Peramalan Permintaan Produk Cepat Rusak dengan Metode Moving Average dan Single Exponential Smoothing
Mochammad Anshori1, Dzakiyah Widyanigrum2
1,2Program Studi Teknik Industri, Universitas Muhammadiyah Gresik Jl. Sumatera 101 GKB Gresik, Indonesia 61121
*Koresponden email: mochammadsory@gmail.com1, dzakiyah@umg.ac.id2
Diterima: 11 Agustus 2022 Disetujui: 24 Agustus 2022
Abstract
A perishable product is a product that is very prone to damage due to its short lifespan one of which is chili if not handled properly it will hurt the company. UD Sayur Gresik is one of the businesses whose products are perishable so one strategy to overcome this is to use forecasting. The sales data template shows a stationary or horizontal data pattern and uses moving average and single exponential smoothing methods as these methods can be considered to predict the demand for chili in UD Sayur Gresik and compare to assess the accuracy of the two methods using the Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD), Mean Square Error (MSE) using Minitab software. The data processing results show that the single exponential smoothing method is better than the moving average method since it has a smaller error value : MAPE 25,621; MAD 23,257; MSE 875,685 This method predicts that the purchase of chili in the next 15 periods will be 66.2 kg of chili.
Keywords: chili , moving average, single exponential smoothing, forecasting, stationary
Abstrak
Perishable product adalah suatu produk yang sangat rentan mengalami kerusakan karena umur produk yang singkat salah satunya adalah cabai rawit jika hal tersebut tidak ditangani dengan baik akan merugikan bagi perusahaan. UD Sayur Gresik adalah salah satu usaha yang produknya berjenis perishable oleh karena itu salah satu strategi untuk mengatasi hal tersebut adalah dengan menggunakan peramalan. Pola data penjualan menunjukkan pola data stasioner atau horizontal dan menggunakan metode moving average dan single exponential smoothing. Kedua metode tersebut dapat dipertimbangkan untuk meramalkan permintaan cabai di UD Sayur Gresik serta sebagai perbandingan untuk menilai keakurasian menggunakan Mean Absolute Percentage Error (MAPE), Mean Absolute Deviation (MAD), Mean Square Error (MSE) dengan software Minitab. Hasil pengolahan data menunjukkan bahwa metode single exponential smoothing lebih baik daripada moving average karena memiliki nilai error lebih kecil sebagai berikut MAPE sebesar 25,621 ; MAD sebesar 23,257 ; MSE sebesar 875,685 Metode tersebut meramalkan bahwa pembelian cabai pada 15 periode berikutnya sebanyak 66,2 kg cabai.
Kata Kunci: cabai rawit, moving average, single exponential smoothing, peramalan, stasioner
1. Pendahuluan
Perishable product merupakan suatu produk yang sangat rentan mengalami kerusakan salah satunya merupakan produk sayur [1]. Penyebab sayur mempunyai harga yang fluktuatif adalah memiliki karakter sifat perishable [2]. Salah satu contohnya ialah cabai rawit yang merupakan salah satu makanan yang banyak dikonsumsi. Sebagai salah satu hasil bumi, cabai tergolong produk yang mudah rusak atau perishable secara alami. Hal ini didukung oleh salah satu penelitian bahwa “Cabai merupakan komoditas yang mudah mengalami kemunduran mutu (perishable)” [3]. Oleh karena itu produk sayur jangan sampai mengalami overstock ( kelebihan stock ) atau Understock (kekurangan stock) karena produknya yang memiliki sifat perishable (mudah rusak) yang dapat merugikan suatu bisnis. Untuk meminimalisir kejadian overstock atau understock ada salah satu strategi yang bisa diterapkan adalah melakukan forecasting (peramalan).
Peramalan (forecasting) adalah ilmu memprediksi masa depan dengan menggunakan data referensi masa lalu sehingga dapat menggambarkan masa depan. dengan model yang terstruktur [4] . dari penjelasan diatas dapat kita pahami bahwa peramalan merupakan suatu metode yang sangat membantu untuk perusahaan terutama di bidang penyediaan barang, jika suatu perusahaan terutama tingkat Usaha Dagang (UD) yang mayoritas jarang menggunakan peramalan akan sangat terbantu dalam penyediaan produk
Kabupaten Gresik memiliki bermacam-macam bisnis kecil salah satunya ada yang bergerak di bidang sayuran. Dari sekian banyaknya pelaku bisnis yang bergerak di bidang sayuran, UD Sayur Gresik adalah salah satu usaha yang masih berdiri sampai saat ini. Berdasarkan hasil wawancara dengan pemilik UD Sayur Gresik diperoleh fakta bahwa pada akhir tahun dimasa pandemi sering terjadi barang tersisa yang mengakibatkan keuntungan didapatkan tidak optimal. Salah satu produk sayur yang mengalami overstock adalah cabai rawit dapat dilihat pada Gambar 1.
Gambar 1. Sisa cabai rawit Sumber : Data peneliti (2022)
Berdasarkan dari Gambar 1 tersebut menjelaskan bahwa sisa cabai rawit dalam jangka waktu tanggal 1 – 6 April 2022 mengalami sisa barang yang banyak sehingga merugikan perusahaan karena produknya yang mudah busuk. Oleh karena itu UD Sayur Gresik membutuhkan manajemen produksi yang tepat untuk mengalokasikan sumber dayanya agar tidak terjadi understock atau overstock salah satunya adalah dilakukannya peramalan. Gambar 2 merupakan plot data penjualan cabai rawit dari 19 Maret – 17 Mei 2022.
Gambar 2. Plot data historis penjualan 19 Maret – 17 Mei 2022 Sumber : Data peneliti (2022)
Gambar 2 untuk memprediksi pembelian cabai rawit di UD Sayur Gresik forecast yang dapat dipertimbangkan adalah Single exponential smoothing dan moving average yang berdasarkan dari [5]
karena pola data penjualan cabai rawit berunsur horizontal atau stasioner [6]. Adanya metode tersebut diharapkan dapat membantu UD Sayur Gresik dalam menentukan pembelian di periode berikutnya.
0 10 20 30 40 50 60
1 2 3 4 5 6
JUMAT SABTU MINGGU SENIN SELASA RABU
APRIL Sisa cabai rawit
0 20 40 60 80 100 120 140
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 CABAI RAWIT
2. Metode Penelitian
Penelitian dilakukan di UD Sayur Gresik yang terletak di Gresik. Data penjualan mulai dari tanggal 19 Maret – 17 Mei 2022 serta metode yang digunakan adalah metode moving average dan single exponential smoothing untuk pengolahan data peneliti memakai microsoft excel dan minitab. Adapun Flowchart penelitian dapat dilihat di Gambar 3.
Gambar 3. Alur penelitian Sumber : Data peneliti (2022)
Berdasarkan Gambar 3, dimulai dari survey lapangan setelah itu identifikasi masalah yang berada di UD Sayur Gresik pada titik ini, konteks penelitian dibentuk dengan identifikasi masalah yang dihadapi yang dianggap menjadi latar belakang serta korelasi sumber-sumber yang terlibat pada penyusunannya dan akan dijelaskan pada rumusan masalah. dari rumusan masalah akan ditentukan tujuan penelitian. Setelah itu dilanjutkan dengan pengambilan data penjualan selama dua bulan dalam mengolah data penelitian ini menggunakan Moving average dan single exponential smoothing. Untuk pengolahan data nilai error menggunakan MAD, MSD, dan MAPE setelah dilakukan perhitungan selanjutnya ditentukan metode yang terbaik berdasarkan nilai error yang paling kecil setelah itu ditarik kesimpulan.
Moving Averages
Moving averagesadalah metode rata-rata yang menggunakan sekumpulan data real, dan metode ini akan efektif jika di mana permintaan pasar untuk suatu produk diasumsikan stabil dari waktu ke waktu dan Moving average memiliki sifat khusus yaitu memerlukan data penjualan dalam periode tertentu dan semakin panjang moving average maka tidak akan menghasilkan data yang fluktuatif atau halus rata- ratanya.[7][8], dengan rumus sebagai berikut [9].
(2) )t Keterangan :
Xt = Data pada waktu ke-t
n = Jangka waktu moving average / banyak data Single Exponential Smoothing
Single exponential smoothing memiliki data yang fluktuatif dan merupakan metode peramalan yang menggunakan moving average, sehingga metode single exponential smoothing sendiri cocok untuk memprediksi data yang fluktuasi atau acak [10]–[12] , adapun rumus sebagai berikut [10] :
Keterangan :
Ft+1 : Data peramalan t+1 Ft-1 : Data peramalan t-1 α : Konstanta penghalusan
Xt : Permintaan riil pada periode ke t
Mean Absolute Deviation (MAD)
Penjumlahan absolute dari nilai error peramalan kemudian dibagi dengan jumlah data [13].
dirumuskan sebagai berikut [5] :
Keterangan :
At = data riil periode ke -t Ft = data peramalan periode ke -t N = Jumlah data
Mean Square Error (MSE)
MSE dihitung dengan mengkuadratkan nilai error peramalan untuk semua periode kemudian menjumlahkannya, dan setelah itu membaginya dengan jumlah data [13] dirumuskan sebagai berikut [5] :
Keterangan :
At = data riil periode ke -t Ft = data peramalan periode ke -t N = Jumlah data
Mean Absolute Precentage Error (MAPE)
Adalah Nilai average dari differensiasi Absolut diantara nilai peramalan dan nilai riil yang menghasilkan nilai prosentase dari nilai rill [14] dan dapat dirumuskan sebagai berikut [15] :
Keterangan :
𝑦𝑖̌ = data peramalan y = data riil N = Jumlah data
Ft+1 = αXt + (1-α) Ft-1 MA = Xt + Xt-1 + Xt-2+ ….. + Xt-n+1
n
MAD = ∑ ( At – Ft ) N
MSE = ∑ ( At – Ft )2 N
MAPE = (100𝑁 ) ∑𝑛𝑖=0 𝑦𝑖̌-y y
(1)
(3)
(4)
(5)
3. Hasil dan Pembahasan 3.1 Data historis penjualan
Perolehan data penjualan cabai rawit selama dua bulan pada tanggal 19 Maret – 17 Mei 2022 sebanyak 60 periode dapat dilihat pada Tabel 1.
Tabel 1. Data historis penjualan cabai rawit
Periode Penjualan Periode Penjualan Periode Penjualan Periode Penjualan
1 90 16 70 31 80 46 0
2 80 17 50 32 50 47 0
3 50 18 70 33 60 48 0
4 80 19 100 34 90 49 100
5 80 20 0 35 100 50 70
6 100 21 50 36 70 51 60
7 800 22 80 37 60 52 90
8 100 23 80 38 40 53 60
9 0 24 80 39 90 54 100
10 30 25 100 40 80 55 80
11 60 26 80 41 100 56 90
12 100 27 50 42 70 57 100
13 80 28 80 43 120 58 40
14 80 29 70 44 50 59 50
15 60 30 50 45 0 60 70
Sumber : Data historis UD Sayur Gresik (2022)
3.2 Metode Moving Average
Melihat Gambar 4, Tabel 2 dan Tabel 3 dapat dipahami bahwa Forecasting dengan method moving average dengan moving average length (MAL) tiga untuk penjualan cabai rawit memberikan nilai MAPE sebesar 31,89 ; MAD sebesar 25,20 ; MSE sebesar 1147,95, method ini mem-forecasting bahwa pembelian cabai rawit pada 15 periode berikutnya sebanyak 53,3 kg cabai rawit.
Gambar 4. Hasil perhitungan moving average menggunakan minitab Sumber : Data peneliti (2022)
Tabel 2. Accuracy Measures Moving average Accuracy Measures Moving Average
MAPE 31,89
MAD 25,20
MSE 1147,95
Sumber : Data peneliti (2022) 0
20 40 60 80 100 120 140
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Actual Forecast
Tabel 3. Peramalan untuk 15 periode mendatang metode moving average menggunakan minitab Data penjualan Metode Moving average
Moving average length (3)
Periode Forecast Lower Upper
61 53,3333 -13,0731 119,740
62 53,3333 -13,0731 119,740
63 53,3333 -13,0731 119,740
64 53,3333 -13,0731 119,740
65 53,3333 -13,0731 119,740
66 53,3333 -13,0731 119,740
67 53,3333 -13,0731 119,740
68 53,3333 -13,0731 119,740
69 53,3333 -13,0731 119,740
70 53,3333 -13,0731 119,740
71 53,3333 -13,0731 119,740
72 53,3333 -13,0731 119,740
73 53,3333 -13,0731 119,740
74 53,3333 -13,0731 119,740
75 53,3333 -13,0731 119,740
Sumber : Data peneliti (2022)
3.3 Metode Single Exponential Smoothing
Melihat Gambar 5, Tabel 4 dan Tabel 5 dapat dipahami bahwa forecast dengan method Single Exponential Smoothing dengan nilai alfa 0,0261 untuk penjualan cabai rawit memberikan nilai MAPE sebesar 25,621 ; MAD sebesar 23,257 ; MSE sebesar 875,685 Metode ini meramalkan bahwa pembelian cabai rawit pada 15 periode berikutnya sebanyak 66,2 kg cabai rawit.
Gambar 5. Hasil pengolahan data Single Exponential Smoothing menggunakan minitab Sumber : Data peneliti (2022)
Tabel 4. Accuracy Measures Single Exponential Smoothing Accuracy Measures Single Exponential Smoothing
MAPE 25,621
MAD 23,257
MSE 875,685
Sumber : Data peneliti (2022) 0
20 40 60 80 100 120 140
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Actual Forecast
Tabel 5. Peramalan untuk 15 periode mendatang metode Moving Average menggunakan minitab Data penjualan Metode Single Exponential Smoothing
Dengan nilai Alfa 0,0261
Periode Forecast Lower Upper
61 66,2272 9,24746 123,207
62 66,2272 9,24746 123,207
63 66,2272 9,24746 123,207
64 66,2272 9,24746 123,207
65 66,2272 9,24746 123,207
66 66,2272 9,24746 123,207
67 66,2272 9,24746 123,207
68 66,2272 9,24746 123,207
69 66,2272 9,24746 123,207
70 66,2272 9,24746 123,207
71 66,2272 9,24746 123,207
72 66,2272 9,24746 123,207
73 66,2272 9,24746 123,207
74 66,2272 9,24746 123,207
75 66,2272 9,24746 123,207
Sumber : Data peneliti (2022)
Setelah melakukan perhitungan Method Moving Average dan Single Exponential Smoothing serta nilai error dari setiap metode menggunakan MAD, MSE, dan MAPE. Selanjutnya kemudian menentukan metode yang paling tepat berdasarkan tingkat kesalahan terkecil dari setiap metode peramalan yang digunakan. Di bawah ini adalah ringkasan pengukuran tingkat kesalahan untuk setiap metode peramalan yang diuji dapat dilihat pada Tabel 6.
Tabel 6. Ringkasan nilai error
No. Method Nilai MAD Nilai MSE Nilai MAPE
1. Moving Average 25,20 1147,95 31,89
2. Single Exponential Smoothing 23,257 875,685 25,621 Sumber : Data peneliti (2022)
Berdasarkan dari Tabel 6 dapat ditentukan bahwa metode terbaik untuk peramalan permintaan cabai rawit adalah Single Exponential Smoothing dengan memberikan nilai MAPE sebesar 25,621; MAD sebesar 23,257; MSE sebesar 875,685 dengan peramalan permintaan 15 periode kedepan sebanyak 66,2 Kg cabai rawit.
4. Kesimpulan
Berdasarkan hasil dari penelitian dapat ditarik kesimpulan yakni untuk mengatasi masalah yang dialami UD Sayur Gresik maka metode peramalan dapat digunakan. Metode yang paling tepat digunakan di UD Sayur Gresik untuk memprediksi atau meminimaslisasi terjadinya sisa barang yang banyak adalah dengan metode Single exponential smoothing dengan nilai alfa (α) yaitu 0,0261 karena memiliki nilai error terendah. Sementara moving average dengan nilai MAPE sebesar 25,621 ; MAD sebesar 23,257 ; MSE sebesar 875,685 serta pembelian pada 15 periode mendatang adalah sebanyak 66,2 Kg cabai.
5. Daftar Pustaka
[1] S. Arianto and A. jati Nugroho, “Association rule-market basket analisis (ar-mba) untuk menganalisis keputusan dalam pembelian sayur,” J. cakrawala Ilm., vol. 1, no. 10, pp. 2637–2648, 2022, [Online]. Available: https://www.bajangjournal.com/index.php/JCI/article/view/2595.
[2] R. M. Sari, A. Astuti, A. Mulyaningsih, A. T. Sumantri, and S. S. Yoga, “Risiko Harga Sayuran Masa Pandemi Covid 19 Di Kota Serang,” J. Agribisnis Terpadu, vol. 14, no. 2, p. 225, 2021, doi:
10.33512/jat.v14i2.13277.
[3] Rachmawati Waryat and M. Yanis, “Kajian teknologi Kemasan Untuk Memeperpanjang Umur Simpan Cabai Merah Segar Di Provinsi Dki Jakarta,” Pros. Semin. Nas. Agroinovasi Spesifik Lokasi Untuk Ketahanan Pangan Pada Era Masy. Ekon. ASEAN, pp. 868–875, 2016, [Online]. Available:
http://repository.pertanian.go.id/handle/123456789/7329.
[4] R. Rachman, “Penerapan Metode Moving Average Dan Exponential Smoothing Pada Peramalan Produksi Industri Garment,” J. Inform., vol. 5, no. 2, pp. 211–220, 2018, doi: 10.31311/ji.v5i2.3309.
[5] A. Lusiana and P. Yuliarty, “Penerapan Metode Peramalan (Forecasting) Pada Permintaan Atap di PT X,” Ind. Inov. J. Tek. Ind., vol. 10, no. 1, pp. 11–20, 2020, doi: 10.36040/industri.v10i1.2530.
[6] F. A. Reicita, “Analisis Perencanaan Produksi Pada PT. Armstrong Industri Indonesia Dengan Metode Forecasting dan Agregat Planning,” J. Ilm. Tek. Ind., vol. 7, no. 3, pp. 160–168, 2020, doi:
10.24912/jitiuntar.v7i3.6340.
[7] Anisya and Y. Wandyra, “Rekayasa Perangkat Lunak Pengendalian Inventory Menggunakan Metode SMA (Single Moving Average) Berbasis AJAX ( Asynchronous Javascript and XML ),” J.
Teknoif, vol. 4, no. 2, pp. 11–17, 2016, [Online]. Available:
https://teknoif.itp.ac.id/index.php/teknoif/article/view/361/715.
[8] B. Landia, “Peramalan Jumlah Mahasiswa Baru Dengan Exponential Smoothing dan Moving Average,” J. Ilm. Intech Inf. Technol. J. UMUS, vol. 2, no. 01, pp. 71–78, May 2020, doi:
10.46772/intech.v2i01.188.
[9] A. Kumila, B. Sholihah, E. Evizia, N. Safitri, and S. Fitri, “Perbandingan Metode Moving Average dan Metode Naïve Dalam Peramalan Data Kemiskinan,” JTAM | J. Teor. dan Apl. Mat., vol. 3, no.
1, p. 65, 2019, doi: 10.31764/jtam.v3i1.764.
[10] A. B. Santoso, M. S. Rumetna, and K. Isnaningtyas, “Penerapan Metode Single Exponential Smoothing Untuk Analisa Peramalan Penjualan,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 756, 2021, doi: 10.30865/mib.v5i2.2951.
[11] N. P. L. Santiari and I. G. S. Rahayuda, “Penerapan Metode Exponential Smoothing Untuk Peramalan Penjualan Pada Toko Gitar,” JOINTECS (Journal Inf. Technol. Comput. Sci., vol. 5, no.
3, p. 203, 2020, doi: 10.31328/jointecs.v5i3.1520.
[12] W. Handoko, “Prediksi Jumlah Penerimaan Mahasiswa Baru Dengan Metode Single Exponential Smoothing (Studi Kasus: Amik Royal Kisaran),” JURTEKSI (Jurnal Teknol. dan Sist. Informasi), vol. 5, no. 2, pp. 125–132, 2019, doi: 10.33330/jurteksi.v5i2.356.
[13] A. D. M and N. Susanto, “Peramalan Perencanaan Produksi Terak Dengan Metode Exponential Smoothing With Trend Pada PT. Semen Indonesia (Persero) Tbk,” Peramalan Perenc. Produksi Terak Dengan Metod. Exponential Smoothing With Trend Pada Pt. Semen Indones. Tbk, vol. 6, no.
1, pp. 1–10, 2017.
[14] I. Nabillah and I. Ranggadara, “Mean Absolute Percentage Error untuk Evaluasi Hasil Prediksi Komoditas Laut,” JOINS (Journal Inf. Syst., vol. 5, no. 2, pp. 250–255, 2020, doi:
10.33633/joins.v5i2.3900.
[15] C. V. Hudiyanti, F. A. Bachtiar, and B. D. Setiawan, “Perbandingan Double Moving Average dan Double Exponential Smoothing untuk Peramalan Jumlah Kedatangan Wisatawan Mancanegara di Bandara Ngurah Rai,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 3, pp. 2667–2672, 2019.
