analisis runtun waktu jumlah produksi menggunakan metode … · 2018. 5. 15. · exponential...
TRANSCRIPT
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
Analisis Runtun Waktu Jumlah Produksi Menggunakan
Metode Exponential Smoothing, Holt dan Holt Winter
(Studi Kasus CV. Sukses Jaya Utama Tengaran)
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
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
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Januari 2015
i
ii
iii
iv
v
vi
vii
viii
ix
Analisis Runtun Waktu Jumlah Produksi Menggunakan
Metode Exponential Smoothing, Holt dan Holt Winter
(Studi Kasus CV. Sukses Jaya UtamaTengaran) 1)
Ayu Wulan Sari, 2)
Kristoko Dwi Hartomo, 3)
Christine Dewi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl.Diponegoro 52-60, Salatiga 50711
Email: 1)
3)
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
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
Gambar 6. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan
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).
Gambar 7. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE
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
Gambar 9. Grafik prediksi total produksi OW (Operator Wrapping) rokok pada SKM dengan
metode HW
Pada Gambar 9 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 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.
Gambar 10 menunjukan prediksi OW pada produksi SKM selama 7 hari
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.
Gambar 13. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan metode ES.
Gambar 13 memperlihatkan perhitungan tingkat akurasi OW pada
produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan menggunakan metode ES.
12
Gambar 14. Prediksi OW (Operator Wrapping) pada program R dengan metode Holt Winter.
Gambar 14 menunjukan prediksi OW pada produksi SKM selama 7 hari
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
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 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.
Gambar 16. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE
dan MASE pada program R dengan metode Holt.
13
Gambar 16 memperlihatkan perhitungan tingkat akurasi OW pada
produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan
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
Gambar 19. Perhitungan tingkat akurasi menggunakan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan metode Holt Winter.
Gambar 19 memperlihatkan perhitungan tingkat akurasi OW pada
produksi SKT yang dihitung berdasarkan ME, RMSE, MAE, MPE, MAPE dan
MASE pada program R dengan menggunakan metode Holt Winter.
Gambar 20. Prediksi OW (Operator Wrapping) pada program R dengan 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.