PERAMALAN TEPUNG JELI DENGAN TIME SERIES ANALYSIS

MEMPERTIMBANGKAN PENGARUH SPECIAL EVENT

(Study Kasus : PT.Coca-Cola Bottling Indonesia)

Disusun Oleh:

Siti Ayu Syarifa (1902240011)

Deni Apriansyah (1902240004)

M.Firdaus (1902240016)

Hengki Ternado (1902240015)

Dosen Pengampu :

IRNANDA PRATIWI, ST, M.T

UNIVERSITAS TRIDINANTI PALEMBANG

FAKULTAS TEKNIK

JURUSAN TEKNIK INDUSTRI

TAHUN AJARAN 2021

 BAB I

PENDAHULUAN

A.Latar Belakang

Peramalan deret waktu atau time series merupakan suatu metode analisis data yang

untuk melakukan suatu perkiraan atau peramalan pada masa yang akan datang

(Makridakis, dkk, 1998) Dalam peramalan time series membutuhkan sejumlah data yang

cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang agar proses dan

hasil estimasi dari peramalan dapat diperoleh dengan baik.

Ada beberapa produk yang memiliki permintaan meningkat pada special event

seperti Lebaran, Natal, dan Tahun Baru. Seperti halnya tepung jeli yang merupakan bahan

tambahan yang diaplikasikan pada jenis makanan dan minuman seperti jelly cup, pudding,

sirup, dan lain-lain. Idul Fitri salah satu hari raya umat Islam yang diperingati setiap

tanggal 1 Syawal pada penanggalan tahun Hijriyah. Penanggalan tahun Hijriyah

berdasarkan peredaran bulan, sehingga menyebabkan permulaan awal puasa atau awal Idul

Fitri jatuh pada tanggal yang berbeda-beda setiap tahunnya berdasarkan penanggalan

tahun Masehi.

Penelitian sebelumnya yang berkaitan dengan peramalan dengan mempertimbangkan

special event (libur sekolah, hari raya Idul Adha, Idul Fitri, dst) ini dilakukan pada

permintaan avtur dengan menggunakan metode Moving Average Event Based,Exponential

Smoothing Event Based, dan decomposition (Henifa, Wahyuningsih, 2014). Selain itu,

penelitian lainnya adalah peramalan dengan mempertimbangkan Special Event di PT.

Coca Cola Bottling Indonesia. Peramalan akan dilakukan dengan mempehitungkan nilai

indeks masing-masing special event dengan pendekatan metode peramalan berdasarkan

musiman untuk setiap event-nya (Putra dkk, 2009).

Tujuan penelitian ini adalah untuk menentukan estimasi permintaan tepung jeli
 dengan menggunakan metode deret waktu dengan mempertimbangkan pengaruh special

event, seasonal, dan trend ditambah dengan pergeseran periode bulan Ramadhan pada

setiap tahunnya dimana berlangsungnya Lebaran selalu bergeser ke depan pada

kalender Masehi. Oleh karena itu diperlukan metode peramalan yang dapat

memperhitungkan semua pengaruh tersebut serta faktor koreksi untuk adjustment hasil

ramalan pada periode Lebaran sehingga hasilnya sesuai dengan kondisi aktualnya.

B.Studi Pustaka

1.1 Metode Linear Regression with Seasonal

Yaitu metode peramalan yang fungsi dasarnya adalah untuk memprediksi adanya

faktor kecenderungan peningkatan atau penurunan (trend) kemudian dikoreksi dengan

indeks musiman pada pola permintaan tersebut. Berikut persamaannya:

Yt' = (a + bt) St (1)

b= (2)
a= (3)

Dimana Yt merupakanpermintaan aktual, Yt’ adalah nilai peramalan pada periode t, n

merupakan jumlah periode yang digunakan, dan St = Indeks Musiman.

1.2 Metode Winters

Metode peramalan Winters Method ini merupakan metode pemulusan yang

dikoreksi dengan unsur musiman dan tren. Pada ramalan ini terdapat konstanta utama yaitu

konstanta pemulusan (α), konstanta trend (β) dan konstanta musiman (γ) yang nilainya

(0,1). Persamaan (5) – Persamaan (7) untuk metode Winters Multiplikatif.

Lt = ) (4)

bt = ) + (1- ) (5)
 St = + (6)

Ft+m = (7)

Dimana s merupakam panjang periodik musiman, Lt adalah Pemulusan Keseluruhan,

bt adalah Komponen Trend, St = Komponen Musiman dan ft+m= Peramalan untuk

periode selanjutnya.

1.3 Metode Decomposition

Metode Decomposition merupakan metode yang memecah suatu pola permintaan menjadi

komonen trend, musiman, dan siklis. selain ketiga unsur tadi juga terdapat unsur acak atau

random yang merupakan deviasi dari ketiga unsur utamanya. Berikut adalah persamaannya

(Model Multipikatif):

Yt = It . Tt .Ct .Et (8)

Dimana Yt adalah data runtun waktu pada periode ke t,Tt adalah Komponen tren pada

periode ke t, It merupakan Komponen musiman pada periode ke t, Ct = Komponen siklis

pada periode ke t , dan Et adalah Komponen random pada periode ke t

1.4 Forecast Error

Forecast error untuk menguji ketepatan peramalan dan mevalidasi model peramalan

dengan menggunakan Mean Absolute Deviation (MAD) dan Mean Absolute Percentage

Error (MAPE) (Khair dkk, 2017). Dalam penelitian ini digunakan MAD Tujuseperti

tercantum pada Persamaan (9). Nilai MAD mengukur nilai error mutlak secara rata-rata

pada keseluruhan periode peramalan dengan mengesampingkan apakah hasil peramalan

lebih besar atau lebih kecil dari data aktualnya.

MAD = (9)
1.5 Uji Residual Identik, Independen, Distribusi Normal (IIDN)

Residual dari peramalan dilakukan uji pada masing-masing parameter tersebut.

Berikut adalah uji-uji tersebut:

1. Uji Residual Identik. Uji untuk melihat sebaran dari residual apakah identik yaitu

sebarannya random dan tidak membentuk pola tertentu.

2. Uji Residual Independen. Uji ini menggunakan auto correlation function (ACF) dan

partial auto correlation function (PACF) yaitu jika semua lag berada pada garis kontrol,

maka tidak ada residual yang saling terkorelasi.

3. Uji Distribusi Normal. Residual diuji berdistribusi normal dengan menggunakan uji

Kolmogorov Smirnov untuk memenuhi asumsi white noise. (Indrasetianingsih dkk,

2017).

C. Metodologi Penelitian

Adapun langkah-langkah penelitian adalah sebagai berikut:

1. Identifikasi Pola Permintaan, yaitu dengan plotting data untuk mengidentifikasi pola

seasonal, trend dan special event.

2. Perhitungan Indeks Musiman (seasonal index), Periode dimana terjadi lonjakan

permintaan maka nilai indeksnya lebih dari 1 sedangkan yang permintaanya di bawah

rata-rata permintaan tahunan maka indeksnya kurang dari 1.

3. Penentuan Faktor Koreksi. Faktor koreksi digunakan untuk proses adjustment atas hasil

ramalan pada special event Lebaran dimana hari terjadinya Lebaran tidak sama dari

tahun ke tahun pada kelender Masehi. Dengan menghitung faktor ini maka hasil

ramalan dapat terkoreksi sesuai dengan permintaan aktualnya. Langkah penentuan

faktor koreksi adalah sebagai berikut:

a. Hitung tingkat permintaan tepung jeli pada bulan Ramadhan dengan periode
 mingguan menggunakan data 2013 dan 2014 kemudian hitung rasionya.

b. Hitung pembagian rasio pada periode dimana terjadi bulan Ramadhan dengan

menghitung berapa hari puasa pada bulan tersebut.

c. Faktor koreksi ini kemudian digunakan untuk adjustment hasi ramalan pada bulan

Ramadhan.

4. Peramalan. Metode Peramalan yang digunakan antara lain Linear Regression with

Seasonal, Winters Methods, dan Decomposition.

5. Pemilihan Metode Peramalan Terbaik. Pada tahap ini dilakukan pemilihan metode yang

terbaik dari hasil peramalan yang telah dilakukan dengan cara membandingkan

performansi dari masing-masing peramalan dan uji verifikasi dan validasi dengan

melakukan uj residual (IIDN).

 BAB II

PEMBAHASAN

A. Identifikasi Pola Musiman (Seasonal) dan Trend

Pola musiman (seasonal) adalah pola dimana kenaikan dan penurunan permintaan

terjadi pada periode-periode tertentu dan selalu berulang pada periode berikutnya.

Sedangkan pola trend adalah pola dimana terjadi kencederungan peningkatan atau

penurunan pada pola permintaan dan Identifikasi pola trend ini digunakan untuk

meramalkan besaran peningkatan permintaan pada periode selanjutnya. Gambar 1

menunjukkan bahwa terdapat pola musiman yaitu permintaan pada periode tertentu

berulang pada periode berikutnya (periodik) dan permintaannya cenderung meningkat (tipe

multiplikatif). Selain itu terjadi kecenderungan peningkatan permintaan (positive trend).

Gambar 1. Identifikasi Pola Musiman dan Trend pada Tahun 2010-1014

B. Identifikasi Special event

Tahap ini adalah untuk mengidentifikasi special event yang berpengaruh pada

permintaan tepung jeli. Special event yang dimaksud adalah periode dimana terjadi

lonjakan permintaan yang lebih tinggi dari rata-rata pemintaan bulanan. Proses identifikasi

ini juga untuk mengelompokkan periode apa saja yang termasuk pada kategori special
event dan non special event. Berdasarkan Gambar 2, terlihat bahwa terdapat dua kelompok

special event yang memberikan pengaruh signifikan pada lonjakan permintaan. Kelompok

pertama adalah periode 5, 6, dan 7 yang merupakan periode special event Lebaran

sedangkan kelompok kedua adalah periode 11 dan 12 yang merupakan periode special

event Natal dan Tahun Baru.

Gambar 2. Identifikasi Special Event tahun 2014

C. Perhitungan Faktor Koreksi dan Indeks Musiman

Faktor koreksi diperlukan sebagai koefisien adjustment hasil ramalan karena selalu

bergesernya periode bulan Ramadhan pada kalender Masehi. Perhitungan faktor koreksi

berdasarkan rasio penjualan selama bulan ramadhan dapat dilihat pada Tabel 1.

Tabel 1. Rasio Permintaan Special Event Lebaran tahun 2015

Pemintaan Pemintaan Rasio Rasio

Hari Rata-rata
Minggu Juli Juli Permintaan Permintaan
Efektif Rasio
2014 2013 2014 2013

1 1-5 40.000 32.000 0,222 0,203 0,21

2 6-10 80.000 60.000 0,444 0,380 0,41

3 11-15 50.000 60.000 0,278 0,380 0,33

 4 16-20 10.000 6.000 0,056 0,038 0,05

Jumlah 180.000 158.000 1 1 1

Lebaran tahun 2015 berlangsung pada tanggal 17 Juni. sehingga terdapat 10 hari

Ramadhan yang berada pada bulan Juni dan 11 hari Ramadhan yang terjadi pada bulan Juli

sehingga faktor koreksinya tercantum pada Tabel 2.

Tabel 2. Faktor Koreksi Periode Special Event Lebaran tahun 2015

Range Hari Hari

Bulan Rasio
Ramadhan Kerja

Efektif

Juni 17-31 10 0,62

Juli 1-17 11 0,38

Perhitungan indeks musiman digunakan untuk mengelompokkan periode-periode

berdasarkan nilai indeks musimannya (lihat Tabel 3). Nilai di atas 1 menunjukkan terjadi

lonjakan permintaan dan nilai di bawah 1 menunjukkan permintaannya di bawah rata-rata

pemintaan bulanan.

Tabel 3. Kelompok Indeks Musiman

Kelompok Keterangan
Kelompo Periode Indeks
Indeks
kPeriode (Bulan) Musiman
Musiman

1 0,65

1 2 0,63 Periode sebelum

3 0,79 Special

≤1 4 0,72 Event
 Lebaran

8 0,65
Periode sebelum
2 9 0,70 Special Event Natal
10 0,80 dan Tahun Baru

5 1,28
Periode
3 6 1,33 Special Event
≥1 7 1,79 Lebaran

11 1,31 Periode Special

4
12 1,34 Event Natal

dan Tahun

Baru

D. Pemilihan Metode Peramalan Terbaik

Pada penelitian ini dilakukan peramalan permintaan tahun 2015 dengan

menggunakan tiga metode yaitu Linear Regression with Seasona.l pada dasarnya adalah

persamaan linear kemudian dikoreksi dengan faktor musiman, metode Winters (α=0.9,

β=0.1, γ=0.1) dan Decomposition. Pemiihan metode peramalan terbaik pada penelitian ini

adalah berdasarkan nilai MAD yang terendah dan lolos uji kelayakan model seperti pada

Tabel 4.

Tabel 4. Validasi Model Peramalan

Winters’ Method
Linear Regression
Uji α=0.9, β=0.1, Decomposition
With Seasonal
γ=0.1
 MAD 6.674 4.739 4.722

Independen Tidak Valid Valid

Valid

Identik Valid Valid Valid

Distribusi Valid Valid Valid

Normal

Pola Data Mewakili Mewakili Mewakili

Berdasarkan Tabel 4, ramalan dengan nilai MAD terendah dan lolos uji kelayakan

model adalah metode Decomposition sehingga metode ini yang akan digunakan sebagai

bahan perencanaan untuk tahun 2015. Dengan nilai MAD yang tidak jauh berbeda yaitu

selisih 17, metode winters juga dapat digunakan untuk peramalan dengan pola data yang

terdapat pengaruh special event, seasonal dan trend.

Adjustment Hasil Ramalan Periode bulan Ramadhan dengan Faktor Koreksi Hasil

ramalan dengan metode Decomposition periode Ramadhan harus dikoreksi agar hasilnya

sesuai dengan kondisi aktua pada kalender Masehi. berdasarkan Tabel maka puncak

permintaan yang sebelumnya terjadi pada bulan Juni maka setelah dikoreksi bergeser pada

bulan Juli. Hal ini karena rasio permintaan lebih tinggi pada bulan Juni.

Tabel 5. Adjustment Permintaan Special Event Lebaran tahun 2015

Periode Sebelum Setelah

Adjustment (kg) Adjustment

(kg)

Juni 161.061 216.636,27

 Juli 200.468 144.892,73

Jumlah 361.529 361.529

E. Perbandingan Metode Peramalan

Akurasi peramalan perusahaan yang rendah karena tidak memperhitungkan pengaruh special

event, seasonal, dan trend. Perbandingan akurasi peramalan metode usulan dan metode

perusahaan saat ini bahwa metode usulan mampu menaikkan akurasi sebesar 8,1% menjadi

94,77% dari 86,67%.

F. Analisis Special event pada Permintaan Tepung Jeli

Special event adalah periode dimana terjadi lonjakan. Besarnya lonjakan tersebut

berpengaruh pada pola permintaan tepung jeli tersebut. Analisis dilakukan dengan

menghitung indeks musimannya dan tingkat permintaannya. Berdasarkan perhitungan indeks

musiman maka didapatkan dua kelompok indeks musiman yaitu periode special event lebaran

dan special event Natal & Tahun Baru. Berdasarkan Tabel 6, special event Lebaran

menyumbang sebesar 352,62% kenaikan permintaan.

Tabel 6. Signifikansi Special Event pada kenaikan Permintaan

Special Event Panjang Rata-rata Indeks Total Permintaan % Signifikansi

periode musiman (kg) Permintaan

Lebaran 3 1,68 496.000 352,62

Natal & Tahun

Baru 2 1,32 285.000 160,07

 BAB III

PENUTUP

Kesimpulan

1. Metode peramalan yang sesuai dengan karakteristik pola permintaan tepung jeli dimana

terdapat pengaruh special event, seasonal, dan trend adalah Decomposition dengan

akurasi peramalan sebesar 94,77% atau naik sebesar 8,1% dari akurasi peramalan

metode perusahaan (86,67%).

2. Periode special event yang berpengaruh pada peningkatan permintaan adalah sebagai

berikut:

 Lebaran dengan 3 periode (Mei, Juni, dan Juli) dengan rata-rata indeks musimannya

1,68

 Natal dan Tahun Baru dengan 2 periode (November dan Desember) dengan rata- rata

indeks musimannya adalah 1,32.

3. Faktor Koreksi berdasarkan rasio penjualan pada bulan Ramadhan dapat digunakan

untuk adjustment hasil ramalan periode special event Lebaran yang tanggal

berlangsungnya selalu bergeser setiap tahunnya pada kalender Masehi.

 DAFTAR PUSTAKA

Henifa, Siti Lukmatul , dan Wahyuningsih, Nuri. 2014. Peramalan Penjualan Avtur dengan

Mempertimbangkan Special Event. November, 19. http://digilib.its.ac.id/public/ITS-paper-

33872-1210100064-paper.pdf

Indrasetianingsih, Artanti, Damayanti, Ika , dan Susanto, Teguh. 2017. "Analisis ARIMA

Box-Jenkins untuk Peramalan Jumlah Kunjungan Wisatawan Mancanegara di Indonesia."

Seminar Nasional Matematika dan Aplikasinya. Surabaya: Universitas Airlangga. 226-

229.

Khair, Ummul, Fahmi, Hasanul, Hakim, Sarudin Al, and Rahim, Robbi. 2017.

"Forecasting Error Calculation with Mean Absolute Deviation." International Conference

on Information and Communication Technology. IOP Publishing. 1-6.

Makridakis, Spyros , Wheelwright, Steven C., McGee, Victor E. , and Hyndman, Rob J.

1998. Forecasting: Methods and Applications. 3rd Ed. John Wiley and Sons.

Putra, Ilsan Nur, Pujawan, Nyoman, dan Arvitrida, Niniet Indah. 2009. Peramalan dan

Perencanaan Produksi dengan Mempertimbangkan Special Event di PT. Coca Cola

Bottling Indonesia (PT.CCBI) Plant-Pandan. Desember 25.

http://digilib.its.ac.id/public/ITS-Undergraduate-12954-Paper.pdf.