Perancangan Sistem Prediksi Stok Barang Menggunakan Metode Single Moving Average (SMA) Gudang Logistik PT. PLN UP 3 Lubuk Pakam
DOI:
https://doi.org/10.62712/juktisi.v4i3.882Kata Kunci:
Sistem, Single Moving Average, Prediksi Stok BarangAbstrak
Pengelolaan stok bahan baku yang efektif berperan penting dalam menunjang efisiensi operasional perusahaan konfeksi. Ketidaksesuaian antara tingkat permintaan dan ketersediaan persediaan berpotensi menimbulkan kondisi kekurangan maupun kelebihan stok, yang pada akhirnya memengaruhi biaya penyimpanan serta kelancaran proses produksi. Penelitian ini bertujuan untuk merancang dan menganalisis penerapan metode prediksi Single Moving Average (SMA) dalam rangka mengoptimalkan manajemen stok bahan baku. Metodologi penelitian meliputi pengumpulan data historis permintaan bahan baku selama periode 11 bulan pada perusahaan konfeksi, implementasi metode SMA, serta pengujian tingkat akurasi menggunakan indikator Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE). Hasil pengujian menunjukkan bahwa metode SMA mampu memberikan tingkat prediksi yang relatif baik pada produk dengan pola permintaan yang stabil, seperti kategori MCB, dengan nilai MAE sebesar 4,79 unit dan MAPE sebesar 14,69%. Sebaliknya, pada produk dengan tingkat fluktuasi permintaan yang tinggi, seperti Cable PWR, performa prediksi mengalami penurunan yang ditunjukkan oleh nilai MAPE hingga 37%. Kontribusi utama penelitian ini terletak pada analisis keterbatasan metode SMA dalam menangani data permintaan yang tidak stabil serta rekomendasi penggunaan metode prediksi yang lebih adaptif, seperti Weighted Moving Average (WMA) atau Long Short-Term Memory (LSTM). Temuan penelitian ini diharapkan dapat menjadi acuan dalam pengembangan solusi berbasis sistem informasi untuk meningkatkan efisiensi pengelolaan stok bahan baku pada industri konfeksi skala kecil dan menengah, sekaligus membuka peluang pengembangan sistem prediksi yang lebih akurat di masa mendatang.
Unduhan
Referensi
D. M. Situmorang and I. S. Dewi, “Evaluasi Penerapan Metode Persediaan Pada
Perusahaan Distributor (Studi Kasus Pada Cv. Sinar Sahabat Sejati),”
Juwira, vol. 3, no. 2, pp. 8–13, Nov. 2023, doi: 10.61696/juwira.v3i2.149.
Nuroji, “Penerapan Metode Agile Dalam Permodelan Sistem Informasi Inventory Barang,”
Journal of Artificial Intelligence and Technology Information (JAITI), vol. 1, no. 4, 2023, doi:
https://doi.org/10.58602/jaiti.v1i4.82.
W. Lu and L. Yan, “Dynamic Pricing and Inventory Strategies for Fashion Products Using
Stochastic Fashion Level Function,” Axioms, vol. 13, no. 7, p. 453, Jul. 2024, doi:
3390/axioms13070453.
B. Safitri, S. D. Gustina, R. Abdillah, E. W. Fridayanthie, and R. Permana, “Analisis Sistem
Informasi Inventory Menggunakan Metode Single Moving Averange Pada PT. Inkolanggeng
Makmur Jakarta,” j-insan, vol. 3, no. 1, pp. 38–45, Jul. 2023, doi: 10.31294/jinsan.v3i1.2191.
V. Alevizakos, A. Chatterjee, K. Chatterjee, and C. Koukouvinos, “The exponentiated
exponentially weighted moving average control chart,” Stat Papers, vol. 65, no. 6, pp. 3853–
, Aug. 2024, doi: 10.1007/s00362-024-01544-2.
R. D. Snyder, A. B. Koehler, R. J. Hyndman, and J. K. Ord, “Exponential smoothing for
inventory control: means and variances of lead-time demand,” p. 303453 Bytes, 2017, doi:
4225/03/5936249C6CC0D.
M. M. Phyu and M. T. Khine, “Retail Demand Forecasting Using Sequence to Sequence Long
Short-Term Memory Networks,” in 2023 IEEE Conference on Computer Applications (ICCA),
Yangon, Myanmar: IEEE, Feb. 2023, pp. 208–213. doi:
1109/ICCA51723.2023.10181450.
C. Koushik, M. V. Pranav, R. K. Arjun, and S. Shridevi, “Hybrid Exponential SmoothingLSTM-Based Univariate Stock Market Prediction for Financial Sectors in NIFTY50,” in
Advanced Computing and Intelligent Technologies, vol. 914, R. N. Shaw, S. Das, V. Piuri,
and M. Bianchini, Eds., in Lecture Notes in Electrical Engineering, vol. 914. , Singapore:
Springer Nature Singapore, 2022, pp. 357–368. doi: 10.1007/978-981-19-2980-9_28.
G. B. Susilo, “Forecasting Demand for Electric Batik Stoves Using Moving Average Method
in CV. A B C,” JIEHIS, vol. 3, no. 2, pp. 148–155, Dec. 2022, doi: 10.14421/jiehis.3999.
A. De Myttenaere, B. Golden, B. Le Grand, and F. Rossi, “Mean Absolute Percentage Error
for regression models,” Neurocomputing, vol. 192, pp. 38–48, Jun. 2016, doi:
1016/j.neucom.2015.12.114.
E. Mwamba and T. Yangailo, “The impact of inventory management on the performance of
an organization,” RCP, vol. 20, no. 20, pp. 77–85, Jan. 2024, doi: 10.22463/24221783.4184.
C. Wulandari, M. N. Alamsyah, and L. Layla, “Prediksi Penjualan Kopi Pada Pt. Kopi
Cap Lesung Lubuklinggau Menggunakan Metode Single Moving Average
(SMA),” jusim, vol. 7, no. 2, pp. 143–154, Dec. 2022, doi: 10.32767/jusim.v7i2.1701.
O. Chantarakasemchit, S. Nuchitprasitchai, and Y. Nilsiam, “Forex Rates Prediction on
EUR/USD with Simple Moving Average Technique and Financial Factors,” in 2020 17th
International Conference on Electrical Engineering/Electronics, Computer,
Telecommunications and Information Technology (ECTI-CON), Phuket, Thailand: IEEE, Jun.
, pp. 771–774. doi: 10.1109/ECTI-CON49241.2020.9157907.
W. Wang and Y. Lu, “Analysis of the Mean Absolute Error (MAE) and the Root Mean Square
Error (RMSE) in Assessing Rounding Model,” IOP Conf. Ser.: Mater. Sci. Eng., vol. 324, p.
, Mar. 2018, doi: 10.1088/1757-899X/324/1/012049.
A. G. Putra, “Perancangan Sistem Informasi Optimasi Pengadaan Stok Menggunakan Single
Moving Average Di Luxe_Id,” Universitas Pasundan, 2024.
U. K. Acharjee, M. Arefin, K. M. Hossen, M. N. Uddin, Md. A. Uddin, and L. Islam, “Sequenceto-Sequence Learning-Based Conversion of Pseudo-Code to Source Code Using Neural
Translation Approach,” IEEE Access, vol. 10, pp. 26730–26742, 2022, doi:
1109/ACCESS.2022.3155558.
Z. E. Chan, E. Kurniawan, and M. D. Sena, “Forecasting Gamis Demand In Fashion
Gallery Using Weighted Moving Average,” Jurteksi, vol. 10, no. 2, pp. 323–
, Mar. 2024, doi: 10.33330/jurteksi.v10i2.3094.
G. K. Sharma and S. Patil, “Big Data Analysis for Revenue and Sales Prediction using
Support Vector Regression with Auto-regressive Integrated Moving Average,” SMSJ, vol. 15,
no. 01, pp. 1–8, Jan. 2023, doi: 10.18090/samriddhi.v15i01.01.
I. Permatahati and M. Muqorobin, “Computer Sales Forecasting System Application Using
Web-Based Single Moving Average Method,” IJCIS, vol. 3, no. 2, pp. 56–63, Jun. 2022, doi:
29040/ijcis.v3i2.68.
A. Pataropura, I. D. Sabatino, and R. Riki, “Inventory Management with Forecasting Method:
Single Moving Average and Trend Projection,” bit-Tech, vol. 2, no. 3, pp. 110–121, Nov. 2020,
doi: 10.32877/bt.v2i3.162.
Hafni, Muhammad Zen, Junusdad Syahpita Tarigan, “Application for Data Processing of KKNT Student Activities in Sei Limbat Village, Selesai District, Langkat Regency”, Instal: Jurnal Komputer, vol. 16, no. 5, pp. 70-77. 2024.
Muhammad Zen, Muhammad Davy Anggara Saragih, “Food Order Information System at Coffee Shop by Applying the Multilever Feedback Queue Algorithm”, Instal: Jurnal Komputer, vol. 16, no. 4, pp. 59-66. 2024.
Rizal, C., Supiyandi, S., Zen, M., & Eka, M. (2022). Perancangan Server Kantor Desa Tomuan Holbung
Berbasis Client Server. Bulletin of Information Technology (BIT), 3(1), 27–33.
Supiyandi, S., Rizal, C., Zen, M., & Eka, M. (2022). Pelatihan Perangkat Desa Dalam Penerapan Metode
Waterfall Pada Sistem Informasi Desa. JMM (Jurnal Masyarakat Mandiri), 6(3), 2346–2356.
Hendry, Supiyandi, C.Rizal, B.Fachri. (2023). Fitur Bot telegram berbasis
mikrotik dalam monitoring perangkat jaringan. Prosiding Nasional ESCAF
(Economic, Social Science, Computer, Agriculture and Fisheries. 1180-1184.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Zacky Hilman Siregar, Muhammad Zen, Hafni
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
