Analisis Model Hybrid Exponential Smoothing Dan Artificial Neural Network Dalam Peramalan Permintaan Di PT. XYZ = Analysis of Hybrid Exponential Smoothing Model and Artificial Neural Network in Demand Forecasting at PT. XYZ

Bisnis memerlukan perkiraan permintaan untuk merencanakan produksi, mengelola bahan mentah, dan menetapkan harga. Tekanan geopolitik, inflasi, dan permintaan pasar yang lebih rendah merugikan perusahaan-perusahaan di Indonesia dikarenakan pesanan baru dan produksi menurun serta stok produk meningkat, perkiraan permintaan menjadi sangat penting. Penelitian ini menggunakan metode artificial neural network dan exponential smoothing untuk meramalkan permintaan PT. XYZ. Pemulusan Eksponensial adalah metode peramalan rata-rata bergerak yang menggunakan pembobotan eksponensial untuk memperkirakan nilai dari waktu ke waktu, mengatasi tren dan pola musiman dalam deret waktu. Artificial Neural Network adalah sistem pemrosesan informasi yang mirip dengan jaringan saraf biologis manusia, yang digunakan dalam operasi penambangan data untuk pemilihan data, eksplorasi, dan pembuatan model untuk menyelidiki pola. Tujuan penelitian ini untuk menguji kedua metode tersebut dengan metode hybrid exponential smoothing artificial neural network dan metode exponential smoothing untuk meramalkan permintaan pada PT. XYZ dan melihat model mana yang paling optimal dengan menggunakan evaluasi dari parameter akurasi menggunakan rumus MAPE (Mean Absolute Percentage Error). Hasil dari penelitian ini mengatakan bahwa forecasting metode hybrid exponential smoothing artificial neural network lebih mendekati nilai aktual dibandingkan dengan hasil forecasting metode exponential smoothing. Hal ini menunjukkan bahwa metode hybrid lebih mampu menangkap tren dan pola dalam data dengan nilai error mendapatkan nilai presentase sebesar 5%. Pada hasil peramalan metode hybrid yaitu bulan Januari sebesar 4.349 Kg, bulan Februari sebesar 5.411 Kg, bulan Maret sebesar 6.744 Kg, bulan April sebesar 5.242 Kg, bulan Mei sebesar 4.510 Kg, bulan Juni sebesar 4.550 Kg, bulan Juli sebesar 4.183 Kg, bulan Agustus sebesar 4.299 Kg, bulan September sebesar 5.220 Kg, bulan Oktober sebesar 4.700 Kg, bulan November sebesar 4.392 Kg, dan bulan Desember sebesar 4.140 Kg. Sehingga metode yang paling direkomendasikan ialah metode hybrid (exponential smoothing artificial neural network).

Kata Kunci : Forecasting, Artificial Neural Network, Exponential Smoothing