BAB IV METODE PENELITIAN

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB IV METODE PENELITIAN"

Transkripsi

1 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) penelitian kasus dan penelitian lapangan adalah penelitian yang bertujuan untuk mempelajari secara intensif tentang latar belakang keadaan sekarang dan interaksi lingkungan suatu unit sosial, individu, kelompok, dan lembaga atau masyarakat. Metode penelitian yang digunakan adalah metode deskriptif kuantitatif yaitu metode untuk menyelidiki obyek yang dapat diukur dengan angka-angka ataupun ukuran lain yang bersifat eksak yang lebih menekankan kepada penentuan frekuensi terjadinya sesuatu dan atau sejauh mana dua variable berhubungan. Penelitian kuantitatif juga bisa diartikan sebagai riset yang bersifat deskriptif dan cenderung menggunakan analisis dan pendekatan induktif. Melalui penelitian deskriptif, peneliti berusaha mendeskripsikan peristiwa dan kejadian yang menjadi pusat perhatian tanpa memberikan perlakuan khusus terhadap peristiwa tersebut. 49

2 Variabel Penelitian Penelitian ini merupakan jenis penelitian studi kasus untuk penyelesaian suatu masalah, yang dilakukan secara intensif dan terinci juga mendalam terhadap obyek organisasi perusahaan yang bertujuan untuk mempelajari secara intensif latar belakang permasalahan yang terjadi pada suatu perusahaan (Surip, 2012:33). Adapun variable penelitian yang dibahas adalah peramalan (forecasting) sales order produk di PT Belfoods Indonesia. Penelitian ini dibatasi untuk membahas peramalan (forecasting) sales order produk Belfoods Chicken Nugget Favourite kemasan 500 gram dan Belfoods Chicken Nugget Royal kemasan 500 gram yang akan digunakan sebagai dasar perencanaan produksi di PT Belfoods Indonesia Definisi Konsep Menurut Makridakis et. al (2000:14) peramalan (forecasting) dapat diartikan sebagai pendekatan sistematis yang digunakan untuk menganilisa pola dari data historis permintaan untuk memproyeksikan permintaan di masa mendatang sebagai dasar dalam membuat perencanaan perusahaan serta sebagai pertimbangan untuk beberapa keputusan yang terkait dengan kebutuhan kapasitas produksi, persediaan, dan anggaran yang digunakan agar dapat memenuhi permintaan tersebut. Penelitian ini fokus pada penerapan dan analisa peramalan (forecasting) sales order yang akan datang yang akan digunakan sebagai dasar perencanaan produksi. Kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang berdasarkan data yang relevan pada masa lalu dan menempatkannya ke masa yang akan datang dengan suatu bentuk model

3 51 matematis. Dimana secara konsep, peramalan (forecasting) bertujuan untuk memprediksi dari peristiwa atau kondisi masa depan. Metode peramalan yang baik adalah metode yang memberikan hasil peramalan (forecasting) yang jauh berbeda dengan kenyataan yang terjadi dengan tingkat error terkecil, serta memiliki validitas akurasi yang diukur dengan Tracking Signal (TS), dan memprediksi masa depan dengan menggunakan data historis yang akan digunakan sebagai keputusan selanjutnya Definisi Operasional Berdasarkan definisi konsep, maka dapat dijabarkan definisi operasionalnya. Adapun definisi operasional dapat dilihat pada Tabel 4.1. Tabel 4.1. Definisi Operasional Variabel Penelitian Dimensi Indikator Peramalan (forecasting) sales order (Makridakis, 2000:14) Permintaan Jumlah unit yang akan dibeli dalam satu periode waktu tertentu, terdiri dari: Data Permintaan Jenis Produk Ukuran Kemasan Harga Merek Sumber: Data Diolah (2016)

4 Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini terdiri dari data kualitatif dan kuantitatif, yang dijabarkan sebagai berikut: 1) Data Kualitatif Data kualitatif merupakan data yang tidak dapat dihitung atau diukur secara sistematis, data kualitatif dalam penilitian ini terdiri dari: Sejarah singkat perusahaan Lingkup bidang usaha Sumber daya perusahaan Proses bisnis perusahaan 2) Data Kuantitatif Data kuantitatif merupakan data yang dapat dihitung atau diukur secara sistematis, data kuatitatif dalam penelitian ini terdiri dari: Tabel 4.2. Data Kuantitatif Penelitian No Keterangan Data Satuan Skala Pengukuran 1 Data peramalan (forecasting) sales order tahun 2016 Karton Rasio 2 Data sales order tahun 2016 Karton Rasio 3 Data produksi tahun 2016 Karton Rasio 4 Data stock tahun 2016 Karton Rasio Sumber: Data Diolah (2016)

5 53 Sumber data dalam penelitian ini adalah subyek dari mana data dapat diperoleh dalam penelitian ini, sumber data dalam penelitian ini adalah sebagai berikut: 1) Data Primer Data primer merupakan data yang diperoleh secara langsung oleh peneliti di tempat penelitian. Data tersebut digunakan untuk mengetahui kondisi saat ini yang relevan dengan fenomena atau permasalahan dalam penelitian ini. Data primer ini diperoleh melalui wawancara langsung dengan bagian PPIC di PT Belfoods Indonesia. 2) Data Sekunder Data sekunder merupakan data yang diperoleh secara tidak langsung oleh peneliti, karena data tersebut sudah terdokumentasi dalam bentuk laporan-laporan, jurnal penelitian terdahulu, buku referensi, dan lain-lain. Data ini digunakan sebagai dasar dalam melakukan analisa dalam penelitian ini untuk mengetahui fenomena atau permasalahan dan sebagai dasar untuk melakukan suatu penyelesaian dalam penelitian ini. Data sekunder ini diperoleh dari laporan-laporan dalam perusahaan yang menjadi objek penelitian, jurnal-jurnal penelitian terdahulu, buku referensi, dan internet.

6 Populasi dan Sampel Sugiyono (2008:115) mengemukakan bahwa populasi adalah wilayah generalisasi yang terdiri atas objek/subjek yang mempunyai kuantitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Populasi dalam penelitian ini adalah jumlah sales order produk PT Belfoods Indonesia tahun Sugiyono (2008:116) mendefenisikan sampel sebagai bagian dari jumlah dan karakeristik yang dimiliki oleh populasi tersebut. Sehingga sampel dalam penelitian ini adalah jumlah sales order produk Belfoods Chicken Nugget Favourite dan Royal kemasan 500 gram pada tahun Jumlah sampel dalam penelitian ini ditunjukkan pada Tabel 4.3. Tabel 4.3. Sampel Data Sales Order Produk Belfoods Chicken Nugget 2016 Sales Order Belfoods Chicken Nugget (CN) Kemasan 500 gram Tahun 2016 Bulan (karton) CN Favourite CN Royal (Code SKU: FG ) (Code SKU: FG ) Januari 11,216 9,921 Februari 13,074 9,304 Maret 16,958 10,153 April 17,438 11,190 Mei 18,898 12,644 Juni 30,110 19,994 Juli 19,488 14,349 Agustus 19,102 14,934 September 20,010 15,259 Oktober 21,198 16,055 November 21,929 16,542 Desember 23,579 17,764 Jumlah 232, ,108 Sumber: Bagian PPIC Kantor Pabrik PT Belfoods Indonesia (2016)

7 Teknik Pengumpulan Data Teknik pengumpulan data dalam penelitian ini terdiri dari 1) Wawancara, berguna untuk mendapatkan informasi relevan yang digunakan sesuai dengan permasalahan, dalam hal ini langsung mewancarai bagian PPIC di PT Belfoods Indonesia untuk mendapatkan keterangan mengenai fenomena atau permasalahan yang terjadi khususnya dalam peramalan (forecasting) sales order yang digunakan sebagai dasar dalam perencanaan produksi. 2) Teknik dokumentasi yaitu mengadakan pengamatan langsung mengenai laporan tentang peramalan, sales order, produksi, dan stock produk Chicken Nugget Royal kemasan 500 gram dan Chicken Nugget Favourite kemasan 500 gram periode Januari - Desember 2016 di PT Belfoods Indonesia berdasarkan dokumen perusahaan dengan keperluan penelitian untuk diolah dalam penelitian. 3) Observasi yaitu dengan melakukan pengamatan langsung terhadap objek penelitian yaitu PT Belfoods Indonesia, kemudian mencatat informasi selama penelitian dalam perusahaan. 4) Studi Pustaka berdasarkan teori akademis yang relevan dan pengumpulan data berdasarkan penelitian terdahulu yang dilakukan berupa jurnal Internasional dan Nasional, buku-buku literatur yang mendukung penelitian.

8 Teknik Analisis Data Dalam penelitian ini metodologi penelitian dilakukan dengan tahapan-tahapan sebagai berikut: 1) Melakukan pengumpulan dan ploting data permintaan pada periode Januari Desember 2016 untuk mengetahui pola data. 2) Menentukan pola data permintaan yang diperoleh dari data sekunder PT Belfoods Indonesia (pengumpulan data) pada periode Januari-Desember 2016 dengan cara melakukan plot data untuk mengetahui pola datanya. 3) Dari pola data yang ada, yang akan digunakan untuk menghitung nilai peramalan masing-masing metode (dalam penelitian ini metode peramalan yang digunakan adalah metode-metode peramalan pemulusan). 4) Apabila pola data penjualan masa lalu tidak mendukung terhadap metode peramalan yang akan digunakan, maka perlu dilakukan analisis metode lagi untuk mendapatkan metode peramalan yang sesuai. 5) Apabila pola data permintaan masa lalu sudah dapat mendukung terhadap metode peramalan yang akan digunakan, maka selanjutnya dilakukan perhitungan peramalan dengan metode tersebut. 6) Melakukan penghitungan peramalan dengan metode-metode pemulusan (smoothing) yang sesuai dengan pola data yang ada, yang meliputi antara lain: Single Moving Average Rumus

9 57 Double Moving Average Rumus Single Exponential Smoothing Rumus 3.8 Double Exponential Smoothing - Brown Rumus Double Exponential Smoothing - Holt Rumus Triple Exponential Smoothing Brown Rumus ) Melakukan perhitungan nilai error dari masing-masing metode peramalan yang digunakan untuk menghitung nilai peramalan, yang meliputi: Mean Absolut Deviation (MAD) Rumus 3.25 Mean Absolut Percentage Error (MAPE) Rumus Tracking Signal (TS) Rumus ) Menentukan metode peramalan yang tepat berdasarkan nilai error terkecil yang diketahui dari nilai MAD, MAPE dan memiliki nilai Tracking Signal (ST) yang baik (dalam batas kendali). 9) Melakukan penghitungan proyeksi peramalan permintaan untuk periode Januari - Desember 2017 dengan metode yang dipilih berdasarkan nilai error terkecil. 10) Mendapatkan hasil peramalan (forecasting) sales order periode Januari - Desember Dalam menentukan strategi untuk menilai suatu metode peramalan smoothing (pemulusan), dapat dilihat pada Gambar 4.1.

10 58 Tahap 1: Memilih suatu Deret Berkala (kelompok data) untuk dianalisis. Tahap 2: Memilih suatu Metode Peramalan Tahap 3: Inisialisasi Metode (menggunakan kelompok data inisialisasi) Tahap 4: Menggunakan metode pemulusan untuk meramalkan seluruh kelompok "pengujian" Ukuran Uji Akurasi: MAD & MAPE Tahap 5: Mengoptimalkan Parameter - Modifikasi prosedur inisialisasi - Melacak nilai parameter yang optimum Tahap 6: Keputusan Penilaian - Potensi penggunaan Gambar 4.1. Strategi Untuk Menilai Metode Peramalan Sumber: Makridakis et. al (2000:82) Gambar 4.1 menjelaskan suatu strategi untuk menilai setiap metodologi peramalan smoothing (pemulusan). Pada tahap 1, diidentifikasi deret berkala (kelompok data) yang menjadi perhatian. Hal ini dapat berupa deret data nyata (misalnya, penjualan suatu produk). Kelompok data tersebut kemudian dibagi menjadi dua (2) bagian yaitu kelompok inisialisasi dan kelompok pengujian. Tahap 2 dilakukan penilaian (evaluasi) dari suatu metode peramalan dari daftar

11 59 metode pemulusan. Tahap 3, memanfaatkan kelompok data inisialisasi untuk dapat mulai menggunakan metode peramalan tersebut. Pendugaan adanya komponen trend, komponen musiman, dan nilai-nilai parameter dilakukan pada tahap ini. Pada tahap 4, metode diterapkan pada kelompok pengujian untuk melihat kebaikan metode tersebut. Setelah setiap ramalan ditentukan, dihitung nilai error (galat), dan untuk seluruh kelompok pengujian ditentukan ukuran kerhasilan peramalan tertentu. Tahap 5, sebenarnya merupakan suatu fase iterative, karena tidak adanya jaminan bahwa nilai paramenter awal tersebut optimal, tahap ini memerlukan modifikasi dari proses inisialisasi dan atau pelacakan untuk nilai parameter optimum dalam model. Akhirnya pada tahap 6, metode peramalan tersebut dinilai kecocokannya untuk berbagai macam pola data (misalnya, seperti yang ditunjukkan pada Gambar 3.2) dan dengan cara demikian potensi penggunaan model tersebut menjadi jelas (Makridakis et. al, (2000:80) Flowchart Aplikasi Metode Peramalan Untuk mempermudah dalam melakukan analisa metode peramalan pada penelitian ini, perlu dibuat suatu flowchart aplikasi metode peramalan. Flowchart aplikasi untuk masing-masing metode peramalan ditunjukkan pada Gambar 4.2 sampai dengan Gambar 4.7. Metode peramalan yang diaplikasikan dalam flowchart ini meliputi metode: Single Moving Average (DMA), Double Moving Average (DMA), Single Exponential Smoothing (SES), Double Exponential Smoothing-Brown (DES-Brown), Double Exponential Smoothing-Holt (DES- Holt), Triple Exponential Smoothing-Brown (TES-Brown).

12 60 a) Flowchart Aplikasi Metode Single Moving Average (SMA) Mulai Analisa Data Aktual Inisialisasi Jumlah Pemulusan (ordo) Periode Moving Average Peramalan Dengan Metode Single Moving Average Tidak Analisa Error MAD, MAPE, Tracking Signal Ya Meramalkan Permintaan Periode ke Depan Hasil Peramalan Permintaan Selesai Gambar 4.2. Flowchart Aplikasi Metode Single Moving Average Sumber: Pengolahan Data (2016)

13 61 Bagan alir aplikasi metode Single Moving Average (SMA) pada Gambar 4.2 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi periode yang akan dilakukan dalam moving average (ordo). Dalam penelitian ini menggunakan ordo 2, 3, dan 4 bulan, karena data yang digunakan hanya 1 tahun. 3) Melakukan perhitungan peramalan dengan menggunakan metode Single Moving Average (SMA) 4) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 5) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 6) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 7) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode

14 62 peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 8) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 9) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 10) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 11) Mendapatkan hasil peramalan pada periode ke depan dengan metode Single Moving Average (SMA).

15 63 b) Flowchart Aplikasi Metode Double Moving Average (DMA) Mulai Analisa Data Aktual Inisialisasi Jumlah Pemulusan (ordo) Periode Moving Average I dan II Pemulusan Moving Average I Pemulusan Moving Average II Menentukan Konstanta dan Slope Tidak Peramalan Dengan Metode Double Moving Average Analisa Error MAD, MAPE, Tracking Signal Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Ya Hasil Peramalan Permintaan Selesai Gambar 4.3. Flowchart Aplikasi Metode Double Moving Average Sumber: Pengolahan Data (2016)

16 64 Bagan alir aplikasi metode Double Moving Average (DMA) pada Gambar 4.3 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi periode yang akan dilakukan moving average (ordo). Dalam penelitian ini menggunakan ordo 3 bulan dan 4 bulan, karena data yang digunakan hanya 1 tahun. 3) Melakukan perhitungan pemulusan moving average I (S't). 4) Melakukan perhitungan pemulusan moving average II (S''t). 5) Melakukan perhitungan nilai kostanta (at) dan slope (bt). 6) Melakukan perhitungan peramalan dengan menggunakan metode Double Moving Average (DMA). 7) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 8) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo).

17 65 9) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 10) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi periode moving average (ordo). 12) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 13) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 14) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Moving Average (DMA).

18 66 c) Flowchart Aplikasi Metode Single Exponential Smoothing (SES) Mulai Analisa Data Aktual Inisialisasi Parameter Nilai α (Alpha) Untuk Pemulusan Exponential Peramalan Dengan Metode Single Exponential Smoothing Inisialisasi, Tidak Analisa Error MAD, MAPE, Tracking Signal Ya Meramalkan Permintaan Periode ke Depan Hasil Peramalan Permintaan Selesai Gambar 4.4. Flowchart Aplikasi Metode Single Exponential Smoothing Sumber: Pengolahan Data (2016)

19 67 Bagan alir aplikasi metode Single Exponential Smoothing (SES) pada Gambar 4.4 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antara 0 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik, 3) Melakukan perhitungan peramalan dengan menggunakan metode Single Exponential Smoothing (SES). 4) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan. 5) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 6) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima.

20 68 7) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 8) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 9) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 10) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 11) Mendapatkan hasil peramalan pada periode ke depan dengan metode Single Exponential Smoothing (SES).

21 69 d) Flowchart Aplikasi Metode Double Exponential Smoothing Brown (DES Brown) Mulai Analisa Data Aktual Inisialisasi Parameter Nilai α (Alpha) Untuk Pemulusan Exponential Pemulusan Exponential I Inisialisasi Pemulusan Exponential II Inisialisasi Menentukan Konstanta dan Slope Tidak Peramalan Dengan Metode Double Exponential Smoothing - Brown Analisa Error MAD, MAPE, Tracking Signal Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Ya Hasil Peramalan Permintaan Selesai Gambar 4.5. Flowchart Aplikasi Metode Double Exponential Smoothing - Brown Sumber: Pengolahan Data (2016)

22 70 Bagan alir aplikasi metode Double Exponential Smoothing Brown (DES Brown) pada Gambar 4.5 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antar 0 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik, 3) Melakukan perhitungan pemulusan exponential I (S't), dengan inisialisasi nilai S'1 = data aktual ke-1, (Makridakis, 2000:115). 4) Melakukan perhitungan pemulusan exponential II (S''t), dengan inisialisasi nilai S''1 = data aktual ke-1, (Makridakis, 2000:115). 5) Melakukan perhitungan nilai kostanta (at) dan slope (bt), dengan inisialisasi nilai a1 dan b1 = 0, (Makridakis, 2000:114). 6) Melakukan perhitungan peramalan dengan menggunakan metode Double Exponential Smoothing Brown (DES Brown)). 7) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.

23 71 8) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 9) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 10) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 12) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 13) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 14) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Exponential Smoothing - Brown (DES - Brown).

24 72 e) Flowchart Aplikasi Metode Double Exponential Smoothing Holt (DES Holt) Mulai Analisa Data Aktual Inisialisasi 2 Parameter Nilai α (Alpha) dan γ (Gamma) Untuk Pemulusan Exponential Pemulusan Exponential Inisialisasi, Inisialisasi Estimasi Trend Tidak Peramalan Dengan Metode Double Exponential Smoothing - Holt Analisa Error MAD, MAPE, Tracking Signal Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Ya Hasil Peramalan Permintaan Selesai Gambar 4.6. Flowchart Aplikasi Metode Double Exponential Smoothing - Holt Sumber: Pengolahan Data (2016)

25 73 Bagan alir aplikasi metode Double Exponential Smoothing Holt (DES Holt) pada Gambar 4.6 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) dan gamma (γ) antara 0 1, penentuan nilai alpha (α) dan gamma (γ) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9, dan nilai gamma 0.1 (γ = 0.1) karena untuk mengetahui nilai alpha (α) mana yang lebih baik, dan nilai gamma (γ) dibatasi hanya satu yang digunakan yaitu γ = 0.1 karena merupakan pemulusan tambahan untuk mengatasi trend. 3) Melakukan perhitungan pemulusan exponential, dengan inisialisasi nilai S1 = data aktual ke-1, (Makridakis, 2000:117). 4) Melakukan perhitungan nilai trend (bt), dengan inisialisasi nilai b1 = ((aktual 2 aktual 1) + (aktual 4 aktual 3))/2, (Makridakis, 2000:117). 5) Melakukan perhitungan peramalan dengan menggunakan metode Double Exponential Smoothing Holt (DES Holt). 6) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.

26 74 7) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 8) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 9) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 10) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 12) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 13) Mendapatkan hasil peramalan pada periode ke depan dengan metode Double Exponential Smoothing - Holt (DES - Holt).

27 75 f) Flowchart Aplikasi Metode Triple Exponential Smoothing Brown (TES Brown) Mulai Analisa Data Aktual Inisialisasi Parameter Nilai α (Alpha) Untuk Pemulusan Exponential Pemulusan Exponential I Inisialisasi Pemulusan Exponential II Pemulusan Exponential III Menentukan Konstanta, Slope, dan Peremajaan Tidak Inisialisasi Peramalan Dengan Metode Triple Exponential Smoothing - Brown Analisa Error MAD, MAPE, Tracking Signal Meramalkan Permintaan Periode ke Depan dan Periode ke Depan = dan PeriodeTerakhir Sedangkan m ke Depan Berdasarkan Periode Yang Diramal ke Depan Ya Hasil Peramalan Permintaan Selesai Gambar 4.7. Flowchart Aplikasi Metode Triple Exponential Smoothing - Brown Sumber: Pengolahan Data (2016)

28 76 Bagan alir aplikasi metode Triple Exponential Smoothing Brown (TES Brown) pada Gambar 4.7 dapat dijelaskan sebagai berikut: 1) Melakukan analisa data aktual permintaan produk dengan cara ploting data permintaan yang akan diramalkan. Dalam penelitian ini menggunakan data permintaan selama 12 bulan (1 tahun). 2) Menentukan inisialisasi nilai alpha (α) antara 0 1, penentuan nilai alpha (α) ditentukan secara bebas dengan cara coba dan salah (trial error). Dalam penelitian ini menggunakan nilai alpha (α) ganjil yaitu 0.1, 0.5, 0.9 karena untuk mengetahui nilai alpha (α) mana yang lebih baik. 3) Melakukan perhitungan pemulusan exponential I, II, III (S't, S''t, S'''t), dengan inisialisasi nilai S'1, S''1, S'''1 = data aktual ke-1, (Makridakis, 2000:121). 4) Melakukan perhitungan nilai at, bt, ct dengan inisialisasi nilai a1, b1, c1 = 0, (Makridakis, 2000:120). 5) Melakukan perhitungan peramalan dengan menggunakan metode Triple Exponential Smoothing Brown (TES Brown). 6) Melakukan analisa error dari hasil peramalan, dengan cara mengukur akurasi peramalan yang meliputi MAD dan MAPE. Dalam penelitian ini sebagai pembanding dalam mengukur akurasi peramalan adalah nilai MAD dan MAPE dari perusahaan.

29 77 7) Apabila nilai MAD dan MAPE nilainya masih lebih tinggi dari nilai MAD dan MAPE dari perusahaan maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 8) Apabila nilai MAD dan MAPE nilainya lebih kecil dari nilai MAD dan MAPE dari perusahaan maka metode peramalan dapat diterima. 9) Memantau hasil ramalan dengan menggunakan Tracking Signal (TS), untuk mengetahui gerakan data hasil ramalan sebagai uji validitas metode peramalan (forecasting), apakah berada dalam batas kendali atau tidak. Dalam penelitian ini standar batas maksimum Tracking Signal (TS) yang digunakan adalah batas maksimum dari ± 4 atau ± 5, (Stevenson, 2009:101). 10) Apabila nilai Tracking Signal (TS) hasil ramalan berada di luar batas-batas kendali, maka metode peramalan tidak dapat diterima, maka perlu dilakukan lagi inisialisasi dalam menentukan nilai alpha (α). 11) Apabila nilai Tracking Signal (TS) hasil ramalan berada dalam batas-batas kendali, maka metode peramalan dapat diterima. 12) Melakukan perhitungan peramalan ke depan dengan metode yang dipilih berdasarkan MAD dan MAPE terkecil, serta memiliki Tracking Signal (TS) yang terkendali. 13) Mendapatkan hasil peramalan pada periode ke depan dengan metode Triple Exponential Smoothing - Brown (TES - Brown).

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

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

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

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

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

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

ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX. Nama : Desty Trisnayannis NPM :

ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX. Nama : Desty Trisnayannis NPM : ANALISIS PERAMALAN PENJUALAN DAN KAITANNYA DALAM PERAMALAN LABA PADA PD. RAMATEX Nama : Desty Trisnayannis NPM : 21210860 Latar Belakang Dalam dunia usaha, perusahaan harus memperkirakan hal-hal yang terjadi

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

SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING

SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING SISTEM PERAMALAN PERSEDIAAN UNIT MOBIL MITSUBISHI PADA PT. SARDANA INDAH BERLIAN MOTOR DENGAN MENGGUNAKAN METODE EXPONENTIAL SMOOTHING Afni Sahara (0911011) Mahasiswa Program Studi Teknik Informatika,

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

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

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015

BAB III PERAMALAN. Praktikum Sistem Produksi ATA 2014/2015 BAB III PERAMALAN 3.1 Landasan Teori Peramalan merupakan suatu bentuk usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa

Lebih terperinci

BAB IV METODE PENELITIAN

BAB IV METODE PENELITIAN BAB IV METODE PENELITIAN 4.1. Desain Penelitian Desain penelitian umumnya terbagi atas tiga bentuk yaitu penelitian eksploratif, penelitian penjelasan, dan penelitian deskriptif. Penelitian eksploratif

Lebih terperinci

BAB 3 PERANCANGAN PROGRAM. 3.1 Alasan digunakan Metode Exponential Smoothing. Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat

BAB 3 PERANCANGAN PROGRAM. 3.1 Alasan digunakan Metode Exponential Smoothing. Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat BAB 3 PERANCANGAN PROGRAM 3.1 Alasan digunakan Metode Exponential Smoothing Banyak metode peramalan yang dapat digunakan dalam memprediksi tingkat penjualan untuk beberapa periode ke depan. Biasanya untuk

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

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

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG

PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG PENGENDALIAN PERSEDIAAN BAHAN BAKU BAJA MS DI DIREKTORAT PRODUKSI ATMI CIKARANG Siti Rohana Nasution 1, Temotius Agung Lukito 2 1,2) Jurusan Teknik Industri Fakultas Teknik Universitas Pancasila 1) nasutionana@yahoo.co.id,

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 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LADASA TEORI 2.1 Pengertian Peramalan Peramalan adalah kegiatan mengestimasi apa yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama (assaury, 1991). Sedangkan ramalan adalah

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

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 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

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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Bisnis pada berbagai kegiatannya selalu melakukan suatu perencanaan untuk kedepannya. Untuk melakukan perencanaan suatu kegiatan yang akan disusun dan dilakukan

Lebih terperinci

BAB III PERAMALAN 3.1 Landasan Teori Peramalan

BAB III PERAMALAN 3.1 Landasan Teori Peramalan BAB III PERAMALAN 3.1 Landasan Teori Peramalan Menurut Gaspersz (2004), aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan permintaan dan penggunaan produk sehingga produk-produk

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

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

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

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 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 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

Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing

Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Sistem Peramalan Harga Emas Antam Menggunakan Double Exponential Smoothing Teguh Andriyanto Sistem Informasi Universitas Nusantara PGRI Kediri Kediri, Indonesia E-mail: teguh@ unpkediri.ac.id Abstrak Emas

Lebih terperinci

III. LANDASAN TEORI A. TEKNIK HEURISTIK

III. LANDASAN TEORI A. TEKNIK HEURISTIK III. LANDASAN TEORI A. TEKNIK HEURISTIK Teknik heuristik adalah suatu cara mendekati permasalahan yang kompleks ke dalam komponen-komponen yang lebih sederhana untuk mendapatkan hubungan-hubungan dalam

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

APLIKASI TRIPLE EXPONENTIAL SMOOTHING UNTUK FORECASTING JUMLAH PENDUDUK MISKIN

APLIKASI TRIPLE EXPONENTIAL SMOOTHING UNTUK FORECASTING JUMLAH PENDUDUK MISKIN APLIKASI TRIPLE EXPONENTIAL SMOOTHING UNTUK FORECASTING JUMLAH PENDUDUK MISKIN Fakultas Keguruan dan Ilmu Pendidikan Universitas PGRI Yogyakarta padrul.jana@upy.ac.id Abstract This study aims to predict

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 III LANDASAN TEORI

BAB III LANDASAN TEORI BAB III LANDASAN TEORI 3.1 KONSEP DASAR PERAMALAN Definisi forecasting sendiri sebenarnya beragam, berikut beberapa difinisi tentang forecasting: 1. Perkiraan munculnya sebuah kejadian di masa depan, berdasarkan

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

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari

BAB 3 METODE PENELITIAN. Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari BAB 3 METODE PENELITIAN 3.1 Desain Penelitan Dalam skripsi yang penulis lakukan ini menggunakan analisa forecasting dari PT. Honda Dunia Motorindo. Setelah itu dengan analisa tersebut, penulis berusaha

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertian Produksi Produksi merupakan suatu kegiatan yang dikerjakan untuk menambah nilai guna suatu benda baru sehingga lebih bermanfaat dalam memenuhi kebutuhan. Produksi jahe

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 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

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan

BAB 2 LANDASAN TEORI. Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan BAB 2 LADASA TEORI 2.1 Pengertian Peramalan (Forecasting) Peramalan (Forecasting) adalah suatu kegiatan untuk memperkirakan apa yang akan terjadi pada masa mendatang. Peramalan penjualan adalah peramalan

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 (FORECASTING) #2

PERAMALAN (FORECASTING) #2 #4 - Peramalan (Forecasting) #2 1 PERAMALAN (FORECASTING) #2 EMA302 Manajemen Operasional Model Trend Linear Multiplicative 2 Kecenderungan (trend). Komponen musiman (seasonal): rasio untuk model trend.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain Penelitian merupakan

Lebih terperinci

BAB 3 METODOLOGI PEMECAHAN MASALAH

BAB 3 METODOLOGI PEMECAHAN MASALAH BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Flow Process Metodologi Penelitian IDENTIFIKASI DAN PERUMUSAN MASALAH Mencari teknik peramalan yang tepat terhadap volume produksi yang ada STUDI PUSTAKA Mencari

Lebih terperinci

PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL

PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL PERAMALAN PENJUALAN TIKET PESAWAT PADA CV. VIDO JAYA TOUR DAN TRAVEL Nama : Awalludin Ma rifatullah Idhofi NPM : 11212269 Jurusan : Manajemen Pembimbing : Dr. Dra. Peni Sawitri, MM PENDAHULUAN Latar Belakang

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan

BAB 2 TINJAUAN TEORITIS. Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan BAB 2 TINJAUAN TEORITIS 2.1 Pengertian Peramalan Adanya waktu tenggang (lead time) merupakan alasan utama bagi perencanaan dan peramalan. Jika waktu tenggang ini nol atau sangat kecil, maka perencanaan

Lebih terperinci

BAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif.

BAB III METODE PENELITIAN. untuk memahami, memecahkan dan mengantisipasi masalah. adalah penelitian secara deskriptif dan komparatif. BAB III METODE PENELITIAN 3.1 Metode Penelitian Metode penelitian yang digunakan dalam penelitian ini adalah metode deskriptif dan komparatif. Melalui penelitian, manusia dapat menggunakan hasilnya, secara

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

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

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Untuk menunjang kegiatan penelitian, dalam bab ini akan dijabarkan desain penelitian, alat dan bahan, dan bahan penelitian. 3.1 Desain Penelitian Desain penelitian yang digunakan

Lebih terperinci

SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN

SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN BAB IV SALES FORECASTING UNTUK PENGENDALIAN PERSEDIAAN A. Identifikasi Peramalan Penjualan oleh UD. Jaya Abadi Dari hasil wawancara yang menyebutkan bahwa setiap pengambilan keputusan untuk estimasi penjualan

Lebih terperinci

BAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang

BAB II LANDASAN TEORI. Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang 7 BAB II LANDASAN TEORI 2.1 Sistem Informasi 2.1.1 Sistem Suatu sistem adalah suatu jaringan kerja dari prosedur-prosedur yang saling berhubungan, berkumpul bersama-sama untuk melakukan suatu kegiatan

Lebih terperinci

ABSTRAK. Kata Kunci :Single Exponential Smoothing,Double Exponential Smoothing,Mean Absolute Percentage Error.

ABSTRAK. Kata Kunci :Single Exponential Smoothing,Double Exponential Smoothing,Mean Absolute Percentage Error. PERBANDINGAN TINGKAT AKURASI METODE SES (SINGLE EXPONENTIAL SMOOTHING) DAN DES (DOUBLE EXPONENTIAL SMOOTHING) DENGAN STUDY KASUS PERAMALAN PEMINJAMAN BUKU DI PERPUSTAKAAN DAERAH JEMBER Yuldania (1110651134)

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

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

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

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

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

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

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

DAFTAR ISI. Halaman KATA PENGANTAR.. ii DAFTAR ISI.. iv DAFTAR TABEL. vi DAFTAR GAMBAR vii DAFTAR LAMPIRAN. viii

DAFTAR ISI. Halaman KATA PENGANTAR.. ii DAFTAR ISI.. iv DAFTAR TABEL. vi DAFTAR GAMBAR vii DAFTAR LAMPIRAN. viii DAFTAR ISI KATA PENGANTAR.. ii DAFTAR ISI.. iv DAFTAR TABEL. vi DAFTAR GAMBAR vii DAFTAR LAMPIRAN. v I. PENDAHULUAN 1.1 Latar Belakang. 1 1.2 Identifikasi Masalah. 4 1.3 Rumusan Masalah 5 1.4 Tujuan Penelitian

Lebih terperinci

LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI MODUL VIII ( TIME SERIES FORECASTING

LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI MODUL VIII ( TIME SERIES FORECASTING FAKULTAS TEKNOLOGI INDUSTRI PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL VIII TIME SERIES FORECASTING I. Pendahuluan A. LatarBelakang (Min. 1 halaman)

Lebih terperinci

Febriyanto, S.E., M.M.

Febriyanto, S.E., M.M. METODE PERAMALAN PERMINTAAN Metode bebas (freehand method) Metode setengah ratarata (semi average method) Metode ratarata bergerak (moving average method) Metode kwadrat terkecil (least quares method)

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

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

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

PEMODELAN DERET WAKTU MENGGUNAKAN TEKNIK EXPONENSIAL SMOOTHING

PEMODELAN DERET WAKTU MENGGUNAKAN TEKNIK EXPONENSIAL SMOOTHING PEMODELAN DERET WAKTU MENGGUNAKAN TEKNIK EXPONENSIAL SMOOTHING UNTUK PERAMALAN DEBIT ALIRAN SUNGAI (Studi Kasus Sungai Cabenge SWS WalanaE - CenranaE) Melly Lukman[1] ), Eko Susanto *) ABSTRACT Exponential

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

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

DAFTAR ISI. ABSTRAK... i ABSTRACT... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... viii DAFTAR GAMBAR...

DAFTAR ISI. ABSTRAK... i ABSTRACT... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... DAFTAR TABEL... viii DAFTAR GAMBAR... DAFTAR ISI ABSTRAK... i ABSTRACT... KATA PENGANTAR... UCAPAN TERIMA KASIH... DAFTAR ISI... ii iii iv vi DAFTAR TABEL... viii DAFTAR GAMBAR... ix BAB I PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan

Lebih terperinci

BAB III METODOLOGI. Jenis data Data Cara pengumpulan Sumber data 1. Jenis dan jumlah produk yang dihasilkan

BAB III METODOLOGI. Jenis data Data Cara pengumpulan Sumber data 1. Jenis dan jumlah produk yang dihasilkan BAB III METODOLOGI 3.1 Waktu dan Lokasi Penelitian Kegiatan penelitian ini dilaksanakan pada Bulan April 2011 sampai Mei 2011 di PT. Pindo Deli Pulp and Paper di bagian Paper machine 12. Lokasi Industri

Lebih terperinci

Kata Kunci : Peramalan (Forecasting), Perencanaan Persediaan Metode P dan Q. Sistemik Nomor. 4 Volume. 2, Desember

Kata Kunci : Peramalan (Forecasting), Perencanaan Persediaan Metode P dan Q. Sistemik Nomor. 4 Volume. 2, Desember USULAN PERENCANAAN PERSEDIAAN BAHAN BAKU TINTA JENIS BW NEWS PERFECTOR BLACK-G YANG OPTIMAL UNTUK MEMINIMUMKAN BIAYA PERSEDIAAN DENGAN MENGGUNAKAN METODE INVENTORI PROBABILISTIK STUDI KASUS DI PT REMAJA

Lebih terperinci

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA

BAB IV PENGUMPULAN DAN PENGOLAHAN DATA BAB IV PENGUMPULAN DAN PENGOLAHAN DATA 4.1 Data Perusahaan PT.YPP adalah salah satu perusahaan nasional yang bergerak di bidang obatobatan (Jamu). Terletak di jalan Pulo Buaran Raya Blok X no.6 Kawasan

Lebih terperinci

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TIJAUA TEORITIS 2.1 Peramalan (Forecasting) 2.1.1 Pengertian Peramalan Peramalan dapat diartikan sebagai berikut: a. Perkiraan atau dugaan mengenai terjadinya suatu kejadian atau peristiwa di waktu

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

Pembahasan Materi #7

Pembahasan Materi #7 1 EMA402 Manajemen Rantai Pasokan Pembahasan 2 Pengertian Moving Average Alasan Tujuan Jenis Validitas Taksonomi Metode Kualitatif Metode Kuantitatif Time Series Metode Peramalan Permintaan Weighted Woving

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Uji Kecukupan Sampel Dalam melakukan penelitian terhadap populasi yang sangat besar, kita perlu melakukan suatu penarikan sampel. Hal ini dikarenakan tidak selamanya kita dapat

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 3 METODOLOGI PENELITIAN

BAB 3 METODOLOGI PENELITIAN 19 3.1 Diagram Alir Penelitian BAB 3 METODOLOGI PENELITIAN MULAI Pengajuan Surat Survei PT. Bangkit Sukses Mandiri (BSM) Diterima? Tidak Ya Observasi Perusahaan Wawancara dengan Direktur PT. BSM Pengamatan

Lebih terperinci

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN

EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN EFEKTIVITAS METODE BOX-JENKINS DAN EXPONENTIAL SMOOTHING UNTUK MERAMALKAN RETRIBUSI PENGUJIAN KENDARAAN BERMOTOR DISHUB KLATEN Puji Rahayu 1), Rohmah Nur Istiqomah 2), Eminugroho Ratna Sari 3) 1)2)3) Matematika

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

Prediksi Daya Tersambung Dengan Metode Double Exponential Smoothing

Prediksi Daya Tersambung Dengan Metode Double Exponential Smoothing ISSN: 2089-3787 1151 Prediksi Daya Tersambung Dengan Metode Double Exponential Smoothing Surya Agus Yasinta 1, Yulia Yudihartanti 2 Jurusan Teknik Informatika, STMIK Banjarbaru Jl. A. Yani Km. 33,3 Banjarbaru

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

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

PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE : DWI SEPTIANI NPM :

PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE : DWI SEPTIANI NPM : PENERAPAN METODE MOVING AVERAGE DAN EXPONENTIAL SMOOTHING UNTUK PERAMALAN PENJUALAN TOPPING EXTRA CHEESE Nama : DWI SEPTIANI NPM : 12210211 Kelas : 3EA13 Fakultas : Ekonomi Jenjang/Jurusan : S1/Manajemen

Lebih terperinci

Matakuliah : Ekonomi Produksi Peternakan Tahun : Oleh. Suhardi, S.Pt.,MP

Matakuliah : Ekonomi Produksi Peternakan Tahun : Oleh. Suhardi, S.Pt.,MP Matakuliah : Ekonomi Produksi Peternakan Tahun : 2014 Oleh. Suhardi, S.Pt.,MP 1 Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Menunjukkan jenis Peramalan Menggunakan Metode Peramalan Kuantitatif

Lebih terperinci

BAB I PENDAHULUAN I-1

BAB I PENDAHULUAN I-1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Peramalan merupakan bagian integral dari kegiatan pengambilan keputusan manajemen. (Makridakis, 1988). Hampir setiap keputusan yang dibuat oleh manajemen menggunakan

Lebih terperinci

BAB V ANALISA DAN PENYELESAIAN MASALAH

BAB V ANALISA DAN PENYELESAIAN MASALAH 67 BAB V ANALISA DAN PENYELESAIAN MASALAH 5.1 Analisa Plot Data Analisa plot data merupakan suatu cara yang dilakukan untuk mengetahui bentuk dari permintaan terhadap suatu barang/jasa setiap bulannya.

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

BAB III LANDASAN TEORI

BAB III LANDASAN TEORI BAB III LANDASAN TEORI 3.1 Definisi Peramalan Peramalan adalah suatu proses dalam menggunakan data historis yang telah dimiliki untuk diproyeksikan ke dalam suatu model peramalan. Dengan model peramalan

Lebih terperinci

BAB V ANALISA DAN PEMBAHASAN

BAB V ANALISA DAN PEMBAHASAN BAB V ANALISA DAN PEMBAHASAN 5.1 Peramalan Kebutuhan Bahan Baku Pada bab ini berisikan tentang analisa hasil dari pengolahan data dalam perhitungan Forecasting dan MRP tepung terigu untuk 12 bulan yang

Lebih terperinci

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

PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH ISBN: 978-602-71798-1-3 PENGGUNAAN METODE EXPONENTIAL SMOOTHING UNTUK MERAMALKAN PERSEDIAAN BERAS PADA BULOG DIVRE ACEH Nurmaulidar, Asep Rusyana, Rizka Maqfirah 1 Fakultas MIPA, Universitas Syiah Kuala,

Lebih terperinci

BAB III METODE PENELITIAN. Indonesia yaitu PT. Indosat, Tbk yang beralamat di jalan Daan Mogot KM 11

BAB III METODE PENELITIAN. Indonesia yaitu PT. Indosat, Tbk yang beralamat di jalan Daan Mogot KM 11 BAB III METODE PENELITIAN A. Waktu dan Tempat Penelitian 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilakukan di salah satu perusahaan telekomunikasi di Indonesia yaitu PT. Indosat, Tbk yang beralamat

Lebih terperinci

PRESENTASI SIDANG PENULISAN ILMIAH

PRESENTASI SIDANG PENULISAN ILMIAH PRESENTASI SIDANG PENULISAN ILMIAH METODE PERAMALAN PENJUALAN TAHU PADA USAHA KECIL MENENGAH (UKM) MAKMUR JAYA NAMA : Tia Mutiara NPM : 16210881 JURUSAN : Ekonomi Manajemen PENDAHULUAN Peramalan digunakan

Lebih terperinci

BAB 4 METODOLOGI PEMECAHAN MASALAH

BAB 4 METODOLOGI PEMECAHAN MASALAH BAB 4 METODOLOGI PEMECAHAN MASALAH 4.1 Model Rumusan Masalah dan Pengambilan Keputusan Untuk melakukan pemecahan masalah yang berkaitan dengan perencanaan bahan baku di PT. Mitra Manis Sentosa, maka dibawah

Lebih terperinci

ANALISIS PERAMALAN PENJUALAN PAKAIAN PADA TOKO KARTINI BUSANA. Nama : SUCI MUTIARA NPM : Kelas : 3 EA 14

ANALISIS PERAMALAN PENJUALAN PAKAIAN PADA TOKO KARTINI BUSANA. Nama : SUCI MUTIARA NPM : Kelas : 3 EA 14 ANALISIS PERAMALAN PENJUALAN PAKAIAN PADA TOKO KARTINI BUSANA Nama : SUCI MUTIARA NPM : 16210708 Kelas : 3 EA 14 LATAR BELAKANG Persaingan usaha dewasa ini menuntut pengusaha agar lebih peka terhadap keinginan

Lebih terperinci

Bab 3 Metodologi Penelitian dan Percobaan Pendahuluan

Bab 3 Metodologi Penelitian dan Percobaan Pendahuluan Bab 3 Metodologi Penelitian dan Percobaan Pendahuluan 3.1 Tahapan Penelitian Tahapan penelitian untuk membuat model prediksi dilakukan dalam 3 (tiga) tahap kegiatan yang ditunjukkan Gambar 3.1. Gambar

Lebih terperinci