Single Exponensial Smoothing adalah 17248
16,330%. sedangkan dengan metode Regresi Linier
adalah 16933, pada bulan April dengan
menggunakan metode Single Exponensial
Tabel 4.6 Perbandingan Hasil Peramalan Roti Smoothing adalah 19062 sedangkan dengan
Periode Demand metode
Single Exponential Regresi Regresi
Smoothing Linier adalah
Linier 17145, pada
bulan Mei dengan menggunakan metode
Oktober 15208 17076 15871
Single Exponensial Smoothing adalah 20905
November 17081 15208 sedangkan dengan 16083
metode Regresi Linier
Desember 11562 16145 16296
adalah 17358, pada bulan Juni dengan
Januari 13435 13853 menggunakan metode
16508 Single Exponensial
Februari 20851 13644 Smoothing adalah16721
17220 sedangkan dengan
metode Regresi Linier adalah 17570, pada
Maret 20876 17248 16933
bulan Juli dengan menggunakan metode
April 22749 19062 17145
Single Exponensial Smoothing adalah 17237
Mei 13534 20905 sedangkan dengan metode Regresi Linier
17358
Juni 17255 17220 adalah 17783, pada bulan Agustus dengan
17570
Juli 19128 17237
menggunakan metode
17783
Single Exponensial
Smoothing adalah 18183 sedangkan dengan
Agustus 15462 18183 metode Regresi 17995
Linier adalah 17995, pada
September 17330 16822 18208
bulan September dengan menggunakan
Berdasarkan tabel 4.6 metode Single Exponensial Smoothing
memperlihatkan perbandingan peramalan adalah 16822 sedangkan dengan metode

Andi Ahmad Hudadin M_30415676
Regresi Linier adalah 18208.
5. PENUTUP
Kesimpulan
Kesimpulan adalah hasil akhir atau
rangkuman dari suatu pemaparan yang
ditarik berdasarkan tujuan penelitian pada
penulisan tugas akhir ini. Berikut merupakanSar
kesimpulan dari hasil yang diperoleh dalam
penulisan tugas akhir yang berjudul
"Peramalan Permintaan Produk Roti pada
Industri Aisyah Bakery Di Kelurahan
Birobuli Utara Kota Palu”
1. Hasil ramalan atau perkiraan roti pada
Industri Aisyah Bakery dengan metode
Regresi Linier untuk periode bulan Oktober 1.
sebesar 15871 bungkus, dengan MAD (Mean
Absolute Deviation) 2670,804, MSE (Mean
Squared Error) 10084399,98, dan MAPE
16,330%.
2. Hasil ramalan atau perkiraan roti pada
Industri Aisyah Bakery dengan metode
Single Exponential smoothing (α) 0.5 untuk
periode bulan Oktober sebesar 17076
bungkus, dengan MAD (Mean Absolute
Deviation) 3083,815, MSE (Mean Squared
Error) 15359600, dan MAPE 18,813%.
Dapat di simpulkan walaupun dengan
menggunakan metode Single Exponential
smoothing (α) 0.5 menghasil kan produk
yang lebih banyak pada awal bulan akan
tetapi pada bulan yang akan datang jumlah
produk yang di hasilkan tidak stabil yang
menyebabkan gerakan data berkala tidak
teratur. Dengan menggunakan metode
Regresi Linier memang menghasil kan
produk yang lebih sedikit di awal bulan,
akan tetapi pada bulan yang akan datang
jumlah produksi mengalami kestabilan
13
dalam permintaan dengan nilai error MAD
3083,815 yang lebih kecil di bandingkan dengan
metode Single Exponential smoothing (α)
0.5.
Saran
Saran merupakan pendapat dari
penyusun sebagai usulan atau bahan
masukan untuk perbaikan bagi perusahaan
dan untuk perbaikan penelitian berikutnya.
Berikut merupakan saran yang diberikan
penulis untuk perusahaan dan untuk
penelitian berikutnya.
Industri Aisyah Bakery sebaiknya
menetapkan metode Regresi Linier dalam
menentukan peramalan, karena dari
pengujian diatas metode ini yang paling
mendekati aktual dan memiliki MAD (mean
absolute deviation) serta MAPE terkecil.
Pimpinan Industri Aisyah Bakery
diharapkan untuk bisa melatih karyawan
dalam menetapkan metode Regresi Linier
guna untuk mempermudah dalam
meramalkan permintaan untuk periode yang
akan datang, seperti peramalan yang sudah
dijelaskan.
Untuk penelitan selanjutnya,
diharapkan dalam melakukan penelitian
lebih mengetahui dasar penulisan dengan
menerapkan metode yang belum digunakan
dalam penelitian seperti menggunakan
perencanaan produksi agregat untuk
mengetahui atau mendapatkan hasil total
biaya produksi seminimum atau serendah
mungkin.