Implementasi Metode Double Moving Average dan Regresi Linier untuk Peramalan Asam Sulfat di PT.XYZ
Debi Yulianti1*, Ade Momon2
1,2Jurusan Teknik Industri, Fakultas Teknik, Universitas Singaperbangsa Karawang, Indonesia
*Koresponden email: debi22yulia@gmail.com
Diterima: 11 Desember 2022 Disetujui: 23 Desember 2022
Abstract
PT. XYZ is an excellent stockist and supplier of commodities for many enterprises that need chemicals.
The way that companies can survive and businesses can rotate also increases, requiring appropriate policies to increase productivity and optimize in managing the company starting from the incoming activities, processes and results achieved. Forecasting is an important thing to do when it will produce an item or product. In this study, we used past data on sulfuric acid product demand from February 2021 to January 2022. The purpose of this study is to estimate the amount of demand in the coming period in order to meet consumer demand. Double moving averages and linear regression were used as methods in this study, followed by determining the lowest MSE and MAPE values used to forecast sulfuric acid demand at PT.
XYZ. The lowest MSE and MAPE values were generated using linear regression methods with MSE values of 2.724 and MAPE of 2.173 for PT. A. At PT. B obtained MSE 2.397 and MAPE 1.324. The value is lower than MSE and MAPE double moving average. For this calculation, the linear regression method can be used as a forecasting method in this calculation.
Keywords: forecasting, double moving average, time series, linear regression, mean absolute percentage error
Abstrak
PT. XYZ merupakan perseroan unggul pada bagian stockist juga supplier bahan kimia untuk beberapa pabrik di berbagai kota. Cara agar perusahaan dapat bertahan dan usaha dapat berputar juga meningkat, memerlukan adanya kebijakan yang tepat guna produktivitas meningkat dan mengoptimalisasi dalam mengelola perusahaan dimulai dari kegiatan masuk, prosesnya dan hasil yang dicapai. Peramalan merupakan suatu hal yang berperan penting untuk dilakukan ketika akan memproduksi suatu barang atau produk. Dalam penelitian ini menggunakan data masa lalu permintaan produk asam sulfat bulan Februari 2021 sampai Januari 2022. Tujuan penelitian ini adalah memperkirakan jumlah permintaan pada periode mendatang demi memenuhi permintaan konsumen. Double moving average dan regresi linier digunakan sebagai metode dalam penelitian ini, dilanjutkan dengan menentukan nilai MSE dan MAPE terendah yang digunakan untuk meramalkan permintaan asam sulfat pada PT. XYZ. Pada nilai MSE dan MAPE terendah dihasilkan dengan menggunakan metode regresi linier dengan nilai MSE 2,724 dan MAPE 2,173 untuk PT.
A. Pada PT. B didapatkan nilai MSE 2,397 dan MAPE 1,324. Nilai tersebut lebih rendah daripada MSE dan MAPE double moving average. Untuk perhitungan ini, metode regresi linier dapat digunakan sebagai metode peramalan pada perhitungan kali ini.
Kata Kunci: peramalan, rata-rata bergerak ganda, deret waktu, regresi linier, rata-rata kesalahan persentase absolut
1. Pendahuluan
Pada zaman modern saat ini, tuntutan konsumen terhadap ketersediaannya produk pada pasaran terus meningkat. Perusahaan dituntut untuk terus melakukan inovasi dan menemukan usaha baru guna mendapat nilai tambah dari konsumen. Perusahaan-perusahaan di Indonesia mampu memproduksi produk untuk diekspor ke pelosok negeri, hal ini menandakan bahwa sektor bisnis di Indonesia mengalami peningkatan produktivitas yang tajam setiap harinya. Agar dapat bertahan dan usaha dapat berputar juga meningkat, perlu adanya kebijakan yang tepat guna produktivitas meningkat dan mengoptimalisasi dalam mengelola perusahaan dimulai dari kegiatan masuk, prosesnya dan hasil yang dicapai. Salah satu caranya ialah berhubungan dengan pengambilan keputusan dengan tepat, seperti meramalkan kebutuhan dimasa yang akan datang[1]. Perkembangan ekonomi yang sedang terjadi sekarang ketika ada era globalisasi akan berdampak pada dunia bisnis dan industri. Hubungannya dengan hal ini ialah munculnya tuntutan untuk
perusahaan atau pelaku bisnis untuk meningkatkan persaingan. Persaingan selanjutnya adalah kualitas produk dan kapasitas industri untuk menyediakan barang yang sesuai dengan kebutuhan konsumen [2].
Saat memproduksi barang atau produk, peramalan adalah tugas penting yang harus dilakukan.
Tindakan terbaik adalah peramalan, yang mendasarkan prediksi pada data historis. Tujuan peramalan adalah untuk mengantisipasi berapa banyak penjualan yang akan terjadi dengan benar dari waktu ke waktu, ini paling efektif ketika kondisi permintaan pasar rumit dan dinamis[3]. Membuat keputusan yang lebih baik dengan menggunakan peramalan adalah pendekatan atau teknik yang bermanfaat untuk meramalkan hal-hal yang tidak bisa diketahui di masa depan. Hal ini menyebabkan metodologi peramalan menjadi semakin bervariasi dan kemajuannya sejalan dengan persyaratan sebuah kebutuhan, seiring dengan peningkatan perangkat lunak komputer[4]. Menurut [5] Peramalan adalah ilmu dan seni yang diterapkan untuk prediksi peristiwa masa depan. Hipotesis terbaik adalah hipotesis yang didasarkan pada peristiwa yang akan terjadi selama hipotesis diuji. Ketika hasil percobaan kurang ideal, masalah peramalan adalah masalah lain yang perlu segera ditangani[6]. Subagyo (1986) menyatakan bahwa peramalan dilakukan dalam rangka [7]:
a. Untuk mengurangi dampak keraguan tentang usaha atau organisasi.
b. Memberikan hasil prediksi yang mampu mengurangi tingkat kesalahan prediksi, biasanya sering ditentukan melalui penggunaan mean squared error (MSE), mean absolute percent error (MAPE), dan teknik lainnya.
PT. XYZ merupakan perseroan unggul pada bagian stockist juga supplier bahan kimia untuk beberapa pabrik di berbagai kota. Produksi perusahaan ini salah satunya ialah asam sulfat. Perusahaan perlu melakukan peramalan produk dimasa yang akan datang guna mencapai permintaan beberapa pabrik.
Dengan melakukan peramalan permintaan, perusahaan dapat mengestimasikan berapa permintaan di masa akan datang yang akan di produksi, dengan cara ini perusahaan dapat memproduksi barang dengan maksimal dan tidak berlebihan. Produk asam sulfat setiap bulannya mengalami perubahan permintaan, dan tidak memiliki jumlah yang pasti setiap periodenya.
Peneliti bertugas membuat studi peramalan yang akan menilai permintaan menggunakan data historis berdasarkan fakta yang disebutkan di atas yang diperoleh pada bulan Februari 2021 dan Januari 2022 dengan penggunaan teknik peramalan, Double Moving Average dan Regresi Linier. Teknik atau metode analisis deret waktu yang berbeda didasarkan pada penggunaan analisis suatu hubungan antar variabel akan menjadi pertimbangan dan variabel deret waktu. Metodologi deret waktu secara luas dibagi antara metode untuk rata-rata, seperti Rata-rata sederhana, Rata-rata bergerak tunggal, dan rata-rata bergerak ganda, dan metode untuk regresi, seperti regresi deret waktu [5]. Rata-rata bergerak tunggal dan rata-rata bergerak ganda berbeda satu sama lain, dilihat dari yang terakhir menggunakan Single Moving Average perhitungan lebih dari dua kali, maka dikenal sebagai Double Moving Average. Double Moving adalah teknik untuk menghitung tren [8]. Kemudian, Regresi adalah sebuah strategi juga teknik yang digunakan untuk meneliti aspek kualitas atau kuantitas saat suatu produk yang sedang diproduksi [9]. Situasi muncul karena bisnis dapat memaksimalkan keuntungan dan memastikan jumlah produk yang tepat dengan mencampur berbagai produk [10].
2. Metode Penelitian
Setiap masalah harus diselesaikan agar pengumpulan dan analisis data, serta analisis pembahasan, menjadi menyeluruh dan terorganisir[11] Poin utama metodologi penelitian adalah:
a. Objek Penelitian
Peneliti mengembangkan objek penelitian, yang merupakan hal tunggal dan terfokus, untuk dipelajari[12]. Asam sulfat merupakan objek dalam penelitian yang akan diindentifikasi.
b. Teknik Pengumpulan Data
Prosedur untuk menyelesaikan pengumpulan data dijelaskan dibawah ini:
1) Wawancara
Wawancara merupakan pertukaran informasi dengan bertanya dan menjawab antar kedua belah pihak ialah agar mendapat sebuah informasi[11]. Peneliti melaksanakan tanya jawab pada pemimpin perusahaan yang berkenaan dengan topik peneliti.
2) Dokumentasi
Pada penelitian kuantitatif, dokumentasi merupakan kelengkapan dari semua kegiatan observasi dan wawancara [11]. Dalam aktivitas ini, dilaksanakan dengan mencatat setiap item yang terhubung dengan penelitian, seperti dokumen yang merinci permintaan data dari waktu sebelumnya dan yang lebih baru.
3) Observasi
Observasi adalah metode atau teknik tertentu dengan aturan yang berbeda dari metode lain. [11].
Teknik pengamatan dilakukan dengan memantau kondisi dan keadaan nyata di perusahaan yang memiliki tujuan untuk mempelajari lebih lanjut..
4) Studi Literatur
Teknik atau cara ini dilaksanakan dengan mencari berbagai referensi untuk dipelajari yang berkaitan dengan topik[13]. Teknik ini digunakan oleh peneliti dengan tujuan menunjang segala metode penelitian guna mendapatkan hasil sesuai yang diharapkan.
Metode DMA ialah modifikasi dari SMA, perbedaan antara keduanya adalah bahwa metode Rata- rata bergerak ganda biasanya diperuntukkan meramalkan tren. Metode ini menggunakan ambang rata-rata bergerak dua kali dari metode SMA. Berikut merupakan alur pengerjaan pada metode DMA dengan diawali menghitung SMA[8] :
a. Mencari nilai single moving average 𝑆′𝑡 =𝑋𝑡+𝑋𝑡−1 + 𝑋𝑡−2+⋯𝑋𝑡−𝑘−1
𝑘 (1)
b. Mencari nilai double moving average 𝑆" =𝑆𝑡+𝑆𝑡−1 + 𝑆𝑡−2+⋯𝑆𝑡−𝑘−1
𝑘 (2)
c. Mencari nilai konstanta
𝑎𝑡 = 2𝑆′𝑡 − 𝑆"𝑡 (3)
d. Mencari nilai koefisien trend 𝑏𝑡 = 2
𝑘−1= (𝑆′𝑡 − 𝑆"𝑡) (4)
e. Mencari besar nilai peramalan
𝐹𝑡+𝑚 = 𝑎𝑡+ 𝑏𝑡𝑚 (5)
Peramalan yang paling sederhana salah satunya ialah Regresi Linier metode ini diasumsikan bahwa akan ada hubungan antara variabel yang akan dibandingkan. Analisis didasarkan pada anggapan bahwa pola riwayat data bersifat linier, yang dapat dinyatakan sebagai:
Y ( t ) = a + bt (6)
Saat melakukan prediksi, hasilnya tidak mungkin sepenuhnya akurat. Keakuratan sebuah perkiraan ditentukan oleh seberapa besar kesalahannya, data yang sedang dibandingkan dengan data aktual atau data yang dianggap benar [14][15]. Perbedaan antara nilai yang diperkirakan dan nilai sebenarnya adalah kesalahan atau error. Pendekatan optimal adalah pendekatan yang paling mirip dengan data yang memiliki nilai kesalahan terendah untuk masing-masing metode. Metode perlu digunakan apabila metode yang memiliki nilai peramalan kesalahan terendah dan bekerja paling baik dengan data yang ada. Beberapa alternatif kesalahan metode peramalan yang sering digunakan tercantum di bawah ini:
a. Mean Square Error (MSE) 𝑀𝑆𝐸 = ∑ 𝑌𝑒𝑖2
𝑛 (7)
b. Mean Absolute Percent Error (MAPE) 𝑀𝐴𝑃𝐸 =100
𝑛 ∑|𝑒𝑖|
𝑥𝑖 (8)
3. Hasil dan Pembahasan
Informasi yang diperlukan untuk analisis penelitian bersumber dari dokumentasi PT. XYZ juga hasil wawancara dengan karyawan PPIC. Tabel 1 merupakan data permintaan asam sulfat untuk PT. A dan PT.
B pada bulan Februari tahun 2021 sampai dengan Januari 2022.
Tabel 1. Demand Asam sulfat
Periode Demand
Agen PT. A Agen PT. B
Feb-21 1 128 180
Mar-21 2 124 184
Apr-21 3 120 180
Periode Demand
Agen PT. A Agen PT. B
May-21 4 124 180
Jun-21 5 120 188
Jul-21 6 120 184
Aug-21 7 120 188
Sep-21 8 128 180
Oct-21 9 120 184
Nov-21 10 124 180
Dec-21 11 124 180
Jan-22 12 120 180
Sumber: PT. XYZ (2022)
Analisis data menggunakan teknik Double Moving Average dengan lag rata-rata tiga bulan adalah tahap selanjutnya setelah pengumpulan data. Perhitungan permintaan asam sulfat untuk PT. A dan PT. B dapat dihitung menggunakan rumus persamaan dibawah ini:
a. Menghitung Double Moving Average untuk PT. A 1) Menghitung nilai single moving average
SMA3 = 120 + 124 + 128
3 = 124,00
SMA4 = 124 + 120 + 124
3 = 122,67
SMA5 = 120 + 124 + 120
3 = 121,33
2) Menghitung nilai Double Moving Average DMA3= 121,33 + 122,67 + 124,00
3 = 122,67
DMA4= 121,33 + 121,33 + 122,67
3 = 121,78
DMA5= 120,00 + 121,33 + 121,33
3 = 120,89
3) Menghitung nilai 𝑎𝑡
𝑎𝑡 = 2 x 121,33 − 122,67 = 120 4) Menghitung nilai 𝑏𝑡
𝑏𝑡= 2
3 − 1x (121,33 − 122,67) = −1,33 5) Menghitung nilai peramalan
𝐹𝑡= 120 + −1,33 = 118,67
Berdasarkan keseluruhan proses perhitungan yang telah dilakukan untuk PT. A, hasil akhirnya terlihat pada Tabel 2.
Tabel 2. Hasil perhitungan DMA PT. A
Periode Demand SMA 3 DMA 3 At bt Periode Peramalan
Feb-21 1 128 Feb-22 13 116
Mar-21 2 124 Mar-22 14 116
Apr-21 3 120 124,00 Apr-22 15 116
May-21 4 124 122,67 May-22 16 115
Jun-21 5 120 121,33 122,67 120 -1,33 Jun-22 17 115 Jul-21 6 120 121,33 121,78 121 -0,44 Jul-22 18 114 Aug-21 7 120 120,00 120,89 119 -0,89 Aug-22 19 114 Sep-21 8 128 122,67 121,33 124 1,33 Sep-22 20 113 Oct-21 9 120 122,67 121,78 124 0,89 Oct-22 21 113 Nov-21 10 124 124,00 123,11 125 0,89 Nov-22 22 112 Dec-21 11 124 122,67 123,11 122 -0,44 Dec-22 23 112 Jan-22 12 120 122,67 123,11 122 -0,44 Jan-23 24 112
Sumber: Hasil pengolahan data (2022)
b. Menghitung Double Moving Average untuk PT. B 1) Menghitung nilai single moving average
SMA3 = 180 + 184 + 180
3 = 181,33
SMA4 = 180 + 180 + 184
3 = 181,33
SMA5 = 188 + 180 + 180
3 = 182,67
2) Menghitung nilai Double Moving Average DMA3= 182,67 + 181,33 + 181,33
3 = 181,78
DMA4= 184,00 + 182,67 + 181,33
3 = 182,67
DMA5= 186,67 + 184,00 + 182,67
3 = 120,89
3) Menghitung nilai 𝑎𝑡
𝑎𝑡 = 2 x 182,67 − 181,78 = 184 4) Menghitung nilai 𝑏𝑡
𝑏𝑡= 2
3 − 1x (182,67 − 181,78) = 0,89 5) Menghitung nilai peramalan
𝐹𝑡= 184 + 0,89 = 184,89
Berdasarkan proses perhitungan yang telah diselesaikan untuk PT. B kemudian hasil akhir terlihat pada Tabel 3.
Tabel 3. Hasil perhitungan DMA PT. B
Periode Demand SMA 3 DMA 3 At bt Periode Peramalan
Feb-21 1 180 Feb-22 13 168
Mar-21 2 184 Mar-22 14 167
Apr-21 3 180 181,33 Apr-22 15 166
May-21 4 180 181,33 May-22 16 165
Jun-21 5 188 182,67 181,78 184 0,89 Jun-22 17 164 Jul-21 6 184 184,00 182,67 185 1,33 Jul-22 18 163
Aug-21 7 188 186,67 184,44 189 2,22 Aug-22 19 162
Sep-21 8 180 184,00 184,89 183 -0,89 Sep-22 20 161 Oct-21 9 184 184,00 184,89 183 -0,89 Oct-22 21 160 Nov-21 10 180 181,33 183,11 180 -1,78 Nov-22 22 160 Dec-21 11 180 181,33 182,22 180 -0,89 Dec-22 23 159 Jan-22 12 180 180,00 180,89 179 -0,89 Jan-23 24 158
Sumber: Hasil pengolahan data (2022)
c. Menghitung regresi linier untuk PT. A
Tabel 4. Hasil perhitungan regresi linier PT. A
Periode Demand T d(t) a b Periode Peramalan
Feb-21 1 128 1 1 128 123,94 -0,20 Feb-22 13 121
Mar-21 2 124 2 4 248 123,94 -0,20 Mar-22 14 121
Apr-21 3 120 3 9 360 123,94 -0,20 Apr-22 15 121
May-21 4 124 4 16 496 123,94 -0,20 May-22 16 121
Jun-21 5 120 5 25 600 123,94 -0,20 Jun-22 17 121
Jul-21 6 120 6 36 720 123,94 -0,20 Jul-22 18 120
Aug-21 7 120 7 49 840 123,94 -0,20 Aug-22 19 120
Sep-21 8 128 8 64 1024 123,94 -0,20 Sep-22 20 120 Oct-21 9 120 9 81 1080 123,94 -0,20 Oct-22 21 120 Nov-21 10 124 10 100 1240 123,94 -0,20 Nov-22 22 120 Dec-21 11 124 11 121 1364 123,94 -0,20 Dec-22 23 119 Jan-22 12 120 12 144 1440 123,94 -0,20 Jan-23 24 119
Jumlah 1472 78 650 9540 1444
Sumber: Hasil pengolahan data (2022) 𝐭𝟐
b = -0,20 Y(t) = a + b (t)
a = 123,94 Y(t) = 123,94 - -0,20 (t)
Sesudah memperoleh nilai a dan b, suatu periode ditetapkan dengan nilai 1 dimulai pada bulan ke-13, berlanjut pada bulan ke-14 dengan nilai 2, dan berlanjut selama sisa waktu dalam rumus seperti pada perhitungan sebelumnya dan hasil peramalan untuk tahun berikutnya menggunakan Y (t).
d. Menghitung regresi linier untuk PT. B
Tabel 5. Hasil perhitungan regresi linier PT. B
Periode Demand T d(t) A b Periode Peramalan
Feb-21 1 180 1 1 180 183,15 -0,13 Feb-22 13 182
Mar-21 2 184 2 4 368 183,15 -0,13 Mar-22 14 181
Apr-21 3 180 3 9 540 183,15 -0,13 Apr-22 15 181
May-21 4 180 4 16 720 183,15 -0,13 May-22 16 181
Jun-21 5 188 5 25 940 183,15 -0,13 Jun-22 17 181
Jul-21 6 184 6 36 1104 183,15 -0,13 Jul-22 18 181
Aug-21 7 188 7 49 1316 183,15 -0,13 Aug-22 19 181
Sep-21 8 180 8 64 1440 183,15 -0,13 Sep-22 20 181
Oct-21 9 184 9 81 1656 183,15 -0,13 Oct-22 21 181
Nov-21 10 180 10 100 1800 183,15 -0,13 Nov-22 22 180
Dec-21 11 180 11 121 1980 183,15 -0,13 Dec-22 23 180
Jan-22 12 180 12 144 2160 183,15 -0,13 Jan-23 24 180
Jumlah 2188 78 650 14204 2170
Sumber: Hasil pengolahan data (2022) b = -0,13 Y(t) = a + b (t)
a = 183,15 Y(t) = 183,15 - -0,13 (t)
Sesudah memperoleh nilai a dan b, suatu periode ditetapkan dengan nilai 1 dimulai pada bulan ke-13, berlanjut pada bulan ke-14 dengan nilai 2, dan berlanjut selama sisa waktu dalam rumus seperti pada perhitungan sebelumnya dan hasil peramalan untuk tahun berikutnya menggunakan Y (t).
e. Validasi Double Moving Average
Langkah pertama dalam validasi DMA adalah mendapatkan hasil yang konsisten dengan regresi kuadrat setelah itu mencari nilai kesalahan dalam peramalan (ei) lalu mencari nilai RSFE (data nilai aktual periode i – data untuk peramalan periode i). Langkah selanjutnya, menghitung nilai mutlak dari ei. Setelah menerima MAE (Mean Absolute Error), langkah selanjutnya ialah tracking signal menggunakan perhitungan RSFE/MAE.
1) Validasi DMA PT. A
Tabel 6. Hasil validasi DMA PT. A
xi fi ei=Xi-Fi RSFE │ei│=│Xi-Fi│ CUMM . │ei│ MAE TS
128 125 3 3 3,333 3,333 3,333 1,000
124 125 -1 2 0,762 4,095 0,762 2,625
120 125 -5 -3 4,857 8,952 4,857 -0,588
124 125 -1 -4 0,952 9,905 0,952 -4,000
120 125 -5 -9 5,048 14,952 5,048 -1,755
120 125 -5 -14 5,143 20,095 5,143 -2,722
120 125 -5 -19 5,238 25,333 5,238 -3,673
128 125 3 -16 2,667 28,000 2,667 -6,000
120 125 -5 -21 5,429 33,429 5,429 -3,947
124 126 -2 -23 1,524 34,952 1,524 -15,063
124 126 -2 -25 1,619 36,571 1,619 -15,176
120 126 -6 -31 5,714 42,286 5,714 -5,425
21,825 3,524
MSE 3,524
MAPE 2,900
Sumber: Hasil pengolahan data (2022) 𝐭𝟐
2) Validasi DMA PT. B
Tabel 7. Hasil validasi DMA PT. B
Xi fi ei=Xi-Fi RSFE │ei│=│Xi-Fi│ CUMM . │ei│ MAE TS
180 166 14 14 14,000 14,000 14,000 1,000
184 165 19 33 19,048 33,048 19,048 1,735
180 164 16 49 16,095 49,143 16,095 3,053
180 163 17 66 17,143 66,286 17,143 3,867
188 162 26 92 26,190 92,476 26,190 3,531
184 161 23 116 23,238 115,714 23,238 4,980
188 160 28 144 28,286 144,000 28,286 5,091
180 159 21 165 21,333 165,333 21,333 7,750
184 158 26 192 26,381 191,714 26,381 7,267
180 157 23 215 23,429 215,143 23,429 9,183
180 156 24 240 24,476 239,619 24,476 9,790
180 154 26 265 25,524 265,143 25,524 10,388
132,635 22,095
MSE 22,095
MAPE 12,099
Sumber: Hasil pengolahan data (2022)
f. Validasi Regresi Linier
Langkah pertama dalam validasi regresi linier adalah mendapatkan hasil yang konsisten dengan regresi kuadrat setelah itu mencari nilai kesalahan dalam peramalan (ei) lalu mencari nilai RSFE (data nilai aktual periode i – data untuk peramalan periode i). Kemudian, cari nilai mutlak dari ei. Setelah menerima MAE (Mean Absolute Error), langkah selanjutnya tracking signal menggunakan perhitungan RSFE/MAE.
1) Valida Regresi Linier PT. A
Tabel 8. Hasil validasi regresi linier PT. A
xi fi ei=Xi-Fi RSFE │ei│=│Xi-Fi│ CUMM . │ei│ MAE TS
128 121 7 7 6,606 6,606 6,606 1,000
124 121 3 9 2,802 9,408 2,802 3,358
120 121 -1 8 1,002 10,410 1,002 8,386
124 121 3 11 3,193 13,604 3,193 3,445
120 121 -1 10 0,611 14,214 0,611 17,011
120 120 0 10 0,415 14,629 0,415 24,039
120 120 0 10 0,219 14,848 0,219 44,521
128 120 8 18 7,977 22,825 7,977 2,223
120 120 0 18 0,172 22,998 0,172 103,797
124 120 4 22 4,368 27,366 4,368 5,099
124 119 5 27 4,564 31,930 4,564 5,880
120 119 1 28 0,760 32,690 0,760 36,316
18,461 2,724
MSE 2,724
MAPE 2,173
Sumber: Hasil pengolahan data (2022) 2) Valida Regresi Linier PT. B
Tabel 9. Hasil validasi regresi linier PT. B
xi fi ei=Xi-Fi RSFE │ei│=│Xi-Fi│ CUMM . │ei│ MAE TS
180 182 -2 -2 1,515 1,515 1,515 -1,000
184 181 3 1 2,611 4,126 2,611 0,420
180 181 -1 0 1,263 5,389 1,263 -0,133
180 181 -1 -1 1,138 6,527 1,138 -1,148
188 181 7 6 6,988 13,515 6,988 0,813
184 181 3 9 3,114 16,629 3,114 2,825
188 181 7 16 7,240 23,869 7,240 2,215
180 181 -1 15 0,634 24,503 0,634 24,294
184 181 3 19 3,492 27,995 3,492 5,411
xi fi ei=Xi-Fi RSFE │ei│=│Xi-Fi│ CUMM . │ei│ MAE TS
180 180 0 19 0,382 28,378 0,382 48,427
180 180 0 19 0,256 28,634 0,256 74,100
180 180 0 19 0,131 28,765 0,131 144,554
17,487 2,397
MSE 2,397
MAPE 1,324
Sumber: Hasil pengolahan data (2022)
g. Rekapitulasi Nilai MSE dan MAPE
Tabel 10. Rekapitulasi nilai dan MSE MAPE
Agen MSE MAPE Metode
PT. A 2,724 2,173 Regresi Linier
3,524 2,9 DMA
PT. B 2,397 1,324 Regresi Linier
22,095 12,09 DMA
Sumber: Hasil pengolahan data (2022)
4. Kesimpulan
Untuk menentukan berapa banyak permintaan produk asam sulfat yang akan ada di periode mendatang, PT. XYZ harus melakukan peramalan. Setelah menyelesaikan perhitungan dengan peramalan metode double moving average dan regresi linier, dapat disimpulkan pada nilai MSE dan MAPE terendah dihasilkan dengan menggunakan metode regresi linier dengan nilai MSE 2,724 dan MAPE 2,173 untuk PT.
A. Pada PT. B didapatkan nilai MSE 2,397 dan MAPE 1,324. Nilai tersebut lebih rendah daripada MSE dan MAPE double moving average. Untuk perhitungan ini, metode regresi linier dapat digunakan sebagai metode peramalan pada perhitungan kali ini.
5. Referensi
[1] Arminas, “Analisis Peramalan Penjualan Comforta’S Bed Jenis Super Star Pada PT. Massindo Terang Perkasa Makassar,” Prosiding Semnastek, November, 2016.
[2] D. R. Indah and E. Rahmadani, “Sistem Forecasting Perencanaan Produksi dengan Metode Single Eksponensial Smoothing pada Keripik Singkong Srikandi Di Kota Langsa,” J. Penelit. Ekon. Akunt.,
vol. 2, no. 1, pp. 10–18, 2018, [Online]. Available:
https://ejurnalunsam.id/index.php/jensi/article/view/930
[3] Y. Alrahman, K. Mustafa, and Y. Delvika, “Penerapan Metode Peramalan Produksi dan Perencanaan Kebutuhan Bahan Baku dengan Metode Material Requirement Planning di PT . CJ Feed Medan Application of Production Forecasting Method and Planning of raw Material Requirement By Material Method Requirement,” J. Ind. Manuf. Eng., vol. 1, no. 2, pp. 88–96, 2017.
[4] J. and B. R. Heizer, Operation Management, Tenth Edit. United States of America, 2011.
[5] Rival, Z., Wahyu, S. S., & Ni Ketut, S. Aplikasi Peramalan Penjualan Menggunakan Metode Regresi Linier. SCAN: Jurnal Teknologi Informasi dan Komunikasi, 7(3), 41-45. 2012.
[6] Bandara, K., Shi, P., Bergmeir, C., Hewamalage, H., Tran, Q., & Seaman, B. Sales demand forecast in e-commerce using a long short-term memory neural network methodology. In International conference on neural information processing (pp. 462-474). Springer, Cham. 2019.
[7] Supuwiningsih, N. N., Kusuma, A. S., Pratiwi, E. L., & Pratami, N. W. C. A. Statistik Forecasting Dalam Sistem Informasi Geografis. Media Sains Indonesia. 2022.
[8] A. F. N. Azizah, “Peramalan Migrasi Masuk Kota Surabaya Tahun 2015 dengan Metode Double Moving Average dan Double Exponential Smoothing Brown,” J. Biometrika dan Kependud., vol. 4, no. 2, pp. 172–180, 2015.
[9] B. Putro, M. T. Furqon, and S. H. Wijoyo, “Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 11, pp. 4679–4686, 2018.
[10] T. Indarwati, T. Irawati, and E. Rimawati, “Penggunaan Metode Linear Regression Untuk Prediksi Penjualan Smartphone,” J. Teknol. Inf. dan Komun., vol. 6, no. 2, pp. 2–7, 2019, doi:
10.30646/tikomsin.v6i2.369.
[11] Sugiyono, Metode Penelitian Pendidikan Pendekatan Kuantitatif, Kualitatif dan R&D. Bandung:
Alfabeta, 2014.
[12] Sugiyono, Metode Penelitian Kuantitatif, Kualitatif Dan Kombinasi (Mixed Methods), Cetakan ke.
Bandung: Alfabeta, 2015.
[13] M. Kasiram, Metodologi Penelitian Kuantitatif-Kualitatif. Malang: Uin Maliki Press, 2010.
[14] M. F. Fadilah and E. Aryanny, “Pengendalian Persediaan Bahan Baku Minyak Sawit Dengan Menggunakan Metode Continuous (Q) Dan Periodic (P) Review Di Pt. Xyz,” Juminten, vol. 2, no.
4, pp. 97–108, 2021, doi: 10.33005/juminten.v2i4.309.
[15] A. Izzah and R. Widyastuti, “Prediksi Harga Saham Menggunakan Improved Multiple Linear Regression untuk Pencegahan Data Outlier,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 2, no. 3, pp. 141–150, 2017, doi: 10.22219/kinetik.v2i3.268.
