Forecasting Volume Penjualan Produk Aquafeed Dalam Upaya Peningkatan Efisiensi Produksi

Perkembangan dunia usaha pada saat ini ditandai dengan semakin majunya dalam persaingan bisnis. Oleh karena itu peranan pemasaran semakin penting dan merupakan ujung tombak di setiap perusahaan. Keberhasilan suatu usaha dalam perusahaan ditentukan oleh keberhasilan dalam pemasaran. Salah satu indikator keberhasilan pemasaran adalah kesesuaian jumlah penjualan dengan target yang ditentukan. Untuk menangani masalah penjualan agar sesuai target perusahaan, maka diperlukan adanya sebuah peramalan penjualan. Penelitian dilaksanakan di PT. X, Manyar, Gresik, Jawa Timur. Penelitian ini dimulai pada bulan Mei 2017 sampai dengan Juli 2017. Tujuan dari penelitian, yaitu untuk mengetahui dan menganalisis; (1.) Penggunaan metode ARIMA untuk meramalkan volume penjualan produk pakan ikan dan udang PT. X, (2.) Penggunaan metode Exponential Smoothing untuk meramalkan volume penjualan produk pakan ikan dan udang PT. X, (3.) Penggunaan metode ARIMA dan Exponential Smoothing untuk meramalkan volume penjualan dalam upaya peningkatan efisiensi produksi pada PT. X. Metode yang digunakan pada penelitian ini menggunakan analisis deskriptif kuantitatif. Metode pengumpulan data yaitu wawancara, observasi dan dokumentasi. Sumber data dalam penelitian yaitu data primer dan data sekunder. Adapun data primer dalam penelitian ini berupa catatan lapang melalui partisipasi aktif, alur dan proses produksi melalui observasi, dan informasi terkait peramalan serta efisiensi produksi melalui wawancara. Data sekunder penelitian ini meliputi beberapa data penjualan ikan dan udang yang dimiliki oleh PT X. jurnal, buku, penelitian terdahulu, dan juga website yang berhubungan dengan penelitian ini. Metode analisis data adalah metode analisis kuantitatif dengan metode peramalan ARIMA dan Exponential Smoothing dengan bantuan software SPSS 20.0. Dalam penelitian ini terdapat 6 produk yang diuji dalam penelitian ini dengan rata-rata penjualan dan total penjualan periode Mei 2016 – April 2017 sebagai berikut. Produk Pakan Ikan PI Spr-2(MAS) rata-rata penjualan bulanan sebesar 317.854 dengan total penjualan sebesar 3.814.25, Produk Pakan Ikan PI Spr-3(MAS) rata-rata penjualan bulanan sebesar 625.208 dengan total penjualan sebesar 7.502.500, Produk Pakan Ikan PI Spr-4(MAS) rata-rata penjualan bulanan sebesar 117.625 dengan total penjualan sebesar 1.411.500, Produk Pakan Udang PV-2 rata-rata penjualan bulanan sebesar 145.335 dengan total penjualan sebesar 1.744.025, Produk Pakan Udang PV-2P1 rata-rata penjualan bulanan sebesar 178.529 dengan total penjualan sebesar 2.142.350, dan Produk Pakan Udang PV-2P2 rata-rata penjualan bulanan sebesar 119.316 dengan total penjualan sebesar 1.431.800. Sebelum dilakukannya proses forecasting menggunakan metode ARIMA dan Exponential Smoothing diperlukan data yang sudah bersifat stasioner. Hasil uji terhadap keenam produk, baik melalui grafik maupun menggunakan metode correlogram mengindikasikan bahwa keenam jenis produk pada awalnya masih belum stasioner, sehingga diperlukan proses differencing. Setelah dilakukan proses differencing sebanyak satu kali, data sudah memenuhi persyaratan kestasioneran data dan siap untuk dilakukan forecasting menggunakan ARIMA maupun Exponential Smoothing. Diagnostic checking berupa pengukuran residual perlu untuk dilakukan untuk menentukan apakah model peramalan telah dispesifikasi dengan benar, yakni dengan melihat apakah residu bersifat random dan tidak ada hubungan antar error. Model ARIMA berupa (p,d,q), dimana p dan q dapat ditentukan berdasarkan pola fungsi autokorelasi dan autokorelasi parsial, sedangkan d merupakan nilai differencing dan kemudian ditetapkan model ARIMA (0,1,1) untuk digunakan dalam meramalkan data. Setelah dilakukan pengjian pada model tersebut tidak ditemukan bar yang melebihi batas pada residu ACF dan PACF, maka dapat dikatakan bahwa residu bersifat random dan tidak ada hubungan antar error atau dengan kata lain model ARIMA telah dispesifikasi dengan benar. Sedangkan untuk menentukan model Smoothing terlihat data time series yang pola konstan dan berfluktuasi di sekitar nilai mean yang tetap, tanpa trend atau pola pertumbuhan konsisten, maka ditetapkan metode Single Exponential Smoothing untuk melakukan peramalan. Setelah dilakukan diagnostic checking pada model tersebut tidak ditemukan bar yang melebihi batas pada residu ACF dan PACF, maka dapat dikatakan bahwa residu bersifat random dan tidak ada hubungan antar error atau dengan kata lain model smoothing juga telah dispesifikasi dengan benar. Suatu model peramalan dapat diukur besaran nilai kesalahannya dengan melihat nilai RMSE (Root Mean Square Error), MAPE (Mean Absolute Percentage Error) dan MAE (Mean Absolute Error), dimana semakin kecil nilainya maka tingkat kesalahan peramalannya juga semakin kecil. Selain itu performa model dalam meramalkan juga dapat dilihat melalui nilai R-squared yang besarannya menggambarkan kemampuan model dalam meramalkan data dari data nyata yang ada sebelumnya. Setelah dilakukan pengukuran kesalahan, ditemukan bahwa model ARIMA mampu meramalkan penjualan lebih baik pada Produk Pakan Udang PI Spr-2(MAS) dengan tingkat ketepatan mencapai 89,1% dan pada Produk Pakan Udang PI Spr-4(MAS) dengan tingkat ketepatan mencapai 87,6%. Sedangkan model Smoothing mampu meramalkan penjualan lebih baik pada produk Pakan Udang PI Spr-3(MAS) dengan tingkat ketepatan mencapai 81,2%, Penjualan Produk Pakan Ikan PV-2 dengan ketepatan mencapai 86,8%, Penjualan Produk Pakan Ikan PV-2P1 dengan ketepatan mencapai 83,2%, Penjualan Produk Pakan Ikan PV-2P dengan 56,0%. Sehingga dapat disimpulkan bahwa metode ARIMA dan Smoothing sama-sama dapat digunakan dalam upaya peningkatan efisiensi, namun perlu dipilih mana yang paling sesuai dengan pola data dengan mengukur besaran kesalahan. Saran dari penelitian ini bagi perusahaan adalah PT. X dapat menggunakan kedua metode tersebut sebagai metode peramalan namun disesuaikan dengan pola data penjualan yang ada. Sehingga tingkat keakurasian peramalan volume penjulan produk menjadi tinggi dan bermanfaat dalam meningkatkan efisiensi produksi dan pengurangan biaya yang ditimbulkan karena ketidak tepatan perencanaan produksi dengan realita penjualan. Penelitian ini hanya menggunakan data 12 bulan saja, sehingga disarankan bagi peneliti selanjutnya untuk memperpanjang rentang data agar mendapatkan prediksi yang lebih akurat