Modified Moving Average (MoMoA) Untuk Peramalan Penjualan Dengan Studi Kasus Sistem Retail
DOI:
https://doi.org/10.34148/teknika.v10i1.310Keywords:
peramalan, stok, moving average, retail, Modified Moving AverageAbstract
Salah satu yang menjadi kunci suksesnya manajemen sediaan adalah tersedianya produk yang sesuai dengan jumlah permintaan (demand), namun juga tetap memperhatikan kapasitas penyimpanan produk. Dengan jumlah demand yang dapat diramalkan sebelumnya, maka pihak manajemen dapat mengatur pengadaan barang secara lebih terencana. Salah satu metode peramalan kuantitatif adalah Simple Moving Average, namun metode ini tidak memperhitungkan faktor event yang bisa menyebabkan berbedanya hasil peramalan. Faktor event yang dimaksud adalah hari besar atau hari libur atau musim tertentu yang menyebabkan lonjakan/penurunan jumlah demand secara tidak wajar. Penelitian ini mengusulkan metode Modified Moving Average (MoMoA), sebagai pengembangan dari metode Simple Moving Average dengan menambahkan perhitungan faktor event. Metode kuantitatif yang akan digunakan sebagai pembanding dalam penelitian ini adalah metode Simple Moving Average, Single Exponential Smoothing, dan Least Square Trend. Evaluasi dilakukan dengan melakukan peramalan menggunakan empat macam metode pada periode terjadinya event hari Raya Idul Fitri dan membandingkan hasilnya dengan data penjualan riil. Hasil evaluasi menunjukkan bahwa metode MoMoA memberikan hasil 58% lebih baik dibandingkan metode lainnya, yaitu hasil peramalan dengan metode ini lebih mendekati riil dibandingkan dengan ketiga metode lainnya. Pada akhirnya, diharapkan penggunaan metode ini dapat membantu perusahaan dalam mengatur sediaan produk secara lebih terencana.
Downloads
References
Mitra, S.K. (2011). Usefulness of Moving Average Based Trading Rules in India. International Journal of Business and Management, Vol. 6 (7), pp. 199-206.
Sari, A.N., Utama, I.G.A. & Kusumawati, W.I. (2012) Perbandingan Sistem Peramalan Penjualan Dengan Metode Exponential Smoothing Dan Single Moving Averages Menggunakan Uji Statistik. Jurnal JSIKA, Vol. 1 (2), pp. 1-10.
Mulyandi, B. & Iriani, Y. (2010). Analisis Peramalan Penjualan Bahan Bakar Minyak Jenis Premium di SPBU Pahlawan Asri Bandung. National Conference Design and Application of Technology.
Hermawi, A. (2007). Aplikasi Moving Average Filter Pada Teknologi Enkripsi. Jurnal TESLA, Vol. 9(1), pp. 33-35.
Taylor III, B.W. (2008). Introduction to Management Science, Edisi 8. Jakarta: Penerbit Salemba Empat.
Shih, S.H. & Tsokos, C.P. (2008). A Weighted Moving Average Process for Forecasting. Journal of Modern Applied Statistical Methods, Vol. 7(1), pp. 187-197.
Hung, N.H. & Zhaojun, Y. (2013). Profitability of Applying Simple Moving Average Trading Rules for the Vietnamese Stock Market. Journal of Business & Management, Vol. 2(3), pp. 22-31.
Margi, K & Pendawa, S. (2015). Analisa Dan Penerapan Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu (Studi Kasus: PT. Media Cemara Kreasi). Seminar Hasil Penelitian dan Pengabdian Masyarakat Dana BOPTN. ISBN: 978-602-14917-3-7.
OTexts. (2017). Simple Exponential Smoothing. Diakses dari dari https://otexts.com/fpp2/ses.html
Holt, C.C. (1957). Forecasting Seasonals and Trends by Exponentially Weighted Moving Averages. ONR Memorandum, Vol. 52. Pittsburgh: Carnegie Institute of Technology.
Tratar, L.F., Mojškerc, B. & Toman A. (2016). Demand Forecasting with Four-Parameter Exponential Smoothin. International Journal of Production Economics, Vol. 181 (part A), pp. 162-173.
Stikom Open Course. (2012). Metode Pemulusan Eksponensial (Exponential Smoothing Method).
Lima, S., Gonçalves, A.M. & Costa, M. (2019). Time Series Forecasting Using Holt-Winters Exponential Smoothing: An Application to Economic Data. AIP Conference Proceedings 2186, 09000, DOI: 10.1063/1.5137999.
Wua, L., Liu, S. & Yang, Y. (2016). Grey Double Exponential Smoothing Model and Its Application on Pig Price Forecasting in China. Applied Soft Computing, Vol. 39, pp. 117-123.
Burger, C.J.S.C., Dohnal, M., Kathrada, M. & Law, R. (2001). A Practitioner’s Guide to Time-Series Methods for Tourism Demand Forecasting - a Case Study of Durban, South Africa. Tourism Management, Vol. 22(4), pp. 403-409.
Taylor, J.W. (2010). Triple Seasonal Methods for Short-Term Electricity Demand Forecasting. European Journal of Operational Research, Vol. 204(1), pp. 139-152.
Lind, D. (2015). Connect Online Access for Statistical Techniques in Business and Economics (16th ed). McGraw-Hill.
Winston, W.L. (2004). Operations Research: Applications and Algorithms. USA: Brooks/Cole–Thomson Learning.
Almuhtadi, W., Murphy, D.R. & Rosberg, M. (2010). Implementing Trend Identification With Least Squares Method Into Commtest on an Intelligent Satellite Services Network for Throughput Measurement. Electrical and Computer Engineering (CCECE), Proceedings of the 23rd Canadian Conference on Electrical and Computer Engineering (CCECE 2010), Calgary, Alberta, Canada.
Yu, L., Chen, H., Wang, S. & Lai, K.K. (2009). Evolving Least Squares Support Vector Machines for Stock Market Trend Mining. IEEE Transactions on Evolutionary Computation, Vol. 13(1), pp. 87-102.
Lin, K.P. & Pai, P.F. (2016). Solar Power Output Forecasting Using Evolutionary Seasonal Decomposition Least-Square Support Vector Regression. Journal of Cleaner Production, Vol. 134(part B), pp. 456-462.
