Analisis Runtun Waktu Jumlah Produksi Menggunakan
Metode
Exponential Smoothing
,
Holt
dan
Holt Winter
(Studi Kasus CV. Sukses Jaya Utama Tengaran)
Artikel Ilmiah
Peneliti :
Ayu Wulan Sari (672007159)
Kristoko Dwi Hartomo, M.Kom. Christine Dewi, S.Kom., M.Cs.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
i
Analisis Runtun Waktu Jumlah Produksi Menggunakan
Metode
Exponential Smoothing
,
Holt
dan
Holt Winter
(Studi Kasus CV. Sukses Jaya Utama Tengaran)
Artikel Ilmiah
Diajukan kepada Fakultas Teknologi Informasi
Untuk memperoleh gelar Sarjana Komputer
Peneliti :
Ayu Wulan Sari (672007159)
Kristoko Dwi Hartomo, M.Kom. Christine Dewi, S.Kom., M.Cs.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
ix
Analisis Runtun Waktu Jumlah Produksi Menggunakan
Metode
Exponential Smoothing
,
Holt
dan
Holt Winter
(Studi Kasus CV. Sukses Jaya UtamaTengaran)
1)
Ayu Wulan Sari, 2)Kristoko Dwi Hartomo, 3)Christine Dewi Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana Jl.Diponegoro 52-60, Salatiga 50711
Email: 1)ayuw93@gmail.com, 2)kristoko@gmail.com, 3)
christine_d_13@yahoo.com
Abstract
Indonesia is the biggest tobacco producer number 6 and the biggest consume cigarette number 3 in the world according to the data from WHO 2008. The research data are from production data of CV. Sukses Jaya Utama Tengaran. The purpose of this research is to predict the production number that will produced by CV. Sukses Jaya Utama Tengaran. Data processing will use time series metod. Time series is one of observation row that sequential in time. Exponential smoothing, Holt and Holt Winter are procedure that in continous fixing the forecast with averaging the value of the past from one of time series data with decline way (exponential). The last output from this research is graphic production form that will help to determine the next production number from CV. Sukses Jaya Utama Tengaran.
Keywords : Time Series, Cigarette, Exponential Smoothing, Holt, Holt Winter
Abstrak
Indonesia merupakan penghasil tembakau terbesar ke-6 dan pengkonsumsi rokok terbanyak ke-3 di dunia menurut data dari WHO tahun 2008. Data penelitian ini bersumber dari data produksi CV. Sukses Jaya Utama Tengaran. Tujuan dari penelitian ini adalah untuk memprediksi jumlah produksi rokok yang akan diproduksi oleh CV. Sukses Jaya Utama Tengaran. Pemrosesan data menggunakan metode runtun waktu (Time Series). Runtun waktu adalah suatu deret observasi yang berurut dalam waktu. Exponential Smoothing, Holt dan Holt Winter adalah suatu prosedur yang secara terus menerus memperbaiki peramalan dengan merata-rata nilai masa lalu dari suatu data runtun waktu dengan cara menurun (exponential). Hasil keluaran akhir dari penelitian ini adalah berupa grafik produksi yang akan membantu dalam menentukan jumlah produksi selanjutnya dari CV. Sukses Jaya Utama Tengaran.
Kata Kunci : Runtun Waktu, Rokok, Exponential Smoothing, Holt, Holt Winter
1)
Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana
2)
Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana
3)
1 1. Pendahuluan
Salah satu komoditas perdagangan yang penting di dunia adalah tembakau, tembakau dan rokok merupakan produk yang bernilai tinggi, sehingga bagi beberapa Negara termasuk Indonesia, tembakau dan rokok berperan dalam perekonomian nasional [1]. Peranan tembakau dan produk–produk turunannya dapat dilihat dari beberapa sisi, yaitu (1) penerimaan negara (dari cukai), (2) penciptaan devisa negara, (3) penciptaan nilai output, nilai tambah dan penambahan tenaga kerja, (4) dampaknya terhadap sektor–sektor perekonomian lain (multiple effect), (5) keterkaitannya dengan sektor hulunya (backward linkages) dan keterkaitannya dengan sektor hilirnya (forward linkages) dalam menggerakkan perekonomian nasional, tiga peranan terakhir diperkirakan berbeda antara sektor tembakau dan sektor rokok, sebab peranan sektor tembakau lebih kecil jika dibandingkan dengan sektor rokok dalam bidang peningkatan nilai tambah, disebabkan oleh peranan sektor tembakau lebih besar dalam penyerapan tenaga kerja dan mendorong pertumbuhan sektor perekonomian lain jika dibandingkan dengan sektor industri rokok karena sektor tembakau mempunyai wilayah cakupan area yang luas [2].
Industri rokok merupakan salah satu sumber lapangan kerja yang sangat potensial menyerap tenaga kerja, khususnya pekerja dengan tingkat pendidikan formal dan keahlian yang rendah, hal ini membantu pemerintah dalam mengurangi tingkat pengangguran dan merupakan salah satu sumber pendapatan Negara yang cukup besar yaitu berasal dari pajak dan hasil produksinya [3]. Berdasarkan data Statistik Industri Besar dan Sedang (BPS), pada tahun 1981 industri rokok hanya dikelompokkan menjadi 2 bagian yaitu, industri rokok kretek dengan kode 31420 dan industri rokok putih dengan kode 31430, dan mulai tahun 1990 industri rokok kretek dirinci lebih spesifik lagi menjadi 2 bagian yaitu, industri rokok kretek (31420) yang terdiri dari Sigaret Kretek Tangan (SKT) dan Sigaret Kretek Mesin (SKM) serta industri rokok lainya (31440) yang terdiri dari rokok klembag menyan, rokok klobot, dan cerutu [4].
Dalam penelitian ini akan dilakukan analisa pada data produksi perusahaan CV. Sukses Jaya Utama Tengaran, dalam dunia usaha rokok harus ada peramalan tentang apa yang akan terjadi pada masa yang akan datang, kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang disebut peramalan (forecasting) [5]. Pembentukan model akan menggunakan software R 3.0.2 yang merupakan kelanjutan dari package peramalan Time Series. Time Series adalah serangkaian pengamatan tercatat dalam suatu waktu [6]. Analisis data runtun waktu bertujuan untuk memprediksi data runtun waktu beberapa periode kedepan berdasarkan data di masa lalu [7]. Metode Exponential
Smoothing merupakan deret waktu yang digunakan untuk memprediksi masa
2 2. Tinjauan Pustaka
Penelitian terdahulu yang yang berjudul “Peramalan Penjualan Rokok Dengan Pendekatan Runtun Waktu Pada PT. NIKORAMA TOB CO. Cabang:
Jambi”. Pada penelitian ini memiliki persamaan pada metode yang digunakan untuk mencari perhitungan yaitu menggunakan metode runtun waktu (time series). Peredaan antara penelitian terdahulu dengan penelitian yang sekarang adalah penelitian sekarang memprediksi jumlah rokok yang akan diproduksi setiap harinya pada CV. Sukses Jaya Utama Tengaran dengan menggunakan metode runtun waktu (Time Series) Exponential Smoothing. Tujuan dari penelitian ini adalah untuk memprediksi penjualan rokok pada PT. NIKORAMA TOB CO. Cabang Jambi sebab dengan memprediksi penjualan rokok perusahaan dapat mengantisipasi penurunan dan peningkatan penjualan pada masa yang akan datang berdasarkan data penjualan di masa lalu [9].
Dalam jurnal yang berjudul “Penggunaan Metode Exponential Smoothing Untuk Meramalkan Kebutuhan Cengkeh Di Pabrik Rokok Adi Bungsu”. Tujuan dari penelitian ini adalah untuk meramalkan kebutuhan cengkeh pada masa yang akan datang sehingga dapat memberikan masukan kepada perusahaan dalam merencanakan pembelian cengkeh. Pada penelitian terdahulu ini memiliki persamaan pada metode yang digunakan, dan perbedaanya adalah objek yang diprediksi. Metode peramalan adalah cara memperkirakan secara kuantitatif apa yang akan terjadi pada masa depan, berdasarkan pada data yang relevan pada masa lalu, maka metode peramalan ini digunakan dalam peramalan yang objektif [10].
Terdapat dua langkah dasar yang harus dilakukan dalam membuat atau menghasilkan suatu peramalan yang akurat dan berguna. Langkah dasar yang pertama adalah pengumpulan data yang relevan dengan tujuan peramalan yang dimaksud dan menurut informasi-informasi yang dapat menghasilkan peramalan yang akurat. Langkah dasar yang kedua adalah memilih metode peramalan yang tepat yang akan digunakan dalam mengolah informasi yang terkandung dalam data yang telah dikumpulkan [9].
Penerapan konsep runtun waktu (time series) adalah untuk memahami perilaku di masa depan melalui hasil pengukuran data atribut pada masa lalu dengan menggunakan indikator trend, cyclic dan seasonal. Exponential
Smoothing dibagi menjadi 3 yaitu, Simple Exponential Smoothing (SES), Double
Exponential Smoothing (DES), dan Triple Exponential Smoothing (TES). Simple
Exponential Smoothing (SES) digunakan pada peramalan jangka pendek, biasanya hanya satu bulan kedepan, model ini digunakan untuk memodelkan data dengan pola stationer, pada Persamaan 1 [11]:
Dengan t adalah notasi periode waktu, adalah ramalan untuk periode t +1, peramalan periode ke-t, nilai observasi waktu ke-t dan adalah parameter pemulusan yang nilainya antara 0 dan 1. Jika terdapat pola trend pada data yang mengalami kerandoman, maka akan lebih sesuai jika menggunakan metode Double Exponential Smoothing (DES) dari Holt. Peramalan Double
Exponential Smoothing (DES) dari Holt diperoleh dengan menggunakan dua
3
persamaan yang digunakan dalam proses peramalan. (1) menentukan nilai pemulusan data keseluruhan dapat diperoleh dengan menggunakan persamaan ini:
……….. (1) Dengan adalah pemulusan secara keseluruhan pada periode ke-t, adalah pemulusan secara keseluruhan pada periode t-1, adalah konstanta pemulusan dan adalah nilai trend pada periode t-1. (2) Persamaan kedua digunakan untuk menentukan nilai pemulusan faktor trend pada periode ke-t
= + ( + ) ……… (2) Dengan merupakan parameter pemulusan faktor trend, adalah nilai
trend pada periode ke –t . (3) persamaan ketiga digunakan untuk menentukan nilai
hasil peramalan untuk periode t+m
= ( - ) + (1 - ) ……… (3)
= + ………... (4) Dengan adalah nilai peramalan periode kedepan, m adalah jumlah periode kedepan yang akan diramalkan, adalah nilai pemulusan keseluruhan pada periode ke-t, adalah pemulusan faktor trend pada periode ke-t ,
adalah nilai pemulusan untuk periode musiman pada periode t-p+m, dan p adalah
panjang musiman. Proses dalam melakukan peramalan, nilai , , yang pertama merupakan nilai inisialisasi. Nilai inisialisasi untuk nilai dapat diperoleh dengan menggunakan persamaan [13]:
= X2 – X1 ……….. (5)
Nilai inisialisasi dapat diperoleh dari :
= (X2– X1) + (X3– X2) + (X4– X3) …………..……. (6) = taksiran slope setelah data diplot
Model Holt Winters multiplikatif ini digunakan apabila data runtun waktu (time series) mempunyai data pola musiman dengan fluktuasi musiman yang cenderung tidak konstan. Peningkatan dan penurunan pola musiman juga dipengaruhi oleh peningkatan maupun penurunan besarnya trend [14]. Peramalan musiman multiplicative dengan Holt Winters multiplicative menggunakan persamaan berikut :
= ( + m ) ……… (8)
Nilai inisialisasi nilai , pada model Holt Winters multiplikatif diperoleh dengan menggunakan persamaan yang sama seperti pada Holt Winters aditif, yaitu persamaan (5) dan persamaan (6). Sedangkan untuk nilai inisialisasi faktor musiman pada Holt Winters multiplikatif menggunakan persamaan :
= ………. (9)
4
1. Nilai rata-rata kesalahan ME (Mean Error):
ME = ……….. (10)
2. RMSE (Root Mean Square Error):
……… (11)
Ukuran statistic standar pada peramalan mempunyai keterbatasan dalam mengukur ketepatan, maka diperlukan ukuran-ukuran alternatif yang diantaranya menyangkut presentase kesalahan, ukuran yang diperlukan ada tiga yaitu [9]:
1. Mean Absolute Percentage Error (MAPE) nilai absolut dari MPE,
persamaanya yaitu:
MAPE = % ……… (13)
5 3. Tahapan Penelitian
Alur tahapan proses peramalan produksi pada CV. Sukses Jaya Utama Tengaran terlihat pada Gambar 1.
Gambar 1. Tahapan Proses Peramalan Jumlah Produksi pada CV. Sukses Jaya Utama Tengaran
6
Pada Gambar 1 terlihat bahwa pada tahap awal adalah dengan mencari data yang akan diinput. Kemudian setelah mendapatkan data dari CV. Sukses Jaya Utama Tengaran, data tersebut diinput ke Microsoft Office Excel 2007. Lalu data dipanggil menggunakan program R. setelah data dipanggil kemudian data diproses menggunakan metode SES (Single Exponential Smoothing), Holt, dan Holt Winter. Lalu akan muncul hasil peramalan yang menggunakan metode SES (Single Exponential Smoothing), Holt, dan Holt Winter. Kemudian dari hasil peramalan tersebut akan dihitung ME (Mean Error), MAPE (Mean Percentage Error), dan RMSE (Root Mean Square Error). Lalu akan muncul parameter peramalan dari perhitungan tersebut .
4. Hasil dan Pembahasan
Proses peramalan jumlah produksi diperoleh dari data produksi CV.Sukses Jaya Utama Tengaran dari bulan Januari 2014 – Mei 2014. Data yang diperoleh bersumber dari laporan produksi CV. Sukses Jaya Utama Tengaran ada dua data yaitu, data produksi SKM (Sigaret Kretek Mesin) dan SKT (Sigaret Kretek Tangan), produksi rokok dengan SKM adalah produksi rokok dengan menggunakan mesin untuk menghasilkan rokok sedangkan produksi rokok dengan SKT adalah produksi rokok dengan tangan manual. Pada sektor SKM (Sigaret Kretek Mesin) diproduksi 9 jenis merk rokok yaitu, RS Bola, RDS Bola, RF Saxophone, RF 16, Xeo Filter GP, Xeo Filter Exclusive NT, RDF Saxophone, RDF 20, RD Mild Sensation dan 2 merk rokok yang diproduksi di sektor SKT (Sigaret Kretek Tangan) yaitu, RC Kopi dan RDC.
Gambar 2. Grafik total produksi OW (Operator Wrapping) rokok pada SKM
7
menggunakan metode runtun waktu (Time Series) Exponential Smoothing, Holt, dan Holt Winter.
Gambar 3. Parameter alpha, beta dan gamma
Pada Gambar 3 parameter alpha, beta dan gamma ditentukan pada program R, sehingga dapat digunakan sebagai parameter dalam perhitungan pada program R. Ada tiga parameter yang perlu penetapan, bergantung dari komponen
trend dan variasi musiman : 1) alpha (α) merupakan parameter yang mengontrol
pembobotan relatif pada pengamatan yang baru dilakukan. Parameter alpha digunakan pada semua model. Jika nilai alpha 1, maka hanya menunjukkan pengamatan terbaru yang digunakan. Dan jika alpha bernilai 0, maka pengamatan yang lalu dihitung sepadan dengan bobot yang terbaru. Parameter alpha digunakan untuk model eksponensial sederhana dan model eksponensial Holt; 2)
Beta (β) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan untuk kemunculan trend seri. Parameter beta digunakan pada model yang memiliki komponen trend linier atau eksponensial yang tidak memiliki variasi musiman. Nilai beta berkisar 0 sampai 1. Jika nilai semakin besar, maka menunjukan pemberian bobot yang semakin besar pada pengamatan terbaru. Parameter beta digunakan di dalam model Holt Winter; 3)
Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada
pengamatan yang baru dilakukan untuk kemunculan variasi musiman. Parameter
gamma digunakan pada model yang memiliki variasi musiman. Nilai gamma
8
Gambar 4. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan
metode Exponential Smoothing
Pada Gambar 4 menunjukkan pola data prediksi yang terbentuk dari data SKM periode sebelumnya. OW (Operator Wrapping) total adalah keseluruhan produksi pengemasan rokok dari semua merk yang diproduksi. Dari grafik tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama lima bulan dengan menggunakan ES tidak sesuai untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran sebab dari hasil perhitungan pada R dan dari grafik menunjukan bahwa pola data prediksi yang terbentuk tidak menunjukkan pola data musiman maupun trend. Prediksi jumlah produksi OW diperkirakan stabil tidak naik maupun turun jika diperkirakan dengan ES.
Gambar 5. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE
dan MASE pada program R dengan metode ES.
9
Gambar 6. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan
metode Holt
Pada Gambar 6 menunjukkan pola data prediksi SKM yang terbentuk dari data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama lima bulan dengan menggunakan Holt adalah tidak sesuai untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran sebab dari pola data prediksi yang terbentuk menunjukkan adanya pola data trend dengan kecenderungan naik dari bulan sebelumnya (data aktual).
Gambar 7. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE
dan MASE pada program R dengan metode Holt.
Gambar 7 memperlihatkan perhitungan tingkat akurasi OW pada produksi SKM yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE pada program R dengan menggunakan metode Holt.
Gambar 8. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt.
10
Gambar 9. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan
metode HW
Pada Gambar 9 menunjukkan pola data prediksi SKM yang terbentuk dari data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama lima bulan dengan menggunakan Holt Winter adalah sesuai untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran sebab dari pola data prediksi yang terbentuk menunjukkan adanya pola data musiman. Garis vertikal berwarna merah merupakan batas dari data aktual, sementara garis hijau dan biru memperlihatkan batas periode prediksi masa datang dalam satuan bulan.
Gambar 10. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt Winter.
Gambar 10 menunjukan prediksi OW pada produksi SKM selama 7 hari kedepan pada program R menggunakan metode Holt Winter.
Gambar 11. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan
11
Gambar 11 memperlihatkan perhitungan tingkat akurasi OW pada produksi SKM yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE pada program R dengan menggunakan metode Holt Winter.
Gambar 12. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT dengan
metode ES
Pada Gambar 12 menunjukkan pola data prediksi yang terbentuk dari data SKT periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama lima bulan dengan menggunakan metode ES adalah tidak sesuai untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran sebab dari hasil perhitungan pada R dan dari grafik menunjukan bahwa pola data prediksi yang terbentuk tidak menunjukkan pola data musiman maupun trend. Prediksi jumlah produksi OW diperkirakan stabil tidak naik maupun turun jika diperkirakan dengan ES.
Gambar 13. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan metode ES.
12
Gambar 14. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt Winter.
Gambar 14 menunjukan prediksi OW pada produksi SKM selama 7 hari kedepan pada program R menggunakan metode ES.
Gambar 15. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT
dengan metode Holt
Pada Gambar 15. menunjukkan pola data prediksi SKT yang terbentuk dari data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama lima bulan dengan menggunakan Holt adalah tidak sesuai untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran sebab dari hasil perhitungan pada R dan dari grafik menunjukan bahwa pola data prediksi yang terbentuk tidak menunjukkan pola data musiman maupun trend. Prediksi jumlah produksi OW diperkirakan naik dengan metode Holt.
Gambar 16. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE
13
Gambar 16 memperlihatkan perhitungan tingkat akurasi OW pada produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE pada program R dengan menggunakan metode Holt.
Gambar 17. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt.
Gambar 17 menunjukan prediksi OW pada produksi SKT selama 7 hari kedepan pada program R menggunakan metode Holt.
Gambar 18. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT dengan
metode HW
14
Gambar 19. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan metode Holt Winter.
Gambar 19 memperlihatkan perhitungan tingkat akurasi OW pada produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE pada program R dengan menggunakan metode Holt Winter.
Gambar 20. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt Winter.
Gambar 20 menunjukan prediksi OW pada produksi SKT selama 7 hari kedepan pada program R menggunakan metode Holt Winter.
15
Tabel 1. Analisis perbandingan nilai uji akurasi pada SKM antara ES, Holt, dan HW
Metode ME RMSE MAE MPE MAPE MASE Holt
winter
5.89899 16.08622 12.86158 18.98851 86.71921 NaN Holt 5.376522 17.46891 14.16163 -29.9119 130.0378 NaN ES 0.9527676 11.06828 9.175876 25.47472 89.30094 NaN
Tabel 2. Analisis perbandingan nilai uji akurasi pada SKT antara ES, Holt, dan HW
Metode ME RMSE MAE MPE MAPE MASE Holt
winter
7.960411 20.95657 16.51261 107.2144 158.9237 NaN Holt 7.469058 20.87563 15.57709 60.72031 194.808 NaN ES -0.4868798 14.55605 12.34057 -14.56956 143.8908 NaN
Ketepatan metode yang digunakan diukur dari akurasi yang mampu memprediksi data pada periode yang akan datang. Perbandingan tingkat akurasi prediksi hasil analisis antara metode ES, Holt dan Holt winters pada data produksi rokok CV. Sukses jaya Utama Tengaran pada SKM dan SKT dari bulan Januari sampai Mei dapat dilihat pada tabel 1. Dari tabel 1 dan 2 dapat disimpulkan bahwa metode Holt winter merupakan metode yang paling akurat dibandingkan dengan metode Holt dan ES, karena memeiliki nilai uji akurasi yang paling kecil.
16
Berdasarkan Tabel 3 dan 4 metode Holt Winter cocok untuk memprediksikan jumlah produksi pada CV. Sukses Jaya Utama Tengaran pada masa yang akan datang sebab metode Holt Winter dapat meramalkan data dengan pola musiman dengan trend atau tanpa trend.
5. Simpulan
Berdasarkan experimen dan analisis yang telah dilakukan tentang prediksi produksi rokok pada SKM dan SKT CV. Sukses Jaya Utama Tengaran pada bulan Januari sampai bulan Mei, dapat disimpulkan bahwa metode Runtun Waktu (Time
Series) Holt Winter dapat mempresentasikan bagaimana gambaran ke depan
mengenai jumlah produksi rokok pada CV. Sukses Jaya Utama Tengaran dengan nilai uji akurasi yang paling kecil sebab metode forecasting Holt Winter adalah metode yang menggunakan penghalusan secara eksponensial sebagai ramalan dari kejadian di satu waktu yang akan datang, yaitu suatu metode analisis statistika untuk membantu CV. Sukses Jaya Utama Tengaran dalam memprediksi jumlah produksi yang selalu berubah-ubah berdasarkan data produksi dimasa lampau. Metode forecasting Holt Winter menitik beratkan penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua. Dengan demikian, nilai terbaru akan diberikan prioritas lebih tinggi bagi prediksi dari pada nilai yang lebih lama.
Pengukuran akurasi n data ramalan menggunakan beberapa metode yaitu nilai tengah galat (Mean Error), nilai tengah galat akar kuadrat (Root Mean Square Error), nilai tengah galat absolut (Mean Absolut Error), nilai tengah galat prosentase (Mean Percentage Error), nilai tengah galat absolut prosentase (Mean Absolut Percentage Error), dan nilai tengah galat skala. Pengukuran akurasi tersebut dapat membantu dalam menentukan metode peramalan yang terbaik untuk digunakan. Semakin kecil nilai akurasi semakin baik dan tepat metode yang digunakan.
17 6. Daftar Pustaka
[1] Rachmat, M., & Nuryanti, S., 2009, Dinamika Agribisnis Tembakau Dunia dan Implikasinya bagi Indonesia, Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian, Bogor.
[2] Hadi, P.U., & Friyatno, S., 2008, Peranan Sektor Tembakau dan Industri Rokok dalam Perekonomian Indonesia : Analisis table I-O Tahun 2000, Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian, Bogor.
[3] Likke ., 2000, Analisis Cost-Benefit Terhadap Industri Rokok di Indonesia, Alumnus Fakultas Ekonomi Jurusan Manajemen - Universitas Kristen Petra. [4] Saputra, M.H., 2006, Analisis Industri Rokok Kretek di Indonesia,
Universitas Muhammadiyah Purworejo.
[5] Halim, S., Bisono, I.N., Melissa, & Cynthia., 2007, Automatic Seasonal AutoRegressive Moving Average Models and Unit Root Test Detection, IEEE International conference on Industrial Engineering and Engineering Management proceeding, Singapore.
[6] Rais., 2011, Estimasi Data Yang Hilang Dengan Menggunakan Proses Penyaringan Dalam Pemodelan Data Time Series, Jurusan Matematika FMIPA Universitas Tadulako.
[7] Samsiah, D.N., 2008, Analisis Data Runtun Waktu Menggunakan Model ARIMA (p,d,q) (Aplikasi : Data Pendapatan Pajak Kendaraan Bermotor di Profinsi Daerah Istimewa Yogyakarta), Fakultas Sains dan Teknologi UIN Sunan Kalijaga, Yogyakarta.
[8] Wanayasa, I.G.N.A., Kencana, I.P.E.N, & Nilakusmawati., 2012, Peramalan Produk Domestik Regional Bruto (Pdrb) Provinsi Bali Dengan Menggunakan Metode Fuzzy Time Series, Fakultas MIPA Universitas Udayana.
[9] Soepriyanto, M.H., 2005, Peramalan Penjualan Rokok Dengan Pendekatan Analisis Runtun Waktu Pada PT. NIKORAMA TOB. CO. Cabang Jambi, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Salatiga. [10] Badria, 2008, Penggunaan Metode Exponential Smoothing Untuk
Meramalkan Kebutuhan Cengkeh Di Pabrik Rokok Adi Bungsu, FMIPA Universitas Brawijaya, Malang.
[11] Mara, M.N., Setyahadewi, N., & Yundari, 2013, Kajian Teoritis Hybridizing Exponential Smoothing dan Neural Network Untuk Peramalan Data Runtun Waktu, FMIPA, Pontianak.
[13] Rosadi, D., 2011, Analisis Ekonometrika dan Runtun Waktu Terapan dengan R, Yogyakarta: Andi, 2011.
