Moch Rio Firmansyah (1), Atikha Sidhi Cahyana (2)
General Background Sugar represents an essential commodity supporting public food security and industrial production in Indonesia. Specific Background PT. PG Candi Baru faces annual sales fluctuations of SHS 1 sugar, where inaccurate sales estimation risks increasing production expenditures and diminishing investment efficiency. Knowledge Gap Comparative sales prediction models utilizing empirical historical data remain underanalyzed for operational planning in regional sugar manufacturing plants. Aims This study evaluates and compares the accuracy of the Moving Average and Naive methods to determine the most precise forecasting model for sugar sales. Results Quantitative evaluation via POM QM for Windows demonstrates that the 6-year Moving Average yields lower error rates, with Mean Absolute Deviation (MAD) of 1.726, Mean Squared Error (MSE) of 5.661, and Mean Absolute Percentage Error (MAPE) of 8.45%, projecting subsequent annual sales at 21,781 tons. Novelty The investigation provides an empirical performance baseline directly contrasting time-series smoothing against naive baseline projections within a state-affiliated sugar refinery setting. Implications Adopting the Moving Average approach enables management to execute precise operational planning and mitigate financial risks associated with supply-demand imbalances.
Key Findings Highlights
The 6-year Moving Average method delivered higher accuracy than the Naive method, recording lower error metrics across MAD, MSE, and MAPE.
The projected annual sugar product sales for the upcoming period at PT. PG Candi Baru reaches 21,781 tons.
Incorporating time-series forecasting metrics provides strategic support for production planning and operational cost control.
Keywords Forecasting, Moving Average, Naive Method, Sales Prediction, Sugar Industry
Gula pasir merupakan komditas yang sangat penting, tidak hanya kebutuhan pokok rakyat indonesia tetapi juga merupakan bagian dari industri. Kebutuhan akan gula pasir terus meningkat karena berfungsi bagian bahan dasar untuk membuat makanan, minuman dan produk pangan yang disimpan. Selain itu sebagai sumber energi, gula pasr sangat penting untuk memastikan industri makanan dan pangan akan selalu setabil. [1].
PT. PG Candi Baru adalah anak perusahaan PT Rajawali Nusantara Indoneisa (Prosero) yang menjadi produsen gula terkenal di indonesia. Perusahaan ini memproduksi gula jenis SHS 1dengan bahan baku tebu dari berbagai daerah, seperti Lumajang, Malang, Jombang, Kediri, Tuban, Gresik, Mojokerto, Pasuruan, Sidoarjo, dan daerah lain yang menghasilkan tebu. Dalam hal ini. Tebu rakyat sendiri (TS), tebu rakyat kemitraan (TRK), dan tebu rakyat mandiri (TRM) adalah jenis tebu rakyat yang bermacam-macam [2].
Permasalahan yang terjadi pada pasar gula dengan total penjualan ditahun 2014 sebesar 12.095 dan mengalami fluktuasi total penjualan setiap tahunya, terutama ditengah perubahan tren konsumsi dan kebijakan pemerintah yang mempengaruhi produksi dan distribusi. Permintaan akan produk gula terus meningkat, namun disisi lain biaya produksi yang melonjak serta penjualan yang mengalami fluktuasi. Pasar global membuat perusahaan-prusahaan gula harus bijak dalam menangani strategi penjualannya[3].
Industri0gula dihadapkan dengan tantangan yang signifikan akibat kenaikan biaya produksi, kenaikan biaya produksi mencakup beberapa faktor, sperti fluktuiasi harga bahan baku, kenaikan upah tenaga kerja dan perubahan kebijakan pemerintah. Kenaikan biaya produksi ini langsung pada harga jual gula dipasaran yang dapat mempengaruhi pola konsumsi masyarakat [4].
Pabrik gula dianggap efisien karena kemampuan mereka untuk menggunakan sumber daya dengan tepat dan menghindari pemborosan. Biaya produksi adalah sumber daya yang perlu diperhatikan untuk mencapai keadaan 80%.biaya produksi adalah biaya yang terkait dengan proses produksi atau pengolahan bahan baku menjadi produk jadi [5].
Penjualan adalah bisnis atau aktivitas menjual produk atau jasa. Secara umum, penjualan adalah kegiatan jual beli. dilakukan oleh salah satu dari dua belah pihak atau lebih dengan metode pembayaran yang legal. Penjualan adalah bagian penting dari bisnis karena dapat menghasilkan keuntungan dan menarik konsumen. Dengan peningkatan penjualan, bisnis akan lebih mampu bersaing dengan pesaing dan berkembang [6].
Peramalan merupakan bagian penting dari manajemen, yang memungkinkan merencanakan dengan lebih baik untuk masa depan. dengan membuat perkiraan kebutuhan masa depan untuk kuantitas, kualitas, waktu, dan lokasi. Peramalan adalah proses memproyeksikan atau meramalkan peristiwa masa depan dengan pendekatan perencanaan yang terstruktur. Ini membantu dalam memenuhi permintaan barang atau jasa. Peramalan dalam situasi ini melibatkan pembuatan rencana yang didasarkan pada evaluasi kapasitas dan kemampuan perusahaan untuk permintaan dan produksi [8]. Peramalan merupakan cata untuk bisa menentukan sikap terhadap situasi yang akan datang dengan berdasarkan data dari periode sebelumnya [9]
Dengan menggunakan data dari masa lalu, forecasting adalah cara untuk memprediksi situasi yang mungkin terjadi pada masa yang akan datang. Metode peramalan ini membantu pemilik bisnis atau organisasi menentukan jumlah penjualan produk yang diproduksi di masa yang akan datang, sehingga lebih mudah bagi mereka untuk membuat keputusan tentang strategi penambahan atau kebijakan [7].
Tujuan dari penelitian ini adalah untuk membandingkan seberapa akurat antara metode moving average dan naive dalam meramalkan pejualan. Peramalaan yang tepat bisa membantu perusahaan dalam perencanaan dan pengolahan biaya produksi. Dengan menganalisis dua metode ini bisa menentukan metode mana yang lebih efisien dalam memberikan hasil peramalan penjualan dan bisa membantu untuk perecaan produksi dengan biaya yang lebih rendah.
Waktu dan Tempat Penelitian
Tempat pelaksanaan penelitian ini adalah dilingkungan PT PG Candi Baru yang beralamat di Jl. Raya Candi No. 10, Sidoarjo, Jawa Timur. Waktu yang digunakan untuk penelitian ini dilaksanakan dari bulan Agustus sampai bulan September 2024. Dan 1 bulan untuk mengolah data setelah pengumpulan data dari bulan September 2024.
Data dan Pengumpulan Data
Data yang digunakan dalam peneltian ini adalah data primer dan sekunder. Jenis penelitian yang digunakan dalam penelitian ini adalah metode kuantitaitf. Dalam penelitian ini menggunakan data primer hasil penjualan per tahun. Peneltian ini juga menggunakan data sekunder untuk pengumpulan data dengan mewawancarai kepala quality assurance yang berjumlah 1 orang dan bekaitan dengan data yang saya ambil. Aplikasi POM QM for Windows digunakan untuk mengolah data yang telah dikumpulkan.
Tahapan Peneltian
Langkah-langkah pada penelitian ini digambarkan menggunakan diagram alir (flow chart) seperti pada Gambar 1
Figure 1.
Gambar 1. Langkah-langkah penelitian
a. Mulai, penelitian ini dimulai pada 5 Agustus 2024
b. Studi pendahuluan, yaitu studi literatur dan studi lapangan dengan pengertian sebagai berikut:
1) Studi Literatur, yaitu dengan mengumpulkan referensi berupa buku, jurnal, dan literatur lain.
2) Studi Lapangan, yaitu dengan melakukan observasi untuk melengkapi data penelitian.
c. Perumusan masalah dan tujuan penelitian, yaitu menentukan dasar penelitian yang bertujuan unyuk mengidentifikasi dan menyusun permasalahan yang akan diteliti secara jelas serta pernyataan yang mengambarkan hasil yang ingin dicapai oleh penelitian yang sudah dilakukan.
d. Pengumpulan data, yaitu dengan mengumpulkan data yang dibutuhkan. Data yang dibutuhkan merupakan data primer. Dan data sekunder yang dikumpulkan dilakukan dengan metode observasi dan wawancara.
e. Pengolahan data, yaitu membandingkan antara dua metode moving average dan naive yang dilakukan dengan menghitung akurasi peramalan.
f. Analisis dan pembahasan, yaitu Dalam analisis perbandingan metode Moving Average dan Naive, metrik tertentu seperti Mean Absolute Deviation (MAD), Mean Squared Error (MSE), dan Mean Absolute Percentage Error (MAPE) digunakan untuk memproses hasil peramalan dari kedua metode dengan fokus pada seberapa kecil nilai kesalahan yang dihasilkan.
A. Metode Moving Average
Metode peramalan yang dikenal sebagai moving average menggunakan nilai rata-rata dari data sebelumnya, setiap rata-rata bergerak selama tiga tahun, empat bulan, atau lima minggu. Data dari periode waktu tertentu diperlukan untuk melakukan prediksi. Prediksi yang dihasilkan akan menjadi lebih halus seiring bertambahnya waktu perataan, berikut rumus yang digunakan .
Keterangan:
St+1: forecasting untuk periodeke t+1
Xn: data pada periode t
n: jangka waktu moving average
B. Metode Naive
Metode Naive menggunakan nilai aktual sebelumnya (At-1) untuk meramalkan periode sekarang dan seterusnya. Metode ini sangat sederhana karena hanya menggunakan nilai terakhir dari data sejarah yang tersedia [11].
(2)
: permintaan aktual pada waktu t-1 (waktu sebelumnya)
: peramalan pada waktu (periode berikutnya)
C. Uji Kesalahan Peramalan
Tujuanya adalah untuk mengetahui seberapa akurat data peramalan yang dihasilkan, yang dapat diukur dengan mengestimasi tingkat kesalahan peramalan, yang menunjukan perbedaan antara hasil permintaan yang diharapkan dan yang sebenarnya terjadi. tujuan ini dapat dicapai dengan menggunakan metrik seperti kesalahan kuadrat rata-rata (MSE), kesalahan presentase rata-rata absolute (MAPE), dan kesalahan absolute (MAD). Oleh karena itu perhitungan dilakukan dengan menggunakan metrik ini dan nilai peramalan yang diperoleh melalui penerapan metode evaluasi ini .
Mean Squared Error (MSE) adalah rata-rata perbedaan kuadrat antara nilai yang diamati, yang kemudian dijumlahkan dan ditambahkan dengan jumlah. yang diamati. Metode ini mendukung penting karena kesalahan dikuadratkan. Berikut merupakan rumus dari MSE .
MSE = 2 (3)
: nilai aktual
: nilai hasil peramalan
: jumlah data
E. Mean Absolute Deviatom (MAD)
Mean absolute deviation adalah hasil mengurangi nilai aktual dan perkiraan untuk setiap periode, mengambil nilai absolunta dan kemudian menggabungkan semua hasil. Persamaan untuk menghitungnya adalah sebagai berikut .
(4)
At: actual
Ft : hasil peramalan
n: jumlah periode
F. Mean Absolute Percentage Error (MA PE)
Setelah mengabsolutkan hasil pengurangan anatar nilai aktual dan nilai peramalan, masing-masing dibagi dengan nilai aktual pada masing-masing periode, dan pada akhirnya semua hasil dijumlahkan. Persamaan mean absolute percentage error (MAPE) dapat dijelaskan sebagai berikut : nilai MAPE yang turun menunjukan bahwa model peramalan lebih baik .
MAPE = (5)
Berikut range nilai MAPE
Sumber :
Data historis atau empiris diperlukan untuk penelitian kuantitatif, yang menekankan pengumupulan ddan analisis data yang dapat diukur. Peramalan adalah hal yang sangat penting. Faktor waktu sering menjadi bagian penting dari pengambilan keputusan atau peramalan dalam rangkaian waktu. Pemimpin perusahaan atau indivisu yang melakukan peramalan kebanyakan menggunakan data historis untuk memproyeksikan berbagai variabel, seperti perubahan harga saham, penjualan produk, dan perubahan pendapatan dari periode ke periode. Rangkaian waktu biasanya digunakan untuk meramalkan masa depan dan dibuat dengan menggunakan data historis .
A. Pengumpulan Data
Penelitian ini akan mempelajari data sekunder tentang penjualan produk gula dari tahun 2014 hingga 2024. Hasil grafik produksi menunjukan pola perubahan horizontal, yang menunjuka pergeseran data sekitar nilai rata-rata. Pola mencakup produksi yang menjualanya terus meningkat atau menurun selama periode tertentu. .
Tabel 2. Data Penjualan Gula Pertahun
Sumber : PT PG Candi Baru
B. Pengolahan Data
Data ini diolah dengan menggunakan aplikasi POM QM for Windows, dengan Langkah-langkah sebagai berikut:
1. Buka software POM-QM for Windows seperti pada gambar berikut.
Figure 2.
Gambar ikon POM QM for Windows
1. Berikut adalah halaman awal POM QM for Windows.
Figure 3.
Gambar lembar kerja POM QM for Windows
3. Setelah tampilan awal, kemudian klik module pada tool bar yang diatas dengan menu forecasting.
Figure 4.
Gambarmodule-forecasting
4. Selanjutnya pada tool bar pilih menu file, dan klik new¸lalu pilih time series analysis.
Figure 5.
Gambar file-new-time series analysis
5. Isi tittle dengan linear regression, kemudian ubah number of periods menjadi 11, lalu ubah row names ke “1,2,3,4,5….,” lalu ok.
Figure 6.
Gambartime series analysis
6. Lalu ubah metode yang akan digunakan pada menu method menjadi moving average atau naïve method.
Figure 7.
Gambarmethod
7. Untuk mengetahui hasil forecasting menggunakan metode moving average dengan mengubah period to average ke angka 3, kemudian input data demand, lalu klik solve.
Figure 8.
Gambar input data metode moving average
Berikut adalah hasil forecasting menggunakan metode moving average.
Figure 9.
Gambar hasil forecasting metode moving average
8. Untuk mengetahui hasil forecasting menggunakan metode naïve dengan meng input demand, lalu klik solve.
Figure 10.
Gambar input data metode naïve
Berikut adalah hasil forecasting menggunakan metode naïve.
Figure 11.
Gambar hasil forecasting metode naïve.
Tabel 3. Hasil peramalan menggunakan metode moving average.
Sumber: Pengolahan Data
Dari hasil perhitungan prediksi metode moving average didapatkan, ditunjukan dalam tabel 3, untuk periode 3 tahunan dan 6 tahunan, pada jumlah penjualan produk gula yang dijual oleh PG Candi Baru.
Penelitian ini menggunakan metode moving average dan metode naive. Pada Tabel 4 menunjukan hasil analisis dengan metode moving averagemenggunakan aplikasi POM QM for Windows.
Tabel 4. Perbandingan kesalahan (error) metode moving average pada setiap periode.
Untuk menemukan nilai peramalan, perhitungan dengan metode moving average digunakan untuk menghitung rata-rata 3 tahunan dan 6 tahunan dari aktual terakhir. Hasil analisis metode moving average menunjukan bahwa nilai MAD, MSE, MAPE terbaik sebesar 1.726, 5.661, 8.45%.
Table 5. peramalan menggunakan metode naive
Maka didapatkan tabel 5, hasil dari perhitungan forecasting metode naive menggunakan aplikasi POM QM for Windows seperti pada jumlah penjualan produk gula yang berada di PG Candi Baru sebagai berikut.
Tabel 6. Peramalan (error) menggunakan metode naive
Perhitugan peramalan dengan metode naivedengan menghiting rata-rata dari data aktual terakhir untuk mencari nilai forecasting -nya. Setelah diperolah hasil analisa metode naivenilai MAD, MSE, dan MAPE, mendapatkan nilai MAD 23.953, nilai MSE 30.4221, dan MAPE 20.35%.
Tabel 7. Perbandingan nilai MAD, MSE dan MAPE pada metode
moving average dan metode naive
Selanjutnya, dibandingkan nilai kesalahan (error) antara metode moving average dan naiveuntuk mendapatkan metode yang paling efektif untuk peramalan hasil penjualan produk gula di PT PG Candi Baru tahun 2025.
Berdasarkan tabel 7, bahwa metode yang memiliki jumlah penjualan untuk periode selanjutnya sebesar 21.781 ton, berdasarkan analisis dan pengolahan data sebelumnya, dapat dilihat bahwa metode moving average mrmiliki Tingkat kesalahan yang lebih rendah daripada metode naïve. Dengan nilai MAPE sebesar 8.45%, metode moving average adalah metode yang dipilih dan memiliki nilai yang mendekati nol dengan peramalan penjualan produk gula sebanyak 21.781 ton per tahun.
C. Usulan Perbaikan
Dari hasil penelitian yang sudah dilakukan forecasting menggunakan metode moving average dan naïve kurang responsife terhadap perubahan pasar, jika terdapat perubahan pasar metode iin kurang menangkapnya dengan baik [7]. PT PG Candi Baru lebih memperhatikan biaya produksi yang terus berubah. Dengan melakukan analisis mendalam terhadap komponen biaya tersebut, perusahaan dapat mengoptimalkan proses produksinya dan meminimalisir pengaruh negatif dari kenaikan biaya terhadap harga jual. Dalam hal ini, integrasi informasi biaya ke dalam model peramalan penjualan akan sangat bermanfaat ke depannya, untuk hasil yang lebih akurat, disarankan agar metode perlunya dikombinasikan dengan teknik analisis lain, seperti analisis regresi atau metode eksponensial smoothing, yang bisa jadi lebih sensitif terhadap perubahan pasar. Hal ini akan memberikan perusahaan strategi yang lebih baik dalam mengatur produksi dan pengelolaan biaya[15].
Berdasarkan hasil penelitian ini, dapat disimpulkan bahwa metode moving average adalah metode yang paling cocok untuk meramalkan jumlah penjualan produk gula tahun berikutnya. Hal ini disebabkan karena metode ini menunjukkan perbandingan nilai kesalahan (error) yang lebih kecil jika dibandingkan dengan metode lainnya. Terutama pada dua indikator utama yang menjadi acuan, yaitu mean absolute deviation (MAD) dan mean squared error (MSE), dengan nilai masing-masing 1.726 dan 5.661. Dengan demikian, penggunaan metode ini diharapkan dapat membantu perusahaan dalam membuat keputusan yang lebih tepat dan efisien dalam perencanaan penjualan. Degan total penjulan pada tahun berikutnya sebesar 21.781 ton per tahun.
Ucapan Terima Kasih
Terima kasih kepada UMSIDA dan PT. PG Candi Baru yang sudah memberikan tempat penelitian untuk penelitian ini.
Ridhwan, D. E. Ratnawati, and B. Rahayudi, “Peramalan Produksi Gula Pasir Menggunakan Fuzzy Time Series Dengan Optimasi Algoritma Genetika (Studi Kasus PG Candi Baru Sidoarjo),” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 8, pp. 2542–2548, 2018.
M. Kalam and A. Dwi, “Penerapan Peramalan Penjualan Menggunakan Aplikasi POM QM pada Produk Gula di PT. Pabrik Gula Candi Baru Sidoarjo,” Jurnal Seminar Nasional Teknologi Industri Berkelanjutan II (SENASTITAN II), vol. 7, no. 19, pp. 449–458, 2022.
F. M. Antika and P. Andini, “Fuzzy Time Series Chen Untuk Forecasting Hasil Produksi Tebu Di Kabupaten Langkat,” Jurnal Sains Matematika dan Statistika, vol. 10, no. 1, pp. 47–57, 2024.
L. R. Zidane, R. Rahmadan, N. Sofia, and A. M. Safhira Nanda R, “Analisis Forecasting Penjualan Gula Merah di Jatilawang Menggunakan Metode Weighted Moving,” Jurnal SISFOKOM (Sistem Informasi dan Komputer), vol. 11, no. 1, pp. 381–386, 2022.
S. Widayanti, H. Hamidah, and H. Nadya A, “Analisis Efisiensi Biaya Produksi Gula di PT. PG Candi Baru Sidoarjo,” Dinamika Administrasi: Jurnal Ilmu Administrasi dan Manajemen, vol. 3, no. 1, pp. 25–33, 2020.
R. Syabania and N. Rosmawarni, “Perancangan Aplikasi Customer Relationship Management (CRM) Pada Penjualan Barang Pre-Order Berbasis Website,” Jurnal Rekayasa Informasi, vol. 10, no. 1, pp. 44–49, 2021.
F. Ahmad, “Penentuan Metode Peramalan Pada Produksi Part New Granada Bowl ST Di PT.X,” Jurnal Integrasi Sistem Industri, vol. 7, no. 1, pp. 31–39, 2020.
R. Awaluddin, R. Fauzi, and D. Harjadi, “Perbandingan Penerapan Metode Peramalan (Studi Kasus Pada Konveksi Astaprint Kabupaten Majalengka),” Jurnal Bisnisman: Riset Bisnis dan Manajemen, vol. 3, no. 1, pp. 12–18, 2021.
V. Desiyanti, Y. D. Rahayu, and R. Umilasari, “Analisa Perbandingan Metode DMA dan DES (HOLT) Dalam Peramalan Harga,” Jurnal Smart Teknologi, vol. 3, no. 5, pp. 522–559, 2022.
E. Siswanto, S. E. Wibawa, and Z. Mustofa, “Implementasi Aplikasi Sistem Peramalan Persedian Barang Menggunakan Metode Single Moving Average Berbasis Web,” Jurnal Ilmiah Elektronika dan Komputer, vol. 14, no. 2, pp. 224–233, 2021.
Anastasya and Wahyudin, “Analisis Peramalan dengan Metode Naive, Linear Regression, Moving Average dan Exponential Smoothing,” Jurnal Ilmiah Wahana Pendidikan, vol. 8, no. 3, pp. 6820–6827, 2023.
R. Y. Hayuningtyas and R. Sari, “Aplikasi Peramalan Alat Kesehatan Menggunakan Single Moving Average,” Jurnal Infortech, vol. 3, no. 1, pp. 10–15, 2021.
N. Chaerunnisa and A. Momon, “Perbandingan Metode Single Exponential Smoothing dan Moving Average Pada Peramalan Penjualan Produk,” Jurnal Rekayasa Sistem Industri, vol. 6, no. 2, pp. 101–108, 2021.
M. A. Maricar, “Analisa Perbandingan Nilai Akurasi Moving Average dan Exponential Smoothing untuk Sistem Peramalan,” Jurnal Sistem dan Informatika, vol. 13, no. 2, pp. 77–81, 2019.
N. Hudaningsih, S. F. Utami, and W. A. A. Jabbar, “Perbandingan Peramalan Penjualan Produk Aknil PT. Sunthi Sepuri Menggunakan Metode Single Moving Average dan Single Exponential Smoothing,” Jurnal JINTEKS, vol. 2, no. 1, pp. 16–22, 2020.