Peramalan Jumlah Produksi Tebu Menggunakan Metode Time Series Model Moving Averages

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 4, Agustus 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i4.4388

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Peramalan Jumlah Produksi Tebu Menggunakan Metode Time Series Model Moving Averages

Nabila Azahra, Salsabila Cahya Alifia, Nevandra Putra Andyka, Sena Wijayanto^*, M Yoka Fathoni Fakultas Informatika, Sistem Informasi, Institut Teknologi Telkom Purwokerto, Purwokerto, Indonesia

Email: ¹[email protected], ²[email protected], ³[email protected], ^4,*[email protected]

5[email protected]

Email Penulis Korespondensi: [email protected] Submitted 28-06-2022; Accepted 14-08-2022; Published 30-08-2022

Abstrak

Perkebunan yaitu semua aktivitas yang menggunakan tanaman tertentu dan spesifik dengan tanah ataupun bagian dari tumbuhan lainnya dalam ekosistem yang disesuaikan. Aktivitas perkebunan yang lain juga mencakup dalam pengolahan dan pemasaran dari hasil tanaman tersebut. Pada subsektor perkebunan, terdapat tebu sebagai perkebunan yang penting dan strategis untuk pembangunan perekonomian nasional serta memberikan suatu kontribusi pada subsektor perkebunan yang cukup besar. Tebu menjadi tanaman perkebunan yang banyak ditanam di Indonesia, seperti di Pulau Jawa, Pulau Sumatera Bagian Utara dan Selatan. Daerah penghasil tebu di Kabupaten Purworejo salah satunya yaitu Kecamatan Loano. Pabrik gula yang tersebar di seluruh wilayah pengembangan tebu ada banyak dan tanaman tebu unggulan ada di Kabupaten Purworejo. Tujuan dari penelitian ini, yaitu meramalkan produksi tebu untuk memenuhi permintaan pasar menggunakan metode Time Series dengan model Moving Average. Penelitian ini menggunakan model Moving Average yang terdiri dari : Single Moving Average (SMA) dan Weighted Moving Average (WMA) dengan akurasi peramalan menggunakan Mean Square Error (MSE) dan Mean Absolute Error (MAE) sebagai pemilihan model terbaik yang akan digunakan untuk peramalan. Dari penelitian ini, hasil peramalan jumlah produksi tebu di Kecamatan Loano untuk 4 periode kedepan, setelah tahun 2015 dari model WMA yaitu : 113,91 ton; 135,62 ton; 101,96 ton; dan 89,88 ton. Hasil model terbaik yaitu model Weighted Moving Average (WMA) dengan hasil nilai akurasi peramalan terkecil yaitu nilai MSE sebesar 1.833,07 dan MAE sebesar 36,07.

Kata Kunci: Peramalan; Time Series; Moving Average; Produksi; Tebu Abstract

Plantation is all activities that use certain and specific plants with soil or other parts of plants in adapted ecosystems. Other plantation activities also include processing and marketing of these crops. In the plantation sub-sector, sugar cane is an important plantation and national economic development strategy and contributes significantly to the plantation sub-sector. Sugarcane is a plantation crop that is widely grown in Indonesia, such as in Java, North and South Sumatra. One of the sugarcane producing areas in Purworejo Regency is Loano District. There are many sugar factories scattered throughout the sugar cane development area and the leading sugarcane plants are in Purworejo Regency. The purpose of this research is to predict production to meet market demand using the Time Series method with the Moving Average model. This study uses a Moving Average model consisting of: Single Moving Average (SMA) and Weighted Moving Average (WMA) with forecasting accuracy using Mean Square Error (MSE) and Mean Absolute Error (MAE) as the selection of the best model to be used for forecasting. From this study, the results of forecasting the amount of sugarcane production in Loano District for the next 4 periods, after 2015 from the WMA model, are: 113,91 ton; 135,62 ton; 101,96 ton; and 89,88 ton. The best model result is the Weighted Moving Average (WMA) model with the smallest forecasting accuracy value, namely the MSE value of 1.833,07 and the MAE of 36,07.

Keywords: Forecasting; Time Series; Moving Averages; Production; Sugarcane

1. PENDAHULUAN

Indonesia adalah negara agraris dan negara yang salah satunya termasuk dalam wilayah yang beriklim tropis. Oleh karena itu, Indonesia mempunyai potensi yang baik pada sektor pertanian dalam pemenuhan perekonomian negara. Terdapat beberapa subsektor dari sektor pertanian di Indonesia yaitu subsektor pangan, hortikultura, perkebunan, perikanan, peternakan dan kehutanan [1].

Perkebunan yaitu semua aktivitas yang menggunakan tanaman tertentu dan spesifik dengan tanah ataupun bagian dari tumbuhan lainnya dalam ekosistem yang disesuaikan. Aktivitas perkebunan yang lain juga mencakup dalam pengolahan dan pemasaran dari hasil tanaman tersebut [2]. Pada subsektor perkebunan, terdapat tebu sebagai perkebunan yang penting dan strategis untuk pembangunan perekonomian nasional serta memberikan suatu kontribusi pada subsektor perkebunan yang cukup besar.

Tanaman Tebu menjadi tanaman perkebunan yang banyak ditanam di Indonesia [2], seperti di Pulau Jawa, Pulau Sumatera Bagian Utara dan Selatan. Pada pulau lainnya, seperti Pulau Sulawesi dan Nusa Tenggara juga mengembangkan perkebunan tanaman tebu. Luas areal tanaman tebu di Indonesia luasnya mencapai 3.473.230 Ha serta total dari produksinya sekitar 2.854.300 ton [1]. Tebu adalah tanaman unggulan perkebunan yang dapat diperdagangkan serta paling menguntungka dari penghasil bahan baku gula dan vetsin. Produk yang dihasil dari olahan tebu banyak digunakan pada industri makanan dan minuman, farmasi serta pakan ternak [3].

Perkebunan tebu di Kabupaten Purworejo memiliki luas 585,87 hektar. Salah satu daerah penghasil tebu di Kabupaten Purworejo adalah Kecamatan Loano. Di Kabupaten Purworejo, banyak terdapat pabrik gula yang tersebar di seluruh wilayah yang menjadikan tebu sebagai pabrik unggulan. Luas perkebunan dan produktivitas merupakan aspek kunci dari pertanian karena keuntungan yang diterima petani tergantung pada seberapa banyak hasil yang didapatkan dalam satu kali panen. Faktor yang menjadi penentu produksi pertanian salah satunya adalah luas lahan pertanian sangat

(2)

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom berpengaruh pada besarnya produksi pertanian yang bergantung pada luas lahan pertanian. Luas pada lahan tebu di Kabupaten Purworejo dari tahun 2018 hingga 2019 mengalami penurunan [4].

Tebu merupakan tanaman yang hidupnya hanya panen semusim. Hasil panen petani dari perkebunan tebu dapat diolah menjadi gula oleh pabrik gula. Tujuan dari produksi tebu ini yaitu untuk pemenuhan permintaan pasar pada suatu produk yang terbuat dari pengolahan tebu. Namun, permasalahan yang muncul yaitu produksi tebu dalam negeri belum bisa memenuhi permintaan pasar yang terus meluas, sementara permintaan produk dari olahan tebu seperti gula semakin meningkat [5]. Kemudian, permasalahan lainnya yaitu rata-rata luas area tebu yang mengalami peningkatan tidak sejalan dengan total produksi dari gula untuk mampu memenuhi konsumsi gula dalam negeri [6]. Oleh karena itu, perlu adanya pengembangan pada usaha tebu ini agar produksinya tidak memiliki hambatan sehingga produksinya memiliki peningkatan dan dapat semakin besar untuk memenuhi permintaan pasar dalam negeri [5].

Untuk menyelesaikan masalah yang ada, maka perlu adanya peramalan mengenai jumlah produksi. Model Time Series adalah suatu metode peramalan yang diambil dari nilai masa mendatang berdasarkan pada nilai masa lalu dari sebuah variabel dan atau kesalahan yanga ada pada masa lalu. Model time series sering digunakan untuk peramalan/prediksi. Peramalan Time Series umumnya digunakan dibanyak bidang seperti: bisnis, energi atau lingkungan.

Peramalan yang efektif dapat menghemat banyak waktu dan uang, memfasilitasi perencanaan, penjadwalan dan Aktifitas lain. Time Series diperlukan untuk meramalkan dengan cepat. Time Series merupakan alat peramalan cepat, yang dapat diterapkan dengan cara otomatis [7].

Model Moving Averages adalah model yang paling populer dari metode Time Series. Moving Average merupakan model peramalan untuk memperkirakan nilai pada waktu mendatang berdasarkan pada perhitungan rata-rata suatu nilai dengan urutan waktu yang sesuai. Moving Average dapat diperoleh menggunakan penjumlahan dan pencarian nilai rata- rata dari sejumlah waktu tertentu, kemudian dengan menghapus nilai yang lama dan menambah dengan nilai yang baru.

Moving Average banyak digunakan di bidang bisnis untuk membantu pembisnis memahami situasi pasar yang ada dan memutuskan kapan harus memproduksi barang banyak atau sedikit [8].

Pada penelitian sebelumnya oleh Hari Prapcoyo, model Moving Averages digunakan untuk peramalan jumlah mahasiswa dengan menggunakan Single Moving Average (SMA), Weighted Moving Averages (WMA) dan Exponential Moving Average (EMA) serta dengan akurasi peramalan yaitu Mean Square Error (MSE), Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Sedangkan, pada penelitian ini menggunakan model Moving Averages untuk peramalan jumlah produksi tebu dengan menggunakan Single Moving Average (SMA) dan Weighted Moving Averages (WMA) serta dengan akurasi peramalan yaitu Mean Square Error (MSE) dan Mean Absolute Error (MAE).

SMA dan WMA digunakan sebagai perbandingan dari model peramalan dengan tujuan meramalkan suatu hal untuk mendapatkan hasil yang baik, serta MSE dan MAE digunakan sebagai akurasi peramalan bertujuan untuk memilih model peramalan mana yang paling baik untuk digunakan hasilnya.

Proses produksi suatu produk adalah kegiatan yang perlu disosialisasikan di mana orang dan suatu produksi saling berinteraksi dengan informasi, melalui sistem produksi untuk mewujudkan perubahan bahan baku yang lebih baik dalam bentuk fisik maupun kimia. Pada sebuah perusahaan, besar keuntungan yang diperoleh sangat dipengaruhi perencanaan produksi. Dengan melakukan perencanaan produksi yang baik mampu menjamin tersedianya stok dan mampu memprediksi kuantitas yang tepat dan kualitas yang baik. Pada sebuah produk yang kekurangan persedian dapat mengakibatkan konsumen memilih ke produk jenis lainnya. Namun, jika memiliki persedian yang berlebihan juga dapat mengakibatkan barang expired dan tidak bisa di jual/barang menjadi stuck tidak bisa berputar [9].

Produksi tebu memiliki tujuan untuk pemenuhan pada permintaan pasar pada suatu produk yang terbuat dari olahan tebu. Peramalan menggunakan metode Time Series dengan model Moving Average, untuk menentukan tebu yang akan diproduksi dan menyesuaikan permintaan pasar sangatlah efektif. Karena, dengan menggunakan perpaduan metode Time Series dengan model Moving Average dan penyesuaian pada permintaan pasar, maka perencanaan diharapkan dapat membuat kinerja perusahaan akan menjadi lebih baik.

2. METODOLOGI PENELITIAN

2.1 Langkah-Langkah Penelitian

Pada saat melakukan penelitian ini, peneliti melakukan penginputan data produksi tebu dari 2012 – 2018, selanjutnya peneliti melakukan penentuan pada model peramalan dan akurasi peramalan yang ingin digunakan, lalu peneliti melakukan perhitungan pada data yang di dapat dengan model peramalan dan akurasi peramalan yang sudah ditentukan dan Langkah terakhir yaitu peneliti harus menganalisis semua hasil yang didapat. Berikut alur Langkah-langkah penelitian:

(3)

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Gambar 1. Alur Langkah-langkah Penelitian 2.2 Data Penelitian

Pada penelitian ini, data yang digunakan diperoleh dari Badan Pusat Statistik (BPS) Kabupaten Purworejo Kecamatan Loano dari tahun 2012 sampai tahun 2018. Data tersebut berisi jumlah produksi tebu per tahun. Untuk proses awal pada pengolahan data yaitu dengan melakukan analisis terhadap data yang ada. Pada peramalan, terdapat aspek penting yang dapat digunakan untuk mendapatkan sebuah metode perhitungan yang sesuai. Aspek penting tersebut yaitu pertimbangan karakteristik dari jenis pola data. Pemilihan karakteristik yang baik akan mempengaruhi penggunaan metode yang tepat sehingga dapat mempengaruhi hasil pengujian data yang digunakan sebagai objek penelitian [10].

Data yang akan digunakan untuk penelitian disajikan dalam Tabel 1. berikut ini, Tabel 1. Data Produksi Tebu

No Tahun Jumlah Produksi (t)

1. 2012 81.11

2. 2013 87.12

3. 2014 117.72

4. 2015 120.30

5. 2016 151.80

6. 2017 62.62

7. 2018 87.43

2.2 Analisis Data

Pada tahapan peramalan, langkah yang diterapkan yaitu melakukan peramalan jumlah suatu produksi dari tebu. Peramalan jumlah suatu produksi tebu memiliki tujuan untuk meminimalisir kekurangan ataupun kelebihan persediaan pada penyimpanan di Gudang produksi, sehingga mendapatkan sebuah perencanaan jumlah produksi yang tidak tepat. Teknik peramalan secara kuantitatif merupakan teknik yang digunakan pada metode Time Series karena terpenuhinya sumber data dari masa lalu. Terdapat dua metode peramalan yang digunakan, yaitu metode Moving Average yang terdiri dari Single Moving Average (SMA) dan Weighted Moving Average (WMA) [11].

2.2.1 Metode Peramalan Single Moving Average

Metode Single Moving Average (SMA) yaitu suatu metode dengan beberapa jumlah data yang nyata dari suatu permintaan baru untuk mendapatkan nilai ramalan atas permintaan dimasa mendatang. Metode Single Moving Average (SMA) efektif untuk diterapkan karena dapat menjadi dugaan bahwa suatu permintaan pasar pada produk tetap stabil sepanjang waktu [11]. Perhitungan pada Metode Single Moving Average bisa menggunakan rumus seperti berikut,

𝑆

_𝑡+1

=

^𝑋^𝑡^{+ 𝑋}^𝑡−1^{+ … 𝑋}^{𝑡−𝑛+1}

n

(1)

Keterangan:

St+1 = Forecast untuk periode ke t+1.

Xt = Data pada periode t.

n = Jangka waktu Moving Averages

(4)

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom 2.2.2 Metode Peramalan Weighted Moving Average

Metode Weighted Moving Average (WMA) adalah bagian dari metode Times Series yang menggunakan data historis atau data-data yang lalu dan menggunakan bobot yang berbeda-beda untuk memperoleh peramalan dimasa yang akan datang atau masa depan [12]. Untuk masing-masing data lama di masa lalu memiliki bobot berbeda. Bobot yang lebih besar yaitu untuk data lama yang paling terbaru dan paling terakhir. Bobot untuk data terbaru dan data yang paling terakhir lebih besar dikarenakan data yang paling yang relevan dalam peramalan adalah data terakhir atau terbaru [13]

[14]. Perhitungan pada Metode Weighted Moving Average bisa menggunakan rumus seperti berikut,

𝑊𝑀𝐴 =

𝛴 (𝑏𝑜𝑏𝑜𝑡 𝑢𝑛𝑡𝑢𝑘 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)∗(𝑝𝑒𝑟𝑚𝑖𝑛𝑡𝑎𝑎𝑛 𝑑𝑎𝑙𝑎𝑚 𝑝𝑒𝑟𝑖𝑜𝑑𝑒 𝑛)

𝛴𝑏𝑜𝑏𝑜𝑡

(2)

2.2.3 Akurasi Peramalan

Akurasi Peramalan yaitu melakukan perhitungan dengan cara menghitung dari kesalahan pada peramalan. Akurasi peramalan dapat dilakukan dengan beberapa cara, yaitu Mean Square Error (MSE) dan Mean Absolute Error (MAE) [15].

Mean Squared Error (MSE) merupakan sebuah cara untuk mengukur jumlah peramalan yang memiliki perbedaan dengan nilai sebenarnya atau kuantitas yang diestimasi. MSE mengukur rata-rata kuadrat dari sebuah kesalahan (error).

Kesalahan (error) adalah jumlah perbedaan peramalan dari kuantitas yang akan diestimasi [16].

Mean Absolute Error (MAE) merupakan sebuah cara untuk melakukan pengukuran pada jumlah peramalan yang digunakan untuk mengukur tingkat yang paling akurat dari model peramalan. Pada MAE nilainya menunjukan rata –rata kesalahan (error) absolut antara hasil peramalan/prediksi dengan nilai riil atau asli [17].

Perhitungan dari nilai akurasi kesalahan tersebut adalah sebagai berikut,

𝑀𝑆𝐸 =^{𝛴 (𝑋}^𝑡^{− 𝑆}_𝑛 ^𝑡⁾² (3)

𝑀𝐴𝐸 =^{𝛴 |𝑋}^𝑡^{− 𝑆}^𝑡^|

𝑛 (4)

Keterangan:

E = Kesalahan.

Xt = Data aktual

St = data hasil peramalan.

n = Jangka waktu Moving Averages / jumlah periode

Dari analisis kedua model nantinya nilai akurasi akan dibandingkan untuk peramalannya. Model yang akan digunakan untuk memprediksi jumlah produksi tebu dimasa depan pada Kabupaten Purworejo Kecamatan Loano adalah model dengan nilai yang paling kecil.

3. HASIL DAN PEMBAHASAN

Forecasting (peramalan) merupakan proses untuk memprediksi masa depan yang didapat dari data masa lalu dan sekarang [18]. Tujuan dari peramalan adalah untuk menetapkan matematis model yang dapat meramalkan suatu pengamatan masa depan berdasarkan data yang sudah lalu [19].

Untuk mengatasi sebuah masalah peramalan produksi, yang perlu dilakukan adalah memprediksi kemungkinan yang terjadi pada penurunan atau kenaikan produksi pada periode yang akan datang dengan menggunakan informasi yang akurat dari suatu data sehingga produsen dapat mempersiapkan strategi-strateginya yang harus ditempuh menghadapi suatu kondisi tertentu [20].

Penelitian ini menggunakan data produksi tebu sebagai analisis. Pada Tabel 1 di atas adalah rekapitulasi data produksi tebu yang akan digunakan untuk meramalkan produksi pada tahun 2019. Dibawah ini adalah hasil data yang telah di analisis menggunakan model Single Moving Average (SMA) dan Weighted Moving Average (WMA) yang akan digunakan untuk meramalkan jumlah produksi tebu. Model Single Moving Average (SMA) dan Weighted Moving Average (WMA) merupakan model yang paling akurat. Untuk memilih model yang terbaik akan didasarkan oleh akurasi peramalan. Dibawah ini adalah hasil data yang telah di analisis dari kedua model serta perbandingan dari akurasinya [10].

3.1 Metode Peramalan Single Moving Average

Sesuai pada rekapitulasi data yang telah disajikan di Tabel 1, Untuk mendapatkan hasil peramalan tahun 2019 dengan nilai moving average n = 3 yang menandakan analisis ini menggunakan metode rata-rata bergerak 3 tahun. Cara yang dilakukan adalah dengan memasukkan nilai Xt 3 tahun sebelum tahun yang ingin diketahui hasil peramalannya. Berikut adalah rincian hasil perhitungannya.

𝑆₂₀₁₉=^𝑋²⁰¹⁸^{+ 𝑋}²⁰¹⁷^{+ 𝑋}²⁰¹⁶

3

𝑆₂₀₁₉=151,80 + 62,62 + 87,43

3 = 100.61

(5)

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Tabel 2. Hasil peramalan Single Moving Average menggunakan n = 3

Tahun Jumlah Produksi Forecast SMA Error Absolut Error Error 2

2012 81.11

2013 87.12

2014 117.72

2015 120.3 95.31 24.98 24.98 624.16

2016 151.8 108.38 43.42 43.42 1885.29

2017 62.62 129.94 -67.32 67.32 4531.98

2018 87.43 111.57 -24.14 24.14 582.89

2019 100.61

159.86 7624.34

Setelah dihitung menggunakan Single Moving Average.Peramalan produksi pada tahun 2019 dengan metode rata- rata bergerak 3 tahun adalah: 100.61, Hasil peramalan produksi dapat dilihat pada Tabel 2. Pada Tabel 2 juga terdapat hasil total dari absolut error adalah 159.86 dan hasil total dari 𝑒𝑟𝑟𝑜𝑟² adalah 7624.34. Kedua hasil total tersebut akan digunakan untuk menghitung akurasi peramalan.

3.2 Metode Peramalan Weighted Moving Average

Sesuai pada rekapitulasi data yang telah disajikan di Tabel 1, Model WMA ini merupakan pengembangan model SMA, dimana pada WMA memberikan perbedaan pada bobotnya. Panjang 𝛴𝑏𝑜𝑏𝑜𝑡 merupakan panjang dari rata-rata yang diambil secara urut menyesuaikan panjang yang akan dihitung dari model SMA. Maka, untuk mendapatkan hasil peramalan tahun 2019 dengan nilai moving average 𝛴𝑏𝑜𝑏𝑜𝑡 = 3 + 2 + 1 = 6 yang menandakan analisis ini menggunakan metode rata-rata bergerak tertimbang 3 tahun.

𝑊𝑀𝐴 =(3∗2018)+(2∗2017)+(1∗2016)

3+2+1

2019 =(3∗87,43) + (2∗62,62) + (3∗151,80)

6 = 89.88

Tabel 3. Hasil peramalan Weighted Moving Average menggunakan n = 3

Tahun Jumlah Produksi Forecast WMA Error Absolut Error Error 2

2012 81.11 - - - -

2013 87.12 - - - -

2014 117.72 - - - -

2015 120.3 101.41 18.88 18.88 356.51

2016 151.8 113.91 37.89 37.89 1435.65

2017 62.62 135.62 -73 73 5329

2018 87.43 101.96 -14.53 14.53 211.12

2019 89.88

144.30 7332.29

Setelah dihitung menggunakan Weighted Moving Average.Peramalan produksi pada tahun 2019 dengan metode rata-rata bergerak tertimbang 3 tahun adalah: 89.88833333. Hasil peramalan produksi dapat dilihat pada Tabel 3. Pada Tabel 3 juga terdapat hasil total dari absolut error adalah 144.30 dan hasil total dari 𝑒𝑟𝑟𝑜𝑟² adalah 7332.29. Kedua hasil total tersebut akan digunakan untuk menghitung akurasi peramalan.

3.3 Pembahasan

Perbandingan keseluruhan model SMA dan WMA yang akan dibandingkan menggunakan angka dari perhitungan akurasi peramalan. Mean Square Error (MSE) dan mean Absolute Error (MAE) adalah Akurasi peramalan yang akan dipakai digunakan untuk perhitungannya. Hasil perhitungan dari MSE dan MAE akan disajikan pada Tabel 4 , dibawah ini.

Tabel 4. Nilai akurasi peramalan (MSE dan MAE) untuk model SMA dan WMA Model Peramalan Hasil Prediksi MAE MSE Rata² bergerak 3 thn / SMA 100.61 39.96 1906.08 Rata² bergerak tertimbang 3 thn / WMA 89.88 36.07 1833.07

Dari Tabel 4 di atas dapat dilihat bahwa terdapat perbedaan nilai pada setiap hasil model peramalan. Untuk rata - rata bergerak 3 thn / SMA hasil prediksi yang didapatkan adalah 100.61, hasil dari MAE nya adalah 39.96 dan hasil dari MSE nya adalah 1906.08. Sedangkan, untuk rata-rata bergerak tertimbang 3 thn / WMA hasil prediksi yang didapatkan adalah 89.88, hasil dari MAE nya adalah 36.07 dan hasil dari MSE nya adalah 1833.07.

Maka, nilai terkecil untuk MAE adalah pada model WMA sebesar 36.07 serta nilai yang terkecil pada MSE terdapat dimodel WMA yaitu dengan jumlah 1833.07. Nilai yang dipakai dari kedua akurasi digunakan untuk

(6)

Hal 840−845 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom membandingkan kedua model yaitu SMA dan WMA. Hasilnya menunjukkan bahwa nilai akurasi yang paling kecil secara keseluruhan adalah model WMA. Ini membuktikan bahwa model yang paling baik untuk meramalkan jumlah produksi tebu di Kabupaten Purworejo Kecamatan Loano adalah model peramalan WMA

4. KESIMPULAN

Dari penelitian ini, kesimpulan yang dapat diambil bahwa hasil peramalan menggunakan Single Moving Average dan Weighted Moving Average ini dapat memudahkan dalam menentukan jumlah produksi dari tebu, sehingga perusahaan dapat menghindar dari kelebihan ataupun kekurangan stok produk. Hasil peramalan jumlah produksi tebu di Kecamatan Loano untuk 4 periode kedepan (2016, 2017, 2018 dan 2019) dari model WMA yaitu : 113,91 ton; 135,62 ton; 101,96 ton; dan 89,88 ton. Model Terbaik yang dapat digunakan untuk meramalkan jumlah produksi tebu di Kecamatan Loano yaitu model peramalan Weighted Moving Average (WMA) dengan hasil dari nilai akurasi peramalan (MSE dan MAE) yang paling kecil dengan jumlah masing-masing 1.833,07 dan 36,07. Dari model terbaik dan hasil peramalan yang sudah disimpulkan akan dijadikan sebagai acuan dalam pengambilan sebuah keputusan pada proses produksi tebu. Dan disarankan untuk penelitian selanjutnya atau yang akan datang bisa dengan menambahkan perbandingan dengan motode yang berbeda, contohnya exponensial moving average dengan dua parameter atau autoregressive moving average.

REFERENCES

[1] M. Lestari, “ANALISA USAHATANI TEBU (Studi Kasus di Kecamatan Ngantru Kabupaten Tulungagung),” Agribis, vol. 13, no. 15, pp. 48–54, 2017.

[2] A. Latifa, “Digital Repository Universitas Jember,” p. 27, 2015.

[3] M. A. D. N. Achadin, “Analisis Faktor Yang Mempengaruhi Produksi Tebu Pada Sub Sektor Perkebunan Di Provinsi Jawa Timur Tahun 2011-2015,” J. Ekon. Pembang., vol. 15, no. 2, p. 193, 2017.

[4] سردلا. م. س. و. ف. ث. أ, “No Titleاااااا,” ايلقعنيقوفتملاةيوناثلاةلحرلملابلاطىدل يسفنلادومصلللخدمكةمكحلاةيمنت, pp. 1–6, 2019.

[5] Z. Arrahman, “Tataniga Perkebunan Tebu Rakyat Di Kabupaten Situbondo,” Skripsi, pp. 1–62, 2018.

[6] P. Ipm, “Analisis arah kebijakan ekonomi terhadap sektor pendidikan dalam peningkatan ipm,” vol. 5, no. 62, pp. 271–279, 2012.

[7] F. Martínez, F. Charte, M. P. Frías, and A. M. Martínez-Rodríguez, “Strategies for time series forecasting with generalized regression neural networks,” Neurocomputing, vol. 491, pp. 509–521, 2022.

[8] S. Y. Kuo and Y. H. Chou, “Building Intelligent Moving Average-Based Stock Trading System Using Metaheuristic Algorithms,” IEEE Access, vol. 9, pp. 140383–140396, 2021.

[9] H. Shi, M. Yang, and P. Jiang, “Social production system: A three-layer smart framework for implementing autonomous human- machine collaborations in a shop floor,” IEEE Access, vol. 9, pp. 26696–26711, 2021.

[10] H. Prapcoyo, “Peramalan Jumlah Mahasiswa Menggunakan Moving Average,” Telematika, vol. 15, no. 1, p. 67, 2018.

[11] A. D. Andriana and R. Susanto, “Peramalan Jumlah Produksi Teh Menggunakan Metode Single Moving Average ( SMA ),”

Pros. Saintiks FTIK UNIKOM, vol. 2, pp. 1–6, 2017.

[12] A. Nasution, “Metode Weighted Moving Average Dalam M-Forecasting,” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol.

5, no. 2, pp. 119–124, 2019.

[13] 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.

[14] M. Y. Fathoni, “Forecasting Penjualan Gas LPG di Toko Sembako Menggunakan Metode Fuzzy Time Series,” vol. 13 No 2, pp.

87–96, 2021.

[15] M. Y. Fathoni, “Implementasi Metode Fuzzy Time Series Cheng untuk prediksi Kosentrasi Gas NO2 Di Udara,” J. Sist. Inf.

Bisnis, vol. 7, no. 1, p. 17, 2017.

[16] H. A. K. Rady, “Shannon Entropy and Mean Square Errors for speeding the convergence of Multilayer Neural Networks: A comparative approach,” Egypt. Informatics J., vol. 12, no. 3, pp. 197–209, 2011.

[17] A. A. Suryanto, “Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi,” Saintekbu, vol. 11, no. 1, pp. 78–83, 2019.

[18] N. Maaroufi, M. Najib, and M. Bakhouya, “Predicting the Future is like Completing a Painting: Towards a Novel Method for Time-Series Forecasting,” IEEE Access, vol. 9, pp. 119918–119938, 2021.

[19] P. Li et al., “Dynamic Similar Sub-Series Selection Method for Time Series Forecasting,” IEEE Access, vol. 6, pp. 32532–32542, 2018.

[20] E. Y. Nugraha and I. W. Suletra, “Analisis Metode Peramalan Permintaan Terbaik Produk Oxycan pada PT. Samator Gresik,”

Semin. dan Konf. Nas. IDEC, pp. 2579–6429, 2017.