ANALISIS PERAMALAN PERMINTAAN PRODUK PIPE HOLDER DENGAN MENGGUNAKAN METODE TIME SERIES PADA PT. EXEL MANDIRI
INOVASI
Moch. S. Amrullah1) dan Kinanti R. Hayati2)
1,2)Program Studi Teknik Industri, Fakultas Teknik Universitas Pembangunan Nasional “Veteran” Jawa Timur
e-mail: 18032010050@student.upnjatim.ac.id1), kinantihayati.ti@upnjatim.ac.id2)
ABSTRAK
Peramalan (forecasting) adalah suatu usaha untuk meramalkan keadaan dimasa mendatang melalui data-data dimasa lalu. Dalam kehidupan segala sesuatu itu serba tidak pasti, sukar diperkirakan secara tepat. Dalam hal ini PT. Exel Mandiri Inovasi ingin analisis peramalan permintaan produk pipe holder dengan menggunakan metode time series. Tujuan dari praktikum ini adalah agar dapat menganalisis permintaan Pipe Holder dengan menggunakan metode time series yaitu Moving Average 3, Weighted Moving Average 3, dan Single Eksponensial Smoothing dan dengan perhitungan kesalahan yaitu Mean Square Error (MSE), Standard Error Estimation (SEE), Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD) yang kemudian akan dipilih metode yang paling tepat dan memastikan metode yang digunakan tersebut baik untuk digunakan.
Dan menghasilkan Selisih yang cukup jauh yang disebabkan karena efek pandemi Covid-19 dimana terjadi penurunan permintaan produk. Namun permintaan penjualan Pipe Holder pada bulan selanjutnya adalah sebesar 752 unit.
Kata Kunci: Peramalan, Moving Average, Weighted Moving Average, Single Eksponential Smoothing.
ABSTRACT
Forecasting is an attempt to predict future conditions through past data. In life, everything is uncertain, it is difficult to predict precisely. In this case PT. Exel Mandiri Innovation wants to analyze the demand forecasting for pipe holder products using the time series method. The purpose of this practicum is to be able to analyze the demand for Pipe Holders using the time series method, namely Moving Average 3, Weighted Moving Average 3, and Single Exponential Smoothing and by calculating errors, namely Mean Square Error (MSE), Standard Error Estimation (SEE), Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD) which will then choose the most appropriate method and ensure that the method used is good to use. And produce a considerable difference caused by the effects of the Covid-19 pandemic where there is a decline in product demand. However, the demand for Pipe Holder sales in the following month was 752 units.
I. PENDAHULUAN
Menurut Kushartini dan Almahdy (2016), peramalan adalah proses untuk memperkirakan berapa kebutuhan dimasa datang yang meliputi kebutuhan dalam ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka memenuhi permintaan barang atau jasa.
Metode time series dibagi menjadi : a Metode Smoothing
Metode ini digunakan untuk mengatur data masa lalu sesuai dengan musiman data yang terjadi, dengan cara merata-ratakan sederetan data hingga memiliki jarak dan jumlah data yang cenderung/ hampir seimbang
1. Simple Moving Avarage
Merupakan metode peramalan yang menggunakan rata-rata dari sejmlah (n) data terkini untuk meramalkan periode mendatang. Dengan menggunakan metode ratarata bergerak ini, deret berkala dari data asli diubah menjadi deret data rata-rata bergerak yang lebih mulus dan tidak terlalau tergantung pada osilasi sehingga lebih memungkinkan untuk menunjukkan trend dasar atau siklus dalam pola data sepanjang waktu. Berikut adalah model dari rata-rata bergerak sederhana antara lain dapat dilihat pada persamaan berikut:
̅̅̅̅= Yt+1 =
...1) Keterangan:
= Rata-rata bergerak pada periode t Yt+1 = Nilai ramalan periode berikutnya Yt = Jumlah data pada rata-rata bergerak
2. Weighted Moving Avarage
Metode perhitungannya sama dengan rata-rata bergerak sederhana hanya diberi koefisien penimbang. Teknik ini lebih responsif terhadap perubahan karena periode yang lebih dekat mendapat bobot yang lebih berat. Pemilihan bobot merupakan hal yang tidak pasti karena tidak ada rumus untuk menetapkan (Render dan Heizer, 2005). Penetapan besar koefisien penimbang dapat dilakukan secara sembarang, tetapi pada ummnya besaran koefisien penimbang periode terakhir dari data historis adalah dua kali daripada koefisien penimbang periode sebelumnya. Berikut adalah Model dari ratarata bergerak tertimbang menurut Sofyan (2013) adalah sebagai berikut:
Y’t W1At-1 W2 At2 … WnAtn………..2) Keterangan:
A = Permintaan aktual pada periode t
W1 = Bobot 0 ≤ Wt ≤1 yang diberikan pada periode t-1 dsb
n = Jumlah periode
b. Single Exponential Smoothing
Single Exponential Smoothing digunakan untuk jarak pendek perkiraan. Model mengasumsikan bahwa data berfluktuasi sekitar rata-rata yang cukup stabil (Rosdiani, 2018). Metode ini merupakan teknik peramalan menggunakan penimbangan terhadap data yang ada di masa lalu dengan cara ekponensial. Pemberian bobot dilakukan pada data sehingga data paling akhir mempunyai bobot lebih besar dalam rata-rata bergerak.
Permasalahan umum yang dihadapi apabila menggunakan model pemulusan eksponensial adalah memilih konstanta pemulusan α yang diperirakan tepat. Nilai konstanta pemulusan dipilih di antara 0 dan 1 karena berlaku 0 < α < 1. Apabila pola historis dari data aktual permintaan sangat bergejolak atau tidak stabil dari waktu ke waktu, nilai α yang dipilih adalah yang mendekati 1. Pola historis dari data aktual permintaan tidak berfluktuasi atau relatif stabil dari waktu ke waktu, α yang dipilih adalah yang nilainya mendekati nol .
Berikut adalah Model dari single exponential smopthing menurut Sofyan (2013) adalah sebagai berikut:
( ) ………3) Keterangan:
Tt = Data permintaan pada periode t = Faktor/ konstanta pemulusan Y‟t+1 = Peramalan untuk periode t
II. METODOLOGI PENELITIAN
Penelitian ini dilakukan di PT. Exel Mandiri Inovasi, Jawa Timur. Penelitian dilaksanakan pada bulan Januari 2021. Secara garis besar, data yang diperlukan merupakan data primer. Yaitu berupa data pesanan dan data produksi Pipe Holder.
Adapun alat yang digunakan untuk mengolah data dalam penelitian ini adalah aplikasi Microsoft Excel dan Microsoft Word 2016.
Tahap Pengumpulan Data
Penelitian ini dilakukan di PT. Exel Mandiri Inovasi, Jawa Timur pada bulan Januari 2021. Pengumpulan data ini dilakukan melalui:
1. Studi literatur, untuk mencari teori yang relevan terhadap penelitian yang dijalankan melalui referensi yang relevan, dapat berupa jurnal, buku, artikel, dan penelitian terdahulu;
2. Wawancara, dilakukan secara langsung dengan bagian penjualan PT. Exel Mandiri Inovasi, Jawa Timur untuk mendapatkan data angka pembobotan, dan nilai angka pemulusan.
3. Observasi, dilakukan langsung pada bagian produksi untuk mendapatkan data data penjualan pipe holder di masa lalu selama 12 bulan.
Data yang digunakan adalah data primer dan sekunder. Data primer adalah data yang diperoleh secara langsung oleh peneliti pada PT. Exel Mandiri Inovasi, Jawa Timur.
Sedangkan data sekunder adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian dari sumber-sumber yang telah ada. Data yang dibutuhkan dalam penelitian ini adalah sebagai berikut:
1. Data penjualan pipe holder di masa lalu selama 12 bulan 2. Angka pembobotan
3. Angka pemulusan
Tahap Pengolahan Data
Metode yang digunakan dalam penelitian ini adalah metode permalan. Definisi peramalan adalah perrkiraan munculnya sebuah kejadian di masa depan berdasarkan data yang ada di masa lampau. Lebih spesifiknya metode yang akan digunakan adalah metode Moving Average, Weighted Moving Average, dan Single Exponential Smoothing.
Pengolahan data dilakukan menggunakan Microsoft Excel. Hasil yang didapatkan akan dianalisis lebih lanjut.
III. HASIL DAN PEMBAHASAN Pengolahan Data
Tabel 3.1
Data Pesanan dan Data Produksi Pipe Holder
Dari tabel 3.1 di atas dapat dilihat grafik perbandingan antara jumlah produksi Pipe Holder dengan jumlah pesanan pada bulan Januari 2020 sampai Desember tahun 2020 tidak terlalu jauh. Tingkat produksi Pipe Holder dan tingkat penjualan yang memiliki selisih paling besar dapat dilihat pada bulan Mei 2020. Produksi menghasilkan 749 produk tapi tingkat penjualan hanya 731 produk. Selisih produksi dengan pesanan produk sebesar 18. Jika hal ini sering terjadi maka perusahaan harus meningkatkan pemasaran produk agar tidak terjadi penumpukan produk di gudang. Dalam mengendalikan permasalahan dimana tingkat produksi tinggi dan penjualan produk rendah maka dilakukan peramalan permintaan produk untuk mengatasi permasalahan yang ada, agar tidak terjadi penumpukan produk.
Metode Moving Average 3
Tabel 3.2
Perhitungan Peramalan Moving Average 3
Metode Weighted Moving Average 3
Tabel 3.3
Perhitungan Peramalan Weighted Moving Average 3
Metode Single Exponential Smoothing
Tabel 3.4
Hasil Peramalan Dengan Metode Single Exponential Smoothing
Perhitungan Ukuran Kesalahan
Tabel 3.5
Ukuran Kesalahan Masing-Masing Metode Peramalan
Dari tabel ukuran kesalahan masin-masing metode peramalan didapatkan metode yang memiliki kesalahan yang paling kecil, yaitu metode Single Exponential Smoothing.
Verifikasi Metode Peramalan
Berikut hasil pemetaan untuk metode Single Exponential Smoothing, Tabel 3.6
Perhitungan Verifikasi Peramalan
̅̅̅̅̅ ∑ = = 234,6
BKA = +2.66 ̅̅̅̅̅ = +2.66 (234,6) = 624,04 BKB = -2.66 ̅̅̅̅̅ = -2.66 (234,6) = -624,04
Gambar 3.1
Moving Range Chart Metode Single Exponential Smoothing
IV. KESIMPULAN
Melalui data verifikasi diatas yang telah diolah hingga terbentuk Moving Range Chart (MRC) yang memperlihatkan pergerakan grafis data. Berdasarkan garfik MRC terdapat data ekstrem yakni data pada periode ke 8 dan ke 9 yang bergerak melewati batas kontrol atas. Data eskstrem tersebut dikarenakan selisih yang cukup jauh antar data histori pada periode sebelumnya. Selisih yang cukup jauh tersebut disebabkan karena efek pandemi Covid-19 dimana terjadi penurunan permintaan produk. Namun permintaan penjualan Pipe Holder pada bulan selanjutnya adalah sebesar 752 unit.
DAFTAR PUSTAKA
Heizer Jay, Render Barry. 2005. Operations Management. Jakarta: Salemba Empat.
Kushartini, D., & Almahdy, Indra. 2016., Sistem Persediaan Bahan Baku Produk Dispersant Di Industri Kimia. Jurnal PASTI, 10(2), 217–234.
Rosdiani, V. (2018). Evaluasi Metode Peramalan Permintaan dan Perencanaan Agregat Atap Harflex di PT. Bakrie Building Industries.
Sofyan, D.K. (2013). Perencanaan & Pengendalian Produksi. Lhoksemawe NAD: Graha Ilmu.
