tugas akhir - Politeknik ATI Makassar
-
Upload
khangminh22 -
Category
Documents
-
view
1 -
download
0
Transcript of tugas akhir - Politeknik ATI Makassar
PENERAPAN METODE PERAMALAN DALAM MENENTUKAN JUMLAH PRODUKSI BENIH UDANG VANNAMEI PADA
PT. ESAPUTLII PRAKARSA UTAMA DI KABUPATEN BARRU
TUGAS AKHIR
OLEH:
ILHAM PERDANA
18TIA401
Diajukan untuk memenuhi sebagai persyaratan guna menyelesaikan program diploma tiga
Jurusan/Program Studi Teknik Industri Agro
KEMENTERIAN PERINDUSTRIAN R.I POLITEKNIK ATI MAKASSAR
2021
ii
HALAMAN PERSETUJUAN
JUDUL : PENERAPAN METODE PERAMALAN DALAM
MENENTUKAN JUMLAH PRODUKSI BENIH
UDANG VANNAMEI PADA PT. ESAPUTLII
PRAKARSA UTAMA DI KABUPATEN BARRU
NAMA MAHASISWA : ILHAM PERDANA
NOMOR STAMBUK : 18TIA401
JURUSAN : TEKNIK INDUSTRI AGRO
Menyetujui,
Pembimbing I
Drs. H. Abdul Samad, MM NIP. 19591231 198503 1 039
Pembimbing II
Ir. Muhammad Basri, MM., IPM., AE. NIP. 19680406 199403 1 003
Mengetahui,
Direktur Politeknik ATI Makassar
Ir. Muhammad Basri, MM., IPM., AE. NIP. 19680406 199403 1 003
Ketua Jurusan Teknik Industri Agro
Dr. Widya Hastuti Afris, S. ST., MM NIP. 19780125 200112 2 002
iii
HALAMAN PENGESAHAN
Telah diterima oleh Panitia Ujian Akhir Program Diploma Tiga (D3) yang ditentukan
sesuai dengan Surat Keputusan Direktur Politeknik ATI Makassar Nomor: 562 tanggal 5
April 2021 yang telah dipertahankan di depan Tim Penguji pada hari Kamis tanggal 24
Juni 2021 sebagai salah satu syarat memperoleh gelar Ahli Madya (A.Md) Teknik
Industri dalam program studi Teknik Industri Agro Pada Politeknik ATI Makassar.
PANITIA UJIAN:
Pengawas : 1. Kepala BPSDMI Industri Kementerian Perindustrian R.I.
2. Direktur Politeknik ATI Makassar
Ketua : Drs. Haruddin, MM. (…………………………..………)
Sekretaris : Della Ginza Ramadhan, ST., MT. (…………………………..………)
Penguji I : Drs. Haruddin, MM. (…………………………..………)
Penguji II : Della Ginza Ramadhan, ST., MT. (……………………….…………)
Penguji III : Dr. Widya Hastuti Afris, S.ST., MM. (…………………………………..)
Pembimbing I : Drs. H. Abdul Samad, MM. (………………………............)
Pembimbing II : Ir. Muhammad Basri, MM., IPM., AE. (…………………………….…..)
iv
PERNYATAAN KEASLIAN TUGAS AKHIR
Saya yang bertanda tangan dibawah ini:
Nama : Ilham Perdana
NIM : 18TIA401
Jurusan : Teknik Industri Agro
Menyatakan bahwa tugas akhir yang saya buat benar-benar merupakan hasil
karya saya sendiri. Apabila dikemudian hari terbukti dan dapat dibuktikan sesuai
dengan hukum yang berlaku di Negara Republik Indonesia bahwa tugas akhir saya
adalah hasil karya orang laim, maka saya bersedia menerima sanksi atas
perbuatan tersebut tanpa melibatkan institusi Politeknik ATI Makassar atau orang
lain.
Makassar, April 2021
Yang Menyatakan,
Ilham Perdana
v
KATA PENGANTAR
Puji syukur penulis panjatkan kehadirat Allah SWT karena dengan rahmat
dan karunia-Nya, sehingga penulis dapat menyelesaikan tugas akhir yang berjudul
“Penerapan Metode Peramalan Dalam Menentukan Jumlah Produksi Benih
Udang Vannamei Pada PT. Esaputlii Prakarsa Utama Di Kabupaten Barru” yang
disusun untuk memenuhi salah satu syarat kelulusan studi program Diploma III
pada Program Studi Teknik Industri Agro di Politeknik ATI Makassar.
Dalam penyusunan tugas akhir ini, penulis menyadari sepenuhnya bahwa
selesainya tugas akhir ini tidak terlepas dari dukungan, semangat, serta
bimbingan dari berbagai pihak, baik bersifat moril maupun material, oleh
karenanya, penulis ingin menyampaikan ucapan terimakasih antara lain kepada :
1. Kedua orang tua dan saudari penulis yang senantiasa memberikan doa dan
dukungan dalam menyelesaikan tugas akhir.
2. Bapak Ir. Muhammad Basri, MM., IPM., AE selaku Direktur Politeknik ATI
Makassar sekaligus pembimbing II.
3. Ibu Dr. Widya Hastuti Afris, S. ST., MM selaku Ketua Jurusan Teknik Industri
Agro Politeknik ATI Makassar.
4. Bapak Drs. H. Abdul Samad, MM selaku pembimbing I yang telah banyak
membantu penulis dalam penyelesaian tugas akhir ini.
vi
5. Ibu Dr.Hj. Arminas, ST, MM., IPM., AE selaku penasihat akademik yang telah
membantu dan membimbing terutama dalam bidang akademik.
6. Pak Sukiman S. Pi selaku pembimbing lapangan dan seluruh karyawan di PT.
Esaputlii Prakarsa Utama yang telah membimbing dan membagi ilmunya
serta memberikan saran dan masukan dalam penyelesaian tugas akhir ini.
7. Seluruh dosen yang telah memberikan ilmu pengetahuan dari awal hingga
akhir studi penulis di Politeknik ATI Makassar.
8. Selaku teman seperjuangan selama perkuliahan dan menyelesaikan tugas
akhir seluruh teman kelas dual system.
9. Bapak Mahsum, Ibu Rahmatia Nur Aliah Tampa, dan Muthia Aulia Rahima.
Tugas Akhir (TA) ini disusun dengan sebaik-baiknya, namun penulis mengakui
masih terdapat kekurangan dalam penyusunan tugas akhir ini, oleh karena itu
saran dan kritik yang sifatnya membangun dari semua pihak sangat diharapkan
bagi penulis, tidak lupa harapan penulis semoga laporan tugas akhir ini dapat
bermanfaat bagi pembaca serta dapat menambah ilmu pengetahuan bagi kami.
Makassar, April 2021
Ilham Perdana
vii
ABSTRAK
ILHAM PERDANA, 2021. Penerapan Metode Peramalan Dalam Menentukan Jumlah Produksi Benih Udang Vannamei Pada PT. Esaputlii Prakarsa Utama Di Kabupaten Barru. Dibawah bimbingan bapak H. Abdul Samad selaku pembimbing I dan bapak Muhammad Basri selaku pembimbing II.
PT. Esaputlii Prakarsa Utama merupakan perusahaan yang bergerak dalam bidang budidaya perairan dan perikanan yang memproduksi benih udang vannamei. Dalam melakukan produksi diperlukan perencanaan yang baik untuk memenuhi kebutuhan konsumen, ketika memproduksi benih udang terdapat produksi yang berlebih karena proses penjualan dilakukan ketika ada pembeli yang datang atau memesan secara langsung. Jika tidak ada pembeli, maka benih udang vannamei tidak akan dijual, sehingga benih akan melewati batas usia yang telah ditentukan kemudian dibuang. Hal tersebut diakibatkan oleh perencanaan yang kurang tepat untuk memenuhi kebutuhan konsumen, karena pada PT. Esaputlii Prakarsa Utama sebelumnya hanya menggunakan estimasi untuk menentukan jumlah produksi benih udang vannamei, salah satu caranya yaitu perusahaan menerapkan metode peramalan produksi benih udang vannamei.
Tujuan diadakan penelitian ini adalah untuk mengetahui metode peramalan yang tepat untuk menentukan jumlah produksi benih udang vannamei pada PT. Esaputlii Prakarsa Utama. Jenis penelitian yang digunakan adalah penelitian deskriptif, dengan membandingkan dua metode peramalan yaitu metode Moving Average dan Exponential Smoothing. Berdasarkan kedua metode tersebut dengan bantuan aplikasi QM For Windows V5 didapatkan peramalan yang tepat yaitu menggunakan metode Moving Average, karena memiliki nilai tingkat akurasi kesalahan terkecil dengan nilai MAD= 25.951,34 bungkus, MSE= 1.134.011.000 bungkus, MAPE= 12,72 % dan nilai peramalan pada bulan selanjutnya bulan November 2020 yaitu sebanyak 176.492,1 bungkus.
Kata kunci: Peramalan, Moving Average, Exponential Smoothing.
viii
DAFTAR ISI
HALAMAN JUDUL .......................................................................................... ....... i HALAMAN PERSETUJUAN .............................................................................. ...... ii HALAMAN PENGESAHAN ............................................................................... ..... iii PERNYATAAN KEASLIAN TUGAS AKHIR .......................................................... ..... iv KATA PENGANTAR ......................................................................................... ...... v ABSTRAK ....................................................................................................... .... vii DAFTAR ISI..................................................................................................... ... viii DAFTAR TABEL ............................................................................................... ..... ix DAFTAR GAMBAR .......................................................................................... ...... x BAB I PENDAHULUAN .................................................................................... ......1
1.1. Latar Belakang .......................................................................................... ...... 1 1.2. Rumusan Masalah ................................................................................... ...... 4 1.3. Tujuan Penelitian ..................................................................................... ...... 4 1.4. Manfaat Penelitian .................................................................................. ...... 5
BAB II TINJAUAN PUSTAKA ............................................................................ ......6 2.1. Perencanaan dan Pengendalian Produk .................................................. ...... 6 2.2. Peramalan ................................................................................................ ...... 7 2.3. Pola Data .................................................................................................. .... 12 2.4. Metode Moving Average ......................................................................... .... 14 2.5. Metode Exponential Smoothing .............................................................. .... 16 2.6. Pengukuran Hasil Akurasi Peramalan ........................................................... 17 2.7. Kerangka Berpikir .......................................................................................... 20
BAB III METODE PENELITIAN ............................................................................. 21 3.1. Tempat dan Waktu ...................................................................................... 21 3.2. Alat dan Bahan ............................................................................................ 21 3.3. Jenis Penelitian ............................................................................................ 22 3.4. Teknik Pengumpulan Data .......................................................................... 22 3.5. Analisa Data ................................................................................................. 23
BAB IV HASIL DAN PEMBAHASAN ....................................................................... 24 4.1. Pengumpulan Data ........................................................................................ 24 4.2. Pengolahan Data ........................................................................................... 25 4.3. Pembahasan .................................................................................................. 31
BAB V KESIMPULAN DAN SARAN ...................................................................... 34 5.1. Kesimpulan .................................................................................................. 34 5.2. Saran ........................................................................................................... 34
DAFTAR PUSTAKA ............................................................................................ 35
ix
DAFTAR TABEL
Tabel 4.1 Data Penjualan Benih Udang Vannamei ................................................... 24 Tabel 4.2 Hasil Detail and Error Analysis Moving Average ........................................ 26 Tabel 4.3 Error Measures Moving Average .............................................................. 27 Tabel 4.4 Hasil Detail and Error Analysis Exponential Smoothing ............................. 29 Tabel 4.5 Error Measures Exponential Smoothing ................................................... 30 Tabel 4.6 Perbandingan Hasil Peramalan ............................................................... 32
x
DAFTAR GAMBAR
Gambar 2.1 Pola Data Siklus ..................................................................................... 13 Gambar 2.2 Pola Data Musiman ............................................................................... 13 Gambar 2.3 Pola Data Horizontal ............................................................................. 14 Gambar 2.4 Pola Data Trend .................................................................................... 14 Gambar 2.5 Kerangka Berfikir ................................................................................... 20 Gambar 4.1 Grafik Penjualan Benih Udang Vannamei ............................................. 25 Gambar 4.2 Grafik Metode Moving Average ........................................................... 28 Gambar 4.3 Grafik Metode Exponential Smoothing ................................................. 31
1
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Perikanan adalah salah satu sektor yang diandalkan untuk pembangunan
industri nasional. Pada tahun 2019, nilai ekspor hasil perikanan Indonesia
mencapai Rp 73.681.883.000 dimana nilai tersebut naik 10.1% dari hasil ekspor
tahun 2018. Hasil laut seperti udang, tuna, cumi-cumi, gurita, rajungan serta
rumput laut merupakan komoditas yang dicari. Banyaknya hasil produksi
perikanan di Indonesia perlu dipertahankan dan dijaga (Nawawi, 2019).
Faktor yang dapat mendorong pertumbuhan dan perkembangan suatu
industri disebabkan karena kebutuhan manusia akan barang dan jasa.
Pemenuhan kebutuhan manusia sehari-hari berupa barnag dan jasa dihasilkan
dari kegiatan industri. Kegiatan produksi atau pengolahan barang dan jasa dalam
industri membutuhkan manusia. Peningkatan jumlah penduduk yang semakin
meningkat setiap tahunnya menyebabkan kebutuhan barang dan jasa juga
semakin meningkat. Faktor lain yang menyebabkan perkembangan industri
adalah keinginan dari pihak penyedia barang dan jasa atau produsen agar
memperoleh pendapatan dan keuntungan.
Untuk mengatasi hal tersebut perusahaan perlu membuat perencanaan yang
optimal baik perencanaan produksi maupun perencanaan permintaan.
Perencanaan permintaan secara umum dikenal dengan istilah peramalan atau
2
forecasting. Peramalan adalah perhitungan yang objektif dan dengan
menggunakan data-data permintaan dimasa lampau untuk menentukan suatu
permintaan dimasa depan atau yang akan datang (Sumayang, 2003).
Peramalan yang penting dilakukan dalam perusahaan yaitu permintaan
produk dari konsumen. Dengan mengetahui permintaan dari konsumen, maka
dapat membantu perusahaan dalam menentukan jumlah produk yang
seharusnya diproduksi.
PT. Esaputlii Prakarsa Utama merupakan perusahaan yang bergerak dalam
bidang budidaya perairan dan perikanan yang memproduksi benur (benih udang).
PT. Esaputlii Prakarsa Utama berlokasi di Jl. Poros Makassar-Parepare KM. 138
Kelurahan Mallawa Kecamatan Mallusetasi Kabupaten Barru Sulawesi Selatan.
Dalam proses produksi sering ditemui produk berlebih dimana pada setiap
bulannya saat melakukan produksi banyak benih udang vannamei yang tersisa
sebanyak 2000 sampai 7000 bungkus dengan total dari bulan November 2019
sampai dengan Oktober 2020 adalah sebanyak 56.521 bungkus.
Proses produksi benih udang vannamei dimulai dengan bagian produksi atau
larva meminta supply naupli (telur udang vannamei) dari bagian induk untuk
dipindahkan ke dalam bak dibagian produksi sebanyak 2,7 juta naupli. Selama
dua minggu benih udang vannamei diberikan nutrisi agar berkembang biak sesuai
dengan standar yang telah ditentukan sebelum siap untuk dipanen. Jumlah benih
udang vannamei yang siap dipanen dalam waktu dua minggu berkisar satu juta
ekor dalam satu bak hal ini disebabkan penyakit necrosis. Setelah berumur dua
3
minggu udang dipanen, proses pemanenan benih udang vanamei dilakukan
ketika ada pembeli yang datang atau memesan secara langsung. Jika tidak ada
pembeli, maka benih udang vannamei tidak akan dijual. Sehingga yang terjadi
adalah dari hasil produksi tersebut menyisakan sekitar 3-7 bak benih udang
vannamei, benih yang tersisa tersebut tidak dapat dijual karena sudah melewati
batas usia atau standar yang ditetapkan oleh perusahaan dan benih yang tersisa
tersebut harus dibuang, dari permasalahan tersebut menyebabkan kerugian yang
sangat besar bagi perusahaan salah satunya kerugian pakan.
Penelitian tentang perbandingan peramalan penjualan produk aknil PT.
Sunthi Sepuri menggunakan metode single moving average dan single
exponential smooting yang dilakukan oleh Hudaningsih Nurul dkk (2020). PT.
Sunthi Sepuri adalah perusahaan Pharmaceutical manufacture atau perusahaan
yang bergerak di pembuatan obat-obatan. Pada penelitian ini menunjukan bahwa
PT. Sunthi Sepuri sering mengalami kesalahan peramalan dari pihak marketing.
Hal ini menyebabkan ketidakpastian jumlah produksi sehingga dapat
menyebabkan produktifitas karyawan menurun karena meningkatnya jumlah
produksi sewaktu-waktu. Penggunaan kedua metode tersebut untuk
membandingkan kedua metode peramalan yang paling akuran dan mendekati
nilai aktual. Metode penelitian yang digunakan mulai dari pengumpulan data
historis, penentuan metode peramalan, perhitungan peramalan, penentuan
metode terbaik dan penarikan kesimpulan. Berdasarkan hasil pengujian bahwa
4
metode yang digunakan untuk menganalisis data yang memiliki tingkat kesalahan
paling kecil adalah metode Single Moving Average.
Oleh karena itu diperlukan perencanaan yang baik oleh PT. Esaputlii Prakarsa
Utama dalam menentukan permintaan benih udang. Salah satu cara untuk
mengatasi masalah tersebut adalah dengan peramalan permintaan benih udang
vannamei untuk dapat menanggapi naik ataupun turunnya permintaan pasar dan
dapat meminimalisir kemungkinan terjadinya produksi yang berlebih. Tanpa
adanya peramalan maka kemungkinan terjadinya perubahan-perubahan drastis
terhadap permintaan benih udang vannamei tidak diikuti dengan kesiapan PT.
Esaputlii Prakarsa Utama dalam berbagai hal, seperti biaya maupun persediaan
yang harus dilakukan. Berdasarkan latar belakang tersebut penulis mengambil
judul “Penerapan Metode Peramalan Dalam Menentukan Jumlah Produksi
Benih Udang Vannamei Pada PT. Esaputlii Prakarsa Utama Di Kabupaten Barru”
1.2 Rumusan Masalah
Berdasarkan latar belakang tersebut, maka rumusan masalah yang dapat
dirumuskan dalam penelitian ini adalah:
Bagaimana menentukan jumlah produksi benih udang vannamei melalui metode
peramalan pada PT. Esaputlii Prakarsa Utama?
1.3 Tujuan Penelitian
Adapun tujuan yang hendak dicapai dari penelitian ini yaitu:
5
Untuk menentukan jumlah produksi benih udang vannamei melalui metode
peramalan pada PT. Esaputlii Prakarsa Utama.
1.4 Manfaat Penelitian
Dari hasil penilitian tersebut diperoleh manfaat sebagai berikut:
a. Penulis
1. Untuk menambah pengetahuan baik secara langsung maupun tidak
langsung agar lebih memahami teori-teori yang didapat selama kuliah dan
penerapan.
2. Untuk menambah pengetahuan dan pengalaman bagi penulis terutama
dalam bidang pengetahuan sistem penjualan dan peramalan.
b. Perusahaan
Hasil dari penelitian ini diharapkan dapat menjadi pertimbangan ataupun
alternatif dari peramalan benih udang vannamei untuk tahun yang akan
datang sebagai bahan dalam memasarkan produknya.
c. Akademik
Hasil dari penelitian ini diharapkan dapat menjadi tambahan referensi
penerapan keilmuan dibidang Teknik Industri sekaligus menjadi tambahan
koleksi tugas akhir dibidang sistem penjualan dan peramalan untuk kebutuhan
produk.
6
BAB II
TINJAUAN PUSTAKA
2.1 Perencanaan dan Pengendalian Produk
Perencanaan Produksi merupakan aktivitas mengevaluasi fakta di masa lalu
dan sekarang serta mengantisipasi perubahan dan kecenderungan di masa
mendatang untuk menentukan strategi dan penjadwalan produksi yang tepat
guna mewujudkan sasaran memenuhi permintaan secara efektif dan efisien,
sedangkan pengendalian produksai adalah aktivitas mengendalikan dan
memastikan seluruh rangkaian aktivitas yang telah direncanakan agar terlaksana
sesuai dengan target dan sasaran yang ditetapkan sekalipun terdapat beberapa
perubahan dan penyesuaian yang terjadi (Agustina, 2018).
Perencanaan dan pengendalian produksi merupakan aktivitas merencanakan
serta mengendalikan material masuk dalam sistem produksi (baik bahan baku
maupun bahan pembantu) mengalir dalam sistem produksi (menjadi komponen
atau assembly), dan keluar dari sistem produksi (berupa produk jadi atau spare
parts) sehingga permintaan dapat dipenuhi dengan efektif dan efisien (tepat
jumlah, tepat waktu penyerahan dan biaya produksi yang minimum) (Agustina,
2018).
Fungsi dari Production Planning and Inventory Control (PPIC) dapat di uraikan
sebagai berikut (Agustina, 2018):
a. Membuat peramalan demand produk.
7
b. Mengontrol demand aktual, membandingkan dengan ramalan demand
sebelum dan melakukan pengubahan dari ramalan itu.
c. Menetapkan ukuran pesanan barang yang efisien untuk bahan baku yang akan
dibeli.
d. Menetapkan sistem persediaan yang efisien.
e. Menetapkan kebutuhan dan tingkat persediaan produksi pada waktu tertentu.
f. Mengontrol tingkat persediaan, membandingkan rencana persediaan, dan
m`elakukan pengaturan rencana produksi pada waktu yang ditentukan.
g. Menerapkan jadwal produksi, penugasan, dan pembebanan mesin serta
tenaga kerja yang mendetail.
h. Merencanakan perencanaan kapasitas meliputi perencanaan jangka panjang,
jangka menengah, dan jangka pendek untuk mendapatkan rencana jadwal
produksi yang meliputi rencana jadwal kebutuhan fasilitas produksi.
2.2 Peramalan (Forecasting)
2.2.1 Pengertian Peramalan
Peramalan merupakan gambaran tentang suatu perusahaan dimasa yang
akan datang dimana gambaran tersebut sangat penting bagi perusahaan,
karena dengan gambaran tersebut perusahaan dapat menentukan apa saja
yang harus dilakukan dimasa yang akan datang salah satu contohnya yaitu
menentukan jumlah produksinya (Gaspersz, 2005).
Berikut pengertian peramalan menurut para ahli:
8
a. Peramalan (forecasting) merupakan bagian vital bagi setiap organisasi
bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat
signifikan. Peramalan msenjadi dasar bagi perencanaan jangka panjang
perusahaan (Murahartawaty, 2009).
b. Peramalan adalah masukan/input dasar dalam proses pengambilan
keputusan dari manajemen operasi karena permalaan memberikan
informasi dalam perimintaan dimasa yang akan datang (Stevenson dan
Chuong, 2014).
c. Peramalan adalah prediksi, proyeksi, atau estimasi terjadinya suatu
kejadian atau aktivitas yang tidak pasti dimasa depan. Karena masa
depan sangat sulit dipastikan, maka diperlukan sistem forecast, baik
secara implisit ataupun eksplisit (Agustina, 2018).
d. Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha
memperkirakan penjualan dan penggunaan produk sehingga produk-
produk itu dapat dibuat dalam kuantitas yang tepat (Gesperz, 2005).
e. Peramalan merupakan suatu kegiatan memperkirakan atau
memprediksikan kejadian dimasa yang akan datang tentunya dengan
bantuan penyusunan rencana terlebih dahulu, dimana rencana ini dibuat
berdasarkan kapasitas dan kemampuan permintaan/produksi yang telah
dilakukan diperusahaan (Sofyan, 2013).
Dari beberapa pengertian tersebut dapat ditarik kesimpulan bahwa
peramalan merupakan suatu fungsi bisnis yang berfungsi memperkirakan
9
jumlah estimasi dimasa depan pada suatu perusahaan dalam menentukan
jumlah produksi dengan menggunakan data dimasa lalu untuk memenuhi
kebutuhan konsumen.
2.2.2 Tujuan Peramalan
Tujuan peramalan adalah sebagai pengkaji kebijakan perusahaan yang
berlaku disaat ini dan dimasa lalu dan juga melihat sejauh mana pengaruh
dimasa datang, Peramalan dibutuhkan karena terdapat time lag atau delay
antara ketika suatu kebijakan perusahaan ditetapkan dengan ketika
implementas, Peramalan adalah dasar penyusutan bisnis di suatu perusahaan
sehinga bisa meningkatkan efektivitas sebuah rencana bisnis (Heizer dan
Render, 2009). Tujuan peramalan adalah untuk meramalkan permintaan dari
item-item independent demand di masa yang akan datang (Gaspersz, 2005).
2.2.3 Tahap-Tahap Peramalan
Untuk melakukan peramalan yang baik, sebelum melakukan peramalan
ada beberapa tahap-tahap untuk melakukan peramalan, ada enam tahap
peramalan, yaitu (Render dan Heizer, 2009):
1. Menentukan tujuan Peramalan.
2. Memilih unsur apa yang akan diramal.
3. Menentukan horison waktu peramalan (pendek, menengah, atau
panjang).
4. Memilih tipe model peramalan.
10
5. Mengumpulkan data yang di perlukan untuk melakukan peramalan.
6. Memvalidasi dan menerapkan hasil peramalan.
2.2.4 Jenis-Jenis Peramalan
Jika dilihat dari jangka waktu ramalan yang telah disusun, maka ramalan
dapat dibedakan menjadi 3, yaitu: (Render dan Heizer, 2009)
a. Short term forecasting (peramalan jangka pendek), yaitu peramalan yang
mencakup jangka waktu satu tahun umumnya kurang dari tiga bulan.
Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan
kerja, jumlah tenaga kerja, penugasan kerja, dan tingkat produksi.
b. Mid term forecasting (peramalan jangka menengah), yaitu peramalan
yang umumnya mecakup hitungan bulanan hingga tiga tahunn.
Peramalan ini bermanfaat untuk merencanakan penjualan, perencanaan
dan anggaran produksi, anggaran kas, serta menganalisis bermacam-
macam rencana operasi.
c. Long term forecasting (peramalan jangka panjang), yaitu peramalan yang
umumnya untuk perencanaan tiga tahun atau lebih. Peramalan jangka
panjang digunakan untuk merencanakan produk baru, pembelanjaan
modal, lokasi atau pengembangan fasilitas, serta penelitian dan
pengembangan (litbang).
Berdasarkan jenis data ramalan yang disusun, peramalan dibagi menjadi
dua jenis yaitu (Saputro dan Asri, 2000):
11
a. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data
kualitatif pada masa lalu. Hasil ramalan yang dibuat sangat tergantung
pada orang yang menyusunnya. Hal ini penting karena peramalan
tersebut ditentukan berdasarkan pemikiran yang bersifat intuisi,
pendapat, dan pengetahuan serta pengalaman dari peenyusunnya.
Biasanya peramalan secara kualitatif ini didasarkan atas hasil
penyelidikan, seperti pendapat salesman, pendapat sales manajer
pendapat para ahli dan survey konsumen.
b. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data
penjualan pada masa lalu. Hasil peramalan yang dibuat sangat
tergantung pada metode yang dipergunakan dalam peramalan tersebut.
Penggunaan metode yang berbeda akan diperoleh hasil yang berbeda
pula.
Berdasarkan fungsi dan perencanaan operasi dimasa depan, peramalan
atau forecasting dibagi menjadi 3 jenis yaitu (Render dan Heizer, 2009):
a. Peramalan ekonomi (economic forecast) menjelaskan siklus bisnis
dengan memprediksi tingkat inflasi, ketersediaan uang, dana yang
dibutuhkan untuk membangun perumahan dan indikator perencanaan
lainnya.
b. Peramalan teknologi (technological forecast) memperhatikan tingkat
kemajuan tehnologi yang dapat meluncurkan produk baru yang menarik,
yang membutuhkan pabrik dan peralatan baru.
12
c. Peramalan permintaan (demand forecast) adalah proyeksi permintaan
untuk produk atau layanan suatu perusahaan.
Berdasarkan sifat penyusunannya, peramalan dibagi menjadi dua jenis,
yaitu (Ginting, 2007):
a. Peramalan subjektif, yaitu peramalan yang didasarkan atas perasaan
atau intuisi dari orang yang menyusunnya.
b. Peramalan objektif, yaitu peramalan yang didasarkan atas data yang
relevan pada masa lalu, dengan menggunakan teknik-teknik dan
metode-metode dalam penganalisaan data tersebut.
2.3 Pola Data
Penggunaan metode peramalan permintaan yang cocok dilakukan dengan
melihat bagaimana pola dari data permintaan yang dimiliki. Pola tersebut
kemudian disesuaikan dengan metode peramalan yang ada dan dilihat nilai error
nya. Mengidentifikasi pola data merupakan hal yang sangat penting sebelum
dilakukan peramalan. Pemilihan pola data yang tepat dalam pengujian deret
berkala (time series) akan menentukan ketepatan dalam pengujian data. Pola
data dibedakan menjadi empat jenis yaitu pola data horizontal, pola data
musiman, pola data trend dan pola data siklis (Widjajati & Soehardjoepri, 2017).
1. Pola siklis (Cycle) memiliki karakter dari pergerakan seperti gelombang yang
lebih panjang dari pada satu tahun dan belum tentu berulang pada interval
13
waktu yang sama. Berbeda dengan karakteristik dari pola musiman yang
dimana terjadi pengulangan pola secara konsisten. Berulang-ulang antar waktu
kejadian secara periodik adalah bentuk pola siklis. Komponen siklis sangat
bermanfaat untuk peramalan data dalam jangka menengah.
Gambar 2.1 Pola Data Siklis (Makridakis, 1999)
2. Pola Musiman (Seasonal) terjadi jika data setiap periode nya membentuk pola
yang sama atau berulang secara periodik yang bergerak secara bebas. Pola ini
memiliki karakter yang dimana puncak dan lembah berulang dalam periode
yang konsisten.
Gambar 2.2 Pola Data Musiman (Makridakis, 1999)
3. Pola Horizontal terjadi apabila di sekitar nilai rata-rata yang konstan terdapat
nilai yang berfluktuasi. Fluktuasi disini adalah data naik dan turun tergantung
pada kondisi data juga antar data satu dengan data yang lain.
14
Gambar 2.3 Pola Data Horizontal (Makridakis, 1999)
4. Pola trend pola data yang mengalami naik atau turun terus menerus sampai
waktu (t) tertentu.
Gambar 2.4 Pola Data Trend (Makridakis, 1999)
2.4 Metode Moving Average
2.4.1 Definisi Moving Average
Moving Average adalah salah satu metode peramalan Time series (deret
waktu). Metode ini digunakan jika data masa lalu tidak memiliki unsur trend
atau faktor musiman (Alfian dan Sri, 2017). Tujuan dilakukannya peramalan
rata-rata bergerak tunggal adalah untuk menghilangkan atau mengurangi
acakan (random ness) dalam deret waktu. Tujuan ini dapat dicapai dengan
merata-ratakan beberapa nilai dalam data bersama-sama, dengan cara mana
15
kesalahan positif dan negatif yang mungkin terjadi dan dapat dikeluarkan
atau dihilangkan (Alfian dan Sri, 2017).
Single Moving Average adalah suatu metode peramlan yang dilakukan
dengan mengambil sekelompok nilai pengamatan, mencari nilai rata-rata
tersebut sebagai ramalan untuk periode yang akan datang (Subagyo, 2008).
Metode Moving Average mempunyai karakteristik khusus yaitu;
1. Untuk menentukan ramalan pada periode yang akan datang memerlukan
data historis selama jangka waktu tertentu. Misalnya, dengan 3 bulan
moving average, maka ramalan bulan ke 5 baru dibuat setelah bulan ke 4
selesai/berakhir. Jika bulan moving averages bulan ke 7 baru bisa dibuat
setelah bulan ke 6 berakhir.
2. Semakin panjang jangka waktu moving average, efek pelicinan semakin
terlihat dalam ramalan atau menghasilakan moving average yang semakin
halus.
2.4.2 Rumus Moving Average
Rumus:
St +
Keterangan:
St : Forecast untuk periode t + 1
16
Xt : Data periode t
n : Jangka waktu Moving Average
2.5 Metode Exponential Smoothing
2.5.1 Pengertian Exponential Smoothing
Metode Exponential Smooting adalah suatu prosedur yang mengulang
penghutingan secara terus menerus yang menggunakan data terbaru. Setiap
data diberikan bobot yang di simbolkan dengan α. Simbol α bisa ditentukan
secara bebas yang dapat mengurang beban forecast error. Nilai konstanta
pemulusan dapat ditentukan dengan ketentuan 0 < α < 1 (Ni dan Igp, 2014).
Pada ketentuanya nilai-nilai α rendah akan menyebabkan jarak yang lebih
rendah dari trend. Nilai α yang rendah cocok digunakan bila data bersifat
stabil. Nilai-nilai α yang lebih tinggi digunakan ketika data bersifat resposif
atau mempunyai fluktuasi permintaan yang tinggi. Mencari nilai α yang tepat
dapat ditentukan dengan pengujian trial dan error (coba-coba) terhadap nilai
α yang berbeda untuk menentukan nilai α yang memiliki hasil dengan nilai
error terkecil (Sri, 2011).
Karakteristik dari metode Exponential Smoothing yaitu (Falani, 2018):
1. Data yang dianalisis bersifat deret waktu.
2. Sesuai untuk data berpola horizontal
3. Menggunakan bobot yang berbeda untuk data masa lalu.
17
Metode ini lebih cocok digunakan untuk meramal hal-hal yang
fluktuasinya secara random atau tidak teratur (Subagyo, 2008).
2.5.2 Rumus Exponential Smoothing
Rumus:
Ft = Ft – 1 + α (At – 1 – Ft – 1)
Keterangan:
Ft : Nilai ramalan untuk periode waktu ke-t
Ft-1 : Nilai ramalan untuk satu periode waktu yang lalu, t-1.
At-1 : Nilai actual untuk satu periode waktu yang lalu, t- 1.
α : Konstanta pemulusan (Nilai α yang digunakan 0,1; 0,3; 0,7).
Permasalahan yang sering dihadapi dalam masalah ini adalah bagaimana
menentukan nilai α yang tepat untuk meminimkan kesalahan peramalan.
Karena berlaku 0 < α < 1 maka dapat melakukan panduan berikut:
a. Apabila Pola historis data sangat bergejolak atau tidak stabil maka pilih
nilai α mendekati satu.
b. Apabila pola historis data tidak bergejolak dan mendekati stabil maka pilih
nilai α mendekati nilai nol (Render dan Heizer, 2009).
2.6 Pengukuran Akurasi Hasil Peramalan
Uji Kesalahan Peramalan digunakan dengan membandingkan hasil peramalan
dengan data aktual. (Sofyan, 2013) makin kecil nilai kesalahan maka makin tinggi
18
tingkat ketelitian peramalan, demikian sebaliknya. Besarnya kesalahan peramalan
dapat dihitung dengan menggunakan beberapa metode perhitungan yaitu:
a. Mean Absolute Deviation (MAD)
MAD (Mean Absolute Deviation) adalah rata-rata kesalahan mutlak selama
periode tertentu tanpa memperhatikan apakah hasil peramalan lebih besar atau
lebih kecil dari kenyataan. MAD mengukur ketepatan ramalan dengan merata-
rata kesalahan dugaan (nilai absolut masing-masing kesalahan) serta MAD
memberikan bobot yang sama pada setiap nilai selisih peramalan dan aktual
dapat dilihat pada persamaan berikut:
MAD= Σ
Keterangan:
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
b. Mean Square Error (MSE)
MSE (Mean Square Error), rata-rata kuadrat kesalahan. Perhitungan error ini
memberikan pinalti pada selisi yang lebih besar dibandingkan selisih yang kecil
melalui perhitungan kuadrat dapat dilihat pada persamaan berikut:
MSE =Σ
19
Keterangan:
At = Permintaan Aktual pada periode–t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
n = Jumlah periode peramalan yang terlibat.
c. Mean Absolute Percentage Error (MAPE)
MAPE (Mean Absolute Percentage Error), merupakan rata-rata kesalahan
mutlak selama periode tertentu yang dikalikan 100% agar mendapatkan hasil
secara persentase dan digunakan jika ukuran variabel yang diramalkan sangat
menentukan akurasi peramalan dapat dilihat pada persamaan berikut MAPE
MAPE = (
)Σ|
|
Keterangan :
At = Permintaan Aktual pada periode –t.
Ft = Peramalan Permintaan (Forecast) pada periode-t.
N = Jumlah periode peramalan yang terlibat.
20
2.7 Kerangka Berpikir
Gambar 2.5 Kerangka Berfikir
Identifikasi Masalah
Tujuan
Rumusan Masalah
Moving Average
Pengolahan Data
Exponential Smoothing
Hasil dan Pembahasan
Kesimpulan dan Saran
21
BAB III
METODE PENELITIAN
3.1 Tempat dan Waktu Penelitian
Pelaksanaan Kuliah Kerja Praktik (KKP) dilaksanakan di PT. Esaputlii Prakarsa
Utama yang berlokasi di Jl. Poros Makassar-Parepare KM 138 Desa JalangE
Kelurahan Mallawa Kecamatan Mallusetasi Kabupaten Barru Provinsi
Sulawesi Selatan. Waktu penelitian dilaksanakan pada 7 September - 23
November 2020.
3.2 Alat dan Bahan
Alat yang digunakan dalam penelitian PT. Esaputlii Prakarsa Utama adalah
sebagai berikut:
a. Alat Tulis,
b. Laptop,
c. Software Microsoft Word 2016, Microsoft Excel 2016 dan QM For Windows
V5.
Bahan yang digunakan dalam penelitian ini berupa data primer dan data
sekunder.
3.2.1 Data Primer
Data yang diperoleh secara langsung dari tempat yang dijadikan sebagai
objek penelitian. Adapun data primer yang digunakan dalam penelitian ini
22
meliputi data penjualan benih udang vannamei dan produksi dari bulan
November 2019 – Oktober 2020.
3.2.2 Data Sekunder
Data sekunder adalah data yang diperoleh dari luar perusahaan yang ada
hubungannya dengan obyek penelitian yang dilakukan. Adapun data
sekunder yang digunakan dalam penelitian ini diperoleh dari:
a. Studi Pustaka
Sumber data yang berasal dari buku-buku referensi yang relevan dan
mendukung dengan obyek penelitian.
b. Media Internet
Sumber data yang berasal dari media internet yang berupa jurnal
maupun artikel yang mendukung dengan obyek penelitian.
3.3 Jenis Penelitian
Metode yang digunakan dalam penelitian ini adalah metode deskriptif,
yaitu penggambaran objek yang diteliti dengan menggunakan data primer dan
sekunder dalam penelitian sebagai landasan dalam penulisan tugas akhir.
3.4 Teknik Pengumpulan Data
Teknik pengumpulan data yang digunakan dalam penelitian ini adalah
dengan melakukan pengamatan langsung di perusahaan yang menjadi objek
penelitian. Pengamatan dimaksudkan untuk memperoleh data-data aktual yang
23
merupakan gambaran nyata yang terjadi pada PT Esaputlii Prakarsa Utama
dengan cara sebagai berikut:
a. Observasi, yaitu melakukan pengamatan secara langsung jalannya proses
yang menjadi tinjauan umum penulis.
b. Wawancara, yaitu mendapatkan data dengan melakukan wawancara
langsung dengan narasumber dalam hal ini devisi pemasaran dan devisi
produksi PT. Esaputlii Prakarsa Utama yang memberikan penjelasan dan data
yang berhubungan dengan objek penulisan dalam penelitian ini.
c. Dalam mendukung pengumpulan data maka penulis melakukan penelitian
kepustakaan, hal ini merupakan penelitian untuk landasan teori dari tugas
akhir ini dengan membaca berbagai literatur baik yang bersumber dari buku-
buku, jurnal maupun bersumber dari arsip kepustakaan Politeknik ATI
Makassar.
3.5 Analisa Data
Data yang diperoleh kemudian diamati dan diolah untuk mendapatkan hasil
yang diinginkan, dan adapun tahapan analisa pengolahan data yaitu:
a. Menentukan peramalan kebutuhan benih udang vannamei untuk periode
selanjutnya.
b. Menghitung jumlah peramalan produksi benih udang vannamei dengan
menggunakan metode Regresi Linier, Single Moving Average dan Exponential
Smoothing.
24
c. Menghitung kesalahan peramalan dengan MAD (Mean Absolute Deviation),
MSE (Mean Squared Error) dan MAPE (Mean Absolute Percentage Error).
25
BAB IV
HASIL DAN PEMBAHASAN
4.1 Pengumpulan Data
Sebagaimana yang telah diuraikan pada bab sebelumnya, bahwa untuk
membahas permasalahan yang didapatkan dengan menerapkan metode
peramalan menggunakan regresi linier, single moving average dan exponential
smoothing.
Adapun data yang diperoleh dari PT. Esaputlii Prakarsa Utama. Terhitung dari
November 2019 sampai dengan Oktober 2020 dalam proses penjualan benih udang di
packing dengan cara membungkus dimana dalam satu bungkus terdapat 1500 ekor
benih udang, diperoleh data penjualan sebagai berikut:
Tabel 4.1 Data Penjualan Benih Udang Vannamei PT. Esaputlii
Sumber Data: PT. Esaputlii Prakarsa Utama, 2020.
Bulan
Jumlah Permintaan
Benih Udang
(Bungkus)
Jumlah Produksi
Benih Udang
(Bungkus)
Produksi Berlebih
November (2019) 199136 203166 4030
Desember (2019) 167834 172577 4743
Januari (2020) 189205 191416 2211
Februari (2020) 200961 208275 7314
Maret (2020) 188765 192555 3791
April (2020) 157571 161497 3926
Mei (2020) 188336 193782 5445
Juni (2020) 126835 132125 5290
Juli (2020) 170644 177985 7341
Agustus (2020) 155935 159127 3192
September (2020) 189228 195819 6591
Oktober (2020) 234623 237269 2646
Jumlah 2169073 2225594 56521
26
Dari pengumpulan data diatas, maka dapat dilihat sebuah bentuk grafik
seperti pada Gambar 4.1 berikut:
Gambar 4.1 Grafik Penjualan dan Produksi Benih Udang Vannamei
Sumber: Data diolah menggunakan Microsoft Office 2016
Dari Gambar 4.1 Grafik Penjualan dan Produksi Benih Udang Vannamei pada
PT. Esaputlii Prakarsa Utama dapat dilihat bahwa antara jumlah penjualan dan
produksi terjadi kenaikan ataupun penurunan penjualan dan produksi benih
udang vannamei.
4.2 Pengolahan Data
Dari data tersebut diketahui bahwa total penjualan benih udang dari bulan
november 2019 sampai dengan bulan oktober 2020 adalah sebesar 2.169.073
bungkus, dengan rata-rata penjualan perbulan adalah sebesar 180.756 bungkus.
Dari data diatas juga diketahui bahwa penjualan terkecil adalah pada bulan Juni
yaitu sebesar 126.835 bungkus, dan penjualan tertinggi terjadi pada bulan
Oktober yaitu sebesar 234.623 bungkus.
0
50000
100000
150000
200000
250000
Jumlah Penjualan dan Produksi Benih Udang
Jumlah Penjualan Benih Udang Jumlah Produksi Benih
27
Dari data diatas dapat dilakukan peramalan untuk permintaan benih udang
vannamei pada periode berikutnya. Maka dapat dilakukan perhitungan
peramalan menggunakan metode moving average dan single exponential
smoothing. Setelah dilakukan perhitungan maka dapat ditentukan metode yang
digunakan untuk melakukan peramalan penjualan benih udang vannamei.
4.2.1 Metode Moving Average
Perhitungan menggunakan aplikasi QM For Windows V5 2021.
a. Hasil forecasting metode Moving Average.
Tabel 4.2 Detail and Error Analysis Moving Average
Sumber Data: QM For Windows V5
Berdasarkan Tabel 4.2 nilai yang dihasilkan melalui bantuan software
QM For Windows V5 dapat diketahui analisa single moving average
dengan nilai n=8 adalah jangka waktu dengan menghitung nilai rata-rata
mulai dari bulan November 2019 sampai dengan bulan Juni 2020.
Berdasarkan perhitungan menggunakan software QM For Windows V5
28
degan metode single moving average diatas dapat diketahui peramalan
untuk bulan Juli 177.330,4 bungkus, Agustus 173.768,9 bungkus,
September 172.281,5 bungkus, dan Oktober 172.284,4 bungkus.
Kemudian, peramalan untuk bulan November 2020 adalah sebesar
176.492,1 bungkus.
b. Hasil error measures metode Moving Average.
Tabel 4.3 Error Measures Moving Average
Sumber Data: QM For Windows V5
Berdasarkan Tabel 4.3 data yang telah diolah menggunakan aplikasi
QM For Windows V5 maka diperoleh hasil peramalan metode Moving
Average sebagai berikut:
1. MAD (Mean Absolute Deviation)
Dari data diatas diperoleh nilai MAD sebesar 25.951,34 bungkus
yang merupakan kesalahan pengukuran dengan merata-ratakan
kesalahan dugaan.
2. MSE (Mean Square Error)
29
Dari data diatas diperoleh nilai MSE sebesar 1.134.011.000 bungkus
yang merupakan pengaturan kesalahan peramalan yang besar karena
kesalahan-kesalahan dikuadratkan.
3. MAPE (Mean Absolute Percentage Error)
Dari data diatas diperoleh nilai MAPE sebesar 12,72% yang
merupakan pengukuran kesalahan prsentase peramalan dengan
merata-ratakan kesalahan percentage absolute.
c. Grafik metode Moving Average.
Gambar 4.2 Grafik metode Moving Average
Sumber: Data diolah menggunakan aplikasi Microsoft Word 2016
Dari Gambar 4.2 grafik metode moving average diatas yang diolah
menggunakan aplikasi Microsoft Word 2016 diketahui bahwa sumbu x
merupakan jumlah periode yaitu sebanyak 13, dan sumbu y merupakan
jumlah penjualan benih udang selama 12 bulan. Garis warna biru
merupakan data aktual penjualan benih udang vannamei, garis warna
0
50000
100000
150000
200000
250000
1 2 3 4 5 6 7 8 9 10 11 12 13
PT. ESAPUTLII PRAKARSA UTAMA
Data Forecast
30
orens merupakan hasil peramalan. Pada metode ini, peramalan dimulai
pada periode ke-9 karena pada periode sebelumnya dijadikan sebagai nilai
rata-rata untuk periode selanjutnya. Nilai peramalan dengan metode
Moving Average diperoleh dengan cara merata-ratakan nilai atau jumlah
produksi benih pada periode sebelumnya.
4.2.2 Metode Single Exponential Smoothing
Perhitungan menggunakan aplikasi QM For Windows V5 2021.
a. Hasil forecasting metode Single Exponential Smoothing.
Tabel 4.4 Detail and Error Analysis Single Exponential Smoothing
Sumber Data: QM For Windows V5
Berdasarkan Tabel 4.4 nilai yang dihasilkan melalui bantuan software
QM For Windows V5 dapat diketahui analisa exponential smoothing
dengan nilai ɑ sebagai konstanta pemulusan (nilai ɑ=0,3) dapat diketahui
peramalan untuk bulan November 2020 adalah sebesar 190.589,5
bungkus.
31
b. Hasil error measures metode Single Exponential Smoothing.
Tabel 4.5 Error Measures Single Exponential Smoothing
Sumber Data: QM For Windows V5
Berdasarkan data Tabel 4.5 yang telah diolah menggunakan aplikasi
POM QM For Windows V5 maka diperoleh hasil peramalan metode Linear
Regression Sebagai berikut:
1. MAD (Mean Absolute Deviation)
Dari data diatas diperoleh nilai MAD sebesar 22.639,01 bungkus
yang merupakan kesalahan pengukuran dengan merata-ratakan
kesalahan dugaan.
2. MSE (Mean Square Error)
Dari data diatas diperoleh nilai MSE sebesar 935.982.300 bungkus
yang merupakan pengaturan kesalahan peramalan yang besar karena
kesalahan-kesalahan dikuadratkan.
3. MAPE (Mean Absolute Percentage Error)
Dari data diatas diperoleh nilai MAPE sebesar 13,354% yang
merupakan pengukuran kesalahan prsentase peramalan dengan
merata-ratakan kesalahan percentage absolute.
32
c. Grafik metode Single Exponential Smoothing.
Gambar 4.3 Metode Single Exponential Smoothing
Sumber: Data diolah 2021
Dari Gambar 4.3 grafik metode moving average diatas yang diolah
menggunakan aplikasi Microsoft Word 2016 diketahui bahwa sumbu x
merupakan jumlah periode yaitu sebanyak 13, dan sumbu y merupakan
jumlah penjualan benih udang selama 12 bulan. Garis warna
birumerupakan data aktual penjualan benih udang, dan garis warna orens
merupakan hasil peramalan. Dari grafik tersebut dilihat bahwa pada
periode ke-3 penjualan benih mulai mengalami penurunan dari periode
sebelumnya, kemudian pada periode ke-3 sampai periode ke-11 nilai
peramalan ada penurunan dan kenaikan jumlah penjualan benih, dan
pada periode ke-12 sampai periode ke-13 terjadi kenaikan penjualan
benih.
0
50000
100000
150000
200000
250000
1 2 3 4 5 6 7 8 9 10 11 12 13
PT. ESAPUTLII PRAKARSA UTAMA
Data Forecast
33
4.3 Pembahasan
Dari hasil pengolahan data peramalan diatas dapat dilihat data pada tabel
dibawah ini:
Tabel 4.6 Perbandingan Hasil Peramalan
Sumber: Data diolah menggunakan aplikasi Microsoft Word 2016
Dari nilai yang sudah diolah pada Tabel 4.6 menggunakan aplikasi POM QM
For Windows V5 diketahui bahwa metode Moving Average memiliki nilai MAD=
25.951,34 bungkus, MSE= 1.134.011.000 bungkus, MAPE= 12,72 % dan nilai
peramalan periode selanjutnya sebanyak 176.492,1 bungkus. Sedangkan Single
Exponential Smoothing memiliki nilai MAD= 22639,01 bungkus, MSE=
935.982.300 bungkus, MAPE= 13,354% dan nilai peramalan periode selanjutnya
sebanyak 190.589,5 bungkus.
Jadi peramalan yang memiliki nilai ukuran akurasi terkecil yaitu 12,72 %
adalah metode Moving Average dengan nilai forecast 176.492,1 bungkus. Oleh
Moving Average Exponential
Smoothing
MAD (Bungkus) 25.951,34 22.639,01
MSE (Bungkus) 1.134.011.000 935.982.300
MAPE (%) 12,72 % 13,354 %
Forecast (Bks) 176.492,1 190.589
34
karena itu metode Moving Average lebih cocok digunakan untuk melakukan
peramalan di PT. Esaputlii Prakarsa Utama. Pada PT. Esaputlii Prakarsa Utama
sebelumnya belum menerapkan metode peramalan, dan hanya menggunakan
estimasi untuk menentukan jumlah produksi sehingga kurang efektif untuk
menentukan jumlah produksi.
35
BAB V
PENUTUP
5.1 Kesimpulan
Dari pengolahan data diatas dapat disimpulkan bahwa dari kedua metode
yaitu moving average dan single exponential smoothing metode peramalan yang
dapat digunakan di PT. Esaputlii Prakarsa Utama untuk meramal kebutuhan benih
udang vannamei adalah metode Moving Average karena memiliki nilai kesalahan
peramalan terkecil, yaitu MAD= 25.951,34 bungkus, MSE= 1.134.011.000
bungkus, MAPE= 12,72 % dan nilai peramalan pada bulan selanjutnya November
2020 yaitu sebanyak 176.492,1 bungkus.
5.2 Saran
Berdasarkan kesimpulan diatas maka perusahaan disarankan sebaiknya
menggunakan metode Moving Average agar bisa menyeimbangkan antara
kebutuhan udang vannamei dan jumlah produksi, perusahaan juga sebaiknya
menambah kolam untuk menampung udang-udang yang sudah melewati batas
usia panen sehingga tidak ada udang yang terbuang saat panen.
36
DAFTAR PUSTAKA
Agustina Eunike, Nasir Widha Setyanto, Rahmi Yuniarti, Ihwan Hamdala, Rio Prasetyo Lukodono, Angga Akbar Fanani. 2018. Perencanaan Produksi dan Pengendalian Persediaan. Penerbit UBPress, Malang.
Alfian Nurlifa, Sri Kusuma Dewi. 2017. Sistem Peramalan Jumlah Penjualan
Menggunakan Metode Moving Average Pada Rumah Jilbab Zaky. Jurnal
Inovtek Polbeng – Seri Informatika 2(1): 20. e-ISSN: 2527-9866, 2017.
Bahtiar Winarko Nanang Farid. 2021. Analisis Peramalan Produksi Makanan Ringan dengan Proyeksi Trend Metode Musiman dan Single Moving Average di CV. Tono Jaya Kota Tegal (Doctoral dissertation, Universitas Pancasakti Tegal).
Fattah Mochammad, Purwanti Pudji. 2017. Manajemen Industri Perikanan.
Penerbit Universitas Brawijaya Press.
Falani Ilham. 2018. Penentuan Nilai Parameter Metode Single Exponential
Smoothing dengan Algoritma Genetik dalam Meningkatkan Akurasi
Forecasting. Jurnal CESS, Vol. 3 No. 1, p-ISSN: 2502-7131, e-ISSN: 2502-
714x, pp. 14-16.
Gaspersz Vincent. 2005. Production Planning and Inventory Control. Penerbit PT Gramedia Pustaka Utama, Jakarta.
Ginting Rosnani. 2007. Sistem Produksi. Penerbit Graha Ilmu, Yogyakarta.
Gunawan Adisaputro, Asri Marwan. 2003. Anggaran Produksi. Penerbit PT Gramedia Pustaka Utama, Jakarta.
Heizer Jay, Barry Render. 2009. Operation Management 7th edition. Penerbit Salemba Empat, Jakarta.
Hudaningsih Nurul, Silvia Firda Utami, Wari Ammar Abdul Jabbar. 2020. Perbandingan Peramalan Penjualan Produk Aknil PT. Sunthi Sepuri Menggunakan Metode Single Moving Average dan Single Exponential Smoothing. Jurnal Jinteks 2(1): 16-18.
Indrayani Novi, Nasrudin Bin Idris. 2020. Perancangan Sistem Monitoring
Penjualan Untuk Optimalisasi Penjualan Sayuran Pada Kelompok Tani
Hidroponik Menggunakan Metode Single Exponential Smoothing
(SES). Jurnal Ilmiah Matrik 22(3): 293-300.
Makridakis. 1999. Metode dan Aplikasi Peramalan Jilid 1 Penerbit Erlangga, Jakarta.
37
Murahartawaty. 2009. Peramalan. Penerbit Sekolah Tinggi Teknologi Telkom, Bandung.
Nasution Arman Hakim, Prasetyawan. 2008. Perencanaan dan pengendalian Produksi, Edisi pertama penerbit Graha ilmu, Yogyakarta.
Nawawi Muhammad Nur. 2019. Revolusi Industri 4.0 di Sektor Kelautan dan
Perikanan Indonesia. www.kkp.go.id [download 20 Februari 2021].
Ni Luh Ayu Kartika Yuniastari dan IGP Wirarama Wedashwara Wirawan. 2014. Peramalan Permintaan Produk Perak Menggunakan Metode Simple Moving Average Dan Exponential Smoothing. Jurnal Sistem dan Informatika 9(2): 98.
Purba Agustina. 2015. Perancangan Aplikasi Peramalan Jumlah Calon Mahasiswa Baru Yang Mendaftar Menggunakan Metode Single Exponential Smoothing (Studi Kasus: Fakultas Agama Islam UISU). Jurnal Riset Komputer 2(6): 9.
Rachman Rizal. 2018. Penerapan Metode Moving Average Dan Exponential
Smoothing Pada Peramalan Produksi Industri Garment. Jurnal
Informatika 5(2): 211-220.
Sofyan Diana Khairani. 2013. Perencanaan & Pengendalian Produksi. Lhoksemawe NAD Penerbit Graha Ilmu.
Sri Ajeng. 2011. Peramalan Penjualan untuk Perencanaan Pengadaan Persediaan Buah Durian di Rumah Durian Harum Bintaro Jakarta. Penerbit Universitas Islam Negeri Jakarta, Jakarta.
Sudarismiati Anik, Mery Tridiah Sari. 2016. Analisis Peramalan Penjualan Untuk Menentukan Rencana Produksi Pada UD. Rifai. Jurnal Ekonomi dan Bisnis GROWTH 14(2): 19-20.
Stevenson William J, Sum Chee Chuong. 2014. Manajemen Operasi. Penerbit
Salemba Empat, Jakarta.
Subagyo. 2008. Forecasting Konsep dan Aplikasi. Penerbit BPFE, Yogyakarta.
Sumayang Lalu. 2003. Dasar-Dasar Manajemen Produksi dan Operasi. Penerbit Salemba Empat, Jakarta.
Widjajati Farida Agustini, Soehardjoepri, Fani Elisa. 2017. Menentukan Penjualan Produk Terbaik di Perusahaan X Dengan Metode Winter’s Eksponensial Smoothing dan Metode Event Based. Limits J. Math and Its Appl 14(1): 25-35.