Penerapan Metode Pemulusan Eksponensial Ganda Untuk Peramalan Penjualan Produk

Joni Warta, Asep Ramdhani Mahbub, Rasim ., Dwi Budi Srisulistiowati

Sari


Dengan perkembangan teknologi semakin memudahkan manusia untuk melakukan aktivitas dalam berbagai bidang. Pada umumnya kegiatan yang dilakukan manusia di era perkembangan teknologi sekarang ini dilakukan dengan menggunakan komputer.Toko Herbal Dan Madu Anugerah memiliki intensitas produksi yang tinggi tentunya memiliki resiko dalam pengelolaan data persediaan di gudang. Pengelolaan data persediaan merupakan salah satu hal yang perlu diperhatikan karena akan berdampak pada besarnya biaya yang akan dikeluarkan untuk keperluan produksi. Jika tidak dikelola dengan baik, dapat terjadi kelebihan stok dan kekurangan stok akibat data informasi pengelolaan stok produk yang kurang akurat. Sehingga hal ini harus diimbangi dengan kemampuan perusahaan dalam menentukan kebijakan terkait kegiatan produksi dan penjualan yang dilakukan oleh perusahaan. Metode penelitian yang digunakan adalah Metode Double Exponential Smoothing. Metode Pemulusan Eksponensial Ganda adalah salah satu dari algoritma yang memperkirakan hasil yang akan datang berdasarkan data data yang sudah ada sebelumnya. Hasil dari penelitian ini yaitu peramalan untuk bulan Januari 2022- Desember 2022 dari masing – masing penjualan produk menggunakan konstanta alpha 0,5 dan beta 0,3 terdiri dari Produk Madu Hitam Pahit menghasilkan tingkat kesalahan sebesar MSE sebesar 9,97127 , MAD 2,5194 dan MAPE 0,08075874% dengan prediksi untuk bulan Januari 2023 sebesar 33,05. Produk Madu Anak Syamil menghasilkan tingkat kesalahan sebesar MSE sebesar 9,27022 , MAD 2,3465 dan MAPE 0,05673299% dengan prediksi untuk bulan Januari 2023 sebesar 42,21. Produk Herba Mojo menghasilkan tingkat kesalahan sebesar MSE sebesar 8,74227 , MAD 2,4018 dan MAPE 0,03399734% dengan prediksi untuk bulan Januari 2023 sebesar 72,83.

Kata Kunci


Double Exponential Smoothing; Penjualan; Stok; Web

Teks Lengkap:

PDF

Referensi


Awaludin, M., Yasin, V., & Risyda, F. (2024). The Influence of Artificial Intelligence Technology, Infrastructure and Human Resource Competence on Internet Access Networks. Inform : Jurnal Ilmiah Bidang Teknologi Informasi Dan Komunikasi, 9(2), 111–120. https://doi.org/10.25139/inform.v9i2.8109

Alsuwaylimi, A. A. (2023). Comparison of ARIMA, ANN and Hybrid ARIMA-ANN Models for Time Series Forecasting. Information Sciences Letters, 12(2), 1003–1016. https://doi.org/10.18576/isl/120238

Ciky, L., Gaol, L., & Hasibuan, N. A. (2018). SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN TEAM LEADER SHIFT TERBAIK DENGAN MENGGUNAKAN METODE ARAS STUDI KASUS PT. ANUGRAH BUSANA INDAH. In Majalah Ilmiah INTI (Vol. 5, Issue 2).

Elison, M. H., Asrianto, R., & Aryanto. (2020). PREDIKSI PENJUALAN PAPAN BUNGA MENGGUNAKAN METODE DOUBLE EXPONENTIAL SMOOTHING. Jurnal Riset Sistem Informasi Dan Teknologi Informasi (JURSISTEKNI), 2(3), 45–56. https://doi.org/10.52005/jursistekni.v2i3.60

Fauziah, F. N. (2017). Comparison Forecasting with Double Exponential Smoothing and Artificial Neural Network to Predict the Price of Sugar. International Journal of Simulation: Systems, Science & Technology. https://doi.org/10.5013/IJSSST.a.18.04.13

Fauziah, F. N., & Gunaryati, A. (2017). Comparison forecasting with double exponential smoothing and artificial neural network to predict the price of sugar. International Journal of Simulation: Systems, Science and Technology, 18(4). https://doi.org/10.5013/IJSSST.a.18.04.13

Hariri, F. R., & Mashuri, C. (2022). Sistem Informasi Peramalan Penjualan dengan Menerapkan Metode Double Exponential Smoothing Berbasis Web. Generation Journal, 6(1), 68–77. https://doi.org/10.29407/gj.v6i1.16204

Indah, D. R., & Rahmadani, E. (2018). Sistem Forecasting Perencanaan Produksi dengan Metode Single Eksponensial Smoothing pada Keripik Singkong Srikandi Di Kota Langsa. JENSI, 2(1). https://doi.org/https://doi.org/10.33059/jensi.v2i1.930

Kontopoulou, V. I., Panagopoulos, A. D., Kakkos, I., & Matsopoulos, G. K. (2023). A Review of ARIMA vs. Machine Learning Approaches for Time Series Forecasting in Data Driven Networks. Future Internet, 15(8), 255. https://doi.org/10.3390/fi15080255

Simangunsong, A., & Informatika, M. (2018). Sistem Informasi Pengarsipan Dokumen Berbasis Web. Jurnal Mantik Penusa, 2(1), 11–19.

Wang, X. (2023). Albin Lindfors Demand Forecasting in Retail: A Comparison of Time Series Analysis and Machine Learning Models Title: The Forecasting Performance of Time Series Analysis and Machine Learning Models in the Retail Industry.

Wijaya, H. D., & Dwiasnati, S. (2020). Implementasi Data Mining dengan Algoritma Naïve Bayes pada Penjualan Obat. Jurnal Informatika, 7(1), 1–7. https://doi.org/10.31311/ji.v7i1.6203




DOI: https://doi.org/10.35968/jsi.v12i1.1322

Refbacks

  • Saat ini tidak ada refbacks.


Indexed by: