PROPOSAL TUGAS AKHIR

RENCANA JUDUL

IMPLEMENTASI METODE EXPONENTIAL SMOOTHING BROWN DALAM

FORECASTING REALISASI PRODUKSI KELAPA SAWIT

PADA PTPN III KEBUN SEI MERANTI

INDI ANDIRA BUTAR-BUTAR

111402007

PROGRAM STUDI TEKNOLOGI INFORMASI

FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI

UNIVERSITAS SUMATERA UTARA

2015

1.1 Latar Belakang

Kelapa sawit merupakan salah satu tanaman perkebunan yang mempunyai peran penting

bagi subsektor perkebunan. Pengembangan kelapa sawit antara lain memberi manfaat

dalam peningkatan pendapatan petani dan masyarakat, produksi yang menjadi bahan

baku industri pengolahan yang menciptakan nilai tambah di dalam negeri, ekspor CPO

yang menghasilkan devisa, dan menyediakan kesempatan kerja bagi lebih dari 2 juta

tenaga kerja di berbagai subsistem.

Forecasting realisasi produksi kelapa sawit diperlukan untuk mendukung kebijakan

perusahaan dalam penanganan evaluasi sasaran mutu pengolahan kelapa sawit pada

perkebunan kelapa sawit. Perkebunan kelapa sawit di Indonesia dikelola dalam bentuk

perkebunan rakyat dan perkebunan besar. Dimana perkebunan besar terdiri dari

perkebunan negara seperti Perseroan Terbatas Perkebunan Nusantara (PTPN) dan

perkebunan swasta (Batubara, 2015). Pada lingkup perkebunan negara, tiap bulannya

akan diadakan evaluasi sasaran mutu pengolahan. Ini dilakukan untuk melihat kinerja

produksi pada bulan tersebut sudah mencapai target produksi atau sebaliknya. Pada PT.

Perkebunan Nusantara III (PTPN III) Sei Meranti, target produksi dilakukan secara

manual dengan melihat hasil produksi tahun-tahun sebelumnya. Namun kendala terjadi

karena hasil produksi rencana yang telah ditargetkan berbeda dengan hasil produksi

realisasi. Oleh karena itu diperlukan suatu metode prediksi yang dapat memberikan

informasi hasil produksi kelapa sawit untuk dijadikan acuan perusahaan dalam

merencanakan target produksi kelapa sawit untuk tahun selanjutnya.

Penelitian tentang peramalan dengan metode Exponential Smoothing sudah pernah

dilakukan oleh para peneliti. Penelitian tersebut di antaranya dilakukan oleh (Novita,

2005), (Sidik, 2010), (Jalil, 2013), dan (Suwanvijit, 2011). Penelitian terdahulu yang

dilakukan oleh (Novita, 2005), yaitu analisis penjualan sepeda motor Korea di PT. Maju

Bersama Surya Indah Motor Cabang Surabaya, gambaran umum tiap bulan dilihat dari

statistik deskriptif. Pemodelan arima dan exponensial smoothing digunakan untuk

mendapatkan model terbaik. Model terbaik dipilih berdasarkan MSE yang paling kecil.

Berdasarkan MSE kedua model, didapat model terbaik yaitu metode smoothing untuk

meramalkan penjualan periode ke depan.

Dalam hal ini metode yang akan penulis terapkan adalah metode Exponential

Smoothing Brown. Dari berbagai metode peramalan klasik maupun modern yang

berkembang dan masih digunakan untuk meramalkan suatu data deret waktu saat ini,

salah satunya adalah Exponential Smoothing. Dengan menggunakan model Exponential

Smoothing yang paling sesuai untuk meramalkan tingkat produksi gas di Indonesia di 1

masa yang akan datang diharapkan dapat memberikan gambaran realisasi produksi bagi

perusahaan kelapa sawit ditahun berikutnya. Berdasarkan latar belakang diatas, penulis

mengajukan proposal penelitian dengan judul “IMPLEMENTASI METODE

EXPONENTIAL SMOOTHING BROWN DALAM FORECASTING REALISASI

PRODUKSI KELAPA SAWIT PADA PTPN III KEBUN SEI MERANTI”.

1.2 Rumusan Masalah

Permintaan pasar dunia akan kelapa sawit dan produk turunannya mengalami peningkatan

dari tahun ke tahun. Untuk pasar Indonesia, pasokan kelapa sawit dipenuhi oleh PTPN

sebagai Badan Usaha Milik Negara dan beberapa perkebunan milik swasta nasional

maupun swasta multi national company. Untuk dapat bersaing dengan pihak swasta,

PTPN diharuskan tanggap merespon persaingan pasar dengan melakukan improvisasi

pada proses bisnisnya. Salah satu yang dapat dilakukan adalah dengan pendekatan untuk

mendapatkan forecasting realisasi produksi yang akan dicapai di tahun berikutnya

berdasarkan data realisasi tahun sebelumnya.

1.3 Batasan Masalah

1. Data produksi kelapa sawit yang digunakan adalah data produksi kelapa sawit dari

tahun 2012-2014.

2. Tidak melakukan forecasting terhadap produk hasil dari kelapa sawit dan turunannya.

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah untuk memprediksi realisasi produksi kelapa sawit di PT.

Perkebunan Nusantara III (PTPN III) Sei Meranti menggunakan metode Exponential

Smoothing Brown.

1.5 Manfaat Penelitian

1. Diperolehnya forecasting yang dapat memprediksi produksi kelapa sawit.

2. Mengetahui kemampuan metode Exponential Smoothing Brown dalam memprediksi

produksi kelapa sawit.

3. Penelitian dapat dijadikan sebagai bahan rujukan untuk penelitian lain

2

1.6 Metode Penelitian

Gambar 1. Arsitektur Umum

Berikut ini adalah penjelasan tahapan-tahapan yang dilakukan pada penelitian ini.

1. Adapun input dari proses ini adalah data historis produksi kelapa sawit. Data historis

tersebut berupa data produksi yang diambil dari 3 tahun terakhir yaitu tahun 2012

3

Data historis produksi Kelapa sawit

Web Server

- PHP- Javascript

Laporan VisualRealisasi produksi

Web Service

Penginputan data ke sistem

SAS Programming Software

Membuat plot data

End User PC

INPUT

PROSES

OUTPUT

Tidak

Ya

Proses Exponential Smoothing

Hasil Peramalan dengan MAPE dan MAD terkecil

Nilai hasil peramalan

sampai dengan tahun 2014 di Perkebunan Kelapa Sawit PTPN III Sei Meranti.

Informasi yang dibutuhkan mengenai produksi meliputi data produksi dan data

sasaran mutu. Data-data inilah yang kemudian akan diproses untuk mendapatkan pola

produksi.

2. Pemrosesan

a) Penginputan data ke sistem

Pada tahap ini, data-data mengenai produksi dan sasaran mutu diinputkan oleh

user ke dalam sistem agar tersimpan ke database.

b) Membuat plot data

Langkah selanjutnya adalah membuat plot data, kemudian mengidentifikasi plot

data deret waktu. Sebelum melakukan pemodelan, dilakukan inisialisasi nilai

awal. Yaitu inisialisasi nilai alpha (α) dan gamma (γ). untuk mendapatkan nilai

ramalan dengan menggunakan metode exponential smoothing brown, diperlukan

nilai alpha (α) dan gamma (γ). Pada penelitian ini, peneliti menggunakan metode

trial and error untuk menghasilkan nilai alpha (α) dan gamma (γ).

c) Proses Exponential Smoothing

Kemudian melakukan pemodelan dengan dua metode smoothing, yaitu Metode Single

Exponential Smoothing dan Metode Double Exponential Smoothing Brown. Setelah itu

menentukan nilai konstanta smoothing yang optimum untuk masing-masing metode.

Selanjutnya melakukan peramalan dengan dua metode smoothing tersebut.

d) Hasil peramalan dengan MAPE dan MAD

Langkah selanjutnya adalah membandingkan ukuran ketepatan metode smoothing

(MAPE dan MAD) dari kedua metode smoothing tersebut. Metode smoothing yang lebih

baik dalam meramalkan realisasi produksi kelapa sawit di PT.Perkebunan Nusantara III

Sei Meranti adalah yang memiliki nilai MAPE dan MAD yang lebih minimum.

e) Nilai hasil peramalan

Setelah membandingkan ukuran ketepatan metode smoothing, maka akan didapatkan

nilai hasil peramalan. Yang nantinya akan ditampilkan kepada pengguna dalam

bentuk web dashboard.

4

f) Web Service

Data forecasting tersebut akan berkomunikasi dengan pengguna dengan format

data JSON melalui HTTP. Dengan kata lain data akan dikirimkan ke web server

melalui web service menggunakan JavaScript Object Notation (JSON).

a. Web Server

Kemudian pesan-pesan berupa data hasil forecasting tersebut akan dikirimkan

oleh web server kepada pengguna dalam bentuk web dashboard. Dimana web

dashboard tersebut dibangun dengan bahasa pemrograman PHP dan javascript.

3. Output yang didapat dari proses ini adalah laporan visual forecasting realisasi

produksi hasil pengolahan PTPN III Sei Meranti. Laporan visual ini tersaji dalam

bentuk web dashboard report. Sehingga memudahkan user dalam penggunaannya.

1.7 Tinjauan Pustaka

1.7.1 Forecasting

Forecasting atau peramalan merupakan upaya memperkirakan apa yang akan terjadi

pada masa yang akan datang berdasarkan pada data masa lalu, berbasis pada metode

ilmiah dan kualitatif yang dilakukan secara sistematis.

Peramalan merupakan suatu proses pendugaan terhadap kejadian yang akan

terjadi pada masa depan. Peramalan dapat juga diartikan sebagai proses yang

dilakukan ketika ada kesenjangan waktu (lag) dari data aktual pada waktu tertentu

dengan data yang ingin diketahui pada waktu yang akan datang. Peramalan diperlukan

untuk mengetahui kapan atau bagaimana suatu peristiwa akan terjadi sehingga

tindakan yang tepat dapat dilakukan (Makridakis et al., 1999).

Tujuan dari peramalan adalah untuk mengurangi resiko dari pengambilan

keputusan. Peramalan biasanya salah, namun besar dari kesalahan peramalan

(forecast error) tergantung dari metode peramalan yang digunakan. Metode

peramalan akan membantu dalam mengadakan pendekatan analisa terhadap tingkah

laku atau pola dari data masa lalu, sehingga dapat memberikan cara pemikiran,

pengerjaan, dan pemecahan yang sistematis dan pragmatis, serta memberikan tingkat

keyakinan yang lebih besar atas ketepatan hasil peramalan yang dibuat.

5

1.7.2 Metode Forecasting

Metode peramalan dapat berdasarkan pengalaman, penilaian, opini dari ahli atau

model matematika yang menggambarkan pola data historis. Berdasarkan sifatnya, ada

dua metode atau teknik peramalan yang dapat digunakan, yaitu teknik peramalan

kualitatif dan kuantitatif (Markdakis, 1999).

a) Teknik Peramalan Kualitatif

Teknik peramalan kualitatif adalah peramalan yang didasarkan atas data kualitatif

pada masa lalu. Teknik peramalan ini lebih menitik beratkan pada pendapat

(judgment) dan intuisi manusia dalam proses peramalan, sehingga data historis

yang ada menjadi tidak begitu penting. “Qualitative forecasting techniques relied

on human judgments and intuition more than manipulation of past historical

data”, atau metode yang hanya didasarkan kepada penilaian dan intuisi, bukan

kepada pengolahan data historis.

Teknik peramalan kualitatif membutuhkan input yang tergantung pada metode

tertentu dan biasanya merupakan hasil dari pemikiran intuisi, pertimbangan dan

pengetahuan yang didapat. Pendekatan dengan metode ini seringkali memerlukan

input dari sejumlah orang yang telah terlatih secara khusus (Markdakis, 1999).

b) Teknik Peramalan Kuantitatif

Teknik peramalan kuantitatif memiliki sifat yang objektif berdasarkan pada

keadaan aktual yang diolah dengan menggunakan metode-metode tertentu

(Markdakis, 1999). Penggunaan suatu metode juga harus didasarkan pada

fenomena manajemen atau bisnis apa yang akan diramalkan dan tujuan yang ingin

dicapai melalui peramalan.

Peramalan dengan teknik kuantitatif ini dapat diterapkan bila terdapat tiga

kondisi berikut:

a) Tersedia informasi masa lalu

b) Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik

c) Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa

yang akan datang.

Pada dua asumsi pertama merupakan syarat keharusan bagi penerapan metode

peramalan kuantitatif. Sedangkan asumsi ketiga rupakan syarat kecukupan, artinya

walaupun asumsi ketiga dilanggar, odel yang dirumuskan masih dapat digunakan.

Hal tersebut dapat diketahui dari kesalahan peramalan yang relatif besar bila

6

perubahan pola data maupun bentuk hubungan fungsional tersebut terjadi secara

sistematis.

Teknik peramalan kuantitatif sangat mengandalkan pada data historis yang

dimiliki. Teknik kuantitatif ini biasanya dikelompokkan menjadi dua, yaitu teknik

statistik dan teknik deterministik.

a) Teknik statistik menitikberatkan pada pola, perubahan pola, dan faktor

gangguan yang disebabkan pengaruh random. Termasuk dalam teknik ini

adalah teknik smoothing, dekomposisi, dan teknik Box-Jenkins.

b) Teknik deterministik mencakup identifikasi dan penentuan hubungan antara

variabel yang akan diperkirakan dengan variabel-variabel lain yang akan

mempengaruhinya. Termasuk dalam teknik ini adalah regresi sederhana,

regresi berganda, autoregresi, dan model input output.

Pendekatan teknik peramalan kuantitatif terdiri atas tiga pendekatan

(Markdakis, 1999), yaitu:

1) Analisis Deret Waktu

Metode peramalan ini menggunakan deret waktu (time series) sebagai dasar

peramalan. Diperlukan data aktual atau data historis yang akan diramalkan

untuk mengetahui pola data yang diperlukan untuk menentukan metode

peramalan yang sesuai. Beberapa contoh metode dengan pendekatan analisis

deret waktu (time series) adalah Moving Average, ARIMA (Autoregressive

Integrated Moving Average) atau Box-Jenkins, Kalman Filter, Motede

Bayesian Smoothing Eksponensial, Regression dan sebagainya.

2) Analisa Kausal

Metode ini menggunakan pendekatan sebab-akibat, dan bertujuan untuk

meramalkan keadaan di masa yang akan datang dengan menemukan dan

mengukur beberapa variabel bebas (independent variable) yang penting

beserta pengaruhnya terhadap variabel tidak bebas (dependent variable) yang

akan diramalkan. Pada metode kausal terdapat dua metode yang sering

digunakan:

a) Metode regresi dan korelasi

Metode ini memakai teknik kuadrat terkecil (least square) dan variabel

dalam formulasi matematisnya. Metode ini sering digunakan untuk prediksi

jangka pendek.

7

b) Metode input output

Metode ini biasa digunakan untuk perencanaan ekonomi nasional

jangka panjang.

a) Analisis Ekonometri

Metode ekonometri berdasarkan pada persamaan regresi yang didekati

secara simultan. Metode ini sering digunakan untuk perencanaan ekonomi

nasional dalam jangka pendek maupun jangka panjang.

1.7.3 Metode Exponential Smoothing

Metode Exponential Smoothing merupakan suatu metode yang

menunjukkan pembobotan menurun secara eksponensial terhadap nilai data observasi

masa lalu, yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir

nilai pada beberapa tahun ke depan.

Dalam exponential smoothing, terdapat satu atau lebih parameter

pemulusan yang digunakan yaitu terdiri atas tunggal, ganda, dan tiga parameter dari

Winter. Pemberian bobot pada setiap data merupakan berbeda dan menurun secara

eksponensial terhadap pengamatan yang lebih tua (Makridakis, 1999). Metode

exponential smoothing terdiri dari :

a. Single Exponential Smoothing

Metode ini digunakan untuk peramalan data time series jangka

pendek tanpa trend atau pola data yang mempunyai ciri stasioner. Model ini

menggunakan persentase α tertentu dari kesalahan pada ramalan terakhir untuk

menghasilkan ramalan sekarang. Persamaan untuk metode pemulusan

eksponensial tunggal adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):

Y t+1=αY t+(1−α )Y t (1)

Dimana:

Y t+1 = nilai ramalan untuk periode berikutnya

a = konstanta pemulusan

Yt = data baru atau nilai Y yang sebenarnya pada periode t

Y t = nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t-1

8

b. Metode Double Exponential Smoothing model Brown

Metode pemulusan eksponensial ganda menggunakan nilai trend

dengan nilai konstanta yang berbeda dari konstanta yang digunakan pada pola

data. Persamaan untuk model pemulusan eksponensial ganda untuk model

Brown adalah sebagai berikut (Gaynor dan Kirkpatrick, 1994):

At=αY t+(1−α ) A t−1 (2)

A 't=αA t+(1−α ) A ' t−1 (3)

a t=2 A t−A 't (4)

b t=α

1−α( At−A ' t )

(5)

Persamaan yang digunakan untuk membuat peramalan pada

periode p yang akan datang adalah:

Y t+ p=at+bt p (6)

Dimana:

At = nilai pemulusan eksponensial

A’t = nilai pemulusan eksponensial ganda

α = konstanta pemulusan

a t = perbedaan antara nilai-nilai pemulusan eksponensial

bt = faktor penyesuai tambahan = pengukuran slope suatu kurva

Yt = nilai aktual pada periode t

P = jumlah periode ke depan yang akan diramalkan

c. Metode Double Exponential Smoothing model Holts

Digunakan dalam peramalan data runtut waktu yang mengikuti suatu

trend linier.

Bentuk umum yang digunakan untuk menghitung ramalan adalah:

At=αY t+(1−α )( At−1+T t−1) (7)

T t=β ( A t−At−1 )+(1−β )T t−1 (8)

Persamaan yang digunakan untuk membuat peramalan pada periode p

yang akan datang adalah:

Y t+ p=A t+T t p (9)

9

Dimana:

At = nilai pemulusan eksponensial

a = konstanta pemulusan untuk data (0 < a < 1)

= konstanta pemulusan untuk estimasi trend (0 < < 1)

Yt = nilai aktual pada periode t

Tt = estimasi trend

p = jumlah periode ke depan yang akan diramalkan

d. Metode Double exponential smoothing model winter

Metode ini digunakan untuk peramalan yang mempunyai pola data

trend linier dan musiman.Metode ini memiliki kelebihan yaitu mudah dan cepat

dalam mengupdate ramalan ketika data baru diperoleh. Metode Winters terdiri

atas model multiplikatif (fluktuasi proporsional terhadap pola data trend) dari

aditif (fluktuasi relatif konstan). Dalam metode Winters terdapat tiga parameter

yangdigunakan yaitu α, ß dan µ (Gaynor, 1994). Rumusan matematikanya

sebagai berikut :

1. Pemulusan eksponensial At=α

Y t

S t−L

+(1−α )( A t−1+T t−1 )(10)

2. Estimasi trend T t=β ( A t−At−1 )+(1−β )T t−1 (11)

3. Estimasi musiman St=μ

Y t

A t

+(1−μ )St−L(12)

4. Persamaan yang digunakan untuk membuat peramalan pada periode p yang

akan datang adalah:

Y t+ p=( A t+T t p) St−L+ p (13)

Dimana:

At = nilai pemulusan eksponensial

a = konstanta pemulusan untuk data (0 < a < 1)

= konstanta pemulusan untuk estimasi trend (0 < < 1)

= konstanta pemulusan untuk estimasi musiman (0 < < 1)

Yt = nilai aktual pada periode t

Tt = estimasi trend

10

St = estimasi musiman

L = panjangnya musim

p = jumlah periode ke depan yang akan diramalkan

1.7.4 Metode yang digunakan

Untuk mendapatkan hasil yang baik, harus diketahui cara peramalan yang

tepat. Data produksi kelapa sawit jika di masukkan ke dalam grafis menunjukkan pola

data trend linier yang dapat juga dilihat dari plot autokorelasi nilai-nilai autokorelasi

yang menunjukkan pola data trend linier.

Oleh karena itu metode peramalan analisis time series yang digunakan untuk

meramalkan nilai produksi kelapa sawit pada penelitian ini adalah dengan

menggunakan Metode Single Exponential Smoothing dan Exponential Smoothing

Brown. Dimana dari kedua metode tersebut akan dicari metode yang paling tepat

dalam meramalkan nilai produksi kelapa sawit.

1.7.5 Keakuratan Peramalan

Ketepatan peramalan adalah suatu hal yang mendasar dalam peramalan,

yaitu bagaimana mengukur kesesuaian suatu metode peramalan tertentu untuk suatu

kumpulan data time series yang diberikan. Ketepatan dipandang sebagai kriteria

penolakan untuk memilih suatu metode peramalan. Dalam permodelan time series

dari data masa lalu dapat diramalkan situasi yang akan terjadi pada masa yang akan

datang dan ketepatan peramalan digunakan untuk menguji kebenaran peramalan

tersebut. Metode peramalan yang dipilih adalah metode peramalan yang memberikan

tingkat kesalahan terkecil.

Kriteria ketepatan (keakuratan) peramalan dapat diukur oleh beberapa

indikator kesalahan peramalan (Wheelwright, 1999), sebagai berikut :

a. Percentage Error (PE)

Percentage Error (PE) adalah presentase kesalahan dari nilai yang sebenarnya

dengan hasil perhitungan nilai peramalan.

Nilai PE didapat dari persamaan :

PE=( y t− ŷ t)

y t

×100%

b. Rata-rata kesalahan ( Average / Mean Error )

11

(14)

Mean Error (ME) merupakan teknik sederhana dalam menggambarkan tingkat

kesalahan dari suatu proses. Kesalahan atau error menunjukkan besarnya selisih

antara nilai sebenarnya dengan nilai yang diramalkan.

Dengan persamaan tersebut maka nilai kesalahan dapat bernilai positif

ataupun negatif. Bernilai negatif apabila nilai peramalan melebihi dari nilai

sebenarnya dan bernilai positif apabila nilai peramalan lebih kecil dari nilai yang

sebenarnya.

Nilai ME didapat dari persamaan :

AE=∑ ŷ

n

c. Mean Square Error (MSE)

Mean Square Error (MSE) menggunakan nilai kuadrat untuk setiap selisih

perhitungan yang terjadi. Perbedaannya dengan Mean Absolute Deviation (MAD)

adalah MSE menilai kesalahan untuk penyimpangan yang lebih ekstrem daripada

MAD.

Nilai MSE didapat dari persamaan :

MAD=∑t=1

n

( y t−¿ ŷ t)2

n¿

d. Mean Absolute Deviation (MAD)

Mean Absolute Deviation ini digunakan untuk mengantisipasi adanya nilai

positif dan negatif yang akan saling melemahkan atau menambah perhitungan

kesalahan pada penjumlahan, maka error yang digunakan adalah nilai absolute

(mutlak) untuk setiap selisih kesalahan.

Nilai MAD didapat dari persamaan :

MAD=∑t=1

n

( y t−¿ ŷ t)

n¿

e. Mean Percentage Error (MPE)

Mean Percentage Error (MPE) merupakan rata-rata dari persentase kesalahan

(selisih nilai sebenarnya dengan nilai hasil peramalan) dari keseluruhan observasi.

Nilai MPE didapat dari persamaan :

12

(15)

(16)

(17)

MPE=∑t=1

n (Y t−Y t )Y t

x 100

n

f. Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Error (MAPE) juga merupakan nilai rata-rata dari

persentase kesalahan, tetapi memberikan nilai absolute (mutlak) pada selisih nilai

sebenarnya dengan nilai hasil peramalan. MAPE merupakan nilai indikator yang

biasa digunakan untuk menunjukkan performance atau keakuratan pada hasil

proses peramalan.

Nilai MAPE didapat dari persamaan :

MAPE=∑t=1

n |Y t−Y t|Y t

x 100

n

Dengan: : Yt = nilai aktual pada periode t

ŷt = nilai hasil peramalan pada periode t

n = jumlah peramalan

| PE | = nilai absolute PE

Pada penelitian ini menggunakan MAPE karena pada data (tingkat produksi

kelapa sawit) ukuran variabel peramalan merupakan faktor penting dalam

mengevaluasi akurasi peramalan. MAPE mengenal secara pasti signifikansi

hubungan diantara data ramalan dengan data aktual melalui persentase dari data

aktual serta indikator positif atau negatif pada galat (error) diabaikan. MAPE

memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan

nilai sebenarnya dari series tersebut.

1.6 Penelitian Terdahulu

Penelitian tentang peramalan dengan metode Exponential Smoothing sudah pernah

dilakukan oleh para peneliti. Penelitian tersebut di antaranya dilakukan oleh (Novita,

2005), (Sidik, 2010), (Jalil, 2013), dan (Suwanvijit, 2011). Penelitian terdahulu yang

dilakukan oleh (Novita, 2005), yaitu analisis penjualan sepeda motor Korea di PT. Maju

Bersama Surya Indah Motor Cabang Surabaya, gambaran umum tiap bulan dilihat dari

statistik deskriptif. Pemodelan arima dan exponensial smoothing digunakan untuk

mendapatkan model terbaik. Model terbaik dipilih berdasarkan MSE yang paling kecil.

13

(18)

(19)

Berdasarkan MSE kedua model, didapat model terbaik yaitu metode smoothing untuk

meramalkan penjualan periode ke depan.

(Sidik, 2010) meramalkan produksi tanaman pangan, tanaman perkebunan rakyat

kabupaten Magelang dengan metode ES berbantu Minitab. Berdasarkan hasil penelitian,

nilai Mean Absolute Percentage Error (MAPE) pada metode Double Exponential

Smoothing lebih kecil dibandingkan dengan menggunakan metode Single Exponential

Smoothing, sehingga metode Double Exponential Smoothing lebih baik digunakan untuk

meramalkan produksi tanaman pangan dan tanaman perkebunan rakyat di kabupaten

Magelang.

Sementara itu (Jalil, 2013) meramalkan permintaan kebutuhan akan listrik di

Malaysia dengan menggunakan metode Exponential Smoothing. Metode Exponential

Smoothing yang digunakan adalah Holt-Winters Taylor, Holt Winters, dan Holt-Winters

yang telah dimodifikasi. Untuk membandingkan metode-metode tersebut, Jalil

menggunakan Mean Absolute Percentage Error (MAPE) sebagai tingkat keakuratannya.

Penelitian oleh (Suwanvijit, 2011) meramalkan penjualan jangka panjang terhadap

minuman bersoda di 14 propinsi di Thailand Selatan. Suwanvijit menggunakan metode

Lee-Carter dan Holt-Winters Exponential Smoothing untuk meramalkannya. Model yang

dihasilkan dapat memprediksi dengan sangat akurat untuk 24 bulan ke depan

dibandingkan dengan menggunakan metode peramalan secara terpisah yang digunakan

sebelumnya.

Perbandingan antara penelitian ini dengan penelitian terdahulu yaitu pada penelitian

terdahulu metode peramalan digunakan untuk menghitung jumlah permintaan

berdasarkan ramalan. Sedangkan pada penelitian ini metode peramalan digunakan untuk

mencari metode yang tepat bagi perusahaan untuk menghitung realisasi produksi.

Tabel 1. Penelitian Terdahulu

No Peneliti Judul Tahun1 Novita, Diana. Analisis penjualan sepeda motor korea di PT.Maju

Bersama Surya Indah Motor dengan menggunakan metode exponential smoothing dengan menggunakan 3 variabel yaitu sepeda motor super x, shadow r, dan morin

2005

2 Sidik, N. Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan Rakyat Kab.Magelang Dengan Menggunakan Metode Exponential

2010

14

Smoothing Berbantu Minitab

3 Suwanvijit, W., Lumley, L.,

Choonpradub, C., McNeil, N.

Long Term Sales Forecasting Using Lee-Carter And Holt-Winter Methods

2011

4 Jalil, N. A. A., Ahmad, H., M.,

Mohamed, N

Electricity Load Demand Forecasting Using Exponential Smoothing Methods

2013

15

Daftar Pustaka

Batubara, E.A. 2015. Implementasi algoritma learning vector quantization pada prediksi

produksi kelapa sawit di PT. Perkebunan Nusantara I Pulau Tiga. Skripsi.

Universitas Sumatera Utara.

Gaynor, P. E. Dan Kirkpatrick R. C. 1994. Introduction to Time Series Modelling and

Forecasting ini Business and Economic. Singapura : Mc. Graw Hill.

Hanke, J. E dan Wichern, D. W. 2005. Business Forecasting, 8th Edition. New Jersey:

Prentice Hall.

Jalil, N. A. A., Ahmad, H., M., Mohamed, N. 2013. Electricity Load Demand Forecasting

Using Exponential Smoothing Methods. World Applied Sciences Journal 22

(11):ISSN 1818-4952.

Makridakis, S., Wheelwright, S.C. & McGee, V.E. 1999. Metode dan Aplikasi Peramalan.

Erlangga : Jakarta.

Novita, Diana. 2005. Analisis penjualan sepeda motor korea di PT.Maju Bersama Surya

Indah Motor dengan menggunakan metode exponential smoothing dengan

menggunakan 3 variabel yaitu sepeda motor super x, shadow r, dan morin, Tugas

Akhir, Statistika FMIPA ITS. Surabaya.

Saputra, A.H. 2012. Analisis data runtun waktu dengan metode adaptive neuro-fuzzy

inference system (ANFIS). Skripsi. Universitas Diponegoro.

Sidik, N. 2010. Forecasting Volume Produksi Tanaman Pangan, Tanaman Perkebunan

Rakyat Kab.Magelang Dengan Menggunakan Metode Exponential Smoothing

Berbantu Minitab. Skripsi. FMIPA Universitas Negeri Semarang.

Suwanvijit, W., Lumley, L., Choonpradub, C., McNeil, N. 2011. Long Term Sales

Forecasting Using Lee-Carter And Holt-Winter Methods. Journal of Applied

Business Research Vol.27 No.1.

16