analisis runtun waktu jumlah produksi menggunakan metode … · 2018. 5. 15. · exponential...

Analisis Runtun Waktu Jumlah Produksi Menggunakan

Metode Exponential Smoothing, Holt dan Holt Winter

(Studi Kasus CV. Sukses Jaya Utama Tengaran)

Artikel Ilmiah

Peneliti :

Ayu Wulan Sari (672007159)

Kristoko Dwi Hartomo, M.Kom.

Christine Dewi, S.Kom., M.Cs.

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

Januari 2015

i



(Studi Kasus CV. Sukses Jaya Utama Tengaran)

Artikel Ilmiah

Diajukan kepada


Untuk memperoleh gelar Sarjana Komputer

Peneliti :

Ayu Wulan Sari (672007159)

Kristoko Dwi Hartomo, M.Kom.

Christine Dewi, S.Kom., M.Cs.

Program Studi Teknik Informatika



Salatiga

Januari 2015

ix



(Studi Kasus CV. Sukses Jaya UtamaTengaran) 1)

Ayu Wulan Sari, 2)

Kristoko Dwi Hartomo, 3)

Christine Dewi



Jl.Diponegoro 52-60, Salatiga 50711

Email: 1)

[email protected], 2)

[email protected],

3)

[email protected]

Abstract

Indonesia is the biggest tobacco producer number 6 and the biggest

consume cigarette number 3 in the world according to the data from WHO 2008.

The research data are from production data of CV. Sukses Jaya Utama

Tengaran. The purpose of this research is to predict the production number that

will produced by CV. Sukses Jaya Utama Tengaran. Data processing will use time

series metod. Time series is one of observation row that sequential in time.

Exponential smoothing, Holt and Holt Winter are procedure that in continous

fixing the forecast with averaging the value of the past from one of time series

data with decline way (exponential). The last output from this research is graphic

production form that will help to determine the next production number from CV.

Sukses Jaya Utama Tengaran.

Keywords : Time Series, Cigarette, Exponential Smoothing, Holt, Holt Winter

Abstrak

Indonesia merupakan penghasil tembakau terbesar ke-6 dan pengkonsumsi

rokok terbanyak ke-3 di dunia menurut data dari WHO tahun 2008. Data

penelitian ini bersumber dari data produksi CV. Sukses Jaya Utama Tengaran.

Tujuan dari penelitian ini adalah untuk memprediksi jumlah produksi rokok yang

akan diproduksi oleh CV. Sukses Jaya Utama Tengaran. Pemrosesan data

menggunakan metode runtun waktu (Time Series). Runtun waktu adalah suatu

deret observasi yang berurut dalam waktu. Exponential Smoothing, Holt dan Holt

Winter adalah suatu prosedur yang secara terus menerus memperbaiki peramalan

dengan merata-rata nilai masa lalu dari suatu data runtun waktu dengan cara

menurun (exponential). Hasil keluaran akhir dari penelitian ini adalah berupa

grafik produksi yang akan membantu dalam menentukan jumlah produksi

selanjutnya dari CV. Sukses Jaya Utama Tengaran.

Kata Kunci : Runtun Waktu, Rokok, Exponential Smoothing, Holt, Holt Winter

1)

Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas

Kristen Satya Wacana 2)

Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana 3)

Staf Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana

mailto:[email protected]

1

1. Pendahuluan

Salah satu komoditas perdagangan yang penting di dunia adalah tembakau,

tembakau dan rokok merupakan produk yang bernilai tinggi, sehingga bagi

beberapa Negara termasuk Indonesia, tembakau dan rokok berperan dalam

perekonomian nasional [1]. Peranan tembakau dan produk–produk turunannya

dapat dilihat dari beberapa sisi, yaitu (1) penerimaan negara (dari cukai), (2)

penciptaan devisa negara, (3) penciptaan nilai output, nilai tambah dan

penambahan tenaga kerja, (4) dampaknya terhadap sektor–sektor perekonomian

lain (multiple effect), (5) keterkaitannya dengan sektor hulunya (backward

linkages) dan keterkaitannya dengan sektor hilirnya (forward linkages) dalam

menggerakkan perekonomian nasional, tiga peranan terakhir diperkirakan berbeda

antara sektor tembakau dan sektor rokok, sebab peranan sektor tembakau lebih

kecil jika dibandingkan dengan sektor rokok dalam bidang peningkatan nilai

tambah, disebabkan oleh peranan sektor tembakau lebih besar dalam penyerapan

tenaga kerja dan mendorong pertumbuhan sektor perekonomian lain jika

dibandingkan dengan sektor industri rokok karena sektor tembakau mempunyai

wilayah cakupan area yang luas [2].

Industri rokok merupakan salah satu sumber lapangan kerja yang sangat

potensial menyerap tenaga kerja, khususnya pekerja dengan tingkat pendidikan

formal dan keahlian yang rendah, hal ini membantu pemerintah dalam

mengurangi tingkat pengangguran dan merupakan salah satu sumber pendapatan

Negara yang cukup besar yaitu berasal dari pajak dan hasil produksinya [3].

Berdasarkan data Statistik Industri Besar dan Sedang (BPS), pada tahun 1981

industri rokok hanya dikelompokkan menjadi 2 bagian yaitu, industri rokok kretek

dengan kode 31420 dan industri rokok putih dengan kode 31430, dan mulai tahun

1990 industri rokok kretek dirinci lebih spesifik lagi menjadi 2 bagian yaitu,

industri rokok kretek (31420) yang terdiri dari Sigaret Kretek Tangan (SKT) dan

Sigaret Kretek Mesin (SKM) serta industri rokok lainya (31440) yang terdiri dari

rokok klembag menyan, rokok klobot, dan cerutu [4].

Dalam penelitian ini akan dilakukan analisa pada data produksi perusahaan

CV. Sukses Jaya Utama Tengaran, dalam dunia usaha rokok harus ada peramalan

tentang apa yang akan terjadi pada masa yang akan datang, kegiatan untuk

memperkirakan apa yang akan terjadi pada masa yang akan datang disebut

peramalan (forecasting) [5]. Pembentukan model akan menggunakan software R

3.0.2 yang merupakan kelanjutan dari package peramalan Time Series. Time

Series adalah serangkaian pengamatan tercatat dalam suatu waktu [6].

Analisis data runtun waktu bertujuan untuk memprediksi data runtun waktu

beberapa periode kedepan berdasarkan data di masa lalu [7]. Metode Exponential

Smoothing merupakan deret waktu yang digunakan untuk memprediksi masa

depan dengan menggunakan data di masa lalu. Model Time Series melihat apa

yang terjadi pada masa kurun waktu tertentu dan menggunakan deret waktu masa

lalu untuk meramalkan masa yang akan datang [8].

2

2. Tinjauan Pustaka

Penelitian terdahulu yang yang berjudul “Peramalan Penjualan Rokok

Dengan Pendekatan Runtun Waktu Pada PT. NIKORAMA TOB CO. Cabang:

Jambi”. Pada penelitian ini memiliki persamaan pada metode yang digunakan

untuk mencari perhitungan yaitu menggunakan metode runtun waktu (time

series). Peredaan antara penelitian terdahulu dengan penelitian yang sekarang

adalah penelitian sekarang memprediksi jumlah rokok yang akan diproduksi

setiap harinya pada CV. Sukses Jaya Utama Tengaran dengan menggunakan

metode runtun waktu (Time Series) Exponential Smoothing. Tujuan dari penelitian

ini adalah untuk memprediksi penjualan rokok pada PT. NIKORAMA TOB CO.

Cabang Jambi sebab dengan memprediksi penjualan rokok perusahaan dapat

mengantisipasi penurunan dan peningkatan penjualan pada masa yang akan

datang berdasarkan data penjualan di masa lalu [9].

Dalam jurnal yang berjudul “Penggunaan Metode Exponential Smoothing

Untuk Meramalkan Kebutuhan Cengkeh Di Pabrik Rokok Adi Bungsu”. Tujuan

dari penelitian ini adalah untuk meramalkan kebutuhan cengkeh pada masa yang

akan datang sehingga dapat memberikan masukan kepada perusahaan dalam

merencanakan pembelian cengkeh. Pada penelitian terdahulu ini memiliki

persamaan pada metode yang digunakan, dan perbedaanya adalah objek yang

diprediksi. Metode peramalan adalah cara memperkirakan secara kuantitatif apa

yang akan terjadi pada masa depan, berdasarkan pada data yang relevan pada

masa lalu, maka metode peramalan ini digunakan dalam peramalan yang objektif

[10].

Terdapat dua langkah dasar yang harus dilakukan dalam membuat atau

menghasilkan suatu peramalan yang akurat dan berguna. Langkah dasar yang

pertama adalah pengumpulan data yang relevan dengan tujuan peramalan yang

dimaksud dan menurut informasi-informasi yang dapat menghasilkan peramalan

yang akurat. Langkah dasar yang kedua adalah memilih metode peramalan yang

tepat yang akan digunakan dalam mengolah informasi yang terkandung dalam

data yang telah dikumpulkan [9].

Penerapan konsep runtun waktu (time series) adalah untuk memahami

perilaku di masa depan melalui hasil pengukuran data atribut pada masa lalu

dengan menggunakan indikator trend, cyclic dan seasonal. Exponential

Smoothing dibagi menjadi 3 yaitu, Simple Exponential Smoothing (SES), Double

Exponential Smoothing (DES), dan Triple Exponential Smoothing (TES). Simple

Exponential Smoothing (SES) digunakan pada peramalan jangka pendek, biasanya

hanya satu bulan kedepan, model ini digunakan untuk memodelkan data dengan

pola stationer, pada Persamaan 1 [11]:

Dengan t adalah notasi periode waktu, adalah ramalan untuk periode t

+1, peramalan periode ke-t, nilai observasi waktu ke-t dan adalah

parameter pemulusan yang nilainya antara 0 dan 1. Jika terdapat pola trend pada

data yang mengalami kerandoman, maka akan lebih sesuai jika menggunakan

metode Double Exponential Smoothing (DES) dari Holt. Peramalan Double

Exponential Smoothing (DES) dari Holt diperoleh dengan menggunakan dua

perameter pemulusan yaitu dan dengan nilai antara 0 dan 1. Terdapat tiga

3

persamaan yang digunakan dalam proses peramalan. (1) menentukan nilai

pemulusan data keseluruhan dapat diperoleh dengan menggunakan persamaan ini:

……………………….. (1)

Dengan adalah pemulusan secara keseluruhan pada periode ke-t,

adalah pemulusan secara keseluruhan pada periode t-1, adalah konstanta

pemulusan dan adalah nilai trend pada periode t-1. (2) Persamaan kedua

digunakan untuk menentukan nilai pemulusan faktor trend pada periode ke-t

= + ( + ) …………………… (2)

Dengan merupakan parameter pemulusan faktor trend, adalah nilai

trend pada periode ke –t . (3) persamaan ketiga digunakan untuk menentukan nilai

hasil peramalan untuk periode t+m

= ( - ) + (1 - ) ………………………

(3)

= + ………………………................... (4)

Dengan adalah nilai peramalan periode kedepan, m adalah jumlah

periode kedepan yang akan diramalkan, adalah nilai pemulusan keseluruhan

pada periode ke-t, adalah pemulusan faktor trend pada periode ke-t ,

adalah nilai pemulusan untuk periode musiman pada periode t-p+m, dan p adalah

panjang musiman. Proses dalam melakukan peramalan, nilai , , yang

pertama merupakan nilai inisialisasi. Nilai inisialisasi untuk nilai dapat

diperoleh dengan menggunakan persamaan [13]:

= X2 – X1 ………………………………………………………….. (5)

Nilai inisialisasi dapat diperoleh dari :

= (X2 – X1) + (X3 – X2) + (X4 – X3) …………..……. (6)

= taksiran slope setelah data diplot

Model Holt Winters multiplikatif ini digunakan apabila data runtun waktu

(time series) mempunyai data pola musiman dengan fluktuasi musiman yang

cenderung tidak konstan. Peningkatan dan penurunan pola musiman juga

dipengaruhi oleh peningkatan maupun penurunan besarnya trend [14]. Peramalan

musiman multiplicative dengan Holt Winters multiplicative menggunakan

persamaan berikut :

= ( + m ) ……………………………… (8)

Nilai inisialisasi nilai , pada model Holt Winters multiplikatif diperoleh

dengan menggunakan persamaan yang sama seperti pada Holt Winters aditif, yaitu

persamaan (5) dan persamaan (6). Sedangkan untuk nilai inisialisasi faktor

musiman pada Holt Winters multiplikatif menggunakan persamaan :

= ………………………………………. (9)

Bila terdapat nilai data sesungguhnya dan peramalan dalam n periode berarti

akan terdapat n hasil dari kesalahan. Beberapa ukuran statistik standar pada

peramalan didefinisikan sebagai berikut [9]:

4

1. Nilai rata-rata kesalahan ME (Mean Error):

ME = …………………………………….. (10)

2. RMSE (Root Mean Square Error):

……………………………… (11)

Ukuran statistic standar pada peramalan mempunyai keterbatasan dalam

mengukur ketepatan, maka diperlukan ukuran-ukuran alternatif yang diantaranya

menyangkut presentase kesalahan, ukuran yang diperlukan ada tiga yaitu [9]:

1. Mean Absolute Percentage Error (MAPE) nilai absolut dari MPE,

persamaanya yaitu:

MAPE = % ……………………………… (13)

n : banyaknya data

5

3. Tahapan Penelitian

Alur tahapan proses peramalan produksi pada CV. Sukses Jaya Utama

Tengaran terlihat pada Gambar 1.

Gambar 1. Tahapan Proses Peramalan Jumlah Produksi pada CV. Sukses Jaya Utama Tengaran

START

INPUT Data Jumlah Produksi CV.

Sukses Jaya Utama Tengaran pada

Microsoft Office Excel 2007

Data diproses

dengan Metode

SES

Hasil

Peramalan

OUTPUT

Parameter Peramalan

STOP

Data diproses

dengan Metode

Holt

Data diproses dengan

Metode Holt Winter

Penghitungan ME,

MAPE dan RMSE

Mencari data

Data dipanggil

menggunakan program R

6

Pada Gambar 1 terlihat bahwa pada tahap awal adalah dengan mencari data

yang akan diinput. Kemudian setelah mendapatkan data dari CV. Sukses Jaya

Utama Tengaran, data tersebut diinput ke Microsoft Office Excel 2007. Lalu data

dipanggil menggunakan program R. setelah data dipanggil kemudian data

diproses menggunakan metode SES (Single Exponential Smoothing), Holt, dan

Holt Winter. Lalu akan muncul hasil peramalan yang menggunakan metode SES

(Single Exponential Smoothing), Holt, dan Holt Winter. Kemudian dari hasil

peramalan tersebut akan dihitung ME (Mean Error), MAPE (Mean Percentage

Error), dan RMSE (Root Mean Square Error). Lalu akan muncul parameter

peramalan dari perhitungan tersebut .

4. Hasil dan Pembahasan

Proses peramalan jumlah produksi diperoleh dari data produksi CV.Sukses

Jaya Utama Tengaran dari bulan Januari 2014 – Mei 2014. Data yang diperoleh

bersumber dari laporan produksi CV. Sukses Jaya Utama Tengaran ada dua data

yaitu, data produksi SKM (Sigaret Kretek Mesin) dan SKT (Sigaret Kretek

Tangan), produksi rokok dengan SKM adalah produksi rokok dengan

menggunakan mesin untuk menghasilkan rokok sedangkan produksi rokok

dengan SKT adalah produksi rokok dengan tangan manual. Pada sektor SKM

(Sigaret Kretek Mesin) diproduksi 9 jenis merk rokok yaitu, RS Bola, RDS Bola,

RF Saxophone, RF 16, Xeo Filter GP, Xeo Filter Exclusive NT, RDF Saxophone,

RDF 20, RD Mild Sensation dan 2 merk rokok yang diproduksi di sektor SKT

(Sigaret Kretek Tangan) yaitu, RC Kopi dan RDC.

Gambar 2. Grafik total produksi OW (Operator Wrapping) rokok pada SKM

Grafik pada Gambar 2 menunjukan data asli dari total produksi OW

(Operator Wrapping) pada SKM. Kemudian dari data yang diperoleh diolah

7

menggunakan metode runtun waktu (Time Series) Exponential Smoothing, Holt,

dan Holt Winter.

Gambar 3. Parameter alpha, beta dan gamma

Pada Gambar 3 parameter alpha, beta dan gamma ditentukan pada

program R, sehingga dapat digunakan sebagai parameter dalam perhitungan pada

program R. Ada tiga parameter yang perlu penetapan, bergantung dari komponen

trend dan variasi musiman : 1) alpha (α) merupakan parameter yang mengontrol

pembobotan relatif pada pengamatan yang baru dilakukan. Parameter alpha

digunakan pada semua model. Jika nilai alpha 1, maka hanya menunjukkan

pengamatan terbaru yang digunakan. Dan jika alpha bernilai 0, maka pengamatan

yang lalu dihitung sepadan dengan bobot yang terbaru. Parameter alpha

digunakan untuk model eksponensial sederhana dan model eksponensial Holt; 2)

Beta (β) merupakan parameter yang mengontrol pembobotan relatif pada

pengamatan yang baru dilakukan untuk kemunculan trend seri. Parameter beta

digunakan pada model yang memiliki komponen trend linier atau eksponensial

yang tidak memiliki variasi musiman. Nilai beta berkisar 0 sampai 1. Jika nilai

semakin besar, maka menunjukan pemberian bobot yang semakin besar pada

pengamatan terbaru. Parameter beta digunakan di dalam model Holt Winter; 3)

Gamma (γ) merupakan parameter yang mengontrol pembobotan relatif pada

pengamatan yang baru dilakukan untuk kemunculan variasi musiman. Parameter

gamma digunakan pada model yang memiliki variasi musiman. Nilai gamma

berkisar dari 0 sampai 1. Jika nilai gamma semakin besar, maka menunjukkan

pemberian bobot yang semakin besar pada pengamatan yang terbaru. Parameter

gamma digunakan untuk model Holt Winter.

8

Gambar 4. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan

metode Exponential Smoothing

Pada Gambar 4 menunjukkan pola data prediksi yang terbentuk dari data

SKM periode sebelumnya. OW (Operator Wrapping) total adalah keseluruhan

produksi pengemasan rokok dari semua merk yang diproduksi. Dari grafik

tersebut terlihat bahwa hasil peramalan yang diperoleh dari data aktual selama

lima bulan dengan menggunakan ES tidak sesuai untuk mempresentasikan pola

data aktual pada CV. Sukses jaya Utama Tengaran sebab dari hasil perhitungan

pada R dan dari grafik menunjukan bahwa pola data prediksi yang terbentuk tidak

menunjukkan pola data musiman maupun trend. Prediksi jumlah produksi OW

diperkirakan stabil tidak naik maupun turun jika diperkirakan dengan ES.

Gambar 5. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE

dan MASE pada program R dengan metode ES.

Gambar 5 memperlihatkan perhitungan tingkat akurasi yang dihitung

berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE pada program R.

9


metode Holt

Pada Gambar 6 menunjukkan pola data prediksi SKM yang terbentuk dari

data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil

peramalan yang diperoleh dari data aktual selama lima bulan dengan

menggunakan Holt adalah tidak sesuai untuk mempresentasikan pola data aktual

pada CV. Sukses jaya Utama Tengaran sebab dari pola data prediksi yang

terbentuk menunjukkan adanya pola data trend dengan kecenderungan naik dari

bulan sebelumnya (data aktual).


dan MASE pada program R dengan metode Holt.

Gambar 7 memperlihatkan perhitungan tingkat akurasi OW pada produksi

SKM yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan MASE

pada program R dengan menggunakan metode Holt.

Gambar 8. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt.

Gambar 8 menunjukan prediksi OW pada produksi SKM selama 7 hari

kedepan pada program R menggunakan metode Holt.

10


metode HW

Pada Gambar 9 menunjukkan pola data prediksi SKM yang terbentuk dari

data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil


menggunakan Holt Winter adalah sesuai untuk mempresentasikan pola data aktual

pada CV. Sukses jaya Utama Tengaran sebab dari pola data prediksi yang

terbentuk menunjukkan adanya pola data musiman. Garis vertikal berwarna merah

merupakan batas dari data aktual, sementara garis hijau dan biru memperlihatkan

batas periode prediksi masa datang dalam satuan bulan.

Gambar 10. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt Winter.


kedepan pada program R menggunakan metode Holt Winter.

Gambar 11. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan

MASE pada program R dengan metode Holt Winter.

11

Gambar 11 memperlihatkan perhitungan tingkat akurasi OW pada

produksi SKM yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan

MASE pada program R dengan menggunakan metode Holt Winter.

Gambar 12. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT dengan

metode ES

Pada Gambar 12 menunjukkan pola data prediksi yang terbentuk dari data

SKT periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan

yang diperoleh dari data aktual selama lima bulan dengan menggunakan metode

ES adalah tidak sesuai untuk mempresentasikan pola data aktual pada CV. Sukses

jaya Utama Tengaran sebab dari hasil perhitungan pada R dan dari grafik

menunjukan bahwa pola data prediksi yang terbentuk tidak menunjukkan pola

data musiman maupun trend. Prediksi jumlah produksi OW diperkirakan stabil

tidak naik maupun turun jika diperkirakan dengan ES.


MASE pada program R dengan metode ES.


produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan

MASE pada program R dengan menggunakan metode ES.

12



kedepan pada program R menggunakan metode ES.

Gambar 15. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT

dengan metode Holt

Pada Gambar 15. menunjukkan pola data prediksi SKT yang terbentuk

dari data aktual periode sebelumnya. Dari grafik tersebut terlihat bahwa hasil


menggunakan Holt adalah tidak sesuai untuk mempresentasikan pola data aktual

pada CV. Sukses jaya Utama Tengaran sebab dari hasil perhitungan pada R dan

dari grafik menunjukan bahwa pola data prediksi yang terbentuk tidak

menunjukkan pola data musiman maupun trend. Prediksi jumlah produksi OW

diperkirakan naik dengan metode Holt.


dan MASE pada program R dengan metode Holt.

13



MASE pada program R dengan menggunakan metode Holt.

Gambar 17. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt.

Gambar 17 menunjukan prediksi OW pada produksi SKT selama 7 hari

kedepan pada program R menggunakan metode Holt.

Gambar 18. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKT dengan

metode HW

Gambar 18. menunjukkan pola data prediksi SKT yang terbentuk dari pola

data aktual sebelumnya. Dari grafik tersebut terlihat bahwa hasil peramalan yang

diperoleh dari data aktual selama lima bulan dengan menggunakan HW sesuai

untuk mempresentasikan pola data aktual pada CV. Sukses jaya Utama Tengaran

sebab dari hasil perhitungan pada R dan dari grafik menunjukan bahwa data

prediksi bahan baku produksi rokok CV. Sukses Jaya Utama Tengaran dari pola

data prediksi yang terbentuk menunjukkan adanya pola data musiman. Garis

vertikal berwarna merah merupakan batas dari data aktual, sementara garis hijau

dan biru memperlihatkan batas periode prediksi masa datang dalam satuan bulan.

14


MASE pada program R dengan metode Holt Winter.



MASE pada program R dengan menggunakan metode Holt Winter.


Gambar 20 menunjukan prediksi OW pada produksi SKT selama 7 hari

kedepan pada program R menggunakan metode Holt Winter.

Ketiga metode tersebut dihitung nilai Mean Percentage Error (MPE) dan

Root Mean Square Error (RMSE), dari hasil perhitungan MPE dan RMSE yang

terkecil merupakan nilai akurasi yang terbaik. Dari hasil peramalan dan

perhitungan akurasi jumlah produksi rokok pada CV. Sukses Jaya Utama

Tengaran dihasilkan perbandingan hasil MPE dan RMSE dari metode SES, Holt

dan Holt Winter dan ditampilkan plot metode peramalan yang tepat sesuai dengan

hasil MPE dan RMSE terkecil.

Perhitungan nilai uji akurasinya adalah:

Perhitungan ME pada data SKM:

ME = = 0,9527676

Perhitungan MAE pada data SKM:

MAE = = 9.175876

Perhitungan MPE pada data SKM:

MPE = = 18.9885

Perhitungan MAPE pada data SKM:

MAPE = = 86.71921%

15

Tabel 1. Analisis perbandingan nilai uji akurasi pada SKM antara ES, Holt,

dan HW

Metode ME RMSE MAE MPE MAPE MASE

Holt

winter

5.89899 16.08622 12.86158 18.98851 86.71921 NaN

Holt 5.376522 17.46891 14.16163 -29.9119 130.0378 NaN

ES 0.9527676 11.06828 9.175876 25.47472 89.30094 NaN

Tabel 2. Analisis perbandingan nilai uji akurasi pada SKT antara ES, Holt,

dan HW

Metode ME RMSE MAE MPE MAPE MASE

Holt

winter

7.960411 20.95657 16.51261 107.2144 158.9237 NaN

Holt 7.469058 20.87563 15.57709 60.72031 194.808 NaN

ES -0.4868798 14.55605 12.34057 -14.56956 143.8908 NaN

Ketepatan metode yang digunakan diukur dari akurasi yang mampu

memprediksi data pada periode yang akan datang. Perbandingan tingkat akurasi

prediksi hasil analisis antara metode ES, Holt dan Holt winters pada data produksi

rokok CV. Sukses jaya Utama Tengaran pada SKM dan SKT dari bulan Januari

sampai Mei dapat dilihat pada tabel 1. Dari tabel 1 dan 2 dapat disimpulkan

bahwa metode Holt winter merupakan metode yang paling akurat dibandingkan

dengan metode Holt dan ES, karena memeiliki nilai uji akurasi yang paling kecil.

Tabel 3. Hasil prediksi SKM dengan menggunakan metode ES, Holt dan

HW adalah:

No. Data Aktual ES Holt HW

1 11,057 19,604 35.56545 24.413286

2 20,456 19,604 37.13090 23.403274

3 14,266 19,604 38.69635 22.792969

4 5,500 19,604 40.26180 31.511672

5 15,731 19,604 41.82725 31.311398

6 15,110 19,604 43.39270 19.442965

7 30,304 19,604 44.95816 29.713108

Tabel 4. Hasil prediksi SKT dengan menggunakan metode SES, Holt dan

HW adalah:

No. Data Aktual SES Holt HW

1 58,100 28.69977 27.99948 24.413286

2 58,100 28.69977 27.99896 23.403274

3 58,100 28.69977 27.99844 22.792969

4 58,100 28.69977 27.99792 31.511672

5 8,280 28.69977 27.99740 31.311398

6 8,280 28.69977 27.99688 19.442965

7 5,321 28.69977 27.99636 29.713108

16

Berdasarkan Tabel 3 dan 4 metode Holt Winter cocok untuk

memprediksikan jumlah produksi pada CV. Sukses Jaya Utama Tengaran pada

masa yang akan datang sebab metode Holt Winter dapat meramalkan data dengan

pola musiman dengan trend atau tanpa trend.

5. Simpulan

Berdasarkan experimen dan analisis yang telah dilakukan tentang prediksi

produksi rokok pada SKM dan SKT CV. Sukses Jaya Utama Tengaran pada bulan

Januari sampai bulan Mei, dapat disimpulkan bahwa metode Runtun Waktu (Time

Series) Holt Winter dapat mempresentasikan bagaimana gambaran ke depan

mengenai jumlah produksi rokok pada CV. Sukses Jaya Utama Tengaran dengan

nilai uji akurasi yang paling kecil sebab metode forecasting Holt Winter adalah

metode yang menggunakan penghalusan secara eksponensial sebagai ramalan dari

kejadian di satu waktu yang akan datang, yaitu suatu metode analisis statistika

untuk membantu CV. Sukses Jaya Utama Tengaran dalam memprediksi jumlah

produksi yang selalu berubah-ubah berdasarkan data produksi dimasa lampau.

Metode forecasting Holt Winter menitik beratkan penurunan prioritas secara

eksponensial pada objek pengamatan yang lebih tua. Dengan demikian, nilai

terbaru akan diberikan prioritas lebih tinggi bagi prediksi dari pada nilai yang

lebih lama.

Pengukuran akurasi n data ramalan menggunakan beberapa metode yaitu

nilai tengah galat (Mean Error), nilai tengah galat akar kuadrat (Root Mean

Square Error), nilai tengah galat absolut (Mean Absolut Error), nilai tengah galat

prosentase (Mean Percentage Error), nilai tengah galat absolut prosentase (Mean

Absolut Percentage Error), dan nilai tengah galat skala. Pengukuran akurasi

tersebut dapat membantu dalam menentukan metode peramalan yang terbaik

untuk digunakan. Semakin kecil nilai akurasi semakin baik dan tepat metode yang

digunakan.

Pengujian dan analisis yang dilakukan mampu memggambarkan bagaimana

tingkat pertambahan produksi rokok CV. Sukses Jaya Utama Tengaran sehingga

dari hasil yang diperoleh nantinya akan digunakan sebagai bahan pertimbangan

penetuan kebijakan dalam menentukan jumlah bahan baku yang harus disediakan

untuk produksi rokok di bulan yang akan datang untuk menghindari terjadinya

kekurangan atau kelebihan produksi rokok yang mempengaruhi penjualan rokok

pada CV. Sukses Jaya Utama Tengaran.

17

6. Daftar Pustaka

[1] Rachmat, M., & Nuryanti, S., 2009, Dinamika Agribisnis Tembakau Dunia

dan Implikasinya bagi Indonesia, Pusat Analisis Sosial Ekonomi dan

Kebijakan Pertanian, Bogor.

[2] Hadi, P.U., & Friyatno, S., 2008, Peranan Sektor Tembakau dan Industri

Rokok dalam Perekonomian Indonesia : Analisis table I-O Tahun 2000,

Pusat Analisis Sosial Ekonomi dan Kebijakan Pertanian, Bogor.

[3] Likke ., 2000, Analisis Cost-Benefit Terhadap Industri Rokok di Indonesia,

Alumnus Fakultas Ekonomi Jurusan Manajemen - Universitas Kristen Petra.

[4] Saputra, M.H., 2006, Analisis Industri Rokok Kretek di Indonesia,

Universitas Muhammadiyah Purworejo.

[5] Halim, S., Bisono, I.N., Melissa, & Cynthia., 2007, Automatic Seasonal

AutoRegressive Moving Average Models and Unit Root Test Detection,

IEEE International conference on Industrial Engineering and Engineering

Management proceeding, Singapore.

[6] Rais., 2011, Estimasi Data Yang Hilang Dengan Menggunakan Proses

Penyaringan Dalam Pemodelan Data Time Series, Jurusan Matematika

FMIPA Universitas Tadulako.

[7] Samsiah, D.N., 2008, Analisis Data Runtun Waktu Menggunakan Model

ARIMA (p,d,q) (Aplikasi : Data Pendapatan Pajak Kendaraan Bermotor di

Profinsi Daerah Istimewa Yogyakarta), Fakultas Sains dan Teknologi UIN

Sunan Kalijaga, Yogyakarta.

[8] Wanayasa, I.G.N.A., Kencana, I.P.E.N, & Nilakusmawati., 2012,

Peramalan Produk Domestik Regional Bruto (Pdrb) Provinsi Bali Dengan

Menggunakan Metode Fuzzy Time Series, Fakultas MIPA Universitas

Udayana.

[9] Soepriyanto, M.H., 2005, Peramalan Penjualan Rokok Dengan Pendekatan

Analisis Runtun Waktu Pada PT. NIKORAMA TOB. CO. Cabang Jambi,

Fakultas Sains dan Matematika Universitas Kristen Satya Wacana, Salatiga.

[10] Badria, 2008, Penggunaan Metode Exponential Smoothing Untuk

Meramalkan Kebutuhan Cengkeh Di Pabrik Rokok Adi Bungsu, FMIPA

Universitas Brawijaya, Malang.

[11] Mara, M.N., Setyahadewi, N., & Yundari, 2013, Kajian Teoritis

Hybridizing Exponential Smoothing dan Neural Network Untuk Peramalan

Data Runtun Waktu, FMIPA, Pontianak.

[13] Rosadi, D., 2011, Analisis Ekonometrika dan Runtun Waktu Terapan

dengan R, Yogyakarta: Andi, 2011.

[14] Montgomery, D.C., Jennings, C.L., & Kulahci, M., 2008, Introducyion to

Time Series Analisys and Forecasting, Wasington DC : Wiley-Intersince.

analisis runtun waktu jumlah produksi menggunakan metode … · 2018. 5. 15. · exponential...

Documents