Bulan
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
januari
target
produksi
25590
7999
15408
22817
30226
12635
20044
27453
9862
17271
24680
32089
14498
21907
29316
11725
19134
26543
8952
16361
23770
31179
13588
20997
28406
10815
18224
25633
8042
15451
22860
Adapun asumsi dasar dalam menggunakan model deret waktu ini adalah pola data ramalan
akan sama dengan pola data sebelumnya. Dalam modul ini akan dibahas empat model yang
termasuk kategori model deret waktu yaitu:
11. Model Konstan
22. Model Moving Average
33. Model AnalisisRegresi
44. Model Exponential Smoothing.
1. Model Konstan (Constant Forecasting)
Persamaan garis yang menggambarkan pola konstan adalah:
Y(t) = a
i 1
i 1
Y (t ) b t
n
Jadi, apabila pola data berbentuk konstan, maka peramalannya dengan menghitung
harga rata-rata dari data tersebut. Berikut perhitungan dengan model konstan.
Table 3.2 Forecasting Model Konstan
Periode
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
27
28
29
30
31
Deskripsi Perhitungan :
n = 36
i 1
Y (t ) 189104
Demand
25590
7999
15408
22817
30226
12635
20044
27453
9862
17271
24680
32089
14498
21907
29316
11725
19134
26543
8952
16361
23770
31179
13588
20997
28406
10815
18224
25633
8042
15451
22860
Peramalan
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
19790
i 1
Y (t )
613475
19789,2 19790
31
Jadi, untuk peramalan permintaan periode ke-37 dan seterusnya adalah 19790.
5
4
3
2
TS
UCL
LCL
-1
-2
-3
-4
-5
i 1
i 1
i 1
i 1
i 1
Y (t ) b t
n
i 1
n t 2
n tY (t ) Y (t ) t
t
i 1
Demand
Y(t)
25590
7999
15408
22817
30226
12635
20044
27453
9862
17271
24680
32089
14498
21907
29316
11725
19134
26543
8952
16361
23770
31179
13588
20997
28406
10815
18224
25633
8042
15451
22860
Y(t)*t
t^2
25590
15998
46224
91268
151130
75810
140308
219624
88758
172710
271480
385068
188474
306698
439740
187600
325278
477774
170088
327220
499170
685938
312524
503928
710150
281190
492048
717724
233218
463530
708660
1
4
9
16
25
36
49
64
81
100
121
144
169
196
225
256
289
324
361
400
441
484
529
576
625
676
729
784
841
900
961
Peramalan
d(t)'
32
33
34
35
36
11362
10941
10520
10100
9679
Deskripsi Perhitungan :
n
i 1
i 1
i 1
i 1
n t 2
n tY (t ) Y (t ) t
i 1
i 1
i 1
Y (t ) b t
n
613475 (40,6 x 496)
a
20439,06
31
Didapatkan nilai:
a = 20439,06 dan b = -40,6
Sehingga rumus regresi linear untuk peramalan 5 hari kedepannya adalah :
Y(t) = a + b (t)
Y= 20439,06 + (-40,6) t
5
4
3
2
1
TS
UCL
LCL
-1
-2
-3
-4
-5
CMAt
Yt Yt 1 Yt 2 .... Yt n1
n
Dema
nd
2559
0
7999
1540
8
2281
7
3022
6
1263
5
2004
4
2745
3
9862
1727
1
2468
0
3208
9
1449
8
2190
7
2931
6
1172
5
1913
4
2654
3
8952
1636
1
2377
0
3117
9
1358
8
2099
SMA
20408
17817
20226
22635
20044
17453
19862
22271
19680
22089
24498
21907
19316
21725
19134
16543
18952
21361
18770
25
26
27
28
29
30
31
32
33
34
35
36
7
2840
6
1081
5
1822
4
2563
3
8042
1545
1
2286
0
0
0
0
0
0
21179
23588
20997
18406
20815
18224
15633
18042
14397
9271
7662
4572
SMAt
Yt Yt 1 Yt 2 .... Yt n 1
n
Sehingga perhitungan untuk periode ke-6 dan seterusnya (dengan periode 5 bulanan) adalah
sebagai berikut :
Periode ke-6 :
SMA6
Periode ke-31 :
SMA31
Dema
nd
CMA
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
27
2559
0
7999
1540
8
2281
7
3022
6
1263
5
2004
4
2745
3
9862
1727
1
2468
0
3208
9
1449
8
2190
7
2931
6
1172
5
1913
4
2654
3
8952
1636
1
2377
0
3117
9
1358
8
2099
7
2840
6
1081
5
1822
4
20408
17817
20226
22635
20044
17453
19862
22271
19680
22089
24498
21907
19316
21725
19134
16543
18952
21361
18770
21179
23588
20997
18406
20815
18224
28
29
30
31
32
33
34
35
36
2563
3
8042
1545
1
2286
0
0
0
0
0
0
15633
18042
14397
,2
9270,
6
18042
18042
18042
18042
18042
CMAt
Yt (( L 1 / 2) ........Yt ........ Yt (( L 1) / 2
L
SMA3
SMA4
SMA31
Dan peramalan untuk periode ke-1 hingga ke-5 dihitung sebagai berikut :
SMA1 5
5
4
3
2
TS
UCL
LCL
-1
-2
-3
-4
-5
8
6
4
2
0
TS
UCL
LCL
-2
-4
-6
observasi terbaru seharusnya memiliki bobot yang lebih besar dibandingkan dengan
data observasi di masa yang lalu. Hal ini dipandang sebagai kelemahan model
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:
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:
Ft +1= Dt + ( 1 ) Ft
Dimana :
Ft +1 : Ramalan untuk periode berikutnya
Dt
Ft
: Factor bobot. Jika besar, smoothing yang dilakukan kecil dan sebaliknya
Model Eksponential Smoothing digunakan untuk peramalan jangka pendek. Berikut
perhitungannya dengan konstanta = 0.9 :
Table 3.11 Forecasting Model Exponential Smoothing
Perio
de
1
2
3
4
5
6
7
8
9
10
11
Bula
n
Dema
nd
2559
0
7999
1540
8
2281
7
3022
6
1263
5
2004
4
2745
3
9862
1727
1
2468
0
Peram
alan
25590
9758
14843
22020
29405
14312
19471
26655
11541
16698
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
Deskripsi Perhitungan :
3208
9
1449
8
2190
7
2931
6
1172
5
1913
4
2654
3
8952
1636
1
2377
0
3117
9
1358
8
2099
7
2840
6
1081
5
1822
4
2563
3
8042
1545
1
2286
0
0
0
0
0
0
23882
31268
16175
21334
28518
13404
18561
25745
10631
15788
22972
30358
15265
20424
27608
12494
17651
24835
9721
14878
22062
22062
22062
22062
22062
Ft +1= Dt + ( 1 ) Ft
Dengan = 0.9
Jadi perhitungan peramalannya adalah sebagai berikut :
F2
= 25590
F3
F4
F31
Dan peramalan untuk periode ke-32 hingga ke-36 dihitung sebagai berikut :
F32 dst = 0.9 x22860+ (1 0.9) 14878 = 22061,8 => 22062
5
4
3
2
1
0
TS
UCL
LCL
-1
-2
-3
-4
-5
MODEL
Nilai
MAD
Konsta
n
Regresi
Linier
SMA5
CMA5
Ekspon
ential
Smooth
ing