Anda di halaman 1dari 41

LAPORAN PRAKTIKUM

PSIT 1
MODUL 3
PERAMALAN

Kelompok

D-21

Tgl. Praktikum

9 April 2013

Nama

1. Yuliana Rachmawaty

Hari Praktikum

Selasa

2. Ari Kurniawan

Dikumpulkan tgl

16 April 2013

Kelas

Yogyakarta,.........................................2013

Asisten

P-33

Kriteria Penilaian
Format
Laporan

Asisten
(maks 20)

Isi

(maks 40)

Analisa

(maks 40)

TOTAL

(....................................)

LABORATORIUM PSIT
JURUSAN TEKNIK INDUSTRI
FAKULTAS TEKONOLOGI INDUSTRI
UNIVERSITAS ISLAM INDONESIA
2013

BAB III
PERAMALAN
3.1 Tujuan Praktikum
1. Mampu memprediksi kebutuhan/permintaan yang akan diperlukan dalam
proses produksi.
2. Memahami tahapan dalam berbagai metode peramalan.
3. Mampu menentukan metode peramalan yang tepat.

3.2 Tugas Praktikum


1. Lakukan peramalan untuk produk yang akan dikembangankan untuk 5 periode
kedepan dengan berbagai metode.
2. Pilih hasil peramalan yang terbaik sebagai input untuk praktikum selanjutnya.

3.3 Output
1.3.1

Deskripsi Pasar dan Data Permintaan yang di dapatkan


Berdasarkan Product Innovation Center (PIC) yang telah dibuat di bab 2
perencanaan produk baru, target pasar yang akan dituju yaitu adalah feature
(fungsi tambahan) dari city car Diamond Athar. Sebagai informasi, kami ingin
mengembangkan sebuah produk dari salah satu part yang ada di mobil yaitu
sunroof dengan tipe panoramic sunroof.
Panoramic sunroof yang biasanya berukuran panjang kurang lebih 1,2
meter dan lebar kurang lebih 1,12 meter (ukuran panel kami yaitu 1150 x 1100
x 0,5) kembali pada dua rel dan memiliki kurva lembut yang meniru bentuk
bagian belakang mobil itu sendiri. Pada ekstensi penuh, sunroof akan
membuka jarak 1150 x 1100 x 0,5 meter yang menutupi penumpang depan dan
belakang. Kaca yang digunakan pun memiliki ketebalan 5 mm dan merupakan
kaca SPF 100 yang memberi perlindungan lengkap pada penumpang dari sinar
matahari saat tertutup. Selain itu, saat dikendarai dengan kecepatan tinggi,
penangkis angin yang ada di depan sunroof bisa berfungsi menghentikan angin
dan membuat mobil menjadi stabil. Sunroof itu sendiri juga secara otomatis

akan menutup sebagian ketika pengemudi mencapai kecepatan di atas


65km/jam.
Melalui pasaran utama kami yaitu anak muda kisaran umur 17 30 tahun,
dengan menambahkan langsung accessories sunroof pada city car konsumen
kami yakin akan menambahkan minat serta nilai jual yang tinggi pada
Diamond Athar. Dengan menggunakan tipe panoramic sunroof yang
memberi perlindungan lengkap pada penumpang melalui fungsi UV protection
nya disaat tertutup dan saat dikendarai dengan kecepatan tinggi, penangkis
angin yang ada di depan sunroof bisa berfungsi menghentikan angin dan
membuat mobil menjadi stabil sehingga desain Diamond Athar sebagai city
car menjadi lebih elegan. Ketika malam hari, konsumen dapat dimanjakan
fungsi lain dari sunroof, karena ini merupaka tipe panoramic sunroof,
konsumen dapat dengan langsung melihat pemandangan di malam hari
disesuaikan dengan keadaan cuaca juga tentunya.
Oleh karena itu, untuk memenuhi sasaran yang telah ditentukan oleh
perusahaan, maka perusahaan harus mewujudkan produk yang telah
dirancangnya. Perusahaan tidak bisa sembarangan dalam menentukan seberapa
banyak produk sunroof yang harus dibuat. Perusahaan harus memperhitungkan
beberapa aspek seperti penentuan jumlah sunroof yang harus diproduksi. Salah
satu metode untuk menentukan berapa jumlah mobil yang harus diproduksi
adalah peramalan (forecasting).
Peramalan disini adalah menghitung seberapa banyak jumlah sunroof yang
harus diproduksi berdasarkan jumlah sunroof yang telah diproduksi pada
periode-periode sebelumnya. Berikut ini adalah tabel jumlah produksi per
bulan yang telah dilakukan oleh perusahaan dalam kurun waktu 2 tahun.
Tabel 3.1 Data Historis
NO

Tahun

Periode

Data

2011

9900

2011

7700

2011

7400

2011

5000

2011

6700

1.3.2

NO

Tahun

Periode

Data

2011

8500

2011

7700

2011

6900

2011

7400

10

2011

10

9200

11

2012

11

8400

12

2012

12

7400

13

2012

13

6500

14

2012

14

9700

15

2012

15

6700

16

2012

16

6500

17

2012

17

9500

18

2012

18

7900

19

2012

19

6200

20

2012

20

7300

21

2012

21

8400

22

2012

22

8900

23

2013

23

5500

24

2013

24

6600

Metode Konstan
Persamaan garis yang menggambarkan pola konstan adalah:
Y (t) = a
Nilai a dapat dhitung dengan rumus:

Dimana:
a

: Nilai konstan

: jumlah periode peramalan

Y (t)

: Data ke-t

Untuk mendapatkan nilai (a) maka dapat didekati melaui turunan kuadrat
terkecilnya (least square) terhadap (a) sebagai berikut:

E=

dE
n
0
da
diperoleh 2 [Y (t ) a] 0
i 1

i 1

i 1

Y (t ) a 0

; maka

Y (t ) na 0
i 1

Sehingga,

dimana n = jumlah periode peramalan

Jadi, apabila pola data berbentuk konstan, maka peramalannya dapat didekati
dengan harga rata-rata dari data tersebut. Berikut dibawah ini adalah perhitungan
peramalan menggunakan metode konstan sperti yang telah dijabarkan di atas.
Tabel 3.2 Hasil Peramalan Data Historis dengan Metode Konstan
NO Tahun Periode

Data

Peramalan

2011

9900

7579,167

2011

7700

7579,167

2011

7400

7579,167

2011

5000

7579,167

2011

6700

7579,167

2011

8500

7579,167

2011

7700

7579,167

2011

6900

7579,167

2011

7400

7579,167

10

2011

10

9200

7579,167

11

2012

11

8400

7579,167

12

2012

12

7400

7579,167

13

2012

13

6500

7579,167

14

2012

14

9700

7579,167

15

2012

15

6700

7579,167

16

2012

16

6500

7579,167

17

2012

17

9500

7579,167

18

2012

18

7900

7579,167

19

2012

19

6200

7579,167

20

2012

20

7300

7579,167

21

2012

21

8400

7579,167

22

2012

22

8900

7579,167

23

2013

23

5500

7579,167

24

2013

24

6600

7579,167

Tabel 3.3 Data Perhitungan Peramalan 5 Periode Ke-depan


Periode

Forecast

25

7579,167

26

7579,167

27

7579,167

28

7579,167

29

7579,167

Pada peramalan menggunakan metode konstan ini hasil yang didapat yaitu 7579,167.
Karena ini menggunakan metode konstan, maka hasil prediksi untuk 10 periode ke
depannya adalah sama.
1.3.3

Metode Regresi Linear


Persamaan garis yang mendekati bentuk data linier adalah:
Y(t) = a + b (t)
Konstanta a dan b ditentukan dari data mentah berdasarkan Kriteria
Kuadrat Terkecil (least square criterion). Perhitungannya sebagai berikut:
Anggaplah data mentah diwakili dengan (Yi,ti), dimana Yi adalah
permintaan aktual di saat ti, dimana i = 1,2, .....,n. Definisikan:
E=
Turunkan persamaan tersebut terhadap a dan b:
n
dE
0 yaitu 2 [Y (t ) a bt ] 0 diperoleh
da
i 1

i 1

i 1

Y (t ) na b t 0

(1)

n
dE
0 yaitu 2 t[Y (t ) a bt ] 0 diperoleh
db
i 1

tY (t ) a t b t
i 1

i 1

0 (2)

i 1

Dengan mengeliminasi persamaan (1) dan (2) diperoleh nilai a dan b :

Dari rumus rumus yang telah dijabarkan di atas, maka dapat dihitung peramalan
terhadap data historis tersebut. Hasil dari perhitungan dengan metode regresi
dapat dilihat pada tabel dibawah ini
a

= 7834,058

= -20,391

Yt

= -20,391 + 7834,058 t

Tabel 3.4 Hasil Perhitungan Peramalan Data Historis


Periode

Aktual

Forecast

9900

9900

7700

15400

7400

22200

5000

20000

6700

33500

8500

51000

7700

53900

6900

55200

7400

66600

10

9200

92000

11

8400

92400

12

7400

88800

13

6500

84500

14

9700

135800

15

6700

100500

16

6500

104000

Periode

Aktual

Forecast

17

9500

161500

18

7900

142200

19

6200

117800

20

7300

146000

21

8400

176400

22

8900

195800

23

5500

126500

24

6600

158400

Tabel 3.5 Data Perhitungan Peramalan 5 Periode Ke-depan


Periode

Forecast

25

7324,275

26

7303,884

27

7283,493

28

7263,101

29

7242,710

Pada perhitungan dengan metode regresi ini pertama-tama yang dilakukan


adalah menghitung menentukan nilai konstantanya sehingga dapat terbentuk rumus
untuk mencari nilai peramalannya. Rumus yang terbentuk dari perhitungan tersebut
adalah Yt = -20,391 + 7834,058 t. Kemudian dengan menggunakan rumus yang
telah terbentuk tersebut dapat dihitung atau diramalakan jumlah sunroof yang akan
diproduksi. Hasil untuk 10 periode ke depan adalah 7324,275; 7303,884; 7283,493;
7263,101; dan 7242,710.
1.3.4

Metode Moving Average Forecasting


Metode moving average banyak digunakan untuk menentukan trend dari suatu

deret waktu. Dengan menggunakan metode rata-rata bergerak ini, deret berkala dari
data asli diubah menjadi deret rata-rata bergerak yang lebih mulus. Metode ini
digunakan untuk data yang perubahannya tidak cepat, dan tidak mempunyai
karakteristik musiman atau seasonal. Metode rata-rata bergerak mengestimasi

permintaan periode berikutnya sebagai rata-rata data permintaan aktual dari n periode
terakhir. Terdapat tiga macam Metode rata-rata bergerak, yaitu:
a. Simple Moving Average
Simple Moving Average (SMAt)=

Yt Yt 1 Yt 2 .... Yt n 1
n

Seperti pada rumus yang telah dijelaskan di atas, maka perhitungan untuk
forecast pada data historis yang telah tersedia dapat dilihat pada tabel di bawah
ini.
Tabel 3.6 Hasil Perhitungan Data Historis
Dengan Metode Simple Moving Average 3 Periode
Tahun

Periode

Demand

SMA

2011

9900

2011

7700

2011

7400

2011

5000

8333,333

2011

6700

6700

2011

8500

6366,667

2011

7700

6733,333

2011

6900

7633,333

2011

7400

7700

2011

10

9200

7333,333

2012

11

8400

7833,333

2012

12

7400

8333,333

2012

13

6500

8333,333

2012

14

9700

7433,333

2012

15

6700

7866,667

2012

16

6500

7633,333

2012

17

9500

7633,333

2012

18

7900

7566,667

2012

19

6200

7966,667

2012

20

7300

7866,667

2012

21

8400

7133,333

Tahun

Periode

Demand

SMA

2012

22

8900

7300

2013

23

5500

8200

2013

24

6600

7600

Tabel 3.7 Data Perhitungan Peramalan dengan Metode


Simple Moving Average 5 Periode Ke-depan
Periode

Forecast

25

7000

26

7000

27

7000

28

7000

29

7000

Data di atas merupakan hasil perhitungan menggunakan metode Simple


Moving Average dengan menggunakan 3 periode. Data hasil forecast di atas sama
semua karena pada metode moving average ini untuk perhitungan forecast nya
menggunakan 3 data terakhir dari data historis yang telah tersedia.

Tabel 3.8 Hasil Perhitungan Data Historis


dengan Metode Simple Moving Average 4 Periode
Tahun

Periode

Demand

SMA

2011

9900

2011

7700

2011

7400

2011

5000

2011

6700

7500

2011

8500

6700

2011

7700

6900

2011

6900

6975

2011

7400

7450

2011

10

9200

7625

Tahun

Periode

Demand

SMA

2012

11

8400

7800

2012

12

7400

7975

2012

13

6500

8100

2012

14

9700

7875

2012

15

6700

8000

2012

16

6500

7575

2012

17

9500

7350

2012

18

7900

8100

2012

19

6200

7650

2012

20

7300

7525

2012

21

8400

7725

2012

22

8900

7450

2013

23

5500

7700

2013

24

6600

7525

Tabel 3.9 Data Perhitungan Peramalan dengan Metode


Simple Moving Average 5 Periode Ke-depan
Periode

Forecast

25

7350

26

7350

27

7350

28

7350

29

7350

b. Centered Moving Average (CMA)


Perbedaan utama antara Simple Moving Average dan Centered Moving
Average terletak pada observasi yang digunakan. Center berarti antara data
sekarang dengan menggunakan data sebelumnya dan data sesudahnya.
Misalnya untuk 3 periode moving average, maka SMA menggunakan data
periode 3 ditambah data sebelumnya dan data sesudahnya.
(

Centered Moving Average (CMAt) =

Tabel 3.10 Hasil Perhitungan Data Historis


Dengan Metode Centered Moving Average 3 Periode
Tahun

Periode

Demand

CMA

2011

9900

2011

7700

8333,333

2011

7400

6700

2011

5000

6366,667

2011

6700

6733,333

2011

8500

7633,333

2011

7700

7700

2011

6900

7333,333

2011

7400

7833,333

2011

10

9200

8333,333

2012

11

8400

8333,333

2012

12

7400

7433,333

2012

13

6500

7866,667

2012

14

9700

7633,333

2012

15

6700

7633,333

2012

16

6500

7566,667

2012

17

9500

7966,667

2012

18

7900

7866,667

2012

19

6200

7133,333

2012

20

7300

7300

2012

21

8400

8200

2012

22

8900

7600

2013

23

5500

7000

2013

24

6600

7000

Tabel 3.11 Data Perhitungan Peramalan dengan Metode


Centered Moving Average 5 Periode Ke-depan
Periode

Forecast

25

7000

26

7000

27

7000

28

7000

29

7000

Tabel 3.12 Hasil Perhitungan Data Historis


Dengan Metode Centered Moving Average 5 Periode
Tahun

Periode

Demand

CMA

2011

9900

2011

7700

2011

7400

7340

2011

5000

7060

2011

6700

7060

2011

8500

6960

2011

7700

7440

2011

6900

7940

2011

7400

7920

2011

10

9200

7860

2012

11

8400

7780

2012

12

7400

8240

2012

13

6500

7740

2012

14

9700

7360

2012

15

6700

7780

2012

16

6500

8060

2012

17

9500

7360

2012

18

7900

7480

2012

19

6200

7860

2012

20

7300

7740

Tahun

Periode

Demand

CMA

2012

21

8400

7260

2012

22

8900

7340

2013

23

5500

7340

2013

24

6600

7340

Tabel 3.13 Data Perhitungan Peramalan dengan Metode


Centered Moving Average 5 Periode Ke-depan

1.3.5

Periode

Forecast

25

7340

26

7340

27

7340

28

7340

29

7340

Metode Exponential Smoothing Forecasting


Dalam Metode rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk

semua data observasi memiliki bobot yang sama yang membentuk rata-ratanya.
Padahal, data observasi terbaru seharusnya memiliki bobot yang lebih besar
dibandingkan dengan data observasi di masa yang lalu. Hal ini dipandang sebagai
kelemahan Metode peramalan Moving Average. Untuk itu, digunakanlah metode
Exponential Smoothing agar kelemahan tersebut dapat diatasi didasarkan pada alasan
sebagai berikut:
Metode

exponential

smoothing

mempertimbangkan

bobot

data-data

sebelumnya dengan estimasi untuk Y(t+1) dengan periode (t+1) dihitung sebagai:

Y '(t 1) Y1 (1 )Y(t 1) (1 ) 2 Y(t 2) ......


Dimana disebut konstanta pelicinan dalam interval 0 < < 1. Rumus ini
memperlihatkan bahwa data yang lalu memiliki bobot lebih kecil dibandingkan
dengan data yang terbaru. Rumus tersebut dapat disederhanakan sebagai berikut:

Y '( t 1) Y1 (1 )Y '( t)
Dengan nilai Y(1) untuk inisial ramalan didekati dengan nilai rata-ratanya ( Y ) atau

Y '(t ) Y '(t 1) (Y(t 1) Y '(t 1) )


Perlu diperhatikan bahwa penetapan nilai konstanta memiliki andil yang
penting dalam menghasilkan hasil ramalan yang andal. Metode Exponential
Smoothing digunakan untuk peramalan jangka pendek.
Tabel 3.14 Hasil Perhitungan Data Historis dengan Metode Exponential Smoothing
Tahun

Periode

Demand

Forecast

2011

9900

2011

7700

9900

2011

7400

8140

2011

5000

7548

2011

6700

5509,6

2011

8500

6461,92

2011

7700

8092,384

2011

6900

7778,477

2011

7400

7075,695

2011

10

9200

7335,139

2012

11

8400

8827,028

2012

12

7400

8485,406

2012

13

6500

7617,081

2012

14

9700

6723,416

2012

15

6700

9104,683

2012

16

6500

7180,937

2012

17

9500

6636,187

2012

18

7900

8927,237

2012

19

6200

8105,447

2012

20

7300

6581,089

Tahun

Periode

Demand

Forecast

2012

21

8400

7156,218

2012

22

8900

8151,244

2013

23

5500

8750,249

2013

24

6600

6150,050

Tabel 3.15 Data Perhitungan Peramalan dengan Metode


Exponential Smoothing 5 Periode Ke-depan
Periode

Forecast

25

6150,05

26

6150,05

27

6150,05

28

6150,05

29

6150,05

Setelah didapat hasil perhitungan peramalan dengan metode exponensial


smoothing didapat bahwa peramalan 5 periode ke depan hasil yang diperoleh adalah
sama dengan permintaan pada periode terakhir karena pada metode ini untuk
perhitungan forecastnya menggunakan perkalian konstanta dengan data forecast
terakhir dari data historis yang telah tersedia.

1.3.6

Perbandingan Metode Perhitungan


Perhitungan dengan 4 Metode yang telah dilakukan diatas menggunakan

Metode time series yang terdiri dari Metode Konstan, Metode Regresi Linear, Metode
Moving Average (Simple Moving Average dan Centered Moving Average), dan
Metode Exponential Smoothing. Tiap Metode perhitungan dengan data permintaan
(demand) yang ada didapatkan peramalan (forecasting) untuk periode selanjutnya.
Dalam meramalkan suatu permintaan kita juga perlu menghitung besar kesalahan
(error) dari perbedaan atau selisih antara nilai aktual dan nilai ramalan. Keakuratan
suatu Metode peramalan bergantung pada seberapa dekat nilai hasil peramalan
terhadap nilai data yang sebenarnya. Dimana kesalahan (error) nantinya dijumlahkan
guna untuk membandingkan tiap hasil dari perhitungan 4 Metode diatas. Jumlah
kesalahan (error) disebut dengan CFE (Cumulatif Forecast Error). Selain

menjumlahkan kesalahan-kesalahan absolute kita perlu menghitung Rerata Simpangan


Absolut (Mean Absolute Deviation (MAD) mengukur keakuratan peramalan dengan
mererata besaran dari kesalahan meramal atau nilai absolut dari masing-masing
kesalahan. Pembagian dari CFE dan MAD yang didapat disebut dengan Tracking
Signal (TS). Berikut tabel dari perhitungannya:

Tabel 3.16 Hasil Perhitungan dengan Metode Konstan


Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

9900

7579,167

2320,833

2320,833

2320,833

2320,833

2320,833

-4

7700

7579,167

120,833

2441,667

120,833

2441,667

1220,833

-4

7400

7579,167

-179,167

2262,500

179,167

300

100

22,625

-4

5000

7579,167

-2579,167

-316,667

2579,167

2758,333

689,583

-0,459

-4

6700

7579,167

-879,167

-1195,833

879,167

3458,333

691,667

-1,729

-4

8500

7579,167

920,833

-275,000

920,833

1800

300

-0,917

-4

7700

7579,167

120,833

-154,167

120,833

1041,667

148,810

-1,036

-4

6900

7579,167

-679,167

-833,333

679,167

800

100

-8,333

-4

7400

7579,167

-179,167

-1012,500

179,167

858,333

95,370

-10,617

-4

10

9200

7579,167

1620,833

608,333

1620,833

1800

180

3,380

-4

11

8400

7579,167

820,833

1429,167

820,833

2441,667

221,970

6,439

-4

12

7400

7579,167

-179,167

1250,000

179,167

1000

83,333

15

-4

13

6500

7579,167

-1079,167

170,833

1079,167

1258,333

96,795

1,765

-4

14

9700

7579,167

2120,833

2291,667

2120,833

3200

228,571

10,026

-4

15

6700

7579,167

-879,167

1412,500

879,167

3000

200

7,0625

-4

16

6500

7579,167

-1079,167

333,333

1079,167

1958,333

122,396

2,72E+00

-4

17

9500

7579,167

1920,833

2254,167

1920,833

3000

176,471

1,28E+01

-4

18

7900

7579,167

320,833

2575,000

320,833

2241,667

124,537

2,07E+01

-4

19

6200

7579,167

-1379,167

1195,833

1379,167

1700

89,474

1,34E+01

-4

20

7300

7579,167

-279,167

916,667

279,167

1658,333

82,917

1,11E+01

-4

21

8400

7579,167

820,833

1737,500

820,833

1100

52,381

3,32E+01

-4

22

8900

7579,167

1320,833

3058,333

1320,833

2141,667

97,348

3,14E+01

-4

23

5500

7579,167

-2079,167

979,167

2079,167

3400

147,827

6,62E+00

-4

24

6600

7579,167

-979,167

0,000

979,167

3058,333

127,431

-5,71E-14

-4

TOTAL
MAD
TS

24858,333
1035,764
-7,02E-15

Gambar 3.1 Grafik Tracking Signal Metode Konstan

Tabel 3.17 Hasil Perhitugan Metode Regresi Linear


Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL LCL

9900

7813,667

2086,333

2086,333

2086,333

2086,333

2086,333

-4

7700

7793,275

-93,275

1993,058

93,275

2179,609

1089,804

1,829

-4

7400

7772,884

-372,884

1620,174

372,884

2552,493

850,831

1,904

-4

5000

7752,493

-2752,493

-1132,319

2752,493

5304,986

1326,246

-0,854

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL LCL

6700

7732,101

-1032,101

-2164,420

1032,101

6337,087

1267,417

-1,708

-4

8500

7711,710

788,290

-1376,130

788,290

7125,377

1187,563

-1,159

-4

7700

7691,319

8,681

-1367,449

8,681

7134,058

1019,151

-1,342

-4

6900

7670,928

-770,928

-2138,377

770,928

7904,986

988,123

-2,164

-4

7400

7650,536

-250,536

-2388,913

250,536

8155,522

906,169

-2,636

-4

10

9200

7630,145

1569,855

-819,058

1569,855

9725,377

972,538

-0,842

-4

11

8400

7609,754

790,246

-28,812

790,246

10515,623

955,966

-0,030

-4

12

7400

7589,362

-189,362

-218,174

189,362

10704,986

892,082

-0,245

-4

13

6500

7568,971

-1068,971

-1287,145

1068,971

11773,957

905,689

-1,421

-4

14

9700

7548,580

2151,420

864,275

2151,420

13925,377

994,670

0,869

-4

15

6700

7528,188

-828,188

36,087

828,188

14753,565

983,571

0,037

-4

16

6500

7507,797

-1007,797

-971,710

1007,797

15761,362

985,085

-0,986

-4

17

9500

7487,406

2012,594

1040,884

2012,594

17773,957

1045,527

0,996

-4

18

7900

7467,014

432,986

1473,870

432,986

18206,942

1011,497

1,457

-4

19

6200

7446,623

-1246,623

227,246

1246,623

19453,565

1023,872

0,222

-4

20

7300

7426,232

-126,232

101,014

126,232

19579,797

978,990

0,103

-4

21

8400

7405,841

994,159

1095,174

994,159

20573,957

979,712

1,118

-4

22

8900

7385,449

1514,551

2609,725

1514,551

22088,507

1004,023

2,599

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

23

5500

7365,058

-1865,058

744,667

1865,058

23953,565

1041,459

0,715

-4

24

6600

7344,667

-744,667

-5,46E-12

744,667

24698,232

1029,093

-5,30E-15

-4

TOTAL

24698,232

MAD

1029,093

TS

-5,30E-15

Gambar 3.2 Grafik Tracking Signal Metode Regresi Linea

UCL LCL

Tabel 3.18 Hasil Perhitungan Metode Moving Average Simple Moving Average 3 Periode
Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

9900

-4

7700

-4

7400

-4

5000

8333,333

-3333,333

-3333,333

3333,333

3333,333

3333,3

-1

-4

6700

6700

-3333,333

3333,333

1666,7

-2

-4

8500

6366,667

2133,333

-1200

2133,333

5466,667

1822,2

-0,658

-4

7700

6733,333

966,6667

-233,333

966,667

6433,333

1608,3

-0,145

-4

6900

7633,333

-733,333

-966,667

733,333

7166,667

1433,3

-0,674

-4

7400

7700

-300

-1266,667

300,000

7466,667

1244,4

-1,018

-4

10

9200

7333,333

1866,667

600

1866,667

9333,333

1333,3

0,45

-4

11

8400

7833,333

566,667

1166,667

566,667

9900

1237,5

0,943

-4

12

7400

8333,333

-933,333

233,333

933,333

10833,333

1203,7

0,194

-4

13

6500

8333,333

-1833,33

-1600,000

1833,333

12666,667

1266,7

-1,263

-4

14

9700

7433,333

2266,667

666,667

2266,667

14933,333

1357,6

0,492

-4

15

6700

7866,667

-1166,67

-500

1166,667

16100

1341,7

-0,373

-4

16

6500

7633,333

-1133,33

-1633,333

1133,333

17233,333

1325,6

-1,232

-4

17

9500

7633,333

1866,667

233,333

1866,667

19100

1364,3

0,171

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

18

7900

7566,667

333,333

566,667

333,333

19433,333

1295,6

0,438

-4

19

6200

7966,667

-1766,67

-1200,000

1766,667

21200

1325

-0,906

-4

20

7300

7866,667

-566,667

-1766,667

566,667

21766,667

1280,4

-1,380

-4

21

8400

7133,333

1266,667

-500

1266,667

23033,333

1279,6

-0,391

-4

22

8900

7300

1600

1100

1600

24633,333

1296,5

0,849

-4

23

5500

8200

-2700

-1600

2700

27333,333

1366,7

-1,171

-4

24

6600

7600

-1000

-2600

1000

28333,333

1349,2

-1,927

-4

TOTAL

28333,333

MAD

1349,206

TS

-1,927

Gambar 3.3 Grafik Tracking Signal Metode Simple Moving Average 3 Periode

Tabel 3.19 Hasil Perhitungan Metode Moving Average Simple Moving Average 4 Periode
Periode

Demand

Forecast

9900

-4

7700

-4

7400

-4

5000

-4

6700

-4

7500

FE

-800

CFE

-800

AD

800

CAD

800

MAD

800

TS

-1

UCL LCL

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

8500

6700

1800

1000

1800

2600

1300

0,769

-4

7700

6900

800

1800

800

3400

1133,3

1,588

-4

6900

6975

-75

1725

75

3475

868,75

1,986

-4

7400

7450

-50

1675

50

3525

705

2,376

-4

10

9200

7625

1575

3250

1575

5100

850

3,824

-4

11

8400

7800

600

3850

600

5700

814,29

4,729

-4

12

7400

7975

-575

3275

575

6275

784,38

4,175

-4

13

6500

8100

-1600

1675

1600

7875

875

1,915

-4

14

9700

7875

1825

3500

1825

9700

970

3,609

-4

15

6700

8000

-1300

2200

1300

11000

1000

2,2

-4

16

6500

7575

-1075

1125

1075

12075 1006,3

1,118

-4

17

9500

7350

2150

3275

2150

14225 1094,2

2,993

-4

18

7900

8100

-200

3075

200

14425 1030,4

2,984

-4

19

6200

7650

-1450

1625

1450

15875 1058,3

1,535

-4

20

7300

7525

-225

1400

225

16100 1006,3

1,391

-4

21

8400

7725

675

2075

675

16775 986,76

2,103

-4

22

8900

7450

1450

3525

1450

18225 1012,5

3,482

-4

23

5500

7700

-2200

1325

2200

20425

1,233

-4

1075

UCL LCL

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

24

6600

7525

-925

400

925

21350 1067,5

TS
0,375

TOTAL

21350

MAD

1067,5

TS

0,375

Gambar 3.4 Grafik Tracking Signal Metode Simple Moving Average 4 Periode

UCL LCL
4

-4

Tabel 3.20 Hasil Perhitungan Metode Moving Average Centered Moving Average 3 Periode
Periode

Demand

Forecast

FE

CFE

9900

7700

8333,333

-633,333

-633,333

7400

6700

700

5000

6366,667

6700

AD

CAD

MAD

TS

UCL

LCL

633,333

633,333

-1

-4

633,333

1333,333

666,667

0,1

-4

66,667

700

2700

900

-1,444

-4

-1366,667

-1300

1366,667

2733,333

683,333

-1,951

-4

6733,333

-33,333

-1333,333

33,333

3600

720

-0,648

-4

8500

7633,333

866,667

-466,667

866,667

3600

600

-0,778

-4

7700

7700

-466,667

4033,333

576,190

-1,562

-4

6900

7333,333

-433,333

-900

433,333

4466,667

558,333

-2,388

-4

7400

7833,333

-433,333

-1333,333

433,333

5333,333

592,593

-0,7875

-4

10

9200

8333,333

866,667

-466,667

866,667

5400

540

-0,741

-4

11

8400

8333,333

66,667

-400

66,667

5433,333

493,939

-0,877

-4

12

7400

7433,333

-33,333

-433,333

33,333

6800

566,667

-3,176

-4

13

6500

7866,667

-1366,667

-1800

1366,667

8866,667

682,051

0,391

-4

14

9700

7633,333

2066,667

266,667

2066,667

9800

700

-0,952

-4

15

6700

7633,333

-933,333

-666,667

933,333

-2,393

-4

16

6500

7566,667

-1066,667

-1733,333

1066,667

-0,258

-4

17

9500

7966,667

1533,333

-200

1533,333

-0,228

-4

10866,667 724,444
12400

775

12433,333 731,373

Periode

Demand

Forecast

FE

CFE

AD

18

7900

7866,667

33,333

-166,667

33,333

19

6200

7133,333

-933,333

-1100

20

7300

7300

21

8400

8200

22

8900

23
24

CAD

TS

UCL

LCL

13366,667 742,593

-1,481

-4

933,333

13366,667 703,509

-1,564

-4

-1100

13566,667 678,333

-1,327

-4

200

-900

200

14866,667 707,937

0,565

-4

7600

1300

400

1300

16366,667 743,939

-1,479

-4

5500

7000

-1500

-1100

1500

18933,333 823,188

1,782

-4

6600

4033,333

2566,667

1466,667

2566,667

-1

-4

633,333

MAD

633,333

TOTAL

18933,333

MAD

823,188

TS

1,782

Gambar 3.5 Grafik Tracking Signal Metode Centered Moving Average 3 Periode

Tabel 3.21 Hasil Perhitungan Metode Moving Average Centered Moving Average 5 Periode
Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL LCL

9900

60

60

-4

7700

2120

1060

-1,887

-4

7400

7340

60

60

60

2480

826,667

-2,855

-4

5000

7060

-2060

-2000

2060

4020

1005

-0,816

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

6700

7060

-360

-2360

360

4280

856

-0,654

-4

8500

6960

1540

-820

1540

5320

886,667

-1,805

-4

7700

7440

260

-560

260

5840

834,286

-2,541

-4

6900

7940

-1040

-1600

1040

7180

897,5

-0,869

-4

7400

7920

-520

-2120

520

7800

866,667

-0,185

-4

10

9200

7860

1340

-780

1340

8640

864

-1,157

-4

11

8400

7780

620

-160

620

9880

898,182

-2,494

-4

12

7400

8240

-840

-1000

840

12220 1018,333

0,098

-4

13

6500

7740

-1240

-2240

1240

13300 1023,077

-0,958

-4

14

9700

7360

2340

100

2340

14860 1061,429

-2,393

-4

15

6700

7780

-1080

-980

1080

17000 1133,333

-0,353

-4

16

6500

8060

-1560

-2540

1560

17420

1088,75

0,018

-4

17

9500

7360

2140

-400

2140

19080 1122,353

-1,461

-4

18

7900

7480

420

20

420

19520 1084,444

-1,918

-4

19

6200

7860

-1660

-1640

1660

20660 1087,368

-0,864

-4

20

7300

7740

-440

-2080

440

22220

0,558

-4

21

8400

7260

1140

-940

1140

24060 1145,714

-1,065

-4

22

8900

7340

1560

620

1560

24800 1127,273

-1,739

-4

1111

UCL LCL

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

23

5500

7340

-1840

-1220

1840

60

60

-4

24

6600

7340

-740

-1960

740

2120

1060

-1,887

-4

TOTAL

24800

MAD

1127,27

TS

-1,74

Gambar 3.5 Grafik Tracking Signal Metode Centered Moving Average 5 Periode

UCL LCL

Tabel 3.22 Hasil Perhitungan Metode Exponential Smoothing Forecasting ( = 0,2)


Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

9900

7700

9900

-2200

-2200

2200

2200

2200

7400

9460

-2060

-4260

2060

4260

5000

9048

-4048

-8308

4048

6700

8238,4

-1538,4

-9846,4

8500

7930,72

569,28

7700

8044,576

6900

TS

UCL

LCL

-4

-1

-4

2130

-2

-4

8308

2769,333

-3

-4

1538,4

9846,4

2461,6

-4

-4

-9277,12

569,28

10415,68

2083,136

-4,453

-4

-344,576

-9621,696

344,576

10760,256

1793,376

-5,365

-4

7975,661

-1075,661

-10697,357

1075,661

11835,917

1690,845

-6,327

-4

7400

7760,529

-360,529

-11057,885

360,529

12196,445

1524,556

-7,253

-4

10

9200

7688,423

1511,577

-9546,308

1511,577

13708,023

1523,114

-6,268

-4

11

8400

7990,738

409,262

-9137,047

409,262

14117,284

1411,728

-6,472

-4

12

7400

8072,591

-672,591

-9809,637

672,591

14789,875

1344,534

-7,296

-4

13

6500

7938,073

-1438,073

-11247,710

1438,073

16227,947

1352,329

-8,317

-4

14

9700

7650,458

2049,542

-9198,168

2049,542

18277,489

1405,961

-6,542

-4

15

6700

8060,366

-1360,366

-10558,534

1360,366

19637,856

1402,704

-7,527

-4

16

6500

7788,293

-1288,293

-11846,827

1288,293

20926,149

1395,077

-8,492

-4

17

9500

7530,635

1969,365

-9877,462

1969,365

22895,514

1430,97

-6,903

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

18

7900

7924,508

-24,508

-9901,970

24,508

22920,022

1348,237

-7,344

-4

19

6200

7919,606

-1719,606

-11621,576

1719,606

24639,628

1368,868

-8,490

-4

20

7300

7575,685

-275,685

-11897,261

275,685

24915,313

1311,332

-9,073

-4

21

8400

7520,548

879,452

-11017,808

879,452

25794,765

1289,738

-8,543

-4

22

8900

7696,438

1203,562

-9814,247

1203,562

26998,327

1285,635

-7,634

-4

23

5500

7937,151

-2437,151

-12251,397

2437,151

29435,477

1337,976

-9,157

-4

24

6600

7449,721

-849,721

-13101,118

849,721

30285,198

1316,748

-9,950

-4

TOTAL

30285,20

MAD

1316,75

TS

-9,95

Gambar 3.6 Grafik Tracking Signal Metode Exponential Smoothing Forecasting ( = 0,2)
Tabel 3.23 Hasil Perhitungan Metode Exponential Smoothing Forecasting ( = 0,8)
Periode

Demand

Forecast

FE

CFE

9900

7700

9900

-2200

-2200

7400

8140

-740

5000

7548

-2548

AD

CAD

MAD

TS

UCL

LCL

2200

2200

-1

-4

2200

2940

1470

-2

-4

-2940

740

5488

1829,333

-3

-4

-5488

2548

6678,4

1669,6

-2,574

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

6700

5509,6

1190,4

-4297,6

1190,4

8716,48

1743,296

-1,296

-4

8500

6461,92

2038,08

-2259,52

2038,08

9108,864

1518,144

-1,747

-4

7700

8092,384

-392,384

-2651,904

392,384

9987,341

1426,763

-2,474

-4

6900

7778,4768

-878,48

-3530,381

878,477

10311,645

1288,956

-2,487

-4

7400

7075,695

324,30

-3206,076

324,305

12176,506

1352,945

-0,991

-4

10

9200

7335,139

1864,86

-1341,215

1864,861

12603,534

1260,353

-1,403

-4

11

8400

8827,027

-427,03

-1768,243

427,028

13688,940

1244,449

-2,293

-4

12

7400

8485,405

-1085,41

-2853,649

1085,406

14806,021

1233,835

-3,218

-4

13

6500

7617,081

-1117,08

-3970,730

1117,081

17782,605

1367,893

-0,727

-4

14

9700

6723,416

2976,58

-994,146

2976,584

20187,288

1441,949

-2,357

-4

15

6700

9104,683

-2404,68

-3398,829

2404,683

20868,225

1391,215

-2,933

-4

16

6500

7180,937

-680,94

-4079,766

680,937

23732,037

1483,252

-0,820

-4

17

9500

6636,187

2863,81

-1215,953

2863,813

24759,275

1456,428

-1,540

-4

18

7900

8927,238

-1027,24

-2243,191

1027,237

26664,722

1481,373

-2,801

-4

19

6200

8105,448

-1905,45

-4148,638

1905,447

27383,633

1441,244

-2,380

-4

20

7300

6581,090

718,91

-3429,728

718,911

28627,415

1431,371

-1,527

-4

21

8400

7156,218

1243,78

-2185,946

1243,782

29376,171

1398,865

-1,027

-4

22

8900

8151,244

748,76

-1437,189

748,756

32626,420

1483,019

-3,161

-4

Periode

Demand

Forecast

FE

CFE

AD

CAD

MAD

TS

UCL

LCL

23

5500

8750,249

-3250,25

-4687,438

3250,249

33076,370

1438,103

-2,947

-4

24

6600

6150,050

449,95

-4237,488

449,950

2200

2200

-1

-4

TOTAL

33076,37

MAD

1438,10

TS

-2,95

Gambar 3.7 Grafik Tracking Signal Metode


Exponential Smoothing Forecasting ( = 0,8)
Rincian perhitungan dari setiap metode diatas dapat dirangkum hanya melihat pada
hasil prediksi dari MAD dan Tracking Signal agar dalam pembandingan antar metode
mudah dibaca adalah sebagai berikut:
Tabel 3.24 Hasil Perbandingan MAD dan Tracking Signal (TS) Antar Metode
NO

Metode

Konstan

Regresi Linear

SMA 3 Periode

SMA 4 Periode

Prediksi
MAD
7579,17
7579,17
7579,17 1035,76
7579,17
7579,17
7324,28
7303,88
7283,49 1029,09
7263,1
7242,71
7000
7000
7000
1349,206
7000
7000
7350
7350
7350
1067,5
7350
7350

TS

-7,02E-15

-5,30E-15

-1,927

0,375

NO

Metode

CMA 3 Periode

CMA 5 Periode

Exponential
Smoothing

Prediksi
7000
7000
7000
7000
7000
7340
7340
7340
7340
7340
6150,05
6150,05
6150,05
6150,05
6150,05

MAD

TS

823,188

1,782

1127,27

-1,74

1438,1

-2,95

Dengan melakukan peramalan dan perhitungan untuk produk city car


Diamond Athar yang dikembangkan yaitu sunroof (tipe panoramic sunroof) dalam
kurun waktu 5 periode dengan menggunakan Metode Konstan dimana prediksi untuk
5 periode (25, 26, 27, 28, dan 29) adalah 7579,17 dengan nilai MAD 1035,76 dan
Tracking Signal (TS) nya adalah -7,02E-15. Dengan Metode Regresi Linear dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7324,28; 7303,88; 7283,49;
7263,1; dan 7242,71 dengan nilai MAD 1029,09 dan Tracking Signal (TS) nya adalah
-5,30E-15. Untuk Metode Moving Average Forecasting Simple Moving Average
(SMA) dimana pada metode SMA 3 periode, hasil peramalan untuk 5 periode
berikutnya (25, 26, 27, 28, dan 29) adalah 7000 dengan nilai MAD 1349,206 dan
Tracking Signal (TS) nya adalah -1,927 dan pada metode SMA 4 periode, hasil
peramalan untuk 5 periode berikutnya (25, 26, 27, 28, dan 29) adalah 7350 dengan
nilai MAD 1067,5 dan Tracking Signal (TS) nya adalah 0,375. Perhitungan
menggunakan Metode Moving Average lainnya yaitu Centered Moving Average
(CMA) dimana pada metode CMA 3 periode, hasil peramalan untuk 5 periode
berikutnya (25, 26, 27, 28, dan 29) adalah 7000 dengan nilai MAD 823,188 dan
Tracking Signal (TS) nya adalah 1,782 dan pada metode CMA 5 periode, hasil
peramalan untuk 5 periode berikutnya (25, 26, 27, 28, dan 29) adalah 7340 dengan
nilai MAD 1127,27 dan Tracking Signal (TS) nya adalah -1,74. Dan perhitungan pada

Metode Exponential Smoothing Forecasting kami melakukan dua peramalan, yaitu


dengan ( = 0,2 dan = 0,8). Ketika ( = 0,2) dimana prediksi untuk 5 periode (25,
26, 27, 28, dan 29) adalah 6150,05 dengan nilai MAD 1438,1 dan Tracking Signal
(TS) nya adalah -2,95. Seperti yang terlihat pada Gambar 3.6 pada grafik (TS),
banyak nilai peramalan yang keluar dari batas LCL. Oleh karena itu, kami
menggunakan perhitungan ulang dengan dengan menggunakan ( = 0,8) dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7449,72 dengan nilai MAD
1319,748 dan Tracking Signal (TS) nya adalah 9,95. Ketika penggunaan ( = 0,8)
grafik dari Tracking Signal (TS) nya cukup beraturan seperti yang terlihat pada
Gambar 3.7 dimana tidak adanya nilai perhitungan peramalan yang melebihi batas
baik UCL maupun LCL.
Dari hasil perhitungan diatas, dapat dilihat dari nilai MAD dan Tracking
Signal (TS) nya bahwa menggunakan Metode Centered Moving Average (CMA) 3
periode lah yang paling baik peramalannya untuk menangani kasus di atas dimana
nilai MAD 823,188 dan Tracking Signal -1,74. Sehingga Metode Centered Moving
Average (CMA) 3 periode lah yang memiliki kemungkinan kecil untuk mengalami
error.
1.3.7 Kesimpulan
Perbandingan dari beberapa metode yang telah dilakukan dengan melihat nilai
MAD dan Tracking Signal (TS) yang paling mendekati nilai nol. Setelah melalui
tahapan perbandingan dari Metode Konstan, Metode Moving Average (Simple Moving
Average dan Centered Moving Average), Metode Analisis Regresi, dan Metode
Exponential Smoothing Forecasting.
Pada Metode Exponential Smoothing Forecasting kami melakukan dua
peramalan, yaitu dengan ( = 0,2 dan = 0,8). Ketika ( = 0,2) dimana prediksi untuk
5 periode (25, 26, 27, 28, dan 29) adalah 6150,05 dengan nilai MAD 1438,1 dan
Tracking Signal (TS) nya adalah -2,95. Seperti yang terlihat pada Gambar 3.6 pada
grafik (TS), banyak nilai peramalan yang keluar dari batas LCL. Oleh karena itu,
kami menggunakan perhitungan ulang dengan dengan menggunakan ( = 0,8) dimana
prediksi untuk 5 periode (25, 26, 27, 28, dan 29) adalah 7449,72 dengan nilai MAD
1319,748 dan Tracking Signal (TS) nya adalah 9,95. Ketika penggunaan ( = 0,8)
grafik dari Tracking Signal (TS) nya cukup beraturan seperti yang terlihat pada

Gambar 3.7 dimana tidak adanya nilai perhitungan peramalan yang melebihi batas
baik UCL maupun LCL.
Dan setelah melalui berbagai macam perhitungan dengan menggunakan
beragam metode, maka metode yang paling baik untuk meramalkan kasus diatas
adalah Metode Centered Moving Average (CMA) 3 periode lah yang paling baik
peramalannya untuk menangani kasus di atas dimana nilai MAD 823,188 dan
Tracking Signal (TS) -1,74. Sehingga Metode Centered Moving Average (CMA) 3
periode lah yang memiliki kemungkinan kecil untuk mengalami error.