LAPORAN ASISTENSI

PRATIKUM PERENCANAAN DAN PENGENDALIAN

PRODUKSI
MODUL I
PERAMALAN (FORECASTING)
Nama Instruktur

Tiaradia Ihsan, S.T.

Nama Asisten

Lena Yulina

Oleh:
Nama

NPM

Raden Farras W.

0514104009

Siti Nurjanah

0513104022

Zuleha Nur Alifah

0514104032

LABORATORIUM STATISTIKA INDUSTRI

PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS WIDYATAMA
SK Ketua Badan Akreditasi Nasional PerguruanTinggi (BAN-PT)
Nomor: 112/SK/BAN-PT/Akred/S/III/2015
BANDUNG
2016

BAB I
PENDAHULUAN
1.1 LATAR BELAKANG
Untuk menyelesaikan masalah di masa datang yang tidak dapat dipastikan,
orang senantiasa berupaya menyelesaikannya dengan model pendekatanpendekatan yang sesuai dengan perilaku aktual data, begitu juga dalam melakukan
peramalan.
Peramalan (forecasting) permintaan akan produk dan jasa di waktu
mendatang dan bagian-bagiannya adalah sangat penting dalam perencanaan
dan pengawasan produksi. Suatu peramalan banyak mempunyai arti, maka
peramalan tersebut perlu direncanakan dan dijadwalkan sehingga akan
diperlukan suatu periode waktu paling sedikit dalam periode waktu yang
dibutuhkan untuk membuat suatu kebijaksanaan dan menetapkan beberapa hal
yang mempengaruhi kebijaksanaan tersebut.
Peramalan diperlukan disamping untuk memperkirakan apa yang akan
terjadi dimasa yang akan datang juga para pengambil keputusan perlu untuk
membuat planning.
1.2 TUJUAN PRAKTIKUM
Dari praktikum modul peramalan (forecasting) ini, mahasiswa diharapkan:
1.

Memahami konsep rencana produksi dan permintaan pasar terhadap produk

yang diuji.

2.

Memahami dan mampu mengimplementasikan konsep-konsep perencanaan

produksi.

BAB II
LANDASAN TEORI
2.1 PENGERTIAN PERAMALAN
Peramalan adalah suatu perkiraan tingkat permintaan yang diharapkan
untuk suatu produk atau beberapa produk dalam periode waktu tertentu di masa
yang akan datang. Oleh karena itu, peramalan pada dasarnya merupakan suatu
taksiran, tetapi dengan menggunakan cara-cara tertentu peramalan dapat lebih
daripada hanya satu taksiran. Dapat dikatakan bahwa peramalan adalah suatu
taksiran yang ilmiah meskipun akan terdapat sedikit kesalahan yang
disebabkan oleh adanya keterbatasan kemampuan manusia.
Sebelum menjabarkan tentang metode peramalan ini, maka terlebih dahulu
diuraikan tentang definisi dari peramalan itu sendiri.
Menurut John E. Biegel:
Peramalan adalah kegiatan memperkirakan tingkat permintaan produk
yang diharapkan untuk suatu produk atau beberapa produk dalam periode
waktu tertentu di masa yang akan datang. (John E. Biegel, 1999)
Dalam peramalan (forecasting) tidak jarang terjadi kesalahan misalnya
saja penjualan sering tidak sama dengan nilai eksak yang diperkirakan. Sedikit
variasi dari perkiraan sering dapat diserap oleh kapasitas tambahan, sediaan
penjadwalan permintaan. Tetapi, variasi perkiraan yang besar dapat merusak
operasi. Ada tiga cara untuk mengakomodasi perkiraan, yaitu: yang pertama
adalah mencoba mengurangi kesalahan melakukan pemerakiraan yang lebih
baik. Yang kedua adalah, membuat fleksibilitas pada operasi dan yang terakhir
adalah mengurangi waktu tunggu yang dibutuhkan dalam prakiraan. Tetapi
kemungkinan kesalahan terkecil adalah tujuan yang konsisten dengan biaya
prakiraan yang masuk akal.
Menurut Buffa:
Peramalan atau forecasting diartikan sebagai penggunaan teknik-teknik
statistik dalam bentuk gambaran masa depan berdasarkan pengolahan angkaangka historis. (Buffa S. Elwood, 1996)
Menurut Makridakis:

Peramalan merupakan bagian integral dari kegiatan pengambilan

keputusan manajemen. (Makridakis, 1988)
Organisasi selalu menentukan sasaran dan tujuan, berusaha menduga
faktor-faktor lingkungan, lalu memilih tindakan yang diharapkan akan
menghasilkan pencapaian sasaran dan tujuan tersebut. Kebutuhan akan
peramalan meningkat sejalan dengan usaha manajemen untuk mengurangi
ketergantungannya pada hal- hal yang belum pasti. Peramalan menjadi lebih
ilmiah sifatnya dalam menghadapi lingkungan manajemen. Karena setiap
organisasi berkaitan satu sama lain, baik buruknya ramalan dapat
mempengaruhi seluruh bagian organisasi. (Makridakis, 1988).
2.2 PERANAN DAN KEGUNAAN PERAMALAN
Beberapa bagian organisasi dimana peramalan kini memainkan peranan
yang penting antara lain: (Makridakis, 1988)
a. Penjadwalan sumber daya yang tersedia
penggunaan sumber daya yang efisien memelukan penjadwalan produksi,
tranportasi, kas, personalia dan sebagainya.
b. Penyediaan sumber daya tambahan
Waktu tenggang (lead time) untuk memperoleh bahan baku, menerima
pekerja baru, atau membeli mesin dan peralatan dapat berkisar antara
beberapa hari sampai beberapa tahun. Peramalan diperlukan untuk
menentukan kebutuhan sumber daya di masa mendatang.
c. Penentuan sumber daya yang diinginkan
Setiap organisasi harus menentukan sumber daya yang ingin dimiliki
dalam jangka panjang. Keputusan semacam itu bergantung pada
kesempatan pasar, faktor-faktor lingkungan dan pengembangan internal
dari sumber daya finansial, manusia, produk dan teknologis. Semua
penentuan ini memerlukan ramalan yang baik dan manajer dapat
menafsirkan perkiraan serta membuat keputusan yang tepat.

2.3 JENIS-JENIS PLOT DATA

Langkah penting dalam memilih suatu metode deret berkala (time series)
yang tepat adalah dengan mempertimbangkan jenis pola data, sehingga metode
yang paling tepat dengan pola tersebut dapat diuji.
Pola data dapat dibedakan menjadi empat jenis, yaitu: (Makridakis, 1988)
1. Pola Horizontal (H) atau Horizontal Data Pattern
Pola data ini terjadi bilamana data berfluktuasi di sekitar nilai rata-rata.
Suatu produk yang penjualannya tidak meningkat atau menurun selama
waktu tertentu termasuk jenis ini. Bentuk pola horizontal ditunjukan seperti
gambar 2.1.

2. Pola Trend (T) atau Trend Data Pattern

Pola data ini terjadi bilamana terdapat kenaikan atau penurunan sekuler
jangka panjang dalam data. Contohnya penjualan perusahaan, produk bruto
nasional (GNP) dan berbagai indikator bisnis atau ekonomi lainnya, selama
perubahan sepanjang waktu. Bentuk pola trend ditunjukan seperti gambar
2.2.

3. Pola Musiman (S) atau Seasional Data Pattern

Pola data ini terjadi bilamana suatu deret dipengaruhi oleh faktor musiman
(misalnya kuartal tahun tertentu, bulan atau hari-hari pada minggu tertentu).
Penjualan dari produk seperti minuman ringan, es krim dan bahan bakar
pemanas ruang semuanya menunjukan jenis pola ini. Bentuk pola trend
ditunjukan seperti gambar 2.3.

4. Pola Siklis (S) atau Cyclied Data Pattern

Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contohnya
penjualan produk seperti mobil, baja. Bentuk pola siklis ditunjukan seperti
gambar 2.4.

4. Pola Siklis (S) atau Cyclied Data Pattern

Pola data ini terjadi bilamana datanya dipengaruhi oleh fluktuasi ekonomi
jangka panjang seperti yang berhubungan dengan siklus bisnis. Contohnya
penjualan produk seperti mobil, baja. Bentuk pola siklis ditunjukan seperti
gambar 2.4.

2.4 TEKNIK PERAMALAN

2.4. Pola
Data
Siklis
Teknik peramalanGambar
secara garis
besar
dapat
dikelompokkan menjadi 2 yaitu:
2.1.6

A. Metode
Time Series (Deret Waktu)
Teknik
Peramalan

Teknik peramalan
dapat
dikelompokkan
2 yaitu: menjadi:
Secarasecara
garis garis
besarbesar
metode
time
series dapat menjadi
dikelompokkan
A. Metode Time Series (Deret Waktu)

1. Metode Averaging

Secara garis besar metode time series dapat dikelompokkan menjadi:

1. Metode Averaging
Dipakai untuk kondisi dimana setiap data pada waktu yang berbeda
Dipakai untuk kondisi
dimana
setiapyang
data pada
yang fluktasi
berbeda mempunyai
mempunyai
bobot
samawaktu
sehingga
random data dapat
bobot yang sama sehingga fluktasi random data dapat direndam dengan rata-

direndam dengan rata- ratanya, biasanya dipakai untuk peramalan

ratanya, biasanya dipakai untuk peramalan jangka pendek.

jangka pendek. Adapun metode-metode yang termasuk didalamnya,

antara lain:

Adapun metode-metode yang termasuk didalamnya, antara lain:

a. Simple Average
a. Simple Average
Rumus yang digunakan:

Rumus yang digunakan:

T (n 1)

FT

X
i n

Xi
T

(Rumus 2.1.)

dimana:

X = F = Hasil ramalan
T = Periode
Xi = Demand pada periode t

b. Single Moving Average

b. Single Moving Average

Apabila diperoleh data yang stasioner, metode ini cukup baik untuk
meramalkan keadaan.
Rumus yang digunakan:
FT

X1

X2

........ X n
T

(Rumus 2.2.)

Apabila diperoleh data yang stasioner, metode ini cukup baik

untuk meramalkan keadaan. Rumus yang digunakan:

c. Double Moving Average

Jika data tidak stasioner serta mengandung pola trend, maka
dilakukan moving average terhadap hasil single moving average.
Rumus yang digunakan:

2. Metode Smoothing (Pemulusan)

Dipakai pada kondisi dimana bobot data pada periode yang satu
berbeda dengan data pada periode sebelumnya dan membentuk fungsi
Exponential yang biasa disebut Exponential smoothing.
Adapun metode-metode yang termasuk didalamnya, antara lain:

a. Single Exponential Smoothing

Metode ini banyak mengurangi masalah penyimpangan
data karena tidak perlu lagi menyimpan data historis. Pengaruh
besar kecilnya a berlawanan arah dengan pengaruh memasukan
jumlah pengamatan. Metode ini selalu mengikuti setiap trend
dalam data sebenarnya karena yang dapat dilakukannya tidak
lebih dari mengatur ramalan mendatang dengan suatu persentase
dari kesalahan terakhir. Untuk menentukan a mendekati optimal
memerlukan beberapa kali percobaan. Rumus yang digunakan:

b. Double Exponential Smoothing satu parameter dari Browns

Dasar pemikiran dari pemulusan eksponensial linier dari
Browns adalah serupa dengan rata-rata bergerak linier, karena
kedua nilai pemulusan tunggal dan ganda ketinggalan dari data
yang sebenarnya bilamana terdapat unsur trend. Persamaan yang
dipakai dari metode ini adalah sebagai berikut:

c. Double Exponential Smoothing Dua Parameter dari Holt

Metode pemulusan eksponensial linier dari Holt pada
prinsipnya serupa dengan Browns kecuali bahwa Holt tidak
menggunakan rumus pemulusan berganda secara langsung.
Sebagai gantinya, Holt memutuskan nilai trend dengan parameter
yang berbeda dari dua parameter yang digunakan pada deret yang
asli.
Ramalan dari pemulusan eksponensial linier Holt didapat
dengan menggunakan dua konstanta pemulusan dan tiga
persamaan, yaitu:

Ft+m = St + btm

(Rumus 2.15.)

d. Regresi Linier

Regresi linier digunakan untuk peramalan apabila set data yang ada lini

artinya hubungan antara variabel waktu dan permintaan berbentuk ga

(linier). Metode regresi linier didasarkan atas perhitungan least square erro

yaitu dengan memperhitungkan jarak terkecil kesuatu titik pada data unt

ditarik garis. Adapun untuk persamaan peramalan regresi linier dipakai ti

konstanta, yaitu a, b dan Y. Dengan masing-masing formulasinya adal

d. Regresi Linier

Ft+m = St + btm

(Rumus 2.15.)

Regresi linier digunakan untuk peramalan apabila set data

d. Regresi Linier

yang ada linier, artinya hubungan antara variabel waktu dan

Regresi linier digunakan untukpermintaan

peramalan apabila
set data
yang(linier).
ada linier,
berbentuk
garis
Metode regresi linier
artinya hubungan antara variabel waktu dan permintaan berbentuk garis

didasarkan atas perhitungan least square error, yaitu dengan

(linier). Metode regresi linier didasarkan atas perhitungan least square error,

memperhitungkan jarak terkecil kesuatu titik pada data untuk

yaitu dengan memperhitungkan jarak terkecil kesuatu titik pada data untuk

ditarik garis. Adapun untuk persamaan peramalan regresi linier

ditarik garis. Adapun untuk persamaan peramalan regresi linier dipakai tiga

dipakai tiga konstanta, yaitu a, b dan Y. Dengan masing-masing

konstanta, yaitu a, b dan Y. Dengan masing-masing formulasinya adalah

formulasinya adalah sebagai berikut:

sebagai berikut:

b=

a=

X i Yi
n

Xi

Yi
n

Xi
2

Xi

Yi

(Rumus 2.16.)

Xi

(Rumus 2.17.)

y = a + b(t)

(Rumus 2.18.)

Dimana:
y

= Variabel yang diprediksi

a,b = Parameter peramalan

t

= Variabel independen

2.1.7 Ukuran Statistik Standar

2.5 UKURAN UJI STANDAR

Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan (atau

Jika Xi merupakan data aktual untuk periode i dan Fi merupakan ramalan (atau

nilai kecocokan/fitted value) untuk periode yang sama, maka kesalahan

didefinisikan sebagai:

nilai kecocokan atau fitted value) untuk periode yang sama, maka kesalahan
didefinisikan sebagai:
ei = Xi-Fi

(Rumus 2.19.)

Dimana:
Ei : kesalahan pada periode ke i
Xi : data aktual periode ke i
Fi : nilai peramalan periode ke i
Dimana:
Dimana:
Jika terdapat
nilai pengamatan dan ramalan untuk n periode waktu, maka akan
Ei : kesalahan pada periode
ke i
Ei : kesalahan pada Jika
periode
ke i nilai pengamatan dan ramalan untuk n periode waktu, maka akan
terdapat
Xi : data aktual periodeterdapat
ke i n buah kesalahan. Ada 2 macam ukuran kesalahan yaitu ukuran statistik
Xi : data aktual periode
ke i n buah kesalahan. Ada 2 macam ukuran kesalahan yaitu ukuran
terdapat
dan
relatif. Dalam menentukan ukuran kesalahan secara statistik ada 4
Fi : nilai peramalan periodeUkuran
ke i
Fi : nilai peramalan periode ke i
statistik
dan Ukuran relatif. Dalam menentukan ukuran kesalahan secara
cara, yaitu:
Jika terdapat nilai pengamatan
dan ramalan untuk n periode waktu, maka akan
Jika terdapat nilai pengamatan dan ramalan untuk n periode waktu, maka akan
statistik
ada
4 cara,
yaitu:
a. Mean
(ME)
terdapat n buah kesalahan.
Ada
2Error
macam
ukuran kesalahan yaitu ukuran statistik
terdapat n buah kesalahan. Ada 2 macam ukuran kesalahan yaitu ukuran statistik
n
dan Ukuran relatif. Dalam
menentukan
ukuran kesalahan
secara statistik ada 4
a.
Mean
Error
(ME)
et
dan Ukuran relatif. Dalam menentukan ukuran kesalahan
secara statistik ada 4
cara, yaitu:
ME t 1
(Rumus 2.20.)
cara, yaitu:
n
a. Mean Error (ME)
a. Mean Error (ME)
n

b. Meann eAbsolute
Deviation (MAD)
et t
t 1
ME
(Rumus 2.20.)
n
ME tn1
(Rumus 2.20.)
et
b. Mean Absolute
Deviation
(MAD)
n
t 1
MAD
n
b. Mean Absolute Deviation (MAD)
b. Mean Absolute Deviation (MAD)

(Rumus 2.21.)

n
et
c. Mean Squared
Error (MSE)
t 1 et
(Rumus
2.21.)
MAD
t 1
MSE memperkuat
pengaruh
angka-angka kesalahan besar, tetapi memperkecil
(Rumus 2.21.)
MAD
n
n
angka
kesalahan
peramalan
c. Mean
Squared
Error
(MSE) yang lebih kecil dari satu unit. Adapun rumus

yang digunakan yaitu sebagai berikut:

c. Mean Squared Error (MSE)
c. Mean Squared ErrorMSE
(MSE)memperkuat pengaruh
angka-angka kesalahan besar, tetapi
n
2
MSE memperkuat pengaruh angka-angka kesalahan et
besar,
tetapi memperkecil
MSE memperkuat pengaruh
angka-angka
besar,
tetapi memperkecil
memperkecil
angka kesalahan
kesalahan
peramalan
yang lebih kecil dari satu unit.
t 1
MSE dari
(Rumus rumus
2.22.)
angka kesalahan peramalan yang lebih kecil
satu unit. Adapun
angka kesalahan peramalan
yang lebih
dari
unit.
Adapun
rumus
n satu
Adapun rumus
yang kecil
diguna
kan
yaitu
sebagai
berikut:
yang digunakan yaitu sebagai berikut:
yang digunakan yaitu sebagai berikut:
n

n et 2
d. Standard
Deviation
Error (SDE)
2
t 1 et
MSE
(Rumus 2.22.)
n
MSE t n1
(Rumus 2.22.)
et 2
n
t 1
SDE
n 1
d. Standard Deviation
(SDE)
d. Error
Standard
Dev iation Error (SDE)
d. Standard Deviation Error (SDE)
n

et 2 2
t 1 et
nt 1 1
n 1
n

SDE
SDE

(Rumus 2.23.)
(Rumus 2.23.)

(Rumus 2.23.)

Sedangkan dalam menentukan kesalahan secara relatif ada 3 macam cara,

yaitu:
a. Percentage Error (PE)

b. Mean Percentage Error (MPE)

c. Mean Absolute Percentage Error (MAPE)

BAB IV
PENGUMPULAN DATA DAN PENGOLAHAN DATA
4.1 PENGUMPULAN DATA
Pada praktikum peramalan (forecasting) ini dikumpulkan data sebagai
berikut:
Tabel 4. 1 Tabel Priode dan Data
Periode
Data
Periode
1
1280
13
2
1716
14
3
1336
15
4
1560
16
5
1364
17
6
1504
18
7
1448
19
8
1616
20
9
1392
21
10
1476
22
11
1392
23
12
1588
24

Data
1392
1476
1308
1476
1392
1448
1364
1448
1504
1476
1504
1420

Periode
25
26
27
28
29
30
31
32
33
34
35
36

Data
1756
1252
1756
1056
1672
1056
1728
1000
1672
1000
1840
1056

(Sumber: pengumpulan data)

4.2 PENGOLAHAN DATA

Data yang telah dikumpulkan kemudian diolah dengan beberapa metode
untuk meramalkan 12 periode kedepan, sebagai berikut:

Data Permintaan selama 36 Periode

2000

Demand

1500
1000
500
0
1

9 11 13 15 17 19 21 23 25 27 29 31 33 35
Periode

Gambar 4. 1 Diagram Garis Pola Permintaan 36 Periode

(Sumber: pengolahan data)

Data Permintaan selama 36 Periode

2000

Demand

1500
1000
500
0
0

10

15

20

25

30

35

Periode

Gambar 4. 2 Diagram Scatter Pola Permintaan 36 Periode

(Sumber: pengolahan data)

40

4.2.1

Double Moving Average (DMA)

Tabel 4. 2 Tabel Double Moving Average (DMA)

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
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

Demand
1280
1716
1336
1560
1364
1504
1448
1616
1392
1476
1392
1588
1392
1476
1308
1476
1392
1448
1364
1448
1504
1476
1504
1420
1756
1252
1756
1056
1672
1056
1728
1000
1672
1000
1840
1056

S't

S''t

at

1444.00
1537.33
1420.00
1476.00
1438.67
1522.67
1485.33
1494.67
1420.00
1485.33
1457.33
1485.33
1392.00
1420.00
1392.00
1438.67
1401.33
1420.00
1438.67
1476.00
1494.67
1466.67
1560.00
1476.00
1588.00
1354.67
1494.67
1261.33
1485.33
1261.33
1466.67
1224.00
1504.00
1298.67

1467.11
1477.78
1444.89
1479.11
1482.22
1500.89
1466.67
1466.67
1454.22
1476.00
1444.89
1432.44
1401.33
1416.89
1410.67
1420.00
1420.00
1444.89
1469.78
1479.11
1507.11
1500.89
1541.33
1472.89
1479.11
1370.22
1413.78
1336.00
1404.44
1317.33
1398.22
1342.22

1372.89
1474.22
1432.44
1566.22
1488.44
1488.44
1373.33
1504.00
1460.44
1494.67
1339.11
1407.56
1382.67
1460.44
1392.00
1420.00
1457.33
1507.11
1519.56
1454.22
1612.89
1451.11
1634.67
1236.44
1510.22
1152.44
1556.89
1186.67
1528.89
1130.67
1609.78
1255.11

Jumlah

(Sumber: pengolahan data)

bt

-47.11
-1.78
-6.22
43.56
3.11
-6.22
-46.67
18.67
3.11
9.33
-52.89
-12.44
-9.33
21.78
-9.33
0.00
18.67
31.11
24.89
-12.44
52.89
-24.89
46.67
-118.22
15.56
-108.89
71.56
-74.67
62.22
-93.33
105.78
-43.56

Ft+m

et

[et]

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

1325.78
1472.44
1426.22
1609.78
1491.56
1482.22
1326.67
1522.67
1463.56
1504.00
1286.22
1395.11
1373.33
1482.22
1382.67
1420.00
1476.00
1538.22
1544.44
1441.78
1665.78
1426.22
1681.33
1118.22
1525.78
1043.56
1628.44
1112.00
1591.11
1037.33
1715.56
1211.56
1211.56
1168.00
1124.44
1080.89
1037.33
993.78
950.22
906.67
863.11
819.56
776.00
732.44

38.22
31.56
21.78
6.22
-99.56
-6.22
65.33
65.33
-71.56
-28.00
21.78
80.89
18.67
-34.22
-18.67
28.00
28.00
-62.22
-40.44
-21.78
90.22
-174.22
74.67
-62.22
146.22
12.44
99.56
-112.00
80.89
-37.33
124.44
-155.56

38.22
31.56
21.78
6.22
99.56
6.22
65.33
65.33
71.56
28.00
21.78
80.89
18.67
34.22
18.67
28.00
28.00
62.22
40.44
21.78
90.22
174.22
74.67
62.22
146.22
12.44
99.56
112.00
80.89
37.33
124.44
155.56

110.22

1958.22

et^2

Pe(%)

[Pe]

1460.94
995.75
474.27
38.72
9911.31
38.72
4268.44
4268.44
5120.20
784.00
474.27
6543.01
348.44
1171.16
348.44
784.00
784.00
3871.60
1635.75
474.27
8140.05
30353.38
5575.11
3871.60
21380.94
154.86
9911.31
12544.00
6543.01
1393.78
15486.42
24197.53

0.0280
0.0210
0.0150
0.0039
-0.0715
-0.0042
0.0469
0.0411
-0.0514
-0.0190
0.0166
0.0548
0.0134
-0.0236
-0.0137
0.0193
0.0186
-0.0422
-0.0269
-0.0153
0.0514
-0.1392
0.0425
-0.0589
0.0875
0.0118
0.0576
-0.1120
0.0484
-0.0373
0.0676
-0.1473

0.0280
0.0210
0.0150
0.0039
0.0715
0.0042
0.0469
0.0411
0.0514
0.0190
0.0166
0.0548
0.0134
0.0236
0.0137
0.0193
0.0186
0.0422
0.0269
0.0153
0.0514
0.1392
0.0425
0.0589
0.0875
0.0118
0.0576
0.1120
0.0484
0.0373
0.0676
0.1473

183347.75

-0.1170

1.4081

Peramalan Metode DMA

Demand

2000
1500
1000

Demand

500

Ft+m

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Periode

Gambar 4. 3 Diagram Peramalan (Forecasting) Metode DMA

(Sumber: pengolahan data)

Ukuran kesalahan dengan cara statistik:

a. Mean Error (ME):
ME =

!"

!!".!!
!"

= 3.06

b. Mean Absolute Error (MAE):

MAE =

!|!"|
!

1958.22
36

= 54.40

c. Sum of Square Error (SSE):

SSE = ()! = 183347.75
d. Mean of Square Error (MSE):
MSE =

!!"
!

!"##$%.!"

!"

= 5092.99

e. Standard Deviation Error (SDE):

SDE =

183347.75
361

= 72.38

Ukuran kesalahan relative:

a. Mean Percentage Error (MPE):
MPE =

!"
!

!!.!!"#
!"

= 0.0032

b. Mean Absolute Percentage Error (MAPE):

MAPE =

|!"|
!

!.!"#$
!"

= 0.0391

4.2.2

Regresi Linier

Tabel 4. 3 Tabel Regresi Linier

Periode
(p)
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
32
33
34
35
36
666
37
38
39
40
41
42
43
44
45
46
47
48

Demand
(X)
1280
1716
1336
1560
1364
1504
1448
1616
1392
1476
1392
1588
1392
1476
1308
1476
1392
1448
1364
1448
1504
1476
1504
1420
1756
1252
1756
1056
1672
1056
1728
1000
1672
1000
1840
1056
51724

x.p

t^2

dt

1280
3432
4008
6240
6820
9024
10136
12928
12528
14760
15312
19056
18096
20664
19620
23616
23664
26064
25916
28960
31584
32472
34592
34080
43900
32552
47412
29568
48488
31680
53568
32000
55176
34000
64400
38016
945612

1.00
4.00
9.00
16.00
25.00
36.00
49.00
64.00
81.00
100.00
121.00
144.00
169.00
196.00
225.00
256.00
289.00
324.00
361.00
400.00
441.00
484.00
529.00
576.00
625.00
676.00
729.00
784.00
841.00
900.00
961.00
1024.00
1089.00
1156.00
1225.00
1296.00
16206

1280.00
3432.00
4008.00
6240.00
6820.00
9024.00
10136.00
12928.00
12528.00
14760.00
15312.00
19056.00
18096.00
20664.00
19620.00
23616.00
23664.00
26064.00
25916.00
28960.00
31584.00
32472.00
34592.00
34080.00
43900.00
32552.00
47412.00
29568.00
48488.00
31680.00
53568.00
32000.00
55176.00
34000.00
64400.00
38016.00
945612

(Sumber: pengolahan data)

F = a + bt
1487.60
1484.69
1481.79
1478.89
1475.98
1473.08
1470.17
1467.27
1464.37
1461.46
1458.56
1455.65
1452.75
1449.85
1446.94
1444.04
1441.13
1438.23
1435.33
1432.42
1429.52
1426.61
1423.71
1420.81
1417.90
1415.00
1412.09
1409.19
1406.29
1403.38
1400.48
1397.57
1394.67
1391.77
1388.86
1385.96
51724
1383.05
1380.15
1377.25
1374.34
1371.44
1368.53
1365.63
1362.73
1359.82
1356.92
1354.01
1351.11

Forecast

et

[et]

et^2

Pe(%)

[Pe]

1488
1485
1482
1479
1476
1474
1471
1468
1465
1462
1459
1456
1453
1450
1447
1445
1442
1439
1436
1433
1430
1427
1424
1421
1418
1415
1413
1410
1407
1404
1401
1398
1395
1392
1389
1386
51740
1384
1381
1378
1375
1372
1369
1366
1363
1360
1357
1355
1352

-208
231
-146
81
-112
30
-23
148
-73
14
-67
132
-61
26
-139
31
-50
9
-72
15
74
49
80
-1
338
-163
343
-354
265
-348
327
-398
277
-392
451
-330
-16

208
231
146
81
112
30
23
148
73
14
67
132
61
26
139
31
50
9
72
15
74
49
80
1
338
163
343
354
265
348
327
398
277
392
451
330
5858

43264
53361
21316
6561
12544
900
529
21904
5329
196
4489
17424
3721
676
19321
961
2500
81
5184
225
5476
2401
6400
1
114244
26569
117649
125316
70225
121104
106929
158404
76729
153664
203401
108900
1617898

-16.2500
13.4615
-10.9281
5.1923
-8.2111
1.9947
-1.5884
9.1584
-5.2443
0.9485
-4.8132
8.3123
-4.3822
1.7615
-10.6269
2.1003
-3.5920
0.6215
-5.2786
1.0359
4.9202
3.3198
5.3191
-0.0704
19.2483
-13.0192
19.5330
-33.5227
15.8493
-32.9545
18.9236
-39.8000
16.5670
-39.2000
24.5109
-31.2500
-87.9534

16.2500
13.4615
10.9281
5.1923
8.2111
1.9947
1.5884
9.1584
5.2443
0.9485
4.8132
8.3123
4.3822
1.7615
10.6269
2.1003
3.5920
0.6215
5.2786
1.0359
4.9202
3.3198
5.3191
0.0704
19.2483
13.0192
19.5330
33.5227
15.8493
32.9545
18.9236
39.8000
16.5670
39.2000
24.5109
31.2500
433.5099

b=
a=

!!!"!(!!)(!!)
!!! ! !(!!)!
!!!!!!
!

!"#$%&!!!!(!"#$%)
!" !"#$" !(!!!)!

!"#$%!(!!.!"#")(!!!)
!"

= 2.9040

= 1490.5016

Permodelan Metode Regresi Linier

Demand

2000
1500
1000

Demand

500

Forecast

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Periode

Gambar 4. 4 Diagram Peramalan (Forecasting) Metode Regresi Linier

(Sumber: pengolahan data)

Ukuran kesalahan dengan cara statistik:

a. Mean Error (ME):
ME =

!"
!

!!"
!"

= 0.44

b. Mean Absolute Error (MAE):

MAE =

!|!"|
!

5858
36

= 162.72

c. Sum of Square Error (SSE):

SSE = ()! = 1617898
d. Mean of Square Error (MSE):
MSE =

!!"
!

!"!#$%$
!"

= 44941.61

e. Standard Deviation Error (SDE):

SDE =

1617898
361

= 215.00

Ukuran kesalahan relative:

a. Mean Percentage Error (MPE):
MPE =

!"
!

!!".!"#$
!"

= 2.4432

b. Mean Absolute Percentage Error (MAPE):

MAPE =

|!"|
!

!"".!"
!"

= 12.0419

4.2.3

Double Exponential Smoothing (Brown)

Tabel 4. 4 Tabel Double Exponential Smoothing (Brown)

Periode

Demand

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
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

1280
1716
1336
1560
1364
1504
1448
1616
1392
1476
1392
1588
1392
1476
1308
1476
1392
1448
1364
1448
1504
1476
1504
1420
1756
1252
1756
1056
1672
1056
1728
1000
1672
1000
1840
1056

S't
1280
1550.32
1417.44
1505.83
1417.89
1471.28
1456.85
1555.52
1454.14
1467.69
1420.76
1524.45
1442.33
1463.21
1366.98
1434.57
1408.18
1432.87
1390.17
1426.02
1474.37
1475.38
1493.12
1447.79
1638.88
1399.01
1620.35
1270.45
1519.41
1232.10
1539.56
1205.03
1494.55
1187.93
1592.21
1259.76

S''t
1280.00
1447.60
1428.90
1476.60
1440.20
1459.47
1457.84
1518.40
1478.56
1471.82
1440.17
1492.42
1461.37
1462.51
1403.28
1422.68
1413.69
1425.58
1403.63
1417.51
1452.76
1466.79
1483.12
1461.21
1571.37
1464.51
1561.13
1380.91
1466.78
1321.28
1456.61
1300.63
1420.86
1276.44
1472.22
1340.50

Jumlah

(Sumber: pengolahan data)

1653.04
1405.98
1535.06
1395.59
1483.09
1455.85
1592.64
1429.72
1463.56
1401.36
1556.48
1423.30
1463.91
1330.68
1446.46
1402.67
1440.16
1376.71
1434.54
1495.97
1483.97
1503.13
1434.36
1706.39
1333.52
1679.56
1159.99
1572.04
1142.92
1622.50
1109.43
1568.24
1099.42
1712.21
1179.03

167.60
-18.70
47.69
-36.39
19.27
-1.63
60.56
-39.84
-6.74
-31.66
52.26
-31.06
1.14
-59.23
19.40
-8.99
11.89
-21.95
13.89
35.25
14.02
16.33
-21.90
110.15
-106.86
96.62
-180.22
85.87
-145.50
135.33
-155.98
120.23
-144.42
195.78
-131.73

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

= 0.62
Ft+m
1820.64
1387.28
1582.75
1359.19
1502.36
1454.22
1653.20
1389.87
1456.83
1369.70
1608.73
1392.24
1465.05
1271.45
1465.86
1393.67
1452.05
1354.76
1448.42
1531.23
1498.00
1519.46
1412.46
1816.55
1226.66
1776.18
979.78
1657.91
997.41
1757.84
953.45
1688.47
955.00
1907.98
1047.30
1047.30
915.58
783.85
652.13
520.40
388.68
256.95
125.22
-6.50
-138.23
-269.95
-401.68

et

[et]

et^2

Pe(%)

[Pe]

-104.64
-51.28
-22.75
4.81
1.64
-6.22
-37.20
2.13
19.17
22.30
-20.73
-0.24
10.95
36.55
10.14
-1.67
-4.05
9.24
-0.42
-27.23
-22.00
-15.46
7.54
-60.55
25.34
-20.18
76.22
14.09
58.59
-29.84
46.55
-16.47
45.00
-67.98
8.70

104.64
51.28
22.75
4.81
1.64
6.22
37.20
2.13
19.17
22.30
20.73
0.24
10.95
36.55
10.14
1.67
4.05
9.24
0.42
27.23
22.00
15.46
7.54
60.55
25.34
20.18
76.22
14.09
58.59
29.84
46.55
16.47
45.00
67.98
8.70

10949.53
2630.13
517.76
23.10
2.69
38.72
1383.83
4.53
367.65
497.09
429.92
0.06
119.99
1335.91
102.73
2.80
16.37
85.38
0.18
741.24
483.86
239.10
56.87
3665.84
641.99
407.35
5810.19
198.39
3432.49
890.25
2166.63
271.35
2025.24
4621.63
75.67

-0.0610
-0.0384
-0.0146
0.0035
0.0011
-0.0043
-0.0230
0.0015
0.0130
0.0160
-0.0131
-0.0002
0.0074
0.0279
0.0069
-0.0012
-0.0028
0.0068
-0.0003
-0.0181
-0.0149
-0.0103
0.0053
-0.0345
0.0202
-0.0115
0.0722
0.0084
0.0555
-0.0173
0.0465
-0.0099
0.0450
-0.0369
0.0082

0.0610
0.0384
0.0146
0.0035
0.0011
0.0043
0.0230
0.0015
0.0130
0.0160
0.0131
0.0002
0.0074
0.0279
0.0069
0.0012
0.0028
0.0068
0.0003
0.0181
0.0149
0.0103
0.0053
0.0345
0.0202
0.0115
0.0722
0.0084
0.0555
0.0173
0.0465
0.0099
0.0450
0.0369
0.0082

-109.98

907.88

44236.47

0.0335

0.6577

Peramalan Metode Brown

2500
2000
Demand

1500
1000

Demand

500

Ft+m

0
-500

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

-1000

Periode

Gambar 4. 5 Diagram Peramalan (Forecasting) Metode Brown

(Sumber: pengolahan data)

Ukuran kesalahan dengan cara statistik:

a. Mean Error (ME):
ME =

!"

!!"#.!"
!"

= 3.05

b. Mean Absolute Error (MAE):

MAE =

!|!"|
!

907.88
36

= 25.22

c. Sum of Square Error (SSE):

SSE = ()! = 44236.47
d. Mean of Square Error (MSE):
MSE =

!!"
!

!!"#$.!"

!"

= 1228.79

e. Standard Deviation Error (SDE):

SDE =

44236.47

361

= 35.55

Ukuran kesalahan relative:

a. Mean Percentage Error (MPE):
MPE =

!"
!

!.!""#
!"

= 0.0009

b. Mean Absolute Percentage Error (MAPE):

MAPE =

|!"|
!

!.!"##
!"

= 0.0183

4.2.4

Double Exponential Smoothing (Holt)

Tabel 4. 5 Tabel Double Exponential Smoothing (Holt)

Periode

Demand

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
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

1280
1716
1336
1560
1364
1504
1448
1616
1392
1476
1392
1588
1392
1476
1308
1476
1392
1448
1364
1448
1504
1476
1504
1420
1756
1252
1756
1056
1672
1056
1728
1000
1672
1000
1840
1056

St
1280
1716.00
1336.00
1499.60
1388.48
1483.54
1459.22
1598.90
1425.12
1456.51
1399.84
1564.22
1423.52
1459.52
1325.27
1449.06
1407.66
1441.24
1374.47
1434.91
1501.96
1485.12
1501.25
1429.49
1717.03
1323.75
1679.90
1147.16
1574.45
1141.79
1633.84
1104.11
1571.61
1094.88
1726.35
1175.95

=
bt
436.00
-380.00
-380.00
109.24
-89.08
76.64
-14.23
124.29
-143.97
13.86
-49.62
142.98
-112.33
21.17
-118.71
99.54
-27.30
27.49
-57.34
48.66
65.21
-8.64
13.65
-63.22
252.46
-328.70
287.67
-450.71
339.49
-355.44
407.29
-436.02
377.14
-391.35
529.20
-442.44

Jumlah

(Sumber: pengolahan data)

0.9
m

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

;
Ft+m

956.00
1608.84
1299.40
1560.18
1444.99
1723.19
1281.15
1470.37
1350.21
1707.20
1311.19
1480.68
1206.56
1548.59
1380.36
1468.72
1317.13
1483.58
1567.16
1476.48
1514.90
1366.27
1969.49
995.04
1967.57
696.45
1913.93
786.36
2041.13
668.09
1948.75
703.53
2255.55
733.52
733.52
291.08
-151.36
-593.80
-1036.24
-1478.68
-1921.12
-2363.56
-2805.99
-3248.43
-3690.87
-4133.31

=
et

0.9
[et]

et^2

Pe(%)

[Pe]

380.00
-48.84
64.60
-56.18
3.01
-107.19
110.85
5.63
41.79
-119.20
80.81
-4.68
101.44
-72.59
11.64
-20.72
46.87
-35.58
-63.16
-0.48
-10.90
53.73
-213.49
256.96
-211.57
359.55
-241.93
269.64
-313.13
331.91
-276.75
296.47
-415.55
322.48

380.00
48.84
64.60
56.18
3.01
107.19
110.85
5.63
41.79
119.20
80.81
4.68
101.44
72.59
11.64
20.72
46.87
35.58
63.16
0.48
10.90
53.73
213.49
256.96
211.57
359.55
241.93
269.64
313.13
331.91
276.75
296.47
415.55
322.48

144400.00
2385.35
4172.69
3156.53
9.04
11489.61
12288.67
31.66
1746.10
14209.75
6530.58
21.94
10290.16
5269.87
135.58
429.48
2196.39
1265.69
3989.66
0.23
118.87
2886.50
45577.61
66026.15
44763.55
129274.76
58531.91
72708.12
98050.24
110162.87
76592.62
87894.83
172680.26
103995.91

0.2844
-0.0313
0.0474
-0.0374
0.0021
-0.0663
0.0796
0.0038
0.0300
-0.0751
0.0581
-0.0032
0.0776
-0.0492
0.0084
-0.0143
0.0344
-0.0246
-0.0420
-0.0003
-0.0072
0.0378
-0.1216
0.2052
-0.1205
0.3405
-0.1447
0.2553
-0.1812
0.3319
-0.1655
0.2965
-0.2258
0.3054

0.2844
0.0313
0.0474
0.0374
0.0021
0.0663
0.0796
0.0038
0.0300
0.0751
0.0581
0.0032
0.0776
0.0492
0.0084
0.0143
0.0344
0.0246
0.0420
0.0003
0.0072
0.0378
0.1216
0.2052
0.1205
0.3405
0.1447
0.2553
0.1812
0.3319
0.1655
0.2965
0.2258
0.3054

525.40

4949.34

1293283.20

1.0881

3.7085

Peramalan Metode Holt

4000

Demand

2000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
-2000

Demand
Ft+m

-4000
-6000

Periode

Gambar 4. 6 Diagram Peramalan (Forecasting) Metode Holt

(Sumber: pengolahan data)

Ukuran kesalahan dengan cara statistik:

a. Mean Error (ME):
ME =

!"

!"!.!"
!"

= 14.59

b. Mean Absolute Error (MAE):

MAE =

!|!"|
!

4949.34
36

= 137.48

c. Sum of Square Error (SSE):

SSE = ()! = 1293283.20
d. Mean of Square Error (MSE):
MSE =

!!"
!

!"#$"%$.!"

!"

= 35924.53

e. Standard Deviation Error (SDE):

SDE =

1293283.20

361

= 192.23

Ukuran kesalahan relative:

a. Mean Percentage Error (MPE):
MPE =

!"
!

!.!""#
!"

= 0.0302

b. Mean Absolute Percentage Error (MAPE):

MAPE =

|!"|
!

!.!"#$
!"

= 0.1030

BAB V
ANALISIS DATA
Setelah pengumpulan dan pengolahan data, maka langkah selanjutnya
adalah melakukan analisa terhadap hasil akhir dari masing masing pengolahan
data tersebut. Hal ini untuk memperjelas dan lebih memahami terhadap
permasalahan yang dihadapi serta hasil yang diperoleh dari penerapan pemecahan
masalah yang sudah digunakan.

Data Permintaan 36 Periode

Demand

2000
1500
1000
500
0
1

9 11 13 15 17 19 21 23 25 27 29 31 33 35
Periode

Gambar 5. 1 Data Permintaan 36 Periode

(Sumber: pengolahan data)

Dari Gambar 5.1 diatas dapat terlihat bahwa data permintaan selama 36
periode ini memiliki pola data horizontal.
5.1 Double Moving Average (DMA)

Peramalan Metode DMA

Demand

2000
1500
1000

Demand

500

Ft+m

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Periode

Gambar 5. 2 Diagram Diagram Peramalan (Forecasting) Metode DMA

(Sumber: pengolahan data)

Berdasarkan pada hasil pengolahan data dan gambar 5.2, dapat dilihat
hasil dari peramalan untuk 12 periode kedepan ialah menurun. Dapat dilihat
bahwa periode pertama, kedua dan ketiga tidak memiliki nilai peramalan.
Faktor penyebabnya karena jumlah satuan waktu yang digunakan dalam
membuat rata rata bergeraknya adalah 3 satuan periode, sehingga
peramalan pertama hanya bida dilakukan pada periode keempat. Perhitungan
MSE (Mean of Square Error) dari data dengan menggunakan metode Double
Moving Average ialah 5092.99.
5.2 Regresi Linier

Demand

Permodelan Metode Regresi Linier

2000
1500
1000
500
0

Demand
Forecast
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47
Periode

Gambar 5. 3 Diagram Diagram Peramalan (Forecasting) Metode Regresi

Linier
(Sumber: pengolahan data)

Berdasarkan pada hasil pengolahan data sebelumnya dan terlihat pada

gambar 5.3, dapat dilihat bahwa hasil peramaalan relatif cukup stabil dengan
perhitungan MSE (Mean of Square Error) dari data dengan menggunakan
metode regresi linier ialah 44941.61.
Dari pengolahan data diatas menunjukkan bahwa pola data forecast
merupakan pola data tren menurun dari awal periode hingga periode ke 48.

5.3 Double Exponential Smoothing (Brown)

Peramalan Metode Brown

Demand

3000
2000
Demand

1000

Ft+m

0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
-1000

Periode

Gambar 5. 4 Diagram Diagram Peramalan (Forecasting) Metode Brown

(Sumber: pengolahan data)

Berdasarkan pada hasil pengolahan data dan tertuan dalam gambar

5.4, dapat dilihat hasil dari peramalan untuk 12 periode kedepan ialah
menurun. Perhitungan MSE (Mean of Square Error) dari data dengan
menggunakan metode Double Exponential Smoothing (Brown)

ialah

1228.79. Pada 12 periode mendatang mengalami penurunan, ini disebabkan

oleh nilai b yang diperoleh dari perhitungan yaitu 131.73.
5.4 Double Exponential Smoothing (Holt)

Peramalan Metode Holt

Demand

4000
2000
0
-2000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
-4000
-6000

Demand
Ft+m

Periode

Gambar 5. 5 Diagram Diagram Peramalan (Forecasting) Metode Holt

(Sumber: pengolahan data)

Berdasarkan pada hasil pengolahan data dan tertuang pada gambar

5.5, dapat dilihat hasil dari peramalan untuk 12 periode kedepan ialah

menurun. Dalam prinsipnya serupa dengan metode Brown kecuali metode

Holt tidak menggunakan rumus pemulusan berganda secara langsung, sebagai
gantinya metode Holt memuluskan nilai trend dengan parameter yang
berbeda dengan parameter yang digunakan pada deret yang asli. Pada
praktikum kali ini, didapat dengan menggunakan kontanta alpha dan beta =
0,9. Perhitungan MSE (Mean of Square Error) dari data dengan
menggunakan metode Double Exponential Smoothing (Holt) ialah 35924.53.
Gambar 5.4 diatas menunjukkan bahwa pada 12 periode mendatang
mengalami penurunan yang lebih jauh dibandingkan dengan metode double
exponential smoothing (Brown) ini disebabkan karena nilai bt dari
perhitungan metode Holt lebih besar dari nilai b double exponential
smoothing yaitu sebesar -442.44.
Keempat metode diatas menghasilkan data kesalahan sebagai berikut:
Tabel 5. 1 Tabel Kesalahan 4 Metode Peramalan (Forecasting)

Ukuran Kesalahan

Double Moving
Average

Mean Error
Mean Absolute Error
Sum of Square Error
Mean of Square Error
Standard Deviation Error
Mean Percentage Error
Mean Absolute Percentage Error
(Sumber: pengolahan data)

3.06
54.40
183347.75
5092.99
72.38
-0.0032
0.0391

Regresi Linier
-0.44
162.72
1617898.00
44941.61
215.00
-2.4432
12.0419

Double
Exponential
Smoothing
(Brown)
-3.05
25.22
44236.47
1228.79
35.55
0.0009
0.0183

Double
Exponential
Smoothing
(Holt)
14.59
137.48
1293283.20
35924.53
192.23
0.030
0.103

untuk menentukan metode terbaik dari keempat metode peramalan diatas adalah
dengan melihat nilai kesalahan atau error yang paling terkecil. Sesuai ketentuan,
jenis kesalahan yang dilihat adalah Mean of Square Error. Dilihat dari tabel 5.1
nilai Mean of Square Error
smoothing (Brown).

yang terkecil adalah metode double exponential

BAB VI
KESIMPULAN DAN SARAN
6.1 KESIMPULAN
Berdasarkan hasil pembahasan di bab sebelumnya maka dapat
disimpulkan adalah sebagai berikut :
1. Manfaat forecasting dalam sistem industri adalah berkaitan mengenai
persediaan yang akan dilakukan oleh perusahaan yaitu sebagai acuan dalam
melakukan proses produksinya. Dengan melakukan forecasting, perusahaan
dapat meramalkan permintaan konsumen dimasa yang akan datang
berdasarkan

permintaan

pada

periode

sebelumnya

terhadap

produk

perusahaannya. Posisi forecasting dalam sistem industri sangatlah penting

dalam mengoptimalkan kinerja produksi perusahaan tersebut sehingga dapat
memenuhi permintaan konsumen dengan tepat serta sebagai langkah dalam
pengambilan keputusan penentuan jumlah produksi yang akan dilakukan pada
periode selanjutnya sehingga tidak terjadi kekurangan atau kelebihan
persediaan yang menyebabkan kerugian bagi perusahaan tersebut.
2. Implementasi metode dan teknik forecasting yang dapat dilakukan dalam
bidang industri adalah untuk menentukan permintaan konsumen dengan tepat
di periode selanjutnya berdasarkan periode masa lalu sehingga perusahaan
dapat menentukan jumlah kebutuhan material dalam suatu lantai produksi,
waktu total yang diperlukan untuk satu kali proses produksi sehingga akan
diperoleh jumlah stasiun kerja dan tenaga kerja yang optimal dan keputusan
penting lainnya dalam rangka mengurangi atau bahkan menghilangkan
inventori atau adanya kelebihan kekurangan persediaan yang berpengaruh
pada tingkat keuntungan perusahaan.
3. Metode-metode yang digunakan dalam proses forecasting sangat banyak.
Penggunaan metode peramalan juga didasarkan pada plot data yang terjadi
atau mengidentifikasikan sifat datanya. Kemudian setelah mengidentifikasi
plot data maka kita dapat menentukan metode yang dapat digunakan sesuai
dengan plot datanya. Pada praktikum kali ini metode yang digunakan adalah:
double moving average (DMA), regresi linier, double exponential smoothing

(Brown) dan double smoothing double exponential (Holt). Dari ke-4 metode
tersebut didapatkan hasil yang terbaik yaitu dengan menggunakan metode
double exponential smoothing (Brown).

6.2 SARAN
Saran untuk praktikum perencanaan dan pengendalian produksi, modul 1
mengenai peramalan (forecasting) selanjutnya adalah :
1. Praktikan sebaiknya lebih teliti dalam melakukan pengolahan data manual
forecasting sehingga didapatkan hasil sesuai dengan yang diinginkan.
2. Praktikan sebaiknya memahami materi forecasting lebih baik sehingga mudah
dalam melakukan pembahasan materi forecasting.