Metode Pengukuran Dan Peramalan Permintaan

         Pada penelitian Mochammad Anshori Dan Dzakiyah Widyanigrum,mengatakan bahhwa peramalan adalah metode penting untuk memprediksi masa depan dengan menggunakan data masa lalu dan model terstruktur. Hal ini sangat bermanfaat terutama dalam bisnis penyediaan barang, seperti Usaha Dagang (UD), karena dapat membantu perusahaan menghindari masalah overstock atau understock dalam penyediaan produk (Mochammad Anshori Dan Dzakiyah Widyanigrum 2022). Hal ini sejalan dengan penelitian dari Eucharistia Yacoba Nugraha Dan I Wayan Suletra yang mengatakan bahwa Peramalan permintaan merupakan upaya untuk memprediksi tingkat permintaan produk atau layanan di masa yang mendatang dengan memakai data masa lalu. Jadi, dengan melakukan peramalan yang akurat, perusahaan dapat lebih efisien dalam pengelolaan persediaan, produksi, dan pemasaran produk mereka (Eucharistia Yacoba Nugraha Dan I Wayan Suletra 2017). Dan pada penelitan Dharma Agista Pratama, Sri Hidayati, Erdi Suroso Dan Dewi Sartika juga mengatakan bahwa Peramalan permintaan merupakan usaha untuk memprediksi tingkat permintaan produk di masa mendatang dengan mengambil referensi dari data dan keadaan di masa lalu. Ini membantu perusahaan untuk merencanakan dan mengelola produksi, persediaan, dan strategi pemasaran dengan lebih baik untuk memenuhi permintaan pasar yang diantisipasi (Dharma Agista Pratama 2020).

         Dalam Jurnal Utama dari penelitian Poppy Marselina Kristiani Dan David Andrian mengatakan bahwa ada dua metode pengukuran pada peramalan suatu permintaan yang di lakukan yaitu metode Moving Average dan metode exponetial smoothing. Penelitian ini juga menjelaskan bahwa Dalam peramalan, seringkali terdapat kesalahan atau nilai error, dan penting untuk mengukur dan memantau kesalahan tersebut. Setelah melakukan analisis perbandingan pada kedua metode tersebut maka metode yang terbaik dalam penelitian utama yaitu metode expenetial smoothing yang dapat dikatakan metode paling tepat untuk melakukan suatu peramalan karena metode tersebut memiliki nilai erorr yang rendah (Poppy Marselina Kristiani Dan David Andrian 2023). Hal ini disetujui oleh penelitian dari Darfial Guslan Dan Lia Fatimah yang juga mengatakan dalam penelitiannya bahwa dalam perbandingan antara Metode Naive dan Metode Exponential Smoothing, Metode Exponential Smoothing dengan = 0,5 menghasilkan MAE (Mean Absolute Error) yang lebih kecil, menjadikannya metode peramalan terbaik (Darfial Guslan Dan Lia Fatimah 2021). Pada penelitian Desky Arliantyanda juga menyetujui penelitian utama yang mengatakan bahwa Dalam hasil peramalan menggunakan metode Moving Average dan Exponential Smoothing, terdapat perbedaan, dan metode Exponential Smoothing dengan  terbukti memiliki tingkat kesalahan peramalan yang paling kecil. Tingkat kesalahan yang lebih rendah menunjukkan tingkat akurasi yang lebih tinggi dalam peramalan, yang dapat membantu perusahaan untuk memproduksi secara lebih optimal dan efisien. Itu membuat metode Exponential Smoothing menjadi pilihan yang sesuai untuk tujuan peramalan (Desky Arliantyanda 2022). Namun, berbeda pada penelitian Endang Heriansyah Dan Sawarni Hasibuan yang mengatakan bahwa metode terbaik dalam melakukan suatu peramalan yaitu metode Winter karena dari Anailisis peramalan  tingkat kesalahan, metode yang tepat adalah metode Winter dengan tingkat kesalahan yang paling kecil. Ini menunjukkan bahwa dalam konteks analisis data yang Anda lakukan, metode Winter memiliki kinerja terbaik dalam menghasilkan peramalan dengan tingkat akurasi yang tinggi (Endang Heriansyah Dan Sawarni Hasibuan 2017). Dan pada penelitian Nurzakiah Darozal, Wahyudin Dan Hamdani yang juga mempunyai penelitian yang  berbeda dari penelitian utama dan penelitian dari Endang Heriansyah dengan mengatakan bahwa dalam perbandingan antara Metode Regresi Linier, Moving Average, Exponential Smoothing, dan Metode Nave, Metode Regresi Linier memiliki nilai penyimpangan yang terkecil. Dan mengatakan Metode Regresi Linier memberikan perkiraan atau prediksi yang lebih mendekati nilai sebenarnya dibandingkan dengan metode lainnya, dan merupakan pilihan yang sesuai untuk melakukan peramalan (Nurzakiah Darozal Dkk 2022).

KESIMPULAN:

Adapun kesimpulan dari penelitian Poppy Marselina Kristiani Dan David Andrian yaitu, Berdasarkan analisis peramalan produksi wafer stick dengan metode Moving Average (1 bulanan dan 3 bulanan) dan metode Exponential Smoothing ( = 0,1, = 0,5, = 0,9), menyimpulkan bahwa metode Exponential Smoothing dengan 0,5 memiliki nilai tingkat kesalahan (error peramalan) paling kecil secara keseluruhan, yaitu sebesar 9,9%. Ini menunjukkan bahwa metode tersebut merupakan pilihan terbaik untuk melakukan peramalan produksi secara optimal dalam konteks ini.