Fakultas Ilmu Komputer
Universitas Brawijaya 5264
Exponential Smoothing untuk Peramalan Jumlah Penjualan Hijab Vie Hijab Store
Eky Cahya Pratama1, Muhammad Tanzil Furqon2, Sigit Adinugroho3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected], 3[email protected]
Abstrak
Di era modern seperti saat ini, kemajuan teknologi informasi sudah merambah ke berbagai bidang, salah satunya di bidang industri yang dapat membantu dalam proses pengambilan keputusan hingga melakukan peramalan sesuatu yang akan terjadi dimasa mendatang. Vie Hijab Store merupakan salah satu usaha rumahan seperti rumah jahit yang bergerak di bidang produksi dan penjualan hijab yang memiliki permasalahan dalam penyetokan kain sebagai bahan baku. Proses peramalan jumlah penjualan akan sangat membantu dalam mengatur dalam proses pengambilan keputusan ketika melakukan penyetokan barang. Pada penelitian ini, digunakan metode peramalan Exponential Smoothing yang terdiri dari metode Single Exponential Smoothing (SES), Double Exponential Smoothing (DES), Triple Exponential Smoothing (TES). Mengacu pada salah satu hasil pengujian pada sampel data periode kenaikan ke-4 yang merepresentasikan keadaan terjadinya kenaikan di bulan Haji tahun kedua yang didapatkan dari dataset, diperoleh nilai parameter terbaik untuk produk khimar pada metode TES dengan alpha = 0,9, beta = 0,9 dan gamma = 0,1 yang menghasilkan MAPE 11,47%. Sedangkan untuk produk pashmina pada metode TES dengan alpha = 0,4, beta = 0,9 dan gamma = 0,8 yang menghasilkan MAPE 9,22%. Berdasarkan hasil dari semua pengujian terhadap ketiga metode tersebut jika dilakukan perbandingan ditunjukkan bahwa mayoritas hasil terbaik didapatkan ketika menggunakan metode Triple Exponential Smoothing. Oleh karena itu, metode Triple Exponential Smoothing terpilih sebagai metode terbaik untuk peramalan jumlah penjualan hijab.
Kata kunci: penjualan hijab, peramalan, exponential smoothing, single exponential smoothing, double exponential smoothing, triple exponential smoothing, MAPE
Abstract
In the modern era like today, advances in information technology have penetrated into various fields, one of which is in the industrial sector which can assist in the decision-making process to forecasting something that will happen in the future. Vie Hijab Store is a home-based business, such as a sewing house, which is concerned in the production and sale of hijab, which has problems stocking fabric as raw material. The process of forecasting the number of sales will be very helpful in regulating the decision-making process when stocking goods. In this study, the method used for forecasting Exponential Smoothing which consists of Single Exponential Smoothing (SES), Double Exponential Smoothing (DES), Triple Exponential Smoothing (TES) methods. Referring to one of the test results on the 4th increase period data sample which represents the situation of an increase in the second year of the Hajj month obtained from the dataset, the best parameter values for khimar products in the TES method are alpha = 0,9, beta = 0,9 and gamma = 0,1 which resulted in a MAPE of 11.47%. As for pashmina products in the TES method with alpha = 0.4, beta = 0.9 and gamma = 0.8 which resulted in a MAPE of 9,22%. Based on the results of all the tests of the three methods, if a comparison is made, it is shown that the majority of the best results are obtained when using the Triple Exponential Smoothing method. Therefore, the Triple Exponential Smoothing method was chosen as the best method for forecasting the number of hijab sales.
Keywords: hijab sales, forecasting, exponential smoothing, single exponential smoothing, double exponential smoothing, triple exponential smoothing, MAPE
1. PENDAHULUAN
Di zaman modern seperti saat ini, perkembangan teknologi melaju sangat pesat beriringan dengan perkembangan peradaban manusia, khususnya teknologi informasi.
Perkembangan Teknologi informasi (TI) sudah masuk ke berbagai bidang, termasuk bidang industri. Teknologi informasi di bidang industri sangat diperlukan seperti dalam urusan pengambilan keputusan maupun melakukan peramalan mengenai sesuatu yang akan terjadi dimasa mendatang.
Vie Hijab store merupakan salah satu bentuk usaha atau industri rumahan yang ada di Kota Malang dalam bentuk rumah jahit yang memproduksi sekaligus menjual beberapa model hijab seperti khimar dan pashmina. Penjualan selalu mengalami peningkatan tiap tahunnya terutama di periode-periode spesial seperti pada saat bulan puasa Ramadan dan bulan Haji.
Peningkatan ini sesuai dengan jumlah permintaan konsumen yang berdampak dengan munculnya permasalahan dalam pengaturan ketersediaan kain sebagai bahan baku utama untuk memproduksi beberapa model hijab tersebut. Jika jumlah stok bahan baku tidak dapat memenuhi jumlah permintaan konsumen, maka akan menimbulkan kerugian (Putra, et al., 2020).
Menurut Putra (2020), untuk menyelesaikan permasalahan tersebut diperlukan data-data riwayat penjualan toko yang dapat digunakan untuk memprediksi atau meramalkan jumlah penjualan toko dimasa mendatang. Hasil prediksi atau peramalan tersebut dapat digunakan sebagai acuan dalam mengestimasi jumlah stok bahan baku yang diperlukan. Selain itu dapat digunakan sebagai tolak ukur bahwa perkembangan dari usaha yang dilakukan sedang mengalami kemajuan atau kemunduran. Kemudian menurut pandangan Fani (2017) proses peramalan dapat membantu dalam pengambilan keputusan yang berimbas pada perencanaan produksi serta biaya yang harus dikeluarkan.
Pada penelitian sebelumnya yang dilakukan oleh Putra (2020) yang memprediksi jumlah penjualan hijab Vie Hijab Store menggunakan metode Extreme Learning Machine (ELM).
Dengan pendekatan jaringan syaraf tiruan dilakukan pengujian jumlah fitur data, jumlah hidden node, fungsi aktivasi dan rasio pembagian data latih serta data uji. Dari hasil pengujian dihasilkan MAPE terendah ketika
parameter jumlah fitur adalah 4, hidden node sebanyak 5, dengan sigmoid biner untuk fungsi aktivasi yang digunakan untuk semua model hijab serta rasio data 60:40 untuk model khimar, 70:30 untuk model Pashmina. Nilai MAPE untuk khimar 22% dan Pashmina sebesar 12%.
Jika dilihat dari data yang digunakan pada penelitian ini yaitu data penjualan hijab, terjadi kenaikan maupun penurunan pada minggu atau bulan tertentu. Sehingga data tersebut membentuk seperti pola. Menurut Nurvianti (2019), metode Exponential Smoothing bisa menjadi solusi untuk data yang memiliki karakteristik atau pola seperti pada penelitian yang ia lakukan dalam meramalkan jumlah keberangkatan kereta api. Pada penelitian ini dilakukan perbandingan antara metode Double Exponential Smoothing (DES) dengan Triple Exponential Smoothing (TES). Hasil terbaik pada metode DES untuk meramalkan satu periode ke depan menghasilkan MAPE 7,385%
ketika nilai konstanta α = 0,1 dan β = 0,1. Dan metode TES untuk peramalan satu bulan kedepan menghasilkan MAPE 3,213% ketika nilai konstanta α = 0,4 , β = 0,4 dan γ = 0,1.
Kemudian pada penelitian selanjutnya yang telah dilakukan oleh Romaita (2019) yang membandingkan tiga metode exponential smoothing untuk meramalkan penjualan produk olahan daging ayam kampung. Dari penelitian ini menghasilkan nilai MAE (Mean Absolute Error) untuk metode SES sebesar 2,67 ketika nilai konstanta α = 0,4. Kemudian untuk metode DES memiliki MAE sebesar 2,74 ketika nilai konstanta α = 0,3 dan β = 0,1. Kemudian metode TES menghasilkan MAE sebesar 2,45 ketika nilai kontanda α = 0,3 , β = 0,2 dan γ = 0,7.
Sehingga metode TES menjadi metode terbaik permasalahan ini..
Berdasarkan penjelasan pada penelitian- penelitian sebelumnya dan data yang akan digunakan dalam penelitian ini terdapat kenaikan dan penurunan pada waktu tertentu dan berpola, penulis akan menggunakan metode Exponential Smoothing karena dianggap sangat baik dalam proses peramalan dengan menyesuaikan data yang memiliki pola-pola tertentu. Sehingga diharapkan bisa menghasilkan peramalan yang akurat atau dengan tingkat kesalahan yang sangat kecil.
2. LANDASAN KEPUSTAKAAN 2.1. Peramalan
Peramalan memiliki definisi bahwa suatu keputusan tentang sesuatu kemungkinan yang akan terjadi di masa mendatang yang semua itu berdasarkan fakta-fakta yang sudah lalu hingga saat ini (Alfarisi, 2017). Peramalan dapat digunakan oleh organisasi maupun institusi untuk memperkuat perencanaan, formulasi langkah-langkah yang baik dan berujung dihasilkannya keputusan yang tepat baik untuk jangka pendek maupun jangka panjang (Setiawan, et al., 2016).
Menurut Nasution (2008 disitasi dalam Saputro, 2016), kriteria penting peramalan yang baik sebagai berikut :
1. Akurasi. Tingkat kesalahan yang relatif semakin kecil dari hasil peramalan menunjukkan bahwa hasil peramalan tersebut semakin konsisten.
2. Biaya. Besar kecilnya biaya dari membuat suatu peramalan dipengaruhi dari metode yang digunakan, jumlah entitas yang diramalkan dan lamanya periode peramalan.
3. Kemudahan. Keuntungan bagi perusahaan jika menggunakan metode peramalan yang mudah dibuat dan diaplikasikan
2.2. Single Exponential Smoothing (SES) Single Exponential Smoothing merupakan salah satu metode Exponential Smoothing yang hanya menggunakan nilai alpha (α) sebagai konstanta pemulusan. Nilai alpha berada pada rentang nilai 0 < α < 1 . Metode SES ini dapat diaplikasikan ketika data berpola horizontal atau dengan fluktuasi yang stabil (Romaita, et al., 2019). Berikut persamaan untuk metode SES pada Persamaan (1).
𝐹𝑡+1= 𝛼𝐴𝑡+ (1 − 𝛼 )𝐹𝑡 (1)
Keterangan :
𝐹𝑡 : Hasil peramalan sebelum 𝐹𝑡+1 : Hasil peramalan baru 𝐴𝑡 : Nilai data aktual sebelum 𝛼 : Konstanta penghalusan
2.3. Double Exponential Smoothing (DES) Double Exponential Smoothing (DES) menggunakan dua konstanta yaitu alpha (α) dan beta (β) dengan nilai alpha dilambangkan sebagai konstanta pemulusan standar dan beta sebagai konstanta pemulusan tren yang keduanya memiliki nilai yang berada diantara nilai 0 dan 1. Metode DES ini digunakan untuk meramalkan sesuatu dengan data yang memiliki pola tren baik naik maupun turun (Nurvianti, et al., 2019). Berikut persamaan untuk metode DES pada Persamaan (2) hingga (4).
𝑆𝑡= 𝛼𝐴𝑡+ (1 − 𝛼)(𝑆𝑡−1+ 𝑇𝑡−1) (2) 𝑇𝑡= 𝛽(𝑆𝑡− 𝑆𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (3) 𝐹𝑡+1= 𝑆𝑡+ 𝑇𝑡 (4)
Inisialisasi nilai awal pada nilai pemulusan standar (S1) dan nilai pemulisan tren (T1) ditunjukkan pada Persamaan (5) dan (6).
𝑆1= 𝐴1 (5)
𝑇1=(𝐴2−𝐴1)+(𝐴3−𝐴2)+(𝐴4−𝐴3)
3 (6)
Keterangan :
𝑆𝑡 : Nilai penghalusan standar disaat waktu ke-t (saat ini)
𝑆𝑡−1 : Nilai penghalusan standar sebelum 𝑇𝑡 : Nilai Penghalusan tren disaat waktu
ke-t (saat ini)
𝑇𝑡−1 : Nilai Penghalusan tren sebelum 𝐹𝑡 : Hasil peramalan baru
𝛼 : Konstanta penghalusan 𝛽 : Konstanta Tren
𝐴1 : Nilai data aktual ke -1
𝑆1 : Nilai Penghalusan Standar Awal 𝑇1 : Nilai Penghalusan Tren Awal
2.4. Triple Exponential Smoothing (TES) Metode Triple Exponential Smoothing menggunakan tiga konstanta yaitu alpha(α), beta (β) dan gamma(γ). Metode ini memiliki kemiripan dengan metode DES yang ditambahkan komponen musim (Nurviati, et al., 2019). Konstanta alpha merupakan konstanta penghalusan, konstanta beta adalah konstanta tren dan konstanta gamma adalah kontanta
musiman. Persamaan untuk metode TES ditunjukkan pada Persamaan (7) hingga (10).
𝑆𝑡= 𝛼(𝐴𝑡
𝐼𝑡−𝐿) + (1 − 𝛼)(𝑆𝑡−1+ 𝑇𝑡−1)(7) 𝑇𝑡= 𝛽(𝑆𝑡− 𝑆𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (8) 𝐼𝑡= 𝛾(𝐴𝑡
𝑆𝑡) + (1 − 𝛾)𝐼𝑡−𝐿 (9) 𝐹𝑡+𝑚 = (𝑆𝑡+ 𝑇𝑡. 𝑚)𝐼𝑡−𝐿+𝑚 (10)
Inisialisasi nilai pemulusan standar (SL), nilai pemulisan tren (TL) dan nilai pemulusan musiman (IL) ditunjukkan pada Persamaan (11) hingga (13).
𝑆𝐿=1
𝐿(𝑋1+ 𝑋2+ ⋯ + 𝑋𝐿) (11) 𝑇𝐿= [((𝑋𝐿+1+ 𝑋𝐿+2+ ⋯ + 𝑋𝐿+𝐿) − (𝑋1+ 𝑋2+
⋯ + 𝑋𝐿)]/𝐿2 (12)
𝐼𝑡=𝑋𝑡
𝑆𝑡, ( 𝑡 = 1 𝑠𝑎𝑚𝑝𝑎𝑖 𝐿) (13)
Keterangan :
𝐼𝑡 : Nilai penghalusan musiman saat t 𝐿 : Panjang musim (jumlah minggu
dalam satu bulan) 𝛼 : Konstanta penghalusan 𝛽 : Konstanta Tren
𝛾 : Konstanta Musiman
𝑚 : Jumlah periode yang akan diramalkan kedepan
𝑆𝑡 : Nilai penghalusan standar disaat waktu ke-t (saat ini)
𝑆𝑡−1 : Nilai penghalusan standar sebelum 𝑇𝑡 : Nilai Penghalusan tren disaat waktu ke-
t (saat ini)
𝑇𝑡−1 : Nilai Penghalusan tren sebelum 𝑋𝑡 : Data aktual ke - t
𝑋1 : Data aktual ke - 1
2.5. Mean Absolute Percentage Error (MAPE)
Mean Absolute Percentage Error (MAPE) merupakan salah satu dari banyak metode evaluasi yang sering digunakan untuk mengevaluasi tingkat kesalahan dari sebuah prediksi atau peramalan. MAPE melakukan perbandingan selisih antara hasil peramalan dengan hasil aktualnya. Persamaan MAPE dapat dilihat pada Persamaan (14).
𝑀𝐴𝑃𝐸 = 1
𝑛∑ (|𝑦𝑖−𝑦′𝑖|
𝑦𝑖 𝑥 100)
𝑛𝑖=1 (14)
Keterangan : 𝑛 : banyak data
𝑦𝑖 : nilai data aktual ke-i 𝑦′𝑖 : Nilai hasil peramalan ke-i
3. METODOLOGI 3.1. Data Penelitian
Data yang digunakan adalah data penjualan hijab Vie Hijab Store dari tiap minggunya yang dimulai dari Februari 2018 hingga Februari 2020. Data ini diambil dari penelitian yang sudah dilakukan oleh Putra pada tahun 2020 dengan judul “Prediksi Penjualan Hijab menggunakan Metode Extreme Learning Machine (ELM) (Studi Kasus: Vie Hijab Store)”.
3.2. Implementasi Algortime
Alur kerja yang dilakukan pada penelitian ini dimulai dengan memasukkan data penjualan hijab. Kemudian dilakukan proses peramalan atau forecasting menggunakan tiga metode exponential smoothing yang diantaranya adalah Single Exponential Smoothing (SES), Double Exponential Smoothing (DES) dan Triple Exponential Smoothing (TES). Kemudian dilanjutkan dengan proses pengujian untuk tiap nilai parameter pada masing-masing metode dan dilanjutkan dengan proses evaluasi untuk mengetahui tingkat kesalahan yang dihasilkan setelah melalui proses pengujian. Metode MAPE digunakan untuk mengukur tingkat kesalahan atau error rate yang akhirnya akan diketahui nilai parameter terbaik beserta metode yang menghasilkan tingkat kesalahan terkecil.
4. PENGUJIAN DAN ANALISIS
Pada tahap pengujian dilakukan dengan menguji nilai parameter dari masing-masing metode terhadap masing-masing sampel data yang telah ditentukan. Sampel data yang diambil berdasarkan waktu-waktu tertentu yang memiliki keadaan terjadinya kenaikan maupun penurunan yang signifikan seperti pada periode waktu bulan Ramadan maupun bulan Haji.
Sebagai contoh pengujian dengan menguji salah
satu sampel data periode kenaikan IV yang merepresentasikan keadaan terjadinya kenaikan di bulan Haji tahun kedua yang didapatkan dari dataset.
4.1. Pengujian Nilai Parameter untuk Metode SES
Pada pengujian metode SES dilakukan pengujian terhadap nilai alpha yang digunakan terhadap sampel data uji periode kenaikan IV.
Pengujian dilakukan dengan menguji nilai alpha dalam rentang antara 0 dan 1. Berikut ini hasil pengujian alpha pada masing-masing kategori produk yang dipaparkan pada Tabel 1 dan Tabel 2.
Tabel 1 Hasil pengujian nilai alpha untuk produk Khimar
𝜶 MAPE
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
27,07 27,85 27,46 25,85 23,68 21,44 20,44 19,74 19,15
Tabel 2 Hasil pengujian nilai alpha untuk produk Pashmina
𝜶 MAPE
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
19,28 18,47 18,05 17,26 16,26 15,27 14,41 14,13 14,17
Dari kedua tabel di atas, bisa dilihat untuk produk khimar dengan nilai alpha sebesar 0,9 menghasilkan nilai MAPE terendah untuk produk khimar sebesar 19.15% dan untuk produk pashmina dengan nilai alpha sebesar 0,8 menghasilkan nilai MAPE sebesar 14,13%.
Berdasarkan hasil pengujian terhadap sampel data periode kenaikan IV pada masing-masing produk, terlihat pada pengujian untuk produk khimar, penggunaan nilai alpha yang lebih besar memberikan tingkat kesalahan yang lebih kecil walaupun sempat terjadi kenaikan pada saat nilai alpha adalah 0,2. Begitu pula pada pengujian untuk produk pashmina yang terlihat semakin
kecilnya tingkat kesalahan seiring dengan besarnya nilai alpha hingga nilai alpha sebesar 0,8 walaupun sempat terjadi kenaikan pada saat nilai alpha sebesar 0,9. Berikut ini Gambar 1 yang merupakah grafik hasil pengujian nilai alpha dari kedua kategori produk.
Gambar 1 Grafik Pengujian Nilai Alpha
4.2. Pengujian Nilai Parameter untuk Metode DES
Pada metode DES terdapat dua nilai parameter yaitu nilai alpha dan beta terhadap sampel data uji periode kenaikan IV. Tahapan pengujian yang dilakukan adalah menguji masing-masing nilai alpha dan beta untuk dicari kombinasi terbaik yang menghasilkan tingkat kesalahan yang paling kecil dalam rentang 0,1 hingga 0,9. Pada pengujian ini, sebagai contoh pada produk khimar didapatkan kombinasi terbaik nilai alpha dan beta sebesar alpha = 0,9 dan beta = 0,8 dengan nilai MAPE sebesar 13.02%. Berikut ini merupakan tampilan grafik hasil pengujian nilai alpha dan beta yang ditunjukan pada Gambar 2.
Gambar 2 Grafik Hasil Pengujian Nilai Alpha dan Beta untuk Produk Khimar
Pada Gambar 2 dengan contoh produk khimar, terlihat perubahan tingkat kesalahan pada grafik yang menunjukan bahwa pengujian nilai alpha terhadap nilai beta sama dengan 0,8
0 10 20 30
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MAPE (%)
Nilai Parameter
Pengujian Nilai Alpha Terhadap Data Periode Kenaikan IV
Khimar Pashmina
0 20 40 60
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MAPE (%)
Nilai Parameter
Pengujian Nilai Alpha dan Nilai Beta Terhadap Data Uji Periode Kenaikan
IV (Khimar)
a terhadap b = 0,8 b terhadap a = 0,9
menghasilkan pola grafik menurun yang sangat signifikan bersamaan dengan semakin besarnya nilai alpha yang digunakan dan nilai alpha 0,9 menjadi titik terendah. Sedangkan untuk pengujian nilai beta terhadap nilai alpha sama dengan 0,9, terlihat terjadi sedikit kenaikan ketika nilai beta adalah 0,2 yang kemudian dilanjutkan dengan terjadinya penurunan yang landai hingga nilai beta adalah 0,8 sebagai titik terendah dalam grafik dan diakhiri dengan kenaikan yang sangat kecil pada saat nilai beta adalah 0,9.
Kemudian pada hasil pengujian terhadap produk pashmina, didapatkan kombinasi terbaik yang menghasilkan nilai MAPE 11,57% ketika nilai alpha sama dengan 0,5 dan nilai beta sama dengan 0,9. Pengujian nilai alpha terhadap nilai beta sama dengan 0,9, terlihat terjadi kenaikan pada saat nilai alpha adalah 0,2 yang kemudian secara signifikan mengalami penurunan hingga nilai alpha adalah 0,5 yang menjadi titik terendah dari grafik. Kemudian kembali terjadi kenaikan hingga nilai alpha adalah 0,9.
Kemudian pengujian nilai beta terhadap nilai alpha sama dengan 0,5, terlihat bahwa seiring besarnya nilai beta menunjukkan tingkat kesalahan menjadi lebih kecil hingga nilai beta sama dengan 0,9 yang menghasilkan tingkat kesalahan terkecil. Berikut ini hasil pengujian terhadap produk pashmina dijelaskan pada Gambar 3.
Gambar 3 Grafik Hasil Pengujian Nilai Alpha dan Beta untuk Produk Pashmina
4.3. Pengujian Nilai Parameter untuk Metode TES
Pada pengujian untuk metode TES terdapat tiga nilai parameter yang akan diuji berupa nilai alpha (α), nilai beta (β) dan nilai gamma (γ).
Sebagai contoh dibawah ini dilakukan pengujian terhadap data uji periode kenaikan IV. Fase pertama dilakukan dengan mencari nilai alpha
terbaik dari hasil pengujian nilai alpha terhadap nilai beta dan gamma yang dipasang senilai.
Setelah didapatkan nilai alpha terbaik, nilai alpha tersebut akan digunakan untuk proses pengujian nilai beta terhadap nilai gamma untuk mendapatkan nilai parameter terbaik.
Pada pengujian untuk produk khimar didapatkan nilai alpha terbaik sebesar 0,9 yang dihasilkan dari pengujian nilai alpha terhadap nilai beta dan nilai gamma yang senilai.
Kemudian dilanjutkan dengan membandingkan nilai beta terhadap nilai gamma dengan memanfaatkan nilai alpha terbaik yang telah ditemukan pada tahap sebelumnya. Hasil terbaik dengan nilai MAPE terkecil sebesar 11,47%
didapatkan ketika nilai beta adalah 0,9 dan nilai gamma adalah 0,1. Berikut ini Gambar 4 merupakan tampilan grafik hasil pengujian nilai beta terhadap nilai gamma dengan nilai alpha sama dengan 0,9 untuk Produk Khimar.
Gambar 4 Grafik Hasil Pengujian Nilai Beta terhadap Nilai Gamma untuk Produk Khimar
Pada Gambar 4 terlihat pada pengujian nilai beta terhadap nilai gamma sama dengan 0,1, bahwa sempat terjadi kenaikan hingga nilai beta adalah 0,4 yang kemudian terjadi penurunan hingga nilai beta adalah 0,9. Kemudian pada pengujian nilai gamma terhadap nilai beta sama dengan 0,9, terlihat terjadi kenaikan seiring dengan besarnya nilai gamma yang digunakan walaupun sedikit mengalami sedikit penurunan ketika nilal gamma adalah 0,9.
Pada pengujian untuk produk pashmina, didapatkan nilai alpha terbaik sebesar 0,4 yang dihasilkan dari pengujian nilai alpha terhadap nilai beta dan nilai gamma yang senilai.
Kemudian nilai alpha terbaik tersebut digunakan untuk pengujian nilai beta terhadap nilai gamma yang menghasilkan nilai MAPE terbaik sebesar
0 5 10 15 20 25 30
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MAPE (%)
Nilai Parameter Pengujian Nilai Alpha dan Nilai Beta Terhadap Data Uji Periode
Kenaikan IV (Pashmina)
a terhadap b = 0,9 b terhadap a = 0,5
0 5 10 15 20
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MAPE (%)
Nilai Parameter Pengujian Nilai Beta dan Gamma dengan Alpha = 0,9 Terhadap Data
Uji Periode Kenaikan IV (Khimar)
b terhadap g = 0,1 g terhadap b = 0,9
9,22% pada saat kombinasi nilai beta sama dengan 0,9 dan nilai gamma sama dengan 0,8.
Berikut ini Gambar 5 yang menampilkan grafik hasil pengujian nilai beta dan gamma dengan nilai alpha 0,4.
Gambar 5 Grafik Hasil Pengujian Nilai Beta terhadap Nilai Gamma untuk Produk Pashmina
Gambar 5 menunjukkan grafik hasil pengujian nilai beta dan gamma. Pada pengujian nilai beta terhadap nilai gamma sama dengan 0,8 terlihat bahwa sempat terjadi sedikit penurunan pada saat nilai beta adalah 0,2 yang dilanjutkan sedikit kenaikan hingga nilai beta adalah 0,4.
Kemudian dilanjutkan dengan penurunan bersamaan dengan besarnya nilai beta yang digunakan yang menjadikan titik terendah pada grafik terjadi saat nilai beta adalah 0,9. Pada pengujian nilai gamma terhadap nilai beta sama dengan 0,9, terlihat bahwa terjadi sedikit penurunan pada saat nilai gamma adalah 0,2 dan sedikit kenaikan pada saat nilai gamma adalah 0,3. Kemudian terjadi penurunan hingga nilai gamma adalah 0,8 yang menjadi titik terendah dari grafik dan diakhiri dengan kenaikan ketika nilai gamma adalah 0,9.
4.4. Perbandingan
Setelah semua metode diuji, dilanjutkan ke tahap perbandingan hasil peramalan terhadap ketiga metode exponential smoothing. Berikut ini Tabel 3 merupakan uraian nilai MAPE dari hasil peramalan terhadap ketiga metode tersebut di semua produk terhadap data uji periode kenaikan IV.
Tabel 3 Nilai MAPE dari Hasil Pengujian Ketiga Metode Terhadap Data Uji Periode Kenaikan IV
Produk Nilai MAPE (%)
SES DES TES
Khimar 19,15 13,02 11,47
Pashmina 14.13 11,57 9,22
Terlihat pada Tabel 3 bahwa nilai MAPE yang dihasilkan dari masing-masing pengujian ditiap metode berbeda-beda. Hal ini disebabkan karena keadaan data sebelumnya yang berbeda- beda, sehingga mempengaruhi tingkat kesalahan yang didapat. Secara keseluruhan dari tabel tersebut terlihat bahwa tingkat kesalahan terkecil didapat dari pengujian dengan menggunakan menggunakan metode TES, baik untuk produk khimar maupun pashmina. Sehingga dapat disimpulkan bahwa metode Triple Exponential Smoothing terpilih menjadi metode terbaik untuk permasalahan pada penelitian ini.
5. KESIMPULAN
Pada metode SES, nilai parameter terbaik yang menghasilkan tingkat kesalahan terkecil pada pengujian terhadap sampel data uji periode kenaikan IV, untuk produk khimar dengan nilai alpha = 0,9 yang menghasilkan nilai MAPE 19,15% dan untuk produk pashmina dengan nilai alpha = 0,8 yang menghasilkan nilai MAPE 14,13%.
Pada metode DES, kombinasi nilai parameter nilai alpha dan beta terbaik untuk menghasil tingkat kesalahan terkecil pada pengujian terhadap sampel data uji periode kenaikan IV, untuk produk khimar dengan kombinasi nilai alpha = 0,9 dan beta 0,8 yang menghasilkan nilai MAPE 13,02%. Kemudian untuk produk pashmina dengan kombinasi nilai alpha = 0,5 dan beta = 0,9 yang menghasilkan nilai MAPE 11,57%.
Pada metode TES, kombinasi nilai alpha, beta dan gamma terbaik yang menghasilkan tingkat kesalahan terkecil pada pengujian terhadap sampel data uji periode kenaikan IV, untuk produk khimar dengan kombinasi nilai alpha = 0.9, beta = 0.9 dan gamma = 0.1 yang menghasilkan nilai MAPE 11,47%. Kemudian untuk produk pashmina dengan kombinasi nilai alpha = 0,4, beta = 0,9 dan gamma = 0,8 yang menghasilkan nilai MAPE 9,22%.
Berdasarkan hasil nilai MAPE dari semua pengujian terhadap sampel data uji periode kenaikan IV untuk ketiga metode Exponential Smoothing terlihat berbeda-beda yang hal ini disebabkan keadaan data sebelumnya yang berbeda-beda pula, sehingga mempengaruhi nilai MAPE yang dihasilkan. Berdasarkan pengujian-pengujian yang telah dilakukan, mayoritas pengujian dengan menggunakan
0 5 10 15 20
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9
MAPE (%)
Nilai Parameter Pengujian Nilai Beta dan Gamma dengan Alpha = 0,4 Terhadap Data Uji Periode Kenaikan IV (Pashmina)
b terhadap g = 0,8 g terhadap b = 0,9
metode TES menghasilkan nilai MAPE terkecil atau memiliki tingkat kesalahan terkecil. Oleh karena itu, metode yang terbaik untuk permasalahan peramalan jumlah penjualan hijab adalah metode Triple Exponential Smoothing.
DAFTAR PUSTAKA
Alfarisi, S., 2020. Sistem Prediksi Penjualan Gamis Toko Qitaz menggunakan metode Single Exponential Smoothing. Journal of Applied Business and Economic, 4(1), pp.80-95
Fani, E., Widjajati, F. A. & Soehardjoepri, 2017.
Perbandingan Metode Winter Eksponensial Smoothing dan Metode Event Based untuk Menentukan Penjualan Produk Terbaik di Perusahaan X. Jurnal Sains dan Seni ITS, 6(1), pp.2337-3520 Saputro, A. & Purwanggono, B. 2016.
Peramalan Perencanaan Produksi Semen dengan Metode Exponential Smoothing pada PT. Semen Indonesia. Industrial Engineering Online Journal, 5(4)
Nurvianti, I., Setiawan, B. D. & Bachtiar, F. A., 2019. Perbandingan Peramalan Jumlah Penumpang Keberangkatan Kereta Api di DKI Jakarta Menggunakan Metode Double Exponential Smoothing dan Triple Exponential Smoothing. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(6), pp. 5257-5263 Putra, K. N. D., Furqon, M. T. & Yudistira N.,
2020. Prediksi Penjualan Hijab menggunakan Metode Extreme Learning Machine (ELM) (Studi Kasus: Vie Hijab Store). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 4(6), pp.1750-1757
Romaita, D., Bachtiar, F. A. & Furqon, M. T., 2019. Perbandingan Metode Exponential Smoothing Untuk Peramalan Penjualan Produk Olahan Daging Ayam Kampung (Studi Kasus : Ayam Goreng Mama Arka). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3 (11), pp.10384-10392
Setiawan, W., Juniati, E. and Farida, I., 2016, October. The use of Triple Exponential Smoothing Method (Winter) in forecasting passenger of PT Kereta Api Indonesia with optimization alpha, beta,
and gamma parameters. In 2016 2nd International Conference on Science in Information Technology (ICSITech) (pp.
198-202). IEEE.
