Penentuan Strategi Peramalan Volume Barang Kiriman outgoing PT Pos Indonesia (Persero) KCU Purwokerto

Cindy Dwi Novita Sari; Ratih Windu Arini; Cindy Malinda Uscha

doi:10.59086/jti.v4i3.1213

Authors

Cindy Dwi Novita Sari Universitas Telkom
Ratih Windu Arini Universitas Telkom
Cindy Malinda Uscha Universitas Telkom

DOI:

https://doi.org/10.59086/jti.v4i3.1213

Keywords:

Forecasting, ARIMA, Kiriman outgoing, keterlambatan

Abstract

Pengelolaan kiriman outgoing merupakan aspek penting dalam menjaga kelancaran proses distribusi di PT Pos Indonesia (Persero) KCU Purwokerto (POS KCU Purwokerto). Berdasarkan data internal, rata-rata keterlambatan (overtime) pengiriman mencapai 3.56% dari total volume kiriman dari September 2024 hingga September 2025. Oleh karena itu dibutuhkan sistem perencanaan berbasis analisis data melalui peramalan volume kiriman outgoing agar perusahaan dapat mengantisipasi lonjakan permintaan dan mengoptimalkan kapasitas armada serta tenaga kerja. Peramalan menggunakan pendekatan time series dengan metode Naïve, Moving Average, Single Exponential Smoothing, dan Autoregressive Integrated Moving Average (ARIMA). Hasil pengujian menunjukkan bahwa model ARIMA (2,1,1) merupakan model terbaik dengan tingkat kesalahan terkecil, yaitu Mean Absolute Deviation (MAD) sebesar 1867.87, Mean Squared Error (MSE) sebesar 7846634.40, dan Mean Absolute Percentage Error (MAPE) sebesar 7.001% dan sesuai dengan pola data permintaan historis. Hasil peramalan ini memberikan acuan yang akurat bagi manajemen dalam pengaturan kapasitas armada, penjadwalan distribusi, dan alokasi tenaga kerja sehingga dapat meminimalkan keterlambatan pengiriman akibat ketidakseimbangan antara kapasitas dan beban kerja serta meningkatkan efisiensi dan keberlanjutan operasional perusahaan di masa mendatang.

Outgoing shipment management is a crucial aspect in maintaining the smooth distribution process at POS Purwokerto Branch. Based on internal data, the average delay (overtime) in shipments reached 3.56% of the total shipment volume from September 2024 to September 2025. Therefore, a data analysis-based planning system is needed through forecasting the volume of outgoing shipments so that the company can anticipate spikes in demand and optimize fleet and workforce capacity. Forecasting uses a time series approach with the Naïve, Moving Average, Single Exponential Smoothing, and Autoregressive Integrated Moving Average (ARIMA) methods. The test results show that the ARIMA (2,1,1) model is the best model with the smallest error rate, namely a Mean Absolute Deviation (MAD) of 1867.87, a Mean Squared Error (MSE) of 7846634.40, and a Mean Absolute Percentage Error (MAPE) of 7.001% and is in accordance with historical demand data patterns. The forecast results provide an accurate reference for management in managing fleet capacity, distribution scheduling, and workforce allocation so as to minimize delivery delays due to imbalances between capacity and workload and increase the efficiency and sustainability of the company's operations in the future.

References

Barry Render, J. H. (2001). Prinsip-Prinsip Manajemen Operasi. Salemba Empat.

Christopher, M. (2016). Logistics & Supply Chain Management (5th ed.). Pearson Education Limited.

Dadang Surya Kencana, Sipon Al Munir, Y. P. M. (2025). Pengaruh Sistem Pelacakan Online dan Ketepatan Waktu Pengiriman terhadap Kepuasan Pelanggan. JURNAL LENTERA BISNIS, 14(2), 2926–2939. https://doi.org/10.34127/jrlab.v14i2.1760

Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill,Inc.

Herjanto, E. (2007). Manajemen Operasi (Edisi 3). Grasindo.

Iriawan, N., & Astuti, S. P. (2006). Mengolah Data Statistik dengan Mudah Menggunakan Minitab. Andi Offset.

Jacobs, F. R., & Chase, R. B. (2016). Operations and Supply Chain Management (14th ed.). McGraw-Hill Education.

Makridakis, S., Wheelwright, S. C., & Hyndman, R. J. (1998). Forecasting: Methods and Applications (3rd ed.). John Wiley & Sons.

Maqbulla Arochman, M. T. (2021). Pengaruh Kualitas Layanan terhadap Keinginan Berpindah Pengguna Jasa Layanan Rumah Kos di Jatimulyo Malang dengan Kepuasan Pelanggan sebagai Variabel Mediating. Jurnal GeoEkonomi ISSN-Elektronik, 12(1), 17–24. https://doi.org/doi.org/10.36277/geoekonomi

Mulyono, S. (2000). Peramalan Bisnis. Liberty.

Nachrowi, N. D., & Usman, H. (2004). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. embaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Nasapi, A., Surarso, B., & Cahyo, B. N. (2014). Analisis Peramalan Permintaan untuk Mengurangi Risiko Ketidaktepatan Inventory pada Perusahaan Distribusi. Jurnal Teknik Industri, 15(2), 101–110.

Nasution, M. N., & Prasetyawan, Y. (2008). Manajemen Transportasi. Ghalia Indonesia.

Nevi Fitria Aini, Deden Darmansyah, Rahmad Apriyono, Ramdhani, Y., & Prastyo. (2025). Literature Review: Faktor-Faktor yang Mempengaruhi Kepuasan Pelanggan dalam Layanan Pengiriman Barang. Journal of Management and Innovation Entrepreunership (JMIE), 2(4), 2305–2314.

Octora, R., & Kuntoro, H. (2013). Peramalan Deret Waktu dengan Model ARIMA. Penerbit Andi Offset.

Rahmayani, R., Handayani, S., Telaumbanua, A., Fitrah, A., & Rayhan, M. (2025). Peramalan terhadap permintaan pengiriman barang di PT. Khan Trans Indonesia menggunakan metode Moving Average & Exponential Smoothing periode Januari 2025. NNOVATIVE: Journal of Social Science Research, 5(1), 5295–5310.

Ritzman, L. P., Krajewski, L. J., & Malhotra, M. K. (2013). Foundations of Operations Management (8th ed.). Pearson Education.

Rushton, A., Croucher, P., & Baker, P. (2017). The Handbook of Logistics and Distribution Management (6th ed.). Kogan Page.

Sinulingga, S. (2013). Metode Penelitian untuk Teknik Industri. Graha ilmu.

Wei, W. W. S. (2006). Time Series Analysis: Univariate and Multivariate Methods (2nd ed.). Pearson Addison Wesley.