PENERAPAN METODE DOUBLE EXPONENTIAL SMOOTHING UNTUK MEMPREDIKSI JUMLAH PENJUALAN SPRINGBED DI PT. MASINDO KARYA PRIMA

Victor Tarigan

doi:10.33795/jip.v9i3.1335

Victor Tarigan Universitas Sam Ratulangi

DOI: https://doi.org/10.33795/jip.v9i3.1335

Abstract

Masindo Karya adalah salah satu perusahaan yang mendistribusi springbed dengan berbagai macam merek ke toko-toko yang ada di kota Indonesia, khususnya kota Medan. Pada saat ini proses peramalan jumlah springbed di perusaah ini masih dilakukan secara manual berdasarkan insting dari manajer perusahaan tersebut serta perhitungan sederhana dengan merata-ratakan jumlah penjualan berdasarkan periode tertentu. Pada saat ini proses peramalan jumlah springbed di perusaahan ini masih dilakukan secara manual berdasarkan insting dari manajer perusahaan tersebut serta perhitungan sederhana dengan merata-ratakan jumlah penjualan berdasarkan periode tertentu. Untuk memprediksi jumlah penjualan springbed di masa depan, data jumlah penjualan yang akan digunakan dari bulan agustus 2021 sampai dengan Maret 2023. Salah satu metode yang dapat digunakan untuk melakukan prediksi adalah double exponential smoothing. Pada proses prediksi dengan metode ini harus memberikan parameter nilai alpha. Untuk mengukur nilai margin error metode double exponential smothing, metode MAPE akan digunakan untuk menghitung nilai margin error. Nilai parameter alpha yang akan diberikan adalah 0.3, 0.5, dan 0.7. Hasil dari penelitian dapat ditarik kesimpulan bahwa nilai nilai margin error dengan menggunakan metode MAPE nilai MAPE terkecil yatu sebesar 15.07 % dengan nilai parameter alpha 0.5. Hasil prediksi yang didapatkan dengan nilai alpha tersebut adalah sebesar 664.

Downloads

Download data is not yet available.

References

Hamza, W., Shakil, M., & Soomro, T. R. (2020). Analysis of multivariate time series using different forecasting techniques. Journal of King Saud University-Computer and Information Sciences, 32(4), 423-431.
Hyndman, R. J., & Athanasopoulos, G. (2018). Forecasting: principles and practice (2nd ed.). OTexts.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). The M4 Competition: Results, findings, conclusion and way forward. International Journal of Forecasting, 34(4), 802-808.
Pujiyanto, S., & Pranoto, I. (2019). Forecasting time series using double exponential smoothing and single exponential smoothing: A comparative analysis. IOP Conference Series: Earth and Environmental Science, 356(1), 012008
Rahman, A., Khan, F., Afrin, S., Islam, M. A., & Hossain, M. A. (2020). Machine learning techniques for stock price prediction: A survey. Computers & Electrical Engineering, 88, 106722.
Shumway, R. H., & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples (4th ed.). Springer.
Wu, W., Zhang, Y., Liu, F., & Yang, Y. (2017). Forecasting with Big Data: A Review. Annals of Data Science, 4(1), 1-19.
Wu, X., Wang, X., Yu, C., Wang, H., & Jia, X. (2017). The application of double exponential smoothing in short-term load forecasting for smart grids. Journal of Cleaner Production, 147, 330-339.
Zheng, H., Ye, Y., & Li, Y. (2019). A double exponential smoothing forecasting model for electric energy consumption in China. Journal of Cleaner Production, 220, 460-471.