Pemilihan Metode Peramalan yang Tepat Untuk Meramalkan Permintaan Piston Cup Forging di Perusahaan Spare-part Kendaraan

(1)

Pemilihan Metode Peramalan yang Tepat untuk Meramalkan Permintaan Piston Cup Forging

di Perusahaan Spare-part Kendaraan

Theodora Edita Sari^1*, Winarno²

1,2Program Studi Teknik Industri, Fakultas Teknik, Universitas Singaperbangsa Karawang, Indonesia

*Koresponden email: theodoraedita01@gmail.com

Diterima: 10 Maret 2023 Disetujui: 21 Maret 2023

Abstract

The demand for Piston Cup Forging in spare-part companies every period has increased and decreased, which causes uncertainty about product demand. In this case, the company needs to do demand forecasting.

There are various methods of doing forecasting. Companies must choose the best forecasting method, so that companies can make decisions more effectively and efficiently. This research aims to compare the best forecasting methods to apply for companies. The methods that will be compared in this research are Moving Average 3 monthly and 5 monthly, and Exponential Smoothing with α = 0,1; α = 0,5; and α = 0,9. The error accuracy calculations used are Mean Absolute Deviation (MAD), Mean Squared Error (MSE), and Mean Absolute Percentage Error (MAPE). From the results of calculations and analysis, the method that has the lowest error rate is the Exponential Smoothing method with α = 0,1, with MAD of 16.695, MSE of 510.645.732, and MAPE value of 61%. So in estimating the demand for Piston Cup Forging over the upcoming period in spare-part companies can use the Exponential Smoothing method with α = 0,1.

Keywords: error accuracy, exponential smoothing, moving average, forecasting, demand

Abstrak

Permintaan Piston Cup Forging pada perusahaan spare-part setiap periodenya mengalami kenaikan dan penurunan, yang menyebabkan adanya ketidakpastian akan permintaan produk. Dalam hal ini, perusahaan perlu melakukan peramalan permintaan. Terdapat berbagai metode dalam melakukan peramalan.

Perusahaan harus memilih metode peramalan terbaik, sehingga bisa mengambil keputusan menjadi lebih efektif dan efisien. Penelitian ini bertujuan untuk membandingkan metode peramalan yang paling baik untuk diterapkan pada perusahaan. Metode yang akan dibandingkan pada penelitian ini adalah Moving Average 3 bulanan dan 5 bulanan serta Exponential Smoothing dengan α = 0,1; α = 0,5; dan α = 0,9. Adapun perhitungan akurasi kesalahan yang digunakan ialah Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE). Dari hasil perhitungan dan analisis, metode yang mempunyai tingkat kesalahan terendah ialah metode Exponential Smoothing dengan α = 0,1 yaitu MAD sebesar 16.695, MSE sebesar 510.645.732, dan nilai MAPE sebesar 61%. Sehingga dalam memperkirakan jumlah permintaan Piston Cup Forging selama periode yang akan datang di perusahaan spare-part dapat menggunakan metode Exponential Smoothing dengan α = 0,1.

Kata Kunci: Akurasi kesalahan, exponential smoothing, moving average, peramalan, permintaan

1. Pendahuluan

Bisnis di Indonesia harus mampu bersaing di era globalisasi karena mengalami perkembangan yang pesat. Dari mutu produk yang diproduksi, harga suatu produk, hingga kemampuan perusahaan dalam usaha pemenuhan permintaan pelanggan semuanya berperan dalam persaingan yang terjadi di dalamnya [1]. Bagi perusahaan, konsumen adalah salah satu faktor penentu dalam pertahanan dan perkembangannya, sehingga diperlukan pertimbangan untuk bisa memenuhi permintaan konsumen tersebut. Peramalan atau forecasting adalah strategi yang dapat digunakan untuk perencanaan produksi sehingga bisa memenuhi permintaan konsumen [2].

Salah satu produk yang diproduksi oleh perusahaan spare-part kendaraan adalah Piston Cup Forging. Permintaan akan produk Piston Cup Forging setiap bulannya mengalami perubahan. Jumlah permintaan tersebut setiap periodenya naik dan turun sesuai dengan permintaan dari customer. Karena permintaan yang fluktuatif ini, membuat tidak adanya kepastian terhadap banyaknya permintaan pada setiap periodenya dan berdampak pada pemenuhan kebutuhan pelanggan.

(2)

Peramalan permintaan produk mempunyai peranan penting terhadap keputusan perencanaan dan pengendalian perusahaan, dan diperlukan bagi perusahaan untuk mengatasi jumlah permintaan yang berfluktuasi setiap periodenya. Peramalan adalah suatu proses dalam memprediksi peristiwa yang akan terjadi di masa mendatang [3]. Data historis akan digunakan pada perhitungan peramalan, seperti data permintaan pada tahun lalu, dan akan diproyeksikan ke masa depan menggunakan model matematika [4].

Saat merencanakan dan mengendalikan produksi, peramalan dapat digunakan secara efisien dan efektif [5].

Moving Average dan Exponential Smoothing adalah teknik dalam meramalkan permintaan. Moving Average adalah metode dalam meramalkan sesuatu dengan pemulusan nilai menggunakan rata-rata (mean) dari sekelompok nilai yang telah dijumlahkan sebagai peramalan untuk periode di masa mendatang [6].

Sedangkan Exponential Smoothing ialah perhitungan berdasarkan data terbaru yang digunakan dalam peramalan, dan setiap data diberi bobot [7]. Dengan menghitung nilai tingkat akurasi kesalahan pada setiap metode peramalan dapat berguna untuk memilih metode peramalan yang paling akurat. Aplikasi sistem peramalan dapat dipilih berdasarkan hasil dari penilaian akurasi [8].

Pemilihan metode peramalan sebelumnya sudah diterapkan dalam berbagai hal, seperti pada PT.

EDS Manufacturing Indonesia (PEMI) yang mengimplementasikannya terhadap peramalan pada persediaan barang dengan metode Weighted Moving Average dan metode Double Exponential Smoothing, dan dilakukan perbandingan dari metode tersebut berdasarkan nilai error yang terendah. Metode dengan nilai kesalahan terendah mempunyai tingkat akurasi tertinggi dalam meramalkan persediaan [9]. Peramalan juga dilakukan terhadap harga jual cabai merah di Pasar Rakyat Kemang Kabupaten Bogor, dengan penggunaan metode Moving Average sebanyak 3 periode, dan Exponential Smoothing dengan nilai α yang digunakan sebesar 0,5. Penelitian ini termasuk penelitian komparatif dengan menentukan metode terbaik berdasarkan hasil peramalan dan menghitung tingkat kesalahan terkecil dari kedua metode tersebut [10].

Selain itu, pemilihan metode peramalan juga pernah dilakukan terhadap pertumbuhan ekonomi Provinsi Bengkulu. Pada penelitian ini metode yang dibandingkan adalah Single Moving Average, Single Exponential Smoothing, dan Ensemble dengan hasil Single Moving Average ialah metode yang terbaik [11].

Dari beberapa penelitian terdahulu, dapat membantu memberikan rekomendasi pada pemilihan metode peramalan permintaan Piston Cup Forging. Moving Average dan Exponential Smoothing ialah metode yang digunakan dalam penelitian ini. Teknik peramalan terbaik dengan tingkat kesalahan terendah akan ditentukan dengan membandingkan kedua metode tersebut.

2. Metode Penelitian Pengumpulan Data

Obyek yang diteliti adalah Piston Cup Forging, yang merupakan salah satu produk yang diproduksi pada perusahaan spare-part kendaraan. Penelitian ini bersifat kuantitatif, karena menyelesaikan jawaban pada masalah penelitian dengan angka dan statistik [12]. Data didapatkan melalui proses observasi dan wawancara.

Pengolahan Data

Data yang sudah dikumpulkan seperti data permintaan satu tahun terakhir, kemudian dapat diolah menggunakan metode Moving Average 3 bulanan dan 5 bulanan serta Exponential Smoothing dengan α = 0,1; α = 0,5; α = 0,9. Perhitungan peramalan dilakukan dengan menggunakan Microsoft Excel. Hasil pengukuran nilai akurasi juga digunakan untuk menganalisis metode peramalan ini guna mengidentifikasi metode peramalan yang lebih efisien dan akurat.

Metode Dalam Peramalan

Berikut metode peramalan yang digunakan untuk meramalkan permintaan Piston Cup Forging.

a. Moving Average

Metode Moving Average merupakan teknik peramalan yang menggunakan nilai rata-rata dari sekelompok nilai pengamatan sebagai prediksi di masa mendatang [13]. Data yang dirata-ratakan adalah data yang bergantung pada waktu (time series) [14]. Moving average dapat dihitung dengan menggunakan persamaan berikut:

𝑀_𝑡=^𝑌^𝑡^+𝑌^𝑡−1^+𝑌^𝑡−2^+...+𝑌^{𝑡−𝑛−1}

𝑛 (1)

Keterangan:

𝑀_𝑡 = Forecast periode 1 𝑌_𝑡 = Data aktual periode ke-t

(3)

𝑛 = Jangka waktu Moving Average

b. Exponential Smoothing

Exponential Smoothing ialah metode yang bersifat logaritmik, yang dimana data aktivitas terakhir dianggap mempunyai probabilitas yang lebih besar untuk berulang dibandingkan dengan data aktivitas sebelumnya dan menurun secara eksponensial [15]. Persamaan pada metode Exponential Smoothing sebagai berikut [16]:

𝐹_𝑡+1= 𝛼𝑋_𝑡+ (1 − 𝛼)𝐹_𝑡−1 (2)

Keterangan:

𝐹_𝑡+1 = Forecast untuk periode berikutnya 𝐹𝑡−1 = Forecast periode t-1

𝑋_𝑡 = Permintaan aktual periode t

𝛼 = Bobot konstanta pemulusan (0 ≤ α ≤ 1)

Akurasi Peramalan

Berikut perhitungan akurasi peramalan yang dapat digunakan dalam perhitungan tingkat kesalahan (error) [17].

a. Mean Absolute Deviation (MAD)

MAD adalah nilai absolut rata-rata dari jumlah kesalahan ramalan, terlepas dari apakah itu positif atau negatif.

𝑀𝐴𝐷 = ^∑^𝑛^𝑡=1^{∑|𝐴𝑡−𝐹𝑡|}

𝑛 (3)

Keterangan:

𝐴𝑡 = Data permintaan periode t 𝐹𝑡 = Forecast periode t

𝑛 = Jumlah periode peramalan b. Mean Squared Error (MSE)

MSE adalah rata-rata perbedaan kuadrat antara nilai yang diprediksi dan yang diamati.

𝑀𝑆𝐸 = ^∑^𝑛^𝑡=1^{∑|𝐴𝑡−𝐹𝑡|}²

𝑛 (4)

Keterangan:

𝐴𝑡 = Data permintaan periode t 𝐹𝑡 = Forecast periode t

𝑛 = Jumlah periode peramalan

c. Mean Absolute Percentage Error (MAPE)

MAPE merupakan nilai tengah kesalahan persentase absolut ramalan. MAPE menunjukkan permintaan aktual dengan rata-rata persentase nilai absolut kesalahan yang terjadi selama periode peramalan.

𝑀𝐴𝑃𝐸 = ^∑

|𝑋𝑡−𝐹𝑡|

𝑋𝑡 ×100

𝑛𝑡=1

𝑛 (5)

Keterangan:

𝑋𝑡 = Data permintaan aktual periode 𝐹𝑡 = Nilai Forecast periode

𝑛 = Jumlah data

3. Hasil dan Pembahasan

Perhitungan peramalan permintaan Piston Cup Forging dilakukan untuk meramalkan permintaan periode mendatang dan dilakukan perbandingan dari setiap metode berdasarkan hasil akurasi kesalahan.

3.1. Plot Data Permintaan

(4)

Dalam melakukan peramalan Piston Cup Forging, diperlukan data historis permintaan perusahaan pada produk tersebut. Data historis permintaan Piston Cup Forging dari bulan Januari hingga bulan Desember ditunjukkan pada Tabel 1.

Tabel 1. Data Jumlah Permintaan Piston Cup Forging

Periode Permintaan

Januari 6.000

Februari 13.200

Maret 36.000

April 9.600

Mei 27.408

Juni 33.768

Juli 4.800

Agustus 15.600

September 10.800

Oktober 19.200

November 58.080

Desember 60.000

Sumber: Perusahaan Spare-part Kendaraan (2022)

Pada Tabel 1 menunjukkan bahwa permintaan setiap periodenya mengalami fluktuasi, terjadi kenaikan maupun penurunan permintaan. Maka selanjutnya dilakukan plot data sebelum data diolah, supaya dapat mengetahui pola aliran data yang akan diramal sehingga dapat mempermudah dalam proses peramalan. Fluktuasi permintaan Piston Cup Forging diplotkan ke dalam bentuk grafik garis seperti pada Gambar 1.

Gambar 1. Plot Data Permintaan Piston Cup Forging Sumber: Hasil Pengolahan Data (2022)

3.2. Perhitungan Moving Average

Metode Moving Average 3 bulanan dan 5 bulanan akan menjadi metode Moving Average yang digunakan dalam pengolahan data penelitian ini. Peramalan ini berdasarkan pada data bulan sebelumnya.

Dalam metode Moving Average 3 bulanan membutuhkan setidaknya tiga periode data sebelumnya. Pada metode ini tiga data dijumlahkan, kemudian dibagi 3. Hasil perhitungan metode Moving Average 3 bulanan ditunjukkan pada Tabel 2.

Tabel 2. Hasil Perhitungan Metode Moving Average 3 Bulanan

Periode Demand Forecast Error Abs. Error Error² % Error

1 6.000 -

2 13.200 -

3 36.000 -

4 9.600 18.400 -8.800 8.800 77.440.000 92

5 27.408 19.600 7.808 7.808 60.964.864 28

6 33.768 24.336 9.432 9.432 88.962.624 28

7 4.800 23.592 -18.792 18.792 353.139.264 392

8 15.600 21.992 -6.392 6.392 40.857.664 41

9 10.800 18.056 -7.256 7.256 52.649.536 67

0 2.000 4.000 6.000 8.000 10.000 12.000 14.000

Jumlah Permintaan

Periode

(5)

10 19.200 10.400 8.800 8.800 77.440.000 46

11 58.080 15.200 42.880 42.880 1.838.694.400 74

12 60.000 29.360 30.640 30.640 938.809.600 51

13 45.760

Jumlah 140.800 3.528.957.952 818

Nilai Error 15.644 392.106.439 91

Tingkat Error MAD MSE MAPE

Sumber: Hasil Pengolahan Data (2022)

Tabel 2 diperoleh hasil peramalan untuk periode yang akan datang sebesar 45.760 dan hasil dari perhitungan akurasi kesalahan dengan nilai MAD sebesar 15.644, MSE sebesar 392.106.439, dan nilai MAPE sebesar 91%. Kemudian dilakukan perhitungan Moving Average 5 bulanan, supaya dapat dibandingkan guna mendapatkan metode peramalan permintaan yang lebih efektif untuk diterapkan pada perusahaan. Hasil perhitungan dari metode Moving Average 5 bulanan ditunjukkan pada Tabel 3.

Tabel 3. Hasil Perhitungan Metode Moving Average 5 Bulanan

Periode Demand Forecast Error Abs Error Error² % Error

1 6.000 -

2 13.200 -

3 36.000 -

4 9.600 -

5 27.408 -

6 33.768 18.442 15.326 15.326 234.898.537 45

7 4.800 23.995 -19.195 19.195 368.455.703 400

8 15.600 22.315 -6.715 6.715 45.093.911 43

9 10.800 18.235 -7.435 7.435 55.282.199 69

10 19.200 18.475 725 725 525.335 4

11 58.080 16.834 41.246 41.246 1.701.265.513 71

12 60.000 21.696 38.304 38.304 1.467.196.416 63

13 32.736

Jumlah 128.947 3.872.717.614 696

Nilai Error 18.421 553.245.373 99

Tabel 3 diperoleh hasil peramalan untuk periode yang akan datang sebesar 32.736 dan hasil dari perhitungan akurasi kesalahan dengan nilai MAD sebesar 18.421, MSE sebesar 553.245.373, dan nilai MAPE sebesar 99%. Berdasarkan hasil dari perhitungan tersebut, metode peramalan Moving Average yang terbaik adalah Moving Average 3 bulanan, dikarenakan memiliki tingkat akurasi kesalahan terendah daripada Moving Average 5 bulanan.

3.3. Perhitungan Exponential Smoothing

Peramalan metode Exponential Smoothing ini menggunakan pemulusan dengan α = 0,1; α = 0,5; dan α = 0,9 yang ditunjukkan Tabel 4, Tabel 5, dan Tabel 6.

Tabel 4. Hasil Perhitungan Exponential Smoothing dengan α = 0,1

1 6.000

2 13.200 6.000 7.200 7.200 51.840.000 55

3 36.000 6.720 29.280 29.280 857.318.400 81

4 9.600 9.648 -48 48 2.304 1

5 27.408 9.643 17.765 17.765 315.588.119 65

6 33.768 11.420 22.348 22.348 499.447.407 66

7 4.800 13.655 -8.855 8.855 78.402.383 184

8 15.600 12.769 2.831 2.831 8.014.217 18

9 10.800 13.052 -2.252 2.252 5.072.201 201

10 19.200 12.827 6.373 6.373 40.615.903 33

11 58.080 13.464 44.616 44.616 1.990.565.565 77

12 60.000 17.926 42.074 42.074 1.770.236.556 70

13 22.133

(6)

Jumlah 183.642 5.617.103.055 671

Nilai Error 16.695 510.645.732 61

Berdasarkan Tabel 4 diperoleh hasil peramalan untuk periode yang akan datang sebesar 22.133 dan hasil dari perhitungan akurasi kesalahan dengan nilai MAD sebesar 16.695, MSE sebesar 510.645.732, dan nilai MAPE sebesar 61%.

Tabel 5. Hasil Perhitungan Metode Exponential Smoothing dengan α = 0,5

1 6.000

2 13.200 6.000 7.200 7.200 51.840.000 55

3 36.000 9.600 26.400 26.400 696.960.000 73

4 9.600 22.800 -13.200 13.200 174.240.000 138

5 27.408 16.200 11.208 11.208 125.619.264 41

6 33.768 21.804 11.964 11.964 143.137.296 35

7 4.800 27.786 -22.986 22.986 528.356.196 479

8 15.600 16.293 -693 693 480.249 4

9 10.800 15.947 -5.147 5.147 26.486.462 48

10 19.200 13.373 5.827 5.827 33.951.016 30

11 58.080 16.287 41.793 41.793 1.746.686.194 72

12 60.000 37.183 22.817 22.817 520.601.228 38

13 48.592

Jumlah 169.234 4.048.357.905 1.013

Nilai Error 15.385 368.032.537 92

Dari Tabel 5 diperoleh hasil peramalan untuk periode yang akan datang sebesar 48.592 dan hasil dari perhitungan akurasi kesalahan dengan nilai MAD sebesar 15.385, MSE sebesar 368.032.537, dan nilai MAPE sebesar 92%.

Tabel 6. Hasil Perhitungan Peramalan Exponential Smoothing dengan α = 0,9

Periode Demand Forecast Error Abs Error Error2 % Error

1 6.000

2 13.200 6.000 7.200 7.200 51.840.000 55

3 36.000 12.480 23.520 23.520 553.190.400 65

4 9.600 33.648 -24.048 24.048 578.306.304 251

5 27.408 12.005 15.403 15.403 237.258.570 56

6 33.768 25.868 7.900 7.900 62.415.056 23

7 4.800 32.978 -28.178 28.178 793.997.881 587

8 15.600 7.618 7.982 7.982 63.715.568 51

9 10.800 14.802 -4.002 4.002 16.014.241 37

10 19.200 11.200 8.000 8.000 63.997.153 42

11 58.080 18.400 39.680 39.680 1.574.500.988 68

12 60.000 54.112 5.888 5.888 34.668.523 10

13 59.411

Jumlah 171.801 4.029.904.683 1.245

Nilai Error 15.618 366.354.971 113

Dari Tabel 6 diperoleh hasil peramalan untuk periode yang akan datang sebesar 59.411 dan hasil dari perhitungan akurasi kesalahan dengan nilai MAD sebesar 15.618, nilai MSE sebesar 366.354.971, dan nilai MAPE sebesar 113. Dari hasil perhitungan peramalan Exponential Smoothing dengan ketiga nilai α yang berbeda, yang mempunyai kesalahan terkecil berdasarkan nilai MAPE ialah metode dengan α = 0,1 yaitu sebesar 61%.

Setelah dilakukan perhitungan akurasi pada metode peramalan Moving Average dan Exponential Smoothing, yang memiliki tingkat akurasi kesalahan terkecil berdasarkan nilai MAPE adalah metode

(7)

Exponential Smoothing dengan nilai α = 0,1. Maka metode tersebut dapat dipilih untuk digunakan dalam meramalkan permintaan Piston Cup Forging. Dengan dipilihnya metode peramalan permintaan terbaik, maka akan menjadi lebih efektif dan efisien bagi perusahaan dalam mengambil keputusan atau merencanakan jumlah produksi.

4. Kesimpulan

Dalam memperkirakan banyaknya permintaan Piston Cup Forging pada perusahaan spare-part kendaraan di masa mendatang, diperlukan untuk melakukan peramalan permintaan. Beberapa metode yang dapat digunakan ialah Moving Average dan Exponential Smoothing. Berdasarkan hasil perbandingan pada kedua metode tersebut, Exponential Smoothing dengan α = 0,1 ialah metode yang lebih efektif dalam meramalkan permintaan Piston Cup Forging karena mempunyai tingkat error terendah yaitu MAD sebesar 16.695, MSE sebesar 510.645.732, dan nilai MAPE sebesar 61%, dengan hasil peramalan permintaan untuk periode yang akan datang sebesar 22.133.

5. Referensi

[1] M. Ngantung and A. H. Jan, “Analisis Peramalan Permintaan Obat Antibiotik Pada Apotik Edelweis Tatelu,” J. EMBA, vol. 7, no. 4, pp. 4859–4867, 2019.

[2] S. P. Khan, S. M. Ayuningtyas, W. Rohmah, Z. Indah, and A. G. Azzahra, “Analisa Perbandingan Nilai Akurasi Exponential Smoothing dan Linier Regresion pada Peramalan Permintaan Part Joint Brake Rod,” J. Serambi Eng., vol. VIII, no. 1, pp. 4251–4260, 2023.

[3] Sylvia, “Implementasi dan Analisa Metode Peramalan Exponential Smoothing dan Weighted Moving Average Untuk Permintaan Produk Minuman Kopi K di CV Fajar Timur Lestari,” J. Ind.

Eng. Manag. Res., vol. 3, no. 4, pp. 139–147, 2017.

[4] H. Qurrota, H. Ardian, and M. K. Nunuh, “Pemilihan Metode Peramalan Jumlah Permintaan Koran dengan Tingkat Kesalahan Terendah,” J. Manaj. Tek. Ind. – Produksi, vol. XXI, no. 2, pp. 91–100, 2021, doi: 10.350587/Matrik.

[5] D. R. Kania, S. P. Lestari, and B. Barlian, “Penerapan Metode Peramalan Moving Average dan Exponential Smoothing untuk Menyusun Perencanaan Produksi ( Survei pada UMKM Pembuatan Bordir dan Pakaian , Nining Collection di Ciamis ),” J. Ilm. Multidisiplin, vol. 1, no. 10, pp. 3609–

3622, 2022.

[6] E. Andrianto, F. S. Wahyuni, and R. P. Prasetya, “Aplikasi Sistem Peramalan Ketersediaan Stok Barang Di Toko Mebel Abadi Jaya Menggunakan Metode Single Moving Average Dan Exponential Smoothing,” J. Mhs. Tek. Inform., vol. 6, no. 1, pp. 336–341, 2022.

[7] N. Luh, W. Sri, R. Ginantra, I. Bagus, and G. Anandita, “Penerapan Metode Single Exponential Smoothing Dalam Peramalan Penjualan Barang,” J. Sains Komput. Inform., vol. 3, no. September, pp. 433–441, 2019.

[8] I. Ardiansah, I. F. Adiarsa, S. H. Putri, and T. Pujianto, “Penerapan Analisis Runtun Waktu pada Peramalan Penjualan Produk Organik menggunakan Metode Moving Average dan Exponential Smoothing,” J. Tek. Pertan. Lampung, vol. 10, no. 4, pp. 548–559, 2021.

[9] M. Latif and R. Herdiansyah, “Peramalan Persediaan Barang Menggunakan Metode Weighted Moving Average dan Metode Double Exponential Smoothing,” J. Inf. Syst. Res., vol. 3, no. 2, pp.

137–142, 2022, doi: 10.47065/josh.v3i2.1232.

[10] D. Dardanella, A. P. Hidayat, S. H. Santosa, and R. Siskandar, “Peramalan Harga Jual Cabai Merah Di Pasar Rakyat Kemang Perusahaan Umum Daerah Pasar Tohaga Kabupaten Bogor,” Indones. J.

Sci., vol. 3, no. 1, pp. 16–23, 2022.

[11] H. Fransiska, “Peramalan Pertumbuhan Ekonomi Provinsi Bengkulu Menggunakan Single Moving Average, Single Exponential Smoothing, Dan Ensemble,” Teorema Teor. dan Ris. Mat., vol. 7, no.

1, pp. 161–170, 2022.

[12] N. Hudaningsih, S. F. Utami, and W. A. A. Jabbar, “Perbandingan Peramalan Penjualan Produk Aknil PT . Sunthi Sepuri menggunakan Metode Single Moving Average Dan Single Exponential Smooting,” J. JINTEKS, vol. 2, no. 1, pp. 15–22, 2020.

[13] J. A. Danil and Sukanta, “Penerapan Metode Moving Average dan Exponential Smoothing pada Peramalan Produksi di PT. Mada Wikri Tunggal,” J. Ilm. Wahana Pendidik., vol. 8, no. 7, pp. 37–

40, 2022, doi: 10.5281/zenodo.6530222.

[14] F. R. Nugraha and W. Winarno, “Peramalan Jumlah Permintaan Fuji Seat Dengan Metode Moving Average Dan Double Exponential Smoothing Di PT. Tri Jaya Teknik Karawang,” J. Teknol. Proses Dan Inov. Ind., vol. 6, no. 1, pp. 24–29, 2021.

(8)

[15] M. Fitriana, D. Sudarwardi, and Nurlaela, “Penerapan Metode Single Moving Average Dan Exsponential Smoothing Pada Usaha Asrie Modesta,” Cakrawala Manag. Bus. J., vol. 3, no. 1, pp.

547–561, 2020.

[16] F. A. Widjajati, Soehardjoepri, and E. Fani, “Menentukan Penjualan Produk Terbaik Di Perusahaan X Dengan Metode Winter Eksponensial Smoothing Dan Metode Event Based,” J. Math. Its Appl., vol. 14, no. 1, pp. 25–35, 2017.

[17] Z. I. Vindari, W. Wahyudin, A. G. Azzahra, S. P. Khan, and S. M. Ayuningtyas, “Analisis Peramalan Permintaan pada Part Arm Rear Brake KWBF di PT Ciptaunggul Karya Abadi,” J. Serambi Eng., vol. VIII, no. 1, pp. 4284–4293, 2023.