Fakultas Ilmu Komputer
Universitas Brawijaya
7268
Peramalan Hasil Penjualan Perhiasan Emas Menggunakan Metode
Exponential Smoothing
(Studi Kasus: Toko Emas Rejeki Baru Sumenep)
Risqi Auliatin Nisyah1, Nurul Hidayat2, Ahmad Afif Supianto3Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1risqiaulia24@gmail.com, 2ntayadih@ub.ac.id, 3afif.supianto@ub.ac.id
Abstrak
Emas merupakan logam mulia yang menjadi salah satu peran penting dalam kehidupan sehari-hari masyarakat. Perhiasan emas biasanya dijual di tempat-tempat besar seperti pasar hingga toko kecil. Naik dan turunnya hasil penjualan emas yang didapatkan oleh penjual sulit untuk diprediksi, salah satu faktor penyebabnya adalah harga emas yang tidak menentu mengikuti naik turunnya nilai tukar rupiah terhadap dollar. Padahal mengetahui hasil penjualan mendatang dapat membantu penjual untuk mengetahui keuntungan serta kerugian pada periode mendatang. Oleh karena itu, dibutuhkan suatu sistem yang berfungsi melakukan peramalan untuk mengetahui hasil penjualan emas secara otomatis dengan metode
Exponential Smoothing yang merupakan salah satu metode peramalan yang dapat menyempurnakan
suatu hasil peramalan dengan cara penghalusan pada nilai masa lalu yang berfungsi untuk menghasilkan nilai peramalan. Kemudian, dilakukan evaluasi nilai eror terhadap hasil peramalan dengan Mean
Absolute Percentage Error (MAPE). Hasil MAPE terendah yang diperoleh terletak pada metode SES
disaat parameter α = 0,4 dengan nilai sebesar 56,64. Berdasarkan nilai MAPE yang telah diperoleh menggunakan ketiga metode pada Exponential Smoothing tersebut didapatkan hasil diatas 50, maka metode Exponential Smoothing tersebut tidak cocok digunakan untuk menghitung peramalan hasil penjualan emas.
Kata kunci: Peramalan, Penjualan Emas, Exponential Smoothing, Single Exponential Smoothing,
Double Exponential Smoothing, Triple Exponential Smoothing, Mean Absolute Percentage Error
Abstract
Gold is a precious metal which is one of the important roles in people's daily lives. Gold jewelry is usually sold in large places such as markets to small shops. The rise and fall of the sales of gold obtained by the seller is difficult to predict, one of the contributing factors is the uncertain gold price following the fluctuation of the rupiah exchange rate against the dollar. Though knowing the results of future sales can help the seller to know the benefits and losses in the coming period. Therefore, it takes a system that functions to do forecasting to find out the results of automatic gold sales with the Exponential Smoothing method which is one of the forecasting methods that can perfect a forecasting result by smoothing on past values that function to produce forecasting values. Then, error evaluation of forecasting results was performed with Mean Absolute Percentage Error (MAPE). The lowest MAPE results obtained were located in the SES method when the parameter α = 0.4 with a value of 56.64. Based on the MAPE value that has been obtained using the three methods on Exponential Smoothing, the results obtained above 50, then the Exponential Smoothing method is not suitable to be used to calculate forecast sales of gold.
Keywords: Prediction, Gold Sales, Exponential Smoothing, Single Exponential Smoothing, Double
Exponential Smoothing, Triple Exponential Smoothing, Mean Absolute Percentage Error
1. PENDAHULUAN
Emas merupakan logam mulia yang menjadi salah satu peran penting dalam kehidupan sehari-hari masyarakat. Biasanya, masyarakat menggunakan perhiasan emas sebagai mahar sehingga membuat emas banyak dicari, seperti
anting, kalung, liontin, gelang, cincin dan masih banyak lagi. Emas juga dapat digunakan untuk berinvestasi, dengan membeli perhiasan emas ketika harga mengalami penurunan dan menjualnya ketika harga mengalami kenaikan. Naik turunnya harga emas mengikuti naik
turunnya rupiah terhadap US$. Perhiasan emas banyak dijual di tempat-tempat besar seperti pasar hingga toko kecil. Tak hanya beberapa yang berjualan perhiasan emas, ada banyak pedagang emas di daerah pasar yang melayani jual beli perhiasan emas, contohnya seperti di Jalan Manikam yang terletak di kota Sumenep ada banyak sekali toko emas yang para pedagangnya akan selalu bersaing untuk menawarkan barangnya yang dijual kepada para pembeli maupun penjual (masyarakat luar) dengan harga penjualan maupun pembelian yang berbeda-beda. Namun, jual beli perhiasan emas di toko perhiasan emas memiliki strategi yang berbeda. Penjual emas harus melakukan tengkulak atau produksi perhiasan emas untuk memenuhi persediaan perhiasan emas dan permintaan pasar.
Hasil penjualan perhiasan emas terkadang mengalami kenaikan dan penurunan setiap harinya yang tidak dapat diperamalan setiap harinya, sehingga dapat mempengaruhi pihak toko untuk mengetahui keuntungan dan kerugian yang didapatkan dimasa yang akan datang. Pihak toko emas masih memiliki kekurangan dalam teknis penjualannya, yaitu dengan menggunakan perhitungan manualisasi untuk hasil penjualannya dengan cara menuliskan hasil penjualan barang di buku nota pembelian setiap harinya. Dengan cara tersebut dapat menimbulkan hilangnya data hasil penjualan yang akan mengakibatkan tidak dapat melakukan peramalan hasil penjualan serta tidak dapat memenuhi persediaan perhiasan emas sesuai permintaan pasar. Oleh karena itu peneliti ingin melakukan peramalan hasil penjualan pada perhiasan emas setiap harinya sehingga pihak toko emas dapat mengetahui keuntungan atau kerugian dari hasil penjualan yang didapatkan setiap harinya, serta persediaan perhiasan emas sesuai permintaan pasar.
Peramalan sudah sering digunakan untuk memudahkan pengguna dalam menentukan target suatu penjualan. Peramalan dapat menggunakan referensi data masa lalu dari kumpulan variabel untuk mengestimasikan nilai variabel di masa yang akan datang (Syaharullah Disa, 2015). Peramalan juga dapat dilakukan dengan berbagai metode, salah satunya penelitian di tahun 2012 yang dilakukan oleh Fachrudin Pakaja berjudul “Peramalan penjualan mobil menggunakan jaringan syaraf tiruan dan certainty factor” yang melakukan peramalan hasil penjualan pada mobil. Namun, pada penelitian tersebut masih memiliki
kesulitan dalam menentukan seorang pakar penjualan yang dapat menganalisis certainty
factor serta membantu keakuratan hasil penjualan sehingga proses peramalan dapat berjalan dengan optimal. Selanjutnya, penelitian yang dilakukan oleh Luqman Hakim Harum, Nurul Hidayat dan Ratih Kartika Dewi pada tahun 2018 dengan judul “Implementasi Metode
Extreme Learning Machine (ELM) Untuk
Melakukan peramalankan Penjualan Roti” yang melakukan peramalan hasil penjualan roti. Penelitian ini menghasilkan nilai kesalahan (error) terkecil dengan nilai 0,01616 pada objek roti tawar, nilai 0,02839 pada objek roti manis, dan nilai 0,00812 pada objek roti cake dengan menghitung tingkat error menggunakan metode MSE. Kelemahannya yaitu terdapat beragam data yang masih tinggi dalam menentukan banyaknya neuron terbaik yang bertujuan untuk mengoptimalkan hasil peramalan.
Exponential Smoothing merupakan salah
satu metode yang berfungsi untuk dapat menyempurnakan hasil peramalan dengan melakukan penghalusan pada nilai masa lalu. Terdapat 3 macam metode Exponential Smoothing, yaitu Single Exponential Smoothing
(SES), Double Exponential Smoothing (DES) dan Triple Exponential Smoothing (TES). Parameter penghalusan pada metode SES dan DES dilambangkan parameter α (alfa). Sedangkan parameter penghalusan pada metode TES dilambangkan dengan α (alfa), β (beta), dan γ (gamma). Perbedaan dari tiga metode tersebut, yaitu pada metode SES dijelaskan bahwa seputar nilai tengah yang konstan, tanpa tren atau pola pertumbuhan yang tetap terdapat data yang mengalami ketidakstabilan. Pada metode DES dianggap lebih handal saat digunakan dalam menganalisa data yang menunjukkan adanya
trend seperti pemulusan sederhana. Sedangkan
pada metode TES sering digunakan sebagai pola
trend dan musiman untuk data deret waktu.
Salah satu penelitian yang menggunakan
Exponential Smoothing, yaitu pada tahun 2018
penelitian oleh Bossarito Putro, dkk yang berjudul “Peramalan Jumlah Kebutuhan
Pemakaian Air Menggunakan Metode
Exponential Smoothing” yang menghasilkan
tingkat error dibawah 10% dengan
menggunakan metode MAPE.
Berdasarkan permasalahan yang telah dijelaskan, penulis akan membuat sistem yang dapat menyelesaikan permasalahan para penjual perhiasan emas dalam menentukan hasil penjualan dimasa mendatang. Metode yang
Fakultas Ilmu Komputer, Universitas Brawijaya
digunakan penulis dalam menyelesaikan permasalahan ini adalah Exponential Smoothing. Dikarenakan metode ini baik digunakan untuk menentukan peramalan hasil penjualan dengan cara memberi nilai penghalusan pada seluruh data yang sudah tersedia sebelumnya untuk melakukan peramalan dari suatu nilai pada periode mendatang, maka penelitian ini berjudul “Peramalan Hasil Penjualan Perhiasan Emas Menggunakan Metode Exponential Smoothing (Studi Kasus: Toko Emas Rejeki Baru Sumenep)”.
2. METODE YANG DIGUNAKAN
2.1 Metode Single Exponential Smoothing (SES)
SES atau pemulusan eksponensial tunggal berfungsi untuk melakukan perhitungan peramalan dalam waktu singkat, biasanya dengan rentang waktu satu bulan ke depan (Makridakis, etc.,1999).
Perhitungan nilai peramalan pada metode SES terdapat pada Persamaan 1.
𝐹𝑡 = 𝛼 𝑋𝑡−1 + (1 − 𝛼) 𝐹𝑡−1 (1)
Dimana: 𝛼 = Nilai dari parameter Exponential antara 0 – 1 𝑋𝑡−1 = Nilai sebenarnya untuk periode (t-1) 𝐹𝑡−1 = Nilai peramalan untuk periode (t-1) 𝐹𝑡 = Nilai peramalan pada minggu t 2.2 Metode Double Exponential Smoothing (DES) DES atau biasa disebut dengan metode pemulusan eksponensial linear yang berfungsi untuk menangani perbedaan antara nilai sebenarnya dengan nilai peramalan jika mengalami perubahan data yang terdapat pada tren (Makridakis, etc.,1999). Perhitungan nilai peramalan pada metode DES terdapat pada Persamaan 2 sampai 8. - Inisialisasi: 𝑆′𝑡= 𝑆′′𝑡= 𝛼 𝑇 (2) 𝑏𝑇 = (𝑋2−𝑋1)+(𝑋4−𝑋3) 2 (3) - Rumus DES: 𝑆′𝑡 = 𝛼𝑋𝑡+ (1 − 𝛼) 𝑆′𝑡−1 (4) 𝑆′′𝑡 = 𝛼𝑆′𝑡+ (1 − 𝛼) 𝑆′′𝑡−1 (5) 𝑎𝑇 = 2 𝑆’𝑡 – 𝑆’’𝑡 (6) 𝑏𝑇 =1−ɑɑ (𝑆’𝑡 – 𝑆’’𝑡) (7) 𝐹𝑡 = 𝑎𝑇𝑡−1+ 𝑏𝑇𝑡−1 (8) Dimana: 𝛼 = Nilai pada parameter Exponential antara 0 – 1 𝑆′𝑡 = Pemulusan tunggal awal untuk periode t 𝑆′′𝑡 = Pemulusan ganda untuk periode t 𝑎𝑇 = Pemulusan keseluruhan awal 𝑋𝑡 = Nilai sebenarnya untuk periode t 𝑏𝑇 = Pemulusan tren 𝐹𝑡 = Peramalan untuk periode t 2.3 Metode Triple Exponential Smoothing (TES) Metode TES atau biasa disebut pemulusan eksponensial musiman yang digunakan untuk melakukan perhitungan data pada deret waktu menggunakan pola tren dan musiman (Makridakis, etc.,1999). Perhitungan nilai peramalan pada metode TES terdapat pada Persamaan 9 sampai 15. - Inisialisasi: 𝑆𝑡= 1 𝐿 (𝑋1+𝑋2+...+𝑋𝐿) (9) 𝑇𝑡=1𝐿(1𝐿((𝑋1+𝐿− 𝑋1) + (𝑋2+𝐿− 𝑋2) + ⋯ + (𝑋𝑡+𝐿− 𝑋𝑡))) (10) 𝑆𝑁𝑡 = 𝑋𝑡 𝑆𝑡(𝐿) (11) - Rumus TES: 𝑆𝑡= 𝛼 𝑆𝑁𝑋𝑡 𝑡−𝐿+ (1 − 𝛼)(𝑆𝑡−1+ 𝑇𝑡−1) (12) 𝑇𝑡= 𝛽 (𝑆𝑡+ 𝑆𝑡−1) + (1 − 𝛽)(𝑇𝑡−1) (13) 𝑆𝑁𝑡 = γ (𝑋𝑡 𝑆𝑡) + (1 − γ) 𝑆𝑁𝑡−𝐿 (14) 𝐹𝑡 = (𝑆𝑡−1+ 𝑇𝑡−1) ∗ 𝑆𝑁𝑡−𝐿 (15) Dimana :
𝐿 = Panjang waktu musiman
𝑆𝑡 = Pemulusan untuk keseluruhan awal
𝑇𝑡 = Pemulusan untuk trend awal 𝑆𝑁𝑡 = Pemulusan musiman awal
𝛼 = Nilai parameter Exponential antara 0 – 1
𝛽 = Nilai parameter Exponential antara 0 – 1
𝛾 = Nilai parameter Exponential antara 0 – 1
𝐹𝑡 = Peramalan untuk periode t
2.4 Mean Absolute Percentage Error (MAPE)
MAPE berfungsi untuk melakukan suatu perhitungan tingkat kesalahan atau nilai error yang terjadi disaat melakukan suatu proses perhitungan peramalan. Penggunaan MAPE juga berfungsi untuk menghitung nilai rata-rata kesalahan (error) hasil peramalan dalam bentuk
persentase. Jika hasil MAPE yang diperoleh
semakin rendah, maka semakin tinggi tingkat keberhasilan sistem. Perhitungan MAPE dapat dilihat pada persamaan 16.
𝑀𝐴𝑃𝐸 = (1 𝑛∑ | 𝐴𝑖−𝐹𝑖 𝐴𝑖 | 𝑛 𝑖=1 ) ∗ 100% (16) Dimana:
𝐴𝑖 = Nilai aktual pada waktu i
𝐹𝑖 = Nilai peramalan pada waktu i
n = Banyak data
Berikut merupakan kriteria dalam penilaian sistem menggunakan MAPE dapat dilihat pada Tabel 1 (Chang, 2007).
Tabel 1. Kriteria Nilai MAPE
Nilai MAPE Kriteria
<10% 10% - 20% 20% - 50% >50% Sangat Baik Baik Cukup Buruk 3. ALGORITME
3.1 Data Yang Digunakan
Teknik pengumpulan data pada penelitian berupa data primer yang dapat diperoleh dari pemilik toko perhiasan emas “Rejeki Baru”. Data yang digunakan berupa jumlah hasil penjualan perhiasan emas setiap minggunya yang diperoleh dari catatan penjual berupa nota hasil penjualan perhiasan emas secara manual. Data hasil penjualan dimulai pada tanggal 28 Agustus 2017 sampai 17 Februari 2019 sebanyak 77 data yang dibagi menjadi data latih sebanyak 39 dan data uji sebanyak 38.
3.2 Diagram Alir Algoritme Single Exponential Smoothing (SES)
Tahapan awal yaitu melakukan penentuan nilai parameter α. Kemudian, menghitung peramalan dengan menggunakan metode SES. Nilai yang digunakan pada perhitungan peramalan ini adalah nilai sebenarnya dan nilai peramalan sebelumnya. Selanjutnya, melakukan perhitungan MAPE yang akan menghasilkan nilai MAPE terkecil dari parameter α yang digunakan. Setelah menemukan nilai terkecil dari parameter α, maka dapat melakukan perhitungan peramalan hasil penjualan emas pada periode yang akan datang.
Diagram alir algoritme SES ditunjukkan pada Gambar 1.
Gambar 1. Diagram Alir Algoritme SES 3.3 Diagram Alir Algoritme Double
Exponential Smoothing (DES)
Tahapan awal yaitu menentukan nilai parameter α. Sebelum menghitung peramalan menggunakan metode DES, lakukan inisialisasi dengan langkah pertama menghitung nilai S’t, S”t, αT, serta bT. Langkah selanjutnya, dapat
melakukan perhitungan peramalan
menggunakan metode DES. Kemudian,
melakukan perhitungan MAPE, jika telah selesai maka lakukan pencarian nilai parameter α terbaik dengan hasil MAPE terkecil. Setelah nilai parameter α berhasil ditemukan, maka lakukan perhitungan peramalan hasil penjualan emas pada periode yang akan datang.
Diagram alir algoritme DES ditunjukkan pada Gambar 2.
Gambar 2. Diagram Alir Algoritme DES 3.4 Diagram Alir Algoritme Triple
Exponential Smoothing (TES)
Tahapan awal yaitu menentukan sebuah nilai pada parameter α, β, γ. Kemudian, lakukan perhitungan peramalan menggunakan metode
Fakultas Ilmu Komputer, Universitas Brawijaya
TES. Selanjutnya, lakukan pencarian nilai parameter terbaik dengan hasil dari nilai MAPE yang terkecil. Setelah nilai terbaik dari parameter α, β dan γ ditemukan, lakukan perhitungan peramalan hasil penjualan perhiasan emas pada periode yang akan datang.
Diagram alir algoritme TES ditunjukkan pada Gambar 3.
Gambar 3. Diagram Alir Algoritme TES 4. HASIL DAN PEMBAHASAN 4.1 Pengujian Nilai Parameter
Tujuan dari dilakukan pengujian untuk mencari tahu nilai kesalahan (error) pada parameter terbaik yang digunakan pada peramalan hasil penjualan ketika melakukan perubahan pada nilai parameter.
4.1.1 Pengujian Nilai Parameter Metode Single Exponential Smoothing (SES)
Diperlukan sebuah nilai α antara 0,1 hingga 0,9 pada pengujian ini. Hasil dari parameter terbaik disaat α=0,4. Grafik dari hasil pengujian ini ditunjukkan pada Gambar 4.
Gambar 4. Grafik Nilai Parameter Metode SES
4.1.2 Pengujian Nilai Parameter Metode Double Exponential Smoothing (DES)
Diperlukan sebuah nilai dari α antara 0,1 hingga 0,9 pada pengujian ini. Hasil dari parameter terbaik disaat α=0,2. Grafik dari hasil pengujian ini ditunjukkan pada Gambar 5.
Gambar 5. Grafik Nilai Parameter Metode DES 4.1.3 Pengujian Nilai Parameter Metode
Triple Exponential Smoothing (TES)
Diperlukan sebuah nilai dari β dan γ sebesar 0,1 serta α antara 0,1 hingga 0,9 pada pengujian ini dengan hasil terbaik yang diperoleh terletak saat parameter α=0,5, β=0,1, γ=0,1. Grafik pengujian nilai parameter metode TES ditunjukkan pada Gambar 6.
Gambar 6. Grafik Nilai Parameter Metode TES 4.2 Pengujian MAPE
Tujuan dilakukannya pengujian pada MAPE adalah mencari nilai tengah dari nilai
error antara nilai sebenarnya dan nilai
peramalan yang ditampilkan dengan bentuk persentase (%).
4.2.1 Pengujian MAPE Metode SES
Hasil pengujian dengan MAPE pada metode SES ditunjukkan pada Tabel 2.
Tabel 2. Pengujian MAPE Metode SES
Kesimpulan yang didapatkan dari hasil pengujian pada Tabel 2, yaitu MAPE yang terendah terletak pada saat parameter α=0,4 dengan besar nilainya 56,64, sedangkan MAPE yang tertinggi terletak saat parameter α=0,1 besar nilainya 73,61. Maka, nilai parameter α terbaik disaat parameter α=0,4.
4.2.2 Pengujian MAPE Metode DES
Hasil pengujian dengan MAPE pada metode DES ditunjukkan pada Tabel 3.
Tabel 3. Pengujian MAPE Metode DES
α MAPE 0,1 67.46155181 0,2 56.89281403 0,3 58.78173685 0,4 63.49195651 0,5 69.3485836 0,6 77.54416012 0,7 87.11911195 0,8 98.29347173 0,9 111.7340093
Kesimpulan yang didapatkan dari hasil pengujian pada Tabel 3, yaitu MAPE yang terendah terletak saat parameter α=0,2 besar nilainya 56,89, sedangkan MAPE yang tertinggi terletak pada parameter α=0,9 dengan besar nilainya 111,73. Maka, nilai parameter terbaik disaat α = 0,2.
4.2.3 Pengujian MAPE Metode TES
Pengujian dengan MAPE pada metode TES ditunjukkan pada Tabel 4.
Tabel 4. Pengujian MAPE Metode TES
Kesimpulan yang didapatkan dari hasil pengujian pada Tabel 4, yaitu nilai MAPE yang terendah disaat α=0,7, β=0,1, γ=0,1 besar nilainya 73.63, sedangkan MAPE tertinggi disaat α=0,1, β=0,3, γ=0,1 dengan nilai 124.69. Maka, nilai parameter terbaik yang diperoleh disaat α=0,7, β=0,1, γ=0,1.
4.3 Pengujian Akhir
Kesimpulan yang didapatkan berdasarkan hasil pengujian MAPE, yaitu terdapat pada metode SES dengan parameter terbaik α=0,4 besar nilainya 56.64. Hasil dari pengujian akhir MAPE menggunakan metode SES dengan rentang 38 minggu menggunakan parameter terbaik α=0,4 ditunjukkan pada Tabel 5.
Tabel 5. Pengujian Akhir Metode Exponential Smoothing Rentang 38 Minggu dengan α=0,4
Tanggal Nilai Error
2018-10-29 0.236771899 2018-11-05 0.246912648 2018-11-12 0.107740029 2018-11-19 0.189270364 2018-11-26 0.028700587 2018-12-03 0.126881029 2018-12-10 0.174520657 2018-12-17 0.070150519 2018-12-24 0.121622749 2018-12-31 0.233490657 2019-01-07 0.181465826 2019-01-14 0.025564999 2019-01-21 1.093827581 2019-01-28 0.521759033 2019-02-04 0.178688506 2019-02-11 0.337676903 MAPE (%) 56.64254141 α MAPE 0,1 73.61965584 0,2 64.80634131 0,3 58.83316077 0,4 56.64254141 0,5 56.89649631 0,6 57.95916757 0,7 59.67123976 0,8 62.29454776 0,9 65.43839074
α MAPE β MAPE γ MAPE
0,1 115.0353153 0,1 115.0353153 0,1 115.0353153 0,2 100.8895281 0,2 121.6699382 0,2 114.7285975 0,3 88.25243165 0,3 124.6927861 0,3 114.4218796 0,4 79.8044476 0,4 124.0942251 0,4 114.1151617 0,5 74.71625995 0,5 120.2374927 0,5 113.8084438 0,6 73.85540317 0,6 113.3195078 0,6 113.5017259 0,7 73.62866544 0,7 108.2540907 0,7 113.1950081 0,8 73.70825742 0,8 102.4087257 0,8 112.8882902 0,9 73.67363671 0,9 103.4356177 0,9 112.5815723
Fakultas Ilmu Komputer, Universitas Brawijaya
Perhitungan pengujian akhir pada metode SES dilakukan dengan menghitung mean. Perhitungan tersebut dilakukan dengan cara melakukan penjumlahan seluruh data yang kemudian dibagi jumlah dari penggunaan data. Tujuannya adalah untuk memperoleh nilai tengah dari sebuah nilai kesalahan (error) disaat penggunaan data uji.
Perhitungan mean yang telah dilakukan memperoleh nilai 0.566425. Nilai minimum dari nilai mean (rata-rata) memiliki selisih dengan nilai
error adalah sebesar 0.546466. Sedangkan nilai
maksimum dari nilai mean (rata-rata) memiliki selisih dengan nilai error adalah sebesar 4.908465. Kemudian, menentukan standar deviasinya (s) yang berfungsi untuk memahami bagaimana persebaran data uji serta kedekatan pada titik data uji menggunakan mean dari banyaknya nilai kesalahan (error). Hasil dari perolehan standar deviasi adalah sebesar 8.57842x10-16. Selisih antara nilai standar deviasi
(s) dengan nilai tengah (mean), besar nilainya adalah -0.56642541. Kesimpulan dari hasil akhir perhitungan ini adalah titik sebuah data uji dengan suatu nilai tengah (mean) ditunjukkan pada nilai deviasi yang paling kecil.
5. PENUTUP 5.1 Kesimpulan
Berlandaskan seluruh langkah yang telah selesai dilakukan, didapatkan beberapa macam kesimpulan. Metode Exponential Smoothing
telah berhasil dilakukan untuk
diimplementasikan pada sistem data mining peramalan hasil penjualan perhiasan emas. Terdapat 4 tampilan pada sistem, yaitu halaman awal, halaman data latih dan data uji, halaman peramalan Exponential Smoothing dan halaman pengujian Exponential Smoothing. Hasil pengujian menggunakan metode SES dengan MAPE yang terendah pada saat α=0,4 dengan perolehan nilai 56,64%. Hasil pengujian menggunakan metode DES dengan nilai MAPE yang terendah terletak disaat α=0,2 dengan perolehan nilai 56,89%. Hasil pengujian menggunakan metode TES dengan nilai MAPE yang terendah terletak disaat α=0,7, β=0,1, γ=0,1 perolehan nilainya 73,63%. Hasil dari nilai kesalahan (error) ketiga metode, dapat diambil satu kesimpulan bahwa peramalan dengan metode SES dianggap yang paling baik saat digunakan dalam melakukan perhitungan peramalan hasil penjualan perhiasan emas dibandingkan dengan metode DES dan TES
dikarenakan MAPE terendah terletak pada metode SES dengan parameter α = 0,4 yang bernilai 56,64%.
5.2 Saran
Berdasarkan hasil yang diperoleh, maka pada penelitian berikutnya diharapkan dapat melakukan pengembangan sistem Peramalan Hasil Penjualan Perhiasan Emas (Studi Kasus: Toko Emas Rejeki Baru Sumenep) dengan metode lain yang berbeda atau dengan kombinasi antara metode Exponential Smoothing beserta metode lainnya yang dapat
melakukan optimasi perhitungan seperti metode Algoritme Evolusi. Serta data yang digunakan untuk penelitian memiliki jarak perbandingan yang tidak terlalu jauh antara data sekarang dan sebelumnya agar menghasilkan sistem peramalan yang sempurna.
6. DAFTAR REFERENSI
Chang, P.-C., Wang, Y.-W. & Liu, C.-H., 2007.
The Development of a Weighted Evolving Fuzzy Neural Network for PCB Sales Forecasting. Elsevier, 32(Expert Systems with Applications), pp. 86-96.
Harum, L. H., Hidayat, N., & Dewi, R. K. 2018. Implementasi Metode Extreme Learning Machine ( ELM ) untuk Memprediksikan Penjualan Roti ( Studi Kasus : Harum Bakery ), 2(11), 5040–5048.
Makridakis, S, Wheelwright, S. C., and McGee, V. E., 1999. Metode dan Aplikasi
Peramalan (terjemahan). Jakarta: Binarupa
Ksara.
Pakaja, F., Naba, A., & Purwanto. 2012. Peramalan Penjualan Mobil Menggunakan Jaringan Syaraf Tiruan dan Certainty Factor. Eeccis, 6(1), 23–28.
Pradibta, H., & Umar, A. 2016. Peramalan Jual Beli Menggunakan Metode Weighted Moving Average ( Studi Kasus Toko Emas Maju Sari Kota Malang ), 2, 138–143. Putro, B., Furqon, M. T., & Wijoyo, S. H. 2018.
Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing ( Studi Kasus : PDAM Kota Malang ), 2(11), 4679–4686.