JURNAL SISTEM DAN INFORMATIKA
97
Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing Ni Luh Ayu Kartika Yuniastari, IGP Wirarama Wedashwara Wirawan STIKOM Bali Jln. Raya Puputan no.86 Renon Denpasar e-mail:
[email protected],
[email protected]
Abstrak Salah satu peramalan yang penting dilakukan dalam perusahaan yaitu permintaan produk dari konsumen. Dengan mengetahui peramalan permintaan produk, maka dapat membantu perusahaan dalam menentukan jumlah produk yang seharusnya diproduksi. Karya Kita Silver adalah usaha yang bergerak dalam bidang perak. Karya Kita silver melakukan produksi produk berdasarkan permintaan dari konsumen. Karya Kita Silver sering mengalami masalah produksi dikarenakan banyaknya jumlah permintaan produk dari konsumen. Peramalan manual yang dilakukan sering tidak akurat sehingga jumlah produksi produk perak tidak sesuai, terkadang melebihi ataupun terkadang melebihi jumlah permintaan konsumen. Pada penelitian ini peramalan permintaan akan dilakukan pada Karya Kita Silver dengan menerapkan metode peramalan moving average dan exponential smoothing. Penggunaan kedua metode peramalan tersebut untuk membandingkan metode peramalan yang lebih akurat dan mendekati nilai aktual. Metode penelitian yang digunakan dimulai dari pengumpulan data historis, penentuan metode peramalan, perhitungan peramalan, pemilihan peramalan dan pengambilan kesimpulan. Berdasarkan hasil pengujian, bahwa metode yang paling sesuai digunakan dalam menganalisis data dengan memiliki tingkat kesalahan yang paling kecil adalah metode Exponential Smoothing α : 0,1. Sesuai dengan hasil peramalan untuk tahun 2014 menggunakan moving average nilai pemintaan perak sebesar 1330 buah. Sedangkan untuk tahun 2014 dengan menggunakan exponential smoothing dengan nilai α : 0,1, α : 0,5 dan α : 0,9 peramalannya masing-masing sebesar 1234, 1330 dan 1426. Kata kunci: peramalan permintaan, moving average, exponential smoothing
Abstract One forecasting is done in the company that is the product of consumer demand. By knowing the product demand forecasting, it can assist the company in determining the amount of product that should be produced. Karya Kita Silver is the silver business. Karya Kita Silver do the production of products based on the demand of the consumers. Karya Kita Silver often experienced production problems due to the large number of consumer product demand. Forecasting is done manually which is often not accurate that number does not match the production of silver products, sometimes exceeding or sometimes exceed the number of consumer demand. In this research will be conducted on the demand forecasting Karya Kita Silver by applying forecasting methodsthat is moving average and exponential smoothing. The use of the forecasting method to compare the forecasting method is more accurate and closer to the actual value. The method used starting from the collection of historical data, determination of forecasting methods, calculate forecasting, choosing forecasting and conclusion. Based on test results, that the most appropriate method is used to analyze the data by having the smallest error rate is exponential smoothing method α: 0.1. In accordance with the results of forecasting for 2014 using the moving average, the value of silver demand is 1330 pieces. While using exponential smoothing with α values: 0.1, α: 0.5 and α: 0.9 value forecasting demand for silver respectively in 1234, 1330 and 1426. Keywords: forecasting demand, moving average, exponential smoothing
1.
Pendahuluan Berbagai permasalahan perekonomian dewasa ini menyebabkan perusahaan harus mampu melakukan pengelolaan keuangan. Bagi perusahaan yang bergerak dalam bidang produksi sangat penting melakukan pengelolaan keuangan agar perusahaan tidak mengalami kerugian. Untuk mengatasi hal tersebut perusahaan perlu membuat perencanaan yang optimal baik perencanaan produki maupun L-2
98 permintaan. Perencanaan permintaan secara umum lebih dikenal dengan peramalan. Peramalan merupakan perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk menentukan sesuatu dimasa yang akan datang [1]. Peramalan yang penting dilakukan dalam perusahaan yaitu permintaan produk dari konsumen. Dengan mengetahui peramalan permintaan produk, maka dapat membantu perusahaan dalam menentukan jumlah produk yang seharusnya diproduksi. Peramalan permintaan dapat dilakukan pada berbagai usaha. Karya Kita Silver adalah usaha yang bergerak dalam bidang produksi perak. Karya Kita silver melakukan produksi produk berdasarkan permintaan dari konsumen. Karya Kita Silver sering mengalami masalah produksi dikarenakan banyaknya jumlah permintaan produk dari konsumen. Peramalan manual yang dilakukan sering tidak akurat sehingga jumlah produksi produk perak tidak sesuai, terkadang melebihi ataupun terkadang melebihi jumlah permintaan konsumen. Dalam peramalan memerlukan penerapan metode-metode. Berbagai metode yang digunakan dalam peramalan bertujuan agar meminimalkan kesalahan dan agar hasil peramalan mendekati kondisi aktual. Pada penelitian ini peramalan permintaan akan dilakukan pada Karya Kita Silver dengan menerapkan metode peramalan. Metode peramalan yang digunakan disesuaikan dengan kebutuhan dan jenis peramalan yang akan dilakukan. Berdasarkan pada permasalahan yang telah dijelaskan sebelumnya, maka pada peneltian ini peramalan permintaan produk perak dalam Karya Kita Silver dilakukan dengan menggunakan metode moving average dan exponential smoothing. Moving average adalah metode peramalan yang menggunakan sejumlah data aktual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Sedangkan exponential smoothing adalah metode yang mengulang perhitungan secara terus menerus menggunakan data terbaru. Beberapa penelitian telah menggunakan exponential smoothing untuk meramalkan permintaan seperti penelitian yang dilakukan oleh [2]. Metode exponential smoothing dan moving average cocok digunakan untuk data jangka panjang [2]. Oleh karena itu pada penelitian ini menggunakan kedua metode tersebut. Penggunaan kedua metode peramalan tersebut untuk membandingkan metode peramalan yang lebih akurat dan mendekati nilai aktual. Dengan adanya peramalan, Karya Kita Silver dapat memperkirakan jumlah produk perak yang akan diproduksi untuk periode selanjutnya sehingga perusahaan tidak akan mengalami kerugian. 2. Tinjauan Pustaka 2.1 Peramalan (forecasting) Peramalan adalah penggunaan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang [3]. Peramalan merupakan gambaran tentang keadaan perusahaan pada masa yang akan datang dan gambaran ini sangat penting peranannya bagi perusahaan. Karena dengan gambaran tersebut maka perusahaan dapat memprediksi langkah-langkah apa saja yang dapat diambil untuk memenuhi permintaan konsumen. Berikut pengertian peramalan menurut pendapat dari beberapa ahli: 1. Peramalan Adalah suatu cara untuk mengukur atau menaksir kondisi bisnis di masa mendatang mendatang [4]. 2. Peramalan Adalah proses untuk memperkirakan berapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang ataupun jasa [5]. 3. Peramalan Adalah perhitungan yang objektif dan dengan menggunakan data-data masa lalu, untuk menentukan sesuatu di masa yang akan dating [1]. 4. Peramalan Peramalan sebagai “Seni dan ilmu untuk memperkirakan kejadian dimasa depan” [6]. 5. Peramalan Merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variabel peramal, sering berdasarkan data deret waktu historis [7]. Dari kelima pengertian yang dipaparkan diatas dapat diambil kesimpulan bahwa pengertian peramalan merupakan suatu seni dari ilmu memprediksi sesuatu yang belum terjadi dengan tujuan untuk memperkirakan peristiwa-peristiwa yang akan terjadi dimasa depan nantinya dengan selalu memerlukan data-data dari masa lalu. Sehingga dengan peramalan, maka kemungkinan terjadinya peristiwa-peristiwa yang tidak sesuai dengan tujuan yang diharapkan diikuti dengan kesiapan untuk mengantisipasinya.
JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014
L-2
99 Peramalan biasanya dilakukan untuk mengurangi ketidakpastian terhadap sesuatu yang akan terjadi di masa yang akan datang. Suatu usaha untuk mengurangi ketidakpastian tersebut dilakukan dengan menggunakan metode peramalan. Menurut [8], metode peramalan dibagi ke dalam dua kategori utama, yaitu metode kualitatif dan metode kuantitatif. Metode kualitatif dilakukan apabila data masa lalu tidak sehingga peramalan tidak bisa dilakukan. Dalam metode kualitatif, pendapat–pendapat dari para ahli akan menjadi pertimbangan dalam pengambilan keputusan sebagai hasil dari peramalan yang telah dilakukan. Namun, apabila data masa lalu tersedia, peramalan dengan metode kuantitatif akan lebih efektif digunakan dibandingkan dengan metode kualitatif. 2.2 Metode Kuantitatif Penggunaan metode ini didasari ketersediaan data mentah disertai serangkaian kaidah matematis untuk meramalkan hasil di masa depan. Terdapat beberapa macam model peramalan yang tergolong metode kuantitatif, yaitu [9]: a. Model Regresi Perluasan dari metode Regresi Linier dimalan meramalkan suatu variabel yang memiliki hubungan secra linier dengan variabel bebas yang diketahui atau diandalkan. b. Model Ekonometrik Menggunakan serangkaian persamaan regresi dimana terdapat variabel-variabel tidak bebas yang menstimulasi segmen-segmen ekonomi seperti harga dan lainnya. c. Model Time Series Analysis (Deret Waktu) Memasang suatu garis trend yang representatif dengan data masa lalu (historis) berdasarkan kecenderungan datanya dan memproyeksikan data tersebut ke masa yang akan datang. 2.3 Time Series Analysis Data time series adalah data deret waktu yaitu sekumpulan data pada satu periode waktu tertentu. Peramalan time series adalah peramalan berdasarkan perilaku data masa lampau untuk diproyeksikan ke masa depan dengan memanfaatkan persamaan matematika dan statistika. Tipe data time series menurut terbagi atas beberapa jenis, antara lain [10]: 1. Siklus Pola siklus adalah suatu seri perubahan naik atau turun, sehingga pola siklus ini berubah dan bervariasi dari satu siklus ke siklus berikutnya. Pola siklus dan pola tak beraturan didapatkan dengan menghilangkan pola kecenderungan dan pola musiman jika data yang digunakan berbentuk mingguan, bulanan, atau kuartalan. Jika data yang digunakan adalah data tahunan maka yang harus dihilangkan adalah pola kecenderungan saja . 2. Random Pola yang acak yang tidak teratur, sehingga tidak dapat digambarkan. Pola acak ini disebabkan oleh peristiwa yang tak terduga seperti perang, bencana alam, kerusuhan, dan lainlain. Karena bentuknya tak beraturan atau tidak selalu terjadi dan tidak bisa diramalkan maka pola variasi acak ini dalam analisanya diwakili dengan indeks 100% atau sama dengan 1. 3. Trend atau kecenderungan adalah komponen jangka panjang mempunyai kecenderungan tertentu dalam pola data, baik yang arahnya meningkat ataupun menurun dari waktu ke waktu, sehingga pola kecenderungan dalam jangka panjang jarang sekali menunjukkan suatu pola yang konstan. Teknik yang sering digunakan untuk mendapatkan trend suatu data deret waktu adalah rata-rata bergerak linier, pemulusan eksponensial, model Gompertz, dimana teknik-teknik tersebut hanya menggunakan data masa lalu untuk mendapatkan pola kecenderungannya dan tidak memperhitungkan faktor-faktor lain yang mempengaruhi permintaan produk. 4. Musiman Pola musiman menunjukkan suatu gerakan yang berulang dari satu periode ke periode berikutnya secara teratur. Pola musiman ini dapat ditunjukkan oleh data- data yang dikelompokkan secara mingguan, bulanan, atau kuartalan, tetapi untuk data yang berbentuk data tahunan tidak terdapat pola musimannya. Pola musiman ini harus dihitung setiap minggu, bulan, atau kuartalan tergantung pada data yang digunakan untuk setiap tahunnya, dan pola musiman ini dinyatakan dalam bentuk angka. Teknik yang digunakan untuk menentukan nilai pola musiman adalah metode rata-rata bergerak, pemulusan eksponensial dari Winter, dekomposisi klasik.
a.
b. L-2
Teknik peramalan time series terdiri atas: Statistik Moving average Exponential smoothing Regresi ARIMA (Box Jenkins) Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
100 Kecerdasan Buatan Simulated Annealing Genetic Programming Moving average termasuk dalam time series model yang merupakan metode peramalan kuantitatif dengan menggunakan waktu sebagai dasar peramalan. Untuk membuat suatu peramalan diperlukan data historis (masa lampau) permintaan. 2.3.1
Metode Rata-Rata Bergerak Tunggal (Single Moving average) Metode rata-rata bergerak tunggal menggunakan sejumlah data actual permintaan yang baru untuk membangkitkan nilai ramalan untuk permintaan dimasa yang akan datang. Metode ini akan efektif diterapkan apabila kita dapat mengasumsikan bahwa permintaan pasar terhadap produk akan tetap stabil sepanjang waktu [7]. Metode ini mempunyai dua sifat khusus yaitu untuk membuat forecast memerlukan data historis dalam jangka waktu tertentu, semakin panjang moving average akan menghasilkan moving averages yang semakin halus, secara sistematis moving average adalah :
Dimana : St + 1 = Forecast untuk period ke t+1. Xt = Data pada periode t. n = Jangka waktu Moving averages. nilai n merupakan banyaknya periode dalam rata-rata bergerak [7]. 2.3.2
Metode Exponential smoothing Metode exponential smoothing adalah suatu prosedur yang mengulang perhitungan secara terus menerus yang menggunakan data terbaru. Setiap data diberi bobot, dimana bobot yang digunakan disimbolkan dengan α. Simbol α bisa ditentukan secara bebas, yang mengurangi forecast error. Nilai konstanta pemulusan, α, dapat dipilih diantara nilai 0 dan, karena berlaku: 0 < α < 1 [7]. Secara metematis, persamaan penulisan eksponential sebagai berikut [11]: St + 1 = αXt + (1 – α)St Dimana: St + 1 = Nilai ramalan untuk periode berikutnya. α = Konstanta penulisan (0-1). Xt = Data pada periode t. St = Nilai penulisan yang lama atau rata-rata yang dimuluskan hingga periode t-1. Nilai α yang menghasilkan tingkat kesalahannya yang paling kecil adalah yang dipilih dalam peramalan [10]. Metode ini lebih cocok digunakan untuk meramal hal-hal yang fluktuasinya secara random atau tidak teratur [11]. Menurut [6] permasalahan umum yang dihadapi dalam metode ini adalah bagaimana memilih α yang tepat untuk meminimkan kesalahan peramalan. Karena berlaku 0<α<1 maka dapat menggunakan panduan barikut : a. Apabila pola historis dari data aktual sangat bergejolak atau tidak stabil dari waktu ke waktu maka pilih nilai α yang mendekati satu. b. Apabila pola historis dari data aktual permintaan tidak berfluktuasi atau relative stabil maka pilih α yang mendekati nol 2.3.3 Pengukuran Akurasi Hasil Peramalan Ukuran akurasi hasil peramalan yang merupakan ukuran kesalahan peramalan merupakan ukuran tentang tingkat perbedaan antara hasil permintaan dengan permintaan yang sebenarnya terjadi. Beberapa metode telah digunakan untuk menunjukkan kesalahan yang disebabkan oleh suatu teknik peramalan tertentu. Hampir semua ukuran tersebut menggunakan pengrata-rataan beberapa fungsi dari perbedaan antara nilai sebenarnya dengan nilai peramalannya. Perbedaan nilai sebenarnya dengan nilai peramalan ini biasanya disebut sebagai residual [10]. Persamaan menghitung nilai error asli atau residual dari setiap periode peramalan adalah sebagai berikut [11]: et = Xt – St Dimana: et = Kesalahan peramalan pada periode t. Xt = Data pada periode t. St = Nilai peramalan pada periode t. JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014
L-2
101 Salah satu cara mengevaluasi teknik peramalan adalah menggunakan ukuran tentang tingkat perbedaan antara hasil peramalan dengan permintaan yang sebenarnya terjadi. Ada empat ukuran yang biasa digunakan, yaitu : a. Rata-rata Deviasi Mutlak (Mean Absolute Deviation = MAD) MAD merupakan rata-rata kesalahan mutlak selama periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau lebih kecil dibandingkan kenyataannya. Secara metematis, MAD dirumuskan sebagai berikut [5]:
b.
c.
d.
Dimana : At = Permintaan Aktual pada periode –t. Ft = Peramalan Permintaan (Forecast) pada periode-t. N = Jumlah periode peramalan yang terlibat. Rata-rata Kuadrat Kesalahan (Mean Square Error = MSE). MSE merupakan metode alternatif dalam suatu metode peramalan. Pendekatan ini penting karena tekhnik ini menghasilkan kesalahan yang moderat lebih di sukai oleh suatu peramalan yang menghasilkan kesalahan yang sangat besar. MSE dihitung dengan menjumlahkan kuadrat semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan [5]. Rata-rata Persentase Kesalahan Absolut (Mean Absolute Percentage Error = MAPE). MAPE merupakan ukuran kesalahan relativ. MAPE biasanya lebih berarti dibandingakan MAD karena MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Secara matematis, MAPE dinyatakan sebagai berikut [5] :
Dimana : At = Permintaan Aktual pada periode –t. Ft = Peramalan Permintaan (Forecast) pada periode-t. N = Jumlah periode peramalan yang terlibat. Rata-Rata Kesalahan Peramalan (Mean Forecast Error = MFE). MFE sangat efektif untuk mengetahui apakah suatu hasil peramalan selama periode tertentu terlalu tinggi atau terlalu rendah. Bila hasil peramalan tidak bias, maka nilai MFE akan mendekati not. MFE dihitung denagn menjumlahkan semua kesalahan peramalan selam periode peramalan dan membaginya dengan jumlah periode peramalan. Secara matematis, MFE dinyatakan sebagai berikut [5]: Dimana :
At = Permintaan Aktual pada periode –t. Ft = Peramalan Permintaan (Forecast) pada periode-t. N = Jumlah periode peramalan yang terlibat 3. Metodologi Penelitian Alur dari penelitian dapat dilihat pada Gambar 1. Alur penelitian yang dilakukan adalah sebagai berikut : 1. Pengumpulan data historis Pengumpulan data historis permintaan produk perak pada Karya Kita Silver. Data yang dikumpulkan dalah data permintaan per bulan dan per tahun selama 3 tahun. 2. Penentuan metode peramalan Penentuan metode peramalan untuk peramalan permintaan. Metode yang digunakan dalam penelitian ini adalah moving average dan exponential smoothing. 3. Perhitungan peramalan Perhitungan peramalan permintaan perak berdasarkan metode yang telah ditetapkan sebelumnya yaitu moving average dan exponential smoothing. Selain itu dilakukan perhitungan nilai error dari masing-masing metode. L-2
Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
102 4.
5.
Pemilihan peramalan Berdasarkan hasil perhitungan, dilakukan perbandingan untuk menentukan metode peramalan yang lebih akurat atau mendekati nilai aktual. Pengambilan kesimpulan Penarikan kesimpulan dari kedua metode dalam melakukan peramalan permintaan produk perak.
. Gambar 1 Metode Penelitian 4.
Analisis Metode Peramalan Peramalan merupakan hal yang penting yang harus dilakukan perusahaan agar dapat merencanakan kebutuhan bahan baku, untuk itu diperlukan pemilihan metode peramalan yang sesuai agar hasil peramalan tidak jauh dari kenyataan. Untuk dapat melakukan peramalan diperlukan data-data dari periode sebelumnya. Data periode sebelumnya digunakan sebagai panduan untuk dapat melakukan peramalan. Adapun data permintaan perak adalah seperti dalam Tabel 1.
Tahun 2011 2012 2013
Tabel 1 Permintaan produk perak tahun 2011-2013 Permintaan Perak 1250 1210 1450
Gambar 2 Grafik Permintaan produk perak tahun 2011-2013
JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014
L-2
103 Berdasarkan Gambar 2 dapat dilihat bahwa permintaan produk perak mengalami fluktuasi dari tahun ke tahun yang terjadi pada tahun 2011 sampai 2013. Untuk itu metode yang sesuai digunakan untuk meramal adalah model time series. Untuk melakukan peramalan permintaan produk perak menggunakan metode sebagai berikut : a. Metode Single Moving Average b. Metode Exponential Smoothing dengan α : 0,1 ; α: 0,5 ; α: 0,9. Pemilihan nilai α pada penelitian ini mengambil tiga sampel yaitu nilai α terkecil, nilai tengah dan nilai α terbesar. 5. Hasil dan Pembahasan 5.1 Metode Single Moving Average 2 periode Perhitungan Peramalan Permintaan Perak tahun 2014 dengan menggunakan Metode Single Moving Average 2 periode. Untuk menghitung peramalan permintaan tahun 2014, terlebih dahulu dihitung peramalan untuk tahun 2013. Tabel 2 Peramalan permintaan dengan Single Moving Average 2 periode Tahun
Permintaan Perak
MA 2 periode
2011
1250
-
2012
1210
-
2013
1450
1230
Perhitungan peramalan permintaan perak dengan menggunakan moving average adalah sebagai berikut: Tahun 2013 =
Tahun 2014 =
5.2 Metode Exponential Smoothing dengan α: 0,1; α:0,5; α:0,9 5.2.1 Exponential Smoothing Alpha 0,1 Tahun 2014 Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan Metode Exponential Smoothing α: 0,1. Exponential Smoothing dengan α: 0,1 maksudnya memberikan bobot yang lebih kecil pada peramalan sebelumnya dibandingkan dengan data sebelumnya. Tabel 3 Peramalan permintaan dengan Exponential Smoothing α: 0,1 Tahun Permintaan Perak ES, alpha=0.1 2011
1250
-
2012
1210
-
2013
1450
1246
Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,1) adalah sebagai berikut : Tahun 2013 = (1250+(0.1*(1210-1250))) = 1246 Tahun 2014 = (1210+(0.1*(1450-1210))) = 1234 5.2.2 Exponential Smoothing Alpha 0,5 Tahun 2014 Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan metode Exponential Smoothing α : 0,5.
L-2
Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
104 Tabel 4 Peramalan permintaan dengan Exponential Smoothing α : 0,5 Tahun Permintaan Perak ES, alpha=0.5 2011
1250
-
2012
1210
-
2013
1450
1230
Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,5) adalah sebagai berikut : Tahun 2013 = (1250-0.5*(1210-1250)) = 1230 Tahun 2014 = (1210-0.5*(1450-1210)) = 1330 5.2.3 Exponential Smoothing Alpha 0,9 Tahun 2014 Perhitungan Peramalan Permintaan Perak untuk tahun 2014 dengan menggunakan metode Exponential Smoothing α : 0,9. Tabel 5 Peramalan permintaan dengan Exponential Smoothing α : 0,9 Tahun Permintaan Perak ES, alpha=0.9 2011
1250
-
2012
1210
-
2013
1450
1214
Perhitungan peramalan permintaan perak metode Exponential Smoothing (α : 0,9) adalah sebagai berikut : Tahun 2013 = (1250-0.9*(1210-1250)) = 1214 Tahun 2014 = (1210-0.9*(1450-1210)) = 1426 Rekapitulasi hasil pengujian dengan metode moving average dan Exponential Smoothing dapat dilihat pada Tabel 6. Tabel 6 Rekapitulasi pengujian permintaan perak Tahun
Permintaan Perak
MA 2 periode
ES, alpha=0.1
ES, alpha=0.5
ES, alpha=0.9
2011
1250
-
-
-
-
2012
1210
-
-
-
-
2013
1450
1230
1246
1230
1214
2014
-
1330
1234
1330
1426
5.3 Perhitungan error dan pemilihan error terkecil Perhitungan error dilakukan dengan metode MAD dan MSE. Data yang digunakan dan dibandingkan untuk nilai error adalah data tahun 2013. Hal ini dikarenakan data Tahun 2013 merupakan data yang lengkap dengan nilai aktual dan nilai peramalan. 5.3.1 Perhitungan MAD (Mean Absolute Deviation) Perhitungan MAD (Mean Absolute Deviation) Single Moving Average 2 Periode MAD = = = 220
MAD =
Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,1 = = 204
MAD =
Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,5 = = 220 Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,9
JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014
L-2
105 MAD =
=
= 236
Berdasarkan perhitungan nilai error menggunakan MAD dengan metode moving average dan Exponential Smoothing maka didapatkan hasil seperti pada Tabel 7.
Tahun
2013
Permintaan Perak
Tabel 7 Perhitungan error dengan metode MAD ES, MA 2 periode ES, alpha=0.1 alpha=0.5
1450
ES, alpha=0.9
At-Ft
At-Ft
At-Ft
At-Ft
220
204
220
236
5.3.2
Perhitungan MSE (Mean Square Error) Perhitungan MSE (Mean Square Error) Single Moving Average 2 Periode MAD = = = 48400
MAD =
Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,1 = = 41616
Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,5 MAD = = = 48400 Perhitungan MAD (Mean Absolute Deviation) Exponential Smoothing α : 0,9 MAD = = = 55696 Berdasarkan perhitungan nilai error menggunakan MSE dengan metode moving average dan Exponential Smoothing maka didapatkan hasil seperti pada Tabel 8.
Tahun
Tabel 8 Perhitungan error dengan metode MSE Permintaan Perak MA 2 ES, ES, periode alpha=0.1 alpha=0.5
2013
1450
ES, alpha=0.9
At-Ft
At-Ft
At-Ft
At-Ft
48400
41616
48400
55696
Tabel 9 Perbandingan Mean Absolute Deviation dan Mean Squared Error Tahun 2014 MA 2 ES, ES, ES, Kategori periode alpha=0.1 alpha=0.5 alpha=0.9 MAD
220
204
220
236
MSE
48400
41616
48400
55696
Dilihat dari Tabel 9 maka dapat ditentukan metode yang sesuai untuk permintaan perak adalah metode Exponential Smoothing denganα : 0,1 karena memiliki tingkat Mean Absolute Deviation (MAD) dan Mean Squared Error (MSE) terkecil. Berdasarkan peramalan yang dilakukan dalam penelitian ini untuk menentukan jumlah permintaan pada tahun 2013 yang paling tepat adalah Exponential Smoothing denganα : 0,1, maka metode tersebut digunakan dalam meramalkan permintaan pada tahun 2014.
6.
Kesimpulan Beberapa hal yang berhasil disimpulkan berdasarkan pelaksanaan penelitian yang dilakukan adalah sebagai berikut: 1. Berdasarkan perhitungan ramalan permintaan perak dengan metode Single Moving Average 2 periode pada tahun 2013 sebesar 1230, dengan Mean Absolute Deviation = 220 dan Mean Squared Error = 48400. 2. Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α : 0,1 pada tahun 2013 sebesar 1246, dengan Mean Absolute Deviation = 204 dan Mean Squared Error = 41616. L-2
Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing (Ni Luh Ayu Kartika Yuniastari)
106 3.
4.
5.
6.
Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α : 0,5 pada tahun 2013 sebesar 1230, dengan Mean Absolute Deviation = 220 dan Mean Squared Error = 48400. Berdasarkan perhitungan ramalan permintaan perak dengan metode Exponential Smoothing α : 0,9 pada tahun 2013 sebesar 1214, dengan Mean Absolute Deviation = 236 dan Mean Squared Error = 55696. Dari hasil peramalan dan tingkat kesalahannya diketahui bahwa metode yang paling sesuai digunakan dalam menganalisis data dengan memiliki tingkat kesalahan yang paling kecil dan metode alternatif di atas yaitu metode Exponential Smoothing α : 0,1. Dengan hasil ramalan permintaan perak 1246, tingkat kesalahan Mean Absolute Deviation sebesar 220 dan Mean Squared Error sebesar 48400. Hasil ramalan permintaan perak berdasarkan perhitungan ramalan permintaan dengan metode Exponential Smoothing α : 0,1 pada tahun 2014 sebesar 1234 buah. Berdasarkan hasil peramalan, untuk tahun 2014 dengan metode Moving Average 2 periode nilai pemintaan perak sebesar 1330 buah. Sedangkan untuk tahun 2014 dengan menggunakan Exponential Smoothing dengan nilai α : 0,1, α : 0,5 dan α : 0,9 peramalannya masing-masing sebesar 1234, 1330 dan 1426.
Referensi [1] Sumayang, Lalu. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Jakarta : Salemba Empat [2] Surihadi, A. A. 2009. Penerapan Metode Single Moving Average Dan Exponential Smoothing Dalam Peramalan Permintaan Produk Meubel Jenis Coffee Table Pada Java Furniture Klaten. Tugas Akhir. Surakarta : Univeristas Sebelas Maret [3] Whitten, J.L., Bentley, L.D., & Dittman, K.C., 2007, Systems analysis and design methods. New York: McGraw-Hill. [4] Gunawan dan Marwan. 2004. Anggaran Perusahaan. Yogyakarta : BPFE. [5] Nasution, A. H., Prasetyawan. 2008. Perencanaan dan Pengendalian Produksi. Yogyakarta : Graha Ilmu. [6] Render dan Hizer. 2005. Prinsip-Prinsip Manajemen Operasi. Jakarta:Salemba Empat. [7] Gaspersz, Vincent. 2005. Production Planning and Inventory Control. Jakarta : Gramedia Pustaka Utama [8] Makridakis, S. dan Whellwright, S. C. 2005. Metode dan Aplikasi Peramalan. Jakarta : Binarupa Aksara. [9] Octavia, T., Yulia dan Lidia. 2013. Peramalan Stok Barang Untuk Membantu Pengambilan Keputusan Pembelian Barang Pada Toko Bangunan XYZ Dengan Metode Arima. Seminar Nasional Informatika 2013 (semnasIF 2013), pp A1-A6. [10] Arsyad, Lincolin. 2001. Peramalan bisnis. Yogyakarta : BPFE. [11] Subagyo, Pangestu. 2002. Forecasting Konsep dan Aplikasi. Jakarta : BPFE.
JURNAL SISTEM DAN INFORMATIKA Vol. 9, No. 1, November 2014
L-2