ANALISIS PERAMALAN PENJUALAN KNALPOT DENGAN
METODE MOVING AVERAGE DAN EXSPONENTIAL
SMOOTHING UNTUK MENENTUKAN JUMLAH STOK
BARANG YANG OPTIMAL PADA TOKO KNALPOT RACING
BRC MUFFLER SIMO
Siti Umi Chulsum
1,Wiji Safitri
2Prodi Manajemen,Universitas Pelita Bangsa
umichul@gmail.com
1;wiji.safitri09@gmail.com
2ABSTRAK
Penelitian ini menggunakan metode deskriptif dengan pendekatan
kuantitatif. Populasi yang digunakan dalam penelitian ini adalah data permintaan
dan stok persediaan barang Toko Knalpot Racing Brc Muffler Simo.Adapun sampel
yang digunakan dalam penelitian ini adalah data selama enam bulan terakhir 2020
Toko Knalpot Racing Brc Muffler Simo.
Teknik pengumpulan data yang digunakan
dengan cara observasi, wawancara dan dokumentasi. Teknik analisis data yang
digunakan dalam penelitian ini metode moving average dan exponential smoothing
yang dibantu dengan aplikasi Ms. Excel.
Tujuan penelitian kali ini untuk mengetahui metode yang tepat yang dapat
digunakan toko Brc Muffler Simo untuk meramalkan penjualan sehingga dapat
menentukan persediaan yang tepat.Hasil penelitian ini adalah perhitungan
peramalan permintaan model time series dengan metode Moving Average dengan
di bantu aplikasi Ms. Excel berdasarkan data yang diperoleh selama enam bulan
untuk metode Moving Average 3 bulan di peroleh sebesar 19556/pcs knalpot
dengan jenis corong stainlees dengan merk RCB dan untuk metode Moving
Average 4 bulanan di peroleh sebesar 18161,25/pcs knalpot jenis corong stainlees
dengan merk RCB.Perhitungan peramalan permintaan model time series dengan
metode Exponential Smoothing α = 0,05 dengan di bantu aplikasi Ms. Excel
berdasarkan data yang diperoleh selama enam bulan diperoleh hasil sebesar
16575/pcs knalpot jenis corong stainlees dengan merk RCB.Terdapat perbedaan
hasil perhitungan peramalan menggunakan metode Moving Average dan
Exponential Smoothing memperoleh hasil yang berbeda. Metode yang paling tepat
digunakan Toko untuk melakukan suatu peramalan agar dapat mensuplay barang
persediaan secara optimal adalah metode Moving Average 3 bulanan karena
metode ini memiliki nilai tingkat kesalahan (error peramalan) paling kecil dengan
hasil MAD 1314 dan MSE 4811696 dibanding metode yang lainnya, dalam sebuah
peramalan semakin kecil nilai suatu peramalan maka semakin akurat hasil
peramalan tersebut.
PENDAHULUAN
Menjalankan sebuah bisnis terutama perusahaan yang bergerak dalam bidang distributor barang dagangan, khususnya barang dagangan yang siap untuk dijual langsung ke konsumen, pengelolaan persediaan sangatlah penting. Kurangnya sistem manajemen dalam pengelolaan persediaan akan sangat berpengaruh bagi kelangsungan hidup perusahaan. Perusahaan dituntut untuk melakukan efektivitas dalam pengelolaan persediaan barang dagangannya untuk dapat terus memperoleh laba yang maksimal dalam rangka mempertahankan kelanjutan hidup usahanya, memajukan dan mengembangkan usahanya ke tingkat yang lebih tinggi lagi.
Berdasarkan jurnal terdahulu Darmawan et al., (2017) Menurut William J. Stevenson (2009:72) mendefinisikan peramalan sebagai input dasar dalam proses pengambilan keputusan manajemen operasi dalam memberikan informasi tentang permintaan dimasa mendatang dengan tujuan untuk menentukan berapa kapasitas atau persediaan yang akan dibutuhkan untuk memenuhi kebutuhan.
Toko knalpot Racing Brc Muffler salah satu toko di daerah Simo yang menjual accessories motor namun hanya berfokus pada knalpot, meskipun hanya menjual knalpot saja namun toko Racing Brc Muffler Simo menyediakan berbagai macam jenis dan merk knalpot standar dan racing dengan berbagai jenis. Banyaknya peminat knalpot dari banyak kalangan membuat penjualan knalpot terus meningkat dari hari ke hari, Pemasaran yang dilakukan toko selain dengan sistem offline juga online sehingga melayani penjualan tidak hanya didaerah Simo, Boyolali kota saja, namun juga keberbagai daerah hingga manca negara.Permasalahan yang sering terjadi di toko Brc Muffler Simo adalah seringnya kekurangan stok barang untuk memenuhi pesanan permintaan konsumen seperti yang ditampilkan pada gambar 1 berikut .
Permasalahan tersebut terjadi karena toko tidak melakukan peramalan sebelum melakukan supply barang. Kondisi seperti ini dapat membuat toko kehilangan
pelanggan dan turunnya laba. Oleh sebab itu dibutuhkan suatu metode peramalan penjualan pada toko Brc Muffler Simo untuk mengetahui berapa besar kebutuhan barang yang disediakan agar dapat memenuhi kebutuhan konsumen di tahun yang akan datang dan tidak terjadi kekosongan persediaan.
Penelitian ini bertujuan untuk mengetahui bagaimana penggunaan metode moving average dan exponential smoothing berdasarkan data yang diperoleh dan metode apa yang paling tepat yang dapat penulis sarankan kepada pihak toko.
Gambar 1. Data penjualan dan persediaan tahun 2020.
TINJAUAN
PUSTAKA
&
METODE PENELITIAN
Persediaan
Persediaan merupakan bahan atau barang yang disimpan untuk tujuan proses produksi jika berupa bahan mentah dan akan diproses lebih lanjut,dan sebagai barang dagangan yang berupa komponen (spare
part) yang akan dijual kembali.Persediaan
merupakan modal terbesar perusahaan sebagai aktiva yang setiap saat mengalami perubahan perputaran yang berbeda-beda.Tinggi rendahnya perputaran berpengaruh langsung pada besar kecilnya dana yang dibutuhkan untuk persediaan.Semakin tinggi perputaran persediaan maka semakin pendek waktu yang dibutuhkan untuk menyimpan persediaan,sebaliknya semakin lamban perputaran persediaan maka semakin lama waktu yang dibutuhkan untuk penyimpanan yang juga berpengaruh pada penambahan dana persediaan yang lebih besar.
AP RIL M EI JU NI JU LI AU GT SE PT OK T N O V DE S penjualan 1402 1450 1375 1425 1407 1397 1435 1833 2425 persediaan 1425 1425 1395 1400 1425 1408 1560 1908 2473 Column1 0 5000 10000 15000 20000 25000 30000
Menurut M.Siagian.,(2005:161) Persediaan yang ideal harus memenuhi syarat sebagai berikut :
1. Peningkatan pelayanan terhadap pelanggan, melalui pemberian layanan berupa penyediaan bahan atau barang yang dibutuhkan pelanggan (Service
Availability).
2. Penekanan biaya.Persediaan tidak hanya sekedar menyediakan barang atau bahan sesuai kebutuhan saja.tetapi harus memperhatikan hal lain seperti ketepatan waktu,ketepatan mutu,biaya yang ekonomis ,dan ketepatan jumlah Peramalan
Dalam kajian aspek dasar ekonomi mikro Tri kunawangsih pracoyo.,(2006:29) menjelaskan Permintaan adalah jumlah barang yang diminta oleh konsumen pada berbagai tingkat harga pada periode tertentu.Teori permintaan menjelaskan hubungan antara jumlah barang yang diminta dengan harga dan patuh pada hukum permintaan.Hukum permintaan menjelaskan apabila harga suatu barang naik maka jumlah barang yang diminta konsumen akan turun,sebaliknya jika harga turun maka permintaan jumlah barang oleh konsumen akan naik.Oleh sebab itu hubungan antara harga dan jumlah barang yang diminta adalah negatif.
Pentingnya strategi peramalan Menurut (Heizer J. d., 2006:138) peramalan yang baik adalah sangat penting dalam seluruh aspek bisnis. Peramalan hanya merupakan estimasi atas permintaan hingga permintaan aktual menjadi diketahui. Permalan permintaan oleh karenannya akan mendorong keputusan dalam banyak area antara lain:
a) Manajemen rantai pasokan b) Sumber daya manusia c) Kapasitas
Metode penelitian
Metode yang digunakan dalam penelitian kali ini untuk menentukan persediaan yang optimal pada peramalan penjualan adalah dengan menggunakan peramalan jenis kuantitatif yaitu metode moving average dan metode exponential smoothing.
Moving average
Menurut (Eunique et al., 2018 : 32) moving average adalah suatu peramalan untuk periode berikutnya dengan merata-rata permintaan aktual sejumlah (n) periode akhir. Penentuan jumlah (n) didasarkan pada percobaan atau simulasi dengan mempertimbangkan situasi riil dilapangan. Menurut (Handoko, 2014:275) moving average merupakan suatu metode peramalan yang diperoleh melalui penjumlahan dan pencarian nilai rata-rata dari sejumlah periode tertentu, setiap kali menghilangkan nilai terlama dan menambah nilai baru. Rata-rata bergerak berguna jika dapat mengasumsikan bahwa permintaan akan pasar akan stabil sepanjang masa yang kita ramalkan. Rata-rata bergerak empat-bulanan ditemukan dengan cara sederhana, yaitu menjumlahkan permintaan selama masa empat bulan yang lalu, dibagi dengan empat. Sewaktu satu bulan berlalu, data bulanan yang terbaru ditambahkan pada penjumlahan data tiga bulan sebelumnya, dan data bulan yang paling awal dihapus.(Rizal Rachman,2018) Secara sistematis, rata-rata bergerak dinyatakan sebagai berikut:
Rata-rata bergerak = ∑Peramalan dalam periode n sebelumnya N Keterangan :
∑ n: Keseluruhan Penjumlahan dari semua data periode waktu yang
diperhitungkan n : Jumlah Periode Rata-rata bergerak
atau dapat ditulis dengan 𝑴𝒕 = 𝑭𝒕+𝟏
= Yt + Yt – 1 + Yt – 2 + ….. + Yt – n + 1 N
keterangan :
Mt =Moving Average untuk periode t Ft+1 = Ramalan Untuk Periode t + 1 Yt = Nilai Riil periode ke t
Exponential smoothing
Menurut (Eunique, et al., 2018:34) exponential smoothing adalah suatu metode peramalan yang mencakup seluruh data histrosis di perhitungkan dan permintaan aktual di beri bobot yang lebih besar (α, faktor smoothing). Tidak seperti Moving Average,Exponential Smoothingmemberikan penekanan yang lebih besar kepada time series saat ini melalui penggunaan sebuah konstanta smoothing (penghalus). Konstanta smoothing mungkin berkisar dari 0 ke 1.Herjanto.,2009.menjelaskan Nilai yang dekat dengan 1 memberikan penekanan terbesar pada nilai saat ini sedangkan nilai yang dekat dengan 0 memberi penekanan pada titik data sebelumnya.(Rachman, 2018) Rumus untuk Simple exponential smoothing adalah sebagai berikut:
Dimana:
𝑺𝒕 = 𝜶 × 𝑿𝒕 + (𝟏–𝜶) × 𝑺𝒕 – 𝟏 St = peramalan untuk periode t. Xt + (1-α) = Nilai aktual time series
Ft- = peramalan pada waktu t-1 (waktu sebelumnya) a = konstanta perataan antara 0 dan 1 Kesalahan peramalan
Beberapa ukuran yang digunakan dalam praktiknya untuk menghitung keseluruhan dalam kesalahan peramalan. Ukuran-ukuran ini dapat ditentukan untuk membandingkan model peramalan yang berbeda, sejalan untuk memonitor peramalan bahwa mereka berfungsi dengan baik. Menurut (Heizer J. d., 2015:151) Tiga ukuran yang paling terkenal adalah deviasi rata-rata absolut (mean absolut deviation-MAD), keasalahan rata-rata yang dikuadratkan (mean squared eror-MSE). Deviasi Rata-Rata yang Absolut ukuran pertama atas keseluruhan dalam kesalahan peramalan untuk model adalah deviasi rata-rata absolut (mean absolute deviation). Nilai ini dihitung dengan mengambil jumlah nilai absolut kesalahan peramalan individual (deviasi) dan membaginya dengan jumlah periode data (n) .(Rachman, 2018).
𝑴𝑨𝑫 = ∑|𝑨𝒕–𝑭𝒕
Keterangan : ∑= Jumlah
At= Data pengamatan periode t Ft= Ramalan periode t
cara kedua untuk mengukur keseluruhan dalam kesalahan peramalan. Mean Squared Eror (MSE) adalah rata-rata perbedaan yang dikuadratkan diantara nilai yang diramalkan dengan yang diamati.(Rachman, 2018).
𝑴𝑺𝑬=∑(𝑨𝒕–𝑭𝒕) 2 Keterangan :
∑= Jumlah
At= Data pengamatan periode t Ft= Ramalan periode t
HASIL DAN PEMBAHASAN
Pengumpulan data permintaan yang actual di peroleh dari toko dengan mengacu pada order yang diterima dari konsumen mulai dari bulan April 2020 – Desember 2021. Adapun data permintaan tersebut dapat dilihat pada tabel berikut ini :
Table 1. Data permintaan knalpot merk BRC jenis corong stainlees di toko Brc Muffler
Simo bulan April Desember 2020
(Sumber: Data Internal Toko Knalpot Racing Brc Muffler Simo April – Desember 2020)
Berdasarkan data permintaan konsumen secara actual pada tahun 2020, maka dari data tersebut bisa dibuatkan Grafik sebagai berikut: BULAN PERMINTAAN (Pcs) APRIL 14023 MEI 14500 JUNI 13750 JULI 14255 AGUS 14075 SEPT 13975 OKT 15600 NOV 18331 DES 24739 TOTAL 143248
Gambar 2. Grafik Permintaan Konsumen Tahun 2020
(Sumber: Data Internal Toko Knalpot Racing Brc Muffler Simo April – Desember 2020)
Data permintaan konsumen sangat fluktuatif pada tahun 2020. Untuk selanjutnya data akan diramalkan dengan dua metode peramalan yang mungkin bisa digunakan dalam menganalisis data. Dua metode tersebut adalah Moving average dan exponential Smoothing. Adapun Moving Avarege menggunakan 3 bulanan dan 4 bulanan, Exponential Smoothing dengan α = 0,5.
a. Peramalan Moving Average 3 bulanan Ramalan permintaan konsumen untuk
januari 2021 𝐹𝑗𝑎𝑛𝑢𝑎𝑟𝑖 2021 𝑴𝒕 = 𝑭𝒕 + 1 = 𝒀𝒕 + 𝒀𝒕−𝟏 + 𝒀𝒕−𝟐 + ...+ 𝒀𝒕−𝒏+𝟏 n 𝐹𝑡+1 = 15600+18331+24379 3 = 19556,66667
Hasil peramalan Moving Average 3 bulanan sebagai berikut:
Table 3. moving average 3 bulan
(Sumber: Data Yang Diolah 2021) Jadi hasil peramalan untuk bulan januari 2021 dengan metode moving average 3 bulan adalah 19556,67.
Table
4.Kesalahan Peramalan Metode Moving Average 3 bulanan
(Sumber: Data Yang Diolah 2021)
0 10000 20000 30000 AP R IL M EI JUNI JUL I AG US T SEP T O K T NO V D ES BULAN (2020) PERMINT AAN (pcs) HASIL PERAMA LAN (pcs) APRIL 14023 MEI 14500 JUNI 13750 14091 JULI 14255 14168,33333 AGUS 14075 14026,66667 SEPT 13975 14101,666 67 OKT 15600 14550 NOV 18331 15968,66667 DES 24739 19556,66667 FORECAS TING 19556,66667 TOTAL 143248 106463 BULAN ERROR Dev. Abslut | At – Ft | (MAD) Error 2 (At – Ft) ^2(MSE) APRIL MEI JUNI -341 341 116281 JULI 87 87 7511 AGUS 48 48 2336 SEPT -127 127 16044 OKT 1050 1050 1102500 NOV 2362 2362 5580619 DES 5182 5182 26856579 ∑ 9197 33681870 MAD MSE 1314 4811696
b. Peramalan moving average 4 bulanan
Ramalan permintaan konsumen untuk januari 2021 𝐹januari 2021 𝑴𝒕 = 𝑭𝒕 + 1 = 𝒀𝒕 + 𝒀𝒕−𝟏 + 𝒀𝒕−𝟐 + ...+ 𝒀𝒕−𝒏+𝟏 n 𝐹𝑡+1 = 13975+15600+18331+24379 4 = 18161,2
Hasil peramalan Moving Average 4 bulanan sebagai berikut:
Table 4.Hasil Peramalan Moving Average 4 bulanan
(Sumber: Data Yang Diolah 2021)
Jadi hasil peramalan penjualan untuk bulan januari 2021 dengan menggunakan metode moving average 4 bulanan adalah 18161,25.
Table 4.Kesalahan Peramalan Metode Moving Average 4 bulanan
(Sumber: Data Yang Diolah 2021) c. Peramalan Dengan Metode
Exponential Smoothing
hasil forecasting untuk bulan januari 2021 menggunakan metode
exponential smoothing adalah:
α = 0,5 Fjanuari 2021 = 0,5 * 18331+ (1- 0,5) * 14819 = 9165,5 + (0, 5) * 14819 = 9165,5 + 7409,5 = 16575
Table 4 Hasil Peramalan Permintaan Konsumen Eksponential Smoothing Α = 0,5 BULAN (2020) PERMINT AAN (pcs) HASIL PERAMA LAN (pcs) APRIL 14023 - MEI 14500 - JUNI 13750 - JULI 14255 14132 AGUS 14075 14145 SEPT 13975 14013,75 OKT 15600 14476,25 NOV 18331 15495,25 DES 24739 18161,25 FORECAS TING 18161,25 TOTAL 143248 90423,5 BULAN ERROR Dev. Abslut | At – Ft | (MAD) Error 2 (At – Ft) ^2(MSE) April Mei Juni Juli 123 123 15129 Agus -70 70 4900 Sept -39 39 1502 Okt 1124 1124 1262814 Nov 2836 2836 8041478 Des 6578 6578 43266795 ∑ 10769 52592618 MAD dan MSE 1795 8765436
(Sumber: Data Yang Diolah 2021)
Jadi ramalan permintaan konsumen untuk bulan januari 2021 dengan metode Eksponential Smoothing α = 0,5 adalah 16575.
Table 4. 2 Kesalahan Peramalan Metode Eksponential Smoothing Α = 0,5
(Sumber: Data Yang Diolah 2021)
Metode Peramalan yang tepat
Untuk mengetahui metode peramalan yang paling tepat adalah dengan cara membandingkan kesalahan peramalan dari masing masing metode peramalan.
Table 4. Perbandingan kesalahan peramalan
(
Sumber: Data Yang Diolah 2021)Kesimpulan
Persediaan bila terlalu besar maka akan menimbulkan biaya tambahan yang tinggi untuk pengelolaan tempat dan persediaannya Oleh karenanya perlu adanya peramalan untuk dijadikan sebagai bahan pertimbangan oleh manajemen.
Berdasarkan hasil analisis yang telah dilakukan, maka kesimpulan yang diperoleh sebagai berikut:
1. Hasil perhitungan peramalan permintaan model time series dengan metode Moving
Average dengan di bantu aplikasi Ms. Excel berdasarkan data yang diperoleh
N (2020) PERMINTA AN (pcs) AN (pcs) APRIL 14023 - MEI 14500 14023 JUNI 13750 14262 JULI 14255 14006 AGUS 14075 14130 SEPT 13975 14103 OKT 15600 14039 NOV 18331 4819 DES 24739 16575 BUL AN ERROR Dev. Abslut | At – Ft |(MAD) Error 2 (At – Ft) ^2(MSE) APRI L MEI 477 477 227529 JUNI -512 511,5 261632,25 JULI 249 249,25 62125,56 25 AGUS -55 55,375 3066,390625 SEPT -128 127,6875 16304,09766 OKT 1561 1561,15625 2437208,837 NOV 3512 3511,578 125 12331180 ,93 DES 8164 8163,789063 66647451,86 ∑ 14657 81986499 MAD & MSE 1832 10248312 METODE HASIL PERAM
ALAN MAD MSE
MOVING AVERAGE 3 BULANA N 19556,66 667 1314 48116 96 MOVING AVERAGE 4 BULANA N 18161,25 1795 87654 36 EKSPONE NTIAL SMOOTHI NG Α = 0,5 16575 1832 10248 312
selama enam bulan untuk metode Moving
Average 3 bulan di peroleh sebesar
19556/pcs knalpot dengan jenis corong stainlees dengan merk RCB dan untuk metode Moving Average 4 bulanan di peroleh sebesar 18161,25/pcs knalpot jenis corong stainlees dengan merk RCB. 2. Hasil perhitungan peramalan permintaan model time series dengan metode Exponential Smoothing α = 0,05 dengan di bantu aplikasi Ms. Excel berdasarkan data yang diperoleh selama enam bulan diperoleh hasil sebesar 16575/pcs untuk knalpot jenis corong stainlees dengan merk RCB.
3. Dari hasil peramalan dengan menggunakan metode moving average 3 bulanan ,metode moving average 4 bulanan dan exponential smoothing α = 0,05 dan ditambah perhitungan kesalahan peramalan dapat diambil kesimpulan bahwa menggunakan moving average 3 bulanan lebih baik dari metode moving average 4 bulanan dan exponential smoothing α = 0,05 Karena dengan metode moving average 3 bulanan yang mempunyai hasil peramalan untuk bulan januari 2021 adalah 19556/pcs yang lebih besar dibanding metode yang lainnya dan tingkat kesalahan peramalan MAD= 1314 dan MSE= 4811696 yang lebih kecil dari metode yang lainnya.
Saran
Dari penelitian yang dilakukan penulis memberikan beberapa saran diantaranya: 1. Bagi perusahaan sebaiknya menggunkan
metode moving average 3 bulan dalam melakukan suatu peramalan permintaan karena metode ini yang nilai erornya paling kecil.
2. Bagi penelitian selanjutnya hasil penelitian ini bisa digunakan sebagai bahan referensi dalam melakukan penelitian suatu peramalan dengan menambahkan atau membandingkan metode peramalan yang berbeda seperti metode peramalan proyeksi kecenderungan, regresi dan korelasi. 3. Bagi universitas penelitian ini dapat
dijadikan sebagai tambahan penelitian baru mengenai peramalan permintaan.
Daftar pustaka
Anami, B. R. (2021). Analisis Peramalan
Permintaan Roti Untuk
Menentukan Jumlah Produksi Yang Optimal Dengan Metode Moving Average Dan Exponential Smoothing Pada P-Irt Permata
Bakery-Pedagangan Tegal.
Universitas Pancasakti Tegal.
Choirunnisa, A. (2016). Analisis Sistem Pengendalian
Internpersediaandalam. Skripsi, 98.
Koesdiningsih, N. (2017). Analisis Peramalan Penjualan dengan Menggunakan Metode Single Moving Average , Weighted Moving Average dan Exponential Smoothing Sebagai Dasar Perencanaan Produksi Polo Shirt Pria ( Studi Kasus pada PT . Amanah Garment Bandung ).
Prosiding Manajemen, 3(2), 703–
708.
Dr.jumadi. (2021). Manajemen Operasi (Y. Abdulloh (ed.); 1st ed.). CV.Sarnu Untung.
Herlambang.L, W. S. (2021). Analisis Peramalan Penjualan Sepeda dan Motor Listrik di PT XYZ. Jurnal
Comasie, 1(1), 130–138.
Julyanthry, et al. (2020). Manajemen
Produksi dan Operasi (J.
Simarmata (ed.); ke-1). Yayasan Kita Menulis.
Kusyanto, Suhardi, D., & Awaluddin, R. (2020). Peramalan Penjualan Keramik Menggunakan Metode Moving Average dan Exponential Smoothing pada Usaha Agus Keramik. 1(1), 12–21.
M.Siagian, Y. (2005). Aplikasi Supply
Chain Management dalam Dunia Bisnis. Grasindo.
Maricar, M. A. (2019). Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ.
Jurnal Sistem Dan Informatika, 13(2), 36–45.
Nasution, A. H., & Prasetyawan, Y. (2008). Perencanaan dan Pengendalian Produksi, Graha Ilmu. Yogyakarta.
Nurkhasanah, U. M. I., & Anggraini, Y. (2020). Analisis Pengendalian
Internal dan Metode Persediaan Barang Dagang di Toserba Cinta Mart Sooko Ponorogo.
Paruntu, S. A., & Palandeng, I. D. (2018). Analisis Ramalan Penjualan Dan Persediaan Produk Sepeda Motor Suzuki Pada Pt Sinar Galesong Mandiri Malalayang. EMBA, 6(4).
Prasetyo, H. F. L. (2009). Manajemen
Operasi (A. Grafika (ed.); 1st ed.).
Media Pressindo.
Prayoga, R. (2020). Hidroponik Pada Cv
. Spirit Wira Utama , Tangerang.
Rachman, R. (2018). Penerapan Metode Moving Average dan Exponential Smoothing pada Peramalan Produksi Industri Garment. Jurnal
Informatika, 5(ISSN: 2355-6579),
211~220.
Rahayu, I. (2016). Peramalan Penjualan Beras Di Toko Widodo Makmur Menggunakan Metode Moving Average. Teknik – Sistem Informasi, 11.
Sambara, T. A. (2019). Analisis Pengendalian Internal Atas Persediaan Barang Dagang (Sparepat). Universitas Sanata
Dharma, 100.
Santoso, A. B., Rumetna, M. S., & Isnaningtyas, K. (2021). Penerapan
Metode Single Exponential
Smoothing Untuk Analisa
Peramalan Penjualan. 5(April),
756–761.
https://doi.org/10.30865/mib.v5i2. 2951
Siyoto, D. S. (2015). Dasar Metodologi
Penelitian (Ayup (ed.); 1st ed.).
Literasi Media Publishing.
Tri Kunawangsih Pracoyo, A. P. (2006).
Aspek Dasar Ekonomi Mikro (D.
sury. Ubha (ed.); 1st ed.). PT Grasindo.
Wardah, S., & Iskandar, I. (2017). Analisis Peramalan Penjualan Produk Keripik Pisang Kemasan Bungkus (Studi Kasus : Home
Industry Arwana Food
Tembilahan). J@ti Undip : Jurnal
Teknik Industri, 11(3), 135.
https://doi.org/10.14710/jati.11.3.1 35-142
Wulandari, W. (2020). Implementasi Sistem Peramalan Persediaan Barang Menggunakan Metode Moving Average. Jurnal Media
Informatika Budidarma, 4(3), 707.
https://doi.org/10.30865/mib.v4i3. 2199
