LAPORAN LENGKAP

PERAMALAN BISNIS

“Studi Kasus Usaha I Burger”

OLEH:

KELOMPOK 1
KELAS PERAMALAN BISNIS B

AZZAH NABILA ARFA G021211004

ANDINI AYU LESTARI G021211005
ALYA RASTI G021211018
IMRAN TAUFAN G021211027
MUH. KADAPI G021211110
ANDI SAYYID LUSSA G021211125
FATMAWATI G021211146

PROGRAM STUDI AGRIBISNIS

DEPARTEMEN SOSIAL EKONOMI PERTANIAN
FAKULTAS PERTANIAN
UNIVERSITAS HASANUDDIN
2023

i
 DAFTAR ISI
BAB I PENDAHULUAN
1.1. Latar Belakang ............................................................................................. 1
1.2. Rumusan Masalah........................................................................................ 2
1.3. Tujuan dan Manfaat ..................................................................................... 2
BAB II TINJAUAN PUSTAKA
2.1. Teori Peramalan (Forecasting) .................................................................... 3
2.2. Peramalan dalam Horizon Waktu ................................................................ 4
2.3. Faktor – Faktor yang Mempengaruhi Peramalan Bisnis ............................. 5
2.4. Peranan Peramalan Permintaan ................................................................... 6
2.5. Metode Peramalan Permintaan .................................................................... 7
2.6. Metode Peramalan Permintaan Time Series ................................................ 7
2.7. Sifat Hasil Peramalan .................................................................................. 9
BAB III METODE PRAKTEK LAPANG
4.1 Waktu dan Lokasi ........................................................................................ 10
4.2. Analisis Data................................................................................................ 10
BAB IV HASIL DAN PEMBAHASAN
4.1. Profil Perusahaan ......................................................................................... 11
4.2. Analisis Exponenial Smoothing .................................................................. 11
4.2.1. Single Exponenial Smoothing ............................................................ 11
4.2.2. Double Exponential Smoothing ......................................................... 13
4.2.3. Holts Exponential Smoothing ............................................................ 14
4.3. Analisis Dekomposisi .................................................................................. 15
4.4. Analisis Peramalan Kualitatif ...................................................................... 15
BAB V KESIMPULAN DAN REKOMENDASI
5.1. Kesimpulan .................................................................................................. 16
5.2. Rekomendasi ............................................................................................... 16
DAFTAR PUSTAKA .......................................................................................... 17
LAMPIRAN ......................................................................................................... 18

ii
 DAFTAR TABEL

Tabel 1 Analisis Single Exponential Smoothing Penjualan Iburger ………..…..11

Tabel 2 Analisis double Exponential Smoothing Penjualan Iburger..…………..13
Tabel 3 Analisis holts Exponential Smoothing Penjualan Iburger …..…………14
Tabel 4 Dekomposisi Penjualan Iburger………………………………………...15

iii
 DAFTAR GRAFIK
Grafik 1. Analisis Single Exponential Smoothing Penjualan Iburger …………..12
Grafik 2 Analisis Double Exponential Smoothing Penjualan Iburger …………..13

iv
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Perusahaan yang bergerak di bidang jasa penjualan atau distribusi produk,
selalu ingin sukses dalam aktivitasnya di masa depan yang akan datang. Hal ini
menunjukkan bahwa setiap Perusahaan selalu berusaha untuk mengikutinya
mengembangkan bidang usahanya di masa depan. pemimpin yang mempunyai
kemampuan untuk melakukan hal tersebut membuat keputusan yang tepat dalam
menghadapinya masa depan yang penuh ketidakpastian, jadi perusahaan dapat
mencapai tujuannya. Salah satu hal terpenting yang harus diwujudkan Ini
memperkirakan atau memprediksi (peramalan) besarnya penjualan atau
permintaan pelanggan atas barang atau jasa yang dihasilkan.
Seorang manejer selalu berkeinginan untuk dapat memperkirakan atau
memprediksikan besarnya seluruh permintaan jangka pendek atau jangka panjang
sekalipun untuk masing - masing produknya. Dalam kaitannya dengan
penyusunan rencana penjualan, informasi yang diperoleh dari peramalan
penjualan akan memberikan gambaran berguna tentang prospek permintaan
produk tersebut di pasar. Baik atau tidaknya prospek penjualan suatu produk pada
dasarnya tidak hanya berdasarkan kemampuan ataupun penggunaan metode
peramalan yang tepat. Namun yang tidak kalah pentingnya adalah proses
perencanaan produksi yang menentukan terhadap mutu atau kualitas produk,
penilaian pasar yang menentukan jenis pasar, kebijakan promosi dan pemasaran
yang menentukan cerahnya prospek produk kedepannya. Hal ini secara langsung
ataupun tidak, akan berpengaruh terhadap manajemen persediaan perusahaan dan
ini menunjukkan keterkaitan di antara faktor-faktor tersebut.
Iburger merupakan salah satu usaha yang bergerak di bidang makanan, di
mana usaha tersebut menjual burger yang merupakan salah satu makanan siap saji
masa kini. Usaha ini berdiri pada tahun 2019 di Dusun Kaemba Jaya, Kecamatan
Marusu, Kabupaten Maros, Provinsi Sulawesi Selatan.

1
1.2 Rumusan Masalah
1.2.1 Apa Profil Usaha Iburger?
1.2.2 Bagaimana Peramalan Penjualan Iburger Menggunakan Analisis
Exponential Smoothing?
1.2.3 Bagaimana Peramalan Penjualan Iburger Menggunakan Analisis
Single Exponential Smoothing?
1.2.4 Bagaimana Peramalan Penjualan Iburger Double Exponential
Smoothing Holts Exponential Smoothing?
1.2.5 Bagaimana Analisis Dekomposisi Iburger?
1.2.6 Bagaimana Analisis Peramalan Kualitatif?

1.3 Tujuan Dan Manfaat

1.3.1 Untuk Mengetahui Profil Usaha Iburger
1.3.2 Untuk Mengetahui Peramalan Penjualan Iburger Menggunakan
Analisis Exponential Smoothing
1.3.3 Untuk Mengetahui Peramalan Penjualan Iburger Menggunakan
Analisis Single Exponential Smoothing
1.3.4 Untuk Mengetahui Peramalan Penjualan Iburger Double Exponential
Smoothing Holts Exponential Smoothing
1.3.5 Untuk Mengetahui Analisis Dekomposisi Iburger
1.3.6 Untuk Mengetahui Analisis Peramalan Kualitatif

2
 BAB II
TINJAUAN PUSTAKA
2.1. Teori Peramalan (Forecasting)
Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan untuk
suatu produk atau beberapa produk dalam periode waktu tertentu di masa yang
akan datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu tafsiran,
tetapi hanya menggunakan cara-cara tertentu peramalan dapat lebih daripada
hanya satu tafsiran. Dapat diakatakan bahwa peramalan adalah suatu tafsiran yang
ilmiah meskipun akan terdapat sedikit kesalahan yang disebabkan oleh adanya
keterbatasan kemampuan manusia.
Definisi dari peramalan (forecasting) adalah seni dan ilmu untuk
memperkirakan kejadian di masa depan. Hal tersebut dapat dilakukan dengan
menggunakan data historis dan proses kalkulasi untuk memprediksikan sebuah
proyeksi atas kejadian di masa datang. Cara lain yang dapat ditempuh adalah
dengan intuisi subjektif atau dengan model matematis yang disusun oleh pihak
manajemen. (Heizer & Render, 2011). Pendapat lain dari buku Operation
Management (Stevenson, 2011:72) peramalaan adalah masukan/input dasar dalam
proses pengambilan keputusan dari manajemen operasi karena permalaan
memberikan informasi dalam perimintaan dimasa yang akan dating. Salah satu
tujuan utama dari manajemen operasi adalah untung menyeimbangkan antara
pasokan/supply dan permintaan, dan memiliki perkiraan permintaan dimasa yang
akan dating sangat penting untuk menentukan berapa kapasitas atau
pasokan/supply yang dibutuhkan untuk menyeimbangi permintaan.
Menurut Arman Hakim Nasution dan Yudha Prasetyawan dalam buku nya
yang berjudul perencanaan dan pengendalian produksi. Peramalan adalah proses
untuk memperkirakan beberapa kebutuhan dimasa datang yang meliputi
kebutuhan dalam ukuran kuantitas, kualitas, waktu, dan lokasi yang dibutuhkan
dalam rangka memenuhi permintaan barang maupun jasa. Dalam peramalan tidak
jarang terjadi kesalahan misalnya saja penjualan sering tidak sama dengan nilai
eksak yang diperkirakan. Sedikit variasi dari perkiraan sering dapat diserap oleh
kapasitas tambahan, sediaan penjadwalan permintaan. Tetapi, variasi perkiraan

3
yang besar dapat merusak operasi. Ada tiga cara untuk mengakomodasi perkiraan,
yaitu: yang pertama adalah mencoba mengurangi kesalahan melakukan
pemerkiraan yang lebih baik. Yang kedua adalah, membuat fleksibilitas pada
operasi dan yang terakhir adalah mengurangi waktu tunggu yang dibutuhkan
dalam prakiraan. Tetapi kemungkinan kesalahan terkecil adalah tujuan yang
konsisten dengan biaya prakiraan yang masuk akal.

2.2. Peramalan dalam Horison Waktu

Menurut Sinaga & Irawati (2018), peramalan dilihat dari horizon waktu ada
tiga yaitu peramalan jangka pendek, peramalan jangka menengah, serta peramalan
jangka panjang. Peramalan ini digunakan untuk perencanaan produk dan
perencanaan sumberdaya. Berikut pembagian peramalan menurut horizon waktu :
a. Peramalan Jangka Pendek
Peramalan ini meliputi jangka waktu hingga satu tahun, tetapi umumnya
kurang dari 3 bulan. Peramalan ini digunakan untuk mengambil keputusan
dalam hal perlu tidaknya lembur, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja, dan tingkat produksi.
b. Peramalan Jangka Menengah
Peramalan jangka menengah atau intermediate mencakup hitungan bulanan
hingga 3 tahun. Peramalan ini digunakan untuk menentukan aliran kas,
perencanaan produksi, dan penentuan anggaran.
c. Peramalan Jangka Panjang
Peramalan jangka panjang umumnya untuk merencanakan masa 3 tahun atau
lebih. Peramalan jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan, modal, lokasi atau pembangunan fasilitas, serta
penelitian dan pengembangan (litbang).

4
2.3. Faktor-Faktor yang Mempengaruhi Peramalan Bisnis
Dalam peramalan menurut Jay Heizer dan Barry Render (2006) terdapat
berbagai faktor yang mempengaruhinya. Faktor-faktor tersebut adalah:
a. Horizon Waktu
Ada dua aspek yang berhubungan dengan masing-masing metode peramalan.
Pertama adalah cakupan waktu di masa yang akan datang, sedangkan yang
kedua adalah jumlah periode peramalan yang diinginkan.
b. Pola Data
Dasar utama dari metode peramalan adalah anggapan bahwa macam pola
yang didapat di dalam data yang diramalkan akan berkelanjutan.
c. Jenis Model
Model-model ini merupakan suatu deret di mana waktu digambarkan sebagai
unsur penting untuk menentukan perubahan-perubahan di dalam pola yang
secara sistematik dapat dijelaskan dengan analisa regresi dan korelasi.
d. Biaya
Umumnya ada empat unsur biaya yang tercakup dalam penggunaan prosedur
ramalan, yaitu biaya-biaya pengembangan, penyimpangan (data storage),
operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik serta
metode lainnya.
e. Ketepatan
Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat
perincian yang dibutuhkan dalam suatu peramalan.
f. Penggunaan Metode
Metode-metode yang dapat dimengerti dan dapat diaplikasikan dalam
pengambilan keputusan.

5
2.4. Peranan Peramalan Permintaan
Peramalan Permintaan atau demand forecasting merupakan proses
memahami dan memperkirakan permintaan konsumen di masa depan. Peramalan
bisnis digunakan untuk mencegah kekurangan dan kelebihan produksi. Berikut
merupakan manfaat peramalan permintaan.
a. Meningkatkan efisiensi rantai pasokan
Dengan menggunakan peramalan permintaan, bisnis dapat memprediksi
permintaan produk dalam kurung waktu tertentu. Dengan melakukan analisis
penjualan dan tren musiman, bisnis dapat merampingkan proses produksi,
penrgudangan dan pengiriman. Sehinggal hal ini dapat meningkatkan efisensi
rantai pasok dan memungkina meminimalkan biaya logistik dan memaksimal
keuntungan.
b. Efisiensi pelanggan
Peramalan permintaan dapat membantu bisnis menciptakan arus kas dan
anggaran produksi. Dengan peramalan permintaan maka dapat
memungkinkan Perusahaan mengalokasikan anggaran berdasarkan tren pasar,
permintaan pelanggan, dan pendapatan yang berubah.
c. Manajemen arus kas yangk lebih baik
Arus kas merupakan jumlah uang yang mengalir masuk dan keluar dari bisnis
selama satu periode. Manajemen kas yang buruk dapat mengakibatkan utang
semakin besar, ketidakmampuan membayar pemasok tepatt waktu atau
melakukan pembelian baru, dan hilangnya kontrak.
Peramalan permintaan memungkinkan bisnis untuk mendapatkan informasi
tentang berbagai permintaan produk mereka, sehingga membantu mereka
mengelola arus kas dengan lebih efektif.

6
2.5 Metode Peramalan Permintaan
Menurut Derry & Setiawan (2019), banyak jenis metode peramalan yang
tersedia untuk digunakan, namun yang lebih penting adalah bagaimana
memahami karakteristik suatu metode peramalan agar cocok untuk diterapkan
pada kasus yang diteliti berdasarkan data – data yang telah terjadi sebelumnya.
Secara umum metode peramalan dapat dibagi dalam dua ketegori utama, yaitu
metode kuantitatif dan metode kualitatif. Metode kuantitatif dapat dibagi ke dalam
deret berkala atau kurun waktu (time series) dan metode kausal. Berikut ini
beberapa metode peramalan permintaan kuantitatif:
a. Naive Approach
b. Rata-Rata Bergerak (Moving Averages)
c. Rata-Rata Bergerak Tertimbang (Weighted Moving Average)
d. Penghalusan Eksponensial (Exponential Smoothing)
e. Penghalusan Eksponensial dengan Penyesuaian Trend (Exponential
Smoothing Trends Adjusted)
f. Proyeksi Trend (Trend Projections)

Sedangkan metode kualitatif dapat dibagi menjadi metode eksploratoris dan

normative. Berikut ini beberapa metode peramalan permintaan kualitatif :
a. Jury Of Executive Opini
b. Salaes Force Composite
c. Consumer Market Demand
d. Metode Analogi Historis
e. Dugaan Manajemen
f. Delphin Method
2.6. Metode Peramalan Permintaan Time Series
Prediksi dari sebuah peramalan dapat terwujud dengan penggunaan sebuah
metode, salah satunya adalah Metode Time Series. Time series didasarkan pada
urutan dari titik-titik data yang berjarak sama dalam waktu (Kusumawati, 2021).
Metode ini memberikan prediksi masa depan dengan memanfaatkan data-data
terdahulu dan memberikan bobot yang berbeda-beda untuk setiap metode yang

7
digunakan (Hernadewita, 2020). Metode Time Series juga merupakan bagian
integral dalam membangun pengoptimalan kinerja. Memilih teknik
pengoptimalan apa pun membutuhkan informasi baik tentang skenario masa
depan atau dalam menemukan solusi terbaik terhadap kriteria pengujian. Dengan
perhitungan metode time seriesyang akurat dapat dijadikan dasar untuk
perencanaan inventory sehingga meminimalkan biaya operasional. Sehingga,
metode time series menjadi komponen kunci dalam proses pengambilan
keputusan dalam industri dan bisnis (Rangapuram et al., 2018).
Metode perkiraan deret waktu dalam peramalannya menggunakan permintaan
historis untuk membuat peramalan. Hal ini mengacu pada asumsi bahwa sejarah
perkiraan sebelumnya adalah sebuah indicator yang baik dari perkiraan masa yang
akan datang. Metode-metode ini paling sesuai ketika pola perkiraan dasar tidak
memiliki variasi secara kuat dari tahun pertama ketahun berikutnya (Chopra &
Meindl, 2016). Ini adalah sebuah metode yang sederhana untuk
diimplementasikan dan akan berfungsi sebagai titik awal yang baik untuk
perkiraan permintaannya. Data dari time series sering digunakan untuk berbagai
bidang ilmu lainnya, salah-satunya adalah Supply Chain Management (SCM).
Data time series bias dicatat berdasarkan beberapa periode waktu tertentu, seperti
harian, mingguan, bulanan, tahunan, dan periode waktu yang diinginkan (Innes,
2019). Untuk data time series, jika sudah memiliki hasil pengamatan dalam
periode tertentu, periode pada waktu akan mempengaruhi hasil perkiraan, dan
nilai pengamatan pada periode waktu sebelumnya yang akan dilakukan
berdasarkan nilai masa sebelumnya dari sebuah variable yang telah didapatkan,
maka dari itu analisis data time series bias untuk melakukan perkiraan. Tujuan
dari metode ini adalah untuk menemukan sebuah pola dalam deret historis untuk
perkiraan dimasa depan (Asinari et al., 2020).

8
2.7. Sifat Hasil Peramalan
Dalam membuat peramalan atau penerapan suatu peramalan maka ada
beberapa hal yang harus dipertimbangkan. Menurut (Asynari et al., 2020) terdapat
beberapa sifat hasil peramalan diantaranya:
a. Ramalan pasti mengandung kesalahan, artinya peramalan hanya bisa
mengurangi ketidakpastian yang akan terjadi, tetapi tidak dapat
menghilangkan kepastian tersebut.
b. Peramalan seharusnya memberikan informasi tentang beberapa ukuran
kesalahan, artinya karena peramalan pasti mengandung kesalahan, maka
penting bagi peramalan untuk menginformasikan seberapa besar kesalahan
yang mungkin terjadi.
c. Peramalan jangka pendek lebih akurat dibandingkan peramalan jangka
penting, hal ini disebabkan karena ada peramalan jangka pendek, faktor-
faktor yang mempengaruhi permintaan relative masih konstan sedangkan
masih panjang periode peramalan, maka semakin besar pula kemungkinan
terjadi perubahan faktor-faktor yang mempengaruhi permintaan.

9
 BAB III
METODE PRAKTEK LAPANG
3.1 Waktu dan Lokasi
Adapun peramalan bisnis usaha Iburger dilakukan pada tanggal 25 November
2023, di Dusun Kaemba Jaya, Kecamatan Marusu, Kabupaten Maros, Provinsi
Sulawesi Selatan.
3.2 Analisis Data
Analisis data yang digunakan pada laporan ini terdiri dari 3 jenis
analisis data yaitu:
a. Analisis Exponential Smoothing
b. Analisis Dekomposisi
c. Analisis Kualitatif

10
 BAB IV
HASIL DAN PEMBAHASAN

4.1 Profil Perusahaan

a. Nama Perusahaan : Iburger
b. Pemilik Usaha : Mariati
c. Awal didirikan : Mei 2019
d. Lokasi Usaha : Jalan Poros Pattene Dusun Kaemba Jaya
Kecamatan Marusu Kabupaten Maros, Provinsi Sulawesi Selatan
e. Instagram : Iburger id
4.2. Analisis Exponential Smoothing
4.1.1. Single Exponential Smoothing
Tabel 1. Analisis Penjualan Iburger Singel Exponential Smoothing
α 1-α
0.386206812 0.613793188
PERIODE BULAN F F" MAE MSE MAPE
1 JANUARI 103
2 FEBRUARI 132 103 29 841 890%
3 MARET 98 114.1999975 16.19999753 262.4399201 497%
4 APRIL 111 107.9434481 3.05655186 9.342509274 94%
5 MEI 141 109.1239093 31.87609071 1016.085159 978%
6 JUNI 98 121.4346726 23.43467265 549.183882 719%
7 JULI 145 112.3840424 32.61595756 1063.800687 1001%
8 AGUSTUS 90 124.9805474 34.98054742 1223.638698 1074%
9 SEPTEMBER 58 111.4708217 53.47082173 2859.128777 1641%
10 OKTOBER 124 90.82002616 33.17997384 1100.910664 1018%
11 NOVEMBER 127 103.6343581 23.36564194 545.9532231 717%
12 DESEMBER ? 112.6583281
13 28.11802552 947.1483519 863%
14

11
 Chart Title
200

0
1 2 3 4 5 6 7 8 9 10 11 12 13

F F"

Grafik 1. Analisis Singel Exponential Smoothing Penjualan Iburger

Berdasarkan tabel dan grafik di atas bisa kita lihat bahwa penjualan yang
dilakukan usaha Iburger mengalami fluktuasi yang cukup siknifikan, pada
beberapa bulan tertentu yang di sebabkan karena pemilik usaha Iburger tidak
setiap hari melakukan penjualan. Bisa dilihat juga bahwa beberapa nilai actual
(hasil penjualan) melebihi nilai tren (peramalan), karena ketika dalam satu bulan
terjadi penuruna pembelian yang signifikan pemilik usaha Iburger akan
memberikan promo bagi konsumen guna meningkatkan penjualan.

12
 4.1.2. Analisis Penjualan Double Exponential Smoothing
Tabel 2. Analisis Penjualan Iburger Double Exponential Smoothing
α 1-α
0.2 0.8

PERIODE BULAN PENJUALAN A't A"t αt bt FORECAST ERROR ERROR2

1 JANUARI 130 130 130 130 130 130
2 FEBRUARI 132 130.4 111.5361897 149.2638103 4.715952586 158.6957155 26.6957155 712.661227
3 MARET 98 123.92 106.8202371 141.0197629 4.274940733 153.8445851 55.8445851 3118.617688
4 APRIL 111 121.336 102.5452963 140.1267037 4.697675916 158.9174073 47.9174073 2296.077925
5 MEI 141 125.2688 97.84762042 152.6899796 6.855294895 186.9664541 45.9664541 2112.914898
6 JUNI 98 119.81504 90.99232552 148.6377545 7.205678619 191.8718262 93.8718262 8811.919752
7 JULI 145 124.852032 83.78664691 165.9174171 10.26634627 237.781841 92.781841 8608.470021
8 AGUSTUS 90 117.8816256 73.52030063 162.2429506 11.09033124 250.9656005 160.965601 25909.92455
9 SEPTEMBER 58 105.9053005 62.42996939 149.3806316 10.86883277 247.2001265 189.200127 35796.68788
10 OKTOBER 124 109.5242404 51.56113662 167.4873441 14.49077594 312.3951036 188.395104 35492.71505
11 NOVEMBER 127 113.0193923 37.07036068 188.9684239 18.98725791 397.8282609 270.828261 73347.94691
12 DESEMBER 90.41551385 18.08310277 162.7479249 18.08310277 379.7451582

450
400
350
300
250
200
PENJUALAN
150
100 FORECAST
50
0

Grafik 2. Analisis Penjualan Iburger Double Exponential Smoothing

Berdasarkan pada tabel dan grafik diatas dengan menggunakan metode
double exponential smoothing menunjukan tingkat eror yang cukup tinggi pada
setiap bulannya dimana penjualan yang dilakukan tidak mencapai peramalan yang
telah dilakukan.

13
4.1.3. Analisis Penjualan Holts Exponential Smoothing
Tabel 3. Analisis Penjualan Iburger Holts Exponential Smoothing
α 0.2
β 0.2

DATA PENJUALAN PER TRIWULAN

TRIWULAN KUARTAL WAKTU UNIT TERJUAL LEVEL (At) TREN (T) FORECAST ERROR
TRIWULAN I 1 1 103
2 2 132 132 4
3 3 98 128.4 2.48 130.88 32.88
TRIWULAN II 1 4 111 126.904 1.6848 128.5888 17.5888
2 5 141 131.07104 2.181248 133.252288 7.747712
3 6 98 126.2018304 0.77115648 126.9729869 28.97298688
TRIWULAN III 1 7 145 130.5783895 1.492237005 132.0706265 12.92937349
-
2 8 90 123.6565012 0.190588056 123.4659132 33.46591315
-
3 9 58 110.3727305 2.809224582 107.5635059 49.56350594
-
TRIWULAN IV 1 10 124 110.8508048 2.151764819 108.6990399 15.30096007
-
2 11 127 112.3592319 1.419726416 110.9395055 16.06049447
-
3 12 130 114.7516044 0.657306638 114.0942978 15.90570221
-
TRIWULAN V 1 13 91.27543823 5.221078549 86.05435968 86.05435968
-
2 14 68.84348774 8.663252936 60.18023481 60.18023481
-
3 15 48.14418785 11.07046233 37.07372552 37.07372552

Berdasarkan tabel di atas dengan menggunakan metode holts exponential

smoothing sebagian besar nilai penjualan melebihi nilai peramalan dan hanya
pada triwulan ke 3 memiliki nilai eror yang cukup tinggi akibat pemilik usaha
Iburger sering tidak berjualan.

14
4.3 Analisis Dekomposisi Penjualan Iburger
Tabel 4. Dekomposisi Penjualan Iburger
7 19.59
X Variable 1 0.140
The
Periodec Deseasonalized Seasonal
Periode Season Penjualan Trend Index Average Forecast Eror
1 1 130 19.73 6.588693957 5.439893138 107.3332761 22.66672386
2 2 132 19.87 6.642970262 5.782511335 114.9021396 17.09786043
3 3 98 20.01 4.897431417 5.985715593 119.7770991 -21.7770991
4 4 111 20.15 5.508589276 3.551212224 71.55816801 39.44183199
5 1 141 20.29 6.949164225 5.439893138 110.376573 30.623427
6 2 98 20.43 4.796850933 5.782511335 118.1371109 -20.1371109
7 3 145 20.57 7.049124596 5.985715593 123.1257512 21.87424883
8 4 90 20.71 4.345770724 3.551212224 73.54486016 16.45513984
9 1 58 20.85 2.781821231 5.439893138 113.4198699 -55.4198699
10 2 124 20.99 5.90771281 5.782511335 121.3720823 2.627917677
11 3 127 21.13 6.010590766 5.985715593 126.4744033 0.52559675
12 4 17 21.27 0.799276673 3.551212224 75.53155231 -58.5315523
13 1 21.41 5.439893138 116.4631667 -116.463167
14 2 21.55 5.782511335 124.6070537 -124.607054
15 3 21.69 5.985715593 129.8230553 -129.823055
16 4 21.83 3.551212224 77.51824447 -77.5182445
17 1 21.97 5.439893138 119.5064636 -119.506464

Pada tabel diatas bisa kita lihat penjualan yang dilakukan pada usaha
Iburger mengalami fluktuasi setiap bulannya namun tidak terlalu siknifikan
kecuali pada bulan 3, 6, 8 dan 9 sisanya penjualan yang dilakukan melebihi hasil
peramalan. Penurunan jumlah penjualan tersebut diakibatkan karena pada bulan –
bulan tersebut pemilik usaha memiliki pekerjaan lainnya yang harus diselesaikan
sehinggah tidak sempat untuk melakukan penjualan setiap harinya.
4.4 Analisis Peramalan Kualitatif
Metode peramalan kualitatif yang digunakan pada kasus ini yaitu Consumer
Market Demand dimana metode peramalan ini didasarkan pada kebutuhan
konsumen serta kemampuan konsumen dalam membeli produk. Untuk melakukan
peramalan penjulan untuk bulan berikutnya, usaha Iburger mengamati kondisi
konsumen baik secara pendapatan, kebiasaan, kebutuhan dan varibel lainnya dari
konsumen. Produk yang mereka jual yaitu burger memiliki banyak sekali saingan
dari jenis usaha serupa yang menjual burger sehinggah usaha Iburger selalu
mengamati kondisi calon konsumennya untuk meramalakan penjualan mereka.

15
 BAB V
KESIMPULAN DAN REKOMENDASI
5.1. Kesimpulan
Iburger merupakan usaha makanan yang menjual burger. Penjualan burger
pada usaha tersebut bias dikatakan tidak konsisten dan selalu mengalami fluktuasi.
Berdasarkan hasil peramalan menggunakan metode Analisis Exponential
Smoothing, Analisis Dekomposisi, Analisis Kualitatif, dapat disimpulkan
bahwasanya penjualan yang dilakukan oleh usaha tersebut masih tidak konsisten
untuk mencapai nilai ramalan yang tela ditentukan. Penjualan yang fluktuasi
tersebut diakibatkan pemilik usaha tidak melakukan penjualan setiap harinya
karena memiliki pekerjaan lainya yang harus dilakukan.
5.2. Rekomendasi
Burger merupakan makanan yang sangat diminati oleh banyak kalangan
masyarakat. Permasalahan yang dihadapi dalam usaha Iburger yaitu dimana usaha
ini tidak melakukan penjualan setiap harinya sehinggah saran dari kami pemilik
usaha perlu mengadakan karyawan agar aktivitas penjualan terus berjalan.

16
 DAFTAR PUSTAKA

Arman Hakim Nasution, Yudha Prasetyawan. 2008. Perencanaan &

pengendalaian produksi, Yogyakarta: Graha Ilmu.
Asynari, E., Wahyudi, D., & Aeni, Q. (2020). Analisis Peramalan Permintaan
Pada Geprek Bensu Menggunakan Metode Time Series. JURTEKSI
(Jurnal Teknologi dan Sistem Informasi), 6(3), 215-220.
Derry, C., & Eko Setiawan, S. T. (2019). Peramalan Permintaan Produk Handuk
Dengan Metode Time Series (Studi Kasus: CV. Ngremboko Dusun
Ngendo Janti Klaten) (Doctoral dissertation, Universitas Muhammadiyah
Surakarta).
Heizer, Jay and Barry Render.(2006). Manajemen Operasi, Alih Bahasa
Dwianoegrahwati Setyoningsih dan Indra Almahdy. Jakarta : Salemba
Empat.
Heizer, J., and Render, B. (2011). Operations Management. 10th Edition. Pearson
Education, Inc. New Jersey.
Hernadewita, Y. K. Hadi, M. J. Syaputra, and D. Setiawan, “Peramalan Penjualan
Obat Generik Melalui Time Series Forecasting Model Pada
Perusahaan Farmasi di Tangerang: Studi Kasus,” J. Ind. Eng. Manag.
Res. (Jiemar), vol. 1, no. 2, pp. 35–49, 2020.
Kusumawati, A. N., Ghofur, M., Putri, M. A., & Alfatah, Z. A. (2021). Peramalan
Permintaan Menggunakan Time Series Forecasting Model Untuk
Merancang Resources Yang Dibutuhkan IKM Percetakan. JENIUS: Jurnal
Terapan Teknik Industri, 2(2), 105-115.
N. P. Innes, “Time Series Analysis: Forecasting Treasury Bill Interest Rates,”
2019.https://digitalcommons.murraystate.edu/honorstheses/26/
S. Chopra and P. Meindl, Supply Chain Management: Global Edition. 2016.
http://www.pearsoned.co.uk/bookshop/detail.asp?item=100000000445856
S. S. Rangapuram, M. Seeger, J. Gasthaus, L. Stella, Y. Wang, and T.
Januschowski, “Deep state space models for time series forecasting,” Adv.
Neural Inf. Process. Syst., vol. 2018-Decem, no. NeurIPS, pp. 7785–7794,
2018.
Stevenson, W.J. (2012). Operations Management. 11th Edition.
McGrawHill/Irwin. New York.

17
 LAMPIRAN

Dokumentasi Kedai Iburger

Dokumentasi Survei

18