PERBANDINGAN METODE HOLT WINTER’S EXPONENTIAL SMOOTHING DAN EXTREME LEARNING MACHINE (ELM) PADA PERAMALAN PENJUALAN SEMEN Studi Kasus : PT Semen Indonesia (Persero) Tbk Tahun 2006-2017

Abstract

Indonesia merupakan negara yang sedang berkembang, salah satu indikator untuk melihat perkembangan suatu negara adalah pertumbuhan ekonomi. Salah satu upaya peningkatan pertubuhan ekonomi adalah melakukan pembangunan infrastruktur. Salah satu faktor penunjang dalam pembangunan infrastruktur adalah sumber daya alam. Sebagai perusahaan pensuplai semen terbesar di Indonesia, PT Semen Indonesia harus me-manage penjualan produk untuk dengan menyusun rencana penjualan. Peramalan penjualan semen domestik PT Semen Indonesia untuk tahun 2018 berdasarkan data penjualan semen tahun 2006-2017 yaitu dengan membandingkan metode peramalan Holt winter’s Exponential Smoothing dan Extreme Learning Machine (ELM). Hasil peramalan menunjukan bahwa metode Extreme Learning Machine (ELM) lebih baik dengan tingkat kesalahan peramalan (error) untuk PT Semen Gresik sebesar 5,41 %, PT Semen Padang 5,95 % , dan PT Semen Tonasa 5,95 %. Indonesia is a developing country, one of indicators to know the development of a country is economic growth. One of the efforts to increase the economic growth is developing infrastructure of the country. One of the supporting factors to developing infrastructure of the country is natural resources. As Indonesia's largest cement supplier company, PT Semen Indonesia have to managing the sales of products to supply demand by preparing sales prediction. Sales forecasting of PT Semen Indonesia's domestic cement product for 2018 based on sales in 2006-2017 is using Holt winter's Exponential Smoothing method and Extreme Learning Machine (ELM) method. Forecasting results show that Extreme Learning Machine (ELM) is better than Holt winter's Exponential Smoothing with the rate of error for PT Semen Gresik is 5.41%, PT Semen Padang is 5,95% and PT Semen Tonasa is 5.95%.