Anda di halaman 1dari 11

TUGAS 4

SI-5101 ANALISIS REKAYASA

DOSEN PENGASUH :
IR. BIEMO W SOEMARDI, PH.D.

DISUSUN OLEH:

NAMA :

ANNA ELVARIA

NIM

25014017

FAKULTAS TEKNIK SIPIL DAN LINGKUNGAN


PROGRAM MAGISTER TEKNIK SIPIL
INSTITUT TEKNOLOGI BANDUNG
2014

5-15 ) Telah terkumpul data permintaan tahunan untuk 50 kantong pon supply pupuk di
Wallace Garden yang ditunjukkan oleh tabel. Dikembangkan 3 tahun moving average untuk
meramalkan penjualan. Kemudian memperkirakan permintaan lagi dengan weighted moving
average penjualan pada tahun terbaru diberi bobot 2 dan penjualan dalam 2 tahun lainnya
masing-masing diberi bobot 1 Metode mana yang menurut Anda terbaik?
Year
1
2
3
4
5

Demand For Fertilizer


(1,000S Of Bags)
4
6
4
5
10

Year
6
7
8
9
10
11

Demand For Fertilizer


(1,000S Of Bags)
8
7
9
12
14
15

Penyelesaian :
Year
1
2
3
4
5
6
7
8
9
10
11
12

Demand For
Fertilizer (1,000S
Of Bags)
4
6
4
5
10
8
7
9
12
14
15
-

3-Year

3-Year

Moving Average

Weighted Moving
Average

4,67
5,00
6,33
7,67
8,33
8,00
9,33
11,67
13,67

4,50
5,00
7,25
7,75
8,00
8,25
10,00
12,25
14,00

Dari kedua metode tersebut untuk menentukan metode mana yang paling terbaik adalah
dengan mencari MAD MSE dan MAPE dari masing-masing metode dengan menggunakan
Program Exel QM-Forecasting. Outputnya adalah sebagai berikut :

Wallace Garden Supply


Forecasting
Moving averages - 3 period moving average
Num pds
3
Data
Period
Period 1
Period 2
Period 3
Period 4
Period 5
Period 6
Period 7
Period 8
Period 9
Period 10
Period 11

Demand
4
6
4
5
10
8
7
9
12
14
15

Next period

13,6666667

Forecasts and Error Analysis


Forecast
Error

4,6667
5,0000
6,3333
7,6667
8,3333
8,0000
9,3333
11,6667
Total
Average

Wallace Garden Supply


Forecasting

Next period

Squared

Abs Pct Err

0,3333
5,0000
1,6667
0,6667
0,6667
4,0000
4,6667
3,3333
20,3333
2,5417
MAD
SE

0,1111
25,0000
2,7778
0,4444
0,4444
16,0000
21,7778
11,1111
77,6667
9,7083
MSE
3,5978

7%
50%
21%
10%
7%
33%
33%
22%
183%
23%
MAPE

Weighted moving averages - 3 period moving average

Data
Period
Period 1
Period 2
Period 3
Period 4
Period 5
Period 6
Period 7
Period 8
Period 9
Period 10
Period 11

0,3333
5,0000
1,6667
-0,6667
0,6667
4,0000
4,6667
3,3333
19,0000
2,3750
Bias

Absolute

Demand
4
6
4
5
10
8
7
9
12
14
15

Weights
1
1
2

Forecasts and Error Analysis


Forecast
Error

4,5
5
7,25
7,75
8
8,25
10
12,25
Total
Average

0,5
5
0,75
-0,75
1
3,75
4
2,75
17
2,125
Bias

Absolute

Squared

Abs Pct Err

0,5
5
0,75
0,75
1
3,75
4
2,75
18,5
2,3125
MAD
SE

0,25
25
0,5625
0,5625
1
14,0625
16
7,5625
65
8,125
MSE
3,2914

10,00%
50,00%
09,38%
10,71%
11,11%
31,25%
28,57%
18,33%
169,36%
21,17%
MAPE

14

Dari hasil diatas dapat diliat bahwa nilai MAD, MSE dan MAPE dari Metode Weight
Moving Average lebih kecil daripda Metode Moving Average, ini menandakan bahwa
Metode Weight Moving Average memiliki tingkat akurasi yang lebih tinggi, sehingga
dipilih menjadi Metode yang paling baik dalam mengambil keputusan.

5-25) Penjualan Industri vacuum cleaner di R. Lowenthal Supply Co selama 13 bulan adalah:
SALES ($1,000S)
11
14
16
10
15
17

MONTH
January
February
March
April
May
June

SALES ($1,000S)
11
14
17
12
14
16
11

MONTH
July
August
September
October
November
December
January

a) Gunakan moving average dengan 3 periode, tentukan kebutuhan vacuum cleaner


untuk February selanjutnya.
b) Gunakan weighted moving average dengan 3 periode, tentukan kebutuhan vacuum
cleaner untuk February. Gunakan 3, 2, dan 1 untuk weights of the most recent,
second most recent and third most recent periods.
c) Evaluasi akurasi dari setiap metode.
d) Apa faktor lain yang mungkin R. Lowenthal pertimbangkan untuk meramalkan
penjualan.
Penyelesaian :
Month

Sales ($1,000S)

January
February
March
April
May
June
July
August
September
October
November
December
January
February

11
14
16
10
15
17
11
14
17
12
14
16
11
-

3-Year
Moving Average
13,67
13,33
13,67
14,00
14,33
14,00
14,00
14,33
14,33
14,00
13,67

3-Year
Weighted Moving Average
14,50
12,67
13,50
15,17
13,67
13,50
15,00
14,00
13,83
14,67
13,17

Dari Tabel diatas dapat dilihat bahwa :


a)

Kebutuhan Vacuum Cleaner untuk bulan Februari menggunakan Metode Moving


Average sebesar $13670
b) Kebutuhan Vacuum Cleaner untuk bulan Februari menggunakan Metode Weight Moving
Average sebesar $13170
c) Akurasi dari masing-masing metode dapat dilihat pada tabel berikut :

Month

Sales ($1,000S)

January
February
March
April
May
June
July
August
September
October
November
December
January
February

11
14
16
10
15
17
11
14
17
12
14
16
11
-

Absolute Value Of
Errors MA Method
3,67
1,67
3,33
3,00
0,33
3,00
2,00
0,33
1,67
3,00
-

Absolute Value Of
Errors WMA Method
4,50
2,33
3,50
4,17
0,33
3,50
3,00
0,00
2,17
3,67
MAD
MSE
MAPE

Error2 MA
13,44
2,78
11,11
9,00
0,11
9,00
4,00
0,11
2,78
9,00
2,20
6,13
17,62%

Error2 WMA Error/Actual


MA
20,25
27%
5,44
13%
12,25
24%
17,36
21%
0,11
2%
12,25
21%
9,00
14%
0,00
2%
4,69
12%
13,44
21%
2,72
9,48
21,32%

Error/Actual
WMA
31%
18%
26%
27%
2%
26%
20%
0%
16%
25%
-

Dari Tabel diatas terlihat bahwa Metode Moving Average memiliki tingkat akurasi lebih
tinggi.
d) Faktor lain yang mungkin R. Lowenthal pertimbangkan untuk meramalkan penjualan
Vacuum Cleaner adalah waktu penjualannya, karena dapat dilihat pada tabel terdapat
bulan-bulan tertentu yang memiliki nilai optimum dari penjualan.

5-27) Emergency calls untuk Winter Park, Floridas 911 system selama 24 minggu adalah :
WEEK
1
2
3
4
5
6
7
8

CALLS
50
35
25
40
45
35
20
30

WEEK
9
10
11
12
13
14
15
16

CALLS
35
20
15
40
55
35
25
55

WEEK
17
18
19
20
21
22
23
24

CALLS
55
40
35
60
75
50
40
65

a) Hitung exponentially smoothed forecast of calls for each week. Asumsikan initial
forecast dari 50 calls di minggu pertama dan gunakan = 0,1-0,9 kenaikan 0,1.
Sajikan dalam bentuk grafik dan beri komentar.
b) Actual calls selama minggu ke-25 adalah 85. Which smoothing constant provides a
superior forecast?
Penyelesaian :
a)

Exponentially smoothed forecast dari panggilan setiap minggu dicari secara manual
dengan menggunakan Exel dan diperlihatkan pada tabel berikut :

Week

Calls

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

50
35
25
40
45
35
20
30
35
20
15
40
55
35
25
55
55
40
35
60
75
50
40
65
-

Forecast
=0,1
50,00
50,00
48,50
46,15
45,54
45,48
44,43
41,99
40,79
40,21
38,19
35,87
36,28
38,16
37,84
36,56
38,40
40,06
40,05
39,55
41,59
44,93
45,44
44,90
46,91

Forecast
=0,2
50,00
50,00
47,00
42,60
42,08
42,66
41,13
36,90
35,52
35,42
32,34
28,87
31,09
35,88
35,70
33,56
37,85
41,28
41,02
39,82
43,85
50,08
50,07
48,05
51,44

Forecast
=0,3
50,00
50,00
45,50
39,35
39,55
41,18
39,33
33,53
32,47
33,23
29,26
24,98
29,49
37,14
36,50
33,05
39,63
44,24
42,97
40,58
46,41
54,98
53,49
49,44
54,11

Forecast
=0,4
50,00
50,00
44,00
36,40
37,84
40,70
38,42
31,05
30,63
32,38
27,43
22,46
29,47
39,68
37,81
32,69
41,61
46,97
44,18
40,51
48,30
58,98
55,39
49,23
55,54

Forecast
=0,5
50,00
50,00
42,50
33,75
36,88
40,94
37,97
28,98
29,49
32,25
26,12
20,56
30,28
42,64
38,82
31,91
43,46
49,23
44,61
39,81
49,90
62,45
56,23
48,11
56,56

Forecast
=0,6
50,00
50,00
41,00
31,40
36,56
41,62
37,65
27,06
28,82
32,53
25,01
19,00
31,60
45,64
39,26
30,70
45,28
51,11
44,44
38,78
51,51
65,60
56,24
46,50
57,60

Forecast
=0,7
50,00
50,00
39,50
29,35
36,81
42,54
37,26
25,18
28,55
33,07
23,92
17,68
33,30
48,49
39,05
29,21
47,26
52,68
43,80
37,64
53,29
68,49
55,55
44,66
58,90

Forecast
=0,8
50,00
50,00
38,00
27,60
37,52
43,50
36,70
23,34
28,67
33,73
22,75
16,55
35,31
51,06
38,21
27,64
49,53
53,91
42,78
36,56
55,31
71,06
54,21
42,84
60,57

Forecast
=0,9
50,00
50,00
36,50
26,15
38,62
44,36
35,94
21,59
29,16
34,42
21,44
15,64
37,56
53,26
36,83
26,18
52,12
54,71
41,47
35,65
57,56
73,26
52,33
41,23
62,62

Dari data pada tabel diatas selanjutnya dibuat grafik yang memperlihatkan hubungan calls
dan forecast untuk setiap smoothing constant () seperti pada gfarfik berikut ini.

Dari grafik diatas dapat dilihat bahwa dari minggu ke-3 sampai ke-12 nilai forecast
maksimumnya terletak pada forecast dengan smoothing constant =0,1. Namun pada minggu
ke-13 dan setetusnya nilai forecast maksimum terletak pada forecast dengan yang berbeda-

beda. Pada akhir peramalan pada minggu ke-25, nilai forecast maksimum terletak pada
forecast dengan nilai terbesar, yaitu sebesar 62,62 (=0,9) dan nilai terakhir tersebut disebut
dengan nilai global optimum untuk final forecast.

b)

Week

Calls

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

50
35
25
40
45
35
20
30
35
20
15
40
55
35
25
55
55
40
35
60
75
50
40
65

85
-

Forecast
=0,1
50,00
50,00
48,50
46,15
45,54
45,48
44,43
41,99
40,79
40,21
38,19
35,87
36,28
38,16
37,84
36,56
38,40
40,06
40,05
39,55
41,59
44,93
45,44
44,90
46,91
50,72

Forecast
=0,2
50,00
50,00
47,00
42,60
42,08
42,66
41,13
36,90
35,52
35,42
32,34
28,87
31,09
35,88
35,70
33,56
37,85
41,28
41,02
39,82
43,85
50,08
50,07
48,05
51,44
58,15

Forecast
=0,3
50,00
50,00
45,50
39,35
39,55
41,18
39,33
33,53
32,47
33,23
29,26
24,98
29,49
37,14
36,50
33,05
39,63
44,24
42,97
40,58
46,41
54,98
53,49
49,44
54,11
63,38

Forecast
=0,4
50,00
50,00
44,00
36,40
37,84
40,70
38,42
31,05
30,63
32,38
27,43
22,46
29,47
39,68
37,81
32,69
41,61
46,97
44,18
40,51
48,30
58,98
55,39
49,23
55,54
67,32

Forecast
=0,5
50,00
50,00
42,50
33,75
36,88
40,94
37,97
28,98
29,49
32,25
26,12
20,56
30,28
42,64
38,82
31,91
43,46
49,23
44,61
39,81
49,90
62,45
56,23
48,11
56,56
70,78

Forecast
=0,6
50,00
50,00
41,00
31,40
36,56
41,62
37,65
27,06
28,82
32,53
25,01
19,00
31,60
45,64
39,26
30,70
45,28
51,11
44,44
38,78
51,51
65,60
56,24
46,50
57,60
74,04

Forecast
=0,7
50,00
50,00
39,50
29,35
36,81
42,54
37,26
25,18
28,55
33,07
23,92
17,68
33,30
48,49
39,05
29,21
47,26
52,68
43,80
37,64
53,29
68,49
55,55
44,66
58,90
77,17

Forecast
=0,8
50,00
50,00
38,00
27,60
37,52
43,50
36,70
23,34
28,67
33,73
22,75
16,55
35,31
51,06
38,21
27,64
49,53
53,91
42,78
36,56
55,31
71,06
54,21
42,84
60,57
80,11

Forecast
=0,9
50,00
50,00
36,50
26,15
38,62
44,36
35,94
21,59
29,16
34,42
21,44
15,64
37,56
53,26
36,83
26,18
52,12
54,71
41,47
35,65
57,56
73,26
52,33
41,23
62,62
82,76

Dari tabel diatas terlihat, jika actual calls pada minggu ke-25 adalah 85, maka akan
mempengaruhi peramalan pada minggu selanjutnya. Dari tabel terlihat bahwa nilai forecast
maksimum pada minggu ke-25 dan ke-26 terletak pada forecast dengan nilai smoothing
constant () terbesar yaitu pada =0,9.

5-31) Sumber utama pendapatan di Texas adalah pajak penjualan dari beberapa jenis barang
dan jasa. Data disusun dan pengawas keuangan negara menggunakan data untuk proyek
pendapatan masa depan untuk anggaran negara. Salah satu kategori barang diklasifikasikan
sebagai Retail Trade. 4 years of quarterly data (in $millions) untuk satu wilayah tertentu dari
Tenggara Texas adalah :
QUARTER
1
2
3
4

YEAR 1
218
247
243
292

YEAR 2
225
254
255
299

YEAR 3
234
265
264
327

YEAR 4
250
283
289
356

a)
b)
c)
d)

Hitung seasonal indices untuk setiap kuartal berdasarkan CMA


Deseasonalize the data dan kembangkan trend line pada deseasonalize data
Gunakan trend line untuk meramalkan penjualan dari setiap kuartal di tahun 5
Gunakan seasonal indices untuk menyesuaikan peramalan pada bagian (c) untuk
mendapatkan peramalan final.

Penyelesaian :
a)

Time Period
1
2
3

Year
1

4
5
6
7
8
9
10
11
12
13
14
15
16

Quarter
1
2
3

Sales ($1000000s)
218
247
243

CMA

Seasonal Ratio

250,875

0,969

292

252,625

1,156

225

255,000

0,882

2
3
4
1
2
3
4
1
2
3
4

254

257,375
259,375
261,875
264,375
269,000
274,500
278,750
284,125
290,875

0,987
0,983
1,142
0,885
0,985
0,962
1,173
0,880
0,973

255
299
234
265
264
327
250
283
289
356

Jadi nilai seasonal indicies untuk setiap kuartal berdasarkan CMA adalah :
Index for quarter 1
Index for quarter 2
Index for quarter 3
Index for quarter 4

I1
I2
I3
I4

0,882
0,982
0,971
1,157

b) Dari data sales dan time period selanjutnya dibuat grafik menggunakan tren line.

Dari grafik tren line diatas diperoleh sebuah persamaan linear y=3,520x+236,6 yang
selanjutnya digunakan untuk mencari deseasonalized data.
Year
1

Sales
($1000000s)
218
247
243
292
225
254
255
299
234

Seasonal
Index
0,88
0,98
0,97
1,16
0,88
0,98
0,97
1,16
0,88

Deseasonalized
($1000000s)
240,12
243,64
247,16
250,68
254,20
257,72
261,24
264,76
268,28

265
264

0,98
0,97

271,80
275,32

327

1,16
0,88
0,98
0,97
1,16
0,88
0,98
0,97
1,16

278,84
282,36
285,88
289,40
292,92
296,44
299,96
303,48
307,00

250
283
289
356
261,59
294,46
294,73
355,17

Dari seasonal index per kuartal dan deseasonalized data dapat diramalkan penjualan
setiap kuartal pada tahun ke lima, yang dapat dilihat pada tabel diatas. Maka pertanyakan
(c) dan (d) telah terjawab.
5-37) Berikut adalah tabel Dow Jones Industrial Average (DJIA) dari tahun 1991-2010 :
YEAR
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001

DJIA
10431
8772
13262
12460
10718
10784
10453
8342
10022
10791

YEAR 2
2000
1999
1998
1997
1996
1995
1994
1993
1992
1991

DJIA
11502
9231
7908
6448
5117
3834
3754
3301
3169
2634

Kembangkan trend line dan gunakan itu untuk memprediksi opening index value DJIA
untuk tahun 2011, 2012 dan 2013. Temukan MSE dari model ini.

Penyelesaian :

Dari grafik tren line diatas diperoleh sebuah persamaan linear y=499,7x-991550 yang
selanjutnya digunakan untuk memprediksi opening index value DJIA untuk tahun 2011,
2012 dan 2013. Nilai opening index value DJIA untuk tahun 2011, 2012 dan 2013
diperlihatkan pada tabel berikut :
YEAR
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013

DJIA
2634
3169
3301
3754
3834
5117
6448
7908
9213
11502
10791
10022
8342
10453
10784
10718
12460
13262
8772
10431
13346,7
13846,4
14346,1

Selanjutnya dihitung nilai MSE yang diperlihatkan pada tabel dibawah ini :
Year
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010

Actuual DJIA
Index Value
2634
3169
3301
3754
3834
5117
6448
7908
9213
11502
10791
10022
8342
10453
10784
10718
12460
13262
8772
10431

Forecast
DJIA
3353
3852
4352
4852
5352
5851
6351
6851
7350
7850
8350
8849
9349
9849
10349
10848
11348
11848
12347
12847

Absolute Value
Of Errors
719
683
1051
1098
1518
734
97
1057
1863
3652
2441
1173
1007
604
436
130
1112
1414
3575
2416
MSE

Error2

516530
467036
1104811
1205165
2302806
539050
9428
1118095
3469651
13337104
5959946
1374991
1014250
365058
189660
16952
1236766
2000527
12782770
5837056
2742383