Peramalan Permintaan Ragum Menggunakan Metode Time Series

Abstract

Banyak jenis inovasi yang terus dilakukan dalam menjaga keyakinan konsumen dalam hal peningkatan untuk penjualan sebuah produk. Bisnis membutuhkan ramalan agar bisnis terkait mampu menetapkan target pada penjualan yang wajib dipenuhi setiap hari. Menurut Kerkkanen 2010, jika peramalan dilaksanakan secara akurat, manfaatnya adalah marjin keamanan yang lebih rendah, tingkat persediaan yang lebih rendah, dan berkurangnya biaya persediaan dan peningkatan layanan pelanggan. Model yang dipelajari dalam metode peramalan ini adalah moving average, regresi linier pemulusan eksponensial dan peramalan konstan. Namun kriteria kebaikan model dilihat berdasarkan besar kecilnya forecast error yaitu MAD (Mean Absolute Deviation), MSE (Mean Squared Error) dan MAPE (Mean Absolute Percentage Error). Metode jenis time series yaitu bagian dari sebuah metode pada peramalan yang sifatnya kuantitatif [7]. Metode jenis time series berkaitan dengan parameter suatu variabel yang terurut secara periodik dalam waktu, sedangkan estimasi demand ditransformasikan Metode jenis time series ini dapat didefinisikan sebagai teknik dalam hal analisis data tertentu sebagai fungsi waktu. Tujuan dilakukan peramalan ini adalah untuk mengetahui permintaan ragum 12 periode ke depan berdasarkan data penjualan produk ragum 60 periode sebelumnya. Berdasarkan hasil dan pembahasan, tingkat kesalahan metode kuadratis lebih kecil dibandingkan metode siklis sehingga peramalan ragum menggunakan fungsi kuadratis yaitu Y’ = 443,2975 – 0,4803x + 0,0079x². Didapat hasil peramalan permintaan ragum 12 periode ke depan secara berturut-turut yaitu 443, 444, 444, 445, 445, 446, 447, 447, 448, 448, 449, dan 450 (satuan dalam unit).

Various innovations continue to be made to maintain consumer confidence and increase product sales. Businesses need forecasts so that the business can set sales targets that must be met every day. If forecasting is done accurately, the benefits are lower safety margins, lower inventory levels, and reduced inventory costs and improved customer service. The models studied in this forecasting method are moving averages, exponential smoothing linear regression and constant forecasting. However, the criteria for the goodness of the model are seen based on the size of the forecast error, namely MAD (Mean Absolute Deviation), MSE (Mean Squared Error) and MAPE (Mean Absolute Percentage Error). The time series method is part of the quantitative forecasting method [7]. The time series method deals with the parameters of a variable which are ordered periodically in time, while the demand estimation is transformed. This time series method can be interpreted as a technique for analyzing certain data as a function of time. The purpose of this forecasting is to find out the demand for vise for the next 12 periods based on sales data for the previous 60 periods. Based on the results and discussion, the error rate of the quadratic method is smaller than that of the cyclical method so forecasting for vise uses the quadratic function, namely Y' = 443.2975 - 0.4803x + 0.0079x2. The results of forecasting demand vise for the next 12 consecutive periods are 443, 444, 444, 445, 445, 446, 447, 447, 448, 448, 449, and 450 (units).