analisis forcasting dengan metode moving average dan

ANALISIS FORCASTING DENGAN METODE MOVING AVERAGE DAN

EKSPONSIAL SMOTHING PADA PENJULAN PRODUK HARDCASE MODEL

UMKM DIMENSI ENTERPRICE

1 Antoni

1 Jurusan Manajemen, Fakultas Ekonomi Universitas Gunadarma

([email protected])

ABSTRAK

Ramalan penjualan adalah tingkat penjualan yang diharapkan dapat dicapai pada masa yang

akan datang dengan mendasarkan pada data penjualan riil dimasa lampau. Dalam melakukan

peramalan penjualan, Umkm Dimensi enterprice menggunakan cara kualitatif, yaitu dengan

menggunakan intuisi dan pendapatnya. Contohnya, pada bulan ini untuk penjualan produk

hardcase model menghabiskan 100 box, maka untuk peramalan penjualan bulan berikutnya

Umkm Dimensi enterprice akan menyiapkan 100 box hardcase model. Oleh sebab itu,

peneliti tertarik untuk melakukan peramalan dengan cara kuantitatif yaitu menggunakan

berbagai model matematis dan data historis. Manfaat dari peramalan ini adalah menganalisis

data di masa lalu untuk peramalan di masa yang akan datang. Ramalan dibuat agar dapat

meminimumkan kesalahan peramalan (forecast error)

(vii+15+lampiran) Kata Kunci : Moving Average ,Eksponensial Smothing

ABSTRACT

Sales forecast is the level of sales that are expected to be achieved in the future by basing on

real sales data in the past. In forecasting sales, Umkm Dimension enterprice uses qualitative

methods, namely by using intuition and opinions. For example, this month for selling

hardcase model products it consumes 100 boxes, then for forecasting sales the following

month Umkm Dimension enterprice will prepare 100 box hardcase models. Therefore,

researchers are interested in forecasting in a quantitative way using various mathematical

models and historical data. The benefit of this forecast is analyzing the data in the past for

forecasting in the future. Forecast is made so as to minimize forecast errors (forecast error)

Keywords: Moving Average, Exponential Smothing

PENDAHULUAN

Produk handmade pada saat ini memiliki peluang yang tak kalah oleh produksi masal yang di

produksi pabrikan ,banyak produk hardcase yang beredar di Indonesia baik local maupun

import dari Negara Negara yang kompeten di bidang pembuatan hardcase ,hardcase adalah

box untuk keperluan bisnis music , entertaint ,sebagai penunjang saat alat alat music atau

entertaint di bawa manggung baik di dalam dan di luar kota bahkan ke luar negri sangat di

butuhkan oleh para pengelola bisnis hiburan dan entertaint ,dalam perkembangan nya

hardcase terus mengalami perkembangan baik secara model atau ukuran yang sangat

bervariatif dan tentu saja harga yang lumayan,dari harga sedang sampai yang mahal tersedia

di sini dengan demikian unit unit yang di pesan sangat banyak untuk memenuhi kebutuhan

dalam dan luar negri menurut samuelson,1992 dalam permana,2010:27 sesuai hokum

permintaan ,apabila harga suatu barang meningkat ,maka jumlah barangyang di minta akan

semakin meningkat .jika jumlah barang yang di beli tergantung pada berbagai kemubgkinan

tingkat pendapatan ,maka akan di sebut dengan “permintaan pendapatan “dan jika jumlah

barang yang di beli tergantung pada berbagai kemungkinan tingkat harga barang lain,maka di

sebut permintaan silang (Oktiana,2011;12) maka dari itu bahwa permintaan sangat di

tentukan oleh seberapa besar produsen bisa mengikuti trend ,desain,dan persaingan harga

produk yang di minati saat ini oleh konsumen,persaingan hardcase memang belum terlalu

banyak produsen yang mampu mengerjakan sesuai dengan pesanan baik secara model dan

mailto:[email protected]

komponen yang berkualitas di dukung oleh bahan bahan material yang lumayan mahal

biasanya ada yang harus di import dari luar negri.

Dimensi enterprice yang bergerak dalam bisnis hardcase mempunyai tantangan yang lumayan

berat pada saat ini banyak pesanan dari dalam maupun luar negri yang harus di penuhi tetapi

balik lagi kepada campur tangan pemerintah dalam kendala permodalan dan juga rakanan

distributor yang dapat mendongkrak penjulan ,oleh karena itu dimensi enterprice masuk ke

dalam anggota Umkm yang di laksanankan oleh pemerintah daerah setempat ,peran serta

pemeintah daerah pada saat ini sering mengadak festival dan pameran pameran yang di

laksanakan baik di dalam dan di luar negri sehingga bisa sangat membantu promosi untuk

Dimensi Enterprice sehingga para konsumen bisa melihat produk produk yang di hasilkan

dan kualitas hardcase serta harga yang bisa terjangkau baik partai sedang maupun

besar,adapun website nya (www.dimensienterprice.net) kegitan usaha yang di geluti oleh

pendiri dimensi enterprice Mr.Yanto Bolung sdh sekitar 5 tahun dari tahun 2015 sampai

sekarang ,yang beralamat di jl ciremei ujung no 24 bogor utara.

KERANGKA TEORI

membentuk suatu rekomendasi dari mulut ke mulut yang menguntungkan bagi

perusahaan,beberapa definisi tentang harga menurut para ahli, antara lain :

a. Harga adalah jumlah uang yang dibutuhkan untuk mendapatkan sejumlah kombginasi

dari produk dan pelayanannya ( Swasta dan Irawan : 2002 )

b. Stanton (1994) mengemukakan bahwa harga adalah jumlah uang yang dibutuhkan

untuk memperoleh kombinasi sebuah produk dan pelayanan yang menyertainya.

Harga memiliki dua peranan utama dalam proses pengambilan keputusan, yaitu peranan alokasi

dan peranan informasi.

1. Peranan alokasi

Peranan alokasi dari harga yaitu fungsi harga dalam membantu para pembeli untuk

memutuskan cara memperoleh manfaat atau utilities tertinggi yang diharapkan

berdasarkan daya belinya. Dengan demikian, adanya harga dapat membantu para

pembeli untuk memutuskan cara mengalokasikan daya belinya pada berbagai jenis

barang dan jasa.

2. Peranan informasi

Peranan informasi dari harga yaitu fungsi harga dalam mendidik konsumen mengenai

faktor-faktor produk, seperti kualitas. Hal ini terutama bermanfaat dalam situasi

dimana pembeli mengalami kesulitan untuk menilai faktor-faktor produk atau

manfaatnya secara obyektif ( Tjiptono : 2000 )

Definisi kualitas jasa berpusat pada upaya pemenuhan kebutuhan dan keinginan pelanggan

serta penyampaiannya untuk mengimbangi harapan pelanggan. Menurut Wyckof ( Tjiptono : 2006

) kualitas jasa pelayanan adalah tingkat keunggulan yang diharapkan dan pengendalian atas

tingkat keunggulan tersebut untuk memenuhi keinginan pelanggan. Dengan kata lain ada dua

faktor utama yang mempengaruhi kualitas jasa yaitu expected service dan perceived service (

Parasuraman, et al.,dalam Tjiptono : 2006 ).

Menurut Swastha dan Irawan ( 2001 ) bahwa tujuan utama dari promosi adalah modifikasi

tingkah laku konsumen, menginformasikan, mempengaruhi, dan membujuk serta mengingatkan

konsumen sasaran tentang perusahaan dan produk atau jasa yang dijualnya.

Secara rinci dapat dijabarkan sebagai berikut :

http://www.dimensienterprice.net/

1. Menginformasikan yaitu kegiatan promosi ditujukan untuk memberitahukan pasar

yang dituju tentang penawaran dari perusahaan.

2. Membujuk konsumen sasaran, yaitu promosi yang bersifat membujuk umumnya

kurang disenangi masyarakat namun demikian promosi ini diarahkan untuk

mendorong pembelian.

3. Mengingatkan yaitu promosi yang bersifat mengingatkan dilakukan terutama untuk

mempertahankan merek produk dalam masa kedewasaan produk.

Data Primer Data primer adalah data yang dikumpulkan sendiri oleh peneliti langsung dari

sumber pertama untuk tujuan tertentu menggambarkan masalah penelitian (Maholtra, 2007).

Data prmer merupakan penilitian langsung atau karya riset asli (data mentah tanpa intepretasi)

karena informasi yang diperoleh dari responden secara langsung dengan melakukan penyebaran

kuisoner

Data Sekunder

Data sekunder adalah data yang diperoleh secara tidak langsung, baik dalam bentuk

keterangan atau berupa kutipan tokoh maupun literature yang ada hubungannya dalam

penelitian ini yang sifatnya sebagai pelengkap atau tambahan untuk mendukung data primer.

Menurut Sugiyono (2014) “populasi adalah wilayah generalisasi yang terdiri atas

obyek atau subyek yang mempengaruhi kualitas dan karakteristik tertentu yang ditetapkan oleh

peneliti untuk dipelajari dan kemudian ditarik kesimpulannya

Dalam penelitian ini digunakan tingkat ketelitian / alpha sebesar 5% tingkat

kepercayaan 95% sehingga diperoleh nilai Z (nilai standar distribusi normal) sebesar 1,96.

Tingkat kesalahan (e) ditentukan sebesar 10%. Sementara itu, probabilitas kuisoner ditolak (p)

dan diterima (q) ditentukan masing – masing sebesar 0,5.

Sugiyono (2013) memberikan definisi bahwa sampel adalah : “bagian dari jumlah

dan karakteristik yang dimiliki oleh populasi tersebut.” Sampel digunakan sebagai ukuran

sampel, dimana ukuran sampel merupakan suatu langkah untuk mengetahui seberapa besarnya

sampel yang akan diambil dalam melaksanakan suatu penilitian ,penulis menggunakan teknik

pengambilan sampel purposive sampling, yaitu menggunakan pertimbangan sendiri dengan

cara sengaja dalam memilih anggota populasi yang dianggap dapat memberikan informasi yang

diperlukan oleh penulis. alam penelitian ini Sehingga dapat dijumlahkan,dengan menghitung

ukuran sampel yang dilakukan dengan menggunakan rumus slovin sebagai berikut :

Keterangan :

n= ukuran sampel

N = ukuran populasi

E = Presentase kelonggaran ketelitian kesalahan pengambilan sampel yang masih bisa ditolerir.

maka untuk mengetahui sampel penelitian,dengan perhitungan sebagai beikut :

= = 95,05

berdasarkan perhitungan yang diperoleh dari rumus slovin, maka jumlah sampel yang diteliti

sebesar 95,05 responden.

Untuk mempermudah penelitian maka peneliti menggenapkan jumlah responden dengan

mengambil sampel sebesar 100 responden.

dengan menggunakan bantuan program SPSS. Kriteria penilaian uji reliabilitas apabila hasil

dari koefisien alpha lebih besar dari taraf signifikansi 60% atau 0,6 maka kuesioner tersebut

reliable apabila hasil dari koefisien alpha lebih kecil dari taraf signifikansi 60% atau 0,6 maka

kuesioner tersebut tidak reliable.

Uji Asumsi Klasik adalah analisis yang dilakukan untuk menilai masalah-masalah

yang ada di dalam model regresi linier. Uji asumsi klasik terdiri dari beberapa alat uji, antara

lain adalah uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi.

Dalam penelitian ini uji asumsi klasik dilakukan hanya dengan 3 alat uji saja, antara lain adalah

uji normalitas, uji multikolinearitas dan uji heteroskedastisitas tujuan pengujian asumsi klasik

ini adalah untuk memberikan kepastian bahwa persamaan regresi yang didapatkan memiliki

ketepatan dalam estimasi dan konsisten. uji Normalitas adalah salah satu alat uji asumsi klasik

yang dilakukan untuk mengetahui bagaimana sebaran suatu data. Tujuan dari uji ini adalah

untuk menilai sebaran sebuat data atau item apakah data atau item tersebut terdistribusi normal

atau tidak. hasil dari uji ini dapat dilihat dengan dua cara yaitu: analisis grafik (penyebaran titik

pada sumbu diagonal dari P-P Plot) dan analisis statistic (yang telah dihitung dengan

menggunakan bantuan program SPSS)

Kriteria Pengujian :

P-Value > 0,05 = Data terdistribusi normal

P-Value < 0,05 = Data tidak terdistribusi dengan normal

Uji ini adalah uji yang dilakukan untuk memastikan apakah didalam sebuah model regresi ada

interkorelasi atau kolinearitas antar variabel bebas. Multikolinearitas dapat diukur dengan

melihat nilai torelansi dan varian inflasi (VIF).

Nilai Tolerance > 0,10

Nilai Variance Inflation Factor (VIF) < 0,10 3.5.3.3. Uji heteroskedastisitas

Uji ini merupakan uji yang dilakukan untuk menguji apakah dalam model regresi terjadi

ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain sama, maka

disebut homoskedastisitas dan jika varians berbeda disebut heteroskedastisitas.

Analisis Regresi Linier Berganda

Regresi Linier Berganda adalah model regresi linier dengan melibatkan lebih dari

satu variabel bebas atau predictor, berarti analisis regresi linier berganda adalah menganalisa

model regresi linier dengan melibatkan lebih dari satu variabel. Tujuan dilakukannya analisis

regresi linier berganda adalah untuk mengetahui besar pengaruh

suatu variabel secara bersamaan melalui persamaan regresi linier berganda.

Persamaan analisis regresi linier berganda dapat dirumuskan :

Rumus : Y = a + B1X1+B2X2+e

Uji t (Parsial)

Pengujian ini dilakukan untuk membuktikan hipotesis yang diajukan,apakah variabel-variabel

independen berpengaruh secara parsial (terpisah) terhadap variabel dependen.Kriteria

Pengujian :

Pengujian setiap koefisien regresi dapat dikatakan berpengaruh apabila nilai mutlak t-tabel

atau nilai probabilitas signifikansi lebih kecil dari 0,05 (tingkat kepercayaan yang dipilih)

maka hipotesis nol (H0) ditolak dan hipotesis alternatif (H1) diterima, sebaliknya dikatakan

tidak berpengaruh apabila lebih besar dari 0,05 maka hipotesis nol (H0) diterima dan

hipotesis alternatif (H1) ditolak.

Uji F (Simultan)

Uji ini digunakan untuk menguji apakah model regresi yang kita buat baik atau signifikan /

tidak baik atau non signifikan. Uji ini juga dimaksudkan untuk mengetahui apakah

terdapat pengaruh yang signifikan atau tidak antara semua variabel independen secara

simultan (bersama) terhadap variabel terikat.

Kriteria Pengambilan Keputusan :

F hitung < F tabel pada α= 5%, maka Ho diterima, H1 ditolak

F hitung > F tabel pada α= 5%, maka Ho ditolak, H1 diterima.

Koefisien Determinasi (R2)

Menurut Ghozali, (2006) Koefisien Determinasi (R2) pada intinya mengukur seberapa jauh

kemampuan model dalam menerangkan variasi variabel dependent. Selain itu, koefisien

determinasi merupakan salah satu alat ukur ketepatan atau kecocokan dalam data yang dapat

dijelaskan oleh model regresi.

7

Pengertian Permintaan Menurut pengertian sehari-hari permintaan diartikan secara absolut

yaitu jumlah barang yang dibutuhkan. Jalan pikiran ini didasarkan atas pemikiran manusia

mempunyai kebutuhan. Atas kebutuhan inilah individu tersebut mempunyai permintaan akan

barang, semakin banyak penduduk suatu negara maka makin besar permintaan masyarakat

akan jenis barang (Sudarsono, 1992 dalam Pramana, 2010:27).Permintaan menurut ilmu

ekonomi diartikan sebagai jumlah barang yang dibeli oleh sejumlah konsumen dengan harga

tertentu pada waktu dan tempat tertentu (Samuelson, 1992 dalam Pramana, 2010:27). Sesuai

hukum permintaan, apabila harga suatu barang semakin meningkat, maka jumlah barang

yang diminta akan semakin menurun. Begitu pula sebaliknya, apabila harga suatu barang

semakin menurun, maka jumlah barang yang diminta akan semakin meningkat. Jika jumlah

barang yang dibeli tergantung pada berbagai kemungkinan tingkat harga, maka disebut

“permintaan harga”, jika jumlah barang yang dibeli tergantung pada berbagai kemungkinan

tingkat pendapatan, maka disebut “permintaan pendapatan”, dan jika jumlah barang yang

dibeli tergantung pada berbagai kemungkinan tingkat harga barang lain, maka disebut

“permintaan silang” (Oktiana, 2011:12).Analisa tersebut didasari asumsi Ceteris Paribus,

yaitu keadaan lain dianggap tetap sehingga tidak mempengaruhi besar kecilnya permintaan

akan barang, seperti barang itu sendiri, harga barang lain yang berkaitan, pendapatan rumah

tangga, pendapatan rata-rata masyarakat, corak distribusi pendapatan dalam masyarakat,

jumlah penduduk, dan ramalan keadaan di masa yang akan datang (Oktiana, 2011:12).Kurva

permintaan mencerminkan hubungan antara harga suatu barang dan kuantitas yang diminta,

Ceteris Paribus. Suatu perubahan harga akan menghasilkan suatu pergerakan sepanjang

kurva permintaan pasar yang tetap, tidak ada perubahan hal lain yang akan menyebabkan

pergerakan sepanjang kurva permintaan (Mudakir, 2007, dalam Oktiana, 2011:12). Kurva

pemintaan diperoleh dengan menambahkan seluruh kuantitas yang diminta seluruh oleh

seluruh individu pada tiap tingkat harga. Maka dari itu banyak faktor yang menentukan

permintaan salah satu yang terpenting adalah harga barang itu sendiri (Pramana, 2010:30). Permintaan seseorang atas suatu barang dipengaruhi oleh beberapa faktor, antara lain harga

barang itu sendiri, harga barang-barang lain yang mempunyai kaitan dengan barang tersebut,

pendapatan rumah tangga, dan pendapatan rata-rata masyarakat, corak distribusi pendapatan

dalam masyarakat, citarasa masyarakat, jumlah penduduk serta ramalan mengenai keadaan di

massa yang akan datang (Sadono, 1994 dalam Oktiana, 2011: 13). Selain faktor tersebut, ada

satu faktor yang dapat mempengaruhi permintaan, yaitu penduduk. Jumlah penduduk sebagai

determinan permintaan dikemukakan oleh Miller dan Meiners, 2000 dalam Wahyu dan

Johanna, 2013:2, menyatakan bahwa jumlah penduduk merupakan salah satu detereminan

dari permintaan atas suatu barang. Suatu komoditas dihasilkan oleh produsen karena

dibutuhkan oleh konsumen dan karena konsumen bersedia membelinya, konsumen mau

membeli komoditas-komoditas yang mereka perlukan itu apabila harganya sesuai dengan

ekspetasi atau keinginan mereka dan bila komoditas tersebut berguna baginya.

Pengertian Peramalan (Forecasting)

Dalam melakukan analisis di bidang ekonomi, sosial, dan sebagainya, diperlukan suatu

perkiraan apa yang akan terjadi atau gambaran tentang masa yang akan dating. Kegiatan

untuk memperkirakan apa yang akan terjadi pada masa yang akan dating, dikenal dengan

peramalan (forecasting) (Assauri, 1984:1).Peramalan (forecasting) adalah kegiatan

mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan

karena adanya perbedaan kesenjangan waktu (timelag) antara kesadaran akan

dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut. Apabila

perbedaan waktu tersebut panjang maka peran peramalan begitu penting dan sangat

dibutuhkan, terutama dalam penentuan kapan terjadinya suatu sehingga dapat dipersiapkan

tindakan yang perlu dilakukan.Kegunaan dari peramalan terjadi pada waktu pengambilan

8

keputusan. Setiap orang selalu dihadapkan pada masalah pengambilan keputusan.

Keputusan yang baik adalah keputusan yang didasarkan atas pertimbangan-pertimbangan

yang matang dan perkiraan tentang kejadian yang mungkin akan terjadi. Apabila ramalan

yang dihasilkan kurang tepat, maka keputusan yang diambil tidak akan mencapai hasil

yang memuaskan. Dengan meramalkan kejadian-kejadian yang akan datang, tindakan-

tindakan yang akan datang dapat direncanakan dengan matang sehingga dapat

mengantisipasi hal-hal yang tidak diinginkan.Dengan demikian peramalan memiliki peran

penting baik dalam sebuah penelitian, perencanaan, pengambilan keputusan, maupun

dalam menentukan suatu kebijakan. Tetapi perlu diperhatikan juga bahwa peramalan

bertujuan untukmemperkecil kemungkinan kesalahan. Baik atau tidakynya suatu ramalan

sangat bergantung pada faktor data dan metode serta kebenaran asumsi yang

digunakan.Menurut Assauri, 1984:3, dilihat dari sifat penyusunannya, peramalan

dibedakan atas dua macam, yaitu: Peramalan yang subjektif, yaitu peramala yang

didasarkan atas perasaan atau instuisi dari orang yang menyususnnya.Peramalan yang

objektif, adalah peramalan yang didasarkan atas data yang relevan pada masa lalu dengan

menggunakan teknik-teknik dan metode- metode dalam penganalisisan data

tersebut.Menurut Assauri, 1984:4, dilihat dari jangka waktu ramalan yang disusun,

peramalan dibedakan atas dua macam, yaitu:Peramalan jangka panjang, yaitu peralaman

yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu

setengah tahun atau tiga semester.Peramalan jangka pendek, yaitu peralaman yang

dilakukan untuk penyusunan hasil ramalan yang jangka waktunya yang kurang dari satu

setengah tahun, atau tiga semester.Menurut Assauri, 1984:4, berdasarkan ramalan yang

telah disusun, peramalan dibedakan atas dua macam, yaitu:Peramalan kualitatif, yaitu

peramalan yang didasrkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat

sangat tergantung pada orang yang membuatnya, karena ditentukan berdasarkan pemikiran

yang bersifat intuisi judgment atau pendapat, dan pengetahuan serta pengalaman dari

penyusunnya.Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang

dipergunakan dalam peramalan tersebut. Menurut Taylor III, 2005:5, terdapat dua macam

metode dalam melakukan peramalan, yaitu dengan metode Time Series dan Metode

Kausal. Metode Time Series Metode ini membuat peramalan dengan menggunakan asumsi

bahwa masa depan adalah fungsi dari masa lalu. Tujuannya adalah untuk menentukan pola

dalam deret data historis dan menterjemahkan pola tersebut ke masa depan.Menganalisis

time series berarti membongkar data masa lalu menjadi komponen- komponen dan

kemudian memproyeksikan ke masa atau periode yang akan datang. Model ini sendiri

memiliki tiga metode peramalan kuantitatif, yaitu:Metode Rata-Rata Bergerak (Moving

Avarage)Metode ini digunakan dan bermanfaat apabila kita menggunakan asumsi bahwa

permintaan pasar lebih stabil sepanjang waktu. Metode ini dipakai untuk kondisi dimana

setiap data pada waktu yang berbeda mempunyai bobot yang sama sehingga fluktuasi

random data dapat diredam dengan rata-ratanya. Apabila semua masa lalu dapat mewakili

asumsi pola data berlanjut terus di masa yang akan datang, maka dapat dipilih sejumlah n

data pada periode tertentu saja.Metode Eksponential Smooting Metode ini adalah metode

peramalan yang mudah dan efisiensi penggunaannya bila dilakukan dengan computer.

Meskipun merupakan teknik moving average, metode ini mencangkup pemeliharaan data

masa lalu yang sedikit.Metode Trend Projection Metode ini digunakan dengan cara

mencocokkan garis trend ke rangkaian titik-titik data historis dan kemudian

memproyeksikan garis itu ke dalam ramalan jangka panjang menengah hingga jangka

panjang. Beberapa persamaan trend matematis bisa dikembangkan, tetapi saat ini kita kan

membahas trend linear.Jika memutuskan untuk mengembangkan garis trend linear dengan

metode statistik yang tepat, maka kita dapat menggunakan metode kuadrat kecil (Least

9

Square Methode). Metode ini digambarkan dalam bentuk perpotongan Y-nya (puncak

dimana garis itu memotong sumbu Y dan slope-nya (kelandaian).

METODOLOGI PENELITIAN

Obyek yang digunakan dalam penelitian ini adalah penjualan Hardcase yang di jual oleh

Dimensi Enterprice yang berlokasi di Jl. Ciremei Ujung no 24 Bogor Utara.

Gambar 3.1

Pola Data dari Data Horizontal atau Stationer

Data Musiman

Pola data ini terjadi jika terdapat suatu deret data yang dipengaruhi oleh factor

musiman (misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu

tertentu). Penjualan dari produk seperti minuman ringan, es krim, dan bahan bakar

pemanas ruang semuanya menunjukkan jenis pola ini.

Gambar 3.2

Pola Data dari Data Musiman

Data Siklis

Pola data ini terjadi jika terdapat data yang dipengaruhi oleh fluktuasi ekonomi jangka

panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk

seperti mobil, baja, dan peralatan utama lainnya.

Gambar 3.3

10

Pola Data dari Data Siklis

Data Trend

Pola data ini terjadi jika terdapat kenaikan atau penurunan sekuler jangka panjang

dalam data. Contoh: Penjualan banyak perusahaan, GNP dan berbagai indikator bisnis

atau ekonomi lainnya.

Gambar 3.4

Pola Data dari Data Trend

Teknik Peramalan

Peneliti menggunakan teknik kuantitatif dalam penelitian ini, dengan model time

series, dan menggunakan dua metode, yang terdiri dari:

Metode Rata-rata Bergerak Tunggal (Single Moving Averages)

Menurut Stevenson dan Chuong (2014), metode rata-rata bergerak tunggal

menggunakan sejumlah nilai data aktual terbaru untuk menghasilkan ramalan. Tujuan

utama dari metode ini menurut Nasution (2003) mengurangi atau menghilangkan

variasi acak permintaan dalam hubungannya dengan waktu. Tujuan ini dicapai dengan

dengan merata-ratakan beberapa nilai data secara bersama-sama, dan menggunakan

nilai rata-rata tersebut sebagai ramalan permintaan untuk periode yang akan datang.

Metode ini dapat dihitung menggunakan persamaan sebagai berikut (Stevenson

dan Chuong, 2014):

Ft = MAn = ∑ 𝐴𝑡−𝑖𝑛𝑖=1

𝑛=

𝐴𝑡−𝑛+⋯+𝐴𝑡−2+𝐴𝑡−1

𝑛

Keterangan

Ft = Ramalan untuk periode waktu t

MAn = Rata-rata bergerak untuk periode n

At-1 = Nilai aktual pada periode t-1

11

n = Jumlah periode (titik data) dalam rata-rata bergerak

Contohnya, MA3 akan mengacu pada ramalan rata-rata bergerak tiga periode, dan

MA5 akan mengacu pada ramalan rata-rata bergerak lima periode.

Metode Pemulusan Eksponensial (Exponential Smoothing)

Menurut Stevenson dan Chuong (2014), Pemulusan Eksponensial (Exponential

Smoothing) adalah metode untuk menghitung rata-rata tertimbang yang canggih serta

masih relatif mudah dugunakan dan dipahami. Setiap ramalan baru didasarkan pada

ramalan sebelumnya ditambah dengan persentase selisih antara ramalan dengan nilai

aktual dari deret pada titik tersebut. Artinya:

Ramalan berikutnya=Ramalan sebelumnya+α(Aktual–Ramalan sebelumnya)

(Aktual – Ramalan sebelumnya) mewakili kesalahan ramalan dan α adalah presentase

kesalahan. Lebih ringkasnya:

Ft = Ft-1 + α (At-1 - Ft-1)

Keterangan

Ft = Ramalan untuk periode waktu t

Ft-1 = Ramalan untuk periode sebelumnya (misalnya, periode t-1)

α = Konstanta pemulusan

At-1 = Permintaan aktual atau penjualan untuk periode sebelumnya

Kecepatan penyesuaian ramalan terhadap kesalahan ditentukan dengan konstanta

pemulusan α. Semakin dekat nilai α dengan nol, semakin lambat ramalan akan

menyesuaikan diri dengan kesalahan ramalan (misalnya, pemulusan lebih besar).

Sebaliknya, semakin dekat nilai α dengan 1,00, semakin besar kemampuan untuk

merespons dan pemulusan lebih kecil.Pada dasarnya, memilih konstanta pemulusan

adalah masalah penilaian atau uji coba, yaitu menggunakan kesalahan ramalan untuk

mengarahkan keputusan. Sasarannya adalah memilih konstanta pemulusan yang

menyeimbangkan keuntungan dari pemulusan variasi acak dengan keuntungan dari

respons terhadap perubahan riil apabila hal itu terjadi. Nilai α umumnya digunakan

berkisar dari 0,05 sampai 0,50. Nilai α rendah digunakan ketika rata-rata yang

mendasarinya cenderung stabil, sedangkan nilai α yang lebih tinggi digunakan ketika

rata-rata yang mendasarinya rentan terhadap perubahan.Pemulusan eksponensial

adalah salah satu teknik dari teknik-teknik yang paling banyak digunakan dalam

peramalan, sebagian karena kemudahan perhitungannya dan sebagian karena

kemudahan skema pembobotan yang dapat diubah hanya dengan mengubah nilai

α.Keakuratan peramalanUkuran Kesalahan MAD (Mean Absolute Deviasion)Mean

Absolute Deviation (MAD). MAD adalah rata-rata kesalahan absolut. MAD paling

berguna ketika orang yang menganalisa ingin mengukur kesalahan ramalan dalam

unit yang sama sebagai deret asli. Rumus yang digunakan untuk menghitung MAD

adalah sebagai berikut:

MAD = Σ|Aktualt−Ramalant|

𝑛

Dari sudut pandang perhitungan, bobot MAD merata pada semua kesalahan.

Kelebihan MAD adalah ukuran kesalahan permalan yang digunakan lebih sederhana

dengan hanya menggunakan rata rata kesalahan mutlak selama periode tertentu.

PEMBAHASAN DAN HASIL

Tabel 4.1

12

Data Historis Penjualan haradcase Agenstok dimensi Enterprice

Periode April 2018 s/d Desember 2019

Tahun Bulan Penjualan

2018

April 107

Mei 33

Juni 10

Juli 63

Agustus 60

September 106

Oktober 434

November 256

Desember 188

2019

Januari 289

Februari 162

Maret 108

April 191

Mei 349

Juni 209

Juli 316

Agustus 160

September 314

Oktober 249

November 269

Desember 219

Gambar 4.2

Grafik Penjualan Hard case Agenstok Dimensi Enterprice


13

Analisis Gambar 4.2:

Dari Gambar 4.2 tentang Grafik Penjualan Hardcase Agenstok Dimensi Enterprice Periode

April 2018 s/d Desember 2019, dapat kita lihat pola grafiknya menunjukkan pola residu atau

variasi acak, yaitu data tidak teratur sama sekali. Data yang sifat residu tidak dapat

digambarkan (Herjanto, 2007).Untuk menghitung peramalan penjualan untuk bulan Januari

tahun 2020 peneliti menggunakan data historis penjualan dari bulan April tahun 2018 s/d

bulan Desember tahun 2019 dan menggunakan metode Moving Average 3 periode dan

metode Exponential Smoothing dengan α = 0,5 dan α = 0,9 serta untuk mengukur kesalahan

peramalan menggunakan MAD (Mean Absolute Deviasion).

Metode Moving Average 3 periode

Tabel 4.2

Data Perhitungan dengan Metode Moving Average 3 periode


Hardcase MA 3 periode

Ramalan

(Ft) Error (e)

2018

April 107 - - -

Mei 33 - - -

Juni 10 - - -

Juli 63 (107+33+10)/3 50 13

Agusntus 60 (33+10+63)/3 35,333 24,667

September 106 (10+63+60)/3 44,333 61,667

Oktober 434 (63+60+106)/3 76,333 357,667

0

50

100

150

200

250

300

350

400

450

500

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

tem

ber

Okt

ob

er

No

vem

ber

Des

emb

er

Jan

uar

i

Feb

ruar

i

Mar

et

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

tem

ber

Okt

ob

er

No

vem

ber

Des

emb

er

Penjualan hardcase Agenstok Dimensi Enterprice Periode April 2018 s/d Desember

2019

14

November 256 (60+106+434)/3 200 56

Desember 188 (106+434+256)/3 265,333 -77,333

2019

Januari 289 (434+256+188)/3 292,666 -3,666

Februari 162 (256+188+289)/3 244,333 -82,333

Maret 108 (188+289+162)/3 213 -105

April 191 (289+162+108)/3 186,333 -78,333

Mei 349 (162+108+191)/3 153,666 195,334

Juni 209 (108+191+349)/3 216 -7

Juli 316 (191+349+209)/3 249,666 66,334

Agustus 160 (349+209+316)/3 291,333 -131,333

September 314 (209+316+160)/3 228,333 85,667

Oktober 249 (316+160+314)/3 263,333 -14,333

November 269 (160+314+249)/3 241 28

Desember 219 (314+249+269)/3 277,333 -58,333

2020 Januari (249+269+219)/3 245,666

Σ|Aktualt − Ramalant| atau Σ|e| 1446


𝑛 =

1446

18 = 80,33333 ~ 80,333

Kisaran:

Ft – MAD ≥×≥ Ft + MAD

245,666 – 80,333 ≥×≥ 245,666 + 80,333

165,333 ≥×≥ 325,999

Analisis:

Jadi, dengan menggunakan metode Moving Average 3 periode diramalkan penjualan produk

hardcase pada bulan Januari tahun 2019 sebanyak 245,666 dengan MAD 80,333 dan

kisarannya 165,333 sampai 325,999.

Metode Exponential Smoothing dengan α = 0,5

Tabel 4.3

Data Perhitungan dengan Metode Exponential Smoothing dengan α = 0,5


Hardcase ES dengan α = 0,5

Ramalan

(Ft)

Error

(e)

2018

April 107

Mei 33 107 107 -74

Juni 10 107+0,5(33-107) 70 -60

Juli 63 70+0,5(10-70) 40 23

Agusntus 60 40+0,5(63-40) 51,5 8,5

September 106 51.5+0,5(60-51,5) 55,75 50,25

Oktober 434 55,75+0,5(106-55,75) 80,875 353,125

November 256 80,875+0,5(434-80,875) 257,438 -1,438

Desember 188 257,438+0,5(256-257,438) 256,719 -68,719

2019

Januari 289 256,719+0,5(188-256,719) 222,36 66,64

Februari 162 222,36+0,5(289-222,36) 255,68 -93,68

Maret 108 255,68+0,5(162-255,68) 208,84 -100,84

April 191 208,84+0,5(108-208,84) 158,42 32,58

Mei 349 158,42+0,5(191-158,42) 174,71 174,29

15

Juni 209 174,71+0,5(349-174,71) 261,855 -52,855

Juli 316 261,855+0,5(209-261,855) 235,423 80,577

Agustus 160 235,423+0,5(316-235,423) 275,712 -115,712

September 314 275,712+0,5(160-275,712) 217,856 96,144

Oktober 249 217,856+0,5(314-217,856) 265,928 -16,928

November 269 265,928+0,5(249-265,928) 257,779 11,221

Desember 219 257,779+0,5(269-257,779) 263,39 -44,39

2020 Januari 263,39+0,5(219-263,39) 241,195

Σ|Aktualt − Ramalant| atau Σ|e| 1524,889


n =

1524,889

20 = 76,24445 ~ 76,244

Kisaran:


241,195 – 76,244 ≥×≥ 241,195 + 76,244

164,951 ≥×≥ 317,439

Analisis:

Jadi, dengan menggunakan metode Exponential Smoothing dengan α = 0,5 diramalkan

penjualan produk Hardcase pada bulan Januari tahun 2019 sebanyak 241,195 dengan MAD

76,244 dan kisarannya 164,951 sampai 317,439.

Metode Exponential Smoothing dengan α = 0,9

Tabel 4.4

Data Perhitungan dengan Metode Exponential Smoothing dengan α = 0,9


Hardcase ES dengan α = 0,9

Ramalan

(Ft)

Error

(e)

2018

April 107

Mei 33 107 107 -74

Juni 10 107+0,9(33-107) 40,4 -30,4

Juli 63 40,4+0,9(10-40,4) 13,04 49,96

Agusntus 60 13,04+0,9(63-13,04) 58,004 1,996

September 106 58,004+0,9(60-58,004) 59,8 46,2

Oktober 434 59,8+0,9(106-59,8) 101,38 332,62

November 256 101,38+0,9(434-101,38) 400,738 -144,738

Desember 188 400,738+0,9(256-400,738) 270,474 -82,474

2019

Januari 289 270,474+0,9(188-270,474) 196,247 92,753

Februari 162 196,247+0,9(289-196,247) 279,725 -117,725

Maret 108 279,725+0,9(162-279,725) 173,773 -65,773

April 191 173,773+0,9(108-173,773) 114,577 76,423

Mei 349 114,577+0,9(191-114,577) 183,338 165,662

Juni 209 183,338+0,9(349-183,338) 332,434 -123,434

Juli 316 332,434+0,9(209-332,434) 221,343 94,657

Agustus 160 221,343+0,9(316-221,343) 306,534 -146,534

September 314 306,534+0,9(160-306,534) 174,653 139,347

Oktober 249 174,653+0,9(314-174,653) 300,065 -51,065

November 269 300,065+0,9(249-300,065) 254,107 14,893

Desember 219 254,107+0,9(269-254,107) 267,511 -48,511

16

2020 Januari 267,511+0,9(219-267,511) 223,851

Σ|Aktualt − Ramalant| atau Σ|e| 1899,165


𝑛 =

1899,165

20 = 94,95825 ~ 94,958

Kisaran:


223,851 – 94,958 ≥×≥ 223,851 + 94,958

128,893 ≥×≥ 318,809

Analisis:

Jadi, dengan menggunakan metode Exponential Smoothing dengan α = 0,9 diramalkan

penjualan produk Pasta Gigi Herbal HPAI pada bulan Januari tahun 2019 sebanyak 223,851

dengan MAD 94,958 dan kisarannya 128,893 sampai 318,809

Karena data berupa penjualan hardcase, maka tidak mungkin hasilnya berupa pecahan, maka

untuk itu hasil pecahan dibulatkan dengan syarat :

0 – 0,499 Dibulatkan menjadi 0

0,5 – 0,999 Dibulatkan menjadi 1

Tabel 4.5

Data Perhitungan yang Sudah Dibulatkan

Metode Moving

Average 3 periode

Metode Exponential

Smoothing dengan

α = 0,5

Metode Exponential

Smoothing dengan

α = 0,9

Ramalan (Ft) 246 241 224

MAD 80 76 95

Kisaran MAD 165 sampai 326 165 sampai 317 129 sampai 319

Analisis Tabel 4.5:

Dari data perhitungan diatas, metode yang paling baik adalah metode Exponential Smoothing

yang memiliki α = 0,5, karena mempunyai ukuran kesalahan MAD terkecil yaitu 76 dengan

kisaran 165 sampai 317. Sedangkan metode Moving Average 3 periode nilai MAD nya 80

dengan kisaran 165 sampai 326 dan metode Exponential Smoothing dengan α = 0,9 nilai

MAD nya 96 dengan kisaran 129 sampai 319.

17

Gambar 4.3

Grafik Hasil Perhitungan Peramalan untuk Penjualan Hardcase Dimensi Enerprice


Analisis Gambar 4.2:

Dari grafik diatas dapat kita lihat, garis yang hampir mendekati dengan data aktual adalah

garis berwarna hijau, garis berwarna merah dan ungu cukup jauh dari garis data aktual yang

berwarna biru. Juga, sesuai dengan analisis Tabel 4.5 metode yang paling baik adalah metode

Exponential Smoothing yang memiliki α = 0,5, karena mempunyai ukuran kesalahan MAD

terkecil yaitu 76 dengan kisaran 165 sampai 317.

SIMPULAN DAN SARAN

Dari hasil analisis pada bab sebelumnya, maka dapat ditarik kesimpulan yaitu, pola data

historis penjualan Hardcase Dimensi Enterprice berpola residu atau variasi acak, dimana data

tidak teratur sama sekali.Hasil dari perhitungan peramalan penjualan hardcase Dimensi

Enterprice dengan metode Moving Average 3 periode dan metode Exponential Smoothing

0

50

100

150

200

250

300

350

400

450

500

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

tem

ber

Okt

ob

er

No

vem

ber

Des

emb

er

Jan

uar

i

Feb

ruar

i

Mar

et

Ap

ril

Mei

Jun

i

Juli

Agu

stu

s

Sep

tem

ber

Okt

ob

er

No

vem

ber

Des

emb

er

Jan

uar

i

Penjualan Hardcase Dimensi Enterprice April 2018 s/d Desember 2019

Aktual

MA 3periode

ES dengan α = 0,5

ES dengan α = 0,9

18

dengan α = 0,5 dan α = 0,9. Metode yang paling baik adalah metode Exponential Smoothing

yang memiliki α = 0,5, karena mempunyai ukuran kesalahan MAD terkecil yaitu 76 dengan

kisaran 165 sampai 317. Sedangkan metode Moving Average 3 periode nilai MAD nya 80

dengan kisaran 165 sampai 326 dan metode Exponential Smoothing dengan α = 0,9 nilai

MAD nya 96 dengan kisaran 129 sampai 319.Dengan demikian, setelah mengetahui bahwa

ternyata metode yang paling baik adalah metode Exponential Smoothing yang memiliki α =

0,5, maka dimensi Enterprice bisa menggunakan metode tersebut untuk periode selanjutnya

(bulan februari dan bulan-bulan selanjutnya), sehingga Dimensi enterprice bisa

memaksimalkan keuntungan dan meminimalisir kerugian penjualan hardcase.

DAFTAR PUSTAKA Daft, Richard L. 2006. Manajemen.Edisi 6. Jakarta: Salemba Empat.

Gasperz, Vincent. 2005. Production Planning and Inventory Control. Jakarta: PT. Gramedia

Pustaka Utama.

Halkis, Mhd. 2017. Konstelasi Politik Indonesia: Pancasila dalam Analisis Fenomenologi

Hermeneutika. Jakarta: Yayasan Pustaka Obor Indonesia.

Handoko,T. Hani. 2010. Manajemen Personalia & Sumber daya Manusia. Edisi kedua.

Yogyakarta: BPFE.

Herjanto, Eddy. 2007. Manajemen Operasi. Edisi Ketiga. Jakarta: PT. Grasindo. Kotler,

Philip. 2000. Manajemen Pemasaran. Jakarta: PT. Prenhallindo.

Makridakis, Spyros. 1999. Metode dan Aplikasi Peramalan. Jakarta: Erlangga.

Marom, Chairul. 2002. System Akuntansi Perusahaan Dagang. Jakarta: PT. Prenhallindo.

Nasution, Arman Hakim. 2003. Perencanaan dan Pengendalian Produksi.

Jakarta: Guna Widya.

Nitisemito, Alex S. 1998. Manajemen Personalia. Jakarta: Ghalia Indonesia. Render, Barry

dan Jay Heizer. 2005. Prinsip-prinsip Manajemen Operasi. Jakarta:

Salemba Empat.

Savira, Mia dan Nadya N.K. Moeliono. 2014. Analisis Peramalan Penjualan Obat Generik

Berlogo (OGB) Pada PT. Indonesia Farma. Bandung: Fakultas

Ekonomi dan Bisnis Universitas Telkom.

Stevenson, William J. dan Sum Chee Chuong. 2014. Manajemen Operasi: Perspektif Asia.

Buku 1. Edisi 9. Jakarta: Salemba Empat.

Stoner, James A.F. 2006. Manajemen. Jakarta: Erlangga.

Subagyo, Pangestu. 2002. Forecasting: Konsep dan Aplikasi. Yogyakarta: BPFE. Sugiharto

dan Harijono. 2000. Peramalan Bisnis. Jakarta: PT. Gramedia

PustakaUtama

Sulistiyo, Sandy Tri. 2015. Analisis Peramalan Penjualan Produk Suplemen Amino Nutrition

Pada Tempat Fitness Adha Fitness Centre. Depok: Fakultas

Ekonomi Universitas Gunadarma.

Swastha, Basu dan Irawan. 2008. Manajemen Pemasaran Modern. Yogyakarta: Liberty.

Taylor, Bernard W. 2004. Managemen Science (Sains Manajemen). Jakarta: Salemba Empat.

Terry, George R. 2010. Manajemen Sumber Daya Manusia. Edisi Pertama.

Cetakan Pertama. Jakarta : Penerbit Kencana.

Wibowo, Indra. 2010. Analisis Peramalan Penjualan Rokok Golden Pada PT. Djitoe

Indonesian Tobacco Coy Surakarta. Surakarta: Fakultas Ekonomi

19

Universitas Sebelas Maret.

analisis forcasting dengan metode moving average dan

Documents