Analisis Perbandingan Metode Peramalan Penjualan Sepeda Motor Bekas (Studi Kasus Ud Lukman Jaya Motor )

Nama MahasiswaLUKMAN FAUZI
ProdiS1-SISTEM INFORMASI
Angkatan2010
Tgl Masuk2014-12-11 00:00:00.000
Pembimbing 1LUH MADE YULYANTARI, S.Kom., M.Pd
Pembimbing 2NI KOMANG SRI JULYANTARI, S.Kom., M.T
AbstrakPersaingan jual - beli sepeda motor bekas di Indonesia semakin pesat dari waktu ke waktu. hal ini menuntut pelaku jual beli sepeda motor bekas untuk melakukan segalanya demi meraih hasil yang lebih baik bagi usahanya seperti salah satunya meningkatkan penjualan. Oleh karena itu, perlu adanya peramalan penjualan untuk mengetahui perkembangan penjualan sepeda motor bekas yang akan datang. Tujuan dari penelitian ini adalah (1) Untuk mengetahui hasil perbandingan metode peramalan penjualan dengan data riil perusahaan. (2) Untuk mengetahui metode peramalan yang paling tepat dalam penjualan sepeda motor bekas. (3) Untuk mengetahui peramalan penjualan sepeda motor bekas pada UD.LUKMAN JAYA MOTOR selama tahun 2014. Metode pembahasan yang digunakan untuk meramalkan penjualan adalah metode time series dengan menggunakan 3 jenis metode peramalan yaitu Single Moving Average periode 2 bulanan dan 3 bulanan, Single Exponential Smoothing dengan tiga nilai konstanta alpha (0,1 ; 0,5 ; 0,9) serta Regresi Linier. Kemudian akan dicari metode yang memiliki tingkat kesalahan peramalan terkecil dengan Mean Absolute Deviation (MAD), Mean Squared Error (MSE), Mean Absolute Percentage Error (MAPE). Dari data yang telah dianalisis, penulis dapat mengambil kesimpulan, peramalan dengan metode Single Exponential Smoothing dengan konstanta alpha 0,1 memiliki hasil peramalan yang cukup akurat dibanding metode lainnya. maka metode yang disarankan peramalan penjualan sepeda motor bekas pada tahun 2014, sebaiknya menggunakan metode Single Exponential Smoothing dengan konstanta alpha 0,1 karena, memiliki hasil yang konsisten dengan besarnya kesalahan peramalan relatif kecil pada setiap perbandingan peramalan. Kata Kunci :Peramalan Penjualan, Single Moving Average, Single Exponential Smoothing, Regresi Linier, WinQSB.