Implementasi Metode Single Moving Average Untuk Prediksi Stok Produsen

(1)

Implementasi Metode Single Moving Average Untuk Prediksi Stok Produsen

Duanna Purnamasari, Endah Ratna Arumi, Ardhin Primadewi^*

Fakultas Teknik, Teknik Informatika, Universitas Muhammadiyah Magelang, Magelang, Indonesia Email: ^1,[email protected], ²[email protected] , ^3,*[email protected]

Email Penulis Korespondensi: [email protected] Submitted 05-10-2022; Accepted 27-10-2022; Published 31-10-2022

Abstrak

Usaha Mikro Kecil Menengah (UMKM) memiliki peran penting dalam ekonomi nasional seperti UMKM produsen makanan skala kecil. UMKM produsen makanan di wilayah Magelang cukup beragam khususnya di daerah Deyangan, Keripik “Ngangeni” sebagai salah satu UMKM keripik pisang beraneka rasa. Dalam mengetahui jumlah stok produsen kesehariannya, UMKM Keripik “Ngangeni”

secara manual menerapkan jumlah produksi sesuai kemampuan produksi berdasarkan pada jumlah bahan ataupun jumlah karyawan yang datang. Hal ini membuat perusahaan beberapa kali mengalami kekurangan stok saat permintaan pembeli meningkat. Single Moving Average (SMA) sebagai metode untuk memprediksi stok produsen yang memiliki kelebihan dalam menghitung rata-rata dan tidak memerlukan pembobotan. Akurasi SMA dinilai dengan uji akurasi peramalan yaitu Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE). Penelitian ini menggunakan data dari bulan Juli 2021 sampai April 2022. Hasil peramalan SMA menggunakan 8 periode di bulan Maret dan April sama-sama menghasilkan nilai 74 kg. Peramalan dengan 8 periode merupakan peramalan terbaik karena memiliki nilai akurasi peramalan yang kecil yaitu 0,5 untuk MAD dan 4 untuk MAPE.

Kata Kunci: Prediksi; Single Moving Average; Stok; UMKM; Produsen Makanan Abstract

Micro, Small and Medium Enterprises (MSMEs) have an important role in the national economy such as MSMEs as small-scale food producers. MSMEs as small-scale food producers in the Magelang area are quite diverse, especially in the Deyangan area. To know the amount of daily stock. Keripik "Ngangeni" manually applies the amount of production according to production capabilities based on the number of materials or the number of employees who come. This has caused the company experience shortages of stock several times at the request of buyers. Single Moving Average (SMA) as a method for predicting producer stocks which has advantages in calculating averages and does not require weighting. SMA accuracy is assessed by forecasting accuracy tests, namely Mean Absolute Deviation (MAD) and Mean Absolute Percentage Error (MAPE). This study uses data from July 2021 to April 2022. The results of SMA forecasting using 8 periods in March and April both produce a value of 74 kg. Forecasting with 8 periods is the best forecast because it has a small forecasting accuracy value of 0.5 for MAD and 4 for MAPE.

Keywords: Prediction; Single Moving Average; Stock; UMKM; Food Producer

1. PENDAHULUAN

Perkembangan ekonomi pada era globalisasi ini membawa dampak tersendiri di bidang industri. Setiap perusahaan harus berusaha untuk dapat bersaing dengan perusahaan industri lainnya. Persaingan yang terjadi saat ini berkaitan dengan kualitas produk serta kemampuan perusahaan dalam menyediakan stok produk permintaan konsumen[1].

Di Indonesia, UMKM berperan sebagai penunjang perekonomian nasional [2]–[4]. UMKM yang menjual produk harus mencari strategi untuk mendapatkan keuntungan yang tidak tergantung pada permintaan pelanggan dan tidak intuisi[5]. Umumnya pemilik UMKM memproduksi barang tanpa memastikan produk sisa atau habis di gudang. Hal ini terjadi karena kurangnya kontrol pada stok produk khususnya karena dipantau secara manual.

UMKM Keripik “Ngangeni” merupakan UMKM produsen makanan di daerah Desa Deyangan yang memproduksi keripik berbahan dasar pisang dan talas dengan dua macam rasa. Keripik pisang merupakan produk unggulan yang sering diproduksi dimana permintaan perbulannya mencapai 200 kg, sedangkan untuk produk keripik talas dalam sebulan hanya 150 kg. Berdasarkan hasil wawancara dengan Ibu Siti Marliah selaku pemilik UMKM Keripik “Ngangeni”, UMKM bermasalah dalam melakukan prediksi persediaan produk. Masalah yang dimaksud yaitu dalam menghitung persediaan stok produk untuk periode yang akan datang masih berdasarkan insting pemilik UMKM, sehingga sering terjadi stoknya berlebih atau stoknya kurang.

Pada penelitian sebelumnya oleh Andriana (2017), perusahaan mengalami kesulitan dalam menentukan jumlah produksi disetiap bulannya sehingga menyebabkan kekurangan serta kelebihan stok pada varian tertentu [6]. Penelitian oleh Ipnuwati (2021), pada penjualan produk makanan keripik pisang sering terjadi kekurangan stok persediaan karena perusahaan tidak dapat memprediksi atau meramalkan jumlah stok produk sebelum melakukan produksi[7]. Sedangkan penelitian oleh Fauzi (2021), perusahaan mengalami masalah dalam memperkirakan jumlah kebutuhan konsumen dimasa yang akan datang[8].

Untuk menyelesaikan permasalahan diatas, maka dibutuhkan sebuah peramalan untuk menentukan jumlah produksi. Model Time Series merupakan metode peramalan untuk menentukan nilai yang akan datang berdasarkan nilai dan kesalahan sebelumnya. Model time series sering digunakan di berbagai bidang seperti bisnis, energi maupun lingkungan[9].

Terdapat banyak model time series yang digunakan untuk prediksi situasi bisnis di masa mendatang. Salah satu model peramalan bisnis yang digunakan yaitu metode Single Moving Average (SMA). Metode SMA yaitu metode

(2)

peramalan menggunakan jumlah nilai pengamatan dan mencari nilai rata-rata untuk periode yang akan datang. Metode tersebut sangat efektif untuk menghitung nilai rata-rata pada periode tertentu karena sistem perhitungannya berdasarkan pergerakan data dan tidak memerlukan pembobotan[10].

Pada penelitian sebelumnya oleh Azhari et al., (2022), metode SMA untuk memprediksi persediaan kedelai serta menggunakan Mean Absolute Deviation (MAD), Mean Square Error (MSE) dan Mean Absolute Percentage Error (MAPE) untuk menghitung akurasi peramalannya[11]. Penelitian oleh Hidayatulloh (2022), metode peramalan SMA digunakan untuk memprediksi total pembelian bahan baku roti pada Toko Roti Jaya Bakery[12]. Sedangkan penelitian oleh Nia (2022), menggunakan metode Single Moving Average (SMA) untuk memperkirakan atau memprediksi persediaan barang di toko pada bulan selanjutnya[13].

Dari permasalahan di atas, perlu adanya sebuah metode peramalan untuk memprediksi stok produsen periode selanjutnya di UMKM Keripik “Ngangeni”. Pada penelitian ini, peneliti memprediksi jumlah stok produsen keripik dengan metode peramalan Single Moving Average (SMA) serta menggunakan uji akurasi Mean Absolute Deviation (MAD) dan Mean Absolute Percentage Error (MAPE).

2. METODOLOGI PENELITIAN

2.1 Alur Penelitian

Pada saat melakukan penelitian ini, peneliti melakukan beberapa tahap. Berikut alur penelitiannya [9] :

Gambar 1. Alur Penelitian

Pada Gambar 1 diatas, peneliti melakukan pengumpulan data jumlah penjualan keripik yang terjadi pada UMKM Keripik “Ngangeni”, selanjutnya dilakukan perhitungan pada data yang di dapat dengan metode Single Moving Average (SMA) kemudian dilakukan perhitungan akurasi peramalan dengan MAD dan MAPE hingga mendapatkan hasil berupa hasil peramalan yang memiliki nilai terkecil.

2.2 Data Penelitian

Pada penelitian ini menggunakan data historis penjualan keripik pisang original dari bulan Juli 2021 sampai April 2022 yang diperoleh dari Ibu Siti Marliah selaku pemilik UMKM Keripik “Ngangeni”. Tabel 1. dibawah ini merupakan data yang akan digunakan untuk penelitian,

Tabel 1. Data Penjualan Keripik Pisang Original 10 bulan Bulan / Tahun Terjual (kg)

Juli 2021 80

Agustus 2021 50

September 2021 40

Oktober 2021 50

November 2021 70

Desember 2021 95

Januari 2022 110

Februari 2022 100

Maret 2022 80

April 2022 100

2.3 Metode Peramalan Single Moving Average (SMA)

Metode Single Moving Average (SMA) atau rata-rata bergerak tunggal merupakan metode peramalan dengan nilai pengamatan dan nilai rata-rata sebagai perkiraan untuk periode mendatang[14]. Rumus metode Single Moving Average (SMA) yaitu [15] :

𝐹𝑡 + 1 =𝑋𝑡+𝑋𝑡−1+.…𝑋𝑡−𝑛+1

𝑛 (1)

(3)

Keterangan :

Ft + 1 = Hasil ramalan pada periode ke-t Xt = Nilai actual pada periode ke-t N = Jumlah periode yang ditentukan 2.3 Akurasi Peramalan

Akurasi peramalan digunakan untuk menghitung kesalahan pada peramalan[9]. Akurasi peramalan yang akan digunakan yaitu metode Mean Absolute Deviation (MAD) dan metode Mean Absolute Percentage Error (MAPE).

Metode Mean Absolute Deviation (MAD) adalah rata-rata kesalahan mutlak pada periode tertentu tanpa melihat besar kecilnya hasil peramalan dibanding kenyataannya. MAD juga bisa diartikan sebagai rata-rata dari nilai absolut simpangan[5]. Berikut rumus MAD [16]:

𝑀𝐴𝐷 = ∑ |𝐴𝑘𝑡𝑢𝑎𝑙−𝑃𝑒𝑟𝑎𝑚𝑎𝑙𝑎𝑛|

𝑛 (2)

Keterangan :

Aktual = Data aktual (sebenarnya) Peramalan = Hasil dari peramalan N = Jumlah peramalan

Metode Mean Absolute Percentage Error (MAPE) merupakan nilai rata-rata perbedaan absolute diantara nilai prediksi dan nilai realisasi yang disebutkan sebagai hasil persenan dari nilai realisasi[17]. Berikut rumus MAPE [18] :

𝑀𝐴𝑃𝐸 = ∑ (|𝐴𝑘𝑡𝑢𝑎𝑙 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡| /𝐴𝑘𝑡𝑢𝑎𝑙) ∗ 100/𝑛 (3) Keterangan :

Aktual = Data actual Forecast = Nilai peramalan N = Nilai periode waktu

3. HASIL DAN PEMBAHASAN

Peramalan merupakan data dimasa lalu untuk mengestimasi data masa depan. Peramalan sebagai perkiraan suatu permintaan yang akan datang berdasarkan variabel peramalan, data deret dan waktu historis[15]. Tujuannya untuk menetapkan matematis model dalam meramalkan data masa depan berdasarkan data masa lalu[9].

Penelitian ini menggunakan data penjualan keripik pisang original. Pada Tabel 1 diatas merupakan rekapitulasi data penjualan keripik pisang original yang akan digunakan untuk meramalkan stok produk periode selanjutnya.Dibawah ini merupakan hasil data yang telah di analisis menggunakan metode SMA yang akan digunakan untuk meramalkan jumlah stok produsen keripik. Untuk memilih periode peramalan terbaik, maka didasarkan dengan akurasi peramalan menggunakan metode MAD dan MAPE. Berikut merupakan hasil data yang di analisis dari metode SMA serta perbandingan akurasinya.

3.1 Perhitungan Metode Peramalan Single Moving Average

Rekapitulasi data yang telah disajikan pada Tabel 1 akan dihitung menggunakan nilai n (jumlah periode) 1 sampai 8 periode berdasarkan rumus (1).

a. Perhitungan Peramalan Single Moving Average 1 Periode

Pada percobaan pertama dilakukan perhitungan dengan nilai n 1 periode, diperoleh hasil : Peramalan Agustus 2021

= (80) / 1 = 80 kg

Tabel 2. Peramalan 1 Periode

Bulan / Tahun Terjual (kg) SMA (kg)

Juli 2021 80 -

Agustus 2021 50 80

September 2021 40 50

Oktober 2021 50 40

November 2021 70 50

Desember 2021 95 70

Januari 2022 110 95

Februari 2022 100 110

Maret 2022 80 100

April 2022 100 80

b. Perhitungan Peramalan Single Moving Average 2 Periode Peramalan September 2021 = (50+80) / 2 = 65 kg

(4)

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 65

Oktober 2021 50 45

November 2021 70 45

Desember 2021 95 60

Januari 2022 110 83

Februari 2022 100 103

Maret 2022 80 105

April 2022 100 90

Tabel 3. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 2 periode c. Perhitungan Peramalan Single Moving Average 3 Periode

Peramalan Oktober 2021 = (40 + 50 + 80) / 3 = 57 kg

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 57

November 2021 70 47

Desember 2021 95 53

Januari 2022 110 72

Februari 2022 100 92

Maret 2022 80 102

April 2022 100 97

Tabel 4. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 3 periode d. Perhitungan Peramalan Single Moving Average 4 Periode

Peramalan November 2021 = (50 + 40 + 50 + 80) / 4 = 55 kg

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 -

November 2021 70 55

Desember 2021 95 53

Januari 2022 110 64

Maret 2022 80 94

April 2022 100 96

Tabel 5. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 4 periode e. Perhitungan Peramalan Single Moving Average 5 Periode

Peramalan Desember 2021 = (70 + 50 + 40 + 50 + 80) / 5 = 58 kg Tabel 6. Peramalan 5 Periode

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 -

November 2021 70 -

Desember 2021 95 58

Januari 2022 110 61

(5)

Maret 2022 80 85

April 2022 100 91

Tabel 6. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 5 periode f. Perhitungan Peramalan Single Moving Average 6 Periode

Peramalan Januari 2022 = (95 + 70 + 50 + 40 + 50 + 80) / 6 = 64 kg Tabel 7. Peramalan 6 Periode

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 -

November 2021 70 -

Desember 2021 95 -

Januari 2022 110 64

Maret 2022 80 78

April 2022 100 84

Tabel 7. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 6 periode g. Perhitungan Peramalan Single Moving Average 7 Periode

Peramalan Februari 2022 = (110 + 95 + 70 + 50 + 40 + 50 +80) / 7 = 71 kg Tabel 8. Peramalan 7 Periode

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 -

November 2021 70 -

Desember 2021 95 -

Januari 2022 110 -

Maret 2022 80 74

April 2022 100 78

Tabel 8. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 7 periode h. Perhitungan Peramalan Single Moving Average 8 Periode

Peramalan Maret 2022 = (100 + 110 + 95 + 70 + 50 + 40 + 50 + 80) / 8 = 74 kg Tabel 9. Peramalan 8 Periode

Juli 2021 80 -

Agustus 2021 50 -

September 2021 40 -

Oktober 2021 50 -

November 2021 70 -

Desember 2021 95 -

Januari 2022 110 -

Februari 2022 100 -

Maret 2022 80 74

April 2022 100 74

Tabel 9. diatas merupakan visualisasi hasil perhitungan peramalan menggunakan 8 periode

Setelah dihitung menggunakan peramalan Single Moving Average , hasil perhitungan tersebut kemudian dihitung tingkat akurasinya dengan menggunakan metode MAD dan MAPE[16]. Selanjutnya membandingkan hasil tingkat akurasi tersebut untuk memperoleh nilai error yang terkecil. Tabel 10 dibawah ini merupakan visualisasi hasil rata- rata dari perhitungan MAD dan MAPE menggunakan 1 sampai 8 periode.

(6)

Tabel 10. Hasil Perbandingan Akurasi

Periode MAD MAPE

1 160 229

2 38,8 107

3 15,9 55

4 8,8 37

5 5,1 25

6 2,6 15

7 1,2 8

8 0,5 4

Dari Tabel 10 diatas dapat dilihat bahwa terdapat perbedaan hasil pada setiap periode. Pada perhitungan 1 periode, mendapatkan hasil 160 untuk MAD dan 229 untuk MAPE. Perhitungan 2 periode mendapatkan hasil 38,8 untuk MAD dan 107 untuk MAPE. Perhitungan 3 periode mendapatkan hasil 15,9 untuk MAD dan 55 untuk MAPE. Perhitungan 4 periode mendapatkan hasil 8,8 untuk MAD dan 37 untuk MAPE. Perhitungan 5 periode mendapatkan hasil 5,1 untuk MAD dan 25 untuk MAPE. Perhitungan 6 periode mendapatkan hasil 2,6 untuk MAD dan 15 untuk MAPE. Perhitungan 7 periode mendapatkan hasil 1,2 untuk MAD dan 8 untuk MAPE. Sedangkan pada perhitungan 8 periode, mendapatkan hasil 0,5 untuk MAD dan 4 untuk MAPE. Nilai terkecil pada perhitungan MAD yaitu 0,5 serta nilai terkecil pada perhitungan MAPE yaitu 4. Dengan demikian periode yang akan digunakan yaitu 8 bulan.

4. KESIMPULAN

Dari penelitian ini, dapat disimpulkan bahwa prediksi stok pada UMKM produsen makanan menggunakan Single Moving Average (SMA) dapat memberikan kemudahan bagi pemilik UMKM. Data UMKM Keripik “Ngangeni” selama 10 bulan dilakukan prediksi stok menggunakan SMA. Hal ini memberi kemudahan kepada pemilik UMKM Keripik “Ngangeni”

untuk memastikan waktu waktu khusus yang dibutuhkan untuk stok lebih banyak daripada waktu lainnya. Hasil ini telah diuji keakuratannya menggunakan uji MAD dan MAPE, menunjukkan bahwa periode 8 bulan memiliki nilai error terkecil yaitu 0,5 untuk MAD dan 4 untuk MAPE. Penggunaan metode SMA khususnya dalam menggunakan 8 periode sebelumnya, prediksi di bulan Maret dan April sama sama menghasilkan nilai 74 kg. Peramalan ini dapat disimpulkan bahwa dalam mengambil sebuah keputusan khususnya dalam prediksi stok produsen UMKM Keripik “Ngangeni” lebih diutamakan menggunakan data histori 8 bulan sebelumnya menggunakan metode SMA dan kedepannya bisa dikembangkan dengan metode yang lainnya yang lebih signifikan[9].

REFERENCES

[1] D. R. Indah и E. Rahmadani, „Sistem forecasting perencanaan produksi dengan metode single eksponensial smoothing pada keripik singkong srikandi di Kota Langsa“, J. Penelit. Ekon. Akutansi, том 2, изд. 1, стр. 10–18, 2018.

[2] A. Primadewi, T. M. Anwar, Y. Yustin, A. H. Sani, и M. Fauzi, „Penguatan Pemasaran Produk Umkm Ashfa Madu Borobudur Melalui Strategi Product Branding“, J. Pengabdi. Kpd. Masy., том 26, изд. 3, стр. 154, 2020, doi: 10.24114/jpkm.v26i3.17683.

[3] T. B. Susilo, „Sistem multi pos usaha mikro kecil menengah terintegrasi menggunakan restfull api“, Tek. Inform., стр. 86, 2017.

[4] A. Primadewi, T. A. Purnomo, и D. Sasongko, „Analisa Perancangan Sistem Pengelolaan Data UMKM berdasarkan Business Intelligence Development Model Framework“, том 3, стр. 209–215, 2021, doi: 10.30865/json.v3i2.3587.

[5] Y. Astuti, B. Novianti, T. Hidayat, и D. Maulina, „Penerapan metode single moving average untuk peramalan penjualan mainan anak“, SENSITIf, том 4, изд. July, стр. 253–261, 2019.

[6] A. D. Andriana и R. Susanto, „Peramalan Jumlah Produksi Teh Menggunakan Metode Single Moving Average ( SMA )“, Pros.

Saintiks FTIK UNIKOM, том 2, стр. 1–6, 2017.

[7] S. Ipnuwati, „Perancangan Sistem Peramalan Jumlah Produksi Keripik Menggunakan Metode Moving Average“, J. Teknol. dan Inform., том 2, изд. 1, стр. 1–13, 2021.

[8] G. A. Fauzi и A. Arista, „Analisis Peramalan Penjualan Keripik Singkong Di Ukm Tiga Serangkai Batam“, J. Comasie, том 5, изд. 5, стр. 129–138, 2021.

[9] N. Azahra, S. C. Alifia, N. P. Andyka, S. Wijayanto, и M. Y. Fathoni, „Peramalan Jumlah Produksi Tebu Menggunakan Metode Time Series Model Moving Averages“, том 9, изд. 4, стр. 840–845, 2022, doi: 10.30865/jurikom.v9i4.4388.

[10] E. N. S. Dewi и A. A. Chamid, „Implementation of Single Moving Average Methods For Sales Forecasting Of Bag In Convection Tas Loram Kulon“, TRANSFORMATIKA, том 16, изд. 2, стр. 113–124, 2019.

[11] Y. Azhari, Z. Azhar, и N. Nehe, „Prediksi Persediaan Kedelai Di UD Tahu Home Industry Dengan Menggunakan Metode Single Moving Average“, JUTSI (Jurnal Teknol. dan Sist. Informasi), том 2, изд. 2, стр. 121–128, 2022.

[12] M. S. Hidayatulloh, „BAHAN BAKU ROTI MENGGUNAKAN METODE SINGLE MOVING AVERAGE“, Teknologipintar.org, том 2, изд. 8, стр. 1–8, 2022.

[13] K. Nia, „Penerapan Peramalan Penjualan Sembako Menggunakan Metode Single Moving Average (Studi Kasus Toko Kelontong Dedeh Retail) Nia Kurnia Informatika, Fakultas Ilmu Komputer, Universitas Singaperbangsa Karawang“, том 8, изд. September, стр. 307–316, 2022.

[14] A. S. Sembiring, „Penerapan metode single moving average untuk memprediksi jumlah sembuh dan meninggal pada pasien covid-19 di kota medan skripsi“, 2021.

[15] Z. I. Bela и остали, „SISTEM PREDIKSI PENJUALAN OBAT MENGGUNAKAN METODE SINGLE MOVING AVERAGE ( STUDI KASUS : APOTEK WILUJENG KECAMATAN PANCENG KAB . GRESIK )“, INDEXIA (Informatic Comput.

(7)

Intell. Journal), том 4, изд. 1, стр. 47–58, 2022.

[16] C. P. Yanti, N. Ginantra, и ..., „Komparasi Metode Single Moving Average dan Double Exponential Smoothing untuk Peramalan Penjualan Produk Gerabah pada UD. Amerta Sedana“, JURIKOM (Jurnal …, том 9, изд. 3, стр. 536–542, 2022, doi:

10.30865/jurikom.v9i3.4143.

[17] I. Nabillah и I. Ranggadara, „Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut“, JOINS (Journal Inf. Syst., том 5, изд. 2, стр. 250–255, 2020, doi: 10.33633/joins.v5i2.3900.

[18] M. A. Maricar, „Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ“, J. Sist. dan Inform., том 13, изд. 12, стр. 36–45, 2019.