I.

FORECASTING PERMINTAAN KERIPIK BIJI NANGKA PT

JACKFRUIT
A. Metode Forecasting dengan model moving average dengan rentang
waktu 3 bulan
Pada peramalan permintaan keripik biji nangka ini menggunakan aplikasi QM
for Windows dengan data yang ada adalah time series. Berikut langkah kerjanya:
1. Membuka aplikasi QM For Windows, klik Module dan centang forecasting.

2. Pilih file, kemudian new dan klik time series analysis

3. Pilih metode peramalan yang digunakan. Jika memilih model moving

average maka klik pada tulisan tersebut.

4. Input data permintaan yang sudah terjadi, lalu klik slove

5. Akan muncul data Januari 2016, kemudian pada data next period bisa
diisikan dengan data bulan selanjutnya dengan menambah kolom baru di
layar kerja. Mengulangi perintah yang sama sampai bulan April.

Januari 2016

Februari 2016

Maret 2016

April 2016

6. Setelah sampai akhir april di forecast maka akan muncul grafik berikut
yang menunjukkan realita dan forecasenya.

B.

Metode Weighted Moving Average 3 bulan (WMA3) dengan bobot

0,5;0,33;0,17 menggunakan bobot 3 untuk periode waktu terbaru
Selain model moving average, ada metode weighted moving averages yang

menggunakan bobot 0,5;0,33;0,17 dengan bobot tertinggi diletakkan pada waktu

terbaru. Cara yang dilakukan sama dengan metode moving average tetapi harus
mengisikan bobot pada kolom yang tersedia.

Mengisi periode yang ditentukan selama 3 bulan. Setelah terisi klik perintah
solve. Januari 2016

Februari 2016

Maret 2016

April 2016

Hasil grafik forecasting bulan Januari 2016-Apri 2016

C.

Metode Weighted Moving Average 3 bulan (WMA3) dengan bobot 3,2,

1 menggunakan bobot 3 untuk periode waktu terbaru
Selain model moving average, ada metode weighted moving averages yang

menggunakan bobot 3,2,1 dengan bobot tertinggi diletakkan pada waktu terbaru.
Cara yang dilakukan sama dengan metode metode weighted moving averages
tetapi harus mengisikan bobot pada kolom yang tersedia.

JANUARI 2016

Februari 2016

Maret 2016

April 2016

Hasil grafik forecasting bulan Januari 2016-Apri 2016 dengan metode weighted
moving average dengan bobot 3, 2, 1

D. Metode Exponential Smoothing = 0.3

Cara menggunakan metode ini sama dengan metode yang lain, hanya
mengganti menjadi exponential smooting dengan = 0.3 pada worksheet
Februari 2016

Maret 2016

April 2016

Hasil forecasting menggunakan metode exponential smooting

E. Metode Exponential Smoothing = 0.5

Cara menggunakan metode ini sama dengan metode yang lain, hanya
mengganti menjadi exponential smooting dengan = 50 pada worksheet
Exponential smoothing = 0.5 Forcasting 50

Februari 2016

Maret 2016

i
April 201

Hasil forecasting Januari-April 2016

F. Perbandingan Forecasting dengan Beberapa Metode

Metode
Moving Average
Weighted Moving

MAD
6,167
5,909

MSE
80,037
68,781

MAPE
12,38%
11,756%

5,917

68,824

11,77%

dengan bobot 3,2, 1

Exponential

9,488

119,57

20,107

Smoothing = 0.3
Exponential

8,4416

111,788

17,426%

Dengan Bobot
0,5;0,33;0,17
Weighted Moving
Average 3 bulan

Smoothing = 0.5
MAD (Mean Absolute Deviation)
MSE (Mean Squared Error)
MAPE (Mean Absolute Percent)
Dari hasil forecasting menggunakan lima metode di atas, hasil peramalan
yang paling valid dan akurat menggunakan metode Weighted Moving dengan
bobot 0,5;0,33;0,17. Hal ini dikarenakan angka yang ditunjukan oleh indicator
MAD, MSE, MAPE menunjukkan angka terkecil. Dan menurut Freddy Rangkuti
(2005:70) menyatakan keharusan untuk

membandingkan perhitungan yang

memiliki nilai MAD paling kecil, karena semkain kecil nilai MAD, berarti
semakin kecil pula perbedaan antara hasil forecasting dan nilai aktual.

Sumber:
Rangkuti, Freddy. 2005. Teknik mengukur dan Strategi Meningkatkan Kepuasan
Pelanggan. Jakarta. Gramedia Utama

FORECASTING SIRUP JAGUNG PT MAIZE WAY MELALUI

APLIKASI EVIEWS
A. Cara Kerja Forecasting melalui Eviews
1. Membuka layar kerja

2. Klik create a new Eviews workfile, lalu date specification diisi dengan
montly dan start date serta end date diisi sesuai data.

3. Klik object lalu new object

4. Pilih new object dengan type object adalah series dan mengisi name of
object dengan sales

5. Klik ikon sales

6. Mengisikan data yang tersedia dengan mengklik edit

7. Klik view, lalu unit root test

8. Jika nilai probability lebih dari 5%, maka di unit root test diganti first
different sampai nilai probability kurang dari 5%.

9. Setelah nilai probabilitu sesuai dengan harapan, maka klik workfile

structure. Lalu menambah end date sampai tahun dan bulan yang akan
diramalkan.

10. Lalu menetukan autocorrelation dan partial correlation dengan melihat

garis yang melewati tanda. Dan pada kasus ini masing-masing terdapat 1
garis.

D. Hasil Intepretasi dari Forecasting Eviews

Hasil peramalan dari data tersebut untuk bulan MAret 2016 sampai januari
2017 sebagai berikut:
Pada Bulan Maret 2016 Diaramalkan Jumlah Permintaan Sirup Jagung
Sebesar 1751 Unit,
Bulan April 2016 Sebesar 1763 Unit,
Bulan Mei 2016 Sebesar 1776 Unit,
Bulan Juni 2016 1789 Unit,
Bulan Juli 2016 Sebesar 1801 Unit,
Bulan Agustus 2016 Sebesar 1814 Unit,
Bulan September 2016 Sebesar 1827 Unit,
Bulan Oktober 2016 Sebesar 1839,
Bulan November 2016 Sebesar 1852 Unit,
Bulan Desember 2016 Sebesar 1865 Unit Dan;
Pada Bulan Januari 2017 Sebesar 1878 Unit.