Comparative Analysis of Simple Moving Average and Single Exponential Smoothing Methods for Forecasting Readymix Concrete Demand Analisis Komparatif Metode Simple Moving Average dan Single Exponential Smoothing untuk Peramalan Permintaan Beton Readymix Cahayani Adinda Dwi inggit@umsida.ac.id Marodiyah Inggit inggit@umsida.ac.id Program Studi Teknik Industri1, Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sidoarjo Indonesia Program Studi Teknik Industri1, Fakultas Sains dan Teknologi, Universitas Muhammadiyah Sidoarjo Indonesia 14 10 2026 13102026 Pendahuluan

Sektor konstruksi memegang peranan krusial dalam memacu roda perekonomian di negara berkembang seperti Indonesia. Hal ini tecermin dari kebijakan pemerintah yang menaikkan anggaran infrastruktur sebesar 4,9%, yang secara langsung memicu tren pertumbuhan positif pada permintaan beton ready-mix concrete (RMC)[1]. PT X adalah salah satu perusahaan yang bergerak di bidang kontruksi dengan beberapa produk yang ditawarkan seperti beton siap pakai (readymix), beton pra cetak, beton masonry, beton instan BM+, bahan galian, bata interlock presisi, dan jasa sewa alat konstruksi. PT X memiliki 34 plant yang tersebar di Indonesia salah satunya yakni di Sidoarjo yang secara khusus menjadi plant yang memproduksi beton siap pakai (readymix). Beton readymix adalah beton yang diproduksi secara langsung di batching plant yang dikirim ke konsumen dengan kondisi belum mengalami pengerasan karena adanya penambahan bahan kimia atau bahan yang sering disebut dengan admixture[2]. Secara umum, beton sendiri artinya sebuah campuran beberapa agregat yang meliputi agregat kasar, agregat halus, semen, dan air dengan atau tanpa tambahan zat aditif (bahan pembantu) yang membantu dalam proses pemadatan. Sifat beton yang mudah padat ini menyebabkan beton tidak dapat diproduksi untuk persediaan jangka panjang maupun sebagai persediaan mati[3]. Tantangan operasional ini diperparah oleh dinamika pelaksanaan proyek konstruksi di lapangan yang sangat rentan terhadap faktor eksternal, salah satunya adalah kendala cuaca yang menyebabkan kemunduran jadwal pemesanan[4]. Akibatnya, ketergantungan yang tinggi pada aktivitas proyek konstruksi ini menciptakan tantangan besar berupa ketidakpastian volume permintaan harian maupun bulanan.

Dalam menghadapi situasi tersebut, peramalan (forecasting) menjadi instrumen yang sangat vital bagi manajemen plant. Untuk memproyeksikan tingkat permintaan periode berikutnya, perusahaan menggunakan peramalan dengan acuan pada data historis periode sebelumnya[5]. Peramalan memiliki peran yang krusial dalam proses pengambilan keputusan, terutama dalam menyusun rencana produksi, manajemen stok, serta optimalisasi aktivitas operasional. Selain itu, peramalan juga menjadi alat bantu perusahaan dalam menghadapi permintaan yang fluktuatif maupun fluktuasi pergerakan harga pasar[6]. Untuk mengakomodasi karakteristik permintaan beton readymix harian yang sangat fluktuatif tanpa tren jangka panjang, diperlukan metode peramalan yang responsif terhadap data terkini namun tetap sederhana secara komputasi. Oleh sebab itu, metode Simple Moving Average (SMA) dan Single Exponential Smoothing (SES). Analisis komparatif antara kedua metode tersebut ditujukan untuk menemukan model peramalan dengan tingkat akurasi terbaik dan galat (error) paling minimal. Upaya ini penting sebagai strategi mitigasi dalam meminimalkan risiko operasional serta menekan kerugian ekonomi selama proses pembangunan berjalan. Melalui perencanaan yang tepat tersebut, risiko ketidakpastian persediaan bahan baku maupun pemborosan akibat kelebihan produksi (over-forecasting) dapat dihindari[7].

Sejumlah penelitian terdahulu telah membandingkan penggunaan dua metode ini dalam peramalan untuk pengambilan keputusan. Menurut penelitian oleh [8] membandingkan antara Simple Moving Average (SMA) dan Single Ekponential Smoothing (SES) untuk mengetahui prediksi penjualan pupuk NPK di industri pupuk. Hasil penelitian tersebut menunjukkan bahwa metode metode Single Ekponential Smoothing (SES) dengan α = 0,6 menghasilkan galat (error) terkecil, sehingga terpilih sebagai model peramalan terbaik untuk diaplikasikan. Selanjutnya, menurut [9] menggunakan kombinasi metode moving average, weighted moving average, dan Single Exponential Smoothing (SES) untuk meramalkan permintaan produk Bakso Frozen Fatimah Asri. Hasilnya diketahui bahwa metode SingleExponentialSmoothing (SES) menghasilkan nilai MAD dan MAPE terkecil sehingga Single Exponential Smoothing(SES)dipilih sebagai metode terbaik untuk digunakan dalam peramalan permintaan jangka pendek.

Oleh karena itu, penelitian ini menggunakan analisi komparatif antara metode Simple Moving Average (SMA) dan Single Ekponential Smoothing (SES) dengan batuan software POM-QM. Penelitian ini bertujuan untuk meramalkan volume permintaan beton readymix secara akurat, guna mengoptimalkan perencanaan produksi serta meminimalkan risiko ketidakpastian persediaan bahan baku di masa mendatang.

 Metode

A. Lokasi dan Objek Penelitian

Penelitian ini dilaksanakan pada PT X plant Sidoarjo berada di Jalan Lingkar Timur No.33, Dadungan, Gebang, Kecamatan Sidoarjo yang memproduksi beton readymix. Objek penelitian yang diambil yakni volume realisasi permintaan produk beton readymix (dalam satuan m3) yang diproduksi oleh perusahaan. Penelitian dilakukan selama 3 bulan dengan fokus pengambilan data selama 30 hari kerja periode April 2026.

B. Alur Penelitian

Penelitian ini menggunakan pendekatan kuantitatif melalui metode Single Exponential Smoothing (SES) dengan bantuan software POM-QM untuk mengidentifikasi konstanta Alpha (α) yang paling optimal. Langkah-langkah operasional yang ditempuh dalam mengimplementasikan prosedur peramalan tersebut dijabarkan di bawah ini:

Gambar . Diagram Alir Penelitian

C. Metode Analisa Data

Penelitian ini menggunakan pendekatan kuantitatif dengan objek data historis permintaan beton readymix harian selama bulan April 2026 (30 periode). Tahapan analisis data dimulai dengan melakukan peramalan menggunakan dua metode deret waktu (time series) yaitu dengan Simple Moving Average (SMA) dan Single Exponential Smoothing (SES).Simple Moving Average (SMA) adalah metote untuk mengetahui nilai peramalan berdasarkan rata-rata dari sejumlah data masa lalu. Metode ini digunakan untuk jangka waktu pendek dan menghasilkan hasil yang lebih halus seiring bertambahnya periode data yang digunakan[10]. Metode Single Exponential Smooting (SES) merupakan metode yang bekerja secara dinamis menggunakan data terkini secara terus menerus dengan melakukan pengulangan dalan perhitungannya. Dalam metode SES terdapat parameter alpha (𝛼) yang bertindak sebagai koefisien bobot yang ditentukan secara bebas dengan range (0 < α < 1) untuk menekan tingkat kesalahan (error) peramalan seminimal mungkin[11].

Analisa selanjutnya dilakukan evaluasi untuk mengukur tingkat kesalahan masing-masing metode untuk menentukan metode yang lebih layak digunakan dengan membandingkan indikator akurasi Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE), Tracking Signal (TS)[12]. Mean Absolute Deviation (MAD) adalah nilai absolute rerata dari kesalahan dalam peramalan yang hasilnya mengabaikan tanda positif maupun negative. Jika nilai MAD semakin mendekati nol maka asumsinya adalah metode peramalan tersebut semakin mendekati kondisi sebenarnya[13]. Mean Squared Error (MSE) adalah rata-rata perbedaan kuadrat antara nilai yang diamati, lalu dijumlahkan dan ditambahkan dengan jumlah yang diamati. Mean Absolute Percentage Error (MAPE) adalahperhitngan menggunakan kesalahan absolute pada setiap periode lalu dibagi dengan nilai pengamatan yang nyata untuk periode tersebut. Semakin kecil nilai MAPE maka semakin akurat pula hasil atau teknik peramalan yang dilakukan dan sebaliknya[14]. Evaluasi kualitas dan status kelayakan hasil peramalan MAPE merujuk pada standar klasifikasi range pada Tabel 1.

1. Nilai Range MAPE dan Status Peramalan[15]

Range MAPE Keterangan
< 10% Kategori peramalan sangat baik
10% - 20% Kategori peramalan baik
20% - 50% Kategori peramalan layak
> 50% Kategori peramalan buruk

Berdasarkan klasifikasi standar yang disajikan pada Tabel 1, kategori keandalan hasil peramalan dievaluasi secara bertahap mulai dari tingkat sangat baik hingga buruk sesuai dengan persentase galat yang diperoleh. Setelah mengevaluasi nilai galat tersebut, langkah berikutnya adalah melakukan pengujian konsistensi bias di sepanjang periode pengamatan dengan menggunakan metode Tracking Signal (TS) untuk memastikan model peramalan tetap berada dalam batas kendali aman (± 4)[15].

 Hasil dan Pembahasan

Berdasarkan metodologi penelitian yang telah dijabarkan pada bab sebelumnya, langkah awal dalam melakukan analisis yakni menyajikan data historis volume permintaan harian produk beton readymix. Fluktuasi data riil tersebut akan menjadi basis input utama dalam pemodelan menggunakan metode Simple Moving Average (SMA) dan Single Exponential Smoothing (SES) guna menemukan model proyeksi yang paling optimal. Pola permintaan beton readymixseperti pada gambar 2 berikut.

Berdasarkan Gambar 2 diketahui bahwa pola permintaan penjualan beton readymix ini tidak konsisten. Puncak tertinggi pada periode April 2026 terdapat pada tanggal 24 April 2026 yaitu 265 m3. Hal ini sangat berbanding terbalik dengan jumlah pada akhir periode yakni 30 April 2026 yang hanya memperoleh total permintaan 23 m3. Setelah mengetahui pola permintaan yang fluktuatif tersebut, selanjutnya dilakukan perhitungan dengan metode Simple Moving Average (SMA) menggunakan software POM QM. Pada pengolahan metode ini menggunakan periods to averageyakni 3 periode. Adapun hasilnya yakni pada Tabel 2 berikut.

3. Hasil Forecasting Eksponential Smoothing

Measure Value
Error Measures
Bias (Mean Error) -0,963
MAD (Mean Absolute Deviation) 44,247
MSE (Mean Squared Error) 3129,135
Standard Error (denom=n-2=24) 58,133
MAPE (Mean Absolute Percent Error) 50,76%
Forecast
next period 42,667

Measure Value
Error Measures
Bias (Mean Error) -1,588
MAD (Mean Absolute Deviation) 40,606
MSE (Mean Squared Error) 2373,946
Standard Error (denom=n-2=28) 50,495
MAPE (Mean Absolute Percent Error) 44,99%
Forecast
next period 33,771

Tabel 3 menunjukkan hasil peramalan metode SES dengan nilai MAD sebesar 40,606 dan MSE sebesar 2373,946. Berbeda dengan SMA, nilai MAPE metode SES sebesar 44,99% masuk dalam kategori layak (reasonable). Hasil proyeksi permintaan untuk next period dengan metode ini adalah sebesar 33,771m3per hari.

Dari kedua hasil tersebut selanjutnya dilakukan perbandingan dengan membandingkan Perbandingan nilai akurasi peramalan menggunakan nilai MAD, MSE, MAPE dan nilai trackingsignal. Perbandingan nilai akurasi ini digunakan sebagai tolak ukur untuk mengidentifikasi metode peramalan yang paling optimal. Hasil perbandingan akurasi selanjutnya akan digunakan dalam memproyeksikan volume jumlah permintaan beton readymix pada periode berikutnya di PT X. Berikut merupakan tabel perbandingan nilai akurasi MAD, MSE, dan MAPE.

4. Perbandingan Nilai MAD, MSE, dan MAPE

Metode MAD MSE MAPE
Simple Moving Average (SMA) 44,247 3129,135 50,76%
Single Exponential Smoothing (SES) 40,606 2373,946 44,99%

Dari hasil perbandingan nilai MAD, MSE, dan MAPE pada tabel di atas, terlihat jelas bahwa metode Single Exponential Smoothing (SES) memiliki nilai galat yang lebih kecil dibandingkan Simple Moving Average (SMA). Berdasarkan rujukan klasifikasi pada Tabel 1, diketahui nilai MAPE pada metode SES yakni sebesar 44,99% yang menunjukkan termasuk dalam kategori peramamalan layak (20% - 50%) untuk diaplikasikan. Sedangkan nilai MAPE metode SMA diketahui sebesar 50,76% yang menunjukkan kategori peramalan buruk (>50%) sehingga dalam perbandingan MAD, MSE, dan MAPE ini maka metode SES lebih direkomendasikan untuk diaplikasikan. Analisis selanjutnya diarahkan pada perbandingan Tracking Signal (TS) untuk mengetahui stabilitas bias kumulatif dan kelayakan implementasi model di lapangan. Ringkasan nilai tracking signal kedua metode disajikan pada Tabel 5 berikut.

5. Perbandingan Tracking Signal (TS)

Tanggal Demand(y) Simple Moving Average(SMA) Single Exponential Smoothing (SES)
01-Apr-26 66 0 0
02-Apr-26 36 0 -1
03-Apr-26 57 0 -0,857
…. …. …. ….
14-Apr-26 180 5,546 4,475
15-Apr-26 117 4,923 2,911
16-Apr-26 168 5,843 4,047
…. …. …. ….
23-Apr-26 201 7,115 4,647
24-Apr-26 265 8,922 6,515
25-Apr-26 214 9,586 5,889
…. …. …. ….
29-Apr-26 57 0,134 -0,249
30-Apr-26 23 -0,588 -1,134

Berdasarkan hasil kalkulasi Tracking Signal (TS) pada Tabel 5, metode Single Exponential Smoothing (SES) terbukti jauh lebih konsisten dan aman dibandingkan metode Simple Moving Average (SMA) untuk jangka panjang. Meskipun pada akhir periode (30 April 2026) nilai TS metode SMA secara mutlak lebih dekat ke angka nol (-0,588) daripada SES (-1,134), namun metode SMA sempat mengalami kondisi luar kendali (out of control) parah menjelang akhir bulan, tepatnya pada 25 April 2026, dengan lonjakan bias mencapai 9,586 (melebihi batas aman ±4). Sebaliknya, fluktuasi TS pada metode SES jauh lebih stabil dan teredam di sepanjang pengujian karena adanya bobot pemulusan eksponensial, sehingga risiko bias kumulatifnya minimal. Oleh karena itu, dari aspek keandalan model tracking signal, metode SES dipilih sebagai model terbaik untuk memproyeksikan permintaan beton harian periode berikutnya. Adapun hasil peramalan untuk next period menggunakan metode SES dapat dilihat pada tabel berikut.

6. Hasil Forecast Metode Single Exponential Smoothing (SES)

Tanggal Demand(y) Forecast Error |Error| Error^2 |Pct Error|
01-Apr-26 66
02-Apr-26 36 66 -30 30 900 83,33%
03-Apr-26 57 45 12 12 144 21,05%
04-Apr-26 110 53,4 56,6 56,6 3203,56 51,46%
05-Apr-26 118 93,02 24,98 24,98 624 21,17%
06-Apr-26 61 110,506 -49,506 49,506 2450,844 81,16%
07-Apr-26 55 75,852 -20,852 20,852 434,798 37,91%
08-Apr-26 64 61,256 2,744 2,744 7,532 4,29%
09-Apr-26 118 63,177 54,823 54,823 3005,598 46,46%
10-Apr-26 135 101,553 33,447 33,447 1118,702 24,78%
11-Apr-26 104 124,966 -20,966 20,966 439,569 20,16%
12-Apr-26 133 110,29 22,71 22,71 515,755 17,08%
13-Apr-26 117 126,187 -9,187 9,187 84,4 7,85%
14-Apr-26 180 119,756 60,244 60,244 3629,33 33,47%
15-Apr-26 117 161,927 -44,927 44,927 2018,419 38,40%
16-Apr-26 168 130,478 37,522 37,522 1407,897 22,34%
17-Apr-26 139 156,743 -17,743 17,743 314,829 12,77%
18-Apr-26 81 144,323 -63,323 63,323 4009,806 78,18%
19-Apr-26 145 99,997 45,003 45,003 2025,278 31,04%
20-Apr-26 125 131,499 -6,499 6,499 42,238 5,20%
21-Apr-26 207 126,95 80,05 80,05 6408,047 38,67%
22-Apr-26 130 182,985 -52,985 52,985 2807,402 40,76%
23-Apr-26 201 145,896 55,105 55,105 3036,508 27,42%
24-Apr-26 265 184,469 80,531 80,531 6485,299 30,39%
25-Apr-26 214 240,841 -26,841 26,841 720,417 12,54%
26-Apr-26 177 222,052 -45,052 45,052 2029,699 25,45%
27-Apr-26 60 190,516 -130,516 130,516 17034,34 217,53%
28-Apr-26 48 99,155 -51,155 51,155 2616,803 106,57%
29-Apr-26 57 63,346 -6,346 6,346 40,277 11,13%
30-Apr-26 23 58,904 -35,904 35,904 1289,092 156,10%
TOTALS 3511 -46,041 1177,562 68844,44 1304,64%
AVERAGE 117,033 -1,588 40,606 2373,946 44,99%
Next period forecast 33,771 (Bias) (MAD) (MSE) (MAPE)
Std err 50,495

Berdasarkan hasil kalkulasi harian pada Tabel 6, peramalan menggunakan metode Single Exponential Smoothing (SES) dengan konstanta alpha (α) = 0,7 menunjukkan karakteristik model yang sangat responsif terhadap fluktuasi permintaan riil. Keunggulan nilai alpha (α) yang besar ini terbukti efektif meminimalkan efek keterlambatan dalam mengikuti tren jangka pendek, meskipun model menjadi cukup sensitif saat menghadapi deviasi ekstrem seperti penurunan tajam pada 27 April 2026. Namun, secara akumulatif, mekanisme pemulusan eksponensial ini berhasil meredam lonjakan galat lokal sehingga nilai rata-rata keseluruhan MAPE tetap terjaga stabil di angka 45%. Melalui pemodelan ini, diperoleh hasil akhir proyeksi volume permintaan beton readymix untuk periode berikutnya (next period) yaitu sebesar 33,771 m3. Visualisasi pergerakan data aktual permintaan beton harian berbanding lurus dengan hasil pemulusan grafik peramalan menggunakan metode SES (alpha (α) = 0,7) disajikan pada Gambar 3 berikut.

3. Grafik Perkembangan Data Aktual dan Peramalan

Berdasarkan Gambar 3, garis peramalan (warna biru) terlihat mampu mengikuti fluktuasi naik-turun data aktual (warna hitam) dengan sangat responsif. Kedekatan jarak visual antara kedua garis tersebut menunjukkan bahwa konstanta alpha = 0,7 bekerja efektif dalam menangkap perubahan tren jangka pendek secara cepat. Meskipun sempat terjadi keterlambatan penyesuaian saat data aktual merosot tajam di akhir periode, secara keseluruhan grafik ini membuktikan bahwa model SES memiliki akurasi yang andal dalam menyelaraskan hasil prediksi dengan permintaan riil di lapangan.

 Simpulan

Berdasarkan analisis komparatif, metode Single Exponential Smoothing (SES) dipilih sebagai model peramalan terbaik untuk memproyeksikan permintaan beton readymix karena menghasilkan galat terkecil dengan nilai MAD sebesar 40,606, MSE sebesar 2373,946, dan MAPE sebesar 44,99%. Merujuk pada standar range nilai MAPE, status hasil peramalan metode SES ini masuk dalam kategori layak (20%-50%), mengungguli metode Simple Moving Average (SMA) yang memiliki tingkat kesalahan lebih tinggi. Dari aspek konsistensi, pengujian Tracking Signal (TS) juga memenangkan metode SES karena fluktuasinya stabil di sepanjang periode pengujian, berbeda dengan metode SMA yang mengalami kondisi luar kendali (out of control) ekstrem hingga mencapai nilai 9,586 pada 25 April 2026. Melalui model SES yang terpilih ini, diperoleh hasil proyeksi permintaan konstan untuk next period (bulan Mei 2026) sebesar 33,771 m3 per hari sebagai acuan kapasitas produksi harian aman (safety baseline) bagi manajemen perusahaan.

Ucapan Terima Kasih

Terima kasih disampaikan kepada Universitas Muhammadiyah Sidoarjo dan PT X atas segala dukungan serta kontribusi yang telah diberikan. Bantuan tersebut sangat berarti bagi penulis dalam menyelesaikan seluruh tahapan penelitian ini dengan baik.

 1 35-48 8 2021 10.9744/duts.8.1.35-48 Kresnadi Daniel Mulyono Program Mahasiswa Magister Studi Sipil Teknik Petra Universitas Kristen Program Dosen Magister Studi Sipil Teknik Petra Universitas Kristen OPTIMASI SUPPLY CHAIN READY MIX CONCRETE PADA PERUSAHAAN PT X 2 40-44 2 2022 10.37905/cj.v2i2.53 Tuloli M Yusuf Teknik Fakultas Gorontalo Universitas Negeri Mix Ready Plant Batching OPTIMASI PELAKSANAAN PENGECORAN ANTARA BETON SITE MIX DAN READY MIX DARI BATCHING PLANT PADA PEKERJAAN PENGENDALIAN BANJIR SUNGAI BOLANGO KOTA GORONTALO 2021 Nurokhman N Suharyanto I ... … : Civil Engineering and … Evaluasi Mutu Beton Dari Berbagai Ready Mix Pada Gedung Parkir Yogyakarta International Airport 2 33-45 3 2023 Santoso Rudi ANALISIS PERSEPSI CUACA HUJAN TERHADAP PROYEK KONSTRUKSI , PADA PROYEK APARTEMEN SOLTERRA Apartemen Solterra , Pejaten – Jakarta Selatan . Apa saja identifikasi risiko yang mungkin persepsi pengaruh cuaca hujan terhadap progress pekerjaan konstruksi jika 2026 Sulistyo S Soesilo R Nirfison N ... Blend Sains Jurnal … Evaluasi Metode Peramalan Penjualan Botol Natural 100ml Menggunakan Moving Average dan Exponential Smoothing 2025 Nurlaela W Pratiwi A I Yulianti H T Jurnal Teknologi dan … Analisis Metode Moving Average, Exponential Smoothing, dan Arima dalam Peramalan Permintaan untuk Pengendalian Stok Floor Rear:(Studi Kasus: PT. SAI) 02 49-60 15 2020 Marodiyah Inggit Sudarso Indung ANALISA RISIKO GUNA PENINGKATAN KUALITAS PROSES PEMBANGUNAN GEDUNG BERTINGKAT 2024 Foci N A Muluk A J Nur R M Zai Y Y M ... Journal Industrial … Strategi Peramalan Permintaan Pupuk NPK untuk Optimalisasi Stok di PT. XYZ 2025 Ramdhani I Raodah R ... Factory Jurnal Industri … Peramalan Permintaan Produk Bakso Frozen FA Menggunakan Metode Time Series 2026 Aulia A N Tambunan W ... Factory Jurnal Industri … Perencanaan Persediaan Darah pada UDD PMI Kabupaten Berau Menggunakan Metode Continuous Review System (CRS) 2025 Ramadhani S D R Afifah B Jurnal Inovasi Teknik Industri ANALISIS PERAMALAN PRODUKSI STANDARD INDONESIA RUBBER (SIR) MENGGUNAKAN APLIKASI POM QM DI PTPN 7 BENGKULU 2026 Sarungu S Ratta E Jurnal Teknologi dan Manajemen Industri … Forecasting Kebutuhan Lubricating Oil Engine Dengan Membandingkan Metode Simple Moving Average Dan Single Exponential Smoothing:(Studi Kasus … 2 88-101 10 2022 Rini Monanda Wandita Ananda Nessa Studi Program Logistik Manajemen Elektronika Industri Selatan Jakarta Average Weighted Moving Smoothing Exponential Mean Root Perbandingan Metode Peramalan Menggunakan Model Time Series 2 101-106 6 2021 Chaerunnisa Niken Studi Program Industri Teknik Teknik Fakultas Karawang Universitas Singaperbangsa PERBANDINGAN METODE SINGLE EXPONENTIAL SMOOTHING DAN MOVING AVERAGE PADA PERAMALAN PENJUALAN PRODUK Jurnal Rekayasa Sistem Industri 2025 Pasyah A K Nurisusilawati I ... Tekinfo: Jurnal Ilmiah … Analisis Perbandingan Metode Peramalan Pada Produksi Air di PDAM XYZ