1.

Peramalan produksi premium bulan januari

Pengambilan data dibatasi pada salah satu produk yaitu premium. Data yang
dikumpulkan sebagai berikut :

Tabel 1. data target produksi premium

Tangg
al
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

4.3 Model Time Series Analysis

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

Nilai a dapat dihitung dengan rumus:

Dimana:
a : Nilaikonstan
n : Jumlah periode peramalan
Y(t) : Data ke-t

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

Gambar 3.1 Grafik Tracking SignalModel Konstan

2. Model Regresi Linear

Persamaan garis yang mendekati bentuk data linier adalah :
Y(t) = a + b (t)
Konstana a dan b ditentukan dari data mentah berdasarkan Kriteria Kuadrat Terkecil
(least square criterion). Dimana a dan b dapat dihitung dengan rumus berikut :
n

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

Tabel 3.4 Perhitungan Model Regresi Linear

Periode
(t)
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

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

Tabel 3.5 Forecasting Model Regresi Linear

Periode
(t)

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

(31x9714920) (613475 x 496)

40,6
(31x10416) (496) 2
n

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

Gambar 3.2 Grafik Tracking SignalRegresi Linier

3. Model Moving Average Forecasting
Metode rata-rata bergerak 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. Model rata-rata bergerak mengestimasi permintaan periode berikutnya sebagai
rata-rata data permintaan aktual dari n periode terakhir. Terdapat dua macam model
rata-rata bergerak, yaitu:
Simple Moving Average
Simple Moving Average menggunakan data yang sedang diobservasi tambah
data sebelum observasi. Rumusnya adalah sebagai berikut :

CMAt

Yt Yt 1 Yt 2 .... Yt n1
n

Centered Moving Average

Centered Moving Average merupakan rataan antara data sekarang dengan
menggunakan data sebelumnya dan sesudahnya.

a. Perhitungan Simple Moving Average dengan 5 Periode

Berikut akan disajikan data perhitungan dengan menggunakan metodeSimple Moving

Average dengan 5 Periode sealama 31 periode.
Table 3.7 Forecasting Simple Moving Average dengan 5 Periode
Perio
de
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

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

Deskripsi Perhitungan Simple Moving Average :

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

25590 7999 15408 22817 30226

20408
5

Periode ke-31 :

SMA31

10815 18224 25633 8042 15451

15633
5

Table 3.8 Centered moving Average dengan 5 Periode

Perio
de

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

Deskripsi Perhitungan Centered Moving Average5 periode :

CMAt

Yt (( L 1 / 2) ........Yt ........ Yt (( L 1) / 2
L

Untuk periode ke-3 :

SMA3

25590 7999 15408 22817 30226

20408
5

Untuk periode ke-4 :

SMA4

7999 15408 22817 30226 12635

17817
5

Untuk periode ke-31 :

SMA31

10815 18224 25633 8042 15451

15633
5

Dan peramalan untuk periode ke-1 hingga ke-5 dihitung sebagai berikut :

SMA1 5

18224 25633 8042 15451 22860

18042
5

5
4
3
2

TS

UCL

LCL

-1
-2
-3
-4
-5

Gambar 3.3 Grafik Tracking Signal Simple Moving Average

8
6
4
2
0

TS
UCL
LCL

-2
-4
-6

Gambar 3.3 Grafik Tracking Signal Center Moving Average

4. Model Eksponensial Smoothing Forecasting

Dalam model rata-rata bergerak (Moving Average) dapat dilihat bahwa untuk semua
data obesrvasi 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 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

: Demand actual pada periode t

: Peramalan yang ditentukan sebelumnya untuk periode t

: 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

= 0.9 x 7999 + (1 0.9) 25590 = 9758

F4

= 0.9 x 22817+ (1 0.9)9758= 21511,1

F31

= 0.9 x22860+ (1 0.9) 9721= 21546,1

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

Gambar 3.4 Grafik Tracking Signal Eksponential Smoothing

 Perbandingan Model Perhitungan

1. Metode Konstan
Nilai MAD yang didapat ketika data diolah menggunakan metode Konstan adalah
sebesar 45544,59 dengan nilai tracking signal tidak ada yang melewati garis batas
control UCL dan LCL.
2. Metode Regresi Linear
Nilai MAD yang didapat ketika data diolah menggunakan metode Regresi Linear
adalah sebesar 5448640,57 dengan nilai tracking signal tidak ada yang melewati garis
batas control UCl dan LCL.
3. Metode Moving Average
Simple Moving Average
Nilai MAD yang didapat ketika data diolah menggunakan metode Simple
Moving Average adalah sebesar 84193,06 dengan nilai tracking signal tidak
ada yang melewati garis batas control UCl dan LCL.

Center Moving Average

Nilai MAD yang didapat ketika data diolah menggunakan metode Center
Moving Average adalah sebesar 6957,40 dengan nilai tracking signal tidak ada
yang melewati garis batas control UCL dan LCL.

4. Metode Eksponential Smoothing

Nilai MAD yang didapat ketika data diolah menggunakan metode Eksponential
Smoothing adalah sebesar 16817,34 dengan nilai tracking signal tidak ada yang
melewati garis batas control UCL dan LCL.
Dari keempat metode tersebut, dapat dilihat bahwa metode Konstan adalah metode yang
paling baik untuk meramalkan data permintaan diatas karena menghasilkan nilai MAD yang
paling kecil mendekati nol yaitu sebesar 710,50 dan dengan nilai tracking signal tidak ada
yang melewati garis batas control UCL dan LCL

Tabel 3.13 Perbandingan Nilai MAD

MODEL
Nilai
MAD

Konsta
n

Regresi
Linier

SMA5

CMA5

Ekspon
ential
Smooth
ing

4554 544864 8419 6957 1681

4,59
0,57
3,06
,40
7,34