PROGRAM PERAMALAN PRODUKSI SEBAGAI PENDUKUNG KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN JUMLAH PRODUKSI TIAP ITEM

KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN JUMLAH PRODUKSI TIAP ITEM

Skripsi

Disusun Oleh: Arini Zahrotul Jannah M0508086 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA

KEPUTUSAN BAGI PENGUSAHA BATIK DALAM MENENTUKAN JUMLAH PRODUKSI TIAP ITEM

Oleh Arini Zahrotul Jannah M0508086

SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Informatika JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA

Don’t Walk, Just Run (Running Man)

Banyak kegagalan dalam hidup ini dikarenakan orang-orang tidak menyadari betapa dekatnya mereka dengan keberhasilan saat mereka menyerah. (Thomas Alva Edison)

Life is a short drive that looks like a long journey. (Penulis)

Karya ini Penulis persembahkan kepada:

“ Ibu, Bapak, serta kedua kakak tercinta Mas Faqih dan Mas Achmad.”

“Sahabat di Informatika UNS khususunya teman-teman angkatan 2008.”

Bismillahirrahmaanirrahiim

Puji syukur penulis panjatkan kehadirat Allah Subhanahu Wa Ta’ala yang senantiasa memberikan nikmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi dengan judul “Program Peramalan Produksi Sebagai Pendukung Keputusan Bagi Pengusaha Batik dalam Menentukan Jumlah Produksi Tiap Item ”, yang menjadi salah satu syarat wajib untuk memperoleh gelar Sarjana Informatika di Universitas Sebelas Maret (UNS) Surakarta.

Penulis menyadari akan keterbatasan yang dimiliki, begitu banyak bimbingan, bantuan, serta motivasi yang diberikan dalam proses penyusunan skripsi ini. Oleh karena itu, ucapan terima kasih penulis sampaikan kepada :

1. Bapak Prof. Ir. Ari Handono Ramelan, M.Sc. (Hons), Ph.D selaku Pimpinan Fakultas MIPA Universitas Sebelas Maret Surakarta,

2. Ibu Umi Salamah, S.Si., M.Kom selaku Ketua Jurusan Informatika FMIPA UNS sekaligus penguji utama yang telah memberikan masukan, kritik dan saran yang membangun,

3. Bapak Ristu Saptono, S.Si., M.T. selaku Dosen Pembimbing I yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,

4. Bapak Drs. YS. Palgunadi, M.Sc selaku Dosen Pembimbing II yang penuh kesabaran membimbing, mengarahkan, dan memberi motivasi kepada penulis selama proses penyusunan skripsi ini,

5. Ibu Sari Widya Sihwi, S.Kom., M.T.I selaku anggota penguji yang telah memberikan masukan, kritik dan saran yang membangun,

6. Bapak Wiharto, S.T., M.Kom. selaku Pembimbing Akademik yang telah banyak memberi bimbingan dan pengarahan selama penulis menempuh studi di Jurusan Informatika FMIPA UNS,

7. Bapak, Ibu, Kakak serta teman-teman yang telah memberikan bantuan sehingga penyusunan skripsi ini dapat terselesaikan.

Penulis berharap semoga skripsi ini dapat bermanfaat bagi semua pihak yang berkepentingan.

Surakarta, Juli 2012

Production forecasting process is important for the company for determining its future strategy. Many batik entrepreneurs are still using intuition for deciding the amount of the production at this time. However, using their intuition may have possibility in losses if the demand is less than the production because of the unsold. An appropriate forecasting method is needed to get maximum benefit from the forecasting process. A scientific prediction will be more valueable than using intuition for estimating production. Time Series Analysis are methods that can be used in the production forecast.

The Time Series Analysis used to determine the past data patterns which had been collected from time to time. This research used exponential smothing method, one kind of time series analysis methods. This method used to find the optimal value of the constant alpha ( α) and gamma (γ) was to get smaller MAPE.

The results of production forecast calculation shows that exponential smoothing have small error, which is still below 20%. So that production forecasting has a level of accuracy above 80%.

Keyword: exponential smoothing, production forecasting, time series analysis.

Proses peramalan produksi merupakan hal yang penting bagi perusahaan dalam menentukan strategi perusahaan di masa mendatang. Seperti halnya dengan pengusaha batik, selama ini banyak yang masih menggunakan metode intuisi dalam menentukan jumlah produksi. Namun dengan cara tersebut dapat mengakibatkan kerugian apabila permintaan lebih sedikit dari hasil produksi sehingga terdapat sisa produksi yang tidak terjual. Sebuah metode peramalan yang tepat diperlukan agar perusahaan bisa mendapatkan keuntungan yang maksimal dari sebuah proses peramalan. Suatu pendugaan secara ilmiah terhadap masa depan akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan intuisi saja. Metode Analisis Runtun Waktu merupakan metode yang dapat digunakan dalam peramalan produksi.

Analisis Runtun Waktu digunakan untuk menentukan pola data masa lampau yang telah dikumpulkan dari waktu ke waktu. Analisis Runtun waktu yang digunakan dalam penelitian ini adalah metode Exponential Smoothing. Metode ini digunakan untuk menemukan nilai optimal dari konstanta alpha (α) dan gamma ( γ). Sehingga akan memperoleh hasil peramalan dengan kesalahan MAPE kecil.

Hasil dari perhitungan peramalan produksi menunjukkan bahwa exponential smoothing memiliki error produksi yang kecil, yaitu berada di bawah 20%. Sehingga peramalan produksi ini memiliki tingkat keakuratan di atas 80%.

Kata Kunci: analisis runtun waktu, exponential smoothing, peramalan produksi

Tabel 4.1 Data Produksi Blus Tahun 2009-2011 .................................................. 31 Tabel 4.2 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode

Single Exponential Smoothing Periode 1 - 32 ...................................... 33 Tabel 4.3 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode

Double Exponential Smoothing α = 0.10 dan α = 0.20 ........................ 37

Tabel 4.4 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Metode

Double Exponential Smoothing α = 0.25 dan α = 0.30 ........................ 38

Tabel 4.5 Contoh Hasil Perhitungan Peramalan Produksi Blus dengan Double

Exponential Smoothing α = 0.60 Periode 1 - 32 ................................... 40

Tabel 4.6 Contoh Hasil Perhitungan Peramalan Produksi Blus Pada Data Uji

dengan Metode Single Exponential Smoothing .................................... 44 Tabel 4.7 Contoh Hasil Perhitungan Peramalan Produksi Blus Pada Data Uji

dengan Metode Double Exponential Smoothing α=0.10 ..................... 44 Tabel 4.8 Error Perhitungan Prediksi Tiap Item (dalam %) ................................. 45 Tabel 4.9 Rata-rata Error Pengujian Prediksi Produksi ....................................... 50

Gambar 2.1. Tahapan dari Proses Peramalan.......................................................... 8 Gambar 2.2 Pola Data Stationer / Horizontal........................................................ 11 Gambar 2.3 Pola Data Musiman ........................................................................... 12 Gambar 2.4 Pola Data Siklis ................................................................................. 12 Gambar 2.5 Pola Data Trend ................................................................................. 13 Gambar 3.1 Diagram Metode Penelitian Tugas Akhir.......................................... 21 Gambar 4.1 Grafik Data Produksi Blus Tahun 2009 – 2010 ................................ 32 Gambar 4.2 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.10 ...................................................... 34

Gambar 4.3 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.20 ...................................................... 35

Gambar 4.4 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.25 ...................................................... 35

Gambar 4.5 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.30 ...................................................... 36

Gambar 4.6 Grafik Perbandingan Data Aktual Blus dengan Prediksi Single

Exponential Smoothing α = 0.60 ...................................................... 36

Gambar 4.7 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.10 γ = 0.10 ........................................ 41

Gambar 4.8 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.20 γ = 0.10 ........................................ 41

Gambar 4.9 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.25 γ = 0.10 ........................................ 42

Gambar 4.10 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.30 γ = 0.10 ........................................ 42

Gambar 4.11 Grafik Perbandingan Data Aktual Blus dengan Prediksi Double

Exponential Smoothing α = 0.60 γ = 0.10 ........................................ 43

Gambar 4.12 Grafik Perbandingan Data Aktual Long Dress Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ........................ 46

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ............................... 47 Gambar 4.14 Grafik Perbandingan Data Aktual Hem Pendek Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ............................... 48 Gambar 4.15 Grafik Perbandingan Data Aktual Dress Pendek Batik dengan Hasil

Prediksi Metode Yang Memiliki MAPE 3 Terkecil ............................... 49 Gambar 4.16 Grafik Perbandingan Periode Pengujian dan Rata-rata Error ......... 50

LAMPIRAN A ...................................................................................................... 56 LAMPIRAN B ...................................................................................................... 59 LAMPIRAN C ...................................................................................................... 80 LAMPIRAN D ...................................................................................................... 83 LAMPIRAN E .................................................................................................... 104

PENDAHULUAN

1.1 Latar Belakang

Salah satu icon yang menjadikan Indonesia dikenal di dunia Internasional adalah budayanya. Dimana budaya yang ada sekarang ini semakin modern namun tidak meninggalkan unsur aslinya. Misalnya budaya seperti batik pun kini menjadi lebih modern namun tidak pula meninggalkan nuansa batik aslinya. Saat ini batik sedang menjadi incaran banyak kalangan, karena semakin banyak variasi warna, corak atau motif, serta model-model yang ditawarkan. Banyak kantor yang menjadikan batik sebagai seragam di hari-hari tertentu. Tidak hanya orang tua, para remaja bahkan anak-anak pun kini bangga menggunakan pakaian batik. Namun jika kita tinjau dari pengusaha batik, terkadang mereka bingung dalam menentukan jumlah produksi di masa mendatang agar dapat memperoleh hasil yang maksimal. Hal ini dikarenakan permintaan di pasar yang tidak konstan, kadang naik dan kadang turun.

Pada dasarnya, pengusaha batik akan memproduksi jumlah barang dengan metode coba-coba atau intuisi. Namun dengan cara tersebut, terkadang justru mendatangkan masalah besar karena kesalahan produksi yang diakibatkan oleh ketidaksesuaian jumlah produksi dengan kenyataan di pasar. Jika seorang pengusaha batik salah dalam memproduksi, maka akan mendatangkan kerugian yang diakibatkan oleh jumlah produksi yang lebih besar dibanding dengan permintaan di pasar, atau sebaliknya sehingga pengusaha batik tidak dapat memenuhi kebutuhan konsumen dengan tepat sasaran. Apabila terjadi produksi lebih banyak dari permintaan, maka akan mengakibatkan stok dalam gudang yang berlebihan.

Peramalan produksi telah berhasil dalam meminimalkan terjadinya demand over supply atau sebaliknya. Pada dasarnya peramalan merupakan suatu Peramalan produksi telah berhasil dalam meminimalkan terjadinya demand over supply atau sebaliknya. Pada dasarnya peramalan merupakan suatu

Dalam proses peramalan dapat disadari bahwa sering terjadi ketidakakuratan hasil peramalan. Namun perlu disadari pula bahwa semua organisasi beroperasi dalam suatu lingkungan yang mengandung unsur ketidakpastian. Akan tetapi sebuah keputusan tetap harus diambil yang nantinya akan mempengaruhi masa depan organisasi tersebut. Suatu pendugaan secara ilmiah terhadap masa depan akan jauh lebih berarti daripada pendugaan yang hanya mengandalkan intuisi saja.

Indikator yang dapat digunakan untuk melakukan peramalan antara lain adalah Analisis Runtun Waktu (Time Series Analysis). Runtun waktu merupakan serangkaian pengamatan terhadap suatu peristiwa, kejadian yang diambil dari waktu ke waktu, serta dicatat secara teliti berdasarkan urutan waktu, kemudian disusun dengan data statistik (Hadi, 1968) (Istiqomah, 2006:12). Menurut Gujarati (1955), Analisis Runtun Waktu merupakan analisis sekumpulan data dalam suatu periode waktu lampau yang berguna untuk mengetahui atau meramalkan kondisi masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak dipengaruhi oleh kondisi atau waktu sebelumnya sehingga dalam hal ini faktor waktu sangat penting peranannya (Gujarati, 1955) (Adawiyah, 2011). Analisis Runtun Waktu akan dijadikan sebagai dasar perhitungan untuk memprediksikan jumlah produksi masa depan dalam program peramalan produksi yang akan dibangun. Program peramalan ini diharapkan dapat membantu pengusaha batik dalam menentukan keputusan produksi.

Berdasarkan uraian yang telah dijabarkan di atas, yang menjadi lingkup permasalahan dalam penelitian ini adalah sebagai berikut:

1. Bagaimana meramalkan produksi batik di masa mendatang berdasarkan data produksi masa lalu agar mendapatkan hasil peramalan yang baik sehingga dapat membantu pengusaha batik dalam menentukan jumlah produksi.

2. Menganalisis tingkat keakuratan yang dihasilkan dari proses peramalan produksi.

1.3 Batasan Masalah

Agar penelitian ini dapat mencapai sasaran dan tujuan yang diharapkan, maka permasalahan akan dibatasi sebagai berikut:

1. Produksi batik yang akan diramalkan antara lain adalah hem pendek, blus, longdress, dan dress pendek.

2. Data yang digunakan untuk peramalan diambil dari data produksi batik di masa lampau minimal 6 bulan yang bersifat continue (selalu diproduksi tiap bulan), kemudian dilakukan perhitungan untuk memprediksi jumlah produksi 1 bulan ke depan.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini antara lain adalah sebagai berikut:

1. Membuat program peramalan produksi batik yang diharapkan dapat membantu dalam menentukan jumlah produksi dengan metode Analisis Runtun Waktu.

2. Mengetahui tingkat keakuratan prediksi yang dihasilkan oleh program peramalan produksi.

Manfaat dari penelitian ini antara lain adalah:

1. Membantu pengusaha batik dalam menentukan jumlah produksi tiap item dengan program peramalan produksi.

2. Membantu mempercepat proses peramalan produksi batik dengan mengolah data yang ada pada basis data program.

1.6 Sistematika Penulisan

Berikut ini adalah urutan sistematika penulisan laporan tugas akhir yang dibuat. Bab I Pendahuluan, memuat tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan laporan tugas akhir. Bab II Tinjauan Pustaka, menguraikan dasar teori yang mendasari pembahasan secara detail, penelitian terkait yang pernah dilakukan serta rencana penelitian yang akan dilakukan dalam tugas akhir. Bab III Metode Penelitian, menguraikan tentang gambaran objek penelitian, serta gambaran langkah-langkah yang dilakukan oleh penulis untuk melaksanakan dan menyelesaikan penelitian ini. Bab IV Pembahasan, menguraikan tentang bagaimana menyelesaikan masalah yang telah dirumuskan berdasarkan metode yang dipilih dan berusaha untuk mewujudkan tujuan dan manfaat yang ingin diraih. Bab V Penutup, berisi kesimpulan dan saran. Kesimpulan berisi rumusan jawaban terhadap pertanyaan (perumusan masalah) dengan bukti-bukti yang ada dan telah dilakukan dalam penelitian ini. Saran merupakan sesuatu yang belum ditempuh dan layak untuk dilaksanakan pada penelitian selanjutnya.

TINJAUAN PUSTAKA

2.1 Dasar Teori

2.1.1 Peramalan

Pada dasarnya peramalan adalah sebuah tafsiran, sehingga keadaan di masa mendatang tidak harus persis sama seperti hasil peramalan. Namun ada batas interval dimana keadaan yang sebenarnya masih berada dalam interval tersebut, sehingga hasilnya tidak jauh berbeda dengan yang sudah diramalkan. Peramalan menggunakan data masa lalu dari sebuah variabel atau kumpulan variabel untuk mengestimasi nilainya di masa yang akan datang. Peramalan merupakan bagian vital bagi setiap organisasi bisnis untuk setiap pengambilan keputusan manajemen yang sangat signifikan. Oleh karena itu, dalam membuat rencana produksi, perusahaan harus mempertimbangkan beberapa kepentingan perusahaan seperti laba, tujuan sosial, penciptaan lapangan kerja, dan sebagainya (Soedjianto et. al. 2006:E117).

Pertimbangan tentang peramalan telah tumbuh karena beberapa faktor, yang pertama adalah karena meningkatnya kompleksitas organisasi dan lingkungan. Hal ini menjadikan semakin sulit bagi pengambil keputusan untuk mempertimbangkan semua faktor secara memuaskan. Kedua, dengan meningkatnya ukuran organisasi, maka bobot dan kepentingan suatu keputusan meningkat pula. Ketiga, lingkungan dari kebanyakan organisasi telah berubah dengan cepat.

Peramalan diperlukan karena adanya perbedaan-perbedaan waktu antara kebijaksanaan baru dengan waktu pelaksanaan tersebut. Oleh karena itu, dalam menentukan kebijaksanaan diperlukan kesempatan atas peluang yang ada, dan gangguan yang mungkin terjadi pada saat kebijaksanaan baru tersebut Peramalan diperlukan karena adanya perbedaan-perbedaan waktu antara kebijaksanaan baru dengan waktu pelaksanaan tersebut. Oleh karena itu, dalam menentukan kebijaksanaan diperlukan kesempatan atas peluang yang ada, dan gangguan yang mungkin terjadi pada saat kebijaksanaan baru tersebut

Adapun manfaat dari peramalan adalah sebagai berikut:

1. Membantu agar perencanaan suatu pekerjaan dapat diperkirakan dengan secara tepat.

2. Merupakan suatu pedoman dalam menentukan tingkat persediaan perencanaan dapat bekerja secara optimal.

3. Sebagai masukan untuk penentuan jumlah investasi.

4. Membantu menentukan pengembangan suatu pekerjaan untuk periode selanjutnya.

Adapun prinsip-prinsip peramalan adalah sebagai berikut:

1. Peramalan melibatkan kesalahan (error).

2. Peramalan sebaiknya memakai tolok ukur kesalahan peramalan.

3. Peramalan famili produk lebih akurat dari pada peramalan produk individu (item).

4. Peramalan jangka pendek lebih akurat dari pada jangka panjang.

5. Jika dimungkinkan, hitung permintaan daripada meramal permintaan.

2.1.1.1 Teknik dan Jenis Peramalan

Situasi peramalan sangat beragam dalam horison waktu peramalan, faktor yang menentukan hasil sebenarnya, tipe pola data dan berbagai aspek lainnya. Untuk menghadapi penggunaan yang luas seperti itu, beberapa teknik telah dikembangkan. Teknik tersebut dibagi kedalam dua kategori utama yaitu :

1. Metode Kualitatif Metode kualitatif atau teknologis adalah peramalan yang dapat

didasarkan atas data yang dapat dikualitatifkan pada masa yang lalu.

biasanya merupakan hasil dari pemikiran intuitif, perkiraan, dan pengetahuan yang telah didapat. Teknik teknologis sangat beragam dalam biaya, kompleksitas, dan nilainya. Teknik ini dapat digunakan secara terpisah tetapi lebih sering digunakan sebagai kombinasi satu sama lain atau digabungkan dengan metode kuantitatif.

Rangkuti et, al (2003) menyatakan ada empat pendekatan yang biasa dipakai dalam peramalan kualitatif, yaitu:

1. Pendapat para eksekutif (jury of executive opinion) Dalam metode ini, peramalan dilakukan oleh eksekutif/ manajer tingkat atas perusahaan, dengan kemampuan yang mereka miliki.

2. Gabungan beberapa tenaga penjual (sales force composite)

3. Peramalan dilakukan dengan memanfaatkan kedekatan tenaga penjual dengan konsumen.

4. Metode Delphi Dilakukan dengan melengkapi data untuk peramalan dengan membagikan daftar pertanyaan kepada konsumen/masyarakat.

5. Riset pasar (Customer market survey) Peramalan dilakukan dengan turun langsung ke lapangan/ pasar, sehingga diperoleh informasi langsung dari pasar.

2. Metode Kuantitatif Metode kuantitatif adalah peramalan yang dapat didasarkan atas

data yang dapat dikuantitatifkan pada masa yang lalu. Teknik peramalan kuantitatif sangat beragam, dapat dikembangkan dari berbagai disiplin dan untuk berbagai maksud. Prosedur peramalan kuantitatif terletak diantara dua rangkaian kesatuan, yaitu metode naïf atau instuitif, dan metode kuantitatif formal yang didasarkan atas prinsip-prinsip statistika.

1. Mengidentifikasi tujuan dari peramalan

2. Mengumpulkan data masa lampau

3. Plot data dan identifikasi pola/alur

4. Pilih model peramalan yang cocok

5. Menghitung peramalan berdasarkan data pada periode tertentu pada historical data

6. Memeriksa keakuratan peramalan

7. Apakah keakuratan dari peramalan dapat

diterima?

8a. Diramalkan berada pada jangkauan

perencanaan

9. Menyesuaikan ramalan berdasarkan informasi

penunjang

10. Mengamati hasil dan mengukur tingkat

keakuratan

8b. Pilih model peramalan yang baru atau sesuaikan dengan parameter yang ada

NO

YES

Gambar 2.1. Tahapan dari Proses Peramalan (Russel, 2003) Gambar 2.1. Tahapan dari Proses Peramalan (Russel, 2003)

b. Informasi/data tersebut dapat dikuantitatifkan dalam bentuk data numerik,

c. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan terus berlanjut pada masa yang akan datang.

Metode peramalan kuantitatif dapat dibagi kedalam 2 bagian yaitu:

1. Runtun Waktu (time series)

Runtun Waktu adalah suatu analisis yang berdasarkan hasil ramalan yang disusun atas pola hubungan antara variabel yang dicari dengan variabel waktu yang mempengaruhinya. Pendugaan masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel atau kesalahan masa lalu. Tujuan metode peramalan runtun waktu adalah menemukan pola dalam data histori runtun waktu dan mengekstrapolasikan pola tersebut ke masa depan.

2. Metode Kausal

Metode kausal adalah suatu metode yang menggunakan pendekatan sebab akibat, dan bertujuan untuk meramalkan keadaan di masa yang akan datang dengan menemukan dan mengukur beberapa variabel tidak bebas yang akan diramalkan. Tujuan dari metode kausal adalah menemukan bentuk hubungan tersebut dan menggunakannya untuk meramalkan nilai mendatang dari variabel tidak bebas.

Kedua model tersebut yaitu runtun waktu (time series) dan kausal mempunyai keuntungan dalam situasi tertentu. Model time series seringkali dapat digunakan dengan mudah untuk meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan Kedua model tersebut yaitu runtun waktu (time series) dan kausal mempunyai keuntungan dalam situasi tertentu. Model time series seringkali dapat digunakan dengan mudah untuk meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan

2.1.1.2 Proses Peramalan

Para ahli mempunyai pandangan berbeda tentang langkah-langkah dari proses peramalan. Rusell (2003) menentukan sepuluh langkah atau tahapan dari proses peramalan sebagaimana ditunjukkan pada Gambar 2.1.

2.1.2 Jenis Pola Data

Model time series seringkali dapat digunakan dengan mudah untuk meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan keputusan dan kebijaksanaan. (Makridakis et. al ., 1999:99). Bilamana data yang diperlukan tersedia, suatu hubungan peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam memilih model time series yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis stasioner, musiman, siklis dan trend. Time series merupakan data yang dikumpulkan, dicatat atau diobservasi sepanjang waktu secara berurutan dengan beberapa periode waktu misalnya tahun, kuartal, bulan, minggu dan pada beberapa kasus hari atau jam. Data time Model time series seringkali dapat digunakan dengan mudah untuk meramal, sedangkan model kausal dapat digunakan dengan keberhasilan yang lebih besar untuk pengambilan keputusan dan kebijaksanaan. (Makridakis et. al ., 1999:99). Bilamana data yang diperlukan tersedia, suatu hubungan peramalan dapat dihipotesiskan baik sebagai fungsi dari waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam memilih model time series yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode yang paling tepat dengan pola tersebut dapat diuji. Pola data dapat dibedakan menjadi empat jenis stasioner, musiman, siklis dan trend. Time series merupakan data yang dikumpulkan, dicatat atau diobservasi sepanjang waktu secara berurutan dengan beberapa periode waktu misalnya tahun, kuartal, bulan, minggu dan pada beberapa kasus hari atau jam. Data time

2.1.2.1 Data Stationer

Pola data terjadi jika terdapat data yang berfluktuasi disekitar nilai rata-rata yang konstan (Makridakis et. al., 1999:10). Suatu produk yang penjualannya tidak meningkat atau menurun selama waktu tertentu termasuk jenis pola stasioner. Pola khas dari data horizontal atau stasioner seperti ini dapat dilihat pada Gambar 2.2.

Gambar 2.2 Pola Data Stationer / Horizontal (Makridakis et. al., 2010:11)

2.1.2.2 Data Musiman

Pola data musiman terjadi jika terdapat suatu deret data yang dipengaruhi oleh faktor musiman misalnya kuartal tahun tertentu, bulanan, atau hari-hari pada minggu tertentu (Makridakis et. al., 1999:10). Untuk

Gambar 2.3 Pola Data Musiman (Makridakis et. al., 2010:11)

2.1.2.3 Data Siklis

Pola data siklis terjadi jika terdapat data yang dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yang berhubungan dengan siklus bisnis. Contoh: Penjualan produk seperti mobil, baja, dan peralatan utama lainnya. Jenis pola ini dapat dilihat pada Gambar 2.4.

Gambar 2.4 Pola Data Siklis (Makridakis et. al., 2010:11)

2.1.2.4 Data Trend

Pola data trend terjadi jika terdapat kenaikan atau penurunan jangka Pola data trend terjadi jika terdapat kenaikan atau penurunan jangka

Gambar 2.5 Pola Data Trend (Makridakis et. al., 2010:11)

2.1.3 Analisis Runtun Waktu

Menurut Hadi (1968), runtun waktu merupakan serangkaian pengamatan terhadap suatu peristiwa, kejadian yang diambil dari waktu ke waktu, serta dicatat secara teliti berdasarkan urutan waktu, kemudian disusun dengan data statistik (Hadi, 1968) (Istiqomah, 2006:12). Pada umumnya pencatatan ini dilakukan dalam jangka waktu tertentu misalnya satu bulan, satu tahun, sepuluh tahunan dan sebagainya. Sedangkan analisis runtun waktu adalah suatu metode kuantitatif untuk menentukan pola data masa lampau yang telah dikumpulkan secara teratur. Jika kita telah menemukan pola data tersebut, maka kita dapat menggunakannya untuk peramalan di masa mendatang. Analisis runtun waktu merupakan analisis sekumpulan data dalam suatu periode waktu lampau yang berguna untuk mengetahui atau meramalkan kondisi masa mendatang. Hal ini didasarkan bahwa perilaku manusia banyak

Metode Exponential Smoothing menurut Makridakis (1999) dalam buk unya yang berjudul “Metode dan Aplikasi Peramalan” merupakan prosedur perbaikan terus-menerus pada peramalan terhadap objek pengamatan terbaru. Metode peramalan ini menitik-beratkan pada penurunan prioritas secara eksponensial pada objek pengamatan yang lebih tua (Makridakis et. al., 1999:80). Dalam pemulusan eksponensial atau exponential smoothing terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil ini menentukan bobot yang dikenakan pada nilai observasi. Dengan kata lain, observasi terbaru akan diberikan prioritas lebih tinggi bagi peramalan daripada observasi yang lebih lama. Metode Exponential Smoothing dibagi lagi menjadi beberapa metode.

a. Single Exponential Smoothing

Single Exponential Smoothing digunakan pada peramalan jangka pendek, biasanya hanya 1 bulan ke depan. Model ini mengasumsikan bahwa data berfluktuasi di sekitar nilai mean yang tetap dengan pola pertumbuhan konsisten (Makridakis et. al., 1999:80).

Rumus untuk single exponential smoothing adalah sebagai berikut:

Dimana:

F t+1 = peramalan untuk periode t + 1

Xt

= Nilai aktual time series

Ft

= peramalan pada waktu t

= konstanta perataan antara 0 dan 1

Metode ini digunakan ketika data menunjukkan adanya trend. Exponential smoothing dengan adanya trend seperti pemulusan sederhana kecuali bahwa dua komponen harus di-update setiap periode, level dan trend-nya. Level adalah estimasi yang dimuluskan dari nilai data pada akhir masing – masing periode. Menurut Makdridakis, trend adalah estimasi yang dihaluskan dari pertumbuhan rata-rata pada akhir masing-masing periode. (Makridakis et. al., 1999: 91).

Rumus double exponential smoothing adalah sebagai berikut:

Dimana:

S t = peramalan untuk periode t = nilai aktual time series

= tren pada periode ke-t

α = parameter pertama perataan antara 0 dan 1, untuk pemulusan nilai observasi

= parameter kedua, untuk pemulusan tren

= hasil ramalan ke-m

m = jumlah periode kedepan yang akan diramalkan

2.1.4 Mean Absolute Percentage Error (MAPE)

Hasil peramalan yang akurat adalah peramalan yang bisa meminimalkan kesalahan meramal (Soedjianto et. al., 2006:E117). Karena itu dalam menghitung kesalahan meramal digunakan Mean Absolute Percentage Error

Dimana:

X t = Nilai data periode ke-t

F t = Nilai ramalan periode ke-t n = banyaknya data

Sebuah peramalan dikatakan sangat baik apabila MAPE kurang dari 10% dan dikatakan baik apabila MAPE di antara 10% sampai 20% (Zainun dan Majid, 2004:523).

2.1.5 Galat / Error Relatif

Galat (ε) berasosiasi dengan seberapa dekat solusi hampiran terhadap solusi sejatinya. Semakin kecil galatnya, maka semakin teliti solusi numerik yang didapatkan (Munir, 2003).

Rumus untuk mencari galat adalah sebagai berikut:

Dimana:

Penelitian yang dilakukan oleh penulis ini mengacu pada penelitian sejenis yang sudah dilakukan sebelumnya. Beberapa penelitian tersebut akan diuraikan berikut ini.

a. Raharja et. al. (2010) melakukan penelitan yang berjudul Penerapan Metode Exponential Smoothing Untuk Peramalan Penggunaan

Waktu Telepon Di PT. TELKOMSEL DIVRE3 Surabaya mengkaji tentang penggunaan telepon pelanggan Telkomsel. Hal ini bertujuan untuk melihat jumlah pelanggan Telkomsel pada saat tertentu, sehingga dapat diketahui kapan saat permintaan naik konstan dan keadaan sedang menurun. Peramalan ini berguna untuk mengetahui jumlah pemakaian pelanggan yang cukup banyak.

Metode peramalan yang digunakan dalam penelian ini adalah Exponential Smoothing dan Ordinary Least Square (OLS) atau kuadrat terkecil linier (Linear Least Square). Langkah pertama yang dilakukan adalah mengubah data yang sudah ada tersebut di plot dalam bentuk grafik untuk mengetahui pola data yang ada. Dalam mengenali jenis pola data ini, cara yang digunakan dengan melakukan plot data yang sudah dirata-rata. Data pelanggan dalam menggunakan telepon yang sudah dirata-rata diplot dengan menggunakan aplikasi excel. Setelah itu akan terlihat grafik yang dihasilkan kemudian akan ditentukan penggunaan metode exponential smoothing yang tepat. Jika pola data yang terlihat dari grafik adalah non stasioner dan mengandung trend di dalamnya, maka metode smoothing yang digunakan adalah Double Exponential Smoothing.

Seperti yang telah dicontohkan dalam penelitian ini, untuk data pada tahun 2005 ternyata pola data yang terlihat tidak terlalu stasioner Seperti yang telah dicontohkan dalam penelitian ini, untuk data pada tahun 2005 ternyata pola data yang terlihat tidak terlalu stasioner

Dari hasil uji coba yang telah dilakukan dengan data penggunaan pada tahun 2005 dapat diketahui bakwa hasil peramalan dengan metode Double Exponential Smoothing lebih baik dibandingkan dengan metode Moving Average dengan selisih error sebesar 0.29%. Hal ini berarti bahwa Double Exponential Smoothing bagus digunakan dalam proses peramalan karena menghasilkan error lebih kecil dibandingkan dengan Moving Average.

b. Kalekar dalam penelitiannya yang berjudul Time Series Forecasting

Using Holt-Winters Exponential Smoothing mengkaji tentang peramalan perilaku permintaan dari industri seperti pakaian atau mainan. Dimana data tersebut bersifat data musiman (seasonal time series). Untuk menganalisa data seasonal time series digunakan metode Holt- Winters Exponential Smoothing . Dua model yang dibahas dalam penelitian ini adalah Multiplicative Seasonal Model dan Additive Seasonal Model.

Seringkali, data time series menampilkan perilaku yang bersifat musiman. Musiman didefinisikan sebagai kecenderungan data time series untuk menunjukkan perilaku yang berulang setiap periode. Setelah diperoleh model time series, langkah berikutnya adalah memilih model peramalan. Peramalan dengan time series analysis dimulai dengan membuat plot grafik untuk diperkirakan model peramalannya. Tujuan dari membuat plot adalah untuk memberikan kesan visual dari sifat data time series . Setelah memilih model, langkah selanjutnya adalah Seringkali, data time series menampilkan perilaku yang bersifat musiman. Musiman didefinisikan sebagai kecenderungan data time series untuk menunjukkan perilaku yang berulang setiap periode. Setelah diperoleh model time series, langkah berikutnya adalah memilih model peramalan. Peramalan dengan time series analysis dimulai dengan membuat plot grafik untuk diperkirakan model peramalannya. Tujuan dari membuat plot adalah untuk memberikan kesan visual dari sifat data time series . Setelah memilih model, langkah selanjutnya adalah

c. Pramita, Wahyu., Haryanto Tanuwijaya dalam penelitian yang berjudul Penetapan Metode Exponential Smoothing Winter dalam Sistem Informasi Pengendalian Persediaan Produk dan Bahan Baku

Sebuah Cafe mengkaji tentang pengaruh parameter pada metode Winter Exponential Smoothing, yaitu untuk memuluskan data dengan menghilangkan pengaruh random, trend, dan musiman pada data. Tiap bahan baku memiliki nilai parameter yang berbeda-beda untuk menghasilkan nilai MAPE dan MSE terkecil. Dari uji coba didapatkan bahwa setiap bahan baku memiliki karakteristik data time series yang berbeda-beda sehingga masing-masing produk memiliki parameter pemulusan berbeda dengan produk lainnya.

2.3 Rencana Penelitian

Dengan melihat tinjauan pustaka di atas, penelitian ini akan berkonsentrasi pada peramalan produksi sebagai pendukung keputusan bagi pengusaha batik dalam menentukan jumlah produksi dengan menggunakan Analisis Runtun Waktu. Analisis Runtun Waktu yang digunakan adalah Exponential Smoothing yang meliputi Single Exponential Smoothing dan Double Exponential Smoothing.

terbaik yang akan dipakai untuk peramalan tiap item, yaitu model dengan parameter pemulusan yang menghasilan kesalahan prediksi terkecil. Kesalahan prediksi dilihat dari MAPE (Mean Absolute Percentage Error). Dimana parameter pemulusan ini berkisar antara 0 sampai 1. Parameter pemulusan yang akan digunakan dalam perhitungan ditentukan secara eksplisit melalui sebuah percobaan pencarian parameter. Parameter dengan rata-rata tingkat kesalahan prediksi terkecil akan digunakan sebagai dasar perhitungan dalam mencari prediksi produksi. Hal ini memungkinkan model perhitungan yang digunakan tiap item dapat berbeda. Tergantung model mana yang memiliki MAPE terkecil untuk item tersebut. Program peramalan produksi ini diharapkan dapat membantu pengusaha batik dalam menentukan keputusan produksi.

METODOLOGI PENELITIAN

Metode penelitian yang digunakan dalam penulisan tugas akhir ini adalah melalui tahap pengumpulan data, tahap pemodelan, dan tahap contruction. Metode yang digunakan dalam proses perhitungan prediksi adalah analisis runtun waktu yang meliputi Single Exponential Smoothing dan Double Exponential Smoothing . Langkah-langkah yang dilakukan dalam penelitian tugas akhir ini dapat digambarkan pada diagram berikut ini.

Gambar 3.1 Diagram Metode Penelitian Tugas Akhir

• Tempat dan Waktu Penelitian • Metode Pengumpulan Data • Sumber Data

Tahap Pengumpulan Data

• Pemodelan Prediksi • Menentukan Software Requirement

Specification • Membuat Use Case Diagram

• Membuat Desain dan Flowchart

Perencanaan Sistem

Tahap Pemodelan

• Implementasi Database • Menulis Kode Program • Melakukan Pengujian

Tahap Construction

3.1.1 Tempat dan Waktu Penelitian

Penelitian ini dilakukan di tiga perusahaan batik yang ada di Solo antara lain adalah Batik Arini, Batik Artha, dan Batik Istiqomah pada bulan Maret 2012.

3.1.2 Metode Pengumpulan Data

Metode pengumpulan data yang diperlukan untuk penulisan tugas akhir ini diperoleh dengan cara:

a. Observasi Observasi dilakukan dengan meninjau langsung perusahaan untuk

memperoleh data melalui pengamatan langsung pada objek yang akan diteliti dan pengumpulan data primer dengan melakukan wawancara dengan pemilik perusahaan.

b. Studi Literatur Studi literatur merupakan suatu metode yang dilakukan untuk

mendapatkan pengetahuan dan landasan teoritis dalam menganalisa data dan permasalahan melalui karya tulis dan sumber-sumber lainnya sebagai bahan pertimbangan dalam penulisan tugas akhir ini.

3.1.3 Sumber Data

Adapun data yang diperoleh dari penelitian ini adalah:

a. Data primer, yaitu informasi yang diperoleh secara langsung dari hasil pengamatan lapangan, yaitu di Batik Arini. Data penelitian ini diperoleh dengan metode wawancara dengan pemilik perusahaan dan mencatat data aktual produksi di masa lalu selama 3 tahun terakhir, yaitu tahun 2009, a. Data primer, yaitu informasi yang diperoleh secara langsung dari hasil pengamatan lapangan, yaitu di Batik Arini. Data penelitian ini diperoleh dengan metode wawancara dengan pemilik perusahaan dan mencatat data aktual produksi di masa lalu selama 3 tahun terakhir, yaitu tahun 2009,

b. Data sekunder, merupakan data yang diperoleh dari sumber-sumber terkait untuk memperoleh informasi mengenai objek yang dikaji. Adapun informasi yang diperoleh adalah data aktual produksi masa lampau di Batik Artha dan Batik Istiqomah selama 3 tahun terakhir, yaitu tahun 2009, 2010, dan 2011 yang dilakukan pencatatan setiap bulannya. Hasil yang di dapat dari Batik Artha adalah data produksi hem sedangkan Batik Istiqomah adalah blus, dan longdress . Dari data yang ada, 90% akan digunakan sebagai data training dan 10% digunakan sebagai data uji untuk mencari prediksi produksi pada periode ke-37. Data yang diperoleh dapat dilihat pada Lampiran A.

3.2 Tahap Pemodelan

3.2.1 Pemodelan Prediksi

Pada tahap pemodelan prediksi, pertama dilakukan pencarian parameter pemulusan dalam metode Analisis Runtun Waktu yang digunakan, yaitu single exponential smoothing dan double exponential smoothing. Metode single exponential smoothing menggunakan parameter pemulusan yang disebut alpha, sedangkan double exponential smoothing menggunakan dua parameter yaitu alpha dan gamma. Dimana nilai pemulusan alpha dan gamma berkisar antara 0 sampai 1. Langkah selanjutnya adalah mencari parameter terbaik dengan menerapkan dalam perhitungan prediksi kemudian menghitung kesalahan prediksinya. Parameter dengan rata-rata kesalahan prediksi terkecil akan digunakan sebagai dasar perhitungan prediksi yang akan digunakan dalam program peramalan produksi.

Langkah selanjutnya adalah menghitung prediksi dengan model yang akan dipertimbangkan, yaitu single exponential smoothing dan double exponential smoothing . Setelah diperoleh hasil prediksi untuk semua model, Langkah selanjutnya adalah menghitung prediksi dengan model yang akan dipertimbangkan, yaitu single exponential smoothing dan double exponential smoothing . Setelah diperoleh hasil prediksi untuk semua model,

START

Menghitung error data masa

lampau untuk semua model

END

Memilih model peramalan yang terbaik, yaitu model

dengan error terkecil

Menghitung peramalan berdasarkan model yang terbaik

Memodelkan data masa lampau

Pilih item yang akan diramalkan

Ada data masa

lampau? (min. 6 data)

ADA

Mengumpulkan data masa TIDAK lampau

YA

Item masih ada?

TIDAK

Gambar 3.2. Flowchart Perencanaan Program Peramalan Produksi

3.2.2 Menentukan Software Requirement Specification

Pada tahap ini dilakukan analisis terhadap fungsi-fungsi dari program yang harus ada agar kebutuhan dapat terpenuhi.

Use case diagram dibuat berdasarkan Software Requirement Specification yang telah ditentukan sebelumnya. Use case akan menjelaskan hubungan antara program yang dibangun dengan actor-actor terkait. Use case diagram dapat dilihat pada Lampiran D.

3.2.4 Membuat Desain dan Flowchart Perencanaan Program

Meliputi perancangan basis data, perancangan proses, dan perancangan arsitektur yang akan dimodelkan dalam bentuk diagram-diagram, yaitu Activity Diagram , Sequence Diagram, dan Class Diagram yang dapat dilihat pada Lampiran D. Berikut flowchart perencanaan program peramalan produksi yang akan dibangun Gambar 3.2.

Langkah pertama yang dilakukan adalah memilih item yang akan diramalkan. Kemudian akan dilakukan pengecekan apakah sudah ada data masa lampau untuk item tersebut. Data masa lampau ini minimal berjumlah 6 data, jika belum mencapai 6 maka harus dikumpulkan terlebih dahulu data masa lampau sebagai dasar perhitungan peramalan produksi. Karena dalam proses perhitungannya 90% dari jumlah keseluruhan data akan dijadikan sebagai data training, dan 10% sisanya akan dijadikan sebagai data uji, sehingga jika data belum mencapai 6, maka belum ada data uji nya. Misalnya jika data masa lalu berjumlah 4, maka data ujinya adalah 10% dari 4, yaitu

0.40. Jika dibulatkan, maka data ujinya adalah 0, sehingga belum ada data uji untuk data histori yang berjumlah 4. Berbeda jika jumlah data adalah 6. 10% dari 6 adalah 0.60, sehingga jika dibulatkan data ujinya adalah 1. Jadi data berjumlah 6 ini mempunya 1 data uji. Dimana data uji digunakan untuk mencari kesalahan prediksi. Jika tidak ada data uji, maka belum bisa digunakan untuk mencari kesalahan prediksi. Apabila jumlah data masa lampau sudah mencapai minimal 6, maka dapat dilakukan perhitungan dengan model yang akan dipertimbangkan, antara lain adalah single exponential smoothing dan 0.40. Jika dibulatkan, maka data ujinya adalah 0, sehingga belum ada data uji untuk data histori yang berjumlah 4. Berbeda jika jumlah data adalah 6. 10% dari 6 adalah 0.60, sehingga jika dibulatkan data ujinya adalah 1. Jadi data berjumlah 6 ini mempunya 1 data uji. Dimana data uji digunakan untuk mencari kesalahan prediksi. Jika tidak ada data uji, maka belum bisa digunakan untuk mencari kesalahan prediksi. Apabila jumlah data masa lampau sudah mencapai minimal 6, maka dapat dilakukan perhitungan dengan model yang akan dipertimbangkan, antara lain adalah single exponential smoothing dan

3.3 Tahap Construction

3.3.1 Implementasi Database

Implementasi database dibuat berdasarkan pada tahap desain untuk penyimpanan data dengan menggunakan MySQL.

3.3.2 Menulis Kode Program

Seluruh fungsi yang telah dirancang dalam tahap desain kemudian dituangkan ke dalam kode program dengan menggunakan bahasa pemrograman PHP (Hypertext Preprocessor), sehingga terbentuk sebuah aplikai yang dapat digunakan.

3.3.3 Melakukan Pengujian

Pengujian dilakukan dengan menghitung presisi. Presisi diukur dari perhitungan galat / error pada periode peramalan untuk menunjukkan seberapa dekat perbedaan nilai prediksi yang dihasilkan pada saat dilakukan pengulangan pengukuran peramalan produksi. Data yang digunakan dalam pengujian adalah data produksi 6 bulanan, 9 bulanan, 12 bulanan, 15 bulanan,

18 bulanan, 21 bulanan, 24 bulanan, dan 27 bulanan yang dipilih secara urut dan diulang sebanyak 9 kali kemudian dicari peramalan produksi 1 bulan ke depan yang akan dibandingkan dengan data aktual pada periode tersebut.

PEMBAHASAN

4.1 Analisis Kebutuhan

4.1.1 Deskripsi Umum Program

Program peramalan produksi batik merupakan program berbasis web yang diharapkan dapat membantu pengusaha batik yang ada di Kota Solo dalam menentukan jumlah produksi tiap item. Hasil dari peramalan harus memiliki tingkat keakuratan yang tinggi. Karena output yang dihasilkan dari program peramalan produksi ini akan dijadikan sebagai pertimbangan oleh pengusaha batik dalam menentukan jumlah produksi di masa mendatang. Selama ini, mereka memprododuksi barang hanya menggunakan intuisi saja. Namun pada kenyataannya, pendugaan secara ilmiah terhadap masa depan akan jauh lebih lebih berarti daripada pendugaan yang hanya mengandalkan intuisi.

Program ini membutuhkan data history produksi di masa lalu minimal 5 bulan yang dicatat tiap bulannya sebagai input data yang akan di lakukan proses peramalan produksi. Data yang digunakan adalah data produksi hem, blus, longdress, dan dress pendek. Data inilah yang nantinya akan dijadikan sebagai dasar perhitungan peramalan produksi. Dalam penelitian ini, akan dicari prediksi produksi pada periode ke-37 untuk tiap item.

Dalam program peramalan produksi ini digunakan metode analisis runtun waktu (time series analysis) yang meliputi single exponential smoothing dan double exponential smoothing. Untuk analisis runtun waktu, digunakan beberapa alpha (α) dan gamma (γ) untuk mencari hasil pemulusan yang terbaik. Alpha merupakan konstanta pemulusan pertama dari proses smoothing berkisar antara 0 sampai 1. Sedangkan gamma merupakan konstanta Dalam program peramalan produksi ini digunakan metode analisis runtun waktu (time series analysis) yang meliputi single exponential smoothing dan double exponential smoothing. Untuk analisis runtun waktu, digunakan beberapa alpha (α) dan gamma (γ) untuk mencari hasil pemulusan yang terbaik. Alpha merupakan konstanta pemulusan pertama dari proses smoothing berkisar antara 0 sampai 1. Sedangkan gamma merupakan konstanta

4.1.2 Fungsi Program

Program peramalan produksi ini memiliki beberapa fungsi, antara lain adalah sebagai berikut:

1. Fungsi Tambah Item Fungsi Tambah Item merupakan fungsi untuk menambahkan daftar

item baru ke dalam database.

2. Fungsi Kelola Item Fungsi Kelola Item merupakan fungsi untuk melihat daftar item yang

ada dalam database, serta untuk melakukan perubahan data item.

a. Import Data Produksi Fungsi Import Produksi merupakan fungsi untuk menginputkan

data produksi masa lalu yang masih dalam bentuk spreadsheet ke dalam database. Data inilah yang nanti akan dijadikan sebagai data produksi masa lalu yang masih dalam bentuk spreadsheet ke dalam database. Data inilah yang nanti akan dijadikan sebagai

data item dan data produksi yang sudah di import dan masuk ke dalam database.

c. Edit Data Item Fungsi edit data item merupakan fungsi untuk memperbarui

informasi data item serta data produksi.

d. Prediksi Data Produksi Fungsi prediksi data produksi merupakan fungsi untuk