UNIVERSITAS INDONESIA

FORECASTING: SIMPLE MOVING AVERAGE

Diajukan Sebagai Salah Satu Tugas pada Mata Kuliah Manajemen Produksi

Disusun oleh:
Fatahillah Putra

1206260652

Rakha Muhammad Radhana

1306445430

Taufik Eko Hidayanto

1306445481

FAKULTAS TEKNIK
PROGRAM STUDI TEKNIK MESIN
DEPOK
2015

DAFTAR ISI
HALAMAN JUDUL............................................................................................................1
DAFTAR ISI........................................................................................................................2
BAB I: PENGAHULUAN...................................................................................................3
BAB II: PEMBAHASAN....................................................................................................4
BAB III: PERAMALAN SIMPLE MOVING AVERAGE..................................................8
BAB IV: KESIMPULAN.....................................................................................................14
REFERENSI.........................................................................................................................15

BAB I
PENDAHULUAN
1.1. Latar belakang
1.2. Maksud dan tujuan
Maksud dan tujuan dari penulisan tugas ini adalah agar pembaca dapat:
1. Mengerti 3 horison waktu dan model mana yang cocok untuk digunakan
2. Menjelaskan kapan menggunakan 4 model kualitatif
3. Menggunakan peramalan simple moving average
4. Menghitung 3 ukuran akurasi peramalan
5. Melakukan analisis regresi dan korelasi
6. Menggunakan tracking signal
1.3. Metode penulisan
Tugas ini kami tulis dengan rangkain bab yang terdiri dari pendahuluan
dimana kami menjelaskan maksud dan tujuan kami mengerjakan tugas ini,
pembahasan dimana kami menyampaikan landasar teori forecasting (peramalan),
peramalan moving average dimana kami sajikan rangkaian proses permalan moving
average beserta analisis kesalahan, kesimpulan dimana kami menyimpulkan
keseluruhan dari tugas ini
1.4. Perumusan masalah
Rumusan masalah yang kami gunakan adalah sebuah contoh soal forecasting
simple moving average yang kami dapatkan dari internet
1.5. Ruang Lingkup Masalah
Ruang lingkup masalah yang akan kami bahas adalah peramalan khusus dengan
metode simple moving average beserta analisis kesalahan dari hasil peramalan kami

BAB II
PEMBAHASAN
A. Pengertian Forecasting
Forecasting adalah seni dan ilmu pengetahuan mengenai prediksi kejadian
yang

akan

dating.

Forecasting

mencakupi

pengambilan

histori

data

dan

memproyeksikan ke masa depan dengan menggunakan beberapa model matematika

Forecasting, berdasarkan periode waktu yang dibahas, terbagi menjadi tiga
katergori, antara lain:
1. Short-range forecast (peramalan jangka pendek): peramalan ini memiliki perode
kurang dari 3 bulan. Digunakan untuk merencanakan pembelian, penjadwalan
kerja, pembagian tugas, dan penyesuaian tingkat produksi
2. Medium-range forecast (peramalan janga menengah): peramalan ini memiliki
periode 3 bulan hingga 3 tahun. Digunakan untuk merencanakan penjualan,
merencanakan produksi, dan analisis berbagai rencana operasi
3. Long-range forecast: peramalan ini memiliki periode lebih dari 3 tahun.
Digunakan untuk merencakan produk baru, perencanaan lokasi fasilitas, ekspansi
fasilitas, serta riset dan pengembangan
B. Pentingnya forecasting (peramalan)
Teknik forecasting berguna untuk berbagai bidang, antara lain:
1. Human resource: agar dapat melakukan penerimaan, training, dan pengurangan
tenaga kerja sesuai dengan permintaan yang telah diramalakan sebelumnya
2. Kapasitas: agar dapat melakukan prediksi kapasitas produksi yang sesuai dengan
permintaan yang telah diramalkan sebelumnya
3. Supply chain management: memastikan ketersediaan barang mentah yang
disupply oleh supplier agar saat barang mentah tersebut dibutuhkan harganya
tidak tinggi sehingga tidak mempengaruhi biaya produksi
C. Tujuh langkah forecasting (peramalan)
1. Menentukan kegunaan peramalan
2. Memilih item yang akan diramal
3. Menentukan periode waktu rama
4. Menentukan model peramalan
5. Mengumpulkan data yang dibutuhkan untuk membuat forecast
6. Membuat peramalan
7. Memastikan dan mengimplementasikan hasil
D. Pendekatan forecasting (peramalan)
Ada dua acam pendekatan yang dapat dilakukan untuk melakukan peramalan,
yaitu:

1. Peramalan kualitatif: peramalan dengan menggunakan intuisi, emosi, dan

pengalaman pribadi untuk menetukan kejadian yang akan dating. Peramalan
kualitatif antara lain:
a. Jury of executive opinion: pengumpulan opini ahli dalam sebuah kelompok
diskusi untuk meramalkan kejadian yang akan datang
b. Delphi method: diskusi panel antara decision maker, staff, dan respondent
yang masing-masing berasal dari berbagai bidang untuk meramalkan kejadian
yang akan data
c. Sales force composite: menggunakan salesperson sebagai subjek yang
meramalkan kejadian yang akan dating karena sales person memiliki
pengetahuan lebih atas apa yang diinginkan: customer
d. Consumer market survey: melakukan survey pasar dengan bertanya kepada
customer mengenai rencana pembelian sehingga dapat merumuskan sebuah
ramalan yang dapat digunakan untuk meramalkan kejadian yang akan datang
2. Peramalan kuantitatif: peramalan dengan menggunakan berbagai macam metode
matematika yang bergantung pada data sebelumnya atau variable yang
bersangkutan untuk menentukan kejadian yang akan datang. Peramalan kualitatif
dibagi menjadi 2 macam model
a. Time series model, terdiri dari:
i. Nave approach: cara termudah untuk melakukan peramalan, yaitu
dengan memprediksi bahwa yang terjadi di periode selanjutnya akan
sama dengan apa yang terjadi di periode sebelumnya
ii. Moving average: menggunakan rata-rata dari periode sebelumnya
untuk memprediksi periode yang akan datang
iii. Exponential smoothing: memprediksi kejadian yang akan dating
berdasarkan data actual periode sebelumnya dan data prediksi periode
sebelumnya dengan menggunakan factor smoothing
iv. Trend projection: memprediksi kejadian yang akan datang dengan
menggunakan persamaan garis trend yang dicari menggunakan metode
least square
b. Associative model, terdiri dari
i. Linear regression: memprediksi hasil berdasarkan variable prediksi
menggunakan metode least square
E. Mengukur kesalahan dalam forecasting (peramalan)
Akurasi dari mode forecast dapat ditentukan dengan cara membandingkan
hasil forecast dengan nilai aktual, secara matematis, forecast error didefinisikan
sebagai:

forecast error=actual demandforecast value= At F t

Tiga ukuran error yang paling banyak digunakan adalah sebagai berikut:
a. Mean absolute deviation
|actualforecast|
MAD=
n
b. Mean squared error
( forecast errors )2
MSE=
n
c. Mean absolute percent error
n
|actualiforecast i|
100
actual i
MAPE= i=1
n
F. Mengontrol forecast (peramalan)
Saat sebuah peramalan telah selesai dilakukan, perlu dilakukan pemeriksaan
sebagaimana baikkah forecast yang telah dilakukan dalam memprediksi nilai actual.
Salah satu caranya adalah menggunakan tracking signal. Tracking signal
adalah sebuah pengukuran tentang sebagaimana baikkah sebuah forecast dalam

memprediksi nilai actual. Tracking signal secara matematis didefinisikan sebagai:

cumulative error ( actual demand periodeiforecast demand perio
tracking signal=
=
MAD
MAD
Tracking signal positif mengindikasikan bahwa demand lebih besar daripada
forecast. Sedangkan tracking signal negative menunjukkan bahwa demand lebih kecil
daripada forecast
Tracking signal yang baik adalah tracking signal dengan error kumulatif yang
rendah sehingga error positif tidak jauh berbeda dengan error negative atau bernilai
seimbang
Forecast dikatakan baik dalam memprediksi nilai actual apabila nilai tracking
signalnya tidak lebih dari 4 MAD

BAB III
Peramalan Simple Moving Average
A. Contoh Permasalahan Simple Moving Average
Contoh permasalahan yang dapat diselesaikan dengan peramalan Simple Moving
Average adalah sebagai berikut
Pemimpin Safira Beach Resto ingin mengetahui omzet restoran pada Januari 2013. Ia
meminta sang manajer untuk mengestimasi nilai tersebut dengan data omzet bulanan dari
bulan Juni 2011 hingga bulan Desember 2012. Berbekal pengetahuan di bidang statistic,
sang manajer melakukan forecast dengan metode single moving average 3 bulanan
Berikut adalah data omzet restoran dari bulan Juni 2011 hingga bulan Desember
2012
bulan (t)
juni 2011
juli 2011
agustus 2011
september 2011
oktober 2011
november 2011
desember 2011
januari 2012
februari 2012
maret 2012
april 2012
mei 2012
juni 2012
juli 2012
agustus 2012
september 2012
oktober 2012
november 2012
desember 2012

omzet (Juta)
131
130
125
126
129
132
130
132
139
137
137
140
143
143
141
143
148
152
152

B. Proses Peramalan Simple Moving Average

Berikut adalah proses peramalan dengan menggunakan metode simple moving
average secara manual dengan menggunakan software Microsoft excel 2010 beserta
grafik yang dihasilkan
bulan (t)
juni 2011
juli 2011
agustus 2011

omzet (Juta)
131.00
130.00
125.00

forecast moving average (juta)

8
september 2011
oktober 2011
november 2011
desember 2011
januari 2012
februari 2012
maret 2012
april 2012
mei 2012
juni 2012
juli 2012
agustus 2012
september 2012
oktober 2012
november 2012
desember 2012
januari 2013

126.00
129.00
132.00
130.00
132.00
139.00
137.00
137.00
140.00
143.00
143.00
141.00
143.00
148.00
152.00
152.00

128.667
127.000
126.667
129.000
130.333
131.333
133.667
136.000
137.667
138.000
140.000
142.000
142.333
142.333
144.000
147.667
150.667

f(x) =
R = 0

Grafik Perbandingan Omzet Actual dan Omzet Forecast (manual)

155.00
150.00
f(x) = 0.05x - 1791.36
145.00
R = 0.97
140.00
135.00
Omzet (juta) 130.00
125.00
120.00
115.00
110.00
Nov-10 Apr-12 Aug-13

aktual
Linear (aktual)
forecast
Linear (forecast)

Bulan (t)

Selain secara manual, Microsoft excel juga menyediakan menu data analysis
moving average yang dapat deigunakan dengan cara berikut:
i.
Buat tabel data yang akan diramalkan
ii.
Pilih menu data
iii.
Pilih data analysis, sehingga muncul kotak pilihan data analysis
iv. pilih moving average, lalu tekan OK
v. masukan kolom data yang akan diramalkan pada isian input range
vi.
pilih dimana hasil peramalan diletakkan pada isian output range
vii.
pilih interval periode peramalan
viii.
pilih chart output hingga muncul tanda checklist
ix.
pilih OK

berikut adalah hasil proses permalan simple moving average dengan

menggunakan menu data analysis moving average yang sudah tersedia di Microsoft excel
beserta chart output yang dihasilkan
bulan (t)
Jun-11
Jul-11
Aug-11
Sep-11
Oct-11
Nov-11
Dec-11
Jan-12
Feb-12
Mar-12
Apr-12
May-12
Jun-12
Jul-12
Aug-12
Sep-12
Oct-12
Nov-12
Dec-12
Jan-13

omzet (Juta)
131.00
130.00
125.00
126.00
129.00
132.00
130.00
132.00
139.00
137.00
137.00
140.00
143.00
143.00
141.00
143.00
148.00
152.00
152.00

forecast moving average (juta)

128.67
127.00
126.67
129.00
130.33
131.33
133.67
136.00
137.67
138.00
140.00
142.00
142.33
142.33
144.00
147.67
150.67

Moving Average
160.00
140.00

f(x) = 0.17x - 6748.48

R = 0.43

120.00
Actual

100.00
Value

Linear (Actual)

80.00

Forecast

60.00

Linear (Forecast)

40.00
20.00
0.00
=
Nov-10 f(x)
Apr-12
R = 0
Data Point

Aug-13

10

C. Mengukur Kesalahan Hasil Ramalan

Untuk mengukur kesalahan hasil ramalan simple moving average yang kami
lakukan, kami memproses data kami menggunakan table sebagai berikut
bula
n (t)

omzet
(Juta)

forecast moving forecas

average (juta)
t error

Jun11
Jul11
Aug
-11
Sep11
Oct11
Nov
-11
Dec
-11
Jan12
Feb12
Mar12
Apr12
May
-12
Jun12
Jul12
Aug
-12
Sep12
Oct12
Nov
-12
Dec
-12

131.0
0
130.0
0
125.0
0
126.0
0
129.0
0
132.0
0
130.0
0
132.0
0
139.0
0
137.0
0
137.0
0
140.0
0
143.0
0
143.0
0
141.0
0
143.0
0
148.0
0
152.0
0
152.0
0
jumlah

absolute
forecast
error

(forecast
error)^2

absolute
percent
error

128.67

-2.67

2.67

7.11

2.12%

127.00

2.00

2.00

4.00

1.55%

126.67

5.33

5.33

28.44

4.04%

129.00

1.00

1.00

1.00

0.77%

130.33

1.67

1.67

2.78

1.26%

131.33

7.67

7.67

58.78

5.52%

133.67

3.33

3.33

11.11

2.43%

136.00

1.00

1.00

1.00

0.73%

137.67

2.33

2.33

5.44

1.67%

138.00

5.00

5.00

25.00

3.50%

140.00

3.00

3.00

9.00

2.10%

142.00

-1.00

1.00

1.00

0.71%

142.33

0.67

0.67

0.44

0.47%

142.33

5.67

5.67

32.11

3.83%

144.00

8.00

8.00

64.00

5.26%

147.67

4.33

4.33

18.78

2.85%

47.33

54.67

270.00

38.80%

Tiga ukuran error:

a. Mean absolute deviation

11

MAD=

|actualforecast|= 54.67 =3.42

n

16

b. Mean squared error

( forecast errors )2 270

MSE=
=
=16.88
n

16

c. Mean absolute percent error

n
|actualiforecast i|
100
actua li
38.8
MAPE= i=1
=
=2.42
n
16
Untuk memastikan bahwa hasil forecasting yang kami lakukan cukup baik digunakan
untuk memprediksikan nilai actual, maka kami menggunakan tracking signal. Berikut adalah
proses mencari nilai tracking signal

bul
an
(t)
Jun11
Jul11
Au
g11
Sep
-11
Oct
-11
Nov
-11
Dec
-11
Jan12
Feb
-12
Mar
-12
Apr
-12
Ma
y12

omz
et
(Jut
a)

forecas
t
moving
averag
e (juta)

fore
cast
erro
r

cumm
ulativ
e
error

absolut
e
forecas
t error

cummul
ative
absoslu
te
forecast
error

MAD

tracking
signal
(cummulati
ve
error/MAD)

128.67

2.67

-2.67

2.67

2.67

2.67

-1.00

127.00

2.00

-0.67

2.00

4.67

2.33

-0.29

126.67

5.33

4.67

5.33

10.00

3.33

1.40

129.00

1.00

5.67

1.00

11.00

2.75

2.06

130.33

1.67

7.33

1.67

12.67

2.53

2.89

131.33

7.67

15.00

7.67

20.33

3.39

4.43

133.67

3.33

18.33

3.33

23.67

3.38

5.42

136.00

1.00

19.33

1.00

24.67

3.08

6.27

137.67

2.33

21.67

2.33

27.00

3.00

7.22

131
.00
130
.00
125
.00
126
.00
129
.00
132
.00
130
.00
132
.00
139
.00
137
.00
137
.00
140
.00

12
Jun12
Jul12
Au
g12
Sep
-12
Oct
-12
Nov
-12
Dec
-12

143
.00
143
.00
141
.00
143
.00
148
.00
152
.00
152
.00

138.00

5.00

26.67

5.00

32.00

3.20

8.33

140.00

3.00

29.67

3.00

35.00

3.18

9.32

142.00

1.00

28.67

1.00

36.00

3.00

9.56

142.33

0.67

29.33

0.67

36.67

2.82

10.40

142.33

5.67

35.00

5.67

42.33

3.02

11.57

144.00

8.00

43.00

8.00

50.33

3.36

12.81

147.67

4.33

47.33

4.33

54.67

3.42

13.85

Dari tabel di atas terlihat bahwa tracking signal berada pada interval -1.00 hingga
13.85. Interval tracking signal hasil forecast kami melebihi batas wajar tracking signal yaitu
4. Sehingga dapat disimpulkan hasil forecast simple moving average kami tidak cukup baik
untuk memprediksi nilai actual omzet

13

BAB IV
KESIMPULAN
Setelah melakukan peramalan menggunakan metode moving average, didapatkan
prediksi omzet untuk januari 2015 mencapai nilai Rp 150.667.000,-. Namun, peramalan
moving average 3 bulanan ternyata bukanlah metode yang baik untuk melakukan prediksi
omzet yang akan mendatang. Hal ini terlihat dari nilai ukur kesalahan peramalan untuk
masing-masing MAD, MSE, dan MAPE sebesar 3,42; 16,66; dan 2,42% yang terlalu besar
dan tracking signal sebesar -1,00 hingga 13,85 yang melewati bahas kewajaran yaitu 4.
Karena telah terbukti bahwa metode simple moving average 3 bulanan bukanlah
metode yang baik untuk melakukan peramalan untuk memprediksi nilai omzet yang akan
mendatang, maka sebaiknya dilakukan peramalan dengan metode yang lainnya seperti
exponential smooting, trend projection, linear regression, atau bahkan simple moving average
dengan periode waktu 2 bulanan yang dapat memperkecil nilai error dan menghasilkan
prediksi nilai yang akan datang dengan lebih baik.

14

REFERENSI
Heizer, Jay, Barry Render. 2011. Operation Management Global Edition Tenth Edition. New
Jersey: Prentice Hall
Chase, Richard B., F. Robert Jacobs, Nicholas J. Aquilano. 2006 Operation Management for
Competitive Advantage eleventh edition. New York: McGraw-Hill Irwin