analisis forcasting dengan metode moving average dan
TRANSCRIPT
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
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
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 :
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
Periode April 2018 s/d Desember 2019
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
Tahun Bulan Penjualan
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
MAD = Σ|Aktualt−Ramalant|
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
Tahun Bulan Penjualan
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
MAD = Σ|Aktualt−Ramalant|
n =
1524,889
20 = 76,24445 ~ 76,244
Kisaran:
Ft – MAD ≥×≥ Ft + MAD
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
Tahun Bulan Penjualan
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
MAD = Σ|Aktualt−Ramalant|
𝑛 =
1899,165
20 = 94,95825 ~ 94,958
Kisaran:
Ft – MAD ≥×≥ Ft + MAD
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
Periode April 2018 s/d Desember 2019
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