Volume 7.
Nomor 2, 2026, hlm 634-646 Jurnal Terapan Teknik Industri ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 https://jurnal.
id/index.
php/jenius Peramalan permintaan carbon black N330 produk menggunakan metode single double exponential smoothing dan moving average Carbon black N330 product demand forecasting using single double exponential smoothing and moving average methods Rifky Aditya*.
Eva Safariyani.
Naufal Rabbani Sumitra * Universitas Singaperbangsa Karawang.
Indonesia * Email: rizkyputrasupriatna0@gmail.
INFORMASI ARTIKEL
Histori Artikel Artikel dikirim 24/03/2026 Artikel diperbaiki 11/04/2026 Artikel diterima 06/05/2026 ABSTRAK Peramalan permintaan merupakan kegiatan penting dalam mendukung pengambilan keputusan perusahaan, khususnya pada perencanaan persediaan dan distribusi.
Ketidakakuratan peramalan dapat menyebabkan kelebihan atau kekurangan stok yang berdampak pada peningkatan biaya operasional dan terganggunya pemenuhan kebutuhan Penelitian ini bertujuan membandingkan tingkat akurasi metode Single Exponential Smoothing (SES).
Double Exponential Smoothing (DES), dan Moving Average (MA) dalam memprediksi permintaan produk Carbon Black N330 di PT ABC.
Data yang digunakan merupakan data historis periode April 2024 hingga Maret 2025 yang dianalisis secara kuantitatif menggunakan Microsoft Excel.
Evaluasi akurasi dilakukan dengan menggunakan indikator Mean Absolute Deviation (MAD).
Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE).
Hasil analisis menunjukkan bahwa metode SES dengan parameter = 0,3 menghasilkan tingkat kesalahan paling rendah dengan nilai MAPE sebesar 39,04%, dibandingkan dengan metode DES dan MA.
Temuan ini menunjukkan bahwa SES memiliki kemampuan terbaik dalam menyesuaikan pola fluktuasi permintaan.
Oleh karena itu, metode SES dengan = 0,3 dipilih sebagai metode yang paling akurat untuk peramalan permintaan produk Carbon Black N330.
Kata Kunci: Peramalan Permintaan.
Single Exponential Smoothing.
Double Exponential Smoothing.
Moving Average.
Manajemen Persediaan ABSTRACT Demand forecasting is an important activity in supporting company decisionmaking, especially in inventory and distribution planning.
Inaccuracies in forecasting can lead to excess or understock, which can lead to increased operational costs and disruption in meeting customer needs.
This study aims to compare the accuracy level of Single Exponential Smoothing (SES).
Double Exponential Smoothing (DES), and Moving Average (MA) methods in predicting the demand for Carbon Black N330 products at PT ABC.
The data used is historical data for the period April 2024 to March 2025 which is analyzed quantitatively using Microsoft Excel.
Accuracy evaluation was carried out using the Mean Absolute Deviation (MAD).
Mean Squared Error (MSE), and Mean Absolute Percentage Error (MAPE) indicators.
The results of the analysis showed that the SES method with the parameter = 0.
produced the lowest error rate with a MAPE value of 39.
04%, compared to the DES and MA methods.
These findings show that SES has the best ability to adjust to demand fluctuation patterns.
Therefore, the SES method with = 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.
3 was chosen as the most accurate method for forecasting the demand for Carbon Black N330 products.
Keywords: Demand Forecasting.
Single Exponential Smoothing.
Double Exponential Smoothing.
Moving Average.
Inventory Management Pendahuluan Peramalan permintaan berbasis data historis menjadi dasar penting dalam perencanaan persediaan dan distribusi .
Ketidakakuratan peramalan dapat menyebabkan ketidakseimbangan stok yang berdampak pada peningkatan biaya operasional dan terganggunya pemenuhan kebutuhan pelanggan .
Perusahaan distribusi bahan baku industri, khususnya bahan baku cat, menghadapi tantangan dalam mengelola permintaan yang cenderung fluktuatif .
Permintaan bahan baku seperti resin, pigmen, pelarut, dan aditif dipengaruhi oleh dinamika pasar dan kebutuhan pelanggan yang tidak stabil .
Kondisi ini juga terjadi pada PT ABC, terutama pada produk Carbon Black N330 yang menunjukkan pola permintaan tidak stabil dan menghasilkan tingkat kesalahan peramalan yang tinggi sehingga sering menyebabkan overstock maupun stockout .
Oleh karena itu, diperlukan metode peramalan yang mampu menyesuaikan karakteristik data permintaan tersebut secara akurat .
Berbagai metode peramalan kuantitatif seperti Moving Average.
Single Exponential Smoothing, dan Double Exponential Smoothing telah banyak digunakan dalam penelitian sebelumnya .
Namun, sebagian besar penelitian belum secara spesifik mengevaluasi kinerja metode peramalan pada data permintaan bahan baku industri yang bersifat fluktuatif dan tidak stabil .
Khususnya pada produk Carbon Black di sektor distribusi bahan baku cat, sehingga belum memberikan dasar yang jelas dalam pemilihan metode yang paling akurat pada kondisi tersebut .
Berdasarkan keterbatasan tersebut, diperlukan pendekatan yang mampu mengevaluasi dan membandingkan kinerja metode peramalan secara objektif .
Penelitian ini bertujuan untuk membandingkan dan menentukan metode peramalan paling akurat di antara Single Exponential Smoothing.
Double Exponential Smoothing, dan Moving Average dalam memprediksi permintaan produk Carbon Black N330 di PT ABC .
Kebaruan penelitian ini terletak pada evaluasi komparatif tiga metode peramalan menggunakan data permintaan aktual yang bersifat fluktuatif pada produk Carbon Black N330 di perusahaan distribusi bahan baku cat .
Hasil penelitian ini memberikan rekomendasi metode peramalan yang paling akurat untuk mendukung perencanaan persediaan pada PT ABC.
Metode Jenis dan Desain Penelitian: Penelitian ini menggunakan pendekatan kuantitatif dengan desain komparatif yang bertujuan untuk membandingkan kinerja beberapa metode peramalan dalam memprediksi permintaan produk secara objektif berdasarkan data historis .
Objek dan Lokasi Penelitian: Objek penelitian adalah produk Carbon Black N330 pada PT ABC yang merupakan perusahaan distribusi bahan baku kimia untuk industri cat.
Penelitian difokuskan pada data permintaan produk selama periode April 2024 hingga Maret 2025 sebagai dasar dalam melakukan analisis peramalan .
Jenis dan Sumber Data: Data yang digunakan dalam penelitian ini terdiri dari data primer dan data sekunder.
Data primer diperoleh melalui observasi langsung serta wawancara dengan pihak terkait seperti staf gudang dan tim logistik .
Sementara itu, data sekunder berupa data historis permintaan produk Carbon Black N330 selama periode penelitian yang digunakan sebagai dasar utama dalam proses analisis peramalan.
Teknik Pengumpulan Data: Teknik pengumpulan data dilakukan melalui observasi langsung terhadap aktivitas distribusi dan pengelolaan persediaan, wawancara terstruktur dengan pihak terkait, serta dokumentasi data historis permintaan yang dimiliki oleh perusahaan .
Teknik Analisis Data dan Prosedur Penelitian: Analisis data dilakukan menggunakan tiga metode peramalan, yaitu Single Exponential Smoothing (SES).
Double Exponential Smoothing (DES), dan Moving Average (MA) .
Single Exponential Smoothing (SES) .
Oe ) .
Parameter berada pada rentang 0 < < 1 dan ditentukan menggunakan metode trial and error dengan nilai 0,1 hingga 0,9 untuk memperoleh tingkat kesalahan terkecil .
636 Rifky Aditya.
Eva Safariyani.
Naufal Rabbani Sumitra Peramalan permintaan Carbon Black M330 menggunakan metode single exponential smoothing, double exponential smoothing dan moving average di PT Era Specialty Chemical .
Double Exponential Smoothing (DES) .
Oe ) .
Oe ) A 1Oe Oe .
Moving Average (MA) U .
Pengukuran akurasi Mean Absolute Deviation (MAD):
Oc( %$ = &&% Mean Squared Error (MSE):
Mean Absolute Percentage Error (MAPE):
Oc( .
Prosedur penelitian Prosedur penelitian dalam studi ini dilakukan secara bertahap yang diawali dengan pengumpulan data historis permintaan produk Carbon Black N330 dari perusahaan.
Data yang telah diperoleh kemudian diolah dan disusun berdasarkan periode waktu tertentu untuk memudahkan proses analisis.
Selanjutnya, data tersebut dianalisis menggunakan tiga metode peramalan, yaitu Single Exponential Smoothing (SES).
Double Exponential Smoothing (DES), dan Moving Average (MA).
Setelah proses peramalan dilakukan, tahap berikutnya adalah menghitung tingkat kesalahan peramalan menggunakan indikator Mean Absolute Deviation (MAD).
Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE) .
Nilai kesalahan dari masing-masing metode kemudian dibandingkan untuk menentukan metode peramalan yang paling akurat dalam memprediksi permintaan produk Carbon Black N330.
Hasil dan Pembahasan Pengumpulan data Data permintaan produk Carbon Black N330 selama periode April 2024 hingga Maret 2025 menunjukkan variasi yang cukup signifikan antarperiode waktu.
Nilai permintaan pada beberapa bulan berada pada tingkat sangat rendah, sementara pada periode lainnya mengalami peningkatan yang cukup tinggi.
Pola ini mencerminkan kondisi permintaan yang tidak stabil dan cenderung berubah secara dinamis.
Tidak terlihat adanya kecenderungan tren yang konsisten, baik meningkat maupun menurun sepanjang periode pengamatan.
Fluktuasi permintaan yang terjadi menunjukkan adanya ketidakpastian dalam kebutuhan pasar terhadap produk tersebut.
Variasi yang cukup tajam ini mengindikasikan bahwa pendekatan peramalan yang digunakan harus mampu mengakomodasi perubahan data secara adaptif.
Oleh karena itu, data historis ini digunakan sebagai dasar dalam mengevaluasi metode peramalan yang sesuai.
Tabel 1.
Data permintaan produk carbon black N330.
Tahun Bulan Jumlah Permintaan April Mei Juni Juli Agustus ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Tahun Bulan September Oktober November Desember Januari Februari Maret Jumlah Permintaan Permintaan produk Carbon Black N330 selama periode pengamatan menunjukkan pola yang fluktuatif tanpa kecenderungan tren yang konsisten, baik meningkat maupun menurun.
Nilai permintaan berada pada tingkat sangat rendah pada awal periode (AprilAeMe.
dan kemudian mengalami peningkatan signifikan pada bulan-bulan berikutnya, seperti Juli.
Agustus, dan Oktober.
Lonjakan tertinggi terjadi pada Oktober yang mengindikasikan adanya peningkatan kebutuhan dalam skala besar pada periode tersebut.
Namun, setelah itu permintaan kembali menurun secara tajam, menunjukkan ketidakstabilan pola permintaan.
Pola ini tidak menunjukkan adanya siklus musiman yang jelas, melainkan lebih dipengaruhi oleh dinamika permintaan jangka pendek.
Variasi yang tajam antarperiode mengindikasikan bahwa permintaan sangat bergantung pada kondisi pasar atau kebutuhan pelanggan tertentu.
Kondisi ini dapat disebabkan oleh sistem pemesanan berbasis proyek atau fluktuasi produksi industri pengguna.
Oleh karena itu, karakteristik data ini menuntut penggunaan metode peramalan yang mampu merespons perubahan secara adaptif.
Visualisasi data permintaan digunakan untuk memperjelas pola perubahan yang terjadi selama periode pengamatan.
Grafik memberikan representasi tren secara keseluruhan sehingga memudahkan dalam mengidentifikasi karakteristik data.
Perubahan nilai permintaan antarperiode dapat diamati secara lebih sistematis melalui pola garis yang terbentuk.
Penyajian ini membantu dalam melihat dinamika permintaan secara lebih komprehensif dibandingkan data Selain itu, visualisasi juga mendukung proses analisis dalam menentukan metode peramalan yang sesuai.
Pola yang terbentuk menjadi dasar dalam memahami perilaku data sebelum dilakukan perhitungan lebih lanjut.
Oleh karena itu, grafik digunakan sebagai alat bantu dalam mengevaluasi karakteristik permintaan.
Visualisasi grafik memperkuat bahwa pola permintaan bergerak secara tidak stabil dengan perubahan yang cukup tajam antarperiode.
Terlihat adanya lonjakan pada beberapa bulan tertentu yang diikuti dengan penurunan signifikan pada periode berikutnya, tanpa membentuk pola tren yang berkelanjutan.
Ketidakteraturan ini menunjukkan bahwa permintaan tidak dipengaruhi oleh faktor musiman, melainkan oleh kebutuhan yang bersifat insidental.
Pola seperti ini umumnya terjadi pada produk yang bergantung pada permintaan proyek atau pesanan dalam jumlah besar pada waktu tertentu.
Selain itu, fluktuasi juga dapat dipengaruhi oleh perubahan aktivitas produksi pelanggan atau kondisi pasar industri.
Ketidakpastian ini menyebabkan tingkat variasi data menjadi tinggi dan sulit diprediksi dengan metode sederhana.
Oleh karena itu, diperlukan metode peramalan yang mampu menyesuaikan perubahan data secara dinamis.
Analisis ini menjadi dasar dalam pemilihan metode peramalan yang tepat pada tahap selanjutnya.
Jumlah Permintaan Gambar 1.
Grafik data permintaan produk carbon black N330.
638 Rifky Aditya.
Eva Safariyani.
Naufal Rabbani Sumitra Peramalan permintaan Carbon Black M330 menggunakan metode single exponential smoothing, double exponential smoothing dan moving average di PT Era Specialty Chemical Single exponential smoothing Pengujian metode Single Exponential Smoothing (SES) dilakukan untuk mengetahui tingkat akurasi peramalan permintaan produk Carbon Black N330 dengan menggunakan beberapa nilai parameter alpha ().
Pada penelitian ini, pengujian dilakukan dengan menggunakan nilai alpha mulai dari 0,1 hingga 0,9 untuk memperoleh hasil peramalan yang paling akurat berdasarkan nilai kesalahan terkecil.
Setiap nilai alpha menghasilkan tingkat akurasi yang berbeda sehingga perlu dilakukan perbandingan menggunakan indikator kesalahan seperti Mean Absolute Percentage Error (MAPE).
Namun, dalam penyajian pada artikel ini hanya ditampilkan hasil pengujian dengan nilai alpha terbaik yang memiliki tingkat kesalahan paling kecil.
Oleh karena itu, tabel yang disajikan merupakan hasil peramalan Single Exponential Smoothing dengan nilai = 0,3 yang menunjukkan performa terbaik dibandingkan dengan nilai alpha lainnya.
Periode Tabel 2.
Hasil pengujian single exponential smoothing c = 0,3.
Demand Error |Erro.
Error^2 0,000 0,000 0,000 0,000 0,000 0,000 0,000 3050,000 3050,000 9302500,000 915,000 4610,000 4610,000 21252100,000 2298,000 5027,000 5027,000 25270729,000 3806,100 193,900 193,900 37597,210 3864,270 4660,730 4660,730 21722404,133 5262,489 -1262,489 1262,489 1593878,475 4883,742
-683,742
683,742
467503,533
4678,620
2046,380
2046,380
4187672,701
5292,534
-492,534
492,534
242589,472
5144,774
2130,226
2130,226
4537864,477
Total
19279,472
24157,002
88614839,001
2196,09
MAD
8055894,455
MSE
|PE|
0,000
1,000
0,834
0,686
0,048
0,547
0,316
0,163
0,304
0,103
0,293
4,294
39,036
MAPE
Hasil perhitungan menggunakan metode Single Exponential Smoothing (SES) dengan nilai = 0,3 menghasilkan estimasi permintaan yang relatif mendekati data aktual pada setiap periode.
Nilai peramalan yang diperoleh mencerminkan kemampuan metode dalam merespons perubahan data yang bersifat fluktuatif.
Dibandingkan dengan variasi parameter lainnya, nilai = 0,3 memberikan tingkat kesalahan yang lebih rendah sehingga lebih optimal dalam memodelkan pola permintaan.
Perbedaan antara nilai aktual dan hasil peramalan cenderung ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
lebih kecil pada sebagian besar periode, yang menunjukkan tingkat akurasi yang lebih baik.
Hal ini mengindikasikan bahwa metode SES cukup efektif dalam mengakomodasi perubahan permintaan yang tidak stabil.
Karakteristik data yang dinamis dapat direspons dengan baik melalui pembobotan yang diberikan pada data terbaru.
Oleh karena itu, metode SES dengan = 0,3 dapat dipertimbangkan sebagai pendekatan yang paling sesuai dalam memperkirakan permintaan produk Carbon Black N330.
Pengujian metode Single Exponential Smoothing dilakukan dengan menggunakan variasi nilai parameter untuk mengevaluasi pengaruhnya terhadap tingkat akurasi peramalan.
Setiap nilai menghasilkan tingkat respons yang berbeda terhadap perubahan data historis.
Variasi parameter ini penting untuk mengidentifikasi nilai yang paling optimal dalam memodelkan pola permintaan.
Perbedaan nilai kesalahan yang dihasilkan dari setiap parameter mencerminkan sensitivitas metode terhadap fluktuasi data.
Proses evaluasi dilakukan dengan membandingkan nilai kesalahan dari masing-masing parameter secara sistematis.
Parameter yang menghasilkan nilai kesalahan paling kecil dianggap paling sesuai dengan karakteristik data.
Oleh karena itu, analisis ini digunakan sebagai dasar dalam menentukan nilai yang optimal.
Tabel 3.
Rekapitulasi hasil pengujian single exponential smoothing.
Metode Single Exponential Smoothing = 0,1 Single Exponential Smoothing = 0,2 Single Exponential Smoothing = 0,3 Single Exponential Smoothing = 0,4 Single Exponential Smoothing = 0,5 Single Exponential Smoothing = 0,6 Single Exponential Smoothing = 0,7 Single Exponential Smoothing = 0,8 Single Exponential Smoothing = 0,9 MAD
3359,24
2374,43
2196,09
2211,73
2248,26
2277,17
2304,49
2334,08
2367,15
MSE
15552898,22
10275066,53
8058944,45
7089000,83
6652965,60
6515871,89
6599038,84
6847862,48
7281899,56
MAPE
59,41%
40,68%
39,04%
41,06%
42,99%
44,34%
45,37%
46,24%
47,04%
Hasil pengujian menunjukkan adanya variasi tingkat kesalahan peramalan pada setiap nilai yang digunakan.
Nilai kesalahan cenderung berubah seiring dengan perubahan parameter, yang mencerminkan pengaruh pembobotan terhadap data terbaru.
Nilai MAPE terendah diperoleh pada = 0,3 sebesar 39,04%, dengan nilai MAD sebesar 2196,09 dan MSE sebesar 8.
894,45.
Nilai tersebut lebih rendah dibandingkan parameter lainnya, sehingga menunjukkan tingkat akurasi yang lebih baik.
Perbedaan nilai kesalahan antarparameter mengindikasikan bahwa tidak semua nilai mampu mengakomodasi pola data secara optimal.
Parameter = 0,3 memberikan keseimbangan yang lebih baik dalam merespons fluktuasi data historis.
Hasil ini menegaskan bahwa pemilihan parameter yang tepat berpengaruh langsung terhadap akurasi peramalan yang Double exponential smoothing Pengujian metode Double Exponential Smoothing (DES) dilakukan untuk mengetahui tingkat akurasi peramalan permintaan produk Carbon Black N330 dengan menggunakan beberapa nilai parameter alpha ().
Dalam penelitian ini, pengujian dilakukan dengan menggunakan nilai alpha mulai dari 0,1 hingga 0,9 untuk memperoleh hasil peramalan yang memiliki tingkat kesalahan paling kecil.
Setiap nilai alpha menghasilkan nilai peramalan yang berbeda sehingga perlu dilakukan evaluasi menggunakan indikator kesalahan seperti Mean Absolute Percentage Error (MAPE).
Namun, pada artikel ini hanya ditampilkan hasil pengujian dengan nilai alpha terbaik yang menghasilkan tingkat kesalahan paling kecil.
Oleh karena itu, tabel yang disajikan merupakan hasil perhitungan Double Exponential Smoothing dengan nilai = 0,3 yang menunjukkan performa peramalan paling baik dibandingkan dengan nilai alpha lainnya.
Tabel 4.
Hasil pengujian double exponential smoothing c = 0,3.
Bualan Demand Error |Erro.
Error^2 |PE| 640 Rifky Aditya.
Eva Safariyani.
Naufal Rabbani Sumitra Peramalan permintaan Carbon Black M330 menggunakan metode single exponential smoothing, double exponential smoothing dan moving average di PT Era Specialty Chemical Bualan Demand Error |Erro.
Error^2 |PE| MAD
MSE
MAPE
TOTAL
Hasil pengujian menghasilkan variasi tingkat kesalahan pada setiap nilai yang digunakan.
Nilai = 0,3 memberikan tingkat kesalahan paling rendah dibandingkan parameter lainnya, sehingga menghasilkan estimasi yang lebih mendekati data aktual.
Perbedaan nilai kesalahan antarparameter menunjukkan bahwa sensitivitas terhadap data terbaru dan komponen tren memengaruhi akurasi peramalan.
Nilai kesalahan yang lebih kecil mencerminkan kemampuan metode dalam mengakomodasi pola perubahan data yang tidak stabil.
Variasi hasil ini mengindikasikan bahwa tidak semua parameter mampu menangkap karakteristik data secara Parameter = 0,3 memberikan keseimbangan yang lebih baik dalam merespons fluktuasi Oleh karena itu, parameter tersebut menjadi pilihan paling tepat pada metode Double Exponential Smoothing.
Pengujian metode Double Exponential Smoothing dilakukan dengan variasi nilai parameter untuk mengevaluasi pengaruhnya terhadap tingkat akurasi peramalan.
Perubahan nilai parameter menghasilkan perbedaan sensitivitas terhadap data historis, terutama dalam menangkap komponen tren.
Variasi ini digunakan untuk mengidentifikasi parameter yang paling optimal dalam memodelkan pola permintaan.
Perbedaan tingkat kesalahan antarparameter mencerminkan kemampuan metode dalam mengakomodasi karakteristik data yang fluktuatif.
Evaluasi dilakukan dengan membandingkan nilai kesalahan dari masing-masing parameter secara sistematis.
Parameter dengan nilai kesalahan paling kecil dianggap paling sesuai.
Oleh ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
karena itu, analisis ini menjadi dasar dalam menentukan nilai terbaik pada metode Double Exponential Smoothing.
Tabel 5.
Rekapitulasi hasil pengujian double exponential smoothing.
Metode MAD
MSE
Double Exponential Smoothing = 0,1 2531,01 10382649,18 Double Exponential Smoothing = 0,2 2471,30 7649850,46 Double Exponential Smoothing = 0,3 2574,52 7468382,90 Double Exponential Smoothing = 0,4 2620,62 7855051,25 Double Exponential Smoothing = 0,5 2646,77 8675090,21 Double Exponential Smoothing = 0,6 2684,84 9985164,08 Double Exponential Smoothing = 0,7 2958,21 11957663,56 Double Exponential Smoothing = 0,8 3326,70 14821158,90 Double Exponential Smoothing = 0,9 3711,64 18902561,59 MAPE
44,30%
48,84%
53,69%
55,49%
56,02%
56,37%
61,61%
68,59%
76,22%
Hasil pengujian menghasilkan variasi nilai kesalahan pada setiap parameter yang digunakan.
Nilai = 0,1 memberikan tingkat kesalahan paling rendah dengan MAPE sebesar 44,30%.
MAD sebesar 2531,01, dan MSE sebesar 10.
649,18.
Nilai tersebut lebih rendah dibandingkan parameter lainnya sehingga menghasilkan estimasi yang lebih mendekati data aktual.
Perbedaan tingkat kesalahan antarparameter menunjukkan bahwa sensitivitas terhadap data dan komponen tren memengaruhi akurasi peramalan.
Nilai kesalahan yang lebih kecil mencerminkan kemampuan metode dalam mengakomodasi perubahan data yang bersifat fluktuatif.
Variasi hasil ini mengindikasikan bahwa tidak semua nilai mampu menangkap pola data secara optimal.
Oleh karena itu, parameter = 0,1 menjadi pilihan yang paling sesuai pada metode Double Exponential Smoothing.
Moving Average Peramalan permintaan menggunakan metode Moving Average dilakukan untuk memperoleh gambaran estimasi kebutuhan produk berdasarkan rata-rata data historis pada periode Metode ini digunakan dengan periode t = 2 untuk menangkap perubahan permintaan jangka pendek yang terjadi pada produk Carbon Black N330.
Pemilihan periode tersebut mempertimbangkan pola data yang cenderung fluktuatif tanpa kecenderungan tren yang jelas.
Dengan pendekatan ini, nilai peramalan diharapkan mampu merepresentasikan kondisi aktual secara lebih sederhana.
Selain itu, metode Moving Average digunakan sebagai pembanding terhadap metode lain dalam penelitian ini.
Hasil peramalan kemudian dianalisis menggunakan indikator kesalahan untuk menilai tingkat akurasinya.
Evaluasi ini menjadi dasar dalam menentukan kelayakan metode dalam mendukung perencanaan persediaan.
Dengan demikian, metode ini memberikan gambaran awal terhadap kemampuan pendekatan rata-rata dalam memprediksi permintaan.
Periode Tabel 6.
Rekapitulasi hasil pengujian moving average.
Demand Error |Erro.
Error^2 0,000 3050,000 3050,000 9302500,000 1525,000 4000,000 4000,000 16000000,000 4287,500 3037,500 3037,500 9226406,250 6425,000 -2425,000 2425,000 5880625,000 5662,500 2862,500 2862,500 8193906,250 6262,500 -2262,500 2262,500 5118906,250 6262,500 -2062,500 2062,500 4253906,250 4100,000 2625,000 2625,000 6890625,000 5462,500 -662,500 662,500 438906,250 5762,500 1512,500 1512,500 2287656,250
|PE|
100,000%
72,398%
41,468%
60,625%
33,578%
56,563%
49,107%
39,033%
13,802%
20,790%
642 Rifky Aditya.
Eva Safariyani.
Naufal Rabbani Sumitra Peramalan permintaan Carbon Black M330 menggunakan metode single exponential smoothing, double exponential smoothing dan moving average di PT Era Specialty Chemical Periode Demand Total Error |Erro.
Error^2 |PE| 9675,000 24500,000 2450,000 MAD
67593437,500
6759343,750
MSE
487,364%
48,736%
MAPE
Hasil peramalan menunjukkan bahwa metode Moving Average menghasilkan tingkat kesalahan yang relatif tinggi dibandingkan metode lainnya, dengan nilai MAPE sebesar 45,74%.
Hal ini mengindikasikan bahwa pendekatan rata-rata sederhana kurang mampu menangkap dinamika perubahan permintaan yang bersifat fluktuatif.
Nilai MAD sebesar 3900,20 dan MSE 667,20 juga memperkuat bahwa deviasi antara hasil peramalan dan data aktual masih cukup besar.
Kondisi ini terjadi karena metode Moving Average tidak mempertimbangkan pola tren maupun pembobotan pada data terbaru.
Akibatnya, respons terhadap perubahan permintaan menjadi kurang adaptif.
Temuan ini menunjukkan bahwa metode ini kurang optimal untuk digunakan pada data dengan variabilitas tinggi.
Meskipun demikian, hasil ini tetap memberikan pembanding yang penting dalam evaluasi metode peramalan.
Dengan demikian.
Moving Average cenderung kurang akurat dalam memproyeksikan permintaan produk Carbon Black N330.
Rekapitulasi hasil perhitungan peramalan Perbandingan tingkat akurasi dilakukan untuk mengidentifikasi metode peramalan yang paling sesuai dalam memprediksi permintaan produk Carbon Black N330.
Evaluasi dilakukan menggunakan tiga indikator utama, yaitu MAD.
MSE, dan MAPE, yang merepresentasikan tingkat deviasi hasil peramalan terhadap data aktual.
Ketiga metode yang dibandingkan memiliki karakteristik perhitungan yang berbeda dalam merespons pola data.
Analisis ini bertujuan untuk mengetahui metode yang paling mampu menyesuaikan fluktuasi permintaan.
Dengan membandingkan nilai kesalahan, dapat diperoleh gambaran objektif mengenai performa masingmasing metode.
Hasil evaluasi ini menjadi dasar dalam menentukan metode yang paling akurat.
Selain itu, perbandingan ini juga memperkuat validitas pemilihan metode terbaik.
Dengan demikian, analisis akurasi menjadi tahap penting dalam proses pengambilan keputusan Tabel 7.
Hasil ukuran akurasi peramalan.
Metode MAD
MSE
MAPE
Single Exponential Smoothing 2196,09 8055894,45 39,04% Double Exponential Smoothing 2531,01 10382649,18 44,30% Moving Average 2450,00 6759343,75 48,74% Hasil perbandingan menunjukkan bahwa metode Single Exponential Smoothing memiliki tingkat kesalahan paling rendah dengan nilai MAPE sebesar 39,04%, sehingga lebih akurat dibandingkan metode lainnya.
Keunggulan ini disebabkan oleh karakteristik data permintaan yang bersifat fluktuatif tanpa menunjukkan tren yang kuat, sehingga metode sederhana seperti SES lebih mampu menyesuaikan perubahan data secara efektif.
Sementara itu, metode Double ISSN .
2722 3469 | ISSN [Onlin.
2722 4740 DOI 10.
37373/jenius.
Exponential Smoothing menghasilkan tingkat kesalahan yang lebih tinggi karena metode ini dirancang untuk menangkap pola tren, yang pada data penelitian ini tidak terbentuk secara jelas.
Ketidaksesuaian antara karakteristik data dan asumsi metode menyebabkan akurasi DES menjadi lebih rendah.
Di sisi lain, metode Moving Average juga menunjukkan akurasi yang lebih rendah karena tidak memberikan pembobotan khusus pada data terbaru, sehingga kurang responsif terhadap perubahan permintaan yang dinamis.
Kondisi ini mengakibatkan nilai kesalahan yang relatif lebih besar dibandingkan metode SES.
Perbedaan performa ini menegaskan bahwa pemilihan metode peramalan harus disesuaikan dengan pola data yang dianalisis.
Dengan demikian, metode Single Exponential Smoothing menjadi pendekatan yang paling sesuai untuk data permintaan Carbon Black N330 dalam penelitian ini.
Pembahasan Hasil penelitian menunjukkan bahwa karakteristik permintaan produk Carbon Black N330 bersifat fluktuatif tanpa pola tren yang konsisten sepanjang periode pengamatan.
Kondisi ini mengindikasikan bahwa perubahan permintaan lebih dipengaruhi oleh kebutuhan jangka pendek dibandingkan pola jangka panjang yang stabil.
Ketidakteraturan ini menyebabkan metode peramalan yang sensitif terhadap tren menjadi kurang optimal dalam menghasilkan estimasi yang Oleh karena itu, pemilihan metode peramalan harus mempertimbangkan kesesuaian dengan pola data yang dianalisis.
Ketidaktepatan dalam memilih metode dapat menyebabkan peningkatan tingkat kesalahan peramalan.
Hal ini berdampak langsung pada kualitas perencanaan persediaan yang dilakukan oleh perusahaan.
Dengan demikian, analisis karakteristik data menjadi tahap penting sebelum menentukan metode yang digunakan.
Hasil perbandingan menunjukkan bahwa metode Single Exponential Smoothing memberikan tingkat akurasi terbaik dibandingkan metode lainnya.
Hal ini disebabkan karena metode SES hanya mempertimbangkan pembobotan pada data historis tanpa mengasumsikan adanya tren, sehingga lebih sesuai dengan pola data yang tidak menunjukkan kecenderungan tertentu.
Sebaliknya, metode Double Exponential Smoothing menghasilkan tingkat kesalahan yang lebih tinggi karena mengasumsikan adanya komponen tren dalam data.
Pada kondisi data yang tidak memiliki tren yang jelas, penggunaan DES justru menyebabkan estimasi menjadi kurang akurat.
Selain itu, metode Moving Average juga menunjukkan performa yang lebih rendah karena tidak memberikan pembobotan lebih besar pada data terbaru.
Hal ini menyebabkan metode tersebut kurang responsif terhadap perubahan permintaan yang terjadi secara cepat.
Perbedaan karakteristik metode ini menjadi faktor utama yang memengaruhi tingkat akurasi yang Hasil penelitian ini juga sejalan dengan beberapa penelitian terdahulu yang menunjukkan bahwa metode Exponential Smoothing merupakan salah satu metode yang cukup efektif dalam melakukan peramalan permintaan.
Penelitian yang pernah dilakukan menunjukkan bahwa metode Exponential Smoothing mampu menghasilkan tingkat kesalahan peramalan yang lebih kecil dibandingkan metode rata-rata sederhana dalam menganalisis permintaan produk .
Selain itu, penelitian yang dilakukan yang lain juga menyatakan bahwa metode Exponential Smoothing memiliki keunggulan dalam menyesuaikan perubahan data permintaan karena menggunakan pembobotan yang lebih besar pada data terbaru .
Namun, beberapa penelitian lain juga menunjukkan bahwa metode Moving Average dapat memberikan hasil yang baik apabila data permintaan bersifat stabil tanpa adanya tren yang signifikan.
Implikasi dari hasil penelitian ini menunjukkan bahwa penggunaan metode Single Exponential Smoothing dapat meningkatkan ketepatan dalam memperkirakan kebutuhan produk secara lebih realistis.
Tingkat kesalahan yang lebih rendah memungkinkan perusahaan untuk menyusun perencanaan persediaan yang lebih akurat dan efisien.
Hal ini dapat mengurangi risiko terjadinya kelebihan stok maupun kekurangan stok yang berdampak pada biaya operasional.
Selain itu, hasil penelitian ini memberikan kontribusi praktis dalam pemilihan metode peramalan yang sesuai dengan karakteristik data fluktuatif tanpa tren.
Temuan ini juga memperkuat bahwa metode yang lebih kompleks tidak selalu menghasilkan akurasi yang lebih baik jika tidak sesuai 644 Rifky Aditya.
Eva Safariyani.
Naufal Rabbani Sumitra Peramalan permintaan Carbon Black M330 menggunakan metode single exponential smoothing, double exponential smoothing dan moving average di PT Era Specialty Chemical dengan pola data.
Oleh karena itu, kesesuaian metode dengan karakteristik data menjadi faktor utama dalam meningkatkan kualitas peramalan.
Dengan demikian, hasil penelitian ini dapat dijadikan dasar dalam pengambilan keputusan perencanaan permintaan secara lebih tepat.
Simpulan Berdasarkan hasil penelitian, metode Single Exponential Smoothing (SES) dengan parameter = 0,3 menghasilkan tingkat akurasi terbaik dengan nilai MAPE sebesar 39,04%, lebih rendah dibandingkan Double Exponential Smoothing .
,73%) dan Moving Average .
,74%).
Tingginya akurasi metode SES disebabkan oleh karakteristik data permintaan yang bersifat fluktuatif tanpa menunjukkan tren yang jelas, sehingga metode yang tidak mengakomodasi komponen tren lebih sesuai digunakan.
Sebaliknya, metode Double Exponential Smoothing kurang optimal karena mengasumsikan adanya tren, sedangkan Moving Average kurang responsif terhadap perubahan permintaan jangka pendek.
Temuan ini menunjukkan bahwa kesesuaian antara karakteristik data dan metode peramalan menjadi faktor utama dalam menentukan tingkat akurasi.
Penelitian ini memberikan kontribusi praktis dalam pemilihan metode peramalan yang tepat untuk data permintaan yang fluktuatif pada industri distribusi bahan kimia.
Untuk penelitian selanjutnya, disarankan menggunakan data dengan periode yang lebih panjang serta menguji metode peramalan lain yang mampu menangkap pola kompleks, seperti ARIMA atau pendekatan berbasis machine learning, guna meningkatkan akurasi dan generalisasi model.
Ucapan Terima Kasih Penulis mengucapkan terima kasih kepada pihak PT ABC yang telah memberikan kesempatan serta dukungan dalam pelaksanaan penelitian ini, khususnya dalam penyediaan data dan informasi yang diperlukan selama proses penelitian berlangsung.
Penulis juga menyampaikan apresiasi kepada seluruh pihak yang telah membantu, baik secara langsung maupun tidak langsung, sehingga penelitian ini dapat diselesaikan dengan baik.
Dukungan dan kerja sama yang diberikan sangat berarti dalam penyusunan dan penyempurnaan penelitian ini.
Referensi