Penggunaan Beberapa Model Peramalan (Forecasting) pada Produksi Gula Kristal Putih di PT. Perkebunan Nusantara X
Abstract
ABSTRAK
Peramalan adalah proses memperkirakan atau memprediksi apa yang akan terjadi di masa yang akan datang berdasarkan data masa lalu dan data saat ini, yang paling umum dengan analisis tren. Contoh peramalan yang sederhana adalah peramalan nilai suatu variabel pada beberapa waktu yang akan datang. Tujuan dari penelitian ini adalah (1) untuk mengetahui pola historis data produksi gula, (2) untuk mengetahui model peramalan yang digunakan dan menentukan model peramalan terbaik dan validitas model, dan (3) melakukan peramalan produksi gula beberapa bulan kedepan dengan menggunakan model peramalan yang valid. Metode penelitian ini menggunakan data sekunder dari PT. Perkebunan Nusantara X dan proses pengolahan data menggunakan Microsoft Excel. Berdasarkan hasil dari analisis, exponential smoothing menggunakan ? = 0.8 merupakan model peramalan terbaik. Bila dibandingkan model peramalan moving average 2 periode dan double exponential smoothing dengan ? = 0.8. Uji keakuratan dari exponential smoothing ? = 0.8 menunjukkan nilai MAD = 1.096, MSE = 2.818.871, dan MAPE = 34%. Pada uji validitas model peramalan, model ini memiliki nilai MAD = 1,025, MSE = 2,113,927, MAPE = 22%. Hasil peramalan produksi untuk 6 periode kedepan adalah R1 = 5,106, R2 = 5,047, R3 = 5,035, R4 = 5,032, R5 = 5,032, R6 = 5,032
ABSTRACT
Forecasting is the process of making a future prediction based on the present and past data using trend analysis. The purpose of this study was (1) to know the historical pattern of refined sugar production, (2) to know what are the forecasting models that be used for prediction, (3) to get the best forecasting model by using an accuracy test. This study uses secondary data from PT Perkebunan Nusantara X and processing data by using Microsoft Excel. Based on analysis results exponential smoothing by using ? = 0.8 is the best model. As comparison by using a moving average with 2 period and double exponential smoothing with ? = 0.6. The accuracy test of exponential smoothing ? = 0.8 showing with value MAD = 2, MSE = 9, and MAPE = 36%. On validity test of forecasting models, exponential smoothing had showing value MAD = 1,025, MSE = 2,113,927, MAPE = 22%. Results of forecasting production with 6 period on the future is R1 = 5,106, R2 = 5,047, R3 = 5,035, R4 = 5,032, R5 = 5,032, R6 = 5,032.
Downloads
References
Assauri, S.2008. Manajemen Produksi dan Operasi. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia. Jakarta.
Auliasari, Kertaningtyas, Kriswantono. 2019. Penerapan Metode Peramalan untuk Identifikasi Potensi Permntaan Konsumen. Informatics Journal. vol.4 No.3.
Christopher, M. and Holweg, M. (2011). supply chain 2.0: Managing supply chains in the era of turbulence. International Journal of Physical Distribution & Logistics Management, 41(1):63–82.
Etri, Desi, Rito. 2016. Peramalan Dengan Menggunakan Metode Exponential Smoothing dari Brown (Studi Kasus: Indeks Harga Konsumen (IHK) Kota Samarinda). Universitas Mulawarman. Jurnal Eksponensial Vol. 7.
Halimi, Anggraeni, & Tyasnurita. 2013. Pembuatan Aplikasi Peramalan Jumlah Permintaan Produk Dengan Metode Time Series Exponential Smoothing Holts Winter di PT. Telekomunikasi Indonesia Tbk. Institut Teknologi Sepuluh Nopember. Jurnal Teknik POMITS Vol. 1.
Handoko. 2000. Manajemen Sumber Daya Manusia. Yogyakarta: BPFE.
Herjanto, E. (2008). Manajemen Produksi dan Operasi Edisi Ketiga. Jakarta: PT. Grasindo.
Jung, H. and Jeong, S.-J. (2012). Managing demand uncertainty through fuzzy inference in supply chain planning. International Journal of Production Research, 50(19):5415–5429
J. H. Barus, Ramli, “Analisis Peramalan Ekspor Indonesia Pasca Krisis Keuangan Eropa Dan Global Tahun 2008 Dengan Metode Dekomposisi”, Jurnal Ekonomi dan Keuangan, vol. 1, no. 3, pp. 117– 133
Makridakis, S., Wheelwright, S. C., & McGee, V. E. (2003). Metode dan Aplikasi Peramalan, Jilid 1 Edisi Revisi (terj.). Binarupa Aksara. Jakarta.
Maricar, M. 2019. Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing Untuk Sistem Peramalan Pendapatan pada Perusahaan XYZ. Jurnal Sistem dan Informatika. Vol.13, No.2
Novita P. 2009. Peramalan Jumlah Air Minum yang Disalurkan PDAM Tirta Wampu Kabupaten Langkat Tahun 2008-2010 dengan Metode Pemulusan (Smoothing) Eksponensial Ganda. Universitas Sumatera Utara.
Putra, I. N. Pujawan., dan N. I. Arvitrida. 2010. Peramalan Permintaan dan Perencanaan Produksi dengan Mempertimbangkan Special Event di PT. CCBI Plant Pandaan. ITS Surabaya
Rakhman, A., & Puspitasari, N. B. (2017). Usulan Perbaikan Perencanaan Produksi pada Produk Engine Tipe CJ untuk Mobil Pick Up di PT. XYZ dengan Metode TIME – Series. Industrial Engineering Online Journal, 6(1).
Sembiring, L, J. 2017. Fakta Penyebab Indonesia Masih Impor Gula. https:// economy .okezone.com/ read/2017/03/09/320/1638670/fakta-penyebab-indonesia-masih-impor-gula. Diakses tanggal 3 Juli 2018
Setyawan, E., Subantoro, R., & Prabowo, R. (2016). Analisis Peramalan (Forecasting) Produksi Karet (Hevea Brasiliensis) Di PT Perkebunan Nusantara IX Kebun Sukamangli Kabupaten Kendal. Mediagro, 12(2).
Sugiyanto, C. 2007. Permintaan Gula di Indonesia. Universitas Muhamadiyah Surakarta. Surakarta
Sungkawa, I., & Megasari, R. T. (2011). Nilai Ramalan Data Deret Waktu Dalam Seleksi Model Peramalan Volume Penjualan PT Satriamandiri Citramulia Iwa Sungkawa ; Ries Tri Megasari. ComTech, 2(2), 636–645.
Surihadi, A. A. (2009). Penerapan Metode Single Moving Average Dan Exponential Smoothing Dalam Peramalan Permintaan Produk Meubel Jenis Coffee Table Pada Java Furniture Klaten. Tugas Akhir. Surakarta: Univeristas Sebelas Maret.
Jurnal BETA (Biosistem dan Teknik Pertanian)
