Prediksi Penjualan Roti Menggunakan Metode Exponential Smoothing (Studi Kasus : Harum Bakery)

Fakultas Ilmu Komputer

Prediksi Penjualan Roti Menggunakan Metode Exponential Smoothing (Studi Kasus : Harum Bakery)

Reyhan Dzickrillah Laksmana¹, Edy Santoso², Bayu Rahayudi³

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: ¹laksmanareyhan@gmail.com, ²edy144 @ub.ac.id, ³ubay1@ub.ac.id

Abstrak

Roti merupakan makanan yang sangat populer dikehidupan masyarakat dan perkembanganya juga begitu pesat. Roti sekarang sudah menjadi bagian dari kehidupan sehari-hari dan sudah menjadi makanan pokok manusia. Industri roti yang terus berkembang membuat perusahaan roti melakukan sebuah inovasi produk dan strategi penjualan yang tepat. Menjadi sebuah tantangan bagi Harum Bakery agar mampu mendapatkan hasil yang maksimal dan tidak mengalami kerugian. Prediksi dalam penelitian ini menggunakan metode Exponential Smoothing. Exponential Smoothing merupakan metode yang melakukan perbaikan nilai dengan cara mengambil nilai prediksi sebelumnya yang dilakukan secara terus menerus dan sesuai runtut waktu. Prediksi pada penelitian ini dilakukan menggunakan tiga metode Exponential Smoothing, yaitu Single Exponential Smoothing, Double Exponential Smoothing, dan Triple Exponential Smoothing. Evaluasi hasil prediksi dilakukan dengan menghitung nilai rata-rata error menggunakan metode Mean Absolute Percentage Error (MAPE).

MAPE terkecil metode Single Exponential Smoothing didapatkan pada saat nilai α = 0,1 dengan nilai MAPE sebesar 27,4039%, MAPE terkecil metode Double Exponential Smoothing didapatkan pada saat nilai α = 0,1 dengan nilai MAPE sebesar 25,124%, dan MAPE terkecil metode Triple Exponential Smoothing didapatkan pada saat nilai α = 0,1, β = 0,1, dan γ = 0,4 dengan nilai MAPE sebesar 25,303%. Dapat disimpulkan bahwa metode Double Exponential smoothing memiliki akurasi yang lebih baik dibandingkan dengan metode Single Exponential Smoothing dan Triple Exponential Smoothing pada Prediksi Penjualan Roti Studi Kasus Harum Bakery.

Kata kunci : Prediksi, Penjualan Roti, Harum Bakery, Exponential Smoothing, Single Exponential Smoothing, Double Exponential Smoothing, Triple Exponential Smoothing, Mean Absolute Percentage Error (MAPE)

Abstract

Bread is a very widely known in the community and the invention in its technology was also very rapidly growing. Bread has now become part of everyday life and become staple human food. The bakery industry is constantly evolving to make bread companies do a product innovation and the right sales strategy. That is becomes a challenge for Harum Bakery to get maximum profit and suffered no losses. The predictions in this research use Exponential Smoothing method. Exponential Smoothing is a method that continuously performs forecasting improvements by taking the average value of smoothing past values from time expanding data in exponential way. In this research, prediction were performed using three Exponential Smoothing method which is, Single Exponential Smoothing, Double Exponential Smoothing, and Triple Exponential Smoothing. This method was evaluated by calculating average error rate using Mean Absolute Percentage Error (MAPE) method. The smallest MAPE for Single Exponential Smoothing method when value of α parameter’s is 0,1 with MAPE value 27,4039%, for Double Exponential Smoothing method when value of α parameter’s is 0,1 with MAPE value 25,124% , and for Triple Exponential Smoothing method when value of α parameter’s is 0,1, β parameters is 0,1 and γ parameters is 0,4 with MAPE value 25,303%. So the concluded is the Double Exponential Smoothing has better accuracy than Single Exponential Smoothing and Triple Exponential Smoothing on Bread Sales Prediction Case Study of Harum Bakery.

Keywords : Prediction, Bread Sales, Harum Bakery, Exponential Smoothing, Single Exponential Smoothing, Double Exponential Smoothing, Triple Exponential Smoothing, Mean Absolute Percentage Error (MAPE)

1. PENDAHULUAN

Seiring perkembangan zaman saat ini, perkembangan ilmu teknologi sangatlah cepat dan pesat. Sehingga mampu membantu pekerjaan manusia. Salah satu yang berkaitan dengan penelitian ini yaitu dalam bidang usaha dan bisnis. Dalam menjalankan sebuah usaha owner membutuhkan teknologi untuk membantu mensukseskan usahanya baik itu pada bagian publikasi, produksi, dan penjualan.

Pada saat ini roti merupakan makanan yang tidak asing lagi di kalangan masyarakat dan perkembanganya begitu pesat. Tidak heran lagi jika roti sekarang sudah menjadi bagian dari kehidupan kita sehari-hari, bahkan roti juga sudah menjadi menu utama untuk pengganti sarapan karena didalam roti terkandung banyak vitamin. Roti saat ini juga sangat mudah untuk didapatkan, karena sudah banyak pengusaha yang membuka industri roti (Lucky, 2015).

Industri roti atau bakery merupakan salah satu jenis industri yang bergerak dalam bidang makanan dan minuman. Di Indonesia ada tiga jenis industri roti yaitu: industri roti rumahan (home industry), industri roti masal (industrial), dan industri Boutique Bakery (Halomoan, 2007).

Harum Bakery merupakan sebuah toko roti yang memproduksi roti dengan menggunakan bahan-bahan pilihan yang terbaik dan tanpa menggunakan bahan pengawet. Permasalahan yang sering terjadi adalah perusahaan masih mengalami kesulitan untuk memprediksi permintaan konsumen. Pembuatan roti yang tidak menggunakan bahan pengawet membuat roti tidak bisa bertahan lama, sehingga roti ketika penjualan tidak habis roti harus dibuang, hal ini menyebabkan terjadinya pemborosan bahan baku. Permintaan yang tidak pasti juga mengakibatkan cara bekerja yang tidak efisien.

Oleh karena itu, prediksi penjualan roti ini cukup penting bagi perusahaan roti Harum Bakery untuk memprediksi berapa penjualan roti di hari berikutnya, sehingga perusahaan bisa mengestimasikan berapa bahan baku yang dibutuhkan tanpa harus memakan waktu, tenaga, dan biaya tambahan lainya dan juga untuk menambah pemasukan secara optimal.

Exponential Smoothing merupakan sebuah metode yang melakukan perbaikan nilai secara terus menerus dengan cara mengambil nilai prediksi sebelumnya yang dilakukan secara terus menerus dan sesuai runtut waktu. Metode

Exponential Smoothing memiliki analisis deret waktu, selain itu juga memberikan nilai penghalusan dari waktu sebelumnya yang nantinya akan digunakan untuk memprediksi nilai yang ada di masa depan. (Trihendra, 2005).

Penelitian sebelumnya yang dilakukan oleh Sukmarani mengenai penerapan metode Exponential Smoothing pada peramalan penjualan dalam penentuan kuantitas produksi roti memperoleh hasil MSE terkecil alpha 0,2 sebesar 586,74 dan memiliki tingkat keakuratan sebesar 68,852% dengan data latih yang digunakan adalah selama 2 minggu penjualan roti (Sukmarani, 2016).

Sehingga penelitian ini merancang sebuah prediksi dengan menggabungkan antara obyek penelitian prediksi penjualan dan metode Exponential Smoothing untuk memprediksi penjualan roti (studi kasus: Harum Bakery).yang diharapkan dapat membantu perusahaan untuk melakukan proses prediksi penjualan roti, sehingga perusahaan dapat meminimalisir kerugian dan mengoptimalkan keuntunganya.

2. LANDASAN KEPUSTAKAAN 2.1 Toko Roti (Bakery)

Kata Toko Roti dalam bahasa Inggris dikenal dengan sebutan Bakery. Ada beberapa jenis roti yang biasa dijual pada sebuah perusahaan Bakery yaitu roti manis, roti tawar, dan roti cake. Bakery dapat dibagi menjadi beberapa produk makanan yang akan dijual, yaitu bakery tradisional, bakery pastry, bakery individual, dan franchise bakery (Purba, 2010).

2.2 Prediksi

Prediksi merupakan suatu proses untuk meramalkan atau memperkirakan suatu variabel di masa yang akan dating. Prediksi sendiri terbagi atas 3 bagian, yaitu prediksi jangka panjang, jangka menengah dan panjang jangka pendek. Prediksi jangka pendek merupakan prediksi yang dilakukan dengan memperhatikan pola data, dan membutuhkan jangka waktu yang pendek terhadap perubahan berdasarkan faktor-faktor yang membentuk pola data.

Sedangkan prediksi jangka menengah dan jangka panjang digunakan untuk perencanaan strategis. Prediksi jangka menengah membantu untuk menyiapkan ekspansi dan mengantisipasi kebutuhan. Prediksi jangka panjang berfungsi untuk menjamin ketersediaan kebutuhan di

masa depan (Maté, et al., 2016).

2.3 Mean Absolute Percent Error (MAPE) MAPE merupakan metode yang dapat digunakan untuk mengukur tingkat akurasi.

MAPE merupakan ukuran ketetapan relatif berdasarkan nilai absolut yang digunakan untuk mengetahui persentase penyimpangan hasil prediksi dengan data aktual. MAPE dipilih untuk pengujian akurasi karena dapat memberikan hasil yang relatif akurat (Nugroho

& Purqon, 2015). Nilai MAPE bisa dapat dicari dengan menggunakan rumus pada persamaan (1).

𝑀𝐴𝑃𝐸 = ¹

𝑛∑ |^{𝑦′𝑖−𝑦𝑖}

𝑦_𝑖 | 𝑥100

𝑛𝑖−1 (1)

𝑛 = Jumlah data

𝑦′𝑖 = Hasil prediksi pada indeks ke-i 𝑦_𝑖 = Nilai aktual pada indeks ke-i

2.4 Algoritme Metode Single Exponential Smoothing

Metode pemulusan Exponential Tunggal (Single Exponential Smoothing) memiliki ciri- ciri posisi data yang naik turun di sekitar nilai rata-ratanya yang tetap, tidak memiliki trend atau pola pertumbuhan konsisten (Makridakis, 1999). Nilai peramalan dapat dicari dengan menggunakan rumus pada persamaan (2).

𝑆_𝑡 = 𝛼 𝑋_𝑡+ (1 − 𝛼)𝐹_𝑡−1 (2) dimana:

𝑆_𝑡 = Peramalan untuk periode t.

𝑋𝑡 = Nilai aktual pada waktu ke-t 𝐹_𝑡−1 = Peramalan pada waktu t-1

α = Parameter Exponential dengan nilai antara 0 – 1

2.5 Algoritme Metode Double Exponential Smoothing

Metode yang dikembangkan oleh Brown’s digunakan untuk menangani adanya perbedaan yang ada pada data aktual dan nilai prediksi dalam kondisi adanya trend pada perubahan datanya. Dasar pemikiran dari Brown’s hampir sama dengan metode pemulusan (Linier Moving Average), karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data aktual. Untuk menghitung nilai prediksi pada metode ini dapat digunakan persamaan (3) – (7).

𝑆′_𝑡 = 𝛼𝑋_𝑡+ (1 − 𝛼)𝑆′_𝑡−1 (3) 𝑆′′_𝑡 = 𝛼𝑆′_𝑡+ (1 − 𝛼)𝑆′′_𝑡−1 (4)

𝑎𝑇 = 𝑆′_𝑡+ (𝑆^′_𝑡− 𝑆′′_𝑡) (5) 𝑏𝑇 = ^𝛼

1−𝛼(𝑆^′_𝑡− 𝑆′′_𝑡) (6) 𝐹_(𝑡+𝑚)= 𝑎𝑇 + 𝑏𝑇𝑚 (7) dimana :

𝑆′_𝑡 = Nilai pemulusan tunggal pada waktu ke-t

𝑆′′_𝑡 = Nilai pemulusan ganda pada waktu ke-t

𝑋_𝑡 = Data aktual pada waktu ke-t 𝑎𝑇, 𝑏𝑇 = Konstanta pemulusan 𝐹_(𝑡+𝑚) = Hasil peramalan

𝑚 = Periode masa mendatang

α = Parameter Exponential dengan nilai antara 0 – 1

2.6 Algoritme Metode Triple Exponential Smoothing

Metode Triple Exponential Smoothing merupakan metode pemulusan eksponensial yang melakukan pendekatan trend atau musiman (Holt, 2004). Metode ini didasarkan atas tiga persamaan, yaitu stasioner, trend dan musiman, yang dirumuskan pada persamaan (8) – (11).

𝑆𝑡 = 𝑎 ^𝑋𝑡

𝑖𝑡−𝐿+ (1 − 𝑎)(𝑆_𝑡−1+ 𝑇_𝑡−1) (8) 𝑇𝑡 = 𝛽(𝑆_𝑡+ 𝑆_𝑡−1) + (1 − 𝛽)𝑇_𝑡−1 (9) 𝑆𝑁𝑡 = 𝛾(^𝑋𝑡

𝑆𝑡) + (1 − 𝛾)𝐼𝑡−𝐿 (10) 𝐹𝑡 = (𝑆𝑡−1+ 𝑇𝑡−1) × 𝑆𝑁𝑡 − 1 (11) dimana:

𝑆_𝑡 = Nilai pemulusan keseluruhan 𝑋𝑡 = Data aktual pada waktu ke-t 𝑇𝑡 = Pemulusan musiman 𝑚 = Periode masa mendatang

α,β,γ = Parameter dengan nilai antara 0 & 1 𝑆𝑁_𝑡 = Pemulusan trend

𝐹(𝑡+𝑚) = Nilai ramalan

3. METODOLOGI PENELITIAN

Metodologi penelitian memberikan penjelasan tahapan penelitian secara umum, adapun tahapannya terdiri atas studi pustaka, analisis kebutuhan sistem, pengumpulan data, perancangan sistem, implementasi sistem, pengujian sistem dan penarikan kesimpulan.

Tahapan penelitian tersebut ditampilkan pada Gambar 1

Gambar 1 Tahapan Penelitian Tahap awal dilakukan pembelajaran tentang penunjang dasar teori yang akan diterapkan pada penelitian ini. Analisis kebutuhan sistem dilakukan untuk memenuhi kebutuhan yang diperlukan pada penelitian ini. Pada penelitian ini pengumpulan data dilakukan dengan cara wawancara langsung dengan pemilik Harum Bakery. Data yang digunakan adalah data penjualan roti perhari dari bulan September 2017 hingga bulan Januari 2018, sehingga terkumpul data sebanyak 153 data penjualan roti. Perancangan sistem dilakukan untuk acuan masukan dan keluaran sistem secara garis besar.

4. PERANCANGAN

4.1 Proses Perhitungan Single Exponential Smoothing

Proses perhitungan Single Exponential Smoothing ditunjukan pada Gambar 2 yang merujuk pada Persamaan (2).

4.2 Proses Perhitungan Double Exponential Smoothing

Proses perhitungan Double Exponential Smoothing ditunjukan pada Gambar 3 yang merujuk pada Persamaan (3)-(7).

Gambar 2 Proses Perhitungan Single Exponential Smoothing

i

Gambar 3 Proses Perhitungan Double Exponential Smoothing

Proses inisialisasi awal Double Exponential Smoothing ditunjukan pada Gambar 4 yang merujuk pada persamaan(3)-(6)

Gambar 4 Proses Inisialisasi Double Exponential Smoothing

4.3 Proses Perhitungan Triple Exponential Smoothing

Proses perhitungan Triple Exponential Smoothing ditunjukan pada Gambar 5 yang merujuk pada Persamaan (8)-(11)

Proses inisialisasi Triple Exponential Smoothing ditunjukan pada Gambar 6 yang merujuk pada Persamaan (8)-(10)

4.4 Proses Perhitungan Mean Absolute Percentage Error (MAPE)

Proses perhitungan MAPE akan ditampilkan pada Gambar 7 yang merujuk pada Persamaan (1)

Langkah langkah untuk menghitung MAPE adalah sebagai berikut:

1. Memasukan Memasukan data aktual dan hasil prediksi

2. Untuk setiap data, akan dihitung persentase selisihnya, dengan cara menghitung selisih absolut antara data aktual dan data hasil prediksi lalu dibagikan dengan data aktual, setelah itu dikalikan 100.

3. Hitung nilai MAPE dengan cara menjumlahkan seluruh nilai persentase selisih.

Gambar 5 Proses Perhitungan Triple Exponential Smoothing

Gambar 6 Proses Inisialisasi Triple Exponential Smoothing

Gambar 7 Proses Perhitungan Mean Absolute Percentage Error (MAPE)

5. HASIL DAN PEMBAHASAN 5.1 Pengujian Pengaruh Nilai Parameter Single Exponential Smoothing

Pada pengujian metode Single Exponential Smoothing nilai parameter yang digunakan adalah nilai α. Nilai-nilai α diantaranya 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Pengujian pengaruh nilai α dilakukan untuk mengatahui pengaruh nilai α terhadap nilai error kesalahn prediksi ketika nilai parameter tersebut dirubah.

Pengujian dilakukan dengan cara membandingkan nilai prediksi dengan nilai data aktual. Hasil pengujian ditunjukan pada Gambar 8

Gambar 8 Grafik Hasil Prediksi Single Exponential Smoothing

Dari hasil perhitungan Single Exponential Smoothing yang sudah dilakukan terlihat nilai α

= 0,1 memiliki tingkat kesesuaian paling tinggi dengan nilai aktual.

5.2 Pengujian Pengaruh Nilai Parameter Double Exponential Smoothing

Pada pengujian metode Double Exponential Smoothing nilai parameter yang digunakan adalah nilai α. Nilai-nilai α diantaranya 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Pengujian pengaruh nilai α dilakukan untuk mengatahui pengaruh nilai α terhadap nilai error kesalahan prediksi ketika nilai parameter tersebut dirubah.

Pengujian dilakukan dengan cara membandingkan nilai prediksi dengan nilai data aktual. Hasil pengujian ditunjukan pada Gambar 9

Gambar 9 Grafik Hasil Prediksi Double Exponential Smoothing

Dari hasil perhitungan Double Exponential Smoothing yang sudah dilakukan terlihat semakin tinggi nilai α maka nilai prediksi semakin naik menjauhi nilai aktualnya.

5.3 Pengujian Pengaruh Nilai Parameter Triple Exponential Smoothing

Pada pengujian metode Triple Exponential Smoothing nilai parameter yang digunakan adalah nilai α, β dan γ. Nilai-nilai α, β dan γ diantaranya 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, dan 0.9. Pengujian dilakukan dengan menggunakan dua parameter yaitu α dan β, yang nilainya default (0,1) dan nilai parameter γ yang berubah-ubah yaitu γ = 0,1 hingga γ = 0,9.

Pengujian pengaruh nilai α, β dan γ dilakukan untuk mengatahui pengaruh nilai α, β dan γ terhadap nilai error kesalahan prediksi ketika nilai parameter tersebut dirubah. Pengujian dilakukan dengan cara membandingkan nilai prediksi dengan nilai data aktual. Hasil pengujian ditunjukan pada Gambar 10

Dari hasil perhitungan Triple Exponential Smoothing yang sudah dilakukan terlihat cukup banyak selisih dari nilai prediksi dan nilai aktualnya, hal ini disebabkan karena nilai inisialisasi awal yang kurang bagus dan jarak data pertama dengan data selanjutnya yang

cukup jauh, sehingga membuat nilai inisialisasi awal yang kurang bagus yang berdampak pada hasil prediksi.

Gambar 10 Grafik Hasil Prediksi Single Exponential Smoothing

5.3 Pengujian MAPE Single Exponential Smoothing

Pengujian MAPE Single Exponential Smoothing dilakukan dengan cara menghitung selisih nilai hasil prediksi dengan nilai data aktual. MAPE dihitung dengan rata-rata diferensasi absolut antara nilai prediksi dan nilai aktual. Hasil pengujian MAPE Single Exponential Smoothing ditunjukan pada Tabel 1 Tabel 1 MAPE Single Exponential Smoothing

ALPHA TOTAL MAPE

0,1 27,4039

0,2 29,1226

0,3 30,7357

0,4 31,994

0,5 33,0047

0,6 33,8498

0,7 34,8327

0,8 36,1288

0,9 37,4014

Pada pengujian MAPE Single Exponential Smoothing, didapatkan MAPE terkecil pada saat α = 0.1 dengan nilai MAPE sebesar 27,4039 dan MAPE terbesar pada saat α = 0.9 dengan nilai MAPE sebesar 37,4014. Nilai parameter terbaik untuk prediksi menggunakan Single Exponential Smoothing adalah pada saat α = 0.1.

5.3 Pengujian MAPE Double Exponential Smoothing

Pengujian MAPE Double Exponential Smoothing dilakukan dengan cara menghitung

selisih nilai hasil prediksi dengan nilai data aktual. MAPE dihitung dengan rata-rata diferensasi absolut antara nilai prediksi dan nilai aktual. Hasil pengujian MAPE Double Exponential Smoothing ditunjukan pada Tabel 2 Tabel 2 MAPE Double Exponential Smoothing

ALPHA TOTAL MAPE

0,1 25,205

0,2 39,773

0,3 47,451

0,4 33,902

0,5 25,124

0,6 40,636

0,7 81,309

0,8 137,015

0,9 220,549

Pada pengujian MAPE Double Exponential Smoothing, didapatkan MAPE terkecil pada saat α = 0.5 dengan nilai MAPE sebesar 25,124 dan MAPE terbesar pada saat α = 0.9 dengan nilai MAPE sebesar 220,549. Nilai parameter terbaik untuk prediksi menggunakan Double Exponential Smoothing adalah pada saat α = 0.5.

5.3 Pengujian MAPE Triple Exponential Smoothing

Pengujian MAPE Triple Exponential Smoothing dilakukan dengan cara menghitung selisih nilai hasil prediksi dengan nilai data aktual. MAPE dihitung dengan rata-rata diferensasi absolut antara nilai prediksi dan nilai aktual. Pengujian MAPE Triple Exponential Smoothing dilakukan sebanyak tiga kali. Pertama pengujian dilakukan dengan menggunakan nilai α yang berubah-ubah dan nilai β & γ default (0,1). Kedua, pengujian dilakukan dengan menggunakan nilai α dengan MAPE terbaik, nilai β yang berubah-ubah dan nilai γ default (0,1). Ketiga pengujian dilakukan dengan menggunakan nilai α & β dengan MAPE terbaik dan nilai γ yang berubah-ubah.

Hasil pengujian MAPE Triple Exponential Smoothing dapat dilihat pada Tabel 3, Tabel 4, dan Tabel 5.

Pada pengujian MAPE Triple Exponential Smoothing dilakukan perubahan pada nilai parameter α, β, dan γ untuk mengetahui pengaruh parameter terhadap nilai yang

dihasilkan. MAPE terkecil didapatkan pada saat α=0,1, β=0,1 dan γ=0,4, yaitu dengan nilai MAPE sebesar 25,303, dan MAPE terbesar didapatkan pada saat α=0,6, β=0,5 dan γ=0,9, yaitu dengan nilai MAPE sebesar 195,625.

Nilai parameter terbaik untuk prediksi menggunakan Triple Exponential Smoothing adalah pada saat α=0,1, β=0,1 dan γ=0,4.

Tabel 3 MAPE nilai α Triple Exponential Smoothing

ALPHA TOTAL MAPE

0,1 30,402

0,2 53,515

0,3 71,061

0,4 81,392

0,5 86,752

0,6 87,889

0,7 85,726

0,8 80,713

0,9 72,384

Tabel 4 MAPE nilai β Triple Exponential Smoothing

BETTA TOTAL MAPE

0,1 30,402

0,2 43,729

0,3 95,769

0,4 138,376

0,5 140,091

0,6 135,173

0,7 135,420

0,8 130,120

0,9 88,246

Tabel 5 MAPE nilai γ Triple Exponential Smoothing

GAMMA TOTAL MAPE

0,1 30,402

0,2 27,890

0,3 26,117

0,4 25,303

0,5 25,522

0,6 26,157

0,7 27,324

0,8 29,244

0,9 32,008

5.3 Perbandingan Hasil Prediksi

Dari hasil penelitian diatas, dapat dilihat bahwa metode Single Exponential Smoothing memiliki akurasi yang lebih baik dari pada metode Double Exponential Smoothing dan Triple Exponential Smoothing. Hal ini dapat dilihat dari ketiga metode Exponential Smoothing yang menggunakan nilai parameter terbaik untuk melakukan prediksi. Single Exponential Smoothing menggunakan nilai α = 0,1, Double Exponential Smoothing menggunakan nilai α = 0,5 dan Triple Exponential Smoothing menggunakan nilai α=0,1, β=0,1 dan γ=0,4. Perbandingan hasil prediksi ditunjukan pada Gambar 11

Gambar 11 Grafik Perbandingan Hasil Prediksi Exponential Smoothing Dari hasil analisis diatas dapat dilihat bahwa metode Double Exponential Smoothing memiliki nilai prediksi yang mendekati nilai data aktual. Sehingga untuk studi kasus Harum Bakery ini metode yang cocok untuk digunakan yaitu metode Double Exponential Smoothing.

6. PENUTUP

Berdasarkan serangkaian tahapan yang telah dilakukan, yang dimulai dari perancangan, implementasi dan pengujian, maka didapatkan beberapa kesimpulan, diantaranya :

1. Penerapan tiga metode Exponential Smoothing yaitu Single Exponential Smoothing, Double Exponential Smoothing, dan Triple Exponential Smoothing untuk memprediksi penjualan roti studi kasus Harum Bakery memiliki langkah yang berbeda dan masing-masing metode sangat dipengaruhi oleh parameter pemulusan yaitu nilai α, β, dan γ.

2. Proses perhitungan nilai error menggunakan Measure Average Percentage Error (MAPE). MAPE terkecil pada setiap metode didapatkan ketika α = 0,1 untuk metode Single Exponential Smoothing dengan nilai MAPE sebesar 27,4039, α = 0,5 untuk metode Double Exponential Smoothing

dengan nilai MAPE sebesar 25,124, α = 0,1, β = 0,1, dan γ = 0,4 untuk metode Triple Exponential Smoothing dengan nilai MAPE sebesar 25,303.

3. Prediksi dengan menggunakan Double Exponential Smoothing dinilai lebih baik dalam memprediksi penjualan roti studi kasus Harum Bakery dibandingkan dengan metode Single Exponential Smoothing dan Triple Exponential Smoothing.

7. DAFTAR PUSTAKA

Cornellius, Trihendradi, 2005. SPSS 13.0 Analisis Data Statistik. Yogyakarta : Andi

Fahlevi, Achmad, 2018. Perbandingan Holt’s dan Winter’s Exponential Smoothing untuk Peramalan Indeks Harga Konsumen Kelompok Transportasi, Komunikasi dan Jasa Keuangan, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.

Halomoan, Jujung David, 2007. Pengendalian Persediaan Bahan Baku di PT Nippon Indosari Corpindo, Cikarang Bekasi.

Laisouw, Ruslan, 2013. Peramalan penjualan roti kenari arjuns bakery di Kota Ternate Provinsi Maluku Utara. FMIPA, Universitas Muhammadiyah Maluku Utara, Ternate.

Mate A., P. J. F. A., 2016. A Hybrid Integrated Architecture for Energy Consumption Prediction, Volume 33, pp. 131-147.

Nugroho, Nur Adhi, dan Acep Purqon. 2015.

Analisis 9 Saham Sektor Industri di Indonesia Menggunakan Metode SVR.

Bandung: Seminar Kontribusi Fisika (SKF) 2015.

Prasetyo, Tito Ardhi, 2013. Sistem Pelaporan dan Peramalan Penjualan Gula dengan Mengimplementasikan Metode Exponential Smoothing pada Teknologi ROLAP (Studi Kasus : PT PG Candi Baru Sidoarjo), Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.

Purba, Antilan. 2010. Sastra Indonesia Kontemporer. Yogyakarta: Graha Ilmu.

Putro, Bossarito, 2018. Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.

Raharja, A., 2010. Penerapan Metode

Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon Di PT.

Telkomsel Divre3 Surabaya. pp. 1-8.

Sungkawa, I., 2011. Penerapan Ukuran Ketepatan Nilai Ramalan Data Deret Waktu dalam Seleksi Model Peramalan Volume Penjualan PT Satriamandiri Citramulia, pp. 1-10.

Sukmarani, Ni Putu Yuli, 2016. Penerapan Metode Exponential Smoothing pada Peramalan Penjualan Dalam Penentuan kuantitas Produksi roti, Fakultas Teknik, Universitas Halu Oleo, Kendari.

Taylor, J. W., 2003. Short-Term Electricity Demand Forecasting Using Double Seasonal Exponential Smoothing.

Journal of Operational Research Society, Volume 54, pp. 799-805.

Taylor, J. W., 2004, Smooth transition

Exponential Smoothing, Journal of Forecasting, vol.23, pp. 385-394

Tommy, Pradana, 2013. Sistem Pendukung

Keputusan dengan Metode Exponential Smoothing untuk Meramalkan Hasil Penjualan pada Studi Kasus Home Industry Kue “Kayu Manis”. Fakultas Ilmu Komputer, Universitas Brawijaya, Malang.

Yansyah, Lucky, 2015. Roti Sebagai Sumber Karbohidrat. [pdf] Academia. Tersedia

di :

http://www.academia,edu/1809702/artike l_roti [Diakses 5 Desember 2018].