Analisis Peramalan Permintaan pada Part Arm Rear Brake KWBF di PT Ciptaunggul Karya Abadi
Zaskya Indah Vindari1*, Wahyudin Wahyudin2, Adinda Gita Azzahra3, Samitha Pujia Khan4, Sekar Mustika Ayuningtyas5, Wagiana Rohmah6
1,2,3,4,5,6Program Studi Teknik Industri, Fakultas Teknik, Universitas Singaperbangsa Karawang Indonesia
*Koresponden email: zaskyaindah462@gmail.com
Diterima: 15 Oktober 2022 Disetujui: 5 November 2022
Abstract
In production activities, fulfillment customer demand requires a method of calculating uncertainty the demand prediction in the future period. PT Ciptaunggul Karya Abadi has its own forecasting system, but the results are different from the actual data. One of the productions is Arm Rear Brake KWBF part shows a ± stock difference from actual demand data with forecasting data each month. This study to propose improvements to the forecasting system for Arm Rear Brake KWBF part by comparing three forecasting systems and selecting the lowest error rate. The method used in solving these problems is a results comparison of the moving average method, trend analysis method and company forecasting system with data collection techniques through observation and interview. The data used is in the form of general data such as company identity and special data such as historical production data of the company. The results of this study indicate that the lowest error is found in trend analysis method with MAD of 1811, MSE of 5702679 and MAPE of 0.46. So, the trend analysis method on the Arm Rear Brake KWBF part is feasible to be applied in the company.
Keywords: demand, forecasting, moving average, trend analysis, error
Abstrak
Dalam menjalankan kegiatan produksi, pemenuhan demand terhadap customer memerlukan suatu metode perhitungan ketidakpastian mengenai prediksi jumlah permintaan di periode mendatang. PT Ciptaunggul Karya Abadi memiliki sistem peramalan tersendiri namun berbeda dari data aktual. Salah satu produksinya yaitu Part Arm Rear Brake KWBF menunjukkan adanya perbedaan ± stock dari data permintaan aktual dengan data peramalan tiap bulannya. Penelitian ini bertujuan untuk memberikan usulan perbaikan mengenai sistem peramalan permintaan Part Arm Rear Brake KWBF dengan membandingkan tiga sistem peramalan dan dipilih tingkat error terendah. Metode yang digunakan dalam menyelesaikan permasalahan tersebut berupa perbandingan dari hasil metode moving average, metode trend analysis dan sistem peramalan perusahaan dengan teknik pengumpulan data melalui wawancara dan observasi. Data yang digunakan berupa data umum seperti identitas perusahaan dan data khusus seperti data historis produksi perusahaan. Hasil dari penelitian ini menunjukkan bahwa error terendah terdapat pada metode trend analysis dengan MAD sebesar 1811, MSE sebesar 5702679 dan MAPE sebesar 0,46. Sehingga, metode trend analysis pada part Arm Rear Brake KWBF ini layak untuk diterapkan di perusahaan.
Kata Kunci: permintaan, peramalan, moving average, trend analysis, error
1. Pendahuluan
PT Ciptaunggul Karya Abadi merupakan perusahaan dibidang produksi material stamping part, tools, dan dies. Salah satu produksinya yaitu part Arm Rear Brake KWBF dengan demand yang relatif tinggi. PT Ciptaunggul Karya Abadi memiliki sistem peramalan tersendiri namun hasil tersebut berbeda dari hasil aktual periode mendatang. Data produksi part Arm Rear Brake KWBF diketahui terdapat ± stock dari data permintaan tiap bulannya yang menunjukkan adanya perbedaan baik penambahan maupun pengurangan dari hasil aktual dan peramalan yang dapat mengakibatkan perusahaan kesulitan dalam merencanakan jumlah produksi. Hal tersebut ditunjukkan pada Tabel 1.
Tabel 1. Data produksi part Arm Rear Brake KWBF
Periode Permintaan +/- Stock Total Stock Forecast
Jan 6600 +2600 9200 8800
Feb 5400 +2055 7455 3400
Mar 11500 +2452 13952 8500
Apr 7000 -3286 3214 5100
Mei 1700 +2515 4215 2970
Jun 5500 -2987 2513 9600
Jul 4500 +7939 12439 3600
Ags 4100 +3827 7927 9100
Sep 4100 +12714 16814 3700
Okt 5600 +8185 13785 3400
Nov 8000 +5746 13746 3175
Des 5900 -4226 1674 3000
Sumber: PT Ciptaunggul Karya Abadi (2022)
Peramalan (Forecasting) merupakan kegiatan dalam perkiraan keadaan di masa mendatang dimana keadaan tersebut belum terjadi dan akan terjadi berdasarkan data masa lalu menggunakan pendekatan model sistematis dan analisis secara ilmiah [1]. Teknik peramalan merupakan proses prediksi kebutuhan di periode mendatang baik ukuran kualitas, kuantitas maupun hal lain dalam pemenuhan permintaan barang dan jasa yang didasarkan pada data historis [2]. Peramalan bisa diartikan juga sebagai teknik memperkirakan kondisi dengan data historis dari jenjang waktu tertentu yang tercatat dan diolah sedemikian rupa kemudian dihitung sehingga menghasilkan suatu informasi dalam mendukung suatu keputusan [3].
Peramalan berfokus pada perencanaan dan pengendalian produksi dalam menghadapi ketidakpastian di periode mendatang [4]. Forecasting juga digunakan dalam mengurangi ketidakpastian terhadap permintaan pada penjadwalan dan proses produksi. Salah satu ciri peramalan yang baik yaitu memberikan peluang kesalahan yang dapat terjadi [5]. Pemilihan model peramalan tergantung pada horizon waktu dari peramalan dan pola data yang terbentuk [6]. Terdapat empat jenis pola data yaitu trend (T) dimana terjadi ketika penurunan atau kenaikan data dalam kurun waktu panjang secara gradual, seasonality (S) dimana terjadi pola data berulang setelah periode tertentu, cycles (C) dimana pola data terjadi setiap beberapa tahun dipengaruhi fluktuasi ekonomi, dan horizontal (H) dimana nilai data dalam rata-rata dan stabil. [7]. Grafik pola data dapat dilihat pada Gambar 1.
Gambar 1. Jenis pola data Sumber: [7]
Penelitian-penelitian mengenai forecasting telah banyak dilakukan seperti penelitian terdahulu mengenai perbandingan beberapa metode forecasting seperti exponential smoothing, naïve method, moving average, dan regresi linier untuk produk Piece Pivot yang memberikan hasil peramalan terbaik dengan dilihat dari tingkat error terendah sebagai usulan metode yang tepat oleh Nurzakiah Darozat, Wahyudin dan Hamdani di tahun 2022 [8]. Penelitian lain juga dilakukan oleh Ito Riris Immasari, Nawawi Halik dan Verdi Yasin pada tahun 2022 mengenai prediksi permintaan bahan fasilitas pada penerapan sistem
informasi menggunakan single moving average method yang memberikan hasil peramalan yang tepat sesuai dengan data aktual yaitu tingkat error 0 [9].
Berdasarkan penelitian terdahulu, posisi penelitian ini yaitu melakukan perpaduan metode sebagai pembanding dengan sistem peramlan perusahaan. Pada penelitian ini digunakan perbandingan metode pada forecasting yaitu metode Trend Analysis dan metode Moving Average yang nantinya akan dibandingkan lagi dengan sistem peramalan yang terdapat di perusahaan. Hal tersebut bertujuan untuk memberikan analisis dan usulan perbaikan mengenai bagaimana metode peramalan yang terbaik yang menghasilkan tingkat error terendah.
2. Metode Penelitian 2.1. Pengumpulan Data
Penelitian ini dilaksanakan di PT Cipatunggul Karya Abadi pada Departemen Produksi dan Departemen Production Planning and Inventory Control selama dua bulan yang dimulai pada Februari 2022 sampai Maret 2022. Objek yang digunakan sebagai bahan penelitian yaitu part Arm Rear Brake KWBF.
Teknik pengumpulan data yang digunakan pada penelitian ini ada dua, yaitu wawancara dan observasi. Interview dilakukan agar ditemukannya permasalahan yang akan diteliti dengan narasumbernya merupakan salah satu staff PPIC. Observasi digunakan untuk mengumpulkan data mengenai proses kerja yang terjadi. Data yang berhasil dikumpulkan berdasarkan kebutuhan pada penelitian ini terdapat dua jenis yaitu data umum dan data khusus. Data umum berupa data yang berkaitan dengan identitas perusahaan seperti sejarah singkat perusahaan, profil perusahaan, struktur organisasi perusahaan, sistem kerja perusahaan, aktivitas perusahaan dan produk perusahaan. Sedangkan data khusus berupa data yang berkaitan langsung dengan pengolahan data pada penelitian. seperti data historis produksi perusahaan.
2.2. Pengolahan Data
Penelitian yang dilakukan menggunakan metode forecasting. Metode ini digunakan untuk memprediksi atau memperkirakan kejadian di periode mendatang menggunakan acuan dari data-data di masa lalu [8]. Metode forecasting yang digunakan berupa metode moving average dan metode trend analysis. Metode moving average mengambil serangkaian nilai yang diamati dan kemudian menemukan nilai rata-rata sebagai perkiraan untuk periode mendatang [4]. Sedangkan metode trend analysis ini membedakan tiga komponen (faktor tren, siklus dan musiman) dari pola dasar yang menjadi ciri satu set data ekonomi dan bisnis [10]. Pengolahan data dilakukan menggunakan Microsoft Excel dan software POM QM for windows. Hal tersebut dilakukan agar meminimalisir terjadinya human error
2.3. Alur Penelitian
Alur penelitian dapat dilihat pada Gambar 2 yang dapat diketahui bahwa alur penelitian atau flowchart ini diawali dengan studi pustaka dan studi lapangan kemudian mengumpulkan data umum dan data khusus. Variabel terkait dalam penelitian ini berupa data-data historis perusahaan mengenai permintaan produk part Arm Rear Brake KWBF. Pada data perusahaan diambil data permintaan part tersebut selama periode waktu tertentu yang telah dilakukan lalu menentukan horizon waktu dari peramalan entah jangka pendek, jangka menengah maupun jangka panjang.
Selanjutnya memilih metode peramalan yang akan digunakan. Penelitian ini memilih dua metode peramalan yaitu metode Trend Analysis dan Moving Average. Setelah itu, melakukan perhitungan peramalan menggunakan kedua metode tersebut. Selanjutnya melakukan analisis error baik MAD, MSE dan MAPE lalu dianalisis error dari kedua metode forecasting tersebut dan dibandingkan bersamaan dengan analisis kesalahan dari sistem peramalan perusahaan. Selanjutnya menentukan perbandingan tersebut, diketahui rekapitulasi perhitungannya dan akan dapat diketahui metode foecasting terbaik dengan tingkat error terendah.
Setelah melakukan tahap-tahap tersebut, akan dijelaskan mengenai bagaimana usulan perbaikan untuk pengimplementasian metode peramalan terpilih. Hasil peramalan akan dilanjutkan dengan pengukuran akurasi. Hal tersebut dilakukan dalam melihat perlakukan mana yang dapat memberikan selisih peramalan dan aktual terkecil sehingga dapat diambil keputusan yang paling tepat [11].
Gambar 2. Alur penelitian Sumber: Data penelitian (2012)
Tingkat error dapat dihitung menggunakan Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Mean Absolute Percenation Error (MAPE), sebagai berikut [12]:
1. Mean Absolute Deviation
MAD merupakan perhitungan absolut rata-rata dari error peramalan yang tidak menghiraukan tanda negatif maupun positifnya.
MAD = ∑𝑛𝑡=1∑|𝐴𝑡−𝐹𝑡|
𝑛
Keterangan:
Ʃ = Jumlah
At = Data permintaan periode t Ft = Peramalan periode t n = Jumlah periode peramalan 2. Mean Squared Error
MSE adalah perhitungan rata-rata dari selisih kuadrat nilai yang diramalkan dan nilai yang diamati dengan memperkecil angkanya.
MSE = ∑ ∑|𝐴𝑡−𝐹𝑡|
𝑛𝑡=1 2
𝑛
Keterangan:
Ʃ = Jumlah
At = Data permintaan periode t Ft = Peramalan periode t n = Jumlah periode peramalan 3. Mean Absolute Percentage Error
MAPE yaitu perhitungan mutlak persentase selisih antara nilai aktual dan nilai peramalan. Apabila nilai MAPE dibawah 10% maka ketepatan peramalan sangat bagus, jika nilai MAPE berada di kisaran 10%
- 20% maka ketepatan peramalan bagus [13], jika nilai MAPE berada di kisaran 20% - 50% artinya ketepatan peramalan layak, dan jika nilai MAPE lebih dari 50% berarti buruk dan tidak bisa digunakan lagi [14].
MAPE = ∑
|𝑋𝑡−𝐹𝑡|
𝑋𝑡 𝑥100
𝑛𝑡=1
𝑛
Keterangan:
Xt = Data aktual periode Ft = Nilai peramalan periode n = Jumlah data
3. Hasil dan Pembahasan
Perhitungan peramalan permintaan pada part Arm Rear Brake KWBF dilakukan untuk 12 periode ke depan.
3.1. Pengujian Data
Dalam analisis peramalan permintaan pada part Arm Rear Brake KWBF, diperlukan data produksi berupa data historis demand perusahaan. Diperoleh data demand pada bulan Januari 2021 sampai dengan bulan Desember 2021 pada Tabel 2.
Tabel 2. Data permintaan periode Januari 2021-Desember 2021 Periode Jumlah Permintaan
Januari 6600
Februari 5400
Maret 11500
April 7000
Mei 1700
Juni 5500
Juli 3550
Agustus 4100
September 3175
Oktober 5600
November 8000
Desember 5900
Sumber: PT Ciptaunggul Karya Abadi (2022)
Berdasarkan Tabel 2 mengenai data permintaan periode bulan Januari 2021 - bulan Desember 2021.
Selanjutnya dilakukan pengujian pola data part Arm Rear Brake KWBF untuk mengetahui fluktuasi permintaan tersebut. Pada data time series diperlukan uji pola data sebelum diolah [15]. Hasil uji pola data berada pada Gambar 3.
Gambar 3. Uji pola data permintaan periode Januari 2021 - Desember 2021 Sumber: hasil pengolahan data (2022)
Berdasarkan Gambar 3 dapat diketahui bahwa uji pola data permintaan menunjukkan adanya tipe pola data trend dimana terjadi penurunan pada jangka panjang. Oleh karena itu, metode forecasting yang dipilih yaitu metode Trend Analysis dan metode Moving Average. Selain data demand pada Gambar 3, juga diperlukan data hasil sistem peramalan untuk tahun 2022 yang nantinya dijadikan sebagai data pembanding. Data forecasting perusahaan ditunjukkan pada Tabel 3.
Tabel 3. Data forecasting periode Januari 2022-Desember 2022 Periode Forecasting
Januari 8800
Februari 3400
Maret 8500
April 5100
Mei 2970
Juni 9600
Juli 3600
Agustus 9100
September 3700
Oktober 3400
November 3175
Desember 3000
Sumber: PT Ciptaunggul Karya Abadi (2022)
3.2. Metode Trend Analysis
Trend Analysis method yaitu teknik peramalan yang membedakan tiga komponen (faktor tren, siklus dan musiman) dari pola dasar yang menjadi ciri satu set data ekonomi dan bisnis [10]. Syarat pergerakan data metode peramalan ini yaitu terdapat pola yang terus menurun ataupun meningkat dengan pola yang relatif continue [16].
Ft = 𝑎 + 𝑏𝑡 a = 𝐴̅ − 𝑏𝑡̅
b = ∑ 𝑡𝐴−𝑛𝑡𝐴̅̅̅̅
∑ 𝑡2−𝑏𝑡̅2
Keterangan:
Ft = Nilai peramalan a = Intersept
𝐴̅ = Nilai data-rata permintaan per periode A = Data aktual permintaan
b = Slope atau kemiringan t = Indeks waktu
0 2000 4000 6000 8000 10000 12000 14000
Tabel 4. Tingkat Error Trend Analysis Periode Bulan Jumlah
Permintaan
Trend Analysis
Dev.
Absolut Squared % Error
Jan-21 1 6600 6428 172 29584 2,606
Feb-21 2 5400 6290 890 792100 16,481
Mar-21 3 11500 6152 5348 28601104 46,504
Apr-21 4 7000 6014 986 972196 14,086
Mei-21 5 1700 5876 4176 17438976 245,647
Jun-21 6 5500 5738 238 56644 4,327
Jul-21 7 3550 5600 2050 4202500 57,746
Agu-21 8 4100 5462 1362 1855044 33,220
Sep-21 9 3175 5324 2149 4618201 67,685
Okt-21 10 5600 5186 414 171396 7,393
Nov-21 11 8000 5048 2952 8714304 36,900
Des-21 12 5900 4910 990 980100 16,780
4772
Jumlah 21727 68432149 549
Nilai Error 1811 5702679 46
Tingkat Error MAD MSE MAPE
Sumber: Hasil pengolahan data (2022)
Berdasarkan Tabel 4 dapat diketahui bahwa nilai MAD sebesar 1811 dengan MSE yaitu 5702679.
Selain itu, diketahui juga nilai MAPE sebesar 46%.
3.3. Metode Moving Average
Moving Average adalah teknik mengambil serangkaian nilai yang diamati dan kemudian menemukan nilai rata-rata sebagai perkiraan untuk periode mendatang. Metode ini mampu menghilangkan atau mengurangi randomness pada time series dengan pengambilan nilai rata-rata dari beberapa data sehingga peluang terjadinya error positif atau negatif dapat dihilangkan [11].
Mt = 𝐹𝑡 + 1
Mt = 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
n = Jumlah batas dalam Moving Average
Tabel 5. Tingkat Error Moving Average Periode Bulan Jumlah
Permintaan MA 3 Dev.
Absolut Squared % Error
Jan-21 1 6600
Feb-21 2 5400
Mar-21 3 11500
Apr-21 4 7000 7833 833 694444 12
Mei-21 5 1700 7967 6267 39271111 369
Jun-21 6 5500 6733 1233 1521111 22
Jul-21 7 3550 4733 1183 1400278 33
Agu-21 8 4100 3583 517 266944 13
Sep-21 9 3175 4383 1208 1460069 38
Okt-21 10 5600 3608 1992 3966736 36
Nov-21 11 8000 4292 3708 13751736 46
Periode Bulan Jumlah
Permintaan MA 3 Dev.
Absolut Squared % Error
Des-21 12 5900 5592 308 95069 5
6500
Jumlah 17250 62427500 574
Nilai Error 1917 6936389 64
Tingkat Error MAD MSE MAPE
Sumber: hasil pengolahan data (2022)
Berdasarkan Tabel 5 dapat diketahui bahwa nilai MAD sebesar 1917 dengan MSE yaitu 6936389.
Selain itu, diketahui juga nilai MAPE sebesar 64%.
Sistem Peramalan Perusahaan
Tabel 6. Tingkat error perusahaan Periode Bulan Jumlah
Permintaan
P.
Perusahaan
Dev.
Absolut Squared % Error
Jan-21 1 6600 8800 2200 4840000 33
Feb-21 2 5400 3400 2000 4000000 37
Mar-21 3 11500 8500 3000 9000000 26
Apr-21 4 7000 5100 1900 3610000 27
Mei-21 5 1700 2970 1270 1612900 75
Jun-21 6 5500 9600 4100 16810000 75
Jul-21 7 3550 3600 50 2500 1
Agu-21 8 4100 9100 5000 25000000 122
Sep-21 9 3175 3700 525 275625 17
Okt-21 10 5600 3400 2200 4840000 39
Nov-21 11 8000 3175 4825 23280625 60
Des-21 12 5900 3000 2900 8410000 49
Jumlah 29970 101681650 561
Nilai Error 2498 8473471 47
Tingkat Error MAD MSE MAPE
Sumber: Hasil pengolahan data (2022)
Berdasarkan Tabel 6 dapat dilihat bahwa sistem peramalan perusahaan memiliki MAD sebesar 2498, MSE sebesar 8473471 dan MAPE sebesar 47%. Setelah melakukan perhitungan menggunakan metode trend analysis, moving average dan sistem peramalan perusahaan maka dapat dibuat summary perbandingan tingkat error seperti pada Tabel 7.
Tabel 7. Summary perbandingan tingkat error Tingkat
Error
Trend Analysis
Moving Average
Sistem Perusahaan
MAD 1811 1917 2498
MSE 5702679 6936389 8473471
MAPE 46% 64% 47%
Sumber: Hasil pengolahan data (2022)
Berdasarkan Tabel 7 summary perbandingan tingkat error, dapat dilihat bahwa error terkecil terdapat pada metode trend analysis dengan MAD sebesar 1811, MSE sebesar 5702679 dan MAPE sebesar 46%.
Jadi, metode peramalan yang baik digunakan terdapat pada metode trend analysis. Selain menggunakan Microsoft Excel, perhitungan tersebut juga dilakukan menggunakan software POM QM for Windows untuk menghindari human error yang ditunjukkan pada Gambar 4.
Gambar 4. Hasil dengan POM QM for Windows Sumber: Hasil pengolahan data (2022)
Berdasarkan Gambar 4 menunjukkan bahwa perhitungan Microsoft Excel dan software POM QM for Windows memberikan hasil yang sama yaitu nilai MAD sebesar 1811 dengan MSE yaitu 5702679.
Selain itu, diketahui juga nilai MAPE sebesar 46%.
Setelah diketahui error terendah, maka tahapan usulan perbaikan yang dapat diberikan mengenai peramalan permintaan kepada perusahaan yaitu:
1. Mengimplementasikan metode trend analysis sebagai metode peramalan terbaik dengan tingkat error terkecil dari dua metode peramalan pembanding yang dipilih.
2. Menyesuaikan sistem peramalan pada semua part yang diproduksi oleh perusahaan.
3. Mempersiapkan perubahan-perubahan yang berhubungan dengan proses produksi dalam mengantisipasi ketidakpastian permintaan perusahaan
4. Melakukan pengendalian terhadap peramalan permintaan yang dilakukan.
4. Kesimpulan
Sistem peramalan permintaan pada part Arm Rear Brake KWBF yang digunakan di perusahaan memiliki hasil yang masih jauh dari kondisi aktual dengan tingkat error yang cukup tinggi. Tingkat error menunjukkan diketahui bahwa MAD sebesar 2498, MSE sebesar 8473471 dan MAPE sebesar 47%.
perbandingan tingkat error dapat disimpulkan bahwa error terkecil terdapat pada metode trend analysis dengan MAD sebesar 1811, MSE sebesar 5702679 dan MAPE sebesar 46%. Jadi, metode peramalan permintaan terbaik pada part Arm Rear Brake KWBF yaitu metode trend analysis. Oleh karena itu, usulan perbaikan mengenai peramalan yaitu mengimplementasikan metode trend analysis sebagai metode peramalan terbaik dengan tingkat error terkecil dari dua metode peramalan pembanding yang dipilih, menyesuaikan sistem peramalan pada semua part yang diproduksi oleh perusahaan, mempersiapkan perubahan-perubahan yang berhubungan dengan proses produksi dalam mengantisipasi ketidakpastian permintaan perusahaan dan melakukan pengendalian terhadap peramalan permintaan yang dilakukan.
5. Referensi
[1] I. Solikin and S. Hardini, “Aplikasi Forecasting Stok Barang Menggunakan Metode Weighted Moving Average (WMA) pada Metrojaya Komputer,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 4, no. 2, pp. 100–105, May 2019, doi: 10.30591/jpit.v4i2.1373.
[2] N. G. Putri, Y. T. Herawati, and A. Ramani, “Peramalan Jumlah Kasus Penyakit Hipertensi Di Kabupaten Jember Dengan Metode Time Series,” Journal of Health Science and Prevention, vol. 3, no. 1, pp. 39–46, Apr. 2019, doi: 10.29080/jhsp.v3i1.161.
[3] N. P. L. Santiari and I. G. S. Rahayuda, “Penerapan Metode Exponential Smoothing Untuk Peramalan Penjualan Pada Toko Gitar,” Jointecs (Journal of Information Technology and Computer Science, vol. 3, no. 1, pp. 203–210, 2018.
[4] S. Adiyono and S. Novianto, “Prediksi Komoditas Pangan Pada Masa Pandemi Dengan Metode Forecasting dan Moving Average,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 7, no. 3, pp. 155–163, Jan. 2022, doi: 10.25077/teknosi.v7i3.2021.155-163.
[5] P. Sutanto, A. Setiawan, and D. H. Setiabudi, “Perancangan Sistem Forecasting di Perusahaan Kayu UD. 3G dengan Metode ARIMA,” Jurnal Infra, vol. 5, no. 1, pp. 1–6, 2017.
[6] F. A. Reicita, “Analisis Perencanaan Produksi Pada Pt. Armstrong Industri Indonesia Dengan Metode Forecasting Dan Agregat Planning,” Jurnal Ilmiah Teknik Industri, vol. 7, no. 3, pp. 160–
168, 2019.
[7] A. Lusiana and P. Yuliarty, “Penerapan Metode Peramalan (Forecasting) Pada Permintaan Atap di PT X,” Jurnal Teknik Industri ITN Malang, pp. 11–21, Mar. 2020.
[8] N. Darozat, Wahyudin, and Hamdani, “Penerapan Metode Peramalan Permintaan pada Produk Piece Pivot di PT. Trijaya Teknik Karawang,” Serambi Engineering, vol. VII, no. 2, pp. 2859–2870, Apr.
2022.
[9] I. R. Immasari, N. Halik, and V. Yasin, “Perancangan Purchase Order Dengan Metode Forecasting Single Moving Average,” Journal of Information System, Applied, Management, Accounting and Research, vol. 6, no. 1, pp. 123–135, Feb. 2022, doi: 10.52362/jisamar.v6i1.639.
[10] Iwan, E. I. H. Rahayu, and A. Yulianto, “Analisa Peramalan Permintaan Mobil Mitsubishi Xpander dengan Tiga Metode Forecasting,” Cakrawala, vol. 18, no. 2, pp. 249–256, Sep. 2018, doi:
10.31294/jc.v18i2.
[11] F. N. Adnan, “Optimasi Analisis Peramalan dengan Metode Regresi Weighted Moving Average,”
JOINS (Journal of Information System), vol. 4, no. 2, pp. 119–128, Nov. 2019, doi:
10.33633/joins.v4i2.2265.
[12] V. Simanjuntak and E. Susanti, “Analisis Peramalan Permintaan Produk Palet Kayu Pada Cv Barokah Utama,” Jurnal Comasie, vol. 06, no. 02, pp. 107–119, 2022.
[13] N. A. Atussaliha, P. Purnawansyah, and H. Darwis, “Metode Double Exponential Smoothing pada Sistem Peramalan Tingkat Kemiskinan Kabupaten Pangkep,” ILKOM Jurnal Ilmiah, vol. 12, no. 3, pp. 183–190, Dec. 2020, doi: 10.33096/ilkom.v12i3.607.183-190.
[14] A. N. Rais, I. J. Thira, D. N. Kholifah, N. Purwati, and Y. M. Kristania, “Evaluasi Metode Forecasting Pada Data Kunjungan Wisatawan Mancanegara ke Indonesia,” Jurnal Sains dan Manajemen, vol. 8, no. 2, pp. 104–116, Sep. 2020.
[15] E. Heriansyah and S. Hasibuan, “Implementasi Metode Peramalan Pada Permintaan Bracket Side Stand K59A,” Jurnal PASTI, vol. XII, no. 2, pp. 209–223, 2017.
[16] A. H. Q. A’yun, H. Ardian, M. K. Nunuh, S. Immanuella, Yuniaristanto, and W. Sutopo, “Pemilihan Metode Peramalan Jumlah Permintaan Koran dengan Tingkat Kesalahan Terendah,” Jurnal Manajemen dan Teknik Industri, vol. XXI, no. 2, pp. 91–101, Mar. 2021.