ABSTRAK - President University

PERAMALAN PENJUALAN MINUMAN PENYEGAR DI

PT. SARI ENESIS INDAH

Oleh

Ellen Vande Nauli

ID No. 004201000125

Laporan Penelitian Disampaikan Kepada Fakultas Teknik President

University Diajukan Untuk Memenuhi Persyaratan Akademik

Mencapai Gelar Sarjana Teknik Program Studi Teknik Industri

2014

ABSTRAK

Research And Development merupakan bagian dalam perusahaan yang berperan

dalam menciptakan produk maupun melakukan pengembangan terhadap produk guna

terus memperbaiki kualitasnya, terutama dalam menghadapi persaingan yang sangat

ketat dalam dunia perindustrian. Demi mengahadapi tingkat persaingan dalam

memenuhi kebutuhan konsumen terhadap produk, diperlukan adanya kerja sama

dalam suatu tim kerja antara pihak produksi, persediaan akan bahan baku, persediaan

bahan kemas, hingga penjadwalan produksi yang tepat waktu. Jika keseluruhan aspek

ini dapat berjalan lancer, maka perusahaan mampu menanangani penjualan produk.

Namun kenyataanya seringkali terjadi ketidakseimbangan antara kapasitas produksi

dengan trend penjualan di PT. Sari Enesis Indah. Adapun penjualan produk yang

ingin diperbaiki dalam penelitian ini adalah minuman penyegar. Oleh karena sering

terjadinya kekurangan maupun kelebihan produk yang menyebabkan terganggunya

inventory dan penjualan produk maka diperlukan perbaikan terhadap peramalan

penjualan di PT.Sari Enesis Indah. Dalam penelitian ini, peramalan produk akan

dihitung dengan menggunakan metode Simple Average, Exponential Smoothing,

Single Exponential Smoothing dan Double Exponential Smoothing. Metode

peramalan yang terbaik akan dipilih berdasarkan nilai MSE terkecil. Berdasarkan

penelitian ini didapat MSE terkecil dengan menggunakan metode ES dengan

konstanta pemulusan 9,9 sebesar 15.344.214. Selain itu hasil persentase selisih aktual

penjualan terhadap usulan peramalan sebesar 19.27%, sedangkan persentase selisih

aktual penjualan terhadap forecast perusahaan sebesar 20.24%.

Kata Kunci : Research And Development, Penjualan, Peramalan, Simple Average,

Exponential Smoothing, Single Exponential Smoothing dan Double Exponential

Smoothing, MSE.

BAB I

PENDAHULUAN

1.1 Latar Belakang

Pada saat ini hampir seluruh perusahaan dengan berbagai bidang jenis, seperti

perusahaan manufaktur makanan dan minuman (food and beverages), otomotif,

farmasi dan lain sebagainya dihadapkan pada masalah yaitu tingkat persaingan yang

semakin kompetitif. Hal ini mengharuskan perusahaan untuk menentukan jumlah

pembelian dan jumlah produksi, agar dapat memenuhi permintaan pasar dengan tepat

waktu dan dengan jumlah yang sesuai. Pada dasarnya penentuan jumlah pembelian

ini direncanakan untuk memenuhi jumlah persediaan barang guna memenuhi tingkat

penjualan yang direncanakan atau tingkat permintaan pasar.

PT. Sari Enesis Indah yang berlokasi di Kawasan Industri Cikarang merupakan

perusahaan manufaktur yang bergerak di bidang pangan. dengan lisensi GMP (Good

Manufacturing Practices) dan sudah bersertifikat ISO 9001 : 2008 ini menjadi

fasilitas untuk penghasil produk makanan kesehatan yang berasal dari bubuk dan

liquid. Produk-produk yang dihasilkan dibuat dengan menggunakan mesin-mesin

berteknologi komputerisasi otomatis. Salah satu contoh produk yang bersaing di

pasar adalah minuman penyegar. Dalam proses produksinya untuk penyediaan

produk guna memenuhi permintaan pasar sering terjadi penumpukan produk akibat

dari total penjualan produk yang tidak sebanding dengan jumlah produk yang sudah

di produksi. Berikut tabel antara aktual penjualan terhadap kapasitas produksi :

Tabel 1.1. Data Kapasitas Produksi terhadap Aktual Penjualan

Indeks

Waktu

Kapasitas Produksi

(Satuan : karton)

Aktual Penjualan

(Satuan : karton)

1 81000 78977

2 88000 85731

3 110000 100838

4 125000 121883

5 130000 133774

6 155000 152313

7 163000 162333

8 100000 87899

9 100000 99617

10 100000 123613

11 135000 130337

12 132000 129445

Seperti pada bulan Januari 2013 terjadi stok berlebih sebanyak 2.023 karton. Selain

itu pada bulan Februari 2013 terjadi penumpukan barang sebanyak 2.269 karton,

sedangkan pada bukan Maret 2013 terjadi penumpukan sebanyak 9.162 karton. Untuk

bulan April stock barang sebanyak 3.117 karton. Sementara pada bulan Mei 2103

terjadi kekurangan produk sebanyak 3.774 karton. Begitu pula bulan berikutnya

terdapat penumpukan persediaan produk berdasarkan dari selisih antara kapasitas

produksi terhadap aktual penjualan. Pada bulan Agustus hingga September terjadi

penurunan penjualan yang signifikan jika dibandingkan pada bulan-bulan

sebelumnya, hal ini jika dianalisis oleh pihak marketing pada bulan tersebut

penjualan menurun dikarenakan situasi perdagangan yang sulit dan memasuki bulan

puasa. Dengan kata lain ada kondisi musiman pada penjualan minuman penyegar.

Kondisi ini sering terjadi sehingga dapat mempengaruhi keuntungan perusahaan dan

kepastian produksi yang tidak jelas. Hal ini terjadi karena tidak sesuainya

perencanaan produksi dengan trend permintaan produk yang terjadi saat ini. Oleh

karena itu perlu dilakukannya peramalan terhadap penjualan poduk. Peramalan

adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap suatu atau

beberapa produk pada masa yang akan datang. Peramalan dalam kegiatan perusahaan

manufaktur atau yang biasa disebut dengan produksi dilakukan untuk menentukan

jumlah permintaan terhadap suatu produk dan merupakan langkah awal dalam

perencanaan dan pengendalian produksi. Peramalan penjualan produk ini dilakukan

guna memperkirakan biaya yang akan dikeluarkan dalam satu bulannya. Sehingga

dengan begitu kelebihan stock ataupun penumpukan persediaan produk dalam gudang

dapat dihindari.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang diuraikan di atas didapat rumusan masalah yaitu

bagaimana memperkirakan penjualan produk agar profit perusahaan meningkat?

1.3 Tujuan Masalah

Dari rumusan masalah di atas, maka dapat diketahui tujuan penelitian ini adalah

mencari metode peramalan yang tepat dalam meramalkan penjualan minuman

penyegar.

1.4 Batasan Masalah

Batasan masalah yang di bahas pada laporan ini yaitu peramalan hanya dilakukan

dengan menggunakan data penjualan aktual selama bulan Januari 2013 sampai

Desember 2013

1.5 Asumsi

Tidak ada promosi selama penelitian berlangsung.

Tidak ada diskon produk selama periode peramalan.

1.6 Sistematika Penulisan

Bab I Pendahuluan

Pada bab ini dibahas mengenai latar belakang penelitian, rumusan

masalah, tujuan masalah, batasan masalah dan asumsi.

Bab II Studi Pustaka

Bab ini menyanyikan teori-teori yang mendukung penelitian mengenai

peramalan, teknik permalan yang baik, metode-metode peramalan seperti

Single Moving Average, Double Moving Average, Weighted Moving

Average, Single Exponential Smoothing, Double Exponential Smoothing,

Brown’s Linier Method dan Holt’s Method.

Bab III Metodologi Penelitian

Pada bab ini membahas mengenai tahapan-tahapan dari awal hingga akhir

penelitian.

Bab IV Data dan Analisis

Data aktual diolah dan dianalisis pada bab ini. Pengolahan data yang

sesuai untuk meramalkan penjualan minuman penyegar terhadap

penjualan aktual. Hasil yang diperoleh dari peramalan penjualan yang

dilakukan ini diharapkan mampu memberikan data yang sesuai dengan

keadaan yang sebenarnya guna memperkirakan biaya yang akan

dikeluarkan dalam setiap bulannya dan mnghindari penumpakan

persediaan di gudang.

Bab V Simpulan dan Saran

Bab ini menyajikan simpulan dari hasil analisis data dan saran untuk

perusahaan demi perbaikan penjualan minuman penyegar.

BAB II

STUDI PUSTAKA

2.1. Definisi Peramalan (Forecasting)

Peramalan adalah proses memperkirakan kebutuhan di masa yang akan datang dalam

ukuran kuantitas, kualitas, waktu dan lokasi yang dibutuhkan dalam rangka

memenuhi permintaan barang dan jasa. Menurut Sofyan Assauri (1984), Peramalan

adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau

beberapa produk pada periode yang akan datang. Pada hakekatnya peramalan hanya

merupakan suatu perkiraan (guess), tetapi dengan menggunakan teknik-teknik

tertentu, maka peramalan menjadi lebih sekadar perkiraan. Peramalan dapat dikatakan

perkiraan yang ilmiah (educated gues). Setiap pengambilan keputusan yang

menyangkut keadaan di masa yang akan datang, maka pasti ada peramalan yang

melandasi pengambilan keputusan tersebut.

Dalam kegiatan produksi, peramalan dilakukan untuk menentukan jumlah permintan

terhadap suatu produk dan merupakan langkah awal dari proses perencanaan dan

pengendalian produksi. Dalam peramalan perlu ditetapkan jenis produk apa yang

diperlukan, jumlahnya, dan kapan dibutuhkan. Tujuan peramalan dalam kegiatan

produksi adalah untuk meredam ketidakpastian sehingga diperoleh suatu perkiraan

yang mendekati keadaan yang sebenarnya. Suatu perusahaan biasanya menggunakan

prosedur tiga tahap untuk sampai pada peramalan penjualan, yaitu diawali dengan

melakukan peramalan lingkungan, diikuti dengan peramalan penjualan industri, dan

diakhiri dengan peramalan penjualan perusahaan.

2.2. Karakeristik Peramalan Yang Baik

Peramalan yang baik mempunyai beberapa kriteria yang penting antara lain akurasi,

biaya dan kemudahan (Assauri, 1984), Adapun penjelasan mengenai kriteria tersebut

adalah :

a. Akurasi

Akurasi dari suatu hasil peramalan diukur dengan hasil kebiasaan dan

kekonsistensian peramalan tersebut. Hasil peramalan dikatakan bias bila

peramalan tersebut terlalu tinggi atau rendah dibandingkan dengan kenyataan

yang sebenarnya terjadi. Hasil peramalan dikatakan konsisten bila besarnya

kesalahan peramalan relatif kecil. Peramalan yang terlalu rendah akan

mengakibatkan kekurangan persediaan, sehingga permintaan konsumen tidak

dapat dipenuhi segera akibatnya perusahaan dimungkinkan kehilangan

pelanggan dan kehilangan keuntungan penjualan. Peramalan yang terlalu

tinggi akan mengakibatkan terjadinya penumpukan persediaan, sehingga

banyak modal yang terserap sia-sia. Keakuratan dari hasil peramalan ini

berperan penting dalam menyeimbangkan persediaan yang ideal.

b. Biaya

Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung

dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode

peramalan yang dipakai. Ketiga faktor pemicu biaya tersebut akan

mempengaruhi berapa banyak data yang dibutuhkan, bagaimana pengolahan

datanya (manual atau komputerisasi), bagaimana penyimpanan datanya dan

siapa tenaga ahli yang diperbantukan. Pemilihan metode peramalan harus

disesuaikan dengan dana yang tersedia dan tingkat akurasi yang ingin didapat,

misalnya item-item yang penting akan diramalkan dengan metode yang

sederhana dan murah. Prinsip ini merupakan adopsi dari hukum Pareto

(Analisa ABC).

c. Kemudahan

Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah

diaplikasikan akan memberikan keuntungan bagi perusahaan. Percuma

menggunakan metode yang canggih, tetapi tidak dapat diaplikasikan pada

sistem perusahaan karena keterbatasan dana, sumber daya manusia, maupun

peralatan teknologi.

2.3. Klasifikasi Teknik Peramalan.

Dalam sistem peramalan penggunaan berbagai model peramalan memberikan nilai

ramalan yang berbeda. Salah satu hal yang menarik dalam peramalan adalah memilih

model peramalan yang terbaik yang mampu mengidentifikasi dan menanggapi pola

aktifitas histori dari data (record data). Pada umumnya peramalan dapat dibedakan

dari beberapa segi tergantung dari sudut pandang seseorang. Apabila dilihat dari sifat

penyusunannya, maka peramalan dapat dibedakan atas dua macam :

2.3.1. Dilihat dari Jangka Waktu Ramalan yang Disusun

a. Peramalan Jangka Pendek

Yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka

waktunya satu tahun atau kurang. Peramalan ini digunakan untuk mengambil

keputusan dalam hal perlu tidaknya lembur, penjadwalan kerja dan lain-lain

keputusan kontrol jangka pendek.

b. Peramalan Jangka Menengah


waktunya satu hingga lima tahun ke depan. Peramalan ini lebih

mengkhususkan dibandingkan peramalan jangka panjang, biasanya digunakan

untuk menentukan aliran kas, perencanaan produksi, dan penentuan anggaran.

c. Peramalan Jangka Panjang


waktunya lebih dari lima tahun yang akan datang. Peramalan jangka panjang

digunakan untuk pengambilan keputusan mengenai perencanaan produk dan

perencanaan pasar, pengeluaran biaya perusahaan, studi kelayakan pabrik,

anggaran purchase order, perencanaan tenaga kerja serta perencanaan

kapasitas kerja.

2.3.2. Berdasarkan Sifat Ramalan yang Disusun, peramalan dapat dibedakan atas

dua macam, yaitu menurut Sungkono, 2006 terbagi atas :

a. Peramalan Kualitatif

Yaitu peramalan yang didasarkan atas kualitatif pada masa lalu. Hasil

peramalan yang dibuat sangat tergantung pada seseorang yang menyusun

peramalan tersebut. Hal ini penting karena hasil peramalan tersebut ditentukan

berdasarkan pemikiran yang bersifat intuisi, judgement atau pendapat, dan

pengetahuan serta pengalaman. Biasanya peramalan secara kualitatif

didasarkan atas hasil penyelidikan, seperti Delphi, S-Curve, analogies dan

penelitian bentuk atau morphological research atau didasarkan atas ciri-ciri

normatif, seperti decision matrices atau decision trees.

b. Peramalan Kuantitatif

Yaitu peramalan yang didasarkan atas data kuantitatif pada masa lalu. Hasil

peramalan yang dibuat sangat tergantung pada metode yang dipergunakan

dalam peramalan tersebut. Dengan metode yang berbeda akan diperoleh hasil

peramalan yang berbeda. Adapun yang perlu diperhatikan dari penggunaan

metode tersebut adalah baik/tidaknya metode yang dipergunakan, sangat

ditentukan oleh perbedaan atau penyimpangan anatara hasil ramalan dengan

kenyataan yang sebenarnya. Metode yang baik adalah metode yang yang

memberikan nilai-nilai perbedaan atau penyimpangan yang terkecil.

Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi

sebagai berikut :

Adanya informasi tentang keadaan yang lain.

Informasi tersebut dapat dikuantifikasikan dalam bentuk data

Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa

yang akan datang.

Berdasarkan Sungkono,2009, Metode peramalan kuantitatif ini dapat dibedakan atas

dua bagian :

1. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variable yang akan diperkirakan dengan variabel waktu, yang

merupakan deret waktu atau time-series.mempengaruhi analisis.

Metode time-series adalah metode yang dipergunakan untuk menganalisis

serangkaian data yang merupakan fungsi dari waktu. Metode ini

mengamsusikan beberapa pola atau kombinasi pola selalu berulang sepanjang

waktu dan pola dasarnya dapat diidentifikasikan semata-mata atas dasar data

historis dari serial itu. Ada empat komponen utama yang mempengaruhi

analisis ini, yaitu :

i. Pola Siklis

Gambar 2.1. Pola Data Siklik

Penjualan produk dapat memiliki siklus yang berulang secara periodik.

Banyak produk dipengaruhi pola pergerakan aktivitas ekonomi yang

terkadang memiliki kecenderungan periodik. Komponen siklis ini sangat

berguna dalam peramalan jangka menengah. Pola data ini terjadi bila data

memiliki kecenderungan untuk naik atau turun terus-menerus.

96

97

98

99

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Pola Data Siklik

Data

ii. Pola Musiman

Gambar 2.2. Pola Data Musiman

Pola ini menggambarkan pola penjualan yang berulang setiap periode.

Komponen musim ini dapat dijabarkan ke dalam faktor cuaca, libur atau

kecenderungan perdagangan. Pola musiman berguna untuk meramalkan

penjualan dalam jangka pendek.

iii. Pola Horizontal

Gambar 2.3. Pola Data Horizontal

Pola ini terjadi apabila nilai data berfluktuasi di sekitar nilai rata-rata.

85

90

95

100

105

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Pola Data Musiman

Data

99

100

101

1 3 5 7 9 11 13 15 17 19

Pola Data Horizontal

Data

iv. Pola Trend

Gambar 2.4. Pola Data Trend

Pola data ini terjadi apabila data memiliki kecenderungan untuk naik atau

turun terus-menerus.

2. Metode peramalan yang didasarkan atas penggunaan analisa pola hubungan

antara variabel yang akan diperkirakan dengan variabel lain yang

mempengaruhinya yang bukan waktu yang disebut metode korelasi atau

sebab-akibat (causal method).

Adapun Taksonomi Peramalan dapat dilihat pada gambar 2.5, menurut Render, Stair,

Hanna (2006 : 151 )

90

95

100

105

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Pola Data Trend

Data

Gambar 2.5. Taksonomi Peramalan

Adapun metode peramalan yang termasuk pada model time series adalah sebagai

berikut :

1. Berdasarkan Heizer dan Render (2009), metode Rata-Rata Bergerak ( Moving

Average ), terdiri atas :

Single Moving Average (SMA)

Moving Average pada suatu periode merupakan peramalan untuk satu periode ke

depan dari periode rata-rata tersebut. Persoalan yang timbul dalam penggunaan

Forecasting Method

Objective

Forecasting Methods

Time Series

Methods

Naïve Methods

Moving Averages

Exponential Smoothing

Simple Regression

ARIMA

Neural Networks

Causal

Methods

Simple Regression

Multiple Regression

Neural Networks

Subjective (Judgmental)

Forecasting Methods

Analogies

Delphi

PERT

Survey techniques

metode ini adalah dalam menentukan nilai t (periode rata-rataan). Semakin besar

nilai t maka peramalan yang dihasilkan akan semakin menjauh pola data. Secara

matematis, rumus fungsi peramalan metode ini adalah :

Ft+1 = -

(2-1)

Dimana :

X1 = data pengamatan periode i

N = jumlah deret waktu yang digunakan

Ft+1 = nilai peramalan t+1

Linier Moving Average (LMA)

Dasar dari metode ini adalah penggunaan moving average kedua untuk

memeperoleh penyesuain bentuk pola trend. Metode linier moving average adalah:

a. Hitung “single moving average” dari data dengan periode perata-rataan

er en u, hasilnya dino asikan dengan S ’.

b. Setelah semua Single Average dihitung, hitung moving average kedua yaitu

moving average S ’ dengan periode perata-rataan yang sama. Hasilnya

dino asikan dengan : S ”

c. Hitung kompinen At dengan rumus :

A = S ’ (S ’-S ”)

d. Hitung komponen trend bt dengan rumus :

bt =

e. Peramalan untuk periode kedepan setelah t adalah sebagai berikut :

Ft+m = at + bt . m

Double Moving Average

Notasi yang diberikan adalah MA (M x N), artinya M – periode MA dengan N-

periode MA.

Weighted Moving Average

Data pada periode tertentu diberi bobot, semakin dekat dengan saat sekarang

semakin besar bobotnya. Bobot ditentukan berdasarkan pengalaman. Rumusnya

adalah sebagai berikut :

Ft = w1.At-1 + w2.At-2 wn.At-n ..(2-2)

dimana :

w1 = bobot yang diberikan pada periode t-1

w2 = bobot yang diberikan pada periode t-2

wn = bobot yang diberikanpada periode t-n

n = jumlah periode

2. Menurut Stevenson (2009), metode Exponential Smoothing, terdiri atas :

Single Exponential Smoothing

Pengertian dasar dari metode ini adalah nilai ramalan pada periode t+1 merupakan

nilai aktual pada periode t ditambah dengan penyesuaian yang berasal dari

kesalahan nilai ramalan yang terjadi pada periode t tersebut. Nilai peramalan dapat

dicari dengan menggunakan rumus berikut:

Ft+1 = α. t ( . α) . Ft (2-3)

dimana :

Xt = data permintaan pada periode t

α = faktor atau konstanta pemulusan

Ft+1 = peramalan pada periode t

Double Exponential Smoothing (DES) yang terbagi atas :

o Satu parameter (Brown’s Linier Method ), merupakan metode yang hampir

sama dengan metode linier moving average, disesuaikan dengan menambahkan

satu parameter.

St’ = α . t + (1-α) St-1’ (2-4)

St” = α . St” ( -α) St-1” ..(2-5)

dimana St’ merupakan single exponential smoothing sedangkan St” merupakan

double exponential smoothing

αt = St’ (St’- St”) = 2St’ – St” ............(2-6)

bt =

’ ” .....(2-7)

o Dua parameter (Holt’s Me hod)

Merupakan metode DES untuk time series dengan trend linier. Terdapat

kons an a yai u α dan β. Adapun rumusnya adalah sebagai beriku :

St = α . Dt + (1 – α) (St-1 + Gt-1) ......(2-8)

Gt = β (St – St-1) + (1 – β) . Gt-1 (2-9)

dimana :

St = intercept pada waktu t

Gt = slope pada waktu t

2.4. Kriteria Performance Peramalan

Seorang perencana tentu menginginkan hasil perkiraan ramalan yang tepat atau

paling tidak dapat memberikan gambaran yang paling mendekati sehingga rencana

yng dibuatnya merupakan rencana yang realistis. Ketepatan atau ketelitian yang

menjadi kriteria performance suatu metode peramalan. Ketepatan atau ketelitian

tersebut dapat dinyatakan sebagai kesalahan dalam peramalan. Kesalahan yang kecil

memberikan arti ketelitian peramalan yang tinggi, dengan kata lain keakuratan hasil

peramalan yang tinggi begiu pula sebaliknya.

Menurut Sungkono,2009 besar kesalahan suatu peramalan dapat dihitung dengan

beberapa cara, antara lain adalah :

1. Mean Square Error (MSE)

MSE =

...(2-10)

dimana : Xt = data aktual periode t

Ft = data ramalan periode t

N = banyaknya periode

2. Standard Error Of Estimate (SEE)

SEE =

..(2-11)

dimana : f = derajat kebebasan

Untuk data Konstan, f =1

Untuk data Linier, f =2

Untuk data Kuadratis, f =3

Untuk data Siklis, f =4

3. Percentage Error (PE)

PEt =

...(2-12)

dimana nilai dari PEt bisa positif atau negatif.

4. Mean Absolute Percentage Error (MAPE)

MAPE =

(2-13)

BAB III

METODOLOGI PENELITIAN

3.1. Observasi

Tahap pertama yang dilakukan dalam melakukan penelitian ini adalah observasi

perusahaan terhadap penjualan produk minuman penyegar. Observasi ini dilakukan

dengan cara mewawancarai pihak marketing sehubungan dengan penjualan minuman

penyegar. Dari hasil wawancara dengan pihak marketing, maka penulis mendapatkan

record data penjualan periode Januari hingga Desember 2013.

3.2. Identifikasi Masalah

Kondisi penumpukan persediaan produk di gudang dan jadwal produksi yang tidak

sebanding dengan penjualan produk merupakan faktor-faktor penyebab

diperlukannya peramalan penjualan. Dengan peramalan penjualan ini tentunya akan

membantu perusahaan dalam menentukan kapasitas produksi agar sesuai dengan

permintaan pasar (penjualan).

3.3. Pengumpulan Data

Pengumpulan data pada penelitian ini diambil pada periode bulan Januari hingga

Desember 2013. Data penjualan minuman penyegar diambil dari dokumentasi atau

record data dari department marketing. Sumber data penelitian didapat melalui hasil

wawancara secara lisan. Seluruh jawaban yang merupakan respon dari pihak

marketing, penulis kumpulkan untuk penulisan penelitian ini. Adapun data yang

diambil untuk penelitian ini adalah data sekunder, data-data yang sudah dilakukan

pengolahan pihak lain, berupa data penjualan produk minuman penyegar.

3.3.1. Teknik Pengumpulan Data

Pengumpulan data pada penelitian ini dapat dilakukan dengan cara sebagai berikut:

1. Wawancara

Pengumpulan data yang dilakukan pada penelitian ini dengan cara melakukan

sesi tanya jawab terhadap pihak marketing. Segala respon yang diberikan

kemudian dengan dicatat oleh penulis untuk mendukung penelitian ini.

2. Dokumentasi

Data pada penelitian ini diambil dari pengarsipan dan laporan yang dimiliki

oleh tim marketing selama periode satu tahun.

3. Studi pustaka

Data pendukung dalam penelitian ini berasal dari teori-teori peramalan yang

didapat berbagai sumber berupa modul perkuliahan, studi literatur. Seluruh

teori mengenai peramalan ini dirangkum dalam BAB II.

3.4. Pengolahan Data

Peramalan penjualan minuman penyegar dilakukan dengan menggunakan metode

Simple Average, Single Exponential Smoothing, Double Exponential Smoothing.

Kemudian dihitung besar kesalahan dari setiap metode yang digunakan. Ukuran

kesalahan pada suatu peramalan yang dihitung berupa MSE (Mean Square Error) dan

MAPE (Mean Absolute Percentage Error). Kriteria metode peramalan yang terbaik

berdasarkan MSE atau MAPE terkecil diantara hasil perhitungan dengan

menggunakan metode Simple Average, Single Exponential Smoothing atau Double

Exponential Smoothing. Dalam hal ini, peramalan terbaik yang dipilih untuk

minuman penyegar berdasarkan MSE (Mean Square Error) terkecil.

3.5. Validasi dan Verifikasi Metode

Proses validasi dan verifikasi hasil peramalan dengan metode terbaik yang telah

diolah di pengolahan data berguna untuk melihat apakah metode peramalan yang

dipilih berdasarkan hasil ukuran kesalahan terkecil ini merepresentasikan terhadap

data. Proses verifikasi dan validasi data ini dapat dilihat dari pengukuran tracking

signal. Nilai tracking signal adalah indikator yang terdapat dalam peramalan, apakah

data yang diberikan memiliki sebaran yang masih dalam kontrol atau sudah berada di

luar kontrol, sehingga dapat dilihat bias dari metode peramalan yang dipilih. Nilai

tracking signal didapat dari perbandingan besarnya kumulatif error pada peramalan

dalam satu periode waktu terhadap MAD (Mean Absolute Deviation). Hasil verifikasi

dapat diterima jika nilai tracking signal yang dihasilkan mendekati nol dan sebaran

data yang diberikan tidak seluruhnya positif atau negatif, tetapi cukup berimbang.

3.6. Analisis Data

Hasil pengolahan data dari perhitungan menggunakan metode peramalan terbaik ini

kemudian dibuat perbandingan antara peramalan yang terdapat pada perusahaan

dengan usulan penjualan. Dilihat selisih antara forecast perusahaan terhadap aktual

data penjualan minuman pada tahun 2013, begitu pula dihitung selisih antara usulan

peramalan pada penelitian ini terhadap aktual penjualan minuman penyegar pada

tahun 2013. Selisih yang telah dihitung menggambarkan keadaan penjualan yang

sebaiknya perusahaan terapkan, sehingga memiliki keakuratan penjualan yang

sigifikan dalam satu tahun.

3.7. Simpulan dan Saran

Langkah terakhir dalam metode peramalan ini adalah memberikan simpulan dan

saran dari pengolahan data dan analisis data. Simpulan pada penelitian ini diharapkan

dapat memenuhi tujuan penelitian dan memberikan informasi peramalan yang

mendekati keadaan yang sebenarnya. Saran-saran yang diberikan penulis terhadap

penelitian ini kiranya merupakan kontribusi yang tepat guna memberikan informasi

yang sesuai dengan keadaan yang sebenarnya terhadap penjualan minuman penyegar.

3.8. Kerangka Pemecahan Masalah

Gambar 3.1. Langkah-langkah Peramalan Penjualan Minuman Penyegar

Mulai

Observasi

Identifikasi Masalah

Pengumpulan Data

(Data Penjualan Aktual Minuman Penyegar )

Pengolahan Data

(Simple Average,Single Exponential Smoothing, Double

Exponential Smoothing)

Perhitungan Ukuran Kesalahan Peramalan

Penentuan Metode Peramalan Terbaik

Validasi & Verifikasi Metode Peramalan Terbaik

Analisis Data

Simpulan dan Saran

Selesai

BAB IV

DATA DAN ANALISIS

4.1. Data Aktual Penjualan Minuman Penyegar

Peramalan yang akan dilakukan pada penelitian ini menggunakan metode kuantitatif

berupa data aktual penjualan minuman penyegar. Kurun waktu perhitungan

peramalan yang dilakukan untuk bulan Januari 2013 sampai dengan Desember 2013.

Tabel 4.1. Data Aktual Penjualan Minuman Penyegar

Bulan Aktual

Penjualan

Januari 78977

Februari 85731

Maret 100838

April 121883

Mei 133774

Juni 152313

Juli 162333

Agustus 87899

September 99617

Oktober 123613

November 130337

Desember 129445

Dari data aktual penjualan minuman penyegar pada tahun 2013 diatas (tabel 4.1)

dapat dilihat pola data yang disajikan pada grafik di bawah ini :

Gambar 4.1. Grafik Penjualan Minuman Penyegar Tahun 2013

Berdasarkan gambar 4.1 terlihat pola data penjualan pada bulan Januari sampai Juli

mengalami peningkatan, namun pada bulan Agustus mengalami penurunan yang

cukup signifikan bila dibandingkan dengan pada bulan-bulan sebelumnya. Pola

penjualan minuman penyegar diatas belum bisa dikategorikan kepada pola siklis, data

trend, data horizontal , namun lebih cenderung ke pola data musiman, karena

terpengaruh pada kecenderungan perdagangan, mengingat saat ini sudah banyak

pesaing, terutama perusahaan di bidang food and beverages.

4.2. Peramalan Minuman Penyegar

Peramalan penjualan minuman penyegar yang dapat dilakukan pada penelitian ini

dengan menggunakan metode Simple Average, Single Exponential Smoothing dan

Double Exponential Smoothing dengan cara menghitung dengan Microsoft Excel dan

Software WinQSB. Hasil peramalan terbaik yang dapat diterapkan pada penjualan

minuman penyegar ini berdasarkan hasil penyimpangan atau kesalahan terkecil.

4.2.1. Exponential Smoothing

Peramalan dengan metode Exponential ini dilakukan dengan menggunakan α = 0.5,

α = 0.8 dan α = 0.9. Pemilihan konstanta pemulusan hanya dengan menggunakan

tiga konstanta karena dilihat dari fluktuasi data yang cukup besar.

0 20000 40000 60000 80000

100000 120000 140000 160000 180000

Pola Data Penjualan Minuman Penyegar Tahun 2013

Actual Sales

Tabel 4.2. Peramalan Penjualan dengan Metode Expnential Smoothing dengan α = 0.5,

α = 0.8 dan α = 0.9

Indeks

Waktu

Aktual

Penjualan

(y)

ES

(α=0.5)

(y')

Tracking

Signal ES

(α = 0.5)

ES (α =0.8)

(y')

Tracking

Signal ES

(α = 0.8)

ES

(α=0.9)

(y')

Tracking

Signal ES

(α = 0.9)

1 78977 117230 -1.00 117230.0 -1.00 117230 -1.00

2 85731 98103.5 -2.00 86627.6 -2.00 82802.3 -1.72

3 100838 91917.3 -2.10 85910.3 -1.34 85438.1 -1.06

4 121883 96377.6 -0.76 97852.5 -0.01 99298 0.13

5 133774 109130.3 0.38 117076.9 0.87 119624.5 0.90

6 152313 121452.2 1.68 130434.6 1.97 132359.1 1.95

7 162333 136882.6 2.73 147937.3 2.82 150317.6 2.73

8 87899 149607.8 0.11 159453.9 -0.74 161131.5 -0.99

9 99617 118753.4 -0.59 102210.0 -0.94 95222.2 -0.89

10 123613 109185.2 -0.06 100135.5 0.09 99177.5 0.19

11 130337 116399.1 0.49 118917.5 0.62 121169.5 0.63

12 129445 123368 0.78 128053.1 0.74 129420.2 0.69

Jika dituliskan dalam rumus Ŷt = Ŷt-1 + ā (Yt-1 - Ŷt-1), maka hasil peramalan dengan

menggunakan :

Konstanta pemulusan (α = 0,9)

Februari = Ŷt-1 + α (Yt-1 - Ŷt-1)

= Ramalan Januari + α ( Aktual Penjualan Januari-Ramalan Januari)

= 117.230 + {(0,9) (78.977-117.230)} = 82.802,3 karton

Demikian seterusnya hingga dihitung bulan Desember

Desember = Ramalan November + α (Aktual Penjualan November – Ramalan

November)

= 121.169,5 + {(0,9) (130.337-121.169,5)} = 129.420,2 karton

Konstanta Pemulusan (α = 0,8)



= 117.230 + {(0,8) (78.977-117.230)} = 86.627,6 karton

Demikian seterusnya hingga bulan Desember


November)

= 118.917,5 + {(0,8)(130.337 – 118.917,5) = 128.053,1 karton

Konstanta Pemulusan α = 0,5



= 117.230 + {(0,5) (78.977-117.230)} = 98.103,5 karton

Demikian seterusnya hingga dihitung bulan Desember


November)

= 116.339,1 + {(0,5) + (130.337 – 116.339,1 ) = 123.308,0 karton

Adapun perbandingan aktual penjualan dengan hasil peramalan dengan metode

Exponential Smoothing dengan α=0.5, α=0.8 dan α=0.9 di bawah ini :

Gambar 4.2. Grafik Perbandingan Aktual Penjualan dengan Hasil Peramalan α =

0.5

Pada gambar 4.2 tampak bahwa adanya perbedaan yang jelas antara pola pernjualan

aktual terhadap peramalan dengan konstanta pemulusan 0.5. Terlihat pada bulan

Januari bahwa nilai penjualan aktual lebih rendah jika dibandingkan dengan hasil

0.00

50.00

100.00

150.00

200.00

Jan

uar

i

Feru

ari

Mar

et

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

emb

er

Okt

ob

er

No

vem

ber

Des

emb

er

Pe

nju

alan

Waktu

PERAMALAN PENJUALAN MINUMAN

PENYEGAR DENGAN α = 0.5

Actual Sales

peramalan, selain itu pola hasil peramalan tidak cenderung mengikuti pola penjualan

aktual. Dari pola grafik di atas menunjukkan bahwa hasil peramalan cenderung lebih

kecil dari aktual penjualan. Hal ini dapat memberikan dampak tidak baik terhadap

perusahaan, karena dengan kecenderungan pola seperti ini berarti perusahaan tidak

mampu memenuhi permintaan produk terhadap customer, menyebabkan kurangnya

persediaan barang untuk dijual ke pasar.


0.8


0.9

Berdasarkan gambar 4.3 dan gambar 4.4., kedua grafik ini menunjukkan pola yang

mirip, kecenderungan pola yang dihasilkan mengikuti pola aktual penjualan. Namun

jika dilihat lebih teliti gambar 4.4. menunjukkan grafik yang lebih mendekati keadaan

penjualan aktual. Hal ini terlihat pada bulan Juli dan November, bahwa hasil

peramalan yang diberikan pada gambar 4.4. lebih baik jika dibandingkan dengan

0.00

50.00

100.00

150.00

200.00 Ja

nu

ari

Feru

ari

Mar

et

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

em…

Okt

ob

er

No

ve…

Des

e…

Pe

nju

alan

Th

ou

san

ds

Waktu

PERAMALAN PENJUALAN MINUMAN

PENYEGAR DENGAN α = 0.8

Actual Sales

Y' (Forecast)

0.00

50.00

100.00

150.00

200.00

Pe

nju

alan

Tho

usa

nd

s

Waktu

PERAMALAN PENJUALAN MINUMAN PENYEGAR

DENGAN α = 0.9

y (Penjualan Aktual)

Y' (Hasil Peramalan)

gambar 4.3. Dari hasil peramalan yang diberikan nilai pernjualan pada bulan Juli dan

November pada konstanta pemulusan 0.9 lebih mendekati nilai penjualan aktual.

4.2.2. Simple Average

Menghitung peramalan pada metode Simple Average adalah dengan menghitung

rata-rata seluruh data masa lalu dalam suatu periode periode. Seperti peramalan pada

bulan Maret dilakukan dengan menghitung rata-rata aktual penjualan pada bulan

Januari dan Februari, begitu seterusnya. Sebagai contoh perhitungan metode ini dapat

dituliskan dengan cara :

Maret = (Data bulan Januari + bulan Februari) / 2

= (78.977 + 85.731) / 2 =82.354 karton

April = (Data bulan Januari + Februari + Maret) / 3

= (78.977 + 85.731 + 100.838) / 3 = 88.515,34 karton

demikian seterusnya hingga dihitung peramalan bulan Desember.

Desember = (∑ data bulan Januari hingga November) / 11

= 1.277.315 / 11 = 116.119,25 karton

Berikut hasil peramalan penjualan minuman dengan metode Simple Average.

Tabel 4.3. Hasil Ramalan Penjualan Minuman dengan Metode Simple Average

BULAN

KE-

AKTUAL

PENJUALAN

FORECAST BY

SIMPLE

AVERAGE

1 78,977.00

2 85,731.00 78,977.00

3 100,838.00 82,354.00

4 121,883.00 88,515.34

5 133,774.00 96,857.25

6 152,313.00 104,240.60

7 162,333.00 112,252.66

8 87,899.00 119,407.00

9 99,617.00 115,468.50

10 123,613.00 113,707.22

11 130,337.00 114,697.80

12 129,445.00 116,119.55

CFE 185,186.09

MAD 25,445.91

MSE 858,801,728.00

MAPE 20.51

Trk.Signal 7.28

R-Square 0.85

Hasil penerapan metode Simple Average dengan menggunakan program WinQSB

diperoleh data dengan kesalahan (MAPE = 20.51), sedangkan nilai R-squarenya

sebesar 0.85. Jadi dengan R-square 85% model Simple Average mampu memberikan

informasi perkiraan penjualan yang cukup baik dalam satu tahun, namun

kecenderungan menurun, artinya aktual penjualan lebih besar dibandingkan dengan

perkiraan penjualan dalam satu tahun. Hal ini dapat memberikan dampak lain seperti

meningkatnya persediaan stok produk di gudang yang juga berakibat meningkatnya

biaya penyimpanan dan lain-lain (Gambar 4.4).

Gambar 4.5. Grafik Perkiraan Penjualan dengan metode SA

4.2.3. Single Exponential Smoothing

Berdasarkan perhitungan peramalan dengan menggunakan Software WinQSB, maka

didapatkan konstanta pemulusan terbaik dan hasil peramalan yang mendekati

dengan keadaan yang sebenarnya dengan menggunakan adalah 0.9. Karena

memiliki nilai ukuran kesalahan terkecil berdasarkan nilai MSE (Mean Square

Error), yaitu rata-rata dari jumlah pengkuadratan absolute error. Absolute error

didapat dari hasil pengurangan aktual penjualan dengan hasil ramalan. Adapun

besar kesalahan peramalan penjualan dengan konstanta pemulusan 0,9 adalah

0.00

50.00

100.00

150.00

200.00

1 2 3 4 5 6 7 8 9 10 11 12

Pe

nju

alan

Tho

usa

nd

s

Indeks Waktu

FORECAST BY SIMPLE AVERAGE

AKTUAL

PENJUALAN

FORECAST BY

SIMPLE

AVERAGE

692.074.301,59. Untuk perhitungan konstanta pemulusan 0,1 ~ 0.8 dapat dilihat

pada lampiran.

Dibawah ini hasil peramalan penjualan minuman penyegar dengan metode SES

Tabel 4.4. Hasil Ramalan Metode SES

Bulan

Ke-

Aktual

Penjualan Hasil Ramalan

ERROR

(Absolute Error)2 (Aktual Penjualan - Hasil

Ramalan)

1 78,977.00

2 85,731.00 78,977.00 6,754.00 45,616,516.00

3 100,838.00 85,055.60 15,782.40 249,084,149.76

4 121,883.00 99,259.76 22,623.24 511,810,988.10

5 133,774.00 119,620.67 14,153.33 200,316,750.09

6 152,313.00 132,358.67 19,954.33 398,175,285.75

7 162,333.00 150,317.56 12,015.44 144,370,798.39

8 87,899.00 161,131.45 -73,232.45 5,362,991,733.00

9 99,617.00 95,222.25 4,394.75 19,313,827.56

10 123,613.00 99,177.52 24,435.48 597,092,682.83

11 130,337.00 121,169.45 9,167.55 84,043,973.00

12 129,445.00 129,420.24 24.76 613.06

MSE 692,074,301.59

Dengan α = 0.9, karena data memiliki fluktiatif yang besar, maka nilai Ῠt-1 didapat

dari hasil perbandingan kumulatif aktual penjualan dengan jumlah periode, sehingga

didapat =

Ῠt-1 = 1.406.760,00 / 12 = 117.230 karton

Proses mendapatkan nilai MSE adalah dengan melakukan langkah awal menghitung

selisih antara hasil ramalan dengan aktual penjualan, disebut dengan error. Kemudian

hasil pengkuadratan error ini dijumlahkan, setelah dijumlahkan dibagi dengan

banyaknya data yang dihitung. Dalam hal ini jumlah datanya sebanyak sebelas data.

4.2.4. Double Exponential Smoothing

Berdasarkan perhitungan peramalan dengan menggunakan metode Double

Exponential Smoothing didapatkan kosntanta pemulusan terbaik dan hasil kesalahan

terkecil yaitu 0,9. Ukuran kesalahan terkecil yang dilihat pada metode peramalan

Double Exponential Smoothing untuk minuman penyegar berdasarkan nilai MSE

(Mean Square Error).

Berikut hasil peramalan dengan metode DES :

Tabel 4.5. Hasil Ramalan dengan Metode DES

Bulan

Ke-

Aktual

Penjualan Hasil Ramalan

ERROR

(Absolute Error)2 (Aktual Penjualan -

Hasil Ramalan)

1 78,977.00

2 85,731.00 78,977.00 6,754.00 45,616,516.00

3 100,838.00 84,447.74 16,390.26 268,640,622.87

4 121,883.00 97,778.55 24,104.45 581,024,509.80

5 133,774.00 117,436.46 16,337.54 266,915,213.25

6 152,313.00 130,866.45 21,446.55 459,954,506.90

7 162,333.00 148,372.45 13,960.55 194,896,956.30

8 87,899.00 159,855.55 -71,956.55 5,177,745,087.90

9 99,617.00 101,685.58 -2,068.58 4,279,023.22

10 123,613.00 99,428.33 24,184.67 584,898,263.01

11 130,337.00 118,995.34 11,341.66 128,633,251.56

12 129,445.00 128,377.75 1,067.25 1,139,022.56

MSE 701,249,361.22

Dari pengolahan data di atas, nilai kesalahan peramalan sebesar 701.249.361,22.

Untuk pengolahan data dengan menggunakan konstanta pemulusan 0,1 ~ 0.8 dapat

dilihat pada lampiran.

4.3. Pengukuran Kesalahan Peramalan dan Pemilihan Metode Peramalan

Terbaik

Dari pengolahan data dengan menggunakan metode Simple Average, Single

Exponential Smoothing, Double Exponential Smoothing serta Exponential

Smoothing, maka didapat perbandingan nilai kesalahan berupa MSE, metode

alternative untuk mengevaluasi teknik peramalan yang digunakan dalam perhitungan

penjualan minuman penyegar di PT. Sari Enesis Indah. Berikut hasil ukuran

kesalahan dari masing-masing metode :

Tabel 4.6. Ukuran Kesalahan Teknik Peramalan Minuman Penyegar

METODE PENGUKURAN MSE

Simple Average 858.801.728

Single Exponential Smoothing 692.074.304

Double Exponential Smoothing 701.249.280

Exponential Smoothing, α = 0.5 28.069.535



Pada tabel di atas jelas menunjukkan bahwa metode peramalan yang terbaik untuk

memperkirakan penjualan minuman penyegar di PT.Sari Enesis sehingga mampu

memberikan data yang mendekati dengan keadaan penjualan yang sebenarnya adalah

Exponential Smoothing dengan konstanta pemulusan (α) 0,9. Fungsi Konstanta

Pemulusan dalam penelitian ini adalah untuk memberikan penekanan pada yang lebih

terhadap data yang paling baru. Setiap peramalan yang baru berdasarkan pada hasil

peramalan sebelumnya ditambah dengan suatu hasil prosentase perbedaan atau selisih

antara aktual penjualan dengan nilai peramalannya pada waktu tersebut.

Besar kesalahan metode Exponential Smoothing dengan konstanta pemulusan 0,9

adalah 15.344.214, ini menunjukkan bahwa metode ES memiliki simpangan terkecil

jika dibandingkan dengan teknik peramalan lainnya. Hal ini juga dapat dilihat pada

grafik yang menunjukkan hasil peramalan memiliki kecenderungan pola menyerupai

dengan aktual penjualan.

4.4. Analisis Data

4.4.1. Analisis Hasil Peramalan dengan Metode Terbaik

Hasil pengolahan data yang sebelumnya dilakukan dengan beberapa metode

memberikan hasil bahwa metode Exponential Smoothing merupakan metode terbaik

yang dapat digunakan untuk meramalkan penjualan di PT.Sari Enesis Indah. Adapun

hasil ramalan tersebut dapat digambarkan pada gambar 4.4. Seperti penjelasan

sebelumnya, bahwa grafik yang ditunjukkan pada gambar 4.4 mengikuti pola

penjualan aktual. Adapun sebaran data yang diberikan dari hasil peramalan dengan

menggunakan metode ES (α=0,9) dapat dilihat dari tracking signal berikut :

Gambar 4.6. Tracking Signal ES (α=0,9)

Dilihat pada gambar 4.5, terlihat bahwa metode Exponential Smoothing (α=0,9) tepat

digunakan untuk meramalkan penjualan minuman penyegar di PT.Sari Enesis Indah,

karena nilai tracking signal yang didapatkan tidak seluruhnya positif atau negatif,

melainkan berimbang, sehingga dapat mewakili data peramalan yang dibutuhkan.

Selain itu data tersebar pada koordinat daerah yang berbeda artinya tidak ada lebih

dari dua titik yang terletak pada koordinat daerah yang sama atau berdampingan.

Nilai tracking signal didapat dari perbandingan antara kumulatif error dengan nilai

MAD. Nilai MAD didapat dari hasil pembagian antara kumulatif absolute error

dengan indeks waktu. Adapun rincian pengolahan data ini sebagai berikut :

-2.00

-1.50

-1.00

-0.50

0.00

0.50

1.00

1.50

2.00

2.50

3.00

3.50

0.00 5.00 10.00 15.00

Tracking Signal, α = 0.9

Series1

Tabel 4.7. Pengolahan Data ES (α = 0,9)

4.4.2. Kondisi Perusahaan

Kondisi perusahaan, PT. Sari Enesis Indah, pada saat ini sering terjadi kelebihan

persediaan produk di gudang yang bervariatif. Seperti yang dijelaskan pada bab I,

bahwa stok kelebihan selalu mencapai ribuan karton.

4.4.3. Usulan Peramalan

Setelah dilakukan penelitian terhadap peramalan penjualan minuman penyegar ini,

maka didapat metode terbaik yang dapat digunakan untuk memperkirakan kondisi

penjualan yang sebenarnya dengan menggunakan metode Exponential Smoothing

dengan konstanta pemulusan 0,9. Sehingga didapat kapasitas penjualan yang sesuai

dan tidak terjadi penumpukan barang di gudang.

4.4.4. Perbandingan Aktual Penjualan dengan Hasil Peramalan dan Peramalan

Perusahaan.

Setelah data diolah dengan menggunakan teknik peramalan Simple Average,

Exponential Smoothing, Single Exponential Smoothing dan Double Exponential

Smoothing, maka berdasarkan MSE terkecil (15.344.214) didapat metode yang tepat

untuk meramalkan penjualan di PT.Sari Enesis Indah adalah dengan menggunakan

Metode Exponential Smoothing (α =0,9). Berikut tabel perbandingan antara Aktual

Penjualan dengan Hasil Peramalan ES dan Peramalan Perusahaan dan presentase

selisih antara aktual penjualan dengan hasil ramalan. Selisih antara aktual penjualan

dengan hasil ramalan akan menunjukkan tingkat akurasi dari peramalan tersebut.

Tabel 4.8. Perbandingan Aktual Penjualan dengan Metode ES & Forecast Perusahaan

Bulan Actual

Sales Metode ES

Forecast

Perusahaan Selisih ES

Selisih

Terhadap

Perusahaan

Januari 78977 117230 120000 -38253 -41023

Februari 85731 82802.3 80000 2928.7 5731

Maret 100838 85438.1 90000 15399.9 10838

April 121883 99298 90000 22585 31883

Mei 133774 119624.5 120000 14149.5 13774

Juni 152313 132359.1 120000 19953.9 32313

Juli 162333 150317.6 150000 12015.4 12333

Agustus 87899 161131.5 150000 -73232.5 -62101

September 99617 95222.2 90000 4394.8 9617

Oktober 123613 99177.5 90000 24435.5 33613

November 130337 121169.5 130000 9167.5 337

Desember 129445 129420.2 130000 24.8 -555

Pada tabel 4.8 apabila dibandingkan dengan metode hasil peramalan perusahaan

kekurangan stok penjualan jumlahnya lebih banyak dibandingkan dengan metode ES.

Hal ini membuktikan bahwa penjualan akan mengalami perbaikan jika menggunakan

metode Exponential Smoothing serta kekurangan stok produk untuk dijual tidak akan

terjadi lagi apabila peramalan terhadap penjualan minuman penyegar menerapkan

metode Exponential Smoothing.

Berdasarkan selisih antara aktual penjualan dengan hasil ramalan dan ramalan

perusahaan maka didapat persentase selisih antara aktual penjualan dengan ramalan

penjualan dan ramalan perusahaan. Dari hasil tabel 4.9. dibawah ini, didapat rata-rata

persentase selisih aktual penjualan dengan hasil ramalan sebesar 19,27% sedangkan

persentase selisih aktual penjualan dengan ramalan perusahaan sebesar 20,24%. Hal

ini membuktikan bahwa keakuratan peramalan dengan metode Exponential

Smoothing lebih baik jika dibandingkan dengan hasil ramalan dari PT.Sari Enesis

Indah.

Tabel 4.9. Presentase Selisih Aktual Penjualan dengan Metode ES & Forecast

Perusahaan

Bulan Actual

Sales

Metode

ES

Forecast

Perusahaan

Selisih

ES

%

Selisih

ES

Selisih

Terhadap

Perusahaan

%Selisih

Perusahaan

Januari 78977 117230 120000 -38253 48.44% -41023 51.94%

Februari 85731 82802.3 80000 2928.7 3.42% 5731 6.68%

Maret 100838 85438.1 90000 15399.9 15.27% 10838 10.75%

April 121883 99298 90000 22585 18.53% 31883 26.16%

Mei 133774 119624.5 120000 14149.5 10.58% 13774 10.30%

Juni 152313 132359.1 120000 19953.9 13.10% 32313 21.21%

Juli 162333 150317.6 150000 12015.4 7.40% 12333 7.60%

Agustus 87899 161131.5 150000 73232.5 83.31% -62101 70.65%

September 99617 95222.2 90000 4394.8 4.41% 9617 9.65%

Oktober 123613 99177.5 90000 24435.5 19.77% 33613 27.19%

November 130337 121169.5 130000 9167.5 7.03% 337 0.26%

Desember 129445 129420.2 130000 24.8 0.02% -555 0.43%

BAB V

SIMPULAN DAN SARAN

5.1. Simpulan

Berdasarkan hasil pengolahan data dan hasil yang diuraikan pada bab-bab

sebelumnya, maka dapat disimpulkan bahwa :

1. Peramalan penjualan minuman penyegar di PT. Sari Enesis dapat dilakukan

dengan metode Exponential Smoothing dengan konstanta pemulusan 0,9. Karena

memiliki kesalahan peramalan yang paling kecil dibandingkan dengan konstanta

pemulusan lainnya. Disamping itu nilai tracking yang dihasilkan tidak selalu

positif atau negatif, sehingga cukup berimbang dan mewakili model yang

diinginkan. Selain itu kekurangan penjualan lebih sedikit jika dibandingkan

dengan forecast perusahaan.

2. Peramalan penjualan minuman penyegar dengan menggunakan metode

Exponential Smoothing memiliki keakuratan yang lebih baik jika dibandingkan

dengan hasil ramalan yang ada pada PT. Sari Enesis Indah. Besar persentase

selisih hasil peramalan ES yaitu 19,27%, sedangkan persentase selisih hasil

peramalan yang dimiliki oleh perusahaan terhadap aktual penjualan sebesar

20,24%

3. Peramalan penjualan menggunkan metode Simple Average tidak bisa digunakan

dalam peramalan penjualan minuman penyegar di PT. Sari Enesis Indah, karena

hasil peramalan belum mewakili keadaan penjualan yang sebenarnya.

4. Perlu adanya perbaikan ramalan yang harus dilakukan perusahaan guna mengatur

persediaan produk setiap periodenya.

5.2. Saran

1. Menerapkan metode Exponential Smoothing dengan memperhatikan pula buffer

stock yang terdapat pada gudang, sehingga dapat memperbaiki peramalan

penjualan pada periode berikutnya.

2. Peramalan Penjualan ini harus didukung oleh semua pihak di perusahaan seperti

persediaan bahan baku, persediaan bahan kemas, jadwal produksi yang jelas

sehingga dapat memenuhi permintaan akan produk yang tidak pasti di setiap

periode.

REFERENSI

Assauri Sofyan. 1984. Teknik dan Metode Peramalan Penerapannya dalam Ekonomi

dan Dunia Usaha. UI Press. Jakarta

Makridakis,S., Wright, S.C.W., dan Mc Gee V. 1999. Alih Bahasa Suminto, H, Ir.

Metode dan Aplikasi Peramalan. Edisi Kedua. Binaputra Aksara. Jakarta

Sungkono,C. 2009. Manajemen Operasi (edisi 9). Jakarta : Penerbit Salemba Empat

Marrie Anne Ivaline, Studi Literatur Mengenai Permintaan dan Penentuan Ukuran

Batch Optimum Produk, Tugas Akhir, Jurusan Teknik Industri, FTI-Universitas

Trisakti, 2011

Pramita Wahyu, Haryanto Tanuwijaya, Studi Literatur Mengenai Penerapan Metode

Exponential Smoothing Dalam Pengendalian Produk dan Bahan Baku Sebuah

Café, Tugas Akhir, Jurusan Teknik Industri, Surabaya, 2010

Badria, Studi Literatur Mengenai Penggunaan Exponential Smoothing Untuk

Meramalkan Kebutuhan Cengkeh di Pabrik Rokok Adi Bungsu, Tugas Akhir,

Jurusan Teknik Industri, Universitas Brawijaya, Malang, 2008

ABSTRAK - President University

Documents

Transcript of ABSTRAK - President University