PREDIKSI PENJUALAN KELAPA SAWIT MENGGUNAKAN
METODE DOUBLE EXPONENTIAL SMOOTHING
(STUDI KASUS : PT. SINAR REKSA KENCANA)
REPOSITORY
OLEH
CAKRA YUDHA KUSUMA
NIM. 1603122902
PROGRAM STUDI SISTEM INFORMASI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS RIAU
PREDIKSI PENJUALAN KELAPA SAWIT MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING
(STUDI KASUS : PT. SINAR REKSA KENCANA) Cakra Yudha Kusuma1, Joko Risanto2
1Mahasiswa Program Studi S1 Sistem Informasi
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
cakra.yudha2902@student.unri.ac.id
ABSTRACT
Prediction is an important tool in effective and efficient planning. Prediction a projection or an uncertain estimated level of events in the future by using past data where scientific data will be analyzed specifically by using statistical method. PT Sinar Reksa Kencana a State-Owned palm oil sales. The availability of palm oil sales is very important to fill the needs of the people in companies. Palm oil supplies are managed to anticipate uncertainty in the demand and availability of palm oil in the event of crop failure in the palm oil supply area. Therefore, prediction using the double exponential smoothing method is an activity to make an improvement in prediction by averaging or smoothing the value of actual data obtained from past data in an exponential manner continuously. The results obtained from this study are the results of prediction using the double exponential smoothing method and the level of accuracy with MAD and MSE errors.
Keywords: Prediction, Double Exponential Smoothing, MAD, MAPE and MSE.
ABSTRAK
Prediksi adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien. Prediksi merupakan proyeksi atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan datang dengan menggunakan data lampau yang mana data tersebut akan dilakukan analisa ilmiah khususnya menggunakan metode yang statistika. PT Sinar Reksa Kencana sebagai Badan Usaha dibidang penjualan kelapa sawit. Adanya persediaan kelapa sawit sangat penting untuk memenuhi kebutuhan perusahaan. Persediaan kelapa sawit yang dikelola untuk mengantisipasi ketidakpastian permintaan dan ketersediaan kelapa sawit jika terjadi gagal panen di daerah pemasok buah kelapa sawit. Oleh karena itu, prediksi menggunakan metode double exponential smoothing merupakan suatu aktivitas secara terus menerus untuk melakukan suatu perbaikan dalam prediksi dengan merata-rata atau menghaluskan nilai data aktual yang diperoleh dari data masa lalu dengan cara menurun
(exponential). Hasil yang didapatkan dari penelitian ini adalah hasil prediksi
menggunakan metode double exponential smoothing dan tingkat akurasinya dengan error MAD, MAPE dan MSE.
Kata Kunci: Prediksi, double Exponential Smoothing, MAD, MAPE dan MSE, PENDAHULUAN
Skripsi adalah suatu karya tulis ilmiah yang wajib ditulis oleh mahasiswa dan merupakan persyaratan untuk mendapatkan status sarjana (S1) di setiap perguruan tinggi. Dunia usaha yang terus berubah dengan cepat, mengharuskan perusahaan untuk mampu menganalisis lingkungan usaha dan memprediksi berbagai kemungkinan yang terjadi di masa depan. Kegiatan prediksi masa depan merupakan salah satu usaha perusahaan sebagai dasar pengambilan keputusan strategis kelangsungan usaha.
Kelapa sawit merupakan salah satu tanaman yang sangat potensial di budidayakan di Kecamatan Rakit Kulim Kabupaten Indragiri Hulu. Kelapa sawit di manfaatkan sebagai penghasil minyak makan, minyak industri, maupun bahan bakar (bio diexel). Penjualan sawit cenderung berubah-ubah disebabkan beberapa faktor seperti kualitas produksi, keinginan kebutuhannya, kelompok pembeli atau segmen pasar, modal, kebijakan harga jual, situasi persaingan, kondisi kemampuan penjualan dan lain-lain.
Untuk mengatasi permasalahan di atas, maka penelitian ini dilakukan dengan penggunaan metode prediksi double exponential smoothing dirasakan sesuai karena menggunakan data-data histori yang sudah ada.
METODE PENELITIAN a. Teknik Pengumpulan Data
Adapun tiga teknik pengumpulan data yang biasa digunakan adalah angket, observasi dan wawancara.
1. Angket
Angket / kuesioner adalah teknik pengumpulan data yang dilakukan dengan cara memberikan seperangkat pertanyaan atau pernyataan kepada yang dijadikan responden untuk dijawabnya.
2. Observasi
Obrservasi merupakan salah satu teknik pengumpulan data yang tidak hanya mengukur sikap dari responden (wawancara dan angket) namun juga dapat digunakan untuk merekam berbagai fenomena yang terjadi (situasi, kondisi).
3. Wawancara
Wawancara merupakan teknik pengumpulan data yang dilakukan melalui tatap muka dan tanya jawab langsung antara pengumpul data maupun peneliti terhadap nara sumber atau sumber data.
b. Peralatan yang Digunakan
1. Perangkat Keras (Hardware)
a) Laptop dengan processor Intel Core i5 NVIDIA GEFORCE, 32-bit architechture
b) Printer Epson L210 2. Perangkat Lunak (software)
a) Sistem Operasi Windows 10 Pro 32-bit.
b) Microsoft Office 2016 untuk membuat penulisan skripsi. c) XAMPP versi 3.2.2 bertujuan untuk membuat database. d) PHP bahasa pemrograman yang dipakai didalam program. e) MySQL bertujuan untuk pengolahan database.
f) Jet Brains Php Storm 2018.2.5 x64 bit bertujuan untuk membuat program. g) StarUML bertujuan untuk membuat diagram.
h) Firefox Quanton bertujuan untuk membuka program yang telah dibuat.
c. Double Exponential Smoothing
Dasar pemikiran dari metode exponential smoothing tunggal maupun ganda adalah bahwa nilai pemulusan akan terdapat pada waktu sebelum data sebenarnya apabila pada data tersebut terdapat komponen trend. Oleh karena itu untuk nilai-nilai pemulusan tunggal perlu ditambahkan nilai pemulusan ganda untuk menyesuaikan trend. Metode
exponential smoothing ganda yang dapat digunakan untuk menyelesaikan trend linier
adalah metode dua parameter dari Holt. Pada metode Holt nilai trend tidak dimuluskan dengan pemulusan ganda secara langsung, tetapi proses pemulusan trend dilakukan dengan menggunakan parameter yang berbeda dengan parameter yang digunakan pada pemulusan data asli (Baktiar, Wibowo, and Adipranata 2013:2).
Menurut (Sinaga 2018:11), rumus double exponential smoothing dengan langkah-langkah sebagai berikut:
1. Menentukan smoothing pertama 𝑆1𝑡 = 𝛼𝑋𝑡+ (1 − 𝛼) 𝑆1𝑡 − 1 2. Menentukan smoothing kedua
𝑆2𝑡 = 𝛼𝑆1𝑡 + (1 − 𝛼) 𝑆2𝑡 − 1 3. Menentukan besarnya kostanta A 𝑎𝑡 = 𝑆1𝑡 + (𝑆𝑡1− 𝑆𝑡2) = 2 𝑆𝑡1− 𝑆
𝑡2 4. Menentukan besarnya slope
𝑏𝑡 = 𝛼 1−𝛼 (𝑆𝑡
1− 𝑆 𝑡2)
5. Menentukan besarnya forecast 𝐹𝑡+𝑝 = 𝑌̂t + p = 𝑎𝑡+ 𝑏𝑡p Dimana :
𝑋𝑡 = Data aktual dari periode ke-t. 𝑆1𝑡 = Nilai pemulusan tunggal. 𝑆2𝑡 = Nilai pemulasan ganda. 𝑎𝑡 = Nilai kostanta a.
𝑏𝑡 = Nilai kostanta b.
𝐹1+p = Mencari peramalan di periode berikutnya. α = Nilai alpha.
d. Mean Absolute Deviation
Mean Absolute Deviation (MAD) adalah suatu cara yang digunakan dalam
melakukan penilaian terhadap hasil (evaluasi) perhitungan prediksi. Mean Absolute
Deviation (MAD) adalah rata-rata kesalahan mutlak dalam suatu perhitungan tanpa
menghiaraukan besar kecilnya hasil prediksi yang telah diperoleh. Berikut adalah rumus perhitungan Mean Absolute Deviation (MAD) (Jana, dkk, 2015:51).
𝑀𝐴𝐷 =∑ |𝐴𝑡−𝐹𝑡|
𝑛 .
Dimana :
At = Permintaan aktual pada periode t Ft = Prediksi permintaan pada periode t n = Jumlah periode prediksi yang terlibat
e. Mean Square Error
Mean Square Error (MSE) adalah rata-rata kuadrat kesalahan, dihitung dengan menjumlahkan kuadrat semua kesalahan prediksi pada setiap periode dan membaginya dengan jumlah periode prediksi. Berikut adalah rumus perhitungan Mean Square Error (MSE) (Jana, dkk, 2015:51).
𝑀𝑆𝐸 = ∑(𝐴𝑡 − 𝐹𝑡)2
𝑛 Dimana :
At = Permintaan aktual pada periode t Ft = Prediksi permintaan pada periode t n = Jumlah periode prediksi yang terlibat
f. Mean Absolute Percentage Error
MAPE merupakan ukuran kesalahan relatif, MAPE biasanya lebih berarti bila dibandingkan dengan MAD karena MAPE menyatakan persentase kesalahan hasil prediksi terhadap permintaan aktual selama periode tertentu yang akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah (Jana, dkk, 2015:51).
𝑀𝐴𝑃𝐸 = (100
𝑛 ) ∑ |𝐴𝑡 −
𝐹𝑡 𝐴𝑡 Dimana :
At = Permintaan aktual pada periode t Ft = Prediksi permintaan pada periode t n = Jumlah periode prediksi yang terlibat
HASIL DAN PEMBAHASAN a. Pengumpulan Data
Analisa sistem dilakukan untuk mengumpulkan data dan informasi mengenai sistem yang digunakan dan sistem yang akan dirancang serta analisis tentang kebutuhan sistem dan pengguna.
adalah:
1. Tujuan dalam melakukan prediksi ini adalah membantu perusahaan dapat mempersiapkan jumlah kelapa sawit dengan permintaan konsumen.
2. Item yang akan diprediksi pada penelitian ini adalah penjualan kelapa sawit pada PT. Sinar Reksa Kencana.
3. Jangka waktu yang digunakan pada penelitian ini adalah jangka pendek (1-6 bulan). 4. Dalam perancangan prediksi ini dibutuhkan proses pengolahan data secara manual
dengan metode double exponential smoothing yang akan di-implementasikan kedalam sistem.
Dalam proses untuk pengolahan data menggunakan metode double exponential
smothing adalah menyiapkan data untuk penjualan kelapa sawit, setelah semua data
selesai disiapkan, langkah-langkah selanjutnya adalah menentukan untuk nilai alpha (α) yang nantinya digunakan untuk melakukan
perhitungan prediksi.
Hasil rekapitulasi data penjualan buah sawit pada PT Sinar Reksa Kencana pada tahun 2019 terdapat pada tabel 1.
Tabel 1 Hasil Prediksi Penjualan Sawit Jenis Dura, Pasifera, Tenera Divisi 1
Dengan alpha 0.1
Tahun Bulan Sawit
2019 Jul-19 292832 Agus-19 313446 Sept-19 308141 Okt-19 285920 Nov-19 197876 Des-19 132989
1.Langkah pertama penggunaan metode double exponential smoothing adalah menentukan smoothing pertama. Kostanta yang digunakan dalam perhitungan ini yaitu nilai alpha (α = 0.1) dengan rumus S1t = 𝛼𝑋𝑡+ (1 − 𝛼) 𝑆1t-1
S11 = 292832 (karena diambil dari data jumlah penjualan sawit sebelumnya) S12 = 0.1*313446 + (1-0.1) * 292832 = 294893 S13 = 0.1*308141 + (1-0.1) * 294893 = 296218 S14 = 0.1*285920 + (1-0.1) * 296218 = 295188 S15 = 0.1*197876 + (1-0.1) * 295188 = 285457 S16 = 0.1*132989 + (1-0.2) * 285457 = 270210
2.Setelah nilai smoothing pertama didapatkan, maka langkah selanjutnya menentukan
smoothing kedua dengan kostanta nilai alpha (α = 0.1) dengan rumus S2t= 𝛼𝑆′𝑡 + (1 − 𝛼) 𝑆2t-1
S21 = 292832 ( karena diambil dari data jumlah penjualan sawit sebelumnya) S22 = 0.1*294893 + (1-0.1) * 292832 = 293038 S23 = 0.1*296218 + (1-0.1) * 293038 = 293356 S24 = 0.1*295188 + (1-0.1) * 293356 = 293539 S25 = 0.1*197876 + (1-0.1) * 293539 = 292731 S26 = 0.1*270210 + (1-0.1) * 292731 = 290479
3. Langkah selanjutnya menentukan besarnya konstanta A yang digunakan untuk mencari besarnya nilai prediksi pada periode berikutnya dengan rumus at = 2 𝑆𝑡1 − 𝑆
𝑡2 A1 = ( data perhitungan tidak ada)
A2 = 2*294893-293038 = 296748 A3 = 2*296218-293356 = 299080 A4 = 2*295188-293539 = 296837 A5 = 2*285457-292731 = 278183 A6 = 2*270210-290479 = 17249941
4.Langkah selanjutnya menentukan besarnya slope (konstanta b) dengan rumus 𝑏𝑡 = 𝛼
1−𝛼 (𝑆𝑡 1 - 𝑆
𝑡2)
b1 = ( data perhitungan tidak ada) b2 = (0.1/(1-0.1))*( 294893-293038) = 20611 b3 = (0.1/(1-0.1))*( 296218-293356) = 31800 b4 = (0.1/(1-0.1))*( 295188-293539) = 18322 b5 = (0.1/(1-0.1))*( 285457-292731) = -80822 b6 = (0.1/(1-0.1))*( 270210-290479) = -225211
5. Langkah selanjutnya menentukan prediksi pada periode berikutnya dengan rumus 𝐹𝑡+𝑝 = 𝑎𝑡+ 𝑏𝑡 m
F1+p = (data perhitungan tidak ada)
F3+p = (296748 + 20611) = 296954 F4+p = (299080 + 31800) = 299398 F5+p = (296837 + (18322) = 297020 F6+p = (278183 + (-80822)) = 277375 F7+p = (249941 + (-225211))
= 247689 (Prediksi dibulan Januari 2020)
Setelah nilai prediksi dihitung, maka langkah selanjutnya menghitung nilai eror, dengan tujuan memperoleh hasil yang akan digunakan untuk mengetahui tingkat akurasi prediksi. Berikut adalah perhitungan nilai eror:
MAD = ∑ |𝐴𝑡−𝐹𝑡| 𝑛 = 288809 6 = 48135 MSE = ∑|𝐴𝑡−𝐹𝑡| 2 𝑛 = 314085922181 6 = 5234765364 MAPE =
(
100 𝑛) ∑ | 𝐴
𝑡−
𝐹𝑡 𝐴𝑡|
= 100 6*
173595 = 289325 %Dari perhitungan diatas dijelaskan bahwa perhitungan tersebut merupakan hasil dari prediksi penjualan sawit jenis dura, pasifera, tenera divisi 1 menggunakan
alpha/bobot 0.1. Untuk perhitungan selanjutnya hanya ditukar nilai bobot.
KESIMPULAN
sistem prediksi penjualan kelapa sawit di PT. Sinar Reksa Kencana berbasis web dengan menggunakan perhitungan metode double exponential smoothing. Maka dapat diambil beberapa kesimpulan diantaranya sebagai berikut:
1. PT. Sinar Reksa Kencana dapat mempersiapkan jumlah produksi kelapa sawit sesuai dengan permintaan konsumen berdasarkan hasil prediksi menggunakan metode
double exponential smoothing sehingga perusahaan dapat menghindari overstock dan
dapat menghindari kerugian produksi.
2. Pengujian didalam sistem ini dilakukan dengan dua cara yaitu, perhitungan manual dan perhitungan melalui sistem prediksi penjualan kelapa sawit berbasis web. Dimana hasil pengujian sistem melalui perhitungan manual menghasilkan output yang sama, kesimpulan hasil yang dikeluarkan sistem prediksi penjualan kelapa sawit berbasis
web dikatakan valid. Dan pengujian sistem mengatakan seluruh fungsi interface
berjalan dengan sesuai harapan penulis, sehingga bisa dikatan sistem ini berjalan dengan baik..
3. Sistem ini membantu pengelola perusahaan untuk dalam membantu melakukan prediksi penjualan kelapa sawit yang dapat memudahkan pengguna dalam penentuan stok barang.
SARAN
1. Adapun saran dari penelitian ini adalah sebagai berikut : Pada pengembangan aplikasi prediksi selanjutnya diharapkan dapat dioperasikan tidak hanya berbasis web saja, melainkan juga bisa dioperasikan berbasis mobile.
2. Metode ini dapat digunakan untuk kasus prediksi tanaman perkebunan lainnya. 3. Menerapkan metode prediksi lain untuk mendapatkan hasil prediksi yang lebih bagus,
sehingga didapatkan informasi yang lebih baik pula untuk hasil prediksi yang dibutuhkan.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak Joko Risanto,S.Kom., M.Kom yang telah membimbing, memberikan arahan, masukan, dan memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Baktiar, C., Wibowo, A. and Adipranata, R. (2013) ‘Pembuatan Sistem Peramalan Penjualan Dengan Metode Weighted Moving Average dan Double Exponential Smoothing Pada UD Y’, Jurnal Ilmiah, vol 7(global), pp. 1–5.
Jana (2015) Rekayasa Perangkat Lunak Terstruktur Dan Berorientasi Objek. Edisi Revi. Bandung: Informatika Bandung.
Sinaga, H. D. E., Irawati, N. and Informasi, S. (2018) ‘Perbandingan Double Moving Average Dengan Double Exponential Smoothing Pada Peramalan’, IV(2).
