Pertemuan-4

PERAMALAN (FORECASTING)
OLEH
IR. INDRAWANI SINOEM, MS

05/25/15

PENGERTIAN
Peramalan (Forecasting) adalah seni dan
ilmu untuk memperkirakan kejadian di
masa depan.
Berdasarkan horizon waktu, peramalan
dibagi 3, yaitu :
1. Peramalan jangka pendek
2. Peramalan jangka menengah
3. Peramalan jangka panjang
05/25/15

1. Peramalan Jangka Pendek : peramalan yang meliputi

waktu hingga satu tahun, tetapi umumnya kurang dari
tiga bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja,
penugasan kerja, dan tingkat produksi.
2. Peramalan jangka menengah : peramalan mencakup
hitungan bulan hingga tiga tahun. Peramalan ini bermanfaat untuk merencanakan penjualan, perencanaan
dan anggaran produksi, anggaran kas, serta menganalisis bermacam-macam rencana operasi.
3. Peramalan jangka panjang : perencanaan untuk masa
tiga tahunan atau lebih. Peramalan jangka panjang
digunakan
untuk
merencanakan
produk
baru,
pembelanjaan modal, lokasi atau pengembangan fasilitas serta penelitian dan pengembangan (litbang).
05/25/15

 Peramalan jangka menengah dan jangka

panjang dapat dibedakan dari peramalan
jangka pendek dengan melihat dari tiga
hal, yaitu :
1. Peramalan jangka menengah dan
panjang berkaitan dengan permasalahan yg lebih menyeluruh dan mendukung
keputusan manajemen yg berkaitan dgn
perencanaan produk, pabrik, dan proses.
05/25/15

2. Permalan jangka pendek biasanya menetapkan metodologi yg berbeda dibandingkan

peramalan jangka panjang.
3. Peramalan jangka pendek cendrung lebih
tepat dibandingkan peramalan jangka
panjang. Faktor-faktor yg mempengaruhi
perubahan permintaan berubah setiap hari.
Dengan demikian semakin panjang horizon
waktu, ketepatan peramalan seseorang semakin berkurang.
05/25/15

 Faktor lain yg harus dipertimbangkan saat

membuat peramalan penjualan, terutama
peramalan penjualan jangka panjang,
adalah siklus hidup produk. Penjualan
produk bahkan jasa tidak terjadi pada
tingkat yg konstan sepanjang hidupnya.
Hampir semua produk yg berhasil melalui
empat tahapan, yaitu : perkenalan, pertumbuhan, kematangan dan penurunan.

05/25/15

JENIS-JENIS PERAMALAN
Berbagai organisasi menggunakan tiga
jenis peramalan yg utama dalam perencanaan operasi di masa depan :
1. Peramalan ekonomi : merencanakan
indikator-indikator yg berguna dalam
membantu organisasi menyiapkan peramalan jangka menengah dan jangka
panjang.
05/25/15

2. Peramalan teknologi : peramalan jangka

panjang sangat memperhatikan laju
perkembangan teknologi.
3. Peramalan permintaan : proyeksi suatu
penjualan perusahaan yg berlaku pada
setiap periode dalam perencanaan
horizon.
Peramalan ekonomi dan teknologi bukan
merupakan fungsi manajer operasi, shg dalam
pembahasan kita menekankan pada perencanaan permintaan.
05/25/15

KEPENTINGAN STRATEGIS
PERAMALAN
Peramalan
merupakan
satu-satunya
prediksi mengenai permintaan hingga permintaan yang sebenarnya diketahui.
Peramalan permintaan mengendalikan
keputusan di banyak bidang. Dampak
peramalan permintaan produk antara lain
pada aktivitas sumberdaya manusia,
kapasitas, dan manajemen rantai pasokan.
05/25/15

 Sumberdaya manusia :
Memperkerjakan, melatih, dan memberhentikan
pekerja bergantung pada permintaan.
Jika
departemen SDM harus memperkerjakan pekerja
tambahan tanpa adanya persiapan, akibatnya
kualitas pelatihan menurun dan kualitas pekerja
juga menurun.
Sebuah perusahaan kimia besar di Lousiana hampir
kehilangan konsumen terbesarnya saat melakukan
ekspansi cepat yang memberlakukan giliran kerja
tanpa henti 24 jam yang mengakibatkan rendahnya
pengendalian kualitas pada giliran kerja kedua dan
ketiga.
05/25/15

10

 Kapasitas :
Saat kapasitas tidak mencukupi, kekurangan yang
diakibatkannya bisa berarti tidak terjaminnya
pengiriman, kehilangan konsumen, dan kehilangan
pangsa pasar.
Inilah yang terjadi pada Nabisco saat ia melakukan
kesalahan dengan menghitung terlalu rendah
permintaan untuk biskuit baru bernama Snackwell
Devils Food yang rendah kalori yang ternyata
permintaannya sangat besar. Dengan bekerja lembur,
Nabisco bahkan tidak bisa memenuhi permintaan dan
bahkan kehilangan konsumennya. Namun jika
kapasitas dibangun berlebihan, biaya-nya dapat
melonjak tajam.
05/25/15

11

 Manajemen Rantai Pasokan :

Hubungan yang baik dengan pemasok, serta harga
barang dan komponen yang bersaing bergantung
pada peramalan yang akurat.
Contoh : Manufaktur pembuat mobil yang menginginkan TRW Corp. menjamin ketersediaan kantong udara
(airbag) yang cukup, harus menyediakan ramalan
yang akurat untuk membenarkan ekspansi pabrik
TRW.
Dalam pasar global, dimana komponen mahal untuk
Jet Boing 777 yang dibuat di beberapa negara,
koordinasi yang dikendalikan oleh peramalan yang
akurat sangat penting.
05/25/15

12

LANGKAH-LANGKAH
SISTEM PERMALAN
Ada 7 langkah dasar sistem peramalan :
1. Menetapkan tujuan peramalan
2. Memilih unsur yg akan diramalkan
3. Menentukan horizon waktu peramalan
4. Memilih jenis model pemodelan
5. Mengumpulkan data yg diperlukan untuk
melakukan peramalan
6. Membuat peramalan
7. Memvalidasikan dan menerapkan hasil peramalan.
05/25/15

13

PENDEKATAN DALAM
PERAMALAN
Terdapat dua pendekatan umum untuk
peramalan, yaitu :
1. Peramalan kuantitatif : peramalan yang
menggunakan model matematis yang
beragam dengan data masa lalu dan
variabel sebab-akibat untuk peramalan
permintaan.
05/25/15

14

2. Peramalan kualitatif (subjektif) :

peramalan yg menggabungkan faktor
seperti : intuisi, emosi, pengalaman
pribadi, dan sistem nilai pengambilan
keputusan untuk meramal.
Ada 4 teknik peramalan kualitatif :
1. Juri dari opini eksekutif
2. Metode Delphi
3. Komposit tenaga penjualan
4. Surveri pasar konsumen
05/25/15

15

Ada 5 metode peramalan kuantitatif :

1. Model deret waktu (time series) :
a. Pendekatan naif
b. Rata-rata bergerak
c. Penghalusan eksponensial
2. Model Asosiasif :
a. Proyeksi tren
b. Regresi linear
05/25/15

16

 Model Deret Waktu : teknik peramalan yg

menggunakan sejumlah data masa lalu
untuk membuat peramalan.
Model asosiatif (hubungan sebab akibat)
seperti regresi linear, menggabungkan
banyak variabel atau faktor yg mungkin
mempengaruhi kuantitas yg sedang diramalkan. Sebagai contoh, model asosiatif dari penjualan mesin pemotong rumput
mungkin memasukkan faktor spt adanya
perumahan baru, anggaran iklan, dan
harga pesaing.
05/25/15

17

PERAMALAN DERET WAKTU

Deret waktu didasarkan pada urutan dari
titik-titik data yg berjarak sama dalam
waktu (mingguan, bulanan, kuartalan, dll).
Menganalisis deret waktu berarti membagi
data masa lalu menjadi komponenkomponen, kemudian memproyeksikannya ke masa depan. Deret waktu mempunyai empat komponen :
05/25/15

18

1. Tren : merupakan pergerakkan data sedikit demi sedikit meningkat atau menurun. Perubahan pendapatan, populasi, penyebaran umur, atau pandangan
budaya dapat mempengaruhi pergerakkan tren.
2. Musiman : adalah pola data yg berulang
pada kurun waktu tertentu, seperti :
harian, mingguan, bulanan, atau kuartal.
05/25/15

19

3. Siklus : pola dalam data yg terjadi setiap beberapa tahun. Siklus ini biasanya terkait pada siklus bisnis dan merupakan satu hal penting dlm analisis
dan perencanaan bisnis jangka pendek.
Memprediksi siklus bisnis sulit
dilakukan
karena adanya pengaruh kejadian
politik ataupun kerusuhan internasional.
05/25/15

20

4. Variasi acak : merupakan satu titik

khusus dalam data yg disebabkan oleh
peluang dan situasi yg tidak lazim.
Variasi acak tdk mempunyai pola khusus shg tdk dapat diprediksi.

05/25/15

21

PENDEKATAN NAIF
Pendekatan naif adalah teknik peramalan
yg mengasumsikan permintaan periode
berikutnya sama dengan permintaan pada
periode terakhir. Dengan kata lain, jika
penjualan sebuah produk (mis: telpon
gemgam Motorolla) adalah 68 unit pada
bulan Januari, kita dapat meramalkan
pen-jualan pada bulan Februari akan
sama, yaitu sebanyak 68 unit juga.
05/25/15

22

 Pendekatan naif ini merupakan model

peramalan objektif yg paling efektif dan
efisien dari segi biaya. Paling tidak pendekatan naif memberikan titik awal untuk
perbandingan dengan model lain yang
lebih canggih.

05/25/15

23

RATA-RATA BERGERAK
Rata-rata bergerak adalah suatu metode
peramalan yg menggunakan rata-rata periode
terakhir data untuk meramalkan periode
berikutnya.
Permintaan dlm periode n sebelumnya

Rata - rata Bergerak

n

n = jumlah periode dalam rata-rata bergerak

05/25/15

24

Contoh :
Bulan

Penjualan Aktual

Rata-rata bergerak 3 bulanan

Januari

10

Februari

12

Maret

13

April

16

(10+12+13)/3 = 11,67

Mei

19

(12+13+16)/3 = 13,67

Juni

23

(13+16+19)/3 = 16

Juli

26

(16+19+23)/3 = 19,33

Agustus

30

(19+23+26)/3 = 22,67

September

28

(23+26+30)/3 = 26,33

Oktober

18

(26+30+28)/3 = 28

Nopember

16

(30+28+18)/3 = 25,33

Desember

14

(28+18+16)/3 = 20,67

05/25/15

25

Pembobotan rata-rata bergerak :

Pembobotan rata - rata bergerak
Bulan

Penjualan Aktual

(bobot periode n)(permintaan dlm periode n)

bobot
Rata-rata bergerak 3 bulanan

Januari

10

Februari

12

Maret

13

April

16

[(3x13)+(2x12)+(10)]/6 = 12, 16

Mei

19

[(3x16)+(2x13)+(12)]/6 = 14, 33

Juni

23

[(3x19)+(2x16)+(13)]/6 = 17,00

Juli

26

[(3x23)+(2x19)+(16)]/6 = 20,50

Agustus

30

[(3x26)+(2x23)+(19)]/6 = 23,80

September

28

[(3x30)+(2x26)+(23)]/6 = 27,50

Oktober

18

[(3x28)+(2x30)+(26)]/6 = 28,33

Nopember

16

[(3x18)+(2x28)+(30)]/6 = 23,33

Desember

14

[(3x16)+(2x18)+(28)]/6 = 18,67

05/25/15

26

PENGHALUSAN EKSPONENSIAL
Penghalusan eksponensial merupakan metode
peramalan rata-rata bergerak dgn pembobotan
dimana titik data dibobotkan oleh fungsi
eksponensial.
Rumus penghalusan eksponensial :
Peramalan Baru Peramalan Periode terakhir (Permintaan sebenarnya periode terakhir)
- peramalan periode terakhir

dimana : adalah sebuah bobot atau konstanta

penghalusan yg dipilih oleh peramal yg mempunyai nilai antara 0 dan 1.
05/25/15

27

Ft Ft 1 ( At 1 Ft 1 )

Rumus :

dimana : Ft = Peramalan baru

Ft-1 = Peramalan sebelumnya
= Konstanta penghalusan (01)
At-1 = Permintaan aktual periode lalu
Periode
Kedua
Sebelum
Terakhir

Periode
Ketiga
Sebelum
Terakhir

Periode
Keempat
Sebelum
Terakhir

Konstanta
Penghalusan

Periode
Terakhir

Periode
Sebelum
Terakhir

= 0,1

0,1

0,09

0,081

0,073

0,066

= 0,5

0,5

0,25

0,125

0,063

0,031

05/25/15

28

 Menghitung Kesalahan Peramalan

Kesalahan Peramalan = Permintaan Aktual Nilai Peramalan
= At - Ft

Ada beberapa perhitungan yg biasa digunakan

untuk menghitung kesalahan dlm peramalan.
Tiga dari perhitungan yang paling terkenal
adalah deviasi mutlak rata-rata (mean absolute
deviation = MAD). Kesalahan kuadrat rata-rata
(mean absolute deviation =MSE) dan kesalahan
persen mutlak rata-rata (mean absolute percent
= MAPE).

05/25/15

29

Deviasi Mutlak Rata-rata (MAD)

MAD adalah nilai yg dihitung dengan mengambil jumlah nilai absolut dari setiap
kesalahan peramalan dibagi dengan jumlah
periode data (n).

Aktual Peramalan

MAD
n

05/25/15

30

 Contoh :
Selama 8 kuartal terakhir, Perusahaan X
membongkar muat sejumlah besar bijibijian dari kapal. Manajer operasi pelabuhan ingin menguji penggunaan penghalusan eksponensial utk melihat seberapa baik
teknik ini bekerja dlm memprediksi tonase
biji-bijian yg dibongkar/muat. Ia menebak
peramalan bongkar/muat biji-bijian pada
kuartal pertama adalah 175 ton. Dua nilai
yg diuji =0,1 dan =0,5.
05/25/15

31

 Penyelesaian :
Kuartal

Tonase
Bongkar/
Muat

Peramalan yg dibulatkan dgn

=0,1

Peramalan yg
dibulatkan
dgn =0,5

180

175

175

168

175+0,1(180-175)=175,50

177,50

159

175,50+0,1(168-175,50)=174,75

172,75

175

174,75+0,1(159-174,75)=173,18

165,88

190

173,18+0,1(175-173,18)=173,36

170,44

205

173,36+0,1(190-173,36)=175,02

180,22

180

175,02+0,1(205-175,02)=178,02

192,61

182

178,02+0,1(180-178,02)=178,22

186,30

178,22+0,1(182-178,22)=178,59

184,15

05/25/15

32

 Perhitungan MAD :
Kuartal

Tonase B/M
Aktual

Peramalan
= 0,1

Deviasi
Absolut
=0,1

Peramalan
= 0,5

Deviasi
Absolut
=0,5

180

175

5,00

175

5,00

168

175,50

7,50

177,50

9,50

159

174,75

15,75

172,75

13,75

175

173,18

1,82

165,88

9,12

190

173,36

16,64

170,44

19,56

205

175,02

29,98

180,22

24,78

180

178,02

1,98

192,61

12,61

182

178,22

3,78

186,30

4,30

05/25/15

Jumlah Deviasi Absolut

82,45

98,62

MAD

10,31

12,33
33

Kesalahan Kuadrat Rata-rata

(MSE)
Kuartal

Tonase B/M Aktual

Peramalan =01

(Kesalahan)2

180

175

52 = 25

168

175,50

(-7,5)2=56,25

159

174,75

248,06

175

173,18

3,33

190

173,36

276,89

205

175,02

898,70

180

178,02

3,92

182

178,22

14,31

Jumlah Kesalahan dikuadratkan =

1.526,46

MSE=(Jumlah Kesalahan dikuadratkan)/n =

190,80

05/25/15

34

Kesalahan Persen Mutlak

Rata-rata (MAPE)
Kuartal

Tonase B/M Aktual

Peramalan =01

MAPE 100
(Kesalahan/Aktual)

180

175

(5/180)(100)=0,0278

168

175,50

0,0446

159

174,75

0,0990

175

173,18

0,0105

190

173,36

0,0876

205

175,02

0,1462

180

178,02

0,0110

182

178,22

0,0208

05/25/15

Jumlah kesalahan =

0,4475

MAPE=(Jumlah Kesalahan)/n =

0,0559
35

Penghalusan Eksponensial
dengan Penyesuaian Tren

Asumsikan permintaan untuk barang atau jasa kita telah meningkat

100 unit per bulan, dan kita telah meramalkan dengan =0,4 dalam
model penghalusan eksponensial.
Bulan

Permintaan
Aktual

100

F1 = 100 (diberikan)

200

F2 = F1+(A1-F1) = 100 + 0,4(100-100) = 100

300

F3 = F2+(A2-F2) = 100 + 0,4(200-100) = 140

400

F4 = F3+(A3-F3) = 140 + 0,4(300-140) = 204

500

F5 = F4+(A4-F4) = 204 + 0,4(400-204) = 282

05/25/15

Permintaan untuk Bulan T(FT)

36

 Untuk memperbaiki peramalan kita, berikut akan diilustrasikan model penghalusan eksponensial yg lebih rumit dan dapat
menyesuaikan diri pada tren yg ada. Idenya adalah menghitung rata-rata data
penghalusan eksponensial, kemudian menyesuaikan untuk kelambatan (lag) positif
atau negatif pada tren. Rumusnya :
Peramalan dengan Tren (FITt) = Peramalan penghalusan eksponensial (Ft)
- Tren penghalusan eksponensial (Tt)

05/25/15

37

 Dengan penghalusan eksponensial dgn

tren, estimasi rata-rata dan tren dihaluskan. Prosedur ini membutuhkan dua
konstanta penghalusan, untuk rata-rata
dan untuk tren.
Ft = (permintaan aktual terakhir) + (1-)(Peramalan periode terakhir
Estimasi tren periode terakhir)
Ft = (At-1) + (1-)(Ft-1 + Tt-1) (1)
Tt = (peramalan periode ini peramalan periode terakhir) + (1-)(Estimasi
tren periode terakhir)
Tt = (Ft Ft-1) + (1-)Tt-1 ......................................... (2)

05/25/15

38

Dimana :
Ft = peramalan dengan eksponensial yg dihaluskan dari
data berseri pada periode t.
Tt = tren eksponensial yg dihaluskan pada periode t.
At = permintaan aktual pada periode t.
= konstanta penghalusan untuk rata-rata (01)
= konstanta penghalusan untuk tren (01)
3 Langkah menghitung peramalan yg disesuaikan dgn
tren, yaitu :
1. Menghitung Ft, peramalan eksponensial yg dihaluskan
untuk periode t, menggunakan persamaan (1).
05/25/15

39

2. Menghitung tren yg dihaluskan (Tt) menggunakan

persamaan (2).
3. Menghitung persamaan dengan tren (FITt) dengan
rumus :
FITt = Ft + Tt

05/25/15

40

 Contoh :
Bulan (t)

Permintaan
Aktual (At)

Bulan (t)

Permintaan
Aktual (At)

12

21

17

31

20

28

19

36

24

10

Nilai =0,2 dan =0,4. Diasumsikan peramalan

awal untuk bulan pertama (F1) adalah 11 unit dan
tren pada periode tsb (T1) = 2 unit.
05/25/15

41

 Penyelesaian :
Langkah-1 : Ramalkan bulan kedua :
Ft = At +(1-)(Ft +Tt)
F2 = (0,2)(12)+(1-0,2)(11+2) = 12,8 unit.
Langkah-2 : Hitung tren pada periode 2 :
T2 = (F2-F1)+(1-)T1
= (0,4)(1,8)+(0,6)(0,2) = 1,92
Langkah-3 : Hitung FITt :
FIT2 = F2 + T2
= 12,8 + 1,92 = 14,72 unit

05/25/15

42

Perhitungan selengkapnya :
Bulan

Permintaan
Aktual

Ft

Tt

FITt

12

11

13,00

17

12,80

1,92

14,72

20

15,18

2,10

17,28

19

17,82

2,32

20,14

24

19,91

2,23

22,14

21

22,51

2,38

24,89

31

24,11

2,07

26,18

28

27,14

2,45

29,59

36

29,28

2,32

31,60

10

32,48

2,68

35,16

05/25/15

43

Proyeksi Tren
Adalah suatu metode peramalan serangkaian
waktu yg sesuai dengan garis tren terhadap
serangkaian titik-titik data masa lalu, kemudian
diproyeksikan ke dalam peramalan masa depan
untuk peramalan jangka menengah dan jangka
panjang.
Persamaan garis :
^

y a bx
05/25/15

44

 Dimana :
y = variabel yg akan diprediksi
a = konstanta
b = kemiringan garis regresi
x = variabel bebas (waktu)
Dengan metode kuadrat terkecil (MKT) didapat :

xy n x y

b
x nx
2

05/25/15

a y bx

45

 Contoh :
Tahun

Periode
Waktu (x)

Permintaan
Daya Listrik (Y)

x2

xy

2001

74

74

2002

79

158

2003

80

240

2004

90

16

360

2005

105

25

525

2006

142

36

852

2007

122

49

854

Jumlah

x = 28

y = 692

x2 = 140

xy = 3.063

Rata-rata

98,86

05/25/15

46

 Penyelesaian :
xy n x y 3.063 - (7)(4)(98,86) 295

10,54
140 - (7)(4 )
28
x nx
2

a y b x 98,86 10,54(4) 56,70

Persamaan tren :
^

y a bx 56,70 10,54 x
Permintaan tahun 2008 = 56,70+10,54(8)
= 141,02 megawat
05/25/15

47

Permintaan tenaga listrik (megawatts)

Garis tren : y = 56,70+10,54x

Tahun

05/25/15

48

VARIASI MUSIMAN PADA DATA

Variasi musiman (seasonal variation) adalah pergerakan rutin yang reguler baik
meningkat maupun menurun dalam kurun
waktu tertentu yang terkait dengan kejadian berulang seperti cuaca atau liburan.
Contoh : permintaan untuk batu bara dan
bahan bakar mencapai puncaknya pada
musim dingin.
05/25/15

49

 Menentukan faktor musiman

Permintaan

Permintaan
rata-rata
bulanan

Indeks Musiman

2005

2006

2007

Permintaan
rata-rata

Jan

80

85

105

90

1.128/12 = 94

90/94 = 0,957

Feb

70

85

85

80

94

80/94 = 0,851

Mar

80

93

82

85

94

85/94 = 0,904

Apr

90

95

115

100

94

100/94 = 1,064

Mei

113

125

131

123

94

123/94 = 1,309

Jun

110

115

120

115

94

115/94 = 1,223

Jul

100

102

113

105

94

105/94 = 1,117

Agt

88

102

110

100

94

100/94 = 1,064

Sep

85

90

95

90

94

90/94 = 0,957

Okt

77

78

85

80

94

80/94 = 0,851

Nop

75

82

83

80

94

80/94 = 0,851

Des

82

78

80

80

94

80/94 = 0,851

Jumlah

1.128

Bulan

05/25/15

50

Jika kita mengharapkan permintaan tahunan pada tahun 2008

adalah 1.200 unit, maka kita dapat meramalkan permintaan bulanan
pada tahun 2008 :
Bulan

Permintaan

Bulan

Permintaan

Januari

(1.200/12)(0,957) = 96

Juli

(1.200/12)(1,117) = 112

Februari

(1.200/12)(0,851) = 85

Agustus

(1.200/12)(1,064) = 106

Maret

(1.200/12)(0,904) = 94

September

(1.200/12)(0,957) = 96

April

(1.200/12)(1,064) = 106

Oktober

(1.200/12)(0,851) = 85

Mei

(1.200/12)(1,309) = 131

Nopember

(1.200/12)(0,851) = 85

Juni

(1.200/12)(1,223) = 122

Desember

(1.200/12)(0,851) = 85

05/25/15

51

Menerapkan faktor-faktor musiman dan tren

Jika diketahui persamaan tren : y = 8,090 + 21,5 x
x = jumlah hari pasien rawat inap
y = waktu (dalam satuan bulan)
Waktu

Jumlah hari pasien

rawat inap (tren)

Januari

67

9.530

Februari

68

9.551

Maret

69

9.573

April

70

9.594

Mei

71

9.616

Juni

72

9.637

Juli

73

9.659

Agustus

74

9.680

September

75

9.702

Oktober

76

9.724

Nopember

77

9.745

Desember

78

9.766

Bulan

05/25/15

52

Waktu

Jumlah hari pasien

rawat inap (tren)

Indeks
Musiman

Jumlah hari pasien

Rawat inap (indeks
musiman)

Januari

67

9.530

1,04

9.911

Februari

68

9.551

0,97

9.265

Maret

69

9.573

1,02

9.764

April

70

9.594

1,01

9.691

Mei

71

9.616

0,99

9.520

Juni

72

9.637

0,99

9.542

Juli

73

9.659

1,03

9.949

Agustus

74

9.680

1,04

10.068

September

75

9.702

0,97

9.411

Oktober

76

9.724

1,00

9.724

Nopember

77

9.745

0,96

9.355

Desember

78

9.766

0,98

9.572

Bulan

05/25/15

53

Metode Peramalan Asosiatif

Analisis Regresi :
1. Regresi Linear
1.1. Regresi Linear Sederhana
1.2. Regresi Linear Berganda
2. Regresi Kuadrat
3. Regresi Eksponensial

05/25/15

54