Volume 7.
Nomor 2, 2026, hlm 546-563 Jurnal Terapan Teknik Industri ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 https://jurnal.
id/index.
php/jenius Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ Analysis of classic and arima forecasting methods for optimizing fast moving product inventory management at PT XYZ Jeremi Jackson Tampubolon*.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra * Universitas Singaperbangsa Karawang.
Jl H.
Ronggowaluyo.
PuseurJaya.
Kec Telukjambe Tim.
Kabupaten Karawang.
Jawa Barat.
Indonesia Email: jeremy2210jackson@gmail.
com*, hwwahyudin@gmail.
com, astridcarolineangelics@gmail.
agustino2003@gmail.
com, naufalsumitra87@gmail.
Informasi Artikel Histori Artikel Artikel dikirim 07/03/2026 Artikel diperbaiki 04/04/2026 Artikel diterima 21/04/2026 Abstrak Pengelolaan persediaan produk fast moving merupakan aspek penting dalam menjaga keseimbangan antara ketersediaan stok dan efisiensi biaya operasional perusahaan.
Permasalahan utama yang sering dihadapi adalah fluktuasi permintaan yang tinggi sehingga menyulitkan perusahaan dalam menentukan jumlah persediaan yang optimal.
Penelitian ini bertujuan untuk menganalisis dan membandingkan tingkat akurasi beberapa metode peramalan, yaitu Moving Average.
Single Exponential Smoothing.
Double Exponential Smoothing.
WinterAos Method, dan Autoregressive Integrated Moving Average (ARIMA), dalam memprediksi permintaan produk fast moving di PT XYZ.
Metode penelitian yang digunakan adalah pendekatan kuantitatif dengan desain deskriptif-komparatif menggunakan data historis penjualan bulanan periode Januari 2022 hingga Desember 2024.
Evaluasi kinerja model dilakukan menggunakan indikator Mean Absolute Percentage Error (MAPE).
Mean Absolute Deviation (MAD), dan Mean Squared Error (MSE), serta dilengkapi dengan analisis tracking signal dan moving range untuk menilai kestabilan dan bias model.
Hasil penelitian menunjukkan bahwa metode ARIMA memiliki tingkat akurasi terbaik dengan nilai kesalahan paling rendah dibandingkan metode lainnya.
Meskipun demikian, analisis validasi menunjukkan adanya kecenderungan bias pada beberapa periode, sehingga model tetap memerlukan pemantauan dan evaluasi berkala.
Penelitian ini menyimpulkan bahwa ARIMA merupakan metode yang paling optimal dalam memodelkan permintaan produk fast moving yang bersifat fluktuatif, serta dapat digunakan sebagai dasar dalam pengambilan keputusan pengelolaan persediaan yang lebih efektif dan berbasis data.
Kata Kunci: Forecasting.
ARIMA.
Persediaan.
Produk Fast moving.
Akurasi Peramalan ABSTRACT Managing the inventory of fast-moving products is an important aspect in maintaining a balance between stock availability and operational cost efficiency of the company.
The main problem that is often faced is the high fluctuations in demand, making it difficult for companies to determine the optimal amount of inventory.
This study aims to analyze and compare the accuracy level of several Forecasting methods, namely Moving Average.
Single Exponential Smoothing.
Double Exponential Smoothing.
Winter's JENIUS: Jurnal Terapan Teknik Industri is licensed under a Creative Commons Attribution-NonCommercial 4.
0 International License.
ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Method, and Autoregressive Integrated Moving Average (ARIMA), in predicting the demand for fast moving products at PT XYZ.
The research method used is a quantitative approach with a descriptive-comparative design using historical data on monthly sales for the period January 2022 to December 2024.
The evaluation of model performance was carried out using the Mean Absolute Percentage Error (MAPE).
Mean Absolute Deviation (MAD), and Mean Squared Error (MSE) indicators, and was equipped with tracking signal and moving range analysis to assess the stability and bias of the model.
The results showed that the ARIMA method had the best accuracy rate with the lowest error value compared to other methods.
However, validation analysis shows a bias trend in some periods, so the model still requires periodic monitoring and evaluation.
This study concludes that ARIMA is the most optimal method in modeling the demand for fast-moving products that are volatile, and can be used as a basis for more effective and data-driven inventory management decisions.
Keywords: Forecasting.
ARIMA Inventory.
Fast moving Products.
Forecasting Accuracy Pendahuluan Pengelolaan persediaan merupakan salah satu aspek krusial dalam manajemen operasi karena berpengaruh langsung terhadap tingkat pelayanan pelanggan, efisiensi biaya, serta keberlangsungan rantai pasok perusahaan .
Perusahaan distribusi yang menangani produk fast moving menghadapi tantangan utama berupa fluktuasi permintaan yang tinggi.
Hal ini tercermin dari data penjualan PT XYZ yang menunjukkan variasi signifikan antarperiode, dengan nilai permintaan bulanan yang berubah secara tidak stabil dan cenderung sulit diprediksi.
Kondisi ini menyebabkan ketidakpastian dalam perencanaan pengadaan, sehingga meningkatkan risiko kelebihan maupun kekurangan stok .
Oleh karena itu, diperlukan sistem peramalan permintaan yang akurat agar keputusan pengadaan dapat dilakukan secara optimal .
Pada praktiknya, banyak perusahaan masih mengandalkan pendekatan peramalan sederhana tanpa evaluasi komprehensif terhadap tingkat akurasinya, sehingga potensi inefisiensi masih sering terjadi .
Permasalahan ini juga ditemui pada aktivitas pengelolaan persediaan di PT XYZ, di mana ketepatan perencanaan stok menjadi faktor penting dalam menjaga ketersediaan produk sekaligus mengendalikan biaya persediaan .
Sejumlah penelitian terdahulu telah mengkaji penggunaan metode peramalan deret waktu seperti Moving Average.
Exponential Smoothing, serta Autoregressive Integrated Moving Average (ARIMA) dalam konteks pengendalian persediaan .
Metode Forecasting klasik seperti Moving Average dan Exponential Smoothing memiliki keunggulan dalam kemudahan implementasi dan interpretasi, serta efektif digunakan pada data dengan pola yang relatif stabil.
Namun, metode ini memiliki keterbatasan dalam menangkap pola data yang kompleks dan fluktuatif.
Di sisi lain, model ARIMA memiliki kemampuan yang lebih baik dalam memodelkan pola deret waktu yang dinamis melalui komponen autoregressive, differencing, dan Moving Average, sehingga lebih adaptif terhadap perubahan data.
Meskipun demikian.
ARIMA memiliki kelemahan berupa kompleksitas dalam proses identifikasi parameter dan kebutuhan asumsi stasioneritas data .
Meskipun berbagai metode telah dikembangkan, penelitian sebelumnya umumnya hanya menggunakan satu metode Forecasting tanpa melakukan perbandingan komprehensif antar metode pada data riil perusahaan, sehingga belum memberikan gambaran yang jelas mengenai metode yang paling optimal untuk karakteristik permintaan tertentu .
Selain itu, integrasi hasil peramalan dengan implikasi manajerial terhadap kebijakan persediaan juga masih terbatas .
Oleh karena itu, research gap dalam penelitian ini terletak pada belum adanya analisis komparatif yang sistematis antara metode Forecasting klasik dan ARIMA menggunakan data aktual perusahaan dalam konteks produk fast moving.
Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk menganalisis tingkat akurasi beberapa metode peramalan permintaan, menentukan model terbaik yang paling sesuai dengan pola data produk fast moving, serta memberikan rekomendasi pengelolaan persediaan yang lebih optimal.
Kontribusi penelitian ini secara praktis adalah memberikan dasar pengambilan keputusan berbasis data bagi perusahaan dalam menentukan metode peramalan 548 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ yang paling akurat, sedangkan secara akademik penelitian ini memberikan bukti empiris mengenai keunggulan pendekatan komparatif Forecasting dalam konteks manajemen persediaan .
Dengan demikian, penelitian ini tidak hanya memperkaya literatur terkait peramalan permintaan, tetapi juga menawarkan implikasi aplikatif yang relevan bagi pengambilan keputusan operasional.
Metode Penelitian ini menggunakan pendekatan kuantitatif dengan desain penelitian deskriptifkomparatif yang bertujuan mengevaluasi dan membandingkan kinerja beberapa metode peramalan dalam memprediksi permintaan produk fast moving .
Penelitian dilaksanakan pada perusahaan distribusi nasional PT XYZ dengan fokus pada satu produk utama, yaitu CSM727I manual cup sealer with white body .
ombo Cu.
AuPOWERPACKAy.
Periode penelitian mencakup data historis penjualan bulanan selama tiga tahun, yaitu Januari 2022 hingga Desember Sumber data yang digunakan terdiri dari data sekunder berupa data historis penjualan yang diperoleh dari dokumen perusahaan, serta data primer yang diperoleh melalui wawancara dengan pihak terkait, khususnya bagian supply chain, gudang, dan pengadaan .
Teknik pengumpulan data dilakukan melalui studi dokumentasi dan wawancara semi-terstruktur untuk memahami proses Forecasting serta kendala operasional yang dihadapi perusahaan .
Data penelitian berupa data deret waktu .
ime serie.
penjualan bulanan yang kemudian diolah melalui beberapa tahapan .
Tahap awal adalah pembagian data menjadi data pelatihan (Trainning se.
sebesar 70% dan data pengujian .
esting se.
sebesar 30%.
Pembagian ini dilakukan secara kronologis, di mana data periode Januari 2022 hingga sekitar pertengahan 2023 digunakan sebagai data pelatihan, sedangkan sisa data hingga Desember 2024 digunakan sebagai data pengujian, sehingga model dapat diuji menggunakan data yang belum pernah dipelajari Selanjutnya dilakukan penerapan beberapa metode peramalan, yaitu Moving Average .
bulan dan 6 bula.
Single Exponential Smoothing.
Double Exponential Smoothing.
WinterAos Method, dan Autoregressive Integrated Moving Average (ARIMA) .
Proses pengolahan data dan peramalan dilakukan menggunakan perangkat lunak Minitab untuk memastikan konsistensi dan akurasi perhitungan.
Penerapan metode ARIMA dilakukan melalui beberapa tahapan, yaitu: .
Uji stasioneritas untuk memastikan data memiliki rata-rata dan varians yang konstan, .
Identifikasi model menggunakan plot Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF) untuk menentukan orde parameter .
, d, .
, .
Estimasi parameter untuk memperoleh model ARIMA terbaik berdasarkan kriteria statistik, dan, .
Diagnostik residual untuk memastikan bahwa residual bersifat white noise dan model telah sesuai dengan data.
Teknik analisis data dilakukan dengan mengevaluasi tingkat akurasi hasil peramalan menggunakan indikator Mean Absolute Percentage Error (MAPE).
Mean Absolute Deviation (MAD), dan Mean Squared Error (MSE) .
MAPE digunakan untuk mengukur persentase kesalahan relatif dengan kriteria umum: <10% .
angat akura.
, 10Ae20% .
, 20Ae50% .
, dan >50% .
MAD digunakan untuk mengukur rata-rata deviasi absolut antara nilai aktual dan hasil peramalan, di mana nilai yang lebih kecil menunjukkan tingkat kesalahan yang lebih rendah.
Sementara itu.
MSE digunakan untuk mengukur rata-rata kuadrat kesalahan yang memberikan penalti lebih besar terhadap error yang ekstrem, sehingga semakin kecil nilai MSE menunjukkan model yang semakin baik.
Selain itu, dilakukan validasi model melalui analisis tracking signal untuk mendeteksi bias peramalan serta moving range untuk menilai kestabilan kesalahan prediksi antarperiode .
Hasil evaluasi ini digunakan untuk menentukan metode peramalan yang paling akurat dan stabil sehingga dapat direkomendasikan dalam pengelolaan persediaan produk fast moving.
Hasil dan Pembahasan Pengumpulan data ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Gambar 1 data yang digunakan dalam penelitian ini merupakan data historis penjualan bulanan produk CS-M727I yang diperoleh dari sistem pencatatan persediaan perusahaan PT XYZ selama periode pengamatan.
Gambar 1.
Penjualan produk CS-M727I 2022-2024 Secara umum, tabel menunjukkan bahwa permintaan produk bersifat fluktuatif dari waktu ke waktu dengan variasi yang cukup tinggi antarperiode, yang mengindikasikan karakteristik produk fast moving tanpa pola musiman yang konsisten.
Kondisi ini menegaskan pentingnya penggunaan metode peramalan yang adaptif terhadap perubahan pola permintaan agar hasil prediksi lebih representatif dan dapat mendukung pengambilan keputusan persediaan secara lebih akurat.
Fluktuasi permintaan yang tinggi pada produk fast moving memberikan pengaruh signifikan terhadap kinerja metode peramalan.
Pola data yang tidak stabil menyebabkan metode sederhana seperti Moving Average dan Exponential Smoothing kurang mampu menghasilkan prediksi yang akurat karena keterbatasannya dalam merespons perubahan pola secara cepat.
Sebaliknya, metode ARIMA lebih adaptif terhadap perubahan tersebut karena mempertimbangkan hubungan antarperiode dalam data historis.
Dengan demikian, semakin tinggi tingkat fluktuasi permintaan, maka semakin dibutuhkan metode peramalan yang mampu menangkap dinamika data secara lebih kompleks.
Tahapan awal pengolahan data Data pada Tabel 1 merupakan bagian dari data pelatihan (Trainning se.
yang digunakan sebagai dasar pembentukan model peramalan pada penelitian di PT XYZ.
Tabel 1.
Data trainning set Bulan Januari 2022 Februari 2022 Maret 2022 April 2022 Mei 2022 Juni 2022 Juli 2022 Agustus 2022 September 2022 Oktober 2022 November 2022 Desember 2022 Januari 2023 Februari 2023 Maret 2023 April 2023 Mei 2023 Penjualan .
550 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ Bulan Juni 2023 Juli 2023 Agustus 2023 September 2023 Oktober 2023 November 2023 Desember 2023 Januari 2024 Penjualan .
Secara umum, data Trainning menunjukkan variasi permintaan yang cukup dinamis antarperiode tanpa kecenderungan tren jangka panjang yang konsisten.
Variabilitas ini mengindikasikan bahwa pola permintaan dipengaruhi oleh faktor operasional dan pasar yang berubah-ubah, sehingga model peramalan perlu mampu beradaptasi terhadap perubahan tersebut agar menghasilkan prediksi yang lebih reliabel.
Visualisasi deret waktu berikut digunakan untuk menggambarkan pola pergerakan permintaan selama periode data pelatihan.
Gambar 2.
Grafik data trainning set Gambar 2 grafik menunjukkan bahwa permintaan bergerak secara fluktuatif dengan beberapa lonjakan dan penurunan yang terjadi dalam interval waktu relatif berdekatan, mencerminkan karakteristik permintaan yang tidak stabil.
Pola ini menegaskan bahwa pendekatan peramalan yang mempertimbangkan dinamika data historis secara lebih mendalam diperlukan agar model mampu menangkap perubahan pola secara lebih akurat dibandingkan metode berbasis rata-rata sederhana.
Moving average Metode moving average menggunakan rata-rata nilai dari beberapa bulan terakhir yang ditentukan untuk menghasilkan nilai forecast periode berikutnya.
Metode ini termasuk teknik smoothing yang sederhana dan cukup efektif untuk data tanpa pola tren atau musiman yang kuat.
Moving average 3 bulan Tabel 2 menyajikan hasil peramalan periode pengujian yang dihasilkan oleh metode moving average 3 bulan beserta interval prediksinya.
Tabel 2.
Hasil forecasting moving average (MA) 3 bulan Period
Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Forecasts Forecast
Lower
478,667
105,811
478,667
105,811
478,667
105,811
478,667
105,811
478,667
105,811
Upper
851,522
851,522
851,522
851,522
851,522
ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Period
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecasts Forecast
478,667
478,667
478,667
478,667
478,667
478,667
Lower
105,811
105,811
105,811
105,811
105,811
105,811
Upper
851,522
851,522
851,522
851,522
851,522
851,522
Hasil peramalan menunjukkan bahwa metode MA 3 bulan menghasilkan nilai prediksi yang stabil dengan rentang interval kepercayaan yang cukup lebar, mengindikasikan adanya ketidakpastian yang masih tinggi terhadap variasi permintaan aktual.
Kondisi ini mencerminkan karakteristik metode yang sederhana dan lebih berfokus pada perataan data, sehingga performanya perlu dibandingkan dengan metode lain yang lebih adaptif untuk memperoleh tingkat akurasi yang optimal.
Moving average 6 bulan Tabel 3 menyajikan nilai hasil peramalan untuk periode pengujian menggunakan metode Moving Average 6 bulan beserta batas interval prediksinya.
Tabel 3.
Hasil forecasting moving average (MA) 6 bulan Forecasts Period Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Forecasts Period Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Forecasts Period Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Forecasts Period Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Secara umum, hasil peramalan menunjukkan nilai prediksi yang konsisten antarperiode dengan rentang interval yang relatif luas, menandakan tingkat ketidakpastian yang masih cukup tinggi terhadap variasi data aktual.
Karakteristik ini mencerminkan sifat metode MA 6 bulan yang lebih menekankan stabilitas dibandingkan responsivitas, sehingga efektivitasnya perlu dievaluasi lebih lanjut melalui perbandingan tingkat akurasi dengan metode peramalan lainnya.
Single exponential smoothing (SES) Tabel 4 menyajikan hasil peramalan periode pengujian menggunakan metode Single Exponential Smoothing beserta interval prediksinya.
Tabel 4.
Hasil forecasting single exponential smoothing (SES) Period
Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Forecasts Forecast
Lower
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
325,991
-14,2617
Upper
666,244
666,244
666,244
666,244
666,244
666,244
666,244
666,244
666,244
666,244
552 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra
Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ
Period
Desember 2024
Forecasts Forecast
Lower
325,991
-14,2617
Upper
666,244
Hasil peramalan menunjukkan nilai prediksi yang relatif konstan dengan rentang interval yang cukup lebar, yang mencerminkan tingkat variasi permintaan yang masih tinggi.
Hal ini mengindikasikan bahwa meskipun SES mampu memberikan estimasi yang lebih adaptif dibandingkan metode rata-rata, evaluasi lebih lanjut terhadap akurasi dan kestabilan model tetap diperlukan melalui perbandingan dengan metode peramalan lainnya.
Double Exponential Smoothing (DES) Tabel 5 menyajikan hasil peramalan periode pengujian menggunakan metode Double Exponential Smoothing beserta interval prediksinya.
Hasil peramalan menunjukkan pola prediksi yang meningkat secara bertahap seiring komponen tren yang diakomodasi dalam model, dengan rentang interval prediksi yang mencerminkan tingkat ketidakpastian permintaan.
Hal ini mengindikasikan bahwa DSES cukup efektif dalam memodelkan data yang memiliki kecenderungan tren, namun evaluasi lebih lanjut terhadap tingkat akurasi dan kestabilan model tetap diperlukan untuk memastikan kesesuaiannya dalam lingkungan permintaan yang fluktuatif.
Tabel 5.
Hasil forecast double exponential smoothing (DSES) Period
Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecasts Forecast
Lower
420,604
80,681
434,371
90,067
448,137
99,202
461,904 108,094
475,671 116,753
489,438
125,19
503,205 133,414
516,972 141,435
530,739 149,261
544,506 156,901
558,273 164,365
Upper
760,527
778,674
797,073
815,715
834,589
853,686
872,996
892,51
912,218
932,111
952,182
WinterAos method .
riple exponential smoothin.
Tabel 6 menyajikan hasil peramalan periode pengujian menggunakan metode WinterAos (Triple Exponential Smoothin.
beserta interval prediksinya.
Hasil peramalan menunjukkan pola prediksi yang berfluktuasi mengikuti dinamika historis permintaan, dengan interval prediksi yang mencerminkan tingkat ketidakpastian model terhadap variasi data.
Meskipun metode ini secara teoritis mampu mengakomodasi komponen tren dan musiman, pada data penelitian yang tidak memiliki pola musiman yang kuat, hasil forecast cenderung kurang stabil.
Oleh karena itu, diperlukan evaluasi lebih lanjut melalui analisis akurasi dan perbandingan dengan metode lainnya untuk menentukan tingkat keandalan model dalam mendukung pengambilan keputusan Tabel 6.
Hasil forecasting winterAos method .
riple exponential smoothin.
Period
Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Forecasts Forecast
Lower
400,579 164,312
530,596 293,423
161,113 -77,024
294,13
54,974
553,148 312,916
316,665
75,304
451,182 208,638
312,199
68,419
Upper
636,845
767,769
399,25
533,287
793,379
558,025
693,726
555,979
ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Period
Oktober 2024
November 2024
Desember 2024
Forecasts Forecast
Lower
376,216 131,148
538,734 292,326
282,751
34,953
Upper
621,285
785,142
530,549
ARIMA .
utoregressive integrated moving averag.
Grafik pada Gambar 3 ARIMA digunakan untuk memvisualisasikan pola hasil peramalan permintaan sepanjang periode pengujian.
Gambar 3 grafik menunjukkan bahwa model ARIMA berusaha mengikuti pola fluktuasi data historis dengan perubahan nilai ramalan yang dinamis antar periode.
Pola visual yang terbentuk mencerminkan respons model terhadap ketidakstabilan permintaan, sehingga kurva ramalan tidak bersifat konstan melainkan menyesuaikan kecenderungan data sebelumnya.
Hal ini mengindikasikan bahwa model mampu menangkap pola perubahan permintaan, meskipun masih dipengaruhi oleh variasi data yang cukup tinggi.
Aktual Forecast Gambar 3.
Grafik ARIMA CS-M727I (Autoregressive Integrated Moving Averag.
Tabel 7 menyajikan hasil numerik peramalan ARIMA beserta batas bawah dan batas atas interval prediksi untuk setiap periode.
Berdasarkan Tabel 7 hasil peramalan, terlihat bahwa nilai forecast mengalami perubahan bertahap antar periode yang mencerminkan adaptasi model terhadap pola data historis.
Interval prediksi yang relatif lebar menunjukkan adanya tingkat ketidakpastian yang cukup besar dalam memproyeksikan permintaan di masa depan.
Kondisi ini menandakan bahwa meskipun ARIMA mampu memberikan estimasi yang mengikuti dinamika data, model tetap sensitif terhadap fluktuasi ekstrem sehingga diperlukan evaluasi lanjutan terhadap kestabilan dan bias hasil peramalan.
Tabel 7.
Hasil forecasting ARIMA .
utoregressive integrated moving averag.
Period
Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecasts Forecast
Lower
264,704
-222,85
349,653
-195,43
271,607
-422,88
286,716
-497,21
244,229
-657,69
232,867
-770,94
200,415
-915,25
177,603 -1046,12
146,346 -1189,84
117,287 -1331,43
84,163
-1479,8
Upper
752,26
894,74
966,09
1070,64
1146,15
1236,67
1316,08
1401,33
1482,54
1648,13
Analisis akurasi hasil forecasting .
esting se.
Tabel 8 menyajikan hasil evaluasi akurasi metode Moving Average (MA) 3 bulan pada periode pengujian berdasarkan perbandingan antara nilai aktual dan hasil peramalan.
Berdasarkan hasil 554 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ perhitungan tingkat kesalahan, metode MA 3 bulan menunjukkan rata-rata persentase error yang relatif tinggi dengan deviasi yang cukup besar antarperiode.
Hal ini mengindikasikan bahwa model belum mampu menangkap pola fluktuasi permintaan secara optimal, khususnya pada periode dengan perubahan nilai yang ekstrem.
Dengan demikian, meskipun metode ini sederhana dan mudah diterapkan, performa akurasinya perlu dibandingkan dengan metode lain yang lebih adaptif sebelum direkomendasikan untuk pengambilan keputusan persediaan.
Tabel 8.
MAPE.
MAD, dan MSE Moving Average (MA) 3 Bulan Periode Penjualan Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Average Forecast (Roun.
Error
MAPE
MAD
MSD
93,93%
53,22%
374,26%
5,89%
181,76%
78,73%
254,81%
91,60%
170,62%
50,16%
262,88%
151,47%
Moving Average (MA) 6 bulan Tabel 9 menyajikan hasil evaluasi tingkat akurasi metode Moving Average (MA) 6 bulan pada periode pengujian berdasarkan indikator kesalahan peramalan.
Secara umum, metode MA 6 bulan menunjukkan tingkat kesalahan yang masih cukup besar meskipun lebih rendah dibandingkan MA 3 bulan, yang tercermin dari penurunan rata-rata persentase error dan deviasi Periode rata-rata yang lebih panjang memberikan stabilitas yang lebih baik, namun tetap kurang responsif terhadap perubahan permintaan yang ekstrem.
Oleh karena itu, efektivitas metode ini masih perlu dibandingkan dengan metode lain yang memiliki kemampuan adaptasi lebih tinggi terhadap fluktuasi data.
Tabel 9.
MAPE.
MAD, dan MSE moving average (MA) 6 Bulan Periode Penjualan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
AVERAGE
Forecast (Roun.
Error
MAPE
MAD
MSD
65,59%
60,06%
304,95%
19,65%
140,59%
52,61%
202,96%
63,60%
131,07%
28,21%
209,85%
114,72%
Single exponential smoothing (SES) Tabel 10 menyajikan hasil evaluasi akurasi metode Single Exponential Smoothing (SES) pada periode pengujian berdasarkan indikator kesalahan peramalan.
Hasil evaluasi menunjukkan bahwa metode SES menghasilkan tingkat kesalahan rata-rata yang lebih rendah dibandingkan metode Moving Average, yang tercermin dari penurunan nilai MAPE.
MAD, dan MSD.
Meskipun demikian, masih terdapat variasi error yang cukup besar pada periode dengan lonjakan permintaan ekstrem, sehingga model belum sepenuhnya mampu mengakomodasi fluktuasi tinggi.
ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Secara umum, temuan ini mengindikasikan bahwa SES memiliki kemampuan adaptasi yang lebih baik, namun efektivitasnya tetap perlu dikaji secara komparatif dengan metode lain sebelum ditetapkan sebagai model terbaik.
Tabel 10.
MAPE.
MAD, dan MSE single exponential smoothing (SES) Periode Februari 2024 Maret 2024 April 2024 Mei 2024 Juni 2024 Juli 2024 Agustus 2024 September 2024 Oktober 2024 November 2024 Desember 2024 Penjualan AVERAGE Forecast (Roun.
Error
MAPE
MAD
MSD
31,98%
68,16%
222,77%
35,95%
91,76%
21,64%
141,48%
30,40%
84,18%
2,19%
146,97%
71,14%
Double Exponential Smoothing (DSES) Tabel 11 menyajikan hasil evaluasi tingkat akurasi metode Double Exponential Smoothing (DSES) pada periode pengujian berdasarkan indikator kesalahan peramalan.
Secara umum, metode DSES menunjukkan tingkat kesalahan yang relatif tinggi dengan variasi error yang cukup besar antarperiode, khususnya pada saat terjadi perubahan permintaan yang ekstrem.
Meskipun metode ini dirancang untuk mengakomodasi komponen tren, hasil evaluasi mengindikasikan bahwa pola permintaan yang sangat fluktuatif belum dapat ditangkap secara optimal.
Oleh karena itu, kinerja DSES dalam penelitian ini masih perlu dibandingkan lebih lanjut dengan metode lain yang berpotensi memberikan tingkat akurasi dan kestabilan yang lebih baik.
Tabel 11.
MAPE.
MAD, dan MSE Double Exponential Smoothing (DSES) Periode Penjualan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
AVERAGE
Forecast (Roun.
Error
MAPE
MAD
MSD
68,02%
58,59%
329,70%
12,97%
166,47%
72,39%
249,63%
92,40%
177,40%
56,74%
286,36%
155,82%
79801,167
WinterAos Method (Triple Exponential Smoothin.
Tabel 12 menyajikan hasil evaluasi akurasi metode WinterAos Method (Triple Exponential Smoothin.
pada periode pengujian berdasarkan indikator kesalahan peramalan.
Berdasarkan hasil evaluasi, metode WinterAos menunjukkan variasi tingkat kesalahan yang cukup tinggi antarperiode, terutama ketika terjadi perubahan permintaan yang tajam.
Meskipun secara teoritis metode ini mampu mengakomodasi komponen level, tren, dan musiman, pola data penelitian yang tidak menunjukkan musiman yang konsisten menyebabkan kinerjanya belum optimal.
Oleh karena itu, efektivitas metode ini perlu dianalisis secara komparatif terhadap metode lain untuk menentukan model yang paling sesuai dengan karakteristik data permintaan.
556 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ Tabel 12.
MAPE.
MAD, dan MSE WinterAos method .
riple exponential smoothin.
Periode Penjualan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
AVERAGE
Forecast (Roun.
Error
MAPE
MAD
MSD
62,35%
48,14%
59,41%
42,24%
225,29%
18,28%
234,07%
24,80%
112,43%
68,97%
114,39%
155,82%
79801,167
ARIMA (Autoregressive Integrated Moving Averag.
Tabel 13 menyajikan hasil evaluasi akurasi metode Autoregressive Integrated Moving Average (ARIMA) pada periode pengujian berdasarkan indikator kesalahan peramalan.
Hasil evaluasi menunjukkan bahwa metode ARIMA menghasilkan tingkat kesalahan rata-rata yang paling rendah dibandingkan metode lainnya, dengan nilai MAPE.
MAD, dan MSD yang relatif lebih kecil.
Meskipun masih terdapat deviasi pada periode tertentu dengan lonjakan permintaan yang ekstrem, secara umum model ini lebih mampu menyesuaikan diri terhadap dinamika data Temuan ini mengindikasikan bahwa ARIMA memiliki tingkat akurasi dan kestabilan yang lebih baik dalam memodelkan permintaan produk yang bersifat fluktuatif, sehingga berpotensi menjadi metode yang lebih tepat untuk mendukung pengambilan keputusan persediaan.
Tabel 13.
MAPE.
MAD, dan MSE ARIMA .
utoregressive integrated moving averag.
Periode Penjualan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
AVERAGE
Forecast (Roun.
Error
MAPE
MAD
MSD
7,29%
65,82%
169,31%
43,61%
43,53%
13,06%
48,15%
28,80%
17,51%
63,32%
36,36%
34,53%
9117,167
Analisis Analisis perbandingan gabungan model forecasting.
Setelah seluruh nilai error diperoleh, hasilnya kemudian dirangkum dalam satu tabel perbandingan gabungan.
Tabel 14 memuat nilai MAPE.
MAD, dan MSE dari seluruh metode Forecasting yang diuji, sehingga dapat digunakan untuk membandingkan performa antar metode secara langsung.
Berdasarkan perbandingan gabungan, terlihat bahwa terdapat perbedaan kinerja yang signifikan antar metode.
Metode berbasis rata-rata sederhana cenderung menghasilkan tingkat kesalahan yang lebih tinggi, sedangkan pendekatan yang mempertimbangkan dinamika pola data menunjukkan performa yang lebih baik.
Secara keseluruhan, metode ARIMA memberikan nilai error paling rendah pada ketiga indikator evaluasi, yang mengindikasikan tingkat akurasi dan konsistensi prediksi yang lebih unggul dibandingkan metode lainnya.
Temuan ini memperkuat pentingnya pemilihan model ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
peramalan yang sesuai dengan karakteristik data permintaan agar keputusan pengelolaan persediaan dapat dilakukan secara lebih efektif dan berbasis bukti empiris.
Tabel 14.
Perbandingan gabungan model forecasting Forecasting Model
Moving Average 3
Moving Average 6
Single Exponential Smoothing Double Exponential Smoothing WintersAo Method
ARIMA
MAPE
151,47%
114,72%
71,14%
155,82%
95,49%
34,53%
MAD
166,1666667
MSD
79801,16667
9117,166667
Hasil penelitian menunjukkan bahwa metode ARIMA memiliki tingkat akurasi yang lebih tinggi dibandingkan metode lainnya.
Hal ini disebabkan oleh kemampuan ARIMA dalam memodelkan pola data deret waktu yang bersifat dinamis dan fluktuatif melalui kombinasi komponen autoregressive (AR), differencing (I), dan Moving Average (MA).
Berbeda dengan metode Forecasting klasik yang cenderung mengasumsikan pola data yang lebih sederhana.
ARIMA mampu menangkap pola tren dan autokorelasi secara lebih optimal.
Selain itu, proses identifikasi model menggunakan ACF dan PACF memungkinkan penyesuaian parameter yang lebih sesuai dengan karakteristik data, sehingga menghasilkan tingkat kesalahan peramalan yang lebih rendah.
Validasi model forcasting Moving Average (MA) 3 bulan Tabel 15 menyajikan hasil validasi metode Moving Average (MA) 3 bulan berdasarkan analisis tracking signal dan moving range untuk menilai tingkat bias dan kestabilan model.
Berdasarkan hasil validasi, terlihat bahwa nilai tracking signal menunjukkan kecenderungan bergerak menjauh dari batas kendali seiring bertambahnya periode, yang mengindikasikan adanya akumulasi bias dalam hasil peramalan.
Selain itu, fluktuasi moving range yang relatif besar pada beberapa bulan mencerminkan ketidakstabilan kesalahan prediksi antarperiode.
Kondisi ini menunjukkan bahwa metode MA 3 bulan belum mampu mempertahankan konsistensi dan akurasi dalam menghadapi pola permintaan yang berfluktuasi tinggi.
Tabel 15.
Validasi moving average (MA) 3 Bulan Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
1,067164179
-0,311336717
-0,255775578
-1,463510848
-2,352193995
-3,568400771
-4,509761388
-5,588799386
-6,428261655
Moving range UCL
LCL
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
Moving Average (MA) 6 bulan Tabel 16 menyajikan hasil validasi metode moving average (MA) 6 bulan berdasarkan indikator tracking signal dan moving range untuk menilai tingkat bias dan kestabilan model.
Hasil validasi menunjukkan bahwa nilai tracking signal masih berada dalam batas kendali pada sebagian besar periode, namun memperlihatkan kecenderungan penurunan secara bertahap pada akhir pengamatan yang mengarah pada potensi bias.
Fluktuasi moving range yang muncul pada beberapa bulan juga mengindikasikan bahwa kestabilan error belum sepenuhnya terjaga.
Dengan demikian, meskipun MA 6 bulan relatif lebih stabil dibandingkan MA 3 bulan, model ini masih memiliki keterbatasan dalam merespons perubahan permintaan yang signifikan.
558 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ Tabel 16.
Validasi moving average (MA) 6 Bulan Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
-1,16097561
1,814634146
0,666666667
1,172638436
0,200408998
-0,400497512
-1,555791711
-2,315041646
-3,330400352
-3,942869234
Moving range UCL
LCL
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
Single exponential smoothing (SES) Tabel 17 menyajikan hasil validasi metode Single Exponential Smoothing (SES) berdasarkan analisis tracking signal dan moving range untuk menilai bias serta kestabilan model.
Hasil validasi menunjukkan bahwa nilai tracking signal relatif berada dalam batas kendali dan tidak menunjukkan kecenderungan bias kumulatif yang ekstrem.
Pergerakan moving range juga terlihat lebih terkendali dibandingkan metode rata-rata sederhana, meskipun tetap terdapat fluktuasi pada periode tertentu.
Secara umum, temuan ini mengindikasikan bahwa metode SES memiliki tingkat kestabilan dan konsistensi yang lebih baik dalam memodelkan permintaan yang Tabel 17.
Validasi single exponential smoothing (SES) Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
0,458536585
2,475083056
1,843971631
2,68115942
2,237218814
2,244590164
1,389277389
1,114955357
0,376094796
0,372689938
Moving range UCL
LCL
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
-35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
35,378
Double Exponential Smoothing (DSES) Tabel 18 menyajikan hasil pengujian bias dan kestabilan metode double exponential smoothing (DSES) melalui indikator tracking signal dan moving range.
Hasil validasi menunjukkan bahwa nilai tracking signal cenderung bergerak menjauh dari titik netral pada akhir periode pengujian, yang mengindikasikan adanya potensi bias kumulatif.
Selain itu, fluktuasi moving range yang cukup besar pada beberapa periode mencerminkan ketidakstabilan error antarbulan.
Temuan ini menunjukkan bahwa meskipun DSES dirancang untuk mengakomodasi komponen tren, dalam konteks data yang sangat fluktuatif model ini belum mampu menjaga konsistensi dan kestabilan prediksi secara optimal.
Tabel 18.
Validasi double exponential smoothing (DSES) Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
Forecast
Tracking signal
-1,218604651
1,716934487
0,432055749
0,758077879
-0,428857715
-1,273101825
Moving range UCL
LCL
-61,978
-61,978
-61,978
-61,978
-61,978
-61,978
61,978
61,978
61,978
61,978
61,978
61,978
ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Bulan September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
-2,559686888
-3,522767075
-4,668200997
-5,535382416
Moving range UCL
-61,978
-61,978
-61,978
-61,978
LCL
61,978
61,978
61,978
61,978
WinterAos method .
riple exponential smoothin.
Tabel 19 menyajikan hasil validasi metode WinterAos Method (Triple Exponential Smoothin.
berdasarkan analisis tracking signal dan moving range untuk mengevaluasi bias serta kestabilan Hasil validasi menunjukkan bahwa nilai tracking signal secara umum masih berada dalam batas kendali, meskipun terjadi fluktuasi pada beberapa periode.
Pergerakan moving range yang cukup besar pada bulan tertentu mengindikasikan adanya variasi error yang signifikan akibat perubahan permintaan yang tajam.
Secara keseluruhan, metode WinterAos menunjukkan kemampuan adaptasi yang cukup baik, namun kestabilan prediksi masih dipengaruhi oleh karakteristik data yang tidak memiliki pola musiman yang kuat dan konsisten.
Tabel 19.
Validasi winterAos method .
riple exponential smoothin.
Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
-1,391044776
1,577629382
1,256649892
1,369337979
0,932996207
0,249858357
-0,46961895
-1,044487427
-2,477366255
-2,524736415
Moving range UCL
LCL
-3,99
-3,99
-3,99
-3,99
-3,99
-3,99
-3,99
-3,99
-3,99
-3,99
3,99
3,99
3,99
3,99
3,99
3,99
3,99
3,99
3,99
3,99
ARIMA (Autoregressive Integrated Moving Averag.
Tabel 20 menyajikan hasil validasi metode Autoregressive Integrated Moving Average (ARIMA) berdasarkan analisis tracking signal dan moving range untuk menilai tingkat bias dan kestabilan model.
Hasil validasi menunjukkan bahwa nilai tracking signal mengalami peningkatan secara bertahap dan pada akhir periode mendekati bahkan melampaui batas kendali, yang mengindikasikan adanya kecenderungan bias kumulatif.
Meskipun demikian, variasi moving range relatif lebih terkendali dibandingkan beberapa metode lainnya pada sebagian besar Secara keseluruhan, temuan ini menunjukkan bahwa ARIMA memiliki kemampuan adaptasi yang baik terhadap dinamika data, namun tetap memerlukan pemantauan berkala untuk menghindari potensi bias dalam jangka panjang.
Tabel 20.
Validasi ARIMA
Bulan Februari 2024
Maret 2024
April 2024
Mei 2024
Juni 2024
Juli 2024
Agustus 2024
September 2024
Oktober 2024
November 2024
Desember 2024
Forecast
Tracking signal
0,579310345
2,406909789
2,117263844
3,064300067
3,285347044
3,965517241
4,208758248
4,985319029
5,685417804
6,793804453
Moving range UCL
LCL
12,768
12,768
12,768
12,768
12,768
12,768
12,768
12,768
12,768
12,768
-12,768
-12,768
-12,768
-12,768
-12,768
-12,768
-12,768
-12,768
-12,768
-12,768
Pembahasan Secara operasional, peningkatan akurasi peramalan menggunakan metode ARIMA dapat memberikan dampak signifikan terhadap berbagai aspek manajemen persediaan.
Pertama, 560 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ perusahaan dapat menentukan jumlah pemesanan yang lebih optimal sehingga dapat menekan biaya penyimpanan dan biaya kekurangan stok.
Kedua, ketepatan peramalan juga membantu dalam penjadwalan pengadaan dan distribusi barang menjadi lebih terencana, sehingga mengurangi ketidakpastian dalam rantai pasok.
Ketiga, dengan menurunnya tingkat kesalahan prediksi, perusahaan dapat meningkatkan tingkat pelayanan kepada pelanggan melalui ketersediaan produk yang lebih terjamin.
Oleh karena itu, penerapan metode peramalan yang akurat tidak hanya berdampak pada aspek analitis, tetapi juga memberikan manfaat nyata dalam peningkatan efisiensi operasional perusahaan secara keseluruhan.
Evaluasi akurasi peramalan Perbandingan akurasi dilakukan terhadap enam metode peramalan, yaitu Moving Average 3 bulan.
Moving Average 6 bulan.
Single Exponential Smoothing (SES).
Double Exponential Smoothing (DSES).
WinterAos Method, dan ARIMA.
Hasil evaluasi menunjukkan bahwa ARIMA memiliki tingkat kesalahan paling rendah secara keseluruhan dibandingkan metode lainnya.
Nilai MAPE yang dihasilkan berada pada kategori cukup baik hingga baik berdasarkan kriteria evaluasi akurasi yang direkomendasikan dalam literatur, sehingga secara statistik metode ini dinilai paling unggul dalam memprediksi permintaan produk CS-M727I.
Temuan ini memperlihatkan bahwa pendekatan berbasis pemodelan deret waktu yang mempertimbangkan komponen autoregresif dan differencing lebih mampu menangkap dinamika permintaan dibandingkan metode perataan sederhana .
Evaluasi kestabilan dan ketidakterbiasan model Meskipun ARIMA menunjukkan tingkat akurasi tertinggi, evaluasi tidak berhenti pada indikator statistik semata.
Akurasi yang baik belum tentu menjamin model bebas dari bias atau memiliki kestabilan error yang memadai.
Oleh karena itu, dilakukan analisis lanjutan menggunakan tracking signal dan moving range untuk menilai ketidakterbiasan serta kestabilan model dalam periode pengujian.
Pada analisis tracking signal, ditemukan bahwa nilai indikator pada metode ARIMA cenderung meningkat dan pada beberapa periode melampaui batas kendali yang direkomendasikan (A.
Kondisi ini mengindikasikan adanya akumulasi bias sistematis dalam peramalan, khususnya kecenderungan underforecast pada akhir periode pengamatan.
Secara operasional, bias semacam ini berpotensi menyebabkan kekurangan stok, terlebih dalam kondisi perusahaan yang memiliki lead time pengadaan relatif Panjang.
Dengan demikian, meskipun akurasi rata-rata tergolong baik, terdapat risiko bias yang perlu diantisipasi dalam implementasi Selanjutnya, analisis moving range menunjukkan adanya fluktuasi error yang cukup tinggi pada beberapa periode tertentu.
Lonjakan nilai moving range mengindikasikan bahwa model belum sepenuhnya stabil dalam menghadapi perubahan permintaan yang bersifat ekstrem dan Hal ini menegaskan bahwa meskipun ARIMA unggul secara rata-rata, performanya masih dipengaruhi oleh volatilitas data yang tinggi.
Oleh karena itu, pemantauan berkala terhadap stabilitas model tetap diperlukan dalam penerapan praktisnya.
Analisis penyebab ketidaksesuaian metode Ketidaksesuaian beberapa metode peramalan dalam penelitian ini dapat dijelaskan melalui karakteristik data dan keterbatasan pendekatan statistik yang digunakan.
Pertama, pola permintaan produk CS-M727I tergolong sangat fluktuatif dengan perubahan volume yang drastis Pola semacam ini sulit diprediksi secara akurat oleh model yang hanya mengandalkan pola historis tanpa mempertimbangkan variabel penyebab perubahan .
Kedua, data penjualan tidak menunjukkan pola musiman yang konsisten dan berulang secara teratur.
Kondisi ini menyebabkan metode yang mengandalkan komponen musiman, seperti WinterAos Method, tidak dapat bekerja secara optimal karena asumsi dasar keberadaan pola musiman yang stabil tidak terpenuhi dalam data penelitian.
Ketiga, seluruh metode yang digunakan dalam penelitian ini bersifat univariat, yaitu hanya memanfaatkan data penjualan historis tanpa memasukkan faktor eksternal seperti promosi, kondisi pasar, perubahan harga, atau aktivitas pesaing.
Keterbatasan ini menjadi salah satu ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
penyebab model belum mampu sepenuhnya menangkap perubahan struktural permintaan yang tidak tercermin dalam data masa lalu.
Oleh karena itu, pengembangan model multivariat atau integrasi variabel eksternal dapat menjadi arah penelitian selanjutnya untuk meningkatkan akurasi dan kestabilan peramalan.
Komparasi dengan pebelitian sebelumnya Hasil penelitian ini sejalan dengan beberapa penelitian sebelumnya yang menyatakan bahwa metode ARIMA memiliki tingkat akurasi yang lebih tinggi dibandingkan metode Forecasting klasik pada data yang bersifat fluktuatif .
Penelitian terdahulu menunjukkan bahwa ARIMA mampu menangkap pola autokorelasi dan tren secara lebih baik dibandingkan Moving Average dan Exponential Smoothing yang cenderung lebih sederhana dalam memodelkan data .
Namun demikian, terdapat pula penelitian yang menunjukkan bahwa metode klasik masih cukup efektif digunakan pada data dengan pola yang stabil dan tidak memiliki fluktuasi tinggi .
Perbedaan hasil ini menunjukkan bahwa pemilihan metode peramalan sangat bergantung pada karakteristik data yang digunakan.
Dengan demikian, hasil penelitian ini memperkuat temuan sebelumnya sekaligus menegaskan bahwa ARIMA lebih unggul dalam konteks data permintaan produk fast moving yang dinamis.
Secara keseluruhan, hasil penelitian ini menunjukkan bahwa metode ARIMA memberikan performa terbaik dibandingkan metode Forecasting klasik yang diuji, ditinjau dari nilai kesalahan yang lebih rendah dan kestabilan model yang lebih baik.
Temuan ini menegaskan bahwa pendekatan komparatif dalam pemilihan metode peramalan sangat penting untuk memperoleh model yang paling sesuai dengan karakteristik data.
Dibandingkan dengan penelitian sebelumnya yang umumnya hanya menggunakan satu metode, penelitian ini memberikan kontribusi lebih dalam bentuk evaluasi menyeluruh antar metode, sehingga dapat menjadi referensi yang lebih komprehensif dalam pengambilan keputusan terkait peramalan permintaan dan pengelolaan Simpulan Berdasarkan hasil penelitian, dapat disimpulkan bahwa metode ARIMA merupakan model peramalan yang paling akurat dalam memprediksi permintaan produk fast moving CS-M727I di PT XYZ dibandingkan metode Moving Average.
Single Exponential Smoothing.
Double Exponential Smoothing, dan WinterAos Method, ditinjau dari nilai kesalahan (MAPE.
MAD, dan MSE) yang paling Hal ini menunjukkan bahwa ARIMA lebih mampu menangkap pola permintaan yang fluktuatif, sehingga layak digunakan sebagai dasar dalam pengambilan keputusan pengelolaan Namun demikian, hasil evaluasi menunjukkan bahwa model masih memiliki keterbatasan dalam menghadapi lonjakan permintaan tertentu, sehingga pemilihan metode peramalan perlu disesuaikan dengan karakteristik data dan tidak bersifat universal.
Oleh karena itu, perusahaan disarankan untuk menggunakan metode ARIMA sebagai model utama yang dikombinasikan dengan evaluasi berkala serta pertimbangan manajerial guna meningkatkan efektivitas perencanaan persediaan.
Ucapan Terima Kasih Penulis menyampaikan apresiasi dan terima kasih yang sebesar-besarnya kepada seluruh pihak yang telah memberikan dukungan dalam pelaksanaan penelitian ini.
Ucapan terima kasih secara khusus disampaikan kepada manajemen dan tim operasional PT XYZ yang telah memberikan izin, akses data, serta dukungan selama proses pengumpulan dan analisis data Penulis juga mengucapkan terima kasih kepada dosen pembimbing atas arahan, masukan, dan bimbingan akademik yang konstruktif sehingga penelitian ini dapat terselesaikan dengan baik.
Selain itu, penghargaan turut diberikan kepada rekan-rekan serta semua pihak yang telah memberikan bantuan, motivasi, dan dukungan moral selama proses penelitian dan penyusunan naskah ini.
Semoga penelitian ini dapat memberikan kontribusi yang bermanfaat bagi pengembangan ilmu pengetahuan maupun praktik manajemen persediaan di dunia industri.
562 Jeremi Jackson Tampubolon.
Wahyudin.
Astrid Caroline Angelica Simatupang.
Jericho Agustino.
Naufal Rabbani Sumitra
Analisis metode forecasting klasik dan arima untuk optimasi pengelolaan persediaan produk fast moving di PT XYZ
Referensi