PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH"

Transkripsi

1 ISBN: PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH Nurmaulidar, Asep Rusyana, Rizka Maqfirah 1 Fakultas MIPA, Universitas Syiah Kuala, ABSTRAK Perusahaan Umum Badan Urusan Logistik atau Perum BULOG melaksanakan penugasan dari pemerintah untuk menangani bahan pangan khususnya beras. untuk menjalankan fungsionalnya, badan ini dibantu oleh beberapa Divisi Regional atau Divre, salah satunya Divre Aceh. Perum BULOG Divre Aceh bertanggungjawab dalam menangani ketahanan pangan beras, menjaga stok dan stabilnya harga di pasar. Dalam memenuhi kebutuhan beras di Aceh perlu mengetahui banyak stok beras yang harus disediakan, supaya dapat mengetahui persediaan beras pada tahun mendatang. Meramalkan persediaan beras dapat menggunakan metode peramalan yaitu metode Winter s Exponential Smoothing. Penelitian ini bertujuan untuk memilih model terbaik dalam meramalkan persediaan beras pada tahun Data yang digunakan adalah data persediaan beras dari tahun 2011 s/d Pola data yang terbentuk adalah pola musiman karena persediaan beras tertinggi terjadi pada setiap bulan Mei, Juni dan Juli.Metode Winter s Exponential Smoothing model multiplikatif menghasilkan nilai MAPE=27,9%, Winter s Exponential Smoothing model aditif menghasilkan MAPE paling kecil, dengan nilai MAPE=26,4%, sehingga metode Winter s Exponential Smoothing model aditif merupakan metode terbaik untuk meramalkan persediaan beras. Jumlah persediaan beras pada tahun 2015 lebih tinggi dari pada tahun 2014, kenaikan persediaan beras mencapai kg. Keywords: BULOG, Forecasting, Exponential Smoothing, Decomposition, Forecast error 1. PENDAHULUAN Perusahaan Umum Badan Urusan Logistik atau Perum BULOG melaksanakan penugasan dari pemerintah untuk menangani bahan pangan khususnya beras. untuk menjalankan fungsionalnya, badan ini dibantu oleh beberapa Divisi Regional atau Divre, salah satunya Divre Aceh. Perum BULOG Divre Aceh bertanggungjawab dalam menangani ketahanan pangan beras, menjaga stok dan stabilnya harga di pasar. Dalam memenuhi kebutuhan beras di Aceh perlu mengetahui banyak stok beras yang harus disediakan, agar dapat mengetahui persediaan beras pada tahun mendatang. Meramalkan persediaan beras dapat menggunakan metode peramalan diantaranya metode Winter s Exponential Smoothing. Metode Peramalan adalah suatu metode untuk memprediksi, memproyeksi atau mengestimasi tingkat kejadian yang tidak pasti di masa yang akan datang. Banyak metode peramalan yang dapat digunakan salah satunya metode Exponential Smoothing Winter s. Metode peramalan tersebut merupakan bagian dari metode Exponential Smoothing yang bisa digunakan untuk memprediksi banyaknya persediaan beras pada masa mendatang. Metode Exponential Smoothing Winter s memuluskan secara keseluruhan yang mampu menangani data berpengaruh trend dan musiman. Keuntungan dari penggunaan metode Exponential Smoothing yaitu tidak memerlukan banyak data, sehingga tidak perlu menyimpan semua data historis, tapi memadai dengan pengamatan terakhir atau ramalan terakhir. Metode ini memakai nilai parameter pemulusan, pemilihan parameter dilakukan dengan cara trial and error. Tingkat ketepatan suatu peramalan dapat dihitung dengan menggunakan metode MAPE (Mean Absolute Percentage Error), Jika tingkat kesalahan semakin kecil, maka hasil peramalan akan semakin mendekati data aktualnya (Makridarkis, 1999). Paper ini bertujuan menentukan estimasi persediaan beras pada tahun 2015 dengan model terbaik. Data yang digunakan mulai 2011 sampai 2014 dengan persediaan berasnya pada gudang GBB Siron di Lambaro Kabupaten Aceh Besar. Paper ini menghasilkan peramalan banyaknya jumlah persediaan beras di periode mendatang, sehingga pihak BULOG bisa membuat perencanaan persediaan beras yang efisien untuk memenuhi banyaknya beras yang harus disediakan di masa mendatang. 373

2 2. KAJIAN LITERATUR 2.1. Peramalan peramalan (forecasting) adalah prediksi, proyeksi, atau estimasi tingkat kejadian yang tidak pasti dimasa yang akan datang. Peramalan memerlukan pengambilan data historis dan memproyeksikannya ke masa depan dengan beberapa bentuk model matematis. Peramalan merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya bidang ekonomi. Peramalan pada umumnya digunakan untuk memprediksi pendapatan biaya, keuntungan, harga, dan berbagai variabel lainnya. Dalam lingkungan perusahaan, peramalan kebanyakan digunakan untuk memprediksi atau mengestimasi permintaan yang akan datang. Secara umum metode peramalan dapat diklasifikasi dalam dua kategori utama, yaitu metode kuantitatif dan metode kualitatif 2.2. Runtut waktu (Time Series) Data berkala adalah data yang dikumpulkan dari waktu ke waktu untuk menggambarkan suatu perkembangan atau kecenderungan peristiwa/kegiatan, biasanya jarak atau interval dari waktu ke waktu sama. Data berkala disebut juga time series data atau disingkat time series. Data runtut waktu (time series) merupakan data yang dikumpulkan, dicatat atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa tahunan, kuartalan, bulanan, mingguan dan di beberapa kasus harian atau jam. Runtun waktu dianalisis untuk menemukan pola variasi masa lalu yang dapat dipergunakan untuk memperkirakan nilai masa depan dan memenuhi permintaan di masa mendatang. Empat komponen dalam data runtut waktu mempengaruhi suatu pola data masa lalu dan sekarang, yang cenderung akan berulang di masa mendatang. Empat komponen yang ditemukan dalam analisis runtun waktu adalah gerakan trend, gerakan siklis, gerakan musiman, gerakan acak Metode Peramalan Exponential smoothing Exponential smoothing merupakan sekelompok metode yang menunjukkan pembobotan menurun secara exponential terhadap nilai pengamatan yang lebih lama. Metode exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil pilihan ini menentukan bobot yang dikenakan pada nilai observasi. Metode peramalan exponential smoothing menggunakan bobot berbeda untuk data masa lalu, bobotnya berciri menurun secara eksponensial dari titik data yang terakhir sampai dengan yang terawal, jika bobotnya diplot, dapat dilihat bahwa bobot tersebut menurun secara eksponensial. Metode ini memerlukan penentuan parameter, dimana parameter ini berfungsi untuk menentukan besarnya bobot yang tidak sama untuk data masa lalu, nilai parameter ini terletak antara 0 dan 1. Persamaan berikut merupakan bentuk umum yang digunakan dalam menghitung ramalan dengan metode exponential smoothing. + (1- Dengan : =merupakan nilai ramalan untuk periode mendatang = merupakan nilai konstanta pemulusan = merupakan nilai aktual dari data = merupakan nilai ramalan periode yang sebelumnya 2.4. Exponential Smoothing Triple (Winter,s) Metode yang digunakan apabila data mengandung unsur stasioner adalah metode rata-rata bergerak atau exponential smoothing tunggal. Metode Holt digunakan apabila datanya menunjukkan suatu trend linier. Tetapi jika datanya musiman, metode Winter dapat menangani faktor musiman secara langsung. Metode Winter s model aditif digunakan untuk time series yang menampilkan trend linear dan variasi musiman yang konstan, tingkat pertumbuhan dan pola musiman dapat bervariasi. Metode Winter s model multiplikatif digunakan untuk time series yang mengandung trend linear serta meningkatnya variasi musiman, tingkat pertumbuhan dan pola musiman mungkin berubah. Metode Winter s terdiri dari tiga persamaan dasar yang mendefinisikan level komponen. Dua asumsi dapat dibuat dengan hal yang berhubungan dari komponen ini. Asumsi tersebut yaitu asumsi efek multiplikatif dan efek aditif. Persamaan untuk efek multiplicative direpresentasikan sebagai berikut : 1. Pemulusan total 374

3 = 2. Pemulusan trend = ) + (1 - ) 3. Pemulusan musiman = 4. Peramalan metode Winter s + m) Persamaan additive direpresentasikan sebagai berikut: 1. Pemulusan total 2. Pemulusan trend = ) + (1 - ) 3. Pemulusan musiman = 4. Peramalan metode Winter s + m+ Dengan : = Nilai aktual yang meliputi musiman = Nilai pemulusan tunggal = Pemulusan trend = Pemulusan musiman = Panjang musiman (misalkan jumlah bulan atau kuartal dalam suatu tahun),, = Konstanta dengan nilai antara 0 & 1 M = Periode masa mendatang = Nilai ramalan 3. METODE PENELITIAN Data yang digunakan dalam paper ini adalah data sekunder atau data yang telah dikumpulkan pihak BULOG Divre Aceh. Data yang diperoleh berupa data time series bulanan yaitu data banyaknya persediaan beras setiap bulannya. Data yang digunakan adalah dari tahun 2011 sampai dengan 2014 yang berjumlah 48 bulan. Peramalan dalam paper ini bersifat kuantitatif menggunakan metode time series. Sedangkan metode analisis yang digunakan adalah metode peramalan dengan menggunakan metode Exponential Smoothing Triple (metode Winter s). Pengolahan data dilakukan dengan bantuan software Zaitun Time Series Adapun tahapan untuk menganalisis data tersebut adalah sebagai berikut: 1. Membuat plot data time series jumlah persediaan beras pada tahun untuk melihat data time series yang terbentuk serta mendeskripsikannya. 2. Membuat model peramalan dengan metode Exponential Smoothing Triple (metode Winter s). Langkah-langkah untuk membangun model peramalan dengan metode Winter s (model aditif dan model multiplikatif) adalah Menentukan taksiran nilai awal pemulusan keseluruhan, pemulusan trend dan indeks musiman Menentukan inisialisasi parameter α, β, secara trial and error (uji coba). Peletakan parameter tersebut yaitu Parameter α untuk pemulusan keseluruhan, β untuk pemulusan trend dan untuk pemulusan musiman. Nilai parameter yang digunakan yaitu 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9. Nilai parameter tersebut dikombinasikan sehingga mendapatkan nilai parameter yang meminimumkan kesalahan peramalan. Menghitung nilai pemulusan keseluruhan, pemulusan trend, pemulusan musiman dan nilai ramalan. Berturut-turut berdasarkan model multiplikatif dan model aditif. Menghitung kesalahan ramalan untuk meminimumkan MAPE. Mengoptimalkan nilai parameter dengan melacak nilai tersebut yang optimum dengan melihat nilai kesalahan yang paling kecil. 3. Membandingkan model multiplikatif dengan aditif dan memilih model terbaik untuk data persediaan beras. Ukuranukuran kesalahan atau MAPE yang minimum adalah model yang optimal. 4. Meramalkan jumlah persediaan beras pada BULOG Divre Aceh untuk 1 tahun mendatang dengan menggunakan model terbaik. 4. HASIL DAN PEMBAHASAN 4.1. Deskripsi data Data yang digunakan adalah data persediaan beras di perum BULOG Divre 375

4 Aceh dari tahun 2011 sampai Berikut merupakan plot data time series Gambar 4.2. Diagram batang persediaan beras pada 2011 s.d 2014 Gambar 4.1. Plot data persediaan beras Januari Desember 2014 Berdasarkan Gambar 4.1. dapat dilihat bahwa pada tahun 2011 persediaan beras tertinggi terjadi pada bulan April dan terendah pada bulan Februari. Di tahun 2012 persediaan beras tertinggi pada bulan Juni dan terendah pada bulan November. Pada tahun 2013 persediaan beras tertinggi pada bulan Juni dan terendah pada bulan Januari, sedangkan di tahun 2014 persediaan beras tertinggi pada bulan Juni dan terendah pada bulan April. Pola data yang terbentuk merupakan pola data yang musiman dimana terjadi fluktasi kenaikan jumlah persediaan beras pada bulan Mei, Juni, dan Juli pada setiap tahunnya. Penyebab dari tingginya persediaan beras pada bulan Mei, Juni dan Juli yaitu kemungkinan persiapan untuk menyambut bulan ramadhan dan hari raya Idul Fitri. Kenaikan yang sangat signifikan pada bulan April 2011, karena pada bulan April 2011 ada pemasukan beras dari luar negeri. Impor dilakukan ketika beras dalam negeri tidak mencukupi. Beras mengalami penurunan pada bulan November 2012 disebabkan oleh tidak ada pemasukan beras pada bulan tersebut. Gambar 4.1 menunjukkan bahwa data persediaan beras pada gudang BULOG Divre Aceh mengalami trend yang menurun, selain itu persediaan beras mengalami fluktuasi musiman yang memperlihatkan pola berulang pada bulan-bulan tertentu, seperti bulan Mei, Juni dan Juli.Volume persediaan beras untuk data pertahun dari tahun 2011 sampai tahun 2014 dapat dilihat pada Gambar 4.2 Pada gambar 4.2 dapat dilihat bahwa persediaan beras pada BULOG Divre Aceh mengalami puncak tertinggi pada tahun 2013, sedangkan pada tahun 2012 persediaan beras menjadi yang terendah. Persediaan beras pada tahun 2013 merupakan persediaan beras yang tertinggi dibandingkan dengan tahun 2011, 2012 dan 2014, karena pada tahun tersebut mengalami pemasukan beras yang sangat tinggi namun pengeluarannya hanya sedikit. Pada tahun 2011, 2012 dan 2014 lebih besar pengeluaran beras dibandingkan dengan pemasukannya. Persediaan beras terendah terjadi pada tahun 2012 yang dikarenakan pemasukan beras paling sedikit namun jumlah pengeluaran beras lebih besar. Secara keseluruhan tahun 2011 pada BULOG Divre Aceh menampung jumlah persediaan beras yang tinggi. Namun jumlah persediaan beras mengalami penurunan pada tahun 2012, setelah itu mengalami fluktasi kenaikan persediaan beras pada tahun 2013, sedangkan pada tahun 2014 persediaan beras kembali menurun Peramalan Persediaan Beras pada BULOG Divre Aceh dengan Menggunakan Metode Winter s Exponential Smoothing Langkah yang dilakukan untuk memperoleh persamaan Winter s exponential smoothing antara lain adalah sebagai berikut : a. Tahap inisialisasi nilai awal, dan Winter s exponential smoothing membutuhkan nilai awal komponen untuk memulai perhitungan. Untuk menginisialisasi metode peramalan Winter s, diperlukan nilai awal untuk pemulusan keseluruhan, pemulusan trend dan indeks musiman 376

5 Untuk mendapatkan estimasi nilai awal dari indeks musiman, diperlukan data lengkap selama satu musim. Dengan demikian, nilai trend dan pemulusan diinisialisasi pada periode s. Nilai awal konstanta pemulusan didapatkan menggunakan persamaan (2.12) dengan nilai rata-rata musim pertama. Data yang digunakan dimulai dari tahun 2011 sampai dengan 2014 sehingga musim pertama yaitu data pada tahun 2011 y merupakan nilai aktual data (dalam satuan Kg), diperoleh nilai : y1= y7 = y2= y8 = y3= y9 = y4= y10= y5= y11= y6= y12= Sehingga didapat nilai awal pemulusan keseluruhan sebagai berikut : y=y1+y2+y3+y4+y5+y6+y7+y8+y9+y10 = = Selanjutnya untuk menginisialisasi trend dengan menggunakan data lengkap selama 2 musim (2 periode) yaitu data pada tahun 2011 dengan data pada tahun merupakan nilai data aktual persediaan beras dari bulan Januari sampai Desember pada tahun 2011, sedangkan merupakan nilai data aktual persediaan beras dari bulan Januari sampai Desember pada tahun Setelah perhitungan dilakukan didapat nilai = Setelah itu menginisialisasi indeks musiman dengan menggunakan rasio dari data tahun pertama yaitu tahun 2011 dengan ratarata data tahun pertama, dengan menggunakan persamaan (2.14). Nilai awal pemulusan musiman diperlukan saat perhitungan nilai pemulusan musiman, berikut merupakan nilai awal pemulusan musiman, dapat dilihat pada tabel 4.1. Tabel 4.1. Nilai awal pemulusan musiman Bulan Nilai awal pemulusan musiman Januari 0,84 Februari 0,28 Maret 0,66 April 2,05 Mei 1,58 Juni 1,49 Juli 1,29 Agustus 1,08 September 0,94 Oktober 0,61 Nopember 0,6 Desember 0,59 Nilai awal pemulusan keseluruhan, pemulusan trend, dan pemulusan musiman yang telah didapatkan kemudian disubtitusi kedalam model multiplikatif dan model aditif. b. Tahap inisialisasi parameter α, β dan Nilai setiap parameter berkisar antara 0 dan 1. Namun nilai parameter tersebut dibatasi pada nilai satu desimal, yaitu 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9 masing-masing untuk parameter α, β dan. Nilai-nilai parameter α, β dan dipilih nilai yang dapat meminimumkan kesalahan dalam peramalan yaitu nilai MAPE dan MSE. Menghitung nilai kesalahan dalam peramalan untuk melihat keakuratan dalam meramalkan. Nilai MSE dan MAPE didapatkan setelah melakukan peramalan. Nilai peramalan didapat dengan mensubtitusikan nilai parameter pada pemulusan keseluruhan, pemulusan trend dan pemulusan musiman, masing-masing sesuai model yaitu secara model aditif dan model multiplikatif. Kombinasi nilai parameter terus dilakukan hingga mendapatkan nilai kesalahan yang terkecil. Pada Winter s exponential smoothing model multiplikatif didapat nilai parameter α = 0.4, β = 0.1, = 0.1, nilai konstanta pemulusan tersebut menghasilkan kesalahan yang minimum, dengan nilai MSE = dan MAPE = 27,9 %. Sedangkan pada model aditif didapat nilai parameter α = 0.5, β = 0.1, = 0.1 dengan nilai MSE = dan MAPE = 26,4 %. Nilai parameter α dipilih nilai yang mendekati 0 supaya ramalan yang baru akan mencakup penyesuain kesalahan yang kecil. Jika α mempunyai nilai mendekati 1, maka ramalan yang baru akan mencakup penyesuain kesalahan yang besar pada ramalan 377

6 sebelumnya. Selain itu, dipilih nilai parameter α = 0.5 pada model aditif karena memiliki nilai MSE dan MAPE paling minimum diantara nilai parameter yang lain. Nilai kesalahan untuk setiap kombinasi konstanta parameter α, β dan pada model aditif dan model multiplikatif nilai kesalahan setiap parameter bisa dilihat pada tabel 4.2 dan tabel 4.3 berturut-turut sebagai berikut Tabel 4.2. Nilai kesalahan untuk setiap kombinasi konstanta parameter α, β dan pada model aditif WINTER ADITIF α γ β MSE MAPE (%) Tabel 4.3. Nilai kesalahan untuk setiap kombinasi konstanta parameter α, β dan pada model multiplikatif WINTER MULTIPLIKATIF α γ β MSE MAPE (%) c. Tahap peramalan dengan menghitung nilai pemulusan keseluruhan, trend dan musiman. 1) Model multiplikatif Berdasarkan konstanta pemulusan yang diperoleh, maka persamaan Winter s exponential smoothing dengan model multiplikatif untuk meramalkan persediaan beras pada BULOG Divre Aceh dapat dituliskan sebagai berikut : 1. Pemulusan Total 2. Pemulusan Trend 3. Pemulusan Musiman 4. Pemulusan metode Winter s Nilai parameter didapat secara trial dan error, nilai yang dipilih yaitu nilai kesalahannya terkecil, sehingga didapat nilai = 0.4, = 0.1 dan = ) Model aditif Berdasarkan konstanta pemulusan yang diperoleh, maka persamaan Winter s exponential smoothing dengan model aditif untuk meramalkan persediaan beras pada BULOGDivreAceh dapat dituliskan sebagai berikut. 1. Pemulusan Total 2. Pemulusan Trend 3. Pemulusan Musiman 4. Pemulusan metode Winter s Nilai parameter didapat secara trial dan error, nilai yang dipilih yaitu nilai kesalahannya terkecil, sehingga didapat nilai = 0.5, = 0.1 dan = Menbandingkan model multiplikatif dengan model aditif Setiap peramalan memiliki kesalahan dalam meramalkan, evaluasi hasil peramalan digunakan untuk mengetahui keakuratan hasil peramalan yang telah dilakukan terhadap data yang sebenarnya. Perbandingan dilakukan dengan melihat hasil pengukuran tingkat kesalahan model, pengukuran kesalahan model dalam penelitian ini menggunakan MSE dan MAPE, yang diharapkan nilainya sangat kecil dan dapat mempresentasikan data. Perbandingan nilai kesalahan peramalan MSE dan MAPE yang dihasilkan metode Winter s 378

7 exponential smoothing untuk model multiplikatif dan model aditif Tabel 4.4. Perbandingan akurasi nilai peramalan persediaan beras pada gudang BULOG Divre Aceh Kesalahan Peramalan Model MSE MAPE (%) Multiplikatif Aditif Berdasarkan Tabel 4.4, metode Winter s exponential smoothing dengan model aditif didapat nilai MAPE lebih kecil dari pada model multiplikatif, sehingga model aditif merupakan model terbaik karena memiliki tingkat kesalahan yang paling kecil, dengan konstanta pemulusan α = 0.5, β = 0.1, = 0.1. Model ini menghasilkan nilai kesalahan peramalan yang terkecil dengan MSE= dan MAPE=26.4 %, nilai MAPE menunjukkan bahwa hasil peramalan yang diperoleh termasuk kriteria yang cukup baik dengan tingkat kesalahan atau penyimpangan dari data sebenarnya sebesar 26.4 % Meramalkan jumlah persediaan beras pada BULOG Divre Aceh Peramalan jumlah persediaan beras menggunakan tiga tahap pemulusan, yaitu pemulusan keseluruhan, pemulusan trend dan pemulusan musiman selanjutnya menghitung nilai ramalan untuk periode mendatang yaitu pada tahun Nilai parameter didapat secara trial dan error, nilai yang dipilih yaitu nilai kesalahannya terkecil, sehingga didapat nilai = 0.5, = 0.1 dan = 0.1. nilai digunakan pada pemulusan total, untuk pemulusan trend. Grafik perbandingan nilai aktual dan nilai ramalan jumlah persediaan beras pada BULOG Divre Aceh tahun 2011 sampai dengan 2014 dengan menggunakan metode Winter s exponential smoothing untuk model aditif dengan konstanta pemulusan α = 0.5, β = 0.1 dan = 0.1 ditunjukkan pada Gambar 4.3. Gambar 4.3. Grafik nilai aktual dan ramalan persediaan beras pada gudang BULOG Divre Aceh tahun 2011 s.d dengan model aditif. Grafik 4.3. menunjukkan bahwa nilai ramalan hampir mendekati nilai sebenarnya. Hal ini dibuktikan dengan plot data hasil peramalan mengikuti pola data aktual. Titik puncak jumlah persediaan beras tertinggi terletak di bulan Mei, Juni, Juli pada setiap tahunnya. Nilai data prediksi pada bulan April tahun 2011 lebih rendah dari pada nilai data aktualnya, sedangkan nilai data prediksi pada tahun 2014 lebih tinggi dibandingkan nilai data aktual, sehingga menyebabkan deviasinya besar. Hal ini disebabkan karena nilai data aktual tertinggi yaitu pada bulan April tahun 2011 dibandingkan nilai data aktual pada bulan-bulan lain pada setiap tahunnya, karena metode Winter s exponential smoothing meramalkan dengan mengikuti pola data, maka pada nilai prediksi bulan April menjadi lebih tinggi ramalan dari pada aktual, supaya menyeimbangkan dengan data sebelumnya, nilai data aktual tinggi nilai prediksi relatif tinggi simpangannya. Panen raya juga terjadi pada bulan April berdasarkan info yang diberikan pihak BULOG melalui hasil wawancara. Persediaan beras pada gudang BULOG Divre Aceh untuk periode satu tahun mendatang berdasarkan hasil peramalan juga mengalami peningkatan pada bulai Mei, Juni dan Juli, dan mununjukkan pola musiman yang berulang seperti tahun-tahun sebelumnya. Hasil peramalan persediaan beras pada gudang BULOG Divre Aceh dengan metode Winter s exponential smoothing untuk model aditif dengan konstanta pemulusan α = 0.5, β = 0.1, = 0.1 adalah sebagai berikut. Tabel 4.5. Hasil peramalan persediaan beras pada gudang BULOG Divre Aceh tahun

8 Periode Ramalan (Kg) Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Jumlah persediaan beras pada tahun 2015 lebih tinggi dari pada tahun 2014, kenaikan persediaan beras mencapai kg. Pola musiman yang terbentuk sama seperti tahun sebelumnya yang meningkat pada bulan Mei, Juni dan Juli. 5. KESIMPULAN Berdasarkan hasil analisis yang telah dilakukan model terbaik yang digunakan untuk melakukan peramalan jumlah persediaan beras pada BULOG Divre Aceh adalah metode Winter s exponential smoothing model aditif yang menunjukkan nilai kesalahan paling kecil dibandingkan model multiplikatif. Metode Winter s exponential smoothing model aditif menghasilkan nilai kesalahan MSE = dan MAPE = 26 %. Pola data yang terbentuk dari data persediaan beras pada BULOG Divre Aceh menunjukkan trend serta mengalami fluktuasi musiman yang memperlihatkan pola berulang yang bulanbulan tertentu persediaan beras memuncak, seperti bulan Mei, Juni, dan Juli.Berdasarkan hasil peramalan untuk tahun 2015, jumlah persediaan beras pada BULOG Divre Aceh mengalami kenaikan sebesar kg dari tahun Pola data yang terbentuk sama seperti tahun sebelumnya, dimana pada setiap bulan Mei, Juni dan Juli jumlah persediaan beras memuncak. 6. REFERENSI Anggraeni, W., Rahmadiani, A Implementasi Fuzzy Neural Network untuk memperkirakan jumlah kunjungan pasien. Jurnal Sistem Informasi. Vol. 4 : Boediono., Koster W Teori dan Aplikasi Statistika dan Probabilitas. Remaja Rosdakarya. Bandung. Fathony, R.Z.A., Wibowo, S.H., Anas, K., Amelia, L (Tim Pengembangan Aplikasi Zaitun Time Series) Petunjuk Penggunaan Zaitun Time Series Bahasa Indonesia. Idmanual.pdf. Tanggal akses 26 September Habsari, Vanissa Perbandingan Metode Dekomposisi Klasik dengan Metode Pemulusan Eksponensial Holt-Winter dalam Meramalkan Tingkat Pencemaran Udara Di Kota Bandung Periode Skripsi tugas akhir. Jakarta Jatra, Angga P., Nohe, Darnah A., & Syaripuddin Peramalan Indeks Harga Konsemen kota Samarinda Dengan Metode Double Exponential Smoothing Dari Brown. Jurnal EKSPONENSIAL. Vol. 4 : Javedani, Hossein., Lee, M.H., Suhartono An Evaluation of Some Classical Methods for Forecasting Electricity Usage on a Specific Problem. Journal of Statistical Modeling and Analytics. Vol. 2 : Kuncoro, Mudrajad Metode Kuantitatif : Teori dan Aplikasi untuk Bisnis dan Ekonomi. Unit penerbit dan percetakan (UPP) STIM YKPN. Yokyakarta. Lazim, Mohd Alias Introductory Business Forecasting. Straits Digital Sdn. Malaysia. Lind, Douglas A., Marchal, William G., Mason, Robert D Statistical Tehniques in Business and Economics. Photodisc Inc. Singapore. Makridakis, S., Wheelwright, S.C., dan McGee, V.E Metode dan Aplikasi Peramalan. Terjemahan dari Forecasting : Methods and Aplications, oleh Hari Suminto, Binarupa Aksara. Jakarta. Raharja, Alda Penerapan Metode Exponential Smoothing untuk Peramalan Penggunaan Waktu Telepon di PT. Telkomsel. Surabaya. Render, Barry., Heizer, Jay Prinsip-prinsip Manajemen Operasi. Selemba Empat. Jakarta. Sahli, Muchamad Penerapan Metode Eksponential Smoothing Dalam Sistem Informasi Pengendalian Persediaan Bahan Baku (Studi Kasus Toko Tirta Harum). Jurnal SIMETRIS. Vol. 3 : Sugiarto, Dergibson Siagian Metode Statistika untuk Bisnis dan Ekonomi. Gramedia Pustaka Utama. Jakarta. Suhartono., Subanar., Suryo, G A Comparative Study of Forecasting Models for Trend and Seasonal Time Series. Jurnal Teknik Industri. Vol. 7 :

METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT

METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU ABSTRACT METODE PERAMALAN HOLT-WINTER UNTUK MEMPREDIKSI JUMLAH PENGUNJUNG PERPUSTAKAAN UNIVERSITAS RIAU Encik Rosalina 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Peramalan Peramalan (forecasting) merupakan upaya memperkirakan apa yang terjadi pada masa yang akan datang. Pada hakekatnya peramalan hanya merupakan suatu perkiraan (guess),

Lebih terperinci

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK

BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK BAB III METODE PEMULUSAN EKSPONENSIAL HOLT-WINTER DAN METODE DEKOMPOSISI KLASIK 3.1 Metode Pemulusan Eksponensial Holt-Winter Metode rata-rata bergerak dan pemulusan Eksponensial dapat digunakan untuk

Lebih terperinci

BAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para

BAB I PENDAHULUAN. Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para 1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Sejak kondisi ekonomi dan bisnis selalu berubah setiap waktu, maka para pimpinan suatu perusahaan atau para pelaku bisnis harus menemukan cara untuk terus

Lebih terperinci

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION

OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION OPTIMASI PARAMETER α DAN γ DALAM PEMULUSAN EKSPONENSIAL DUA PARAMETER DENGAN METODE MODIFIKASI GOLDEN SECTION NILA YUWIDA 1208100015 Dosen Pembimbing : Dra. Nuri Wahyuningsih, M.Kes Drs. Lukman Hanafi,

Lebih terperinci

PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA

PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA SISTEM PENDUKUNG KEPUTUSAN PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENGGUNAAN WAKTU TELEPON DI PT TELKOMSEL Divre 3 SURABAYA Alda Raharja - 5206 100 008! Wiwik Anggraeni, S.Si, M.Kom! Retno

Lebih terperinci

BAB I PENDAHULUAN. yang ada pada CV. Agung Jaya Cabang Pabean diperoleh dari supplier atau

BAB I PENDAHULUAN. yang ada pada CV. Agung Jaya Cabang Pabean diperoleh dari supplier atau BAB I PENDAHULUAN 1.1 Latar Belakang Masalah CV. Agung Jaya Cabang Pabean adalah cabang perusahaan CV. Agung Jaya Kalang Anyar Sedati. CV. Agung Jaya Cabang Pabean merupakan distributor alat tulis kantor

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan merupakan studi terhadap data historis untuk menemukan hubungan, kecenderungan dan pola data yang sistematis (Makridakis, 1999). Peramalan menggunakan pendekatan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. Sedangkan

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi

BAB 2 TINJAUAN TEORITIS. yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan terjadi BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Ramalan adalah situasi dan kondisi yang diperkirakan akan

Lebih terperinci

Evelina Padang, Gim Tarigan, Ujian Sinulingga

Evelina Padang, Gim Tarigan, Ujian Sinulingga Saintia Matematika Vol. 1, No. 2 (2013), pp. 161 174. PERAMALAN JUMLAH PENUMPANG KERETA API MEDAN-RANTAU PRAPAT DENGAN METODE PEMULUSAN EKSPONENSIAL HOLT-WINTERS Evelina Padang, Gim Tarigan, Ujian Sinulingga

Lebih terperinci

Dian Kristanti 1) 1 Prodi Pendidikan Matematika, STKIP Bina Bangsa Meulaboh.

Dian Kristanti 1) 1 Prodi Pendidikan Matematika, STKIP Bina Bangsa Meulaboh. PERAMALAN JUMLAH PENDISTRIBUSIAN BAHAN BAKAR MINYAK DI PT. PERTAMINA (PERSERO) REGION III DEPOT MALANG MENGGUNAKAN METODE WINTER DAN METODE DEKOMPOSISI Dian Kristanti 1) 1 Prodi Pendidikan Matematika,

Lebih terperinci

(FORECASTING ANALYSIS):

(FORECASTING ANALYSIS): ANALISIS KUANTITATIF ANALISIS PERAMALAN Hand-out ke-3 ANALISIS PERAMALAN (FORECASTING ANALYSIS): Contoh-contoh sederhana PRODI AGRIBISNIS UNEJ, 2017 PROF DR IR RUDI WIBOWO, MS Contoh aplikasi tehnik peramalan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013

BAB I PENDAHULUAN 1.1. Latar Belakang Vanissa Hapsari,2013 BAB I PENDAHULUAN 1.1. Latar Belakang Tingkat pencemaran udara di beberapa kota besar cenderung meningkat dari tahun ke tahun. Hal ini disebabkan oleh beberapa faktor diantaranya jumlah transportasi terus

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1. Peramalan 2.1.1. Pengertian dan Kegunaan Peramalan Peramalan (forecasting) menurut Sofjan Assauri (1984) adalah kegiatan memperkirakan apa yang akan terjadi pada masa yang

Lebih terperinci

PREDIKSI HARGA DAGING SAPI DI PEKANBARU DENGAN METODE PEMULUSAN EKSPONENSIAL TRIPEL WINTER

PREDIKSI HARGA DAGING SAPI DI PEKANBARU DENGAN METODE PEMULUSAN EKSPONENSIAL TRIPEL WINTER PREDIKSI HARGA DAGING SAPI DI PEKANBARU DENGAN METODE PEMULUSAN EKSPONENSIAL TRIPEL WINTER Rahmadeni 1, Evi Febriantikasari 2 Jurusan Matematika, Fakultas Sains dan Teknologi,UIN Sultan Syarif Kasim Riau

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan sering dipandang sebagai seni dan ilmu dalam memprediksikan kejadian yang mungkin dihadapi pada masa yang akan datang. Secara teoritis peramalan

Lebih terperinci

METODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN ABSTRACT

METODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN ABSTRACT METODE PEMULUSAN EKSPONENSIAL WINTER UNTUK PERAMALAN Arganata Manurung 1, Bustami 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Desain Penelitian Dari uraian latar belakang masalah, penelitian ini dikategorikan ke dalam penelitian kasus dan penelitian lapangan. Menurut Rianse dan Abdi dalam Surip (2012:33)

Lebih terperinci

KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU

KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU Bimaster Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No.3 (2013), hal 205-210 KAJIAN TEORITIS HYBRIDIZING EXPONENTIAL SMOOTHING DAN NEURAL NETWORK UNTUK PERAMALAN DATA RUNTUN WAKTU Muhlasah

Lebih terperinci

SKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA

SKRIPSI APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING. Disusun oleh: DANI AL MAHKYA APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING SKRIPSI Disusun oleh: DANI AL MAHKYA 24010210141025 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS

Lebih terperinci

BAB III PERAMALAN DENGAN METODE DEKOMPOSISI. (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi masingmasing

BAB III PERAMALAN DENGAN METODE DEKOMPOSISI. (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi masingmasing BAB III PERAMALAN DENGAN METODE DEKOMPOSISI 3.1 Metode Dekomposisi Prinsip dasar dari metode dekomposisi deret berkala adalah mendekomposisi (memecah) data deret berkala menjadi beberapa pola dan mengidentifikasi

Lebih terperinci

PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN

PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN PENERAPAN ALGORITMA FORECASTING UNTUK PREDIKSI PENDERITA DEMAM BERDARAH DENGUE DI KABUPATEN SRAGEN Ryan Putranda Kristianto 1), Ema Utami 2), Emha Taufiq Lutfi 3) 1, 2,3) Magister Teknik informatika STMIK

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara 13 BAB 1 PENDAHULUAN 1.1 Latar Belakang Era globalisasi saat ini, perkembangan zaman semankin maju dan berkembang pesat, di antaranya banyak pernikahan dini yang menyebabkan salah satu faktor bertambahnya

Lebih terperinci

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI

PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL MERPATI Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 04, No. 3 (2015), hal 251 258. PERBANDINGAN KEEFEKTIFAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH PENGUNJUNG HOTEL

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Emas merupakan logam mulia yang sering dijadikan sebagai alat tukar dalam perdagangan maupun sebagai standar keuangan berbagai negara. Nilai emas yang tidak pernah

Lebih terperinci

BAB 2 TINJAUAN TEORITIS

BAB 2 TINJAUAN TEORITIS BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Peramalan adalah kegiatan meramalkan atau memprediksi apa yang akan terjadi dimasa yang akan datang dengan waktu tenggang (lead time) yang relative lama,

Lebih terperinci

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU

PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU PENGGUNAAN METODE SMOOTHING EKSPONENSIAL DALAM MERAMAL PERGERAKAN INFLASI KOTA PALU Romy Biri ), Yohanes A.R. Langi ), Marline S. Paendong ) ) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl.

Lebih terperinci

Harwein et al., Peramalan Data Times Series Kebutuhan Tepung Terigu Sebagai Bahan Baku Pembuatan Roti...

Harwein et al., Peramalan Data Times Series Kebutuhan Tepung Terigu Sebagai Bahan Baku Pembuatan Roti... TEKNOLOGI HASIL PERTANIAN PERAMALAN DATA TIMES SERIES KEBUTUHAN TEPUNG TERIGU SEBAGAI BAHAN BAKU PEMBUATAN ROTI (Studi Kasus di PT. Inti Cakrawala Citra Jember Jawa Timur) FORECASTING OF WHEAT FLOUR AS

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Pada bab ini akan dijelaskan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan selanjutnya. Teori tersebut meliputi arti dan peranan

Lebih terperinci

Membuat keputusan yang baik

Membuat keputusan yang baik Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi masa yang akan datang

Lebih terperinci

PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER

PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER PENGGUNAAN ALGORITMA NONLINEAR PROGRAMMING UNTUK MENGOPTIMALKAN PARAMETER DALAM METODE PEMULUSAN EKSPONENSIAL SATU PARAMETER Nama Mahasiswa : Eka Novi Nurhidayati NRP : 1208 100 040 Jurusan : Matematika

Lebih terperinci

PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT

PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT SIG TUGAS AKHIR PERAMALAN PENJUALAN AVTUR DENGAN MEMPERTIMBANGKAN SPECIAL EVENT Siti Lukmatul Henifa (1210 100 064) Pembimbing: Dra. Nuri Wahyuningsih, M.Kes. Senin, 20 Januari 2014 Matematika - ITS Page

Lebih terperinci

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit

BAB 2 LANDASAN TEORI. Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi jagung merupakan hasil bercocok tanam, dimana dilakukan penanaman bibit tanaman pada lahan yang telah disediakan, pemupukan dan perawatan sehingga

Lebih terperinci

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN

METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN METODE KUANTITATIF, MENGGUNAKAN BERBAGAI MODEL MATEMATIS YANG MENGGUNAKAN DATA HISTORIES DAN ATAU VARIABLE-VARIABEL KAUSAL UNTUK MERAMALKAN Peramalan kuantitatif hanya dapat digunakan apabila terdapat

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH

BAB 3 LANGKAH PEMECAHAN MASALAH 49 BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Standar Optimasi Dasar evaluasi untuk mengoptimalkan supply chain management pada Honda Tebet (PT. Setianita Megah Motor) dari proses bisnis perusahaan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Konsep Peramalan Peramalan ( forecasting) merupakan alat bantu yang penting dalam perencanaan yang efektif dan efisien khususnya dalam bidang ekonomi. Dalam organisasi modern

Lebih terperinci

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER

VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER VI PERAMALAN PENJUALAN AYAM BROILER DAN PERAMALAN HARGA AYAM BROILER 6.1. Analisis Pola Data Penjualan Ayam Broiler Data penjualan ayam broiler adalah data bulanan yang diperoleh dari bulan Januari 2006

Lebih terperinci

JURNAL MATEMATIKA MANTIK Edisi: Oktober Vol. 02 No. 01 ISSN: E-ISSN:

JURNAL MATEMATIKA MANTIK Edisi: Oktober Vol. 02 No. 01 ISSN: E-ISSN: ISSN: 25273159 EISSN: 25273167 PENERAPAN METODE EXPONENTIAL SMOOTHING UNTUK PERAMALAN JUMLAH KLAIM DI BPJS KESEHATAN PAMEKASAN Faisol 1, Sitti Aisah 2 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan

Lebih terperinci

S (t)=ax(t)+(1-a)s t-1 (2) S (t)=asn(t)+(1-a)s t-1 (3) F(t+m)=S(t)+mb(t) (4)

S (t)=ax(t)+(1-a)s t-1 (2) S (t)=asn(t)+(1-a)s t-1 (3) F(t+m)=S(t)+mb(t) (4) Ju rnal)lm iah. %2O 6ol.,. o. data ini terjadi jika terdapat data yang berfluktuasi di sekitar nilai rata-rata yang konstan. Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto

BAB 2 TINJAUAN TEORITIS. 2.1 Produk Domestik Regional Bruto 18 BAB 2 TINJAUAN TEORITIS 2.1 Produk Domestik Regional Bruto Dalam menghitung pendapatan regional, dipakai konsep domestik. Berarti seluruh nilai tambah yang ditimbulkan oleh berbagai sektor atau lapangan

Lebih terperinci

METODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN ABSTRACT

METODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN ABSTRACT METODE MOVING AVERAGE DAN METODE WINTER DALAM PERAMALAN Widya Risnawati Siagian 1, Sigit Sugiarto 2, M.D.H. Gamal 2 1 Mahasiswa Program Studi S1 Matematika FMIPA Universitas Riau 2 Dosen Fakultas Matematika

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 4 BAB II TINJAUAN PUSTAKA 1.1 Landasan Teori 1.1.1 Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa indonesia, prediksi adalah hasil dari kegiatan memprediksi atau

Lebih terperinci

BAB 2 LANDASAN TEORITIS

BAB 2 LANDASAN TEORITIS BAB 2 LANDASAN TEORITIS 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan memperkirakan atau memprediksikan apa yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 1 BAB 2 LANDASAN TEORI Bab ini membahas tentang teori penunjang dan penelitian sebelumnya yang berhubungan dengan metode ARIMA box jenkins untuk meramalkan kebutuhan bahan baku. 2.1. Peramalan Peramalan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. PengertianPeramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang. Dalam usaha mengetahui atau melihat perkembangan di masa depan,

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Di Era globalisasi saat ini, kartu kredit digunakan sebagai salah satu alternatif pengganti transaksi dengan uang tunai. Seiring dengan perkembangan zaman, pola prilaku

Lebih terperinci

Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing

Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential Smoothing Jurnal Ilmiah Teknologi dan Informasi ASIA (JITIKA) Vol.11, No.1, Februari 2017 ISSN: 0852-730X Peramalan Jumlah Penumpang Pada Siluet Tour And Travel Kota Malang Menggunakan Metode Triple Exponential

Lebih terperinci

Peramalan Penjualan Avtur dengan Mempertimbangkan Special Event

Peramalan Penjualan Avtur dengan Mempertimbangkan Special Event Peramalan Penjualan Avtur dengan Mempertimbangkan Special Event Siti Lukmatul Henifa, Dra. Nuri Wahyuningsih, M.Kes. Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam (MIPA), Institut Teknologi

Lebih terperinci

Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api

Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Metode Variasi Kalender untuk Meramalkan Banyaknya Penumpang Kereta Api Efek Variasi Kalender dengan Pendekatan Regresi Time Series Nur Ajizah 1, Resa Septiani Pontoh 2, Toni Toharudin 3 Mahasiswa Program

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Matematika memegang peranan penting dalam kehidupan. Selain sebagai salah satu kajian ilmu utama dalam pendidikan, matematika juga berperan untuk menunjang ilmu-ilmu

Lebih terperinci

APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING ABSTRACT

APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA METODE EXPONENTIAL SMOOTHING ABSTRACT ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 605-614 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian APLIKASI METODE GOLDEN SECTION UNTUK OPTIMASI PARAMETER PADA

Lebih terperinci

BAB V ANALISA HASIL Perbandingan Akurasi Hasil Peramalan MC Tire IRC Tube Type. menganalisa produk MC Tire IRC Tube Type, sebagai berikut :

BAB V ANALISA HASIL Perbandingan Akurasi Hasil Peramalan MC Tire IRC Tube Type. menganalisa produk MC Tire IRC Tube Type, sebagai berikut : BAB V ANALISA HASIL 5.1. Perbandingan Akurasi Hasil Peramalan MC Tire IRC Tube Type Berdasarkan hasil pengolahan data, maka dapat dibandingkan seluruh ukuran kesalahan peramalan atas metode peramalan yang

Lebih terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Pengumpulan Data Pengumpulan data yang dilakukan dengan cara pengamatan dari dokumen perusahaan. Data yang di perlukan meliputi data penjualan produk Jamur Shiitake,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Peramalan (forecasting) 2.1.1. Hubungan Forecast dengan Rencana Forecast adalah peramalan apa yang akan terjadi pada waktu yang akan datang, sedang rencana merupakan penentuan apa

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 20 BAB 2 LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah pemikiran terhadap suatu besaran, misalnya permintaan terhadap satu atau beberapa produk pada periode yang akan datang.

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Bab ini membahas teori penunjang dan penelitian sebelumnya yang berhubungan dengan penerapan metode Holt-Winters untuk prediksi penjualan barang musiman. 2.1 Teknik Peramalan Peramalan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Manajemen Operasional Menurut Jay Heizer dan Barry Render (2010 : 4), manajemen operasi adalah serangkaian aktivitas yang menghasilkan nilai dalam bentuk barang dan

Lebih terperinci

MENENTUKAN PENJUALAN PRODUK TERBAIK DI PERUSAHAAN X DENGAN METODE WINTER EKSPONENSIAL SMOOTHING DAN METODE EVENT BASED

MENENTUKAN PENJUALAN PRODUK TERBAIK DI PERUSAHAAN X DENGAN METODE WINTER EKSPONENSIAL SMOOTHING DAN METODE EVENT BASED J. Math. and Its Appl. E-ISS: 2579-8936 P-ISS: 1829-605X Vol. 14, o. 1, Mei 2017, 25 35 MEETUKA PEJUALA PRODUK TERBAIK DI PERUSAHAA X DEGA METODE WITER EKSPOESIAL SMOOTHIG DA METODE EVET BASED Farida Agustini

Lebih terperinci

PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL GANDA HOLT DENGAN METODE PEMULUSAN EKSPONENSIAL GANDA BROWN

PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL GANDA HOLT DENGAN METODE PEMULUSAN EKSPONENSIAL GANDA BROWN PERBANDINGAN METODE PEMULUSAN EKSPONENSIAL GANDA HOLT DENGAN METODE PEMULUSAN EKSPONENSIAL GANDA BROWN skripsi disajikan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi Matematika

Lebih terperinci

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di: ISSN: 2339-254 JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 205, Halaman 957-966 Online di: http://ejournal-s.undip.ac.id/index.php/gaussian PREDIKSI NILAI KURS DOLLAR AMERIKA MENGGUNAKAN EXPONENTIAL SMOOTHING

Lebih terperinci

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( )

PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati ( ) TUGAS AKHIR PERENCANAAN JUMLAH PRODUK MENGGUNAKAN METODE FUZZY MAMDANI BERDASARKAN PREDIKSI PERMINTAAN Oleh: Norma Endah Haryati (1207 100 031) Dosen Pembimbing: Drs. I G Ngurah Rai Usadha, M.Si Dra. Nuri

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertian Peramalan Peramalan (forecasting) adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang. Peramalan diperlukan karena adanya kesenjaan waktu

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pengolahan buah dan sayuran menjadi produk siap saji memiliki nilai tambah tersendiri bagi pasar. Salah satunya adalah pengolahan buah dan sayuran menjadi makanan ringan

Lebih terperinci

BAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi

BAB 3 LANGKAH PEMECAHAN MASALAH. Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Seiring dengan meningkatknya pangsa pasar, permintaan konsumen juga menjadi semakin sulit untuk diperkirakan. Selama ini, manajer PT. Focus

Lebih terperinci

Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model

Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Peramalan Deret Waktu Menggunakan S-Curve dan Quadratic Trend Model Ni Kadek Sukerti STMIK STIKOM Bali Jl. Raya Puputan

Lebih terperinci

PERBANDINGAN PERAMALAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING HOLT-WINTERS DAN ARIMA

PERBANDINGAN PERAMALAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING HOLT-WINTERS DAN ARIMA UJM 6 (1) (2017) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm PERBANDINGAN PERAMALAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING HOLT-WINTERS DAN ARIMA Tias Safitri, Nurkaromah

Lebih terperinci

BAB. 1 PENDAHULUAN Latar Belakang

BAB. 1 PENDAHULUAN Latar Belakang 1 BAB. 1 PENDAHULUAN 1.1. Latar Belakang Kain adalah bahan mentah yang dapat dikelola menjadi suatu pakaian yang mempunyai nilai financial dan konsumtif dalam kehidupan, seperti pembuatan baju. Contohnya

Lebih terperinci

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP

Team project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis

Lebih terperinci

BAB II LANDASAN TEORI. saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan

BAB II LANDASAN TEORI. saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan BAB II LANDASAN TEORI 2.1 Pengertian Sistem Menurut Amsyah (2005), definisi sistem adalah elemen-elemen yang saling berhubungan membentuk suatu kesatuan atau organisasi atau suatu jaringan kerja dari prosedur

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. 1.1 Pendahuluan. Universitas Sumatera Utara BAB 1 PENDAHULUAN 1.1 Pendahuluan Peramalan merupakan upaya memperkirakan apa yang terjadi pada masa mendatang berdasarkan data pada masa lalu, berbasis pada metode ilmiah dan kualitatif yang dilakukan

Lebih terperinci

PERENCANAAN PRODUKSI

PERENCANAAN PRODUKSI PERENCANAAN PRODUKSI Membuat keputusan yang baik Apakah yang dapat membuat suatu perusahaan sukses? Keputusan yang dibuat baik Bagaimana kita dapat yakin bahwa keputusan yang dibuat baik? Akurasi prediksi

Lebih terperinci

RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW)

RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW) Jurnal Siliwangi Vol.. No.. November 06 ISSN 47789 RAMALAN PERMINTAAN PERSEDIAAN OPTIMAL DAGING IKAN MENGGUNAKAN MODEL P (PERIODIK REVIEW) Akik Hidayat, Ridwan Giri Prakoso, Rianto ), ) Departemen Ilmu

Lebih terperinci

Penerapan Metode Forecast Exponential Smoothing pada Jumlah Pasien Puskesmas

Penerapan Metode Forecast Exponential Smoothing pada Jumlah Pasien Puskesmas Penerapan Metode Forecast Exponential Smoothing pada Jumlah Pasien Puskesmas Dwi Aprilia Departemen Biostatistika dan Kependudukan Fakultas Kesehatan Masyarakat Universitas Airlangga Jl. Mulyorejo Kampus

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Peramalan adalah alat bantu yang penting dalam perencanaan yang efektif dan efisien (Makridakis,1991). Peramalan merupakan studi terhadap data historis untuk menemukan

Lebih terperinci

BAB 1 PENDAHULUAN. Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia

BAB 1 PENDAHULUAN. Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Pasar global dewasa ini tanpa disadari telah membuat kompetisi di dalam dunia perindustrian menjadi hal yang lebih penting. Pasar yang dulunya pada masa Perang

Lebih terperinci

Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation

Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation Jurnal Ilmiah NERO Vol. 1 No. 1 2014 Prediksi Persediaan Ikan Teri Menggunakan Exponential Smoothing Berbasis Ordered Weighted Aggregation Bain Khusnul Khotimah 1, Moh. Laili 2, Budi Dwi Satoto 3 1,2)

Lebih terperinci

BAB III TINJAUAN PUSTAKA

BAB III TINJAUAN PUSTAKA BAB III TINJAUAN PUSTAKA 3.1 Teori Dunia industri biasanya tak lepas dari suatu peramalan, hal ini disebabkan bahwa peramalan dapat memprediksi kejadian di masa yang akan datang untuk mengambil keputusan

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3.1. Metode Time Series 3.1.1. Definisi Peramalan dan Time Series Peramalan (forecasting)adalah kegiatan memperkirakan apa yang terjadi pada masa yang akan datang berdasarkan data

Lebih terperinci

MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN

MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN MATHunesa Jurnal Ilmiah Matematika Volume 3 No.6 Tahun 2017 ISSN 2301-9115 FORECASTING FITNESS GYM MEMBERSHIP PADA PUSAT KEBUGARAN THE BODY ART FITNESS, AEROBIC & POOL MENGGUNAKAN METODE EXPONENTIAL SMOOTHING

Lebih terperinci

BAB I PENDAHULUAN. untuk membuat prediksi tersebut disebut peramalan (Bowerman, 1993).

BAB I PENDAHULUAN. untuk membuat prediksi tersebut disebut peramalan (Bowerman, 1993). BAB I PENDAHULUAN 1.1 Latar Belakang Prediksi terhadap kejadian di masa depan disebut ramalan, dan tindakan untuk membuat prediksi tersebut disebut peramalan (Bowerman, 1993). Peramalan diperlukan untuk

Lebih terperinci

BAB II KAJIAN TEORITIS

BAB II KAJIAN TEORITIS BAB II KAJIAN TEORITIS 2.1 Deskripsi Teori 2.1.1 Pengertian Peramalan ( forecasting ) Salah satu keputusan penting dalam perusahaan adalah kecilnya resiko kesalahan nilai produksi dan nilai penjualan.

Lebih terperinci

Perkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri

Perkapalan Negeri Surabaya, Surabaya Program Studi Teknik Otomasi, Jurusan Teknik Kelistrikan Kapal, Politeknik Perkapalan Negeri Perbandingan Metode Autoregressive Integrated Moving Average (ARIMA) dan Exponential Smoothing pada Peramalan Penjualan Klip (Studi Kasus PT. Indoprima Gemilang Engineering) Aditia Rizki Sudrajat 1, Renanda

Lebih terperinci

PREDIKSI INTENSITAS TRAFFIC MENGGUNAKAN DYNAMIC FORECASTING

PREDIKSI INTENSITAS TRAFFIC MENGGUNAKAN DYNAMIC FORECASTING PREDIKSI INTENSITAS TRAFFIC MENGGUNAKAN DYNAMIC FORECASTING Nora Puspita Syari, Mike Yuliana, ST.MT, Ronny Susetyoko, SSi, MSi Jurusan Teknik Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut

Lebih terperinci

PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20

PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 PENENTUAN METODE PERAMALAN SEBAGAI DASAR PENENTUAN TINGKAT KEBUTUHAN PERSEDIAAN PENGAMAN PADA PRODUK KARET REMAH SIR 20 Theresia Oshin Rosmaria Pasaribu 1 Rossi Septy Wahyuni 2 Jurusan Teknik Industri,

Lebih terperinci

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS Saintia Matematika ISSN: 2337-9197 Vol. 02, No. 03 (2014), pp. 253 266. PERAMALAN PENJUALAN PRODUKSI TEH BOTOL SOSRO PADA PT. SINAR SOSRO SUMATERA BAGIAN UTARA TAHUN 2014 DENGAN METODE ARIMA BOX-JENKINS

Lebih terperinci

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK

PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK PERAMALAN PENJUALAN OBAT MENGGUNAKAN METODE SINGLE EXPONENTIAL SMOOTHING PADA TOKO OBAT BINTANG GEURUGOK Sayed Fachrurrazi, S.Si., M.Kom Program Studi Teknik Informatika, Universitas Malikussaleh Reuleut,

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Penelitian Pada dasarnya setiap perusahaan memiliki tujuan yang sama yaitu mendapatkan keuntungan untuk kelancaraan kontinuitas usahanya dan mampu bersaing

Lebih terperinci

Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya

Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya. Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Aplikasi Sistem Informasi Forecasting pada PD. Maha Jaya Rudy Adipranata 1, Tanti Octavia 2, Andi Irawan 1 Teknik Informatika 1 Teknik Industri 2 Universitas Kristen Petra Surabaya Pendahuluan Pentingnya

Lebih terperinci

Analisis Deret Waktu

Analisis Deret Waktu Analisis Deret Waktu Jenis Data Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time

Lebih terperinci

ANALISIS DERET WAKTU

ANALISIS DERET WAKTU ANALISIS DERET WAKTU JENIS DATA Cross section Beberapa pengamatan diamati bersama-sama pada periode waktu tertentu Harga saham semua perusahaan yang tercatat di BEJ pada hari Rabu 27 Februari 2008 Time

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan digunakanan sebagai acuan pencegah yang mendasari suatu keputusan untuk yang akan datang dalam upaya meminimalis kendala atau memaksimalkan pengembangan baik

Lebih terperinci

BAB II TINJAUAN PUSTAKA. estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian

BAB II TINJAUAN PUSTAKA. estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian BAB II TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Peramalan Peramalan adalah data di masa lalu yang digunakan untuk keperluan estimasi data yang akan datang. Peramalan atau Forecasting merupakan bagian

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI.

ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI. ANALISIS PERAMALAN PENJUALAN PRODUK KECAP PADA PERUSAHAAN KECAP MANALAGI DENPASAR BALI Ni Putu Lisna Padma Yanti 1, I.A Mahatma Tuningrat 2, A.A.P. Agung Suryawan Wiranatha 2 1 Mahasiswa Jurusan Teknologi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Peramalan Peramalan merupakan usaha yang dilakukan oleh suatu perusahaan untuk melihat dan mengkaji situasi dan kondisi di masa mendatang. Terdapat beberapa faktor yang mempengaruhi

Lebih terperinci

BAB III METODE PERAMALAN DENGAN METODE DEKOMPOSISI. Metode peramalan yang biasanya dilakukan didasarkan atas konsep

BAB III METODE PERAMALAN DENGAN METODE DEKOMPOSISI. Metode peramalan yang biasanya dilakukan didasarkan atas konsep BAB III METODE PERAMALAN DENGAN METODE DEKOMPOSISI Metode peramalan yang biasanya dilakukan didasarkan atas konsep bahwa apabila terdapat pola yang mendasari suatu deret data, maka pola tersebut dapat

Lebih terperinci

PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)

PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) PREDIKSI LUAS PANEN DAN PRODUKSI PADI DI KABUPATEN BANYUMAS MENGGUNAKAN METODE ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) Supriyanto 1, Sudjono 2, Desty Rakhmawati 3 ( 1,2. UNSOED Purwokerto, 3. STMIK

Lebih terperinci

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA

PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA PERAMALAN PRODUKSI SARUNG TENUN DENGAN MENGGUNAKAN METODE PEMULUSAN DATA Weny Indah Kusumawati Program Studi Sistem Komputer, Institut Bisnis dan Informatika Stikom Surabaya email: weny@stikom.edu Abstrak

Lebih terperinci

BAB II KAJIAN PUSTAKA Definisi dan Tujuan Forecasting. yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan

BAB II KAJIAN PUSTAKA Definisi dan Tujuan Forecasting. yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan BAB II KAJIAN PUSTAKA 2.1 Forecasting 2.1.1 Definisi dan Tujuan Forecasting Forecasting adalah peramalan (perkiraan) mengenai sesuatu yang belum terjadi (Pangestu S, 1986:1). Forecasting atau peramalan

Lebih terperinci